信息化社会，数据信息体量不断增加，社会快速步入大数据时代.大数据即数据集合，具有容量大、种类多、速度快等特征.由于大数据能够对信息进行收集整理，以较低的成本创造出更高的价值，因此各行各业对于大数据分析技术和数据科学的关注度都越来越高，并将其作为企业管理创新和提高生产力的新目标，供应链管理也因此迎来了更多的机会[1-2].大数据技术在供应链中的应用价值主要在于实现商业增值、改进生产过程、提高产品质量等方面[3].供应链柔性化、智能化、可视化是未来发展的方向，尤其是在这次新冠肺炎疫情防控中，数字化供应链平台在防疫物资的生产运输方面发挥了重要作用[4].通过大数据分析可以有效解决供应链中由于信息滞后所带来的“牛鞭效应”，促使供应链向精益化、共享化、智慧化发展[5-6].因此，如何将大数据分析应用于供应链管理的过程，加快数字化供应链转型的步伐，是目前研究的关键问题.

通过对文献所包含信息进行研究，有助于学者们全面地了解研究领域的热点与趋势，寻找新的研究切入点和研究方向，促进学术发展[7].现有研究主要通过两种方式对文献进行分析：一是直接通过简单的数据统计对文献进行描述性分析，如Govindan等总结了关于大数据的属性以及在供应链中实施的有效做法[8]，Nguyen等结合内容分析方法分析在供应链中应用大数据的领域及技术问题[9]；二是通过其他的文献分析工具展开分析，如Zhang等通过VOSviewer研究讨论基于大数据的可持续供应链管理方面的文献[10]，Addo-Tenkorang等通过Publish or Peris讨论运营与供应链管理中的“大数据”问题、趋势和观点，并提出了“大数据II”的框架[11].

与上述研究不同的是，本文运用CiteSpace软件对现有文献的知识图谱进行研究.相比于简单的描述性分析，知识图谱能够通过文献的各种数量特征，利用数学、统计学等方法评价和预测某一研究领域的现状与发展趋势，通过空间形态来表现信息间的相互关系，显示知识发展历程与结构关系[12].此外，Publish or Peris软件只能对文献的引用情况、文献及杂志的影响因子进行简单的分析，VOSviewer虽然能够生成与CiteSpace类似的知识图谱，但却无法查看节点信息，且聚类后难以提取关键信息，而CiteSpace能够提供多种关系矩阵，展示复杂的数据特征关系，还拥有强大的数据透视功能，有助于快速、直观地把握研究领域的特征和总体趋势[13-14].

由于在该领域的相关研究近几年才随着大数据的发展而兴起，现有的综述类研究在研究方法及数据选择方面都存在不足，研究总体缺乏系统性和全面性，鲜有文章对发展脉络进行归纳整理，本文采用基于CiteSpace的知识图谱分析方法，探究大数据分析在供应链管理中的应用研究现状，对大数据在供应链管理中应用的相关文献进行了整理和知识图谱分析，通过总结相关文献的时空分布现状、学科领域和期刊分布情况以及研究热点和前沿，发现相关研究主要集中在中国、美国、英国三个国家，涉及多学科领域且研究热点集中在供应链预测分析、绩效及框架等方面，基于以上结果，本文在文末对未来研究方向提出相应的建议.

1 数据来源与研究方法

1.1 数据来源

本文的主要数据来源于Web of Science(WOS)数据库，以“主题=(Big Data OR Supply Chain Management)，时间跨度为所有年份”进行文献检索，共检索得到755条相关文献.由于本文重点关注大数据或数据驱动在供应链管理中的应用问题，通过筛选删除了卷首语、书评等不相关的文献，得到151篇文献，下载摘要、作者、关键词、参考文献等相关信息得到分析所需数据.

1.2 研究方法

首先采用WOS的检索分析工具对大数据分析在供应链管理中应用研究的时间分布、空间分布、学科领域分布和文献期刊分布进行了统计分析；其次，采用CiteSpace的WOS数据分析板块，对样本文献的国家(country)、期刊(journal)、关键词(keywords)、参考文献(reference)等进行知识图谱可视化分析，从而分析并总结出该领域的热点与前沿研究.

对上述研究热点与前沿研究的分析主要以中心度(centrality)为衡量指标.在CiteSpace中，中心度以中介中心性为测量指标(between centrality)，用来测量节点在网络中的重要性(此外还有度中心性、接近中心性等测度节点重要性的指标).中心度的计算公式如下：

(1)

式中gs t为从节点s到节点t的最短路径数目，为从节点s到节点t的gs t条最短路径中经过节点i的最短路径数目.从信息传输角度来看，中心度越高，节点的重要性越大，因此具有高中心度的文献(或国家、关键词等)通常是连接两个不同节点的关键枢纽，能够反映该研究领域的热点与前沿.

