基于NVivo的決策模型構建及應用

◎陳鑫鳳

NVivo是一種重要的質性研究分析工具，適用于團體討論、訪談、調查、錄像、音頻、社交媒體等非數量信息的處理。NVivo通過節點和編碼，完成不同格式文件資料的提煉和萃取。目前，在會計領域中使用NVivo工具的文獻較少，將NVivo工具運用到會計研究中能夠給會計研究帶來新的思路，例如王翠文等以瑞華事務所為例運用NVivo工具，基于扎根理論清楚地分析了審計質量影響因素，不論在理論上還是實踐上都具有深刻的借鑒意義。尤其是在數字化經濟時代下，會計研究中的數據類型不再僅限于結構化數據，還包含非結構化數據，如何進行數據分析成為一個值得考慮的問題？在國外已有許多根據訪談數據、社交媒體發布的數據等為基礎撰寫的會計類研究文獻，例如，DainC.Donelsondetal等作者所寫的文獻從數據上就將實踐和理論聯系了起來，并提出有參考價值的新穎觀點。NVivo工具是在這其中發揮著重要作用，它是分析訪談數據的重要工具。然而在國內，此類型的文獻并不多見。

NVivo可以增強定性研究過程，快速處理查詢，并擴展分析途徑。然而，在使用之前，必須考慮以下因素：培訓時間、建立編碼器之間的可靠性、文檔的數量和長度、編碼時間、編碼結構、自動編碼的使用，以及可能需要單獨的數據庫或額外的支持軟件。本文建立了一個NVivo決策模型，以確定何時將NVivo作為一個合適的會計研究定性分析工具。

一、決策模型

NVivo決策模型是可以幫助會計研究人員確定NVivo是否適合他們項目的定性需求，作為手工分析數據的替代工具。NVivo決策模型所示。NVivo決策模型包括數據管理團隊在項目期間遇到的問題。NVivo決策模型構建如下圖1：

圖1 NVivo決策模型

二、NVivo決策模型解釋

1.學習NVivo工具的時間成本。

會計研究者是否學習NVivo首先要考慮的問題是自身進行定性分析的頻率。如果研究者不經常做定性研究，并且數據量有限（少于20個訪談或焦點組），那么采用手工分析更有效和更便宜。如果會計研究人員經常進行定性分析，則需要繼續考慮以下因素：個人對手工或計算機分析的偏好、軟件成本、對未來項目使用NVivo的預期以及學習NVivo所需的時間投資。根據經驗每個學者起碼要花費15-20個小時的訓練，才能學會NVivo工具，并且訓練時間會隨著編碼器的增加而延長。此外，應考慮要編碼的文件的數量、文件的長度、編碼的詳細程度以及編碼后對數據庫的操作數量。如果會計研究者研究的項目是小項目或需要的結果僅僅是一個廣泛的主題，手工分析數據是更有效的。然而，對于大型項目、多個項目、有穩定的數據分析團隊的項目，或者需要深入詳細分析的項目，NVivo可能更有效。個人對NVivo的熟練程度也可能決定使用NVivo進行分析是否更節省時間。由缺乏經驗的用戶進行的項目將比由有經驗的用戶進行的項目需要更多的時間。

2.編碼結構。

為了保證編碼器間的高可靠性，編碼結構設計得簡單明了。簡單編碼結構存在的一個缺點是不夠承受，在實際的操作過程中，編碼人員需要多花時間通過協商來開發成熟的編碼結構，確定好預先的初始編碼結構。在整個編碼過程中，編碼人員的定期會議允許添加編碼結構。因此，隨著文檔被添加到數據庫中，更成熟的編碼結構也隨之發展。簡單編碼結構存在的另外一個缺點是數據分析會變得更加復雜，即每個節點中有更多的信息供研究人員閱讀和分析。如果研究人員決定手工編碼數據，還需要開發某種程度的編碼結構。開發編碼結構所需的時間長短，不論采用人工或計算機方法，都有很大的不同。要考慮的變量包括研究人員的數量和數據分析中需要的詳細程度（主題演變vs。深度分析）。

