Mémoire Thématique
Transcription
Mémoire Thématique
Master Recherche Génie Industriel Spécialité OSIL Promotion 2008/2009 Mémoire Thématique IMPACT DES REGLES DE CALCUL DES QUANTITES DE COMMANDE SUR L EFFET BULLWHIP Soutenu le 5 mars 2009 par DHIA JOMAA Jury : Vincent Mousseau Asma Ghaffari Rim Kalai Eric Wanscoor Mémoire thématique Effet Bullwhip Résumé effet Bullwhip, qui consiste en l amplification de la variabilité de la demande le long de la chaîne logistique, a fait l objet de plusieurs travaux durant ces cinq dernières décennies. Nous présentons dans ce document le phénomène, les principales démarches scientifiques d analyse et nous nous focaliserons sur l impact des politiques de commande et des techniques de prévision sur cet effet. Mots clés : Effet Bullwhip, variabilité des commandes, techniques de prévision, politiques de commande. Dhia JOMAA 2 2008/2009 Mémoire thématique Effet Bullwhip SOMMAIRE Introduction............................................................................................................................6 I. Cadre de l étude ..................................................................................................................7 1. Positionnement du sujet ..................................................................................................7 2. Analyse globale du sujet .................................................................................................7 3. Analyse de la base bibliographique .................................................................................7 3.1. Nature de la bibliographie ........................................................................................7 3.2. Les chercheurs et les principales collaborations........................................................8 3.3. Les secteurs économiques intéressés ......................................................................10 II. L effet Bullwhip ..............................................................................................................11 1. Description du phénomène............................................................................................11 2. Causes et actions d atténuation : les paramètres influant l effet .....................................12 2.1. Les causes de l effet Bullwhip................................................................................12 2.2. Les actions d atténuation........................................................................................13 2.3. Paramètres analysés dans la littérature....................................................................13 3. Quantification de l effet : les différentes démarches d analyse / les indicateurs de quantification....................................................................................................................14 3.1. L approche analytique statistique ...........................................................................14 3.2. Théorie des systèmes et contrôle ............................................................................15 III. Analyse des paramètres...................................................................................................17 1. Impact des politiques de prévision ................................................................................17 1.1. Les techniques de prévision simples .......................................................................18 1.2. Techniques plus complexes : Cas de la MMSE.......................................................20 2. Impact des politiques de commande..............................................................................22 2.1. Politique périodique à niveau de recomplètement : la variante base stock ...............22 2.2. Les politiques de commandes génériques ...............................................................24 2.2.1. Résultats retrouvés concernant la politique à niveau de recomplètement : Réglages induisant l effet Bullwhip...........................................................................25 2.2.2. Politique généralisée : introduction d une fraction entre les gaps : Réglages permettant d atténuer l effet ......................................................................................27 2.2.3. Evalution simultanée du Bullwhip et de la variabilité du niveau de stock : Réglage permettant une optimisation globale ............................................................29 IV. Discussion et perspectives ..............................................................................................32 Conclusion ...........................................................................................................................33 Références Bibliographiques ................................................................................................34 Dhia JOMAA 3 2008/2009 Mémoire thématique Effet Bullwhip LISTE DES FIGURES Figure 1: Amplification de la variabilité de la demande : Chaîne à quatre échelons...............11 Figure 2 : Graphe de la réponse fréquentielle d une politique à niveau de recomplètement avec un lissage exponentiel simple : Dejonckheere et al (2003) ............................................16 Figure 3 : Graphe de la réponse fréquentielle : politique base stock ......................................23 Figure 4 : Graphe de la réponse fréquentielle d'une politique base stock : chaîne logistique à 4 échelons : Dejonckheere et al (2004) ....................................................................................23 Figure 5 : Réponses fréquentielles des politiques base stock et échelon stock : K Hoberg et al (2007)...................................................................................................................................24 Figure 6 : Graphe de la réponse fréquentielle : politique APIOBCS : Dejonckheere et al (2003)...................................................................................................................................27 Figure 7 : Graphe de la réponse fréquentielle : politique APIOBCS : Chaîne logistique à quatre échelons : Dejonckheere et al (2004)..........................................................................28 Dhia JOMAA 4 2008/2009 Mémoire thématique Effet Bullwhip LISTE DES TABLEAUX Tableau 1 : Pôles de connaissances .........................................................................................8 Tableau 2 : Causes identifiées par Katsuhiko Takahasi et al (2003).......................................12 Dhia JOMAA 5 2008/2009 Mémoire thématique Effet Bullwhip Introduction effet Bullwhip, caractéristique des réseaux de distribution, est l un des phénomènes les plus étudiés en logistique. Nous nous intéressons dans cette étude à quelques uns des aspects traités dans la littérature. Ce phénomène, consiste en l amplification de la variabilité de la demande le long de la chaîne logistique. Phénomène indésirable au niveau global de la chaîne. Il a fait l objet de plusieurs recherches : explications de ses causes, sa quantification et surtout son atténuation. Forrester (1958, 1961) est le premier à avoir observé et analysé ce phénomène. Ses travaux ont inspiré plusieurs chercheurs. Sterman (1989) a développé le jeu de la bière, une simulation se faisant à quatre joueurs, chacun ayant à gérer son stock de façon à minimiser les coûts. A issu du jeu, l amplification de la demande est bien vérifiée. Ce phénomène a également fait l objet de plusieurs travaux durant ces deux dernières décennies. En effet, le terme Bullwhip , désignant l amplification de la demande, a été introduit pour la première fois par Lee et al (1997.a), lesquels ont identifié les principales causes du phénomène ainsi que quelques actions d atténuation. Depuis plusieurs études ont été menées. Duc et al (2007), considèrent que le phénomène est d une grande complexité, et malgré l abondance de la littérature, certains aspects restent encore à développer. Dans ce qui suit nous commençons par présenter le contexte général de l étude ainsi que la base bibliographique sur laquelle nous nous sommes basés. Dans la deuxième partie, nous expliquons plus en détail le phénomène, les paramètres impactant ce phénomène ainsi que les moyens de quantification. Dans la troisième partie nous nous focalisons sur deux paramètres en particulier : les techniques de prévisions et les techniques de commande. Enfin, nous présentons quelques perspectives et pistes de recherche. Dhia JOMAA 6 2008/2009 Mémoire thématique Effet Bullwhip I. Cadre de l’étude Nous commençons par présenter le sujet et les principaux points qui seront développés. Ensuite, nous analysons la base bibliographique : les sources d informations, les principales universités impliquées et leur répartition géographique ainsi que quelques collaborations. 