大數據分析與挖掘在物流管理中的應用

摘 要：隨著人工智能時代的到來，大數據相關技術和方法在物流管理中的應用逐漸成為了研究熱點。基于CiteSpace和LDA主題模型對Web of Science數據庫中2010-2022年發表的與物流管理大數據相關的408篇文獻進行了梳理和分析。研究發現，與物流管理中大數據相關的論文數量呈逐年增加的趨勢。其中，供應鏈管理、人工智能、可預測分析、逆向物流等是目前物流管理大數據的研究熱點;基于數據和物流的可持續性發展、基于技術和信息的數字化決策等研究在當前物流管理領域受到廣泛關注。

關鍵詞：大數據技術；物流管理； LDA主題模型；CiteSpace

中圖分類號：F49；F259.23

文獻標識碼：A

Doi：10.3969/j.issn.1672-2272.202309096

Application of Big Data Analysis and Mining in Logistics Management

Wan Xin，Shi Lin，Yuan Haiman

（School of Management，Wuhan Textile University， Wuhan 430200，China）

Abstract：With the advent of the artificial intelligence era， the application of big data related technologies and methods in logistics management has gradually become a research hotspot. Based on CiteSpace and the LDA topic model， this paper analyzes and summarizes 408 articles related to big data in logistics management published in the Web of Science database from 2010 to 2022. The research found that the number of articles on big data in logistics management has shown an increasing trend year by year. Among them， supply chain management， artificial intelligence， predictive analytics， reverse logistics， etc are currently hot research topics in the application of big data in logistics management; research on sustainable logistics development based on data and logistics， digitized decision-making based on technologies and information， has received extensive attention and aroused great research interest in the current field of logistics management.

Key Words：Big Data Technology; Logistics Management; LDA Topic Model; CiteSpace

0 引言

大數據技術作為現代管理中的一種重要手段，已經廣泛應用于物流領域。通過對大量數據的收集、挖掘和分析，物流企業可以更好地優化運營流程、提高物流效率、降低成本，并提升客戶體驗和滿意度。本文對物流管理中的大數據分析和挖掘技術的應用進行梳理和總結，旨在為物流企業提供更多的思路和支持。

1 研究方法與數據來源

1.1 研究方法

CiteSpace是一款用于計量和分析科學文獻數據的信息可視化軟件，通過繪制科學和技術領域發展的知識圖譜，直觀地展現科學知識領域的信息全景，了解某一科學領域中的關鍵文獻、熱點研究和前沿方向[1]。LDA（Latent Dirichlet Allocation）是一種經典的無監督主題建模方法，用于推測文檔的主題分布，可以準確地反映文獻之間的關系，適用于理解和分析文獻數據[2]。本文利用CiteSpace和LDA主題模型分析大數據技術在物流領域的研究狀況與動態。

1.2 數據來源

本文使用Web of Science核心合集，基于關鍵詞“big data”“logistics”和“artificial intelligence”“logistics”，檢索了2011-2022年出版的共3 497篇文獻，類型為“all document types”。使用Endnote軟件對文章的領域進行篩選，剔除與本研究無關的文章，得到408篇論文作為本次研究的分析對象。對文獻進行初步的年度分析，文獻發布時間分布如圖1所示。

由圖1可知，大數據技術在物流領域的研究整體呈上升趨勢。其中，2017年以后研究梳理開始迅速增長，2021年發文數量達106篇。2018-2022年的發文數量共368篇，占整體的90.2%，表明大數據在物流領域的研究逐漸增多。

2 大數據在物流領域的研究現狀

2.1 文獻合作分析

基于CiteSpace文獻合作分析發現，大數據技術在物流領域的應用研究中，中國發表頻次最高，而英國的中心性指標最高（表1）。兩國在研究方面的合作主要包括大數據技術在跨境電商物流中的應用、物流網絡優化與規劃、集成多源數據的物流決策支持系統、數據隱私與安全保護和綠色物流與可持續發展等。

2.2 文獻共被引分析

基于CiteSpace的文獻共被引分析（表2）發現，研究的內容多圍繞大數據與供應鏈的關系以及大數據為供應鏈帶來的契機和機遇。Kache等[3]認為公司可以通過應用大數據分析獲得成本優勢。同時大數據和供應鏈結合也起到了很好的作業效果，Dubey等[4]發現大數據技術（BDT）作為信息時代的新興產物，能快速分析和處理大量數據、挖掘供應鏈管理中的信息價值，為閉環供應鏈（CLSC）帶來了機遇和挑戰。

