本校學位論文庫
CITYU Theses & Dissertations
論文詳情
邹佳琳
左沛鑫
商學院
工商管理碩士學位(MBA)課程(中文學制)
碩士
2023
數字經濟下傳統製造業企業的創新績效研究
Research on innovation performance of traditional manufacturing enterprises in digital economy
創新績效 ; 動態能力 ; 大數據分析能力 ; 數字賦能 ; 模糊集定性比較分析（fsQCA）方法
Innovation Performance; Dynamic Capability ; Big Data Analytics Capability ; Digital Enablement ; Fuzzy Set Qualitative Comparative Analysis (fsQCA) Approach
在大數據背景下，傳統製造業正朝著數位化、網路化及智能化轉變。近年來，雖然我國傳統製造業企業的創新已取得了較大的成就，但相較於部分發達國家在自主創新能力、創新品質等方面仍然存在較大的差距。傳統製造業企業如何對大數據進行分析利用從而提升其創新績效這一話題引起了廣泛的關注。同時國內外複雜的經濟形勢及數字經濟時代的來臨使得企業不得不提升創新績效從而應對快速變化的環境。隨著大數據、物聯網、雲計算、區塊鏈、人工智慧等賦能技術的大規模應用，實體經濟與數字賦能深度融合，數字賦能為企業創新提供了新的動力。而企業作為數字賦能的微觀主體，也應當不斷進行創新從而保持其原有競爭力。
本文研究數字經濟背景下傳統製造企業高創新績效影響因素的組態，探究大數字分析能力、感知能力、吸收能力和數字賦能條件構成的不同組態與企業高創新績效之間的關係。本文以江西省傳統製造企業負責創新的核心人員或企業的高管作爲調研對象，基於國內外現有研究，採用模糊集定性比較分析（fsQCA）的研究方法展開研究。首先，對大數據分析能力、動態能力、數字賦能、創新績效及傳統製造業領域的相關國內外研究進行了梳理與述評。其次，通過問卷的形式測量江西省傳統製造企業的創新績效程度及其影響因素，並在正式調研前進行預調研以確保調研工具的合理性，同時進行正式調研最終獲得有效問卷99份，有效率96.17%；再次，使用fsQCA方法對數據進行校準，進行必要性條件分析和條件組態的充分條件分析，必要條件得出大數據分析能力是傳統製造企業創新績效提升的必要條件；最後，根據研究結果揭示多個條件變量提升傳統製造企業創新績效的內在邏輯，並基於內在邏輯得出不同情境下的最優路徑選擇。
本文的主要研究發現如下：首先，影響傳統製造企業提升創新績效的關鍵要素之間存在組態關係；其次，企業創新績效的提高是多重路徑並發引致的現象；再次，大數據分析能力對提高企業創新績效具有一定的核心作用；最後，條件要素之間在企業提高創新績效過程中存在替代效應。
本文研究數字經濟背景下傳統製造企業高創新績效影響因素的組態，探究大數字分析能力、感知能力、吸收能力和數字賦能條件構成的不同組態與企業高創新績效之間的關係。本文以江西省傳統製造企業負責創新的核心人員或企業的高管作爲調研對象，基於國內外現有研究，採用模糊集定性比較分析（fsQCA）的研究方法展開研究。首先，對大數據分析能力、動態能力、數字賦能、創新績效及傳統製造業領域的相關國內外研究進行了梳理與述評。其次，通過問卷的形式測量江西省傳統製造企業的創新績效程度及其影響因素，並在正式調研前進行預調研以確保調研工具的合理性，同時進行正式調研最終獲得有效問卷99份，有效率96.17%；再次，使用fsQCA方法對數據進行校準，進行必要性條件分析和條件組態的充分條件分析，必要條件得出大數據分析能力是傳統製造企業創新績效提升的必要條件；最後，根據研究結果揭示多個條件變量提升傳統製造企業創新績效的內在邏輯，並基於內在邏輯得出不同情境下的最優路徑選擇。
本文的主要研究發現如下：首先，影響傳統製造企業提升創新績效的關鍵要素之間存在組態關係；其次，企業創新績效的提高是多重路徑並發引致的現象；再次，大數據分析能力對提高企業創新績效具有一定的核心作用；最後，條件要素之間在企業提高創新績效過程中存在替代效應。
Under the background of big data, the traditional manufacturing industry is changing towards digitalisation, networking and intelligence. Although traditional manufacturing enterprises in China have made great achievements in innovation in recent years, there is still a big gap between them and some developed countries in terms of independent innovation capability and quality of innovation. The topic of how traditional manufacturing enterprises can analyse and use big data to improve their innovation performance has aroused widespread concern. At the same time, the complex economic situation at home and abroad and the advent of the digital economy make enterprises have to improve their innovation performance to cope with the fast-changing environment. With the large-scale application of enabling technologies such as big data, Internet of Things, cloud computing, block chain, artificial intelligence, etc., there is a deep integration between the real economy and digital enablement, which provides a new impetus for enterprise innovation. Enterprises, as the micro subject of digital empowerment, should keep innovating to maintain their original competitiveness.
This paper investigates the grouping of factors affecting the high innovation performance of traditional manufacturing enterprises in the context of the digital economy, and explores the relationship between the different groupings of large-digit analytical ability, perceptual ability, absorptive ability, and digital empowerment conditions and the high innovation performance of enterprises. This paper takes the core personnel responsible for innovation or the executives of traditional manufacturing enterprises in Jiangxi Province as the research target, and based on the existing domestic and international studies, adopts the research method of fuzzy set qualitative comparative analysis (fsQCA) to start the research. Firstly, relevant domestic and international studies on big data analytical capability, dynamic capability, digital empowerment, innovation performance and traditional manufacturing industry were reviewed. Secondly, the degree of innovation performance and its influencing factors of traditional manufacturing enterprises in Jiangxi Province were measured through questionnaires, and a pre-survey was conducted before the formal survey to ensure the reasonableness of the survey instrument, and the formal survey was conducted to finally obtain 99 valid questionnaires, with a validity rate of 96.17%. Thirdly, the fsQCA method was used to calibrate the data, and the analysis of the necessity conditions and the analysis of the sufficiency of conditions for the condition configuration were carried out. Thirdly, the fsQCA method was used to calibrate the data, conduct the necessary condition analysis and the sufficient condition analysis of the conditional configurations, which concluded that the ability of big data analysis is a necessary condition for the enhancement of innovation performance of traditional manufacturing enterprises; finally, the results of the study revealed the internal logic of multiple conditional variables in the enhancement of innovation performance of traditional manufacturing enterprises, and based on the internal logic, concluded that the optimal choice of paths in different contexts.
