大数据—大数据分析能力匹配与产品创新度——医疗健康服务业的实证研究

张晓棠 张海丽 衡金金

1 引 言

大数据是海量、多样、快速与准确的信息资源（冯芷艳等，2013［1］；George等，2014［2］）。大数据分析能力指组合、集成及部署大数据以生成价值性洞察的能力（Gupta和George，2016［3］）。大数据和大数据分析能力已成为数字经济时代企业创新发展数字化转型的关键资源与能力（谢康等，2020［4］；张艾荣和吕娜，2021［5］；王宇凡等，2020［6］）。部分企业购置大数据资产、培育大数据分析能力获得了更成功的创新与更强的竞争优势，但也有不少企业面临大数据投入高而创新产出低的困境，甚至跌落“大数据陷阱”（Gupta和George，2016［3］）。可见，大数据和大数据分析能力是赋能创新的必要而非充分条件，两者赋能创新并非是大数据资源或分析能力简单累加的结果。揭开大数据与大数据分析能力赋能创新的内在机制，是数字创新理论构建的重要科学问题，也是企业创新发展数字化转型亟须解决的现实问题（George等，2014［2］；谢康等，2020［4］；Nambisan 等，2017［7］）。

Galbraith（1974）［8］提出的信息处理理论强调，企业执行任务时需应对的不确定性和模糊性触发其信息处理需求；企业信息处理能力应能适当满足此需求；信息处理需求与信息处理能力匹配会比失配带来更优的任务效果（Galbraith，1974［8］；Tushman和Nadler，1978［9］）。据此逻辑，本文提出，当下复杂多变的环境导致创新不确定性和模糊性增强，企业转向大数据而非经验驱动创新；企业大数据处理需求因此增加，这就对大数据分析能力提出更高要求；而大数据与大数据分析能力匹配与否直接影响创新成效。换言之，大数据—大数据分析能力匹配是两者赋能创新的重要机制。为全面揭开该机制，本文探讨大数据与大数据分析能力高—高和低—低匹配，以及高—低和低—高不匹配对创新效果的差异化影响。这对于学术界深化大数据、大数据分析能力与创新关系研究，理解大数据与大数据分析能力赋能创新的机理具有理论意义；对管理者合理匹配大数据与大数据分析能力，提升创新成效，防范“大数据陷阱”具有现实意义。而现有研究绝大多数基于资源基础理论，考察的是大数据、大数据分析能力各自对创新的影响。鉴于资源基础理论没有区分资源与能力，因此上述研究难以阐释大数据、大数据分析能力共同赋能创新的内在机制。Hao等（2019）［10］引入核心能力理论，提出并验证了大数据分析能力在大数据与创新绩效间的正向调节作用。两者在创新中的差异化角色和影响虽得以证明，但两者匹配与否怎样影响创新依然悬而未决。

此外，现有研究还存在以下两个有待完善之处：首先，大数据—大数据分析能力匹配如何影响产品创新度有待探究。产品创新度指新产品及其采用的技术相较于企业现有产品和市场的新颖度（Song和Parry，1999［11］；苏中锋和李嘉，2014［12］），是新产品的核心地位优势（Day和 Wensley，1988［13］；李泽等，2017［14］），对创新成功率和可持续性起决定性作用（Su等，2013［15］）。何种因素影响产品创新度值得深入研究。对此，Day和Wensley（1998）［13］构建“资源—地位优势—绩效”（sources-positional advantageperformance，SPP）框架指出，企业资源和能力决定了产品创新度。该论断在以传统资源与能力为前因的研究中得到验证（李泽等，2017［14］；Song和Xie，2000［16］）。而现今传统资源与能力愈加难以触发高度创新的产品，这也驱使企业转而利用大数据、大数据分析能力谋求产品创新度更显著提升。本文认为，探明大数据—大数据分析能力匹配如何影响产品创新度是企业创新发展数字化转型的迫切要求和重要内容（Nambisan等，2017［7］；陈剑等，2020［17］；刘洋等，2020［18］）。该问题的解决有助于学者从新产品地位优势层面来认识大数据—大数据分析能力匹配机制赋能创新的成效，能为企业在数字化转型中抢占地位优势提供对策参考。但迄今鲜有文献将大数据、大数据分析能力与产品创新度共同纳入研究，基于大数据—大数分析能力匹配视角的研究更加稀缺。

