le probleme de tournees de vehicules avec gestion de stock
Transcription
le probleme de tournees de vehicules avec gestion de stock
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 » ANALYSE D’UN PROBLEME DE TOURNEE DE VEHICULES AVEC GESTION DE STOCK DANS UN CONTEXTE DE STOCK DE CONSIGNATION Z. JEMAI R. KALAI Y. REKIK Chaire Supply Chain Ecole Centrale Paris Grande Voie des Vignes 92295 Châtenay-Malabry [email protected] Rouen Business School 1, rue du Maréchal Juin 76130 Mont Saint-Aignan [email protected] EM Lyon Business School 23 Avenue Guy de Collongue 69134 Ecully cedex [email protected] RESUME : Le problème de tournées de véhicules avec gestion de stock (IRP) consiste à déterminer le circuit de distribution, d'un entrepôt central vers un ensemble de clients, qui optimise conjointement les coûts de transport et de stockage. Plusieurs travaux montrent l’intérêt de politiques comme le transbordement (transhipment) ou les tournées dynamiques sur les performances du système. Cependant, dans la pratique, ces politiques sont généralement critiquées car elles introduisent des contraintes additionnelles. Dans ce travail, nous étudions un problème IRP dans un contexte de stock de consignation. Nous montrons que le fonctionnement avec un stock de consignation justifie le recours à de telles politiques (transbordement, tournées dynamiques). Nous nous intéressons au cas de tournées statiques et nous montrons sur un exemple numérique que le transbordement permet de mieux optimiser ces tournées et d'améliorer ainsi les performances globales du système. MOTS-CLES : Tournée de véhicule avec gestion de stock, Stock de consignation, Transbordement. 1 INTRODUCTION Avec le développement de la notion de chaîne logistique étendue, les chercheurs ont été amenés à revisiter la plupart des modèles développés dans la littérature sur la gestion de la production et/ou de stocks, l’objectif étant d’intégrer deux ou plusieurs maillons comme la production et la distribution ou la distribution et la gestion de stocks. Même si les résultats obtenus à partir de ces recherches sont très intéressants, leurs applications pratiques ont du mal à se mettre en place dans les chaînes logistiques. En effet, ces dernières sont souvent formées de plusieurs entités indépendantes qui ne font pas partie de la même organisation et qui, de ce fait, optimisent leurs décisions de façon individuelle en ne prenant en compte que des critères locaux. Ainsi, l’application d’une optimisation globale de la chaîne logistique ne garantie pas en général la satisfaction de tous les acteurs qui la composent. Elle doit donc être couplée à des mécanismes de collaboration qui permettent un partage des gains entre les différents acteurs. coûts de transport et de stockage. Nombre d’auteurs se sont penchés sur ce problème dans un contexte de VMI (Vendor Managed Inventory). En effet, comme le fournisseur se charge dans ce cas de gérer les stocks du client, il est plus en mesure de mieux optimiser ses tournées. Dans un tout autre contexte, plusieurs travaux ont démontré que l’un des moyens d’augmenter la performance d’une chaîne logistique est de permettre le transfert de stocks entre deux entités d’un même niveau de la chaîne, autrement dit le transbordement2 (généralement de celle qui est en surstock vers celle qui est en rupture). En l’absence de contrat de collaboration entre les acteurs, ce transfert de biens est très difficile à mettre en place, principalement pour des raisons de propriété de stocks. De plus, celui qui est en position de céder des biens peut refuser de le faire de peur d’augmenter ses risques de tomber en rupture. Cette difficulté est facilement écartée dans le cas d’un système VMI avec stock de consignation où le fournisseur reste propriétaire du stock tant qu’il n’a pas été consommé par le client. Parmi les problématiques d’intégration les plus étudiées, on trouve le problème de tournée de véhicules avec gestion de stocks (IRP)1. Ce problème consiste à déterminer le circuit de distribution, d'un entrepôt central vers un ensemble de clients, qui optimise conjointement les Dans ce travail, nous étudions un problème IRP avec un fournisseur et plusieurs clients dans un contexte de VMI avec stock de consignation. Le fournisseur peut avoir recours au transbordement pour satisfaire la demande des différents clients. Après un état de l’art détaillé en sec- 1 2 Inventory Routing Problem en anglais. Transshipment en anglais. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie tion 2, nous décrivons le modèle étudié dans la section 3. Dans la section 4 sont exposées les approches de résolution. Enfin, nous présentons quelques exemples numériques dans la section 5 avant de donner quelques conclusions et perspectives dans la section 6. 