行业发展过程中制造企业对大数据技术采纳意愿影响研究

相 征，王春玉，李煜华

(1.哈尔滨商业大学 经济学院，哈尔滨 150028;2.黑龙江省农村能源总站，哈尔滨 150001；3.上海应用技术大学 经济与管理学院，上海 201418)

引 言

“大数据”自诞生以来就被认为是创新的前沿领域，能够提供企业竞争优势,已引起了金融、商业、基因学、神经科学和经济学等各个领域学者的关注[1]。使用大数据及其相关技术服务也日益成为企业乃至国家获取竞争优势的有力武器。《中国制造2025》规划明确指出，将重点加强云计算、物联网和大数据等新一代信息技术与工业的深度融合，全面提升制造企业研发、生产、管理和服务的智能化水平，助力我国从制造大国向制造强国迈进。十九大报告中也明确提出要加快建设制造强国，推动互联网、大数据、人工智能和实体经济深度融合。大数据技术无疑是信息技术服务企业和制造企业之间的又一次浪潮，推动传统制造企业升级转型。大数据技术的采纳是指企业用户对大数据技术、基于数据的应用和服务的采纳行为和选择决策，有助于实现企业有效预测与决策，帮助企业获取竞争优势、创造企业价值。因此，为明确制造企业采纳大数据技术的关键影响因素及相互作用关系，准确把握其采纳大数据技术的规律，正确引导企业采纳意愿和决策行为，本文聚焦于制造企业的大数据技术采纳意愿影响因素问题进行研究，制造业对大数据技术的采纳，可以加速制造业向数字化、网络化、智能化转型升级，此课题的研究对制造产业和大数据产业的跨界融合发展具有重要理论与实践意义。

一、文献回顾

(一)大数据技术服务相关研究及概念界定

大数据作为一种商品或服务进行交易加速了数据流通，推动了数据增值利用。因此，学者们基于服务的角度对大数据技术展开相关研究。掌握大量社交数据的Twitter将原始数据授权于其他企业使用进而从中谋取利益，亚马逊公司拥有高质量用户数据和巨大的网站流量，强大的数据优势和先进的信息处理技术能够为自身的产品营销与服务提供科学的决策，基于云数据分析服务公司美国GoodData为企业客户提供在线营销的深度分析方案等工具，这种运营大数据相关业务，为自身或者其他企业提供服务的新型功能企业称为大数据技术商[2]。Chae(2015)认为大数据是一种破坏性创新的IT化服务，以数据为中心的IT化服务，将各种资源(如加工技术、先进的算法、分析人才)与技术、市场需求、社会参与者和其他制度背景的生态系统结合[3]。秦晓珠等(2013)认为大数据知识服务是嵌入式协作化知识服务模式的一种创新，着重知识、资源、能力和过程以服务的形式进行交叉融合，为用户提供大数据获取、存储、组织、分析和决策等基础服务和一系列附加增值服务[4]。赵栋详等(2017)指出数据集市是一种新兴的数据服务形态，对其产生环境、理论基础、价值发现进行了研究[5]。杨国立认为数据即服务是以大数据为载体，以云计算为基础设施，在对大数据进行按需拓展计算和资源存储以及保证数据处理速度和数据安全前提下，通过异构数据的聚合，实现数据服务和知识发现的自动化完成，满足按需数据及其服务的整合，支持查询的优化处理[6]。

本文在借鉴上述学者相关成果的基础上对大数据技术服务概念进行界定，即以数据为中心、融合大数据、云计算、人工智能、移动互联网的IT化服务，将各种资源(如加工技术、先进的算法、分析人才)与技术、市场需求、社会参与者结合，为用户提供从基础数据资源获取、存储、组织、挖掘、分析、决策到后续的服务评估、管理、安全等全过程的数据生态服务。

