UNIVERSITÄTSBIBLIOTHEK BRAUNSCHWEIG

UNIVERSITÄTSBIBLIOTHEK BRAUNSCHWEIG Dirk Mattfeld Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft für System Dynamics am 13. und 14. November 2008 im Flughafen Frankfurt/Main Braunschweig : Institut für Wirtschaftsinformatik Veröffentlicht: 02.02.2009 http://www.digibib.tu-bs.de/?docid=00024302 HINWEIS: Dieser elektronische Text wird hier nicht in der offiziellen Form wiedergegeben, in der er in der Originalversion erschienen ist. Es gibt keine inhaltlichen Unterschiede zwischen den beiden Erscheinungsformen des Aufsatzes; es kann aber Unterschiede in den Zeilen- und Seitenumbrüchen geben.

Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft für System Dynamics am 13. und 14. November 2008 im Flughafen Frankfurt/Main Programm Donnerstag, 13. November Uhrzeit Redner Titel Seite ab 13:30 Begrüßungskaffee 14:00-15:00 Dirk Chr. Mattfeld Begrüßung 15:00-16:00 16:00-16:30 16:30-18:00 David C. Lane, London School of Economics Karsten Kieckhäfer, Jörg Wansart, Grit Walther, Thomas Spengler, TU Braunschweig Marcus Gerasch, Hans-Jörg von Mettenheim, Michael H. Breitner, Lothar Schulze, Universität Hannover Alexander Zock, European Center for Aviation Development Markus Salge, PA Consulting Torben Barth, Marco Franz, Fraport AG On the Linkage between OR and SD Dynamische Komplexität in gesetzlichen Anforderungen zur Emissionsreduktion an Automobilhersteller Ganzheitliche Disposition von Strecken- und Flächenverkehren durch kombinierten Einsatz modifizierter Operations Research Verfahren Kaffeepause Szenario basierte Optimierung von langfristigen Planungsprozessen auf der Basis von SD Beispiele aus der Luftverkehrswirtschaft Path Depended Growth in the US Airline Industry A Comparative Study of People Express and Southwest Airlines Gemischt-ganzzahlige Optimierung in Echtzeit am Beispiel der Steuerung des Transfergepäckumschlags am Frankfurter Flughafen 3-14 und 15-19 20-36 37-59 und 60-65 ab 19:30 Dinner

Freitag, 14. November Uhrzeit Redner Titel Seite 09:00-10:30 10:30-11:00 11:00-12:30 12:30-13:30 Asvin Goel, MIT- Zaragoza International Logistics Program Johan Kjeldgaard- Pedersen, Knud Erik Wichmann, PA Consulting Joachim Daduna, FHW Berlin Grit Walther, G Meyer, Thomas Spengler, TU Braunschweig Jürgen Strohhecker, Frankfurt School of Finance and Management Diskussion The Value of In-Transit Visibility for Supply Chains with Multiple Modes of Transport Boom or Bust the Future of Ocean Shipping as a Complex Feedback System Seehafenhinterlandverkeh re unter Berücksichtigung der prognostizierten Entwicklungen im Containertransport Kaffeepause Regulatory Impact Assessment for the Transportation Sector Case Study Germany Open vs. Closed Loop Optimization of a Kanban Logistic System Bezüge und Synergien zwischen OR und SD 66-79 80-103 104-125

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 6 Vortragsfolien Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft für System Dynamics Ganzheitliche Disposition von Strecken- und Flächenverkehren Forschungsprojekt der Vortrag: M. Gerasch Frankfurt, 13.11.2008 Co-Autoren: H.-J. v. Mettenheim Prof. Dr. M. H. Breitner C. Schulte Prof. Dr. L. Schulze Stückgut und Sammelladungsverkehr Stückgut Güter die in Ladeeinheiten transportiert werden Kartons, Kisten, Paletten, Big-Bags etc. Teilladungsverkehr Sendungen, die nicht die gesamte Transportkapazität beanspruchen Im Regelfall ohne Umschlag Sammelladungsverkehr Bildnachweis: Flexbag, Hemmingen Sendungen von ca. 30 kg bis ca. 3.000 kg Konsolidierung des Warenflusses Ziele Bildnachweis: Schäfer, Neunkirchen Steigerung der Gewichts-/ Volumenauslastung im Streckenverkehr Zusammenfassung zu Sendungen für den kombinierten Verkehr Folie 2 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 7 Frachtoptimierung Charakteristik Viele Quellen und viele Senken Wechselnde Versender und Empfänger in den Planungsperioden Unterschiedliche Transportketten Direktverkehre zwischen den Depots und gebrochene Hauptläufe Problemklasse, Many-to-many PDVRP Pick-up and delivery VRP VSRP Vehicle Scheduling and Routing Problem Folie 3 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Transportnetzwerke für Sammelladungen Direktverkehre Hub-and-Spoke Systeme Hub-and-Spoke Systeme Mehrstufiges Hub-and-Spoke System oder Grid Network Folie 4 Date: 12.11.2008 Versender oder Empfänger Depot Hub/Gate/Depot Linienverkehr Sammel-/ Verteilverkehr 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 8 Anforderungen an den Planungsansatz Geringe Einschränkungen des Suchraumes Anbindung von Versendern und Empfängern an mehrere Depots Gestattung unterschiedlicher Transportketten von Direktverkehren bis zu mehrfach gebrochenen Hauptläufen Kostenbasiertes Entscheidungsmodell Individuelle Transportkosten für jede Relation Lineare und nichtlineare Kostenfunktionen Kosten für den Umschlag Einhaltung der Restriktionen Fahrzeugkapazität, zwei Dimensionen Zeitfenster von Sendungen Fahrzeiten und Umschlagzeiten Folie 5 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Zuordnung nach dem Prinzip der marginalen Grenzkosten Ausgangsnetzwerk Beste Transportkette für Sendung A (einzeln) Beste Transportkette für Sendung B (einzeln) S A S B S A S B S A S B D B D B D A D A D B D A Q A Q B Planungsergebnis: Beste Transportketten durch Konsolidierung der Sendungen A und B. S B S A Folie 6 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 9 Gesamtkonzept Transportrelation n Transportrelation 2 - Start- Transportrelation und Zieldepot 1 - - Start- Fahrplan und Zieldepot oder Fahrzeit - - Start- - Fahrplan und Zieldepot Tranpsortkonditionen oder Fahrzeit - - Fahrplan - Tranpsortkonditionen oder Fahrzeit Kapazität des Verkehrs- - - Transportkonditionen Kapazität mittels des Verkehrs- - Kapazität mittels des Verkehrsmittels Auftrag n - Quelle Auftrag und Senke 2 - - Quelle Auftrag Transportmenge und Senke 1 - - Quelle - Transportmenge und Senke Frühester Abholzeitpunkt - - Transportmenge - Frühester Spätester Abholzeitpunkt Lieferzeitpunkt - - Frühester Spätester Abholzeitpunkt Lieferzeitpunkt - Spätester Lieferzeitpunkt Absender/Empfänger n Absender/Empfänger - Lage 2 Absender/Empfänger - - Lage 1 Konditionen für Sammel- - - Adresse Konditionen und Verteilfahrten für Sammel- - Geokoordinaten - und Verkehrsanbindung Verteilfahrten - - Verkehrsanbindung Kapazität - Kapazität Depot n - Lage Depot 2 - - Lage Depot 1 Konditionen für Sammel- - - Adresse Konditionen und Verteilfahrten für Sammel- - Konditionen - und Verkehrsanbindung Verteilfahrten für Sammel- - und - Verkehrsanbindung Verteilfahrten Kapazität - - Geokoordinaten Kapazität - Umschlagskosten Sortierung Auftragspool Auswahl nächster Auftrag Temporäre Anbindung der Versender und Empfänger an Depots Kalkulation der Kantengewichtung Auftragsrouting Speicherung der Menge an den genutzten Kanten Auswertung und Dokumentation Folie 7 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Kunde-Depot-Zuordnung A. Alle Kunden in einem Depotgebieten B. Alle Depots in einem Kundenradius C. Anzahl Depots mit größter Kundennähe Versender bzw. Empfänger Depot möglicher Vor- bzw. Nachlauf Folie 8 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 10 Konditionsstrukturen Typ A Typ B max c e max c e 1 v e 2 v e 3 v e 4 v e 1 v e 2 v e 3 v e 4 v e 1 U e O 1 2 e U e O 2 3 e U e O 3 4 e U e O 4 max e x e 1 U e O 1 2 e U e O 2 3 e U e O 3 4 e U e O 4 max e x e Typ C Typ D max c e max c e 1 f e c v e f max 1 e e max xe 4 f e 3 f e 2 f e 1 f e 1 v e 2 v e 3 v e 4 v e 1 U e O 1 max e x e 1 U e O 1 2 e U e O 2 3 e U e O 3 4 e U e O 4 max e x e Folie 9 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Netzwerkauswahl A. Rechteckige Auswahlfläche B. Elliptische Auswahlfläche Versender bzw. Empfänger Gewählte Depots Ausgeschlossene Depots Folie 10 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 11 Resultierendes Netzwerk für den Kürzeste-Wege-Algorithmus Folie 11 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Kürzeste-Wege-Algorithmus Folie 12 Date: 12.11.2008 (Initialisierung) Ankunft t t p( oi) FAB o temp Ankunft Lo : {[(0, t p( oi) ),(, o)]} (Schleife) temp do until L {} wähle lp( oi) mit lp( oi) min temp cp( oi) loop l p( oi) L if i d then end do Ankunft FAB for e (ij) mit ( t p( oi) t e ( ij ) und oder ( c Ankunft SAB t p oi) te( ij) c SAN te FAN ( ij ) td ) Ankunft SAN ( und t p( oi) te( ij) td ) e( ij) E do c p( oj) p( oi) e( ij) Ankunft Ankunft FAN t p( oj) max[ t p( oi) te( ij) ; te( ij) ] p( oj) p( oi) & e( ij) L temp temp j : Lj ) Ankunft {[( cp( oj), t p( oj ),( p( oj), j)]} L ) temp temp perm perm j : Eff ( Lj Lj \L j next for perm perm L : L { lp(oi) } temp temp L : L \{ lp(oi) } 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 12 Ausschluss dominierter Label 6 l p(oi) 1 l p(oi) 10 l p(oi) 7 l p(oi) 1 c p(oi) 2 l p(oi) 3 l p(oi) 4 l p(oi) 8 l p(oi) 9 l p(oi) 5 l p(oi) 2 c p(oi) Folie 13 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Unscharfe Zeitfenster FAB an Knoten 1 FAN an Knoten 2 SAB an Knoten 1 SAN an Knoten 2 Unterminierte Kante Nutzung der Kante für Auftrag A Kantendauer FAN an Knoten 1 Kantendauer SAB an Knoten 2 Nutzung der Kante für Auftrag B FAN an Knoten 1 SAB an Knoten 2 Nutzung der Kante für Auftrag C FAN an SAB an Knoten 1 Knoten 2 Kantendauer Folie 14 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 13 Arbeitsschritte für die Teilterminierung Dokumentation der Kantenabhängigkeiten Paarweise Speicherung von Vorgänger-Nachfolger-Beziehungen Vermeidung doppelter Speicherung Anpassung der direkt betroffenen Kantenzeitfenster Durchlaufen des genutzten Pfades vom Ende zum Beginn zur Veränderung der Spätesten Ankünfte, kurz SAN, und Spätesten Abfahrten, kurz SAB Durchlaufen des genutzten Pfades vom Beginn zum Ende zur Veränderung der Frühesten Ankünfte, kurz FAN, und Frühesten Abfahrten, kurz FAB Verfolgung der Abhängigkeiten gemäß Vorgänger-Nachfolger-Liste Schleife über FAB und FAN Schleife über SAB und SAN Folie 15 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Vorgänger-Nachfolger-Beziehungen e N(e) 1 3 e N(e) 12 7 6 17 3 3 4 5 12 13 13 14 2 1 12 16 2 6 7 3 2 4 14 14 13 10 11 15 3 7 13 7 4 4 5 5 5 8 9 10 11 16 16 17 15 13 7 16 18 8 4 10 5 e 11 14 18 15 Abhängige Kanten mit FAB und FAN Anpassung Abhängige Kanten mit SAB und SAN Anpassung Genutzte Kante mit direkter Notwendigkeit einer Anpassung Genutzte Kante ohne direkte Notwendigkeit zur Anpassung Folie 16 Date: 12.11.2008 9 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 14 Demonstrator Anwendungsumgebung Datenbank: Microsoft Access Automatisierung: Visual Basic for Applications GIS-System: Microsoft Mappoint Visualisierung: Microsoft Mappoint und Powerpoint sowie Drawboard Aufbau Frontend.mdb: Formulare, Programmierung und genetischer Algorithmus mit Datenhaltung Backend.mdb: 15 Tabellen Keine Installation notwendig Lauffähig auf Microsoft Office Professional 2003 und 2007 Folie 17 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT GUI Folie 18 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 15 Beispielhafte Ergebnisdarstellung Folie 19 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Alternative Auftragssortierungen Gewicht, absteigend Zeit pro Entfernungskilometer, absteigend Zufällige Sortierung Zufällige Sortierung Genutzte Kanten: 106 Kosten der Verkehrsleistung: 0,932 /t*m²*km Erfüllte Verkehrsl.: 86,4 % Erfüllte Aufträge: 73,3 % Folie 20 Date: 12.11.2008 Genutzte Kanten: 105 Kosten der Verkehrsleistung: 1,004 /t*m²*km Erfüllte Verkehrsl.: 84,9 % Erfüllte Aufträge: 87,7 % Genutzte Kanten: 98 Kosten der Verkehrsleistung: 0,995 /t*m²*km Erfüllte Verkehrsl.: 81,9 % Erfüllte Aufträge: 79,3 % 2008LKG043_Presentation.ppt PSLT

