大數據驅動制造企業與物流企業協同發展的實證研究

張季平 陶君成 尤美虹

摘要：大數據和大數據技術的快速發展和應用，為制造企業和物流企業的生存和發展帶來了新的機遇和挑戰，如何運用大數據和大數據技術推動制造企業與物流企業有效協同，成為當前理論界和實業界關注的焦點。為探究大數據驅動制造企業與物流企業協同發展的內在機理，可基于大數據可挖掘性、價值性、真實性、多樣性等主要特性，構建大數據驅動制造企業與物流企業協同發展概念模型并提出研究假設，進而運用結構方程模型對研究假設進行驗證。研究結果發現，大數據的價值性、真實性、多樣性對制造企業發展水平具有顯著正向影響，而可挖掘性對其正向影響不顯著；大數據的真實性、可挖掘性、多樣性對物流企業服務水平具有顯著正向影響，而價值性對其正向影響不顯著；大數據的可挖掘性、真實性對制造企業與物流企業協同程度具有顯著正向影響，而多樣性、價值性對其正向影響不顯著，不過價值性可以通過影響制造企業發展水平產生間接影響作用。這與目前我國制造企業、物流企業運用新一代信息技術驅動自身轉型升級尚處于起步階段存在很大關系。未來，隨著科學技術的進步以及制造企業智能化與高端物流的發展，大數據將在驅動制造企業與物流企業協同方面發揮顯著重要作用，最終促使制造企業與物流企業形成長期穩定的協同發展關系。

關鍵詞：大數據；物流企業；制造企業；協同程度；高端物流

中圖分類號：F272.7文獻標識碼：A文章編號：1007-8266（2020）02-0003-12

一、引言

大數據概念自提出至今已有十余年時間，大數據及大數據技術的開發和應用在制造業、物流業、金融業等行業已經逐步展開，創造了巨大的社會價值。盡管大數據為制造企業和物流企業的發展帶來了新的機遇，但爆炸式的數據增長對制造企業和物流企業原有的數據采集、篩選、存儲、分析、處理、應用以及兩者間的合作方式等提出了新的挑戰，也對更高層面的理論創新提出了新的要求。通過系統梳理國內外相關文獻可以發現，這一領域的研究尚處于理論探索階段，缺乏實證研究且視角較為單一。比如，有學者從制造企業視角進行制造業大數據架構[ 1 ]、大數據應用框架[ 2 ]、大數據應用原理[ 3 ]等方面的研究；也有學者從物流企業視角分析大數據如何驅動物流企業變革創新[ 4 ]、如何幫助物流企業解決實際運營中遇到的問題[ 5 ]、如何應用于物流及供應鏈管理[ 6-8 ]等。但是，大數據的內涵是什么，大數據能否驅動制造企業與物流企業協同發展，大數據對制造企業與物流企業協同發展的內在作用機理與主導邏輯是什么？這一系列問題均有待深入研究。因此，為剖析大數據對制造企業與物流企業協同發展的作用機理，本研究首先對大數據的內涵進行全面分析，然后對大數據的可挖掘性（MIN）、價值性（VAL）、真實性（VER）、多樣性（VAR）特性同制造企業與物流企業協同發展關系的內在機理進行分析，提出研究假設，最后運用結構方程模型對假設進行檢驗并得出相應結論。

二、大數據內涵與理論假設

（一）大數據內涵

大數據是一個新興的研究領域，截至目前學術界對大數據內涵的解釋仍未達成一致。通過對現有觀點的歸納和總結，可將其內涵概括為三個層次五個方面的內容。其中，第一層指的是具有“6V”①特性的大數據本身，第二層指的是大數據分析技術，第三層指的是數據科學，而大數據內涵所涉及的內容包括大數據資源戰略化、大數據價值商業化、大數據來源社會化、大數據共享網絡化、大數據分析智能化等[ 9-18 ]。

