How Big Data Analysis Capability Affects Supply Chain Performance ZHU Xin-qiu
——基于供应链弹性视域的分析
摘 要：近年来，随着新兴技术的不断涌现，大数据、人工智能等技术对供应链管理产生了较大的影响。其中，大数据分析能力作为供应链企业应具备的重要能力之一，对供应链弹性管理产生的影响尤其显著。在不同规模的企业，大数据分析能力如何发挥作用、对供应链绩效产生怎样的影响、其重要性如何都是值得探究的问题，从风险管理角度，基于供应链弹性理论，可分析供应链风险管理文化、供应链协作等供应链弹性要素与大数据分析能力及供应链绩效的关系，在问卷调查的基础上量化研究不同规模企业大数据分析能力对供应链绩效水平的影响。结果表明，大数据分析能力与供应链风险管理文化呈现正相关关系，相较于中型企业而言，小型企业在该方面表现更为突出；供应链协作与供应链绩效呈现正相关关系，且供应链协作在小型企业中发挥更大的优势；供应链协作在大数据分析能力正向影响供应链绩效中发挥部分中介作用。大数据分析能力是提升供应链企业绩效水平和竞争实力的有效途径，中小型企业应从供应链战略的高度增强大数据分析能力，提高企业协同能力，构建供应链协同机制，提高应对供应链风险的水平。关键词：供应链弹性管理；大数据分析能力；供应链绩效；供应链风险管理文化；供应链协作
中图分类号：F274 文献标识码：A文章编号：1007-8266（2021）06-0084-10一、引言
改革开放以来，我国物流业经历了学习、引进、借鉴、自主创新等阶段，推动我国从物流弱国向物流大国、物流强国转变，并正向世界供应链创新中心发展，这是我国经济和社会转型升级的另一大“风口” [1]。在此过程中，伴随着大数据、人工智能等新兴技术的发展，供应链日常运营管理面临着巨大挑战，必须对市场环境的快速变化做出及时响应 [2]。
大数据技术是一种有效的信息管理技术，在
企业运营管理中发挥着巨大的作用业环境中，各种供应链风险会造成供应链扰动甚[3]。在复杂商至中断，为应对各种风险，企业会运用大数据分析预测的功能，促使大数据技术在业务分析时起到辅助决策的作用，提升供应链绩效水平，实现更好的竞争效果 [4]。然而，对于不同规模的企业，大数据分析技术如何起作用，对供应链绩效产生怎样的影响，其重要性如何等，这些问题并未得到深入的探讨。此外，从风险管理角度看，供应链弹性管理涉及供应链管理的不同侧面，需要研究不同要素如何嵌入大数据技术中发挥作用。为此，本文
探究供应链风险管理文化和供应链协作等供应链弹性要素与大数据分析能力（Big Data Analysis Ca⁃ pabilities，BDAC）及供应链绩效的关系，并利用问卷调查的方式，量化研究不同规模企业大数据分析能力对绩效水平的影响，以期从供应链弹性的视角探寻供应链持续运营的路径和方向。
二、理论背景与研究假设
（一）概念界定本文基于供应链弹性的视角，探究大数据分析能力与供应链绩效的关系，通过对供应链弹性、大数据分析和供应链绩效研究成果的整理和回顾，厘清三个核心要素的内涵。
供应链弹性最早源于对弹性的讨论，主要指事物快速恢复的能力（适应力）和还原能力（弹力），材料学、生态学、工程学、网络科学、组织管理学 [ 5-10 ]等多学科均对弹性进行了研究。也有学者从供应链管理的角度剖析弹性的内涵，但尚未形
Rice）成一致的定义。在早期研究阶段，莱斯（
等 [ 11 ]提出加强供应链网络的安全设计，以满足应对供应链网络中断风险的弹性要求，使供应链快速恢复到原有的运营状态。谢菲（Sheffi）
[ 12 ]认为，供应链弹性与企业管理风险的能力密切相关，体现着企业通过相应的弹性管理方式恢复到正常绩效水平的能力。最新研究认为，供应链弹性是供应链具备的一种适应能力，这种能力通过对供应链结构和功能的控制来降低突发风险，抑制风险扩散，并通过快速有效的反应性计划来应对干扰，使供应链恢复到稳健的运行状态，从而保持或提高客户服务质量、市场份额和财务业绩[ 13 ]。本文认为，供应链弹性是在供应网络遇到内外部环境变化时，供应链企业采取各种业务活动的模块化组合或改变特定时间点的供应链网络结构，使供应链快速有效恢复到原有或理想状态的能力。
通过分解供应链弹性的内涵，结合已有研究成果与供应链管理实践，可以确定影响供应链弹性变化的因素，进一步理解供应链弹性的整体性。具体而言，影响供应链弹性的因素包括人力资源管理、灵活性、组织协调、可视化、适应能力、冗余、供应链网络设计、应急计划、知识管理和社会资本 [ 14-17 ]等。本文将供应链弹性的影响因素、
