サプライチェーンの構造とトレードオフ｜オペレーションズマネジメント

🎓 レベル：標準　|　重要度：A（必須）

📎 前提：安全在庫と発注点（安全在庫 $z\sigma_d\sqrt{L}$ ・リードタイムが $\sqrt{L}$ で効く）・ボトルネックとキャパシティ（施設・能力の制約）　|　関連：ブルウィップ効果・在庫集約とリスクプーリング　|　次：ブルウィップ効果

要点（BLUF）

サプライチェーン（SC） は「供給者 → 製造 → 流通 → 小売 → 顧客」とものが流れるネットワーク。第1〜5章で1拠点の中を設計してきましたが、本章は拠点と拠点のつながり方を設計します。
SC 設計の中心にあるのは、たった1本の対立軸——**効率（コストを下げる）vs 応答性（速く・欠品なく届ける）**です。両方を同時に最大化はできません。安い大量輸送・遠い集約倉庫は効率的だが遅く、速い空輸・近い分散在庫は応答的だが高い。
どちらに寄せるべきかは製品で決まります。需要が安定して薄利な機能的製品（日用品）は効率重視、需要が読みにくく高利の革新的製品（新型スマホ・ファッション）は応答性重視。製品とSCのミスマッチが最大の失敗（Fisher）。
在庫は3種類——サイクル在庫（まとめ買いの $Q/2$ ）・安全在庫（ばらつきの緩衝 $z\sigma_d\sqrt{L}$ ）・輸送中在庫（パイプライン $d\cdot L$ ）。総コストは輸送＋在庫＋施設で、リードタイム $L$ は安全在庫に $\sqrt{L}$ ・輸送中在庫に $L$ で効きます（安全在庫と発注点）。
選択肢を $(\text{コスト},\ \text{応答時間})$ 平面に置くと、効率-応答性フロンティア（パレート最適の境界）が描けます。フロンティアの外側（左下）は到達不能、内側（右上）は他案に支配される無駄。設計とはフロンティア上のどこを選ぶかです。

1. サプライチェーンとは：供給のネットワーク

これまでの章は、工場やコールセンターという1つの拠点の中でフロー・在庫・能力を設計してきました。現実の「もの」は、原材料の供給者から始まり、製造され、流通センターを経て小売へ運ばれ、最後に顧客へ届きます。この多段のネットワーク全体を対象にするのがサプライチェーン・マネジメント（SCM）です。

flowchart LR
  SUP["供給者<br/>（部品・原料）"] -->|"輸送・リードタイム"| MFG["製造"]
  MFG -->|"輸送"| DC["流通センター<br/>（在庫を集約）"]
  DC -->|"輸送"| RET["小売<br/>（分散在庫）"]
  RET --> CUS["顧客"]

各矢印には輸送（コストと時間）が、各箱には在庫と施設が伴います。SCM の問いは「どこに在庫を置き、どの速さで運び、どこに施設を構えるか」——その答えはすべて、次の1本の軸に集約されます。

2. 中心のトレードオフ：効率 vs 応答性

SC 設計のほぼすべての判断は、効率（efficiency）と応答性（responsiveness）の綱引きに還元できます。

効率＝同じものをいかに安く供給するか。大ロット輸送（船・鉄道）、遠方の集約倉庫、少品種大量生産、低い在庫水準。
応答性＝需要にいかに速く・確実に応えるか。小ロット高頻度の空輸、顧客近くの分散在庫、短いリードタイム、高いサービス水準。

両者は基本的に逆を向きます。応答性を上げる手段（空輸・近接在庫・余剰能力）はたいていコストを押し上げ、効率を上げる手段（集約・大ロット・低在庫）はたいてい応答を遅らせます。だから「どちらも最高に」は不可能で、どこでバランスを取るかが設計です。

