Дипломная работа: Исследование влияния корпоративных информационные технологии на эффективность организации

Можно сделать вывод, что если не обращать внимания на данные условия, то развитие GPT не произойдет. Это подтверждается на исследовании производства полупроводников [25]. Также, данное утверждение описывают ДеЛоун и Макклин [26]. Вложения в ИТ идут сильно коррелируют с изменениями в бизнес-процессах, организационной структуре и отношениях с клиентами и поставщиками, что усложняет оценку возврата вложений в ИТ.

В работе Милгрома и Робертса [27] описываются основы комплементарных активов.

По их определению, комплементарные активы - активы, которые имеют такое влияние на друг друга, что увеличение одного из них повысит эффект от вложений в другой. Они взаимозависимы и, тем самым, увеличивают эффективность друг у друга.

Соответственно, что эффективное предприятие можно считать таковым, если у него есть система комплементарных активов. В само определение “комплементарных активов” может входить множество вещей, например, ИТ, человеческие и организационные активы. Согласно теории о комплементарных активах [28]:

· Существуют только сложные связи между активами при изменении одного либо другого

· Хороший результат не может быть достигнут с помощью небольших постепенных преобразований - изменения только основных активов, без изменения комплементарных к ним, не приведет к эффективности компании, скорее наоборот. Заимствование ИТ или инноваций у конкурентов не может привести к успеху.

· Стратегическое развитие компании основывается на комплексном подходе к развитию комплементарных активов

· Успешное внедрение новой информационной технологии или системы основывается на том, как данная технология и система вписывается в настоящую картину предприятия или же тем, как были развиты комплементарные активы к ним.

Позже, было выяснено организационный и человеческий капиталы являются наиболее значимыми комплементарными активами для ИТ [29]. По определению Р.Эвенсона и Л. Вэстфала [30], организационный капитал - это знание, которое сочетает в себе навыки работника и различный физический капитал для того, чтобы внедрить это в систему выпуска и доставки продуктов и сервисов, которые запрашиваются клиентами.

К сожалению, организационный капитал трудно отследить, так как его не отражают в финансовой отчетности предприятий (исключением является интеллектуальная собственность). Несмотря на это, организационный капитал является таким же активом и обладает определенной ценностью. Та самая ценность может быть и не реализована, по причине того, что инвестиции могут пойти не в те нужды и позже не реализуют себя как успешные вложения.

Определение “co-invention” впервые было использовано в работе Т.Бреснаана и Ш. Гринстейна [31]. Его описывают, как новое применение технологий для изменений в организации. “Сo-invention” - это неопределенный процесс, в котором пользователи информационных технологий и систем ищут новые применения и изменения тех же инноваций, с которыми они сталкиваются. То есть, когда происходит “invention”, то поставщики технологий не подстраивают свое изобретение под их пользователей. Пользователи сами придумывают пути использования новшеств. (см. Рисунок 1.12).

Рисунок 1.12. Различия “invention” от “co-invention”

Данное исследование также подтвердило существование GPT и организации как связь комплементарных активов.

Качественных исследований в данной сфере, конечно, в разы больше, чем количественных.[31] Самым выделяющимся среди них является исследование Бреснаана, Бриньолфсона и Хитта [33]. Была выявлена связь между вложениями в ИТ, изменениями в организации и в человеческом капитале. (см. Рисунок 1.13)

Рисунок 1.13. Связи изменений в компании от вложений в ИТ.

Более позднее исследование [34] было сфокусировано на формировании новых вопросов для исследования, как, например, участие разного количества компаний с разными возможностями и ИТ ресурсами для формирования общей ценности ИТ в процессе “co-creation”. Следующим вопросом стояла оцифровка разных бизнес возможностей для увеличения ценности бизнеса в разных условиях. Последним вопросом, поднятым исследователем было создание ИТ возможностей, которые смогут расширить, но не разрушить цифровой бизнес.

