基于NVivo的决策模型构建及应用

◎陈鑫凤

NVivo是一种重要的质性研究分析工具，适用于团体讨论、访谈、调查、录像、音频、社交媒体等非数量信息的处理。NVivo通过节点和编码，完成不同格式文件资料的提炼和萃取。目前，在会计领域中使用NVivo工具的文献较少，将NVivo工具运用到会计研究中能够给会计研究带来新的思路，例如王翠文等以瑞华事务所为例运用NVivo工具，基于扎根理论清楚地分析了审计质量影响因素，不论在理论上还是实践上都具有深刻的借鉴意义。尤其是在数字化经济时代下，会计研究中的数据类型不再仅限于结构化数据，还包含非结构化数据，如何进行数据分析成为一个值得考虑的问题？在国外已有许多根据访谈数据、社交媒体发布的数据等为基础撰写的会计类研究文献，例如，DainC.Donelsondetal等作者所写的文献从数据上就将实践和理论联系了起来，并提出有参考价值的新颖观点。NVivo工具是在这其中发挥着重要作用，它是分析访谈数据的重要工具。然而在国内，此类型的文献并不多见。

NVivo可以增强定性研究过程，快速处理查询，并扩展分析途径。然而，在使用之前，必须考虑以下因素：培训时间、建立编码器之间的可靠性、文档的数量和长度、编码时间、编码结构、自动编码的使用，以及可能需要单独的数据库或额外的支持软件。本文建立了一个NVivo决策模型，以确定何时将NVivo作为一个合适的会计研究定性分析工具。

一、决策模型

NVivo决策模型是可以帮助会计研究人员确定NVivo是否适合他们项目的定性需求，作为手工分析数据的替代工具。NVivo决策模型所示。NVivo决策模型包括数据管理团队在项目期间遇到的问题。NVivo决策模型构建如下图1：

图1 NVivo决策模型

二、NVivo决策模型解释

1.学习NVivo工具的时间成本。

会计研究者是否学习NVivo首先要考虑的问题是自身进行定性分析的频率。如果研究者不经常做定性研究，并且数据量有限（少于20个访谈或焦点组），那么采用手工分析更有效和更便宜。如果会计研究人员经常进行定性分析，则需要继续考虑以下因素：个人对手工或计算机分析的偏好、软件成本、对未来项目使用NVivo的预期以及学习NVivo所需的时间投资。根据经验每个学者起码要花费15-20个小时的训练，才能学会NVivo工具，并且训练时间会随着编码器的增加而延长。此外，应考虑要编码的文件的数量、文件的长度、编码的详细程度以及编码后对数据库的操作数量。如果会计研究者研究的项目是小项目或需要的结果仅仅是一个广泛的主题，手工分析数据是更有效的。然而，对于大型项目、多个项目、有稳定的数据分析团队的项目，或者需要深入详细分析的项目，NVivo可能更有效。个人对NVivo的熟练程度也可能决定使用NVivo进行分析是否更节省时间。由缺乏经验的用户进行的项目将比由有经验的用户进行的项目需要更多的时间。

2.编码结构。

为了保证编码器间的高可靠性，编码结构设计得简单明了。简单编码结构存在的一个缺点是不够承受，在实际的操作过程中，编码人员需要多花时间通过协商来开发成熟的编码结构，确定好预先的初始编码结构。在整个编码过程中，编码人员的定期会议允许添加编码结构。因此，随着文档被添加到数据库中，更成熟的编码结构也随之发展。简单编码结构存在的另外一个缺点是数据分析会变得更加复杂，即每个节点中有更多的信息供研究人员阅读和分析。如果研究人员决定手工编码数据，还需要开发某种程度的编码结构。开发编码结构所需的时间长短，不论采用人工或计算机方法，都有很大的不同。要考虑的变量包括研究人员的数量和数据分析中需要的详细程度（主题演变vs。深度分析）。

3.自动编码。

自动编码是NVivo的一个功能，允许通过嵌入在文档中的文本字符串或节标头自动编码文本文档。除了节省时间外，当文件导入NVivo时，计算机自动编码可以让会计研究人员立即调查选定的访谈数据部分。然而，自动编码功能需要一个一致和系统的访谈和转录过程。若有多个不同的网站转录访谈，有人担心，由于转录员没有接受过使用特定转录格式的培训，按章节标题自动编码将导致可靠性下降。因此，在这个项目中没有使用自动编码。为了更好地利用NVivo的自动编码功能，可以准备一个转录人员可以遵循的模板。但是，转录人员必须经过培训，以免在无意中改变模板，导致编码无效。如果编码是手工完成的，自动编码是不可选的，所以如果使用计算机化的方法，这一特性有可能节省时间和金钱资源。

4.格式。

通过使用多信息文本格式将转录本导入NVivo，可以保留诸如斜体、粗体、下划线和字体颜色等格式。相对于一些只接受纯文本的旧软件包，如NUD*IST和N6，这是一个重要的改进。在多信息文本中，会计研究人员可以很容易地将采访者和受访者的文字区分开来，并且转录者对录音带的任何强调都被保留。不仅如此，编码人员被指示将他们认为在搜索过程中有用的任何关键字的字体颜色改为红色。红色使在文档中很容易找到关键词。如果不使用多信息文本格式，开发关键字列表的这种策略是不可能的。通过突出显示文本等手动进行分析时，也可以完成格式化。但是，在使用计算机时，有更多的格式化选项，包括粗体和斜体。