1. Positionnement du sujet Dans la recherche d une optimisation globale des chaînes de distribution, l attention des différents acteurs de la chaîne est de plus en plus portée sur l effet Bullwhip. En effet, ce phénomène, et s il n est pas contrôlé, est à l origine de mauvaises performances dont des surcoûts subits par les différents membres. Dans cette étude, il s agit de voir l impact des règles de calcul des quantités de commande sur effet. Nous cherchons à analyser l impact de différentes politiques de commande et de voir le niveau d influence de chacune d entre elles. 2. Analyse globale du sujet Les principales questions auxquelles nous tentons de répondre sont : 1. Qu est ce que l effet bullwhip et comment le quantifier ? 2. Quels paramètres, se rapportant aux conditions de commande, ont-ils un impact sur ce phénomène ? 3. Quel est le niveau d influence de chacun de ces paramètres et comment doit on les choisir pour atténuer au plus cet effet ? 3. Analyse de la base bibliographique 3.1. Nature de la bibliographie Les revues scientifiques dont proviennent les articles sont : 1. Production, Manufacturing and Logistics 2. International Journal of Production Economics 3. The International Journal of Management Science 4. European Journal of Operational Research 5. Management Science 6. Computers and Industrial Engineering Dhia JOMAA 7 2008/2009 Mémoire thématique Effet Bullwhip 7. Computers and Operations Research 8. Production and Operations Management 9. Naval Research Logistics 3.2. Les chercheurs et les principales collaborations Nous présentons dans le tableau 1 les principaux chercheurs qui ont travaillé sur ce sujet : Tableau 1 : Pôles de connaissances Chercheur Alistair Milne Benny Van Houdt Borut Rusjan C.E. Riddalls Charu Chandra Christopher S.Tang Chwen-Tzeng Su D.R. Towill David Simchi Levi David Wright Dean C. Chatfield Ekrem Tatoglu Eleni Aggelogiannaki Erkan Bayraktar Franck Chen Gerard Gaalman Giovanni Miragliotta Giuliano Caloiero Hau L. Lee Huynh Trung Luong Huynh Trung Luong I Nyoman Pujawan Ilhyung Kim J. Dejonckheere Jack C. Hayya James R. Bradley Janis Grabis Jennifer K. Ryan Jeon G Kim Jinxing Xie Jui-Tsung Wong Kai Hoberg Kazim Sari Kut C. So Dhia JOMAA Institut University of Surrey University of Antwerp University of Ljubljana University of Sheffield University of Michigan-Dearborn University of California National Yunlin University of Science and Technology Cardiff University Northwestern University University of Ottawa Virginia Polytechnic Institute Bahcesehir University National Technical University of Athens Bahcesehir University National university of Singpore University of Groningen Politecnico di Milano Carlo Cattaneo University Stanford University Asian Institute of Technology Asian Institute of Technology Sepuluh Nopember Institute of Technology Western Washington University GE Power Controls Belgium Pennsylvania State university Cornell University University of Michigan-Dearborn School of Industrial Engineering Pennsylvania State university Tsinghua University National Yunlin University of Science and Technology University of Cologne Beykent University University of California 8 Pays Grande Bretagne Belgique Slovénie Grande Bretagne Etats-Unis Etats-Unis Taiwan Grande Bretagne Etats-Unis Canada Etats-Unis Turquie Grèce Turquie Singapore Pays-Bas Italie Italie Etats-Unis Thailand Thailand Indonésie Etats-Unis Belgique Etats-Unis Etats-Unis Etats-Unis Etats-Unis Etats-Unis Chine Taiwan Allemagne Turquie Etats-Unis 2008/2009 Mémoire thématique L. Zhou M.M Naim M.R. Lambrecht Mark Springer Marko Jacsik Michael Lim Mohammed M. Naim Nguyen Huu Phien Peter Kelle R.D.H. Warburton R.S.M. Lau Rachel Mason-Jones Robert N. Boute S. Bennet S.C. Lenny Koh S.M. Disney So Young Sohn Takamichi Hosoda Terry P. Harrison Thomas Kelepouris Truong Ton Hien Duc V. Sridharan Xiande Zhao Xiaoming Li Xin Yuan Yanfeng Ouyang Yeong-Dae Kim Zvi Drezner Effet Bullwhip Cardiff University Cardiff University Katholieke Universiteit Leuven Western Washington University University of Ljubljana Yonsei University Cardiff University Asian Institute of Technology Louisiana State University Boston University Hong Kong University of Science and Technology Cardiff University Katholieke Universiteit Leuven University of Sheffield University of Sheffield Cardiff University Yonsei University Cardiff University Pennsylvania State university Athens University of Economics and Business Korea Advanced Institute of Science and Technology Clemson University The Chinese University of Hong Kong Tennessee State University University of Ottawa University of Illinois Korea Advanced Institute of Science and Technology California State University Grande Bretagne Grande Bretagne Belgique Etats-Unis Slovénie Corée du Sud Grande Bretagne Thailand Etats-Unis Etats-Unis Chine Grande Bretagne Belgique Grande Bretagne Grande Bretagne Grande Bretagne Corée du Sud Grande Bretagne Etats-Unis Grèce Corée du Sud Etats-Unis Chine Etats-Unis Canada Etats-Unis Corée du Sud Etats-Unis On déduit du tableau que les principales recherches sur l effet Bullwhip se font aux EtatsUnis et en Grande Bretagne. Les pays de l Asie, sont également impliqués dans la recherche sur ce sujet. Nous présentons dans ce qui suit quelques collaborations qui sont à la base de certains travaux : L université de Boston et l université de Cardiff L université de Cardiff et l université Catholique de Leuven L université Nationale de Singapore et l université de Californie L université de Sheffield et l université de Beykent L institut polytechnique de Virginie et l université de Pennsylvanie L université Nationale de Singapore et Northwestern University Dhia JOMAA 9 2008/2009 Mémoire thématique Effet Bullwhip 3.3. Les secteurs économiques intéressés Le grand intérêt porté à l effet bullwhip résulte, entre autres, du grand nombre d industriels qui sont touchés par ce phénomène. Giovanni Miragliotta (2006) revient sur les principales industries, présentées dans la littérature, et qui sont les plus touchées par cet effet : industrie mécanique en Grande Bretagne, l alimentaire aux Etats-Unis, l industrie des jouets en Grande Bretagne et aux Etats-Unis ont connu des amplifications considérées de moyenne ampleur. autres industries sont plus touchées par l effet, notamment l industrie électronique en Grande Bretagne. Dhia JOMAA 10 2008/2009 Mémoire thématique Effet Bullwhip II. L’effet Bullwhip 1. Description du phénomène effet Bullwhip ou effet coup de fouet est un phénomène provenant de la transmission du flux informationnel le long de la chaîne logistique. Souvent comparé au mouvement d un coup de fouet, l effet Bullwhip consiste en une amplification de la variabilité de la demande depuis le client, niveau le plus en aval de la chaîne, jusqu au manufacturier, niveau le plus en amont. Ce phénomène caractérise plusieurs chaînes de distribution. Des responsables de HewletPackard, en analysant les ventes de l un de leur produit, ont remarqué quelques variations. Ces variations étaient nettement plus intenses pour le cas des commandes. Ce phénomène est mis en évidence dans le jeu de la bière, développé à l MIT par Sterman (1989), il s agit d une simulation se jouant à quatre joueurs, présentant chacun un