面向大數據時代的圖書館知識服務

〔摘要〕本文簡述了大數據的基本概念、特點、處理流程和處理模式，探討了在大數據時代，圖書館將在數據集成、數據分析和數據隱私問題等方面面臨著巨大的挑戰與考驗，最后，提出了大數據時代圖書館如何利用大數據技術在知識服務方面進行創新，從而提高圖書館的核心競爭力，以應對未來可能面臨的生存危機。

〔關鍵詞〕大數據；知識服務；個性化

DOI：10.3969/j.issn.1008-0821.2013.10.007

〔中圖分類號〕G250〔文獻標識碼〕A〔文章編號〕1008-0821（2013）10-0033-05

隨著云計算、物聯網等技術的興起，以及博客、微博、社交網絡和基于位置的服務LBS（location based service）等新型信息發布方式的不斷涌現，再有極其微小帶有處理功能的傳感器廣泛布置于社會的各個角落，監控整個社會的運轉，新數據源源不斷的從這些設備自動的產生，今天數據的增長速度前所未有，隨著數據的迅速增長和累積，大數據時代已經來到，社會各界都已經開始密切關注大數據問題，并對其產生濃厚的興趣。如：學術界，早在2008年《Nature》就推出了Big Data專刊[1]；IT業界，全球知名的咨詢公司麥肯錫（McKinsey）2011年6月份發布了一份關于大數據的詳盡報告“Big data：The next frontier for innovation，competition，and productivity”[2]，對大數據的相關問題進行了詳盡的分析。進入2012年，人們對大數據的關注更是與日俱增。2012年3月份美國奧巴馬政府發布了“大數據研究和發展倡議”[3]（Big data research and development initiative），正式啟動“大數據發展計劃”。計劃利用大數據技術在科學研究、環境、生物醫學等領域進行突破。2012年5月聯合國一個名為“Global Pulse”的倡議項目也發布報告[4]，對大數據的應用進行初步的解讀，并闡述各國特別是發展中國家在大數據時代面臨數據洪流（data deluge）時所遇到的機遇與挑戰。同時，媒體也發文宣傳介紹大數據，如《紐約時報》的文章“The age of big data”[5]，使普通民眾開始意識到大數據的存在及可能產生的影響。

1大數據

1.1大數據的基本概念和特征

大數據的概念本身比較抽象，目前尚未有一個公認的定義，維基百科的定義則簡單明了[6]：大數據是指利用常用軟件工具捕獲、管理和處理數據所耗時間超過可容忍時間的數據集。在大數據的定義問題上，一般從對大數據特征的闡述和歸納上給出定義，如認為大數據有4個特點的4V定義[7-9]：（1）從體量（Volume）上，數據規模龐大；（2）從類型（Variety）上，模態繁多，結構化、半結構化、非結構化三者融合，并且半結構化和非結構化數據所占份額越來越大而且在相當長的時期內非結構化數據會占據大數據的主體；（3）從時速（Velocity）上，生成快速，其主要特征是數據的快速和實時化；（4）從價值（Value）上，價值巨大但密度很低，大數據的價值往往呈現出稀疏性的特點。

大數據除上述4V定義闡述和歸納的特征外，還應具有如下特征：首先在數據模式（schema）和數據的關系上，不同于傳統的數據庫都是先有模式，然后才產生數據，而是先有數據而后才能確定模式，且模式隨著數據量的增長處于不斷的演變之中；再者在處理對象上，對大數據我們需要從根本上轉變思維，大數據不僅是數據處理的對象，更是一種基礎資源，我們可用數據這種基礎資源來協同解決其他諸多領域的問題。圖靈獎獲得者、著名數據庫專家Jim Gray博士提出了一種新的被他自己稱之為“第4種范式”（The Fourth Paradigm）的數據探索型科學研究方式[10]，第4種范式的實質就是數據思維，從以計算為中心轉變到以數據處理為中心，采用第4種范式來作指導的典型的科學研究領域，如：計算社會科學（computational social science）[11]。

1.2大數據的處理流程和處理模式

數據收集的根本目的是根據需求從數據中提取有用的知識，并將其應用到具體的領域之中，大數據的出現必將顛覆傳統的數據管理方式。大數據的數據來源廣泛、應用需求和數據類型都不盡相同，但是最基本的處理流程是一致的。整個大數據的處理流程可以定義為在合適工具的輔助下，首先對廣泛異構的數據源進行抽取和集成，按照一定的標準將結果統一存儲，然后利用合適的數據分析技術對存儲的數據進行分析，從中提取有益的知識，最后將結果以恰當的方式展現給終端用戶。具體來說可以分為數據抽取與集成、數據分析以及數據解釋[12]。

