國 立 中 央 大 學
企 業 管 理 學 系
博 士 論 文
智慧資本與大數據分析能力對企業內外部整合
與營運績效之影響
Effects of Intellectual Capital and Big Data Analytical
Capability on Internal and External Integration and
Operational Performance
研 究 生：陳 昱 橙
指導教授：陳 春 希 博士
中 華 民 國 111 年 1 月
智慧資本與大數據分析能力對企業內外部整合
與營運績效之影響
中文摘要
隨著人工智慧應用的盛行，企業具備的大數據分析能力與智慧資本，在數位
經濟發展中的重要性與日俱增。本研究透過問卷調查進行資料蒐集，研究樣本為
亞洲企業 257 名高階主管，以驗證性因素分析和結構方程模型來檢視智慧資本、
大數據分析能力和企業整合對營運績效所產生的影響和效益。
研究結果發現，人力資本、結構資本與大數據分析能力正向關係，但社會資
本與大數據分析能力無正向關係。另一方面，大數據分析能力與內部整合正向關
係，但與外部整合無正向關係。除此之外，內部整合和外部整合兩者皆與營運績
效有正向關係，以及內部整合會中介影響大數據分析能力對於營運績效的影響。
本研究從智慧資本的角度進行嘗試，提供了無形資源幫助企業建立大數據分析能
力的實證，並證實了大數據分析能力與供應鏈整合、營運績效之間的關係，研究
結果彌補了現有文獻的缺口，並提供管理實務與未來研究之建議。
關鍵詞：智慧資本、內部整合、外部整合、大數據分析能力。
II
Effects of Intellectual Capital and Big Data Analytical Capability on
Internal and External Integration and Operational Performance
Abstract
Along with the development of digital economy and artificial intelligence
applications, the importance of the big data analytical capability (BDAC) and
intellectual capital is a pressing issue for corporates. This study examines the potential
benefits and effects of intellectual capital, BDAC, and integrations on corporate’s
performance. Data are collected from the distribution of questionnaires to senior
managers of the corporates in Asia. 257 copies of valid questionnaire are obtained and
analyzed. Confirmatory factor analysis (CFA) and structural equation modeling (SEM)
are adopteded for data analysis.
It is found that human capital, structural capital is positively correlated to BDAC,
whereas social capital is not positively correlated to BDAC. Moreover, BDAC is
positively related to internal integration, and both internal integration and external
integration are positively correlated to corporate’s performance. In addition, internal
integration mediates the relationship between BDAC and operational performance.
Drawn on the findings, managerial implications and suggestions for future research are
thus discussed.
Keywords: intellectual capital, internal integration, external integration,
big data analytical capability
III
致謝
博班四年半，眨眼間就過去了，謝謝這段路程幫助過我的人。
博一剛入學時，脖子的老毛病再度惡化，每天不是在學校的路上，就是在
醫院的看診間。經過將近一年的時間，終於找到原因，並決定在升三年級的暑
假開刀處理，徹底解決影響我將近十年的痛苦。然而，術後的生活是一段相當
艱難的過程，不僅身體要適應裝在頸椎的醫療器材，同時也要面對課業上期刊
發表的壓力。即使知道非常辛苦，但我決定不逃避，既然選擇要讀博士班，那
就盡自己的全力來取得學位。
這段路程上，最要感謝的是我的指導老師，陳春希教授。陳老師無論是在
學術或是生活上，都給與我相當大的幫助，我永遠記得 2019 年 7 月 15 日，當
我要面對人生第一場大手術時，老師出現在北榮幫我加油打氣，告訴我手術會
成功，以及在期刊論文撰寫遇到困難時，和我一起思考要如何進行，並無私分
享自身的經驗與做法，使後續期刊論文能順利被 SSCI 期刊接受。除了學術知
識的教導，陳老師私底下也是一位良師益友，每次論文討論結束後總會聊起生
活上的許多事情，從做人處事至兩性交友，成為我往後發展職場關係與異性相
處的養分。真的非常謝謝陳老師，若沒有您，博士學位沒有辦法順利完成。
口試能順利通過，也要謝謝口試委員，臺科大企管系葉穎蓉教授、中央人
資所房美玉教授、中央資管系周惠文教授、元智大學企管系張玉萱教授。口委
們的意見非常寶貴，使論文能夠更臻完善，倘若未來還有機會，希望能夠再向
各位前輩請益學習。
謝謝我的家人，在我讀博士班時給了許多的鼓勵，尤其是我的父親，總是
不辭辛勞的台北-中壢來回開車載我，以後就換我開車載您了。
謝謝閔肖蔓夥伴兩年半的協助，讓我擺脫過去的陰影，重新開始做自己。
謝謝工研院產科國際所 政策組的英崑、清萍與怡萍，給了我這個機會，能
在畢業前為國家獻一份心力，也謝謝 400 部門的筑翔、佳姸、韋廷、佳楹，平
日工作任務繁多時總是互相扶持，臭皮匠小組絕非浪得虛名。
謝謝詩涵，在我於論文與工作之中忙得不可開交時，總是來新竹給我加油
打氣，你的陪伴給了我很大的勇氣來面對難關，往後的日子也要一起走下去。
最後，謝謝自己，過程雖然辛苦，也有許多挫折，但在四年半的努力與堅
持，最終也做出了一點成績，期許自己未來能發揮所學，幫助國家變得更好。
陳昱橙 謹誌於國立中央大學企管系 中華民國 111 年 1 月 8 日
IV
智慧資本與大數據分析能力對企業內外部整合
與營運績效之影響
目 錄
中文摘要........................................................... II
ABSTRACT ........................................................ III
目 錄.............................................................. V
圖 目 錄...........................................................VI
表 目 錄.......................................................... VII
第一章 緒 論........................................................ 8
第一節 研究背景 .................................................................................................. 8
第二節 研究動機 ................................................................................................ 10
第三節 研究目的 ................................................................................................ 13
第四節 論文結構 ................................................................................................ 14
第二章 文獻探討與研究假設.......................................... 16
第一節 理論模型 ................................................................................................ 16
第二節 智慧資本與大數據分析能力 ................................................................ 18
第三節 大數據分析能力和內外部整合 ............................................................ 23
第四節 內部整合與外部整合 ............................................................................ 26
第五節 企業整合與營運績效 ............................................................................ 28
第三章 研究方法.................................................... 29
第一節 資料蒐集與研究樣本 ............................................................................ 29
第二節 測量工具 ................................................................................................ 33
第四章 實證分析.................................................... 35
第一節 測量模型分析 ........................................................................................ 35
第二節 結構模型分析 ........................................................................................ 39
第三節 中介效果分析 ........................................................................................ 41
第四節 後續分析 ................................................................................................ 42
第五章 研究結論與管理意涵.......................................... 43
第一節 研究結論 ................................................................................................ 43
第二節 管理意涵 ................................................................................................ 47
第三節 研究限制與未來研究建議 .................................................................... 49
參考文獻........................................................... 51
附錄 中文問卷...................................................... 63
附錄 英文問卷...................................................... 69
V
圖 目 錄
圖 1 研究流程圖 ................................................... 15
圖 2 結構模型分析 ................................................. 40
圖 3 後續分析結構模型分析 ......................................... 42
VI
表 目 錄
表1
表2
表3
表4
表5
描述性統計分析表 ............................................. 30
模型適配度 ................................................... 36
測量模型分析 ................................................. 37
區別效度分析 ................................................. 38
檢定結果摘要 ................................................. 40
VII
第一章 緒 論
第一節 研究背景
近十年間，全球的經濟已經從工業導向轉變為數位經濟導向(Cao et al., 2020;
Romano et al., 2014; Secundo et al., 2017)，也因為全球化和數位經濟的快速發展，
使得企業處於高度不確定性、動盪且競爭激烈的商業環境。為了在這樣的環境下
持續發展、生存和保持競爭力，動態能力的養成已經成為企業的首要目標(Li &
Liu, 2014)。與此同時，越來越多企業投資數位科技(digital technology)，來處理與
供應鏈夥伴貿易往來的大量數據(Manyika et al., 2011)，以實現實時資訊分享，簡
化營運流程來獲得競爭績效(Chae, 2015; Manyika et al., 2011)。人工智慧(artificial
intelligence, AI)可以用來分析大量數據，提供有效的解決方案，優化企業的運作
