プロセス分析とリトルの法則｜オペレーションズマネジメント

← オペレーションズマネジメント一覧

🎓 レベル：基礎　|　重要度：A（必須）

📎 前提：オペレーションズ・マネジメントとは（L=λW の導入）　|　次：ボトルネックとキャパシティ　|　数理：確率過程（マルコフ連鎖・ポアソン過程）

要点（BLUF）

プロセスは3つの指標で読みます——在庫 $I$ （仕掛・WIP）、フローレート $R$ （スループット）、フロータイム $T$ （1ユニットが系にいる時間）。
この3つを結ぶ中心の恒等式が リトルの法則 $I = R\,T$ 。これはオペレーションズ・マネジメントとはの $L = \lambda W$ とまったく同じ式で、語彙が「在庫・プロセス」になっただけです。
フロータイム効率＝付加価値時間 / 総フロータイム は、実プロセスではしばしば数 % しかありません。残りは待ち＝改善余地です。
リトルの法則は滞在時間の分布によらず成り立ちます。本稿ではそれを擬似データで実証します（待ち行列の理論そのものは第4章・確率過程（マルコフ連鎖・ポアソン過程））。

1. プロセスを3つの指標で見る

OM では、製品や注文や患者など「系の中を流れる対象」をフローユニットと呼びます。プロセスの状態は、次の3つの指標で過不足なく記述できます。

在庫 $I$ （inventory / WIP）：いまこの瞬間、系の中にいるフローユニットの平均数（仕掛品、待っている注文、店内の客）。
フローレート $R$ （flow rate / throughput）：単位時間に系を通り抜ける数（個/分、件/時）。
フロータイム $T$ （flow time）：1つのフローユニットが入口から出口まで系の中で過ごす平均時間。

この3つは独立ではなく、たった1本の式で結ばれています。それがリトルの法則です。01-01 で導入した待ち行列の記号との対応は次の通り——同じ法則の言い換えです。

記号	プロセス分析の呼び名	待ち行列（01-01）	意味
$I$	在庫・仕掛 WIP	$L$ （系内数）	系の中の平均数
$R$	フローレート・スループット	$\lambda$ （到着率）	単位時間に流れる数
$T$	フロータイム	$W$ （滞在時間）	1ユニットが系にいる時間

2. リトルの法則 $I = R\,T$ を導く

I = R\,T

なぜこの式が成り立つのか、確率分布をいっさい仮定せずに導けます（これが「分布によらない」ことの理由です）。観測時間 $[0,\tau]$ のあいだに $N$ 個のフローユニットが系を通り、ユニット $i$ の滞在時間を $T_i$ とします。系内数 $n(t)$ （時刻 $t$ に系の中にいる数）を時間積分すると、各ユニットは自分が系にいた時間ぶんだけ面積に寄与するので、

\int_0^\tau n(t)\,dt = \sum_{i=1}^{N} T_i

両辺を $\tau$ で割ります。左辺は系内数の時間平均＝在庫 $I$ 。右辺は $\dfrac{N}{\tau}\cdot\dfrac{1}{N}\sum_i T_i$ と分解でき、 $\dfrac{N}{\tau}$ がフローレート $R$ 、 $\dfrac{1}{N}\sum_i T_i$ がフロータイム $T$ です。よって

I = \frac{1}{\tau}\sum_{i=1}^{N} T_i = \frac{N}{\tau}\cdot\frac{1}{N}\sum_{i=1}^{N} T_i = R\,T

確率も分布も登場しません。定常（入る量と出る量が長期的に釣り合う）でありさえすれば成り立つ恒等式です。これが在庫管理（第3章）でも待ち行列（第4章）でも同じ式が効く理由です。