製品にSCを合わせる（Fisher のマッチング）

ではどちらに寄せるべきか。答えは製品の需要特性で決まります（Fisher, 1997）。

	機能的製品（functional）	革新的製品（innovative）
需要	安定・予測しやすい	変動大・予測しにくい（高 $\sigma_d$ ）
利益率	低い	高い
例	食品・日用品・電池	新型ガジェット・ファッション
欠品の痛み	小さい（代替が効く）	大きい（機会損失が高利益）
最適なSC	効率重視（コスト最小）	応答性重視（在庫・能力に余裕）

機能的製品は欠品しても損失が小さく需要も読めるので、徹底的に安く作るのが正解。革新的製品は1個の欠品が大きな利益を逃し、需要も読めないので、多少高くても速く柔軟に応える体制が正解です。製品と SC のミスマッチ——安定品に高コストの応答的SC、流行品に低在庫の効率的SC——が最大の失敗パターンです。

3. 在庫の3種類とプッシュ／プル

SC の在庫は役割で3つに分かれ、それぞれ別の要因で増減します。

サイクル在庫（cycle stock）：まとめて発注・生産するために持つ在庫。平均で $Q/2$ （経済的発注量EOQ の $Q^\*=\sqrt{2DS/h}$ で決まる）。ロットサイズで増減し、リードタイムには依存しない。
安全在庫（safety stock）：需要・供給のばらつきに備える緩衝。 $z\sigma_d\sqrt{L}$ （安全在庫と発注点）。ばらつき $\sigma_d$ とリードタイム $\sqrt{L}$ で増減。
輸送中在庫（pipeline / in-transit stock）：いま輸送の途中にある在庫。平均で $d\cdot L$ （1日需要 × リードタイム日数。リトルの法則プロセス分析とリトルの法則の $I=R\,T$ そのもの）。リードタイム $L$ に比例。

リードタイムを短くすると、安全在庫（ $\sqrt{L}$ ）と輸送中在庫（ $L$ ）の両方が減ります。これが「速い輸送・短い調達」が在庫を直接削る理由です。

プッシュ vs プルも同じ軸の別表現です。プッシュ（push）は予測に基づき先に作って在庫を前に出す——効率的だが予測が外れると過剰／欠品。プル（pull）は実需を見てから引いて作る——応答的だが能力に余裕が要る。多くのSCは「上流はプッシュ・下流はプル」の境界（push-pull boundary）をどこに置くかを設計します。

4. 総コストとリードタイムの効き方

SC の設計判断は、関連する総コストを足し合わせて比較します。1製品・年間で、

\text{総コスト} = \underbrace{c_t\,D}_{\text{輸送}} \;+\; \underbrace{\frac{Q}{2}h}_{\text{サイクル在庫}} \;+\; \underbrace{z\,\sigma_d\sqrt{L}\,h}_{\text{安全在庫}} \;+\; \underbrace{d\,L\,h}_{\text{輸送中在庫}} \;+\; \underbrace{F}_{\text{施設}}

ここで $c_t$ は1個あたり輸送費、 $D$ は年間需要、 $h$ は1個あたり年間保管費、 $d=D/\text{営業日}$ は日次需要、 $L$ はリードタイム、 $F$ は施設の固定費です。

注目すべきはリードタイム $L$ の効き方の非対称です。サイクル在庫は $Q/2$ で** $L$ に依存しないのに対し、安全在庫は $\sqrt{L}$ 、輸送中在庫は $L$ 、つまりリードタイムを縮めると在庫費が二重に下がります**。一方で速い輸送は $c_t$ （輸送費）を押し上げる。この綱引きが輸送モード選択——速くて高い空輸か、遅くて安い海上輸送か——の核心です。

そして、安全在庫の項に $\sigma_d$ が掛かっていることが効いてきます。需要のばらつき $\sigma_d$ が大きい（＝革新的製品）ほど、長いリードタイムが背負う安全在庫 $z\sigma_d\sqrt{L}$ が膨らみ、速い輸送の価値が上がる。次のコードでこれを定量化します。