Normierte Merkmalsausprägung Fitness in /t*km*qm http://www.digibib.tu-bs.de/?docid=00024302 02/02/2009 Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 16 Verbesserung der Lösung durch einen genetischen Algorithmus 0,925 0,92 80 Individuen 9 Sortiert 71 Zufällig 59 Generationen 0,915 0,91 0,905 0,9 0 5 10 15 20 25 30 35 40 45 50 55 Generation Folie 21 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT Gewichtsstruktur des besten Individuums 2,5 2 1,5 1 0,5 0 0 200 400 600 800 1.000 Auftrag Gewicht Gewicht (gleitender Durchschnitt) Folie 22 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 17 Ausblick Für die tägliche Disposition liegt ein Planungsansatz vor, der in einem Entscheidungsunterstützungssystem genutzt werden kann Anpassung des Planungsansatzes an betriebliche Abläufe Optimierung in Zeitscheiben Ausgabe von Zwischenergebnissen Manuelle Einflussnahme auf das Ergebnis Reoptimierung Testung mit Realdaten und Bewertung der Planungsergebnisse Weiterer Forschungsbedarf Verbesserung der Sortierregeln Einbindung von Depotkapazitäten Nutzung des Ansatzes für Aufgaben der taktischen Planung Folie 23 Date: 12.11.2008 2008LKG043_Presentation.ppt PSLT

Ganzheitliche Disposition von Strecken- und Flächenverkehren durch kombinierten Einsatz modifizierter Operations Research Verfahren Marcus Gerasch Fachgebiet Planung und Steuerung von Lager- und Transportsystemen, Leibniz Universität Hannover, Tel. +49 (0)511 762 4872, Email: gerasch@pslt.uni-hannover.de Hans-Jörg von Mettenheim Institut für Wirtschaftsinformatik, Leibniz Universität Hannover, Tel. +49 (0)511 762 4982, Email: mettenheim@iwi.uni-hannover.de Carsten Schulte Fachgebiet Planung und Steuerung von Lager- und Transportsystemen, Leibniz Universität Hannover, Tel. +49 (0)511 762 3487, Email: schulte@pslt.uni-hannover.de Michael H. Breitner Institut für Wirtschaftsinformatik, Leibniz Universität Hannover, Tel. +49 (0)511 762 4901, Email: breitner@iwi.uni-hannover.de Lothar Schulze Fachgebiet Planung und Steuerung von Lager- und Transportsystemen, Leibniz Universität Hannover, Tel. +49 (0)511 762 4885, Email: schulze@pslt.uni-hannover.de Abstract Auch in heutigen Sammelladungsspeditionen ist die Disposition der verschiedenen Sendungen eine manuell durchgeführte Tätigkeit von speziell geschultem Personal: den Disponenten. Welche Sendung über welche Strecke geführt wird, wird anhand persönlicher Erfahrungen und momentan freier eigener Kapazitäten entschieden. Eine durchgängige Entscheidungsunterstützung durch EDV findet praktisch nicht statt. Daher ist auch die Auswahl möglicher Routen eingeschränkt: In der Regel sind bestimmten Postleitzahlgebieten ausgewählte Spediteure fest zugeordnet. Ein Ausweichen auf Alternativen, die möglicherweise günstiger sind, ist nur schwer möglich und daher unüblich. Dabei liegt in einer optimierten Sendungsdisposition erhebliches Einsparpotenzial. So können z. B. Wege verkürzt oder Fahrten und Fahrzeuge eingespart werden. Im vorliegenden Paper stellen wir ein Verfahren vor, das es erlaubt, einen Auftragspool von Sendungen multikriteriell durch ein bestehendes Netzwerk zu routen. Hierbei wird anhand von Sendungsparametern wie Größe und Gewicht eine optimale Verteilung auf bestehende Linienverkehre sowie Kapazitäten von Drittanbietern erreicht. Zeitfenster bei der Abholung bzw. Zustellung werden ebenfalls berücksichtigt. Das Modell wird in Access implementiert, um es einer möglichst breiten Nutzerzahl verfügbar zu machen. Ein Auftragspool von ca. 10.000 Sendungen kann auf einem deutschlandweiten Netzwerk innerhalb weniger Minuten geroutet werden. Die Modellbildung erfolg in Zusammenarbeit mit Partnern aus dem Speditionsgewerbe, um die Praxisrelevanz sicherzustellen. Schlüsselworte: Disposition, Sammelladung, Zeitbeschränkung, Kürzeste-Wege-Algorithmen Problembeschreibung Die Aufgabe in einer Spedition, den Auftragspool eines Tages für die meist in der Nacht durchgeführten Hauptläufe sinnvoll zu disponieren, wird üblicherweise manuell durchgeführt. Der Disponent verwendet hierzu instinktiv Heuristiken, die nur in den seltensten Fällen formalisiert sind. Die Einarbeitung eines Disponenten kostet Zeit und der Disponent ist damit

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 2 eine wertvolle Ressource. Wir untersuchen die Frage, wie ein großer Teil der routinemäßigen Dispositionsarbeit sinnvoll automatisiert werden kann. Dies ist nicht zu verwechseln mit der Tourenplanung, die beispielsweise ein Paketdienst vornimmt. Hierfür existiert schon seit langem Software mit den einschlägigen Algorithmen. Das betrachtete Problem zielt auf das Speditionsgewerbe für den Transport von Stückgütern, die nicht als Ladungs- oder Teilladungsverkehre abgewickelt werden sollen. Die besondere Herausforderung besteht darin, die unterschiedlichen Güter sinnvoll zu erfassen und auf existierende Transportkapazitäten aufzuteilen. Üblicherweise werden hierzu die äußeren Abmessungen und das Gewicht verwendet. Die Anwendung im Speditionsgewerbe stellt eine Innovation dar. Weder aus der einschlägigen Literatur noch im praxisnahen Umfeld ist ein vergleichbarer Ansatz bekannt. Nach aktuellem Informationsstand erfolgt auch weltweit die Disposition von Stückgütern manuell. Selbst in der Containerlogistik, für die bspw. das Feld der Terminaloperations umfangreich untersucht und automatisiert wurde, stehen ganzheitliche Planungsansätze für die immer komplexer werdenden Transportnetzwerke nicht zur Verfügung. Eine optimale Aufteilung der Güter auf das Speditionsnetz erlaubt eine bessere Auslastung der vorhandenen Ressourcen. Die Wirtschaftlichkeit der Spedition bzw. des Netzwerkes steigt. Das Problem der Disposition von Strecken- und Flächenverkehren bietet sich an, mit Methoden des Operations Research angegangen zu werden. Wir verwenden eine modifizierte Version des Kürzeste-Wege-Algorithmus, um den verschiedenen Restriktionen Rechnung zu tragen. In Absprache mit Praxispartnern aus Speditionen und anderen Transportunternehmen wird das Modell entworfen und im Datenbanksystem Microsoft Access implementiert. Das resultierende Tool ist dabei als Entscheidungsunterstützungssystem ausgelegt, dass den Disponenten unterstützen soll, um Freiräume für Tätigkeiten zu schaffen, die sich nicht automatisieren lassen. Ansatz Zu Beginn eines Durchlaufs müssen die folgenden Informationen zur Verfügung stehen: Transportnetzwerk: das Transportnetzwerk besteht aus verschiedenen Kanten, die jeweils einer gefahrenen Route entsprechen: z. B. eine Fahrt von A nach B, Abfahrt zur Uhrzeit S, Ankunft zur Uhrzeit T. Des weiteren enthalten die Kanten Kapazitätsbeschränkungen für Gewicht und Ladefläche der bedienenden Fahrzeuge. Aus den Fahrzeugen ergeben sich fixe und variable Kosten, die ebenfalls hinterlegt sein müssen. Diese Linienverkehre ändern sich nur selten und brauchen nicht für jeden Lauf neu erstellt zu werden. Allerdings kann dieses Transportnetz beispielsweise durch Kapazitäten von Drittanbietern ergänz werden. An jedem Standort gibt es außerdem einen Fahrzeugtyp, mit dem Vor- und Nachlauf organisiert werden. Auftragspool: Hier werden einzelne Aufträge abgebildet. Wesentliche Angaben sind Größe und Gewicht der Sendung. Hinzu kommt eine Geocodierung des Standorts. Außerdem müssen der frühestmögliche Abholzeitpunkt und spätestmögliche Ankunftszeitpunkt hinterlegt sein. Auf Grund des großen Umfanges praxisrelevanter Probleminstanzen, die mehrere tausend Kanten und mehrere zehntausend Aufträge täglich umfassen können, wird auf die Formulierung einer Zielfunktion und umfangreicher Nebenbedingungen verzichtet. Der anstelle einer mathematischen Optimierung entwickelte heuristische Zuordnungsalgorithmus verteilt Aufträge folgendermaßen nach dem Prinzip der marginalen Grenzkosten auf die Kanten des Netzwerks: Arbeite den Auftragspool seriell ab. Hierbei wird auf jeder Kante überprüft, zu welchem Anteil die Kapazität (Ladefläche bzw. Laderaum oder Gewicht) bereits ausgeschöpft ist. Jede Kante wird dann anhand des Parameters mit der höheren Auslastung bewertet.

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 3 Überprüfe für den Auftrag, welche End-of-Line Depots relevant sind. Hierbei werden auch Kosten für die Beförderung des Gutes zu den Depots ermittelt. Der Umfang der zu berücksichtigen Depots ist parametrisiert. Eliminiere für den betrachteten Auftrag irrelevante Relationen: Dies sind zunächst Netzwerkkanten, die aus rein geographischer Sicht nicht zu einer gewünschten Lösung gehören können. Weiterhin werden auch Relationen, die für die Sendung nicht genügend freie Kapazitäten zur Verfügung stellen können, ausgeschlossen. Führe ein Routing des Auftrages durch das Netzwerk durch. Halte dabei alle Kapazitäts- und Zeitrestriktionen ein. Eliminiere alle Zwischenlösungen, die dominiert werden bzw. die Zeitrestriktionen in einem späteren Berechnungsschritt verletzen werden. Terminiere das Routing nach Dijkstra. Nach dem Auftragsrouting werden die auf dem günstigsten Weg genutzten Kanten als Lösung für den Auftrag dokumentiert. Die kapazitive Inanspruchnahme durch den Auftrag wird den Kanten des günstigsten Weges zugeschlagen. Die Schleife endet, nachdem der letzte Auftrag durch das Netzwerk geroutet wurde. Im Nachgang wird die Lösung auftrags-, fahrzeug- bzw. depotbezogen aufbereitet. Gespräche mit den Praxispartnern ergaben, dass beim Einsatz eigener Fahrzeuge lediglich von fixen Kosten (fährt oder fährt nicht) ausgegangen werden kann. Die Zusatzkosten, die sich durch höhere Beladung ergeben, seien vernachlässigbar. Eine entsprechende Vereinfachung des Algorithmus erscheint jedoch nicht sinnvoll, da der zusätzliche Rechenaufwand für lastabhängige Kosten gering ist und das Modell mit nahezu beliebige Kostenstrukturen flexibel für eigene Fahrzeuge, Fremdkapazitäten und gemischte Netzwerke einsetzbar ist. Kürzester-Wege-Algorithmus Der im Kern des Ansatzes arbeitende Kürzeste-Wege-Algorithmus ist als Label-Setting- Algorithmus ausgeführt. Der Algorithmus greift auf die für das Routing freigegebenen Kanten, die aus Linienverkehren sowie temporär angelegten Nahverkehrsverbindungen bestehen, zu. Um den Datenzugriff zu erleichtern, wurden die an den Knoten hinterlegten Informationen zu Umschlagskosten und -zeiten zuvor in die Kantenbewertungen hineingerechnet. Die erzeugten Label, werden mit Kosten, Ankunftszeit am Kantenendknoten, dem vollständigen Pfad in Form einer Kantenliste sowie dem aktuellen Knoten gespeichert. Die Labelliste wird nach absteigenden Kosten sortiert. Der Status eines Labels verändert sich durch eine Untersuchung von temporär zu permanent. Der Algorithmus bricht ab, wenn keine temporären Label mehr zu Verfügung stehen oder wenn es sich beim nächsten zu untersuchende Knoten um den gesuchten Zielknoten handelt. Der beschriebene Algorithmus erfordert für die Transportkosten positive Kantenbewertungen. Im Laufe der Iterationen werden neben effizienten Labeln auch ineffiziente Label erzeugt. Je nach Struktur des zu Grunde liegenden Netzwerkes bringt es Laufzeitvorteile, wenn diese ineffizienten Label aus der Liste wieder entfernt werden. In der Demonstratorumsetzung hat sich die Bestimmung der pareto optimalen Label aus der Gesamtmenge zwar als aufwändig bestätigt. Deutliche Laufzeitvorteile werden aber dann erreicht, wenn die Effizienzbestimmung nicht nach jedem erzeugten Label, sondern nach einer bestimmten Anzahl Iterationen vorgenommen wird. Die Anzahl Iterationen hängt von der Netzwerkstruktur ab und ist parametrisiert. Teilterminierung von Kanten Der Kürzeste-Wege-Algorithmus ist so ausgelegt, dass er auch mit Relationen umgehen kann, die zeitlich noch nicht endgültig festgelegt sind. Für diese Relationen existiert zwar eine frühest mögliche Abfahrt, kurz FAB und eine spätest mögliche Ankunft, kurz SAN, innerhalb