2 ETAT DE L’ART Ces deux dernières décennies ont été marquées par une littérature abondante sur l’optimisation intégrée de deux ou plusieurs maillons de la chaîne logistique. (Thomas et Griffin, 1996) répartissent ces travaux en trois catégories : l’intégration fournisseur-client, l’intégration production-distribution et l’intégration distribution-gestion des stocks. Cette dernière catégorie, connue sous le nom d’IRP, est traitée dans un grand nombre d’articles comme le montrent les états de l’art publiés par (Federgruen et Simchi-Levi, 1995), (Baita et al., 1998) et plus récemment (Ward et Zhaï, 2004). (Campbell et al., 1998) définissent l’IRP comme l’optimisation de la distribution répétée d’un produit, à partir d’un entrepôt central vers un ensemble de revendeurs ou de clients sur un horizon de planification fini ou infini. Chaque client est caractérisé par sa capacité de stockage et sa consommation du produit. Le réapprovisionnement est effectué par une flotte homogène de véhicules. Les distances ou les temps de trajet entre le dépôt et les clients d’une part, et entre les différents clients d’autre part, sont connus. L’objectif est de planifier les jours de livraison pour chaque client sur l'horizon de temps, et ensuite d'organiser les tournées de la flotte de véhicules afin d'effectuer les livraisons nécessaires. Les quantités à livrer sont elles aussi des variables de décision. Cette planification doit respecter les contraintes de niveau de stock chez les clients et minimiser le coût total de livraison sur l'ensemble de l'horizon. Le problème ainsi présenté est une extension du problème de tournées de véhicules classique auquel on a rajouté la notion de période et intégré des éléments de gestion de stocks dans la planification du transport. (Federgruen et Zipkin, 1984) ont été parmi les premiers à investiguer l’intégration de la gestion de stock aux tournées de véhicules. Ils ont considéré une usine à capacité finie qui alimente un ensemble de clients caractérisés essentiellement par un taux de demande stochastique. L’objectif de leur modèle était d’assurer la distribution des produits de l’entrepôt aux clients en minimisant les coûts de transport et de stockage et en réduisant les ruptures de stock à la fin des périodes. Ils ont modélisé leur problème par un programme non linéaire en nombres entiers et ont proposé une méthode d’approximation pour le résoudre. (Golden et al., 1984), traitent le problème IRP en adoptant une heuristique différente qui consiste à déterminer les localisations à visiter chaque jour et génère les tournées correspondantes. Un pro- blème similaire a été traité par (Chien et al., 1989) ; ces derniers ont formulé le problème par un programme linéaire en nombres entiers résolu par la relaxation de Lagrange. La version stochastique de l’IRP, nommée SIRP (Stochastic Inventory Routing Problem) a été modélisée par un processus de décision Markovien dans différents travaux tels que (Minkoff, 1993), (Kleywegt et al., 2002) et (Kleywegt et al., 2004). Par ailleurs, beaucoup de travaux ont étudié le rôle des nouvelles technologies de communication et de partage d’information dans la création de nouveaux partenariats industriels entre fournisseurs et clients permettant ainsi une forte expansion des IRP. Dans un contexte de VMI par exemple, le fournisseur peut gérer le niveau de stock de ses clients et peut décider des périodes et des quantités à livrer. (Rusdiansyah et Tsao, 2004) optimisent l’approvisionnement des distributeurs de biens alimentaires au Japon dans le cas d’une demande déterministe sur un horizon à court terme. (Aghezzaf et al., 2006) se sont intéressés à une modélisation d’un IRP à long terme avec l’objectif de minimiser les coûts de transport et de possession de stock. Les auteurs intègrent le concept multi-tours (i.e : un véhicule peut effectuer plusieurs tournées dans la même journée). Ce problème a été modélisé par un programme non linéaire mixte et résolu par une méthode fondée sur le principe de génération de colonnes. (Centikaya et Lee, 2000) utilisent un processus de renouvellement pour traiter un modèle de consolidation des livraisons dans un contexte VMI sans prise en compte des tournées. (Centikaya et Lee, 2002) étendent ce travail en considérant des coûts de distribution et (Centinkaya et Bookbinder, 2003) y intègrent deux modes de transport. (Hu et al., 2003) se sont intéressés à un autre aspect des IRP: l’IRP dynamique avec mise à jour de l’information après chaque visite. Les auteurs soulignent deux avantages de ce modèle : une plus grande réactivité par rapport à la variation de la demande et un routage efficace des véhicules en temps réel. Leur modèle est basé sur un SVRP (stochastic vehicle routing problem) et résolu par la technique de branch-and-bound. Dans un contexte VMI, (Jarugumilli et Grasman, 2007) utilisent un IRP dynamique facilité par l’utilisation de la technologie