数据可视化能力、供应链风险管理、供应链协作等
1
整合在图 所示的研究框架中。
数据可视化是指基于大数据分析技术，融合现代商务理念，应用到供应链业务实践过程中的一种能力。大数据技术作为管理和分析数据相关维度（数据种类、数量、速度、准确性和价值）的整体处理方式，可以提供持续价值，衡量绩效和构建竞争优势，在支持组织管理目标和供应链实践活动中具有十分明显的作用[ 18 ]。而系统质量（即系统可靠性、可访问性、适应性、集成性、响应时间和隐私性）和信息质量（即完整性、准确性、格式和通用性）是在大数据环境中提高业务价值和企业绩效的关键 [ 19 ]。在当前经济发展阶段，大数据在流量、流速、种类等方面具有不同特征，企业难以使用传统商业分析方法管理和利用大数据。而大数据本身具备的过程性又使数据挖掘、数据可视化的商业价值凸显，便于商务决策[ 20 ]。大数据分析能力指组织基于信息和技术手段，用数据驱动业务活动，并将数据本身的信息可视化，使决策更直观透明的一种能力 [21]。供应链领域中的大数据分析主要侧重供需的不确定性预测，找出业务活动的规律，支持有关商务活动[22]。
理（Supply Chain Risk Manage⁃供应链风险管ment，SCRM）是风险管理在供应链中的具体体现，是近二十年来供应链管理的重要内容。供应链风险管理的主要任务是识别潜在风险来源、探究风险缓解方式[ 23 ] ，提高供应链绩效水平，将制造商、分销商、零售商、物流商、客户等不同主体整合在一起，形成目标一致的利益相关者，最大程度减少供应链脆弱性对供应链整体目标的影响[22]。而供应链风险管理文化（Supply Chain Risk Management Culture，SCRMC）是实现供应链弹性管理的重要前提，可以有效识别和缓解风险对供应链的影响，提
高供应链抗风险的能力，增强其环境适应性[ 23 ]。然而，供应链风险管理并非个体组织的事情，必须从供应链角度考察供应链风险的影响，构建风险管理团队和领导机制，将风险决策纳入供应链业务活动中，提高供应链弹性管理的整体水平。
协作是指在目标实施过程中，部门与部门之间、个人与个人之间的协调与配合[ 24 ]。将协作扩展到企业与企业之间时，即形成了供应链协作（Sup⁃ ply Chain Cooperation，SCC），在供应链受到扰动甚或中断时，节点企业尤其是核心企业，为了供应链的持续运营，企业间开展业务合作，最大限度挖掘信息价值，削减业务成本，提升供应链效率[25]。
现有研究大多仅考察大数据分析的技术条件对竞争优势的影响，鲜有从供应链弹性的视角考察大数据分析能力和相关变量之间的关系。本文基于供应链弹性的概念剖析，将大数据分析能力、供应链风险管理文化、供应链协作和供应链绩效纳入同一分析框架，提出相应的研究假设，探究不
2）。同要素之间的关系（参见图（二）大数据分析能力与供应链风险管理文化尤特纳（Jüttner）等
[ 26 ]指出，供应链可视化是一种理想的组织能力，可以降低供应链中断产生的风险。文卡泰什（Venkatesh）等
[ 27 ]通过对制造商供应链的实证研究发现，预测和解决供应链中社会问题所带来的风险对企业可持续经营至关重要。通过大数据分析，可以有效识别、预测、缓解多重社会问题所带来的供应链风险。而且，使用大数据分析技术可以帮助供应链企业的管理者构建完善的供应链风险管理理念，形成企业文化，在风险发生时较好地应对供应链风险变化带来的影响。因此，提出如下假设：
H1：大数据分析能力正向影响供应链风险管理文化。
（三）供应链风险管理文化与供应链绩效供应链风险管理的前提是对潜在风险源的识别。基戈齐（Kigozi）
[ 28 ]通过对农业和工业供应链风险认知的探索，验证并指出供应链风险管理与供应链绩效之间存在着明显的正相关关系，认为风险管理需要有效识别、评估和减轻潜在风险源。由此可知，建立供应链风险管理文化、提高供应链风险的管理意识有助于提升供应链绩效水平。因此，提出如下假设：
H2：供应链风险管理文化正向影响供应链绩效水平。
（四）供应链协作与供应链绩效供应链协作是组织间相互依赖的战略性响应，有效的沟通协调机制可以提高组织间的沟通和协调效率，提升供应链的绩效水平[ 29 ]。程（Cheng）等
[ 30 ]通过对第三方物流服务平台的实证研究发现，供应链成员之间高水平的业务协作行为和活动，可以强化供应链合作，在第三方物流服务中取得较高的供应链绩效水平。田（Tian）
