大數據分析能力、動態能力與制造企業商業模式創新

摘 要：商業模式創新是企業競爭優勢的重要來源。制造業是國民經濟的主體，是立國之本、興國之器、強國之基。因此，探討制造企業商業模式創新路徑具有重要理論和現實意義。從資源編排視角與能力層級觀視角出發，構建大數據分析能力—動態能力—商業模式創新理論模型，基于中國286家制造企業一手調研數據，采用PLS結構方程進行實證檢驗，結果顯示：大數據技術能力、大數據應用能力對新穎型和效率型商業模式創新發揮促進作用；動態能力在大數據技術能力、大數據應用能力與新穎型商業模式創新間發揮部分中介作用，在大數據技術能力、大數據應用能力與效率型商業模式創新間發揮完全中介作用。結論可為數字經濟背景下我國制造企業商業模式創新提供管理啟示。

關鍵詞

關鍵詞：大數據分析能力；資源編排；動態能力；商業模式創新

DOI：10.6049/kjjbydc.2023040398

中圖分類號：F274

文獻標識碼：A

文章編號

文章編號：1001-7348（2024）24-0107-11

0 引言

中共二十大報告提出，“高質量發展是全面建設社會主義現代化國家的首要任務”。制造業是立國之本、強國之基，是國家經濟命脈所系。推動制造業高質量發展，是我國經濟高質量發展的核心內容，也是加快社會主義現代化建設的重要基礎。數字經濟時代，行業環境復雜多變，制造企業需要通過打造創新價值網絡和重構交易體系進行商業模式創新，以避免自身在全球經濟轉型過程中被侵蝕。在此背景下，探索制造企業商業模式創新路徑，對于我國經濟高質量發展具有重要理論意義與現實價值。

大數據作為重要生產要素（謝康，2020），其具備的潛力與價值日益凸顯。企業需要借助大數據分析能力（Big Data Analytics Capability，下文簡稱BDAC）實現商業模式變革，從而構建可持續競爭優勢。國內外學者圍繞商業模式創新與大數據分析能力的關系進行了探討：首先，從影響機理看，現有大數據分析能力對商業模式創新的影響機制研究鮮見，這顯然不利于企業通過挖掘大數據價值實施創新活動（曾鏘，2019）。其次，從大數據分析能力演化看，早期研究將大數據分析能力視為基于數據分析的組織能力［1］，近期研究認為大數據分析能力是低階動態能力［2］，然而相關實證研究匱乏。再次，從研究視角看，已有研究主要從動態能力理論［3］、學習導向理論［4］、制度理論（謝衛紅等，2018）等視角切入。此外，作為戰略管理研究領域的理論工具，資源編排理論強調動態環境下，企業需要對關鍵資源進行編排并利用這些資源創造價值，進而獲得持續競爭優勢（荊浩和尹薇，2021）。王炳成等（2022）指出，資源編排是企業實現商業模式創新的重要條件。因此，資源編排可作為大數據分析能力與商業模式創新關系研究的新視角。最后，從商業模式創新維度看，現有研究大多將商業模式創新視為單維度概念，探討其與大數據分析能力的關系［2，4］。然而，基于熊彼特創新理論與交易成本理論，可根據價值創造來源將商業模式創新劃分為新穎型商業模式創新與效率型商業模式創新［5］。綜上，現有研究尚未基于資源編排視角，探討大數據分析能力與商業模式創新的關系。

因此，本文基于能力層級觀，從資源編排理論視角切入，將大數據分析能力視為組織普通能力與動態能力間的低階動態能力［6］，以制造企業為研究對象，探討大數據分析能力與新穎型商業模式創新及效率型商業模式創新的關系，以及動態能力在其中的作用，以期為解釋商業模式創新問題提供新視角，進而為我國制造企業大數據創新實踐提供理論參考。

1 理論基礎

1.1 大數據分析能力

大數據分析能力是指企業有效部署技術和人才，通過捕獲、存儲和分析數據獲得的獨特洞察力［7］。基于資源基礎觀，Gupta＆George［8］認為，BDAC是指企業構建、整合和利用特定大數據資源的能力，包括有形資源、無形資源和人力技能3個維度；謝衛紅等（2018）認為，BDAC包括資源獲取能力、分析整合能力以及應用能力3個維度；Alnuaimi等［9］基于資源編排視角，將BDAC劃分為技術能力（Technological capabilities）和人力能力（Human capabilities），前者由技術基礎設施與數據兩種有形資源捆綁而成，后者由管理技能與員工技能兩種無形資源捆綁而成。其中，管理技能是指管理人員了解公司當前及未來需求，知悉如何使用大數據的能力；員工技能是指員工使用新型技術從大數據中提取知識的能力。由此可見，人力能力（Human capabilities）是涉及管理者和員工應用大數據的能力。

大數據分析能力不僅是技術能力，而且是管理大數據資產和協調運作活動的能力。數字經濟時代，企業能否利用大數據開展商業模式創新，取決于其整合、利用和洞察大數據的能力［4］。相關研究表明，大數據應用可以有力推動創新成果商業化（楊世宏和董曉宏，2023）。因此，基于Alnuaimi等［9］的研究成果，本文將大數據分析能力劃分為大數據技術能力與大數據應用能力兩個維度。一方面，本文基于資源編排視角，將大數據分析能力劃分為技術和應用兩個維度，揭示企業利用大數據技術能力挖掘數據信息并利用大數據應用能力合理利用數據信息的動態過程，契合資源編排理論；另一方面，沿襲了Alnuaimi等［9］的研究成果，上述維度劃分方式能夠體現出大數據應用的動態性和變革性等特征。

