大数据驱动制造企业与物流企业协同发展的实证研究

发布时间：2021-04-09 02:59

　　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;大数据的可挖掘性、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... 

【文章来源】：中国流通经济. 2020,34(02)北大核心CSSCI

【文章页数】：12 页

【部分图文】：

大数据同制造企业与物流企业协同发展关系的概念模型

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

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

【参考文献】：
期刊论文
[1]从3V到5V:大数据助推经济行为的深化研究[J]. 王国成.  天津社会科学. 2017(02)
[2]大数据能力内涵、维度及其与集团管控关系研究[J]. 谢卫红,刘高,王田绘.  科技管理研究. 2016(14)
[3]大数据在物流服务创新中的应用[J]. 王宏伟.  北方经贸. 2016(07)
[4]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]. 肖静华,毛蕴诗,谢康.  产业经济评论. 2016(02)
[5]“中国制造2025”实施的切入点与架构[J]. 王钦,张隺.  中州学刊. 2015(10)
[6]大数据中的管理问题:基于大数据的资源观[J]. 杨善林,周开乐.  管理科学学报. 2015(05)
[7]大数据技术引领物流业智慧营销[J]. 梁红波.  中国流通经济. 2015(02)
[8]大数据背景下商务管理研究若干前沿课题[J]. 冯芷艳,郭迅华,曾大军,陈煜波,陈国青.  管理科学学报. 2013(01)
[9]大数据管理:概念、技术与挑战[J]. 孟小峰,慈祥.  计算机研究与发展. 2013(01)



本文编号：3126778