开放科学(资源服务)标识码(OSID)：
Drawing upon the TOE framework, this study has developed a disruptive technology readiness model containing three subdimensions: technical readiness, organizational readiness, and environmental readiness. The objective is to systematically investigate how enterprises can effectively undertake preparations for disruptive technology diffusion and facilitate the rapid dissemination of these technologies within the organization. The study employs an empirical research approach based on a questionnaire survey, utilizing Chinese enterprises that have implemented disruptive technologies as the focal point. Through a comprehensive exploration of these enterprises' management tiers, the study procures 231 robust questionnaire responses. Considering the existence of higher-order latent variables, the study employs the Partial Least Squares Structural Equation Model (PLS-SEM) to test the assumptions in the model. The model exhibits a satisfactory goodness of fit, with a robust explanatory power.
The measurement model results indicate that in the disruptive technology readiness model, technological readiness is composed of relative advantage and compatibility, among which compatibility has the greatest impact, followed by relative advantage, and complexity has no significant impact. Organizational readiness encompasses technical capability, top management support, and dynamic capability. Notably, dynamic capability holds the greatest significance in influencing organizational readiness, with technical capability and top management support playing secondary roles. Environmental readiness is composed of environmental dynamics, competition intensity, and government support, among which government support has the greatest impact, followed by competition intensity, and finally environmental dynamics.
The results of the hypothesis test indicate that technological readiness, organizational readiness, and environmental readiness have a positive impact on the diffusion of disruptive technologies in organizations; organizational readiness promotes the diffusion of disruptive technologies; technological readiness promotes the diffusion of disruptive technologies through the complete intermediary role of organizational readiness; and environmental readiness promotes the diffusion of disruptive technologies through the partial intermediary role of organizational readiness. Moreover, the study delves into the specific impacts of three distinct types of readiness on the various stages of disruptive technology diffusion, including evaluation, adoption, and normalization. The results show that organizational readiness has the greatest impact on the evaluation stage, followed by the normalization stage, and finally the adoption stage. Environmental readiness has a relatively greater impact on the adoption stage, followed by the normalization stage and the evaluation stage. The direct facilitating effect of technological readiness is not significant.
