3.2.2. Експериментальні дослідження

Для обґрунтування кількості дослідів у серії проводимо пілотний експеримент, для якого достатньо 100 дослідів. Для цього за допомогою мови програмування C# був написаний код, який дозволяє швидко розрахувати всі необхідні дані та згенерувати значення попиту за нормальним законом розподілу. В табл. 2.3 наведені значення вхідних параметрів згідно зі складеним планом експерименту.

Таблиця 2.3 – Матриця чисельного вигляду плану експерименту

Номер серії	Фактори			Ризики суб’єктів ЛЛ
	Математичне очікування обсягу вантажу	Математичне очікування відстані перевезення	Математичне очікування інтервалу надходження заявки
1	15	750	2	y1
2	20	750	2	y2
3	15	2536	2	y3
4	20	2536	2	y4
5	15	750	5	y5
6	20	750	5	y6
7	15	2536	5	y7
8	20	2536	5	y8

Значення сумарних витрат для кожного досліду були розраховані за допомогою програмно реалізованого класу LogisticChain.

Для моделювання були обрані наступні види транспорту: автомобільний підвізний – автомобільний магістральний для 1Т та 2Т. Приклад введення даних для першої серії дослідів варіанту 1Т представлений на рис. 2.1, результати розрахунків наведені в Додатку А.

Рисунок 2.1 - Приклад введення даних для першої серії даних варіанту 1Т

Для перевірки нормального закону розподілу пілотної вибірки скористаємось програмним продуктом – Statisticа 8. Результати перевірки для ЛЛ 1Т та 2T зображено на рис. 2.2, 2.23. Виходячи з критеріїв Колмогорова-Смірнова, початкова вибірка розподілена за нормальним законом.

Рисунок 2.2 – Перевірка нормального закону розподілу для 1 серії сумарних затрат ЛЛ 1Т

Рисунок 2.3 – Перевірка нормального закону розподілу для 1 серії сумарних затрат ЛЛ 2Т

3.2.3. Обробка результатів дослідження

Прорахувавши математичну модель у 8 серіях, отримано значення достатньої кількості дослідів для ЛЛ 1Т, 2Т.

Щоб проаналізувати отримані результати, необхідно провести оцінку відтворюваності експерименту. Для цього скористаємося таким показником як критерій Кохрена.

Для кожної серії паралельних дослідів середньоарифметичне значення функції відгуку розраховується за формулою:

. (3.3)

Розрахуємо критерій Кохрена

Експеримент відтворюваний в тому випадку якщо:

(3.4)

Оскільки для ЛЛ 1Т 0,2261  0,2929, а для 2Т 0,2131  0,2929, то експеримент є відтворюваним.

3.3. Аналіз результатів експерименту

В результаті експерименту було розраховано значення ризиків для двох варіантів логістичного ланцюга 1T, 2T (табл. 2.4).

Таблиця 2.4 – Показники ризиків суб’єктів доставки

Серія	Обсяг партії вантажу	Відстань перевезення	Інтервал надходження заявки	Ризики суб’єктів ЛЛ
1	15	750	2	0,082009	0,042344
2	20	750	2	0,047339	0,044788
3	15	2536	2	0,046524	0,043804
4	20	2536	2	0,042101	0,0458
5	15	750	5	0,032524	0,032009
6	20	750	5	0,031588	0,031908
7	15	2536	5	0,036577	0,031425
8	20	2536	5	0,026383	0,031599

Для аналізу впливу параметрів попиту на ефективність різних варіантів логістичних ланцюгів був проведений регресійний аналіз.

Регресійний аналіз (англ. regression analysis) – це метод визначення відокремленого і спільного впливу факторів на результативну ознаку та кількісної оцінки цього впливу шляхом використання відповідних критеріїв.

Регресійний аналіз проводиться на основі побудованого рівняння регресії і визначає внесок кожної незалежної змінної у варіацію досліджуваної (прогнозованої) залежної змінної величини.

Основним завданням регресійного аналізу є визначення впливу факторів на результативний показник (в абсолютних показниках). Передусім для цього необхідно підібрати та обґрунтувати рівень зв'язку, що відповідає характеру аналітичної стохастичної залежності між досліджуваними ознаками. Рівняння регресії показує як в середньому змінюється результативна ознака (Y_х) під впливом зміни факторних ознак (х_і). У загальному вигляді рівняння регресії можна представити:

Y_х = f (x₁, x₂,…,x_n), (3.5)

де Y_х – залежна змінна величина; 

х – незалежні змінні величини (фактори).

Для побудови регресійних моделей була використана програма Microsoft Excel, яка входить до складу офісного пакету Microsoft Office.

Результати регресійного аналізу представлені на рисунках 3.1-3.4.