[ 31 ]从知识管理角度深入分析了供应链合作关系与绩效之间的内在机制，指出供应链合作关系对绩效有明显的正向影响。因此，提出如下假设： H3：供应链协作正向影响供应链绩效水平。（五）大数据分析能力与供应链协作随着商业环境的日益变化，供应链的复杂度日益提升。供应链中的数据运转速度越来越快，数据种类迅速增多，大数据分析技术在供应链中的应用逐步解决了数据分析的难题。高质量的数据是大数据分析技术的前提，也是供应链管理的核心问题之一。然而，供应链中大数据分析技术考虑的关键问题是如何提高供应链组织内部之间和内部与外部之间关系的密切程度。古纳塞卡兰（Gunasekaran）等
[ 32 ]将物联网与供应链管理相结合，使供应链上下游企业实现无缝对接和信息的共享，提升了供应链抵御风险的能力，强化了供应链协同能力。沈（Shen）等
[ 33 ]认为，共享信息有助于供应链各方更好地实现供需匹配，有助于企业收集更准确的预测信息，并将其转化为业务模式，促进商业模式的转变。由此可见，强化供应链大数据分析能力对供应链协作有着十分重要的作用。因此，提出如下假设：
H4：大数据分析能力正向影响供应链协作水平。
（六）大数据分析能力与供应链绩效
随着“互联网+”的快速发展，线上线下的商业
数据呈现几何级数增长，企业业务活动分析的难
度也迅速提高。大数据分析技术可以有效提升业务活动的针对性，凸显供应链对市场趋势、客户购买模式和产品维护周期等方面的决策优势，降低供应链协调成本，提升供应链决策的效益。沈等 [33]认为，共享信息有助于提高供应链绩效，抓住商业机会。王（Wang）等 [ 34 ]认为，大数据技术与预测分析方法已广泛应用在供应链运营活动中，有利于提高商业组织的整体供应链绩效水平。因
此，提出如下假设： H5：大数据分析能力提升供应链绩效水平。（七）供应链协作在大数据分析能力影响供应
链绩效中的中介效应
供应链协作管理旨在寻求供应链主体间的合作机制，以协同技术为支撑，以数据共享为基础，从系统角度促进供应链主体之间的协同发展，提升供应链整体竞争实力。通过供应链主体的协作，大数据分析技术提高了供应链绩效水平。因此，提出如下假设： H6：供应链协作在大数据分析能力影响供应
链绩效中起到中介作用。
三、研究方法
的测量方式，结合相应的理论设计调研问卷；使用李克特不同意到非常同意逐步提升满意程度。果。大数据分析能力主要参照阿克特（ （一）变量测量基于已有研究文献，本研究采用结构化问卷有关变量表的设计，主要参照已有研究的成7点量表的测度方式，设定1至7分，从非常
Akter）
[35]和斯里尼瓦桑（Srinivasan）等 [36]的研究成果，等供应链绩效和供应链风险管理文化主要参照乔杜里（Chowdhury）等
[37]的研究成果，供应链协作主要参照曼达尔（Mandal）等 [38]的研究成果。具体题项
如表（二）样本与数据来源1所示。主要以国内中小型企业中基层管理者为调查对象，依据《关于印发中小企业划型标准规定的通知》确定调查对象所在企业的规模，通过委托调研的方式（委托第三方“问卷调研工作室”调研，涉及调研平台包括问卷星、问卷网等，调研时间为2020
年5月15日至2020年7月31日），获取有效问卷
150
份，主要涉及快消品、餐饮等不同行业的企业（具
2）。体信息参见表
四、数据分析与假设检验
（一）信效度分析首先对问卷的效度进
SPSS行检验。应用 软件对问卷的KMO值和Bartlett 值进行检验，其中KMO数值
0.890，大 0.7为 于 ，因子显
0.001，说明著性水平小于适合做因子分析。因子分析结果显示，因子载荷均大
0.7，且累计解释度大于
于
80%，说明各变量因子分析有效。收敛效度的开方值均大于各变量相关性系数，说明问卷有较好的区别效度。其次，对问卷的信度进行检验。一般认为Cron⁃
0.7， bach’ sα 值应大于0.7~0.8
说明具有相当信0.8度， 以上说明信度较好。计算结果显示，各变量Cronbach’ sα值均大于0.9，说明量表符合信度的检验要求（参见表3）。（二）拟合优度检验在模型拟合过程中，对拟合优度的数值进行
4 =1 .557 2整体统计如表 所示。其中，χ 2 /df < ，显示模型的拟合度较好；RMSEA=0.043＜0.05，说明模型拟合效果比较理想；CFI和NNFI均超出建议
0.9，其他指标与建议值差异较小。综合模型的值总体检验结果，模型拟合满足研究的基本要求。（三）概念模型的检验与修正1.假设路径检验
