差异化数据所有权结构对海事数字平台数据共享决策的影响

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:Impact of differentiated data ownership structures on data sharing decisions in maritime digital platforms

【字体: 大 中 小 】 时间:2026年08月29日 来源:TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW 9.3

编辑推荐:

   - 数据所有权结构对海运数字平台上不同角色利益相关者的数据共享意愿产生差异化影响。 - 与完全数据所有权相比,分离式数据所有权放大了角色差异,尤其是针对中介类参与者。 - 社会影响和感知网络效应是最强且最稳定的决定因素。 - 绩效期望和促进条件仅在被感知到足够价值时才起作用,

  

- 数据所有权结构对海运数字平台上不同角色利益相关者的数据共享意愿产生差异化影响。
- 与完全数据所有权相比,分离式数据所有权放大了角色差异,尤其是针对中介类参与者。
- 社会影响和感知网络效应是最强且最稳定的决定因素。
- 绩效期望和促进条件仅在被感知到足够价值时才起作用,起条件性作用。

**1. 引言**

随着海运贸易的快速数字化,大量数字平台应运而生,以支持其多元利益相关者(如承运人、港口运营商、货运代理、船舶代理人、海关等)之间的多方协调(Li and Sun, 2025, Portillo Juan et al., 2025)。尽管这些平台承诺提升海运供应链的可视性与运营效率(Balci and Surucu-Balci, 2021, Farah et al., 2024, Surucu-Balci et al., 2024),但持续的数据共享仍然有限。在实践中,许多海运数字平台因行业参与不足或交易量低下而未能维持运营(例如 TradeLens1 和 300cubits2)。核心原因在于海运贸易数据的独特性质:单个货物的完整信息通常需要从 30 至 40 个或更多的参与方进行数据集成,而这些参与方的激励、商业模式与竞争地位存在显著差异(Flynn et al., 2023, Yuan et al., 2024)。此外,航运业平台的价值依赖于间接或跨群体的网络效应(Gawer, 2014),意味着任何利益相关者的数据贡献意愿降低都会削弱平台对其他参与者的吸引力。在此背景下,本研究聚焦于识别影响异质化海运利益相关者在数字平台上进行数据共享决策的关键因素。

此外,数据是数字平台的核心战略资源,这使得数据所有权设计成为一个关键的制度问题。从制度经济学的视角看,清晰界定并适当分配的数据所有权是缓解外部性、保障数据安全、提升交易效率的基础(Goldfarb and Que, 2023, Jones and Tonetti, 2020),这些长期以来都是供应链管理中的核心关注点。然而,目前尚无统一的全球性平台数据所有权结构框架。各司法管辖区针对数据所有权和平台治理的监管路径差异巨大。特别是,中国在以差异化数据权利为核心的数据要素治理体系方面已取得进展(Huang and Jeanne, 2024, Rong, 2022, Zhao et al., 2025)。对于天然跨境的海运贸易而言,这种监管多样性放大了利益分配上的模糊性并增加了协调成本,从而抑制了利益相关者的参与意愿。因此,本研究进一步考察不同的数据所有权结构如何塑造海运利益相关者的认知,并进而影响其数据共享决策。

尽管关于海运数字化与平台采用的研究不断涌现,但仍存在关键缺口。虽然数据所有权在法学与经济学文献中已被广泛讨论(Carovano and Finck, 2023, Goldfarb and Que, 2023, Micheli et al., 2020, Rong, 2022),但海运研究通常将其视为一种背景性治理议题,而非独立的结构变量。尽管利益相关者的异质性经常被提及(Ashrafi et al., 2020, Culot et al., 2024, Farah et al., 2024, Koilo, 2024, Koritarov and Dimitrakieva, 2024, Xu et al., 2023, Yang and Lin, 2024, Zeng et al., 2025),但鲜有实证研究比较不同的数据所有权结构如何影响不同利益相关者的数据共享意愿,这掩盖了为何类似的数字化举措会产生差异化的参与结果。

为弥补这些缺口,本研究构建了一个扩展的统一技术接受与使用理论(UTAUT)框架,以考察海运数字平台上的数据共享意愿,特别关注数据所有权结构与利益相关者角色。UTAUT 提供了适当的基础,因为它旨在解释以多主体协调与强制度约束为特征的跨组织情境下的行为意向(Dwivedi et al., 2019, Wei et al., 2021),这与海运供应链依赖跨企业协作以及数据所有权结构、合规要求等正式治理安排的特点高度契合(Xu et al., 2023, Yuan et al., 2024, Zhao et al., 2023)。在以往海运数字化与平台采用文献的基础上,本研究聚焦于绩效期望、促进条件、社会影响、感知风险与感知网络效应,作为组织数据共享意愿的关键感知驱动因素。这些因素已被广泛证明会影响海运领域对数字技术的采用,尽管它们的作用可能随制度安排的不同而变化。通过将数据所有权结构与利益相关者角色建模为塑造这些感知路径的情境条件,本研究为管理复杂海运供应链的平台治理与激励机制设计提供了实证证据。

本文其余部分安排如下。第 2 节回顾相关文献并识别研究缺口。第 3 节构建理论框架并提出假设。第 4 节详细说明研究方法论。第 5 节报告并讨论实证结果。第 6 节为结论。

**2. 文献综述**

**2.1 海运利益相关者的数据共享意愿**

尽管直接考察海运情境下数据共享意愿的研究较少,但已有大量研究分析了相关构念,如数字化转型的感知价值(Koilo, 2024, Yang and Lin, 2024, Yuen et al., 2024, Zeng et al., 2025)、数字技术采用意向(Lu et al., 2025)、参与海运订舱或物流平台(Heinbach et al., 2022, Xu et al., 2023, Yang and Lin, 2024, Zeng et al., 2020),以及参与跨组织信息合作的意愿(Ashrafi et al., 2020, Du et al., 2012, Notteboom et al., 2015, Xu et al., 2023)。这些研究采用了多种定性与定量方法,包括对行业专家的半结构化访谈(Ashrafi et al., 2020, Koilo, 2024, Lee et al., 2025, Notteboom et al., 2015),以及基于技术采用框架(如 TAM、UTAUT、TOE、创新扩散理论)和制度理论的问卷调查分析(Du et al., 2012, Xu et al., 2023, Yang and Lin, 2024, Yuen et al., 2024, Zeng et al., 2020)。综合这些研究,可将影响意愿的决定因素归纳为若干类别(见表 1)。其中,绩效相关期望(如效率提升、可视化、服务质量)、组织准备度(如资源、技能、标准化流程)以及关系条件(如信任、治理、目标一致)成为关键驱动因素。相反,感知风险、缺乏标准化和职责不清仍是阻碍参与的持续性障碍。

**表 1. 海运利益相关者数据共享意愿的决定因素**

| 类别 | 因素 | 参考文献 |
|---|---|---|
| 技术类 | 感知有用性;互操作性;系统集成;数据质量;网络安全 | Heikkil? et al., 2022, Lee et al., 2025, Surucu-Balci et al., 2024, Yuen et al., 2024, Zeng et al., 2025 |
| 组织类 | 数字准备度;管理层支持;IT 技能;流程标准化;资源能力 | Balc?, 2021, Heinbach et al., 2022, Janmethakulwat and Thanasopon, 2024, Kashav et al., 2022 |
| 经济/战略类 | 预期效率提升;成本效益平衡;竞争定位;价值占有顾虑 | Carlan et al., 2022, Du et al., 2012, Koilo, 2024, Pang et al., 2024, Xu et al., 2023, Zeng et al., 2020 |
| 制度/社会类 | 监管合规;标准;治理框架;客户/同行压力;合法性期望 | Koritarov and Dimitrakieva, 2024, Lee et al., 2025, Notteboom et al., 2015, Surucu-Balci et al., 2024, Yang and Lin, 2024 |
| 风险/信任类 | 数据隐私;未授权访问;知识产权风险;控制权丧失;对平台治理的信任 | Koilo, 2024, Liu et al., 2023, Xu et al., 2023, Zeng et al., 2025 |

值得注意的是,实证研究一贯表明,这些决定因素对海运利益相关者产生的是不均等且因角色而异的影响,而非全行业统一的效应。例如,运输运营商强调实时可视化与船队效率,托运人和保险公司关注可追溯性与风险控制,承运人与港口当局优先关注组织准备度与互操作性,而货运代理则更多受到实施成本与数据共享犹豫的制约(Heinbach et al., 2022, Zeng et al., 2025)。此外,对于数字成熟度较高的港口与承运人,数字平台采用所带来的绩效提升明显强于小型代理(Yang and Lin, 2024)。总体而言,这些发现凸显了利益相关者的显著异质性,即技术、组织与环境因素的影响会随制度角色与运营职责系统性变化。因此,认识到这种异质性对于准确解读海运供应链中的各类行为至关重要。

此外,数据所有权的清晰度已成为海运领域数字化协作与技术采用的关键条件。围绕谁拥有、控制并从共享信息中获益的问题,反复被证明会塑造利益相关者交换或使用数据的意愿(Notteboom et al., 2015, Xu et al., 2023, Yang and Lin, 2024)。近期研究进一步表明,所有权模糊会削弱信任、阻碍投资,并加剧对问责与竞争暴露的担忧。例如,实证证据显示,超过 60% 的海运企业认为数据所有权争议是数字孪生实施的主要障碍,且只有在权利与责任被清晰界定时才会倾向协作(Koilo, 2024)。对数据控制与问责的不确定性也与对数据共享平台的抵制相关;由于担忧战略滥用,当使用权不明朗时,货运代理可能限制信息披露(Zeng et al., 2025)。总体而言,这些发现表明数据所有权不仅是法律或技术问题,更是塑造感知风险、信任以及参与海运数字平台意愿的行为决定因素。

