知识搜寻、知识吸收与服务创新：大数据能力的调节效应

简兆权，戴炳钦，2，卢荷芳，刘 念，胡品平，4

(1.华南理工大学工商管理学院，广东广州 510640；2.福建省龙岩市闽西职业技术学院财经商贸学院，福建龙岩 364021；3.武汉轻工大学管理学院，湖北武汉 430048；4.广东省科学技术情报研究所，广东广州 510033）

1 研究背景

在产品科技化和同质化并存的背景下，企业如何获得和积累竞争优势已成为企业界和学术界讨论的重要话题［1］。魏江等［1］指出，服务创新（service innovation，SI）有助于提升企业的竞争力，与客户需求相适配的专业服务能够推动企业转型升级。当前，国家大力支持和推进服务业的发展，服务经济在整体经济结构中的占比不断增大。随着数字技术的快速发展和大数据应用的兴起，促进了企业对运营系统的优化，提升了企业的运营效率，为企业实现SI 提供了保证［2-3］。与此同时，数字技术也使企业服务面临需要在更加开放和动态的环境中进行创新，单个企业的知识库很难满足持续的SI要求，因此，企业SI 的难度变得越来越大［4］。相反，知识搜寻能够使企业获取与现有知识库形成互补的多元新知识，跨越单一封闭的知识库资源，与外部组织形成协同SI。鉴于此，本研究认为知识搜寻如何影响企业进行SI，是一个亟需解决的重要课题。

现有研究是否已经解决了以上问题？基于现有研究，Spender 等［5］认为与企业SI 相关的多元化、互补性知识可以在企业间互动中获取，如与供应商互动获取生产技术信息，与客户互动获取市场发展趋势信息等。Kindströ 等［6］认为多元化SI 知识的获取增加了企业对知识库的动态管理难度，特别是对外部搜寻所获得知识的转移、内化和运用到新服务中的管理难度更大。Lütjen 等［7］认为互联网等数字技术的发展增加了单一企业SI 的难度，企业SI 模式由原先独自创新向与外部关键合作伙伴协同创新转变，企业开始重视从社会网络中获取竞争优势。综上，现有关于知识搜寻对企业SI 影响的研究主要从知识基础、社会网络理论、动态管理知识库等视角展开探讨。而对基于创新扩散理论视角下，知识搜寻如何通过知识吸收影响企业SI 之间关系的研究还有待深入探讨。

理论界和企业界都充分重视知识搜寻对企业SI的影响［8］。例如，有研究指出知识资源、搜寻流程、搜寻范围、高层管理者的支持程度对企业的SI 能力和创新效果均有显著正向影响［5，8］。Moanibaa 等［9］认为，外部知识来源的多样性和地理距离对搜索过程和服务创新的成功有很大的影响。其他研究指出知识搜寻对SI除了有直接影响外，还有间接的影响，它能够通过对外部知识的吸收、内化（比如知识吸收）而起间接作用［10］。根据创新扩散理论，企业通过对知识搜寻获得的知识进行吸收，可以丰富自身的知识库，填补与知识源的知识和技术差距［11］。即知识吸收很可能在知识搜寻和SI 之间起到中介作用，然而现有研究忽视了对这一作用机制的探讨。鉴于此，本研究认为企业通过对知识搜寻实施吸收、内化、重组等知识吸收程序，丰富企业自身的知识库，从而提升企业的SI 能力。此外，作为在数字技术环境下的创新活动，企业知识吸收和SI 可能还会受到大数据能力的影响。已有研究表明，大数据分析能够有效整合和协调企业各种资源，降低企业运营环境的不确定性和模糊性［12-13］。由此，本研究认为大数据分析作为一种边界条件，对企业的知识吸收和SI 有着重要的影响作用。

综上所述，本研究基于创新扩散理论视角，重点探讨知识搜寻对SI 的影响，并对知识吸收在知识搜寻和SI 之间可能存在的中介作用，以及大数据能力在知识搜寻和知识吸收、知识吸收和SI 之间可能存在的调节作用进行检验。本研究的理论模型见图1。

