工业工程专业毕业外文翻译中文---基于商品惟一标识的供应链整合(编辑修改稿)

工业工程专业毕业外文翻译中文---基于商品惟一标识的供应链整合(编辑修改稿)内容摘要：

， 他们 正 考虑 在未来 实施 RFID，并且 8%的受访者说，他 们已 对 使用 RFID 技术 进行了详细的研究。 唯一识别被记录和阅读的位置也应该进行评估（图 1）。 可见下游利用唯一识别比上游使用更为常见。 内部使用似乎占主导地位，特别是对于追踪产成品存货。 类似的模式可以在执行唯一识别的驱动程序中看到。 改进跟踪分数最高的，同时减少了盗窃或假冒似乎更被受访者关注（表 III）。 改进后的数据更能减少错误和大大提高效率评分，以及改进库存控制和运输服务。 再次，内部协调比起外部，似乎是更重要的。 与客户协调似乎比和供应商协调更重要。 8 表 II 使用唯一识别的公司 公司规模 \惟一的标签 YES NO TOTAL 小型 (100199) 16 16 32 中型 (200499) 29 23 52 大型（ 499 以上） 50 18 68 TOTAL 95 57 152 图 I 唯一识别的产品和运输设备的记录结构 驱动程序的因子和 群体 分析 为了辨别不同 大小 的数据资料 ， 对驱动程序变量进行因子分析。 变量 ， 一个主成分分析的结果是 KMO（ KaiserMeyerOlkin)值 ， 它的特点是 有功 的 (Kaiser， 1974).。 此外 ， 相关矩阵的一致性似乎不可能，因为 Bartlett 的 测试 明显 是大 规模的。 所有的变量在分析时 都 是 可用的 ，因为 这个 群体 不 会 透露任何极端值 (表 4)。 相关矩阵显示所有的变量 ， 除了一个 ，它和 至少一种其他的变量 相关， 相关系数 为 (显著 水平为 )。 最后的变量和 另一个变量 相关，相关系数为。 不在 任何其他的因素 中包含这个变量 ， 我们让它保持现状， 因为我们怀疑 ， 对于产品群， 这可能是最重要的变量。 一个 详细计划表明它涉及到使用六个因素。 对 循环的组成部分的 解释 导致了 下列 驱动因素矩阵 (表 4)： (1)更有效的库存控制和改进的送货服务。 (2)改进协调物料流动。 (3)使产品回报 和 产品回收的执行 更有效。 (4)改进的可追溯性。 (5)为客户和 政府等外部的要求。 (6)减少伪造或偷窃。 9 对于实行唯一识别的公司，供应链 整合 是一个关键的机会。 然而 ， 这取决于执行背后的驱动力量， 整合 的水平和类型是不同的。 整合 其实是 一个广泛 的 概念 ， 并没有单一的方式来衡量。 为了 利用这个 概念 ， 我们不得不 评估供应链 中使用唯一识别的地点的数量。 这个测试是符合 服务于研究的 包 装视角 的。 这种概念是 ， 在 越 多的地方使用相同的 识别 ， 供应链 整合 度越高。 表 IV 基于驱动变量的因素的循环组成部分 因子导入 特征值 差异比例 累积比例 方差 因素 1：更有效的库存控制和改进的送货服务 改良库存管理 减少人力成本 改进运输服务 减少数据收集时的错误 更高效的数据收集 因素 2：改进协调 物料流动 改进和顾客相关的物料流 改进供应商的物料流 改进内部物料流 因素 3：使产品回报和产品回收的执行更有效 改进产品回收 提高计划的应变能力 因素 4：改进的可追溯性 改进可追溯性 因素 5：为客户 和政府等外部的要求 来自顾客和政府的外部要求 因素 6：减少伪造和盗窃 减少伪造和盗窃的危险 注 :提取方法 :主成分分析。 循环方法 :最大方差法 不同的集群的改善 唯一识别的标签 的实施 为受调查公司提供了改进。 为了识别 数据资料 的结果 ， 要进行主成分分析方法对结果变量进行分析 (表七 )，这是 一个至关重要的因素 分析。 表 V 各集群 整合 驱动力量的单因子变异数分析 10 平方和 df 均方 F Sig. 逆向 整合 集群间 3 集群内 91 总数 94 内部 整合 集群间 3 集群内 91 总数 94 正向 整合 集群间 3 集群内 91 总数 94 表 VI 集群驱动力量的 整合 水平（均值） 集群 逆向 整合 内部 整合 正向 整合 1 物料流的协作 高（ 3） 高（ 3） 高（ 3） 2 产品回收和可追溯性 低（ 1） 中（ 2） 中（ 2） 3 外部要求 低（ 1） 中（ 2） 中（ 2） 4 减少伪造和盗窃 高（ 3） 高（ 3） 高（ 3） 注：分值： 0— 没有 整合 ； 4— 完全 整合 4 个 评估结果表明， 所有变量的单因素分析 是合适的。 首先，巴特利特的球体检验 显著性够大。 第二 ， KMO 值为 （ 可信 ）。 第三，提取 的群体 不会导致任何极端值（表七），最后，相关矩阵显示，所有变量至少 和一个其他变量有关，相关系数 的值为 （显着性水平 ）。 一个详细计划表明四到六个因素应该被使用。 为了指定逻辑标签 ， 使用了 6 个因子 (见表 7)。 这些因素 解释了 %的 结果变量 的差异。 为了区分从四个集群驱动力量获得的改进 ， 需要进行 一个 基于这 6 个结果因子的 判别分析。 循环 结构矩阵和 群体中心 表明 了各组改善的 差异。 这种分类法预测 了各组公司的改善比例，集 群 1（ 55%）， 集群 3（ 75%）和 集群 4（ 69%） ， 但 集群 2 中 只有 14%的公司 被正确分类。 总共有 %的 公司正确分类 （ %有效），而先前的比例是 25%。 比较表明： *旨在协调物料流动 (集群 1)的公司，已经在库存管理上，提高生产率和交货质量上，获得更多改善 ， 超过了其他公司。 *旨在提高产品的收益和可追溯性 (集群 2)的公司，有迹象改善了交货质量以及次品率 11 和废品率，但该群的公司关于改善有极大的差异。 *有外部的要求去实施唯一识别的公司 (集群 3)在所有的方面取得的改进是最少的。 *旨在减少伪造或偷窃 的公司 (集群 4)，在次品率和废品率上 获得更 多的改进。 在提高库存管理、生产 力和交货质量上，他们的改进高于平均水平。 上。