*论文受国家自然科学基金面上项目（71171153）“24小时知识工厂的知识共享活动模型与服务支持系统研究”资助。

夏火松

（武汉纺织大学管理学院）

【摘　要】随着大数据和全球化的发展，需要探索和梳理知识管理研究的进展。这篇论文提出了从24小时知识工厂的视角构建企业知识网模型，该模型部分解决了在大数据情景下的分布、异步和跨时空的企业知识需求问题。论文首先分析了企业在大数据情景和全球化下，对知识管理的需求变化；其次，论文构建了基于24HrKF 的企业知识网模型；再次，提出了企业知识细分与合成问题；然后，构建了企业知识网服务支持系统；最后，对未来的研究的问题与研究方法进行了展望。

【关键词】24小时知识工厂（24HrKF）　大数据情景　知识驱动　知识管理研究进展　服务支持系统　企业知识网

Current Progress in Knowledge Management and EKNM Based on the 24HrKF

Huosong Xia

(School of Management of Wuhan Textile University)

【Abstract】With big data and globalization，current progress inknowledge management (CPKM) needs to research.This paper presents Enterprise Knowledge Network Model (EKNM) based on 24-Hour Knowledge Factory (24HrKF) which can partly improve and resolve the distribution，asynchronous，multi-time zone and place problems with knowledge management.Firstly，this paper discussed the new requirements of knowledge with big data and globalization.Secondly，based on the 24HrKF，we constructed the EKNM model with knowledgedriven and decision-driven processing.Thirdly，this paper discusses the problems of how can knowledge subdivision and combination.Fourthly，enterprise knowledge network support system of 24HrKF is described.Finally，the suggestions and methodologies are presented.

【Keywords】24-Hour Knowledge Factory (24HrKF) 　big data context　knowledge-driven　current progress in knowledge management(CPKM) 　service support system　enterprise knowledge network model (EKNM)

1　引　言

在知识管理的研究中，为了分析国际知识管理研究的研究热点和研究结构，我们选择了排名第一的J.of Knowledge Management（JKM）作为研究的期刊源，运用词频分析和共词分析，以及Winisis 和SPSS 统计软件，从中选取1997—2008年的546篇知识管理文章的关键词进行深度分析，分析揭示了国外知识管理的研究热点和研究主题，得出知识管理研究的三个主题领域分别是：组织学习行为；信息技术与组织知识结合；人力资源管理、项目管理同知识管理在实践中的结合。知识管理研究中最热门的是知识共享问题，从知识共享研究的视角有：知识共享的障碍、文化冲突、实践社区、共享动机、沟通技巧和理解知识供给双方的障碍[1]。随着大数据的不断兴起，在2012年至2014年Gartner 描绘的新兴技术成熟度曲线中，连续强调大数据成为稳定的发展技术[2]。全球化思想者Friedman 提出世界是扁平的，人类自2000年以来已经进入到globalization 3.0时代，其典型特征就是知识和IT 使空间缩小、时间变快。在globalization 3.0环境下，企业之间协同和竞争并存，全球化、外包、协同和信息技术的变化使世界越来越小。当今企业正寻求一种增强企业运作效率并实现长期客户关系的有效途径，因此众多现代企业均强烈的致力于业务流程改进（BPI）的举措[3][4]。利用大数据技术和协同工具改善企业的业务流程和决策流程使得企业各部门间知识高度共享和业务有效协同，是提升企业创新能力和生产效率的有效手段[5][6]。在全球化运作的24HrKF 上，已有的研究从不同的方面对全球运作模式进行了大量的探索研究[7][8]，但是在全球运作和大数据情景下，企业对知识的需求发生了许多变化，在知识的交易与共享的技术和管理的问题也发生了很多变化，尤其是异步、分布式情境下知识共享与企业知识需求问题更值得研究。这篇论文组织如下：首先，对24小时知识工厂及其相关问题进行了梳理；其次，探索了企业知识网；再次，对企业知识网的知识细分与合成以及可视化与形式化描述问题进行阐述；最后，提出了未来的研究问题与研究方法。

