See discussions, stats, and author profiles for this publication at: [Link]

net/publication/261843190

Approches de modélisation d’une chaîne logistique de distribution multi-

échelon-Etat de l’art

Conference Paper · December 2011

CITATIONS READS

5 2,871

3 authors:

Hamid Ech-cheikh Saâd Lissane Elhaq

Ecole Nationale Supérieure d'Electricité et de Mécanique de Casablanca Ecole Nationale Supérieure d'Electricité et de Mécanique de Casablanca Universit…
22 PUBLICATIONS 55 CITATIONS 89 PUBLICATIONS 281 CITATIONS

SEE PROFILE SEE PROFILE

Abdessamad Douraid
Université Hassan II de Casablanca
19 PUBLICATIONS 45 CITATIONS

SEE PROFILE

All content following this page was uploaded by Saâd Lissane Elhaq on 18 January 2019.

The user has requested enhancement of the downloaded file.

qPH&RQIpUHQFH,QWHUQDWLRQDOH&RQFHSWLRQHW3URGXFWLRQ,QWpJUpHV&3,
GpFHPEUH2XMGD0DURF

Approches de modélisation d’une chaîne

logistique de distribution multi-échelon -
Etat de l’art

Hamid Ech-Cheikh*— Saâd Lissane Elhaq*—

Abdessamad Douraid*

*Equipe de Recherche Automatique Productique (EAP), Laboratoire d’Informatique

des Systèmes Industriels et Energies Renouvelables (LISER), Ecole Nationale
Supérieure d’Electricité et de Mécanique (ENSEM), Université Hassan II Aïn
Chock, BP 8118, Oasis, Casablanca, Maroc.
echcheikh@[Link] ; lissan1@[Link] ; douraid-abdessmad@[Link]

RÉSUMÉ. Le domaine des chaines logistiques de distribution multi-échelon est un champ

d’étude vaste, et ceci est dû à sa complexité. Cette complexité est liée d’une part au système
de pilotage de ce type de chaîne qui peut être centralisé (un décideur central cherche
l’optimum global) ou décentraliser (chaque site de la chaîne cherche son optimum local).
D’autre part, au nombre important de caractéristiques et d’hypothèses qu’il faut prendre en
considération pour établir un modèle. Cependant, dans cet article nous allons établir un état
d’art sur les modèles analytiques et les modèles de simulation des systèmes de distribution
multi-échelon. Plus précisément, nous essayons à l’aide de cette revue de littérature de
relever les différents aspects et caractéristiques qui pourront faire objet d’un modèle
générique d’un système de distribution multi-échelon et aussi d’identifier les avantages et les
limites de chacune des deux approches de modélisation.
ABSTRACT. Supply chain of multi-echelon distribution is a vast field of study due to its
complexity. The latter is related in part to the control system of this type of chain that can be
centralized (central decision maker seeks the global optimum) or decentralized (each site of
the chain is looking for his local optimum). On the other hand, it is the large number of
characteristics and assumptions that must be taken into account in establishing a model.
However, in this article we establish a state of the art on analytical models and simulation
models of multi-echelon distribution system. Specifically, we try using this literature review to
identify the various aspects and characteristics that will be subject of a generic multi-echelon
model, and also to emphasize the advantages and limitations of both modeling approaches.
MOTS-CLES: Modèles analytiques, modèles de simulation, chaînes logistiques multi échelon,
système de pilotage, caractéristiques des systèmes multi-échelon.
KEYWORDS: Analytical models, simulation models, multi-echelon supply chain, control system,
characteristics of multi-echelon systems.

