導(dǎo)語：如何才能寫好一篇數(shù)學(xué)建模路線規(guī)劃問題，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

摘 要：物流配送作為物流產(chǎn)業(yè)的核心進程，其效率的高低直接影響整個物流業(yè)的發(fā)展。鑒于目前的配送調(diào)度多依賴于傳統(tǒng)的數(shù)學(xué)模型導(dǎo)致規(guī)劃的最優(yōu)路線與實際經(jīng)驗不相符，文章提出將實時交通信息、行車經(jīng)驗等現(xiàn)實因素作為GIS先驗知識指導(dǎo)智能配送的優(yōu)化的算法并進行實現(xiàn)。應(yīng)用結(jié)果表明該成果能在很大程度上提高物流配送的效率。

關(guān)鍵詞：智能配送；遺傳算法；GIS先驗知識

中圖分類號： P208 文獻標(biāo)識碼：A

Optimization and Realization of the Intelligence Distribution Based on Prior Knowledge of GIS

ZHENG Xiangli

(Shenzhen Careland Technology Co., Ltd. Shenzhen 518040,China)

Abstract:As the core process of the logistics ,the efficiency of distribution will affect the development of logistics industry directly.The optimal route planning of distribution does not match to the actual experience because of much the current distribution schedule depends on traditional mathematical models.The paper proposes a algorithm that took realtime traffic information, driving experience and other practical factors as GIS prior knowledge to guide the intelligent distribution and carried out to achieve. Application results show that the research can improve the efficiency of logistics and distribution greatly.

Key words:intelligence distribution; genetic algorithms;prior knowledge of GIS

1 引 言

近年來，隨著物流行業(yè)的不斷發(fā)展，物流信息量迅速增加，需求的處理也越來越復(fù)雜，對配送系統(tǒng)的要求也越來越高，因此人們開始研究如何構(gòu)建智能的物流配送系統(tǒng)來滿足需求。目前國內(nèi)研發(fā)生產(chǎn)的物流配送系統(tǒng)大多是基于各種啟發(fā)式算法基礎(chǔ)構(gòu)建的VRP模型，利用這些數(shù)學(xué)模型分析配送路線，結(jié)果可能會與實際經(jīng)驗不完全相符，具有一定的局限性，因此應(yīng)用率不高?；诖吮尘?，在已有的導(dǎo)航軟件研發(fā)的經(jīng)驗基礎(chǔ)之上，研究將行車配送過程中的現(xiàn)實因素如實時交通、行車經(jīng)驗等信息與現(xiàn)有智能配送系統(tǒng)進行整合，建立基于GIS先驗知識的智能配送系統(tǒng)，提高其實用價值。

2 智能配送概述

配送是物流中一種特殊的、綜合的活動形式，集裝卸、運輸于一身，通過一系列的活動完成送貨的目的。隨著集約化、一體化的物流配送的發(fā)展，需將配送的各個環(huán)節(jié)綜合起來，配送的核心在于集貨線路優(yōu)化、貨物配裝及送貨過程的優(yōu)化。

智能物流配送是指在配送規(guī)劃時，運用計算機技術(shù)、圖論、運籌、統(tǒng)計、GIS等方面的技術(shù)，根據(jù)配送的要求，由計算機自動規(guī)劃出一個最佳的配送方案，包括物品的裝載與車輛的調(diào)度、配送路線規(guī)劃的優(yōu)化等方案，旨在降低物流成本，提高客戶服務(wù)水平，減輕調(diào)度人員和司機勞動強度，滿足城市配送、電子商務(wù)、電話購物等現(xiàn)代城市物流配送業(yè)務(wù)的發(fā)展需要；以車輛最少、里程最少、運輸費用最低、時間最快、滿意度最高等因素為目標(biāo)，把配送訂單科學(xué)地分配給可用的車輛，結(jié)合配送路線的規(guī)劃進行合理的裝載，以完成配送任務(wù)［1］。

在實際配送過程中，由于受交通路況、客戶需求、商品本身特性等條件的制約，而且各種因素又具有不確定性的特點，物流配送規(guī)劃往往是一個極其復(fù)雜的系統(tǒng)工程［2］。目前解決這一問題的辦法是將復(fù)雜問題分解或轉(zhuǎn)化為一個或幾個已經(jīng)研究過的基本問題，如背包問題、最短路徑問題、最小費用流問題等，再采用較為成熟的理論和方法進行求解，以得到智能配送問題的最優(yōu)解或滿意解。但是這種求解方法得到的最優(yōu)解往往是理想狀態(tài)下的，未能考慮現(xiàn)實世界的不確定因素的影響，實用性較低［3］。因此文章引入了以歷史交通數(shù)據(jù)、司機行車經(jīng)驗信息作為樣本的先驗知識，再結(jié)合現(xiàn)今較為成熟的方法求得配送的最佳路徑，最后根據(jù)規(guī)劃的路徑進行貨物的合理裝載與配送。