大數據技術可以普遍應用在物流的諸多問題中。Ben-Daya等[5]通過對代表性文獻進行計量分析，預測了維修領域、虛擬網絡流程設計優化、成本問題、車輛路徑問題、質量控制物流等問題。

高被引論文分析表明，目前大數據對供應鏈管理的分析與影響是熱度比較高的話題。Ivanov等[6]的研究顯示大數據分析屬于數字化對供應鏈設計彈性的研究新方向，有助于庫存數量的制定。Papadopoulos等[7]運用內容分析和驗證性因素分析（CFA）對震后救災人員的回復進行分析發現，“大數據”領域在優化恢復策略和管理供應鏈網絡方面顯示出巨大潛力。

3 大數據研究動態

3.1 文獻研究熱點

基于CiteSpace對文獻對象進行突現詞檢測，設置狀態數為2，在0～1的區間里取值0.5，結果如圖2所示。同時，按照3年一個單位，將文獻中運用到的大數據技術或方法進行關鍵詞提取，結果如表3所示。

關鍵詞突現分析表明，數據科學、可預測分析、智能算法、工業4.0、逆向物流、物聯網、人工智能等主題是物流管理領域不同時期的研究熱點。

此外，通過觀察發現關鍵詞突現與高頻關鍵詞大部分重合，表明物流管理領域的研究熱點離不開新興技術，學者們通過使用大數據技術不斷解決和改善現存的物流問題。隨著Web2.0技術的興起，強化學習也被運用于物流問題。Sadrnia等[8]提出了多目標引力搜索算法（MOGSA）來求解數學模型，有效應用于環境友好型汽車供應鏈中優化成本和二氧化碳排放的戰略規劃。且在過去10年里，研究人員通過開發和應用元啟發式以及基于蟻群的算法，解決了許多復雜的供應鏈配置和物流問題，為專家和智能系統的知識體系發展、完善作出了貢獻[9]。2020年開始，物聯網的出現導致了許多領域范式轉變，包括物流和可能性，為人與物之間的通信和“物”之間的自主協調提供了新功能，實現了更高水平的供應鏈可見性、敏捷性和適應性[10]。2020-2022年，人工智能技術的不斷成熟，其在物流領域的應用也更加廣泛。Tsolakis等[11]將人工智能和區塊鏈技術運用于供應鏈，擴展運營績效邊界，促進其可持續發展和數據貨幣化。

越來越多的研究人員開始關注大數據技術在物流領域的應用，學者們不斷使用新興技術去探索和解決物流問題。隨著不斷出現的大數據技術，從互聯網到3D打印機，從智能算法、區塊鏈技術再到最近的物聯網，物流領域的研究熱點與大數據技術的發展密切相關。大數據不僅給物流企業提供了更多的信息和數據，同時也豐富了物流領域的研究理論和方法。

3.2 大數據對關鍵詞演變的影響

本文比較了高德納技術成熟度曲線與文獻中運用的大數據技術，制作了關鍵詞頻率圖（圖3）。分析顯示，隨著大數據等相關技術的不斷出現和發展，它們也被逐漸應用到物流管理研究領域，促進了物流領域研究的先進性與多元性。

從高德納技術曲線可知，2011-2013年人工智能技術開始萌芽。Ilter[12]研究發現人工智能開始應用于供應鏈管理（SCM）系統。截至2023年，人工智能已經廣泛應用于供應鏈、數據收集處理、智能配送、優化路線、智能客服等多個領域，降低了成本，提高了作業效率。

2015年開始，智能算法開始應用于物流領域。Moncayo-Martinez等[13]提出了一種基于智能水滴算法設計和配置優化供應鏈，降低了銷售商品的成本和交付周期。Holimchayachotikul等[14]提出了一種基于粒子群優化的神經模糊混合預測性能測量系統，以提高銷售效率和目標績效。這些智能算法在供應鏈成本、庫存成本、銷售業績等方面均起到了正向的支持和作用。

