大數據分析能力對企業數字化轉型的影響：地方政策感知的調節效應

余菲菲 蔣慶

收稿日期：2022-07-12修回日期：2022-10-09

基金項目：國家社會科學基金一般項目（20BGL008）

作者簡介：余菲菲（1983-），女，江蘇南京人，博士，河海大學商學院教授、博士生導師，研究方向為技術創新與戰略管理；蔣慶（2000-），女，四川資陽人，河海大學商學院碩士研究生，研究方向為技術創新。

摘 要：我國地方政策鼓勵企業數字化轉型，企業如何實施數字化轉型成為眾多學者關注的問題?；趧討B能力理論和環境適應學派的理論觀點，采用問卷數據進行實證分析，探討大數據分析能力對企業數字化轉型的影響以及地方政策感知的調節作用。結果表明，大數據分析能力對處于初始準備階段、踐行實施階段和深度探索階段的企業數字化轉型均具有積極影響。地方政策感知正向調節大數據分析能力與處于初始準備階段、踐行實施階段企業數字化轉型的關系，但對大數據分析能力與處于深度探索階段企業數字化轉型關系的調節作用不顯著。結論可深化對企業數字化轉型的解讀，并為政府根據企業所處數字化轉型階段精準施策提供參考。

關鍵詞：大數據分析能力；數字化轉型；地方政策感知；調節效應

DOI：10.6049/kjjbydc.2022070294

開放科學（資源服務）標識碼（OSID）開放科學（資源服務）標識碼（OSID）：

中圖分類號：F272.7-39

文獻標識碼：A

文章編號：1001-7348（2024）03-0012-11

0 引言

隨著新一輪科技革命和產業變革迅猛發展，全球經濟正處在前所未有的變軌期。面對復雜的國內外形勢，數字化轉型既是企業高質量發展的重要引擎，也是構筑國際競爭新優勢的有效路徑。正如中國工程院院士鄔賀銓所說：“數字化轉型是企業發展的必由之路。” 然而，根據《國有企業數字化轉型策略與路徑》白皮書和中國信通院《中小企業數字化轉型分析報告（2021）》調查顯示，目前我國6成以上國有企業仍處于轉型初級階段，數字化轉型尚未對主營業務發揮作用；中小企業數字化轉型面臨人才、技術、資金等困難，轉型進程較為遲緩。由此可見，數字化轉型是一項復雜系統工程，具有很強的綜合性和較高的復雜度。對企業而言，數字化轉型是一項頗具挑戰的長期、艱巨的任務?！丁笆奈濉币巹澓?035年遠景目標綱要》提出，加快建設數字經濟、數字社會、數字政府，以數字化轉型整體驅動生產方式、生活方式和治理方式變革。2020年8月，國務院國有資產監督管理委員會發布《關于加快推進國有企業數字化轉型工作的通知》，要求全面部署國有企業數字化轉型工作。2022年11月，工信部印發《中小企業數字化轉型指南》。中共二十大報告提出“加快發展數字經濟，促進數字經濟和實體經濟深度融合，打造具有國際競爭力的數字產業集群”的任務。為貫徹黨中央、國務院的決策部署，各省市政府部門紛紛出臺支持企業數字化轉型的相關政策與措施，促進本地企業數字化轉型。例如，上海市國有資產監督管委會于2021年9月發布《關于推進本市國資國企數字化轉型的實施意見》。又如，江蘇省政府辦公廳2022年1月印發《江蘇省制造業智能化改造和數字化轉型三年行動計劃（2022—2024年）》。因此，在地方政策引導與支持背景下，企業如何加快數字化轉型進程是極具現實意義的重要議題。

當前，對數字化轉型的內涵解讀與測量主要集中于國家和區域層面，缺乏從微觀層面對企業數字化轉型過程的深入研究。例如，Jafari-Sadeghi等^[1]基于國家層面，將數字化轉型分為技術準備、技術利用和技術開發3個階段；陳堂和陳光^[2]基于區域層面，從勞動力投入、資本投入、人力資本投入、技術創新、創新環境5個維度構建區域數字化轉型評價體系。近兩年，大多數學者運用案例研究方法對數字化轉型過程進行描述，或者運用文本分析法通過計算關鍵詞數量刻畫企業數字化轉型程度^[3-5]。總體來看，當前企業數字化轉型研究仍處于起步階段，對企業數字化轉型的內涵解讀不夠深入，缺乏對企業數字化轉型過程的階段劃分以及對不同階段差異的比較，尤其缺乏對企業數字化轉型不同階段的定量刻畫。

大數據是推動數字化轉型的重要內核之一。大數據是企業數字化轉型所需的核心資源要素^[6]，與之相匹配的大數據分析能力是企業數字化轉型不可或缺的綜合能力，但學者們對此關注不夠。大數據分析能力是指企業利用數據管理、基礎設施（技術）和人才能力提供業務洞察，將業務轉化為競爭力的綜合能力^[7]，包括組織、技術和人員等多個方面的綜合能力，缺一不可^[8]。近年來，有學者研究發現，大數據分析能力在促進企業績效提升、推動創新活動開展^[9-10]以及加快數字化轉型^[11]等方面具有至關重要的作用。然而，從能力視角切入，以往文獻往往關注某類單一能力對企業數字化轉型的影響，如信息技術能力^[12]、敏捷營銷能力^[13]等。綜合來看，盡管大數據分析能力的重要性逐漸被業界和學界認可，但鮮有研究涉及大數據分析能力對企業數字化轉型程度以及數字化轉型各階段的差異化影響。

