Simulation et gestion des chaînes logistiques globales ... · PDF filelogistique globale. En préalable, il est utile de bien distinguer la stabilité de la Supply Chain qui réagit

Thi Le Hoa VOCREM, UMR CNRS 6211 / IGR-IAE de Rennes, Université de Rennes [email protected]

La complexité et les incertitudes liées à l’environnement extérieur d’une chaînelogistique exigent aujourd’hui une gestion de plus en plus complexe de la chaîneglobale. Modélisation et simulation sont devenues des méthodes courantesd’amélioration et de pilotage de chaînes logistiques, notamment pour les chaînesqui sont dans des situations de déséquilibre et d’instabilité. Cet article essaye doncde mettre en évidence le rôle important de ces outils dans la gestion de la chaînelogistique globale, principalement les chaînes logistiques multi-échelons, enillustrant une application de la simulation dynamique d’une filière agro-alimentaire dans un contexte de crise sanitaire.

Introduction

Aujourd’hui, la gestion de la chaîne logistiqueglobale (ou Supply Chain Management enanglais) est devenue l’une des formes organi-sationnelles contemporaines les plus couran-tes. Le terme « Supply Chain Management »(SCM) a été utilisé non seulement pour expli-quer les activités logistiques, la planificationou le contrôle des flux physiques et informa-tionnels internes ou externes entre les entre-prises (Christopher, 1992 ; Cooper et al,1997) mais aussi pour révéler les problèmesstratégiques et inter-organisationnels (Cox,1997 ; Harland et al 1999), discuter d’uneautre forme d’organisation pour l’intégrationverticale (Hakansson et Snehota, 1995) ouencore pour identifier et décrire une relationdéveloppée par une entreprise avec ses four-nisseurs (Narus et Anderson 1995). Il existedonc une quantité considérable de sujets deSCM comme : achat, logistique et transport,

marketing, comportement organisationnel,réseaux, gestion stratégique, système d’infor-mation de gestion et gestion opérationnelle.

Par ailleurs, comment faire face aux fluctua-tions de l’offre et de la demande est une ques-tion vitale dans la gestion de la chaînelogistique globale. En préalable, il est utile debien distinguer la stabilité de la Supply Chainqui réagit à un certain nombre de perturba-tions, des sources elles-mêmes provoquant saréaction au déséquilibre. Ces sources pertur-batrices de types endogènes et exogènes sontsouvent à l’origine du Bullwhip Effect1. Toutd’abord, les perturbations endogènes provien-nent du système lui-même. Par exemple, lesdécideurs qui estiment que leurs clients ouleurs fournisseurs prennent des mauvaisesdécisions, peuvent choisir de dévier de leurstratégie de recherche d’équilibre en se cons-tituant un stock régulateur contre le risque decomportement « non-optimal ». Ce comporte-ment causera ensuite une perturbation chez

Logistique & Management

Vol. 18 – N°1, 2010 81

Simulation et gestion des chaîneslogistiques globales dans l’incertain :application à une filière agro-alimentaireface à la crise sanitaire

1 - Le Bullwhip Effect, sourcemajeure d’inefficacité de lachaîne logistique deproduction-distribution, sedécrit par un phénomèned’amplification desapprovisionnements à chaqueéchelon de la supply chain suiteà des fluctuations de lademande (Lee et al, 1997)

81Vol18_N1_2010.prnVol18_N1_2010lundi 9 aoßt 2010 11:50:28

Profil couleur : DØsactivØComposite 150 lpp 45 degrØs

leurs propres fournisseurs. Puis les perturba-tions exogènes sont causées par des variationsimprévisibles de la consommation.

De nombreux travaux de recherche ont mon-tré que la structure de la supply chain joue unrôle important dans les changements compor-tementaux de la chaîne face aux incertitudesde son environnement. Selon Sterman(2006), « the dynamics of supply chain net-works arise endogenously from their struc-ture ». Forrester (1961) a montré que lescaractéristiques structurelles de la chaînelogistique peuvent amener les agents ration-nels à amplifier les variations de la demandecausant l’instabilité de la chaîne. En effet, lachaîne logistique peut être dynamiquementinstable face à des perturbations de produc-tion et de consommation en raison des diffé-rents délais d’adaptation de capacité deproduction et de stock et du feed-back dans lesdécisions de régulation entre les acteurs de lachaîne (Forrester, 1961 ; Sterman, 1989). Tay-lor (1999) a proposé que les variabilités de lafiabilité des outils de production et du produit,de la capacité opérationnelle et de la qualité duproduit soient les causes principales de l’am-plification de la demande ou du BullwhipEffect. D’autres chercheurs scientifiquescomme Chen et al (2000), Simchi-Levi et al(2000) et Shen (2001) ont aussi constaté quedes choix d’optimisations locales indépen-dantes de chaque acteur sans vision globalesont la cause du Bullwhip Effect.

Dans cet article, nous allons d’abord analyserles modèles de simulation de gestion de lachaîne logistique globale dans l’incertain.Ensuite, nous allons présenter les principes etles applications de la dynamique des systèmesdans la gestion de chaînes logistiques en géné-ral et des chaînes agro-alimentaires en parti-culier. Enfin, un modèle de dynamique dessystèmes des flux logistiques de la filière avi-cole française face à la crise de l’influenzaaviaire sera proposé et analysé pour consoli-der notre recherche.

Modèles de simulation de lagestion des chaînes logistiquesdans l’incertain

Depuis quelques années, la modélisation et lasimulation sont des approches de plus en plusutilisées au niveau du SCM. Ballou (1992) amontré que lorsqu’on étudie une chaîne logis-tique composée de plus de deux échelons, lagestion des stocks de toute la chaîne entièredevient extrêmement difficile pour les analy-

ses mathématiques et le recours principal estsouvent la technique de simulation informa-tique. Cette technique est devenue indispen-sable pour les analyses basées sur l’intégralitéde la chaîne logistique (Wyland et al 2000).