RFID qui permet au véhicule d’accéder, lors de chaque passage par un client, à l’information concernant le niveau de stock des différents clients et de ré-optimiser ainsi la tournée et les quantités à livrer. Tous ces travaux montrent que l’IRP dynamique améliore les performances du système étudié du fait qu’il permet de modifier en temps réel la tournée de véhicule en fonction de la variation de la demande. Cependant, si chaque acteur est intéressé par la maximisation de ses propres gains, une tournée dynamique risque de ne pas lui convenir du fait que, d’une part, les délais de livraison deviennent stochastiques avec une grande variabilité (ce qui influence les stocks de sécurité), et d’autre part, les ressources né- MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie cessaires à la réception des produits deviennent complexes à planifier. Comme mentionné plus haut, plusieurs travaux ont démontré que le transbordement constituait l’un des moyens d’augmenter la performance d’une chaîne logistique. Le premier travail sur le transbordement est celui de (Krishnan et Rao, 1965) qui étudient une politique mono-période. (Robinson, 1990) étend ce travail au cas multi-périodes. (Tagaras, 1989) considère un modèle multi-périodes avec une hypothèse de regroupement complet (complete pooling) qui stipule que, si une localisation est à court de stock et qu’une autre a un excès de stock, alors cette dernière fournit à la première le minimum entre son excès et la quantité manquante. Plusieurs travaux ((Jönsson et Silver, 1987), (Diks et de Kok, 1996)) et (Evers, 1996)), considèrent que le transbordement s’effectue systématiquement quand une rupture de stock est éminente. Les travaux cités ci-dessus supposent que le transbordement est coordonné de manière centralisée. (Rudi et al., 2001) étudient l’influence du transbordement sur le niveau de stock optimal de deux vendeurs indépendants. Nous invitons le lecteur à consulter les articles de (Chiou, 2008) et de (Paterson et al., 2009) qui proposent une revue de littérature complète sur le transbordement. En l’absence de contrat de collaboration entre les acteurs, le transbordement reste très difficile à mettre en place pour des raisons de propriété de stocks et des coûts supplémentaires qu’il peut engendrer (coûts de réception/préparation de commandes, risques de détérioration,…). De plus, le client qui était en surstock à un moment donné peut refuser d’en céder une partie de peur de tomber en rupture plus tard. Ces difficultés peuvent être diminuées, voire éliminées, dans certains contextes de collaboration comme celui d’un stock de consignation. Le stock de consignation (CS) est un stock appartenant au fournisseur mais stocké et géré dans l’entrepôt du client. Ainsi, ce dernier peut s’en servir de ce stock quand il en a besoin. Notons que le stock de consignation reste la propriété du fournisseur jusqu’au moment où le client l’utilise. Le stock de consignation est étroitement lié au VMI, au point que plusieurs travaux considèrent le CS comme un cas particulier du VMI (Zavanella et Zanoni, 2009). Cependant, il faut garder à l’esprit que le CS concerne la propriété du stock alors que le VMI concerne la gestion du stock (Corbett, 2001). L’un des premiers travaux soulignant l’apport du CS dans une chaîne logistique collaborative (que l’on notera CVMI, c'est-à-dire CS dans un contexte de VMI) est celui de (Valentini et Zavanella, 2003). Les auteurs montrent, en utilisant la simulation, que le CS peut être un choix rationnel sous certaines conditions et expliquent l’intérêt croissant des entreprises pour ce mode de fonctionnement. (Braglia et Zavanella, 2003) appuient ces résultats à travers un modèle analytique d’un modèle de CVMI dans le cas d’une chaîne logistique à deux acteurs : un fournisseur et un distributeur. Les auteurs montrent en particulier que cette politique est stratégique et profitable dans un environnement incertain (i.e. les délais de livraison et/ou la demande sont variables). (Zanoni et Grubbstrom, 2004) étendent ce modèle en caractérisant analytiquement la solution obtenue. (Persona et al., 2005) s’intéressent à une politique CVMI dans le cas de produits sujets à obsolescence. Ils considèrent un modèle à un fournisseur qui livre à un vendeur un produit à durée de vie limitée. Dans le cas d’une durée de vie déterministe, les auteurs montrent que la prise en compte de l’obsolescence par rapport au modèle de (Braglia et Zavanella, 2003) augmente le coût total tout en réduisant le niveau de stock optimal. Dans le cas d’une durée de vie stochastique, (Persona et al., 2005) montrent par la simulation que les quantités livrées sont toujours inférieures à celles du cas avec une durée de vie déterministe. Récemment, (Zavanella et Zanoni, 2009) ont exploré un cas plus général à un fournisseur et plusieurs clients. Ils