大數據能力對企業運營績效的影響機制：供應鏈整合的中介作用

曹 勇，王依琪，張東東，李 娟

大數據能力對企業運營績效的影響機制：供應鏈整合的中介作用

曹 勇1, 2，王依琪1，張東東1，李 娟1

（1. 武漢紡織大學 管理學院，湖北 武漢 430200；2. 教育部紡織行業中外人文交流研究院，湖北 武漢 430200）

基于動態能力理論與資源基礎觀，本文通過制造業企業的大樣本調查數據實證研究了大數據能力對企業運營績效的影響機制，并進一步分析供應鏈整合的中介作用。結果表明：大數據能力對供應鏈整合與企業運營績效均具有顯著正向影響；供應鏈整合在大數據能力影響企業運營績效的過程中起到部分中介作用。研究結果不僅對深化大數據能力與企業運營績效之間關系的研究具有理論啟示，同時也對數字化轉型背景下推動制造業企業高質量發展具有重要現實指導意義。

大數據能力；供應鏈整合；企業運營績效

0 引言

國家發改委2020年發布的《關于加快構建全國一體化大數據中心協同創新體系的指導意見》顯示，大數據已逐漸成為企業發展的核心要素之一，企業需要構建大數據一體化的新型網絡體系，提高自身的競爭優勢。因此，如何培育優于競爭對手、難以模仿的大數據能力，并充分發揮大數據綜合治理能力效應，是企業利用大數據創造價值的關鍵[1]。在業界，以阿里巴巴為代表的互聯網巨頭將數據技術應用到產品和服務中，實現了數字技術到企業運營之間的無縫對接，對公司數字化運營起到重大推動作用[2]；以海爾、美的、蘇寧等為代表的一大批傳統企業，利用大數據改善運營管理，提升企業解決問題和創造增量價值的動態過程，助推傳統企業數字化轉型，以提升企業運營績效[3]。在學界，創新創業管理、營銷管理、信息管理等領域的學者們已對大數據能力進行了廣泛研究，不僅探討了技術、組織、環境等前因變量對大數據能力的影響，還揭示了大數據能力對企業決策質量、創新、企業績效等結果變量的重要影響。然而，學者們的結論并不一致，如Chen等[4]分析影響大數據能力的前因，發現外部壓力與企業采用大數據能力正相關，而Verma和Chaurasia[5]卻證明了兩者的相關系數為負；研究對象、情境的不同致使大數據能力與企業績效的關系呈現出正相關、負相關以及不相關等多種結果，變量之間的關系有方向甚至是強弱的差異都可能會使研究得出不同的結果[6]。總之，大數據能力的影響因素與效用的相關研究并未獲得一致的結論，這使得大數據能力相關研究在企業管理領域的理論與應用過程中存在進一步研究的空間[6]。雖然大數據能力對企業運營績效的影響方式仍有爭議，但大數據能力對企業運營績效的重要性毋庸置疑。鑒于此，本研究試圖采用理論與實證結合的方式進一步研究大數據能力的不同維度對企業運營績效影響的具體作用機制，以便為企業選擇合適的大數據方向的運營戰略提供理論與實踐指導。

現有研究大多從組織創新、戰略導向、信息質量等視角關注大數據能力與企業運營績效之間的關系，較少從供應鏈視角進行分析[7]。由于企業各部門的數據收集與傳播依賴于供應鏈的整合程度，而大數據能力如何影響企業運營績效，離不開企業供應鏈整合的持續影響。因此，有必要進一步研究供應鏈整合在大數據能力影響企業運營績效過程中的中介作用。

基于此，本文在探討大數據能力、供應鏈整合與企業運營績效之間關系的基礎上，以制造業企業為研究對象，實證研究大數據能力影響企業運營績效的作用機理，并重點分析供應鏈整合的中介作用，進而揭示大數據能力影響企業運營績效的作用路徑以及邊界條件。研究結果不僅有益于引導企業大數據能力的建設和發展，同時可為制造企業成功應用大數據，實現數字化轉型提供有益借鑒。