图1 研究模型

2 理论基础与研究假设

2.1 知识搜寻与SI

基于进化经济学文献［14］，知识搜寻是指根据供给和需求，在地理空间中非本地搜索解决方案所需知识和信息的行为［15-16］。Katila 等［8］认为企业的搜索实际上可以分为深度搜寻和广度搜寻两个不同的维度：深度搜索是指企业重复使用现有知识的频率，搜索广度是指企业探索新知识的范围。统计结果表明搜索深度和广度都与企业的产品创新数量呈倒“U”型曲线关系,搜索深度和广度的交互作用与企业的产品创新数量呈正相关。Laursen 等［17］以工业企业为样本，通过实证研究发现知识搜寻可以帮助企业实现和维持创新，广泛且深入的知识搜寻与企业产品创新绩效呈倒“U”型曲线关系。Verde 等［18］对知识搜寻与内部研发的研究发现，它们之间在口碑好的企业中呈互补关系，其交互作用正向影响产品创新绩效；在口碑差的企业中呈替代关系，当企业知识搜寻的深度和广度加大时，企业的内部研发努力边际效应会减弱，其交互作用负向影响产品创新绩效。

服务的无形性、不可储存性和消费服务的即时性特征，决定了服务类产品不仅与其他有形性产品创新存在着差异，即便是同一类服务产品，在不同时间段的消费也会存在差异，服务的这种多样化特征让学者们对SI可以从不同视角展开研究。Gallouj［19］从新熊彼特理论的视角从发，指出Barras 在20 世纪90 年代提出的逆向创新新理论，实际上是一种从制造业的技术创新扩散到服务业SI 的理论。后来的研究者认为SI 应该以顾客为中心，企业进行SI 的主要目的是实现满足消费者需求的目标，因此Sundbo［20］提出企业应建立捕捉客户思想的渠道，重视SI 的后创新。以顾客为中心的后创新是让顾客参与SI 的理想方式，后创新不应该在创新过程的早期阶段寻找客户参与，而应该在后期阶段寻找，SI 的研究应该延伸到新服务首次进入市场后的一段时间。国内学者也对SI 进行了相关研究，魏江等［1］从独占机制的角度对SI 进行了研究，指出服务业独占性机制包含防御策略、进攻策略和顾客锚定3 种微观机制，目的是避免企业SI 被模仿，保护企业SI 成果。刘念等［4］的研究把SI 提升到企业战略的高度。

虽然现有研究对知识搜寻与企业创新之间的关系进行了比较广泛的探讨，但探讨的企业创新基本都是聚焦于产品创新。如前所述，企业的产品创新与SI 存在差异，然而，现有研究对外部知识与企业SI 之间的关系研究还比较缺乏。已有研究表明，知识搜寻的广度和深度对企业创新绩效的作用有显著提高［17］。由此，本研究认为，从知识搜寻的广度和深度而言，知识搜寻对企业SI 可能有促进作用。

首先，根据创新扩散理论，企业在SI 的决策阶段就已经进行了议程设置，明确了需要解决的服务问题，明确信息搜寻旨在SI，知识搜寻人员会主动寻找获取企业互补性知识和建立捕捉客户思想的渠道［18，20］，若有可能，企业方会积极与信息源方的人员进行双向沟通［21］，以确认信息的真实性和加深对知识理解，提升企业对新知识的转换接收效率。其次，企业会把通过外部搜寻获得的知识与需要解决的服务问题进行匹配，分析这些知识能否真正解决企业所需解决的问题，一旦匹配成功，企业找到面临问题的解决方案，企业就会把通过外部搜寻获得的知识运用到解决企业面临的问题上［22］。而且，从企业外部搜寻的广度来看，通过知识搜寻可以丰富企业的知识库，增加企业知识组合数和解决问题的方案，能有效支持企业的SI［23］。从知识搜寻深度来看，重复使用同一知识，可以加强对该知识的理解，增加熟悉程度，为SI 提供基础［24］。由此，提出以下假设：