值得一提的是，企業數字化轉型離不開地方各級政府部門的引導與支持。相較于中央政策，地方政策更加具有針對性，對當地企業的影響也更為直接。在相同的地方政策環境下，企業對地方政策的主觀理解與評價會有所不同，而這種感知差異勢必影響其數字化轉型進程。然而，以往文獻在探討外部制度因素對企業數字化轉型的影響時，更多停留在客觀制度環境層面，如金融業態^[4]、地方營商環境^[5]以及地方政府目標^[14]，鮮有研究基于制度環境感知視角，探討地方數字化政策感知程度對企業數字化轉型以及轉型各階段的差異化影響。

綜上所述，本文采用問卷調查方法進行實證研究，借鑒動態能力理論和環境適應學派的理論觀點，探討大數據分析能力對企業數字化轉型各階段的差異化影響，以及地方政策感知對上述關系的調節作用。本文的主要貢獻體現在以下3個方面：第一，本文采用問卷調查方法，從微觀層面對企業數字化轉型過程及階段進行定量刻畫，將企業數字化轉型劃分為初始準備階段、踐行實施階段和深度探索階段，進一步深化對企業數字化轉型內涵的理解，豐富企業數字化轉型過程及階段研究。第二，從大數據對企業賦能角度，本文基于動態能力理論引入大數據分析能力，探究其對企業數字化轉型各階段的影響。通過比較大數據分析能力對企業數字化轉型各階段的差異化影響，進一步拓展促進企業數字化轉型的前因條件，并基于能力視角細化企業數字化轉型內部驅動因素。第三，基于制度環境感知視角，本文引入地方政策感知作為調節變量，以探究不同感知水平下，地方政策感知在大數據分析能力與企業數字化轉型間的調節作用，既能夠豐富企業數字化轉型外部推動因素研究，又有助于對地方數字化轉型相關政策的效果評價。

1 概念界定與研究假設

1.1 企業數字化轉型與階段劃分

眾多學者側重區分數字化與數字化轉型的內涵。有學者認為，數字化轉型是通過數字化項目實現組織變革目標的戰略轉型^[15]。Gurbaxani & Dunkle^[16]認為，數字化轉型涉及公司多方面重塑，并將重新定義公司愿景和戰略；Verhoef等^[17]認為，數字化轉型涉及戰略、組織、信息技術、供應鏈和營銷方面變化，而數字化關注對業務流程的優化，通過優化用戶體驗創造額外的客戶價值。綜上所述，數字化著眼于客戶體驗流程改進，而數字化轉型會給全公司甚至整個行業帶來新變化，以新的商業邏輯創造和獲取價值。企業數字化轉型內涵解讀離不開對其進程階段的探討。企業數字化轉型過程是由淺入深，循序漸進的。初始準備階段是數字化轉型的起始階段?，F有研究中，Jafari-Sadeghi等^[1]從國家層面將數字化轉型階段劃分為技術準備、利用以及開發階段，其中，技術準備階段強調信息通信技術廣泛應用、數字基礎設施投資以及個人數字技術運用能力提升。相似地，吳建南等^[18]認為，技術準備階段是城市治理數字化轉型的萌芽階段。該萌芽階段數字化水平較低，需要積累數字技術基礎，以便為后續轉型發展提供支撐。此外，楊雅程等^[3]將加工制造企業數字化轉型過程分為數字化轉型準備階段和數字化轉型實施階段。在準備階段，企業需要獲取數字化轉型技術和非技術資源，識別外部機會，并提出轉型目標和愿景。綜上所述，本文認為，在數字化轉型初始準備階段，企業總體數字化水平不高，但已具備數字化轉型意識并形成初步轉型規劃，能夠著手數字基礎設施建設，并加強數字技術引進和應用。

經過初始準備，企業數字化轉型進入到下一個階段，從探索實踐走向深度應用。也有研究將制造企業數字化轉型的后兩個階段劃分為數字化轉型實施階段和數字化轉型引領階段^[19]。

因此，綜合考慮數字技術應用程度變化以及數字化轉型的階段性特征，本文將數字化轉型的后兩個階段劃分為踐行實施階段和深度探索階段。處于數字化轉型踐行實施階段的企業已初步完成數字化轉型技術和人才準備，能夠進一步擴展數字技術應用場景，擴大應用范圍，從而實現對現有產品和服務的改造升級。處于數字化轉型深度探索階段的企業能夠不斷創新業務模式，培育數字新業態，變革價值創造模式。

1.2 大數據分析能力

互聯網發展為大數據產生和發展創造了條件，學者們認為，大數據可能改變整個業務流程，并開始關注企業如何收集、存儲和挖掘大數據帶來的價值這一問題^[6]。由此，大數據分析能力一詞應運而生。大數據分析能力有助于企業有效整合大數據資源^[8]。基于動態能力視角，有學者將大數據分析能力界定為企業通過有效部署技術和人才以捕捉、存儲和分析數據，最終生成洞察力的動態能力。它能幫助企業應對不確定性環境，使企業在變化的商業環境中重新定位自己^[9]。現有研究對于大數據分析能力內涵的界定基本一致，即企業需要利用管理、技術以及人員等相關能力對大數據進行捕獲和分析，以激發商業洞察能力^[8]。