大數據技術能力與大數據應用能力是企業基于大數據對組織內部資源和能力進行整合、重構的重要環節。其中，大數據技術能力強調通過整合內外部原始數據進行技術分析［9］，從中獲取獨特的市場洞察力以提供決策支持，能夠揭示企業依托大數據構建資源組合對內部資源結構化的影響過程；大數據應用能力強調通過管理者的管理技能以及員工數據技能，將獲取的洞察力嵌入組織生產經營活動［2］，從而優化企業資源捆綁化與資源杠桿化過程。

1.2 動態能力

動態能力是指企業在動蕩環境中整合、建立以及重新配置內部和外部資源以培育組織適應性的能力［10］，包括感知、抓住和轉化3個維度［11］。現有研究大多基于過程觀、職能觀、慣例觀、能力層級觀展開討論［12］。Teece［13］將動態能力劃分為低階動態能力與高階動態能力。低階動態能力包括企業對現有普通能力的調整和重組，以及對新能力的培育。此外，他指出，由“感知、抓住、轉化”三維度構成的動態能力是高階動態能力。基于Teece［13］的研究成果，本文將由感知能力、抓住能力和重新配置能力3維度構成的動態能力界定為能力層級觀框架中的高階動態能力（High-order dynamic capabilities），該能力可以修改組織普通能力或低階動態能力（Low-order dynamic capabilities）［6］。

Ciampi等［2］指出，大數據分析能力是低階動態能力，可以通過促進高階動態能力提升價值創造水平。借鑒上述觀點，本文將大數據分析能力視為低階動態能力。如果企業僅具備大數據分析能力，而不具備從大數據中提煉信息、感知機會、抓住機會，進而重新配置現有資源的能力，就無法實現商業模式創新。換言之，企業需要將大數據分析能力提升為高階動態能力。因此，能力層級觀可為大數據分析能力對商業模式創新影響的研究提供切入點。

1.3 商業模式創新

商業模式創新作為顛覆性創新范式，是指企業對現有資源基礎進行調整、重組的持續性資源變革過程（張璐等，2019）。過程視角下，商業模式創新可解釋為由諸多相互聯系活動構成的業務體系，包括價值鏈活動、顧客選樣、產品或服務選擇等，能夠描述企業價值創造、獲取、傳遞過程［14］；商業生態系統視角下，商業模式創新表現為交易活動體系中的交易內容、交易結構與交易治理機制等要素重組及優化過程［5］，包括新穎型商業模式創新和效率型商業模式創新。

隨著大數據和物聯網技術飛速發展，制造企業有機會利用上述技術開辟新的市場，并重新思考現有收入模式與成本架構［2］。此外，基于熊彼特創新理論與交易成本理論，本文根據價值創造來源將商業模式創新劃分為新穎型商業模式創新與效率型商業模式創新［［5，15］。新穎型商業模式創新是指在商業活動參與者間構建新的經濟交流方式，本質上是基于新的聯系方式、交易機制、治理形式等商業模式構成要素，將更大范圍內的經濟行為主體聯結起來；效率型商業模式創新是指通過采取措施提高交易網絡內各參與者的交易效率，目的是降低各方交易成本與復雜程度。數字經濟背景下，商業模式創新成為企業創新主體和載體，有助于企業獲取超額租金，從而獲得可持續競爭優勢。

1.4 大數據背景下的資源編排

數字經濟背景下，我國新興商業模式相繼涌現。大數據的流動性、外生性使得傳統資源的VRIN屬性模糊，進而導致企業內部數據資源的位置壁壘逐漸消失。因此，數據資源動態管理及配置機制成為企業通過大數據資源與能力協奏創造價值的關鍵。結合資源管理過程思想與資產編排協同思想［16］，資源編排理論認為，資源構建、捆綁和利用是企業實現價值創造并獲得競爭優勢的有力支撐，其主要包括3個動態演化過程［17］，具體如下：資源結構化，是指企業通過獲取、積累和剝離資源形成資源組合；資源捆綁化，是指企業通過穩定、豐富和開拓資源組合構建新的能力或改變現有能力；資源杠桿化，是指企業利用資源、能力和特定市場機會為客戶創造價值。以上3個維度并非并列關系而是順承關系，三者貫穿于組織資源編排行為過程中。基于資源編排理論，對資源進行有效管理，加快資源—能力—價值創造轉化，才是將資源轉化為持續競爭優勢的關鍵步驟［16］。數字化轉型背景下，商業模式創新是組織基于數字資源形成的能力驅動內外部資源編排，進而實現商業模式架構各要素變動的連續過程。綜上所述，基于資源編排理論的“資源—能力—價值創造”動態演化框架是探討大數據分析能力對商業模式創新影響機制的有效工具。

