大数据环境下风险规避的供应链投资决策研究

来源:用户上传      作者:

　　【摘 要】 考虑大数据投资中供应链成员的风险规避行为，利用均值方差模型，以需求增量为随机变量，建立四种大数据投资模型，探究供应链成员的大数据投资决策。研究表明：大数据投资模式的选择与消费者的消费偏好有关，当消费者对于产品本身的改变较为敏感时，制造商应当进行大数据投资，当消费者更注重于线下的购物体验时，零售商应当进行大数据投资。制造商或零售商自身风险规避系数越高会使自身效益减少并且对方效益增加，因此，当制造商或零售商的风险规避系数较低时，可以进行大数据投资，但会严重损害风险规避系数较高一方的效益。制造商（零售商）风险规避系数越高，零售商（制造商）进行大数据投资的可能性越大。
　　【关键词】 供应链; 风险规避; 投资决策; 大数据
　　一、引言
　　随着云计算、移动互联网和物联网的快速发展，全球数据总量正在迅速增长。根据咨询机构IDC预测，到2025年全球数据总量将达到175ZB，云和虚拟存储的开发显著降低了大数据的存储成本[1-2]。这些现象表明，大数据发展和应用的机会已经形成，大数据时代已经到来。在大数据时代，数据作为信息经济不可或缺的原材料已渗透到各种行业[3-4]。对于企业而言，从大量数据中提取和获取有价值的信息意义重大。Barton et al.[5]研究表明公司可以通过使用大数据来改变其商业模式，数据驱动战略将很快成为竞争差异化的重要因素。McAfee et al.[6]提出，使用大数据可以帮助公司提高生产率和效益。因此，大多数公司都实施了大数据计划。对于产品供应链来说，消费者的需求数据显得尤为重要，通过对消费者的需求进行分析和归纳进而有针对性地生产和销售产品，不仅可以增加需求量，还能够减少生产成本和销售成本。但当前企业对于数量庞大且非结构化数据的处理和分析需要较高的成本，因此如何合理地对大数据分析进行投资是供应链企业面临的一大难题。
　　许多学者对大数据环境下的供应链管理进行了研究。定性研究方面，Waller et al.[7]讨论了大数据在供应链管理中的重要性，并建议研究人员关注大数据在供应链中的应用。Bi et al.[8]讨论了大数据对企业信息系统的影响。Hazen et al.[9]研究了供应链中的数据质量问题。Fosso Wamba et al.[10]提出企业应该关注大数据创造的价值观。Janssen et al.[11]研究了在使用大数据做出决策时影响决策质量的因素，包括数据收集、分析过程以及数据传输质量。Gunasekaran et al.[12]通过问卷调查研究了大数据预测分析对供应链和组织绩效的影响。结果表明，大数据预测分析与公司的供应链绩效和组织绩效呈正相关。Wamba et al.[13]研究发现大数据分析能力会影响企业绩效和面向流程的动态能力。Lamba et al.[14]提出了三种新的大数据模型来解决供应链管理过程中的联合采购和设施布局问题。Hofmann[15]研究发现大数据的应用有助于减少供应链中的牛鞭效应。Lamba[16]发现大数据分析方法被广泛应用于供应链的制造、物流和采购过程中。Shen et al.[17]讨论了大数据时代信息共享的障碍和优势。Kache et al.[18]通过实证研究提出了供应链管理中使用大数据带来的挑战和机遇。
　　定量研究方面，Olama et al.[19]提出了一种集成水平模型来评估公司数据系统的性能。Tambe[20]认为企业管理者应当注意平衡劳动力成本支出与大数据收入之间的关系。HAO et al.[21]探究了大数据环境中隐私信息泄露对供应链成员协调关系的影响。Wu et al.[22]提出了考虑大数据服务提供商的三阶段供应链协调策略。See-To et al.[23]提出了一种基于销售大数据分析的需求分配模型。为了降低有害物質的固有风险，Zhao et al.[24]提出了一种多目标优化方法，该方法采用大数据分析方法得到相关参数，并讨论了三种方案来优化绿色供应链管理。Kaur et al.[25]提出了关于可持续性采购和物流的模型，该模型包含MINLP方法和MILP方法，输入数据来自相关的成本数据、交易数据和排放数据。有关大数据的投资决策方面，Liu et al.[26]在信息对称环境和信息不对称环境中研究了供应链的投资决策和协调问题。考虑到数据公司在供应链中的作用，Liu et al.[27]研究了大数据环境下三级供应链的投资决策和协调问题。
　　通过上述文献梳理可以发现，目前有关供应链中大数据投资决策的文献较少，并且在已有的文献中，供应链企业被认为是风险中性的，然而在现实生活中，企业在进行大数据投资时必定会考虑其风险，具有风险规避行为，因此，在大数据投资决策中考虑企业的风险规避行为将更具有现实意义。基于此，本文认为供应链成员均为风险厌恶型，探究该种情况下供应链中的大数据投资决策。
　　二、模型构建
