MIT 啤酒遊戲結構探討

現實供應鏈環境中並不存在 MIT 啤酒遊戲的多階單線環境，通常多階的環境應上 游成員對應下游成員是遞增的情況，換言之應該是一個工廠對應兩個或多個配銷商；一 個配銷商對應兩個或多個批發商以此類推。本研究認為在 MIT 啤酒遊戲的環境來看零 售商與工廠之間的批發商和配銷商是多餘的程序，本研究將原始 MIT 啤酒遊戲的不合 理結構做修改，改為兩階式供應鏈環境如圖 14 所示：

18

一方面從圖 15 中可以看出 Demand-pull 庫存機制在第一次模擬與修正後模擬最後皆都 趨於穩定的庫存水準且差異不大，但從 24 期開始兩模擬存貨狀況有明顯不同，也可以 清楚發現修正後的模擬存貨狀況變動較穩定；相對來說在第一次模擬存貨狀況不斷在變 動與調整，管理階層所需投入的心力也相對比第二次模擬高，但績效方面卻不如第二次 模擬好。

圖 15 零售商存貨狀況比較

本研究更進一步從 MIT 啤酒遊戲情境結構方面下手，認為遊戲本身情境結構上不 符合現實供應鏈環境且影響整體供應鏈績效，故打破原本結構後模擬發現 Demand-pull 庫存機制執行績效更好，尤其在缺貨成本方面有顯著的下降；庫存方面則因前置期不變 下，故在庫庫存量需維持 13 週的需求量則庫存成本沒辦法下降太多，關於這方面將牽 涉到 Demand-pull 的庫存機制適用環境的問題，假設可以在此供應鏈情境下增加一個中 央倉庫在零售商與工廠間減少補貨前置時間相信庫存成本方面應該有明顯的改善空間。

也是本研究未來可延伸探討的方面。

‐40

‐20 0 20 40 60 80 100

1 4 7 101316192225283134374043464952

第二次模擬零售商存 貨狀況

第一次模擬零售商存 貨狀況

19

第四章 結論與後續研究

本研究將 Demand-pull 庫存機制套入 MIT 啤酒遊戲所得到的績效明顯比原始蒐集到 的數據績效好很多，再次驗證 Demand-pull 庫存機制是一個良好庫存機制並且可提供 MIT 啤酒遊戲參與者一個不錯的解決方法，也解決過去讓遊戲參與者了解長鞭效應問題 後，但是卻沒提供遊戲參與者解決此效應方法窘境。而在第一次模擬與修正後模擬兩者 主要驗證 Goldratt 博士認為長鞭效應形成另一個重要主因為當決策者調整目標庫存水位 後，不斷的調整目標庫存水位，並沒有等調整增加的貨進來後再做檢視與調整；從第四 章結論中可以發現沒有遵守 Dr. Goldratt 論點使整體供應鏈成本從 2684 上升到 6256，總 成本上升 2.33 倍。而在結構改變下情境從表 5 與表 8 中發現因為結構上問題使整體供 應鏈成本多出 1008 成本，總成本大約上升 1.6 倍。綜上述而言，可以得知以下幾點結論：

1. Demand-pull 適用於 MIT 啤酒遊戲中，並可改善傳統 MIT 啤酒遊戲僅能看到問題，

卻無法提出解決方案之窘境。

2. Goldratt 博士提出當調整過目標庫存水位後，須等增加存量進來後才可以做檢視與 調整是正確的說法。

3. 啤酒遊戲本身結構會造成長鞭效應產生的問題更加嚴峻。

MIT 啤酒遊戲是多階單線的環境，若將此情境環境擴展成符合現實的多階多線供應 鏈環境，此時就可將 TOC 中聚集(Aggregation)的概念套入探討；在結構修改方面，可以 發現庫存成本下降幅度並不顯著，在未來可以探討如增加中央倉庫對此情境是否產生正 面的影響。而本研究衡量績效指標只以存/缺貨成本做判斷唯一指標，並未考慮成本金額 與時間的相乘關係，容易落入做錯決策與改善，故可以加入有效產出天‧元(TDD)與存 貨天‧元(IDD)兩績效指標來克服未考慮金額與時間的相乘關係。

20

參考文獻

1. Chen, F., “Decentralized Supply Chains Subject to Information Delays,” Management Science, 45 ,1076-1090, 1999.

2. Chen, F. and R. Samroengraja., “The Stationary Beer Game ,” Production And Operations Management, VOL. 9, NO.1, 2000.

3. Chan, Hing. K. and Chan, Felix T.S., “A review of coordination studies in the context of supply chain dynamics,” International Journal of Production Research, 2793 -2819, 2009.

4. Chiang, W.K. and Feng, Y., “The value of information sharing in presence of supply uncertainty and demand volatility,” International Journal of Production Research, 45(6), 1429-1447, 2007.

5. Disney, S.M. and Towill. D.R., “On the Bullwhip and Inventory Variance Produced by an Ordering Policy,” The International Journal of Management Science, 157-167, 2003.

6. Elofson, G. and Robinson, W.N., “Collective customer collaboration impacts on supply-chain performance,” International Journal of Production Research, 45(11), 2567-2594, 2007.

