Big Data Analysis Capability, Dynamic Capability and Business Model Innovation for Manufacturing Enterprises:The Perspective of Resource Orchestration

Chen Yantai1,2, Lyu Zuqing1, Hu Xuhui1, Xie Zaiyang1

( 1. School of Management, Zhejiang University of Technology, Hangzhou 310023, China;2. Research Center for Digital Innovation and Global Value Chain Upgrading, Zhejiang Gongshang University, Hangzhou 310018, China)

Abstract：Manufacturing is essential for the national economy, and promoting the high-quality development of the manufacturing industry is the core content of China's high-quality economic development. In the era of the digital economy, the industry environment is complex and changeable, and a series of excellent business models accompanied by deep digitalization have become an important source of competitiveness for current manufacturing enterprises. Manufacturing companies must carry out business model disruption innovation through innovative value networks and restructuring transaction systems to avoid their own erosion in the process of global economic transformation. In this context, exploring the path of business model innovation in manufacturing enterprises has great theoretical and practical significance for the high-quality development of China's economy.

As an important factor in production, the potential and value of big data are increasingly prominent. Enterprises need to have big data analysis capabilities to obtain sustainable competitive advantages. Domestic and foreign scholars have conducted relevant research on the relationship between business model innovation and big data analysis capabilities, but there are still some deficiencies. First, from the perspective of impact mechanism, there are not many empirical studies on the mechanism of big data analysis capabilities on business model innovation, which is obviously not conducive to enterprises mining the value of big data and implementing innovative activities. Second, from the perspective of the evolution of big data analysis capabilities, early studies regarded big data analysis capabilities as an organizational capability, while recent studies have pointed out that big data analysis capabilities are a low-order dynamic capability that can positively promote high-order dynamic capabilities, but relevant empirical evidence is still lacking. Third, from the perspective of research, existing research mainly starts from the perspective of traditional theories such as dynamic ability theory, learning orientation theory, and institutional theory. In addition, as the latest cutting-edge theoretical tool of strategic management, resource orchestration theory emphasizes that in a dynamic environment, enterprises need to continuously orchestrate key resources and use these resources to create value so as to obtain sustainable competitive advantages. Resource orchestration is viewed as an important condition for enterprises to achieve business model innovation, so the perspective of resource orchestration provides a new entry point for studying the relationship between big data analysis capabilities and business model innovation. Fourth, from the perspective of the division of business model innovation dimensions, most scholars regard business model innovation as a single-dimensional concept and explore the relationship between it and big data analysis capabilities. However, according to Schumpeter's innovation theory and transaction cost theory, business model innovation can be divided into "novel attributes" and "efficiency attributes" according to the sources of value creation. In summary, the current research has not yet explored the relationship between big data analysis capabilities and "novel" and "efficiency" business model innovation from the perspective of capability hierarchy and resource orchestration, and the "black box" of its impact process remains closed.

In this study, manufacturing enterprises with big data application practices that had carried out innovative activities in the five years from 2016 to 2021 in the Yangtze River Delta region are selected as the survey sample, and data collected through questionnaire survey is used for the empirical test through PLS structure equation. The results show that the big data technology capability and big data application capability have a promoting effect on the innovation of novel and efficient business models. In the relationship between the two sub-dimensions of big data analysis capability and novel business model innovation, dynamic capabilities play some mediating roles. In the relationship between the two sub-dimensions of big data analysis capability and efficient business model innovation, dynamic capabilities play a complete mediating role.

In conclusion, this study deepens the mechanism of big data analysis capability on business model innovation from the perspective of resource orchestration and capability hierarchy, examines the important intermediary mechanism of dynamic capability, expands the research on the antecedents of organizational dynamic capability, and also provides a theoretical basis for the construction of enterprise data-driven dynamic capability in the era of the digital economy. The conclusions have important management enlightenment for how Chinese manufacturing enterprises can effectively carry out business model innovation in the digital economy.

Key Words：Big Data Analysis Capability; Resource Orchestration; Dynamic Capability; Business Model Innovation

DOI：10.6049/kjjbydc.2023040398

开放科学(资源服务)标识码(OSID)：

中图分类号：F274

文献标识码：A

文章编号：1001-7348(2024)24-0107-11

收稿日期：2023-04-17

修回日期：2023-06-11

基金项目：国家自然科学基金重点项目(72032008);国家自然科学基金项目(72302220);教育部人文社会科学研究项目(22YJC630168);浙江省自然科学基金青年项目(LQ22G020007)

作者简介：陈衍泰(1979-),男,福建尤溪人,博士,浙江工业大学管理学院教授、博士生导师,浙江工商大学数字创新与全球价值链升级研究中心教授,研究方向为创新管理、战略管理、数字化转型战略等;吕祖庆(1999-),男,江西鄱阳人,浙江工业大学管理学院硕士研究生,研究方向为企业创新、数字化转型;胡旭辉(1998-),男,山东临沂人,浙江工业大学管理学院硕士研究生,研究方向为数字化转型、商业模式创新;谢在阳(1992-),女,福建福州人,博士,浙江工业大学管理学院讲师,研究方向为企业战略管理、大数据与创新管理。本文通讯作者:胡旭辉。