The main findings of this paper are as follows: firstly, there is a grouping relationship among the key factors affecting traditional manufacturing enterprises to improve their innovation performance; secondly, the improvement of enterprises' innovation performance is a phenomenon caused by the concurrence of multiple paths; thirdly, the ability to analyse big data plays a central role in the improvement of enterprises' innovation performance; and lastly, there is a substitution effect among the conditional factors in the process of enterprises' improvement of their innovation performance.
This paper investigates the grouping of factors affecting the high innovation performance of traditional manufacturing enterprises in the context of the digital economy, and explores the relationship between the different groupings of large-digit analytical ability, perceptual ability, absorptive ability, and digital empowerment conditions and the high innovation performance of enterprises. This paper takes the core personnel responsible for innovation or the executives of traditional manufacturing enterprises in Jiangxi Province as the research target, and based on the existing domestic and international studies, adopts the research method of fuzzy set qualitative comparative analysis (fsQCA) to start the research. Firstly, relevant domestic and international studies on big data analytical capability, dynamic capability, digital empowerment, innovation performance and traditional manufacturing industry were reviewed. Secondly, the degree of innovation performance and its influencing factors of traditional manufacturing enterprises in Jiangxi Province were measured through questionnaires, and a pre-survey was conducted before the formal survey to ensure the reasonableness of the survey instrument, and the formal survey was conducted to finally obtain 99 valid questionnaires, with a validity rate of 96.17%. Thirdly, the fsQCA method was used to calibrate the data, and the analysis of the necessity conditions and the analysis of the sufficiency of conditions for the condition configuration were carried out. Thirdly, the fsQCA method was used to calibrate the data, conduct the necessary condition analysis and the sufficient condition analysis of the conditional configurations, which concluded that the ability of big data analysis is a necessary condition for the enhancement of innovation performance of traditional manufacturing enterprises; finally, the results of the study revealed the internal logic of multiple conditional variables in the enhancement of innovation performance of traditional manufacturing enterprises, and based on the internal logic, concluded that the optimal choice of paths in different contexts.
The main findings of this paper are as follows: firstly, there is a grouping relationship among the key factors affecting traditional manufacturing enterprises to improve their innovation performance; secondly, the improvement of enterprises' innovation performance is a phenomenon caused by the concurrence of multiple paths; thirdly, the ability to analyse big data plays a central role in the improvement of enterprises' innovation performance; and lastly, there is a substitution effect among the conditional factors in the process of enterprises' improvement of their innovation performance.
2024
中文
70
致 謝 I
摘 要 II
Abstract IV
圖目錄 X
表目錄 XI
第一章 緒 論 1
1.1 研究背景 1
1.2 研究意義 3
1.2.1 理論意義 3
1.2.2 實踐意義 4
1.3 研究目標及內容 5
1.3.1 研究目標 5
1.3.2 研究內容 5
1.4 研究方法 6
第二章 研究現狀 8
2.1 大數據分析能力 8
2.1.1 大數據分析能力的定義 8
2.1.2 大數據分析能力的研究現狀 9
2.2 數字賦能 10
2.2.1 數字賦能的定義 10
2.2.2 數字賦能的研究現狀 11
2.3 動態能力 12
2.3.1 動態能力的定義 12
2.3.2 動態能力的研究現狀 14
2.4 創新績效 15
2.4.1 創新績效的定義 15
2.4.2 創新績效的研究現狀 16
2.5 傳統製造業的研究現狀 18
第三章 研究設計 20
3.1 問卷設計與數據收集 20
