大数据分析能力与制造企业服务创新绩效：一个链式中介模型

刘 念，简兆权，王鹏程

（1.武汉轻工大学管理学院，湖北武汉 430048；2.华南理工大学工商管理学院，广东广州 510640）

1 问题提出

服务创新已然成为制造企业突破发展瓶颈、实现可持续增长的一种基本方式，被认为是对产品创新和标准化的战略替代［1］。数字化被认为是现代制造业的主要趋势之一［2］。制造过程的数字化，特别是通过使用大数据、物联网和预测分析，正在为企业在制造过程中加强需求洞察、提高资产利用率和优化资源铺平道路［2］，服务从产品从属的次优产出内容被提升为一切交换活动的核心产出内容［3］。例如，海尔集团、百丽鞋业、劳斯莱斯和欧美品牌化妆制造企业等等都通过将大数据分析与服务创新流程深度融合，成功实现新的价值主张创造。但与此同时，制造企业在应用大数据分析的过程中也面临一些挑战，比如打乱现有流程或结构［4］。因此，如何处理好机遇和挑战，进而利用大数据分析提升服务创新绩效成为企业家们关心的重要议题，这是因为制造企业在服务提供方面的资源和能力相对有限，渴望通过大数据洞察来破除服务创新障碍，实现“弯道超车”。

通过文献梳理发现，现有研究存在两个关键局限：第一，为挖掘“服务化悖论”成因及应对之道，学术界既有从权变视角探究制造企业服务创新战略与组织内外要素间的匹配关系，也有从员工参与和管理者支持、信息技术能力、顾客参与、第三方嵌入、网络化协作等角度探讨提升制造企业服务创新绩效的前因。其中，虽然有研究已经认识到数字技术是制造企业发起服务创新的关键因果条件［1］，但是相关研究主要是概念性的或案例分析，且过于宽泛地看待数字技术，而在很大程度上忽视了大数据分析的独特性质。第二，尽管有定量研究探讨了大数据分析能力对企业决策质量、绩效、创新能力、商业模式创新、协同创新绩效、供应链管理等多层次多方面的影响，但是Morgan 等［5］和Kroh 等［6］指出，这些研究较少探寻大数据分析能力的作用路径，且实证结果存在争议，既表明大数据分析能力带来了显著的积极影响，又发现它并未带来效益，并认为大数据分析能力所产生的影响可能由若干变量所部分（完全）介导；Riakti 等［7］提出大数据分析能力价值产生的影响因素亟待进一步探索。

Morgan 等［5］和Kroh 等［6］分别发现大数据分析能够帮助制造企业优化组织能力和行为，进而改善新产品/服务开发绩效。由产品主导向服务主导竞争范式的转变，意味着制造企业需要将生产性资源与其他资源（如顾客资源、第三方资源等）进行有效整合。已有研究表明，出于成本考虑和创新速度的考虑，资源拼凑是对制造企业服务创新最有利的现有资源整合策略［8］。而大数据分析作为基于对海量数据分析产生新洞察的动态能力［5］，指导制造企业在更大机会集下对其生态系统中的异质资源进行拼凑，从而快速和低成本地获得将新想法付诸实践所需的新资源，或者发现解决问题的新方法［9］。此外，相对于通过外部资源搜寻解决服务创新难题，拼凑活动使制造企业能够在信息不对称、诡谲多变的竞争环境中先于竞争对手识别和开发新的服务创新机会，快速适应市场变化。这种对不断变化的市场作出快速响应的动态能力被称为“组织敏捷性”［10］。基于时间的竞争、先发优势和快速跟随者文献都表明组织敏捷性是服务创新成功的关键优势之所。已有研究也表明，大数据分析能力作为一种独特的低阶动态能力，能够显著提升组织敏捷性［10］，进而改善企业绩效［7］。可见，从动态能力出发，资源拼凑和组织敏捷性可被视为大数据分析能力和制造企业服务创新绩效相联结的重要纽带。

基于此，本研究以285 家制造企业为研究对象，围绕动态能力理论，对大数据分析能力、资源拼凑、组织敏捷性以及制造企业服务创新绩效间的逻辑关系进行探讨，试图解决以下问题：大数据分析能力如何影响制造企业服务创新绩效？资源拼凑和组织敏捷性在其中扮演什么角色？是否同时发挥链式中介作用？