La technique de simulation a été initialementutilisée dans les recherches sur le comporte-ment et la performance des chaînes logisti-ques vers la fin des années 1980. Récemment,cette méthode a été largement utilisée pourétudier le comportement des chaînes logisti-ques multi-échelons influencé par les facteursexogènes et endogènes (Bhaskaran,1998 ;Petrovic, 1999, 2001 ; Banerjee et al 2001,...).En effet, un des facteurs exogènes les plusimportants qui influence le comportement dela chaîne logistique est la demande des clients.Une des conséquences catastrophiques del’amplification des fluctuations de lademande de l’aval jusqu’en amont de lachaîne est le phénomène Bullwhip Effect (Lee,et al 1997). Différentes recherches sont réali-sées pour étudier les causes et effets de ce phé-nomène. Bhaskaran (1998) a mentionné quel’échec dans les contrôles de l’instabilité desplanifications résulte d’une moyenne trèsélevée des niveaux de stock. Van Donselaar etses collègues (2000) ont réalisé un essai parsimulation pour montrer que pour obtenir unestabilité dans les planifications, il est néces-saire d’utiliser les informations sur lademande par les clients finaux (les consom-mateurs) plutôt que par les clients immédiats.

Wilding (1998) a démontré que les effetschaotiques engendrent aussi l’incertitudedans les chaînes logistiques. Pour réduire ceseffets, il est important de diffuser le plus large-ment possible les informations sur lademande des clients finaux d’aval en amont.Mason-Jones et Towill (1997, 1998) ont sug-géré que le partage d’information peut réduirel’amplification des variations de la demandeet améliorer l’utilisation de la capacité. Parailleurs, Towill et McCullen (1999) ont trouvéquatre principes pour le flux de matériels :système de régulation, compression du temps,transparence d’information, limitation deséchelons appliqués afin de minimiser cetteamplification et le niveau de stock. Selon deSouza et ses collègues (2000), avec une réduc-tion des délais d’information plutôt que lesdélais de matériel, on peut obtenir une amélio-ration de la performance et une augmentationde la qualité du service. Récemment, la logis-tique floue a été introduite en simulation pouranalyser le comportement et la performancedes chaînes logistiques multi-échelons sous


82 Vol. 18 – N°1, 2010



un environnement incertain (Petrovic,1999,2001).

La chaîne logistique peut aussi devenir dyna-miquement instable lorsqu’elle est face auxperturbations dans les systèmes de productionpar les facteurs endogènes suite aux varia-tions de la consommation. Ces perturbationssurviennent à cause, non seulement des délaisde l’adaptation des capacités de production etde stock, mais aussi des feedbacks de décisiondans la chaîne entière (Nagatani et Helbing,2004). Il existe dans la littérature de nombreu-ses recherches mettant l’accent sur les problè-mes de stratégies de pilotage et plusprécisément, sur l’instabilité des flux logisti-ques (Chopra & Meindl, 2001 ; Helbing et al2003). Nagatani et Helbing (2004) ont montréqu’une analyse linéaire de la stabilité d’unechaîne logistique perturbée permet d’obtenirune adaptation efficace pour faire face auxvariations de la consommation en aval et aussiaux fluctuations des capacités de stock enamont. En effet, ils ont proposé une techniqued’anticipation du niveau futur du stock pourstabiliser le système logistique. Néanmoins,cette approche est limitée car les amplitudesdes oscillations sont souvent plus considéra-bles et les effets non-linéaires sont prédomi-nants.

Par ailleurs, les recherches en logistique sontaussi basées sur les techniques de modélisa-tion et simulation à événement discret. Vorstvan der et ses collègues (2000) ont utilisé lasimulation discrète pour modéliser le com-portement dynamique d’une chaîne logistiqueagro-alimentaire et évaluer les différentesstructures alternatives proposées pour lachaîne. Chang et Makatsoris (2001) ont sug-géré la nécessité de la technique de la simula-tion discrète pour les recherches en logistique.Godding et al (2004) ont proposé d’utiliser àla fois les modèles de simulation discrète etles techniques de programmation linéaireappliquées dans la conception structurelle etopérationnelle des réseaux de chaînes logisti-ques de fabrications de semi-conducteurs.Néanmoins, très peu, parmi les applications,ont étudié quand et comment la simulationdiscrète est réellement utilisée dans les pro-cessus de prise de décision pour l’industrieainsi que dans les activités de fabrication et delogistique.

En outre, les simulations dynamiques ontprouvé leur pertinence dans l’analyse deschaînes logistiques avec leur système de feed-back interactif et hiérarchique intangible(Pidd, 1984). Les modèles de simulation

basés sur les principes de la dynamique dessystèmes de Forrester (1961) de la chaînelogistique sont originellement appliqués dansles systèmes industriels, montrant que lastructure de la chaîne logistique et la gestiondes flux déterminent sa performance. Denombreux modèles de dynamique des systè-mes de chaîne logistique ont été construits(Forrester, 1961 ; Senge and Sterman, 1992 ;Thiel, 1996 ; Cheng, 1996 ; Sterman, 2000 ;Higuchi and Troutt, 2004 ; Kamath and Roy,2007 ; Rabelo et al 2008…).

Principes et applicationsde la dynamique des systèmes

La dynamique des systèmes est l’une desméthodologies les plus pertinentes et appli-quées dans le domaine de SCM qui permet decomprendre l’évolution d’un systèmecomplexe et changeant. Développée par JayW. Forrester (1961) avec les concepts fonda-mentaux de rétroaction et de délai qui déter-minent le comportement du système, ladynamique des systèmes est devenue un outilimportant pour analyser et résoudre les pro-blèmes complexes.

Les concepts de base

Les variables de niveau (stock) et de taux(flow)

Dans les modèles de dynamique des systè-mes, il est important de distinguer deux typesde variables fondamentales : variable deniveau (stock) et variable de taux (flow). Lesvariables de niveau représentent les résultatsaccumulés dans le temps. Ce sont des varia-bles qui représentent l’état (physique ou infor-mationnel) du système en l’instant t. Lesvariables de taux représentent le taux de chan-gement des niveaux.