2 理論假設

2.1 大數據分析能力與商業模式創新

資源編排視角下，大數據技術能力、大數據應用能力通過賦能組織一系列資源編排行為對商業模式創新產生影響。

基于資源編排視角，大數據技術能力對商業模式創新的影響主要通過資源結構化機制實現，具體包括：①從企業內部及外部環境中獲取必要資源；②剝離與企業發展無關的無用資源，進而降低成本。

一方面，大數據技術能力有助于企業通過獲取內外部資源和信息實現新穎型商業模式創新，具體而言：借助大數據技術能力，企業從外部利益相關者處獲取戰略資源并建立內部知識庫，以此在交易網絡中與合作伙伴構建全新的聯結關系。大數據技術能力可以幫助企業依托內外部數據了解前沿生產技術，進而先于競爭對手洞察市場需求（曾鏘，2019），有利于企業開辟新的市場，并由此提出新的價值主張。大數據技術能力可以幫助制造企業深入搜尋市場主體信息［17］，突破行業信息壟斷，進而在交易網絡中擁有更高的自主權、議價權，并依托交易內容、交易機制聯結多元化合作伙伴，更新交易網絡治理機制，實現新穎型商業模式創新。

另一方面，大數據技術能力幫助企業通過剝離無效資源、降低成本實現效率型商業模式創新，具體而言：大數據技術能力有助于企業構建社會網絡關系，進而降低資源搜尋、獲取成本。動蕩環境下，相較于內部資源開發行為，外部資源內化行為的不確定性風險更小［18］。借助基于客觀數據的洞察力，企業可以從供求關系中了解市場需求偏好，進而剝離無效資源，將生產資源有效轉化為市場需要的產品或服務。企業通過大數據分析可以深入挖掘現有資源價值，及時發現衰退業務，通過激活內部資源剝離程序優化業務的成本結構與交易模式，進而提高企業交易效率，實現效率型商業模式創新。綜上所述，本文提出以下假設：

H1a：大數據技術能力對企業新穎型商業模式創新具有正向影響；

H1b：大數據技術能力對企業效率型商業模式創新具有正向影響。

基于資源編排理論，大數據應用能力越強，企業越能將大數據資源與其它資源進行整合，進而構建獨特、不可模仿、不可替代的資源束，實現商業價值創造。這一過程體現出資源捆綁化與資源杠桿化思想。

對于新穎型商業模式創新而言，大數據應用能力可以幫助企業實現資源柔性配置，通過構建數據資源與其它生產性資源的最佳組合，為客戶提供多元化價值主張，從而促進制造企業創新能力躍遷升級（許暉和張海軍，2016）。企業通過對大數據的轉化利用促進流程與業務創新，進而調整自身商業模式架構以實現內外部商業要素動態匹配，加快產品、服務研發過程，拓寬業務渠道和收入來源，實現新穎型商業模式創新。對于效率型商業模式創新而言，大數據應用能力可以幫助企業實現跨部門和跨邊界的信息溝通與資源共享，拓展資源整合、利用深度與廣度，促進內部生產性資源向終端產品轉化，從而降低生產經營過程中的隱性成本。管理者及員工通過協調、應用數據資源促進隱性知識在組織內部流通［19］，強化企業對新穎性信息、知識的吸收能力并降低此類知識在組織內部流動成本。企業所處交易網絡中存在大量松散耦合的正式與非正式協作關系，大數據應用能力可以幫助企業與外部交易伙伴實現資源協調配置，強化網絡節點間的承諾與信任，降低資源交易成本，緩解信息不確定性、復雜性等問題［9］。綜上所述，本文提出以下假設：

H2a：大數據應用能力對企業新穎型商業模式創新具有正向影響；

H2b：大數據應用能力對企業效率型商業模式創新具有正向影響。

2.2 大數據分析能力與動態能力

基于資源編排視角，大數據分析能力可以驅動企業資源編排行為，將具有自生長性、可供性的大數據資源與企業其它資源進行整合，進而提升企業高階動態能力［20］。

一方面，大數據技術能力可以幫助企業洞悉外部環境變化，挖掘市場新需求以及潛在風險。首先，基于大數據分析的洞察力可以幫助企業準確了解環境變化并抓住潛在商業機會，對市場進行重新定位，進而強化自身感知能力［7］。同時，基于大數據分析的洞察力能夠提高企業對資源有效性的掌控度，進而實現資源結構化。其次，大數據技術能力可以幫助企業捕獲外界機會、實現內外部資源互補，進而實現資源捆綁，通過構建特有的資源束提高企業對市場機會的捕獲能力。最后，借助基于大數據分析的洞察力，企業能夠及時感知外部環境變化，通過提升環境應對能力，重新資源配置。此外，Schilke等［12］研究表明，大數據分析這一數字技術被認為是促進組織動態能力發展的重要因素。

另一方面，大數據應用能力可以幫助企業有效嵌入業務流程，擴大組織決策范圍，從而制定更多解決方案。首先，借助抽象的洞察力，企業能夠把握大數據的機會窗口，提升知識對市場機會的捕捉能力。其次，借助管理者的大數據管理經驗，企業能夠實現資源統籌，解決各部門間的數據孤島問題，加強各部門對解決方案的執行落實。在此過程中，企業能夠及時剝離資源利用率低下的業務，通過優化資源結構對現有業務模式和資源進行調整，進而強化組織資源配置能力，最終強化動態能力。綜上所述，本文提出以下假設：

