大數據價值來源、價值內容與價值創造機理
——基于2011—2021年管理類和商業類SSCI期刊分析

遲考勛，邵月婷，蘇 福

(1.山東理工大學 管理學院，山東 淄博 255000；2.浙江工商大學 工商管理學院，浙江 杭州 310018；3.貴州商學院 管理學院，貴州 貴陽 550014)

0 引言

大數據是數字經濟時代的重要生產要素，據國際數據公司(IDC)預測，2020—2024年全球大數據技術與服務相關收益將實現9.6%的年均復合增長率，預計2024年將達到2 877.7億美元，中國在該方面的增幅將領跑全球，實現19%的年均復合增長率。大數據的復雜性遠超工業經濟時代石油、煤炭、資本等傳統生產要素，如何充分發揮大數據應有價值，既是企業經營重點，也是管理學領域研究前沿課題之一。

大數據價值是指不同主體整合和重組大數據資源的活動，旨在改善生產流程、創造新產品等。在管理和商業研究領域，學者們在界定大數據概念的基礎上，主要探討大數據對于實現企業可持續價值交付、提升企業創新績效及建立企業競爭優勢所發揮的作用。例如，Dubey等(2018)研究大數據處理能力與企業競爭優勢間的作用關系；Mikalef等[1]研究大數據分析技術對企業創新的影響機制；Urbinati等(2019)通過案例分析探討大數據資源對企業價值創造的內在影響機制。除此之外，還有部分學者分析大數據價值實現的前提條件、大數據項目影響因素等(Surbakti等，2020)。綜合來看，盡管管理和商業領域相關研究成果日漸豐富，但研究內容較為零散，且廣泛分布于創新管理[2]、市場營銷[3]、生產運營管理[4]等多個分支學科，對一些關鍵問題未進行深入分析，導致難以形成穩定的研究框架，既未獲得對大數據價值研究主題的系統性認識，也不利于與其它研究領域展開對話。因此，迫切需要在現有研究的基礎上，結合管理和商業領域實踐，構建更加具體、清晰的大數據價值研究框架。本文按照“大數據價值來源—大數據價值內容—大數據價值創造機理”邏輯框架，對203篇管理和商業領域的SSCI文獻進行梳理，構建相應理論框架，并提煉出有價值的研究方向，可為未來研究提供啟發。

圍繞大數據“是什么”“創造什么價值”“如何創造價值”3個問題，本文具有如下理論貢獻：①對大數據文獻進行回顧，系統梳理大數據概念、類型與測量方法，可為全面認識大數據性質奠定基礎；②歸納大數據為組織和個體創造的價值，整合原有碎片化觀點，可為企業制定發展戰略提供科學依據；③梳理大數據價值案例分析和實證研究成果，探究大數據價值創造過程機理和邊界條件，了解大數據的雙面效應，可以補充、完善管理和商業領域相關研究成果。

1 大數據價值研究發展趨勢與主題分布

1.1 大數據價值研究發展趨勢

為清晰把握大數據價值研究發展脈絡，本文聚焦于管理和商業領域，對Web of Science數據庫核心合集進行系統檢索。本文將時間限定為2011—2021年，其中2011年是最早收錄管理和商業領域大數據價值文獻的時間。以“big data”為檢索詞，檢索框設定為“title”，文章類型設定為“article”和“review”，檢索下載“management”和“business”領域的SSCI文獻，初步搜索獲得600篇研究文獻。結合本文對大數據價值的定義，對這些文獻進行篩選，篩選標準如下：①查看文獻摘要和關鍵詞，剔除僅關注計算機領域的研究文獻；②查看文獻引言、假設和結論，剔除只提及大數據研究背景的文獻；③部分文獻雖關注大數據相關概念，卻未在論文核心部分體現大數據價值，故予以剔除。最終，共獲得英文文獻203篇。

從文獻發表時間看(見圖1)，2015年以后，大數據價值研究呈興起態勢，主要表現為研究內容不斷豐富，開始關注大數據價值創造核心要素和作用機理。究其原因，自2013年“大數據元年”開始，大數據被廣泛應用于各行各業，學者隨之對該研究主題投入大量精力；另外，創業者意識到大數據發展潛力，并思考該以何種方式實現大數據價值最大化。因此，相關學者在2013年就已經關注大數據價值，但論文發表具有一定滯后性。在期刊分布上，《MIS Quarterly》關于大數據價值的發文量較少，但被引頻次最高，說明該期刊在大數據價值創造領域具有一定影響力。另外，國外核心期刊開設大數據價值研究專欄，如2020年《Technological Forecasting and Social Change》推出特輯“創業中的技術和社會變革：大數據如何造福社會”，預示著大數據價值研究是一個待挖的“深礦”。