H1：知识搜寻和SI 间呈正向相关关系。

2.2 知识吸收的中介作用

知识吸收可分为知识吸收的过程和知识吸收的效果两个角度。从过程角度来看，知识吸收是指知识从发出方传递到吸收方的过程［10］；从效果角度看，知识吸收是包括知识接收方对知识的理解、吸收和应用等阶段［25］。加速合作伙伴之间的关系，能够提升企业对合作伙伴知识的关注度，从而提升企业对合作伙伴知识的理解能力，加强对新知识的理解、吸收和应用能增加企业的知识存量，增强企业的SI能力，知识接收者在实践中使用已吸收的新知识是知识吸收的关键［26-27］。周密等［28］在网络结构层面对知识吸收的环境进行了研究，研究范围从简单的二元层次扩展到多元网络的复杂层次，多元网络具有巨大的创造知识潜力，能充分展现知识搜寻对企业创新绩效的正向作用［27］。由此，探讨知识吸收在知识搜寻和SI 之间的关系所起的作用，具有较强的理论意义和现实意义。目前，关于知识搜寻和SI之间的关系研究大多表明知识搜寻往往是通过知识吸收对其行为产生间接影响［10］。本研究赞同这一观点，而且认为，知识搜寻对企业的SI 的影响不仅是直接的，也有可能是间接的，即知识吸收可能在知识搜寻和SI 之间起中介作用。

首先，根据创新扩散理论，当企业在客户服务方面遇到难题，或发现竞争者在使用一种比自己目前使用的服务方法更有优势的服务方法时，企业就会通过知识搜寻去获取相关知识［22］。新知识是企业成长的重要资本，顺畅的知识吸收活动能够降低企业运作成本，提高创新效率［29］。创新扩散理论指出，创新决策过程包括获知、说服、决策、实施、确认5 个阶段。知识搜寻有助于企业获知和确认自身与知识源企业的服务差距，促进企业与知识源企业建立互动网络关系，通过实施知识吸收弥合企业自身与知识源的知识和技术差距，丰富企业的知识库［11］。通过新旧知识的碰撞重组，消除企业中原有的创新干扰因素，形成企业的新惯例并进行推广，提高企业的SI 能力，增加企业知识吸收的积极性［30］。由此，知识搜寻所获取的与企业自身互补的知识和技术能够正向影响企业知识吸收。

其次，李丹等［31］研究发现知识吸收对SI 有正向的促进作用。SI 作为对知识和技术依存度很高的创新行为，知识吸收也理应对其具有正向影响。根据创新扩散理论，企业将经过转移、内化的知识与创新需求进行匹配，寻找服务问题的解决办法［32］。一旦匹配成功，企业就会将这些知识应用到解决特定的服务问题上［22］。从另一个视角而言，结合知识基础理论，那些创新绩效相对更好的企业大多是擅长利用已吸收、内化的新知识，在实施阶段将知识吸收整合到组织惯例中，作用于SI［33］。知识吸收目标是致力于提升企业的创新绩效，它是一个中间机制，并不是最终结果［34］。由此，企业将知识吸收内化和匹配能够正向影响企业SI。

综上所述，知识搜寻通过所获取的与企业自身互补的知识和技术正向影响企业知识吸收，企业将转移的知识内化并与创新需求匹配，寻找创新服务问题的解决办法，所以，知识吸收正向影响企业SI。由此，提出以下假设：