模式(De Giovanni,, 2021; Richardson, 2019)。近期研究發現，採用人工智慧的企業
可以降低營運成本，增加企業品牌在市場上的價值，從而提高企業績效(Engelman
et al., 2017; Irfan & Wang, 2019; Naseer et al., 2021; Silva et al., 2021)。人工智慧起
源於大數據分析能力(big data analytical capability, BDAC; Irfan & Wang, 2019; Liu
et al., 2016; Yu et al., 2018)，其相關應用越來越有商業價值，並正在引領企業進行
工業 4.0 革命。為了因應大數據智慧環境和智慧生態系統的出現，美國、日本、
英國和歐盟等許多開發國家，以及韓國、中國等新興國家正在積極推動強化大數
據應用的研發，以期成為數位化領先的繁榮先進國家(Latif et al., 2018, 2019)。
8
現今在產業全球化的趨勢，由於科技和經濟環境的快速變化，促使人與人之
間的溝通以及企業與消費者交易資訊都變的即時、準確和快速，並在大數據主導
的環境下，採用傳統的分析方法已經無法從中汲取重要商業資訊。因此，許多企
業致力於掌握大數據分析能力，這被視為是一種幫助企業重新配置企業層級資源
的動態能力(Wamba, 2017; Chen et al., 2015)。大數據分析能力意指企業透過技術
的創新、流程的改善和人才的培養，用以分析、處理和可視化高容量、高速度和
高多樣性的結構化/非結構化數據(Einav & Levin, 2013; Sun & Liu, 2020)。事實上，
在供應鏈活動中大數據的應用有著至關重要的作用，用於產生獨特的企業價值和
競爭優勢(Tan et al., 2015)。舉例來說，大數據分析能力促使企業在物聯網、社交
網路以及供應鏈的可持續發展，並且解決因長鞭效應而產生效率低下的問題，以
提升供應鏈活動的效率和靈活性(Wang et al.,2020)。現今研究發現，具有大數據
分析能力的企業，能夠比競爭對手廣泛捕捉市場狀況的變化，從大數據中發現有
價值的資訊以識別客戶的需求，制定更好的決策、研發更優秀的產品來提升組織
績效(Schoenherr & Speier-Pero, 2015; Waller & Fawcett, 2013)。
9
第二節 研究動機
許多產業報告和顧問白皮書也表示大數據分析能力能為企業帶來巨大的優
勢(Latif et al., 2018; Jha et al., 2020)，如戴爾、蘋果和三星等知名的國際企業正積
極使用自身強大的大數據分析能力，來改善供應鏈流程以及創造新的商業機會。
然而，許多企業在價值鏈上大數據的應用仍不夠成熟(Srinivasan et al., 2018)。這
種情況主要起因於，員工對「大數據」和「大數據分析能力」為企業增加價值的
機制和過程關注有限，時常把大數據和大數據分析能力混為一談，對於大數據應
用如何影響供應鏈營運和決策的理解依舊不夠深入(Richey et al., 2016)。因此，對
於數位科技與供應鏈整合，探討兩者間關係的文獻明顯不足(Kumar et al., 2017)，
目前仍缺乏大數據分析能力對供應鏈能力以及績效的影響的研究(Yu et al., 2018;
Irfan et al., 2019)。除此之外，即使管理者了解大數據分析能力的益處，許多企業
在實施時仍面臨困難，其原因為缺乏擁有足夠技能進行大數據分析能力的員工
(Pearson, 2014; Ferraris et al., 2018)。當企業想要從大數據發展深刻的見解時，需
重視在導入該技術時所面臨的挑戰，尤其是資源的投資，因為它們是企業在建立
獨特且難以模仿的大數據分析能力時必須具備的要素(Gupta & George, 2016)。藉
由資源的投入，能夠提高員工與大數據相關的知識和技能(Akter & Wamba, 2016;
Dubey et al., 2019)，然而現有研究大部分關注的多是基礎設施等實體資源的投資
(Caputo et al., 2019; Francesco et al., 2019)。
10
學術論文及產業報告指出，大數據分析能力的產生為企業帶來突破性的發展，
如何具備大數據應用的能力已成為企業的當務之急(Mikalef et al., 2020)。近期研
究發現，當企業在衡量數位科技的能力養成所需投入的資源時，應該採取更廣泛
的觀點，以涵蓋所有可能的潛在因素，這些因素有助於促成高效率和高效能大數
據應用的開發，並成為企業成功的因素(Latif et al., 2019)。另一方面，在全球經
濟充滿挑戰以及變化多端的環境中，產業界和學術界越來越強調企業擁有無形資
源的重要性，認為如人力資本、知識管理以及與利害關係人的關係等無形資源是
競爭優勢的主要來源(Jones et al., 2018; Rupcic, 2019)，其中智慧資本作為知識的
搖籃更是引起了許多學者的關注，在近十年間拓展許多新的研究範疇，相關研究
的數量也呈現急劇上升的趨勢(Dumay & Rooney, 2018; Hussinki et al., 2017)。
智慧資本不同於以往常見的工廠設施、製程設備、產品原物料以及資金等有形資
源，是企業經理人在管理企業時，累積具有寶貴的(valuable)、稀有的(rare)、獨特
的(imperfectly imitable)以及和不可替代的(non-substitutable) (VRIN 標準)無形資
源，有助於建立創新和學習的能力(Rodrigues et al., 2010)，能使企業產生產業競
爭力(Curado, 2008)。先前研究也指出智慧資本扮演著關鍵角色，並且當企業對以
智慧資本形式存在的無形資源重新配置、更新和再造，不僅增強其基礎能力，還
能發展成回應產業環境快速變化的動態能力(Hsu & Wang, 2012; Nieves & Haller,
2014)，以及透過直接和間接的方式，促使企業的財務和非財務績效的提升
(Ahmed et al., 2019)，帶給企業在全球市場上優越的表現(Mehralian et al., 2018)。
11
根據上述討論，在人工智慧、數位化和通訊技術的快速發展，大數據分析能
力已成為學術界和產業界的主要目標(Latif et al., 2018)。然而，目前對於企業如
何發展大數據分析能力的研究依舊不多(Ferraris et al., 2019；Shamim et al., 2020；
Wang et al., 2020)，以及對於大數據分析能力與企業內部整合、外部整合以及企
業績效的文獻中仍明顯不足(Jha et al., 2020；Yu et al., 2018；Irfan & Wang, 2019)。
基於這些因素，本研究針對企業的大數據分析能力進行實證研究，期以對該能力
培養機制有更清楚的認知，提升企業在充滿數據的全球市場競爭力。
12
第三節 研究目的
依據上述論述，本研究旨在以企業擁有無形資源的思維，並以智慧資本的概
念出發，經由相關文獻回顧與邏輯演繹方法提出假設，加上實證資料的統計分析，
檢定是否為建立大數據分析能力的先行因素，並探討後續帶給企業的益處與機會，
期以透過理論模型的建立與量化資料的驗證，深化學術與產業鏈結，以助企業塑
造適應科技產業環境發展的動態能力。綜合上述討論，本研究之目的如下：
一、探討智慧資本與大數據分析能力的關係。
二、探討大數據分析能力，與企業內部整合以及外部整合的關係。
三、探討企業內部整合與外部整合的關係。
四、探討企業內部整合、外部整合與營運績效的關係。
13
第四節 論文結構
本研究之研究過程如圖 1 所示，其具體章節內容總結如下：
第壹章：緒論
本章節依序為研究背景、研究動機與研究目的，並接續說明論文的結構。
第貳章：文獻探討與研究假設
本章節根據研究問題查閱相關文獻，對先前相關研究與研究變數的發現加以
說明，並提出了本研究的假設發展，其包括智慧資本和大數據分析能力、內部整
合、外部整合和營運績效共五個變數。
第參章：研究分析
本章節說明研究的分析方式，其中包含資料蒐集與樣本性質、問卷量表設計、
調查時間、處理共同方法變異(common method variance, CMV)嚴重性等內容。
第肆章：實證分析
本章節以驗證性因素分析，檢定研究變數測量的信度與效度，並透過結構方
程模型分析智慧資本對營運績效的影響，同時採用 Sobel 檢定，探討大數據分析
能力對於內部整合、外部整合與營運績效的中介效果。
第伍章：研究結論與建議
本章節將針對實證分析的結果，說明本研究的主要發現與管理意涵，並提
出若干建議，做為未來研究精進的方向。
14
分析研究動機
確定研究主題和範圍
文獻探討及分析
文獻回顧與整理
決定研究架構
問卷設計
進行問卷前測
訪談及問卷再修正
進行正式問卷施測
問卷回收及統計分析
研究結論及建議
圖 1
研究流程圖
15
第二章 文獻探討與研究假設
第一節 理論模型
本研究係以資源基礎觀點和動態能力理論出發，資源基礎觀點主張企業是
有形和無形資源的集合體(Wernerfelt, 1984)，重視企業所持有的資源與員工的能
力，並指出當企業擁有 VRIN 標準的資源時，會促使阻絕機制(isolating
mechanisms)的形成，阻礙競爭對手抄襲或模仿企業的經營策略，使企業之間的
表現有所不同(Lippman & Rumelt, 1982)。先前學者已發現具備 VRIN 標準資源
的企業得以實施競爭對手難以模仿的策略，從而獲得可持續的競爭優勢(Barney,
1991; Peteraf, 1993; Wernerfelt, 1984)。
然而，企業具有 VRIN 標準的資源，能保證在市場上保持領導地位的觀
點，逐漸被學者質疑是一種過度簡化產生競爭優勢的觀點，其原因為資源使用
的情況也會影響企業在市場上的競爭地位，惟資源基礎觀點並沒有考慮企業更
新資源的行為。De Toni and Tonchia (2003)指出資源本身所持有的價值不僅會
隨著時間流逝而降低，且當企業沒有持續妥善運用所持有的資源時，長久下來
會使企業運用資源來創造價值的想法變得狹隘，導致對市場需求的回應降低靈
活性。
基於對資源基礎論的批評，許多學者開始討論企業對於資源的使用、更新
和重新配置。資源是企業在產生組織慣例、工作流程和提升競爭力以生存和永
16
續發展的基礎要素，當資源符合 VRIN 標準時，它們可以在短時間成為競爭優
勢的來源。隨著市場環境朝向競爭激烈、變化迅速、不可預測的特色發展時，
越來越多學者提出動態能力理論(dynamic capability theory)以補充資源基礎觀點
之不足(Katkalo et al., 2010; Verona & Ravasi, 2003)，其是指企業在快速變化的環
境中更新資源與工作流程的能力。動態能力是企業內部不斷整合、重新配置、
更新和再造資源的結果，並且不會隨著時間的推延而停滯變化，其最重要的是
強化和重新建構核心能力，以使企業獲取新知識，加強感知市場變化的敏銳
度，並採取比競爭對手更好的方法來實現卓越的績效。
在現今企業面臨數位轉型的浪潮，若沒有發展大數據的相關應用，很難在數
位科技主導的環境中生存。大數據分析能力可以使企業提升績效，幫助企業在供
應鏈管理中競爭優勢的來源，例如人工智慧，雲端計算技術等數位科技將會提升
企業的大量且非結構化資訊處理的能力，對持續變化的市場情況產生洞察力，並
運用在優化供應鏈流程，進而創造價值，惟在這過程中的運作機制需要更深入的
探索。綜上所述，本研究以資源基礎觀點出發，認為企業應具備豐沛的智慧資本，
充足的無形資源在經過妥當的運用後，進一步發展為分析大數據以適應環境變化、
制定決策與重新分配資源的動態能力，也就是大數據分析能力，並後續對企業在
進行內外部整合與績效的提升帶來正向的幫助。
17
第二節 智慧資本與大數據分析能力
一、智慧資本
企業所擁有的資源可以劃分為有形資源和無形資源，隨著知識經濟的崛起，
企業開始強化並希望透過無形資源的累積，達到預期的目標。智慧資本的累積不
僅產生經濟利潤，同時能促使企業在競爭市場上佔有一席之地(Marzo & Scarpino,
2016)。參考資源基礎的觀點(resource-based view, RBV)，組織持有的資源是競爭
優勢的泉源，且能透過有效的管理知識資源來實現可持續的競爭優勢(Iqbal et al.,
2019)。Khan, Yang, and Waheed (2019)認為企業所持有的智慧資本是一種由商譽、
技術、品牌、組織文化和客戶知識所構成的無形資產，為引導企業實現競爭力的
元素。
學者使用不同的維度來進行智慧資本的分類，在這些維度中，以人力資本
(human capital)、結構資本(structural capital)和社會資本(social capital)為主要組成
的維度(Subramaniam & Youndt, 2005; Olarewaju & Msomi, 2021)。首先，人力資本
是企業的管理團隊和員工所擁有和使用的知識、經驗和專業技能(Subramaniam &
Youndt, 2005)，用來完成工作任務和實現組織的目標，也就是員工創造有形和無
形資產的能力，其可以透過參與正式培訓和工作坊得到提升，但員工離開後並不
會留在組織內(Isaac et al., 2010)。其次，結構資本是指組織內部制度化的知識和
經驗，即使員工離職也仍存在於企業(Subramaniam & Youndt, 2005)，包含企業文
18
化、系統、數據庫、流程、手冊、專利(Khalique et al., 2015)、資訊科技，創新、
流程優化以及顯性知識(Kamukama & Sulait, 2017)。結構資本可以從組織流程和
資訊系統加以概念化，其中組織過程是指員工於工作場所完成任務時所使用的知
識資源，而資訊系統則是管理知識時所使用的資訊科技(Hsu & Wang, 2012)。最
後，社會資本亦可稱為關係資本(Su, 2014)，為圍繞在員工、合作夥伴、客戶以及
供應商等內部與外部利害關係人之間的一種無形資產(Han & Li, 2015)，是指在員
工與利害關係人在互動中所獲得能使用和所嵌入的知識(Adler & Kwon, 2002)。
二、大數據分析能力
在數位經濟的環境下，供應鏈中的資訊流動已經成為企業生存和持續發展的
關鍵，因為近幾年大數據的流行，受到企業積極的關注(Shamim et al., 2020)。大
數據為企業所蒐集到大量的結構化/非結構化數據(Einav & Levin, 2013)，但由於
其高容量、高速度和高多樣性等特色，無法藉由傳統的分析方法來汲取重要資訊
(Beyer & Laney, 2012)。大數據分析能力能夠提供有用的資訊來制定決策，對於
企業提升績效愈來愈重要。因此，企業需要擁有獨特的難以模仿的大數據分析能
力(Gupta & George, 2016)，能夠處理、視覺化和分析大量且結構/非結構的數據，
以提供獨特的見解，實現以數據驅動的運營規劃、決策制定和執行(Srinivasan &
Swink, 2018)。大數據分析能力使組織整合與分析所蒐集的數據資訊，以在快速
變動的環境下重新調整企業流程。目前為止，大數據分析能力已經被用於企業採
19
購、產品設計和研發(Wang et al., 2016)，並且對績效的影響有正向的效果(Dubey
et al., 2019)。
三、智慧資本與大數據分析能力
首先，企業若要發展、創新、整合、利用和重新配置資源的大數據分析能力，
需要具備技能淵博、技術精湛和經驗豐富的員工(Wang et al., 2020; Ahmed et al.
