ばらつきと改善の数理｜オペレーションズマネジメント

🎓 レベル：応用　|　重要度：A（必須）

📎 前提：M/M/1 待ち行列モデル（ $W_q=\rho/(\mu-\lambda)$ ）・待ち行列の基礎とリトルの法則（稼働率と待ちの非線形）　|　在庫バッファ：安全在庫と発注点　|　締め：制約理論TOCとスループット・リーン生産・JIT・かんばん

要点（BLUF）

リーン（リーン生産・JIT・かんばん）も TOC（制約理論TOCとスループット）も、効く理由は1つに集約されます——ばらつきがフロー（待ち・在庫・リードタイム）を劣化させる。これを定量化するのがキングマンの式（ファクトリーフィジクスの VUT 分解）です。
一般の単一窓口 G/G/1 の平均待ち時間は、近似的に $W_q\approx\dfrac{c_a^2+c_s^2}{2}\cdot\dfrac{\rho}{1-\rho}\cdot t_e$ と、ばらつき $V$ × 稼働率 $U$ × 時間 $T$ の積に分解できます。 $c_a^2,c_s^2$ は到着間隔・サービス時間の SCV（2乗変動係数 $=\sigma^2/\text{mean}^2$ ）。
$c_a^2=c_s^2=1$ （指数到着・指数サービス）を入れると $V=1$ になり、 $W_q=\rho\,t_e/(1-\rho)$ ＝M/M/1（M/M/1 待ち行列モデル）に厳密一致。キングマンは M/M/1 の自然な一般化です。
ばらつきは消せず、在庫・能力・時間の3つのいずれかで必ず吸収される（バッファリング法則）。リーンは $c_a,c_s$ を下げて必要バッファを減らす営みで、その効果は「 $W_q$ - $\rho$ 曲線を下へずらし、同じ待ちでより高い稼働率を許す」ことだとコードで見ます。高稼働が安全なのは、低ばらつきのときだけです。

1. なぜリーンとTOCが効くのか：ばらつきがフローを壊す

待ち行列の基礎とリトルの法則で、稼働率 $\rho$ を1に近づけると待ちが $1/(1-\rho)$ で爆発するのを見ました。M/M/1 ではこれが厳密に出ましたが、現実の到着もサービスも指数分布とは限りません。では何が待ちを決めるのか。答えは「ばらつきと稼働率」です。

直感はこうです。もし到着もサービスもまったくばらつかない（一定間隔で来て、一定時間で終わる）なら、能力が足りる限り待ちはゼロにできます——客が来るたびに窓口がちょうど空いている。待ちが生まれるのは、到着が固まったり、サービスが長引いたりするばらつきのせい。そして稼働率が高いほど、一度生じた行列が解消されにくい。だから待ち＝ばらつき問題であり、ばらつきを下げればフローは改善する。これがリーン（平準化・一個流し・品質の作り込み）と TOC（バッファで制約を守る）が共通して効く根っこです。

ばらつきの大きさは変動係数で測ります。標準偏差を平均で割った $CV=\sigma/\text{mean}$ 、その2乗が SCV（squared coefficient of variation）：

c^2=\frac{\sigma^2}{\text{mean}^2}

SCV は無次元で、分布の「暴れ具合」を平均で正規化した量。指数分布は $\sigma=\text{mean}$ なので $c^2=1$ 、一定（決定的）なら $c^2=0$ 、指数より暴れる（バースト的）なら $c^2>1$ 。この $c^2$ がそのまま待ち時間に効きます。

2. キングマンの式とM/M/1への帰着

単一窓口の一般待ち行列 G/G/1（到着もサービスも一般分布）の平均待ち時間 $W_q$ について、キングマン（Kingman, 1961）の近似式が成り立ちます。

W_q\approx\underbrace{\frac{c_a^2+c_s^2}{2}}_{V:\text{ばらつき}}\cdot\underbrace{\frac{\rho}{1-\rho}}_{U:\text{稼働率}}\cdot\underbrace{t_e}_{T:\text{時間}}

