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

工業工程與管理學系碩士班

碩士論文

以實驗比較推式系統與拉式系統在供應鏈之績效

Comparison of Push System and Pull System in Supply Chain

Performance: An Experimental Study

研究生：江治緯

指導教授：李榮貴博士

以實驗比較推式系統與拉式系統在供應鏈之績效

Comparison of Push System and Pull System in Supply Chain

Performance: An Experimental Study

研 究 生：江治緯 Student : Chih-Wei Chiang

指導教授：李榮貴 Advisor : Dr. Rong-Kwei Li

國立交通大學

工業工程與管理學系碩士班

碩士論文

A Thesis

Submitted to Department of Industrial Engineering and Management College of Management

National Chiao Tung University In Partial Fulfillment of the Requirements

For the Degree of Master of Science In

Industrial Engineering May 2009

Hsin-Chu, Taiwan, Republic of China

以實驗比較推式系統與拉式系統在供應鏈之績效

研 究 生：江治緯 指導教授：李榮貴 博士

國立交通大學工業工程與管理學系碩士班

摘要

在供應鏈中對供應商、製造商、配銷商或零售商而言以低庫存滿足客戶需求是他們 的主要營運目標，公司為了達成此目標，通常會採取兩種最常見的策略：(1).預測未來 客戶需求並依其數量進行生產或補貨（推式系統）；(2).依照實際客戶需求量進行生產或 補貨（拉式系統）。而大多數的公司都採用前者，雖然拉式系統的可行性在許多研究或 企業都得到驗證，但管理者始終懷疑在需求變化大的環境下拉式系統是否能有效運作。 本研究模擬一個符合實務環境的供應鏈系統，邀請 30 組（90 位實驗者）具有實務經驗 的業界人士來進行實驗。實驗結果證實造成績效差的主因不是需求變化，而是管理方式 （推式系統或拉式系統）。若採用拉式系統（設定適當的目標庫存水位並以實際需求做 為下單數量）的管理方式，即使在需求變化大的供應鏈環境下，依然能達到以低庫存滿 足客戶需求的目標。 關鍵詞：推式系統、拉式系統、長鞭效應、限制理論

Comparison of Push System and Pull System in Supply Chain Performance: An

Experimental Study

Student : Chih-Wei Chiang Advisor : Dr. Rong-Kwei Li

Department of Industrial Engineering and Management College of

Management National Chiao Tung University

Abstract

In the supply chain of suppliers, manufacturers, distributors or retailers having low inventory with higher availability is a primary objective. In order to achieve the primary objective, they usually choose two strategies: (1).In accordance with forecasting the future customer demand for production or replenishment (push system); (2).In accordance with the actual customer demand for production or replenishment (pull system). The majority of companies are using the former. Although the pull system’s feasibility obtains the verified in many research or the enterprise, but the manager still suspected the high variability of demand can be handled with pull system. In this study, a simulation environment with the practice of supply chain systems, inviting thirty teams (90 participants) from local companies participated in the experiment. The experimental results verify that the principal factor for poor performance caused by method of managing supply chain (push system or pull system). Given a proper target inventory level and replenish the inventory based on actual demand can achieve the primary objective of lower inventory with higher availability.

誌謝

終於邁向畢業，歷經兩年在交通大學的洗禮，收穫豐碩。首先要感謝李榮貴老師在 這兩年對我的教導，李老師總是以簡單扼要的邏輯觀念抓住核心問題，指出研究的問題 所在，也使本論文能走向對的方向。感謝中華高德拉特協會協助本論文實驗的進行，也 感謝蔡志弘老師、吳鴻輝老師與張盛鴻老師對於論文的指導，使得論文的謬誤之處降低 許多。 另外，感謝博士班峮慧學姐對我的照顧；同窗的豪君、法逵、家威、思翰、春源與 逸夫在課業上、論文上、生活上的互相扶持。在這兩年的研究所生活裡，除了對知識有 更深的體悟之外，也學到許多意義非凡的事物，經過這兩年的洗禮，也讓我著實獨立和 成長不少，在日後出社會，相信我在研究所所得到的東西，一定能夠帶給我最實質的幫 助。 最後，要感謝在我背後默默支持我的家人，沒有他們的付出與支持，不會有現在的 我，我要將這份碩士學位的榮耀與你們一同分享。 江治緯 于交大 MB007 民國 98 年 05 月 06 日

目錄

中文摘要 ... i 英文摘要 ... ii 誌謝 ... iii 目錄 ... iv 表目錄 ... v 圖目錄 ... vi 第一章 研究動機與目的 ... 1 第二章 文獻探討 ... 3 2.1 推式系統 ... 3 2.2 拉式系統 ... 5 2.3 推式系統與拉式系統相關研究 ... 5 2.4 文獻探討總結 ... 6 第三章 研究方法 ... 7 3.1 實驗環境說明 ... 7 3.1.1 實驗環境假設 ... 7 3.1.2 實驗參數設定 ... 8 3.2 實驗介面說明 ... 12 3.3 實驗情境說明 ... 16 3.3.1 情境ㄧ（Scenario one） ... 16 3.3.2 情境二（Scenario two） ... 16 3.3.3 情境三（Scenario three） ... 16 3.4 實驗對象 ... 17 3.5 實驗績效衡量指標 ... 18 3.6 實驗流程與紀錄說明 ... 18 3.6.1 實驗流程 ... 18 3.6.2 實驗紀錄 ... 18 第四章 實驗結果分析 ... 20 4.1 情境一結果分析 ... 22 4.2 情境二結果分析 ... 24 4.3 情境三結果分析 ... 31 第五章 結論與未來研究方向 ... 33 參考文獻 ... 34 附錄一、預測與實際需求表 ... 36

表目錄

表 3.1：三回合需求參數表 ... 8 表 3.2：Scenario 1 與 Scenario 2 需求常態適合性檢定 ... 10 表 3.3：Scenario 3 需求常態適合性檢定 ... 10 表 4.1：三情境實驗結果 ... 21 表 4.2：30 組目標庫存分類 ... 22 表 4.3：備高庫存且缺貨率低之組別 ... 22 表 4.4：備高庫存但缺貨率高之組別 ... 23 表 4.5：Group a 期初庫存大於 6993 組別 ... 25

表 4.6：Group a Scenario 1 與 Scenario 2 缺貨率檢定結果 ... 26

表 4.7：Group a Scenario 1 與 Scenario 2 平均在庫庫存檢定結果 ... 26

表 4.8：Group b 期初庫存小於 6993、平均目標庫存大於 7116 組別 ... 27

表 4.9：Group b Scenario 1 與 Scenario 2 缺貨率檢定結果 ... 27

表 4.10：Group b Scenario 1 與 Scenario 2 平均在庫庫存檢定結果 ... 27

表 4.11：Group c 期初庫存小於 6993、平均目標庫存小於 7116 組別 ... 28

表 4.12：Group c Scenario 1 與 Scenario 2 缺貨率檢定結果 ... 29

表 4.13：Group c Scenario 1 與 Scenario 2 平均在庫庫存檢定結果 ... 29

表 4.14：30 組 Scenario 1 與 Scenario 2 缺貨率檢定結果 ... 29

表 4.15：30 組 Scenario 1 與 Scenario 2 平均在庫庫存檢定結果 ... 30

表 4.16：情境二缺貨率提高組別 ... 30

表 4.17：30 組 Scenario 2 與 Scenario 3 缺貨率檢定結果 ... 31

圖目錄

圖 1.1：Push System 與 Pull System 運作流程圖 ... 1

圖 2.1：CPFR 架構 ... 4 圖 3.1：實驗環境示意圖 ... 7 圖 3.2：Scenario 1 與 Scenario 2 需求常態機率圖 ... 9 圖 3.3：Scenario 3 需求常態機率圖 ... 9 圖 3.4：Scenario 1 與 Scenario 2 預測與實際需求波動圖 ... 11 圖 3.5：Scenario 3 預測與實際需求波動圖 ... 12 圖 3.6：實驗介面圖 ... 15 圖 3.7：實驗者基本資料 ... 17 圖 3.8：實驗紀錄表範例 ... 19 圖 4.1：實驗者認為績效不佳之原因 ... 24 圖 4.2：情境一補貨時間內需求波動圖 ... 25