5. 輸送モード選択：σ_d が大きいほど速い輸送が有利（コード）

高付加価値で需要が読みにくい製品（年間 $D=12000$ 個・保管費 $h=150$ 円/個/年）を、航空（速い・高コスト・ $L=4$ 日）で運ぶか海上（遅い・低コスト・ $L=36$ 日）で運ぶかを比べます。サイクル在庫は EOQ で決まり両モード共通なので、モード選択を分けるのは輸送費（海上が有利）と安全在庫 $z\sigma_d\sqrt{L}$ （航空が有利）だけ。需要のばらつき $\sigma_d$ を振って、勝者がどこで入れ替わるかを見ます。

import numpy as np
import pandas as pd

# --- 前提（高付加価値で需要が読みにくい「革新的製品」を想定）---
D = 12000.0      # 年間需要（個/年）
days = 240       # 営業日/年
d_day = D / days # 1日あたり平均需要
h = 150.0        # 1個あたり年間保管費（円/個/年）＝高付加価値
S = 500.0        # 1回あたり発注（船積み）固定費
z = 1.645        # 95% サービス水準の安全係数

# サイクル在庫は EOQ で決まり L に依存しない → 両モード共通
Q = np.sqrt(2 * D * S / h)
cycle_cost = (Q / 2) * h
print(f"日次平均需要 d_day = {d_day:.0f} 個/日, EOQ Q* = {Q:.2f} 個")
print(f"サイクル在庫費 = (Q/2)*h = {cycle_cost:.1f} 円/年（両モード共通・L に依存しない）\n")

# 2モード：航空（速い・高コスト・短い L）／海上（遅い・低コスト・長い L）
def costs(c_t, L, sigma_d):
    transport = c_t * D                       # 年間輸送費
    safety_units = z * sigma_d * np.sqrt(L)   # 安全在庫（個）= z*sigma_d*sqrt(L)
    safety = safety_units * h                 # 年間保管費
    return transport, cycle_cost, safety, transport + cycle_cost + safety

# sigma_d を 5->50 に振り、両モードの総コストと勝者
rows = []
for sigma_d in [5, 15, 25, 35, 50]:
    air = costs(30.0, 4, sigma_d)
    ocean = costs(28.0, 36, sigma_d)
    diff = air[3] - ocean[3]
    rows.append({
        "sigma_d": sigma_d,
        "航空_総コスト": air[3],
        "海上_総コスト": ocean[3],
        "差(航空-海上)": diff,
        "勝者": "航空" if diff < 0 else "海上",
    })
df = pd.DataFrame(rows)
print(df.to_string(index=False, float_format=lambda x: f"{x:.1f}"))

print("\n[内訳・sigma_d=25 のとき（円/年）]")
for name, (c_t, L) in [("航空", (30.0, 4)), ("海上", (28.0, 36))]:
    tr, cy, sf, tot = costs(c_t, L, 25)
    print(f"{name}: 輸送={tr:.0f}  サイクル={cy:.1f}  安全在庫={sf:.1f}  合計={tot:.1f}")

# 損益分岐の sigma_d（両モードの総コストが等しくなる点）
sigma_star = (30.0 - 28.0) * D / (z * h * (np.sqrt(36) - np.sqrt(4)))
print(f"\n損益分岐 sigma_d* = {sigma_star:.2f}（これを超えると速い航空が有利）")

出力：

日次平均需要 d_day = 50 個/日, EOQ Q* = 282.84 個
サイクル在庫費 = (Q/2)*h = 21213.2 円/年（両モード共通・L に依存しない）

 sigma_d  航空_総コスト  海上_総コスト  差(航空-海上) 勝者
       5 383680.7 364615.7   19065.0 海上
      15 388615.7 379420.7    9195.0 海上
      25 393550.7 394225.7    -675.0 航空
      35 398485.7 409030.7  -10545.0 航空
      50 405888.2 431238.2  -25350.0 航空

[内訳・sigma_d=25 のとき（円/年）]
航空: 輸送=360000  サイクル=21213.2  安全在庫=12337.5  合計=393550.7
海上: 輸送=336000  サイクル=21213.2  安全在庫=37012.5  合計=394225.7