综合来看,大多数现有研究在聚合层面考察数字化相关的前因。此前的研究均未将数据所有权视为可独立配置的制度变量,也未考察它如何塑造利益相关者对绩效、风险、责任或公平的看法。此外,这种影响如何在异质化利益相关者之间变化,仍未得到充分探索。这一缺口具有深远后果,因为它掩盖了海运数字平台成功或失败背后的机制,而这些平台依赖自愿的数据交换,并常常受制于所有权与责任边界的模糊。因此,解决这一问题对于解释相同数字化举措下差异化的利益相关者结果至关重要,也有助于识别能够在海运领域实现公平可持续数据协作的制度设计。因此,本研究回应了第一个研究缺口。

**2.2 平台数据所有权的分配**

平台数据已被确认为一种战略资源,但其所有权在概念上仍存在争议。现有研究通常区分单一权益模式——将所有经济相关权利赋予用户或平台之一——以及结构分离模式——将数据权利在行为者之间进行划分(Banterle, 2020, Dosis and Sand-Zantman, 2023, Eckardt and Kerber, 2024)。法律研究关注界定数据权利的性质、持有者与范围(Carovano and Finck, 2023, Micheli et al., 2020),而经济研究则考察不同的分配方式如何影响投资激励、外部性与社会福利(Goldfarb and Que, 2023, Rong, 2022)。

在单一权益体系中,以用户为中心的所有权常以隐私保护与自主性为由加以论证,但当许可市场稀薄时,它可能抬高交易成本并抑制具有社会公益性的数据使用(Goldfarb and Que, 2023, Jones and Tonetti, 2020)。相比之下,以平台为中心的所有权支持规模经济、减少合约摩擦并促成对数字基础设施的更强投资,但它也可能限制数据流动,并推动行为数据被过度商品化(Banterle, 2020, Dosis and Sand-Zantman, 2023)。经济模型一致表明,这一所有权光谱的两端都没有普遍最优解;有效结果取决于非竞争性数据的性质(如数据价值)、隐私损害的分摊,以及下游数据使用所带来的竞争影响(Eckardt and Kerber, 2024, Jones and Tonetti, 2020)。

这些局限促使人们对结构性分离的所有权日益关注,该模式将数据视为一组权利的集合(如持有、访问、处理与商业化),并分别分配给用户、平台或中介机构(Eckardt and Kerber, 2024)。对欧盟《数据法案》的近期分析展示了平台数据如何可作为共同产生的资源加以治理,由设备用户、制造商与数据中介共同分享,以防止排他性控制,同时保留创新激励(Banterle, 2020, Carovano and Finck, 2023)。关于数据治理的比较研究还揭示,全球正转向一种混合监管体制,其将合约安排、数据访问义务与公共利益保障相结合(Acev et al., 2025, Margoni et al., 2023, Micheli et al., 2020)。

在方法论上,经济研究采用动态优化、一般均衡建模与博弈论方法来比较不同的数据所有权结构(Acev et al., 2025, Dosis and Sand-Zantman, 2023, Jones and Tonetti, 2020, Xiao et al., 2023)。研究结果显示,在外部性强且信息不对称显著的环境中,共享或分离的数据权利往往能提升社会福利,表明共享或差异化的所有权方案可能优于纯粹以用户或平台为中心的模式(Acev et al., 2025, Dosis and Sand-Zantman, 2023, Eckardt and Kerber, 2024, Jones and Tonetti, 2020)。

