关键词：港口物流服务，大数据治理，RACI模型，元数据管理成熟度模型，数据应用场景化
1、港口物流服务大数据应用需要大数据治理
港口是物流链上的一个重要节点，它不同于一般的物流，虽然它包含了基础的仓储、运输、分拨配送、包装加工等物流功能，但是它的优势在于可以提供由口岸优势带来的衍生增值服务。
港口起初只是一个因为便利的运输条件而发展起来的“运输中心”，之后逐渐增加了商业活动，使港口具备了货物的增值能力。随着经济全球化发展，港口物流服务逐渐融入了通关、保税、加工、多式联运等多种元素，港口成为现代物流中的重要环节。为了让港口物流服务高效、有序地进行，出现了具有涵盖物流产业链所有环节特点的港口综合服务体系。各种服务流程及服务内容都以数据流的形式在系统中存储并工作。
目前国内外众多港口尝试将大数据技术与港口物流生产服务联系，以构建基于大数据的港口企业决策体系，主要应用到的港口服务如图1所示。
图1.现代港口基于大数据的物流服务信息体系图1中的核心是物流服务信息系统，各种业务流数据都会在这一层体现，在这些业务流数据的指导下进行基础设施建设，并进一步用这些业务流数据进行港口生产运营管理，从而实现将大数据应用于指导港口物流服务生产的过程中。
在信息化建设过程中，各种线圈、传感器、摄像头布置在港口以保障服务体系能够及时获取有效数据，与多源多维数据相对应，存在多个信息系统，这些信息系统之间常常是相关的，它们的数据有很强的耦合性，却往往由于存储结构、标准化等问题出现过于冗余地存储，浪费存储和读取的软硬件资源，如何有效辨识、存储和标准化使用数据就成了亟待解决的一个问题。数据量得以保证，且数据应用框架已经形成之际，源数据质量显得尤为重要。只有建立在正确、准确、及时、优质的数据基础上形成的策略才是真正做出有意义的生产决策。在大数据应用技术不断得到重视的同时，大数据治理相关理论也在逐渐形成。
2、港口物流服务大数据治理理论体系
数据作为企业所有的一项重要资产，对其的治理是指对其正确性、及时性，数据流向的控制、权限的控制和安全的控制。它要解决的问题就是标准化业务数据，会涉及业务决策过程、组织职责描述、质量控制等具体执行层。数据治理是大数据治理的基础，大数据治理的核心在于将数据与业务结合，因此从港口物流服务业务需求出发，构建其大数据治理框架。
大数据治理的主要目的是使数据的利用价值和利用效率最大化，使数据爆炸带来的负面影响最小化，它是一场管理革命，会给国家治理方式带来根本性变革。在公共服务领域，基于大数据的智能服务系统将会极大地提升人们的生活体验(周文彰2015)。当前，银行(中信银行2012)、电力(巨克真、魏珍珍2014)、医疗(高汉松、桑梓勤2013，常朝娣、陈敏2016)、公共治理(马亮2015，陈潭2016，崔伟2016，高奇琦、陈建林2016，姚磊2016)等领域已经开展了数据治理理论与实践研究，推动着社会治理朝着精细化方向发展(凌锐燕2016)。目前这些行业所采用的大数据治理模式大多建立在IBM所提出的数据治理的框架和方法上(Soares2010)，主要包括：RACI模型、元数据、主数据管理，数据生命周期、数据成熟度模型(Wende2007，桑尼尔•索雷斯2014)等。全局数据的“场景化”分析方法(朱琳、赵涵菁2016)，为大数据时代的数据治理提出了新的范式。
3、港口物流服务大数据治理的模型应用
随着港口信息化的不断提升，覆盖包括生产管理系统、集装箱管理系统、财务系统、设备系统、物资系统、固定资产管理系统、人力资源管理系统、工程管理系统等各应用系统的物流服务数据增长速度惊人。以生产管理系统为例，港口的生产作业包括货源开发、库场安排、理货、质量检验、过磅、计费等货运业务。生产作业部根据货运信息和船舶信息编制生产作业计划并组织生产作业，作业计划包括船舶名称、到港时间、货类、吨数、装卸工艺选择、作业线、计划工作量及人机配备等信息。操作管理部接到作业计划后，会组织操作人员及相关设备，按照作业计划在生产作业部的统一指挥和调度下展开装卸作业。其中，值班调度为流程负责人，操作人员、理货员、司磅员、装卸队、设备维护人员是具体实施该流程的装卸队，他们对流程负责。装卸作业结束后，生产作业部统计员统计并上报装卸作业量、车船作业在港停时、泊位、堆场、机械等利用情况。其相关数据流程如图2所示。3.1RACI模型
RACI模型是一个明确各个角色及其相关职责的直观模型。其含义是R(Responsible)：负责执行任务的角色，具体负责操控项目、解决实际问题；A(Accountable)：对任务负全责的角色，只有经过这个角色的同意后，项目才能得以进行；C(Consulted)：至任务实施前或中提供指定性意见的人员；I(Informed)：及时被通知结果的人，不必向其咨询、征求意见。在复杂的港口物流服务系统中，这个模型适合用于梳理相关业务流程及数据的各组织结构权限，实现对大数据的隐私及权限保护。
对以上港口物流生产管理流程中，操作管理部的流程实施过程，其工作涉及到多种工种类别，但根据RACI模型可以将其各自职责清晰表达，如下图3所示。
