物流科技领域研究热点和研究前沿分析

刘辉鸿, 刘艳丽, 陈 欣

(1.中国科学院 文献情报中心, 北京 100190; 2.中国科学院大学 经济与管理学院, 北京 100049;3.安徽大学 商学院, 合肥 230601)

“十三五”期间,我国物流业得到迅速发展,基础设施逐步完善,网络“点线面”布局不断优化,物流业在国民经济中的地位和作用日益凸显,成为我国经济发展的有力支撑。近年来,随着第5代移动通信技术(5G)、物联网、大数据、人工智能等前沿技术在物流业的逐步应用,我国物流业科技水平快速提升,表现在物流成本持续降低、货物通行越发便利、周转效率逐步提升、绿色效益不断凸显。促进现代物流科技的创新,改进物流系统设计,推动物流业发展质量提升,是现代物流业“十四五”发展规划的重要战略目标。

随着大数据和信息技术的不断发展,知识挖掘和知识计算方兴未艾,文献计量、知识图谱等方法越来越广泛应用于各类科技领域研究热点识别的情报研究中。常用的数据包括论文数据、专利数据、基金项目等,分析工具包括CiteSpace、VoS Viewer等,分析方法包括关键词共现、关键词聚类、文献共被引等。陈烁等[1]结合文献研究法和CiteSpace技术对国内外基于增强现实的文化遗产相关研究进行分析,梳理和对比研究脉络、研究热点等。朱和平和熊燕[2]运用CiteSpace软件对2000—2019年国内外管理会计领域的文献进行发文国家、文献共被引、关键词共现等方面的可视化分析,探究管理会计的研究热点和研究前沿。张晓平等[3]基于CNKI(中国知网)与WOS(Web of Science)核心数据库的文献,利用CiteSpace软件,对1994—2018年共25年来国内外可持续发展的研究热点进行追踪和分析。王跃和阮梅花[4]基于WOS核心合集数据库,利用CiteSpace、VoS Viewer等分析软件,对数据进行文献统计、关键词共现、聚类分析、共被引分析等,分析肿瘤免疫治疗领域文献的分布结构。

在物流领域对文献进行热点追踪和前沿分析的研究也有一定数量,主要包括冷链物流、应急物流、逆向物流、农产品物流等领域。贾欣和孙彤彤[5]借助CiteSpace分析1990—2020年冷链物流领域的文献,探究中外冷链物流研究的热点和前沿动向。古贞[6]以智慧物流和智能物流为目标领域,运用CiteSpace软件对该领域的研究现状、研究热点以及演进趋势进行可视化分析。戢晓峰等[7]以中国知网和WOS中1997—2020年的992篇文献为样本,利用VoS Viewer软件,对比分析国内外应急物流发展脉络和特征。杜志平和区钰贤[8]运用CiteSpace文献分析工具,可视化分析与对比CNKI和WOS数据库当中国内和国外跨境物流的研究现状、热点和趋势。胡娟和张晓燕[9]基于2000—2018年CNKI数据库中的825篇文献数据,运用CiteSpace软件统计文献发表情况、作者、研究机构、关键词和突现词等,绘制知识图谱,了解物流集群研究领域的发展概貌、研究热点、演化路径和前沿动态。

近年来,物流业领域的研究热点主要包括冷链物流、应急物流、逆向物流、农产品物流等,与物流科技相关的研究热点和新兴主题较少。本文基于物流科技的研究论文,利用文本挖掘和知识图谱方法挖掘物流科技相关研究热点和前沿,对揭示物流科技关键研发内容、变革方向,把握发展趋势,具有一定的研究价值和参考意义。本文综合运用文献计量、知识图谱、突变探测算法等方法,运用CiteSpace软件从关键词共现网络、主题聚类、突变检测等方面对物流科技领域文献数据进行计算和可视化分析,探究其研究热点、研究前沿及发展趋势,以期为我国物流产业R&D(research &development,研发)战略决策、前瞻部署物流科技研究项目提供决策参考。

1 数据与方法

1.1 数据选择与检索

本文研究数据采集自WOS数据库,设定检索词为“logistics technology”,检索时间范围为2001—2021年,文献类型限定为“Articles”和“Review Articles”,截至2022年9月30日共检索到相关论文11 849篇。

1.2 数据预处理

导出11 849篇文献的文摘记录数据,由于关键词可以精准概括文献的主题,代表文献的研究方向和关注重点,因此选取关键词进行共词分析和聚类分析,从而得到领域研究的重要主题词。在分析前,运用Python编写代码进行词形归并、去重等预处理(表1),去除无效数据和干扰性数据,得到预处理后数据10 434篇。