3.1.1 問卷設計 20
3.1.2 數據收集 20
3.2 變數的測量 21
3.3 預調研 24
3.3.1 預調研信度分析 24
3.3.2 預調研效度分析 26
3.4 模糊集定性比較分析（fsQCA）方法 28
第四章 數據分析 31
4.1 描述性分析 31
4.2 信效度分析 32
4.2.1 信度分析 32
4.2.2 效度分析 33
4.3 數據校準 36
4.4 實證分析 37
4.4.1 必要條件分析 37
4.4.2 充分條件分析 39
4.5 穩健性檢驗 41
4.6 研究結果 42
4.6.1 不同因素組態對企業創新績效的影響 42
4.6.2 單個變量在各個組態中的作用 44
第五章 研究結論與啓示 46
5.1 研究結論 46
5.2 理論貢獻 49
5.3 實踐啓示 50
5.4 研究不足與展望 51
參考文獻 52
Reference 61
作者簡歷 67
附錄 68
摘 要 II
Abstract IV
圖目錄 X
表目錄 XI
第一章 緒 論 1
1.1 研究背景 1
1.2 研究意義 3
1.2.1 理論意義 3
1.2.2 實踐意義 4
1.3 研究目標及內容 5
1.3.1 研究目標 5
1.3.2 研究內容 5
1.4 研究方法 6
第二章 研究現狀 8
2.1 大數據分析能力 8
2.1.1 大數據分析能力的定義 8
2.1.2 大數據分析能力的研究現狀 9
2.2 數字賦能 10
2.2.1 數字賦能的定義 10
2.2.2 數字賦能的研究現狀 11
2.3 動態能力 12
2.3.1 動態能力的定義 12
2.3.2 動態能力的研究現狀 14
2.4 創新績效 15
2.4.1 創新績效的定義 15
2.4.2 創新績效的研究現狀 16
2.5 傳統製造業的研究現狀 18
第三章 研究設計 20
3.1 問卷設計與數據收集 20
3.1.1 問卷設計 20
3.1.2 數據收集 20
3.2 變數的測量 21
3.3 預調研 24
3.3.1 預調研信度分析 24
3.3.2 預調研效度分析 26
3.4 模糊集定性比較分析（fsQCA）方法 28
第四章 數據分析 31
4.1 描述性分析 31
4.2 信效度分析 32
4.2.1 信度分析 32
4.2.2 效度分析 33
4.3 數據校準 36
4.4 實證分析 37
4.4.1 必要條件分析 37
4.4.2 充分條件分析 39
4.5 穩健性檢驗 41
4.6 研究結果 42
4.6.1 不同因素組態對企業創新績效的影響 42
4.6.2 單個變量在各個組態中的作用 44
第五章 研究結論與啓示 46
5.1 研究結論 46
5.2 理論貢獻 49
5.3 實踐啓示 50
5.4 研究不足與展望 51
參考文獻 52
Reference 61
作者簡歷 67
附錄 68
1. 布乃鵬、李婭南、孔海燕。 (2020)。基於fsQCA方法的區域旅遊經濟發展影響路徑研究——以山東省17城市為案例。 東嶽論叢， 41(09), 180-190。
2. 蔡婷婷、吳松強。 (2021)。 數字經濟賦能我國先進製造業：國際經驗與借鑒。 決策與資訊， (12), 72-79。
3. 陳寶國、金曉、陳皓軒。 (2023)。 數字經濟賦能我國製造業高質量發展的路徑研究。海峽科學， (05), 46-49。
4. 陳勝棋。 (2023)。 數位化轉型、動態能力與零售效率。 商業經濟研究， (07), 120-123。
5. 程剛, & 李敏。 (2014)。 企業大數據能力培育機制研究。現代情報， 34(03), 7-11。
6. 程思琪, 趙鵬, & 趙麗。 (2023)。 數字經濟賦能製造業高質量發展。 南寧師範大學學報(自然科學版)， 40(02), 149-159。
7. 池毛毛, 葉丁菱, 王俊晶, & 翟姍姍。 (2020)。 我國中小製造企業如何提升新產品開發績效——基於數位化賦能的視角。 南開管理評論， 23(03), 63-75。
8. 單標安, 劉曉菊, 趙潤萱, & 呂興群。 (2022)。 組織能力、組織創新與數位化轉型如何激發新產品開發績效？——基於fsQCA的組態效應研究。 研究與發展管理， 34(03), 81-93。
9. 董娟。 (2021)。 大數據分析能力對企業創新績效的影響研究. (碩士), 貴州財經大學, 貴州.
10. 杜運周, & 賈良定. (2017). 組態視角與定性比較分析(QCA):管理學研究的一條新道路. 管理世界. (06), 155-167.
11. 杜運周, 李佳馨, 劉秋辰, 趙舒婷, & 陳凱薇. (2021). 複雜動態視角下的組態理論與QCA方法：研究進展與未來方向. 管理世界. 37(03), 180-197+112-113.
12. 杜運周, 劉秋辰, & 程建青. (2020). 什麼樣的營商環境生態產生城市高創業活躍度？——基於制度組態的分析. 管理世界. 36(09), 141-155.
13. 樊利, & 李忠鵬. (2020). 政府補貼促進製造業企業研發投入了嗎?——基於資本結構的門檻效應研究. 經濟體制改革. (02), 112-119.
14. 甘春梅, 邱智燕, & 徐維晞. (2020). 基於fsQCA的移動地圖APP持續使用意願影響因素研究. 情報理論與實踐. 43(11), 110-115.
15. 高霞, 其格其, & 曹潔瓊. (2019). 產學研合作創新網路開放度對企業創新績效的影響. 科研管理. 40(09), 231-240.
16. 韓娜娜. (2019). 中國省級政府網上政務服務能力的生成邏輯及模式——基於31省數據的模糊集定性比較分析. 公共行政評論. 12(04), 82-100+191-192.
17. 賀小剛, 李新春, & 方海鷹. (2006). 動態能力的測量與功效:基於中國經驗的實證研究. 管理世界. (03), 94-103+113+171.
18. 洪玉喬. (2019). 大資料能力對企業創新績效的影響機制研究(碩士), 南京郵電大學,南京.
19. 胡陽華. (2022). 數字賦能對企業績效的影響. 商場現代化. (12), 80-82.
20. 黃慧珍. (2020). 基於fsQCA的大學生社會創業意向影響因素研究. (碩士), 江西財經大學 ,南昌.
21. 黃嫚麗, 張明, 皮聖雷, & 陸詩夏. (2019). 中國企業逆向跨國並購整合組態與並購整合績效關係研究. 管理學報. 16(05), 656-664.
22. 季凡祺. (2021). 大數據分析能力對企業創新績效的影響研究. (碩士), 湖南大學,長沙.
23. 季玲娜, & 張英明. (2023). 創業板上市公司研發投入與企業績效關係研究. 生產力研究. (01), 136-140.
24. 賈春香, 張偉, & 郝婷. (2024). fsQCA組態視角下數據資產資訊表外披露對企業價值影響機制研究. 科技與經濟. 37(01), 96-100.
25. 簡兆權, 劉念, & 黃如意. (2020). 動態能力、企業規模與雙元創新關係研究——基於fsQCA方法的實證分析. 科技進步與對策. 37(19), 77-86.
26. 薑瑋琦. (2023). 製造業企業綠色創新績效提升的內在邏輯與實現路徑研究. (碩士), 內蒙古財經大學.
27. 蔣麗芹, & 鄭潔. (2023). 數字賦能對企業創新績效的影響研究——基於科技向善戰略視角. 工業技術經濟. 42(07), 23-29.
28. 蔣煦涵, & 章麗萍. (2023). 數位化轉型促進高端製造業綠色發展的路徑研究. 當代財經. 1-12.
29. 賴紅波, & 郭振方. (2023). 動態創新能力對企業績效的影響研究——基於企業社會責任的調節作用. 科學與管理. 1-10.
30. 黎粵, 程正, & 喬鵬亮. (2023). 大數據分析能力、組織敏捷性對企業服務創新績效的影響. 全國流通經濟. (04), 40-43.
31. 李楚楚. (2023). 創投網絡對企業創新績效的影響路徑. (碩士), 山西財經大學.
32. 李國強, 孫遇春, & 胡文安. (2019). 嵌入式合作網絡要素如何影響企業雙元創新?——基於fsQCA方法的比較研究. 科學學與科學技術管理. 40(12), 70-83.
33. 李金陽. (2022). 製造業企業大數據分析能力對企業創新績效的影響研究. (碩士), 哈爾濱工程大學.
34. 李樹文, 羅瑾璉, & 葛元骎. (2021). 大數據分析能力對產品突破性創新的影響. 管理科學. 34(02), 3-15.
35. 李思琦, 趙文文, & 張志朋. (2023). 數字賦能對商貿流通企業協同創新績效的影響——資源複合效率的仲介作用. 商業經濟研究. (11), 34-37.