1 理論基礎與研究假設

1.1 大數據能力與企業運營績效

大數據能力的概念最早由Lavalle等[8]提出，源于對IT能力的延伸，認為大數據能力是企業對大數據進行篩選、整理、分析和應用的能力。基于此，Gupta等[9]從資源基礎觀的視角，將大數據能力劃分為有形資源、無形資源和人力資本資源；謝衛紅等[10]從動態能力理論視角，將大數據能力劃分為資源整合能力、深度分析能力、實時洞察與預測能力。借鑒資源基礎理論與動態能力理論關于大數據能力的定義并依據Akter等[11]的整合分析，本文認為大數據能力的核心是預測分析能力，基礎是資源整合能力。一方面，學者們將大數據預測分析能力視為一種技術以及分析工具的延展，如Wamba 等[12]研究發現，大數據預測分析能力是一種能夠提高企業效率和效益的戰略工具，同時Janssen等[13]指出大數據預測分析能力是成功使用數據分析工具的重要因素。另一方面，聚焦于大數據資源整合能力的學者則更強調企業競爭優勢的獲取以及大數據能力的價值創造。現有研究認為僅靠資源難以創造價值，還需要對資源進行有效整合與管理，企業擁有的知識體系擴大，不僅增加了企業知識庫的深度和廣度，而且實現了企業內外部知識資源的轉化及有效整合[14]。大數據資源整合能力可通過匯集所有大數據資源來實現高水平的組織能力。因此本文將大數據能力劃分為大數據資源整合能力以及大數據預測分析能力。

Gupta等[9]研究指出，構建大數據能力是企業進行生產活動的潛在價值點，直接關乎企業績效表現。通過大數據賦能企業創新發展不僅體現在獲取數據的連接能力以及數據的數字化處理與分析轉化能力層面，更反映在低程度的人為干預條件下感知與捕獲信息進行決策的智能能力層面[15]。企業通過連接機制建立數據獲取渠道，借助大數據資源整合能力將海量數據轉化為有價值的信息和知識，實現數據資源、智力資源、財務資源等各類資源的高度整合與高效利用，從而提升企業運營績效。構建大數據資源整合能力意味著企業需要通過與數據平臺、合作企業以及企業內部的人、設備、車間等建立連接機制，進而實現數據流動自動化，為企業開展數據收集、分析與應用建立渠道。例如，Ferraris 等[16]研究發現，具有高水平大數據能力的企業能夠充分利用跨越多分析平臺的軟件應用程序和硬件設備，將分散在不同組織信息系統中的海量數據進行傳輸和分享，從而掌握大數據資源。其次，大數據預測分析能力是企業將結構化與非結構化等海量數據，通過加工、編碼、運算、轉化成為有價值信息的分析技術與方法工具，進而將價值信息轉化為可用知識的一種能力[17]。企業可通過大數據預測分析能力對整理后的信息進行分析與預測，幫助企業及時進行在運營方向的調整。大數據資源整合能力與預測分析能力兩者結合，可促使企業從以往成功或失敗的產品、服務中找到內部運營效率低的原因，從而進一步有針對性地改善企業運營活動。同時，企業借助大數據能力可精準辨別、挖掘客戶的潛在需求，開發新的產品和服務，增強企業生產運營效率[18]。

最后，通過精準把握客戶需求，實現對競爭對手的行為監測等，從而提升企業運營績效。總之，充分利用大數據能力進行數據挖掘，分析提煉出的有價值信息，可幫助企業在經營管理中實現智能認知、智能管理及智能決策，進而優化業務戰略。Grover等[19]研究表明，大數據能力促使企業擁有數字化、智能化的“頭腦”，可幫助企業優化業務流程，協調生產、供應鏈、物流和倉儲活動。強大的數據能力不僅可幫助企業識別機會和風險，還可以發現新的生產要素組合方式，識別用戶需求或細分市場，為復雜系統的決策制定提供客觀依據，及時進行服務或者產品的調整，從而表現出更好的企業運營績效[16]。因此，本文提出以下假設：

H1：大數據能力對企業運營績效具有正向影響；

H1a：大數據資源整合能力對企業運營績效具有正向影響；

H1b：大數據預測分析能力對企業運營績效具有正向影響。

1.2 大數據能力與供應鏈整合

隨著全球經濟一體化進程的不斷加深，進行單打獨斗的企業形式越來越少，供應鏈整合的重要性日益凸顯，研究供應鏈整合是企業在行業競爭環境中取得優勢的關鍵因素。Flynn等[20]認為供應鏈整合是企業通過與供應鏈成員進行戰略合作，達到快速且低成本為客戶提供最大化價值為目的，整合優化企業內外部運營流程，進而實現高效的服務流、信息流和資金流。胡海青等[21]在此基礎上進一步指出供應鏈整合是企業與供應鏈各節點成員展開戰略合作，共同管理企業內外部流程，實現低成本且快速為客戶提供價值最大化的過程。而Jorge和Jerónimo[22]等認為企業通過實施供應鏈整合，能提高供應鏈活動和過程的效率和有效性，從而使企業在市場中獲得優勢并實現更好的績效。

