大数据下基于跨域多源信息融合的竞争对手识别模型研究

doi:10.3772/j.issn.1000-0135.2023.02.005

情报学报

2023, Vol. 42

Issue (2): 176-188 DOI: 10.3772/j.issn.1000-0135.2023.02.005

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

大数据下基于跨域多源信息融合的竞争对手识别模型研究

宋新平, 陈梦梦, 吕国栋, 申彦

江苏大学管理学院，镇江 212013

A Research on Competitor Identification Model Based on Cross-domain and Multi-source Information Fusion in the Context of Big Data

Song Xinping, Chen Mengmeng, Lyu Guodong, Shen Yan

School of Management, Jiangsu University, Zhenjiang 212013

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (4637 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要大数据下竞争对手识别模式发生了显著转变，催生了新型竞争对手识别研究范式。本文以该新范式为导向，借鉴企业生态位理论与互联网下的顾客价值理论，对传统经典陈明哲竞争分析框架进行拓展，提出了基于大数据下的市场共通性和资源能力优势度的竞争对手识别指标体系框架。该框架整合了行业与市场双元视角下的财务、专利、产品、客户等多方跨域信息源，使用模糊C均值聚类构建模型，并以新能源汽车行业为例开展仿真实验研究。结果表明，基于跨域多源信息融合的模型可有效提高竞争对手识别的准确性和全面性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	宋新平
	陈梦梦
	吕国栋
	申彦

关键词 ：大数据, 竞争对手, 多源信息融合, 综合视角, 模糊C均值聚类

收稿日期: 2021-12-16

基金资助:国家社会科学基金项目“总体国家安全观视域下基于大数据的企业竞争情报感知能力提升研究”（21BTQ070）；国家自然科学基金项目“Web 2.0下全员有效参与竞争情报的行为形成机理及治理策略研究”（71573107）。

作者简介: 宋新平，女，1971年生，博士，教授，博士生导师，主要研究领域为竞争情报、信息管理、商务智能，E-mail： phd_sxp@163.com；陈梦梦，女，1994年生，硕士，主要研究领域为竞争情报；吕国栋，男，1998年生，硕士研究生，主要研究领域为竞争情报；申彦，男，1982年生，博士，副教授，硕士生导师，主要研究领域为大数据分析与挖掘、商务智能；

引用本文:

宋新平, 陈梦梦, 吕国栋, 申彦. 大数据下基于跨域多源信息融合的竞争对手识别模型研究[J]. 情报学报, 2023, 42(2): 176-188.
Song Xinping, Chen Mengmeng, Lyu Guodong, Shen Yan. A Research on Competitor Identification Model Based on Cross-domain and Multi-source Information Fusion in the Context of Big Data. 情报学报, 2023, 42(2): 176-188.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2023.02.005 或 https://qbxb.istic.ac.cn/CN/Y2023/V42/I2/176