2　研究进展与述评

2.1　24小时知识工厂（24HrKF）

随着经济全球化和知识经济时代的来临，越来越多的企业开始思考并实际进行全球资源配置，通过业务流程改进建立新的全球运作模式已经在先进的软件企业中得以实现和发展[9][10]，IBM 公司于20世纪90年代中期成立了首个完备的全球软件开发团队[11]。在此背景下，国外众多学者开始研究全球协作运营模式，自Gorton等1996年通过一系列小型控制实验首次验证了全球协同进行软件开发的可行性后，众多大型跨国巨头和科研机构都开始研究全球协作的“日不落计划”（FTS，Follow the sun project），美国学者Amar Gupta 等对FTS 进一步的细化，提出了24小时知识工厂（24HrKF，24h Knowledge Factory）协同模型[7]，其主要的思想是全球化的团队、组织或企业，为了完成同一项任务、项目、产品和服务等，在不同的时区按照本时区的白天工作时间，共同完成任务[12]。这一模型的研究旨在解决快速响应市场、提高产品（包括服务）质量、节省成本和满足知识工作者希望只在白天正常工作等关键问题，其符合经济全球化和知识化管理的趋势与潮流。例如软件开发包括系统开发准备阶段、系统分析、系统设计、系统测试、软件服务等若干阶段，利用该模型可以缩短产品的生产周期，从而快速响应市场需求、节约成本并提高产品质量[8]。

传统的工厂为了赶工需要每天3班倒，而24HrKF/FTS 利用全球区域时差实现不同地区协同完成一项工作，即软件企业不同地区团队利用时差进行工作轮流交付，保证团队员工在正常上班时间内共同完成工作。现代软件的发展可以横跨北美、欧洲、俄罗斯、巴西、印度或中国等，利用不同的技术、成本、时区和质量等安排软件的任务。巴西软件企业利用其独特的时区优势同北美、欧洲以及拉丁美洲等企业内部团队或合作伙伴共同完成软件产品的开发，极大地缩短了产品开发周期。Carmel 等通过实验说明当一个软件项目在两个跨时区团队中交互进行比在单一团队减少50%的开发周期，当跨时区团队达到三个时软件开发周期将减少67%[13]。美国的微软、IBM，巴西软件巨头Ci＆T[11]以及E-core 将时区协同技术作为企业未来的核心竞争力。

2.2　关于24HrKF 的现实问题与研究（problem of relevance）

24小时知识工厂（24HrKF）更多的体现在理念层面上，其对现实问题（relevance）的解决和研究还远远不够，当前主要应用于那些基于网络虚拟化的产品开发和部分能够知识化的传统服务产品中。在研究视野上，24HrKF 如何利用全球资源优势来进行优化配置？ 如何在全球跨时差知识协同才能产生比较优势？ 在研究流程上，主要面临的问题是上下工序的流程匹配问题，在流程驱动中对知识的管理如何在流程中对显性知识与隐性知识进行转换与共享？在新的问题中，企业对知识的需求发生了变化，原有构建的企业知识树模型不能满足新的需求，如何在新情景下，尤其是在大数据情景下，利用最新的知识管理来解决24HrKF 中面临的无处不在的知识空间中对知识需求的问题。这些问题的解决是要通过拓展企业知识树研究的局限性，研究和构建企业知识网模型、知识细分与合成、知识网服务支持系统。鉴于此，论文采用设计科学的研究方法，对现实问题进行梳理，并重点设计和分析企业知识网模型、知识细分与合成的方法和服务支持性，同时也从不同的视角预判可能会出现有兴趣而又重要的研究方向。

3　企业知识网模型（Enterprise Knowledge Network Model）

企业对知识的需求不再局限于企业知识树[14]的形态，它已经是由许多具有分形特征的若干企业知识树组成，并处于分布的和跨组织的知识空间中。这种知识分布呈现的网状，从构成上既有独立的分形知识树，又在不同分布地域具有动态性和活动性，通过知识共享机制链接起来，实现知识资源共享的知识管理网络，可称为企业的知识网。在跨时区的组织中既可以利用24HrKF 进行创新，同时也有许多问题值得探索。怎样建立知识的需求与供给的网络，构建何种框架模型以及模型应用的关键因素和如何应用都值得深入思考。