3.自動編碼。

自動編碼是NVivo的一個功能，允許通過嵌入在文檔中的文本字符串或節標頭自動編碼文本文檔。除了節省時間外，當文件導入NVivo時，計算機自動編碼可以讓會計研究人員立即調查選定的訪談數據部分。然而，自動編碼功能需要一個一致和系統的訪談和轉錄過程。若有多個不同的網站轉錄訪談，有人擔心，由于轉錄員沒有接受過使用特定轉錄格式的培訓，按章節標題自動編碼將導致可靠性下降。因此，在這個項目中沒有使用自動編碼。為了更好地利用NVivo的自動編碼功能，可以準備一個轉錄人員可以遵循的模板。但是，轉錄人員必須經過培訓，以免在無意中改變模板，導致編碼無效。如果編碼是手工完成的，自動編碼是不可選的，所以如果使用計算機化的方法，這一特性有可能節省時間和金錢資源。

4.格式。

通過使用多信息文本格式將轉錄本導入NVivo，可以保留諸如斜體、粗體、下劃線和字體顏色等格式。相對于一些只接受純文本的舊軟件包，如NUD*IST和N6，這是一個重要的改進。在多信息文本中，會計研究人員可以很容易地將采訪者和受訪者的文字區分開來，并且轉錄者對錄音帶的任何強調都被保留。不僅如此，編碼人員被指示將他們認為在搜索過程中有用的任何關鍵字的字體顏色改為紅色。紅色使在文檔中很容易找到關鍵詞。如果不使用多信息文本格式，開發關鍵字列表的這種策略是不可能的。通過突出顯示文本等手動進行分析時，也可以完成格式化。但是，在使用計算機時，有更多的格式化選項，包括粗體和斜體。

5.合并NVivo軟件。

合并為NVivo提供了一個預備的“校準”步驟，在此過程中，研究人員對兩個數據庫進行比較，可以決定是否應該生成一個新的組合數據庫。用戶可以決定如何處理兩個數據庫之間不匹配的任何文檔、節點或屬性。例如，用戶可以決定跳過不匹配的文檔、重命名文檔或完全中止對齊。如果合并將在項目的后期完成，則需要特別注意項目開始時用于文檔、節點和屬性的命名約定。此外，在兩個數據庫對齊后生成的對齊日志應該被仔細檢查，以確保適當且一致地處理了相似的文檔、節點和屬性。雖然額外的軟件需要財務資源，而不需要手工分析，它可能是錢花在大型項目和使用多個編碼器在多個數據庫。

三、NVivo決策模型應用

大數據由高容量、高速度和高種類的數據資產組成，大量實時或幾乎實時的數據不斷生成，并以多種形式和各種來源提供，如社交媒體應用程序、購物門戶、搜索引擎、傳感器、智能應用程序和物聯網。實際上這些數據所有企業都可以訪問，大數據分析在業務管理的各個方面變得越來越重要。這是由大規模數據的存在和管理層將決策根植于數據的愿望所驅動的。關于在企業層面使用大數據和大數據分析技術的有效性的相同主張也適用于供應鏈管理（SCM）。例如，Govindan等人認為數字技術可以通過提高效率來幫助企業改善供應鏈績效。Khan等人認為數字化供應鏈可以有效降低企業供應鏈風險。Li等人表明，通過使用大數據網站分析行為數據可以更好地管理需求并提高供應鏈績效。Shao等人提出了一種基于大數據分析的方法，用于識別和分類關系供應商。盡管大數據分析在支持企業和供應鏈層面的決策方面具有潛力，但對在企業如何在實踐中建立其大數據分析能力并克服相關的組織挑戰仍然缺乏了解。本文打算了解企業在建立與供應鏈相關的BDA能力時使用的機制。具體而言，我們的工作旨在回答以下研究問題：哪些因素決定了企業建立大數據分析管理其供應鏈的能力？為了回答這個問題，本文使用基于NVivo的探索性歸納方法。