The contribution of this study mainly lies in three aspects. Firstly, starting from the perspective of readiness, this study constructs a readiness model for disruptive technologies based on the TOE framework and combined with the characteristics of disruptive technologies, thus filling the research gap in the intersection of disruptive technologies and readiness. Secondly, it extends the readiness research on disruptive technologies from a single-technology perspective to a comprehensive multi-technology perspective. The key influencing factors identified can assist managers in comprehensively and systematically understanding and coping with the challenges posed by the introduction of multiple disruptive technologies. This will contribute to improving the relatively slow development of disruptive technologies in emerging economies. Finally, the study further clarifies the specific effects of different readiness levels on the three stages of disruptive technology diffusion, and points out the critical core elements at each readiness level, providing guidance for subsequent scholars to further explore the impact mechanism and path of disruptive technology diffusion readiness.
开放科学(资源服务)标识码(OSID)：
颠覆性技术如人工智能、区块链、3D打印等从根本上改变了传统企业业务运营方式和产业商业模式[1],成为许多国家和企业抢占前沿科技制高点、获取可持续竞争优势的重要力量。推动颠覆性技术在企业中广泛扩散是发挥颠覆性技术力量的必要途径。中国拥有庞大的市场规模、多样化消费需求以及强有力的政策支持,为技术应用领域带来巨大优势。此外,竞争日益激烈的市场环境和不断变化的商业环境促使更多企业重视从颠覆性技术中获取创新价值。然而,当前对颠覆性技术的应用尚处于起步阶段,如何抓住颠覆性技术变革性价值创造机遇,更好地促进颠覆性技术在企业层面的成功扩散,是企业面临的一个重大挑战。
考虑到颠覆性技术具有高风险、高投入和高不确定性等特征,企业引入颠覆性技术并成功应对其带来的挑战并非易事。与易于部署和增强业务流程的技术不同,颠覆性技术的引入需要企业进行战略决策和组织变革,涉及技术评估、资源配置、人员培训等全方位改造,在技术、组织和环境层面带来新挑战。首先,颠覆性技术是新的、未经验证的技术,存在一定技术风险。其次,颠覆性技术的实施不仅需要充足的资金和技术保障,同时还会对现有业务和盈利模式产生冲击,迫使组织重新审视并调整商业策略和业务流程。此举很有可能引发员工抵触和不适应,从而产生内部阻力。最后,引入颠覆性技术可能面临激烈的同行竞争、市场接受度以及政策限制等困难。加之中国多数企业仍处于“追赶”阶段,这些企业往往在技术、资源和市场中处于劣势地位,面临领先企业敌对性和市场认知合法性等诸多压力[2]。因此,贸然引入颠覆性技术非但不能获得预期收益,反而容易“翻车”。
如何做好引入前的准备工作?如何促进颠覆性技术在组织中有效扩散?回答这些问题对企业成功引入颠覆性技术至关重要。然而,目前颠覆性技术领域研究仍处于早期阶段,多聚焦概念探索,缺乏实证研究和复杂的理论构建[3]。本研究旨在剖析颠覆性技术从准备到扩散的完整过程,通过TOE框架构建颠覆性技术准备度模型,检验不同类型准备度对颠覆性技术在组织中扩散的影响,从而为已有准备度和创新扩散领域研究提供新见解。首先,从准备度视角看,已有研究主要集中在人工智能、大数据等单一技术引入上。在实践中,企业有时会引入多种相互补充的颠覆性技术,以更好地发挥这些技术的价值。例如,企业可能同时采用大数据和人工智能技术,或在基于区块链的智能应用中采用机器学习等技术[4]。这种多类型技术引入在帮助企业实现更高价值的同时,也受到许多关键因素的影响。因此,有必要构建系统准备度模型,揭示影响颠覆性技术引入的关键要素以及这些要素之间的相互依赖关系。其次,从创新扩散视角看,创新采用是已有研究关注重点。然而,颠覆性技术在组织中扩散是一个复杂的动态过程,涉及采用前评估、采用决策和采用后推广等多个阶段,有必要分阶段对其进行系统分析。
本研究基于TOE理论框架,从准备度视角出发,构建一个综合理论模型,深入探究影响颠覆性技术在组织中扩散的关键因素。通过系统分析技术准备度、组织准备度和环境准备度对颠覆性技术扩散不同阶段(评估、采用和常规化)的影响,填补现有研究不足,推动颠覆性技术成功扩散,促进颠覆性技术成果在企业间共享与发展。