第一章 研究動機與目的

在供應鏈中對供應商、製造商、配銷商與零售商而言以低庫存滿足客戶需求是他們 的主要營運目標，公司為了達成此目標，通常會採取兩種最常見的策略；推式補貨系統 （Push System）或拉式補貨系統（Pull System），且大多數的公司都採用前者。推式系 統的基礎是建立在預測（forecast）上，如（s、S）和（s、Q）就是常見的推式補貨系統， 當存貨水位低於 s 時就發出訂單補貨，而訂購的數量可能是訂購到最高庫存水位或是一 個經濟批量。但上述補貨方式的參數設定都是依照所預測的需求決定，如果需求變化小， 預測準確，則推式系統的確會有良好的管理績效，但大多數的預測都是不準確的，當預 測不準時，若使用推式系統就必然會發生缺貨或存貨過剩的問題。 拉式系統則非架構在預測基礎上，是利用實際客戶需求來做為生產或補貨的依據。 拉式系統的概念與操作方式十分簡單，以零售商的某一產品為例，首先須建立此產品的 目標庫存，相當於此產品補貨時間內的平均需求再考量其產品的需求與供給變異加以調 整，建立庫存水位後，再依每日或每週實際需求消耗量做為補貨數量。圖 1.1 為推式系 統與拉式系統的運作流程圖，其兩者最大的在於推式系統是以預測來決定何時需要補貨， 補多少數量，相反的拉式系統則是依據市場的實際需求來驅動這些行為。

Supplier Manufacturer Distributor Retailer Marketing

Demand

Push System

Supplier Manufacturer Distributor Retailer Marketing

Demand

Pull System

Push System and Pull System

Production and Replenishment By Forecast

Production and Replenishment By Actual Demand

許多研究證實拉式系統能有效改善缺貨或存貨過多的問題【14】【19】，實務上也不 乏許多使用拉式系統成功的企業，但為何推式系統還是企業最常用的方式？最大的原因 是企業管理者懷疑拉式系統是否依然適用在需求變化大的環境下。企業面對推式系統所 產生的問題，改善方式通常是尋求更準確的預測系統或希望上下游廠商能夠提供更透明 的資訊，其中 CPFR（Collaborative Planning Forecasting and Replenishment）協同機制就 是由此產生。雖然許多研究證實提高預測準確度，增加資訊的透明的確能有效改善此問 題【5】【6】【11】【12】，但為何現今供應鏈依然存在缺貨或存貨過剩的問題？為了證實 拉式系統的確能有效應用在需求變化大的環境下，本研究利用 Excel VBA 設計一個符合 實務環境的庫存管理模擬實驗，邀請在庫存、採購、配銷管理…等相關領域具有實務經 驗的業界人士來進行實驗，透過實驗驗證拉式系統的有效性並找出造成績效差的主因為 何。 本論文分為五章，第一章敘述研究動機與目的；第二章為文獻探討，主要在蒐集與 彙整與本研究相關的文獻；第三章為研究方法，將會介紹實驗的基本假設、流程、與各 實驗情境；第四章為實驗結果分析；第五章為結論與未來研究方向。

第二章 文獻探討

2.1 推式系統

供應鏈中各成員最常見使用的策略就是推式系統，不論生產或配銷方面，推式系統 是建立在預測上。供應鏈預測客戶可能的未來需求，並依照預測的數量進行生產與銷售 【7】【9】【10】【15】，但實際會銷售多少數量難以掌握。圖 1.1 是推式系統的運作方式， 最下游的零售商預測未來終端客戶需求，並將此數量提供給配銷商或製造商，而配銷商 及製造商則依據此預測數量進行補貨與生產。若能準確的預測顧客需求，則整體供應鏈 的成本與服務水準會有很好的表現。 但許多供應鏈前置時間長且顧客需求變化大，當預測不準時，由供應鏈下游至上游 錯誤訊息的傳遞，形成所謂的長鞭效應【13】。過去許多研究證實改善預測系統、縮短 前置時間、減少價格波動與供應鏈成員間的資訊分享能有效消除長鞭效應的影響【5】【6】 【11】【12】，而許多組織與學者也朝此方向來改善，CPFR（Collaborative Planning Forecasting and Replenishment）就是整合上述改善重點的機制。CPFR 之起源是由 Wal-Mart 與它的合作夥伴開始於 1995 年實行，一年的期間便獲得相當的改善【17】。2003 年 VICS（Voluntary Interindustry Commerce Standards）正式成立 CPFR 協會並對致力於 此機制的推廣。CPFR 是一個供應鏈整體協同規劃、預測與補貨機制，透過供應鏈上下 游的協同合作，使製造商、通路商及零售商得以分享銷售預測、訂單預測、商品活動、 促銷等行銷活動，達到提高客戶服務及降低庫存的目的【18】。CPFR 主要有四個主要架 構： 1. 策略與規劃 (1). 協同之訂定 (2). 聯合規劃 2. 需求與供給管理 (1). 銷售預測 (2). 訂單計畫預測 3. 執行 (1). 產生訂單 (2). 訂單補貨執行

4. 分析 (1). 異常事件管理 (2). 協同效益評估 CPFR 的操作步驟為以下九點： 1. 擬定雙方的協議 2. 發展聯合事業計劃 3. 銷售預測 4. 銷售預測的異常辨識 5. 協同處理銷售預測異常項目 6. 訂單預測 7. 訂單預測的異常辨識 8. 協同處理訂單預測異常項目 9. 訂單產生 圖 2.1：CPFR 架構【18】

從上述架構與流程可以看到 CPFR 依然是以預測為基礎的推式系統，許多研究或企 業實行 CPFR 有獲得改善，但依然沒有徹底解決供應鏈的問題。雖然整體預測的準確度 比個別預測高，但預測始終充滿不確定性，且 CPFR 的最大問題是各供應鏈成員需要有 非常透明的資訊平台進行溝通【4】，若供應鏈成員無法互相信任，捨棄局部最佳的觀念， 則還是無法解決推式系統的問題。

2.2 拉式系統

拉式系統的基礎則是架構在實際客戶需求上如圖 1.1 所示，下游零售商依照實際的 客戶需求量向上游配銷商或製造商發出訂單，而配銷商與製造商則依據實際需求訂單進 行補貨與生產【7】【9】【10】【15】，供應鏈各成員則需準備補貨時間內的庫存來應付需

求變化，限制理論（Theory of Constraints；TOC）將此庫存水位稱為目標庫存（Target Level of Inventory）。

目標庫存的決定則是依照補貨時間內的平均需求再加上需求與供給變異，若需求或 供給變異大，則所需備的庫存也越高，而補貨時間則是由以下三個時間組成【8】：

1. 生產前置時間（Production Lead Time） 2. 運輸前置時間（Transportation Lead Time）

3. 訂單前置時間（Order Lead Time）：此時間取決於下單頻率，每兩週下一次訂

單，則訂單前置時間就為兩週，若每日下單，則訂單前置時間則為零。 由於拉式系統依賴預測的程度很小，所以當預測不準確時，拉式系統幾乎不受到影 響【16】，也有諸多研究與實務案例證實拉式系統的確能有效減少缺貨情況並降低庫存 【14】【19】，但拉式系統仍然不普及於企業，最大的原因是企業懷疑拉式系統是否依然 能在需求變化大的環境下，依然有良好的績效。

2.3 推式系統與拉式系統相關研究

過去針對推式與拉式系統管理績效的研究，Lin et al. (2008)【14】利用模擬軟體比 較零售商使用推式與拉式系統的績效；Zhang & Lv (2008)【19】利用數學模型進行推導 比較何種系統對零售商有最大利潤；Masuchun et al. (2004)【16】利用模擬比較推式與拉 式系統的供應鏈績效，而研究的結果指出拉式系統在缺貨率與存貨成本上確實優於推式 系統。上述研究對於推式系統皆是以預測為基礎來執行，但值得討論的是對於拉式系統

的執行方式卻各不相同。推式與拉式系統最大的差異就是是否以預測為運作基礎，而上 述研究使用的拉式系統依舊是建立在預測基礎上，因此失去兩者比較上的基準。 在研究方法上，皆以模擬與數學推導，此方法優點是資料的收集較為便利，但企業 認為並沒有考量實務環境與模擬環境的差異。若要消除企業的疑慮就是以實際的公司歷 史資料來比較，但受限於資料取得不易，因此本研究利用 Excel 建構符合實務的配銷環 境，邀請企業人士來進行實驗，請實驗者在符合實務的模擬環境下進行管理，再用他們 的管理方式與拉式系統相互比較。

2.4 文獻探討總結

對於供應鏈的管理，目的就是在一個令顧客滿意的服務水準下使得整體系統成本最 小化，推式系統的運作時常發生預測不準確，使得缺貨嚴重或存貨過高，導致整體供應 鏈績效明顯不好；而後導入了 CPFR 共享資訊後，明顯提升了服務水準，但是仍舊經常 發生暢銷品缺貨，非暢銷品存貨過高的窘境。許多研究也證實拉式系統確實能有效改善， 但企業管理者認為績效不佳的主因是需求變化太大使得預測不準確，就算使用拉式系統 也不見得能在需求變化大的環境下得到良好的績效。而本研究主要的目的就是要證明拉 式系統的可行性，並找出造成績效不佳的主因為何。

