大数据分析能力、协同创新能力与协同创新绩效

任 南，鲁丽军,何梦娇

(1.江苏科技大学服务制造模式与信息化研究中心,江苏 镇江 212003；2.江苏科技大学经济管理学院,江苏 镇江 212003)

为了推动制造业转型升级，2015年国务院出台《积极推进“互联网+”行动的指导意见》，鼓励制造业骨干企业通过互联网与产业链各环节紧密协同以实现网络化制造模式。作为产业链协同的重要一环，企业间协同过程中会产生大量数据，这些数据会掩盖有价值的信息，其中噪声数据、低质数据还会对企业间协同绩效、产业链运行产生严重负面影响[1]。在这样的背景下，有学者提出企业拥有大数据分析能力(BDAC)成为推进企业间协同创新的必要因素[2]，但对企业拥有大数据分析能力如何影响协同创新缺乏相应的理论诠释和实证检验。与此同时，大数据分析能力作为一个多维变量[3]，其各维度之间是否存在关系以及各维度对企业间协同创新的影响作用是否存在差异，也缺乏相应的研究。在协同创新能力(CIC)与协同创新绩效(CIP)方面，虽有学者认为协同创新能力对协同创新绩效有积极影响[4]，但有关协同创新能力、协同创新绩效的定义更多站在企业自身角度，缺乏基于企业间协同互动视角的理解。

基于此，本研究选取全国217家制造企业为实证对象，探析企业大数据分析能力各维度间的影响关系；各维度对协同创新能力、绩效是否有影响以及如何影响；协同创新能力对协同创新绩效是否有影响以及如何影响。

1 理论回顾与研究假设

1.1 大数据分析能力

Davenport等认为,大数据分析能力由开放性资源平台和大数据人力资源能力构成[5]。Akter等认为大数据分析能力由大数据技术和大数据人员能力构成[6]。Wang等认为大数据分析能力由信息技术基础设施和分析能力、预测能力构成[7]。但资源基础理论认为，企业独特的能力是一系列有形、无形等资源的集合。可见，前述定义并未考虑大数据分析能力中的无形资源。依据该理论，Gupta认为大数据分析能力由大数据有形、人力、无形三种资源构成[3]。借鉴其维度划分方式，本研究也将大数据分析能力划分为有形资源(BDTR)、人力资源(BDHR)、无形资源(BDIR)三种资源，但在有形资源方面，Gupta认为其包括专业的技术，数据和基础资源，且技术主要指各种分析、存储、可视化等技术，数据侧重指对数据资源的获取与整合，基础资源指对大数据所能投入的时间与投资，而本研究倾向于有形资源体现为已有资源，且数据资源的获取与整合需要企业内部专业人员依托专业大数据技术才能实现，本研究认为将其放入大数据人力资源维度更为合理；在大数据人力资源方面，Gupta认为其主要包括对企业内外部数据的分析、处理以及进行需求预测所需要的能力，结合数据获取与整合能力的调整，本研究中的大数据人力资源包括数据获取与整合能力、分析能力以及预测能力；在大数据无形资源方面，本研究完全借鉴Gupta的研究成果，包括组织学习强度和数据驱动文化。

1.2 协同创新能力

随着创新复杂性增强，传统线性创新范式逐渐被开放式创新模式所颠覆，学术界从研究协同创新结果转向探析企业协同创新能力，认为企业的协同创新能力主要是指供应商开发、参与以及集成[8]，组织创新能力、技术创新能力、产品开发能力、市场创新能力[9]等。但此类定义关注的是创新主体自身，而协同创新的本质是协同创新主体通过要素互动形成创新合力并实现创新绩效的协作行为。基于互动视角，本研究认为企业的协同创新能力主要表现为企业与产业链其他节点企业间的耦合互动及多样化协作。这些互动和多样化协作主要表现为各创新主体在技术、战略、组织、制度等创新要素方面的协同[10]。借鉴 “战略—知识—组织”三重互动的协同创新模式[11]，并考虑到制造企业在产品开发过程中注重保持合作企业技术创新活动以及技术标准的一致性。因此，本研究认为企业的协同创新能力主要表现为企业与其他企业在技术、组织以及战略三方面的协同。