圖1 2011—2021年大數據文獻發表量Fig.1 Annual publication of big data literature from 2011 to 2021

1.2 大數據價值研究主題分布

參考大數據述評類文獻觀點[5-6]，本文對203篇文獻內容進行編碼，具體編碼框架如表1所示。

表1 文獻編碼框架Tab.1 Coding framework

編碼結果顯示(見圖2)，大數據價值來源、價值內容和價值創造機理3個主題研究保持持續增長態勢。相比較而言，學者更關注價值內容和價值創造機理，對大數據價值來源的關注度較低。這是因為，當前研究多默認大數據可以給企業帶來價值，不再作深入探究，而這不利于構建大數據價值研究框架，因此有必要對相關研究進行系統梳理。

結合編碼情況，本文從大數據價值來源、大數據價值內容、大數據價值創造機理3個主題著手，構建管理和商業領域大數據價值研究初步分析框架(見圖3)，圍繞此分析框架開展文獻述評。

2 大數據價值來源

大數據價值來源主要回答“什么是大數據”和“誰在開展大數據價值創造”的問題。馬克思主義價值觀指出，價值來源于客體、取決于主體、產生于實踐(李連科，1999)，因此要全面了解大數據的價值來源，需要從主客體兩方面切入。

2.1 大數據價值客體來源

大數據價值客體來源即大數據本身，組織或個體只有借助現實存在的大數據資源和技術才能創造出價值。客體來源研究重在解釋大數據內涵，當前學者從數據特征和分析技術兩個視角展開分析，前者致力于挖掘能稱之為大數據的數據所應具備的獨特性質[7]，后者致力于考察用于收集與處理各類數據資源的技術手段和能力[8-9]。本文對兩大視角文獻進行梳理，通過比較分析系統闡釋大數據價值客體來源(見表2)。

(1)數據特征視角研究認為大數據是具有獨特性質的數據集合，研究焦點在于不斷挖掘這些獨特性質。早期學者將大數據等同為海量數據或大規模數據(Rich, 2012)，其理論屬性體現為數量維度，無法準確反映復雜的大數據應用環境。Laney(2001)首次圍繞多個維度刻畫大數據特征，提出包括數量(Volume)、速度(Velocity)、種類(Variety)的大數據“3V”特征，對后續研究影響深遠。然而，“3V”特征僅能說明大數據的本原屬性，未展現出大數據所具備的社會價值。為彌補這一缺陷，Forrester(2012)強調應重視如何從大數據中獲取經濟價值，并在“3V”特征的基礎上增加價值(Value)維度；White(2012)進一步補充準確性(Veracity)維度，以突出數據質量在價值創造過程中的重要性，最終形成當前流行的大數據“5V”特征。在測量方法上，學者尚未開發出針對“5V”特征的完整測量量表，多是針對其中部分維度進行測量。有些研究聚焦于數據質量這一變量，其能夠涵蓋上述多個維度內容，以Wixom & Todd(2005)開發的量表最具代表性。該量表包含完整性、準確性、速度、格式4方面內容，被后續學者廣泛引用[10,12]。還有一些研究關注其它維度，如Dong & Yang[11]通過計算社交媒體渠道多樣性指數反映大數據數量特征；Zhang & Xiao[13]測量客戶提供數據的程度，這是一種獨特的大數據種類。

圖2 大數據價值研究主題分布Fig.2 Topic distributions of research on the value of big data

圖3 管理和商業領域大數據價值研究初步分析框架Fig.3 Preliminary analysis framework for research on the value of big data in management and business fields

表2 不同視角下大數據價值客體來源研究比較Tab.2 Comparison of studies on the sources of value objects of big data from different perspectives