36. 李晚蓮, & 高光涵. (2020). 突發公共事件網路輿情熱度生成機理研究——基於48個案例的模糊集定性比較分析(fsQCA). 情報雜誌. 39(07), 94-100.
37. 李文, 張珍珍, & 梅蕾. (2022). 企業網路、大數據能力與商業模式創新機制研究——基於fsQCA方法的實證分析. 科技進步與對策. 39(01), 121-131.
38. 李煜華, 向子威, 胡瑤瑛, & 褚祝傑. (2022). 路徑依賴視角下先進製造業數位化轉型組態路徑研究. 科技進步與對策. 39(11), 74-83.
39. 李煜華, 向子威, & 廖承軍. (2022). 先進製造業數位化轉型組態路徑研究——基於“技術-組織-環境”的理論框架. 科技管理研究. 42(03), 119-126.
40. 栗繼美. (2023). 財稅政策對製造業企業研發投入的影響研究. (碩士), 雲南財經大學.
41. 劉念, 簡兆權, & 王鵬程. (2021). 大數據分析能力與製造企業服務創新績效：一個鏈式仲介模型. 科技管理研究. 41(24), 125-135.
42. 劉婉. (2019). 製造企業數位化轉型模式及其適應性能力研究. (碩士), 杭州電子科技大學 .
43. 魯麗軍. (2018). 大數據分析能力、協同創新能力與協同創新績效關係研究. (碩士), 江蘇科技大學.
44. 馬慧慧, & 別婧雯. (2023). 數位化轉型、動態能力與創新績效. 統計理論與實踐. (06), 3-10.
45. 戚聿東, & 蔡呈偉. (2020). 數位化對製造業企業績效的多重影響及其機理研究. 學習與探索. (07), 108-119.
46. 錢錫紅, 楊永福 & 徐萬裏. (2010). 企業網路位置、吸收能力與創新績效——一個交互效應模型. 管理世界 (05), 118-129.
47. 喬鵬程, & 張岩松. (2023). 企業數位化轉型、動態能力與創新績效. 財會月刊. 44(05), 145-152.
48. 任南, 魯麗軍, & 何夢嬌. (2018). 大數據分析能力、協同創新能力與協同創新績效. 中國科技論壇. (06), 59-66.
49. 蘇蕊芯, & 陳艾薇. (2023). 政府補助、研發投入與創新績效. 統計與決策. 39(12), 183-188.
50. 孫新波, & 蘇鐘海. (2018). 數據賦能驅動製造業企業實現敏捷製造案例研究. 管理科學. 31(05), 117-130.
51. 孫新波, 蘇鐘海, 錢雨, & 張大鵬. (2020). 數據賦能研究現狀及未來展望. 研究與發展管理. 32(02), 155-166.
52. 譚海波, 範梓騰, & 杜運周. (2019). 技術管理能力、注意力分配與地方政府網站建設——一項基於TOE框架的組態分析. 管理世界. 35(09), 81-94.
53. 湯志偉, & 韓嘯. (2023). 動態能力視角下政府數位化轉型的影響機制——來自混合研究的發現. 湖湘論壇. 36(02), 102-113.
54. 萬筠, & 王佃利. (2019). 中國鄰避衝突結果的影響因素研究——基於40個案例的模糊集定性比較分析. 公共管理學報. 16(01), 66-76+172.
55. 王林, 何玉鋒, 楊勇, & 趙楊. (2020). 基於fsQCA的跨境電商品牌依戀促進與抑制因素案例研究. 管理評論. 32(12), 320-332.
56. 王才. (2021). 數位化轉型對企業創新績效的作用機制研究. 當代經濟管理. 43(03), 34-42.
57. 王劍文. (2023). 開放式創新視角下創新資源、動態能力對企業創新績效的作用機理研究. 創新科技. 23(06), 55-65.
58. 王娟, & 熊楊. (2023). 數字賦能促進製造業綠色轉型的實證檢驗. 南京郵電大學學報(社會科學版). 1-13.
59. 王羲, 張強, & 侯稼曉. (2022). 研發投入、政府補助對企業創新績效的影響研究. 統計與資訊理論壇. 37(02), 108-116.
60. 吳道友, & 程佳琳. (2019). 企業跨國並購協同整合策略與情境匹配研究——一項模糊集定性比較分析(fsQCA)的嘗試. 華東經濟管理. 33(07), 178-184.
61. 肖丁丁, 賀冰寒, & 朱桂龍. (2023). 政府採購能否促進企業使能技術創新——以中國製造業上市公司為例. 中國科技論壇. (07), 128-138.
62. 謝衛紅, 李忠順, 蘇芳, & 王永健. (2018). 高管支持、大數據能力與商業模式創新. 研究與發展管理. 30(04), 152-162.
63. 謝衛紅, 劉高, & 王田繪. (2016). 大數據能力內涵、維度及其與集團管控關係研究. 科技管理研究. 36(14), 170-177.
64. 許明倫. (2019). 大型製造業企業數據賦能、戰略柔性與績效關係研究. (碩士), 華南理工大學.
65. 葉傳盛, & 陳傳明. (2022). 產學研協同、知識吸收能力與企業創新績效. 科技管理研究. 42(03), 184-194.
66. 俞瀅瀅. (2023). 供應鏈二元性視角下大數據分析能力對企業績效的影響研究. (碩士), 浙江工商大學.
67. 易明, 羅瑾璉, 王聖慧, & 鐘競. (2018). 時間壓力會導致員工沉默嗎——基於SEM與fsQCA的研究. 南開管理評論. 21(01), 203-215.
68. 張彩鳳, 謝衛紅, & 王永健. (2019). 大數據能力對企業績效的作用機理研究——基於雙元組織學習的過程視角. 企業經濟. (07), 113-
69. 張恩眾, 崔琳琳, & 王楚. (2020). 政府補助、技術創新與企業績效——基於A股上市公司的經驗證據. 山東財經大學學報. 32(05), 87-98.
70. 張方華, & 李子昂. (2023). 數位化轉型、動態能力與創新績效. 創新科技. 23(03), 66-77.
71. 張國勝, 杜鵬飛, & 陳明明. (2021). 數字賦能與企業技術創新——來自中國製造業的經驗證據. 當代經濟科學. 43(06), 65-76.
72. 張昊, & 劉德佳. (2023). 數位化發展對先進製造企業服務創新的影響研究——基於企業動態能力視角. 中國軟科學. (03), 150-161.
