從以上所探討的文獻可知目前與半導體晶圓製造生產排程相關的文獻，主 要皆集中在現場生產作業控制方面。過去一些成效良好的派工法則[43] [46]
[47]，大都依據晶圓廠之生產目標所設計，如追求最大化的產出或最小化的生產 週期時間。然而，由於使用不同的派工法則會影響到不同的生產績效衡量，因此，
使用派工法則可以使生產系統（或機台）之特定績效最佳化，但相對地亦會使得 某些績效不佳。故到目前為止並無任一派工法則堪稱最佳，也沒有任一法則可達 到全部績效最佳化的目標。
此外，這些派工法則的設計大多皆以理論的觀點及條件限制，來達成特定 的生產績效，這樣的做法不僅無法完全滿足產能規劃的整體生產目標，也因缺乏 考量客觀條件（指標間的衝突關係）的著眼點，將可能導致所設計的派工法則並
無法與現今晶圓製造廠的生產排程相契合。而事實上，晶圓製造廠為便利現場排 程之作業，實際採用之派工法則仍以過去較為簡單之方法為主。
而績效指標是用來衡量生產系統之績效好壞，並指出系統目前所處的狀 況，以提供生管人員能夠因應不同生產特徵因素做出一較佳的決策。然而，晶圓 製程步驟複雜、生產週期時間長、再回流次數多等因素，無法以單一的績效指標 來評估績效，需要同時使用數個績效指標來評估績效。在以往的研究文獻中曾提 到，在製品存貨水準與生產成本、達交績效的關係密切，當在製品量增加時，將 導致產品在系統中等候加工的時間提高，導致造成顧客交期延誤、生產變異增加 等不良影響。因此，如何權衡在製品存貨水準、生產週期時間、機台利用率與系 統產出量四者之間關係，一直是個重要的研究方向。
晶圓製程的高複雜性環境，使得在生產系統中常存在許多不同的生產特徵 因素，如產品組合、緊急批量、機台當機等。而這些因素（生產現象）也經常會 影響系統之生產績效表現，像是在產能利用率低時，緊急訂單的插入不僅不會影 響其他批量的生產績效，反而有可能會提高產能的使用狀況；反之，當產能滿載 時，緊急訂單的批量卻可能造成一般訂單的批量生產週期時間的提高，進而導致 在製品水準增加，良率降低。因此，根據不同的生產狀況調整現場派工策略將有 助提升生產系統的整體績效。
本章係對本研究之參考文獻作一完整之回顧探討，包含派工法則、生產績 效指標與生產特徵因素。
第三章 第三章 第三章
第三章 研究方法 研究方法 研究方法 研究方法
本章將詳細說明 ANP 之理論方法，並介紹如何由該理論方法建構出本研究 之 ANP 派工法則評估模式。文中將研究理論方法與應用分為四個章節，且於最 後一節中介紹電腦輔助決策軟體 Super Decision，用以協助運算 ANP 模型之群組 中的各個準則相對優勢度排序。
圖 3.1 為表示各章節之間的關連性，圖中說明了本研究由 3.1 與 3.2 節所之 內容建構了 3.3 節中本研究之 ANP 派工法則評估模式，並應用 3.4 節所介紹之電 腦輔助決策軟體來運算該模式中所有群組之各個準則的相對權重。
圖3.1 第三章各章節之關連性
3.1 ANP 理論 理論 理論 理論概述 概述 概述 概述
近年來分析層級程序法（Analytic Hierarchy Process；AHP）已廣泛應用於系 統決策分析，其核心是將系統劃分層次，且只考慮上層元素對下層元素的支配作 用，並假設同一層中的元素彼此獨立。但在許多的實際問題中，各準則層次內部 的元素之間經常為相依存的，低層元素對高層元素也有支配作用，即存在回饋關
3.1 ANP 理論概述 3.2 ANP 決策流程
3.3 ANP 派工法則評估模式
3.4 Super Decision
第 4 章 實證研究與分析
係，此時系統的結構類似於網路結構，而 ANP 法的產生便是用於解析此種網路 系統結構問題[1]。
ANP 法為 Saaty [56]於 1975 年所提出，係由 AHP 法所延伸而來。Saaty 將 AHP 法加上回饋機制，使其可處理問題的相依及回饋關係，並透過比例尺度
（Ratio Scales）之獲取，來預測所有準則、目標、方案間精確的內部關係，甚至 用來做最佳決策。
ANP 法之結構關係如圖 3.2 所示[1]。首先可將系統分為兩大部分，第一個 部分為控制層（Control Hierarchy），係指包括問題目標（Goal）、決策準則（Criteria）
及次準則（Subcriteria）之間的網路關係，它影響著系統之間的內部關係。第二 部分為網路層（Network Hierarchy），是指要素（Element）與群組（Clusters）之 間互相影響的網路關係。
圖3.2 ANP之結構關係示意圖 [1]
ANP 法之問題架構如圖 3.3 所示，其網路關係除了可呈現出準則與準則之間 的關聯性外，亦可計算每個準則之間的相對權重（特徵向量）以形成一個超矩陣
（Super Matrix）；最後，藉由超矩陣關係運算並經綜合評價後，即可求得各評估 準則與方案間之相互依存關係之優先權重值。而優先權重值愈大者，則表示被採 納之優先順序愈高，如此即可選擇出最適宜之方案[57]。因此，在進行決策時，
運用 ANP 法所得之權重量化結果，使其在進行群體決策及評估結果時更具理論
及實用基礎之信賴度。
圖3.3 ANP法之問題架構示意圖 [55]
本研究將過去曾使用 ANP 法之相關文獻作一歸納整理，如表 3.1 所示。
表3.1 ANP相關文獻
1986
學者 Saaty及Takizawa [55]
研究內容
提出矩陣應用方法來解決ANP法之網路結構，其方法類似 於AHP法，但裡面主要考慮準則之間，以及準則與選擇方 案之間的相依關係。