(2)分析技術視角研究認為，大數據資源本身不具有競爭優勢，只有運用相關技術從中提取出價值才能為企業決策提供參考[9]，因此將大數據內涵界定為“大數據分析”，強調數據收集和處理過程中的技術要求(Havens等, 2012)。在構成維度上，該視角研究或從分析技術本身出發，或從這些技術背后所展現的分析能力著手，研究觀點較為發散。圍繞分析技術，Chen等[8]最早提出大數據分析一詞，并將其劃分為商業智能分析、社交媒體分析和新興移動分析3個維度；Grover等[14]則將大數據分析劃分為過去描述性分析、未來預測性分析和模型規范性分析3個維度。圍繞分析能力，Gupta & George(2016)將大數據分析能力劃分為人力資源、有形資源、無形資源3個維度；Akter等(2016)將其劃分為大數據分析管理能力和大數據分析技術能力兩個維度。從測量方式看，多數研究采用量表測量。除基于上述維度外，一些學者結合自身研究開發出一系列單維變量量表，如數據驅動供應鏈技術[15]、大數據知識管理[16]、大數據團隊能力[17]等。還有一些學者采用二進制問題測量相關變量[11]。

對比兩個視角研究發現，前者認為大數據是在傳統數據概念基礎上添加新特征，屬于靜態觀分析；后者則強調通過技術手段把大數據資源轉化為競爭力，屬于動態觀分析。盡管兩者有所區別，但本質上都是對戰略研究中經典資源與能力理論的延續，而且都致力于解釋大數據資源對創新的驅動力。因此，從單一視角界定大數據內涵有所偏頗，通過綜合兩個視角研究，本文將大數據定義為收集、管理和分析“5V”數據的技術方法。

2.2 大數據價值主體來源

大數據價值主體來源是指應用大數據資源和技術的組織或個體，這些組織或個體的主觀需求引發大數據價值創造活動，使大數據價值得以產生和存在。從研究設計看，主體來源即為相關研究所選取的研究對象，當前學者主要關注組織層面主體，且以企業居多。

從企業所屬行業看，多數研究聚焦于互聯網與制造業。例如，Zeng & Glaister(2016)研究互聯網創業企業如何通過客戶數據和信息資產開展客戶精準營銷；Dubey等[18]分析制造企業如何通過使用大數據預測工具實現系統控制與優化。之所以關注這兩個行業，是因為互聯網企業擁有大量實時經營數據，制造業企業經歷多年數字化轉型，借助物聯網技術建立了較為完善的數據庫與處理系統。另外，隨著智慧交通網絡建設的不斷推進，大數據在交通運輸業的應用也受到廣泛關注。Zhu等(2018)研究發現，對大數據交通網絡進行動態分析，可為用戶出行提供更多選擇方案。相比較而言，農、林等行業對大數據關注較少，可能與這些行業數字化程度不高有關，導致難以形成大數據資源積累。實際上，當前大數據在各類垂直行業領域正在不斷拓展，行業數字化發展逐步規范化、精準化，未來應對當前較少受到關注的行業加強研究。

從企業發展周期看，成熟企業最受關注，新創企業關注度不高。原因在于：成熟企業擁有生成大數據資源的基礎條件，而且也具備對大數據資源進行有效整合與利用的能力，能夠對大數據資源與企業其它資源進行有效互補，共同推動企業發展；相反，新創企業大多不具備豐富的大數據資源管理經驗和能力，盲目追求數據資源多樣性反而容易導致目標分散，降低企業資源利用率。結合上文大數據內涵可知，成熟企業研究多基于數據特征視角，新創企業研究則多基于分析技術視角[11]。這意味著，大數據分析技術是新創企業的競爭利器，能夠促使其快速打開市場，突破生存危機。實際上，大數據分析技術優勢能夠協助企業建立大數據資源優勢，反之亦然。例如，Prismatic依托亞馬遜云平臺，利用互聯網數據爬蟲技術和社交平臺數據實現大數據場景下的精益創業。因此，兩類大數據優勢相互促進機理問題值得深入探究。

除此之外，還有少數文獻以非營利組織作為研究對象。例如，Wang & Hajli(2017)研究醫院借助醫療信息圖譜分析患者病原學特征，提出合適的治療方案和建議。雖然該方面研究成果并非嚴格意義上的管理和商業領域，但在應急服務方案設計、數據集成方式、檢測技術應用等方面的理論發現卻能夠為管理和商業領域相關研究帶來啟發。

大數據價值來源包括客體來源和主體來源兩個基本維度，兩者在大數據價值創造過程中發揮重要作用。學者對大數據的理解存在差異，大數據測量分別基于數據特征和技術分析，詮釋某種情境下的大數據，測量工具突出大數據是一個多維度復雜構念。根據李連科(1999)的觀點，價值實質上是一種關系范疇，即主體利用客體滿足自身生存和發展需要，這種關系只有在主體改造客體的實踐活動中才得以確立。因此，對于大數據價值來源的理解除一般性地對其內涵進行界定外，更應將主客體來源結合起來，將其置于價值創造實踐情境中，在深入分析“不同企業對大數據內涵理解差異”的基礎上，進一步探索“這些差異如何反映在具體大數據價值實踐活動中”。