Другим выдающимся исследованием была работа Митаса и Раста [35]. В нем были подтверждено, что компании, которые ориентированы и на прибыль, и на расходы имеют более сильную связь ИТ с выручкой. Также, было выявлено, что компании “с двойным акцентом” имеют сильное влияние на ИТ вложения, что повышает рыночную стоимость.

Более поздние исследования только смогли подтвердить находки предыдущих исследователей, но и открыли новые вопросы для рассуждения.

Одним из “классиков второй волны” исследователей - Бриньолфсоном было проведено новое исследование [36] в 2017 году, которое учитывало абсолютно новые технологии, как, например, машинное обучение, искусственный интеллект и др. Однако, исследователь все же поднимает снова вопрос о “парадоксе продуктивности”, так как он наблюдает, что рост продуктивности не отмечается в США с 90-х годов прошлого века несмотря на то, что существует множество новых технологий, которые в разы продуктивнее чем сам человек. Он отмечает, что необходимо развивать новые инновации и найти способ учета вклада ИТ в эффективность организаций, так как он считает, что именно неправильная оценка вклада новых ИТ является главной проблемой существования современного “парадокса продуктивности”.

В данной главе были рассмотрены основные и ключевые понятия, которые были важны для последующего исследования, были рассмотрены основные работы, которые так или иначе затрагивают исследуемый вопрос.

Вначале, на ранних стадиях была выявлена сильная зависимость ИТ от управленческих затрат (SG&A). Подхватив данную идею, многие исследователи второй волны получили, что информационные технологии и системы являются технологиями общего назначения, которые влияют на эффективность компании. Технологии общего назначения сильно зависят от комплементарных активов компании, которые в свою очередь обеспечивают влияние на продуктивность. Среди комплементарных активов выделяют организационный и человеческий капиталы.

В связи с полученными выводами из обзора научной литературы, касающейся вопроса, будут глубоко изучаться комплементарные активы компаний, трансакционные издержки и организационно-человеческий капитал компаний на основе данных разных стран.

2. Подготовка данных. формирование исследовательской модели

В данной главе будут рассмотрены описание метода и гипотезы исследования, их обоснование.

Описание метода

Как уже было отмечено, для построения модели будет использоваться программный пакет SmartPLS 3.0. Он реализует метод PLS-SEM для тестирования гипотез в поисковых исследованиях на основе структурного моделирования. [41]

Метод SEM (Structural Equation Modeling, моделирование структурными уравнениями) заключается в том, что матрица наблюдаемых значений A разделяется на N независимых блоков A_n. При этом предполагается, что изменение наблюдаемых переменных в каждом блоке определяется скрытой (латентной) переменной B_n, где n=1, 2…n, которую также называют фактором или конструктом. В рефлективной модели предполагается, что латентные переменные определяют поведение измеряемых переменных, т.е.:

A_nm = л_0nm+ л_nmB_n + ?_{nm, m}= 1,…M_n,

В случае формативной модели ситуация обратная, латентные переменные определяются измеряемыми переменными уравнением:

B_n = л_0n + ?_mл_nm A_nm+ ?_n.

Здесь л_nm - это факторные нагрузки, а ?_n и ?_nm - ошибки. SEM является инструментом для построения структурной регрессии для того, чтобы выделить существующие связи между латентными переменными, которые представляются уравнением:

B_n = в₀ + ?_{x > n} в_nxB_x + ?_n

в_nx - это коэффициенты пути (path coefficients), x > n - это сумма по всем значениям x (исключение x= n).

Гипотезы о наличии связей между латентыми переменными формируются исследователем при разработке модели. Коэффициенты в_nx определяют то, насколько сильна связь между латентными переменными (все измерения перед вычислениями нормируются). Статистическая значимость этих коэффициентов (т.е. подтверждение гипотез, выдвинутых исследователем) проверяется стандартными методами регрессионного анализа.

Уравнения, связывающие измеряемые и латентные переменные, а также латентные переменные между собой, образуют систему и могут решаться методом частично наименьших квадратов, то есть PLS (Partial Least Square).