其次，大数据—大数据分析能力匹配对产品创新度的影响有待实证检验。学术研究中，大数据及其分析的相关研究已占据管理学领域主要地位，在医疗健康服务场景的研究显著增长（伍之昂等，2021［19］）。但迄今实证研究仍相对滞后，来自医疗健康服务业的经验证据尤其匮乏。创新实践中，党的十九大报告与我国“十四五”规划强调，加快医疗健康产业数字化转型来推进人民健康优先发展和高质量发展。新冠肺炎疫情后，民众对数据驱动的医疗健康服务产品的需求数量及质量均大幅提升，如利用大数据平台和专家系统筛查、诊疗与预防疾病等。这就要求行业企业提供更具颠覆性的产品来满足民众需求（王灏晨和温珂，2020［20］；Wang和Hajli，2017［21］）。但研究表明，医疗健康大数据与对其的分析不匹配严重制约着服务产品创新（虞铭明等，2018［22］）。因此本文认为，大数据—大数据分析能力匹配与产品创新度之间的关系亟待来自医疗健康服务业的实证检验。所得结论可增添大数据—大数据分析能力匹配赋能创新的新证据，为加快医疗健康服务业数字化转型，提升人民医疗健康水平提供实践启示。

本文旨在探究大数据与大数据分析能力的匹配/不匹配如何影响产品创新度？本文基于信息处理理论，划分4种匹配/不匹配情况，分析其对产品创新度的影响差异并排序；收集164个中国医疗健康服务创新项目数据，采用回归分析与单因素方差分析（Analysis of Variance，ANOVA）检验模型与假设。本文边际贡献在于：①基于信息处理理论，从配对匹配角度，为解释大数据与大数据分析能力赋能创新提出新机制；②基于SPP框架，从产品创新度这一地位优势角度，为认知大数据、大数据分析能力赋能创新的效果提供新观点；③基于医疗健康服务业的实证研究，为大数据—大数据分析能力匹配赋能创新提供新证据，为企业创新发展数字化转型提供新启示。

2 理论基础与研究假设

2.1 信息处理理论与大数据—大数据分析能力匹配

信息处理理论认为，企业存续发展依赖于环境对其的输入，但因环境不确定性，企业需处理信息以应对不确定性引发的冲击（March和Simon，1958［23］）；企业是以高效处理信息为目标的系统（Galbraith，1974［8］）；而信息处理需求与信息处理能力匹配是实现此目标的核心（Tushman和Nadler，1978［9］）；信息处理需求源自企业执行任务所需信息量与所拥有信息量间的差异（Tushman和Nadler，1978［9］），信息处理能力是企业拥有充足信息并对其分析、诠释、整合与利用的能力。

信息处理理论在企业组织结构设计、产品创新、知识管理与供应链管理等领域得到应用和拓展。这些研究面向传统数据处理需求，强调依靠组织结构与流程设计等手段，以及信息技术和系统等工具提高信息处理能力。而数字经济时代，数据量呈指数级增长，企业广泛应用大数据驱动创新决策和任务，产生强烈的大数据处理需求。按照信息处理理论的逻辑，大数据处理需求应与大数据处理能力匹配，以期将大数据有效转化为高质量信息以指导创新决策和任务。大数据分析能力是数字创新中最关键的信息处理能力之一，能使企业以先进技术形式获取、存储、处理及分析大数据，并向用户交付价值性信息和知识，最终促成高效创新决策和行为（Akter等，2016［24］；Dubey等，2019［25］）。因此，本文将信息处理需求明确为大数据处理需求，将信息处理能力明确为大数据分析能力，提出大数据—大数据分析能力匹配赋能创新的观点。

信息处理理论提出了调节、中介、配对、构式偏差、格式塔以及协变匹配共6种分析方法及其适用条件（Venkatraman，1989［26］）。其中，配对匹配是根据两个自变量之间匹配度的计算结果，分析两个自变量匹配与否对因变量的不同影响。该方法最契合本文研究问题。按照此方法，借鉴Wagner等（2012）［27］、Luo和Yu（2016）［28］研究，本文将大数据—大数据分析能力匹配定义为大数据与大数据分析能力处于同等水平，包括高大数据—高大数据分析能力匹配（高—高匹配）和低大数据—低大数据分析能力匹配（低—低匹配）。反之，二者不匹配则被定义为大数据与大数据分析能力处于不同水平，包括高大数据—低大数据分析能力不匹配（高—低不匹配）和低大数据—高大数据分析能力不匹配（低—高不匹配）。

2.2 研究假设

（1） 高—高匹配与不匹配对产品创新度的影响

大数据与大数据分析能力高—高匹配时，企业可以利用高水平的大数据分析能力有效重构、挖掘和分析充沛的大数据（Gupta和George，2016［3］），获取市场和顾客需求信息，预测创新趋势（Akter等，2016［24］；Wamba等，2017［29］），设计和生产新颖的产品；可以新信息和知识，优化创新解决方案（Rialti等，2019［30］），提高产品创新度；可以挖掘潜在信息（Akter等，2016［24］），针对性设定不同细分市场的生产和销售模式，提供有别于竞争者的独特产品（程刚和李敏，2014［31］）。

