تدارکات

سوال ۱ تا ۴

۲

انبار‌داری

سوال ۵ تا ۹

۳

انتقال

سوال ۱۰ تا ۱۴

۴

پردازش سفارشات

سوال ۱۵ تا ۱۸

۵

زمان بندی تولید

سوال ۱۹ تا ۲۲

۶

زمان حمل کالا

سوال ۲۳ تا ۲۶

۷

بسته بندی

سوال ۲۷ تا ۳۰

همانگونه که در جدول مشاهده می‌شود در این پژوهش ۷ متغیر مکنون وجود دارد که به ترتیب در جدول آورده شده و سوالاتی که در پرسشنامه برای بررسی آنها در نظر گرفته شده است و برآورد کننده آنها هستند مشخص شده است. همچنین این ۷ متغیر خود در یک مدل تحلیلی برآورد کننده متغیر زنجیره تامین هستند که در آخر این پژوهش به بررسی این مدل کلی پرداخته و آن را مورد تجزیه و تحلیل قرار داده و بار عاملی سوالات و این متغیر‌ها را بر این متغیر بررسی می کنیم.

اکنون به بررسی تک‌تک متغیر های مکنون (مستقل) پرداخته و به بررسی بارهای عاملی سوالات و اثر آنها بر این متغیر‌ها می‌پردازیم.
برای ارزیابی مدل تحلیل عاملی تأییدی چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی مدل تحلیل عاملی تأییدی از میانگین مجذور پس‌ماندها RMR، شاخص برازندگی GFI، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است. معیار GFI نشان دهنده اندازه‌ای از مقدار نسبی واریانس‌ها و کواریانس ها می‌باشد که توسط مدل تبیین می‌شود. این معیار بین صفر تا یک متغیر می‌باشند که هرچه به عدد یک نزدیکتر باشند، نیکویی برازش مدل با داده‌های مشاهده شده بیشتر است. . ریشه دوم میانگین مجذور پس‌ماندها یعنی تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس‌های برآورد یا پیش‌بینی شده با فرض درست بودن مدل مورد نظر است هرچه RMR برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد،معیار میانگین اختلاف بین داده‌ها و ماتریس کواریانس- واریانس باز تولید شده (implied) است. این معیار هر چقدر که کوچکتر باشد (زیر ۰٫۰۵ بسیار عالی و زیر ۰٫۰۸ مناسب و زیر ۰٫۱۰ نامناسب است) برای تناسب مدل با داده‌ها بهتر است. این شاخص یک شاخص با ارزشی است هنگامی که میانگین ماتریس واریانس- کواریانس داده‌ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس- کواریانس غیراستاندارد مورد استفاده قرار گیرد سخت و مشکل است. برای بررسی اینکه یک مدل به خصوص در مقایسه با سایر مدل‌های ممکن، از لحاظ تبیین مجموعه‌ای از داده‌های مشاهده شده تا چه حد خوب عمل می‌کند از مقادیر شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI) و شاخص برازندگی تطبیقی (CFI) استفاده شده است. . در نهایت برای بررسی اینکه مدل مورد نظر چگونه برازندگی و صرفه جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می‌باشد. این شاخص برای مدل‌های خوب ۰۵/۰ و کمتر است. مدلی که در آن این شاخص ۱۰/۰ یا بیشتر باشد برازش ضعیفی دارد.
مدل اندازه گیری در سطح متغیر های مستقل
تدارکات:
این مدل در نرم افزار اجرا و روابط نشانگر های آن ترسیم شد. مدل اولیه اجرا شده در نرم افزار لیزرل دارای شاخص‌های مناسب برازش نبوده و به این منظور باید مدل اولیه وارد فاز اصلاح شود. عمدتاً در مرحله اصلاح مدل کنار گذاشتن نشانگر های کم اهمیت یا برقراری روابط آزاد در مدل به اجرا و برازش آن کمک شایان توجهی می کند. به واقع در مدل برازش یافته بار‌های عاملی و تمام رویکرد‌های مطالعه معنی‌داری آن‌ها از اعتبار قاطعی برخوردار هستند.
مدل-۱-۱: مدل اولیه اندازه‌گیری متغیر تدارکات
جدول ۴-۹ تفاوت مقادیر کای اسکویر در تعیین اثر بخشی مدل اولیه اندازه گیری متغیر تدارکات

ردیف

مدل برازش یافته

Chi-Square