(二)大数据技术采纳相关研究

随着越来越多的决策者、学者、企业和政府认识到大数据的重要性，近几年对大数据采纳的相关研究问题日益成为国外学者关注的热点。Esteves等(2013)从风险和收益的角度，基于分解计划行为理论开发了预测采用大数据技术意向的模型[7]。Chen等(2018)结合动态能力理论分析了企业采纳大数据分析技术对供应链的影响[8]。Shin以个人视角基于改进的UTAUT模型从大数据系统的功能、感知价值构建了个人用户采纳大数据的行为意愿模型。此外，Shin(2016)还关注了政府政策支持和社会文化基础设施对大数据采纳的影响作用[9]。Gunasekaran等(2016)从连接性、信息共享、高层管理者承诺三方面研究了企业对大数据预测分析技术采纳及其对组织和供应链绩效的影响[10]。Verma和Bhattacharyya(2017)在新兴经济背景下结合认知战略价值和TOE框架构建了企业采纳大数据分析技术模型,并指出大数据技术未被采纳的主要原因是企业未意识到大数据的战略价值，而且企业还没准备好因技术、组织、环境存在困难而做出改变[11]。胡水晶(2016)基于资源基础观从数据质量管理和数据利用经验两方面展开了对企业采纳大数据分析技术意愿的研究[12]。企业通过利用大数据技术商提供的数据分析、预测、精准营销、决策等服务能够更有针对性地提升产品与服务质量，制定出更加符合市场和客户需求的产品和服务策略，从而加强客户关系管理，改善运营风险管理，降低业务成本，提升运营效率和整体企业绩效[13]。许多互联网领先企业通过利用大数据分析技术更好地监控市场对产品或服务的接受程度，了解其所处的商业环境，潜在地增加竞争优势，例如亚马逊的个性化推荐、谷歌的意图、特易购的精准定向等都展现了大数据的预测能力和决策支持能力。但是我国的一些中小制造企业，如食品制造业、纺织制造业、家具制造业可能缺乏对大数据价值的认知，阻碍了其对大数据技术服务的应用与采纳。相比互联网企业和信息通信企业，我国中小制造企业呈现出IT资产薄弱、数据组织环境较差的特点，这可能会影响组织对大数据技术的吸收、转化、开发与利用，因此，本文引入吸收能力理论来解释分析中小制造企业对大数据技术服务采纳的影响。

基于以上分析，可以看出国外学者从不同理论、采纳主客体等不同视角展开了研究，国内学者对大数据技术服务采纳的相关研究较少。首先，学者们对大数据分析技术采纳的相关研究多以收益、成本等直接影响因素入手，很少有从直接因素和间接因素进行整体评价，缺乏对大数据技术服务采纳影响因素及相互作用机理的深入剖析。其次，大部分学者综合不同行业的企业为实证研究数据，缺少针对某一具体行业为应用情境进行的研究，且以制造企业为视角对大数据技术采纳问题研究的甚少。因此，本文在利用经典TOE理论框架的基础上，结合中小制造企业特点引入吸收能力理论探究中小制造企业对大数据技术采纳意愿的影响因素。

图1 制造企业大数据技术采纳意愿影响因素模型

二、模型构建与研究假设

(一)模型构建

Tornatzky和Fleischer在1990年提出了TOE理论[14]，被广泛应用于组织层面的技术采纳或扩散研究中。本文采用TOE理论模型，结合制造企业IT资产薄弱、数据组织环境较差的特点，引入个体因素作为分析框架。其中，TOE模型强调组织在采纳一项新的创新技术时会受到技术、组织和环境因素的影响，个体因素是影响企业采纳意愿和行为的微观因素，是指企业组织成员个人的专业技术知识能力、创新精神、学习能力等因素，企业在采纳一项新技术或服务时应考虑组织成员能否充分吸收利用，进而达到更好的预期，为此基于吸收能力理论引入组织成员的吸收能力作为影响制造企业采纳大数据技术的个人因素。基于以上分析，将本研究的因变量确定为“制造企业采纳大数据技术意愿”，自变量确定为“大数据质量、感知利益、感知成本、高层管理支持、政府政策、吸收能力”，构建了如图1所示的理论假设结构模型。