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 4 dieses Zeitfensters ist jedoch die Kantendauer ausschlaggebend. Der Umgang mit einem solchen Zeitfenster ist aus Sicht des Kürzeste-Wege-Algorithmus zwar unkritisch, aus Sicht des gesamten Auftragspools müssen jedoch Maßnahmen im Nachgang zur Kürzeste-Wege- Suche ergriffen werden, um die Ergebniskonsistenz zu garantieren. Die auf dem kürzesten Weg genutzten Kanten müssen zunächst daraufhin untersucht werden, ob die Anpassung der Zeitfenster also der FAB und SAN notwendig ist. Wurden hierbei Anpassungen durchgeführt, müssen diese auch für alle Kanten des Netzwerkes vorgenommen werden, für die sich im Laufe des Algorithmus Abhängigkeiten ergeben haben. Dafür wird jeder genutzte kürzeste Weg mit seinen Vorgänger-/ Nachfolgerbeziehungen in einer Liste gespeichert. Die hierbei entstehenden Abhängigkeiten werden mit jeder Sendung immer komplexer, womit das skizzierte Verfahren immer länger dauert. Da ein Ast eines solchen Baumes aber dann nicht weiter untersucht werden muss, wenn an einer Kante keine Änderung notwendig war und da die Änderungsnotwendigkeit auf Grund der immer engeren Zeitfenster immer kleiner wird, fallen die Laufzeiten im Demonstrator derzeit kaum ins Gewicht. Auftragssortierungen Die im Ansatz erwähnte serielle Abarbeitung des Auftragspools bedarf einer genaueren Betrachtung, da die Reihenfolge der Einlastung der Aufträge einen entscheidenden Einfluss auf die Qualität der Lösung hat. Für die Sortierung des Auftragspools wurde bereits zu Beginn der Forschung eine einfache Heuristik formuliert: Sortiere die Aufträge nach Sendungsgröße; die größten Sendungen zu erst. Um die Qualität dieser intuitiv gewählten Sortierregel zu bestätigen bzw. um Erkenntnisse über bessere Sortierreihenfolgen zu gewinnen, wurde dem dargestellten Ansatz eine Metaheuristik übergeordnet, die die Auftragsreihenfolge optimiert. Der hierfür gewählte genetische Algorithmus nutzt das entwickelte Tool zur Bestimmung der Fitness der generierten Auftragssortierungen. Dazu wurden mit den Kosten pro erbrachter Verkehrsleistung und dem Verhältnis aus erbrachter zur beauftragten Verkehrsleistung zwei Kennzahlen entwickelt, die die generierten Lösungen vergleichbar machen. Auf Grund der langwierigen Fitnessberechnung können für einen genetischen Algorithmus nur sehr kleine Versuche gemacht werden. Bei einer Generationsgröße von 80 Individuen und 59 Generationen konnte die Lösung, in der ein Individuum mit absteigender Sendungsgröße vertreten war, lediglich um 1,9 % verbessert werden. Bei einer Analyse des resultierenden besten Individuums kann ein Einfluss der Individuen, die auf einer an der Sendungsgröße ausgerichteten Sortierung beruhen von ca. 24 % nachgewiesen werden. Bei einem weiteren Versuch mit 80 zufällig erzeugten Sortierungen wurde die Fitness einer sendungsgrößenorientierten Sortierung erst nach über 40 Generationen erreicht. Nach 100 Generationen wurde lediglich eine Verbesserung um ca. 1,3 % realisiert. Dies scheint die Wahl der ursprünglichen Sortierungsregel zu bestätigen. Ausblick Die entwickelte Software ermöglicht bereits die tägliche Disposition. Für realistische Auftragspools und Netzwerke fallen je nach Struktur auf einem modernen Rechner (ein Prozessor) Rechenzeiten im einstelligen Minutenbereich an. Hierbei ist noch Optimierungspotenzial durch Portierung von Access und VBA in eine leistungsfähigere Programmiersprache vorhanden. Hierauf wurde jedoch zunächst bewusst verzichtet, um die Anwendung leicht modifizierbar zu halten und sie jedem Anwender mit einer Access Installation zugänglich zu machen. Die Rechenzeit kann auch durch eine Parallelisierung des Zuordnungsalgorithmus für Mehrprozessorrechner verbessert werden. Eine Parallelisierung ist jedoch nicht trivial realisierbar und würde eine angepasste Heuristik und die Aufteilung des Auftragspools erfordern. Dies wäre auch lediglich mit wenigen Partitionen möglich.

Ganzheitliche Disposition von Strecken und Flächenverkehren Seite 5 Weiterhin wird nach optimierten Sortierungen gesucht, die Rückschlüsse auf Regeln für effizientere Sortierungsheuristiken zulassen. Die rechtzeitige Bereitstellung von Eingabedaten ist in der Praxis noch problematisch. Sinnvoll einsetzbar ist die Software vor allem dann, wenn damit ganze Netzwerke optimiert werden. In Speditionskooperationen setzt dies eine Bündelung der sensiblen Auftragsdaten von mehreren selbstständigen Spediteuren voraus. Im Gespräch mit Praxispartnern bestätigten sich zu erwartende Vorbehalte. Erste Versuche mit anonymisierten Daten sind jedoch möglich. Wesentlich kritischer ist zu sehen, dass in der Praxis genaue Daten über äußere Abmessungen und Gewicht häufig erst spät oder gar nicht zur Verfügung stehen. Die Einrichtung einer webbasierten Auftragserfassung sowie die Anbindung an die EDV-Systeme der Absender sind in dieser Hinsicht erfolgversprechende Wege, die von den Spediteuren bereits beschritten werden. Zurzeit ist die Software zur Automatisierung der operativen Disposition einsetzbar. Dies bedeutet, dass die Verteilung von Aufträgen auf ein bestehendes Netzwerk ermittelt wird. Es wird der sogenannte Loadplan erstellt. Aus Operations Research Sicht ist jedoch die taktische Planung weitaus interessanter: Wie sollte bei einem gegebenen Auftragspool der Linienfahrplan optimal gestaltet werden? Gestaltungsalternativen, wie Pendel-, Begegnungsverkehre und Umläufe, sind dabei ebenso Komplexitätstreiber wie beispielsweise Arbeitszeitregelungen. Die Beantwortung dieser Frage soll aufbauend auf den Ergebnissen dieses Forschungsprojektes erfolgen. Dank des flexiblen Umgangs mit Zeitfenstern wurde für ein solches Dynamic-Service-Network-Design-Problem bereits eine gute Basis geschaffen, die ohne zeitexpandierte Graphen auskommt. Literatur Crainic, T. G.: Long-haul freight transportation. In: Handbook of transportation Science (Hrsg. Hall, R. W.), Kluwer Academic Publishers: New York, 2003 Crainic, T. G.; Kim, H. K.: Intermodal Transportation. In: Handbooks in Operations Research & Management Science: Transportation, 14 (Hrsg. Barnhart, L.; Laporte, G.) North-Holland, 2006 Grünert, T.; Sebastian, H.-J.: Modelle zur taktischen Planung von Frachttransporten. In: Logistik Management - Intelligente I&K Technologien (Hrsg. Kopfer, H.; Bierwirth, C.), Berlin: Springer-Verlag, 1999 Janz, O.: Integriertes Transportnetzmanagement: Angebots- und nachfrageorientierte Planung und Steuerung komplexer Transportnetze. Mannheim: Josef Eul Verlag, 2003 Klose, A.: Quantitative approaches to distribution logistics and supply chain management. Heidelberg: Springer Verlag, 2002 Kopfer, H.; Krajewska, M. A.: Inter- und intraspeditionelle Auftragsdisposition. In: Industrie Management, 2006, Nr. 3, S. 75-77 Miyamoto, Y; Kubo, M.: Algorithms for the Freight Network Design Problem. The Fifth Metaheuristics International Conference, Kyoto, 25.08.2003-28.08.2003 Pankratz, G.; Gehrling, H.: Ein genetischer Algorithmus für ein dynamisches speditionelles Dispositionsproblem. In: Proceedings of Operations Research 2000 (Hrsg. Fleischmann, B.; Lasch, R.; De-rings, U.; Domschke, W.; Rieder, U.), Berlin: Springer-Verlag, 2001, S. 420-425 Schönberger, J.; Kopfer, H.: A collaborative approach for solving the portfolio recomposition problem in transport cooperations. In: Logistik Management (Hrsg. T. Spengler et al.). Heidelberg: Physica Verlag, 2004 Wieberneit, N.: Service network design for freight transportation: A review. In: OR Spectrum, 30 (2008), Nr. 1, S. 77-112

Path Depended Growth in the US Airline Industry A Comparative Study of People Express and Southwest Airlines Markus Salge In Association with Professor Dr. Dr. h.c. Peter Milling Industrieseminar, Mannheim University 13. November 2008

Contents A brief history of People Express and Southwest Airlines A simple system dynamics model of a low cost airline / Model validation Finding leverage in People Express corporate growth strategy PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 2

In the early 1980s, People Express followed an aggressive expansion strategy 100 Dashed lines represent Southwest Airlines Solid lines represent People Express 80 Fleet Size 60 40 Destinations 20 0 1981 1982 1983 1984 1985 1986 PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 3

15 experienced rapid passengers growth 12 Passengers (m p.a.) 9 6 3 Dashed lines represent Southwest Airlines Solid lines represent People Express 0 1981 1982 1983 1984 1985 1986 PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 4

100 and went into bankruptcy only a few years later 50 0 Operating Profit (m $ p.a.) -50-100 -150 Dashed lines represent Southwest Airlines Solid lines represent People Express 1981 1982 1983 1984 1985 1986 PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 5

How can we avoid such a boom and bust behavior? The common explanation for People Express boom and bust behavior is excessive corporate growth This hypotheses implies a method for falsification The method has to grasp the complexity of growth strategies that stems from: Tight coupling (elements interact strongly with each other, often with significant delays) Abundant feedback (actions affect the state of the project which affects subsequent actions) Non-linearity (Effect is rarely proportional to cause, and local effects are very different from distant effects) History dependence (Taking on one path precludes taking other paths, makes actions and conditions irreversible) Being counterintuitive (Important cause-effect links are distant in time & space, contrary to expectations that lead us to seize on symptoms rather than real causes) PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 6

Contents A brief history of People Express and Southwest Airlines A simple system dynamics model of a low cost airline / Model validation Finding leverage in People Express corporate growth strategy PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 7

A simple system dynamics model of a low-cost airline Being as simple as possible, a system dynamics model has to incorporate the most meaningful feedback loops of a problem A system dynamics model which includes the major structural elements of a problem is capable to reproduce its specific behavior modes It therefore allows for falsification testing of hypotheses + potential passengers + + service + passengers + + - load factor morale + - work load + - - fare + staff + aircrafts + financial performance - + profitability - + destinations + PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 8

Even though the model has not been extensively calibrated it is able to mimic both, People Express and Southwest Airlines corporate growth with relative high accuracy 20 M Passengers 15 M 10 M R 2 = 0.92 (PE) R 2 = 0.86 (SW) 5 M 0 0 6 12 18 24 30 36 42 48 54 60 Time (Month) People Express simulated People Express actual Southwest Airlines simulated Southwest actual PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 9

Even though the model has not been extensively calibrated it is able to mimic both, People Express and Southwest Airlines corporate growth with relative high accuracy 600 M Operating Profit 300 M 0 R 2 = 0.73 (PE) R 2 = 0.98 (SW) -300 M -600 M 0 6 12 18 24 30 36 42 48 54 60 Fleet Size 200 R 2 = 0.95 (PE) R 2 = 0.94 (SW) 150 100 People Express simulated People Express actual Southwest Airlines simulated Southwest actual 50 0 0 6 12 18 24 30 36 42 48 54 60 Time (Month) PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 10

