| 课题结合申报内容，经过团队成员的不懈努力，完成了相关的研究内容。课题以宁波市智慧物流建设为跟踪研究目标，在不断总结分析的基础上，结合课题研究目标进行了针对性的分析。 一、依托行业应用对物流信息传输技术的需求，分解物流信息化不同阶段 从信息技术流向来看，不同物流过程产生的物流信息，必须经过有效处理才能发挥应有的效能，而这一过程的重点在于完成物流信息的采集、共享和交换。围绕这些切入点，物流行业借助对应时代的信息技术对行业进行了不断的调整和产业创新。从“技术应用为主”到“管理为主”再到“管理和技术相辅相成”的发展目标较为清晰的概括了物流信息化发展的历程，从技术路线上来看，经历了“技术应用为主”到“技术配合管理”的发展趋势。在这一发展过程中，行业界逐渐将改革创新目标从只关注物流信息应用技术过渡到了物流信息技术的基础领域，即物流信息传输技术环节。回顾多年的物流行业信息化发展历程，从物流信息传输技术视域来看，我们可以清晰的发现物流信息化是伴随着物流信息传输技术的发展而变革创新的，简单来说，初期的物流信息化立足于已有的物流信息传输技术水平进行了物流信息技术的创新应用。伴随着信息技术和互联网技术的普及发展，物流信息传输技术水平逐渐成为了信息技术领域的瓶颈，物流信息化发展也逐渐受到物流信息传输技术水平的制约，在管理应用层面对物流信息传输技术提出了更高的创新发展要求。 立足于物流信息传输技术的发展阶段，本文对物流信息化进行了阶段划分，即传统物流信息化阶段、智慧物流和大数据物流等三个不同的阶段，希望通过对不同阶段物流信息传输技术面临的需求和挑战分析，从管理应用层面提出相关的对策，为物流信息化的不断创新发展提供一些参考。 二、传统物流信息化阶段，数据挖掘及物流服务能力研究 这一阶段物流行业面临着从手工到机械化、信息化的改革要求，围绕着如何有效突破物流信息采集这一切入点，众多物流企业引入了基于当时物流信息传输技术基础上开发的物流应用软件，对分散在不同物流过程的物流信息进行了采集应用，取得了较为明显的成效，突破了“单点应用”的局限性，一定程度上破解了“信息孤岛”效应。 一体化物流、ERP、供应链物流等理念的相继提出，更是从管理层面对物流信息软件提出了更高的要求，传递到物流信息传输技术环节，则要求该环节必须能配合管理要求完成相应的技术升级。该阶段经历了“技术应用为主”到“管理为主”的物流信息化发展目标，很不凑巧的是，物流行业界只是将关注点放在了应用软件层面。 该阶段的重点主要在于通过物流信息化手段帮助物流企业克服“信息孤岛”，对数据挖掘应用的要求并未达到后期大数据时代阶段的要求，仍然停留在粗浅阶段，即把数据变得透明，让参与业务的人员能够看到实时数据。对于数据挖掘内涵来说，它的发力点在于帮助作业人员从大量数据中提取隐含其中的、人们事先未知的、具有潜在价值的信息和知识。文献研究中关于数据挖掘的分析揭示，该阶段产生了众多的数据挖掘技术，对后期智慧物流和大数据物流阶段的数据挖掘提供了研究基础，但是在具体应用过程中，并未引起物流业界的重视，反而将其物流服务创新能力放在了如何参与产业链，通过供应链管理要素的改革进行物流产业的升级换代。 三、物流业面临的时代机遇 在业务外包、核心竞争力构建、供应链管理、物流资源整合和集成、物流公共网络平台构建等理念驱动下的物流业一路走来，功能不断细化，业态也不断扩容。作为生产性服务行业的物流业不断应用先进信息技术对业务流程进行改革创新，以求实现物流信息化之路。这一过程在一定程度上改善了中国物流业的发展状态，但是随着整体经济形势的低迷，物流业随之陷入发展困境，破局之路在哪里？ 2009年以来，智慧物流成为物流行业突破困局的一个发展方向，旨在实现物流各环节的系统感知，谋求服务创新。随着电子商务在2009年的再次崛起，标志性的事件是2009年淘宝“双十一”活动带来的快递业务量递增效应，为互联网与物流业的融合开辟了一种思路。随之而来的是，020模式和跨境电商的兴起，进一步激发了物流业涉足互联网的兴趣。2013年，大数据理念的提出，更是激发了各行各业的热情。2015年，李克强总理在政府工作报告中首次提出“互联网+”行动计划，这为物流业与“互联网”的融合奠定了政策导向。