大数据驱动制造企业与物流企业协同发展的实证研究

张季平 陶君成 尤美虹

摘要：大数据和大数据技术的快速发展和应用，为制造企业和物流企业的生存和发展带来了新的机遇和挑战，如何运用大数据和大数据技术推动制造企业与物流企业有效协同，成为当前理论界和实业界关注的焦点。为探究大数据驱动制造企业与物流企业协同发展的内在机理，可基于大数据可挖掘性、价值性、真实性、多样性等主要特性，构建大数据驱动制造企业与物流企业协同发展概念模型并提出研究假设，进而运用结构方程模型对研究假设进行验证。研究结果发现，大数据的价值性、真实性、多样性对制造企业发展水平具有显著正向影响，而可挖掘性对其正向影响不显著；大数据的真实性、可挖掘性、多样性对物流企业服务水平具有显著正向影响，而价值性对其正向影响不显著；大数據的可挖掘性、真实性对制造企业与物流企业协同程度具有显著正向影响，而多样性、价值性对其正向影响不显著，不过价值性可以通过影响制造企业发展水平产生间接影响作用。这与目前我国制造企业、物流企业运用新一代信息技术驱动自身转型升级尚处于起步阶段存在很大关系。未来，随着科学技术的进步以及制造企业智能化与高端物流的发展，大数据将在驱动制造企业与物流企业协同方面发挥显著重要作用，最终促使制造企业与物流企业形成长期稳定的协同发展关系。

关键词：大数据；物流企业；制造企业；协同程度；高端物流

中图分类号：F272.7文献标识码：A文章编号：1007-8266（2020）02-0003-12

一、引言

大数据概念自提出至今已有十余年时间，大数据及大数据技术的开发和应用在制造业、物流业、金融业等行业已经逐步展开，创造了巨大的社会价值。尽管大数据为制造企业和物流企业的发展带来了新的机遇，但爆炸式的数据增长对制造企业和物流企业原有的数据采集、筛选、存储、分析、处理、应用以及两者间的合作方式等提出了新的挑战，也对更高层面的理论创新提出了新的要求。通过系统梳理国内外相关文献可以发现，这一领域的研究尚处于理论探索阶段，缺乏实证研究且视角较为单一。比如，有学者从制造企业视角进行制造业大数据架构[ 1 ]、大数据应用框架[ 2 ]、大数据应用原理[ 3 ]等方面的研究；也有学者从物流企业视角分析大数据如何驱动物流企业变革创新[ 4 ]、如何帮助物流企业解决实际运营中遇到的问题[ 5 ]、如何应用于物流及供应链管理[ 6-8 ]等。但是，大数据的内涵是什么，大数据能否驱动制造企业与物流企业协同发展，大数据对制造企业与物流企业协同发展的内在作用机理与主导逻辑是什么？这一系列问题均有待深入研究。因此，为剖析大数据对制造企业与物流企业协同发展的作用机理，本研究首先对大数据的内涵进行全面分析，然后对大数据的可挖掘性（MIN）、价值性（VAL）、真实性（VER）、多样性（VAR）特性同制造企业与物流企业协同发展关系的内在机理进行分析，提出研究假设，最后运用结构方程模型对假设进行检验并得出相应结论。

二、大数据内涵与理论假设

（一）大数据内涵

大数据是一个新兴的研究领域，截至目前学术界对大数据内涵的解释仍未达成一致。通过对现有观点的归纳和总结，可将其内涵概括为三个层次五个方面的内容。其中，第一层指的是具有“6V”①特性的大数据本身，第二层指的是大数据分析技术，第三层指的是数据科学，而大数据内涵所涉及的内容包括大数据资源战略化、大数据价值商业化、大数据来源社会化、大数据共享网络化、大数据分析智能化等[ 9-18 ]。

在对各种观点进行对比分析和归纳总结的基础上，本研究将从以下四个维度入手来概括大数据的内涵：

一是可挖掘性（MIN）。从大数据资源战略化的角度看，大数据作为一种资源，与自然资源存在根本区别，任何拥有大数据资源使用权的组织或个人都可以对其进行重复挖掘与利用，大数据资源可以说是取之不尽、用之不竭的。