H2：知识吸收在知识搜寻和SI 间起中介作用。

2.3 大数据能力的调节作用

大数据能力是指以大数据思维为指导，以数据是重要资源为前提，基于组织机制和数字技术手段，科学有效地对已收集的大数据进行分析，以有效整合人才资源、技术资源和数字资源，将数据信息可视化、直观化的一种能力［12］。它是一种为协调企业各种活动而洞察集、聚、配置和利用有价值的数据资源的能力，能够降低企业运营环境的不确定性和模糊性，从而提升企业的竞争力和绩效［13］。从动态能力的视角来看，大数据能力中的个性化、功能性和实体性能够对企业SI 绩效产生正向影响［35-36］。在数字技术快速发展的背景下，大数据能力能够基于市场预测结果提供行业洞见和顾客需求意向，设计与市场环境匹配的SI 方案，加强知识吸收对SI 的作用，以及加强知识吸收对企业良性运营的支持作用，使得企业内部SI需求与外部搜寻的知识更适配［2］。

根据创新扩散理论，如果企业意识到所搜寻的外部知识无法给企业的创新带来正向影响作用，那么该知识搜寻和知识吸收将会停止［37］。大数据能力能够加快对知识的认知和吸收利用进程，在企业外部知识吸收和SI 中发挥了重要的作用［38］。企业拥有较强大数据能力能够改善企业外部搜寻获得的知识，加快理顺多而杂的知识，促进知识吸收的进程，提升企业获取、内化、吸收新知识的能力，增加企业知识库的存量，提升企业的SI能力和SI效果。相反，拥有较低大数据能力的企业处理企业外部搜寻获得的知识，知识吸收的效率和质量无法保证，与SI 需求相匹配的知识选择效率降低，知识吸收对SI 的作用受到影响。基于此，可推断，在高大数据能力的企业中，知识吸收对SI 的影响作用可能变强；在低大数据能力的企业中，知识吸收对SI 的影响作用可能变弱。由此，提出以下假设：

H3：大数据能力在知识搜寻和知识吸收间起到正向的调节作用。

由前文所述可知，知识吸收在知识搜寻和SI 之间可能存在中介作用，大数据能力正向调节知识搜寻对知识吸收的影响，大数据能力也正向调节知识吸收对SI 的影响。基于假设2、假设3 和假设4，本研究认为大数据分析能对该中介也可能起到调节作用，即有调节的中介。主要原因在于：在高大数据能力中，企业外部搜寻的知识得到了整合与解析，使无序变成了有序，便于企业对外部知识的理解、吸收和内化，知识吸收效率比未梳理前更高，有序的知识便于选择和匹配SI 需求，使知识吸收对SI 的影响更显著。而在低大数据能力的企业中，企业通过外部搜寻获取的知识无法得到有效的梳理，杂乱无章的知识会影响知识吸收、吸收和内化，知识吸收效率变得低下，无序的知识会降低企业的SI 效率和效果，使知识吸收对SI 的影响减弱。由此，提出以下假设：

H4：大数据能力正向调节知识吸收在知识搜寻和SI 间的中介作用。

3 研究方法

3.1 样本选择和数据收集

本研究采用的量表来自高水平英文期刊上的成熟量表，并遵循由翻译到回译的程序。研究团队先自行把英文量表翻译成中文，再请3 位博士研究生将翻译完的中文量表回译成英文，如此反复，不断修正。调查问卷采用面对面调查、邮寄和电子邮件等方式发放给企业中层或高层管理者，每家被调查企业的填表者均为1 人。调查区域和调查行业见表1。

问卷调查分为预测试和正式调查，为确保样本数据真实有效和避免共同方法偏差，预测试和正式调查均以纵向配对的方式分3 个阶段进行，3 个阶段的调研对象为同一批人。第一阶段的调研内容是知识搜寻、知识吸收、大数据能力，第二阶段的调研的内容是SI，第三阶段的调研内容与第一阶段相同。在第一阶段调研结束1 个月后开展第二次调研，第二阶段调研结束1 个月后开展第三次调研，第一阶段调研时调研者这会留下被调研者的联系方式，以便第二和第三阶段调研时找到第一阶段的被调研者。第三阶段结束后，调研者对比第一阶段和第三阶段的数据，如果发现存在较大的差异的问卷，调研者会访问填表者，并要求被调查者确认评价结果；如果同一个被调研者在第一阶段和第三阶段填写的问卷差异不大，则使用第一阶段的数据。以上方式可以有效降低共同方法偏差，提高数据的精确度［38］。