2 文献综述与研究假设

2.1 大数据分析能力

20 世纪90 年代以来，商业环境愈发强调收集、集成分析和诠释信息价值的重要性，充分利用所有可用信息的能力成为组织的关键动态能力［11］。随着数据量级和数据生成速度的飞跃，数据类型和来源愈发多样化，传统信息技术已经难以承载对这些爆炸式增长的复杂数据的实时处理和分析［12］，要想实时挖掘海量数据的价值，企业必须要拥有更先进的分析技术、软件、工具以及专家等资源，这促使企业纷纷开启信息技术架构的再布局，大数据分析能力由此应运而生。

现有研究基于动态能力理论，将大数据分析能力定义为企业通过有效协调和部署大数据管理、技术和人才等资源分析海量数据进而产生洞察的动态能力［5］。企业首先需要对数据（包括内部数据和市场发展形势、合作伙伴供需、顾客需求等网络生态数据，结构化、半结构化和非结构化数据等）背景进行解读，在了解数据背后的指向性目标或含义后汇聚成信息，然后对这些信息进行比较和分析，产生新洞察［13］。此时，数据就成为了知识。知识收益是大数据分析的主要吸引力，会指导或应用于企业的管理决策或具体业务活动，由此数据就产生了价值。在这一过程中，企业还需要不断地更新和补充数据集，以进一步检验和完善从数据中萃取的知识，通过大数据汇聚到分析的正反馈循环来持续释放数据价值［14］。大数据分析能力颠覆了信息技术（IT）能力的传统角色，使企业在应对不确定环境时比竞争对手更加敏捷，也使价值主张的持续创新成为可能。

大数据分析能力商业价值的实证研究主要集中于探讨它对企业的决策质量、绩效、创新能力、商业模式创新、协同创新绩效、供应链管理等多层次多方面的影响，也多在制造业背景下进行分析，但忽视了制造企业新的业务重点，即服务创新是数据处理复杂化的一个重要因素［6］。已有理论分析和案例研究表明了大数据分析能力对制造企业服务创新的重要价值，如Coreynen 等［1］认为大数据分析为制造企业提供了同时进行标准化和定制化的条件，可以帮助企业更快、更准确地发现运营障碍并改进业务流程，肖静华等［15］认为大数据能够提升制造企业精准捕捉顾客需求的可能性。因此，有必要将研究置于服务化背景下，对大数据分析能力与制造企业服务创新之间的关系进行大样本的实证检验。

2.2 制造企业服务创新

制造企业越来越多地通过提供服务寻找超越传统核心产品的增长机会，这一过程被称为“服务化”［16］，被视为制造企业实现升级和价值增值的主要途径［17］。服务化在20 世纪80 年代末被明确地提出，并引起了众多学者的关注和深入研究，经常在工业营销、服务管理、运营管理等领域中被引用［1］。Baines 等［18］将服务化定义为通过从销售产品到销售产品服务系统（PSS）的转变，以及组织能力和流程的创新，以更好地创造共同价值。这一定义来自运营管理领域，强调了制造企业服务创新的重要性。服务创新有利于提高制造生产率和效率，拓展盈利空间［19］。

制造企业服务创新是制造企业以顾客满意为目标，围绕产品的整个生命周期，运用潜藏在产品或服务背后的各种技术、知识等，围绕服务内容或与顾客互动关系的变化而进行的创新活动［20］，是旨在为顾客创造独特价值主张的过程。此时，价值创造的本质并非是直接向顾客提供实体产品，而是以产品为媒介为顾客提供支持性服务或解决方案。制造企业服务创新带来的战略好处有：提供额外收入、构筑竞争壁垒、提高差异化水平、锁定顾客并增强其为相关产品/服务付费的意愿、提升顾客满意度等等。然而，实践中，大多数服务型制造企业未能从它们的服务活动中获取有竞争力的回报率，正如Neely［21］的经验数据明确证明的那样。鉴于这一事实，找到一些促使制造企业服务创新成功的关键要素十分必要。

制造企业将重心转移到一个真正新颖的场所时会面临许多挑战和阻碍［18］，包括管理者注意力的重新分配、资源的调整和开发、组织变革和新流程的实施、需要新的外部参与者为服务创新战略制定提供投入等等。原因在于，与传统制造企业商业模式运营的效率和标准化相比，发展新服务需要开发不同的方法、流程和资源能力［18］。为此，许多学者从内外资源的角度进行探讨，认为员工参与和管理者支持、信息技术能力、顾客参与、第三方嵌入、网络化协作等都是制造企业成功开发新服务的途径。与此同时，也有学者分析了行业增速、组织文化、价值共创以及规模、年龄、行业类型、所在经济区域等企业显性特征对制造企业服务创新绩效的权变影响。尽管学术界付出了诸多努力，制造企业服务创新仍被认为是一个理论上的新生领域［19］，需要更多关于如何成功推动制造企业服务创新的经验证据［5］。在此，本研究将注意力转向大数据分析能力，认为制造企业服务化成功的关键之一在于运用大数据分析消除服务创新障碍。