在復雜的市場環境下，企業間的競爭已延伸至供應鏈間的競爭，大數據收集與分析的復雜程度增加了企業對供應鏈整合的需求。供應鏈整合的實現需要企業跨越組織邊界，與供應鏈伙伴企業共同完成庫存計劃、生產運作、市場銷售和需求預測等一系列供應鏈管理活動。面對這些活動產生的體量巨大、來源廣泛、結構復雜的數據，傳統的數據處理機制與業務應用系統已無法滿足對其進行挖掘分析與深度應用的需求，這就需要大數據能力的支持[23]。大數據能力不僅能有效整合企業內部活動，還可為供應鏈伙伴企業間的信息資源共享、業務聯合決策和戰略協同規劃提供有力支持。企業可憑其所擁有的大數據能力來穩固供應鏈整合關系：首先，大數據資源整合能力促進信息共享，企業可利用大數據資源整合能力快速獲取銷售、庫存、生產和配送數據并在各節點企業間共享，消除合作雙方信息的不對稱，從而有助于維持長期協作關系[24]；其次，大數據預測分析能力可保障供應鏈企業之間進行聯合決策，企業通過大數據能力將龐大的數據資源進行分析，洞察市場需求和用戶變化，進而根據產品和業務流程創新進行商議，而供應商與制造商則根據供應鏈需求的波動來實現聯合庫存和準時制造，從而提高供應鏈企業的運營效率[25]；最后，大數據能力的應用打破了供應鏈企業間的共享壁壘，將以供應鏈為紐帶的企業靈活性進行縱向聯盟，并通過動態變化的契約體系及合理的利益分配機制，有效促進供應鏈企業進行利益共享、風險共擔、協同發展，幫助企業獲取競爭優勢[26]。因此，本文提出以下假設:

H2：大數據能力對供應鏈整合具有正向影響；

H2a：大數據資源整合能力對供應鏈整合具有正向影響；

H2b：大數據預測分析能力對供應鏈整合具有正向影響。

1.3 供應鏈整合與企業運營績效

供應鏈整合被普遍認為是供應鏈管理的核心內容。從戰略管理視角看，供應鏈整合是指企業與供應鏈合作伙伴的戰略聯盟。從組織行為視角看，供應鏈整合是指企業與供應商、顧客等供應鏈關鍵成員之間進行信息分享、關系協調和互動合作的過程[27]。通過這一過程，可促進供應鏈上信息流、資金流和物流的跨組織流通，提高供應鏈整體運營效率，使企業低成本、高效率地為顧客提供最大價值。供應鏈整合還可以促進信息流和價值流的順暢性[20]。企業通過與供應商、顧客等供應鏈關鍵成員之間的關系協調、信息共享和共同參與，促進供應鏈上信息流、資金流、物流、服務流和價值流的順暢流通，達到低成本、高效率地為顧客提供最大價值的目的，有效解決組織間信息不對稱問題，降低企業的交易成本并使企業具有更好的運營績效表現[28]。

綜上所述，企業積極整合供應鏈上關鍵伙伴的網絡關系，有利于獲取互補性資源并降低交易成本，提高服務質量和企業運營績效。一方面，企業與供應鏈伙伴的信息共享使企業能夠及時了解顧客需求變化，有利于供應商及時供貨并根據顧客需求變化及時調整供應計劃，從而縮短企業等待時間[29]；另一方面，企業也可有效利用供應商的專業能力，協同完成從產品設計、生產到服務傳遞等過程，減少開發等運營過程的不確定性，提高企業生產效率和質量。Tseng等[30]認為與供應鏈伙伴企業間的信息分享與協同合作不僅會促使供應鏈整體運營更加高效，還可降低供應鏈上各企業的運營成本、提高顧客滿意度，從而促進企業運營績效的提高。因此，本文提出以下假設：

