Đánh giá các nhân tố ảnh hưởng đến hiệu quả áp dụng trí tuệ nhân tạo trong quản lý chuỗi cung ứng
Từ khóa: quản lý chuỗi cung ứng, AI, thị trường, logistics, nhân tố ảnh hưởng
Summary
The empirical study conducted a survey of 190 subjects who are leaders of logistics businesses and customers using smart logistics services to evaluate the influence of factors on the effectiveness of applying artificial intelligence (AI) in supply chain management. Research results show that, the factors that influence the effectiveness of AI application in descending order are: Increasing prediction accuracy, Optimizing processes. Based on the analysis, the study proposes implications for AI application management aimed at promoting the development of advanced supply chain models.
Keywords: supply chain management, AI, market, logistics, influencing factors
GIỚI THIỆU
Trong kỷ nguyên số hóa và kết nối toàn cầu, quản lý chuỗi cung ứng đã phát triển thành nền tảng quan trọng cho sự thành công của doanh nghiệp. Sự tương tác phức tạp của các yếu tố và sự chuyển đổi liên tục của bối cảnh kinh doanh đặt ra những thách thức đáng kể trong duy trì hoạt động chuỗi cung ứng hiệu quả. Theo đó, để giải quyết hiệu quả các nhu cầu năng động và duy trì khả năng cạnh tranh, các tổ chức đang nghiêm túc khám phá các phương pháp tiên tiến để có thể tinh chỉnh các quy trình của chuỗi cung ứng. Trong bối cảnh này, việc khai thác khả năng của AI trong quản lý chuỗi cung ứng đã nổi lên như một nhu cầu chiến lược, hứa hẹn mang lại những lợi thế đáng kể (Austin và cộng sự, 2013). AI với khả năng phân tích bộ dữ liệu lớn, dự báo xu hướng, tối ưu hóa hoạt động và tự động hóa các tác vụ thường ngày, giảm thiểu rủi ro sai sót đã cho phép các tổ chức phản ứng kịp thời với sự gián đoạn, giảm thiểu thời gian ngừng hoạt động và nâng cao sự hài lòng chung của khách hàng (Collins và cộng sự, 1998). Tuy nhiên, AI không phải là toàn năng nên có những mặt hạn chế nhất định. Vì vậy, việc phân tích các nhân tố ảnh hưởng tác động tích cực của AI đối với quản lý chuỗi cung ứng, để thúc đẩy việc áp dụng và tích hợp rộng rãi công nghệ AI trong lĩnh vực này, mang tính cấp bách và có giá trị thực tiễn cao.
CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở lý thuyết
Thuật ngữ “AI” được John McCarthy chính thức đặt ra, được định nghĩa là “khoa học và kỹ thuật chế tạo máy thông minh” (Dejoux, C., và L ́eon, E., 2018). Ban đầu, AI được khái niệm hóa xoay quanh khả năng nhận thức cấp cao, không chỉ đơn thuần là nhận biết các khái niệm hoặc thực hiện các kỹ năng vận động phức tạp; mà còn tham gia vào quá trình suy luận nhiều bước, hiểu ngôn ngữ tự nhiên, tạo ra các hiện vật sáng tạo, xây dựng các kế hoạch mới và thậm chí là lý luận về lý luận của chính nó. Trí thông minh toàn diện giống con người này được gọi là “AI hoàn thiện”. Cách tiếp cận phổ biến đối với AI hoàn thiện tập trung vào lý luận biểu tượng, coi máy tính không chỉ là máy tính số mà còn là công cụ thao tác ký hiệu nói chung. Tuy nhiên, do tính phức tạp trong việc chấp nhận AI như một thách thức trực tiếp đối với con người trong điều kiện tiến bộ ở thế kỷ 21, thì việc hiện thực hóa AI hoàn thiện vẫn còn là một điều không chắc chắn (Denis Dennehy, 2020).