表1 数据预处理操作

1.3 方法与工具

本文主要结合文献计量法、共词分析法、主题聚类法、突变探测算法等,对近20年物流科技领域的WOS论文数据进行可视化分析,识别该领域的研究热点和研究前沿,分析其发展趋势。采用CiteSpace信息可视化软件,用于多元、分时、动态复杂网络分析和知识图谱绘制分析,软件版本为CiteSpace 6.1.R1(64 bit)。

2 研究结果

2.1 领域发文量变化特征

对于特定研究领域,一定时期内文献数量的变化情况可以反映出该领域研究发展速度,对该领域的后续学术研究有着较大的参考意义。将预处理后的10 434条WOS文献数据导入CiteSpace,用软件自带的去重功能进行去重,结果为10 432条,数量相差较小,侧面反映出此次通过Python数据预处理中去重步骤的效果较好。根据各个年份的文献数量绘制出柱状图并依据特征划分阶段(图1),以更加清晰直观地反映发文量变化情况。

图1 2001—2021年物流科技领域WOS核心合集发文趋势

从发文量总体趋势(图1)看,近20年发文量增长迅速,从2001年的65篇快速增长到2021年的1 839篇。从发文量的变化走势来看,整体呈现较为明显的上升趋势,基本符合普赖斯逻辑增长曲线理论,即呈指数级增加。这说明全球物流科技领域的发展保持着快速发展态势,分析其热点主题、演化情况和新兴趋势,将对该领域相关研究提供较好的借鉴价值。

对物流科技领域文献进行时序分析,根据发文量在各年的变化特征,将观察期划分为3个阶段:

1)起步阶段(2001—2004年)。发文量处于较低水平,年均发文量仅为77篇,4年内文献数量相差不大,可能与该时期先进科技对物流业尚未产生显著影响,未引起学术界的广泛关注有关。

2)稳定增长期(2005—2015年)。发文量逐年递增,呈现缓慢上升的稳定增长态势,年均发文量达到314篇,10年间平均每年增长35.6篇。该阶段物流业逐渐重视科技因素的引入与应用结合,引发了学术界的较多关注。例如,2007年EPC(electronic product code,电子产品编码)全球标准化组织推出RFID(radio frequency identification,射频识别)安全与信息共享国际标准,加速推动商品电子编码实施进程,高效连接物流企业与物流环节,增加流程透明度。2010年,美国物流部门披露的调查结果显示,31%的企业对装卸搬运系统加大投资,58%的企业表示未来2～3年内将会加大物流投资[10],追求更高的自动化和高效化目标。

3)蓬勃发展期(2016—2021年)。发文量增长速度明显提升,6年间的年均发文量达到1 112篇,平均每年增长204篇。该阶段物流科技领域发展势头迅猛,物流业对科技的运用范围逐渐扩大,带来的提质增效成果逐渐增多,引发了学术界相关研究学者的高度重视与青睐。例如,2019年DHL(敦豪航空货运公司)开设美洲创新中心,展示货运领域创新理念和物流高科技,包括可借助传感器跟踪操作员的自动送货机器人、配送中心用于拣货的机械臂、可识别并警报高危动作的智能穿戴设备以及用于供应链备件的3D打印技术等,引起物流界广泛关注。

2.2 领域研究热点分析

2.2.1 关键词词频统计与中心性分析

通过对关键词进行词频统计、中心性分析、共现网络分析,并将高频词进行可视化聚类、绘制图谱,从而研究和分析物流科技领域研究热点。

CiteSpace计算节点中心性为中介中心性,指在网络中经过该节点的所有最短路径的数量,中介中心性越高,代表其影响力和重要程度越大[11]。得到2 247个关键词节点和9 359条连线,选取其中排名前20的高频关键词及其中心性进行展示(表2)。由于在剪枝时保留了较多节点网络,纳入计算的小节点数量与高频词节点数量差异较大,导致中心性计算公式标准化后数值偏小,后续研究过程中可以对此进行优化。

表2 物流科技领域文献高频关键词(前20)及其中心性

由表2可知,除logistics(物流)、technology(科技)外,频次较高同时在网络中也较为重要的关键词包括model(模型)、management(管理)、impact(影响)、system(系统)、performance(绩效)、supply chain management(供应链管理)、information technology(信息科技)、design(设计)、strategy(策略)等。国际上对于物流科技领域的研究主要从供应链各个环节的优化入手,重视信息科技、系统平台以及创新科技成果等硬件层面的应用,同时也重视通过模型算法、网络设计、策略制定等方面进行软方法层面的改进,推动物流科技领域研究多元化发展。