CPI 2011, pages 1 à 16

qPH&RQIpUHQFH,QWHUQDWLRQDOH&RQFHSWLRQHW3URGXFWLRQ,QWpJUpHV&3,
GpFHPEUH2XMGD0DURF

Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 2

1. Introduction

Le concept de chaîne logistique de distribution multi-échelon a vu le jour dans

les années 60 lorsque l’environnement socio-économique des entreprises a évolué.
Dès lors, la théorie liée au pilotage de flux et la gestion de stock de ce type de
chaîne, a connu une grande progression.
Un système de distribution multi-échelon est constitué de plusieurs niveau
fonctionnel appelé échelons, et chaque échelon est constitué de nombreux sites
composés de producteurs, distributeurs, détaillants, fournisseurs et clients. La
particularité de ce type de chaîne réside dans le fait que chaque site prend en compte
non seulement du stock courant, mais aussi des stocks en aval et en transit.
La gestion des chaînes logistiques multi-échelon a reçu une grande attention au
cours de ces dernières années dans les milieux universitaires et industriels, qui
cherchent des solutions permettant d’améliorer leurs processus. Parmi ces solutions
on trouve la modélisation, ce domaine se présente selon différents aspects.
Plusieurs outils et approches sont utilisés pour la modélisation des chaînes
logistiques (Harrel et Tumay, 1994 ; Beamon, 1998 ; Min et Zhou, 2002). Dans le
cas des systèmes multi-échelon, nous distinguons principalement deux grandes
catégories de modèles: la première concerne les méthodes de simulation, tandis que
la deuxième concerne les méthodes analytiques. La figure 1 définit une taxinomie
des approches utilisées pour la modélisation des chaînes logistiques multi-échelon,
ceci en reliant les différentes classifications adoptées par la communauté
scientifique.

Figure 1. Approches de modélisation d’une chaîne logistique

 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 3

Modèles analytiques : représentent la chaîne logistique selon une perspective

quantitative. L’objectif de ces modèles est de trouver une solution optimale pour
allouer des ressources limitées afin d’atteindre un objectif donné. Les modèles
analytiques permettent de décrire un système par un ensemble d’équations régissant
son fonctionnement. Ils peuvent être déterministes (tous les paramètres du modèle
sont réputés connus) ou stochastiques (certains paramètres sont incertains et suivent
une loi de probabilité) (Maria, 1997). Ces modèles sont généralement associés à un
problème d’optimisation à un ou plusieurs critères. Ils peuvent être résolus par
différents logiciels spécifiques ou génériques.
Modèles de simulation : sont utilisés pour décrire, expliquer et prévoir les
comportements des systèmes physiques réels. De plus, l'utilisation de ces modèles
rend possible la conduite d'expériences multiples, dans l’objectif de comprendre le
comportement du système ou d’évaluer des stratégies en se basant sur un certain
nombre de critères. Un modèle de simulation est généralement utilisé lorsqu’il est
difficile de trouver une relation (une équation) entre différentes variables et ne
pouvant donc généralement pas se mettre sous la forme d’un modèle analytique
Dans cet article nous présentons un état de l’art et une synthèse en matière de la
modélisation des chaînes logistiques de distribution multi-échelon, en effet nous
avons pu dégager les problématiques liées au contexte industriel, et déduire les
avantages ainsi que les limites des approches de modélisation étudiée.
Cet article est organisé de la manière suivante. La section 2 présente notre champ
d’étude et décrit les éléments principaux sur lesquels va se baser notre étude. La
section 3 révèle notre revue de littérature. La section 4 synthétise les résultats de
notre travail.

2. Contexte de l’étude

2.1. Système multi-échelon

(Clark, 1958) a introduit le terme stock échelon ou plus précisément la position

de stock d’un échelon. Ainsi, il a définit un "stock échelon" comme étant la somme
des approvisionnements attendus de l’installation en question, du nombre de
produits présents dans l’installation en question et dans tous les installations en aval
moins le nombre de demandes finales retardées.
Un échelon stock peut être négatif, ce qui indique que les commandes en attente
d’expédition sont plus grandes que le stock total dans cet échelon. La figure 2
montre que le stock échelon associé à l'entrepôt 1, représente son stock courant,
mais dans le cas de rupture il sera considéré comme des commandes en attente de
livraison. Le stock échelon associé à l'entrepôt 3 est la somme de son stock courant
ainsi que tout le stock disponible à l'entrepôt 1 et 2 ou en transit.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 4

Figure 2. Echelons associés aux installations

A Chaque emplacement dans un système multi-échelon est attribué un numéro

d'échelon qui correspond au numéro de l'étage associé. Les échelons sont numéroté
à partir de l’installation la plus proche du consommateur jusqu’à la dernière
installation en amont dans cette chaîne multi-échelon.
La complexité des chaînes logistiques de distribution multi-échelon est due en
fait, au nombre de site dans chaque échelons, au nombre de produits à gérer, aux
différentes politiques de pilotages de flux adoptées dans divers sites, à la nécessité
d’échange d'information, et aux incertitudes telles que les fluctuations de la
demande, les variations de délais de livraison, etc.
(Clark, 1972) a énuméré six caractéristiques distinctives de ces systèmes,
exprimées comme suivant:
– Demande : Déterministe / Stochastique
– Produit : Mono / Multi
– Demande : Stationnaire / Non stationnaire
– Suivi du stock : Continu / Périodique
– Produit : Consommable / Réparable
– Demande excessive : Mise en attente / Perdue
En outre, les problématiques des systèmes multi-échelon sont généralement
étudiées sous la composition des hypothèses suivantes : demande déterministe ou
stochastique, capacité limitée ou illimitée, délai d’approvisionnement déterministe
ou stochastique, niveau de service constant ou variable, et coût
(Achat/Production/Approvisionnement) fixe ou variable au niveau de chaque
échelon. Cependant, une grande variété de modèles a été proposée pour les
différentes combinaisons d’hypothèses et caractéristiques énumérées ci-dessus.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 5

