รายงานสืบเนื่องจากการประชุมสัมมนาเชิงวิชาการด้านการจัดการโลจิสติกส์และโซ่อุปทาน ครั้งที่ 17

การประชมุ สัมมนาเชิงวชิ าการด้านการจดั การโลจิสตกิ ส์และโซ่อุปทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Time : SPT) เลือกงานท่ีมีจานวนการทางานท่ีเหลืออยู่น้อยท่ีสุด (Least Work Remaining : LWKR) เลือกงานที่สามรถ ทางานไดก้ ่อนมาทากอ่ น (First Arrival at the shop First Serve : FASFS) เลือกงานท่มี กี าหนดสง่ มอบเร็วสดุ ทากอ่ น (Early Due Date : EDD) เลือกงานท่มี ีเวลาเหลอื น้อยที่สดุ ทาก่อน (Minimum Slack Time : SLACK) เลือกงานที่เหลือก่อนทางาน มากสุดทาก่อนเลือกงานแบบสุ่ม (Most Work Remaining : MWKR) (Baker, 1974), (French, 1982) การจัดตารางลาดับ งานมีการนามาใช้อย่างกว้างขวาง เช่น การจัดตารางงานด้วยวิธี EDD สาหรับเครื่องจักรแบบวางขนาน (Kim, 2003) การ เปรียบเทยี บสมรรถนะของทางเลือกโดยวธิ ฮี ิวรสิ ติกสาหรบั งานไหล (Eaquivel, 2002) การวางแผนการผลติ และจัดตารางงาน โดยใหป้ ระสิทธภิ าพสูงสดุ สาหรบั การผลติ แบบตามคาสง่ั (Zhang, 2005) ปัญหาการจัดตารางลาดบั งานของรถบรรทกุ สนิ ค้า ผู้ ศึกษาได้นาปัญหาท่ีมีการทางานระยะเวลา 1 เดือนของแต่ละบรษิ ัท และมีวันกาหนดสง่ สินคา้ ข้ึนเรอื (Due Date) ท่ีแตกต่าง กนั โดยจะยกตวั อย่างมา 2 บรษิ ัทดังตารางท่ี 1 ตารางที่ 1: แสดงตัวอยา่ งรายการของงานทกี่ าหนดไว้ระหว่างบรษิ ัทขนสง่ สินค้าและบริษทั สายเรือ บรษิ ัทขนสง่ งานท่ี จานวนตู้คอนเทนเนอร์ สายเรอื วันสง่ มอบสินคา้ บริษทั ท่ี 1 1 10 EVERGREEN 06 Apr @ 0900 บริษทั ที่ 2 2 10 EVERGREEN 06 Apr @ 0900 ... ... . 11 1 EVERGREEN . 12 7 YML 13 Apr @ 0900 13 3 MAERSK 14 Apr @ 1700 …. …. …. 07 Apr @ 0800 1 10 EVERGREEN …. 2 5 HEUNG-A 07 Apr @ 1700 ... 06 Apr @ 0900 ... . 11 7 YML . 12 3 MAERSK 14 Apr @ 1700 13 5 EVERGREEN 10 Apr @ 2350 …. …. …. 14 Apr @ 1700 …. จากตารางที่ 1 แสดงรายการของงานท่ีกาหนดไว้ระหว่างบริษทั ขนสง่ สนิ ค้าและบริษทั สายเรอื ในการขนสง่ สินคา้ ไป ยังทา่ เรอื จะเห็นไดว้ า่ งานของแต่ละบริษัทมจี านวนท่ีมาก และมลี าดับงานท่สี ลับกันทาใหย้ ากต่อการดาเนินงาน 2.3. ตัวชี้วดั ประสิทธิภาพของการจัดตารางงาน (Scheduling Performance Index) ตัวชี้วัดประสิทธิภาพของจัดตารางงานมีขึ้นเพื่อตรวจสอบความเป็นไปได้ของเป้าหมาย โดยตัวช้ีวัดอาจจะเปน็ เวลา ที่งานเสร็จก่อนรวมน้อยท่ีสุด เวลาลา่ ช้ารวมนอ้ ยทสี่ ุด เปน็ ต้น 2.3.1. เวลาล่าช้า (Tardiness: T) เวลาท่ีทางานเสร็จล่าช้ากว่ากาหนดส่ง หรือเวลาที่ส่งงานไม่ทันตามท่ี กาหนดซึง่ จะคานวณไดจ้ ากผลตา่ งระหว่างเวลาทสี่ าเร็จของงานและเวลากาหนดส่งมอบ ดังแสดงในสมการที่ (1) 223

การประชมุ สมั มนาเชิงวิชาการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ������������ = max(������������ − ������������, 0) (1) โดยท่ี ������������ แทนเวลาลา่ ช้าของงาน k เมือ่ k = 1, 2, 3, …, n ������������ แทนเวลาเสร็จของงาน k เมื่อ k = 1, 2, 3, …, n ������������ แทนกาหนดสง่ ของงาน k เม่อื k = 1, 2, 3, …, n ค่าเวลาลา่ ช้าจะเก่ยี วขอ้ งกับค่าปรบั เมอ่ื ส่งงานไมต่ รงตามกาหนด ดังน้ันจงึ ต้องใหค้ า่ ตัวชว้ี ัดทเี่ ก่ยี วข้องกบั เวลาล่าช้า มีค่าตา่ ทีส่ ุด (Minimize Tardiness) เพ่ือลดค่าปรบั ท่เี กิดจากการสง่ งานลา่ ชา้ โดยความลา่ ช้าสามารถวดั ไดห้ ลายแบบ ดงั นี้ 1) เวลาล่าช้าสูงสุด (Maximum Tardiness: ������������������������) การพิจารณาเวลาล่าช้าของแต่ละงาน และเลือก เวลาลา่ ช้าของงานสงู สุดเปน็ คาตอบ ดงั แสดงในสมการท่ี (2) ������������������������ = max(������1, ������2, . . , ������������) (2) 2) เวลาล่าช้ารวม (Total Tardiness: ������������������������������������) ผลรวมของเวลาลา่ ช้าท่ีเกิดขนึ้ ของทกุ งาน ซึ่งจะใช้ในการ ประเมนิ คา่ ปรบั รวมท่เี กิดข้ึนได้ ดงั แสดงในสมการที่ (3) ������������������������������������ = ∑������������=1 ������������ (3) 3) เวลาล่าช้าเฉลี่ย (Average Tardiness:���̅���) เวลาเฉลี่ยของการส่งงานไม่ทันตามกาหนด โดยจะคิดจาก คา่ เฉลย่ี ของเวลาล่าช้าท่ีเกิดขน้ึ จากทุกงาน ดังแสดงในสมการที่ (4) ���̅��� = 1 ∑������������=1 ������������ (4) ������ 2.3.2. เวลาสาย (Lateness: L) เวลาท่ีแสดงว่างานนั้นเสร็จต่างจากท่ีกาหนดไว้เท่าไหร่ โดยเวลาสาย อาจจะเป็นไปได้ท้ังงานเสร็จก่อนกาหนดหรืองานเสร็จล่าช้าก็ได้ สามารถคานวณได้จากผลต่างระหว่างเวลาที่สาเร็จของงาน และเวลากาหนดส่งมอบ ดงั แสดงในสมการท่ี (5) ������������ = ������������ − ������������ (5) โดยที่ ������������ แทนเวลาสายของงาน k เมื่อ k = 1, 2, 3, …, n ������������ แทนเวลาเสรจ็ ของงาน k เมือ่ k = 1, 2, 3, …, n ������������ แทนกาหนดส่งของงาน k เมอ่ื k = 1, 2, 3, …, n คา่ เวลาสายของงาน ยงั มีตวั ชวี้ ดั ทเ่ี กยี่ วกับเวลาสายของงานอีกหลายคา่ ดงั นี้ 1) เวลาสายสูงสดุ (Maximum Lateness: ������������������������) การพิจารณาเวลาสายของแต่ละงาน และเลอื กเวลาสายของงาน สงู สุดเปน็ คาตอบ ดังแสดงในสมการท่ี (6) ������������������������ = max(������1, ������2, . . , ������������) (6) 224

การประชมุ สมั มนาเชิงวชิ าการด้านการจดั การโลจสิ ตกิ ส์และโซอ่ ุปทาน ครงั้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 2) เวลาล่าช้ารวม (Total Lateness: ������������������������������������) ผลรวมของเวลาสายที่เกิดข้ึนของทุกงาน ซึ่งจะใช้ในการประเมิน คา่ ปรับรวมทเ่ี กิดขึ้นได้ ดังแสดงในสมการที่ (7) ������������������������������������ = ∑������������=1 ������������ (7) 3) เวลาล่าช้าเฉลี่ย (Average Lateness:���̅���) เวลาเฉลี่ยองการส่งงานไม่ทันตามกาหนด โดยจะคิดจากค่าเฉล่ียของ เวลาสายทเี่ กิดขนึ้ จากทกุ งาน ดงั แสดงในสมการท่ี (8) ���̅��� = 1 ∑������������=1 ������������ (8) ������ 2.4. กฎการจ่ายงาน (Dispatching Rule) การใช้กฎการจา่ ยงานในการหาคาตอบให้กับปัญหาการจัดตารางงาน คุณภาพของคาตอบท่ีได้จะมีแนวโน้มเข้าใกล้ คาตอบทด่ี ที ส่ี ุด ซ่ึงกฎการจ่ายทน่ี ยิ มใชม้ ดี ังตอ่ ไปนี้ (ธีรเดช, 2559) 1) EDD (Earliest Due Date) การพิจารณาเวลาส่งมอบเป็นสาคัญ โดยงานที่มีกาหนดสง่ มอบที่เรว็ กว่าจะถูกนามา ทาก่องงานที่มีกาหนดส่งมอบท่ีช้ากว่า โดยการใช้กฎน้ีจะทาให้ค่าเวลาล่าช้าสูงสุดมีค่าต่าที่สุด ( Minimize Maximum Tardiness) 2) SPT (Shortest Processing Time) การพิจารณาเวลาในการผลิตเป็นสาคัญ โดยงานท่ีมีเวลาในการทางานสั้น กว่าจะถูกนามาทาก่อน โดยการใช้กฎนี้จะทาให้ได้ค่าเฉล่ียของเวลาที่งานอยู่ในระบบมีค่าต่าที่สุด (Minimize Mean Flow Time) ซง่ึ จะเหมาะกับกรณีที่มีปรมิ าณงานหนาแน่นมาก เนอ่ื งจากทาให้งานถูกนาออกจากระบบได้รวดเรว็ ขนึ้ 3) LPT (Longest Processing Time) การพิจารณาเลือกงานท่ีใช้เวลาในการทางานนานทีส่ ุดมาทากอ่ น ส่วนงานท่ี ใช้เวลาส้ันกว่าจะถูกนามาทาเป็นลาดับถัดไป โดยการใช้กฎน้ีจะทาให้ได้ค่าเฉล่ียของเวลาท่ีงานอยู่ในระบบมีค่าต่าที่สุด (Minimize Mean Flow Time) 3. วธิ กี าร 3.1. การจัดตารางลาดับงาน ในการศึกษาครั้งน้ีจะพิจารณาถึงหน้าที่การจัดการท่ีกาหนดไว้ระหว่างบริษัทขนส่งสินค้าและบริษัทสายเรือ ดังตารางที่ 1 จะแสดงรายการของงานที่กาหนดไว้ระหว่างบริษัทขนส่งสินค้าและบริษัทสายเรือของแต่ละบริษัทขนส่ง โดย การศึกษาคร้ังน้ีจะเสนอการจัดตารางลาดับงานตั้งแต่การเตรียมใบคาสั่งส่งมอบจากบริษัทปลายทางและบริษัทขนส่ง การ กาหนดการทางานของรถบรรทุก การประเมินเวลาของระบบการขนส่ง และการสื่อสารการจัดตารางลาดับงานของแต่ละ บริษทั ซึง่ จากการพยากรณจ์ านวนยานพาหนะบริษัทขนส่งขาออก ณ ด่านศลุ กากรสะเดา ระหวา่ งปี พ.ศ. 2559 – 2570 ดัง แสดงในตารางที่ 2 พบว่าปริมาณของรถบรษิ ัทขนส่งขาออกมเี พิ่มมากขึน้ ทุกปี ส่งผลใหป้ รมิ าณงานการสง่ ออกมีเพิ่มขึ้นและมี ตารางงานที่ซบั ซอ้ นมากข้ึน 225

การประชุมสัมมนาเชิงวชิ าการด้านการจัดการโลจิสตกิ ส์และโซอ่ ปุ ทาน คร้ังท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 ตารางท่ี 2 แสดงคา่ พยากรณ์จานวนยานพาหนะบริษัทขนสง่ ขาออก ณ ด่านศุลกากรสะเดา ระหวา่ งปี พ.ศ. 2559 - 2570 ปี พ.ศ. รถยนต/์ รถจักรยานยนต์ (คนั ) รถบรรทกุ (คัน) รวม (คัน) 2559 270,075 211,458 481,533 2560 334,729 285,173 619,902 2561 345,368 295,451 640,819 2562 356,008 305,729 661,737 2563 366,647 316,007 682,654 2564 377,286 329,284 703,570 2565 404,089 349,506 753,595 2566 415,171 360,180 775,351 2567 426,254 370,853 797,107 2568 437,336 381,526 818,862 2569 448,419 392,199 840,618 2570 459,501 402,872 862,373 ซึ่งในบทความนี้ได้มีการนากฎการจ่ายงานแบบการทางานที่มีกาหนดส่งมอบเร็วท่ีสุดก่อนแล้วจึงค่อยทางานท่ีมี กาหนดส่งมอบนานกว่าเป็นลาดับถัดไป (Earliest due date rule : EDD) มาปรับปรุงตารางงานของรถบรรทุกให้มี ประสิทธิภาพย่ิงขึ้น เพ่ือทาให้ตารางงานท่ีได้มีจานวนงานล่าช้าน้อยที่สุด (Minimize Maximum Tardiness) โดยมีข้ันตอน การจดั ตารางงานดงั แสดงในตารางที่ 3, 4 (ธรี เดช, 2559) ตารางที่ 3 : แสดงระยะเวลาการทางานและวันกาหนดสง่ มอบของแต่ละงาน งาน pk dk งานท่ี 1 7 13 งานที่ 2 59 งานที่ 3 6 21 งานที่ 4 4 26 งานที่ 5 35 งานที่ 6 9 17 * pk : ระยะเวลาการทางานของแตล่ ะงาน , dk : วนั กาหนดสง่ มอบงาน จากตารางท่ี 3 หากใช้กฎการจ่ายงานแบบ EDD มาพิจารณาในการจัดตารางงาน ซึ่งตารางงานท่ีได้คือ งานท่ี 5 งานที่ 2 งานท่ี 1 งานที่ 6 งานท่ี 3 งานท่ี 4 แสดงดังตาราง ท่ี 4 226

การประชุมสมั มนาเชงิ วิชาการด้านการจัดการโลจิสตกิ สแ์ ละโซ่อุปทาน ครง้ั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ตารางที่ 4 : แสดงการจดั ตารางงานโดยใช้กฎการจ่ายงานแบบ EDD งาน pk dk Ck Lk = Ck- dk Tk Ek 3 -2 0 2 งานท่ี 5 35 -1 0 1 2 2 0 งานท่ี 2 59 8 7 7 0 9 9 0 งานที่ 1 7 13 15 8 8 0 23 26 3 งานที่ 6 9 17 24 3.83 4.33 0.5 Tmax=9 Emax=2 งานที่ 3 6 21 30 Lmax=9 NT=4 NE=2 งานท่ี 4 4 26 34 รวม 114 เฉลยี่ 19 * pk : ระยะเวลาการทางานของแต่ละงาน , dk : วันกาหนดส่งมอบงาน , Ck : เวลาที่สาเร็จของงาน , Tk : เวลาล่าช้า, Lk : เวลาสายของงาน , Ek : เวลาท่ีงานเสรจ็ ก่อนกาหนด , NT : จานวนงานล่าช้า , NE : จานวนงานเสรจ็ ก่อนกาหนด จากตารางที่ 4 เม่ือมีการจัดตารางงานแบบเลือกงานที่มีกาหนดส่งมอบเร็วสุดทาก่อนจะเห็นได้ว่ามีการเรียงลาดับ งานใหม่โดยพิจารณาค่าของแถว dk (วันกาหนดส่งมอบงาน) ทาให้งานท่ี 5 เพราะมีจานวนวันกาหนดส่งมอบท่ีเร็วกว่างาน อ่ืน ๆ และมีเวลาลา่ ช้าของงานรวม 26 วัน 4. การจาลองสถานการณใ์ นการจดั ตารางลาดบั งาน ในบทความนี้เป็นการสร้างแบบจาลองสถานการณ์ภายใต้แนวคิดการจัดตารางงานรถบรรทุก เพ่ือทาการจัดตาราง ลาดบั งาน ซ่งึ เปน็ การพิจารณาจากการจดั ตารางลาดับงานแบบการทางานทม่ี ีกาหนดสง่ มอบเร็วท่ีสดุ กอ่ นแล้วจงึ คอ่ ยทางานท่ี มีกาหนดส่งมอบนานกว่าเป็นลาดับถัดไป สาหรับธุรกิจนาเข้าส่งออกจะมีรถบรรทุกหลายร้อยคันท่ีจะต้องเข้าสู่ด่านศุลกากร เพ่ือผ่านไปยังท่าเรือปีนังประเทศมาเลเซีย โดยมีวัตถุประสงค์เพ่ือให้มีการเดินทางของรถบรรทุกท่ีเป็นระบบลดการคับคั่งท่ี ด่านชายแดน จะทาให้การดาเนินงานท้ังบริษัทขนส่ง ด่านศุลกากร และท่าเรือ สามารถดาเนินได้อย่างเป็นระเบียบ และ สามารถหาเวลาที่งานเสร็จก่อนกาหนดรวมน้อยท่ีสดุ เวลาล่าช้าของงานรวมนอ้ ยที่สดุ ซึ่งจะคานวณไดจ้ ากระยะเวลาทส่ี าเรจ็ ของงาน และระยะเวลาของวันกาหนดสง่ มอบงาน ดังสมการที่ 1 แสดงการคานวณเวลาทที่ างานเสรจ็ ลา่ ช้ากว่ากาหนดสง่ และ สมการที่ 5 แสดงการคานวณเวลาสายของงาน ตารางท่ี 5 : แสดงค่าเซลล์ในสว่ นของขอ้ มลู นาเข้า ตาแหน่งเซลล์ รายละเอียด A ลาดับงาน B เวลาทไี่ ดร้ บั คาสัง่ ขนสง่ สินคา้ จากลกู ค้า C วันทไ่ี ด้รับคาสั่งขนส่งสนิ ค้าจากลูกค้า D จานวนตูใ้ นการขนสง่ E ลักษณะสินคา้ F รายชอ่ื สายเรือทใ่ี ช้ในการขนสง่ G วนั กาหนดสง่ มอบสนิ คา้ ขึน้ เรอื 227

การประชมุ สัมมนาเชิงวชิ าการด้านการจดั การโลจิสติกส์และโซอ่ ุปทาน ครงั้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 รปู ที่ 1: แบบจาลองตารางงานทั้งเดือนของบรษิ ทั ก่อนมีการจดั ตารางงานแบบเลือกงานที่มีกาหนดสง่ มอบเร็วสดุ ทากอ่ น ตารางท่ี 6 : แสดงระยะเวลาการทางานและวนั กาหนดส่งมอบของแต่ละงาน งาน pk dk งานที่ 1 2 4 งานที่ 2 2 4 งานที่ 3 2 5 งานท่ี 4 2 8 งานท่ี 5 2 8 . . . . . . งานท่ี 148 2 57 งานท่ี 149 2 57 งานที่ 150 2 53 งานท่ี 151 2 53 ตารางท่ี 7 : แสดงการจัดตารางงานโดยใช้กฎการจา่ ยงานแบบ EDD งาน pk dk Ck Lk = Ck- dk Tk Ek งานที่ 1 2 4 2 -2 0 2 งานท่ี 2 2 4 40 0 0 งานที่ 13 2 5 50 0 0 งานที่ 3 2 5 83 3 0 …. …. …. …. …. …. …. 228

การประชุมสมั มนาเชิงวิชาการด้านการจดั การโลจสิ ติกสแ์ ละโซ่อปุ ทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 งาน pk dk Ck Lk = Ck- dk Tk Ek งานที่ 151 2 53 284 230 230 0 งานที่ 145 2 57 286 228 228 0 งานที่ 148 2 58 288 229 229 0 งานที่ 149 2 58 290 231 231 0 รวม 21170 16866 16868 16865 เฉลี่ย 146 116.32 116.33 116.31 Lmax=232 Tmax=232 Emax= 2 NT=148 NE=1 จากตารางท่ี 6, 7 หลังมีการจัดลาดับงานแบบแบบเลอื กงานท่ีมกี าหนดส่งมอบเร็วสุดทาก่อน โดยจะจาลองการใช้ เวลาในการเดินทางรวมถึงเวลาท่ีใช้ในด่านศุลกากรและเวลาทใี่ ช้ในการขนสินคา้ ลงเรอื จานวน 2 วนั และระยะเวลาทาการของ ด่านศุลกากรคือ 05.00น. – 23.00 น. จากการใช้โปรแกรม Excel Spreadsheet จะเห็นได้ว่าลาดับงานมีการเลื่อนตาแหน่ง ให้สอดคล้องกับทฤษฎกี ารเลอื กทางานที่มกี าหนดส่งมอบเรว็ สดุ ทาก่อน ซ่ึงการเรียงลาดบั งานจะทาให้การทางานมีระบบมาก ขึน้ โดยการจดั ตารางลาดบั งานของรถบรรทกุ ก็เช่นกัน ซึง่ ในปจั จบุ นั ปรมิ าณการขนสง่ สินค้าผา่ นแดนมปี ระมาณเพ่ิมมากขนึ้ ทกุ ปี ส่งผลให้ปรมิ าณของบรษิ ัทขนสง่ สินค้ามีปรมิ าณท่เี พิ่มสงู ขึ้นดว้ ย และหากมีการจัดตารางลาดับงานของรถบรรทุกของทุก ๆ บริษัท จะทาให้สามารถควบคุมปริมาณงานที่เข้ามายังด่านศุลกากรได้ ลดปริมาณจราจรติดขัด และรถบรรทุกสามารถไปรับ สินคา้ และส่งสินค้าได้ตรงตามเวลาท่ีกาหนด ตารางท่ี 8 : แสดงการเปรียบเทียบการจัดตารางงานกอ่ นและหลังใชก้ ฎการจ่ายงานแบบ EDD การจดั ตารางงานกอ่ นใช้กฎการจา่ ยงานแบบ EDD การจดั ตารางงานหลังใช้กฎการจา่ ยงานแบบ EDD (แบบปจั จบุ นั ) งาน pk dk Ck Lk = Tk Ek งาน pk dk Ck Lk = Tk Ek Ck- Ck- dk dk 2 0 งานท่ี 1 2 4 2 -2 0 2 งานท่ี 1 2 4 2 -2 0 0 0 งานที่ 2 2 4 4 0 0 0 งานที่ 2 2 4 4 0 0 งานที่ 3 2 5 6 1 1 0 งานที่ 13 2 5 5 0 0 งานท่ี 4 2 8 8 0 0 0 งานที่ 3 2 5 8 3 3 …. …. …. …. …. …. …. …. …. …. …. …. …. …. งานท่ี 2 57 284 227 227 0 งานที่ 151 2 53 284 230 230 0 148 งานที่ 2 57 286 229 229 0 งานที่ 145 2 57 286 228 228 0 149 229