(二)研究假设

1.大数据质量与感知利益、感知成本、吸收能力、制造企业采纳意愿的关系

制造企业产生的大数据除了具有的一般大数据4V特征外，还具有时序性、强关联性、闭环性等特征，这些特征为制造企业带来广阔应用价值的同时，也对传统制造企业的数据管理和分析技术提出了挑战。数据的质量对提高服务传递的质量和效率更重要，只有高质量数据才适合在运营、决策和规划中预期使用，从而达到一定作用效果[15]。Shin(2016)将数据质量定义为信息使用的适用性，由数据是否满足用户和管理员的需求确定[9]，一般被视为数据适合用户使用的程度。高质量的数据主要取决于它的准确度、精度、时效性、完整性、一致性。Kwon等(2014)的研究也强调并证明了数据质量影响企业的运营和决策，进而影响企业的经济效益[16]。在商业竞争领域，高质量数据是具有价值的资产，有效地管理和使用大数据能提高顾客的满意度、增加收入和利益、提供战略竞争优势，为企业带来巨大的潜在商业价值。制造企业的数据质量具有相对重要性，因为它直接影响企业设备故障诊断、预测预警等功能，间接影响企业的创新模式及绩效，如在制造领域，产品中嵌入的传感器所传输的大数据能为企业开发新产品或新的售后服务提供强大的数据支持。因此,大数据质量越高，企业就越容易感知大数据带来的利益，进而促进大数据技术的采纳行为。由此提出如下假设：

H1:大数据质量对制造企业感知大数据技术利益具有显著正向影响

H2：大数据质量对制造企业采纳大数据技术意愿具有显著正向影响

一方面，大量实践活动已表明产品质量与投入成本之间呈正相关，为获取较高的产品质量或科研技术成果，企业必然增加大量资金、人力、物力的投入成本。制造企业为了获取高质量的数据就要加强对数据管理的投入，进而产生一些基于数据采集、存储、处理分析等活动的投入成本和管理成本。另一方面，学者在研究数据质量治理问题时指出，提升数据质量需要管理措施和技术措施协同作用，如制定数据质量管控规范、建立数据质量管理平台等[17]，然而这些活动也会增加企业的管理成本和技术成本。由此提出如下假设：

H3:大数据质量对制造企业感知大数据技术成本具有显著正向影响

金融服务机构报告称大数据并没有达到预期的机制，其中一个主要的因素是数据质量。保障数据质量是企业进行数据分析的基础，进而实现预测、决策支持等功能。宗威(2013)认为企业想要充分利用大数据的优势，前提是必须拥有可靠、准确、及时的高质量数据[18]。大数据的质量会直接影响企业获取、吸收、转化、应用大数据知识创造企业动态能力，数据质量越高，越有利于企业吸收利用数据，形成更多有价值的信息和知识。Janssen等(2017)指出数据质量通过企业的分析与挖掘直接影响大数据决策的质量[19]。因此，只有从高质量的数据中汲取有用的知识，企业才会做出更精准、更适合市场和用户需求的决策。高质量数据是大数据发挥效能的前提和基础，强大专业的数据分析工具只有在高质量的数据环境中才能提取出更有价值的信息。由此提出如下假设：