2.2. Système de pilotage

Le système de pilotage d’une chaîne logistique multi-échelon peut être

décentralisé, dans le sens où la gestion du stock se fait d’une façon locale sans
prendre en considération les autres sites « système à stock installation ». Dans ce cas
le pilotage de flux ne nécessite pas une connaissance sur l’état du stock des autres
sites, et ceci est dû au manque d’échange d’informations entre les différents acteurs,
et par conséquent l’efficacité de ce type de pilotage est limitée.
En outre, le système de pilotage peut être centralisé, dans ce cas la gestion de la
chaîne logistique se fait d’une façon globale « système à stock échelon ». Ce
système prend en compte l’état du stock en bas de la chaine, du flux des produits à
travers la chaîne et aussi de la demande. Ce type est plus complexe et a suscité plus
d’intérêt ces dernières années grâce à la disponibilité des systèmes d’information
adéquats.

3. Approches de modélisation d’une chaîne logistique de distribution multi-

échelon

3.1. Modèles analytiques

D’un point de vue analytique, la recherche sur les problèmes multi-échelon à une
longue histoire, et la théorie des systèmes de stockage multi-échelon est parmi les
champs les plus étudiés dans le domaine de gestion de stock.
(Clark et Scarf, 1960) ont étudié les systèmes multi-échelon constitués de N sites
en série sous une demande stochastique. Ils ont introduit la programmation
dynamique comme outil analytique pour optimiser la fonction coût. L’intérêt
principal de leur travaux de recherches est l’introduction d’une notion clé pour la
gestion de stock multi-échelon : le stock échelon (echelon stock) et son coût associé
(echelon cost). Aussi, ils ont constaté que la politique à stock nominal est celle la
plus optimale pour un stock multi-échelon. Une des limites de ce modèle est que
l’optimisation se fait d’une façon locale, et chaque site adopte une politique
optimale indépendamment des autres sites.
(Sherbrooke, 1968) a étudié la politique à commande optimale pour un modèle
de deux échelons contenant un centre de stockage et un détaillant. Il considère que
chaque demande non satisfaite au niveau d’un détaillant est considéré
systématiquement comme des commandes en attentes, ce modèle suppose que la
demande suit une loi composé de Poisson avec une valeur moyenne estimée par une
procédure bayésienne. Il a développé un modèle mathématique METRIC (multi-
echelon technique for recoverable item control), permettant d’identifier les niveaux
de stock réduisant au maximum le nombre des commandes en attentes à chaque
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 6

l'échelon. Puis Sherbrooke a démontré que la politique à stock nominal n’est

optimale que si les produits commercialisés sont à coût élevé et de faible demande.
(Bodt et Graves, 1985) ont proposé un modèle analytique, extension de celui de
(clark et scarf, 1960), pour le calcul du coût total d’un stock multi-échelon.
L’objectif principal de ce modèle est de minimiser le coût exprimé par la formule 1.
L’approximation établie est comparable à celle d’un modèle mono-produit avec une
politique à suivi continu (R, Q).

௔ௗ ொ ௕ௗ
‫ܥ‬ሺܳ, ܴሻ ≅ + ℎ ቀ + ‫׬‬଴ ሺܴ − ‫ݔ‬ሻ݂ሺ‫݈ | ݔ‬ሻ ݀‫ݔ‬ቁ + ‫׬‬ோ ሺ‫ ݔ‬− ܴሻ݂ሺ‫ ݈ | ݔ‬ሻ ݀‫ ݔ‬1 [1]
∞ ∞
ொ ଶ ொ

Plusieurs hypothèses ont été prises en considération pour la résolution de ce

problème:
– Le système est sous une politique à suivi continu
– Tous les échelons passent les commandes en même temps
– La demande est satisfaite au niveau bas de la chaine
– La demande non satisfaite est immédiatement mise en attente
(Moinzadeh et Lee, 1986) ont identifié la quantité optimale à commander et les
niveaux de stocks optimaux dans un système multi-échelon avec produits réparables.
– Le lot à commander est déterminée en utilisant « power approximation
schemes »
– Les niveaux de stock optimaux de chaque installation du système sont calculés
en utilisant les algorithmes «on-pass»
Les résultats obtenus de ces travaux, montrent que l’utilisation de la politique du
lot optimale à commander est plus rentable que la politique à stock nominal, et la
politique de niveau de recomplètement. Elle est aussi est plus rentable dans le cas
des systèmes multi-échelon avec produits réparables ou avec des coûts élevés de
lancement de la commande.