présentent un modèle déterministe qui optimise les décisions de réapprovisionnement pour le fournisseur et les différents clients. Les auteurs montrent que cette politique permet une amélioration des performances de la chaîne logistique comparée à une situation décentralisée. La plupart des auteurs reconnaissent que les bénéfices de la CVMI sont faciles à identifier autant pour la chaîne logistique globale que pour le maillon aval de la chaîne. (Gümüs et al., 2008) étudient un modèle déterministe et s’intéressent aux conditions sous lesquelles le CVMI est profitable pour les deux maillons de la chaîne logistique, à savoir le fournisseur et le client. Ils énoncent les conditions nécessaires pour améliorer les performances du maillon amont de la chaîne logistique. Dans ce travail, on s’intéresse à un problème de tournées de véhicules avec gestion de stocks (IRP) dans un contexte de VMI avec stock de consignation (CVMI). Dans un tel contexte, le recours au transbordement peut être intéressant du fait que le fournisseur reste propriétaire des stocks chez le client et a donc la liberté de les utiliser pour fournir, par exemple, un autre client en rupture de stock, si ceci permet d’optimiser ses performances. Cette étude étend le travail de (Zavanella et Zanoni, 2009) en introduisant la notion de tournée de véhicule et en considérant une demande stochastique. Notre travail propose également une alternative (le transbordement) aux tournées dynamiques de (Jarugumilli et Grasman, 2007) et propose un autre contexte (le CVMI) plus approprié à des politiques tels que le transbordement ou les tournées dynamiques. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie 3 3.1 MODELE ETUDIE ET NOTATIONS Notations Soit une chaîne logistique à deux niveaux avec un fournisseur qui fournit un produit à K clients dans un contexte de VMI avec stock de consignation (CVMI). Chaque entité est localisée dans un sommet k (k = 0 pour le fournisseur et k = 1 à K pour les clients). dij et cij représentent respectivement la distance et le coût de distribution entre les sommets i et j. Chaque client est caractérisé par une demande modélisée par une loi normale de moyenne µk et d’écart-type σk par unité de temps. Les paramètres de coût, supportés par le fournisseur, au niveau de chaque sommet sont définis ci-dessous : • p : coût unitaire du produit. Il peut inclure le coût de revient et les coûts variables de transport et de manipulation de la commande • ak : coût fixe de passation de commande. Ce coût peut inclure tous les coûts fixes liés à la commande (coûts fixes de transport, coûts administratifs, coûts fixes de préparation de la commande de chargement/déchargement…). • hk : coût unitaire de stockage par unité de temps qui se compose généralement des coûts financiers d’immobilisation, des coûts d’obsolescence. Généralement, dans un contexte de CVMI, les coûts physiques de stockage restent à la charge du client. • bk : coût unitaire de rupture. Il est souvent fixé entre les deux acteurs de la chaîne logistique sous forme de pénalité de rupture ou de retard que paye le fournisseur au client. 3.2 Modèle étudié et hypothèses Le fournisseur adopte une politique de type (R,s,S)k où R est le temps de cycle, s est le stock d’alerte et S est le niveau de recomplètement. En début de chaque période Rk, le fournisseur observe le niveau de stock Ik, k=1,…,K, des différents sommets concernés. Lorsque le stock baisse au dessous d’un niveau sk, une livraison d’une quantité Sk-Ik est alors programmée. Ainsi, au début de chaque journée, le fournisseur dispose d’un ensemble de localisations à fournir. Il décide alors du circuit de distribution optimal. Nous supposons que le fournisseur opte pour un fonctionnement de type voyageur de commerce tout en prenant en considération la capacité du véhicule utilisé. Un camion de capacité CAP part de l’entrepôt central (sommet 0) pour visiter les différentes localisations programmées avant de retourner au point de départ. Si la capacité du camion ne permet pas de satisfaire toute la demande, le fournisseur peut intégrer d’autres sommets dans le circuit afin de faire du transbordement entre les différentes localisations. Nous supposons que l’information n’est pas mise à jour en cours de journée, ce qui permettra de figer les paramètres de décision (en l’occurrence, quantités à livrer, quantités à récupérer, circuit à suivre) avant le début de la tournée. 4 APPROCHES DE RESOLUTION Dans cette section, nous présentons les approches de résolution des différentes problématiques étudiées. Une première phase consiste à déterminer les paramètres de la politique de gestion de stocks. La deuxième phase permet de déterminer la tournée à suivre ainsi que les quantités à livrer ou à récupérer des différentes localisations. 