在對各種觀點進行對比分析和歸納總結的基礎上，本研究將從以下四個維度入手來概括大數據的內涵：

一是可挖掘性（MIN）。從大數據資源戰略化的角度看，大數據作為一種資源，與自然資源存在根本區別，任何擁有大數據資源使用權的組織或個人都可以對其進行重復挖掘與利用，大數據資源可以說是取之不盡、用之不竭的。

二是價值性（VAL）。從大數據價值商業化的角度看，大數據資源具有低密度、高價值屬性，蘊藏于海量數據具有商業價值的信息其價值密度非常低，而這增加了挖掘和利用其價值的難度。

三是真實性（VER）。從大數據來源社會化的角度看，大數據具有與生俱來的真實性，其真實性表現為，它能夠全面、準確、細致地反映現實世界和網絡世界的真實情況，并且能夠全面刻畫和記錄各行為主體參與社會活動各方面的行為軌跡。

四是多樣性（VAR）。從大數據共享網絡化及大數據分析智能化的角度看，大數據的多樣性表現為數據來源的多樣化、數據類型的多樣化、數據功能的多樣化和大數據分析處理技術的多樣化。

（二）模型構建與理論假設

為更好地探討大數據同制造企業與物流企業協同發展的邏輯關系，進一步揭示大數據對制造企業與物流企業協同發展的內在作用機理，本研究構建大數據特性同制造企業與物流企業協同發展之間關系的概念模型（如圖1所示），為后續實證研究做鋪墊。

1.大數據可挖掘性同制造企業與物流企業協同發展之間的關系

可挖掘的大數據驅動制造企業與物流企業協同發展是多層次、全方位的。大數據作為驅動制造企業與物流企業協同發展的戰略性資源，已經成為制造企業和物流企業追求差異化和獲取經濟租金的重要資源，對其進行持續開采和挖掘，將為制造企業和物流企業提供源源不斷的新資源、新能力，為制造企業與物流企業協同發展提供新的路徑。大數據的可挖掘性正在改變制造企業與物流企業的生存環境、資源環境和技術環境。基于上述分析，提出如下假設：

H1：大數據的可挖掘性對制造企業與物流企業協同發展具有正向影響。

進一步細分為：

H1a：大數據的可挖掘性對制造企業發展水平具有正向影響；

H1b：大數據的可挖掘性對物流企業服務水平具有正向影響；

H1c：大數據的可挖掘性對制造企業與物流企業協同程度具有正向影響。

2.大數據價值性同制造企業與物流企業協同發展之間的關系

盡管大數據資源的價值密度低，但其作為基礎條件和技術工具時，擁有放大其他資源價值的能量。制造企業和物流企業通過開發利用大數據資源中有價值的重要數據，能夠對制造企業的關鍵生產流程、物流企業的關鍵業務進行流程重組和業務再造，為制造企業與物流企業協同發展提供新的路徑。由此可見，有價值的大數據資源及大數據分析技術已經成為驅動制造企業與物流企業協同發展的重要引擎?；谏鲜龇治?，提出如下假設：

H2：大數據的價值性對制造企業與物流企業協同發展具有正向影響。

進一步細分為：

H2a：大數據的價值性對制造企業發展水平具有正向影響；

H2b：大數據的價值性對物流企業服務水平具有正向影響；

H2c：大數據的價值性對制造企業與物流企業協同程度具有正向影響。

3.大數據真實性同制造企業與物流企業協同發展之間的關系

大數據的真實性表現為，它能夠全面、準確、細致地反映現實世界和網絡世界的真情實景，有助于提高制造企業和物流企業對客戶的認知水平。大數據的真實性使得制造企業和物流企業能夠洞察客戶的真實需求，通過對客戶的消費觀、價值觀、興趣、愛好及信息溝通方式等進行細致分析，實現準確的市場細分進而實現產品或服務的個性化定制?；谏鲜龇治觯岢鋈缦录僭O：