2 大数据在供应链管理中应用的研究结果与分析

2.1 时空分布统计

时间分布可以通过分析相关文献发表数量的增长和衰减来反映该领域的发展过程，空间分布可以帮助研究者明确该领域引领研究的国家与地区，通过时空分布统计分析，可以对研究的发展现状有较全面的了解.

2.1.1 时间分布 文献的数量变化可以直接反映该学科领域的发展情况，通过对文献发表量的增长和衰减情况进行统计分析，有助于了解大数据在供应链管理中应用的发展进程.对相关文献数量的发表时间进行统计，绘制出其时间分布折线图(如图1).从图1可以看出，最早的文献发表于2012年，这是一个非常关键的时间点，早在2008年就已经出现“大数据”的概念，而自2011年麦肯锡(McKinsey)发布报告“Big data :the next frontier for innovation，competition，and productivity”，并对大数据的影响、关键技术和应用领域等进行分析之后，大数据的关注度迅速提升[15]，随后几年的发文量也不断上升.总体上可以分为两个阶段：2012年-2014年为初步萌芽阶段，论文发表量虽较少，但被引用次数高，为后续研究奠定了理论基础；2015年-2019年为迅速发展阶段，论文年发表量迅速增加，相关研究成果快速增长，并在2019年达到59篇，且2018与2019年的发文量占发表论文总量的71.52%.由此可见，大数据在供应链管理中的应用越来越受到重视，自提出大数据的概念之后，数据体量快速增长，单从我国的大数据行业市场规模来看，2012年大数据规模仅4.7亿元，而2015年上半年的市场规模(25.71亿元)已经超过2014年全年(23.21亿元)，大数据市场的快速发展一方面是依靠互联网公司在大数据应用上不断推陈出新，另一方面是由于存储技术的发展使得更大体量的数据能够被储存和计算.大数据技术的更新迭代和不断发展也推动了其在供应链领域的应用和研究的推进，因此自2015年之后，相关研究的发文量也迅速增长.

图1 2012年-2019年发文量时间分布图
Fig.1 Time distribution of publication from 2012 to 2019

2.1.2 空间分布 利用CiteSpace对各个国家与地区发表的供应链管理的论文数量进行可视化分析，将Time Slicing时间间隔设置为1年，在“Node Types”面板中选择“Country”选项运行.结果如图2所示，图中共有30个节点、46条连线，其中中国的中心度最大，与英国、美国、法国等国家都有着直接或间接的合作关系，其次是美国和英国.

图2 国家(地区)分布知识图谱
Fig.2 Knowledge map of country (region) distribution

对可视化分析结果进一步分析，绘制出论文发表空间分布图，如图3和图4所示.由图可以看出，在样本文献中，从发文量角度来看，中国和美国位于前列，其发文量分别为35篇和30篇，占比分别达到23.84%与19.87%，处于该领域研究相对领先的水平；从关键节点(中心度>0.1)角度来看，中国和美国同样位于前2位，分别为0.30和0.29.这与中、美两国在供应链及大数据方面的迅速发展密不可分.在供应链领域，美国在2012年签发的《全球供应链安全国家战略》和中国实施的“一带一路”倡议，均是在通过打造一个全球的供应链和产业链来推动经济发展.在大数据领域，虽然中国相较于美国仍有较大差距，但自2015年提出“国家大数据战略”以来，中国在大数据的存储、处理及应用等方面突飞猛进，在供应链领域的应用尤其是需求预测能力、供需协同能力及库存管理能力方面都有所改进.

图3 发文量排名前10的国家
Fig.3 Top 10 countries in terms of publication volume

图4 高中心度国家分布图
Fig.4 Distribution of high-centrality countries

2.2 学科领域、期刊分布统计

学科领域和期刊分布情况可以反映该领域研究内容所涉及的相关学科及侧重点，对其进行统计分析可以明确大数据在供应链管理中应用涉及的关键学科和核心期刊.

2.2.1 学科领域分布 根据WOS的检索分析工具统计绘制出学科领域分布图，如图5所示.其中分布在商业经济学类别的文献最多；其次是工程学和运筹学.此外，在分布图中发表类别较多的学科领域还有计算机科学、科学技术、生态环境科学和运输学等.由此可见，针对大数据在供应链管理中的应用不仅是一门管理学科，更是一门基于计算机软件、信息系统等技术方法手段的跨学科的综合性学科.