4.1 Politique de gestion de stock Comme décrit précédemment, le fournisseur adopte une politique de gestion de stocks de type (R,s,S)k. Cette politique est adaptée à des mécanismes de collaboration de type VMI et/ou CS (Valentini et Zavanella, 2003). En effet, dans un contexte de CS, le client offre au fournisseur la possibilité d’utiliser son entrepôt pour stocker. En contre partie, le fournisseur s’engage à garantir un niveau de stock compris entre une borne minimale et une borne maximale et à payer une pénalité en cas de rupture. La borne minimale, sk, correspond à un compromis entre le coût de stock et la pénalité de rupture. La borne maximale, Sk, est généralement un compromis entre économie d’échelle et coût de stock, et tient compte parfois de la capacité de stockage du client. Plusieurs travaux ont proposé des méthodes de calcul des paramètres sk et Sk. (Schneider et Ringuest, 1990) considèrent un modèle (R, s, S) avec une contrainte de qualité de service et proposent une approximation « Power approximation » pour le résoudre. (Ehrhardt et Mosier, 1984) développent une approche similaire dans le cas de la prise en compte de coûts de rupture. (Silver et al. 2007) proposent une revue complète des méthodes de calcul des paramètres s et S. Dans ce travail, nous utilisons l’approximation proposée par (Ehrhardt et Mosier, 1984) comme définie ci-dessous : Soient Gk et zk tel que : Gk = 1.3( µk ) et zk = Gk 0.494 ak hk 0.506 σ k2, Rk 1 + 2 µk hk σ k , R bk 0.116 (1) (2) k alors, pour tout sommet k, k∈{1,...,K} : 0.183 sk = 0.973µk , Rk + σ k , Rk + 1.063 − 2.192 zk (3) zk (4) et Sk = sk + Gk MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie avec µk , R = ( Rk + 1) µk et σ 4.2 Optimisation du circuit de distribution k 2 k , Rk = ( Rk + 1)σ . 2 k En début de chaque période, le fournisseur dispose d’un ensemble de localisations à fournir (l’ensemble K’ des sommets dont le niveau de stock Ik est inférieur ou égal à sk). Il connait ainsi la quantité exacte à livrer (Dk = Sk-Ik avec k appartenant à K’) et décide du circuit de distribution optimal. Le fournisseur opte pour un fonctionnement de type voyageur de commerce (TSP). Ainsi, si la demande totale D= ∑D k∈K ' k est inférieure à la capacité CAP du camion, la solution sélectionnée correspond à l’optimisation du TSP. Chaque sommet est caractérisé par ses coordonnées géographiques (Xk,Yk). La distance considérée dij séparant deux localisations i et j est la distance euclidienne : dij = ( X i − X j ) 2 + (Yi − Y j ) 2 . Nous supposons que les coûts de transports sont proportionnels à la distance : cij = γdij avec γ un facteur de proportionnalité. Si la capacité du camion ne permet pas de satisfaire toute la demande, le fournisseur peut intégrer d’autres sommets dans le circuit (ceux qui sont en surstock) afin de faire du transbordement entre les différentes localisations. L’intégration d’un nouveau sommet à visiter affecte le coût total du fournisseur de deux manières : un surcoût journalier dû à l’augmentation de la distance de la tournée optimale et un coût à plus long terme correspondant à l’augmentation des fréquences des visites de chaque localisation à cause des quantités à récupérer par le transbordement. Afin de tenir compte de ces deux points, nous déterminons, pour chaque localisation k∈K\K’, une quantité maximale disponible au transbordement, notée Qkmax, calculée à partir du niveau du stock physique. En effet, pour un niveau de service donné θk, nous calculons la couverture de stock Lk (i.e. le nombre de jours de consommation auquel le niveau de stock actuel peut faire face). La quantité maximale disponible au transbordement dans la localisation Qkmax est déterminée de façon à ce que le stock restant garantisse un niveau de service minimal θkmin sur une même durée Lk. Par exemple, considérons un client k dont la demande suit une loi normale N(58,45) par unité de temps. Si le niveau de stock est I=415, alors pour un niveau de service θ=99,99%, sa couverture de stock est L=3 unités de temps. Pour un même L et pour un niveau de service θmin=80%, le niveau de stock requis est de 240 unités. Ainsi, la quantité disponible au transbordement est Qmax=175. Une deuxième approche possible est de fixer un Lkmin inférieur à Lk et chercher la quantité maximale disponible de telle sorte que le stock restant garantisse le même taux de service θk sur Lkmin. Nous nous contenterons de la première approche. D’autres méthodes exactes basées sur la relaxation lagrangienne permettent de déterminer, pour un jour donné, les quantités à récupérer à partir des sites de transbordement. Ces méthodes permettent d’optimiser les coûts de distribution sur une seule période et ne tiennent pas compte du surcoût lié à l’augmentation des fréquences de visites des différentes localisations. Une fois les quantités Qkmax calculées, nous utilisons une heuristique qui permet de déterminer le circuit de distribution optimal. Cette heuristique cherche d’abord la liste des ensembles de localisations qui permettent de répondre à la demande (i.e. la quantité calculée couvre la différence entre la demande et la capacité du camion). Ces ensembles sont introduits un à un dans l’algorithme du TSP afin de sélectionner la meilleure solution de distribution. Une dernière vérification permet de tester si l’ordre de passage permet de respecter les deux contraintes suivantes : • En aucun moment, la quantité transportée ne doit être supérieure à la capacité du camion. • En arrivant à une localisation, la quantité transportée doit couvrir la livraison prévue. 