3 基于先驗知識的智能配送的優(yōu)化策略

3.1 優(yōu)化原理

要實現(xiàn)對貨物的智能配送，首先需將物流配送中心當(dāng)日訂單的配送信息可視化到GIS電子地圖上，然后利用GIS特有的空間分析功能對客戶的位置、訂單數(shù)量及種類等進行分析，最后結(jié)合配送中心本身的位置、道路的交通狀況以及車輛的裝載能力確定配送路線。其中道路的交通狀況除了道路的通達情況之外，還應(yīng)考慮道路的實時通行狀況。

當(dāng)前實時交通信息的應(yīng)用發(fā)展還不是很成熟，直接運用實時交通信息進行路線規(guī)劃的可行性較小，再者此時的路線規(guī)劃只是單純的通過確定配送的路線來安排貨物的裝載，往往與車輛在途的實時路線規(guī)劃存在差異?；诖?，將歷史的交通路況、司機行車經(jīng)驗等信息加以分析作為GIS先驗知識加以運用，結(jié)合遺傳算法進行配送路線的優(yōu)化。

線路的規(guī)劃主要考慮以下幾個原則［3］：

a、 集中的原則：分布位置比較集中的客戶盡量劃分在一條線路上；

b、 線路最少的原則：在車輛運力允許的條件下，盡量用最少的線路進行配送；

c、 線路最短的原則：劃分線路時，盡量使線路最短；

d、 行車時間最短的原則：在一定的交通狀況下，保證車輛配送所花費的時間最短。

配送路線確定之后，每條路線上的客戶數(shù)量、訂單數(shù)量、配送商品的總體積、總重量、商品特殊性等信息也就決定了。根據(jù)這些參數(shù)和物流中心的車輛、人員狀況，就可以決定裝車方案。

3.2 具體的方法

智能物流配送的優(yōu)化主要體現(xiàn)在兩個方面：一是利用遺傳算法實現(xiàn)智能配送車輛調(diào)度的優(yōu)化；二是在GIS優(yōu)化的遺傳算法的基礎(chǔ)上，將歷史交通路況、司機行車經(jīng)驗、等信息作為經(jīng)驗知識引入。

3.2.1 遺傳算法實現(xiàn)物流配送優(yōu)化

遺傳算法是通過模擬生物的遺傳和進化過程而建立的一種自適應(yīng)全局優(yōu)化概率搜索算法，它通過模擬達爾文“優(yōu)勝劣汰、適者生存”的原理鼓勵產(chǎn)生好的結(jié)構(gòu)，模仿孟德爾的遺傳變異理論在算法迭代的過程中在保持原有的結(jié)構(gòu)地基礎(chǔ)上，再去尋找更好的結(jié)構(gòu)而產(chǎn)生的［4］。其基本思想是對一組可行解個體組成的群體進行選擇、交叉和變異等遺傳算子的運算，產(chǎn)生新一代群體，并逐步使群體進化到最優(yōu)解的狀態(tài)。

遺傳算法的運算過程：①初始化。設(shè)置進化代數(shù)計數(shù)器t=0；設(shè)置最大進化代數(shù)T；隨機生成M個個體作為初始群體P(0)。②個體評價。計算群體P(t)中各個個體的適應(yīng)度。③選擇運算。將選擇算子作用于群體。④交叉運算。將交叉算子作用于群體。⑤變異運算。將變異算子作用于群體。群體P(t)經(jīng)過選擇、交叉、變異運算之后得到下一代群體P(t+1)。⑥終止條件判斷。若t≤T，則t=t+1，轉(zhuǎn)到步驟②；若t＞T，則以進化過程中所得到的具有最大適應(yīng)度的個體作為最優(yōu)解輸出，終止計算［5］。

利用遺傳算法進行物流配送的優(yōu)化，算法的設(shè)計如下：

1） 編碼方法設(shè)計［6］：采用Crefenstette等提出的巡回路線編碼法：假設(shè)將配送問題中所有用戶所組成的列表記為W，給配送中心和每個用戶分配一個1~n之間的序號，序號的排列也記為W，即W=(t0,t1,t2…tn)。配送順序記為T，T=(t0,t1,t2,…tn)，規(guī)定每配送完一個用戶，就從W中將其刪除。

