大数据价值来源、价值内容与价值创造机理——基于2011—2021年管理类和商业类SSCI期刊分析

迟考勋，邵月婷，苏 福

(1.山东理工大学 管理学院，山东 淄博 255000；2.浙江工商大学 工商管理学院，浙江 杭州 310018；3.贵州商学院 管理学院，贵州 贵阳 550014)

0 引言

大数据是数字经济时代的重要生产要素，据国际数据公司(IDC)预测，2020—2024年全球大数据技术与服务相关收益将实现9.6%的年均复合增长率，预计2024年将达到2 877.7亿美元，中国在该方面的增幅将领跑全球，实现19%的年均复合增长率。大数据的复杂性远超工业经济时代石油、煤炭、资本等传统生产要素，如何充分发挥大数据应有价值，既是企业经营重点，也是管理学领域研究前沿课题之一。

大数据价值是指不同主体整合和重组大数据资源的活动，旨在改善生产流程、创造新产品等。在管理和商业研究领域，学者们在界定大数据概念的基础上，主要探讨大数据对于实现企业可持续价值交付、提升企业创新绩效及建立企业竞争优势所发挥的作用。例如，Dubey等(2018)研究大数据处理能力与企业竞争优势间的作用关系；Mikalef等[1]研究大数据分析技术对企业创新的影响机制；Urbinati等(2019)通过案例分析探讨大数据资源对企业价值创造的内在影响机制。除此之外，还有部分学者分析大数据价值实现的前提条件、大数据项目影响因素等(Surbakti等，2020)。综合来看，尽管管理和商业领域相关研究成果日渐丰富，但研究内容较为零散，且广泛分布于创新管理[2]、市场营销[3]、生产运营管理[4]等多个分支学科，对一些关键问题未进行深入分析，导致难以形成稳定的研究框架，既未获得对大数据价值研究主题的系统性认识，也不利于与其它研究领域展开对话。因此，迫切需要在现有研究的基础上，结合管理和商业领域实践，构建更加具体、清晰的大数据价值研究框架。本文按照“大数据价值来源—大数据价值内容—大数据价值创造机理”逻辑框架，对203篇管理和商业领域的SSCI文献进行梳理，构建相应理论框架，并提炼出有价值的研究方向，可为未来研究提供启发。

围绕大数据“是什么”“创造什么价值”“如何创造价值”3个问题，本文具有如下理论贡献：①对大数据文献进行回顾，系统梳理大数据概念、类型与测量方法，可为全面认识大数据性质奠定基础；②归纳大数据为组织和个体创造的价值，整合原有碎片化观点，可为企业制定发展战略提供科学依据；③梳理大数据价值案例分析和实证研究成果，探究大数据价值创造过程机理和边界条件，了解大数据的双面效应，可以补充、完善管理和商业领域相关研究成果。

1 大数据价值研究发展趋势与主题分布

1.1 大数据价值研究发展趋势

为清晰把握大数据价值研究发展脉络，本文聚焦于管理和商业领域，对Web of Science数据库核心合集进行系统检索。本文将时间限定为2011—2021年，其中2011年是最早收录管理和商业领域大数据价值文献的时间。以“big data”为检索词，检索框设定为“title”，文章类型设定为“article”和“review”，检索下载“management”和“business”领域的SSCI文献，初步搜索获得600篇研究文献。结合本文对大数据价值的定义，对这些文献进行筛选，筛选标准如下：①查看文献摘要和关键词，剔除仅关注计算机领域的研究文献；②查看文献引言、假设和结论，剔除只提及大数据研究背景的文献；③部分文献虽关注大数据相关概念，却未在论文核心部分体现大数据价值，故予以剔除。最终，共获得英文文献203篇。

从文献发表时间看(见图1)，2015年以后，大数据价值研究呈兴起态势，主要表现为研究内容不断丰富，开始关注大数据价值创造核心要素和作用机理。究其原因，自2013年“大数据元年”开始，大数据被广泛应用于各行各业，学者随之对该研究主题投入大量精力；另外，创业者意识到大数据发展潜力，并思考该以何种方式实现大数据价值最大化。因此，相关学者在2013年就已经关注大数据价值，但论文发表具有一定滞后性。在期刊分布上，《MIS Quarterly》关于大数据价值的发文量较少，但被引频次最高，说明该期刊在大数据价值创造领域具有一定影响力。另外，国外核心期刊开设大数据价值研究专栏，如2020年《Technological Forecasting and Social Change》推出特辑“创业中的技术和社会变革：大数据如何造福社会”，预示着大数据价值研究是一个待挖的“深矿”。