综合来看,尽管现有研究比较了不同数据所有权结构的优劣,但没有任何研究就其如何影响利益相关者的数据共享意愿进行评估。

目前尚无研究阐明数据权利的不同分配方式如何改变企业或组织贡献数据的激励。此外,所有权结构的比较评估最终需要在特定行业或场景中经过实证验证,在这些场景中,多方数据生成、竞争敏感性和治理约束以独特的方式相互作用,然而相关证据仍然稀缺。因此,本研究进一步弥补了第二个研究缺口。3. 理论框架与假设3.1. 理论框架广泛使用的意向形成框架包括UTAUT、技术接受模型(TAM)、计划行为理论(TPB)和创新扩散理论(IDT),其适用性如表2所示。TAM和IDT在捕捉跨组织、角色异质性和制度约束环境方面的能力有限,因此不足以解释海运行业多边、角色依赖和合规敏感的特征(Flynn等,2023;Rahayu等,2024;Wilmsmeier等,2024;Yuan等,2024)。TPB缺乏对技术属性和平台可供性的直接表征,限制了其适用范围。相比之下,出于理论和实证两方面的原因,UTAUT是本研究最合适的框架。其核心构念明确整合了数字基础设施、社会影响和组织支持,与海事数字平台的技术基础和多方协调需求高度契合。作为一个整合性框架,UTAUT能够容纳由参与者异质性和制度性强制引发的背景性调节效应,同时允许纳入额外构念而不损害理论连贯性,使其非常适合考察数据所有权治理与利益相关者角色对数据共享意愿的交互效应。在实证层面,UTAUT是信息系统和数字化转型研究中最具影响力的模型之一(Dwivedi等,2019),并已成功应用于涉及协调与治理的组织间和跨组织情境(Wei等,2021),包括海运运输领域(Xu等,2023;Yuan等,2024;Zhao等,2023)。表2. 主要意向形成框架。模型核心构念典型应用情境参考文献TAM感知有用性、感知易用性早期阶段或组织内部信息系统采纳(Bagozzi,2007;Benbasat & Barki,2007;Davis,1989)TPB态度、主观规范、感知行为控制一般行为预测,包括政策合规(Ajzen,1991)IDT相对优势、兼容性、复杂性、可观察性宏观层面的创新扩散(Rogers,2004)UTAUT绩效期望、努力期望、社会影响、促进条件组织内和跨组织的技术使用(Dwivedi等,2019;Venkatesh等,2012、2003)UTAUT确定了行为意向(BI)和使用行为的四个核心决定因素:绩效期望(PE)、努力期望(EE)、社会影响(SI)和促进条件(FC)(Venkatesh等,2003)。基于该框架,本研究保留了三个构念(PE、FC、SI),并引入两个额外构念,即感知风险(PR)和感知网络效应(PNE),以更好地捕捉海事情境下数字协作的特征。尽管EE是UTAUT中一个理论上独立的构念,它主要捕捉感知易用性、学习难度和操作复杂性。这些方面对于一般的平台采纳至关重要,但与本研究考察的替代性数据所有权场景关联度较低。因此,为保持研究焦点和减轻受访者负担,EE未被纳入最终测量框架。操作化定义汇总于表3。表3. 构念定义。构念一般定义海事特定定义绩效期望(PE)认为在数字平台上共享数据能提高效率、竞争力和成本效益。认为在海事数字平台上共享数据能提升船舶调度效率、缩短港口周转时间、优化货物装卸和单证流程,从而提高海事物流的整体运营竞争力和成本效益。促进条件(FC)感知到存在充足的资源、基础设施和政策支持以实现有效的数据共享。感知到有充分的数字基础设施、可互操作的港口社区系统、标准化的数据格式以及支持性的海事政策和法规,以实现跨多样化利益相关者的有效且安全的数据共享。社会影响(SI)感知到来自同行、合作伙伴和行业领袖的共享数据压力或鼓励。感知到来自主要航运联盟、港口当局、监管机构和行业协会的压力或鼓励,要求采用数字平台并在海事网络中参与透明的数据交换。感知风险(PR)感知到数据共享可能导致信息泄露、竞争暴露或潜在损失。感知到共享运营数据(如货物舱单、船舶时间表或贸易路线)可能暴露机密商业信息、削弱竞争优势,或在海事供应链中导致财务或声誉损失。感知网络效应(PNE)感知到平台随着更大、更多样的参与者加入并共享数据而变得更有价值。感知到随着海事供应链中更大、更多样的利益相关者在海事数字平台上贡献和使用数据,整个系统的总价值、数据丰富度和协调效益对所有参与者都有所提升。行为意向(BI)参与、维持或推动在数字平台上进行数据共享的意愿。海事组织参与、持续贡献并倡导在海事数字平台上进行持续数据共享的意愿,以支持其决策和运营。注:定义改编自经典理论(Featherman & Pavlou,2003;Katz & Shapiro,1985;Parker & Van Alstyne,2005;Venkatesh等,2003),以反映海事贸易供应链中的数据治理主体。3.1.1. 绩效期望(PE)绩效期望指利益相关者认为采用数字系统将提升运营绩效的程度。在海事物流中,较高的绩效期望反映了数据共享平台能够提高可视性、减少港口拥堵、优化调度并在企业间协调中增强可靠性的预期。实证研究一致表明,感知到的绩效效益显著增加了采用数字或数据驱动解决方案(如数字平台、订舱系统和跨组织交换)的意愿(Carlan等,2022;Pang等,2024;Yuen等,2024;Zeng等,2020)。3.1.2. 促进条件(FC)促进条件代表感知到的组织和技术支持用于系统使用的可用性。在海事生态系统中,标准化的数据接口、清晰的治理结构和充足的IT基础设施增强了利益相关者对数字协作可行性的信心。感知到更高准备度和资源支持的企业更有可能参与数据交换和数字集成倡议(Heinbach等,2022)。3.1.3. 社会影响(SI)社会影响捕捉了利益相关者在多大程度上感知到重要他人(如监管机构、港口当局或大型航运公司)期望他们参与数字化转型。来自主导行为者或制度性强制的规范压力通常塑造海事领域的技术采纳决策。证据表明,监管鼓励和同行采纳是参与数据共享系统的强有力驱动因素(Pang等,2024;Yang & Lin,2024)。3.1.4. 感知风险(PR)感知风险反映了利益相关者对网络安全泄露、未经授权的數據访问、竞争劣势或商业敏感信息被滥用的担忧,这些因素可能阻止参与数字平台,因为企业害怕声誉或竞争性损害(Chowdhury等,2023;Wang等,2021)。在海事领域,感知风险已被广泛记录为协作的关键障碍(Caldeirinha等,2020;Koilo,2024;Xu等,2023),实证证据支持其作为采纳的显著负向决定因素的角色(Culot等,2024;Farah等,2024;Pinyanitikorn等,2024)。基于UTAUT的货运代理平台模型证实了其抑制作用(Pinyanitikorn等,2024)。类似地,基于区块链的海事研究指出,尽管加密和可追溯性具有优势,但实施仍受限于企业感知的治理和数据安全风险(Farah等,2024)。更广泛的供应链研究进一步表明,对知识泄露和搭便车的恐惧减少了数据共享,而缓解信息安全顾虑对于扩大协作至关重要(Culot等,2024)。因此,感知风险关键地决定了组织是否愿意参与数据驱动的海事生态系统。忽略感知风险将低估安全和竞争敏感性对行为意向的影响,削弱理论和政策相关性。3.1.5. 感知网络效应(PNE)海事数字平台(如区块链协作网络和工业物联网平台)作为多边市场运作(Gawer,2014;Koritarov & Dimitrakieva,2024;Lu等,2025;Zeng等,2025)。更大的参与者规模、多样性和互补性提高了匹配效率、数据质量和相互信任,从而增加了整体使用和数据共享意愿(Gawer,2021;Hein等,2020)。网络效应,包括同侧和跨侧交互,被广泛认为是平台价值和用户保留的基本驱动因素,塑造感知收益和采纳意向(Gawer,2014;Hou等,2025)。在工业和物流情境中,实证研究量化了网络效应维度,如生态系统效用、互补性和兼容性,均与用户采纳和绩效提升呈正相关(Schüler & Petrik,2023)。在海事领域,研究表明随着更多的承运人、码头、托运人、货运代理和监管机构加入,标准化和数据可用性提高,平台的边际价值增加,形成规模、价值和参与的循环(Moros-Daza等,2020)。最近的综述也强调,用户规模和多方参与是建立信任、互操作性和协作治理的先决条件,从而放大采纳意向(Farah等,2024)。感知网络效应捕捉了这一强化过程,即网络扩展提高感知价值并促进进一步采纳。若不纳入感知网络效应,现有框架无法解释驱动平台扩散和持续数据协作的动态机制。3.2. 假设3.2.1. 利益相关者异质性实证证据表明,海事供应链中的利益相关者由于运营角色、信息依赖性和风险暴露方面的差异,在数字感知和数据共享意愿上存在显著差异(Du等,2012;Moros-Daza等,2020;Nguyen等,2023;Nikghadam等,2023)。承运人和班轮运营公司优先考虑运输效率、路线优化和端到端可视性,对绩效期望和感知网络效应表现出较高的敏感性,但同时也面临遗留IT限制、网络安全担忧和不均衡的数字成熟度(Du等,2012;Moros-Daza等,2020;Nguyen等,2023;Nikghadam等,2023;Yang & Lin,2024;Yuen等,2024;Zeng等,2025)。港口和码头运营商负责安全、设备管理和监管合规,主要由促进条件驱动(如数据可靠性、互操作性以及与港口社区系统的集成),同时由于安全和问责压力而更为风险规避(Heikkil?等,2022;Lee等,2025;Nikghadam等,2023;Notteboom等,2015;Zeng等,2025)。相比之下,作为管理多个客户界面的中间商的货运代理和船舶代理,受社会影响和声誉规范的强烈影响,但仍对数据共享持谨慎态度,因为商业保密性和信息不对称构成其关键竞争优势(Gawer,2014;Koilo,2024;Nguyen等,2023;Xu等,2023)。从组织视角来看,在海事网络中占据中心位置的行为主体(如大型承运人或枢纽港口)控制着关键数据基础设施并表现出更强的技术能力,这增强了感知可控性和预期回报,从而促进更高的行为意向(Carlan等,2016;Surucu-Balci等,2024)。相反,边缘行为主体(如小型代理或支线运营商)通常面临资源约束和信息不对称,导致更高的感知风险以及较弱的促进条件和感知网络效应路径(Hsu等,2008;Moros-Daza等,2020)。因此,我们提出:H1. 利益相关者(承运人/航运公司、码头/港口运营商、货运代理/船舶代理)在感知构念(PE、FC、SI、PR、PNE)和行为意向上存在显著差异。3.2.2. 数据所有权结构大量文献表明,数据所有权的配置对数据利用效率和共享激励具有决定性影响(Banterle,2020;Dawande等,2023;Eckardt & Kerber,2024;Ha等,2022;Jones & Tonetti,2020;Margoni等,2023)。经济模型显示,将控制和使用权从单一所有者转移给用户或中间商能改善社会福利和数据可重复使用性(Bhargava等,2025;Jones & Tonetti,2020)。欧盟《数据法案》重新分配了访问、可移植性和合同公平权利,减少了锁定效应并增强了互操作性,从而强化了企业参与数据共享协议的意愿(Eckardt & Kerber,2024;Margoni等,2023)。法律学者挑战了"数据即财产"的观念,主张结合访问权和共享责任的分离权模式,以平衡开放与创新(Banterle,2020;Huang & Jeanne,2024)。实证证据表明,纳入收益再分配或二级市场货币化的机制显著增强了数据共享意愿,凸显了再分配作为行为意向的有效驱动因素(Bhargava等,2025;Wu,2025;Xi等,2025)。

隐私经济学研究还表明,透明的治理和数据权利分离能够降低感知风险并增强信任,从而间接提高行为意愿(Goldfarb and Que, 2023)。在航运领域,针对智慧航运平台的研究表明,基于权限分离和协同治理的架构能够提升港口与承运人之间的互操作性和信任水平(Niu et al., 2024)。同样,关于港口社区系统(PCS)治理的研究进一步证实,在成员之间分配访问权限和责任可以提高共享港口运营数据的意愿(Caldeirinha et al., 2022, Caldeirinha et al., 2020, Carlan et al., 2016)。数字码头协作项目表明,当所有权与收益权被清晰分离时,组织之间的信任度上升,从而促进了更高的数据共享意愿(Nikghadam et al., 2023)。因此,我们提出:H2:与完全数据所有权结构相比,分离数据所有权结构下的行为意愿显著更高。

3.2.3 利益相关者角色与数据所有权的交互作用

先前的研究表明,数据所有权结构的影响在不同角色间并不均质,因为边际激励和感知收益在各参与方之间存在差异(Eckardt and Kerber, 2024, Jones and Tonetti, 2020, Margoni et al., 2023, Zhao et al., 2025)。权利束框架表明,重新分配采集权、处理权、存储权、交易权和使用权会根据不同角色产生异质性的激励提升效果(Zhao et al., 2025)。对《数据法案》和欧洲数据空间的分析显示,由于控制能力、可重用性和监管负担的差异,制造商、用户和中介从所有权分离中获得的收益并不平等(Eckardt and Kerber, 2024, Margoni et al., 2023)。经济模型表明,数据权利的最优分配取决于数据价值和隐私成本,这意味着当从完全所有权转向分离所有权时,福利和行为意愿的增量是不同的(Jones and Tonetti, 2020, Xi et al., 2025)。在平台情境下的实证研究证实,由于网络外部性和控制资源的不对称暴露,供给侧和需求侧的行为主体对所有权分离的反应不同(Bhargava et al., 2025, Wu, 2025)。核心行为者和边缘行为者在主观规范与感知规范性压力渠道传递行为影响的方式上存在差异,而所有权改革会放大这些差异(Gawer, 2014, Nguyen et al., 2023, Surucu-Balci et al., 2024)。此外,差异化的利润分配和风险分担机制在不同角色中产生了不等的激励收益(Caldeirinha et al., 2022, Carlan et al., 2016, Niu et al., 2024)。因此,我们提出:

H3:数据所有权结构对行为意愿的影响在不同利益相关者角色间存在差异。

4. 研究方法

4.1 实验设计与流程

图1展示了实验设计,每位参与者被随机分配完成仅一个版本的问卷,即完全数据所有权版本或分离数据所有权版本。这种被试间设计具有多项关键优势,包括消除顺序效应、减轻受访者负担和疲劳,以及便于组间比较(Galesic and Bosnjak, 2009, Montgomery, 2019)。

