信息流协同因素实证分析与模型构建，本文主要内容关键词为：实证论文,信息流论文,模型论文,因素论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中国信息化发展正迈入协同创新时代。物流园区的信息流协同发展和研究对促进中国经济转型升级及现代物流的发展有着重要的实践意义和理论意义。物流园区有物流、信息、资金和商流，它们各个子系统相辅相成，相互作用，形成物流园区的协同发展系统和效应。其中的信息流系统的协同是物流园区协同发展的动脉和通道。在此本文将分析研究物流园区的信息流协同问题。 一、国内外信息流协同研究文献综述 笔者通过搜索中国知网(CNKI)和国外期刊网(ACMDL)中的相关文献发现，国内外学者对园区协同方面的研究还是空白，对园区信息系统建设的研究还非常薄弱。 (一)关于物流园区信息研究 国外对信息系统的研究比较多，但在物流园区信息系统方面的研究实际并不多。刘等(Liu et al.，2013)对物流网络进行了系统分析和研究[1]。潘等(Pan et al.，2012)对物流网络的快速响应的模型和算法进行了分析研究[2]。李等(Li et al.，2011)指出物流园区信息化是物流园区的总体发展趋势，应将物流园区的商业模式与信息化相结合，并探索了物流园区的创新盈利模式，认为将物联网融合在物流园区建设和运营的过程中，加强物流园区的信息系统建设，构建一个信息化平台[3]。刘等(Liu et al.，2013)对港口物流园区信息化建设的现状和措施进行了分析研究[4]。 (二)关于物流园区协同发展的研究 从搜索国外期刊文献的情况来看，关于物流园区协同发展的研究还鲜有所见。 对于国内学者的研究，笔者在CNKI中对篇名包含“物流园区”“物流中心”“配送中心”“物流节点”这组关键词的文献进行搜索，结果显示，从2000-2013年共有4498篇研究有关物流园区的文章。而在CNKI中关于物流园区信息研究及物流园区协同发展研究的文献梳理情况如下。 1.物流园区信息研究 目前，中国国内关于园区信息系统建设的研究与国外相比较多。国内已经有很多企业在研发进行现代物流园区的信息平台建设，但还缺少统一的标准来规范。洪琼、张浩(2013)进行了物流园区供应链信息协同机制研究，探索了物流园区供应链信息协同运作模式及信息协同机制[5]。任娟(2005)在《管理世界》对信息化时代的现代物流发展进行了深入的分析探讨[6]。张锦和牟惟仲等(2001)对物流园区的网络容量规划及信息表征进行了探讨，指出了园区信息系统的内容及其功能，并提出了该系统的结构与通信方案[7]。鄢飞和董千里(2009)分析探讨了物流网络的协同效应[8]。陈火全(2012)对基于动态均衡的企业物流信息化战略进行了分析研究[9]。谢英红等(2009)在基于Web的物流园区信息平台的构建中将物流园区信息平台划分为公共信息平台、物流企业平台以及物流作业管理信息平台这三部分，并对每个平台构建了不同的方案[10]。隋艳辉(2012)对基于物联网的物流园区信息平台规划进行了研究[11]。 2.物流园区协同研究 物流园区的协同研究是物流园区研究新的热点之一。吴文征和鞠颂东(2010)研究认为应构建物流园区网络联盟，实现物流园区间的互动协作。他们在(2013)还进行了物流园区网络协同运作研究，研究了物流园区之间的跨区域、跨平台合作，以及物流园区间的协同与互动的物流组织网络[12]。梁世翔(2006)研究了物流园区协同的非线性动力学模型，探索了园区企业的迁移规律，建立了园区物流企业迁移的非线性动力学模型，梁世翔(2007)进行了物流园区企业捕食型协同模型研究，利用生态学理论，构建了园区物流企业捕食——被捕食进化模型，建立了物流园区企业的协同模式，并进行了基于ITS的物流园区协同研究，认为物流园区将向ITS物流园区演化，最终将形成区域协同物流圈[13-14]。黄世政和陈燕燕(2013)运用赛局理论中的伯特兰德(Bertrand)模型分析了物流园区之间的博弈过程，探讨了物流园区之间的协同运作空间[15]。