颠覆性技术是指发源于非主流低端市场,通过性能和功能的不断改进与完善,具备改变原有市场规则或行业格局属性,最终取代原有技术,形成新市场格局的创新技术(Christensen等, 1995)。面对全球创新竞争格局加速重构带来的新机遇和新挑战,通过颠覆性技术实现关键核心技术自主可控,把握创新和发展主动权,已成为国家占据技术制高点的关键途径。尽管前景光明,但颠覆性技术在组织中快速推广也面临一系列挑战,如技术成熟度和可靠性、市场接受度和法律法规等(Saberi等,2018;Rauschnabel,2021)。由于该领域研究处于起步阶段,相关文献多聚焦概念辨析、预测识别、颠覆过程等,重点关注早期创新者如何在复杂环境下优先开发颠覆性技术,以及如何实现对现有行业的颠覆[5-6]。鲜有研究从后期创新者角度出发,探究如何促进颠覆性技术在组织中的应用和扩散。
当前,创新扩散理论已被广泛应用于创新技术应用研究(Laaraj等,2022)。该理论认为,创新特征对创新扩散速度和范围具有重要影响。颠覆性技术具有变革性、前瞻性、颠覆性、发展性和不确定性五大特征[7]。本研究借鉴Wamba等[8]提出的三阶段技术采纳模型(评估、采用和常规化),按照技术采用前、采用决策和采用后的时间顺序,系统分析颠覆性技术扩散过程。在评估阶段,根据多方因素形成对颠覆性技术引入的基本认知。在采用阶段,决定是否引入颠覆性技术,若引入则需要组织调动资源促进颠覆性技术与业务深度融合,包括获取、整合、调配各种资源。在常规化阶段,企业各部门之间以及企业与外部合作伙伴共同使用某项颠覆性技术,意味着该技术在企业内外部得到广泛应用。
准备度对技术不同扩散阶段可能具有差异化影响。Chan等(2013)通过探究移动供应链管理系统在制造企业的扩散发现,环境因素仅影响评估阶段,技术和组织因素对创新扩散过程发挥重要作用;Frederico等(2019)对客户关系管理系统进行研究发现,技术能力只影响采用阶段,数据质量和集成以及高层管理支持对评估阶段至关重要,而竞争压力对每个阶段都重要。因此,本研究将颠覆性技术不同扩散阶段与不同类型准备度联系在一起,探究它们之间的相互作用关系,以弥补颠覆性技术准备度和颠覆性技术扩散交叉领域研究的不足。
TOE框架提供了一种系统分析和评估企业是否采用新技术的理论模型,通过综合考虑技术、组织和环境3方面要素,有助于深刻了解影响企业新技术采用的关键因素,该框架得到学者广泛应用(见表1)。技术因素是指所需技术与组织的互动关系;组织因素是指与资源获取和利用相关的组织特征,包括组织规模与范围、组织管理结构特性及组织内部可利用资源等;环境因素是组织开展业务或活动所处的宏观环境,主要关注企业面临的外部激励或限制。这三方面因素相互影响、相互制约,共同构成影响颠覆性技术采纳的关键因素。
表1 典型颠覆性技术采纳关键影响因素
Table 1 Key influencing factors for the adoption of typical disruptive technologies
技术技术因素组织因素环境因素文献大数据 相对优势、复杂性、兼容性、采用成本管理支持、组织资源、组织规模外部压力、外部支持、安全和隐私问题[9]物联网 绩效期望、技术成熟度、感知兼容性组织规模、变革态度、感知技术能力、安全问题监管环境、竞争压力、法律不确定性、消费者认知情况、外部数据[10]人工智能采用信息技术程度、当前配置组织准备度、高层管理者支持、组织动态IT能力人力资源员工的ICT技能、主管支持、个人创新采用[11]感知有用性、感知易用性组织能力、组织复杂性、组织准备、组织兼容性竞争优势、合作伙伴支持[12]相对优势、复杂性公司规模、技术竞争力行业、法律法规[13]区块链 可用性、基础设施、复杂性、易用性、感知收益、兼容性、安全和隐私培训设施、高层管理者支持、公司规模、人力资源能力、感知投资成本、组织文化政策支持、竞争压力、机构信托、市场动荡性、利益相关者压力[14]相对优势、信任、兼容性、安全性企业IT 资源、高层支持、企业规模、经济资源竞争压力、合作伙伴压力、法律法规支持[15]
颠覆性技术的特殊性使得传统技术准备度研究结论不再适用(Wang等,2022)。相关学者侧重于探究影响单一技术采纳的关键因素,对多种颠覆性技术影响组织准备度和变革过程的研究较少。此外,虽然很多研究将技术、组织和环境视为相互独立的要素,但这些要素可能并不独立。王宛秋等(2022)指出,技术融合与创新发展是技术、组织和环境相互影响、相互作用的复杂过程;Wong等(2020)研究发现,技术优势会对组织高管支持产生重要影响,进而影响组织对区块链的采用意愿。同时,外部环境对组织获取、整合和分配资源具有一定影响。在有利的市场环境、竞争环境和法律法规的支持下,组织能够更加顺利地获取所需资源,提高自身竞争力和准备度。因此,本研究重点考察技术、组织和环境准备度3个变量之间的相互作用关系。
创新扩散理论认为,创新技术的采用取决于创新复杂性、组织兼容性、技术优势、可观察性和可试验性,后两个因素考虑较少[16]。因此,本研究将相对优势、兼容性和复杂性作为技术准备度的3个子维度。其中,相对优势是指新技术相对于现有技术的价值。这些价值可以是有形的,如成本降低、效率提高、质量改善等,也可以是无形的,如创新性、竞争优势、用户体验等。颠覆性技术带来的盈利能力和客户体验越高,企业推广动力越强。兼容性是指创新被认为与现有价值、过去经验以及潜在采用者需求相一致的程度,涉及技术与组织的互动关系[17]。兼容性与颠覆性技术采用相关[18]。颠覆性技术与组织现有流程、技术基础设施匹配度及衔接程度越高,组织对现有流程和资源作出的改进越少,面临的内部阻力和困难越小,就越有可能引入颠覆性技术。复杂性是指颠覆性技术应用过程和实施所需技术与管理的复杂程度。高复杂性可能会提高员工理解、掌握和适应颠覆性技术的门槛,同时提高管理复杂度。这就需要企业付出更多努力,如组织培训、重构业务架构等。然而,并非所有企业都有意愿和能力承担该成本。因此,复杂性会降低组织引入颠覆性技术的可能。据此,本文提出以下假设:
H1:技术准备度正向影响颠覆性技术扩散。
