臺灣博碩士論文加值系統

物流成本控制策略已在近十年內大量地被討論和執行，在物流成本中，運輸成本容易受到油價波動、原物料調漲、人工成本上漲等因素的影響而增加，因此，在物流成本的控制之中，運輸成本的不確定性最大，也亟需要更有效的成本控制模式。然而當企業在進行預算控管時，如果在開始階段嚴格地通常會導致預算執行率低或最終超出預算的情況發生，因此理想的成本管控機制應該於預算執行的早期階段就即時地通知管理者成本執行的狀況，一旦超支便即時地提醒管理員調整預算計劃，這樣一來當預算緊縮時就可以良好地將預算分配到後期執行的階段。
為了控制物流成本，企業應更精確地控制卡車的調度頻率和運輸成本。此外，增加調度頻率將增加營運成本，但由於卡車重量輕、載貨量少，因此汽油消耗也會減少。因此，本論文研究了物流成本控制機制並將預算限制和車輛調度頻率納入考慮，提出成本控制流程圖以展示控制機制，並開發了一個物流派車模型以了解車輛調度頻率對物流成本的影響。
結果顯示，在早期階段進行成本控制可以降低預算超支的可能性，並達到更好的總預算執行率，此外，調整車輛調度頻率會影響派車成本，但會受到卡車尺寸、載貨數量和營運成本的影響。

The logistics cost control strategy has been discussed and executed in recent decade. Business controlling cost strictly or generously in the beginning stage usually results in low budget execution percentage or budge overrun, respectively, at the end. A fine cost control mechanism will notify cost overrun in the early stage of budget execution and adjust the budget plan so that budget tightening can be well distributed to the later stages of budget execution. To control logistics costs, the business should control the truck dispatching frequency and the transportation cost more precisely. Furthermore, increasing dispatching frequency will increase the operation cost but will reduce gas consumption due to lighter truck weight. Hence, this research investigates the logistics cost control mechanism with the considerations of budget limitation and dispatching frequency. A cost control flow chart is presented to exhibit the control mechanism. In addition, a simulation model is developed to understand the impact of dispatching frequency on the logistics cost.
The results show that cost control at early stage can reduce the probability of exceeding budget and achieve better budget execution percentage. In addition, adjusting dispatching frequency has an impact on cost but will be affected by the size of the trucks and operations cost.

明志科技大學碩士學位論文指導教授推薦書-i
明志科技大學碩士學位論文口試委員審定書-ii
致謝-iii
中文摘要-iv
Abstract-v
目錄-vi
圖目錄-viii
表目錄-x
第 一 章 緒論-1
1.1 研究背景與動機-1
1.2 研究方法與目的-7
1.3 研究流程-7
第 二 章 文獻探討-9
2.1現代物流管理與物聯網技術-9
2.2 智慧物流系統-11
2.3 物聯網於智慧物流之應用-12
2.4 系統模擬-17
2.5本章總結-22
第 三 章 研究方法-23
3.1研究架構-23
3.2系統假設-25
3.3 系統模型建立及驗證-25
3.4 模型測試-53
3.5 實驗設計-58
3.6 績效指標-58
3.7 本章總結-59
第 四 章 實驗結果與分析-60
4.1影響總預算執行率因子分析結果-61
4.2影響平均訂單等候時間因子分析結果-71
4.3本章總結-82
第 五 章 結論與建議-83
5.1 研究結論-83
5.2 研究建議-85
參考文獻-86

