リーン生産・JIT・かんばん｜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：プロセス分析とリトルの法則（ $I=R\,T$ ＝WIPとフロータイム）・制約理論TOCとスループット（ロープ＝投入を制約に縛る）　|　関連：定量発注と定期発注（補充の発注方式）　|　次：ばらつきと改善の数理

要点（BLUF）

リーン生産はトヨタ生産方式（TPS）に由来し、「価値を流し、ムダ（無駄）を徹底排除する」考え方。中核が JIT（ジャストインタイム）＝必要なものを・必要なときに・必要なだけで、これを実現する仕組みが**プル生産（後工程引き取り）**です。
プルは「モノは下流へ流れ、かんばん（作ってよい・運んでよいという信号）は上流へ戻り、顧客の引き取りが起点になる」。前工程は後工程に引き取られたぶんだけ作る。これに対しプッシュは計画・予測に従って前工程が先に作り込む。
かんばん枚数 $K=\dfrac{D\,L\,(1+\alpha)}{C}$ （ $D$ 需要率・ $L$ リードタイム・ $\alpha$ 安全係数・ $C$ コンテナ入数）。ループ内の WIP $=K\cdot C$ 。リードタイムを縮めるとかんばん枚数＝WIP が減ることをコードで見ます。
タクトタイム $=\dfrac{利用可能時間}{需要}$ は需要の歩調。プルは WIP を上限で縛る（CONWIP）ので、プロセス分析とリトルの法則の $I=R\,T$ により WIP 上限がそのままフロータイム上限になる——これがプルがリードタイムを短く保つ数理です。

1. リーンとJIT：プル生産と7つのムダ

リーンの出発点は「顧客にとっての価値を生まない活動はすべてムダ（muda）」という見方です。TPS は典型的なムダを7つに分類しました。

ムダ	中身
作りすぎ	売れる前に・必要より多く作る（最悪のムダ。他の6つを誘発し在庫を生む）
手待ち	部品・情報・前工程を待って止まっている時間（制約の枯渇もこれ）
運搬	必要のない移動・積み替え
加工そのもの	過剰な精度・不要な工程
在庫	必要以上の原材料・仕掛・製品。問題を覆い隠す
動作	探す・かがむ・持ち替えるなど価値を生まない動き
不良	作り直し・手直し・廃棄（源流で止める＝シックスシグマと検査設計の 1-10-100）

中でも作りすぎが最悪とされるのは、それが在庫を生み、手待ちや運搬や不良を覆い隠すから。前章制約理論TOCとスループットの言葉で言えば、作りすぎは $T$ （スループット）を増やさずに $I$ （在庫）と $OE$ （保管・管理）だけを膨らませます。

作りすぎを断つ仕組みが**プル（後工程引き取り）**です。

flowchart LR
  START["顧客の引き取り"] -. "起点（プルの号砲）" .-> POST
  PRE["前工程"] -->|"モノは下流へ流れる"| POST["後工程"]
  POST -. "かんばん（作ってよい信号）は上流へ戻る" .-> PRE

プッシュ（計画先行）では、前工程はスケジュールや予測に従って先に作り込みます。需要や下流の進み具合がずれると、作ったものが下流の手前で滞留する（作りすぎ・在庫）。プルでは、後工程が実際に引き取った（消費した）ぶんだけ、かんばんという信号が上流に戻って初めて前工程が補充します。だからWIP が需要に縛られ、作りすぎが構造的に起きません。なお JIT・かんばん・5S・自働化といった運営管理の概論は中小企業診断士テキストも参照してください。本ノートは「なぜプルでリードタイムと在庫が縮むのか」を数理で扱います。

2. かんばん：枚数の式とWIP上限

かんばん（看板）は、部品の入った1コンテナに付くカードで、「このコンテナを補充してよい／運んでよい」という許可証です。カードの枚数が、ループ内に存在できるコンテナ数＝WIP の上限を物理的に決めます。では何枚要るか。

補充のリードタイム $L$ （カードが外れてから補充が戻るまで）の間、後工程は $D\cdot L$ 個を消費します。これにばらつきへの安全係数 $\alpha$ を上乗せした量を、入数 $C$ 個のコンテナで賄うので、必要なカード枚数は

K=\frac{D\,L\,(1+\alpha)}{C}

（実枚数は切り上げ）。このループに存在できる最大の仕掛在庫は

\text{WIP}_{\max}=K\cdot C

です。ここでプロセス分析とリトルの法則の $I=R\,T$ を当てます。このループのスループット（フローレート）は需要率 $R=D$ 、在庫は $I=\text{WIP}_{\max}=KC$ で頭打ち。よってループを通る平均フロータイムの上限は