组织准备度对创新技术扩散具有重要影响。颠覆性技术具有不确定性,需要组织投入大量资源,并且具备灵活应对环境变化的能力。因此,本文将技术能力、高层管理者支持和动态能力作为组织准备度的3个子维度。其中,技术能力由引入颠覆性技术所需基础设施以及拥有相关知识和技能的成员构成。基础设施为应用程序提供平台,专业人员则提供技术实施所需知识和技能。Queiroz等(2020)研究发现,便利条件(基础设施与人员)对区块链采用具有积极影响。因此,组织技术能力越强,越有利于颠覆性技术扩散。高层管理者支持是影响组织采用创新技术的关键因素。高层管理者对持有颠覆性技术的态度以及作出的承诺和行为不仅影响组织采用决策、推广意愿、后续资源投入水平,还影响员工态度[19]。高层管理者对颠覆性技术引入的态度越积极,提供的资源和支持越多,企业引入意愿越强烈。动态能力是指组织有目的地创建、扩展自身资源应对环境变化的能力[20]。颠覆性技术的引入会带来业务流程变革和调整,具备动态能力的企业更有可能根据市场环境变化不断调整和重构企业内外部资源组合方式,进而实现对颠覆性技术的有效开发和实施。 据此,本文提出以下假设:
H2:组织准备度正向影响颠覆性技术扩散。
环境准备度是指组织对颠覆性技术扩散的准备程度。组织在由不同目标单位组成的社会系统中运作,这个系统包括客户、供应商、竞争对手等。颠覆性技术的生成和演化离不开系统中各成员的相互配合与协调。因此,本研究将环境动态性、竞争强度和政府支持作为环境准备度的3个子维度。其中,环境动态性是指企业外部环境变化难以预测的程度。法律法规变动、技术更迭、客户偏好变化以及产品需求或材料供应波动有可能导致环境不确定,在动荡环境下,组织需要不断优化自身资源,寻求新技术解决方案,以获取持续竞争优势。根据Walker[21]的研究,当外部环境动荡时,企业倾向于采用大数据、区块链等新兴技术应对供应链挑战。竞争压力对于组织采用创新技术具有重要推动作用。当竞争对手在某一创新技术上取得成功时,为避免失去竞争优势,企业可能会加速推动新兴技术应用[22]。此外,面对激烈的市场竞争,企业会主动寻求并采用颠覆性技术,以达到弯道超车的目的。颠覆性技术具有周期长、风险高和不确定性等特征,需要政府提供持续的政策支持,以降低颠覆性技术引入成本和风险。政府通过提供适当的税收减免或创新补贴,以及制定相应限制或支持政策影响企业和产品合法性,进而影响颠覆性创新选择和应用[23]。此外,打破先行者技术壁垒也需要政府支持。据此,本文提出以下假设:
H3:环境准备度正向影响颠覆性技术扩散。
技术准备度、环境准备度和组织准备度存在密切联系。技术复杂度、兼容性和相对优势影响组织管理者对颠覆性技术的态度,进而影响颠覆性技术扩散。另外,当市场环境、竞争环境和法律法规等外部因素较为有利时,组织能够更好地适应和利用这些外部条件,提高自身竞争力和准备度。例如,强有力的政策支持有利于相关基础设施建设,降低组织引入颠覆性技术的成本。据此,本文提出以下假设:
H4:技术准备度正向影响组织准备度。
H5:环境准备度正向影响组织准备度。
综上所述,本研究基于TOE理论框架,构建包含技术准备度、组织准备度、环境准备度在内的3个子维度准备度模型,并结合创新扩散理论,探究3种类型准备度对颠覆性技术扩散的作用机理,如图1所示。
图1 研究模型
Fig 1 Research model
调研样本选择引入颠覆性技术的企业。为避免由于管理者对颠覆性技术概念和范围有不同理解而引起的数据偏误,在调研问卷中增加对颠覆性技术的详细描述。同时,按照Jia等[24]提出的颠覆性技术衡量指标(技术新颖性、突破性和影响力),确定9种被广泛使用的颠覆性技术,分别为区块链、工业互联网、人工智能、柔性电子、量子技术、虚拟现实/增强现实、大数据、云计算和3D打印,作为样本筛选标准。
问卷发放分为两个阶段。第一阶段为预调研,邀请10名引入颠覆性技术的企业管理人员填写问卷,以完善和调整问卷语言表达,使其更加通俗易懂,避免由于语句歧义引起的问卷质量问题。第二阶段为正式调研,通过发放纸质问卷和网络电子问卷两种方式收集数据。调研对象为引入颠覆性技术的企业高管,调研区域分布在陕西、江苏、广东、北京、天津等多个省市。首先,通过关系网络和其它途径联系到符合调研要求的管理者。其次,通过回答是否应用9项颠覆性技术或引入其它颠覆性技术判断企业是否符合调研样本要求。问卷发放时间为2021年3月15日—2021年4月15日,共回收285份问卷,剔除无效问卷后,得到231份有效问卷,问卷有效回收率为81.05%。由表2可知,被调研企业不同程度上都采用了颠覆性技术,其中大数据、人工智能、工业互联网和云计算采用频率较高。
表2 被调研企业颠覆性技术采用统计情况
Table 2 Statistics of disruptive technologies utilized by the surveyed enterprises
颠覆性技术频次百分比(%)颠覆性技术 频次百分比(%)区块链4318.6虚拟现实/增强现实2912.6工业互联网7331.6大数据14060.6人工智能9239.8云计算6729.0柔性电子229.53D打印2510.8量子技术83.5其它4419.5
样本描述性统计结果如表3所示。从中可见,样本企业主要分布在制造业、建筑业、服务业等行业。各年龄阶段分布较为均匀;规模超过2 000人的企业占比41.6%,规模500～2 000人的企业占20.7%,500人以下企业占比接近40%;超过半数企业资产规模达到1亿元。这说明,样本具有一定代表性。
表3 样本描述性统计结果
Table 3 Descriptive statistics
类型特征数量占比(%)类型特征数量占比(%) 1～5年4820.8 ≤100人4419.1 6～10年3716.0 101～500人4318.6 10～20年3916.9 501～1 000人2510.8企业年龄 20～30年3716.0企业规模 1 001～1 500人135.6 >30年7030.3 1 501～2 000人104.3 >2 000人9641.6 制造行业7432.0 建筑行业3916.9 ≤100万元2611.2 服务行业3716.0 101万元～500万元166.9行业类别 通信技术行业3013.0资产规模 501万元～1 000万元208.7 能源行业73.0 1 001万元～5 000万元2611.3 物流行业20.9 5 001万元～1亿元135.6 零售行业83.5 >1亿元13056.3 其它行业3414.7
为控制数据同源带来的共同方法偏差问题,对数据收集过程进行严格把控。首先,确保被调研者所在企业不同,避免同一企业对结果造成的不良影响。其次,采用信息隐匿和保密承诺等方式进行事前控制,减少被调查者的主观倾向。最后,使用Harman单因素检验,结果发现未旋转时首个公因子解释了37.64%的方差,未达到40%的阈值。这表明,共同方法偏差问题不会对分析结果产生不良影响。