Contents A brief history of People Express and Southwest Airlines A simple system dynamics model of a low cost airline / Model validation Finding leverage in People Express corporate growth strategy PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 11

People Express and Southwest Airlines followed different paths of growth People Express Competing the majors on hub-airports To attract a high number of potential passengers Generation of high rate of corporate growth Achievement of critical mass to benefit from economies of scale High degree of copartner ship of workforce Southwest Airlines: Establishing a point-to-point network To achieve homogeneous stage lengths Appliance of one type of aircraft Competing the majors on near-by secondary airports Reduction of airport fees and turning times on uncontested and uncoordinated airports PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 12

Slowing down People Express to Southwest Airlines destination growth rate does not lead to profitable growth the opposite is the case 0-50 M -100 M -150 M Operating Profit + + service + + passengers - morale + - work load + - fare + staff financial performance - + profitability - + -200 M 15 M 0 6 12 18 24 30 36 42 48 54 potential passengers + + load factor - + aircrafts + 7.5 M passengers destinations + 0 Potential passengers 0 6 12 18 24 30 36 42 48 54 60 PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 13

Slowing down People Express to Southwest Airlines destination growth rate does not lead to profitable growth the opposite is the case 1.5 1.25 1 0.75 Work Load + + service + + passengers - morale + - work load + - fare + staff financial performance - + profitability - + 0.5 0 6 12 18 24 30 36 42 48 54 60 potential passengers + + load factor - + aircrafts + 1 0.9 Service Level destinations + 0.8 0.7 0.6 0 6 12 18 24 30 36 42 48 54 60 PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 14

Slowing down People Express destination growth rate and increasing fare leads to profitable growth a counterintuitive strategy for a low-cost airline! + service + + morale + - work load + - financial performance + + passengers - fare + staff + profitability - - 600 M 300 M 0 Operating Profit higher fares & low growth actual potential passengers + + load factor - destinations + + aircrafts + -300 M low growth -600 M 0 6 12 18 24 30 36 42 48 54 60 Time (Month) PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 15

Results/Discussion The model demonstrates the potential of system dynamics based analyses of corporate growth strategies In particular, it falsifies the common explanation to People Express boom and bust behavior, i.e., extensive corporate growth It shows that appealing solutions to a problem can lead to unintended consequences In lieu of, complex problems demand for innovative solutions that might be counterintuitive at a first glance PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 16

For more information, please contact Markus Salge Global Business Transformation Group Eschersheimer Landstraße 223 60320 Frankfurt am Main Germany Tel: +49 69 71 702 255 Mobile: +49 171 557 28 44 E-mail: markus.salge@paconsulting.com PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt Page 17

Gemischt-ganzzahlige Optimierung in Echtzeit am Beispiel der Steuerung des Transfergepäckumschlags am Frankfurter Flughafen Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft für System Dynamics Frankfurt, 13.11.2008 Torben Barth, Fraport AG Marco Franz, Fraport AG Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, der Entnahme von Abbildungen, der Funksendung, der Wiedergabe auf photomechanischem oder ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagen, stehen ausschließlich der Fraport AG Frankfurt Airport Services Worldwide zu.

Seite 2 Vortragende Torben Barth Information & Telecommunication Software and Consulting Services t.barth@fraport.de Marco Franz Information & Telecommunication Ground Handling Systems m.franz@fraport.de Seit 2005 bei der Fraport AG Berater für Prozessmanagement und Optimierungsthemen Seit 2004 bei der Fraport AG Senior Solution / Product Developer Torben Barth und Marco Franz, Fraport AG

Seite 3 Agenda 1 Fraport / Flughafen Frankfurt auf einen Blick 2 Projektbeschreibung 3 Optimierungslösung 4 Erfahrungen 5 Ausblick & Diskussion Torben Barth und Marco Franz, Fraport AG

Seite 4 Fraport / Flughafen Frankfurt auf einen Blick Umsatzträger sind unsere Kerngeschäftsfelder 30% 27% 20% 23% Aviation Ground Handling Retail & Properties External Activities 698,7 Mio Euro 620,5 Mio Euro 471,4 Mio Euro 538,4 Mio Euro Torben Barth und Marco Franz, Fraport AG Umsätze im Gesamtkonzern nach Segmenten 2007

Seite 5 Fraport / Flughafen Frankfurt auf einen Blick Frankfurt Airport unsere Home Base Auf 19 km 2 Fläche 83 Flugbewegungen pro Stunde 2 Start- und Landebahnen + 1 Startbahn 2 Fluggast-Terminals und 1 AIRail Terminal (ICE-Bahnhof) 138 Gates 200 Positionen AirCargo Gleisanschluss An einem Tag*: 148.000 Passagiere 77.900 Gepäckstücke 5.700 Tonnen Fracht 393 Züge an den Flughafen- Bahnhöfen (Fahrplan 2008) Torben Barth und Marco Franz, Fraport AG *durchschnittliche Angaben aus 2007

Seite 6 Fraport / Flughafen Frankfurt auf einen Blick Mit FRA sind wir unter den Top Ten im weltweiten Passagierverkehr... Passagiere 2007 (in Mio.) 1. Atlanta 89,4 2. Chicago 76,2 3. London Heathrow 68,1 4. Tokyo Haneda 66,8 5. Los Angeles 61,9 6. Paris CDG 59,9 7. Dallas Ft Worth 59,8 8. Frankfurt 54,2 9. Beijing 53,6 10. Madrid 52,1 Torben Barth und Marco Franz, Fraport AG Quelle: ACI

Seite 7 Agenda 1 Fraport / Flughafen Frankfurt auf einen Blick 2 Projektbeschreibung 3 Optimierungslösung 4 Erfahrungen 5 Ausblick & Diskussion Torben Barth und Marco Franz, Fraport AG

Seite 8 Projektbeschreibung Grundlegende Fragestellung : Weitergehende Unterstützung der Steuerung des Transfergepäcks durch eine IT-Lösung T2 Lösungsansatz: Einsatz eines mathematischen Optimierers zur Generierung automatischer Dispositionsvorschläge Realisierung: Interne Entwicklung in iterativen Stufen (Rapid Prototyping) unter ständiger Kundeneinbindung seit Januar 2008 TZA INT V3 Inbound-Position Kodierbereich Outbound-Position Torben Barth und Marco Franz, Fraport AG Beispielhafte Verteilung: NEHO1V3-V3-2INT-RTZA

Seite 9 Projektbeschreibung Prozesskette des Umsteigegepäcks Gesamtprozesszeit O N B Entladung Transport Standzeit Kodierzeit GFA-Zeit Entnahme -zeit Transport Beladung Klappen Schliessen O F B 1. Rückkopplung bei Abfahrt von Position 2. Rückkopplung bei Kodierbeginn Optimierungsziele: Max Anzahl der gehaltenen Anschlüsse (LBI) Min Prozesszeit Auslastung Kodierstellen (TZA, V3, IV3 nach Möglichkeit nur zu 80 % nutzen)* Min Fahrerbindungszeit Gleichmäßige Auslastung Kodierstellen** Min GFA-Laufzeiten (Priorität in Reihenfolge der Auflistung) * Min Nutzung der Kodierstellen über 80 % ** Torben Min der Barth Abweichung und Marco Franz, vom Fraport Durchschnitt AG Projektziele: Entlastung Disponent Nähere Entscheidung am Ereignis Gleichbleibende Qualität über alle Entscheider Transparenz der mathematischen Entscheidungen Permanente Berücksichtigung der dynamischen Datengrundlage Steigerung bzw. Aufrechterhaltung Qualität

Seite 10 Projektbeschreibung Regelauszug (Nebenbedingungen im mathematischen Modell oder Einschränkungen / Bewertung der Lösungsmöglichkeiten)... Berücksichtigung der Eigenschaften der Kodierstellen: betriebliche Kapazität, Kodiereignung, Durchsatz und aktuelle Besetzung Warteschlangen an Kodierstellen werden nur bei optimaler Lösung gebildet (unter Berücksichtigung der Wartezeit) Berücksichtigung der Entladereihenfolge des Flugzeugs Paarweise Abfahrt der Transporteinheiten von der Flugzeugposition Berücksichtigung der Häufigkeit der Anschlussbeziehung laut Flugplan Nebenbedingung im Modell Einschränkung Bewertung...und weitere Torben Barth und Marco Franz, Fraport AG

Seite 11 Agenda 1 Fraport / Flughafen Frankfurt auf einen Blick 2 Projektbeschreibung 3 Optimierungslösung 4 Erfahrungen 5 Ausblick & Diskussion Torben Barth und Marco Franz, Fraport AG

Seite 12 Optimierungslösung Einordnung des Optimierungsproblems Mixed Integer Problem Zuordnungsproblem mit Nebenbedingung ähnlich zu Maschinenbelegungsproblemen Multikriterielles Optimierungsproblem mit teilweise widersprüchlichen Zielen Entscheidungsgegenstand: Zuordnung von Fahrten zu Ressourcen (Kodierbereichen) Torben Barth und Marco Franz, Fraport AG

Seite 13 Optimierungslösung Umsetzung der Lösung Erster Lösungsschritt: Generierung von zulässigen Lösungsmöglichkeiten (assignments) für eine Fahrt zu einem bestimmten Kodierbereich zu einem bestimmten Zeitpunkt Berechnung der Zielfunktionsanteile der einzelnen Assignments Berechnung aller Eigenschaften / Werte der Assignments z.b. Kodierzeitpunkt Zweiter Lösungsschritt: Auswahl der optimalen Kombination unter Berücksichtigung der Nebenbedingungen Mit Hilfe von ILOG Cplex Umsetzung des Modells wurde komplett mit der Modellierungssprache OPL und Skripterweiterung ILOG script durchgeführt Keine Logik in Programmcode einer reinen Programmiersprache nur ein kleiner Dienst zum regelmäßigen Aufruf der Optimierung Torben Barth und Marco Franz, Fraport AG

Seite 14 Optimierungslösung Beispiel für die Berechnung von Assignments Lösungsmöglichkeiten Bewertung Flugnummer Einheit Kodierstelle Kodierintervall Fahrerbindungszeit Nutzung der GFA Zielfunktionsanteil Prozesspufferzeit Zielfunktionsanteil verpasste Anschlüsse LH 03669 AKH43L Wagen 1 TZA 6 355 13384 460 0 LH 03669 AKH43L Wagen 1 TZA 7 355 13384 440 0 LH 03669 AKH43L Wagen 1 TZA 8 355 13384 413 3,705 LH 03669 AKH43L Wagen 1 T2 5 182 16182 439 0 LH 03669 AKH43L Wagen 1 T2 6 182 16182 428 0 LH 03669 AKH43L Wagen 1 T2 7 182 16182 394 4,246666667 LH 03669 AKH43L Wagen 1 V3 5 221 12166 459 0 LH 03669 AKH43L Wagen 1 V3 6 221 12166 452 0 LH 03669 AKH43L Wagen 1 V3 7 221 12166 422 0 LH 03105 AKH10228 AKH39245 TZA 5 264 22816 770 1,31147541 LH 03105 AKH10228 AKH39245 TZA 6 264 22816 770 1,31147541 LH 03105 AKH10228 AKH39245 TZA 7 264 22816 770 1,31147541 LH 03105 AKH10228 AKH39245 T2 6 552 25178 765 1,31147541 LH 03105 AKH10228 AKH39245 T2 7 552 25178 765 1,31147541 LH 03105 AKH10228 AKH39245 T2 8 552 25178 756 1,31147541 LH 03105 AKH10228 AKH39245 V3 6 400 12318 770 1,31147541 LH 03105 AKH10228 AKH39245 V3 7 400 12318 767 1,31147541 LH 03105 AKH10228 AKH39245 V3 8 400 12318 762 1,31147541 1,0 0, 75 0,5 Berücksichtigung der Anschlussbeziehungen 0 min 5 min 10 min 15 min Pufferzeit mit Treppenbewertungsfunktion Torben Barth und Marco Franz, Fraport AG

Seite 15 Optimierungslösung Betrachtungsmenge und Betrachtungszeitraum Betrachtungszeitraum: Alle Flüge zwischen TMI und den Abflugszeiten (STD/ETD/COB) ihrer jeweiligen Anschlussverbindungen. Inbound Outbound 1 : n RCT TMI TMO Betrachtung aller Möglichkeiten für einen Transport, für alle Flüge im Betrachtungszeitraum (50 Flüge mit 125 TPE ergibt 1500 plausible Lösungsmöglichkeiten). Entscheidung für einen Transport unter Berücksichtigung aller Abhängigkeiten ONB STD/E#1 STD/E#2 STD/E#(n) Transporteinheiten (TPE): LH 123; HOT-Container 1 und 2 LH 123; Container 1 und 2 LH 123; 1 KGW AF 5888; Container 1 und 2. AF 5888; KGW 1 und 2... T2 TZA V3 IV3 Optimierer wählt eine Lösung pro TPE (beste Gesamtlösung unter Betrachtung aller Flüge) Torben Barth und Marco Franz, Fraport AG