主要處理模式可以分為流處理（stream processing）和批處理（batch processing）兩種[13-14]。批處理是先存儲后處理（store—then—process），而流處理則是直接處理 （straight—through processing）。流處理的基本理念是數據的價值會隨著時間的流逝而不斷減少，因此盡可能快地對最新的數據作出分析并給出結果是所有流數據處理模式的共同目標。

2013年10月1第33卷第10期1現？代？情？報1Journal of Modern Information1Oct.，20131Vol.33No.102013年10月1第33卷第10期1面向大數據時代的圖書館知識服務1Oct.，20131Vol.33No.102大數據時代數字圖書館的數據處理面臨的新挑戰

大數據技術是一項顛覆性的技術，為數字圖書館提供一種技術解決方案，大數據技術有助于海量數據的網絡應用，并釋放復雜數據中的智能。但由于大數據時代，數據模式（schema）和數據的關系不同于傳統的數據庫時代，是先有數據而后才確定數據模式，且數據模式有可能隨數據的不斷增長而處于不斷的變化中，以及數據的廣泛分布、多源異構、動態變化、規模宏大等等大數據時代的數據特點，使得大數據時代數字圖書館的數據管理面臨著許多新的挑戰，主要從下面幾個方面進行詳細分析。

2.1大數據時代的數據集成

大數據時代，數據的廣泛異構性相較于傳統的數據的異構性出現了新的變化，主要體現在下面幾個方面：第一，數據類型多樣性方面，傳統數據庫時代的數據多樣性的種類較少，往往僅有少數的幾種，且以結構化的數據為主，但大數據時代的數據種類繁多，包含著結構化、半結構化以及非結構化的數據，并且半結構化和非結構化數據所占份額越來越大；第二，數據產生方式的多樣性帶來的數據源的多樣性變化，傳統的數據主要產生于各運營式系統中位置相對固定的服務器或者是個人電腦等設備，隨著便攜式移動終端的快速發展以及感知式系統的廣泛使用，如智能手機、GPS以及極其微小帶有處理功能的傳感器等，這些設備廣泛地布置于社會的各個角落，監控整個社會的運轉，并源源不斷的產生新數據，使人類社會的數據量發生大的飛躍導致了大數據的產生，產生于這些設備的數據帶有很明顯的時空特性；第三，由數據存儲方式的變化引起的集成過程中的數據轉換，傳統數據主要存儲在關系數據庫中，大數據時代，為滿足大數據的存儲需求，實現海量數據的高效存儲，數據多存儲于采用非關系模型的NoSQL（not only SQL）數據庫以及分布式文件系統如Google的GFS、Facebook的Haystack、Hadoop的HDFS中，因此，集成過程中的數據轉換過程非常復雜且難以管理。

大數據時代，數據規模大，同時信息垃圾泛濫，因此，在數據集成時，為了不讓過多的無用數據干擾后續的數據分析過程，必須進行數據清洗，但在數據清洗時，在進行謹慎和仔細地考量的基礎上，權衡質與量，對數據清洗的粒度做出合適的選擇，如果信息清洗的粒度過細，很容易將混雜在龐大數據量中的相對細微的有用信息過濾掉，清洗粒度過粗又無法達到真正的清洗效果。

2.2大數據時代的數據分析（analytics）

傳統的在實踐中行之有效的數據分析技術，如數據挖掘、自動分類、聚類、關聯分析等方法，是從以結構化為主、靜態的、數量相對較少的數據中提煉更深層次的知識的分析技術，隨著半結構化和非結構化的數據量迅猛增長，逐漸成為大數據的主流，傳統的分析技術在處理以半結構化和非結構化為主、動態的、規模寵大的大數據時，遇到了巨大的沖擊和挑戰，主要體現在下面幾個方面。