图1 2011—2021年大数据文献发表量Fig.1 Annual publication of big data literature from 2011 to 2021

1.2 大数据价值研究主题分布

参考大数据述评类文献观点[5-6]，本文对203篇文献内容进行编码，具体编码框架如表1所示。

表1 文献编码框架Tab.1 Coding framework

编码结果显示(见图2)，大数据价值来源、价值内容和价值创造机理3个主题研究保持持续增长态势。相比较而言，学者更关注价值内容和价值创造机理，对大数据价值来源的关注度较低。这是因为，当前研究多默认大数据可以给企业带来价值，不再作深入探究，而这不利于构建大数据价值研究框架，因此有必要对相关研究进行系统梳理。

结合编码情况，本文从大数据价值来源、大数据价值内容、大数据价值创造机理3个主题着手，构建管理和商业领域大数据价值研究初步分析框架(见图3)，围绕此分析框架开展文献述评。

2 大数据价值来源

大数据价值来源主要回答“什么是大数据”和“谁在开展大数据价值创造”的问题。马克思主义价值观指出，价值来源于客体、取决于主体、产生于实践(李连科，1999)，因此要全面了解大数据的价值来源，需要从主客体两方面切入。

2.1 大数据价值客体来源

大数据价值客体来源即大数据本身，组织或个体只有借助现实存在的大数据资源和技术才能创造出价值。客体来源研究重在解释大数据内涵，当前学者从数据特征和分析技术两个视角展开分析，前者致力于挖掘能称之为大数据的数据所应具备的独特性质[7]，后者致力于考察用于收集与处理各类数据资源的技术手段和能力[8-9]。本文对两大视角文献进行梳理，通过比较分析系统阐释大数据价值客体来源(见表2)。

(1)数据特征视角研究认为大数据是具有独特性质的数据集合，研究焦点在于不断挖掘这些独特性质。早期学者将大数据等同为海量数据或大规模数据(Rich, 2012)，其理论属性体现为数量维度，无法准确反映复杂的大数据应用环境。Laney(2001)首次围绕多个维度刻画大数据特征，提出包括数量(Volume)、速度(Velocity)、种类(Variety)的大数据“3V”特征，对后续研究影响深远。然而，“3V”特征仅能说明大数据的本原属性，未展现出大数据所具备的社会价值。为弥补这一缺陷，Forrester(2012)强调应重视如何从大数据中获取经济价值，并在“3V”特征的基础上增加价值(Value)维度；White(2012)进一步补充准确性(Veracity)维度，以突出数据质量在价值创造过程中的重要性，最终形成当前流行的大数据“5V”特征。在测量方法上，学者尚未开发出针对“5V”特征的完整测量量表，多是针对其中部分维度进行测量。有些研究聚焦于数据质量这一变量，其能够涵盖上述多个维度内容，以Wixom & Todd(2005)开发的量表最具代表性。该量表包含完整性、准确性、速度、格式4方面内容，被后续学者广泛引用[10,12]。还有一些研究关注其它维度，如Dong & Yang[11]通过计算社交媒体渠道多样性指数反映大数据数量特征；Zhang & Xiao[13]测量客户提供数据的程度，这是一种独特的大数据种类。

图2 大数据价值研究主题分布Fig.2 Topic distributions of research on the value of big data

图3 管理和商业领域大数据价值研究初步分析框架Fig.3 Preliminary analysis framework for research on the value of big data in management and business fields

表2 不同视角下大数据价值客体来源研究比较Tab.2 Comparison of studies on the sources of value objects of big data from different perspectives