1.
Q : quantité fixe à commandée.
R : point de commande.
d : demande annuelle estimée.
h : coût de possession de stock par unité par an.
b : coût de rupture.
a : coût de passation d’une commande.
C(Q,R) : le coût estimé par an en fonction des paramètres Q et R.
f(x| l) : densité de probabilité en fonction du délai de la demande x et la durée du délai l.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 7

(Inderfurth et minner 1998) ont proposé une approche de programmation

dynamique pour traiter les problèmes de détermination de stock de sécurité des
systèmes multi-échelon. Les hypothèses prises en considération sont : la demande
est stochastique normalement distribuée, le système suit une politique à stock
nominal, les délais sont déterministe, et chaque échelon satisfait un niveau de
service déterminé.
(Caggiano et al., 2001) ont développé un modèle d’une politique à suivi continu
pour un système de distribution multi-échelon et multi-produit (pièces de rechange).
En considérant une contrainte de niveau de service sur des ensembles de produits, ils
ont développé une méthode pour la détermination des niveaux de stock. Celle-ci
satisfait toutes les contraintes de niveau de service avec le minimum
d’investissement.
(Bollapragada et al., 2004) ont étudié un système en série de deux échelons, en
considérant l’approvisionnement et la demande comme stochastique. Ils ont
déterminé les niveaux optimaux d’un stock nominal afin de minimiser le coût total,
en satisfaisant un niveau de service donné. L’efficacité du modèle établie reste
limitée dans la mesure où l’optimisation des stocks se fait d’une façon locale plutôt
que globale.
(Niranjan, 2008) a étudié un système multi-échelon en combinant une structure
convergente à une structure en série. En outre, il a développé un modèle
mathématique pour un système (Trois-, quatre-, cinq- et m-échelon), dans le but est
de trouver les niveaux optimales de la politique à stock nominal. La fonction
décrivant ce type de systèmes est considérée Lipschitz-continu et les équations de
mise à jour des variables de chaque stock échelon prennent en considération : les
commandes encours de livraison, le stock net et le stock courant. Le modèle
développé suppose que la demande est stochastique et multi-échelle, le délai
d’approvisionnement est déterministe entre échelons et la capacité est stochastique.
(Zheng et Ding, 2008) ont utilisé les résultats du modèle du lot économique à
commander (EOQ), pour réaliser un modèle mathématique. Ce dernier considère
que la demande suit une distribution de poisson et le délai d’approvisionnement suit
une loi normale. Ils ont obtenu les valeurs optimales en analysant séparément le
stock entrepôt et stock détaillant.
(Tlili et al., 2010) ont étudié un système multi-échelon constitué d’un
fournisseur, un entrepôt et deux détaillants. Ces deux derniers utilisent, pour gérer
leur stock, une politique le pilotage de flux à suivi périodique de type (T,s,S). En
cas de rupture de stock, les détaillants ont recours à un transshipment d’urgence
pour satisfaire la demande excessive. Par ailleurs, pour résoudre les problématiques
liées à la gestion de ce type de système, (Tlili et al., 2010) ont élaboré un modèle
d’optimisation permettant de déterminer les meilleurs valeurs de T,s et S, afin de
minimiser le coût total et maintenir un niveau de service cible.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 8

(Agus, 2011) a étudié un système à deux échelons avec un transshipment

d’urgence entre détaillants. De plus, il a considéré une demande stochastique
distribuée selon une loi de poisson, et un délai d’approvisionnement fixe entre
échelon. Le modèle établie est basé sur un algorithme mathématique. En vertu de
cette recherche, il a pu constater que le transshipement latéral entre détaillant est un
moyen efficace pour augmenter le niveau de service et ainsi satisfaire au maximum
la demande client.

