淺議第三方物流企業論文
淺議第三方物流企業論文
進入21世紀，隨著經濟全球一體化的到來，物流的發展方興未艾。物流作為一種新興產業受到了世界各國前所未有的關注，物流業也被我國列為國民經濟的基礎產業。下面是學習啦小編為大家整理的第三方物流企業論文，供大家參考。
第三方物流企業論文范文一：淺析第三方物流企業并購分析
論文關鍵詞：第三方物流 并購 方式 整合
論文摘要：在分析第三方物流企業并購必要性的基礎上，探討了第三方物流企業并購的具體方式，提出第三方物流企業并購應注意的問題。最后指出并購雖然是推動產業成長的一種有效方式，但并購本身只是社會資源的一種重新布局和優化組合，第三方物流企業經營的好壞并不是通過并購就能完全解決的。
1第三方物流企業并購的必要性分析
企業并購是“兼并”、“合并”以及“收購”等概念的統稱，區別于企業重組及戰略聯盟等概念。物流企業并購是指在市場經濟體制條件下，兩個或更多的物流企業根據特定的法律制度所規定的程序，通過簽訂市場合約的形式合并為一個新物流企業的行為。我國的物流資源過于分散、第三方物流企業規模小、專業化程度低、服務功能單一和第三方物流市場潛力巨大同時并存的現象，對第三方物流企業并購提出了直接的要求。主要可以從以下幾個方面來分析：
1.1物流服務綜合化、專業化的需要。面對日益激烈的市場競爭和迅速變化的市場需求，為客戶提供全程物流業務服務，即所謂“一站式”一體化的綜合物流服務，成了現代第三方物流企業生存與發展的關鍵。但是我國大多數第三方物流企業只能提供基礎物流服務，很難實現全過程服務，處于低水平的粗放經營狀態。這就需要對第三方物流企業進行并購整合，改原來的分散式、小規模經營為集約化控制，實現資源與資金、市場與客戶的整合效應，真正實現規模經營效益。
1.2整合物流資源并實現資源優化配置的需要。市場集中度低、大量小型第三方物流企業在低端物流服務市場的涌現已經成為制約中國物流產業發展的最大障礙。所以，對物流市場進行各種資源(包括人才資源)整合，提高物流產業市場集中度是促進中國物流業發展的必然要求，這可以通過物流企業間的并購方式來實現。對于高端物流企業來說，需要通過并購小企業來擴充其網絡，對企業的資產進行補充和調整，達到最佳經濟規模，降低企業的物流成本，實現規模經濟效益;而對于低端市場的小企業來說，被兼并重組，又何嘗不是另一種出路。
1_3構建并提升企業核心競爭力的需要。近年來全球企業的并購浪潮，不難發現，很多企業正是試圖通過并購來構建新的、更高層次的核心競爭力，以期實現企業的持久競爭優勢。一些比較有實力的第三方物流企業可以通過并購某些有特色的具有專長的或與其擁有互補優勢的物流企業來構建和提升企業的核心競爭力。此外。一些有特色的小型物流企業本身具有它們的核心競爭能力，但因為太小而無法充分運用此能力。采用并購模式后可以獲得更大的市場發展空間，以便能夠使用核心能力，獲得更大的競爭優勢。
1.4應對國際競爭的需要。隨著2005年底我國物流業的全面開放，外資物流企業憑借資本和技術優勢，大張旗鼓地布局中國物流市場，面對外界壓力，我國本土的物流企業最有效和最直接的做法就是改變自然增長的模式，采用并購的模式進行快速擴張，形成規模經濟。
2第三方物流企業并購的方式
結合第三方物流企業自身的實際情況，第三方物流企業并購整合的方式大致分為三種，即橫向并購、縱向并購和混合并購。
2.1第三方物流企業橫向并購
所謂橫向并購是指同屬于一個產業或行業，或產品處于同一市場的企業之間發生的并購行為。第三方物流企業橫向并購即生產同類產品或提供同類服務的第三方物流企業之間的并購。物流企業橫向并購容易生成規模經濟，產生技術和管理上的協同效應，即1+1>2的效應，實現規模效益遞增。所以，橫向并購適用于并購后能實現規模經濟的物流企業。 但是過度的橫向并購可能導致獨占，從而限制競爭。當物流企業通過橫向并購取得了足夠大的市場份額的時候，相關企業就可以憑借取得的市場優勢地位不顧其它中小物流企業而濫用市場勢力，提高市場價格，限制物流服務量。其它小企業就不得不跟隨大企業的行為來調整自己的經營戰略，從而達成一個非正式的卡特爾。
2.2第三方物流企業縱向并購
