基于数据网络效应视角：数据驱动如何提升数字平台生态系统竞争优势
本报告旨在为学术界同仁介绍一篇由马鸿佳、王春蕾、李卅立、肖彬合作撰写，发表于《管理世界》2024年第12期的重要研究论文。该研究题为《数据驱动如何提升数字平台生态系统竞争优势？——基于数据网络效应视角》，深入探讨了在数字经济背景下，数字平台生态系统如何通过数据驱动构建和维持其竞争优势的内在机制。
一、 研究的学术背景与目标
本研究植根于工商管理学科，特别是战略管理与数字平台创新领域。随着数字经济成为全球经济增长的核心引擎，数字平台生态系统作为一种新型的生产力组织方式，聚合了数字平台企业、互补者（如应用开发者、卖家）和用户等多方主体，在资源配置、创新创业、产业升级等方面扮演着关键角色。中国政府也高度重视平台经济发展，鼓励平台企业做大做强。然而，尽管数据被普遍视为数字时代的关键战略资源和新生产要素，实践中，拥有海量数据的数字平台其发展水平却参差不齐。例如，抖音、小红书等平台蓬勃发展，而饿了么、土豆网等则面临被收购或昙花一现的困境。这一现象揭示了一个核心的理论与实践问题：为何同样拥有数据，不同平台的命运却截然不同？换言之，数字平台生态系统究竟如何通过有效管理和利用数据（即“数据驱动”）来建立可持续的竞争优势？
现有研究尚不足以清晰回答这个问题，存在三个主要缺口：第一，尽管学者们认识到数据驱动对竞争优势至关重要，但对其构成要素（数据、技术、人）及要素间的相互作用缺乏深入剖析，尚未提炼出系统的作用机制。第二，传统的行业结构观、资源基础观和动态能力理论在解释数据驱动的平台竞争时面临挑战。数据资源的通用性模糊了行业边界，其可复用、高增速等新特征超越了传统资源观对资源特性的定义，而动态能力理论则相对忽视了互补者、用户等多主体互动的作用。第三，现有研究未能清晰区分不同类型的数字平台（如数字交易平台与数字创新平台）在数据驱动形成竞争优势机制上的差异。
因此，本研究旨在弥补上述研究缺口，并重点探讨三个核心问题：1) 数据驱动的构成要素是什么？2) 这些要素如何相互作用，进而提升数字平台生态系统的竞争优势？3) 上述作用机制在数字交易平台（如淘宝、京东）和数字创新平台（如苹果iOS、安卓系统）之间有何区别？基于此，论文采用了数据网络效应理论作为核心分析框架，该理论强调数据、机器学习、多主体互动与网络效应的结合，更适合解释平台生态系统背景下的数据价值创造过程。
二、 研究的详细工作流程与方法论
本研究是一项理论构建型研究，采用逻辑推演与实例分析相结合的方法，并未涉及传统的实证数据收集与假设检验。其工作流程并非基于实验或大样本统计，而是通过严谨的理论推导和命题构建，结合典型平台案例（如抖音、拼多多、苹果、谷歌等）进行阐释，从而构建一个整合性的理论模型。具体流程可分为以下几个关键步骤：
第一步：理论基础与文献梳理，构建分析框架。 研究者首先系统回顾了关于数字平台生态系统、数据驱动、竞争优势以及数据网络效应理论的现有文献。这一步骤明确了关键概念的定义：数字平台生态系统被定义为围绕数字平台形成的、由平台企业、互补者和用户构成的元组织；数据驱动被概念化为一个动态过程；竞争优势被区分为基于规模（用户/互补者数量）和基于差异化（技术架构独特性、市场定位）的竞争优势。更重要的是，研究指出传统战略理论的局限性，并确立了数据网络效应理论作为本研究的基础理论视角。该理论的核心在于解释数字平台如何通过从用户数据中学习（前提1:平台作为学习基础设施；前提2:机器学习转化数据价值），改进产品/服务，提升用户价值，吸引更多用户产生更多数据，从而形成自我强化的正反馈循环（前提3&4:多主体价值共创与利益平衡；关键条件1&2:个体数据提升整体价值、实时更新惠及当前用户）。这为后续的机制分析提供了坚实的理论基石。
第二步：解构数据驱动，提出核心命题一。 基于文献缺口（忽视“人”的作用及算法细节），研究者首先对数据驱动的构成要素及其相互作用进行了深入解构。研究提出，数据驱动是数据、机器学习算法与算力、人三种要素协同适配、共同释放数据价值的过程。 * 数据：是基础，包括平台专有数据（用户、互补者、平台自身数据）和公共数据，以及结构化与非结构化数据。 * 机器学习算法与算力：是支撑，研究特别引入了监督学习、强化学习和无监督学习三种机器学习方式，并讨论了其不同原理及对意外分析结果的容忍度，将其视为将数据转化为“数据智慧”的引擎。 * 人（决策者）：是保障，强调决策者的人机协同意愿（数字化文化、思维）和能力（理解技术、解读数据、判断因果）至关重要，用于弥补“数据智慧”在处理复杂模糊问题上的局限，实现人类智慧与数据智慧的互补与增强。 三者相互作用的过程是：平台用数据训练机器学习算法，算法在算力支持下产出数据智慧，决策者则基于其意愿和能力对数据智慧进行解读、判断并融入决策，三者不断迭代。基于此分析，研究者提出了命题1，明确了数据驱动的内涵。
