شکل ۴-۱۳- نمودار جریان و انباشت زنجیره تامین خدمات تلفن همراه
۴-۵-۲-نمودار جریان و انباشت زنجیره تامین خدمات دیتا
شکل ۴-۱۴ نمودار جریان و انباشت مربوط به زنجیره تامین خدمات دیتا را نشان می­دهد. این نمودار بر اساس نمودار علت و معلولی شماره ۴-۱۰ مربوط به زنجیره تامین مورد مطالعه در بخش دیتا طراحی شده است. فرایند با تهیه تجهیزات دیتا شروع می­ شود. در مرحله دوم نصب و راه ­اندازی ظرفیت واگذاری این خدمت و در نهایت توزیع این خدمت به متقاضیان و برگشت حاشیه سود به سرمایه می­باشد.
۴-۵-۳-نمودار جریان و انباشت زنجیره تامین خدمات تلفن ثابت
شکل ۴-۱۵ نمودار جریان و انباشت مربوط به زنجیره تامین خدمات تلفن ثابت را نشان می­دهد. این نمودار بر اساس نمودار علت و معلولی شماره ۴-۱۱ مربوط به زنجیره تامین مورد مطالعه در بخش تلفن ثابت طراحی شده است. زنجیره تامین شرکت در این بخش با خرید تجهیزات مربوط به سوئیچ و کابل تلفن ثابت آغاز می­ شود. با نصب و راه ­اندازی این تجهیزات ظرفیت منصوبه تلفن ثابت افزایش یافته و خدمات تلفن ثابت آماده واگذاری به مشتریان می­باشد. در مرحله توزیع، خدمت به مشتریان واگذار شده و عایدی آن در نهایت به سرمایه باز می­گردد.

شکل ۴-۱۴- نمودار جریان و انباشت زنجیره تامین دیتا

شکل ۴-۱۵- نمودار جریان و انباشت زنجیره تامین تلفن ثابت
۴-۵-۴-نمودار جریان و انباشت هلدینگ
شکل ۴-۱۶ نمودار جریان و انباشت مربوط به هلدینگ مخاببرات ایران را نشان می­دهد. این نمودار بر اساس نمودار علت و معلولی شماره ۴-۱۲ مربوط به تامین کانالهای انتقال مکالمات و دیتا در شرکت­های زیرمجموعه هلدینگ طراحی شده است. همچنین در این بخش شاخص­ های ارزیابی زنجیره در سطح هلدینگ نشان داده شده است.

شکل ۴-۱۶- نمودار جریان و انباشت زنجیره تامین هلدینگ
بنابراین در این قسمت از فرایند مدلسازی، نمودارهای جریان زنجیره تامین مورد مطالعه در بخش­های مختلف از فرایند به طور جداگانه ترسیم و روابط بین متغیرها و معادله ریاضی بین آنها در نرم افزار ونسیم به دست آورده شد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۴-۶- اعتبارسنجی و شبیه­سازی الگو
۴-۶-۱-اعتبارسنجی الگو
بعد از تعیین روابط مدل در قالب الگوی پویایی‌های سیستم، برای اطمینان از اعتبار عملکرد آن، آزمون‌های متعددی توسط نرم‌افزار Vensim DSS^[231] انجام شد که برای کوتاه‌تر شدن رساله به نتایج برخی از آن‌ها، با توجه به اهمیت اشاره می­ شود:
لازم به ذکر است که با توجه به اینکه ساختار زنجیره تامین مورد مطالعه از نوع پایین­دستی نیمه مستقل می­باشد و عملیات مراحل تولید و توزیع زنجیره توسط شرکت اصلی انجام می­گیرد و در خروجی این دو مرحله از اهمیت زیادی برخوردار است بنابراین متغیرهای ظرفیت شبکه (خروجی مرحله تولید) و تعداد کاربران (خروجی مرحله توزیع) جهت بررسی در این بخش انتخاب شد­ه­اند. متغیر درآمد هر مشتری به این دلیل انتخاب شده است که در مسئله پژوهش حائز اهمیت می­باشد و در واقع خروجی اصلی زنجیره می­باشد. متغیر هزینه هر مشتری به دلیل اهمیت در حاشیه سود و تاثیر حاشیه سود در سرمایه ­گذاری در خرید تجهیزات (ورودی سیستم) در نظر گرفته شده است. ضریب نفوذ نیز شاخصی است که میزان نفوذ شرکت را در بازار می­سنجد و در واقع نمود عملکرد شرکت در جامعه می­باشد.