0 引言

中共二十大报告提出,“高质量发展是全面建设社会主义现代化国家的首要任务”。制造业是立国之本、强国之基,是国家经济命脉所系。推动制造业高质量发展,是我国经济高质量发展的核心内容,也是加快社会主义现代化建设的重要基础。数字经济时代,行业环境复杂多变,制造企业需要通过打造创新价值网络和重构交易体系进行商业模式创新,以避免自身在全球经济转型过程中被侵蚀。在此背景下,探索制造企业商业模式创新路径,对于我国经济高质量发展具有重要理论意义与现实价值。

大数据作为重要生产要素(谢康,2020),其具备的潜力与价值日益凸显。企业需要借助大数据分析能力(Big Data Analytics Capability,下文简称BDAC)实现商业模式变革,从而构建可持续竞争优势。国内外学者围绕商业模式创新与大数据分析能力的关系进行了探讨:首先,从影响机理看,现有大数据分析能力对商业模式创新的影响机制研究鲜见,这显然不利于企业通过挖掘大数据价值实施创新活动(曾锵,2019)。其次,从大数据分析能力演化看,早期研究将大数据分析能力视为基于数据分析的组织能力[1],近期研究认为大数据分析能力是低阶动态能力[2],然而相关实证研究匮乏。再次,从研究视角看,已有研究主要从动态能力理论[3]、学习导向理论[4]、制度理论(谢卫红等,2018)等视角切入。此外,作为战略管理研究领域的理论工具,资源编排理论强调动态环境下,企业需要对关键资源进行编排并利用这些资源创造价值,进而获得持续竞争优势(荆浩和尹薇,2021)。王炳成等(2022)指出,资源编排是企业实现商业模式创新的重要条件。因此,资源编排可作为大数据分析能力与商业模式创新关系研究的新视角。最后,从商业模式创新维度看,现有研究大多将商业模式创新视为单维度概念,探讨其与大数据分析能力的关系[2,4]。然而,基于熊彼特创新理论与交易成本理论,可根据价值创造来源将商业模式创新划分为新颖型商业模式创新与效率型商业模式创新[5]。综上,现有研究尚未基于资源编排视角,探讨大数据分析能力与商业模式创新的关系。

因此,本文基于能力层级观,从资源编排理论视角切入,将大数据分析能力视为组织普通能力与动态能力间的低阶动态能力[6],以制造企业为研究对象,探讨大数据分析能力与新颖型商业模式创新及效率型商业模式创新的关系,以及动态能力在其中的作用,以期为解释商业模式创新问题提供新视角,进而为我国制造企业大数据创新实践提供理论参考。

1 理论基础

1.1 大数据分析能力

大数据分析能力是指企业有效部署技术和人才,通过捕获、存储和分析数据获得的独特洞察力[7]。基于资源基础观,Gupta&George[8]认为,BDAC是指企业构建、整合和利用特定大数据资源的能力,包括有形资源、无形资源和人力技能3个维度;谢卫红等(2018)认为,BDAC包括资源获取能力、分析整合能力以及应用能力3个维度;Alnuaimi等[9]基于资源编排视角,将BDAC划分为技术能力(Technological capabilities)和人力能力(Human capabilities),前者由技术基础设施与数据两种有形资源捆绑而成,后者由管理技能与员工技能两种无形资源捆绑而成。其中,管理技能是指管理人员了解公司当前及未来需求,知悉如何使用大数据的能力;员工技能是指员工使用新型技术从大数据中提取知识的能力。由此可见,人力能力(Human capabilities)是涉及管理者和员工应用大数据的能力。

大数据分析能力不仅是技术能力,而且是管理大数据资产和协调运作活动的能力。数字经济时代,企业能否利用大数据开展商业模式创新,取决于其整合、利用和洞察大数据的能力[4]。相关研究表明,大数据应用可以有力推动创新成果商业化(杨世宏和董晓宏,2023)。因此,基于Alnuaimi等[9]的研究成果,本文将大数据分析能力划分为大数据技术能力与大数据应用能力两个维度。一方面,本文基于资源编排视角,将大数据分析能力划分为技术和应用两个维度,揭示企业利用大数据技术能力挖掘数据信息并利用大数据应用能力合理利用数据信息的动态过程,契合资源编排理论;另一方面,沿袭了Alnuaimi等[9]的研究成果,上述维度划分方式能够体现出大数据应用的动态性和变革性等特征。

大数据技术能力与大数据应用能力是企业基于大数据对组织内部资源和能力进行整合、重构的重要环节。其中,大数据技术能力强调通过整合内外部原始数据进行技术分析[9],从中获取独特的市场洞察力以提供决策支持,能够揭示企业依托大数据构建资源组合对内部资源结构化的影响过程;大数据应用能力强调通过管理者的管理技能以及员工数据技能,将获取的洞察力嵌入组织生产经营活动[2],从而优化企业资源捆绑化与资源杠杆化过程。