二是价值性（VAL）。从大数据价值商业化的角度看，大数据资源具有低密度、高价值属性，蕴藏于海量数据具有商业价值的信息其价值密度非常低，而这增加了挖掘和利用其价值的难度。

三是真实性（VER）。从大数据来源社会化的角度看，大数据具有与生俱来的真实性，其真实性表现为，它能够全面、准确、细致地反映现实世界和网络世界的真实情况，并且能够全面刻画和记录各行为主体参与社会活动各方面的行为轨迹。

四是多样性（VAR）。从大数据共享网络化及大数据分析智能化的角度看，大数据的多样性表现为数据来源的多样化、数据类型的多样化、数据功能的多样化和大数据分析处理技术的多样化。

（二）模型构建与理论假设

为更好地探讨大数据同制造企业与物流企业协同发展的逻辑关系，进一步揭示大数据对制造企业与物流企业协同发展的内在作用机理，本研究构建大数据特性同制造企业与物流企业协同发展之间关系的概念模型（如图1所示），为后续实证研究做铺垫。

1.大数据可挖掘性同制造企业与物流企业协同发展之间的关系

可挖掘的大数据驱动制造企业与物流企业协同发展是多层次、全方位的。大数据作为驱动制造企业与物流企业协同发展的战略性资源，已经成为制造企业和物流企业追求差异化和获取经济租金的重要资源，对其进行持续开采和挖掘，将为制造企业和物流企业提供源源不断的新资源、新能力，为制造企业与物流企业协同发展提供新的路径。大数据的可挖掘性正在改变制造企业与物流企业的生存环境、资源环境和技术环境。基于上述分析，提出如下假设：

H1：大数据的可挖掘性对制造企业与物流企业协同发展具有正向影响。

进一步细分为：

H1a：大数据的可挖掘性对制造企业发展水平具有正向影响；

H1b：大数据的可挖掘性对物流企业服务水平具有正向影响；

H1c：大数据的可挖掘性对制造企业与物流企业协同程度具有正向影响。

2.大数据价值性同制造企业与物流企业协同发展之间的关系

尽管大数据资源的价值密度低，但其作为基础条件和技术工具时，拥有放大其他资源价值的能量。制造企业和物流企业通过开发利用大数据资源中有价值的重要数据，能够对制造企业的关键生产流程、物流企业的关键业务进行流程重组和业务再造，为制造企业与物流企业协同发展提供新的路径。由此可见，有价值的大数据资源及大数据分析技术已经成为驱动制造企业与物流企业协同发展的重要引擎。基于上述分析，提出如下假设：

H2：大数据的价值性对制造企业与物流企业协同发展具有正向影响。

进一步细分为：

H2a：大数据的价值性对制造企业发展水平具有正向影响；

H2b：大数据的价值性对物流企业服务水平具有正向影响；

H2c：大数据的价值性对制造企业与物流企业协同程度具有正向影响。

3.大数据真实性同制造企业与物流企业协同发展之间的关系

大数据的真实性表现为，它能够全面、准确、细致地反映现实世界和网络世界的真情实景，有助于提高制造企业和物流企业对客户的认知水平。大数据的真实性使得制造企业和物流企业能够洞察客户的真实需求，通过对客户的消费观、价值观、兴趣、爱好及信息沟通方式等进行细致分析，实现准确的市场细分进而实现产品或服务的个性化定制。基于上述分析，提出如下假设：

H3：大数据的真实性对制造企业与物流企业协同发展具有正向影响。

进一步细分为：

H3a：大数据的真实性对制造企业发展水平具有正向影响；

H3b：大数据的真实性对物流企业服务水平具有正向影响；

H3c：大数据的真实性对制造企业与物流企业协同程度具有正向影响。

4.大数据多样性同制造企业与物流企业协同发展之间的关系

大数据的来源既包括传统类型的结构化数据，也包括半结构化数据和非结构化数据，基于不同的开发方式或开发目的，大数据资源呈现出多样化的功能。通过对多样化的大数据信息（如图像、数字、文本、音频、视频等）进行实时提取与整合，能够获取客户以及竞争对手的动态信息，洞察市场机遇并快速做出反应，推动商业模式创新，最终实现从供应链向价值链进而向网络生态链的演变。基于上述分析，提出如下假设：

