Accurate data collection is essenti

Accurate data collection is essential for appropriate performance analysis and is the key in decision-making. However in
reality, due to a variety of reasons, accurate data are not always readily available or are very difficult to capture. Other difficulties,
such as the non-existence of processes in the “to-be” scenarios also pose great challenges for performance analysis.
Parameters provided by the industry or public domain data sometimes have to be used during the data collection phase. This
gives no guarantee of the accuracy of the performance analysis due to the difference in terms of operational environment,
operational efficiency, data consistency and even the accuracy of the data available. Sometimes, the data sources provided do
not differentiate the types of equipment used and might be at a high aggregated level. One example is in Roso's (2007) study
where the CO2 emission for trucks is estimated as 1 kg/km; while in the study by Liao, Tseng, and Lu (2009), CO2 emission is
estimated as 155 g/tonne km. Clearly, the second data source provides a more accurate measurement since it gauges both
weight and distance.
To remedy such disadvantages brought by these types of data, mathematical or simulation models can be constructed to
enable further investigation of the impacts of different variables. If we take container distribution as an illustrative example,
we can see that in order to transport a certain number of containers, different types of trucks can be used (e.g., B-double,
Super B-double, Super B-triple, etc.). It is possible to work out the number of trips that need to be taken to completely
transport these containers and then treat the CO2 emissions as a variable in mathematical models. This will facilitate the
analysis of the impact of the variable on the overall system.
Sometimes, it is not enough to only look at the mathematical model, since a lot of other factors are also changing. Again
using the container distribution example, it is important to take factors such as the volatile business environment (and
therefore not constant container flows), fast moving fuel prices (therefore no fixed cost for each trip), seasonality demand of
transport equipment (therefore a limitation to the available transport options) into consideration and assess the impacts of
these factors on the decision making process of transport network design. Mathematically modelling these types of changes
would almost be impossible since the level of complexity increases significantly if such uncertainties are to be taken into
account. Simulation models can be a substitute for mathematical models and allow the decision makers to play with a lot of
combinations of different parameters. Variables can still be embedded into the simulation models to enable further analysis
once the simulation runs are completed.

ผลลัพธ์ (ไทย) 2:

การเก็บรวบรวมข้อมูลที่ถูกต้องเป็นสิ่งจำเป็นสำหรับการวิเคราะห์ผลการดำเนินงานที่เหมาะสมและเป็นกุญแจสำคัญในการตัดสินใจ แต่ใน
ความเป็นจริงเนื่องจากความหลากหลายของเหตุผลข้อมูลที่ถูกต้องไม่ได้เสมอพร้อมหรือเป็นเรื่องยากมากที่จะจับ ปัญหาอื่น ๆ
เช่นไม่ดำรงอยู่ของกระบวนการในการ "ให้เป็น" สถานการณ์ยังก่อให้เกิดความท้าทายที่ยิ่งใหญ่สำหรับการวิเคราะห์ผลการดำเนินงาน.
พารามิเตอร์โดยอุตสาหกรรมหรือข้อมูลโดเมนสาธารณะบางครั้งต้องนำมาใช้ในระหว่างขั้นตอนการเก็บรวบรวมข้อมูล นี้
จะช่วยให้การรับประกันความถูกต้องของการวิเคราะห์ผลการดำเนินงานไม่มีเนื่องจากความแตกต่างในแง่ของสภาพแวดล้อมในการปฏิบัติงาน,
ประสิทธิภาพการดำเนินงานสอดคล้องของข้อมูลและความถูกต้องของข้อมูลที่มีอยู่ บางครั้งแหล่งข้อมูลที่ให้ไว้ไม่
ได้แยกความแตกต่างชนิดของอุปกรณ์ที่ใช้และอาจจะอยู่ในระดับสูงรวม ตัวอย่างหนึ่งคือใน Roso ของ (2007) การศึกษา
ที่ปล่อยก๊าซ CO2 สำหรับรถบรรทุกประมาณ 1 กก. / กิโลเมตร; ในขณะที่การศึกษาโดยเหลียวเซ่งส์และลู (2009), การปล่อยก๊าซ CO2 ได้
ประมาณ 155 กรัม / ตันกม. เห็นได้ชัดว่าแหล่งข้อมูลที่สองให้วัดที่ถูกต้องมากขึ้นเนื่องจากเป็นมาตรวัดทั้ง
น้ำหนักและระยะทาง.
เพื่อแก้ไขข้อเสียดังกล่าวนำโดยเหล่านี้ประเภทของข้อมูลแบบจำลองทางคณิตศาสตร์หรือการจำลองสามารถสร้างขึ้นมาเพื่อ
ช่วยให้การตรวจสอบต่อไปของผลกระทบของตัวแปรที่แตกต่างกัน ถ้าเราใช้เวลาการกระจายภาชนะเป็นตัวอย่างตัวอย่าง,
เราจะเห็นว่าในการสั่งซื้อเพื่อการขนส่งจำนวนหนึ่งของภาชนะบรรจุและชนิดของรถบรรทุกสามารถนำมาใช้ (เช่น B-คู่
ซูเปอร์ B-คู่ซูเปอร์ B-สาม ฯลฯ ) มันเป็นไปได้ในการทำงานจากจำนวนของการเดินทางที่จำเป็นจะต้องดำเนินการอย่างสมบูรณ์
การขนส่งตู้คอนเทนเนอร์เหล่านี้แล้วรักษาปล่อย CO2 เป็นตัวแปรในแบบจำลองทางคณิตศาสตร์ ซึ่งจะอำนวยความสะดวกใน
การวิเคราะห์ผลกระทบของตัวแปรในระบบโดยรวม.
บางครั้งก็ไม่เพียงพอที่จะเพียง แต่ดูที่แบบจำลองทางคณิตศาสตร์เนื่องจากหลายปัจจัยอื่น ๆ ที่ยังมีการเปลี่ยนแปลง อีกครั้ง
โดยใช้ตัวอย่างเช่นการกระจายภาชนะที่มันเป็นสิ่งสำคัญที่จะใช้ปัจจัยเช่นสภาพแวดล้อมทางธุรกิจที่มีความผันผวน (และ
ดังนั้นจึงไม่ภาชนะกระแสคงที่) ที่เคลื่อนไหวอย่างรวดเร็วของราคาน้ำมันเชื้อเพลิง (ดังนั้นจึงไม่มีค่าใช้จ่ายคงที่สำหรับการเดินทางแต่ละครั้ง) ความต้องการตามฤดูกาลของ
อุปกรณ์การขนส่ง (ดังนั้น ถึงตัวเลือกการขนส่งมี) เข้าสู่การพิจารณาและประเมินผลกระทบของ
ปัจจัยเหล่านี้ในขั้นตอนการตัดสินใจของการออกแบบเครือข่ายการขนส่ง การสร้างแบบจำลองทางคณิตศาสตร์ประเภทนี้ของการเปลี่ยนแปลง
เกือบจะเป็นไปไม่ได้เพราะระดับของความซับซ้อนที่เพิ่มขึ้นอย่างมีนัยสำคัญถ้าความไม่แน่นอนดังกล่าวจะต้องนำมา
พิจารณา แบบจำลองสามารถเป็นตัวแทนสำหรับแบบจำลองทางคณิตศาสตร์และอนุญาตให้ผู้มีอำนาจตัดสินใจในการเล่นที่มีจำนวนมากของ
การรวมกันของพารามิเตอร์ที่แตกต่างกัน ตัวแปรที่ยังคงสามารถฝังตัวในแบบจำลองเพื่อให้การวิเคราะห์ต่อไป
เมื่อวิ่งจำลองจะเสร็จสมบูรณ์

ผลลัพธ์ (ไทย) 3:

การเก็บรวบรวมข้อมูลที่ถูกต้องเป็นสิ่งจำเป็นสำหรับการวิเคราะห์สมรรถนะที่เหมาะสมและเป็นกุญแจสำคัญในการตัดสินใจ อย่างไรก็ตามใน
ความเป็นจริง เนื่องจากความหลากหลายของเหตุผล ข้อมูลที่ถูกต้อง จะไม่เสมอพร้อมใช้งานหรือเป็นยากมากที่จะจับ ปัญหาอื่น ๆ ,
เช่นการดำรงอยู่ของกระบวนการในองค์กร " เป็น " สถานการณ์ยังก่อให้เกิดความท้าทายที่ยิ่งใหญ่สำหรับการวิเคราะห์ประสิทธิภาพ .
พารามิเตอร์โดยอุตสาหกรรมหรือข้อมูลโดเมนสาธารณะบางครั้งต้องใช้ในการเก็บ รวบรวมข้อมูล เฟส นี้
ไม่รับประกันความถูกต้องของการวิเคราะห์ประสิทธิภาพเนื่องจากความแตกต่างในแง่ของสิ่งแวดล้อมปฏิบัติการ
ประสิทธิภาพการดําเนินงาน ความสอดคล้องของข้อมูลและความถูกต้องของข้อมูล พร้อมใช้งาน บางครั้ง ข้อมูลที่ให้ทำ
ไม่แยกประเภทของอุปกรณ์ที่ใช้ และ อาจจะที่ สูง รวม ระดับ ตัวอย่างหนึ่งคือใน roso ( 2550 ) การศึกษา
ที่มีการปล่อยก๊าซ CO2 สำหรับรถบรรทุกประมาณ 1 กิโลกรัม / km ; ในขณะที่ในการศึกษาโดย Liao เช็ง และลู่ ( 2009 ) , คาร์บอนไดออกไซด์เป็นประมาณ 155 กรัม /
เป็นตันกิโลเมตร ชัดเจน , แหล่งข้อมูลที่สองมีการวัดที่ถูกต้องมากกว่า เพราะมันมีทั้งน้ำหนักและระยะทาง

.เพื่อแก้ไขข้อเสียดังกล่าวนำโดย เหล่านี้ประเภทของข้อมูล แบบจำลองทางคณิตศาสตร์หรือแบบจำลองสามารถสร้าง

เปิดการสอบสวนเพิ่มเติมผลกระทบของตัวแปรต่าง ๆ ถ้าเรารับการบรรจุเป็นตัวอย่าง
, เราสามารถดูได้ว่าในการสั่งซื้อเพื่อการขนส่งจํานวนภาชนะ ประเภทที่แตกต่างกันของรถบรรทุกสามารถใช้ ( เช่น B - Double ,
Super B - Double ,ซูเปอร์ b-triple ฯลฯ ) มันเป็นไปได้ที่จะทำงานออกจำนวนของการเดินทางที่ต้องไปขนส่งเลย
ภาชนะเหล่านี้ และรักษาการปล่อย CO2 เป็นตัวแปรในแบบจำลองทางคณิตศาสตร์ นี้จะอำนวยความสะดวก
การวิเคราะห์ผลกระทบของตัวแปรในระบบโดยรวม
บางครั้ง มันไม่เพียงพอที่จะดูแบบจำลองทางคณิตศาสตร์เท่านั้นเนื่องจากหลายปัจจัยอื่น ๆ นอกจากนี้ยังมีการเปลี่ยนแปลง การใช้ภาชนะอีก
ตัวอย่าง มันเป็นสิ่งสำคัญที่จะใช้ปัจจัย เช่น สภาพแวดล้อมทางธุรกิจที่เปลี่ยนแปลงได้ (
จึงไม่คงที่ภาชนะไหล ) , เคลื่อนที่เร็วราคาเชื้อเพลิง ( ดังนั้นจึงไม่มีต้นทุนคงที่สำหรับแต่ละเที่ยว ) , ความต้องการของ
ฤดูกาลอุปกรณ์การขนส่ง ( จึงมีข้อจำกัดที่จะตัวเลือกการขนส่งที่พร้อมใช้งาน ) ในการพิจารณาและประเมินผลกระทบของ
ปัจจัยเหล่านี้ในกระบวนการตัดสินใจของการออกแบบเครือข่ายการขนส่ง แบบจำลองทางคณิตศาสตร์เหล่านี้ประเภทของการเปลี่ยนแปลง
เกือบจะเป็นไปไม่ได้เนื่องจากระดับของความซับซ้อนที่เพิ่มขึ้นอย่างมีนัยสำคัญหากความไม่แน่นอนดังกล่าวจะถูกนำมา
บัญชีแบบจำลองสามารถแทนแบบจำลองทางคณิตศาสตร์และช่วยให้ผู้ผลิตตัดสินใจที่จะเล่นกับมาก
ชุดของพารามิเตอร์ที่แตกต่างกัน ตัวแปรที่สามารถฝังเข้าไปในแบบจำลองเพื่อให้
การวิเคราะห์ต่อไปเมื่อวิ่งจำลองเสร็จเรียบร้อย