I-Shou University Institutional Repository:Item 987654321/12787

全文

(1) . 義守大學工業工程與管理學系. 碩士論文. 應用需求預測方法與雲端資訊分享方式減緩供應鏈長鞭效應之研究 Applying demand forecasting methods and cloud information sharing manner to mitigate the bullwhip effect in a supply chain. 研究生：許美蓮. 撰. 指導教授：曹以明. 博士. . . 中華民國一百年六月 .

(2) . . 2 .

(3) 謝誌兩年的研究所生活，影響我最深的莫過於是我的指導教授曹以明博士，不論是學業及生活上細心的教導與不斷的鼓勵，且在撰寫論文期間，老師不厭其煩對學生耐心與細心的督導與糾正，使得本論文得以順利完成，在此獻上最深的謝意。口試期間感謝江育民博士、魏乃捷博士及高雄應用科技大學林谷鴻博士，在論文中不吝給予指正與建議，使論文更近完美，在此向各位老師致上深深的謝意。在研究所生涯中，我要感謝 1519 研究室的昶騰、彥宏、晨光、俊廷與雅婷學姐、孟真學姐和應綸學長，很高興能夠在這段人生的學習生涯中認識你們，大家一起學習、一起歡樂，遇到困難彼此鼓舞打氣，一起努力。因為有你們，讓我這兩年的研究所時光變的更美好、更有意義。感謝班上的同學與學弟妹的幫忙、感謝虹瑩、佩玟與家賢，謝謝你們在背後一路的扶持與鼓勵。最後要感謝我的家人，謝謝你們給予我精神上及經濟上最大的支持與鼓勵，讓我得以毫無顧慮的順利完成碩士學業。此論文最終得以完成，均靠各位的支持與幫忙，感激之情、莫可言喻。. 許美蓮. 2011 謹誌於. 義守大學.

(4) 摘要長鞭效應(bullwhip effect)是供應鏈管理必須面對之一項重要課題，它會使供應鏈各成員與整體供應鏈之成本大幅增高，進而使供應鏈各成員與整體供應鏈失去競爭優勢，所以必須應用各種方法減緩長鞭效應，以提昇整體供應鏈與其成員之競爭力，此為本研究之主要目的。在供應鏈管理文獻中顯示，需求預測不準確與資訊未分享是造成長鞭效應之兩項最重要因素，因此本研究利用需求預測方法與雲端資訊分享方式以減緩供應鏈之長鞭效應。本研究先以線性多層供應鏈為例，應用三種需求預測方法(移動平均法、加權移動平均法、與調整指數平滑法)與雲端資訊分享方式進行模擬，再將之推廣至與實際狀態更為接近之輻射多層供應鏈。本研究以模擬方式，將供應鏈各成員之訂購量變異數之變化，進行假設檢定分析，發現最佳之預測方法及其參數設定。本研究結果顯示，驗證前置時間越長，長鞭效應的現象越明顯；線性多層供應鏈與輻射多層供應鏈以調整指數平滑法參數(α=0.9、β=0.1)的需求預測方法與第 4 種雲端資訊分享的資訊分享方式，是減緩長鞭效應之最佳組合。. 關鍵字：供應鏈管理、長鞭效應、需求預測、雲端資訊分享.

(5) Abstract The bullwhip effect is one of key issues that experts of supply chain management have to tackle, resulting out costs inefficiency and competitive disadvantage of a business firm, so to mitigate it in order to enhance the competitive advantage is an important lesson to practitioners and researcher of supply chain management. By reviewing the supply chain management literature, we find out that demand forecast inaccuracy and information distortion are two main factors to result in the bullwhip effect phenomenon, therefore in this thesis I try to apply forecasting methods and cloud information sharing manner to mitigate the effect. At first, I apply different demand forecasting methods and cloud information sharing to the linear supply chain system which only one member in each stage of the supply chain, and then I extend the methods to a radiation multi-layer supply chain system which is more similar to the practical situation. In this thesis, I apply statistical hypothesis testing to evidence the bullwhip effect mitigation in each situation. In this research we confirmed that the longer lead time leads to the more obvious the phenomenon of bullwhip effect. The research results show that the adjusted exponential smooth with α=0.9 and β=0.1, and the fourth cloud information sharing manner is the best combination to mitigate the bullwhip effect in the both of linear multi-layer supply chain and radiation multi-layer supply chain models.. Keywords：Supply-Chain Management, Bullwhip Effect, Demand Forecast, Cloud Information Sharing.

(6) 目錄第一章緒論第一節第二節第三節第四節. 研究背景與動機 ............................................................................... 1 研究目的 ........................................................................................... 2 研究限制與範圍 ............................................................................... 2 研究步驟與架構 ............................................................................... 4. 第二章文獻回顧第一節第二節第三節第四節第五節. 供應鏈管理 ....................................................................................... 6 長鞭效應 ......................................................................................... 11 需求預測方式 ................................................................................. 19 分散式與集中式的供應鏈 ............................................................. 22 雲端資訊分享 ................................................................................. 24. 第三章研究方法第一節第二節第三節第四節第五節. 問題描述與分析 ............................................................................. 28 線性多層供應鏈的模式 ................................................................. 40 輻射多層供應鏈的模式 ................................................................. 44 模擬過程 ......................................................................................... 51 假設檢定 ......................................................................................... 55. 第四章結果分析第一節驗證文獻上有關前置時間與長鞭效應影響之論述 ..................... 61 第二節線性多層供應鏈的假設檢定分析 ................................................. 69 第三節輻射多層供應鏈的假設檢定分析 ................................................. 88. 第五章結論與未來研究方向第一節結論 ............................................................................................... 104 第二節未來研究方向 ............................................................................... 105. 參考文獻中文部分 ..................................................................................................... 106 英文部分 ..................................................................................................... 108. 附錄一模擬過程 ............................................................................. 110 附錄二 Excel VBA 程式 ................................................................. 116. I.

(7) 表目錄表 2.1 存貨政策控制系統 .................................................................................. 10 表 2.2 長鞭效應造成因素 .................................................................................. 12 表 2.3 長鞭效應造成因素 .................................................................................. 15 表 2.4 雲端運算的優點和缺點 .......................................................................... 27 表 3.1(R, s, S)存貨政策 ...................................................................................... 35 表 3.2 供應鏈階層代號 ...................................................................................... 37 表 3.3 變量代號 .................................................................................................. 37 表 3.4 供應鏈各階層變量代號 .......................................................................... 38 表 3.5 線性多層供應鏈之資訊分散式的預測方法.......................................... 40 表 3.6 雲端運算訂購量的計算方式 .................................................................. 41 表 3.7 輻射多層供應鏈之資訊分散式的預測方法.......................................... 45 表 3.8 輻射多層供應鏈之雲端 4 資訊分享的預測方法.................................. 47 表 3.9 輻射多層供應鏈之進貨量分配表 .......................................................... 49 表 3.10 輻射多層供應鏈之訂單關係表 ............................................................ 49 表 3.11 輻射多層供應鏈之出貨關係表 ............................................................ 50 表 3.12 線性多層供應鏈情境模式之模擬操作表............................................ 51 表 3.13 輻射多層供應鏈的顧客需求分配代號表............................................ 52 表 3.14 輻射多層供應鏈顧客需求分配表 ........................................................ 52 表 3.15 輻射多層供應鏈情境模式的假設條件 ................................................ 53 表 3.16 供應鏈各階成員訂購量變異數之平均數與變異數計算方法 ........... 54 表 3.17 分散式各次模擬之訂購量變異數的平均數與變異數........................ 55 表 3.18 雲端 1 各次模擬之訂購量變異數的平均數與變異數........................ 55 表 3.19 前置時間長短對長鞭效應影響之假設兩方法變異數平均量之比較 58 表 3.20 前置時間長短對長鞭效應影響之假設兩方法變異數變異量之比較 58 表 4.1 資訊分散式對不同前置時間 L 的各階層訂購量變異數 ..................... 61 表 4.2 資訊分散式與不同前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較表 ............................................................................................................. 62 表 4.3 資訊集中式對不同前置時間 L 各階層的訂購量變異數 ..................... 63 表 4.4 資訊集中式與不同前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較表 ............................................................................................................. 64 表 4.5 不同預測方法的分散式，對 L=2 與 L=1 訂購量變異數的平均數假設檢定 ..................................................................................................................... 66 表 4.6 不同預測方法的分散式，對 L=2 與 L=1 訂購量變異數的變異數假設檢定 ..................................................................................................................... 67 表 4.7 不同預測方法的集中式，對 L=2 與 L=1 訂購量變異數的平均數假設檢定 ..................................................................................................................... 68 II.

