通过大数据分析与可持续经营实践相结合，实现可持续经营管理

译者：陈奕廷   东莞理工学院2017级      来源：EI

摘要

在当今学术界和各行业中，大数据分析正成为一个非常流行的概念。它给我们提供了新的决策工具来设计数据驱动式供应链。目前制造业难以将可持续方法整合到其整体业务中实现其可持续的运营管理。本研究旨在通过大数据分析，研究发展中国家的可持续经营业绩的预测因素。这些数据从采用可持续方法的制造企业中收集，并采用混合结构方程模型-人工神经网络模型分析316位印度专业专家的响应。因子分析结果表明，管理和领导风格、国家和中央政府政策、供应商集成、内部业务流程以及客户集成对大数据分析和可持续方法具有显著影响。此外，将从结构方程建模中获得的结果作为人工神经网络模型的输入，得出管理和领导风格、国家和中央政府政策是大数据分析和可持续方法的两个最重要的预测指标。从运营管理的角度来看，该结果为制造企业改善其可持续经营绩效提供了独特的见解，也为实现新兴经济体企业组织的可持续发展实践中的大数据实施问题提供了理论和实践见解。

1.介绍

从2000年至2018年，印度制造业增长至1980.5亿美元，其中累计外国投资768.2亿美元（IBEF，2018）。制造业公司应遵循可持续的做法，这要求政府“自上而下”的努力和公司的“自下而上”的努力（Tseng和Chiu，2013年）。联合国设定了到2030年要实现的可持续发展目标（SDG），其中包括气体排放量每年下降3--5％，这将会有50%可能使全球变暖维持在2℃以内（Griggs等，2013）。最近，政府发起了“数字印度”、“技能印度”和“印度制造”运动，旨在提高行业竞争力以实现可持续的企业经营发展（Meity，2017年）。然而，根据联合国环境规划署世界养护监测中心（UNEP-WCMC，2018年）的报告，制造业公司需要发展其经营能力并改善其绩效，才能实现可持续发展的目标。

当前，无论是在工业界还是学术界，大数据分析（BDA）都是一项高要求、高认可的研究。BDA中有五个迫在眉睫的领域，例如预测分析，增材制造，自动驾驶汽车，无边界供应链和材料科学（Fawcett和Waller，2014年）。大数据机会包括商业智能，价值创造和商业决策（Kumar等，2013）。大数据在技术上得到了进一步的发展，以识别企业的财务利益。大数据的价值无法仅通过简单的统计数据进行分析（Sandhu and Sood，2015）。如果行业可以发展新技术的实际使用能力，则BDA可能会有用。BDA功能由数据驱动，并具有以下优势：优化数据生成过程（Song等人，2015），从异构来源集成建议数据（Zhang等人，2017），将不同类型的调研发现纳入经营过程（Dubey等人，2018），数据可视化功能简化了决策流程（Ren等人，2019）

必须注意到的是，BDA可以改变制造业，从而更有效地应用可持续实践。BDA对供应链和运营管理绩效（Gunasekaran等，2017），绿色供应链（Doolun等，2018），可持续制造（Dubey等，2016），可持续采购（Kaur和Singh，2018年）和增强的业务价值（Ren等人，2017年）有积极影响。

这项研究旨在将BDA和可持续制造实践这两个研究流从企业管理环境中联系起来。文献综述以确定实施BDA的结构。使用结构方程模型-人工神经网络（SEM-ANN）对识别出的结构进行了分析。BDA可以帮助组织获得在当前动荡的市场中所需的可持续竞争优势（Gupta和George，2016年）。大数据机会包括商业智能，价值创造和商业决策（Kumar等，2013）。经济，社会和环境的可持续性是企业必不可少的方面。BDA正在改变制造企业，可以帮助企业更好地实施可持续实践（Dubey等，2016）。但是，就印度工业而言，采用BDA的主要问题包括基础设施成本，组织挑战，隐私等。因此，在像印度这样的发展中国家中，必须确定采用BDA的因素以实现可持续实践。该研究解决了以下研究问题（RQ）。

RQ1：采用BDA的关键成功因素是什么？

RQ2：BDA如何帮助制造业公司改善其可持续业务绩效？

为了解决研究问题，阅读了许多有关“大数据分析”，“可持续制造”，“采用BDA”的文献，并从专家意见中探讨因素和子因素。SEM-ANN两步混合预测分析模型从统计的角度显示了对组织影响的清晰理解（Scott和Walczak，2009）。SEM分析给出了一系列回归权重，并使用ANN对其进行了进一步排名（Priyadarshinee等人，2017年）。本研究的目的如下：