En général, l’équation de ce niveau est :

Niveau(t) Niveau(t 0) (TAUX TAUX )entrée

t 0

t

sortie� � � ��

� dt

Cette équation explique que pendant un inter-valle de temps dt, le changement de valeur duniveau est mesuré par la différence entre cequi entre et ce qui sort. Si un modèle a nniveaux, il a mathématiquement un systèmede n équations différentielles du premierordre.

Effets causaux positifs et négatifs et les bou-cles de feedback

La relation entre deux variables x y� est unerelation causale, c’est-à-dire la variable


Vol. 18 – N°1, 2010 83



entrante x a une influence causale sur lavariable sortante y. Une influence positivesignifie qu’un changement de x cause unchangement de y dans une même direction :une augmentation (diminution) de x cause uneaugmentation (diminution) de y. Le signe« + » indique une causalité positive. Enrevanche, une influence négative signifie uneaugmentation (diminution) de x cause unediminution (augmentation) de y (directionopposée). Le signe « - » indique une causaliténégative. Par ailleurs, Une boucle de feedbackest une succession de relations cause-effet quicommence et finit avec la même variable cequi constitue une causalité circulaire. Le signed’une boucle dépend des signes des relationsdans la boucle. Une boucle est positive oud’amplification (le signe est « + ») si ellecontient un nombre pair de relations négativesou elle ne contient aucune relation négative.Une boucle est négative ou autorégulatrice (lesigne est « - ») si elle contient un nombreimpair de relations négatives. Les boucles defeedback positives ou négatives sont les élé-ments de base des structures dynamiques.

Les délais

Dans la dynamique des systèmes, les délaisjouent un rôle important. En général, un délaiest un niveau dont le flux de sortie est fonctionuniquement du niveau lui-même et de quel-ques constantes. Des délais importants peu-vent intervenir dans les causes et effets. Il y adeux catégories principales de délais : délaisde matière et délais d’information (lissage).Délais de matières se trouvent dans les chaî-nes flux-stock et créent des décalages entre lesentrées et les sorties. Le rôle du délai d’infor-mation est de lisser l’historique des informa-tions. En principe, un délai d’information (ouun délai de lissage de l’information) repré-

sente la valeur moyenne ou du moins la valeuren régime permanent de l’information.

Les étapes principales de constructiondes modèles (figure 1)

A partir de l’observation de la réalité d’un sys-tème, un diagramme de causalité sera réalisépermettant de la représenter en montrant lesmécanismes dynamiques du système observé.Basé sur ce diagramme, un modèle flux-stocksera développé en élaborant les formulationsmathématiques, notamment les équations dif-férentielles, qui décrivent les relationscause-effet pour toutes les variables et enconstruisant le diagramme flux-stock. Lemodèle flux-stock est donc une façon gra-phique permettant de représenter en détail lastructure de la chaîne et les boucles de rétroac-tion présentées dans le diagramme de causa-lité. Ce modèle sera lui-même simulé faisantdonc objet d’expérimentation à travers lasimulation. Les résultats de simulation vontnous permettre par induction de comprendredes phénomènes émergeant de ce système etils serviront à proposer éventuellement desmodifications nécessaires.

Quelques applications

La dynamique des systèmes trouve ses appli-cations récentes dans l’analyse de la chaînelogistique. Par exemple, Riddalls et ses collè-gues (2000) ont démontré que la simulationdynamique est la seule méthode pour exami-ner le comportement global d’une chaînelogistique. Gonçalves (2003) a utilisé la dyna-mique des systèmes pour étudier l’impactendogène de la demande sur l’instabilité dusystème. Il a proposé que la demande endo-gène influence les changements dans lesmodes opérationnels avec les pertes de venteet les boucles de la production poussée. Parailleurs, Son et Venkateswaran (2007) ontproposé une simulation hybride utilisant à lafois deux aspects, discret et continu, pour étu-dier les systèmes complexes comme les chaî-nes logistiques. Rabelo et ses collègues(2008) ont présenté l’application de la dyna-mique des systèmes pour prévoir les change-ments comportementaux dans les chaîneslogistiques de fabrication sous les influencesexogènes et endogènes dans deux dimensionsde temps (court terme et long terme). Selon lesauteurs, cette méthodologie permet aussi d’i-dentifier les causes qui peuvent provoquer uncomportement négatif du système.

Dans la gestion des chaînes logistiquesagro-alimentaires, Cloutier et Sonka (1998)ont montré « comment la dynamique des sys-


84 Vol. 18 – N°1, 2010

Figure 1 : Les étapes principales de construction d’un modèlede dynamique des systèmes




Vol. 18 – N°1, 2010 85

tèmes peut contribuer à la découverte d’op-portunités stratégiques dans l’étude de lacoordination entre les différents maillonsd’une filière agro-alimentaire ». Avec unmodèle de dynamique des systèmes, Vorstvan der et al (2000) ont reconnu que les sour-ces majeures d’incertitude dans une chaînelogistique agro-alimentaire sont le délai deprévision, la disponibilité d’information et dedonnées, les politiques décisionnelles utili-sées, les incertitudes inhérentes aux activitésde livraison, des processus, ou de la demande.Minegishi et Thiel (2000) ont construit unmodèle de dynamique des systèmes appliquédans la filière avicole pour expliquer les com-portements complexes de l’industrie de lavolaille. Avec ce modèle générique de simula-tion, les auteurs ont montré des phénomènesd’instabilité et les moyens de contrôler lessystèmes de la filière face à des fluctuationsimportantes des ventes aux consommateurs.Néanmoins, cette recherche ne s’intéresse pasau comportement global de la chaîne logis-tique de la filière qui est simultanément per-turbée par des variations de l’offre et de lademande. Par ailleurs, Georgiadis et al (2005)ont adopté la méthodologie de la dynamiquedes systèmes comme un outil de modélisationet d’analyse pour étudier les issues stratégi-ques dans les chaînes logistiques multi-éche-lons agro-alimentaires. Pour construire leurmodèle de dynamique des systèmes, ils ontd’abord créé les systèmes de stock génériqueavec un seul échelon qui incorpore toutes lesvariables d’état et les politiques de contrôle destock et planification de la capacité de produc-tion. Sur la base de ce modèle, ils ont montrécomment construire les modèles génériquesde la chaîne logistique multi-échelons auniveau stratégique.

