張京敏 黃彥

【摘 要】 考慮大數(shù)據(jù)投資中供應(yīng)鏈成員的風(fēng)險(xiǎn)規(guī)避行為，利用均值方差模型，以需求增量為隨機(jī)變量，建立四種大數(shù)據(jù)投資模型，探究供應(yīng)鏈成員的大數(shù)據(jù)投資決策。研究表明：大數(shù)據(jù)投資模式的選擇與消費(fèi)者的消費(fèi)偏好有關(guān)，當(dāng)消費(fèi)者對于產(chǎn)品本身的改變較為敏感時(shí)，制造商應(yīng)當(dāng)進(jìn)行大數(shù)據(jù)投資，當(dāng)消費(fèi)者更注重于線下的購物體驗(yàn)時(shí)，零售商應(yīng)當(dāng)進(jìn)行大數(shù)據(jù)投資。制造商或零售商自身風(fēng)險(xiǎn)規(guī)避系數(shù)越高會(huì)使自身效益減少并且對方效益增加，因此，當(dāng)制造商或零售商的風(fēng)險(xiǎn)規(guī)避系數(shù)較低時(shí)，可以進(jìn)行大數(shù)據(jù)投資，但會(huì)嚴(yán)重?fù)p害風(fēng)險(xiǎn)規(guī)避系數(shù)較高一方的效益。制造商（零售商）風(fēng)險(xiǎn)規(guī)避系數(shù)越高，零售商（制造商）進(jìn)行大數(shù)據(jù)投資的可能性越大。

【關(guān)鍵詞】 供應(yīng)鏈; 風(fēng)險(xiǎn)規(guī)避; 投資決策; 大數(shù)據(jù)

一、引言

隨著云計(jì)算、移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的快速發(fā)展，全球數(shù)據(jù)總量正在迅速增長。根據(jù)咨詢機(jī)構(gòu)IDC預(yù)測，到2025年全球數(shù)據(jù)總量將達(dá)到175ZB，云和虛擬存儲(chǔ)的開發(fā)顯著降低了大數(shù)據(jù)的存儲(chǔ)成本[1-2]。這些現(xiàn)象表明，大數(shù)據(jù)發(fā)展和應(yīng)用的機(jī)會(huì)已經(jīng)形成，大數(shù)據(jù)時(shí)代已經(jīng)到來。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)作為信息經(jīng)濟(jì)不可或缺的原材料已滲透到各種行業(yè)[3-4]。對于企業(yè)而言，從大量數(shù)據(jù)中提取和獲取有價(jià)值的信息意義重大。Barton et al.[5]研究表明公司可以通過使用大數(shù)據(jù)來改變其商業(yè)模式，數(shù)據(jù)驅(qū)動(dòng)戰(zhàn)略將很快成為競爭差異化的重要因素。McAfee et al.[6]提出，使用大數(shù)據(jù)可以幫助公司提高生產(chǎn)率和效益。因此，大多數(shù)公司都實(shí)施了大數(shù)據(jù)計(jì)劃。對于產(chǎn)品供應(yīng)鏈來說，消費(fèi)者的需求數(shù)據(jù)顯得尤為重要，通過對消費(fèi)者的需求進(jìn)行分析和歸納進(jìn)而有針對性地生產(chǎn)和銷售產(chǎn)品，不僅可以增加需求量，還能夠減少生產(chǎn)成本和銷售成本。但當(dāng)前企業(yè)對于數(shù)量龐大且非結(jié)構(gòu)化數(shù)據(jù)的處理和分析需要較高的成本，因此如何合理地對大數(shù)據(jù)分析進(jìn)行投資是供應(yīng)鏈企業(yè)面臨的一大難題。