3 大數據價值內容

大數據價值內容聚焦于解答“大數據能夠為組織或個體帶來什么樣的具體價值”這一問題，可以分解成兩個方面：一是提高價值量，形成新經營框架[3]；二是提煉新元素，發現新價值[11]。結合大數據價值是“不同主體整合和重組大數據資源活動”的定義，本文將大數據價值內容概括為效率性價值和創新性價值兩類范疇。

3.1 效率性價值

(1)改進生產運營流程。大數據通過調整生產運營流程提高生產運營效率，擁有高超數據治理技能的企業通常在“供—產”兩個環節有著較為出色的效率表現(Ransbotham & Kiron, 2017)。有些學者分析大數據在供應鏈管理中的應用發現，由大數據驅動的供應鏈管理利用可視化操作、自動化過程對客戶訂單進行優化，使多個供應鏈合作伙伴在聯合設計、生產、交付和服務方面實現實時交互[15]。還有一些學者探討大數據在生產環節的應用，發現大數據技術可以幫助企業收集庫存、促銷等實時信息，并及時預測產品需求變化，而大數據分析則能夠有效促進企業重組生產流程與結構[18]。Santoro & Usai[19]等指出，伴隨著生產運營成本不斷增加，企業借助大數據軟件技術可以明顯降低傳統機械式生產運營系統引發的高成本問題。

(2)優化組織結構。大數據背景下，原本相對獨立的組織部門變得不再固定，從強調集中化管理、嚴格規劃的傳統職能制結構逐步轉變為不同專業、技能和業務人才的動態集合式組織結構[17]。當前研究普遍認為，對于公司發展而言，這種開放式協作生態系統有利于模糊組織邊界，集聚企業內部有用資源，為公司價值共創提供支撐。Zeng & Glaister[20]分析大數據環境中跨部門協作作用于企業價值的內在機制，發現數據環境化與公司價值創造顯著正相關。在實踐領域，Facebook、蘋果等公司也較為關注這一點，積極探索如何通過開放式平臺戰略超越常規組織部門界限，以便從創新生態系統內部各部門汲取獨特創意。

(3)適應外部環境。大數據資源與技術有利于降低決策不確定性，使企業獲得高超的預測分析能力，確保資源高效配置，從而更好地應對外部環境變化[3]。當前，該方面研究主要集中在市場營銷領域，重點探索大數據如何助力企業更好地適應市場環境變化，并提高企業與消費者互動效率。有些學者聚焦于大數據提供的差異化服務，如Dong & Yang[11]等將社交媒體視為一種特殊的大數據分析工具，指出企業基于該工具優化營銷策略，并與市場中的競爭對手加以區分。有些學者探討消費者情緒問題，如Dremel等[21]研究發現，B2B企業借助用戶內容生成平臺解決消費者情緒問題，該數據平臺為企業和消費者提供信息共享渠道，幫助企業建立以客戶為中心的營銷模式。還有一些學者關注顧客體驗，如Grover等[8]指出，企業采取大數據分析計劃能夠清晰了解消費者需求，有助于為消費者提供更具針對性及個性化的產品或服務。

3.2 創新性價值

大數據資源與技術不僅可以提高資源使用效率，還能夠孕育出新元素，從而為企業帶來創新性價值(Brandenburger & Stuart, 1996)。

(1)開發新產品。開發新產品是指利用大數據資源與技術開發符合客戶需求的創新性產品或服務，相關研究普遍強調大數據具有監控及預測作用，大體分為“市場”和“客戶”兩類研究視角。關于市場研究，Gupta等(2020)認為，企業利用大數據可以準確預測市場需求，有效改變自身產品開發策略，確保產品能夠更好地滿足新興市場需求。關于客戶研究，相關學者指出客戶正成為大數據的主要來源，精確獲取和利用客戶信息有助于將客戶潛在需求快速轉換為新產品。Zhang & Xiao[13]指出，客戶參與是企業獲取并有效利用客戶信息的有效途徑，企業通過與客戶迭代互動更有可能開發出令客戶滿意的產品。

(2)設計新流程。設計新流程是指利用大數據資源與技術設計新型生產運營流程或工具，這是企業可持續競爭優勢的主要來源[1]。當前，該方面研究成果較少，可能是因為新工具設計活動涉及很多科技元素，因而常被視為科技活動而非管理活動，導致管理和商業領域學者對此關注度不高。如Wang等[9]研究發現，醫療行業通過強化跨界數據合作關系，利用ELT數據同步工具整合臨床數據、保險數據、患者行為等，可生成患者數據視圖。