一项非概率目的性抽样策略贯穿整个研究过程。小规模预实验(n = 216,有效 = 58)于2025年3月14日至3月29日进行。参与者主要是航运领域的专业人士和学者,在几场中国行业会议上邀请其完成问卷并提供反馈。这些洞察有助于完善措辞并明确指导说明。随后,我们与一家专注于港口和航运行业的上海咨询公司合作。我们规定,合格的调查受访者必须全部是担任货运代理、船舶代理、承运人或港口/码头运营者的资深高管。正式在线实验(n = 150,有效 = 115)于2025年6月3日至7月18日通过中国Credemo平台进行。Credemo是一个专业的在线平台,集学术和商业研究项目的实验部署、建模和数据收集于一体。咨询公司协助受访者招募和筛选,而Credemo用于问卷管理和数据收集。总体而言,数据收集历时约五个月(2025年3月至7月),共收集366份回答,其中173份为有效(有效率 = 47.3%),包括完全所有权版本84份和分离所有权版本89份。预实验的有效回答被纳入最终数据集,因为问卷构建和实验条件在各阶段完全一致。

根据先前在G*Power中进行的功效分析,在中等效应量(f = 0.25)、显著性水平0.05和目标功效0.80的条件下,测试利益相关者角色与数据所有权结构之间交互效应的双因素方差分析所需的最小样本量为158。此外,在对应的分层回归中等效应量(f2 = 0.15)下,所需样本量均低于此阈值。回归模型包含4个组块(第5.5.1节),对应的最小样本量分别为98、92、78和69。因此,173的样本量足以满足计划中的假设检验。

4.2 问卷与测量工具

问卷包含三个部分(图2):(1)受访者信息:该部分旨在获取受访者的基本人口统计学和专业特征及其所属组织的信息,包含8个条目,涵盖性别、年龄、教育程度、职业角色、从业年限、对数据所有权知识的了解程度、公司规模以及参与数据共享活动的情况。(2)背景介绍:所有参与者都获得了说明材料,描述了:1)完全数据和分离数据所有权的定义、优势和劣势;2)他们可能产生和持有的数据类型;3)他们的潜在数据交换需求;4)不同所有权结构下的权利和行为约束。这些材料根据参与者的职业角色(如第1节第4题所示,即货运代理、船舶代理、承运人或港口/码头运营者)进行了定制化,并以可视化插图和简洁描述的形式呈现。例如,为货运代理设计的背景页面如图3所示。(3)测量量表:最后一部分包含6个构念共19个条目(见表4)。在进入测量题目之前,受访者会收到情境指导说明。例如,完全数据所有权版本的引言为:"请根据完全数据所有权的场景回答以下问题。"每个测量条目也包含情境提示。例如,PE1条目的表述为:"在完全数据所有权场景下,在航运数字平台上共享数据可以帮助我们公司降低运营成本。"

表4 构念与测量条目

构念 | 条目(请表明您对以下陈述的认同程度:1–9,1为非常不同意,9为非常同意) | 改编来源
---|---|---
PE(感知收益) | PE1:在航运贸易数字平台上共享数据可以帮助我们公司降低运营成本。 |
| PE2:在航运贸易数字平台上共享数据可以帮助我们公司产生竞争优势。 |
| PE3:在航运贸易数字平台上共享数据可以帮助我们公司提高盈利能力。 | (Rai et al., 2006, Sanders, 2008)
FC(促进条件) | FC1:我们公司具有在航运贸易数字平台上共享数据所需的资源。 |
| FC2:目前大多数航运贸易数字平台能够便捷地支持上下游供应链企业之间的数据共享与协作。 |
| FC3:政府已出台并实施了充分的政策和措施来支持航运贸易数字平台上的数据共享。 | (Asadi et al., 2020, Venkatesh et al., 2012)
SI(主观规范) | SI1:同行/竞争对手认为我们应该加入平台进行数据共享。 |
| SI2:我们的合作伙伴认为我们应该加入平台进行数据共享。 |
| SI3:专家认为我们应该加入平台进行数据共享。 |
| SI4:行业领袖认为我们应该加入平台进行数据共享。 | (Venkatesh et al., 2012)
PR(感知风险) | PR1:我觉得在平台上共享数据可能导致数据泄露和滥用。 |
| PR2:我觉得在平台上共享的数据可能被竞争对手获取,从而增加竞争压力。 |
| PR3:我觉得在平台上共享数据可能会损害我们公司的利益。 | (Khalid and Ali, 2017)
PNE(感知规范性压力) | PNE1:我们公司有很多合作伙伴和同行正在平台上共享数据。 |
| PNE2:我认为大多数航运参与者正在平台上共享数据。 |
| PNE3:我认为航运巨头正在平台上共享数据。 | (Lin and Lu, 2011)
BI(行为意愿) | BI1:我认为我们公司未来会考虑制定计划加入数据共享平台。 |
| BI2:我认为我们公司未来会鼓励我们的合作伙伴加入平台进行数据共享。 |
| BI3:我认为我们公司未来会愿意在平台上持续共享数据。 | (Kim et al., 2008, Venkatesh et al., 2012)

采取了多项措施支持数据质量:(1)一道理解检查题验证对所有权概念的理解,一道注意力检查题确保专注;(2)九点李克特量表采用奇数选项和无标签中点,以减少中央趋势偏差;(3)经济激励以鼓励认真参与;(4)问卷长度为29个条目(8个背景问题 + 2个检查题 + 19个量表明),以限制受访者疲劳。

4.3 参与者人口统计学特征

如表5所示,分配到完全和分离数据所有权条件的受访者表现出高度可比的人口统计学特征。性别分布几乎相同,两组中女性均约占56%。大多数参与者年龄在31–40岁之间(39.3%和51.7%),其次是19–30岁和41–50岁的群体,表明样本主要由处于职业黄金期的专业人士组成。教育水平相对较高,超过70%和57%的受访者至少拥有学士学位。参与者代表航运供应链的关键环节,确保了航运数据生态系统中核心利益相关者的覆盖。大多数受访者报告有3–10年的工作经验(48.8%和58.4%),反映了跨越不同职业阶段的丰富行业经验。约半数受访者表示对相关政策内容有中等到较高的熟悉度,支持了调查的可行性。两组中组织参与数据共享的程度均为中等,38–45%曾接收外部数据,15–22%参与过数据共享平台。值得注意的是,企业在规模上存在差异:大型企业在完全所有权条件下更为普遍(52.4%),而中小型企业在分离所有权组中占主导(68.5%)。总体而言,该样本在利益相关者角色、企业规模、专业经验和数据共享参与程度方面体现了相当程度的异质性。

表5 人口统计学特征

| 特征 | 完全数据所有权(n = 84) | | 分离数据所有权(n = 89) | |
|---|---|---|---|---|
| | 频次 | 比例 | 频次 | 比例 |
| 性别 | 女47 | 56.0% | 女50 | 56.2% |
| | 男37 | 44.0% | 男39 | 43.8% |
| 年龄(岁) | 19至30岁 25 | 29.8% | 19至30岁 22 | 24.7% |
| | 31至40岁 33 | 39.3% | 31至40岁 46 | 51.7% |
| | 41至50岁 22 | 26.2% | 41至50岁 19 | 21.3% |
| | 51至60岁 4 | 4.8% | 51至60岁 2 | 2.2% |
| 教育背景 | 高中以下 0 | 0.0% | 高中以下 1 | 1.1% |
| | 高中或同等学历 1 | 1.2% | 高中或同等学历 12 | 13.5% |
| | 大专 24 | 28.6% | 大专 25 | 28.1% |
| | 本科 48 | 57.1% | 本科 43 | 48.3% |
| | 硕士及以上 11 | 13.1% | 硕士及以上 8 | 9.0% |
| 航运供应链角色 | 货运代理/船舶代理 26(18/8) | 30.9% | 货运代理/船舶代理 32(27/5) | 35.9% |
| | 航运公司/承运人 33 | 39.3% | 航运公司/承运人 27 | 30.3% |
| | 港口/码头运营者 25 | 29.8% | 港口/码头运营者 30 | 33.7% |
| 从业年限 | 少于1年 3 | 3.6% | 少于1年 3 | 3.4% |
| | 1至3年 17 | 20.2% | 1至3年 23 | 25.8% |
| | 3至5年 10 | 11.9% | 3至5年 39 | 43.8% |
| | 5至10年 31 | 36.9% | 5至10年 13 | 14.6% |
| | 超过10年 23 | 27.4% | 超过10年 11 | 12.4% |
| 先前知识 | 非常熟悉,能清晰阐述政策内容 5 | 7.1% | 非常熟悉,能清晰阐述政策内容 16 | 18.0% |
| | 较为熟悉,了解要点 27 | 32.1% | 较为熟悉,了解要点 27 | 30.3% |
| | 听说过但不清楚细节 43 | 51.2% | 听说过但不清楚细节 44 | 49.4% |
| | 完全不熟悉 8 | 9.5% | 完全不熟悉 2 | 2.2% |
| 企业规模 | 大型 44 | 52.4% | 大型 28 | 31.5% |
| | 中小型 40 | 47.6% | 中小型 61 | 68.5% |
| 此前数据共享参与情况(多选) | 主动共享数据 12 | 13.0% | 主动共享数据 22 | 14.4% |
| | 接收外部数据 42 | 45.7% | 接收外部数据 59 | 38.6% |
| | 参与数据共享平台 20 | 21.7% | 参与数据共享平台 23 | 15.0% |
| | 短期试点数据互操作项目 3 | 3.3% | 短期试点数据互操作项目 12 | 7.8% |
| | 未参与任何数据共享活动 10 | 10.9% | 未参与任何数据共享活动 32 | 20.9% |
| | 不了解情况 5 | 5.4% | 不了解情况 5 | 3.3% |