Чтобы проверить достоверность модели, в модели измерения необходимо обратить внимание на факторные нагрузки (factor loadings), комплексную надежность (Composite Reliability, CompR) и извлеченную среднюю дисперсию (AVE) [42]. Значение факторов нагрузки должно быть не менее 0.7, так как это значит, что он может объяснить не менее 50% определенного индикатора. Значения CompR и AVE должны быть не менее 0,7 и 0,5 соответственно. Такое значение комплексной надежности указывает в какой мере изменения конструкта отражается его индикаторами, а соответствующее значение AVE объясняет совокупное изменение индикаторов при данной конструкции.

Также, необходимо проверить discriminant validity, т.е. способность модели различать латентные переменные. Это означает, что связь каждого показателя с каждым из их собственных конструктов является более сильной, чем с другими. Оценивается это c помощью оценки пересекающихся нагрузок (cross loadings). Значение факторных нагрузок (factor loadings) для «своего» конструкта, должны быть больше, факторные нагрузки для других конструктов. Также есть более простой способ оценки дискриминантной валидности - это коэффициент HTMT (Соотношение heterotrait-monotrait корреляций). Данный коэффициент должен быть не более 0.85 для того, чтобы показать хорошую дискриминантную валидность модели. Также, если коэффициент HTMT больше, чем 0.85, то это говорит о сильной корреляции между латентными переменными.

После того, как модель будет проверена по всем параметрам, необходимо проверить гипотезы. Для того, чтобы проверить гипотезы надо посчитать t-статистику и p-значение, где значимыми связями окажутся те, у которых t > t_{критическое}. Далее, по величине значимых коэффициентов и наличию, либо отсутствию связей можно будет судить о различиях в группах.

Таким образом, метод PLS-SEM является полноценным инструментом для оценки гипотез исследования.

2.1 Формирование гипотез и описание модели

Рассматривание исследовательского вопроса стоит начать с формирования ответа на вопрос - как измерить эффективность организации? В наборе данных BEEPS V and MENA ES, 2012-2016 присутствуют только коммерческие организации, соответственно, логично предположить, что измерение эффективности будет отражаться в выручке компании, так как это единственный показатель, который точно может быть получен и присутствует у каждого предприятия. Стоит отметить, что многие исследователи брали именно эту переменную, как показатель эффективности, несмотря на то, какой метод использовался в работе, будь то производственная функция (исследования Бриньолфсона), метод наименьших квадратов [37] или структурное моделирование (SEM-PLS) [38]. Для измерения латентной переменной “выручка” будем использовать переменную d2 - Total annual sales last fiscal year (Общий годовой объем продаж за последний финансовый год) [39].

Как было выяснено ранее, ИТ-активы так же важны, как и комплементарные активы к ним [40]. Значит, что должны быть связи между ИТ и всеми комплементарными к ИТ активами. Следовательно, необходимо вычленить и объединить в группы, переменные, которые отвечают за инновации, организационные изменения, логистику, работников и использование ИТ. Такие группы переменных были выделены как “организационные изменения” будут отвечать за организационный капитал, “логистика” и “использование ИТ” будут отвечать за формирование GPT, “работники” за человеческий капитал, а “инновации” за инновационный потенциал компаний. Из набора данных BEEPS V and MENA ES, 2012-2016 были выделены следующие переменные, поддерживающие данные группы (см. Таблица 2).

Основываясь на предыдущих исследованиях, можно вывести следующие гипотезы:

Гипотеза А. Инновации позитивно влияют на эффективность компании

Гипотеза B. Организационные изменения позитивно влияют на Инновации

Гипотеза B1. Организационные изменения позитивно влияют на эффективность компании

Гипотеза B2. Организационные изменения позитивно влияют на работников компании

Гипотеза C. Использование ИТ позитивно влияет на эффективность компании

Гипотеза D. Логистика позитивно влияет на эффективность компании

Гипотеза D1. Логистика позитивно влияет на Инновации

Гипотеза E. Работники позитивно влияют на эффективность компании

Таблица 2. Описание латентных переменных