2019; Hsu & Wang, 2012)。高素質的員工致力於企業資源和核心能力的更新，其
不僅會強化內部數位經濟的知識，同時會吸收與之相關的外部知識來充實自己
(Nieves & Haller, 2014)，員工知識的累積也是企業技術創新的基礎(Fonseca et al.,
2019)。進一步來說，當企業具備高水平的人力資本時，員工會主動感知產業環境
的變化，採用更有效率和效能的方式來相互溝通，並且有更高的意願配合達成資
源重組的共識，進而發展動態能力，把握潛在的機會和避免威脅(Nieves & Haller,
2014; Han & Lin, 2015)。相反地，如果企業沒有優秀的人力資本，則無法培養動
態能力，達到預期的績效。Bruni and Verona (2009)指出員工的知識和經驗對企業
知識整合和利用扮演了動態貢獻者的角色，這與其整合以及重新配置資源的能力
有高度相關(Pandza et al., 2003)。近期的研究也指出當企業要發展與大數據分析
相關的技能時，擁有專業且技術熟練的員工為必要的先決條件(Chen et al., 2015)。
另一方面，結構資本是指企業在解決問題和創造價值時，所採用的系統和運
用過程(Han & Lin, 2015)，它建立了企業在知識取得的體系和機制，其中涉及到
20
知識的轉移和整合，並為企業關鍵能力的突破提供了基礎(Yang & Lin, 2009)。當
員工對於企業內部的系統和流程之運用程度愈高時，愈能提升彼此之間的交流頻
率和學習(Verma et al., 2014)，促進新資源的獲取，並且將其內化成獨特的內部知
識以強化企業的能力(Hsu & Sabherwal, 2012)。良好的結構資本具有靈活度，有
助於快速和順利地運用新技術來發展與科技應用有關的能力(即本研究之大數據
分析能 力) (Tian et al., 2010)，能使企業適應高度不確 定性的環境(Kogut &
Kulatilaka, 2001)。此外，學者主張結構資本的知識編碼可以促進知識的累積和利
用，加強其專業知識和技術(Subramaniam & Youndt, 2005)，此被認為是發展將企
業資源重新整合和分配的動態能力必要要素(Hsu & Wang, 2012)。當企業結構資
本水平愈高，對於其靈活性和環境的適應性愈強，進而能發展出更高層次的動態
能力(Mucelli & Marinoni, 2011)。
再者，企業與外部利害關係人(包含客戶、供應商和其他利害關係人)發展的
社會資本可產生競爭力，取得可以持續的優勢(Zhang & Wu, 2013)。高品質的社
會資本涵蓋與外界有豐富的交流和互動，其中商業夥伴願意分享他們的專業技術
和知識，促使企業學習新的專業知識、創造新的作業流程，以及強化對產業環境
變化的敏感度(Ambrosini & Bowman, 2009)。具體而論，高水平的社會資本是使
企業具備動態能力的關鍵，Reijsen 等人(2014)認為社會資本對動態能力的發展具
有潛在的影響，與外部利害關係人保持良好且長期的互動關係有助於企業擁有新
技術和能力，也能獲得市場變化的資訊。這些資訊可以幫助企業建立大數據分析
21
能力以重新佈署和配置資源(Jiang et al., 2010)，不僅改良過程和慣例，還能適應
高度不確定和快速變化的環境(Arribas et al., 2013; Luo et al., 2012) 。
綜上所述，以顯示智慧資本對資源的獲取、釋放和整合擔任了重要的角色，
為發展大數據分析能力的策略因素(Ting et al., 2020)，因此本研究提出下列研究
假設：
假設一：智慧資本與大數據分析能力為正向關係。
22
第三節 大數據分析能力和內外部整合
一、
內外部整合
企業為了提高績效，在激烈的競爭中求生存，需要和供應鏈上下游夥伴建立
起良好且密切的關係。在當今的產業環境中，供應鏈整合是一種常見的競爭策略
(Jha et al., 2020; Li & Chen, 2018)。企業為了提供最大價值給客戶，與合作夥伴進
行策略協作，並管理從組織內到組織間、上游供應商到下游顧客的資訊、產品和
流程，以實現提供效率與效能兼具的產品、服務與資訊(Huo et al., 2014; Zhao et
al., 2011)。本研究參考 Irfan 等人(2019)、Liu 等人(2018)的研究，將供應鏈整合分
為內部整合和外部整合兩個關鍵維度。
內部整合是指企業將內部組織資源、實務和程序，建構成跨部門的協作、同
步 且 可 管 理 系 統 的 程 度 ， 其 目 的 是 為 了 滿 足 客 戶 的 需 求 (Irfan et al., 2019;
Schoenherr & Swink, 2012)。內部整合可以促使資源的重新分配、各功能部門中的
任務和活動重新整合，即使產生微小的變化，都可以對企業的競爭地位帶來莫大
的幫助(Wang et al., 2019)。當企業建立強大的內部整合時，可以為客戶提供高質
量的服務並獲得出色的企業績效(Mackelpran et al., 2014; Chang et al., 2016)。
外部整合是指企業與供應鏈夥伴合作的程度，以有效能和效率地支持企業在
動態環境中的發展活動(Seo et al., 2014; Irfan et al., 2019)。外部整合強調與外部關
係資源協調的重要性，當企業能夠與供應鏈合作夥伴進行外部整合時，即達成了
23
共同投入資源、共享資訊和承擔責任，以實現目標的共識(Zhao et al., 2011; Liu et
al., 2016)，企業不僅以更低的成本從事生產活動，也表現出卓越的顧客價值主張
(Chang et al., 2016)。
二、
大數據分析能力與內外部整合
企業是由許多資源或能力所組成的「資源組合」(resources bundle)，在這些
資源中，數位科技是一種關鍵的資源，用以協助企業建立獨特的能力(Shamim et
al., 2020; Richardson, 2019; Huo et al., 2015)。舉例來說，人工智慧運算、雲端計
算、供應鏈通訊系統的特色在於快速處理數據和資訊，以重整和優化供應鏈中的
商業活動(Tan et al., 2015)。現今企業開始利用大數據獲取新見解、發現新商機、
瞭解產品和流程設計以及市場上供應商和顧客的需求(Yu et al., 2020; Schoenherr
& Speier-Pero, 2015; Tan et al., 2015)。基於動態能力的觀點，大數據分析能力能
夠提升企業的資訊分析能力，進而為組織創造價值(Xu et al., 2019)。
在供應鏈流程中，企業妥善地運用數位科技，可以使生產供應、庫存量、運
送狀況、生產要求等存在於各處的資訊有效率且自動地傳達(Wang & Wang, 2019)。
早期大型數據庫系統存在著嚴重的數據一致性問題(Pitoura & Bhargava, 1999)，
如供應鏈的分散系統中會有更高的錯誤率(Rai et al., 2006)。現在企業透過大數據
分析的應用，從供應鏈所蒐集到的大量、非結構化、即時性的數據能有效且快速
地被解讀，並且將其準確、可靠、具一致性的資訊，回傳到採購、生產、行銷、
24
研發等內部各部門(Rezaee & Wang, 2018)。
另一方面，在供應鏈流程佈署良好的大數據能力，從中獲取的資訊能培養企
業對市場需求有著更深入了解，產生新穎且獨特的見解，並且與供應鏈合作夥伴
建立協作關係。大數據的應用能協助企業傳遞一致且高質量的資訊給外部合作夥
伴(Rezaee & Wang, 2018)，在資訊共享的情況下能與供應鏈中多方之間產生互動，
使得彼此有更緊密的協調以及連結其業務活動。如此可增加企業對供應鏈過程的
監控，改善在生產、需求、供應計劃和控制，最終對合作夥伴持續變化需求做出
更快、更精確的回應(Davenport & Patil, 2012)。企業擁有獲取、部屬、組合和重
新配置的數位科技動態能力時，對於快速反應商業環境，以及與組織之間的協同
合作具有正向關係(Jha et al., 2020; Cai et al. 2016; Huo at al., 2015)。基於以上所
述，本研究提出下列假設：
假設二：大數據分析能力與外部整合為正向關係。
假設三：大數據分析能力與內部整合為正向關係。
25
第四節 內部整合與外部整合
企業在資源的整合，不僅僅是整合外部資源，而是有效地將外部資源和核心
能力與各功能部門的現有資源進行整合(De Giovanni, 2021; Chen & Lin, 2011)。
當企業在競爭激烈、高度不確定性、瞬息萬變的產業環境中，為了立足生存，會
選擇與外部廠商合作，開發獨特的資源和能力，以保持競爭優勢(Lorenzoni &
Lipparini, 1999)。具備內部整合的企業有完善的溝通、資訊共享和跨部門團隊合
作能力，能夠辨識供應商和客戶相關的關鍵問題，有助於維持良好的策略夥伴關
係(Zhao et al., 2011)，這不但使企業在資訊、流程、技術和措施與外部夥伴一致
(Stank et al., 2001)，也能重新配置內部營運流程和生產系統(Chen et al., 2009)，一
同應對外部不確定性的風險以及相關的挑戰(Drees & Heugens, 2013)。
然而，關於內部整合與外部整合的關係和優先順序，學者有各自的主張以及
論述。Horn 等人(2014)在探討全球採購的研究，指出內部整合是與供應商進行外
部整合的前提條件，但 Titah 等人(2016)卻認為當企業與供應商和零售商都有共
同的目標時，外部整合可以幫助企業提升盈利能力、改良庫存政策和提供優良的
客戶服務。依據本研究的觀察，企業通常不願意與外部廠商進行外部整合，因為
與外部廠商所交換的資訊往往有資訊不對稱的問題，除非企業本身具有良好的內
部整合。因此，企業必須首先通過系統整合、數據整合和流程整合來發展內部整
合的能力，才能促使與供應鏈上下游廠商的整合(Graham, 2018)。Zhao 等人(2011)
26
認為內部整合能夠實現外部整合，其原因是因為組織必須先建構高系統化、數據
化和流程最佳化管理等內部整合能力，才能進行具有管理意義的外部整合。先前
的研究也指出內部整合是外部整合的前置因素(Zhang et al., 2020; Jayaram et al.,
2011; Chen et al., 2015)。基於以上所述，本研究提出下列假設：
假設四：內部整合與外部整合為正向關係。
27
第五節 企業整合與營運績效
企業整合與供應鏈夥伴進行策略性的跨功能協調，被視為是增進營運績效的
關鍵因素(Ganbold et al., 2020; Wong et al., 2011)。大數據分析能力推動企業的內
部整合，打破了功能部門各自為政的情況，員工更能相互協同合作，幫助企業迅
速適應不斷變化的市場需求(Droge et al., 2004; Ganbold et al., 2020)。學者認為當
企業的原物料和資訊在整合過程中流動的速率增加時，可促使生產效率的提高
(Irfan & Wang, 2019; Schmenner & Swink,1998; Schmenner, 2001)。過去的研究也
證實內部整合帶動企業在成本、質量、交付、靈活性和過程效率的提升(Xu et al.,
2014; Huo et al., 2016; Wong et al., 2011)，顯示內部整合與營運績效有正向關係
(Flynn et al., 2010; Yang et al., 2016)。
另一方面，企業與供應鏈夥伴進行外部整合，可建立起長期的策略夥伴關係，
能更快地辨識挑戰和溝通，進而執行相應的設計和生產。如此一來，不僅可降低
產品的配送時間、提升效率、加快新產品進入新市場外，也解決庫存過時而產生
成本過高的問題(Yu et al., 2020)。最終，企業能以更靈活地生產和提供更好質量
的產品給供應鏈合作夥伴(Flynn et al ., 2010; Wong et al., 2011)，因而產生更好的
營運績效(Yu et al., 2020; Yang et al., 2016)。基於以上所述，本研究提出以下假設：
H5：內部整合與營運績效為正向關係。
H6：外部整合與營運績效為正向關係。
28
第三章 研究方法
第一節 資料蒐集與研究樣本
一、
測量量表
本研究採用之問卷量表為國外學者所發展，在測量的信度和效度上，經過先
前研究的驗證並獲致良好的結果。然而，當量表翻譯成另一種語言時，若沒經歷
過完整的翻譯和審慎過程，可能會導致量表無法採用或得到研究者預期的結果。
參考 Chan(1998)的研究，當研究者要將問卷量表從英文翻譯成中文時，需要尋求
精通中文、英文以及管理領域專業人士進行協助，並且進行交叉校對(英文-中文
-英文之翻譯)，以避免翻譯後之中文問卷失去其原有嚴謹性，造成施測結果失真。
二、
研究樣本
本研究描述性統計分析之結果，如表 1 所示，並且施測對象為亞洲地區使用
大數據分析之企業主管，其原因分為以下兩點說明。首先，亞洲具有發展大數據
應用的科學、技術、工程和數學領域的人才，以及各國府近幾年積極提倡企業將
人工智慧、機器學習、深度學習運用在工作流程中，許多企業也藉此擁有運用大
數據的能力。另一方面，高階主管對於企業的發展狀況較有全面性的了解，更能
反映企業應用上述提及三大前瞻技術運用之實際情況。
29
表 1
描述性統計分析表
人口統計變數
類別
年資
任職企業所在地
任職企業的產業
填答者任職企業所處部門
企業規模
人數
百分比
小於五年
五到七年
七到十年
十年以上
58
65
85
49
22.5%
25.2%
33.1%
19.1%
台灣
44
17.0%
日本
29
11.3%
韓國
32
12.6%
中國
74
28.8%
泰國
15
5.9%
越南
12
4.7%
印度
17
6.6%
新加坡
11
4.3%
其他
23
9.0%
資通訊產業
57
22.2%
電子零件產業
36
14.0%
資訊科技產業
24
9.3%
半導體產業
21
