DOI: https://doi.org/10.1016/j.techfore.2024.123345
تاريخ النشر: 2024-03-23
المؤلف: Guoqing Zhao وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تواجه صناعة النقل البحري حاليًا تحديات كبيرة، بما في ذلك الحاجة إلى إزالة الكربون، والاضطرابات الناتجة عن الصراعات الجيوسياسية، وتوترات التجارة، والتي تم تسليط الضوء عليها بشكل خاص من خلال هدف المنظمة البحرية الدولية (IMO) لتحقيق انبعاثات صافية صفرية بحلول عام 2050. استجابةً لذلك، تركز المنظمات البحرية بشكل متزايد على تطوير قدرات تحليل البيانات الضخمة (BDAC) لتحسين الاستدامة والكفاءة التشغيلية. ومع ذلك، حددت دراسة مختلطة شملت 26 منظمة بحرية خمس فئات و16 عائقًا محددًا لاعتماد BDAC، والتي تم ترتيبها حسب الأولوية باستخدام عملية التحليل الهرمي (AHP) وتم تحليلها من حيث العلاقات المتبادلة من خلال نمذجة الهيكل التفسيري الكلي (TISM). وجدت الدراسة أن الحواجز الثقافية، وخاصة تلك الناجمة عن القيم الهرمية في الصين، تعيق بشكل كبير تبادل المعرفة والتنسيق، بينما تم تحديد حواجز التعلم التنظيمي على أنها العقبات الأكثر حدة.
تساهم هذه الأبحاث في كل من المجالات النظرية والإدارية من خلال توسيع نظرية الموارد (RBV) ونظريات التعلم التنظيمي. تسلط الضوء على مختلف العوائق أمام تطوير BDAC، مثل نقص الموارد التكنولوجية، وغياب الذاكرة التنظيمية على مستوى المجتمع، وعدم كفاية الحوافز للابتكار. توفر النتائج رؤى قيمة لمديري الموانئ، مما يمكنهم من فهم ومعالجة العوائق أمام اعتماد BDAC بشكل أفضل، مما يسهل تحسين القدرات التشغيلية داخل قطاع النقل البحري. تستجيب هذه الدراسة للدعوات لمزيد من الاستكشاف لتطبيقات BDAC في صناعة النقل البحري وتثري الأدبيات الموجودة حول هذا الموضوع.
مقدمة
تناقش مقدمة هذه الورقة البحثية مفهوم قدرة تحليل البيانات الضخمة (BDAC) كقدرة تنظيمية أساسية لمعالجة وتحليل البيانات لدعم اتخاذ القرار والكفاءة التشغيلية. على الرغم من الاستثمارات الكبيرة في مبادرات البيانات الضخمة – حيث تشارك 97.2% من الشركات في مثل هذه المشاريع – إلا أن 24% فقط قد تحولت بنجاح إلى منظمات مدفوعة بالبيانات، ويرجع ذلك أساسًا إلى نقص الفهم للعوائق التي تحول دون تحقيق BDAC. يتم تسليط الضوء على صناعة النقل البحري في الصين، التي تلعب دورًا حيويًا في التجارة العالمية ولها موقع ريادي في الاتصال البحري، كمنطقة يمكن أن تقدم فيها BDAC فوائد كبيرة. ومع ذلك، لا تزال تطبيقات تحليل البيانات الضخمة محدودة، حيث تواجه تحديات مثل نقص الدعم الحكومي، وقضايا الأمن السيبراني، وغياب الأطر القانونية الشاملة.
تهدف الدراسة إلى معالجة الفجوات البحثية الحالية من خلال استخدام نهج مختلط لتحليل العوائق أمام BDAC في قطاع النقل البحري في الصين. تحدد 16 عائقًا محددًا، مع التأكيد على أن حواجز التعلم التنظيمي – مثل تبادل المعرفة والتنسيق – هي العقبات الأكثر حدة، مما يتناقض مع الأدبيات السابقة التي غالبًا ما تبرز العوائق التقنية والمالية. تستخدم الأبحاث عملية التحليل الهرمي (AHP) ونمذجة الهيكل التفسيري الكلي (TISM) لترتيب هذه العوائق وفهم علاقاتها المتبادلة، مما يوفر في النهاية رؤى يمكن أن توجه تخصيص الموارد وتطوير الاستراتيجيات للمنظمات البحرية. تحمل النتائج تداعيات كبيرة على ممارسات الإدارة وصنع السياسات في صناعة النقل البحري، لا سيما في سياق التقدم التكنولوجي في الصين منذ بدء “صنع في الصين 2025”.