73. 張克英, & 蔣淼. (2023). 動態能力對零售企業商業模式創新影響的實證分析——基於環境動態性的調節效應. 商業經濟研究. (13), 143-146.
74. 張林剛, 戴國慶, 熊焰, & 耿文月. (2022). 中國製造業數位化轉型評價及影響因素——基於模糊集定性比較分析. 科技管理研究. 42(07), 68-78.
75. 張明, 陳偉宏, & 藍海林. (2019). 中國企業“憑什麼”完全並購境外高新技術企業——基於94個案例的模糊集定性比較分析(fsQCA). 中國工業經濟. (04), 117-135.
76. 張正齊. (2023). 財政補貼對先進製造業企業創新績效的影響研究. 經營與管理. (08), 110-115.
77. 鄭瓊潔, & 薑衛民. (2022). 數字經濟視域下製造業企業數位化轉型研究——基於企業問卷調查的實證分析. 江蘇社會科學. (01), 137-149+244.
78. Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182(1), 113–131.
79. Beno&, #238, Rihoux, T., & C.Ragin, C. (2009). Configurational Comparative Methods: Qualitative Comparative Analysis (QCA) and Related Techniques. In methods.sagepub.com. SAGE Publications, Inc.
80. Chen, Z., Huang, S., Liu, C., Min, M., & Zhou, L. (2018). Fit between Organizational Culture and Innovation Strategy: Implications for Innovation Performance. Sustainability, 10(10), 3378.
81. Douglas, E. J., Shepherd, D. A., & Prentice, C. (2020). Using fuzzy-set qualitative comparative analysis for a finer-grained understanding of entrepreneurship. Journal of Business Venturing, 35(1), 105970.
82. Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: what are they? Strategic Management Journal, 21(10-11), 1105–1121.
83. Fainshmidt, S., Witt, M. A., Aguilera, R. V., & Verbeke, A. (2020). The contributions of qualitative comparative analysis (QCA) to international business research. Journal of International Business Studies, 51(1).
84. Fiss, P. C. (2007). A set-theoretic approach to organizational configurations. Academy of Management Review, 32(4), 1180–1198.
85. Fiss, P. C. (2011). Building Better Causal Theories: A Fuzzy Set Approach to Typologies in Organization Research. Academy of Management Journal, 54(2), 393–420.
86. Fiss, P. C., Sharapov, D., & Cronqvist, L. (2013). Opposites Attract? Opportunities and Challenges for Integrating Large-N QCA and Econometric Analysis. Political Research Quarterly, 66(1), 191–198.
87. Gunasekaran, A., Kumar Tiwari, M., Dubey, R., & Fosso Wamba, S. (2016). Big data and predictive analytics applications in supply chain management. Computers & Industrial Engineering, 101, 525–527.
88. Gupta, K., Crilly, D., & Greckhamer, T. (2020). Stakeholder engagement strategies, national institutions, and firm performance: A configurational perspective. Strategic Management Journal, 41(10), 1869–1900.
89. Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049–1064.
90. Hagedoorn, J., & Cloodt, M. (2003). Measuring innovative performance: Is there an advantage in using multiple indicators? Research Policy, 32(8), 1365–1379.
91. Heckert, J., & Fabic, M. S. (2013). Improving Data Concerning Women’s Empowerment in Sub-Saharan Africa. Studies in Family Planning, 44(3), 319–344.
92. Hermansson, E., & Mårtensson, L. (2011). Empowerment in the midwifery context—a concept analysis. Midwifery, 27(6), 811–816.
93. Kraus, S., Ribeiro-Soriano, D., & Schüssler, M. (2017). Fuzzy-set qualitative comparative analysis (fsQCA) in entrepreneurship and innovation research – the rise of a method. International Entrepreneurship and Management Journal, 14(1), 15–33.
94. Kung, L., Kung, H.-J., L. Allison Jones-Farmer, & Wang, Y. (2015). Managing Big Data for Firm Performance: a Configurational Approach. Americas Conference on Information Systems.
95. Lenka, S., Parida, V., & Wincent, J. (2016). Digitalization Capabilities as Enablers of Value Co-Creation in Servitizing Firms. Psychology & Marketing, 34(1), 92–100.
96. Leppänen, P. T., McKenny, A. F., & Short, J. C. (2019). Qualitative Comparative Analysis in Entrepreneurship: Exploring the Approach and Noting Opportunities for the Future. 155–177.
97. Lewellyn, K. B. (2017). Income Inequality, Entrepreneurial Activity, and National Business Systems: A Configurational Analysis. Business & Society, 57(6), 1114–1149.
98. Pappas, I. O., & Woodside, A. G. (2021). Fuzzy-set Qualitative Comparative Analysis (fsQCA): Guidelines for research practice in Information Systems and marketing. International Journal of Information Management, 58(1), 102310.
99. Priem, R. L., & Butler, J. E. (2001). Is the Resource-Based “View” a Useful Perspective for Strategic Management Research?. Academy of Management Review, 26(1), 22–40.
100. Ragin, C. C. (2008). Redesigning social inquiry : fuzzy sets and beyond. Univ Of Chicago Press.
101. Ragin, C. C. (2011). The comparative method : moving beyond qualitative and quantitative strategies. University Of California Press, , Cop.
102. Saggi, M. K., & Jain, S. (2018). A survey towards an integration of big data analytics to big insights for value-creation. Information Processing & Management, 54(5), 758–790.
103. Tan, K. H., Ji, G., Lim, C. P., & Tseng, M.-L. (2017). Using big data to make better decisions in the digital economy. International Journal of Production Research, 55(17), 4998–5000.
104. Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
105. Teece, D. J. (2010). Business Models, Business Strategy and Innovation. Long Range Planning, 43(2-3), 172–194.
106. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
107. Teece, D., & Pisano, G. (1994). The Dynamic Capabilities of Firms: an Introduction. Industrial and Corporate Change, 3(3), 537–556.
108. Verhoef, P. C., Franses, P. H., & Hoekstra, J. C. (2002). The Effect of Relational Constructs on Customer Referrals and Number of Services Purchased from a Multiservice Provider: Does Age of Relationship Matter? Journal of the Academy of Marketing Science, 30(3), 202–216.
109. Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70(1), 356–365.
110. Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big Data Analytics in Logistics and Supply Chain management: Certain Investigations for Research and Applications. International Journal of Production Economics, 176, 98–110.