1.3 大數據分析能力對企業數字化轉型的影響

企業數字化轉型往往需要獲取和構建大數據分析能力。由于數字技術具有破壞性和顛覆性，企業數字化轉型始終處于快速變化的環境中。從動態能力理論視角看，大數據分析能力能夠幫助企業在變化的商業環境中重新定位自我^[20]，加快感知、協調、學習、集成和資源重新配置過程^[9]，從而有助于企業實現數字化轉型。

處于數字化轉型初始準備階段的企業開始重視數字化轉型，但數字技術應用程度較低、應用范圍狹窄，故傾向于制定戰略部署或尋找數字技術帶來的機遇。一方面，強大的大數據分析能力可以幫助企業識別外部環境中的機會與威脅，從而加強對機會的精準把握。另一方面，通過構建大數據分析能力，企業能夠形成洞察力，更容易準確感知競爭環境早期信號，把握競爭動態，及時調整戰略^[9]。此外，大數據分析能力可以增強企業信息技術能力，為當前和未來業務開展提供技術基礎^[21]。因此，大數據分析能力有助于處于數字化轉型初始準備階段的企業提升數字化轉型程度。

處于數字化轉型踐行實施階段的企業已初步落實數字化轉型戰略，數字技術應用程度加深，應用范圍擴大。相比于轉型初始準備階段，在數字化轉型踐行實施階段，企業需要進一步擴展數字技術應用場景，實現主營業務范圍內關鍵業務活動數字化和場景化，促進產品和服務升級。已有研究表明，大數據分析能力可以促進企業產品和服務升級，實現營銷和服務個性化，有助于運營管理效率提高，動態監控系統風險，優化故障檢測流程^[9]。Lin等^[22]指出，在動蕩的市場環境中，大數據分析能力可以幫助企業掌握先進的大數據分析方法及工具，動態監測環境變化并感知市場需求，進而更好地設計個性化新產品，實現產品創新。因此，大數據分析能力可以幫助企業不斷拓展產品和服務功能，是企業數字化轉型踐行實施階段的助推劑。

處于數字化轉型深度探索階段的企業在行業中處于領先地位，將以知識與數據驅動為主，實現關鍵業務集成融合、動態協同和一體化運行，開展跨企業網絡化協同和社會化協作，實現業務模式創新。相比于踐行實施階段，深度探索階段強調關鍵業務集成融合，實現業務模式創新及跨企業跨行業網絡化協作。首先，大數據分析能力可以幫助企業從大數據中提取前沿知識，更好地實現技術躍遷，從而實現突破式創新^[10]。其次，企業借助大數據分析能力實現流程自動化和資源分配，采用全新的業務處理流程改變運作方式，由此導致業務模式發生根本性改變^[9]。因此，大數據分析能力可以幫助企業培育數字新業務并實現主體間的數據和知識開放共享，為處于深度探索階段的企業向平臺化和生態化轉型提供助力。因此，本文提出以下假設：

H₁：大數據分析能力對企業數字化轉型具有正向影響。

H_1a：大數據分析能力對處于初始準備階段的企業數字化轉型具有正向影響；

H_1b：大數據分析能力對處于踐行實施階段的企業數字化轉型具有正向影響；

H_1c：大數據分析能力對處于深度探索階段的企業數字化轉型具有正向影響。

1.4 地方政策感知的調節效應

環境適應學派是戰略管理學派中最經典的學派。環境適應學派指出，環境會作為一種綜合力量影響組織決策，而組織也必須適應當前所處環境。環境適應學派強調組織需要與環境相匹配。地方政府出臺的政策和法規是影響企業經濟活動的重要環境因素^[23]。企業只有積極應對響應地方政策環境，才能對自身數字化轉型作出合理決策。因此，本文認為，大數據分析能力對企業數字化轉型的影響必然會受到地方政策環境的調節作用。

地方政策是指在中央指導下，地方政府（省級和市級政府）根據各地實際情況有重點、有目標地制定具體實施細則。相比于中央政策，地方政策可行性更強，可以直接作用于企業，將政策要點落實到位^[24]。地方政策感知是指企業對地方政策有用性和易用性的感知程度，主要體現為企業對地方政府出臺的數字化轉型相關政策感知程度^[25]。

對處于數字化轉型初始準備階段的企業而言，地方政策感知水平越高，其越能適應制度環境，越能精準把握政策走向與變革趨勢。地方政策感知水平越高，企業就越容易制定與當前政策環境相匹配的轉型戰略，進而強化大數據分析能力對數字化轉型的正向影響。同樣地，對處于數字化轉型踐行實施階段的企業而言，地方政策感知水平越高，企業越認為政策措施易用且有用，越會積極關注政策內容和細節，不斷挖掘政策利好信息，并將其轉化到關鍵業務活動的場景中去。因此，地方政策感知水平越高，越能強化大數據分析能力對處于踐行實施階段企業數字化轉型的促進作用。

由此可見，處于數字化轉型初始準備階段和踐行實施階段的企業，對地方政策感知程度越高，就越能正確理解政策內容，進而把握地方政策給予的機會和資源^[26]。因此，處于數字化轉型初始準備階段和踐行實施階段的企業，在地方政策感知水平較高的情境下，大數據分析能力對其數字化轉型的影響隨之增強。由此，本文提出假設如下：