(2)分析技术视角研究认为，大数据资源本身不具有竞争优势，只有运用相关技术从中提取出价值才能为企业决策提供参考[9]，因此将大数据内涵界定为“大数据分析”，强调数据收集和处理过程中的技术要求(Havens等, 2012)。在构成维度上，该视角研究或从分析技术本身出发，或从这些技术背后所展现的分析能力着手，研究观点较为发散。围绕分析技术，Chen等[8]最早提出大数据分析一词，并将其划分为商业智能分析、社交媒体分析和新兴移动分析3个维度；Grover等[14]则将大数据分析划分为过去描述性分析、未来预测性分析和模型规范性分析3个维度。围绕分析能力，Gupta & George(2016)将大数据分析能力划分为人力资源、有形资源、无形资源3个维度；Akter等(2016)将其划分为大数据分析管理能力和大数据分析技术能力两个维度。从测量方式看，多数研究采用量表测量。除基于上述维度外，一些学者结合自身研究开发出一系列单维变量量表，如数据驱动供应链技术[15]、大数据知识管理[16]、大数据团队能力[17]等。还有一些学者采用二进制问题测量相关变量[11]。

对比两个视角研究发现，前者认为大数据是在传统数据概念基础上添加新特征，属于静态观分析；后者则强调通过技术手段把大数据资源转化为竞争力，属于动态观分析。尽管两者有所区别，但本质上都是对战略研究中经典资源与能力理论的延续，而且都致力于解释大数据资源对创新的驱动力。因此，从单一视角界定大数据内涵有所偏颇，通过综合两个视角研究，本文将大数据定义为收集、管理和分析“5V”数据的技术方法。

2.2 大数据价值主体来源

大数据价值主体来源是指应用大数据资源和技术的组织或个体，这些组织或个体的主观需求引发大数据价值创造活动，使大数据价值得以产生和存在。从研究设计看，主体来源即为相关研究所选取的研究对象，当前学者主要关注组织层面主体，且以企业居多。

从企业所属行业看，多数研究聚焦于互联网与制造业。例如，Zeng & Glaister(2016)研究互联网创业企业如何通过客户数据和信息资产开展客户精准营销；Dubey等[18]分析制造企业如何通过使用大数据预测工具实现系统控制与优化。之所以关注这两个行业，是因为互联网企业拥有大量实时经营数据，制造业企业经历多年数字化转型，借助物联网技术建立了较为完善的数据库与处理系统。另外，随着智慧交通网络建设的不断推进，大数据在交通运输业的应用也受到广泛关注。Zhu等(2018)研究发现，对大数据交通网络进行动态分析，可为用户出行提供更多选择方案。相比较而言，农、林等行业对大数据关注较少，可能与这些行业数字化程度不高有关，导致难以形成大数据资源积累。实际上，当前大数据在各类垂直行业领域正在不断拓展，行业数字化发展逐步规范化、精准化，未来应对当前较少受到关注的行业加强研究。

从企业发展周期看，成熟企业最受关注，新创企业关注度不高。原因在于：成熟企业拥有生成大数据资源的基础条件，而且也具备对大数据资源进行有效整合与利用的能力，能够对大数据资源与企业其它资源进行有效互补，共同推动企业发展；相反，新创企业大多不具备丰富的大数据资源管理经验和能力，盲目追求数据资源多样性反而容易导致目标分散，降低企业资源利用率。结合上文大数据内涵可知，成熟企业研究多基于数据特征视角，新创企业研究则多基于分析技术视角[11]。这意味着，大数据分析技术是新创企业的竞争利器，能够促使其快速打开市场，突破生存危机。实际上，大数据分析技术优势能够协助企业建立大数据资源优势，反之亦然。例如，Prismatic依托亚马逊云平台，利用互联网数据爬虫技术和社交平台数据实现大数据场景下的精益创业。因此，两类大数据优势相互促进机理问题值得深入探究。

除此之外，还有少数文献以非营利组织作为研究对象。例如，Wang & Hajli(2017)研究医院借助医疗信息图谱分析患者病原学特征，提出合适的治疗方案和建议。虽然该方面研究成果并非严格意义上的管理和商业领域，但在应急服务方案设计、数据集成方式、检测技术应用等方面的理论发现却能够为管理和商业领域相关研究带来启发。

大数据价值来源包括客体来源和主体来源两个基本维度，两者在大数据价值创造过程中发挥重要作用。学者对大数据的理解存在差异，大数据测量分别基于数据特征和技术分析，诠释某种情境下的大数据，测量工具突出大数据是一个多维度复杂构念。根据李连科(1999)的观点，价值实质上是一种关系范畴，即主体利用客体满足自身生存和发展需要，这种关系只有在主体改造客体的实践活动中才得以确立。因此，对于大数据价值来源的理解除一般性地对其内涵进行界定外，更应将主客体来源结合起来，将其置于价值创造实践情境中，在深入分析“不同企业对大数据内涵理解差异”的基础上，进一步探索“这些差异如何反映在具体大数据价值实践活动中”。