maillon de la chaîne et ayant à lancer des commandes et à satisfaire une demande tout en essayant de minimiser les coûts de stockage et de rupture. Ce cas d école, aboutit à une amplification de oscillation des commandes d un joueur à un autre, ce qui correspond à l effet Bullwhip. Figure 1: Amplification de la variabilité de la demande : Chaîne à quatre échelons Dhia JOMAA 11 2008/2009 Mémoire thématique Effet Bullwhip 2. Causes et actions d’atténuation : les paramètres influant l’effet 2.1. Les causes de l’effet Bullwhip Lee et al (1997.a) ont présenté quatre causes principales, qui seront considérées comme étant une explication complète du phénomène. Depuis, rares sont ceux qui ont essayé d étendre ces explications. L effet est causé par : Analyse de la demande : est le fait de faire des prévisions. L erreur de prévision peut se propager d un échelon à un autre de la chaîne logistique. Ceci causera l amplification de la demande, laquelle est intensifiée par des temps de commande plus longs. La commande en lot : Pour des raisons d économie d échelle ou à cause de certaines contraintes, les firmes se voient dans l obligation de commander en lot. Cette commande, ne traduit pas les besoins réels, ce qui peut provoquer l effet. La fluctuation des prix : la fluctuation des prix provient des remises et des promotions. Quand ceci a lieu, les entreprises achètent en de grandes quantités qui ne traduisent pas leurs vrais besoins. Quand les prix sont rétablis, les achats sont arrêtés. La conséquence est que le processus de commande ne traduit pas la vraie consommation : la variation des commandes dépasse celle de la consommation d où l effet bullwhip. Capacité (Rationing game) : Quand la demande dépasse la capacité du manufacturier, ce dernier distribue des parts proportionnelles aux demandes initiales. Pour avoir des parts correspondant à leurs vrais besoins, les clients amplifient d avance leurs demandes. Ceci est à l origine de l effet bullwhip. Katsuhiko Takahashi et al (2003), ont repris ces quatre causes, et les ont encore détaillées. A cette liste ils en ont ajouté d autres, qu ils ont classifiées selon leur occurrence dans la chaîne logistique. Ces causes sont présentées dans le tableau 2. Tableau 2 : Causes identifiées par Katsuhiko Takahasi et al (2003) Demande Processus de Commande Livraison La fluctuation de la demande Coûts de commande Capacité (Rationing game) Les prévisions Commandes en lot Temps réapprovisionnement Pénalités sur les fluctuations Les cycles de commande Fluctuation des prix Les méthodes de commande Cycle de livraison (le réapprovisionnement) Dhia JOMAA 12 2008/2009 Mémoire thématique Effet Bullwhip Notons que certaines causes supplémentaires évoquées ci-dessus par Katsuhiko Takahashi et al (2003) sont déjà citées indirectement par Lee et al (1997.a). Cette liste constitue, en conséquent, le détail de ce qui a été cité, plutôt qu un complément. En effet, et comme évoqué dans Dejonckheere et al (2004) : par Demand processing, il est entendu la prévision de la demande, ce qui a pour conséquent l ajustement des paramètres de la politique de réapprovisionnement : cette cause prend compte, à la fois des prévisions et des politiques de réapprovisionnement. 2.2. Les actions d’atténuation En plus des causes identifiées, Lee et al (1997.a) proposent des actions pour contrer amplification de la demande, il s agit de trois principales familles : Le partage d information : ceci peut inclure le partage de la demande avale entre membres de la chaîne logistique, ce qui permettra d améliorer la qualité des prévisions, échange de données informatisée (EDI), les applications de commande par Internet ou encore les échanges des données sur les stocks. Le partage d information est beaucoup étudié dans la littérature relative à l effet Bullwhip. La coopération : le VMI constitue une sorte de coopération en logistique pouvant contrer l amplification de la demande. L efficience opérationnelle : la réduction des délais est considérée comme moyen permettant de contrer l effet Bullwhip. Katsuhiko Takahashi et al (2003) reprennent plus en détail ces actions. Le partage information est un moyen pour améliorer la qualité des prévisions, mais le choix entre techniques de prévisions peut aussi s avérer utiles. Ceci tient aussi pour les politiques de commandes. Adopter une politique de réapprovisionnement plutôt qu une autre peut s avérer utile dans l atténuation de l effet. 2.3. Paramètres analysés dans la littérature De la liste des causes et des actions d atténuation, nous arrivons à identifier des paramètres qui ont un impact sur l effet Bullwhip. Nous citons principalement : Les prévisions de vente : les différentes techniques de prévision ainsi que le régalage des paramètres relatifs à chacune de ces techniques. Dhia JOMAA 13 2008/2009 Mémoire thématique Effet Bullwhip Les politiques de commande : les politiques de réapprovisionnement ainsi que les politiques de Lot sizing. Les temps relatifs au réapprovisionnement. Le partage d information : le niveau de partage d information dans les chaînes logistiques. Le niveau de coopération dans les chaînes logistiques. Ces différents paramètres ont été analysés dans la littérature. Pour Giovanni Miragliotta (2006), les trois principaux points qui ont été analysés sont : l effet du partage de information, l effet de la coopération et l action sur les temps de réapprovisionnement. Cependant, il porte l attention sur le fait que les techniques de prévisions et de commandes sont également évoquées dans certains de ces travaux. est à ces deux derniers points que nous nous intéressons. 3. Quantification de l’effet : les différentes démarches d’analyse / les indicateurs de quantification Une fois les paramètres d influence définis, il est important de connaître les différentes démarches d analyse qui permettent de quantifier l impact de ces paramètres sur le phénomène. Différentes démarches sont adoptées, auxquelles sont associés des indicateurs de mesure de effet Bullwhip. Parmi ces approches, nous trouvons principalement : L’approche analytique statistique : utilisée dans plusieurs travaux : Chen et al (2000.a, 2000.b), Chatfield et al (2004). L’approche basée sur l’application de la théorie des systèmes : beaucoup utilisée dans l évaluation de l impact des politiques de réapprovisionnement : Dejonckheere et al (2003, 2004), Disney et al (2003). A ces deux approches s ajoute l application de la simulation. Dans certains travaux, la simulation est utilisée comme complément permettant de confirmer les résultats trouvés par les autres approches. 3.1. L’approche analytique statistique A cette approche est généralement associé l indicateur ratio des variances. Cet indicateur est défini comme étant le rapport de deux variances statistiques : celle de la demande d un Dhia JOMAA 14 2008/2009 Mémoire thématique Effet Bullwhip échelon donné de la chaîne logistique et celle de la demande du client (le maillon le plus en aval). Si ce rapport est supérieur à 1, alors on considère qu à cet échelon il y a effet bullwhip. approche analytique consiste à exprimer l expression de cet indicateur en fonction des données du problème. Ceci permet de mesurer le niveau d influence de ces données sur amplification de la variabilité de la demande. Chen et al (2000.a), considèrent une chaîne logistique simple à deux échelons : un détaillant et son fournisseur. Le détaillant reçoit une demande autorégressive, la prévoyant par une moyenne mobile simple. Il commande de chez son fournisseur, et est desservi après un temps fixe L. En appliquant une démarche analytique, ils expriment l indicateur en fonction des données : Var (q ) / Var ( D ) >= 1 + ( 2 L / p + 2 L ² / p ²)(1 − ρ p ) De cette expression, on voit que l effet bullwhip a lieu : rapport supérieur à 1 ; qu il est sensible au délai de livraison L, au paramètre de prévision p et au c fficient de corrélation de la demande . 