2） 遺傳算子設(shè)計

選擇算子常用的方法有輪轉(zhuǎn)法、最優(yōu)保存法和期望值選擇方法，其中輪轉(zhuǎn)法以被證明不能收斂到全局最優(yōu)解，而最優(yōu)保存方法可以收斂到全局最優(yōu)解，故在此選用最優(yōu)保存法［7］。

交叉算子一般采用單點交叉、雙點交叉和均勻交叉等算子，但由于配送優(yōu)化問題采用的是序號編碼方法，常規(guī)的交叉算子無法直接使用，在此首先進行常規(guī)的雙點交叉，然后通過路徑有效順序的修改來實現(xiàn)交叉運算［8］。

配送優(yōu)化問題中個體編碼串上的各基因與配送路徑上的用戶號是對應(yīng)的，各基因值互不相同，可以采用倒位變異算子，通過將個體編碼串中隨機選取的兩基因座之間的基因逆序排列，從而產(chǎn)生新的巡回路徑［9］。

根據(jù)遺傳算法的過程對實際問題進行分析、運算，在過程中加入先驗知識模型，求得物流配送路徑的最優(yōu)解，其流程如下圖1所示：

3.2.2 先驗知識統(tǒng)計與分析

在地理信息系統(tǒng)的應(yīng)用中，往往存在很多現(xiàn)實因素，若能對這些因素加以分析和處理，就可以在一定程度上提高處理的效率。在智能配送這一行業(yè)中，可以運用的GIS先驗知識包括道路交通、司機的行車經(jīng)驗等信息。

1）道路交通信息

在目前的技術(shù)條件下，要將實時交通信息數(shù)據(jù)直接應(yīng)用于智能物流配送還存在一定的困難，但是可以將已有的歷史交通信息數(shù)據(jù)進行充分的利用，將其作為先驗知識輔助決策。在使用歷史交通信息數(shù)據(jù)之前，首先對其進行統(tǒng)計分析，將其按照一定的準(zhǔn)則抽象存儲于先驗知識庫中以備調(diào)用。

2） 司機經(jīng)驗

雖然根據(jù)最短路徑程序算法規(guī)劃的道路都是按地理距離最短優(yōu)先，已經(jīng)考慮了長度、車道數(shù)、道路等級等影響因素，但由于道路存在一些客觀因素如修路、車流量等，可能與實際不符。物流配送老司機如果多年來都配送相同的幾段道路的話，對路在線的交通狀況就非常了解，根據(jù)常年累積的行車經(jīng)驗選擇避開一些易擁堵路段，使得司機所選擇的路徑不一定是最短的，但是到達配送地點的時間相對較短，可以在一定程度上提高配送效率；司機在道路等級的選擇上，通常選擇城市道路網(wǎng)中等級較高的路段，除非該路段車流量大、行車緩慢，或者有更好的低級別的道路，這樣司機的行車路線就能在一定程度上保證了道路等級的一致性和連貫性；除此之外司機在配送過程中，如非特別需要，對于一些生僻的、路況較差的路段選擇的概率較小，而根據(jù)一般算法規(guī)劃的路徑為了追求里程最短而忽略了這一點。

因此將老司機的行車經(jīng)驗信息作為一種先驗信息儲存于GIS先驗知識庫中，在進行配送優(yōu)化時綜合考慮其影響，規(guī)劃的結(jié)果會更切實際，實用性更強。

為了有效的運用這些先驗信息，首先建立一個GIS先驗知識庫對其進行統(tǒng)一管理和調(diào)用，然后對先驗知識庫中的先驗知識進行建模，最后指導(dǎo)路線的規(guī)劃，先驗知識建模思路如下圖2所示。

4 應(yīng)用實例

文中研究成果已在公司幾個系統(tǒng)中進行了運用，實驗以凱立德電子地圖數(shù)據(jù)作為基礎(chǔ)平臺，以湖北省某醫(yī)藥公司在武漢市的藥店藥品配送為例，隨機選取了部分門店數(shù)據(jù)和配送車輛數(shù)據(jù)進行配送規(guī)劃實驗（門店數(shù)為30車輛數(shù)為4），實驗結(jié)果如圖3所示。