1.3 协同创新绩效

对于协同创新绩效，目前还没有一个统一的定义。多数学者从企业的目标实现程度来评价协同创新绩效，认为企业层面的协同创新绩效主要体现在专利和获奖情况[12]、流程创新以及管理创新[13]等方面。但Wang认为创新绩效的衡量应该从市场和运营两个方面着手[14]。相比企业的自主创新绩效，企业间的协同创新绩效源于各协同主体协同创新的结果，主要表现为各协同主体共同完成产品投入市场以及协同过程中的运行效率。基于此，本研究主要采用Wang的研究成果，从市场、运营两方面衡量协同创新绩效。

1.4 大数据有形资源与人力资源、无形资源

随着互联网的迅猛发展，各种数据爆发式增长给数据存储、管理以及分析带来了极大的挑战，而大数据技术给数据采集、信息抽取、集成、分析等提供了强大的技术支撑。利用大数据技术，企业可以对各类数据进行实时分析，可以从大量数据中分离出有价值的信息，从而对市场发展趋势、竞争环境以及客户行为做出正确预测。企业拥有大数据技术可以有效提高企业的组织学习强度。大数据技术还可以促进数据信息在企业内部的交流共享，这有利于促进数据驱动文化的建设。基于此，提出假设H1a：大数据有形资源对大数据人力资源具有显著的正向影响；H1b：大数据有形资源对大数据无形资源具有显著的正向影响。

1.5 大数据分析能力与协同创新能力

(1)大数据有形资源与协同创新能力。协同创新过程中会产生大量数据，而数据的获取、传输、共享均依赖于信息技术的创新及应用，大数据技术的出现能很好地解决这些问题。例如，大数据信息化平台的搭建，有利于企业及时获取内外部有关技术研发和产品生产的最新信息，便于企业实时掌握合作进度，便于企业间进行信息交流、共享以及合作管理过程的灵活化[7]，这有利于实现企业间技术和组织协同。大数据技术促进节点企业采用灵活的扁平化组织结构，这将大幅度减少企业的管理层次，企业内部沟通将更加顺畅，有利于产业链整体价值观在各企业内的传播，还可实时监测产业链协作的整体价值观在各企业得到认同的程度[15]。基于此，提出假设H2a：大数据有形资源对协同创新能力具有显著的正向影响。

(2)大数据人力资源与协同创新能力。对获取的客户需求、客户意见等反馈信息进行充分挖掘和深度分析，可以获得技术研发和产品生产、质量等多方面有价值的信息，这些信息可以促进技术研发，提高技术协同创新能力[16]。对供应商的产品质量、交货时间、交货保证和成本等方面数据进行分析，能够确定各供应商的相对优势，促进同一产业链上同一种业务类型的企业之间进行合理组织分工[17]。动态环境下，管理层和决策制定者通过大数据分析能预测市场变化情况，并且管理者和决策者依托大数据分析结果制定企业的运行战略，可以使企业战略与产业链整体战略相匹配[6]。基于此，提出假设H2b：大数据人力资源对协同创新能力具有显著的正向影响。

(3)大数据无形资源与协同创新能力。通过学习，企业可以利用外部知识源的技术知识溢出机会，促进不同领域技术的融合与全球范围内的技术资源整合，从而提升企业协同创新能力[18]。在拥有数据驱动文化的企业中，管理层能够给供应链伙伴分工和权力方面提供正确的指导，实现企业间的组织协同；员工能够实时发现技术研发和产品生产过程中出现的问题，从而采取措施实现企业间的技术协同[19]。基于此，提出假设H2c：大数据无形资源对协同创新能力具有显著的正向影响。

1.6 大数据分析能力与协同创新绩效

(1)大数据有形资源与协同创新绩效。大数据信息化平台的建立为企业充分获取有关市场发展趋势、合作伙伴供需、顾客需求以及技术研发等多方面数据资源提供了条件。依托市场和合作伙伴的供需信息，企业可以及时整合企业生产资源，调整生产进度，从而满足合作伙伴的供货需求以及整个市场需求[20]。依托顾客的反馈信息和最新的技术研发信息，可以提升企业的技术研发水平，从而提高产品的竞争力[21]。与此同时，大数据信息化平台的建立，为企业间沟通交流提供了便捷通道，有利于合作双方及时处理合作过程中出现的矛盾与问题，提升供应链信息化管理的水平，有利于供应链优化与升级，从而产生更多的价值[1]。基于此，提出假设H3a：大数据有形资源对协同创新绩效具有显著的正向影响。