3 大数据价值内容

大数据价值内容聚焦于解答“大数据能够为组织或个体带来什么样的具体价值”这一问题，可以分解成两个方面：一是提高价值量，形成新经营框架[3]；二是提炼新元素，发现新价值[11]。结合大数据价值是“不同主体整合和重组大数据资源活动”的定义，本文将大数据价值内容概括为效率性价值和创新性价值两类范畴。

3.1 效率性价值

(1)改进生产运营流程。大数据通过调整生产运营流程提高生产运营效率，拥有高超数据治理技能的企业通常在“供—产”两个环节有着较为出色的效率表现(Ransbotham & Kiron, 2017)。有些学者分析大数据在供应链管理中的应用发现，由大数据驱动的供应链管理利用可视化操作、自动化过程对客户订单进行优化，使多个供应链合作伙伴在联合设计、生产、交付和服务方面实现实时交互[15]。还有一些学者探讨大数据在生产环节的应用，发现大数据技术可以帮助企业收集库存、促销等实时信息，并及时预测产品需求变化，而大数据分析则能够有效促进企业重组生产流程与结构[18]。Santoro & Usai[19]等指出，伴随着生产运营成本不断增加，企业借助大数据软件技术可以明显降低传统机械式生产运营系统引发的高成本问题。

(2)优化组织结构。大数据背景下，原本相对独立的组织部门变得不再固定，从强调集中化管理、严格规划的传统职能制结构逐步转变为不同专业、技能和业务人才的动态集合式组织结构[17]。当前研究普遍认为，对于公司发展而言，这种开放式协作生态系统有利于模糊组织边界，集聚企业内部有用资源，为公司价值共创提供支撑。Zeng & Glaister[20]分析大数据环境中跨部门协作作用于企业价值的内在机制，发现数据环境化与公司价值创造显著正相关。在实践领域，Facebook、苹果等公司也较为关注这一点，积极探索如何通过开放式平台战略超越常规组织部门界限，以便从创新生态系统内部各部门汲取独特创意。

(3)适应外部环境。大数据资源与技术有利于降低决策不确定性，使企业获得高超的预测分析能力，确保资源高效配置，从而更好地应对外部环境变化[3]。当前，该方面研究主要集中在市场营销领域，重点探索大数据如何助力企业更好地适应市场环境变化，并提高企业与消费者互动效率。有些学者聚焦于大数据提供的差异化服务，如Dong & Yang[11]等将社交媒体视为一种特殊的大数据分析工具，指出企业基于该工具优化营销策略，并与市场中的竞争对手加以区分。有些学者探讨消费者情绪问题，如Dremel等[21]研究发现，B2B企业借助用户内容生成平台解决消费者情绪问题，该数据平台为企业和消费者提供信息共享渠道，帮助企业建立以客户为中心的营销模式。还有一些学者关注顾客体验，如Grover等[8]指出，企业采取大数据分析计划能够清晰了解消费者需求，有助于为消费者提供更具针对性及个性化的产品或服务。

3.2 创新性价值

大数据资源与技术不仅可以提高资源使用效率，还能够孕育出新元素，从而为企业带来创新性价值(Brandenburger & Stuart, 1996)。

(1)开发新产品。开发新产品是指利用大数据资源与技术开发符合客户需求的创新性产品或服务，相关研究普遍强调大数据具有监控及预测作用，大体分为“市场”和“客户”两类研究视角。关于市场研究，Gupta等(2020)认为，企业利用大数据可以准确预测市场需求，有效改变自身产品开发策略，确保产品能够更好地满足新兴市场需求。关于客户研究，相关学者指出客户正成为大数据的主要来源，精确获取和利用客户信息有助于将客户潜在需求快速转换为新产品。Zhang & Xiao[13]指出，客户参与是企业获取并有效利用客户信息的有效途径，企业通过与客户迭代互动更有可能开发出令客户满意的产品。

(2)设计新流程。设计新流程是指利用大数据资源与技术设计新型生产运营流程或工具，这是企业可持续竞争优势的主要来源[1]。当前，该方面研究成果较少，可能是因为新工具设计活动涉及很多科技元素，因而常被视为科技活动而非管理活动，导致管理和商业领域学者对此关注度不高。如Wang等[9]研究发现，医疗行业通过强化跨界数据合作关系，利用ELT数据同步工具整合临床数据、保险数据、患者行为等，可生成患者数据视图。

