Optimierung globaler Produktionsnetzwerke unter Berücksichtigung strategischer Risiken
Reinhard Riffel
Global agierende Unternehmen verfügen i. d. R. über weltweit verteilte Standortnetzwerke, die Produktion wird dabei auf mehrere Werke verteilt.
Neben Kapazitätsrestriktionen, ein einzelnes Produktionswerk könnte z. B. nicht das Produktionsvolumen eines großen Automobilherstellers ausbringen, bringt die Verteilung der Produktionsvolumen auf mehrere Werke weitere Vorteile mit sich, etwa kürzere Transportzeiten in die Absatzmärkte aber auch Kostenvorteile z. B. durch geringere Lohnkosten bei einer „lokalen“ Produktion im Land des jeweiligen Absatzmarktes. Dabei stehen die Unternehmen vor der Aufgabe, eine möglichst optimale Verteilung des Produktionsvolumens auf die einzelnen Standorte zu finden, um das Primärziel der Gewinnmaximierung zu erreichen sowie die Sekundärziele, bspw. das Erreichen einer Mindestauslastung für jedes Werk, sicherzustellen.
Aus der Verteilung von Produktionsvolumen ergeben sich für global agierende Unternehmen jedoch auch wesentliche Risiken. Neben operativen Risiken sind dies insbesondere strategische Risiken. Beispiele hierfür sind die Erhöhung von Importzöllen, Nachfragefrageschwankungen sowie Wechselkursschwankungen. Diese Risikoereignisse können im Eintrittsfall langanhaltende, vom Unternehmen nicht beeinflussbare negativ Auswirkungen entfalten und stellen somit ein strategisches Risiko da.
Daraus leitet sich die Thematik dieses Buch ab, ein Optimierungsmodell zu entwickeln, welches für global agierende Unternehmen mit weltweit verteilten Produktionsstandorten die optimale Verteilung von Produktgruppen und Produktionsvolumen findet unter Berücksichtigung wesentlicher strategischer Risiken.
Zur Lösung der Aufgabenstellung wird ein dynamisches stochastisch gemischt ganzzahliges lineares Optimierungsmodell mit einer Zielfunktion entwickelt und mathematisch formuliert, welches die zuvor als strategisch relevant identifizierten Risiken von steigenden Importzöllen sowie Wechselkurs- und Nachfrageschwankungen berücksichtigt. Dieses Modell wird mit Hilfe einer Fallstudie, der fiktiven „Deutsche Motorenwerke AG“, einer numerischen Analyse unterzogen. Aus den Ergebnissen wird der weitere Forschungsbedarf identifiziert sowie ein Best-Practise-Ansatz für die Praxis abgeleitet.