这种异质性还延伸到受访者所在组织运营和服务的港口环境和数字化背景中(为保护受访者和组织保密,不显示具体港口和公司名称)。受访者所关联的组织运营或服务于多种港口和航运环境,包括大型沿海集装箱枢纽港、区域性港口、散货和杂货港口运营、内河和江河港口连接,以及与港口运营和腹地运输相连的物流集群。因此,样本并非集中在单一港口类型或区域环境中。在数字化背景方面,部分受访者关联于相对先进的环境,如大型集装箱码头、港口集团、航运企业、物流服务提供商、电子数据交换(EDI)功能、平台运营和智能港口项目,而另一些则关联于更传统的环境,包括区域性港口、货运代理、船舶代理和海事服务场景。

4.4 信度与效度检验

首先使用Cronbach's α系数评估内部一致性。如表6所示,所有构念和整体量表的Cronbach's α值均超过0.80,表明具有较高的内部一致性(Hair et al., 2010)。随后,基于理论框架(见图4)进行了验证性因子分析(CFA)。CFA结果令人满意(χ2/df = 1.853 < 3,SRMR = 0.034 < 0.050,RMSEA = 0.070 < 0.080,NFI = 0.926,RFI = 0.908,IFI = 0.965,TLI = 0.955,CFI = 0.964,所有NFI/RFI/IFI/TLI/CFI > 0.900),表明测量模型拟合良好(Hu and Bentler, 1999)。所有标准化因子载荷均超过0.8,平均提取方差(AVE > 0.5)和组合信度(CR > 0.7)均确认了聚合效度(表7)(Hair et al., 2010, Hu and Bentler, 1999)。

此外,如表8所示,各构念AVE的平方根均超过了其与其他构念的相关系数,且所有异质-单质(HTMT)比率均低于0.85的保守阈值,表明具有足够的区分效度(Henseler et al., 2015)。

表6. 信度与效度检验结果。

| 构念 | 题项数 | Cronbach's α |
|------|--------|--------------|
| PE3 | 0.920 | |
| FC3 | 0.883 | |
| SI4 | 0.938 | |
| PR3 | 0.925 | |
| PNE3 | 0.924 | |
| BI3 | 0.952 | |
| 总体19 | 0.922 | |

注:总体KMO值为0.879 > 0.8,Bartlett球形检验显著(p < 0.001)。Cronbach's α值高于0.7表示内部一致性可接受。

图4. CFA模型。

表7. 标准化因子载荷、组合信度和平均方差抽取量。

| 路径→构念 | 标准化因子载荷 | CR | AVE |
|-----------|---------------|-----|------|
| PE1→PE | 0.948 | 0.923 | 0.800 |
| PE2→PE | 0.871 | | |
| PE3→PE | 0.862 | | |
| FC1→FC | 0.827 | 0.886 | 0.723 |
| FC2→FC | 0.825 | | |
| FC3→FC | 0.896 | | |
| SI1→SI | 0.924 | 0.939 | 0.795 |
| SI2→SI | 0.888 | | |
| SI3→SI | 0.817 | | |
| SI4→SI | 0.933 | | |
| PR1→PR | 0.975 | 0.929 | 0.814 |
| PR2→PR | 0.893 | | |
| PR3→PR | 0.833 | | |
| PNE1→PNE | 0.889 | 0.925 | 0.805 |
| PNE2→PNE | 0.913 | | |
| PNE3→PNE | 0.890 | | |
| BI1→BI | 0.923 | 0.953 | 0.872 |
| BI2→BI | 0.918 | | |
| BI3→BI | 0.960 | | |

注:所有标准化因子载荷均超过0.8,CR值超过0.7,AVE值超过0.5,确认所有构念具有良好的收敛效度。

表8. 区分效度检验。

(a) Fornell-Larcker准则。

| 构念 | PE | FC | SI | PR | PNE | BI |
|------|-----|-----|-----|-----|------|-----|
| PE | **0.894** | | | | | |
| FC | 0.324 | **0.850** | | | | |
| SI | 0.725 | 0.227 | **0.892** | | | |
| PR | 0.310 | -0.054 | 0.252 | **0.902** | | |
| PNE | 0.514 | 0.625 | 0.524 | 0.050 | **0.897** | |
| BI | 0.616 | 0.221 | 0.821 | 0.226 | 0.706 | **0.934** |

注:对角线加粗值表示各潜变量的AVE平方根。所有非对角线相关系数均小于对应的对角线值,确认具有足够的区分效度。

(b) 异质-单质比率(HTMT分析)。

| 构念 | PE | FC | SI | PR | PNE | BI |
|------|-----|-----|-----|-----|------|-----|
| PE | - | | | | | |
| FC | 0.318 | - | | | | |
| SI | 0.741 | 0.225 | - | | | |
| PR | 0.329 | 0.075 | 0.280 | - | | |
| PNE | 0.502 | 0.626 | 0.512 | 0.019 | - | |
| BI | 0.619 | 0.218 | 0.825 | 0.226 | 0.704 | - |

注:严格区分效度的阈值为0.850。

4.5. 共同方法偏差评估

为检验潜在的共同方法偏差(CMB),本研究同时进行了Harman单因子检验和单因子CFA分析。Harman检验结果表明,第一因子解释了总方差的45.84%,低于推荐的50%阈值。一致地,单因子CFA显示模型拟合较差(χ2/df = 11.361, SRMR = 0.171, RMSEA = 0.245, NFI = 0.496, RFI = 0.434, IFI = 0.520, TLI = 0.456, CFI = 0.517),而先前验证的多因子CFA模型显示出明显更好的拟合(第4.4节)。这些结果共同表明,CMB不太可能威胁测量模型的有效性(Podsakoff et al., 2003)。

4.6. 早晚期响应分析

为评估潜在的无响应偏差,在正式调查样本中进行了早期和晚期受访者的比较,该样本的招募和调查实施程序是一致的。115份有效正式响应按响应顺序分为两组:前57份响应被归类为早期受访者,其余58份被归类为晚期受访者。分类人口统计变量使用精确检验进行比较,BI使用Mann-Whitney U检验进行比较,因为它不满足正态性假设(见第5.2节)。

如表9所示,大多数人口统计特征,包括年龄、教育程度、工作年限和企业规模,在早期和晚期受访者之间没有显著差异。性别分布存在边际差异,而先前对数据所有权的了解在两组之间存在显著差异。早期和晚期受访者之间的BI没有显著差异(Mann-Whitney U = 1708.500, p = 0.747)。因此,在正式调查样本内进行了额外的敏感性分析,以确定早期和晚期受访者之间先前知识的不平衡是否影响其与BI的关联。在调整响应时间后,先前知识与BI的关联变化不大(β = 0.143, p = 0.027,与未调整时的β = 0.149, p = 0.020相比),且先前知识×响应时间的交互作用不显著(B = -0.263, p = 0.166)。

表9. 正式调查样本中早期与晚期受访者的比较。

| 变量 | 早期受访者(n = 57) | 晚期受访者(n = 58) | p值 |
|------|-------------------|-------------------|------|
| 性别 | | | |
| 女性 | 39 (68.4%) | 29 (50.0%) | 0.058ns |
| 男性 | 18 (31.6%) | 29 (50.0%) | |
| 年龄 | | | |
| 19至30岁 | 21 (36.8%) | 15 (25.9%) | 0.263ns |
| 31至40岁 | 22 (38.6%) | 29 (50.0%) | |
| 41至50岁 | 12 (21.1%) | 14 (24.1%) | |
| 51至60岁 | 2 (3.5%) | 0 (0.0%) | |
| 教育背景 | | | |
| 高中以下 | 1 (1.8%) | 0 (0.0%) | 0.113ns |
| 高中毕业或同等学历 | 3 (5.3%) | 10 (17.2%) | |
| 专科学历 | 22 (38.6%) | 14 (24.1%) | |
| 本科学历 | 27 (47.4%) | 28 (48.3%) | |
| 硕士及以上学历 | 4 (7.0%) | 6 (10.3%) | |
| 工作年限(年) | | | |
| < 1年 | 1 (1.8%) | 2 (3.4%) | 0.507ns |
| 1至3年 | 21 (36.8%) | 16 (27.6%) | |
| 3至5年 | 17 (29.8%) | 26 (44.8%) | |
| 5至10年 | 10 (17.5%) | 8 (13.8%) | |
| > 10年 | 8 (14.0%) | 6 (10.3%) | |
| 先前知识 | | | |
| 非常熟悉,能清晰解释政策内容 | 3 (5.3%) | 0 (0.0%) | 0.002** |
| 有些熟悉,了解要点 | 38 (66.7%) | 25 (43.1%) | |
| 听说过但不清楚细节 | 7 (12.3%) | 22 (37.9%) | |
| 完全不熟悉 | 9 (15.8%) | 11 (19.0%) | |
| 企业规模 | | | |
| 大型 | 23 (40.4%) | 18 (31.0%) | 0.334ns |
| 中小型 | 34 (59.6%) | 40 (69.0%) | |
| BI | 平均秩次 = 57.03 | 平均秩次 = 58.96 | 0.747ns |

注:性别和企业规模使用Fisher精确检验评估,而年龄、教育、工作年限和先前知识使用Fisher-Freeman-Halton精确检验评估。BI使用Mann-Whitney U检验评估。报告的是双侧精确显著性值。**p < 0.01;ns表示差异不显著。