采用Likert五点量表进行变量测量。参考国内外成熟量表,通过双向翻译确保量表在翻译过程中不存在理解歧义。技术准备度包括相对优势、复杂性和兼容性,其中相对优势借鉴Wu等(2014)的研究,复杂性和兼容性借鉴Moore等(1991)开发的量表。组织准备度包括技术能力、高层管理支持和动态能力,其中技术能力借鉴Iacovou等(1995)的量表,高层管理者支持借鉴Wang等(2010)的量表,动态能力借鉴Pavlou等(2011)和West等(2013)的研究。环境准备度包括环境动态性、竞争强度和政府支持,其中环境动态性借鉴Jansen等(2006)的量表,竞争强度借鉴Sun等[25]使用的量表,政府支持借鉴Nam等[26]的量表。颠覆性技术扩散包括评估、采用和常规化阶段,量表主要借鉴Júnior等[27]的研究。
运用SPSS17.0和Smart PLS 3.0检验量表信效度。剔除部分不符合要求的题项,最终保留的各变量题项及信效度检验结果,如表4所示。由表4可知,除复杂性外,其它变量的Cronbach's α系数均大于0.7。尽管复杂性一致性系数稍低,但其组合信度(CR)系数值良好,因此认为各变量信度可接受。使用平均萃取方差(AVE)和组合信度(CR)评估效度。结果发现,所有变量的AVE值均大于0.5,CR值均大于0.8,说明各变量收敛效度较高。此外,由于模型中存在高阶变量,在进行验证性因子分析时借鉴Schmid等(1957)提出的SLS方法。该方法将高阶因子分析得到的因子载荷矩阵转换为所有层次变量对因子的独立载荷,从而简化了不同层次因素解释。研究发现,各题项因子载荷均大于0.7。因此,所用量表具有较高的信效度,适用于后续数据分析。
表4 变量测量与信效度分析结果
Table 4 Analysis of variable measurement and reliability/validity
二阶变量一阶变量测量题项载荷技术准备度相对优势Cronbach's α=0.883CR=0.915AVE=0.682公司引入颠覆性技术提高公司盈利能力0.809公司引入颠覆性技术为公司决策提供及时信息0.838公司引入颠覆性技术削减公司运营成本0.795公司引入颠覆性技术提高员工工作效率0.895公司引入颠覆性技术使员工工作更加轻松0.789复杂性Cronbach's α=0.665CR=0.857,AVE=0.749学习操作颠覆性技术对公司员工来说比较容易(反向题项)学习如何使用颠覆性技术所花费时间比预期少(反向题项)0.8720.859兼容性Cronbach's α=0.807CR=0.874AVE=0.634使用颠覆性技术引起的变化与公司现有信念/价值观一致0.801颠覆性技术与公司现有基础设施兼容0.821使用颠覆性技术引起的变化与现有实践一致0.800公司以往技术使用经验可为颠覆性技术使用提供帮助0.761组织准备度技术能力Cronbach's α=0.774CR=0.855AVE=0.596公司技术基础设施可用于支持与颠覆性技术相关的应用过程0.706公司采取措施以确保员工熟悉与颠覆性技术相关的技术0.791公司在颠覆性技术方面具有良好的专业知识0.792公司具备良好的组织内外部沟通能力支持颠覆性技术应用0.796高层管理者支持Cronbach's α=0.817CR=0.879AVE=0.646公司管理层已经分配了足够资源实施颠覆性技术0.790公司管理层意识到实施颠覆性技术的好处0.821公司管理层认为采用颠覆性技术具有战略重要性0.829公司管理层积极鼓励员工在日常工作中使用颠覆性技术0.774动态能力Cronbach's α=0.852CR=0.894AVE=0.630公司会定期审查业务环境变化对客户的影响0.723公司拥有识别、评估和导入新技术的有效流程0.790我们能够有效将颠覆性技术运用到公司业务中0.835公司成员认真地将彼此的工作衔接起来以适应不断变化的环境0.843公司能做到适当分配资源(信息、时间、报告)0.743环境准备度环境动态性Cronbach's α=0.845CR=0.896AVE=0.684当地市场环境变化剧烈0.862客户定期要求新产品和服务0.813在本地市场,变化不断发生0.854在市场中,要交付的产品和服务数量经常变化迅速0.776竞争强度Cronbach's α=0.796CR=0.868,AVE=0.623公司目前在行业领域面临激烈竞争0.706如果不采用颠覆性技术,公司将面临竞争劣势0.833如果不采用颠覆性技术,公司将面临客户流失的情况0.818公司认为在市场竞争中使用颠覆性技术是有必要的0.794政府支持Cronbach's α=0.839CR=0.894AVE=0.680政府鼓励企业使用颠覆性技术0.743政府提供学习使用颠覆性技术的机会0.774政府改进与颠覆性技术有关的法律和政策0.879政府给予促进颠覆性技术发展的坚定承诺0.887颠覆性技术扩散评估Cronbach's α=0.848CR=0.908, AVE=0.767公司打算尽可能使用颠覆性技术0.871公司收集颠覆性技术信息,并有使用它的意向0.877公司对颠覆性技术进行测试,以评估颠覆性技术0.880采用Cronbach's α=0.827CR=0.897,AVE=0.743公司正在考虑使用颠覆性技术改善与客户和供应商的关系0.882公司在颠覆性技术上投入资源0.830公司开展业务活动需使用颠覆性技术0.873常规化Cronbach's α=0.862CR=0.906AVE=0.707公司功能区域需使用颠覆性技术0.839公司与贸易伙伴一起实施颠覆性技术0.843公司与客户一起实施颠覆性技术0.858公司在各业务领域都使用颠覆性技术0.822
使用方差膨胀因子(VIF)检验变量之间的共线性,参考Zhang等(2020)的研究,使用外部权重和外部载荷检验高阶构成型变量维度设计的合理性,结果如表5所示。从中可见,VIF值低于阈值5,说明不存在严重的共线性问题。考虑到复杂性和采用的因子载荷显著,而且在概念上可代表关注领域,故按照Rossiter(2002)的建议,将其视为合适的变量指标。
表5 构成型变量有效性检验结果
Table 5 Results of validity testing for formative variables
注:双侧检验,*表示p<0.05,**表示p<0.01,***表示p<0.001,下同