Seite 16 Optimierungslösung Herausforderungen Einsatz der Optimierungslösung im realen Tagesbetrieb... Häufige Rechnungen nötig; Rechnungsintervall < 2 Min (ständige Änderungen der Berechnungsgrundlage) Arbeitsablauf des Disponenten muss entkoppelt von der Berechnung der Optimierungslösung In der Realität treten Unterschiede zur berechneten Prozessdauer auf... Rückkopplung der realen Zeiten in Form von Zeitstempeln nötig (Abfahrt von Position, Kodierbeginn) Berücksichtigung und Erfassung der Geschäftsregeln Qualität der Inputdaten haben direkten Einfluss auf die Güte der Lösung Torben Barth und Marco Franz, Fraport AG

Seite 17 Agenda 1 Fraport / Flughafen Frankfurt auf einen Blick 2 Projektbeschreibung 3 Optimierungslösung 4 Erfahrungen 5 Ausblick & Diskussion Torben Barth und Marco Franz, Fraport AG

Seite 18 Erfahrungen Erkenntnisse Komplexe Optimierungslösung auf Basis Modellierungssprache möglich: Gute Verknüpfung der verschiedenen Lösungsschritte Komfortable Umsetzung des Modells durch logische und mathematische Operationen (z.b. Mengenoperationen) Geschäftsregeln konnten größtenteils parametrierbar abgebildet werden Abwägung zwischen Genauigkeit und Abstraktion der Daten Nachweis der Verbesserung sind wichtig durch... Durchführung von Regressionstests Messung von Kennzahlen Rapid Prototyping und ständiger Rückkopplung mit Auftraggeber Problem: Kein vollständiger Abgleich zwischen Realität und Planung (Optimierung) möglich Disponent schränkt durch Vorplanung die optimale Lösung ein Torben Barth und Marco Franz, Fraport AG

Seite 19 Erfahrungen Projektreflektion Spezifikation und Coding 50%, Ergebnisanalyse 50 % des Projektaufwands Permanente Einbindung des Kunden (Fachseite und Endanwender) notwendig Ständiger Abgleich der Optimierungsziele mit Management Variablenänderung: Durchschnitt 1 Var. pro Min. Optimierungsintervall < 2 Minute Komplett identisches Testsystem auf Produktivdaten Modularer Aufbau der Softwarelösung klare Abgrenzung der Schnittstellen Laufzeit- und Stammdaten von verschiedenen Drittsystemen bestimmen die Güte der Optimierung Torben Barth und Marco Franz, Fraport AG

Seite 20 Agenda 1 Fraport / Flughafen Frankfurt auf einen Blick 2 Projektbeschreibung 3 Optimierungslösung 4 Erfahrungen 5 Ausblick & Diskussion Torben Barth und Marco Franz, Fraport AG

Seite 21 Ausblick & Diskussion Ausblick Rückkopplung Realbetrieb gegenüber den Optimierungsvorschlägen Besetzung der Kodierstellen (Auslastung) optimieren Langzeitoptimierung für Transfersteuerung (24 h Vorschau) Optimierung für Vergabe der Gepäckausgabebänder Kopplung der Transfersteuerung mit anderen Fragestellungen der Ressourcenplanung (Flughafen übergreifend) Verbindung von Planung und Steuerung der Ressourcen Torben Barth und Marco Franz, Fraport AG

Seite 22 Ausblick & Diskussion Anregung zur Diskussion Wie können Geschäftsregeln flexibel in die Optimierung eingebunden werden und wie können neue Regeln integriert werden? Simulation der Optimierungsergebnisse um... Potential aufzuzeigen Realität versus Plan Disponentenentscheidung versus Vorschlag des Optimierers Auswirkungen bestimmter Situationen (schlechtes Wetter, Verspätungen, Ausfall von Kodierbereichen) bewerten zu können Unsicherheit in der Optimierung zu berücksichtigen Torben Barth und Marco Franz, Fraport AG

Vielen Dank für Ihre Aufmerksamkeit! Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, der Entnahme von Abbildungen, der Funksendung, der Wiedergabe auf photomechanischem oder ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagen, stehen ausschließlich der Fraport AG Frankfurt Airport Services Worldwide zu.

Gemischt-ganzzahlige Optimierung in Echtzeit am Beispiel der Steuerung des Transfergepäckumschlags am Frankfurter Flughafen Vortragsvorschlag für die 39. Arbeitsgruppensitzung der AG Transport und Verkehr der GOR Autoren: Torben Barth, IUK-AE1 Marco Franz, IUK-AE2 Stand: 17.11.2008 Version: 1.0 Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, der Entnahme von Abbildungen, der Funksendung, der Wiedergabe auf photomechanischem oder ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagen, stehen ausschließlich der Fraport AG Frankfurt Airport Services Worldwide zu.

Fraport AG Seite 2 von 6 1. Fachliche Beschreibung des Sachverhalts 1.1 Allgemeiner Hintergrund In diesem Dokument soll eine Optimierungslösung für die Steuerung des Umsteigergepäcks am Frankfurter Flughafen beschrieben werden. Innerhalb der Fraport AG Betreiberin des Frankfurter Flughafens - ist der strategische Geschäftsbereich Bodenverkehrdienste (BVD) für die Abfertigung zuständig. Für den gesamten Gepäckprozess liegt die Verantwortung bei der Abteilung BVD-IG. Die Herausforderung des Gepäckbereichs besteht darin, die vorhandenen (knappen) Ressourcen so einzusetzen, dass die Abfertigungsstandards eingehalten und eine möglichst gute Abfertigungsqualität erreicht werden kann. Die Gepäckabfertigung stellt im zeitlichen Ablauf des Flugmanagements ein Nadelöhr dar. Sie zählt deshalb zu den kritischen Dienstleistungen der Bodenverkehrsdienste. Aufgrund von Baumaßnahmen wird der optimale Prozessablauf eingeschränkt und die Prozesszeiten verlängert. Es besteht die Herausforderung, die Abfertigungsqualität trotz dieser Einschränkungen aufrecht zu erhalten bzw. zu steigern, wobei zu beachten ist, dass zu vielen Tageszeiten das Kapazitätslimit bereits erreicht ist. Durch den geplanten Ausbau des Flughafens wird das Passagieraufkommen erheblich steigern. Daraus resultiert ein höheres Gepäckaufkommen und es ist daher wichtig, die zu erwartende steigende Belastung effizient und weiterhin mit einer guten Qualität abzufertigen. Eine Optimierung der heutigen Transfergepäcksteuerung ist notwendig, um den erforderlichen Beitrag zur Sicherstellung der Hubfunktion FRA und die minimale Umsteigezeit von 45 Minuten zu leisten. Die Bedeutung des Prozess ist in Frankfurter von besonders großer Wichtigkeit, da 53 % aller Passagiere den Frankfurter Flughafen zum Umsteigen nutzen. Die verfügbaren Ressourcen müssen optimal eingesetzt werden, um das Ziel trotz der bestehenden Engpässe zu erreichen. Eine Verbesserung des Transfergepäckprozesses kann die Qualität der Gepäckabfertigung nachhaltig steigern und zur Effizienzsteigerung beitragen. Die Steuerung ist hierbei ein entscheidender Faktor. 1.2 Beschreibung Transfergepäckumschlag Nachfolgen wird der Prozess des Transfergepäcks kurz beschrieben: Das Transfergepäck ist zunächst an Bord eines ankommenden Flugzeugs und muss in ein abfliegendes Flugzeug umgeladen werden. Ein Gepäckstück kann lose im Flugzeug, in Containern oder auf Paletten verladen sein. Das Gepäck muss entladen und auf einen Gepäckwagen für den Abtransport von der Position verladen werden. Anschließend fährt ein Fahrer das Gepäck in einen Kodierbereich. Dort wird das Gepäck abgeladen und in die Gepäckförderanlage eingegeben. Falls die vorhandenen Kodierstellen belegt sind, kann es zu Standzeiten (Wartezeiten) kommen. Dies ist heute in Spitzenzeiten durchaus üblich. Hierzu ist es wichtig den Anschlussflug zu ermitteln, dies erfolgt im Normalfall automatisch durch Auslesen des Bagtags (Banderole am Gepäckstück mit den Angaben zu den Daten des Gepäckstücks). Durch den Anschlussflug ist bestimmt, wohin das Gepäck durch die Gepäckförderanlage befördert werden muss. Für jeden von Frankfurt ausgehenden Flug ist eine Ausschleusstelle festgelegt. Das Gepäck wird dann über die Gepäckförderanlage zu der entsprechenden Ausschleusstelle befördert (in der Grafik GFA-Zeit). Dort wird es entnommen und in Container bzw. Gepäckwagen verladen. Diese werden wiederum zum Flugzeug befördert und dann dort verladen. Es ist bei der Betrachtung des Gesamtprozess zu beachten, dass nachdem das Flugzeug auf Position gerollt ist bzw. vor dem Abflug die Position verlassen kann, eine gewisse Zeit benötigt wird um die Abfertigung vorzubereiten / abzuschließen (Türen öffnen / schließen). Eine Übersicht der gesamten Prozesskette wird in der nachfolgenden Grafik gegeben. Torben Barth und Marco Franz, Fraport AG

Fraport AG Seite 3 von 6 O N B Entladung Transport Standzeit Kodierzeit GFA-Zeit Entnahme -zeit Transport Beladung Klappen Schliessen O F B Die für den Prozess zu verplanenden Ressourcen sind die Kodierstellen. Kodierstellen stehen über den Flughafen verteilt zur Verfügung. Diese Kodierstellen haben unterschiedliche Kapazitäten und Eigenschaften. Zum Beispiel unterschiedliche Geschwindigkeit der Kodierung oder die Eignung für bestimmte Gepäckarten. Zusätzlich schwankt die verfügbare Kapazität im Tagesverlauf. Für jedes einzelne Gepäckstück kann eine optimale Kodierstelle bezüglich der Prozesszeit ermittelt werden. Allerdings ist zu beachten, dass ein ankommender Flug (Inbound) ein Vielzahl von Gepäckstücken für verschiedene Anschlussflüge enthalten kann. Daher liegt bei der Planung insbesondere auf der Anschlusszeit und der Menge der Gepäckstücke der Schwerpunkt der Betrachtung. Die Herausforderung bei der Steuerung des Transfergepäcks besteht darin, die Verteilung auf Kodierstellen unter Beachtung der Kapazitätsrestriktionen so durchzuführen, dass nach Möglichkeit alle Gepäckstücke ihren Anschlussflug erreichen. Ein weiteres Ziel ist es eine Pufferzeit zu schaffen, so dass etwaige Prozessverzögerungen abgefangen werden können. 1.3 Heutige Systemunterstützung Die Systeme der BOAP-Familie 1 unterstützen heute den Gepäckbereich dabei die vorhandene Kapazität optimal zu nutzen und die Qualität zu steigern. Die Systeme stellen die Gesamtsituation dar und helfen die Ressourcen vorzuplanen und zu belegen. Hauptfokus der Applikationen ist es dem Disponenten alle Informationen zur Abfertigungssituation transparent zu machen. Weiterhin kann er mit Hilfe der Systeme seine Entscheidungen treffen, diese werden dann automatisch an die angebundenen Systeme zur Durchführung der Abfertigung übermittelt. Bei der Entscheidung wird der Disponent heute mit einfachen Regeln unterstützt. Für die Transfergepäcksteuerung bedeutet dies, dass immer die Kodierstelle, die am nächsten liegt und kürzeste Transportzeit aufweist vorgeschlagen wird. Hierbei werden die vorhandenen Kapazitäten und die Anschlussbeziehungen der einzelnen Flüge nicht berücksichtigt. 1.4 Projektziel Das in diesem Dokument beschriebene Verfahren wurde in einem Projekt entwickelt, dessen Ziel es war den Disponenten mit einem qualifizierten Vorschlag zu unterstützen und diesen zu entlasten. In einer Ausbaustufe ist es geplant den Disponenten nur noch in kritischen Fällen eingreifen zu lassen. Für einen menschlichen Entscheider besteht die Herausforderung die Vielzahl von Informationen zu verarbeitet. Die laufenden Änderungen der Daten (zum Beispiel Positionsänderungen und Verspätungen) zu überwachen und zu bewerten. Darüber hinaus steigt der Umfang der Aufgabe wegen der ständig wachsenden Gepäckmenge weiter an. Der Disponent kann daher oft nur eine Einzelbetrachtung der Flüge durchführen und nicht das Zusammenspiel der Entscheidung mit den anderen Flügen betrachten. Zusätzlich wird wegen des großen Arbeitsaufkommen oft weit in die Zukunft geplant, um eine Entlastung in Spitzenzeiten zu schaffen. Dies hat zur Folge, dass spätere Änderungen und Auswirkungen oft nicht mehr beachtet werden können. Ziel des Projekts war es die beschriebenen Schwachstellen zu beheben um immer die bestmögliche Entscheidung in der aktuellen Situation zu treffen. Die Entscheidung soll hierbei optimal bezüglich folgender Ziele sein: - Verpasste Anschlüsse - Prozesspufferzeit (Zeitpuffer für Verzögerungen) - Auslastung der Kodierstellen im Normalfall nur bis 80 % - Fahrerbindungszeiten für die Transporte 1 http://www.fraport.de Torben Barth und Marco Franz, Fraport AG