許多學(xué)者對大數(shù)據(jù)環(huán)境下的供應(yīng)鏈管理進(jìn)行了研究。定性研究方面，Waller et al.[7]討論了大數(shù)據(jù)在供應(yīng)鏈管理中的重要性，并建議研究人員關(guān)注大數(shù)據(jù)在供應(yīng)鏈中的應(yīng)用。Bi et al.[8]討論了大數(shù)據(jù)對企業(yè)信息系統(tǒng)的影響。Hazen et al.[9]研究了供應(yīng)鏈中的數(shù)據(jù)質(zhì)量問題。Fosso Wamba et al.[10]提出企業(yè)應(yīng)該關(guān)注大數(shù)據(jù)創(chuàng)造的價(jià)值觀。Janssen et al.[11]研究了在使用大數(shù)據(jù)做出決策時(shí)影響決策質(zhì)量的因素，包括數(shù)據(jù)收集、分析過程以及數(shù)據(jù)傳輸質(zhì)量。Gunasekaran et al.[12]通過問卷調(diào)查研究了大數(shù)據(jù)預(yù)測分析對供應(yīng)鏈和組織績效的影響。結(jié)果表明，大數(shù)據(jù)預(yù)測分析與公司的供應(yīng)鏈績效和組織績效呈正相關(guān)。Wamba et al.[13]研究發(fā)現(xiàn)大數(shù)據(jù)分析能力會(huì)影響企業(yè)績效和面向流程的動(dòng)態(tài)能力。Lamba et al.[14]提出了三種新的大數(shù)據(jù)模型來解決供應(yīng)鏈管理過程中的聯(lián)合采購和設(shè)施布局問題。Hofmann[15]研究發(fā)現(xiàn)大數(shù)據(jù)的應(yīng)用有助于減少供應(yīng)鏈中的牛鞭效應(yīng)。Lamba[16]發(fā)現(xiàn)大數(shù)據(jù)分析方法被廣泛應(yīng)用于供應(yīng)鏈的制造、物流和采購過程中。Shen et al.[17]討論了大數(shù)據(jù)時(shí)代信息共享的障礙和優(yōu)勢。Kache et al.[18]通過實(shí)證研究提出了供應(yīng)鏈管理中使用大數(shù)據(jù)帶來的挑戰(zhàn)和機(jī)遇。

定量研究方面，Olama et al.[19]提出了一種集成水平模型來評估公司數(shù)據(jù)系統(tǒng)的性能。Tambe[20]認(rèn)為企業(yè)管理者應(yīng)當(dāng)注意平衡勞動(dòng)力成本支出與大數(shù)據(jù)收入之間的關(guān)系。HAO et al.[21]探究了大數(shù)據(jù)環(huán)境中隱私信息泄露對供應(yīng)鏈成員協(xié)調(diào)關(guān)系的影響。Wu et al.[22]提出了考慮大數(shù)據(jù)服務(wù)提供商的三階段供應(yīng)鏈協(xié)調(diào)策略。See-To et al.[23]提出了一種基于銷售大數(shù)據(jù)分析的需求分配模型。為了降低有害物質(zhì)的固有風(fēng)險(xiǎn)，Zhao et al.[24]提出了一種多目標(biāo)優(yōu)化方法，該方法采用大數(shù)據(jù)分析方法得到相關(guān)參數(shù)，并討論了三種方案來優(yōu)化綠色供應(yīng)鏈管理。Kaur et al.[25]提出了關(guān)于可持續(xù)性采購和物流的模型，該模型包含MINLP方法和MILP方法，輸入數(shù)據(jù)來自相關(guān)的成本數(shù)據(jù)、交易數(shù)據(jù)和排放數(shù)據(jù)。有關(guān)大數(shù)據(jù)的投資決策方面，Liu et al.[26]在信息對稱環(huán)境和信息不對稱環(huán)境中研究了供應(yīng)鏈的投資決策和協(xié)調(diào)問題?？紤]到數(shù)據(jù)公司在供應(yīng)鏈中的作用，Liu et al.[27]研究了大數(shù)據(jù)環(huán)境下三級供應(yīng)鏈的投資決策和協(xié)調(diào)問題。

通過上述文獻(xiàn)梳理可以發(fā)現(xiàn)，目前有關(guān)供應(yīng)鏈中大數(shù)據(jù)投資決策的文獻(xiàn)較少，并且在已有的文獻(xiàn)中，供應(yīng)鏈企業(yè)被認(rèn)為是風(fēng)險(xiǎn)中性的，然而在現(xiàn)實(shí)生活中，企業(yè)在進(jìn)行大數(shù)據(jù)投資時(shí)必定會(huì)考慮其風(fēng)險(xiǎn)，具有風(fēng)險(xiǎn)規(guī)避行為，因此，在大數(shù)據(jù)投資決策中考慮企業(yè)的風(fēng)險(xiǎn)規(guī)避行為將更具有現(xiàn)實(shí)意義?；诖?，本文認(rèn)為供應(yīng)鏈成員均為風(fēng)險(xiǎn)厭惡型，探究該種情況下供應(yīng)鏈中的大數(shù)據(jù)投資決策。