总体而言,早晚对比和补充敏感性分析均未提供BI存在系统性响应时间偏差的证据,且观察到的受访者特征差异并未实质性改变对主要结果的解释。

5. 结果与讨论

5.1. 描述性统计

图5展示了六个构念在六个所有权-角色子群体中的中位数和四分位距(IQR, P25-P75)箱线图。每个子群体包含25-33个观测值,确保了足够的统计功效。鉴于9点Likert量表的有序性质,中位数被用作集中趋势的主要指标,IQR用于捕捉组内变异性。相应的数值摘要报告在表10中。总体而言,六个子群体对海上数字平台上的数据共享表现出总体积极的态度。对BI1题项的检查显示,在所有173份有效响应中,仅有17名参与者(9.83%)表示不愿意共享数据(得分<5),12人(6.94%)持中立态度(得分=5),而绝大多数(83.24%)表达了积极意向。此外,利益相关者在数据所有权结构偏好方面表现出异质性。承运人和代理人在分离所有权下报告的BI更高,而港口/码头运营商在完全所有权下表现出更强的意向。

图5. 按所有权-角色子群体划分的6个构念箱线图。注:箱体代表IQR(中间50%数据),中位线表示第50百分位数,须延伸至IQR的1.5倍范围内的值。散点代表所有个体数据点。

表10. 所有权-角色子群体中6个感知构念的中位数(IQR)。

| 构念 | 1 分离-承运人 | 2 分离-运营商 | 3 分离-代理人 | 4 完全-承运人 | 5 完全-运营商 | 6 完全-代理人 |
|------|--------------|--------------|--------------|--------------|--------------|--------------|
| PE | 9.00 (8.00–9.00) | 7.00 (4.58–7.33) | 8.00 (8.00–8.00) | 9.00 (8.00–9.00) | 7.33 (6.50–8.50) | 7.33 (6.58–8.08) |
| FC | 7.00 (6.33–8.00) | 5.83 (4.58–7.00) | 5.00 (5.00–5.00) | 5.00 (5.00–6.50) | 7.00 (6.00–8.00) | 7.00 (6.67–7.67) |
| SI | 8.00 (7.75–8.25) | 6.25 (5.38–7.06) | 9.00 (9.00–9.00) | 9.00 (7.75–9.00) | 7.25 (6.13–8.13) | 7.25 (5.19–7.56) |
| PR | 8.00 (8.00–9.00) | 6.33 (4.67–7.17) | 8.00 (8.00–8.00) | 9.00 (7.67–9.00) | 6.33 (4.83–7.83) | 7.00 (6.33–8.00) |
| PNE | 8.00 (7.00–8.00) | 6.00 (4.92–7.00) | 6.00 (6.00–6.00) | 7.00 (5.67–7.00) | 6.00 (4.17–7.67) | 7.00 (5.92–7.67) |
| BI | 8.00 (7.00–8.33) | 6.33 (4.58–7.33) | 9.00 (9.00–9.00) | 7.67 (6.17–9.00) | 6.67 (5.83–7.83) | 7.00 (5.92–8.00) |

注:值表示中位数(P25-P75)。更高的值表示在9点Likert量表(1 = 强烈不同意,9 = 强烈同意)上更强的同意或感知程度。

5.2. 利益相关者异质性

在假设检验之前,使用Shapiro-Wilk检验考察了数据正态性。结果表明变量不服从正态分布,呈现轻微偏度和中等峰度。这种偏差在有序Likert数据中很常见,由于离散性、天花板效应和响应聚集,它们很少满足参数分析的假设(Cain et al., 2017, Flora and Curran, 2004)。因此,后续分析中采用了非参数检验。

使用Kruskal-Wallis H检验和Bonferroni校正的Mann-Whitney事后比较,考察了承运人、港口/码头运营商和代理人之间的分布差异。结果见表11,显示PE、SI、PR、PNE和BI存在显著的角色效应(均p < 0.01),而FC保持不显著。事后检验进一步揭示,BI遵循代理人 > 承运人 > 港口/码头运营商的模式,表明代理人表现出最高的数据共享行为意向。在四个感知构念(PE、SI、PR和PNE)中,港口和码头运营商始终报告最低的得分。他们认为在海上数字平台上共享数据时获得的绩效提升有限、网络效应较弱、风险较低且社会规范压力最小,使他们成为最保守且动机最弱的群体。相比之下,承运人和代理人都将数据共享视为高收益、高风险的提议,并经历相当高的社会影响水平。然而,代理人对绩效、风险和网络效应的感知弱于承运人,表明其评估反应相对不那么强烈。这些发现有力地证实了H1,表明感知构念和行为意向在海上利益相关者之间存在显著差异。

表11. 基于角色差异的Kruskal-Wallis H和成对Mann-Whitney事后结果。

| 构念 | H(df = 2) | p值(总体) | 事后显著配对(p < 0.05) |
|------|-----------|----------|----------------------|
| PE | 55.674 | 0.000*** | 承运人 > 港口/码头运营商***; 承运人 > 代理人***; 代理人 > 港口/码头运营商*** |
| FC | 1.771 | 0.413ns | - |
| SI | 34.976 | 0.000*** | 承运人 > 港口/码头运营商***; 代理人 > 港口/码头运营商*** |
| PR | 45.163 | 0.000*** | 承运人 > 港口/码头运营商***; 承运人 > 代理人***; 代理人 > 港口/码头运营商*** |
| PNE | 11.166 | 0.004** | 承运人 > 港口/码头运营商**; 承运人 > 代理人** |
| BI | 30.887 | 0.000*** | 承运人 > 港口/码头运营商***; 代理人 > 港口/码头运营商***; 代理人 > 承运人* |

注:H表示组间平均秩次的方差。p值为经Bonferroni多重比较校正后的值。***p < 0.001; **p < 0.01; *p < 0.05; ns表示差异不显著。p < 0.001显示为0.000。

5.3. 数据所有权结构

使用非参数两样本比较(Mann-Whitney U)评估完全和分离数据所有权结构在行为意向(BI)方面是否存在分布差异。结果显示存在统计显著差异(U = 2871.00, Z = -2.67, p = 0.007 < 0.01),且分离所有权下的参与者(平均秩次 = 96.74)表现出比完全所有权下的参与者(平均秩次 = 76.68)更高的BI。因此,H2得到支持,表明当数据所有权分离时,利益相关者表现出更强的数据共享意愿。

5.4. 利益相关者角色与数据所有权的交互作用

使用带Bootstrap(5,000样本,95% CI)的双因素方差分析(ANOVA)检验了数据所有权结构和利益相关者角色对BI的联合效应。Levene检验表明存在方差异质性(p < 0.05),因此Bootstrap结果被解释为稳健估计(Davison and Hinkley, 1997)。表12显示的结果揭示了利益相关者角色(p < 0.001, 偏η2 = 0.145)和数据所有权结构(p = 0.004 < 0.01, 偏η2 = 0.050)的显著主效应,在组均值层面初步支持了H1和H2。更重要的是,两者的交互作用也显著(p < 0.001, 偏η2 = 0.116),支持了H3,表明数据所有权结构对BI的影响取决于利益相关者角色。

表12. 利益相关者角色×数据所有权对BI影响的双因素ANOVA结果。

| 来源 | SS (Type III) | df | MS | F | p值 | 偏η2 |
|------|---------------|-----|------|------|------|-------|
| 利益相关者角色 | 69.707 | 2 | 34.853 | 14.146 | 0.000*** | 0.145 |
| 数据所有权 | 21.583 | 1 | 21.583 | 8.760 | 0.004** | 0.050 |
| 利益相关者角色×数据所有权 | 53.835 | 2 | 26.917 | 10.925 | 0.000*** | 0.116 |
| 误差 | 411.452 | 167 | 2.464 | - | - | - |
| 校正总计 | 568.334 | 172 | - | - | - | - |

注:SS = 平方和; MS = 均方; F = Fisher F统计量。***p < 0.001; **p < 0.01; p值 < 0.001显示为0.000。偏η2表示效应量(小 = 0.01; 中 = 0.06; 大 = 0.14),遵循(Cohen, 2013)。

随后,使用Bonferroni校正的成对比较进行了简单效应分析,以阐明交互作用的性质。如表13所示,在完全数据所有权结构下,基于角色的BI差异较小且统计上不显著(p = 0.150, 偏η2 = 0.022)。相比之下,在分离数据所有权结构下,利益相关者角色的效应显著(p < 0.001, 偏η2 = 0.235)。

表13. 每种数据所有权结构内利益相关者的简单效应分析。

| 所有权 | 来源 | SS | df | MS | F | p值 | 偏η2 |
|--------|------|------|-----|------|------|------|-------|
| 完全 | 利益相关者 | 9.457 | 2 | 4.728 | 1.919 | 0.150ns | 0.022 |
| 分离 | 利益相关者 | 126.527 | 2 | 63.263 | 25.677 | 0.000*** | 0.235 |
| 误差 | - | 411.452 | 167 | 2.464 | - | - | - |