H4：大数据质量对制造企业的吸收能力具有显著正向影响

2.吸收能力与感知利益、感知成本、制造企业采纳意愿的关系

吸收能力是组织成员利用已有知识或现有知识的能力，有利于组织成员思维和知识再创造过程。组织的吸收能力表明其具有对新的内外部信息的价值认知、吸收、利用以实现经济效益的能力。在IT领域，组织的吸收能力反映了组织通过员工的知识仓库、认识结构获取、消化、整合、利用适合IT创新相关的信息能力，用于支持战略业务活动和提高组织绩效。大数据吸收能力是指企业获取、吸收、转化、应用大数据知识创造的动态市场能力，可以分为潜在吸收能力和实际吸收能力[20]。大数据潜在吸收能力是指将数据转变为信息的能力，实际吸收能力是将信息转变为知识并且应用的能力。企业员工利用数据及基础设施的经验能够形成一种IT能力即企业动态能力来增强其竞争优势[21]。不同企业对大数据的吸收能力是异质的，其也可能导致采用大数据技术的投资成本超过了企业获取的利益。传统的商业智能技术主要利用结构化数据和内部数据源，而大数据技术通常是面向非结构化数据和外部异构数据源，其要求企业具有足够的知识和能力去吸收利用它进而有利于企业综合能力和竞争优势的提高。而一些中小制造企业相比于互联网、信息通讯企业，IT资产薄弱、数据组织环境较差，企业组织成员个人的专业信息技术知识能力有限也会阻碍其采用大数据技术。具有IT项目积极经验能够增强制造企业使用其他信息技术的意愿。根据扩展逻辑理论可以预测数据使用经验和大数据技术采纳意愿之间具有密切关系。由此提出如下假设：

H5：吸收能力对制造业企业采纳大数据技术意愿具有显著正向影响

许多新产品开发和管理的研究表明，吸收能力是快速创新和组织灵活应对不断变化的市场条件的前提[22]。吸收能力较强的企业具有更多吸收、管理、利用大数据技术的技能和领域知识，吸收能力强的企业在采用新技术时具有优势，因为其耗费的一些专门化设施、员工知识技能培训等调整成本较少[23]。企业的吸收能力有利于企业不断吐故纳新，实现产品不断升级创新，获取可持续竞争优势[24]。因此，对大数据技术具有较强吸收能力的制造企业更能够感知大数据技术带来的预期利益，否则，与之相反。由此提出如下假设：

H6：吸收能力对制造企业感知大数据技术利益具有显著正向影响

H7：吸收能力对制造企业感知大数据技术成本具有显著负向影响

3.感知利益、感知成本、高层管理者支持与制造企业采纳意愿的关系

感知利益是指使用一项新技术而获取的预期利益，包括组织的运营优势和战略优势。制造企业采纳大数据技术获取的预期利益将会贯穿到产品的整个生命周期，在研发阶段大数据技术能够发现新产品需求和提高研发效率；在工艺设计阶段可以提高工艺设计的质量；在生产制造阶段能够降低成本、提高生产效率、降低制造过程的不良率，减少设备故障率；在使用服务阶段能够延长“产品”的生命周期、及时发现商机、提供更加高效的服务。此外，通过收集由制造现场所产生的设备数据、订单数据、进度数据、零件库存数据和故障信息等，经过大数据分析服务，能够实时掌握生产运营的状态，降低运营成本，预测订单需求量，进而优化企业零部件库存。大数据技术的这些感知利益除能够为企业创造竞争优势、企业能够从大数据技术中获取潜在利益外，组织决策者可能也会获取无形利益，如提高知识的共享与协作、提供创新动力等。创新扩散理论认为，创新的特征是由组织决策者对创新特点的感知及评价，决定组织是否采纳创新应用。感知利益与技术采纳之间存在积极关系，而且感知利益是企业采纳创新技术的最佳预测指标[25-26]。组织通过采纳大数据分析可以启发业务洞察力、重组战略信息并且提高组织决策的质量和有效性[8]。大数据分析对企业绩效具有积极的影响效应[27-28]，能够改善客户体验并更好更快地决策[29]。大数据技术有助于企业形成新的制造模式，如个性化制造、网络化协调及服务化转型等[30]。由此提出如下假设：