二阶构念 一阶构念 VIF因子载荷外部权重技术准备度相对优势1.6110.733***0.201*兼容性1.7070.983***0.831***复杂性1.131-0.416***-0.087组织准备度技术能力2.0580.871***0.380***高层管理支持3.0000.887***0.244*动态能力2.8390.931***0.486***环境准备度环境动态性1.5770.702***0.214*竞争强度1.7500.850***0.454***政府支持1.3600.854***0.543***颠覆性技术扩散评估2.5810.937***0.553***采用4.2340.900***0.145常规化3.1910.894***0.393***
表6列出各变量均值、标准差和相关系数。结果表明,各变量之间显著相关,复杂性与其它变量负相关,与理论预期一致;所有变量的AVE平方根均大于该变量与其它变量的相关系数,表明各变量之间具有较高的区分效度。此外,二阶构念相关系数检验结果发现,各变量之间均在0.001水平上显著。技术准备度与组织准备度、环境准备度、颠覆性技术扩散相关系数分别为0.724、0.576和0.562;组织准备度与环境准备度、颠覆性技术扩散相关系数分别为0.628和0.738;环境准备度与颠覆性技术扩散相关系数为0.763。
表6 均值、标准差与相关性分析结果
Table 6 Mean, standard deviation and correlation analysis
注:对角线上加粗数值为 AVE 平方根
构念1234567891011121.相对优势0.8262.兼容性0.612**0.7963.复杂性-0.508**-0.563**0.8664.技术能力0.540**0.727**-0.448**0.7725.高层管理支持0.392**0.595**-0.269**0.685**0.8046.动态能力0.464**0.608**-0.372**0.668**0.786**0.7947.环境动态性0.336**0.346**-0.227**0.390**0.386**0.444**0.8278.竞争强度0.411**0.449**-0.224**0.415**0.526**0.506**0.603**0.7899.政府支持0.369**0.501**-0.413**0.418**0.456**0.514**0.400**0.472**0.82510.评估0.402**0.538**-0.281**0.559**0.646**0.700**0.471**0.598**0.638**0.87611.采用0.358**0.503**-0.295**0.513**0.629**0.607**0.475**0.593**0.556**0.778**0.86212.常规化0.405**0.469**-0.409**0.507**0.572**0.602**0.501**0.555**0.580**0.712**0.769**0.841均值3.9943.7403.2383.8243.8453.7553.7223.8673.6403.7463.7363.622标准差0.7330.6740.9150.6400.6680.6760.6880.6930.7190.7160.7190.734
由于模型中含有构成型变量和高阶变量,故使用Smart PLS 3.0软件,采用两阶段法对数据进行处理[28]。首先,计算一阶变量标准潜变量分数;其次,将得到的潜变量分数作为二阶变量衡量指标进行结构方程模型分析。结果显示,NFI值为0.943,SRMR值为0.040,说明模型拟合度较高。技术准备度和环境准备度对组织准备度的解释力为59.1%,技术准备度、组织准备度和环境准备度对颠覆性技术扩散的解释力为70%,说明模型具有较强解释力。
高阶变量构成维度检验结果表明:在技术准备度中,相对优势(β=0.201,p<0.05)和兼容性(β=0.831,p<0.001)是有效构成维度,复杂性(β=-0.078,p>0.05)影响效果不显著;在组织准备度中,技术能力(β=0.380,p<0.001)、高层管理者支持(β=0.244,p<0.05)、动态能力(β=0.486,p<0.001)是有效构成维度;在环境准备度中,环境动态性(β=0.214,p<0.05)、竞争强度(β=0.454,p<0.001)、政府支持(β=0.543,p<0.001)是有效构成维度;在颠覆性技术扩散中,评估(β=0.553,p<0.001)和常规化(β=0.393,p<0.001)是有效构成维度,采用(β=0.145,p>0.05)的影响效果不显著。
模型拟合结果如图2所示。模型拟合度:χ2=113.000,NFI=0.943, SRMR=0.040, d_ULS=0.166, d_G=0.097。从图2可知,技术准备度对颠覆性技术扩散的直接影响效果不显著(β=-0.082,p>0.05),假设H1不成立;组织准备度(β=0.483,p<0.001)和环境准备度(β=0.507,p<0.001)显著促进颠覆性技术扩散,假设H2和H3成立;技术准备度(β=0.543,p<0.001)和环境准备度(β=0.315,p<0.001)均正向影响组织准备度,假设H4和H5成立。企业年龄(β=-0.023,p>0.05)和企业规模(β=-0.053,p>0.05)对颠覆性技术扩散无显著影响。
图2 结构方程模型拟合结果
Fig 2 Fitting results of structural equation model
使用Bootstrapping检验中介效应,将抽样次数设置为5 000次,结果如表7所示。从中可见,由于技术准备度对颠覆性技术扩散的直接作用路径不显著,而技术准备度通过组织准备度对颠覆性技术扩散的间接作用效果显著,且95%置信区间不包含0,说明组织准备度在该路径中起到完全中介作用。由于环境准备度对颠覆性技术扩散的直接影响效应显著,而环境准备度通过组织准备度对颠覆性技术扩散的间接作用效果显著,且95%置信区间不包含0,说明组织准备度在该路径中起到部分中介作用。
表7 中介效应检验结果
Table 7 Results of testing the potential mediating effect
间接影响路径估计值标准误T统计量95%置信区间下限上限技术准备度→组织准备度→颠覆性技术扩散0.262***0.0534.9680.1600.367环境准备度→组织准备度→颠覆性技术扩散0.152***0.0403.8400.0800.234