注:***p < 0.001; ns表示差异不显著。p < 0.001显示为0.000。

成对比较进一步表明,在分离所有权下,代理人表现出最高的行为意向(M = 8.85, SE = 0.28),其次是承运人(M = 7.62, SE = 0.30),而港口/码头运营商报告的BI最低(M = 6.00, SE = 0.29)。在Bonferroni校正后,所有三种角色之间的差异均具有统计显著性(p < 0.05)。在完全所有权下,这些基于角色的对比减弱且不显著(均p > 0.05)。这一模式表明,分离所有权对数据共享意愿的影响取决于利益相关者角色,即:对代理人为最强的正向影响,对承运人为中等正向影响,但对港口/码头运营商为负向影响。图6说明了这一交互作用,显示基于角色的BI差异仅在分离所有权设置下出现。

图6. 利益相关者角色与数据所有权结构对BI的交互作用。注:误差线表示±1个标准误。

5.5. 补充分析

5.5.1. 分层回归

进行了分层回归,以检验在控制人口统计和感知因素后,利益相关者角色与数据所有权对BI的交互效应是否仍然存在。具体而言,添加了一个调查阶段虚拟变量以检验试点版与正式版响应之间的差异,并将两个角色虚拟变量(承运人和代理人)重新编码,以港口/码头运营商为参考组,以分别建模交互项。随后估计了以BI为因变量的四块模型,各块按理论顺序输入。

结果显示了清晰的分层模式(附录表A(a))。块1包含一个调查阶段虚拟变量和六个人口统计控制变量,解释了BI方差的25.7%(调整R2 = 0.225, p < 0.001)。当在块2中添加五个感知构念时,解释力急剧增加到78.4%(ΔR2 = 0.528, p < 0.001),确认了感知因素在塑造BI中的主导作用。纳入利益相关者角色和数据所有权(块3)进一步提高了解释力(ΔR2 = 0.027, p < 0.001),表明所有权条件和角色对比作为一个集合,在人口统计和感知因素之外增加了解释信息。此外,添加它们的交互作用(块4)产生了进一步改善(ΔR2 = 0.013, p = 0.003)。这些增量变化与理论框架相符。同时,在最终的运营商参考模型中确定了6个BI的显著预测变量(附录表A(b)):PNE、SI、交互作用(代理人×数据所有权)、FC、先前知识和工作年限,按标准化系数的绝对值(|β|)大小排序。这一顺序强调了感知驱动因素和情境交互在BI形成中的主导地位,而背景和结构因素则发挥次要但可解释的影响。解释如下:

(1) 人口统计和背景因素:工作年限与BI呈负相关(β = -0.129, p = 0.007),表明资历较长的利益相关者共享数据的意愿较低。先前知识与BI呈正相关(β = 0.130, p = 0.004),表明对相关政策和平台相关问题更熟悉的受访者倾向于报告更强的数据共享意向。

此外,试点/正式阶段的哑变量不显著(β = 0.003,p = 0.970),表明在控制其他变量后,调查阶段与行为意向之间不存在可检测到的独立关联。

(2)感知构念(支持H1):PNE(β = 0.496,p < 0.001)和SI(β = 0.417,p < 0.001)成为行为意向最强的正向预测因子,而FC表现出显著负向关联(β = -0.146,p = 0.006)。PE和PR不显著。这一模式表明,网络收益和同伴认可——而非操作便利性——是驱动数据共享意向的主要因素。

值得注意的是,FC的负系数不应被解释为促成条件本身对行为意向有害的证据。在双变量层面,FC与行为意向之间仍呈正相关(r = 0.221;见表8(a)),表明感知到较强促成条件的利益相关者并未普遍报告较低的共享意向。该负系数仅在控制PNE、SI及其他预测变量后才出现。鉴于FC与PNE之间存在相对较强的相关性(r = 0.625,见表8(a)),FC的正向成分可能被PNE所吸收,后者更直接地捕捉了利益相关者所感知的网络收益。在剔除这部分共同变异后,FC剩余的成分可能反映了平台环境中更为受限的方面,例如标准化要求、技术集成义务、合规程序以及对平台规则的依赖。因此,该结果更适合被理解为净负效应,而非FC与行为意向之间简单的负向关联。

近期关于平台生态系统和组织间数据共享的研究为这一模式提供了合理的解释。数据共享平台通过促进跨组织数据流动来创造价值,但也引发了关于数据使用、价值占有、访问权、隐私和控制的担忧(Nienstedt and Trenz, 2025)。数据生态系统研究进一步强调,数据共享不仅需要技术基础设施,还需要保障透明度、主权和用户控制的治理机制(Burmeister et al., 2025; M?ller et al., 2025)。在此背景下,较高的FC可能表明平台技术成熟,但也可能使数据流动更加标准化、可追溯并受制于集中式协调。这可以解释为何在考虑网络外部性和社会影响的动机价值后,FC呈现出净负效应。因此,该发现表明,仅有基础设施和标准可能不足以激励海事数据共享,除非它们伴随着可信的治理安排,以保护数据控制权、公平性和信任。

(3)不同利益相关者角色下的数据所有权条件效应(有条件支持H2):由于模型中包含了交互项,最终模型中利益相关者角色和数据所有权的系数不应被解释为统一的独立主效应。在表A(b)中报告的操作方参考设定中,数据所有权的系数代表港口/码头运营商群体中的所有权效应,而交互项则表明该所有权效应在承运人和代理群体中是否存在差异。为使角色特定的所有权效应更加明确,使用每个利益相关者角色分别作为参考组重新估计了同一模型,结果见表A(c)。在每个设定中,数据所有权的系数因此代表相应角色群体内部所有权效应的简单斜率。

如表A(c)所示,分离的数据所有权并未显著增加港口/码头运营商(B = -0.431,SE = 0.373,p = 0.249)或承运人(B = -0.334,SE = 0.263,p = 0.205)的行为意向,但在代理群体中产生了正向且显著的影响(B = 0.849,SE = 0.305,p = 0.006)。因此,H2获得了有条件支持,因为在控制了人口统计、背景和感知因素后,分离所有权的正向效应仅出现在代理群体中。这与第5.2节和第5.3节的研究发现并不矛盾,后者在未控制这些因素的情况下考察了组间差异。

(4)交互效应(支持H3):交互结果提供了数据所有权对行为意向的影响在不同利益相关者角色间存在差异的证据。在以操作方为参考的模型中,代理×数据所有权交互项呈正向且显著(B = 1.280,β = 0.274,p = 0.002),表明代理群体中的所有权效应显著正向于港口/码头运营商群体。相比之下,承运人×数据所有权交互项不显著(B = 0.097,β = 0.019,p = 0.804),表明承运人中的所有权效应与港口/码头运营商之间不存在显著差异。表A(c)中替代参考组的设定进一步证实了这一模式。当以代理为参考组时,承运人×数据所有权(B = -1.183,β = -0.237,p = 0.004)和操作方×数据所有权(B = -1.280,β = -0.267,p = 0.002)均显著且为负值,表明在代理中观察到的正向所有权效应显著强于承运人和港口/码头运营商中对应的效应。同时,承运人与港口/码头运营商之间的比较仍不显著。因此,H3得到支持:利益相关者角色调节了数据所有权与行为意向之间的关系,分离的所有权主要通过代理群体而非在所有利益相关者群体中产生统一的效应来增加行为意向。

5.5.2 非线性探索

尽管线性回归仍然是技术采纳和信息共享研究中的主要分析工具,但越来越多的研究指出,对感知收益、易用性、风险和社会影响的行为反应可能遵循非线性或阈值模式(AL-Sayid et al., 2023; Sun and Zhang, 2006; Venkatesh et al., 2012)。在方法上,统计分析越来越多地与机器学习技术相结合来解决这一问题(Guo et al., 2025; Suhail et al., 2024)。因此,本研究使用相同的预测变量集应用随机森林(RF)作为补充诊断分析。其目的并非替代分层回归模型,而是评估是否有任何预测变量的预测贡献未完全反映在回归结果中。随机森林可以在不施加线性或分布假设的情况下捕捉复杂的、依赖于交互的关联,同时提供可解释的变量重要性度量(Breiman, 2001)。最终RF模型表现出良好的泛化能力(R2 = 0.860,RMSE = 0.679,MAE = 0.421)(Hyndman and Koehler, 2006)。

变量重要性通过SHAP(SHapley Additive exPlanations,Shapley加性解释)进行评估,该方法量化了每个预测变量在所有单个观测中对模型输出的平均绝对贡献(Lundberg and Lee, 2017)。基于此,生成了全局SHAP摘要图(图7),以可视化整体特征重要性及其贡献方向。随后,将SHAP排名与分层回归结果所暗示的相对重要性进行描述性比较(见表14)。该比较用于识别在线性设定下其贡献可能被低估或以其他形式呈现的预测变量。从比较中浮现出以下几个模式:

(1)SI和PNE在两种框架中均保持为两个最重要的预测变量。其一致的高排名表明,这两个变量是行为意向稳健且方向稳定的决定因素,而非主要依赖于模型设定的效应。

(2)PE在分层回归模型中并非显著预测因子,但在RF-SHAP排名中仍保持了不可忽视的贡献。这一差异表明,PE的作用可能未被稳定的线性项充分捕捉。其贡献可能依赖于特定的取值范围或类似阈值的模式,这值得进一步考察其函数形式。

(3)FC在RF-SHAP结果中仍保持为重要预测变量,但其解释需特别谨慎。如前所述,其与行为意向的关联在不同分析层面有所不同:在双变量层面,FC与行为意向呈正相关,但在控制PNE、SI及其他预测变量后的分层回归中呈现出显著负系数。如第5.5.1节所述,一种可能的解释是FC的正向成分被PNE部分吸收,留下与平台约束相关的负向净成分。然而,这一解释仍是试探性的。因此,FC的函数形式需要进一步考察。