2.3 大数据分析能力与制造企业服务创新绩效

制造企业将现有生产能力转移到服务开发上来，是一种跨领域的创新［8］。这意味着，制造企业之前所积累的以产品为中心的知识已难以满足其新服务开发的需求，为此，制造企业需要对各种复杂的涉及企业内部运营、顾客需求、市场发展形势、产品/服务/技术研发、竞争对手行为等结构化和非结构化数据进行分析和价值挖掘，以产生与服务相关的新知识。具体而言，受缺乏成功地开展服务业务能力和经验的限制，传统制造企业往往倾向于将注意力集中在过去被证明是成功的方法和工具上［22］；但当制造企业运用大数据分析各方数据之后，能够识别出与服务相关的新机会或者威胁，由此，可以破除制造企业对以往产品创新道路和经验的沾沾自喜，塑造出其对新服务的注意力投入，将时间、精力、资源集中投入到关键服务的设计与创新中。尤其是，制造企业可以运用超级计算、海量的顾客数据、持续迭代的算法和数学建模，更为深入得地了解和精准预测顾客真实需求，将产生的新的顾客知识用以指导制造企业开发符合或引领市场期待的前瞻性服务，从而俘获新顾客并提高市场份额。相关研究也已表明，制造企业提升服务创新绩效的一个关键成功因素就在于其在多大程度上吸收了顾客知识［22］。由此，提出如下假设：

H1：大数据分析能力正向影响制造企业服务创新绩效。

2.4 资源拼凑的中介作用

资源拼凑的核心要义在于创造性地利用现有资源［9］。它立足于资源内生式视角，旨在强调在资源原有属性和价值基础上进行智力开发，探索和利用使资源提供新服务［23］。它包含三大核心要素：手边资源驱动、资源创造性利用和即刻行动。首先，资源的含义是指现有资源，包括闲置的、廉价的或被低估价值的资源［9］，借助社会交易或非契约关系从而低成本或免费获取的资源，以及一些较为独特的思想和知识资源等等［24］。它并不局限于企业内部，而是成长于其所置身的生态系统。其次，在面对资源问题时，企业不应消极等待标准资源或是放弃机会，而应不断尝试和打破思维定式探索手边资源的新用途和新属性，创造性地重组和重塑资源，从而“无中生有”地孕育出新资源［23］。最后，善于拼凑的企业不会浪费任何时间，而是植根于现时的知识/文化网络，立刻将当下资源做任何可能的使用甚至即兴创作，从而较易在短时间内获取令人满意甚至惊喜的奏效方案［9］。总而言之，资源拼凑作为一种特定的进行价值创造的资源整合行为［8］，体现出动态能力的要义［24］，不仅能有效缓解资源约束的危机，还能将富余资源进行再利用以打破资源惯性进而刺激创新［25］。

大数据分析能力决定了制造企业衡量市场状况和现有资源效用的能力，代表的是机会识别和资源识别的整合。一方面，制造企业通过在全球范围内实时收集、组合和分析竞争对手行为变化、顾客需求变动和技术发展等多方数据，能够产生前所未知的市场洞察力［5］。新的市场洞见（机会识别）会引导制造企业资源的使用方向，又决定了企业将资源进行重组的行动意向［8］。出于对成本收益和市场响应速度的考虑，制造企业会重新审视既有资源价值，尤其是看似廉价的或之前被忽略的资源，通过打破常规、另辟蹊径的方式快速编排手边资源，以迅速抓住机会和应对挑战［8］。另一方面，大数据分析能力有助于制造企业识别手边资源和周围资源的属性和用途，促使服务生态系统中包括顾客、供应商、竞争对手等所能调用的资源与企业内如研发、生产、销售等不同职能部门所掌握的资源进行充分耦合和吸收，并实时更新资源整合的范围［26］，从而实现资源的优化利用。由此，提出如下假设：