การประชุมสัมมนาเชงิ วชิ าการด้านการจัดการโลจิสติกสแ์ ละโซ่อปุ ทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 การจดั ตารางงานกอ่ นใชก้ ฎการจา่ ยงานแบบ EDD การจัดตารางงานหลงั ใช้กฎการจา่ ยงานแบบ EDD (แบบปัจจบุ ัน) 0 งานท่ี 2 58 288 229 229 0 งานที่ 2 53 288 235 235 0 148 58 290 231 231 0 150 2 งานที่ 2 2 งานที่ 2 53 290 237 237 149 21170 16865 16867 151 รวม รวม 21170 16875 16877 เฉลี่ย 146 116.38 116.40 0.01 เฉลย่ี 146 116.31 116.32 0.01 Lmax= Tmax= Emax=2 Lmax= Tmax= Emax= 237 237 231 231 2 NT=148 NE=2 NT=148 NE=2 จากตารางท่ี 8 ผลการเปรียบเทียบการจัดตารางงานก่อนและหลงั ใช้กฎการจ่ายงานแบบ EDD โดยมีจานวนงานใช้ ในการเปรียบเทียบท้ังหมด 151 งาน พบว่าตารางงานก่อนใช้กฎการจ่ายงานแบบ EDD มีเวลาล่าช้ารวม (T) เท่ากับ 16,877 วัน เฉล่ีย 116.40 วันของจานวนงานท้ังหมด เวลาล่าช้าสูงสุด (Tmax) มีค่าเท่ากับ 237 วัน เวลาสายรวม (L) มีค่าเท่ากับ 16,875 วัน เฉลี่ย 116.38 วันของจานวนงานทั้งหมด เวลาสายสูงสุด (Lmax) มีค่าเท่ากับ 237 วัน และตารางงานหลังใช้กฎ การจ่ายงานแบบ EDD มีเวลาล่าช้ารวม (T) เท่ากับ 16,868 วัน เฉลี่ย 116.33 วันของจานวนงานท้ังหมด เวลาล่าช้าสูงสุด (Tmax) มคี ่าเทา่ กับ 232 วัน เวลาสายรวม (L) มคี า่ เทา่ กบั 16,866วัน เฉลยี่ 116.32 วนั ของจานวนงานทงั้ หมด เวลาสายสงู สดุ (Lmax) ) มคี า่ เท่ากับ 232 วัน ทงั้ น้เี มือ่ มีการเปรยี บเทยี บเวลาลา่ ช้าของตารางงานทั้งสอง พบวา่ ตารางงานทมี่ กี ารจัดโดยใช้กฎ การจ่ายงานแบบ EDD มีระยะเวลาล่าช้าของงานน้อยกว่าการจัดตารางแบบปัจจุบันท่ีไม่มีการใช้กฎการจ่ายงานแบบ EDD โดยมีค่าเท่ากับ 10 วัน 5. สรุปและบทวจิ ารณ์ ผลการศกึ ษาการแก้ปัญหาการจดั ตารางลาดับงานของรถบรรทุกของแต่ละบริษัทในการเข้าใช้บริการทดี่ ่านศุลกากร ซึ่งผู้ศึกษาได้ออกแบบโปรแกรม Excel Spreadsheet และใช้การจาลองสถานการณ์มาช่วยในการวิเคราะห์การจัดตาราง ลาดับงานของรถบรรทุก โดยโปรแกรม Excel Spreadsheet ที่พัฒนา สามารถที่จะจัดตารางการทางานกับปัญหาที่มีความ ซบั ซ้อน และปรมิ าณงานท่ีมากของรถบรรทกุ ได้ และการนาการจดั ตารางลาดบั งานแบบการทางานที่มีกาหนดส่งมอบเร็วที่สุด กอ่ นแลว้ จงึ คอ่ ยทางานทม่ี ีกาหนดส่งมอบนานกว่าเป็นลาดบั ถัดไป (Earliest due date rule : EDD) มาใช้ ทาให้ลดระยะเวลา ในการทางาน เพิ่มประสิทธิภาพของการทางานทั้งด้านของด่านศุลกากร และท่าเรือ และเพ่ือให้การทางานของตารางงานมี ประสิทธิภาพมากข้ึนจะต้องมีตัวกลางในการตารางงานและเป็นผกู้ ระจายงานให้กับบริษัทขนส่งทุก ๆ บริษัทที่ต้องเข้าทาพิธี ศุลกากรท่ีด่านศลุ กากร และเดนิ ทางไปยงั ท่าเรอื ปีนัง เพ่ือให้เกิดการทางานที่เป็นระบบ และสามารถควบคมุ การกระจายและ ปริมาณงานได้ 6. กิตตกิ รรมประกาศ บทความน้ีเป็นส่วนหน่ึงของวิจัยเร่ืองการจัดตารางเวลาของรถบริษัทตัวแทนออกของในการข้ามพรมแดนไทย - มาเลเซยี กรณศี ึกษาดา่ นศลุ กากรสะเดา จงั หวดั สงขลา ซึง่ ได้รับการสนับสนนุ จากสานกั งานพฒั นาวิทยาศาสตร์และเทคโนโลยี 230

การประชมุ สัมมนาเชิงวชิ าการด้านการจดั การโลจสิ ตกิ ส์และโซอ่ ุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 แห่งชาติ (สวทช.) ในโครงการพัฒนาศักยภาพบุคลากร STEM (Science, Technology, Engineering, Mathematics) เพื่อ การวิจัยและพัฒนาสาหรบั ภาคอุตสาหกรรม : STEM Workforce ประจาปี 2560 ขอบคุณบัณฑิตศึกษาคณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ท่ีให้ความอนุเคราะห์สนับสนุนทุนในการ วิจยั ในครง้ั นี้ และบทความความนสี้ าเร็จไดด้ ว้ ยความอนเุ คราะห์จาก รศ.ดร.นิกร ศริ วิ งศไ์ พศาล อาจารย์ทปี่ รกึ ษาวิทยานิพนธ์ และดร.วณัฐฌพงษ์ คงแก้ว อาจารย์ที่ปรึกษาวิทยานิพนธ์ร่วม ท่ีกรุณาให้คาแนะนาและให้ข้อคิดเห็นในการดาเนินการวิจัย ตลอดจนแก้ไขปรับปรุงบทความน้ีจนสาเร็จลลุ ว่ งด้วยความสมบูรณ์ เอกสารอ้างองิ กรกรัณย์ รุจกนกนาฏ และจิตติขัย ชีวะตระกุลพงษ์, \"โครงการผลกระทบของการปรับปรุงสิ่งอานวยความสะดวกทาง การค้าตามข้อตกลงประชาคมอาเซียนที่มีต่อการขนส่งสินค้าข้ามแดนและการค้าผ่านแดน ,\" จุฬาลงกรณ์ มหาวทิ ยาลัย เสนอตอ่ สานกั งานกองทุนสนับสนุนการวิจยั (สกว.), 2554. นลิตา ไทยประเสริฐ, \"โครงการผลกระทบของการปรับปรุงสิ่งอานวยความสะดวกทางการค้าตามข้อตกลงประชาคม อาเซียนท่ีมีต่อการขนส่งสินค้าข้ามแดนและการค้าผ่านแดน,\" คณะเศรษฐศาสตร์ มหาวิทยาลัยเชียงใหม่, การ วิจัยจากสานักงานกองทนุ สนับสนุนการวจิ ยั (สกว.), 2554. ธีรเดช วฒุ ิพรพันธ,์ 2559, วธิ กี ารจดั ลาดับ และการจดั ตารางการผลติ (พิมพ์ครง้ั ท่ี 1). กรุงเทพฯ : อมรินทร์. สมาคมชปิ ป้ิงแหง่ ประเทศไทย, 2559 “สมาคมชิปปงิ้ ,” www.ctat.or.th [5 มถิ ุนายน 2560] สานักโลจิสติกส์, 2559 \"สานักโลจิสติกส์ กรมอุตสาหกรรมพ้ืนฐานและการเหมืองแร่,\" http://www.logistics.go.th. [5 มถิ ุนายน 2560] Baker, K. 1974. Introduction to Sequencing and Scheduling. New York: John Wiley & Sons French, S. 1982. Sequencing and Scheduling: An Introduction to the Mathematics of the Job – Shop. New York: Eellis Horwood Ltd. Esquivel S., Leguizamon G., Zuppa F., Gallard R. 2002. A Performance Comparison of Alternative Heuristics for the Flow Shop Scheduling Problem. S. Cagnoni et al. (Eds.): EvoWorkshops 2002, LNCS 2279. pp. 51-60. Kim S., Shin H.J., Eom D.H., Kim C.O. 2003. A due date density-based categorizing heuristic for parallel machines scheduling. International Journal Advance Manufacturing Technology. 22: 753-760 Zhang X.-D. Yan H.-S. 2005. Integrated optimization of production planning and scheduling for a kind of job-shop. Int J Adv Manuf Technol. (2005) 26: 876–886. 231

การประชมุ สัมมนาเชงิ วชิ าการด้านการจดั การโลจิสตกิ สแ์ ละโซ่อปุ ทาน ครง้ั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Topic D: Transportation and Distribution Paper ID: TD07 Conceptual Framework for a Research Problem Related to Trailer Assignment – New Challenge for Logistics Service Providers in Thailand Rerngtiwa Tippayasak1*, Dr. Anan Mungwattana2 1* Department of Industrial Engineering, Faculty of Engineering, Kasetsart University, Bangkok 10900 THAILAND Tel (+66) 2-797-0999 ext.1636 Email [email protected] 2 Department of Industrial Engineering, Faculty of Engineering, Kasetsart University, Bangkok 10900 THAILAND Tel (+66) 2-797-0999 ext.1603 Email [email protected] ABSTRACT The purpose of this paper is to update recent research works of the trailer assignment problem related to heterogeneous fleet vehicle routing problem (HFVRP) in a form of a literature review. In this paper, three major components of the problem: input data characteristics, decision making approaches, and heuristic algorithms are discussed. The comprehensive overview of the trailer assignment problem within heterogeneous fleet vehicle routing problem which puts a special emphasis on robust optimization approach is demonstrated in a simplified structure. New potential research field resulting from the survey are suggested as a part of the literature review of this paper. Keywords: Trailer assignment; Job Assignment; Heterogeneous Fleet Vehicle Routing Problem; Robustness approach; Uncertainty 1. INTRODUCTION The trailer assignment problem becomes an interesting research problem within a transportation and logistics landscape. Now, the trend that all transportation activities of manufacturing companies are taken through third-party logistics firms is popular increasingly. This challenges logistics firms to put the effort to develop new methodology for solving this problem in which an efficient solution for daily transportation tasks is obtained. In the reality, the vehicle routing problems deals mostly with a heterogeneous vehicle. The heterogeneous vehicle routing problems need also uncertainty factors for creating the decision model that leads to increasing a difficulty for solving problems. The details of input data characteristics and solution approaches, which are proposed in the recent research works, are reviewed in section 2.1 and 2.2 of the literature review. After an absence of data uncertainty in previous approach is founded, a new heuristic algorithm is needed for a seeking procedure to obtain satisfying solutions. This algorithm can also show its better performance comparing with previous methodology. In a section 2.3 and 2.4 of the literature review, these themes are reviewed. The final aim of this research is to conclude the trailer assignment problems as an inseparable part of the classical VRP and to introduce the new challenging problems in the heterogeneous vehicle routing problems for the transportation and logistics field as well as to develop a new methodology as an option of decision making tools for the logistics sectors. 232

การประชุมสมั มนาเชงิ วิชาการด้านการจดั การโลจิสติกส์และโซอ่ ปุ ทาน ครงั้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 2. LITERATURE REVIEW The literature review on heterogeneous vehicle routing can classify the problem into two major groups; the heterogeneous fleet vehicle routing problem (HFVRP) and the fleet size and mix vehicle routing problem (FSMVRP). The available number of vehicles called fleet size is a trigger that makes HFVRP (limited vehicles) and FSMVRP (unlimited vehicles) different from each other (Hoff et al., 2010), (Baldacci et al., 2007). The FSMVRP mostly focus on a strategic planning in order to make decision for investing or re-sizing the number of vehicles and to yield an efficient business plan, while the HFVRP focuses on optimizing the total cost of the existing available vehicles (Soonpracha, 2015). The research of FSMVRP and HFVRP can be found in several published work (Dullaert et al., 2002; Belfiore and Fávero, 2007; Amico et al., 2007; Bräysy et al., 2008; Paraskevopoulos et al, 2008; Bräysy et al., 2009; Repoussis and Tarantilis, 2010; Ceschia et al., 2011; Prieto et al., 2011). The problem variants such as time windows (Manisri et al., 2011), multiple trips (Prins, 2002), multiple depots (Baldacci and Mingozzi, 2009), etc., appear as additional constraints that can be involved in the model of heterogeneous vehicle routing problem to represent characteristics on the real logistics process. 2.1.Input data characteristics The heterogeneous VRP has the general parameters consisting of customer demand, number of customers, geographical location, travel time, service time, vehicle capacity, and transportation cost, etc. (Soonpracha, 2015). These parameters can be assumed either as a single value (deterministic) (Sörensen, 2003) or a non-specific value (stochastic). Data in mostly works are determined in deterministic way, no matter what specific variants are focused such as deterministic customer demand (Baldacci and Mingozzi, 2009), deterministic travel distance and travel time (Gendreau et al., 1999), deterministic vehicle capacity (Redmer et al., 2012), deterministic service time (Osman and Salhi, 1996). Some examples of previous works identify all input parameter sets as deterministic for the HFVRP (Penna et al., 2011; Tarantilis et al., 2004; Li et al, 2012). The uncertain data seems to be less appearing in the previous HFVRP researches. Daneshzand categorizes the uncertain data into four parameters with stochastic character: customer demand, travel time, customers, and service time (Daneshzand, 2011) but all works stated in this paper refer only to the homogeneous VRPs. From the literature review, no authors produce yet the studies of heterogeneous fleet vehicle routing problem in the case of uncertainty. 2.2 Decision making approaches In the management science, a chosen reasonable solution based on problem scenarios is delivered by a decision making process. There are three approaches for making a decision: deterministic, stochastic, and robust (Sörensen, 2003; Stewart and Golden, 1983; Mulvey et al. 1995; Kouvelis and Yu, 1996). The deterministic approach assumes all known inputs with a fixed value, an outcome is certain values with a unique set of outputs. The solution of the deterministic approach is very sensitive for misinterpreting as well as unacceptable if the presence of uncertainty of single-value data. A stochastic approach uses a sequence of random variables in order to find the optimal solution. Most objective functions in the stochastic optimization approach target to maximize the expected values of the benefit over all scenarios The stochastic optimization solution is more acceptable than the results of a deterministic approach, nevertheless the size of the stochastic model during the phase of solution seeking seems to grow fast in the number of time periods and involving stochastic parameters. Because of the weakness of the stochastic approach which can deliver only optimal solutions with a ‘most likely’ character that leads to some decision risks when the real situation really falls within the value zone of best or worst case. In order to improve this handicap of the stochastic approach, the robustness approach is introduced. 233

การประชุมสัมมนาเชิงวิชาการด้านการจัดการโลจสิ ตกิ สแ์ ละโซ่อุปทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Table 1: A literature review summarization matrix. Optimization Input solution characteristics Heterogeneous VRP types Authors FSMVRP HFVRP deterministic stochastic robust deterministic stochastic Amico et al. (2007) √√ √ Baldacci and Mingozzi (2009) √√ √ Belfiore and Fávero (2007) √√ √ Bräysy et al. (2009) √√ √ Osman and Salhi (1996) √√ √ Prins (2002) √√ √√ Redmer et al. (2012) √√ √ Repoussis and Tarantilis (2010) √ √ √ Soonpracha (2015) √ √√ √√ Tarantilis et al. (2004) √√ √ Remarks: FSMVRP: Fleet size mix vehicle routing problem FVRP: Heterogeneous fleet vehicle routing problem The aim of the robustness approach is to produce a reasonable decision under any likely input data scenario over a pre-specified planning horizon using robust solution concept (Kouvelis and Yu, 1996). A robust model using a parameter called ‘price of robust’ for controlling the tradeoff between the probability of violation and the objective function effect is proposed in (Bertsimas and Sim, 2004). In this research, the robustness approach is implemented because this approach is one of the efficient techniques that can handle the uncertain parameters which can represent the real world problem. Additionally, no previous studies of its implementation into trailer assignment problem and the heterogeneous VRP under uncertainty. A matrix form of a literature review is shown in Table 1. 2.3 Heuristics algorithms The heuristics paradigms of the existing HFVRP are surveyed in consequence. The first research work of heterogeneous VRP is published by (Golden et al., 1984). Osman and Salhi (1996) present the router perturbation constructive heuristic and local search procedure(Osman and Salhi, 1996). A techniques called generalized insertion (GENI) heuristic is used for constructing the initial solutions of routes, the unstringing and stringing (US) is then applied in the improvement phase (Gendreau et al., 1999).The concept of Tabu search (TS) and adaptive memory procedure (AMP) is adapted for solving heterogeneous VRP to avoid catching in bad local optima trap and to update memory in a pool of the solutions, respectively (Renaud and Boctor, 2002). In (Liu et al., 2009), the genetic algorithm (GA) is implemented for the heterogeneous VRP, the local search on a chromosome for the improvement stage is repeated until no improving move can be found for any mutation pairs. Prins hybridizes the GA-based algorithm with a local search and distance measure in solution space to diversify the solution search (Prins, 2002). In (Tarantilis et al., 2004), the backtracking adaptive threshold accepting method is introduced for solving HFVRP. Choi and Tcha implement a column generation approach for solving heterogeneous VRPs to obtain the lower bounds for all HFVRP variants (Choi and Tcha, 2007). Although the heuristic algorithms proposed by each author as reviewed above are efficient and can yield good solutions, however these schemes do not guarantee the optimality (Soonpracha, 2015). The objective of this research aims to develop a new methodology as a decision making tool for the transport and logistics sector. The goal is to seek robust solutions by applying the new proposed heuristics algorithms. These solutions will always deliver satisfying results in every scenario either actual or bad situation within reasonable computation times. 234

การประชมุ สัมมนาเชิงวชิ าการด้านการจดั การโลจิสติกสแ์ ละโซอ่ ปุ ทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 3. CONCEPTUAL FRAMEWORK FOR AN INTEGRATED TRAILOR ASSIGNMENT PROBLEM In this research, the trailer assignment problem jointed with the heterogeneous fleet vehicle routing problem is the center point of the works. Some extra constraints such as product restriction, zone restriction, etc. can be added into the problem topic. Significant input data for this research include customer demands, number of customers, geographical locations of customers and depots, travel times, transportation costs, service times, vehicle capacities, and vehicle type availability. The input data characteristics of all above constraints can be considered as stochastic or deterministic character. In this research, the stochastic data is applied in order to obtain the ‘most likely to the real case’ decision model. Because of the huge number of stochastic parameters used for this method, the factor analysis (Johnson and Wichern, 2007) is used for choosing the significant variables for creating a model for a solution approach. These can lead to the reducing of a model size into a small size problem and solution times, respectively. In this research, the robust optimization approach is implemented because of its efficiency for handling the uncertain parameters and delivery significant robust facts for the decision making process, which proposes reasonable solutions corresponding to the real world problem. A comprehensive overview of conceptual framework of this research is shown in Figure 1. The objective function of this problem is to minimize the transportation cost function. For some cases, the extra penalty cost can be added to the sum of fixed and variable cost. A new heuristic algorithm is also developed in this paper to cope with the HFVRP relating with the complexity of NP- hard problems. The heuristic algorithms that are implemented in recent research works as following: iterated local search, branch-and-bound, adaptive memory procedure, variable neighborhood, ant colony optimization, Tabu search, genetic algorithm, evolutionary algorithm, generalized insertion, asynchronous situated co-evolution algorithm, intelligent water drop, and so on, can be hybridized in this research in order to construct the new algorithm for solving an integrated trailer assignment problem in HFVRP. In the stage of decision making, the scenario-based robustness approach is applied. In this research, the robust discrete optimization is proposed by using one of the worst case approaches called the minimax criterion (Kouvelis and Yu 1996). This optimization approach delivers a result that the outcome can protect the worst that might happen. The methodology performance can be measured the obtained robust solution comparing with another one from other approaches. The proposed indicators are the cost difference, the unmet requirements, and deviation from benchmark solutions. The extra cost indicator is to compare the cost of the robust approach with respect to the expected cost of other approach. The unmet requirements evaluate the effect on the unmet needs when the deterministic approach faces with the worst case. The expected output of this research work is an newly algorithm for solving trailer assignment problem with heterogeneous fleet sizes that guarantees equivalent or better robust solutions than which founded by solving benchmark problems and commercialized planning tools for trailer truck providers in industrial sector especially in industrial estates in Thailand. 235

การประชมุ สัมมนาเชงิ วชิ าการด้านการจดั การโลจสิ ตกิ ส์และโซ่อุปทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 Figure 1: The comprehensive overview of an integrated trailer assignment problem in heterogeneous vehicle routing problem. 4. CONCLUSION The new challenge from the view of logistics systems is the minimization of the deadheading and increasing of the trailer truck utilization by outsourcing concept. Instead buying own trailer truck for performing daily transportation task, there are companies rent trailer truck for fee per day per container. Whenever OEM part suppliers need these trucks, they take one phone call to reach out to the truck providers and ordering truck. After ended tasks, trucks return to the company or pursuit to the next task at the next customer. The truck providers planning daily tasks for their available trucks and then delivering these trucks to OEM suppliers with professional services, leaving these OEM part suppliers free to concentrate on their core business. There is no need for allocating extra space to parking own trailer truck from the view of OEM part suppliers. All maintenance costs for these trailer trucks belong to the truck providers. These will provide the level of efficiency in moving objects throughout the entire production and distribution systems. For minimization of the movement of empty trailer, and increasing their utilization, the truck providers need an effective and robust algorithm as well as a practical planning tool for solving these challenging problems. This paper aims to demonstrate the sequential idea for developing new research problems in the field of heterogeneous fleet vehicle routing problem. Results from the review indicate that most recent works use a deterministic data and the uncertainty of data are not considered. The robustness approach is a potential approach because of it benefits against the risk of change under uncertainty. The heuristics algorithms can be renewed, hybridized as well as innovated to solve the robust trailer assignment problem within a heterogeneous fleet vehicle routing problem under input uncertainty either an initial solution construction or the solution improvement phase. The performance of the new proposed methodology can be evaluated by comparing the robust solution against another one from other approaches such as deterministic in order to balance between an extra cost when a robust approach is used against the unmet need when the deterministic approach has to suffer once the worst case happens. The expected outcomes of this research is a practical algorithm for solving trailer assignment problem that delivers equivalent or better solutions than benchmark solutions and a commercialized 236

การประชมุ สัมมนาเชิงวชิ าการด้านการจัดการโลจสิ ตกิ ส์และโซ่อุปทาน ครัง้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 planning tool for logistics service providers in industrial sector especially in industrial estates in Thailand. REFERENCES Amico, M., Monaci, M., Pagani, C., and Vigo, D. (2007) Heuristic approaches for the fleet size and mix vehicle routing problem with time windows,Transportation Science, 41 (4), 516-526. Baldacci, R., and Mingozzi, A. (2009) A unified exact method for solving different classes fo vehicle routing problems,Mathematical Programming, 120, 347-380. Baldacci, R., Battara, M., and Vigo, D. (2007) Routing a heterogeneous fleet of vehicles. Technical Report DEIS OR.INGCE, Vol. 1. Belfiore, P., and Fávero, L. (2007) Scatter search for a real-life heterogeneous fleet vehicle routing problem with time windows, CEJOR , 15, 351-368. Bertsimas, D. J., and Sim, M. (2004) The price of robustness, Operations Research, 52 (1), 35-53. Bräysy, O., Dullaert, W., Hasle, G., and Mest, D.(2008), An effective multirestart determisnistic annealing metaheuristic for the fleet size and mix vehicle routing problem with time windows,Transportation Science, 42 (3), 371-386. Bräysy, O., Porkka, P., Dullaert, W., Repoussis, P., and Tarantilis, C. (2009) A well-scalable metaheuristic for the fleet size and mix vehicle routing problem with time windows,Expert Systems with Applications, 36 (4), 8460-8475. Ceschia, S., Gaspero, L., and Schaerf, A. (2011) Tabu search techniques for the heterogeneous vehicle routing problem with time windows and carrier-dependent costs,Journal of scheduling, 14, 601-615. Choi, E., and Tcha, D.-W. (2007) A column generation approach to the heterogeneous fleet vehicle routing problem,Computers & Operations Research, 34, 2080-2095. Daneshzand, F. (2011) The vehicle-routing problem,Logistics Operations and Management, 127-153. Dullaert, W., Janssens, G. K., Sörensen, K., and Vernimmen, B. (2002) New heuristic for the fleet size and mix vehicle routing problem with time windows, Journal of the Operation Research Society, 53, 1231-1238. Gendreau, M., Laporte, G., Musaraganzi, C., and Taillard, É. (1999) A tabu search heuristic for the heterogeneous fleet vehicle routing problem, Computers & Opeerations Research, 26, 1153-1173. Golden, B., Assad, A., Levy, L., and Gheysens, F. (1984) The fleet size and mix vehicle routing problem, Computers & Operations Research, 11, 49-66. Hoff, A., Andersson, H., Christiansen, M., Hasle, G., and Lokketangen, A. (2010) Industrial aspects and literature survey: fleet composition and routing, Computer & Operations Research, 37 (12), 2041-2061. Johnson, R., and Wichern, D. (2007) Applied Multivariate Statistical Analysis, 6e, Pearson Prentice Hall, Upper Saddle River Kouvelis, P., and Yu, G. (1996) Robust discrete optimization and its applications, Kluwer academic publishers, Dordrecht Li, X., Leung, S. C., and Tian, P. (2012) A multistart adaptive memory-based tabu search algorithm for the heterogeneous fixed fleet open vehicle routing problem, Expert Systems with Applications, 39, 365-374. Luangpaiboon, P. (2017) Strategic design for dynamic multi-zone truckload shipments: A study of OTOP agricultural products in Thailand, Computers and Electronics in Agriculture, 135, 11-22. Manisri, T., Mungwattana, A., and Janssens, G. (2011) Minimax optimisation approach for the robust vehicle routing problem with time windows and uncertain travel times, International Journal of Logistics Systems and Management, 10 (4), 461-477. Mulvey, J. M., Vanderbei, R. J., and Zenios, S. A. (1995) Robust optimization of large-scale systems, Operations Research , 43 (2), 264-281. Osman, I. H., and Salhi, S. (1996) Local search strategies for the vehicle fleet mix problem,In: V. Rayward-Smith, I. Osman, C. R. Reeves, and G. Smith, Modern heuristic search methods, John Wiley & Sons, Chichester, 131-154 237