3.2. Théorie des systèmes et contrôle Beaucoup utilisée dans l évaluation de l impact des politiques de réapprovisionnement sur effet Bullwhip. Cette méthodologie est basée sur les fonctions de transfert et sur l analyse de la réponse fréquentielle. La fonction de transfert d un système relie l output d un système à son input et est définie comme étant le ratio de la transformée en z de l output par la transformée en z de l input. F ( z ) = K (1 + b1 z + b2 z ² + ... + bq z q ) /(1 + a1 z + a 2 z ² + ... + a p z p ) Dans ce cas, la chaîne logistique est considérée comme étant un système à plusieurs interactions pouvant être modélisé par une fonction de transfert. En effet, à chaque politique de réapprovisionnement est associée une fonction de transfert décrivant la dynamique de cette politique. L entrée du système est la demande, sa sortie est la commande correspondante. Le tracé du graphe de la réponse fréquentielle permet de juger sur l ampleur de la variabilité de la demande induite par la politique de réapprovisionnement adoptée. Ce tracé correspond au module de la fonction de transfert en fixant z = eiw. Ce graphe correspond à des entrées sinusoïdales de différentes fréquences. Ceci se justifie par le fait que toute demande réelle peut être considérée comme étant composée de différentes sinusoïdes. Dhia JOMAA 15 2008/2009 Mémoire thématique Effet Bullwhip Deejonckheere et al (2003), traitent le cas de la politique à niveau de recomplètement. La figure 2 illustre le graphe de la réponse fréquentielle de cette politique lorsque la technique de prévision adoptée est le lissage exponentiel simple. Quelque soit la fréquence considérée, la courbe obtenue est en dessus de l unité : l effet Bullwhip a lieu. Figure 2 : Graphe de la réponse fréquentielle d’une politique à niveau de recomplètement avec un lissage exponentiel simple : Dejonckheere et al (2003) En plus de l analyse du graphe de la réponse fréquentielle, d autres indicateurs relatifs à la théorie des systèmes sont utilisés pour la quantification de l effet bullwhip. La métrique la π plus utilisée est le noise bandwidth Wn : Wn = ∫ TF (e iw ) ² dw , TF correspond à la transformée 0 de Fourrier. Cet indicateur est introduit par Dejonckherre et al (2003) et Disney et Towill (2003). Sa validité est vérifiée, par simulation, dans Dejonckheere et al (2004). En effet, Dejonckheere et al (2004) établissent que Wn / est équivalent à l indicateur ratio des variances. Quand Wn / > 1, la variance de l output est supérieure à celle de l input d où l effet Bullwhip. autres métriques, beaucoup moins utilisées, sont équivalentes au noise bandwidth. K. Hoberg et al (2007) utilisent white noise amplification pour évaluer l effet de trois politiques de stock sur la variabilité de la demande. Dhia JOMAA 16 2008/2009 Mémoire thématique Effet Bullwhip III. Analyse des paramètres 1. Impact des politiques de prévision Lee et al (1997a, b) considèrent que l effet Bullwhip peut être atténué en agissant sur ses causes. La prévision constitue l un des paramètres identifiés comme étant inducteurs de effet. De là, certains travaux ont porté sur l évaluation de l impact de certaines techniques de prévision. Les prévisions sont utilisées dans le réapprovisionnement, de là, la nécessité de considérer une politique de réapprovisionnement pour l évaluation de ces techniques. Dans la littérature, la politique adoptée est un cas de la politique à niveau de recomplètement : la politique base stock. Comme détaillée dans Chen et al (2000.a), cette politique se présente comme suit : Au début de la période t, le détaillant lance une commande qt qui s exprime par qt = S t − S t −1 + Dt −1 Dt étant la demande de la période t St étant le niveau de recomplètement qui est donné par S t = prev ( DtL ) + zσ tL Duc et al (2008) considèrent que la prévision crée de la variabilité dans le niveau de recomplètement, ce qui est à l origine de l effet Bullwhip. De là l intérêt d utiliser cette politique pour évaluer le comportement de différentes techniques de prévision. Notons que deux autres paramètres sont à considérer lors de l analyse des techniques de prévision : D abord le temps de réapprovisionnement L, lequel intervient dans le calcul de la prévision : la prévision de vente se faisant pour couvrir la période d approvisionnement. Ensuite, l allure de la demande : Il est clair que les différentes techniques de prévision réagissent différemment aux différentes allures de demande. De là, l importance de prendre en compte cette donnée lors de l analyse de ces techniques. Duc et al (2008) considèrent que les techniques de prévision simples sont celles qui ont été plutôt analysées : moyenne mobile, lissage exponentiel. Nous présentons dans ce qui suit quelques travaux qui ont porté sur les techniques simples : moyenne mobile et lissage exponentiel. Nous traiterons ensuite le cas de la politique MMSE, laquelle permet de minimiser le carré moyen des erreurs de prévision et constitue un cas encore plus complexe. Dhia JOMAA 17 2008/2009 Mémoire thématique Effet Bullwhip 1.1. Les techniques de prévision simples • Moyenne mobile Chen et al (2000.a), Xiaolong Zhang (2004), Chatfield et al (2004) et Jeon G Kim et al (2006) ont analysé l impact de la moyenne mobile simple, en adoptant une démarche analytique statistique. Chen et al (2000.a) et Xiaolong Zhang (2004), considèrent le cas d une chaîne logistique simple à deux échelons : un détaillant et son fournisseur. La demande subie par le détaillant étant considérée autorégressive du premier ordre AR (1) et le temps d approvisionnement étant supposé déterministe L. Une borne inférieure de l indicateur ratio des variances est développée et est égale à 1 + ( 2 L / p + 2 L ² / p ²)(1 − ρ p ) . Le rapport étant supérieur à 1, l effet Bullwhip a lieu. Il croît avec le temps approvisionnement, décroît avec l âge des prévisions (paramètre p) et est dépendant du fficient d auto corrélation de la demande. Jeon G Kim et al (2006) étendent le modèle au cas d une chaîne logistique à k échelons : Un détaillant, un fournisseur, un entrepôt et un manufacturier, opérant chacun par la méthode de la moyenne mobile simple. Ils considèrent le cas d un temps d approvisionnement déterministe (comme dans Chen et al (2000.a)) puis celui d un temps stochastique. amplification de la demande a toujours lieu indépendamment de la nature de ce temps. Cependant, un temps stochastique contribue plus à l amplification. • Lissage exponentiel Le lissage exponentiel a été analysé dans Chen et al (2000.b), Dejonckheere et al (2002), Xiaolong Zhang (2004), Thomas Kelepouris et al (2008) et Erkan Bayraktar et al (2008). Lissage exponentiel simple Chen et al (2000.b) et Xiaolong Zhang (2004) traitent la technique du lissage exponentiel simple. En partant du modèle de base de Chen et al (2000.a) (chaîne logistique à deux échelons ; demande autorégressive du premier ordre AR (1) ; temps d approvisionnement déterministe L), ils établissent, de même, une borne inférieure de l indicateur ratio des variances 1 + (2 Lα + 2 L²α ² /(2 − α ))(1 − αρ /(1 − (1 − α ) ρ )) Dhia JOMAA 18 2008/2009 Mémoire thématique Effet Bullwhip Tout comme pour le cas de la moyenne mobile, l effet Bullwhip a toujours lieu. Il croît avec le temps d approvisionnement, le coéfficient de lissage et le coéfficient de corrélation de la demande. Lissage exponentiel double Chen et al (2000.b) étendent l étude au cas d une demande linéaire. La technique adoptée dans ce cas est le lissage exponentiel double. Tout comme pour le lissage simple, l indicateur des variances croît avec le paramètre de lissage, avec le temps d approvisionnement mais il est indépendant du c fficient linéaire de la demande. Ce résultat est confirmé par simulation dans Thomas Kelepouris et al (2008). Le cas qu ils considèrent est celui d un distributeur Grecque utilisant dans ses prévisions le lissage exponentiel double. L indicateur ratio des variances a été évalué pour le cas de 48 produits. Les résultats trouvés sont : L augmentation du temps d approvisionnement, pour un paramètre de lissage fixe, augmente la valeur de l indicateur. L augmentation du paramètre de lissage, pour un