2.2.2 共现网络分析

在关键词共现网络中,节点数代表关键词个数,边数就是关键词之间的连线数,连线代表关键词在同一篇文献中出现过。图中节点大小代表的是关键词频次,频次越大,节点越大。连线的粗细表示共现的次数,越粗表示共现次数越多。关键词共现网络结果如图2所示。

图2 物流科技领域文献关键词共现网络

选取其中较大同时中心性较高的关键词节点分析其关联关键词情况,如图3所示。与关键词节点“model”共现强度较强的关键词有big data(大数据)、algorithm(算法)、convexity(凸性)、optimization(优化)、fit index(拟合指数)、transportation(运输)、yield management(收益管理)、service differentiation(服务差异化)等。可以看出在现代大数据背景下,国际上的研究较多侧重于针对某种物流服务场景(如运输)设计相应的数学模型,运用具体算法或策略对模型进行求解,以达到效益最大化。

图3 主要关键词共现情况

与关键词节点“supply chain management”共现强度较强的关键词有big data analytics(大数据分析)、integration(融合)、manufacturing system(生产制造系统)、distribution management(配送管理)、electronic data interchange(电子数据交换)、reverse logistics(逆向物流)、humanitarian logistics(人道主义物流)等。可以看出国际上的学者着眼于大数据分析和现代软硬件技术与供应链上下游(包括生产制造过程、运输配送过程等)协同优化的融合,同时供应链管理也衍生出了注重社会责任感的逆向物流和人道主义物流等方面。

与关键词节点“information technology”共现强度较强的关键词有logistics tracking(物流追踪)、electronic business(电子商务)、intelligent transport system(智能运输系统)、MRP(物料需求计划)、capability(能力)、competitive advantage(竞争性优势)、customer satisfaction(顾客满意度)、supply chain network(供应链网络)等。可以看出国际上学者青睐于探究信息技术在物流各个环节中的运用,以优化供应链网络,提高顾客满意度,塑造企业的竞争性优势。

与关键词节点innovation共现强度较强的关键词有strategic persistence(战略持久性)、impact(影响)、value chain(价值链)、operations management(运营管理)、vertical integration(垂直整合)、barrier(障碍、壁垒)、developing country(发展中国家)、diffusion(扩散)等。可以看出近年来越来越多发展中国家也正在努力提高供应链创新能力,如何打破技术壁垒、进行垂直整合、延长价值链是事关国家实力和命脉的战略性话题,国际上众多学者对此展开了广泛的讨论。

2.2.3 主题聚类分析

在关键词共现的基础上继续进行聚类分析,获取热点主题词,使用LLR(log-likelihood ratio,对数似然率)算法得到关键词聚类结果。为了能够结合时间维度分析主题词分布情况,选择Timeline(时间线)视图展示,结果如图4所示。

在CiteSpace中有两个指标可以评判聚类图谱绘制的效果好坏,分别是聚类模块值(Modularity,一般称为Q值)和聚类平均轮廓值(Silhouette,一般称为S值),Q>0.3则可以认为聚类结构显著,S>0.7则可以认为聚类结果是令人信服的[12]。由图4可以看出,Q为0.749 9,S为0.904 6,反映此次聚类效果较好。在时间线视图中,水平方向的横轴代表时间轴,上方为对应的年份,节点在时间轴上所处的位置即代表该关键词第一次出现的时间,节点与连线的含义与上文相同,每一组关键词最右侧带#号标志的词语即为聚类标签,以该组关键词中频次最高者命名。

根据聚类结果显示,共有27个聚类主题,由于图片大小有限,仅展示前12个聚类主题,如supply chain management(供应链管理)、competitive advantage(竞争优势)、wireless sensor networks(无线传感器网络)等。从图4可知,国际上对于supply chain management(供应链管理)方向的讨论占主导地位,在2001—2004年爆发出多个较大的研究热点,包括relationship(关系)、model(模型)、development(发展)等关键词,说明在早期学者们试图从管理角度切入优化供应链,用模型等较为科学的技术提出解决方法。随着时间的演变,逐渐分化出不同的研究热点,例如2015年左右出现的freight transport(货运)热点,2017年左右出现的big data analysis(大数据分析)热点以及2019—2021年出现的industry 4.0(工业4.0)、block chain technology(区块链技术)等研究热点。这说明随着时间的变化,围绕供应链管理的研究在结合时代特点和新兴技术不断更新、不断细化,是一个具有生命力、不断发展、持续繁荣的研究主题。

由于聚类标签是由该聚类中词频最高者代表,单凭标签词并不能完全了解到该聚类的含义,因此还需兼顾每个聚类中包含的关键词进行综合解读,见表3。

表3 物流科技领域聚类主题-关键词分布(前12类)