111. Xu, Z., Frankwick, G. L., & Ramirez, E. (2016). Effects of big data analytics and traditional marketing analytics on new product success: A knowledge fusion perspective. Journal of Business Research, 69(5), 1562–1566.
2. 蔡婷婷、吳松強。 (2021)。 數字經濟賦能我國先進製造業：國際經驗與借鑒。 決策與資訊， (12), 72-79。
3. 陳寶國、金曉、陳皓軒。 (2023)。 數字經濟賦能我國製造業高質量發展的路徑研究。海峽科學， (05), 46-49。
4. 陳勝棋。 (2023)。 數位化轉型、動態能力與零售效率。 商業經濟研究， (07), 120-123。
5. 程剛, & 李敏。 (2014)。 企業大數據能力培育機制研究。現代情報， 34(03), 7-11。
6. 程思琪, 趙鵬, & 趙麗。 (2023)。 數字經濟賦能製造業高質量發展。 南寧師範大學學報(自然科學版)， 40(02), 149-159。
7. 池毛毛, 葉丁菱, 王俊晶, & 翟姍姍。 (2020)。 我國中小製造企業如何提升新產品開發績效——基於數位化賦能的視角。 南開管理評論， 23(03), 63-75。
8. 單標安, 劉曉菊, 趙潤萱, & 呂興群。 (2022)。 組織能力、組織創新與數位化轉型如何激發新產品開發績效？——基於fsQCA的組態效應研究。 研究與發展管理， 34(03), 81-93。
9. 董娟。 (2021)。 大數據分析能力對企業創新績效的影響研究. (碩士), 貴州財經大學, 貴州.
10. 杜運周, & 賈良定. (2017). 組態視角與定性比較分析(QCA):管理學研究的一條新道路. 管理世界. (06), 155-167.
11. 杜運周, 李佳馨, 劉秋辰, 趙舒婷, & 陳凱薇. (2021). 複雜動態視角下的組態理論與QCA方法：研究進展與未來方向. 管理世界. 37(03), 180-197+112-113.
12. 杜運周, 劉秋辰, & 程建青. (2020). 什麼樣的營商環境生態產生城市高創業活躍度？——基於制度組態的分析. 管理世界. 36(09), 141-155.
13. 樊利, & 李忠鵬. (2020). 政府補貼促進製造業企業研發投入了嗎?——基於資本結構的門檻效應研究. 經濟體制改革. (02), 112-119.
14. 甘春梅, 邱智燕, & 徐維晞. (2020). 基於fsQCA的移動地圖APP持續使用意願影響因素研究. 情報理論與實踐. 43(11), 110-115.
15. 高霞, 其格其, & 曹潔瓊. (2019). 產學研合作創新網路開放度對企業創新績效的影響. 科研管理. 40(09), 231-240.
16. 韓娜娜. (2019). 中國省級政府網上政務服務能力的生成邏輯及模式——基於31省數據的模糊集定性比較分析. 公共行政評論. 12(04), 82-100+191-192.
17. 賀小剛, 李新春, & 方海鷹. (2006). 動態能力的測量與功效:基於中國經驗的實證研究. 管理世界. (03), 94-103+113+171.
18. 洪玉喬. (2019). 大資料能力對企業創新績效的影響機制研究(碩士), 南京郵電大學,南京.
19. 胡陽華. (2022). 數字賦能對企業績效的影響. 商場現代化. (12), 80-82.
20. 黃慧珍. (2020). 基於fsQCA的大學生社會創業意向影響因素研究. (碩士), 江西財經大學 ,南昌.
21. 黃嫚麗, 張明, 皮聖雷, & 陸詩夏. (2019). 中國企業逆向跨國並購整合組態與並購整合績效關係研究. 管理學報. 16(05), 656-664.
22. 季凡祺. (2021). 大數據分析能力對企業創新績效的影響研究. (碩士), 湖南大學,長沙.
23. 季玲娜, & 張英明. (2023). 創業板上市公司研發投入與企業績效關係研究. 生產力研究. (01), 136-140.
24. 賈春香, 張偉, & 郝婷. (2024). fsQCA組態視角下數據資產資訊表外披露對企業價值影響機制研究. 科技與經濟. 37(01), 96-100.
25. 簡兆權, 劉念, & 黃如意. (2020). 動態能力、企業規模與雙元創新關係研究——基於fsQCA方法的實證分析. 科技進步與對策. 37(19), 77-86.
26. 薑瑋琦. (2023). 製造業企業綠色創新績效提升的內在邏輯與實現路徑研究. (碩士), 內蒙古財經大學.
27. 蔣麗芹, & 鄭潔. (2023). 數字賦能對企業創新績效的影響研究——基於科技向善戰略視角. 工業技術經濟. 42(07), 23-29.
28. 蔣煦涵, & 章麗萍. (2023). 數位化轉型促進高端製造業綠色發展的路徑研究. 當代財經. 1-12.
29. 賴紅波, & 郭振方. (2023). 動態創新能力對企業績效的影響研究——基於企業社會責任的調節作用. 科學與管理. 1-10.
30. 黎粵, 程正, & 喬鵬亮. (2023). 大數據分析能力、組織敏捷性對企業服務創新績效的影響. 全國流通經濟. (04), 40-43.
31. 李楚楚. (2023). 創投網絡對企業創新績效的影響路徑. (碩士), 山西財經大學.
32. 李國強, 孫遇春, & 胡文安. (2019). 嵌入式合作網絡要素如何影響企業雙元創新?——基於fsQCA方法的比較研究. 科學學與科學技術管理. 40(12), 70-83.
33. 李金陽. (2022). 製造業企業大數據分析能力對企業創新績效的影響研究. (碩士), 哈爾濱工程大學.
34. 李樹文, 羅瑾璉, & 葛元骎. (2021). 大數據分析能力對產品突破性創新的影響. 管理科學. 34(02), 3-15.
35. 李思琦, 趙文文, & 張志朋. (2023). 數字賦能對商貿流通企業協同創新績效的影響——資源複合效率的仲介作用. 商業經濟研究. (11), 34-37.
36. 李晚蓮, & 高光涵. (2020). 突發公共事件網路輿情熱度生成機理研究——基於48個案例的模糊集定性比較分析(fsQCA). 情報雜誌. 39(07), 94-100.