ここで $c_a^2$ は到着間隔の SCV、 $c_s^2$ はサービス時間の SCV、 $\rho$ は稼働率、 $t_e=1/\mu$ は平均サービス時間（effective process time）。ファクトリーフィジクス（Hopp & Spearman）はこれを VUT 分解と呼びます。

V（Variability・ばらつき） $=\dfrac{c_a^2+c_s^2}{2}$ ：到着とサービスのばらつきの平均。
U（Utilization・稼働率） $=\dfrac{\rho}{1-\rho}$ ：待ち行列の基礎とリトルの法則で見た $1/(1-\rho)$ 爆発の項。
T（Time・時間） $=t_e$ ：1個あたりの正味処理時間。

3つの積だというのが教訓です。 $V$ を半分にすれば $W_q$ も半分。 $\rho$ を下げれば $U$ が下がる。ばらつき・稼働率・処理時間のどれを攻めても待ちは減る——が、 $U$ は $\rho\to1$ で発散するので、高稼働域では $V$ を下げるのが効きます。

M/M/1 への帰着を確かめましょう。ポアソン到着は到着間隔が指数分布なので $c_a^2=1$ 、指数サービスも $c_s^2=1$ 。代入すると $V=(1+1)/2=1$ で、

W_q\approx 1\cdot\frac{\rho}{1-\rho}\cdot t_e=\frac{\rho\,t_e}{1-\rho}=\frac{\rho}{\mu-\lambda}

これは M/M/1 待ち行列モデルで導いた M/M/1 の $W_q$ と完全に一致します。実はキングマンの式は、ポアソン到着（ $c_a^2=1$ ）なら M/M/1・M/G/1 で厳密（M/G/1 はポラチェック–ヒンチン公式と一致）、一般の G/G/1 では重交通（ $\rho\to1$ ）で漸近的に厳密になる近似です。「M/M/1 は $c_a^2=c_s^2=1$ という特別な1点」で、キングマンはそこからばらつきを動かせるように一般化したもの、と捉えてください。

3. バッファリング法則：在庫・能力・時間

キングマンの式は、ばらつきは消えてなくならず、必ず何かで「払う」ことを教えます。 $V>0$ である限り $W_q>0$ 。この支払いの形は3通りしかありません（Hopp & Spearman のバッファリング法則）。

flowchart LR
  VAR["ばらつき<br/>（到着 ca・サービス cs）"] --> BUF{"必ずどれかで吸収"}
  BUF --> INV["在庫バッファ<br/>（安全在庫・WIP）"]
  BUF --> CAP["能力バッファ<br/>（余力＝稼働率を下げる）"]
  BUF --> TIME["時間バッファ<br/>（待ち時間・リードタイム）"]

在庫で払う：安全在庫や仕掛在庫を持って、ばらつきを在庫で吸収する（安全在庫と発注点の $z\sigma\sqrt{L}$ 、DBR のバッファ＝制約理論TOCとスループット）。
能力で払う：稼働率を下げて余力を残す（ $\rho$ を下げると $U=\rho/(1-\rho)$ が下がる。待ち行列の基礎とリトルの法則の「余力を残す価値」）。
時間で払う：客や仕事を待たせる（ $W_q$ そのもの・長いリードタイム）。

3つはトレードオフで、どれかを減らせば別のどれかが増えます。在庫を削れば（リーンでかんばんを絞れば）、同じばらつきなら能力か時間で払うしかない——だからばらつきを下げずに在庫だけ削ると、欠品（時間バッファの破綻）や残業（能力バッファ）にしわ寄せが行きます。リーンの本質は「在庫を削る」ことではなく、 $V$ （ $c_a,c_s$ ）そのものを下げて、3つのバッファの総量を減らすことなのです。次のコードで、 $V$ を下げると「同じ待ち（時間バッファ一定）でより高い稼働率（能力バッファを薄く）」が許されることを見ます。