结合时间线图和表3分析,全球近20年物流科技领域的研究主要围绕供应链运作模式的优化、模型和算法的设计、工业/物理技术的运用、科技对于企业和国家的战略性意义等方面展开。

1)结合大数据分析和现代软硬件技术,对供应链上下游(包括生产制造过程、运输配送过程等)进行协同优化管理。供应链运作模式的优化,越来越强调各种技术等在其中发挥的重要作用。典型的如信息技术和大数据技术的运用有助于对资源进行合理配置,优化供应链组织流程,降低物流成本,提高整个供应链的敏捷性和高效性。区块链技术可以解决传统供应链金融存在的信息不对称问题,串联各个供应链环节,保障各个环节信息可追溯的同时降低融资成本。

Trienekens和Wognum[13]总结了欧盟综合项目Q-Pork chains中对猪肉供应链管理的研究结果,消费者在购买猪肉时不断变化的需求影响了从农民到消费者的供应链管理的组织方式,展示了创新性的质量管理系统、信息交流系统对于整合供应链和增强消费者信心的重要性。Choi[14]研究了销售时尚产品在供应链中的供应链融资问题,比较了制造商和零售商在纳什议价情况下,分别在传统供应链和区块链支持的供应链的最佳合同和数量决策,还比较了两种供应链最佳系统性能,证实了区块链支持的供应链风险更低、预期利润更高。

2)在现代大数据背景下,针对某种物流服务场景提出科学的决策标准体系或设计相应的数学模型,运用具体算法或策略制定最优解决方案,以达到效益最大化。模型和算法的设计,主要是对现代化物流场景中供应计划制定、排班问题、运输问题、存储问题等进行数学模型的建立,进而运用一定的算法或科学步骤对其进行求解,使得物流决策更加智能、科学,优化供应链解决方案。

Zaitsev[15]开发和制定数学模型和算法,通过使用经济标准和供应链无故障运行的概率评估模型来寻找最佳的供应计划方法。Loske和Klumpp[16]从德国零售物流的经验案例角度,运用数据包络分析(data envelopment analysis,DEA)、基于基于松弛值测算(slacks-based measure,SBM)的DEA以及基于层次分析法(analytic hierarchy process,AHP)的模糊DEA方法,分析人工智能实例早物流管理核心部分的路线规划中的应用。

3)探究工业化技术、物理技术、信息通信技术等在物流各个环节中的运用。工业/物理技术的运用主要体现在物流过程中使用的设施设备上。随着工业4.0进程推进,物流技术呈现出从机械化、自动化到智能化、硅经济(硅生态)的演化趋势,以射频识别(radio frequency identification,RFID)、遥感为代表的传统技术在运用中逐渐成熟,以物联网、自主移动机器人(autonomous mobile robot,AMR)为代表的新兴技术逐渐进入物流领域。

Barge等[17]讨论了不同肉类产品在不同RFID技术下的自动识别,分析了标签性能重大差异的影响因素,为物流和仓储环节中的物品识别提供解决方案。Lin等[18]基于端到端的机器对机器(M2M)系统架构,开发了一个物联网EasyConnect系统来管理物联网设备,监控和操纵温度、振动和显示等设备特征,以应用到资金流、物流等领域。

4)物流中的科技之于企业和国家的战略意义是毋庸置疑的。对于企业而言,应用一定的技术提高物流效率、增加服务多样性是提高顾客满意度和扩大市场份额的重要方式;对于国家而言,基于技术的策略已成为物流供应链中提高生产力和竞争力的一个关键因素。

例如,Chinomona[19]关注信息技术在供应链管理中的促进作用,以津巴布韦162家中小企业为样本,探究信息技术对战略采购、物流整合和中小型企业(SMEs)的业务绩效的影响。Stone等[20]为南非开发了一个车辆参数模型,将运输需求和车队数据输入国家能源系统模型,以可靠的方式预测运输部门的能源需求,支持相关研究和国家政策及规划举措。

2.3 领域研究前沿分析

关键词共现和共词聚类分析可以揭示物流科技领域研究的内在结构和变化,明确该领域的研究现状和热点。但是为了达到较好的聚类效果,选用的词汇绝大部分是高频词,使得某些尚处于低频的热点不能在早期被发现。Kleinberg[21]于2002年提出突发监测(burst detection)算法,重点研究焦点词——相对增长率突然增加的词,挖掘出在领域内研究活跃、有潜在影响研究热点的关键词,有助于识别出推动某个特定领域研究发展的研究前沿。在CiteSpace软件中已经引入该算法,设置相关参数后得到突现词可视化列表,词汇的数量为45个,结果如图5所示。