二、模型構(gòu)建

本文構(gòu)建由一個(gè)制造商和一個(gè)零售商組成的供應(yīng)鏈系統(tǒng)，制造商和零售商均為風(fēng)險(xiǎn)厭惡型，制造商確定產(chǎn)品的批發(fā)價(jià)格，零售商根據(jù)制造商所制定的批發(fā)價(jià)格決定產(chǎn)品的銷售價(jià)格，市場中存在消費(fèi)者的需求信息，即大數(shù)據(jù)、制造商和零售商均可投入一定的成本獲得并處理消費(fèi)者的需求信息，以減少成本并增加需求量。因此存在四種大數(shù)據(jù)投資模型：制造商和零售商均不投資（模型N）、制造商投資但零售商不投資（模型M）、零售商投資但制造商不投資（模型R）、制造商和零售商均投資（模型MR）。具體假設(shè)與符號如下：

（2）產(chǎn)品的批發(fā)價(jià)格為ω，制造商的單位生產(chǎn)成本為cm，零售商的單位銷售成本為cr。

（3）單位大數(shù)據(jù)投資成本為c0。

（4）θi（i=（m，r），0<θi<1）為制造商或零售商投資大數(shù)據(jù)后其生產(chǎn)成本及銷售成本改善系數(shù)。即使用大數(shù)據(jù)后產(chǎn)品的生產(chǎn)成本和銷售成本變?yōu)棣萴cm和θrcr。

三、模型求解

（一）模型N

（二）模型M

（三）模型R

（四）模型MR

若上述三種情況均不滿足，則制造商和零售商均不應(yīng)進(jìn)行大數(shù)據(jù)投資。

命題1表明供應(yīng)鏈大數(shù)據(jù)投資模式的選擇與消費(fèi)者的消費(fèi)偏好有關(guān)，當(dāng)消費(fèi)者更注重產(chǎn)品的質(zhì)量，對于產(chǎn)品本身的改變較為敏感時(shí)，制造商進(jìn)行大數(shù)據(jù)投資是有利的;反之，當(dāng)消費(fèi)者更注重于線下的購物體驗(yàn)，對服務(wù)質(zhì)量及方式較為敏感時(shí)，零售商應(yīng)當(dāng)進(jìn)行大數(shù)據(jù)投資，若消費(fèi)者對產(chǎn)品本身和購物體驗(yàn)均有較高的要求，制造商和零售商應(yīng)當(dāng)共同進(jìn)行大數(shù)據(jù)投資。

四、數(shù)值分析

由于利潤表達(dá)式較為復(fù)雜，下面采用數(shù)值分析的方式分析風(fēng)險(xiǎn)規(guī)避系數(shù)ηm、ηr對大數(shù)據(jù)投資決策及最終效益的影響。參數(shù)的初始賦值如下：a=500，b=5，cm=10，cr=10，c0=15，σm=σr=σm r=20，μm=μr=100，μm r=200，θm=θr=0.7。

（一）制造商風(fēng)險(xiǎn)規(guī)避系數(shù)的影響

由圖1和圖2可知，隨著制造商風(fēng)險(xiǎn)規(guī)避系數(shù)的增加，制造商的效益逐漸減小，零售商的效益逐漸增加，這是因?yàn)橹圃焐痰娘L(fēng)險(xiǎn)規(guī)避系數(shù)增加，表明其對風(fēng)險(xiǎn)的厭惡程度越高，為了降低風(fēng)險(xiǎn)，制造商會(huì)降低產(chǎn)品的批發(fā)價(jià)格以保證所有產(chǎn)品能夠售出，因此其效益會(huì)減少，而零售商能夠獲得更多的效益。對比圖1a和圖2a可知，零售商的風(fēng)險(xiǎn)規(guī)避系數(shù)越大，制造商進(jìn)行大數(shù)據(jù)投資獲得的效益高于不投資獲得的效益時(shí)的風(fēng)險(xiǎn)規(guī)避系數(shù)區(qū)間越大，表明制造商進(jìn)行大數(shù)據(jù)投資的機(jī)會(huì)越大，這是因?yàn)榱闶凵田L(fēng)險(xiǎn)規(guī)避系數(shù)越大，零售商的效益減少，制造商的效益增加，因此制造商風(fēng)險(xiǎn)承受能力越高，更愿意進(jìn)行大數(shù)據(jù)投資。