temps d approvisionnement fixe, augmente la valeur de l indicateur. Modèle de Winters : Lissage à trois paramètres Erkan bayraktar et al (2008) considèrent le cas d une demande autorégressive AR (1) saisonnalisée. La technique de prévision appropriée est celle de Winters, technique à trois paramètres de lissage. En se basant sur des simulations, ils évaluent l impact des paramètres de lissage, du temps d approvisionnement et du niveau de saisonnalité. Les résultats sont conformes aux précédents : L atténuation de l effet passe par la diminution du temps approvisionnement et des paramètres de lissage. Quant à la saisonnalité, elle permet de diminuer la variabilité : la variabilité apportée par la saisonnalité permet de compenser la variabilité sur la demande. Synthèse Les techniques de prévision simples résultent systématiquement en une amplification de la variabilité de la demande. L ampleur de l amplification diffère d une technique à une autre. Indépendamment de la technique, la réduction des temps d approvisionnement s avère efficace pour l atténuation de l effet. Dhia JOMAA 19 2008/2009 Mémoire thématique Effet Bullwhip amplification de la demande est également sensible à l étendue de l historique utilisé dans la prévision. Dans tous les cas, augmenter la taille de l historique résulte en une atténuation de effet Bullwhip. Ceci se traduit par : L augmentation du paramètre p dans le cas de la moyenne mobile. La diminution du paramètre de lissage pour le lissage exponentiel, ce qui revient à donner plus de poids aux observations passées. Cependant, cette stratégie est limitée : utiliser plus d historique permet d atténuer amplification de la demande mais ceci se fait au dépend de la précision des prévisions. Donner moins de poids aux observations les plus proches résulte en une dégradation de la qualité des prévisions. D où la nécessité de trouver un compromis. 1.2. Techniques plus complexes : Cas de la MMSE H T Luong (2007) considère que le lissage exponentiel et la moyenne mobile sont beaucoup sollicités pour leur simplicité d utilisation. Cependant, pour certains processus de demandes complexes, ces techniques deviennent inefficaces. Certains travaux plus récents portent l attention sur la technique MMSE. Alwan et al (2003) considèrent que l utilisation de cette technique est mieux appropriée pour certaines allures de demandes. La prévision s exprime dans ce cas comme suit : prev ( Dt + i ) = E ( Dt +i / Dt −1 , Dt −2 ,...) Cette technique est analysée pour le cas de la demande AR (1) dans Xiaolong Zhang (2004) et H T Luong (2007). H T Luong et N H Phien (2007) étendent l étude au cas d une demande AR (p) et Duc et al (2008) considèrent le cas d une demande ARMA (1,1). Xiaolong Zhang (2004) et H T Luong (2007) adoptent un modèle équivalent à celui de Chen et al (2000.a) : une chaîne simple à deux échelons, un détaillant s approvisionnant d un fournisseur, la demande étant AR (1) et le temps d approvisionnement est déterministe L. La différence unique est que la technique de prévision qu ils adoptent est la technique MMSE. De l expression du ratio des variances, ils concluent que, contrairement aux résultats de Chen et al (2000a,b), l effet bullwhip n a pas systématiquement lieu. En effet l analyse de expression du ratio permet de voir que : effet est inexistant pour des c fficients de corrélation négatifs et pour le cas d une corrélation positive complète ( = 1). Dhia JOMAA 20 2008/2009 Mémoire thématique Effet Bullwhip Pour les valeurs comprises entre 0 et 1, l effet croît, atteint un maximum puis décroît. En plus, il est intéressant de constater l existence d une valeur maximale de l effet lorsque le temps d approvisionnement s accroît. Sous ces mêmes hypothèses, H T Luong et N H Phien (2007) étendent l étude aux cas plus complexes, d abord d une demande AR (2), ensuite au cas général AR (p). L amplification de la demande est toujours dépendante du temps d approvisionnement L et des coéfficients de corrélation de la demande. Lorsque ces coéfficients sont positifs, l effet s amplifie avec accroissement du temps d approvisionnement, résultat classique vérifié dans toutes les études précédentes. Cependant, pour des valeurs quelconques de ces c fficients, l effet n a toujours pas lieu et il n est plus fonction croissante du temps d approvisionnement. Ce résultat est d une grande importance. Il remet en cause la réduction systématique des temps approvisionnement pour l atténuation de l effet Bullwhip. Le phénomène se complexifie avec l allure de la demande. Ce constat est encore fait dans Duc et al (2008). La demande qu ils considèrent est ARMA (1,1), laquelle est une combinaison d un processus autorégressif/moyenne mobile permettant de modéliser un processus de demande plus complexe. Une série de tests numériques sur le ratio des variances permet de confirmer la complexité du phénomène avec ce type de demande. La réduction des temps d approvisionnement ne réduit pas systématiquement l effet. Synthèse Les travaux récents sont partis sur l évaluation de demandes plus complexes cherchant à mieux modéliser la demande réelle. Ces allures nécessitent des techniques de prévisions plus abouties que le lissage exponentiel et la moyenne mobile. Les résultats trouvés montrent que sous ces hypothèses, l effet bullwhip devient plus compliqué à évaluer. L effet n a toujours pas lieu. Il est intéressant d étendre ces études aux cas de demandes encore plus complexes, notamment le cas ARMA (p,q), et voir comment ces techniques pourraient filtrer ces demandes. Dhia JOMAA 21 2008/2009 Mémoire thématique Effet Bullwhip 2. Impact des politiques de commande Le deuxième paramètre que nous étudions est la politique de commande adoptée par les membres de la chaîne logistique. Celle-ci a un impact sur l effet Bullwhip. Plusieurs politiques sont adoptées dans les organisations actuelles. Tersine (1985) les classe, suivant : Les politiques de gestion de stock classiques : Telles que les systèmes perpétuels (s, S) et les systèmes périodiques Les systèmes poussés : tel que le système MRP Les systèmes tirés : tel que le système Kanban dans la production juste à temps. A ces différentes catégories, nous pouvons ajouter les techniques de Lot sizing. Dans la littérature sur l effet Bullwhip, la politique la plus analysée est la variante base stock, laquelle était utilisée pour évaluer les techniques de prévision et constitue un cas de la politique périodique à niveau de recomplètement. Les politiques génériques d approvisionnement, notamment l APIOBCS, sont également analysées. Il se trouve que ces politiques constituent une généralisation de la politique base stock, et permettent, suivant certains réglages, de diminuer l ampleur de l effet. 2.1. Politique périodique à niveau de recomplètement : la variante base stock est la politique, déjà présentée dans III.1 et qui est adoptée dans l évaluation des techniques de prévision. Cette politique est analysée dans Dejonckheere et al (2003, 2004) et K Hoberg et al (2007) par approche de la théorie des systèmes. Il est établi dans ces travaux que, indépendamment de allure de la demande, cette politique est inductrice de l effet Bullwhip. Dejonckheere et al (2003) considèrent le cas d une chaîne logistique à deux échelons. En associant un block diagramme à cette politique et en dérivant la fonction de transfert correspondante, ils établissent le graphe de la réponse fréquentielle. Dhia JOMAA 22 2008/2009 Mémoire thématique Effet Bullwhip Figure 3 : Graphe de la réponse fréquentielle : politique base stock Quelque soit la fréquence considérée, le tracé du graphe est en dessus de l unité : l effet a lieu indépendamment de la demande. Cette étude est généralisée dans Dejonckheere et al (2004) au cas d une chaîne logistique à k échelons (4 échelons). La même démarche permet d aboutir au tracé du graphe de la réponse fréquentielle Figure 4 : Graphe de la réponse fréquentielle d'une politique base stock : chaîne logistique à 4 échelons : Dejonckheere et al (2004) effet a lieu, au niveau de tous les