考虑内外因素的电子商务产业与大数据产业协同演化研究

郭皓月, 樊重俊， 李君昌， 王 来， 吴海春， 杨云鹏

(上海理工大学 管理学院,上海 200093)

0 引言

作为新型商务模式的代表，我国电子商务经过近二十年的培育，已经形成较为成熟的运营模式和商务模式，正逐渐成为我国新经济体系建设的重要组成部分。然而，随着云计算、人工智能、物联网等为代表的新兴互联网技术的出现，电子商务企业运营和客户等数据量正在以爆发式的速度增长。如何从海量数据中挖掘潜在价值，成为电子商务产业向着数字化和智能化方向转变的瓶颈。这也意味着电子商务与大数据交叉产业蕴含巨大的发展空间和应用前景。通过大数据产品、技术和服务，连接电子商务企业内部与外部的多方数据，并系统化、模块化地处理数据，从而打造数据资产链条，实现数据应用价值，同时电子商务也为大数据的应用提供了“肥沃”的土壤。因此，在升级电子商务服务、创造新的电子商务增长点的同时，拓展大数据的应用范围、整合大数据产业链，能为我国经济的发展提供新动力。

近年来，电子商务给传统产业的经营、管理和盈利等模式带来巨大变革，其对流通体系和宏观经济的积极作用也日益凸显[1]。电子商务产业也逐渐成为国内外学者研究的热点。关于我国电子商务产业的研究大致可以分为四类：一是从产业的宏观视角出发，针对电子商务产业的发展现状和困境，提出相应对策与解决方案，例如X L Chen等人[2]的物流与采购融合策略、浦东平等人[3]的区块链技术优化电子商务流通、支付和信用体系等。二是将电子商务产业，包括农村电子商务产业[4]、移动电子商务产业[5]等，看作一个复杂系统，并对该系统的演化路径[6]和模式[7]进行研究，例如：根据电子商务的特点和发展规模，郑淑蓉等[8]将我国电子商务产业的演化过程分为：探索期、雏形期、成长期和普及期四个阶段。三是聚焦于电子商务产业“痛点”，例如信用危机[9]、供应链管理[10]和商业模式价值[11]等。四是电子商务产业的发展给其他行业带来的冲击和影响，例如D L Zhang等[12]和M Cui等[13]分别研究了电子商务产业对商业房地产需求与中国乡镇社会创新的作用。

大数据作为新兴产业，在我国正处于快速发展阶段。从2009年国内首次出现大数据概念以来，随着我国互联网信息技术的飞速发展，一方面社会各行各业不断积累结构化和非结构化数据，例如金融、医疗卫生、交通运输和电子商务等行业，每年产生的数据量都在百PB级别，而且呈现指数增长的趋势[14]；另一方面，谷歌、IBM为代表的国外大型IT企业相继推出大数据关键技术，如Mapreduce、Hadoop，并且大数据应用给商业带来的价值逐渐被人们所重视[15]。在这样的技术和社会背景下，我国大数据产业市场规模逐年增大，2017年为3615亿元(工业和信息化部)。我国已有的大数据产业研究大多以定性分析现状、产业特征、存在的困境或矛盾，以及提供对策为主[16,17]。同时，部分学者将大数据产业看作一个新兴产业，研究了在大数据环境下其他产业的转变或变革，大数据能促进智慧城市的发展[18]，也能拓展我国中小企业和个人享有的金融服务[19]，还能提升房地产[20]、智能电网[21]、医疗行业[22]的整体水平。另外，大数据作为决策分析的前沿工具，常常被用于解决效率评估[23]、管理优化[24]等实际问题。

综上，电子商务产业与大数据产业均是以互联网技术为核心的高新技术产业，虽然各自的发展有所偏重，但是又均有自己的产业特色和优势。电子商务和大数据两产业的融合、协同是经济发展的必然趋势，而国内外对于这两个新兴产业融合发展的研究还是空白。本文从论述电子商务与大数据协同发展的切合点出发，分别用协同度模型和EBDS协同演化模型分析这两个行业间的协同程度与演化趋势，旨在量化它们之间的协同发展程度，从而为电子商务与大数据行业快速融合、共同发展提出建议。