RO1：确定在印度可持续制造企业中实施BDA的成功因素。

RO2：了解BDA对制造公司实施可持续实践的影响

本文分为以下几部分：第二节讨论BDA的文献综述，然后介绍研究空白；第3节重点讨论概念框架和假设；而第4节讨论研究方法；第5节总结成果并进行管理上的讨论；最后，总结了该方法的局限性和未来的研究方向。

2.文献综述

本文的这一部分分为四个小节，分别是i）BDA挑战。ii）BDA和供应链管理。iii）可持续制造。iv）可持续商业实践的BDA。v）识别研究差距。

2.1大数据分析挑战

根据Zikopoulos和Eaton（2011）的说法，大数据是传统DBMS（数据库管理系统）工具无法处理的大数据集。大数据的五个V是数量、速度、多样性、准确性和价值（Addo-Tenkorang和Helo，2016年）。BDA可用于所有供应链功能，例如采购、物流、制造和需求管理（Nguyen等，2018）。一些大数据挑战应被认为是潜在的大数据挑战。Jin等（2015年）陈述了当前数据处理系统的一些局限性。企业不断地在决策，隐私问题以及与数据挖掘相关的道德考量方面采用新方法（Boyd和Crawford，2012年）。高数据基础架构是大数据实施中最重大的挑战之一。Sivarajah等（2017年）指出，人类应该进行分析以对数据进行分类以构建有价值的信息，需要用计算机技术来增加存储空间和人类专业知识。根据Akerkar（2013）的说法，大数据的主要缺点是数据挑战，流程挑战和管理挑战。Arunachalam等（2018）指出，组织方面的挑战是耗时问题、资源不足问题、隐私安全问题、行为问题和投资回报问题。BDA为企业提供了一系列特殊的机会，但很少有研究文章关注BDA的业务和环境方面。大数据挑战包括数据集成，数据隐私问题，资源不足和基础架构（Kim等，2014）。为了应对大数据挑战，高级BDA需要非常高效，灵活和可扩展的技能（Sivarajah等人，2017）。

2.2 BDA和供应链管理

BDA提出了新的决策工具，以进行数据驱动的供应链决策。供应链管理中的大数据是一项结构、流程和绩效研究 。Wang等（2016）通过具体的研究来审查以BDA在供应链和物流管理中的广泛应用。大数据为物流参与者带来了竞争优势的新来源，使他们能够进行供应链管理，从而提高需求和产能变化下的能力，然后根据实时情况提供合理的价格和更好的产品。Fawcett和Waller（2014）认为BDA可以作为未来供应链管理的基础。Milan和Gutie rrez（2015）表示，BDA在准确性方面为供应链管理提供了足够的机会。当前的研究已经认识到了在多层次、相互关联的系统中研究具有供应链管理的BDA的重要性。

Papadopoulos等（2017）在可持续性、风险管理和敏捷性的背景下研究了BDA和供应链的整合。该研究认为关于数据挖掘的研究有限。BDA对供应链有影响，这两个流与人力资源的整合改善了组织的可持续绩效（Singh和El-Kassar，2019年）。数据分析在可持续人道主义供应链中也可以发挥至关重要的作用（Li等，2019）。BDA功能可通过协调低碳供应链来解决碳排放成本问题（Liu，2019年）。辛格等（2018）提出了选择牛肉供应链中的供应商可基于云计算的大数据框架以实现低碳排放。

2.3 可持续制造

由于资源稀缺、消费者对绿色产品/过程的意识、环境法规和成本节约，制造商会考虑可持续制造。可持续制造的目标是创造和分配具有最佳资源利用率的商品，并消除可预防的过程输出，包括废物，CO2排放，有毒物质等（Rachuri等，2011；Piyathanavong等，2019）。绿色制造可以降低能源消耗，环境成本和商业浪费（Kazancoglu等人，2018a）。可持续性的三大支柱是通过完整的产品生命周期改善社会和经济影响并减少环境影响（Mangla et al。，2018）。由社会，经济和环境组成的“三重底线”概念是在1994年提出的（Elkington，2018年）。基于可持续性的支柱，表1总结了制造系统（Kaebernick，2014）。