张得志(2006)从进化论的视角进行了物流园区演化机理与布局优化方法的分析和研究[16]。汪燕(2008)进行了武汉城市圈港口物流园区协同研究，利用协同学理论研究城市圈港口物流园区协同，提出港口物流园区的协同模式与方法[17]。焦薇和刘凯(2013)进行了物流园区合作共生系统利润分配研究，研究的是各物流园区结成合作共生系统后如何公平合理地分配合作利润，建立了物流园区合作共生系统利润分配模型[18]。徐青青和缪立新(2007)对区域物流协同内涵及模式进行了深入的理论分析研究[19]。余烈锋(2011)对有关物流园区主动协调规划的模型及其在香港的应用进行了系统分析研究[20]。林晓伟(2011)基于并购整合的物流企业资源系统协同研究，分析了物流企业资源系统生命周期协同演化过程及其并购整合过程中的协同效应[21]。 从国内外文献梳理及综述可见：国内外对物流园区的信息和协同方面的研究实际还非常薄弱，现在的研究还多是对物流园区信息或对物流园区协同的单方面的研究，把两者结合起来进行物流园区信息流协同研究的文献还鲜有所见。在中国信息化发展进入协同创新时代的今天，特别需要大力加强物流园区的信息协同理论和实践的研究和探索。 二、信息流协同因素分析 (一)物流园区的信息流协同描述 信息流协同是指信息流子系统内部的协同。它是信息流子系统在物流园区上有效的整体协同。物流园区协同发展模式中的信息流对传统园区中的信息概念进行了拓扑。它的协同机理及拓补在于，它不仅指信息流企业在地域上集中作业、共享物流基础设施设备，而且是以其他产业、政府及科研机构、中介组织、管理部门、道路运输枢纽、城市配送网络等为依托，为入园物流企业及各服务机构的运作以及物流整体功能的整合提供资源和条件，形成协同的信息流子系统。物流子系统内部的序参量关键影响因素满足其协同共生的均衡条件，其运作上的表现形式是，信息流供需双方及供需运作链条上各利益主体，能够在信息平台上提供快捷及时(just in time)地实现物流供需的有序撮合和操作上的无缝链接。这也是物流园区的信息流子系统在物流节点变革中的基本方向和基本对象。 笔者按照广泛性和典型性的标准，经过比较选择了二十一个样本物流园区，包括欧浦钢铁物流园、林安现代物流园、惠州金泽物流园等。本文共回收157份有效问卷，选择信息流协同因素5个主要维度的指标，通过文献资料查阅和理论研究，并综合实践经验进行研究。根据影响物流园区协同的关键因素预测和问卷调查实测的统计数据显示，在信息流指标对于物流园区协同发展模式的影响因素中，所选取的5个主要维度的序参量测度因子具有充分代表性。这5个序参量因子分别是：信息平台和技术的先进性、信息服务质量及传递效率、信息多样化、线上线下的适配性和一体化，以及物流园区的网络化程度，各测项的统计量如表1所示。
(二)信度分析——信息流I(information flow) 为了研究信息对“物流园区协同发展模式”的影响程度，选择信息流协同因素5个维度的指标并对其可信度进行检验，得出信度值为0.826，说明其可信度是很好的，具有参考价值。输出结果如表2所示。
根据表3的信息流因素的方差检验(即F检验)，可以看出F值为13.853，相应的伴随概率为0.000，其显著性水平明显是小于0.01。也就是说，用所选指标得出的调查结果其可信度的正确率大于99％。因此，说明这些指标的可信度很好。
(三)效度分析——信息流I(information flow) 信息流因素指标的KMO和Bartlett球形检验值如表4所示。根据输出结果得到KMO系数为0.811，大于0.8，根据基本原理中所介绍的判断标准，属于适合且偏向非常适合的范围。Bartlett球形检验的近似卡方为267.244，检验的显著性水平Sig.值为0.000，达到了极其显著水平，说明了信息部分各测度项之间有明显的结构性和相关性，同时也说明该信息部分适合做因子分析。