H4：大数据的多样性对制造企业与物流企业协同发展具有正向影响。

进一步细分为：

H4a：大数据的多样性对制造企业发展水平具有正向影响；

H4b：大数据的多样性对物流企业服务水平具有正向影响；

H4c：大数据的多样性对制造企业与物流企业协同程度具有正向影响。

三、研究方法

本研究涉及的大数据特性、制造企业发展水平、物流企业服务水平、制造企业与物流企业协同程度均为不能直接测量的潜变量，需要依靠观察变量进行测量，因此采用结构方程模型对其进行实证研究。本研究观察变量题项的设定主要来源于以下三个方面：一是国内外研究已有的成熟量表；二是国际知名公司白皮书提供的对企业进行调研时采用的题项；三是在借鉴国内外已有研究成果的基础上，根据本研究实际情况设定的测量题项。

（一）潜变量测量

1.大数据特性测量

（1）大数据的可挖掘性（MIN）。企业在运营过程中会产生大量的数据，只有运用高级分析技术对其进行分析和挖掘，才能获得有价值的信息和知识[ 19 ]。企业对大数据进行深度分析、挖掘和应用的能力主要体现为，企业拥有大数据分析工具软件，并且能够利用这些软件对大量数据进行实时处理，最终提取出有价值的数据、信息和知识[ 20 ]。大量数据对企业而言是机遇而非负担，企业应将高级分析工具与大数据结合起来，形成自己独特的竞争优势[ 21 ]。

（2）大数据的价值性（VAL）。敦豪航空货运公司（DHL）发布的一份白皮书提出，大数据可以从三个方面创造价值，即提高企业运作效率、提升客户体验、激发新的商业模式[ 22 ]。国际商业机器公司（IBM）发布了一份白皮书，从三个层次（基础层、驱动层、扩大层）九个方面（价值源、价值衡量、基础平台、企业文化、企业数据源、组织间信任、领导支持、外部资金、数据专家）探讨了大数据在企业中创造价值的基础，即企业内部的驱动力和外部的驱动因素[ 23 ]。

（3）大数据的真实性（VER）。制造企业在自动化和智能化的生产运作过程中，会产生海量数据，通过对这些数据进行收集、存储、分析和处理，能够完整地反映产品生产的全过程。与此同时，为保证数据的真实性，有必要对数据产生的源头进行把关，特别是在对数据进行采集、储存的过程中，需要对数据进行预处理，以保证数据真实、完整、有效[ 24-26 ]。

（4）大数据的多样性（VAR）。大数据的多样性主要体现为数据来源的多样性、数据类型的多样性、大数据技术的多样性、功能的多样性四个方面。对企业而言，供应、生产、仓储、销售、客户等都是大数据产生的来源。当大数据应用于企业具体业务时，必须对大量不同类型的数据进行分析和处理，这时就需要借助多样化的大数据分析技术，包括各种软件工具以及使用这些工具必备的技能[ 26-28 ]。有关大数据特性测量题项的设定具体参见表1。

2.制造企业发展水平（MDL）的测量

目前，全球范围的制造企业正在从以产品为中心向以服务为中心转变，其发展趋势是智能化、服务化、定制化。在德国“工业4.0”和美国“工业互联网”战略的影响下，2015年我国提出了“中国制造2025”发展战略，其目的在于，驱动我国由制造大国向制造强国迈进，不断提高制造企业研发、生产、销售、管理的智能化水平[ 29 ]。因此，对制造企业发展水平的测量，主要从三个角度进行：一是制造企业在生产过程中，可以利用大数据实现动态感知、实时分析、智能决策并精准執行生产任务；二是制造企业利用大数据，不仅可以分析客户的行为习惯，针对不同客户的不同需求提供定制化服务，而且能够挖掘客户潜在需求，不断强化制造企业引导消费者偏好的能力；三是大数据可以更好地帮助制造企业选择合作伙伴，在设定好合作伙伴评价与选择标准后，既能够对合作伙伴进行实时、动态评估，也能够在与合作伙伴谈判时为制造企业提供决策支持。基于上述分析以及相关研究[ 29-31 ]，设计如表1所示的测量题项。

