türkiye cumhuriyeti çukurova üniversitesi sosyal bilimler enstitüsü
advertisement
TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI SİPARİŞ ÜRETİMİNDEKİ GECİKMELERİN LOJİSTİK REGRESYON ANALİZİ İLE BELİRLENMESİ Serkan BAŞ YÜKSEK LİSANS TEZİ ADANA / 2013 TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI SİPARİŞ ÜRETİMİNDEKİ GECİKMELERİN LOJİSTİK REGRESYON ANALİZİ İLE BELİRLENMESİ Serkan BAŞ Danışman: Doç. Dr. Arzu UZUN YÜKSEK LİSANS TEZİ ADANA / 2013 Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Müdürlüğüne; Bu çalışma, jürimiz tarafından İşletme Anabilim Dalında YÜKSEK LİSANS TEZİ olarak kabul edilmiştir. Başkan: Doç. Dr. Arzu UZUN Üye: Doç. Dr. Oya YÜREĞİR Üye: Doç. Dr. Erkut DÜZAKIN ONAY Yukarıdaki imzaların, adı geçen öğretim elemanlarına ait olduklarını onaylarım. ……/……/2013 Prof. Dr. Azmi YALÇIN Enstitü Müdürü NOT: Bu tezde kullanılan ve başka kaynaktan yapılan bildirişlerin, çizelge, şekil ve fotoğrafların kaynak gösterilmeden kullanımı, 5846 sayılı Fikir ve Sanat Eserleri Kanunu’ndaki hükümlere tabidir. i ÖZET SİPARİŞ ÜRETİMİNDEKİ GECİKMELERİN LOJİSTİK REGRESYON ANALİZİ İLE BELİRLENMESİ Serkan BAŞ Yüksek Lisans Tezi, İşletme Anabilim Dalı Danışman: Doç. Dr. Arzu UZUN Ocak 2013, 72 Sayfa Günümüzde Tedarik Zinciri Yönetimi olgusunun işletmelerin yaşam süreçleri ve performansları üzerindeki ektisi büyüktür. İmalat sanayi sektöründe varlığını sürdüren bir işletmede ise, tedarik zinciri yönetiminin en önemli halkalarından birisi sipariş bilgileri ve işletmenin üretim performansıdır. Bu çalışma, sipariş parametrelerinin, siparişin zamanında gerçekleşme ihtimalini tahmin etmede kullanılabilir olduğunu kanıtlamayı amaçlamaktadır. Böylelikle imalat sanayi işletmelerinin ve işletme karar alıcılarının bu modelleme ile siparişler üzerine karar almada ve kararlarının sonucuna ulaşabilmede, daha isabetli olmaları sağlanabilinecektir. Bununla birlikte, tedarik zinciri yönetiminin birçok halkasında da bu yaklaşımın uygulanabilirliği tartışılacaktır. Anahtar kelimeler: Lojistik Regresyon, Tedarik Zinciri Yönetimi, Sipariş Üretimi, Hosmer ve Lemeshow Uyumun İyiliği Testi ii ABSTRACT DETERMINATION OF ORDER MANUFACTURING DELAYS BY LOGISTIC REGRESSION ANALYSIS Serkan BAŞ Master Thesis, Department of Business Administration Supervisor: Associate Professor Arzu UZUN January 2013, 72 Pages Today the effect of the fact of Supply Chain Management on the performance and the life cycles of enterprises is great. For an enterprise keeping on its existence in the sector of manufacturing industry, one of the most important rings of supply chain is the data of order and the manufacturing performance of the enterprise. This work aims to prove that the order parameters are usable for estimating the probability of order realization at deadline. In this manner, it will be provided for the manufacturing industry enterprises and the enterprise decision makers, to be more accurate on making decisions about orders and reaching the results of those by this model. In addition to this, applicability of this approach for many rings of supply chain will be discussed. Keywords: Logistic Regression, Supply Chain Manufacturing, Hosmer & Lemeshow Goodness Of Fit Test Management, Order iii ÖNSÖZ Çalışmada Çukurova bölgesinde metal sanayi sektöründe faaliyette bulunan büyük ölçekli bir imalat sanayi işletmesi ile iletişime geçilerek işletmenin sipariş parametreleri kullanılmıştır. Parametreler istatistiki bir analiz yöntemi olan “Lojistik Regresyon” modeli ile analiz edilmiştir. Analiz neticesinde, belli parametrelere sahip olan bir siparişin zamanında gerçekleştirilebilme olasılığının hesaplanabilirliği gösterilmiştir. Elde edilen model sayesinde gelecekte oluşabilecek durumlara ilişkin tahminlerde bulunulmuştur. Çalışma neticesinde ise, benzer veri setlerinin benzer doğrultudaki ihtiyaçları karşılayıcı şekilde istatistiki analiz süreçlerine dahil edilebilirliği kanıtlanmıştır. İmalat süreci için yapılan bu değerlendirmelerin işletme anabilim dalının diğer çalışma alanlarında da kullanılabilir olduğu sonucuna da ulaşılmıştır. Bu açılardan değerlendirildiğinde çalışmanın gelecek çalışmalara ışık tutabilir nitelikte olduğu düşünülmektedir. Çalışmalarım süresince değerli katkılarıyla beni yönlendiren danışmanım Sayın Doç. Dr. Arzu UZUN’a (Çukurova Üniversitesi, İktisadi İdari Bilimler Fakültesi İşletme Bölümü), çalışmalarımın istatistiki analiz bölümlerinde yardımlarını esirgemeyen ve halen Çukurova Üniversitesi Fen Bilimleri Enstitüsü bünyesinde İstatistik bölümü doktorasını sürdüren değerli arkadaşım TÜİK Uzmanı Engin ARICAN’a ve en başından beri desteklerini sürekli hissettiren eşim Rukiye BAŞ ve aileme sonsuz teşekkürlerimi sunuyor ve çalışmamı dünyaya 6 ay önce gelen kızım Zeynep Ayza BAŞ’a ithaf ediyorum. Serkan BAŞ Ocak 2013, Adana iv İÇİNDEKİLER Sayfa ÖZET……………………………………………………………………………………. i ABSTRACT……………………………………………………………………………. ii ÖNSÖZ………………………………………………………………………………… iii İÇİNDEKİLER………………………………………………………………………... iv KISALTMALAR LİSTESİ……………………………………………………….. vii TABLOLAR LİSTESİ………………………………………………………………. viii ŞEKİLLER LİSTESİ…………………………………………………………………. .x BÖLÜM I GİRİŞ 1.1. Problem……………………………………………………………………………...1 1.2. Amaç………………………………………………………………………………...2 1.3. Önem……………………………………………………………………………….. 3 BÖLÜM II UYGULAMA ALANI 2.1. Tedarik Zinciri Yönetimi…………………………………………………………… 4 2.2. Tedarik Zinciri Yönetimini Etkileyen Faktörler………………………………….....9 2.3. Tedarik Zinciri Yönetimindeki Maliyet Unsurları………………………………... 10 BÖLÜM III YÖNTEM 3.1. Lojistik Regresyon…………………………………………………………….. 13 3.1.1. Önceki Çalışmalar………………………………………………………. 14 3.1.2. Doğrusal Regresyon Modeli…………………………………………….. 17 3.1.3. Lojistik Regresyon Modeli……………………………………………… 19 v Sayfa 3.1.4. Probit Model……………………………………………………………. 23 3.1.5. Tobit Model……………………………………………………………... 24 3.1.6. Sapma…………………………………………………………………… 24 3.1.7. Hosmer ve Lemeshow Uyumun İyiliği Testi…………………………… 25 3.1.8. Modeldeki Katsayılar İçin Önemlilik Testi…………………………….. 25 3.1.9. Adımsal Model Seçim Yöntemleri……………………………………… 26 3.1.10. Rezidüler……………………………………………………………….. 27 BÖLÜM IV BULGULAR VE YORUM 4.1. Çalışmada Kullanılan Veri Seti………………………………………………... 29 4.2. Açıklayıcı Değişkenler………………………………………………………….30 4.2.1. Sipariş Edilen Ürün Tipi(X1)…………………………………………… 30 4.2.2. Sipariş Edilen Ürün Tipinin Üretildiği Vardiya Sayısı(X2)…………….. 31 4.2.3. Sipariş Süresi(X3)………………………………………………………..31 4.2.4. Sipariş İle İlgili Paketleme Koşulu(X4)………………………………….31 4.2.5. Siparişin Üretiminin Gerçekleştiği Sürecin Kalitesi(X5)……………….. 32 4.2.6. Sipariş Edilen Ürün Miktarı(X6)………………………………………... 32 4.3. Yanıt Değişken………………………………………………………………… 32 4.3.1. Siparişin Gecikme Durumu(Y)………………………………………….. 32 4.4. Veri Seti Üzerinde Ön Çalışma…………………………………………………33 4.5. Veri Setinin Analizi……………………………………………………………. 33 4.5.1. Altı Değişken İle Analiz………………………………………………… 33 4.5.2. X3, X4 ve X6 Değişkenleri İle Analiz…………………………………...36 4.5.3. X4 ve X6 Değişkenleri İle Analiz………………………………………. 41 4.5.4. X3 ve X4 Değişkenleri İle Analiz………………………………………. 43 4.6. Seçim Metodları İle Model Tahmini……………………………………………44 4.6.1. İleriye Doğru Seçim Metodu……………………………………………. 44 4.6.2. Geriye Doğru Seçim Metodu……………………………………………. 46 4.7. Uygulama Örnekleri…………………………………………………………….49 4.8. Rezidü Analizi…………………………………………………………………. 60 vi BÖLÜM V SONUÇ VE ÖNERİLER Sayfa 5.1. Sonuç ve Öneriler…………………………………………………………………. 64 KAYNAKÇA………………………………………………………………………….. 67 EKLER………………………………………………………………………………... 71 ÖZGEÇMİŞ…………………………………………………………………………... 72 vii KISALTMALAR LİSTESİ Ar-Ge: Araştırma Geliştirme ST : Score Test SPSS : Statistical Package For The Social Sciences(Sosyal Bilimler İçin İstatistik Paket Programı) :Hosmer ve Lemeshow Test Değeri :Sapma : Tahmin Edilmiş Logit Fonksiyon : Tahmin Edilmiş Olasılık Modeli viii TABLOLAR LİSTESİ Sayfa Tablo 1: P(X), ÜO(X) ve LnÜO(X) Arasındaki İlişki ................................................... 21 Tablo 2: Cinsiyete Göre Sınav Sonuçları....................................................................... 23 Tablo 3: X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri Tablo 4.1 Rastgele Verilen X3 ve X4 Değişken Değerleri.34 Tablo 4: X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları…………………………………………………….35 Tablo 5: X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları……………………………………………………………..……...36 Tablo 6: X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri…………………………………………………………..………….....36 Tablo 7: X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları………………………..……………………………………….37 Tablo 8: X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları...37 Tablo 9: X3, X4 ve X6 Değişkenleri Korelasyon Matrisi…………………...………...41 Tablo 10: X4 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri………………………………………………………………...……….41 Tablo 11: X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları………………………………………………………..…………….42 Tablo 12: X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları……42 Tablo 13: X3 ve X4 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri………………………………………………..……………………….43 Tablo 14: X3 ve X4 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları…………………………………..……………………………….…43 Tablo 15: X3 ve X4 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları…....43 Tablo 16: İleriye Doğru Seçim Metodunun Oluşturduğu Modelin Değişken Katsayıları.........................................................................................................45 Tablo 17: İleriye Doğru Seçim Metodunun Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları……………….……………………………………45 ix Sayfa Tablo 18: İleriye Doğru Seçim Metodunun Oluşturduğu Modelin -2 Log Likelihood Değerleri…………..………………………………………………………..…46 Tablo19: Geriye Doğru Seçim Metodunun Oluşturduğu Modelin Değişken Katsayıları.……………………………………………………………………47 Tablo 20: Geriye Doğru Seçim Metodunun Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları…...……………..…………………………………48 Tablo 21: Geriye Doğru Seçim Metodunun Oluşturduğu Modelin -2 Log Likelihood Değerleri……………………………..……………....………………………..48 Tablo 22: Rastgele Verilen X3 ve X4 Değişken Değerleri………………………...….51 Tablo 23: Rastgele Verilen X3 ve X4 Değişken Değerlerine Karşılık Model Sonuçları…………………………………………….………………………..52 Tablo 24: Paketleme Koşulu “0” Olan ve Rastgele Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları…………………………………….……………….53 Tablo 25: Paketleme Koşulu “1” Olan ve Rastgele Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları…………………………………………….……….54 Tablo 26: Paketleme Koşulu “0” Olduğu Durumda Eşit Aralıklarla Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları……………………………..55 Tablo 27: Paketleme Koşulu “0” Olduğu Durumda 30-35 Aralığında Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları……………………………..57 Tablo 28: Paketleme Koşulu “1” Olduğu Durumda Eşit Aralıklarla Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları……………………………..57 Tablo 29: Paketleme Koşulu “1” Olduğu Durumda 20-25 Aralığında Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları……………………………..59 Tablo 30: X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin -2 Log Likelihood Değeri…………………………………………...63 Tablo 31: X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin Hosmer ve Lemeshow Test Sonuçları………………………………63 Tablo 32: X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin Değişken Katsayıları………………………………………………...63 Tablo 33: Kullanılan Model Yöntemine Göre Anlamlı Çıkan Değişkeler Tablosu..….64 x ŞEKİLLER LİSTESİ Sayfa Şekil 1: Fonksiyonel amaçların Stok, Müşteri Hizmetleri ve Toplam Maliyet üzerindeki etkileri. ................................................................................................................ 11 Şekil 2: Paketleme İstenilmediğinde Sipariş Süresine Göre Gecikme İhtimali Grafiği. 56 Şekil 3: Paketleme istenildiğinde sipariş süresine göre gecikme ihtimali grafiği .......... 35 Şekil 4: ye karşın grafiği. ................................................................................... 60 Şekil 5: ye karşın grafiği. ...................................................................................... 61 Şekil 6: ye karşın p grafiği ....................................................................................... 62 1 I. BÖLÜM GİRİŞ Ekonomik parametrelerin değerleme hesaplarındaki rolü her geçen gün önemini daha da arttırmaktadır. Bu nedenden dolayıdır ki makro ve mikro düzeyde bütün karar alıcılar bulundukları organizasyonların değerini arttırmak amacı ile ekonomik ve parasal değişkenlerini uygun düzeylerde tutabilmek için büyük çaba sarf etmek durumundadırlar. Mikro düzeyde alınan doğru kararlar makro düzeyde yürütülen doğru politikalar ile birleştiğinde toplumsal refah düzeyi iktisadi olarak üst seviyelere ulaşır. Bu durum bir döngü şeklinde tekrar mikro organizasyonları ve bunun yanında toplumun bütün fertlerini olumlu yönde etkiler. Bununla birlikte aksi durumların gerçekleştiği de insanlık tarihi boyunca defalarca kez tecrübe edilmiştir. Olumlu da olsa olumsuz da olsa değişmeyen tek şey bu gelişmelerin domino taşı etkisi ve yahut son zamanların popüler olan tabiri ile kelebek etkisi şeklinde tezahür etmesidir. Dış faktörler sabit tutulduğunda durum bu şekildedir. Fakat küreselleşen günümüz ekonomisinde dış faktörlerin etkisi daha da artmış, bu durum da doğru kararların alınıp doğru politikaların yürütülmesi hususunda karar alıcıların işini çok daha zorlaştırmıştır. 