4. キングマンの式とG/G/1シミュレーション（コード）

キングマンの式を、(1) $c_a^2=c_s^2=1$ で M/M/1 に一致すること、(2) ばらつき（SCV）を下げると $W_q$ が減ること、(3) ガンマ分布で SCV を指定した G/G/1 の離散事象シミュレーションで裏取りすること、の3段で確かめます。シミュレーションは待ち時間の Lindley 再帰 $W_{q,i}=\max(0,\ W_{q,i-1}+S_{i-1}-A_i)$ （待ち行列の基礎とリトルの法則と同じ）。ガンマ分布は平均 $m$ ・SCV $c^2$ を shape $=1/c^2$ ・scale $=m\,c^2$ で指定でき、 $c^2=1$ で指数分布になります。

import numpy as np
import pandas as pd

def kingman_wq(ca2, cs2, rho, te):
    """キングマン近似 Wq = (ca^2+cs^2)/2 * rho/(1-rho) * te。"""
    return (ca2 + cs2) / 2.0 * rho / (1.0 - rho) * te

te = 1.0   # 平均サービス時間 te = 1/mu（mu=1）
print("=== ca^2=cs^2=1 のとき キングマン式 = M/M/1 の Wq ===")
print(" rho    Kingman_Wq   MM1_Wq=rho*te/(1-rho)")
for rho in [0.50, 0.70, 0.80, 0.90, 0.95]:
    kq = kingman_wq(1.0, 1.0, rho, te)
    mm1 = rho / (1.0 - rho) * te
    print(f"{rho:.2f}    {kq:9.4f}    {mm1:9.4f}")

print()
print("=== rho=0.90 固定：ばらつき(SCV)を下げると待ちが減る ===")
print(" ca^2  cs^2   Kingman_Wq")
for ca2, cs2 in [(2.0, 2.0), (1.0, 1.0), (0.5, 0.5), (0.25, 0.25), (0.0, 0.0)]:
    print(f"{ca2:.2f}  {cs2:.2f}   {kingman_wq(ca2, cs2, 0.90, te):8.4f}")

def simulate_gg1(lam, mu, ca2, cs2, n, seed):
    """G/G/1 を Lindley 再帰 Wq_i=max(0, Wq_{i-1}+S_{i-1}-A_i) でシミュ。
    到着間隔・サービスはガンマ（平均 m, SCV c^2 -> shape=1/c^2, scale=m*c^2）。"""
    rng = np.random.default_rng(seed)
    A = rng.gamma(1.0 / ca2, (1.0 / lam) * ca2, n)   # 到着間隔（平均 1/lam）
    S = rng.gamma(1.0 / cs2, (1.0 / mu) * cs2, n)    # サービス時間（平均 1/mu）
    Wq = 0.0
    tot = 0.0
    warm = n // 10
    for i in range(1, n):
        Wq = max(0.0, Wq + S[i - 1] - A[i])
        if i >= warm:
            tot += Wq
    return tot / (n - warm)

print()
print("=== G/G/1 シミュでキングマン近似を裏取り（mu=1, n=1,000,000）===")
print(" rho   ca^2  cs^2   Kingman   simulation")
n = 1_000_000
for rho, ca2, cs2 in [(0.90, 1.0, 1.0), (0.90, 0.5, 0.5), (0.90, 2.0, 2.0),
                      (0.95, 0.25, 0.25), (0.80, 1.0, 1.0)]:
    kq = kingman_wq(ca2, cs2, rho, te)
    sim = simulate_gg1(rho, 1.0, ca2, cs2, n, seed=20260627)
    print(f"{rho:.2f}   {ca2:.2f}  {cs2:.2f}   {kq:7.4f}   {sim:9.4f}")

出力：

=== ca^2=cs^2=1 のとき キングマン式 = M/M/1 の Wq ===
 rho    Kingman_Wq   MM1_Wq=rho*te/(1-rho)
0.50       1.0000       1.0000
0.70       2.3333       2.3333
0.80       4.0000       4.0000
0.90       9.0000       9.0000
0.95      19.0000      19.0000

=== rho=0.90 固定：ばらつき(SCV)を下げると待ちが減る ===
 ca^2  cs^2   Kingman_Wq
2.00  2.00    18.0000
1.00  1.00     9.0000
0.50  0.50     4.5000
0.25  0.25     2.2500
0.00  0.00     0.0000

