La modelisation arena comme outil d`etude de l

Transcription

8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
« Evaluation et optimisation des systèmes innovants de production de biens et de services »
LA MODELISATION ARENA COMME OUTIL D’ETUDE DE L’INFLUENCE
DU VMI SUR LES NIVEAUX DE STOCKS DES CHAINES LOGISTIQUES
S. ROUIBI, P. BURLAT
Y. FREIN, Y. OUZROUT
Ecole Nationale Supérieure des Mines de Saint-Etienne
158, Cours Fauriel
42023 Saint-Étienne cedex 2 - France
[email protected], [email protected]
Ecole Nationale Supérieure de Génie Industriel
46 avenue Félix Viallet
38031 Grenoble Cedex - France
[email protected]
IUT Lumière
160 bd de l’université
69676 Bron Cedex - France
[email protected]
RESUME : Cet article présente une modélisation d’une chaîne logistique multi-échelons. Elle dispose en son amont
d’un fournisseur et d’un client en son aval. Les six maillons de la chaîne logistique sont constitués de trois entreprises
de production séparées par trois entreprises de transport. La production se fait en MTS (Make to Stock) et la gestion de
la production et des approvisionnements en ROP (Reorder Replenishment Point). Les performances des échelons
peuvent être identiques (cas des chaînes homogènes) ou elles peuvent varier (cas des chaînes logistiques hétérogènes).
Afin de pouvoir étudier l’influence du VMI sur le niveau de stock de ces différentes chaînes, il est nécessaire de passer
par une étape de modélisation. Les principes de cette modélisation sont présentés dans cet article. L’outil utilisé pour
l’analyse des résultats du modèle est le logiciel de simulation à évènements discrets Arena.
MOTS-CLES : VMI, simulation, chaînes logistiques, mécanismes de coordination, partage d’information.
1
cette hétérogénéité1. Le mécanisme de coordination
choisi ici est le Vendor Management Inventory (VMI).
INTRODUCTION
De nombreuses entreprises s’accordent à dire que le développement de la coordination et de la coopération peut
améliorer l’efficacité de leur chaîne logistique. Cependant, il est difficile de trouver des études chiffrées qui
déterminent les gains atteignables lors de la mise en
place de tels mécanismes.
Dans ce contexte, notre problématique est d’étudier
pertinence de l’ajout de mécanismes de coordination
d’échange d’information dans des chaînes logistiques,
de quantifier l’impact en termes d’amélioration de
performance.
la
et
et
la
La coordination est très complexe à définir. Il en existe
plusieurs définitions, la plus communément utilisée dans
la littérature est : ‘‘the act of managing dependencies
between entities and the joint effort of entities working
together towards mutually defined goals’’ (Malone and
Crowston, 1994).
Dans cet article, sont étudiées des chaînes logistiques
hétérogènes où la performance des différents maillons
est inégale, puis est analysé dans quelle mesure la
coordination peut rattraper la perte de performance due à
Cet article commence par un état de l’art sur les notions
du Bullwhip effect, du partage d’information et du VMI.
Puis est présentée, dans la troisième section, la chaîne
logistique de départ, sur laquelle seront effectués des
développements. Dans la quatrième section, est présenté
le procédé de modélisation du transport. La cinquième
section explique comment ont été construites les
différentes classes de performance des chaînes
logistiques. L’introduction du VMI dans le modèle de la
chaîne logistique fait l’objet de la sixième section. Les
différents résultats de simulations sont discutés à la
septième section. Et enfin, les perspectives de travail
sont données en conclusion.
2
ETAT DE L’ART
L’importance grandissante du Supply Chain Management encourage la recherche à trouver des techniques qui
permettent de mieux l’analyser. La modélisation ainsi
que la simulation fait partie de ces outils. “Simulation is
the process of designing and creating a model of a real or
proposed system, using abstract objects in an effort to
replicate the behaviour of their real-world equivalents”
(Kim et al., 2004). La simulation offre la possibilité
1
Ce travail a été réalisé dans le cadre d’une collaboration entre les laboratoires G2I, G-SCOP et LIESP au sein
du projet de la région Rhône Alpes Copilotes 2.
MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
d’étudier le comportement de phénomènes complexes.
Elle prend en compte des variables stochastiques, et leur
évolution dans le temps (Thierry et al., 2008). Elle offre
également la possibilité d’étudier des scénarios en faisant
varier les paramètres de la simulation. Arena est un puissant logiciel de simulation à évènements discret. C’est
celui choisi dans cette étude.
