การวิเคราะห์ปัจจัยที่ส่งผลต่อการตอบสนองโซ่อุปทาน ตามแนวคิดแบบจำลองอ้างอิงการดำเนินงานโซ่อุปทานของอุตสาหกรรมที่ใช้อลูมิเนียมในการผลิต
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษา (1) การวิเคราะห์กระบวนการดำเนินงานภายในโซ่อุปทาน และ (2) เปรียบเทียบการบูรณาการปัจจัยภายใน และปัจจัยภายนอกที่มีผลต่อการตอบสนองโซ่อุปทาน โดยใช้หลักแนวคิดแบบจำลองอ้างอิงการดำเนินงานโซ่อุปทานที่ดูการบูรณาการ ระหว่างองค์กร ซัพพลายเออร์ ลูกค้า และกระบวนการภายใน ต่างจากงานวิจัยในอดีตส่วนใหญ่ที่ไม่ได้คำนึงถึง แต่อิงผลลัพธ์สุดท้าย งานวิจัยนี้เป็นการวิจัยเชิงปริมาณ เก็บรวบรวมข้อมูลโดยใช้แบบสอบถามจากประชากรในกลุ่มอุตสาหกรรมปลายน้ำที่ใช้อลูมิเนียมในการผลิต 3 กลุ่มหลัก ได้แก่ ด้านก่อสร้าง ด้านอาหาร เครื่องดื่ม บรรจุภัณฑ์ และด้านยานยนต์ โดยการสุ่มตัวอย่างแบบเจาะจง จำนวน 552 ตัวอย่าง ใช้การวิเคราะห์ข้อมูลด้วยแบบจำลองสมการโครงสร้าง
ผลการวิจัยพบว่า (1) อุตสาหกรรมด้านก่อสร้าง และยานยนต์เน้นการวิเคราะห์กระบวนการผลิตมากกว่าการวางแผน ในขณะที่อุตสาหกรรมด้านอาหาร เครื่องดื่ม บรรจุภัณฑ์เน้นการวิเคราะห์กระบวนการวางแผนมากกว่าการผลิต โดยมีปัจจัยการสนับสนุนระบบข้อมูลภายในเป็นตัวช่วย เพื่อให้มีการตอบสนองโซ่อุปทานได้ดีขึ้น (2) การบูรณาการปัจจัยภายในส่งผลต่อการตอบสนองโซ่อุปทานมากกว่าการบูรณาการปัจจัยภายนอกในทุกอุตสาหกรรมอย่างมีนัยสำคัญ และการบูรณาการทั้งหมดระหว่างองค์กร ซัพพลายเออร์ และลูกค้าส่งผลต่อการตอบสนองโซ่อุปทานอย่างมีนัยสำคัญเช่นกัน งานวิจัยนี้จะมีส่วนช่วยให้ผู้บริหารนำไปวิเคราะห์แก้ไขปัญหาในอุตสาหกรรม และช่วยส่งเสริมงานวิชาการด้านการปรับปรุงโซ่อุปทานให้กับนักวิชาการได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารวิทยาการจัดการ มหาวิทยาลัยสงขลานครินทร์ อย่างไรก็ตาม กองบรรณาธิการไม่สงวนลิขสิทธิ์ในการทำซ้ำ คัดลอก หรือเผยแพร่ แต่จะต้องอ้างอิงให้ถูกต้องตามหลักวิชาการ
เอกสารอ้างอิง
Alimo, P. K. (2020). Reducing Post Harvest Losses of Fruits and Vegetables through Supply Chain Performance Evaluation: An illustration of the application of SCOR Model. International Journal of Logistics Systems and Management, 38(3), 384-407.
Amsakul, K. (2018). Insights into the aluminum industry with factors that should not take their eyes. SCB Economic Intelligence Center, Retrieved July 17, 2021, from https://www.scbeic.com/th/detail/product/4551
Ayyildiz, E., & Gumus, A. T. (2020). Interval-valued Pythagorean fuzzy AHP method-based supply chain performance evaluation by a new extension of SCOR model: SCOR 4.0. Complex & Intelligent Systems, 7(1), 559-576.
Batori, Z. (2010). Supply chain intelligence: Benefits, Techniques and Future trends. Proceedings of the 8th International Conference on Management, Enterprise and Benchmarking Obuda University, Budapest Hungary, 233-240.
Christopher, M. (1994). Logistics and Supply Chain Management: Strategies for Reducing Cost and Improving Services. Journal of the Operational Research: Research Society, 45(11), 1341.
Giannakis, M., Spanaki, K., & Dubey, R. (2019). A cloud-based supply chain management system: effects on supply chain responsiveness. Journal of Enterprise Information Management, 32(4), 585-607.