H3：供應鏈整合對企業運營績效具有正向影響。

1.4 供應鏈整合的中介作用

綜合假設H2和H3可知，大數據能力通過促進信息共享，實施聯合決策，并進行供應鏈企業間的合作聯盟，進而提高企業間的供應鏈整合程度[31]。一方面，在激烈的供應鏈競爭下,企業的核心競爭力取決于能否及時掌握相關信息，而大數據能力的不斷提升可幫助供應鏈整合，從而使企業在供應鏈復雜的大數據網絡中獲取對自身有利的資源，幫助企業將雜亂的資源進行有效分配和重組，而這種供應鏈整合行為又會進一步影響企業運營活動，推動企業運營績效的提升[32]。另一方面，從信息不對稱的理論來說，企業通過大數據能力將供應鏈中的數據與信息整合，隨著供應鏈整合程度的不斷提高，數據信息可以較為全面地展現給企業，供應鏈成員間逐漸建立了良好的信息溝通渠道，并通過對自身已有知識的深入挖掘和利用，提升大數據能力，從而及時反饋給企業，使企業在運營成果上不斷進行變化，進而影響企業運營績效[33]。因此，本文提出以下假設：

H4：供應鏈整合在大數據能力與企業運營績效之間有中介作用。

綜合以上所有分析，提出本研究的理論模型概念模型圖如下：

圖1 本研究的概念模型

2 問卷設計與數據收集

本研究主要選取具有供應鏈關系的制造企業作為調研對象，通過大樣本問卷調查收集數據。為確保數據的真實可靠，問卷調查主要針對制造業企業員工，并指定專人向受訪者告知調查目的僅用于學術研究，明確填寫要求與標準。調研實施主要依托導師的合作企業以及項目組成員的同學關系網，與相關企業員工取得聯系，并通過微信、電話等方式預約填寫問卷，問卷調查自2021年4月至2021年11月，累計發放問卷500份，實際回收問卷379份，扣除填答有缺漏的無效問卷、有明顯錯誤的問卷24份，得到實際有效問卷355份，有效回收率為71%。樣本的描述性分析如表1所示。

表1 樣本特征的描述性分析

本研究采用Likert 5分量表對主要變量進行測度，1-5分別表示非常不同意到非常同意，由低到高過渡，3表示中立態度。依據謝衛紅等(2014)[10]以及Wamba等(2017)[12]的研究，將大數據能力劃分為資源整合能力和預測分析能力兩個維度，分別采用5個題項測度大數據能力；供應鏈整合的測度主要參考了Flynn等(2010)[20]和Wong(2011)等[28]的研究，設計6個題項；企業運營績效的測度，結合制造業企業特點以及本研究的樣本特征，借鑒Zhao等(2008)[34]、葉飛和薛運普(2012)[35]對企業運營績效的衡量指標，設計6個題項。此外，在文獻分析的基礎上，結合本研究的變量特征，選取企業年限、企業規模和年銷售額為控制變量。企業年限按時間劃分為4個等級，分別為0～5年、6～10年、11～20年、21年以上，依次賦值為1～4；行業特征分為食品制造業、服裝制造業、計算機與通訊等其他電子設備制造業、汽車制造業、其他，依次賦值為1～5；企業規模以員工數量為依據，分4個等級，即0～100人、101～500人、501～1000人、1001人及以上，依次賦值為1～4。

3 實證分析

3.1 信度和效度分析

本研究采用SPSS 26.0對大數據能力、供應鏈整合和企業運營績效等變量進行信效度檢驗。首先，采用Cronbach’s α、AVE值和組合信度CR來檢驗信度。結果如表2所示，顯示各變量的Cronbach’s α都大于0.7，且AVE值和組合信度CR均達到大于0.5和0.7的標準要求，說明量表中各題項均有較好的內部一致性，樣本的信度較好；其次，采用因子分析法檢驗效度，從表2可知各變量的載荷因子均大于0.7，說明各變量在整體上具有較好的收斂效度。運用AMOS24.0對測量模型進行驗證性因子分析（CFA），變量的整體測度模型指標顯示：χ2/d?=2.02，GFI=0.95，CFI=0.98，AGFI=0.87，RMSEA=0.054，均符合擬合指標，說明模型與樣本數據的擬合性較好，所有變量的AVE值均大于0.5，且在p<0.001的水平下顯著，顯示本研究具有相對較好的結構效度。