（1）在數據處理的實時性方面，缺乏通用的大數據實時處理框架。大數據時代，動態變化的數據中所蘊含的知識價值隨著時間的流逝往往也在衰減，因此，大數據時代在很多領域要實現對于數據的實時處理，在很多應用場景數據分析要從離線（offline）轉向在線（online），數據處理模式的選擇及改進是大數據時代數據實時處理面臨的主要挑戰。在流處理、批處理以及二者的融合3種實時處理的模式選擇中，人們進行了很多研究，也已有了一些研究成果，但各種工具實現實時處理的方法不一，支持的應用類型都相對有限，至今仍未有一個通用的大數據實時處理框架，這樣在實際應用中就要求人們有能力根據自己的業務需求和具體的應用場景改造現有的這些技術和工具，才能滿足自己的要求。

（2）設計結構簡單、高效和適應動態變化環境的索引方案。索引能夠加速查詢速率，但在設計大數據的索引時，由于其數據模式可能隨著數據量的不斷變化而處于不斷的變化之中，因此索引的結構要簡單、高效且能夠進行不斷的調整以適應數據模式的變化，目前一些在采用非關系模型的NoSQL數據庫上構建的索引方案，其基本都是適用于數據模式不太會發生變化特定的應用場景。

（3）缺乏先驗知識。傳統對結構化數據展開的數據分析，由于以關系模型存儲的結構化數據中隱含了這些數據的一些先驗知識，如其內部關系等，這樣在數據分析之前我們就已經對數據有了一定的理解，但在對以半結構化、非結構化數據為主的大數據進行數據分析時，就難以構建出其內部的正式關系，再者對大數據進行實時處理時，隨著源源不斷的數據流的到來，很難有足夠的時間去建立先驗知識。

2.3大數據時代的數據隱私問題

數據隱私問題由來已久，但大數據時代的數據隱私問題更加嚴峻，大數據時代的隱私保護主要面臨下面幾方面的挑戰。

（1）解決好隱性的數據暴露問題，現在人們都已具有隱私保護意識，在很多情況下都有意識地隱藏自己的行為，但由于在大數據時代，人們在不同的時間、地點和場景的一切活動都將產生很多各種類型的數據足跡，用戶在某個具體場景的單一信息可能不會暴露自己的隱私，但如果用大數據技術能將某個人在各種場景的這些數據足跡累積和關聯起來聚集在一起，就能收集到足夠多的有關他的個人信息，這樣他的隱私就很可能會暴露，并且個人往往無法預知和控制這種隱性的數據暴露。

（2）平衡數據公開與隱私保護的矛盾，如果片面地追求隱私保護而將所有的數據都加以隱藏，在大數據時代，數據這種基礎資源就會被浪費，其巨大價值根本無法體現，從有效利用數據這種基礎資源的角度出發，非常有必要進行數據公開。政府可從公開的數據中收集、整理和分析這些數據足跡（data print），以便進行社會解釋，了解和監控整個社會的運行情況，預測、規劃整個國民經濟社會的運行的過程，更好地指導社會的運轉。企業從對這些數據足跡的分析和挖掘中，不僅可以了解掌握客戶的行為喜好開發出有針對性的產品和服務，而且還可以尋找潛在的目標用戶進行精準的廣告投放等，這樣客戶獲得了更滿意的產品和服務，企業利益也獲得最大化。因此，在大數據時代的隱私保護是指在不暴露用戶敏感信息的前提下對數據進行有效的挖掘，由于數據信息量和隱私之間是矛盾的，目前還沒有非常好的解決辦法，近年來有很多學者致力于這方面的研究，嘗試在盡可能少損失數據信息的同時最大化地隱藏用戶隱私。提出了一些解決大數據中隱私保護問題的研究方向，如文獻[15-16]提到的保護隱私的數據挖掘和新的差分隱私（differential privacy）方法，但是離實際應用還有很遠距離。

3圖書館利用大數據在知識服務方面的創新

隨著大數據技術的不斷進步及用戶要求的不斷提高，將進一步推動著圖書館的知識服務的方式、途徑、模式等發生顛覆性的變化，尤其是高校圖書館，更應抓住機遇充分利用大數據技術為讀者提供具有更加鮮明的個性化、學科化、泛在化的知識服務，從而提高圖書館的核心竟爭力，以應對圖書館未來可能面臨的生存危機。