H2：大数据分析能力正向影响资源拼凑。

相比于等待“正确”资源，善于拼凑的制造企业可以将生态系统中的服务要素资源（如渠道网络管理、顾客关系维护、服务管理等顾客资源）与企业原有资源（如技术与产品研发、制造流程与诀窍、生产管理与质量保证等创新资源）进行重组，进而以较低成本和较快速度产生相对满意甚至令人惊喜的服务创新成果［27］，确保新服务需求满足的效率和效益。其次，制造企业对低价值或未开发资源的“巧创”往往会获得意想不到的顾客需求满足效果，拼凑产出的及时性也会给顾客带来良好的消费体验，从而强化顾客对新服务的认同和情感依赖，最终带来服务收入的增长与市场占有率的提升［8］。冯文娜等［8］通过实证研究发现，资源拼凑是制造企业服务创新绩效提升的一条有效路径。由此，提出如下假设：

H3：资源拼凑正向影响制造企业服务创新绩效。

综上所述，大数据分析能力助力制造企业在保持对市场发展局势和现有资源状况的清醒和前瞻性认识基础上，有目的地将内外资源进行拼凑，创造性地将最佳资源组合快速地投入到服务活动的完善和拓展中。综合从资源建构、创新速度和成本以及顾客认同的角度来看，制造企业通过拼凑所开发的新服务能俘获更多的新用户和市场份额。由此，提出如下假设：

H4：资源拼凑在大数据分析能力与制造企业服务创新绩效关系之间起中介作用。

2.5 组织敏捷性的中介作用

组织敏捷性是企业快速识别并有效应对威胁和机会的高阶动态能力［10］，是企业在动荡环境中自我调整、响应变化、寻求发展的必备要素。敏捷性可以是进攻性的，也可以是防御性的，或者两者兼有之。它反映了这样一个事实：公司的产品或市场不会以相同的速度发展，或者驻留在产品生命周期曲线上的同一点［28］。高敏捷性组织的敏锐感知和快速响应突出了企业创造发展机遇和引领市场走向的能力。组织敏捷性主要包含市场利用敏捷性和运营调整敏捷性［10］。市场利用敏捷性是指企业通过持续监控和利用市场环境中发生的变化，快速改进产品/服务以满足不断变化的顾客需求的能力，强调的是一种创新精神；运营调整敏捷性是指企业根据市场需求变化快速重组内部业务流程的能力，强调的则是快速行动。这两种类型的敏捷性相辅相成，促使企业根据不断变化的市场环境快速安排和重新调整其价值链上的业务活动，并为开发新产品/服务做好相应的资源和活动准备。

众多研究表明大数据分析能力能够显著提升组织敏捷性，这是因为大数据分析能力作为一种新技术能力，帮助制造企业在极短时间内实时收集和分析各种结构的数据源（如文本、音频、视频、网络和图形等）［10］。基于大数据技术、工具，如数据仓库、在线分析处理(OLAP)、可视化工具和数据挖掘工具等，制造企业可及时洞察企业内部以及顾客和供应商的需求变化，确保企业通过供应链上的有效信息传递迅速作出决策调整。具体来说，一方面，制造企业通过调用企业内部运营数据建立精准价值分析模型，可实现对各业务环节的精细管控，从而能够更快、更准确地发现服务缺陷或运营障碍，并作出灵活的运营调整；另一方面，制造企业通过对生态系统内数据的挖掘和分析，迅速洞悉顾客真实需求或事先预测市场变化，并利用其自身的规划、决策、协调和控制作用作出快速响应。在这一过程中，运用大数据分析获取的新洞察是以经验证据为基础的，较少会受到偏见的影响［29］。对此，制造企业各职能部门能够就基于大数据分析产生的运营或业务调整决策迅速达成共识，并开展紧密合作［28］。由此，提出如下假设：

H5：大数据分析能力正向影响组织敏捷性。

基于组织敏捷性的定义，敏捷性越高的制造企业越能及时感知并快速响应意外的变化［10］。由此，制造企业将会有更大的机会以及时且经济有效的方式来应对顾客的新服务需求。具体来说，越敏捷的制造企业越能够快速调整业务运营计划，灵活性地将最合理的资源或资源组合投入到对服务开发和改进的进程中去。这样，大大缩短了制造企业对新服务提供这一新兴事件的反应时间，也大大提升了其开发出新服务的速度［27］，从而加速服务创新成果的商业化，助力其在服务竞争行为中产生先发制人的优势，最终创造出卓越的服务创新绩效。此外，与低敏捷性的制造企业相比，高敏捷性的制造企业能够实现成本节约［29］。这样，有助于制造企业将更多的时间、精力和资源投入到扩大竞争行动的范围中来，从而提高了其开展服务创新活动的可能性及其投入程度。因此，制造企业的敏捷性越高，越有可能在竞争环境中取得较高的服务创新绩效。由此，提出如下假设：