(4)代理×数据所有权交互项在分层回归模型中显著,但其独立重要性在RF-SHAP结果中有所降低。这种衰减并不与回归发现相矛盾,而是表明一旦允许RF对利益相关者角色和数据所有权进行条件分割建模,显式的乘积项所增加的边际解释价值有限。这一解释与第5.5.1节识别出的条件模式一致,即正向所有权效应集中在代理群体中,而非均匀分布于所有角色-所有权结构中。

下载:下载高分辨率图片(146KB)下载:下载全尺寸图片

图7. 特征重要性和贡献的全局SHAP摘要图。注:左侧的条形图按平均绝对SHAP值(全局重要性)对特征进行排名,右侧的蜂群图可视化了每个特征对模型输出贡献的分布和方向。

表14. 排名一致性结果

| 排名 | 分层回归 | 随机森林 |
|------|----------|----------|
| 1 | PNE 0.496 | SI 0.442 |
| 2 | SI 0.417 | PNE 0.310 |
| 3 | 代理×数据所有权 0.274 | FC 0.065 |
| 4 | FC -0.146 | 从业时间 0.052 |
| 5 | 先前知识 0.130 | 年龄 0.022 |
| 6 | 从业时间 -0.129 | PE 0.015 |
| 7 | — | 性别 0.013 |
| 8 | — | 先前知识 0.007 |
| 9 | — | 企业规模 0.007 |
| 10 | — | PR 0.007 |
| 11 | — | 数据所有权 0.007 |
| 12 | — | 教育 0.006 |

注:分层回归仅列出显著因素,按标准化回归系数的绝对值(|β|)降序排列;RF按平均|SHAP|值大于0.005的预测变量降序排列。

基于以上观察,后续分析聚焦于PE和FC。因此使用SHAP依赖图和偏依赖图(图8)来检查它们对行为意向的贡献是近似线性、类似阈值还是饱和模式。图8表明PE和FC均遵循类似阈值而非近似线性的模式。对于PE,SHAP值在低至中等水平主要保持为负,在从第6级到第7级的转换点附近转为正值,而偏依赖图显示预测行为意向随之急剧上升后趋于平台。FC表现出类似但更为明显的模式:其贡献在较低水平时有限或为负,在第7级附近转为正,然后急剧上升后趋于饱和。这些结果表明,PE和FC不能很好地用恒定的线性效应来表示。PE主要在感知绩效收益达到相对较高水平后才正向贡献于行为意向。FC的负回归系数不应被解释为统一的负效应;FC表现出水平依赖的模式,在中低水平时贡献有限或为负,而在被视为足够强时则产生正贡献。

下载:下载高分辨率图片(290KB)下载:下载全尺寸图片

图8. PE和FC的SHAP依赖图与偏依赖图。注:上方面板显示SHAP依赖图,下方面板显示偏依赖图。上方面板的y轴表示SHAP贡献值,下方面板的y轴表示平均预测行为意向。实线曲线表示平滑趋势,带95%置信区间。垂直虚线和标记表示近似转换点,应将其理解为转换范围而非精确截断点,因为PE和FC是在有序9点量表上测量的。

这些发现对海事贸易数据共享平台的治理具有更广泛的意义。在全球航运业务网络(GSBN)和前任TradeLens等平台上,参与的价值不仅取决于单个企业对技术有用性的评估,还取决于平台能否为生态系统范围的数据交换创造可信、中立和互操作的的环境。首先,网络外部性和社会影响的强作用表明,当参与被视为新兴行业规范且平台价值随承运人、码头、代理、货代和货主更广泛采用而增长时,企业可能更愿意共享数据。其次,PE和FC的阈值模式表明,中等水平的感知有用性或支持可能不足;参与者可能需要明确的证据表明平台能够减少文书摩擦、改善货物可视性并提供可靠的协调,之后共享意向才会增加。第三,数据所有权的角色特定敏感性意味着治理安排应明确谁可以访问、控制、再利用贸易和物流数据并对之负责。总体而言,海事数据共享意愿不仅受技术采纳因素的影响,还受平台生态系统感知治理可信度的影响,特别是其中立性、互操作性、问责制和激励一致性。

6. 结论

6.1 研究总结

本研究考察了数据所有权结构和利益相关者角色如何塑造海事数字平台上的数据共享意愿,特别关注与参与意向相关的感知因素。在方法上,本研究结合组间比较、交互分析、分层回归和RF-SHAP分析,以捕捉利益相关者异质性、所有权-角色交互以及潜在的非线性模式。该策略使得在解释性和探索性框架内检验问题的结构化特征。

总体而言,研究结果提供了两个主要理论洞见。首先,数据共享意愿应被理解为一种参与意向,受关系影响、预期网络价值、感知平台效用以及参与发生的治理条件所塑造。SI和PNE成为最稳定的决定因素,表明利益相关者的数据共享意愿高度依赖同伴认可和基于网络的价值创造预期。

感知利得(PE)和便利条件(FC)所起的作用较弱且具有条件性,这表明感知到的平台利得和便利条件可能仅在达到一定水平时才会影响参与意愿,且它们的影响在不同受访者之间可能有所不同,而非始终呈正向。此外,数据共享意愿还受到利益相关者对数据所有权政策的先前认知和行业经验的影响。其次,差异化的数据所有权结构确实会影响数据共享意愿,但其影响在不同利益相关者群体之间并不一致,不应被解读为直接作用或普遍适用。分离式所有权对于中间角色尤为相关,因为这类角色的参与价值在很大程度上依赖于跨方协调、数据流通和获取多源信息的能力。这一发现进一步表明,数据所有权的重要性不仅在于权利如何分配,还在于不同的所有权结构如何重塑利益相关者对控制力、价值机会和参与风险的感知。因此,海事数字平台中的数据共享意愿应被视为一种对治理敏感性的参与决策,而不仅仅是对平台功能或数字采纳技术条件的响应。6.2 启示、局限与建议研究发现为寻求加强海事数字平台数据协作的政策制定者、平台运营者和海事企业提供了指导。(1)对政策制定者而言:不应要求所有海事利益相关者采用单一的数据所有权模式。应明确允许平台针对不同利益相关者群体适用不同的数据所有权和访问规则。当平台治理明确规定了数据访问权、使用权、问责机制以及对敏感信息的保障措施时,分离式所有权安排可能对中间角色特别有用。然而,对于港口和码头运营商,平台设计者在应用分离式所有权安排时应更加谨慎,因为他们承担更强的运营责任,对敏感运营数据有更大的控制需求。(2)对平台运营者而言:应根据利益相关者角色定义数据权利和责任,而非对所有用户适用统一规则。向用户展示参与级别、合作伙伴活动和网络规模,以鼓励参与。明确谁可以访问、使用、修改和再分发共享数据,以及在数据被滥用或误读时如何分配责任,以减少感知风险并增强信任。保持平台流程简单,避免增加提高参与成本的行政或技术要求。(3)对海事企业和行业协会而言:通过鼓励同一利益相关者群体内的企业遵循相似的数据所有权结构实践来加强同侪认可,从而形成稳定的、基于角色的行业规范。组织跨企业培训、协作研讨会和试点数据交换项目,以强化社会影响并提升感知网络价值。若干局限性值得注意:(1)实验设计限制了组内比较和时间推移的推断。(2)未纳入额外变量(如合同义务或数据估值)。(3)所有受访者均位于中国,因此研究结果应在中国数据要素治理框架和持续进行的海事数字化举措背景下进行解读。不同司法管辖区对数据所有权、数据访问和平台治理的监管方法存在显著差异。这些制度差异可能影响利益相关者对风险、收益和参与激励的感知,从而影响研究结果的可推广性。(4)关于建模技术,当前模型仅部分捕捉了问题的层次性和关系性结构。模型未完全刻画受访者、组织、港口或区域背景之间可能存在的层级依赖性,也未估计因果异质性或利益相关者网络关系。由于有效样本量有限、交叉分类利益相关者角色和所有权条件后子组规模较小,且缺乏重复的高层次观测或关系型利益相关者数据,更复杂的方法(如多层建模、因果机器学习或基于网络的方法)未被采用。未来的研究应探讨分离式数据所有权结构和激励机制如何协同优化以促进参与。更大样本量和重复观测将使未来研究能够应用多层模型或结构方程模型方法。利益相关者协作、平台交易或数据交换网络的关系型数据也将支持基于网络的分析和治理关系的更明确建模。在不同监管环境下进行的比较研究和纵向研究,特别是在中国、欧盟和美国之间,有助于阐明所观察到的关系在多大程度上依赖于具体情境。将实验数据与实际平台交易记录相结合,将有助于验证行为有效性。CRediT作者贡献声明韩寅(Hanyin Zheng):撰写–初稿,方法论,调查研究,形式分析。吴敏(Min Wu):撰写–审阅与编辑,验证,方法论。李凯文(Kevin X. Li):撰写–审阅与编辑,监督指导。冯学豪(Xuehao Feng):撰写–审阅与编辑,监督指导。吴国栋(Adolf K.Y. Ng):撰写–审阅与编辑。王吉尔(Gil Lu Wang):撰写–审阅与编辑。肖毅(Yi Xiao):撰写–审阅与编辑,方法论,资金获取,概念化。韩寅|吴敏|李凯文|冯学豪|吴国栋|王吉尔|肖毅
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号