H3：大數據的真實性對制造企業與物流企業協同發展具有正向影響。

進一步細分為：

H3a：大數據的真實性對制造企業發展水平具有正向影響；

H3b：大數據的真實性對物流企業服務水平具有正向影響；

H3c：大數據的真實性對制造企業與物流企業協同程度具有正向影響。

4.大數據多樣性同制造企業與物流企業協同發展之間的關系

大數據的來源既包括傳統類型的結構化數據，也包括半結構化數據和非結構化數據，基于不同的開發方式或開發目的，大數據資源呈現出多樣化的功能。通過對多樣化的大數據信息（如圖像、數字、文本、音頻、視頻等）進行實時提取與整合，能夠獲取客戶以及競爭對手的動態信息，洞察市場機遇并快速做出反應，推動商業模式創新，最終實現從供應鏈向價值鏈進而向網絡生態鏈的演變?；谏鲜龇治觯岢鋈缦录僭O：

H4：大數據的多樣性對制造企業與物流企業協同發展具有正向影響。

進一步細分為：

H4a：大數據的多樣性對制造企業發展水平具有正向影響；

H4b：大數據的多樣性對物流企業服務水平具有正向影響；

H4c：大數據的多樣性對制造企業與物流企業協同程度具有正向影響。

三、研究方法

本研究涉及的大數據特性、制造企業發展水平、物流企業服務水平、制造企業與物流企業協同程度均為不能直接測量的潛變量，需要依靠觀察變量進行測量，因此采用結構方程模型對其進行實證研究。本研究觀察變量題項的設定主要來源于以下三個方面：一是國內外研究已有的成熟量表；二是國際知名公司白皮書提供的對企業進行調研時采用的題項；三是在借鑒國內外已有研究成果的基礎上，根據本研究實際情況設定的測量題項。

（一）潛變量測量

1.大數據特性測量

（1）大數據的可挖掘性（MIN）。企業在運營過程中會產生大量的數據，只有運用高級分析技術對其進行分析和挖掘，才能獲得有價值的信息和知識[ 19 ]。企業對大數據進行深度分析、挖掘和應用的能力主要體現為，企業擁有大數據分析工具軟件，并且能夠利用這些軟件對大量數據進行實時處理，最終提取出有價值的數據、信息和知識[ 20 ]。大量數據對企業而言是機遇而非負擔，企業應將高級分析工具與大數據結合起來，形成自己獨特的競爭優勢[ 21 ]。

（2）大數據的價值性（VAL）。敦豪航空貨運公司（DHL）發布的一份白皮書提出，大數據可以從三個方面創造價值，即提高企業運作效率、提升客戶體驗、激發新的商業模式[ 22 ]。國際商業機器公司（IBM）發布了一份白皮書，從三個層次（基礎層、驅動層、擴大層）九個方面（價值源、價值衡量、基礎平臺、企業文化、企業數據源、組織間信任、領導支持、外部資金、數據專家）探討了大數據在企業中創造價值的基礎，即企業內部的驅動力和外部的驅動因素[ 23 ]。

（3）大數據的真實性（VER）。制造企業在自動化和智能化的生產運作過程中，會產生海量數據，通過對這些數據進行收集、存儲、分析和處理，能夠完整地反映產品生產的全過程。與此同時，為保證數據的真實性，有必要對數據產生的源頭進行把關，特別是在對數據進行采集、儲存的過程中，需要對數據進行預處理，以保證數據真實、完整、有效[ 24-26 ]。

（4）大數據的多樣性（VAR）。大數據的多樣性主要體現為數據來源的多樣性、數據類型的多樣性、大數據技術的多樣性、功能的多樣性四個方面。對企業而言，供應、生產、倉儲、銷售、客戶等都是大數據產生的來源。當大數據應用于企業具體業務時，必須對大量不同類型的數據進行分析和處理，這時就需要借助多樣化的大數據分析技術，包括各種軟件工具以及使用這些工具必備的技能[ 26-28 ]。有關大數據特性測量題項的設定具體參見表1。