时代和政策的引导下，物流业迫切需要走出一条适合自身良性发展的道路，进而形成具有创新特色的物流服务能力，加速商品的快捷流通，加快完成产业的生态调整。 四、智慧物流阶段，数据挖掘及物流服务能力研究 1、数据成为物流业发展的宝贵资源 一直以来，物流企业对数据的关注点往往停留在事中和事后阶段，尤其以事后应用为多。在以大客户优先服务目标的驱动下，数据成为了客户满意度和企业利润获取的风向标，为了获得业务和相应的利润，物流服务提供商根据相关数据绞尽脑汁进行服务的创新，寄希望于提升服务质量留住客户，同时也希望客户能够给服务提供满意的服务价格。多变的客户需求和竞争者服务的不断推陈出新以及价格竞争日趋激烈，往往使得物流服务提供商达不到自己的预期。 长尾理论带来了互联网时代经营理念的变局，该理念认为企业应该将经营目标从重视80%的大客户群转向20%的无限细分市场，并通过实证证明20%的细分市场为企业提供的利润有可能超过80%的大客户群带来的利润。物流与互联网的融合，各企业在成本与利润的双重约束下，必然需要思考自身的经营理念和经营模式，将自身的核心竞争力提升到局部细分市场独占的境地，从而形成局部竞争优势最大化。 传统的市场细分变量已经无助于挖掘足够大且多的细分市场，只有充分挖掘出足够多的市场细分变量，进行相应的市场细分，才能使得物流服务提供商对目标市场进行定位，从而形成细分市场的竞争优势。这些市场细分变量从哪里来？来源在于物流企业服务客户的显性或隐性数据资料。一旦物流企业真正将数据作为一种资源来运用和挖掘，必然会使自身处于一种经营的主动地位，避免恶性竞争的发生。 2、竞争态势和“互联网+”机遇倒逼物流企业从数据中探索机遇 智慧物流更强调物流供应链的匹配效率，进而实现供应链整体运作最优。匹配意味着双向配对，无论成员之间的物流服务水平高低与否，在时空效率的约束下，成员的物流服务能力信息必须充分展示在供应链合作伙伴之前，才能实现其与物流供应链的快速匹配。 对于物流企业而言，在一定的时空约束下，物流服务能力是其从事某种物流作业的内在能力表述。物流服务能力会随着业务的熟练程度增加而提升其水平，同样也会随着业务萎缩而固步自封，或者说降低其水平。 提供同质化服务的物流企业面临的竞争环境越来越恶劣，越来越多的物流企业希望摆脱这种尴尬局面。长尾理论告诉我们，这些以往忽视的长尾东西恰恰是我们后续进行差异化经营的变局法宝。企业必须充分重视数据挖掘的细分市场变量集，依靠这些充分挖掘出来的市场细分变量集，我们可以将市场进行无限细分，进而进行有效的目标市场定位，然后根据这些细分市场表现出来的特征，改善我们的物流服务能力，从而形成差异化服务。考虑到物流服务的时空限制，数据挖掘必须重视线上和线下的数据源。对于线下实体运作过程中产生的大量与业务相关连的数据，必须充分纳入NOSQL数据库中进行存储。对于线上数据信息，必须设定相关的情感主题，以充分挖掘物流服务过程中隐藏在不同数据结构类型中的特征信息，借助相关性的数据挖掘技术，对线上和线下两种数据进行细分市场变量集合挖掘，找出相关的细分市场变量结合，从而完成后续的细分市场细分工作。 “互联网+”时代激发越来越多的物流企业将经营目光转向互联网领域，目标是获取更多的经营机会。具体作业时，往往采用“人-机”交互模式进行网上交易信息的检索和分析，并未充分发挥智慧物流的优势，通过机器的自动学习方法来获取和挖掘交易信息。对于网络上发布的数据信息而言，分为Deep-web和surface-web两种模式，对应的数据结构也分为结构化数据、半结构化数据和非结构化数据形态。对于互联网而言，surface-web模式带来的数据呈现着爆炸性增长的状态，而这些数据背后隐藏的信息给相关经营者提供了大量的商机，只不过这些数据往往以文本、视频、图片等半结构化和非结构化的数据结构存在着。物流企业可以通过提炼自身物流服务能力作为KEY-VALUE，结合能够充分挖掘不同数据结构类型的智慧物流数据挖掘算法，在互联网上进行智慧性的数据挖掘，才能在有限的时间约束范围内，挖掘出匹配自身物流服务能力的物流业务集合。经营者所要做的是，根据自己的服务成本和盈利目标进行二次筛选，形成满足客户需求的信息，主动信息出击，快速完成与相应供应链的对接服务。 