1.2 动态能力

动态能力是指企业在动荡环境中整合、建立以及重新配置内部和外部资源以培育组织适应性的能力[10],包括感知、抓住和转化3个维度[11]。现有研究大多基于过程观、职能观、惯例观、能力层级观展开讨论[12]。Teece[13]将动态能力划分为低阶动态能力与高阶动态能力。低阶动态能力包括企业对现有普通能力的调整和重组,以及对新能力的培育。此外,他指出,由“感知、抓住、转化”三维度构成的动态能力是高阶动态能力。基于Teece[13]的研究成果,本文将由感知能力、抓住能力和重新配置能力3维度构成的动态能力界定为能力层级观框架中的高阶动态能力(High-order dynamic capabilities),该能力可以修改组织普通能力或低阶动态能力(Low-order dynamic capabilities)[6]。

Ciampi等[2]指出,大数据分析能力是低阶动态能力,可以通过促进高阶动态能力提升价值创造水平。借鉴上述观点,本文将大数据分析能力视为低阶动态能力。如果企业仅具备大数据分析能力,而不具备从大数据中提炼信息、感知机会、抓住机会,进而重新配置现有资源的能力,就无法实现商业模式创新。换言之,企业需要将大数据分析能力提升为高阶动态能力。因此,能力层级观可为大数据分析能力对商业模式创新影响的研究提供切入点。

1.3 商业模式创新

商业模式创新作为颠覆性创新范式,是指企业对现有资源基础进行调整、重组的持续性资源变革过程(张璐等,2019)。过程视角下,商业模式创新可解释为由诸多相互联系活动构成的业务体系,包括价值链活动、顾客选样、产品或服务选择等,能够描述企业价值创造、获取、传递过程[14];商业生态系统视角下,商业模式创新表现为交易活动体系中的交易内容、交易结构与交易治理机制等要素重组及优化过程[5],包括新颖型商业模式创新和效率型商业模式创新。

随着大数据和物联网技术飞速发展,制造企业有机会利用上述技术开辟新的市场,并重新思考现有收入模式与成本架构[2]。此外,基于熊彼特创新理论与交易成本理论,本文根据价值创造来源将商业模式创新划分为新颖型商业模式创新与效率型商业模式创新[[5,15]。新颖型商业模式创新是指在商业活动参与者间构建新的经济交流方式,本质上是基于新的联系方式、交易机制、治理形式等商业模式构成要素,将更大范围内的经济行为主体联结起来;效率型商业模式创新是指通过采取措施提高交易网络内各参与者的交易效率,目的是降低各方交易成本与复杂程度。数字经济背景下,商业模式创新成为企业创新主体和载体,有助于企业获取超额租金,从而获得可持续竞争优势。

1.4 大数据背景下的资源编排

数字经济背景下,我国新兴商业模式相继涌现。大数据的流动性、外生性使得传统资源的VRIN属性模糊,进而导致企业内部数据资源的位置壁垒逐渐消失。因此,数据资源动态管理及配置机制成为企业通过大数据资源与能力协奏创造价值的关键。结合资源管理过程思想与资产编排协同思想[16],资源编排理论认为,资源构建、捆绑和利用是企业实现价值创造并获得竞争优势的有力支撑,其主要包括3个动态演化过程[17],具体如下:资源结构化,是指企业通过获取、积累和剥离资源形成资源组合;资源捆绑化,是指企业通过稳定、丰富和开拓资源组合构建新的能力或改变现有能力;资源杠杆化,是指企业利用资源、能力和特定市场机会为客户创造价值。以上3个维度并非并列关系而是顺承关系,三者贯穿于组织资源编排行为过程中。基于资源编排理论,对资源进行有效管理,加快资源—能力—价值创造转化,才是将资源转化为持续竞争优势的关键步骤[16]。数字化转型背景下,商业模式创新是组织基于数字资源形成的能力驱动内外部资源编排,进而实现商业模式架构各要素变动的连续过程。综上所述,基于资源编排理论的“资源—能力—价值创造”动态演化框架是探讨大数据分析能力对商业模式创新影响机制的有效工具。

2 理论假设

2.1 大数据分析能力与商业模式创新

资源编排视角下,大数据技术能力、大数据应用能力通过赋能组织一系列资源编排行为对商业模式创新产生影响。

基于资源编排视角,大数据技术能力对商业模式创新的影响主要通过资源结构化机制实现,具体包括:①从企业内部及外部环境中获取必要资源;②剥离与企业发展无关的无用资源,进而降低成本。