H8:大数据技术感知利益对制造企业采纳大数据技术意愿具有显著正向影响

感知成本和感知利益一直是企业采纳创新技术首要考虑的重要指标，其中资金投入成本和管理成本是感知成本的两个主要来源。感知成本较高会导致组织管理者对创新技术采纳意愿较低。大数据技术为制造企业带来新的机会和能力，但是制造企业在采纳它的同时也面临一些挑战。制造企业采纳大数据技术开展个性化、智能化制造，需要大量的资金与人力支持，短期投入较高，而长期面临市场、技术开发风险等不确定因素，因此，感知大数据技术较高的初始投资成本和运营成本可能会阻碍组织对它的采纳。IT不仅影响企业技术核心，也影响主要业务管理核心。大数据技术实施的相关成本费用如软硬件成本、运行和培训的时间成本和费用、数据安全和隐私问题等都会影响制造企业对其采纳意愿。特别是大数据环境中信息安全也引起了极大的关注，一些组织不愿意让自己的重要数据外流，使用组织外部的服务提供商可能会导致访问或安全风险。安全问题是大数据技术采纳的主要障碍[31-32]。由此提出如下假设：

H9:大数据技术感知成本对制造企业采纳大数据技术意愿具有显著负向影响

企业采纳大数据技术是组织采纳IT创新应用的一种形式，其感知利益和感知成本必然会影响企业高层管理者对大数据技术采纳的决策。当高层领导感知采纳一项新的技术会给组织带来较多利益时，高层领导会大力支持鼓励创新技术的采纳，并分配较多的资金、人力、物力等资源支持，相反，较高的感知成本及风险会阻碍高层管理者对新技术采纳的支持。感知利益会正向影响高层管理者支持采纳IT技术的决策[33]。由此提出如下假设：

H10:大数据技术感知利益对高层领导支持采纳大数据技术具有显著正向影响

H11:大数据技术感知成本对高层领导支持采纳大数据技术具有显著负向影响

高层领导支持包括高层领导对IT技术的认知和他们参与及支持IT的具体行为。如果高层管理者缺乏对大数据及其价值的正确认知，将会阻碍组织对大数据技术的采纳。缺乏高层领导的支持，企业对大数据的管理、分析和应用的重要程度就会下降，从而导致大数据的效能无法在企业充分发挥。当高层管理者认为IT系统对组织有潜在有用性的积极信念时，他们通常会采取积极的行为来支持IT技术的使用[7]。高层管理者作为促进组织规范、价值观、文化变革的代理，使其他组织成员能够使用和适应新技术。高层领导支持是企业新技术采纳的一个重要影响因素，并且与采纳成正相关关系。高层管理者的支持是个人和组织IT创新采纳的主要因素，组织高层领导支持度越大，组织IT采纳遇到的困难和复杂性越容易克服[34]。领导大数据计划的主要高层人员应是充满热情，并且全心致力于这项事业[29]。高层领导的支持会对企业大数据的使用具有正向关系[8]。由此提出如下假设：

H12: 高层管理者支持对制造业企业采纳大数据技术意愿具有显著正向影响

4.政府政策与制造企业采纳意愿的关系

政府政策支持是政府通过一系列政策支持鼓励企业进行IT创新采纳，是企业采纳新的信息技术的关键因素。政府通过财政补贴、税务减免、鼓励政策等方式影响组织对新IT技术的采纳。在制度和政府政策支持下，组织倾向于采纳新的信息技术。Oliveira在研究组织采纳云计算中表明企业和政府政策对组织采纳云计算具有显著影响[34]。国家政策支持对组织采用大数据技术具有重要的积极影响作用[9]。我国政府已将大数据发展作为国家重要战略部署，目前许多企业对大数据的密切关注与应用很大程度上源于政府对大数据应用的大力支持与扶持。现有的法律法规对企业采用新技术的影响也可能是至关重要的，如果建立更多的全面细化保护数据的法律法规，企业可能会更愿意采纳大数据技术。由此提出如下假设：