3.2. Modèles de simulation

La majorité des travaux de simulation de chaînes logistiques reposent sur des

modèles à évènements discrets (Labarthe, 2006), mais dans ce qui suit nous
présentons les différents aspects des modèles de simulation.
(Axsäter et Juntti, 1996) ont réalisé une étude de simulation, dans le but de
comparer le stock échelon par rapport au stock installation. Le modèle prend en
considération une seule politique de pilotage de flux, avec une demande
stochastique qui suit une distribution de Poisson. Compte tenu de ces hypothèses
simplificatrices, ils ont constaté que la politique stock échelon est plus optimale
quand le délai d’approvisionnement d’un entrepôt est plus long. Aussi, ils ont
constaté qu’une gestion décentralisée exige un stock de sécurité élevé, pour
compenser les variations des commandes des détaillants.
(Petrovic et al., 1998) Ont développé un modèle hybride (logique floue/approche
de simulation) pour l’analyse d’un système multi-échelon série mono-produit et une
demande stochastique. La logique floue a été utilisée pour optimiser dans chaque
site le niveau de recomplètement (dans un horizon fini). L’approche de simulation
permet d’évaluer la performance de la chaîne logistique, après chaque niveau de
recomplètement calculé. Le simulateur réalisé offre une vue dynamique de la chaîne
logistique et évalue l'impact des décisions recommandées par la logique floue sur sa
performance. Les hypothèses utilisées pour le développement du modèle de
simulation sont: le système est basé sur une politique à suivi périodique avec un
niveau de recomplètement, les demandes excessives sont mises en attente, la
capacité est illimitée, et le délai d’approvisionnement est fixe ou déterministe. Deux
stratégies différentes de pilotage sont appliquées: un pilotage décentralisé et un
pilotage partiellement centralisée pour étudier individuellement chaque indicateur de
performance.
(Alfieri et Brandimarte, 1998) ont utilisé une approche orientée objet fondée sur
une méthodologie OMT (technique de modélisation objet), pour élaborer un modèle
de simulation afin d’étudier la complexité d’une chaîne logistique multi-échelon.
L’étude est basée sur un système à trois échelons mono-produit. La performance du
modèle de simulation a été étudiée en se basant sur deux politiques de pilotage de
flux : politique à suivi continu et politique à suivi périodique. Les autres hypothèses
de ce modèle de simulation sont les suivants: le délai d’approvisionnement est
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 9

déterministe, un unique fournisseur pour chaque site du deuxième et troisième

échelon, et les demandes excessives sont retardées.
(Strader et al., 1998) ont développé un modèle de simulation basé sur approche
multi-agent pour évaluer l'impact des stratégies d’échange d’informations sur les
performances d'une chaîne logistique multi-échelon à structure divergente. Ils ont
constaté que le partage de l'information sur l'approvisionnement et sur la demande
contribue à une réduction considérable des coûts de stocks dans une politique à flux
tiré ou à flux poussé.
(Beek et al., 2000) ont modélisé à l’aide de la simulation à événement discrets, la
dynamique des chaînes logistiques multi-échelon du secteur alimentaire. Le modèle
de simulation a été réalisé par le réseau de pétri coloré temporisé. L’objectif était de
développer un outil d’aide à la décision et aussi d'étudier les effets de l'introduction
d’un EDI (Electronic Data Interchange) et d’un système de gestion de stock en
temps réel sur les indicateurs de performance. Plusieurs indicateurs de performances
ont été introduits. Les résultats obtenus montrent que l'augmentation de la fréquence
de commande et de livraison, la réduction du délai de production, et l'utilisation d’un
EDI optimisent la chaîne logistique.
(Gang et al., 2004) ont simulé une chaîne logistique multi-niveau pour étudier la
distorsion de l'information lorsque la demande du client final suit un processus
autorégressif à moyenne mobile intégrée (ARIMA). Les informations introduites
sont représentées par des commandes partant de l'aval vers l'amont de la chaîne. Les
auteurs ont validé et quantifié certains phénomènes connus tels que l'effet bullwhip,
l'impact du délai d’approvisionnement sur l'effet bullwhip.
(Niranjan, 2008) a développé un modèle de simulation à l’aide d’une
combinaison d’ARENA (un logiciel de simulation) et OptQuest (outil
d’optimisation d’ARENA). Le système multi-échelon étudié est soumis à plusieurs
hypothèse, telles que : demande et capacité stochastique, délai d’approvisionnement
déterministe. L’objectif de cette recherche est de trouver le niveau de stock optimal
de chaque échelon suivant une politique de pilotage de flux à stock nominal.