3.1　基于24HrKF 的企业知识网模型

24HrKF 从理论、理念、战略和全球资源配置上为全球运作提出了创新的模型，然而这种创新的模型有许多待深入研究的问题：第一类问题主要包括如何实现任务的协同，信息、知识的沟通与共享；第二类问题主要包括创新环境（法律与专利、语言、政府的支持、知识工作者技能、基础设施、成本、过程质量、全球化技能、文化的融合性等）与项目（任务）的管理对24HrKF 的支持。目前Amar Gupta 领导的团队在美国麻省理工大学和亚利桑那大学重点进行了24HrKF 的第二类问题的研究[12][15][16]，作者在美国该团队中对第一类问题进行了理论探索性研究，构建了基于24HrKF的企业知识网模型（如图1所示）。

图1　基于24HrKF 的企业知识网模型

3.2　模型的关键因素与应用

模型的关键因素在于全球化的趋势中跨时区组织的协同如何完成目标和任务。在完成跨时区协同任务时，需要考虑基于任务流程的知识网和基于任务决策的知识网问题。在两类问题中都涉及知识共享机制和知识交易机制如何构建，其研究的成果大多采用博弈论的方法来研究。在流程驱动的研究中，其在软件产业中应用较好，Pankaj Jalote 和Gourav Jain[10]提出了全球24小时软件开发基本构想的时间作业计划，该研究具体到一个软件的全球运作的时间安排，是全球24小时软件开发的可操作性的一个范例，其通过24小时知识工厂的业务协同和服务支持平台来集成以上两个流程。在其他的产业也有涉猎，如在纺织服装产业和电子医疗产业以及高端服务业也有零散的研究。

在实际流程中一般都是综合集成上述两个过程。此外，不同的项目侧重点也有所不同。基于流程驱动的知识网强调工作流程的管理与规则，而基于决策驱动的知识网强调利用决策对知识管理的需求对不同决策类别作出选择，其具体包括动态决策、确定决策、单步与异步决策、结构与非结构以及少结构决策等决策问题理论和技术。

无论哪种应用其核心是要分析知识的需求与供给，它既不是简单的直线的关系，也不是已经建立的企业知识树模型，而是不同的知识树构建的多节点的复杂知识网络，要利用这种知识网络来促进知识的存量不断增值，并且开发创造新的知识，使之得到重用，促进企业的健康和可持续发展。

4　企业知识网的知识细分与合成

4.1　企业知识网细分的问题

在这些企业知识管理问题中，好的企业会处理好基于知识的企业流程问题和决策问题。如何解决问题中的知识细分与合成需要从不同的视角进行研究，譬如按照结构化的方法进行模块化也是一种较好的知识细分手段。无论怎样的视角都需要保证企业知识网模型是有效的细化，知识细化的目的是对问题适当简化（KISS，keep it simple stupid），也是需要对模型SMART 化（specific、measurable、achievable、realistic 和timely）。目前研究知识网络细分问题主要的方法如下：

（1）知识网络细分的形式化模型方法。

24小时知识工厂的知识空间是复杂网络，在图1中知识树实际上是不同的分形知识树，它们难以用二维或整数维（大于二维）描述其知识网，其具有分形特征，一般采用分形维来描述。描述的主要方法如下：

设知识网络的细分模型定义为五元组：

KFR＝(D，M，S，F，T)

其中，D 为在T 时空状态下的知识网络的细分的尺度；

M 为在该尺度下的测度的集合（含BSC 测度），M＝{m1，m2，m3，…，ml}；

S 是对应的知识的分层结构的域集，S＝{s1，s2，s3，…，sn}；

F 为映射函数，可描述为F：D×M→S。

在24小时知识工厂中的知识网络细分的刻画，一般构建测度集合和构造映射函数来建立分层结构。

例如，软件知识产品的知识网细分问题

模型S＝（A，J），A 称为π 的论域。在A 中我们先找出其n元来，并找出其对应的函数F 来。我们用粒度世界来描述其n 元关系。

①论域A 的最粗粒度（第零粒度世界）S0（i）我们可以定义如下：

S0（i）＝{S1，S2，S3，S4，S5，S6}，其函数F 效率最大化，其对应的一个解释J，我们可以描述为对应的关系、属性（含各种定性和定量优化公式）和基本结构。