8.2%
光電產業
25
9.7%
綠能產業
23
9.0%
電動車產業
31
12.1%
物流產業
22
8.6%
其他
18
7.0%
研發部門
56
21.7%
生產部門
77
30.0%
行銷部門
28
10.8%
財務部門
22
8.5%
專案部門
35
13.6%
其他
39
15.2%
200 人以下
51
19.8%
201~500 人
73
28.4%
501~1,000 人
78
30.3%
1,001~3000 人
31
12.1%
3,000 人以上
23
8.9%
30
三、
共同方法變異之影響
共同方法方變異(common method variance)為當問卷填寫均為單一受測者時，
受測者在填寫量表的過程中，會傾向將資訊處理概化，導致回答結果無法反應構
念之間的真實關係(Chang et al., 2010; Malhotra et al., 2006)。為降低共同方法變異
的影響，本研究在研究分析前後分別進行時間隔離測試(time-separation test)及哈
門氏單因子測試(Herman's single factor test)，以確認共同方法方變異對本研究沒
有嚴重的影響(Chang et al., 2010)。
在資料蒐集及施測過程時，本研究先採用時間隔離測試法，先前學者建議時
間間隔約為 3-6 個月(Chang et al., 2010; Malhotra et al., 2006)。本研究施測期間自
2020 年 6 月至 2020 年 12 月，並刻意將自變數和因變數各自在不同階段進行問
卷施測。在第一階段的問卷調查共寄出 500 份問卷，包含樣本企業之基本資料及
營運績效之問卷。在 2020 年 9 月時，回收 301 份問卷，其中包含 17 份無效問
卷、284 份有效問卷，並在 2020 年 10 月針對 284 份有效問卷，進行第二階段問
卷發放，包含智慧資本、大數據分析能力、內部整合、外部整合、營運績效等五
項變數之問卷，在 2020 年 12 月時共回收 257 份有效問卷。
本研究於問卷回收後，為檢視無回應偏差(non-response bias)，以多變量變異
數分析分組的方式，採用 0.05 的顯著水準，驗證在問卷施測期過程中，早期和晚
期問卷填答者無顯著差異性(Novak, 1995)。此外，本研究將企業規模、產業別、
31
企業所在區域等三類進行比較無差異檢定。檢定結果顯示並無顯著差異，因此可
以假設本研究選擇施測對象之企業具研究代表性。
32
第二節 測量工具
本研究之問卷包含六個部分，分別為基本資料、智慧資本量表、大數據分析
能力量表、內部整合量表、外部整合量表、營運績效量表，如附錄一，除了基本
資料外，皆以李克特五點尺度衡量。智慧資本、大數據分析能力之量表尺度為「非
常同意」
、
「同意」
、
「普通」
、
「不同意」
、
「非常不同意」等五個答案，依次給予 5
分、4 分、3 分、2 分、1 分。外部整合、內部整合、營運績效之量表尺度為「總
是如此」
、
「時常如此」
、
「偶爾如此」
、
「很少如此」
、
「從不如此」等五個答案，依
次給予 5 分、4 分、3 分、2 分、1 分。
一、智慧資本
有關智慧資本(intellectual capital, IC)，本研究採用 Engelman 等人(2017)改編
之量表，涵蓋人力資本(human capital, HC)、結構資本(suctural capital, SC)、社會
資本(social capital, SoC)等共三項子構面。人力資本共 5 題，例題：「我們公司的
員工具備良好的專業知識和技能」，分數越高，表示企業員工擁有的知識與能力
愈高；結構資本共 5 題，例題：
「我們公司的將大量學習的知識內化，以改善工
作流程和實務」，分數越高，表示企業愈擅長使用內部擁有的知識與技術；社會
資本共 4 題，並且同時參考 Alrowwad 等人(2020)之研究，將問卷進行調整，例
題：「我們公司的員工擅長與顧客、供應商、合作夥伴協同合作，並且診斷和解
決問題」，分數越高，表示企業愈擅長與利害關係人交換擁有的知識與技術。
33
二、大數據分析能力
本研究採用 Srinivasan and Swink (2018)編製的大數據分析能力量表，共 5 題，
題項內容如：
「我們公司使用先進的數據分析技術(如模擬計算、最佳化、迴歸分
析)來改良決策」
，分數越高，表示企業愈擅長透過大數據與人工智慧技術，進行
資訊判讀與決策制定。
三、外部整合
本研究採用 Irfan and Wang (2019)改編的外部整合量表，共 5 題，例題：
「我
們公司與外部合作夥伴即時資訊共享，以進行需求預測」，分數愈高，表示企業
與外部利害關係人之間協同合作的程度愈高。
四、內部整合
本研究採用 Flynn 等人(2010)所改編的內部整合量表，共 9 題，例題：
「我們
公司各部門之間的數據，能有效整合」，分數愈高，表示企業各部門之間協同合
作程度愈高。
五、營運績效
本研究採用 Liu 等人(2016)改編的營運績效量表，共 7 題，例題：
「我們公司
能有效降低產品/服務交貨週期」，分數愈高，表示企業愈能更快反映需求。
34
第四章 實證分析
第一節 測量模型分析
驗證性因素分析針對觀察變數之檢測，其良好的測量模型適配值，χ2/df 值應
不超過 3、GFI≧0.90、NFI≧0.90、CFI≧0.95、SRMR≦0.08、90％之信賴區間其
上限值不應超過 0.05(Kenny, 2015; Sharma et al., 2005)。本研究之驗證性因素分析
結果 χ2/df = 1.074, GFI = 0.91, NFI = 0.96, CFI = 0.97, SRMR = 0.049, RMSEA =
0.046。表 2 顯示本研究的資料分析結果與統計文獻比對，所有的模型契合指數
優於可接受的水準，表示測量模型之契合度佳。
參考 Fornell and Bookstein(1982)之建議，收斂效度檢定需符合以下三個準則：
所有的因素負荷指標皆達顯著水準，並大於建議值 0.7；組合信度應大於 0.7；平
均變異抽取量(average variance extracted, AVE)應大於建議值 0.50 (Hair et al., 2010;
Kenny et al., 2011; Sharma et al., 2005)。表 3 顯示本研究的測量模型分析各變數因
素負荷量大多超過建議水準 0.7，且所有因素負荷量在 p <0.001 時都達到顯著水
準；組合信度用於測量模型內部一致性的檢定，其值從 0.83 至 0.91，皆優於建
議值；平均變異抽取量值從 0.52 至 0.63 不等，皆超過了推薦的臨界值 0.50(Sivo
et al., 2006)。因此，本研究模型滿足收歛效度所建議三個準則。
35
表 2
模型適配度
適配
指標
參考文獻
理想數值
測量模型
觀測值
結構模型
觀測值
χ2/df
Schumacker and Lomax (2004)
≦3.00
1.074
1.644
GFI
Joreskog and Sorbom (1996)
≧0.90
0.91
0.92
NFI
Bentler and Bonett (1980)
≧0.90
0.96
0.93
CFI
Bentler (1988)
≧0.95
0.97
0.98
SRMR
Hu and Bentler (1999)
≦0.08
0.046
0.031
≦0.05
0.023
0.028
RMSEA MacCallum and Hong (1997)
註： ***p < 0.001, **p < 0.01, *p < 0.05
36
表 3
變數
智慧資本
IC -1
IC -2
IC -3
大數據分析能力
BDAC -1
BDAC -2
BDAC -3
BDAC -4
BDAC -5
內部整合
II -1
II -2
II -3
II -4
II -5
II -6
II -7
II -8
II -9
外部整合
EI -1
EI -2
EI -3
EI -4
EI -5
營運績效
OP -1
OP -2
OP -3
OP -4
OP -5
OP -6
OP -7
測量模型分析
平均數
因素負荷量(λ)
t-value
4.31
4.24
4.21
0.78
0.81
0.79
13.62***
14.23***
13.80***
3.91
4.02
3.83
3.92
3.91
0.69
0.83
0.82
0.83
0.84
11.89
15.53***
15.12***
15.36***
15.01***
4.21
4.19
4.01
4.11
4.22
4.25
4.18
4.15
4.22
0.73
0.70
0.63
0.72
0.74
0.69
0.82
0.72
0.71
11.96
11.41***
9.99***
11.63***
11.38***
11.21***
12.93***
11.55***
11.29***
3.81
3.69
3.67
3.88
3.76
0.74
0.74
0.76
0.70
0.76
11.87
12.00***
12.30***
11.01***
10.29***
4.11
4.02
3.98
4.05
3.89
3.97
4.18
0.78
0.74
0.80
0.71
0.74
0.78
0.75
13.91
13.03***
14.46***
11.66***
13.09***
13.59***
13.02***
註： ***p < 0.001, **p < 0.01, *p < 0.05
37
***
***
***
***
CR
0.83
AVE
0.63
0.90
0.65
0.91
0.52
0.86
0.55
0.90
0.58
除了收斂效度，測量模型也需確認潛在變數之間是否具有良好的區別效度
(discriminant validity)，其在驗證兩個不同構面於統計上是否具有高度相關，如有高度相
關發生，表示這些變數可能是衡量同一件事，衡量方式為共變矩陣對角線上之 AVE 之
平方根值應大於各相關變數之值。表 4 為各變數構面間的相關值，對角線上之值為 AVE
之平方根值皆大於各相關變數之值，顯示各測量變數有足夠之區別效度。綜合上述分析，
顯示本研究之測量模型有足夠的信度、收斂效度和區別效度。
表 4
區別效度分析
變數
平均數
標準差
AVE
1
2
3
4
1. IC
4.25
0.52
0.63
0.79
2. BDAC
3.92
0.74
0.65
0.20
0.81
3. II
4.17
0.58
0.52
0.41
0.35
0.72
4. EI
3.76
0.51
0.55
0.22
0.34
0.49
0.74
5. OP
4.03
0.66
0.58
0.18
0.19
0.43
0.40
5
0.76
註：AVE 的平方根以粗體和斜體顯示於對角線上
除了測量模型之驗證性因素分析，針對問卷施測後之事後偵測，本研究採用哈門氏
單因子測試(Harman’s single-factor test)進行共同方法方變異檢定(Chang et al., 2010;
Malhotra et al., 2006)，將所有題項進行探索性因素分析(exploratory factor analysis)，其分
析結果顯示主要成份(principle component)在未轉軸(unrotated)的狀況下，第一個因子的
解釋變異量為 18.20%，其解釋力未超過 50%，因此本研究各變數間的共同方法變異並
不嚴重。
38
第二節 結構模型分析
本研究採用結構方程模型，確認變數間之關係結構，結構模型含一組外生變數，即
智慧資本，以及四組潛在內生變數，即大數據分析能力、內部整合、外部整合及營運績
效。本研究假設理論模型的因果結構是線性的，並採用最大概似估計和路徑分析檢定變
數間之關係，除此之外，考慮到當企業自身規模愈大、成立時間愈長時，可能會擁有較
多資源而更容易進行大數據分析能力的培養，因此將企業規模設為控制變數(Yu et al.,
2019; Irfan et al., 2019)。
本研究的結構方程模型之適配指標如下：χ2 = 1248.13, df = 759, χ2/df = 1.644, GFI =
0.92, NFI = 0.93, CFI = 0.98, SRMR = 0.031, RMSEA =0.028，資料分析結果與文獻比對具
有良好的模型適配度。
本研究的結構模型分析結果，如圖 2 與表 5 所示。首先，智慧資本至大數據分析能
力之路徑係數為 β = 0.235（t-value = 2.38, p < 0.05），假設一成立。其次，大數據分析能
力至外部整合路徑係數為 β = 0.092（t-value = 1.12, p > 0.05），假設二不成立，然而大
數據分析能力至內部整合之路徑係數為 β = 0.447（t-value =4.51, p < 0.001），假設三成
立。此外，內部整合、外部整合至營運績效路徑係數分別為 β = 0.351（t-value =3.72, p
< 0.001）以及 β = 0.376（t-value =4.08, p < 0.001），假設五及假設六成立。最後，內部
整合至外部整合之路徑係數為 β = 0.313（t-value = 3.63, p < 0.001），假設四成立。除了
上述六項假設之分析，本研究也將企業規模納入結構模型分析（β=0.073, t-value = 0.86,
p >0.05），以確保大數據分析能力之培養不會受到企業規模的影響。
39
圖 2
結構模型分析
表 5
檢定結果摘要
研究假設
路徑
β值
t-value
檢定結果
假設一
IC → BDAC
0.235
2.38*
支持
假設二
BDAC → EI
0.092
1.12
不支持
假設三
BDAC → II
0.447
4.51***
支持
假設四
II → EI
0.313
3.63***
支持
假設五
II → OP
0.351
3.72***
支持