Fraport AG Seite 4 von 6 - Belastung der Gepäckförderanlage - Gleichmäßige Auslastung der Kodierstellen 2. Lösungsbeschreibung 2.1 Theoretische Beschreibung Bei dem hier beschriebenen mathematischen Problem handelt es sich um ein Zuordnungsproblem mit Nebenbedingungen. Die Zielfunktion enthält wie im letzten Abschnitt beschrieben unterschiedliche Ziele, die teilweise widersprechend sind. Es handelt sich somit um ein multikriterielles Optimierungsproblem. Für die Lösung des Problems wurde ein zwei geteilter Ansatz gewählt. In einem ersten Schritt werden die Lösungsmöglichkeiten (Assignments) generiert. Eine Lösungsmöglichkeit repräsentiert die Zuordnung einer Fahrt zu einem Kodierort und einer Kodierzeit. Wartezeiten bzw. Warteschlangen werden dadurch abgebildet, dass nicht die frühest mögliche Kodierzeit gewählt wird. In einem zweiten Schritt wird dann ein mathematisches Minimierungsproblem gelöst. Grundlage des Optimierungsproblems ist eine lineare Zielfunktion. Die unterschiedlichen Ziele werden mit Gewichten bewertet und summiert. Es wird so gewährleistet, dass erst die vorrangigen Ziele optimiert werden und dann die Ziele mit einem geringen Gewicht. Damit die Realität abgebildet werden kann, war es wichtig eine Rückkopplung einzubauen. Dies erfolgt dadurch, dass akzeptierte Vorschläge bzw. auch durch den Disponenten geänderte Vorschläge in dem nächsten Berechnungslauf berücksichtigt werden und dann dort als fest vorgegeben berücksichtigt werden. Für diese Flüge werden daher nur noch Assignments mit dem gewählten Ort generiert. Die Zweiteilung des Problems hat zur Folge, dass nicht alle Restriktionen im mathematischen Modell abgebildet wurden. Große Teile der fachlichen Logik und Geschäftsregeln wurden in dem Teil der Generierung der Assignments abgebildet. Bei der Generierung der Assignments führt dies dazu, dass bestimmte Lösungsmöglichkeiten nicht generiert werden und der Lösungsraum so schon von vorne herein eingeschränkt wird. Beispiele hier für sind: - Eignung der Kodierstellen für bestimmte Gepäckarten - Zusammenstellung der Gepäckeinheiten zu Fahrten Das mathematische Modell enthält folgende Restriktionen: - Für jede Fahrt muss genau ein Assignment gewählt werden - Die Zuordnungsvariable für die Assignments ist entweder Null oder Eins - Einhaltung der Kodierkapazitäten - Einschränkung der Nutzung der Puffer - First-in-first-out Bedingung an den Kodierstellen - Ermittlung der durchschnittlichen Kodiermenge für das Ziel der gleichmäßigen Auslastung - An bestimmten Kodierstellen darf nur EU oder Non-EU Gepäck kodiert werden Das theoretische Problem und das dazu gehörige mathematische Modell ist recht einfach zu modellieren. Die größte Herausforderung ist es, alle Geschäftsregeln abzubilden und die Livedaten performant einzubinden. Es muss gewährleistet sein, dass die große Anzahl an dynamischen Daten so verarbeitet und angebunden wird, dass in Echtzeit das jeweils optimale Ergebnis zurückgespielt wird. 2.2 Umsetzung Für die Abbildung des Modells wurde die Modellierungssprache OPL (ILOG Optimization Programming Language 1 ) eingesetzt. Zur Generierung der Assignments und Aufbereitung der 1 Pascal Van Hentenryck, The OPL Optimization Programming Language, published by The MIT Press, 1999, Cambridge, Massachusetts Torben Barth und Marco Franz, Fraport AG

Fraport AG Seite 5 von 6 Daten wurde die Skripterweiterungen von OPL genutzt. Die Daten werden mit einfachen SQL- Statements aus einer Oracle-Datenbank abgefragt und dorthin auch wieder zurückgeschrieben. Wichtig hierbei ist es, dass ein ständiger Zugriff auf die aktuellen Daten nötig ist und daher alle Zugriffe und Berechnungen in kurzer Zeit erfolgen müssen. Für den Aufruf wurde ein sehr einfacher Dienst implementiert, der die Optimierung zyklisch aufruft. Die restlichen Schritte der Optimierung werden in der Optimierungssoftware abgedeckt. Insbesondere war es nicht nötig für Optimierung in einer Programmiersprache zu programmieren. Zur Abbildung der Optimierung wurde OPL und OPL-Skript eingesetzt. Bei der Umsetzung war es wichtig, dass alle Teile den zeitkritischen Anforderungen gerecht werden. Insbesondere hat sich gezeigt, dass auch die Aufbereitung der Daten und die Generierung der Assignments einen nicht zu vernachlässigenden Zeitfaktor spielen. Hier wurde oft zwischen Speichernutzung und Geschwindigkeit abgewogen und es konnte durch die Verwendung größerer Speichermengen Zeit eingespart werden. Bei der eigentlichen Optimierung durch den Solver war es wichtig, dass in absehbarer Zeit eine Lösung gefunden wird. Es wurde daher auch der größte Wert darauf gelegt, dass immer eine gültige Lösung gefunden wird. Die Beweisbarkeit der Optimalität der Lösung hat dabei eine geringere Bedeutung. Es wurden die Parameter auch so gewählt, dass nach einer bestimmten Laufzeit, die vorhandene Lösung ausgegeben wird. Intensive Tests haben gezeigt, dass diese Einschränkung nur im Ausnahmefall greift und in den meisten Fällen die beste Lösung in der vorgegebenen Zeit geliefert wurde. 3. Erkenntnisse und Ausblick 3.1 Erkenntnisse Eine Realisierung einer komplexen Steuerungslogik auf Basis einer Optimierung ist ohne den Einsatz einer reinen Programmiersprache möglich. Dies bietet den Vorteil, dass die gesamte für die Optimierung relevante Logik an einer Stelle liegt. Dies ermöglicht eine gute und einfache Kopplung der verschiedenen Teile. Allerdings sind bestimmte Operationen und Berechnungen komplizierter als in einer reinen Programmiersprache, zum Beispiel ist es nicht möglich Fehler automatisiert abzufangen. Die meisten Geschäftsregeln mussten hart kodiert werden. Teilweise war es möglich die Regeln über Parameter, die einstellbar sind, flexibel zu machen. Es ist nicht möglich, dass der fachliche Anwender oder Anforderer geänderte fachliche Prozesse, die in dem dynamischen Umfeld des Flughafens an der Tagesordnung sind, selbstständig Änderungen vornimmt. Ein wichtiger Erfolgsfaktor bei der Umsetzung war die Genauigkeit der Inputdaten. Das Modell kann nur so gut arbeiten, wie die Daten die zur Verfügung stehen. Wenn bei der Bereitstellung der Daten Ungenauigkeiten herrschen, so kann dies zu entscheidenden Fehlern in der Optimierung führen. Da die Software nicht erkennt, dass es sich um offensichtliche Datenfehler handelt. Im Zusammenhang der Daten ist es wichtig, dass eine Abwägung zwischen der möglichst hohen Genauigkeit und einer Abstraktion und Zusammenfassung der Daten duchgeführt wird. Wenn das Modell zu sehr in die Detailtiefe geht, kann es passieren, dass eine nicht vorhandene Genauigkeit modelliert wird und die Ergebnisse eine Scheingenauigkeit vorgaukeln, die nicht vorhanden ist. Im Laufe der Entwicklung hat sich gezeigt, dass die größten Aufwände nicht wie zunächst erwartet in der Anforderungsanalyse und Implementierung lagen sondern im Testen, Validieren und Kalibrieren der Ergebnisse. Es ist sehr wichtig gerade in diesen Punkten den Fachbereich eng einzubinden und eine ständige Rückkopplung in das Modell durchzuführen. Dadurch hat sich eine stark iterative Entwicklung ergeben und die Realität wurde langsam angenähert. So konnte erreicht werden, dass das Modell am Ende die Realität abgebildet hat und auch die fachlichen Anwender sich in den Ergebnissen wieder gefunden haben. Es ist allerdings wichtig, dass bei diesem Schritt nicht Verhaltens- und Vorgehensweise vom Fachbereich übernommen werden, die das Ergebnis unnötig einschränken und verschlechtern. Eine zentrale Fragestellung für den Projekterfolg war es, wie gezeigt werden kann, dass der Einsatz der Optimierung tatsächlich zu einer Verbesserung führt. Im Rahmen des Projekts wurden alle Optimierungsläufe in Logfiles für theoretische Vergleiche und Nachfragen dokumentiert. Weiterhin wurde eine einfache Simulation durchgeführt. Hierfür berechnete der Optimierer auch nach der Entscheidung des Disponenten noch nach einer optimalen Lösung. Torben Barth und Marco Franz, Fraport AG

Fraport AG Seite 6 von 6 Die unterschiedlichen Ergebnisse (Disponent / Optimierer bei Entscheidung des Disponent / Optimierer bei dem spätest möglichen Zeitpunkt) wurden theoretisch miteinander verglichen. Der Vergleich wurde auf Basis der theoretischen Berechnungen, die auch die Grundlage der Optimierung bilden (Bewertung der Assignments), erstellt. Alle Diskussionen zur Bewertung der Ergebnisse haben gezeigt, dass nicht vorrausgesagt werden kann, wie die Realität wirklich gelaufen wäre, wenn man komplett nach dem Vorschlag des Optimierers gehandelt hätte. Dadurch wird die Einordnung der Ergebnisse und Auswertungen sehr schwierig, da die Auswirkungen von Unregelmäßigkeiten im Prozessablauf nur schwer berücksichtigt werden können. Ein weiterer Schritt ist es reale Kennzahlen zu messen und nach dem Einsatz des Optimierers zu beobachten. Hierbei besteht allerdings das Problem, dass eine Vielzahl von anderen Einflussfaktoren existieren, die das Ergebnis beeinflussen. Die ideale Lösung wäre es eine komplette Simulationsumgebung aufzubauen, um die unterschiedlichen Szenarien durchzuspielen, da nur so das große Problem der Auswirkungen von Unregelmäßigkeiten wie Verzögerungen bei der Entladungen, Verzögerung des Transports wegen Rollverkehrs oder schlechtem Wetter, Verspätung von Flugzeugen, falsche Ladedaten und technische Störungen der Anlagen berücksichtigt werden können. Eine wichtige Erkenntnis ist, dass die Entscheidungen des Disponenten den Optimierer stark einschränken, da der Disponent teilweise (frühzeitig) Entscheidungen trifft, die den Lösungsraum stark einschränken. Von dem Disponent werden die Auswirkungen auf die Gesamtlösung nicht erkannt und nur der Einzelfall betrachtet. An dieser Stelle wäre es wichtig, wenn man die Auswirkungen visualisieren und dem Disponenten zurückmelden könnte, hierfür wurde bislang noch keine Lösung gefunden. Prinzipiell wurde erkannt, dass frühe Entscheidungen im hohen Maße das Optimierungspotential einschränken, daher ist das Bestreben die Entscheidung weiter an das Ereignis zu legen und zu automatisieren. 4. Zusammenfassung Durch den Einsatz der Optimierungslösung für die Steuerung des Transfergepäckumschlags konnte gezeigt werden, dass die Qualität von Dispositionsentscheidungen durch den Einsatz einer Optimierung gesteigert werden kann. Die Implementierung ist mit sehr einfachen Mitteln möglich. Es ist eine einfache Datenbankanbindung nötig, die restliche Logik kann in der Modellierungssprache und deren Erweiterungen abgedeckt werden. Ein iterative Vorgehensweise mit einer Einbindung des Fachbereichs hat sich als erfolgreich erwiesen. 5. Ausblick Als nächster Schritt ist geplant, die Optimierungslösung auch zur Vorplanung der Ressourcen im Tagesverlauf einzusetzen. Durch eine optimale Vorplanung ist es möglich die Ressourcen (Kapazitäten der Kodierstellen) so zu steuern, dass immer die optimalen Kapazitäten angeboten werden können. Die in dem ersten Schritt fixen Kapazitäten können in diesem Ansatz dann mit optimiert werden. Weiterhin erscheint die Möglichkeit interessant eine Simulationsumgebung aufzubauen um unterschiedliche Szenarien zu testen und auch die Reaktion auf bestimmte Situationen (wie den Ausfall von Kodierbereichen) testen zu können. In einer übergreifenden Sicht sind zwei Punkte besonders betrachtenswert: Zum Einen die Verknüpfung über dem gesamten Zeithorizont von der Planung über die Prognose bis zur Steuerung und zum Anderen über den gesamten Flughafen hinweg. Durch eine Flughafenübergreifende Steuerung könnten alle Ressourcen relevanten Entscheidungen gekoppelt werden. Am Beispiel der Vergabe der Flugzeugpositionen wird schnell klar, dass eine große Anzahl von Prozessen von dieser Entscheidung abhängig sind: Entladeprozess, Gepäckprozess, Gatevergabe, Passagierführung, etc. Durch eine Kopplung der Planung und Steuerung der Prozesse und eine gesamtheitliche Optimierung ist mit einem hohen Nutzenpotenzial zu rechnen. Die Integration über den Zeithorizont scheint besonders wichtig, da die Anbindung an Prognosewerte zu einer deutlich früheren und verbesserten Vorplanung führt. Die Ressourcen könnten so zielgerichteter bereit gestellt werden. Torben Barth und Marco Franz, Fraport AG