1.研究和數據收集的設計。

本文使用關鍵線人訪談和主題分析作為選擇的方法，遵循半結構化的開放式訪談形式，以便在研究設計中最大限度地激發信息。本文的目標是從位于具有對比特征的地點的企業收集數據，以便能夠收集有關不同環境中大數據分析能力發展的最大見解。本文采訪的14個關鍵線人，他們在企業擔任供應鏈部門中最高級的職位。因此，它們不僅代表了對這個問題的個人經驗，而且代表了企業層面的觀點。因此，我們的數據代表了14家企業。通過多種渠道與受訪者進行了接觸。

2.數據編碼。

使用Nvivo軟件記錄和轉錄訪談，以分析和編碼數據，具體編碼內容如表1所示。

?

3.研究結論。

（1）在競爭更激烈的外部環境中，大數據分析能力發展在企業中得到顯著增強。導致企業對技術增強或能力發展進行重大投資的最大外部因素之一是競爭壓力。企業的成長和能力發展被置于競爭環境的范疇內。一些企業轉向大數據分析技術以保持競爭力并保持對客戶的吸引力。在那些企業面臨日益激烈的競爭的情況下，情況尤其如此，因為他們的競爭對手采用了這些技術。

（2）在采用專用方法進行數據管理并使用高級軟件的企業中，大數據分析能力發展顯著增強。就發展大數據分析能力的技術準備情況而言，我們在數據分析中出現的一個重要方面是數據管理。在訪談中，SCM高管一再指出數據管理是影響大數據分析技術能力積累的最重要因素之一。只有通過積極的數據管理，大數據分析的核心能力才能富有成效。在某些企業中管理者對SAP和ERP軟件的功能缺乏認識，他們并不知曉這些軟件帶有內置的預測系統，并使用高級分析技術來實現高質量的規劃，這使得他們進行數字化改革難度加大。

（3）在人力資源環境良好的企業和有大數據分析培訓計劃的企業中，大數據分析能力發展顯著增強。缺乏熟練掌握新技術的人才資源可能對企業的技術規劃和能力提升有害。對于不斷發展的技術，熟練數據分析操作的人才資源既不容易獲得，也不容易開發。缺乏熟練數據分析操作的人才資源可用性會阻礙企業的快速能力建設。將與數字化供應鏈條的所有員工進行針對性的培訓上崗是一項挑戰，其時間成本和經濟成本都很高。

四、未來研究展望

本工作是探索性研究，提出了一定的命題和框架。這些是基于研究人員對數據的解釋和收集這些數據的情況。在任何半結構化的訪談設置中，訪談者的角色是有限的，以引出訪談者討論的廣泛話題，因此，理論上是說的通的。如前所述，我們依次進行了訪談、轉錄和編碼。因此，我們可以在訪談和數據中找到相似的模式。由于模式的相似性沒有經過結構化問卷和調查的干預就出現了，我們可以可靠地假設這些結果是穩健的、可推廣的。在可泛化性方面，我們需要討論的是，該領域的方法學研究已經區分了理論泛化和統計泛化。這篇論文并沒有聲稱我們的發現具有統計上的普遍性。然而，穩健的數據收集工作、信息提供者的質量和理論驅動的發現支持我們的結論是有理論基礎的，并可以在未來的研究中得到實證驗證。雖然采取了適當的注意，以確保作者在分析數據時不存在任何偏差，但可能會出現意想不到的偏差。需要進一步的分析、研究和基于數據的大規模統計研究來確認我們工作的結果。其次，我們進行了一項橫截面研究，在該研究中，我們收集了來自多個公司和管理者關于大數據分析能力開發和問題的狀態的數據。這種方法使我們能夠廣泛地撒網。它適合于第一次探索性研究。這樣的研究設計收集所有可能影響公司的因素是合適的。與其他公司相比，其中一些因素可能對某些公司更為相關。為了更深入地研究能力發展，可以采用縱向案例研究作為后續研究。