3.1圖書館知識服務的學科化、專業化

3.1.1構建學校的重點及重點建設的學科領域的領域知識庫

利用大數據技術提升圖書館知識服務的學科化、專業化水平，發揮圖書館員在信息收集整理和分析加工中的優勢，對學校的重點及重點建設的學科領域的各種類型和各種數據源的資料信息如論文、專利、科情動態、研究報告、甚至網絡中相關學科領域的專家學者的博客、論壇等一搜到底并進行分析和挖掘，在和學科領域的專家的結合下，構建學校的重點及重點建設的學科領域的領域知識庫，主要包括專業領域的基本概念、概念之間的相互關系以及概念的約束條件，該專業領域研究內容、研究分支、研究趨勢，甚至領先的研究機構分布及該領域著名專家學者等。目前領域知識庫構建常用的技術是基于語義的領域知識庫的構建，如基于本體的領域知識庫構建，基于本體構建領域知識庫最重要的就是確定領域知識內的概念及概念間的關系，并以本體的形式表示出來，以便于檢索。

3.1.2構建結構化學科服務模式，滿足多層次用戶的需求

根據用戶層次以及用戶對學科服務水平需求的高低，設計學科服務內容結構，將學科服務內容劃分不同的層級，大致包括基礎文獻服務、學科概貌了解、學科分支梳理、熱點前沿探索、趨勢分析創新點挖掘等。依據結構化學科服務模式在現實服務中，不同的知識服務層次對應的用戶不同，服務方式與內容也不相同，結合用戶類型和服務內容，采取不同策略，開展不同層次的學科服務，解決學科服務使用統一模式帶來的低效益問題。如對低年級的在校本科生，需求層次主要是前三層，是較常規的學科服務，服務方式主要可以是數據庫使用培訓、數據檢索等，再者如對學校的重點科研團隊和學科帶頭人的學科服務，對學科知識服務的需求基本是最高層次需求，需提供如本文3.2.1小節和3.2.2小節所述的個性化知識服務，從而輔助教師預測學科的研究趨勢，發現某一新的研究方向，從而進行科研選題決策等。

3.2個性化的知識服務

利用大數據技術進一步推進圖書館知識服務的個性化、泛在化，融入學校的教學和科研活動，輔助科研群體進行決策，重塑圖書館在教職工心目中的存在價值，增強圖書館對讀者的粘著性，防止用戶流失。

3.2.1提供個性化的數據分析服務

圖書館工作人員利用引文分析法、聚類分析法、專利技術分析法等知識發現方法，按需為讀者提供針對某一具體的研究領域或研究問題數據分析服務，從而輔助教師預測學科的研究趨勢，發現某一新的研究方向，從而進行科研選題決策等。

（1）圖書館員通過“科學引文索引”（SCI）、“期刊引用報告”（JCR）和中國引文數據庫等引文分析工具，查得引文數據再利用引文分析法，分析科學的發展脈絡，通過文獻的引用與被引用關系還可以發現某一研究方向的發展脈絡，預測研究趨勢。

（2）圖書館員廣泛收集某學科領域的各種類型和各種數據源的資料信息，利用一些聚類分析軟件，使用聚類分析法通過對這些資料信息的研究，把該領域的研究方向做一個完整歸納的，并將研究方向加以分類，使該領域的研究人員從一個宏觀的角度，全面考察整個研究領域，從而對自己所從事的科研工作有一個更加廣泛的了解，發現與自己的研究課題相關的其他研究分支，從廣度上推動自己的科研工作，還可以幫助科研人員發現文獻之間的關系中所隱含的一些重要的研究方向，從而發現新的不同的研究方向，對于輔助科研人員科研方向的選定有著重要的參考價值，尤其是在選題之初。

（3）利用專利技術分析從技術層面了解某一領域的專利技術分布情況和發展趨勢，以確立技術開發的方向，從而為科研工作提供技術和方法上的幫助，另外也能避免做重復而無意義的研究，然而由于專利分析的工作量非常大，如果由科研人員直接承擔，將占用其大量的寶貴科研時間，是一種浪費。圖書館為教師提供專利分析服務，按需從專利文獻出發、利用專利分析工具和軟件、采用專業的專利分析方法為相關的不同專業作出有價值的專利分析報告，也是對科研工作的貢獻。

3.2.2提供科技要聞簡報、專報定制等個性化推薦服務

利用大數據技術整合各領域、各學科尤其是學校的重點及重點建設的學科的科研人員關注的信息資源，為科技工作者和學術機構提供個性化推薦，及每周或每日科技要聞簡報、科技要聞專報定制等個性化服務。