1 电子商务-大数据协同关系

当前，我国电子商务的商业模式正在从以商家为中心转向以客户为中心，旨在为客户提供个性化、定制化的服务，这就需要充分运用大数据产业的优势助力电子商务运营、管理和服务的创新，从而为电子商务的进一步发展提供新的动力。同时，由于缺乏自主研发的尖端大数据技术，我国大数据产业仍处在发展初级阶段，大数据发展市场有待继续深耕。电子商务是基于信息技术的全新商业模式，电子商务的发展扩大了大数据产业的市场需求，也是大数据商业化的重要应用领域之一。因此，电子商务产业和大数据产业二者密切联系、相互促进，存在着协同发展的关系。

以阿里巴巴集团为例，阿里巴巴自成立以来就注重数据资源的积累和价值转化，2013年阿里巴巴数据平台事业部成立，标志着阿里巴巴向着大数据驱动方向演进。阿里巴巴基于电子商务业态，沉淀了种类丰富的数据资产，包括：电商交易、搜索、物流、支付、广告等。相应地，阿里巴巴系统地搭建大数据基础设施，注重大数据技术的研发和应用，并对内外提供成熟的服务和产品。目前，阿里巴巴有三大数据产品：生意参谋、阿里指数、孔明灯，为电子商务企业提供服务，例如阿里指数从地域、行业和产品等视角分析区域贸易发展程度、行业发展态势，及热销商品，作为电子商务企业分析市场行情、制定运营战略的参考。另外，电子商务企业还通过企业图谱、营销引擎、深度挖掘等大数据分析服务，开展业务优化、用户画像、精准营销等活动。

本文在分析阿里巴巴集团的大数据与电子商务关系的基础上，抽象出我国电子商务与大数据协同发展的关系，如图1。图中虚线表示由电子商务和大数据两产业直接衍生出来的相关服务业，带“+”号箭头的实线表示前后主体的促进管理，例如：电子商务企业服务质量的提升，能改善客户体验，增加客户的满意度。

电子商务产业是大数据产业发展的重要动力。一方面随着电子商务产业规模的扩大，其对经济的贡献度也逐渐增大，尤其近年来我国政府出台一系列政策，使得电子商务成为我国经济转型升级的重要引擎。在整个社会经济环境和政策环境趋好的情况下，政府、企业加大对大数据产业的投入，学校和科研机构更加注重大数据的研究和应用，从而促进大数据产业的发展。另一方面，由于电子商务客户对服务、产品的个性化需求，以及电子商务企业向智慧决策和数据驱动的转变，大数据市场需求规模扩大，进而引导大数据产业的应用。

大数据产业通过两种方式促进电子商务的发展，一是加速数据存储、管理和分析等技术的进步，二是通过增大对经济的贡献度，完善电子商务技术、资金和市场等环境。从微观来看，基于大数据技术、产品和服务，优化电子商务企业价值链的各个环节，创新升级电子商务的运营模式和商业模式，进而拓展新的电子商务市场、提升电子商务企业的利润。同时，电子商务企业运用大数据产品和技术分析客户的基本属性、交易历史、社交兴趣、浏览记录和服务评价等维度的数据，刻画出每个客户的上网习惯、用户特征及消费等特点，并构建动态的客户管理系统，从而针对不同特征的客户提供差异化服务。这样就可以通过提升客户体验和满意度，间接地吸引非电子商务用户的转变，并增强其对电子商务的粘性。

综上，电子商务产业和大数据产业以互补的产品、服务为桥梁，通过扩大和完善彼此的生态体系，刺激市场需求，其中经济和政策是中间环节。因此，我国电子商务产业和大数据产业间存在着协同发展关系。

2 电子商务-大数据系统协同模型的构建

2.1 协同学理论

在20世纪70年代，通过研究以激光为代表的一系列协同现象背后的普遍规律，德国著名的理论物理学家赫尔曼·哈肯提出了一门能够解释系统宏观质变的横断学科，即协同学。协同学理论自提出以来，被广泛地应用于揭示自然和社会系统的演化规律。从协同学的视角来看，在外界环境的作用下，系统会自发地由无序向有序方向演进，外界环境只有维持供能和交互才能维持系统的这种有序状态。而系统将以何种有序结构存在，取决于其子系统的协同作用和随机涨落。为了定量描述子系统间的协同程度和系统宏观结构的质变，序参量等概念纷纷被提出。同时，协同学理论也包括系统行为的一些普适原理，譬如绝热消去原理、涨落原理等。