2.制造企業發展水平（MDL）的測量

目前，全球范圍的制造企業正在從以產品為中心向以服務為中心轉變，其發展趨勢是智能化、服務化、定制化。在德國“工業4.0”和美國“工業互聯網”戰略的影響下，2015年我國提出了“中國制造2025”發展戰略，其目的在于，驅動我國由制造大國向制造強國邁進，不斷提高制造企業研發、生產、銷售、管理的智能化水平[ 29 ]。因此，對制造企業發展水平的測量，主要從三個角度進行：一是制造企業在生產過程中，可以利用大數據實現動態感知、實時分析、智能決策并精準執行生產任務；二是制造企業利用大數據，不僅可以分析客戶的行為習慣，針對不同客戶的不同需求提供定制化服務，而且能夠挖掘客戶潛在需求，不斷強化制造企業引導消費者偏好的能力；三是大數據可以更好地幫助制造企業選擇合作伙伴，在設定好合作伙伴評價與選擇標準后，既能夠對合作伙伴進行實時、動態評估，也能夠在與合作伙伴談判時為制造企業提供決策支持?；谏鲜龇治鲆约跋嚓P研究[ 29-31 ]，設計如表1所示的測量題項。

3.物流企業服務水平（LSL）的測量

物流企業作為服務類企業，主要通過滿足客戶（制造企業）的物流需求而獲得服務報酬。由于調研對象是制造企業，因此測量題項的設定主要從制造企業的角度考慮。通過對制造企業進行調研，可以間接反映物流企業服務水平的高低。在約翰·蘭利（John Langley）組織編寫的第三方物流年度研究報告[ 32 ]中，對貨主企業的調研顯示，貨主企業迫切需要物流企業能夠提供具有較強執行力、較低交易成本的高端物流服務，如運輸管理的計劃與調度、電子數據交換服務、倉庫/配送中心管理、全程可視化服務等。因此，在參考相關研究的基礎上[ 32-34 ]，從物流企業能否提供基于信息技術、大數據等的高端物流服務的角度進行測量題項設計。具體參見表1。

4.制造企業與物流企業協同程度（MLC）的測量

制造企業與物流企業協同程度可以反映制造企業與物流企業之間互動的程度。制造企業與物流企業之間的互動既可以是運營層面的互動，也可以是戰略層面的互動，或者兩者兼而有之。許多學者認為，制造企業與物流企業彼此信任的程度、相互間信息交流與共享的程度、合作過程中相互參與的程度等，都能在一定程度上反映制造企業與物流企業互動的程度。凱捷管理顧問公司（Capgemini）通過調查發現，制造企業與物流企業為構建良好的互動關系，一定要建立定期溝通機制[ 35 ]。制造企業與物流企業共享關鍵信息，有助于物流企業更好、更全面地了解制造企業具體物流服務需求，可以保證物流企業在恰當的地點、恰當的時間提供恰當的物流服務[ 36 ]。同時，隨著大數據技術的快速發展，企業之間的信息共享變得更加便捷。制造企業與物流企業之間的信任既是雙方建立長期穩定合作關系的基石，也是雙方承諾合作關系的前提條件。物流目標一旦確定，就需要制造企業與物流企業共同承諾才能實現?；谏鲜龇治?，主要從溝通與交流、相互信任、信息共享等方面著手進行具體題項的設計。參見表1。

（二）數據來源和調查問卷的設計

本研究主要采用問卷調查法收集相關數據。調查問卷包括企業基本情況、個人基本信息及問卷主體內容。問卷量表采用李克特五級量表。問卷發放的對象為制造企業中高層管理人員。為保證研究的可靠性，本研究根據國家工業和信息化部2015—2017年公布的智能制造試點企業名單，選取七家制造企業對問卷進行預調研。根據預調研結果，對問卷中不適宜的題項（VER1、VER3、LSL2）進行刪減，對題項的措辭進行推敲和完善，并形成最終調查問卷。2019年1月至3月，最終調查問卷一部分通過在制造企業工作的熟人、校友幫忙發放，一部分借助問卷調研網站的付費服務發放并進行數據采集。本研究共計發放問卷400份，回收問卷374份，回收率93.50%。其中，通過問卷星網站的付費服務發放300份，回收300份，剔除無效問卷（如受訪者所在部門不符、企業類型不符、答題時間少于3分鐘、明顯無效的問卷）46份，得到有效問卷254份；通過其他方式發放問卷100份，回收問卷74份，剔除無效問卷32份，得到有效問卷42份。最終共計獲得有效問卷296份，問卷有效率為79.14%。