第三章 研究方法

3.1 實驗環境說明

本研究模擬一個三階供應鏈如圖 3.1 所示，其中包含製造商、配銷商及零售商，參 與本實驗者則是扮演配銷商的角色。零售商要求配銷商把倉庫設立在靠近零售商的區域， 當零售商產生需求時，可以直接到倉庫取貨，此倉庫的庫存是由配銷商所管理，採用供 應商管理存貨 (Vender Managed Inventory; VMI) 機制管理。而配銷商可以向上游製造商 下單訂貨。實驗者可以自由決定訂貨數量並管理庫存，目標是以最低庫存來滿足下游顧 客需求。 Distributor Manufacturer Retailer or customer Retailer or customer Retailer or customer Retailer or customer Retailer or customer VMI Warehouse 圖 3.1：實驗環境示意圖 3.1.1 實驗環境假設 1. 實驗將進行三回合，每一回合為 52 週。 2. 配銷商只銷售一種產品 3. 產品無生命週期的問題。 4. 零售商每週可能會產生需求，若配銷商無法當週供應，則失去銷售機會，缺貨 不候補。

5. 配銷商每 2 週可以下一次訂單給製造商，製造商接到配銷商的訂單之後才開始 生產，生產時間為 2 週，而將成品運送至配銷商的時間為 2 週，故補貨時間為 6 週。 6. 製造商交期 100%可靠。 3.1.2 實驗參數設定 1. 需求： 本研究之需求假設是在一個市場需求變異很大的環境下，將以常態分配產生 需求，參數值設定如下：(1).最小需求：0 (2).最大需求：1800 (3).平均數：800 (4). 標準差：600 (5).每一回合總需求量：42000。 詳細需求資料如附錄一，表 3.1 可看到三回合的平均需求為 807，標準差各 為 560 及 530，皆在初始設定範圍之內，接續將檢定是否符合常態分配。 表 3.1：三回合需求參數表 圖 3.2 與 3.3 為需求之常態機率圖，若產生之需求符合常態分配，則需求值 就會落在直線附近，但由圖中可看出需求值的左右兩端明顯偏離直線，此乃因為 本實驗假設需求有 0~1800 的限制，故本研究再利用適合度檢定來判斷這兩組需 求是否為常態分配。

Normal Probability Plot of Scenario1&Scenario2 (Demand 2v*52c) -200 0 200 400 600 800 1000 1200 1400 1600 1800 2000 Observed Value -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 E x pec ted Normal V a lu e 圖 3.2：Scenario 1 與 Scenario 2 需求常態機率圖 Normal Probability Plot of Scenario3 (Demand 2v*52c)

-200 0 200 400 600 800 1000 1200 1400 1600 1800 2000 Observed Value -3 -2 -1 0 1 2 3 E x pec ted Normal V a lu e 圖 3.3：Scenario 3 需求常態機率圖

(1). Scenario 1 與 Scenario 2 需求常態適合性檢定 5 0 . 0 ) 560 , 800 ( : ) 560 , 800 ( ~ : 2 1 2 0 = Ν Ν α χ χ 不為 H H (2). Scenario 3 需求常態適合性檢定 5 0 . 0 ) 0 3 5 , 800 ( 不為 : ) 0 3 5 , 800 ( ~ : 2 1 2 0 = Ν Ν α χ χ H H 表 3.2 與 3.3 為需求適合性檢定結果，其中 P-value 值皆大於α，代表此兩組需 求符合常態分配假設。 表 3.2：Scenario 1 與 Scenario 2 需求常態適合性檢定 表 3.3：Scenario 3 需求常態適合性檢定 2. 預測： 相關研究指出過去三年企業預測準確度約在 60%~70%【1】【2】【3】，針對 本研究之需求假設，傳統預測方法的需求誤差過大。為了符合實務環境將預測準 確度維持在 60%~70%之間，本研究提出一適合本實驗環境下之預測方式，並將

預測期間設定為 6 週，以下為預測計算公式： Week1 預測：4800（平均需求 800 × 6 週） Week2 預測：4800＋（800－Week1 實際需求）

Week3 預測：4800＋[1600－（Week1 實際需求＋Week2 實際需求）] Week4 預測：4800＋[1600－（Week2 實際需求＋Week3 實際需求）] Week5 預測：4800＋[1600－（Week3 實際需求＋Week4 實際需求）] Week6 預測：4800＋[1600－（Week4 實際需求＋Week5 實際需求）] Week7 預測：4800＋[1600－（Week5 實際需求＋Week6 實際需求）] 以此類推…

產生出的預測資料如附錄一所示，而圖 3.4 與 3.5 為預測與實際需求波動比 較，情境一與情境二預測準確度為 76 %、MAD =1112，情境三預測準確度為 70 %、 MAD =1388，準確度略比實務環境高。

圖 3.5：Scenario 3 預測與實際需求波動圖 3. 供應商 實務上，配銷商向製造商下的訂單時常無法準時交貨，此種不確定因素會影 響配銷商的存貨管理難度。但配銷商可能有多家製造商能選擇，若某家製造商的 達交率不佳，改善方式就是更換達交率較佳的製造商。在本研究不考慮供應商選 擇的問題，配銷商只有一家供應商，且交期 100%可靠。 4. 補貨時間 補貨時間的長短直接影響到安全庫存的數量，實務上隨著產業的不同，各產 業的補貨時間長短也不一樣，甚至有些產業的補貨時間是不固定的。本研究將補 貨時間設為固定，不考量時間變動，補貨時間為 6 週。

3.2 實驗介面說明

圖 3.6 為實驗進行的介面，各欄位解釋如下： z 欄位 A（期初庫存）： 第一週為實驗者所設定，第二週開始之期初庫存為上一週之期末庫存。 z 欄位 B（本期入庫）： 當週入庫量，第二週訂購之數量將於第七週入庫，第四週之訂購數量將於第九週入 庫，以此類推。

z 欄位 C（本期需求）： 當週客戶需求，進行實驗時由講師告知實驗者。 z 欄位 D（歷史需求）： 上一年之實際需求。 z 欄位 E（實際 6 期需求）： 累積 6 期實際需求加總，例如第六週之累積需求為第一週到第六週單期需求加總， 以此類推。 z 欄位 F（實際 6 期需求與預測差距）： 實際 6 期需求與預測需求之差距，如第一週之預測則對應到第六週的實際 6 期需求， 以此類推。 z 欄位 G（未來 6 期預測）： 未來 6 期預測需求量，第一週之預測量乃預測第一週到第六週的總需求量，進行實 驗時由講師告知實驗者。 z 欄位 H（本期出貨）： 當期實際出貨數量，若當週期初庫存＋本期入庫量大於當期需求，則本期出貨量等 於當週需求，若週期初庫存＋本期入庫量小於當期需求，則本期出貨量等於期初庫 存＋本期入庫量。 z 欄位 I（本期訂購量）： 雙數週實驗者可自行決定訂購數量，此欄位為實驗者自行填入。 z 欄位 J（在途庫存）： 已訂購但尚未入庫之數量加總。 z 欄位 K（期末庫存）： 若期初庫存＋本期入庫量－當週需求大於 0，則此值為期末庫存，若若期初庫存＋ 本期入庫量－當週需求小於 0，則期末庫存為 0。 z 欄位 L（缺貨量）： 若期初庫存＋本期入庫量－當週需求大於 0，則此值為 0，若若期初庫存＋本期入 庫量－當週需求小於 0，則此值為缺貨數量。 z 欄位 M（在途＋在庫庫存）： 當週累積已訂購但尚未入庫存＋期末庫存 z 欄位 N（目標庫存）：

在途庫存＋在庫庫存＋本期訂購量，若當週無法下單訂購，則目標庫存不變，仍為 上一期之目標庫存。

實驗介面提供實驗者單期需求波動圖與實際 6 期需求與預測需求波動圖，如圖 3.6 所示。

3.3 實驗情境說明

影響實驗的績效原因可能為需求變化、預測準確度、目標庫存量與下單方式，本研 究的目的是要證明即使在需求變化大的環境之下，使用拉式系統進行管理依然能有良好 的績效，故在下列情境將逐步證明若以拉式系統為基礎來管理目標庫存與下單方式將比 推式系統得到較佳的績效。 3.3.1 情境ㄧ（Scenario one） 情境一的目的是要收集各組管理者在實驗中的績效，並用情境一的結果與拉式系統 做比較，因此在情境一本研究假設大部分實驗者以推式系統為基礎來管理，下單數量將 參考預測再加上各管理者經驗來做調整。實驗開始前，將請各組實驗者決定期初庫存量， 由於第二週才可以下單，且生產＋運輸時間為 4 週，故前 6 週的需求將由期初庫存量來 供應。各組實驗者決定期初庫存後便開始進行實驗，講師將先告知未來 6 周之預測需求， 請實驗者填入欄位 G，接續再告知當週實際需求量，請實驗者填入欄位 C，按「出貨」 鍵 Excel 將自動計算相關欄位。當雙數週時，實驗者可自由決定當週是否要下單，要下 多少數量，並填入欄位 I，若不下單則填入 0 即可，重複上述流程 52 週後計算其績效指 標以做比較。 3.3.2 情境二（Scenario two） 在情境一造成績效差的結果可能是庫存過多或缺貨過多，其原因本研究假設為實驗 者以推式系統的基礎來管理目標庫存與下單方式所造成。而情境二的目的是要證明若以 拉式系統的下單方式來管理會顯著優於推式系統，本研究將以情境一各組的平均目標庫 存為基準，當作情境二各組的期初庫存，改變下單方式，以實際出貨量當作下單數量進 行模擬，若實際兩週的需求量為 1800，在庫庫存量為 2000，則下單數量為 1800；若實 際兩週的需求量為 1800，在庫庫存量為 1600，則下單數量為 1600，若下單 1800 則會改 變目標庫存，將影響比較基準。情境二與情境一的需求、預測、下單頻率、生產時間與 運輸時間皆相同，若模擬的結果平均庫存無顯著差異，但缺貨率卻顯著下降，即可證明 拉式系統以實際出貨量的下單方式優於推式系統。 3.3.3 情境三（Scenario three） 情境二改變成以實際出貨量下單進行驗證是否顯著改善，但若實驗者的目標庫存太 低或太高，則依然會有缺貨過多或庫存過多的情況，因此目標庫存量將直接影響到服務 水準。然而並沒有一個絕對的公式能計算出正確的目標庫存，只能決定出一個適當的庫