Les chaînes logistiques ont tendance à fixer leur niveau
de stocks uniquement en fonction de leur demande directe. Cette approche possède des inconvénients, l’un des
plus notables est l’effet coup de fouet, appelé par les
anglophones « The Bullwhip Effect ». Cet effet est le
phénomène de l’amplification de la demande le long de
la chaîne logistique. Disney & Towill le définissent
comme suit : “the bullwhip effect refers to the scenario
where the orders to the supplier tend to have larger fluctuations than sales to the buyer and the distortion propagates upstream in an amplified form” (Disney and Towill, 2003). Lee et al. expliquent qu’il existe cinq causes
fondamentales de l’effet Bullwhip : le processus de
communication de la demande, les délais non nuls, la
fluctuation des prix, les phénomènes de pénuries et de
spéculations ainsi que les contraintes de production par
lots (Lee et al., 1997). Dans leur article, Wu & Cheng
(Wu and Cheng, 2008) présentent les disfonctionnements que peut engendrer l’effet Bullwhip chez le fournisseur. Ils citent les prévisions de la demande inexactes,
les faibles capacités d’utilisation des ressources, le surstockage et un faible taux de service. Moyaux et al.
(Moyaux et al., 2007), proposent des solutions pour remédier à l’effet Bullwhip. La solution qu’ils présentent
est la séparation de la commande en demande originale
et ajustements. Le fournisseur a ainsi connaissance de la
demande du client final et des ajustements opérés par son
client direct. De part cette traçabilité, le fournisseur obtient quelques avantages de la prise de décision collaborative. En effet, la prise de décision décentralisée est
aussi une cause de l’effet Bullwhip, elle aboutie à des
chaînes logistiques moins performantes. Afin de coordonner les actions des partenaires d’une chaîne logistique et d’éliminer cet effet, le partage d’information
peut représenter une solution adéquate (Fiala, 2005).
Lau et al. (Lau et al., 2008), soutiennent qu’un bon
moyen d’arriver à une meilleure coordination des
chaînes logistiques et d’éliminer l’effet Bullwhip est un
choix approprié des politiques de gestion de stock, une
vulgarisation du partage d’information ainsi qu’une gestion des commandes en « Early Order Commitment »
(EOC) (Lorsque le client utilise du EOC il s’engage à
acheter une certaine quantité, pour une date fixée avant
que ne soit créé le besoin réel). Dans leur article, Lau et
al., analysent l’effet du partage d’information et du EOC
sur la performance de quatre politiques de gestion de
tailles de lots différentes.
Bourland et al. (Bourland et al., 1996) montrent que le
partage d’information sur la demande en temps réel améliore la performance de la livraison des produits. L’étude
de Zhou & Benton (Zhou and Benton, 2007) stipule que
les pratiques de partage d’information au sein des
chaînes logistiques ont une influence significative sur les
performances de livraison. Plus le niveau de partage
d’information est élevé, meilleure sera l’efficience des
chaînes logistiques. Zhang & Zhang (Zhang and Zhang,
2007) ont utilisé la simulation d’une chaîne logistique à
trois échelons afin de quantifier le profit généré par le
partage d’information sur la demande. Lors du partage
d’information sur la demande chaque échelon a connaissance de la demande du marché. Cette information est
utilisée pour réaliser des prévisions sur la demande future. Stein and Sweat (Stein and Sweat, 1998) ont trouvé
que le partage de certaines informations telles que le
niveau des stocks, les prévisions, les tendances des
ventes, permet aux compagnies de réduire leur temps de
cycle, de répondre aux commandes plus rapidement,
d’économiser sur les coûts de sur-stockage et
d’améliorer le taux de service. Dans leur article, Wu &
Cheng (Wu and Cheng, 2008), définissent trois niveaux
du partage d’information. Au premier niveau le fournisseur et le distributeur appartiennent à différentes organisations et opèrent de manière décentralisée. Au second
niveau, le fournisseur et le distributeur coordonnent leur
politique de gestion de stock et le fournisseur connaît la
demande subie par le distributeur. Au troisième niveau,
le fournisseur et le distributeur coopèrent de manière
centralisée. Ils pratiquent alors le VMI.
Le VMI est l’une des initiatives les plus largement étudiée pour l’amélioration de l’efficience des chaînes logistiques. Il est aussi connu sous le nom de Gestion Partagée des Approvisionnements, il fut vulgarisé dans les
années 1980 par Wal-Mart et Procter & Gamble (Waller
et al., 1999). Lors du VMI c’est le fournisseur qui assume la responsabilité de la gestion des stocks de son
client. Plusieurs avantages de l’application du VMI ont
été reportés dans la littérature. Comme par exemple, la
réduction des stocks, la réduction des délais de réponse à
la demande, et des livraisons plus fréquentes (Arshinder
et al., 2008). Southard & Swenseth (Southard and Swenseth, 2008) examinent l’efficacité du VMI dans un contexte de multi destination, multi décision, grande variabilité de la demande. Ils ont trouvé que l’application du
VMI améliorait le profit. Dong & Xu (Dong and Xu,
2002) se sont intéressés à l’évaluation de l’impact du
VMI sur les niveaux de stocks à court et à long terme.