表1提供了可持续制造与绿色制造之间的明显区别。绿色制造只针对社会和环境因素，而可持续制造则满足所有这三个因素。无论采用哪种可持续发展的驱动方式，制造业都面临诸如投资成本，投资回报率（ROI），技术和信息限制，标准，决策支持系统等挑战。制造业活动对环境具有重大影响，并且在制造技术、能源技术和纳米粒子技术，必须广泛研究环境指标（Esmaeilian等，2016）。Mani等（2018）研究了葡萄牙制造公司中客户、供应链、制造商和供应商的社会可持续性方面。Thakur和Mangla(2019)进行了评估可持续发展的变革管理，其中考虑了印度制造企业的运营人力-技术方面。Kazancoglu等（2018b）提出了一种基于循环经济的绿色供应链框架，该框架整合了财务、物流、营销、环境、组织和运营绩效。制造企业需要向循环经济过渡，以实现环境保护和最佳资源消耗。

表1

2.4 BDA可持续制造

BDA可用于可持续制造，供应链和决策中。杜贝等（2017年）认为，所有类型的制造公司都可以采用BDA，因为柔性和控制导向并没有在企业中发挥重要作用。具有预测性分析的BDA不仅可以提高整体可靠性，还可以改善公司绩效（Gunasekaran等人，2017）。由于当前市场动荡的形势和需求，组织必须敏捷，BDA可以帮助企业调整运营能力（Co ^ Rte-Real等，2017）。Gunasekaran等（2018）通过一个考虑市场动荡的框架研究了BDA在敏捷制造中的作用。为了理解BDA在世界一流的可持续制造（WSCM）中的作用，Dubey等人（2016年）提出了一个概念框架，其中包含八项投入结构和三项针对环境，社会和经济收益的绩效指标。此外，为了预测基于状态的维护（CBM），Kumar等人（2018）提出了一个大数据驱动的可持续制造框架，作者采用模糊无序规则归纳算法进行维护成本估算和CBM策略优化。

Stock等（2018）使用三阶段定性评估研究了工业4.0对可持续发展的社会和环境方面的影响。对于环境可持续性而言，价值创造因素具有积极作用，而能源消耗和材料数量则具有负面影响；对于社会可持续性，已确定的积极贡献者是员工的参与、更优的整合、工作充实、培训和工作与生活的平衡，而完全透明的情况下则有敲诈和剥削绩效的机会。Miranda等（2017）提出了S3（智能、感知和可持续）产品开发框架，该框架考虑了完整产品生命周期（制造、使用和报废）的经济、环境和社会方面。传感和智能的目标分别是通过控制来监视和优化参数。而可持续性的目标如下：i）降低制造成本，维护成本和回收成本的经济性；ii）减少二氧化碳排放设备、部件数量、产品包装、产品重量、二氧化碳排放量等对环境的影响，以及减少对人体健康的伤害、电力的消耗，和采取易于拆卸，便于回收利用的方法；iii）减少装配时间和产品价格，减少零件的重复使用，减少社会负担。Luthra和Mangla（2018）在印度背景下确定了4.0可持续供应链倡议的各种挑战。十八项挑战分为四个方面：组织、法律和道德、战略、技术。排名前六位的挑战如下：缺乏用于数据共享和全球标准的协议，缺乏政府政策和支持，资金限制，缺乏互联网和基础设施，缺乏最高管理层的支持和安全问题。工业4.0与循环经济之间的联系对SOM（可持续运营管理）具有影响。de Sousa Jabbour等（2018a）提出了ReSOLVE（重新生成、共享、优化、循环、虚拟化、交换）模型，该模型用于在工业4.0中产品设计，制造和物流中的关键技术，例如IoT、BD、网络物理系统（CPS）、增材制造、以及云制造。要了解工业4.0是否可以促进环境可持续制造，de SousaJabbour等人（2018b）通过关键成功因素（CSF）提出了一个整合框架。

2.5 研究的差异性

通过对文献综述的综合，作者推断出可持续性实践和BDA是两个新兴的研究议程，在发展中国家和发达国家中，它们的采用问题可能有所不同。研究差异如下：

1.当前的研究主要集中在BDA的基础上，包括价值、数量、速度和多样性。此外，当前文献分别讨论了可持续业务和BDA。很少有论文讨论采用BDA对实施可持续发展的公司的影响。组织必须意识到BDA的好处，它可以改善精益，绿色和进行可持续的实践。因此，作者专注于BDA领域的最新研究，其中包括不同类型的以环境和商业导向的变量。