7. Forrester, J.W., Industrial Dynamics, Cambridge, Boston, MA: MIT Press, 1961.

8. Fleisch, E. and Tellkamp, C., “Inventory inaccuracy and supply chain performance: a simulation study of a retail supply chain,” International Journal of Production Economics, 95(3), 373-385, 2005.

9. Goldratt, E.M., and Cox, J., The Goal 2

nd

edition, North River Press, 1992.

10. Goldratt, E. M., It’s Not Luck, North River Press, 1994.

11. Goldratt, E. M. and Rami, Avraham., TOC Insights, 2003.

12. Grabot, B.,et al. “Integration of uncertain and imprecise orders in the MRP method,”

Journal of Intelligent Manufacturing, 16(2), 215-234, 2005.

21

13. Hieber, R. and Hartel. I., “Impacts of SCM order strategies evaluated by simulation-based ‘beer game’ approach: the model, concept, and initial experiences,”

Production Planning & Control, 14 (2), 122–134, 2003.

14. Hojati, M., “Bridging the gap between probabilistic and fuzzy-parameter EOQ models,”

International Journal of Production Economics, 91(3), 215-221, 2004.

15. Hu, Q., Kumar, K., and Zhang, S., “A bidding decision model in multiagent supply chain planning,” International Journal Production Research, 39(15), 3291-3301, 2001.

16. Jose A.D. Machuca *, Rafael P. Barajas., “The impact of electronic data interchange on reducing bullwhip effect and supply chain inventory costs,” Transportation Research, Part E 40, 209–228, 2004.

17. Kimbrough, S.O., Wu, D.J., and Zhong, F., “Computers play the beer game: can artificial agents manage supply chains?” Decision Support Systems, 33 (3), 323–333, 2002.

18. Lee H. L., Padmanabhan, V., Whang, S., “The Bullwhip Effect in Supply Chains,” Sloan Management Review/Spring, 93-102, 1997a.

19. Lee H. L., Padmanabhan, V., Whang, S., “Information Distribution in a Supply Chain,”

Management Science, 546-558, 1997b.

20. Nienhaus, J., Ziegenbein, A. and Schoensleben, P., “How human behaviour amplifies the bullwhip effect. A study based on the beer distribution game online,” Production Planning & Control, 547 — 557, 2006.

21. Petrovic, D., Roy, R., and Petrovic, R., “Modelling and simulation of a supply chain in an uncertain environment,” European Journal of Operational Research, 109(2), 299-309, 1998.

22. Petrovic, D., Roy, R., and Petrovic, R., “Supply chain modelling using fuzzy sets,”

International Journal of Production Economics, 59(1-3), 443-453, 1999.

22

23. Robert, B., Handfied, E. L. and Nichols, J.R., “Introduction to Supply Chain Management,” Prentice-Hall, Inc, 1999.

24. Reddy, A.M. and Rajendran, C., “A simulation study of dynamic order-up-to policies in a supply chain with non-stationary customer demand and information sharing,”

International Journal of Advanced Manufacturing Technology, 25(9-10), 1029-1045, 2005.

25. Subhash, Wadhwa, Bibhushan and Felix T.S. Chan., “Inventory performance of some supply chain inventory policies under impulse demands,” International Journal of Production Research, Vol. 47, No. 12. 3307–3332, 2009.

26. Sterman, J. D., “Modeling Managerial Behavior: Misperceptions of Feedback in a Dynamic Decision Making Experiment,” Management Science, 35(3), 321-339, 1989.

27. Towill, D.R., “Time Compression and Supply Chain Management-a guide tour,”

Logistics Information Management, Vol. 9, No.6, 41-53, 1996.

28. Van Donselaar, K, Kopczak, L.R., and Wouters, M., “The use of advance demand information in a project-based supply chain,” European Journal of Operational Research, 130(3), 519-538, 2001.

29. Wu, D.Y. and Elena Katok., “Learning, communication, and the bullwhip effect,”

Journal of Operations Management, 839–850, 2006.

30. Zhao, X. and Xie, J., “Forecasting errors and the value of information sharing in a supply chain,” International Journal of Production Research, 40 (2), 311–335, 2002.

31. Zhao, X., Xie, J., and Leung, J., “The impact of forecasting model selection on the value of information sharing in a supply chain,” European Journal of Operational Research, 142 (2),321–344, 2002.

32. 江治緯，「以實驗比較推式系統與拉式系統在供應鏈之績效」，國立交通大學，碩 士論文，民國 98 年。

23

33. 李榮貴，張盛鴻，「TOC 限制理論：從有「限」走向無限」，中國生產力中心出版，

民國 94 年。

34. 李榮貴，「製造管理專題上課講義」，國立交通大學工業工程與管理研究所課程，

民國 98 年。

35. 林書弘，「以限制理論為基礎的配銷遊戲開發」，國立交通大學，碩士論文，民國 95 年。

36. 袁國榮，「強化限制理論 Demand-pull 補貨模式之研究」，國立交通大學，博士論 文，民國 95 年。

37. 蔣易殷，「Demand-pull 手法應用在啤酒遊戲之可行性研究」，國立交通大學，碩 士論文，民國 97 年。