T_{\max}=\frac{\text{WIP}_{\max}}{D}=\frac{K\,C}{D}\approx L\,(1+\alpha)

かんばん枚数を絞ること＝WIP に上限をかけること＝フロータイム（リードタイム）に上限をかけること。これがプルの数理的な正体です。そして $K$ は $L$ に比例するので、リードタイム短縮が在庫削減に直結します。

3. タクトタイムと平準化

タクトタイム（独 Takt＝拍子）は需要の歩調そのもので、

\text{タクトタイム}=\frac{\text{利用可能な生産時間}}{\text{その間の需要数}}

「1個を何秒ごとに仕上げれば需要にちょうど追いつくか」を表します（ボトルネックとキャパシティのタクトタイムと同じ）。各工程のサイクルタイム（実際に1個作るのにかかる時間）をタクトタイム以下に揃えることで、過不足なく流れます。タクト > サイクルなら能力過剰（手待ち）、タクト < サイクルなら能力不足（欠品）。

プルを安定させる前提が平準化（heijunka）です。需要のばらつきをそのまま生産に流すと、プルは山と谷で破綻します。そこで生産量と品種を時間軸でならして（たとえば AABABAAB… のように小ロットで混流）、各工程への負荷を一定に近づける。平準化と一個流し（ロットでまとめず1個ずつ流す）でロット待ちと仕掛を減らし、リードタイムを短縮します。なぜ平準化＝ばらつき低減がここまで効くのかは、次のばらつきと改善の数理でキングマンの式として定量化します。

4. かんばん枚数とリードタイム短縮（コード）

かんばん枚数 $K=DL(1+\alpha)/C$ を、需要率・リードタイム・入数から計算します。リードタイム $L$ を縮めるとかんばん枚数（＝WIP 上限）が減ること、そして WIP 上限を需要率で割るとフロータイム上限になる（リトルの法則）ことを確かめます。

import numpy as np
import pandas as pd

# かんばん枚数 K = D*L*(1+alpha)/C （実枚数は切り上げ）
D = 60.0      # 需要率（個/時）
C = 10        # コンテナ入数（個/枚）
alpha = 0.20  # 安全係数

rows = []
for L in [4.0, 3.0, 2.0, 1.0, 0.5]:   # リードタイム（時）
    K_raw = D * L * (1 + alpha) / C
    K = int(np.ceil(K_raw))            # 実際のかんばん枚数は切り上げ
    WIP = K * C                        # WIP上限 = かんばん枚数 × 入数（個）
    T_cap = WIP / D                    # リトル I=R*T -> フロータイム上限 = WIP/D（時）
    rows.append({"リードL_時": L, "K_理論": K_raw, "K_枚数": K,
                 "WIP上限_個": WIP, "フロータイム上限_時": T_cap})
df = pd.DataFrame(rows)
print(f"需要率 D={D} 個/時, コンテナ入数 C={C} 個, 安全係数 alpha={alpha}")
print(df.to_string(index=False, float_format=lambda x: f"{x:.3f}"))
print()
K4 = int(np.ceil(D * 4.0 * (1 + alpha) / C))
K05 = int(np.ceil(D * 0.5 * (1 + alpha) / C))
print(f"リードタイム 4.0時間 -> 0.5時間 の短縮で：")
print(f"  かんばん {K4} 枚 -> {K05} 枚,  WIP上限 {K4*C} 個 -> {K05*C} 個")
print(f"リトルの法則の確認（L=2.0時間の行）：WIP上限/D = {15*C}/{D} = {15*C/D:.3f} 時間"
      f" = フロータイム上限")

出力：

需要率 D=60.0 個/時, コンテナ入数 C=10 個, 安全係数 alpha=0.2
 リードL_時   K_理論  K_枚数  WIP上限_個  フロータイム上限_時
  4.000 28.800    29      290       4.833
  3.000 21.600    22      220       3.667
  2.000 14.400    15      150       2.500
  1.000  7.200     8       80       1.333
  0.500  3.600     4       40       0.667

リードタイム 4.0時間 -> 0.5時間 の短縮で：
  かんばん 29 枚 -> 4 枚,  WIP上限 290 個 -> 40 個
リトルの法則の確認（L=2.0時間の行）：WIP上限/D = 150/60.0 = 2.500 時間 = フロータイム上限