(四)因子分析——信息流I(information flow) 根据因子分析的方法，将信息流因素指标加以主成分因子分析，试图探索出该信息部分量表潜在的结构，使其变成较少而彼此相关较大的因子。一般来说，变量的共同度是越高越好，0.8以上是比较理想的状态，如果共同度大于0.4，则公因子可以很好地解释指标，并且就能够把共同度小于0.4的维度剔除。 采取主成分分析法提取因子，如表5所示为信息指标变量的公因子方差表，该表中给出了各初始测项变量的共同度。分析结果显示指标共同度的最大值是0.921，最小值是0.611。因为共同度的最小值大于0.4，所以说明公因子能够很好地解释了信息各测项的5个维度。 如表6所示为信息的总方差解释表，从表中可以看出，第一个因子的特征值为2.951，方差贡献率为59.013，表示可以解释信息部分5个变量的59.013％，是方差贡献最大的一个主成分。这里，前3个因子所解释的方差虽然占所有变量总方差的84.789％(大于80％)，然而前2个因子解释了所有变量的73.034％(大于50％)，且第一个因子的特征值大于1，又有第二个因子的特征值也较大且较接近于1。所以，在此量表的因子分析中可以提取2个公共因子。 如图1所示为信息因子碎石图，从图中可以看出，前面两个点之间的高度明显呈现出陡峭的“碎石坡”，而从第二个因子开始，因子解曲线就逐渐变得相对平缓，在其后的几个点之间形成“平坡”。因此，提取2个因子是比较合适的，这也和方差解释表中的信息保持一致。同时，结合前面表5的公因子方差，一般来说，如果在因子分析中所获得的公因子，能够解释50％以上的变异，说明该信息部分量表具有较好的结构效度。
如表7所示为旋转后的因子载荷矩阵。通过因子旋转，载荷的大小进一步分化，不同变量的因子归属会更加清晰。这里采取的是Kaiser标准化最大方差旋转法来进行因子旋转，在旋转3次迭代后收敛得到因子载荷矩阵，通过该表就可以把每一列的因子载荷较大的变量归在一起。明确各因子所包含的变量之后，还需要对各因子进行命名，即一般是抽取各因子中多个变量的共同点。图2所示为旋转空间中的成分图。
图1 信息指标碎石图
图2 旋转空间中的成分图 三、信息流协同模型—I模型 信息流子系统内部的协同程度越高，则物流园区的综合服务功能的提升就应该相对越高，物流成本的降低就相对越多，物流园区的价值外溢就应该相对越高。由此，物流园区的发展与物流、信息流、资金流和商流的协同应该呈正相关关系。 那么，在物流园区协同发展的模式下，信息与其他指标协同发展的向量函数
，等于信息指标
中的各个维度
与其相应的维度权重(有序度)
的向量矩阵乘积，再乘以信息指标
在物流园区协同发展模式中的指标权重(有序度)
。 所以，信息指标的贡献度向量函数
的具体表达式如下所示：
式中：
表示在物流园区协同发展模式下的信息指标，即贡献度，它的取值空间为(0，1)；
表示在物流园区协同发展模式中，信息指标
的权重(有序度)； j表示维度的序数，j=1，2，...，5；信息指标下的维度总数为5；
如表示在物流园区协同发展模式下的信息指标
中的不同维度，即指标
在信息子系统中的协同贡献度，它的取值空间为(0，1)；
表示信息指标
中不同维度
的权重(有序度)。 由表8信息指标及其维度的权重表可知，
=“信息”(I)；在物流园区协同发展模式里，信息I的权重(有序度)为0.2575，即
=0.2575；信息流中各个具体维度
的权重(有序度)为
，则
=(0.2074 0.2036 0.1879 0.1989 0.2022) 由此，即可以得到具体的信息维度的贡献度向量函数
(I)为： 信息
(I)：0.2575×(0.2074 0.2036 0.1879 0.1989 0.2022)
此即为物流园区的信息流协同效应(贡献度)模型；或简称为信息流协同(度)模型，简记为：I模型。
四、物流园区信息平台与客户的协同 物流园区信息平台的构建，主要是为了满足客户的目标需求，其表现形式在财务方面表现为降低企业成本，在客户管理方面表现为提高服务满意水平，在运作管理方面表现为实现信息化经营、促进物流园区的现代化发展[5-6，18]。 物流园区信息平台与客户的协同，首先需要明确物流园区信息平台的架构。在物流园区的信息系统架构中，应该对七大层进行合理设计和规划。这七大层分别是用户层、前端展示层、业务应用层、数据中心层、数据接口层、应用支撑层，以及网络层，它们协同共生形成协同共生界面和协同共生模式。物流园区的信息平台协同共生架构图，如图3所示：