H3：大數據分析能力（低階）對企業動態能力（高階）具有正向影響。

H3a：大數據技術能力對企業動態能力具有正向影響；

H3b：大數據應用能力對企業動態能力具有正向影響。

2.3 動態能力的中介作用

現有相關研究認為，企業動態能力對商業模式創新具有積極影響［13］。一方面，動蕩數字環境下，借助動態能力，企業通過減少路徑依賴并更新組織慣例突破資源困境，從而實現商業模式創新［21］。因此，借助動態能力企業能夠破除內部剛性和惰性并整合內部決策行為，發揮大數據資源優勢。另一方面，考慮到大數據的時效性，以及將洞察力轉化為可操作性方案的難度（曾鏘，2019），機會窗口稍縱即逝。借助動態能力，企業能夠及時、準確地識別并捕捉稍縱即逝的機會。當擁有較強的大數據分析能力時，企業能夠快速將數字資源轉化為知識資源，更好地將現有資源與潛在商業機會匹配，從而實現商業模式創新。

基于大數據分析的洞察力可以幫助企業實現外部戰略資源獲取（賴曉烜等，2023）。資源是組織能力發展的基礎，能力是資源形成和演化方向［22］。因此，企業在利用大數據對現有資源組合進行拓展、利用過程中，通過優化和重構資源組合推動動態能力發展［23］，提升自身對環境和技術的認知能力，進而在市場生態中創造新的商業價值，最終實現新穎型商業模式創新。企業可以借助大數據技術能力獲取、分析、整合內外部數據并獲取有價值的知識，洞察市場機遇與潛在風險。借助基于大數據分析的洞察力，企業能夠比競爭對手更快地感知、捕獲機會，進而創造價值。由于大數據的復雜性，以及大數據分析應用經驗匱乏，企業難以將有價值的經濟信息應用于組織運營生產流程中［24］。一方面，組織需要借助動態能力突破對原有業務流程的路徑依賴，變革現有組織架構、資源配置模式、運營流程及慣例［12］；另一方面，組織需要借助基于大數據分析的洞察力加快各層級業務流程融合，實現新技術應用、業務結構變革以及管理流程優化等（曾萍等，2016）。因此，本文出以下假設：

H4：動態能力在大數據分析能力與新穎型商業模式創新間發揮中介作用。

H4a：動態能力在大數據技術能力與新穎型商業模式創新間發揮中介作用；

H4b：動態能力在大數據應用能力與新穎型商業模式創新間發揮中介作用。

基于大數據分析的洞察力可以幫助企業高效獲取互補性資源，進而提高企業行動效率以及資源存量（劉新梅等，2017）。此外，企業可以借助大數據分析能力獲取龐雜數據中的社會、商業信息并將其融入商業模式變革中，進而提高問題解決能力并降低交易成本，實現效率型商業模式創新。較強的動態能力可以幫助企業保持對外部信息的敏感性，有助于企業消化所獲取的有價值信息，進而通過調整資源配置變革現有業務、服務以及業務伙伴關系，實現商業模式創新（曾萍等，2016；龐長偉等，2021）。動態能力可以幫助企業協調現有資源，拓寬資源行動路徑，激活內外部資源［21-22］，通過擺脫組織惰性、更新原有組織慣例實現資源與能力協奏，進而促進企業商業模式架構中各要素優化重組［25］，提高企業與業務伙伴交易效率。因此，本文提出如下假設：

H5：動態能力在大數據分析能力與效率型商業模式創新間發揮中介作用。

H5a：動態能力在大數據技術能力與效率型商業模式創新間發揮中介作用；

H5b：動態能力在大數據應用能力與效率型商業模式創新間發揮中介作用。

綜上所述，本文構建概念模型如圖1所示。

3 研究設計

3.1 樣本選擇與數據收集

本文通過問卷調研方式收集數據，選擇2016—2021年長三角地區制造企業作為調查樣本，制造企業劃分依據為2019年國家統計局修訂后的《國民經濟行業分類和代碼GB/T4754-2017》。長三角地區是全國綜合經濟實力最強、發展活力和開放程度最高的地區，該地區企業面臨的商業競爭壓力更大，商業模式創新程度更高。本文選擇制造企業作為研究對象的原因在于：第一，傳統制造企業具有轉型升級和商業模式創新的迫切需要［26］；第二，制造企業創新能力較強，創新資源豐富［27］，與商業活動參與者交流頻繁、合作廣泛；第三，已有商業模式創新研究均以制造企業為對象［15，28］，本文與以往研究保持一致，能夠驗證結論的普適性。

為了確保量表翻譯的準確性，本文對MBA學員進行預測試并結合實踐對量表中的部分題項進行修正。為確保調查結果的客觀性，本文選取目標企業中高層管理者作為問卷填寫者，后者對公司大數據戰略、業務流程、經營現狀以及創新活動情況具有深入了解。在問卷基礎信息部分，本文設置題項“貴公司利用大數據的時間”“貴公司近5年是否進行過商業模式創新或者其它一系列創新活動”，以便后期剔除非目標樣本。數據正式收集時間為2021年7～10月，共發放問卷422份，回收313份，剔除作答不完整或不符合調研要求的問卷，得到有效問卷286份，問卷有效率67.77%。樣本企業基本情況如表1所示。