3.2 相關性分析

表3為各變量間的相關關系、均值和標準差。結果顯示，大數據資源整合能力、大數據預測分析能力、供應鏈整合與企業運營績效兩兩之間均在p<0.01水平上呈現顯著相關，其中大數據資源整合能力與大數據預測分析能力對企業運營績效均存在顯著正相關關系（r分別為0.48、0.52）；供應鏈整合對企業運營績效同樣存在顯著正向相關關系（r值為0.61），以上結論初步支持了本研究的相關假設，為后續的實證檢驗提供了重要依據。

表2 信效度分析結果

表3 相關性分析

注：***、**、*分別表示p<0.001、p<0.01、p<0.05的顯著性水平，下同

3.3 同源偏差與共線性檢驗

由于本研究調查問卷存在數據來源相同和同一主體多次填寫的情況，可能存在同源偏差問題。因此，需要對所有測量題項的初始樣本數據進行Harman單因子檢測，結果顯示存在5個特征值大于1的因子，且未旋轉時第一個因子解釋總方差小于臨界標準40%（第一個因子的最大解釋力為23.45%），說明本研究同源偏差可忽略[36]。此外，為避免多重共線影響，運用SPSS26.0對樣本數據進行共線性檢驗，發現模型中控制變量和自變量的容差均大于0.3，且VIF均小于3，符合指標要求，且自變量間的相關系數小于0.65，因此變量間的共線性問題可以忽略[37]。

3.4 假設檢驗

本研究采用 SPSS26.0進行層級回歸分析，檢驗大數據能力對企業運營績效的影響效應，以及供應鏈整合的中介作用。表4為大數據能力和供應鏈整合對企業運營績效的影響效應，以及供應鏈整合作為中介效應的模型檢驗結果。首先，根據溫忠麟等[38]提出的中介效應分析步驟，第一步，以企業運營績效為因變量，依次加入控制變量、自變量大數據能力和中介變量供應鏈整合來檢驗自變量和中介變量對企業運營績效的影響，驗證H1和H3；第二步，以供應鏈整合為因變量，依次加入控制變量和自變量大數據能力來檢驗自變量對中介變量的影響，驗證H2。

3.4.1 主效應及中介效應檢驗

首先，由表4可知，模型2和模型3是在模型1（以控制變量作為自變量）的基礎上加入自變量大數據資源整合能力與大數據預測分析能力，回歸結果顯示，模型1中行業特征、企業規模、企業年限對企業運營績效的影響效應均不顯著，且模型解釋力只有1.2%；在增加大數據資源整合能力與大數據預測分析能力后，模型2與模型3的解釋力分別增至50%和47%，表明大數據資源整合能力與大數據預測分析能力對企業運營績效都存在顯著正向影響作用（β值分別為0.70和0.69，p<0.001），H1得到證實。

其次，表4中模型4至模型10的回歸結果可知：第一，模型8和模型9顯示大數據資源整合與大數據預測分析能力對供應鏈整合存在顯著的正向影響作用（β分別為0.588和0.78, p<0.001），H2得到證實；表4中模型5顯示在模型1基礎上增加供應鏈整合后，Adjust R2值增加了0.48，模型解釋力得到了明顯提高，說明供應鏈整合對企業運營績效存在顯著的正向影響（β值為0.395, p<0.001），H3 得到證實。第三，從模型6中可以看出供應鏈整合對企業運營績效存在顯著正向影響（β值為0.576, p<0.001），而此時大數據資源整合能力和大數據預測分析能力的回歸系數β值與模型4相比均有明顯下降，但仍具有統計上的顯著性（p<0.001），由此可得出，供應鏈整合在大數據能力和企業運營績效之間存在部分中介作用，H4得到驗證。

表4 主效應和中介效應的層級回歸分析結果

3.5 穩健性檢驗

為驗證上述結論的可靠性與穩健性，本研究進一步采用其他方法對假設進行檢驗。首先，運用 Bootstrap法對大數據能力與企業運營績效之間的關系以及供應鏈整合的中介作用進行檢驗，在PROCESS插件中將置信區間設置為95%，樣本量設置為5000，模型序列號選擇模型4，從運行結果表5可知，H1、H2和H3的效應值均大于0，95%置信區間均不包含0，表明大數據能力對企業運營績效的直接影響以及大數據能力對供應鏈整合的直接影響均顯著，H1、H2和H3再次得到驗證。此外，在控制了供應鏈整合作為中介變量后，大數據能力對企業運營績效的影響仍顯著（β值分別為0.279和0.195, p<0.001），說明供應鏈整合在大數據能力與企業運營績效間具有部分中介作用，H4再次得到驗證。綜上所述，采用不同方法來檢驗假設，得到相同的結果，表明本文結論具有較好穩健性。