存水位，而情境三的目的是重新調整適當的目標庫存量作為改善，由附錄一可看到情境 一補貨時間內的最大需求為 7116，也就是說若將目標庫存維持在 7116 以上則不會有缺 貨情況發生，以此在情境三將設定 7200 為目標庫存量，若某組在情境二的期末目標庫 存為 6200，前兩週實際需求為 1600 則在情境三此組第二週的下單數量為 1600＋1000； 若某組在情境二的期末目標庫存為 9000，則此組在第二週不下單，目標庫存變為 7400， 而在第四週再少下 200 調整到 7200，各組調整目標庫存至 7200 之後便依照實際出貨量 進行下單直到 52 週結束。如果情境三的結果相較於情境一有顯著改善，則可證明即使 在需求變化大的環境之下，使用拉式系統進行管理依然能有良好的績效，且相對優於推 式系統。

3.4 實驗對象

本研究邀請 90 位業界人士並分成 30 組，各組皆扮演配銷商角色，實驗過程中 3 位 成員可以相互討論決定管理方式，而實驗者的基本資料如圖 3.7 所示。 圖 3.7：實驗者基本資料

3.5 實驗績效衡量指標

每一情境結束後，將紀錄以下績效衡量指標： 1. 期初庫存 2. 平均目標庫存 3. 出貨量 4. 平均在庫庫存 5. 庫存週轉率 6. 缺貨數量 7. 缺貨率

3.6 實驗流程與紀錄說明

3.6.1 實驗流程 1. 說明實驗目的。 2. 解釋情境一之環境與假設，並示範如何進行實驗。 3. 給予 15 分鐘讓各組實驗者討論管理策略並決定期初庫存。 4. 進行情境一。 5. 分析並討論各組情境ㄧ之結果。 6. 解釋並進行情境二。 7. 分析並討論各組情境二之結果。 8. 解釋並進行情境三。 9. 分析並討論各組情境三之結果。 3.6.2 實驗紀錄 各情境結束後，Excel 將自動計算其績效指標如圖 3.8 所示，而到實驗完全結束後， 將彙集 30 組實驗記錄表以供後續章節分析。

第四章 實驗結果分析

在此章節，本研究將分析三情境實驗所蒐集之 30 組結果，如表 4.1 所示。各欄位說 明如下： 1. 期初庫存：情境一由實驗者自行決定，情境二則是情境一的平均目標庫存，情境三 為情境二的期末庫存。 2. 平均目標庫存：52 週之平均目標庫存量 3. 出貨量：出貨總數量 4. 平均在庫庫存量：52 週之平均在庫庫存量 5. 庫存週轉率：出貨量/平均庫存量 6. 缺貨數量： (1). A：前 6 週缺貨數量加總 (2). B：第 7 週到第 52 週缺貨數量加總 (3). A+B：52 週累積缺貨數量 7. 缺貨率： (1). A：前 6 週缺貨數量/總需求量 (2). B：第 7 週到第 52 週缺貨數量/總需求量 (3). A+B：總缺貨數量/總需求量

表 4.1：三情境實驗結果 期初庫存 平均目標庫存 出貨量 平均在庫庫存 庫存週 轉率 缺貨數量 缺貨率(單位:%) 實驗 回合 S1 S2 S3 S1 S2 S3 S1 S2 S3 S1 S2 S3 S1 S2 S3 S1 S2 S3 S1 S2 S3 A B A+B A B A+B A B A+B A B A+B 1 6,600 7,403 7,403 7,403 7,403 7,208 41,410 42,000 42,000 3,071 3,103 2,664 13 14 16 393 197 590 0 0 0 0 0.94 0.47 1.41 0.00 0.00 0.00 0.00 2 7,000 6,858 6,858 6,858 6,858 7,186 40,365 41,426 42,000 2,452 2,613 2,600 16 16 16 0 1,835 1,835 136 439 575 0 0.00 4.37 4.37 0.32 1.05 1.37 0.00 3 6,600 6,316 6,316 6,316 6,316 7,166 37,565 39,802 42,000 2,186 2,228 2,539 17 18 17 393 4,042 4,435 677 1,521 2,198 0 0.94 9.62 10.56 1.61 3.62 5.23 0.00 4 7,000 6,809 6,809 6,809 6,809 7,185 41,365 41,280 42,000 2,508 2,578 2,595 16 16 16 0 635 635 184 536 720 0 0.00 1.51 1.51 0.44 1.28 1.72 0.00 5 6,000 6,669 6,669 6,669 6,669 7,180 37,994 41,814 42,000 2,568 2,387 2,579 15 18 16 993 7,280 8,273 324 4,129 4,453 0 2.36 17.33 19.69 0.77 9.83 10.60 0.00 6 6,000 6,561 6,561 6,561 6,561 7,175 40,394 40,535 42,000 2,360 2,402 2,566 17 17 16 993 613 1,606 432 1,033 1,465 0 2.36 1.46 3.82 1.03 2.46 3.49 0.00 7 5,000 8,479 8,479 8,479 8,479 7,249 39,894 42,000 42,000 4,023 4,179 2,788 10 10 15 1,993 113 2,106 0 0 0 0 4.75 0.27 5.02 0.00 0.00 0.00 0.00 8 6,600 6,676 6,676 6,676 6,676 7,180 40,670 40,882 42,000 2,504 2,484 2,580 16 16 16 393 919 1,312 317 801 1,118 0 0.94 2.19 3.13 0.75 1.91 2.66 0.00 9 9,000 6,973 6,973 6,973 6,973 7,179 41,384 41,772 42,000 2,871 2,695 2,614 14 16 16 0 616 616 20 208 228 0 0.00 1.47 1.47 0.05 0.49 0.54 0.00 10 5,100 5,031 5,031 5,031 5,031 7,116 35,580 35,086 40,949 1,233 1,427 2,491 29 25 16 1,893 4,527 6,420 1,962 4,951 6,913 1,051 4.51 10.78 15.29 4.67 11.79 16.46 2.50 11 3,000 10,841 10,841 10,841 10,841 7,408 38,007 42,000 42,000 6,524 6,541 3,128 6 6 13 3,993 0 3,993 0 0 0 0 9.51 0.00 9.51 0.00 0.00 0.00 0.00 12 8,400 8,400 8,400 8,400 8,400 7,246 42,000 42,000 42,000 4,100 4,100 2,779 10 10 15 0 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 13 7,200 7,756 7,756 7,756 7,756 7,221 40,424 41,730 42,000 3,349 3,481 2,704 12 12 16 0 1,306 1,306 0 0 0 0 0.00 3.11 3.11 0.00 0.00 0.00 0.00 14 10,800 7,709 7,709 7,709 7,709 7,219 39,694 42,000 42,000 3,523 3,409 2,698 11 12 16 0 2,306 2,306 0 0 0 0 0.00 5.49 5.49 0.00 0.00 0.00 0.00 15 6,000 8,160 8,160 8,160 8,160 7,237 40,894 42,000 42,000 3,699 3,860 2,751 11 11 15 993 113 1,106 0 0 0 0 2.36 0.27 2.63 0.00 0.00 0.00 0.00 16 8,400 5,727 5,727 5,727 5,727 7,143 39,975 37,872 41,645 1,749 1,828 2,504 23 21 17 0 2,025 2,025 1,266 2,862 4,128 355 0.00 4.82 4.82 3.01 6.81 9.82 0.85 17 8,400 6,106 6,106 6,106 6,106 7,158 40,623 39,156 42,000 2,242 2,075 2,514 18 19 17 0 1,377 1,377 830 1,829 2,659 0 0.00 3.28 3.28 1.98 4.35 6.33 0.00 18 5,300 8,510 8,510 8,510 8,510 7,251 40,307 42,000 42,000 3,900 4,210 2,792 10 10 15 1,693 0 1,693 0 0 0 0 4.03 0.00 4.03 0.00 0.00 0.00 0.00 19 7,600 6,654 6,654 6,654 6,654 7,179 40,665 40,816 42,000 2,228 2,468 2,578 18 17 16 0 1,335 1,335 339 845 1,184 0 0.00 3.18 3.18 0.81 2.01 2.82 0.00 20 6,600 8,339 8,339 8,339 8,339 7,244 41,607 42,000 42,000 3,903 4,039 2,771 11 10 15 393 0 393 0 0 0 0 0.94 0.00 0.94 0.00 0.00 0.00 0.00 21 6,000 5,220 5,220 5,220 5,220 7,124 35,074 35,844 41,138 1,498 1,533 2,495 23 23 16 993 5,933 6,926 1,773 4,383 6,156 862 2.36 14.13 16.49 4.22 10.43 14.65 2.05 22 6,000 6,012 6,012 6,012 6,012 7,154 37,481 38,889 41,930 2,161 2,011 2,509 17 19 17 993 3,526 4,519 981 2,131 3,112 70 2.36 8.40 10.76 2.34 5.07 7.41 0.17 23 6,000 6,567 6,567 6,567 6,567 7,176 39,576 40,554 42,000 2,416 2,406 2,567 16 17 16 993 1,431 2,424 426 1,020 1,446 0 2.36 3.41 5.77 1.01 2.43 3.44 0.00 24 7,200 6,143 6,143 6,143 6,143 7,160 39,420 39,282 42,000 2,195 2,104 2,519 18 19 17 0 2,580 2,580 850 1,867 2,717 0 0.00 6.14 6.14 2.02 4.45 6.47 0.00 25 5,000 5,677 5,677 5,677 5,677 7,142 36,665 37,672 41,595 1,784 1,798 2,504 21 21 17 1,993 3,342 5,335 1,316 3,011 4,327 405 4.75 7.96 12.71 3.13 7.17 10.30 0.96 26 7,800 7,800 7,800 7,800 7,800 7,223 42,000 42,000 42,000 3,500 3,500 2,709 12 12 16 0 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 27 5,400 5,220 5,220 5,220 5,220 7,124 36,965 35,844 41,138 1,363 1,533 2,495 27 23 16 1,593 3,437 5,030 1,773 4,378 6,151 862 3.79 8.18 11.97 4.22 10.42 14.64 2.05 28 5,400 5,789 5,789 5,789 5,789 7,146 34,174 38,084 41,707 1,911 1,869 2,506 18 20 17 1,593 6,197 7,790 1,204 2,675 3,879 293 3.79 14.75 18.54 2.87 6.37 9.24 0.70 29 4,800 6,153 6,153 6,153 6,153 7,160 35,976 39,312 42,000 2,170 2,111 2,519 17 19 17 2,193 3,831 6,024 840 1,848 2,688 0 5.22 9.12 14.34 2.00 4.40 6.40 0.00 30 3,800 6,326 6,326 6,326 6,326 7,167 35,525 39,831 42,000 2,384 2,235 2,540 15 18 17 3,193 3,282 6,475 667 1,502 2,169 0 7.60 7.81 15.41 1.59 3.58 5.17 0.00 平均 6,467 6,896 6,896 6,896 6,896 7,190 39,122 40,183 41,870 2,746 2,774 2,620 16 16 16 922 2093 3016 544 1399 1943 130 2.20 4.98 7.18 1.29 3.33 4.62 0.31