(3)構建新模式。大數據是企業的關鍵資源，能夠引導企業開發新價值主張，幫助企業構建全新的商業模式[2]。有些學者重點探討大數據對開發新價值主張的正向作用。Woerner & Wixom(2015)研究發現，大數據深度分析能夠幫助企業發現新市場機會，企業會據此開發新價值主張以增強客戶體驗。還有一些學者重點分析大數據對商業模式創新的促進作用。Porter & Heppelmann研究發現，企業通過廣泛應用大數據和物聯網技術創新或完善產品服務系統，實現發展戰略變革并設計全新的商業模式。

效率性價值強調企業在保持原有生產要素不變的情況下，利用大數據技術提高創新研發效率、加速跨界融合。雖然企業沒有生成新產品、新商業模式，但是大數據技術可幫助生產者優化和改進研發活動，改進企業生產模式。創新性價值更注重改變現有價值創造范式，大數據技術可以豐富價值創造方式，觸發企業改變生產、制造、戰略等各個經濟活動環節，拓寬企業價值創造邊界。總體而言，當前管理和商業領域有關大數據價值內容的理論研究對企業價值鏈多數業務模塊均有關注，其中供應鏈管理和營銷研究最多，人力、財務研究成果較少。這可能是因為人力、財務等業務很難生成“5V”標準數據資源，這種資源是產生大數據價值的基礎。相反，供應鏈管理、營銷業務通過與外部組織或個體的持續互動，能夠生成規模龐大的“5V”數據資源，因此是開展大數據技術應用的主戰場。據此，如何改進人力、財務等業務數據資源特征，成為這些業務能否享受大數據紅利的關鍵因素。

4 大數據價值創造機理

4.1 大數據價值過程機理

(1)大數據價值活動過程。該主題研究多為案例分析，聚焦于刻畫大數據價值階段及細節，以及剖析企業開展的各類關鍵活動。當前，對大數據價值創造過程的研究并不多見。Grover等[8]指出，大數據價值轉換是一個動態過程，可劃分為能力構建與能力實現兩個階段。其中，能力構建包括建立大數據分析基礎設施和開發大數據分析能力，能力實現包括明確價值創造目標與設置價值創造機制。在此基礎上，Dremel等[21]將大數據價值創造過程劃分為增強、構建、協調和整合4個階段。綜合這些觀點可以發現，大數據價值創造活動基本遵循“打造技術基礎—有效應用技術”的邏輯展開，因此本文將該活動過程概括為技術準備、實施和強化3個階段。

關于大數據價值創造活動內容，當前研究普遍認為要更好地挖掘大數據價值，企業需要有效開展數據收集、數據部署、數據執行3類關鍵活動。關于數據收集，Santoro等(2019)指出，企業應界定好數據類型，既要構建結構化數據庫和非結構化數據庫，也要整合實時數據和已有數據庫資源，開展混合分析。數據部署主要與企業定位有關，包括投資基礎設施、成立分析組織、打造關聯數據能力等具體活動[1,19-20]。Zhang & Xiao等[13]指出，通過權力下放、賦予員工數據使用權等措施可以顯著加快企業決策步伐，具有簡單規則與數據共享理念的企業往往更能靈活應對市場變化；而通過業務流程自動化分析、客戶參與等措施則可以明確客戶需求，增強客戶體驗。

(2)大數據價值內在機理。該主題研究多為實證分析，聚焦于理論邏輯或實踐，挖掘連接“大數據—價值”關系的中介變量，主要包括戰略視角與業務視角兩類研究。

其中，戰略視角研究圍繞“大數據—企業能力—競爭優勢”邏輯鏈條展開。有些學者探討動態能力的中介效應，認為大數據通過提高企業環境適應性增強自身競爭優勢。Mikalef等[1]指出，大數據分析通過改變企業動態能力基礎流程增強企業創新價值能力；Corte-Real等[10]將大數據分析視為動態能力，認為其有利于更改和優化企業運營程序，在數據質量和競爭優勢之間起中介作用。有些學者探討決策能力的中介效應，認為大數據通過提高企業決策質量增強企業競爭優勢。Akhtar等[17]將大數據驅動決策視作一種管理決策能力，指出其在大數據團隊技能與業務績效之間發揮積極中介作用。還有一些學者關注知識管理能力的中介效應，認為大數據通過完善企業知識儲備與管理方式增強企業競爭優勢。Ferraris等[16]研究發現，利用大數據可對企業進行系統選擇和動態管理，有效降低數據管理風險，提高企業創新績效。