3.物流企业服务水平（LSL）的测量

物流企业作为服务类企业，主要通过满足客户（制造企业）的物流需求而获得服务报酬。由于调研对象是制造企业，因此测量题项的设定主要从制造企业的角度考虑。通过对制造企业进行调研，可以间接反映物流企业服务水平的高低。在约翰·兰利（John Langley）组织编写的第三方物流年度研究报告[ 32 ]中，对货主企业的调研显示，货主企业迫切需要物流企业能够提供具有较强执行力、较低交易成本的高端物流服务，如运输管理的计划与调度、电子数据交换服务、仓库/配送中心管理、全程可视化服务等。因此，在参考相关研究的基础上[ 32-34 ]，从物流企业能否提供基于信息技术、大数据等的高端物流服务的角度进行测量题项设计。具体参见表1。

4.制造企业与物流企业协同程度（MLC）的测量

制造企业与物流企业协同程度可以反映制造企业与物流企业之间互动的程度。制造企业与物流企业之间的互动既可以是运营层面的互动，也可以是战略层面的互动，或者两者兼而有之。许多学者认为，制造企业与物流企业彼此信任的程度、相互间信息交流与共享的程度、合作过程中相互参与的程度等，都能在一定程度上反映制造企业与物流企业互动的程度。凯捷管理顾问公司（Capgemini）通过调查发现，制造企业与物流企业为构建良好的互动关系，一定要建立定期沟通机制[ 35 ]。制造企业与物流企业共享关键信息，有助于物流企业更好、更全面地了解制造企业具体物流服务需求，可以保证物流企业在恰当的地点、恰当的时间提供恰当的物流服务[ 36 ]。同时，随着大数据技术的快速发展，企业之间的信息共享变得更加便捷。制造企业与物流企业之间的信任既是双方建立长期稳定合作关系的基石，也是双方承诺合作关系的前提条件。物流目标一旦确定，就需要制造企业与物流企业共同承诺才能实现。基于上述分析，主要从沟通与交流、相互信任、信息共享等方面着手进行具体题项的设计。参见表1。

（二）数据来源和调查问卷的设计

本研究主要采用问卷调查法收集相关数据。调查问卷包括企业基本情况、个人基本信息及问卷主体内容。问卷量表采用李克特五级量表。问卷发放的对象为制造企业中高层管理人员。为保证研究的可靠性，本研究根据国家工业和信息化部2015—2017年公布的智能制造试点企业名单，选取七家制造企业对问卷进行预调研。根据预调研结果，对问卷中不适宜的题项（VER1、VER3、LSL2）进行删减，对题项的措辞进行推敲和完善，并形成最终调查问卷。2019年1月至3月，最终调查问卷一部分通过在制造企业工作的熟人、校友帮忙发放，一部分借助问卷调研网站的付费服务发放并进行数据采集。本研究共计发放问卷400份，回收问卷374份，回收率93.50%。其中，通过问卷星网站的付费服务发放300份，回收300份，剔除无效问卷（如受访者所在部门不符、企业类型不符、答题时间少于3分钟、明显无效的问卷）46份，得到有效问卷254份；通过其他方式发放问卷100份，回收问卷74份，剔除无效问卷32份，得到有效问卷42份。最终共计获得有效问卷296份，问卷有效率为79.14%。

（三）信度与效度检验

本研究采用克隆巴哈α系数（Cronbachα）对问卷测量的信度进行检验。一般而言，克隆巴哈α系数大于0.8，表示信度很好，本研究设计的量表整体信度达到0.955，各分量表信度均大于0.8。具體参见表1。对量表效度的检验，本研究采用AMOS24.0软件对数据进行验证性因子分析，并计算得到平均异变抽取量（AVE），如果平均异变抽取量大于0.5，说明量表效度很高。结果具体参见表1。表1中潜变量的平均异变抽取量均大于0.5。表2显示，适配度指数（GFI）没有通过检验，但与标准值0.9比较接近，其他指标均通过检验，在理论上也是可以接受的，因此认为量表具有较好的效度。

四、理论模型的实证检验

本研究运用AMOS24.0软件，首先分别检验大数据对制造企业发展水平、物流企业服务水平、制造企业与物流企业协同程度的独立影响作用，然后检验大数据对制造企业与物流企业协同发展的综合影响作用。在模型初次拟合之后，对拟合度不好的模型进行修正。