H_2a：地方政策感知正向調節大數據分析能力與處于初始準備階段企業數字化轉型的關系；

H_2b：地方政策感知正向調節大數據分析能力與處于踐行實施階段企業數字化轉型的關系。

然而，不同于數字化轉型初始準備階段與踐行實施階段的企業，進入數字化轉型深度探索階段的企業處于行業領先地位，數字基礎設施配套完善、數字技術應用成熟，可以自主集成并創新業務模式，實現跨企業跨領域網絡化協作^[27]。與數字化轉型相關的地方政策僅能夠引導并支持企業，地方政府部門通過完善數字基礎設施、提供人才培訓和資金補助等措施夯實企業數字化轉型基礎。因此，地方政策感知水平對處于深度探索階段企業不具有決定性影響。地方政策感知對大數據分析能力與處于深度探索階段企業數字化轉型關系的調節作用不顯著。由此，本文提出如下假設：

H_2c：地方政策感知對大數據分析能力與處于深度探索階段企業數字化轉型關系的調節作用不顯著。

綜上，本文構建研究理論模型如圖1所示。

2 研究設計

2.1 企業數字化轉型程度量表開發

在正式問卷發放前，參考Mackenzie等^[28]的研究成果，開發企業數字化轉型程度量表。

首先，本文對企業數字化轉型程度衡量指標進行梳理，得到數字化基礎設施、數字化投入、IT基礎能力等關鍵指標。

其次，借鑒企業數字化轉型相關文獻^{[1，29-31]}，本文將企業數字化轉型過程分為3個階段，即初始準備階段（DTR）、踐行實施階段（DER）和深度探索階段（DEI）。通過征詢管理領域專家，對企業數字化轉型過程3個階段的題項進行設計。借鑒王核成等^[31]的研究成果，設計數字化轉型初始準備階段問卷題項；采用傅穎等^[32]對企業流程數字化的測量方式，設計數字化轉型踐行實施階段的問卷題項；根據王核成等^[31]、盧艷秋等^[33]、Singh等^[27]的研究成果，設計數字化轉型深度探索階段問卷題項。在此基礎上，邀請4名企業管理碩士研究生進行填寫，根據建議對問卷題項進行修改。最終，保留衡量企業數字化轉型程度的15個初始題項。

再次，進行探索性因子分析。對首輪回收的210份問卷數據進行KMO檢驗和Bartlett球形檢驗，刪除因子載荷低于0.4的題項并重新進行因子分析，直至對應因子載荷滿足統計要求。檢驗量表信度，形成包含3個維度14個題項的企業數字化轉型程度測量量表。

最后，再次發放企業數字化轉型問卷，第二輪回收有效問卷230份。根據探索性因子分析結果，利用Amos軟件對企業數字化轉型程度測量量表涉及的三因子模型進行驗證性因子分析。結果顯示，χ²/df小于3，IFI、TLI和CFI均大于0.9，RMSEA小于0.1，表明模型結構效度達到統計要求。通過對模型區分效度和聚合效度進行檢驗發現，均達到統計標準。由此，確定企業數字化轉型程度測量量表維度與題項。

2.2 樣本選取與數據收集

本文通過專家訪談法對問卷內容進行修改。需要特別強調的是，在回答問卷過程中，要求答題者根據上述企業數字化轉型各階段的描述，判斷自身企業當前所處數字化轉型階段，并回答所在轉型階段的相應題項。為此，在作答前，對答題者進行簡單培訓，以便答題者更好地理解企業所處數字化轉型階段。

2021年10～12月發放正式問卷，通過以下途徑進行數據收集：一是線下對在企業擔任中高層管理者的MBA學員進行問卷發放和數據收集；二是通過電子郵箱和班級群將電子版問卷發放給企業中高層管理者的校友、不在校的MBA學員等。最終，共收集線下問卷312份、線上問卷160份，總計472份問卷。剔除無效問卷116份，剩余有效問卷356份，問卷有效率為75.4%。有效樣本中，信息傳輸、軟件和信息技術行業與設備、儀器和器械制造業兩大行業占比較高，分別為25%和15.7%；國有企業占比為15.2%，非國有企業占比為84.8%。在356家企業中，119家企業處于轉型初始準備階段，110家處于轉型踐行實施階段，127家處于轉型深度探索階段。

問卷數據均來自企業中高層管理者的自我報告，為了防止共同方法偏差對結果的干擾，本文采用常用的Harman單因素檢驗方法進行檢驗。未旋轉的因子分析結果顯示，析出的第一個因子方差解釋率為26.887%，表明本文共同方法偏差問題并不嚴重。

2.3 變量測量

在借鑒國外成熟量表的基礎上，本文對量表進行翻譯和回譯，確保量表題項表達的準確性，并采用Likert 7點式量表，讓答題者對問題陳述的符合程度進行打分，1代表“非常不符合”，7代表“非常符合”。

（1）大數據分析能力。借鑒Ashaari等^[8]開發的量表，大數據分析能力（BDAC）測量量表包含技術能力、組織能力、人員能力3個維度，共10個題項，如“與其它公司相比，貴公司擁有用于數字化轉型更好的數據分析系統”、“貴公司內部能夠共享數字驅動決策的分析見解，增強分析連接性”、“貴公司能夠不斷研究創新機會，以便戰略性地改進業務”、“貴公司的業務分析師和一線人員定期開會討論數字化轉型的重要問題”、“貴公司的分析人員有編程方面的技能，如結構化編程、基于 Web 的應用程序、工具等”、“貴公司的分析人員能夠充分利用決策支持系統，如專家系統、人工智能、數據倉儲等”。