(3)构建新模式。大数据是企业的关键资源，能够引导企业开发新价值主张，帮助企业构建全新的商业模式[2]。有些学者重点探讨大数据对开发新价值主张的正向作用。Woerner & Wixom(2015)研究发现，大数据深度分析能够帮助企业发现新市场机会，企业会据此开发新价值主张以增强客户体验。还有一些学者重点分析大数据对商业模式创新的促进作用。Porter & Heppelmann研究发现，企业通过广泛应用大数据和物联网技术创新或完善产品服务系统，实现发展战略变革并设计全新的商业模式。

效率性价值强调企业在保持原有生产要素不变的情况下，利用大数据技术提高创新研发效率、加速跨界融合。虽然企业没有生成新产品、新商业模式，但是大数据技术可帮助生产者优化和改进研发活动，改进企业生产模式。创新性价值更注重改变现有价值创造范式，大数据技术可以丰富价值创造方式，触发企业改变生产、制造、战略等各个经济活动环节，拓宽企业价值创造边界。总体而言，当前管理和商业领域有关大数据价值内容的理论研究对企业价值链多数业务模块均有关注，其中供应链管理和营销研究最多，人力、财务研究成果较少。这可能是因为人力、财务等业务很难生成“5V”标准数据资源，这种资源是产生大数据价值的基础。相反，供应链管理、营销业务通过与外部组织或个体的持续互动，能够生成规模庞大的“5V”数据资源，因此是开展大数据技术应用的主战场。据此，如何改进人力、财务等业务数据资源特征，成为这些业务能否享受大数据红利的关键因素。

4 大数据价值创造机理

4.1 大数据价值过程机理

(1)大数据价值活动过程。该主题研究多为案例分析，聚焦于刻画大数据价值阶段及细节，以及剖析企业开展的各类关键活动。当前，对大数据价值创造过程的研究并不多见。Grover等[8]指出，大数据价值转换是一个动态过程，可划分为能力构建与能力实现两个阶段。其中，能力构建包括建立大数据分析基础设施和开发大数据分析能力，能力实现包括明确价值创造目标与设置价值创造机制。在此基础上，Dremel等[21]将大数据价值创造过程划分为增强、构建、协调和整合4个阶段。综合这些观点可以发现，大数据价值创造活动基本遵循“打造技术基础—有效应用技术”的逻辑展开，因此本文将该活动过程概括为技术准备、实施和强化3个阶段。

关于大数据价值创造活动内容，当前研究普遍认为要更好地挖掘大数据价值，企业需要有效开展数据收集、数据部署、数据执行3类关键活动。关于数据收集，Santoro等(2019)指出，企业应界定好数据类型，既要构建结构化数据库和非结构化数据库，也要整合实时数据和已有数据库资源，开展混合分析。数据部署主要与企业定位有关，包括投资基础设施、成立分析组织、打造关联数据能力等具体活动[1,19-20]。Zhang & Xiao等[13]指出，通过权力下放、赋予员工数据使用权等措施可以显著加快企业决策步伐，具有简单规则与数据共享理念的企业往往更能灵活应对市场变化；而通过业务流程自动化分析、客户参与等措施则可以明确客户需求，增强客户体验。

(2)大数据价值内在机理。该主题研究多为实证分析，聚焦于理论逻辑或实践，挖掘连接“大数据—价值”关系的中介变量，主要包括战略视角与业务视角两类研究。

其中，战略视角研究围绕“大数据—企业能力—竞争优势”逻辑链条展开。有些学者探讨动态能力的中介效应，认为大数据通过提高企业环境适应性增强自身竞争优势。Mikalef等[1]指出，大数据分析通过改变企业动态能力基础流程增强企业创新价值能力；Corte-Real等[10]将大数据分析视为动态能力，认为其有利于更改和优化企业运营程序，在数据质量和竞争优势之间起中介作用。有些学者探讨决策能力的中介效应，认为大数据通过提高企业决策质量增强企业竞争优势。Akhtar等[17]将大数据驱动决策视作一种管理决策能力，指出其在大数据团队技能与业务绩效之间发挥积极中介作用。还有一些学者关注知识管理能力的中介效应，认为大数据通过完善企业知识储备与管理方式增强企业竞争优势。Ferraris等[16]研究发现，利用大数据可对企业进行系统选择和动态管理，有效降低数据管理风险，提高企业创新绩效。