échelons de la chaîne logistique, quelque soit la demande. Il s accroît d une manière géométrique en allant d un échelon à un autre. Cette politique étant inductrice de l effet, certains travaux la comparent à d autres politiques dont la méthode MRP. Charu Chandra et Janis Grabis (2005) établissent l expression analytique du ratio des variances dans le cas de la politique MRP et celui de la politique base stock. La chaîne qu il Dhia JOMAA 23 2008/2009 Mémoire thématique Effet Bullwhip considère est simple à deux échelons et où la demande est supposée autorégressive. L analyse numérique des deux expressions permet de voir que l MRP induit moins de variabilité. En étendant la comparaison aux performances sur les stocks, les deux politiques semblent équivalentes. MRP, constitue un bon substitut de la politique base stock. K Hoberg et al (2007) confrontent la politique base stock à une politique échelon stock. Cette dernière est une sorte d extension. Il s agit lors du calcul du stock cible d étendre la prévision sur le temps de réapprovisionnement mais également sur les temps de couverture des maillons précédents de la chaîne logistique. Les graphes des réponses fréquentielles obtenus permettent de voir que cette extension permet également d atténuer l effet. Figure 5 : Réponses fréquentielles des politiques base stock et échelon stock : K Hoberg et al (2007) 2.2. Les politiques de commandes génériques Dans l étude de l impact des politiques de commande sur l effet Bullwhip, plusieurs auteurs sont partis de modèles de commande génériques. Parmi les politiques génériques, nous citons : Modèle de Stermann (1989) : la quantité à commander s écrit comme étant la somme de trois termes : une prévision, un étendu entre un niveau de stock cible et le niveau actuel et un étendu entre un niveau d encours cible et le niveau actuel Ot = prev ( D t ) + α ( S * − S t −1 ) + β ( SL* − SLt ) Modèle de Bowmann (1963) : la demande s exprime par Dhia JOMAA 24 2008/2009 Mémoire thématique Effet Bullwhip Ot = prev( Dt ) + (1 − γ )(Ot −1 − prev( Dt )) + β ( IPt T − IPt ) , IPt T étant un niveau de stock cible, IPt le niveau de stock de la période APIOBCS : modèle le plus utilisé dans la littérature sur l effet Bullwhip et dont idée remonte à Towill (1982). Ce modèle est l équivalent de celui de Sterman (1989). La demande s exprime comme étant la somme d une prévision, d une fraction d un gap de stock et d une fraction d un gap d encours. Ot = prev( Dt ) + 1 / Ti ( IPt T − IPt ) + 1 / Tw (WIPt T − WIPt ) Il est avantageux de partir de tels modèles pour les raisons citées dans Disney et al (2004) : Ces modèles reflètent le comportement des joueurs du jeu de la bière (Sterman) Ils constituent un cas général des politiques à niveau de recomplètement (base stock) Ils sont utilisés par plusieurs industriels Le réglage des paramètres de ces politiques agit sur la variabilité des commandes. Le choix a été analysé dans la littérature : Certains réglages aboutissent au cas particulier de la variante base stock de la politique à niveau de recomplètement, laquelle, comme évoqué précédemment, est inductrice de l effet Bullwhip. Certains réglages permettent d atténuer l effet : une atténuation de la variabilité des commandes. Laquelle, en contre partie, est à l origine d une augmentation de la variabilité du niveau de stock. D où la nécessité de la recherche de compromis. 2.2.1. Résultats retrouvés concernant la politique à niveau de recomplètement : Réglages induisant l’effet Bullwhip En départ de ces modèles génériques, certains auteurs retrouvent les résultats sur la politique à niveau de recomplètement : cette politique est inductrice de l effet Bullwhip. Modèle de Bowman Marko Jaksic et Borut Rusjan (2008), partent du modèle générique de Bowmann. Ils considèrent le cas d une chaîne logistique à deux échelons : un détaillant et son fournisseur. Le détaillant s approvisionne périodiquement en adoptant le modèle de Bowman. La composante prévision se faisant par du lissage exponentiel simple de paramètre . Dhia JOMAA 25 2008/2009 Mémoire thématique En fixant les paramètres Effet Bullwhip et à 1, ils retrouvent l expression de commande relative à une politique à niveau de recomplètement : Ot = prev ( Dt ) + ( IPtT − IPt ) En suivant la méthodologie des systèmes, ils établissent le graphe de la réponse fréquentielle pour différentes valeurs du paramètres . Ceci permet d aboutir aux résultats suivants Augmenter l âge de l historique de prévision permet effectivement d atténuer l effet, ceci confirme les travaux précédents. La politique à niveau de recomplètement est inductrice de l effet Bullwhip, quelque soit la demande considérée et quelque soit le paramètre de prévision adopté. Modèle de Stermann L une des variantes du modèle de Sterman est la politique base stock, elle s obtient également pour le réglage α = β = 1 . Ce cas est traité dans David Wright et Xin Yuan (2008). Le modèle considéré par les auteurs est celui de Sterman (1989) : chaîne logistique à quatre échelons. En procédant par simulation, et en considérant le cas de quatre techniques de prévisions, ils établissent que le ratio des variances est toujours supérieur à l unité. L’APIOBCS analyse de la politique à niveau de recomplètement menée dans Dejonckheere et al (2003, 2004) n est autre que l analyse d un cas particulier de l APIOBCS où Tw = Ti = 1. Pour ce choix de paramètres, l effet Bullwhip a lieu. C est ce qui a été analysé pour le cas de la chaîne à deux échelons Dejonckheere et al (2003) puis généralisé pour le cas d une chaîne à k échelons Dejonckheere et al (2004). Synthèse Ces choix particuliers de paramètres aboutissent à la variante base stock de la politique à niveau de recomplètement. Dans ce cas, les gaps sur le niveau de stock et sur les encours sont complètement comptabilisés. Ce réglage engendre une amplification de la variabilité de la demande le long de la chaîne logistique. Dhia JOMAA 26 2008/2009 Mémoire thématique Effet Bullwhip 2.2.2. Politique généralisée : introduction d’une fraction entre les gaps : Réglages permettant d’atténuer l’effet Contrairement à la situation précédente, l adoption de ces politiques génériques, peut s avérer efficace dans l atténuation de l effet Bullwhip. Il s agit de prendre une fraction du gap sur le niveau de stock (1/Ti) et une fraction du gap sur les encours (1/Tw) plutôt que de les comptabiliser en totalité. (Au lieu de prendre Ti = Tw = 1). Rachel Mason-Jones et al (1997) sont des premiers à mettre l attention sur les bienfaits de APIOBCS au niveau global de la chaîne logistique, celle-ci étant déjà assez sollicitée pour ses performances locales. Dejonckheere et al (2003) l adoptent comme substitut de la politique à niveau de recomplètement dans le cas simple de la chaîne logistique à deux échelons. Le graphe de la réponse fréquentielle correspondant permet de voir les bienfaits de cette politique. Figure 6 : Graphe de la réponse fréquentielle : politique APIOBCS : Dejonckheere et al (2003) Il y a réduction de l amplification de la variabilité. L effet n a lieu que pour une bande réduite de fréquences. En plus, le maximum atteint est inférieur à celui d une politique à niveau de recomplètement. Ce résultat est généralisé dans Dejonckheere et al (2004) pour le cas d une chaîne logistique à k maillons : un détaillant, un distributeur, un entrepôt et un manufacturier. L adoption de la même démarche permet d avoir le graphe de la réponse fréquentielle. Dhia JOMAA 27 2008/2009 Mémoire thématique Effet Bullwhip Figure 7 : Graphe de la réponse fréquentielle : politique APIOBCS : Chaîne logistique à quatre échelons : Dejonckheere et al (2004) Notons que dans Dejonckheere et al (2003, 2004) l attention n est pas portée sur une sélection précise des paramètres. Il est juste question de montrer les bienfaits de cette politique lorsque les gaps ne sont pas comptabilisés en totalité. Un choix précis des paramètres Tw et Ti a un impact sur la variabilité de la demande. Ceci est évoqué dans plusieurs travaux, citons ceux de John et