　　本文构建由一个制造商和一个零售商组成的供应链系统，制造商和零售商均为风险厌恶型，制造商确定产品的批发价格，零售商根据制造商所制定的批发价格决定产品的销售价格，市场中存在消费者的需求信息，即大数据、制造商和零售商均可投入一定的成本获得并处理消费者的需求信息，以减少成本并增加需求量。因此存在四种大数据投资模型：制造商和零售商均不投资（模型N）、制造商投资但零售商不投资（模型M）、零售商投资但制造商不投资（模型R）、制造商和零售商均投资（模型MR）。具体假设与符号如下：
　　（2）产品的批发价格为ω，制造商的单位生产成本为cm，零售商的单位销售成本为cr。
　　（3）单位大数据投资成本为c0。
　　（4）θi（i=（m，r），0<θi<1）为制造商或零售商投资大数据后其生产成本及销售成本改善系数。即使用大数据后产品的生产成本和销售成本变为θmcm和θrcr。
　　三、模型求解 　　（一）模型N
　　（二）模型M
　　（三）模型R
　　（四）模型MR
　　若上述三种情况均不满足，则制造商和零售商均不应进行大数据投资。
　　命题1表明供应链大数据投资模式的选择与消费者的消费偏好有关，当消费者更注重产品的质量，对于产品本身的改变较为敏感时，制造商进行大数据投资是有利的;反之，当消费者更注重于线下的购物体验，对服务质量及方式较为敏感时，零售商应当进行大数据投资，若消费者对产品本身和购物体验均有较高的要求，制造商和零售商应当共同进行大数据投资。
　　四、数值分析
　　由于利润表达式较为复杂，下面采用数值分析的方式分析风险规避系数ηm、ηr对大数据投资决策及最终效益的影响。参数的初始赋值如下：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）制造商风险规避系数的影响
　　由图1和图2可知，随着制造商风险规避系数的增加，制造商的效益逐渐减小，零售商的效益逐渐增加，这是因为制造商的风险规避系数增加，表明其对风险的厌恶程度越高，为了降低风险，制造商会降低产品的批发价格以保证所有产品能够售出，因此其效益会减少，而零售商能够获得更多的效益。对比图1a和图2a可知，零售商的风险规避系数越大，制造商进行大数据投资获得的效益高于不投资获得的效益时的风险规避系数区间越大，表明制造商进行大数据投资的机会越大，这是因为零售商风险规避系数越大，零售商的效益减少，制造商的效益增加，因此制造商风险承受能力越高，更愿意進行大数据投资。
　　（二）零售商风险规避系数的影响
　　由图3和图4可知，随着零售商风险规避系数的增加，制造商的效益逐渐增大，零售商的效益逐渐减小，这是因为零售商的风险规避系数增加，表明其对风险的厌恶程度越高，为了降低风险，制造商会降低产品的销售价格以保证所有产品能够售出，因此其效益会减少，此时销售量增加，因此制造商能够获得更多的效益。对比图3b和图4b可知，制造商的风险规避系数越大，零售商进行大数据投资获得的效益高于不投资获得的效益时的风险规避系数区间越大，表明零售商进行大数据投资的机会越大，这是因为制造商的风险规避系数越大，制造商的效益减少，零售商的效益增加，因此零售商风险承受能力越高，更愿意进行大数据投资。
　　通过总结上述分析，可以得到下列结论：制造商或零售商自身风险规避系数增加会使得自身效益减少并使得对方效益增加，制造商或零售商自身的风险规避系数越大，对方能够承受更高的风险规避系数，即增加对方的投资可能性。当制造商和零售商的风险承担能力相差较大时，风险承担能力较强的一方可以通过大数据投资获得更高的效益，但会严重损害风险承担能力较低一方的效益。
　　五、结语
　　大数据的发展和应用为供应链中产品的生产和服务提供了有力的帮助，通过进行大数据分析，可以得到消费者的消费偏好，对症下药，进而增加产品销售量并降低供应链中的成本，但进行投资不得不考虑其投资风险，本文以风险规避型的制造商和零售商组成的供应链系统为研究对象，利用均值方差模型，以大数据投资带来的需求增量为随机变量，建立不同的投资模型，探究供应链成员的大数据投资决策。研究表明：大数据投资模式的选择与消费者的消费偏好有关，当消费者更注重产品的质量，对于产品本身的改变较为敏感时，制造商进行大数据投资是有利的，反之，当消费者更注重于线下的购物体验，对服务质量及方式较为敏感时，零售商应当进行大数据投资。对于风险规避型的供应链成员，制造商或零售商自身风险规避系数越高会使自身效益减少并且对方效益增加，因此，当制造商或零售商的风险规避系数较低时，可以进行大数据投资，但会严重损害风险规避系数较高一方的效益。制造商（零售商）风险规避系数越高，零售商（制造商）进行大数据投资的可能性越大。
　　【参考文献】
　　[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，FAWCETT 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.
转载注明来源:https://www.xzbu.com/3/view-15232161.htm