H13:政府政策对制造业企业采纳大数据技术意愿具有显著正向影响

三、研究方法

(一)变量测量

基于国内外相关研究文献，本文设计了22个影响企业采纳大数据技术的影响因素。其中，大数据质量因素主要根据Shin[9]、Kwon[16]和Davenport[29]的相关研究成果，包括迅速增加数据量、数据获取的及时性、数据多样性、访问非结构化数据、文本数据的真实性五个指标；大数据技术的感知利益主要采纳Chen[8]、Davenport[29]和Marr[35]的观点，包括降低运营成本、提高决策效率和质量、开发新的产品或服务、更好地理解客户实际需求、实时监控市场；大数据技术感知成本主要借鉴Esteves[7]的研究成果，包括高初始投资成本、高运营成本、敏感数据安全性、数据共享威胁企业竞争力；高层管理者支持主要借鉴Chen[8]的研究成果，包括推动组织使用大数据技术的程度、组织大数据计划提供支持的程度、推动大数据分析作为组织战略重点的程度；吸收能力因素主要来自Gupta[28]和Lam[36]研究结果，包括具有大数据相关领域知识的专家、处理大型数据集的技能、分析师能够对信息进行解释三个指标。政府政策主要借鉴Shin[9]的研究成果，包括政府机构给予政策支持大数据的应用、政府展现出很强的支持大数据的承诺。具体测量中要求被调查者对大数据技术采纳因素做出评价，主要采纳Likert量表测量：1=非常不同意，5=非常同意。

表1 参与调查的描述性样本统计

(二)样本选取与数据收集

为了确保问卷的可行性，采纳三轮调查：首先，将问卷发放给学术界、企业界等从事大数据领域的专家，让其提出修改意见，并根据反馈意见对问卷进行修改完善；其次，选择32名制造企业的高层人员对问卷进行小范围的试点调查，进一步反复修改推敲确定最终问卷。最后，以中小制造业企业为研究对象，通过电子邮件和在线调查的方式发放问卷600份，最终收回280份，其中无效问卷25，有效问卷255份。参与调查的企业样本统计如表1所示。

四、实证结果与讨论

为了验证研究的假设模型，本文采纳偏最小二乘法(PLS)进行结构方程模型验证。SmartPLS2.0数据分析软件对样本数量要求较少且对样本数据分布要求较低，同时在处理多变量、揭示变量作用关系及影响程度方面有明显优势。首先运行PLS Algorithm算法对测量模型的信度和效度进行分析，然后运行Bootstrapping算法分析结构模型。

表2 各变量的因子载荷、AVE、CR、Cronbach’s∝

(一)信度与效度分析

信度分析是为了验证测量量表的可靠性和稳定性，采纳Cronbach’s∝和CR值进行检验，当Cronbach’s∝和CR值大于0.7时表明该测量项具有较好的可靠性[37]。效度分析包括收敛效度和区别效度检验，收敛效度是指同一潜在变量所包含的观察变量间的相关程度，区别效度反映了潜在变量中的每一个观察变量的唯一性及与其他观察变量的不相关程度，可通过因子载荷、AVE进行判别。利用软件SmartPLS 2.0进行数据分析得到如表2所示的各变量因子载荷、AVE、CR、Cronbach’s∝值。从表2中可以看出，所有测量项的CR值和Cronbach’s∝均大于0.7，表明量表的信度是可接受的，而且所有因子载荷大于0.7，AVE值大于0.5这表明测量量表具有较好的收敛效度。

为了检验区别效度，比较了各潜在变量之间的相关系数和AVE值的平方根。如表3所示，各潜在变量的AVE值的平方根均大于各潜在变量之间的相关系数，这表明该量表的区别效度在可接受范围内。