1.1.Problem Günümüzde alınan kararların önem derecesinin artması, organizasyonları verimliliği arttırma çalışmalarına yönlendirmiştir. Bu bakımdan organizasyonların sahip oldukları bilginin düzeyi de büyük önem arz etmektedir. Organizasyon içi bilgi ile organizasyon dışı bilginin maksimum düzeyde tutulmasının yanında bilgi paylaşımının da azami ölçüde mevcut olması gerekmektedir. Bu durum organizasyonları bu yönde yöntemler geliştirmeye zorunlu kılmış ve hatta teknolojinin de ilerlemesi ile yazılım boyutunda da bilgi paylaşımı yöntemleri geliştirilerek organizasyonların kullanımına sunulmuştur. İmalat yapan işyerleri için ihtiyacı duyulan en önemli bilgilerin arasında arzın gerçekleştirileceği pazarın durumu, arz süreci ve süreç sonrasında edinilen geri dönüşler 2 bulunmaktadır. Bu bilgilerin hepsi organizasyonun performansını ve dolayısı ile geleceğini etkileyen faktörleri oluşturmaktadır. Bir imalatçı firma için almış olduğu siparişi zamanında karşılayabilmesi firmanın başarı parametrelerinden birisidir. Zira siparişi zamanında karşılayabilen imalatçı firma ürününü maksimum değerde arz etme fırsatına sahip olmuş demektir. Zamanında gerçekleştirilemeyen bir siparişin değeri, geciktiği her an azalır ve ekonomikliğini kaybeder. Maddi kayıpların yanında manevi kayıplar da yaşanır ki bütün bu kayıplar firmanın geleceğe dönük beklentilerini olumsuz yönde etkiler. 1.2.Amaç Bu çalışmada amaç, organizasyon içi bilgiden yararlanarak doğru kararların alınabilmesi doğrultusunda faydalı bir sonuç ortaya çıkarmaktır. İşletmelerin iç dinamikleri karar alış sürecinde en etkin rolü oynayan unsurlardır. Bu unsurların en verimli şekilde kullanılması geleceğe dönük olarak da beklentilerin olumlu şekilde neticelenmesine yardımcı olur. Geçmişte gerçekleşen siparişlerle ilgili olarak elde bulunan veriler de istatistikî yöntemler ile gelecekle ilgili tahmin yürütmede kullanılabilmektedir. Çalışmada amaç, Çukurova bölgesinde faaliyet gösteren bir imalat sanayi işletmesinin geçmişe yönelik sipariş bilgilerinin kullanılması ve neticede oluşturulan model ile gelecekte oluşabilecek muhtemel siparişlerin akıbeti ile ilgili tahminlerde bulunulmasıdır. Yapılan modelleme sayesinde hem senaryolar üretilip senaryo sonuçları yorumlanabilecek, hem de gelen yeni bir siparişin parametreleri modele uyarlanarak sipariş ile ilgili beklenti ortaya koyulabilecektir. Bu doğrultuda amaç alınan kararların isabet oranını arttırmak ve uzun vadede işletme değerini arttırmaktır. Çalışmanın ilk bölümünde çalışma ile ilgili genel bilgilerin verildiği giriş bölümü bulunmaktadır. İkinci bölümde üretim yönetiminin önemli bir bölümünü oluşturan tedarik zinciri yönetimi ele alınmış ve sorunun üretim yönetimi açısından önemine vurgu yapılmıştır. Üçüncü bölümde çalışmada kullanılan istatistiki analiz ve modelleme yöntemlerine değinilmiş ve tercih edilen yöntem, temel unsurları ve tercih nedenleri ile açıklanmıştır. Çalışmanın dördüncü bölümü olan uygulama bölümünde ise mevcut durum analizinin yanı sıra elde edilen veriler üzerinde istatistiki çalışmalarda bulunulmuş ve modellemeler yapılmıştır. Bölümün sonraki kısımlarında çeşitli senaryo 3 uygulamalarına ve model üzerinde yapılan analizlere yer verilmiştir. Beşinci ve son bölümde ise çalışma boyunca yapılanlar üzerinde tartışılmış ve varılan sonuçlar özetlenerek bir takım önerilerde bulunulmuştur. 1.3.Önem Bu çalışma sayesinde çalışmanın yürütüldüğü imalat sanayi işletmesi geleceğe dönük olarak önünü daha iyi bir şekilde görebilecek ve görüş açısı genişlediği için stratejik kararlarını daha rahat ve doğru bir şekilde alabilecektir. Bu sayede, bir siparişin zamanında karşılanamaması neticesinde katlanılan maliyetlerin minimizasyonu doğrultusunda önemli bir adım atılmış olunacaktır. Firma, yeni gelen bir sipariş üzerinde yorum yapabilecek, gerekirse müşteri ile pazarlık yapabilme şansına sahip olacaktır. Zira daha önce sahip olmadığı bir bilgiye sahip olması, firmanın anlaşmalarını yönlendirmesine yardımcı olacaktır. Aynı doğrultuda, müşterilerin de siparişlerinin gelecekteki durumu ile ilgili beklentileri netleşecek, onlar için karar alma süreci daha sağlıklı bir hale gelecektir. Böylelikle hem imalatçı firma için hem de müşteriler için karşılıklı olarak faydalar artmış olacaktır. 4 II. BÖLÜM UYGULAMA ALANI 2.1. Tedarik Zinciri Yönetimi İşletme yönetiminde karar verme sürecinin temel prensiplerinden biri olan optimizasyon, beraberinde bir çok çalışma alanını ve yeni prensipleri karar verme modellerine uyumlaştırmayı zorunlu kılmıştır. İlk olarak amacın değer maksimizasyonu olduğu bu alanda, kaynak ve maliyet minimizasyonu birçok çalışma yöntemlerinde optimizasyonu gerekli kılmaktadır. Tedarik zinciri yönetimi de bu çalışma alanlarından biridir ve işletmelerin ortak amacı olan fayda maksimizasyonu yönünde işletmelere büyük katkılar sağlamaktadır. 1960lı yıllarda üretim süreçlerinde, ürünün girdilerinin planlanması ile keşfedilen bu yönetim biçimi, günümüzde alanını oldukça genişleterek organizasyonlar arası bir yapıya ulaşmıştır. Tedarik zinciri yönetimi, modern zamanda doğan ve gelişimini sürdüren, özellikle kar amacı güden organizasyonlarda artık olmazsa olmaz kabul edilen bir süreç yönetimidir. Bu süreç, ürün ya da hizmetin hammadde sağlayıcısından kullanıcısına ulaşana kadar olan süreçtir. Tedarik zinciri yönetimi ise kısaca, bu süreçte rol oynayan her bir aracı arasındaki ürün, hizmet, para ve bilgi akışı olarak tanımlanabilir. Tedarik zinciri, hammaddelerin tedarikini, üretim ve montajı, depolamayı, stok kontrolünü, sipariş yönetimini, dağıtımı, ürünün müşteriye ulaştırılmasını içeren faaliyetler ve tüm bu faaliyetlerin izlenebilmesi için gerekli olan bilgi sistemleri olarak tanımlanabilir. (Lummus, Krumwide, & Vokurka, 2001) Hammaddenin tedarikinden ürünün son kullanıcıya sunumuna kadar geçen sürecin her basamağının kontrol altında tutulmasına tedarik zinciri yönetimi denir. Bu süreçte kontrol altına tutulan unsurlar maddi unsurlar olan ürünler ile maddi olmayan unsurlar olan hizmet ve bilgidir. Tedarik zincirinde temel olarak üç tür akışın olduğunu söylemek mümkündür. Bunlar, malzeme akışı, bilgi akışı ve finansal akıştır. Malzeme akışı, tedarikçilerden müşterilere uzanan fiziksel ürün akışı ile iade, servis, geri dönüşüm ve imhalardan oluşan ters yönlü akıştan oluşmaktadır. Burada yedek parça, hammadde ve ara mamul tedarikçilerden gelmektedir. Bunlar üretim 5 bandının durmaması için önemlidir. İade ve servis maliyetlerine bakılmaksızın ve müşterileri kaybetmemek için malzeme akışı vazgeçilmez hale gelmiştir. (Amirov, 2006) Bilgi akışı, sipariş bildirimi ve sevkiyat durum bilgisini kapsamaktadır. Bilgi akışı iyi yönetildiği zaman geribildirimler tedarik zincirinin tüm ilgili halkalarına ulaşmaktadır. Ayrıca tedarik zincirindeki her bir halkanın amacı, en yeni bilgiyi zincirdeki diğer şirketlere iletmek, bilgi paylaşımını sağlamak ve bu şekilde daha mükemmel arz ile talep dengesini oluşturmaktır. Geçmiş yıllarda tedarik zinciri kavramı, bilgi teknolojilerindeki gelişmelere paralel olarak değerlendirilmiştir. Çünkü bu sayede bilgi akışı hızlı bir şekilde işletmenin departmanlarına ve tedarik zincirinin halkalarına yayılabilmektedir. Elektronik iletişimin ucuzlaması ve kolaylaşması bu süreci hızlandırmıştır. (Amirov, 2006) Finansal akış, kredi bilgileri, ödeme çizelgeleri, konsinye ve patent hakkı düzenlemelerini içermektedir. Tedarik zincirindeki para akışını düzenlemektedir. Tedarik zincirinde nakit sıkıntısı yaşanmaması için zincirdeki tüm organizasyonlar, para kaynağının son müşteri olduğu anlayışını kuruluşlarına yerleştirmelidir. (Amirov, 2006) Hammadde temininden itibaren, imal edilen ürünün nihai tüketiciye ulaşmasına kadar geçen süreçte rol alan ve çift yönlü olarak ilintili olduğu diğer unsurlarla ilişkili olan unsurların oluşturduğu sistemi Tedarik Zinciri olarak tanımlayabiliriz. Tedarik zinciri yönetiminin başarılı olması, bütün bu unsurların birbiri ile olan paylaşımlarının sağlıklı olmasına ve zincirdeki bütün halkaların koordineli bir şekilde çalışmalarının sağlanmasına bağlıdır. Dolayısıyla, tedarik zincirini oluşturan halkaların birbiri ile koordinasyonlu bir şekilde hareket etmeleri büyük önem taşır. Bu nedenle tedarik zincirinin başarısızlığının en önemli sebebi, zinciri oluşturan halkaların hepsinin kontrol altında tutulamamasıdır. Halkaları kontrol edebilme konusunda ne kadar emek verilse de, hepsine hükmedebilecek konumda olmak neredeyse imkânsızdır. Bu bakımdan başarılı olabilen organizasyonlar pazarda avantajlı duruma gelmektedirler. Kaldı ki tedarik zinciri sistemini kendi kuran organizasyonlar bile zincir üzerinde %100 kontrol sağlayamazlar ve tedarik zincirinin dezavantajları ile yüz yüze gelirler. Sipariş miktarı, sipariş zamanı, talep tahmini, üretim kapasitesi, depolama kapasitesi, ulaştırma, ürün ve servis kalitesi gibi unsurların hepsi tedarik zincirinin parçalarıdır. Bütün bu unsurların üzerindeki kontrolü istenilen düzeyde tutmak çok zordur. Zira tedarik zincirinin birçok halkasını, organizasyon dışı unsurlar oluşturmaktadır. Örneğin üretilen ürün kalitesi ne 6 kadar iyi olursa olsun, üretim maliyetleri ne kadar düşük olursa olsun, ürünün nihai tüketicisine ulaşması için gerekli olan basamakların performansı istenilen seviyede olmazsa, ürün nihai tüketiciye istenildiği şekilde(miktar, kalite, fiyatlandırma v.b.) ulaşamayacaktır. Dolayısıyla, nihai tüketicinin memnuniyeti sağlanamayacağı gibi, tüketicinin geribildirimi de firmaya ulaşmayacağından, orta ve uzun vadede ürünün piyasada tutunması ve firma karlılığı ve ömrü göz önünde bulundurulduğunda sıkıntılar ortaya çıkacaktır. Durumu sadece üretici firma ve nihai tüketici açısından değerlendirmek de yeterli değildir. Zincirin dayanıklılığı, halkaları arasındaki bağ ve uyum bütün halkaları doğrudan ya da dolaylı olarak etkilemektedir. Bu bakımdan üretici ile tüketici arasında bulunan unsurlar ve üretim için tedarikçiler de zincirde oluşan olumsuzluktan etkileneceklerdir. Zinciri etkileyen faktörleri birçok açıdan değerlendirmek mümkündür. Bu faktörler zincirin içinden kaynaklanabileceği gibi, bazı dış faktörler de zincirin gücünü ve performansını etkileyebilir. Dış faktörlerden en önemlileri; genel ekonomik şartlar, siyasi durum, toplumsal faktörler ve doğal faktörlerdir. Faktörlerin zincirdeki etkisi, zincirin bu faktörlere olan bağlantısı ve faktörlerdeki değişimlere olan duyarlılığı ile doğru orantılıdır. Dış faktörlerin zincire olumsuz etkilerini, tedarik zincirindeki dış kaynaklı faktörler riski olarak değerlendirebiliriz. Doğaldır ki, zinciri daha doğrudan ve daha çok etkileyen unsurlar zincirin içinden kaynaklanmaktadır. Örneğin tedarikçilerle ilgili riskler, daha çok hammadde teminindeki sıkıntılardan kaynaklanmaktadır. İhtiyaç duyulan maddelerin istenilen kalitede, miktarda ve zamanda tedarik edilememesi zincirdeki en büyük risklerden biridir. Tedarik aşamasındaki sorunlar, domino taşı etkisiyle zinciri boydan boya etkileyebilecek türdendir. Üretim aşamasında da risk olarak değerlendirebileceğimiz birçok sorunla karşılaşabiliriz. Üretimi etkileyen ve ürünlerin bir sonraki aşamaya geçişinde sorunlar ortaya çıkaran faktörler de doğrudan ya da dolaylı olarak zinciri etkileyeceğinden risk oluşturmaktadırlar. İşletmenin finansal durumu, üretim kapasitesi ve üretim unsurları(işçiler, sabit sermaye yatırımları, bakım ve onarım v.b.), işletmenin üretimini etkileyen iç faktörlerdir ve bu faktörlerin işleyişi tedarik zinciri açısından da çok önemlidir. 7 Üretim aşamasından sonra, ürünün nihai tüketicisine ulaşmasını sağlayan ve daha çok toptancı ve perakendecilerden oluşan halkalar ise, aynen üretici firmada olduğu gibi, kendi içlerinde ve dışlarında performanslarını etkileyen risk unsurlarıyla karşılaşabilirler. Bu sıkıntılar da ürünlerin nihai tüketiciye istenildiği gibi ulaşmasını riske eder. Bütün bu riskler de, ürünün başarısını ve karşılıklı olarak fayda aktarımını sekteye uğratır. Tedarik zincirindeki riskleri ortadan kaldırmak çok zor olsa dahi, riskleri minimuma indirmek mümkündür. Bunu başarabilmek için en çok üzerinde durulması gereken konu ise iletişimdir. Özellikle Tracing olarak adlandırılan ve “ürünün ham madde temin sürecinden itibaren nihai tüketiciye ulaşana kadar ki takip edilebilirliği” anlamına gelen unsur çok önemlidir. Halkalar arasındaki ilişki ve iletişim ve takip edilebilirlik ne kadar kuvvetli olursa zincirin başarısı üzerindeki riskler ise bir o kadar azalır. Birçok üretici firma bu iletişimi en sağlıklı şekilde kurabilmek ve riskleri azaltabilmek için, tedarik zincirindeki halkaları mümkün olduğunca kendi bünyesine katmaya ya da kendi bünyesinde oluşturmaya çalışmaktadır. Örneğin, gıda ve hızlı tüketim sektöründeki üretici firmalar, nihai tüketiciye ürünlerini ulaştırmada basamakları kontrol altında tutabilme adına, ulaştırma işlerini dahi kendi bünyelerinde kurdukları firmalar ya da faaliyet birimleri aracılığı ile gerçekleştirmektedirler. Zira ulaşım maliyetleri, ulaştırma kapasitesi ve rotası da ürün maliyetini etkileyen unsurlardır. Maliyet yönetimi bakımından birçok firma ulaştırmayı göz önünde bulundurarak, ulaşım kontrolünü birinci elden yapmayı hedeflemektedirler. Satış sonrası destek de mutlaka göz önünde bulundurulması gereken bir unsurdur. Geri bildirim kanallarının açık olması, arttırılması, hizmet sürelerinin belirlenebilir olmakla birlikte minimum düzeye düşürülmeye çalışılması tedarik zincirinin bu bakımdan risklerinin giderilmesi açısından çok önemlidir. Depolama ile ilgili sorunların aşılması da, başarılı bir yönetimden geçer. Stok yönetimi ve stok maliyeti yönetimi, tedarik zincirinin stoklama bakımından karşılaşabileceği riskleri aza indirebilmek adına en önemli araçlardır. Ürünün özelliğine göre, özel koruma şartları için oluşabilecek ekstra maliyetlerin ve depoların ulaştırma maliyetlerinin göz önünde bulundurularak belli merkezlerde konuşlandırılması, karşılaşılabilinecek risklerdir ve daha önceden ifade edildiği gibi başarılı bir stok yönetimi ile çözülebilir. 