进一步探究3种不同类型准备度对颠覆性技术不同扩散阶段的影响,按照上述流程对数据进行分析。结果显示,NFI值为0.800,SRMR值为0.073,说明模型拟合度高。组织准备度被解释水平为56%,颠覆性技术扩散评估、采用、常规化阶段被解释水平分别为60.8%,57.5%和56.4%,说明模型解释能力较强。路径检验结果如图3所示,说明技术准备度对颠覆性技术扩散3个阶段均无显著影响。组织准备度对颠覆性技术扩散3个阶段具有显著正向影响,其中对评估阶段的促进作用最强,其次是常规化阶段,对采用阶段的影响作用最小。环境准备度对颠覆性技术扩散评估阶段、采用阶段和常规化阶段具有显著正向影响。技术准备度和环境准备度对组织准备度具有正向影响。模型拟合度:χ2=632.025,NFI=0.800,SRMR=0.073,d_ULS=1.235,d_G=0.573,表明模型具有较好的拟合效果。
图3 拓展分析模型拟合结果
Fig 3 Fitting results of the extended analysis model
本研究基于TOE理论和创新扩散理论,系统构建企业颠覆性技术引入准备度模型,探究3种类型准备度对颠覆性技术扩散的作用路径,得出以下结论:
(1)技术准备度由相对优势和兼容性构成,兼容性的影响作用更大,复杂性的影响作用不显著,可能是因为颠覆性技术实施步骤和操作流程比较复杂,组织可采取有效途径解决,不会成为阻碍企业引入颠覆性技术的关键因素。组织准备度由技术能力、高层管理者支持和动态能力构成,动态能力的影响作用更大,其次是技术能力和高层管理者支持。环境准备度由环境动态性、竞争强度和政府支持构成,政府支持的影响作用最大,其次是竞争强度,最后是环境动态性。技术准备度和环境准备度对组织准备度具有显著促进作用,技术准备度的促进效果更明显。
(2)技术准备度、组织准备度和环境准备度对颠覆性技术扩散具有促进作用,但作用路径存在差异。颠覆性技术扩散由3个维度构成:评估、采用和常规化。其中,评估影响作用最大,其次是常规化,采用影响作用不显著。对颠覆性技术而言,采用前评估和采用后与利益相关者的协作推广更关键。这与颠覆性技术自身特征相关,相比传统信息系统,区块链、人工智能等颠覆性技术更强调主体之间的协作共享以及数据传递,而不仅仅局限于企业内部业务流程优化。研究发现:技术准备度对颠覆性技术扩散的影响作用不显著,而是通过组织准备度的中介作用间接促进颠覆性技术扩散,这可能是因为颠覆性技术通常需要与现有技术进行竞争,甚至有可能破坏现有商业模式和市场结构。因此,组织采纳颠覆性技术不仅需要考虑其可行性,还需要考虑其对组织内部运营和战略的影响。组织准备度对颠覆性技术扩散起关键促进作用。环境准备度不仅能够直接促进颠覆性技术扩散,还能通过提升组织准备度间接促进颠覆性技术扩散。
(3)不同准备度对颠覆性技术扩散不同阶段具有差异化影响。技术准备度对评估、采用和常规化阶段无直接促进作用;组织准备度和环境准备度对3个阶段均具有显著促进作用。其中,组织准备度对评估阶段的影响作用最大,其次是常规化阶段,最后是采用阶段;环境准备度对采用阶段的影响作用较大,其次是常规化阶段和评估阶段。
(1)弥补了颠覆性技术与准备度交叉领域研究的不足。现有研究多聚焦于理论层面,主要关注颠覆性技术对在位企业的挑战及应对策略,以及企业如何催生出颠覆性技术实现技术突袭(余维臻等,2022),忽视了企业作为技术采用方,通过成功引入颠覆性技术实现跨越式发展的可能。本文从准备度视角出发,基于TOE理论框架,结合颠覆性技术特征,构建颠覆性技术准备度模型,为企业管理者提供了一种评估和预测颠覆性技术准备度的有效工具。
(2)将颠覆性技术准备度研究从单一技术视角扩展到多技术综合视角,有助于帮助管理者理解和应对多种颠覆性技术引入带来的挑战,改善颠覆性技术在新兴经济体发展相对缓慢的现状(Dora等,2021)。与Awa等[29]的研究不同,本文发现颠覆性技术扩散更多受到环境因素和组织因素的影响,而非技术因素。本文强调非技术因素在推动颠覆性技术扩散方面的重要性,为颠覆性技术扩散研究提供了新方向。
(3)揭示影响颠覆性技术扩散的关键因素。与以往研究一致,本研究发现准备度是影响技术引入的重要因素(Johnk等, 2020)。首先,通过细化颠覆性技术扩散阶段(评估、采用和常规化),超越了仅以采用决策为评估标准的局限性。其次,通过分析技术、组织和环境准备度对颠覆性技术扩散的影响,对于深入理解准备度对扩散过程的作用提供了新见解。最后,厘清不同准备度对颠覆性技术扩散3个阶段的作用效果,指出每个准备度层面的关键核心要素,深化了已有研究对颠覆性技术扩散准备度的理解,为后续学者探究颠覆性技术扩散准备度影响机制提供了借鉴。
当前,中国企业面对西方发达国家技术遏制和封锁已成为常态化挑战,提前做好颠覆性技术引入准备工作,有助于避免技术资源相对匮乏的企业陷入困境,从而实现从追随者到领先者的跨越。
(1)企业需要重视颠覆性技术应用带来的潜在挑战,结合自身实际,从技术、组织和环境3个层面做好适应性准备工作。在技术层面,尤其要重视颠覆性技术与企业价值观、过去经验以及已有技术体系和结构的兼容性,努力填补两者之间的鸿沟,确保颠覆性技术能够顺利嵌入组织生产经营活动。同时,需要提前评估颠覆性技术相对优势,对引入时机和方式作好战略性规划。在组织层面,企业应重视技术能力和动态能力培育,争取高层管理者支持。通过获取、整合、调配和重组内外部资源,加强颠覆性技术基础设施及配套设施建设,结合高层管理人员提供的资源、情感和决策支持,为颠覆性技术的顺利扩散提供良好的组织基础。在环境层面,企业需要争取政府支持,并关注市场竞争强度,通过深入调研和趋势预判,了解政府对颠覆性技术应用的支持力度和方向。同时,还要充分了解和评估企业外部竞争形势,根据具体实践适当调整和匹配市场环境,为颠覆性技术扩散营造良好的外部生态环境。
(2)由于技术准备度、组织准备度和环境准备度对颠覆性技术扩散评估、采用、常规化3个阶段的作用路径和影响效果不同,因此管理者应根据实际需要,合理调整和精准提升这3种准备度。其中,组织准备度是促进颠覆性技术扩散的关键因素,尤其在评估阶段起重要作用,因此企业应学习和掌握提升组织准备度的方法和途径,确保颠覆性技术顺利扩散;技术准备度不会直接促进扩散效果提升,需要将技术层面的准备内化为组织能力才能发挥效果;环境准备度对颠覆性技术扩散3个阶段具有较大影响,这种促进效果通过提升组织能力体现。因此,企业管理者应根据组织各方面准备情况,及时查漏补缺。
[1] CHOI T M, KUMAR S, YUE X, et al. Disruptive technologies and operations management in the Industry 4.0 era and beyond[J]. Production and Operations Management, 2022, 31(1): 9-31.