一方面,大数据技术能力有助于企业通过获取内外部资源和信息实现新颖型商业模式创新,具体而言:借助大数据技术能力,企业从外部利益相关者处获取战略资源并建立内部知识库,以此在交易网络中与合作伙伴构建全新的联结关系。大数据技术能力可以帮助企业依托内外部数据了解前沿生产技术,进而先于竞争对手洞察市场需求(曾锵,2019),有利于企业开辟新的市场,并由此提出新的价值主张。大数据技术能力可以帮助制造企业深入搜寻市场主体信息[17],突破行业信息垄断,进而在交易网络中拥有更高的自主权、议价权,并依托交易内容、交易机制联结多元化合作伙伴,更新交易网络治理机制,实现新颖型商业模式创新。

另一方面,大数据技术能力帮助企业通过剥离无效资源、降低成本实现效率型商业模式创新,具体而言:大数据技术能力有助于企业构建社会网络关系,进而降低资源搜寻、获取成本。动荡环境下,相较于内部资源开发行为,外部资源内化行为的不确定性风险更小[18]。借助基于客观数据的洞察力,企业可以从供求关系中了解市场需求偏好,进而剥离无效资源,将生产资源有效转化为市场需要的产品或服务。企业通过大数据分析可以深入挖掘现有资源价值,及时发现衰退业务,通过激活内部资源剥离程序优化业务的成本结构与交易模式,进而提高企业交易效率,实现效率型商业模式创新。综上所述,本文提出以下假设:

H1a:大数据技术能力对企业新颖型商业模式创新具有正向影响;

H1b:大数据技术能力对企业效率型商业模式创新具有正向影响。

基于资源编排理论,大数据应用能力越强,企业越能将大数据资源与其它资源进行整合,进而构建独特、不可模仿、不可替代的资源束,实现商业价值创造。这一过程体现出资源捆绑化与资源杠杆化思想。

对于新颖型商业模式创新而言,大数据应用能力可以帮助企业实现资源柔性配置,通过构建数据资源与其它生产性资源的最佳组合,为客户提供多元化价值主张,从而促进制造企业创新能力跃迁升级(许晖和张海军,2016)。企业通过对大数据的转化利用促进流程与业务创新,进而调整自身商业模式架构以实现内外部商业要素动态匹配,加快产品、服务研发过程,拓宽业务渠道和收入来源,实现新颖型商业模式创新。对于效率型商业模式创新而言,大数据应用能力可以帮助企业实现跨部门和跨边界的信息沟通与资源共享,拓展资源整合、利用深度与广度,促进内部生产性资源向终端产品转化,从而降低生产经营过程中的隐性成本。管理者及员工通过协调、应用数据资源促进隐性知识在组织内部流通[19],强化企业对新颖性信息、知识的吸收能力并降低此类知识在组织内部流动成本。企业所处交易网络中存在大量松散耦合的正式与非正式协作关系,大数据应用能力可以帮助企业与外部交易伙伴实现资源协调配置,强化网络节点间的承诺与信任,降低资源交易成本,缓解信息不确定性、复杂性等问题[9]。综上所述,本文提出以下假设:

H2a:大数据应用能力对企业新颖型商业模式创新具有正向影响;

H2b:大数据应用能力对企业效率型商业模式创新具有正向影响。

2.2 大数据分析能力与动态能力

基于资源编排视角,大数据分析能力可以驱动企业资源编排行为,将具有自生长性、可供性的大数据资源与企业其它资源进行整合,进而提升企业高阶动态能力[20]。

一方面,大数据技术能力可以帮助企业洞悉外部环境变化,挖掘市场新需求以及潜在风险。首先,基于大数据分析的洞察力可以帮助企业准确了解环境变化并抓住潜在商业机会,对市场进行重新定位,进而强化自身感知能力[7]。同时,基于大数据分析的洞察力能够提高企业对资源有效性的掌控度,进而实现资源结构化。其次,大数据技术能力可以帮助企业捕获外界机会、实现内外部资源互补,进而实现资源捆绑,通过构建特有的资源束提高企业对市场机会的捕获能力。最后,借助基于大数据分析的洞察力,企业能够及时感知外部环境变化,通过提升环境应对能力,重新资源配置。此外,Schilke等[12]研究表明,大数据分析这一数字技术被认为是促进组织动态能力发展的重要因素。

另一方面,大数据应用能力可以帮助企业有效嵌入业务流程,扩大组织决策范围,从而制定更多解决方案。首先,借助抽象的洞察力,企业能够把握大数据的机会窗口,提升知识对市场机会的捕捉能力。其次,借助管理者的大数据管理经验,企业能够实现资源统筹,解决各部门间的数据孤岛问题,加强各部门对解决方案的执行落实。在此过程中,企业能够及时剥离资源利用率低下的业务,通过优化资源结构对现有业务模式和资源进行调整,进而强化组织资源配置能力,最终强化动态能力。综上所述,本文提出以下假设:

H3:大数据分析能力(低阶)对企业动态能力(高阶)具有正向影响。

H3a:大数据技术能力对企业动态能力具有正向影响;