5 ANALYSES NUMERIQUES Dans cette section, nous illustrons l’approche présentée plus haut en effectuant quelques analyses sur un exemple numérique (1 entrepôt et 10 clients). Les coûts de stockage hk et de passation de commande ak sont fixés respectivement à 1 et 150 et la période Rk=1 pour k=1,..,K. Nous considérons deux ensembles de demandes (une demande à faible variabilité et une demande à forte variabilité). Les localisations des clients, les caractéristiques de la demande ainsi que les paramètres de gestion de stocks sont donnés dans les tableaux 1 et 2 ci-dessous. Localisations Indice X 0 4 1 6 2 6 3 6 4 4 5 3 6 2 7 1 8 2 9 2 10 5 Coûts bk Y 5 6 4 7 1 1 3 5 7 6 7 15 14 13 12 13 14 16 17 20 19 Demande (Faible variabilité) Mu Sigma 93 154 95 87 72 130 95 132 82 228 40 47 32 18 15 23 31 22 25 36 Demande (Forte variabilité) Mu Sigma 93 154 95 87 72 130 95 132 82 228 121 141 95 55 44 69 93 66 76 107 Tableau 1 : Données de l’étude numérique MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie CAP Location 0 1 2 3 4 5 6 7 8 9 10 Politique de stock (faible variabilité) s S 211 329 197 164 135 252 203 259 176 461 371 530 357 314 272 435 362 444 324 702 800 1000 1200 1400 1600 Politique de stock (forte variabilité) s S 380 518 311 216 175 324 324 334 281 601 563 740 488 375 320 516 501 526 443 851 Nous considérons un horizon de 25 périodes et nous effectuons des tirages aléatoires pour la demande à chaque période et pour chaque localisation. Dans le cas d’une demande à forte variabilité, la probabilité d’avoir des demandes négatives est non négligeable. Nous avons considéré dans ce cas que la demande est nulle. Nous faisons varier la capacité du camion de 800 à 1800 (la demande moyenne par période est proche de 1200 unités) et nous calculons le coût total moyen ainsi que le nombre moyen de localisations visitées par période. Nous testons trois scénarios S1, S2 et S3 qui diffèrent en fonction de l’organisation de la distribution : • • S1 illustre la méthode développée dans ce papier avec une modélisation de type voyageur de commerce : à chaque période, on livre les localisations programmées (Ik ≤ sk) avec possibilité de transbordement à partir des autres localisations, S2 propose une résolution de type voyageur de commerce qui, à chaque période, ne visite que les localisations programmées et adapte les quantités distribuées en fonction de la capacité du véhicule. S3 propose une résolution classique de type tournée de véhicules afin de répondre à toute la demande (plusieurs véhicules). Pour chaque scénario, nous calculons le coût moyen sur l’horizon considéré. Les résultats obtenus sont présentés dans les tableaux 3 et 4 ci-dessous. Notons que le facteur de proportionnalité γ est égal à 10, θ est égale à 99,9% et θmin égal à 75%. CAP 800 1000 1200 1400 1600 Scénario 1 194,46 19,39% 175,59 10,18% 157,03 8,25% 152,83 3,01% 148,63 -1,47% Coûts moyens Scénario 2 241,23 0,00% 195,49 0,00% 171,14 0,00% 157,57 0,00% 146,48 0,00% Coûts moyens Scénario 2 217,64 0,00% 196,12 0,00% 164,80 0,00% 146,44 0,00% 140,37 0,00% Scénario 3 187,46 13,87% 179,55 8,45% 165,36 -0,34% 149,30 -1,95% 147,24 -4,89% Tableau 4 : Coûts totaux moyens (cas forte variabilité) Tableau 2 : Paramètres des politiques de stock • Scénario 1 183,90 15,50% 168,33 14,17% 151,71 7,95% 144,03 1,64% 142,63 -1,61% Scénario 3 186,44 22,71% 174,77 10,60% 167,78 1,96% 157,00 0,36% 154,65 -5,58% Tableau 3 : Coûts totaux moyens (cas faible variabilité) Les résultats obtenus montrent que, dans le cas d’une demande à faible variabilité, chaque scénario est adéquat pour une certaine plage de la capacité du véhicule. Pour une capacité faible (inférieure à 1000), les scénarios 1 et 3 sont plus performants que le scénario 2. Le scénario 1 devient meilleur pour une capacité plus importante (entre 1000 et 1600). Donc, pour une capacité limitée du véhicule, le transbordement permet de réaliser des gains intéressants. Ces gains sont encore plus intéressants quand la variabilité de la demande augmente comme le montre le tableau 4. Remarquons que les écarts entre les trois scénarios diminuent en fonction de la capacité du véhicule et tendent vers la même solution pour des valeurs importantes