3.2 變量測量

在借鑒現有研究量表的基礎上，本文對題項進行適當修改，采用Likert 7點評分法，具體如表2所示。借鑒Gupta＆George［8］以及Mikalef等［7］的研究成果，大數據分析能力由大數據技術能力和大數據應用能力兩個維度構成。其中，大數據技術能力包括基礎數據和分析技術兩個子維度，大數據應用能力包括管理技能和員工技能兩個子維度，且大數據技術能力和大數據應用能力均被確定為二階“反映—形成”型構念。動態能力包括感知、抓住和重新配置3個子維度，被確定為二階“反映—形成”型構念，其測量題項主要參考Wilden等［29］、Mikalef等［7］的研究成果。新穎型商業模式創新與效率型商業模式創新測量題項主要參考Zott＆Amit［5］的研究成果。此外，考慮到企業大數據應用情況，本文將公司年齡（Year）、所有制（Ownership）和規模（Size）作為控制變量。

4 數據分析與假設檢驗

4.1 共同方法偏差檢驗

本文調查問卷采用現有研究的成熟量表，內容表述簡潔、清晰。在數據收集過程中，向被試者表明本次調查采用匿名方式且結果僅用于學術研究，被試者可隨時退出。本文采取Harman單因素方差分析法進行同源誤偏差檢驗，結果發現，獲得未經旋轉的第一個因素的解釋共變量為38.068%（小于40%的標準）。因此，本研究調研數據不存在顯著同源方差問題，可進行后續實證分析。

4.2 信度與效度檢驗

本文采用軟件SmartPLS 3.0以及SPSS 26.0進行信效度檢驗與驗證性因子分析，結果見表2和表3。表2顯示，本研究中的9個潛變量Cronbachs' α系數均大于0.7，表明各變量內部一致性較高；各變量CR值均大于0.8，表明其組合信度較高。此外，各變量具體題項的因子載荷均大于0.7，AVE值均大于0.5，表明模型中的構念聚合效度較高。由表3可知，本文中的9個構念AVE的平方根均大于各構念相關性系數，表明本研究結構方程模型具有較高的區分效度。同時，本文進一步通過交叉載荷（Cross-Loading）檢驗測量模型的有效性。結果發現，各構念下所對應題項的因子載荷均高于上述題項在其它構念下的因子載荷。由此進一步表明，本研究在聚合效度與區分效度上具有良好表現，可以作進一步假設檢驗分析。

大數據應用能力、大數據技術能力和動態能力各一階潛變量的VIF值均小于3.3（見圖2），且各一階反映型潛變量題項的權重均顯著（p＜0.01）。由此表明，本研究不存在嚴重多重共線性問題，二階“反映—形成”型潛變量符合結構方程模型的估計要求。模型1（見圖3）的SRMR指標值為0.069，NFI值為0.872；模型2（見圖4）的SRMR指標值為0.060，NFI值為0.868。由此表明，模型1和2具有較高的擬合度（池毛毛等，2020）。同時，本文通過Blindfolding算法計算Q2值，結果顯示，動態能力、新穎型商業模式創新和效率型商業模式創新的Q2值分別為0.514、0.408、0.340，均大于0，表明本研究模型具有較強的預測相關性［31］。

4.3 假設檢驗

本文采用兩階段偏最小二乘法的結構方程模型（PLS-SEM）對理論模型與研究假設進行驗證。第一階段，通過重復指標法計算所有一階潛變量的得分；第二階段，將一階潛變量的得分代入數據集，以此作為二階潛變量的觀測指標進行估計。

大數據技術能力、大數據應用能力與商業模式創新的關系如圖3所示。由圖3可知，大數據技術能力和大數據應用能力對商業模式創新（新穎型和效率型）具有正向影響。大數據技術能力對商業模式創新（新穎型與效率型）影響的路徑系數分別為0.492、0.576，且p值均小于0.001。由此，假設H1a和假設H1b成立。大數據應用能力對商業模式創新（新穎型和效率型）影響的路徑系數分別為0.355、0.225，且p值分別小于0.001和0.01。由此，假設H2a和假設H2b成立。

在模型1中引入動態能力，檢驗大數據技術能力、大數據應用能力、動態能力與商業模式創新的關系，如圖4所示。由圖4可知，大數據技術能力、大數據應用能力對動態能力具有正向影響，路徑系數分別為0.450和0.417，且P值均小于0.001。因此，大數據分析能力對動態能力具有正向影響，假設H3a、H3b、H3成立。

表4為中介效應檢驗結果。對于新穎型商業模式創新而言，動態能力在大數據分析能力對新穎型商業模式創新影響過程中發揮顯著中介作用（間接效應置信區間上下限內不包含0，且plt;0.001）。同時，由于大數據技術能力（plt;0.05）、大數據應用能力（plt;0.01）對新穎型商業模式創新直接效應的置信區間不包含0，表明動態能力在大數據技術能力、大數據應用能力對新穎型商業模式創新影響過程中發揮部分中介作用。由此，假設H4、H4a、H4b成立。對于效率型商業模式創新而言，動態能力在大數據分析能力對效率型商業模式創新影響過程中發揮顯著中介作用（間接效應置信區間上下限內不包含0，且plt;0.001）。同時，由于大數據技術能力（pgt;0.05）、大數據應用能力（pgt;0.05）對效率型商業模式創新直接效應的置信區間包含0，表明動態能力在大數據技術能力、大數據應用能力對效率型商業模式創新影響過程中發揮完全中介作用。由此，假設H5、H5a、H5b成立。