Application à la filière avicolefrançaise face à la crisede l’influenza aviaire

En France, l’industrie agro-alimentaire est lepremier secteur d’activité en termes de chiffred’affaires2. La France reste le leader européenagro-alimentaire et la deuxième industrieagro-alimentaire mondiale après lesEtats-Unis en chiffre d’affaires. Avec unrecord des ventes à 45,2 milliards d’euros en2007, la France conserve sa place de troisièmeposition des pays exportateurs de produitsagro-alimentaires derrière les Etats-Unis etles Pays-Bas3. Au niveau de la volaille, pre-mières en tonnage dans l’Union Européenneet sixièmes dans le monde (derrière les

Etats-Unis, la Chine, le Brésil, le Mexique etl’Inde), les filières avicoles françaises se sin-gularisent par la diversité de leur production4.Le poulet représente près de la moitié des ton-nages produits. La viande de volaille est laviande la plus échangée dans le monde, et lesflux des échanges internationaux ont triplédepuis 1990 (de 2,7 millions de tonnes en1990 à 9,7 millions de tonnes en 2005) selonl’ITAVI5. La viande de volaille est la secondeproduite en France derrière le porc.

Toutefois, depuis quelques années, la filièreavicole a subi des crises sanitaires commel’influenza aviaire et aussi des risques sanitai-res émergents tels que les toxi-infections ali-mentaires de type Campylobacter jejuni.D’une part, ces problèmes sanitaires ont pro-voqué des conséquences économiques impor-tantes dues à des défaillances du pilotage àdifférents niveaux de la chaîne logistique de lafilière. Par exemple, en six mois de crise del’influenza aviaire, l’ensemble de la filièreavicole française a perdu environ le quart deson activité et les stocks excédentaires attei-gnent 50 000 tonnes6. D’autre part, la médiati-sation des problèmes sanitaires, même nonavérés, entraîne une perte de confiance duconsommateur. Par conséquent, des baissesde ventes sur le marché français et des pertesde débouchés à l’exportation en découlent.Par ailleurs, l’inquiétude des décideurs de lafilière porte essentiellement sur la fréquencede ces crises et sur leurs effets économiques àlong terme. Nous nous intéressons donc à cespréoccupations qui nécessitent un ajustementdu pilotage des acteurs de la filière pour faireface à des perturbations et des incertitudesprovoquées par ces crises en proposant unmodèle de dynamique des systèmes. Cemodèle permettra d’améliorer la connais-sance des comportements logistiques enmatière de gestion des flux en période decrise.

Problématique de la gestiondes flux logistiques

La filière avicole en général et la filière « pou-lets standard » en particulier sont organiséesen une succession de phases allant de la pro-duction primaire à la distribution et auconsommateur final. Il s’agit d’une « chaînelogistique multi-échelons » qui présente laparticularité d’un flux poussé en amont etd’un flux tiré en aval (Figure 2).

De manière plus détaillée, les activités d’éle-vage en amont de la chaîne sont planifiées plu-sieurs semaines à l’avance à l’aide d’unProgramme Directeur de Production7 (PDP),

2 - Source : Xerfi, 2008

3 - Source : Ministère del’Agriculture et de la Pêche,http://panoramaiaa.agriculture.gouv.fr/article.php3?id_article=198

4 - Source : Xerfi, 2008

5 - Source : ITAVI (InstitutTechnique de l’Aviculture),http://www.itavi.asso.fr/economie/eco_filiere/volailles.php?page=prod

6 - Biaggini, RIA (Revue del’Industrie Agro-alimentaire),2006

7 - Le PDP (ou MasterProduction Schedule (MPS) enanglais) a pour objectif deplanifier les besoins en produitsafin de satisfaire la demandefinale. Il décompose d’abord lesdonnées agrégées (familles deproduits) du Plan Industriel etCommercial (PIC) en référencesfinales individuelles. Ensuite, ilplanifie sur un horizon pluscourt avec des sous-périodesplus fines la demande réelle etdonc la production de chaqueproduit fini. Il révèle l’état desstocks disponibles par produitfini et leur évolution surl’horizon de planification. Enfin,il déclenche le processus decalcul des besoins nets enréférences finales, puis encomposants et matières (source :Logistique Conseil,http://www.logistiqueconseil.org.



en tenant compte du stock existant. Dans cettefilière intégrée et pour assurer une bonne qua-lité, les poulets standard vivants dans l’éle-vage doivent être abattus après un délaid’élevage fixé à 40 jours. En revanche, lesopérations de fabrication des produits finis(poulets entiers, produits découpés et élabo-rés), dans les phases suivantes (découpe,transformation, conditionnement), sont lan-cées quotidiennement en fonction de la dispo-nibilité de stock des matières premières et desdemandes réelles. Cela montre que les fluxphysiques de la filière ont deux caractéristi-ques, en amont des flux poussés et en aval desflux tirés, impliquant une complexité dans lagestion des stocks et le pilotage des flux logis-tiques de cette filière. Chaque membre decette filière est entièrement lié à un autremembre en amont et en aval ; la moindredéfaillance de l’un des maillons pouvantentraîner des conséquences sur l’ensemble dela chaîne. Ce qui en fait une complexité struc-turelle de cette chaîne de valeur.

