Nguồn: Kết quả thảo luận nhóm

Hình 1: Mô hình nghiên cứu

Nguồn: Kết quả từ phần mềm xử lý dữ liệu SPSS 27

Phân tích nhân tố khám phá

Phân tích nhân tố khám phá các biến độc lập

Phân tích EFA các biến độc lập cho kết quả hệ số KMO là 0.822, vì vậy dữ liệu được coi là thích hợp cho EFA. Kiểm định Bartlett’s của Sphericity cho thấy hệ số Sig. = 0.000 < 0.05 do đó kết luận giữa các biến quan sát trong thang đo có mối quan hệ có ý nghĩa thống kê. Kết quả rút trích nhân tố EFA cho thấy dựa trên tiêu chuẩn giá trị Eigenvalue >1, có bốn nhân tố được rút trích với % Phương sai tích lũy đạt 78.24%, nghĩa là bốn nhân tố này giải thích được 78.24% sự biến thiên phương sai của dữ liệu. Các biến trong mỗi thang đo đều chia sẻ chung một khái niệm. Tất cả các biến trong các thang đo đều có hệ số tải (Factor Loading) > 0.5 thỏa yêu cầu phân tích EFA của thang đo biến phụ thuộc. Do vậy, các thang đo mới này có cấu trúc giống với thang đo ban đầu nên tên thang đo được giữ nguyên khi đưa vào phân tích trong bước tiếp theo.

Phân tích nhân tố khám phá biến phụ thuộc

Sau khi kiểm định độ tin cậy các thang đo biến phụ thuộc Sự gắn kết với công việc của nhân viên văn phòng có hệ số KMO là 0.913, vì vậy dữ liệu được coi là tốt thích hợp cho EFA. Kiểm định Bartlett’s của Sphericity cho thấy hệ số Sig. = 0.000 < 0.05 do đó kết luận giữa các biến quan sát trong thang đo có mối quan hệ có ý nghĩa thống kê.

Kết quả EFA cho thang đo biến phụ thuộc có số lượng nhân tố được trích xuất là 1, vì chỉ có 1 nhân tố có giá trị riêng lớn hơn 1 (có giá trị riêng là 4.04). Tổng phương sai được giải thích bởi nhân tố là 67.61% > 50%. Điều này cho thấy 67.61% biến thiên của dữ liệu được giải thích bởi một nhân tố. Các biến quan sát được gom thành một nhân tố (sự gắn kết của nhân viên văn phòng), tất cả các biến trong thang đo đều có hệ số tải (Factor Loading) > 0.5 thỏa yêu cầu phân tích EFA của thang đo biến phụ thuộc.

Phân tích hồi quy

Đánh giá chất lượng mô hình hồi quy

Nghiên cứu này sử dụng các chỉ số đánh giá bao gồm MSE, RMSE, MAE/MAD, MAPE và R² để đánh giá chất lượng của mô hình nghiên cứu (Bảng 3).

Nguồn: Kết quả từ phần mềm xử lý dữ liệu Jasp (2023)

MSE thường được sử dụng trong các bài toán dự đoán và mô hình học máy để đánh giá hiệu suất của mô hình. Giá trị MSE càng nhỏ, tức là giá trị dự đoán càng gần giá trị thực tế, và mô hình có hiệu suất tốt hơn. Kết quả phân tích dữ liệu có giá sai số bình phương trung bình (MSE) là 0.191. Do đó, sự khác biệt giữa giá trị dự đoán và giá trị thực tế trong mô hình dự đoán là tương đối nhỏ.

Sai số bình phương trung bình gốc (RMSE) là một phép đo phổ biến trong các lĩnh vực như dự báo, thống kê và học máy và được sử dụng để so sánh các mô hình dự đoán khác nhau. Giá trị RMSE càng nhỏ, mô hình dự đoán càng chính xác. RMSE của kết quả phân tích là 0.437. Do đó, mức độ chính xác của mô hình dự đoán là tương đối tốt.