（三）信度與效度檢驗

本研究采用克隆巴哈α系數（Cronbachα）對問卷測量的信度進行檢驗。一般而言，克隆巴哈α系數大于0.8，表示信度很好，本研究設計的量表整體信度達到0.955，各分量表信度均大于0.8。具體參見表1。對量表效度的檢驗，本研究采用AMOS24.0軟件對數據進行驗證性因子分析，并計算得到平均異變抽取量（AVE），如果平均異變抽取量大于0.5，說明量表效度很高。結果具體參見表1。表1中潛變量的平均異變抽取量均大于0.5。表2顯示，適配度指數（GFI）沒有通過檢驗，但與標準值0.9比較接近，其他指標均通過檢驗，在理論上也是可以接受的，因此認為量表具有較好的效度。

四、理論模型的實證檢驗

本研究運用AMOS24.0軟件，首先分別檢驗大數據對制造企業發展水平、物流企業服務水平、制造企業與物流企業協同程度的獨立影響作用，然后檢驗大數據對制造企業與物流企業協同發展的綜合影響作用。在模型初次擬合之后，對擬合度不好的模型進行修正。

（一）結構方程模型分析

1.大數據與制造企業發展水平的路徑關系

大數據與制造企業發展水平初次擬合的標準化模型如圖2a所示。在該模型中，大數據的可挖掘性對制造企業發展水平的標準化路徑回歸系數太小，只有0.02，考慮將其刪除[ 37 ]。修正后的模型參見圖2b。擬合指標值有相應的提高，具體參見表3。模型路徑系數及檢驗結果具體參見表4。

2.大數據與物流企業服務水平的路徑關系

大數據與物流企業服務水平初次擬合的標準化模型如圖3a所示。在該模型中，大數據的價值性對物流企業服務水平的標準化路徑系數為-0.17，參數不合理，考慮將之刪除[ 37 ]。修正后的模型參見圖3b。擬合指標值有相應的提高，之前未達到0.9標準的擬合優度指數（GIF）提高到0.920，具體參見表3。模型路徑系數及檢驗結果具體參見表4。

3.大數據同制造企業與物流企業協同程度的路徑關系

大數據同制造企業與物流企業協同程度初次擬合的標準化模型參見圖4a。在該模型中，大數據的價值性對制造企業與物流企業協同程度的標準化路徑系數為-0.27，參數不合理，考慮刪除該路徑[ 37 ]，并對模型進行修正。修正后的模型參見圖4b。各項擬合指標均達到標準，具體參見表3。模型路徑系數及檢驗結果具體參見表4。

4.大數據同制造企業與物流企業發展的綜合路徑關系

在考慮制造企業發展水平、物流企業服務水平對制造企業與物流企業互動影響的情況下，建立大數據同制造企業與物流企業協同發展的路徑關系全模型圖，模型初次擬合結果參見圖5a。其中，部分路徑沒有通過檢驗，且擬合優度指數（GIF）低于0.9，考慮對模型進行修正。首先，考慮逐一刪除路徑系數為負的四條路徑，即多樣性（VAR）→制造企業與物流企業協同程度（MLC），價值性（VAL）→制造企業與物流企業協同程度（MLC），價值性（VAL）→物流企業服務水平（LSL），可挖掘性（MIN）→制造企業發展水平（MDL）。每刪除一條路徑，重新擬合一次，根據AMOS24.0統計軟件分析結果給出的修正建議（MI值），建立測量誤差間的共變關系，最終得到修正后的全模型，具體參見圖5b。各擬合度指標均達到標準，具體參見表3。模型路徑系數及檢驗結果具體參見表4。