ВЫВОД ИТОГОВ	H1: R=a0+a1*Q+a2*L+a3*I
Регрессионная статистика
Множественный R	0,861671483
R-квадрат	0,742477744
Нормированный R-квадрат	0,549336053
Стандартная ошибка	0,01165776
Наблюдения	8
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	3	0,001567324	0,000522441	3,8442127	0,113094847
Остаток	4	0,000543613	0,000135903
Итого	7	0,002110938
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%
Y-пересечение	0,136277369	0,033822109	4,029239294	0,015743475	0,042372141	0,230182596
Переменная X 1	-0,002511123	0,001648656	-1,523133398	0,202393032	-0,00708853	0,00206628
Переменная X 2	-8,78233E-06	6,9155E-06	-1,269948391	0,272952181	-2,7983E-05	1,04182E-05
Переменная X 3	-0,01136253	0,004121641	-2,75679775	0,051016999	-0,02280604	8,09793E-05

Рисунок 3.1 - Результати регресійного аналізу для 1Т-варіанту (H1)

ВЫВОД ИТОГОВ	H2: R=a1*Q+a2*L+a3*I
Регрессионная статистика
Множественный R	0,915516441
R-квадрат	0,838170355
Нормированный R-квадрат	0,573438496
Стандартная ошибка	0,023451965
Наблюдения	8
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	3	0,01424304	0,00474768	8,632229199	0,032027501
Остаток	5	0,002749973	0,000549995
Итого	8	0,016993013
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%
Y-пересечение	0	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д
Переменная X 1	0,003155452	0,001730778	1,823140822	0,127891281	-0,00129365	0,007604558
Переменная X 2	1,02274E-06	1,30222E-05	0,078538549	0,940445934	-3,2452E-05	3,44973E-05
Переменная X 3	-0,005291199	0,007717559	-0,68560523	0,523450161	-0,02512982	0,014547419

Рисунок 3.2 - Результати регресійного аналізу для 1Т-варіанту (H2)

ВЫВОД ИТОГОВ	H1: R=a0+a1*Q+a2*L+a3*I
Регрессионная статистика
Множественный R	0,99387712
R-квадрат	0,98779173
Нормированный R-квадрат	0,978635527
Стандартная ошибка	0,000983082
Наблюдения	8
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	3	0,000312788	0,000104263	107,8822492	0,000278314
Остаток	4	3,8658E-06	9,6645E-07
Итого	7	0,000316654
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%
Y-пересечение	0,05211356	0,002852169	18,27155106	5,27748E-05	0,044194668	0,060032
Переменная X 1	0,000225648	0,000139029	1,623033593	0,179903512	-0,000160357	0,000612
Переменная X 2	3,3115E-07	5,83174E-07	0,567839787	0,600499884	-1,288E-06	1,95E-06
Переменная X 3	-0,006224257	0,000347572	-17,9078214	5,71486E-05	-0,007189272	-0,00526

Рисунок 3.3 - Результати регресійного аналізу для 2Т-варіанту (H1)

ВЫВОД ИТОГОВ	H2: R=a1*Q+a2*L+a3*I
Регрессионная статистика
Множественный R	0,986119776
R-квадрат	0,972432212
Нормированный R-квадрат	0,761405097
Стандартная ошибка	0,008081025
Наблюдения	8
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	3	0,011517556	0,003839185	58,79036666	0,000915275
Остаток	5	0,000326515	6,5303E-05
Итого	8	0,011844071
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%
Y-пересечение	0	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д
Переменная X 1	0,002392592	0,000596388	4,011808108	0,010203225	0,000859529	0,003926
Переменная X 2	4,08069E-06	4,48715E-06	0,909416671	0,404834511	-7,4539E-06	1,56E-05
Переменная X 3	-0,003902532	0,002659299	-1,4675038	0,202161336	-0,010738477	0,002933

Рисунок 3.4 - Результати регресійного аналізу для 2Т-варіанту (H2)

За результатами регресійного аналізу визначаємо значимі показники. Значимими вважаються ті показники, в яких інтервал між нижніми та верхніми значеннями в 95% не проходить через нуль.

Рівняння лінійної регресії залежності сумарних витрат від параметрів попиту в загальному вигляді можна представити наступним чином:

(3.6)

Обираємо дві лінійні гіпотези:

(3.7)

(3.8)

Проаналізувавши результати регресійного аналізу, визначено, що гіпотеза з врахуванням параметру є кращою як для варіанта ЛЛ 1Т, так і для варіанта ЛЛ 2Т, бо значення показника R-квадрат є більшим ніж в регресійному аналізі гіпотези .; також було визначено, що об’єм партії вантажу (Q) не є значимим показником для двох варіантів логістичного ланцюга.

Регресійна модель залежності ризиків для варіанту логістичного ланцюга 1Т від вхідних параметрів має наступний вигляд:

(3.9)

Регресійна модель залежності ризиків для варіанту логістичного ланцюга 2Т від вхідних параметрів має наступний вигляд:

(3.10)

Результати аналізу показали, що ризики учасників ЛЛ лінійно залежать від відстані доставки і від інтервалу надходження заявки.