预测试的目的是检验问卷量表的信度和效度，预测试所用数据来自面对面调查问卷。我们在2020年7 月至10 月进行了预测试，第一阶段发放了232份问卷，回收169 份，第二阶段针对第一阶段调研有回应者发放问卷，回收133 份，第三阶段针对第二阶段调研有回应者发放问卷，回收103 份，剔除不符合时点匹配、主管与员工匹配、漏填、错填和被甄别出不符合填写条件或随意填写的无效问卷后，确定有效问卷86 份。通过检验得知，每个潜在变量的Cronbach'sα系数都大于0.7，说明变量的内部一致性良好；KMO 值是0.918(大于0.7)，巴特利特的球形检验值显著(Sig.＜ 0.001)。因此，可以正式确定本研究的调查问卷。

然后，研究团队在2020 年11 月和2021 年3 月开展了正式调查，正式调查采用邮寄和电子邮件等方式发放问卷。第一阶段发放了517 份问卷，第二阶段针对第一阶段调研有回应者发放问卷，回收263份，第三阶段针对第二阶段调研有回应者发放问卷，回收182 份，剔除不符合时点匹配、主管与员工匹配、漏填、错填和被甄别出不符合填写条件或随意填写的无效问卷后，确定有效问卷127 份，加上预测试有效问卷86 份，最终获得有213 份有效问卷。接着，本研究对213 个样本的行业特征、公司性质、公司所在区域、服务年限、公司规模等基本特征数据进行描述性统计分析。分析结果见表1。

表1 样本数据基本特征

3.2 研究测量工具

本研究所采用的测量量表均来自国内外核心期刊的成熟量表，对于英文量表课题组严格按照翻译—回译的程序，将英文量表翻译成适合中国情境的中文量表。本研究所有题项均采用Llikert 五点量表进行测量，从“非常不同意”到“非常同意”用1～5 表示。

知识搜寻：该潜变量测量采用Laursen 等［17］开发的4 个维度，16 个题项。如“您所在的企业在创新过程中是否使用专家或顾问的知识来开展相关的活动”。本研究中，其Cronbach'sα系数为0.82。

知识吸收：该潜变量采用Gao 等［39］开发的2个维度，6 个题项。如“因为和关联企业的合作关系，我们得到大量的技术知识”。本研究中，其Cronbach'sα系数为0.871。

大数据能力：该潜变量采用唐拥军等［36］学者开发的3 个维度，11 个题项。如“我们能够获得足够的数据分析所需的专业人才”“我们能够获得足够份数据分析所需的技术设备和技能”。本研究中，其Cronbach'sα系数为0.938。

SI：该潜变量采用Salunke 等［40］学者开发的1个维度，6 个题项。如“您是否同意您所在的企业在服务的产出方式上采用了新的举措并且直接或者间接地为企业或者顾客带来了新的价值”。本研究中，其Cronbach'sα系数为0.886。

控制变量：鉴于公司规模、公司性质、应用大数据年限、企业提高服务年限等变量会影响因变量SI，本研究将以上变量作为控制变量。其中，本研究将公司性质设置分类变量，1 为国有企业，0 为非国有企业。

4 数据分析及结果

4.1 共同方法偏差检验

首先，本文通过Harman 单因子法来检验共同方法偏差，对所有题项进行探索性因子分析后，共析出特征值大于1 的因子4 个，其中，最大因子方差解释度是41.354%，小于50%的建议值。由于检验测量方法的敏感性不高，本研究还采用共同方法因子来进一步检验共同方法偏差。分析结果显示，加入共同方法因子后，五因子模型的拟合度比四因子模型的拟合度没有显著改善（RMSEA 和SRMR 的减少值小于0.05，FLI 和CFL 的增加值不到0.1，具体分析结果见表2）。综上，本研究的共同方法偏差在可接受范围内。