表3 各潜在变量之间的相关系数

图2 PLS结构模型分析结果

(二)模型验证及结果分析

表4 路径系数及假设结果

从表4可知，大数据质量到大数据技术感知利益的路径系数是显著的(B=0.873，P<0.01)，即H1成立，大数据质量到大数据技术采纳的路径系数是显著的(B=0.392，P<0.01)，表明大数据质量对大数据技术采纳有显著的正向影响，即H1成立。H1和H2成立这一研究结果与Shin[9]、Kwon[15]的研究结果一致。大数据质量到制造企业感知大数据技术成本的路径系数显著(B=0.164，P<0.05)，即H3成立。大数据质量到制造企业大数据技术吸收能力的路径系数显著(B=0.445，P<0.01)，即H4成立。吸收能力到大数据技术采纳意愿的路径系数显著(B=0.088，P<0.05)，即H5成立。吸收能力到大数据技术感知收益路径系数显著(B=0.113，P<0.05)，吸收能力到大数据技术感知成本路径系数显著(B=-0.432，P<0.01)，即H6和H7成立。大数据技术感知利益到大数据技术采纳意愿的路径系数显著(B=0.331，P<0.05)，即H8成立。大数据技术感知成本到大数据技术采纳意愿的路径系数不显著(P>0.05)，即H9不成立。大数据技术感知利益到高层管理者支持的路径系数显著(B=0.632，P<0.01)，即H10成立。大数据技术感知成本到高层管理者支持的路径系数显著(B=-0.383，P<0.01)，即H11成立。高层管理者支持到大数据技术采纳意愿的路径系数显著(B=0.144，P<0.05)，即H12成立，这与Chen[8]和Verma[11]等人的研究结论一致。政府政策对制造企业采纳大数据技术路径系数显著(B=0.138，P<0.05)，即H13成立。

(三)结果讨论

第一，技术因素中的大数据质量对制造企业采纳大数据技术意愿具有显著的正向影响，这说明制造企业自身拥有或者大数据技术提供商提供的数据质量越高，制造企业就越愿意采纳大数据技术。其主要是来自生产设备、感知设备、联网终端等的结构化和非结构化数据指数增长的推动，制造企业通过实时存储分析这些数据形成有效决策并反过来指导生产。分析结果还显示了大数据质量对制造企业感知大数据技术利益具有显著的正向影响，这表明如果大数据质量方面可靠，制造企业就会基于数据驱动进行有效决策，进而促进其从大数据技术中获取更多利益。最初，这种良性的循环可能开始于数据质量管理和大数据技术的使用，但随着越来越多利益的实现，制造企业的领导者可能就会采纳大数据技术；大数据质量对制造企业感知大数据成本和吸收能力具有显著的正向影响，这表明企业采用大数据技术不仅需要对基础设施、技术和人力进行大量前期投资，而且还需要大量支出获取高质量数据，因为数据质量越高，企业就能够更好地吸收利用大数据技术以实现经济效益。值得一提的是大数据质量是所有因素中占有最高权重比例的，这一点给予企业和大数据技术提供商的重要启示是：保障数据质量是企业将数据作为战略性IT资源的根本基础，企业应加强数据治理方面的管理，建立规范的数据质量标准及监控机制，提升数据质量，进而将数据作为组织有价值的资产应用于业务运营和战略决策中。大数据技术提供商为提高用户的采纳率应重视数据质量治理方面的服务创新，针对不同企业用户的有效实际需求提供量身定制的差异化大数据治理解决方案。

第二，组织因素中的感知利益和高层管理者支持对制造企业采纳大数据技术意愿具有显著的正向影响，此研究结果与前人IT技术创新采纳的感知利益是企业采纳技术的重要指标的结论是类似的。这意味着当企业准备利用大数据进行战略决策，以了解用户的实际需求、开发其他产品或服务时，这些利益很有可能促进企业对大数据技术的采纳意愿。而且当制造企业的高层管理者感知到大数据技术会给组织带来较多利益时，高层管理者就会越倾向于采纳大数据技术的决策。所以，对于大数据技术提供商来说，应制定有全面针对性的大数据技术推广策略，以提高企业高层管理者对大数据技术的价值认知，进而达到提升采纳率的目标。值得注意的是，研究结果显示大数据技术的感知成本与大数据技术采纳意愿不存在显著关系。可能的解释原因是虽然大数据技术可能是昂贵的，但相比于传统的数据分析工具成本要低很多，因为一些大数据技术是开放资源。