1999
學者 Meade 及 Sarkis [50]
研究內容 提出利用ANP法進行決策分析以評估方案，並幫助組織變 得較敏捷，可改善企業程序的特定目標。
學者 黃雪晴[16]
研究內容
加入專家決策所需之模糊理論之ANP分析方法進行分析 後，得到國內資訊電子業廠商在選擇聯盟夥伴時，最需要 夥伴擁有技術資源之互補以及策略營運政策之互補。
表3.1 ANP相關文獻（續） 法（Factor Analysis；FA），篩選專案困難度影響因子，再 利用ANP法決定各項影響因子之相對權重，進而建立一評 估專案之困難度指標。
2005
學者 Jharkharia及Shankar [39]
研究內容
3.2 ANP決策流程 決策流程 決策流程 決策流程
處理複雜的問題時，必需利用有系統的方式加以分析。除AHP法外，ANP 法亦秉承此一精神。當應用ANP法處理較複雜的決策問題，同時利用問卷方式調 查多數專家對要素重要程度的判斷時，整個ANP法決策流程步驟詳見3.2.1節。
3.2.1 ANP法之 法之 法之流程 法之 流程 流程 流程步驟 步驟 步驟 步驟
【步驟1】 界定決策問題與成立決策群體（Problem Structuring and Expert Group）
根據決策問題的本質，將可能影響決策問題之因素均納入探討，以界定決策 問題的範圍。根據決策問題所涉及的領域及複雜的程度，匯集相關領域的專家意 見，以成立決策群體。一般而言，專家人數不宜太多，以5-15人較佳，如果為單 一決策者時，則此一步驟可以省略[19]。
【步驟2】 構建問題之網路階層結構（Construct Model Construction）
經由整理歸納決策之問題的相關資訊，找出影響決策問題之考量因素，包括 目標、準則以及可行方案或計畫等。在問題結構中，每一層級間可具有相互依存 的關係，其利用迴圈弧形（Loop Arcs）以表示相互回饋之關係，如圖3.4之網路 層級評估模式架構圖所示。
圖3.4 ANP網路層級評估模式架構圖 [56]
【步驟3】 問卷調查與專家偏好整合（Questionnaire Survey）
根據問題之網路層級結構，每一要素在其上層要素作為評估基準下，由專家 進行要素間之相對重要性程度判斷。一般藉由問卷方式進行調查，同時問卷必須 清楚地陳述每一成對比較問題，以協助專家的判斷。
當決策者只有一位時，其判斷的結果並不涉及偏好的整合。但若有多位專家 進行評估時，因為每位專家對問題的認知不同，所得到的成對比較權重值也不 同，最後得到替代方案或計畫的重要性程度也不同，所以必須進行專家偏好的整 合。偏好整合的方法甚多，基於判斷容易與計算簡單的考量下，可利用決策群體 權重的平均值，進行專家偏好整合。平均值的計算方法，包括算術平均（Arithmetic Mean）與幾何平均（Geometric Mean）兩種方式，Saaty [54]認為幾何平均法之 結果較佳。
【步驟4】 建立成對比較矩陣（Pairwise Comparisons Matrices and Eigenvectors）
根據整合後專家之判斷偏好，即可得到多個各評估準則與方案間之成對比較
矩陣。ANP法係採用1-9之評估尺度，因此藉由求取成對比較矩陣之特徵向量值，
圖3.5 外部及內部關係之成對比較示意圖
【步驟5】 一致性檢定（Consistency Test）
在ANP法中，決策者或專家的判斷偏好必須具遞移性，即滿足以下關係。然 而人為的判斷常無法完全滿足下式的條件，因此，必須要經過一致性檢定
（Consistency Test）的程序。
ik jk
ij a a
a ⋅ = ，∀i ,, j k (3-2)
其中， aij 表示要素 i 對要素 j 之相對重要性。
ajk 表示要素 j 對要素 k 之相對重要性。
aik 表示要素 i 對要素 k 之相對重要性。
一致性檢定係根據成對比較矩陣的一致性比率（Consistency Ratio；C.R.）進 行檢定，其定義為
. .
. . . . RI
I R C
C = (3-3)
其中，C.I. 表示一致性指標（Consistency Index；C.I.）。
R.I. 表示隨機指標（Random Index；R.I.）。
一致性指標（C.I.）為最大特徵值與階層數之差異程度，可作為判斷一致性 高低的評量準則，其定義為
. 1 . max
−
= − n I n C
λ
(3-4) 目標
準則 2 準則 3
準則 1 外部關係
內部關係
其中，λmax 表示最大特徵值。
n 表示階層數。
若C.I.=0時，表示要素之相對重要程度的判斷完全具一致性；若C.I.>0時，
則表示決策者或專家的判斷不一致。Saaty [54]曾建議 C.I. < 0.1時，可獲得令人 滿意的一致性，但最大可容許的誤差程度為 C.I. < 0.2。
隨機指標（R.I.）由隨機產生之正倒值矩陣而來，R.I.值根據成對比較矩陣的 階數而定，即根據成對比較要素的個數 n 而定，詳如表3.2所示。
表3.2 隨機指標（R.I.）表
n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.53 1.56 1.57
資料來源：Saaty [54]
一般而言，當C.R. ≦ 0.1，表示該成對比較判斷矩陣的一致性程度令人滿意，
一般而言，當C.R. ≦ 0.1，表示該成對比較判斷矩陣的一致性程度令人滿意，