Quant à Disney et al. (Disney et al., 2003), l’objectif de
leur article est d’étudier le transport sur des modèles
génériques de chaînes logistiques suivant trois scénarios.
Un premier scenario représente une chaîne logistique
standard, un autre modélise les approvisionnements selon un processus de commande par lots, le troisième scenario est une représentation du VMI. Ils ont présenté une
quantification des coûts et des profits de ces trois scénarios. Ils concluent que, grâce au VMI, des économies sur
les coûts de transport sont possibles à court comme à
long terme.
Dans notre recherche bibliographique, nous avons constaté que les auteurs qui s’intéressaient à l’influence des
mécanismes de coordination considéraient des chaînes
logistiques constituées d’entreprises homogènes au sens
où ces entreprises avaient des niveaux individuels de
performance comparables. Pourtant, il est fréquent que
les chaînes logistiques réelles soient constituées de maillons montrant des performances hétérogènes en termes
de stock ou de taux de service, et même en termes de
paramètres structurels caractérisant les processus de production : temps de changement de série, taux de rebut,
taux de pannes des machines, … Dans ce contexte, notre
article a donc pour ambition de comparer des chaînes
constituées de maillons hétérogènes, c'est-à-dire
d’entreprises qui n’ont pas le même niveau de performance industrielle. Naturellement, ces chaînes auront
une performance dégradée par rapport à une chaîne
idéale constituée d’entreprises performantes et homogènes. Pourtant de telles configurations existent bel et
bien dans le monde industriel, et c’est pour cette raison
qu’il nous a paru intéressant de les modéliser et de les
étudier. Notre objectif est ensuite de voir si la coordination permet à ces chaînes logistiques hétérogènes
d’atteindre – ou au moins de se rapprocher de- la performance des chaînes homogènes.
3
MODELISATION DE LA CHAINE
LOGISTIQUE
Figure 2 : Les quatre processus des entreprises de production Ei.
Sous le modèle Arena, différentes stations sont définies :

Le fournisseur : il est modélisé sous forme d’un
stock infini.
Le client : Modélisé sous forme d’une demande qui
suit une loi normale N(50,5) et dont la fréquence est
de 24h.
Les centres de gestion : la gestion des
approvisionnements et de la production se fait en
point de commande (ROP). A chaque fois que le
stock atteint un seuil défini, le système déclenche le
processus amont à ce stock afin de remonter son
niveau. Sur notre modèle de simulation Arena, cela
se traduit par un routage vers un numéro de station
prédéfini.
La production est un processus de fabrication par
lots. Si le stock disponible est au moins égal à une
taille de lot, et que le centre de gestion envoie un
ordre de fabrication, la production se déclenche. A
partir de la matière première (MP, stockée au niveau
du Stock 1 (S1)) le processus 1 génère des produits
semis finis (PSF, stockés au niveau du Stock 2 (S2))
qui sont à leur tour transformés en produits finis
(PF, stockés au niveau du Stock 3 (S3)) via le
processus 2. Le premier processus de production est
choisi comme étant le goulot d’étranglement de la
production.

Lambert et al. (Lambert et al., 1998), stipulent que les
chaînes logistiques peuvent être définies suivant une
dimension horizontale et/ou verticale. La structure horizontale fait référence aux nombres de maillons de la
chaîne. La structure verticale se réfère au nombre de
fournisseurs et de clients de chaque maillon.
La chaîne logistique modélisée par Essaid (Essaid,
2008a) était constituée d’un fournisseur en amont, un
client final en aval et de trois maillons qui représentent
les trois entreprises de production en série. Dans ce
modèle, les entreprises de production fabriquent en
MTS.
4
MODELISATION DU TRANSPORT
Afin de mieux correspondre aux chaînes logistiques du
monde industriel, nous avons voulu introduire la notion
de transport. Le nouveau modèle ainsi construit est
constitué de trois entreprises de production séparées par
des entreprises de transport.
Figure 1 : La chaîne logistique initiale
Un maillon de la chaîne logistique est constitué de
différents processus. Deux types de produits différents
sont fabriqués, leur flux physique passe par la réception,
puis par deux processus de production, puis se retrouve
en livraison.
Figure 3 : Intégration du transport dans la chaîne logistique
Les entreprises de transport sont considérées comme
parfaites (pas de pannes, pas de rebuts). En effet, ces
hypothèses n’ont pas d’influence sur les résultats qui
nous intéressent pour le moment, le transport n’étant pas
le premier objectif de notre analyse. Par ailleurs, la
capacité du transport est considérée comme infinie, ce
qui revient à relâcher la contrainte sur le nombre de
camions disponibles.
le processus de livraison attend le délai nécessaire à la
production de ce B/O.
