大数据能力、技术知识搜索与绿色技术创新：一项混合方法研究

《Journal of Innovation & Knowledge》：Big data capability, technical knowledge search, and green technology innovation: A mixed methods study

　　

为应对环境挑战并实现高质量发展，世界各国政府积极鼓励企业参与绿色技术创新。同时，越来越多的企业正在构建大数据能力以提升核心竞争力。然而，关于大数据能力与绿色技术创新之间关系的研究仍然有限，主要集中于“线性效应”。具体而言，对两者之间协同匹配效应及更复杂的“非线性”组态的潜在机制知之甚少。因此，基于知识基础观（Knowledge-Based View, KBV）和资源编排理论（Resource Orchestration Theory, ROT），本研究采用混合研究方法——结合分层回归（Hierarchical Regression）、方差分析（Analysis of Variance, ANOVA）和模糊集定性比较分析（fsQCA），遵循“线性-匹配-组态效应”的递进研究过程——来探索两者之间的复杂影响机制。本研究聚焦以下问题：1）技术知识搜索是否起到中介作用？2）能力之间的哪种匹配或组态路径能更好地促进绿色技术创新？实证结果表明，大数据能力与绿色技术创新之间存在“线性净效应”，且技术知识搜索在其中起到中介作用。此外，大数据能力与数据治理能力的四种不同匹配对绿色技术创新产生不同影响。通过fsQCA进行细粒度分析，本研究识别出三种导致高绿色技术创新的不同组态路径。其中，数据要素获取能力（Data Element Acquisition Capability, DECC）、数据分析耦合能力（Data Analysis Coupling Capability, DACC）、数据要素应用能力（Data Element Application Capability, DEPC）与数据治理能力（Data Governance Capability, DGC）的协同一致构成了最优组态，确保了更好的案例覆盖率。利用混合方法，本研究提供了关于大数据能力与绿色技术创新之间复杂机制的多维视角。本研究回应了学者的理论呼吁，并为如何通过大数据能力提升企业绿色技术创新提供了多样化的实践指导。

论文解读文章

**研究背景与问题**

在全球面临生态危机和气候变化的背景下，各国政府积极推动企业进行绿色技术创新，以实现经济的高质量发展和可持续发展目标。中国提出了“双碳”战略，鼓励企业将绿色技术创新作为未来发展的核心主题。与此同时，数字经济的迅猛发展使得大数据技术成为重塑企业创新范式的重要力量，越来越多的企业通过构建大数据能力（Big Data Capability, BDC）来提升核心竞争力。然而，现有关于大数据能力与绿色技术创新（Green Technology Innovation, GTI）关系的研究仍处于初步探索阶段，主要集中于“线性净效应”，缺乏对两者间协同匹配效应和更复杂的非线性组态效应的深入理解。特别是，技术知识搜索（Technical Knowledge Search, TKS）作为融合技术与知识要素的专门化搜索机制，其在大数据能力与绿色技术创新之间的中介作用尚未被充分探索。此外，大数据能力与数据治理能力（Data Governance Capability, DGC）的匹配如何影响绿色技术创新，以及更复杂的能力组态路径尚不明确。因此，本研究基于知识基础观（Knowledge-Based View, KBV）和资源编排理论（Resource Orchestration Theory, ROT），采用混合研究方法，旨在回答以下问题：技术知识搜索是否起中介作用？何种能力匹配或组态路径能更好地促进绿色技术创新？

**研究内容与结论**

研究人员通过构建“线性效应-匹配效应-组态效应”的三重递进研究框架，采用分层回归（Hierarchical Regression）、方差分析（ANOVA）和模糊集定性比较分析（fsQCA）三种方法，系统探索了大数据能力对绿色技术创新的影响机制。实证结果表明：大数据能力对绿色技术创新存在显著的线性正向影响，且技术知识搜索在其中起部分中介作用；大数据能力与数据治理能力的高-高匹配相较于其他匹配类型（高-低、低-高、低-低）更能有效促进绿色技术创新，其中数据治理能力在低-高匹配中表现出优于低-低匹配的促进作用；fsQCA分析识别出三条导致高绿色技术创新的组态路径，其中数据要素获取能力（DECC）、数据分析耦合能力（DACC）、数据要素应用能力（DEPC）与数据治理能力（DGC）的协同组态路径（组态A1）具有最高的案例覆盖率（46.2%），是最优配置。该研究发表在《Journal of Innovation》上，拓宽了大数据能力与绿色技术创新关系的理论视角，丰富了研究方法论，并为企业在数字化转型中提升绿色技术创新能力提供了多样化实践指导。

