Yapısal eşitlik modeli varsayılan sebep ilişkilerini doğrulamada yaygın olarak kullanılmasına rağmen, nadiren de diğer uzman sistemler veya yapay zeka algoritmaları ile birleştirilmektedirler (Hsu ve ark., 2009; Wong ve ark., 2011; Chong, 2013a).
Yapay sinir ağları “deneysel bilgiyi saklayan ve kullanıma hazır hale getiren doğal bir eğilimi olan basit işleme elemanlarından oluşan paralel olarak dağıtılmış bir işlemcidir (Haykin, 2007). İnsan beynine benzeyen bir sinir ağı bir öğrenme süreci boyunca bilgiyi elde edebilmektedir (Chiang et al., 2006; Chan ve Chong, 2012). YSA modelleme veri setini analiz etmek için algoritmayı öğrenmekte ve nöral ağırlığın sinaptik ağırlıkları istenen tasarım hedeflerine ulaşmak için değiştirilmektedir (Chong ve ark., 2013; Chong ve ark., 2015).
YSA’nın diğer geleneneksel yöntemlerle kombinasyonu araştırma modellerinin geliştirilmesini kolaylaştırır ve gerçek dünya uygulamaları için çıktı performanslarını arttırabilir (Walczak, 2012). Ayrıca YSA doğruluğu girdi verisine dayalı öğrenme yeteneğine sahip olarak geliştirilebilir ve bu yüzden önceki ağda öğretilmeyen durumlar genelleştirilebilir. YSA’da tahmin için iyi bir araç sunmasına rağmen sebep ilişkilerini araştırmada ve uygun olmayan hipotez testlerini belirlemede kullanılan “kara kutu” isimli bir sınırlama yaklaşımı vardır. YSA’nın sonuçlarına nasıl ulaştığını anlamamız zor olabilir (Garson, 1998; Chan ve Chong, 2012). Daha önemli değişiklikleri doğrulamak için p-değerlerine dayanan istatistiksel analizler çok sayıda verinin her tahminin önemli olmasına neden olduğu için geçerli olmayabilir. Bu ayrıca araştırma bulgularında yanlış korelasyonlara neden olabilir. Fakat YSA p-değerlerine dayanmadığı için daha önce açıklanmayan diğer muhtemel interaksiyonlar olduğu kadar karmaşık doğrusal ve doğrusal olmayan ilişkileri belirleme yeteneği vardır (Lee ve ark., 2016).
YEM sadece doğrusal ve doğrusal olmayan ilişkileri inceleyebilen ve aşırı basitleştirilmiş olan modellerin analiz edilmesi kararlarında kullanılmaz. Ayrıca
YEM anlamsız verileri tolere edemez ve öğrenemez. Bunun yanında YSA’ı tek başına kullanmayız. Çünkü “kara kutu” işleminden dolayı hipotez testi için uygun değildir. Bununla birlikte YEM yaklaşımı ile karşılaştırıldığında YSA yol katsayısı ve p-değerini üretebilme yeteneğine sahip değildir. Araştırma modeli kurulu bir teorik model ve yeni ilişkiler içeren daha önceki çalışmalarda değerlendirilmesine rağmen müşterilerin karar verme sürecindeki karmaşıklıklarda olduğu gibi iki aşamalı YEM-YSA yaklaşımı en iyi seçim olacaktır (Hew ve ark., 2016).
YEM sadece doğrusal ilişkileri belirleyebilmesinden dolayı teknolojiyi kullanmadaki kararların karmaşıklığını basite indirgeme olasılıkları vardır (Leong ve ark., 2013). Bundan dolayı bu sınırlamayı ortadan kaldırmak için YEM’den gelen belirleyiciler veya önemli değişkenler YSA için girdi birimleri olarak kullanılır. (Tan ve ark., 2014).
Geleneksel istatistik yöntemler ile karşılaştırıldığında YSA’nın birkaç tane avantajı vardır. Bir YSA hem doğrusal hem de doğrusal olmayabilir bu durum uygun olmayan karar süreçlerini incelememize olanak sağlar. Girdi ve çıktıların birleştirilmesi girdi veya çıktıların belirli bir dağılımı olmaksızın elde edilebilir (Chong, 2013a). YEM-YSA analizi istatistiksel açıdan daha bütünsel olarak anlamamızı sağlar bu da önemli bir metodolojik katkı sağlamamıza neden olur. Çünkü dengeleyici olmayan YSA analizi, doğrusal YEM analizi ve dengeleyicinin zayıflığını tamamlayabilmektedir (Leong ve ark., 2015).