2.2 协同度模型

电子商务产业(e-commerce industry)是以信息网路为媒介，将传统商务活动的信息流、资金流和物流电子化、网路化和信息化的新型行业，整个产业涉及的范围比较广泛，既包括上游的制造商、供应商，也包括中间的平台商、支付机构、物流商，还包括下游的分销商和零售商等。大数据产业(big data industry)是针对大数据资源开展数据收集、存储、交易、分析和应用等业务的信息服务业，其服务包括大数据基础设施、大数据软件、大数据应用。倘若把电子商务产业和大数据产业均看作一个系统，那么二者协同所构成的系统就是电子商务-大数据系统(E-commerce and Big Data System，简称EBDS)。

EBDS的外部向其内部输入的物质、信息等统称为EBDS的外生变量。外部环境对EBDS的作用因素可大体分为三大类：一是经济因素，在社会经济这个大环境下，EBDS无时无刻不在同我国整体经济进行着交互。随着整体经济水平的提升，一方面通过拉动市场需求扩大电子商务和大数据交叉产业的规模，另一方面增大电子商务、大数据，及产业链核心技术的投入力度，能加速两个系统的演进和融合。二是政治因素，安全、信誉和伦理等问题始终围绕着EBDS，解决这些软问题的关键是有关规章制度的支撑，例如《电子商务法》在划清各方参与主体的职责和权限的基础上，保障各方的合法权益。同时，中央出台的政策和规划能从宏观上指导系统的演化方向和路径，例如“实施国家大数据战略”、“建设现代化经济体系”等政策对EBDS的演化有积极作用。三是技术因素，电子商务和大数据都是高新技术产业，其基础就是以互联网为核心的新兴技术。移动通信技术、人工智能，以及物联网等技术的突破能拓展EBDS的业务范围，并为其发展到更高级的有序结构提供动力。将这三大因素对电子商务和大数据的作用力度分别抽象为β1和β2，因为我国的经济、政策和相关技术都为二者的成长提供了良好的环境，所以有β1,β2>0。

描述EBDS特征的变量有很多，由EBDS内部产生的并能够表征其相变和子系统间协同程度的宏观变量称之为EBDS的序参量。本文分别选取电子商务产业发展水平和大数据产业发展水平作为EBDS序参量，而两个子系统的序参量的选取和处理见3.2节。这些序参量既有决定系统行为的慢变量，也有影响系统演进的快变量，其中快变量由慢变量支配。

自大数据产业在我国市场落地以来，其与电子商务产业的融合日趋加深。令Y(t)表征EBDS在t时刻的宏观结构，或者系统的协同度。若Y(t)趋近0，说明子系统之间协同发展的程度较低，系统将朝着无序状态发展；若Y(t)趋近1，说明子系统之间协同发展的程度较高，系统处于有序状态，并将趋向新的有序结构。在EBDS两子系统协同之前，Y(t)为0；随着二者协同的加深，Y(t)也逐渐增大，直达到最大值(临界值)，EBDS在内力和外力的共同作用下发生质变，Y(t)也随之显著变化。其表达式如下：

(1)

这里a、b分别指电子商务与大数据子系统发展水平对EBDS的重要程度，y1(t)和y2(t)分别表示电子商务子系统、大数据子系统在t时刻的发展水平，也是有序度。它们可由各自子系统序参量的线性叠加来刻画，即

(2)

其中y1i(t)表示电子商务子系统在t时刻的第i个序参量，它的权重为ωi(i=1,2,…,n)。y2j(t)表示大数据子系统在t时刻的第j个序参量，它的权重为θj(j=1,2,…,m)。

2.3 EBDS协同演化模型

2.3.1 EBDS协同演化模型的建立

在外界环境没有持续供能的情况下，自然界任何一个系统都会向着熵增方向衰退。无论是电子商务子系统还是大数据子系统，它们都是自然界系统的范畴，令α1，α2分别表示两子系统自身的熵增趋势，则α1,α2<0。综上，电子商务和大数据两子系统的行为均受到环境因素、自身特点和协同作用的影响，基于传统的哈肯模型，构建EBDS协同演化模型如下：