۴-۶-۱-۱- آزمون رفتار مجدد^[۲۳۲]
هدف از این آزمون مقایسه نتایج شبیه­سازی با داده ­های واقعی جهت اطمینان از صحت عملکرد رفتار الگو می­باشد. به عبارتی دیگر در این حالت رفتار شبیه­سازی شده برای الگو باز­تولید می­­گردد تا با داده ­های واقعی مقایسه شود. همانطور که در شکلهای شماره ۴-۱۷ تا ۴-۳۹ ملاحظه می­ شود اطلاعات واقعی و نتایج شبیه­سازی جهت متغیرهای تامین منابع به عنوان ورودی سیستم زنجیره تامین موردمطالعه، ظرفیت شبکه به عنوان خروجی مرحله تولید، تعداد مشتریان به عنوان خروجی مرحله توزیع، حاشیه سود به عنوان خروجی نهایی زنجیره و متغیرهای درآمد و هزینه به ازای هر مشترک، به دلیل اهمیت در خروجی سیستم و بیان مسئله پژوهش نشان داده شده است. علاوه بر متغیرهای مذکور متغیر ضریب نفوذ شرکت در خدمات مختلف نیز به دلیل اهمیت و نمایش روند رشد خدمات با توجه به رشد جمعیت نیز نشان داده شده است. اعتبارسنجی متغیرها در بخش­های مختلف زنجیره تامین خدمات شرکت مخابرات ایران در سالهای ۱۳۸۴ تا ۱۳۹۱ نشان داده شده است. در این نمودارها خطوط آبی نشان­دهنده نتایج شبیه­سازی الگو و خطوط قرمز نیز نشان­دهنده داده ­های واقعی است. همانطوری­که ملاحظه می­ شود رفتار متغیر­های مورد بررسی (روند زمانی) به خوبی شبیه­سازی شده است
شکل ۴-۱۷- آزمون رفتار مجدد مربوط به متغیر شکل ۴-۱۸- آزمون رفتار مجدد مربوط به متغیر
تامین منابع تلفن همراه تامین منابع دیتا
شکل ۴-۱۹- آزمون رفتار مجدد مربوط به متغیر تامین شکل ۴-۲۰- آزمون رفتار مجدد مربوط به متغیر تامین منابع تلفن ثابت منابع هلدینگ
شکل ۴-۲۱- آزمون رفتار مجدد مربوط به متغیر ظرفیت شکل ۴-۲۲- آزمون رفتار مجدد مربوط به متغیر ظرفیت شبکه تلفن همراه شبکه تلفن ثابت
شکل ۴-۲۳- آزمون رفتار مجدد مربوط به متغیر ظرفیت شکل ۴-۲۴- آزمون رفتار مجدد مربوط به متغیر تعداد شبکه تلفن ثابت مشتریان تلفن همراه
شکل ۴-۲۵- آزمون رفتار مجدد مربوط به متغیر تعداد شکل ۴-۲۶- آزمون رفتار مجدد مربوط به متغیر تعداد مشتریان دیتا مشتریان تلفن ثابت
شکل ۴-۲۷- آزمون رفتار مجدد مربوط به متغیر حاشیه شکل ۴-۲۸- آزمون رفتار مجدد مربوط به متغیر حاشیه سود تلفن همراه سود دیتا
شکل ۴-۲۹- آزمون رفتار مجدد مربوط به متغیر حاشیه شکل ۴-۳۰- آزمون رفتار مجدد مربوط به متغیر حاشیه سود تلفن ثابت سود هلدینگ
شکل ۴-۳۱- آزمون رفتار مجدد مربوط به متغیر هزینه شکل ۴-۳۲- آزمون رفتار مجدد مربوط به متغیر هزینه هر کاربر تلفن همراه هر کاربر تلفن ثابت
شکل ۴-۳۳- آزمون رفتار مجدد مربوط به متغیر هزینه شکل ۴-۳۴- آزمون رفتار مجدد مربوط به متغیر درآمد هر کاربر دیتا هر کاربر تلفن همراه
شکل ۴-۳۵- آزمون رفتار مجدد مربوط به متغیر درآمد شکل ۴-۳۶- آزمون رفتار مجدد مربوط به متغیر درآمد هر کاربر دیتا هر کاربر تلفن ثابت
شکل ۴-۳۷- آزمون رفتار مجدد مربوط به متغیر ضریب شکل ۴-۳۸- آزمون رفتار مجدد مربوط به متغیر ضریب
نفوذ تلفن همراه نفوذ دیتا
شکل ۴-۳۹- آزمون رفتار مجدد مربوط به متغیر ضریب نفوذ تلفن ثابت
۴-۶-۱-۲- آزمون محاسبه‌ی میزان خطا
برای اطمینان از نتایج شبیه­سازی علاوه بر بازتولید رفتار الگو، از شاخص آزمون خطا نیز استفاده و میزان خطای متغیرهای کلیدی بر اساس روش های محاسبه‌ی درصد خطای مجذورات، ضریب نابرابری و شناسایی ریشه‌های خطا محاسبه شده است.