de CAP. CAP 800 1000 1200 1400 1600 Nombre moyen de sommets visités (faible variabilité) S1 S2 S3 7,71 7,85 4,40 6,65 6,29 4,40 5,74 5,43 4,40 5,06 4,95 4,40 4,79 4,57 4,40 Nombre moyen de sommets visités (forte variabilité) S1 S2 S3 7,53 7,38 4,60 6,40 6,62 4,60 5,19 5,41 4,60 4,78 4,79 4,60 4,72 4,64 4,60 Tableau 5 : Nombre moyen de localisations visitées par période Concernant le nombre moyen de localisations visitées par période, le transbordement (scénario 1), ne génère pas un nombre de sommets visités plus important que le scénario 2 (voir tableau 5). D’autre part, même si l’écart peut être important par rapport au scénario 3, qui représente le nombre minimal de sommets visités, le scénario 1 reste compétitif et même meilleur sur une large plage de valeurs de la capacité du véhicule comme le montrent les tableaux 3 et 4. Notons que les résultats obtenus ci-dessus dépendent des paramètres choisis, en particulier de la période Rk et du taux de service minimal θmin. En effet, quand θmin augmente, la quantité Qkmax disponible au transbordement diminue, ce qui augmente les coûts du scénario 1. D’autre part, si Rk augmente, la quantité Qkmax augmente ce qui améliore les performances du scénario 1. Par ailleurs, dans ce travail, nous avons considéré que les coûts de passation de commande sont identiques pour les trois scénarios. Néanmoins, en pratique, le scénario 3 génèrerait des coûts plus importants que les scénarios 1 et 2 du fait de l’utilisation de plusieurs véhicules, ce qui dégraderait les performances obtenues pour ce scénario dans les tables 3 et 4 et renforcerait ainsi l’apport du transbordement. D’autres coûts peuvent aussi être consi- MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie dérés comme les coûts de chargement/déchargement qui diffèrent d’un scénario à l’autre. 6 Campbell, A.M. and Savelsbergh, M.W.P. 2004. A decomposition approach for the inventory-routing problem, Transportation Science, 38 (4), p.488–502. CONCLUSIONS ET PERSPECTIVES Dans ce travail, nous avons étudié un problème de tournée de véhicule avec gestion de stock (IRP) dans un contexte de VMI avec stock de consignation. Nous avons utilisé l’approximation de (Ehrhardt et Mosier, 1984) pour déterminer les paramètres de la politique de gestion de stock et nous avons proposé une méthode de détermination de la tournée de distribution qui prend en compte les possibilités de transbordement entre les différentes localisations. Le recours au transbordement généralement critiqué en pratique est justifié par l’utilisation du stock de consignation. L’analyse numérique réalisée montre que la méthode proposée améliore les performances par rapport à l’IRP classique et l’écart peut être important pour certaines plages de la capacité du véhicule. Notons que, dans ce travail, nous avons considéré que le fournisseur doit choisir l’un des scénarios proposés. Il serait intéressant de voir ce que donne la combinaison des trois scénarios en termes d’amélioration des performances du système étudié. Parmi les perspectives de ce travail, nous pouvons citer l’apport de la technologie RFID soit dans un contexte statique avec la connaissance des niveaux réels des stocks à chaque passage par une localisation, soit dans un contexte dynamique avec ré-optimisation du circuit de distribution. REFERENCES Aghezzaf, E.H., Raa, B., and Landeghem, H.V., 2006. Modeling inventory routing problems in supply chains of high consumption products. European Journal of Operational Research, 169, p1048–1063. Baita, F., Ukovicha, W., Pesentib, R., and Favarettoc, D., 1998. Dynamic routing-and inventory problems: a review. Transportation Research Part A: Policy and Practice, 32 (8), p.585-598. Centinkaya, S. and Lee, C.Y. 2000. Stock replenishment and shipment scheduling for vendor managed inventory systems, Management Science, 46 (2), p.217– 232. Centinkaya, S. and Lee, C.Y.,2002, Stock optimal outbound dispatch policies: modeling inventory and cargo capacity, Naval Research Logistics, 49 (6), p.531– 556. Centinkaya, S. and Bookbinder, J.H. 2003, Stochastic models for the dispatch of consolidated shipments, Transportation Research Part B-Methodological, 37 (8), p.747–768. Chien, T.W., Balakrishnan, A., and Wong, R.T., 1989. An integrated inventory allocation and vehicle routing prolem. Transportation Science, 23, 67–76. Chiou C. C., 2008. Transshipment problems in supply chainsystems: Review and extensions. In Supply Chain: Theory and Applications, pages 427-448. Corbett C.J., 2001. Stochastic inventory systems in a supply chain with asymmetric information : Cycle stocks, safety stocks, and consignment stock. Operations Research, 49(4), p.487–500. Diks, E. B., A. G. de Kok. 1996. Controlling a divergent 2-echelon network with transshipments using the consistent appropriate share rationing policy. International Journal of Production Economics, 45 (1-3), p.369-379. Ehrhardt, R. and Mosier, C.,1984, A revision of the power approximation for computing (s,S) policies, Management Science, 30 (5), p.618–622. Evers, P. T. 1996. The impact of transshipments on safety stock requirements. Journal of Business Logistics, 17, p.109–133. Federgruen, A., and Simchi-Levi, D., 1995. Analysis of vehicle routing and inventory routing problems: Review Article. Handbooks in Operations Research and Management Science, Vol. 8, Chapter 4, p.297-373. Braglia M. and L. Zavanella. 