（一）结构方程模型分析

1.大数据与制造企业发展水平的路径关系

大数据与制造企业发展水平初次拟合的标准化模型如图2a所示。在该模型中，大数据的可挖掘性对制造企业发展水平的标准化路径回归系数太小，只有0.02，考虑将其删除[ 37 ]。修正后的模型参见图2b。拟合指标值有相应的提高，具体参见表3。模型路径系数及检验结果具体参见表4。

2.大数据与物流企业服务水平的路径关系

大数据与物流企业服务水平初次拟合的标准化模型如图3a所示。在该模型中，大数据的价值性对物流企业服务水平的标准化路径系数为-0.17，参数不合理，考虑将之删除[ 37 ]。修正后的模型参见图3b。拟合指标值有相应的提高，之前未达到0.9标准的拟合优度指数（GIF）提高到0.920，具体参见表3。模型路径系数及检验结果具体参见表4。

3.大数据同制造企业与物流企业协同程度的路径关系

大数据同制造企业与物流企业协同程度初次拟合的标准化模型参见图4a。在该模型中，大数据的价值性对制造企业与物流企业协同程度的标准化路径系数为-0.27，参数不合理，考虑删除该路径[ 37 ]，并对模型进行修正。修正后的模型参见图4b。各项拟合指标均达到标准，具体参见表3。模型路径系数及检验结果具体参见表4。

4.大数据同制造企业与物流企业发展的综合路径关系

在考虑制造企业发展水平、物流企业服务水平对制造企业与物流企业互动影响的情况下，建立大数据同制造企业与物流企业协同发展的路径关系全模型图，模型初次拟合结果参见图5a。其中，部分路径没有通过检验，且拟合优度指数（GIF）低于0.9，考虑对模型进行修正。首先，考虑逐一删除路径系数为负的四条路径，即多样性（VAR）→制造企业与物流企业协同程度（MLC），价值性（VAL）→制造企业与物流企业协同程度（MLC），价值性（VAL）→物流企业服务水平（LSL），可挖掘性（MIN）→制造企业发展水平（MDL）。每删除一条路径，重新拟合一次，根据AMOS24.0统计软件分析结果给出的修正建议（MI值），建立测量误差间的共变关系，最终得到修正后的全模型，具体参见图5b。各拟合度指标均达到标准，具体参见表3。模型路径系数及检验结果具体参见表4。

（二）实证结果与讨论

基于国内外现有研究，从大数据内涵中归纳出可挖掘性、价值性、真实性、多样性四个特性，构建大数据同制造企业与物流企业协同发展关系的概念模型，并提出12个理论假设，其结构方程模型检验结果具体参见表4。

1.大数据影响制造企业发展水平的讨论

大数据的价值性、真实性、多样性对提高制造企业发展水平具有正向影响作用，在α=0.05的显著性水平下，其独立检验及综合检验均达到统计显著性水平。但是，大数据可挖掘性对制造企业发展水平的正向影响其独立检验及综合检验均不显著。这一检验结论可能与目前制造企业对海量数据的分析与处理以及对大数据技术的运用尚处于起步阶段有关，因此大数据可挖掘性对制造企业智能化发展的正向影响并不显著。然而，对于大数据能够为企业解决问题、创造价值提供新思路，能够帮助企业更加准确地了解客户需求，能够让企业在激烈的市场竞争中获得竞争优势等，制造企业已经有了清楚的认识。目前，制造企业对大数据的分析和处理还存在一定的局限性，不同企业之间的差距非常大。在针对企业进行实际调研和访谈时了解到，大部分制造企业将大数据的应用视为企业面临的机遇和企业未来发展的趋势，并从基础设施配备到相关项目研发，再到各类技术人才招聘乃至企业日常运作等各个方面，对大数据应用进行了大胆的创新和尝试。当然，也有个别企业认为，难以从技术层面对大数据进行掌控，企业如果投入大量的资金，可能会带来不良后果。不过，从制造业发展的总体趋势看，以大数据驱动制造企业创新发展，实现从中国制造向中国创造的转变，具有重大现实意义。