4.2 验证性因子分析（CFA）

本研究通过因子分析对本研究对知识搜寻、知识吸收、大数据能力、SI 等4 个变量的区分效度进行检验，检验结果见表2。从检验结果可以看出，四因子模型的拟合指标要显著优于其他模型，这表明本研究的4 个变量具有良好的区分效度。

表2 验证性因子分析结果

4.3 描述性分析

本研究各变量的相关系数、均值、标准差见表3。由表3 可以看出，知识搜寻与SI 呈显著正相关关系（r=0.341,P＜0.001）；知识搜寻与知识吸收呈显著正相关关系（r=0.384,P＜0.001）；知识吸收与SI 呈显著正相关关系（r=0.499,P＜0.001）。

表3 各变量的均值、标准差及相关系数

4.4 假设检验

4.4.1 知识搜寻的主效应

采用多元回归，通过SPSS23.0 对知识搜寻和SI的关系进行检验，具体步骤为：首先，将公司性质、公司规模、服务年限、大数据引用年限作为控制变量，SI 作为因变量放入回归模型，回归结果见表4 模型M1。接着，将知识搜寻作为自变量放入回归模型，回归结果见表4 模型M2，从模型M2 可知，知识搜寻对SI 有显著的正向影响（B=0.291，P＜0.001），由此，假设1 得到验证。

表4 回归分析结果

4.4.2 知识吸收的中介效应

对知识吸收在知识搜寻和SI 间中介作用的检验，参考温忠麟等［41］的中介检验方法，分四步对其进行检验。具体步骤为：首先，检验主效应知识搜寻对SI 是否显著，检验结果见表4 模型M2，知识搜寻对SI 具有显著的正向影响。其次，对知识搜寻和知识吸收之间的关系进行检验，检验结果见表4 模型M8，知识搜寻对知识吸收有显著正向影响(β=0.384，P＜0.01)。然后，对知识吸收和SI 的关系进行检验，检验结果见表4 模型M3，知识吸收对SI 有显著的正向影响(β=0.475，P＜0.001)。最后，在M1 和M2 的基础上，加入知识吸收进行回归，对知识吸收和SI 的关系进行检验，同时对知识搜寻与SI的关系进行检验，检验结果见表4 模型M4，知识吸收对SI 有显著影响(β=0.430，P＜0.001)，但知识搜寻对SI 影响的显著性消失(β=0.126，P＞0.05)。这说明知识吸收在知识搜寻和SI 之间起了完全中介作用。为了计算知识吸收的中介系数，以及进一步验证其中介效应，采用SPSS 中的Process 宏程序检验知识吸收的中介效应。检验结果显示，知识吸收的中介效应显著，系数为0.219 1，置信区间为(LLCI=0.130 5，ULCI=0.324 1)。由此，假设2 得到证实。

4.4.3 大数据能力的调节效应

大数据能力对知识搜寻和知识吸收之间的调节效应检验具体步骤如下：首先，检验知识搜寻对知识吸收影响的显著性。其次，将知识搜寻和大数据能力放入回归方程，检验知识搜寻的显著性。然后，将中心化后的知识搜寻和大数据能力的交乘项放入回归方程，检验交乘项的系数的显著性。由于知识搜寻对知识吸收的显著性已经被证实，且由表4 中的模型M9 可知，在将知识搜寻和大数据能力同时放入回归方程后，知识搜寻对知识吸收有显著的正向影响(β=0.211，P＜0.001)。最后，将知识搜寻和大数据能力的交互项放入回归方程，从模型M10 的结果可以看出，知识搜寻和大数据能力的交互项显著(β=0.144，P＜0.05)。这表明大数据能力在知识搜寻和知识吸收间起正向调节作用。有关调节效应见图2，因此，假设3 得到证实。