2.已经实施绿色和精益生产实践的公司可以通过BDA进一步完善该系统。尽管许多文献都表明企业绩效与BDA之间存在正相关关系，但很少有人研究BDA如何为可持续的商业绩效做出贡献。在这项研究中，采用SEM-ANN的混合方法来了解BDA采用变量对可持续经营绩效的影响。

3.SEM可以验证线性关系，而ANN可以验证线性和非线性关系。ANN比SEM和多元线性回归（Chong，2013）更先进。ANN分析是非补偿性的，它弥补了SEM的缺点，这是补偿性的（Shmueli和Koppius，2011年）。拟议的方法不包括任何成熟度模型，因为这不是本研究的目的。建议的方法的其他局限性将在第5节中详细介绍。在此，作者旨在指出BDA对公司可持续绩效的影响。

3.概念框架和假设

基于文献综述和确定的研究差异，开发出一种概念模型，如图1所示。提议的研究模型包括9个因素，即：管理和领导风格（MLS）、州和中央政府策略（SCGP）、供应商集成（SI）、内部业务流程（IBP）、质量管理（QM）、客户集成（CI）、绿色精益实践（GLP），大数据分析（BDA）和可持续经营绩效 （SBP）。在此，BDA作为SBP与其他七个因素（MLS、SCGP、SI、IBP、QM、CI和GLP）之间的中介。了解这七个因素对BDA的影响可以帮助管理人员和决策者有效实施可持续的商业惯例。

图1

上述九个因素进一步分为六十项。问卷基于这些项目，使用李克特7点量表来收集受访者的意见。这些受访者来自印度制造业，大型工业的管理者对此研究做出了回应。调查期间为2017年11月至2018年6月，其中通过电子邮件和访谈收集了350份问卷。其中，有316份有效。即使已确定的行业中，采用BDA必要性的回答有从完全必要到无必要，有51％的已确定行业已采用BDA，而30％的行业正在采用BDA。为了检验问卷和项目的有效性，采用了两位学者和三个行业人士的专家意见。纳入他们的宝贵意见后，完成了问卷调查。

此外，还开发了基于9个因素和60个项目的概念框架和假设。相应问卷的项目由来自学术界和工业界的九位专家进行了验证，并采用因子分析和SEM技术进行数据分析。

表2显示了提出的假设和项目。

BDA考虑的子因素如下：BDA1：大容量，BDA2：大速度，BDA3：大品种，BDA4：大准确性，BDA5：大情报，BDA6：大分析，BDA7：大基础设施，BDA8：大 服务，BDA9：大价值，BDA10：大市场，BDA11：BDA控制，BDA12：BDA规划和协调，BDA13：BDA兼容性和模块化，BDA14：BDA投资，BDA15：BDA连接性，BDA16：BDA技术知识 和技术管理，BDA17：BDA业务与关系知识（Wamba等人，2017）。

4.研究方法

图2显示了所采用的研究方法。通过文献综述，建立了概念框架（图1）和假设（表2）。根据表2中提到的子因素开发问卷。问卷由来自学术界和工业界的专家团队进行验证。来自IT和工业工程学系的四位专家是教授，两名专家是生产经理，三名专家是数据分析师。经过试点测试后，从受访制造商收集了数据。使用SEM对数据进行统计分析。SEM的输出已提供给ANN，随后进行了讨论和研究结论。

图二

表2

4.1 样品特征

人口统计资料提供了316位受访者的描述性统计数据。如表3所示，具有毕业生人数最多的是毕业生（69.30％），具有五到七年经验的居民最多（35.76％），并且企业的年营业额有62.11％在50到100千万美元。

表3

4.2 统计分析

在数据收集阶段之后进行数据细化。通过参考研究人员的大量笔记制作成抄本。再次提供给受访者，以供他们反馈和验证。此后，对抄本的修改给出了316个精炼的回答。。使用探索性因子分析（EFA）和确认性因子分析（CFA）对这些反应进行了分析，以检验因素的可靠性、有效性和结构。数据在MicrosoftExcel中制成表格，然后导入到社会科学统计软件包（SPSS）软件版本20中进行分析。最后，使用AMOS的SEM给出了路径图。