（2）地方政策感知。借鑒Hsu等^[34]開發的量表，地方政策感知（GPL）測量量表包含4個題項，如“當地政府政策鼓勵貴公司使用數字技術開展業務活動”、“當地政府在貴公司開發或使用數字技術的過程中提供資金資助、技術支持或人員培訓等幫助”、“當地政府政策保障了貴公司數字技術使用過程中的合法性”、“當地政府政策能夠引導貴公司進行技術革新和數字化轉型”。

（3）控制變量。本文選取成立年限、從業員工人數、研發人員數量占比、注冊資本以及產權性質等5個變量作為控制變量。根據作答者所屬企業信息與企查查、天眼查獲得的企業信息進行匹配，得到企業具體成立年限與注冊資本。產權性質方面，國有企業取值為1，非國有企業取值為0。此外，對從業員工人數和研發人員數量占比兩個變量取中間值。

2.4 信度與效度檢驗

本文利用Cronbach's α系數評價各量表內部一致性，并從結構效度、聚合效度和區分效度3個方面對量表效度進行檢驗，結果如表1所示。

（1）信度檢驗。各量表的Cronbach's α系數取值范圍在0.764～0.933之間，滿足統計要求。

（2）效度檢驗。各量表的KMO檢驗結果均大于0.7，表明可以進一步作因子分析。①結構效度：驗證性因子分析結果表明，整體模型擬合結果為χ²/df=2.106，IFI=0.978，TLI=0.976，CFI=0.978，RMSEA=0.056，說明本研究測量模型合理；②聚合效度：各變量的AVE值均在0.5以上，組合信度CR系數均大于0.8，說明量表聚合效度較高；③區分效度：各變量AVE的平方根值大于變量間的相關系數，表明各變量間具有較高的區分效度。

3 實證分析

3.1 描述性統計

本文對各階段樣本進行描述性統計分析，結果如表2～4所示。結果顯示，大數據分析能力與數字化轉型初始準備階段（β=0.379， p<0.01）、踐行實施階段（β=0.439， p<0.01）、深度探索階段（β=0.535， p<0.01）均顯著正相關。此外，VIF的檢驗結果遠小于臨界值10，表明本文多重共線性問題不嚴重。

3.2 回歸分析

本文采用分層回歸方法，分別檢驗大數據分析能力對企業數字化轉型3個階段的影響，以及地方政策感知的調節作用。其中，對大數據分析能力和地方政策感知變量進行中心化處理，通過構建二者乘積項檢驗調節效應是否存在。

（1）大數據分析能力對企業數字化轉型的影響。表5為數字化轉型初始準備階段的分層回歸結果。其中，模型2顯示大數據分析能力對處于初始準備階段的企業數字化轉型具有顯著正向影響（β=0.328， p<0.01），假設H_1a成立。表6為數字化轉型踐行實施階段的分層回歸結果。其中，模型5顯示大數據分析能力對處于踐行實施階段的企業數字化轉型具有顯著正向影響（β=0.433， p<0.01），假設H_1b成立。表7為數字化轉型深度探索階段的分層回歸結果。其中，模型8顯示對轉型深度探索階段的企業而言，大數據分析能力可以顯著促進企業數字化轉型（β=0.496， p<0.01），假設H_1c成立。

綜上，大數據分析能力可以顯著促進初始準備階段、踐行實施階段以及深度探索階段的企業數字化轉型。因此，假設H₁得到驗證。這一結果支持Loebbecke & Picot^[35]關于大數據分析是促進商業和社會轉型的潛在機制的觀點。此外，Dremel等^[11]通過案例研究，揭示大數據分析能力在企業數字化轉型過程中的積極作用，本文基于問卷數據，進一步證實，大數據分析能力可以促進企業數字化轉型。

（2）地方政策感知的調節效應分析。模型3、模型6分別在模型2、模型5的基礎上加入地方政策感知這一調節變量，以及大數據分析能力與地方政策感知的乘積項。結果表明，地方政策感知在大數據分析能力與處于初始準備階段的企業數字化轉型（β=0.326， p<0.01）以及處于踐行實施階段企業數字化轉型（β=0.243， p<0.01）間起正向調節作用。這一結果支持陳玉嬌等（2022）的研究結果，即支持性地方政策感知可以激勵企業數字化轉型。此外，通過比較各階段乘積項系數發現，在初始準備階段，乘積項系數最大，其次是踐行實施階段。上述結果表明，地方政策感知對處于不同階段的企業數字化轉型具有差異化影響。其中，地方政策感知對處于初始準備階段企業數字化轉型的助推作用最顯著。原因在于，處于數字化轉型初始準備階段的企業，其資源和能力比較匱乏，需要憑借外力驅使自身進行數字化轉型；處于數字化轉型踐行實施階段的企業已初步具備數字化轉型能力，因而對地方政策支持的依賴較小。該結論進一步證實了史宇鵬等^[36]的研究成果，即對處于數字化轉型初級階段的企業而言，其面臨的主要問題是人才不足、產業基礎薄弱、政府引導和扶持力度不足等。因此，地方政策感知對初始準備階段企業數字化轉型的作用更顯著。