5 結語

5.1 結論

基于能力層級觀，本文從資源編排視角探討大數據分析能力對商業模式創新（新穎型和效率型）的影響以及動態能力的中介作用，得出以下主要結論：

（1）大數據分析能力對商業模式創新具有顯著正向影響，這與以往相關研究結論一致［4］。企業需要借助大數據分析能力對大數據資源進行挖掘、處理和利用，實現資源部署和協調，驅動資源捆綁化，進而基于自身經營現狀和市場地位實現新穎型與效率型商業模式創新。

（2）大數據分析能力（低階）及其子維度對動態能力（高階）具有正向影響，與部分學者的研究結論一致［1］。大數據分析能力不僅是影響大數據資源潛在價值能否被挖掘和利用的重要因素，而且是促進企業動態能力提升的重要推動力。

（3）動態能力在大數據分析能力與商業模式創新（新穎型和效率型）間發揮顯著中介作用。上述結論響應了易加斌和徐迪（2018）關于“大數據對商業模式創新的作用機制”的研究倡議，是對現有研究的有益補充。具體來說，動態能力在大數據分析能力的兩個細分維度對商業模式創新（新穎型和效率型）影響過程中發揮不同的中介作用。相較于新穎型商業模式創新，效率型商業模式創新更加強調因經濟主體交易效率提升帶來的交易成本降低，而非供需層面的產品或服務創新（江積海，2015）。基于大數據分析的洞察力在嵌入組織流程時，企業需要借助動態能力解決組織惰性和組織剛性等阻礙［25］，進而實現與外部環境動態匹配。

5.2 理論貢獻

（1）商業模式創新已成為數字經濟背景下企業響應數字環境需求的創新實踐。然而，對于企業如何借助已有資源和能力挖掘大數據潛在價值，進而優化動態資源管理過程，最終實現商業模式創新這一問題，現有研究尚未達成共識［31］。同時，基于不同價值創造視角探討商業模式創新前因的相關研究匱乏［15］。基于資源編排理論，本文探討大數據分析能力與商業模式創新（新穎型和效率型）的關系，揭示動態能力在其中的中介作用，打開了“資源—能力—創新結果”過程的“黑箱”，進一步豐富了大數據分析能力與商業模式創新關系研究，拓展了這一因果關系鏈的作用機制。

（2）本文基于能力層級觀和資源編排框架，揭示了大數據分析能力與動態能力間的層級差異，回應了學者們對大數據分析能力與動態能力關系研究的呼吁［1-2］。本文通過揭示動態能力的中介作用，解釋了為何大量企業無法通過利用大數據賦能創新活動這一問題（Wu等，2020），檢驗了大數據技術能力、大數據應用能力對企業動態能力的正向影響［16］，拓展了組織動態能力前因研究，為數字經濟時代背景下企業動態能力構建提供了理論依據。

5.3 管理啟示

（1）企業需要重視數據資源，利用大數據優化自身資源配置。數字經濟背景下，企業管理者需要精確識別商業模式創新所需資源，充分挖掘大數據的商業價值，從而提高商業模式創新成功率。

（2）在大數據戰略實施過程中，企業需要根據自身商業模式，統籌大數據技術能力和大數據應用能力培育工作。只注重大數據技術能力而忽略大數據應用能力會導致資源浪費；只注重大數據應用能力而忽略大數據技術能力會導致數據資源轉化效率低下。

（3）企業需要適應數字經濟新環境，重視動態能力培育。企業應充分發揮動態能力在弱化核心剛性、減少路徑依賴、更新組織慣例方面的作用，積極培育自身感知能力、資源獲取及轉化能力，選擇適應市場需求的商業模式，進而構建核心競爭優勢。

5.4 不足與展望

本文存在以下不足：第一，本研究主要探討組織內部因素大數據分析能力對商業模式創新的影響，未考慮組織外部因素對商業模式創新的影響，如大數據政策環境、大數據隱私等。第二，本研究主要通過問卷開展實證研究，未來可以通過案例分析、模擬仿真等方法對結論加以驗證。第三，研究樣為長三角地區制造企業，具有一定的特殊性和局限性，在一定程度上會影響結論的普適性。未來可以選擇其它行業企業或其它地區企業，進一步對本文概念模型及假設進行檢驗。最后，未來可以基于技術擴散、組織慣性等視角，進一步探討大數據分析能力與商業模式創新間的權變因素。

參考文獻

參考文獻：

［1］ 李樹文，羅瑾璉，葛元骎.大數據分析能力對產品突破性創新的影響［J］.管理科學，2021，34（2）：3-15.

［2］ CIAMPI F， DEMI S， MAGRINI A， et al. Exploring the impact of big data analytics capabilities on business model innovation： the mediating role of entrepreneurial orientation［J］. Journal of Business Research， 2021， 123（2）： 1-13.