圖目錄
圖1.1 2011-2017年全美企業物流運輸費用趨勢圖(單位：兆元)-4
圖1.2 2011-2018年全中國社會物流總費用趨勢圖-4
圖1.3 物流中心個別作業成本占比-6
圖1.4 研究流程圖-8
圖2.1 物聯網三層結構-10
圖2.2 模擬理論的基礎-18
圖2.3 模擬步驟流程圖-22
圖3.1 研究架構圖-24
圖3.2 系統模擬基本元素關係圖-26
圖3.3 派車流程圖-29
圖3.5 CREATE模組及產生之訂單參數設定圖-32
圖3.6 DECIDE模組及派送距離設定圖-33
圖3.7 DUE DATE設定之模組關係圖-34
圖3.8 ASSIGN模組及DUE DATE參數設定圖-34
圖3.9 DECIDE模組及DUE DATE判斷設定圖-34
圖3.10 ASSIGN模組及優先順序設定圖-35
圖3.11 ASSIGN模組及優先順序設定圖(2)-35
圖3.12 ASSIGN模組及派送中心接收之訂單參數設定圖-37
圖3.13 批量設定之模組關係圖-37
圖3.14 DECIDE模組及派車批量判斷設定圖-38
圖3.15 ASSIGN模組及派車最小批量設定圖-38
圖3.16 ASSIGN模組及派車最大批量設定圖-38
圖3.17 BATCH模組及派車批量數之設定圖-39
圖3.18 ASSIGN模組及派車成本參數設定圖-40
圖3.19 派車成本計算之模組關係圖-40
圖3.20 PROCESS模組及人力資源參數設定圖-41
圖3.21 RECORD模組及統計派車成本之相關參數設定圖-41
圖3.22 PROCESS模組及車輛資源參數設定圖-42
圖3.23 DISPOSE模組及參數設定圖-42
圖3.24 預算檢視模型-43
圖3.25 CREATE模組及預算檢視時程設定圖-44
圖3.26 DECIDE模組及剩餘預算判斷設定圖-44
圖3.27 ASSIGN模組及配送批量幅度值等相關參數設定圖-45
圖3.28 ASSIGN模組及變量參數設定圖-47
圖3.29 READWRITE模組及預算檢視作業資料輸出設定圖-47
圖3.30 總預算更新模型-48
圖3.31 CREATE模組及總預算更新時程設定圖-49
圖3.32 ASSIGN模組及預算更新相關參數設定圖-49
圖3.33 READWRITE模組及預算更新作業資料輸出設定圖-50
圖3.34 RECORD模組及派車相關統計數據設定圖-51
圖3.35 DISPOSE模組及參數設定圖-51
圖3.36 短程派送中心預算與配送批量幅度值的關係圖-55
圖3.37 長程派送中心預算與配送批量幅度值的關係圖-56
圖3.38 短程派送中心整體預算執行狀況-57
圖3.39 長程派送中心整體預算執行狀況-57
圖4.1 短程派送中心不同最低批量水準之總預算執行率折線圖-61
圖4.2 長程派送中心不同最低批量水準之總預算執行率折線圖-62
圖4.3 短程派送中心不同總預算金額水準之總預算執行率折線圖-63
圖4.4 長程派送中心不同總預算金額水準之總預算執行率折線圖-63
圖4.5 短程派送中心不同薪資水準之總預算執行率折線圖-64
圖4.6 長程派送中心不同薪資水準之總預算執行率折線圖-65
圖4.7 短程派送中心不同油價水準之總預算執行率折線圖-66
圖4.8 長程派送中心不同油價水準之總預算執行率折線圖-66
圖4.9兩大派送中心不同因子與其水準之總預算執行率折線圖-68
圖4.10 短程派送中心不同最低批量數水準之平均訂單等候時間折線圖-72
圖4.11 長程派送中心不同最低批量數水準之平均訂單等候時間折線圖-72
圖4.12 短程派送中心不同總預算金額水準之平均訂單等候時間折線圖-73
圖4.13 長程派送中心不同總預算金額水準之平均訂單等候時間折線圖-74
圖4.16短程派送中心薪資水準之平均訂單等候時間折線圖-75
圖4.17長程派送中心薪資水準之平均訂單等候時間折線圖-75
圖4.18短程派送中心石油價格水準之平均訂單等候時間折線圖-76
圖4.19長程派送中心石油價格水準之平均訂單等候時間折線圖-77
圖4.20兩大派送中心不同因子與其水準之平均訂單等候時間折線圖-79

