跳轉到

2.2 學習曲線1936#

本章導言#

一個看似簡單的現象，在大量生產的車間裡反覆出現：同一件工作，做第二次比第一次快，做第十次比第五次快，但隨著次數增加，速度的提升會逐漸變慢，最終趨於一個穩定的極限值。

這個經驗法則在第一次世界大戰期間尤其明顯。美國政府與軍火廠商大量訂購飛機、船艦、彈藥時，初期生產效率普遍偏低，隨著工人熟練度提升與生產流程調整，單位製造時間明顯下降。但不同廠商、不同產品下降的幅度各不相同，管理者急需一個能預測這種「熟練效應」的量化模型。

解答這個問題的是 Theodore Paul Wright（西奧多·P.賴特，1885–1970）。賴特是美國航空工程師，曾參與多項飛機設計與生產管理工作。根據他在航空工業的大量觀測，他於 1936 年發表論文「Factors Affecting the Cost of Airplanes」（《影響飛機成本的因素》），首次系統地提出了學習曲線（learning curve）的數學模型。

賴特發現：每當累積生產量加倍時，平均單位直接人工成本（或平均單位製造時間）傾向於減少一個固定的百分比。這個固定百分比稱為「學習率」（learning rate）。學習曲線模型應運而生，成為生產成本預測、工時估算、報價與產能規劃的重要工具。

值得注意的是，類似觀念早在 20 世紀初已由心理學家 Hermann Ebbinghaus（艾賓浩斯，1850–1909）研究過記憶的「遺忘曲線」與「學習曲線」（1897 年），但賴特是第一位將其量化應用於工業生產成本，並建立可直接用於管理決策的數學形式。

賴特學習曲線的數學形式#

賴特假設：累積產量由 \(x\) 單位增加到 \(2x\) 單位時，生產這 \(2x\) 單位的平均單位時間（或平均單位成本） \(y_{avg}(2x)\) 是生產 \(x\) 單位的平均單位時間 \(y_{avg}(x)\) 的一個常數比例 \(b\) ，即

\[ y_{avg}(2x) = b \cdot y_{avg}(x) \]

其中 \(0 < b < 1\) ，稱為「學習率因子」（learning rate factor）。例如 \(b = 0.80\) 表示「每加倍一批，平均單位時間減少 20%」，即學習率為 \(80\%\) 。

這個比例關係可推導出幂函數（power function）形式。令 \(y_{avg}(x)\) 為累積生產 \(x\) 單位時的平均單位時間：

\[ y_{avg}(x) = a \, x^k \]

其中 \(a\) 是生產第一單位（ \(x=1\) ）所需的時間（或成本）， \(k\) 是學習指數（learning exponent）。

由 \(y_{avg}(2x) = a (2x)^k = a \, 2^k \, x^k = 2^k \, y_{avg}(x) = b \, y_{avg}(x)\) ，可得

\[ b = 2^k, \qquad k = \frac{\log b}{\log 2} = \frac{\ln b}{\ln 2} \]

由於 \(0<b<1\) ， \(k < 0\) ，因此 \(x^k\) 隨 \(x\) 增加而遞減，平均單位時間隨累積量增加而下降，且下降速率遞減。

學習率的意義#

常見的學習率有 \(80\%\) 、 \(85\%\) 、 \(90\%\) 等。學習率愈低（例如 \(70\%\) ）表示學習效果愈顯著；學習率愈接近 \(100\%\) 表示幾乎沒有學習效益。不同產業的典型學習率大致如下：高重複性手工組裝約 \(80\% \sim 85\%\) ，複雜機械組裝約 \(85\% \sim 90\%\) ，高度自動化或設計變動頻繁的產品則接近 \(95\% \sim 100\%\) 。

平均單位時間 vs. 累積總時間#

學習曲線模型最初定義的是平均單位時間。累積總時間 \(T(x)\) 為生產前 \(x\) 單位的總工時：

\[ T(x) = \sum_{i=1}^{x} t_i \approx \int_{0}^{x} y_{avg}(u)\,du = \int_{0}^{x} a\, u^k\, du = a \cdot \frac{x^{k+1}}{k+1}, \qquad (k \neq -1) \]