表5 Bootstrap法路徑分析結果

4 結論與啟示

4.1 研究結論

本文以制造業企業為研究對象，基于動態能力理論與資源基礎觀構建了大數據能力、供應鏈整合和企業運營績效之間的關系模型，并結合355份大樣本問卷調查及數據分析對相關假設進行檢驗，經過同源方法偏差檢驗、信效度檢驗、主效應及中介效應分析、穩健性檢驗等過程，實證分析了大數據能力對企業運營績效的影響作用，以及供應鏈整合在二者之間的中介效應。主要結論如下：

第一，大數據能力對企業運營績效具有顯著正向影響，H1得到驗證。這說明大數據能力對制造企業運營績效具有重要作用，企業可利用大數據能力進行數據挖掘，整理提煉出有價值的信息，并在此基礎上進行有效預測分析，幫助企業在運營過程中實現智能認知、智能管理及智能決策，進而優化企業運營效率，強化競爭優勢并使企業運營績效得到有效提高。

第二，大數據能力對供應鏈整合具有顯著正向影響，H2得到驗證。表明企業開展大數據能力的數字化戰略，可促進供應鏈企業進行利益共享、風險共擔、協同發展，使企業能及時做出反應來滿足顧客需求，幫助企業獲取競爭優勢，促進供應鏈合作伙伴間的進一步合作交流。

第三，供應鏈整合對企業運營績效具有顯著正向影響，H3得到驗證。這表明供應鏈整合通過信息分享、關系協調和互動合作能增強供應鏈成員之間的交流合作，有效解決組織間信息不對稱問題，從而提高企業運營績效。

第四，供應鏈整合在大數據能力與企業運營績效之間起部分中介作用，H4得到驗證。表明企業在運用大數據能力影響企業運營績效的過程中，既需要重視大數據能力的建設與運用，也需要關注供應鏈整合的積極作用，認識到供應鏈整合可協助企業提升大數據能力，為企業在運營方面獲得持續競爭優勢提供支持與保障。

4.2 理論貢獻與實踐啟示

本研究結果對剖析大數據能力對企業運營績效的影響機制和邊界條件具有重要理論意義：第一，現有研究關于大數據能力與企業績效的影響關系一直存在爭議，而本研究通過實證分析發現大數據能力不僅可直接影響企業運營績效，而且會通過影響供應鏈整合來進一步影響企業運營績效，在一定程度上解釋了在供應鏈整合程度不同的情況下大數據能力對企業運營績效的影響差異，并進一步從企業動態能力與基礎資源觀視角實證分析了大數據能力對企業運營績效的作用機制，厘清了現有研究關于大數據能力對企業運營績效影響作用機制方向的討論，拓新了大數據能力領域的理論研究成果。第二，現有研究大多關注大數據能力對企業績效的直接影響，較少關注供應鏈整合的中介作用。針對現有研究的不足，本文實證研究了供應鏈整合在大數據能力與企業運營績效之間的中介作用，進一步拓展了供應鏈整合研究領域的新思路。

本研究結論對提升我國制造業企業運營績效、推動高質量發展也具有重要實踐啟示：第一，制造業企業必須重視大數據能力的建設，通過大數據能力分析以獲取企業內外部多樣化的資源，增加企業提高運營績效的可能性。第二，企業在培養大數據能力的同時，還需要加強供應鏈整合，充分發揮供應鏈內外部合作的優勢，提高獲取、維系和利用供應鏈資源能力，提升企業自身能力，對企業運營績效的提高至關重要。

4.3 研究不足與未來展望

本研究還存在以下不足，為后續的進一步研究指明了方向。第一，問卷調查對象僅針對制造企業，未來可進一步對互聯網平臺企業、服務業等相關行業開展比較分析，以便得出更具普適性的研究結論。第二，本文研究了大數據能力對企業運營績效的整體作用機制，未來可進一步分析大數據能力的不同分類維度對企業其他相關績效的具體作用機制，并挖掘其他變量在二者之間的中介作用，以便更全面認識大數據能力對企業各方面績效的具體影響效果。第三，由于本文研究的是企業運營績效層面，受限制條件的影響，調查問卷樣本在地區和企業分布上相對集中，實證結果是否具有代表性需要進一步驗證。未來需要更廣泛的樣本數據支撐，以便提高研究結論的普適性和有效性。

[1] 楊善林，周開樂. 大數據中的管理問題:基于大數據的資源觀[J]. 管理科學學報, 2015, 18(05):1-8.