Boom or Bust? Ocean shipping as a complex feedback system Johan Kjeldgaard-Pedersen & Knud Erik Wichmann 24 October 2008 johan.kjeldgaard-pedersen@paconsulting.com

Contents 1. Introduction and motivation 2. Shipping demand and a (perhaps surprising) link to traditional OR 3. Dynamics of freight and vessel markets 4. Shipyard dynamics 5. SD and Future Worlds scenario planning PA Knowledge Limited 2008. Boom or Bust.ppt Page 2

Is the engine of globalization overheating? 10,000 Baltic Dry Index 7,500 5,000 2,500? 0 1985 1990 1995 2000 2005 2010 2015 PA Knowledge Limited 2008. Boom or Bust.ppt Page 3

Market-watchers predictions stop just when ship-owners' needs start Analysts forecast shipping supply and demand into the future, but only as far as they can see into the pipeline, using (publicly) known and usually quite detailed information on: Current global fleet (types, sizes and ages of vessels) Order book (capacity ordered and partially paid but not yet delivered from shipyards Known regulations coming into play Recent trends in demand for goods and commodities Regional developments in infrastructure, outsourcing and production/mining. This means that forecasts only project 1-2 years into the future. In other words, the forecasts stop just when they should start, for a shipping company to understand, for example, the operating profitability of vessels about to be ordered. Furthermore, the recommendations of the analysts reports usually do not differ much, which is no surprise given the very similar methodologies used. Hence, relying on any given analyst s recommendations would normally lead to an average performance. But this is bad news in an industry, which since World War II has delivered lower return on investment than common stocks with significantly higher risk. PA Knowledge Limited 2008. Boom or Bust.ppt Page 4

Dynamic hypothesis the market for shipping capacity as a supply chain Economic development Supply and sourcing Geopolitics Terminals / infrastructure Shipping Demand Shipping Companies & Shipowners Cost Picture Shipyards/ Equipment The internal feedback dynamics are dominated by market feedback around delays in acquiring vessels and shipbuilding capacity. PA Knowledge Limited 2008. Boom or Bust.ppt Page 5

Contents 1. Introduction and motivation 2. Shipping demand and a (perhaps surprising) link to traditional OR 3. Dynamics of freight and vessel markets 4. Shipyard dynamics 5. SD and Future Worlds scenario planning PA Knowledge Limited 2008. Boom or Bust.ppt Page 6

It's the economy, stupid (but it s also the distance) Economic development Supply and sourcing Geopolitics Terminals / infrastructure Shipping Demand Shipping Companies & Shipowners Cost Picture Shipyards/ Equipment Local trends are clear. Consumption of finished (containerized) goods and commodities is very tightly linked to: Inflation-adjusted GDP Change in inflation-adjusted GDP Demand is the most elusive concept in the shipping supply chain, given the absence of reasonable global data. Ships are deployed wherever they can command the highest freight rate, so it would make little sense to look at only those markets where data can be procured. Quantification of the likely feedback from cost of ocean shipping capacity to demand for finished goods and commodities could be an interesting path for further analysis. We apply traditional OR to forecast shipping (ton-mile) demand, assuming that free market efficiency can be taken as transport distance minimization (with certain constraints). PA Knowledge Limited 2008. Boom or Bust.ppt Page 7

Contents 1. Introduction and motivation 2. Shipping demand and a (perhaps surprising) link to traditional OR 3. Dynamics of freight and vessel markets 4. Shipyard dynamics 5. SD and Future Worlds scenario planning PA Knowledge Limited 2008. Boom or Bust.ppt Page 8

Feedback causing dull decades and hyperbolic hysteria Economic development Supply and sourcing Geopolitics Terminals / infrastructure Shipping Demand Shipping Companies & Shipowners Cost Picture Shipyards/ Equipment As with any free market, ocean shipping prices (freight rates) are governed by supply and demand. As already hinted, demand tends to be quite inelastic to freight rates, which can respond almost hyperbolically during a boom with constrained supply. The main feedback loop ensuring availability of shipping capacity has significant delay. When shipyards are constrained, this delay is even longer. Market demand for goods and commodities B1 Ton miles transport demand Freight Rates Utilization Fleet Market expectations B2 Vessel deliveries B4 Order book Vessel Orders B3 Delivery delay Available shipyard capacity Analysts reports (and meticulously scrutinized order books) provide early warning feedback. PA Knowledge Limited 2008. Boom or Bust.ppt Page 9

Contents 1. Introduction and motivation 2. Shipping demand and a (perhaps surprising) link to traditional OR 3. Dynamics of freight and vessel markets 4. Shipyard dynamics 5. SD and Future Worlds scenario planning PA Knowledge Limited 2008. Boom or Bust.ppt Page 10

Enter the shipbuilding dragon but is the lair big enough? Economic development Supply and sourcing Geopolitics Terminals / infrastructure Shipping Demand Shipping Companies & Shipowners Cost Picture Shipyards/ Equipment The shipyard industry is the back end of the shipping capacity supply chain presented here. Upwards adjustment of shipbuilding capacity is difficult for a number of reasons: Requirements for large amounts of expertise Difficulty expanding or finding room for (huge) industrial facilities Large amounts of capital required up front. 40% of the current order book for the largest class of dry cargo vessels (Capesize) is placed with either new or green field shipyards, most of which are located in China. Downwards adjustment of shipbuilding has tended to be even harder, not least because of political desires to protect an industry of perceived strategic importance and the job it creates. The current (record) order book for Capesize dry cargo vessels. Note the underlying expansion in shipbuilding capacity, not least in China. PA Knowledge Limited 2008. Boom or Bust.ppt Page 11

Contents 1. Introduction and motivation 2. Shipping demand and a (perhaps surprising) link to traditional OR 3. Dynamics of freight and vessel markets 4. Shipyard dynamics 5. SD and Future Worlds scenario planning PA Knowledge Limited 2008. Boom or Bust.ppt Page 12

At PA, we often apply quantitative modeling of this strategic nature in the context of Future Worlds scenario planning Scenario planning is an excellent means of encouraging broad thinking by a group of stakeholders about a wide range of elements of an uncertain future environment in which the organization will operate In one common form of this approach, potential elements of future scenarios (i.e. things that matter in the time frame of interest) are first defined in brainstorming mode These potential scenario elements are then typically clustered by grouping related elements together, and eventually defining a small number (frequently two) axes along which the most important of these elements seem to fall and define a spectrum of sorts These axes are then used to define logical scenarios for example, one scenario for each quadrant where the primary differences are defined by the axes chosen Potential business strategies are then usually evaluated for likely effectiveness under these different scenarios The scenarios describes different future worlds. Threats Missions Sourcing Career paths Price Relies on M&A / partners Global Demand New technologies Constraints and Boundaries Delivery security Brainstorming elements of future scenarios (indicative only) Scenario 1 Scenario 3 Market expanding Market consolidation Scenario 2 Scenario 4 Key dimensions of future scenarios (indicative only) International alliances Spending Politics Client goes it alone PA Knowledge Limited 2008. Boom or Bust.ppt Page 13

Schedule Productivity & Quality Out-of- Sequence Work Out-of- Sequence Work Delayed Technical Information Overtime Rework Levels Staff Shortage Avg. Experience Level Cost Organization Size Customer Satisfaction Available Staff External Staffing Availability Hiring Work Awarded Required Staff http://www.digibib.tu-bs.de/?docid=00024302 02/02/2009 System Dynamics adds rigor to the decision making process Market expanding Using a dynamic framework adds rigor to use of the scenarios by making it much easier to reasonably answer the question how does this external change impact our business and its dynamics? Input from strategy owners/ other stakeholders (and feedback to gain their buy-in ) Relies on M&A / partners Key scenarios as input (and feedback on their consistency, completeness) Schedule Productivity & Quality Scenario 1 Scenario 3 Delayed Technical Information Overtime Market consolidation Rework Levels Staff Shortage Avg. Experience Level Dynamic framework defining key factors, interactions, and links to business performance Cost Organization Size Scenario 2 Scenario 4 Client goes it alone Customer Satisfaction Available Staff External Staffing Availability Hiring Work Awarded Required Staff Leverage on performance What? Why? How fast? Priorities/Initiatives More rigorous platform for strategic thinking, plus prioritization/scoring and rationale for specific strategies and priorities Reports Surveys Other models Pertinent existing industry/other information sources PA Knowledge Limited 2008. Boom or Bust.ppt Page 14

Regulatory Impact Assessment for the Transportation Sector Case Study Germany Grit Walther Gi Grischa Meyer, Thomas Spengler Institute of Production and Logistics Management Technische Universität Braunschweig

Agenda 1 Introduction 2 Model 3 4 Case Study Perspective http://en.wikipedia.org/wiki/image:exhaust_pipe_muffler.jpg 2

1. Introduction Development of emissions Thresholds for new vehicles on HC, CO, NO x, pm emissions Emission reduction Total EU: Emission CO Total 2 -Emissions, NOThresholds x -Emissions Germany Germany CO 2 -Emissions? Transportation Transportation AfU (2006), Umweltbundesamt (2007) 3

1. Introduction CO 2 -Emissions: 2 Emission Trading: 21% Industry 16% other sources 37% Energy agriculture 19% Transportation Road Transportation sector: High effort because of many small sources (vehicles) Regulation and incentives? 4

1. Introduction Assessment of legal measures for emission reduction in the transportation sector. Many potential measures (thresholds, economic incentives) Many actors (politicians, automotive industry, customers) Interdependencies between social, technical, environmental, macro-, and microeconomic factors Dynamic developments, long-term impacts, feedback-loops, nonlinearities, delays between cause and effect System Dynamics Model 5

Agenda 1 Introduction 2 Model 3 Case Study 4 Perspective http://en.wikipedia.org/wiki/imagecars.jpg 6

2. Model a) Market Market share Sales Vehicle stock Market diffusion of new technologies Emissions Customers Preferences Ford, A. (1999). 7

2. Model a) Market Market share Sales Vehicle stock Market diffusion of new technologies Customers Preferences U6. Average U1. Sales Horse Power Price U5. Fuel U2. Fuel U4. Availability Costs U3. i Range Emissions MS V Emissions e = n i= 1 U V e U i Mc Fadden (1973); Bunch, D. S. (1992) 8

2. Model a) Market b) Vehicle Aging Chain Market share Sales Vehicle stock Retirements Market diffusion of new technologies Kilometers travelled Emissions c) Emissions Customers Preferences? Fuel consumption Political decision maker 9

Policy Options: Bonus/Malus payments on purchase price: Malus for non-efficient vehicles Malus for diesel without filter / prohibition of sale Bonus for green vehicles 2. Model Taxes during usage phase: Environmental taxes on fuel types Conversion from displacement tax to CO 2 emission based tax Scrapping premiums: Premium for scrapping of cars (e.g. > 15 years) 10

2. Model a) Market b) Vehicle Aging Chain Market share Sales Vehicle stock Market diffusion of new Budget for Emissions c) Retirements technologies Customers Preferences environmental measures Kilometers travelled Fuel consumption Emissions Motor Vehic- le/ Environm.Tax Bonus-/ Maluspayments Scrapping premiums Political decision maker 11

2. Model Ford, A. (1999). 12

Autopilots for determination of decision variables Three feedback loops: Total oa bonus expenditures es Total malus receipts Adjustment of Eco-Tax Total Budget Homogeneous: Homogeneous bonus for all green vehicles/ homogeneous malus for all conventional vehicles 2. Model Equal: Equal purchase price for all technologies The higher the current purchase price for new technologies (degreasing over time), the higher the bonus Adjustment of Eco-Tax 13

Agenda 1 Introduction 2 Model 3 Case Study 4 Perspective 14

3. Case Study Case Study: Germany Data: Initial values of vehicle stock Current market shares Characteristics of vehicle types Sales Prices Emissions depending on vehicles ages Sources: Official sources: Federal Transportation Authority, Governmental Statistics, Environmental Protection Agency, Costumers preferences Future development of prices, emmissions, technologies, efficiency Volkswagen AG 15