การประชมุ สมั มนาเชงิ วิชาการด้านการจัดการโลจิสตกิ สแ์ ละโซอ่ ุปทาน ครงั้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 Paraskevopoulos, D., Repoussis, P., and Tarantilis, C. (2008) A reactive variable neighborhood tabu search for the heterogeneous fleet vehicle routing problem with time windows, Journal of Heuristics, 14, 425-455. Penna, P., Subramanian, A., and Ochi, L. (2011) A iterated local search heuristic for the heterogeneous fleet vehicle routing problem,Journal of Heuristics, 19 (2), 201-232. Prieto, A., Bellas, F., Caamaño, P., and Duro, R. (2011) Solving a heterogeneous fleet vehicle routing problem with time windows through the asynchronnous situated coevolution algorithm, Advances in Artificial Life, 200-207. Prins, C. (2002) Efficient heuristics for the heterogeneous fleet multitrip VRP with application to a large-scale real case, Journal of Mathmatical Modelling and Algorithms, 1, 135-150. Redmer, A., Zak, J., Sawicki, P., and Maciejewski, M. (2012) Heuristic approach to fleet composition problem, Procedia Social and Behavioral Sciences, 414-427. Renaud, J., and Boctor, F. F. (2002) A sweep-based algorithm for the fleet size and mix vehicle routing problem, European Journal of Operational Research, 140, 618-628. Repoussis, P., and Tarantilis, C. (2010) Solving the Fleet Size and Mix Vehicle Routing Problem with Time Windows via Adaptive Memory Programming,Transpoartation Research Part C, 18, 695-712. Soonpracha, K. (2015) A Development of Metaheuristics for Robust FSMVRP with Time Windows under Uncertain Demands, Doctoral Dissertation, Kasetsart University, Bangkok Sörensen, K. (2003) A framework for a robust and flexible optimisation using metaheuristics with applications in supply chain design, Ph.D. Thesis, Universiteit Antwerpen, Antwerp Stewart, W., and Golden, B. (1983) Stochastic vehicle routing: a comprehensive approach, European Journal of Operational Research, 14, 371-385. Tarantilis, C., Kiranoudis, C., and Vassiliadis, V. (2004) A Threshold accepting metaheuristic for the heterogeneous fixed fleet vehicle routing problem, European Journal of Operational Research, 152, 148-158. 238

การประชุมสัมมนาเชิงวชิ าการด้านการจดั การโลจิสติกสแ์ ละโซอ่ ุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Topic E Supply Chain Innovations 239

Topic E: Supply Chain Innovation การประชุมสัมมนาเชิงวิชาการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อปุ ทาน ครงั้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 Paper ID: SI 01 การพัฒนาอุปกรณข์ นถ่ายสนิ ค้าสาหรบั การขนสง่ ตอ่ เน่อื งหลายรูปแบบ ชวลิต มณศี รี1*, ชนะ รักษศ์ ิร2ิ 1* สาขาวชิ าวศิ วกรรมอุตสาหการ ภาควชิ าวิศวกรรมระบบเครือ่ งกลและนวตั กรรมอตุ สาหกรรม คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยศรปี ทมุ โทร 02-5791111#1337 โทรสาร 02-57911111#2147 E-mail [email protected] 2 ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั เกษตรศาสตร์ โทร 02-7290999#1603 โทรสาร 02-5798610 E-mail [email protected] บทคดั ย่อ การปรับเปลย่ี นโหมดขนส่งสนิ ค้าจากการขนสง่ ทางถนนเปน็ การขนส่งทางรางใหม้ ีสดั ส่วนมากข้ึน โดยพัฒนาระบบ การขนส่งต่อเน่ืองหลายรูปแบบ เป็นการเพ่ิมศักยภาพในการแข่งขันทางธุรกิจในตลาดการค้าอาเซียนและตลาดโลก รวมถึง การลดต้นทุนทางด้านโลจิสติกส์ องค์ประกอบท่ีสาคัญอย่างหนึ่ง คือ อุปกรณ์ขนถ่ายสินค้าที่ยืดหยุ่นต่อการใช้งาน หรือเป็น มาตรฐานใช้ร่วมกันได้ระหว่างการขนส่งทางถนนและทางราง ซ่ึงทาให้สามารถลดต้นทุน และลดเวลาในการปฏิบัติงานได้ บทความนี้นาเสนอแนวทางในการพัฒนาอุปกรณ์ขนถ่ายสินค้าท่ีสามารถใช้ร่วมกันได้ระหว่างรถบรรทุกและรถไฟ โดยการ พัฒนาในช่วงแรกครอบคลุมต้ังแต่การเก็บข้อมูลเสียงเรียกร้องของลูกค้า (Voice of customer: VOC) การเก็บข้อมูล กระบวนการขนสง่ และคณุ ลกั ษณะสินคา้ การเก็บข้อมูลแรงสัน่ สะเทือนระหวา่ งการขนส่ง การพฒั นาต้นแบบพรอ้ มการวิพากย์ จากผใู้ ช้งาน และการทดสอบดว้ ยวธิ กี ารมาตรฐานสากลและวธิ กี ารเทียบเคียงมาตรฐานสากล เชน่ การทดสอบการรับนา้ หนัก และการเรียงตัว การทดสอบปล่อยตกอิสระ การทดสอบองศาการล้ม และการทดสอบความต้านแรงส่ันสะเทือน ทาให้ได้ ต้นแบบอุปกรณ์ขนถ่ายสินค้าซ่ึงมีความสามารถรองรับน้าหนักบรรทุกได้ 1.2 เมตริกตันต่อชิ้น สามารถจัดวางในตู้คอนเทน เนอร์ขนาด 20 ฟุต ได้ 20 ชิ้น ใช้ประสิทธิภาพของตคู้ อนเทนเนอร์ได้สงู ถงึ 84.74% และสามารถวางซ้อน 2 ชั้นได้โดยไมเ่ กิด ความเสียหายต่ออุปกรณ์ขนถ่ายสินค้า ซึ่งเป็นปัจจัยหนึ่งท่ีช่วยให้สินค้าคงรูปและสภาพสมบูรณ์ได้ตลอดการขนส่ง โดยใน อนาคตจะมกี ารนาตน้ แบบดงั กลา่ วทดลองใชง้ านจริงกอ่ นท่จี ะมกี ารผลิตและใชง้ านอยา่ งเตม็ รปู แบบต่อไป คาสาคญั : อุปกรณข์ นถ่ายสินคา้ ; การขนส่งตอ่ เนอื่ งหลายรูปแบบ; การขนส่งทางถนน; การขนส่งทางราง 1. ทีม่ าและความสาคญั ปัจจุบันการขนส่งสินค้าทางถนนมีสัดส่วนมากถึงร้อยละ 90 ของการขนส่งสินค้าภายในประเทศไทย ในขณะท่ีการ ขนส่งสินค้าทางรางเป็นรูปแบบการขนสง่ สินค้าที่ตน้ ทนุ ต่ากว่าถึง 1.17 บาทต่อตัน-กิโลเมตร มีสัดส่วนการใช้งานเพียงรอ้ ยละ 1 (สานักงานนโยบายและแผนการขนส่งและจราจร, 2559) และด้วยแนวทางพัฒนาสู่การขนส่งต่อเน่ืองหลายรูปแบบใน ประชาคมเศรษฐกิจอาเซียนที่ระบุอย่างชัดเจนไว้ใน AEC Blue Print (กรมอุตสาหกรรมพ้ืนฐานและการเหมืองแร่, 2557) ส่งผลให้รัฐบาลไทยมีนโยบายเร่งด่วนในการพัฒนาระบบการขนส่งต่อเนื่องหลายรูปแบบ โดยเฉพาะการลดสัดส่วนจากการ ขนส่งทางถนนสู่ระบบทางรางให้มสี ัดสว่ นท่ีเพิ่มขน้ึ ท้ังน้ีเพ่ือเพ่ิมศักยภาพในการแข่งขันทางธุรกิจในตลาดการค้าอาเซยี นและ ตลาดโลก รวมถึงการลดตน้ ทุนทางดา้ นโลจสิ ตกิ ส์ 240

การประชมุ สมั มนาเชงิ วิชาการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อปุ ทาน ครง้ั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 ส่วนสาคัญของระบบการขนส่งสนิ ค้าต่อเนื่องหลายรูปแบบ คือ กระบวนการและอุปกรณ์ในการขนถ่ายสินค้าระหวา่ ง สถานี ทาใหม้ ตี น้ ทุนคา่ ดาเนนิ การ หรือค่าโสหุย้ ท่ีเพ่ิมข้นึ จากการถ่ายหรือขนยา้ ยสนิ ค้าไมว่ ่าจะเป็นกรณขี องสถานตี ้นทาง หรือ สถานีปลายทาง หากมีกระบวนการจัดการ หรือการใช้อุปกรณ์ที่ไม่เหมาะสม อาจก่อให้เกิดต้นทุนแฝงที่มหาศาล จนทาให้ไม่ ค้มุ ค่ากบั การลงทนุ ในธรุ กจิ การขนสง่ ต่อเน่อื งหลายรปู แบบน้ี และไม่อาจสรา้ งแรงจูงใจในการดาเนนิ ธุรกจิ ของภาคเอกชน ทจี่ ะ มาร่วมลงทุนทั้งในส่วนของโครงสร้างพืน้ ฐาน อุปกรณ์และเทคโนโลยี รวมทัง้ การดาเนนิ งานต่างๆ ของธุรกิจนีไ้ ด้ งานวิจัยนีน้ าเสนอการพฒั นาอุปกรณข์ นถ่ายใหม้ ีประสิทธภิ าพในการรบั น้าหนัก และแรงสนั่ สะเทือน ทั้งนี้เพื่อป้องกนั สินค้าเสียหายจากการขนส่ง อันนามาซ่ึงการลดต้นทุนโลจิสติกส์ โดยใช้การขนส่งด้วยรถบรรทุกเป็นโหมดของการกระจ าย สินค้าจากคลังสินค้าต้นทางไปยังสถานีขนส่งสินค้าของการรถไฟ และกระจายสินค้าจากสถานีรถไฟปลายทางเพื่อกระจาย สินค้าไปยังผู้รับตามสถานที่ต่างๆ ในแต่ละอาเภอ ซึ่งกาหนดขอบเขตการขนส่งด้วยการบรรจุอุปกรณ์ขนถ่ายบนตู้คอนเทน เนอรข์ นาดมาตรฐาน 20 ฟุต ซึง่ พัฒนาไปใชง้ านกับขนาด 40 ฟตุ ได้ 2. ทฤษฎีพ้ืนฐานและงานวจิ ยั ทีเ่ กี่ยวขอ้ ง การขนส่งต่อเน่ืองหลายรูปแบบ (Multimodal transportation) เป็นรูปแบบการขนส่งอีกแบบหนึ่ง ที่ได้รับความ นิยมอย่างรวดเร็วในสองทศวรรษที่ผ่านมา จากพระราชบัญญัติการขนส่งต่อเนื่องหลายรูปแบบ พ.ศ.2548 มาตรา 4 (สานักพิมพ์คณะรฐั มนตรแี ละราชกิจจานุเบกษา, 2559) ได้ให้ความหมายของการขนส่งต่อเนื่องหลายรูปแบบ หมายความวา่ การรบั ขนของโดยมีรูปแบบการขนสง่ ท่ีแตกต่างกันตง้ั แต่สองรูปแบบข้ึนไป ภายใต้สัญญาขนส่งตอ่ เนื่องหลายรปู แบบฉบบั เดยี ว โดยขนส่งจากสถานท่ีซึ่งผู้ประกอบการขนส่งต่อเนื่องได้รับมอบของในประเทศหนึ่งไปยังสถานที่ซ่ึงกาหนดให้เป็นสถานท่ีส่ง มอบของในอีกประเทศหน่ึง โดยงานวิจัยนี้กาหนดขอบเขตของการขนสง่ ต่อเนื่องหลายรูปแบบเป็นระหว่างทางถนนและทาง ราง ซึ่งอุปกรณ์ขนถ่ายต้องมีความสามารถในการรองรับการขนส่งระหว่าง 2 โหมดน้ีได้ การพัฒนาอุปกรณ์ เครื่องมือ หรือ ระบบต่างๆ ความต้องการของผู้ใช้งาน เช่น ผู้ประกอบการรถบรรทุกและการรถไฟแห่งประเทศไทยเป็นสิ่งสาคัญที่นามา พิจารณาในการออกแบบ การเก็บข้อมูลเสียงเรียกรอ้ งของลกู คา้ (Voice of customer: VOC) เป็นเคร่ืองมือหน่ึงท่ีสะท้อนให้ เห็นถงึ ความต้องการดังกล่าว (ธนิน และคณะ, 2557) การออกแบบและพัฒนาอุปกรณ์ขนถ่ายคานึงถึงหลักการสาคัญ 10 ประการ (Stephens and Meyers, 2013) คือ หลักของการวางแผน หลักของมาตรฐาน หลักของการทางาน หลักของการยศาสตร์ หลักของหน่วยรวมวัสดุ หลักการใช้ ประโยชน์ของพ้ืนท่ี หลักของระบบ หลักการทางานอัตโนมัติ หลักการด้านสิ่งแวดล้อม และหลักของตน้ ทุนในรอบการใช้งาน การใช้ประโยชน์ของอุปกรณ์ขนถ่ายเป็นอีกประเด็นหนึ่งที่ควรพิจารณาเพ่ือให้เกิดความคุ้มค่าในการขนส่งทั้งด้านต้นทุนและ เวลา รวมถงึ การจดั วางและการรวบรวมสนิ ค้า (Consolidation) เปน็ แนวคิดท่นี ามาใช้ในการปรับปรงุ ในการขนส่ง ซ่งึ นาไปสู่ การปฏบิ ัตงิ านท่ีใกล้เคยี งการขนส่งสนิ ค้าแบบเตม็ คันรถ (Full truck load: FTL) ในทีส่ ุด (คานาย, 2559) นอกเหนือจากการพิจารณาการออกแบบตามหลักทฤษฎีข้างต้นแล้ว สุดท้ายการทดสอบคุณสมบัติของอุปกรณ์ขน ถ่าย เช่น การทดสอบการรับน้าหนักและการเรียงตวั เทียบเคียงมาตรฐาน ISO2234 (ISO, 2000) การทดสอบปล่อยตกอิสระ เทียบเคียงมาตรฐาน ASTM D5276-98 (ASTM International, 2004) หรือตามมาตรฐาน ISTA 3A (ISTA, 2008) การ ทดสอบองศาการล้ม และการทดสอบความต้านแรงสน่ั สะเทอื นเทยี บเคยี งมาตรฐาน ASTM D999-07 (ASTM International, 2007) โดยเม่ือผ่านการทดสอบคณุ สมบตั ิขา้ งตน้ แลว้ อปุ กรณข์ นถ่ายจะถกู นาไปใช้ทดลองใชง้ านต่อไป ซึง่ เนอ้ื หาของงานวิจัย ในบทความนี้จะส้นิ สุดที่การทดสอบคณุ สมบตั ิเทา่ น้ัน 241

การประชุมสัมมนาเชิงวชิ าการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อปุ ทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 3. วธิ กี าร การพัฒนาอุปกรณ์ขนถ่ายสาหรับการขนส่งต่อเน่ืองหลายรูปแบบระหว่างทางถน นและทางรางเร่ิมดาเนินการจาก การเก็บข้อมูล ความต้องการของผู้ใช้ และขอบเขตเบื้องต้น โดยการใช้แบบสอบถามเพ่ือเก็บข้อมูลตามหลักการของ VOC จากนั้นนาข้อมูลมาออกแบบแนวคิด (Conceptual design) ของอุปกรณ์ขนถ่ายและการใช้งาน เพื่อนาในสู่การร่างแบบใน คอมพิวเตอร์ และสรา้ งตน้ แบบ (Prototype) อุปกรณต์ ้นแบบจะไดร้ ับการวิพากยจ์ ากผู้ใช้งานเพ่ือปรบั แบบข้ันสดุ ทา้ ย และ นามาทดสอบตามรายละเอียดในตารางที่ 1 เพื่อยนื ยนั คุณสมบตั ดิ งั น้ี ตารางที่ 1: การทดสอบคณุ สมบตั ขิ องต้นแบบอปุ กรณข์ นถ่ายฯ ลาดับ การทดสอบ รายละเอียดการทดสอบ 1 การทดสอบการรบั 1.1 วดั ขนาดความสูงของเสา 4 ต้น และความยาวของพนื้ รบั นา้ หนักทัง้ 4 ดา้ น น้าหนักและการ 1.2 ทดสอบการรบั น้าหนกั ด้วยการนาถุงบรรจหุ ินถุงละ 25kg 48 ถุง (1,200 kg) ตอ่ ชุด รวม 2 ชดุ เรียงตัว 1.3 วางซอ้ นอุปกรณข์ นถา่ ยฯ ทิ้งไว้ 24hr เพ่อื ตรวจสภาพการรับน้าหนกั และการเรยี งตัว 1.4 ตรวจสภาพภายนอกด้วยสายตา และวดั ขนาดตามขอ้ 1.1 2 การทดสอบปล่อย 2.1 วัดขนาดความสูงของเสา 4 ต้น และความยาวของพื้นรบั นา้ หนักท้ัง 4 ดา้ น ตกอิสระ 2.2 ใช้ Overhead Crane ของอาคารโรงงานขนาด 3ton และยกโดยโซค่ ล้องทง้ั 4 ด้าน 2.3 ปล่อยอปุ กรณข์ นถ่ายฯ ท่ี 2.50m (ความสงู ใชง้ าน) 3 ครงั้ 2.4 ตรวจสภาพภายนอกด้วยสายตาโดยเฉพาะสว่ นทีร่ ับนา้ หนกั และวัดขนาดตามขอ้ 2.1 2.5 ทดสอบซา้ ข้อ 1 เพอ่ื ตรวจสอบสภาพการรับน้าหนกั และการเรียงตวั 30 นาที 3 การทดสอบองศา 3.1 วดั องศางาของรถโฟร์คลฟิ ทใ์ นมมุ เททีม่ คี า่ สงู สดุ การล้ม 3.2 ใช้รถโฟรค์ ลิฟทย์ กอุปกรณข์ นถา่ ยฯ ทวี่ างซ้อน 2 ชั้น มีน้าหนกั สนิ คา้ รวม 2.4ton 3.3 ปรบั งารถโฟร์คลฟิ ท์ใหอ้ ยู่ในลักษณะมุมเทสูงสดุ 6 องศา รวมทง้ั ทดสอบในมุมเทที่มากข้นึ 4 การทดสอบ 4.1 นาไฟล์ตน้ แบบปอ้ นค่าแรงส่ันสะเทือน (จากการเก็บขอ้ มูลดว้ ยอปุ กรณ์ EXTECH VB300 ดังรปู ท่ี ความตา้ น 1) น้าหนักบรรทุก และคุณสมบตั ิวสั ดุทส่ี ร้างอุปกรณ์ขนถ่ายฯ แรงส่ันสะเทือน 4.2 ประมวลผลและอา่ นค่าใน Solidwork 4. ผลของการวจิ ัย ผลการวิจัยแบ่งออกเป็น 3 ส่วน คือ การเก็บข้อมูลเบื้องต้น การออกแบบแนวคิด และการทดสอบคุณสมบัติของ อปุ กรณข์ นถ่ายฯ โดยมรี ายละเอียดดงั น้ี 4.1. การเก็บขอ้ มูลเบอ้ื งต้น จากการประชมุ และเก็บขอ้ มลู ตามหลัก VOC กบั ผูป้ ระกอบการขนส่งสินคา้ ใน TTLA มี ข้อมูล คือ สินค้าท่ีขนส่งเป็นสินค้าอุปโภคบริโภค เดิมใช้พาเลทรองรับสินค้าและต้ังสินค้าสูงไม่เกิน 1.2 เมตร โดยมีความ ต้องการที่ควรพิจารณาในการออกแบบคอื ต้องการความสะดวกในการยกขนและขนถ่าย และยืดหยุ่นดา้ นการใช้งานความสงู ช่วงฐานอุปกรณ์ควรมีขนาดมาตรฐานเหมือนพาเลทเพื่อใช้งานกับรถยก (Forklift) และรถลาก (Hand lift) ได้ ใช้งานกับตู้ คอนเทนเนอร์ 20 ฟุตหรือขนาดที่ใส่บนแครร่ ถไฟได้ รองรับน้าหนักได้ 1.2ton ต่อช้ิน และทาให้มคี วามค้มุ ค่าในการขนส่งแต่ ละเท่ียว นอกจากน้ีแรงสั่นสะเทือนเป็นปัจจัยสาคัญปัจจัยหน่ึงท่ีส่งผลต่อการคงสภาวะของสินค้าระหว่างการขนส่ง การ จัดเรียง และการเปลี่ยนโหมด นอกเหนือจากปัจจัยด้านรูปแบบการจัดเรียงและภาระท่ีกระทาต่ออุปกรณ์ขนถ่ายแล้ว ดังน้ัน จงึ ดาเนินการเก็บขอ้ มูลแรงส่นั สะเทอื นสาหรับการขนส่งท่ีใช้ต้คู อนเทนเนอร์ขนาด 20 ฟตุ ทงั้ ทางถนนและทางราง เชน่ 242

การประชมุ สัมมนาเชงิ วชิ าการด้านการจดั การโลจิสติกส์และโซอ่ ปุ ทาน ครัง้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 เส้นทาง กรุงเทพฯ-เชียงใหม่ กรุงเทพฯ-หาดใหญ่ และกรุงเทพฯ-เลย เป็นต้น โดยใช้อุปกรณ์ที่เก็บค่าแรงส่ันสะเทือน EXTECH VB300 ดงั รูปที่ 1 รูปที่ 1: อปุ กรณเ์ ก็บค่าแรงสั่นสะเทือน EXTECH VB300 การติดตัง้ และกราฟคา่ แรงส่นั สะเทอื น 4.2. การออกแบบแนวคิด การออกแบบต้นแบบอุปกรณ์ขนถ่ายฯ อยู่บนพ้ืนฐานของข้อมูล 4.1. และข้อจากัดของ การขนส่งด้วยตู้คอนเทนเนอร์ ซึ่งมีมิติภายในตู้คอนเทนเนอร์และการใช้รถยกยกอุปกรณ์ขนถ่ายฯ ข้ึนตู้คอนเทนเนอร์เป็น ข้อจากัด โดยมีเป้าหมายในการใชป้ ระโยชน์ของความจุสูงกว่าร้อยละ 80 พรอ้ มพจิ ารณารปู แบบการใช้งานและการจัดวางดัง รปู ที่ 2 และความสงู ท่ีเปน็ ไปได้ ตารางที่ 2 ซึง่ เลือกขนาดอปุ กรณ์ขนถา่ ยฯ Mesh pallet ลาดับที่ 2 ถงึ แม้วา่ ลาดับที่ 8 จะใช้ ประโยชน์ของความจุตู้คอนเทนเนอร์มากกว่า 0.71% ก็ตาม แต่เนื่องจากเม่ือคานึงถึงการใช้งานและความแพร่หลายแล้ว ลาดับท่ี 2 ที่มีขนาดในแนวระนาบเท่ากับ 100*120 เซ็นติเมตรตามมาตรฐานพาเลททั่วไป สามารถประยุกต์ใช้กบั การทางาน ในปัจจุบันได้ง่ายดายกว่าและตรงกับความต้องการของผู้ใช้งาน และออกแบบให้อุปกรณ์ขนถ่ายฯ สามารถพับเก็บได้เพอ่ื ลด พน้ื ทีใ่ นกรณที ไี่ มม่ ีสนิ คา้ ดังรปู ท่ี 3 รูปท่ี 2: แนวคิดการใช้งานอุปกรณข์ นถ่ายฯ และการจดั เรียงภายในตคู้ อนเทนเนอร์ 243