3-a 為優(yōu)化前系統(tǒng)規(guī)劃配送情況

3-b 優(yōu)化后系統(tǒng)規(guī)劃配送情況

通過結(jié)果可以看出，系統(tǒng)成功地將配送中心的待配送任務(wù)進行了規(guī)劃，利用四輛車對30家門店的送貨任務(wù)進行了分配并規(guī)劃了配送路線（包括返程路線）。其中圖3-a是利用原有的系統(tǒng)對車輛鄂A-C1553進行配送規(guī)劃的結(jié)果，車輛的配送里程為336.371公里，圖3-b是用文中方法優(yōu)化后對車輛鄂A-C1553的配送路線規(guī)劃，配送里程為317.015公里，較優(yōu)化前縮短里程近20公里；加入先驗知識優(yōu)化后車輛行走的路線為以省道優(yōu)先，避開了路況較差的鄉(xiāng)道，企業(yè)按照系統(tǒng)規(guī)劃的路線，根據(jù)路線上客戶分布順序安排貨物的裝載方案，派出車輛鄂A-C1553進行配送。根據(jù)配送結(jié)果分析，該優(yōu)化方案確定。提高了物流配送的效率。

5 總 結(jié)

文章將實時交通信息、行車經(jīng)驗等信息作為先驗數(shù)據(jù)進行建模，并將其與遺傳算法結(jié)合實現(xiàn)，應(yīng)用到智能配送的優(yōu)化中來，在很大程度上解決了傳統(tǒng)算法規(guī)劃的配送方案與實際不相符的問題。研究的應(yīng)用表明，該研究成果對于提高物流配送的效率具有指導(dǎo)意義，由于條件的限制，未能將物流貨物的類別對建模的影響考慮進來，這是需要進一步研究的問題。

參考文獻

［1］ 葉年發(fā),沈海燕,馮云梅.基于RFID及智能優(yōu)化的物流配送方法和技術(shù)的研究［J］.交通運輸系統(tǒng)工程與信息,2008,8(2):131-135.

［2］ 劉云霞,彭鴻廣,曹玉華.不確定信息的物流配送系統(tǒng)實時車輛優(yōu)化調(diào)度策略［J］.浙江科技學(xué)院學(xué)報,2008,20(4):289-291.

［3］ 李子豪.智慧物流平臺――公路運輸管理系統(tǒng)的設(shè)計與實現(xiàn)［D］.北京:北京交通大學(xué),2011.

［4］ 張連蓬,劉國林,江濤，等.基于先驗知識的GIS路徑尋優(yōu)算法［J］.測繪科學(xué):2003,28(3):27-29.

［5］ 陳國良,王煦法,莊鎮(zhèn)泉，等.遺傳算法及其應(yīng)用［M］.北京:人民郵電出版社,1996.

［6］ 林娜,李志.基于GIS和遺傳算法的物流配送中心選址研究［J］.遙感信息:2010,5:110-114.

［7］ 王會云,肖建祿,劉登泰，等.基于遺傳算法的配送路線優(yōu)化［J］.后勤工程學(xué)院學(xué)報:2008,24(3):91-94.

篇2

2007年，全球市值最高的公司是埃克森美孚公司(Exxon Mobil)，其次是通用電氣、微軟、中國工商銀行、花旗集團(Citigroup)、AT&T、皇家荷蘭殼牌(Royal dutch shell)、美國銀行(Bank of America)、中國石油(PetroChina)、中國移動。

十年后，在全球市值最高的公司榜單上，蘋果、谷歌母公司Alphabet、微軟、Facebook、亞馬遜、伯克希爾·哈撒韋(Berkshire Hathaway)、阿里巴巴、騰訊排名第一到第八，美國強生(Johnson&Johnson)、埃克森美孚(Exxon Mobil)排名第九、第十。

對比起來，現(xiàn)在的十大公司中，有谷歌、Facebook、亞馬遜、阿里巴巴和騰訊五家互聯(lián)網(wǎng)公司，而且市值都超過了3000億美元，這就是互聯(lián)網(wǎng)的力量。

很多人都在問，誰能成為這五家之外的佼佼者，下一個千億美金級的互聯(lián)網(wǎng)公司是誰？

最近聽阿里巴巴參謀長曾敏的《智能商業(yè)二十講》，他提供了一種思考方式。曾鳴認為，谷歌、Facebook、亞馬遜、阿里巴巴和騰訊之所以能夠成為千億美金級的公司，是因為他們的商業(yè)模式是“智能商業(yè)雙螺旋”。