2.大数据影响物流企业服务水平的讨论

大数据的真实性、可挖掘性、多样性对提高物流企业服务水平具有正向影响作用，在α=0.05的显著性水平下，其独立检验及综合检验均达到统计显著性水平。不过，大数据的价值性对提高物流企业服务水平的正向影响作用其独立检验及综合检验均未通过统计显著性检验。这一检验结果亦符合当前我国物流企业的实际情况。我国大部分第三方物流企业仅能提供一些基础性物流环节的服务，且以提供传统物流服务为主，高端物流服务供给不足。目前，我国物流企业信息技术水平较低是一个不争的事实，能够提供基于互联网、大数据、信息技术等高端物流服务的企业为数不多，全国除几家大型快递快运物流企业以及少数几家第三方物流企业接近世界领先水平之外，大部分中小型物流企业尚处于较为传统的低端运营状态。所幸，目前这种状态开始逐渐改变。物流产业是一個充满数据和信息的行业，大部分物流企业已经意识到，作为物流服务的提供方，应该具备物流行业的专业知识，并且能够为制造企业提供更加全面的高端物流服务，如物流可视化服务、业务数据分析与优化服务、基于大数据的信息技术服务等，而这些对物流企业实现可持续发展，对物流企业与制造企业形成战略联盟，将起到至关重要的作用。同时，从中央到地方，各级政府也正在出台相关政策法规，积极推动高端物流发展，支持并保护制造企业与物流企业实现高质量协同发展。

3.大数据影响制造企业与物流企业协同程度的讨论

大数据的可挖掘性、真实性对提高制造企业与物流企业协同程度具有正向影响作用，在α=0.05的显著性水平下，其独立检验及综合检验均达到统计显著性水平。大数据的多样性对提高制造企业发展水平的正向影响作用其独立检验显著而综合检验并不显著。大数据的价值性对提高制造企业与物流企业协同程度的正向影响作用其独立检验及综合检验均未通过统计显著性检验，但在综合检验下，大数据的价值性通过影响制造企业发展水平间接驱动制造企业与物流企业协同发展。

大数据的多样性对提高制造企业与物流企业协同程度的正向影响作用其综合检验不显著。导致这一检验结果的原因可能在于，目前不论是制造企业还是物流企业，尽管它们能够采集各类结构化、半结构化以及非结构化数据，但对这些数据的分析处理和挖掘尚处于起步阶段，其目的主要是服务企业自身发展，尚未运用到企业与企业的协同运作中，因此该特性对提高制造企业与物流企业协同程度的正向影响作用不明显。不过，随着科学技术的不断进步与发展，未来大数据的多样性对提高制造企业与物流企业协同程度的驱动作用将越来越显著，不同类型数据的共享将不断提高制造企业与物流企业协作配合的程度，促使制造企业与物流企业最终形成长期稳定的协同发展关系。

五、结语

本研究在借鉴国内外相关成果的基础上，运用理论研究与实证分析相结合的方法，探讨了大数据对制造企业与物流企业协同发展的内在作用机理。研究结果不仅为诠释大数据对制造企业与物流企业协同发展作用的内在机理提供了理论支持和经验数据，而且对指导制造企业与物流企业实现高质量协同发展具有重要现实意义。由于大数据内涵丰富，专业性和技术性较强，将大数据同制造企业与物流企业协同发展结合在一起进行研究具有一定难度，导致本研究存在一定的局限性和不足。尽管本研究从实证角度证明，大数据能够直接或间接影响制造企业与物流企业协同发展，但有部分假设没有通过检验，当然这与目前制造企业和物流企业在运用新一代信息技术驱动自身转型升级方面尚处于起步阶段具有较大关系。此外，大数据的内涵异常丰富，并且不断发展和迭代，大数据对制造企业与物流企业协同发展的作用机理也非常复杂。因此，随着制造企业与物流企业的不断发展，未来还需要从不同的角度出发进行全方位的观察和分析，这也是今后需要继续深入研究的课题。

注释：

①“6V”是容量（Volume）、速度（Velocity）、种类（Variety）、真实性（Veracity）、可变性（Variability）、价值性（Value）六个词语英文单词首字母的缩写。

参考文献：

[1]LEE J，BAGHERI B，KAO H.A cyber-physical systems ar chitecture for industry 4.0-based manufacturing systems[J]. Manufacturing letters，2015（3）：18-23.