(2)大数据人力资源与协同创新绩效。IT能力能直接促进协同创新主体间关系机制和知识共享机制的建立，优化创新主体管理流程，对协同创新绩效产生影响[22]。大数据时代，企业仅有数据资源并不一定带来创新绩效的提升，需要对数据资源进行整合和深度分析，并且整合和分析的效果越好，协同创新绩效就越高[23]。企业进行大数据预测性分析可以提高供应链的灵活性，而供应链灵活性的提高可以提升供应链整体绩效[24]。基于此，提出假设H3b：大数据人力资源对协同创新绩效具有显著的正向影响。

(3)大数据无形资源与协同创新绩效。以数据驱动的文化作为企业的主导，领导层总是基于数据对有关情况进行分析和预测，能有效适应内外环境的变化，能有效分析供应链合作伙伴的需求，提高供应链运作水平，最终维持整体效益[19]。哈佛商业评论的一侧调查结果显示，数据驱动文化对供应链的成功运行至关重要[25]。基于此，提出假设H3c：大数据无形资源对协同创新绩效具有显著的正向影响。

1.7 协同创新能力与协同创新绩效

企业间协同可以促进产品创新，提高协同创新绩效[26]。具体来说，企业间技术协同可以实现资源互补，获取企业不具备的技术研发优势，提高企业的创新绩效，企业间生产协同，可以极小化生产成本，获得更多的合作优势[27]。企业间战略协同有利于增强合作双方之间信任，双方也就更加积极主动参与到协同创新活动中，加强信息的交流与共享，充分利用各自的优势资源达成协同效应，提升协同创新绩效[11]。基于此，提出假设H4：协同创新能力对协同创新绩效具有显著的正向影响。

本研究的概念模型如图1所示。

图1 概念模型

2 研究设计

2.1 变量测量

为确保测量项的信度及效度，本研究以已有文献研究结论和部分成熟子量表为基础，并结合具体的研究问题，按照简洁、准确的原则设计变量的测量项。具体如下：

(1)大数据分析能力的测量。大数据有形资源、无形资源测量项的设计参考了Gupta[3]等人的研究成果；大数据人力资源测量项的设计参考了谢卫红[15]等人的研究成果。

(2)协同创新能力的测量。技术协同测量项的设计参考了司林波[28]的研究成果；组织协同测量项的设计参考了Akhtar[19]、Fayoumi[29]等人的研究成果；战略协同测量项的设计参考了何郁冰[11]的研究成果。

(3)协同创新绩效的测量。基于Wang[14]的研究成果，协同创新绩效体现在市场绩效和运作绩效两个方面，而二者具体的测量项均来自路正南[30]等人的研究成果。

问卷采用了通用的李克特五级量表形式，其中1代表“非常不同意”，5代表“非常同意”，具体的测量项见表2。

2.2 研究样本

本研究通过专业的问卷发放网站—问卷星进行问卷的发放。共面向制造企业发放问卷300份，实际回收300份，剔除无效问卷93份，得有效问卷207份，有效回收率为69%。其中，从企业成立年限来看，成立10年以上的占48.64%，成立9年的占26.82%；从企业性质来看，私企占60.46%，国企占16.82%；从员工数来看，拥有101～500人的企业数量最多，占48.18%，500人以上的占42.27%。从调查对象职位来看，均为中高层管理者；从工作年限来看，4年以上工龄的占81.36%：从受教育程度来看，大学及以上学历的占97.27%。

2.3 信度与效度

信度检验方面，依据Cronbach’s α值判断量表的信度，如表1所示，各潜在变量的Cronbach’s α均大于0.7，表明量表具有较好的信度。

效度检验方面，从收敛效度和区别效度对量表效度进行检验。在收敛效度方面，用因子载荷、AVE、CR三项指标来检验，如表2所示，测量项因子载荷均大于0.5，变量的AVE大于0.5，CR大于0.7，可知量表具有较好的收敛效度。在区别效度方面，依据每个变量的AVE的开方与该变量与其他所有变量的相关系数之间的关系。经计算，每个潜变量的AVE的开方均大于该变量与其他所有变量的相关系数，表明量表具有较好的区别效度。