因此，累積總時間也是 \(x\) 的幂函數。當 \(x\) 很大時，近似積分與實際級數誤差很小，管理預測上常用此連續近似。

此外，我們也可推導第 \(x\) 單位（margin unit） 所需時間 \(t_x\) 的近似：

\[ t_x \approx \frac{d}{dx} T(x) = a\, x^k = y_{avg}(x) \]

在連續近似下，第 \(x\) 單位的時間近似等於累積 \(x\) 單位的平均單位時間。這是幂函數形式學習曲線的一個便利性質。

例題 2.2.1：某零件生產的學習率為 \(80\%\) ，生產第一單位需 \(100\) 小時。求累積生產 \(8\) 單位的平均單位時間與累積總時間。

解： \(a = 100\) ， \(b = 0.80\) ， \(k = \frac{\ln 0.80}{\ln 2} = \frac{-0.223144}{0.693147} \approx -0.321928\) 。

累積 \(x=8\) 單位的平均單位時間：

\[ y_{avg}(8) = 100 \times 8^{-0.321928} \]

計算 \(8^{0.321928}\) ： \(\ln 8^{0.321928} = 0.321928 \times \ln 8 = 0.321928 \times 2.079442 \approx 0.669432\) ，故 \(8^{0.321928} \approx 1.953\) ，因此 \(8^{-0.321928} \approx 0.512\) 。

所以 \(y_{avg}(8) \approx 100 \times 0.512 = 51.2\) 小時／單位。

累積總時間（積分近似）：

\[ T(8) = a \cdot \frac{8^{k+1}}{k+1}, \quad k+1 = 0.678072 \]

\(8^{0.678072} = \exp(0.678072 \times 2.079442) \approx \exp(1.409) \approx 4.092\) ，故

\[ T(8) \approx 100 \times \frac{4.092}{0.678072} \approx 100 \times 6.033 \approx 603.3\,\text{小時} \]

驗證「加倍原則」：累積 \(1\) 單位平均 \(100\) 小時，累積 \(2\) 單位平均 \(80\) 小時（總 \(160\) ，平均 \(80\) ），累積 \(4\) 單位平均 \(80\%\) of \(80 = 64\) 小時（總 \(256\) ），累積 \(8\) 單位平均 \(80\%\) of \(64 = 51.2\) 小時（總 \(409.6\) ？）——注意：用「平均加倍」推算總時間要小心， \(8\) 單位平均 \(51.2\) ，總 \(8 \times 51.2 = 409.6\) 小時。但用積分近似得到 \(603.3\) 小時（偏高），這是連續近似與離散級數的差異。更精確的離散計算是逐單位或按批次的級數和。管理實務上通常使用「批次平均」的對數表或直接用 \(y_{avg}(x)=a x^k\) 計算累積平均，再乘以 \(x\) 即可得累積總時間的合理估計： \(T(8)=8\times 51.2=409.6\) 小時。積分公式在 \(x\) 大時接近，對小 \(x\) （如 \(x=8\) ）會有近似誤差，關鍵是要清楚使用的是「連續近似」還是「離散模型」。

學習曲線的適用範圍與限制#

學習曲線並非普遍適用於所有工作。它最適用於：

  • 手工密集、重複性高的作業（組裝、焊接、包裝等）
  • 產品設計穩定，未頻繁大幅改版
  • 工作人員相對穩定，且有學習動機
  • 生產流程尚未高度自動化（自動化程度愈高，學習效應愈弱）

不適用或效果減弱的情況包括：高度自動化生產線（機器決定節拍）、研究開發、一次性專案（非重複生產）、或產品頻繁變更導致「學習被中斷」。

此外，學習曲線也有平台期（plateau）：當工人達到生理或技術極限後，平均時間會趨於一個最低穩定值，不再隨累積量下降。

管理意涵：成本預測、報價與產能#

學習曲線最直接的應用是成本預測。航空工業在承接大批飛機訂單時，初始報價若只用第一架成本，往往嚴重高估利潤或錯誤報價。賴特模型讓承包商能預估第 \(100\) 架、第 \(500\) 架的單位成本，從而制定合理的長期合約價格。