8 Outsourcing olarak tabir edilen dış kaynaklama işletmelerin günümüzde kullandıkları bir yöntem olmakla birlikte, tedarik zinciri yönetiminin etkinliğini artırmada önemli bir rol oynamaktadır. İşletmelerin ana faaliyet konuları dışındaki aktivitelerini, bu işi ana faaliyet konusu olarak belirlemiş olan organizasyonlara bırakmalarına dış kaynaklama denmektedir. Muhasebe, insan kaynakları, Ar-Ge gibi faaliyetlerin hizmet olarak bu şekilde dışarıdan temin edilmesi, işletmenin asıl işine olan odaklanmasını arttırmakta ve işletmenin dinamizmini olumlu yönde etkilemektedir. Bu tür işletmelerin tedarik zinciri yönetiminde daha etkin oldukları görülmüştür. Tedarik zinciri yönetiminin etkin bir şekilde sürdürülebilmesi için bilgi paylaşımı büyük önem taşır. Bilginin bütünüyle, hızlı bir şekilde paylaşılabilmesi organizasyon için üstünlükler sağlar. Özellikle bilgi teknolojisinin her geçen gün kendini yenilediği bir ortamda organizasyonların da bu bakımdan kendilerini yenilemeleri gerekmektedir. iletilememesi çeşitli Bilginin sorunları yeteri ortaya düzeyde çıkarır. paylaşılamaması Zincirdeki halkaların veya amaçları doğrultusunda hareket ettikleri bilindiğine göre, bilgi akışındaki eksikliklerin, bu amaçların çatışmasına yol açabileceğini kestirmek de mümkündür. Tam aksine bilginin paylaşılabildiği ortamlarda ise halkalar kendilerine avantaj sağlayacaklar ve bütün sistemi, dolayısı ile kendi varlıklarını, olumsuz etkileyen durumların oluşmasından kaçınabileceklerdir. Diğer bir ifadeyle, tedarik zinciri üyelerinin ortak bir organizasyonun fonksiyonları gibi, bütünün çıkarlarını düşünerek faaliyetlerini yürütmeleri hem kendileri hem de ilişki içerisinde oldukları diğer üyeler ile bütün organizasyonu olumlu yönde ilerletecektir. Bilgi paylaşımı, tedarik zincirinin yönetiminde temel unsurdur. Tedarik zincirinin üyeleri, faaliyetlerini koordine edebilmek için gerekli bilgiye zamanında ulaşabilmelidirler. Bilgi teknolojilerinin gelişmesi ile birlikte, işletmeler arasında bilgi paylaşımı çok daha kolaylaşmış ve bilgi paylaşımını etkin olarak gerçekleştiren işletmelerin, tedarik zincirinin bütünleştirilmesinde de önemli başarılar sağladıkları görülmüştür. (Yüksel, 2002) Tedarik Zinciri Yönetiminde bir firmanın aldığı siparişleri zamanında teslim etmesi yaşamsal bir öneme sahiptir. Ancak, firmalar üretim sürecinde yaşadıkları sorunlardan ya da daha farklı problemlerden dolayı bazen siparişleri zamanında müşterilerine teslim edememektedirler. Bu da tedarik zinciri yönetiminde aksamalara yol açmaktadır. 9 Söz konusu aksamaları minimize edebilmek için, sipariş alımında bu siparişlerin zamanında gerçekleştirilebilme yetisinin, süreç başında belirlenebiliyor olması faydalı olur. Çalışmanın amacı imalat sanayinde faaliyet gösteren bir firmada sipariş değişkenlerini irdeleyerek, siparişin özelliklerine göre bu siparişin zamanında gerçekleştirilme olasılığını lojistik regresyon analizi ile hesaplamaktır. Çalışma, sipariş parametrelerinin, siparişin gerçekleşme olasılığını hesaplamada kullanılabilir olduğunu kanıtlamayı amaçlamaktadır. Böylelikle, imalat sanayi işletmelerinin ve işletme karar alıcılarının bu modelleme ile siparişler üzerine karar almada ve kararlarının sonucuna ulaşabilmede, daha isabetli olmaları sağlanabilinecektir. Aldığı siparişlerin geleceği ile ilgili tahminlerde bulunabilen bir işletme, daha dinamik kararlar alabilecek ve böylelikle hem kendini hem de içinde bulunduğu tedarik zincirini güçlendirecektir. Bu çalışmada, tedarik zinciri yönetiminin birçok halkasında da modelin uygulanabilirliği de tartışılacaktır. Sadece imalat aşaması değil, diğer bütün basamaklarda da çalışmada kullanılan istatistiki yöntemin kullanılabilir olduğu bu çalışma ile kanıtlanmış olacaktır. 2.2. Tedarik Zinciri Yönetimini Etkileyen Faktörler Tedarik zinciri yönetimini etkileyen birçok faktörden söz etmek mümkündür. Bunlardan birisi ve belki de en önemlisi günümüz rekabet koşullarıdır. İşletmelerin birbirlerine üstünlük kurdukları bir çok araç ve strateji bulundukları piyasanın rekabet koşullarını şekillendirmede büyük önem taşır. Bu bakımdan işletmelerin üyesi oldukları tedarik zincirinin yapısı da onlara bulundukları piyasada avantaj sağlama konusunda önemlidir. Zira bir vücudun organları arasındaki iletişim ve tepkimelerin hızının o vücuda kazandırdığı hız gibi, tedarik zincirinin içindeki bilgi paylaşımı da işletmeye ve organizasyona bulunduğu piyasadaki değişikliklere çabuk tepki verme yetisi kazandıracak ve rakiplerine karşı üstünlük kurmasına yardımcı olacaktır. Ürün yaşam süreçlerinin de kısaldığı günümüzde piyasa koşullarına tepki verme hızı önemini daha da arttırmaktadır. Tedarik zinciri yönetimini etkileyen önemli faktörlerden birisi de teknolojik gelişmelerdir. Teknolojideki hızlı gelişim, işletmelerin kendilerini yenilemelerinin gerekliliğini ortaya çıkarmaktadır. Teknoloji alanındaki değişim zincirin halkalarını olumlu ve olumsuz yönlerde etkilemektedir. Teknolojik imkanların çoğalması ve 10 genişlemesi özellikle ürün, hizmet, bilgi ve para akışını hızlandırmakta ve tedarik zincirini daha dinamik bir yapıya büründürmektedir. Buna karşılık özellikle bilgi teknolojilerindeki hızlı değişim zincir üyelerini, teknolojik gelişimleri takip bakımından zorlamakta ve bazen de geride kalmalarına sebep olmaktadır. Bunun yanında teknolojik gelişmeler müşteriler ve tedarikçiler açısından çeşitliliği arttırmakla birlikte işletmeler için rekabet koşullarını da daha zorlayıcı duruma getirmektedir. 2.3. Tedarik Zinciri Yönetimindeki Maliyet Unsurları Tedarik zinciri yönetimindeki temel felsefe, toplam tedarik zinciri maliyetini istenilen sabit talep doğrultusunda minimize etmektir. Bu toplam maliyet aşağıdaki maliyet unsurlarını içermektedir: Hammadde ve diğer satın alma maliyetleri Gelen taşıma ve ulaştırma maliyetleri Tesis yatırım maliyeti Doğrudan ve dolaylı üretim maliyetleri Doğrudan ve dolaylı dağıtım merkezi maliyetleri Stok bekletme maliyeti İç-yatırım ve taşıma maliyetleri Giden taşıma ve ulaştırma maliyetleri (Shapiro, 2001) Tedarik zinciri yönetimindeki amaçların bazı önemli unsurlar üzerindeki etkisi Şekil 2.1’de gösterilmiştir. Şekil 2.1’de sunumu yapılan tablo üzerinden birçok çıkarım yapmak mümkün olacaktır. 11 Şekil 1. Fonksiyonel Amaçların Stok, Müşteri Hizmetleri ve Toplam Maliyet Üzerindeki Etkileri. Kaynak: T. Paksoy, 2005 Şekil 1’de yukarıya doğru oklar artışı, aşağı doğru oklar azalışı göstermekle birlikte, okların koyuluğu amaçların unsurlar ile örtüştüğünü vurgulamaktadır. Örneğin en alt satırda belirtilen İstenilen Sonuçlar, Stok ve Toplam Maliyet unsurlarının minimize edilmesinin Müşteri Hizmetleri’nde artışın organizasyonlar için istenilen bir durum olduğu belirtilmektedir. Buna göre Düşük Depolama Maliyeti ve Stokların Azaltılması’nın amaçlanması, Stok ve Toplam Maliyet unsurları üzerinde istenilen etkiyi göstermektedir. Düşük İşgücü Maliyeti amacı da Toplam Maliyetler unsuru ile pozitif yönlü olarak örtüşmektedir. Yüksek Müşteri Hizmeti ve Yüksek Dağıtım Hızı ise Müşteri Hizmetleri ile örtüşen amaçlar olarak dikkat çekmektedir. Bir işletmenin genel amacı ise alt amaçlar ile elde edilecek faydaları, bu amaçlar neticesinde katlanılacak olan maliyetler ile optimum şekilde koordine ederek fayda maksimizasyonunu sağlamak olmalıdır. Tedarik zinciri yönetimi ise, genel olarak bu amaca yönelik modellenir ve uygulanır. 12 Netice itibariyle, hem maliyet analizleri hem de amaçlanan hedefler göz önünde bulundurulduğunda karar alış sürecinin önemi bir kez daha anlaşılmaktadır. Çalışmanın uygulandığı alan ile ilgili anlatılanlar, çalışmada yapılan uygulamanın ne derece isabetli olduğunu ortaya koymaktadır. Daha önce benzer bir çalışma yapılmamış olması da bu çalışmanın önemini arttırmaktadır. Çalışmanın bundan sonraki bölümlerinin bu bilinç ile değerlendirilmesi faydalı olacaktır. 13 III. BÖLÜM YÖNTEM 3.1. Lojistik Regresyon Lojistik Regresyon, bağımsız değişkenlerin sonuç değişkenler üzerindeki etkilerini olasılık olarak hesaplar ve bu risk faktörlerinin olasılık olarak belirlenmesini sağlar. Lojistik Regresyon, sonuç değişkeninin ikili ve çoklu aşamalarda bağımsız değişkenlerle aralarındaki ilişkiyi sorgulayan bir yöntemdir. Farklı alanlarda karşılaşılan problemleri sayısal verilere dayandırarak problemin çözümü ya da yorumu için istatistiksel analizler yapılmaktadır. Bu analizler sonucunda problemle ilgili bazı modeller kurulmaktadır. Lojistik Regresyon Analizi, bu modelin kurulması aşamasında problemin verilerine göre alternatif bir yöntemdir. (Ürük, 2007) Doğrusal ve lojistik regresyon analizi yöntemleri arasında üç önemli fark vardır. Doğrusal regresyon analizinde, bağımlı olarak kabul edilen değişken sürekli iken, lojistik regresyon analizinde kategorik yapıdadır. Doğrusal regresyon analizinde bağımlı değişkenin değeri, lojistik regresyon analizinde ise bağımlı değişkenin alabileceği değerlerden birinin gerçekleşme olasılığı tahmin edilir. Doğrusal regresyon analizinde bağımsız değişkenlerin çoklu normal dağılım göstermesi koşulu aranırken, lojistik regresyon analizi için bağımsız değişkenlerin dağılımına ilişkin her hangi bir ön koşul yoktur. (Kaşko, 2007) Lojistik regresyon, doğrusal regresyondan daha fazla karmaşık gelebilir. Ancak, çoğu istatistik yazılımları lojistik regresyonu, lineer regresyondan daha fazla uğraşmadan kullanmaktadır. Sonuç olarak, yüzde modellerinde lojistik regresyonun lineer regresyondan daha iyi bir yaklaşım olduğunu söyleyebiliriz. (Ürük, 2007) Lojistik regresyon, çalışmanın yapısına en uygun yöntem olarak belirlenmiştir ve bu çalışma ile yöntem bir bakıma tezin konusunda geçen alanda uygulanabilirliği bakımından sınanmış olacaktır. Bu da yöntemin benzer çalışmalarda uygulanabilmesi yolunda araştırmacılara ışık tutabilecektir. 14 3.1.1. Önceki Çalışmalar Lojistik modelin ilk olarak kullanımı, biyolojik deneylerin analizi için Berkson (1944, 1953, 1955) tarafından önerilmiştir. Lojistik modelini Cox (1970) geliştirmiş, çeşitli uygulamalarını yapmış, Halpering ve ark. ise 1971 yılında lojistik regresyonun, bağımsız değişkenlere ait normal dağılım varsayımının yerine gelmediği durumlarda diskriminant analizine alternatif olarak gösterilebileceğini savunmuşlardır. Finney de 1972 yılında lojistik regresyonu probit analizine alternatif olarak önermiştir. (Kaşko, 2007) Lojistik regresyonun ilk kullanımlarından sonra literatürde lojistik regresyonu diğer analiz yöntemleri ile karşılaştıran çalışmalardan birisine de Finney 1971 yılında imza atmıştır. Çoklu iç ilişkiden kaynaklanan problemlerin giderilmesi üzerine Gordon(1974) yaptığı çalışmada bazı önerilerde bulunmuştur. Belsley ve ark.(1980) doğrusal regresyondakine benzer bağlantı analizlerinin lojistik regresyonda kullanımı ile ilgili fikirler öne sürmüştür. Andersson 1979 ve 1983 yıllarındaki çalışmalarında yöntem ile ilgili gelişmeleri özet olarak sunmuştur. Lojistik regresyonda tahmin yöntemlerine ilişkin, Albert ve Anderson (1984) tarafından yapılan çalışmada farklı veri setlerinde lojistik regresyon katsayılarının en çok olabilirlik metoduyla tahminlerine ait teorik temelleri anlatmışlardır. Bunun yanı sıra, verilerin tahmin edilen lojistik regresyon modeline uyumuna ilişkin çalışmalar da yapılmıştır. Aranda-Ordaz (1981) ve Johnson(1985) tarafından yapılan çalışmalar en önemlileri sayılabilirler. Ayrıca, Pregibon (1981) yanıt değişkenin ikili değer aldığı lojistik modellerde etkin ve aykırı gözlemlerin belirlenmesi hakkında bir çalışma yapmıştır. Hosmer ve Lemeshow (1980) tarafından yapılan çalışmada ise bir uyumun iyiliği ölçütü geliştirilmiştir. Daha sonra, Hosmer ve Lemeshow (2000) tarafından lojistik regresyon modeli ayrıntılı bir şekilde incelenmiş, maksimum likelihood tahmin yöntemi, uyumun iyiliği ölçütleri, etkin ve aykırı gözlemlerin belirlenmesine dair yapılan çalışmalar özetlenmiş ve çeşitli örnek uygulamalar yapılmıştır. Buna ek olarak, Roy ve Guria (2008) yaptıkları çalışmada gözlemlerin çıkarılmasına dayalı tekniği kullanarak, lojistik regresyon için etkin ve aykırı gözlemleri incelemişlerdir. (Arıcan, 2010) Lojistik regresyon modellerinin yaygın bir şekilde kullanılır hale gelmesi, katsayı tahmin yöntemlerinin geliştirilmesi ve lojistik regresyon modellerinin daha 15 ayrıntılı incelenmesine sebep olmuştur. Cornfield (1962), lojistik regresyondaki katsayı tahmin işlemlerinde diskriminant fonksiyonu yaklaşımını ilk kez kullanarak popüler hale getirmiştir. Lee (1984) basit dönüşümlü (cross-over) deneme planları için lineer lojistik modeller üzerinde durmuştur. Bonney (1987) lojistik regresyon modelinin kullanımı ve geliştirilmesi üzerinde çalışmıştır. Robert ve ark. (1987) lojistik regresyonda standart Kikere, olabilirlik oran (G2), “pseudo” en çok olabilirlik tahminleri, uyum mükemmelliği ve hipotez testleri üzerine çalışmalar yapmışlardır. Duffy (1990) lojistik regresyonda hata terimlerinin dağılışı ve parametre değerlerinin gerçek değerlere yaklaşımını incelemiştir. Başarır (1990) klinik verilerde çok değişkenli lojistik regresyon analizi ve ayrımsama sorunu üzerinde çalışmıştır. Hsu ve Leonard(1995) lojistik regresyon fonksiyonlarında Bayes tahminlerinin elde edilmesi işlemleri üzerine çalışmışlar ve lojistik regresyonda Monte Carlo dönüşümünün kullanılabileceğini göstermişlerdir. Akaya ve Pazarlıoğlu (1998) lojistik regresyon modellerinin ekonomi alanında kullanımını örneklerle incelemişlerdir. Cox ve ark.(1998) kardiovasküler hastalıklar ve hipertansiyon arasındaki ilişkiyi incelemişlerdir. (Bircan, 2004) Çoğunlukla sağlık alanında olmak üzere, lojistik regresyon modeli dünyada bir çok çalışma alanında incelemeler yapılmasına olanak sağlamıştır. People ve ark.(1991), Buescher ve ark.(1993), Kloiber ve ark.(1996) kadınlarda düşük doğum ağırlığını etkileyen risk faktörlerini incelemişlerdir. Le Cessie ve Van Houwelingen(1992) kanserli DNA hücreleri ile ilgili elde edilen veri kümesi üzeride analiz çalışması yapmışlardır. Demaris (1995) ise 1993 Genel Sosyal Araştırma verilerini kullanarak deneklerin kişisel mutluluk derecelerini incelemiştir. Gardside ve Glueck 1995 yılında yaptıkları çalışmada insanların beslenme şekilleri, fiziksel aktivitelerinin yoğunluğu ve sigara ve alkol kullanımı gibi etmenlerin kalp rahatsızlıkları üzerindeki etkilerini analiz etmişlerdir. O’Neill ve Barry(1995) ise trafik kazalarına ilişkin bazı verileri ele almışlar ve kazalarda ölüme sebep verebilecek bazı değişkenlerin etkilerini değerlendirmişleridir. Sable ve Herman(1997) ise düşük doğum ağırlığı ile erken doğum arasındaki ilişkiyi incelemişlerdir. Santos ve ark.