4.1 情境一結果分析

統計情境一的結果，30 組平均目標庫存為 6896、平均在庫庫存為 2746、平均缺貨 數量為 3015、平均缺貨率為 7.18%。若以平均目標庫存 6896 為基準可分為二類： 1. 低庫存：目標庫存在 6896 以下，平均缺貨率為 9.43% 2. 高庫存：目標庫存在 6896 以上，平均缺貨率為 3.05% 表 4.2：30 組目標庫存分類 低庫存 高庫存 目標庫存 6896 以下 6896 以上 組數 19 組 11 組 平均缺貨率 9.43% 3.05% 從表 4.2 可看出 30 組實驗資料呈現二種策略，備高庫存或低庫存。這二種策略取決 於實驗者對於缺貨成本與庫存成本之間的衡量，從結果來看，似乎可以得到一個結論； 備高庫存的組別缺貨率較低，備低庫存的組別缺貨率較高，但是否只要備較多的庫存就 能降低缺貨率呢？ 下表為備高庫存且缺貨率低之組別的組別，共有 5 組。 表 4.3：備高庫存且缺貨率低之組別 期初庫存 平均 目標庫存 出貨量 平均 在庫庫存 庫存週轉率 缺貨 數量 缺貨率 組別 S1 S1 S1 S1 S1 S1 S1 1 6,600 7,403 41,410 3,071 13 590 1.40% 9 9,000 6,973 41,384 2,871 14 616 1.47% 12 8,400 8,400 42,000 4,100 10 0 0.00% 20 6,600 8,339 41,607 3,903 11 393 0.94% 26 7,800 7,800 42,000 3,500 12 0 0.00% 平均 7,680 7,783 41,680 3,489 12 320 0.76% 這 5 組的資料可以看出在平均目標庫存與平均在庫庫存皆高於 30 組的平均，顯然 這 5 組的實驗者是屬備高庫存的策略，但除了這 5 組之外，另有 6 組也是備高庫存的組 別缺貨率反而偏高如表 4.4。因此從表 4.3 與 4.4 之比較就推翻了備較高庫存就能降低缺 貨率的論點，所以進一步分析這 5 組缺貨率較低的組別是用何種方式來管理。

表 4.4：備高庫存但缺貨率高之組別 期初庫存 平均目標庫存 出貨量 平均 在庫庫存 庫存 週轉率 缺貨 數量 缺貨率 組別 S1 S1 S1 S1 S1 S1 S1 7 5,000 8,479 39,894 4,023 10 2,106 5.01% 11 3,000 10,841 38,007 6,524 6 3,993 9.51% 13 7,200 7,756 40,424 3,349 12 1,306 3.11% 14 10,800 7,709 39,694 3,523 11 2,306 5.49% 15 6,000 8,160 40,894 3,699 11 1,106 2.63% 18 5,300 8,510 40,307 3,900 10 1,693 4.03% 平均 6,217 8,576 39,870 4,170 10 2085 4.96% 從這 5 組的實驗紀錄表中發現，第 12 與 26 組的下單方式是依據實際出貨量決定， 且在實驗過程中皆維持固定的目標庫存量，缺貨率皆為 0%。第 9 與 20 組的下單方式也 是依據實際出貨量決定，但在實驗過程中有調整目標庫存，因此有少許的缺貨發生。第 1 組的下單方式則是採用平準化方式，每次的下單數量約在 1600 左右，再依需求變化增 加或減少下單數量，缺貨率約在 1.5%左右。總結在情境一中，這 5 組缺貨率表現較佳 的組別中，有 4 組的下單方式是以拉式系統為基礎依據實際出貨量決定，有 1 組則是使 用平準化下單，雖然這 1 組不是依據實際出貨量下單，但從實驗紀錄表發現這 1 組並不 是參考預測來決定下單數量，因此可得知上述缺貨率較低的 5 組皆不是以推式系統來做 管理，而是趨近拉式系統的概念。 其他 25 組缺貨率較高的組別，下單方式大致可歸納為以下幾點： 1. 依照未來預測量來決定下單數量 2. 當缺貨時增加下單數量 3. 當近期需求量增加或在庫庫存降低時增加下單數量 4. 當近期需求量減少或在庫庫存過高時減少下單數量 綜合上述 4 點的下單方式是以推式系統的概念為基礎，參考預測量再加上實驗者的 本身的判斷來決定下單數量，透過問卷發現超過一半以上的實驗者認為導致他們績效差 的主因是需求變化太大與預測不準，如圖 4.1 所示。 從這 5 組績效佳與 25 組績效差的比較發現績效較佳的組別所採的下單方式是趨近

於拉式系統的概念，而績效差的組別所採的下單方式是趨近於推式系統的概念，也驗證 本研究在情境一所做的假設；大多數的實驗者是使用推式系統來管理。因此本研究認為 造成這 25 組缺貨率偏高的主因並不是需求變化太大與預測不準，而是下單方式。本實 驗將以情境一各組之平均目標庫存當作情境二的期初庫存來進行實驗，下單方式依據實 際出貨量決定，若只改變下單方式卻能使缺貨率顯著降低，那即可證明情境二之假設， 造成缺貨率高的主因並不是需求變化太大與預測不準，而是實驗者採用推式系統來下 單。 圖 4.1：實驗者認為績效不佳之原因