H3b:大数据应用能力对企业动态能力具有正向影响。

2.3 动态能力的中介作用

现有相关研究认为,企业动态能力对商业模式创新具有积极影响[13]。一方面,动荡数字环境下,借助动态能力,企业通过减少路径依赖并更新组织惯例突破资源困境,从而实现商业模式创新[21]。因此,借助动态能力企业能够破除内部刚性和惰性并整合内部决策行为,发挥大数据资源优势。另一方面,考虑到大数据的时效性,以及将洞察力转化为可操作性方案的难度(曾锵,2019),机会窗口稍纵即逝。借助动态能力,企业能够及时、准确地识别并捕捉稍纵即逝的机会。当拥有较强的大数据分析能力时,企业能够快速将数字资源转化为知识资源,更好地将现有资源与潜在商业机会匹配,从而实现商业模式创新。

基于大数据分析的洞察力可以帮助企业实现外部战略资源获取(赖晓烜等,2023)。资源是组织能力发展的基础,能力是资源形成和演化方向[22]。因此,企业在利用大数据对现有资源组合进行拓展、利用过程中,通过优化和重构资源组合推动动态能力发展[23],提升自身对环境和技术的认知能力,进而在市场生态中创造新的商业价值,最终实现新颖型商业模式创新。企业可以借助大数据技术能力获取、分析、整合内外部数据并获取有价值的知识,洞察市场机遇与潜在风险。借助基于大数据分析的洞察力,企业能够比竞争对手更快地感知、捕获机会,进而创造价值。由于大数据的复杂性,以及大数据分析应用经验匮乏,企业难以将有价值的经济信息应用于组织运营生产流程中[24]。一方面,组织需要借助动态能力突破对原有业务流程的路径依赖,变革现有组织架构、资源配置模式、运营流程及惯例[12];另一方面,组织需要借助基于大数据分析的洞察力加快各层级业务流程融合,实现新技术应用、业务结构变革以及管理流程优化等(曾萍等,2016)。因此,本文出以下假设:

H4:动态能力在大数据分析能力与新颖型商业模式创新间发挥中介作用。

H4a:动态能力在大数据技术能力与新颖型商业模式创新间发挥中介作用;

H4b:动态能力在大数据应用能力与新颖型商业模式创新间发挥中介作用。

基于大数据分析的洞察力可以帮助企业高效获取互补性资源,进而提高企业行动效率以及资源存量(刘新梅等,2017)。此外,企业可以借助大数据分析能力获取庞杂数据中的社会、商业信息并将其融入商业模式变革中,进而提高问题解决能力并降低交易成本,实现效率型商业模式创新。较强的动态能力可以帮助企业保持对外部信息的敏感性,有助于企业消化所获取的有价值信息,进而通过调整资源配置变革现有业务、服务以及业务伙伴关系,实现商业模式创新(曾萍等,2016;庞长伟等,2021)。动态能力可以帮助企业协调现有资源,拓宽资源行动路径,激活内外部资源[21-22],通过摆脱组织惰性、更新原有组织惯例实现资源与能力协奏,进而促进企业商业模式架构中各要素优化重组[25],提高企业与业务伙伴交易效率。因此,本文提出如下假设:

H5:动态能力在大数据分析能力与效率型商业模式创新间发挥中介作用。

H5a:动态能力在大数据技术能力与效率型商业模式创新间发挥中介作用;

H5b:动态能力在大数据应用能力与效率型商业模式创新间发挥中介作用。

综上所述,本文构建概念模型如图1所示。

3 研究设计

3.1 样本选择与数据收集

本文通过问卷调研方式收集数据,选择2016—2021年长三角地区制造企业作为调查样本,制造企业划分依据为2019年国家统计局修订后的《国民经济行业分类和代码GB/T4754-2017》。长三角地区是全国综合经济实力最强、发展活力和开放程度最高的地区,该地区企业面临的商业竞争压力更大,商业模式创新程度更高。本文选择制造企业作为研究对象的原因在于:第一,传统制造企业具有转型升级和商业模式创新的迫切需要[26];第二,制造企业创新能力较强,创新资源丰富[27],与商业活动参与者交流频繁、合作广泛;第三,已有商业模式创新研究均以制造企业为对象[15,28],本文与以往研究保持一致,能够验证结论的普适性。

为了确保量表翻译的准确性,本文对MBA学员进行预测试并结合实践对量表中的部分题项进行修正。为确保调查结果的客观性,本文选取目标企业中高层管理者作为问卷填写者,后者对公司大数据战略、业务流程、经营现状以及创新活动情况具有深入了解。在问卷基础信息部分,本文设置题项“贵公司利用大数据的时间”“贵公司近5年是否进行过商业模式创新或者其它一系列创新活动”,以便后期剔除非目标样本。数据正式收集时间为2021年7～10月,共发放问卷422份,回收313份,剔除作答不完整或不符合调研要求的问卷,得到有效问卷286份,问卷有效率67.77%。样本企业基本情况如表1所示。