H6：组织敏捷性正向影响制造企业服务创新绩效。

综上所述，先进大数据分析工具、人才等的使用使得制造企业更具敏捷性，能快速感知服务创新机会、重新设计服务流程以利用市场条件，从而更迅速和经济有效地实现服务创新的先发性、准确性及新颖性，并使竞争对手很难匹配或模仿它们。由此，提出如下假设：

H7：组织敏捷性在大数据分析能力与制造企业服务创新绩效关系中起中介作用。

2.6 资源拼凑与组织敏捷性的链式中介作用

强调获取、整合、重组和释放资源程序的动态能力观认为，通过资源拼凑，制造企业能够规避开发新服务时面临的资源限制［9］；通过复合多种元素，开发敏捷性来对资源进行创造性利用，成为资源约束下制造企业服务创新的有效路径［24］。在拼凑模式下，来自技术能力、知识信息以及制度网络等的创意整合，突破了组织常规、假设的约束，使得制造企业更准确地预见环境变化的本质及潜在的商业机会或风险，准确把握市场动态［24］，进而成功地进行运营调整并响应市场变化。在这一过程中，服务资源相对匮乏的制造企业无需花费大量时间和成本寻找开发新服务所需的标准资源，而是利用拼凑的灵活性以及即时性［8］，在原有资源基础上进行智力开发［23］，保障其以更快速度和更低成本发现新的服务创新机会［24］，并迅速采取适当战略和战术行动以抓住机会［8］。也就是说，资源拼凑被视为“次级的动态能力”，强化了制造企业的敏捷性。机会是一个动态的演化过程，企业最终抓住的机会与原本察觉机会的差距越大，创新绩效越高［30］。因此，在运用大数据分析能力发现新的服务机会时，制造企业会在机会指引下进行资源拼凑，由此可能快速识别和开发出盈利性更强的新服务创新机会，进而提升对市场变化的响应能力，先于竞争对手推出新颖服务以抢占市场，实现市场份额的增长。由此，提出如下假设：

H8：资源拼凑和组织敏捷性在大数据分析能力和制造企业服务创新绩效关系中起链式中介作用。

综上所述，本研究构建出大数据分析能力和制造企业服务创新绩效间关系的研究模型，如图1所示。

图1 研究模型

3 研究设计

3.1 数据收集

本研究以提供服务业务的制造企业为调研对象，发放问卷获取数据。问卷主要由在制造企业中具备大数据技术应用或开展服务业务经验的中高层管理者填写。问卷发放过程持续了近两个月，时间从2019 年4 月开始到6 月结束。首先，基于对广州某高校的MBA/EMBA 学员的调研得知，在制造企业中大数据分析现象已经存在，故先向学员中的中高层管理者发放问卷，通过这一方式共回收87 份问卷；在这一过程中，也得到了一些问卷反馈意见，根据意见对问卷进行了修订和完善。随后，依托笔者所在研究团队及亲友的社会网络关系，向珠三角地区制造企业中高层管理者发放问卷，通过这一方式共回收349 份问卷。总计回收436 份问卷，在删除部分不合格问卷后，最终得到285 份有效问卷，总体问卷的有效回收率为65.37%。表1 显示了样本企业在规模、年龄、行业类型、所有制性质等方面的分布情况，总的来说，样本分布较为广泛和分散，说明本研究的样本数据具有较好的总体代表性。

表1 样本统计情况

3.2 变量测量

为保证量表的信效度，各变量的测量尽可能采用国内外代表性文献中较为成熟的量表，同时与专家学者不断讨论，使其更符合研究情境。各变量的测量均采用李克特五级量表，1～5 表示从“非常不同意”到“非常同意”。大数据分析能力反映的是企业通过集聚和部署各种大数据有形资源、无形资源以及人才资源对海量数据进行分析而产生洞察的能力，测量的题项来源于Gupta 等［31］、任南等［32］的研究量表，共包含12 个题项；资源拼凑主要参照国内外普遍采用的Rönkkö 等［33］的量表，共包含9个题项；组织敏捷性则采用的是Lu 等［10］的量表，共包含6 个题项；制造企业服务创新绩效借鉴的是蒋楠等［34］使用的量表，共包含服务收入、顾客满意度、行业影响力、投入成本4 个题项。考虑当前大数据在制造企业中的应用情况，选择将企业规模、年龄及其所有制性质、所属行业类型作为控制变量。其中，企业年龄用问卷回收年份与制造企业成立时间的差值来表示；企业规模用员工人数来表示，并将其划分为4 个等级，50 人以下设为“1”，50～300 人设为“2”，301～2 000 人设为“3”，2 000 人以上设为“4”；企业性质也划分为4 个等级，“1”表示国有企业，“2”表示民营企业，“3”表示中外合资企业，“4”表示外商独资企业；行业类型则以电气机械及器材制造为基准，设置行业虚拟变量。