Le schéma ci-dessous décrit le processus de gestion des
livraisons au niveau des entreprises Ei :
Figure 4 : Constitution des entreprises de transports Ti
Conceptuellement, toutes les entreprises de transport (Ti,
i = 1, 2, 3) ont la même modélisation. A chaque fois
qu’une entreprise (Ei) désire se réapprovisionner, elle
lance une commande (Ces commandes sont modélisées
grâce aux flux d’informations). L’entreprise en amont
(Ei-1) lance alors la production et stocke sa production
dans ce qui est appelé sur la figure 4 le quai de
chargement. Le transport est périodique : à chaque
période P1(i-1), l’entreprise Ti-1 scrute son quai de
chargement. Si de la marchandise y est présente, cela
correspond donc à une commande et Ti-1 lance alors son
premier processus de transport. Après un premier délai
de transport D1(i-1), la marchandise arrive à l’entrepôt
avancé. De nouveau, à chaque période P2(i-1), le
deuxième processus de transport, de durée de D2(i), se
lance entre l’entrepôt avancé jusqu’au quai de
déchargement. La marchandise qui arrive à ce quai de
déchargement est directement acheminée vers le
processus de réception de l’entreprise Ei qui a lancé la
commande.
On considère que le client final est directement livré
depuis E3, sans passer par un entrepôt avancé. Pour cela,
il suffit de calibrer P1(i) et P2(i) de manière à avoir un
simple transfert de marchandise. Ainsi, il est préférable
d’affecter à T3 une période d’une heure par exemple, de
manière à satisfaire rapidement le client final. Dans
l’exemple numérique qui sera appliqué lors des
simulations, P1(3) = P2(3) = 1h, D1(3) = D2(3) = 0,
P1(i) = 5h, et P2(i) = 8h, D1(i) = 3h, D2(i) = 1h, pour i =
1,2.
Afin de minimiser les ruptures de stocks et les délais de
retards, le concept de TAOL (Taux d’Acceptation de
l’Ordre de Livraison) a été introduit au nouveau modèle.
Si le stock disponible en livraison chez les entreprises Ei
est supérieure à la commande, le processus de livraison
démarre, et la marchandise est transférée au quai de
chargement afin d’être expédiée périodiquement.
Cependant, si le stock disponible, est inférieur à la
commande mais reste tout de même supérieur à un
certain taux (TAOL*Q), la marchandise disponible est
livrée, et le reliquat est lancé en production et reste en
attente de livraison. C’est ce qui est appelé Back Order
Reliquat (B/O-R). Enfin, si le stock est inférieur à
TAOL*Q, dans ce cas un Back Order (B/O) est lancé et
Figure 5 : Concept du TAOL
Il est à remarquer concernant les entreprises de transport,
qu’avant l’application du VMI, ce sont les mêmes
quantités de produits qui sont expédiées. Il est donc
naturel d’avoir une égalité entre les stocks S1, S2 et S3.
Nous reviendrons ultérieurement, sur le niveaux de ces
stocks après application du VMI.
5
MODELISATIONS ET SIMULATIONS DE
CHAINES LOGISTIQUES HETEROGENES
Afin de classer les entreprises, le modèle utilise
l’indicateur d’efficience OEE (Overall Equipment
Effectiveness). Ce dernier est défini comme suit : OEE =
Disponibilité × Performance × Qualité. La Disponibilité
est mesurée en temps d’arrêt de production. La
Performance est évaluée à partir des pertes de
productivité. Enfin, la Qualité est définie en pourcentage
de rebuts.
Classe d’Entreprise
A
B
C
D
OEE
85% 73% 62%
44%
Disponibilité
90% 86% 81%
72%
Performance
95% 90% 86%
76%
Qualité
99,90% 95% 90%
80%
Tableau 1 : OEE par classe d’entreprise
L’OEE est un indicateur généralisé, facile à calculer pour
les entreprises et offre une évaluation globale du
processus de production. De plus, il peut être
implémenté facilement en paramètres de simulation.
Plusieurs données d’entrées permettent au modèle de
prendre en compte différents paramètres caractérisant
notre chaîne logistique (tailles de lots, seuils, etc). En
faisant varier ces données d’entrées, les quatre classes
d’entreprises ont pu être générées. Ces classes
correspondent à différentes performances d’entreprises.
La classe d’entreprise la plus performante est appelée
classe A. A partir de cette classe sont obtenues les
classes B, C et D en dégradant les temps de setup, les
temps de changements de série, le MTBF (Moyenne des
Temps de Bon Fonctionnement), le MTTR (Moyenne
des Temps de Réparation), le TQL (Taux de Qualité)
ainsi que la taille des lots. Les différences entre ces
classes sont résumées sur le tableau 2. Pour plus de
détails sur la construction de ses classes se référer aux
travaux de (Essaid et al., 2008b).
Il est à souligner que quelques modifications sur la
classification de (Essaid et al., 2008b) ont été apportées.