第三步：剖析数据网络效应的形成机制，提出命题二系列。 这是机制分析的第一阶段。研究者详细论述了数据驱动如何通过与生态系统中多主体互动，迭代形成数据网络效应。 * 数据驱动对多主体互动的影响（命题2a）：数据驱动能提升数字平台企业的整合能力，包括数字感知（更快更广地识别机会与威胁）、数字利用（迅速决策行动）和数字重构（高效协调内外部资源）能力。这种增强的整合能力使得平台能更好地组织用户、互补者进行价值共创（如猪八戒网匹配供需），并进行合理的价值分配（如拼多多设计拼单和补贴），兼顾各方利益，避免价值过度攫取。 * 多主体互动对数据驱动的反馈（命题2b）：成功的价值共创与分配提升了平台对潜在用户的吸附能力（借助直接/间接网络效应吸引新人）和对现有用户的维持能力（通过让渡价值、建立信任留住用户）。这两种能力的增强带来了更多用户和互补者，进而产生了更丰富的互动数据，这些新数据反馈回平台，用于进一步训练和优化算法，从而增强了数据驱动本身。 * 迭代循环形成数据网络效应（命题2c）：上述过程构成了一个正反馈循环：数据驱动 → 提升平台整合能力 → 促进多主体价值共创与分配 → 增强平台吸附与维持能力 → 吸引/维持更多主体、产生更多数据 → 强化数据驱动。研究者论证，这个循环完全符合数据网络效应理论的四个前提假设和两个关键条件，因此其持续运行的结果就是数据网络效应的形成。例如，抖音通过算法学习用户数据，优化推荐和创作工具，提升体验吸引更多用户，用户产生的新数据又进一步优化算法，如此循环。
第四步：阐述数据网络效应对竞争优势的影响，提出命题三。 这是机制分析的第二阶段。研究指出，一旦形成数据网络效应，它将通过两种路径自我强化地提升数字平台生态系统的竞争优势： * 规模化优势：数据网络效应能突破传统网络效应的地域限制（例如，一个城市的数据学习能惠及所有城市用户），产生更强的“滚雪球”效应，使平台规模（用户和互补者数量）迅速扩大并形成高壁垒，让新进入者难以跨越“冷启动”门槛。 * 差异化优势：数据网络效应能强化平台独特的技术架构（如抖音的推荐算法）和市场定位。平台通过持续数据学习，不断优化技术、迭代功能，并利用数据优化过滤机制或发现新市场机会，从而维持或创造独特的差异化定位。 这两种优势相互关联且能自我强化，共同构成了生态系统的竞争优势。由此提出命题3。
第五步：比较不同类型平台的机制差异，提出命题四与命题五。 研究引入了平台类型作为重要的边界条件，区分了数字交易平台（主要功能是促成交易，如淘宝、滴滴）和数字创新平台（主要功能是促成创新，如iOS、安卓）。 * 形成阶段的差异（命题4a, 4b）：在数据网络效应形成（第一阶段）时，数字交易平台启动数据驱动的成本更低（基础架构相对简单），且互动更多地发生在用户与互补者之间（如买卖交易）。而数字创新平台启动成本更高（需提供复杂的整合解决方案），互动更多地发生在数字平台企业与互补者之间（如共同开发、解决兼容性问题）。 * 作用路径的差异（命题5a, 5b）：在数据网络效应提升竞争优势（第二阶段）时，数字交易平台的竞争优势更多通过规模化来体现，其主导逻辑是“赢者通吃”。数字创新平台的竞争优势则更多通过差异化来体现，其主导逻辑是“身份独特性”，用户可能因为偏爱平台的特定属性（如iOS系统的流畅与安全）而选择它，即使其规模不是最大。
第六步：构建整合性理论模型。 综合所有命题，研究者最终构建了一个两阶段理论模型。第一阶段描述了数据驱动通过与多主体互动形成数据网络效应的迭代循环过程；第二阶段描述了数据网络效应通过规模化和差异化两条路径提升生态系统竞争优势。该模型同时明确了数字交易平台与数字创新平台在这两个阶段中的关键差异。
三、 研究的主要结果与逻辑推进