(8) 表 4.8 不同預測方法的集中式，對 L=2 與 L=1 訂購量變異數的變異數假設檢定 ..................................................................................................................... 68 表 4.9 兩母體的檢定代號分配表 ...................................................................... 69 表 4.10 p 值範圍的代表符號 ............................................................................. 70 表 4.11 移動平均法 3 期訂購量變異數的平均數檢定結果 ............................ 71 表 4.12 移動平均法 3 期訂購量變異數的變異數檢定結果............................ 72 表 4.13 移動平均法 5 期訂購量變異數的平均數檢定結果............................ 73 表 4.14 移動平均法 5 期訂購量變異數的變異數檢定結果............................ 73 表 4.15 加權移動平均法 3 期訂購量變異數的平均數檢定結果.................... 76 表 4.16 加權移動平均法 3 期訂購量變異數的變異數檢定結果.................... 76 表 4.17 加權移動平均法 5 期訂購量變異數的平均數檢定結果.................... 78 表 4.18 加權移動平均法 5 期訂購量變異數的變異數檢定結果.................... 78 表 4.19 調整指數平滑法(α=0.6、β=0.4)訂購量變異數的平均數檢定結果 .. 80 表 4.20 調整指數平滑法(α=0.6、β=0.4)訂購量變異數的變異數檢定結果 .. 80 表 4.21 調整指數平滑法(α=0.9、β=0.1)訂購量變異數的平均數檢定結果 .. 82 表 4.22 調整指數平滑法(α=0.9、β=0.1)訂購量變異數的變異數檢定結果 .. 82 表 4.23 線性多層供應鏈不同預測方法的兩母體變異數檢定分配表與結果 86 表 4.24 線性多層供應鏈不同預測方法的兩母體變異數檢定結果................ 86 表 4.25 線性多層供應鏈訂購量、累積存貨、累積缺貨平均數的平均數 ... 86 表 4.26 移動平均法 3 期的各階訂購量變異數模擬平均值............................ 88 表 4.27 移動平均法 5 期的各階訂購量變異數模擬平均值............................ 89 表 4.28 加權移動平均法 3 期的各階訂購量變異數模擬平均值.................... 92 表 4.29 加權移動平均法 5 期的各階訂購量變異數模擬平均值.................... 93 表 4.30 調整指數平滑法(α=0.6、β=0.4)的各階訂購量變異數模擬平均值 .. 96 表 4.31 調整指數平滑法(α=0.9、β=0.1)的各階訂購量變異數模擬平均值 .. 97 表 4.32 使用費雪來估計兩母體平均數之信賴區間結果.............................. 101 表 4.33 輻射多層供應鏈不同預測方法兩母體變異數檢定分配表與結果 . 102 表 4.34 輻射多層供應鏈不同預測方法兩母體變異數檢定結果.................. 102 表 4.35 輻射多層供應鏈訂購量、累積存貨、累積缺貨平均數的平均數 . 103. III.

(9) 圖目錄圖 1.1 線性多層供應鏈 ........................................................................................ 2 圖 1.2 輻射多層供應鏈 ........................................................................................ 3 圖 1.3 研究架構 .................................................................................................... 5 圖 2.1 物流網路 .................................................................................................... 6 圖 2.2 供應鏈中變異性的增加 .......................................................................... 11 圖 2.3 p 期移動平均法長鞭效應之下限圖 ....................................................... 16 圖 2.4 p 期移動平均法集中式與分散式長鞭效應之下限圖........................... 23 圖 2.5 雲端運算架構示意圖 .............................................................................. 24 圖 2.6 雲端上的三大產業 .................................................................................. 25 圖 2.7 台灣雲端運算產業鏈發展現況 .............................................................. 26 圖 3.1 整合的供應鏈 .......................................................................................... 29 圖 3.2 線性多層供應鏈出貨與訂購流的示意圖 .............................................. 29 圖 3.3 多階層配送的供應鏈 .............................................................................. 30 圖 3.4 輻射多層供應鏈 ...................................................................................... 30 圖 3.5 雲端資訊分享 1 的權重比例分配圖 ...................................................... 33 圖 3.6 雲端資訊分享 2 的權重比例分配圖 ...................................................... 33 圖 3.7 雲端資訊分享 3 的權重比例分配圖 ...................................................... 34 圖 3.8 雲端資訊分享 4 的權重比例分配圖 ...................................................... 35 圖 3.9 情境模式分類圖 ...................................................................................... 36 圖 3.10 供應鏈各階層向上游方向之行動關係圖............................................ 38 圖 3.11 供應鏈各階層向下游方向之行動關係圖 ............................................ 39 圖 3.12 訂購量的決策方式 ................................................................................ 42 圖 3.13 出貨量的決策方式 ................................................................................ 43 圖 3.14 輻射多層供應鏈代號 ............................................................................ 44 圖 3.15 資訊分散式與雲端 1 的訂購量變異數的平均值之直條圖................ 56 圖 3.16 線性多層供應鏈的假設檢定流程圖 .................................................... 59 圖 3.17 輻射多層供應鏈的假設檢定流程圖 .................................................... 60 圖 4.1 資訊分散式與短前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較圖 ................................................................................................................. 62 圖 4.2 資訊分散式與長前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較圖 ................................................................................................................. 62 圖 4.3 前置時間對長鞭效應之影響圖 .............................................................. 63 圖 4.4 資訊集中式與短前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較圖 ................................................................................................................. 64 圖 4.5 資訊集中式與長前置時間之長鞭要應與 Chen et al.(2000a)所提下限之比較圖 ................................................................................................................. 65 IV.

(10) 圖 4.6 前置時間對長鞭效應之影響圖 .............................................................. 65 圖 4.7 移動平均 3 期不同資訊分享方式下各階層訂購量變異數的平均值 . 70 圖 4.8 移動平均 5 期不同資訊分享方式下各階層訂購量變異數的平均值 . 72 圖 4.9 雲端 4 的移動平均法 3 期與 5 期訂購量變異數的平均數檢定 ......... 74 圖 4.10 雲端 4 的移動平均法 3 期與 5 期訂購量變異數的變異數檢定 ....... 74 圖 4.11 加權移動平均法 3 期在不同資訊分享方式下的各階層訂購量變異數的平均值 ............................................................................................................. 75 圖 4.12 加權移動平均法 5 期在不同資訊分享方式下的各階層訂購量變異數的平均值 ............................................................................................................. 77 圖 4.13 雲端 4 的加權移動平均法 3 期與 5 期訂購量變異數的平均數檢定 79 圖 4.14 雲端 4 的加權移動平均法 3 期與 5 期訂購量變異數的變異數檢定 79 圖 4.15 調整指數平滑法(α=0.6、β=0.4)在不同資訊分享方式下的各階層訂購量變異數的平均值 ............................................................................................. 80 圖 4.16 調整指數平滑法(α=0.9、β=0.1)在不同資訊分享方式下的各階層訂購量變異數的平均值 ............................................................................................. 81 圖 4.17 雲端 4 的調整指數平滑法(α=0.6、β=0.4)與(α=0.9、β=0.1)訂購量變異數的平均數檢定 ............................................................................................. 83 圖 4.18 雲端 4 的調整指數平滑法(α=0.6、β=0.4)與(α=0.9、β=0.1)訂購量變異數的變異數檢定 ............................................................................................. 83 圖 4.19 線性多層供應鏈在不同預測方法之各階訂購量變異數的平均值 ... 84 圖 4.20 線性多層供應鏈不同預測方法的 ANOVA 分析圖............................ 85 圖 4.21 線性多層供應鏈訂購量、累積存貨、累積缺貨平均數的平均數之直條圖 ..................................................................................................................... 87 圖 4.22 移動平均法 3 期分散式與雲端 4 訂購量變異數的平均數檢定 ....... 89 圖 4.23 移動平均法 3 期分散式與雲端 4 訂購量變異數的變異數檢定 ....... 89 圖 4.24 移動平均法 5 期分散式與雲端 4 訂購量變異數的平均數檢定 ....... 90 圖 4.25 移動平均法 5 期分散式與雲端 4 訂購量變異數的變異數檢定 ....... 90 圖 4.26 移動平均法 3 期與 5 期訂購量變異數的平均數檢定........................ 91 圖 4.27 移動平均法 3 期與 5 期訂購量變異數的變異數檢定........................ 91 圖 4.28 加權移動平均法 3 期分散式與雲端 4 訂購量變異數的平均數檢定 92 圖 4.29 加權移動平均法 3 期分散式與雲端 4 訂購量變異數的變異數檢定 93 圖 4.30 加權移動平均法 5 期分散式與雲端 4 訂購量變異數的平均數檢定 94 圖 4.31 加權移動平均法 5 期分散式與雲端 4 訂購量變異數的變異數檢定 94 圖 4.32 加權移動平均法 3 期與 5 期訂購量變異數的平均數檢定................ 95 圖 4.33 加權移動平均法 3 期與 5 期訂購量變異數的變異數檢定................ 95 圖 4.34 調整指數平滑法(α=0.6、β=0.4)分散式與雲端 4 訂購量變異數的平均數檢定 ................................................................................................................. 96 圖 4.35 調整指數平滑法(α=0.6、β=0.4)分散式與雲端 4 訂購量變異數的變異 V.

(11) 數檢定 ................................................................................................................. 97 圖 4.36 調整指數平滑法(α=0.9、β=0.1)分散式與雲端 4 訂購量變異數的平均數檢定 ................................................................................................................. 98 圖 4.37 調整指數平滑法(α=0.9、β=0.1)分散式與雲端 4 訂購量變異數的變異數檢定 ................................................................................................................. 98 圖 4.38 調整指數平滑法(α=0.6、β=0.4)與(α=0.9、β=0.1)訂購量變異數的平均數檢定 ............................................................................................................. 99 圖 4.39 調整指數平滑法(α=0.6、β=0.4)與(α=0.9、β=0.1)訂購量變異數的變異數檢定 ............................................................................................................. 99 圖 4.40 輻射多層供應鏈不同預測方法之各階訂購量變異數模擬平均值 . 100 圖 4.41 輻射多層供應鏈不同預測方法的 ANOVA 分析圖.......................... 101 圖 4.42 線性多層供應鏈訂購量、累積存貨、累積缺貨平均數的平均數之直條圖 ................................................................................................................... 103. VI.