4. Synthèse

– Les travaux de recherches dédiées aux chaînes logistiques de distribution

multi-échelon se basent en général sur des hypothèses simplificatrices. Ceci permet
de rendre les modèles développés plus maniable, afin de pouvoir élaborer une
solution d’optimisation. Néanmoins, le recours à la modélisation pour la simulation
devient inévitable, vue la complexité des systèmes multi-échelon. Cette dernière est
due à la nécessité d’échange d'information entre échelon, et aux contextes
stochastiques du système.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 10

Le développement d’un modèle générique ou global qui tient compte de tout les
phénomènes est une démarche complexe, vue le nombre très élevé de combinaisons
et d’interactions entre les différents entités et éléments d’un système multi-échelon.
Dans la figure 3 nous présentons l’ensemble d’aspects qui interviennent dans un
modèle :

Figure 3. Caractéristiques d’une chaîne logistique multi-échelon

Demande
« Déterministe / Stochastique » : dans le cas déterministe, la demande extérieure
au niveau de chaque site est connue à l'avance avec certitude. Au contraire, dans le
cas stochastique, la demande est supposée connue sous une distribution de
probabilité donnée. Dans la plus part des recherches sur les systèmes de distribution
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 11

multi-échelon, la demande est étudiée dans un contexte stochastique distribué soit

normalement ou selon une loi de poisson.
« Statique / Dynamique» : les paramètres utilisés pour définir les demandes
externes sont supposés être indépendants du temps dans un modèle statique, alors
qu'ils peuvent varier en fonction du temps dans un modèle dynamique. Ce dernier
nécessite plus de compétences en termes de connaissance de la modélisation. La
dynamique de la demande est due à la variation de besoin du client, par exemple
dans le cas de la saisonnalité de la demande, la consommation atteint un pic dans
une saison et elle chute dans l’autre.
Stock
« Suivi continu / Suivi périodique » : dans une politique à suivi continu,
l'évaluation de l’état du stock du système est faite en continu en fonction du temps.
Lorsque le suivi est périodique, l'évaluation de l’état du stock est faite seulement
avec une périodicité donnée.
En général, la politique à stock nominal (Base-stock) est la plus optimale pour ce
type de système. Cette politique est à suivi continu, qui considère que chaque
demande en aval déclenche automatiquement une demande d’approvisionnement en
amont.
« Mono-produit/Multi-produit » : un modèle mono-produit traite un seul produit
à la fois, sans tenir compte des interactions possibles avec d'autres produits. Par
contre, un modèle multi-produit considère simultanément un certain nombre de
produits avec au moins un facteur de corrélation, comme le coût ou la contrainte de
stockage.
« Produit réparable / Produit consommable » : dans un modèle de produit
réparable, chaque produit défaillant suit un processus de réparation ou de révision
pour être revendue, donc une partie ou la totalité des coûts est régénérée dans le
système, alors que dans un modèle de produit consommable, tous produits défaillant
représente une perte au système.
Parmi les modèles les plus connu traitant les produits réparables est le modèle
METRIC déjà décris plus haut dans l’article. Plusieurs dérivées de ce modèle ont été
développées : MOD-METRIC, VARI-METRIC, DYNA-METRIC et SIMON. Leurs
objectifs principaux est de minimiser le coût total de stockage des pièces de
rechange, le niveau de stock et les ruptures de stock.
«Demande excessive» : les demandes sont mises en attente (backlog) si les
demandes non satisfaites sont conservées et satisfaites dans les prochains
approvisionnements. Dans le cas contraire la vente est perdue (lost sales) par
conséquent la demande non satisfaite est perdue.
« Niveau de service par cycle / Taux de service en quantité » : le niveau de
service par cycle, mesure la probabilité de ne pas avoir de rupture de stock entre
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 12

deux commandes. Le taux de service en quantité : mesure la proportion des

demandes satisfaites directement à partir du stock.
Il existe d’autres mesures du niveau de service utilisées en pratique. Néanmoins,
les deux indicateurs de performances présentés ci-dessus sont les plus utilisée dans
la théorie de gestion de stock.
Structures
Les systèmes multi-échelon sont étudiés selon différentes structures :
Série : chaque échelon est constitué d’un seul site. Ce dernier reçoit les commandes
d’un seul fournisseur en amont et il approvisionne un seul site en aval.
Convergente : un site reçoit les commandes de plusieurs sources et approvisionne un
seul site.
Divergente : chaque site est approvisionné par un seul fournisseur et il expédie les
commandes à plusieurs sites.
Mixte : une combinaison entre la structure convergente et divergente.
Avec transshipment : est une structure particulière permettant un échange de
commande entre site dans le même étage.