模型9在模型8的基礎上加入地方政策感知這一調節變量，以及大數據分析能力與地方政策感知的乘積項。結果表明，地方政策感知在大數據分析能力與處于深度探索階段企業數字化轉型間的調節作用不顯著（β=0.068， p>0.1），假設H_2c成立。原因在于，雖然地方政府可為企業直接提供政府補貼、基礎設施、人才等資源，但對處于轉型深度探索階段的企業而言，其已經積累了豐富的資源和較強的能力，可自主進行數字化轉型。不同于處于數字化轉型初始準備階段和踐行實施階段的企業，處于數字化轉型深度探索階段的企業對地方政府提供的各類資源扶持并不高度依賴。此時，地方政策感知對處于數字化轉型深度探索階段企業的影響變得不再重要。

從圖2可以看出，隨著大數據分析能力增強，高地方政策感知水平下，企業更能實現自身數字化轉型，即地方政策感知正向調節大數據分析能力對處于初始準備階段企業數字化轉型的積極影響，假設H_2a得到驗證。從圖3可以看出，高地方政策感知水平下，大數據分析能力對處于踐行實施階段企業數字化轉型的積極作用更加顯著，假設H_2b得到驗證。

3.3 非參數檢驗

本文采用Kruskal-Wallis非參數檢驗方法，結果如表8所示。由表8可知，不同數字化轉型階段，企業大數據分析能力呈現顯著差異（p<0.05），即不同數字化轉型階段對企業大數據分析能力的要求不同。這可能是因為大數據分析能力是涉及組織、技術和人員的綜合能力，與企業經營活動的方方面面息息相關。在數字化轉型初始準備階段，企業處于數據資源匱乏、基礎設施薄弱、數字技術應用程度較低的情境。因此，在數字化轉型初始準備階段，企業大數據分析能力較弱，與后兩個階段相比，存在明顯不足。

此外，本文進一步檢驗初始準備階段、踐行實施階段和深度探索階段，大數據分析能力對數字化轉型的影響系數是否存在顯著差異。通過Z檢驗，比較不同轉型階段大數據分析能力對企業數字化轉型影響的系數大小。計算Z值發現，初始準備階段和踐行實施階段（z=2.628）及深度探索階段分別存在顯著差異（z=3.153），踐行實施階段和深度探索階段無顯著差異（z=1.515）。

大數據分析能力對處于數字化轉型踐行實施階段和深度探索階段的企業數字化轉型均具有正向影響，但是二者間并無顯著差異，原因如下：①經過初始準備階段，處于數字化轉型踐行實施階段和深度探索階段的企業已完成數字化轉型的能力與資源準備;②大數據分析能力對企業數字化轉型的作用存在瓶頸，相比于數字化轉型踐行實施階段，處于深度探索階段的企業僅依靠大數據分析能力促進數字化轉型是遠遠不夠的。

4 結語

4.1 結論

本文探究大數據分析能力對處于初始準備階段、踐行實施階段和深度探索階段企業數字化轉型的影響，以及地方政策感知的調節作用，得出以下主要結論：

（1）大數據分析能力對處于初始準備階段、踐行實施階段、深度探索階段的企業數字化轉型均具有正向影響。其中，大數據分析能力對初始準備階段企業數字化轉型的影響程度較弱，對踐行實施階段和深度探索階段企業數字化轉型的影響較為顯著。

（2）地方政策感知正向調節大數據分析能力與處于初始準備階段、踐行實施階段企業數字化轉型的關系，但在大數據分析能力與處于深度探索階段企業數字化轉型間的調節作用不顯著。

（3）比較地方政策感知在企業轉型不同階段的調節作用發現，地方政策感知對初始準備階段企業數字化轉型的調節作用最大，在踐行實施階段影響系數變小，在深度探索階段的調節作用降低且不顯著。

4.2 管理啟示

對企業而言，大數據分析能力對初始準備階段、踐行實施階段及深度探索階段的企業數字化轉型均具有積極影響，表明無論企業數字化轉型處于哪個階段，都需要構建強大的大數據分析能力。其中，相較于初始準備階段，大數據分析能力對處于踐行實施階段、深度探索階段企業數字化轉型的促進作用更顯著，表明在數字化轉型中后期，企業需要更多資源、精力構建與重塑大數據分析能力，要求員工必須具備相關技術和業務技能，不斷學習數據驅動知識。因此，企業需要招聘、引進、培訓大數據分析技術人才，并為技術研發提供資金支持，增強自身大數據分析能力，從而推動數字化轉型。

對地方政府相關部門而言，應根據企業所處數字化轉型階段的實際需求，有針對性地出臺相關政策。因此，地方政府應重視企業數字化轉型，尤其對處于數字化轉型初始準備階段、踐行實施階段的企業給予適當的政策傾斜。地方政府應積極為這類企業提供支持，直面這類企業轉型中的實際困難，著力解決企業在轉型過程中“不敢轉”“不會轉”問題。

4.3 不足與展望

本文存在以下不足：首先，僅通過問卷調查數據衡量企業數字化轉型具有一定的主觀性，未來可以結合區塊鏈、人工智能等數字專利數量、研發投入金額等客觀指標實證研究企業數字化轉型程度。其次，僅分析了大數據分析能力這一前因變量對企業數字化轉型的影響，未來可以拓展現有研究模型，加入其它自變量以進一步豐富企業數字化轉型影響因素。此外，未來可以進一步引入中介和其它調節變量，揭示企業數字化轉型過程的內在作用機制。最后，本文采用的是橫截面數據，未來可以收集面板數據，對大數據分析能力對企業數字化轉型的時滯效應進行研究。

參考文獻：

[1] JAFARI-SADEGHI V， GARCIA-PEREZ A， CANDELO E， et al. Exploring the impact of digital transformation on technology entrepreneurship and technological market expansion： the role of technology readiness， exploration and exploitation[J]. Journal of Business Research， 2021， 124： 100-111.