Gunasekaran, A., Patel, C., & Tittiroglu, E. (2001). Performance measures and metrics in a supply chain environment. International Journal of Operations & Production Management, 21(1/2), 71-87.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis (7th ed.). US: Pearson Education.
Hasibuan, A., Arfah, M., Parinduri, L., Hernawati, T., Suriawati, Harahap, B., Sibuea, S. R., Sulaiman, O. K., & Purwadi, A. (2018). Performance analysis of Supply Chain Management with Supply Chain Operation Reference Model. Journal of Physics: Conference Series, 1007(1), 1-8.
Huang, S. H., Sheoran, S. K., & Keskar, H. (2005). Computer-assisted supply chain configuration based on supply chain operations reference (SCOR) model. Computers & Industrial Engineering, 48(2), 377-394.
Hwang, G., Han, S., Jun, S., & Park, J. (2014). Operational Performance Metrics in Manufacturing Process: Based on SCOR Model and RFID Technology. International Journal of Innovation Management and Technology, 5(1), 50-55.
Iron and Steel Institute of Thailand. (2014). A complete report on the state of the non-ferrous metal industry survey. (Non-ferrous metals): Aluminum under the Steel and Metal Industry Insights Center Development Project, fiscal year 2014. Retrieved May 24, 2021, from https://iiu.isit.or.th/
Jackson, D. L. (2001). Sample size and number of parameters estimates in maximum likelihood confirmatory factor analysis: A Monte Carlo investigation. Structural Equation Modeling, 8(2), 205-223.
Kamble, S., Desai, A., & Vartak, P. (2015). Data Mining and Data Warehousing for Supply Chain Management. Proceeding of Conference on Communication, Information & Computing Technology Mumbai University, India, 1-6.
Kamble, S. S., Gunasekaran, A., & Gawankar, S. A. (2020). Achieving sustainable performance in a data-driven agriculture supply chain: A review for research and applications. International Journal of Production Economics, 219, 179-194.
Kaplan, R. S., Robert, N. P. D. K. S., Kaplan, R. S., & Norton, D. P. (2001). The strategy-focused organization: How balanced scorecard companies thrive in the new business environment. Harvard Business Press.
Kasi, V. (2005). Systemic Assessment of SCOR for Modeling Supply Chains. Proceeding of the 38th Annual Hawaii International Conference on System Sciences, 87b-87b.
Kim, S. W. (2009). An investigation on the direct and indirect effect of supply chain integration on firm performance. International Journal of Production Economics, 119(2), 328–346.
Lepori, E., Damand, D., & Barth, B. (2013). Benefits and limitations of the SCOR model in warehousing. 7th International Federation of Automatic Control, Volumes, 46(9), 424-429.
Luo, L., Jin, X., Shen, G. Q., Wang, Y., Liang, X., Li, X., & Li, C. Z. (2020). Supply chain management for prefabricated building projects in Hong Kong. Journal of Management in Engineering, 36(2), 05020001.
Mefford, R. N. (2011). The economic value of a sustainable supply chain. Business and Society Review, 116(1), 109-143.
Qrunfleh, S., & Tarafdar, M. (2014). Supply chain information systems strategy: Impacts on supply chain performance and firm performance. International Journal of Production Economics, 147, 340-350.
Shaharudin, M. R., Tan, K. C., Kannan, V., & Zailani, S. (2019). The Mediating Effects of Product Returns on the Relationship between Green Capabilities and Closed-loop Supply Chain Adoption. Journal of Cleaner Production, 211, 233-246.
Supply Chain Council. (2010). Supply Chain Operations Reference Model Version 10.0. The Supply Chain Council, Inc., pp.856.
Trkman, P., McCormack, K., De Oliveria, M. P. V., & Ladeira, M. B. (2010). The impact of business analytics on supply chain performance. Decision Support Systems, 49(3), 318-327.
Wang, C. N., Nguyen, V. T., Chyou, J. T., Lin, T. F., & Nguyen, T. N. (2019). Fuzzy multicriteria decision-making model (MCDM) for raw materials supplier selection in plastics industry. Mathematics, 7(10), 981.
Yu, W., Jacobs, M. A., Salisbury, W. D., & Enns, H. (2013). The effects of supply chain integration on customer satisfaction and financial performance: An Organizational learning perspective. International Journal of Production Economics, 146(1), 346-358.
Zhang, Y., Guo, Z., Lv, J., & Liu, Y. (2018). A framework for smart production-logistics systems based on CPS and industrial IoT. Institute of Electrical and Electronics Engineers Transactions on Industrial Informatics, 14(9), 4019-4032.