損益分岐 sigma_d* = 24.32（これを超えると速い航空が有利）

出力の意味：海上は航空より輸送費が年 24000 円安い（ $336000$ vs $360000$ ＝ $(30-28)\times12000$ ）。これが海上の取り柄です。一方で海上はリードタイムが長い（ $L=36$ ）ぶん安全在庫が重く、内訳を見ると $\sigma_d=25$ で安全在庫費は海上 37012.5 円 vs 航空 12337.5 円——航空が約 24675 円も軽い。輸送で 24000 円損するが安全在庫で 24675 円得するので、 $\sigma_d=25$ では航空が僅差（ $-675$ 円）で勝ちます。表の通り、 $\sigma_d$ が小さい（需要が読みやすい）うちは安全在庫の差が小さく海上が有利（ $\sigma_d=5,15$ ）ですが、 $\sigma_d$ が大きくなるほど安全在庫の差 $z\,h(\sqrt{36}-\sqrt{4})\sigma_d$ が開き、損益分岐 $\sigma_d^\*=24.32$ を超えると速い航空が逆転します。「需要が読みにくい製品ほど速い輸送（応答性）に金を払う価値がある」——これが革新的製品が応答性重視になる数理的な理由です。

6. 効率-応答性フロンティア：支配される選択肢を捨てる（コード）

輸送モードに限らず、SC 構成（モード × 在庫水準 × 倉庫配置）はたくさんあります。それぞれを $(\text{年間総コスト},\ \text{応答時間})$ の1点として平面に置くと、両方とも小さい（安くて速い）ほど良いので、左下に向かうほど優秀です。どの案からも改善できない境界が効率-応答性フロンティア（パレート最適）。フロンティアより右上にある案は、**もっと安くてもっと速い案が存在する＝支配される（dominated）**ので、検討から外せます。

import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib

# 各SC構成の (年間総コスト[万円], 応答時間[日])。小さいほど良い両軸
options = {
    "海上・低在庫":      (380, 36),
    "海上・高在庫":      (405, 33),
    "鉄道":              (395, 20),
    "航空・低在庫":      (420, 6),
    "航空・高在庫(JIT)": (450, 3),
    "分散倉庫+航空":     (480, 2),
    "非効率A":           (430, 25),
    "非効率B":           (460, 10),
}
names = list(options.keys())
cost = np.array([options[n][0] for n in names], float)
resp = np.array([options[n][1] for n in names], float)

# パレート最適：点 i は、ある j が「コスト以下 かつ 応答以下」で
# 少なくとも一方が真に小さいなら支配される（dominated）
def is_dominated(i):
    for j in range(len(names)):
        if j == i:
            continue
        if cost[j] <= cost[i] and resp[j] <= resp[i] and (cost[j] < cost[i] or resp[j] < resp[i]):
            return True
    return False

dominated = np.array([is_dominated(i) for i in range(len(names))])
print("構成              コスト(万円)  応答(日)  判定")
for i, nm in enumerate(names):
    tag = "支配される" if dominated[i] else "フロンティア"
    print(f"{nm:16s} {cost[i]:7.0f}    {resp[i]:5.0f}    {tag}")

front_idx = [i for i in range(len(names)) if not dominated[i]]
front_idx.sort(key=lambda i: cost[i])
print("\nフロンティア（効率-応答性）：" + " -> ".join(names[i] for i in front_idx))

# 図：フロンティアを線で結び、支配される点を赤×で示す
plt.figure(figsize=(10, 6))
plt.plot(cost[front_idx], resp[front_idx], "-", color="#1f77b4", lw=2, zorder=1,
         label="効率-応答性フロンティア")
first_dom = int(np.where(dominated)[0][0])
for i in range(len(names)):
    if dominated[i]:
        plt.scatter(cost[i], resp[i], color="#d62728", marker="x", s=110, zorder=3,
                    label="支配される選択肢" if i == first_dom else None)
    else:
        plt.scatter(cost[i], resp[i], color="#1f77b4", s=90, zorder=3,
                    label="パレート最適" if i == front_idx[0] else None)
    plt.annotate(names[i], (cost[i], resp[i]), textcoords="offset points",
                 xytext=(8, 5), fontsize=9)
plt.xlabel("年間総コスト（万円）＝効率（右ほど高コスト）")
plt.ylabel("応答時間（日）＝応答性（下ほど速い）")
plt.title("効率-応答性フロンティア：左下が理想・赤×は他案に支配される")
plt.legend(); plt.grid(alpha=0.3); plt.tight_layout(); plt.show()