第三，个人因素中的企业员工吸收能力对制造企业采纳大数据技术意愿具有显著正向影响，对制造企业感知大数据技术收益具有显著的正向影响，对制造企业感知大数据技术成本具有显著负向影响。这表明制造企业的吸收能力越大，采纳大数据技术的感知收益就越高，感知成本越低，企业就越愿意采纳大数据技术。事实上，一项技术创新的采纳不仅需要财务资源的投入，还需要创造和培育以吸收和传递知识技能为基础环境的能力，进而保障新技术的有效运行。因此，企业在采纳大数据技术之前，应首先衡量企业自身的资源和能力是否具备保证大数据技术发挥预期效果的条件。这要求制造企业不仅要具备必要的IT资源，还要有专业领域知识专家，通过解释结果来识别增长机会进而为企业提供新的解决方案。

第四，环境因素中的政府政策对制造企业采纳大数据技术具有显著的正向影响，这表明国家政府的政策、制度、法律法规等会促进制造企业采纳大数据技术的意愿及行为。大量实践也已证明了国家通过财政补贴、税务减免、政策指导等方式会影响企业的各种决策行为。实际上我国已先后出台了《中国制造2025》《促进大数据发展行为刚要》《国务院关于积极推进“互联网+”行动的指导意见》等一系列文件，为传统制造业的转型升级发展提供了政策和技术等各方面的保障。十九大报告明确指出，推动互联网、大数据、人工智能和实体经济深度融合，引导制造企业实现先进制造升级。国家政府的大力支持和鼓励政策对制造企业采纳大数据技术起到了促进作用。

结 论

本文根据TOE理论，结合中小型制造企业IT资产薄弱、数据组织环境较差的特点，引入吸收能力作为个体因素进行整体分析框架，提炼了影响企业采纳大数据技术的因素并构建了制造企业大数据技术采纳意愿影响因素模型，通过问卷调查、PLS结构方程方法和SmartPLS 2.0统计分析软件对模型假设进行验证。我们发现，大数据质量、感知利益、高层管理者支持、政府政策、吸收能力对制造企业采用大数据技术意愿具有显著的直接正向影响作用，感知成本对制造企业采纳大数据技术意愿没有直接显著的影响，而且大数据质量可以通过影响感知利益和吸收能力间接地正向影响企业采纳大数据技术意愿，感知利益和感知成本还可以通过影响高层管理者支持间接地影响企业采纳大数据技术意愿。其中，大数据感知质量是影响制造企业采纳大数据技术意愿权重最大的核心变量，这主要是来自生产设备、感知设备、联网终端等的结构化和非结构化数据指数增长的推动，制造企业通过实时存储分析这些数据形成有效决策并反过来指导生产。除此之外，本文还证明了几个核心潜在变量之间的相互作用关系是显著的，即使主要的潜在变量与大数据技术采用之间的关系不显著，但与其他潜在变量之间具有很强的显著关系，即大数据质量、感知利益、吸收能力三者之间具有显著关系，感知成本和感知利益与高层管理者支持之间具有显著关系。

本文采用问卷调查法对理论内容进行实证验证，限于问卷的局限性，本研究的样本量偏小，可能会使结果产生偏差。在今后的研究中可以适当增加样本量，考虑一个企业发放2～3份问卷，采取各变量的平均值尽量降低主观意识产生的测量偏差，进而提高样本数据的准确性和客观性；可以选择其他不同产业的企业为研究对象，进一步拓展理论模型的适应性。