Une complexité organisationnelle provient dela synchronisation entre le volume des stocksde poulets vivants et le volume des comman-des client réelles. En effet, lorsque le volumede poulets vivants disponibles est inférieur àla demande actuelle, les entreprises d’abat-tage doivent faire appel à des fournisseursextérieurs nationaux ou internationaux (parimportation). Par conséquent, ils doiventsubir des coûts imprévus à cause de la diffé-rence de prix et des coûts de transport. Enrevanche, si le stock disponible de pouletsabattus dépasse la demande réelle, les entre-prises d’abattage doivent congeler (oudétruire) leurs produits après cinq jours enchambre froide en raison de la périssabilité deces produits. Cela engendre des coûts supplé-mentaires par la perte et la dépréciation desproduits.

Une autre complexité organisationnellerepose sur la succession de différents délaisdits exponentiel8 tout au long de la filière. Dif-férents délais dans la prise de décision commepar exemple, des durées d’ajustement de stockrendent la chaîne logistique des flux forte-

ment non-linéaires. Ceux-ci engendrent descomportements imprévisibles de la chaîne(Paulré, 1985). Par exemple, l’ajustement desencours d’élevage dépend d’un certainnombre de facteurs, la réactivité des décideurscorrespondant à un comportement non-linéaire.

Par ailleurs, cette filière est soumise à de for-tes incertitudes liées à l’environnement,notamment causées par la crise de l’influenzaaviaire. En effet, au niveau global, la filièredoit réagir face d’une part, à la forte volatilitédu consommateur (risque de perte deconfiance) dans un contexte de risque sani-taire et, d’autre part, aux problèmes de sour-ces d’approvisionnement en amont de lachaîne (locales, nationales et/ou internationa-les). L’incertitude de l’environnement(demande versatile, offre dépendant de l’épi-zootie) ainsi que les complexités structurelleset organisationnelles nous amènent donc àétudier le comportement de cette filière.

Modèle de simulation

Pour comprendre le comportement desacteurs et la dynamique de la filière avicoleface à la crise de l’influenza aviaire, nous pro-posons de construire un modèle de dyna-mique des systèmes qui représente lastructure de la filière et des politiques réellesappliquées pendant la période de la crise. Lemodèle se base sur une représentation du sys-tème logistique opérant et des systèmes d’in-formation et décision. La structure de la partieopérante est construite selon des observationsempiriques sur l’organisation technique decette filière. La structure des systèmes d’in-formation et de décision correspond à desmicro et macro-mécanismes de régulationobservés pendant cette crise.

Variables du modèle

Les observations de terrain et les interviewsréalisées auprès des entreprises des quatrepremiers groupes familiaux (LDC, Doux,Arrivé, Glon) et du premier groupe coopératif(Terrena) représentant 70% du chiffre d’affai-res de toute la filière9 nous permettent de défi-nir les variables pour chaque niveau de lachaîne. Ces variables vont servir à construirele modèle. Le tableau suivant présente quel-ques variables fondamentales.

Diagramme de causalité proposé

Les variables principales décrites dans lapartie précédente sont liées entre elles, et leursinteractions peuvent être mises en évidencepar un diagramme des causalités pour faciliter


86 Vol. 18 – N°1, 2010

Figure 2 : Schéma des flux logistiques de la filière poulets standard

8 - Les délais exponentiels ausens de Forrester sont des

retards (delays en anglais)correspondant à une réponse

d’une organisation suite à unesollicitation, réponse souvent

non-linéaire.

9 - Source : Xerfi2008



la visualisation de la structure du modèle(Figure 3). Les arcs représentent la relation decausalité entre les variables, les causes (origi-nes de l’arc) et leurs effets immédiats (extré-mités terminales de l’arc)). Ces arcs sontpolarisés et montre le sens de l’influence : unsigne (-) indique que si un changement dans lavariable d’origine se produit, la variable dedestination tend à changer en sens contraire etun signe (+) indique que les deux variablestendent à évoluer dans le même sens. Il existe

généralement deux types de boucle causaledans un diagramme : les boucles homéostati-ques ou négatives (qui contiennent un nombreimpair des arcs négatifs) ont pour objectif deramener le système vers un état d’équilibre etles boucles de rétrocontrôle positif (quicontiennent un nombre pair des arcs négatifsou zéro arc négatif) ont tendance à amplifierles causes des phénomènes observés. Nousavons identifié cinq boucles fermées principa-


Vol. 18 – N°1, 2010 87

Tableau 1: Les variables principales du modèle

Parties dumodèle Variables Définition Unité de

mesure

Demande etplanification

Demande réelle Demande du client final (consommateur) baséesur les données réelles.

Tonnes/ jour

Tauxd’approvisionnementtotal

Taux d’approvisionnement en élevage basé sur laprévision de vente

Tonnes/ jour

Elevage Taux lancement élevagesouhaité

Le nombre de poulets que les éleveurs souhaitentlancer en élevage après l’ajustement des encoursde l’élevage.

Tonnes/ jour

Encours élevage Les encours de poulets en élevage Tonnes

Crise sanitaire Taux d’influence de la crise sanitaire sur laproduction en cours d’élevage

%

Achats externes La quantité de poulets achetés sur le marchéextérieur (fournisseurs nationaux ouinternationaux)

Tonnes

Abattage Stock poulets abattus Niveau de stock des poulets entiers abattus aprèsl’abattage

Tonnes

Transformation Stock produits finis Niveau de stock des produits finis PE et PDE prêtsà être livrés

Tonnes

Stock poulets surgelés Niveau de stock de produits surgelés des pouletsabattus mais non livrés à cause d’un manque decommandes clients.