[2]WANG S，WAN J，ZHANG D，et al.Towards smart factory for industry 4.0：a self-organized multi-agent system with big data based feedback and coordination[J].Computer net works，2016，101：158-168.

[3]ZHOU H，LI R Q，YU Y.Investigation of the datamation of manufacturing industrial chain in the big data era[J].Ap plied mechanics & materials，2014，670：1 629-1 632.

[4]王宏伟.大数据在物流服务创新中的应用[J].北方经贸，2016（7）：43-44.

[5]梁红波.大数据技术引领物流业智慧营销[J].中国流通经济，2015，29（2）：85-89.

[6]JAIN A D S，MEHTA I，MITRA J，et al.Application of big data in supply chain management[J].Materials today：pro ceedings，2017，4（2）：32-43.

[7]LAMBA K，SINGH S P.Big data in operations and supply chain management：current trends and future perspectives[J]. Production planning & control，2017，28（11-12）：877-890.

[8]SANDERS N R.How to use big data to drive your supply chain[J].Californiamanagementreview，2016，58（3）：26-48.

[9]HOFMANN E.Big data and supply chain decisions：the im pact of volume，variety and velocity properties on the bull whip effect[J].International journal of production research，2017，55（17）：5 108-5 126.

[10]GOLDSTON D.Big data：data wrangling[J].Nature，2008，455：15.

[11]REICHMAN O J，JONES M B，SCHILDHAUER M P.Chal lenges and opportunities of open data in ecology[J].Science，2011，331（18）：703-705.

[12]Big data：the next frontier for innovation，competition，and productivity[EB/OL].（2011-05-13）[2019-12-17].https：// www.mckinsey.com/business- functions/digital- mckinsey/ our-insights/big-data-the-next-frontier-for-innovation.

[13]Big data.http：//www.gartner.com/it-glossary/big-data[EB/ OL].（2011-08-11）[2019-12-17].https：//www.gartner.com/en/information-technology/glossary/big-data.

[14]Bringing big data to the enterprise[EB/OL].（2013-09-09）[2019-12-17].https//www-01.ibm.com/software/in/data/big data/.

[15]Core techniques and technologies for advancing big data sci enceandengineering[EB/OL].（2012-06-13）[2019-12-17]. https：//www.nsf.gov/pubs/2012/nsf12499/nsf12499.htm.

[16]楊善林，周开乐.大数据中的管理问题：基于大数据的资源观[J].管理科学学报，2015，18（5）：1-8.

[17]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2016，50（1）：146-169.

[18]CHEN C P，ZHANG C.Data-intensive applications，chal lenges，techniques and technologies：a survey on Big Data[J].Information sciences，2014，275：314-347.

[19]王国成.从3V到5V：大数据助推经济行为的深化研究[J].天津社会科学，2017（2）：94-99.

[20]谢卫红，刘高，王田绘.大数据能力内涵、维度及其与集团管控关系研究[J].科技管理研究，2016，36（14）：170-177.

[21]Big data analytics[EB/OL].（2011-09-14）[2019-12-17]. https：//tdwi.org/research/2011/09/best- practices- reportq4-big-data-analytics.aspx tc=page0&tc=assetpg&m=1.

[22]Big data in logistics：a DHL perspective on how to move be yondthehype[EB/OL].（2014-11-13）[2019-12-17].https：// www.supplychain247.com/paper/big_data_in_logistics_a_d hl_perspective_on_how_to_move_beyond_the_hype.

[23]Analytics：a blueprint for value[EB/OL].（2014- 05- 08）[2019- 12- 17].https：//www.ibm.com/services/us/gbs/thoug htlea dership/ninelevers/.

[24]LAVALLE S，LESSER E，SHOCKLEY R，et al.Big data，analytics and the path from insights to value[J].MIT sloan management review，2011，52（2）：21.

[25]Big data meets big data analytics[EB/OL].（2012-11-05）[2019- 12- 17].https：//www.datanami.com/whitepaper/big_ data_meets_big_data_analytics/

[26]Analytics：the real-world use of big data in retail[EB/OL].（2016-04-05）[2019-12-17].https：//www.ibm.com/servic es/us/gbs/thoughtleadership/big-data-retail/.