假設六
EI → OP
0.376
4.08***
支持
+
註：***p < 0.001, **p < 0.01, *p < 0.05, p < 0.1
40
第三節 中介效果分析
上述分析結果，顯示智慧資本與大數據分析能力、大數據分析能力與內部整合皆為
為正向關係，因此本研究試著檢定中介效果，以釐清變數之間的關係。
有關檢定中介效果的方式，最常用為 Sobel 提出的方法，將假設一與假設二所得到
標準化係數相乘後確認是否達到顯著，該值也被稱為路徑係數(path coefficient)或是結構
係數(structural coefficient) (Sobel, 1982)。當路徑係數達到顯著水準時，表示智慧資本、
大數據分析能力、內部整合之間具有間接效果，也就代表中介效果成立。
然而，有部分學者認為，兩項標準化係數在相乘後可能會產生不服從常態分配之情
況，造成偏態問題產生，使得所得路徑係數為偏誤估計量(biased estimator) (Sampson and
Breuning, 1971)。儘管如此，Mackimon(2008)在進行多次中介效果模擬試驗後，發現由
Sobel 所提出的計算公式，為最佳路徑係數之估計方式，Preacher and Hayes(2008)也表示
該方式所計算出的結構係數，為最有效判別中介效果存在之作法。因此，本研究使用
Sobel 提出之公式進行中介效果檢定。
根據分析結果，顯示智慧資本對大數據分析能力之路徑係數達到顯著（β = 0.235）
，
並且大數據分析能力對內部整合之路徑係數亦達到顯著（β = 0.447）
，將兩項假設所得之
乘積為 0.105，其中 t 值為 3.88（p < 0.001），表示內部整合對於大數據分析能力與營運
績效之間的關係具有中介效果。
41
第四節 後續分析
上述分析發現智慧資本與大數據分析能力為正向關係，為了得到更詳細的結果，本
研究進一步以人力資本、結構資本、社會資本等三個構面，重新檢定結構模型中潛在變
數之間的關係。
後續分析之模型適配指標，其結果如下：χ2 = 1433.688, df = 744, χ2/df = 1.927, GFI =
0.90, NFI = 0.91, CFI = 0.91, SRMR = 0.037, RMSEA =0.041。在同樣將企業規模設為控制
變數的情況（β=0.036, t-value = 0.59, p >0.05），發現除了原有大數據分析能力至營運績
效之間的結果不變，三項子構面與大數據分析能力之關係皆不盡相同。首先，人力資本
與結構資本至大數據分析能力之路徑係數分別為 β = 0.482（t-value = 4.53, p < 0.001）以
及 β = 0.291（t-value = 3.08, p <0.01），顯示人力資本、結構資本與大數據分析能力具有
正向關係。然而，社會資本與大數據分析能力路徑係數為 β = 0.093（t-value = 1.12, p
<0.01），顯示社會資本與大數據分析能力無正向關係，詳細結果如圖 3 所示。
圖 3
後續分析結構模型分析
42
第五章 研究結論與管理意涵
第一節 研究結論
為了更清楚地理解智慧資本、大數據分析能力、內部整合、外部整合和營運績效之
間的關聯，本研究設計並測試一個研究模型，研究結果提供了一些具有理論意涵和管理
意義的發現。
一、智慧資本與大數據分析能力
本研究發現，以單一智慧資本變數，與大數據分析能力具有正向關係，證實了智慧
資本是使企業具有大數據分析能力的重要驅動力。換句話說，當企業擁有優秀的員工、
高效能的組織運作體系，並且能夠與企業利害關係人有良好互動關係時，可以提升從大
數據中獲取重要且關鍵資訊的能力，進而協助企業重新配置資源，改善與提升營運流程。
然而，當人力資本、結構資本、社會資本分別與大數據分析能力進行檢定時，發現
僅有人力資本、結構資本與大數據分析能力為正向關係，而社會資本卻與大數據分析能
力無正向關係。本研究認為，此結果也暗示在智慧資本中的三項子構面，彼此之間具有
交互作用。雖然社會資本與大數據分析能力之間在統計上並未達到顯著水準，管理者需
要認知到嵌入在網絡關係、聯盟和夥伴關係，甚至是企業利害關係人等的商業關係中所
存在的知識，亦是企業在動態環境中發展大數據分析能力不可忽視的一項無形資產。企
業與利害關係人建立穩定永續的關係，應列入大數據成功的關鍵因素。
若要完善發揮於供應商、顧客之間的社會網路獲得的資訊以及學習的新知識，以產
43
生產業競爭力，企業應將具備量足且精的員工設為首要任務，此結果與先前 Shou 等人
(2017)及 Chen 等人(2015)的研究結論十分一致。當企業要掌握並運用大數據相關的動態
能力，員工的專業和技術能力扮演了關鍵的重要指標。為了提升人力資本，除了透過招
募資質優異的員工外，企業需要持續提供給員工完整的教育訓練計畫，做為精進自身能
力的管道。另一方面，除了提升人力資本，結構資本也是企業建立大數據分析能力的關
鍵因素，強化將知識系統化並儲存的機制應同時進行。在以往的研究，少有學者探討結
構資本與數位科技有關動態能力之間的關係(Verma et al., 2014)，本研究檢視並證實了保
存在企業內部的結構性資料、管理流程、操作手冊中的知識皆有助於大數據分析能力的
培育及發展。最終，當企業具備充沛之人力資本與結構資本時，結合兩項無形資源所發
揮的綜效，將有助於吸收與內化存在於企業社會網路中的隱性知識，促成大數據分析能
力的建立。
二、大數據分析能力與外部整合
本研究不支持假設二，大數據分析能力與外部整合有正向關係，此結果和先前
Ganbold 等人(2020)及 Irfan and Wang(2019)的實證結果並不相同，可能肇因於外部整合
涉及企業外部大規模供應鏈的整合，但企業內部員工已經有習慣且固定的行為模式，認
為既有的行為模式是順暢且有效率的，因此難以在短期間內改變既有的行為模式。另一
方面，外部整合不同於內部整合，外部整合涉及主要客戶和供應商的整合，在整合過程
中，主要客戶和供應商的角色可能會發生變化，例如企業招募聘任新員工與改變營運模
式，其核心能力和資源必定會影響整合過程，以及未經充分培訓的員工可能不熟悉人工
44
智慧技術與應用，導致無法與外部利害關係人進行有效溝通，阻礙達成外部整合的機會。
三、內部整合為有效外部整合之先前因素
本實證研究支持假設四，內部整合與外部整合為正向關係。當企業內部能夠相互協
調時，各功能部門之間會受到彼此供應鏈夥伴的影響，進而理解外部整合的重要性(Huo
et al., 2015)。舉例來說，銷售部門和採購部門分別擁有客戶和供應商的資訊，這可以幫
助銜接企業與客戶和供應商之間的差距。跨部門之間的內部整合有助於企業充分瞭解客
戶和供應商，並與其分享更多的資訊(Shou et al., 2017)。通過高度的內部整合，外部合作
夥伴可以從企業擁有的流程和系統中獲益，例如將其績效指標一致，實時共享資訊以進
行共同需求預測，合作改進組織間流程，從而實現外部整合(Chang et al., 2016)。
四、供應鏈整合對營運績效之影響
外部整合和內部整合對企業良好的營運績效扮演著關鍵的角色，本研究結果支持假
設五與假設六，內部整合與外部整合對營運績效為正向關係，與研究的預期推論一致(Li
& Chen, 2018)。本研究結果證實整合與營運績效兩者間有正向關係，顯示參與企業在運
營過程中的所有團隊成員與供應鍵之間整合的重要性。
五、中介效果
本研究的分析結果顯示內部整合於大數據分析能力對營運績效影響過程中，扮演重
要的中介效果。為了在現代高度數據化的商業環境中生存，企業面臨的關鍵挑戰不僅只
是取得大數據，更應著重於運營過程中如何順利使用即時數據。此結果支持了大數據分
45
析能力能夠識別、使用和分析企業擁有的數據，從而有效地協調和整合跨功能部門的活
動，實現更高的運營績效，並且為客戶提供最大的價值。
46
第二節 管理意涵
本研究以智慧資本、大數據分析能力、內部整合、外部整合與營運績效之間的關係
提供了重要且具體的實證結果，證實了大數據分析能力和整合對企業營運績效的影響。
研究結論為管理者提供了發展大數據分析能力有助於企業提升績效的論證，並確定了企
業需要更多重視的層面，以最大化大數據分析能力的功用。
在數位經濟的時代中，企業是一個具有多種資源及能力的綜合體，其人力資本、結
構資本是企業發展大數據分析能力的必要前提。首先，具備充足知識與資質優異的員工
有掌握大數據、人工智慧等先進數位科技的能力，可進一步幫助企業重新配置與整合資
源。在實務上，優秀的員工不會從天而降，企業應重視人才的培育與新血的加入，除了
透過招募和甄選聘用合適的員工外，對於員工參與的在職訓練(on-the-job training)應給予
大 力 支 持 。 另 一方面 ，在結構資本 的增長 ，企業可考慮 知識管 理系統(knowledge
management system, KMS)的建置，KMS 幫助企業建立了一套運用知識的系統和機制，
包括了知識的轉移和整合。當員工能熟練地使用 KMS 時，新的資源時能順利轉化為獨
特的內部知識，無形中豐沛了結構資本的累積，將更有效地溝通和相互學習，以加強企
業的能力。與此同時，企業內部具備高質量的人力資本和結構資本時，能夠將和供應鏈
夥伴互動時所注入的新資訊、知識做最大化運用，例如透過對未來市場變化的，研發前
瞻技術來優化營運流程，以提升識別與抓住機會的能力。綜合上述，當企業對其智慧資
本的無形資源進行重新配置、更新和重組時，可以增強企業的基礎能力，發展企業競爭
力的大數據分析能力。
47
當企業具備強大的大數據分析能力時，在數位科技能力的進步可以幫助企業順暢地
展開業務工作之推廣。在早期的產業資訊化過程中，大型數據庫系統容易出現數據不一
致的問題，尤其在分散系統中(decentralized systems) 嚴重的高錯誤率。相較於過去無法
即時、準確的回傳資訊，現代企業蒐集到的大量非結構化即時數據，可以通過大數據分
析能力進行有效率、快速的解讀，並將高準確、可靠一致的資訊即時回傳給企業內部相
關部門。高質量的資訊可以有效防止部門間做出錯誤且不適宜之決策，能有效協助企業
重新制定政策，改進營運流程，從而實現內部整合。此外，當企業達成內部整合時，將
有助於與供應鏈合作夥伴協同合作。在全球化的影響下，商場上之競爭不再是小區域的
個體競爭，而是轉變為企業間整體供應鏈的競爭。具備大數據分析能力的企業，可以實
現企業內部整合及精心策劃的營運活動。如此一來，企業內部的高度協同合作可以與外
部合作夥伴進行頻繁的聯繫、交易及策略資訊之共享(Ganbold et al., 2020)，這些互動不
僅可減少資訊不對稱情況的發生，也可促成企業及時從供應鏈合作夥伴獲得有關產品需
求的最新資訊，用以輔助產品生產計劃並對需求進行預測，從而實現外部整合。
儘管本研究分析指出大數據分析能力與外部整合正向關係不顯著，但內部整合和外
部整合與營運績效正向關係皆顯著，此結果亦闡明當有效的結合內部整合和外部整合，
對企業營運績效具有協同合作之綜效。使用先進的數位科技工具協助企業和外部合作夥
伴，共同面對供應鏈整合過程可能產生之挑戰。當企業有效整合內部資源後，可更進一
步完成外部整合，能對市場需求的變化快速回應，改善產品組合的靈活性、提升品質、
顧客服務及滿意度、縮短交貨週期、減少庫存量與生產成本，最終提高營運績效。
48
第三節研究限制與未來研究建議
本研究提出了幾個重要的貢獻，但仍受限於一些限制，下述說明未來研究可以進行
具體方向。
首先是關於潛在變數的選擇，本研究多數的假設雖獲得證實與支持，測量模型和結
構模型適配指標也達到建議水準，但除了供應鏈整合，還有其他重要的因素是企業經營
者必須優先考量的，建議未來研究在大數據分析能力和績效的關係中加入其他變數，並
探索除了智慧資本，其他類型的無形資源是否有利於企業大數據分析能力的養成。
第二，為了避免潛在變數之間的交互作用效果，本研究僅選擇營運績效做為單一因
變數，維持理論模型的簡約性。Yu 等人(2018)認為少有實證研究分析供應鏈整合與財務
績效之間的關係，而 Irfan and Wang(2019)則將財務績效和營運績效兩變數結合，使其成
為競爭績效來評估企業績效。建議未來的研究可採用更全面的觀點與客觀的績效指標，
分析大數據分析能力和供應鏈整合對組織績效的影響，有助於提高研究的穩健性。
第三，本研究的問卷施測主要對象是亞洲地區企業的高階主管。由於不同地區/國家
有其獨特的經濟、文化和政治機制，並且不同產業在數位化、資訊化程度皆不盡相同，
因此在大數據分析能力和人工智慧的發展也會面臨到多元的情況與挑戰。建議未來的研
究可以專注於特定的國家或產業，檢視不同產業或其市場需求可能會發現不一致結論，
而這些差異可以充實現有的文獻，幫助研究人員提出不同面向的觀點。
最後，本研究過程雖力求客觀與周延，使用橫斷面數據(cross-sectional data)分析潛
在變數之間的關係，雖採用時間隔離測試法和哈門氏單因子測試(Harman’s single-factor
49
test)確認共同方法變異之影響，但橫斷面數據限制了確認智慧資本、大數據分析能力、
供應鏈整合和營運績效之間因果關係的機會。因此，未來可以考慮時間結構，縱貫資料
的採用可以進一步探討變數之間的因果關係，以提高調查數據的客觀性及增強研究結果
的推論能力。
50
參考文獻
一、英文文獻
Adler, P. & Kwon, S.W. (2002). Social capital: Prospects for a new concept. The Academy of
Management Review, 27(1), 17-40.
Ahmed, S.S., Guozhu, J., Mubarik, S., Khan, M., & Khan, E. (2019). Intellectual capital and
business performance: The role of dimensions of absorptive capacity. Journal of
Intellectual Capital, 21(1), 23-39.