AMOS本文使用结构方程分析中的 软件对模
3，其型进行数值验证。初始路径拟合结果参见图
H2 T
中假设 路径系数 检验结果未满足在显著性水
0.05
平小于 条件下的检验值，表明供应链风险管理文化与供应链绩效没有直接关系。
2.
概念模型修正分析对模型初步分析可知，初始模型不成立，需对已有模型
4
进行修正，得到图 所示的修正路径。从适配指标角度看，与初步模型相比，拟合参数有一定程度的提升，详细结果参
5。对修正模型进行T检
见表
5），可以发现
验分析（参见图
修正后模型假设均成立。
（四）基于中小型企业的
路径对比分析
依据问卷中的中型企业和小型企业，对本文构建的结构方程模型进行分组模型分
6
析，结果如表 所示。将小型
1，将中企业设定为分组模型
2。可以发现，供应链协作型企业设定为分组模型
2
在分组模型 中路径不成立，但在整体模型和分组
1
模型 中显著成立，说明中型和小型企业对供应链协作的认知态度不同；其次，大数据分析能力在两
6种类型企业的认知水平存在差异，即从表 可以看出，虽然三种模型中的大数据分析能力正向影响供应链绩效均成立，但显著性水平不同，分组模型1 2
未呈现出分组模型 的显著性水平，反映两者对待大数据分析能力的态度不同。
4
图 修正模型路径（五）供应链协作的中介作用分析参照温忠麟等[ 39 ]对中介效应的检验方式，这里分析不同层次供应链协作的中介效应，主要结
7。
果参见表
首先，检验自变量BDAC与因变量SCP的回归系数是否显著。依据分析结果，整体模型中大数
0.521，且据分析能力与供应链绩效的回归系数为
0.05
在 水平下显著，说明大数据分析能力对供应链绩效有显著影响。
其次，分别检验自变量BDAC 与中介变量SCC、中介变量SCC与因变量SCP的回归系数。结果显示，大数据分析能力与供应链协作的回归系数
0.048，且在0.05
为 水平下显著；供应链协作与供应
0.227，且在0.05链绩效的回归系数为 水平下显著。
再次，检验自变量BDAC和中介变量SCC对因变量SCP做分层回归后检验回归系数是否显著。
0.412，在0.05结果显示，回归系数为 水平下显著。最后，检验中介效应。结果显示，加入中介效
0.05应检验后的回归系数在显著性水平为 时显著，因此判断供应链协作在大数据分析能力与供应链绩效间起到部分中介作用。
同理，可以判断小型企业的供应链协作在大数据分析能力影响供应链绩效中起部分中介作用；中型企业的供应链协作在大数据分析能力影响供应链绩效中无中介作用。
五、结果讨论
（一）大数据分析能力与供应链风险管理文化
5可以看出，H1的研究假设成立。H1从图 研究路径说明，大数据分析能力在供应链企业风险管理中提供相应的技术支持有助于企业风险管理文化的形成。大数据分析技术是数据可视化的有效工具，其主要作用在于对未来潜在风险的预测。当企业累计的风险数据增多时，数据所具备的沉淀效应就可以发挥巨大的作用。随着商业环境的日益复杂，供应链运营越来越呈现出突发性、动态性、整体性等特点。利用大数据分析技术，构
建相应的非线性风险预测模型，对企业所处的风险环境做出预测，及时调整企业的运营方式，可以有效强化企业的正常运行，构建风险管理文化，增强整体意识。从分组讨论的结果可以看到，大数据分析技术对中小企业供应链风险管理文化的建设均起到了积极的作用，其中小企业的路径系数更为明显。因为小企业风险管理的能力较中型企业弱，在人、财、物等的调配上处于劣势，它们更重视该技术在风险管理中的使用，以便增强企业的抗风险能力。
（二）供应链协作与供应链绩效
5可以看出，H3
从图 研究假设成立。此路径成立说明供应链协作有助于提高供应链企业的整体协作能力，提升供应链整体的绩效水平。提高供应链弹性可使企业在遇到风险时快速恢复到原有的绩效状态，充分利用合作伙伴的资源，减轻自身的损失。当供应链协作达到理想状态时，各供应链节点企业均从供应链整体利益出发，提高供应链的协同效应，从整体上减少因外部环境带来的不必要的损失。从分组讨论的结果可以发现，中型企业供应链协同对供应链绩效直接关系并不成立，整体模型和小型企业在该方面成立，主要原因在于体量较大的中型企业自身具有良好的内部协同性、较高的业务处理能力和业务绩效水平，可以应对各种业务活动带来的不确定性，往往处于核心企业的位置。但小企业自身体量较弱，一般会联合多家企业形成局部的供应链联盟伙伴，协同绩效水平较高，可信程度较为理想，并与伙伴企业共同发展。