(12) 第一章緒論第一節研究背景與動機傳統供應鏈中，企業大部分為了追求最大化利益，卻忽略與上下游企業共同分享資訊，因彼此資訊傳遞往往被扭曲與不順暢等因素，造成需求變動越往上游的供應鏈階層幅度越大，此即所謂的長鞭效應(bullwhip effect)。Lee et al.(1997a)研究指出長鞭效應會導致存貨過多、生產預測偏誤、產能失衡、不良顧客服務、生產計畫不確定性及高額補救成本，這些會使企業與其供應鏈造成許多無謂的損失與浪費。如果能有效減緩長鞭效應，便能提升整體供應鏈的效率並增強供應鏈成員之競爭優勢，所以如何減緩長鞭效應是供應鏈管理之一項重要課題。傳統供應鏈需求預測是指當供應鏈的成員採用其直接下游訂貨數據作為市場需求訊息和依據時，這樣會造成需求被放大的效果，如果能準確的預測需求，就能降低需求的不確定性，達到減緩長鞭效應為目的。因此本論文利用不同的需求預測方法探討對減緩長鞭效應之影響。傳統供應鏈資訊傳遞是一個階層傳遞給下一個階層，這樣的傳遞資訊往往被扭曲與不順暢等因素，也容易造成長鞭效應，因此本文藉由近年新創之「雲端運算」(cloud computing)概念運用在供應鏈預測需求上，透過雲端運算可以在雲端獲得更多更精確的資訊，讓需求預測可以更準確，來減緩長鞭效應所造成的影響。本研究主要應用不同的需求預測方法與雲端資訊分享方式來改善傳統供應鏈預測方法，以減緩長鞭效應所造成的影響，達到產業降低成本，提昇服務水準，增強企業的供應鏈之競爭能力，使產業在全球化競爭環境中開創堅強且具持續之競爭優勢。. 1.

(13) 第二節研究目的基於上述研究動機，本研究之目的臚列如下：一、以模擬方法，驗證文獻所提出有關前置時間，資訊分散與資訊集中對長鞭效應影響之論述。二、在線性多層供應鏈中，以模擬方式為各種預測方法選擇最適合之雲端資訊分享方式，進而選擇最適之預測方法與雲端資訊分享方式之組合。三、在輻射多層供應鏈中，以模擬方式為各種預測方法選擇最適合之雲端資訊分享方式，進而選擇最適之預測方法與雲端資訊分享方式之組合。四、對需求預測方法與雲端資訊分享方式，以減緩長鞭效應之研究提出結論建議。. 第三節研究限制與範圍本研究為了廣泛討論完整供應鏈之長鞭效應以多階層供應鏈為研究對象，包含供應商(supplier)、製造商(manufacturer)、配銷商(distributor)、批發商(wholesaler)、零售商 (retailer)與顧客(customer)共六個階層之供應鏈成員。為了探索各階層之間需求預測方法與資訊分享方式，本研究先以線性模式，即各階只有一個成員，如圖 1.1 以模擬成員間之互相影響而造成長鞭效應為研究之開端。實體流. 圖 1.1 線性多層供應鏈資料來源：本研究整理. 2. 顧客. 金流. 零售商. 批發商. 配銷商. 製造商. 供應商. 資訊流.

(14) 據我們所知文獻上探討長鞭效應多以線性模式為主，較少以與實務界近似之模式為探討對象，實務上的多層供應鏈是很複雜，為了更廣泛探討接近實務之情況，本論文參考文獻上之建議，將複雜多層的供應鏈精簡成為輻射多層供應鏈(radiation multi-layer supply chain)模式，其實體流、資訊流與金流如圖 1.2 所示，包含一個供應商、一個製造商、兩個配銷商、四個批發商、八個零售商與顧客，近一步研究長鞭效應之現象，並提出改善方法。. 零售商. 批發商. 配銷商. 製造商. 供應商. 實體流. 顧客. 資訊流金流圖 1.2 輻射多層供應鏈資料來源：本研究整理. 3.

(15) 第四節研究步驟與架構本論文共五章，各章內容概述如下第一章：緒論說明本研究之研究背景與動機、研究目的、研究限制與範圍及研究步驟與架構。第二章：文獻回顧將從供應鏈管理、長鞭效應、需求預測方法、分散式與集中式資訊的供應鏈及雲端資訊分享等五大方向進行相關文獻的整理與探討。第三章：研究方法共五節，第一節問題描述與分析，第二節線性多層供應鏈的模式，第三節輻射多層供應鏈的模式，第四節模擬過程，第五節假設檢定。第四章：結果分析共三節，第一節驗證資訊分散、集中式與前置時間的假設檢定分析，第二節線性多層供應鏈的假設檢定分析，第三節輻射多層供應鏈的假設檢定分析。第五章：結論與未來研究方向提出本研究的結論與未來可供研究方向。本文之研究架構如下圖 1.3. 4.

(16) 緒論. 文獻回顧. 研究方法. 問題描述與分析. 線性多層供應鏈. 移動平均法. 輻射多層供應鏈. 加權移動平均法. 調整指數平滑法. 雲端資訊分享方式. 資訊分散式. 假設檢定. 結果分析. 結論與建議圖 1.3 研究架構. 5.

(17) 第二章文獻回顧本章共五節，第一節討論供應鏈管理的定義與相關之研究，第二節探討長鞭效應的文獻與長鞭效應的定量研究，第三節介紹需求預測的方式和討論時間序列的方法，第四節針對分散式與集中式的資訊分享方式做分析與討論，第五節介紹雲端資訊分享概念。. 第一節供應鏈管理壹、供應鏈管理的定義在一個典型的供應鏈中，當取得原物料後，產品在一個或多個工廠製造，接著被運送至倉庫暫時儲存，然後被運送到零售商或顧客處，因此有效的供應鏈策略必須考慮供應鏈內不同層級的互動，以降低成本與改善服務水準。供應鏈(supply chain)，又稱為物流網路(logistics network)，包含供應商、製造中心、倉庫、配銷中心、零售商，以及在這些設施中流動的原物料、再製品存貨與完成品(如圖 2.1 所示)。. 圖 2.1 物流網路資料來源：何應欽，2009. 依據中華民國物流協會的解釋：「物流是物的實體流通行為，在這過程中透過管理的程序有效的結合倉儲、運輸、裝卸、流通加工、資訊等一些相關於物流性的活動，進. 6.

(18) 而創造滿足顧客及社會需求」。根據美國供應鏈協會(Supply Chain Council,SCC)對供應鏈的定義：從生產到運送最終產品過程中的所有活動，並連接供應商到終端消費者間的所有成員。它涵蓋四項基本的處理作業，計劃、原料、製造及配送，廣泛定義為包含管理需求及供給的平衡，原物料和零件的取得、製造及組裝、倉儲及存貨追蹤、訂單輸入及管理、實體配送的物流活動和運送至最終顧客的完整過程。其目的在透過順暢、及時的資訊流動，以及所有成員之間密切的協調配合，使顧客獲得滿意的產品與服務，廠商獲得應有的利潤。Simchi-Levi et al.(2008)也對供應鏈做以下定義：供應鏈管理(Supply Chain Management)是利用一套方法，有效地整合供應商、製造商、倉庫和商店，使商品能以正確的數量、正確的時間與正確的地點進行生產與配銷，並且能在滿足服務水準要求的同時達到最小化整體系統的成本。供應鏈管理目的在於設計一個企業的顧客關係、訂單履行以及供應商關係的流程，並將這些流程與供應商和顧客的重要流程同步化，以達成物流、資訊流和金流與顧客需求的相互配合。因此供應鏈系統管理方式維繫著整體供應鏈系統之運作績效。近幾年因環境的變遷，為了提升競爭能力，產業供應鏈必須進行整合，不僅包括內部的企業整合，更包括了整條供應鏈成員的協同合作，最終的目的是能及時回應顧客的需求，使得供應鏈整體效率最高。經過Austin(1998)整理發表指出，對於供應鏈整合管理策略做法主要有三個：一、庫存再壓縮策略(Pursue Compression Strategy)：針對整體供應鏈成員進行整合，考慮滿足市場顧客需求下，成品庫存水準再壓縮策略。（一）企業內推遲(Intra-Company Postponement)：將最終產品之組裝作業推遲至客戶需求決定後，以壓縮最終產品存貨。（二）跨企業推遲(Inter-Company Postponement)：將最終產品之組裝作業推遲至配銷商完成跨企業協調整合後。（三）直接銷售模式(Direct Model)：儘可能縮減供應鏈不需要的中間作業，直接遞送至最終使用者以減少成本。 7.