业务视角研究围绕“大数据—业务发展—企业绩效”逻辑链条展开分析。多数学者探讨销售业务发展的中介效应，认为大数据通过增加企业市场营销活动提升自身业绩水平。Wamba等[12]研究指出，销售业务发展在大数据质量与企业创新绩效之间起中介作用，作者以亚马逊公司为例，指出其利用大数据开展直销活动，为客户提供比竞争对手更好的产品和服务，取得巨大的业务价值。还有一些学者探讨企业生产运营业务发展的中介效应，认为大数据通过增加企业生产运营活动提升自身业绩水平。Mishra等[4]研究指出，IT技术能够促使企业调整运营模式，提高交易过程效率，削减生产成本，增加交易价值；Grover等[8]研究发现，大数据分析利用内部数据和外部用户数据获得关于产品和服务的相关见解，企业利用这些见解可以有效提高新产品开发效率。

4.2 大数据价值创造过程边界条件

4.2.1 推动力

当前，关于大数据推动力的研究主要围绕企业内外部环境挖掘一系列提升大数据价值的要素，并将其归纳为外部环境、组织结构、企业资源及合作网络4个要素范畴。

(1)外部环境是管理和商业领域研究最传统的权变要素之一，强调企业经营活动要与外部环境需求相匹配，大数据价值研究主要关注环境不确定性、行业属性及顾客特征3类要素。虽然环境不确定性通常不利于企业经营，却是适宜大数据发挥最佳效应的环境状态。Mikalef等[1]研究认为，当环境动态性、异质性及敌对性水平较高时，大数据分析能力能够有效转化为企业动态能力。关于行业属性，学者认为企业所在行业互联网属性越明显，越有助于促进大数据价值创造。Müller等(2018)对美国软件供应商企业的实证研究表明，IT密集型行业企业可从大数据资产中直接获利，而非IT密集型行业企业则无法基于大数据资产促进生产率提升。关于顾客特征，相关研究指出顾客不是大数据价值的消极接受者，而是主动甚至主导价值创造的合作者，因此良好的顾客环境有助于提升大数据价值创造活动效果。Zhang & Xiao[13]利用B2B企业创新项目调研数据发现，客户作为数据提供者(CDP)和数据分析师(CDA)可以促进B2B产品创新，并能够更好地解决客户问题。

(2)组织结构要素强调企业部门设置、人员配备、核心流程安排应根据企业关键经营活动需求决定。在大数据价值研究中，组织柔性与部门协同获得较多学者关注。关于组织柔性，学者普遍认为在大数据应用背景下，业务场景、产品/服务、IT能力需求变化是常态，只有建立柔性组织结构，让各层次、各部门之间实现快速解耦，才能保障大数据价值活动的生命力。Dubey等(2019)研究指出，组织灵活性是供应链风险管理的关键杠杆，当组织灵活性水平较高时，组织可以对快速变化的市场条件作出有效反应，并灵活进行资源部署。部门协同是指数据团队通过与其它部门协同，整合并优化各种专业知识以确保大数据为企业提供长期竞争优势。Akhtar等[17]研究发现，企业通过集体学习和共享大数据知识，可以实现多学科人才能力互补，显著提升企业创新绩效。

(3)大数据价值创造活动是有成本的，企业资源要素研究重在探索该活动所需的有形资源与无形资源。关于有形资源，学者主要分析互补性资产的作用。Yu等[15]基于中国制造企业的实证研究表明，互补性资产促使企业积极应用新方法和新技术、投资新机械和新设备，并将这些创新转化为自身竞争优势。关于无形资源，学者主要分析大数据文化的作用，要求企业从数据中提取关键信息并作出相应决策。Dubey等[18]将大数据文化作为企业维持竞争优势的关键调节因素，发现拥有较强大数据文化的企业可以清晰制定发展目标，更容易从大数据投资中实现商业价值；Shamim等(2019)指出，大数据文化能够显著促进有形资源整合，通过引导各类技术、设备、财务等资源组合提升企业创新绩效。