3.2.3建立互動平臺

建立教學科研人員學術互動和學生的學習互動平臺，使讀者能夠在線發表學術觀點，交流創新思想，進行信息共享、發布，實現快捷高效的協同創新的學習和工作環境。

3.3開展基于社交網絡的圖書館服務

互聯網是一個能夠相互交流，相互溝通，相互參與的互動平臺，社交網絡使得互聯網從研究部門、學校、政府、商業應用平臺擴展成一個人類社會交流的工具，涵蓋以人類社交為核心的所有網絡服務形式，在人們的生活中扮演著重要的角色，它已成為人們生活的一部分，并對人們的信息獲得、思考和生活產生不可低估的影響。圖書館在遵循嵌入式延伸式服務的原則下，應充分利用Face-book、人人網等社交網絡平臺開展多種服務，通過這一平臺圖書館在更好地為讀者服務的同時，也最大程度地實現了自身的社會價值。

3.3.1在Face-book、人人網等社交網絡平臺上建立圖書館專頁

圖書館根據自身實際情況，在Face-book、人人網等平臺上建立圖書館專頁，將本館的各種功能以專頁的形式展現給用戶，使用戶在使用社交網絡的同時發現圖書館，并從中找到圖書館提供的服務。如在Face-book上，以專頁形式存在的具體服務形式主要有墻、圖書館活動、圖書館圖片和影視展等形式，在人人網上，以專頁形式存在的具體服務形式是人人網上的公共主頁。Face-bookk中的墻相當于用戶專頁上的留言板，圖書館根據自身需要在Face-book中“墻”上或人人網中的新鮮事、留言上發布圖書館的公告或者提供服務，Face-book、人人網的用戶通過圖書館的“墻”、新鮮事、留言等了解到圖書館提供的服務，進而對其留言進行轉載、評論、分享。同時圖書館可以讓讀者發現并提出服務或管理中存在的問題或對圖書館提供的某一項新型服務進行調研，找出問題，加以改進，力求為解決問題在圖書館與讀者之間提供交流互動的平臺。

3.3.2通過應用程序接口開發圖書館服務

通過開放平臺如Face-book等推出的應用程序接口API，圖書館可開發與其核心功能集成的應用程序，根據開放接口API使之與圖書館OPAC或其他數據庫連接，把具有OPAC功能的程序嵌入到如Face-book等開放平臺中，為讀者提供圖書館的服務。

4結語

大數據將改變我們對數據的認識與看法，數據不僅僅是數據處理的對象更是一種基礎資源，然而目前大數據的研究和應用仍處于一個起步階段，很多基礎性的問題有待解決，圖書館作為信息資源收集整理及為社會提供信息服務的資源中心，盡管有資源的優勢，但在大數據研究、應用方面，已落后于IT廠商與信息服務機構，今后，在大數據的服務競爭中，圖書館不得不考慮如何發揮自身優勢，突破在技術等方面的劣勢，加以追趕才有可能避免被邊緣化。

參考文獻

[1]Nature.Big Data[EB/O L].http：∥www.nature.com/news/specials/bigdata/index.html，2012-10-02.

[2]Manyika J，Chui M，Brown B，et al.Big data：The next frontier for innovation，competition，and productivity[R/OL].http：∥www.mckinsey.com/Insights/MGI/Research/TechnologyandInnovation/BigdataThenextfrontierforinnovation，2012-10-02.

[3]Big Data Across the Federal Government[EB/O L].http：∥www.whitehouse.gov/sites/default/files/microsites/ostp/bigdatafactsheetfinall.pdf，2012-10-02.

[4]UN Global Pulse.Big Data for Development：Challenges Opportunities[R/O L].http：∥www.unglobalpulse.org/projects/Big Data for Development，2012-10-02.

[5]Times N Y.The age of big data[EB/O L].http：∥www.nytimes.com/2012/02/12/sunday-review/big-datas-impact-in-the-world.html/pagewanted=all，2012-10-02.

[6]Big data[EB/O L].http：∥en.wikipedia.org/wiki/Bigdata，2012-10-02.

[7]Grobelnik M.Big-data computing：Creating revolutionary breakthroughs in commerce，science，and society[R/O L].http：∥videolectures.net/eswc2012grobelnikbigdata/，2012-10-02.

[8]Barwick H.The“four Vs”of Big Data.Implementing Information Infrastructure Symposium[EB/OL].http：∥www.computerworld.com.au/article/396198/iiisfourvsbigdata/，2012-10-02.

[9]IBM.What is big data？[EB/O L].http：∥www-01.ibm.com/software/data/bigdata/，2012-10-02.