五、大数据时代智慧物流数据挖掘及物流服务能力研究 1、大数据时代智慧物流特性引致数据挖掘新需求 智慧物流要求具备信息化、数字化、网络化、集成化、可视化等先进技术特征，从而形成一种确定的、高水平的物流形态。服务的根本在于消费的确定性，俗称“明明白白消费”。客户关注的焦点在于物品流通过程的结果，一旦出现纠纷能够快速锁定责任方，进行追责。通过智慧物流运作，可以为客户提供较为满意的服务监控状态，但是并不意味着客户会关注到物流运作的各个层面。 进入大数据时代以来，网络化和一体化运作的深入发展，智慧物流日益呈现出多元异构、多实体和多空间交互的动态性。以物品流通为基础的供应链在发展中不断的破裂和重组，作为精神支柱的物流信息在此过程中也不断地进行适应性的调整。物流的一大特色在于完成物品空间位置的位移，在从物品起点到终点位移的过程中，必然经历多实体的协同运作，而信息的转换则需要在这些实体之间的异构平台上进行传递和集成，进而通过彼此系统之间的数据信息输入和输出完成多空间的交互。智慧物流寄希望于通过技术的应用来改善供应链成员之间的信息孤岛状态，一度热炒的公共物流网络平台就承担了这种使命。统一的网络平台接口有利于改善物流信息的传递和共享，但是并没有改变物流实体运作的利益取向。物流供应链成员之间只是单纯的合作关系，彼此之间依靠着合同关系进行着物流服务运作。一旦合同利益达不到自身目标期望值，就非常有可能让原有供应链成员产生离心力，进而放弃现有供应链，加入其它供应链。新入供应链成员的系统异构问题并不会靠着引入一个供应链的公共平台就能够改变，任何一个成熟的物流企业都依赖于多年知识经验的积累并且在自身信息系统上进行业务流程和管理模式的固化，才能更好的完成市场竞争。 大数据物流阶段的信息化发展重点在于对数据资源的挖掘和应用。物流行业业态十分复杂，供应链节点众多，资源分散，从数据源角度来看，可分为物流标准类数据、物流资源类数据、物流业务类数据和物流环境类数据等（Bettis R，Hilt M，1995；Donald J．Bowersox，David J Closs，M Bixby Cooper，2006；肖志良，2014）。在数据资源挖掘和应用过程中，人类将充分借助云计算和互联网等技术进行，由此对物流信息传输技术提出了更高的目标要求。 更加糟糕的是，众多物流企业原有信息系统的构建基于因果关系，系统中的数据结构已定，呈现结构化数据状态。而物流服务本身又会产生大量半结构化和非结构化数据，这些数据信息并不能有效地在自身系统中进行流转，更不要说在供应链成员之间的系统中进行传递和共享。众多创新理念来源于业务过程本身，需要通过一定的数据挖掘技术，来提取隐含在业务过程中，事先不知道，又潜在有用的信息和知识，快速从原始数据转变为全新的洞察力，进而找出某项应用创新的可行性。 智慧物流的高水平不仅仅体现在物流技术水平的高低，更加重要的是体现在服务能力的智慧挖掘层面，帮助物流供应链上的各成员实现彼此的盈利预期，形成各自的竞争优势。现有的数据信息传递平台并不能保障供应链成员获得足够多的数据资源，只能获得与业务相关的最低限度的数据信息。在此情况下，供应链成员希望依托上下游成员的数据资源进行数据挖掘，形成有利于自身长远发展的知识和信息的期望将不可能达到。 因此，依赖于传统数据架构的物流信息系统存储、管理和挖掘技术已经不能更好的完成智慧物流的要求，必须转向大数据，改变物流业务过程中的数据结构存储问题，进而探索对应的数据挖掘技术，借助数据资源来洞察自身经营策略，从而在市场经营中站稳脚跟，不随波逐流，获得主动权。 2、大数据时代智慧物流数据挖掘与物流服务能力匹配的重要性 对于物流企业而言，在一定的时空约束下，物流服务能力是其从事某种物流作业的内在能力表述。物流服务能力会随着业务的熟练程度增加而提升其水平，同样也会随着业务萎缩而固步自封，或者说降低其水平。 物流企业在大数据时代将数据作为资源的重要目的在于，通过数据的充分挖掘，来提升或者改善自身的物流服务能力，进而产生竞争优势。因此，我们可以将智慧物流数据挖掘与物流服务能力匹配研究分为两个分支进行，即第一，在物流服务能力一定的情况下，如何通过数据挖掘找到适合自身能力发挥的供应链进行对接；第二，如何通过智慧物流数据挖掘出相应的细分市场变量，进而根据相关的需求特征完成自身物流服务能力的改善。 “互联网+”时代激发越来越多的物流企业将经营目光转向互联网领域，目标是获取更多的经营机会。具体作业时，往往采用“人-机”交互模式进行网上交易信息的检索和分析，并未充分发挥智慧物流的优势，通过机器的自动学习方法来获取和挖掘交易信息。对于网络上发布的数据信息而言，分为Deep-web和surface-web两种模式，对应的数据结构也分为结构化数据、半结构化数据和非结构化数据形态。对于互联网而言，surface-web模式带来的数据呈现着爆炸性增长的状态，而这些数据背后隐藏的信息给相关经营者提供了大量的商机，只不过这些数据往往以文本、视频、图片等半结构化和非结构化的数据结构存在着。物流企业可以通过提炼自身物流服务能力作为KEY-VALUE，结合能够充分挖掘不同数据结构类型的智慧物流数据挖掘算法，在互联网上进行智慧性的数据挖掘，才能在有限的时间约束范围内，挖掘出匹配自身物流服务能力的物流业务集合。经营者所要做的是，根据自己的服务成本和盈利目标进行二次筛选，形成满足客户需求的信息，主动信息出击，快速完成与相应供应链的对接服务。 提供同质化服务的物流企业面临的竞争环境越来越恶劣，越来越多的物流企业希望摆脱这种尴尬局面。长尾理论告诉我们，这些以往忽视的长尾东西恰恰是我们后续进行差异化经营的变局法宝。企业必须充分重视数据挖掘的细分市场变量集，依靠这些充分挖掘出来的市场细分变量集，我们可以将市场进行无限细分，进而进行有效的目标市场定位，然后根据这些细分市场表现出来的特征，改善我们的物流服务能力，从而形成差异化服务。考虑到物流服务的时空限制，数据挖掘必须重视线上和线下的数据源。对于线下实体运作过程中产生的大量与业务相关连的数据，必须充分纳入NOSQL数据库中进行存储。对于线上数据信息，必须设定相关的情感主题，以充分挖掘物流服务过程中隐藏在不同数据结构类型中的特征信息，借助相关性的数据挖掘技术，对线上和线下两种数据进行细分市场变量集合挖掘，找出相关的细分市场变量结合，从而完成后续的细分市场细分工作。 智慧物流数据挖掘与物流服务匹配能力研究的分支，实际上构成了一个差异化服务持续改善的循环。在匹配过程中，互联网上大量非结构化数据带来的无用性和噪声会影响到智慧物流数据挖掘的效率和质量；其次，依据具体业务设定的情感主题，往往会受到主观因素的限制以及目前不成熟算法的制约；第三，对物流服务能力提炼缺乏相关性描述，有较大可能影响数据挖掘和物流服务能力匹配后的结果集；第四，线下相关性数据的采纳不能引起作业人员的重视，将影响到特征信息的完善性，从而不能保障线上和线下数据的完整，导致匹配结果出现误差，招致决策者的质疑，使得决策工作不能坚持下去。 3、智慧物流数据挖掘及物流服务能力协同路径研究 3.1 从弱可用数据集过渡到高质量数据可用集合，谋求数据可用性 大数据时代的智慧物流运作更强调将数据作为企业的宝贵资源来看待，通过数据挖掘探索出适合自身良性发展的方法和路径，这就决定了数据可用性成为了智慧物流数据挖掘和物流服务有机互动的基础。 随着时间延续，智慧物流运作中的数据量级必然会大幅递增。Web空间和物理空间（如物联网）上的数据流，线下具体作业过程中的数据流等，呈现出不能完全满足数据可用性的特性。一旦数据可用性不足，则数据挖掘结果必然会弱化决策效果。 无论何种形态的数据挖掘，其基本前提在于数据挖掘技术依赖的数据信息有效可用。大数据时代的智慧物流运作更强调将数据作为企业的宝贵资源来看待，通过数据挖掘探索出适合自身良性发展的方法和路径，这就决定了数据可用性成为了智慧物流数据挖掘和物流服务能力有机互动的基础。 李建中，刘显敏（2013）[30]认为一个数据集合至少满足一致性、精确性、完整性、时效性和实体同一性等五个性质的程度称该数据集合具有可用性。[24]随着时间的延续，智慧物流运作中的不同平台会带来数据量级的大幅递增。Web空间和物理空间（如物联网）上的数据流，线下具体作业过程中的相关数据流，在现有数据库技术条件和作业人员意识等因素的共同作用下，物流企业根据作业流程收集、存储在企业数据库中的数据并不能完全满足数据可用性的全体特征。