(3)

其中γ1表示两子系统的协同作用对电子商务系统的作用，γ2表示电子商务产业对大数据产业的影响因子。由于EBDS动力学结构和子系统间的协同关系待定，所以在这里系数(α1+β1)、(α2+β2)、γ1、γ2的符号和大小不能确定。

2.3.2 模型求解

(4)

将(4)式代入(3)式中，可得变换后的EBDS协同演化模型为:

(5)

忽略微分方程组(5)中的非线性项，得到(3)式的线性近似如下：

(6)

将(6)简化成矩阵的形式，有

其中A为线性微分方程组(5)的系数项，表达式如下：

因此，(6)式的特征方程可写成：

λ[λ-(α2+β2)]-2(α1+β1)(α2+β2)=0

(7)

在此基础上，求出(7)式的特征根为：

欲使系统(3)能够运用绝热消去法研究其特性，特征方程(7)需要有负特征根存在[25]。满足此条件的系数符号存在三种可能：①α2+β2>0，α1+β1>0；②α2+β2<0，α1+β1<0；③α2+β2<0，α1+β1>0。

3 实证分析

3.1 序参量权重

熵能够度量系统的无序程度，如果序参量所包含系统的信息越多，那么该序参量对应的熵就越小，其在序参量集中占据更大的比重，这也是熵权法确定序参量权重的基本思想。由于在EBDS中，电子商务子系统与大数据子系统序参量的权重确定方法都一样，下面仅以电子商务子系统为例，给出熵权法确定序参量权重的步骤：

Step1 形成原始数据矩阵。对于电子商务子系统，由n个序参量表示其的宏观特性，并且每个序参量有p个样本值，这里取2011～2017年的数据，因此p=7。将这些原始数据形成一个p×n矩阵，如下：

其中y1(k,s)表示电子商务子系统的第s个序参量的第k个样本值，其中0≤k≤p、0≤s≤n。

Step2 测度序参量的贡献度。n个序参量中y1(*,1),y1(*,2),…,y1(*,q)的增大对电子商务子系统的有序度有正向的促进作用，而y1(*,q+1),y1(*,q+2),…,y1(*,n)对电子商务子系统有序度的作用恰好相反。用函数u(y1(k,s))来测度电子商务子系统的第s个序参量的第k个样本值对该子系统的贡献度，u(y1(k,s))的表达式如下。

其中upper(y1(*,s))、lower(y1(*,s))分别表示序参量y1i的上界和下界。从形式来看，也u(y1(k,s))能够把序参量的原始值标准化，令标准化后的矩阵为U。本文选取的11个序参量对所在的子系统均为正向贡献度。

Step3 计算系统序参量的信息熵。电子商务子系统第s个序参量包含的信息量，可用信息熵es度量，即:

Step4 求出系统序参量的权重。在求得序参量信息熵es的基础上，计算对应权重ws，如下：

其中di表示电子商务子系统第i个序参量信息熵的冗余，有di=1-ei。

3.2 数值分析

(1)序参量选取

序参量是非线性系统突变前后所发生质变的最突出的宏观指标，它既能决定其它变量的变化，也能够决定系统的突变形式。系统的序参量要能够反映其宏观行为的变化，并且要便于观察和量化。根据序参量的特点，本文从电子商务子系统和大数据子系统中分别选取5、6个可量化指标作为对应的序参量，并运用熵权法求出各序参量对应的权重，见表1、2。这11个序参量的2011～2017年数据来源于中国统计年鉴(2017年)、中国大数据产业发展评估报告(2017年)、大数据白皮书(2016)、中国电子商务报告(2016)。