2016年，機器學習發展達到了膨脹期。同期，物流領域也有越來越多的研究開始嘗試使用機器學習。Kuenzel等[15]將機器學習、決策理論和分布式人工智能結合設計了一個測試瀝青路面施工的多智能體系統（MAS），節省了員工作業成本，減少施工預算和進度。Yuan等[16]將機器學習和人機交互技術相結合，構建了供應鏈管理模型，取得了良好的效果。Feizabadi[17]提出了一種基于機器學習的混合需求預測方法，實現了對供應鏈績效的改進。機器學習的應用為決策者提供了戰略支持，同時也提高生產力、效益、供應鏈可持續性和客戶忠誠度。

2017年，物聯網平臺發展到了希望期。Yan等[18]根據物聯網下農業供應鏈定量模型的結果，提出了風險管理措施。Dweekat等[19]通過案例研究表明，物聯網能實時收集數據，實現供應鏈內的實時通信，提高數據效率，增強了供應鏈管理。同時，物聯網在自動化倉庫、庫存管理、預測信息、定位跟蹤等方面的應用也讓物流企業的發展實現了進一步的跨越。

2018年，數字孿生已經達到了技術成熟期。Marmolejo-Saucedo[20]設計了一種基于數字孿生概念的供應鏈決策工具，實現了供應鏈利益相關者之間信息共享，提高了產品和流程的可見性。Dafraeye等[21]開發了一個水果產品的數字孿生，改善了冷藏流程和物流，使冷藏供應鏈更環保。數字孿生通過對物流情景的模擬和優化能有效提高物流效率、物流安全性以及用戶體驗，降低物流成本，物流企業需積極應用數字孿生技術以提高企業的競爭力。

2019年開始，隨著深度學習的應用發展，Guo等[22]將深度學習神經網絡引入到跨境物流和供應鏈，優化了現有的跨境物流和供應鏈網絡。深度學習已經滲透到了物流配送、預估風險、供應鏈管理、物流信息化建設等多個領域，未來會有更多學者通過深度學習的方法和技術解決更多的物流問題。

2020年，區塊鏈技術已經發展成熟。Mandolla等[23]提出將區塊鏈和供應鏈結合增強供應鏈管理的透明度和安全性。目前區塊鏈技術在貨物追溯、智能合約、數據共享、防偽溯源、數字貨幣支付等多個物流領域均有應用。

不斷新生的技術也在同步地應用于物流領域的各個方面，即大數據在物流領域的研究熱點離不開同一時期的新興技術。技術在物流行業的發展中扮演著非常重要的角色，其不僅提高了物流效率、降低了成本，還改變了物流產業的商業模式和運營方式。物流研究和企業需要更加積極地關注、應用新技術，推動行業的快速發展。

除此之外，參考高德納技術成熟度曲線還發現，當技術到達成熟期后，其在物流領域的應用也更加廣泛。例如，可預測分析技術在2010年處于復蘇期，2011-2012年向著成熟期邁進，2013年到達成熟期。且在技術成熟以后，該技術在物流領域的研究呈現大幅度的增長，如圖4所示。由此可見，技術運用越成熟，在相關領域的應用則越廣泛、深入。

3.3 研究主題演變分析

對數據源408篇文獻進行LDA主題分析，經過一致性檢驗確定主題數量為2，結果如表4所示。

在主題1中，大數據技術的應用可以提高物流效率和可持續發展水平，主要體現在以下幾個方面：供應鏈管理優化、回收物流、綠色物流、可持續性發展物流等。Shahidzadeh等[24]利用人工智能改善逆向物流決策。Yildizbasi等[25]基于大數據分析設計了一種混合MCDM技術幫助企業確定最有效的綠色供應商。

Mageto等[26]通過對Scopus文獻進行分析和研究，給出物流服務供應商管理公司應發展可持續性和技術的能力，包括逆向物流的建議。因此可持續性發展對物流企業的發展至關重要。

主題2中，大數據技術在智能供應鏈管理和數字化決策支持方面的應用主要體現在以下幾個方面：數據采集和處理、預測與優化、實時監控、決策支持、風險評估、價值預估等。管理人員需要更好地理解和了解區塊鏈技術的實施，有助于在不確定和復雜的商業環境和供應鏈生態系統中將風險管理目標和優先事項與區塊鏈技術的實施相結合[27]。Nayal等[28]發現人工智能對供應鏈風險緩解能產生了積極影響。Xu等[29]通過引入多智能體實現物流服務異常監控。Huang等[30]使用粒子群算法對物流中心的選址進行優化。這些研究表明，大數據技術與方法可以顯著改善物流效率，給管理者提供決策支持。