الطرق
في هذا القسم، يناقش المؤلفون تطبيق طرق متعددة المعايير لاتخاذ القرار (MCDM) المختلفة لتقييم العوائق أمام اعتماد تحليل البيانات الضخمة في المنظمات البحرية. تشمل الدراسات البارزة Raut وآخرون (2021b)، الذين استخدموا نهج DEMATEL الرمادي وعملية الشبكة التحليلية (ANP) لتحديد العوائق الرئيسية مثل نقص تخزين البيانات والبنية التحتية لتكنولوجيا المعلومات. استخدم خان (2022) طريقة الأفضل والأسوأ (BWM) لترتيب العوائق في سياقات المدن الذكية، مشيرًا إلى تعقيد البيانات كقضية هامة. أكد زانغ ولام (2019) على أهمية فهم استخدام BDAC، بينما استخدم باغ وآخرون (2020) TISM وتحليل MICMAC الضبابي لاستكشاف التفاعلات بين العوائق، مع تحديد إدارة البيانات السيئة والتمويل كعوامل حاسمة.
اعتمدت منهجية البحث نهجًا مختلطًا، حيث دمجت التحليلات النوعية والكمية لتوفير فهم شامل للعوائق أمام اعتماد BDAC. يعزز هذا النهج ثراء البيانات من خلال المقابلات شبه المنظمة والتحليل الموضوعي، الذي يحدد العوائق الرئيسية. بعد ذلك، تم استخدام عملية التحليل الهرمي (AHP) لترتيب هذه العوائق، بينما تم استخدام TISM لتحديد العلاقات المتبادلة بينها. أخيرًا، قامت تحليل MICMAC بتجميع العوائق بناءً على خصائصها، مما يسهل فهمًا دقيقًا لأدوارها داخل النظام. يسمح الجمع بين هذه الطرق بتثليث النتائج ومعالجة القيود الموجودة في كل نهج فردي، مما يساهم في تحليل أكثر قوة للعوائق أمام تنفيذ BDAC في السياقات البحرية.
النتائج
في هذه الدراسة، تم استخدام أربع طرق لتحليل البيانات: التحليل الموضوعي، عملية التحليل الهرمي (AHP)، نمذجة الهيكل التفسيري الكلي (TISM)، وتحليل MICMAC. كشفت النتائج عن تحدٍ كبير بين المشاركين بشأن قدرتهم على تفسير النتائج من تحليل البيانات الضخمة، حيث أشار 53.84% (14 من 26) إلى نقص في القدرة. تم عزو هذه المشكلة بشكل خاص إلى الهيكل الهرمي داخل المنظمات، مما يعقد عملية تصحيح القرارات الإدارية بناءً على رؤى البيانات.
المناقشة
في قسم المناقشة من الورقة البحثية، يستكشف المؤلفون وجهة نظر الموارد (RBV) كإطار نظري لتحليل العوائق أمام قدرة تحليل البيانات الضخمة (BDAC) في صناعة النقل البحري في الصين. تقترح RBV أن ميزة الشركة التنافسية مستمدة من مواردها الفريدة، بما في ذلك القدرات التكنولوجية والبشرية والتنظيمية. يجادل المؤلفون بأن التكامل الناجح لـ BDAC يتطلب مزيجًا من الموارد الملموسة (مثل التكنولوجيا والبيانات)، والموارد غير الملموسة (مثل الثقافة المدفوعة بالبيانات)، والموارد البشرية الماهرة. يبرزون أن العوائق أمام BDAC غالبًا ما تنبع من نقص في اكتساب الموارد، وهو أمر حاسم لتعزيز التنافسية.
كما يحدد القسم عوائق كبيرة أمام اعتماد BDAC، مصنفة إلى خمس مجموعات: البيانات والتكنولوجيا، الموارد الأساسية، التكنولوجية والإدارية، الثقافية، والتعلم التنظيمي. تشمل العوائق الرئيسية نقص الفهم لتطبيقات BDA التجارية، وعدم كفاية الدعم التنفيذي، ونقص المهارات بين الموظفين. يشير المؤلفون إلى أنه بينما تم دراسة BDAC على نطاق واسع في قطاعات مثل الرعاية الصحية والتصنيع، لا تزال صناعة النقل البحري تحت البحث. يؤكدون على الحاجة إلى مزيد من التحقيق في التحديات الفريدة التي تواجهها المنظمات البحرية في اعتماد BDAC، لا سيما في سياق الصين، التي قامت باستثمارات كبيرة في مبادرات البيانات الضخمة منذ عام 2015. يقترح المؤلفون استخدام مزيج من طرق اتخاذ القرار متعددة المعايير (MCDM) لتعميق الرؤى حول هذه العوائق، وبالتالي معالجة الفجوات البحثية الحالية.