2003. Modelling an industrial strategy for inventory management in supply chains: the ’consignment stock’ case. International Journal of Production Research, 41(16), p.3793– 3808. Federgruen, A., and Zipkin, P., 1984. A combined vehicle routing and inventory allocation problem. Operations Research, 32, p.1019–1037. Campbell, A., Savelsberg, M., Clarke. L, and Kleywegt, A., 1998. The Inventory Routing Problem. Fleet Management and Logistics. Kluwer Academic Pblishers, p.95-112. Golden, B.L., Assad, A.A., and Dahl, R., 1984. Analysis of a large scale vehicle routing problem with an inventory component. Large Scale Systems, 7, p.181– 190. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Gümüs M., E.M. Jewkes, and J.H. Bookbinder, 2008. Impact of consignment inventory and vendormanaged inventory for a two-party supply chain. International Journal of Production Economics, 113 (2), p.502-517. Hu, T.Y., Liao, T.Y. and Lu, Y.C., 2003, Study of solution approach for dynamic vehicle routing problems with real time information, Transportation Network Modeling, Transportation Research Record,1857, p.102–108. Jarugumilli S. and S. E. Grasman. 2007. RFID-enabled inventory routing problems. Int. J. Manufacturing Technology and Management, 10 (1), p. 92-105. Jönsson, H., E. A. Silver. 1987. Analysis of a twoechelon inventory control system with complete redistribution. Management Science, 33, p.215–227. Kleywegt, A., Nori, V. and Savelsbergh, M.W.P., 2002, The stochastic inventory routing problem with direct deliveries, Transportation Science, 36 (1), p.94–118. Kleywegt, A., Nori, V. and Savelsbergh, M.W.P., 2004, Dynamic programming approximations for a stochastic inventory routing problem, Transportation Science, 38 (1), p.42–70. Krishnan, K., V. Rao. 1965. Inventory control in N warehouses. Journal of Industrial Engineering, 16, p.212–215. Minkoff, A. S., 1993. A Markov Decision Model and Decomposition Heuristic for dynamic Vehicle Dispatching. Operations Research, 41, p.77-90. Paterson C., Kiesmuller G., Teunter R. and Glazebrook K., 2009. Inventory models with lateral transshipments : a review. Working paper, Beta Research School for Operations Management and Logistics. Persona A., A. Grassi, and M. Catena, 2005. Consignment stock of inventories in the presence of obsolescence. International Journal of Production Research, 43(23), p.4969–4988. Robinson, L. W. 1990. Optimal and approximate policies in multiperiod, multilocation inventory models with transshipments. Operations Research, 38, p.278–295. Rudi N., S. Kapur and Pyke D. F. 2001. A Two-Location Inventory Model with Transshipment and Local Decision Making. Management Science, 47 (12), p. 1668–1680 Rusdiansyah, A., and Tsao, D., 2004. An integrated model of the periodic delivery problems for vendingmachine supply chains. Journal of Food Engineering, 70, p.421-434. Schneider H. and Ringuest J. L., 1990. Power approximation for computing (s; S) policies using servive level. Management Science, 36(7):822_834. Silver E. A., Naseraldin H. and Bischak D.P., 2007. Determining the reorder point and order-up-to level in a periodic review system so as to achieve a desired fill rate and a desired average time between replenishments. Working paper, University of Calgary, Canada. Tagaras, G. 1989. Effects of pooling on the optimization and service levels of two-location inventory systems. IIE Transaction, 21, p.250–257. Thomas D.J., Griffin P.M., 1996. Coordinated supply chain management. European Journal of Operational Research, 94 (1), p.1-15 Valentini G. and L. Zavanella, 2003. The consignment stock of inventories : industrial case and performance analysis. International Journal of Production Research, 81-82, p.215–224. Ward, J., and Zhaï, X., 2004. Joint transportation and Inventory Problems in Supply Chains: A Review. Working paper. Krannert school of Management, University of Chicago. Zanoni S. and R.W. Grubbstrom, 2004. A note on an industrial strategy for stock management in supply chains: modelling and performance evaluation. International Journal of Production Research, 42 (20), p.4421–4426. Zavanella L. and S. Zanoni, 2009. A one-vendor multibuyer integrated production inventory model: the ’consignment stock’ case. International Journal of Production Economics, 118 (1), p.225-232