4 研究結論與展望

本文從Web of Science數據庫中選取408篇文獻進行分析，得到了以下結論：

①從文獻地區分布和發表時間來看，2013年開始，大數據在物流領域的相關文獻發表數量逐漸增多。

②根據文獻共被引分析可知，高被引文獻大多圍繞大數據與供應鏈的關系以及大數據為供應鏈帶來的契機和機遇展開研究。

③新興技術的出現推動著物流行業的不斷發展，且技術成熟后在物流領域的應用更加廣泛。

④基于數據和物流的可持續性發展研究以及基于技術和信息的數字化決策代表著現階段大數據技術在物流領域的應用研究前沿。

現階段在物流領域，大數據的應用已經取得了顯著成果。然而，要充分發揮大數據的優勢，還需要進一步完善相關的技術、政策和管理體系，同時加強對數據隱私和安全的保護，并探索更多創新性的應用場景，以推動物流行業的數字化轉型和高質量發展。未來可結合多個數據來源進行更全面的分析。

參考文獻：

[1] 侯劍華，胡志剛.CiteSpace軟件應用研究的回顧與展望[J].現代情報，2013，33（4）：99-103.

[2] LI X， ZHANG Y， ZHANG R. Self-weighted unsupervised LDA [J]. IEEE Transactions on Neural Networks and Learning Systems， 2017， 34（8）： 1627-1632.

[3] KACHE F， SEURING S. Challenges and opportunities of digital information at the intersection of big data analytics and supply chain management [J]. International Journal of Operations amp; Production Management， 2017， 37（1）： 10-36.

[4] DUBEY R， GUNASEKARAN A， CHILDE S J. Big data analytics capability in supply chain agility： the moderating effect of organizational flexibility [J]. Management Decision， 2018， 57（8）： 2092-2112.

[5] BEN-DAYA M， HASSINI E， BAHROUN Z. Internet of things and supply chain management： a literature review [J]. International Journal of Production Research， 2017， 57（15-16）： 4719-4742.

[6] IVANOV D， DOLGUI A. A digital supply chain twin for managing the disruption risks and resilience in the era of industry 4.0 [J]. Production Planning amp; Control， 2020， 32（9）： 775-788.

[7] PAPADOPOULOS T， GUNASEKARAN A， DUBEY R， et al. The role of big data in explaining disaster resilience in supply chains for sustainability [J]. Journal of Cleaner Production， 2017， 142（10）： 1108-1118.

[8] SADRNIA A， ISMAIL N， ZULKIFLI N， et al. A multi-objective optimization model in automotive supply chain networks [J]. Mathematical Problems in Engineering， 2013（8）： 123-145.

[9] MONCAYO-MARTNEZA L， MASTROCINQUE E. A multi-objective intelligent water drop algorithm to minimise cost of goods sold and time to market in logistics networks [J]. Expert Systems with Applications， 2016， 64：295-312.

[10] CHEN Y T， SUN E W， CHANG M F， et al. Pragmatic real-time logistics management with trafficIoT infrastructure：big data predictive analytics of freight travel time for Logistics 4.0 [J]. International Journal of Production Economics， 2021， 238：107-120.

[11] TSOLAKIS N， SCHUMACHER R， DORA M， et al. Artificial intelligence andblockchain implementation in supply chains： a pathway to sustainability and data monetisation？ [J]. Annals of Operations Research， 2022，9：1-19.

[12] ILTER H K. A methodology for the exploration of supply chainarchitecture[J]. African Journal of Business Management， 2011， 5（22）： 9334-9339.

[13] MONCAYO-MARTINEZ L A， MASTROCINQUE E. A multi-objective intelligent water drop algorithm tominimise cost of goods sold and time to market in logistics networks[J]. Expert Systems with Applications， 2015， 64： 455-466.