(1998) da kafein tüketimi ile düşük doğum ağırlığı arasındaki ilişkiyi analiz etmişlerdir. Son dönemde ülkemizde de yöntem, bir çok alanda yapılan çalışmaların analiz süreçlerinde sıklıkla tercih edilmiştir. Atakurt(1999) çalışmasında koroner arter hastalığını, 500 birey üzerinde 34 değişken bakımından incelemiştir. Çalışmada 18 16 değişken anlamlı bulunarak modele dahil edilmiştir. Önder 2001 yılındaki çalışmasında lojistik regresyon yönteminde kullanılan değişken seçim yöntemlerini incelemiş ve Ziraat Fakültesi Koyunculuk Araştırma ve Uygulama Ünitesi’nden elde ettiği verileri kullanarak değişken seçim yöntemlerini uygulamaya dökmüştür. Önder(2001) çalışmasında tüm değişken seçim modellerini anlamlı bulmanın yanı sıra zaman ve işlem fazlalıkları bakımından yaptığı değerlendirme ile adımsal değişken seçim modellerini önermiştir. Tatlıdil ve Özer(2005) bankacılık sektöründe firmaların kredi derecelendirmeleri üzerine yapılan çalışmaları lojistik regresyon modeli ile incelemişlerdir. Nargeleçekenler(2005)’in yaptığı çalışmada polis merkezlerine gelen zanlıların çeşitli suçları işleme ihtimalleri araştırılmıştır. Özçomak ve ark.(2006) ise Erzurum ilinde doğal gaz kullanımına olan talebi hane halklarına uyguladığı anket verilerini kullanarak analiz etmişlerdir. Cankurt ve ark.(2007) Türkiye’nin Avrupa Birliği’ne üyelik ihtimalini başta tarımsal göstergeler olmak üzere bir çok değişken açısından incelemişlerdir. Erdal ve Esengül(2008) ise Tokat ilinde balık tüketiminin incelendiği bu çalışmalarında ailelerin balık tüketimindeki artma beklentisini gelir, ailedeki birey sayısı, kadının eğitim düzeyi, ailenin yaşadığı çevrenin sosyal statüsü ve ailelerin balığı en fazla tükettikleri mevsim değişkenleri bakımından ele almışlar ve sosyal statü ve mevsim değişkenlerini anlamlı bularak bu değişkenler ile modelleme yapılmışlardır. Murat(2008) bulanık mantık ve lojistik regresyon yöntemleri ile ulaşım ağlarında geçki seçim davranışlarının modellenmesi ile Denizli ilinde Çınar ile Kampüs mevkileri arasındaki 4 güzergahın seçim olasılığını çeşitli değişkenlere göre lojistik regresyon ile modellemiştir. Cengiz(2009) bireylerin kredi kartlarını değiştirme tutumlarını çeşitli değişkenlere göre analiz edilerek lojistik regresyon modeli oluşturmuştur. Aktaş ve Erkuş(2009) ise sıcaklık, nem, basınç, rüzgar hızı, havanın kapalılığı, rüzgar yönü ve saat gibi değişkenlerin Eskişehir'de sis olma ihtimali üzerindeki etkilerini araştırmış ve sıcaklık, nem, basınç, rüzgar hızı, ve havanın kapalılığı değişkenlerini anlamlı bularak, bu değişkenler üzerine modelini kurmuşlardır. Ege 2009 yılında yaptığı çalışmada finansal oranların hisse senedi getirilerini ne ölçüde açıkladığı incelemiştir. Tosun ve Hatırlı(2009) ise Antalya ilinde ailelerin kırmızı et ürünlerini kasaptan veya diğer seçeneklerden satın alma alışkanlıklarını birçok sosyoekonomik değişken kullanarak araştırmışlardır. Gülcü(2010)’nün çalışmasında ise ailenin gelir durumu, konut mülkiyeti, konutun genişliği, binanın yaşı, aile reisinin eğitim durumu, konutun müstakil veya apartman dairesi olması gibi değişkenlerin 17 doğalgaz aboneliği üzerindeki etkileri araştırılmıştır. Sonuca göre aile reisinin eğitim durumu ve konutun mülk sahibi veya kiracı tarafından kullanılıyor olması dışındaki diğer değişkenler istatistiki olarak anlamlı bulunmuş ve model bu değişkenler ile kurulmuştur. Bahsi geçen çalışmaların yanı sıra hem ülkemizde hem de uluslar arası akademik camiada yapılan bir çok çalışmada lojistik regresyon modelinin kullanıldığı yapılan literatür taramasında gözlemlenmiştir. Başta sağlık alanı olmak üzere birçok alanda çeşitli dillerde kaynaklara rastlamak mümkündür. Buna karşın incelenen geniş veritabanlarında sipariş üretimi üzerine yapılan bir lojistik regresyon çalışmasıyla karşılaşılmamıştır. Bu bakımdan çalışmanın uygulaması bir ilktir ve bundan sonra yapılacak olan çalışmalara örnek teşkil edebilecektir. 3.1.2. Doğrusal Regresyon Modeli Basit doğrusal(lineer) regresyon bir bağımsız ve bir bağımlı değişken arasındaki ilişkiyi açıklamada kullanılan bir yöntemdir. Yöntem değişkenler arasındaki ilişkinin modellenmesini sağlar. Basit doğrusal regresyon analizi ile bağımlı değişken üzerinde tahminde bulunulur. Analiz neticesinde değişkenler arasındaki ilişki ortaya çıkarılır. Bağımsız değişken sayısının birden fazla olduğu durumlarda çoklu doğrusal regresyon halini alır. Basit ve çoklu doğrusal regresyon modellerinin denklemleri sırasıyla şu şekildedir: Denklemde “β0” regresyon doğrusunun y eksenini kestiği noktayı ve aynı zamanda bağımsız değişkenin sıfır değerini aldığında yanıt değişkende görülen değeri verir. “β1” bağımsız değişkenin katsayısıdır ve regresyon doğrusunun eğimini verir. “ ” hata terimidir ve dikkate alınmamış olan bağımsız değişkenler olabileceği için verilerin tesadüfi değişimini modele dahil eder. Doğrusal regresyonda hatalar normal dağılımlıdır. 18 Basit doğrusal regresyon modelinde parametrelerin tahmininde En Küçük Kareler(EKK) Yöntemi(Least Square Method) kullanılır. EKK serpilme diyagramında(scatter diagram) mevcut bütün noktaların doğruya olan uzaklıklarının karelerinin en küçüğe indirgenmeye çalışılması, yani minimize edilmesi ile elde edilir. Denklemde “ ” tahmin edilen yanıt değişkendir. Hatalar toplamı, doğrusal regresyon modelinde daima sıfırdır. Çünkü parametre tahmininde amaç farkın minimize edilmesidir ve minimize edilen bu fark sıfıra indirgenebilir yapıdadır. Bu durumda sapmaların karelerinin toplamı bulunarak yeni bir fonksiyon oluşturulabilir. Bu fonksiyonu minimize eden ve değerleri regresyon fonksiyonunun ve için tahmini değerlerini oluşturur. Bu değerlerin bulunması için kısmi türevler alınır. 19 Basit doğrusal regresyonda modeli oluşturmada kullanılan test “F Testi” ve R2 değeridir. Katsayılar 0’dan farklı mı, ve değişken modele önemli bir katkı yapıyor mu, bunlar F test ve R2 değerleri ile belirlenir. R2 değeri anlamlılık(significance) düzeyini ifade eder. Anlamlılık düzeyi modele dahil edilen bağımsız değişkenin bağımlı değişkendeki değişimi ne derece etkilediğini belirler. Bağımlı değişkendeki değişimin R2 kadar olan kısmını ilgili bağımsız değişken açıklamaktadır. 3.1.3. Lojistik Regresyon Modeli Doğrusal(lineer) regresyon, yanıt değişkenin(y) kategorik bir yapıya sahip olmadığı durumlarda bağımsız değişkenlerin, yanıt değişken üzerindeki etkisini incelemede sıklıkla kullanılan bir yöntemdir. Logit analiz yönteminde ise hem bağımsız değişkenler hem de bağımlı değişken(y) kategorik bir yapıya sahip olabilir. Örneğin; hastanın yaşaması veya ölmesi, trafik kazasının olması veya olmaması, maçın kazanılması veya kaybedilmesi gibi durumların oluşturduğu yanıt değişken türleri ile ilgili yapılan incelemelerde logit analizi kullanışlı bir yöntemdir. En küçük kareler yöntemine alternatif olan diğer bir analiz yöntemi olan “Diskriminant” analizinin kullanılması için bütün değişkenlerin sürekli yapıda olması gerekmektedir. Bir diğer yöntem “Log-lineer” analizde ise değişkenlerin hepsinin kategorik yapıda olması gerekmektedir. Çalışmada lojistik regresyon yönteminin kullanılmasının sebebi ise, veri setinin yapısı itibariyle hem kategorik hem de sürekli değişkenlere sahip olmasıdır. Çalışmanın SPSS paket programı ile yürütülmesi ise programın analiz metodunun ihtiyaç duyduğu kukla değişkenleri ve gerekli dönüşüm prosedürlerini otomatik olarak türetebilmesidir. Lojistik regresyonda bağımlı değişken ikilidir ve bernolli dağılıma sahiptir ve genelde başarılı/başarısız hasta/hasta değil gibi nitel değişkenlerden oluşur. Logit model bir olayın olup olmaması ile ilgili tahminde bulunulmasını ikili olasılık ile bağımsız değişkenler seti kullanarak sağlar. Logit model, sonucun 1 ve 0 arasında çıkmasını zorlayan ve doğrusal olmayan bir regresyon modelidir. Bağımlı değişken nominal ölçekli bir değişken olduğunda, yani kategorik yapıya sahip olduğunda EKK tekniği ile elde edilen tahminler yetersiz kalmaktadır. Çünkü EKK’da tahmin edilen değişkenin normal dağılıma sahip olduğu varsayımı mevcuttur. Bu durumda EKK’ya alternatif olarak kullanılabilen teknikler diskriminant ve lojistik regresyon modelleridir. (Kalaycı, 2005) 20 Diskriminant analizinde bağımlı değişkenin yanı sıra bağımsız değişkenlerin de sürekli yapıda ve normal dağılıma sahip olmaları gerekmektedir. Eğer bağımsız değişkenler bu yapıya sahip değiller ise diskriminant analizi kullanılamaz. Lojistik regresyon modeli için ise bu koşullara ihtiyaç yoktur. Lojistik regresyonu doğrusal regresyon analizinden ayıran üç temel unsur mevcuttur: 1. Regresyon analizinde bağımlı değişken sayısal iken lojistik regresyon analizinde kesikli bir değer olmalıdır. 2. Regresyon analizinde bağımlı değişkenin değeri, lojistik regresyonda ise bağımlı değişkenin alabileceği değerlerden birinin gerçekleşme olasılığı kestirilir. 3. Regresyon analizinde bağımsız değişkenlerin çoklu normal dağılım göstermesi koşulu aranırken, lojistik regresyonun uygulanabilmesi için bağımsız değişkenlerin dağılımına ilişkin hiçbir koşul gerekmez. (Hosmer & Lemeshow, 2000) Lojistik regresyon modeli şu şekilde oluşturulur: logit fonksiyonu yanıt değişken (tahmin edilen olasılık) sabit katsayı bağımsız değişken katsayısı bağımsız değişken hata terimi (Hosmer & Lemeshow, 2000) Lojistik regresyon modelinin temelinde üstünlük oranları(odds ratios) mevcuttur. Üstünlük oranı bir olayın gerçekleşme ihtimali ile gerçekleşmeme ihtimalini karşılaştırır. Lojistik regresyon üstünlük oranının doğal logaritmasının alınması ile elde edilir. Modelin parametrelerinin tahmininde ise en çok olabilirlik(maximum likelihood) yöntemi sıklıkla kullanılır. Lojistik regresyon modelinin parametreleri, analitik olarak 21 elde edilemediğinden, iteratif bir yöntem olan maksimum olabilirlik (maximum likelihood, ML) tekniğiyle tahmin edilmektedir. (Kalaycı, 2005) Üstünlük oranları(ÜO) ve olasılıklar(P)(probabilities) aynı durumları farklı açılardan değerlendirir. P(X=1) bir olayın olabilirliğidir ve “likelihood” olarak adlandırılır. ÜO bir durumun olma olasılığının olmama olasılığına olan oranıdır. Logit modelde de ÜO kullanılır. ÜO ile P arasındaki ilişki şu şekildedir: P(X) bir olayın olma ihtimalini ifade eder ve alabileceği değerler 0 ile 1 arasındadır. ÜO(X) ise aynı olayın olma ihtimalinin olmama ihtimaline olan oranıdır ve 0 ile ∞ arasında değerler alabilir. P(X) 0,5 değerinde iken ÜO(X) 1 değerini alır. P(X) 1 değerini aldığında ise ÜO(X) sonsuza gider. ÜO’nın doğal logaritması (LnÜO) ile dağılımdaki bu asimetri giderilmiş olunur. Logit terimi LnÜO’nın ifadesidir. Tablo 1 P(X), ÜO(X) ve LnÜO(X) Arasındaki İlişki P(X) ÜO(X) LnÜO(X) 0 0 -∞ 0,5 1 0 1 +∞ +∞ Bu nedenle lojistik regresyon modelinde ÜO doğal logaritması alınarak kullanılır. veya 22 Bu eşitlikten P(X) olasılığına ulaşılmak istendiğinde ise aşağıdaki eşitliklere ulaşılır. Bir sınavda başarılı olma olayının cinsiyet ile olan ilişkisi ele alınarak teorik kısım somutlaştırılabilir. Tablo 2’de sınavda başarılı olan ve olamayan öğrencilerin dağılımı cinsiyet ayırımında sunulmuştur. Tablo 2 Cinsiyete Göre Sınav Sonuçları Sınav Sonucu Cinsiyet Başarılı Başarısız Toplam Kadın 41 22 63 Erkek 35 16 51 Toplam 76 38 114 Dağılımdaki durum ortaya koymaktadır ki, sınıftaki bir kadının başarılı olma üstünlük oranı başarısız olmasına göre 41/22=1,86’dır. Bir erkeğin ise başarılı olma üstünlük oranı 35/16=2,19’dur. Bu iki değer oranlandığı zaman çıkan sonuç 0,85(1,86/2,19=0,85)’dir. Bu sonuç bir kadının başarılı olma olasılığının bir erkeğin başarılı olma olasılığının 0,85 katı kadar olduğunu ortaya koymaktadır. Oranın pay kısmına bir erkeğin başarılı olma üstünlük oranı alınarak üstünlük oranları 23 karşılaştırıldığında ise sonuç 1,18(2,19/1,86=1,18)’dir. Bu sonuç da bir erkeğin başarılı olma oranının bir kadının başarılı olmasına göre 1,18 kat daha muhtemel olduğunu göstermektedir. Referans grubun Erkek olarak kabul edildiği modelde cinsiyet değişkeni erkek olduğunda alacağı değer 0 olur. Değişken kadın olduğunda ise bu değer1’dir. Model şu şekilde oluşturulur: Tek değişkenli lojistik regresyon eşitliği: Referans grup Erkek olduğundan, katsayısı erkek grubunda başarılı olmanın üstünlük oranının doğal logaritmasıdır. katsayısı ise kadınların erkeklere göre başarılı olma üstünlük oranının doğal logaritmasına eşittir. Bu durumda tek değişkenli lojistik regresyon modeli şu şekilde oluşur: 3.1.4. Probit Model Probit analizi lojistik regresyona alternatif olarak kullanılan bir modeldir. Her iki analiz de birbirine oldukça benzerdir. Ve her iki yöntem ile elde edilen olasılık tahminleri birbirine yakın değerdedir. Lojistik regresyon analizinde üstünlük oranları kullanılırken probit analizinde kümülatif normal dağılım (cumulative normal distribution) kullanılır. 24 Logit ve probit modelleri ikili (binary/dichotomous) dağılımına sahip olan bağımlı değişkenler için kullanılır. Bu iki model dağılımları(distribution) bakımından ayrışırlar. Logit modelde dağılım kümülatif standart lojistik dağılım(cumulative standart logistic distribution,F) mevcut iken, probit modelin dağılımı kümülatif standart normal dağılımdır(cumulative standart normal distribution, Φ). (Kalaycı, 2005) Logit ile probit modelleri arasındaki tek fark modellerin olasılık dağılımına ilişkin varsayımların farklılığıdır. Kümülatif lojistik olasılık fonksiyonu logit modelde kullanılan dağılım türüdür. İki düzey içeren bir sonuç değişkenin analizinde kullanılmak üzere önerilen birçok dağılım fonksiyonu vardır. En yaygın kullanılan iki tanesi lojit ve probit dönüşümleridir. Bunlardan lojistik dağılımı seçmek için de iki tane önemli neden vardır. İlk neden, lojistik regresyon analizinde varsayım kısıtlaması olmamasından dolayı kullanım rahatlığının yanı sıra analiz sonucu elde edilen modelin matematiksel olarak çok esnek olması, ikinci neden ise kolay yorumlanabilir olmasıdır.(Atakurt1999) 3.1.5. Tobit Model Bağımlı değişken için bazı gözlemlerde bilgi yok ise bu durumda beklenen değer sıfır olamayacağı için EKK yöntemi tutarsız sonuçlar verir. Bu durumu aşmak için James Tobin tarafından bulunan ve en çok olabilirlik(maximum likelihood) yöntemi kullanan tobit modeli uygulanır. Çalışmanın uygulandığı veri seti itibariyle bağımlı değişken ile ilgili eksik gözlem bulunmadığı için çalışmanın modelleme aşamasında tobit model değerlendirmeye alınmamıştır. 