3.3 信度和效度检验

为了测度量表的信效度，采用SPSS22.0 以及Amos23.0 对问卷数据进行处理和分析，相关结果见表2。在信度方面，采用克隆巴赫信度系数（Cronbach'sα）和组合信度（CR）来检验量表的内部一致性，发现大数据分析能力、资源拼凑、组织敏捷性、制造企业服务创新绩效的Cronbach'sα分别为0.940、0.926、0.869 和0.801，均超过0.8，CR 值也均在0.8 以上（高于门槛值 0.6），说明变量具有较好的信度。在效度方面，主要从收敛效度和区分效度两方面考察，运用Amos23.0 做验证性因子分析（CFA），结果如表2 所示，所有测量题项的因子负载均在0.7 之上，且各变量的平均萃取方差（AVE值）在0.604 到0.629 之间，大于最低可接受标准0.5。同时，从表3 可以看出，四因子模型（本研究的测量模型）的拟合度较优（χ2(df)=494.965 (424)，GFI=0.903，CFI=0.985，NFI=0.906，TLI=0.984，RMSEA=0.024）。这些指标均说明本研究量表的收敛效度较好。此外，各变量的AVE 平方根均大于该变量与所有其他变量的相关系数，说明变量的区分效度也通过检验。因此，可以进行变量之间关系的分析。

表2 变量的信效度

表3 验证性因子分析结果

3.4 共同方法偏差检验

为了控制共同方法偏差，本研究采取事前控制，即在正式调研前使用清晰简明的测量题项并将其随机排列，让受访者匿名填卷，以保证问卷能够反映出受访者真实的想法；同时，在整理数据后，利用Harman 单因素检验对大数据分析能力、资源拼凑、组织敏捷性和制造企业服务创新绩效量表的所有题项进行未旋转的主成分因子分析，共析出4 个特征值大于1 的公因子。其中，首个因子的方差解释率为30.62%（低于50%），因而不存在明显的共同方法偏差。

4 实证结果分析

4.1 描述性统计分析

表4 给出了各变量的均值、标准差及相关系数。由表4 可知，大数据分析能力与制造企业服务创新绩效显著正相关（r＝0.283，P＜0.01），与资源拼凑显著正相关（r＝0.190，P＜0.01），与组织敏捷性显著正相关（r＝0.407，P＜0.01）；资源拼凑与制造企业服务创新显著正相关（r＝0.245，P＜0.01）；组织敏捷性与制造企业服务创新显著正相关（r＝0.346，P p＜0.01）；资源拼凑与组织敏捷性显著正相关（r＝0.274，P＜0.01）。变量相关性的分析结果初步说明了变量间如假设所述的关系，为进一步关系分析提供了必要的前提。

表4 变量的描述性统计

表4 （续）

4.2 假设检验

4.2.1 层级回归分析

本研究采用SPSS22.0 进行层级回归分析，并检验中介效应。首先，以资源拼凑作为结果变量，构建模型1 和模型2，其中，模型1 中加入控制变量（企业年龄、行业类型、企业性质、企业规模），分析它们对资源拼凑的影响；模型2 在模型1 的基础上增加自变量（大数据分析能力），分析它对资源拼凑的影响。接着，以组织敏捷性作为结果变量，分层加入控制变量、自变量和资源拼凑变量，构建模型3、模型4 和模型5，其中，模型1 中加入控制变量，分析它们对组织敏捷性的影响；模型4 在模型3的基础上增加自变量，分析它对组织敏捷性的影响；模型5 在模型4 的基础上增加资源拼凑变量，分析它对自变量和组织敏捷性关系的影响。最后以制造企业服务创新绩效作为结果变量，分层加入控制变量、自变量、资源拼凑和组织敏捷性变量，构建模型6 至模型10，其中，模型6 中加入控制变量，分析它们对制造企业服务创新绩效的影响；模型7 在模型6 的基础上增加自变量，分析它对制造企业服务创新绩效的影响（主效应）；模型8、模型9 分别在模型7 的基础上增加资源拼凑和组织敏捷性变量，完成两条中介效应的检验；模型10 则在模型7的基础上同时增加资源拼凑和组织敏捷性变量，考察两者同时存在对主效应的影响。结果如表5 所示。