[14] HOLIMCHAYACHOTIKUL P， LEKSAKUL K. Predictive performance measurement system for retail industry using neuro-fuzzy system based on swarmintelligence[J]. Soft Computing， 2017， 21（7）： 1895-1912.

[15] KUENZEL R， TEIZER J， MUELLER M， et al.Smartsite： intelligent and autonomous environments， machinery， and processes to realize smart road construction projects[J]. Automation in Construction， 2016， 71： 21-33.

[16] YUAN G H， WU S， WANG B. Supply chain management model based on machine learning[J]. Neural Computing amp; Applications， 2022， 35（6）： 4319-4335.

[17] FEIZABADI J. Machine learning demand forecasting and supply chain performance [J]. International Journal of Logistics-Research and Applications， 2022， 25（2）： 119-142.

[18] YAN B， WANG X N， SHI P. Risk assessment and control of agricultural supply chains under Internet ofThings[J]. Agrekon， 2019， 56（1）： 1-12.

[19] DWEEKAT A J， HWANG G， PARK J. A supply chain performance measurement approach using the internet of things toward more practical SCPMS[J]. Industrial Management amp; Data Systems， 2017， 117（2）： 267-286.

[20] MARNNOLEJO-SAUCEDO J A. Design and development of digital twins： a case study in supplychains[J]. Mobile Networks amp; Applications， 2020， 25（6）： 2141-2160.

[21] DEFRAEYE T， TAGLIAVINI G， WU W T， et al. Digital twins probe into food cooling and biochemical quality changes for reducing losses in refrigerated supply chains[J]. Resources Conservation and Recycling， 2021， 149： 778-794.

[22] GUO H L， ZOU T. Cross-border e-commerce platform logistics and supply chain network optimization based on deep learning [J]. Mobile Information Systems， 2022，5：1-16.

[23] MANDOLLA C， PETRUZZELLI A M， PERCOCO G， et al. Building a digital twin for additive manufacturing through the exploitation ofblockchain： a case analysis of the aircraft industry [J]. Computers in Industry， 2019， 109： 134-152.

[24] HAHIDZADEH M H， SHOKOUHYAR S， JAVADI F， et al. Unscramble social media power for waste management： a multilayer deep learning approach [J]. Journal of Cleaner Production， 2021， 377：126-215.

[25] YILDIZBASI A， ARIOZ Y. Green supplier selection in new era for sustainability： a novel method for integrating big data analytics and a hybrid fuzzy multi-criteria decision making [J]. Soft Computing， 2022， 26（1）： 253-270.

[26] MAGETO J. Current and future trends of information technology and sustainability in logistics outsourcing [J]. Sustainability， 2022， 14（13）：7609-7612.

[27] CHOWDHURY S， RODRIGUEZ ESPINDOLA O， DEY P， et al.Blockchain technology adoption for managing risks in operations and supply chain management： evidence from the UK [J]. Annals of Operations Research， 2022，25：1-24.

[28] NAYAL K， RAUT R， PRIYADARSHINEE P， et al. Exploring the role of artificial intelligence in managing agricultural supply chain risk to counter the impacts of the COVID19 pandemic [J]. International Journal of Logistics Management， 2022， 33（3）： 744-772.

[29] XU D M， WIJESOORIYA C， WANG Y G， et al.Outbound logistics exception monitoring： a multi-perspective ontologies' approach with intelligent agents [J]. Expert Systems with Applications， 2011， 38（11）： 13604-13611.

[30] HUANG Y Y， WANG X Y， CHEN H Y. Location selection for regional logistics center based on particle swarm optimization [J]. Sustainability， 2022， 14（24）：16358-16375.

（責任編輯：吳 漢）

基金項目：湖北省教育廳人文社會科學一般項目“社會化云視域下的情感分析在新型在線學習模式中的設計和實踐研究”（18Y081）；湖北省普通高校人文社會科學重點研究基地企業決策支持研究中心科學研究計劃“基于GNN的病毒傳播預測研究”（204004003）

作者簡介：萬欣（1973-），女，博士，武漢紡織大學管理學院副教授，研究方向：數據挖掘、推薦系統和知識管理；石琳（2000-），女，武漢紡織大學管理學院碩士研究生，研究方向：物流信息系統設計與管理；袁海曼（1998-），女，武漢紡織大學管理學院碩士研究生，研究方向：管理科學與工程。