表目錄
表2.1 模擬的功能-19
表3.1 模組介紹表-30
表3.2 前測模型參數設定表-54
表4.1 因子與水準設計表-60
表4.2 多目標因子分析與交互作用分析(績效指標:總預算執行率)-69
表4.3 多目標因子分析與交互作用分析(績效指標:平均訂單等候時間)-80
表5.1 顯著因子彙總表-83
表5.2 交互作用分析彙總表-83

中文文獻
Edward Frazelle原著，物流與供應鏈 管理：理論與實務，何應欽編譯，二版，麥格羅‧希爾，台北市，2012年5月。
Harrell and Tumay(1998)，系統模擬。簡聰海、鄒靖寧譯，台北市：高立圖書。(原著出版年：1995 年)。
余章鈞(2016)，營運案例-物流倉儲與運輸配送管理，物流技術與戰略雜誌社，第七十九期。
林則孟(2001) ，系統模擬理論與應用，台中市：滄海。
邱寶桂(2016)，物聯網技術應用於智慧物流關鍵成功因素之研究，國立交通大學，碩士論文。
張志勇、翁仲銘、石貴平、廖文華(2013)。物聯網概論，台北市：碁峰。
郭幸民(2014) ，系統模擬與arena應用。台中市：滄海。
陳正昌、張志勇(2014)。物聯網。科學月刊，534期，19。
黃信華(2007)，應用作業基礎成本分析改善物流服務定價之研究以T公司居家修繕物流中心個案為例，國立交通大學，碩士論文。
簡國凱(2016)，限制理論排成之流程指標之研究，朝陽科技大學，碩士論文。
 
英文文獻
Blöchl, S. J., & Schneider, M. (2016). Simulation game for intelligent production logistics–The PuLL® learning factory. Procedia Cirp, 54, 130-135.
Chen, Y., Zhao, S., & Zhai, Y. (2014). Construction of intelligent logistics system by RFID of Internet of things based on cloud computing. Journal of Chemical and Pharmaceutical Research, 6(7), 1676-1679.
González-Reséndiz, J., Arredondo-Soto, K. C., Realyvásquez-Vargas, A., Híjar-Rivera, H., & Carrillo-Gutiérrez, T. (2018). Integrating simulation-based optimization for lean logistics:A case study. Applied Sciences, 8(12), 2448.
Guo, Y., & Qu, J. (2015). Study on intelligent logistics management information system based on IOT and cloud computation in big data era. Open Cybernetics & Systemics Journal, 9(1), 934-941.
Law, A. M., Kelton, W. D., & Kelton, W. D. (2000). Simulation Modeling and Analysis (Vol. 3). New York: McGraw-Hill.
Macaulay, J., Buckalew, L., & Chung, G. (2015). Internet of things in logistics: A collaborative report by DHL and Cisco on implications and use cases for the logistics industry. DHL Trend Research and Cisco Consulting Services.
Mangina, E., & Vlachos, I. P. (2005). The changing role of information technology in food and beverage logistics management: beverage network optimisation using intelligent agent technology. Journal of Food Engineering, 70(3), 403-420.
Moncayo–Martínez, L. A., & Mastrocinque, E. (2016). A multi-objective intelligent water drop algorithm to minimise cost of goods sold and time to market in logistics networks. Expert Systems with Applications, 64, 455-466.
Shannon, R. E. (1975). Systems Simulation, the Art and Science, Prantice Hall. Inc., Englewood Cliffs, New Yersey.
Więcek, P. (2016). Intelligent approach to inventory control in logistics under uncertainty conditions. Transportation Research Procedia, 18, 164-171.
Yan, L., & Peng, Z. (2015). The research of cost control about the third party logistics enterprise based on activity-based costing model. In 2015 8th International Conference on Intelligent Computation Technology and Automation (ICICTA) (pp. 1018-1021). IEEE.
Zhu, J., & Fu, B. (2015). Research on supply chain simulation system based on internet of things. Advances in Internet of Things, 5(01), 1.