[2] 陳堂， 陳光. 數字化轉型對產業結構升級的空間效應研究——基于靜態和動態空間面板模型的實證分析[J]. 經濟與管理研究， 2021， 42（8）： 30-51.

[3] 楊雅程，雷家骕，陳浩，等.加工制造企業數字化轉型的機理——基于資源編排視角的案例研究[J].管理案例研究與評論，2022，15（2）：198-220.

[4] 張黎娜，蘇雪莎，袁磊.供應鏈金融與企業數字化轉型——異質性特征、渠道機制與非信任環境下的效應差異[J].金融經濟學研究，2021，36（6）：51-67.

[5] 史宇鵬，王陽.營商環境與企業數字化轉型：影響表現與作用機制[J/OL].北京交通大學學報（社會科學版）：1-15[2022-04-30].https：//doi.org/10.16797/j.cnki.11-5224/c.20220420.008.

[6] PAPPAS I O， MIKALEF P， GIANNAKOS M N， et al. Big data and business analytics ecosystems： paving the way towards digital transformation and sustainable societies[J]. Information Systems and e-Business Management， 2018， 16（3）： 479-491.

[7] AKTER S， WAMBA S F， GUNASEKARAN A， et al. How to improve firm performance using big data analytics capability and business strategy alignment[J]. International Journal of Production Economics， 2016，182：113-131.

[8] ASHAARI M A， SINGH K S D， ABBASI G A， et al. Big data analytics capability for improved performance of higher education institutions in the era of IR 4.0： a multi-analytical SEM & ANN perspective[J]. Technological Forecasting and Social Change， 2021，173： 121119.

[9] MIKALEF P ， BOURA M， LEKAKOS G， et al. Big data analytics capabilities and innovation： the mediating role of dynamic capabilities and moderating effect of the environment[J]. British Journal of Management， 2019， 30（2）：272-298.

[10] 李樹文，羅瑾璉，葛元骎.大數據分析能力對產品突破性創新的影響[J].管理科學，2021，34（2）：3-15.

[11] DREMEL C， HERTERICH M， WULF J， et al. How AUDI AG established big data analytics in its digital transformation[J]. MIS Quarterly Executive， 2017， 16（2）： 81-100.

[12] NWANKPA J K， ROUMANI Y. IT capability and digital transformation： a firm performance perspective[EB/OL].https：//aisel.aisnet.org/icis2016/ISStrategy/Presentations/4/，2016.

[13] MOI L， CABIDDU F. Leading digital transformation through an agile marketing capability： the case of Spotahome[J]. Journal of Management and Governance， 2021， 25（4）： 1145-1177.

[14] 楊賢宏，寧致遠，向海凌，等.地方經濟增長目標與企業數字化轉型——基于上市企業年報文本識別的實證研究[J].中國軟科學，2021（11）：172-184.

[15] RACHINGER M， RAUTER R， MUELLER C， et al. Digitalization and its influence on business model innovation[J]. Journal of Manufacturing Technology Management， 2019， 30（8）： 1143-1160.

[16] GURBAXANI V， DUNKLE D. Gearing up for successful digital transformation[J]. MIS Quarterly Executive， 2019， 18（3）： 209-220.

[17] VERHOEF P C， BROEKHUIZEN T， BART Y， et al. Digital transformation： a multidisciplinary reflection and research agenda[J]. Journal of Business Research， 2021， 122： 889-901.

[18] 吳建南，陳子韜，李哲，等.基于“創新—理念”框架的城市治理數字化轉型——以上海市為例[J].治理研究，2021，37（6）：99-111.

[19] 林艷，張欣婧.制造企業數字化轉型不同階段的影響因素——基于扎根理論的多案例研究[J].中國科技論壇，2022，38（6）：123-132，142.

[20] WARNER K S R， W?GER M. Building dynamic capabilities for digital transformation： an ongoing process of strategic renewal[J]. Long Range Planning， 2019， 52（3）： 326-349.

[21] WANG Y ， KUNG L A ， BYRD T A . Big data analytics： understanding its capabilities and potential benefits for healthcare organizations[J]. Technological Forecasting & Social Change， 2018， 126：3-13.

[22] LIN C， KUNNATHUR A. Strategic orientations， developmental culture， and big data capability[J]. Journal of Business Research， 2019， 105： 49-60.

[23] LAI Y， SUN H， REN J. Understanding the determinants of big data analytics （BDA） adoption in logistics and supply chain management[J]. The International Journal of Logistics Management， 2018， 29（2）： 676-703.

[24] 盧章平，王曉晶.國家和地方科技成果轉化政策對比分析[J].圖書情報工作，2012，56（24）：83-88.

[25] 許成磊，張超，郭凱，等.政策支持、創業激情與技術創業成功：政策感知的調節作用[J/OL].科技進步與對策：1-10[2022-05-08].http：//kns.cnki.net/kcms/detail/42.1224.g3.20210826.1110.006.html.

[26] 王雪冬，聶彤杰，孟佳佳.政治關聯對中小企業數字化轉型的影響——政策感知能力和市場感知能力的中介作用[J].科研管理，2022，43（1）：134-142.

[27] SINGH S， SHARMA M， DHIR S. Modeling the effects of digital transformation in Indian manufacturing industry[J]. Technology in Society， 2021， 67： 101763.