所謂縱向并購是指生產和銷售過程處于產業鏈的上下游、相互銜接、緊密聯系的企業之間的并購行為。第三方物流企業縱向并購即供應鏈中的物流企業把其承擔的功能轉移到供應鏈的上游或下游，前者稱為上游替代，后者稱為下游替代。采用縱向并購的方式，其目的是為了減少經營活動的交易費用。縱向并購適用于經營的產業比較多，包括有志建立和形成自己核心價值鏈的物流集團公司。
2_3第三方物流企業混合并購
所謂混合并購是指生產和經營彼此沒有關聯的產品或服務的企業之間的并購行為。混合并購的主要目的是分散經營風險，提高企業的市場適應能力。第三方物流企業混合并購即物流企業和其他產業、行業的企業之間的并購行為，混和并購適用于在其經營主業中實力很強，居產業龍頭地位的物流企業，在原來主業已經實現了規模經濟效益，同時有較好的管理能力和有剩余的資金、精力等資源的條件下，物流企業可以根據市場條件，通過混合并購，積極尋找新的行業增長點，實現多元化經營。
3第三方物流企業并購應注意的問題
并購對企業發展具有重大的意義，但是從實際情況來看，許多并購案都是失敗的。為保證第三方物流企業并購的成功，應該注意以下幾個問題：
3.1并購目標一定要明確
第三方物流企業在并購前必須清楚地了解自己通過并購所要達到的戰略目標，之后根據戰略目標甄別、選擇市場上的目標企業，只有這樣才能保證自己所并購企業能真正為自己所用，達到整合資源、擴張規模的基本目的。而且，并購目標明確后，也有助于各項并購工作的開展和決策方向性的制定。
3.2注意目標公司合法性。并購是市場經濟主體之間的產權交易，交易主體是否具有合法資質至關重要。交易主體是否依法成立并合法存續，是否具備從事特定行業的特定資質等等都會影響并購的進行，甚至可能會造成收購方重大損失，導致并購失敗。
3.3并購后對目標企業進行迅速有效的整合。目標公司被收購以后，很容易形成經營混亂的局面，尤其是在敵意收購的情況下，這時許多管理人員紛紛離去、客戶流失、生產混亂，因此需要對目標公司進行迅速有效的整合。通過向目標公司派駐高級管理人員穩定目標公司的日常經營，然后對各個方面進行的整合。其中企業文化整合尤其應該受到重視，因為許多研究發現：很多并購的失敗都是由于雙方企業文化不能很好的融合所造成的。
4結束語
從當前我國第三方物流業發展的內外特點看，并購是其必由之路。也是整個市場走向成熟的標志。并購雖然是推動產業成長的一種有效方式，但并購本身只是社會資源的一種重新布局、一種優化組合，企業經營的好壞并不是通過并購就能徹底解決的。并購后為了確保企業發展戰略目標的實現，還必須從產品、市場、財務、計劃、人事管理以及企業文化等方面對被并購企業進行一體化管理。
第三方物流企業論文范文二：談數據挖掘技術在第三方物流企業的應用
內容摘要：數據挖掘是商務智能技術的重要組成部分，是一個新的重要的研究領域。本文介紹了商務智能技術應用現狀和組成，闡述了數據挖掘技術在第三方物流企業的應用。
關鍵詞：商務智能 數據挖掘 第三方物流 研究
在當今競爭日益激烈的市場環境中，第三方物流企業都希望能夠從浩如煙海的商務數據以及其他相關的物流業務數據中發現帶來巨額利潤的商機。只有那些利用先進的信息技術成功地收集、分析、理解信息并依據信息進行決策的物流企業才能獲得競爭優勢，才是物流市場的贏家。因此，越來越多的物流管理者開始借助商務智能技術來發現物流運營過程中存在的問題，找到有利的物流解決方案。
商務智能技術應用現狀
我國加入了WTO，在許多領域，如金融、保險、物流等領域將逐步對外開放，這就意味著許多第三方物流企業將面臨來自國際大型跨國物流公司的巨大競爭壓力。國外發達國家各種企業采用商務智能的水平已經遠遠超過了我國。美國Palo Alto 管理集團公司1999年對歐洲、北美和日本375家大中型企業的商務智能技術的采用情況進行了調查。結果顯示，在金融領域，商務智能技術的應用水平已經達到或接近70%，在營銷領域也達到50%，并且在其他應用領域對該技術的采納水平都提高約50%。現在，許多第三方物流企業都把數據看成寶貴的財富，紛紛利用商務智能發現其中隱藏的信息，借此獲得巨額的回報。