图5 物流科技领域突现词分布(前45)

2.3.1 突现年份

由图5可知,物流科技领域近年来的前沿主题词更迭较为迅速,尤其2015—2018年是开始突现最多的年份,涌现出的新兴主题数量非常多。这是因为近年来各种工业化技术、信息通信技术等发展较为迅猛,与物流业结合之后产生的成果层出不穷,引发学术界广泛的思考和讨论。例如2016年德国邮政DHL完成无人机交付项目试验,成功递送超过130个包裹,成为全球首个用无人机技术向客户递送快递的公司。物流业的无人化、智慧化趋势逐渐显现出来。

2.3.2 前沿主题

在突现词列表中,突现期位于近5年(即2017—2021年)且突现强度较大(strength>5)的词汇为值得关注的前沿主题词,主要包括impact(影响)、design(设计)、industry 4.0(工业4.0)、capability(能力)、optimization(优化)、model(模型)、big data(大数据)、internet(互联网)、supply chain(供应链)、decision making(决策)、integration(融合)、information(信息)、coordination(协同)。上述主题在近期新兴势头较为强盛,在未来几年仍将对物流科技领域产生较大的影响,仍会是领域内研究的热点。据此概括物流科技领域未来的研究前沿方向。

1)随着世界各国工业4.0进程的推进,信息技术在物流领域的应用程度将不断加深,物联网、云计算、大数据、人工智能等技术手段将会大大提升信息收集、处理、分析和利用的效率,有效改善供应链各环节信息孤岛、信息滞后和信息不对称等问题。与之相关的研究将会持续涌现。

2)学术界较为重视科技在物流过程中的发挥和绩效表现,从早期的探索阶段过渡到了优化阶段,注重其对物流产生的影响并量化结果,致力于运用科学的模型方法来优化物流运作过程,研究不断向精细化方向发展。

3)面对日益饱和的市场、日益复杂的创新活动,供应链单个节点所掌握的资源较为有限,为提高物流服务水平、实现物流的灵活和可持续发展,供应链节点间的协同合作将是必然选择,协同创新将会是一个新趋势。

3 研究结论

随着物联网、大数据、信息通信等先进技术与物流业的深度融合,物流科技领域逐渐受到学术界的关注,相关应用研究成果与日俱增,与此同时也出现了快速更迭的研究热点和研究前沿。本文综合运用文献计量学方法、知识图谱方法、关键词共现网络方法、聚类分析方法等,利用CiteSpace软件相关的分析和可视化功能,探究近20年物流科技领域的研究热点和研究前沿,得到的主要结论如下:

1)随着科学技术的发展以及与物流领域的融合,物流科技领域研究正逐渐兴起,共经历了3个发展阶段,包括起步期(2001—2004年)、稳定增长期(2005—2015年)和蓬勃发展期(2016—2021年),20年来物流科技研究论文数量呈逐年增长趋势,基本符合指数增长规律,2021年WOS论文累计发文达10 432篇,且仍保持不断增长的发展态势。

2)根据高频与高中介中心性关键词、共现网络、共词聚类结果,全球近20年物流科技研究主题主要围绕供应链运作模式的优化、模型和算法的设计、工业/物理技术的运用、科技对于企业和国家的战略性意义等方面展开,其中供应链管理方向的讨论占主导地位,由早期多个较大的研究热点逐渐分化出细化、具有时代特征的研究热点,是一个具有生命力、不断发展、持续繁荣的研究主题。

3)物流科技领域近年来的新兴主题词更迭较为迅速,2015年、2016年、2017年、2018年是涌现新兴主题数量最多的4个年份,design(设计)、industry 4.0(工业4.0)、capability(能力)、optimization(优化)、model(模型)、big data(大数据)、internet(互联网)、supply chain(供应链)、decision making(决策)、integration(融合)、information(信息)、coordination(协同)等主题词在近期新兴势头较为强盛,在未来几年仍将对物流科技领域产生较大的影响,仍会是领域内研究的热点。

本文存在一定程度的局限性。首先,在选取文献基础数据时仅选择了WOS核心数据集,因为CiteSpace软件对于不同数据库来源的文献数据有不同的处理方式,可支持分析的指标也不同,为避免数据量过大、降低数据处理的烦琐度,只选取了WOS数据。后续研究将考虑采用其他来源的数据进行对比分析。其次,检索策略直接以“物流科技”为主题进行检索,后续将通过咨询领域专家完善检索策略以使论文数据更完备,主题分析结果更丰富、准确。