3.1.6. Sapma p -tane açıklayıcı değişkenin bulunduğu modelin önemliliğini test etmek için Likelihood Oran Testi kullanılır. Bu testi yapmak için, doymuş model (mükemmel uyumun sağlandığı) ile uydurulmuş modelin likelihood fonksiyonları oranlanır. “-2ln” ile çarpılarak, sapma (deviance) adı verilen ki-kare dağılımına ve p-eğim katsayılarının sayısına eşit serbestlik derecesine sahip bir istatistik elde edilir ve tablo değeri ile karşılaştırılarak H0 hipotezinin kabul yada red edilmesine karar verilir. 25 H0 : Uydurulan model anlamsızdır. H1 : Uydurulan model anlamlıdır. şeklinde yazılır. önemlilik düzeyinde ise kabul edilir ve modelin yetersiz olduğu kararına varılır. (Hosmer & Lemeshow, 2000) Bu durum göstermektedir ki hiç bir açıklayıcı değişken modele istatistiki olarak katkı sağlamamaktadır. -2logL istatistiği modele katılan katsayıların anlamlılıklarını sınar. -2logL istatistiği yaklaşık olarak ki-kare dağılımına uyduğundan, lojistik regresyon analizindeki -2logL istatistiği, regresyon analizindeki hata kareleri toplamına benzemektedir. Model verileri tam olarak temsil ederse olabilirlik 1 ve -2logL istatistiği sıfır olmaktadır. Bu nedenle daha küçük -2logL istatistiği her zaman daha iyi bir modeli göstermektedir. (Kalaycı, 2005) 3.1.7. Hosmer ve Lemeshow Uyumun İyiliği Testi Hosmer ve Lemeshow tarafından 1980-1982 yıllarında geliştirilen bu test istatistiği tahmin edilen modelin çalışılan veri setine ne kadar uygun olduğunun bir ölçüsü olarak kullanılmaktadır. Hosmer-Lemoshow uyumun iyiliği testi, , (g-2) serbestlik dereceli ki-kare dağılımına sahiptir. Burada g, yapılan gruplama sayısını göstermektedir. Gruplama tahmin edilen yanıt değişkenin değerlerinin sıralanması sonrasında belli sayıda kümelemenin yapılması ile elde edilir. Bu çalışmada g=10 olarak paket program vasıtası ile belirlenmiştir. değeri değerinden küçükse, yani Significance değeri ’dan büyük ise model uyumu iyidir. 3.1.8. Modeldeki Katsayılar İçin Önemlilik Testi Modeldeki katsayıların önemliliğinin test edilmesi için kurulacak hipotez testi aşağıdaki gibidir: H0 : ( nin modelde önemli bir katkısı yoktur.) H1 : ( nin modelde önemli bir katkısı vardır.) 26 Modeldeki katsayıların önemliliğinin test edilmesi için çeşitli yöntemler bulunmaktadır: LR (Likelihood Ratio) Testi: Wald Testi: Score Testi: Bu çalışmada wald testi kullanılmıştır. Karar Kuralı: Eğer yukarıdaki istatistikler H0 reddedilir. Bu durum, ise, α önemlilik düzeyinde nin modelde önemli bir katkısı olduğunu ortaya koyar. Dikkat edilmesi gereken önemli bir husus ise şudur: Lojistik regresyonda model oluşturulurken bazı durumlarda bir açıklayıcı değişken istatistiksel olarak modelde önemli bulunmasa bile, “sezgisel” olarak önemli ise modele katılabilir. (Hosmer & Lemeshow, 2000) 3.1.9. Adımsal Model Seçim Yöntemleri Bütün katsayıların sıfıra eşit olup olmadığı hakkında kesin bir yargıya varmadan önce tüm katsayıların ayrı ayrı Wald test istatistikleri değerlendirilerek önem dereceleri incelenebilir. Wald değerine bakarak önemsiz olduğuna karar verilen değişkenler modelden çıkartıldıktan sonra geriye kalan değişkenlerden model oluşturulup tekrar genel modelin istatistik değerine bakılır. Böylece değişkenleri kesin olarak modelden çıkartmak konusunda kesin karar verilebilir. 27 İleriye Doğru Seçim (Forward Stepwise (Wald)) İleriye doğru seçimde lojistik regresyon denklemine ilk giren değişken, verilen bir istatistiki ölçüt tarafından ölçülmek suretiyle gruplar arasındaki en iyi ayrımı sağlayandır. Bir sonraki adımda, fonksiyona giren değişken bahsedilen istatistiki ölçüt tarafından ölçülmek suretiyle lojistik regresyon denklemine ilave maksimum ayırıcı gücü ekleyen değişkendir. Yöntem, lojistik regresyon denklemine dahil edilecek ilave değişken kalmayana kadar devam eder. Geriye Doğru Seçim (Backward Stepwise (Wald)) Geriye doğru seçim lojistik regresyon denkleminde tüm değişkenlerin bulunmasıyla başlar. Her bir adımda verilen istatistiki kriter tarafından ölçülmek suretiyle ayırıcı güçte en az miktarda azalmayı sağlayacak olan değişken çıkarılır. Yöntem, daha fazla değişken atılamayana kadar devam eder. 3.1.10. Rezidüler Yanıt değişkene ait gözlemlerin gerçekleşmiş ve tahmin edilmiş değerleri arasındaki farka rezidü(artık) denir. i-nci gözleme ait gerçekleşmiş değeri ise aynı gözleme ait tahmin edilmiş değeri göstermek üzere rezidü, şeklinde gösterilir. Rezidülerin incelenmesi etkin ve aykırı gözlemlerin belirlenmesinde önemli bir role sahiptir. eşitliği ile verilen ham rezidünün kullanılması yanıltıcı olabilmektedir. Bunun yerine, lojistik regresyon için sapma rezidü ve Pearson rezidü kullanımı önerilmiştir. (Agresti, 2002) Sapma rezidü, her bir gözlemin sebep olduğu değerinin ölçüsüdür. Yani, modelin anlamlı olmasına katkısının ölçüsüdür. Pearson rezidü ise, ham rezidünün varyansına bölümüyle elde edilmekte olduğundan ham rezidüye göre daha kullanışlı olmaktadır. Bu rezidülere bağlı olarak çeşitli grafikler oluşturulabilir. Ve bu grafikler üzerinde kötü uyum sağlayan gözlemler belirlenebilir (Hosmer & Lemeshow, 2000): ye karşın grafiği ye karşın grafiği ye karşın grafiği 28 Bu çalışmada kullanılan SPSS programı vasıtası ile ve değerleri hesaplanmıştır. SPSS çıktılarında bulunan standartlaştırılmış rezidü değerini karesine eşittir. ise SPSS çıktılarında bulunan Studentized rezidünün karesine eşittir. değerleri ise SPSS çıktısındaki Cook değerleridir. 29 IV. BÖLÜM BULGULAR VE YORUM 4.1. Çalışmada Kullanılan Veri Seti Çalışmada ortaya konan sonuçlara ulaşma süreci öncelikle Çukurova bölgesinde faaliyet gösteren iş yerlerinin incelenmesi ile başlanmıştır. Çalışmanın ve çalışma neticesinde ulaşılacak sonuçların sağlıklı olabilmesi için öncelikle sağlıklı verilere ihtiyaç duyulmakta idi. Bunun için, öncelikle bölgedeki imalat sanayi işletmeleri incelendi ve istenilen yapıda veriye sahip olması muhtemel bazı işyerleri ile temasa geçildi. Bu aşamada bölgenin 3 büyük fabrikası ile görüşüldü. Verilerin gizliliği bütün işyerleri için önemli bir husus olmakla birlikte sağlanan verinin kapsam ve kalitesini de çok etkilemekteydi. Firmalar siparişleri ile ilgi detaylı bilgileri vermekten imtina etmektedirler. Yapılan görüşmeler sonucunda bir firma ile anlaşılmış ve istenilen bilgilerin niteliği ve çerçevesi işyeri yetkilisine sunulmuştur. İşyeri yetkilisi bir süre istenilen verilerin sağlanması için çalışmış ve daha sonra kararlaştırılan bir zamanda tekrar görüşülerek muhtemel veriler üzerine tartışılmış ve fikir alışverişi yapılmıştır. Sonuç olarak firmadan 2006-2010 yıllarını kapsayan 5 yıllık bir döneme ait veriler detaylı bir şekilde alınmıştır. Veriler alınırken firma, verilerin gizliliği konusunda bilgilendirilmiş ve ikna edilmiştir. Veri setinde bulunan satırlar siparişleri, sütunlar ise o sipariş ile ilgili değişkenlerin durumunu göstermekteydi. Kullanılacak olan istatistikî metodun çalışma doğrultusunda anlamlı olması için sahip olması gereken şartlara ulaşmak açısından veri seti mümkün olduğu kadar geniş tutulmuştur. Yapılan çalışmalar neticesinde 2008 yılı verilerinin kapsam bakımından geniş olması ve boş değerlerin az olması nedeni ile en anlamlı sonuçları vereceği ve modelin en uygun olarak bu yıl verileri ile mümkün olacağı düşünülerek bu veri setinde karar kılınmıştır. Veri setinin ilgili olduğu dönem gibi, sipariş değişkenlerinin de incelenmesi gerekmekteydi. Bir siparişin bütün değişkenleri metoda uygun olmayabileceği gibi, teorik olarak modelin geliştirilmesinde uygun olabileceği düşünülen değişkenler de anlamlı çıkmayabilmektedir. Öncelikle 30 siparişlerle ilgi değişkenler ayıklanmış ve 6 adet değişkenin model oluşturmada teorik olarak üzerinde çalışılabilir olduğu sonucuna ulaşılmıştır. Bu değişkenler; X1: Sipariş Edilen Ürün Tipi X2: Sipariş Edilen Ürün Tipinin Üretildiği Vardiya Sayısı X3: Sipariş Süresi X4: Sipariş İle İlgili Paketleme Koşulu X5: Siparişin Üretiminin Gerçekleştiği Sürecin Kalitesi X6: Sipariş Edilen Ürün Miktarı Y: Siparişin Gecikme Durumu olarak belirlenmiştir. Görüldüğü gibi bu değişkenlerden 4’ü, X1, X3, X4 ve X6, alınan sipariş ile dışarıdan sağlanan veriler iken 2’si, X2 ve X5, işletmenin iç dinamikleri ile ilgili değişkenler olup işletmenin yapısı ile elde edilen verilerdir. Bu değişkenlerden X2 siparişin alınması ile belirlenirken, X5 ancak siparişin üretimi neticesinde elde edilebilinen bir değişken özelliği göstermektedir. Bu durum kullanılan yöntemin çok farklı yapıda değişken ile yürütülebileceğini göstermektedir. 4.2. Açıklayıcı Değişkenler 4.2.1. Sipariş Edilen Ürün Tipi(X1) Çalışmada işbirliği yaptığımız firma gizlilik koşulları çerçevesinde çok çeşitli olan ürünlerinin bilgilerini ana başlıklar altında 5 ürün tipinde toplayarak vermiştir. Zaten istatistikî modelin oluşturulması bakımından ürün çeşitliliğinin çok fazla olması modelin anlamlılığı açısından dezavantaj oluşturabilecek idi. Zira bu durumda her ürünün kendine has özelliklerinden kaynaklanan durumu toplama yansıtmak zor olacaktı. Böyle bir durumda her ürün için ayrı model oluşturmak gerekecekti ki üretilen ürünün sayısının 100’ü geçtiği firmada bunu yürütmek için ayrı çalışmalar yapmak ve anlamlı verilere ulaşmak gerekecekti ki her ürün için anlamlı modele ulaşabilme ihtimali çok düşüktü. Bunun sebebi ürün çeşitliliğinin fazla ancak o ürünle ilgili sipariş sayısının yeteri kadar çok olmamasıdır. 31 4.2.2. Sipariş Edilen Ürün Tipinin Üretildiği Vardiya Sayısı(X2) Önceki kısımda bahsedilen ürün çeşitliliklerin ilişkili olduğu bir diğer unsur da ilgili ürün tipine karşılık gelen üretim vardiyası sayısıdır. 5 ürün tipinin karşılığı olan vardiya sayıları da 1,2,3 değerleri ile kategorik bir şekilde modele dahil edilmiştir. 4.2.3. Sipariş Süresi(X3) Bir sipariş ile ilgili olarak en önemli değişkenlerden birisi ve diğer değişkenlerden farklı olarak, her siparişte bulunması beklenen unsur siparişin gerçekleştirilebilmesi için işletmenin sahip olduğu süredir. Müşteriler kendi faydalarını da sağlama bakımından belli bir süre içinde siparişlerinin gerçekleştirilmesini beklerler. Veri setini edindiğimiz firmamızın ürünleri de genel olarak başka ürünlerin üretim sürecine giren mamüller olduğu için bu mamülleri tedarik etmek isteyen sürekli müşteriler ise, ekonomik sipariş miktar ve sürelerini de göz önünde bulundurarak siparişlerini en optimum düzeyde vermeye çalışmaktadırlar. Bununla birlikte kimi zaman öngörülemeyen sebeplerden dolayı sipariş süresi sıkıntılar da doğurabilmektedir. Bu bakımdan sipariş süresi istatistiki modelleme sürecinde önemli rol oynaması muhtemel değişkenlerden biridir. Veri setimizde sipariş süreleri genel itibariyle sipariş miktarı ile doğru orantılı bir görünümde hareket etmekte ve 10 ile 67 arasında değerler almaktadır. 4.2.4. Sipariş İle İlgili Paketleme Koşulu(X4) Paketleme koşulu siparişi veren firmaların o ürünle ilgili isteklerinden birini oluşturmaktadır. Esasında siparişler ile ilgili olarak ürünlerle ilgili beklentiler çok çeşitlidir. Fakat bütün üretim ve siparişler değerlendirmeye alındığında görülmüştür ki paketleme koşulu, olumlu ve ya olumsuz, her siparişte bulunan bir unsur durumundadır. Bu bakımdan modellemede kullanılması uygun görülmüştür. Sipariş üretim sürecinin önemli bir parçası olan paketlemenin isteniyor olması, olmadığı duruma göre farklı bir süreç doğurduğumdan üretimin süresi üzerinde etkili olmakta bu da siparişin zamanında karşılanabilmesi açısından önemli bir rol oynamaktadır. 32 4.2.5. Siparişin Üretiminin Gerçekleştiği Sürecin Kalitesi(X5) Süreç kalitesi de üretimin gerçekleştirildiği toplam süreyi etkileyen faktörlerden biridir. Örnek olarak 95 adet ürünün siparişinin verildiği bir süreçte üretimin gerçekleştirildiği sürecin kalitesi %95 ise bu %5 fire anlamına gelmektedir. Bu da 5 adet ürüne karşılık gelen bir fire anlamını taşır. Sonuç olarak her ne kadar 95 ürün üretilmiş olsa da 100 ürünün üretilmesine karşılık gelen kaynak ve zaman harcanılmış olacaktır. Bu bakımdan üretim sürecinin kalitesi de siparişin zamanında karşılanabilmesi bakımından önemlidir. Süreç kalitesinin kötü olduğu zamanlarda gecikmelerin olması muhtemel iken, kalitenin iyi olduğu süreçlerin zamanında tamamlanabilmesi daha mümkündür. 4.2.6. Sipariş Edilen Ürün Miktarı(X6) Belki de bir siparişteki en önemli değişken olarak sipariş edilen ürün miktarı gösterilebilir. Bu değişken her siparişte muhakkak olması gereken unsur olmakla birlikte siparişin zamanında üretilip karşılanabilmesi açısından da büyük rol oynar. Her ne kadar, bütün değişkenlerde de olduğu gibi, anlamlılığı belirleyebilmek önemli ise ve her sipariş veri setinde farklı değişkenler anlamlı çıkabiliyorsa da, miktar değişkeni üretici firma için sipariş alındığı esnada en dikkat çekici veri olmayı sürdürmektedir. İşletmeler faaliyet stratejileri açısından belli çizgilere sahip olsalar dahi sipariş değişkenlerinin anlamlılığını, gerekli istatistiki çalışmaları yapmadan, bilemeyecekleri için, genel olarak algılarında sipariş miktarı unsuru hep önemli bir yer edinmektedir. Örneğin, büyük bir sipariş için uzun zaman ve küçük siparişler için nispeten kısa zaman beklentisi, firma stratejileri ile de yönlendirilerek sağlanabilecek durumlardır. Fakat bu yönlendirmeler, ne kadar katı kurallara sahip olursa olsun, diğer değişkenler göz önünde bulundurulmadığı sürece başarıyı sağlamak durumunda değildir. 4.3. Yanıt Değişken 4.3.1. Siparişin Gecikme Durumu(Y) Veri setinin son sütununda ilgili siparişin gecikme durumu belirtilmiştir. Lojistik regresyon modeline uygunluğu açısından, Y değişkeni ikili dağılıma sahiptir. Siparişin zamanından gerçekleşmesi durumu 0 ile, siparişin gecikmesi durumu ise 1 ile 33 gösterilmektedir. Analiz çalışmaları neticesinde de siparişin tahmin edilen gecikme durumu 1 ve 0 olarak belirtilmeye devam edilecektir. 4.4. Veri Seti Üzerinde Ön Çalışma Yapılan ön çalışma neticesinde belirlenen bu değişkenler analiz sürecinde değerlendirilmeye başlanmıştır. Öncelikle bu değişkenlerin oluşturduğu veri seti direkt olarak analiz sürecine dahil edilmiştir. İlk analiz sonuçları aslında beklendiği üzere anlamlı sonuçlar vermemiştir. Zira bütün yıl verilerinin değerlendirilmeye sokulduğu bu çalışmada, sipariş süresi(X3) ve sipariş edilen ürün miktarı(X6) değişkenlerinin skalası çok geniş olduğu için tahmin imkanını güçleştirmiştir. Bu değişkenler düşük değerlerde çok, yüksek değerlerde ise çok az gözlem sayısını oluşturmaktadır. Zaten yaklaşık değerlerdeki birçok gözlemde gecikmelerin olup olmaması değişkenin gecikme ihtimali üzerindeki etkisini de en az seviyeye indirmektedir. Değişkenler bu hali ile sürece sokulduğunda baskın rol oynamışlardır ve diğer değişkenlerin etkinliğini azaltmışlardır. Bu nedenden dolayıdır ki tahmin fonksiyonunda etkinlikleri düşük değerlerde kalmıştır. 