图3 信息平台协同共生架构 根据物流园区的信息平台协同共生的架构分析，以物流园区内部的物流、信息流、资金流和商流的协同共生为导向，确定出各个业务结构的信息需求。其信息平台核心业务包括：园区内部管理、物联网基本服务、企业应用服务、商贸服务等。 五、结论 从国内外文献梳理可见，现在的研究还多是对信息或对协同单方面的研究，把两者结合起来进行信息流协同研究的文献几乎还是空白，还需要大力加强信息流协同理论和实践的研究和探索。 首先，通过对信息流协同因素5个维度的指标的可信度进行检验，其可信度值为0.826。由此可以判断，利用该信息流部分进行的测试结果的可信度是很好的，极具参考价值。根据方差检验，其显著性水平明显小于0.01，即其可信度的正确率大于99％。因此，说明本文选择的影响信息流子系统协同共生的影响因素指标的可信度很好。 其次，根据判断标准，信息流因素各测项的KMO和Bartlett球形检验值输出结果达到了极其显著水平，说明信息流因素各测项之间有明显的结构性和相关性，而且该信息流部分适合做因子分析。 再次，信息流子系统对物流园区协同发展的影响程度的因子分析表明，将信息流部分各测度项的5个题目加以主成分因子分析，试图探索出该信息流部分量表潜在的结构，使其变成较少而彼此相关较大的因子。一般来说，变量的共同度是越高越好，0.8以上是比较理想的状态，也即信息流子系统影响因素指标的协同度或共生度是越高越好。如果共同度大于0.4，则公因子可以很好地解释指标，并且就能够把共同度小于0.4的维度剔除。这里是采用主成分分析法提取因子，并且保留特征值大于1的因子。在信息流指标变量的公因子方差表中给出了各初始测度项变量的共同度(即协同度或共生度)。分析结果显示指标共同度的最大值是0.921，最小值是0.6110。因为共同度的最小值大于0.4，所以，说明此公因子能够很好地解释物流各测度项的4个维度。在物流的总方差解释表中可以看出，第一个因子的特征值为2.951，方差贡献率为59.013，表示可以解释信息部分5个变量的59.013％，是方差贡献最大的一个主成分。这里，前3个因子所解释的方差虽然占所有变量总方差的84.789％(大于80％)，然而前2个因子解释了所有变量的73.034％(大于50％)，且第一个因子的特征值大于1，又有第二个因子的特征值也较大且较接近于1。所以，在该因子分析中可以提取了2个公共因子。在信息流因子碎石图中可以看出，前面两个点之间的高度明显呈现出陡峭的“碎石坡”，而从第二个因子开始因子解曲线就逐渐变得相对比较的平缓，在其后的几个点之间形成“平坡”。因此，提取2个因子是比较合适的，这也和方差解释表中的信息保持一致。同时，结合公因子方差，所选择的2个公因子又能够解释50％以上的变异，说明本文信息流子系统的关键影响因素指标选择具有较好的结构效度，即本文信息流子系统协同共生变量的选择有着比较好的完备性和充分性。 在此基础上，构建物流园区的信息流协同模型。模型表明：信息流子系统内部的协同度越高，则物流园区的综合服务功能的提升就应该相对越高，物流成本的降低就相对越多，物流园区的价值外溢效用(度)就应该相对越高。由此，物流园区的发展与物流、信息流、资金流和商流“四流”的协同应该呈正相关关系。即，在物流园区协同共生模式下，信息流协同发展的贡献度向量函数
，等于信息指标
中的各个维度
与其相应的维度权重
的向量矩阵乘积，再乘以信息指标
在四流协同发展模式中的指标权重
。将相应的各协同参数代入其中，即得到了物流园区的信息流协同模型，I模型。
标签：信息流论文; 因子分析论文; 方差分析论文; 协同理论论文; 总体方差论文; 因子载荷论文; 协同设计论文; 实证分析论文; 共生关系论文; 空间维度论文;