表5 变量回归分析结果

由模型2、模型4 和模型7 可知，在控制相关变量以后发现，大数据分析能力分别与制造企业服务创新绩效（β=0.282，P＜0.01）、资源拼凑（β=0.183，P＜0.01）、组织敏捷性（β=0.405，P＜0.01）存在显著正相关关系，因此，假设H1、H2、H5均得到支持。由模型8 可知，在加入了资源拼凑后，资源拼凑对制造企业服务创新绩效产生显著的正向影响（β=0.203，P＜0.01），且大数据分析能力对制造企业服务创新绩效的回归系数由0.282 下降为0.245，并仍在P＜0.01 水平下在显著，表明资源拼凑在大数据分析能力与制造企业服务创新绩效间发挥了部分中介效应，因此，假设H3、H4得到支持。同样地，由模型9 可知，在加入组织敏捷性后发现，组织敏捷性对制造企业服务创新绩效有显著的正向影响（β=0.278，P＜0.01），且大数据分析能力对制造企业服务创新绩效的回归系数由0.282 下降为0.170，并仍在P＜0.01 水平下显著，表明组织敏捷性也在大数据分析能力与制造企业服务创新绩效间发挥了部分中介效应，因此，假设H6、H7也得到支持。

4.2.2 Process 检验链式中介效应

此外，本研究对资源拼凑和组织敏捷性的链式中介效应进行检验，采用现有研究通用的Bootstrap方法，计算95%的置信区间，且重复取样5 000 次。通过Process 3.3 软件运行Model 6 后，结果如表6 所示。大数据分析能力对制造企业服务创新绩效的总效应为0.275，其中直接效应为0.152，标准误为0.059，95%的置信区间为［0.037，0.268］，说明大数据分析能力对制造企业服务创新绩效产生直接的正向影响；总间接效应为0.123，标准误为0.041，95%的置信区间为［0.057，0.215］。大数据分析能力通过资源拼凑对制造企业服务创新绩效的影响效应为0.028，标准误为0.041，95%置信度下的置信区间为［0.002，0.074］；大数据分析能力通过组织敏捷性对制造企业服务创新绩效的影响效应为0.087，标准误为0.034，95%置信度下的置信区间为［0.032，0.167］；大数据分析能力通过资源拼凑和组织敏捷性对制造企业服务创新绩效的影响效应为0.009，标准误为0.006，95%置信度下的置信区间为［0.001，0.024］。所有的置信区间均不包含0，说明所有的中介效应都是显著的，即在大数据分析能力和制造企业服务创新绩效之间，资源拼凑和组织敏捷性不仅起着部分中介作用，更起着链式中介作用。因此，假设H4、H7、H8得到支持。

表6 Bootstrap 链式中介结果

5 结论与启示

5.1 研究结论

本研究的目标是了解大数据分析能力与制造企业服务创新绩效的关系及其作用机制。为解决该问题，本研究通过对285 家制造企业的调查数据进行实证分析，检验了大数据分析能力、资源拼凑、组织敏捷性以及制造企业服务创新绩效之间的逻辑关系，构建出相应的理论模型。研究发现：（1）大数据分析能力作为企业的一项宝贵财产，能够显著提升制造企业服务创新绩效；（2）大数据分析能力正向影响资源拼凑与组织敏捷性；（3）资源拼凑与组织敏捷性正向影响制造企业服务创新绩效；（4）资源拼凑与组织敏捷性在大数据分析能力和制造企业服务创新绩效的关系中起部分中介作用，且为链式中介。

5.2 理论意义

目前，学术界从内外资源获取来源或方式等角度探讨了制造企业服务创新绩效提升的前因变量，包括员工参与和管理者支持、信息技术能力、顾客参与、第三方嵌入、网络化协作等等，但是这些定量研究都忽视了将数字化、大数据分析作为未来制造企业服务创新领域研究的一大方向。基于此，本研究置于服务化背景下，对大数据分析能力与制造企业服务创新绩效之间的关系进行了讨论和检验，结果显示大数据分析能力对制造企业服务创新绩效产生了直接的正向影响，这与Gupta 等［31］将动态能力作为主要理论视角分析大数据分析能力价值的学者得出的结论是一致的。也就是说，大数据分析能力不仅有助于制造企业进行产品创新和提升绩效，也为制造企业开展服务创新活动提供了新动能。从大数据分析能力这一动态能力视角识别了提升制造企业服务创新绩效的又一前因变量，是对服务化研究领域的一大拓展；与此同时，将信息管理与服务化研究结合起来有助于实现跨领域的理论创新。