據IDC對歐洲和北美62家采用了商務智能技術的企業的調查分析發現，這些企業的3年平均投資回報率為401%，其中25%的企業的投資回報率超過600%。調查結果還顯示，一個企業要想在復雜的環境中獲得成功，高層管理者必須能夠控制極其復雜的商業結構，若沒有詳實的事實和數據支持，是很難辦到的。因此，隨著數據挖掘技術的不斷改進和日益成熟，它必將被更多的第三方物流企業采用，使更多的物流管理者得到更多的商務智能。
商務智能技術的組成
具體地說，商務智能技術有數據倉庫(data warehousing)、聯機分析處理(on-line analytical processing，簡稱OLAP)、數據挖掘(data mining)，包括這三者在內的用于綜合、探察和分析商務數據的先進的信息技術的統稱就是商務智能技術。
數據倉庫是一個面向主題的、集成的、隨時間變化的主要用于決策支持的數據的集合。一般來說，大的物流公司或企業內存在著各種各樣的信息系統，這些應用驅動的操作型信息系統為企業不同的物流業務系統服務，具有不同接口和不同的數據表示方法，互相孤立。利用數據倉庫技術可以動態地將各個物流企業子系統中的數據抽取集成到一起，進行清洗、轉換等處理之后加載到數據倉庫中，通過周期性的刷新，為物流用戶提供一個統一的干凈的數據視圖，為數據分析提供一個高質量的數據源。
對于數據倉庫中的數據，可以使用一些增強的查詢和報表工具進行復雜的查詢和即時的報表制作，可以利用OLAP技術從多種角度對物流業務數據進行多方面的匯總、統計、計算，還可以利用數據挖掘技術自動發現其中隱含的有用的物流信息。
數據挖掘又稱知識發現(Knowledge Discovery in Database，簡稱KDD)，是從大量數據中抽取有意義的、隱含的、以前未知的并有潛在使用價值的知識的過程。數據挖掘是一個多學科交叉性學科，它涉及統計學、數據庫、模式識別、可視化以及高性能計算等多個學科。利用數據挖掘技術可以分析各種類型的數據，例如結構化數據、半結構化數據以及非結構化數據、靜態的歷史數據和動態數據流數據等。
數據挖掘技術在第三方物流企業的應用分析
數據挖掘是從大量的、不完全的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的數據中發現其潛在規律的技術，是當前計算機科學研究的熱點之一。隨著信息技術的高速發展，積累的有關物流行業的數據量劇增，如何從大量的物流數據中提取有用的知識成為第三方物流企業當務之急。數據挖掘就是為順應需要應運而生發展起來的數據處理技術。
數據挖掘的對象
關系數據庫(relational database)中通常存儲和管理的是結構化的數據，它將一個實體的各方面信息通過離散的屬性進行描述。而文本數據庫(text database)或文檔數據庫(document database)則通常存儲和管理的是半結構化的數據，例如新聞稿件、研究論文、電子郵件、書籍以及WEB頁面等都屬于半結構化數據。空間數據庫、多媒體數據庫中存放的是非結構化數據，例如地圖、圖片、音頻、視頻等都屬于非結構化數據。相對于半結構化和非結構化數據來說，針對結構化數據的數據挖掘技術比較成熟，市場上有很多的商品軟件可以使用，用的較多的包括IBM Intelligent Miner、SAS Enterprise Miner、SGI MineSet、Clementine SPSS以及Microsoft SQL Server 2000等。關于半結構化和非結構化的數據挖掘軟件尚不多，相應的算法相對還較少。從另一個角度來說，數據挖掘的分析對象分為兩種類型：靜態數據和數據流(data stream)數據。現在的多數數據挖掘算法是用于分析靜態數據的。
數據挖掘的分析
無論要分析的數據對象的類型如何，常用的數據挖掘分析包括關聯分析、序列分析、分類、預測、聚類分析以及時間序列分析等。