Arribas, I., Hernández, P., & Vila, J.E. (2013). Guanxi, performance and innovation in
entrepreneurial service projects. Management Decision, 51(1), 173-183.
Ambrosini, V. & Bowman, C. (2009). What are dynamic capabilities and are they a useful
construct in strategic management? International Journal of Management Reviews, 11(2),
29-49.
Barr, P. (2004). Current and potential importance of qualitative methods in strategy research,
Research Methodology in Strategy and Management, 1, 165-188.
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of
Management, 17(1), 99-120.
Bentler, P.M. (1988). Theory and Implementation of EQS: A Structural Equation Program.
Newbury Park, CA, Sage.
Bentler, P.M. & Bonett, D.G. (1980). Significance tests and goodness of fit in the analysis of
covariance structures. Psychological Bulletin, 88(3), 588-606.
Beyer, M.A. & Laney, D. (2012). The Importance of ‘Big Data’: A Definition. Stamford, CT:
Gartner.
Bruni, D.S. & Verona, G. (2009). Dynamic marketing capabilities in science-based firms: An
exploratory investigation of the pharmaceutical industry. British Journal of Management,
20(1), 101-117.
Cai, Z., Huang, Q., Liu, H., & Liang, L. (2016). The moderating role of information technology
capability in the relationship between supply chain collaboration and organizational
responsiveness: Evidence from China. International Journal of Operations and Production
Management, 36(10), 1247-1271.
Cao, Y., You, J., Shi, Y., & Hu, W. (2020). The obstacles of China’s intelligent automobile
manufacturing industry development: A structural equation modeling study. Chinese
Management Studies, 14(1), 159-183.
Caputo, F., Cillo, V., Candelo, E., & Liu, Y. (2019). Innovating through digital revolution: The
role of soft skills and big data in increasing firm performance. Management Decision, 57
(8), 2032-2051.
51
Chae, B.K. (2015). Insights from hashtag# supply chain and Twitter analytics: Considering
Twitter and Twitter data for supply chain practice and research. International Journal of
Production Economics, 165, 247-259.
Chan, D. (1998). Functional relations among constructs in the same content domain at different
levels of analysis: A typology of composition models. Journal of Applied Psychology, 83,
234-46.
Chang, S.J., van Witteloostuijn, A., & Eden, L. (2010). Common method variance in
international business research. Journal of International Business Studies, 41(2), 178-184.
Chang, W., Ellinger, A.E., Kim, K.K., & Franke, G.R. (2016). Supply chain integration and
firm financial performance: A meta-analysis of positional advantage mediation and
moderating factors. European Management Journal, 34(3), 282-295.
Chen, C.H., (2015). Effects of shared vision and integrations on entrepreneurial performance:
Empirical analyses of 246 new Chinese ventures. Chinese Management Studies, 9(2),
150-175.
Chen, D.Q., Preston, D.S., & Swink, M., (2015). How the use of big data analytics affects value
creation in supply chain management. Journal of Management Information Systems, 32(4),
4-39.
Chen, H., Daugherty, P.J., & Roath, A.S. (2009). Defining and operationalizing supply chain
process integration. Journal of Business Logistics, 30(1), 63-84.
Chen, Y., Vanhaverbeke, W., & Du, J. (2015). The interaction between internal R&D and
different types of external knowledge sourcing: An empirical study of Chinese innovative
firms. R&D Management, 46(S3), 1006-1023.
Choi, T.M., Wallace, S.W., & Wang, Y. (2018). Big Data Analytics in Operations Management.
Production and Operations Management, 27(10), 1868-1883.
Christopher, M. & Towill, D.R. (2002). Developing market specific supply chain strategies. The
International Journal of Logistics Management, 13(1), 1-14.
Craighead, C.W., Blackhurst, J., Rungtusanatham, M.J., & Handfield, R.B. (2017). The severity
of supply chain disruptions: The design characteristics and mitigation capabilities.
Decision Sciences, 38(1), 131-156.
Davenport, T.H. & Patil, D.J. (2012). Data scientist. Harvard Business Review, 90(5), 70-76.
Diederick, V.T. & Fred, V.R.W. (2019). Artificial intelligent credit risk prediction: An
empirical study of analytical artificial intelligence tools for credit risk prediction in a digital
era. Journal of Accounting and Finance. West Palm Beach, 19(8), 150-170.
Drees, J.M. & Heugens, P.P. (2013). Synthesizing and extending resource dependence theory:
A meta-analysis. Journal of Management, 39(6), 1666-1698.
Droge, C., Jayaram, J., & Vickery, S.K. (2004). The effects of internal versus external
integration practices on time-based performance and overall firm performance. Journal of
Operations Management, 22(6), 557-573.
52
Dubey, R., Gunasekaran, A., Childe, S., Wamba, S.F., Roubaud, D., & Foropon, C. (2019).
Empirical investigation of data analytics capability and organizational flexibility as
complements to supply chain resilience. International Journal of Production Research, 119.
Eisenhardt, K.M. and Martin, J.A. (2000). Dynamic capabilities: What are they? Strategic
Management Journal, 21(10-11), 1105-1121.
Engelman, R.M., Fracasso, E.M., Schmidt, S., & Zen, A.C. (2017). Intellectual capital,
absorptive capacity and product innovation. Management Decision, 55(3), 474-490.
Erevelles, S., Fukawa, N., & Swayne, L. (2016). BD consumer analytics and the transformation
of marketing. Journal of Business Research, 69(2), 897-904.
Ferraris, A., Mazzoleni, A., Devalle, A., & Couturier, J. (2019). Big data analytics capabilities
and knowledge management: Impact on firm performance. Management Decision, 57,
1923-1936.
Flynn, B., Huo, B., & Zhao, X. (2010). The impact of supply chain integration on performance:
A contingency and configuration approach. Journal of Operations Management, 28, 5871.
Fonseca, T., Faria, P.D., & Lima, F. (2019). Human capital and innovation: The importance of
the optimal organizational task structure. Research Policy, 48(3), 616-627.
Fornell, C. & Bookstein, F.L. (1982). Two structural equation models: LISREL and PLS
applied to consumer exit-voice theory. Journal of Marketing Research, 19, 440-452.
Ganbold, O., Matsui, Y., & Rotaru, K. (2020). Effect of information technology-enabled supply
chain integration on firm's operational performance. Journal of Enterprise Information
Management, 34(3), 948-989.
Gimenez, C. & Ventura, E. (2005). Logistics-production, logistics-marketing and external
integration: Their impact on performance. International Journal of Operations &
Production Management, 25(1), 20-38.
De Giovanni, P. (2021). Smart Supply Chains with vendor managed inventory, coordination,
and environmental performance. European Journal of Operational Research, 292(2), 515531.
Graham, S. (2018). Antecedents to environmental supply chain strategies: The role of internal
integration and environmental learning. International Journal of Production Economics,
197, 283-296.
Guthrie, J., Dumay, J., & Rooney, J. (2018). The critical path of intellectual capital. In J. Guthrie,
J. Dumay, F. Ricceri, & C. Nielsen (Eds.), The Routledge Companion to Intellectual
Capital (pp. 21-39). Routledge, Taylor and Francis Group.
Gunasekaran, A., Lai, K.H., & Cheng, T.E. (2008). Responsive supply chain: A competitive
strategy in a networked economy. Omega, 36(4), 549-564.
53
Gupta, M., & George, J.F. (2016). Toward the development of a big data analytics capability.
Information & Management, 53(8), 1049-1064.
Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2010). Multivariate Data Analysis: A
Global Perspective. New Jersey, Pearson Prentice Hall.
Han, Y. & Li, D. (2015). Effects of intellectual capital on innovative performance. Management
Decision, 53(1), 40-56.
Horn, P., Scheffler, P., & Schiele, H. (2014). Internal integration as a pre-condition for external
integration in global sourcing: A social capital perspective. International Journal of
Production Economics, 153, 54-65.
Hsu, I‐C. & Sabherwal, R. (2012). Relationship between intellectual capital and knowledge
management: An empirical investigation. Decision Sciences, 43(3), 489-524.
Hsu, L.C. & Wang, C.H. (2012). Clarifying the effect of intellectual capital on performance:
The mediating role of dynamic capability. British Journal of Management, 23(2), 179-205.
Hu, L., & Bentler, P.M.（1999). Cutoff criteria for fit indexes in covariance structure analysis:
Conventional criteria versus new alternatives. Structural Equation Modeling,6, 1-55.
Huber, C., Gatzert, N., & Schmeiser, H. (2015). How does price presentation influence
consumer choice? The case of life insurance products, The Journal of Risk and Insurance,
82(2), 401-431.
Huo, B., Han, Z., Chen, H., & Zhao, X. (2015). The effect of high-involvement human resource
management practices on supply chain integration. International Journal of Physical
Distribution & Logistics Managements, 45, 716-746.
Huo, B., Ye, Y., Zhao, X., & Shou, Y. (2016). The impact of human capital on supply chain
integration and competitive performance. International Journal of Production Economics,
178, 132-143.
Huo, B., Zhao, X., & Lai, F. (2014). Supply chain quality integration: Antecedents and
consequences. IEEE Transactions on Engineering Management, 61(1), 38-51.
Gupta, M. & George, J.F. (2016). Toward the development of a big data analytics capability.
Information and Management, 53(8), 1049-1064.
Iqbal, A., Latif, F., Marimon, F., Sahibzada, U.F., & Hussain, S. (2019). From knowledge
management to organizational performance: Modelling the mediating role of innovation
and intellectual capital in higher education. Journal of Enterprise Information Management,
32(1), 36-59.
Irfan, M. & Wang, M. (2019). Data-driven capabilities, supply chain integration and
competitive performance: Evidence from the food and beverages industry in Pakistan.
British Food Journal, 121, 2708-2729.
Isaac, R., Herremans, I., & Kline, T. (2010). Intellectual capital management enablers: A
structural equation modeling analysis. Journal of Business Ethics, 93(3), 373-391.
54
Jayaram, J., Xu, K., & Nicolae, M. (2011). The direct and contingency effects of supplier
coordination and customer coordination on quality and flexibility performance.
International Journal of Production Research, 49(1), 59-85.
Jha, A.K., Agi, M.A.N., & Ngai, E.W.T. (2020). A note on big data analytics capability
development in supply chain. Decision Support Systems, 138, 113382.
Jiang, R.J., Tao, Q.T., & Santoro, M.D. (2010). Alliance portfolio diversity and firm
performance. Strategic Management Journal, 31(10), 1136-1144.
Jones, T. M., Harrison, J. S., & Felps, W. (2018). How applying instru-mental stakeholder
theory can provide sustainable competitive advantage. Academy of Management Review,
43(3), 371-391.
Joreskog, K.G. & Sorbom, D. (1996). LISREL 8: User’s Reference guide. Chicago Scientific
Software International.
Kamukama, N. & Sulait, T. (2017). Intellectual capital and competitive advantage I Uganda’s
microfinance industry. African Journal of Economic and Management Studies, 8(4), 498514.
Katkalo, V., Pitelis, C., & Teece, D. (2010). Introduction: On the nature and scope of dynamic
capabilities. Industrial and Corporate Change, 19(4), 1175-1186.
Kenny, D.A., Kaniskan, B., & McCoach, D.B. (2011). The Performance of RMSEA in Models
with Small Degrees of Freedom. Unpublished paper, University of Connecticut.
Khan S.Z., Yang Q., & Waheed, A. (2019). Investment in intangible resources and capabilities
spurs sustainable competitive advantage and firm performance. Corporate Social
Responsibility and Environmental Management, 26(2), 285-295.
Khalique, M., Bontis, N., Shaari, J.A.N.B, & Md. Isa, A.H. (2015). Intellectual capital in small
and medium enterprises in Pakistan. Journal of Intellectual Capital, 16(1), 224-238.
Kianto, A., Ritala, P.,Vanhala, M., & Hussinki, H. (2020). Reflections on the criteria for the
sound measurement of intellectual capital: A knowledge-based perspective, Critical
Perspectives on Accounting, 70, 102046.
Kogut, B. & Kulatilaka, N. (2001). Capabilities as real options. Organization Science, 12(6),
744-758.
Kumar, V., Chibuzo, E.N., Garza-Reyes, J.A., Kumari, A., Rocha-Lona, L. & Lopez-Torres,
G.C. (2017). The impact of supply chain integration on performance: Evidence from the
UK food sector. Procedia Manufacturing, 11, 814-821.
Latif, Z., Lei, W., Latif, S., Pathan, Z.H., Ullah, R., & Jianqiu, Z. (2019). Big data challenges:
Prioritizing by decision-making process using Analytic Network Process technique.
Multimedia Tools and Applications, 78, 27127-27153.