图2 大数据能力对知识搜寻和知识吸收的调节作用

4.4.4 被调节的中介效应

本研究运用SPSS 中Process 宏程序中的模型7对被调节的中介效应进行检验。其中，高大数据能力是指高于大数据能力均值的一个标准差，低大数据能力是指低于大数据能力均值的一个标准差，结果见表4 下半部分。在低大数据能力下，知识吸收的中介效应较弱且不显著（r=0.719，SE=0.046 5，BootLLCI=-0.030 2，BootULCI=0.158 7），在 高大数据能力下知识吸收的中介效应较强且显著（r=0.198 7，SE=0.057 0，BootLLCI=-0.091 9，BootULCI=0.313 8）。且高低大数据能力下知识吸收的中介效应差异的置信区间不包含0，说明差异显著。Hayes（2015）认为INDEX 指标可以对调节效应作出进一步判断。由表4 底部数据可以看出，INDEX值为0.063 8，置信区间是［0.002 8,0.139 5］，没有包含0。因此可得，大数据能力对知识吸收在知识搜寻和SI 间的中介效应有调节作用。由此，假设4得到证实。

5 结论与启示

5.1 研究结论

本研究的研究结论主要有：（1）知识搜寻对SI有显著的正向影响；（2）知识搜寻通过知识吸收的中介作用能够促进企业SI；（3）大数据能力能够有效调节知识搜寻对知识吸收的影响，即大数据能力越强，知识搜寻对知识吸收的正向影响越强；（4）大数据能力会调节知识吸收在知识搜寻和SI 之间的中介作用，即大数据能力越强，知识吸收在知识搜寻和SI 之间的中介效应就越强。

5.2 理论意义

本研究的理论意义体现在以下3 方面：（1）本研究聚焦于SI 的前因变量，验证了知识搜寻对SI 的促进作用，丰富了影响SI 的前因研究成果，响应了Katila 等［8］提出的企业对外部知识搜寻的深度和广度会影响企业产品创新的观点。并为这一领域的后续研究者提供一定的启发。（2）为“知识搜寻为何会影响SI”这一问题提供了理论解释视角。本研究基于创新扩散理论视角对该问题进行了探究，从一个成熟的视角来解读知识搜寻对SI 发生的作用机制这一新问题。（3）本研究验证了外部知识搜寻会调节知识搜寻与知识吸收之间的关系，并且通过知识吸收间接调节了知识搜寻对SI 的影响，构建了被调节的中介模型，进而丰富了SI 的有关理论。

5.3 管理启示

由以上结论可知，由于知识搜寻对企业SI 具有促进作用，因此，企业管理者应该鼓励和支持包括企业服务人员在内的企业员工，在日常的工作和生活中采用数字技术、面对面交流、报刊等多种渠道收集企业互补性知识，丰富企业的数据库，以提升企业的创新服务能力；同时，在服务岗位人员选聘时，可以把知识搜寻能力作为任职条件之一。另外，由于知识吸收对企业的SI 具有显著的正向影响，因此，企业应该重视通过外部搜寻知识获得的互补性知识的吸收和内化程度，提升外部知识的转移效率。此外，企业应当提升自己的大数据能力，加强对企业大数据分析人员的培训，建立提升企业大数据能力的机制，从而提升企业外部知识吸收效率和SI 能力。

5.4 研究局限于展望

本研究还存在以下一些局限性：第一，虽然本研究从不同时点，不同地区收集了知识搜寻对SI 影响的数据，减低了同源偏差的影响，但本研究所有变量均采取企业管理人员自评方式进行测量，这可能会提高共同方法偏差，未来研究可以用员工和管理者的配对数据的方法来进一步降低同源偏差。第二，本研究仅研究大数据能力对知识搜寻与知识吸收、知识吸收与SI 的调节作用。现实环境中，对知识搜寻、知识吸收、SI 有调节作用的可能还有领导风格、企业文化、数字技术等多因素影响。因而，在未来的研究中，可以考虑从领导风格、企业文化、数字技术等层面出发，探讨领导风格、企业文化、数字技术对知识搜寻、知识吸收、SI 的调节作用。