大数据与大数据分析能力高—低不匹配时，企业虽拥有大数据，但因分析能力短板，仅能对大数据进行简单解读（Hooi等，2018［32］），大数据的价值无法充分发挥（余鲲鹏和李伟，2021［33］），产品创新度难以大幅提升。这种不匹配会增加大数据存储成本、数据转换为信息的难度和信息安全风险（Akter等，2016［24］）。企业因此难以精准分析市场趋势，容易因信息不准确而抑制产品创新度提升（Tan，2018［34］）。

大数据与大数据分析能力低—高不匹配时，超出信息处理需求的大数据分析能力会造成企业能力冗余和资源浪费（Song等，2020［35］；Isik，2018［36］）。这不利于企业对更重要资源进行投资（Tushman和Nadler，1978［9］），阻碍企业成功创新。同时，过度分析有限数据会造成企业对市场需求趋势的错误解读（Wang等，2019［37］），致使创新决策出现偏差，影响创新成效甚至导致创新失败。因此提出假设：

假设1：大数据与大数据分析能力高—高匹配比不匹配更能提高产品创新度。

（2）高—高匹配与低—低匹配对产品创新度的影响

大数据与大数据分析能力高—高匹配时，面对海量数据，企业运用先进分析技术可以准确发现并归类重要信息（Akter等，2016［24］），识别用户新需求或确定新的细分市场（Wamba等，2017［29］），从而引领创新；可以有效预测服务创新方向和成果（Rialti等，2019［30］；周潇等，2017［38］），正确制定创新流程与标准，运用全新技术和流程开发新颖的产品（Gupta和George，2016［3］；Tan，2018［34］），从而提高产品的技术新颖性；可以提出最优解决方案并配备合适人员（Isik，2018［36］），率先将服务产品投入市场，从而提升产品的市场新颖性；可以精准地将新服务产品投放到细分市场和目标客户（Song等，2020［35］），为其确定最优销售渠道与方式，为顾客提供个性化产品（程刚和李敏，2014［31］；Tan，2018［34］），提高产品创新度。

大数据与大数据分析能力低—低匹配时，企业拥有的大数据存量较低，大数据分析能力相应也较低。这使企业缺少快速应对变化的必要信息，难以洞察创新发展的新视角，缺乏创新灵感（Tan，2018［34］），进而阻碍产品创新度提升。其次，低—低匹配使企业无法及时获取并有效分析顾客需求、偏好以及其对服务产品的反馈，导致企业缺乏对现有产品缺陷的感知（Akter等，2016［24］；程刚和李敏，2014［31］），继而难以改进新产品，抑制产品创新度提高。最后，低—低匹配使企业无法合理运用现有资源有效改善生产工艺和技术流程（Gupta和George，2016［3］），较难实现产品有效地更新换代，不利于提高产品创新度。因此提出假设：

假设2：大数据与大数据分析能力高—高匹配比低—低匹配更能提高产品创新度。

（3）低—高不匹配与高—低不匹配对产品创新度的影响

大数据与大数据分析能力低—高不匹配时，企业虽拥有较少的大数据，但却拥有高水平的大数据分析能力。这有助于企业从大数据中准确发现并整理信息（Wamba等，2017［29］），设计创新流程及运营措施，根据市场需求重新组合现有资源，更新产品技术及功能（Gupta和George，2016［3］；李涛和高良谋，2016［39］），充分发挥大数据价值；有助于企业对市场需求和竞争者信息进行前瞻性分析（Cillo等，2010［40］），预判市场发展方向（王灏晨和温珂，2020［20］），明确创新目标和方向（程刚和李敏，2014［31］），有效提高产品创新度。相反，大数据与大数据分析能力高—低不匹配时，企业虽然拥有大量高质的数据，但缺乏从中挖掘市场趋势和预测消费者行为的能力，无法准确定位创新方向（Tan，2018［34］）。这一方面导致企业大数据资源浪费，创新成本增加（Bumblauskas等，2017［41］）；另一方面使企业陷入处理过多信息的困境（Tan，2018［34］），增加决策偏差风险。

与高—低不匹配相比，大数据与大数据分析能力低—高不匹配更能提升产品创新度的优势在于：作为不可模仿和复制的能力，大数据分析能力才是企业有效利用市场和顾客信息的重要手段（Akter等，2016［24］），是企业获取差异化竞争优势的关键（Gupta和George，2016［3］）。对于产品创新度更重要的是企业可以通过组合、集成以及部署所拥有的大数据资源从而获取战略和运营新视角（Gupta和George，2016［3］）。高水平的大数据分析能力有助于企业在创新过程中使用新的技术手段和方法（周潇等，2017［38］），进而帮助提高企业在创新过程中使用全新技术的可能性，提高产品创新度。因此提出假设：