ستون اول جدول ۴-۷ نشان­دهنده درصد خطای مجذورات می­باشد. بر اساس این شاخص هرچه میزان تفاوت بین داده‌های واقعی و شبیه‌سازی کمتر باشد، به نتایج شبیه‌سازی بیشتر می‌توان اعتماد کرد.
ستون دوم جدول نشان­دهنده ضریب نابرابری الگو است. محاسبه ضریب نابرابری نیز یکی از روش های سنجش میزان خطای داده ­های شبیه­سازی از داده های واقعی می­باشد. میزانUT بین۰ تا ۱ قرار می­گیرد. در صورتی کهUT برابر با صفر باشد به این مفهوم است که مقادیر پیش ­بینی شده در الگو با مقدار واقعی برابر است. در حالتی کهUT برابر ۱ باشد به این مفهوم است که عملکرد الگو در ارزیابی مناسب نمی ­باشد.
ستونهای بعدی جدول نشان­دهنده ریشه ­های خطا است. با توجه به اهمیت خطا در پیش بینی، شناخت منابع خطا و کاهش آن، می ­تواند در افزایش اعتماد به نتایج الگو بسیار موثر باشد. خطاهای بزرگ ممکن است ناشی از پراکندگی زیاد داده ­های تصادفی در الگو باشد. بر این اساس ریشه ­های خطا با توجه به این شاخص به سه عامل مرتبط می­گردد.
۱-خطای مبنا: زمانی که خروجی های الگو با داده ­ها با هم سنخیت نداشته باشند این خطا ایجاد می شود که اصطلاحا خطای سیستماتیک نامیده می­ شود.
۲-خطای انحراف: زمانی که واریانسهای داده ­های واقعی و شبیه­سازی با هم تفاوت زیادی داشته باشند. ریشه این خطا نیز ممکن سیستماتیک باشد.
۳-خطای نابرابری کوواریانسها: زمانی که نتایج الگو و داده ها با هم همبستگی نداشته باشند، این خطا ایجاد می شود که اصطلاحا خطای غیر سیستماتیک نامیده می­ شود.
در حالت بهینه هر چقدر که میزان خطای سیستماتیک و غیر سیستماتیک کمتر شود به مفهوم بهینه بودن الگو در شبیه سازی نتایج می­باشد اما مجموع این خطاها باید برابر ۱ می­باشد.
میزان خطای سیستماتیک را بیان می­دارد و حالت مطلوب، آن است که به صفر، نزدیکتر یا مساوی باشد
نوعی واریانس است که میزان برابری انحراف استاندارد مقادیر شبیه سازی (SDS) و مقادیر واقعی (SDA) را نشان می­دهد و مطلوب آن است که مقادیر مساوی و یا نزدیک به صفر اختیار نماید.  نوعی کواریانس است که خطای غیر­سیستماتیک را اندازه می­گیرد و هر چه به یک نزدیکتر باشد، بهتر است.
نتایج شاخص­ های فوق در جدول ۴-۶ نشان داده شده است.
جدول ۴-۶- نتایج آزمون خطاهای الگو بر حسب شبیه‌سازی