Notamment, des changements sur la taille des lots et sur
les seuils de recomplètement. Le nouveau modèle,
considère des tailles de lots différentes entre les
processus de production et le processus de
réapprovisionnement, alors que le modèle initial les
supposait égales. De plus, les seuils ont donc dû être
réajustés. Pour le calcul des seuils, les délais ainsi que
les quantités de recomplètement du stock ont été pris en
compte (influence de l’amont) mais aussi les délais et les
quantités de consommation de ce stock (influence de
l’aval).
Classe A
Temps
TQL
Taille de Lot
Seuil
TRIA(0.01,0.02,0.03)
99%
TRIA(45,50,55)
TRIA(18,20,22)
Temps
TAOL
TRIA(0.01,0.02,0.03)
75%
Temps
TRIA(0.15,0.17,0.19)
Temps de setup
TRIA(0.08,0.1,0.3)
Tps chang. de série TRIA(0.1,0.2,0.4)
TQL
99%
MTBF *
EXPO(200)
MTTR **
EXPO(1,5)
Taille de Lot
TRIA(9,10,11)
Seuil
TRIA(35,40,45)
Temps
TRIA(0.13,0.16,0.18)
Temps de setup
TRIA(0.08,0.1,0.3)
Tps chang. de série TRIA(0.1,0.2,0.4)
TQL
99%
MTBF *
EXPO(200)
MTTR **
EXPO(1,5)
Taille de Lot
TRIA(9,10,11)
Seuil
TRIA(55,60,65)
Classe B
Classe C
Classe D
Reception
TRIA(0.01,0.02,0.03) TRIA(0.01,0.02,0.03) TRIA(0.01,0.02,0.03)
96%
93%
91%
TRIA(55,60,65)
TRIA(65,70,75) TRIA(90,100,110)
TRIA(35,40,45)
TRIA(55,60,65)
TRIA(55,60,65)
Livraison
TRIA(0.01,0.02,0.03) TRIA(0.01,0.02,0.03) TRIA(0.01,0.02,0.03)
75%
75%
75%
Processus 1
TRIA(O.11,0.14,0.16) TRIA(0.10,0.11,0.12) TRIA(0.08,0.09,0.10)
TRIA(0.15,0.20,0.40) TRIA(0.3,0.4,0.6) TRIA(0.5,0.7,1)
TRIA(0.17,0.19,0.20) TRIA(0.4,0.5,0.8) TRIA(0.7,1,1.4)
96%
93%
91%
EXPO(150)
EXPO(100)
EXPO(80)
EXPO(3)
EXPO(4)
EXPO(5)
TRIA(18,20,22)
TRIA(33,35,37)
TRIA(45,50,55)
TRAI(35,40,45)
TRIA(55,60,65)
TRIA(55,60,65)
Processus 2
TRIA(0.10,0.12,0.14) TRIA(0.09,0.10,0.11) TRIA(0.07,0.08,0.09)
TRIA(0.15,0.20,0.40) TRIA(0.3,0.4,0.6) TRIA(0.5,0.7,1)
TRIA(0.17,0.19,0.20) TRIA(0.4,0.5,0.8) TRIA(0.7,1,1.4)
96%
93%
91%
EXPO(150)
EXPO(100)
EXPO(80)
EXPO(3)
EXPO(4)
EXPO(5)
TRIA(18,20,22)
TRIA(33,35,37)
TRIA(45,50,55)
TRIA(55,60,65)
TRIA(55,60,65)
TRIA(55,60,65)
* : Moyenne des Temps de Bon Fonctionnement
** : Moyenne des Temps de Réparation
Tableau 2 : Paramètres de simulation du modèle de
chaîne logistique
Le modèle Arena génère, de part sa
plusieurs indicateurs qui peuvent être
l’analyse : Le taux de service, le nombre
B/O-Reliquats ainsi que leurs délais
construction,
utilisés pour
de B/O et de
moyens, les
quantités moyennes par B/O et B/O-R, les taux
d’occupation des ressources goulots, le nombre de
commandes immédiatement satisfaites ainsi que les
niveaux de stocks locaux et globaux.
La chaîne logistique qui sera utilisée comme référence
est une chaîne homogène constituée de trois entreprises
de classe A (E1(A)-T1-E2(A)-T2-E3(A)-T3). Les
chaînes hétérogènes ont été obtenues en dégradant le
second maillon de la chaîne et en le faisant varier d’une
entreprise de classe A à une classe B, C, puis D
(E2(B,C,D)), le reste de la chaîne reste inchangé.
Dans cet article, nous nous intéressons uniquement à
l’influence du VMI sur les niveaux de stocks globaux.
Les outputs de la chaîne homogène (niveaux de stocks)
seront donc comparés à ceux issus de la simulation des
chaînes hétérogènes.