Tonnes

Transport Transportélevage-abattage

Les encours de poulets vivants transportés ducentre d’élevage aux abattoirs

Tonnes

Transporttransformation-distribution

La quantité de produits finis transportés destransformateurs aux grossistes

Tonnes

Transportdistribution-vente

La quantité de produits finis transportés desgrossistes aux détaillants

Tonnes

Distribution Stock grossistes Niveau de stock chez les grossistes Tonnes

Vente Stock détaillants Niveau de stock dans les points de vente ou chezles détaillants

Tonnes

Stock souhaité détaillants Niveau de stock de sécurité que les détaillantsdésirent en fonction de la demande réelle

Tonnes

Ecart stock réel-souhaitédétaillants

Ecart entre le niveau stock réel et le niveau destock souhaité pour les détaillants

Tonnes

Performance Coûts imprévus Les coûts imprévus que la chaîne subit lorsqu’il ya des poulets surgelés (coût de surgélation) ouachetés sur le marché extérieur (coût d’achatimprévu à cause de la différence de prix et ducoût de transport)

Million Euros

Pertes de produits La quantité de produits perdus lorsque la DateLimite de Consommation (DLC) est dépassée.

Tonnes



les (en réalité, nous avons observé qu’il existe96 boucles dans le modèle proposé).• Boucle 1 : Cette boucle permet d’ajuster les

encours d’élevage de poulets et par la suiteles poulets matures prêts à abattre.

• Boucle 2 : L’objectif de cette boucle est deréduire au maximum le surplus de produitsfinis non-livrés par rapport à la demanderéelle afin de minimiser les pertes de pro-duits finis par la congélation car ce systèmepermet de prolonger le cycle de vie des pro-duits frais.

• Boucle 3 : Cette boucle permet de régulari-ser le niveau de stock des produits finis enmodifiant le volume de fabrication.

• Boucle 4 : Cette boucle permet donc unajustement du volume transporté de pro-duits finis vers les détaillants par le niveaude stock chez les grossistes.

• Boucle 5 : Cette boucle permet d’ajuster cevolume par l’écart entre le niveau de stocksouhaité et le stock réel chez les détaillants.

De ce diagramme de causalités, nous dévelop-pons un système d’équations différentiellespermettant de caractériser notre modèle. Nousnous sommes inspirés du modèle génériquede la chaîne logistique de Sterman (2000) enle transformant selon les originalités de notrechaîne logistique à savoir, la représentationd’une structure particulière de type push-pullde produits périssables ainsi que la prise encompte de perturbations simultanées enamont et en aval de la chaîne.

Résultats de simulation

Analyse comportementale du modèle

Nous allons d’abord analyser le comporte-ment de la chaîne logistique de la filière avi-cole face à la crise de l’influenza aviaire avecles données collectées10 sur la production et laconsommation pendant la crise de l’influenzaaviaire en France entre octobre 2005 et mars2006. Nous avons obtenu la variation de laproduction de poulets standard par la simula-tion en comparaison avec l’évolution de lademande réelle et de la production réelle(Figure 4)

En comparant la production obtenue par lasimulation avec la production réelle, nousavons obtenu une différence relative moyenneégale à 6,3% signifiant un taux d’erreur « rela-tif » de 6,3%. Ceci a été considéré commeacceptable pour valider le modèle11.

Dans la figure 5, la courbe 2 montre l’évolu-tion de la production d’élevage en fonction dela propagation de la maladie dans la popula-tion animale et surtout de la variation de lademande réelle illustrée par la courbe 1. Nouspouvons remarquer qu’il y a un décalage entreces deux courbes, c’est-à-dire la productionne correspond pas vraiment à la demande.Pour faire face à cet écart entre la productionet la demande, la solution consiste à surgelerles poulets abattus lorsqu’il n’y a pas assez dedemande et à faire appel à des achats externessi la production est insuffisante. Cette poli-tique provoque par conséquent, une augmen-tation des coûts imprévus de 23,4 millionsd’euros et également des pertes de produits de20.080 tonnes pour toute la chaîne.

Par ailleurs, la fluctuation de la consomma-tion provoque une variation des niveaux destock à tous les échelons en aval de la chaîne.Nous avons observé que la variation du niveaude stock chez les détaillants est moins impor-


88 Vol. 18 – N°1, 2010

Figure 4 : La production obtenue par la simulation en comparaisonavec l’évolution de la demande et de la production réelles

Figure 3 : Diagramme de causalité de la chaîne logistique de la filière

10 - Source : Service Central desEnquêtes et Etudes Statistiques

(Agreste/SCEES)

11 - La validation du modèle aété réalisée en tenant compte de

deux aspects principaux :structurel et comportemental

(Forrester, 1971) (voir Vo (2009)pour une présentation complète

sur la validation du modèle et lesrésultats de simulation)



tante que celle du niveau de stock chez lesgrossistes et de stock de produits finis. Cettevariation est dûe aux différents délais delivraison entre les échelons et de réajustementdu niveau de stock chez les détaillants.

Ces conséquences de cette polique pendant lacrise nécessitent des politiques plus pertinen-tes pour, non seulement réagir de manière effi-cace à des situations de crise, mais aussiaméliorer la performance de la chaîne. C’estpour cette raison que nous allons continuer àétudier dans la partie suivante la sensibilité dumodèle sous les effets des différentes pertur-bations exogènes et à certains délais de réacti-vité dans la gestion des flux matières.

Analyse de sensibilité du modèle

Notre objectif dans cette partie est d’analyserl’influence des fluctuations des valeurs desvariables exogènes et des différents délais surle comportement de la chaîne afin de proposerdes modifications pour améliorer la perfor-mance de la chaîne.

Réponses du système face à différents typesde fluctuation des variables exogènes

La chaîne logistique est influencée à la foispar la propagation de l’influenza aviaire dansl’élevage en amont et par la variation de laconsommation en aval. Les facteurs exogènesde la crise sont donc représentés par deuxvariables principales dans notre modèle :Demande réelle et Crise sanitaire. Nousallons examiner les effets de différents degrésde fluctuation de ces deux variables sur lecomportement du modèle selon trois typesd’évolution : (i) variations brutales et dura-bles ; (ii) variations exceptionnelles et répéti-tives et (iii) variations aléatoires.