(19) 二、供應鏈協調規劃策略(Collaborative Planning Strategy)：精確的需求資訊傳遞於整個供應鏈，透過成員間的協調規劃，達成最少浪費與最大反應能力。（一）需求規劃協調(Collaborative Demand Planning)：供應鏈成員之資料共享，包含對需求預測的協同策略。（二）同步化訂單滿足(Synchronized Order Fulfillment)：供應鏈成員針對滿足客戶訂單流程參與決策整合，達成同步化作業以縮短製造時程及減少存貨。（三）協同產能規劃(Joint Capacity Planning)：針對整體供應鏈成員的長期合作，進行物料與產能協同規劃。（四）藉由資訊科技來支援供應鏈協調規劃 (Use of Collaboration-Support Technology)：藉由資訊科技的幫助支援協調規劃效能。三、市場反應力產品設計策略(Design Products for Responsiveness)：產品設計時應當考慮自原物料到最終客戶之最大市場反應能力。（一）供應鏈協同設計：藉由供應鏈成員之產品共同設計，其中包含原物料以及配送方式。（二）產品共通模組化設計：符合市場多樣化需求，設計產品共通元件模組。（三）使用標準共通元件：降低材料與製造複雜度，進而降低成本與提升供應鏈整體效率。以上供應鏈管理整合策略中有提到，精確的需求資訊傳遞於整個供應鏈，透過供應鏈成員之間資料共享、需求預測的協同策略與成員間的協調規劃，能達成最少浪費與最大反應能力，因此資訊分享方式與需求預測對於整體供應鏈有很大影響。反觀傳統供應鏈企業，因企業彼此互信不足，造成資訊無法充分共享，只追求本身利益的最大化，使供應鏈管理的效益大打折扣，其中最常被討論的就是長鞭效應現象。. 8.

(20) 貳、存貨策略(訂購策略) 存貨策略依頻率區分，可分為兩大類連續盤存制 (continuous review) 與定期盤存制 (periodic review) (Hadley and Whitin, 1963)：一、連續盤存制 (continuous review)：是隨時監控存貨儲存點的存貨狀況，並依照所屬存貨政策作出適當的處置。（一）(s, S)存貨政策：存貨水準低於或等於再訂購點 s 時，便立即下訂單訂購貨物使得系統內的存貨水準達到最高存貨水準 S 點。優點：系統有最小總成本之最佳存貨策略。缺點：系統在管理上比較複雜也比較容易發生控制誤差。（二）(s, Q)存貨政策：當系統的存貨水準(淨存貨 + 已訂購但尚未送達之貨物) 低於或等於再訂購點 s 時，便訂購 Q 單位的貨物，使得存貨水準到達最高點 s + Q。優點：在於其控制規則十分簡單易懂。缺點：對於需求反應過於遲鈍，並對於大訂單的發生也無法有效的處理。二、定期盤存制(periodic review)：指存貨儲存點每隔固定的時間對於持有的存貨數量進行盤查，並依照所採用的存貨政策作出適當的處置。（一）(R, S)存貨政策：每隔 R 單位時間，便訂購足夠數量的貨物使得系統內的存貨水準到達最高存貨水準 S 點。優點：調整補貨時點或訂購數量上比起再訂購點系統都有效率許多。缺點：存貨持有成本上比起連續盤存制系統要高。（二）(R, s, S)存貨政策：做法擷取(s, S)與(R, S)兩種系統之優點，每隔 R 時間單位即盤點其庫存量，當庫存量低於再訂講點 s 時，則下訂單以使庫存量增至 S 存貨水準 S 點。 9.

(21) 優點：管理績效比起其他系統來得好。缺點：尋求最佳存貨政策參數上卻比起其他系統要複雜許多。存貨控制的主要目標在於決定何時訂購與訂購數量，決策者所面臨的挑戰，是要控制適量的存貨，使其發揮最大效能及維持整體服務水準於目標值之上。以下根據 Silver et al.(1998)等學者所提出之存貨政策理論(劉基全等，2004)如表 2.1 所示。 (R, s, S)存貨政策操作簡便，即每 R 單位時間檢查其庫存水準，若到達或低於 s 及訂足夠的貨至 S 為止，若高於 s 則該週期不予補貨直至下一週期(再 R 個單位時間)再檢查其補貨水準，因此本論文模擬以(R, s, S)存貨政策為主。表 2.1 存貨政策控制系統 (s , Q). (s , S). (R , S). (R , s , S). 補貨方式. 持續. 持續. 週期. 週期. 再訂購點. 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝐿𝐿 ,. 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝐿𝐿 ,. 2𝑘𝑘𝑘𝑘 𝑂𝑂 = � ℎ. �𝑂𝑂 + 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝐿𝐿 �. 𝑧𝑧𝑧𝑧√𝐿𝐿. 𝑧𝑧𝑧𝑧√𝐿𝐿. 𝑂𝑂 + 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝐿𝐿. 𝑂𝑂 + 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝐿𝐿. 訂購量. 存貨政策. 安全庫存最高存量. 𝑂𝑂 > 𝜇𝜇𝜇𝜇. 𝑆𝑆 ≥ 𝑠𝑠. − (𝐼𝐼) ≥ 𝑂𝑂. 資料來源：Silver et al.(1998). 有關表2.1數學式之符號說明如下： s：再訂購點。 S：最大存貨水準。 L：前置時間。 σ：預測需求量之標準差。 h：單位存貨成本。 I：存貨位置(Inventory Position)。. 𝑟𝑟 𝜇𝜇(𝑟𝑟 + 𝐿𝐿). + 𝑧𝑧𝑧𝑧√𝑟𝑟 + 𝐿𝐿 − 𝐼𝐼 𝑧𝑧𝑧𝑧√𝑟𝑟 + 𝐿𝐿. 𝜇𝜇(𝑟𝑟 + 𝐿𝐿). + 𝜎𝜎√𝑟𝑟 + 𝐿𝐿. 𝑟𝑟& 𝐼𝐼. ≤ 𝜇𝜇𝐿𝐿 + 𝑧𝑧𝑧𝑧√𝑟𝑟 + 𝐿𝐿 𝜇𝜇(𝑟𝑟 + 𝐿𝐿). + 𝑧𝑧𝑧𝑧√𝑟𝑟 + 𝐿𝐿 − 𝐼𝐼 𝑧𝑧𝑧𝑧√𝑟𝑟 + 𝐿𝐿. 𝜇𝜇(𝑟𝑟 + 𝐿𝐿). + 𝜎𝜎√𝑟𝑟 + 𝐿𝐿. O：經濟訂購批量。 μ：平均單位時間之預測需求量。 z：安全存貨係數。 k：每次訂購成本。 r：時間週期。. 10.

(22) 第二節長鞭效應 Sterman(1989)之啤酒遊戲實驗中，顯示人類行為對存貨和需求資訊的誤解或錯誤，可能會引起長鞭效應的存在，啤酒遊戲以角色扮演的方式模擬一個四階層的供應鏈，包含工廠、批發商、小盤商及零售商，每個角色只要接獲下游訂單並向上游訂貨即可，在模擬過程中，每個參與者不得與他人溝通與協調，所面對唯一資訊來源，僅有下游訂單資訊。多次模擬結果可發現，供應鏈中顧客需求的小幅變動，造成上游的訂單和存貨大幅的搖擺，證明了長鞭效應的存在。以下介紹長鞭效應之定義、影響因素及其量化。. 壹、長鞭效應的定義 Lee et al.(1997a,1997b)在寶僑的個案中，觀察幫寶適(Pampers)紙尿布的需求量後，寶僑的高階主管注意到一個有趣的現象，如同預期的在零售商的需求變化不大，然而隨著供應鏈的配銷商、製造商愈往上游時，訂單波動的程度愈來愈大。像這種愈往供應鏈上游，變異性愈增加的現象，寶僑將此現象稱為長鞭效應。如圖 2.2 以一個簡單的四階層供應鏈為例，顯示了不同單位在不同時間所下之訂單，很清楚地顯示整個供應鏈的變異增加狀況。. 圖 2.2 供應鏈中變異性的增加資料來源：何應欽，2009. 11.

(23) 貳、長鞭效應的影響 Chopra and Meindl(2006)指出，當供應鏈上下游階層的協調與溝通不足時，使得供應鏈每個成員只追求本身的最大利潤，因而造成長鞭效應的現象，則會導致整體供應鏈績效有嚴重影響，如下列的損失(謝秉孝，2004)：一、製造成本：訂單的變動量遠大於需求的變動量，導致產能過剩或存貨過多。二、庫存成本：為保持高庫存以滿足訂單，倉庫空間及庫存成本自然增加。三、補貨前置時間：因為需求訊息的扭曲使得缺貨情形發生，而延長補貨前置時間。四、運輸成本：因訂單變化量高造成般運載具使用率偏低，行程運輸成本浪費。五、人力成本：因訂單變化量高造成般運人力的短缺或過剩，形成人力成本浪費。六、產品多樣性：因訂單變化量高造成某些產品庫存不足，因無法滿足部分訂單。七、供應鏈夥伴關係：因為需求訊息的扭曲，造成上下游之間互相推卸責任，長期將會破壞供應鏈內之間合作氣氛。由前面可清楚地瞭解到長鞭效應不只會為供應鏈中協調溝通機制帶來相當程度的負面影響，也會增加成本，而使供應鏈的績效不佳，關於長鞭效應對供應鏈不同績效的衡量，如表2.2所示(劉賓陽等，2007)。表 2.2 長鞭效應造成因素績效衡量. 長鞭效應的影響. 製造成本. 增加. 存貨成本. 增加. 補貨前置時間. 增加. 運輸成本. 增加. 運送與接收成本. 增加. 產品可獲性水準. 減少. 獲利力. 減少. 資料來源：劉賓陽等(2007) 12.