［3］ 張吉昌，龍靜，陳鋒.大數據能力、知識動態能力與商業模式創新——創新合法性的調節效應［J］.經濟與管理，2022，36（5）：19-28.

［4］ 易加斌，徐迪，王宇婷，等.學習導向、大數據能力與商業模式創新：產業類型的調節效應［J］.管理評論，2021，33（12）：137-151.

［5］ ZOTT C， AMIT R. The fit between product market strategy and business model： implications for firm performance［J］. Strategic Management Journal， 2008，29（1）： 1-26.

［6］ WINTER S G. Understanding dynamic capabilities［J］. Strategic Management Journal， 2003， 24（10）： 991-995.

［7］ MIKALEF P， KROGSTIE J， PAPPAS I O， et al. Exploring the relationship between big data analytics capability and competitive performance： the mediating roles of dynamic and operational capabilities［J］. Information amp; Management，2020，57（2）： 103169.

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

［9］ ALNUAIMI B K， KHAN M， AJMAL M M. The role of big data analytics capabilities in greening e-procurement： a higher order PLS-SEM analysis［J］. Technological Forecasting and Social Change， 2021，169： 120808.

［10］ TEECE D J， PISANO G， SHUEN A. Dynamic capabilities and strategic management［J］. Strategic Management Journal， 1997， 18（7）： 509-533.

［11］ TEECE D J. Explicating dynamic capabilities： the nature and microfoundations of （sustainable） enterprise performance［J］. Strategic Management Journal， 2007， 28（13）： 1319-1350.

［12］ SCHILKE O， HU S， HELFAT C E. Quo vadis， dynamic capabilities？a content-analytic review of the current state of knowledge and recommendations for future research［J］. Academy of Management Annals， 2018， 12（1）： 390-439.

［13］ TEECE D J. Business models and dynamic capabilities［J］. Long Range Planning， 2018， 51（1）： 40-49.

［14］ 田慶鋒，張銀銀，楊清.商業模式創新：理論研究進展與實證研究綜述［J］.管理現代化，2018，38（1）：123-128.

［15］ YU B，HAO S，WANG Y.Organizational search and business model innovation： the moderating role of knowledge inertia［J］. Journal of Knowledge Management， 2020，24（7）： 1705-1718.

［16］ 張青，華志兵.資源編排理論及其研究進展述評［J］.經濟管理，2020，42（9）：193-208.

［17］ AMIT R， HAN X. Value creation through novel resource configurations in a digitally enabled world［J］. Strategic Entrepreneurship Journal， 2017， 11（3）： 228-242.

［18］ SIRMON D G， HITT M A， IRELAND R D， et al. Resource orchestration to create competitive advantage： breadth， depth， and life cycle effects［J］. Journal of Management， 2011， 37（5）： 1390-1412.

［19］ CHEN Y， LUO H， CHEN J， et al. Building data-driven dynamic capabilities to arrest knowledge hiding： a knowledge management perspective［J］. Journal of Business Research， 2022， 139（2）： 1138-1154.

［20］ WARNER K S R， WAGER M. Building dynamic capabilities for digital transformation： an ongoing process of strategic renewal［J］. Long Range Planning， 2019， 52（3）： 326-349.

［21］ 胡保亮，田茂利，劉廣.資源重構能力與商業模式創新：基于動態能力束的觀點［J］.科研管理2021，43（08）：73-80.

［22］ 張璐，王巖，蘇敬勤，等.資源基礎理論：發展脈絡、知識框架與展望［J］.南開管理評論，2023，26（4）：246-258.

［23］ 楊林，和欣，顧紅芳.高管團隊經驗、動態能力與企業戰略突變：管理自主權的調節效應［J］.管理世界，2020，36（6）：168-188.

［24］ BOLDOSOVA V. Deliberate storytelling in big data analytics adoption［J］. Information Systems Journal， 2019， 29（6）： 1126-1152.

［25］ MIKALEF P， WETERING R， KROGSTIE J. Building dynamic capabilities by leveraging big data analytics： the role of organizational inertia［J］. Information amp; Management， 2021， 58（6）： 103412.

［26］ 曾萍，宋鐵波.基于內外因素整合視角的商業模式創新驅動力研究［J］.管理學報，2014，11（7）：989-996.

［27］ 任之光，高鵬斌.雙向開放式創新及其協同、商業模式和企業創新績效的關系研究［J］.管理評論，2020，32（8）：116-130.

［28］ XUEMEI X， YUHANG H， ALISTAIR A ， et al. Digital platforms and SMEs' business model innovation：exploring the mediating mechanisms of capability reconfiguration［J］. International Journal of Information Management， 2022，65： 102513.

［29］ WILDEN R， GUDERGAN S P， NIELSEN B B， et al. Dynamic capabilities and performance： strategy， structure and environment［J］. Long Range Planning， 2013， 46（1-2）： 72-96.

［30］ MICHEL T， VINCENZO E V， YVES-MARIE C， et al. PLS path modeling［J］. Computational Statistics and Data Analysis，2004，48（1）： 159-205.

［31］ SORESCU A. Data-driven business model innovation［J］. Journal of Product Innovation Management， 2017， 34（5）： 691-696.