3.2 变量测量

在借鉴现有研究量表的基础上,本文对题项进行适当修改,采用Likert 7点评分法,具体如表2所示。借鉴Gupta&George[8]以及Mikalef等[7]的研究成果,大数据分析能力由大数据技术能力和大数据应用能力两个维度构成。其中,大数据技术能力包括基础数据和分析技术两个子维度,大数据应用能力包括管理技能和员工技能两个子维度,且大数据技术能力和大数据应用能力均被确定为二阶“反映—形成”型构念。动态能力包括感知、抓住和重新配置3个子维度,被确定为二阶“反映—形成”型构念,其测量题项主要参考Wilden等[29]、Mikalef等[7]的研究成果。新颖型商业模式创新与效率型商业模式创新测量题项主要参考Zott&Amit[5]的研究成果。此外,考虑到企业大数据应用情况,本文将公司年龄(Year)、所有制(Ownership)和规模(Size)作为控制变量。

4 数据分析与假设检验

4.1 共同方法偏差检验

本文调查问卷采用现有研究的成熟量表,内容表述简洁、清晰。在数据收集过程中,向被试者表明本次调查采用匿名方式且结果仅用于学术研究,被试者可随时退出。本文采取Harman单因素方差分析法进行同源误偏差检验,结果发现,获得未经旋转的第一个因素的解释共变量为38.068%(小于40%的标准)。因此,本研究调研数据不存在显著同源方差问题,可进行后续实证分析。

4.2 信度与效度检验

本文采用软件SmartPLS 3.0以及SPSS 26.0进行信效度检验与验证性因子分析,结果见表2和表3。表2显示,本研究中的9个潜变量Cronbachs' α系数均大于0.7,表明各变量内部一致性较高;各变量CR值均大于0.8,表明其组合信度较高。此外,各变量具体题项的因子载荷均大于0.7,AVE值均大于0.5,表明模型中的构念聚合效度较高。由表3可知,本文中的9个构念AVE的平方根均大于各构念相关性系数,表明本研究结构方程模型具有较高的区分效度。同时,本文进一步通过交叉载荷(Cross-Loading)检验测量模型的有效性。结果发现,各构念下所对应题项的因子载荷均高于上述题项在其它构念下的因子载荷。由此进一步表明,本研究在聚合效度与区分效度上具有良好表现,可以作进一步假设检验分析。

大数据应用能力、大数据技术能力和动态能力各一阶潜变量的VIF值均小于3.3(见图2),且各一阶反映型潜变量题项的权重均显著(p<0.01)。由此表明,本研究不存在严重多重共线性问题,二阶“反映—形成”型潜变量符合结构方程模型的估计要求。模型1(见图3)的SRMR指标值为0.069,NFI值为0.872;模型2(见图4)的SRMR指标值为0.060,NFI值为0.868。由此表明,模型1和2具有较高的拟合度(池毛毛等,2020)。同时,本文通过Blindfolding算法计算Q2值,结果显示,动态能力、新颖型商业模式创新和效率型商业模式创新的Q2值分别为0.514、0.408、0.340,均大于0,表明本研究模型具有较强的预测相关性[31]。

4.3 假设检验

本文采用两阶段偏最小二乘法的结构方程模型(PLS-SEM)对理论模型与研究假设进行验证。第一阶段,通过重复指标法计算所有一阶潜变量的得分;第二阶段,将一阶潜变量的得分代入数据集,以此作为二阶潜变量的观测指标进行估计。

大数据技术能力、大数据应用能力与商业模式创新的关系如图3所示。由图3可知,大数据技术能力和大数据应用能力对商业模式创新(新颖型和效率型)具有正向影响。大数据技术能力对商业模式创新(新颖型与效率型)影响的路径系数分别为0.492、0.576,且p值均小于0.001。由此,假设H1a和假设H1b成立。大数据应用能力对商业模式创新(新颖型和效率型)影响的路径系数分别为0.355、0.225,且p值分别小于0.001和0.01。由此,假设H2a和假设H2b成立。

在模型1中引入动态能力,检验大数据技术能力、大数据应用能力、动态能力与商业模式创新的关系,如图4所示。由图4可知,大数据技术能力、大数据应用能力对动态能力具有正向影响,路径系数分别为0.450和0.417,且P值均小于0.001。因此,大数据分析能力对动态能力具有正向影响,假设H3a、H3b、H3成立。

表4为中介效应检验结果。对于新颖型商业模式创新而言,动态能力在大数据分析能力对新颖型商业模式创新影响过程中发挥显著中介作用(间接效应置信区间上下限内不包含0,且p<0.001)。同时,由于大数据技术能力(p<0.05)、大数据应用能力(p<0.01)对新颖型商业模式创新直接效应的置信区间不包含0,表明动态能力在大数据技术能力、大数据应用能力对新颖型商业模式创新影响过程中发挥部分中介作用。由此,假设H4、H4a、H4b成立。对于效率型商业模式创新而言,动态能力在大数据分析能力对效率型商业模式创新影响过程中发挥显著中介作用(间接效应置信区间上下限内不包含0,且p<0.001)。同时,由于大数据技术能力(p>0.05)、大数据应用能力(p>0.05)对效率型商业模式创新直接效应的置信区间包含0,表明动态能力在大数据技术能力、大数据应用能力对效率型商业模式创新影响过程中发挥完全中介作用。由此,假设H5、H5a、H5b成立。