3.2元数据管理成熟度模型
元数据不是普通的实际数据，它是体现数据系统特征的数据，是对数据和信息资源的描述性信息，比如数据结构、数据存储部署、数据ETL过程的定义、数据访问日志等，可分为数据类元数据、技术类元数据及业务类元数据，包含了结构化数据、半结构化和非结构化数据，对数据的结构设计、一致性检验及知识挖掘，可以有效地提高数据存储效率，节约存储资源，并能及时发现系统异常。对港口物流服务系统这样一个跨部门操作的业务平台，同一业务含义的元数据在不同部门系统中的格式可能出现差异，需要利用映射转换达成一致，在这样的系统中，需要建立一个标准的资源描述框架，使得常见业务信息语义定义一致，加强子系统间的互操作性能。
元数据的管理在港口物流服务信息系统中尤为重要。在港口物流服务信息化的过程中，整体信息系统是由各个子系统逐步建设而成的，各子系统之间打破信息孤岛，实现信息互通就需要有效的元数据管理。目前，IBM针对元数据管理提出如图4所示的成熟度模型。由该图可知，目前港口物流服务信息系统中的元数据管理成熟度尚处于应用议程域内，从属于各分散的业务系统，很多子系统的互联互通，是通过一定的数据转换接口实现的。而真正要达到信息议程域的要求，元数据统一集中存储管理是基础，推进信息共享，从而很好地实现物流服务工作的协同推进。
3.3数据的场景应用分析
港口生产管理流程中流动的数据主要是生产计划中的船舶信息、货物信息、班次信息、设备信息和装卸工艺。对一段时间内的这些数据进行分析，有以下几种应用场景：
①对港口船舶在港时间给出精准预测。水运业务有较为明显的淡旺季，也对天气较为依赖，当遇到旺季，港口内会出现船舶积压，使得船舶在港等待时间增长，从而影响整体船舶使用效率。经过对累积港口船舶数据、相关货物装卸数据、时间损耗数据的分析，可以精准地预测船舶在港所需的时间，并结合船舶的运行线路，给出进港时间建议。
②对港口装卸班次人员设定及班次调整提出建议。对生产管理流程中流动的数据，可以清晰地找到装卸需求波动，从而更科学有效地进行班次及相应的人员设定。
③对港口设备维护周期提出建议。港口装卸设备种类多，对其数据的整理，可以对设备的维护周期进行预测。
4、结束语
当前将大数据应用到各行各业是趋势，港口物流服务作为传统行业，在信息化过程中已经较好地准备了多维数据，将较成熟的大数据治理模型应用其中，可以帮助它更好地完成大数据应用过程，使得数据真正成为港口物流相关企业的资产，为港口物流提供更好的服务做出贡献。
参考文献
[1]DirksSKeelingM.Avisionofsmartercities:Howcitiescanleadthewayintoaprosperousandsustainablefuture[J].IBMInstituteforbusinessValue,2009,8.
[2]SoaresSunil.TheIBMdatagovernanceunifiedprocess:DrivingbusinessvaluewithIBMsoftwareandbestpractices[M].MCPress,LLC,2010.
[3]WendeKristin.AModelforDataGovernance–OrganisingAccountabilitiesforDataQualityManagement[J].ACIS2007Proceedings,2007.
[4]陈潭.大数据驱动社会治理的创新转向[J].行政论坛,2016:1-5.
[5]崔伟.智慧治理:大数据时代京津冀大气污染治理之创新[J].知与行,2016:85-88.
[6]高汉松,桑梓勤.医疗行业大数据生命周期及治理[J].医学信息学杂志,2013:7-11.
[7]高奇琦,陈建林.大数据公共治理:思维、构成与操作化[J].人文杂志,2016:103-111.
[8]姜小建,解林超.大数据应用对供应链管理价值提升的分析[J].电子技术与软件工程,2016:205.
[9]巨克真,魏珍珍.电力企业级数据治理体系的研究[J].电力信息与通信技术,2014:7-11.
[10]凌锐燕.大数据时代的社会治理精细化工作研究[J].理论研究,2016:65-70.
[11]马亮.大数据技术何以创新公共治理?——新加坡智慧国案例研究[J].电子政务,2015:2-9.[12]桑尼尔•索雷斯.大数据治理[M].匡斌,译.北京:清华大学出版社,2014.
[13]张东翔,成斌.基于供应链管理的大数据应用分析[J].物流技术,2015:193-195.
[14]张明英,潘蓉.《数据治理白皮书》国际标准研究报告要点解读[J].信息技术与标准化,2015:54-57.
[15]中信银行股份有限公司数据治理工作组.商业银行数据治理体系构建思考[J].中国金融电脑,2012:23-27.
[16]周文彰.以大数据促进国家治理现代化.光明日报.2015:15版.
[17]朱琳,赵涵菁,王永坤,金耀辉.全局数据:大数据时代数据治理的新范式[J].电子政务,2016:34-42.
作者单位：重庆交通大学经济与管理学院。