(24) 參、影響長鞭效應的因素長鞭效應最早是由Forrester(1961)所提出，Forrester 認為供應鏈中各階層廠商間，由於資訊回饋(information feedback)困難且前置時間(lead time)的延遲，使各訂單決策者產生重複訂購及臨時取消訂單的決策，而造成需求放大的現象，即所謂之「長鞭效應」。 Forrester利用動態模式模擬生產及配銷系統，討論會影響的因素包括工廠產能的限制、訂單處理上時間的延遲、供應鏈中配銷層級的多寡及庫存調整的速度。指上游廠商自身需求變異往往大過實際顧客需求，是因為資訊在傳遞過程中，供應鏈的每一階層都會把實際需求變異放大而造成資訊的扭曲現象，此種現象，越往上游越是更加明顯。 Lee et al.(1997a, 1997b)提出造成長鞭效應的成因有五種：需求預測、前置時間、批次訂購、價格波動、短缺賽局。依序說明如下：一、需求預測(demand forecasting) 大部分的廠商存貨管理，會利用歷史資料來預測需求。當下游傳遞需求訊息給上游時，下游廠商往往會先預測未來需求，考量目前的存貨水準後，再向上游訂購，然而供應鏈每一個階層都自己預測，且為了安全庫存，經常會造成需求預測的誤判，尤其是需求預測越往上游其變變異量越大，長鞭效應影響越明顯。二、前置時間(lead time) 計算基本存貨水準與安全庫存，令 r 為檢視週期的時間長度，L 是前置時間，AVG 為平均每日需求，以及 STD 是每日需求標準差，所以下一個訂單會發生在 r＋L 天後，目前訂單應該足夠滿足在 r＋L 天內的需求。因此基本存貨水準應該包含兩部分：在 r＋L 天內的平均需求為 (r + L) × AVG. (2.1). 以及安全庫存，需要持有的存貨數量，以應付 r＋L 天之平均需求的變異。安全庫存計算如下，其中 z 為安全因子。. 13.

(25) z × STD × �r＋L. (2.2). 隨著前置時間的加長，在需求變異性上的小改變代表著在安全庫存及基本存貨水準上的重大改變，因此也導致變異性的增加。三、批次訂購(batch ordering) 當需求發生，造成庫存的減少時，廠商並不會馬上訂貨補足庫存，廠商往往會累積需求到一定的程度，然後再下一個大訂單，導致供應鏈生產階段間的時間延遲，造就成變異性的增加，使得長鞭效應更明顯。四、價格波動(price fluctuation) 價格波動也會導致長鞭效應。當顧客或下游廠商面對較低的商品價格時，下游廠商常會企圖囤積，甚至大量購買準備在價格上漲時再售出，以賺取價差。產品價格較低時，上游廠商接獲的訂單會比實際需求來得大，而產品價格較高時則比實際需求來得小。這種預先購買的現象，將會造成下次訂購的空窗期，使得上游無法衡量下游的需求，而會導致需求之訊息在傳遞時被扭曲，使得長鞭效應更為顯著。五、短缺賽局(rationing and shortage gaming) 當需求超過供給時，貨物短缺時期，下游廠商為了要確保不會缺貨，會誇大訂單需求的情形發生，等到需求趨於平緩，過多的存貨無法出貨，又會產生另一個訂購的空窗期，使得需求變異隨之擴大。 Kelle and Milne(1999)提出造成長鞭效應的原因是前置時間的關係，因為前置時間對於供應鏈管理有相當大的影響，利用批量訂購，使用(s, S)的訂購策略對供應商做有效管理存貨。Sheu (2005)指出造成長鞭效應的原因來自供應鏈下游成員偏差需求資訊，資訊傳遞的延遲，以及回應下游需求時所採取不當物流操作等現象造成供應鏈中資訊扭曲。長鞭效應影響的因素很多，根據先前學者的相關研究整理如下表 2.3：. 14.

(26) 表 2.3 長鞭效應造成因素相關文獻. 造成因素. Lee et al.(1997a, 1997b) Simchi-Levi et al. (2000). 需求預測. Forrester(1961) Lee et al.(1997a, 1997b) Kelle and Milne(1999) Simchi-Levi et al. (2000) Chen et al.(2000a,2000b). 前置時間. Lee et al.(1997a, 1997b) Simchi-Levi et al. (2000). 批量訂購. Lee et al.(1997a, 1997b). 價格波動. Lee et al.(1997a, 1997b). 短缺賽局. Houlihan(1987) Towill(1994) Sheu (2005). 資訊扭曲. Forrester(1961) Towill(1991). 供應鏈階層. 資料來源：本研究整理. 肆、長鞭效應之量化將供應鏈中每一個階段發生之變異性加以量化，不僅可有效顯示變異性增加規模大小，也顯示出預測方式、前置時間以及增加變異性之間的關係。 Chen et al.(2000a)以數學模式量化並證明在二階供應鏈中長鞭效應的存在，模式中採用移動平均法作為預測方法，影響長鞭效應的因子為「需求預測」及「訂購前置期」，並以需求變異做為量測長鞭效應的工具。假設零售商採用一個簡單的預測技術：移動平均法。在每一期零售商以前 p 期所觀察需求的平均為需求平均，需求的標準差也是以相同方式計算。預測需求為𝜇𝜇�𝑡𝑡 ，標準差. 為 St，假如 Dt 代表在第 t 期的顧客需求，表示如下： 15.

(27) 𝜇𝜇̂ 𝑡𝑡 =. St2. =. 𝑡𝑡−1 ∑𝑖𝑖=𝑡𝑡−𝑝𝑝 𝐷𝐷𝑡𝑡. 𝑝𝑝. (2.3). 𝑝𝑝 － 1. (2.4). ∑t−1 � t )2 i=t −p (Dt －μ. 當我們可以計算出製造商及零售商所面對的變異性，並互相比較。假如零售商所面對的顧客需求變異數為 Var(D)，那零售商下訂單給製造商的變異數為 Var(Q)與零售商所面對的顧客需求變異數比值會滿足以下公式： 𝑉𝑉𝑎𝑎𝑎𝑎 (Q). 𝑉𝑉𝑉𝑉𝑉𝑉 (D). ≥ 1+. 2𝐿𝐿 𝑝𝑝. +. 2𝐿𝐿2 𝑝𝑝 2. (2.5). 變異性放大效果的下限，在給定的預測期數 p 下，長鞭效應的前置時間 L 為函數。結果是，當 p 值很大而 L 很小時，因預測誤差而引起的長鞭效應是微不足道的。換言之，當零售商利用移動平均法來預測需求時，長鞭效應會因前置時間的增加與減少預測期數 p，長鞭效應將會擴大(Simchi-Levi et al.,2008)，如圖下 2.3：. 圖 2.3 p 期移動平均法長鞭效應之下限圖資料來源：Simchi-Levi et al.,2008. 若零售商以指數平滑法(exponential smoothing)進行需求預測，則下一期的預測需求為本期之實際需求與預測需求之線性關係，α 為平滑參數(smoothing constant)，0＜α＜1，用來調整實際需求與預測需求間的權重參數：. 𝜇𝜇̂ 𝑡𝑡−1 = 𝛼𝛼 Dt + (1 − 𝛼𝛼)𝜇𝜇̂ 𝑡𝑡 16. (2.6).

(28) 指數平滑法預測所造成的長鞭效應之結果如下： 𝑉𝑉𝑎𝑎𝑎𝑎 (Q). 𝑉𝑉𝑉𝑉𝑉𝑉 (D). ≥ 1 + 2𝐿𝐿α +. 2𝐿𝐿2 α 2 2−𝛼𝛼. (2.7). 由上公式發現該值大於一，訂購量變異大於需求變異，長鞭效應存在。. 伍、降低長鞭效應 Simchi-Levi et al.(2000)認為消除長鞭效應可從以下四個層面來著手，包括降低不確定性、降低顧客需求過程之變異性、降低前置時間及建立策略性的夥伴關係如下：一、降低不確定性(reducing uncertainty) 最常使用來減少或降低長鞭效應之建議即是透過整個供應鏈做集中式需求資訊，即提供供應鏈中每一階層完整的實際顧客需求資訊來降低不確定性。藉由需求資訊的集中，讓供應鏈上的每一階層能獲得完整而可靠的顧客需求訊息，消除過去單純憑藉下游訂單推測終端需求所產生之不確定性。二、降低變異性(reducing variability) 藉由降低顧客需求過程中固定的變異性，可減少長鞭效應。例如，假如我們可降低零售商所看見的顧客需求變異性，那麼一旦發生長鞭效應，批發商所見之需求變異性也可以減少。三、減少前置時間(lead time reduction) 上一段長鞭效應的量化很清楚的顯示，由於需求預測，前置時間會擴大變異性的增加。增加前置時間會對供應鏈中每一個階層的變異性有明顯的影響。因此，降低前置時間可顯著地減少供應鏈的長鞭效應。前置時間包括兩個元素：訂單的前置時間(生產、運輸貨物的時間)與資訊的前置時間(處理訂單的時間)。前者可透過越庫作業(cross-docking)來降低，後者可透過電子資料交換(electronic data interchange, EDI)來降低。. 17.