出力の意味：需要 $D=60$ 個/時・入数 $C=10$ ・安全係数 $\alpha=0.2$ のとき、リードタイム $L=4$ 時間なら必要かんばんは約28.8枚 → 切り上げて29枚、ループ内 WIP の上限は $29\times10=290$ 個です。リードタイムを縮めていくと、 $L=2$ で15枚・150個、 $L=1$ で8枚・80個、 $L=0.5$ では4枚・40個。リードタイムを8分の1（4→0.5時間）にすると、かんばんは29→4枚、WIP は290→40個へ激減しました。 $K$ が $L$ に比例するからです。そして右端の「フロータイム上限」列は、各行で WIP 上限 ÷ 需要率 $D$ （リトルの法則 $I=R\,T$ を $T=I/R$ と解いたもの）。 $L=2$ の行で確認すると $150/60=2.500$ 時間で、計画リードタイム $L(1+\alpha)=2\times1.2=2.4$ 時間に切り上げぶんが乗った上限になっています。かんばんを減らす＝WIP に蓋をする＝フロータイムに蓋をする。在庫削減とリードタイム短縮が同じコインの裏表だと、リトルの法則が教えてくれます。

5. プル vs プッシュ：WIP は有界に保たれる（コード）

プルの真価は「ばらつきがあっても WIP とフロータイムが暴走しない」点にあります。同じ変動するボトルネック（平均能力10個/期）と同じ需要（平均9.5個/期）に対し、プッシュ（計画どおり能力ぴったり10個/期を先行投入）とプル（CONWIP：総 WIP を上限15個に縛り、需要に引かれたぶんだけ投入）を400期シミュレーションし、WIP の推移を比べます。

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

rng = np.random.default_rng(7)
T = 400
mu = 10.0                          # 1期あたり平均処理能力（ボトルネック）
cap = rng.poisson(mu, T)           # 各期の実処理能力（ばらつきあり）
demand = rng.poisson(9.5, T)       # 各期の需要（平均9.5 < 能力10）

def run_push(release_rate):
    """プッシュ：毎期 release_rate だけ投入（ライン状態を見ない＝計画先行）。"""
    wip = np.zeros(T + 1)
    processed_tot = 0
    for t in range(T):
        inflow = release_rate
        processed = min(wip[t] + inflow, cap[t])       # 能力の範囲で処理
        processed_tot += processed
        wip[t + 1] = wip[t] + inflow - processed
    return wip, processed_tot

def run_conwip(wip_cap):
    """プル(CONWIP)：WIP を上限 wip_cap 以下に保つよう投入を絞る（後工程引き取り）。"""
    wip = np.zeros(T + 1)
    backlog = 0.0
    processed_tot = 0
    for t in range(T):
        backlog += demand[t]                            # 需要は受注残として積む
        room = max(0.0, wip_cap - wip[t])               # 投入できる空き
        inflow = min(backlog, room)                     # 空きと需要の小さい方だけ投入
        backlog -= inflow
        processed = min(wip[t] + inflow, cap[t])
        processed_tot += processed
        wip[t + 1] = wip[t] + inflow - processed
    return wip, processed_tot

wip_push, thru_push = run_push(release_rate=10)   # 能力ぴったりを計画投入（高稼働志向）
wip_pull, thru_pull = run_conwip(wip_cap=15)      # CONWIP 上限15

mwp, mwl = wip_push.mean(), wip_pull.mean()
print(f"総需要 = {demand.sum()} 個")
print(f"プッシュ：平均WIP={mwp:6.1f} 個, 最大WIP={wip_push.max():3.0f} 個, "
      f"最終WIP={wip_push[-1]:3.0f} 個, 総産出={thru_push:.0f} 個")
print(f"プル    ：平均WIP={mwl:6.1f} 個, 最大WIP={wip_pull.max():3.0f} 個, "
      f"最終WIP={wip_pull[-1]:3.0f} 個, 総産出={thru_pull:.0f} 個")
# リトルの法則：フロータイム = 平均WIP / スループット（期）
rp_push, rp_pull = thru_push / T, thru_pull / T
print()
print(f"スループット（個/期）：プッシュ={rp_push:.3f}, プル={rp_pull:.3f}")
print(f"フロータイム I=R*T -> T=I/R（期）：プッシュ={mwp/rp_push:.2f}, プル={mwl/rp_pull:.2f}")
print(f"プルのフロータイム上限 = WIP上限/スループット = 15/{rp_pull:.3f} = {15/rp_pull:.2f} 期")