图5 学科领域分布
Fig.5 Distribution of subject

2.2.2 文献期刊分布 通过对151篇文献的发文期刊进行统计分析，可以发现该领域来源期刊的水平以及研究主题的主要分布领域.其中《计算机工业工程》(Computers Industrial Engineering)所刊载的相关文献数量最多，除此之外，《国际物流管理杂志》(International Journal of Logistics Management)、《运筹学年刊》(Annals of Operations Research)、《清洁生产杂志》(Journal of Cleaner Production)等刊物都十分关注工业工程及管理科学最前沿的主题内容(见表1).

表1 主要发文期刊
Tab.1 Main published journals

此外，中心度还反映了期刊在该研究领域的地位，期刊权威性越高，其中心度和共被引频次也越高.因此，利用CiteSpace对样本文献共引期刊进行可视化分析，运行得到文献期刊分布可视化网络图谱(如图6)，其中包括96个节点，172条连线.

图6 期刊共引网络分布图
Fig.6 Distribution of journal co-citation network

由图6总结出中心度排序前10的期刊于表2中.由表2可见，运筹学与管理科学范畴的学术期刊中心度均较高，如《国际运营与生产管理杂志》(International Journal of Operations &Production Management)、《国际物流管理杂志》(International Journal of Physical Distribution Logistics Management)、《运营管理》(Journal of Operations Management)等.同时，由于对大数据在供应链管理中的应用研究涉及多门交叉学科，《美国计算机学会通讯》(Communications of the ACM)、《信息科学》(Inform Sciences)等都是与计算机科学、工业工程、信息系统等相关的学科，且都是大数据在供应链管理应用过程中所需要涉及到的关键学科.由此可见，大数据在供应链管理的应用受到各学科的高度关注，具有较高的理论应用研究价值.

表2 中心度排序前10的期刊
Tab.2 Ranking the top 10 journals by centrality

3 研究热点与前沿分析

3.1 研究热点分析

关键词是文章主题内容的高度概括，分析关键词可以把握该研究领域的热点.运用CiteSpace对关键词进行分析，得到88个节点、152条连线(如图7).

图7 高频关键词知识图谱
Fig.7 Knowledge map of high-frequency keywords

关键词的频次反映了学者对该节点的关注程度，关键词的中心度衡量该节点在研究领域内的枢纽作用，对知识图谱中的关键词频次和中心度进行排序汇总(见表3).

表3 高频关键词及其频次和中心度
Tab.3 High-frequency keywords， their frequency and centrality

对表3和图7进行梳理，综合考虑关键词的频次和中心度的大小，以及关键词的属性特点，选择频数和中心度均较高的关键词，可以得出目前大数据在供应链管理领域应用研究的主要热点．

1) 对供应链预测分析(predictive analytics)的研究.这个关键词的频数为40，中心度最高，达到了0.30.大数据和预测分析在分析中占据高频词汇反映出在供应链管理中应用大数据的主要目的是进行预测分析，从而对供应链进行有效管理，如 Waller等早在2013年就针对大数据和预测分析(big data and predictive analytics，BDPA)将会对供应链设计和管理带来的变革进行了详细分析[16]，Jeble等研究了BDPA对供应链可持续性(包括碳排放、社会可持续性、经济可持续性)具有积极的调节作用，并对Waller等提出的部分问题进行了相应解答[17].Sodero等运用扎根理论，通过对15个零售供应链高级经理的访谈进行理论构建，揭示了用户参与如何塑造BDPA以适应组织结构[18].

2) 对供应链绩效(performance)的研究.在2016年以前，大部分研究都是分析大数据对供应链管理的重要性，没有研究大数据的应用是如何对供应链的能力和绩效产生影响的.因此，Gunasekaran等基于资源基础观点(resource-based view，RBV)，发现BDPA对供应链绩效和组织绩效具有正向的影响，且若高层管理人员能够获得外部资源并创造更好的BDPA能力，可以得到更好的供应链绩效和组织绩效[19].Yu等发现数据驱动供应链(data-driven supply chain，DDSC)对供应链能力(supply chain capability，SCC)的四个维度(信息交换、协调、企业间活动整合和供应链响应)都有显著的正向影响，而其中协调和供应链响应能够提高财务绩效，阐明了DDSC对财务绩效的重要性[20].

3) 对供应链框架(framework)和设计(design)的研究.Singh等运用大数据解决了冷链位置分配设计的问题[21]，Jiao等基于数据驱动框架研究了可持续闭环供应链(closed loop supply chains，CLSC)的设计问题[22].然而，如何将大数据应用于供应链网络也是企业的一大挑战.因此，Long建立了一个六层四视点的框架，系统地提出了供应链网络中数据驱动的计算实验应用于组织决策支持的技术解决方案[23].