5 结语

5.1 结论

基于能力层级观,本文从资源编排视角探讨大数据分析能力对商业模式创新(新颖型和效率型)的影响以及动态能力的中介作用,得出以下主要结论:

(1)大数据分析能力对商业模式创新具有显著正向影响,这与以往相关研究结论一致[4]。企业需要借助大数据分析能力对大数据资源进行挖掘、处理和利用,实现资源部署和协调,驱动资源捆绑化,进而基于自身经营现状和市场地位实现新颖型与效率型商业模式创新。

(2)大数据分析能力(低阶)及其子维度对动态能力(高阶)具有正向影响,与部分学者的研究结论一致[1]。大数据分析能力不仅是影响大数据资源潜在价值能否被挖掘和利用的重要因素,而且是促进企业动态能力提升的重要推动力。

(3)动态能力在大数据分析能力与商业模式创新(新颖型和效率型)间发挥显著中介作用。上述结论响应了易加斌和徐迪(2018)关于“大数据对商业模式创新的作用机制”的研究倡议,是对现有研究的有益补充。具体来说,动态能力在大数据分析能力的两个细分维度对商业模式创新(新颖型和效率型)影响过程中发挥不同的中介作用。相较于新颖型商业模式创新,效率型商业模式创新更加强调因经济主体交易效率提升带来的交易成本降低,而非供需层面的产品或服务创新(江积海,2015)。基于大数据分析的洞察力在嵌入组织流程时,企业需要借助动态能力解决组织惰性和组织刚性等阻碍[25],进而实现与外部环境动态匹配。

5.2 理论贡献

(1)商业模式创新已成为数字经济背景下企业响应数字环境需求的创新实践。然而,对于企业如何借助已有资源和能力挖掘大数据潜在价值,进而优化动态资源管理过程,最终实现商业模式创新这一问题,现有研究尚未达成共识[31]。同时,基于不同价值创造视角探讨商业模式创新前因的相关研究匮乏[15]。基于资源编排理论,本文探讨大数据分析能力与商业模式创新(新颖型和效率型)的关系,揭示动态能力在其中的中介作用,打开了“资源—能力—创新结果”过程的“黑箱”,进一步丰富了大数据分析能力与商业模式创新关系研究,拓展了这一因果关系链的作用机制。

(2)本文基于能力层级观和资源编排框架,揭示了大数据分析能力与动态能力间的层级差异,回应了学者们对大数据分析能力与动态能力关系研究的呼吁[1-2]。本文通过揭示动态能力的中介作用,解释了为何大量企业无法通过利用大数据赋能创新活动这一问题(Wu等,2020),检验了大数据技术能力、大数据应用能力对企业动态能力的正向影响[16],拓展了组织动态能力前因研究,为数字经济时代背景下企业动态能力构建提供了理论依据。

5.3 管理启示

(1)企业需要重视数据资源,利用大数据优化自身资源配置。数字经济背景下,企业管理者需要精确识别商业模式创新所需资源,充分挖掘大数据的商业价值,从而提高商业模式创新成功率。

(2)在大数据战略实施过程中,企业需要根据自身商业模式,统筹大数据技术能力和大数据应用能力培育工作。只注重大数据技术能力而忽略大数据应用能力会导致资源浪费;只注重大数据应用能力而忽略大数据技术能力会导致数据资源转化效率低下。

(3)企业需要适应数字经济新环境,重视动态能力培育。企业应充分发挥动态能力在弱化核心刚性、减少路径依赖、更新组织惯例方面的作用,积极培育自身感知能力、资源获取及转化能力,选择适应市场需求的商业模式,进而构建核心竞争优势。

5.4 不足与展望

本文存在以下不足:第一,本研究主要探讨组织内部因素大数据分析能力对商业模式创新的影响,未考虑组织外部因素对商业模式创新的影响,如大数据政策环境、大数据隐私等。第二,本研究主要通过问卷开展实证研究,未来可以通过案例分析、模拟仿真等方法对结论加以验证。第三,研究样为长三角地区制造企业,具有一定的特殊性和局限性,在一定程度上会影响结论的普适性。未来可以选择其它行业企业或其它地区企业,进一步对本文概念模型及假设进行检验。最后,未来可以基于技术扩散、组织惯性等视角,进一步探讨大数据分析能力与商业模式创新间的权变因素。

参考文献：

[1] 李树文,罗瑾琏,葛元骎.大数据分析能力对产品突破性创新的影响[J].管理科学,2021,34(2):3-15.

[2] CIAMPI F, DEMI S, MAGRINI A, et al. Exploring the impact of big data analytics capabilities on business model innovation: the mediating role of entrepreneurial orientation[J]. Journal of Business Research, 2021, 123(2): 1-13.