此外，已有关于大数据分析能力商业价值的研究多为理论或定性的案例研究，相关的定量研究仍处于起步阶段，到目前为止，定量研究可以归纳为探讨大数据分析能力对企业决策质量、绩效、创新能力、商业模式创新等的影响，但Morgan 等［5］和Kroh 等［6］指出，这些研究较少探究影响路径，且实证结果喜忧参半。很明显，研究需要探索哪些组织特征会受到大数据分析能力的影响，以及它们对绩效的影响。本研究从动态能力出发，将资源拼凑和组织敏捷性纳入作用机理的研究中来，结果显示资源拼凑发挥中介作用，这一发现与先前“机会-资源”视角的研究一致。企业获得的市场和运营状态的数据越多，就或可能识别新的机会，并通过有效的现存资源重塑和整合行为来抓住它们［24］。本研究也发现组织敏捷性也发挥中介作用，这一发现与先前组织敏捷性的研究一致。大数据技术表现出比传统信息管理系统更好的运行性能，使企业变得更有活力和敏捷，而敏捷性组织可提升创新绩效［7］。近年来，学者们认识到创新是一个系统的机会与资源一体化开发行为［35］,在机会指导下进行拼凑可迅速、准确发现新的创新机会并快速响应市场变化，这支持了资源拼凑和敏捷性的链式中介作用。总之，本研究通过对资源拼凑和组织敏捷性中介作用以及链式中介作用的挖掘，清晰揭示出大数据分析能力产生商业价值的作用机理，回应了Riakti 等［7］关于企业大数据分析能力通过影响其动态能力进而影响企业绩效的观点，丰富了大数据分析能力的研究。

5.3 实践启示

本研究结果的实践启示如下：第一，制造企业需重视对大数据分析的投资。一方面，要开发灵活的大数据分析基础设施，确保基础架构能够在任何情况下收集、存储和分析任何类型的数据，并确保数据不间断地流动，快速形成对市场环境、内部运营环境、自身资源状况等方面的批判性和预见性洞察，才能持续创造出更大的新服务开发价值；另一方面，关注实施大数据分析背后的人，制造企业应营造出鼓励数据驱动的文化氛围，使整个组织接受大数据分析的概念，并设计有利于大数据分析相关知识学习的一系列制度安排，调整组织结构为大数据运营流程疏通障碍，如高层管理人员通过授权给那些在大数据流程方面拥有强大问题解决技能的人来推动和引导大数据驱动的服务创新项目，从而挖掘其潜力。如此，通过提升大数据分析能力，制造企业才可能实现高资源拼凑、高组织敏捷性和服务创新高绩效。

第二，资源拼凑是大数据时代制造企业打破产品惯性进而刺激服务创新的一种理性、经济且有效的战略行为。资源拼凑体现出节约、快速、即兴和创造力的实践智慧，大数据时代的制造企业需改变只关注优势、标准化资源的旧观念，在通过大数据分析发现新的服务机会时，可以不再花费大量时间和成本搜寻资源，而是有意识地将现有资源包括碎片化、廉价的手头和周边资源进行组拼，实现敏捷性，从而率先实现对新服务需求的满足。对此，制造企业可以举办内部会议，鼓励企业成员集思广益，讨论如何组合或者改变企业当前资源以开发更有利可图的新服务；也可以制定相应的奖励机制，激励企业成员大胆使用现有资源以创造出优于竞争对手的服务创新成果。

5.4 不足与展望

尽管我们对研究进行了精心设计，并取得了一定的研究成果，但仍存在不足。首先，本研究仅探讨了大数据分析能力影响制造企业服务创新绩效的中间机制，没有考虑大数据分析能力产生商业价值的边界因素。在某些情况下，大数据分析可能会具有更大的实用价值［5］，比如，不同类型的服务可能对大数据分析能力的需求不同，因为在标准化服务的环境中使用这些工具可能比定制服务更容易［6］。未来，可以加强调节变量的研究以进一步理解大数据分析能力的战略潜力。其次，本研究指出资源拼凑和组织敏捷性是将大数据分析能力转化为制造企业服务创新绩效提升的重要纽带，但大数据分析能力与绩效间的复杂关系还可能存在其他中介因素（如协作质量），未来可以借鉴多领域的知识展开研究。最后，本研究采用截面数据对研究假设进行检验，未来可以尝试运用纵向追踪的研究方式，以使得到的变量间关系的结果更加稳定可靠。