6
MODELISATION DU VMI
La seconde étape importante de l’étude, consiste en
l’introduction du VMI au sein de la chaîne logistique.
L’objectif est d’étudier la possibilité de tirer profit des
avantages de ce mécanisme de coordination afin
d’obtenir à partir des chaînes hétérogènes, des résultats
comparables à ceux issus des chaînes homogènes.
Puisque c’est le deuxième maillon de la chaîne qui a été
dégradé, c’est à ce niveau que sera introduit le VMI.
Figure 6 : Modélisation des flux de la chaîne logistique
dans le cas sans et avec VMI
En général, avant l’application du VMI, les entreprises
passent par une phase de négociation et d’échanges afin
de fixer les responsabilités et objectifs de chaque
partenaire. Dans la majorité des cas, cette phase se
termine par l’élaboration d’un contrat où chaque terme
est clairement défini (délégation de la gestion des stocks
du client à son fournisseur, niveaux des stocks, pénalités,
…)
Dans notre cas de modélisation du VMI, c’est E1 qui
gère les stocks de E2. Elle a donc l’information sur les
niveaux de stock de son client. A chaque fois que le
stock S1 de E2 atteint un certain niveau, E1
réapprovisionne E2 à partir de son entrepôt avancé
(C’est donc E1 qui fixe ce seuil de recomplètement, alors
que dans le cas sans VMI, c’était E2 qui décidait de son
seuil de réapprovisionnement). Puis l’entrepôt avancé se
réapprovisionne à partir de l’usine E1 suivant une
gestion en NSC (Niveau de Stock Cible). Rappelons que
dans le cas sans VMI le réapprovisionnement de E2
s’effectuait à partir de l’usine de production E1, et non
pas à partir de son entrepôt. Le transport T1 n’est donc
plus un simple transfert de marchandise comme c’était le
cas sans VMI.
Grâce au VMI, E1 a une visibilité sur le stock de son
client E2, ce qui lui permet d’avoir une meilleure
organisation. E1 n’est plus « passive » face aux
commandes de son client, mais elle devient « active ».
Donc, contrairement au cas sans VMI, où E1 subissait
des commandes en grandes quantités, lors du VMI, E1
répond à des commandes compatibles avec ses
dimensions de tailles de lots.
La particularité intéressante de notre modélisation Arena,
est que c’est une modélisation très flexible. Pour
modéliser le flux d’information du cas avec VMI, il est,
en grande partie, uniquement nécessaire de changer le
routage vers le numéro de station approprié et de calibrer
à nouveau les seuils de réapprovisionnement. En effet, le
seuil de réapprovisionnement de l’entrepôt avancé, dans
le cas avec VMI, est identique au seuil de
réprovisionnement du processus de livraison de E1 dans
le cas sans VMI. Ainsi, il a suffi de décaler les seuils afin
d’obtenir le calibrage approprié.
7
RESULTATS DE SIMULATIONS
7.1 Influence du VMI sur les stocks
Nous allons nous interésser à l’influence du VMI sur les
niveaux de stocks des différentes chaînes logistiques
homogènes et hétérogènes. Pour ce faire, nous avons
simulé les deux cas avec et sans VMI. Dans chaque cas,
et afin que les résultats soient comparables en termes de
taux de service, nous avons réglé les stocks de sécurité
de sorte que le taux de service soit de 100% sur le
marché final.
Vingt simulations de 10 000 heures chacune ont été
effectuées pour chaque configuration. Les campagnes de
simulations permettent de dépasser la phase transitoire
du système et de tenir compte des phénomènes
aléatoires.
Les résultats des simulations sont présentés sur les
graphiques
suivants :
Figure 7 : Niveaux des stocks globaux des chaînes logistiques dans les cas sans et avec VMI
Le graphique présenté en figure 7 permet d’observer le
comportement des chaînes logistiques constituées de
maillons à performance hétérogènes. Nous remarquons
qu’afin de pallier la diminution de la performance de
l’entreprise E2 (passage d’une classe A à une classe B et
C), le niveau de stock total de la chaîne logistique
augmente. Cependant, au passage de E2 à une classe D
(ATDTAT) les stocks baissent et sont inférieurs à ceux
d’une chaîne ATCTAT. Ce phénomène est du au fait que
l’entreprise E2(D) devient incapable de reconstituer ses
stocks dans le contexte d’une chaîne logistique trop
hétérogène et donc trop perturbée. Cette configuration
est intéressante au sens où elle montre explicitement une
limite dans la construction de chaînes logistiques
constituées d’éléments de performances trop différentes.