4.5. Veri Setinin Analizi 4.5.1. Altı Değişken İle Analiz Bahsi geçen sebeplerden ötürü yıllık veri seti X6 değişkeni üzerinde yapılan çalışma neticesinde 331 gözlemlik bir sete indirgenmiştir. Veri seti SPSS 15.0 istatistik paket programı ile analiz edilmiştir. Veriler programa eklendikten Analyze-RegressionBinary Logistic seçenekleri ile lojistik regresyon için iletişim penceresine ulaşılmıştır. Logistic Regression iletişim penceresinde öncelikle Y değerlerinin bulunduğu sütun bağımlı değişken olarak belirlenmiştir. Y sütunu 1 ve 0 değerlerinden oluşan ve X1,X2,X3,X4,X5 VE X6 değişkenleri karşılığında sipariş neticesini gösteren veri setidir. Y=1 siparişteki gecikmeyi Y=0 ise siparişin zamanında neticelendirildiğini göstermektedir. Bu aşamada bağımlı değişkenin belirlenmesinden sonra analiz sürecine girecek olan bağımsız değişkenlerin de belirlenmesi sağlanır. Öncelikle 6 değişkenin hepsi analiz sürecine sokulmuştur. 34 Save seçeneği ile, analiz sonunda veri setindeki her bir gözlem için beklenen olasılıkları ve 0.5 eşik değeri kullanılarak bu olasılıklara karşılık gelen 0 yada 1 grup üyelikleri tablosunun çıktı olarak elde edilmesi sağlanmıştır. Options seçeneği ile analizin hangi kıstaslarla yapılması istendiği ve analiz sonunda görmek istenilen sonuçların neler olduğunu seçilmiştir. Bu pencerenin en alt kısmında işaretlenen seçim, olasılık fonksiyonunda sabit değerin istendiğini göstermektedir. Bu pencerede aynı zamanda, istatistiki süreç için tercih edilen güven aralığı da belirlenebilmektedir. Çalışmada %95’lik bir güven aralığı tercih edilmiştir. Correlation of estimates seçeneği ile değişkenler arasındaki korelasyon görülmek istenmiştir. Hosmer-Lemeshow goodness-of-fit seçeneği ile de yöntem bölümünde anlatılan ve modelin uygunluğunda belirleyici olan Hosmer-Lemeshow test sonucu görülmek istenmiştir. Bu seçenekler ile analiz modülü çalıştırıldığında Output(sonuç) penceresine ulaşılır. İstenilen bütün analiz sonuçları bu pencerede sunulmaktadır. Bu sonuçlar çalışmanın önceki kısımlarında bahsi geçen modelin anlamlılığı ile ilgili yol gösterici testlerdir. Tablo 3. X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri Olabilirlik(likelihood), yöntem kısmında anlatılan ve modelin anlamlılığını sınayan istatistiktir. -2 Log lilekihood ise lojistik regresyon modellerinde kullanılan test yöntemidir. Serbestlik derecesi ve güven aralığı kullanılarak tablosundaki değer, test sonucunda çıkan değer ile karşılaştırılır ve -2 Log likelihod değeri yüksek ise modelin anlamlılığı kabul edilir. Bu modelde serbestlik derecesi 6 ve güven aralığı 35 0,05’dir. Bunlara karşılık gelen ’dur. -2 Log likelihood değeri bu değerden yüksektir ve bu nedenle model anlamlıdır. Tablo 4’deki Hosmer and Lemeshow Test yine çalışmanın yöntem kısmında bahsi geçen analiz yöntemlerindendir. Bu testte Chi-square değerinin düşük Significance değerinin ise en az 0,05’den büyük olmak koşulu ile yüksek olması uyumluluğun iyiliğini arttıran unsurlardır. Tablo 4 X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Tablo 5’te sunulan Variables in Equation tablosu modelde hesaba katılacak olan değişkenlerin model denklemine ne kadar etkide bulunacaklarını ortaya koyar. Şeklin B sütununda, ilgili değişkenin model denklemindeki katsayısını göstermektedir. X6 değişkeni için hesaplana katsayı 0,000 olarak görülmektedir. Bunun nedeni tablo sunumunda sayıların virgülden sonra 3 basamak olacak şekilde gösterimin yapılmasıdır. Output penceresinde bu tabloda istenilen sayının üzerine çift tıklandığında sayının gerçek değerine ulaşılabilmektedir. Tabloda dikkat edilmesi gereken bir diğer husus ise değişkenlerin her biri için hesaplanan Significance değerleridir. Bu değerler hangi değişkenlerin anlamlı olduğu konusunda yönlendirmede bulunur. Güven aralığının %95 olarak kabul edildiği çalışmada Significance değerinin % 5’in altında değerler hesaplanan değişkenleri anlamlı kabul edilmiştir. Buna göre X3, X4 ve X6 değişkenleri anlamlı olarak belirlenmiştir. Bir başka deyişle Sipariş Süresi, Şipariş İle İlgili Paketleme Koşulu ve Sipariş Edilen Ürün Miktarı ilgili siparişin gecikme ihtimali üzerinde en çok etkisi olan unsurlar olarak ön plana çıkmaktadır. 36 Tablo 5 X1, X2, X3, X4, X5 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları Bu aşamada yapılması gereken, analiz modülünün bu değişkenler üzerinden tekrar çalıştırılmasıdır. Çünkü anlamsız olan değişkenlerin dahil edildiği bir model denklemi yanılgılara sebep olabilir. Anlamsız değişkenlerin çıkarılması ile elde edilecek olan model denklemi ise daha sağlıklı sonuçlar verecektir. 4.5.2. X3, X4 ve X6 Değişkenleri İle Analiz X3, X4 ve X6 değişkenleri ile yapılan analizin test sonuçları Tablo 6, Tablo 7 ve Tablo 8’de sunulmuştur. Tablo 6’da görüldüğü üzere -2 Log likelihood değeri 406,752 çıkmıştır. olduğundan model anlamlı çıkmaktadır. Tablo 6 X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri 37 Hosmer ve Lemeshow test sonuçları göstermektedir ki, 3 değişkenli analizde modelin uygunluk derecesi azalmıştır. Significance değeri 0,061’e düşmekle birlikte, 0,05’den büyük olduğu için halen anlamlı durumdadır. Bununla birlikte Chi-square değerindeki artış da bu durumu desteklemektedir. Sonuç tamamı ile analize giren değişkenlerin modele uygunluğu ile alakalı olmakla birlikte, modelin uygunluğunun azalması değişkenlerin tahmin etme sürecindeki anlamlılığını olumsuz yönde etkilemeyecektir. Bu durumu Tablo 7’de görmek mümkündür. Tablo 7 X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Tablo 8’de görüldüğü üzere bu 3 değişkenin model içindeki anlamlılığı devam etmektedir. Test sonucunda da görülmektedir ki X3 değişkeninin Significance değeri 0,003’den 0,005’e yükselirken X4 değişkeni için bu değer 0,004’den 0,002’ye düşmüştür. X6 için ise değer 0,008’den 0,015’e çıkmıştır. Bu durum X4’ün anlamlılığında artış, X3 ve X6 için ise azalış olarak yorumlanabilir. Fakat önem düzeyinin %95 kabul edildiği çalışmada modelin anlamlılığı sürmektedir. Tablo 8 X3, X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları 38 Test sonucu elde edilen katsayılar da değerlendirildiğinde logit fonksiyon şu şekilde oluşmaktadır: Buradan tahmin fonksiyonuna şu şekilde ulaşılır: Örnek olarak 20 günlük süresi olan ve paketlemenin istendiği 25000 birimlik bir siparişin zamanında gerçekleme ihtimali şu şekilde hesaplanır: Bu sonuç örnek gerçekleştirilemeyeceğini, olarak %47 verilen ihtimalle siparişin ise %53 zamanında ihtimalle zamanında gerçekleştirileceğini göstermektedir. Bu aynı zamanda siparişin %53 ihtimalle gecikeceği anlamına gelmektedir. Tahmin fonksiyonunun ilgili sipariş değişkenleri ile yanıt değişkenin beklenen değeri 1 ve 0 arasında değer alır. Bu değer 1’e ne kadar yaklaşırsa ilgili 39 siparişin gecikme ihtimali artacaktır. Örnek siparişteki sonuç ise 1’e daha yakın bir değer aldığı için tahmin neticesinde siparişin gecikeceğini belirtmek uygun olacaktır. X3 ve X6 değişkenlerini sabit tutup paketleme koşulunu 0 olarak değiştirdiğimizde ise bu oran %33’e düşmektedir. Bu durum siparişin %67 ihtimalle zamanında gerçekleşeceği anlamına gelir. Bu durumda tahmin edilen sonuç 0,3329 0,5 eşik değerinin altında olduğu için yanıt değişkenler eşik değerine bağlı olarak 1 ve 0 olarak sınıflandırıldığında bu örnek için 0 grubunda olur ki bu da gecikme olmayacak anlamına gelir. Görüldüğü gibi, paketleme koşulu, test sonuçlarında da ortaya çıktığı gibi, siparişin gecikme ihtimalini arttırıcı bir yönde sonuç vermiştir. Paketleme koşulu ortadan kalktığında siparişin gecikme ihtimali belirgin bir şekilde düşmüştür. Bu durum paketleme koşulunun siparişin gecikme ihtimali üzerindeki etkisinin, modele dahil edilmesini gerektirdiğini ortaya koyan bir kanıttır. İlk örnekteki, yani açıklayıcı değişkenlerin X3=20 X4=1 ve X6=25000 olduğu örnekte X3 değişkeninin değeri değiştirildiğinde ise faklı bir durum ortaya çıkmaktadır. Sipariş süresi 15 güne düşürüldüğünde siparişin gecikme ihtimali %45’e düşmektedir. Benzer şekilde bir durum, diğer değişkenler sabit tutulup, miktar değişkeni üzerinde oynama yapıldığında da görülmektedir. Örneğin, sipariş miktarı 15000’e düşerse gecikme ihtimali %43’e düşecektir. 40 Sipariş süresi ve paketleme koşulu sabit iken sipariş edilen ürün miktarındaki azalışın siparişin gecikme ihtimalini azaltması beklenen bir sonuç denilebilir. Buna karşın, diğer değişkenler sabit tutulup, sipariş süresi kısaltıldığında siparişin gecikme ihtimalinin azalması mantıklı görünmemektedir. Aynı sipariş miktarında, işletmenin o siparişi üretmek için daha fazla süreye sahip olması, normalde o siparişin gecikme ihtimalinin düşmesine sebep olması gerekirken model bu değişkenle ilgili olarak farklı sonuçlar vermektedir. Yapılan uygulamalı örnekler, bu tip çalışmalarda sıkça karşılaşılabilecek bir durumu ortaya çıkarmıştır. İki açıklayıcı değişken arasında yüksek korelasyon varsa bu iki değişken arasında iç ilişki (collinearity) vardır. İç ilişkinin var olması durumunda ise tahminler yanlıtıcı olur.(Montgomery ve ark.,2001) Örnekte de ortaya koyulduğu gibi tekil olarak değerlendirildiklerinde X3 ve X6 değişkenlerindeki artış durumunda siparişin gecikme olasılığı artmaktadır. Fakat mantıksal açıdan yaklaşıldığında X6 sabitken X3’deki artışın, siparişteki gecikme ihtimalini düşürmesi gerekmektedir. Buna karşı formülde yerine koyulduğunda değişkenler bu şekilde hareket etmektedir. Aksi yönde siparişin gecikme ihtimali artmaya devam etmektedir. Bunun sebebi X3 ve X6 değişkenler arasındaki iç ilişkidir. Değişkenler arasındaki yüksek ilgileşim ve işletmenin sipariş ile ilgili koymuş olduğu süre önkoşulu buna sebep olmuştur. Firmanın belli büyüklükteki siparişleri belli sürelere göre kabul etmesi böyle bir sonuç ortaya çıkarmıştır. Bahsi geçen durumu kanıtlayan korelasyon matrisi Tablo 9’da sunulmaktadır. 41 Tablo 9 X3, X4 ve X6 Değişkenleri Korelasyon Matrisi Cor relation Matrix Step 1 X3 X4 X6 X3 1,000 -,488 -,864 X4 -,488 1,000 ,200 X6 -,864 ,200 1,000 Korelasyon matrisinde görüldüğü üzere X3 ve X6 değişkenlerinin mutlak değeri “1” yakındır. Bu değer iki değişken arasındaki yüksek ilgileşimin bir göstergesidir ve Montgomery ve arkadaşlarının bahsettiği iç ilişkiye neden olmaktadır. Sorunu aşmak için yapılması gereken, iç ilişkiye sahip bu iki değişkenin birinden vazgeçmektir. Bu şekilde oluşturulacak iki modelden anlamlılığı fazla olanın tahmin modeli olarak kabul edilmesi gerekmektedir. Bu bağlamda öncelikle X4 ve X6 daha sonra ise X3 ve X4 değişkenleri kullanılarak model tekrar oluşturulmuştur. 4.5.3. X4 ve X6 Değişkenleri İle Analiz Tablo 10 X4 ve X6 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri olduğu için model -2 Log likelihood testinden anlamlı olduğu yönde sonuç vermiştir. 42 Tablo 11 X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Bu analiz neticesinde anlamlı bir model oluşturulabilmektedir. Test sonuçları bu doğrultuda neticelenmiştir. Fakat modelin Tablo 11’de sunulan, Hosmer ve Lemeshow testine göre uyumluluğu yeterli seviyede çıkmamıştır. Tablo 12 X4 ve X6 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları Bu test sonuçlarına göre model şu şekilde oluşmaktadır: 43 4.5.4. X3 ve X4 Değişkenleri İle Analiz Tablo 13 X3 ve X4 Değişkenlerinin Oluşturduğu Modelin -2 Log Likelihood Değeri Bu modelde de olduğu için model -2 Log likelihood testinden anlamlı olduğu yönde sonuç vermiştir. Tablo 13 bu sonuca ulaşılmasını sağlamaktadır. Tablo 14 X3 ve X4 Değişkenlerinin Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Tablo 14’te sunulan test sonuçlarına göre ikinci modelin daha anlamalı olacağı gözlemlenmektedir. Hosmer ve Lemeshow test sonuçları birinci modele göre daha anlamlı sonuçlanmıştır. Chi-square değeri 22,151’den 7,958’e düşerken Significance değeri ise 0,005’den 0,438’e yükselmiştir. Tablo 15 X3 ve X4 Değişkenlerinin Oluşturduğu Modelin Değişken Katsayıları 44 Tablo 15’te sunulan değişken katsayılarından da anlaşılacağı üzere, sonuç olarak X3 değişkeninin 0,091 X4 değişkeninin ise 0,702 katsayılarına sahip olduğu ve -2,865 sabit değerine sahip bir denklem ile şu şekilde bir modele ulaşılmaktadır: Tahmin edilen logit fonksiyonu: Tahmin edilen model: 4.6. Seçim Metodları İle Model Tahmini 4.6.1. İleriye Doğru Seçim Metodu Çalışmanın yöntem bölümünde bahsi geçen ileriye doğru seçim metodunu sipariş veri seti üzerinde de uygulamak mümkündür. İleriye doğru seçim metodu iki yönlü olarak uygulanabilmektedir. İleriye doğru seçim metodunda iterasyon yöntemi ile öncelikle en anlamlı değişken hesaplanır. İkinci adımda bu değişkenin yanına uygunluğu arttıracak şekilde en anlamlı ikinci değişken eklenir. Daha sonraki adımlarda da aynı hesaplama uygulanır ve wald değerine göre eşik değerinin üstünde kalan değişkenler modele eklenir. İleriye doğru seçim metodu sonuçları Tablo 15’te sunulmuştur. 