MAE/MAD được sử dụng rộng rãi trong nhiều lĩnh vực như dự báo kinh tế, thống kê và học máy để đánh giá mô hình dự đoán và so sánh hiệu suất giữa các mô hình khác nhau. MAE/MAD càng thấp thì dự đoán càng chính xác. Một mô hình được xem là tốt nếu MAE/MAD của nó là nhỏ hơn 1.0. Kết quả phân tích có giá trị MAE/MAD là 0.352, khá nhỏ. Điều này chứng tỏ kết quả phân tích thể hiện mức độ chính xác cao.

Theo Blasco và cộng sự (2013), Lỗi phần trăm tuyệt đối trung bình (MAPE) dưới 10% cho thấy mức độ chính xác cao, trong khi MAPE từ 10% đến 20% cho thấy kết quả dự đoán tốt. MAPE dao động từ 20% đến 50% cho thấy kết quả dự báo hợp lý. Tuy nhiên, MAPE trên 50% mang lại kết quả dự báo không chính xác. Nghiên cứu mang lại giá trị MAPE là 31.7%, tương đối nhỏ. Điều này chứng tỏ rằng chênh lệch tỷ lệ phần trăm trung bình giữa giá trị dự đoán và giá trị thực tế là tương đối thấp, cho thấy kết quả dự báo ở mức hợp lý.

Theo kết quả của nghiên cứu này, hệ số xác định (R²) là 0.742, chỉ ra rằng các biến độc lập có trong mô hình chiếm 79.2% các biến thể quan sát được trong cạnh tranh kỹ thuật số.

Kết quả hồi quy tuyến tính chính quy

Nguồn: Kết quả từ phần mềm xử lý dữ liệu Jasp (2023)

Bảng 4 trình bày kết quả hồi quy tuyến tính chính quy.

Theo kết quả Bảng 4, ROU có ảnh hưởng cùng chiều và lớn nhất đến OSH, kế đến lần lượt là SWR, FOR, FLE.

Phương trình hồi quy (1) như sau:

SH=0.018+0.323FOR+0.567SWR+0.568ROU+0.227FLE+e(1)

Thảo luận kết quả nghiên cứu

Kết quả cho thấy, hệ số ω của McDonald cho tất cả các biến > 0.7 và hệ số tương quan biến-tổng lớn hơn 0.3. Phân tích nhân tố các biến độc lập cho thấy bốn nhân tố (Bảng 3) được trích xuất từ các biến ban đầu, với giá trị riêng (Eigenvalues) nhỏ nhất là 1.625 và phương sai được trích xuất cho mỗi thang đo nhỏ nhất là 11.223. Một thang đo phụ thuộc được trích xuất từ các biến ban đầu với giá trị riêng (Eigenvalues) là 3.168 và phương sai chiết xuất được là 54.288.

Nghiên cứu này đã sử dụng các chỉ số đánh giá, bao gồm MSE, RMSE, MAE/MAD, MAPE và R², để đánh giá chất lượng của mô hình nghiên cứu. Kết quả đánh giá cho thấy sự chênh lệch giữa các giá trị dự đoán và quan sát được là tương đối nhỏ. Sự khác biệt phần trăm trung bình giữa các giá trị dự đoán và thực tế là tương đối thấp, cho thấy mức độ chính xác cao của dự báo. Các biến độc lập có trong mô hình giải thích được 74,2% biến thiên phương sai của biến phụ thuộc.

Kết quả hồi quy ngẫu nhiên trình bày tổng quan về tầm quan trọng của các thuộc tính của các biến khác nhau trong mô hình. PPA có ảnh hưởng đáng kể nhất đến cả độ chính xác và độ tinh khiết của nút. Tiếp theo là MAL, COB, và NPL. Dựa trên kết quả này, có thể thấy rằng các thang đo có ý nghĩa và các giả thuyết nghiên cứu ban đầu được chấp nhận.

Kết luận

Kết quả nghiên cứu cho thấy, sử dụng AI để tối ưu quá trình vận chuyển hàng hóa có tiềm năng và mang lại nhiều lợi ích. AI có khả năng xử lý lượng lớn dữ liệu và áp dụng các thuật toán để dự báo và phân tích dữ liệu. Việc áp dụng AI trong dự báo và phân tích dữ liệu giúp tối ưu quá trình vận chuyển bằng cung cấp thông tin chính xác về xu hướng nhu cầu và tiêu thụ, dự báo điều kiện giao thông và xử lý các rủi ro có thể xảy ra trong quá trình vận chuyển. AI cũng có khả năng tối ưu tuyến đường và lựa chọn phương tiện vận chuyển hiệu quả nhất dựa trên dữ liệu và thuật toán phân tích. Việc dự báo và phân tích dữ liệu đóng vai trò quan trọng trong việc tối ưu quá trình vận chuyển hàng hóa. AI có thể áp dụng để tạo ra dự báo chính xác về nhu cầu vận chuyển, dự báo điều kiện giao thông và dự báo các yếu tố khác có thể ảnh hưởng đến quá trình vận chuyển.