(29) 四、策略性夥伴關係的建立(strategic partnerships) 長鞭效應可以藉由參與幾個策略夥伴關係來消除。這些策略夥伴關係改變了供應鏈內資訊分享與存貨管理的方式，並且可以消除長鞭效應的衝擊。例如藉由供應商庫存管理系統(VMI)的建立，讓供應商可以主動掌握銷售資訊及庫存量，作為市場需求預測及自動補貨的依據。所以在 VMI 下，製造商不需要依賴零售商所下的訂單，因而能完全避免長鞭效應。 Chen et al.(2000a)利用零售商移動平均法去預測需求量之大小，以數學模式證明二階層長鞭效應的存在，之後以需求預測與訂單的前置時間為因子，探討有關於集中式與分散式對於多階層供應鏈的影響性，最後發現若在集中式需求資訊下各階層訂單變化量會呈現累加的現象，但是假若是在分散的情況下，各階層訂單變化量會呈現乘積的變化。 Chen et al.(2000b)延續之前的研究，但是在此是利用指數平滑法做為預測的方法，指出在長鞭效應中訂單變化的大小，決定在顧客需求的過程與零售商預測的大小，最後得到結論發現使用較多的需求資訊可以有效的降低長鞭效應。 Xu et al.(2001)延續 Chen et al.(2000a)的研究，利用時間序列的方法去預測需求量多寡，了解長鞭效應對於企業界的影響，利用需求模式與時間序列方式互相結合，以數學模式有效證明在三階層的情況之下確實有長鞭效應之產生，證實出長鞭效應之後，利用資訊共享的方法降低長鞭效應的程度，可發現確實能有效的降低長鞭效應。 O’Donnell et al.(2006)提出不論面對確定或隨機的顧客需求和前置時間時，利用基因演算法求出供應鏈中各成員的最佳訂貨量可以有效降低長鞭效應的情形並減少成本。由以上降低長鞭效應的方法中，本研究以不同的需求預測方法與資訊分享方式來減緩供應鏈長鞭效應的現象。. 18.

(30) 第三節需求預測方式壹、預測方式預測是管理工具中的一個重要工具。儘管預測有一定的困難度，但可以有效的幫助決策者進行判斷。雖然有許多不同的預測工具與方式，其一般可分成四大類(Georgoff, 1986)：一、判斷法(judgment methods)是運用經驗、直覺、個人的價值體系、猜測與專家意見。例如專家群(panels of experts)與 Delphi 法(Delphi method)。二、市場研究法(market research methods)是可以有效的方法建立預測，尤其是對新產品而言。例如市場測試(market testing)與市場調查(market surveys)。三、時間序列法(time-series methods)是一種數學方法，由過去的相關資料可以被用來預測未來的需求。例如移動平均法(moving average)、加權移動平均(weighted moving average)、指數平滑法(exponential smoothing)與迴歸分析法(regression analysis)等。四、因果法(causal methods)是根據所欲預測的資料以外之其他資料來做預測。例如因果法預測下一季的銷售額，是通貨膨脹、失業率、天氣因素或本季銷售額以外之其他因素的函數。本論文主要以時間序列法進行預測，此在下節進一步討論。. 貳、時間序列法(time-series methods) 時間序列法利用具有相關的歷史資料，且有趨勢關係，種種相關資料預測未來資料。所以本研究探討移動平均法、加權移動平均和指數平滑法的相關文獻與介紹。一、移動平均法(moving average) 當需求無顯著趨勢或是季節性時，最適用於移動平均法。這個方法是以過去資料 19.

(31) 為依據，將最近 n 個時段的資料以算術平均作為下一時段的預測值。移動平均法是簡易的預測法，可消除季節變動，不規則變動所造成之影響。算式如下：. 𝜇𝜇̂ 𝑡𝑡 ：第 t 期的預測需求 p. 𝜇𝜇̂ 𝑡𝑡 =. ∑𝑡𝑡−1 𝑖𝑖=𝑡𝑡−𝑝𝑝 𝐷𝐷𝑖𝑖 𝑝𝑝. (2.8). ：移動平均所計算的期數. 𝐷𝐷𝑖𝑖 ：第 i 期的實際需求. 二、加權移動平均法(weighted moving average) 移動平均經由調整為更能反映真實資料變動與季節效果，這種經過調整的方法稱之為加權移動平均法。此方法中，權數是根據最近幾期的資料而給定的。算式如下：. 𝑊𝑊𝜇𝜇̂ 𝑡𝑡 = ∑𝑡𝑡−1 𝑖𝑖=𝑡𝑡−𝑝𝑝 𝑊𝑊𝑖𝑖 𝐷𝐷𝐷𝐷. (2.9). 𝑊𝑊𝑖𝑖 ：第 i 期的權重，介於 0％到 100％之間 ∑ W𝑖𝑖 ＝1.00. 三、指數平滑法(exponential smoothing) 指數平滑法是一種複雜的加權移動平均法，在最近需求賦予較早期的需求較多的權數，來計算時間序列的平均值。在本文介紹兩種形式的指數平滑法(吳坤山、張宏吉編譯，2005) (一)簡單指數平滑法(simple exponential smoothing) 簡單指數平滑法也是加權平均的一種，隨著較近期的資料，權重也跟這成指數增加，因此稱為簡單指數平滑。簡單指數平滑法是利用過去的時間數列的加權平均值以平滑資料方法，並利用該加權平均值做為下一期的預測值。算式如下：. 𝜇𝜇̂ 𝑡𝑡+1 = 𝛼𝛼 𝐷𝐷𝑡𝑡 + (1 − 𝛼𝛼)𝜇𝜇̂ 𝑡𝑡. 𝜇𝜇̂ 𝑡𝑡 ：第 t 期的預測需求. 𝐷𝐷𝑡𝑡 ：第 t 期的實際需求. 𝛼𝛼：權種因子，平滑參數(smoothing constant)，0＜α＜1 20. (2.10).

(32) 簡單指數平滑法中的 α 值越大，預測值對當期資料的變化越敏感，而當 α 值越接近 0，則變化所產生的效果就越平滑。 (二)調整指數平滑法(adjusted exponential smoothing) 調整指數平滑預測法是指將趨勢調整因子加到指數平滑預測的方法。指數平滑法假設有穩定的平均數，但若實際的平均數不斷地變動時，會造成預測的結果遠比實際需求平均之變動還落後。當時間序列的平均數變動時，較高的 α 值可以有助於預測誤差降低；但若實際平均數呈現某個規則性變動時，則預測誤差還是存在(何致華，2005)。調整指數平滑法就是將簡單指數平滑法擴充成具有趨勢的模式，使用這種方式會用到平滑平均值的預測值和趨勢的預測值。算式如下： 𝐴𝐴𝑡𝑡+1 = 𝛼𝛼 𝐷𝐷𝑡𝑡 + (1 − 𝛼𝛼)𝐴𝐴𝑡𝑡. 𝑇𝑇𝑡𝑡+1 = 𝛽𝛽 (𝐴𝐴𝑡𝑡+1 − 𝐴𝐴𝑡𝑡 ) + (1 − 𝛽𝛽)𝑇𝑇𝑡𝑡 𝜇𝜇̂ 𝑡𝑡 +1 = 𝐴𝐴𝑡𝑡+1 + 𝑇𝑇𝑡𝑡+1. 𝐴𝐴𝑡𝑡 ：第 t 期平穩化的平均值. 𝑇𝑇𝑡𝑡 ：第 t 期趨勢的預測需求 𝐷𝐷𝑡𝑡 ：第 t 期的實際需求. 𝛼𝛼：平滑參數，0＜α＜1. 𝛽𝛽：為趨勢的平滑常數，0＜β＜1. 21. (2.11).

(33) 第四節分散式與集中式的供應鏈本節主要討論集中式與分散式的資訊對長鞭效應的影響。分散式供應鏈 (decentralized supply chain)中，供應鏈的零售商不會提供需求平均與變異數預測給供應鏈中的其他成員，而是第二階層必須根據前一階層所下的訂單去估計預測需求平均與變異數，以此類推其它階層預測需求平均與變異數。供應鏈中第𝑘𝑘個階層所下的訂單變異數為𝑉𝑉𝑉𝑉𝑉𝑉(𝑄𝑄 𝑘𝑘 )、顧客的需求變異數為𝑉𝑉𝑉𝑉𝑉𝑉(𝐷𝐷)，算式如下： 𝑉𝑉𝑎𝑎𝑎𝑎 (𝑄𝑄 𝑘𝑘 ) 𝑉𝑉𝑉𝑉𝑉𝑉 (𝐷𝐷). ≥ ∏𝑘𝑘𝑖𝑖=1 �1 +. 2𝐿𝐿𝑖𝑖 𝑝𝑝. +. 2𝐿𝐿𝑖𝑖 2 𝑝𝑝 2. �. (2.12). 此Li 代表第 i 階層與第 i+1 階層之間的前置時間。供應鏈中第 k 個階層之所下訂單的變. 異數，變異數在供應鏈中的每一個階層是以乘數增加，代表越往供應鏈的上游階層，則訂單的變異數會越增加(Chen et al.,2000a)。在集中式供應鏈(centralized supply chain)中，供應鏈的每一個階層都會收到零售商所預測的平均需求資訊，假設使用 p 個需求觀察值的移動平均法預測需求平均與變異數。供應鏈中第 k 個階層所下的訂單變異數為 Var(Qk)、顧客的需求變異數為 Var(D)，算式. 如下： 𝑉𝑉𝑎𝑎𝑎𝑎 (𝑄𝑄 𝑘𝑘 ) 𝑉𝑉𝑉𝑉𝑉𝑉 (𝐷𝐷). ≥ 1+. 2 ∑𝑘𝑘𝑖𝑖=1 𝐿𝐿𝑖𝑖 𝑝𝑝. +. 2. 2�∑𝑘𝑘𝑖𝑖=1 𝐿𝐿𝑖𝑖 � 𝑝𝑝 2. (2.13). 此𝐿𝐿𝑖𝑖 代表第 i 階層與第 i+1 階層之間的前置時間。供應鏈中第 k 個階層之所下訂單的變. 異數，是此階層與零售商之間的全部前置時間的遞增函數，代表越往供應鏈的上游階層，則訂單的變異數則會越大(Chen et al.,2000a)。集中式與分散式這兩種供應鏈型態，供應鏈越往上游，訂單變異數會越大。集中式供應鏈訂單的變異數是隨著總前置時間，以加總方式增加；分散式供應鏈，則是以乘數. 上增加。所以分散式供應鏈會比集中式供應鏈的變異性更大，特別是在前置時間較長情形下會更顯著。 22.