Les résultats de simulation montrent que :

• Pour les variations brutales et permanen-tes (Step + ou -): La chaîne arrive à mieuxréagir face aux baisses de la consommationet à l’augmentation de la propagation du vi-rus en élevage (Step -) (voir Figure 6)

• Pour les variations exceptionnelles et répé-titives (Pulse + ou -) : Il y a une grande dif-férence du niveau de stock chez lesgrossistes et les détaillants lorsque l’ampli-tude des variations est plus élevée (voir Ta-bleau 2).

• Pour les variations aléatoires (Random +ou -) : La chaîne arrive à assurer une stabili-sation au niveau des achats externes quelque soit l’amplitude des aléas (sauf Ran-dom -50%) (voir Tableau 3).

Sensibilité du modèle au délai d’ajustementdemande

Le Délai d’ajustement demande est un délaipour ajuster le taux d’approvisionnement enélevage en fonction de la demande réelle(valeur initiale : 7 jours)12.

Les résultats montrent qu’en augmentant ledélai d’ajustement demande d’1 jour à 13jours, la chaîne logistique peut limiter légère-ment les achats externes et réduire les coûtsimprévus avec un délai d’ajustement demandeplus long (voir tableau 4). Néanmoins, cecipeut engendrer une augmentation au niveaude stock de poulets surgelés. Cela montre queplus le délai d’ajustement demande est long,plus le niveau de stock augmente.

Sensibilité du modèle au délai d’élevage

Le Délai d’élevage est non modifiable car ilest fixé dans le contrat entre les éleveurs et lesabattoirs (valeur initiale : 40 jours).

Nous pouvons constater qu’une réduction dudélai d’élevage de 5 jours pour répondre plusrapidement à la variation quotidienne de la


Vol. 18 – N°1, 2010 89

Figure 5. Variation de la demande réelle et de la production obtenuepar la simulation pendant la crise

Figure 6 : Variations de la production en élevage face à des variationstype Step négatif

12 - En effet, la production enélevage de poulets standard estplanifiée par un planprévisionnel de ventes basé surun historique des ventesréalisées lissé sur une périoded’une semaine (7 jours).



demande peut réduire le volume des achatsexternes (voir tableau 5). Néanmoins, celaengendre une augmentation du stock de pou-lets surgelés lorsqu’il y a une baisse de laconsommation. En revanche, une augmenta-tion du délai d’élevage de 5 jours peut réduiresignificativement le stock de poulets surgeléssans augmenter les coûts imprévus car lesachats externes restent quasiment constants.Cela veut dire qu’une prolongation dudélai d’élevage peut être une solution pourfaire face aux variations de la demandependant la crise.

Sensibilité du modèle au délaide surgélation

Le Délai d’ajustement poulets abattus oudélai de surgélation est la durée maximalepour les poulets abattus non-utilisés restésdans la chambre froide avant d’être surgelés(valeur initiale : 5 jours).

Les résultats de simulation montrent qu’unetrès courte durée (1 jour) du stock tamponpeut provoquer à la fois un surstock considé-rable de poulets surgelés et une augmentationtrès élevée des achats externes et donc ungrand surcoût pour la chaîne (voir tableau 6).En revanche, une prolongation du délai d’a-justement de surgélation peut réduire demanière efficace, non seulement le niveau destock de poulets surgelés, mais aussi le besoind’achats externes. Néanmoins, en réalité nousne pouvons pas prolonger ce délai à cause dela contrainte de qualité pour les produits frais.

Les résultats de simulation montrent que lesfluctuations de la demande client et de la pro-duction affectent la stabilité et la performancede toute la chaîne. Le comportement global dela chaîne logistique est influencé non seule-ment par les facteurs environnementaux exo-gènes mais aussi par les facteurs de contrôleendogènes tels que les délais d’ajustement etde production ou les politiques d’approvi-


90 Vol. 18 – N°1, 2010

Tableau 2 : Influence des variations type Pulse + et - sur le niveau de stock à chaqueéchelon

Pulse-50%

Pulse-30%

Pulse-10%

Pulse+10%

Pulse+30%

Pulse+50%

Stock fabricants (tonnes) 76.325 76.325 76.325 76.325 76.325 76.325

Stock grossistes (tonnes) 941.588 941.999 77.693 88.458 1.269.597 1.471.020

Stock détaillants (tonnes) 1.169.275 1.169.576 337.124 645.509 1.269.721 1.279.089

Tableau 3 : Influence des variations type Random + et – sur les achats externes

Random-50%

Random-30%

Random-10%

Random+10%

Random+30%

Random+50%

Achats externes (tonnes) 40.069 24.668 25.851 24.532 21.591 28.905

Tableau 4 : Réponse de la chaîne à différentes valeurs du délai d’ajustement demande

Délai d’ajustement demande (jours) 1 7 13Stock poulets surgelés (Tonnes) 41.392 43.348 44.101

Achats externes (Tonnes) 26.598 26.347 25.757

Coûts imprévus (M ) 23,5 23,4 22,9

Tableau 5 : Réponse de la chaîne face à différentes valeurs du délai d’élevage

Délai d’élevage (jours) 35 40 45Stock poulets surgelés (Tonnes) 44.553 43.348 41.753


Coûts imprévus (M€) 22,5 23,3 23,2

Tableau 6 : Réponse de la chaîne face à différentes valeurs du délai d’ajustementde surgélation

Délai d’ajustement surgélation (jours) 1 5 9Stock poulets surgelés (Tonnes) 142.732 43.348 27.060


Coûts imprévus (M€) 61,9 23,3 14,7



sionnement. En ajustant ces facteurs endogè-nes, il est possible de réduire lesconséquences liées aux facteurs exogènes etd’améliorer la performance de la chaîne logis-tique.