[27]MCAFEE A，BRYNJOLFSSON E，DAVENPORT T H.Big data：the management revolution[J].Harvard business re view，2012，90（10）：60-68.

[28]Big data survey Europe：usage，technology and budgets in European Best-Practice Companies[EB/OL]（2013-01-05）[2019- 12- 17].https：//www.cxp.fr/content/big- data- sur vey- europe- usage- technology- and- budgets- europeanbest-practice-companies.

[29]肖静华，毛蕴诗，谢康.基于互联网及大数据的智能制造体系与中国制造企业转型升级[J].产业经济评论，2016（2）：5-16.

[30]冯芷艳，郭迅华，曾大军，等.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-9.

[31]王钦，张隺.“中国制造2025”实施的切入点与架构[J].中州学刊，2015（10）：32-37.

[32]Third-party logistics study[EB/OL].（2017-07-15）[2019-12-17].http：//www.3plstudy.com/3pl2018download.php.

[33]SAUVAGE T.The relationship between technology and lo gistics third- party providers[J].International journal of physical distribution and logistics management，2003，33（3）：236-253.

[34]JAIN A D S，MEHTA I，MITRA J，et al.Application of big data in supply chain management[J].Materials today：pro ceedings，2017，4（2）：1 106-1 115.

[35]Third-party logistics study[EB/OL].（2015-07-15）[2019-12-17].http：//www.3plstudy.com/3pl2016download.php.

[36]PANAYIDES P M，SO M.Logistics service provider-client relationships[J].Transportation research part e：logistics and transportation review，2005，41（3）：179-200.

[37]侯杰泰，溫忠麟，成子娟.结构方程模型及其应用[M].北京：教育科学出版社，2004：156-175.

An Empirical Study on the Co-development of Manufacturing Enterprises and Logistics Enterprises Enabled by the Big Data

ZHANG Ji-ping1，TAO Jun-cheng2and YOU Mei-hong2

（1.Jiaxing University，Jiaxing，Zhejiang314001，China；2.Wuhan Donghu University，Wuhan，Hubei430071，China）

Abstract：The rapid development and application of the Big Data and Big Data technologies have brought manufacturing and logistics enterprises both opportunities and challenges. How to use the Big Data and Big Data technologies to promote collaboration between manufacturing and logistics enterprises is important theoretically and practically. To explore the internal mechanism of how the Big Data enables the co-development between manufacturing and logistics enterprises，through literature review，the authors summarize the main characteristics of the Big Data，namely：mining，value，veracity，and variety；and based on the conceptual model of the Big Data enabling manufacturing and logistics enterprises co-development，some research hypotheses are proposed，and the structural equation model is used to verify the research hypotheses. The results show that：（1） value，veracity，and variety have positive impacts on the manufacturing enterprisesdevelopment，while the mining has no significant positive impact；（2） mining，veracity，and variety have positive impacts on the logistics enterprisesservice level，while the value has no significant positive impact；and（3）mining and veracity have positive impacts on the co-development of manufacturing and logistics enterprises，while value and variety have no significant positive impacts，but value can have an indirect impact by affecting the development of manufacturing enterprises. And all these results are determined by the primary stage of new generation IT application to the transformation and upgrading of Chinas manufacturing and logistics enterprises. In the future，with the development of science and technology and the smart manufacturing and high-end logistics，the Big Data will play more important role in promoting the collaboration between manufacturing and logistics enterprises，which will in turn promote the long-term collaboration between manufacturing and logistic enterprises.

Key words：big data；logistics enterprises；manufacturing enterprises；co-development；high-end logistics

收稿日期：2019-12-03

基金項目：广东省高校人文社会科学创新强校项目“珠三角地区第三方物流的全球供应链网络嵌入研究”（2017WTSCX129）

作者简介：张季平（1990—），女，江苏省连云港市人，嘉兴学院商学院教师，博士，主要研究方向为物流与供应链管理；陶君成（1957—），男，湖北省仙桃市人，武汉东湖学院农业电子商务湖北省协同创新中心教授，主要研究方向为物流经济、城乡物流网络；尤美虹（1980—），女，湖北省红安县人，武汉东湖学院管理学院副教授，上海海事大学物流科学与工程研究院博士研究生，主要研究方向为物流服务平台与供应链管理。