另一個應用是工資與激勵：若預期未來單位工時會下降，計件工資率就必須隨累積量調整，否則工人可能因效率提升反而收入下降，這也是學習曲線在實務推行時常引發爭議的原因之一。

在生產規劃方面，學習曲線可用於預估所需總工時、人力配置與設備負荷。尤其是新產品導入期（ramp-up），若不考慮學習效應，很容易低估前幾批的產能瓶頸。

與其他成長模型的比較#

學習曲線描述的是效率提升（時間遞減）的幾何模式，而 2.1 節的複利描述的是資本累積（金額遞增）的指數模式。兩者同屬幂函數／指數族，但方向相反、意義不同。學習曲線的 \(x^k\) （ \(k<0\) ）是「經驗的報酬遞減」（diminishing returns to experience），而非無限指數成長。

前因後果與驅動關係#

  • 管理問題驅動理論：第一次世界大戰後航空訂單龐大，廠商無法用靜態成本預測長期合約。必須量化「重複生產帶來的熟練效應」，這直接促使 Wright 於 1936 年提出模型。
  • 理論如何改變實務：學習曲線將「經驗」轉化為可預測的成本函數，改變了報價策略與長期生產規劃。它是作業管理中最早將「累積量」作為自變數的預測模型之一。
  • 對後續章節的影響：2.3 節指數平滑處理的是短期需求波動的平滑，而學習曲線處理的是長期的趨勢下降（效率趨勢）。兩者都是時間序列／經驗數據的趨勢建模。第5.3 節 MRP 涉及生產批次與累積需求，也需考慮學習效應對工時的影響。
  • 與兄弟書的連結：《經濟的數學》第4章討論生產函數與規模報酬，學習曲線則描述「隨經驗累積的學習報酬」（learning-by-doing）。Arrow（1962）將 learning-by-doing 正式納入經濟增長理論，與 Wright 的管理模型一脈相承。

練習#

  1. 某產品學習率 \(85\%\) ，第一單位需 \(80\) 小時。求累積生產 \(16\) 單位的平均單位時間。
  2. 接上題，計算累積 \(16\) 單位的總工時，並估算生產第 \(16\) 單位所需時間（用連續近似 \(t_x \approx y_{avg}(x)\) ）。
  3. 學習率由 \(90\%\) 降至 \(80\%\) ，對累積 \(8\) 單位平均單位時間的影響有多大？（假設 \(a=100\) 小時，比較兩者數值）
  4. 思考題：為何學習曲線在高度自動化生產線上效果大幅減弱？從「人力熟練」vs.「機器節拍」角度說明。
  5. 思考題：企業在報價長期合約時，若忽略學習曲線，最可能出現「低報價導致虧損」還是「高報價喪失訂單」？理由為何？

年表速查#

  • 1897：Hermann Ebbinghaus 發表記憶學習曲線研究。
  • 1925–1935：Theodore P. Wright 在航空工業累積生產成本觀測數據。
  • 1936：T. P. Wright 發表論文「Factors Affecting the Cost of Airplanes」（Journal of the Aeronautical Sciences），首次提出工業學習曲線模型。
  • 1940 年代：美國軍方在飛機、艦艇生產中廣泛應用學習曲線預測成本。
  • 1962：Kenneth J. Arrow 提出「learning by doing」納入經濟增長模型（Review of Economic Studies），將管理實務提升至經濟理論層面。

名詞速查表#

  • 學習曲線（learning curve）：描述累積生產量增加時，平均單位時間或成本遞減的關係曲線。
  • 學習率（learning rate）：累積產量加倍時，平均單位時間（或成本）所剩的百分比（ \(b \times 100\%\) ）。
  • **學習指數 \(k\) **： \(k=\frac{\log b}{\log 2} < 0\) ，決定遞減速率的指數參數。
  • **第一單位時間 \(a\) **：生產第 1 單位所需的時間或成本。
  • **平均單位時間 \(y_{avg}(x)=a x^k\) **：累積生產 \(x\) 單位的平均每單位工時。
  • learning by doing（邊做邊學）：生產過程本身累積經驗而提升效率的現象。
  • 平台期（plateau）：學習效應趨於飽和、不再顯著下降的階段。