[28] MACKENZIE S B， PODSAKOFF P M， PODSAKOFF N P. Construct measurement and validation procedures in MIS and behavioral research： Integrating new and existing techniques[J]. MIS Quarterly， 2011： 293-334.

[29] STICH V， ZELLER V， HICKING J， et al. Measures for a successful digital transformation of SMEs[J]. Procedia CIRP， 2020， 93： 286-291.

[30] LI H， WU Y， CAO D， et al. Organizational mindfulness towards digital transformation as a prerequisite of information processing capability to achieve market agility[J]. Journal of Business Research， 2021， 122： 700-712.

[31] 王核成， 王思惟， 劉人懷. 企業數字化成熟度模型研究[J]. 管理評論，2021， 33（12）： 152-162.

[32] 傅穎， 徐琪， 林嵩. 在位企業流程數字化對創新績效的影響——組織惰性的調節作用[J]. 研究與發展管理， 2021， 33（1）： 78-89.

[33] 盧艷秋，趙彬，宋昶. 決策邏輯、失敗學習與企業數字化轉型績效[J]. 外國經濟與管理， 2021， 43（9）： 68-82.

[34] HSU P-F， RAY S， LI-HSIEH Y-Y. Examining cloud computing adoption intention， pricing mechanism， and deployment model[J]. International Journal of Information Management， 2014， 34（4）： 474-488.

[35] LOEBBECKE C， PICOT A. Reflections on societal and business model transformation arising from digitization and big data analytics： a research agenda[J]. The Journal of Strategic Information Systems， 2015， 24（3）： 149-157.

[36] 史宇鵬，王陽，張文韜.我國企業數字化轉型：現狀、問題與展望[J].經濟學家，2021（12）：90-97.

（責任編輯：張 悅）

The Impact of Big Data Analytics Capabilities on Enterprise Digital

Transformation： The Moderating Effect of Local Policy Perception

Yu Feifei， Jiang Qing

（School of Business， Hohai University， Nanjing 210000， China）

Abstract：Digital transformation is now necessary for enterprise growth with the fusion of digital technology and the real economy.? The local governments have been paying particular attention to ways to assist enterprises in implementing digital transformation at the central government's request. Provincial governments and relevant departments have taken the initiative to formulate detailed rules and measures to promote the digital transformation of local enterprises.

Existing research mainly focuses on the measurement of digital transformation at the national， regional and industry levels and lacks measurement of enterprise digital transformation at the micro level， mainly by the case study method to describe the transformation process. Only a few studies have measured the enterprise digital transformation on word frequency analysis. In general， the current research on enterprise digital transformation is still in its infancy. It still lacks the division of the stages of the digital transformation process and the comparison of the differences between different phases. In particular， there is a lack of quantitative measurement of different stages of enterprise digital transformation. Moreover， existing research generally agrees that big data analytic capabilities include organizational， technical and human capabilities， without which big data analytics capabilities cannot be effectively implemented. In addition， big data analytics capabilities are found to play a critical role in improving performance， driving innovation and digital transformation. But it has rarely been mentioned of how to quantitatively characterize the impact of big data analysis capabilities on the degree of enterprise digital transformation and the differentiated effect of each digital transformation stage. Finally， from the perspective of external factors， there is a shortage of research from the standpoint of local policies perception to examine the impact of local digitalization policies on the enterprises' digital transformation and compare their differentiated effects on the various stages of digital transformation.

Addressing the above issues of the existing research， this study conducts? empirical research through questionnaires to explore the impact of big data analytics capabilities on the differentiation at each stage of enterprises' digital transformation and the moderating role of local policy perceptions. In view of the fact that the collected questionnaire data are all from the self-report of middle and senior managers in the enterprise， in order to prevent the interference of common method bias in the results， this paper employs the commonly used Harman single factor test method. With 356 valid questionnaires， the hypotheses are tested accordingly. The findings suggest that big data analytics capabilities can significantly increase enterprises' digital transformation in the initial preparation， practice implementation and deep exploration stages. Local policy perception positively moderates the impact of big data analytics capabilities on the initial preparation stage and practice implementation stage of enterprise digital transformation. In contrast， the relationship between big data analytics capabilities and the deep exploration stage of enterprise digital transformation is not significant.

This study has three theoretical contributions. First， the stages of digital transformation are rarely divided because the current characterization of its dimensions and indicators is still in its infancy with focus on case studies and word frequency analysis. This study divides the enterprise digital transformation process into three stages， i.e. initial preparation， practice implementation and deep exploration， and describes each stage at the micro-enterprise level using a questionnaire survey. This division further advances the existing research on the measurement of enterprise digital transformation. Second， from the perspective of big data empowerment， this study introduces big data analytics capabilities based on the theory of dynamic capabilities and investigates their impact on the digital transformation of enterprises in various stages. These findings significantly extend the discussion of enterprise digital transformation from the internal organization view by contrasting the effects of big data analytics capabilities on the differentiation of different transformation stages. Therefore， this study advances the relevant research on the internal factors of enterprise digital transformation. Third， from the perspective of institutional environment perception， it investigates the moderating role of local policy perception between big data analytics capabilities and different transformation stages of enterprises. These moderating results are conducive to enriching the current research on the external driving factors of enterprise digital transformation and expanding the evaluation of the implementation effect of relevant local policies.

Key Words：Big Data Analytics Capabilities; Digital Transformation; Local Policy Perception; Moderating Effect