(2)有序度及协同度

将电子商务子系统、大数据子系统的序参量不同时期的取值和对应的权重，依次代入(1)式和(2)式中，求出二者的有序度，及EBDS子系统的协同度，见图2。从图中可以看出，电子商务有序度由2011年的0.0881加速增长到2017年的0.6074，呈现指数增长的态势，这主要是因为电子商务产业关键技术水平不断提升，围绕电子商务模式展开的新型商业模式纷纷涌现，如移动电子商务、跨境电子商务、云计算等，其作为我国经济转型的重要引擎也逐渐受到政府关注和扶持。整体来看，大数据子系统有序度呈现增长的趋势，但是年增长率明显小于电子商务。从2011～2013年，大数据产业在我国刚兴起不久，基础产业和商业应用也处于初步布局状态，这一阶段大数据有序度几乎没有变动；在2014年“大数据”概念首次写入政府工作报告，自此，大数据的理论与应用价值为广大人员所接受，一些大数据产品和服务的市场效应已初见成效，同时在政府的积极推动下，《促进大数据发展行动纲要》、《“十三五”国家信息化规划》等政策纷纷出台，诸如阿里巴巴、腾讯、百度等IT巨头相继推出大数据解决方案和服务平台，所以此时大数据产业有序度迅速增大，到2017年为0.3670。

表1 电子商务子系统的序参量及权重

表2 大数据子系统的序参量及权重

注：表中数据由作者归纳编制。

EBDS子系统的协同度大体上呈现增长趋势，说明电子商务和大数据的协同程度逐年加深。根据协同程度，将EBDS分成不同协同阶段。2011年和2012年EBDS处于低度协同，此时电子商务-大数据产业初步开展业务合作，并出现二者的交叉行业，协同效果初步显现；从2013～2015年，EBDS子系统的交叉业务无论在规模还是在融合的深度上都有所拓展，一些交叉性企业纷纷落地，此时EBDS处于成长协同阶段。2016～2017年EBDS的协同度均大于0.5，处于互助协同阶段，电子商务行业与大数据行业由单纯的业务合作演进到价值链的互助，二者互相优化彼此的价值链，从而提升价值转化率，他们的互补作用崭露头角。按照这个演进规律，在未来，EBDS将进一步加深融合，创新突破自身局限性，逐步打造电子商务-大数据产业生态，更多的相关产业将实现螺旋式共赢发展。

图2 2011～2017年EBDS子系统有序度和协同度(a=b=0.5)

(3)EBDS协同演化模型数值拟合

在量化电子商务子系统、大数据子系统近7年有序度的基础上，运用MATLAB拟合微分方程组(3)的系数，从而深入分析EBDS的系统动力学特征。

(8)

将(8)式代入电子商务子系统中，得

y1(t+1)=(1+α1+β1)y1(t)+γ1y1(t)y2(t)

(9)

同理，可求出大数据子系统的差值形式如下：

(10)

分别将y1(t)和y2(t)七年的数值，代入(9)式和(10)式中，拟合求得α1+β1=0.4033、α2+β2=-0.3830、γ1=-0.2490、γ2=1.1326，即

对于电子商务子系统和大数据子系统，拟合的最大残差分别为3.2×10-4与0.0307，说明对EBDS协同演化模型数值拟合的误差在可接受范围内，拟合模型具有较高的可信度。α1+β1大于0和γ1小于0，说明经过二十年的发展，我国电子商务子系统自身有着强大的生命力，能够自主向着有序方向演进，但是其与大数据的协同对自身的有序发展并没有起到积极作用，相反电子商务作为一个较为成熟的互联网产业，需要分出一定的环境资源孵化大数据产业。对于大数据子系统，α2+β2小于0与γ2大于0表明如果外界环境没有对大数据系统持续供能，大数据产业由于没有经济基础和市场竞争力会逐渐走向衰亡，其与电子商务产业协同能显著提升产业有序度，促进大数据产业向着健康、可持续方向进化。

由于α1+β1、α2+β2符合绝热应用条件③，且有α1+β1>>α2+β2，这说明当EBDS演化到临界状态时，大数据系统的阻尼远大于电子商务系统的阻尼，即y1(t)是慢变量，y2(t)是快变量，则可近似由表示如下

(11)

将(11)式代入(3)式中的电子商务系统中，可得

其中V(y1)是y1的势函数，其表达式为

对V(y1)进行仿真见图3，可以看出V(y1)有三个势点分别为：

v1=(0,0)

=(-0.7387,-0.0550)

=(0.7387,-0.0550)

从图中可以看出，v1是不稳定点。在外界环境作用下，EBDS随机涨落，并最终稳定v2在v3或处，而这一过程取决于电子商务子系统和大数据子系统的合力。

图3 V(y1)仿真图

4 结论与建议

电子商务和大数据作为我国互联网领域的新兴产业，有着各自的产业优势和特点，二者的协同发展是实现企业价值链升级、数字驱动的重要动力，也是我国新经济体系建设的必然要求，如2017年，大型电子商务企业试水以大数据技术为基础的“无人零售”电商新模式。