（三）大数据分析能力与供应链协作
5可以看出，H4
从图 研究假设成立，表明大数据分析能力有益于提高决策的科学性和透明度，提升供应链协作的整体效率。供应链协作作为供应链弹性管理的有效方式之一，可以提高风险预测的及时性，使供应链内部及时做出调整，降低信息不对称程度。而供应链企业间的协作机制可以降低企业间信息不对称的程度，增强企业间的信任感，提升企业的协作水平。（四）大数据分析能力与供应链绩效
5可以看出，H5
从图 研究假设成立。大数据分析技术的应用提高了企业科学决策和数字化能力，使企业在风险发生前就能够做出相应调整，提升整体供应链的运作效率。如库存管理、物流路径规划等业务活动中使用大数据分析技术可以减少因人为失误带来的损失。从分组模型中可以发现，虽然大数据分析能力对两种类型企业均会提升供应链绩效水平，但中型企业表现得更显著，这是因为提高大数据分析能力不仅需要基础设备的投入，还需要高素质的人力资源，这会增加企业的人力成本。中型企业规模较大，可支配的资本量要高于小型企业，更有条件提高人力资源的素质。因此，虽然两者所表现出的结论基本一致，但在实务活动中仍会存在一定的差异。
（五）大数据分析能力影响供应链绩效——供应链协作的中介效应
7可以看出，H6
从表 研究假设成立，即在总体模型中呈现部分中介作用，但对不同规模的企业而言，却存在不同的结论：在小型企业时，呈现出部分中介作用；在中型企业时，呈现出无中介作用。对于供应链协作起到的作用，中小型企业的认知并不完全一致，主要表现在小型企业的供应链协作程度高于中型企业。在供应链协作中，大数据分析可以起到识别、预测、优化供应链业务运作的作用，提高供应链协作的集成度，使供应链企业具有较高的集成效应，提升数据带来的科学化决策水平，进而改善供应链的整体绩效。小型企业往往表现出一定程度的地域性特征，资金、技术、人力等规模较小，需要强化合作能力，获取较高的绩效水平。中型企业往往拥有较好的技术和较多资金的支持，可以取得较高的绩效水平，更容易占据供应链核心地位，因此表现出弱于小型企
业的供应链协作水平。
六、研究结论、建议与展望
（一）研究结论与建议本文立足于已有的研究成果，从供应链弹性的角度研究了大数据分析能力对供应链绩效的影响，并以供应链协作为中介变量说明了大数据分析能力与供应链绩效的关系。从中小型企业的角度对影响因素进行对比分析，说明两种企业大数据分析能力对供应链绩效的影响。主要结论如下：
第一，大数据分析能力与供应链风险管理文化呈现正相关关系，相较于中型企业而言，小型企业在该方面表现更为突出，其原因是大数据分析能力在风险管理和预测方面可以发挥积极作用，强化数据本身所具有的商业价值。大数据分析能力与供应链协作呈现正相关关系，表明大数据分析能力确实在供应链企业协作过程中起到了辅助决策的作用，对企业运营有重要影响。但从小型企业角度看，大数据分析能力的构建往往需要投入巨额成本，会对其发展产生一定程度的影响。
第二，供应链协作与供应链绩效呈现正相关关系。从中小企业的角度看，供应链协作对小型企业供应链绩效的影响更为显著。
第三，供应链协作在大数据分析能力与供应链绩效的关系中发挥中介作用。供应链协作在提高大数据分析能力和供应链绩效的关系中处于较为关键的位置，尤以小型企业表现更为突出。这也说明供应链协作是提升供应链管理效率的重要方式之一。
中小企业在大数据分析能力的构建中应积极发挥数据带来的价值，加强大数据公共信息平台建设，在公共政策和资金方面加大对小型企业的支持力度；中型企业应增强供应链协作意识，注重供应链关系管理，积极加强自身与供应链其他企业的协作关系，加强对商业伙伴的关系管理；强化大数据分析意识，提高供应链风险管理能力，加强企业人才队伍建设，为供应链的风险管理提供系统支持。中小型企业应从供应链战略的角度提高企业协同能力，构建供应链协同机制，树立整体意识和大局意识，避免因企业文化特征差异性引发的企业冲突，塑造协同文化。
（二）展望在研究过程中，本文尚存在一些不足。从整体看，供应链弹性管理涉及供应链企业的各个方面，本文仅讨论大数据分析能力、供应链风险管理文化、供应链协作等变量有些片面，后续研究会进一步分解供应链弹性管理的其他要素，分析各要素之间的关系，研究不同要素对供应链运营的影响；在研究大数据分析能力和供应链绩效间的关系时，本文未对中间过程进行充分分解，缺乏深入的讨论。未来的研究将进一步讨论大数据分析能力对供应链绩效的影响机理，以及供应链弹性管理中不同要素在供应链运营中扮演的角色。参考文献：
[1]丁俊发. 40年中国物流业发展与展望[J].
