臺灣博碩士論文加值系統

由於全球化的關係，為企業帶來廣大的市場與商機，但同時也帶來了非常大的競爭壓力，原本的企業經營，只需關注於地區的競爭，而現在則需面對來自於全球的競爭，供應鏈網絡也從地域性延伸到全球性。電子產業就是一個相當典型的例子，特別是在消費性電子產品，產品生命週期短，存在眾多的競爭者，終端產品由為數不少的零組件所組成，來自於不同的供應商，供應商也可能來自於全球各地，顧客的需求具多樣性及不確定性，交期的需求經常低於生產製造的週期，也因此，在供應鏈各環節反應上的要求愈來愈為快速與精準。在生產製造的週期高於需求交期的情況下，除非是在生產技術上有顯注的突破，要能夠滿足顧客現在與未來的需求，存貨似乎是一個簡單且直接的解答，然而隨即而來的問題則是「要庫存何項產品及需要備多少數量？」，備錯庫存，不僅不能解決顧客在短交期上的需求，在競爭激烈的市場中為企業帶來效益，但卻要面臨較高的存貨風險，諸如呆庫、報廢與跌價損失，造成營運成本提高、資金的積壓與流動性問題，一點一滴地削弱企業的競爭力。
本研究探討在資訊不透通、需求不確定的競爭環境中，企業採取混合式生產策略下的庫存品項選擇，有別於過去研究在最低成本、最大銷售利益或產能限制的觀點，主要的貢獻在於加入風險評估的考量，建構數學模型，以庫存品項的各週期需求量與顧客數做為風險評估基礎，透過歷史資料之收集與計算，轉換為訂單數量導向之相對強度指標與客戶導向之相對強度指標，做為庫存品項選擇的依據，協助企業在眾多的品項中，有效率地找出未來需要且低存貨風險的品項。
最後，以電子產業上游的被動元件之積層電感產品為例，並使用實際發生的資料，用本研究所建構的模型，以基因演算法求解。反覆的進行演算，證明能夠得到穩定的結果，找到有效且低風險的庫存品項。再將所得之結果，與個案公司原本的庫存品項選擇方式進行比較，發現本研究所提出的方法優於原本的選擇方式，在品項選擇的效率上也較佳。

Globalization brings corporations not only immense markets and business opportunities but also extremely huge competitiveness stress. Having been concentrated on regional competitiveness, the corporations shall start to confront global competitiveness. The supply chain network becomes from regional to global. The electronic industry is a typical demonstration of globalization. The product life cycle for the consumer electronic products are so short where there are lots of competitors. The terminal products are composed of many parts and components which are provided by various manufacturers. The manufacturers are located all around the world. The consumers’ demands are diversifying and uncertain. As the product delivery cycles are usually quicker than the manufacturing cycles, the demands for response from each supply chain shall be increasingly faster and more precise. Amid that the manufacturing cycles are slower than the product delivery cycles, inventory items level seems be a simple and quick solution unless there shall be significant breakthrough on manufacturing technology meeting customers’ current and futuristic demands. Under such a hypothesis, what inventory items shall be maintained? How much inventory items shall be needed? Maintaining unnecessary inventory items can’t satisfy customers’ demands for quick product delivery cycle and can’t bring the corporations benefits in the fiercely competitive markets but results in higher inventory items risk, such as obsolete inventory items, write-off and depreciation losses, and also causes higher operating costs, deceases financial liquidity that all weaken the corporate competitiveness.
Instead of the hypothesis of the lowest production cost, the maximum sales profits or the production capacity limits in the past, this research explores how the corporations apply the mix production strategies on the inventory items selections with the hypothesis that a competitive environment is composed of un-free information communication and uncertain demands. The major features for this research are that (1) risk evaluation is taken into consideration, (2) an arithmetic model is established in which each demand cycles and the number of customers for each inventory items are used as risk evaluation basis and historical data collection and calculation are converted into “Quantity-oriented Relative Strength Index” and “Customer-oriented Relative Strength Index” that are used as the reference basis for inventory items selection, (3) Genetic Algorithm is used for making a solution so that the corporations can be assisted in pinpointing out effectively the specific inventory items with futuristic demands and low inventory items risk among many inventory items.
A study is conducted on the multilayer chip inductor of passive component in the electronic upper stream industry. The factual data and the model established by this research are applied with genetic algorithm for searching the solution. Repetitive calculation has been proven to be deliver stable results and to find the cost-effective and low-risky inventory items. After the comparison is made between the research results and the case-study corporations’ inventory item selection methods, it has been deduced that the methods submitted by this research excel than the original selection methods and also deliver better efficiency for item selection.