Chong, (2013a); Sharma ve ark. (2016), değişkenler arasındaki ilişkileri karakterize etmek için iki aşamalı YEM-YSA modelleme kullanmışlardır. Buna karşılık önerilen hipotezler arasındaki doğrusal ilişkileri test etmek için yaygın olarak istatistiksel yöntemler kullanılır. Bu yöntemler karar değişkenleri arasında ilişki doğrusal olmadığında kullanışlı olmayabilir. Bu şartlar altında YSA modelleme ortak karar değişkenleri arasındaki doğrusal ve doğrusal olmayan ilişkileri anlamaya yardımcı olmaktadır. Bu durum YSA modellemenin yaygın olarak bilinen avantajlarından biridir. Sebep ilişkilerini anlamak ve hipotezleri test etmek için YSA modelleme kullanmak zordur.
Scott ve Walczak (2009), araştırmalarında YEM ve YSA kullanarak çoklu bir analitik yaklaşım üzerinde çalışmışlardır. Ayrıca YSA RosettaNet kabulünün tahminleri olarak öncülleri doğrularken YEM ölçümlerin doğruluğunu ve hipotezleri incelemişlerdir. Leong ve ark. (2013) ve Tan ve ark. (2014)’nın bilgi sistemleri ile ilgili çalışmalarında YEM-YSA yaklaşımı kullanımının üstünlüğü görülmektedir. YSA modelleri, bağımsız değişkenler ve bağımlı değişkenler arasındaki doğrusal ve aynı zamanda doğrusal olmayan ilişkileri açıklama yeteneğine sahiptir. YSA modelleri çoklu regresyon, lojisitik regresyon, YEM gibi geleneksel istatistik modellerden daha iyi performans göstermektedir (Sharma ve ark., 2015). YSA bu önemli avantajı yanında “kara kutu” işlemleri nedeniyle araştırma hipotezlerini test etmek için uygun değildir (Hew ve ark., 2016).
Bu çalışmada iki aşamalı YEM ve YSA modelleme kullanılmıştır. YEM hipotezlerde önerilen doğrusal ilişkiyi test etmede yaygın olarak kullanılan bir istatistiksel modellemedir. Bazı zamanlarda karar değişkenleri arasındaki ilişki doğrusal olmayabilir. Bu sorunu çözebilmek için YSA modelleme kullanılmıştır. YSA modelleme bağlantılı karar değişkenleri arasındaki doğrusal ve doğrusal olmayan ilişkileri anlamaya yardımcı olmaktadır. Bu durum YSA modellemenin yaygın olarak belirtilen avantajlarından biridir. Fakat YSA modelleme kullanımının bazı dezavantajları da olup yaygın olarak tartışılan sorunlardan biri YSA modellemenin “kara kutu” yaklaşımıdır. Sebep ilişkilerini anlamada ve hipotezleri test etmede YSA modelleminin kullanımı zordur (Chong, 2013a; Yadav ve ark., 2016). Bu amaçla bu çalışmada YEM-YSA gibi iki gelişmiş istatistiksel araçtan yararlanılmıştır. İlk aşamada YEM önerilen araştırma hipotezlerini test etmede kullanılırken ikinci aşamada istatistiksel olarak önemli bağımsız değişkenler işletme performansının tahmini için YSA modellerine girdi olarak kullanılmıştır. Çalışmada kullanılan YEM-YSA yaklaşımı (Scott ve Walczak, 2009; Chan ve Chong, 2012; Chong, 2013a; Tan ve ark. 2014; Chong ve Bai, 2014; Leong ve ark. 2015; Hew ve ark. 2016) istatistik analiz tekniklerine metodolojik katkı sağlayabilir.
BÖLÜM 4. ANALİZ VE BULGULAR
4.1. Giriş
Bu bölümde yapılan çalışmadan elde edilen sonuçların yer aldığı analiz ve bulgulara yer verilmiştir. Öncelikle araştırmaya katılan firmaların sektörel dağılımı belirlenmiş daha sonra bu firmalara ait tahmini tedarik zinciri çabaları, tahmini tedarikçi sayıları ve bunlarının ne kadarının kritik tedarikçi olduğu tespit edilmiştir. Ayrıca bu firmalara ait çalışan sayısı, kuruluş yılları ve yıllık ciroları gibi firmaları tanıtıcı bilgilere de yer verilmiştir. Daha sonra işletme performans kriterleri olarak belirlenen maliyet, finans, esneklik, cevap verme, teslimat göstergeleri için yapısal eşitlik modelleri ile analizler yapılmıştır. Bu analizlerden elde edilen sonuçları kullanarak yapay sinir ağları ile performans göstergeleri için tahminler yapılmaya çalışılmıştır.