S0（i）为开发过程的类别，它包括需求分析、系统设计、系统实施和软件测试。

S1为团队结构和它的环境，S2为时区，S3为任务分配，S4为流程细分与描述，S5为可信的测量，S6为信息资源。

②第一粒度世界进一步描述如下：

第一粒度世界，我们对S0（1）需求分析的粒度细分：从功能性内容分为功能性需求和非功能性需求，从功能性时间分为现在的需求、潜在的需求和未来的需求。

对于S1为团队结构和它的环境，可以细化为人员能力特点、文化价值和服务水平。

对于S2为时区，可以细化为时区的气候特征、上班时间和沟通时间。

对于S3为任务分配，可以细化为开发过程的类别再细化到最小工序单元的指派。

对于S4为流程细分与描述，可以细化为开发过程的类别再细化到最小工序的名称、描述、说明、要求、接受工作的可能人员、限制、目标值、可能值和危险值。

对于S5为可信的测量的粒度，可以细分为平台环境的可信、人员的可信、过程的可信、行为的可信以及数据资源的可信。

第二粒度世界还可以进一步细分，对于问题进入到第二粒度世界已经非常清晰，为知识网合成提供了基础。

（2）知识网络细分的模块化方法。

采用MIS 系统分析的思路，自顶向下逐步求精的方法类比过来，逐步发现和构建“公共模块”型的知识模块，知识细分模块要求模块内紧密度高，模块外链接简化。

（3）知识网络细分的熵空间方法。

知识网络细分知识的熵空间方法采用映射的方法，在实际使用中具有高度的概括性和抽象性。

（4）知识网络细分的维基百科方法。

企业知识网络细分已经有采用维基百科的方法，其在网络中是普遍使用的一种方法。它对于显性知识构建和描述很好，配合搜索引擎就能很好地使用，但没有推理和隐性知识细分的情景描述。

4.2　企业知识网合成的问题

企业知识网络中知识合成是知识细分的逆问题，运用案例推理方法，可以解决知识网络逻辑推理的语义层面的知识合成问题。

（1）知识合成方法之一为知识共享分形方法。

设知识共享空间的合成模型定义为五元组：

KSY＝(M，E，K，T，P)，(www.daowen.com)

其中，E 为知识共享空间的搜索的算法（方法）；

M 为测度的集合，M＝{m1，m2，m3，…，ml}；

K 为在知识的分层结构域S 下的共享知识的集合，K＝{ k1，k2，k3，…，km}；

T 是对应的时间（含时差），T＝{t1，t2，t3，…，tn}；

P 为问题域（或任务）P＝{p1，p2，p3，…，pl}，可描述为E：K×T→P。

可以构建搜索算法与知识地图，对于不同的问题或任务如何求解，利用分形理论的相似不变性构造相似函数，寻找相应时间下（含时差）的异步和分布式的知识（包括分形元知识、分形元知识间的关系、案例、规则与方法）合成模型。

（2）知识合成方法之二为知识共享情景共享。

通过情景和案例的共享合成解决企业知识网络中的知识合成问题。

（3）知识合成方法之三为基于平台的知识合成。

通过智能知识搜索引擎和知识管理服务协同平台来解决知识共享的问题，在平台中可以利用分布式、异步的知识库协同集成知识，也可以利用知识网的可视化提供知识合成的知识图谱。

4.3　企业知识网的可视化

企业知识的可视化实际上对知识的理解和利用起到了重要的作用。企业知识网模型的可视化问题分析可采用的可视化工具如下：用脚本语言支持可扩展性，功能更稳定，编写图形用户界面效率更高，使用变得更加方便，支持B/S 计算模型，可通过Mashup 技术、Java 等实现可视化的Web 2.0技术。还可以使用较为成熟的知识可视化工具。大数据的可视化工具包括标签云（tag cloud）、聚类图（clustergram）、空间信息流（spatial information flow）和热图（heatmap）也可以用于企业知识网络的可视化。