改革开放 中国流通经济，2018（4）：3-17.
[2]LEE H L.The triple-a supply chain[J].Harvard business re⁃
view，2004（10）：102-113.
[3]CHOI T，WALLACE S W，WANG Y.Big data analytics in operations management[J].Production and operations man⁃ agement，2018（10）：1 868-1 883.
[4]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.
[5]关增建.略谈中国历史上的弓炸弹力测试[J].
自然辩证法通讯，1994（6）：50-54.
[6]TREDGOLD T XLVI.On the resilience of materials；with ex⁃
periments[J].The philosophical magazine，2009，51：276-279. [7]HOLLING C S.Resilience and stability of ecological systems
[J].Annual review of ecology & systematics，1973（4）：1-23. [8]GUNDERSON L H.Resilience and the behavior of largescale systems[M].Washington：Island Press，2002：3-20. [9]NAJJAR W，GAUDIOT J L.Network resilience：a measure of network fault tolerance[J].Computers IEEE transactions on，1990（2）：174-181.
[10]MALLAK L.Putting organizational resilience to work[J].In⁃
dustrial management，1998（6）：8-13.
[11]RICE J，CANIATO F.Building a secure and resilient sup⁃ ply network[J].Supply chain management review，2003（5）： 22-30.
[12]SHEFFI Y.Building a resilient supply chain[J].Harvard
business review，2005（8）：1-4.
[13]VAN WAGENBERG C P A，ARAMYAN L H，DE LAU⁃ WERE C C，et al.A Bayesian network as a tool to measure supply chain resilience[EB/OL].（2018- 07- 28）[2018- 1201].https：//library.wur.nl/WebQuery/wurpubs/535815.
[14]KERN D，MOSER R，HARTMANN E，et al.Supply risk management：model development and empirical analysis[J]. International journal of physical distribution & logistics management，2013（1）：60-82.
[15]PETTIT T J，CROXTON K L，FIKSEL J.Ensuring supply chain resilience：development and implementation of an as⁃ sessment tool[J].Journal of business logistics，2013（1）：46-76. [16]HOHENSTEIN N O，FEISEL E，HARTMANN E，et al. Research on the phenomenon of supply chain resilience[J]. International journal of physical distribution & logistics management，2015（1/2）：90-117.