假设3：大数据与大数据分析能力低—高不匹配比高—低不匹配更能提高产品创新度。

（4）低—低匹配对产品创新度的影响

与高—高匹配相比，大数据与大数据分析能力低—低匹配对产品创新度的影响作用更小。高—高匹配帮助企业充分利用大数据获取创新视角，改造服务流程，提高新产品新颖度（Gupta和George，2016［3］；Song等，2020［35］）。而在低—低匹配时，企业在大数据资源与大数据分析能力方面均处于劣势，无法利用大数据分析能力挖掘大数据中蕴藏的信息（Akter等，2016［24］），错失创新机遇（Gupta和George，2016［3］），无法有效提高产品创新度。

与高—低不匹配相比，大数据与大数据分析能力低—低匹配对产品创新度的影响作用更小。高—低不匹配有助于企业借助充分的大数据了解关于其产品、顾客及市场的现状和趋势（Urbinati等，2019［42］）。即使深入分析和挖掘这些大数据的能力不足，企业也有更大的机会从海量大数据中萌发出新想法（Johnson等，2017［43］），从而规划更好的创新流程（Hooi等，2018［32］；李涛和高良谋，2016［39］），提升产品创新度。而低—低匹配不仅无法获取有价值的数据信息，也没有可以利用和结构化大数据的分析能力（Song等，2020［35］），其对产品创新度的提升作用更小。

与低—高匹配相比，大数据与大数据分析能力低—低匹配对产品创新度的影响作用更小。低—高不匹配比低—低匹配在大数据分析能力方面更有优势，较高的大数据分析能力可以帮助企业通过挖掘更多的数据信息获取更多创新视角和方法（Wamba等，2017［29］），从而使新产品区别于现有市场中的产品（Tan，2018［34］）。因此提出假设：

假设4：大数据与大数据分析能力低—低匹配对产品创新度的影响最小。

3 研究设计

3.1 量表开发

本文基于文献研究，借鉴国外期刊中成熟及引用频率高的量表，遵循Song和Montoya-Weiss（2001）［44］所提程序开发量表。

首先，研究团队对16个新服务开发项目进行案例研究，并对其项目团队开展焦点小组访谈。焦点小组访谈中，设计并使用了开放式和半结构化问题。第一组问题旨在评估变量测度的概念等价性，要求焦点小组成员定义大数据、大数据分析能力与产品创新度的关键构件；第二组问题旨在评估变量测度的功能等价性，要求焦点小组成员评估理论模型与其开发经验的吻合程度；第三组问题旨在评估变量测度的类别等效性，询问焦点小组成员对现有文献及案例研究所得量表的相关性与完整性看法以确定变量测度题项（Song和Montoya-Weiss，2001［44］）。案例研究和焦点小组访谈结果表明，学术研究中使用的量表经小幅修改后可用以测量研究变量。

其次，依据Churchill（1979）［45］所提措施，研究团队就上述环节结果向中国工商管理学院的学术专家和参与案例研究的新服务开发项目负责人进行咨询，请其评估、修改及再次审查量表。

再次，研究团队对问卷进行双重翻译。2名翻译人员独立将英文问卷译成中文；另外2名翻译人员独立将中文问卷回译成英文；4名翻译人员共同讨论翻译与回译中不一致之处，再与案例研究和焦点小组访谈参与者讨论并修改问卷。

最后，研究团队实施了两次预测试。第一次预测试中参与者就问卷中不清楚之处向在场的调研员提问并完成问卷。调研员均接受了培训以保障其以准确的表达来解释问卷问题。第二次预测试包含一份修改过的问卷，请预测试参与者完成问卷并反馈问题。两次预测试收集的修改建议均被纳入问卷最终版本。

3.2 变量测量

本文借鉴Johnson等（2017）［43］、Ghasemaghaei和Calic（2019）［46］的研究，用包含大数据“4V”特征的4个题项测量大数据（见表1）。题项采用0-10的11级李克特量表。对于第一个题项，0代表非常不充足，5代表一般充足，10代表非常充足；对于其他题项，0代表非常不同意，5代表一般同意，10代表非常同意。

本文基于前期案例研究和焦点访谈结果，借鉴Gupta与George（2016）［3］、Wamba等（2017）［29］、Akter等（2016）［24］与Dubey等（2019）［25］的研究，采用5个题项测度大数据分析能力（见表1）。题项采用0-10的11级李克特量表，0代表不具备该项能力，5代表该项能力的水平一般，10代表该项能力的水平非常高。

本文借鉴Song与Parry（1997，1999）［47,11］，以及Song等（2020）［35］的研究，用5个题项测量产品创新度（见表1）。题项采用0-10的11级李克特量表，0代表非常不同意，5代表一般同意，10代表非常同意。