(34) 圖 2.4 顯示，k 階層(k＝3 與 k＝5)所下訂單的變異性，以及集中式(Cen)與分散式(Dec) 系統之顧客需求變異性的比率，也顯示了零售商所下訂單變異性與顧客需求變異性之間的比率(k＝1)。供應鏈中每一階層分享需求資訊可以顯著降低長鞭效應。但即使需求資訊是完全集中，長鞭效應還是會存在，不能完全消除。. 圖 2.4 p 期移動平均法集中式與分散式長鞭效應之下限圖資料來源：Simchi-Levi et al.,2008. Chen et al.(2000a,2000b)以數學模式驗證二階層長鞭效應的存在，並且探討集中式與分散式對多階供應鏈的影響性，最後得到資訊共享可有效的減緩長鞭效應。Lee et al(2000) 以一對一兩階層供應鏈架構，建立資訊分享前後模式，利用推導與模擬方式，比較資訊分享前後的差異，結果供應端與需求端資訊分享程度越高，對雙方越有利。Xu et al.(2001) 利用資訊共享的方式可有效降低階層的長鞭效應。Sahin and Robinson(2005)的研究發現，當資訊分享愈完整時，確實可以有效地降低長鞭效應的發生，進而降低相關成本並提升績效。陳以明、李文文(2006)以多階供應鏈為基礎在資訊共享下的前置時間管理，可有較減緩長鞭效應，並帶來最大績效的表現。以上利用資訊共享減緩長鞭效應的文獻大都探討線性多層供應鏈為主，較少有關於實務較複雜的供應鏈，因此本論文先探討線性多層供應鏈，再進一步擴展為與實務較相關的輻射多層供應鏈。. 23.

(35) 第五節雲端資訊分享近幾年來，雲端運算(cloud computing)是科技界最熱門的名詞。微軟全球執行長史帝夫．包默爾(Steve Ballmer)公開表示，雲端就是未來；趨勢科技創辦人張明正也也認為，「未來十年內，雲端運算應用服務將成為全球 IT 產業最重要、且最具革命性的技術與服務趨勢」(財信出版，2010)。因此，行政院經濟部(2010)也提出「雲端運算產業發展方案」，其中一項計畫是推動中小企業運用雲端服務，例如電子商務、企業資源規劃、客戶關係管理、採購供應與需求鏈管理、倉儲與運輸管理、宅經濟(閑人經濟)等服務。因此本文藉由雲端運算的概念運用在供應鏈預測需求上進行計算，透過雲端資訊運算讓需求預測可以更準確，使整體供應鏈達到最大效應。. 壹、雲端運算的概念「雲」指的是網際網路，「端」可看成是終端裝置，把所有原先在個人電腦(PC)內的程式、軟體、資料等都放在網際網路上，便可不受時間與空間的限制，如下圖 2.5 只要透過任何一種終端裝置連上網路，便可以存取想要的資料，或者進一步執行其他功能，這就是雲端運算(財信出版，2010)。. 圖 2.5 雲端運算架構示意圖資料來源：周天穎等，2011. 24.

(36) 雲端運算可以讓使用者隨時隨地使用任何設備來存取各項服務。雲端運算是一種經由網際網路，從遠端取用近乎無限電腦運算資源的服務模式與技術組成，具有如下三大特質：超大型(massively)，通常具有超過 1 萬台以上主機的運算資源；無限延展(scalable)，運算能力可隨運算設備的增加而迅速擴充；彈性使用(elastic)，用戶可隨需要增加或減少運算資源的使用。雲端運算會衍生出三種服務模式，由下圖 2.6 可清楚表達雲端三大產業服務的類型其分別為：. 圖 2.6 雲端上的三大產業資料來源：財信出版，2010. 一、架構即服務(Infrastructure as a Service , IaaS)：提供核心計算資源和網路架構的服務。例如代表性業者亞馬遜提供企業用戶的 AWS(Amazon Web Service)技術平台、IBM 的藍雲(Blue cloud)計畫等。二、平台即服務(Platform as a Service , PaaS) 給開發人員更大的彈性依不同需求客製化 Web Applications，然後使用者或客戶端 25.

(37) 藉由 Internet 即可使用，無須軟體的下載與安裝，包括開發人員，IT 管理者，使用者等皆可以享用此平台提供的好處。三、軟體即服務(Software as a Service , SaaS) 在此模式中，應用軟體是由服務提供商所控管，將軟體及應用程式以網路服務形式進行，提供使用者和客戶按需求軟體應用服務。在使用者及客戶端，無須安裝、維護、更新應用軟體和硬體設備。「雲端運算」服務還提供了一樣需要耗費大量運算資源的程式開發平台，例如 Google App Engine 提供了「雲端運算」平台與資訊儲存的系統，讓用戶節省大量的硬體設備支出費用(蔡金宏，2010)，如下圖 2.7 是台灣雲端運算產業鏈發展現況。個人用戶/企業用戶/政府機關用戶精簡型終端(Thin Client/Coud Device). 廣達、宏碁、華碩、… 中華電信、廣達/雲端算、明基電通、緯創軟體、關貿等. 軟體即服務(SaaS) → 軟體供應商與服務營營運商用戶認證. 用戶授權. 垂直領域應用軟體模擬伺服器/桌面管理. 用戶計費. 客戶服務. 中介軟體. 維護管理. 第三方運行應用軟體. 虛擬資料庫/檔案管理. 應用平台服務 API. 應用平台即服務(PaaS) → 軟體供應商與服務營營運商應用開發. 應用測試. 應用上線. 應用升級. 應用監控. 計畫管理. 開發環境. 執行環境. 維運環境. 共用元件. 第三方應用平台服務. 運算基礎設施服務 API. 廣達/雲端算、明基電通、華碩 /EeePc、行政院研考會等. 運算基礎設施即服務(IaaS)→軟體設備製造商、系統產品/整合商與服務營運商映像管理. 系統管理. 用戶管理. 系統監控. 帳戶計費. 負載管理. 資源部置. 安全管理. 資訊監控. 資料管理. 綠能管理. 主機、儲存與網路設備(一般商用開放規格）. 圖 2.7 台灣雲端運算產業鏈發展現況資料來源：行政院經濟部，2010. 26. 宏碁、中華電信、鴻海、廣達、英業達、華碩、緯創資通、騰雲等.

(38) 貳、雲端運算的優點和缺點雲端運算可能是未來的主要潮流，在談論新興技術勢必先了解所帶來的優點與缺點。優點是關於規模經濟，相較於單一企業所能提供的，雲端運算供應商所提供基礎設施可以更好、更便宜，而且更可靠的應用程式，如果充分利用雲端的資源，公司可以省下很多成本與資源。目前雲端最大的缺點就是安全性，網路是應用程式一直被視為具有潛在的安全風險。下表 2.4 經由整理出雲端運算優缺點：表 2.4 雲端運算的優點和缺點優點 1、較低的使用者電腦成本 2、改善效能 3、較低的資訊技術基礎設施成本 4、較少的維護問題 5、較低的軟體成本 6、即時軟體更新 7、提高計算能力 8、無上的儲存容量 9、增加資料安全 10、改善不同作業系統間的相容性 11、改善文件格式的相容性 12、更易於群體合作 13、文件的全面性存取. 缺點 1、需要持續不斷的網際網路連線 2、網路連線數度太慢時無法順利運作 3、速度可能是緩慢的 4、功能可能是有限的 5、儲存的資料可能不安全 6、如果雲端遺失，資料有可能不見的風險. 資料來源：林家瑜譯，2009. 参、小結雲端平台對於企業具有相當大的吸引力，根據調查，On-Demand 平台對企業具有明顯的吸引力，尤其對中小企業的吸引力更超過八成，因為中小企業可利用此平台開發快速及便宜的人性化應用軟體，既有高成本效益(財信出版，2010)。因此本論文希望藉由雲端運算的概念運用在供應鏈預測需求上，讓供應鏈中每一個階層都可以透過雲端平台獲得更多需求資訊，再利用雲端運算的軟體進行需求預測的計算，使企業在需求預測方面更精準，達到減緩長鞭效應之目的，使整體供應鏈達到最大效應。 27.