（二）零售商風(fēng)險(xiǎn)規(guī)避系數(shù)的影響

由圖3和圖4可知，隨著零售商風(fēng)險(xiǎn)規(guī)避系數(shù)的增加，制造商的效益逐漸增大，零售商的效益逐漸減小，這是因?yàn)榱闶凵痰娘L(fēng)險(xiǎn)規(guī)避系數(shù)增加，表明其對風(fēng)險(xiǎn)的厭惡程度越高，為了降低風(fēng)險(xiǎn)，制造商會(huì)降低產(chǎn)品的銷售價(jià)格以保證所有產(chǎn)品能夠售出，因此其效益會(huì)減少，此時(shí)銷售量增加，因此制造商能夠獲得更多的效益。對比圖3b和圖4b可知，制造商的風(fēng)險(xiǎn)規(guī)避系數(shù)越大，零售商進(jìn)行大數(shù)據(jù)投資獲得的效益高于不投資獲得的效益時(shí)的風(fēng)險(xiǎn)規(guī)避系數(shù)區(qū)間越大，表明零售商進(jìn)行大數(shù)據(jù)投資的機(jī)會(huì)越大，這是因?yàn)橹圃焐痰娘L(fēng)險(xiǎn)規(guī)避系數(shù)越大，制造商的效益減少，零售商的效益增加，因此零售商風(fēng)險(xiǎn)承受能力越高，更愿意進(jìn)行大數(shù)據(jù)投資。

通過總結(jié)上述分析，可以得到下列結(jié)論：制造商或零售商自身風(fēng)險(xiǎn)規(guī)避系數(shù)增加會(huì)使得自身效益減少并使得對方效益增加，制造商或零售商自身的風(fēng)險(xiǎn)規(guī)避系數(shù)越大，對方能夠承受更高的風(fēng)險(xiǎn)規(guī)避系數(shù)，即增加對方的投資可能性。當(dāng)制造商和零售商的風(fēng)險(xiǎn)承擔(dān)能力相差較大時(shí)，風(fēng)險(xiǎn)承擔(dān)能力較強(qiáng)的一方可以通過大數(shù)據(jù)投資獲得更高的效益，但會(huì)嚴(yán)重?fù)p害風(fēng)險(xiǎn)承擔(dān)能力較低一方的效益。

五、結(jié)語

大數(shù)據(jù)的發(fā)展和應(yīng)用為供應(yīng)鏈中產(chǎn)品的生產(chǎn)和服務(wù)提供了有力的幫助，通過進(jìn)行大數(shù)據(jù)分析，可以得到消費(fèi)者的消費(fèi)偏好，對癥下藥，進(jìn)而增加產(chǎn)品銷售量并降低供應(yīng)鏈中的成本，但進(jìn)行投資不得不考慮其投資風(fēng)險(xiǎn)，本文以風(fēng)險(xiǎn)規(guī)避型的制造商和零售商組成的供應(yīng)鏈系統(tǒng)為研究對象，利用均值方差模型，以大數(shù)據(jù)投資帶來的需求增量為隨機(jī)變量，建立不同的投資模型，探究供應(yīng)鏈成員的大數(shù)據(jù)投資決策。研究表明：大數(shù)據(jù)投資模式的選擇與消費(fèi)者的消費(fèi)偏好有關(guān)，當(dāng)消費(fèi)者更注重產(chǎn)品的質(zhì)量，對于產(chǎn)品本身的改變較為敏感時(shí)，制造商進(jìn)行大數(shù)據(jù)投資是有利的，反之，當(dāng)消費(fèi)者更注重于線下的購物體驗(yàn)，對服務(wù)質(zhì)量及方式較為敏感時(shí)，零售商應(yīng)當(dāng)進(jìn)行大數(shù)據(jù)投資。對于風(fēng)險(xiǎn)規(guī)避型的供應(yīng)鏈成員，制造商或零售商自身風(fēng)險(xiǎn)規(guī)避系數(shù)越高會(huì)使自身效益減少并且對方效益增加，因此，當(dāng)制造商或零售商的風(fēng)險(xiǎn)規(guī)避系數(shù)較低時(shí)，可以進(jìn)行大數(shù)據(jù)投資，但會(huì)嚴(yán)重?fù)p害風(fēng)險(xiǎn)規(guī)避系數(shù)較高一方的效益。制造商（零售商）風(fēng)險(xiǎn)規(guī)避系數(shù)越高，零售商（制造商）進(jìn)行大數(shù)據(jù)投資的可能性越大。

【參考文獻(xiàn)】

[1] HUANG X B，et al.Build enterprise competitive intelligence system model based on Big Data[J].Journal of Intelligence，2013（3）：41-47.