4.2 情境二結果分析

情境二的目的是要比較改變下單方式之後，是否有顯著改善，而各組發生缺貨的原 因主要有兩個因素：(1).目標庫存設定 (2).下單方式 如果要比較改變下單方式是否對缺貨率有顯著改善則需把以上兩個因素分開作進 一步分析，圖 4.2 為情境一的補貨時間內需求波動圖，可看出前 6 期的需求為 6993，也 就是代表如果實驗者所設定的期初庫存大於 6993 則不會發生缺貨，而補貨時間內的最 大需求為 7116，代表若實驗者從第一次到最後一次下單能將目標庫存維持在 7116 以上， 則不會發生缺貨，為了比較因為下單方式所造成的缺貨數量，本研究將 30 組資料分為 以下三個群組。

圖 4.2：情境一補貨時間內需求波動圖 1. Group a：期初庫存大於 6993 表 4.5：Group a 期初庫存大於 6993 組別 期初庫存 目標庫存 在庫 庫存 缺貨數量 缺貨率(單位:%) 組 別 S1 S2 S1 S2 S1 S2 S1 S2 S1 S2 A B A+B A B A+B A B A+B A B A+B 2 7,000 6,858 6,858 6,858 2,452 2,613 0 1,835 1,835 136 439 575 0.00 4.37 4.37 0.32 1.05 1.37 4 7,000 6,809 6,809 6,809 2,508 2,578 0 635 635 184 536 720 0.00 1.51 1.51 0.44 1.28 1.72 9 9,000 6,973 6,973 6,973 2,871 2,695 0 616 616 20 208 228 0.00 1.47 1.47 0.05 0.49 0.54 12 8,400 8,400 8,400 8,400 4,100 4,100 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 13 7,200 7,756 7,756 7,756 3,349 3,481 0 1,306 1,306 0 0 0 0.00 3.11 3.11 0.00 0.00 0.00 14 10,800 7,709 7,709 7,709 3,523 3,409 0 2,306 2,306 0 0 0 0.00 5.49 5.49 0.00 0.00 0.00 16 8,400 5,727 5,727 5,727 1,749 1,828 0 2,025 2,025 1,266 2,862 4,128 0.00 4.82 4.82 3.01 6.81 9.82 17 8,400 6,106 6,106 6,106 2,242 2,075 0 1,377 1,377 830 1,829 2,659 0.00 3.28 3.28 1.98 4.35 6.33 19 7,600 6,654 6,654 6,654 2,228 2,468 0 1,335 1,335 339 845 1,184 0.00 3.18 3.18 0.81 2.01 2.82 24 7,200 6,143 6,143 6,143 2,195 2,104 0 2,580 2,580 850 1,867 2,717 0.00 6.14 6.14 2.02 4.45 6.47 26 7,800 7,800 7,800 7,800 3,500 3,500 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 平均 8,073 6,994 6,994 6,994 2,792 2,805 0 1274 1274 330 781 1110 0.00 3.03 3.03 0.78 1.86 2.64

„ Group a 假設檢定 (1). Scenario 1 與 Scenario 2 缺貨率檢定 1 . 0 : : 2 1 1 2 1 0 = > ≤ α μ μ μ μ H H

表 4.6：Group a Scenario 1 與 Scenario 2 缺貨率檢定結果

T-test for Dependent Samples (Shortage Rate (Group a)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 3.033636 2.095721 1.858182 2.326821 11 1.175455 2.144278 1.818114 10 0.099082 (2). Scenario 1 與 Scenario 2 平均在庫庫存檢定 1 . 0 : : 2 1 1 2 1 0 = ≠ = α μ μ μ μ H H

表 4.7：Group a Scenario 1 與 Scenario 2 平均在庫庫存檢定結果

T-test for Dependent Samples (Average Inventory on site(Group a)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 2792.435 729.6807 2804.636 719.3561 11 -12.2010 138.0406 -0.293148 10 0.775402 Group a 的期初庫存皆大於 6993，代表情境一所有的缺貨數量都是因為下單方式所 造成，經過情境二的模擬之後，可以看到若目標庫存大於 7116 的組別變成依實際出貨 量下單後，則缺貨率皆降為 0%，若目標庫存小於 7116 的組別依然會有缺貨的情況發生， 但缺貨的數量比情境一減少，透過表 4.6 與 4.7 的檢定結果可以知道缺貨率顯著下降， 但平均在庫庫存卻無顯著差異。

2. Group b：期初庫存小於 6993、平均目標庫存大於 7116 表 4.8：Group b 期初庫存小於 6993、平均目標庫存大於 7116 組別 期初庫存 目標庫存 在庫 庫存 缺貨數量 缺貨率(單位:%) 組 別 S1 S2 S1 S2 S1 S2 S1 S2 S1 S2 A B A+B A B A+B A B A+B A B A+B 1 6,600 7,403 7,403 7,403 3,071 3,103 393 197 590 0 0 0 0.94 0.47 1.41 0.00 0.00 0.00 7 5,000 8,479 8,479 8,479 4,023 4,179 1,993 113 2,106 0 0 0 4.75 0.27 5.02 0.00 0.00 0.00 11 3,000 10,841 10,841 10,841 6,524 6,541 3,993 0 3,993 0 0 0 9.51 0.00 9.51 0.00 0.00 0.00 15 6,000 8,160 8,160 8,160 3,699 3,860 993 113 1,106 0 0 0 2.36 0.27 2.63 0.00 0.00 0.00 18 5,300 8,510 8,510 8,510 3,900 4,210 1,693 0 1,693 0 0 0 4.03 0.00 4.03 0.00 0.00 0.00 20 6,600 8,339 8,339 8,339 3,903 4,039 393 0 393 0 0 0 0.94 0.00 0.94 0.00 0.00 0.00 平均 5,417 8,622 8,622 8,622 4,187 4,322 1576 71 1647 0 0 0 3.76 0.17 3.93 0.00 0.00 0.00 „ Group b 假設檢定 (1). Scenario 1 與 Scenario 2 缺貨率檢定 1 . 0 : : 2 1 1 2 1 0 = > ≤ α μ μ μ μ H H

表 4.9：Group b Scenario 1 與 Scenario 2 缺貨率檢定結果

T-test for Dependent Samples (Shortage Rate (Group b)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 0.168333 0.198335 0.000000 0.000000 6 0.168333 0.198335 2.078964 5 0.092183 (2). Scenario 1 與 Scenario 2 平均在庫庫存檢定 1 . 0 : : 2 1 1 2 1 0 = ≠ = α μ μ μ μ H H

T-test for Dependent Samples (Average Inventory on site(Group b)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 4186.667 1194.579 4322.000 1160.728 6 -135.333 106.0899 -3.12469 5 0.026114 Group b 的期初庫存皆小於 6993，但目標庫存皆大於 7116，代表大部分的缺貨數量 是因為期初庫存設定過低所造成，在情境二改變成依實際出貨量下單後則完全沒有缺貨 發生，透過統計檢定結果可看出缺貨率顯著下降，但在庫庫存卻顯著增加，這是因為 Group b 各組在情境一的期初庫存設定較低，之後下單才把目標庫存提高，但情境二則 是以情境一的平均目標庫存當作期初庫存來模擬，所以情境二的期初庫存高出情境一許 多，因此才使平均在庫庫存增加。 3. Group c：期初庫存小於 6993、平均目標庫存小於 7116 表 4.11：Group c 期初庫存小於 6993、平均目標庫存小於 7116 組別 期初 庫存 目標 庫存 在庫 庫存 缺貨數量 缺貨率(單位:%) 組 別 S1 S2 S1 S2 S1 S2 S1 S2 S1 S2 A B A+B A B A+B A B A+B A B A+B 3 6,600 6,316 6,316 6,316 2,186 2,228 393 4,042 4,435 677 1,521 2,198 0.94 9.62 10.56 1.61 3.62 5.23 5 6,000 6,669 6,669 6,669 2,568 2,387 993 7,280 8,273 324 4,129 4,453 2.36 17.33 19.69 0.77 9.83 10.60 6 6,000 6,561 6,561 6,561 2,360 2,402 993 613 1,606 432 1,033 1,465 2.36 1.46 3.82 1.03 2.46 3.49 8 6,600 6,676 6,676 6,676 2,504 2,484 393 919 1,312 317 801 1,118 0.94 2.19 3.13 0.75 1.91 2.66 10 5,100 5,031 5,031 5,031 1,233 1,427 1,893 4,527 6,420 1,962 4,951 6,913 4.51 10.78 15.29 4.67 11.79 16.46 21 6,000 5,220 5,220 5,220 1,498 1,533 993 5,933 6,926 1,773 4,383 6,156 2.36 14.13 16.49 4.22 10.43 14.65 22 6,000 6,012 6,012 6,012 2,161 2,011 993 3,526 4,519 981 2,131 3,112 2.36 8.40 10.76 2.34 5.07 7.41 23 6,000 6,567 6,567 6,567 2,416 2,406 993 1,431 2,424 426 1,020 1,446 2.36 3.41 5.77 1.01 2.43 3.44 25 5,000 5,677 5,677 5,677 1,784 1,798 1,993 3,342 5,335 1,316 3,011 4,327 4.75 7.96 12.71 3.13 7.17 10.30 27 5,400 5,220 5,220 5,220 1,363 1,533 1,593 3,437 5,030 1,773 4,378 6,151 3.79 8.18 11.97 4.22 10.42 14.64 28 5,400 5,789 5,789 5,789 1,911 1,869 1,593 6,197 7,790 1,204 2,675 3,879 3.79 14.75 18.54 2.87 6.37 9.24 29 4,800 6,153 6,153 6,153 2,170 2,111 2,193 3,831 6,024 840 1,848 2,688 5.22 9.12 14.34 2.00 4.40 6.40 30 3,800 6,326 6,326 6,326 2,384 2,235 3,193 3,282 6,475 667 1,502 2,169 7.60 7.81 15.41 1.59 3.58 5.17 平均 5,592 6,017 6,017 6,017 2,041 2,033 1401 3720 5121 976 2568 3544 3.33 8.86 12.19 2.32 6.11 8.43 „ Group c 假設檢定 (1). Scenario 1 與 Scenario 2 缺貨率檢定