4.2.1 全民教育分析

建议在SEM之前对测量模型进行完善，EFA通常用于实证调查（Anderson和Gerbing，1988年）。该分析是针对316位受访者（N =316）进行的。EFA是一种统计方法，用于确定数据集中变量之间的相关性。这种类型的分析提供了一种因子结构。通常，EFA准备将变量用于更清晰的结构方程建模。EFA具有探索数据模式、确定关系和数据缩减的三个功能。附件一中给出了旋转分量矩阵和KMO度量，证明KMO值0.867大于阈值限制（0.65），因此对于本研究而言是可接受的。同样，显着性值（Bartlett球形度检验）为0.000，并且低于0.05即显着性置信度的95％。所有高于0.5的社区值都是可以接受的。附件1显示了六个迭代，用于旋转分量矩阵的收敛。将所有变量中超过0.5的变量加载到相同的因子并中且没有交叉因素，表明EFA结果适合进一步分析。

4.2.2 CFA分析

Chan等（2007年）指出，CFA是SEM的重要组成部分。需要通过使用测量变量间接评估潜在变量。观察变量旨在为潜在变量创建含义。CFA说明了观察到的因素与潜在变量之间的关系。路径分析仅检查观察到的变量之间的“因果关系”，而CFA则检查“偶然的联系”形式因素以及潜在变量。因此，CFA通过仔细指定结构和指标来评估测量的有效性和可靠性。

CFA是对BDA的七个结构和可持续业务绩效的一个结构进行的。这八个结构被允许相互自由关联。BDA的七个结构是管理和领导风格（MLS），州政府和中央政府。政策（SCGP），供应商整合（SI），内部业务流程（IBP），质量管理（QM），客户整合（CI）和绿色精益实践（GLP）。构建可持续业务绩效（SBP）有十个项目。

理想情况下，卡方与df之比必须在2.0到3.0之间；但是，可以接受不超过5.0的值。对于本研究，卡方与df之比等于3.095（<5.0），因此可以接受。RMSEA（近似的均方根误差）小于0.05表示良好拟合，而0.05到0.1之间的值表示平均拟合。RMSEA（0.082）的值指定平均拟合。为了达到最佳拟合，GFI（拟合优度指数）必须高于0.90。GFI值为0.731是可以接受的。大于0.95的CFI（比较拟合指数）表示良好拟合，介于0.90和0.95之间的值表示平均拟合。对于本研究，允许使用优于0.8的CFI（0.807）。NFI（规范定位指数）大于0.8是最佳拟合，但是0.741的这项研究对于平均拟合是可以接受的。因此，该数据集指向测量模型的良好适应性是可以接受的。

CFA测试构造的所有项目的收敛有效性。根据Barki和Hartwick（2001）的测量变量和因子之间的负载应大于0.5，并且在1％的水平上，所有路径估计均具有显着性。在给定的度量模型中，负载小于0.70的情况如下：BDA连接（BDA15的值为0.673），高层管理人员对可持续实践的承诺（MLS1的值为0.538），任务自由裁量（MLS7的值为0.459），工具和 精益实践技术（GLP1的价值为0.637），质量成本（QM1的价值为0.686），客户对生态设计的反馈（CI1的价值为0.528），客户合作进行清洁生产（CI2的价值为0.614），供应商的参与（SI1的值为0.645），与供应商和供应商共享可持续性目标（SI2的值为0.635），供应商是否为绿色合作伙伴（SI3的值为0.661），与供应商的信息共享结构（SI4的值为价值）0.658），以及供应商合作（价值为0.689的SI5）。在这12个项目中，除了两个项目中，最高管理者对可持续实践的承诺（MLS1的值为0.538）和任务自由裁量权（MLS7的值为0.459），其他十个项目略低于0.7。由于剩余载荷不会损害内部一致性，因此显示了收敛有效性的可接受证明。使用AMOS（矩结构分析）20.0版进行分析。附件2显示了CFA模型的估计值，图3显示了路径图。