業務視角研究圍繞“大數據—業務發展—企業績效”邏輯鏈條展開分析。多數學者探討銷售業務發展的中介效應，認為大數據通過增加企業市場營銷活動提升自身業績水平。Wamba等[12]研究指出，銷售業務發展在大數據質量與企業創新績效之間起中介作用，作者以亞馬遜公司為例，指出其利用大數據開展直銷活動，為客戶提供比競爭對手更好的產品和服務，取得巨大的業務價值。還有一些學者探討企業生產運營業務發展的中介效應，認為大數據通過增加企業生產運營活動提升自身業績水平。Mishra等[4]研究指出，IT技術能夠促使企業調整運營模式，提高交易過程效率，削減生產成本，增加交易價值；Grover等[8]研究發現，大數據分析利用內部數據和外部用戶數據獲得關于產品和服務的相關見解，企業利用這些見解可以有效提高新產品開發效率。

4.2 大數據價值創造過程邊界條件

4.2.1 推動力

當前，關于大數據推動力的研究主要圍繞企業內外部環境挖掘一系列提升大數據價值的要素，并將其歸納為外部環境、組織結構、企業資源及合作網絡4個要素范疇。

(1)外部環境是管理和商業領域研究最傳統的權變要素之一，強調企業經營活動要與外部環境需求相匹配，大數據價值研究主要關注環境不確定性、行業屬性及顧客特征3類要素。雖然環境不確定性通常不利于企業經營，卻是適宜大數據發揮最佳效應的環境狀態。Mikalef等[1]研究認為，當環境動態性、異質性及敵對性水平較高時，大數據分析能力能夠有效轉化為企業動態能力。關于行業屬性，學者認為企業所在行業互聯網屬性越明顯，越有助于促進大數據價值創造。Müller等(2018)對美國軟件供應商企業的實證研究表明，IT密集型行業企業可從大數據資產中直接獲利，而非IT密集型行業企業則無法基于大數據資產促進生產率提升。關于顧客特征，相關研究指出顧客不是大數據價值的消極接受者，而是主動甚至主導價值創造的合作者，因此良好的顧客環境有助于提升大數據價值創造活動效果。Zhang & Xiao[13]利用B2B企業創新項目調研數據發現，客戶作為數據提供者(CDP)和數據分析師(CDA)可以促進B2B產品創新，并能夠更好地解決客戶問題。

(2)組織結構要素強調企業部門設置、人員配備、核心流程安排應根據企業關鍵經營活動需求決定。在大數據價值研究中，組織柔性與部門協同獲得較多學者關注。關于組織柔性，學者普遍認為在大數據應用背景下，業務場景、產品/服務、IT能力需求變化是常態，只有建立柔性組織結構，讓各層次、各部門之間實現快速解耦，才能保障大數據價值活動的生命力。Dubey等(2019)研究指出，組織靈活性是供應鏈風險管理的關鍵杠桿，當組織靈活性水平較高時，組織可以對快速變化的市場條件作出有效反應，并靈活進行資源部署。部門協同是指數據團隊通過與其它部門協同，整合并優化各種專業知識以確保大數據為企業提供長期競爭優勢。Akhtar等[17]研究發現，企業通過集體學習和共享大數據知識，可以實現多學科人才能力互補，顯著提升企業創新績效。

(3)大數據價值創造活動是有成本的，企業資源要素研究重在探索該活動所需的有形資源與無形資源。關于有形資源，學者主要分析互補性資產的作用。Yu等[15]基于中國制造企業的實證研究表明，互補性資產促使企業積極應用新方法和新技術、投資新機械和新設備，并將這些創新轉化為自身競爭優勢。關于無形資源，學者主要分析大數據文化的作用，要求企業從數據中提取關鍵信息并作出相應決策。Dubey等[18]將大數據文化作為企業維持競爭優勢的關鍵調節因素，發現擁有較強大數據文化的企業可以清晰制定發展目標，更容易從大數據投資中實現商業價值；Shamim等(2019)指出，大數據文化能夠顯著促進有形資源整合，通過引導各類技術、設備、財務等資源組合提升企業創新績效。