本研究通过上述严谨的理论推导，得出了一系列相互关联、逻辑递进的结果： 1. 关于数据驱动内涵的明确结果：研究成功地将数据驱动解构为数据、算法与算力、人三大要素的协同过程，并特别强调了“人”的决策者角色和三种机器学习方式的具体作用。这为后续分析数据驱动如何影响生态系统互动提供了清晰的起点（对应命题1）。 2. 关于数据网络效应形成机制的结果：研究清晰地展示了数据驱动并非直接带来竞争优势，而是通过一个动态的、循环的中介机制——即提升平台整合能力，进而促进多主体价值共创与分配，再通过增强平台吸附与维持能力反馈更多数据——来形成数据网络效应。这一结果将抽象的“数据价值”转化为了具体的、可观察的生态系统互动和增长循环（对应命题2a, 2b, 2c）。 3. 关于数据网络效应作用结果的结果：研究结果表明，数据网络效应是竞争优势的直接来源，它同时且自我强化地带来了规模化和差异化两大优势。这解释了为什么成功的平台既能拥有巨大规模，又能保持独特性和用户粘性（对应命题3）。 4. 关于平台类型调节作用的结果：研究结果明确了上述通用机制在不同类型平台中的具体表现差异。对于数字交易平台，其机制起点（启动成本低、侧重用户-互补者互动）和最终优势体现（侧重规模）具有特定模式；对于数字创新平台，则表现为另一套模式（启动成本高、侧重平台-互补者互动、优势侧重差异化）。这一结果极大地细化和深化了对数据驱动作用机制的理解，使其更具解释力和预测力（对应命题4a, 4b, 5a, 5b）。
这些结果环环相扣：从解构数据驱动（起点），到揭示其通过互动形成数据网络效应的中间过程（桥梁），再到阐明数据网络效应产生竞争优势的具体路径（终点），最后通过区分平台类型使整个模型更具情境敏感性和完整性。每一步的结果都为下一步的分析提供了基础和依据，共同支撑起最终的理论模型。
四、 研究结论与价值
本研究的主要结论如下： 1. 数据驱动是数据、机器学习算法与算力、人三种要素协同适配以释放数据价值的动态过程。 2. 数据驱动提升数字平台生态系统竞争优势的机制分为两个阶段：第一阶段，数据驱动与生态系统中多主体互动形成迭代循环，催生数据网络效应；第二阶段，数据网络效应通过自我强化的规模化和差异化提升生态系统竞争优势。 3. 上述机制在数字交易平台与数字创新平台中存在系统性差异：在形成阶段，数字交易平台启动成本低、用户-互补者互动多；数字创新平台启动成本高、平台-互补者互动多。在作用阶段，数字交易平台更依赖规模化优势，数字创新平台更依赖差异化优势。
本研究的理论贡献显著： * 理论视角创新：率先系统运用数据网络效应理论来解释数字平台生态系统的竞争优势问题，克服了传统行业结构观、资源基础观和动态能力理论在解释数据资源特性和多主体互动时的局限性，提供了一种非线性的、基于反馈循环的竞争优势解释范式。 * 概念构建深化：明确并丰富了“数据驱动”的构成要素分析框架，在“数据”和“技术”之外，强调了“人”（决策者）的关键作用，并引入了具体的机器学习方式，响应了学界呼吁，为后续研究奠定了基础。 * 机制情境化细化：首次清晰揭示了数据驱动提升竞争优势的机制在数字交易平台和数字创新平台两类基本平台类型中的区别，推动了相关研究的精细化。
在管理实践方面，本研究为数字平台企业提供了重要启示：企业不能仅停留在积累数据的层面，而需系统构建数据、算法算力和人才（决策者）协同的驱动体系；应注重利用数据驱动来增强其整合能力，促进生态内多主体良性互动与价值共享，以形成数据网络效应的正向循环；同时，需根据自身平台类型（交易型或创新型）采取差异化的数据战略，聚焦于规模扩张或差异化构建。
五、 研究的亮点
本研究的突出亮点在于： 1. 清晰的理论机制构建：研究成功构建了一个逻辑严密、包含两个阶段和多个反馈环节的整合模型，清晰地描绘了从“数据”到“竞争优势”的“黑箱”过程。 2. 关键的情境边界界定：通过引入并区分数字交易平台与数字创新平台，研究避免了过度一般化的结论，使理论模型更具解释力和现实指导意义。 3. 对“人”的要素的重视：在高度技术导向的数据驱动讨论中，明确将决策者的人机协同意愿和能力纳入核心分析框架，体现了技术与管理融合的视角。 4. 扎实的理论对话：研究不仅提出了新观点，还与数据网络效应理论、机器学习理论、平台理论等进行了深入对话，并指出了经典战略理论在数字时代的边界，体现了较高的理论深度。
六、 其他有价值的内容
此外，论文在文献回顾部分对数字平台、数字平台生态系统、数据网络效应等核心概念进行了清晰的界定和辨析，为读者提供了扎实的知识基础。文中穿插的丰富实例（如抖音、拼多多、苹果、猪八戒网等）使复杂的理论机制变得易于理解。同时，研究也指出了数据的局限性（作用范围有限），建议资源有限的平台企业可以采取聚焦策略，逐步扩展，这对创业型或中小型平台具有现实指导意义。