5　企业知识网服务支持系统

企业知识网服务支持系统可利用设计科学（DS），设计24小时知识工厂的知识协同服务支持系统的架构，在上述研究的基础上，对上面的已有描述中的知识网模型进行算法优化与设计，利用Mashup 技术和分布式、多合作的协同技术软件建立服务支持系统。

从平台的技术上可以运用JSP 技术，以网站为表现形式。考虑到代码的可移植性，服务器端的编程利用JSP、Servlet、Java Beans技术，客户端的编程使用Java Script 脚本语言，后台数据库采用MSSQL 数据库管理系统。整个网络系统按客户浏览器端表示层、中间事务逻辑层和数据库存取层三层结构来构架。系统结构以Java平台为基础，利用Java 跨平台的特性，方便存取数据库的JDBC API 技术，提供了对Java Servlets API、JSP 以及XML 的全面支持。

企业知识网协同与服务支持平台的构架图具有五层结构（如图2所示）。基础层是该平台的服务和运行的网络系统软件和硬件系统，该网络系统为了适应协同和分布式的跨大地域（如国家和地区）运行的需要，按照网格计算环境构造系统的架构。在网格计算系统软件和硬件基础之上的是数据库、数据仓库、活动文档、模型库、知识库、案例库和规则库。这一层主要是业务协同的基础数据、信息、知识、规则、案例和活动文档等，它们为相应的管理提供服务。

图2　企业知识网协同与服务支持平台构架图

在平台的用户层上，主要采用各类终端，如智能手机的APP上的移动终端。

在平台的功能层上，主要有六项重要功能：工作流管理、看板管理、协同管理、模型库管理、知识网管理和系统管理。

工作流管理主要是对业务过程的定义、工作流程的任务分配、时间的管理、工作人员的管理和工作流工序评价。

看板管理主要是根据工作流程的任务分配自动提供提醒服务和需要完成工序的时间及工序，它与协同管理的提醒服务相似是一种任务拉动的管理构件，但重点放在任务上。

协同管理主要提供日历安排、即时消息、电话与电视会议、文件夹共享、文档共享、内容共享、知识共享、应用工序和项目协同。它通过SOA（面向服务的体系结构）实现综合沟通、团队协作和项目开发应用支持协同管理。软件开发从面向过程、面向对象、面向组件和面向集成与基于SOA 的协同开发。典型支持SOA的协同厂商包括：IBM 的五大产品线的Websphere、Workplace、Tivoli、DB2、Rational；BEA的Weblogic Platform 8.1；Oracle 10g和微软的Biztalk Server 等。

模型库管理是对平台的各种资源的标准化与规范化的管理。主要是对标准数据、信息、知识、文档资料、案例、母版和规则的输入、输出及处理的管理。

系统管理主要管理系统中的“人”和“标准值”，以“人”和“标准值”为中心进行一系列的设置与服务管理。可以设置仪表盘指标、控制指标和流程指标。具体包括人员的能力与工作任务匹配指标、文档管理指标、持续改进与业务的远景指标；流程完成水平、问题管理、可用性和安全指标；质量控制、协同、配制、变更、发布和过程管理等指标。系统中往往有一些需要用户填写的具有一定固定性的信息。这些信息可以通过统计得出具体的分类。一个优秀的系统，应该要设计这些数据的管理，先统计好数据分类，以下拉列表框形式让用户选择输入数据，根据用户的需求，适时改变下拉列表框中的数据顺序，把用户用得最多的放在最前面，以达到优化系统、方便用户使用的目的。这些数据就成为标准值，对这些数据的管理成为标准值管理。标准值管理是平台中非常重要的一个功能。