Tel que le montre le graphique précédent, le gain obtenu
(en terme de diminution de niveau de stock) grâce à la
mise en place du VMI sur les chaînes ATATAT,
ATBTAT, ATCTAT, ATDTAT, est de : 3,5%, 6%, 9%
et 19% respectivement. Nous concluons que plus forte
est la dégradation de la performance plus bénéfique sera
l’introduction du VMI sur les niveaux de stock total. (En
notant bien toutefois que le gain de 19% a un coté
artificiel dans le sens où il est dû au fait que l’entreprise
D ne parvient plus a reconstituer ses stocks de sécurité
habituels). Enfin, nous notons que l’introduction du VMI
sur les chaînes ATBTAT, et ATCTAT ne leur a tout de
même pas permis de redescendre leurs stocks au niveau
de stock de la chaîne homogène ATATAT.
Afin d’analyser avec plus de précision le comportement
des stocks, le modèle offre la possibilité d’étudier leur
profils par échelon et en faisant la distinction entre le
stock S1 (MP), le S2 (PSF) et le S3 (PF). Nous avons
obtenus des résultats préliminaires, mais avant de
pouvoir les présenter dans le détail, il convient de
finaliser la validation de notre modèle et plus
particulièrement, la programation de la gestion en niveau
de stock ciblé.
Nous pouvons toutefois résumer les observations que
nous avons tirées de l’analyse des niveaux de stocks de
chaque échelon par ce qui suit : afin de rattraper la perte
de performance causée par la dégradation de E2, la
chaîne logistique augmente ses stocks au niveau de E2
ainsi qu’au niveau de l’entreprise de transport qui
l’approvisionne (T1). Puis, après la mise en place du
VMI, les stocks au niveau des entreprises de transport
(T1) diminuent nettement. En effet, au lieu de stocker à
deux niveaux différents : chez E1 (le fournisseur de E2)
et chez E2 (le client de E1), le stock de l’entrepôt de
transport du fournisseur est pratiquement éliminé et est
transféré chez le client. Ceci a permis la diminution du
niveau de stock total de la chaîne logistique comme
présenté précèdemment.
Nous envisageons plusieurs perspectives à cette recherche.
A court terme, nous devons :
-
-
7.2 Limites du modèle
Le modèle de chaîne logistique présenté ici possède
certaines limites :
Le transport est sous une forme très simplifiée, les
contraintes de capacités des ressources et de nombre de
ressources ne sont pas considérées.
-
A moyen terme :
-
La chaîne logistique est constituée d’un seul fournisseur
et d’un seul client. Alors qu’en réalité les entreprises
s’approvisionnent chez plusieurs fournisseurs et
possèdent plusieurs clients.
Une autre limite, est que le modèle ne permet pas encore
à ce stade de faire des prévisions. Dans la pratique, les
entreprises qui mettent en place le VMI, utilisent, en
général, un historique de commandes afin d’anticiper sur
les quantités à venir. Ceci n’est pas gênant dans le
contexte actuel de notre modélisation où la demande est
stationnaire. En revanche, nous prévoyons d’intégrer
bientôt des phénomènes de saisonnalité sur le marché,
qui nécessiteront d’ajuster en cours de simulation les
niveaux de stock ciblés en fonction d’un horizon de
prévision, ce qui permettra d’analyser l’impact de la
précision des prévisions sur l’efficacité du VMI.
8
CONCLUSION
Cet article présente une modélisation d’une chaîne logistique constituée de trois entreprises de production séparées par des entreprises de transport, un fournisseur et un
client final. Les entreprises de production peuvent être
homogènes et être constituées de maillons de classes de
performance identiques. Comme elles peuvent être hétérogènes dans le cas contraire. Nous avons voulu introduire le VMI afin d’étudier la possibilité d’obtenir à partir des chaînes logistiques dégradées, des résultats qui se
rapprochent de ceux des chaînes logistiques les plus performantes. Pour ce faire, nous nous focalisons dans cette
étude sur l’explication de la modélisation réalisée. Puis
nous avons présenté quelques résultats préliminaires, qui
nécessitent encore plus de développement afin de pouvoir en tirer plus ample profit. Nous pouvons toutefois
affirmer, que le VMI a permis une réduction des stocks
totaux des chaînes logistiques mais n’a toutefois pas
permis de rattraper le sur-stockage dû à la dégradation de
la performance d’un maillon de la chaîne logistique.
Finaliser la validation de la gestion de réapprovisionnement de l’entrepôt avancé en niveau de
stock ciblé.
Essayer d’optimiser le calibrage des tailles de
lot et des seuils de recomplètement.
Etudier toutes les combinaisons possibles des
différentes classes de performance (A, B, C, D)
sur les trois entreprises de production, et analyser les résultats ainsi obtenus.
Introduire le VMI entre le deuxième et troisième échelon de la chaîne logistique.
-
Sur le modèle actuel sont représentés les flux
physiques ainsi que les flux de matières. Introduire les flux financiers pour le calcul des coûts
permettra d’avoir une modélisation des chaînes
logistiques plus exhaustive.
Il serait intéressant de comparer les résultats
ainsi obtenus au cas d’une gestion en Kanban,
et/ou d’une production en MTO (Make to Order).