[2] 彭新敏, 刘电光. 基于技术追赶动态过程的后发企业市场认知演化机制研究[J]. 管理世界, 2021, 37(4): 180-198.
[3] FRIZZO-BARKER J, CHOW-WHITE P A, ADAMS P R, et al. Blockchain as a disruptive technology for business: a systematic review[J]. International Journal of Information Management,2020, 51: 102029.
[4] TANWAR S,BHATIA Q,PATEL P,et al. Machine learning adoption in blockchain-based smart applications:the challenges, and a way forward[J]. IEEE Access, 2020, 8: 474-488.
[5] 王超, 马铭, 张伟然, 等. 颠覆性技术关注方向演化研究[J]. 科技进步与对策, 2022, 39(8): 19-29.
[6] 黄鲁成, 蒋林杉, 吴菲菲. 萌芽期颠覆性技术识别研究[J]. 科技进步与对策, 2019, 36(1): 10-17.
[7] 储节旺, 李佳轩, 安怡然. 基于专利分析的颠覆性技术演化与预测研究——以量子信息技术为例[J]. 科技进步与对策, 2023, 40(22): 130-140.
[8] WAMBA S F,QUEIROZ M M.Industry 4.0 and the supply chain digitalisation: a blockchain diffusion perspective[J].Production Planning &Control,2022,33(2-3):193-210.
[9] YADEGARIDEHKORDI E,NILASHI M,SHUIB L,et al. The impact of big data on firm performance in hotel industry[J]. Electronic Commerce Research and Applications, 2020, 40: 100921.
[10] SCHMITT G, MLADENOW A, STRAUSS C, et al. Smart contracts and Internet of Things: a qualitative content analysis using the technology-organization-environment framework to identify key-determinants[J]. Procedia Computer Science, 2019, 160: 189-196.
[11] PRIKSHAT V, MALIK A, BUDHWAR P. AI-augmented HRM: antecedents, assimilation and multilevel consequences[J]. Human Resource Management Review, 2023, 33(1): 100860.
[12] CHATTERJEE S, RANA N P, DWIVEDI Y K, et al. Understanding AI adoption in manufacturing and production firms using an integrated TAM-TOE model[J]. Technological Forecasting and Social Change, 2021, 170(5): 120880.
[13] PAN Y, FROESE F, LIU N, et al. The adoption of artificial intelligence in employee recruitment: the influence of contextual factors[J]. The International Journal of Human Resource Management,2021,33(6):1125-1147.
[14] ORJI I J, KUSI-SARPONG S, HUANG S, et al. Evaluating the factors that influence blockchain adoption in the freight logistics industry[J]. Transportation Research Part E: Logistics and Transportation Review, 2020, 141(C): 102025.
[15] CHITTIPAKA V, KUMAR S, SIVARAJAH U, et al. Blockchain technology for supply chains operating in emerging markets: an empirical examination of technology-organization-environment (TOE) framework[J]. Annals of Operations Research, 2022, 327(1): 465-492.
[16] AGI M A N, JHA A K. Blockchain technology in the supply chain: an integrated theoretical perspective of organizational adoption[J]. International Journal of Production Economics, 2022, 247: 108458.
[17] YOON S B,CHO E.Convergence adoption model (CAM) in the context of a smart car service[J]. Computers in Human Behavior, 2016, 60: 500-507.
[18] MITRA T, KAPOOR R, GUPTA N. Studying key antecedents of disruptive technology adoption in the digital supply chain: an Indian perspective[J]. International Journal of Emerging Markets, 2022, 18(10): 4669-4689.
[19] BONNER J M,RUEKERT R W,WALKER JR O C.Upper management control of new product development projects and project performance[J]. Journal of Product Innovation Management, 2002, 19(3): 233-245.
[20] NAYAK A K, CHIA R C H, CANALES J I. Noncognitive microfoundations: understanding dynamic capabilities as idiosyncractically refined sensitivities and predispositions[J]. Academy of Management Review, 2019, 45(2): 280-303.
[21] WALKER R M.Internal and external antecedents of process innovation: a review and extension[J]. Public Management Review, 2014, 16: 21-44.
[22] KWON W-S, WOO H, SADACHAR A, et al. External pressure or internal culture? an innovation diffusion theory account of small retail businesses′ social media use[J]. Journal of Retailing and Consumer Services, 2021, 62: 102616.
[23] 张帆, 伍晨. 政策选择、企业创新模式与后发企业追赶[J]. 软科学, 2023, 37(8): 1-8.
[24] JIA W F, WANG S, XIE Y P, et al. Disruptive technology identification of intelligent logistics robots in aiot industry: based on attributes and functions analysis[J]. Systems Research and Behavioral Science, 2022, 39(3): 557-568.
[25] SUN S, HALL D, CEGIELSKI C G. Organizational intention to adopt big data in the B2B context: an integrated view[J]. Industrial Marketing Management, 2020, 86: 109-121.
[26] NAM D,LEE J,LEE H.Business analytics adoption process: an innovation diffusion perspective[J]. International Journal of Information Management, 2019, 49(3): 411-423.
[27] JUNIOR C H, OLIVEIRA T, YANAZE M H. The adoption stages (evaluation, adoption, and routinisation) of ERP systems with business analytics functionality in the context of farms[J]. Computers and Electronics in Agriculture, 2019, 156: 334-348.
[28] SARSTEDT M, HAIR J F, CHEAH J-H, et al. How to specify, estimate, and validate higher-order constructs in PLS-SEM[J]. Australasian Marketing Journal, 2021, 27(3): 197-211.
[29] AWA H O, UKOHA O, EMECHETA B C, et al. Using T-O-E theoretical framework to study the adoption of ERP solution[J]. Cogent Business &Management, 2016, 3(1): 1196571.