(4)企业自身资源有限，需要借助外部合作网络完善大数据价值活动所需资源。网络合作要素体现为企业与联盟伙伴建立互补、协同和专业化关系，这种关系通过合同或长期协议加以保护，并随着新成员的加入而动态变化，致力于在合作伙伴之间进行有形资源或无形资源交换。当前研究主要关注数据共享价值，Santoro等[3]认为，企业利用数据共享机制融合内外部数据并管理开放数据网络，确保联盟合作伙伴之间数据功能互补，从而形成更强劲的价值创造能力。

4.2.2 阻碍力

当前，对大数据价值创造阻碍力的研究聚焦于探讨大数据安全问题。Sena等[22]指出，个体及组织不断生成新数据，这些数据也在不断被收集与利用，导致传统数据安全防范机制面临巨大挑战，侵犯隐私、数据滥用等问题已严重制约大数据价值创造活动的顺利开展。

(1)侵犯隐私。有些学者发现，大数据平台安全性和隐私保护政策是大数据使用的主要障碍，企业目前存在只重视数据获取而忽视数据保护的问题，因此数据使用和协调过程往往会超越组织控制范围(Kallinikos & Constantiou, 2015)。Colombo & Ferrari(2015)研究发现，虽然电子商务平台基于顾客消费记录、社交记录等数据为顾客定期提供个性化产品或服务，但也意味着顾客隐私在此过程中被公开，而“用隐私换产品或服务”最终可能演化为“大数据杀熟”行为；Van den Broek & Van Veenstra(2015)指出，为实现数据驱动发展的目标，有些企业可能会通过数据倒卖或数据寻租等方式牺牲用户隐私。

(2)数据滥用。有些学者认为在互联网平台企业快速成长背景下，顾客不再是单纯的消费者，也成为产品本身，导致网络购物、交通出行等领域的数据滥用行为愈发普遍(Krafft等, 2017)，“大数据杀熟”行为便是数据滥用的典型表现之一。Sena等[22]研究发现，虽然个性化是改善客户体验并最终提高企业业绩的有效途径，但并不意味着企业可以牺牲客户利益为代价获取大数据价值，而需要遵守行业规范，避免非法或不道德的数据使用行为；Nie & Chen(2019)研究发现，数据滥用问题会制约经济发展，这是未来值得关注的重点领域。

通过回顾文献发现，当前学者主要从过程机理和内在机理两个方面对大数据价值创造机理进行研究。在此基础上，学者们探讨大数据价值创造过程的边界条件，聚焦于分析大数据应用的“双刃剑”效应。总体而言，当前管理和商业领域大数据价值创造机理研究仍未跳出传统研究思维，所选取的中介变量、调节变量都是以往研究中的常用变量。实际上，大数据有其特殊性，其不同于物理资源，是一种取之不尽、用之不竭的新资源，这对资源基础理论解释逻辑形成新挑战。因此，有必要强化传统理论与大数据实践之间的关系，采用合适的理论深入分析不同大数据实践，不断丰富传统理论内涵。

5 结语

5.1 研究结论

通过梳理管理和商业领域大数据价值研究成果，界定大数据内涵，归纳大数据为组织或个体带来的价值类型，总结大数据价值活动过程与适用边界，本文构建管理和商业领域大数据价值研究整合分析框架，如图4所示。

由图4可知，当前管理和商业领域大数据价值研究初步包含价值来源、价值内容和价值创造机理三大研究模块，并取得诸多理论研究成果，各模块内部涉及的变量和因素较多，且存在一些不足。首先，大数据价值来源研究多聚焦于客体来源，对主体来源关注度不高。客体来源研究对大数据“5V”特征与大数据技术的认识较为清晰，为后续融合两者系统界定大数据内涵奠定了基础；主体来源研究主要分析互联网行业、制造业企业相关实践，涉及的行业企业类型较少，未全面展现并解释大数据在各行各业广泛应用的实际状况。其次，大数据价值内容研究主要围绕企业价值链层面展开。效率性价值研究与创新性价值研究基本都是围绕企业价值链业务模块选定研究内容，并且这两类价值最终都指向企业绩效提升。在数字经济背景下，企业价值链业务要素种类及业务流程复杂性持续提高，使得该方面研究出现空白。最后，大数据价值创造机理研究有待加强。目前，过程机理研究比较成熟，学者研究观点较为一致，但边界条件研究却聚焦于推动力因素，对以大数据安全为典型代表的阻碍力因素探讨较少，既不利于衡量大数据价值，也难以有效规范大数据违规行为。