55
Latif, Z., Pathan, Z.H., Ximei, L., Tunio, M.Z., Jianqiu, Z., & Sadozai, S.K., (2018). A Review
of Policies concerning development of Big Data Industry in Pakistan: Development of Big
Data Industry in Pakistan. 2018 International Conference on Computing, Mathematics
and Engineering Technologies – iCoMET 2018.
Lee, H.L. (2004). The triple-a supply chain. Harvard Business Review, 82(10), 102-113.
Li, D.Y. & Liu, J. (2014). Dynamic capabilities, environmental dynamism, and competitive
advantage: Evidence from China. Journal of Business Research, 67(1) 2793-2799.
Li, W. & Chen, J. (2018). Backward integration strategy in a retailer Stackelberg supply
chain. Omega-international Journal of Management Science, 75, 118-130.
Liu, H., Wei, S., Ke, W., Wei, K., & Hua, Z. (2016). The configuration between supply chain
integration and information technology competency: A resource orchestration perspective.
Journal of Operations Management, 44, 13-29.
Liu, Y., Blome, C., Sanderson, J., & Paulraj, A. (2018). Supply chain integration capabilities,
green design strategy and performance: A comparative study in the auto industry. Supply
Chain Management, 23(5), 431-443.
Lu, L.H. & Huang, Y.F. (2019). Manufacturing strategy, organizational slack, and the formation
of interfirm linkages. Chinese Management Studies, 13(1), 70-92.
Lu, Y. & Ramamurthy, K. (2011). Understanding the link between information technology
capability and organizational agility: An empirical examination. MIS Quarterly, 35(4),
931-954.
Luo, Y., Huang, Y., & Wang, S.L. (2012). Guanxi and organizational performance: A metaanalysis. Management and Organization Review, 8(1), 139-172.
MacCallum, R.C. & Hong, S. (1997). Power analysis in covariance structure modeling us-ing
GFI and AGFI. Multivariate Behavioral Research, 32,193-210.
Mackelprang, A.W., Robinson, J.l., Bernardes, E., & Webb, G.S. (2014). The relationship
between strategic supply chain integration and performance: A meta-analytic evaluation
and implications for supply chain management research. Journal of Business Logistics,
35(1), 71-96.
MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis. Taylor & Francis
Group/Lawrence Erlbaum Associates.
Magistretti, S., Era, C.D., & Petruzzelli, A.M. (2019). How intelligent is Watson? Enabling
digital transformation through artificial intelligence. Business Horizons, 62(6), 819-829.
Malhotra, N., Kim, S., & Patil, A. (2006). Common method variance in is research: A
comparison of alternative approaches and a reanalysis of past research. Management
Science, 52(12), 1865-1883.
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C. & Byers, A.H. (2011),
Big Data: The Next Frontier for Innovation, Competition, and Productivity. McKinsey
Global Institute, San Francisco.
56
Marzo, G. & Scarpino, E. (2016). Exploring intellectual capital management in SMEs: An indepth Italian case study. Journal of Intellectual Capital, 17, 27-51.
Mehralian, G., Nazari, J.A., & Ghasemzadeh, P. (2018). The effects of knowledge creation
process on organizational performance using the BSC approach: The mediating role of
intellectual capital. Journal of Knowledge Management, 22(4), 802-823.
Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2019). Big Data analytics capabilities and
innovation: The mediating role of dynamic capabilities and moderating effect of the
environment. British Journal of Management, 30(2), 272-298.
Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2020). The role of information governance
in big data analytics driven innovation. Information & Management, 57(7), 103361.
Mikalef, P., Krogstie, J., Pappas, I.O., & Pavlou, P. (2020). Exploring the relationship between
big data analytics capability and competitive performance: The mediating roles of dynamic
and operational capabilities. Information and Management, 57(2), 103169.
Mucelli, A. & Marinoni, C. (2011). Relational capital and open innovation: Two cases of
successful Italian companies. Journal of Modern Accounting and Auditing, 7 (5), 474-486.
Naseer, S., Khawaja, K.F., Qazi, S., Syed, F., & Shamim, F. (2021). How and when information
proactiveness leads to operational firm performance in the banking sector of Pakistan?
The roles of open innovation, creative cognitive style, and climate for innovation.
International Journal of Information Management, 56, 102260.
Nieves, J. & Haller, S. (2014). Building dynamic capabilities through knowledge resources.
Tourism Management, 40, 224-232.
Novak, T. (1995). MANOVAMAP: Graphical representation of MANOVA in marketing
research. Journal of Marketing Research, 32(3), 357-374.
Olarewaju, O.M. & Msomi, S.M. (2021). Intellectual capital and financial performance of
South African development community’s general insurance companies. Heliyon,7(4),
e06712.
Pandza, K., Horsburgh, S., Gorton, K., & Polajnar, A. (2003). A real options approach to
managing resources and capabilities. International Journal of Operations & Production
Management, 23(9), 1010-1032.
Papadopoulos, T., Gunasekaran, A., Dubey, R., & Wamba, S. F. (2017). Big data and analytics
in operations and supply chain management: Managerial aspects and practical challenges.
Production Planning & Control, 28(11-12), 873-876.
Peteraf, M.A. (1993). The cornerstones of competitive advantage: A resource-based view.
Strategic Management Journal, 14(3), 179-191.
Pitoura, E. & Bhargava, B. (1999). Data consistency in intermittently connected distributed
systems. IEEE Transactions on Knowledge and Data Engineering, 11(6), 896-915.
57
Pradana, M., Pérez-Luño, A., & Fuentes-Blasco, M. (2020). Innovation as the key to gain
performance from absorptive capacity and human capital. Technology Analysis & Strategic
Management, 32(7), 822-834.
Preacher, K.J. & Hayes, A.F. (2008). Asymptotic and resampling strategies for assessing and
comparing indirect effects in multiple mediator models. Behavior Research Methods, 40,
879-891.
Preacher, K. & Hayes, A. (2008). Contemporary approaches to assessing mediation in
communication research. In Hayes, A. F., Slater, M. D., & Snyder, L. B. (Eds.), The SAGE
Sourcebook of Advanced Data Analysis Methods for Communication Research (pp. 1354). Sage Publications, Inc.
Rai, A., Patnayakuni, R., & Seth, N. (2006). Firm performance impacts of digitally enabled
supply chain integration capabilities. MIS Quarterly, 30(2), 225-246.
Reijsen, J.V., Helms, R., Batenburg, R., & Foorthuis, R. (2014). The impact of knowledge
management and social capital on dynamic capability in organizations. Knowledge
Management Research & Practice, 13(4), 401-417.
Rezaee, Z. & Wang, J. (2018). Relevance of big data to forensic accounting practice and
education. Managerial Auditing Journal, 34(3), 268-288.
Richey, R.G. Jr, Morgan, T.R., Lindsey-Hall, K., & Adams, F.G. (2016). A global exploration
of big data in the supply chain. International Journal of Physical Distribution & Logistics
Management, 46(8), 710-739.
Romano, A., Passiante, G., Del Vecchio, P., & Secundo, G. (2014). The innovation ecosystem
as booster for the innovative entrepreneurship in the smart specialization strategy.
International Journal of Knowledge Based Development, 5(3), 271-288.
Rooney, J., & Dumay, J. (2018). Intellectual capital and innovation. In J. Guthrie, J. Dumay, F.
Ricceri, & C. Nielsen (Eds.), The Routledge Companion to Intellectual Capital (pp. 185195). Routledge, Taylor and Francis Group.
Rupčić, N. (2019). Learning organization – organization emerging from presence. The Learning
Organization, 27(1), 17-30.
Sampoon, C. B., & Breuring, H. L., (1971). Some statistical aspects of pharmaceutical cotent
uniformity. Journal of Quality Technology, 3, 170-178.
Schumacker, R. E. & Lomax, R. G. (1996). A Beginner's Guide to Structural Equation
Modeling. Mahwah, NJ: Lawrence Erlbaum Associates.
Schmenner, R.W. (2001). Looking ahead by looking back: Swift, even flow in the history of
manufacturing. Production and Operations Management, 10(1), 87-96.
Schoenherr, T. & Speier-Pero, C. (2015). Data science, predictive analytics, and big data in
supply chain management: Current state and future potential. Journal of Business Logistics,
36(1), 120-132.
58
Schoenherr, T. & Swink, M. (2012). Revisiting the arcs of integration: Cross-validations and
extensions. Journal of Operations Management, 30(1), 99-115.
Secundo, G., Del Vecchio, P., Dumay, J., & Passiante, G. (2017). Intellectual capital in the age
of Big Data: Establishing a research agenda. Journal of Intellectual Capital, 18(2), 242261.
Seo, Y.J., Dinwoodie, J., & Kwak, D.W. (2014). The impact of innovativeness on supply chain
performance: Is supply chain integration a missing link? Supply Chain Management: An
International Journal, 19 (5/6), 733-746.
Shamim, S., Zeng, J., Khan, Z., & UlZia, N. (2020). Big data analytics capability and decision
making performance in emerging market firms: The role of contractual and relational
governance mechanisms. Technological Forecasting and Social Change, 161, 120315.
Sharma, S., Mukherjee, S., Kumar, A., & Dillon, W.R. (2005). A simulation study to investigate
the use of cutoff values for assessing model fit in covariance structure models. Journal of
Business Research, 58, 935-943.
Shou, Y., Li, Y., Park, Y., & Kang, M. (2017). The impact of product complexity and variety
on supply chain integration. International Journal of Physical Distribution & Logistics
Management, 47, 297-317.
Silva, P.D., Neto, G.C.D.O., Correia, J.M.F., & Tucci, H.N.P.T. (2021). Evaluation of economic,
environmental and operational performance of the adoption of cleaner production: Survey
in large textile industries. Journal of Cleaner Production, 278, 123855.
Sivo, S.A., Fan, X., Witta, E.L., & Willse, J.T. (2006). The search for "optimal" cutoff
properties: Fit index criteria in structural equation modeling. The Journal of Experimental
Education, 74(3), 267-288.
Sobel, M.E. (1982). Asymptotic confidence intervals for indirect effects in structural equation
models. Sociological Methodology, 13, 290-312.
Srinivasan, R. & Swink, M. (2018). An investigation of visibility and flexibility as
complements to supply chain analytics: An organizational information processing theory
perspective. Production and Operations Management, 27, 1849-1867.
Stank, T.P., Keller, S.B., & Daugherty, P.J. (2001). Supply chain collaboration and logistical
service performance. Journal of Business Logistics, 22(1), 29-48.
Su, H.Y. (2014). Business ethics and the development of intellectual capital. Journal of
Business Ethics, 119, 87-98.
Subramaniam, M. & Youndt, M.A. (2005). The influence of intellectual capital on thetypes of
innovative capabilities. Academy of Management Journal, 48(3), 450-463.
Sun, B. & Liu, Y. (2020). Business model designs, big data analytics capabilities and new
product development performance: Evidence from China. European Journal of Innovation
Management, 24(4), 1162-1183.
59
Tan, K.H., Zhan, Y., Ji, G., Ye, F., & Chang, C. (2015). Harvesting big data to enhance supply
chain innovation capabilities: An analytic infrastructure based on deduction graph.
International Journal of Production Economics, 165, 223-233.
Tian, J., Wang, K., Chen, Y., & Johansson, B. (2010). From IT deployment capabilities to
competitive advantage: An exploratory study in China. Information System Frontiers, 12
(3), 239-255.
Ting, I.W.K., Ren, C., Chen, F.C., & Kweh, Q.L. (2020). Interpreting the dynamic performance
effect of intellectual capital through a value-added-based perspective. Journal of
Intellectual Capital, 21(3), 381-401.
Titah, R., Shuraida, S., & Rekik, Y. (2016). Integration breach: Investigating the effect of
internal and external information sharing and coordination on firm profit. International
Journal of Production Economics, 181(A), 34-47.
De Toni A. F. & Tonchia S. (2003). Strategic planning and firm’s competencies:Traditional
approaches and new perspectives. International journal of operations and production
management, 23(9), 947-976.
Verma, P., Singh, B., & Rao, M.K. (2014). Developing innovation capability: The role of
organizational learning culture and task motivation. Global Journal of Finance and
Management, 6(7), 575-582.
Verona, G. & Ravasi, D. (2003). Unbundling dynamic capabilities: An exploratory study of
continuous product innovation, Industrial and Corporate Change, 12(3), 577-606.
Wagner, D.N. (2020). The nature of the Artificially Intelligent Firm - An economic investigation
into changes that AI brings to the firm. Telecommunications Policy, 44(6), 101954.
Wamba, S.F. (2017). Big data analytics and business process innovation. Business Process
Management Journal, 23(3), 470-476.
Wamba, S.F., Gunasekaran, A., kter, S., Ren, AS.J. f., Dubey, R., & Childe, S.J. (2017). Big
data analytics and firm performance: Effects of dynamic capabilities. Journal of Business
Research, 70, 356-365.