37. 李文, 張珍珍, & 梅蕾. (2022). 企業網路、大數據能力與商業模式創新機制研究——基於fsQCA方法的實證分析. 科技進步與對策. 39(01), 121-131.
38. 李煜華, 向子威, 胡瑤瑛, & 褚祝傑. (2022). 路徑依賴視角下先進製造業數位化轉型組態路徑研究. 科技進步與對策. 39(11), 74-83.
39. 李煜華, 向子威, & 廖承軍. (2022). 先進製造業數位化轉型組態路徑研究——基於“技術-組織-環境”的理論框架. 科技管理研究. 42(03), 119-126.
40. 栗繼美. (2023). 財稅政策對製造業企業研發投入的影響研究. (碩士), 雲南財經大學.
41. 劉念, 簡兆權, & 王鵬程. (2021). 大數據分析能力與製造企業服務創新績效：一個鏈式仲介模型. 科技管理研究. 41(24), 125-135.
42. 劉婉. (2019). 製造企業數位化轉型模式及其適應性能力研究. (碩士), 杭州電子科技大學 .
43. 魯麗軍. (2018). 大數據分析能力、協同創新能力與協同創新績效關係研究. (碩士), 江蘇科技大學.
44. 馬慧慧, & 別婧雯. (2023). 數位化轉型、動態能力與創新績效. 統計理論與實踐. (06), 3-10.
45. 戚聿東, & 蔡呈偉. (2020). 數位化對製造業企業績效的多重影響及其機理研究. 學習與探索. (07), 108-119.
46. 錢錫紅, 楊永福 & 徐萬裏. (2010). 企業網路位置、吸收能力與創新績效——一個交互效應模型. 管理世界 (05), 118-129.
47. 喬鵬程, & 張岩松. (2023). 企業數位化轉型、動態能力與創新績效. 財會月刊. 44(05), 145-152.
48. 任南, 魯麗軍, & 何夢嬌. (2018). 大數據分析能力、協同創新能力與協同創新績效. 中國科技論壇. (06), 59-66.
49. 蘇蕊芯, & 陳艾薇. (2023). 政府補助、研發投入與創新績效. 統計與決策. 39(12), 183-188.
50. 孫新波, & 蘇鐘海. (2018). 數據賦能驅動製造業企業實現敏捷製造案例研究. 管理科學. 31(05), 117-130.
51. 孫新波, 蘇鐘海, 錢雨, & 張大鵬. (2020). 數據賦能研究現狀及未來展望. 研究與發展管理. 32(02), 155-166.
52. 譚海波, 範梓騰, & 杜運周. (2019). 技術管理能力、注意力分配與地方政府網站建設——一項基於TOE框架的組態分析. 管理世界. 35(09), 81-94.
53. 湯志偉, & 韓嘯. (2023). 動態能力視角下政府數位化轉型的影響機制——來自混合研究的發現. 湖湘論壇. 36(02), 102-113.
54. 萬筠, & 王佃利. (2019). 中國鄰避衝突結果的影響因素研究——基於40個案例的模糊集定性比較分析. 公共管理學報. 16(01), 66-76+172.
55. 王林, 何玉鋒, 楊勇, & 趙楊. (2020). 基於fsQCA的跨境電商品牌依戀促進與抑制因素案例研究. 管理評論. 32(12), 320-332.
56. 王才. (2021). 數位化轉型對企業創新績效的作用機制研究. 當代經濟管理. 43(03), 34-42.
57. 王劍文. (2023). 開放式創新視角下創新資源、動態能力對企業創新績效的作用機理研究. 創新科技. 23(06), 55-65.
58. 王娟, & 熊楊. (2023). 數字賦能促進製造業綠色轉型的實證檢驗. 南京郵電大學學報(社會科學版). 1-13.
59. 王羲, 張強, & 侯稼曉. (2022). 研發投入、政府補助對企業創新績效的影響研究. 統計與資訊理論壇. 37(02), 108-116.
60. 吳道友, & 程佳琳. (2019). 企業跨國並購協同整合策略與情境匹配研究——一項模糊集定性比較分析(fsQCA)的嘗試. 華東經濟管理. 33(07), 178-184.
61. 肖丁丁, 賀冰寒, & 朱桂龍. (2023). 政府採購能否促進企業使能技術創新——以中國製造業上市公司為例. 中國科技論壇. (07), 128-138.
62. 謝衛紅, 李忠順, 蘇芳, & 王永健. (2018). 高管支持、大數據能力與商業模式創新. 研究與發展管理. 30(04), 152-162.
63. 謝衛紅, 劉高, & 王田繪. (2016). 大數據能力內涵、維度及其與集團管控關係研究. 科技管理研究. 36(14), 170-177.
64. 許明倫. (2019). 大型製造業企業數據賦能、戰略柔性與績效關係研究. (碩士), 華南理工大學.
65. 葉傳盛, & 陳傳明. (2022). 產學研協同、知識吸收能力與企業創新績效. 科技管理研究. 42(03), 184-194.
66. 俞瀅瀅. (2023). 供應鏈二元性視角下大數據分析能力對企業績效的影響研究. (碩士), 浙江工商大學.
67. 易明, 羅瑾璉, 王聖慧, & 鐘競. (2018). 時間壓力會導致員工沉默嗎——基於SEM與fsQCA的研究. 南開管理評論. 21(01), 203-215.
68. 張彩鳳, 謝衛紅, & 王永健. (2019). 大數據能力對企業績效的作用機理研究——基於雙元組織學習的過程視角. 企業經濟. (07), 113-
69. 張恩眾, 崔琳琳, & 王楚. (2020). 政府補助、技術創新與企業績效——基於A股上市公司的經驗證據. 山東財經大學學報. 32(05), 87-98.
70. 張方華, & 李子昂. (2023). 數位化轉型、動態能力與創新績效. 創新科技. 23(03), 66-77.
71. 張國勝, 杜鵬飛, & 陳明明. (2021). 數字賦能與企業技術創新——來自中國製造業的經驗證據. 當代經濟科學. 43(06), 65-76.
72. 張昊, & 劉德佳. (2023). 數位化發展對先進製造企業服務創新的影響研究——基於企業動態能力視角. 中國軟科學. (03), 150-161.
73. 張克英, & 蔣淼. (2023). 動態能力對零售企業商業模式創新影響的實證分析——基於環境動態性的調節效應. 商業經濟研究. (13), 143-146.