表1 信度检验

表2 收敛效度检验

3 研究结果

3.1 描述性统计及相关性分析

如表3所示，变量间相关系数都是显著相关，初步验证了研究假设，为后续路径分析奠定基础。

3.2 假设检验

首先基于图1的概念模型，给出本研究的结构方程模型，如图2所示。其次对模型整体拟合度进行评价，见表4，各拟合指标均在可接受范围内，因此认为模型整体拟合度较好。然后使用AMOS24.0的路径分析对结构方程模型中路径系数进行分析，见表5，大数据有形资源与人力资源、无形资源的路径系数达到显著水平，假设H1a、H1b成立；大数据有形资源与协同创新能力的路径系数未达到显著水平，假设H2a不成立；大数据人力资源、无形资源与协同创新能力的路径系数达到显著水平，假设H2b、H2c成立；大数据有形资源、人力资源、无形资源对协同创新绩效的路径

表3 变量的描述性统计及相关系数

注：**代表在0.01水平上显著相关(双尾检验)，括号中数据为AVE的算术平方根。

图2 结构方程模型

拟合指标X2/dfGFIRMSEATLICFIPGFIPNFI实际结果1.6570.8460.0550.9250.9320.7160.766建议范围<3>0.8<0.08>0.9>0.9>0.5>0.5

系数均未达到显著水平，假设H3a、H3b、H3c不成立；协同创新能力与协同创新绩效的路径系数达到显著水平，假设H4成立。

表5 路径系数与假设检验

4 结论与启示

本研究通过实证分析得出如下结论：①大数据有形资源对大数据人力资源、大数据无形资源均具有显著的正向影响，且大数据有形资源对大数据人力资源的影响作用强于大数据有形资源对大数据无形资源的影响作用。②大数据有形资源对协同创新能力、协同创新绩效没有显著的直接影响，通过大数据人力资源、大数据无形资源对协同创新能力产生间接影响。③大数据人力资源、大数据无形资源均通过协同创新能力对协同创新绩效产生间接影响，且大数据无形资源对协同创新能力的影响作用强于大数据人力资源对协同创新能力的影响作用。④企业的协同创新能力对协同创新绩效具有显著的正向影响。

本研究结论的管理启示在于：一方面，企业投资大数据技术是形成大数据人力资源、大数据无形资源的基础，是促进企业间协同创新的一个前提条件，因此企业要加大对大数据分析技术的引进，形成完善的大数据技术体系。另一方面，在同等大数据有形资源条件下，大数据无形资源的形成相比大数据人力资源的形成需要企业付出更长的时间、更多的精力，但形成后的大数据无形资源在提升企业的协同创新能力方面发挥的作用更大。因此企业在引进专业的大数据分析技术后，不仅需要企业对员工、管理人员进行专业的技术培训，让其掌握相应的分析技能，参与相应的数据分析案例实践，提高企业整体数据分析与预测能力，更需要企业转变传统经验式、直觉式决策，吸收大数据思维，监督员工时刻依据数据分析结果解决问题，实现企业内数据公开共享，促使企业内部养成良好的数据分析习惯，从而建设数据驱动文化。

本研究尚存一定局限，实证数据包含了国企、私企等不同类型的企业，企业规模也存在差别，不同类型及规模的企业在大数据投入和使用情况上可能存在差异，但本研究并未过多考虑上述差异对研究结论的影响。在未来的研究中，可加入企业性质、规模等控制变量，以提高研究结果的准确性。

[1]陈永平，蒋宁.大数据时代供应链信息聚合价值及其价值创造能力形成机理[J].情报理论与实践，2015，38(7)：80-85.

[2]HAZEN B T，SKIPPER J B，EZELL J D，et al.Big data and predictive analytics for supply chain sustainability：a theory-driven research agenda[J].Computers & industrial engineering，2016，101(6)：592-598.

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

[4]张志华，陈向东.企业学习方式、创新能力与创新绩效关系的实证研究[J].系统管理学报，2016，25(5)：829-836.

[5]DAVENPORT T H，PATIL D J.Data scientist：the sexiest job of the 21st century[J].Harvard business review，2012，90(10)：70-77.

[6]AKTER S，WAMBA S F，GUNASEKARAN A，et al.How to improve firm performance using big data analytics capability and business strategy alignment[J].International journal of production economics，2016，182(12)：113-131.