5.合并NVivo软件。

合并为NVivo提供了一个预备的“校准”步骤，在此过程中，研究人员对两个数据库进行比较，可以决定是否应该生成一个新的组合数据库。用户可以决定如何处理两个数据库之间不匹配的任何文档、节点或属性。例如，用户可以决定跳过不匹配的文档、重命名文档或完全中止对齐。如果合并将在项目的后期完成，则需要特别注意项目开始时用于文档、节点和属性的命名约定。此外，在两个数据库对齐后生成的对齐日志应该被仔细检查，以确保适当且一致地处理了相似的文档、节点和属性。虽然额外的软件需要财务资源，而不需要手工分析，它可能是钱花在大型项目和使用多个编码器在多个数据库。

三、NVivo决策模型应用

大数据由高容量、高速度和高种类的数据资产组成，大量实时或几乎实时的数据不断生成，并以多种形式和各种来源提供，如社交媒体应用程序、购物门户、搜索引擎、传感器、智能应用程序和物联网。实际上这些数据所有企业都可以访问，大数据分析在业务管理的各个方面变得越来越重要。这是由大规模数据的存在和管理层将决策根植于数据的愿望所驱动的。关于在企业层面使用大数据和大数据分析技术的有效性的相同主张也适用于供应链管理（SCM）。例如，Govindan等人认为数字技术可以通过提高效率来帮助企业改善供应链绩效。Khan等人认为数字化供应链可以有效降低企业供应链风险。Li等人表明，通过使用大数据网站分析行为数据可以更好地管理需求并提高供应链绩效。Shao等人提出了一种基于大数据分析的方法，用于识别和分类关系供应商。尽管大数据分析在支持企业和供应链层面的决策方面具有潜力，但对在企业如何在实践中建立其大数据分析能力并克服相关的组织挑战仍然缺乏了解。本文打算了解企业在建立与供应链相关的BDA能力时使用的机制。具体而言，我们的工作旨在回答以下研究问题：哪些因素决定了企业建立大数据分析管理其供应链的能力？为了回答这个问题，本文使用基于NVivo的探索性归纳方法。

1.研究和数据收集的设计。

本文使用关键线人访谈和主题分析作为选择的方法，遵循半结构化的开放式访谈形式，以便在研究设计中最大限度地激发信息。本文的目标是从位于具有对比特征的地点的企业收集数据，以便能够收集有关不同环境中大数据分析能力发展的最大见解。本文采访的14个关键线人，他们在企业担任供应链部门中最高级的职位。因此，它们不仅代表了对这个问题的个人经验，而且代表了企业层面的观点。因此，我们的数据代表了14家企业。通过多种渠道与受访者进行了接触。

2.数据编码。

使用Nvivo软件记录和转录访谈，以分析和编码数据，具体编码内容如表1所示。

?

3.研究结论。

（1）在竞争更激烈的外部环境中，大数据分析能力发展在企业中得到显著增强。导致企业对技术增强或能力发展进行重大投资的最大外部因素之一是竞争压力。企业的成长和能力发展被置于竞争环境的范畴内。一些企业转向大数据分析技术以保持竞争力并保持对客户的吸引力。在那些企业面临日益激烈的竞争的情况下，情况尤其如此，因为他们的竞争对手采用了这些技术。

（2）在采用专用方法进行数据管理并使用高级软件的企业中，大数据分析能力发展显著增强。就发展大数据分析能力的技术准备情况而言，我们在数据分析中出现的一个重要方面是数据管理。在访谈中，SCM高管一再指出数据管理是影响大数据分析技术能力积累的最重要因素之一。只有通过积极的数据管理，大数据分析的核心能力才能富有成效。在某些企业中管理者对SAP和ERP软件的功能缺乏认识，他们并不知晓这些软件带有内置的预测系统，并使用高级分析技术来实现高质量的规划，这使得他们进行数字化改革难度加大。

（3）在人力资源环境良好的企业和有大数据分析培训计划的企业中，大数据分析能力发展显著增强。缺乏熟练掌握新技术的人才资源可能对企业的技术规划和能力提升有害。对于不断发展的技术，熟练数据分析操作的人才资源既不容易获得，也不容易开发。缺乏熟练数据分析操作的人才资源可用性会阻碍企业的快速能力建设。将与数字化供应链条的所有员工进行针对性的培训上岗是一项挑战，其时间成本和经济成本都很高。

四、未来研究展望

本工作是探索性研究，提出了一定的命题和框架。这些是基于研究人员对数据的解释和收集这些数据的情况。在任何半结构化的访谈设置中，访谈者的角色是有限的，以引出访谈者讨论的广泛话题，因此，理论上是说的通的。如前所述，我们依次进行了访谈、转录和编码。因此，我们可以在访谈和数据中找到相似的模式。由于模式的相似性没有经过结构化问卷和调查的干预就出现了，我们可以可靠地假设这些结果是稳健的、可推广的。在可泛化性方面，我们需要讨论的是，该领域的方法学研究已经区分了理论泛化和统计泛化。这篇论文并没有声称我们的发现具有统计上的普遍性。然而，稳健的数据收集工作、信息提供者的质量和理论驱动的发现支持我们的结论是有理论基础的，并可以在未来的研究中得到实证验证。虽然采取了适当的注意，以确保作者在分析数据时不存在任何偏差，但可能会出现意想不到的偏差。需要进一步的分析、研究和基于数据的大规模统计研究来确认我们工作的结果。其次，我们进行了一项横截面研究，在该研究中，我们收集了来自多个公司和管理者关于大数据分析能力开发和问题的状态的数据。这种方法使我们能够广泛地撒网。它适合于第一次探索性研究。这样的研究设计收集所有可能影响公司的因素是合适的。与其他公司相比，其中一些因素可能对某些公司更为相关。为了更深入地研究能力发展，可以采用纵向案例研究作为后续研究。