图3

4.2.3 扫描电镜模型

扫描电镜包括两个步骤：第一步是验证潜在因素，第二步是使用该模型来验证基于不可观察因素的假设。检查路径系数，并进行载荷以确保在CFA模型之后其是否已更改（Pawaskar等人，2018）。SEM的标准化估算在某种程度上类似于CFA模型（Raut等，2019）。从技术上讲，它表明该模型中没有可以支持SEM模型的有效性。因子可靠性是相同的，因为它显示出因子负荷的变化很小。如果不估计各个因素，模型验证将是不完整的。检查每个因素的统计显着性。模型拟合值满足阈值限制。通过用单头箭头消除双向箭头，可以将CFA的测量模型转换为SEM。检查SEM结果并进行模型拟合后，获得的结果如下。

卡方与df的比率等于3.239（<5.0），因此可以接受（Gardas等人，2019）。获得的RMSEA值为0.084，这表示平均拟合。为了达到最佳拟合，（拟合优度指数）必须高于0.90。GFI值为0.708是可以接受的。对于本研究，CFI0.791）接近允许值0.8。对于平均拟合，NFI的值（0.724）是可以接受的。估计假设检验是基于标准化负荷的价值进行的，并取决于路径估计，得出是否支持假设的结论。SEM结果支持了基于文献的概念模型。附件3显示了结构模型的估算，图4显示了路径图。

图4

4.3 假设检验

结构模型评估了研究的假设。最终模型的路径系数如图4所示。在八个假设中，六个是有意义的。下表4显示了每种假设的标准权重。

绿色精益实践（GLP）和质量管理（QM）对大数据分析（BDA）产生负面影响，而管理和领导风格（MLS）、客户集成（CI）、供应商集成（SI）、内部业务流程（IBP）、州和中央政府政策（SCGP）和大数据分析（BDA）对可持续业务绩效（SBP）产生了积极影响。

但必须注意到这项研究的某些发现与以往的研究文章形成了鲜明的对比。原因可能是由于地理区域的差异，关于BDA的问题以及以前的研究采用的方法与本研究不同。

表4

4.4 ANN应用

人工神经网络是一种用于预测分析的人工智能（AI）方法。在人工神经网络中，信息处理由神经元完成，这些神经元通过加权连接链接与其他神经元相连。人工神经网络对线性和非线性关系都具有较高的预测精度（Leong等，2015）。人工神经网络分析不需要多元假设，例如线性、均数或正态性（Abubakar等，2017）。

4.4.1 人工神经网络模型

具有输入层、隐藏层和输出层的多层模型通常用于ANN（Fausett，1994）。在这项研究中，考虑了带有FFBP（前馈-后向传播）算法的MLP（多层感知器）。MLP由输入和输出层以及一个隐藏层组成。输入层是模型的刺激，输出层是模型的刺激。隐藏层映射输出层和输入层之间的关系。没有启发式的方法来确定隐藏层中神经元的数量（Fausett，1994）。在这项研究中，使用1到10个隐藏节点检查了网络，并为隐藏层选择了10个节点。图5显示了ANN模型。

图5显示了SEM的五个重要变量被用作神经网络的输入。

图5

4.4.2 人工神经网络分析

Tan等（2014年）建议使用十折和分型数据进行交叉验证，以便有10％用于训练而90％用于测试。S形函数可提供更好的精度，因此可用于隐藏层以及输出层中。链接到隐藏层的非零突触权重的总和用于确认预测变量的重要性。详细分析如表5和表6所示。

RMSE（均方根误差）值表示神经网络模型的准确性，而每个因素都是通过对重要因素的敏感性分析来评估的。训练10个神经元的RMSE变化如图5所示。除少数点外，误差值约为零，这表明ANN估算的相关输入值接近于实际值。分析表明，MLS对BDA的影响最大，CI对BDA的影响最小。

表5

表6

5.讨论结果

在本文中，使用SEM-ANN混合方法来了解BDA在可持续商业实践中的作用。SEM分析支持提出的八个假设中的六个假设。采用BDA的五个重要因素是标准化的估算顺序，分别是“州和中央政府政策（SCGP）”、“内部业务流程（IBP）”、“管理和领导风格（MLS）、“供应商集成（SI）”和“客户集成（CI）”。但是，敏感性分析排名这五个因素是不同的。ANN分析将“管理和领导风格（MLS）”排名最高，其次是SCGP、SI、IBP和CI。

“管理和领导风格（MLS）”的最高级别表明，从组织的角度出发需要战略性的质量管理计划。管理的角色对于采用BDA至关重要。从社会的角度来看，亦从长远来看，仅将组织利润作为目标是不可持续的。BDA工具可以帮助管理人员更好地可视化和有效地制定决策。但是，BDA的跨学科性质以及初始成本是一个重大问题。因此，需要采用BDA计算ROI。