1 . 0 : : 2 1 1 2 1 0 = > ≤ α μ μ μ μ H H

表 4.12：Group c Scenario 1 與 Scenario 2 缺貨率檢定結果

T-test for Dependent Samples (Shortage Rate (Group c)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 8.856923 4.744078 6.113846 3.483795 13 2.743077 3.394936 2.913252 12 0.013002 (2). Scenario 1 與 Scenario 2 平均在庫庫存檢定 1 . 0 : : 2 1 1 2 1 0 = ≠ = α μ μ μ μ H H

表 4.13：Group c Scenario 1 與 Scenario 2 平均在庫庫存檢定結果

T-test for Dependent Samples (Average Inventory on site(Group c)) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 2041.386 446.8004 2032.615 369.5447 13 8.770710 113.2716 0.279181 12 0.784859 Group c 的期初庫存小於 6993 且平均目標庫存小於 7116，代表缺貨的原因是因為期 初庫存設定過低與下單方式所造成。與 Group a 和 Group b 比較發現 Group c 是三組中 缺貨率最高的，經由情境二的改變後，缺貨率顯著下降，但平均在庫庫存無顯著差異。 „ 30 組情境二實驗結果假設檢定 (1). Scenario 1 與 Scenario 2 缺貨率檢定 1 . 0 : : 2 1 1 2 1 0 = > ≤ α μ μ μ μ H H 表 4.14：30 組 Scenario 1 與 Scenario 2 缺貨率檢定結果

T-test for Dependent Samples (Shortage Rate) Marked differences are significant at p < .10000 Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 4.984000 4.878430 3.330667 3.671382 30 1.653333 2.727032 3.320708 29 0.002433 (2). Scenario 1 與 Scenario 2 平均在庫庫存檢定

1 . 0 : : 2 1 1 2 1 0 = ≠ = α μ μ μ μ H H 表 4.15：30 組 Scenario 1 與 Scenario 2 平均在庫庫存檢定結果

T-test for Dependent Samples (Average Inventory on site) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario1 Scenario2 2745.827 1079.369 2773.567 1099.899 30 -27.7397 130.0181 -1.16858 29 0.252089 由表 4.1 比較 30 組情境一與情境二的實驗結果，因下單方式所造成的缺貨數量由情 境一的 2093 下降到 1399，缺貨率由 4.98%下降至 3.33%，平均目標庫存皆為 6896，而 30 組檢定的結果如表 4.14 與表 4.15 所示，30 組整體的缺貨率顯著下降但平均在庫庫存 無顯著差異。所以經由情境二的改變證明了先前的假設；拉式系統以實際出貨量的下單 方式顯著優於推式系統。 在情境一缺貨率較低的有 5 組，屬於績效佳的，有 25 組缺貨率較高，屬於績效差 的。經過情境二實驗後，這 25 組有 15 組缺貨率下降，5 組沒有差異，但有 5 組數據情 境二缺貨率反而顯著比情境一高，如表 4.16 所示。 表 4.16：情境二缺貨率提高組別 期初 庫存 目標 庫存 在庫 庫存 缺貨數量 缺貨率(單位:%) 組 別 S1 S2 S1 S2 S1 S2 S1 S2 S1 S2 A B A+B A B A+B A B A+B A B A+B 6 6,000 6,561 6,561 6,561 2,360 2,402 993 613 1,606 432 1,033 1,465 2.36 1.46 3.82 1.03 2.46 3.49 10 5,100 5,031 5,031 5,031 1,233 1,427 1,893 4,527 6,420 1,962 4,951 6,913 4.51 10.78 15.29 4.67 11.79 16.46 16 8,400 5,727 5,727 5,727 1,749 1,828 0 2,025 2,025 1,266 2,862 4,128 0.00 4.82 4.82 3.01 6.81 9.82 17 8,400 6,106 6,106 6,106 2,242 2,075 0 1,377 1,377 830 1,829 2,659 0.00 3.28 3.28 1.98 4.35 6.33 27 5,400 5,220 5,220 5,220 1,363 1,533 1,593 3,437 5,030 1,773 4,378 6,151 3.79 8.18 11.97 4.22 10.42 14.64 平均 6,660 5,729 5,729 5,729 1,789 1,853 896 2396 3292 1253 3011 4263 2.13 5.70 7.83 2.98 7.17 10.15 在 30 組數據中，若目標庫存足以應付需求變異，那麼改變以實際出貨量下單方式 皆不會有缺貨情況。但若目標庫存不足以應付需求變異時，卻出現了 5 組資料缺貨率反 而更高。是否這 5 組實驗者有特殊的下單方式反而比以實際出貨量下單還來的好呢？ 進而檢視這 5 組的實驗紀錄表看出這 5 組實驗者幾乎都是依照預測量來決定目標庫

存水位，且預測相對其他組別來的準確，尤其在需求量變大時都能及時調高目標庫存水 位，所以缺貨率比以實際出貨量下單低。但這 5 組並無一個具有邏輯的管理方式，缺貨 率會比較低的原因是因為實驗者較準確地預測到未來需求變化，在 4.2 小節中本研究證 明了以拉式系統的下單方式顯著優於推式系統，因為推式系統的基礎是建立在預測上， 但預測不確定性高，所以才產生大多數組別績效不佳的結果。而這 5 組的下單方式依然 是建立在預測上，只是這 5 組的預測較準確。如果重複 30 次以上實驗，實驗者能否每 次皆預測正確呢？所以本研究推論這 5 組資料缺貨率較低，運氣成分占很大的因素。

4.3 情境三結果分析

在情境一目標庫存大於 7116 的組別經由情境二缺貨率皆降為 0%，這是因為這幾組 的目標庫存水位足以應付需求變異，會造成在情境一缺貨的原因是下單方式，但需考慮 其目標庫存水位是否過高，需要調低。而在情境一目標庫存小於 7116 的組別經由情境 二依然還是會發生缺貨情況，這是因為這幾組的目標庫存水位不足以應付需求變異，若 要降低缺貨情況則需調高目標庫存。所以情境三將以情境二的期末庫存開始進行，請實 驗者調整至適當的目標庫存水位並以實際出貨量作為下單數量。 由表 4.1 看到情境三的實驗結果，平均缺貨數量降至 130，平均缺貨率降至 0.31%， 平均在在庫存降至 2620，平均目標庫存為 7190。雖然還是有缺貨發生，但這些缺貨的 數量都是因為在情境二過低的目標庫存所造成，並非下單方式。 „ 30 組情境三實驗結果假設檢定 (1). Scenario 2 與 Scenario 3 缺貨率檢定 1 . 0 : : 2 1 1 2 1 0 = > ≤ α μ μ μ μ H H 表 4.17：30 組 Scenario 2 與 Scenario 3 缺貨率檢定結果

T-test for Dependent Samples (Shortage Rate) Marked differences are significant at p < .10000 Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario2 Scenario3 4.625333 5.032243 0.309333 0.693502 30 4.316000 4.471596 5.286637 29 0.000011 (2). Scenario 2 與 Scenario 3 平均在庫庫存檢定

1 . 0 : : 2 1 1 2 1 0 = ≠ = α μ μ μ μ H H 表 4.18：30 組 Scenario 2 與 Scenario 3 平均在庫庫存檢定結果

T-test for Dependent Samples (Average Inventory on site) Marked differences are significant at p < .10000

Variable Mean Std.Dv. N Diff. Std.Dv. Diff. t df p Scenario2 Scenario3 2773.567 1099.899 2619.933 139.044 30 153.6333 961.8197 0.874888 29 0.388823 由表 4.17 與 4.18 的檢定結果可看出情境三之缺貨率顯著低於情境二，但情境二與 情境三之平均在庫庫存卻沒有顯著差異。本研究經由三情境的實驗逐步改變管理方式， 以實際出貨量下單，調整至足以應付需求變異的目標庫存水位，維持固定的目標庫存， 所得的結果完全不會缺貨，的確證明拉式系統依然能在需求變化大的環境下有保持良好 績效。