[3] 张吉昌,龙静,陈锋.大数据能力、知识动态能力与商业模式创新——创新合法性的调节效应[J].经济与管理,2022,36(5):19-28.

[4] 易加斌,徐迪,王宇婷,等.学习导向、大数据能力与商业模式创新:产业类型的调节效应[J].管理评论,2021,33(12):137-151.

[5] ZOTT C, AMIT R. The fit between product market strategy and business model: implications for firm performance[J]. Strategic Management Journal, 2008,29(1): 1-26.

[6] WINTER S G. Understanding dynamic capabilities[J]. Strategic Management Journal, 2003, 24(10): 991-995.

[7] MIKALEF P, KROGSTIE J, PAPPAS I O, et al. Exploring the relationship between big data analytics capability and competitive performance: the mediating roles of dynamic and operational capabilities[J]. Information &Management,2020,57(2): 103169.

[8] GUPTA M, GEORGE J F. Toward the development of a big data analytics capability[J]. Information &Management, 2016, 53(8): 1049-1064.

[9] ALNUAIMI B K, KHAN M, AJMAL M M. The role of big data analytics capabilities in greening e-procurement: a higher order PLS-SEM analysis[J]. Technological Forecasting and Social Change, 2021,169: 120808.

[10] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J]. Strategic Management Journal, 1997, 18(7): 509-533.

[11] TEECE D J. Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance[J]. Strategic Management Journal, 2007, 28(13): 1319-1350.

[12] SCHILKE O, HU S, HELFAT C E. Quo vadis, dynamic capabilities?a content-analytic review of the current state of knowledge and recommendations for future research[J]. Academy of Management Annals, 2018, 12(1): 390-439.

[13] TEECE D J. Business models and dynamic capabilities[J]. Long Range Planning, 2018, 51(1): 40-49.

[14] 田庆锋,张银银,杨清.商业模式创新:理论研究进展与实证研究综述[J].管理现代化,2018,38(1):123-128.

[15] YU B,HAO S,WANG Y.Organizational search and business model innovation: the moderating role of knowledge inertia[J]. Journal of Knowledge Management, 2020,24(7): 1705-1718.

[16] 张青,华志兵.资源编排理论及其研究进展述评[J].经济管理,2020,42(9):193-208.

[17] AMIT R, HAN X. Value creation through novel resource configurations in a digitally enabled world[J]. Strategic Entrepreneurship Journal, 2017, 11(3): 228-242.

[18] SIRMON D G, HITT M A, IRELAND R D, et al. Resource orchestration to create competitive advantage: breadth, depth, and life cycle effects[J]. Journal of Management, 2011, 37(5): 1390-1412.

[19] CHEN Y, LUO H, CHEN J, et al. Building data-driven dynamic capabilities to arrest knowledge hiding: a knowledge management perspective[J]. Journal of Business Research, 2022, 139(2): 1138-1154.

[20] WARNER K S R, WAGER M. Building dynamic capabilities for digital transformation: an ongoing process of strategic renewal[J]. Long Range Planning, 2019, 52(3): 326-349.

[21] 胡保亮,田茂利,刘广.资源重构能力与商业模式创新:基于动态能力束的观点[J].科研管理2021,43(08):73-80.

[22] 张璐,王岩,苏敬勤,等.资源基础理论:发展脉络、知识框架与展望[J].南开管理评论,2023,26(4):246-258.

[23] 杨林,和欣,顾红芳.高管团队经验、动态能力与企业战略突变:管理自主权的调节效应[J].管理世界,2020,36(6):168-188.

[24] BOLDOSOVA V. Deliberate storytelling in big data analytics adoption[J]. Information Systems Journal, 2019, 29(6): 1126-1152.

[25] MIKALEF P, WETERING R, KROGSTIE J. Building dynamic capabilities by leveraging big data analytics: the role of organizational inertia[J]. Information &Management, 2021, 58(6): 103412.

[26] 曾萍,宋铁波.基于内外因素整合视角的商业模式创新驱动力研究[J].管理学报,2014,11(7):989-996.

[27] 任之光,高鹏斌.双向开放式创新及其协同、商业模式和企业创新绩效的关系研究[J].管理评论,2020,32(8):116-130.

[28] XUEMEI X, YUHANG H, ALISTAIR A , et al. Digital platforms and SMEs' business model innovation:exploring the mediating mechanisms of capability reconfiguration[J]. International Journal of Information Management, 2022,65: 102513.

[29] WILDEN R, GUDERGAN S P, NIELSEN B B, et al. Dynamic capabilities and performance: strategy, structure and environment[J]. Long Range Planning, 2013, 46(1-2): 72-96.

[30] MICHEL T, VINCENZO E V, YVES-MARIE C, et al. PLS path modeling[J]. Computational Statistics and Data Analysis,2004,48(1): 159-205.

[31] SORESCU A. Data-driven business model innovation[J]. Journal of Product Innovation Management, 2017, 34(5): 691-696.

(责任编辑：张 悦)