al (1994), Disney et al (1997) et Disney (2001). Il y a, en effet, possibilité d atténuer encore plus la variabilité de la demande en jouant sur ces paramètres là. Cependant, un choix de réglage permettant de minimiser l effet Bullwhip peut en contre partie dégrader d autres performances. C est le critère variabilité du niveau de stock qui est considéré dans certains travaux. Cette variabilité constitue un critère de performance puisqu elle est supposée être directement liée aux coûts de stockage, tout comme la variabilité des commandes (Bullwhip) qui est supposée être directement liée aux coûts de fabrication. Nous présentons dans la suite quelques travaux qui ont porté sur l évaluation simultanée de ces deux critères. Nous considérons les travaux qui ont porté sur la variante DE-APIOBCS. Cette variante remonte à Deziel et Eilon (1967) et est assez sollicitée pour ses propriétés mathématiques simplificatrices. Dans DE-APIOBCS, il est supposé que Ti = Tw. Dhia JOMAA 28 2008/2009 Mémoire thématique Effet Bullwhip 2.2.3. Evalution simultanée du Bullwhip et de la variabilité du niveau de stock : Réglage permettant une optimisation globale évaluation simultanée de la variabilité des commandes et du stock a été traitée dans certains travaux. Notons notamment ceux de Disney et Towill (2003, 2004) qui considèrent le cas discret de la politique DE-APIOBCS, ou encore ceux de Zhou et Disney (2006) et Warburton et Disney (2007) qui étendent l étude au cas continu. Cas Discret Disney et Towill (2003), considèrent le cas discret de la variante DE-APIOBCS. En lui associant un block diagramme, ils établissent l expression de la variabilité des commandes (Bullwhip) et de la variabilité du niveau de stock. L analyse numérique de ces expressions aboutit aux résultats suivants : L augmentation de l âge des prévision, permet d atténuer l effet Bullwhip, résultat établi dans les travaux précédents. L augmentation du paramètre Ti permet d atténuer l effet Bullwhip, ce qui n est pas systématiquement le cas pour la variabilité du niveau de stock. Du second résultat, les auteurs évoquent le problème du compromis : quel choix de paramètres permet une optimisation globale des variances. Cette question est traitée dans Disney et Towill (2004). La fonction que les auteurs proposent optimiser est la somme des variances. F = w * VRcommande + VRstock . La pondération de VRcommande suppose que l effet Bullwhip est plus coûteux que la variabilité du niveau de stock. Le résultat obtenu correspond à une fraction irrationnelle connue sous le nom the golden ratio . Cependant, le choix d une fonction somme est limitatif. Optimiser la fonction somme des variances suppose une dépendance linéaire entre ces variances et les coûts (Coûts de fabrication, coût de stockage). Ceci ne reflète pas forcément la réalité, la structure des coûts peut, en réalité, être plus complexe. Dhia JOMAA 29 2008/2009 Mémoire thématique Effet Bullwhip Cas Continu Warburton et Disney (2007) considèrent que l APIOBCS a beaucoup été évaluée dans le cas du temps discret. Or, différents types de problèmes peuvent être amenés aussi bien au cas du temps discret qu au cas du temps continu. De là l intérêt d évaluer ce second cas. évaluation simultanée du Bullwhip et de la variabilité du niveau de stock dans le cas de DEAPIOBCS continue est reprise dans Zhou et Disney (2006) et Warburton et Disney (2007). Warburton et Disney (2007) considèrent le cas d une chaîne logistique traditionnelle alors que Zhou et Disney (2006) traitent une chaîne de retour. Les résultats trouvés sont équivalents à ceux du cas discret : les deux indicateurs évoluent en sens opposé en faisant varier le paramètre de réglage Ti. Ceci est valable pour les deux cas de chaînes logistiques. Il y a toujours nécessité de trouver un compromis. Dans la recherche du compromis, Zhou et Disney (2006) et Warburton et Disney (2007) proposent d optimiser la même fonction traitée dans Disney et Towill (2004) : la somme des variances. Les résultats trouvés sont les suivants La valeur de Ti optimal correspond à l unité, laquelle correspond au Golden ratio dans le cas discret Cette valeur optimale croit avec l accroissement du retour pour le cas de la chaîne des retours. Ces travaux permettent d illustrer l équivalence entre le domaine continu et le domaine discret. Ce résultat est intéressant et permet de conclure qu il est possible d adopter ces deux domaines pour l étude de la chaîne logistique. Cependant, ces études restent également limitatives quant au choix de la fonction somme à optimiser. Synthèse Indépendamment de la demande, la variante périodique à niveau de recomplètement est inductrice de l effet Bullwhip. L introduction d une fraction au niveau du gap entre stock et encours permet d atténuer l effet. En agissant sur l étendue de cette fraction, il est encore possible d atténuer la variabilité de la demande. Dhia JOMAA 30 2008/2009 Mémoire thématique Effet Bullwhip Cependant, d autres critères sont à prendre en considération. La variabilité du niveau de stock, laquelle est liée au coût de stockage, peut être amplifiée suite à l atténuation de l effet Bullwhip. De là, une nécessité de trouver un compromis. Dans la recherche du compromis, les variabilités sont supposées linéairement dépendantes des coûts. Cette hypothèse est simplificatrice et ne traduit pas la réalité. Il est, par conséquent intéressant de considérer des structures de coût plus complexes permettant de mieux traduire le cas réel. Dhia JOMAA 31 2008/2009 Mémoire thématique Effet Bullwhip IV. Discussion et perspectives Dans la section précédente, nous avons considéré l impact des prévisions et celui des politiques de commande sur l effet Bullwhip. Ces deux paramètres étant identifiés comme cause principale dans Lee et al (1997.a), d où l intérêt porté à leur étude. Cependant, et malgré l abondance des études menées, certains points se rapportant à ces paramètres restent limités et même inexplorés. 1. Techniques de prévision Il est intéressant d évaluer l impact des techniques de prévision pour le cas de demandes plus complexes. Par raison de simplification, c est la demande AR (1) qui est généralement adoptée. Certains travaux récents commencent à traiter du processus AR (p) ou encore ARMA (1,1). L évaluation de ARMA (p,q) constitue par exemple une piste possible. adoption de ces processus complexes permet d une part de mieux modéliser des demandes réelles, mais permet également de mieux comprendre l effet et son évolution : la réduction des temps, par exemple, qui était longtemps considérée comme remède systématique à l effet, est avérée inefficace, sous certaines conditions, dans le cas du processus AR (p). 2. Les politiques de commande Comme évoqué dans la section précédente, l impact d une variante périodique à niveau de recomplètement est beaucoup analysé dans la littérature : la variante base stock. Cette politique constitue une variante d un cas générique, dont le paramétrage permet d atténuer effet et est également beaucoup étudié. Cependant, pour des raisons de simplification, ces études considèrent le cas de chaînes logistiques très simples. Il s agit, à chaque fois, ou bien du modèle de Chen et al (2000.a) : une chaîne logistique à deux échelons, ou bien du modèle de Sterman (1989) : une chaîne à quatre échelons. Ces configurations sont très limitées et il est intéressant de considérer le cas de réseaux plus complexes. étude de ces politiques se fait également au dépend d autres politiques classiques qui sont quasiment délaissées. L impact de la politique (s,S) (point de commande / niveau de recomplètement), par exemple, est seulement évoqué dans Peter Kelle et Alistair Milne (1999), lesquels considèrent le cas d un ensemble de détaillants s approvisionnant d un seul fournisseur. Cette étude pourrait être étendue. Dhia JOMAA 32 2008/2009 Mémoire thématique Effet Bullwhip impact des politiques de lot sizing est également délaissé. Alors que ces politiques sont beaucoup évoquées dans d autres études, ceci n est pas le cas pour la variabilité