Trong bối cảnh cạnh tranh khốc liệt trên thị trường toàn cầu hiện nay, sự ra đời của các sản phẩm mới có vòng đời ngày càng ngắn, cùng với mức độ kỳ vọng ngày càng cao của khách hàng đã thôi thúc các doanh nghiệp phải đầu tư, tập trung nhiều vào chuỗi cung ứng của mình. Ở một chuỗi cung ứng điển hình, nguyên liệu được mua từ một hoặc nhiều nhà cung cấp (các bộ phận được sản xuất tại một hoặc nhiều nhà máy), sau đó được vận chuyển đến kho để lưu trữ trung gian và cuối cùng đến nhà bán lẻ và khách hàng. Chuỗi cung ứng, còn được gọi là mạng lưới hậu cần, bao gồm: các nhà cung cấp, trung tâm sản xuất, nhà kho, trung tâm phân phối, cửa hàng bán lẻ cũng như nguyên liệu thô và hàng tồn kho và hoạt động chuyên trở giữa các cơ sở trong chu trình sản xuất. Vì vậy, để giảm chi phí và cải thiện mức độ dịch vụ, chiến lược chuỗi cung ứng hiệu quả phải xem xét sự tương tác ở các cấp độ khác nhau trong chuỗi cung ứng. Điều này, cùng với những tiến bộ liên tục trong công nghệ truyền thông và vận tải (thông tin di động, Internet và giao hàng qua đêm…), đã thúc đẩy sự phát triển không ngừng của chuỗi cung ứng và các kỹ thuật để quản lý nó. Theo đó, tại nghiên cứu này quan niệm: Quản lý chuỗi cung ứng là một tập hợp các hoạt động tích hợp và sử dụng hiệu quả các nhà cung cấp, nhà sản xuất, nhà kho và cửa hàng để đưa hàng hóa được sản xuất đến đúng địa điểm với yêu cầu chất lượng phù hợp, nhằm mục đích giảm thiểu chi phí trên toàn hệ thống đồng thời đáp ứng yêu cầu về mức độ dịch vụ.
Mô hình nghiên cứu
Từ tính năng của AI và trên cơ sở quy trình quản lý chuỗi cung ứng, kế thừa kết quả của các nghiên cứu lý thuyết đi trước, nhóm tác giả để xây dựng mô hình nghiên cứu các nhân tố ảnh hưởng đến Hiệu quả áp dụng trí tuệ nhân tạo trong quản lý chuỗi cung ứng như Hình.
Hình: Mô hình nghiên cứu đề xuất
Nguồn: Tác giả nghiên cứu đề xuất |
Các giả thuyết nghiên cứu được đưa ra như sau:
H1: Tăng cường dự đoán chính xác có thể thông qua sử dụng AI sẽ đạt được với việc cải thiện Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng.
H2: Tối ưu hóa quy trình bằng việc thông qua sử dụng AI có thể tối ưu hóa quy trình vận chuyển, lập lịch sản xuất, quản lý hàng tồn kho và các hoạt động khác của chuỗi cung ứng, giảm lãng phí và nâng cao hiệu quả, nên ảnh hưởng tích cực đến Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng.
H3: Dự báo và quản lý rủi ro có thể thông qua ứng dụng AI xác định các tình huống tiềm ẩn có thể dẫn đến sự cố hoặc rủi ro trong chuỗi cung ứng, cho phép các tổ chức thực hiện các biện pháp phòng ngừa hoặc ứng phó kịp thời, nên ảnh hưởng tích cực đến Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng.
H4: Tối ưu hóa quản lý tồn kho bằng việc ứng dụng AI có thể dự đoán mức tồn kho tối ưu dựa trên dữ liệu lịch sử và dự báo nhu cầu, giảm thiểu rủi ro thiếu hụt hoặc dư thừa hàng hóa, nên ảnh hưởng tích cực đến Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng.
H5: Cung cấp phản hồi ngay lập tức theo thời gian thực, với tính năng của AI có thể xử lý dữ liệu nhanh chóng và cung cấp thông tin chi tiết về quản lý theo thời gian thực, cho phép các nhà quản lý chuỗi cung ứng đưa ra quyết định nhanh hơn và linh hoạt hơn, nên ảnh hưởng tích cực đến Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng.
Phương pháp nghiên cứu
Nghiên cứu đã sử dụng kết hợp phương pháp nghiên cứu định tính và định lượng. Trong đó, nghiên cứu định lượng được thực hiện thông qua thu thập dữ liệu sơ cấp từ khảo sát 190 đối tượng là cán bộ lãnh đạo doanh nghiệp logistics và khách hàng sử dụng dịch vụ logistics thông minh trên địa bàn TP. Hồ Chí Minh, bằng bảng câu hỏi thiết kế theo thang đo Likert với 5 mức độ và thực hiện chọn mẫu thuận tiện. Khảo sát được thực hiện từ tháng 8/2023 đến tháng 10/2023. Dữ liệu được xử lý thông qua chương trình phân tích thống kê SPSS 20.0.