出力：

構成              コスト(万円)  応答(日)  判定
海上・低在庫               380       36    フロンティア
海上・高在庫               405       33    支配される
鉄道                   395       20    フロンティア
航空・低在庫               420        6    フロンティア
航空・高在庫(JIT)          450        3    フロンティア
分散倉庫+航空              480        2    フロンティア
非効率A                 430       25    支配される
非効率B                 460       10    支配される

フロンティア（効率-応答性）：海上・低在庫 -> 鉄道 -> 航空・低在庫 -> 航空・高在庫(JIT) -> 分散倉庫+航空

出力の意味：8案のうち5案がフロンティア（パレート最適）で、コストの安い順に「海上・低在庫（380万・36日）→ 鉄道（395万・20日）→ 航空・低在庫（420万・6日）→ 航空・高在庫JIT（450万・3日）→ 分散倉庫＋航空（480万・2日）」と並びます。図ではこの5点を結ぶ右下がりの青い線が境界で、安くしようとすれば遅く、速くしようとすれば高くなるというトレードオフそのものです。一方、3案は赤×＝支配される。たとえば「海上・高在庫（405万・33日）」は「鉄道（395万・20日）」より高くて遅い；「非効率A（430万・25日）」も鉄道に、「非効率B（460万・10日）」は「航空・低在庫（420万・6日）」に、どちらもコストでも応答でも負けています。支配される案は検討に値しません——まずこれらを捨て、残ったフロンティア上で「自社の製品（機能的か革新的か）はどこを選ぶべきか」を考えるのが SC 設計です。なお、情報共有やプロセス改善はフロンティアそのものを左下へ押し下げる（同じ応答性をより安く）ので、トレードオフを「ずらす」打ち手になります。

⚠️ よくある誤解

「効率と応答性は工夫すれば両取りできる」ではない：与えられたフロンティア上では両取りは不可能で、必ずどちらかを犠牲にします（コード6）。両方を改善できるのは、フロンティア自体を外側へ動かすとき——情報共有・リードタイム短縮・プロセス革新で「同じコストでより速く」を実現する場合だけ。日々の判断（モード選択・在庫水準）はフロンティア上の点選びで、ここでは必ずトレードオフが効きます。
「速い輸送・高サービスが常に正しい」ではない：寄せるべき方向は製品で決まります（Fisher）。需要が安定した薄利の機能的製品に高コストの応答的SCを当てると、コスト倒れ。逆に、需要が読めず高利の革新的製品を低在庫の効率的SCで運ぶと、欠品で大きな機会損失。製品と SC のマッチングが先で、速い／安いはその結論です。
「各拠点をそれぞれ最適化すれば全体も最適」ではない：部分最適 ≠ 全体最適。各段が自分のコストだけを最小化すると、発注のまとめ・予測の独自運用が積み重なって全体では在庫と変動が膨らみます。その典型が次節のブルウィップ効果（ブルウィップ効果）——合理的な各段の行動が、上流で需要変動を増幅してしまう構造です。
「在庫は1種類」ではない：サイクル・安全・輸送中は別の要因で動きます。「在庫が多い」だけでは打ち手が決まりません。サイクル在庫が重いならロット見直し（EOQ）、安全在庫が重いなら $\sigma_d$ かリードタイム、輸送中在庫が重いなら輸送速度——どの在庫かを切り分けてから手を打ちます。
「リードタイムは輸送中在庫にだけ効く」ではない： $L$ は安全在庫に $\sqrt{L}$ ・輸送中在庫に $L$ で二重に効きます（第4節）。リードタイム短縮は両方を同時に削るので、在庫削減の最も効く梃子のひとつ。逆に、安易な海外集約でリードタイムを伸ばすと、見えにくい在庫費が膨らみます。