74. 張林剛, 戴國慶, 熊焰, & 耿文月. (2022). 中國製造業數位化轉型評價及影響因素——基於模糊集定性比較分析. 科技管理研究. 42(07), 68-78.
75. 張明, 陳偉宏, & 藍海林. (2019). 中國企業“憑什麼”完全並購境外高新技術企業——基於94個案例的模糊集定性比較分析(fsQCA). 中國工業經濟. (04), 117-135.
76. 張正齊. (2023). 財政補貼對先進製造業企業創新績效的影響研究. 經營與管理. (08), 110-115.
77. 鄭瓊潔, & 薑衛民. (2022). 數字經濟視域下製造業企業數位化轉型研究——基於企業問卷調查的實證分析. 江蘇社會科學. (01), 137-149+244.
78. Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182(1), 113–131.
79. Beno&, #238, Rihoux, T., & C.Ragin, C. (2009). Configurational Comparative Methods: Qualitative Comparative Analysis (QCA) and Related Techniques. In methods.sagepub.com. SAGE Publications, Inc.
80. Chen, Z., Huang, S., Liu, C., Min, M., & Zhou, L. (2018). Fit between Organizational Culture and Innovation Strategy: Implications for Innovation Performance. Sustainability, 10(10), 3378.
81. Douglas, E. J., Shepherd, D. A., & Prentice, C. (2020). Using fuzzy-set qualitative comparative analysis for a finer-grained understanding of entrepreneurship. Journal of Business Venturing, 35(1), 105970.
82. Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: what are they? Strategic Management Journal, 21(10-11), 1105–1121.
83. Fainshmidt, S., Witt, M. A., Aguilera, R. V., & Verbeke, A. (2020). The contributions of qualitative comparative analysis (QCA) to international business research. Journal of International Business Studies, 51(1).
84. Fiss, P. C. (2007). A set-theoretic approach to organizational configurations. Academy of Management Review, 32(4), 1180–1198.
85. Fiss, P. C. (2011). Building Better Causal Theories: A Fuzzy Set Approach to Typologies in Organization Research. Academy of Management Journal, 54(2), 393–420.
86. Fiss, P. C., Sharapov, D., & Cronqvist, L. (2013). Opposites Attract? Opportunities and Challenges for Integrating Large-N QCA and Econometric Analysis. Political Research Quarterly, 66(1), 191–198.
87. Gunasekaran, A., Kumar Tiwari, M., Dubey, R., & Fosso Wamba, S. (2016). Big data and predictive analytics applications in supply chain management. Computers & Industrial Engineering, 101, 525–527.
88. Gupta, K., Crilly, D., & Greckhamer, T. (2020). Stakeholder engagement strategies, national institutions, and firm performance: A configurational perspective. Strategic Management Journal, 41(10), 1869–1900.
89. Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049–1064.
90. Hagedoorn, J., & Cloodt, M. (2003). Measuring innovative performance: Is there an advantage in using multiple indicators? Research Policy, 32(8), 1365–1379.
91. Heckert, J., & Fabic, M. S. (2013). Improving Data Concerning Women’s Empowerment in Sub-Saharan Africa. Studies in Family Planning, 44(3), 319–344.
92. Hermansson, E., & Mårtensson, L. (2011). Empowerment in the midwifery context—a concept analysis. Midwifery, 27(6), 811–816.
93. Kraus, S., Ribeiro-Soriano, D., & Schüssler, M. (2017). Fuzzy-set qualitative comparative analysis (fsQCA) in entrepreneurship and innovation research – the rise of a method. International Entrepreneurship and Management Journal, 14(1), 15–33.
94. Kung, L., Kung, H.-J., L. Allison Jones-Farmer, & Wang, Y. (2015). Managing Big Data for Firm Performance: a Configurational Approach. Americas Conference on Information Systems.
95. Lenka, S., Parida, V., & Wincent, J. (2016). Digitalization Capabilities as Enablers of Value Co-Creation in Servitizing Firms. Psychology & Marketing, 34(1), 92–100.
96. Leppänen, P. T., McKenny, A. F., & Short, J. C. (2019). Qualitative Comparative Analysis in Entrepreneurship: Exploring the Approach and Noting Opportunities for the Future. 155–177.
97. Lewellyn, K. B. (2017). Income Inequality, Entrepreneurial Activity, and National Business Systems: A Configurational Analysis. Business & Society, 57(6), 1114–1149.
98. Pappas, I. O., & Woodside, A. G. (2021). Fuzzy-set Qualitative Comparative Analysis (fsQCA): Guidelines for research practice in Information Systems and marketing. International Journal of Information Management, 58(1), 102310.
99. Priem, R. L., & Butler, J. E. (2001). Is the Resource-Based “View” a Useful Perspective for Strategic Management Research?. Academy of Management Review, 26(1), 22–40.
100. Ragin, C. C. (2008). Redesigning social inquiry : fuzzy sets and beyond. Univ Of Chicago Press.
101. Ragin, C. C. (2011). The comparative method : moving beyond qualitative and quantitative strategies. University Of California Press, , Cop.
102. Saggi, M. K., & Jain, S. (2018). A survey towards an integration of big data analytics to big insights for value-creation. Information Processing & Management, 54(5), 758–790.
103. Tan, K. H., Ji, G., Lim, C. P., & Tseng, M.-L. (2017). Using big data to make better decisions in the digital economy. International Journal of Production Research, 55(17), 4998–5000.
104. Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
105. Teece, D. J. (2010). Business Models, Business Strategy and Innovation. Long Range Planning, 43(2-3), 172–194.
106. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
107. Teece, D., & Pisano, G. (1994). The Dynamic Capabilities of Firms: an Introduction. Industrial and Corporate Change, 3(3), 537–556.
108. Verhoef, P. C., Franses, P. H., & Hoekstra, J. C. (2002). The Effect of Relational Constructs on Customer Referrals and Number of Services Purchased from a Multiservice Provider: Does Age of Relationship Matter? Journal of the Academy of Marketing Science, 30(3), 202–216.
109. Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70(1), 356–365.
110. Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big Data Analytics in Logistics and Supply Chain management: Certain Investigations for Research and Applications. International Journal of Production Economics, 176, 98–110.
111. Xu, Z., Frankwick, G. L., & Ramirez, E. (2016). Effects of big data analytics and traditional marketing analytics on new product success: A knowledge fusion perspective. Journal of Business Research, 69(5), 1562–1566.