plt.figure(figsize=(9.5, 5.5))
plt.plot(wip_push, color="#d62728", lw=1.4, label=f"プッシュ（計画先行）平均WIP={mwp:.0f}")
plt.plot(wip_pull, color="#1f77b4", lw=1.4, label=f"プル CONWIP（上限15）平均WIP={mwl:.0f}")
plt.axhline(15, ls="--", color="#1f77b4", alpha=0.6, label="CONWIP の WIP上限=15")
plt.xlabel("期"); plt.ylabel("仕掛在庫 WIP（個）")
plt.title("プッシュは WIP が膨らむ／プル(CONWIP)は WIP が有界")
plt.legend(loc="upper left"); plt.tight_layout()
plt.show()

出力：

総需要 = 3773 個
プッシュ：平均WIP=  17.4 個, 最大WIP= 49 個, 最終WIP= 30 個, 総産出=3970 個
プル    ：平均WIP=   3.8 個, 最大WIP= 12 個, 最終WIP=  0 個, 総産出=3773 個

スループット（個/期）：プッシュ=9.925, プル=9.432
フロータイム I=R*T -> T=I/R（期）：プッシュ=1.75, プル=0.40
プルのフロータイム上限 = WIP上限/スループット = 15/9.432 = 1.59 期

出力の意味：プッシュは「能力を遊ばせない」ために毎期10個を計画投入します。能力もばらつく（平均10）ので、投入が能力をわずかに上回る期が積み重なり、WIP は平均17.4個・最大49個まで膨れ上がり（図の赤い線が天井知らずにさまよう）、フロータイムは1.75期に伸びます。しかも総産出3970個は総需要3773個を197個も上回る——これは売れる前に作った作りすぎ（最悪のムダ）で、余分な完成在庫として滞留します。一方プルは WIP を上限15個に縛るので、平均WIP 3.8個・最大でも12個（需要に引かれたぶんしか投入しないため上限15にすら届かない）。図の青い線は破線の上限15を一度も超えません。総産出3773個は総需要にぴたり一致（作りすぎゼロ）、フロータイムは0.40期。そして決定的なのが最終行——プルのフロータイムは WIP 上限 ÷ スループット $=15/9.432=1.59$ 期で構造的に頭打ち（プロセス分析とリトルの法則の $I=R\,T$ ）。WIP に蓋をすれば、リトルの法則がフロータイムにも蓋をする。プッシュの「高稼働を狙って先行投入」は、待ち行列の基礎とリトルの法則で見た「稼働率を1に近づけると待ちが爆発する」のと同じ罠で、WIP と作りすぎを生むのです。

⚠️ よくある誤解

「JIT はどんな現場でも在庫を減らせる」ではない：プルはばらつきが小さく供給が安定していることが前提です。需要や供給、品質、設備が暴れる現場でかんばんを絞ると、すぐに欠品・ライン停止に陥ります。だからリーンは「在庫を減らす」前にばらつきを下げる（平準化・予防保全・品質の作り込み）。なぜばらつきが致命的かはばらつきと改善の数理で定量化します。プルはばらつき低減とセットで初めて機能します。
「かんばん＝在庫ゼロ」ではない：かんばんはループ内 WIP を $K\cdot C$ という上限に縛る仕組みで、在庫をゼロにはしません。 $\alpha$ （安全係数）ぶんのバッファは意図的に持ちます。リーンの狙いは「ゼロ在庫」ではなく「WIP に蓋をして見える化し、 $K$ を計画的に減らして問題を炙り出す」こと（在庫を下げると隠れていた問題が露出する＝「水位を下げると岩が見える」）。
「リーン＝コスト削減（人減らし）」ではない：リーンの本質はフローの改善とばらつきの低減で、その結果としてリードタイム・在庫・コストが下がります。目的をコスト削減（とくに人員削減）に取り違えると、現場が改善に協力しなくなり、作りすぎや手直しが温存されます。測るべきは局所原価でなくフロータイム・WIP・スループットです（制約理論TOCとスループットのスループット会計と同じ思想）。
「タクトタイム＝サイクルタイム」ではない：タクトタイムは需要が決める歩調（利用可能時間/需要）、サイクルタイムは工程が実際に1個作る時間。両者は別物で、ライン設計の目標は「各工程のサイクルタイム ≤ タクトタイム」に揃えること。サイクルがタクトを超えれば需要に追いつかず、大きく下回れば能力過剰（手待ち）です。