3. Case Study Conventional 6 Fuel Types Alternative Vehicle Types Vehicle Types Gasoline Gasoline from Oil Natural Gas Natural Engine Gas Fuel from Diesel Biomass with P-Filter Diesel from Oil without P-Filter Electricity Hydrogen Hybrid Gasoline Hybrid Diesel Electric- Akku Electric- Fuelcell 16

3. Case Study Scenarios: 1 6 7 11 1 6: External parameters 7-11: Legal measures: Scenario 1 2 3 4 5 6 7 8 9 10 11 Model Basic Basic Basic Basic Basic Basic Adv. Adv. Requ_A Homog Homog Requ_A Ropt_A Equal U1: price development off on on on on on on on on on on U2: fuel consumption d. off on on 0-1 on on on on on on on U3: range development off on on on on on on on on on on U4: emission fraction d. off on on 0-1 on on on on on on on U5: fuel availability d. off on (1) 0-1,5 on on on on on on on on U6: horsepower d. off on on on on on on on on on on time f. fuelprice doubling 20 20 20 20 20 12 20 20 20 20 20 travel distance variation 0 0 0 0-100 0 0 0 0 0 0 CO2-Vehicle tax off off off off off off on off on on on with adjustment no no no no no no yes no yes yes yes year for P.F.-Diesels 2040 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 extra Fee PMx-Filter no no no no no no no vari 300 300 300 Scrappage payment no no no no no no no no no 700 no max ET for Balance 0 Mrd. 0 Mrd. 0 Mrd. 0 Mrd. 0 Mrd. 0 Mrd. 0 Mrd. 0 Mrd. 2,1 Mrd. 2,1 Mrd. vari Total Feebate Value x x x x x x x x 7 Mrd. 7 Mrd. vari Ratio ET for Balance x x x x x x x x 0.3 0.3 0.3 17

3. Case Study Business as usual: CO 2 [Mt/a] CO [Kt/a] NO x [Kt/a] HC [Kt/a]

3. Case Study Taxes during usage phase: Bonus/Malus on purchase price: 19

Recommendations: 3. Case Study Taxes on fuel consumption lead to short-term reductions, but are not that t effective on the long-term Best long-term steering effect by Bonus/Malus payments on purchase price Certain budget is necessary, but can be controlled Total substitution tion of vehicles in stock takes time measures must be taken now in order to achieve good results within the next 10-20 years 20

Agenda 1 Introduction 2 Model 3 Case Study 4 Perspective http://en.wikipedia.org/wiki/image.cars.jpg 21

4. Perspective Assessment of legal measures for emission reduction in transportation Legal Impact Assessment System Dynamics model Case study: Germany (and also Japan) Deduction of recommendation for political decision makers Current work: Business (technical/marketing) strategies of automotive manufacturers Assessment of CO 2 -penalties on fleet sold Detailed modelling of purchase and modal split decisions of the customers (agent based) 22

Thank you for your attention! Dr. Grit Walther g.walther@tu-bs.de Technische Universität Braunschweig Production & Logistics Management 23

Questions? Dr. Grit Walther g.walther@tu-bs.de Technische Universität Braunschweig Production & Logistics Management 24

Open vs. Closed Loop Optimisation of a Kanban Logistic System The Case of a Pharmaceutical Plant s Supply Chain Prof. Dr. Jürgen Strohhecker Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft für System Dynamics, 13. und 14.11.2008, Frankfurt am Main

Push or Pull? Push production systems: Central ERP system Central material requirements planning Central master production schedule Kanban Decentralized logistic system Developed mostly within Toyota and with its suppliers in the 1950s and 1960s Nowadays well known and in many companies thoroughly implemented 19.11.2008. 2

Kanban Optimisation Research Streams Analytic research One product single-stage One product two- or multi-stage Multi-product single-stage Multi-product two-stage Simulation based research More complex and realistic kanban systems In Common: Demand is assumed exogenous Open loop optimisation 19.11.2008. 3

Research Questions, Methodology and Findings Research Questions Can the configuration of a kanban logistic system be improved by optimisation with the customer feedback loop closed? Research Methodology Combination of model-based and case-study-based elements: DES kanban simulation model SD kanban simulation model Case of a multi-product multistage pharmaceutical supply chain Key Findings YES! Closed loop optimisation sometimes leads to better results than open loop optimisation. High capacity utilization Low inventory and stockout costs 19.11.2008. 4

The Research Site Pharmaceutical plan: Pharmaceutical company 5-stage supply chain segment Three products (P1, P2, P3) More than 90 presentations Non-dedicated equipment Centralized planning and control Push production system Objectives: Competitiveness Inventory Costs Throughput time Order fulfilment time Measures: Value stream analysis Development of a future state map with kanban control principles 19.11.2008. 5

Intended Kanban System - Overview Manufacturing II Material SM Packaging Material SM Suppliers Weighted Sample SM Formulation SM Bulkware SM Weighing Manufacturing I Manufacturing II Packaging Shipping Legend: Production Kanban Card Material Flow Information Flow Withdrawal Kanban Card Supermarket (SM) Customers 19.11.2008. 6

Customer Demand Characteristics Obvious fluctuations in customer demand Mean/Stddev: P1: 27 % P2: 24 % P3: 44 % Arrival time between customer orders log normally distributed Jan Feb Mar Apr Minimum order quantity/ maximum order quantity: May Jun Jul Aug P3 0.62 % Sep Oct Nov Dec P1 0.44 % 1.17 % Does a kanban logistic system really work? What is the optimal configuration? A DES model was developed to answer these two questions! 19.11.2008. 7

DES Model Assumptions Focused on three stages: manufacturing II, packaging and shipping Including laboratory test procedures Entities Customer orders BW batches Packaging batches Distributions for stochastic variables Arrival times between orders Order quantities Setup times, down times, machine processing times Constant capacity 19.11.2008. 8

PKC http://www.digibib.tu-bs.de/?docid=00024302 02/02/2009 Discrete Event Simulation Model Overview 12 10 Anzahl Aufträge 8 6 4 2 Create Customer Orders Order Backlog Dispose Customer Orders 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Abstand Aufträge [Tage] 0 Auftragsgröße (Stück) WKC Kanban withdrawal control loop Manufacturing II Start Kanban production control loop BW Raw BW Supermarket Supermarket Material Supermarket BW Manufacturing II BW Supermarket BW BW Supermarket Supermarket Packaging Wait for Final Approval Shipping Approval for Packaging Laboratory Test I Laboratory Test II 19.11.2008. 9

Simulation Results and Optimisation YES! Kanban control could successfully be introduced! Base case (12 Month, 100 Replications): P1 P2 P3 Production Kanban Cards 5 3 3 Throughput Times 38.8 43.8 64.1 days Order Fulfilment Times 5.4 7.0 6.4 days Optimisation of the number of production kanban cards using the genetic search algorithm of Arena s OptQuest Optimisation model: TT + OFT MIN s.t. TT 38.8 TT 1 OFT i 8 Optimisation result: 2 43.8 TT 3 64.1 P1 P2 P3 Production Kanban Cards 4 3 3 Throughput Times 38.5 35.3 61.5 days Order Fulfilment Times 5.4 7.3 6.2 days 19.11.2008. 10

Sensitivity Analysis Kanban Cards Throughput Time [days] Order Fulfilment Time [days] 180 8 160 140 120 P3 7 P2 100 80 60 40 P1 P2 6 5 P3 P1 20 0 ±0 +1 +2 3+ +4 +5 4 ±0 +1 +2 3+ +4 +5 # Production Kanban Cards # Production Kanban Cards 19.11.2008. 11

Sensitivity Analysis Demand Throughput Time [days] Order Fulfilment Time [days] 140 60 120 P3 50 100 80 60 40 20 P1 P2 40 30 20 10 P2 P3 P1 0-50% -40% 20% 0% 20% 40% 50% Order Quantity 0-50%-40% --20% 0% 20% 40% 50% Order Quantity What happens when order fulfilment time rises? Would not customers react? Is the assumption of exogenous demand still appropriate? A SD model was developed to test if optimisation results change when the customer feedback loop is closed. 19.11.2008. 12

Core Feedback and Stock-Flow-Structure Exogenous Demand Manufacturing Time - + Desired BW Manufacturing Rate + Capacity Restricted BW Manufacturing Rate + Desired BW Supermarket + - + - B4 Max BW B3 + B2 Supermarket BW Manufacturing Pull Filling Rate Blockage BW Availability + BW Supermarket + BW Warehousing BW Packaging Rate - + BW + + and Shipments Manufacturing - Throughput Time + Rate Quality Defect Rate Desired B1 Shipments Available BW Manufacturing Capacity BW Batch Size + Min Supermarket Filling Time Gap in BW Supermarket + <Desired Delivery Delay> Incoming Customer Orders No KC BW Supermarket Max BW Shipment Rate + Customer Order Backlog Min Packaging and Shipment Time - FP Pull + Filled Customer Orders Cumulated Filled Customer Orders JSt1 - Order Fulfilment Time 19.11.2008. 13 +

Folie 13 JSt1 Order Fulfilmet Time falsch Jürgen Strohhecker, 12/11/2008

SD Simulation Results And Comparison with DES Simulation Results SD Simulation Results (dt = 0.03125, 300 Month) P1 P2 P3 Production Kanban Cards 4 3 3 Throughput Times 24.4 18.1 37.6 days Order Fulfilment Times 7.6 7.8 7.6 days BW Supermarket 599,547 444,860 450,159 units Customer Order Backlog 204,128 212,148 116,202 units Deviation from DES Simulation Results P1 P2 P3 Throughput Times -37% -49% -39% Order Fulfilment Times 41% 7% 23% BW Supermarket -6% -4% -17% Customer Order Backlog 29% -12% 17% 19.11.2008. 14

Closing the Customer Feedback Loop BW Warehousing Rate - Quality Defect Rate Normal Incoming Customer Orders <Desired Delivery Delay> Incoming Customer Orders + + BW Supermarket + Throughput Time Effect of Order Fulfilment Time Performance - + Customer Reaction Time - - Desired Shipments + Customer Order Backlog BW Packaging and Shipments + B5 Loosing Orders Effect of Order Fulfilment Time Performance + B1 FP Pull + Filled Customer Orders R1 Growth Through Service - Order Fulfilment + Time - + Order Fulfilment Time Performance Cumulated Filled Customer Orders Customers' Desired Order Fulfilment Time 19.11.2008. 15

Customer Feedback Model Assumptions Non-linear, logistic function models the effect of order fulfilment performance on customer orders 3rd order delay with an average delay time of six months Effect on Customer Orders 1 0.8 0.6 0.4 0.2 0 Insensitive Customers Very Sensitive Customers 0 0.2 0.4 0.6 0.8 1 1 0 Customer Orders Effect on Orders Order Fulfilment Time 0 12 24 36 Order Fulfilment Performance Month 19.11.2008. 16

Impact of Closing the Loop on Optimal Kanban Configuration No impact on P1 and P3 Minor impact on P2: 4.0% 3.0% 2.0% 1.0% 0.0% -1.0% -2.0% -3.0% Throughput Time Order Fulfilment BW Time Supermarket Customer Order Backlog But 1.3 % of total customer orders for P2 got lost! A new objective function for optimisation is needed! 19.11.2008. 17

Adequate Objective Function for the Closed Loop Model Objective Function: COP = 300 0 3 i= 1 ( v c ) FCI ( t) h BWS ( t) p [ DS ( t) FCI ( t) ] i i i i i i i i dt v Price per unit c Variable costs per unit h Inventory holding costs per unit and month p Stockout costs per unit and month FCI Filled Customer Orders BWS Bulkware Supermarket DS Desired Shipments Proceeding from open loop to closed loop optimisation can change the optimal kanban configuration if - demand pressure is sufficiently high - inventory and stockout costs are sufficiently low 19.11.2008. 18

Open vs Closed Loop Optimisation Results An Example v = 1.0 c = 0.4 h = 0.05 p = 0.05 6 5 Kanban cards 4 P3 Closed Loop P3 Open Loop P2 Closed Loop P2 Open Loop P1 Closed Loop P1 Open Loop ±0% +10% +20% +30% Change in demand 3 19.11.2008. 19

Conclusions Optimizing kanban configuration based on the assumption of exogenous demand is widespread in operations management. Open loop optimisation results often leads to the recommendation of lean inventory policies. However, if customers respond to long delivery times, capacity utilization is high and inventory and stockout costs are low high inventory policies lead to better results. With its feedback focus, SD may help to become aware of such issues. However, closing the customer feedback loop does not always change policy recommendations. 19.11.2008. 20

Prof. Dr. Jürgen Strohhecker Frankfurt School of Finance & Management Sonnemannstraße 9-11 D-60314 Frankfurt am Main T +49-69 154008-110 F +49-69 154008-728 E-Mail: j.strohhecker@frankfurt-school.de