[7]WANG Y，KUNG L，BYRD T A.Big data analytics：understanding its capabilities and potential benefits for healthcare organizations[J].Technological forecasting and social change，2016，26(2)：1-11.

[8]LUZZINI D，BRANDON-JONES E，BRANDON-JONES A，et al.From sustainability commitment to performance：the role of intra-and inter-firm collaborative capabilities in the upstream supply chain[J].International journal of production economics，2015，165(7)：51-63.

[9]ALTUNTAS S，DERELI T，KUSIAK A.Assessment of corporate innovation capability with a data-mining approach：industrial case studies[J].Computers & industrial engineering，2016，102(6)：58-68.

[10]郑刚，朱凌，金珺.全面协同创新:一个五阶段全面协同过程模型——基于海尔集团的案例研究[J].管理工程学报，2008，22(2)：24-30.

[11]何郁冰.产学研协同创新的理论模式[J].科学学研究，2012，30(2)：165-174.

[12]解学梅，刘丝雨.协同创新模式对协同效应与创新绩效的影响机理[J].管理科学，2015，28(2)：27-39.

[13]孙新波，张大鹏，吴冠霖，等.知识联盟协同创新影响因素与绩效的关系研究[J].管理学报，2015，12(8)：1163-1171.

[14]WANG N，LIANG H，ZHONG W，et al.Resource structuring or capability building? an empirical study of the business value of information technology[J].Journal of management information systems，2014，29(2)：325-367.

[15]谢卫红，刘高，王田绘.大数据能力内涵、维度及其与集团管控关系研究[J].科技管理研究，2016，36(14)：170-177.

[16]REHMAN M H U，CHANG V，BATOOL A，et al.Big data reduction framework for value creation in sustainable enterprises[J].International journal of information management，2016，36(6)：917-928.

[17]WALKER H，BRAMMER S.The relationship between sustainable procurement and e-procurement in the public sector[J].International journal of production economics，2012，140(1)：256-268.

[18]奉小斌，陈丽琼.外部知识搜索能提升中小微企业协同创新能力吗?——互补性与辅助性知识整合的中介作用[J].科学学与科学技术管理，2015，36(8)：105-117.

[19]AKHTAR P，TSE Y K，KHAN Z，et al.Data-driven and adaptive leadership contributing to sustainability：global agri-food supply chains connected with emerging markets[J].International journal of production economics，2016，181(11)：392-401.

[20]CHEN A，BLUE J.Performance analysis of demand planning approaches for aggregating，forecasting and disaggregating interrelated demands[J].International journal of production economics，2010，128(2)：586-602.

[21]SALEHAN M，KIM D J.Predicting the performance of online consumer reviews：a sentiment mining approach to big data analytics[J].Decision support systems，2016，81(1)：30-40.

[22]孙金花，杨陈.新视角下IT能力与协同创新绩效作用机理研究[J].华东经济管理，2014，39(12)：104-108.

[23]林健，王亚洲.创新资源整合、团队互动与协同创新绩效(下)[J].中国高校科技，2013，23(5)：72-74.

[24]BARRATT M，OKE A.Antecedents of supply chain visibility in retail supply chains：a resource-based theory perspective[J].Journal of operations management，2007，25(6)：1217-1233.

[25]DUTTA D，BOSE I.Managing a big data project：the case of Ramco cements limited[J].International journal of production economics，2015，165(7)：293-306.

[26]KANG K-N，PARK H.Influence of government R&D support and inter-firm collaborations on innovation in Korean biotechnology sems[J].Technovation，2012，32(1)：68-78.

[27]谢宗晓，林润辉，李康宏，等.协同对象、协同模式与创新绩效——基于国家工程技术研究中心的实证研究[J].科学学与科学技术管理，2015，36(1)：63-74.

[28]司林波.装备制造业技术协同创新运行机制构建[J].科技进步与对策，2017，34(2)：72-79.

[29]FAYOUMI A.Ecosystem-inspired enterprise modelling framework for collaborative and networked manufacturing systems[J].Computers in industry，2016，80(4)：54-68.

[30]路正南，刘春奇，王国栋.光伏产业链协同绩效评价指标体系研究[J].科技与经济，2013，26(1)：106-110.