（二）實證結果與討論

基于國內外現有研究，從大數據內涵中歸納出可挖掘性、價值性、真實性、多樣性四個特性，構建大數據同制造企業與物流企業協同發展關系的概念模型，并提出12個理論假設，其結構方程模型檢驗結果具體參見表4。

1.大數據影響制造企業發展水平的討論

大數據的價值性、真實性、多樣性對提高制造企業發展水平具有正向影響作用，在α=0.05的顯著性水平下，其獨立檢驗及綜合檢驗均達到統計顯著性水平。但是，大數據可挖掘性對制造企業發展水平的正向影響其獨立檢驗及綜合檢驗均不顯著。這一檢驗結論可能與目前制造企業對海量數據的分析與處理以及對大數據技術的運用尚處于起步階段有關，因此大數據可挖掘性對制造企業智能化發展的正向影響并不顯著。然而，對于大數據能夠為企業解決問題、創造價值提供新思路，能夠幫助企業更加準確地了解客戶需求，能夠讓企業在激烈的市場競爭中獲得競爭優勢等，制造企業已經有了清楚的認識。目前，制造企業對大數據的分析和處理還存在一定的局限性，不同企業之間的差距非常大。在針對企業進行實際調研和訪談時了解到，大部分制造企業將大數據的應用視為企業面臨的機遇和企業未來發展的趨勢，并從基礎設施配備到相關項目研發，再到各類技術人才招聘乃至企業日常運作等各個方面，對大數據應用進行了大膽的創新和嘗試。當然，也有個別企業認為，難以從技術層面對大數據進行掌控，企業如果投入大量的資金，可能會帶來不良后果。不過，從制造業發展的總體趨勢看，以大數據驅動制造企業創新發展，實現從中國制造向中國創造的轉變，具有重大現實意義。

2.大數據影響物流企業服務水平的討論

大數據的真實性、可挖掘性、多樣性對提高物流企業服務水平具有正向影響作用，在α=0.05的顯著性水平下，其獨立檢驗及綜合檢驗均達到統計顯著性水平。不過，大數據的價值性對提高物流企業服務水平的正向影響作用其獨立檢驗及綜合檢驗均未通過統計顯著性檢驗。這一檢驗結果亦符合當前我國物流企業的實際情況。我國大部分第三方物流企業僅能提供一些基礎性物流環節的服務，且以提供傳統物流服務為主，高端物流服務供給不足。目前，我國物流企業信息技術水平較低是一個不爭的事實，能夠提供基于互聯網、大數據、信息技術等高端物流服務的企業為數不多，全國除幾家大型快遞快運物流企業以及少數幾家第三方物流企業接近世界領先水平之外，大部分中小型物流企業尚處于較為傳統的低端運營狀態。所幸，目前這種狀態開始逐漸改變。物流產業是一個充滿數據和信息的行業，大部分物流企業已經意識到，作為物流服務的提供方，應該具備物流行業的專業知識，并且能夠為制造企業提供更加全面的高端物流服務，如物流可視化服務、業務數據分析與優化服務、基于大數據的信息技術服務等，而這些對物流企業實現可持續發展，對物流企業與制造企業形成戰略聯盟，將起到至關重要的作用。同時，從中央到地方，各級政府也正在出臺相關政策法規，積極推動高端物流發展，支持并保護制造企業與物流企業實現高質量協同發展。

3.大數據影響制造企業與物流企業協同程度的討論

大數據的可挖掘性、真實性對提高制造企業與物流企業協同程度具有正向影響作用，在α=0.05的顯著性水平下，其獨立檢驗及綜合檢驗均達到統計顯著性水平。大數據的多樣性對提高制造企業發展水平的正向影響作用其獨立檢驗顯著而綜合檢驗并不顯著。大數據的價值性對提高制造企業與物流企業協同程度的正向影響作用其獨立檢驗及綜合檢驗均未通過統計顯著性檢驗，但在綜合檢驗下，大數據的價值性通過影響制造企業發展水平間接驅動制造企業與物流企業協同發展。