การประชุมสัมมนาเชิงวิชาการด้านการจัดการโลจสิ ตกิ สแ์ ละโซอ่ ุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ตารางท่ี 2 การพจิ าณาขนาด Mesh Pallet ทเ่ี หมาะสม ลาดับ ขนาด Mesh Pallet ขนาดเมอ่ื วางซอ้ น จานวน ระยะวา่ ง ระยะวา่ ง ระยะวา่ ง ประสิทธิภาพ (cm) (cm) Mesh ด้านบน ด้านขา้ ง ด้านยาว การใช้งานต้คู อน Pallet/ตู้ (cm)1 (cm)1 (cm)1 เทนเนอร์ 1 100*120*110 100*120*210 20 17 13 29 80.89% 2 100*120*115 100*120*220 20 7 13 29 84.74% 3 100*100*110 100*100*210 20 17 33 89 67.41% 4 100*100*115 100*100*220 20 7 33 89 70.62% 5 100*110*110 100*110*210 20 17 23 59 74.15% 6 100*110*115 100*110*220 20 7 23 59 77.68% 7 110*110*110 110*110*210 20 17 13 39 81.57% 8 110*110*115 110*110*220 20 7 13 39 85.45% 1ขนาดภายในตูค้ อนเทนเนอร์ 233*589*227cm (กว้าง*ยาว*สงู ) เมื่อพิจารณาจากประตูทางเขา้ (หกั ระยะคานและเสาขา้ ง) รปู ที่ 3: แนวคิดพบั เก็บอุปกรณข์ นถ่ายฯ กรณไี ม่บรรทุกสนิ ค้า 4.3. การทดสอบคณุ สมบัติของอปุ กรณข์ นถา่ ยฯ การทดสอบคณุ สมบตั ขิ องอุปกรณข์ นถ่ายฯ ในขอบเขตของงานวิจัย ในบทความนี้คานึงถึงปัจจัยที่ส่งผลต่ออุปกรณ์ขนถ่ายฯ ที่อาจเกิดข้ึนระหว่างการใช้งาน เช่น น้าหนักของสินค้าที่กระทาต่อ อุปกรณ์ขนถ่ายฯ การรักษาสภาพรูปทรงหากมกี ารตกหล่นของอุปกรณข์ นถา่ ยฯ เสถียรภาพของอปุ กรณข์ นถ่ายฯ เมื่อไม่อยู่ ระนาบปกติระหว่างใช้งาน และการรักษาสภาพเม่ือมีแรงกระทาจากสินค้าและแรงสนั่ สะเทือนระหว่างการขนส่ง โดยการทา สอบเปน็ ไปตามขนั้ ตอนในตารางท่ี 1 และแสดงการทดสอบดังรปู ที่ 4 สามารถสรุปไดด้ งั น้ี 4.3.1. การทดสอบการรับน้าหนักและการเรียงตวั ไม่มีการเปลยี่ นแปลงด้านโครงสรา้ ง (แอ่นตัว หัก งอ) ของเสารบั นา้ หนัก และคานรองรับ และมีความคลาดเคลอื่ นของขนาดในระดบั มลิ ลเิ มตร ซงึ่ อาจเกิดจากการวดั และการผลติ ตน้ แบบทย่ี งั ไมไ่ ด้มาตรฐาน ดงั แสดงในรปู ที่ 4 (ก) 4.3.2. การทดสอบปล่อยตกอิสระ การทดสอบปล่อยตกอิสระท่ีระดับความสูงใช้งาน 2.5 เมตร วัดระยะจากพ้ืนถึง พ้ืนรับน้าหนัก ไม่ส่งผลต่อพ้ืนรับน้าหนักที่เป็นเปา้ หมายของการทดสอบ อย่างไรก็ตามชิ้นสว่ นประกอบอื่นถูกแรงกระทาจาก การตกกระทบพืน้ และแรงกระทาของโซ่คล้องทาให้เกิดความเสียหายได้ ดังแสดงในรูปท่ี 4 (ข)โดยมีความเสยี หายหรอื การไม่ อยู่ในสภาพปกติเกิดข้ึนกับตะขอคล้องด้านหลังซึ่งหลุดจากสลัก บานพับด้านหลังบริเวณพื้นรับน้าหนักมีการบิดงอ และร่อง สาหรบั ลอ็ คเสามกี ารฉกี บานออก ซ่ึงมกี ารแกไ้ ขดังแสดงในรปู ที่ 5 - 6 ให้ตะขอมรี อ่ งลึกมากขนึ้ ปรับตาแหนง่ บานพบั ด้านหลัง 244

การประชุมสัมมนาเชงิ วชิ าการด้านการจดั การโลจสิ ตกิ สแ์ ละโซอ่ ุปทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ให้มีขนาดใหญ่และเปลยี่ นจุดเช่ือมจากเดิมที่เชื่อมบานพับกับพื้นรับน้าหนักเป็นบานพับกับคานรบั น้าหนักแทน สุดท้ายปรับ ขนาดและตาแหน่งรอ่ งล็อคเสาให้อยตู่ รงกลางของพนื้ ที่รับแรง 4.3.3. การทดสอบองศาการลม้ อุปกรณ์ขนถ่ายเม่ือวางซ้อนและบรรจุสนิ ค้า มีจุดศูนย์ถ่วงทเี่ พียงพอทจี่ ะทาให้รักษา สภาพไวไ้ ด้จนไมเ่ กดิ การลม้ หรอื พลกิ ท้ังโอกาสท่ีเกิดจากการทางานปกติ และโอกาสท่ีเกดิ จากการทางานผดิ พลาด โดยมกี าร ทดสอบโดยปรับงาของรถยกให้มีมุมเทสูงสุด 6 องศา ของการทางานตามปกติ และมุมเทที่ 14 องศา ท่ีอาจเกิดจากความ ผิดพลาดในการทางานข้ึน ซึ่งพบวา่ อปุ กรณ์ขนถ่ายฯ ที่มกี ารซ้อน 2 ชน้ั ไมล่ ม้ หรือพลิกลง ดังแสดงในรปู ที่ 4 (ค) 4.3.4. การทดสอบความต้านแรงส่ันสะเทอื น แรงสั่นสะเทือนของการขนส่งพร้อมภาระนา้ หนักของสนิ ค้าท่กี ระทาตอ่ อุปกรณ์ขนถ่ายฯ เป็นอีกปัจจัยท่ีส่งผลต่ออุปกรณ์ขนถ่ายฯ เป็นระยะเวลานานเช่นเดียวกับการรับน้าหนักและการเรียงตัว อย่างไรกต็ ามในข้ันตอนการออกแบบก่อนทดสอบใช้งานจริงน้ัน จะทาการจาลองสถานการณ์ด้วยการป้อนค่าคณุ ลักษณะของ อปุ กรณข์ นถา่ ย และปอ้ นคา่ แรงกระทารูปแบบต่างๆ ในโปรแกรม Solidworks ผลการวิเคราะหพ์ บว่าความเค้นสงู สุดท่ีเกิดขนึ้ มคี ่าเพียง 2.84x106 N/m2 ซ่งึ เมอื่ เทยี บกบั คา่ Yield Strength ของวสั ดซุ ึง่ อย่ทู ป่ี ระมาณ 250x106 N/m2 และในส่วนการเสยี รปู ของชิ้นงานพบวา่ คา่ ความเคลอ่ื นตวั สูงสดุ มคี า่ เทา่ กับ 9.13x10-4 m (0.091mm) จึงสรปุ ไดว้ ่าช้นิ งานสามารถรบั ภาระแรงได้ (ก) (ข) (ค) (ง) รูปที่ 4: การทดสอบคณุ สมบตั ติ น้ แบบอุปกรณ์ขนถ่ายสินคา้ 245

การประชุมสมั มนาเชงิ วชิ าการด้านการจดั การโลจิสตกิ สแ์ ละโซอ่ ปุ ทาน คร้งั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 รปู ท่ี 5: การปรบั แกข้ ้อบกพรอ่ ง รปู ท่ี 6: ต้นแบบอปุ กรณข์ นถา่ ยฯ (ก่อนนาไปทดลองใชง้ าน) 246

การประชมุ สัมมนาเชิงวชิ าการด้านการจัดการโลจิสตกิ สแ์ ละโซ่อปุ ทาน ครัง้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 5. สรุปและบทวิจารณ์ อุปกรณ์ขนถ่ายสินคา้ เพื่อรองรับการขนส่งต่อเน่ืองหลายรปู แบบระหว่างการขนส่งทางถนนด้วยรถบรรทุก และการ ขนส่งทางรางด้วยรถไฟ ผ่านกระบวนการศึกษาความต้องการของผู้ใช้งานด้วยเทคนิค VOC ร่วมกับแนวคิดในการใช้ ประสทิ ธภิ าพของตู้คอนเทนเนอรใ์ หส้ ูงสดุ ทาให้สามารถใช้ประสิทธิภาพของตคู้ อนเทนเนอร์ไดส้ ูงถงึ 84.74% จากการจดั วาง ซ้อน 2 ชั้น ชั้นละ 10 ชิ้น รวม 20 ชิ้น บรรทุกน้าหนักได้สูงสุด 24 ton อุปกรณ์ขนถ่ายฯผ่านการทดสอบตามวิธีการ มาตรฐานสากลและวิธีการเทียบเคียงมาตรฐานสากล ทาให้มั่นใจได้ว่ามคี วามแข็งแรงและมีคณุ สมบัตทิ ่ีสามารถใช้งานกบั การ ขนส่งทางถนนและทางรางได้ มีความสามารถรองรับน้าหนักบรรทุกได้ 1.2 เมตริกตันต่อช้ิน และสามารถวางซ้อน 2 ช้ันได้ โดยไม่เกิดความเสยี หายตอ่ อุปกรณข์ นถ่ายสินค้า ซึ่งเป็นปัจจัยหนึ่งที่ช่วยให้สินค้าคงรูปและสภาพสมบูรณ์ได้ตลอดการขนสง่ การปรับปรงุ ที่เกยี่ วขอ้ งกบั อุปกรณ์ขนถา่ ยทอ่ี ยู่ในขอบเขตของงานวจิ ยั ในข้ันน้ี คอื การลดน้าหนกั ของอปุ กรณ์ขนถา่ ยโดยยงั คง คณุ สมบตั ิตามทตี่ ้องการไวไ้ ด้ เนื่องจากปัจจุบันอุปกรณ์ขนถ่ายฯ ต้นแบบมีนา้ หนักประมาณ 95 กโิ ลกรัมตอ่ ชดุ รวมถงึ ปรับแก้ ใหม้ ีความสะดวกและความปลอดภยั ต่อการใช้งานของผปู้ ฏบิ ตั งิ านและผทู้ ี่เกีย่ วขอ้ งด้วยเชน่ กัน งานวิจัยในขั้นตอนต่อไป อุปกรณ์ขนถ่ายฯ จะถูกทดลองใช้งานจริงในการขนส่งด้วยรถบรรทุก และการขนส่งด้วย รถไฟในเส้นทางสถานีบางซ่ือ – สถานีแก่งคอย – สถานีหนองตะไก้ เพื่อวิเคราะห์ข้อมูลท้ังทางด้านต้นทุน เวลา และความ น่าเชอื่ ถอื ของอปุ กรณข์ นถา่ ย และนาไปสกู่ ารใชง้ านอยา่ งเต็มรปู แบบต่อไปในอนาคต 6. กิตตกิ รรมประกาศ งานวิจัยน้ีเป็นผลการศึกษาภายใต้โครงการการเพิ่มประสิทธิภาพการขนส่งต่อเน่ืองหลายรูปแบบของประเทศไทย เพื่อรองรับการเปิดประชาคมเศรษฐกิจอาเซียน (RDG5950140) โครงการย่อยที่ 1 “การพัฒนาอุปกรณ์ขนถ่ายสินค้าสาหรับ การขนส่งต่อเน่ืองหลายรปู แบบ” มีหน่วยงานหลกั คือ มหาวิทยาลัยเกษตรศาสตร์ และหน่วยงานสนับสนุน คือ มหาวิทยาลยั ศรีปทุม สมาคมขนส่งสินค้าและโลจิสติกส์ไทย และการรถไฟแห่งประเทศไทย โดยได้รับการสนั บสนุนงบประมาณจาก สานกั งานกองทนุ สนับสนนุ การวิจยั (สกว.) เอกสารอ้างองิ กรมอุตสาหกรรมพ้ืนฐานและการเหมืองแร่, 2557, “Logistics Standardization มาตรฐานโลจิสติกส์ นโยบาย...สู่แนวทาง ปฏบิ ัติ,” กรงุ เทพฯ. คานาย อภิปรัชญาสกุล, 2559, การจัดการขนสง่ และการกระจายสินคา้ เชิงกลยทุ ธ์, กรุงเทพฯ: บริษัท โฟกัสมีเดีย แอนด์ พับ ลชิ ชง่ิ จากดั . ธนนิ ศรวี ะรมย์, ทปี กร คุณาพรวิวัฒน,์ ชวลิต มณีศรี, 2557, “การเพม่ิ ผลผลิตผลติ ภณั ฑน์ ้ายาลา้ งจานด้วยการแปลงหนา้ ท่ีเชิง คณุ ภาพและวศิ วกรรมคุณค่า,” วารสารศรปี ทุมปริทัศน์ ฉบับวทิ ยาศาสตรแ์ ละเทคโนโลยี ปีที่ 6, 57-67. สานักงานนโยบายและแผนการขนส่งและจราจร , 2559, “ตารางข้อมูลแสดงปริมาณการขนส่งสินค้าฯ, ” http: / / mistran. otp. go. th/ ReportService/ Report/ PdfReport/ MISattached/ 2 5 5 9 _4 0 _TranCost. pdf [ 1 กรกฎาคม 2559] สานักพิมพ์คณะรัฐมนตรีและราชกิจจานุเบกษา, 2559, “พระราชบัญญัติการขนส่งต่อเนื่องหลายรูปแบบ พ.ศ.2548,” http://www.ratchakitcha.soc.go.th/DATA/PDF/2548/00167847.PDF [1 กรกฎาคม 2559] 247

การประชุมสมั มนาเชงิ วิชาการด้านการจดั การโลจสิ ติกสแ์ ละโซ่อปุ ทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ASTM International, 2004, ASTM D5276- 98 Standard Test Method for Drop Test of Loaded Containers by Free Fall. ASTM International, 2007, ASTM D999-07 Vibration Testing of Shipping Containers by the MTS Vibration Test System. International Safe Transit Association (ISTA), 2008, ISTA 3A - Parcel Delivery System Shipment. Stephens, M.P., and F.E. Meyers, 2013, “Manufacturing Facilities Design and Material Handling,” 5e, Purdue University Press, Indiana, USA. The International Organization for Standardization (ISO), 2000, ISO2234 – Packaging -- Complete, filled transport packages and unit loads -- Stacking tests using a static load. 248

การประชุมสมั มนาเชิงวิชาการด้านการจัดการโลจิสตกิ สแ์ ละโซ่อปุ ทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Topic F Demand Planning 249

Topic F: Demand Planning การประชมุ สัมมนาเชิงวิชาการด้านการจัดการโลจสิ ตกิ สแ์ ละโซอ่ ุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 Paper ID: DP 01 เคร่อื งมอื สาหรบั พยากรณ์เคร่ืองใชไ้ ฟฟ้า กรณีศกึ ษา บรษิ ทั ผลิตเครอื่ งใชไ้ ฟฟ้า วลัยลักษณ์ อัตธีรวงศ์1*, เบญจพร วิชชถุ าวร2, พณั ณติ า ม่ิงมงคล3 ภาควชิ าสถิติ คณะวทิ ยาศาสตรส์ ถาบนั เทคโนโลยีพระจอมเกล้าเจา้ คณุ ทหารลาดกระบัง 1* โทร 089-6750621 E-mail [email protected] 2 โทร 082-645-1736 E-mail [email protected] 3 โทร096-854-6862 E-mail [email protected] บทคดั ยอ่ ง า น วิ จั ย นี้ มี จุ ด ป ร ะ ส ง ค์ เ พื่ อ พั ฒ น า เ ค รื่ อ ง มื อ ส า ห รั บ พ ย า ก ร ณ์ เ ค รื่ อ ง ใ ช้ ไ ฟ ฟ้ า ข อ ง บ ริ ษั ท ก ร ณี ศึ ก ษ า โดยใช้ Microsoft Excel 2010 โดยประยุกต์ใช้ทฤษฎีการแบง่ สินคา้ คงคลงั ABC เพือ่ จดั ลาดับความสาคญั ใหก้ ับสนิ คา้ จานวน 215 รายการ พบว่าได้สินค้าคงคลังกลุ่ม A จานวน 56 ผลิตภัณฑ์ กลุ่ม B จานวน 58 ผลิตภัณฑ์ และกลุ่ม C จานวน 101 ผลติ ภณั ฑ์ หลงั จากนน้ั เลือกผลติ ภณั ฑ์จากกลมุ่ A จานวน 3 ผลิตภัณฑท์ ม่ี ีมูลค่าสูงสดุ 3 ลาดับแรกคอื หมอ้ หงุ ขา้ วร่นุ Z หม้อ หุงข้าวรุ่น V และกระติกน้าร้อนรุ่น T มาคานวณหาค่าพยากรณ์เพ่ือให้ได้วิธีการพยากรณ์ท่ีเหมาะสมท่ีสุด โดยเปรียบเทียบ วิธกี ารพยากรณ์มี 2 วิธี คือสมการแนวโนม้ กาลงั สองและวธิ ปี รบั ใหเ้ รียบเอ็กซ์โปเนนเชยี ลแบบดับเบลิ้ โดยใช้ค่าเฉลย่ี เปอรเ์ ซน็ ต์ ความคลาดเคลื่อน (MAPE) ซ่ึงพบว่าวิธีสมการแนวโน้มกาลังสองเหมาะกับข้อมูลมากกว่าคณะผู้วิจัยจึงได้พัฒนาเคร่ืองมือ สาหรับพยากรณเ์ ครอ่ื งใช้ไฟฟ้าข้ึนโดยใช้การคานวณด้วยวิธีสมการแนวโน้มกาลังสองโดยใช้ Microsoft Excel 2010 ในการ ประมวลผล จากนั้นคณะผู้วิจัยได้ทาการเปรียบเทียบผลการพยากรณ์จากเคร่ืองมือท่ีได้พัฒนาข้ึ นด้วยวิธีสมการแนวโน้มกาลัง สองโดยใช้ข้อมูลความต้องการผลิตภัณฑ์ทั้ง 3 ชนิดดังกล่าวในไตรมาสที่ 1 ปี 2560 พบว่ามีค่าเฉล่ียเปอร์เซ็นต์ความคลาด เลื่อน (MAPE) ในการพยากรณ์เท่ากับ 3% 15% และ 7% ตามลาดบั เม่ือเทยี บกบั ความต้องการท่ีแทจ้ ริง เม่อื เปรียบเทยี บกับ ค่าพยากรณ์ที่ได้จากลูกค้าเมื่อเทียบกับความต้องการจริงพบว่ามีค่า MAPE เท่ากับ 6% 32% และ 34% ตามลาดับ จึง สามารถสรุปได้ว่าค่าพยากรณ์ที่ได้จากเคร่ืองมือที่ได้พัฒนาขึ้นนั้นมีค่าใกล้เคียงกับปริมาณความต้องการที่แท้จริงมากกว่าค่า ปริมาณความตอ้ งการผลิตภณั ฑ์ทไ่ี ดร้ ับจากลูกค้าเนอื่ งจากมีค่าความคลาดเคล่อื นน้อยกวา่ คาสาคญั : การพยากรณ์; การแบ่งสินคา้ คงคลงั ABC; ค่าเฉล่ียเปอรเ์ ซน็ ตค์ วามคลาดเคลื่อน 1. ทมี่ าและความสาคญั ในปัจจุบันชีวิตความเป็นอยู่ของคนไทยได้เปลี่ยนแปลงไปอย่างรวดเร็ว ทาให้เครื่องใช้ไฟฟ้ามีบทบาทต่อ ชีวิตประจาวันเป็นอยา่ งมาก อุตสาหกรรมเครื่องใช้ไฟฟ้าจึงมีการขยายตวั มากขึ้นทาให้เกิดการแข่งขันระหว่างผ้ปู ระกอบการ ซ่ึงผู้ประกอบการจาเป็นต้องหาวิธีการสร้างความได้เปรียบทางการค้าให้เหนือกว่าคู่แข่งให้ได้มากที่สุดโดยใช้กลยุทธ์ด้านการ ขายและต้องมสี นิ คา้ เพยี งพอตอ่ ความตอ้ งการ 250