de la demande. I Nyoman Pujawan (2004) est l un des rares à traiter de ce sujet. Il considère impact de deux politiques de lot sizing : SM et LUC. D autres politiques peuvent être considérées, notamment la quantité économique de commande, il est intéressant d établir des comparaisons entre elles. Il est aussi intéressant de pouvoir établir des indicateurs permettant évaluation simultanée de l impact de ces politiques sur le Bullwhip et sur d autres critères déjà traités dans la littérature. Conclusion effet Bullwhip, a été beaucoup traité dans la littérature, depuis les travaux de Forrester (1958). Lee et al (1997) ont identifié les causes du phénomène et des actions d atténuation. Le niveau d influence de ces paramètres a été beaucoup étudié dans les travaux qui ont suivi. Dans notre recherche bibliographique, nous nous sommes intéressés aux techniques de prévision et aux politiques de commandes, lesquelles constituent la première cause identifiée dans Lee et al (1997.a). Il est effectivement possible d atténuer l effet en jouant sur ces paramètres là. Cependant, et malgré l abondance des travaux, certains points semblent inexplorés. Il serait intéressant d étendre les études aux cas d autres politiques de commande moins étudiées ou encore non étudiées. Il serait intéressant d étendre ces études tout en prenant en compte des hypothèses encore plus réalistes et en considérant, à part la variabilité de la demande, d autres critères pouvant être affectés par ces choix. Dhia JOMAA 33 2008/2009 Mémoire thématique Effet Bullwhip Références Bibliographiques Alwan, L.C., Liu, J.J., Yao, D.Q., 2003. Stochastic characterization of upstream demand processes in a supply chain. IIE Transactions 35, 207 219. Chandra, C., Grabis, J., 2005. Application of multi-steps forecasting for restraining the bullwhip effect and improving inventory performance under autoregressive demand. European Journal of Operational Research 166 (2), 337 350. Chatfield, D., Kim, J., Harrison, T., Hayya, J., 2004. The bullwhip effect in supply chains impact of stochastic lead times, information quality, and information sharing: A simulation study. Production and Operations Management 13 (4), 340 353. Chen, F., Drezner, Z., Ryan, J.K., Simchi-Levi, D., 2000a. Quantifying the bullwhip effect in a simple supply chain: The impact of forecasting, lead times, and information. Management Science 46 (3), 436 443. Chen, F., Ryan, J.K., Simchi-Levi, D., 2000b. The impact of exponential smoothing forecasts on the bullwhip effect. Naval Research Logistics 47 (0894-069x), 269 286. D. R. Towill, 1982. Dynamic analysis of an inventory and order based production control system. INT. J. PROD. RES 20, 671-687. Deziel, D.P., Eilon, S., 1967. A linear production-inventory control rule. The Production Engineer 43, 93 104. Dejonckheere, J., Disney, S.M., Lambrecht, M.R., Towill, D.R., 2003. Measuring and avoiding the Bullwhip Effect: A control theoretic approach. European Journal of Operational Research 147, 567 590. Dejonckheere, J., Disney, S.M., Lambrecht, M.R., Towill, D.R., 2004. The impact of information enrichment on the bullwhip effect in supply chains: A control theoretic approach. European Journal of Operational Research 153 (3), 727 750. Dhia JOMAA 34 2008/2009 Mémoire thématique Effet Bullwhip Disney, S.M., Towill, D.R., 2003. The effect of Vendor Managed Inventory dynamics on the Bullwhip Effect in supply chains. International Journal of Production Economics 85, 199 215. Disney, S.M., Towill, D.R., 2003a. On the bullwhip and inventory variance produced by an ordering policy. Omega 31, 157 167. Disney, S.M., Towill, D.R., van de Velde, W., 2004b. Variance amplification and the golden ration in production and inventory control. International Journal of Production Economics 90, 295 309. Disney, S.M., Towill, D.R., 2001. A procedure for the optimization of the dynamic response of a Vendor Managed Inventory system. Computer & Industrial Engineering 43, 27-58. Disney, S.M., Towill, D.R., M.M. Naim, 1997. Dynamic simulation modelling for lean logistics. International Journal of Physical Distribution & Logistics 27, 174-196. Erkan Bayraktar, S.C. Lenny Koh, A. Gunasekaran, Kazim Sari, Ekrem Tatoglu. 2007. The role of forecasting on bullwhip effect for E-SCM applications. Int. J. Production Economics 113, 193 204. Forrester, J.W., 1961. Industrial Dynamics. MIT Press, Cambridge. Forrester, J.W., 1958. Industrial dynamics a major breakthrough for decision making. Harvard Business Review 36 (4), 37 66. Hoberg K, James R B, Ulrich W T, 2007. Analyzing the effect of the inventory policy on order and inventory variability with linear control theory. European Journal of Operational Research 176,1620 1642 I Nyoman Pujawan, 2004. The effect of lot sizing rules on order variability. European Journal of Operational Research 159, 617 635 Dhia JOMAA 35 2008/2009 Mémoire thématique Effet Bullwhip John, S., Naim, M.M., Towill, D.R., 1994. Dynamic analysis of a WIP-compensated decision support system. International Journal of Management Systems Design 1 (4), 283 297. Jeon G. Kim. 2005. Quantifying the bullwhip effect in a supply chain with stochastic lead time. European Journal of Operational Research 173, 617 636. Kelle, P., Milne, A., 1999. The effect of (s, S) ordering policy on the supply chain. International Journal of Production Economics 59, 113 122. Katsuhiko Takahashi (2003). The bullwhip effect and its suppression in Supply Chain Management. Department of Artificial Complex Systems Engineering. Graduate School of Engineering. Hiroshima university. Lee, H.L., Padmanabhan, V., Whang, S., 1997a. The Bullwhip Effect in Supply Chains. Sloan Management Review 38, 93 102. Lee, H.L., Padmanabhan, V., Whan, S., 1997b. Information distortion in a supply chain: The Bullwhip Effect. Management Science 43, 546 558. Luong, H.T., 2007. Measure of bullwhip effect in supply chains with autoregressive demand process. European Journal of Operational Research 180, 1086-1097. Luong, H.T, Phien N H, 2007. Measure of bullwhip effect in supply chains : The case of high order autoregressive demand process. European Journal of Operational Research 183, 197209. Luong, H.T, Duc, T.T.H, Kim Y D, 2008. A measure of bullwhip effect in supply chains with a mixed autoregressive-moving average demand process. European Journal of Operational Research 187 243 256 Marko Jacsic, Borut Rusjan, 2006. The impact of replenishement policies on the bullwhip effect : A transfer function approach. European journal of operational research. 184, 946-961 Dhia JOMAA 36 2008/2009 Mémoire thématique Effet Bullwhip Mason-Jones, R., Towill, D.R., Naim, M.M., 1997. The impact of pipeline control on supply chain dynamics. International Journal of Logistics Management 8, 47 62. Miragliotta, G., 2006. Layers and mechanism: A new taxonomy for the bullwhip effect. International Journal of Production Economics 104 (2), 365 381. R.D.H. Warburton, S.M. Disney, 2007. Order and inventory variance amplification: The equivalence of discrete and continuous time analyses. International Journal of Production Economics 110, 128 137. Sterman, J.D., 1989. Modelling managerial behaviour: Misperception of feedback in a dynamic decision making experiment. Management Science 35, 321 339. Tersine (1985) : Production/Operation Management : Concepts Structure & Analysis 2nd ed, North Holland. Thomas Kelepouris, Panayiotis Miliotis, Katerina Pramatari. 2007. The impact of replenishment parameters and information sharing on the bullwhip effect : A computational study. Computers and Operations research 35, 3657 3670. Wright D, Yuan Xin, 2008. Mitigating the bullwhip effect by ordering policies and forecasting methods. International Journal of production economics 113, 587-597. Zhang, X., 2004. The impact of forecasting methods on the Bullwhip Effect. International Journal of Production Economics 88, 15 27. Zhou, L., Disney, S.M., 2006. Bullwhip and inventory variance in a closed loop chain. OR Spectrum 28 (1), 123 145. Dhia JOMAA 37 2008/2009