=== G/G/1 シミュでキングマン近似を裏取り（mu=1, n=1,000,000）===
 rho   ca^2  cs^2   Kingman   simulation
0.90   1.00  1.00    9.0000      8.9813
0.90   0.50  0.50    4.5000      4.2958
0.90   2.00  2.00   18.0000     18.5598
0.95   0.25  0.25    4.7500      4.5210
0.80   1.00  1.00    4.0000      4.0131

出力の意味：上段で、 $c_a^2=c_s^2=1$ のキングマン式は M/M/1 の $W_q=\rho t_e/(1-\rho)$ と全 $\rho$ で完全一致（ $\rho=0.9$ で 9.0、 $\rho=0.95$ で 19.0）。キングマンが M/M/1 の一般化だと確認できます。中段、 $\rho=0.9$ に固定してばらつきだけを下げると、 $W_q$ は SCV $=2$ の18.0 → SCV $=1$ の9.0 → SCV $=0.5$ の4.5 → SCV $=0.25$ の2.25 → SCV $=0$ （決定的）の0.0 へ。稼働率も処理時間も一切変えず、ばらつきを下げるだけで待ちが消えていきます（ $V$ に比例）。下段の G/G/1 シミュレーションでは、ガンマ分布で SCV を指定して Lindley 再帰を100万回回した実測 $W_q$ が、キングマン式と突き合わさります—— $c_a^2=1$ の行（M/M/1 相当の (1,1) と (1,1)）は 8.9813 vs 9.0、4.0131 vs 4.0 とほぼ厳密一致（ポアソン到着では式が厳密）。 $c_a^2\neq1$ の行（(0.5,0.5)・(2,2)・(0.25,0.25)）は 4.30 vs 4.5、18.56 vs 18.0、4.52 vs 4.75 と数%以内で、キングマンが良い近似であること（誤差は非ポアソン到着ぶん。重交通 $\rho\to1$ ほど近似は良くなる）を示しています。

5. ばらつき低減が高稼働を安全にする（コード）

バッファリング法則の核心——「ばらつきを下げると、同じ待ち（時間バッファ一定）で、より高い稼働率（能力バッファを薄く）が許される」を可視化します。目標待ち時間を $W_q=9$ （ $t_e$ の9倍）に固定し、ばらつき水準ごとに $W_q$ - $\rho$ 曲線を描いて、どこまで稼働率を上げてよいか $\rho^\ast$ を読み取ります。 $\dfrac{c_a^2+c_s^2}{2}\cdot\dfrac{\rho}{1-\rho}\cdot t_e=W_q^{\text{目標}}$ を $\rho$ について解くと $\rho^\ast=\dfrac{W_q^{\text{目標}}}{W_q^{\text{目標}}+V\,t_e}$ です。

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

te = 1.0
def wq(ca2, cs2, rho, te):
    return (ca2 + cs2) / 2.0 * rho / (1.0 - rho) * te

target = 9.0   # 目標待ち時間（= te の9倍）
print("目標 Wq =", target, "を同じ待ちに保つとき、各ばらつき水準が許す稼働率 rho*")
print(" SCV(=ca^2=cs^2)   許される rho*   = target/(target+SCV)")
for scv in [2.0, 1.0, 0.5, 0.25]:
    rho_star = target / (target + scv)    # (ca2+cs2)/2 * r/(1-r) = target を解く
    print(f"   {scv:.2f}            {rho_star:.4f}")

rho = np.linspace(0.01, 0.975, 400)
plt.figure(figsize=(9, 5.5))
curves = [(2.0, "高ばらつき SCV=2", "#d62728"),
          (1.0, "中 SCV=1（M/M/1）", "#ff7f0e"),
          (0.25, "低ばらつき SCV=0.25（リーン）", "#1f77b4")]
for scv, label, color in curves:
    plt.plot(rho, wq(scv, scv, rho, te), color=color, lw=2, label=label)
    r_star = target / (target + scv)
    plt.scatter([r_star], [target], color=color, zorder=5)
    plt.annotate(f"rho*={r_star:.3f}", (r_star, target),
                 textcoords="offset points", xytext=(4, 6), fontsize=9, color=color)
plt.axhline(target, ls=":", color="gray", label=f"目標 Wq={target:.0f}")
plt.xlabel("稼働率 rho"); plt.ylabel("平均待ち時間 Wq")
plt.title("ばらつき低減(リーン)は Wq-rho 曲線を下へずらす＝同じ待ちでより高稼働を許す")
plt.ylim(0, 30); plt.xlim(0, 1.0)
plt.legend(loc="upper left"); plt.tight_layout()
plt.show()