[2] 朱秀梅，劉月，陳海濤. 數字創業：要素及內核生成機制研究[J]. 外國經濟與管理，2020，42(04):19-35.

[3] 孫新波，錢雨，張明超，等. 大數據驅動企業供應鏈敏捷性的實現機理研究[J]. 管理世界，2019，35(09): 133- 151+200.

[4] Chen D Q, Preston D S, Swink M. How the use of big data analytics affects value creation in supply chain manage- ment [J]. Journal of Management Information Systems, 2015, 32(4):4-39.

[5] Verma S, Chaurasia S. Understanding the determinants of big data analytics adoption[J]. Information Resources Management Journal, 2019, 32(3):1-26.

[6] 馬鴻佳，肖彬，王春蕾. 大數據能力影響因素及效用：基于元分析的研究[J]. 南開管理評論, 2021, 49(4):1-19.

[7] 徐可，何楨，王瑞. 供應鏈關系質量與企業創新價值鏈：知識螺旋和供應鏈整合的作用[J]. 南開管理評論, 2015, 18(1):108-117.

[8] Lavalle S, Lesser E, Shockley R, et al. Big data, analytics and the path from insights to value[J]. MIT Sloan Management Review, 2011, 52(2): 21-32.

[9] Gupta S, Drave V A, Dwivedi Y K, et al. Achieving superior organizational performance via big data predictive analytics: a dynamic capability view[J]. Industrial Marketing Management, 2020, 90(3):581-592.

[10] 謝衛紅，劉高，王田繪. 大數據能力內涵、維度及其與集團管控關系研究[J]. 科技管理研究, 2016, 36(14): 170 - 177．

[11] Akter S, Wamba S F, Gunasekaran A, et al. How to improve firm performance using big data analytics capability and business strategy alignment?[J]. Internati- onal Journal of Production Economics, 2016, 182(7): 113- 131.

[12] Wamba S F, Gunasekaran A, Akter S, et al. Big data analytics and firm performance: effects of dynamic capabilities [J]. Journal of Business Research, 2017, 70(28): 356-365.

[13] Janssen M, Haiko V D, Wahyudi A. Factors influencing big data decision-making quality[J]. Journal of Business Research, 2017, 70(1):338-345.

[14] 曹勇，周紅枝，谷佳. 顧客參與、知識整合與新產品開發績效之間的關系研究[J]. 創新科技, 2021, 21(01):53- 61.

[15] 周文輝，鄧偉，陳凌子. 基于滴滴出行的平臺企業數據賦能促進價值共創過程研究[J]. 管理學報, 2018, 15(8): 1110-1119.

[16] Ferraris A, Mazzolenia, Devallea, et al. Big data analytics capabilities and knowledge management: impact on firm performance[J]. Management Decision, 2019, 57(8): 1923- 1936.

[17] 劉平峰，王雨婷，蘇超超. 大數據賦能企業知識管理創新機理與路徑研究：基于華為案例[J]. 科技進步與對策, 2021, 38(1): 122-131.

[18] Xu Z N, Frankwick G L, Ramirez E. Effects of big data analytics and traditional marketing analytics on new product success: a knowledge fusion perspective [J]. Journal of Business Research, 2016, 69(5): 1562-1566.

[19] Grover V, Chiang R H L, Liang T P, et al. Creating strategic business value from big data analytics: a research framework [J]. Journal of Management Information Systems, 2018, 35(2): 388-423.

[20] Flynn B B, Huo B, Zhao X．The impact of supply chain integration on performance: a contingency and configuration approach[J]．Journal of Operations Management, 2010, 28(1):58-71．

[21] 胡海青，薛萌，張瑯，等. 供應鏈社會資本、外部整合對供應鏈融資績效的影響：IT使能共享能力的調節作用[J]. 預測, 2019, 38(05):51-58.