KẾT QUẢ NGHIÊN CỨU
Kiểm định Cronbach’s Alpha
Kết quả kiểm định thang đo đạt được độ tin cậy, hệ số Cronbach’s Alpha dao động từ 0,773-0,890 (>0,6). Tất cả 19 biến quan sát có chỉ số tương quan biến tổng >0,3 đạt yêu cầu (Bảng 1).
Bảng 1: Kết quả kiểm định thang đo
Biến quan sát | Tương quan biến tổng | Cronbach’s Alpha nếu bị loại bỏ |
Tăng cường dự đoán chính xác: Cronbach’s Alpha = 0,890 | ||
H11 | ,765 | ,864 |
H12 | ,746 | ,867 |
H13 | ,620 | ,881 |
H14 | ,745 | ,866 |
H15 | ,574 | ,886 |
H16 | ,678 | ,874 |
H17 | ,675 | ,875 |
Tối ưu hoá quy trình: Cronbach’s Alpha = 0,773 | ||
H21 | ,691 | ,729 |
H22 | ,673 | ,722 |
H23 | ,547 | ,763 |
Dự báo và quản lý rủi ro: Cronbach’s Alpha = 0,833 | ||
H31 | ,767 | ,701 |
H32 | ,688 | ,774 |
H33 | ,633 | ,831 |
Tối ưu hóa quản lý tồn kho: Cronbach’s Alpha = 0,821 | ||
H41 | ,692 | ,736 |
H42 | ,695 | ,735 |
H43 | ,644 | ,785 |
Cung cấp phản hồi ngay lập tức theo thời gian thực: Cronbach’s Alpha = 0,883 | ||
H51 | ,810 | ,805 |
H52 | ,749 | ,856 |
H53 | ,764 | ,843 |
Nguồn: Tính toán của nhóm tác giả
Phân tích nhân tố khám phá (EFA)
Kiểm định cho thấy, hệ số KMO = 0,792 (> 0,5), như vậy kết quả phân tích EFA là đảm bảo độ tin cậy. Kiểm định Bartlett có hệ số Sig. = 0,000 (< 0,05), thể hiện rằng các biến quan sát có tương quan với nhau trong nhóm nhân tố, kết quả phân tích yếu tố đảm bảo ở mức có ý nghĩa thống kê (Bảng 2).
Bảng 2: Kiểm định KMO và Bartlett
Kiểm định KMO | ,792 | |
Kiểm định Bartlett | Giá trị Chi bình phương | 4045,691 |
df | 496 | |
Sig. | ,000 |
Nguồn: Tính toán của nhóm tác giả
Kết quả phân tích EFA cho kết quả trích được 6 nhân tố với tổng phương sai trích là 59,021% (Bảng 3). Eigenvalue (phần biến thiên được giải thích bởi mỗi nhân tố) của các nhân tố lần lượt là: Tăng cường dự đoán chính xác (5,870); Tối ưu hóa quy trình (3,443); Dự báo và quản lý rủi ro (3,043); Tối ưu hóa quản lý tồn kho (2,530); Cung cấp phản hồi ngay lập tức theo thời gian thực (2,089); Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng (1,852). Kết quả ma trận xoay trong phân tích EFA đảm bảo tính phân biệt, giá trị hội tụ của các biến trên các nhân tố đều > 0,5 cao hơn mức yêu cầu. Do đó, tất cả các biến quan sát đều được đưa vào phân tích tiếp theo.