En série Convergente Divergente

Mixte Avec transshipement

Figure 4. Structures d’un système multi-échelon

 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 13

Dans la littérature des systèmes multi-échelon, la plus part des recherches

considère la configuration en série ou la configuration à deux échelons (centre de
distribution et plusieurs détaillant), pour des raisons de simplifications. Dans ces
dernières années, un certain nombre de modèles, ont été développés pour des
structures plus complexes, comme les systèmes mixtes et les systèmes avec
transshipment.
Délai d’approvisionnement
« Déterministe/Stochastique » : Dans le cas déterministe les produits sont
collectés puis expédiées à différentes installations dans un délai fixe, alors que dans
un modèle stochastique le délai d’approvisionnement est considéré variable.
Généralement, dans la théorie traditionnelle de gestion de stock le délai
d’approvisionnement est considéré déterministe. Mais, dans la pratique le délai
d’approvisionnement est un paramètre inconnu et qui varie dans le temps. Par
conséquent, plusieurs modèles ont intégré les délais comme étant des paramètres
stochastiques pour être plus réaliste. Les délais d’approvisionnement sont souvent
étudiés suivant une distribution normale.
Coût
Le coût total est constitué du coût de passation de commande, le coût de
possession de stock, le coût de rupture de stock, le coût du transshipment, etc. Ces
coûts peuvent être considérés fixes ou variables.
L’objectif principal d’un modèle de pilotage de flux est de minimiser la fonction
coût. Parfois, il est difficile de déterminer avec précision les valeurs des coûts
comme le cas du coût de rupture de stock. En effet, ces coûts incluent généralement
des composantes intangibles telles que la perte en image de marque, qui n'est pas
facilement chiffrable.
En outre, certains travaux considèrent que le coût de commande est
proportionnel au nombre moyen de commande, et le coût de possession de stock est
proportionnel au volume des produits. Mais, en présence de paramètre stochastique
ces modèles ne sont plus valables.
– L’état de l’art que nous avons présenté, sur la modélisation des chaines
logistique multi-échelon, nous a permis de déduire quelques avantages et limites de
chaque approches.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 14

Le tableau 1 résume ceci :

Modèle Analytique Modèle de simulation

Extensibilité Minimum de temps et d'efforts pour

Généralement développé cas par
adapter un modèle analytique déjà
cas, et difficile de l’adapter à
existant pour un système multi-
deux systèmes différents
échelon

Complexité Approprié aux problèmes

Approprié aux systèmes
déterministe, et devient très
complexes ayant plusieurs
complexes dans des contextes
paramètres stochastiques
stochastiques et dynamiques

Résolution La résolution des systèmes multi-

Permet d’analyser le système
échelon se base sur diverses
multi-échelon d’une façon
hypothèses restrictives, ce qui le
proche de la réalité
rende moins précis

Optimisation Se fait d’une manière systématique Nécessite l’intégration des

après simulation du modèle algorithmes d’optimisation

Coût Coût limité, ne demande pas

Demande un coût élevé
beaucoup de moyen

Table.1 Comparaison des approches analytiques et de simulation

5. Conclusion

Afin de cerner et analyser une chaîne logistique de distribution multi-échelon, la

modélisation est une étape essentielle pour l'étude de ces systèmes complexes et
dynamiques. Ainsi, dans cet article nous avons présenté un état de l’art sur les deux
principales approches de modélisation d’un système multi-échelon : analytique et de
simulation.
Le développement d’un modèle pour un système multi-échelon est une tâche
difficile (Clark, 1972; Karmarkar, 1973). Cette difficulté se manifeste d’une part
dans le choix du système de pilotage (centralisé, décentralisé), et de la politique de
pilotage de flux (suivi continu, suivi périodique), etc. D’autre part, elle se manifeste
aux contextes stochastiques dont le système est soumis (demande, capacité, délai
d’approvisionnement, etc).
Cette recherche bibliographique, nous a permis d’analyser l’ensemble des
configurations possible d’un système multi-échelon. En effet, nous avons pu
dégager un ensemble d’aspects et caractéristiques, pouvant fournir un modèle
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 15

générique global. Ce dernier peut s'adapter à différentes configurations d’un système

multi-échelon et permet l'évaluation de ses performances dans des contextes
différents.