1 陈国青, 曾大军, 卫强, 等. 大数据环境下的决策范式转变与使能创新[J]. 管理世界, 2020, 36(2): 95-105, 220.
2 Halkos G E, Tzeremes N G. Industry performance evaluation with the use of financial ratios: an application of bootstrapped DEA[J]. Expert Systems with Applications, 2012, 39(5): 5872-5880.
3 Teker S, Teker D, Güner A. Financial performance of top 20 airlines[J]. Procedia - Social and Behavioral Sciences, 2016, 235: 603-610.
4 Yoon J, Park H, Kim K. Identifying technological competition trends for R&D planning using dynamic patent maps: SAO-based content analysis[J]. Scientometrics, 2013, 94(1): 313-331.
5 Niemann H, Moehrle M G, Frischkorn J. Use of a new patent text-mining and visualization method for identifying patenting patterns over time: concept, method and test application[J]. Technological Forecasting and Social Change, 2017, 115: 210-220.
6 施国良, 魏志皓, 周晓帆. 基于URL共现研究的竞争对手分析与识别——以携程旅行网为例[J]. 情报杂志, 2015, 34(9): 30-34.
7 唐晓波, 雍菲. 基于聚类分析的企业竞争对手社会网络分析[J]. 图书情报工作, 2012, 56(4): 75-79.
8 戴泽钒, 朱奕帆, 许鑫. 基于用户重合度的竞争对手识别方法[J]. 情报理论与实践, 2018, 41(9): 57-62.
9 Sayil E M, Akyol A, Golbasi Simsek G. An integrative approach to relationship marketing, customer value, and customer outcomes in the retail banking industry: a customer-based perspective from Turkey[J]. The Service Industries Journal, 2019, 39(5/6): 420-461.
10 李伟华, 郑彦宁. 企业竞争对手识别方法研究进展[J]. 情报理论与实践, 2015, 38(9): 126-129.
11 He W, Wu H, Yan G J, et al. A novel social media competitive analytics framework with sentiment benchmarks[J]. Information & Management, 2015, 52(7): 801-812.
12 Liu Y, Jiang C Q, Zhao H M. Assessing product competitive advantages from the perspective of customers by mining user-generated content on social media[J]. Decision Support Systems, 2019, 123: 113079.
13 周知. 基于微博用户共同关注的竞争对手识别策略研究[J]. 情报探索, 2014(10): 46-49.
14 Chen M J. Competitor analysis and interfirm rivalry: toward a theoretical integration[J]. Academy of Management Review, 1996, 21(1): 100-134.
15 Peteraf M A, Bergen M E. Scanning dynamic competitive landscapes: a market-based and resource-based framework[J]. Strategic Management Journal, 2003, 24(10): 1027-1041.
16 Peng Y S, Liang I C. A dynamic framework for competitor identification: a neglecting role of dominant design[J]. Journal of Business Research, 2016, 69(5): 1898-1903.
17 肖璐, 陈果, 刘继云. 基于情感分析的企业产品级竞争对手识别研究——以用户评论为数据源[J]. 图书情报工作, 2016, 60(1): 83-90, 97.
18 史敏, 罗建, 蔡丽君. 基于专利说明书语义分析的潜在竞争对手识别研究[J]. 情报学报, 2020, 39(11): 1171-1181.
19 王剑华, 马军伟. 企业竞争态势分析: 基于自我定位与公众认知的二维框架[J]. 情报杂志, 2017, 36(9): 58-63, 92.
20 宋新平, 陈梦梦, 申彦, 等. 大数据下基于多源信息融合的企业竞争对手评价模型研究[J]. 情报理论与实践, 2020, 43(2): 61-65, 60.
21 刘志辉, 李辉, 李文绚, 等. 基于多维框架的企业竞争威胁测度方法研究[J]. 情报学报, 2017, 36(7): 654-662.
22 林莉, 马江璐, 李靖华. 制造服务化市场的多主体竞争分析——基于服务市场共同度和服务能力等价性视角[J]. 科技管理研究, 2020, 40(9): 187-195.
23 许鑫, 朱奕帆, 姚占雷. 数据驱动的企业多层竞争网络构建与态势分析[J]. 情报学报, 2018, 37(8): 836-844.
24 陈梦梦. 大数据驱动的竞争对手识别与竞争态势评估研究——基于新能源汽车行业[D]. 镇江: 江苏大学, 2021.
25 Kim Y, Dwivedi R, Zhang J, et al. Competitive intelligence in social media Twitter: iPhone 6 vs. Galaxy S5[J]. Online Information Review, 2016, 40(1): 42-61.
26 黄晓斌, 张明鑫. 融合多源数据的企业竞争对手画像构建[J]. 现代情报, 2020, 40(11): 13-21, 33.
27 郑荣, 杨竞雄, 张薇, 等. 多源数据驱动的产业竞争情报智慧服务研究[J]. 情报学报, 2020, 39(12): 1295-1304.
28 王基建, 勾丽. 基于市场共通性的企业并购市场风险研究[J]. 科学学与科学技术管理, 2003, 24(10): 101-104.
29 Hannan M T, Freeman J. The population ecology of organizations[J]. American Journal of Sociology, 1977, 82(5): 929-964.
30 Zauner A, Koller M, Hatak I. Customer perceived value—Conceptualization and avenues for future research[J]. Cogent Psychology, 2015, 2(1): 1061782.
31 陈娅玲. “互联网+”企业竞争战略研究[D]. 南宁: 广西大学, 2016.
32 Blazquez D, Domenech J. Big Data sources and methods for social and economic analyses[J]. Technological Forecasting and Social Change, 2018, 130: 99-113.
33 梁帅, 李海波, 陈娜. 世界新能源汽车专利主体的竞争态势研究[J]. 科技管理研究, 2015, 35(4): 116-121.
34 Lee H G, Clark T H. Impacts of the electronic marketplace on transaction cost and market structure[J]. International Journal of Electronic Commerce, 1996, 1(1): 127-149.
35 胡涛, 王栋, 孙曜, 等. 基于改进CRITIC-LRA和灰色逼近理想解排序法的空战威胁评估[J]. 兵工学报, 2020, 41(12): 2561-2569.
36 张立军, 张潇. 基于改进CRITIC法的加权聚类方法[J]. 统计与决策, 2015(22): 65-68.
37 路燕, 于晓东. 基于改进k-means算法的企业竞争情报研究——以社会网络分析为方法[J]. 情报科学, 2017, 35(12): 81-85.
38 高云龙, 王志豪, 潘金艳, 等. 基于自适应松弛的鲁棒模糊C均值聚类算法[J]. 电子与信息学报, 2020, 42(7): 1774-1781.
39 翟丽丽, 张影, 王京. 基于广度优先搜索的变异加权模糊C-均值聚类算法[J]. 统计与决策, 2016(15): 9-14.
40 Li Y, Yu F S. A new validity function for fuzzy clustering[C]// Proceedings of the 2009 International Conference on Computational Intelligence and Natural Computing. IEEE, 2009: 462-465.