3. プロセス分析の実際：フロータイム効率（コード）

1件の注文が複数アクティビティを通る工程を考えます。各アクティビティには付加価値時間（実際に価値を生む作業）と、その手前で生じる待ち時間（滞留）があります。総フロータイムに占める付加価値時間の割合がフロータイム効率です。

flowchart LR
  A["受注入力"] --> B["与信審査"] --> C["在庫引当"] --> D["ピッキング"] --> E["梱包"] --> F["出荷検品"]

import numpy as np
import pandas as pd

# あるフローユニット（1件の受注）が通る工程。各アクティビティの
# 付加価値時間（実作業）と、その前後の待ち時間（滞留）を分けて記録（分）
proc = pd.DataFrame({
    "アクティビティ": ["受注入力", "与信審査", "在庫引当", "ピッキング", "梱包", "出荷検品"],
    "付加価値時間": [5, 10, 3, 12, 8, 4],      # 分（実作業）
    "待ち時間":     [0, 120, 30, 45, 15, 20],  # 分（前工程での滞留）
})

proc["工程内時間"] = proc["付加価値時間"] + proc["待ち時間"]

T_va   = proc["付加価値時間"].sum()   # 付加価値時間の合計
T_flow = proc["工程内時間"].sum()     # 総フロータイム T
eff    = T_va / T_flow                  # フロータイム効率

print(proc.to_string(index=False))
print()
print(f"付加価値時間 T_VA = {T_va} 分")
print(f"総フロータイム T  = {T_flow} 分 (= {T_flow/60:.3f} 時間)")
print(f"フロータイム効率   = {eff:.3f}  ({eff*100:.1f} %)")

# リトルの法則 I = R*T：スループット R を与えて仕掛在庫 WIP を算出
R = 30.0                 # 件/時（このプロセスを流れるフローレート）
T_hours = T_flow / 60    # 総フロータイムを時間に換算
I = R * T_hours          # I = R × T（件/時 × 時 = 件）
print()
print(f"スループット R    = {R} 件/時")
print(f"WIP  I = R*T      = {I:.1f} 件")

出力：

アクティビティ  付加価値時間  待ち時間  工程内時間
   受注入力       5     0      5
   与信審査      10   120    130
   在庫引当       3    30     33
  ピッキング      12    45     57
     梱包       8    15     23
   出荷検品       4    20     24

付加価値時間 T_VA = 42 分
総フロータイム T  = 272 分 (= 4.533 時間)
フロータイム効率   = 0.154  (15.4 %)

スループット R    = 30.0 件/時
WIP  I = R*T      = 136.0 件

出力の意味：272 分のフロータイムのうち、実際に価値を生んでいるのは 42 分だけ。フロータイム効率は 15.4 % で、残り 84.6 % は待ち（とくに与信審査の前で 120 分も滞留）です。改善の的は作業の高速化ではなく、この滞留の削減だと一目でわかります。最後にリトルの法則 $I = R\,T$ を使い、フローレート $R = 30$ 件/時・フロータイム $T = 4.533$ 時から、この工程に常時 136 件が仕掛として滞留していると算出しました。フロータイムを縮めれば、 $R$ が同じでも仕掛在庫がそのぶん減ります。

4. リトルの法則は分布によらない（実証コード）

導出（第2節）が示す通り、 $I = R\,T$ は確率分布を仮定しない恒等式です。これを擬似データで確かめます。到着はポアソン過程（到着間隔 ~ Exp）にしつつ、各ユニットの滞在時間 $T_i$ はあえて非指数——右に重く歪んだ対数正規・ガンマ・一定（決定的）——から生成します。時間軸上の系内数 $n(t)$ の階段関数から時間平均 $L$ を直接計算し、 $\lambda W$ と一致するかを見ます。

これは「待ち行列の理論」ではなく恒等式の実証です。到着・サービスの分布から平均待ち時間を求める理論は第4章と確率過程（マルコフ連鎖・ポアソン過程）で扱います。

import numpy as np
import pandas as pd

rng = np.random.default_rng(7)

lam = 3.0           # 平均到着率（件/時）
horizon = 20000.0   # 観測時間（時）
mu_T = 2.0          # どの分布でも平均滞在時間は 2.0 時間にそろえる