Bằng cách sử dụng AI, các công ty vận chuyển có thể hiểu rõ hơn về các mô hình và xu hướng trong vận chuyển hàng hóa, từ đó tối ưu hóa kế hoạch và quản lý tài nguyên. AI cung cấp việc xử lý nhanh chóng và chính xác của lượng lớn dữ liệu, giúp các công ty dự báo nhu cầu vận chuyển, đưa ra quyết định thông minh và giảm thiểu chi phí. Ngoài ra, AI cũng giúp cải thiện quá trình vận chuyển hàng hóa bằng cách tối ưu tuyến đường và lịch trình. Với khả năng học máy và tự động hóa, AI có thể phân tích các yếu tố như luồng giao thông, điều kiện thời tiết và thông tin vị trí để cung cấp các lựa chọn vận chuyển tối ưu nhất. Điều này giúp giảm thời gian và chi phí vận chuyển, đồng thời cải thiện hiệu suất và sự hài lòng của khách hàng.

Tài liệu tham khảo:

1. Abduljabbar, R., Dia, H., Liyanage, S., & Bagloee, S. A. (2019). Applications of artificial intelligence in transport: An overview. Sustainability, 11(1), 189.
2. Blasco, B. C., Moreno, J. J. M., Pol, A. P., & Abad, A. S. (2013). Using the R-MAPE index as a resistant measure of forecast accuracy. Psicothema, 25(4), 500–506.
3. Bonniga, R., & Saraswathi, A. (2021). Literature Review Of Cronbachalphacoefficient (Α) And Mcdonald’s Omega Coefficient (Ω). https://doi.org/10.13140/RG.2.2.35489.53603
4. Iphar, C., Napoli, A., & Ray, C. (2020). An expert-based method for the risk assessment of anomalous maritime transportation data. Applied Ocean Research, 104, 102337.
5. Li, Y., Liu, G., Cheng, Y., Wu, J., Xiong, Y., Ma, R., & Wang, Y. (2021). Application of Artificial Intelligence Technology in Traffic Flow Forecast. Journal of Physics: Conference Series, 1852(2), 022076. https://iopscience.iop.org/article/10.1088/1742-6596/1852/2/022076/meta.
6. Markovska, V., Ruseva, M., & Kabaivanov, S. (2023). AI Driven Adaptive Scheduling for On-Demand Transportation in Smart Cities. Trong E. G. Nathanail, N. Gavanas, & G. Adamos (B.t.v), Smart Energy for Smart Transport (tr 360–371). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-23721-8_31.
7. Mohamed, M. (2019). Smart warehouse management using hybrid architecture of neural network with barcode reader 1D/2D vision technology. Int. J. Intell. Syst. Appl, 11(11), 16–24.
8. Rajagopal, M., Nayak, K. M., Balasubramanian, K., Shaikh, I. A. K., Adhav, S., & Gupta, M. (2023). Application of Artificial Intelligence in the Supply Chain Finance. 2023 Eighth International Conference on Science Technology Engineering and Mathematics (ICONSTEM), 1–6. https://ieeexplore.ieee.org/abstract/document/10142286/.
9. Taylor, B. (2019). Understanding Consumer Preferences from Social Media Data. NIM Marketing Intelligence Review, 11(2), 48–53. https://doi.org/10.2478/nimmir-2019-0016.
10. Zhang, D., Pee, L. G., & Cui, L. (2021). Artificial intelligence in E-commerce fulfillment: A case study of resource orchestration at Alibaba’s Smart Warehouse. International Journal of Information Management, 57, 102304.
11. Zhou, L. (2023). A Historical Overview of Artificial Intelligence in China. Science Insights, 42(6), 969–973.