القيود
تسلط القيود في هذه الدراسة حول صناعة النقل البحري في الصين الضوء على عدة مجالات للبحث المستقبلي. أولاً، قد لا تكون النتائج قابلة للتعميم خارج الصين، مما يشير إلى الحاجة إلى دراسات مماثلة في دول ذات توجهات ثقافية مشابهة، مثل تايلاند وإيران والهند. يمكن أن تستخدم الأبحاث المستقبلية استبيانات لتقييم العوائق أمام بناء قدرة تحليل البيانات الضخمة (BDAC) عبر سياقات مختلفة، مما يعزز فهم أولوياتها وعلاقاتها المتبادلة. بالإضافة إلى ذلك، تثير الطبيعة النوعية لجمع البيانات مخاوف بشأن الموثوقية؛ وبالتالي، فإن إشراك باحثين متعددين، والحصول على تعليقات المشاركين حول التحليلات الموضوعية، والحفاظ على سجلات دقيقة يمكن أن يحسن من الدقة.
ثانيًا، لم تستكشف الدراسة العوامل المساعدة أو القوى الدافعة وراء اعتماد BDAC، والتي يمكن أن توفر رؤى قيمة للممارسين في مجال النقل البحري. يجب أن تمتد التحقيقات المستقبلية لجمع البيانات لتشمل مجموعة أوسع من أصحاب المصلحة، مثل مالكي السفن ومقدمي الخدمات البحرية، لتحقيق فهم أكثر شمولاً للنظام البيئي البحري. علاوة على ذلك، بينما تم استخدام عملية التحليل الهرمي (AHP) لترتيب العوائق، فإن طبيعتها الذاتية ومتطلبات الحوسبة تمثل تحديات. يمكن أن تستفيد الأبحاث المستقبلية من استخدام AHP الضبابي القائم على المجموعة لدمج آراء الخبراء المتنوعة وتعزيز واقعية اتخاذ القرار. أخيرًا، تشير قيود نمذجة الهيكل التفسيري الكلي (TISM) وتحليل MICMAC في التقاط التأثيرات الاتجاهية والعلاقات المتبادلة الدقيقة إلى أن دمج نظرية المجموعات الضبابية يمكن أن يحسن هذه المنهجيات للحصول على نتائج أكثر دقة.
DOI: https://doi.org/10.1016/j.techfore.2024.123345
Publication Date: 2024-03-23
Author(s): Guoqing Zhao et al.
Primary Topic: Big Data and Business Intelligence
Overview
The maritime industry is currently grappling with significant challenges, including the need for decarbonization, disruptions from geopolitical conflicts, and trade tensions, particularly highlighted by the International Maritime Organization’s (IMO) goal of achieving net-zero emissions by 2050. In response, maritime organizations are increasingly focused on developing big data analytics capabilities (BDAC) to improve sustainability and operational efficiency. However, a mixed-method study involving 26 maritime organizations identified five categories and 16 specific barriers to BDAC adoption, which were prioritized using the analytic hierarchy process (AHP) and analyzed for interrelationships through total interpretive structural modeling (TISM). The study found that cultural barriers, particularly those stemming from China’s hierarchical values, significantly impede knowledge sharing and coordination, while organizational learning barriers were identified as the most critical obstacles.
The research contributes to both theoretical and managerial domains by extending resource-based view (RBV) and organizational learning theories. It highlights various impediments to BDAC development, such as insufficient technological resources, lack of community-wide organizational memory, and inadequate incentives for innovation. The findings provide valuable insights for port managers, enabling them to better understand and address the barriers to BDAC adoption, thereby facilitating enhanced operational capabilities within the maritime sector. This study responds to calls for further exploration of BDAC applications in the maritime industry and enriches the existing literature on the subject.
Introduction
The introduction of this research paper discusses the concept of Big Data Analytics Capability (BDAC) as an essential organizational capacity for processing and analyzing data to support decision-making and operational efficiency. Despite significant investments in big data initiatives—97.2% of companies engaging in such projects—only 24% have successfully transformed into data-driven organizations, primarily due to a lack of understanding of the barriers to achieving BDAC. The maritime industry in China, which plays a crucial role in global trade and has a leading position in maritime connectivity, is highlighted as an area where BDAC could offer substantial benefits. However, the application of big data analytics remains limited, facing challenges such as insufficient government support, cybersecurity issues, and a lack of comprehensive legal frameworks.
The study aims to address existing research gaps by employing a mixed-method approach to analyze barriers to BDAC in China’s maritime sector. It identifies 16 specific barriers, emphasizing that organizational learning barriers—such as knowledge sharing and coordination—are the most critical impediments, contrasting with previous literature that often highlights technical and financial barriers. The research employs analytic hierarchy process (AHP) and total interpretive structural modeling (TISM) to prioritize these barriers and understand their interrelationships, ultimately providing insights that can guide resource allocation and strategy development for maritime organizations. The findings have significant implications for management practices and policy-making in the maritime industry, particularly in the context of China’s technological advancements since the initiation of “Made in China 2025.”