本文从电子商务-大数据协同发展关系出发，基于哈肯的协同学理论，定义了二者有序度及协同度的量化方式，然后从系统的角度构建了EBDS协同演化模型，分析了绝热消去法使用的条件。接着，从电子商务子系统和大数据子系统分别选取了不同数量的序参量，并用熵权法求出对应权重。最后，基于量化数值对EBDS微分方程系数进行了拟合，在证明模型有效性的同时，说明了EBDS演化特点。针对当前电子商务和大数据二者产业协同不够深入、协同作用对电子商务产业的消极作用，及EBDS未来建设等问题，提出如下建议：

(1)深耕电子商务-大数据产业市场应用

大数据-电子商务产业要在竞争激烈的IT市场生存，就要具有自身特点的市场化应用。这是因为高价值、高质量的应用才能够为市场和消费者认可，EBDS也因此持续获得外部环境“供能”，从而增强电子商务-大数据产业的生命力。所以融合电子商务产业丰富的线上业务和大数据产业先进的信息技术，深耕诸如精准营销、个性化服务、智能决策等交叉应用，也是当前我国电子商务-大数据产业发展的必经之路，例如BAT等行业巨头纷纷推出中小企业大数据解决方案。

(2)探索电子商务-大数据协同产业链

电子商务产业在运营过程中沉淀了体量庞大、结构复杂的动态数据和静态数据，运用专业的数据分析与挖掘技术能最大程度地释放数据蕴含的价值，这正是大数据产业提供的服务。电子商务-大数据产业需要增进互信、加深合作，积极探索协同发展业务模式，围绕数据产品的流动形成合理的产业上、下游，在此基础上产业链各主体可以充分参与电子商务-大数据行业规范、准入规则等条款制定，进而增强电子商务-大数据产业核心竞争力，例如大数据企业租用电子商务企业的用户标签，提供用户粘性分析服务。

(3)提升电子商务-大数据风险防范水平

电子商务产业与大数据产业合作的根本是数据，而隐私数据泄露、数据系统崩溃、黑客攻击等数据风险问题在我国时有发生，这也是阻碍二者深度融合的主要障碍之一。对此，EBDS应采用稳定、可靠的信息技术手段提升风险防范水平，比如构建EBDS监测云，将业务数据分布式存储在不同的数据池，增强容灾备份能力，并记录每一条数据动向和状态。对于敏感数据和隐私数据，做好数据加密和权限管理工作；对于跨行业数据流动，应尽量搭建协同业务系统，保证数据调用的安全性。

(4)规范电子商务-大数据产业内外环境

在产业内部，电子商务-大数据产业从业人员的技术水平和能力参差不齐，各参与主体孤岛化严重；在产业外部，电子商务-大数据支撑技术稳定性欠缺、市场应用过于狭窄。这就需要产、学、研等多方积极协作，为电子商务-大数据产业有序发展营造良好的人才供给、技术支持、产业投资和应用落地环境。政府和有关团体可以拟定电子商务-大数据行业相关标准与规范，比如技术人员从业标准、数据交易规范、数据安全标准等；高校和研究所在注重电子商务和大数据理论创新的同时，应研发性能更好的技术；大数据、电子商务等企业全力推进应用的市场化，不断提升产品质量和服务水平，从而拓展业务类别和规模。

(5)构建电子商务-大数据共生生态圈

电子商务产业与大数据产业的协同发展，不是简单业务线性叠加和数据资产的交易，而是包括金融、物流、技术服务等在内，各方系统的互利共生、优势互补，构建和谐的产业生态圈，实现“1+1>2”的协同效果。在这个生态圈中，各子系统既是服务的提供者，也是服务的享有者，彼此互相渗透。在保证电子商务-大数据共生生态圈有序演进的前提下，各企业主体应结合自身特点和市场定位，把握市场机遇，定制个性化的经营模式和战略。子系统的共性能够加快生态圈内部信息的流通和运转效率，而它们的个性又是促进生态圈繁荣、增强生态圈创新水平的基本动力。