一旦数据可用性不足，则后续的数据挖掘结果必然弱化决策效果。 对于物流企业而言，考虑到目前大数据挖掘技术不成熟的现实约束，必须先将数据可用性这一基础工作落实，只有这样才能随着大数据挖掘技术的突破应用获得实时效益。数据确认工作十分困难，考虑到具体经营条件约束，物流企业可以采取如下路径来完善数据可用性工作。首先，分解数据可用性的五个性质，围绕服务能力，赋予不同的权重，设定相关的弱可用数据指标体系，收集整理弱可用数据集合。其次，以服务相关性为主题，将Web空间上的半结构化和非结构化数据作为收集、整理和存储的重心，为后续进行深入数据挖掘奠定基础。第三，将物理世界中的数据和服务作业现场的数据作为辅助支撑，按照数据可用性的完整指标，收集整理出高质量的数据可用性集合。此路径是一个循环往复的过程，会随着一项物流服务主题的结束，重新开始下一个循环。 3.2 利用智慧物流数据挖掘，沿着基于物流服务能力到物流服务能力重构的路径，完成二者的协同 对于任何一家物流企业的经营思路而言，首先要解决业务有无的问题，其次是开拓对自身有利的业务。对于技术应用而言，同样遵循这样一个规则，那就是无论技术先进与否，如果不能解决上述两个问题，企业也会弃之不用，遵循业务发展路径探索智慧物流数据挖掘和物流服务能力的协同路径会更具研究意义。 “互联网+”时代给物流企业带来了大量的业务机会，问题在于物流企业如何突破时空限制，充分挖掘不同异构网络平台提供的各种各样的商机，寻求适合自己链入的供应链，完成业务增长任务？从理论上而言，这是一种被动性的发展模式，即在商机存在的情况下，使用自己已有的物流服务能力来满足相关商机下的业务机会，物流企业无法把控商机，只能根据商机来完成相关业务。 在被动性发展模式下，如何借助智慧物流数据挖掘，在时间变量约束下，快速找到适合自身物流服务能力的业务显得尤为重要。在进行智慧物流数据挖掘时，需要借助大数据已有的Hadoop MapReduce架构，完成智慧物流数据挖掘的快捷性布局；其次，以业务相关性为原则，基于Item-Based数据挖掘技术完善算法。即将现有物流服务能力进行提炼，转化成User特征值，将原有服务成功的物流业务和网上发现的离散物流业务转换成ITEM数据集，提炼关键词。第三，推测和演化ITEM和ITEM的相似度，构建USER-ITEM矩阵完成后续的智慧物流数据挖掘。在进行数据挖掘和物流服务能力匹配的过程中，不断训练和演化算法，以发掘商机为达成目标，可以有效地协助物流企业解决从互联网上发掘业务有无的问题，尽管这种路径有一定的意义，但是并不能改善物流企业需要谋求的差异化竞争态势。 差异化竞争优势的获得依赖于足够大的细分市场，长期的同质化竞争使得大多数物流企业的服务能力趋向一致，而细分市场呈现的需求必然与普适化的物流服能力供给不一致。因此，物流企业在挖掘出满意的细分市场之后，必须根据细分市场的需求特征来重构自身的物流服务能力，使供给与需求达到契合，不断地实践和磨练自己的物流服务能力，在细分市场形成竞争优势。从理论上而言，这是一种主动性的发展模式，即物流企业转变自身物流服务能力，主动探寻细分市场，获得差异性竞争优势的一种发展模式。 构建足够大细分市场的前提条件在于能够获取独立于竞争对手所知晓的市场细分变量，这些市场细分变量的特征值往往隐藏在不同异构网络平台上的非结构化数据中，充分挖掘细分变量数据成为主动发展模式需要破解的难题。在此路径下，需要采用CONTENT-BASED和ITEM-BASED数据挖掘相结合的方法进行。首先，根据CONTENT-BASED数据挖掘算法，加入业务情感特征向量集，重构Content-Based的智慧物流数据挖掘算法，对互联网上的业务进行挖掘，找出业务集（无论是否被竞争对手完成）。其次，结合ITEM-BASED算法，对物流服务能力进行重构，依据时间快捷性和相关性原则，探寻适合的业务集。第三，设定时间段，对服务过的业务结合线下数据进行细分市场变量的可用性数据集进行推敲，将其从弱可用性转化为高质量的可用性数据集。第四，采用智慧物流提供的可视化技术对市场进行细分，探寻出满意的细分市场，根据细分市场呈现的需求特征重构自身物流服务能力，进而进入主动发展模式。 | 