在平台的资源层上，主要提供的数据库、数据仓库、活动文档、模型库、知识库、案例库和规则库是软件开发过程的重要资源，它为功能层的实现提供了资源保障和共享的基础。

在平台的系统层上，主要提供协同应用的网络平台。理想的是包括云计算的系统软件与硬件，过渡的也是基于新一代网络平台，包括Web2.0和MASHUP 技术实现系统的资源共享、协同和应用功能的实现。在客户端浏览器，它是用户与系统的接口。浏览器将从Web 服务器下载得到的Web 页转化成用户界面显示在终端，同时它接受用户的输入，并向Web 服务器提出进一步的处理请求。Web 服务器根据客户端的请求启动相应的进程来完成有关的事务处理，并将处理结果以HTML 代码的形式发送给客户端浏览器，实现用户界面的展现。程序服务器主要由三部分组成：①Web Container，所有的用户界面都在本层实现。系统采用JSP 实现用户界面。②EJB Container，它是EJB 组件容器。主要由EJB 组件组成，系统事务逻辑和规则与数据库的连接等都在这里实现。③数据库连接，EJB Container 的实体EJB 是通过数据库连接和数据库管理系统交互信息的，通过标准的JDBC-ODBC 连接接口来访问数据库，可使需要得到的数据库服务程序存取异质数据库，使系统具有较强的扩展性。JDBC 向应用程序开发者提供了独立于数据库的统一的API，带有简单且功能强大的应用程序接口。

6　未来研究的问题与研究方向

6.1　未来研究的问题

未来研究知识管理的方向之一：知识管理与电子医疗结合。在未来知识管理的研究中，如何在大数据情景下，利用24HrKF 的思想和企业知识网模型来解决电子医疗健康问题。该问题涉及企业知识网模型在电子健康中各参与者，包括病人、医生、医疗机构、检验机构、治疗器械等的信息与知识共享机制和模型应用求解的具体流程及机制研究。

未来研究知识管理的方向之二：知识管理与大数据结合。也就是在大数据情景下24HrKF 的企业知识网的挖掘与预测研究。利用大数据可以做好数据的精准挖掘，同时对有关的趋势和发展规律能够精准掌握，在大数据情景下，利用24HrKF 的思想，可以设计知识产品，提供高端的协同智能网络知识服务。利用R 和PYTH 等实现大数据挖掘，求解企业知识网模型在智能知识服务中的问题。

未来研究知识管理的方向之三：知识管理与异类知识的结合。利用24HrKF 和企业知识网模型对社会网络的评论进行交叉分析，求解异类知识管理的问题，从而实现创新与突破。

6.2　未来研究方法

研究方法之一：知识管理研究方法采用基于设计科学（DS）的方法，并不断在大数据情景下对方法进行创新，如图3所示是基于设计科学的知识管理创新方法。

图3　基于设计科学的知识管理创新方法

研究方法之二：知识管理研究方法采用基于文本挖掘方法和结构化数量方法进行交叉验证。思路是利用大数据源中小数据化，并采用文本挖掘，结合模型构建，并采用结构化数量方法进行交叉验证知识的分类、共享和企业知识网的构建。在大数据挖掘中主要采用：集成R 与Hadoop 大数据；在Hadoop Streaming 中使用R；利用R 等与Hadoop 进行大数据分析；应用机器学习作大数据分析（有监督、无监督、推荐）；在不同数据库系统中导入与导出数据等几类方法。

研究方法之三：目前已有采用科学知识本体的SKO（Scientific knowledge object）思路设计知识元来研究知识管理[17]，但是针对如何寻找知识元，在研究方法上要结合大数据多维的视角研究知识管理。可能的知识管理研究方法采用如图4的方法，基于大数据自动文献分析与推荐方法。先从三个维度分析：从维度之一的领域作者的社会网络自动分析；从维度之二的文献挖掘与自动化分析；从维度之三关键词的社会网络自动分析。最后综合学术社区的文本本体挖掘可形成研究问题的自动识别方法。

图4　基于大数据自动文献分析与推荐方法

7　结　论

论文的理论价值在于不仅利用了全球化的资源配置和大数据情景对知识管理从一种新的视角基于24HrKF 的知识管理研究的进展进行了梳理，而且提出了企业知识网模型和知识细分、合成、可视化以及知识服务系统的五层结构；不仅提出了在大数据情景下，结合24HrKF 和企业知识网模型的三大知识管理研究的问题，而且对已有的研究方法的改善与创新提出了思路。

论文的实践价值主要体现在对知识管理中如何利用知识改善流程和决策模式，对于在全球化中的合理利用企业知识网模型和24HrKF 进行全球化的电子医疗健康、产品设计类等具有很好的实际价值。

参考文献

[1]Peter M.An evaluation of knowledge management tools: Part 2-managing knowledge flows and enablers [ J ].Journal of Knowledge Management，2014，18( 6): 1101- 1126.