Bảng 3: Kết quả phân tích EFA
Nhân tố | ||||||
| 1 | 2 | 3 | 4 | 5 | 6 |
H11 | ,801 |
|
|
|
|
|
H12 | ,799 |
|
|
|
|
|
H13 | ,744 |
|
|
|
|
|
H14 | ,730 |
|
|
|
|
|
H15 | ,725 |
|
|
|
|
|
H16 | ,701 |
|
|
|
|
|
H17 | ,666 |
|
|
|
|
|
H21 |
| ,932 |
|
|
|
|
H22 |
| ,793 |
|
|
|
|
H23 |
| ,735 |
|
|
|
|
H24 |
| ,721 |
|
|
|
|
H31 |
|
| ,909 |
|
|
|
H32 |
|
| ,835 |
|
|
|
H33 |
|
| ,795 |
|
|
|
H41 |
|
|
| ,986 |
|
|
H42 |
|
|
| ,749 |
|
|
H43 |
|
|
| ,674 |
|
|
H51 |
|
|
|
| ,728 |
|
H52 |
|
|
|
| ,704 |
|
H53 |
|
|
|
| ,651 |
|
H54 |
|
|
|
| ,595 |
|
AI2 |
|
|
|
|
| ,933 |
AI1 |
|
|
|
|
| ,577 |
Eigenvalues |
|
|
|
|
|
|
Phương sai trích % |
|
|
|
|
|
|
Nguồn: Tính toán của nhóm tác giả
Phân tích hồi quy tuyến tính
Kiểm định sự phù hợp của mô hình
Hệ số R2 điều chỉnh = 0,234, nghĩa là 5 biến độc lập giải thích được 23,4% sự biến thiên của biến phụ thuộc, hay nói cách khác, các biến độc lập giải thích được khoảng 23,4% phương sai của biến phụ thuộc (Bảng 4). Trong bảng ANOVA ta có Sig. = 0,000 < 0,05, điều này cho thấy, mô hình phù hợp với tổng thể.
Bảng 4: Kết quả mô hình hồi quy bội
Mô hình | R | R2 | R2 điều chỉnh | Sai số chuẩn |
1 | ,485a | ,236 | ,234 | ,50185 |
Nguồn: Tính toán của nhóm tác giả
Phân tích phương sai ANOVA
Bảng 5 cho thấy, trị số F có mức ý nghĩa với Sig. F = 0,000 < 0,05 có nghĩa là, mô hình hồi quy tuyến tính đưa ra là phù hợp với dữ liệu thực tế thu thập được và các biến đưa vào đều có ý nghĩa trong thông kê với mức ý nghĩa 5%.
Bảng 5: Phân tích phương sai ANOVAa | ||||||
Mô hình | Tổng bình phương | df | Trung bình bình phương | F | Sig. | |
1 | Hồi quy | 19,874 | 8 | 2,484 | 9,864 | ,000b |
Phần dư | 64,475 | 256 | ,252 |
|
| |
Tổng | 84,349 | 264 |
|
|
| |
a. Biến phụ thuộc: AI | ||||||
b. Biến độc lập (Constant), H1, H2, H3, H4, H5 |
Nguồn: Tính toán của nhóm tác giả
Hệ số hồi quy
Hệ số phóng đại phương sai (VIF) của các biến động lập đều < 10 cho thấy, các biến độc lập trong mô hình không có quan hệ chặt chẽ với nhau nên không có hiện tượng đa cộng tuyến xảy ra (Bảng 6). Do đó mối quan hệ giữa các biến độc lập không ảnh hưởng đáng kể đến kết quả giải thích của mô hình hồi quy.
Bảng 6: Kết quả phân tích hồi quy
Mô hình | Hệ số hồi quy chưa chuẩn hóa | Hệ số hồi quy chuẩn hóa | t | Sig. | Thống kê đa cộng tuyến | |||
B | Sai số chuẩn | Beta | Tolerance | VIF | ||||
(Hằng số) | 1,687 | ,346 |
| 4,868 | ,000 |
|
| |
H1 | ,283 | ,057 | ,295 | 4,974 | ,000 | ,904 | 1,106 | |
H2 | ,188 | ,059 | ,213 | 3,190 | ,002 | ,748 | 1,337 | |
H3 | ,104 | ,053 | ,113 | 1,941 | ,053 | ,876 | 1,141 | |
H4 | -,019 | ,038 | -,027 | -,490 | ,625 | ,966 | 1,035 | |
H5 | ,060 | ,032 | ,107 | 1,857 | ,064 | ,905 | 1,105 | |
a. Biến phụ thuộc: AI |
| |||||||
Nguồn: Tính toán của nhóm tác giả
Kiểm định ý nghĩa của hệ số hồi quy đối với 5 nhân tố ảnh hưởng tới Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng cho thấy, có 3 biến là H3, H4, H5 có mức Sig. > 0,05, không có ý nghĩa thống kê nên bị loại khỏi mô hình. 2 biến H1 và H2 lần lượt có hệ số Beta chuẩn hóa là 0,295 và 0,213, nên có tác động tích cực lên Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng (Bảng 6).