[22] Jorge T F, Jerónimo D B. Supply chain integration and performance relationship: a moderating effects review[J]. The International Journal of Logistics Management, 2017, 28(4):1243-1271.

[23] 許芳，田萌，徐國虎. 大數據應用能力對企業創新績效的影響研究：供應鏈協同的中介效應與戰略匹配的調節效應[J]. 宏觀經濟研究, 2020, 11(03): 101-119.

[24] 白君貴，王丹. 數據視角下企業信息資源整合與價值提升研究[J]．情報科學，2018, 36(9):73-76

[25] Singh N. Developing business risk resilience through risk management infrastructure: the moderating role of big data analytics [J]. Information Systems Management, 2020, (2): 1-19.

[26] Dong J Q, Yang C H. Business value of big data analytics: a systems-theoretic approach and empirical test [J]. Information& Management, 2020, 57(1):103-124.

[27] Chang W, Ellinger A E, Kim K, et al．Supply chain integration and firm financial performance: a meta-analysis of positional advantage mediation and moderating factors[J]. European Management Journal，2016, 34(3):282-295．

[28] Wong C Y, Sakun B, Wong C W Y．The contingency effects of environmental uncertainty on the relationship between supply chain integration and operational performance[J]. Journal of Operations Management，2011, 29(6): 604-615．

[29] 劉華明，王勇．3PL服務能力與供應鏈整合對企業運營績效的影響[J]．預測，2017, 36(1):67-73．

[30] Tseng L, Lim K, Wong P, et al. A framework for evaluating the performance of sustainable service supply chain management under uncertainty[J]. International Journal of Production Economics, 2018, 195(1):359-372．

[31] 張艾榮，呂娜. 大數據能力、服務鏈整合與政府智慧服務績效關系研究[J]. 軟科學，2021，35(09):8-13.

[32] Zhu C C, Du J G, Shahzad F, et al. Environment sustainability is a corporate social responsibility: measuring the nexus between sustainable supply chain management, big data analytics capabilities, and organizational performance [J]. Sustainability, 2022, 14(6):375-379．

[33] 侯海濤. 供應鏈整合對企業績效的影響研究：基于質量管理角度[J]. 商業經濟研究, 2022, 13(07):117-121.

[34] Zhao X, Huo B, Selen W, et al. The impact of internal integration and relationship commitment on external integration [J]. Journal of operations management, 2011, 29(1-2):17-32.

[35] 葉飛，薛運普. 關系承諾對信息共享與運營績效的影響研究[J]. 管理科學，2012, 25(05):41-51.

[36] 湯丹丹，溫忠麟. 共同方法偏差檢驗：問題與建議[J]. 心理科學，2020, 43(01):215-223.

[37] Cohen S K, Caner T. Converting inventions into breakthrough innovations: the role of exploitation and alliance network knowledge heterogeneity [J]. Journal of Engineering and Technology Management，2016, 40(06):29-44.

[38] 溫忠麟，侯杰泰，張雷. 調節效應與中介效應的比較和應用[J]. 心理學報，2005, 37(2):268-274.

Research on the Impact Mechanism of Big Data Capability on Enterprise Operation Performance: the Mediating Role of Supply Chain Integration

CAO Yong1,2, WANG Yi-qi1, ZHANG Dong-dong1, LI Juan1

(1. School of Management, Wuhan Textile University, Wuhan Hubei 430200, China; 2. Research Institute of International People-to-People Exchange for Textile Industry of MOE, Wuhan Hubei 430200, China)

Based on the dynamic capability theory and resource-based view, this paper empirically studies the impact mechanism of big data capability (BDC) on enterprise operation performance (EOP) through a large sample survey data of manufacturing enterprises, and further analyzes mediating role of supply chain integration (SCI). The results show that BDC has a significant positive impact on SCI and EOP; SCI plays a partly mediating role in the process of BDC affecting EOP. These research results not only have theoretical enlightenment for deepening the research on the relationship between BDC on EOP, but also have important practical significance for promoting the high-quality development of manufacturing enterprises under the background of digital transformation.

big data capability; supply chain integration; enterprise operation performance

曹勇（1964-），男，教授，博士，博士生導師，陽光杰出學者，研究方向：數智創新與知識管理.

國家自科基金面上項目（72072139）；湖北省高等學校哲學社科研究重點項目（21D046）.

F272

A

2095－414X(2022)05－0003－09