(39) 第三章研究方法本章共五節，第一節描述本研究設立的問題與分析；第二節說明線性多層供應鏈模式；第三節說明輻射多層供應鏈模式；第四節說明本研究的模擬過程；第五節說明本研究假設檢定的方法與流程。. 第一節問題描述與分析本論文為了廣泛探討長鞭效應，首先以線性多層供應鏈的模式進行研究，接著進一步探討與實務較接近的輻射多層供應鏈，利用不同預測方法和資訊分享方式，探討減緩長鞭效應的最佳結果。. 壹、供應鏈模式本研究的線性多層與輻射多層供應鏈形式可分成六層，包含供應商、製造商、配銷商、批發商、零售商與顧客。從最上層的供應商到最下層的終端顧客，除了終端顧客只具備向上游訂購和供應商只具備向下游出貨行為之外，其它的階層都具備向上游訂購及下游出貨的行為，但只允許相鄰的兩個階層之間的互動。而且供應商有足夠的供貨能力，也就是說只要製造商向供應商訂貨，供應商一定滿足製造商所有的訂購需求。另外如果有缺貨，本研究允許延遲交貨(backorder)的情況發生，假設配銷商存貨不足，可允許下一期出貨時，先將上期缺貨量先補足再進行出貨。圖 3.1 呈現一個簡單且屬於線性關係之假設的供應鏈基本概念(諸志鵬等譯，2010)，因此本論文為了探索各階層之間需求預測方法與資訊分享方式，先以簡單的線性多層供應鏈模式進行說明，即各階有一個成員，包含一家供應商、一家製造商、一家配銷商、一家批發商、一家零售商和顧客，圖 3.2 為線性多層供應鏈出貨與訂購流的示意圖。. 28.

(40) 圖 3.1 整合的供應鏈資料來源：諸志鵬等譯，2010. 出貨顧客. 零售商. 批發商. 配銷商. 製造商. 供應商. 訂購圖 3.2 線性多層供應鏈出貨與訂購流的示意圖資料來源：本研究整理. 據我們所知文獻上探討長鞭效應都以線性模式為主，較少以與實務較接近之複雜供應鏈為探討對象，實務上的多層供應鏈是很複雜的，為了更接近探討實務，本論文參考劉賓陽等(2007)提到多階層週期存貨管理，多階層式的供應鏈存在著許多階層，每個階層皆有許多的成員，且一階層供應給另一階層，圖 3.3 為多階層配送的供應鏈，因此本文將較複雜多階層配送的供應鏈精簡成輻射多層供應鏈(radiation multi-layer supply chain)。圖 3.4 為出貨與訂購流的示意圖，包含一個供應商、一個製造商、兩個配銷商、四個批發商、八個零售商與顧客。. 29.

(41) 圖 3.3 多階層配送的供應鏈資料來源：劉賓陽等編譯，2007. 出貨零售商. 批發商. 配銷商. 製造商. 供應商. 顧客. 訂購圖 3.4 輻射多層供應鏈資料來源：本研究整理. 30.

(42) 貳、預測方式預測方法方面本研究使用三種常用的預測方法：移動平均法、加權移動平均法、調整指數平滑法。一、移動平均法：利用前 p 個期數發生之需求來做為下一期的需求預測值，如下所示。. 𝜇𝜇̂ 𝑡𝑡 ：第 t 期的預測需求 p. 𝜇𝜇̂ 𝑡𝑡 =. ∑𝑡𝑡−1 𝑖𝑖=𝑡𝑡−𝑝𝑝 𝐷𝐷 𝑖𝑖 𝑝𝑝. (3.1). ：移動平均所計算的期數，本研究 p＝3、5 期. 𝐷𝐷𝑖𝑖 ：第 i 期的實際需求. 二、加權移動平均法：本研究中所使用的加權移動平均法採用 p 期(p＝3、5 期)，越接近預測當期的權重越大；p＝3 期的權重分配，第 1 期的權重為 1/6、第 2 期的權重為 2/6、第 3 期的權重為 3/6；p＝5 期的權重分配，第 1 期的權重為 1/15、第 2 期的權重為 2/15、第 3 期的權重為 3/15、第 4 期的權重為 4/15、第 5 期的權重為 5/15，依照時間的先後順序給予權重，算式如下：. 𝑊𝑊𝜇𝜇̂ 𝑡𝑡 = ∑𝑡𝑡−1 𝑖𝑖=𝑡𝑡−𝑝𝑝 𝑊𝑊𝑖𝑖 𝐷𝐷𝐷𝐷. (3.2). 𝑊𝑊𝑖𝑖 ：第 i 期的權重，介於 0％到 100％之間 ∑ W𝑖𝑖 ＝1.00. 三、調整指數平滑法：調整指數平滑法就是將簡單指數平滑法擴充成具有趨勢的模式，使用這種方式會用到平滑平均值的預測值和趨勢的預測值，本研究中所使用的調整指數平滑法，將平滑常數 α 和趨勢的平滑常數 β 各給予權重值(α=0.6、 β=0.4)(α=0.9、β=0.1)，算式如下： 𝐴𝐴𝑡𝑡+1 = 𝛼𝛼 𝐷𝐷𝑡𝑡 + (1 − 𝛼𝛼)𝐴𝐴𝑡𝑡. 𝑇𝑇𝑡𝑡+1 = 𝛽𝛽 (𝐴𝐴𝑡𝑡+1 − 𝐴𝐴𝑡𝑡 ) + (1 − 𝛽𝛽)𝑇𝑇𝑡𝑡 𝜇𝜇̂ 𝑡𝑡 +1 = 𝐴𝐴𝑡𝑡+1 + 𝑇𝑇𝑡𝑡+1. 31. (3.3).

(43) 𝐴𝐴𝑡𝑡 ：第 t 期平穩化的平均值. 𝑇𝑇𝑡𝑡 ：第 t 期趨勢的預測需求 𝐷𝐷𝑡𝑡 ：第 t 期的實際需求. 𝛼𝛼：平滑參數，0＜α＜1. 𝛽𝛽：為趨勢的平滑常數，0＜β＜1. 参、資訊分享方式. 本研究使用資訊分散式與四種雲端資訊分享方式進行分析比較。一、資訊分散式：在資訊分散式的供應鏈中，供應鏈的零售商不會提供需求平均與變異數預測給供應鏈中的其他成員，而是第二階層必須根據前一階成員所下的訂單去估計預測需求。二、雲端資訊分享方式：供應鏈中每一個階層都可以透過雲端平台獲得下游的需求資訊並利用雲端運算的軟體進行需求預測的計算，但並不是每一個階層產業都願意提供完整的資訊，因此本論文模擬四種方案，首先以線性多層供應鏈為主，每種方案給予資訊不同的權重比例，進行計算需求平均與變異數的預測，如圖 3.3 到圖 3.6 所示。線性多層供應鏈中將挑選出最佳的雲端運算資訊分享方式，再運用於輻射多層供應鏈的雲端運算資訊分享方式。（一）雲端資訊分享 1：越靠近預測階層的訂購量，給予越高的權重比例，如圖 3.5 所示，以製造商運用雲端 1 計算預測值來舉例說明如下公式：零售商預測值＝(1×顧客訂購量) 批發商預測值＝(0.4×顧客訂購量)+(0.6×零售商訂購量) 配銷商預測值＝(0.2×顧客訂購量)+(0.3×零售商訂購量)+(0.5×批發商訂購量) 製造商預測值＝(0.1×顧客訂購量)+(0.2×零售商訂購量)+(0.3×批發商訂量)+(0.4×配銷商訂購量). 32.

(44) 圖 3.5 雲端資訊分享 1 的權重比例分配圖資料來源：本研究整理. （二）雲端資訊分享 2：將每一個階層得到的訂購資訊給予相同的權重比例，如圖 3.6 所示，以配銷商運用雲端 2 計算預測值來舉例說明如下公式：零售商預測值＝(1×顧客訂購量) 批發商預測值＝(1�2×顧客訂購量)+( 1�2×零售商訂購量). 配銷商預測值＝(1�3×顧客訂購量)+( 1�3×零售商訂購量)+(1�3×批發商訂購量) 製造商預測值＝(1�4×顧客訂購量)+( 1�4×零售商訂購量)+(1�4×批發商訂購量) +(1�4×配銷商訂購量). 圖 3.6 雲端資訊分享 2 的權重比例分配圖資料來源：本研究整理 33.

(45) （三）雲端資訊分享 3：越靠近顧客的訂購量，給予越高的權重比例，如圖 3.7 所示，以批發商運用雲端 3 計算預測值來舉例說明如下公式：零售商預測值＝(1×顧客訂購量) 批發商預測值＝(0.6×顧客訂購量)+(0.4×零售商訂購量) 配銷商預測值＝(0.5×顧客訂購量)+(0.3×零售商訂購量)+(0.2×批發商訂購量) 製造商預測值＝(0.4×顧客訂購量)+(0.3×零售商訂購量)+(0.2×批發商訂購量)+(0.1×配銷商訂購量). 圖 3.7 雲端資訊分享 3 的權重比例分配圖資料來源：本研究整理. （四）雲端資訊分享 4：可獲得完整顧客的訂購資訊，每各階層使用顧客訂購資訊預測需求訂購量如圖 3.8 所式，公式如下：零售商的預測值＝(1×顧客訂購量) 批發商的預測值＝(1×顧客訂購量) 配銷商的預測值＝(1×顧客訂購量) 製造商的預測值＝(1×顧客訂購量). 34.