(4)企業自身資源有限，需要借助外部合作網絡完善大數據價值活動所需資源。網絡合作要素體現為企業與聯盟伙伴建立互補、協同和專業化關系，這種關系通過合同或長期協議加以保護，并隨著新成員的加入而動態變化，致力于在合作伙伴之間進行有形資源或無形資源交換。當前研究主要關注數據共享價值，Santoro等[3]認為，企業利用數據共享機制融合內外部數據并管理開放數據網絡，確保聯盟合作伙伴之間數據功能互補，從而形成更強勁的價值創造能力。

4.2.2 阻礙力

當前，對大數據價值創造阻礙力的研究聚焦于探討大數據安全問題。Sena等[22]指出，個體及組織不斷生成新數據，這些數據也在不斷被收集與利用，導致傳統數據安全防范機制面臨巨大挑戰，侵犯隱私、數據濫用等問題已嚴重制約大數據價值創造活動的順利開展。

(1)侵犯隱私。有些學者發現，大數據平臺安全性和隱私保護政策是大數據使用的主要障礙，企業目前存在只重視數據獲取而忽視數據保護的問題，因此數據使用和協調過程往往會超越組織控制范圍(Kallinikos & Constantiou, 2015)。Colombo & Ferrari(2015)研究發現，雖然電子商務平臺基于顧客消費記錄、社交記錄等數據為顧客定期提供個性化產品或服務，但也意味著顧客隱私在此過程中被公開，而“用隱私換產品或服務”最終可能演化為“大數據殺熟”行為；Van den Broek & Van Veenstra(2015)指出，為實現數據驅動發展的目標，有些企業可能會通過數據倒賣或數據尋租等方式犧牲用戶隱私。

(2)數據濫用。有些學者認為在互聯網平臺企業快速成長背景下，顧客不再是單純的消費者，也成為產品本身，導致網絡購物、交通出行等領域的數據濫用行為愈發普遍(Krafft等, 2017)，“大數據殺熟”行為便是數據濫用的典型表現之一。Sena等[22]研究發現，雖然個性化是改善客戶體驗并最終提高企業業績的有效途徑，但并不意味著企業可以犧牲客戶利益為代價獲取大數據價值，而需要遵守行業規范，避免非法或不道德的數據使用行為；Nie & Chen(2019)研究發現，數據濫用問題會制約經濟發展，這是未來值得關注的重點領域。

通過回顧文獻發現，當前學者主要從過程機理和內在機理兩個方面對大數據價值創造機理進行研究。在此基礎上，學者們探討大數據價值創造過程的邊界條件，聚焦于分析大數據應用的“雙刃劍”效應。總體而言，當前管理和商業領域大數據價值創造機理研究仍未跳出傳統研究思維，所選取的中介變量、調節變量都是以往研究中的常用變量。實際上，大數據有其特殊性，其不同于物理資源，是一種取之不盡、用之不竭的新資源，這對資源基礎理論解釋邏輯形成新挑戰。因此，有必要強化傳統理論與大數據實踐之間的關系，采用合適的理論深入分析不同大數據實踐，不斷豐富傳統理論內涵。

5 結語

5.1 研究結論

通過梳理管理和商業領域大數據價值研究成果，界定大數據內涵，歸納大數據為組織或個體帶來的價值類型，總結大數據價值活動過程與適用邊界，本文構建管理和商業領域大數據價值研究整合分析框架，如圖4所示。

由圖4可知，當前管理和商業領域大數據價值研究初步包含價值來源、價值內容和價值創造機理三大研究模塊，并取得諸多理論研究成果，各模塊內部涉及的變量和因素較多，且存在一些不足。首先，大數據價值來源研究多聚焦于客體來源，對主體來源關注度不高。客體來源研究對大數據“5V”特征與大數據技術的認識較為清晰，為后續融合兩者系統界定大數據內涵奠定了基礎；主體來源研究主要分析互聯網行業、制造業企業相關實踐，涉及的行業企業類型較少，未全面展現并解釋大數據在各行各業廣泛應用的實際狀況。其次，大數據價值內容研究主要圍繞企業價值鏈層面展開。效率性價值研究與創新性價值研究基本都是圍繞企業價值鏈業務模塊選定研究內容，并且這兩類價值最終都指向企業績效提升。在數字經濟背景下，企業價值鏈業務要素種類及業務流程復雜性持續提高，使得該方面研究出現空白。最后，大數據價值創造機理研究有待加強。目前，過程機理研究比較成熟，學者研究觀點較為一致，但邊界條件研究卻聚焦于推動力因素，對以大數據安全為典型代表的阻礙力因素探討較少，既不利于衡量大數據價值，也難以有效規范大數據違規行為。