大數據的多樣性對提高制造企業與物流企業協同程度的正向影響作用其綜合檢驗不顯著。導致這一檢驗結果的原因可能在于，目前不論是制造企業還是物流企業，盡管它們能夠采集各類結構化、半結構化以及非結構化數據，但對這些數據的分析處理和挖掘尚處于起步階段，其目的主要是服務企業自身發展，尚未運用到企業與企業的協同運作中，因此該特性對提高制造企業與物流企業協同程度的正向影響作用不明顯。不過，隨著科學技術的不斷進步與發展，未來大數據的多樣性對提高制造企業與物流企業協同程度的驅動作用將越來越顯著，不同類型數據的共享將不斷提高制造企業與物流企業協作配合的程度，促使制造企業與物流企業最終形成長期穩定的協同發展關系。

五、結語

本研究在借鑒國內外相關成果的基礎上，運用理論研究與實證分析相結合的方法，探討了大數據對制造企業與物流企業協同發展的內在作用機理。研究結果不僅為詮釋大數據對制造企業與物流企業協同發展作用的內在機理提供了理論支持和經驗數據，而且對指導制造企業與物流企業實現高質量協同發展具有重要現實意義。由于大數據內涵豐富，專業性和技術性較強，將大數據同制造企業與物流企業協同發展結合在一起進行研究具有一定難度，導致本研究存在一定的局限性和不足。盡管本研究從實證角度證明，大數據能夠直接或間接影響制造企業與物流企業協同發展，但有部分假設沒有通過檢驗，當然這與目前制造企業和物流企業在運用新一代信息技術驅動自身轉型升級方面尚處于起步階段具有較大關系。此外，大數據的內涵異常豐富，并且不斷發展和迭代，大數據對制造企業與物流企業協同發展的作用機理也非常復雜。因此，隨著制造企業與物流企業的不斷發展，未來還需要從不同的角度出發進行全方位的觀察和分析，這也是今后需要繼續深入研究的課題。

注釋：

①“6V”是容量（Volume）、速度（Velocity）、種類（Variety）、真實性（Veracity）、可變性（Variability）、價值性（Value）六個詞語英文單詞首字母的縮寫。

參考文獻：

[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]王宏偉.大數據在物流服務創新中的應用[J].北方經貿，2016（7）：43-44.

[5]梁紅波.大數據技術引領物流業智慧營銷[J].中國流通經濟，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，周開樂.大數據中的管理問題：基于大數據的資源觀[J].管理科學學報，2015，18（5）：1-8.

[17]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，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]王國成.從3V到5V：大數據助推經濟行為的深化研究[J].天津社會科學，2017（2）：94-99.

[20]謝衛紅，劉高，王田繪.大數據能力內涵、維度及其與集團管控關系研究[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]肖靜華，毛蘊詩，謝康.基于互聯網及大數據的智能制造體系與中國制造企業轉型升級[J].產業經濟評論，2016（2）：5-16.

[30]馮芷艷，郭迅華，曾大軍，等.大數據背景下商務管理研究若干前沿課題[J].管理科學學報，2013（1）：1-9.

[31]王欽，張隺.“中國制造2025”實施的切入點與架構[J].中州學刊，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.結構方程模型及其應用[M].北京：教育科學出版社，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：廣東省高校人文社會科學創新強校項目“珠三角地區第三方物流的全球供應鏈網絡嵌入研究”（2017WTSCX129）

作者簡介：張季平（1990—），女，江蘇省連云港市人，嘉興學院商學院教師，博士，主要研究方向為物流與供應鏈管理；陶君成（1957—），男，湖北省仙桃市人，武漢東湖學院農業電子商務湖北省協同創新中心教授，主要研究方向為物流經濟、城鄉物流網絡；尤美虹（1980—），女，湖北省紅安縣人，武漢東湖學院管理學院副教授，上海海事大學物流科學與工程研究院博士研究生，主要研究方向為物流服務平臺與供應鏈管理。