出力：

目標 Wq = 9.0 を同じ待ちに保つとき、各ばらつき水準が許す稼働率 rho*
 SCV(=ca^2=cs^2)   許される rho*   = target/(target+SCV)
   2.00            0.8182
   1.00            0.9000
   0.50            0.9474
   0.25            0.9730

出力の意味：同じ目標待ち時間 $W_q=9$ を守るのに、高ばらつき（SCV $=2$ ）の現場では稼働率を $\rho^\ast=0.818$ までしか上げられません。ばらつきを SCV $=1$ （M/M/1 並み）に下げれば $0.900$ 、さらにリーンで SCV $=0.25$ まで下げれば $0.973$ まで稼働率を上げてよい。図では、ばらつきを下げるほど $W_q$ - $\rho$ 曲線が下へずれ、目標線（ $W_q=9$ ）と交わる点（ $\rho^\ast$ ）が右へ動きます。これがバッファリング法則の実践的含意です——ばらつきを下げる（時間バッファも在庫バッファも据え置き）と、能力バッファを薄くできる＝同じサービス水準でより高い稼働率で回せる。高ばらつきのまま稼働率0.97で回せば待ちは天文学的（ $V=2$ なら $W_q=2\times0.97/0.03\approx65$ ）ですが、ばらつきを下げてあれば0.97でも $W_q=9$ で済む。「稼働率を上げてよいかどうか」は、ばらつきを下げてからでないと決められないのです。リーンが在庫削減の前にまず平準化・段取り短縮・品質作り込みで $c_a,c_s$ を攻めるのは、この順序を守るためです。

⚠️ よくある誤解

「ばらつきは努力で消せる」ではない： $V=(c_a^2+c_s^2)/2$ をゼロにできれば $W_q=0$ ですが、現実の需要も故障も完全には消せません。残ったばらつきは在庫・能力・時間のどれかで必ず払う（バッファリング法則）。リーンは「ばらつきをゼロにする」のではなく「下げて、払い方を在庫から能力・時間へ最適に振り直す」営みです。どれも持たずにばらつきを放置すれば、欠品か残業か長待ちのいずれかが噴き出します。
「稼働率は上げるほど効率的」ではない： $U=\rho/(1-\rho)$ は $\rho\to1$ で発散します（待ち行列の基礎とリトルの法則）。高稼働が許されるのは $V$ が小さいときだけ。ばらつきが大きい工程を高稼働で回すと、 $W_q$ は VUT の積で跳ね上がります。「設備を遊ばせるな」という局所効率の号令は、ばらつきの大きい非制約工程では WIP と待ちを生むだけ（制約理論TOCとスループットの従属の話）。
「キングマンの式は厳密」ではない： $c_a^2=1$ （ポアソン到着）なら M/M/1・M/G/1 で厳密ですが、一般の G/G/1 では近似です（重交通 $\rho\to1$ で漸近的に厳密）。本ノートのシミュでも非ポアソン到着では数%ずれました。設計の目安としては十分強力ですが、SLA を厳密に詰めるときは分布を指定したシミュレーション（本ノートの Lindley 再帰）で裏を取るのが安全です（要最新確認）。
「リーン＝在庫削減」ではない（再掲）：本章を貫く誤解です。在庫はばらつきを吸収する3つのバッファの1つにすぎません。 $V$ を下げずに在庫だけ削れば、払いは能力（残業）か時間（欠品・長納期）に回るだけ。リーンの本丸は $c_a,c_s$ の低減で、在庫削減はその結果として安全に達成されます（リーン生産・JIT・かんばん）。