表1 变量测量题项

续表

3.3 数据收集

本文按照Song与Montoya-Weiss（2001）［44］，以及Dillman等（2014）［48］所提程序与方法收集数据。

研究团队首先确定拟调研企业，与其取得联系后，通过解释学术研究目的及目标、提供研究报告等方式鼓励企业同意参与调研。为了避免问卷填写者美化或高估自身导致的偏差以及样本自选择带来的内生性问题，研究团队要求每个同意参与调研的企业提供4种新服务开发项目，即正在进行的项目、典型项目、成功项目和失败项目。对每种新服务开发项目，研究团队均收集了大数据、大数据分析能力与产品创新度数据。为进一步避免样本自选择带来的内生性问题，研究团队在不同时间将自变量和因变量数据分开收集，向新服务开发项目负责人收集大数据与大数据分析能力数据，向部门高级经理（如市场、销售与研发部门总监）收集产品创新度数据。

为消除大数据、大数据分析能力与产品创新度的内生性问题，本研究在每个新服务开发项目商业化（即投放市场）之后收集其产品创新度数据，对于未投放市场的项目，研究团队继续跟踪直至其投放市场后收集产品创新度数据。大数据及大数据分析能力在新服务开发项目中的应用具有前定性，各个新服务开发项目投放市场之后的产品创新度不会反向影响该项目开发中应用的大数据与大数据分析能力。因此，可排除大数据、大数据分析能力与产品创新度因反向因果导致的内生性问题。

样本企业来自2004至2014年，深圳证券交易所中小企业板块和创业板块首次公开募股公司。研究采用特快专递和电子邮件实施问卷调查。首先向开发项目负责人寄送一封快递，包括一份个性化信件（阐述学术研究目的与目标，预先签署保密协议及研究项目执行摘要）、一份调查问卷、一个邮资已付且回信地址已经填好的信封。第一封快递寄出一周后，采用跟进信件和电子邮件等方式鼓励受访者回复问卷。对没有回复的受访者，继续发送两封跟进信件/电子邮件，并电话确认是否参与本研究。此外，为问卷填写者提供免费的新服务开发培训项目以及可供参阅的研究报告清单以提高问卷回复率。采用上述数据收集方案，最终获得164个医疗健康服务创新项目的完整数据。其中，成功项目62项，失败项目102项，这也有效减少了样本自选择带来的内生性问题。

数据提供者行业经验（在相似行业或市场任职的总年数）小于等于10年的占比为21.95%，11至20年占比为40.85%，21至30年占比为34.15%，31至40年占比为3.05%；设计经验（在研发部门任职的总年数）小于等于10年的占比为62.80%，11至20年占比为37.20%；营销经验小于等于10年的占比为10.98%，11至20年占比为48.17%，21至30年占比为37.19%，31至40年占比为3.66%；曾负责项目总数量小于等于10项的占比26.83%，11至20项占比为73.17%；团队成员人数小于等于10人的占比为17.68%，11至20人占比为78.05%，21至30人占比为4.27%。

4 实证分析

4.1 信效度检验与描述性统计分析

表2显示了变量信度与效度检验结果。大数据、大数据分析能力与产品创新度的Cronbach’s α值分别为0.802、0.787与0.841，大于门槛值0.700，说明量表信度良好。变量的各题项因子载荷在0.607至0.842之间，大于门槛值0.500，且没有出现双重载荷，说明问卷效度良好。

表2 变量信度与效度检验（N=164）

表3给出了变量均值、标准差和相关系数。由变量均值与标准差可知，本研究所用样本既有大数据、大数据分析能力与产品创新度水平高的项目，也有水平低的项目，研究数据无显著样本自选择内生性问题。大数据与产品创新度的相关系数为0.245（p<0.010），大数据分析能力与产品创新度的相关系数为0.372（p<0.010），为本文假设检验提供初步判断依据。

表3 变量描述性统计及相关系数矩阵（N=164）

4.2 匹配分析

借鉴Song等（2020）［35］的研究，本文将0和10作为大数据—大数据分析能力匹配与不匹配的起点与终点，以大数据均值（5.498）和大数据分析能力均值（6.319）为划分标准，将164个服务创新项目分为了4种情况，如图1所示。

图1 4种大数据与大数据分析能力匹配与不匹配情况（N=164）

4.3 回归分析

本文对4种大数据—大数据分析能力匹配/不匹配情况与产品创新度间的关系进行回归分析（见表2）。因为本文将大数据—大数据分析能力匹配和不匹配这4个自变量定义为4个虚拟变量，回归模型中不包括截距项。为分析假设是否成立，本文还检验了6对组别之间的参数估计值是否存在显著差异（见表3）。由表4与表5可知：