6. Bibliographie

Agus P., Multi-echelon inventory model for repairable items emergency with lateral
transshipments in retail supply chain, Australian Journal of Basic and Applied Sciences,
2011, p.462-474.
Alfredsson P. et Verrijdt J., Modeling emergency supply flexibility in a two echelon
inventory system, Management Science, 45, 1999.
Alfieri A. et Brandimarte P., Object-oriented modeling and simulation of integrated
production/distribution systems, Computer Integrated Manufacturing Systems, 10, 1998,
261-266.
Axsater S., et Lars J., Comparison of Echelon Stock and Installation Stock Policies for Two
Level Inventory Systems, International Journal of Production Economics, 45, 1996,
p.303-310.
Beamon M., Supply chain design and analysis: models and method, International Journal of
Production Economics, Vol.55, 1998, p.281-294.
Bodt M., et Graves S., Continuous-review policies for a multi –echelon inventory problem
with stochastic demand, Management Science, 31(10), 1985, 1286- 1299.
Bollapragada R., Rao S., et Zhang J., Managing two-stage serial inventory systems under
demand and supply uncertainty and customer service level requirements, IIE
Transactions, 36, 2004, 73-85.
Clark A., A Dynamic Single-Item, Multi-Echelon Inventory, The Rand Corporation, 1958,
Santa Monica.
Clark A., An Informal Survey of Multi-Echelon Inventory Theory, Naval Research Logistics
Quarterly, Vol. 19, No. 4, 1972, pp. 621-650.
Clark, A. et Scraf, H., Optimal policies for a multi-echelon inventory problem, Management
Science, 50(12), 1960, 1782-1790.
Harrel C. et Tumay K., Simulation made easy, Engineering & Management press, 1994.
Huang Z. et Gangopadhyay A, A Simulation study of supply chain management to measure
the impact of information sharing, Information Resources Management Journal, 17, 2004,
pp. 20-31.
Inderfurth K.. et Minner S., Safety-stocks in multi-stage inventory systems under different
service measures, European Journal of Operations Research, 106, 1998, 57-73.
Karmarkar S., The Mathematical Analysis of Multilocation Distribution Systems: A Survey,
Massachusetts Institute of Technology, Operations Research Center, 1973.
 Approches de modélisation d’une CL de distribution multi-échelon – Etat de l’art 16

Kim S., Tannock J., Byrne M., Farr R., Cao B. et Er M., State of the art review: techniques to
model the supply chain in an extended enterprise, Operations Management Division
University of Nottingham, 2004.
Labarthe O., Modélisation et simulation orientées agents de chaînes logistiques dans un
contexte de personnalisation de masse : modèles et cadre méthodologique. Thèse de
doctorat en cotutelle, Université Paul Cézanne et Université Laval, 2006.
Maria A., Introduction to modeling and simulation, Proceedings of the 1997 Winter
Simulation Conference, 1997.
Min H. et Zhou G., Supply chain modeling: past, present and future, Computers and
Industrial Engineering, Vol. 43, 2002, p.231-249.
Moinzadeh, K. et Lee H., Batch size and stocking levels in multi-echelon repairable systems.
Management Science, 32(12), 1986, 1567-1581.
Niranjan S. et Ciarallo W., Supply Performance in Multi-Echelon Inventory Systems with
Intermediate Product Demand: A Perspective on Allocation, Decision Sciences, 2009,
Paper No. 09-0206.
Petrovic D., Roy R. et Petrovic R., Modeling and simulation of a supply chain in an uncertain
environment, European Journal of Operational Research, 109, 1998, 299-309.
Shannon R., Systems Simulation: The Art and Science. Prentice-Hill, Inc.,New Jersey. 1975.
Sherbrooke C., Metric: A multi-echelon technique for recoverable item control, Operations
research, 16(1), 1968, 122-141.
Strader J., Lin F. et Shaw, J., Simulation of Order Fulfillment in Divergent Assembly Supply
Chains, Journal of Artificial Societies and Social Simulation 1 (2), 1998.
Tlili M., Moalla M., Campagne J-P. et Bahroun Z., The transshipment problem in a multi-
echelon inventory system with lost sales, Proceedings of the 3rd International Conference
on Information Systems, Logistics and Supply Chain Creating value through green supply
chains, 2010.
Van Beek P., Van Der Vorst J., et Beulens M., Modeling and simulating multi-echelon food
systems, European Journal of Operational Research, 122, 2000, 354-366.
Zheng, B., Ding, X., Controlling of Multi-echelon Inventory in Distribution Supply Chain
System based on Stochastic Demand, International Conference on Logistics
Engineering and Supply Chain, 2008.

View publication stats