การประชุมสัมมนาเชงิ วิชาการด้านการจัดการโลจิสตกิ ส์และโซอ่ ปุ ทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 บริษทั กรณีศึกษาเป็นบริษัทรับจา้ งผลติ ผลิตภณั ฑเ์ คร่ืองใชไ้ ฟฟ้าในครัวเรือน เช่น หม้อหุงข้าว กระตกิ น้าร้อน เตารดี เครื่องป่ัน เครื่องทาน้าร้อนน้าเย็น พัดลม และเครื่องทาน้าอุ่น เป็นต้น ให้กับบริษัทแห่งหนึ่งซ่ึงเป็นลูกค้าหลักโดยผลิตภัณฑ์ ของบรษิ ทั กรณศี กึ ษามีหลายประเภทโดยทีแ่ ต่ละประเภทจะแบ่งออกเป็นขนาดตา่ งๆ เพื่อใหเ้ หมาะสมกับการนาไปใช้งานและ ตรงกับความต้องการของลกู คา้ ในทุกกลุ่มเปา้ หมายซ่ึงปัญหาท่ีบริษทั พบคือคา่ พยากรณแ์ ละคา่ ปริมาณความต้องการผลิตภณั ฑ์ ท่ีแท้จริงมีความแตกต่างกันมาก โดยลูกค้าจะให้ค่าพยากรณ์ปริมาณความต้องการแต่ละผลิตภัณฑ์จานวน 12 เดือนกับทาง บริษัทและจะมกี ารยืนยันคาสง่ั ซื้อล่วงหน้า 2 เดือน แต่ในระหว่างน้ันค่าพยากรณข์ องลูกค้าจะมกี ารเปลี่ยนแปลงไปเรื่อยๆ ซ่ึง ในสว่ นของปริมาณความตอ้ งการทไ่ี ม่คงที่นีส้ ่งผลใหก้ ารวางแผนจัดซ้ือวัตถดุ บิ เพื่อนามาผลติ เปน็ ผลิตภัณฑส์ าเรจ็ รูปนัน้ มีความ ยุ่งยากเนอื่ งจากวัตถุดิบบางชนดิ ตอ้ งสั่งซื้อจากตา่ งประเทศจึงเป็นเหตใุ ห้ต้องมีวตั ถดุ บิ จานวนมากสารองไวใ้ ห้เพียงพอตอ่ ความ ต้องการที่อาจมีการเปลี่ยนแปลง หรือบางครง้ั วัตถดุ ิบก็เกินความต้องการจริงทาใหม้ ีช้ินส่วนหรือวัตถุดิบท่ีเป็นส่วนเกนิ เกดิ ขึน้ ทาให้มีสินค้าคงคลังสูงเกินความจาเป็น จากปัญหาท่ีกล่าวมานั้นจึงมีความจาเป็นที่ต้องหาวิธีการเพื่อให้เกิดการวางแผนท่ีมี ประสิทธิภาพ (ยุทธ. 2549) โดยเรมิ่ จากการพยากรณ์ปริมาณความตอ้ งการเพ่ือที่จะสามารถวางแผนทางด้านสินค้าคงคลังให้ เป็นระบบมากขึ้น คณะผู้วิจัยจึงได้นาเอาทฤษฎีต่างๆ มาช่วยแก้ปัญหา โดยเริ่มจากทฤษฎีการแบ่งสินค้าคงคลัง ABC เพื่อ จัดลาดับความสาคัญให้กับสินค้า จากนั้นใช้ข้อมูลปริมาณความต้องการย้อนหลัง 5 ปี พยากรณ์ปริมาณความตอ้ งการด้วยวิธี สมการแนวโน้มกาลังสองและวิธีปรับให้เรียบเอ็กซ์โปเนนเชียลแบบดับเบ้ิล และเลือกวิธีพยากรณ์ที่เหมาะสมท่ีสุดเพื่อนามา สร้างเป็นเครื่องมือสาหรับพยากรณ์เคร่ืองใช้ไฟฟ้า ซ่ึงเคร่ืองมือท่ีพัฒนาข้ึนน้ีจะสามารถใช้พยากรณ์ความต้องการผลิตภัณฑ์ ต่างๆ ให้เกิดความรวดเร็วและถูกต้องแม่นยามาก ซึ่งจะส่งลดสินค้า คงคลังของบริษัทกรณีศึกษาลงและการวา ง แผนการผลิตมีประสทิ ธภิ าพมากย่งิ ขนึ้ 2. การทบทวนวรรณกรรมเก่ียวข้อง คณะผู้วิจัยไดท้ าการศกึ ษาแนวคิดทฤษฎีต่างๆ รวมทั้งงานวิจัยท่ีเกี่ยวขอ้ งกับการพยากรณ์ (ทรงศิริ. 2549)และการ แบ่งกลุ่มสินค้าคงคลังโดยวิธี ABC (วลัยลักษณ์. 2551; พิภพ. 2552) เพ่ือใช้เป็นแนวทางในการศึกษาและนามาประยุกต์ใช้ โดยตัวอยา่ งของงานวิจยั ที่เก่ยี วขอ้ งมีดังน้ี ชัยวัฒน์ (2555) ทาการศึกษาปัญหาสินค้าที่มมี ากเกินไปของบริษัทซ้ือขายช้ินส่วนอิเล็กทรอนิกส์ ทาให้บริษัทฯตอ้ ง สูญเสียค่าใช้จ่ายในการจัดเก็บ ผู้วิจัยใช้ทฤษฎี ABC Analysis จาแนกสินค้าแล้วเลือกสินค้าในกลุ่ม A 10 รายการ มาทาการ ทดสอบด้วยวิธีการพยากรณ์เพ่ือให้ได้วิธีการพยากรณ์ท่ีเหมาะสมท่ีสุด จากน้ันนาผลท่ีได้จากการพยากรณ์มาคานวณหา ปรมิ าณการสั่งซือ้ แบบประหยัด (EOQ) และจดุ สงั่ ซ้อื สนิ คา้ ทเ่ี หมาะสม (Reorder Point) นิตยา (2556) ทาการศึกษาการพยากรณ์ผลิตสินค้าแล้วทาการวิเคราะห์การหาปริมาณการผลิตสินค้าให้มีระดับท่ี เหมาะสม โดยเก็บข้อมูลตั้งแต่ปี พ.ศ. 2550 ถึงปีพ.ศ.2553 และนามาวิเคราะห์โดยวิธีการพยากรณ์โดยวิธีการหาค่าเฉล่ีย เคล่ือนท่ี การพยากรณ์โดยวิธีการหาค่าเฉลี่ยเคล่ือนที่แบบถ่วงน้าหนักการพยากรณ์โดยวิธีการปรับให้เรียบแบบเอกซ์โพเนน เชียล การพยากรณ์โดยวิธีปรับเรียบแบบดับเบิลเอกซ์โพเนนเชียล การพยากรณ์โดยวิธี วินเตอร์ เทคนิคการแยก ส่วนประกอบ ผลการศึกษาพบว่าเทคนิคแยกส่วนประกอบเป็นวิธีที่เหมาะสมท่ีสุดในการพยากรณ์เนื่องจากมีค่า MAPE ต่า ทีส่ ุด กนกกาญจน์ และเรืองศักดิ์ (2557) ทาการศึกษาการพยากรณ์ยอดขายสินค้าอุปโภคที่เหมาะสมของบริษัทเอกชน แห่งหน่ึงต้ังแต่เดือนมกราคม 2555 ถึงเดือนธันวาคม 2556 โดยใช้เทคนิคการพยากรณ์เชิงปริมาณ ประกอบไปด้วยการ พยากรณ์แบบแยกสว่ นประกอบ การพยากรณ์โดยวธิ ีถัวเฉลีย่ การพยากรณโ์ ดยวธิ ีการปรบั เรยี บเอกซโ์ พเนนเชยี ลและการ 251

การประชุมสัมมนาเชงิ วิชาการด้านการจัดการโลจิสตกิ สแ์ ละโซ่อุปทาน คร้งั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 พยากรณโ์ ดยแบบจาลองและทาการวดั คา่ ความคลาดเคลื่อนของพยากรณโ์ ดยใชค้ ่าเฉล่ียเปอร์เซ็นต์ความคลาดเคลอื่ นสัมบูรณ์ (MAPE) พบว่าบรษิ ทั ท่ีศกึ ษาเหมาะกับเทคนิคการพยากรณ์แบบแยกสว่ นประกอบ ปรียาพร (2558) ทาการศึกษาหาความสัมพันธ์ของตัวแปรท่ีส่งผลต่อการนาเข้าและส่งออกสินค้าระหว่างไทย-จีน ตอนใต้ (ยูนนาน) โดยการนาปัจจัยต่างๆ ที่ได้จากการสัมภาษณ์ชองผ้ปู ระกอบการ 2 บริษัท มาทาการวเิ คราะห์โดยการสรา้ ง สมการถดถอยพหุคูณเชิงซ้อนและทาการพยากรณ์ข้อมูลประกอบไปด้วย 3 วิธี คือ Exponential Smoothing วิธี Moving Average และวิธี Decomposition พบว่าวธิ ีการพยากรณ์ทเี่ หมาะสมในการนามาใช้คอื วธิ ีการพยากรณแ์ บบแยกสว่ นประกอบ 3. วิธกี ารดาเนินงาน 3.1. รวบรวมขอ้ มูล คณะผู้วิจัยได้ดาเนินการเก็บรวบรวมข้อมูลปริมาณความต้องผลติ ภณั ฑ์ทั้ง 215 ผลิตภัณฑ์ของบริษัท 5 ปีย้อนหลัง ต้ังแต่เดือนมกราคม พ.ศ.2555 ถึงเดือนธันวาคม พ.ศ.2559 เพื่อนามาวิเคราะห์ส่วนประกอบต่างๆ ของข้อมูลอนุกรมเวลา ตารางที่1-3 แสดงตัวอย่างข้อมูลของ 3 ผลิตภัณฑ์ท่ีบรษิ ัททาการผลิต ได้แก่ หม้อหุงข้าวรุ่น Z หม้อหุงข้าวรุ่น V และกระติก น้ารอ้ นรนุ่ T ดังนี้ ตารางท่ี 1: ข้อมลู ปริมาณความต้องการผลิตภัณฑห์ มอ้ หงุ ขา้ วรุน่ Z (หนว่ ย: ช้นิ ) เดือน/ปี(พ.ศ.) 2555 2556 2557 2558 2559 มกราคม 20,844 18,277 17,300 23,472 27,792 กมุ ภาพนั ธ์ 21,000 6,500 13,000 14,976 28,656 มนี าคม 25,000 27,716 37,000 19,072 23,184 เมษายน 18,000 19,272 15,700 12,520 23,328 พฤษภาคม 26,300 26,604 31,300 22,264 27,648 มิถุนายน 25,000 9,000 25,200 27,936 31,680 กรกฎาคม 24,500 16,900 10,000 28,080 30,240 สิงหาคม 25,000 27,550 17,620 36,144 31,680 กนั ยายน 20,800 20,000 27,216 20,736 32,832 ตุลาคม 24,200 28,200 26,208 44,704 18,144 พฤศจกิ ายน 27,000 19,300 23,776 26,560 28,784 ธนั วาคม 5,000 24,000 27,056 34,144 32,272 ตารางท่ี 2: ขอ้ มลู ปรมิ าณความตอ้ งการผลิตภัณฑ์หม้อหงุ ขา้ วรุน่ V (หนว่ ย: ชิน้ ) เดือน/ป(ี พ.ศ.) 2555 2556 2557 2558 2559 มกราคม 12,168 18,988 10,400 18,864 25,392 กมุ ภาพนั ธ์ 22,832 23,679 21,800 16,704 24,768 มนี าคม 20,000 21,237 19,300 16,316 26,400 เมษายน 15,500 6,320 18,500 7,780 18,144 พฤษภาคม 17,600 20,720 23,300 14,400 28,416 มถิ ุนายน 15,000 10,160 28,500 26,640 29,952 กรกฎาคม 24,700 8,280 23,400 23,280 25,152 252

การประชมุ สมั มนาเชงิ วิชาการด้านการจัดการโลจสิ ตกิ สแ์ ละโซ่อปุ ทาน ครงั้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 เดือน/ป(ี พ.ศ.) 2555 2556 2557 2558 2559 สงิ หาคม 20,000 8,440 29,712 21,024 28,656 กนั ยายน 11,300 14,000 28,272 33,312 22,560 ตุลาคม 14,500 9,000 24,240 8,784 26,640 พฤศจิกายน 21,836 25,500 22,560 18,192 25,056 ธนั วาคม 13,664 2,300 3,216 19,584 23,184 ตารางท่ี 3: ขอ้ มูลปรมิ าณความต้องการผลิตภณั ฑ์กระติกนา้ ร้อนรนุ่ T (หนว่ ย: ช้ิน) เดอื น/ป(ี พ.ศ.) 2555 2556 2557 2558 2559 มกราคม 14,896 22,114 12,300 17,640 19,080 กมุ ภาพันธ์ 18,956 18,284 13,600 14,976 10,944 มีนาคม 19,800 14,458 16,100 18,000 21,600 เมษายน 12,000 12,198 9,700 6,264 15,480 พฤษภาคม 16,000 16,182 24,300 13,104 13,824 มิถนุ ายน 23,500 8,104 19,200 18,996 15,192 กรกฎาคม 16,500 19,700 19,956 17,208 สิงหาคม 16,000 0 18,000 17,496 17,928 กันยายน 16,500 4,800 21,600 26,352 18,144 ตลุ าคม 13,000 10,000 18,144 25,560 11,088 พฤศจกิ ายน 23,500 9,900 18,516 17,568 21,080 ธันวาคม 13,578 11,000 16,596 5,040 13,336 15,000 3.2. การวเิ คราะห์ข้อมลู 3.3.1.การแบง่ กลุม่ สนิ คา้ คงคลังโดยวธิ ี ABC ทาการแบ่งกล่มุ ผลิตภัณฑ์เครื่องใชไ้ ฟฟา้ ทง้ั 215 ผลติ ภณั ฑ์ โดยใชท้ ฤษฎี ABC Analysis คานวณหามูลคา่ ของสินค้าในปี พ.ศ.2559 นามาจัดลาดับสินค้าแต่ละชนิดตามมูลค่าของสินค้าจากมากไปหาน้อย หาร้อยละของมูลค่าแต่ละ ชนิดเทียบกับมลู คา่ ของสินค้าทั้งหมด หาค่าร้อยละสะสมของมลู คา่ พบวา่ ได้สินค้าคงคลงั กลุ่ม A จานวน 56 ผลติ ภณั ฑ์ กลุ่ม B จานวน 58 ผลิตภณั ฑ์ และกลุ่ม C จานวน 101 ผลิตภัณฑ์ จากน้ันทาการเลือกผลติ ภณั ฑ์ 3 ลาดับแรกจากกลมุ่ A ได้แก่ หม้อ หุงข้าวรุ่น Z หม้อหุงข้าวรุ่น V และกระติกน้าร้อนรุ่น T มาเป็นตัวแทนในการศึกษาครั้งน้ีเน่ืองจากมีมูลค่าการจาหน่ายมาก ที่สุด 3.2.2. การวิเคราะห์รปู แบบแนวโน้ม จากการวิเคราะห์รูปแบบแนวโน้มของผลิตภัณฑ์เครื่องใช้ไฟฟ้าโดยใช้โปรแกรม Minitab วิเคราะห์ แนวโน้มเส้นตรงและแนวโน้มกาลังสอง ซึ่งพิจารณาจากรปู แบบแนวโน้มท่ีให้คา่ เฉล่ียความคลาดเคลื่อนกาลงั สอง (MSE) ที่มี ค่าน้อยสุด พบว่าข้อมูลผลิตภัณฑ์เคร่ืองใช้ไฟฟ้าที่ให้ค่าเฉลี่ยความคลาดเคล่อื นกาลังสอง (MSE) น้อยสุดคือรูปแบบแนวโน้ม กาลงั สอง 253

การประชุมสมั มนาเชิงวชิ าการด้านการจัดการโลจสิ ติกส์และโซอ่ ปุ ทาน ครัง้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 3.2.3. การทดสอบอทิ ธิพลของฤดกู าล จากการทดสอบอิทธิพลของฤดูกาลโดยทดสอบค่าสัมประสิทธ์ิสหสัมพันธ์ในตนเองของผลิตภัณฑ์ เคร่ืองใช้ไฟฟ้าท้ังหมด 215 ผลิตภัณฑ์พบว่าผลิตภัณฑ์เครือ่ งใช้ไฟฟ้ามอี ิทธิพลของฤดกู าล 22 ผลิตภัณฑ์ และ193 ผลิตภัณฑ์ ไม่มีอิทธิพลของฤดูกาล สาหรับหม้อหุงข้าวรุ่น Z หม้อหุงข้าวรุ่น V และกระติกน้าร้อนรุ่น T พบว่าไม่มีอิทธิพลฤดูกาลเข้ามา เกีย่ วขอ้ ง 3.3.4. การเลอื กวธิ กี ารพยากรณท์ ่ีเหมาะสม ทาการศึกษาวิธีการพยากรณ์ท่ีเหมาะสมกับข้อมูลปริมาณความต้องการผลิตภัณฑ์ทั้ง 3 ชนิดต้ังแต่เดือน มกราคม พ.ศ.2555 ถึงเดอื นธันวาคม พ.ศ.2559 จานวน 60 ค่าดงั แสดงในแสดงตารางที่ 1-3 พบว่ามีวิธีการพยากรณ์ 2 วธิ ที ี่ เหมาะสมกับขอ้ มูลดังกล่าวคือ วิธสี มการแนวโน้มกาลงั สอง และวิธปี รับใหเ้ รยี บเอ็กซโ์ ปเนนเชียลแบบดับเบ้ลิ ทาการพยากรณ์ เปรียบเทียบและเลือกวิธีการพยากรณ์ท่ีเหมาะสมโดยการวัดความคลาดเคล่ือนของค่าจริงและค่าที่พยากรณ์ โดยใช้ค่าเฉลี่ย เปอร์เซ็นต์ความคลาดเคลอื่ น (MAPE) และพจิ ารณาเลือกวิธกี ารพยากรณ์ที่ให้คา่ MAPE นอ้ ยท่สี ุด 3.3.5. สรา้ งเครอ่ื งมือทใี่ ชใ้ นการพยากรณ์ หลังจากได้ตัวแบบพยากรณ์ที่เหมาะสมแล้วจึงนาตัวแบบที่ได้ไปสร้างเคร่ืองมือสาหรับพยากรณ์ เครือ่ งใชไ้ ฟฟ้าโดยใช้ Microsoft Excel 2010 ในการประมวลผล 4. ผลการศกึ ษา 4.1 วิธีพยากรณ์ที่เหมาะสม ผลการเปรียบเทียบการพยากรณ์ท้ัง 2 วิธีกับผลิตภัณฑ์ 3 ผลิตภัณฑ์จากกลุ่ม A พบว่าวิธีสมการแนวโน้มกาลังสอง ให้ค่าใกล้เคียงกับปริมาณความต้องการผลิตภัณฑ์จริงมากกว่าโดยมีค่า MAPE ต่ากว่าวิธีพยากรณ์ด้วยวิธีปรับให้เรียบเอ็กซ์ โปเนนเชยี ลแบบดบั เบ้ิล ดังแสดงในตารางท่ี 4 ตารางที่ 4: คา่ MAPE ของผลติ ภัณฑ์ท้ัง 3 ผลิตภณั ฑ์จากวธิ ีพยากรณ์ 2 วิธี ผลติ ภณั ฑ์ หมอ้ หุงขา้ วรุ่น Z หมอ้ หงุ ข้าวรุ่น V กระตกิ นา้ รอ้ นรนุ่ T วธิ พี ยากรณ์ แนวโน้ม เอก็ ซ์โปเนนเชียลแบบ แนวโนม้ เอ็กซโ์ ปเนนเชยี ลแบบ แนวโนม้ เอ็กซ์โปเนนเชยี ลแบบ กาลังสอง ดับเบิล้ กาลงั สอง ดับเบ้ลิ กาลงั สอง ดบั เบ้ลิ MAPE 14% 26% 34% 39% 46% 59% 4.2. การออกแบบเครื่องมือสาหรับพยากรณ์เคร่อื งใช้ไฟฟา้ 4.2.1. ข้อมลู พน้ื ฐานของเครอ่ื งมือส้าหรับพยากรณเ์ คร่อื งใช้ไฟฟ้า คณะผู้วิจัยได้ออกแบบเครื่องมือสาหรับการพยากรณ์เครื่องใช้ไฟฟ้าประกอบไปด้วย 2 แผ่นงาน ดังน้ี 1. แผ่นงาน Data คือแผ่นงานที่ใส่ข้อมูลปริมาณความต้องการของผลิตภัณฑ์ โดยแผ่นงาน Data จะต้องทาการ คัดลอกข้อมูลปริมาณความต้องการของผลิตภัณฑ์ลงในไฟล์งาน DataProduct เพ่ือนาข้อมูลปริมาณความต้องการของ ผลิตภัณฑ์มาวเิ คราะหห์ าคา่ พยากรณ์ แสดงดังรปู ที่ 1 254

การประชมุ สัมมนาเชิงวชิ าการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อุปทาน ครง้ั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 รูปท่ี 1: การคัดลอกขอ้ มลู ปรมิ าณความตอ้ งการผลิตภัณฑ์ 2. แผ่นงาน Output คือ แผน่ งานท่ีแสดงคา่ พยากรณ์ปริมาณความตอ้ งการของผลิตภณั ฑใ์ นแตล่ ะเดือนและผลรวม คา่ พยากรณ์ท้ังหมด 12 เดือน แสดงดังรปู ท่ี 2 รูปท่ี 2: แผน่ งาน Output 5. สรุปผลและข้อเสนอแนะ 5.1. สรุปผลการศกึ ษา ตารางท่ี 5 สรุปผลการเปรียบเทียบการพยากรณ์ของผลิตภณั ฑ์ 3 ผลิตภัณฑใ์ นเดอื นมกราคมถึงเดือนมีนาคม พ.ศ. 2560 ด้วยค่าค่าเฉลยี่ เปอร์เซ็นต์ความคลาดเคล่ือน (MAPE) พบว่าค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลอื่ นของค่าพยากรณ์ท่ไี ด้ จากเครื่องมือท่ีได้พัฒนาขึ้นมีค่าน้อยกว่าค่าพยากรณ์ที่ได้รับจากลูกค้า และผลจากการทดสอบการทางานของเครื่องมือที่ คณะผู้วิจัยได้พัฒนาขึ้นโดยใช้ Microsoft Excel 2010 น้ันพบว่าสามารถทางานได้ตรงกับความต้องการของผู้ใช้งานและ สะดวกต่อการนาไปใชง้ าน 255

การประชุมสมั มนาเชิงวชิ าการด้านการจัดการโลจสิ ตกิ สแ์ ละโซ่อปุ ทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ตารางที่ 5: เปรยี บเทียบค่า MAPE ของผลติ ภณั ฑ์ 3 ผลติ ภัณฑต์ ง้ั แตเ่ ดือนมกราคมถงึ เดือนมีนาคม พ.ศ. 2560 ผลิตภณั ฑ์ หมอ้ หุงข้าวรุ่น Z หม้อหงุ ขา้ วรุ่น V กระติกนา้ รอ้ นรนุ่ T แหลง่ การพยากรณ์ เครื่องมอื ลูกค้า เคร่ืองมือ ลกู ค้า เครือ่ งมือ ลกู คา้ MAPE 3% 6% 15% 32% 7% 34% 5.2. ข้อเสนอแนะ 1. การพยากรณ์ปริมาณความต้องการผลิตภัณฑ์ของลูกค้าถือเป็นหัวใจสาคัญที่จะนาทางให้ทุกๆ ส่วนวางแผนได้ ถูกต้อง ดังน้ันควรมีการติดตามและประเมินผลการพยากรณ์อย่างสม่าเสมอเนื่องจากการพยากรณ์เป็นเพียงการคาดคะเน ปริมาณความต้องการของลูกค้าเทา่ นน้ั จงึ มีโอกาสคลาดเคลือ่ นและผดิ พลาดไดเ้ สมอ หากต้องการไดผ้ ลการพยากรณท์ ่ีถกู ตอ้ ง และใกล้เคียงกับความต้องการจรงิ มากทส่ี ุดจงึ ตอ้ งศกึ ษาและพิจารณาเลอื กตวั แบบในการพยากรณท์ ่เี หมาะสมกับแนวโน้มของ ข้อมูลจริงและบันทึกข้อมูลความต้องการของลูกค้าให้เป็นปัจจุบันเสมอเพื่อให้ได้ค่าผลลัพธ์ในการพยากรณ์ท่ีแม่นยาและมี ความคลาดเคล่ือนน้อยทีส่ ดุ 2. บริษัทกรณีศึกษาอาจนาเครื่องมือนี้ไปพัฒนาต่อยอดโดยนาวิธีการพยากรณ์อื่นๆ เช่น วิธีปรับให้เรียบแบบเอ็กซ์ โปเนนเชียลแบบโฮลต์และวินเทอร์ และวิธีบ็อกซ์และเจนกินส์ เป็นต้น เพื่อให้สามารถเลือกใช้วิธีการพยากรณ์ท่ีเหมาะสมกับ รูปแบบของข้อมูลท่จี ะทาการพยากรณ์ 5.3 ขอ้ จากดั 1. สาหรับเคร่ืองมอื พยากรณน์ ีไ้ ดอ้ อกแบบสาหรับข้อมลู ปริมาณความต้องการผลติ ภณั ฑร์ ายเดือนเพียง 60 คา่ หาก มกี ารอัพเดทขอ้ มูลในปถี ัดไปผใู้ ช้งานจะต้องทาการตดั ขอ้ มลู ปีแรกออกไป 2. เคร่ืองมือพยากรณท์ ี่พัฒนาขึ้นน้ีเหมาะกับข้อมลู ท่ีมีรูปแบบแนวโน้มกาลังสองเท่าน้นั หากผลิตภัณฑ์มีฤดูกาลเข้า มาเกี่ยวข้องอาจจะไมเ่ หมาะสมกบั การนาเครอ่ื งมอื ที่พฒั นาขนึ้ น้ไี ปใช้งาน 3. ในงานวิจัยน้ีไม่ได้นาการพยากรณ์ด้วยวิธีบ็อกซ์และเจนกินส์มาประยุกต์ใช้เปรียบเทียบ เน่ืองจากมีข้อจากัดใน การนาวิธีดังกล่าวไปประยุกต์ใช้งานในทางปฏิบัติงานจริงที่ผู้ใช้งานของบริษัทกร ณีศึกษาจะต้องเข้าใจวิธีการทางสถิติอย่าง ลกึ ซึง้ ในการแทนคา่ ตวั สถติ ติ ่างๆ เพ่อื ท่จี ะนาไปใช้งานจริง เอกสารอ้างองิ กนกกาญจน์ มูลผาลา และเรอื งศักดิ์ แก้มธรรมชยั . 2557. วารสารวิชาการบรหิ ารธรุ กิจ สมาคมสถาบันอุดมศึกษาเอกชนแห่ง ประเทศไทย(สสอท.). 3(1). 12-21. ชยั วฒั น์ กอบแก้ว. 2556.การจดั การสินค้าคงคลงั กรณศี ึกษาบริษทั ซือ้ ขายชิน้ ส่วนอเิ ล็กทรอนกิ ส.์ วิทยานิพนธ์ วศิ วกรรม ศาสตรมหาบณั ฑติ สาขาวิชาเทคโนโลยีโลจสิ ตกิ ส์ คณะวิศวกรรมศาสตรม์ หาวทิ ยาลัยเทคโนโลยมี หานคร,กรงุ เทพฯ. ทรงศริ ิ แตส้ มบตั .ิ 2549. การพยากรณเ์ ชงิ ปริมาณ. มหาวิทยาลัยเกษตรศาสตร์,กรุงเทพฯ. นิตยา วงศ์ระวงั . 2556. การจดั คลังสนิ คา้ ผ้าทีเ่ หมาะสมสาหรบั อตุ สาหกรรมสงิ่ ทอ.วิทยานิพนธ์ วศิ วกรรมศาสตรมหาบัณฑติ สาขาวชิ าการจดั การงานวิศวกรรม บัณฑติ วิทยาลัย มหาวทิ ยาลัยศลิ ปากร. พิภพ ลลติ าภรณ.์ 2552. การบรหิ ารพสั ดุคงคลัง. สมาคมสง่ เสริมเทคโนโลยี (ไทย-ญป่ี ุ่น),กรุงเทพฯ. 256