表4 大数据—大数据分析能力匹配与不匹配对产品创新度的回归分析结果（N=164）

表5 大数据—大数据分析能力匹配与不匹配情况对产品创新度的影响差异检验（N=164）

大数据与大数据分析能力高—高匹配（β=6.426，p<0.010）对产品创新度的正向影响作用大于高—低不匹配（β=4.970，p<0.010）和低—高不匹配（β=5.620，p<0.010）。大数据与大数据分析能力高—高匹配对产品创新度的影响作用与高—低不匹配（F=12.060，p<0.010）和低—高不匹配（F=3.470，p<0.100）的影响作用均存在显著区别，表明大数据与大数据分析能力高水平匹配比不匹配更能提高产品创新度，假设1得到支持。

大数据与大数据分析能力高—高匹配（β=6.426，p<0.010）对产品创新度的正向影响作用大于低—低匹配（β=4.436，p<0.010）。大数据与大数据分析能力高—高匹配与低—低匹配（F=25.030，p<0.010）对产品创新度的影响作用存在显著区别，表明大数据与大数据分析能力高水平匹配比低水平匹配更能提升产品创新度，假设2得到支持。

大数据与大数据分析能力低—高不匹配（β=5.620，p<0.010）对产品创新度的正向影响作用大于高—低不匹配（β=4.970，p<0.010）。大数据与大数据分析能力高—低不匹配与低—高不匹配对产品创新度的影响作用没有显著区别（F=1.750，p>0.100），假设3未得到支持。

大数据与大数据分析能力低—低匹配（β=4.436，p<0.010）对产品创新度的影响作用最小。大数据与大数据分析能力低—低匹配与高—高匹配（F=25.030，p<0.010）和低—高不匹配（F=6.280，p<0.050）之间均存在显著差异。大数据与大数据分析能力低—低匹配与高—低不匹配（F=1.340，p>0.100）对产品创新度的影响作用没有显著区别，二者对产品创新度的影响作用均最低，假设4得到部分支持。

大数据与大数据分析能力高—高匹配对产品创新度的提升效果最大，是低—低匹配的1.449倍、低—高不匹配的1.143倍、高—低不匹配的1.293倍。当大数据与大数据分析能力处于高水平匹配状态时，服务创新项目更容易实现产品创新度的提高。之后，对产品创新度的影响作用由大到小排序依次是大数据与大数据分析能力低—高不匹配、高—低不匹配与低—低匹配。

4.4 ANOVA分析

为验证分析方法是否影响研究结论，本文按照He（2004）等［49］的研究程序，以均值为划分标准进行ANOVA分析。结果显示，总计自由度为163，组间偏差平方和为106.989，组内偏差平方和为606.066，总计偏差平方和为713.056。由表6可知，统计样本F值为9.410，p值小于0.010，因此拒绝无显著差异的原假设，表明4种大数据—大数据分析能力匹配与不匹配情况下产品创新度均值有显著区别。

表6 ANOVA分析结果（N=164）

为进一步检验4种大数据—大数据分析能力匹配与不匹配情况产品创新度均值存在的显著差异，本文还进行了最小显著差异（Least Significant Difference，LSD）检验分析，结果见表7。由表7可知，大数据与大数据分析能力高—高匹配产品创新度的均值均大于其余3种情况，且存在显著差异，假设1与假设2得到验证；高—低不匹配与低—高不匹配之间无显著差异，假设3不成立；低—低匹配产品创新度的均值小于高—高匹配和低—高不匹配，但与高—低不匹配之间不存在显著差异，假设4得到部分支持。

表7 最小显著差异检验结果（N=164）

综上，回归分析与ANOVA分析得出相同结果，表明本文数据分析方法对研究结论没有影响。

4.5 稳健性检验

本文根据中位数划分标准进行稳健性检验。大数据的中位数值为6.000，大数据分析能力的中位数值为6.500。4种大数据—大数据分析能力匹配/不匹配与产品创新度间关系的回归分析结果显示：大数据与大数据分析能力高—高匹配对产品创新度的影响最大，接下来影响作用由大到小依次是低—高不匹配、高—低不匹配和低—低匹配（见评审人附表中图A1与表A1，如有需要可加入正文）。该回归结果与以均值为划分标准的结果完全一致。