“州和中央政府政策（SCGP）”的标准化估算值最高（0.372），在ANN分析中排名第二。政府的具体政策为污染控制提供了明确的指导方针，污染控制委员会在特定间隔时间内监视污染控制。决策者寻求在制造业中促进可持续运营，BDA可以在这方面协助政府机构。因此，监管压力将促进可持续的做法。但是，为了有效地采用，必须解决政府组织的隐私问题。

在发达国家，位于偏远地区的工业很少与供应商之间有社会实践交流（Goldberg和Yagan，2007年）。供应商的选择是环境实践的基本标准之一。在选择供应商及其技术集成方面，应与公司进行一些环境合作。BDA功能可提供与供应商共享信息的有用信息架构。它确保供应商在实施可持续实践中进行合作和参与。

BDA功能可确保组织内部的可持续发展目标得到渗透，从而确保稳健的内部业务流程。这将帮助制造公司实现长期的可持续发展目标。客户满意度是绿色实践中的另一个重要因素。有效回收、生态包装和环境技术是一些必不可少的环境方面（Dubey等，2016）。BDA通过有用的信息共享来确保与客户的合作，以减少碳足迹、废物排放和污染控制。BDA在WSCM中可以发挥作用，通过降低环境成本、供应链成本和资产回报率来提高经济绩效，但是管理人员也需要考虑社会问题。最后，要在制造业中广泛采用BDA，就必须克服重大挑战，即可扩展性、数据复杂性、数据可用性、数据异质性和隐私问题（Jin等人，2015）。

5.1 理论贡献与管理意义

本研究将BDA与可持续性方法联系起来

可持续的经营管理。通过文献综述探索了对大数据分析的真正需求。近年来来自不同的技术用途发表的一些论文，很少涉及BDA等即将出现的技术。如果行业可以发展有效利用新技术的能力，则BDA会有用。

BDA功能是数据驱动的。与其他分析技术（例如描述性和预测性分析）可以增加决策过程的情况相比，描述性分析需要少量的社会干预。BDA还明确了云计算在增加大数据资产方面的功效。因此，该研究对理论和实施具有重要意义。通过以印度制造公司为例，该研究论文可以帮助研究人员全面了解BDA促进可持续发展经营。这项研究通过检查采用BDA的可持续性因素和次要因素来推动当前文献的发展。高层管理人员和管理人员可以了解BDA对于改善制造公司的组织绩效的重要性。高层管理人员的参与是提高业务绩效的重要因素。组织的高层管理人员应着眼于长期的经济可持续性。这项研究中确定的重要因素可以进一步研究。SAS（2013年）报告说，BDA在各行业中的应用很少。较少采用此技术阻碍了整个组织的发展。因此，如果他们对业务增长感兴趣，我们在研究中提出的模型对于在行业中采用BDA最为有用。

本文有助于理解BDA在发展中国家的可持续制造企业中的作用。公司可以了解采用BDA的影响因素，并迈向可持续发展的未来。管理人员可以考虑BDA的因素，以进一步增强可持续性。

这项工作对决策人员和市场营销人员也有影响。可持续制造商的决策者可以将结果用于决策。该研究表明，客户整合和供应商整合非常重要。因此，服务提供商必须在适当考虑隐私问题的前提下确保及时可靠的服务。服务提供商还可以帮助组织提高运营效率。

6.结论

BDA可以影响可持续的经营绩效实践。该研究强调了BDA在其价值提取中对可持续经营绩效的好处。像印度一样的发展中国家正在实施智能制造。在过去的研究，例如使用工业4.0的BDA进行可持续布局，在基于BDA的可持续制造以实现完整的产品生命周期以及具有预测性策略的可持续性控制，这些都证实了BDA有助于实现智能制造。这将有助于研究人员进行大数据和可持续经营管理领域的经验研究。该研究从文学评论发展到大数据功能的概念化。开发了概念性的BDA框架，以将可持续性实践联系起来，以进行更高的可持续性经营绩效管理。这项研究将指导供应链和运营经理如何通过BDA实施来发展可持续经营绩效。

附录一：旋转分量矩阵

附录二：CFA模型估计值

附录三：结构模型的估计

参考文献

（略）