5.2 理论启示

(1)挖掘大数据技术应用场景。大数据具有技术与场景应用的双重属性，其中场景属性是技术属性的载体，处于支配地位，没有场景指向的大数据技术毫无意义。场景分析是管理和商业领域的研究热点与强项(Verhoef等, 2017)，未来应在深入理解大数据技术特征的基础上，持续挖掘大数据技术应用场景。一方面，重视场景属性并不意味着放弃大数据技术属性，未来管理和商业领域应借鉴管理科学与工程、情报学以及计算机领域的相关知识，融合大数据场景属性和技术属性，精准界定大数据概念并开发科学的测量工具；另一方面，虽然大数据技术不排斥任何产业，但要成为驱动多产业发展的“引擎”，需要系统考察大数据技术在不同产业中的适用性问题。例如，打散产业链结构，找到大数据技术应用于相应产业的关键切入点，探索其产业发展方向和路径。

(2)挖掘大数据情境下人的改变与物的改变。一方面，大数据不仅是技术变革，现有资源、组织模式、员工素质也需要随之进行系统性改变[6]，如何实施这些变革值得深入探讨。例如，大数据平台开放性特征使得企业能够更便捷地获取资源，但引入数字技术要求员工具备较强的综合素质和专业技能，为使员工使用数字基础设施和数字平台，企业应为员工提供知识学习和培训服务，使其迅速成长。另一方面，挖掘企业管理者融合客观数据和主观认知的有效路径，以便作出更合理的价值决策。目前，关于二者融合机制的研究仍处于“黑箱”状态，未来有必要结合具体案例，挖掘企业高管如何将客观数据和主观推断有机结合，动态调整企业运营模式以匹配企业价值主张，从而实现大数据价值。

(3)基于“前因—活动”导向，探讨影响企业使用大数据的关键因素。一方面，现有研究主要以“活动—结果”为导向，探讨企业应用大数据会产生哪些影响，对于企业在何种情境下更愿意开展大数据活动的探讨较少。未来应加强对动态能力、组织资源前因的探讨，有效补充“活动—结果”导向研究。另一方面，在“活动—结果”导向研究中，关于阻碍力的探讨远远不够。目前，主要关注大数据安全问题，但未将这些问题细化。伴随着经济发展，新阻碍力因素不断涌现，如使用开放性平台可能会揭露企业存在的不良声誉问题，阻碍企业资源获取，让其他竞争对手捷足先登，对这些问题需要持续跟踪。

5.3 实践启示

2020年4月9日，中共中央、国务院发布了《关于构建更加完善的要素市场化配置体制机制的意见》，将数据作为一种新型生产要素写入文件，提出要充分挖掘数据要素价值，根据数据性质完善产权制度，制定数据隐私保护制度和安全审查制度。在此背景下，为有效开发大数据所蕴含的价值，实践界应回答好“如何利用”与“如何监管”两大问题。

(1)为解决“如何利用”的问题，应大力培育新型实体企业。实践界应以“数实融合”为理念，培育同时具备实体企业基因与数字技术能力的新型实体企业，带动传统产业链条从研发、制造到销售实现线上线下融合。①传统实体企业应积极融入数字技术，互联网企业也应积极探索融入实体经营要素；②新型实体企业应同时掌握实体业务与数字技术，积极发挥“以实助实”的新型数字赋能作用；③新型实体企业属于新兴事物，已有相关政策针对性不强，因此政府应完善新型实体企业扶持与管理政策。

(2)为解决“如何监管”的问题，应持续完善数据全流程监管体系。2022年7月21日，国家互联网信息办公室依据《网络安全法》《数据安全法》《个人信息保护法》《行政处罚法》等法律法规，对滴滴全球股份有限公司处以80.26亿元的罚款。滴滴事件不仅说明数据安全问题的严峻性，同时也反映出当前数据监管有规可依，监管部门对此极为重视。鉴于大数据应用复杂性高、更新快，未来应持续加强事前培训以及事中、事后监管。为此，监管部门应继续完善大数据信息相关法律法规，明确大数据获取、分析、利用等环节的权责关系。另外，行业也应加强自律，对从业人员进行教育培训，严格规范大数据技术应用基本标准和整体流程，规避大数据应用带来的负面效应。