[17]ALI A， MAHFOUZ A， ARISHA A.Analyzing supply chain resilience：integrating the constructs in a concept mapping framework via a systematic literature review[J]. Supply chain management- an international journal，2017 （1）：16-39.
[18]WAMBA S F，AKTER S，EDWARDS A，et al.How‘big data’can make big impact：findings from a systematic re⁃ view and a longitudinal case study[J].International journal of production economics，2015，165：234-246.
[19]JI- FAN REN S，FOSSO WAMBA S，AKTER S，et al. Modelling quality dynamics，business value and firm per⁃ formance in a big data analytics environment[J].Internation⁃ al journal of production research，2017（17）：5 011-5 026. [20]GROSSMAN R，SIEGEL K.Organizational models for big
data and analytics[J].2014（1）：20-25.
[21]SRINIVASAN R，SWINK M.An investigation of visibility and flexibility as complements to supply chain analytics： an organizational information processing theory perspective [J].Production and operations management，2018（10）： 1 849-1 867.
[22]WANG G，GUNASEKARAN A， NGAIEWT ，et al. Big da⁃ ta analytics in logistics and supply chain management：cer⁃ tain investigations for research and applications[J].Interna⁃ tional journal of production economics，2016，176：98-110. [23]AQLAN F，LAM S S.Supply chain risk modelling and miti⁃ gation[J].International journal of production research，2015 （18）：5 640-5 656.
[24]SUNJKA B P，SKLAR- CHIK M.Supply chain risk and small and medium manufacturing enterprises in South Afri⁃ ca[C].Cape Town：CIE42 Proceedings，2012.
[25]LANDEROS R，MONCZKA R M.Cooperative buyer/seller relationships and a firm's competitive posture[J].Journal of purchasing and materials management，1989（3）：9-18. [26]JÜTTNER U，MAKLAN S.Supply chain resilience in the
global financial crisis：an empirical study[J].Supply chain
management：an international journal，2011（4）：246-259. [27]MANI V ENKATESH，DELGADO C，HAZEN B T，et al. Mitigating supply chain risk via sustainability using big da⁃ ta analytics：evidence from the manufacturing supply chain [J].Sustainability，2017（4）：608.
[28]KIGOZI P.Supply chain risk perception，uncertainty，sup⁃ ply chain risk management and upstream supply chain per⁃ formance of agro processing industries in Uganda[D].Kam⁃ pala ：Makerere University，2014.
[29]XU L，BEAMON B M.Supply chain coordination and coop⁃ eration mechanisms：an attribute- based approach[J].Jour⁃ nal of supply chain management，2006（1）：4-12. [30]CHENG J H，TANG C H.Interorganizational cooperation and supply chain performance in the context of third party logistics services[J].Asia Pacific management review，2014 （4）：375-390.
[31]TIAN A.The impact of supply chain cooperative relation⁃ ship on performance：a knowledge management perspective [J].Journal of service science and management，2018（1）：44. [32]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.
[33]SHEN B，CHAN H L.Forecast information sharing for
managing supply chains in the big data era：recent develop⁃ ment and future research[J].Asia-Pacific journal of opera⁃ tional research，2017（1）：1740001-1—1740001-26. [34]WANG G，GUNASEKARAN A， NGAIEWT ，et al.Big da⁃ ta analytics in logistics and supply chain management：cer⁃ tain investigations for research and applications[J].Interna⁃ tional journal of production economics，2016，176：98-110. [35]AKTER S，WAMBA S F，GUNASEKARAN A，et al. How to improve firm performance using big data analytics capability and business strategy alignment?[J].International journal of production economics，2016，182：113-131. [36]SRINIVASAN R，SWINK M.An investigation of visibility and flexibility as complements to supply chain analytics： an organizational information processing theory perspective [J].Production and operations management，2018（10）： 1 849-1 867.
[37]CHOWDHURY M M H，QUADDUS M.Supply chain read⁃ iness，response and recovery for resilience[J].Supply chain management，2016（6）：709-731.
[38]MANDAL S，SARATHY R.The effect of supply chain rela⁃ tionships on resilience：empirical evidence from India[J]. Global business review，2018（3_suppl）：S196-S217. [39]温忠麟，侯杰泰，张雷.
调节效应与中介效应的比较和应用[J].心理学报，2005（2）：268-274.
责任编辑：方程