關聯分析 關聯分析是由Rakesh Apwal等人首先提出的。兩個或兩個以上變量的取值之間存在某種規律性，就稱為關聯。數據關聯是數據庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。一般用支持度和可信度兩個閥值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。關聯分析主要用于發現不同事件之間的關聯性，即一個事件發生的同時，另一個事件也經常發生。關聯分析的重點在于快速發現那些有實用價值的關聯發生的事件。其主要依據是事件發生的概率和條件概率應該符合一定的統計意義。 對于結構化的數據，以物流客戶的采購習慣數據為例，利用關聯分析，可以發現物流客戶的關聯采購需要。例如，對于第三方物流企業來說，一個托運貨物的貨主很可能同時有貨物的包裝、流通加工等物流業務的需求。利用這種知識可以采取積極的物流運營策略，擴展物流客戶采購物流服務的范圍，吸引更多的物流客戶。通過調整服務的內容便于物流顧客采購到各種物流服務，或者通過降低一種物流業務的價格來促進另一種物流業務的銷售等。
分類分析 分類分析是通過分析具有類別的樣本的特點，得到決定樣本屬于各種類別的規則或方法。利用這些規則和方法對未知類別的樣本分類時應該具有一定的準確度。分類分析可以根據顧客的消費水平和基本特征對物流顧客進行分類，找出對第三方物流企業有較大利益貢獻的重要的物流客戶的特征，通過對其進行個性化物流服務，提高他們的忠誠度。
聚類分析 聚類分析是根據物以類聚的原理，將本身沒有類別的樣本聚集成不同的組，并且對每一個這樣的組進行描述的過程。其主要依據是聚到同一個組中的樣本應該彼此相似，而屬于不同組的樣本應該足夠不相似。
以第三方物流企業的客戶關系管理為例，利用聚類分析，根據物流客戶的個人特征以及物流業務消費數據，可以將客戶群體進行細分。例如，可以得到這樣的一個物流業務消費群體：生產企業對物流業務中運輸需求占41%，對物流業務中倉儲業務的需求占23%;商業企業對物流業務中運輸需求占59%，對物流業務中倉儲業務需求占77%。針對不同的客戶群，可以實施不同的物流服務方式，從而提高客戶的滿意度。
數據挖掘流程
定義問題：第三方物流企業首先清晰地定義出各種物流業務問題，確定數據挖掘的目的。
數據準備：首先第三方物流企業在大型數據庫和數據倉庫目標中提取數據挖掘的目標數據集進行數據選擇;其次進行數據的預處理，包括檢查數據的完整性及數據的一致性、填補丟失的域，刪除無效數據等。
數據挖掘：第三方物流企業根據數據功能的類型和數據的特點選擇相應的算法，在凈化和轉換過的數據集上進行數據挖掘。
結果分析：第三方物流企業對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被理解的知識。
知識的運用：第三方物流企業將分析所得到的知識集成到物流業務信息系統的組織結構中去。
評價數據挖掘軟件需要考慮的問題
越來越多的軟件供應商加入了數據挖掘這一領域的競爭。第三方物流企業如何正確評價一個商業軟件，選擇合適的軟件成為數據挖掘成功應用的關鍵。評價一個數據挖掘軟件主要應從以下四個主要方面：
計算性能：如該軟件能否在不同的物流業務平臺運行;軟件的架構;能否連接不同的數據源;操作大數據集時，性能變化是線性的還是指數的;算的效率;是否基于組件結構易于擴展;運行的穩定性等;
功能性：如軟件是否提供足夠多樣的算法;能否避免挖掘過程黑箱化;軟件提供的算法能否應用于多種類型的數據;第三方物流企業能否調整算法和算法的參數;軟件能否從數據集隨機抽取數據建立預挖掘模型;能否以不同的形式表現挖掘結果等。
可用性：如用戶界面是否友好;軟件是否易學易用;軟件面對的用戶是初學者、高級用戶還是專家;錯誤報告對用戶調試是否有很大幫助。
輔助功能：如是否允許第三方物流企業更改數據集中的錯誤值或進行數據清洗;是否允許值的全局替代;能否將連續數據離散化;能否根據用戶制定的規則從數據集中提取子集;能否將數據中的空值用某一適當均值或用戶指定的值代替;能否將一次分析的結果反饋到另一次分析中等等。
數據挖掘技術是一個年輕且充滿希望的研究領域，利益的強大驅動力將會不停地促進它的發展。每年都有新的數據挖掘方法和模型問世，人們對它的研究正日益廣泛和深入。盡管如此，數據挖掘技術仍然面臨著許多問題和挑戰：如數據挖掘方法的效率亟待提高，尤其是超大規模數據集中數據挖掘的效率;開發適應多數據類型的挖掘方法，以解決異質數據集的數據挖掘問題;動態數據和知識的數據挖掘;網絡與分布式環境下的數據挖掘等。
淺議第三方物流企業論文相關文章：
8.淺談存貨管理論文