Wang, C., Zhang, Q., & Zhang, W. (2020). Corporate social responsibility, Green supply chain
management and firm performance: The moderating role of big-data analytics capability.
Research in Transportation Business & Management, 37, 100557.
Wang, G., Gunasekaran, A., Ngai, E.W., & 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.
Wang, M.M. & Wang, J.J. (2019). How vendor capabilities impact IT outsourcing performance:
An investigation of moderated mediation model. Journal of Enterprise Information
Management, 32(2), 325-344.
Wernerfelt, B. (1984). A resource-based view of the firm. Strategic Management Journal, 5(2),
171-180.
60
Wong, C.Y., Boon-itt, S., & Wong, C.W.Y. (2011). The contingency effects of environmental
uncertainty on the relationship between supply chain integration and operational
performance. Journal of Operations Management, 29(6), 604-615.
Xu, S., Su, Y., & Gao, A. (2019). Design of trusted behavior clustering system for ship’s
Internet of things terminal based on big data analysis. Journal of Coastal Research, 177183.
Yang, C., Chaudhuri, A., & Farooq, S. (2016). Interplant coordination, supply chain integration,
and operational performance of a plant in a manufacturing network: A mediation
analysis. Supply Chain Management: An International Journal, 21(5), 550-568.
Yang, C.C. & Lin, C.Y.Y. (2009). Does intellectual capital mediate the relationship between
HRM and organizational performance? Perspective of a healthcare industry in Taiwan.
International Journal of Human Resource Management, 20(9), 1965-1984.
Yu, W., Chavez, R., Mark, A., & Feng, M., (2018). Data-driven supply chain capabilities and
performance: A resource-based view. Transportation Research Part E: Logistics and
Transportation Review, 114, 371-385.
Yu, Y., Huo, B., & Zhang, Z. (2020). Impact of information technology on supply chain
integration and company performance: Evidence from cross-border e-commerce
companies in China. Journal of Enterprise Information Management, 34, 460-489.
Zhang, H., Xiao, H., Wang, Y., Shareef, M.A., Goraya, M.A.S., & Akram, M.S. (2020). An
integration of antecedents and outcomes of business model innovation: A meta-analytic
review. Journal of Business Research, Vol. ahead-of-print No. ahead-of-print.
Zhang, J. & Wu, W. (2013). Social capital and new product development outcomes: The
mediating role of sensing capability in Chinese high-tech firms. Journal of World Business,
48(4), 539-548.
Zhao, X., Huo, B., Selen, W., & Yeung, J.H.Y. (2011). The impact of internal integration and
relationship commitment on external integration. Journal of Operations Management,
29(1-2), 17-32.
二、網路資料
Kenny, D.A. (2015). Mediation. Retrieved Jan 10, 2021, from https://reurl.cc/KrEepp
Richardson, A. (2019). Why AI is key to unlock the true value of industry 4.0. Retrieved Jan
10, 2021, from https://reurl.cc/L7eWpX
61
62
附錄 中文問卷
業界先進 您好：
非常感謝您願意於百忙之中撥冗填寫此份問卷，本問卷為企
業管理研究所論文問卷，主要目的在於瞭解企業是否具有豐富
「智慧資本」的資源，進而培養「大數據資料分析」之能力，以
及在「外部整合」與「內部整合」的發展。最終，對於企業的「營
運績效」是否具有影響，希望您能提供寶貴意見。
本問卷以匿名方式進行，填寫時間約須十分鐘，其所得資料
僅供學術研究分析之用，絕對不會對外公布任何個別資料，或是
用於商業販售，敬請放心填答。衷心感謝您的熱心協助，謹此致
上萬分之謝意。
再次感謝您對於此項研究之大力相助。敬祝 順心如意
國立中央大學企業管理研究所
論文指導教授：陳春希博士
博士侯選人：陳昱橙敬上
E-mail:yucheng820610@gmail.com
63
第 1 部分：基本資料
1.
2.
您所隸屬的部門別：
□研發
□ 行銷
□財務
□專案部門
□其他：_____(請填寫)
您在貴公司已服務幾年?
□ 3 年以下
□3~5 年
□5~7 年
3.
貴公司所位於國家：______（請填寫)
4.
貴公司所屬產業別：
5.
□ 生產
□資通訊
□電子零組件
□資訊科技 □半導體
□光電
□綠能
□電動車
□7~10 年
□ 10 年以上
□物流
□其他：_____(請填寫)
□201~500人
□501~1,000人
貴公司雇用的總員工人數約為：
□1~100人
□101~200人
□1,001~3000人
□3,000人以上
64
第 2-1 部分：人力資本
1.
2.
3.
4.
5.
非 常 同 意
同
意
普
通
不
同
意
非 常 不 同 意
這次研究所探討企業擁有的「智慧資本」，包含「人力資本」、
「社會資本」、「結構資本」三個子構面，下述問題係為「人力
資本」之衡量，請勾選回答（單選)。
我們公司的員工具備良好的專業知識和技能。
我們公司的員工的能力，被公認為是同業中最好的。
我們公司的員工聰穎又有創意。
我們公司的員工是工作專業上的專家
我們公司的員工會拓展新的構想和知識。
第 2-2 部份：結構資本
1.
我們公司的員工善於使用專利或認證，來內化企業知識。
2.
我們公司的員工將大量學習的知識內化，以改善工作流程和
實務。
我們公司的員工將大部分知識，內化於操作手冊和資料庫
中。
我們公司的員工重視內部的資訊傳播、知識的流通。
我們公司的員工會促進彼此之間的溝通、資訊的交換。
3.
4.
5.
65
非 常 同 意
同
意
普
通
不
同
意
非 常 不 同 意
這次研究所探討企業「智慧資本」，其中包含「人力資本」、
「社會資本」、「結構資本」三個子構面，下述問題係為「結構
資本」之衡量，請勾選回答（單選)。
第 2-3 部份：社會資本
1.
2.
3.
4.
非 常 同 意
同
意
普
通
不
同
意
非 常 不 同 意
這次研究所探討企業「智慧資本」，其中包含「人力資本」、
「社會資本」、「結構資本」三個子構面，下述問題係為「社會
資本」之衡量，請勾選回答（單選)。
我們公司的員工擅長與外部利害關係人(如顧客、供應商)協
同合作，並且診斷和解決問題。
我們公司的員工會與外部利害關係人(如顧客、供應商)分享
資訊並相互學習。
我們公司的員工會與外部利害關係人保持良好的關係。
我們公司的員工會將專業知識，應用在外部利害關人合作時
所面對的問題，以及商業機會上。
第 3 部份：大數據分析能力
1.
2.
3.
4.
5.
我們公司的員工使用先進的數據分析技術(如模擬計算、最佳
化、迴歸分析)來改良決策。
我們公司的員工可以很容易地彙整來自許多數據源的資訊，
以用於制定決策。
我們公司的員工經常使用數據的視覺化技術(例如，儀表板上
呈現的圖形和統計圖表)，幫助決策者理解複雜的資訊。
我們公司的員工將儀表板所提供的資訊，可以幫助作者進行
必要的問題診斷。
我們公司的員工善於將儀表板相關的應用及資訊，傳送到管
理者的通訊設備(如智慧型手機、電腦)。
66
非 常 同 意
同
意
普
通
不
同
意
非 常 不 同 意
下述問題係為「大數據分析能力」之衡量，請勾選回答（單選)。
第 4 部份：內部整合
1.
2.
3.
4.
5.
6.
7.
總 是 如 此
時 常 如 此
偶 爾 如 此
很 少 如 此
從 不 如 此
下述問題係為企業「內部整合」之衡量，請勾選回答（單選)。
我們公司各部門之間的數據，能有效整合。
我們公司能有效整合、庫存管理資料。
我們公司能夠即時查詢、庫存數量。
我們公司與物流相關營運數據、能即時查詢。
我們公司會定期舉辦跨部門會議。
我們公司在新產品開發中，使用跨部門團隊。
我們公司從原物料管理到生產、運輸及銷售，所有內部各部
門間，能夠即時資訊整合及連結。
第 5 部份：外部整合
1.
2.
3.
4.
5.
總 是 如 此
時 常 如 此
有 時 如 此
很 少 如 此
從 不 如 此
下述問題係為企業「外部整合」之衡量，請勾選回答（單選)。
我們公司採用資訊科技的應用，與供應商和客戶建立聯繫。
我們公司的績效指標與外部合作夥伴保持一致。
我們公司與外部合作夥伴即時資訊共享，以進行需求預測。
我們公司與外部合作夥伴建立策略夥伴關係。
我們公司與外部夥伴合作，以改進組織內部流程。
第 6 部份：營運績效
1.
2.
3.
4.
5.
6.
我們公司能有效降低產品/服務交貨週期。
我們公司能快速回應市場需求變化。
我們公司能快速將新產品/服務推向市場。
我們公司能快速進入新市場。
我們公司能快速向客戶確認訂單。
我們公司能快速處理客戶投訴。
67
總 是 如 此
時 常 如 此
有 時 如 此
很 少 如 此
從 不 如 此
下述問題係為「營運績效」之衡量，請勾選回答（單選)。
7.
我們公司與客戶建立穩固和持續的商業合作。
本問卷至此全部結束，若您對此研究結果有興趣，請在下列□中勾選，並填寫您的
資料，本研究完成後，將提供研究結果之摘要乙份，予您參考。
1.
我需要本研究結果摘要
2. 收件人：
3. 電子信箱：
我不需要本研究結果摘要
68
附錄 英文問卷
Appendix A
Descriptions of Variables
Intellectual Capital (IC)
IC1
IC2
IC3
Human capital
IC1-1
Our employees are highly skilled
IC1-2
Our employees are widely considered the best in our industry
IC1-3
Our employees are creative and bright
IC1-4
Our employees are experts in their particular jobs and functions
IC1-5
Our employees develop new ideas and knowledge
Structural capital
Our organization uses patents and licenses as a way to store
IC2-1
knowledge
Our company incorporates much of its knowledge in the
IC2-2
processes and practices
Much of our company’s knowledge is contained in manuals and
IC2-3
databases
Our company values the internal dissemination of information
IC2-4
and the flow of knowledge
Our company fails to facilitate communication and exchange of
IC2-5
information among employees
Social capital
Our employees are skilled at collaborating with each other to
IC3-1
diagnose and solve problems
IC3-2
Our employees share information and learn from one another
Our employees interact and exchange ideas with people from
IC3-3
different areas of the company
Our employees apply knowledge from one area of the company
IC3-4
to problems and opportunities that arise in another
Big Data Analysis Capability (BDAC)
BDAC-1
BDAC-2
BDAC-3
We use advanced analytical techniques (e.g., simulation,
optimization, regression) to improve decision making
We easily combine and integrate information from many data
sources for use in our decision making
We routinely use data visualization techniques (e.g., dashboards)
to assist users or decision-maker in understanding complex
69
BDAC-4
BDAC-5
information
Our dashboards display information, which is useful for carrying
out necessary diagnosis
We have connected dashboard applications or information with the
manager’s communication devices
Internal Integration (II)
II-1
II-2
II-3
II-4
II-5
II-6
II-7
II-8
II-9
Data integration among internal functions
Enterprise application integration among internal functions
Integrative inventory management
Real-time searching of the level of inventory
Real-time searching of logistics-related operating data
The utilization of periodic interdepartmental meetings among
internal functions
The use of cross functional teams in process improvement
The use of cross functional teams in new product development
Real-time integration and connection among all internal functions
from raw material management through production, shipping, and
sales
External Integration (EI)
EI-1
EI-2
EI-3
EI-4
EI-5
Creating linkage with suppliers and customers through
information technology
Aligned performance indicators with external partners
Real-time information sharing for making common demand
forecast
Establishing strategic partnerships with external partners
Capable to work with external partners to improve interorganizational process
Operational Performance (OP)
OP-1
OP-2
OP-3
OP-4
OP-5
OP-6
OP-7
Decreasing product/service delivery cycle time
Rapidly responding to market demand changes
Rapidly bringing new products/services to the market
Rapidly entering new markets
Rapidly confirming customer orders
Rapidly handling customer complaints
Establishing a strong and continuous bond with customers
70
附錄 專用名詞及縮寫詞表
IC
智慧資本(intellectual capital, IC)
BDAC
大數據分析能力(big data analytical capability, BDAC)
EI
外部整合 (external integration, EI)
II
內部整合 (internal integration, II)
OP
營運績效 (operation performance, OP)
AVE
平均變異抽取量 (average variance extracted, AVE)
CR
组合信度 (composite reliability, CR)
GFI
配適度指標 (goodness of fit index, GFI)
CFI
比較性配適指標 (comparative fit index, CFI)
NFI
標準配適度指標 (normed-fit index, NFI)
SRMR
標準化均方根殘差值 (standardized root mean square residual, SRMR)
RMSEA
近似均方根誤差 (root mean square error of approximation, RMSEA)
71