การประชุมสมั มนาเชงิ วชิ าการด้านการจัดการโลจิสตกิ ส์และโซอ่ ปุ ทาน คร้งั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ยทุ ธ ไกยวรรณ์. 2549. การวางแผนและควบคุมการผลติ . ศนู ยส์ อื่ เสรมิ กรุงเทพฯ,กรุงเทพฯ. วลยั ลักษณ์ อัตธรี วงศ์. 2551. การวจิ ยั ดาเนนิ งาน 2. พมิ พ์ครง้ั ที่ 2. คณะวิทยาศาสตร์ สถาบันเทคโนโลยี พระจอมเกล้าเจา้ คณุ ทหารลาดกระบงั . (ISBN 974-15-1200-7) 257

Topic F: Demand Planning การประชมุ สัมมนาเชิงวิชาการด้านการจัดการโลจิสติกส์และโซ่อุปทาน คร้ังที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 Paper ID: DP 02 การเพม่ิ ประสิทธิภาพการพยากรณ์ดว้ ยกระบวนการวางแผนการขายและปฏบิ ัตกิ าร กรณศี ึกษาโรงงานผลิตไอศกรมี ลาลิตย์ ภานุกาญจน์1*, กนกพร เรียนเขมะนิยม2 1* สาขาวิชาการจัดการโลจสิ ติกส์และซพั พลายเชน บัณฑติ วทิ ยาลยั การจัดการและนวัตกรรม มหาวิทยาลยั เทคโนโลยีพระจอมเกลา้ ธนบุรี โทร 087-6785710 E-mail [email protected] 2 สาขาวชิ าการจดั การโลจสิ ตกิ ส์และซัพพลายเชน บณั ฑติ วิทยาลยั การจัดการและนวตั กรรม มหาวทิ ยาลยั เทคโนโลยีพระจอมเกล้าธนบุรี โทร 092-2652356 โทรสาร 02-4709798 E-mail [email protected] บทคัดย่อ งานวจิ ยั ชิน้ นี้มวี ัตถปุ ระสงคเ์ พ่ือทาการปรับปรุงเพื่อเพ่ิมประสิทธภิ าพของการพยากรณโ์ ดยทาการศกึ ษารปู แบบของ การพยากรณ์ทางสถติ ิท่เี หมาะสมกับลักษณะขอ้ มูลของบริษัทกรณศี ึกษา และปรับปรงุ ประสทิ ธิภาพของการดาเนินงานโดยใช้ กระบวนการวางแผนการขายและปฏิบัตกิ าร (Sales and Operations Planning : S&OP) โดยสินค้าที่เลอื กมาทาการศึกษา จะแบ่งเป็น 2 กลุ่ม คือ คือ สนิ ค้าทเ่ี ปน็ ตวั แทนของสนิ คา้ ท่มี ีค่าการพยากรณ์สูงกว่ายอดการขายจริง และ สนิ ค้าทเี่ ปน็ ตัวแทน ของสินค้าที่มีค่าการพยากรณ์ต่ากว่ายอดการขายจริง จากน้ันทาการวิเคราะห์องค์ประกอบของอนุกรมเวลาโดยการพล๊อต กราฟ เพ่ือคัดเลือกรปู แบบการพยากรณท์ ี่จะนามาใช้ในการศึกษา ซ่ึงได้แก่ วิธีการปรบั เรียบเอ็กโปแนนเชียลแบบฤดูกาล วิธี ปรบั เรยี บแบบโฮลท์และวนิ เทอรท์ ่มี ีฤดูกาลแบบบวก วิธีปรบั เรยี บแบบโฮลท์และวินเทอรท์ ีม่ ีฤดูกาลแบบคูณ จากนั้นจะทาการ เลือกรูปแบบการพยากรณ์โดยพิจารณาจากคา่ เฉลย่ี สัมบูรณ์ของเปอร์เซ็นตค์ วามคลาดเคล่ือน ทิศทางของความคลาดเคลอ่ื น และการติดตามคา่ สญั ญาณของความเคล่อื น เพ่ือตรวจสอบความเหมาะสมของรูปแบบการพยากรณ์ จากนัน้ จะนาคา่ พยากรณ์ ทางสถติ ิทไี่ ดม้ าทาการปรับปรงุ ประสทิ ธภิ าพด้วยกระบวนการ S&OP คาสาคญั : การพยากรณ;์ การวางแผนการขายและปฏบิ ัตกิ าร; ไอศกรีม 1. ทม่ี าและความสาคัญ ไอศกรีมเป็นสินค้าบริโภคที่ลูกค้ามีความต้องการตลอดท้ังปี ท้ังน้ีอาจจะมีช่วงที่ลูกค้าต้องการที่จะบริโภคไอศกรีม มากเปน็ พเิ ศษ เช่น ช่วงหน้าร้อน หรอื ช่วงที่มปี รมิ าณความต้องการลดน้อยลง เชน่ ชว่ งหน้าหนาว จึงจัดว่าไอศกรมี เปน็ สนิ ค้า ทีม่ ฤี ดูกาลเข้ามาเกี่ยวขอ้ ง ดังนน้ั การคาดคะเนความตอ้ งการของผบู้ รโิ ภคให้เหมาะสมและเพียงพอต่อความตอ้ งการจึงเปน็ สงิ่ ท่ี จาเปน็ เมื่อมกี ารผลิตไอศกรีมเพ่ือรองรับความต้องการของลูกค้าแลว้ สงิ่ ท่ตี อ้ งคานึงถึงด้วย คอื ปริมาณของสนิ ค้าคงคลงั ทีต่ อ้ ง ทาการจัดเก็บเพ่ือรองรับความต้องการของลูกค้า หากสินค้าที่รองรับมีมากเกินความจาเป็นก็จะทาให้ส่งผลต่อต้นทุนที่จะ เกิดข้ึน หรือหากการคาดคะเนปริมาณความต้องการที่ไม่เพียงพอส่งผลให้มีเกิดสินค้าขาดสต็อก เกิดมูลค่าสูญเสียโอกาส ทางการขาย ทั้งน้ีจึงจาเป็นที่จะต้องมีวิธีการคาดคะเน หรือ การพยากรณ์ยอดขายที่แม่นยา และมีปริมาณการจัดเก็บที่ เหมาะสมเพื่อควบคมุ ต้นทุนการจัดเก็บสนิ ค้าคงคลัง และสามารถตอบสนองความตอ้ งการของลกู คา้ ที่เพียงพอ 258

การประชุมสัมมนาเชิงวชิ าการด้านการจัดการโลจสิ ติกส์และโซอ่ ปุ ทาน คร้งั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 2. ทฤษฎีท่ีใชใ้ นงานวจิ ัย 2.1 หลักการในการแบ่งลาดับความสาคัญของสินค้า (ABC Classification) ที่นิยมอย่างแพร่หลายคือ หลักการของ พาเรโต หรือ กฎ 80/20 โดยเปน็ การแบ่งสินคา้ ออกเปน็ 3 ประเภท คือ สนิ ค้าประเภท A, B และ C โดยสนิ คา้ กลุ่ม A จะเป็น สินค้าที่มีมูลค่าท่ีสูงคิดเป็น 80% ของมูลค่าทั้งหมดแต่โดยปกติจะมีจานวนสินค้าคิดเป็น 20% ของรายการสินค้าท้ังหมด สินค้ากลุ่ม B จะเป็นสินค้าที่มีมูลค่าปานกลาง และสินค้ากลุ่ม C จะเป็นสินค้าที่มีมูลค่าต่าท่ีสุดแต่มีปริมาณมากที่สุด (Tony Wild, 1997) 2.2 วิธีปรับให้เรียบแบบเอ็กซ์โปแนนเชียลแบบฤดูกาล ( Exponential weighted moving average with seasonal) เหมาะสาหรับอนุกรมเวลาท่ีมีอิทธิพลฤดูกาลแต่ไม่มีอิทธิพลของแนวโน้ม ข้อมูลท่ีมีอิทธิพลของฤดูกาลนั้นจาเป็น จะต้องปรับค่าของฤดูกาลด้วยวิธีการหาค่าดัชนีฤดูกาล (Seasonal factor) ซ่ึงทาได้ตามวิธีขั้นตอนดังต่อไปนี้ (Chopra และ Meindl, 2006) 2.2.1 ค้านวณหาดัชนีฤดูกาล (Seasonal Factor) โดยการนาค่าเฉล่ียแต่ละเดือนหารด้วยค่าเฉล่ียของ ขอ้ มลู ท้งั หมด Seasonal factor for the period = Average for the period (1) Overall Average 2.2.2 น้าค่าดชั นีฤดกู าลออกจากของข้อมูล (Deseasonalized demand) โดยการนาคา่ ของข้อมลู แต่ ละเดอื นหารค่าดัชนฤี ดูกาล Deseasonalized demand = Actual demand for the period (2) Seasonal factor for the period 2.2.3 น้าข้อมลู ทนี่ ้าดชั นีฤดูกาลออกทา้ การหาค่าพยากรณด์ ว้ ยวิธีปรับใหเ้ รียบแบบเอ็กซโ์ ปแนนเชยี ลคร้งั เดียว (Exponential Weighted Moving Average : EWMA) Lt+1 = αDt+(1-α)Lt = Lt+α(Dt-Lt) (3) กาหนดให้ Lt+1 คอื คา่ พยากรณ์ในเดือนถดั ไป Dt คอื ค่าจริง ณ ช่วงเวลา t α คอื ค่าสัมประสิทธ์ปิ รับให้เรยี บ (0 < α < 1) Lt คอื คา่ พยากรณ์ ณ ชว่ งเวลา t 2.2.4 คา่ พยากรณท์ ไี่ ดก้ ลับเขา้ ไปคณู คา่ ดัชนฤี ดกู าล ก็จะไดค้ า่ พยากรณใ์ นฤดูกาลถดั ไป 2.3 วธิ ีปรบั เรยี บแบบโฮลทแ์ ละวนิ เทอร์ทมี่ ฤี ดกู าลแบบบวก (Holt-Winters’ Additive method) เหมาะสาหรับ ขอ้ มูลท่ีมอี งคป์ ระกอบของแนวโนม้ และฤดกู าลซึง่ ไมเ่ พม่ิ ขึน้ ตามเวลาท่เี ปล่ียนแปลงไป เขียนไดต้ ามสมการดงั นี้ (Chopra และ Meindl, 2006) Ft+1 = Lt+1+ Tt+1 + St+1 (4) Lt+1 = α (Dt- St)+(1-α)(Lt+ Tt) (5) Tt+1 = ß (Lt+1-Lt)+(1-ß)Tt (6) 259

การประชุมสมั มนาเชิงวิชาการด้านการจดั การโลจสิ ติกส์และโซ่อุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 St+m = ɤ (Dt-Lt)+ (1-ɤ) (St) (7) 2.4 วิธีปรับเรียบแบบโฮลท์และวินเทอร์ท่ีมีฤดูกาลแบบคูณ (Holt-Winters’ Multiplicative method) เหมาะ สาหรับข้อมูลที่มีองค์ประกอบแนวโน้มและฤดูกาลซ่ึงเพ่ิมข้ึนตามเวลาที่เปล่ียนแปลง เขียนได้ตามสมการดังนี้ (Chopra และ Meindl, 2006) Ft+1 = (Lt+1+ Tt+1 ) St+1 (8) Dt (9) Lt+1 = α ( St )+(1-α)(Lt+ Tt) (10) (11) Tt+1 = ß (Lt+1-Lt)+(1-ß)Tt Dt Dt St+m = ɤ ( Lt )+( Lt )(St) กาหนดให้ Ft+1 คือ ค่าพยากรณ์ในช่วงเวลา t+1 Lt+1 คอื คา่ ประมาณระดับทช่ี ่วงเวลา t+1 Tt+1 คอื ค่าประมาณแนวโน้มทชี่ ว่ งเวลา t+1 St+1 คือ ค่าประมาณแนวฤดูกาลท่ีช่วงเวลา t+1 Lt คอื ค่าประมาณระดับท่ีชว่ งเวลา t Tt คือ คา่ ประมาณแนวโนม้ ท่ีช่วงเวลา t St คือ ค่าประมาณฤดูกาลทีช่ ่วงเวลา t α คือ ค่าสมั ประสิทธป์ิ รบั เรียบระดับ (0 ≤ α ≤ 1) ß คือ คา่ สมั ประสิทธป์ิ รับเรียบแนวโนม้ (0 ≤ ß ≤ 1) ɤ คือ ค่าสมั ประสทิ ธิป์ รบั เรยี บฤดกู าล (0 ≤ ɤ ≤ 1) 2.5 การวดั คา่ ความคลาดเคล่ือนและความเหมาะสมของรปู แบบการพยากรณ์ (Chopra และ Meindl, 2006) 2.5.1 MAPE (mean absolute percent error) คา่ เฉล่ียสมั บรู ณข์ องเปอร์เซน็ ต์ความคลาดเคลอื่ น MAPE = ( ∑tn=1 (│Yt – Ft│ / Yt) x 100 (12) n กาหนดให้ Yt คอื ค่าจรงิ ที่เกดิ ข้นึ ณ เวลา t Ft คือ คา่ พยากรณ์ ณ เวลา t n คอื จานวนชดุ ขอ้ มลู 2.5.2 BIAS เปน็ การบอกทศิ ทางของความคลาดเคลื่อนวา่ มคี า่ ความเอนเอียงไปในทศิ ทางใด BIAS = ∑nt=1 (Yt – Ft ) (13) 260

การประชุมสมั มนาเชงิ วิชาการด้านการจัดการโลจสิ ตกิ สแ์ ละโซ่อปุ ทาน ครัง้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 2.5.3 TS (Tracking Signal) เป็นการวัดความเหมาะสมของเทคนิคการพยากรณ์ โดยการตรวจสอบได้ จากคา่ สัญญาณการตดิ ตามความคลาดเคล่อื นหรอื ความเอนเอียงของการพยากรณ์ มกี ารคานวณดังต่อไปนี้ Tracking Signal (TS) = ∑nt=1 (Yt-Ft) (14) MAD 2.6 แนวคิดการวางแผนการขายและปฏิบัติการ (Sales and Operations Planning : S&OP) เป็นการวางแผนท่ี ช่วยให้เกิดการเชื่อมโยงระหว่างหน่วยงานในองค์กรอย่างมีประสิทธิภาพ เกิดการสื่อสารท่ีทาให้มีการทางานไปในทิศทาง เดียวกัน ซึ่งสามารถช่วยทาใหอ้ ุปสงคแ์ ละอุปทานเกิดความสมดลุ กัน (Wallace, 2004) รปู ที่ 1: ขัน้ ตอนกระบวนการ S&OP 3. วธิ ีการวิจยั 3.1 การคัดเลือกวธิ กี ารพยากรณด์ ว้ ยวธิ ีทางสถติ ิ เม่ือทาการคดั เลอื กกล่มุ ผลติ ภัณฑ์ที่จะนามาศกึ ษาด้วยวิธี ABC Classification จานวน 2 รายการ คือ SKU1-Cone เป็นตัวแทนสินคา้ ทม่ี ีค่าพยากรณ์สูงกวา่ ยอดการขายจริง (Over forecast) และ SKU2-Take home เป็นตวั แทนสินคา้ ที่มีค่า พยากรณ์ต่ากว่ายอดการขายจริง (Under forecast) จะนาข้อมูลยอดขายตั้งแต่ปี 2557-2558 มาทาการวิเคราะห์ องค์ประกอบของข้อมูลเพ่ือทาการกาหนดวิธีการพยากรณ์ เม่ือนาข้อมูลทั้ง 2 รายการมาพล๊อตกราฟ พบว่าข้อมูล องค์ประกอบของฤดูกาลและแนวโนม้ จากน้ันทาการเลือกวิธีการพยากรณ์ทั้งหมด 3 วิธี คือ วธิ กี ารปรับเรยี บเอ็กโปแนนเชียล แบบฤดูกาล วธิ ปี รบั เรียบแบบโฮลทแ์ ละวินเทอร์แบบผลบวก วธิ ีปรับเรยี บแบบโฮลท์และวนิ เทอร์แบบผลคณู โดยใชโ้ ปรแกรม Minitab 17 ช่วยในการหาค่าพยากรณ์ โดยค่าพารามิเตอร์ต่างๆที่ต้องกาหนดในโปรแกรมจะใช้วิธีการลองผิดลองถูก (trial and error) เพ่ือให้ได้ค่าท่ีเหมาะสมโดยจะเลือกวิธีการพยากรณ์จากการวัดค่าความผิดพลาดของการพยากรณ์ที่ต่าที่สุด (MAPE) และทศิ ทางของความคลาดเคลือ่ นแบบผลลบ (Bias (-)) เพ่อื ใหไ้ ดค้ ่าพยากรณ์ท่ีสงู กวา่ ยอดขาย 3.2 การตรวจสอบรูปแบบการพยากรณ์ เม่ือทาการเลือกวิธีการพยากรณ์โดยเปรียบเทียบผลการพยากรณ์กับยอดขายจริงในปี 2559 ซึ่งวิธีท่ีเหมาะสม สาหรับสินค้า SKU 1-Cone และ SKU 2 – Take home คือวิธีปรับเรียบแบบโฮลท์และวินเทอร์แบบผลคูณ เม่ือทาการ ตรวจสอบคา่ สัญญาณการติดตามความเอนเอียงของการพยากรณ์ (Tracking signal) พบว่าคา่ สัญญาณอยรู่ ะหวา่ งคา่ ±6 ซง่ึ เปน็ รูปแบบการพยากรณ์ท่ีเหมาะสม (Chopra และ Meindl, 2006) 261

การประชมุ สมั มนาเชิงวิชาการด้านการจัดการโลจิสติกส์และโซ่อปุ ทาน คร้งั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 3.3 กระบวนการวางแผนการขายและปฏิบัตกิ ารเพ่ือเพมิ่ ประสิทธิภาพ 3.3.1 การพิจารณาปัจจัยที่ส่งผลต่อการวางแผนการขาย ทาการทบทวนค่าพยากรณ์ทางสถิติเพราะค่า พยากรณท์ ่ีได้นัน้ คานวณมาจากขอ้ มลู ในอดตี จึงจาเปน็ จะตอ้ งพจิ ารณาปจั จยั ตา่ งๆท่จี ะทาให้มีการเปล่ยี นแปลงค่าพยากรณใ์ น อนาคตในแต่ละเดอื น ตารางที่ 1: วิเคราะห์ปัจจยั ทสี่ ่งผลตอ่ ยอดขายสนิ คา้ ทั้ง 2 รายการ Group Jan Feb Mar Apr May Jun SKU 1 - Cone Winter Summer Summer School Dec SKU 2 – Take home Winter Open Summer Summer Winter New customer + Pro Group Jul Aug Sep Oct Nov SKU 1 - Cone Close Budget After close Rainy Winter + Pro Close Budget After close Winter Winter + Pro SKU 2 – Take home หมายเหต:ุ แสดงแนวโนม้ ของการขายท่เี พมิ่ ขึ้นอันเน่ืองมากจากปัจจัยในแต่ละเดอื น แสดงแนวโนม้ ของการขายท่ลี ดลงอนั เนื่องมากจากปัจจยั ในแตล่ ะเดอื น 3.3.2 การปรบั ปรงุ คา่ พยากรณด์ ้วยกระบวนการ S&OP จากปจั จัยข้างต้นนี้ จะนามาพิจารณาเพอื่ ใชเ้ ป็นสมมุติฐานในการปรบั ปรุงค่าพยากรณท์ ่ีไดจ้ ากวธิ ีทางสถิติ ในแต่ละเดือนของปี 2559 และเปรียบเทียบค่าความเคล่ือนของค่าพยากรณ์ที่ได้จากวิธีทางสถิติกับค่าพยากรณ์หลังการ ปรบั ปรุงกระบวนการ S&OP เปอรเ์ ซน็ ตท์ ีใ่ ชใ้ นการปรบั ปรุงค่าพยากรณจ์ ะทาการกาหนดเพือ่ แสดงเปน็ ตัวอยา่ งในการคานวณ ซึง่ อาจจะยังไมใ่ ชค่ าตอบท่ีดที ส่ี ดุ แต่เป็นค่าทเี่ หมาะสม ท้ังนช้ี ่วงเปอร์เซน็ ตจ์ ะทาการกาหนดโดยเกิดจากการทแี่ ต่ละฝา่ ยทาการ ประชมุ เพ่อื วเิ คราะหแ์ นวโนม้ ตามการวิเคราะห์ปจั จัย 4. สรุปผลการดาเนินงานวิจัยและข้อเสนอแนะ 4.1 เม่ือเปรียบเทียบค่าเฉลี่ยสัมบูรณ์ของเปอร์เซ็นต์ความคลาดเคล่ือน (MAPE) และทิศทางความคลาดเคล่ือน (BIAS) ของการพยากรณ์แต่ละวิธี สาหรับสินค้า SKU 1-Cone และ สินค้า SKU 2-Take home รูปแบบการพยากรณ์ที่ เหมาะสมทส่ี ดุ ของทัง้ 2 รายการ คอื วธิ ีปรบั เรียบแบบโฮลท์และวินเทอรท์ มี่ ีฤดกู าลแบบคูณ (Holt’s Winter Multiplicative) ซึ่งจะได้ค่าเฉล่ียสัมบูรณ์ของเปอร์เซ็นต์ความคลาดเคลื่อน (MAPE) ต่าท่ีสุด ส่งผลในเร่ืองความถูกต้องของการพยากรณ์ท่ีมี ประสิทธิภาพมากกว่าและเหมาะสมกว่าวิธีอ่ืนๆ และในส่วนของทิศทางความเคล่ือน (BIAS) ได้ค่าท่ีเป็นผลลบ จะทาให้ค่า พยากรณท์ ไ่ี ดส้ งู กวา่ ยอดขายจรงิ (Over forecast) เปน็ การลดการสูญเสียโอกาสทางการขายทจ่ี ะเกิดขึ้นและยงั คงรกั ษาระดบั ของการบริการ เม่ือนาค่าพยากรณ์ท่ีได้จากวิธี Holt’s Winter Multiplicative มาทาการปรับปรุงค่าการพยากรณ์ด้วย กระบวนการวางแผนการขายและปฏิบัติการ (S&OP) จะเห็นได้ว่าค่าพยากรณ์มีค่าเฉล่ียสัมบูรณ์ของเปอร์เซ็นต์ความ คลาดเคลือ่ น (MAPE) และทศิ ทางความคลาดเคล่ือน (BIAS) ทีล่ ดตา่ ลงจากเดิม ดงั ตารางที่ 3 262