5.2 理論啟示

(1)挖掘大數據技術應用場景。大數據具有技術與場景應用的雙重屬性，其中場景屬性是技術屬性的載體，處于支配地位，沒有場景指向的大數據技術毫無意義。場景分析是管理和商業領域的研究熱點與強項(Verhoef等, 2017)，未來應在深入理解大數據技術特征的基礎上，持續挖掘大數據技術應用場景。一方面，重視場景屬性并不意味著放棄大數據技術屬性，未來管理和商業領域應借鑒管理科學與工程、情報學以及計算機領域的相關知識，融合大數據場景屬性和技術屬性，精準界定大數據概念并開發科學的測量工具；另一方面，雖然大數據技術不排斥任何產業，但要成為驅動多產業發展的“引擎”，需要系統考察大數據技術在不同產業中的適用性問題。例如，打散產業鏈結構，找到大數據技術應用于相應產業的關鍵切入點，探索其產業發展方向和路徑。

(2)挖掘大數據情境下人的改變與物的改變。一方面，大數據不僅是技術變革，現有資源、組織模式、員工素質也需要隨之進行系統性改變[6]，如何實施這些變革值得深入探討。例如，大數據平臺開放性特征使得企業能夠更便捷地獲取資源，但引入數字技術要求員工具備較強的綜合素質和專業技能，為使員工使用數字基礎設施和數字平臺，企業應為員工提供知識學習和培訓服務，使其迅速成長。另一方面，挖掘企業管理者融合客觀數據和主觀認知的有效路徑，以便作出更合理的價值決策。目前，關于二者融合機制的研究仍處于“黑箱”狀態，未來有必要結合具體案例，挖掘企業高管如何將客觀數據和主觀推斷有機結合，動態調整企業運營模式以匹配企業價值主張，從而實現大數據價值。

(3)基于“前因—活動”導向，探討影響企業使用大數據的關鍵因素。一方面，現有研究主要以“活動—結果”為導向，探討企業應用大數據會產生哪些影響，對于企業在何種情境下更愿意開展大數據活動的探討較少。未來應加強對動態能力、組織資源前因的探討，有效補充“活動—結果”導向研究。另一方面，在“活動—結果”導向研究中，關于阻礙力的探討遠遠不夠。目前，主要關注大數據安全問題，但未將這些問題細化。伴隨著經濟發展，新阻礙力因素不斷涌現，如使用開放性平臺可能會揭露企業存在的不良聲譽問題，阻礙企業資源獲取，讓其他競爭對手捷足先登，對這些問題需要持續跟蹤。

5.3 實踐啟示

2020年4月9日，中共中央、國務院發布了《關于構建更加完善的要素市場化配置體制機制的意見》，將數據作為一種新型生產要素寫入文件，提出要充分挖掘數據要素價值，根據數據性質完善產權制度，制定數據隱私保護制度和安全審查制度。在此背景下，為有效開發大數據所蘊含的價值，實踐界應回答好“如何利用”與“如何監管”兩大問題。

(1)為解決“如何利用”的問題，應大力培育新型實體企業。實踐界應以“數實融合”為理念，培育同時具備實體企業基因與數字技術能力的新型實體企業，帶動傳統產業鏈條從研發、制造到銷售實現線上線下融合。①傳統實體企業應積極融入數字技術，互聯網企業也應積極探索融入實體經營要素；②新型實體企業應同時掌握實體業務與數字技術，積極發揮“以實助實”的新型數字賦能作用；③新型實體企業屬于新興事物，已有相關政策針對性不強，因此政府應完善新型實體企業扶持與管理政策。

(2)為解決“如何監管”的問題，應持續完善數據全流程監管體系。2022年7月21日，國家互聯網信息辦公室依據《網絡安全法》《數據安全法》《個人信息保護法》《行政處罰法》等法律法規，對滴滴全球股份有限公司處以80.26億元的罰款。滴滴事件不僅說明數據安全問題的嚴峻性，同時也反映出當前數據監管有規可依，監管部門對此極為重視。鑒于大數據應用復雜性高、更新快，未來應持續加強事前培訓以及事中、事后監管。為此，監管部門應繼續完善大數據信息相關法律法規，明確大數據獲取、分析、利用等環節的權責關系。另外，行業也應加強自律，對從業人員進行教育培訓，嚴格規范大數據技術應用基本標準和整體流程，規避大數據應用帶來的負面效應。