Développer la modélisation du transport afin de
la rendre plus réaliste (contraintes de capacité et
de nombre, pannes, rebus…) et analyser
l’influence des mécanismes de coordination sur
le transport serait une perspective pertinente.
Sur une perspective de plus long terme :
-
Il conviendrait de modéliser différents mécanismes de coordination et d’échange
d’information tels que : le CPFR (Collaborative
Planning and Forecasting Replenishment), CRP
(Continuous Replenishment Program), CFR
(Collaborative Forecasting Replenishment),
ECR (Efficient Customer Response) afin de
pouvoir les comparer les uns aux autres et trouver ainsi les plus appropriés aux modes de gestion et aux profils des chaînes logistiques étudiées.
REMERCIEMENTS
Nous tenons à remercier M. Frédéric Grimaud pour son
aide concernant la modélisation Arena.
REFERENCES
Arshinder, S., A. Kanda, and S. G. Deshmukh, 2008.
Supply chain coordination: Perspectives, empirical studies and research directions. International Journal of
Production Economics, vol. 115, p. 316-335.
Bourland K. E., S. G. Powell and D. F. Pyke, 1996. Exploiting timely demand information to reduce inventories. European Journal of Operational Research. vol. 92,
p. 239-253.
Disney, S. M., A. T. Potter and B. M. Gardner, 2003.
The impact of vendor managed inventory on transport
operations. Transportation Research Part E-Logistics and
Transportation Review, vol. 39, p. 363-380.
Disney S. M. and D. R. Towill , 2003. The effect of vendor managed inventory (VMI) dynamics on the Bullwhip
Effect in supply chains. International Journal of Production Economics, vol. 85, p. 199-215.
Dong Y., and K. F. Xu, 2002. A supply chain model of
vendor managed inventory. Transportation Research Part
E-Logistics and Transportation Revie, vol. 38, p. 75-95.
Essaid M., 2008a. Modélisation et simulation de la connectivité des flux dans les réseaux manufacturiers. Thèse
de Doctorat, Ecole des Mines de Saint Etienne, France.
Essaid M., F. Grimaud and P. Burlat, 2008b. Supply
chain performance measurement using simulation: An
overall equipment effectiveness bases analysis. Modélisation, Optimisation et Simulation des Systèmes : Communication, Coopération et Coordination. Paris, France,
vol. 2, p. 809 - 816.
Fiala P., 2005. Information sharing in supply chains.
Omega-International Journal of Management Science,
vol. 33, p. 419-423.
Kim C. S., J. Tannock, M. Byrne, R. Farr, B. Cao and M.
Er, 2004. State of the art review: technique to model the
supply chain in an extended entreprise.
Lambert D. M., M. C. Cooper and J. D. Pagh, 1998.
Supply chain management: implementation issues and
research opportunities. International Journal of Logistics
Management, vol. 9, p. 1-20.
Lau R. S. M., J. Xie and X. Zhao, 2008. Effects of inventory policy on supply chain performance: A simulation
study of critical decision parameters. Computers & Industrial Engineering, vol. 55, p. 620-633.
Lee H. L., V. Padmanabhan and S. Whang, 1997. Information distortion in a supply chain: the bullwhip effect.
Management science, p. 546-558.
Malone T. W. and K. Crowston, 1994. The interdisciplinary study of coordination. ACM Computing Surveys
(CSUR), vol. 26, p. 87-119.
Moyaux T. , B. Chaib-draa and S. D'Amours, 2007. Information sharing as a coordination mechanism for reducing the bullwhip effect in a supply chain. IEEE
Transactions on Systems Man and Cybernetics Part CApplications and Reviews, vol. 37, p. 396-409.
Southard P. B. and S. R. Swenseth, 2008. Evaluating
vendor-managed inventory (VMI) in non-traditional environments using simulation. International Journal of
Production Economics, vol. 116, p. 275-287.
Stein T. and J. Sweat, 1998. Killer supply chains. Information Week, vol. 708, p. 36-46.
Thierry C., Thomas A. et Bel G., 2008. Simulation for
supply chain management. CAM, control systems, robotics ans manufacturing series. Wiley.
Waller M. , M. E. Johnson and T. Davis, 1999. Vendor
managed inventory in the retail supply chain. Journal of
business logistics, vol. 20,
Wu Y. N. and T. C. Edwin Cheng, 2008. The impact of
information sharing in a multiple-echelon supply chain.
International Journal of Production Economics, vol.
115, p. 1-11.
Zhang C. and C. Zhang, 2007. Design and simulation of
demand information sharing in a supply chain. Simulation Modelling Practice and Theory, vol. 15, p. 32-46.
Zhou H. and W. C. Benton Jr, 2007. Supply chain practice and information sharing. Journal of Operations Management, vol. 25, p. 1348-1365.