การประชุมสมั มนาเชิงวิชาการด้านการจดั การโลจสิ ตกิ สแ์ ละโซอ่ ุปทาน คร้งั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ตารางท่ี 2: เปรียบเทียบรูปแบบการพยากรณข์ องคา่ MAPE และทิศทางความคลาดเคลอื่ น (BIAS) รปู แบบการพยากรณ์ ค่าความ รายการ คลาดเคลอ่ื น SKU 1 - Cone SKU 2 – Take home วธิ ีการพยากรณข์ อง MAPE 20.9% 16.1% บรษิ ัท BIAS -6085.0 +1067.0 EWMA With MAPE 9.3% 5.4% Seasonal BIAS +1482.4 +206.2 Holt's Winter MAPE 16.0% 5.2% Additive BIAS -1979.0 -37.3 Holt's Winter MAPE 8.8% 4.3% Multiplicative BIAS -821.8 -49.9 วิธีท่ไี ด้ % MAPE ตา่ สดุ และ BIAS(-) Holt's Winter Multiplicative Holt's Winter Multiplicative ตารางท่ี 3: เปรียบเทียบคา่ ความคลาดเคล่ือนหลงั จากทาการปรบั ปรงุ ดว้ ยกระบวนการ S&OP รายการสนิ คา้ รปู แบบเดมิ (วธิ บี ริษทั ) วิธี Holt's Winter หลงั ปรบั ปรุง S&OP Multiplicative SKU 1 - Cone MAPE BIAS MAPE BIAS MAPE BIAS SKU 2 - Take home 20.9% -6085.0 8.8% -821.8 3.6% 461.8 16.1% +1067.0 4.3% -49.9 3.4% -44.4 4.2 เปรยี บเทยี บมูลคา่ การถอื ครองสนิ คา้ และมลู ค่าสูญเสียโอกาสทางการขาย จากการประยุกต์ใช้แนวคิดกับปัญหา ทาให้ช่วยเพิ่มประสทิ ธิภาพในการพยากรณท์ ่ีได้ความผดิ พลาดลดต่าลง ส่งผล ให้สามารถลดการถือครองสินค้าคงคลงั สาหรับสินค้า SKU 1 – Cone คิดเป็นมูลค่าที่ลดลงเท่ากับ 29,491 บาท หรือ 88% สาหรับสินคา้ SKU 2 – Take home คิดเป็นมูลค่าท่ีลดลงเท่ากับ 463 บาท หรือ 28% และมูลคา่ สูญเสียโอกาสทางการขาย ลดต่าลงทาให้มีการวางแผนการผลิตท่ีเพียงพอต่อความต้องการมากข้ึน สาหรับสินค้า SKU 1 – Cone คิดเป็นมูลค่าท่ีลดลง เท่ากบั 460,184 บาท หรือ 73% สาหรบั สนิ ค้าSKU 2 – Take home คิดเป็นมลู ค่าทีล่ ดลงเทา่ กบั 341,370 บาท หรือ 92% ดงั ตารางที่ 4 ตารางท่ี 4: เปรยี บเทยี บมลู ค่าทลี่ ดลงของตน้ ทนุ การถือครองสินค้าและมลู ค่าสญู เสียโอกาสทางการขายหลงั ปรบั ปรงุ ประสิทธภิ าพการพยากรณด์ ้วยกระบวนการ S&OP เปรยี บเทียบ SKU 1-Cone SKU 2 – Take home Holding cost Shortage cost ก่อนปรบั ปรงุ ค่าพยากรณ์ (วธิ ีบรษิ ัท) Holding cost Shortage cost หลังปรบั ปรงุ ค่าพยากรณ์ด้วย (บาท) (บาท) กระบวนการ S&OP (บาท) (บาท) 1,646 372,652 คดิ เปน็ มลู ค่าท่ีลดลง คิดเป็น % ทีล่ ดลง 33,592 629,320 1,183 31,282 4,101 169,136 463 341,370 28% 92% 29,491 460,184 88% 73% 263

การประชมุ สัมมนาเชงิ วิชาการด้านการจัดการโลจิสตกิ ส์และโซ่อปุ ทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 ข้อเสนอแนะสาหรบั งานวิจัยน้ี เป็นการศึกษาการพยากรณ์โดยใช้ข้อมูลท่ีทาการรวบรวมยอดขายย้อนหลังในชว่ งปี 2557 – 2559 ซ่ึงผู้ที่ต้องการจะศึกษาต่อสามารถศึกษาข้ันตอนการวิเคราะห์เพื่อเป็นแนวทางในการศึกษา เพราะลักษณะ ข้อมูลแต่ละบริษัทกรณีศึกษาอาจมีความแตกต่างกัน รวมไปถึงควรมีการตรวจสอบรูปแบบของการพยากรณ์อย่างสม่าเสมอ เพราะรูปแบบการพยากรณอ์ าจเปลี่ยนแปลงไปจากรูปเดิมได้ วิธีการดาเนนิ งานในกระบวนการ S&OP ในบริษัทกรณีศึกษานี้ เป็นการจาลองตามกระบวนการเพื่อใช้เป็นแนวทางในการปรับปรุงกระบวนการเพิ่มประสิทธิภาพการพยากรณ์โดยปัจจัยที่ ส่งผลต่อยอดขายจะแปรเปลี่ยนไปตามลักษณะของธุรกิจ จะต้องทาการวิเคราะห์ค่าปรับปรุงหลายๆช่วงเพ่ือทาการหาช่วงท่ี เหมาะสมสาหรบั การพยากรณ์นน้ั ๆ เอกสารอ้างองิ เกศินี สุรวัฒนาวงศ์, 2557, “การนากระบวนการวางแผนการขายและปฏิบัติการมาเพิ่มประสิทธิภาพการพยากรณ์และ ปฏิบัติงานกรณีศึกษาบริษัทผู้ผลิตบรรจุภัณฑ์” , การค้นคว้าอิสระปริญญาบริหารธุรกิจมหาบัณฑิต สาขาการจัดการ สาหรบั การเปน็ ผ้ปู ระกอบการ บัณฑติ วิทยาลัยการจดั การและนวตั กรรม มหาวิทยาลยั เทคโนโลยีพระจอมเกล้าธนบรุ ี Chopra S. and Meindl P. , 2006, “ Demand Forecasting in a Supply Chain” , Supply chain management: strategy, planning, and operation, 3rd ed, Pearson Education, pp. 187-216. Karlsson E. and Ragnarsson A. , 2014, Development of a Sales and Operations Planning process a multiple case study of suppliers in the automotive industry, Master of Science, Chalmers University of Technology. Milliken A. L. , 2008, “ Sales and Operations Planning : Building The Foundation” , The Journal of Business Forecasting, Fall 2008, Vol.27, pp. 4-12. Wild, T. , 1997, \" ABC Analysis Inventory\", Best Practice in Inventory Management, 2nd ed., Elsevier Science Ltd, New York, pp. 36-42. Wallace F. , 2004, “ S&OP Process” , Sales and Operations Planning, 2nd ed. , T. F Wallace & Company, pp.3-117 264

Topic F: Demand Planning การประชุมสมั มนาเชิงวิชาการด้านการจดั การโลจิสตกิ สแ์ ละโซอ่ ปุ ทาน ครัง้ ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 Paper ID: DP 03 ตวั แบบผสมเชงิ เส้นสาหรบั ข้อมลู อนกุ รมเวลาเชงิ พน้ื ที่ท่มี ีฤดกู าลรวมอยู่ด้วย ประยกุ ต์ใชก้ ับผลผลิตยางพาราในจงั หวดั ภาคใต้ของประเทศไทย พิษณุ ทองขาว1*, พิเชฐ จิรประเสรฐิ วงศ์2 1* สาขาวิชาวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั เทคโนโลยีราชมงคลพระนคร โทร 02-8363000 ตอ่ 4209 E-mail [email protected] 2 สาขาวชิ าวศิ วกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร โทร 02-8363000 ตอ่ 4209 E-mail [email protected] บทคดั ยอ่ งานวิจัยนี้มจี ุดประสงค์เพ่ือ นาเสนอตัวแบบการพยากรณ์กับข้อมูลอนุกรมเวลาทีเ่ หมาะสมและมีความแม่นยาเพอ่ื ใช้ สาหรับการวางแผนการตัดสินใจในด้านต่างๆ และจะช่วยลดปรากฏการณ์ท่ีเกิดข้ึนในห่วงโซ่อุปทานเน่ืองจากการขาดการ สอื่ สารทด่ี ีวา่ อปุ สงค์ของลกู คา้ ทแ่ี ทจ้ ริงเป็นเท่าใดท่จี ะเป็นสาเหตุใหโ้ ซ่อุปทานขาดประสทิ ธิภาพได้เชน่ กันดว้ ยตัวแบบพยากรณ์ ผสมเชิงเส้น (Linear mixed model หรือ LMM) สาหรับข้อมูลอนุกรมเวลาเชิงพื้นท่ีท่ีมีฤดูกาลรวมอยู่ด้วย โดยนาตัวแบบท่ี เสนอไปประยกุ ต์ใช้กับข้อมูลผลผลติ ยางพารา ในจังหวัดภาคใตข้ องประเทศไทย พยากรณ์ผลผลิตยางพารา ในจังหวัดภาคใต้ ของประเทศไทย และเพ่ือเปรียบเทียบตัวแบบท่ีนาเสนอกับตัวแบบท่ีใช้อยู่ทั่วไป คือ ตัวแบบ Holt-Winters additive exponential smoothing model (Holt-Winters ES) และ ตัวแบบ Seasonal autoregressive integrated moving average model (SARIMA) ตัวแบบที่นาเสนอคือตัวแบบผสมเชิงเส้น ท่ีมีอิทธิพลเชิงพื้นท่ีเป็นแบบ Conditional autoregressive model (CAR model) และอิทธิพลของฤดูกาลแบบใช้ตัวแปรหุ่น (Dummy variables) และแบบฟูเรียร์ (Fourier) การประมาณค่าพารามเิ ตอรใ์ นตัวแบบ ใชว้ ิธีการของเบย์ ค่าประมาณผลผลิตยางพาราเฉลีย่ ต่อเดือน ถกู นาไปใช้ใน การพยากรณ์ผลผลติ ยางพาราในแต่ละเดือน ตัวแปรตามคือ ปริมาณผลผลิตยางพารารายเดือนในจังหวัดภาคใต้ของประเทศ ไทย อิทธพิ ลทนี่ ามาพิจารณาคอื อทิ ธิพลเชงิ พ้นื ที่ อิทธพิ ลอืน่ ๆ ทไ่ี มใ่ ช่อทิ ธิพลเชงิ พน้ื ท่ี และอิทธิพลของฤดกู าล ขอ้ มูลทใี่ ช้เปน็ ข้อมูลทตุ ยิ ภูมริ ะดับจงั หวดั ผลการศกึ ษาพบว่า อิทธิพลเชงิ พ้นื ท่ี อทิ ธิพลอ่นื ๆ ทไ่ี มใ่ ชอ่ ิทธิพลเชิงพนื้ ท่ี และอทิ ธิพลของฤดูกาล มีอิทธิพลต่อผลผลิตยางพาราในแต่ละเดือน ตัวแบบท่ีนาเสนอท่ีใช้ตัวแปรหุ่นแสดงอิทธิพลของฤดูกาลมีความเหมาะสมมาก ท่ีสุด เมื่อเปรียบเทียบกับตัวแบบท่ีมีเทอมของฤดูกาลเป็นฟูเรียร์ ตัวแบบ Holt-Winters ES และตัวแบบ SARIMA โดยมีค่า Mean absolute error (MAE) ต่าท่ีสุด ท้ังช่วงของข้อมูลท่ีใช้สาหรับการประมาณค่าพารามิเตอร์ และ ช่วงของข้อมูลท่ีใช้ สาหรับตรวจสอบความแม่นยาของตัวแบบ ตัวแบบท่ีนาเสนอท่ีใช้ตัวแปรหุ่นแสดงอิทธิพลของฤดูกาล จึงควรได้รับการ พิจารณานาไปใชเ้ ป็นอันดบั แรก คาสาคัญ: ตัวแบบผสมเชงิ เสน้ ; การพยากรณผ์ ลผลิตยางพารา; ขอ้ มูลอนกุ รมเวลาเชงิ พืน้ ท่ี; อทิ ธิพลเชิงพน้ื ท;ี่ อทิ ธิพลของ ฤดูกาล 265

การประชมุ สมั มนาเชงิ วชิ าการด้านการจัดการโลจิสติกสแ์ ละโซอ่ ุปทาน ครง้ั ท่ี 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอตุ สาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครินทร์ 19 – 23 ตุลาคม 2560 1. ท่มี าและความสาคญั ข้อมูลอนุกรมเวลาเชิงพ้ืนท่ีคือข้อมูลท่ีเก็บรวบรวมในแต่ละพ้ืนในแตล่ ะช่วงเวลาที่เท่ากันต่อเน่ืองกันไป พบได้ทั่วไป เช่น ข้อมูลผลผลิตด้านการเกษตรรายเดือนในแต่ละจังหวัด ข้อมูลผู้ป่วยโรคต่อต่อรายเดือนในแต่ละจังหวัด ข้อมูลปริมาณ มลพิษในอากาศรายวันในแต่ละพนื้ ทใี่ นเขตเมืองใหญ่ หรอื ในจังหวดั ทม่ี โี รงงานอุตสาหกรรมตั้งอยู่ เป็นต้น การวเิ คราะหข์ อ้ มลู ประเภทนจี้ งึ ต้องใชท้ ้งั การวเิ คราะห์เชิงพ้ืนท่ี และการวิเคราะห์ข้อมลู อนกุ รมเวลา ซ่ึงข้อมลู อนุกรมเวลามอี งคป์ ระกอบทส่ี าคัญ คือ ค่าแนวโน้ม (Trend) การเปลย่ี นแปลงฤดกู าล (Seasonal) การเปล่ยี นแปลงตามวัฏจักร (Cyclical) และการเปลย่ี นแปลง ผิดปกติ (Irregular) แนวโน้มหมายถึงการเคลื่อนไหวของอนุกรมเวลาในระยะยาวว่าน่าจะมีแนวโน้มเพิ่มขึ้นหรือลดลง ฤดูกาลหมายถึงการเปลยี่ นแปลงของขอ้ มูลท่ีเกิดขึ้นเน่ืองจากอิทธิพลของฤดูกาล ซง่ึ จะเกดิ ขึน้ ซ้าๆ กันในช่วงเวลาเดยี วกันของ แต่ละปี วัฏจักรหมายถึงการเคล่ือนไหวของข้อมลู ที่มลี ักษณะซ้าๆ กัน คล้ายกับความผันแปรตามฤดกู าลต่างกันที่ระยะเวลา ของการเคลื่อนไหวของข้อมูลจะมีระยะเวลานานกว่าหน่ึงปี ค่าผิดปกติ หมายถึงการเคล่ือนไหวของข้อมูลท่ีไม่มีรูปแบบท่ี แน่นอน ลักษณะของข้อมูลที่เกิดขึ้นสว่ นใหญจ่ ะเป็นลกั ษณะของเหตุการณท์ ี่เราไม่ได้คาดการณ์เอาไว้ล่วงหน้า ข้อมูลอนุกรม เวลาเชิงพ้ืนท่ีท่ีผู้วิจัยสนใจศึกษาคือข้อมูลผลผลิตด้านการเกษตรท่ีเก็บรวบรวมโดยสานักงานเศรษฐกิจการเกษตร กระทรวง เกษตรและสหกรณ์ (สานักงานเศรษฐกิจการเกษตร, 2558) รายงานข้อมูลผลผลติ การเกษตรทุกปี เช่นผลผลิตข้าว ยางพารา ข้าวโพด อ้อย และน้ามันปาล์ม ข้อมูลน้ีสร้างแรงจูงใจให้ผู้วิจัยศึกษาค้นหาตัวแบบการพยากรณ์ที่เหมาะสมสาหรับข้อมูล อนุกรมเวลาเชิงพื้นท่ี เน่ืองจากค่าพยากรณ์มีความสาคัญในการใช้กาหนดเป้าหมาย วางแผน และตัดสินใจดาเนินงานต่างๆ ของเกษตรกร ผู้บริหารภาครัฐ และผูม้ สี ่วนเก่ยี วขอ้ งต่างๆ ตวั แบบท่ีใชว้ ิเคราะหข์ อ้ มลู เชงิ พ้นื ท่ี และข้อมูลอนกุ รมเวลาเชิงพนื้ ท่ี มีผู้นาเสนอมาแล้วนั้นมีจานวนมาก เช่น Bernardinelli et al. (1995) นาเสนอตัวแบบเบย์ที่มีอิทธิพลเชิงพ้ืนท่ี และอิทธิพล ของแนวโนม้ เป็นอิทธิพลเชิงส่มุ รวมอยดู่ ้วยโดยประยุกต์ใช้กับข้อมลู จานวนผู้ป่วยในแตล่ ะพนื้ ท่ี Conway (2010) นาเสนอการ วิเคราะห์ข้อมูลเชิงพื้นที่ด้านอสังหาริมทรัพย์ และ Yelland (2010) นาเสนอตัวแบบเบย์สาหรับพยากรณ์ปริมาณความ ต้องการช้ินส่วน อุปกรณ์คอมพิวเตอร์ Tongkhow, and Kantanantha (2013) นาเสนอตัวแบบการพยากรณ์ท่ีมี แนวโน้ม ฤดูกาล Auto regression และค่าผิดปกติ รวมอยู่ด้วย โดยให้ แนวโน้ม มีการแจกแจงแบบ Weibull ใช้ตัวแปรหุ่น สาหรับ ฤดูกาล ใช้ Binary selection สาหรับ ค่าผิดปกติ และ Auto regression แสดงความสัมพันธ์เชิงเวลา ประยุกต์ใช้กับข้อมูล ราคาผักในประเทศไทย Diaconoa (2012) ศึกษาปริมาณผลผลิตและคุณภาพของข้าวสาลีดูรัม ที่มีการผันแปรเชิงเวลาและ เชิงพ้ืนท่ี โดยใช้วิธีการทางสถิติเชิงภูมิศาสตร์วิเคราะห์ข้อมูลท่ีเก็บรวบรวมมาจากแต่ละพื้นที่ทางภูมิศาสตร์ ตัวแบบท่ีใช้ วเิ คราะห์ข้อมลู อนุกรมเวลาเชงิ พ้นื ทีส่ ่วนใหญ่มีพ้นื ฐานมาจากตวั แบบ Generalized linear mixed model (GLMM) และตวั แบบตัวแบบ Linear mixed model (LMM) ซึ่งเป็นกรณเี ฉพาะกรณหี น่งึ ของตัวแบบ GLMM เมื่อตัวแปรตามมกี ารแจกแจง แบบปกติ ทั้งสองตัวแบบใช้กับข้อมูลท่ีตัวแปรตามมีความสัมพันธ์กัน (West, et al., 2007) ความสัมพันธ์ของข้อมูลเกิดได้ หลายสาเหตุ เชน่ เกิดจากการวัดซ้าบนหน่วยตัวอย่างเดียวกันตามเวลา ในตัวแบบ LMM คา่ เฉลยี่ ของตัวแปรตามประกอบด้วย เทอมที่เปน็ อทิ ธพิ ลคงท่ี และอทิ ธิพลเชงิ ส่มุ โดยที่อทิ ธิพลเชิงสุ่ม อาจแยกเปน็ อิทธิพลส่มุ เชิงพื้นที่ และอิทธพิ ลสุม่ รูปแบบอ่ืนๆ อิทธิพลสุ่มเชิงพ้ืนที่มีหลายรปู แบบ แต่วิธีที่ใช้กันอย่างแพร่หลายคือตัวแบบ Conditioanal auto regressive model (CAR model) (Besag, et al. ,1991) ซึง่ คา่ เฉลี่ยของตัวแปรสมุ่ เชงิ พน้ื ท่ีนนั้ เป็นฟงั ก์ชนั ของค่าเฉลีย่ ของตัวแปรสมุ่ ที่อยใู่ นพืน้ ทีท่ ่ีอยู่ ติดกัน (Besag, 1974) การประมาณค่าพารามิเตอรโ์ ดยใช้วิธีการของเบย์ได้รับความนิยมอย่างสงู ในปัจจุบันเน่ืองจากสามารถ ประมาณค่าพารามิเตอร์ในตัวแบบที่มีความซับซ้อนได้อย่างมีประสิทธิภาพ ตามท่ีกล่าวข้างต้นข้อมูลปริมาณผลผลิตด้าน การเกษตรสร้างแรงจูงใจใหส้ นใจทางานวิจยั ฉบับน้ี ผู้วิจยั เลอื กศึกษาการพยากรณผ์ ลผลิตยางพาราในภาคใต้ของประเทศไทย เน่อื งจากยางพาราเปน็ พืชเศรษฐกจิ ของทีส่ าคญั ของประเทศไทย ภาคใต้มีศกั ยภาพในการปลูกยางพาราสงู สุด โดยในปี 2555 266

การประชมุ สมั มนาเชงิ วชิ าการด้านการจัดการโลจสิ ติกสแ์ ละโซ่อุปทาน ครัง้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอตุ สาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 ภาคใต้มีเนื้อท่ีกรีดยางทั้ง สิ้น 9.9 ล้านไร่ (หรือคิดเป็นร้อยละ 72 ของเนื้อท่ีกรีดท้ังประเทศ) และผลผลิตทั้งสิ้น 2.7 ล้านตนั (หรือคิดเปน็ รอ้ ยละ 75 ของผลผลติ ท้ังหมด) ทัง้ นี้ สานกั งานเศรษฐกิจการเกษตร คาดวา่ ในปี 2556 ภาคใต้จะมีเน้อื ท่ีกรีดยาง เพ่ิมขึ้นร้อยละ 2.3 และผลผลิตเพ่ิมขึ้นร้อยละ 2.7 เน่ืองจากปริมาณน้าฝนเอื้ออานวยต่อการเจริญเติบโต (ปริมาณน้าฝนโดย เฉลี่ย 2,000-2,700 มิลลิเมตร) (ศูนย์วิจัยกสิกรไทย, 2557) เน่ืองจากการพยากรณ์มีความสาคัญต่อการวางแผนและการ ตัดสินใจต่างๆ และตัวแบบ LMM ที่มีอิทธิพลเชิงพ้ืนท่ีแบบ CAR model รวมอยู่ด้วยยังไม่มีการประยุกต์ใช้ในการพยากรณ์ ปริมาณผลผลิตยางพารามาก่อน งานวิจัยนี้จึงนาเสนอตวั แบบที่มีความเหมาะสมกับข้อมูลปรมิ าณผลผลติ ยางพาราในจังหวัด ภาคใต้ของประเทศไทยโดยใช้ ตวั แบบ LMM ท่มี ีอทิ ธพิ ลเชงิ พื้นทแี่ บบ CAR model รวมอยูด่ ว้ ย รวมทงั้ อทิ ธิพลเชงิ ฤดูกาลท้ัง แบบตัวแปร Dummy และแบบฟูเรียร์ (Fourier term) เพ่ือได้ตัวแบบพยากรณ์ข้อมูลที่มีความแม่นยามากที่สุดโดย เปรียบเทยี บประสทิ ธิภาพของตัวแบบซงึ่ พจิ ารณาจากผลการเปรียบเทยี บคา่ Mean absolute error (MAE) กบั ตวั แบบท่นี ิยม ใชแ้ ละแมน่ ยามากทีส่ ดุ ในปจั จบุ ันคอื ตัวแบบ Holt-Winters ES และ SARIMA 2. ทฤษฏที ี่เก่ยี วขอ้ ง 2.1 ตวั แบบผสมเชิงเส้น (Linear mixed model หรือ LMM) West et al. (2007) อธิบายตัวแบบตัวแบบผสมเชิงเส้น (LMM) กาหนดการแจกแจงแบบมีเงื่อนไขของเวกเตอรข์ อง ตัวแปรตาม y เม่ือกาหนดค่าเวกเตอร์ของตัวแปรสุ่ม b ที่แสดงอิทธิพลเชิงสุ่มท่ีมีอิทธิพลต่อเวกเตอร์ของตัวแปร y แทน ด้วย y | b ให้ i 1,..., m , j  1,..., ni และ yij | b iid N (ij , 2) คา่ คาดหวังคอื E(y | b)  ij โดยท่ี ij  ij  xijT β  zijT b , (1) เม่ือ x T คือสมาชิกในแถวท่ี i ของเมตริกซ์ปจั จัยคงท่ี (Fixed effects) β คือเวกเตอรข์ องพารามเิ ตอร์ท่เี ป็นค่าคงที่ ij z T คือสมาชิกในแถวที่ i ของเมตริกซ์ปัจจัยเชิงสุ่ม (Radom effects) b คือเวกเตอร์ของพารามิเตอร์ที่เป็นตัวแปรสุ่ม ij ij คอื คา่ คาดหวัง หรือคา่ เฉลีย่ ของการแจกแจงแบบมีเงอื่ นไขของ y | b เน่อื งจาก b เป็นตัวแปรสุ่มจึงตอ้ งกาหนดรูปแบบของ ij การแจกแจงให้กับ b ด้วย โดยท่ัวไปจะกาหนดการแจกแจงของ b เป็น b  N(0,B) ค่าความแปรปรวนของ yij | b คอื var( yij | b)   2 ซงึ่ มีค่าคงท่ี สาหรับตวั แบบ LMM เม่ือนาไปใชก้ ับขอ้ มลู ทมี่ คี วามสมั พันธเ์ ชิงพน้ื ที่ สามารถเพ่มิ ตัวแปรทีแ่ สดงอิทธิพลเชิงพื้นที่ได้ ดังนี้ ij  xijT β  z T b  vi , (2) ij เมื่อ vi แทนอิทธิพลเชิงพื้นที่ อิทธิพลเชิงพ้ืนท่ีซ่ึงใช้กันอย่างแพร่หลายคือ ตัวแบบ Conditional autoregressive model (CAR) 2.2 ตัวแบบ Conditional autoregression model (CAR model) (Banerjee et al., 2004) กาหนดให้ v  (v1,...,vm)T เปน็ เวกเตอร์ของอทิ ธพิ ลเชิงส่มุ ทีเ่ ปล่ียนแปลงไปตามพนื้ ที่ i, i 1,...,m การแจกแจงความ น่าจะเปน็ แบบมเี ง่ือนไขของ vi นยิ ามดงั นี้    m  เม่อื (3)  vi | v(i)  N  , 2  bij v , v(  i ) vj : j  i j i  j1  267