表A1 大数据—大数据分析能力匹配与不匹配对产品创新度的回归分析结果（N=164）

图A1 4种大数据与大数据分析能力匹配与不匹配情况（N=164）

4种大数据—大数据分析能力匹配与不匹配情况对产品创新度的影响差异检验结果显示，高—高匹配对产品创新度的影响大于其它3种情况且具有显著差异，假设1和假设2成立；高—低不匹配与低—高不匹配对产品创新度的影响作用未有显著区别，假设3不成立；低—低匹配对产品创新度的影响最小，且这些情况之间均存在显著区别，假设4成立（见评审人附表中表A2，如有需要可加入正文）。而4种大数据—大数据分析能力匹配与不匹配情况对产品创新度均值影响差异的ANOVA分析和LSD检验结果与此相同（见评审人附表中表A3与表A4，如有需要可加入正文）。上述结果与以均值作为划分标准所得结果的不同之处在于：大数据与大数据分析能力高—低不匹配和低—低匹配对产品创新度的影响从不存在显著差异变成存在显著差异，其余情况对产品创新度地影响在两种划分标准下完全相同。一种解释是：以均值作为划分标准时，大数据与大数据分析能力低—低匹配和高—低不匹配的均值差较小，为-0.534（如表6所示：低—低匹配均值为4.436，高—低不匹配均值为4.970）。这表明大数据与大数据分析能力高—低不匹配的项目团队虽比低—低匹配的团队具备更多大数据，但这一资源优势并不明显。因此，大数据与大数据分析能力高—低不匹配与低—低匹配对产品创新度的影响不存在显著差异。而以中位数为划分标准时，大数据与大数据分析能力低—低匹配和高—低不匹配的均值差较大，为-0.981（如评审人附表表A3所示：低—低匹配均值为4.393，高—低不匹配均值为5.374）。这意味着大数据与大数据分析能力高—低不匹配的项目团队比低—低匹配的团队具备更明显的大数据资源优势。虽然大数据分析能力低，但具有更充沛大数据的项目团队依然有更多机会从大数据中获得丰富、及时、高价值的顾客需求、市场发展趋势、现有竞争产品、技术变化及竞争等信息，继而孕育新创意、应用新技术、产生新流程以更大程度提升产品创新度。因此，大数据与大数据分析能力高—低不匹配与低—低匹配对产品创新度的影响表现出显著差异。除此以外，其余结果在两种划分标准下完全相同。综括以上分析可知，本文研究结果具有稳健性。

表A2 大数据—大数据分析能力匹配与不匹配情况对产品创新度的影响差异检验表（N=164）

表A3 ANOVA分析结果表（N=164）

表A4 大数据—大数据分析能力匹配与不匹配情况产品创新度均值的差异检验表（N=164）

5 研究结论

5.1 结论与讨论

第一，大数据与大数据分析能力高—高匹配比不匹配以及低—低匹配更有效提升产品创新度。因为具备高大数据与高大数据分析能力的企业可充分解读海量数据，发现全新的知识关联，产生更具颠覆性的创意，出台最优化的创新方案，提供具有最佳客户体验的产品组合（Gupta和George，2016［3］；Wamba等，2017［29］），最终使产品创新度达到新高度。该结论与本文假设一致，证明大数据—大数据分析能力匹配是提升产品创新度的内在机制。这也再次印证了信息处理理论关于信息处理需求与能力匹配会产生更高绩效的论断。而该结论与Hao等（2019）［10］提出的大数据水平较高时提高大数据分析能力反而抑制产品创新度的结果不同。可能的解释是本文从配对匹配角度，论证大数据与大数据分析能力赋能创新的匹配机制；Hao等（2019）［10］的研究从大数据分析能力的调节效应角度，厘清大数据赋能创新的能力边界条件。

第二，大数据与大数据分析能力低—高不匹配对产品创新度的提升作用仅次于高—高匹配，且比低—低匹配更高。因为大数据与大数据分析能力低—高不匹配依然可以满足创新任务的信息处理需求。尽管低水平大数据限制了企业所能获得的新关联与新知识的规模，缩小了产品创新度提升空间，但具有高水平大数据分析能力的企业可从有限的大数据中获得以往未曾有过的洞察从而提升产品创新度。而大数据与大数据分析能力低—低匹配意味着企业既缺乏必要的大数据也缺少对其的分析利用，企业难以产生区别于以往的创新性洞察以提升产品创新度。该结论与本文假设一致，但与信息处理理论提出的信息处理需求与信息处理能力匹配优于不匹配的观点不同（Tushman和Nadler，1978［9］），也与相关研究如Wagner等（2012）［27］发现的供需不确定与供应链响应性匹配会比不匹配取得更高资产回报的结论不同。一种解释是信息处理理论及相关应用研究没有区分4种匹配/不匹配情况，仅对比了匹配与不匹配2种情况。

第三，大数据与大数据分析能力低—高不匹配不会比高—低不匹配更能提升产品创新度。该结论与本文研究假设不一致，也与Wagner等（2012）［27］以及Luo和Yu（2016）［28］提出的匹配过度（信息处理能力高于信息处理需求）对产品创新度的影响作用大于匹配不足（信息处理需求高于信息处理能力）的结果不同。一种解释是大数据与大数据分析能力低—高不匹配导致创新出现能力冗余，而高—低不匹配造成创新中信息过载。两种不匹配均存在负面影响从而对产品创新度的提升效果不存在显著区别。