責任編輯

（責任編輯：張 悅）

英文標題

Big Data Analysis Capability， Dynamic Capability and Business Model Innovation for Manufacturing Enterprises：The Perspective of Resource Orchestration

英文作者

Chen Yantai1，2， Lyu Zuqing1， Hu Xuhui1， Xie Zaiyang1

英文作者單位

（ 1. School of Management， Zhejiang University of Technology， Hangzhou 310023， China；2. Research Center for Digital Innovation and Global Value Chain Upgrading， Zhejiang Gongshang University， Hangzhou 310018， China）

英文摘要

Abstract：Manufacturing is essential for the national economy， and promoting the high-quality development of the manufacturing industry is the core content of China's high-quality economic development. In the era of the digital economy， the industry environment is complex and changeable， and a series of excellent business models accompanied by deep digitalization have become an important source of competitiveness for current manufacturing enterprises. Manufacturing companies must carry out business model disruption innovation through innovative value networks and restructuring transaction systems to avoid their own erosion in the process of global economic transformation. In this context， exploring the path of business model innovation in manufacturing enterprises has great theoretical and practical significance for the high-quality development of China's economy.

As an important factor in production， the potential and value of big data are increasingly prominent. Enterprises need to have big data analysis capabilities to obtain sustainable competitive advantages. Domestic and foreign scholars have conducted relevant research on the relationship between business model innovation and big data analysis capabilities， but there are still some deficiencies. First， from the perspective of impact mechanism， there are not many empirical studies on the mechanism of big data analysis capabilities on business model innovation， which is obviously not conducive to enterprises mining the value of big data and implementing innovative activities. Second， from the perspective of the evolution of big data analysis capabilities， early studies regarded big data analysis capabilities as an organizational capability， while recent studies have pointed out that big data analysis capabilities are a low-order dynamic capability that can positively promote high-order dynamic capabilities， but relevant empirical evidence is still lacking. Third， from the perspective of research， existing research mainly starts from the perspective of traditional theories such as dynamic ability theory， learning orientation theory， and institutional theory. In addition， as the latest cutting-edge theoretical tool of strategic management， resource orchestration theory emphasizes that in a dynamic environment， enterprises need to continuously orchestrate key resources and use these resources to create value so as to obtain sustainable competitive advantages. Resource orchestration is viewed as an important condition for enterprises to achieve business model innovation， so the perspective of resource orchestration provides a new entry point for studying the relationship between big data analysis capabilities and business model innovation. Fourth， from the perspective of the division of business model innovation dimensions， most scholars regard business model innovation as a single-dimensional concept and explore the relationship between it and big data analysis capabilities. However， according to Schumpeter's innovation theory and transaction cost theory， business model innovation can be divided into \"novel attributes\" and \"efficiency attributes\" according to the sources of value creation. In summary， the current research has not yet explored the relationship between big data analysis capabilities and \"novel\" and \"efficiency\" business model innovation from the perspective of capability hierarchy and resource orchestration， and the \"black box\" of its impact process remains closed.

In this study， manufacturing enterprises with big data application practices that had carried out innovative activities in the five years from 2016 to 2021 in the Yangtze River Delta region are selected as the survey sample， and data collected through questionnaire survey is used for the empirical test through PLS structure equation. The results show that the big data technology capability and big data application capability have a promoting effect on the innovation of novel and efficient business models. In the relationship between the two sub-dimensions of big data analysis capability and novel business model innovation， dynamic capabilities play some mediating roles. In the relationship between the two sub-dimensions of big data analysis capability and efficient business model innovation， dynamic capabilities play a complete mediating role.

In conclusion， this study deepens the mechanism of big data analysis capability on business model innovation from the perspective of resource orchestration and capability hierarchy， examines the important intermediary mechanism of dynamic capability， expands the research on the antecedents of organizational dynamic capability， and also provides a theoretical basis for the construction of enterprise data-driven dynamic capability in the era of the digital economy. The conclusions have important management enlightenment for how Chinese manufacturing enterprises can effectively carry out business model innovation in the digital economy.

英文關鍵詞

Key Words：Big Data Analysis Capability; Resource Orchestration; Dynamic Capability; Business Model Innovation

收稿日期

收稿日期：2023-04-17 "修回日期：2023-06-11

基金項目

基金項目：國家自然科學基金重點項目（72032008）；國家自然科學基金項目（72302220）；教育部人文社會科學研究項目（22YJC630168）；浙江省自然科學基金青年項目（LQ22G020007）

作者簡介

作者簡介：陳衍泰（1979-），男，福建尤溪人，博士，浙江工業大學管理學院教授、博士生導師，浙江工商大學數字創新與全球價值鏈升級研究中心教授，研究方向為創新管理、戰略管理、數字化轉型戰略等；呂祖慶（1999-），男，江西鄱陽人，浙江工業大學管理學院碩士研究生，研究方向為企業創新、數字化轉型；胡旭輝（1998-），男，山東臨沂人，浙江工業大學管理學院碩士研究生，研究方向為數字化轉型、商業模式創新；謝在陽（1992-），女，福建福州人，博士，浙江工業大學管理學院講師，研究方向為企業戰略管理、大數據與創新管理。本文通訊作者：胡旭輝。