目錄
中文摘要 I
英文摘要 II
誌謝辭 IV
目錄 V
圖目錄 VIII
表目錄 X
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 3
1.3 論文架構 4
第二章 文獻探討 6
2.1 存貨的概念 6
2.1.1 何謂存貨 6
2.1.2 存貨的型態 6
2.1.3 存貨之目的 7
2.1.4 長鞭效應 9
2.2 風險的概念與定義 11
2.3 生產策略 12
2.3.1 庫存式與訂單式生產 13
2.3.2 混合式生產 16
2.3.3 小結 17
2.4 相對強弱指標 18
2.5 基因演算法 19
第三章 被動元件產業庫存備料品項選擇探討 22
3.1 被動元件之產業概況 22
3.1.1 何謂被動元件 23
3.1.2 電子產業供應鏈與長鞭效應 28
3.1.3 全球被動元件產業產值分析 30
3.1.4 台灣被動元件產業產值分析 31
3.2 個案公司簡介 32
3.2.1 台灣電感產業概述與SWOT分析 32
3.2.2 個案公司發展歷程與沿革 35
3.2.3 個案公司營運概況 36
3.2.4 個案公司之SWOT分析 37
3.3 個案公司混合式生產策略之庫存品項選擇歷程 40
3.3.1 庫存品項選擇歷程一 41
3.3.2 庫存品項選擇歷程二 41
3.3.3 庫存品項選擇歷程三 43
3.3.4 庫存品項選擇歷程四 45
3.3.5 庫存品項選擇歷程五 46
3.3.6 產品的分類與各歷程之庫存品項選擇 47
3.3.7 小結 51
第四章 產品風險評估模式及庫存選擇機制建立 54
4.1 問題描述 54
4.2 符號說明 55
4.3 問題的複雜度 57
4.4 產品風險評估模式與庫存品項選擇機制 58
4.4.1 目標函數 59
4.4.2 限制式 59
4.4.3 需求數量導向之相對強度指標 61
4.4.4 顧客導向之相對強度指標 64
4.5 研究範圍與限制 66
第五章 庫存品項選擇實證與分析 68
5.1 符號說明 68
5.2 基因演算法求解架構 69
5.2.1 染色體編碼 77
5.2.2 第0代的染色體挑選 72
5.2.3 適應度評估 74
5.2.4 世代演化終止條件 75
5.2.5 染色體基因交配 76
5.2.6 染色體基因突變 79
5.2.7 產生新生代的染色體群體 81
5.3 基因演算法求解 82
5.3.1 小樣本基因演算之參數設定與演算 83
5.3.2 大樣本基因演算之參數設定與演算 86
5.3.3 各族群基因演算結果之比較 89
5.3.4 調整終止條件之大樣本基因演算 92
5.4 基因演算法求解與個案公司各歷程比較 96
5.5 小結 101
第六章 結論與未來研究方向 102
6.1 結論 102
6.2 未來研究方向 103
參考文獻 104


圖目錄
圖1-1 研究架構圖 4
圖2-1 供應鏈的長鞭效應示意圖 10
圖2-2 庫存式生產作業流程圖 13
圖2-3 接單式生產作業流程圖 14
圖2-4 生產策略前置時間之差異 15
圖2-5 庫存式、訂單式與混合式生產示意圖 17
圖3-1 常見的電容器 24
圖3-2 傳統的色碼電感 25
圖3-3 常見的電感器 26
圖3-4 三大被動元件類別細分 27
圖3-5 電子產業供應鏈關聯圖 29
圖3-6 被動元件各類別之產值比例與被動元件產值推估趨勢 31
圖3-7 個案公司2007年之產業別與地區銷售 37
圖3-8 有效資料區間定義 45
圖3-9 各歷程選擇品項之各分類筆數統計圖 50
圖4-1 混合式生產品項選擇流程圖 55
圖4-2 問題的複雜度示意圖 58
圖4-3 品項B8-160808T-600Y-N之QUP與QDN累加數量示意圖 63
圖5-1 庫存品項選取之基因演算法求解基本架構 70
圖5-2 第0代群體產生流程 74
圖5-3 偶數染色體長度交配模式 77
圖5-4 奇數染色體長度交配模式 77
圖5-5 染色體群體之交配流程圖 78
圖5-6 基因的點突變 80
圖5-7 染色體群體之突變流程圖 81
圖5-8 樣本B100隨機選取一次之基因演算過程 84
圖5-9 樣本B100隨機選取一次運算結果之R值變化與重覆次數 85
圖5-10 樣本B100_CK1隨機選取一次之基因演算過程 85
圖5-11 樣本B100_CK3隨機選取一次之基因演算過程 86
圖5-12 樣本B482隨機選取一次之基因演算過程 88
圖5-13 樣本B482隨機選取一次運算結果之R值變化與重覆次數 88
圖5-14 樣本B482_CK1隨機選取一次之基因演算過程 89
圖5-15 樣本B482_CK3隨機選取一次之基因演算過程 89
圖5-16 樣本B100、B100_CK1與B100_CK3之基因演算結果 90
圖5-17 樣本B100演算30次之選擇品項發生頻率 91
圖5-18 樣本B482、B482_CK1與B482_CK3之基因演算結果 92
圖5-19 樣本B482增加演化世代到30,000，隨機選取一次結果之基因演算過程 94
圖5-20 樣本B482增加演化世代到30,000，隨機選取一次結果之基因演算過程 (列出前5,000世代) 94
圖5-21 樣本B482增加演化世代到30,000，隨機選取一次結果之R值變化與重 覆次數 95
圖5-22 樣本B482增加演算世代後之基因演算結果比較 96
圖5-23 歷程一與基因演算法選取品項集合 100


表目錄