45 Tablo 16 İleriye Doğru Seçim Metodunun Oluşturduğu Modelin Değişken Katsayıları Variables in the Equation Step a 1 X3 Cons tant X3 X4 Cons tant Step b 2 Step c 3 X3 X4 X6 Cons tant B ,069 -2,014 ,091 ,702 S.E. ,020 ,437 ,022 ,259 Wald 12,270 21,261 17,440 7,347 -2,865 ,549 ,068 ,830 ,000 -3,094 ,024 ,268 ,000 ,581 df 1 1 1 1 Sig. ,000 ,000 ,000 ,007 Ex p(B) 1,071 ,133 1,095 2,018 27,285 1 ,000 ,057 8,058 9,620 5,887 28,320 1 1 1 1 ,005 ,002 ,015 ,000 1,071 2,294 1,000 ,045 a. Variable(s ) entered on step 1: X3. b. Variable(s ) entered on step 2: X4. c. Variable(s ) entered on step 3: X6. Tablo 16’te görüldüğü üzere ileriye doğru seçim metodunun ilk hesaplamasında X3 değişkeni en anlamlı çıkmıştır. İkinci adımda X4 değişkeni de modele dahil edilmiştir. Üçüncü adımda ise X6 değişkeninin anlamlılığının modelin uygunluğunu arttıracacak şekilde modele dahil edilebilecek düzeyde olduğu hesaplanarak eklenmiştir. Model oluştururken SPSS programı dördüncü adımı uygulamaya gerek görmemiştir. Bunun sebebi kalan değişkenlerin eşik değerini geçememesidir. Tablo 17 İleriye Doğru Seçim Metodunun Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Hos m e r and Lem e show Te st Step 1 2 3 Chi-s quare 5,751 7,958 14,915 df 8 8 8 Sig. ,675 ,438 ,061 Hosmer ve Lemeshow testi sonuçlarına göre ilk adımın Chi-square değeri 5,751 Significance değeri ise 0,675 çıkmıştır. Bu değerler uygunluğun çok üst düzey olduğunun göstergesidir. İkinci adımda ikinci değişkenin eklenmesi ile Chi-square 46 7,958’e düşerken Significance değeri 0,438’e düşmüştür. Üçüncü adımda bu değerin 0,061’e düştüğü görülmektedir. Üçüncü değişkenin de eklenmesi uygunluğu istenilen aralıkta tutmuştur. Significance değerinin son adımda çok düşmesine rağmen 0,05’in üstünde olduğu için bu teste göre modelin uygunluğu halen devam ediyor denilebilir. Tablo 18 İleriye Doğru Seçim Metodunun Oluşturduğu Modelin -2 Log Likelihood Değerleri Model Sum m ary Step 1 2 3 -2 Log Cox & Snell likelihood R Square 420,818a ,041 413,232a ,063 a 406,752 ,081 Nagelkerke R Square ,056 ,086 ,111 a. Es timation terminated at iteration number 4 bec aus e parameter es timates c hanged by less than ,001. İleriye doğru seçim metodunun model özetinde(Tablo 18) de görüldüğü üzere modelin bütün adımlarında anlamlılık gözlemlenmektedir. Buna göre model şu şekilde oluşmuştur: Bu model daha önceki kısımlarda X3, X4 ve X6 değişkenleri ile ulaşılan sonuç ile aynıdır. 4.6.2. Geriye Doğru Seçim Metodu Bir diğer seçim metodu ise geriye doğru seçim metodudur. Metot ileri doğru seçim metodunun tersi şeklindedir. Bu sefer birinci adımda bütün değişkenler ile model oluşturulur. İkinci adıma geçilirken bu değişkenler arasındaki en anlamsız değişken modelden çıkarılarak model tekrar hesaplanır. Uygunluk için gerekli olan eşik değeri(çalışmada bu değer 0,10 olarak alınmıştır) aşıldığı sürece her adımda en anlamsız değişken modelden çıkarılır. Bu yöntem ile ilgili sonuç tablosu Tablo 18’de sunulmuştur. 47 Tablo19 Geriye Doğru Seçim Metodunun Oluşturduğu Modelin Değişken Katsayıları Variables in the Equation Step a 1 Step a 2 Step a 3 X1 X2 X3 X4 X5 X6 Cons tant X1 X2 X3 X4 X6 Cons tant X2 X3 X4 X6 Cons tant B -,159 -,388 ,074 1,474 ,047 ,000 -7,075 -,163 -,382 ,072 1,491 ,000 -2,500 -,405 ,070 1,535 ,000 -2,687 S.E. ,109 ,243 ,025 ,508 ,039 ,000 3,862 ,109 ,241 ,024 ,504 ,000 ,639 ,241 ,024 ,504 ,000 ,626 Wald 2,116 2,548 9,108 8,407 1,451 7,145 3,356 2,254 2,511 8,628 8,745 6,818 15,286 2,819 8,441 9,284 5,822 18,445 df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Sig. ,146 ,110 ,003 ,004 ,228 ,008 ,067 ,133 ,113 ,003 ,003 ,009 ,000 ,093 ,004 ,002 ,016 ,000 Ex p(B) ,853 ,678 1,077 4,365 1,049 1,000 ,001 ,849 ,682 1,074 4,443 1,000 ,082 ,667 1,073 4,643 1,000 ,068 a. Variable(s ) entered on step 1: X1, X2, X3, X4, X5, X6. Tablo 19’da sunulduğu üzere ilk adımda bütün değişkenler ile hesaplama yapılmıştır. İkinci adımda Significance değeri eşik değerinin üstünde ve en yüksek olan X5 değişkeni çıkarılarak hesaplamalar tekrar yapılmıştır. Üçüncü adımda ise X1 değişkeni aynı şekilde eşik değerinin üstünde ve en yüksek Significance değerine sahip olduğundan modelden çıkarılmıştır. Geriye doğru seçim metodu hesaplamaları üçüncü adımda durmuştur. Bunun sebebi eşik değerini aşan Significance değerine sahip değişkenin kalmamış olmasıdır. 48 Tablo 20 Geriye Doğru Seçim Metodunun Oluşturduğu Modelin Hosmer ve Lemeshow Test Sonuçları Hos m e r and Lem e show Te st Step 1 2 3 Chi-s quare 9,753 3,342 14,100 df 8 8 8 Sig. ,283 ,911 ,079 Tablo 20’de sunulan test sonuçlarına göre 3. adımda elde edilen Significance değeri 0,05’e çok yakın olmasına rağmen hala üzerinde olduğu için model uygunluğu yeterlidir. Tablo 21 Geriye Doğru Seçim Metodunun Oluşturduğu Modelin -2 Log Likelihood Değerleri Model Sum m ary Step 1 2 3 -2 Log Cox & Snell likelihood R Square 400,065a ,099 b 401,524 ,095 403,786b ,089 Nagelkerke R Square ,136 ,130 ,122 a. Es timation terminated at iteration number 5 bec aus e parameter es timates c hanged by less than ,001. b. Es timation terminated at iteration number 4 bec aus e parameter es timates c hanged by less than ,001. İleriye doğru seçim metodunun da model özetinde(Tablo 21) de görüldüğü üzere modelin bütün adımlarında anlamlılık gözlemlenmektedir. Bu sonuçlara göre model şu şekilde oluşmaktadır: 49 4.7. Uygulama Örnekleri Analiz çalışmaları süresince birçok modele ulaşılmıştır. İlk modelde değişkenlerin anlamlılıkları irdelenmiş ve bütün değişkenler anlamlı çıkmadığı için model anlamlı olarak değerlendirilmemiştir. İkinci modelde değişken sayısı 3’e indirilerek anlamlı bir modele ulaşılmıştır. Model üzerinde örnek çalışmalar yapılarak bir çelişki durumu gözlemlenmiştir. Bu durum veri setinin yapısı itibariyle olası bir durumdur. Bu durum kanıtlamıştır ki, veri setinin yapısı modelin anlamlılığı ve uygunluğunun yanı sıra mantıksal işlerliliğini de etkilemektedir. Farklı veri setleri ile bu analizler yürütüldüğünde farklı durumlar ile karşılaşmak da mümkündür. Karşılaşılan bu durum, modelin uygunluğu göz önünde bulundurulduğunda, çelişkiye neden olan koşullu değişkenlerin modelden çıkarılması ile aşılabilecekti. Bu doğrultuda, değişkenler çıkarılarak modellerin uygunluğu tekrar incelenmiş ve analiz edilmiştir. Netice olarak da X3 ve X4 değişkenlerinin hesaba katıldığı model en anlamlı ve en uygun model olarak ortaya çıkmıştır. Üstelik bu modelde mantıksal çelişki de gözlemlenmemiştir. Çalışmanın bu aşamasında, değişik senaryolar ve siparişler üzerinde değerlendirmelerde bulunulmuştur. Paketleme istenilmeyen 25 günlük bir sipariş değerlendirildiğinde: Çıkan sonuç siparişin gecikme ihtimalini %35 olarak ortaya koymaktadır. Bu durumda beklenen sonuç siparişin gecikmemesidir. Bu siparişte paketlemenin istenildiğini varsayarsak sonuç şu şekilde olacaktır. 50 Bu durumda sipariş gecikme eğilimine girmektedir. Çünkü siparişin gecikme ihtimali %35’den %53’e yükselmiştir. 62 gün öncesinden verilen ve paketlemenin istenildiği bir sipariş değerlendirildiğinde ise: Siparişin %97 ihtimalle gecikeceği sonucuna ulaşılmaktadır. Bu durumda ise beklenen sonuç siparişin gecikeceği yönündedir. Örnekteki siparişin paketleme koşulunun 0 olduğu durumda ise sonuca şu şekilde ulaşılır. Sipariş hala gecikme eğilimindedir. Her ne kadar siparişin gecikme olasılığı %97’den %94’e düşmüş olsa da, siparişin gecikme ihtimali hala %50’nin üzerindedir ve bu sipariş ile ilgili beklenti gecikmesi yönündedir. Tablo 22’de sipariş süresi ve paketleme koşulu değişken değerleri MS Office Excel programı yardımı ile rastgele verilmiş olan siparişleri oluşturmaktadır. 51 Tablo 22 Rastgele Verilen X3 ve X4 Değişken Değerleri Sipariş Süresi(X3) Paketleme Koşulu(X4) 60 0 22 0 53 0 36 1 71 0 20 0 69 0 86 0 26 0 13 0 33 1 75 1 34 1 45 0 72 1 25 1 4 1 8 1 22 1 56 0 Bu siparişlere göre tahmin modeli uygulandığı zaman tahmin logiti ve olasılık sonuçları şu şekilde oluşmaktadır. 52 Tablo 23 Rastgele Verilen X3 ve X4 Değişken Değerlerine Karşılık Model Sonuçları Siparişin Sipariş Paketleme Süresi(X3) Koşulu(X4) 60 0 2,572 0,929 1 22 0 -0,872 0,295 0 53 0 1,937 0,874 1 36 1 1,099 0,750 1 71 0 3,568 0,973 1 20 0 -1,053 0,259 0 69 0 3,387 0,967 1 86 0 4,929 0,993 1 26 0 -0,509 0,375 0 13 0 -1,687 0,156 0 33 1 0,827 0,696 1 75 1 4,633 0,990 1 34 1 0,918 0,715 1 45 0 1,212 0,771 1 72 1 4,361 0,987 1 25 1 0,102 0,526 1 4 1 -1,801 0,142 0 8 1 -1,438 0,192 0 22 1 -0,170 0,458 0 56 0 2,209 0,901 1 Gecikme Beklentisi 20 siparişten 13’ünün gecikmesi beklenmektedir. Sipariş süresi sabit tutulduğunda, siparişlerde paketlemenin istenmediği varsayılırsa, bu durumda sonuç şu şekilde olacaktır: 53 Tablo 24 Paketleme Koşulu “0” Olan ve Rastgele Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Siparişin Sipariş Paketleme Süresi(X3) Koşulu(X4) 60 0 2,572 0,929 1 22 0 -0,872 0,295 0 53 0 1,937 0,874 1 36 0 0,397 0,598 1 71 0 3,568 0,973 1 20 0 -1,053 0,259 0 69 0 3,387 0,967 1 86 0 4,928 0,993 1 26 0 -0,509 0,375 0 13 0 -1,687 0,156 0 33 0 0,125 0,531 1 75 0 3,931 0,981 1 34 0 0,216 0,554 1 45 0 1,212 0,771 1 72 0 3,659 0,975 1 25 0 -0,600 0,354 0 4 0 -2,503 0,076 0 8 0 -2,140 0,105 0 22 0 -0,872 0,295 0 56 0 2,209 0,901 1 Gecikme Beklentisi 20 siparişten 12’sinin gecikmesi beklenmektedir. Görüldüğü üzere paketleme koşulu istenmediğinde gecikmesi muhtemel olan sipariş sayısı azalmıştır. Tablo 25’te 54 ise bu sipariş veri setindeki paketleme koşulunun paketlemenin istenildiği şeklinde olduğu durumun sonuçları sunulmaktadır. Tablo 25 Paketleme Koşulu “1” Olan ve Rastgele Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Siparişin Sipariş Paketleme Süresi(X3) Koşulu(X4) 60 1 3,274 0,964 1 22 1 -0,170 0,458 0 53 1 2,639 0,933 1 36 1 1,099 0,750 1 71 1 4,271 0,986 1 20 1 -0,351 0,413 0 69 1 4,089 0,984 1 86 1 5,630 0,996 1 26 1 0,193 0,548 1 13 1 -0,985 0,272 0 33 1 0,827 0,696 1 75 1 4,633 0,990 1 34 1 0,918 0,715 1 45 1 1,915 0,872 1 72 1 4,361 0,987 1 25 1 0,102 0,526 1 4 1 -1,801 0,142 0 8 1 -1,438 0,192 0 22 1 -0,170 0,458 0 56 1 2,911 0,948 1 Gecikme Beklentisi 55 Bu durumda ise 20 siparişten 14’ü gecikmektedir. Beklenildiği gibi paketleme istenildiğinde gecikme ihtimali daha fazla olan sipariş sayısı artmıştır. Model üzerinde yapılan örnek çalışmalar, değişkenlerin sonuç üzerindeki davranışlarının grafik olarak çizilebileceğini ortaya koymaktadır. Buna göre, sipariş süresinin artarak gittiği ve paketleme koşulunun sabit olduğu bir veri setinde, sonuç üzerindeki eğilimi görmek mümkün olacaktır. Öncelikle, paketlemenin olmadığı veri seti incelenecek olursa: Tablo 26 Paketleme Koşulu “0” Olduğu Durumda Eşit Aralıklarla Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Sipariş Süresi(X3) Paketleme Sipariş Gecikme Koşulu(X4) Beklentisi 5 0 0,082 0 10 0 0,124 0 15 0 0,182 0 20 0 0,259 0 25 0 0,354 0 30 0 0,463 0 35 0 0,576 1 40 0 0,681 1 45 0 0,771 1 50 0 0,841 1 55 0 0,893 1 60 0 0,929 1 65 0 0,954 1 70 0 0,970 1 75 0 0,981 1 80 0 0,988 1 85 0 0,992 1 56 (Tablo 26’nın Devamı) Sipariş Süresi(X3) Paketleme Sipariş Gecikme Koşulu(X4) Beklentisi 90 0 0,995 1 95 0 0,997 1 100 0 0,998 1 Görüldüğü üzere paketleme koşulu 0 olarak sabit tutulduğunda sipariş süresi arttıkça siparişin gecikme ihtimali de yükselmektedir. Tablo 26’dan anlaşıldığı üzere, gecikme ihtimalinin %50 değerini aştığı aralık 30 ile 35 gün arasıdır. Bu nokta Şekil 2’deki grafikte de sunulmaktadır. Ayrıca 30 ile 35 arasındaki değerlere model uygulandığında değişim noktası bulunabilmektedir. Sonuçları gösteren çizelge ise Tablo 27’de sunulmuştur. Buna göre sipariş süresi 31 gün iken %49 olan gecikme ihtimali, 32 günlük bir siparişte %51’e yükselmektedir. Bu noktada siparişin gecikme beklentisi negatiften pozitif yöne değişim göstermektedir. Şekil 2. Paketleme İstenilmediğinde Sipariş Süresine Göre Gecikme İhtimali Grafiği. 57 Tablo 27 Paketleme Koşulu “0” Olduğu Durumda 30-35 Aralığında Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Sipariş Süresi(X3) Paketleme Siparişin Gecikme Koşulu(X4) Beklentisi 30 0 0,463 0 31 0 0,486 0 32 0 0,509 1 33 0 0,531 1 34 0 0,554 1 35 0 0,576 1 Sonraki çalışma ise, paketleme koşulunun 1’e eşit ve sabit olduğu durumdaki gecikme ihtimalindeki değişimi ortaya koymaktadır. Görüldüğü üzere gecikme ihtimali %15 ile %99 arasındaki değerlerde dağılım göstermektedir. Tablo 28 Paketleme Koşulu “1” Olduğu Durumda Eşit Aralıklarla Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Sipariş Süresi(X3) Paketleme Siparişin Gecikme Koşulu(X4) Beklentisi 5 1 0,153 0 10 1 0,221 0 15 1 0,309 0 20 1 0,413 0 25 1 0,526 1 30 1 0,635 1 35 1 0,733 1 58 (Tablo 28’in Devamı) Sipariş Süresi(X3) Paketleme Siparişin Gecikme Koşulu(X4) Beklentisi 40 1 0,812 1 45 1 0,872 1 50 1 0,914 1 55 1 0,944 1 60 1 0,964 1 65 1 0,976 1 70 1 0,985 1 75 1 0,990 1 80 1 0,994 1 85 1 0,996 1 90 1 0,998 1 95 1 0,998 1 100 1 0,999 1 Tablo 28’den de anlaşılacağı gibi gecikme ihtimalinin %50’yi aştığı eşik değeri 20 ile 25 günlük siparişlerin arasında bulunmaktadır. Bu değer Şekil 3’teki grafikte de açıkça belli olmaktadır. 59 Şekil 3. Paketleme istenildiğinde sipariş süresine göre gecikme ihtimali grafiği. Sipariş süresinin 20 ile 25 gün arasında değiştiği veri seti incelendiğinde ise 23 günlük siparişin gecikme ihtimalinin %48, 24 günlük siparişin ise gecikme ihtimalinin %50 olduğu görülmektedir. 24 gün ve daha fazla süreli siparişlerin gecikme, 23 gün ve daha az süreli siparişlerin ise gecikmeme eğilimi gösterdiği anlaşılmaktadır. Tablo 29 Paketleme Koşulu “1” Olduğu Durumda 20-25 Aralığında Verilen X3 Değişken Değerlerine Karşılık Model Sonuçları Sipariş Süresi(X3) Paketleme Siparişin Gecikme Koşulu(X4) Beklentisi 20 1 0,413 0 21 1 0,435 0 22 1 0,458 0 23 1 0,480 0 24 1 0,503 1 25 1 0,526 1 60 4.8. Rezidü Analizi Yöntem kısmında bahsedilen rezidülerlerle ilgili olarak uygulama verisi üzerinde analizler yapılması veri setinde, sonuçlar doğrultusunda sapmaların ve bu sapmalar neticesinde ortaya çıkan aykırı gözlemlerin ortaya çıkarılmasını sağlar. Tahmin edilen olasılıklar ile Delta Kikare, Delta Deviance ve Cook değerleri kıyaslanıp SPSS programı yardımı ile grafiğe aktarıldığında veri setindeki aykırı gözlemlere ulaşılmaktadır. 3,00 DeltaKikare 2,00 1,00 0,00 0,20 000 0,40 000 0,60 000 0,80 000 Predicte d probabi lity Şekil 4. ye karşın grafiği. Şekil 4.’deki grafikte nokta kümelerinden ayrı konumlarda bulunan gözlemler aykırı gözlem özelliği taşımaktadır. değeri 0’a yakın ve tahmin edilen olasılıkları 61 0,80’den yüksek olan gözlemler ile beklenen değeri 0,75 ve değeri 2 ile 3 arasında olan gözlemler SPSS hesaplama sonuçlarına bakarak tespit edilir. Buna göre şu değişkenler aykırı olarak belirlenmiştir: X3=67, X4=0 ve Y=1 X3=54, X4=0 ve Y=1 X3=42, X4=0 ve Y=0 3,00 DeltaDeviance 2,00 1,00 0,00 0,20 000 0,40 000 0,60 000 0,80 000 Predicte d probabi lity Şekil 5. ye karşın Delta grafiği. Deviance grafiğinde de benzer şekilde 3 aygırı gözlem belirlenmiştir(Şekil 5). SPSS hesaplama sonuçlarından bu gözlemlerin önceki grafikte belirlenen gözlemler ile aynı olduğu belirlenmiştir. 