所謂“智能商業(yè)雙螺旋”，是指的互聯(lián)網(wǎng)公司的模式可以統(tǒng)統(tǒng)歸為網(wǎng)絡(luò)協(xié)同或者數(shù)據(jù)智能，如果占其一，就可以實現(xiàn)單輪突破，如果兩個都占據(jù)，將能實現(xiàn)雙輪突破，形成智能商業(yè)雙螺旋的爆破態(tài)勢。

網(wǎng)絡(luò)協(xié)同可以認為是“互聯(lián)網(wǎng)”，關(guān)鍵詞是連接，當(dāng)你連接的供需方越多，網(wǎng)絡(luò)協(xié)同的規(guī)模越大；數(shù)據(jù)智能可以認為是“人工智能”，關(guān)鍵詞是精準(zhǔn)，當(dāng)使用大數(shù)據(jù)、人工智能等技術(shù)時，供需雙方可以快速、精準(zhǔn)匹配。

單輪突破的公司，市值可以達到百億美金級左右；雙輪突破，則可以讓公司達到千億美金級的規(guī)模。

谷歌，將海量的中小廣告主與海量的小網(wǎng)站連接起來，而且通過人工智能精準(zhǔn)匹配，讓廣告價格可以實時在線。所以，谷歌是網(wǎng)絡(luò)協(xié)同和數(shù)據(jù)智能雙輪驅(qū)動的公司，市值現(xiàn)在高達6500億美金。

阿里巴巴旗下的淘寶是單輪驅(qū)動到雙輪驅(qū)動的典型，2003年到2008年，淘寶將海量的賣家和海量的買家進行連接，隨后又有無數(shù)的類目、無數(shù)的服務(wù)商加入，是網(wǎng)絡(luò)協(xié)同的不斷擴張；2008年到現(xiàn)在，淘寶從類目到搜索，引入數(shù)據(jù)智能，實行效果營銷競價排名的廣告模式，從而在數(shù)據(jù)智能上進行突破，最終憑借智能商業(yè)雙螺旋實行引爆。

沿著這個邏輯，不妨我們分析一下未來最有可能成為千億美金級的互聯(lián)網(wǎng)公司是誰？

美團點評是最有潛力成為千億美金級的互聯(lián)網(wǎng)公司，這是因為美團點評干了一個史無前例的事情，就是將無數(shù)線下服務(wù)的商家搬到了互聯(lián)網(wǎng)上。這個動作叫做網(wǎng)絡(luò)協(xié)同，最早美團點評是將餐飲的商家互聯(lián)網(wǎng)化，但如果美團點評止步于此，美團點評的網(wǎng)絡(luò)協(xié)同規(guī)模還太小，最多只能成為一個幾十億美金的公司。

但是，美團點評在餐飲行業(yè)互聯(lián)網(wǎng)化的基礎(chǔ)上，將總結(jié)出的通用能力，快速復(fù)制到其他行業(yè)中。于是，你能看到的表象是，美團點評在不斷擴張自己的邊界，從餐飲擴張到了電影票、酒旅、KTV、麗人、母嬰、保潔、打車、線下實體店……實際上，美團點評是在擴大自己的網(wǎng)絡(luò)協(xié)同規(guī)模，在美團點評構(gòu)建的這張網(wǎng)上，所連接的商家和用戶數(shù)量也在指數(shù)級的擴張，目前美團點評覆蓋200個電商服務(wù)和產(chǎn)品類別，以及約2800萬POI和301萬活躍商家，在中國2800個城市提供服務(wù)。

如果美團點評止步于此，可以成為一家百億美金級的公司，但是美團點評在網(wǎng)絡(luò)協(xié)同的過程中，并不是簡單地將線下商家互聯(lián)網(wǎng)化，而是引入了數(shù)據(jù)智能，換句話說，是用大數(shù)據(jù)和人工智能去精準(zhǔn)匹配各種需要連接的需求。

最近高盛了一份中國人工智能的報告，名為《China’s Rise in Artificial Intelligence》，其中提到：美團點評每日產(chǎn)生1.5PB的數(shù)據(jù)，公司存儲了200PB的數(shù)據(jù)。大數(shù)據(jù)是美團點評的關(guān)鍵，其業(yè)務(wù)模式需要為O2O和全渠道零售線上和線下數(shù)據(jù)的整合。數(shù)據(jù)采集、分析和應(yīng)用能力，一起決定著美團點評平臺的客戶體驗。