第四，大数据与大数据分析能力高—低不匹配与低—低匹配对提升产品创新度无显著区别，二者对产品创新度的提升作用最小。该结论与本文研究假设不一致。一种解释是在大数据环境下，大数据分析能力对提升产品创新度更重要。如果大数据分析能力较低，则大数据的高低对提升产品创新度无明显区别。企业在大数据分析能力较低的情况下对大数据的投资不能收到期望回报。

综括上述结果还可得到两点进一步的结论：一是大数据与大数据分析能力高—高匹配最大程度提升着产品创新度。因此，在新服务开发所需大数据资源充裕的情况下，加快构建高水平的大数据分析能力就成为产品创新度得以最大程度提升的关键。二是大数据与大数据分析能力低—高不匹配对产品创新度的提升作用略低于高—高匹配，但却高于高—低不匹配与低—低匹配。因此，在大数据资源有限或不足的情况下，为提升产品创新度，企业应首先致力于提高大数据分析能力而不是急于扩充大数据资源；在具备较强大数据分析能力之后，再着力于扩充大数据资源，直至达成大数据与大数据分析能力高—高匹配。

5.2 理论贡献

第一，基于信息处理需求与能力匹配的观点，构建并验证大数据—大数据分析能力匹配模型。多数现有研究分别考察大数据、大数据分析能力是否以及如何赋能创新。本文运用信息处理理论的配对匹配思维，提出大数据—大数据分析能力匹配赋能创新的观点，而结论也证明了该匹配机制。本研究启发理论界从匹配的新角度去发现大数据与大数据分析能力共同赋能创新的内在机制，去关注大数据—大数据分析能力匹配的新命题。

第二，从产品创新度这一地位优势角度，探究大数据—大数据分析能力匹配赋能创新的效果。现有研究考察的是传统数据与数据分析能力对产品创新度的影响。本文划分并剖析4种大数据—大数据分析能力匹配/不匹配对产品创新度的差异化影响，而结论也印证了上述匹配/不匹配情况对提升产品创新度存在差异。这既丰富了产品创新度的前因研究，从地位优势角度，加深对大数据、大数据分析能力赋能创新效果的理解；也验证了信息处理理论在大数据时代背景下的适用性，丰富了现有信息处理理论研究。

第三，选取医药健康服务行业开展实证研究。现有研究很少采用实证研究方法验证大数据—大数据分析能力匹配的议题，以医药健康服务行业为例的实证研究更是稀缺。本文收集164个中国医疗健康服务创新项目数据，实证检验大数据—大数据分析能力匹配与/不匹配对产品创新度的差异化影响机理与重要程度。这为大数据、大数据分析能力相关研究增添了新证据，贡献了新发现和新洞见，为数字经济时代医药健康服务业数字创新提供经验证据。

5.3 管理启示

企业可从四方面构建大数据分析能力。①明确提出应用大数据分析技术及工具的愿景、目标及规划，并清晰传达至团队成员，培养其数据驱动创新的意识，促使其积极应用大数据分析技术和工具。②引入先进的大数据分析及算法工具，深度分析不同结构和形式的大数据，从中提取与开发活动相关的价值性信息，依据数据制定相应开发决策。③定期培训团队成员应用先进大数据分析技术和工具的技能，提高其对数据的敏感度和认知能力，注重培养其利用大数据预测潜在市场机会和发展趋势的能力。④建立大数据分析与应用的评价与奖励机制，如将大数据分析的技能和素质纳入正式考评；对借助大数据分析获得新颖洞察从而增强产品创新度的行为给予高水平奖励。

企业可采取三项举措扩充大数据资源。①从不同渠道获取有关顾客需求、购买行为、产品使用行为、市场发展趋势、技术发展及竞争性产品与服务等的结构化与非结构化数据。②不断产生、更新大数据资源，并清洗、剔除有偏差的数据信息，保障大数据的时效性、准确性和价值性。③及时将高质量的大数据资源传播、共享至团队成员，使每位团队成员可以从大数据中及时了解市场动态，快速调整服务创新方向和方法。

5.4 研究局限与未来展望

首先，本文以医疗健康服务企业为研究样本。后续研究应对其他国家或其他行业的企业进行探讨，以论证研究结论的跨国和跨行业适用性。其次，本文仅研究了大数据与大数据分析能力匹配与否对产品创新度的影响。未来研究可分析两者匹配与否对创新质量、创新速度和创新采纳度的影响。最后，本文开发了问卷量表来测量产品创新度，今后应考虑采用客观数据作为衡量指标以进一步验证研究结论。