表1-1 個案公司2008年4月之積層電感訂單筆數及數量統計表 2
表2-1 存貨目的之分類與比較 9
表2-2 存貨式生產與訂單式生產之差異 15
表3-1 台灣電感產業之SWOT分析 35
表3-2 個案公司之SWOT分析 40
表3-3 產品需求之批量分類條件與B1146、B100與B482樣本之分佈 48
表3-4 各歷程所選取的品項比較表 49
表3-5 各歷程選擇品項之各分類筆數統計及比較表 49
表3-6 個案公司在庫存品項選擇各歷程比較表 53
表4-1 顧客類別及訂單批量分數換算表 65
表4-2 顧客類別及訂單批量分數換算表範例 65
表5-1 前端預先處理後的資料 71
表5-2 染色體的編碼組成 72
表5-3 樣本B100、B100_CK1與B100_CK3之基因演算求解平均值 83
表5-4 樣本B482、B482_CK1與B482_CK3之基因演算求解平均值 87
表5-5 樣本B482增加世代數後與原本B482族群之求解平均值 95
表5-6 產品之推估成本與利潤 97
表5-7 各歷程之品項選擇結果比較 97
表5-8 歷程一與GA之品項選擇結果比較 99

Armstrong, Gary, Philip Kolter, and Geoffrey da Silva. (2006). “Marketing : An Introduction An Asian Perspective “, Prentice Hall, New Jersey.
Arreola-Risa, A. and Decroix, G. A. (1998), “Make-to-order versus make-to-stock in a production-inventory system with general production times”, IIE Transactions, 30(8),pp. 705-713.
Ashayeri, J., and Selen, W. J. (2001). “Order selection optimization in hybrid make-to-order and make-to-stock markets”, The Journal of the Operational Research Society, 52(10), 1098.
Chang, P. C., J. C. Hsieh, and C. H. Hsiao (2002). “Application of Genetic Algorithm to the Unrelated Parallel Machine Problem Scheduling”, Journal of the Chinese Institute of Industrial Engineering, 19(2), pp.79-95.
Chang, P. C., C. H. Hsiao, and Y. W. Wang (2003). “Genetic Algorithms Applied in BOPP Film Scheduling Problems: minimizing total absolute deviation and setup times”, Applied Soft Computing, 3, pp. 139-148.
Drottz Sjöberg, B. M. (1991). “Perception of risk: Studies of risk attitudes, perceptions and definitions”, Unpublished doctoral dissertation, Stockholm School of Economics, Stockholm.
Grefenstette, J. J. (1986). “Optimization of control parameters for genetic algorithms”, IEEE Transtrations on Systems, man and Cybernetics, 16, pp. 122-128.
Källmén, H. (2000). “Manifest anxiety, general self-efficacy and locus of control as determinants of personal and general risk perception”, Journal of Risk Research, 3(2), pp. 111-120.
Klinke, A., and Renn, O. (2001). “Precautionary principle and discursive strategies: Classifying and managing risks”, Journal of Risk Research, 4(2), pp. 159-173.
Kogan, K., Khmelnitsky, E., and Maimon, O. (1998). “Balancing facilities in aggregate production planning: make-to-order and make-to-stock environments”, International Journal of Production Research, 36(9), pp. 2585-2596.