美團點評的實時物流配送人工智能調(diào)度系統(tǒng)，就是數(shù)據(jù)智能的典型。不同于傳統(tǒng)電商配送，外賣配送具有下單集中、配送時短、因素復(fù)雜等多個難點。外賣的一個訂單生命周期一般在1小時內(nèi)。這就要求，配送系統(tǒng)調(diào)度一批訂單的時間要在5秒鐘以內(nèi)，外賣訂單并發(fā)度高，要找出最好的調(diào)度方案，就需要從規(guī)模相當(dāng)大的搜索空間找到足夠好的解。從數(shù)學(xué)建模的角度看，這是一個超大規(guī)模離散組合優(yōu)化問題。以一個配送區(qū)域為例，200個配送員50個新訂單，每個騎手有5個已有訂單，其單次優(yōu)化調(diào)度的解空間可達20050*10!的規(guī)模！

美團點評研發(fā)出了人工智能調(diào)度系統(tǒng)，成為騎手的“超級大腦”，該調(diào)度系統(tǒng)基于大數(shù)據(jù)分析，包括數(shù)百萬歷史訂單、數(shù)十億快遞線路、數(shù)千萬不同的客戶和商家等數(shù)據(jù)，綜合考慮訂單結(jié)構(gòu)、騎手習(xí)慣、區(qū)域路況、天氣、交通工具、取餐難度、出餐時間、交付難度、配送范圍等多類復(fù)雜因素，在50毫秒內(nèi)生成最有效的快遞路線規(guī)劃。美團點評每次派單背后都需要上億次的計算來優(yōu)化路線，這套系統(tǒng)在配送員人均日單量提升前提下，能夠讓單均配送時長有效得到降低，騎手單均行駛距離從2260米降低至1980米。

曾鳴認為，美團點評在網(wǎng)絡(luò)協(xié)同和數(shù)據(jù)智能上都取得了比較大的突破，美團點評的商業(yè)模式就是將本地生活服務(wù)業(yè)實現(xiàn)在線化和數(shù)據(jù)化。

淘寶是將中國的線下實物商業(yè)搬到了網(wǎng)上，然后又實現(xiàn)了數(shù)據(jù)化，達到了千億美金級別；服務(wù)業(yè)的商家規(guī)模和市場規(guī)模比起實物來更加龐大，如果美團點評在網(wǎng)絡(luò)協(xié)同化和數(shù)據(jù)智能化的智能商業(yè)雙螺旋中執(zhí)行得力，很容易成為一家千億美金級的互聯(lián)網(wǎng)巨頭。

再來看看滴滴。滴滴和Uber的模式比較類似，他們的本質(zhì)是數(shù)據(jù)智能，是通過大數(shù)據(jù)和人工智能將乘客和司機快速匹配在一起。Uber曾經(jīng)做過一個測試，任何人叫車后的等待時間只要超過4分鐘，乘客就不滿意。其實，不用測試，我們每個人的叫車經(jīng)歷都證明了這一點，就是說如果不能快速精準(zhǔn)匹配，滴滴、Uber們都沒辦法生存。

但是，滴滴連接的供需雙方還是局限在乘客和司機的連接上，數(shù)據(jù)智能上實現(xiàn)了單輪突破，但是卻無法擴大網(wǎng)絡(luò)協(xié)同。沒有網(wǎng)絡(luò)效應(yīng)，光有規(guī)模效應(yīng)是不夠的，規(guī)模經(jīng)濟的壁壘不深，很容易被海量的資本攻破，雖然滴滴在網(wǎng)約車領(lǐng)域一家獨大，但可復(fù)制性其實比較強。這一切都決定了滴滴很難成為千億美金級的公司。

今日頭條現(xiàn)在風(fēng)頭正勁，它的商業(yè)模式也是數(shù)據(jù)智能。正是借助強大的智能算法，今日頭條將無數(shù)內(nèi)容提供商和用戶連接在一起。如果沒有數(shù)據(jù)智能，今日頭條根本不可能打敗已經(jīng)非常成熟的門戶和新聞客戶端。

但是，今日頭條和滴滴類似，在數(shù)據(jù)智能上實現(xiàn)了單輪突破，但是卻無法具有網(wǎng)絡(luò)效應(yīng)。無論是做新聞，還是做問答，或者做短視頻，今日頭條都是局限在將內(nèi)容提供商和用戶連接在一起，無法實現(xiàn)網(wǎng)絡(luò)協(xié)同的大擴張、大爆發(fā)，因此也很難實現(xiàn)智能商業(yè)雙螺旋，實現(xiàn)雙輪突破。