การประชุมสัมมนาเชิงวชิ าการด้านการจดั การโลจิสตกิ สแ์ ละโซอ่ ุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั สงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 i2 คือความแปรปรวนแบบมีเงือ่ นไข bij คอื ค่าคงท่ี โดยที่ bii  0 สาหรบั i 1,..., m . กาหนดให้ B  (bij ) และ D  diag(12 ,..., 2 ) โดย Brook’s Lemma สามารถเขียนการแจกแจงรว่ มของ v ทกุ ตัวไดค้ อื m  v  N 0, (I  B)1D หรอื p(v)  exp  1 vT D1 (I  B)v  , E(v)  0  2  และ var(v)  (I  B)1D และ D1(I  B) จะเปน็ เมตริกซ์สมมาตรก็ต่อเมื่อ bij  bji สาหรับทกุ ๆ i, j ดงั น้นั i2  j2 wij และ 2  m wijv j 2  จึงกาหนดให้ wi wi N j 1 wi ,  bij  i2  จะได้ vi | v(i)  wi  และ   v  N 0, 2 (Dw  W)1 หรอื p(v)  exp  1 vT (Dw  W)v  เมื่อ W  (wij ) คือเมตริกซแ์ สดง  2 2   นา้ หนักของแต่ละพนื้ ที่ นยิ ามดงั นี้ wij  1 if subregions i and j share a common boundary, i  j 0 otherwise wij = 1 ถ้าพ้นื ท่ี i และ j อยู่ตดิ กนั โดยท่ี i  j wij = 0 ถา้ พ้นื ที่ i และ j ไมไ่ ด้อยูต่ ดิ กนั Dw  diag(wi ) เป็นเมตรซิ ์ทแยงมมุ ท่มี สี มาชิกในแนวเส้นทะแยงมมุ หลัก (i,i) เท่ากบั wi  wij j เนื่องจาก (Dw  W) เปน็ เมตรกิ ซท์ ไ่ี ม่มีอนิ เวอรส์ ดังนัน้ p(v) จงึ ไมม่ สี มบตั เิ ป็นการแจกแจงความนา่ จะเป็น เรยี กการแจก แจง v นีว้ ่า Improper CAR model สามารถแกป้ ญั หาเพ่อื ให้ p(v) มีสมบตั เิ ปน็ การแจกแจงความนา่ จะเปน็ ได้ โดยการเพม่ิ พารามเิ ตอร์  ดังนี้ var(v)  2(Dw  W)1 การแจกแจงความน่าจะเป็นของ vi | v(i) จะมีรปู แบบเปน็   vi  m wijv j 2  | v(i)  N   j 1 wi , wi  และ v  N 0, 2 (Dw  W)1 เรยี กการแจกแจง v นี้ว่า Proper CAR   model อย่างไรกต็ ามในกรณไี ม่ได้ใช้ตัวแบบ CAR model วิเคราะหข์ อ้ มลู โดยตรง การใช้ Improper CAR model จงึ ยังคง นาไปประยุกตใ์ ช้ได้ ซึง่ ในงานวจิ ัยนี้ จะใช้ Improper CAR model สาหรบั วเิ คราะห์อิทธพิ ลเชิงพืน้ ที่ นน่ั คอื ไมม่ ีพารามิเตอร์  ในตวั แบบ 2.3 ฟังกช์ นั ฤดกู าล 2.3.1 ฤดกู าลแบบฟเู รียร์ (Fourier) ฟงั ก์ชันคาบ (Periodic function) ที่มีขนาดคาบเทา่ กบั m สามารถประมาณคา่ ไดโ้ ดยใช้อนกุ รมฟเู รียร์ (Fourier) คือ f (t)  K sin  2 kt   cos  2 kt  คา่ ประมาณของฟงั ก์ชันจะถูกตอ้ งมากข้นึ เมื่อ K มขี นาดใหญ่ เมอื่ นา k 1   m   m  อนกุ รมฟเู รยี รม์ าประยุกต์ใช้แสดงอทิ ธิพลของฤดกู าลในตัวแบบการถดถอย (Regression) สามารถเขยี นอย่ใู นรูปแบบดงั น้ี Yt  K  k sin  2 kt   k cos  2 kt  (4) k 1   m   m  และเมื่อให้ K 1 จะได้ Yt   sin  2 t    cos  2 t  ซึง่ เป็นรปู แบบท่ีใชใ้ นงานวิจยั น้ี โดยกาหนดใหข้ นาดคาบ  m   m  m 12เดือน 268

การประชุมสัมมนาเชิงวิชาการด้านการจัดการโลจิสติกส์และโซ่อุปทาน ครัง้ ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 2.3.2 ฤดูกาลแบบตัวแปรหุ่น (Dummy variables) กาหนดให้ D1, D2,..., D11 เปน็ ตัวแปรหุน่ ในตวั แบบสาหรับวเิ คราะหข์ อ้ มลู อนกุ รมเวลาทเี่ ป็นขอ้ มลู รายเดือนที่มี จานวนคาบขนาด 12 เดือน ตวั แปรหนุ่ ในตัวแบบการถดถอย (Regression) สามารถเขยี นอยู่ในรปู แบบดังน้ี Yt  0  1D1t  2D2t  ... 11D11t , D1t =1 เมอื่ t =เดือนมกราคม และ D1t =0 เม่ือ t =เดอื นอื่นๆ D2t =1 เม่อื t =กมุ ภาพันธ์ และ D1t =0 เมือ่ t =เดอื นอื่นๆ, ... , D11t =1 เมือ่ t =พฤศจกิ ายน และ D1t =0 เม่อื t =เดือนอ่ืนๆ และ D1t  0, D2t  0,..., D11t  0 เมือ่ t =ธันวาคม เปน็ เดือนที่ใชอ้ า้ งองิ (Reference month) 2.4 ตวั แบบเบย์ (Bayesian model) Congdon (2006) อธิบายตัวแบบเบยไ์ ว้ สรปุ ไดด้ ังนี้ กาหนดให้ y เปน็ เวกเตอรข์ องค่าสงั เกต y  ( y1,..., ym) และ θ เป็นเวกเตอรข์ องพารามเิ ตอร์ θ  (1,...,k ) ซงึ่ ไม่ ทราบคา่ กาหนดให้ f (y | θ) แทนฟงั กช์ นั ความน่าจะเป็นแบบมเี งือ่ นไขของ y เมื่อกาหนด θ ให้ และ π(θ) คอื ฟังก์ชนั การแจกแจงเบอ้ื งต้น (prior) ของ θ ฟังก์ชนั โพสทเี รีย (posterior) ของ θ π(θ | y)  f (y | θ)π(θ) (5)  f (y | θ)π(θ)dθ เป้าหมายของการอนมุ านแบบเบยค์ อื การสรา้ งฟังกช์ ันโพสทเี รีย เพอื่ ใช้สาหรับประมาณค่าพารามิเตอร์ ตัวอยา่ งเชน่ คา่ เฉลย่ี ของ  เมือ่ กาหนดค่า y หรอื E( | y) หาไดจ้ าก E( | y)   π( | y)d  f (y | )π( )d (6)  f (y | )π( )d และสามารถหาค่าความแปรปรวนของ  เม่ือกาหนดรูค้ า่ y หรอื var( | y) ได้เชน่ เดียวกัน สาหรับตัวแบบผสม เชงิ เส้น (LMM) ภายใตโ้ ครงสรา้ งของเบย์ ต้องสมมตกิ ารแจกแจงความนา่ จะเปน็ รว่ มของ β และ D และเมตริกซข์ องความ แปรปรวนรว่ ม (covariance matrix) ของ b ตัวอย่างเชน่ สมมตใิ ห้ ฟังกช์ ันการแจกแจงเบือ้ งตน้ ของ β และ D เป็นค่าคงที่ น่นั คือ π(β,D)  ค่าคงที่ เป้าหมายของการอนุมานแบบเบย์คอื การสร้าง ฟงั กช์ ันโพสทเี รยี ของ β , D และ b สมมติให้ (β, D) มฟี ังก์ชนั การแจกแจงเบ้อื งตน้ เป็น π(β, D) ฟังกช์ นั โพสทเี รียของ β และ D คอื   (β,D | y)  m f ( yi | β,bi )f (bi | D)π(β, D)dbi (7) i1 m f ( yi | β,bi )f (bi | D)π( , D)dbidβdD i1 เมือ่ y  [yi ], i 1,..., m และ f ( yi | β,bi ) คือการแจกแจงแบบมีเงอ่ื นไขของ yi เมื่อกาหนดคา่ β และ bi f (b | D)  (2 )d 1 D |1/ 2 exp   1 bT D1b  (8) /2 |  2  269

การประชุมสัมมนาเชงิ วิชาการด้านการจดั การโลจสิ ตกิ ส์และโซอ่ ปุ ทาน ครง้ั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควิชาวิศวกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวทิ ยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ถา้ สมมติให้ π(β, D) เป็นคา่ คงท่ี ฟงั ก์ชันโพสทเี รยี ของ bi คือ   f (bi | y)  mf ( yi | β, bi )f (bi | D)π(β, D)dβdD (9) i 1 m f ( yi | β,bi )f (bi | D)π( , D)dbidβdD i 1 การคานวณค่าพารามิเตอร์ในฟังก์ชันโพสทีเรียโดยตรงทาได้ยาก เนื่องจากปัญหาการอินทิกรัล จึงแก้ปัญหาโดยใช้ วิธีการของ มาร์คอฟเชนมอนติคาร์โล (Markov Chain Monte Carlo (MCMC)) วิธีการ MCMC ที่ใช้กันอย่างแพร่หลายคือ การสุ่มตัวอย่างแบบกิบส์ (Gibbs sampling) มีข้ันตอนคือ ข้ันตอนท่ี 1 กาหนด t  0 และกาหนดค่าเร่ิมต้นให้ θ0  ( 01,...,k0 ) ข้ันตอนที่ 2 ส่มุ คา่ พารามเิ ตอร์แตล่ ะตวั ใน θ คือ สมุ่ คา่  (t 1) จาก  (1 |  (t ) , ...,k (t ) , y) สมุ่ 1 2 ค่า  (t1) จาก ...| 1) สุ่มค่า  (t1) จาก  (t1) 1) 1) ขั้นตอนท่ี 2  (2  (t ,3(t ) ...,k (t ) , y) k  (k | 1 ,3(t ...,k (t , y) 1 3 ให้ t  t 1. ถ้า t  T เมื่อ T คือจานวนตัวอย่างท่ีต้องการ ให้กลับไปทาซา้ ในขั้นตอนท่ี 2 แต่ถ้า t  T ให้หยุดทาการ ส่มุ ตวั อย่าง ขนั้ ตอนท่ี 4 นาคา่ ( 01,...,k0) ทห่ี าได้ในแต่ละตวั อยา่ งมาหาคา่ เฉลี่ย จะได้ค่าประมาณของพารามเิ ตอรแ์ ตล่ ะ ตัว 3. วิธีการ ขอ้ มูลอนกุ รมเวลาเชิงพ้ืนท่ีใชศ้ ึกษาเป็นขอ้ มลู รายเดอื น ในระดับจังหวดั ภาคใต้ของประเทศไทยต้ังแต่ปี พ.ศ. 2548- 2553 จานวน 72 เดือน จากสานักงานเศรษฐกิจการเกษตร กระทรวงเกษตรและสหกรณ์(สานักงานเศรษฐกิจการเกษตร, 2556) แบ่งข้อมูลออกเป็น 2 ส่วน ข้อมูล 66 เดือนแรก ใช้สาหรับประมาณค่าพารามิเตอร์ ท่ีเหลืออีก 6 เดือนสุดท้าย ใช้ สาหรับทดสอบความแม่นยาของตัวแบบ ประสิทธิภาพของตัวแบบพิจาณาจากค่าพยากรณ์ผิดพลาดเปรียบเทียบกับตัวแบบ Holt-Winters Additive Exponential Smoothing เกณฑ์ที่ใช้ประเมินประสิทธิภาพของตัวแบบคือ ค่า Mean Absolute Error (MAE) ตัวแบบที่มีค่า MAE น้อยกว่าเป็นตัวแบบที่มีประสิทธิภาพมากกว่า สาหรับตัวแปรในการวิจัย ตัวแปรต้น คือ อิทธิพลของฤดูกาล อิทธิพลเชิงพ้ืนท่ี อิทธิพลอ่ืนๆ ท่ีไม่ใช่อิทธิพลเชิงเชิงพ้ืนที่ ตัวแปรตาม คือ ผลผลิตยางพารารายเดือนใน จังหวัดภาคใต้ของประเทศไทย การวิเคราะห์ข้อมูลอนุกรมเวลาผลผลิตยางพารา ใช้วิธีการของเบย์ในการประมาณ คา่ พารามเิ ตอร์ ในตัวแบบ LMM ทม่ี ีอทิ ธพิ ลเชงิ พื้นที่ และอิทธิพลของฤดูกาล รายละเอยี ดดงั นี้ ให้ Yij แทนผลผลติ ในจังหวดั ท่ี i เดือนที่ j เม่ือ i 1,...,14 และ j  1,...,72 , ตัวแบบท่ีมีอิทธิพลของฤดูกาลท่ีใช้ตัวแปรหุ่น และท่ีใช้ฟูเรียร์ ความสัมพันธ์ของตัวแปรต้นกับตัวแปรตาม เม่ือ ij คือค่าเฉลี่ยของ Yij นั่นคือ E(Yij )  ij , b1i คือ อทิ ธิพลเชิงส่มุ อื่นๆ ที่ไม่ใช่อิทธิพลเชงิ พืน้ ท่ี b2ij คอื อทิ ธิพลเชิงสุ่มภายในจังหวัดเดยี วกันท่ีเกดิ จากการวดั ซา้ มีรูปแบบคอื ij  0  b1i  b2ij  1 * Jan  2 * Feb  3 * Mar  4 * Apr  (10) 5 * May  6 * June  7 * Jul  8 * Aug  9 * Sep  10 *Oct  11 * Dec  vi 0 คอื Intercept, 1, 2 ’ 3, 4, 5, 6, 7, 8 9, 10, 11 คอื ขนาดของอทิ ธพิ ลของฤดูกาลเดอื น ม.ค. ถงึ พ.ย. ตามลาดับเดอื น ธ.ค. เปน็ เดือนที่ใชอ้ ้างอิง (Reference month) vi คอื อิทธพิ ลเชงิ พ้ืนท่ี มีการแจกแจงแบบ CAR model อทิ ธพิ ลของฤดูกาลใชฟ้ เู รียร์ คือ 270

การประชุมสัมมนาเชิงวชิ าการด้านการจดั การโลจสิ ตกิ ส์และโซ่อุปทาน ครั้งที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลัยสงขลานครนิ ทร์ 19 – 23 ตุลาคม 2560 ij  0  b1i  b2ij  1 * sin  2  j   2 * cos  2 j   vi (11)  12   12  เมอื่ 1, 2 คือขนาดของอิทธิพลของฟังก์ชัน sine และ cosine ตามลาดบั CAR model มรี ูปแบบดงั นี้   vi  m wik v j , v2  และ , W  (wik ) หรอื | v(i)  N k 1 wi wi  v  N 0, v2 (Dw  W)1   p(v)   1 vT (Dw  คือเมตรกิ ซ์แสดงนา้ หนกั ของแตล่ ะพ้ืนท่ี นิยามดงั น้ี exp  2 v2  W)v   wik = 1 ถ้าพื้นที่ i และ k อย่ตู ิดกนั โดยท่ี i  k wik = 0 ถา้ พ้ืนที่ i และ k ไม่ได้อยตู่ ดิ กนั Dw  diag(wi ) เป็นเมตริกซท์ แยงมุม ทมี่ สี มาชกิ ในแนวเสน้ ทะแยงมมุ หลัก (i,i) เทา่ กบั wi   wik ภายใต้วธิ ีการของเบย์ กาหนดการแจกแจงเบื้องต้น (Prior) ท่เี ปน็ Non-informative คอื ไมม่ มี ผลต่อ k Posterior คือ , สาหรับการประมาณค่าพารามเิ ตอร์ใช้การประมาณแบบเบย์ โดยการเขยี น โปรแกรมใน OpenBUGS และ R ซ่ึงใช้ Gibbs sampling MCMC ในการประมาณค่าพารามเิ ตอร์ 4. ผลของการวจิ ยั ผลการวิเคราะห์ขอ้ มลู ทว่ั ไปสรุปได้วา่ จังหวดั ในภาคใต้ทม่ี ีผลผลิตยางพารา (ตัน) ที่สูงสดุ 5 อนั ดบั แรกจากท้งั หมด 14 จงั หวัดเรียงตามลาดบั จากมากไปน้อยไดแ้ กจ่ งั หวดั กระบ่ี (11,153.92) ตามดว้ ย ชุมพร (8,637.24) ตรงั (27,623.28) นครศรธี รรมราช (24,580.61) และนราธิวาส (20,459.35) สาหรบั ผลของตวั อย่างของการประมาณคา่ พารามิเตอรบ์ างตัวใน ตวั แบบ LMM ที่มอี ิทธพิ ลเชิงพื้นท่ี อิทธิพลอื่นๆที่ไมใ่ ช่อิทธพิ ลเชงิ พื้นท่ี และอิทธิพลของฤดูกาล ด้วยวธิ กี ารของเบย์ โดยใช้การ จาลองสถานการณแ์ บบ MCMC นั้น ขั้นแรกจะตอ้ งตรวจสอบการลเู่ ข้าสู่การแจงแจกใดการแจกแจงหนึ่งของพารามิเตอรแ์ ตล่ ะ ตวั โดยพิจารณาจากกราฟของ Kernel Density Plot, Trace Plot, และ Autocorrelation Plot จากการจาลองสถานการณ์ MCMC 15,000 รอบ โดยตดั 5000 รอบแรกทิง้ ดงั ภาพที่ 1-2 และผลของการประมาณค่าพารามเิ ตอรด์ ังตารางท่ี 1-4 รปู ท่ี 1: Kernel Density Plot และ Trace Plot ของ 0 ของที่อิทธิพลของฤดกู าลเป็นตัวแปรหุ่น 271

การประชุมสมั มนาเชงิ วชิ าการด้านการจัดการโลจิสติกสแ์ ละโซอ่ ุปทาน คร้งั ที่ 17 “Industry 4.0: Challenges, Innovation and Opportunity for Logistics and Supply Chain Management” ภาควชิ าวศิ วกรรมอุตสาหการ คณะวศิ วกรรมศาสตร์ มหาวิทยาลยั สงขลานครินทร์ 19 – 23 ตุลาคม 2560 รปู ท่ี 2: Autocorrelation Plot ของ 0 ทอี่ ทิ ธพิ ลของฤดูกาลเป็นตัวแปรหุ่น จากกราฟตวั อย่างของค่าพารามเิ ตอร์ 0 ของกราฟ Kernel Density Plot เรยี บ ไมข่ รุขระ กราฟTrace Plot แกว่ง ขนึ้ ลงเปน็ แนวเสน้ ตรง และกราฟของ Autocorrelation Plot ลดลงอย่างรวดเร็ว แสดงว่าพารามเิ ตอร์แต่ละตวั ลเู่ ข้า หาการแจกแจงใดการแจกแจงหนง่ึ สามารถหาคา่ เฉลยี่ และคา่ ส่วนเบี่ยงเบนมาตรฐานของพารามเิ ตอร์แตล่ ะตัวนัน้ ได้ และจากตารางที่ 1 พบว่าอิทธพิ ลของฤดูกาลท่ีมีต่อผลผลิตยางพารา อิทธิพลของฟังก์ชัน sine (-716.3) มคี ่านอ้ ยกว่า ของฟังกช์ นั cosine (1018) จากตารางท่ี 2 พบว่าผลผลติ ยางพาราเฉล่ียเดือน ม.ค.กวา่ เดอื น ธ.ค. 947.80 ตัน เดอื น มค. มากกว่าเดอื น ธ.ค. 947.80 ตนั เดอื น ก.พ. มากกว่าเดือน ธ.ค. 545.90 ตนั เดอื น ม.ี ค. นอ้ ยกวา่ เดอื น ธ.ค. 717.10 ตนั เดือน เม.ย. น้อยกว่าเดอื น ธ.ค. 897.90 ตัน เดือน พ.ค. น้อยกว่าเดอื น ธ.ค. 399.60 ตนั เดือน ม.ิ ย. มากกวา่ เดือน ธ.ค. 28.57 ตนั เดอื น ก.ค. มากกว่าเดือน ธ.ค. 229.70 ตนั เดอื น ส.ค. มากกวา่ เดือน ธ.ค. 159.20 ตนั เดือน ก.ย. มากกว่าเดือน ธ.ค. 221.60 ตนั เดอื น ต.ค. มากกว่าเดอื น ธ.ค. 17.46 ตัน เดือน พ.ย. นอ้ ยกว่าเดอื น ธ.ค. 187.00 ตนั เม่อื เรยี งลาดบั ขนาดอิทธพิ ลของฤดกู าลทมี่ ีตอ่ ผลผลติ ยางพาราเฉลยี่ ตอ่ เดอื นจากมากสดุ ไปนอ้ ยสุด เรียงลาดับได้ ดังน้ี ม.ค. ก.พ. ก.ค. ก.ย. สค. ม.ิ ย. ต.ค. ธ.ค. พ.ย. พ.ค. มี.ค. และ เม.ย. ตามลาดับ ผลในตารางท่ี 3 เป็นตวั อยา่ งของ ข้อมลู ค่าผลผลติ ยางพาราจรงิ ค่าพยากรณ์ ค่าผิดพลาด ของข้อมลู ผลผลติ ยางพาราในจังหวัดกระบ่ี ช่วงท่ีใช้สาหรับ การประมาณคา่ พารามิเตอร์ เดอื นที่ 1 ถึงเดือนท่ี 66 ในแตล่ ะจงั หวดั และ ชว่ งทีใ่ ชส้ าหรบั ตรวจสอบความแม่นยาของ ตัวแบบ เดอื นท่ี 67 ถึงเดือนท่ี 72 ในแต่ละจงั หวดั ของตัวแบบ LMM ที่มอี ทิ ธพิ ลเชงิ พ้นื ท่ี อทิ ธพิ ลอื่นๆ ท่ีไม่ใชอ่ ทิ ธิพล เชิงพน้ื ท่ี และอิทธิพลของฤดูกาลทีใ่ ชต้ วั แปรหุ่น และแบบฟเู รยี ร์ และผลจากตารางท่ี 4 พบว่า ค่า MAE ของตัวแบบที่ นาเสนอทม่ี อี ิทธิพลของฤดูกาลเปน็ ตวั แปรหุ่นต่ากวา่ ตวั แบบ Holt-Winters ES และ SARIMA ในทุกจงั หวดั แสดงว่า ตวั แบบทน่ี าเสนอมีประสิทธิภาพดกี ว่า ตารางที่ 1: ค่าประมาณขนาดอิทธพิ ลของฤดูกาลแบบฟูเรยี รท์ ีม่ ผี ลตอ่ ผลผลติ ยางพารา ปัจจัย คา่ เฉลย่ี คา่ สว่ นเบยี่ งเบนมาตรฐาน 95% Credible Interval 65.72 6.726 65.1 699.8 0 (Intercept) -716.3 2.669 -717 -248.9 1 (sin) 1018 2.374 1021 1488 2 (cos) 272