[2]Anderson J，Lee R.The Future of Big Data.July 20，2012( http:/ /pewinternet.org/Reports/2012/Futureof-Big-Data/Overview.aspx).

[3]Johannsen F，Fill H G.Codification of knowledge in business process improvement projects [C].Twenty Second European Conference on Information Systems，2014: 1-16.

[4]Davenport T H，Short J.Information technology and business process redesign [J].Operations Management: Critical Perspectives on Business and Management，2003: 1-97.

[5]Alavi M，Leidner D，等.知识管理和知识管理系统：概念基础和研究课题[J].管理世界，2012（5）：157-169.

[6]Chen H，Chiang R H L，Storey V C.Business intelligence and analytics: From big data to big impact [J].MIS Quarterly，2012，36(4): 1165-1188.

[7]Satwik S，Amar G，Ashwani K.An integrated and collaborative framework for business design a knowledge engineering approach[J].Data ＆ Knowledge Engineering，2005，2(1): 157-179.

[8]Mitra A，Gupta A.Creating agile business systems with reusable knowledge [M].Cambridge Univ.Press，2006.

[9]Carmel E.Global software teams: Collaborating across borders and Time Zones [M].Upper Saddle River，NJ: Prentice Hall，1999.

[10]Pankaj J，Gourav J.Assigning tasks in a 24-h software development model [J].The Journal of Systems and Software，2006，79(7): 904-911.

[11]Camel E，Dubinsky Y，Espinosa A.Follow the sun software development: New perspectives [C].Proceedings of the 42nd Hawaii International Conference on System Sciences，2009: 1-9.

[12]Amar G，Seshasai，Sourav M，Oak R.Offshoring: The transition from economic drivers toward strategic global partnership and 24-Hour knowledge factory [J].Journal of Electronic Commerce in Organizations，2007，5(2): 1-23.

[13]Carmel E，Espinosa J A，Dubinsky Y.“Follow the Sun”workflow in global software development [ J].Journal of Management Information Systems，2010，27(1): 17-38.

[14]Xia H，Du K，Cai S.Enterprise knowledge tree model and factors of KMS based on E-C [J].Journal of Knowledge Management，2003，7(1): 96-106.

[15]Prikladnicki R，Carmel E.Is time-zone proximity an advantage for software development? The case of the Brazilian IT Industry[C].Proceedings of the 2013International Conference on Software Engineering，IEEE Press，2013: 973-981.

[16]Kroll J，Richardson I，Audy J L N.Proposing a software process model for follow the sun development [C].26th International Conference on Software Engineering ＆ Knowledge (SEKE)，2014.

[17]Xu H，Fausto G.SKO Types: An entity-based scientific knowledge objects metadata schema [J].Journal of Knowledge Management，2015，19(1): 60- 70.

【作者简介】

夏火松，男，1964年生，武汉纺织大学管理学院，二级教授，博士。

主要学术兼职：国家自然科学基金和国家社会科学基金同行评审专家、国家社会科学基金成果鉴定评审专家，国家精品课程评审专家，多家一级学会理事和多家国际和国内杂志及会议论文评审专家。湖北省教学名师，湖北省有突出贡献的中青年专家，入选3551短期创新人才。

主要研究方向：知识管理、数据挖掘、信息管理和电子商务、产业规划。

主要成果：国内外公开已发表包括在JKM 等国际8种刊物和国内29种刊物发表有一定影响的论文。以排名第一获国家级社会科学政府二等奖（第六届高等学校科学研究优秀成果奖（人文社会科学））和其他省级人民政府奖项共13项。出版专著和教材9部。