Bên cạnh đó kiểm định hệ số Skweness có giá trị lớn nhất là 0,240 và giá trị nhỏ nhất là -1,322 nằm trong khoảng [-1;+0,5] (giá trị -1,322 và -1,014 < -1 không đáng kể) và hệ số Kurtosis có giá trị lớn nhất là 2,052 và nhỏ nhất là -0,727 nằm trong khoảng [-2;+2] (giá trị 2,052 > 2 không đáng kể). Vì vậy, các nhân tố trong mô hình đảm bảo tính phân phối chuẩn.
KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ
Kết quả nghiên cứu xác định có 2 nhân tố ảnh hưởng trực tiếp đến Hiệu quả áp dụng AI trong quản lý chuỗi cung ứng đó là: Tăng cường dự đoán chính xác; Tối ưu hoá quy trình. Dựa vào kết quả phân tích thực nghiệm, nghiên cứu đưa ra các lý giải với hàm ý quản trị như sau:
Về nhân tố Tăng cường dự đoán chính xác. Mặc dù AI nâng cao độ chính xác của dự đoán, nhưng nó vẫn dựa vào dữ liệu và mẫu lịch sử. Do đó, những gián đoạn không lường trước được hoặc những thay đổi nhanh chóng của thị trường có thể thách thức tính chính xác của nó, nên trong ứng dụng AI đòi hỏi phải có sự giám sát và điều chỉnh thích ứng liên tục.
Về nhân tố Tối ưu hóa quy trình. Trong việc tối ưu hóa quy trình dựa trên AI, thì yêu cầu tích hợp dữ liệu và hiệu chỉnh mô hình một cách tỉ mỉ là rất cao. Sự phức tạp khi triển khai có thể phát sinh, đòi hỏi chuyên môn để tinh chỉnh các thuật toán và đảm bảo tích hợp liền mạch giữa các quy trình khác nhau.
Về nhân tố Dự báo và quản lý rủi ro. Mặc dù AI hỗ trợ dự đoán sự cố tốt, nhưng AI có thể không lường trước được các sự kiện hoàn toàn chưa từng có. Vì vậy, khi ứng dụng AI vào dự báo, thì hiệu quả phụ thuộc rất nhiều vào chất lượng dữ liệu được đưa vào mô hình và khả năng xử lý các tình huống mới.
Về nhân tố Tối ưu hóa quản lý tồn kho. Khả năng tối ưu hóa hàng tồn kho của AI phụ thuộc vào dự báo nhu cầu chính xác. Nên trong trường hợp không hoàn hảo, AI có thể phải vật lộn với những thay đổi đột ngột trong mô hình nhu cầu hoặc sự gián đoạn ảnh hưởng đến chuỗi cung ứng. Điều này, đòi hỏi phải có các chiến lược giảm thiểu rủi ro bổ sung trong ứng dụng AI.
Về nhân tố Cung cấp phản hồi ngay lập tức theo thời gian thực. Thông tin chuyên sâu về thời gian thực của AI phụ thuộc vào tính sẵn có của dữ liệu và tốc độ xử lý. Vì vậy, nếu chất lượng dữ liệu không đầy đủ hoặc có độ trễ có thể ảnh hưởng đến khả năng phản hồi của hệ thống./.
Tài liệu tham khảo
1. Agarwal, S., Kumar, S., and Goel, U. (2019), Stock market response to information diffusion through internet sources: A literature review, International Journal of Information Management, 45, 118-131.
2. Austin, P., Tu, J., Ho, J., Levy, D., and Lee, D. (2013), Using methods from the data-mining and machine-learning literature for disease classification of heart failure subtypes, Journal of Clinical Epidemiology, 66(4), 398-407.
3. Collins, J., Youngdahl, B., Jamison, S., Mobasher, B., and Gini, M. (1998), A market architecture for multi-agent contracting, Proceedings of the second international conference on Autonomous agents, 285-292.
4. Dejoux, C., and L ́eon, E. (2018), Métamorphose des managers à l’ère du numérique et de l’intelligence artificielle, France: Pearson.
5. Denis Dennehy (2020), Ireland post - pandemic:Utilizing AI to kick-start economic recovery, Cutter Business Technology Journal, 33(11), 22-27.
6. F. Robert Jacobs và Richard B. Chase (2015), Quản trị vận hành và chuỗi cung ứng, Nxb Kinh tế TP. Hồ Chí Minh.
Nguyễn Quỳnh Lâm - Trường Đại học Công nghệ Thành phố Hồ Chí Minh
Nguyễn Quỳnh Phương - Trường Đại học Hoa Sen
(Theo Tạp chí Kinh tế và Dự báo, số 01, tháng 01/2024)
Bình luận