62 Analog of Cook's influence statistics 0,10 000 0,07 500 0,05 000 0,02 500 0,00 000 0,20 000 0,40 000 0,60 000 0,80 000 Predicted probabi lity Şekil 6. ye karşın grafiği Şekil 6.’da sunulan Cook değerleri grafiğinde de görüldüğü üzere tahmin edilen olasılığı en yüksek olan 3 gözlem, 3 rezidü analizinde de aykırı gözlem olarak tespit edilmiştir. Bu gözlemler şunlardır: X3=67, X4=0 ve Y=1 X3=54, X4=0 ve Y=1 X3=42, X4=0 ve Y=0 Aykırı gözlemler veri setinden çıkarılıp model tekrar oluşturulduğunda şu sonuçlar ortaya çıkmaktadır: 63 Tablo 30 X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin -2 Log Likelihood Değeri Model Sum m ary -2 Log Cox & Snell likelihood R Square 410,320a ,057 Step 1 Nagelkerke R Square ,079 a. Es timation terminated at iteration number 4 bec aus e parameter es timates c hanged by less than ,001. Tablo 31 X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin Hosmer ve Lemeshow Test Sonuçları Hos me r and Lem e show Te st Step 1 Chi-s quare 7,639 df 8 Sig. ,470 Tablo 32 X3 ve X4 Değişkenlerinin Oluşturduğu ve Aykırı Gözlemlerin Çıkarıldığı Modelin Değişken Katsayıları Variables in the Equation Step a 1 X3 X4 Cons tant B ,095 ,702 -2,947 S.E. ,023 ,260 ,574 Wald 16,912 7,298 26,368 df 1 1 1 Sig. ,000 ,007 ,000 Ex p(B) 1,100 2,017 ,053 a. Variable(s ) entered on step 1: X3, X4. Bu sonuçlara göre modelin anlamlığı çok az azalmıştır. Buna karşın modelin uygunluğu artmıştır. Bu durumda ise modelin tahmin fonksiyonu şu şekilde oluşmuştur: 64 BÖLÜM V SONUÇ VE ÖNERİLER 5.1. Sonuç ve Öneriler Çalışmada öncelikle tedarik zinciri yönetimi, genel prensipler yönüyle incelenmiştir. Çalışmanın amacına uygun olarak kullanılan yöntemin ve veri seti üzerinde yapılan çalışmalar sonucunda elde edilen bulguların tedarik zinciri yönetimi ile bağlantısı vurgulanmıştır. Sonraki kısımda lojistik regresyon metodu ana temelleri ile sunulmuştur. Bununla birlikte model oluşturma, anlamlılık ve uyumluluk testleri, sapma ve rezidü analizleri de bu bölümde anlatılmıştır. Tedarik zinciri yönetimi ve lojistik regresyon olguları ile ilgili olarak, daha önce yapılan çalışmalara dayandırılan bu bölümlerden sonra veri seti üzerinde uygulamalara geçilmiştir. Öncelikle veri setinin yapısı ile ilgi genel bir bilgi verilmiş daha sonra analizler SPSS uygulamaları ile detaylı bir şekilde anlatılmıştır. Adım adım analizlerin uygulaması ile çeşitli durumlar için anlamlı değişkenlere ulaşılmış ve bu değişkenler ile her durum için ayrı ayrı modeller oluşturularak anlamlılık ve uyumluluk testleri gerçekleştirilmiştir. Bu bölümden sonra seçim yöntemleri ile de analiz yapılarak 3 model yöntemi sonucunda da tahmin fonksiyonunu oluşturan değişkenlere ulaşılmıştır. Tablo 33 Kullanılan Model Yöntemine Göre Anlamlı Çıkan Değişkeler Tablosu Kullanılan Model Yöntemi Anlamlı Çıkan Değişkenler Enter X3, X4 ve X6 İleriye Doğru Seçim X3, X4 ve X6 Geriye Doğru Seçim X2, X3, X4 ve X6 Tablo 33’te görüldüğü üzere iki yöntem aynı sonucu verirken geriye doğru seçim yöntemi X2 değişkenini de anlamlı kabul ederek modele dahil etmiştir. Çalışmanın bu bölümünde veri seti tedarik edilen firmanın sipariş politikası gereği X3 65 ve X6 değişkenleri arasındaki iç ilişkinin tahminlerde yanıltıcı bir tutumun sergilenmesine neden olduğu tespit edilmiştir. Bu aşamada bu iki değişkenden birinin modelden çıkarılmasının modelin sağlıklı işleyişi açısından önemli olduğu tespit edilmiştir. Her iki değişken için de ayrı modeller oluşturularak hangi modelin daha anlamlı ve uyumlu olacağı konusunda çalışılmış ve netice olarak da X3 değişkeninin modele katkısının daha fazla olduğu belirlenmiştir. Bu çalışmalar neticesinde X3 ve X4 değişkenlerinin bütün yöntemlerde anlamlı olduğunu ve modelin ana temellerini oluşturan değişkenler olduğunu söylemek mümkündür. Bununla birlikte X3 ve X4 değişkenlerin davranışları eşit aralıklardaki hareketlerini gösterir grafiklerle kullanıcılara sunulmuştur. Buna göre X4 değişkeninin 0 olduğu durumlarda X3 değişkeni için eşik değerinin 31 ve 32 değerleri arasında olduğu belirlenmiştir. Bu şu anlama gelmektedir: Paketlemenin istenilmediği siparişlerde sipariş süresi 31 ve daha az olan siparişlerin gecikme ihtimali %50’nin altında kalmakta ve sipariş gecikme beklentisi vermemektedir. Aynı paketleme koşulunda 32 ve daha fazla süreli siparişler için ise tahmin edilen değer 0,05’i aşmakta ve sonuç olarak da siparişin gecikmesi beklenmektedir. Şekil 2.’de de sunulduğu üzere paketlemenin istenilmediği koşulda 31 günden daha az süreli siparişlerde gecikme eğilimi azalarak azalmakta, 32 ve daha fazla süreli siparişlerde ise gecikme eğilimi azalarak artmaktadır. Buna karşın X4 değişkeninin 1 olduğu durumlarda X3 değişkeni için eşik değerinin 23 ve 24 değerleri arasında olduğu belirlenmiştir. Bu da şu anlama gelmektedir: Paketlemenin istenilmediği siparişlerde sipariş süresi 23 ve daha az olan siparişlerin gecikme ihtimali %50’nin altında kalmakta ve sipariş gecikme beklentisi vermemektedir. Aynı paketleme koşulunda 24 ve daha fazla süreli siparişler için ise tahmin edilen değer 0,05’i aşmakta ve sonuç olarak da siparişin gecikmesi beklenmektedir. Şekil 3.’te de sunulduğu üzere paketlemenin istenildiği koşulda 23 günden daha az süreli siparişlerde gecikme eğilimi azalarak azalmakta, 24 ve daha fazla süreli siparişlerde ise gecikme eğilimi azalarak artmaktadır. Çalışmada görüldüğü üzere veriler üzerinde çok çeşitli örneklemeler ve senaryo analizleri yapılmıştır ve bu bölümdeki örnek senaryolar oluşturulan modelin her türlü senaryo için uygulanabilir olduğunu göstermektedir. Bu çalışma lojistik regresyon yönteminin tedarik zincirindeki unsurlar için uyarlanabilirliğinin bir kanıtıdır. İmalat aşamasında uygulanan bu yöntem, tedarik zincirinin diğer unsurları için de kullanılabilirdir. Sürekli, kesikli ve kategorik 66 değişkenlere sahip veri setlerinin de regresyonunun yapılabilirliği gösterilmiştir. Tahmin edilecek değişkenin de sürekli özellikte bir değişken olması şartının her zaman için geçerli olmadığını, 1 ve 0 özelliği taşıyan bütün kategorik sonuçların bu regresyon çalışmasına tabi tutularak tahmin edilebileceği bu çalışma ile ortaya koyulmuştur. 67 KAYNAKÇA Agresti, A. (2002). Categorical Data Analysis. Canada: John Wiley & Sons. Akman, G., & Alkan, A. (2006, Ocak). Tedarik Zinciri Yönetiminde Bulanık AHP Yöntemi Kullanılarak Tedarikçilerin Performansının Ölçülmesi: Otomotiv Yan Sanayiinde Bir Uygulama. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi , s. 23-46. Aktaş, C., & Erkuş, O. (2009, Şubat). Lojistik Regresyon Analizi İle Eskişehir'in Sis Kestiriminin İncelenmesi. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi , s. 47-59. Al-zu’bi, H. (2010). Applying Electronic Supply Chain Management Using MultiAgent System: A Managerial Perspective. International Arab Journal of eTechnology , 106-113. Amirov, T. (2006). Tedarik Zinciri Yönetimi ve Toplam Kalite Yönetimi. Yayınlanmış Tez. Arıcan, E. (2010). Nitel Yanıt Değişkene Sahip Regresyon Modellerinde Tahmin Yöntemleri. Yüksek Lisans Tezi . Adana: Çukurova Üniversitesi Fen Bilimleri Enstitüsü. Atakurt, Y. (1999, Nisan). Lojistik Regresyon Analizi ve Tıp Alanında Kullanımına İlişkin Bir Uygulama. Ankara Üniversitesi Tıp Fakültesi Mecmuası , s. 191-199. Barutçu, S. (tarih yok). İnternet Tabanlı Tedarik Zinciri Yönetimi (Denizli Tekstil İşletmelerinin İnternet Tabanlı Tedarik Zinciri Yönetiminden Yararlanma Durumuna Yönelik Bir Araştırma). Denizli: Pamukkale Üniversitesi İktisadi ve İdari Bilimler Fakültesi. Bektaş, S., & Hınıs, M. A. (2008, Mart). Şehiriçi Trafik Kazalarına Etki Eden Faktörlerin Lojistik Regresyon Modeli İle İncelenmesi: Aksaray Örneği. Selçuk Ü. Müh.-Mim. Fak. Derg. , s. 25-34. Bhagwat, R., & Sharma, M. K. (2007). Performance Measurement Of Supply Chain Management: A Balanced Scorecard Approach. Computers & Industrial Engineering , 43-62. Bircan, H. (2004, Şubat). Lojistik Regresyon Analizi: Tıp Verileri Üzerine Bir Uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , s. 185-208. 68 Croson, R., & Donohue, K. (2002). Experimental Economics and Supply-Chain Management. Interfaces , 74-82. Çizmeci, F. (2002, Ocak). Tedarik Zinciri Yönetimi. Davis, T. (1993). Effective Supply Chain Management. Sloan Management Review , 3546. Doğan, N., & Öğretmen, T. (2008). Değişen Madde Fonksiyonunu Belirlemede Mantel ‐ Haenszel, Ki‐Kare ve Lojistik Regresyon Tekniklerinin Karşılaştırılması. Eğitim ve Bilim , s. 100-112. Ege, İ., & Bayrakdaroğlu, A. (2009). İMKB Şirketlerinin Hisse Senedi Getiri Başarılarının Lojistik Regresyon Tekniği İle Analizi. ZKÜ Sosyal Bilimler Dergisi , s. 139-158. Göksu, N., & Eren, A. S. (2010). Tedarik Zinciri Yönetiminin Rekabet Öncelikleri Ve Örgütsel Performansa Etkileri: Türkiye’de Bir Alan Çalışması. si , 85-94. Gunasekaran, A., & Ngai, E. W. (2004). Virtual Supply-Chain Management. Production Planning & Control , 584-595. Güneri, N., & Apaydın, A. (tarih yok). Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı. Ankara. Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. Canada: John Wiley and Sons. IBM. (2004). Supply Chain Management. New York: IBM Corporation. Kaşko, Y. (2007). Çoklu Bağlantı Durumunda İkili (Binary) Lojistik Regresyon Modelinde Gerçekleşen I. Tip Hata ve Testin Gücü. Yüksek Lisans Tezi . Ankara: Ankara Üniversitesi Fen Bilimleri Enstitüsü. Kopczak, L. R., & Johnson, M. E. (2003). The Supply-Chain Management Effect. MIT Sloan Management Review , 27-34. Kurban, M., Kantar, Y. M., & Hocaoğlu, F. O. (2007, Kasım). Lojistik Regresyon ve Perseptron Modelleri Kullanılarak Rüzgar-Günes Enerji Santral Modelinin Güç Üretim Durumunun Analizi. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü Dergisi , s. 91-95. Lee, H. L. (2002). Aligning Supply Chain Strategies With Product Uncertainties. California Management Review , 105-119. 69 Lee, H. L., & Billington, C. (1992). Managing Supply Chain Inventory: Pitfalls And Opportunities. Sloan Management Review , 65-73. Li, L. (2007). Supply Chain Management: Concepts, Techniques And Practices. World Scientific Publishing Co. Pte. Ltd. Long, J. S., & Freese, J. (2001). Regression Models For Categorical Dependent Variables Using Stata. Texas: Stata Corporation. Lummus, R., Krumwide, D., & Vokurka, R. (2001). The Relationship of Logistics to Supply Chain Management: Developing a Common Industry Definition. Industrial Management and Data Systems , 426-431. McCullagh, P., & Nelder, J. (1989). Generalized Linear Models. Boca Raton: Chapman and Hall/CRC. Mentzer, J. T., De Witt, W., Keebler, J. S., Min, S., Nix, N. W., Smith, C. D., et al. (2001). Defining Supply Chain Management. Journal Of Business Logistics , 125. Min, S., & Mentzer, J. T. (2000). The Role Of Marketing In Supply Chain Management. International Journal Of Physical Distribution & Logistics Management , 765-787. Murat, Y. Ş., & Uludağ, N. (2008). Bulanık Mantık ve Lojistik Regresyon Yöntemleri ile. İMO Teknik Dergi , s. 4363-4379. Nargeleçekenler, M. (tarih yok). Suç Veri Tabanının Lojistik Regresyon Analizi İle Tahmini: Bursa Örneği. Bursa: Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi. Özdemir, A. İ. (2004, Temmuz-Aralık). Tedarik Zinciri Yönetiminin Gelişimi, Süreçleri ve Yararları. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , s. 87-96. Paksoy, T. (2005). Tedarik Zinciri Yönetiminde Dağıtım Ağlarının Tasarımı ve Optimizasyonu: Malzeme İhtiyaç Kısıtı Altında Stratejik Bir Üretim-Dağıtım Modeli. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , Sayı 14, 435454. Shapiro, J. F. (2001). Modeling the Supply Chain. CA: Duxbury Thomson Learning Inc. Simpson, D., & Samson, D. (2008). Developing Strategies for Green Supply Chain Management. Decision Line , 12-15. 70 Suthar, V., Tarmizi, R. A., Midi, H., & Adam, M. B. (2010). Students’ Beliefs on Mathematics and Achievement of University Students: Logistics Regression Analysis. Procedia Social and Behavioral Sciences , s. 525-531. Şen, E. (2008). KOBİ'lerin Uluslararası Rekabet Güçlerini Artırmada Tedarik Zinciri Yönetiminin Önemi. Ankara: T. C. Başbakanlık Dış Ticaret Müsteşarlığı İhracatı Geliştirme Etüd Merkezi. Thomas, A. S., & Kopczak, L. R. (2005). From Logistics To Supply Chain Management: The Path Forward In The Humanitarian Sector. Fritz Institute. Ünsal, A., & Güler, H. (tarih yok). Türk Bankacılık Sektörünün Lojistik Regresyon ve Diskriminant Analizi İle İncelenmesi. Ankara. Ünüvar, M. (2009, Eylül). Tedarik Zinciri Yönetim Uygulamalarının Örgütsel Yapıya Etkisi Üzerine Bir Araştırma. Ege Akademik Bakış , s. 559-592. Ürük, E. (2007). İstatistiksel Uygulamalarda Lojistik Regresyon Analizi. Yüksek Lisans Tezi . İstanbul: T. C. Marmara Üniversitesi Fen Bilimleri Enstitüsü. Vakharia, A. J. (2002). E-Business And Supply Chain Management. Decision Sciences , 495-504. Verdicchio, M., & Colombetti, M. (2002). Commitments For Agent-Based Supply Chain Management . ACM SIGecom Exchanges , 13-23. Waller, M. A., Dabholkar, P. A., & Gentry, J. J. (2000). Postponement, Product Customization, And Market-Oriented Supply Chain Management. Journal Of Business Logistics , 133-159. Yıldırım, S. (tarih yok). İşletmelerde Tedarik Zinciri Yönetimi ve Toplam Kalite Yönetimi İlişkisi. Isparta: Süleyman Demirel Üniversitesi S.B.E. Yüksel, H. (2002). Tedarik Zinciri Yönetiminde Bilgi Sistemlerinin Önemi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , 261-279. 71 EKLER Ekler 1 Tablosu 72 ÖZGEÇMİŞ 9 Aralık 1982 tarihinde Aksaray’ın Ortaköy ilçesinde doğdum. 1993 yılında Dikmen Merkez İlkokulu’ndan, 2000 yılında Gölbaşı Anadolu Lisesi’nden mezun oldum. Aynı yıl Bilkent Üniversitesi İşletme Fakültesi’ne başlayıp 2004 yılı Haziran ayında lisans eğitimimi tamamladım. 2004 Aralık – 2005 Haziran döneminde askerlik görevimi kısa dönem er olarak, Diyarbakır’da yerine getirdim. 2006 yılı Ocak ayında Türkiye İstatistik Kurumu Adana Bölge Müdürlüğü’nde Uzman Yardımcısı olarak göreve başladım. 2010 yılı Mayıs ayında TÜİK Uzmanı unvanını kazandım. Halen bu göreve devam etmekteyim. 2009 yılı Ağustos ayında hayatımı, eşim Rukiye BAŞ ile birleştirdim. Eşim 1982 doğumlu ve bilgisayar mühendisidir. 2012 yılı Temmuz ayında ise biricik kızımız Zeynep Ayza BAŞ dünyaya gelmiştir.