Lee, H. L. and Billington, G. (1994), “Design products and processes for postponement”, working paper.
Lee, H. L., Padmanabhan V., and Seungjin Whang (1997), “The Bullwhip Effect in Supply Chains”, Sloan Management Review.
Nguyen, V. (1998), “A multiclass hybrid production center in heavy traffic”, Operations Research , 46(3), pp. 13-25.
Reevs, C. R. and Rowe, J. E. (2002). “Genetic algorithms : principles and perspectives : a guide to GA theory”, Baker and Taylor Books, Boston, MA.
Roehl, W. S., and Fesenmaier, D. R. (1992). “Risk perceptions and pleasure travel: An exploratory analysis”, Journal of Travel Research, 30(4), pp. 17-26.
Schragenheim, E. M. (2002). “Make-to-stock under drum-buffer-rope and buffer management methodology”, Paper presented at the APICS-The Educational Society for Resource Management, America.
Simchi-Levi et al. (2001). “Designing and managing the supply chain”, McGraw-Hill, New York.
Soman, C. A., van Donk, D. P., & Gaalman, G. (2004). “Combined make-to-order and make-to-stock in a food production system”, International Journal of Production Economics, 90(2), pp. 223-235.
Stevenson, William J. (2007). “Operations Management”, 9th edition, McGraw-Hill, New York.
Stone, R. N., and Gronhaug, K. (1993). “Perceived risk: Further considerations for the marketing discipline”, European Journal of Marketing, 27(3), pp. 39-50.
Taylor, J. W. (1974). “The role of risk in consumer behavior”, Journal of Marketing, 38(2), pp. 54-60.
Tsubone, H., Ishikawa, Y., and Yamamoto, H. (2002). “Production planning system for a combination of make-to-stock and make-to-order products”, International Journal of Production Research, 40(18), pp. 35-48.
Unser, M. (2000). “Lower partial moments as measures of perceived risk: An experimental study”, Journal of Economic Psychology, 21(3), pp. 253-280.
Williams, T. M. (1984), “Special products and uncertainty in production/inventory systems”, European Journal of Operation Research, 15(1), pp. 46-54.
王富恩(2003)，＂長鞭效應在不同需求型態下關鍵影響因素之探討＂，國防管理學院後勤管理研究所碩士學位論文。
林文祥(2008)，＂從交易成本觀點探討台灣汽車電子產業供應鏈管理創新模式＂，東海大學企業管理研究所論文。
洪崇元(2003)，”混合式生產策略下之供應鏈存貨模式”，中原大學工業工程研究所論文。
徐國智(2002)，”產能限制下的混合式生產環境設計”，中原大學工業工程研究所論文。
夏康寧(2000)，”網路媒體屬性的重視程度與知覺風險對網站忠誠度的影響”，國立台灣大學心理學研究所未出版之碩士論文。
高如月(1993)，”社會風險與風險溝通研究”，國立政治大學財政研究所未出版之碩士論文。
黃庭鐘(2003)，“企業因應長鞭效應之存貨政策研究---以我國主機板製造業廠商為例”，國立東華大學企業管理研究所碩士論文。
張家銘(2004)，”供應鏈系統長鞭效應之影響因素評估＂，明新科技大學工程管理研究所碩士論文。
詹炎生(2006)，＂以個案分析觀點探討國巨併購飛利浦零件事業部之綜效與成本效益＂，交通大學高階主管管理學程碩士班碩士論文。
蘇木春、張孝德(1999)，＂機器學習：類神經網路、模糊系統以及基因演算法則＂，全華科技圖書股份有限公司，台北， 9.1-9.12 頁
羅國正(2000)，“推行供應鏈管理之不確定因素及其因應策略之研究---以台灣資訊電子業為例”，國立政治大學資訊管理學系碩士班碩士學位論文。
DECISION website, http://www.decision.eu
ITIS 產業資訊服務網, http://www.itis.org.tw
Universe Leo Hong's Blog - MTS, http://tw.myblog.yahoo.com/jw!RXc1EpmaExGlsrzIyzFm/article?mid = 82
Universe Leo Hong's Blog - MTO, http://tw.myblog.yahoo.com/jw!RXc1EpmaExGlsrzIyzFm/article?mid = 85
公開資訊觀測站, http://newmpos.tse.com.tw
百度百科, http://baike.baidu.com/view/1145516.htm
奇力新電子公司網站, http://www.chilisin.com.tw
維基百科, http://zh.wikipedia.org