Methods
In this section, the authors discuss the application of various Multi-Criteria Decision-Making (MCDM) methods to evaluate barriers to the adoption of Big Data Analytics in maritime organizations. Notable studies include Raut et al. (2021b), who utilized a grey DEMATEL approach and Analytical Network Process (ANP) to identify key barriers such as inadequate data storage and IT infrastructure. Khan (2022) employed the Best-Worst Method (BWM) to prioritize barriers in smart city contexts, highlighting data complexity as a significant issue. Zhang and Lam (2019) emphasized the importance of understanding BDAC usage, while Bag et al. (2020) used TISM and fuzzy MICMAC analysis to explore interactions among barriers, identifying poor data management and funding as critical drivers.
The research methodology adopted a mixed-method approach, integrating qualitative and quantitative analyses to provide a comprehensive understanding of barriers to BDAC adoption. This approach enhances the richness of data through semi-structured interviews and thematic analysis, which identifies key barriers. Subsequently, the Analytic Hierarchy Process (AHP) was employed to prioritize these barriers, while TISM was used to establish interrelationships among them. Finally, MICMAC analysis clustered the barriers based on their characteristics, facilitating a nuanced understanding of their roles within the system. The combination of these methods allows for triangulation of results and addresses the limitations inherent in each individual approach, ultimately contributing to a more robust analysis of the barriers to BDAC implementation in maritime contexts.
Results
In this study, four data analysis methods were utilized: thematic analysis, Analytic Hierarchy Process (AHP), Total Interpretive Structural Modeling (TISM), and MICMAC analysis. The findings revealed a significant challenge among participants regarding their ability to interpret results from big data analytics, with 53.84% (14 out of 26) indicating a lack of capability. This issue was particularly attributed to the hierarchical structure within organizations, which complicates the process of rectifying managerial decisions based on data insights.
Discussion
In the discussion section of the research paper, the authors explore the Resource-Based View (RBV) as a theoretical framework to analyze barriers to Big Data Analytics Capability (BDAC) in China’s maritime industry. The RBV suggests that a firm’s competitive advantage is derived from its unique resources, including technological, human, and organizational capabilities. The authors argue that the successful integration of BDAC requires a combination of tangible resources (like technology and data), intangible resources (such as a data-driven culture), and skilled human resources. They highlight that barriers to BDAC often stem from insufficient resource acquisition, which is critical for enhancing competitiveness.
The section also identifies significant barriers to BDAC adoption, categorized into five groups: data and technology, basic resources, technological and managerial, cultural, and organizational learning. Key barriers include a lack of understanding of BDA’s business applications, insufficient executive support, and inadequate skills among personnel. The authors note that while BDAC has been widely studied in sectors like healthcare and manufacturing, the maritime industry remains under-researched. They emphasize the need for further investigation into the unique challenges faced by maritime organizations in adopting BDAC, particularly in the context of China, which has made substantial investments in big data initiatives since 2015. The authors propose to utilize a combination of Multi-Criteria Decision-Making (MCDM) methods to deepen insights into these barriers, thereby addressing existing research gaps.
Limitations
The limitations of this study on China’s maritime industry highlight several areas for future research. Firstly, the findings may not be generalizable beyond China, suggesting the need for similar studies in countries with comparable cultural orientations, such as Thailand, Iran, and India. Future research could employ questionnaires to assess barriers to building Big Data Analytics Capability (BDAC) across different contexts, enhancing the understanding of their prioritization and interrelationships. Additionally, the qualitative nature of the data collection raises concerns about reliability; thus, involving multiple researchers, obtaining participant feedback on thematic analyses, and maintaining meticulous records could improve rigor.
Secondly, the study did not explore the enablers or driving forces behind BDAC adoption, which could provide valuable insights for maritime practitioners. Future investigations should extend data collection to include a broader range of stakeholders, such as ship owners and marine service providers, to achieve a more comprehensive understanding of the maritime ecosystem. Furthermore, while the Analytic Hierarchy Process (AHP) was utilized for prioritizing barriers, its subjective nature and computational demands present challenges. Future research could benefit from employing group-based fuzzy AHP to incorporate diverse expert opinions and enhance decision-making realism. Lastly, the limitations of Total Interpretive Structural Modeling (TISM) and MICMAC analysis in capturing directional influences and precise interrelationships suggest that integrating fuzzy set theory could refine these methodologies for more accurate results.