**主要关键技术与方法**

本研究采用混合研究方法，包含分层回归（Hierarchical Regression）、方差分析（ANOVA）和模糊集定性比较分析（fsQCA），遵循“线性效应-匹配效应-组态效应”的递进逻辑。样本来源于中国私营制造企业，通过线上线下结合方式发放问卷，回收有效问卷305份。变量测量主要借鉴国内外核心期刊量表，包括大数据能力（分为数据要素获取能力DECC、数据分析耦合能力DACC、数据要素应用能力DEPC三个维度）、绿色技术创新（GTI）、技术知识搜索（TKS）和数据治理能力（DGC）。通过信度效度检验（Cronbach’s α、CR、AVE等）和共同方法偏差检验确保数据质量。分层回归用于检验线性净效应和中介效应；方差分析用于检验不同能力匹配的差异；fsQCA用于探索非线性组态路径，校准锚点设为完全隶属点0.9、交叉点0.5、完全不隶属点0.05，一致性阈值设为0.80，频率阈值设为2。

**研究结果**

**Main effect test（主效应检验）**：通过分层回归分析，研究人员发现大数据能力对绿色技术创新具有显著正向影响（β = 0.587, p < 0.001），支持假设H1。

**Mediation effect test（中介效应检验）**：运用经典三步法和Bootstrap检验，结果显示大数据能力显著正向影响技术知识搜索（β = 0.317, p < 0.001），在控制技术知识搜索后，大数据能力对绿色技术创新的影响系数降低（β = 0.477, p < 0.001），且技术知识搜索对绿色技术创新正向显著（β = 0.345, p < 0.001），表明技术知识搜索部分中介作用成立，支持H2。Bootstrap检验间接效应值为0.1081，95%置信区间[0.0467, 0.1753]不含0，稳健性良好。

**Matching effect test（匹配效应检验）**：通过方差分析，研究人员将样本按大数据能力和数据治理能力均值分为高低两组，得到四种匹配类型。多重比较结果显示：高-高匹配显著优于高-低匹配（差异-0.580, p<0.01）和低-高匹配（差异-0.217, p<0.05），支持H3a和H3b；高-高匹配显著优于低-低匹配（差异-0.577, p<0.01），支持H3c。进一步比较发现，低-高匹配显著优于低-低匹配（差异-0.359, p<0.01），而高-低匹配与低-低匹配无显著差异，H4得到部分支持。

**Configuration analysis of green technology innovation（绿色技术创新的组态分析）**：通过fsQCA，研究人员将大数据能力细分为三个维度，与数据治理能力构成四维组态模型。必要性分析显示所有条件一致性均低于0.9，不存在必要条件。组态分析得到三个导致高绿色技术创新的路径：组态A1以DEPC和DGC为核心条件，DECC和DACC为辅助条件，覆盖率达46.2%为最优；组态A2以DEPC为核心；组态A3以DGC为核心。非高绿色技术创新组态显示，低DACC、低DEPC和低DGC是核心因素。稳健性检验通过调整频率和一致性阈值，结果保持一致。

**总结讨论**

研究结论部分翻译：基于知识基础观和资源编排理论，本研究创新性地采用“线性效应-匹配效应-组态效应”的递进三层视角，通过混合方法研究回答了引言提出的问题：“技术知识搜索是否在两者线性关系中起中介作用？”以及“哪种能力匹配或组合更能有效驱动绿色技术创新？”首先，回归分析揭示大数据能力通过技术知识搜索的中介效应正向影响绿色技术创新，该传导机制与德国工业4.0和美国智能制造计划相似，强调数据驱动的知识整合。其次，方差分析确认大数据能力与数据治理能力的高-高匹配更有利于高绿色技术创新，表明良好的数据治理能力是提升企业绿色技术创新的核心要素之一。最后，fsQCA结果显示，DECC、DACC、DEPC与DGC的协同组合（组态A1）是最优配置路径；在高低绿色技术创新的六种组态中，DEPC和DGC是提升绿色技术创新的核心条件。本研究拓宽了理论视角，丰富了传导机制，并引入了混合方法研究方法论，为企业提供了基于能力匹配和组态路径的多样化实践指导，包括建立数据治理成熟度评估体系、设计阶段性数字化转型策略，以及构建技术知识搜索平台和产学研数据共享联盟。研究仍存在局限，如横截面数据无法严格推断因果关系，未来可采用纵向设计、案例研究或面板数据，并探索更复杂的路径（如组织能力、数据耦合效率）和边界条件（如数字领导力、税收政策），以及潜在的非线性曲线关系。