[2] CAMBRIA E，MAZZOCCO T，HUSSAIN A.Application of multi-dimensional scaling and artificial neural networks for biologically inspired opinion mining[J].Biologically Inspired Cognitive Architectures，2013，4：41-53.

[3] SANDERS N R.Big Data driven supply Chain management[Z].2014.

[4] LIU Z，ZHANG Q.A research overview of Big Data technology[J].Journal of Zhejiang University（Engineering Science），2014（6）：6-21.

[5] BARTON D，COURT D.Making advanced analytics work for you[J].Harvard Business Review，2012，90（10）：78-83.

[6] MCAFEE A，BRYNJOLFSSON E.Big Data：the management revolution[J].Harvard Business Review，2012，90（10）：61-68.

[7] WALLER M A，F(xiàn)AWCETT S E.Data science，predictive analytics，and Big Data：a revolution that will transform supply chain design and management[J].Journal of Business Logistics，2013，34（2）：77-84.

[8] BI Z，COCHRAN D.Big Data analytics with applications[J].Journal of Management Analytics，2014，1（4）：249-265.

[9] HAZEN B T，BOONE C A，EZELL J D，et al.Data quality for data science，predictive analytics，and Big Data in supply chain management：An introduction to the problem and suggestions for research and applications[J].International Journal of Production Economics，2014，154：72-80.

[10] WAMBA S F，AKTER S，EDWARDS A，et al.How “Big Data” can make big impact：Findings from a systematic review and a longitudinal case study[J].International Journal of Production Economics，2015，165：234-246.

[11] JANSSEN M，VAN DER VOORT H，WAHYUDI A.Factors influencing Big Data decision-making quality[J].Journal of Business Research，2017，70：338-345.

[12] GUNASEKARAN A，PAPADOPOULOS T，DUBEY R，et al.Big Data and predictive analytics for supply chain and organizational performance[J].Journal of Business Research，2017，70：308-317.

[13] WAMBA S F，GUNASEKARAN A，AKTER S，et al.Big Data analytics and firm performance：Effects of dynamic capabilities[J].Journal of Business Research，2017，70：287-299.

[14] LAMBA K，SINGH S P.Big Data analytics in supply chain management：Some conceptual frameworks[J].International Journal of Automation and Logistics，2016，2（4）：279-285.

[15] HOFMANN E.Big Data and supply chain decisions：the impact of volume，variety and velocity properties on the bullwhip effect[J].International Journal of Production Research，2017：1-19.

[16] LAMBA K，SINGH S P.Big Data in operations and supply chain management：current trends and future perspectives[J].Production Planning and Control，2017，28（11-12）：877-890.

[17] SHEN B，CHAN H L.Forecast information sharing for managing supply chains in the Big Data era：recent development and future research[J].Asia-Pacific Journal of Operational Research，2017，34（1）.

[18] 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 & Production Management，2017，37（1）：10-36.

[19] OLAMA M M，MCNAIR A W，SUKUMAR S R，et al.A qualitative readiness-requirements assessment model for enterprise Big Data infrastructure investment[C]// Next-generation Analyst II.International Society for Optics and Photonics，2014.

[20] TAMBE，P.Big Data investment，skills，and firm value[J].Management Science，2014，60（6）：1452-1469.

[21] HAO S，JIAN L，MANAGEMENT S O.Effect of private information leakage on competition relationship among supply chain enterprises in Big Data era[J].Journal of the China Society for Scientific & Technical Information，2015，34（1）：55-67.

[22] WU K J，LIAO C J，TSENG M L，et al.Toward sustainability：using Big Data to explore the decisive attributes of supply chain risks and uncertainties[J].Journal of Cleaner Production，2017，142：663-676.

[23] SEE-TO E W K，NGAI E W T.Customer reviews for demand distribution and sales nowcasting：a Big Data approach[J].Annals of Operations Research，2016（6）：1-17.

[24] ZHAO R，LIU Y，ZHANG N，et al.An optimization model for green supply chain management by using a Big Data analytic approach[J].Journal of Cleaner Production，2016，142（2）：1085-1097.

[25] KAUR H，SINGH S P.Heuristic modeling for sustainable procurement and logistics in a supply chain using Big Data[J].Computers & Operations Research，2017，10：301-321.

[26] LIU P，YI S P.A study on supply chain investment decision-making and coordination in the Big Data environment[J].Annals of Operations Research，2017（6）：1-19.

[27] LIU P，YI S P.Investment decision-making and coordination of a three-stage supply chain considering data company in the Big Data era[J].Annals of Operations Research，2018，270：255-271.