第五章 結論與未來研究方向

本研究的目的是要驗證即使在一個需求變化大的供應鏈環境下，使用拉式系統的運 作方式依然能有良好的管理績效且相對優於推式系統。為了證明此論點，本研究模擬一 個符合實務環境的供應鏈系統，邀請在庫存、採購、配銷管理…等相關領域具有實務經 驗的業界人士來進行實驗，透過 30 組（90 位實驗者）實驗結果的分析，可得以下幾點 結論： 1. 以低庫存滿足客戶需求是供應鏈上各成員的營運目標，但由實驗結果，目前的管理 者並沒有達成此目標，並且存在著備高低庫存的衝突。 2. 造成績效不佳的主因不是需求變化太大或預測不準，而是管理方式（推式系統或拉 式系統），且大部分的管理者採用推式系統。 3. 推式系統的問題在於當預測不準確時，容易發生庫存過多或缺貨情況，並沒有一套 機制來管控何時需要補貨，要補多少數量（防止過度補貨）。 4. 即使目標庫存水位設定不正確，但拉式系統的下單方式依然優於推式系統。 5. 拉式系統的管理方式（設定適當的目標庫存水位並以實際需求為下單數量）依然能 在市場需求變化大環境下，以低庫存滿足客戶需求。 6. 若所設定目標庫存水位足以應付需求變化，在此期間任何的需求波動都可視為雜音 （noise）。 7. 大多數的管理者的管理方式通常十分複雜卻沒有成效，雖然少數有經驗的管理者能 得到與拉式系統一樣的績效，但相較而言，拉式系統是一套相當簡單且有效的管理 機制。 8. 拉式系統的操作方式不需要對員工做長時間的教育訓練就能運作，尤其在產品種類 多的環境下更能顯現其簡單與有效性。 本研究證實造成績效不佳的主因是因為管理者使用以預測為基礎的管理方式，但這 並不代表預測不重要，而是要用在對的地方來預測（例如聚集點），若能妥善運用，預 測資訊可以輔助管理者做調整目標庫存的決策。雖然本研究的實驗結果證實拉式系統的 有效性，但不代表拉式系統能運用在任何環境下，一個有效的管理機制必須使用在符合 此機制的假設條件下，本研究已證實需求變化並不是拉式系統的限制，但現今許多產品 的生命週期都十分短暫，而拉式系統是否能有效運用在產品生命週期短的環境下是未來 值得研究的方向。

參考文獻

1. Chaman, L. J. (2006). Benchmarking Forecasting Errors. The Journal of Business

Forecasting, 24(4), 13-15.

2. Chaman, L. J. (2007). Benchmarking Forecasting Errors. The Journal of Business

Forecasting, 25(4), 18-21.

3. Chaman, L. J. (2008). Benchmarking Forecasting Errors. The Journal of Business

Forecasting, 26(4), 19-23.

4. Chen, B., Ip, W. H., and Li, Y. (2006). The Study and Application of CPFR Model and Its Analysis in China, Service Systems and Service Management,2006 International

Conference on, 1, 745-749.

5. Chen, F., Drezner, Z., Ryan, J. K., and Simchi-Levi, D. (2000). Quantify the Bullwhip Effect in a Simple Supply Chain. The Impact of Forecasting, Lead Times, and

Information, Management Science, 46(3), 436-443.

6. Disney S.M., and Towill D.R. (2003). On the Bullwhip and Inventory Variance Produced by an Ordering Policy, Omega, 31(3), 157-167.

7. Dowling, G. R. (2004). The art and science of marketing (pp.266). UK: Oxford

University Press.

8. Goldratt, E. M., and Goldratt, A. R. (2003). TOC Insights into Distribution and

Supply-Chain.

9. Harrison, T. P., Lee, H. L., and Neale, J. J. (2003). The Practice of Supply Chain

Management. Europe: Springer.

10. Hinkelman, E. G., and Putzi, S. (2005). Dictionary of International Trade - Handbook of

the Global Trade Community. California USA: World Trade Press.

11. Lee H. L., So, K.C., and Tang, C.S. (2000). The Value of Information Sharing in a Two-Level Supply Chain, Management Science, 46(5), 626-643.

12. Lee H. L., Padmanabhan, V., and Whang, S. (1997a). Information Distortion in a Supply Chains, Management Science, 43(4), 546-558.

13. Lee, H. L., Padmanabhan, V., and Whang, S. (1997b). The Bullwhip Effect in Supply Chains, Sloan Management Review, 38(3), 93-102.

14. Lin, C. C., Shieh, S. C., Kao, Y. H., Chang, Y. T., and Chen, S. S. (2008). The simulation analysis of push and pull shelf replenishment policies for retail supply chain. Machine

Learning and Cybernetics, 2008 International Conference on, 7, 3964 -3969.

Technology-based Firms (pp.44). New York: Wiley-IEEE.

16. Masuchun, W., Davis, S., and Patterson, J. W. (2004). Comparison of push and pull control strategies for supply network management in a make-to-stock environment,

Journal of Production Research, 42(20), 4401-4419.

17. Pfeifer, C., Hensolt, J., Wolfinger, K., Kornas, N., and Erath, S. (2008). Investigation of Opportunities that exist within the Automotive Supply Chain for Collaborative Planning Forecasting and Replenishment (VICS CPFR®).Retrieved Mar 2, 2009 from VICS database on the World Wide Web: http://www.vics.org

18. Voluntary Interindustry Commerce Standards (VICS) (2004). CPFR Overview. Retrieved Mar 2, 2009 from VICS database on the World Wide Web:

http://www.vics.org

19. Zhang, X. H., and Lv, L. (2008). Performance Comparisons of Supply Chain between Push and Pull Models with Competing Retailers. Wireless Communications, Networking

附錄一、預測與實際需求表

Scenario 1 & Scenario 2 Scenario 3 Scenario 1 & Scenario 2 Scenario 3

單期需求 6 期需求 6 期預測 單期需求 6 期需求 6 期預測 單期需求 6 期需求 6 期預測 單期需求 6 期需求 6 期預測 Week1 1344 4800 660 3523 4844 Week27 1369 4165 4822 572 5192 3761 Week2 1016 4256 1223 4458 5467 Week28 1688 5831 3543 1778 6690 4345 Week3 904 4040 1388 5036 4517 Week29 692 5740 3343 831 6516 4050 Week4 1098 4480 1210 6037 3789 Week30 1789 7116 4020 795 6615 3791 Week5 1087 4398 626 5841 3802 Week31 22 7048 3919 1022 6481 4774 Week6 1544 6993 4215 975 6082 4564 Week32 468 6028 4589 855 5853 4583 Week7 932 6581 3769 1285 6707 4799 Week33 0 4659 5910 1626 6907 4523 Week8 474 6039 3924 940 6424 4140 Week34 456 3427 5932 471 5600 3919 Week9 54 5189 4994 1726 6762 4175 Week35 1653 4388 5944 44 4813 4303 Week10 69 4160 5872 1542 7094 3734 Week36 538 3137 4291 1370 5388 5885 Week11 0 3073 6277 3 6471 3132 Week37 1346 4461 4209 208 4574 4986 Week12 1546 3075 6331 374 5870 4855 Week38 1002 4995 4516 271 3990 4822 Week13 1738 3881 4854 385 4970 6023 Week39 1408 6403 4052 1120 3484 5921 Week14 1123 4530 3116 235 4265 5641 Week40 1091 7038 3990 1658 4671 5009 Week15 954 5430 3539 499 3038 5780 Week41 1050 6435 3901 1192 5819 3622 Week16 528 5889 4323 1291 2787 5666 Week42 895 6792 4259 1398 5847 3550 Week17 1156 7045 4918 696 3480 4610 Week43 732 6178 4455 1459 7098 3810 Week18 21 5520 4716 219 3325 4413 Week44 853 6029 4773 139 6966 3543 Week19 597 4379 5223 461 3401 5485 Week45 169 4790 4815 784 6630 4802 Week20 11 3267 5782 643 3809 5720 Week46 1235 4934 5378 190 5162 5477 Week21 1676 3989 5792 453 3763 5296 Week47 13 3897 4996 1736 5706 5426 Week22 22 3483 4713 280 2752 5304 Week48 288 3290 5152 0 4308 Week23 783 3110 4702 1005 3061 5667 Week49 810 3368 6099 412 3261 Week24 413 3502 5595 696 3538 5115 Week50 209 2724 5302 224 3346 Week25 90 2995 5204 1156 4233 4699 Week51 1283 3838 5381 337 2899 Week26 1488 4472 5897 1483 5073 4548 Week52 273 2876 4908 54 2763