[10]Hey T，Tansley S，Tolle K.The Fourth Paradigm：Data-intensive Scientific Discovery[M/O L].Microsoft Research，Redmond，washington（2009）http：∥research.microsoft.com/en-us/collaboration/fourthparadigm/.

[11]Lazer D，et al.Computational social science[J].Science，2009，323：721-723.

[12]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013，50（1）：146-169.

[13]Kumar R.Two computational paradigm for big data[EB/O L].KDD summer school，2012.http：∥kdd2012.sigkdd.org/sites/images/summerschool/Ravi-Kumar.pdf，2012-10-02.

[14]Information Week Report.The big data management challenge[R/OL].http：∥reports.informationweek.com/abstract/81/8766/business-intelligence-and-information-management/research-the-big-data-management-challenge.html，2012-10-02.

[15]Agrawal R，Srikant R.Privacy preserving data mining[C]∥Proc of SIGMOD 2000.New York：ACM，2000：439-450.

[16]Dwork C.Differential privacy[C]∥Proc of ICALP 2006.Berlin：Springer，2006：1-12.

（本文責任編輯：孫國雷）

（上接第32頁）

[4]Ritchie B，Brindley C.An emergent framework for supply chain risk management and performance measurement[J].The Journal of the OperationalResearch Society：Risk Based Methods for Supply chain Planning and Management，2007，58（11）：1398-1411.

[5]何勇，趙林度，何炬，等.供應鏈協同創新管理模式研究[J].管理科學，2007，5（20）：9-13.

[6]張旭梅，張巍，鐘和平，等.供應鏈企業間的協同創新及其實施策略研究[J].現代管理科學，2008，（5）：9-12.

[7]張巍，張旭梅.縱向溢出效應供應鏈企業間的協同創新研究[J].商業研究，2009，（384）：42-46.

[8]張巍，張旭梅.供應鏈企業間的協同創新及收益分配研究[J].研究與發展管理，2008，4（20）：81-88.

[9]Nancy C.Shaw，Mary J.M.，Francis D.T.A Case Study of Integrating Knowledge Management into the Supply Chain Management Process.Proceedings of the 36th Hawaii International Conference on System Sciences[C].Hawaii，2003.

[10]Kwok Kee Wei，Weiling Ke.Factors affecting trading partners knowledge sharing：Using the lens of transaction cost economics and socio-political theories[J].Electronic Commerce Research and Applications，2007，（6）：297-308.

[11]Daniel Perry，Jiju Antony Chengbo Wang，Craig Fergusson.A conceptual case-based model for knowledge sharing among supply chain members[J].Business Process Management Journal，2008，14（2）：147-165.

[12]Shaker A.Zahra a，Donald O.Neubaum b.Knowledge sharing and technological capabilities：The moderating role of family involvement[J].Journal of Business Research，2007，60：1070-1079.

[13]Sobrero M.，Roberts EB.The trade-off between efficiency and learning in interorganizational relationships for product development[J].Management Science，2001，（4）：493-511.

[14]Dyer，Nobeoka.Creating and managing a high-performance knowledge-sharing network：The Toyota case[J].Strategic Management Journa，2000，21：345-367.

[15]覃艷華，曹細玉.供應鏈中的知識共享與合作創新研究[J].科技管理研究，2006，（4）：183-186.

[16]吳成鋒，王玉梅，單偉.基于知識共享與知識創新提升供應鏈核心競爭力的研究[J].情報雜志，2010，29（11）：83-87.

[17]張旭梅，黃陳宣.逆向供應鏈企業間知識共享的決策機制研究[J].管理學報，2013，10（2）：233-237.

[18]翁莉，仲偉俊，魯芳.供應鏈知識共享的決策行為及影響因素研究[J].管理學報，2009，6（12）：1648-1652.

[19]劉麗賢，李鵬.供應鏈成員協同知識創新風險研究[J].技術經濟與管理研究，2012，（6）：28-31.

（本文責任編輯：孫國雷）2013年10月1第33卷第10期1現？代？情？報1Journal of Modern Information1Oct.，20131Vol.33No.102013年10月1第33卷第10期1政務信息管理的驅動力分析1Oct.，20131Vol.33No.10

收稿日期：2013-06-03

作者簡介：張艷（1981-），女，館員，碩士，研究方向：資源建設、信息管理，發表論文5篇。