此外，对关键词的中心度进行分析则可以获得该节点在研究领域内的作用，高中心度的节点是连接不同知识的桥梁，在整个知识网络中起到关键枢纽的作用.根据关键词中心分布情况，大数据在供应链管理中应用研究的关键词分布的频次和中心度排序较为一致.部分词汇同时具有较高的频次与中心度，例如预测分析(predictive analytics)、绩效(performance)、框架(framework)等频次较高，且中心度也较为集中，说明这些研究内容是该研究领域的热点和基本理论支持.同时，部分词汇频次较高但中心度不强，如大数据(big data)、数据科学(data science)、管理(management)、物流(logistics)等词汇，还有些关键词出现的频次不高，但中心度较强，比如商业分析(business analytics)、技术(technology)、决策(decision making)等.

3.2 研究前沿分析

对文献之间进行共引分析可以了解研究的演化规律及研究的前沿领域.运用CiteSpace软件，将Time Slicing时间间隔设置为一年，在“Node Types”面板中选择“Reference”选项运行，获得该研究领域的文献共引可视化图谱(如图8).图中共有104个节点，140条连线，每个节点半径的大小说明该文章被引用的频次，关键节点的文献在一定程度上代表着该研究领域的前沿.

图8 文献共引知识图谱
Fig.8 Knowledge map of literature co-citation

通过对关键节点文献的分析，可以发现Waller等在2013年发表的两篇关于大数据在供应链预测分析引用频次较高，这与上述高频关键词知识图谱分析结果相同，说明Waller等的论文为该领域的研究奠定了基础[13，24].在2016年，Wang等发表的论文《Big data analytics in logistics and supply chain management:certain investigations for research and applications》被多次引用，且中心度达到了0.60，该研究通过构建四个能力层级(功能、流程、协作、敏捷及可持续)，以评估大数据分析在物流与供应链管理中的应用程度[25].对于关键节点文献，相关信息整理见表4.

表4 关键节点文献信息综合
Tab.4 Literature information synthesis of key nodes

4 结论与展望

4.1 研究结论

本文运用CiteSpace软件，对WOS数据库中2012年-2019年有关大数据在供应链管理中应用的文献及相关数据进行了不同层次的分析和可视化研究，并得出下述的结论.

1) 从时间分布来看，关于大数据在供应链管理中应用的相关文献最早始于2012年，再到2019年仅8年时间，由于相关技术尚未成熟、缺乏相关技术人员以及供应链管理协调困难等原因，该研究仍处于发展阶段，并没有达到成熟状态，还存在很大的发展空间.

2) 从大数据在供应链管理中应用的研究前沿国家和地区分布来看，中国目前在该领域的发文量为世界第一，且发表文献具有较高的影响力.此外，大部分西方国家在这一领域的研究也处于相对领先的地位，其中美国和英国的发文量仅次于中国，三者的核心研究机构之间也进行了较多的合作.

3) 从学科领域及期刊分布来看，现阶段大数据在供应链管理中应用研究的核心刊物包含管理学、运筹学和计算机科学等领域，研究内容趋向于多学科性，研究对象也趋向于多样化.

4) 通过对大数据在供应链管理中应用研究的可视化分析发现，该研究领域的热点主要包括供应链预测分析、绩效以及框架，即如何通过大数据对供应链管理进行预测分析，从而提高供应链整体的绩效和效率.

总之，通过该项研究可以促进供应链整体运营能力的提升，提高供应链管理效率，并推动社会经济的健康快速发展.

4.2 展望

随着科技的进步，对于大数据在供应链管理中的应用也受到越来越多的学者的关注，通过全文分析，该领域的研究虽然已进入快速发展阶段，但仍存在一些热点问题有待进一步探究.

1) 应进一步探索在不同供应链中大数据的运用.基于现有大数据应用于供应链管理的案例，通过大数据与物流仓储相结合、大数据与金融交易的物流信息相结合等方式，扩大大数据应用的供应链范围.

2) 提高供应链的风险管理能力.供应链的风险管理包括事前、事中及事后管理，通过将大数据应用到供应链管理的每一个环节，可以增强企业内部或者企业之间的信息流通，从而加强供应链的事前风险预测能力，也能对事后发现的风险及时进行处理，从而引导企业做好风险决策，采取相应规避风险的措施.尤其是在供应链金融风险的管理中，通过大数据的应用可以优化供应链信息共享模式，保证数据的真实性，从而增强风险管理效果.

3) 进一步探索新技术发展应用.随着5G技术的突破以及区块链等技术的应用，供应链的模式也相应发生改变，因此如何利用大数据等技术加强供应链中上、下游企业的关系，增强供应链的透明度和可视性，促进企业之前的信息交流，也是未来的研究趋势.