# 到着＝ポアソン過程（到着間隔 ~ Exp(1/λ)）。観測窓 [0, horizon) 内の到着のみ
gaps = rng.exponential(1.0/lam, size=int(lam*horizon*1.2))
arrivals = np.cumsum(gaps)
arrivals = arrivals[arrivals < horizon]
N = arrivals.size

def time_average_L(arrivals, T, horizon):
    """系内数 n(t) の階段関数（区分定数）から時間平均 L を直接計算する。"""
    departures = arrivals + T
    ev_t = np.concatenate([arrivals, departures])               # イベント時刻
    ev_d = np.concatenate([np.ones(arrivals.size), -np.ones(arrivals.size)])  # 到着+1/退去-1
    order = np.argsort(ev_t, kind="mergesort")
    ev_t, ev_d = ev_t[order], ev_d[order]
    level = np.cumsum(ev_d)                 # 各イベント直後の系内数
    tc = np.clip(ev_t, 0.0, horizon)        # 観測窓にクリップ
    widths = np.diff(tc)                     # 各区間の幅 dt
    area = float(np.sum(level[:-1] * widths))  # Σ 系内数 × dt（区分定数の積分）
    return area / horizon

# 「あえて非指数」の滞在時間分布。平均はすべて mu_T にそろえる
dists = {
    "lognormal":     lambda n: rng.lognormal(np.log(mu_T) - 0.5, 1.0, n),  # 右に重い裾
    "gamma(k=2)":    lambda n: rng.gamma(2.0, mu_T / 2.0, n),              # CV=0.707
    "deterministic": lambda n: np.full(n, mu_T),                          # 一定（CV=0）
}

rows = []
for name, sampler in dists.items():
    T = sampler(N)
    W = T.mean()                       # 平均滞在時間
    cv = T.std() / T.mean()            # 変動係数（指数分布なら 1）
    L_sim = time_average_L(arrivals, T, horizon)
    lamW = (N / horizon) * W           # λ × W
    rows.append({
        "滞在時間分布": name,
        "CV(T)": cv,
        "W=mean(T)": W,
        "L_sim": L_sim,
        "lambda*W": lamW,
        "相対誤差": abs(L_sim - lamW) / lamW,
    })

res = pd.DataFrame(rows)
res["相対誤差"] = res["相対誤差"].map(lambda x: f"{x:.2e}")
print(f"lambda = {lam} 件/時,  観測内到着数 N = {N}")
print(res.to_string(index=False, float_format=lambda x: f"{x:.4f}"))

出力：

lambda = 3.0 件/時,  観測内到着数 N = 59937
       滞在時間分布  CV(T)  W=mean(T)  L_sim  lambda*W     相対誤差
    lognormal 1.3231     2.0003 5.9944    5.9946 2.97e-05
   gamma(k=2) 0.7068     2.0021 5.9987    5.9999 2.05e-04
deterministic 0.0000     2.0000 5.9934    5.9937 4.55e-05

出力の意味：3つの滞在時間分布は形がまったく違います——変動係数 CV は 1.32（対数正規、指数より暴れる）／0.71（ガンマ）／0.00（一定）。指数分布なら CV＝1 ですから、どれも非指数です。それでも時間平均から直接測った $L_\text{sim}$ は、 $\lambda \times W$ （ここでは $3 \times 2 = 6$ ）といずれも小数第3位まで一致しました。相対誤差は最大でも $2\times10^{-4}$ （0.02 %）程度で、これは観測窓の端で「まだ系内にいる数件」を取りこぼす有限長効果にすぎず、 $\text{horizon}\to\infty$ で 0 に向かいます。分布の形を問わず $L = \lambda W$ （＝ $I = R\,T$ ）が成り立つことが、机上ではなくシミュレーションで確認できました。

⚠️ よくある誤解

「スループットは1工程を速めれば上がる」ではない：律速はボトルネック資源か需要で決まります。非ボトルネックを速めても全体の $R$ は上がりません（次回ボトルネックとキャパシティ）。
「フロータイムを縮めると在庫は変わらない」ではない： $R$ が一定なら $I = R\,T$ より、 $T$ を縮めたぶん仕掛在庫 $I$ がそのまま減少します。リードタイム短縮が在庫削減に直結する数理的理由です。
「リトルの法則は特定の分布が前提」ではない：第2節の面積論の通り分布によらない恒等式です。ただし定常（長期で入＝出が釣り合う）が前提で、在庫が一方的に積み上がる過渡状態には単純には使えません。