Conclusion

Nous avons dans ce travail montré que leschaînes logistiques en général, et les chaîneslogistiques agro-alimentaires en particulier,ont des caractéristiques complexes dûes àleurs structures inter-organisationnelles, leursproduits et aux incertitudes internes (aléas deproduction) et externes (variation de lademande), nécessitant des méthodes perti-nentes de la gestion de la chaîne globale.Précisément, la chaîne logistique agro-ali-mentaire est un système fort complexe avecdes caractéristiques spécifiques : multi-éche-lons souvent de type poussé-tiré, la périssabi-lité des produits, etc. entraînant descomportements complexes difficiles à pré-dire. Ces comportements complexes devien-nent encore plus difficiles à appréhenderlorsque la chaîne est confrontée à des pertur-bations provoquées par des fluctuations del’offre et la demande. Dans ce contexte, lasimulation présente un intérêt certain. Ellepermet d’étudier le comportement dynamiqueglobal d’une chaîne logistique dans sonensemble en prenant compte des interactionscomplexes entre différentes entités et la struc-ture multi-échelons de la chaîne. L’approchepar la simulation et notamment la dynamiquedes systèmes paraît être une base viable pourles analyses comportementales détaillées dela dynamique d’une chaîne logistique dansson ensemble et rend possible l’évaluation desperformances du système existant ou en phasede conception. Elle propose donc un outild’aide à la décision pour la gestion de lachaîne logistique globale.

Bibliographie

Ballou, R.H., (1992), Business LogisticsManagement, Englewood Cliffs, N-J, Pren-tice Hall.

Banerjee, S., Banerjee, A., Burton, J., Bis-tline, W., (2001), Controlled Partial Ship-ments in Two-echelon Supply ChainNetworks: A Simulation Study. InternationalJournal of Production Economics, vol.71,n°1-3, pp.91-100.

Bhaskaran, S., (1998), Simulation Analysis ofa Manufacturing Supply Chain, DecisionSciences, vol.29, n°3, pp.633-657.

Biaggini, F., 2006. Volaille, la crise couve.Revue de l’Industrie Agro-alimentaire, n°668,p.6-7.

Chang, Y., Makatsoris, H., (2001), SupplyChain Modelling Using Simulation, Interna-tional Journal of Simulation, vol.2, n°1,pp.24-30.

Chen, F., Drezner, Z., Ryan, J. K. et Sim-chi-Levi, D., (2000), Quantifying the Bull-whip Effect in A Simple Supply Chain: TheImpact of Forecasting, Lead Times, and Infor-mation”, Management Science, vol.46, n°3,pp.436–443.

Cheng H., (1996), Enterprise Integration andModelling: The Meta Base Approach, Massa-chusetts/ Kluwer Academic Publishers.

Chopra, S., Meindl, P., (2001), Supply ChainManagement: Strategy, Planning, and Opera-tion, Prince Hall, Upper Saddle River, NewJersey.

Christopher, M., (1992), Logistics and SupplyChain Management: Creating Value-addingNetworks, Piman Publishing, London.

Cloutier, L.M. et Sonka, S.T., (1998), Dyna-mique des systèmes et gestion stratégiqued’une chaîne de valeur ajoutée agro-alimen-taire, Chapitre 2 dans La Dynamique des Sys-tèmes, D. Thiel (dir.), pp. 43-56. Paris, France:Editions Hermes.

Cooper, M. C., Douglas, M. L. et Janus D. P.,(1997), Supply Chain Management: MoreThan A New Name for Logistics, The Interna-tional Journal of Logistics Management,vol.8, n°1, pp.1-14.

Cox, A., (1997), Business Success, EarlsgatePress, Midsomer Norton, Bath.

Forrester, J.W., (1961), Industrial dynamics,Portland (OR): Productivity Press.

Forrester, J.W., (1971), Counterintuitivebehaviour of social systems. Theory andDecision, Springer Netherlands, vol.2, n°2,p.109-140.

Georgiadis, P., Vlachos D., and Iakovou E.,(2005), A System Dynamics Modelling Fra-mework for The Strategic Supply ChainManagement of Food Chains, Journal of FoodEngineering, vol.70, n°3, pp.351-364.

Godding, G., Sarjoughian, H. S. et Kempf,K.G., (2004), Multi-formalism Modelling


Vol. 18 – N°1, 2010 91



Approach for Semiconductor Sup-ply/Demand Networks, of Winter SimulationConference, Washington, D.C., USA,pp.232-239.

Hakansson, H. et Snehota, I., (1995), Develo-ping Relationships in Business Networks,Routledge, London.

Harland, C. M., Lamming, R. C. et Cousins, P.D., (1999), Developing The Concept of Sup-ply Strategy, International Journal of Opera-tions and Production Management, vol.19,n°7, pp.650-673.

Helbing, D., Platkowski, T., Seba, P., (2003),of Regular and Random Supply Networks,Preprint.

Higuchi, T., Troutt M.D., (2004), DynamicSimulation of The Supply Chain for A ShortLife Cycle Product – Lessons from The Tama-gotchi Case, Computers & OperationsResearch, vol.31, n°7, pp.1097-1114.

Kamath, B.N., Roy R., (2007), Capacity Aug-mentation of A Supply Chain for A ShortLifecycle Product: A System Dynamics Fra-mework, European Journal of OperationalResearch, vol.179, n°2, pp.334-351.

Lee, H.L., Padmanabhan, V., Whang, S.,(1997), Information Distortion in A SupplyChain: The Bullwhip Effect, ManagementScience, vol.43, n°4, pp.546-558.

Mason-Jones, R., Towill, D.R., (1997), Infor-mation Enrichment: Designing The SupplyChain for Competitive Advantage, Internatio-nal Journal of Supply Chain Management,vol.2, n°4, pp.137-48.

Mason-Jones R., Towill D.R., (1998), Shrin-king on The Supply Chain Uncertainty Circle,Institute of Operations Management Journalon Control, vol.24, n°7, pp.17-22, ISSN0266-1713.

Minegishi, S., Thiel, D., (2000), DynamicsModelling and Simulation of A ParticularFood Supply Chain, Simulation Practice andTheory, vol.8, n°5, pp.321–339.

Nagatani, T., Helbing, D., (2004), StabilityAnalysis and Stabilization Strategies forLinear Supply Chains, Physica A, Elsevier,vol.335, n°(3-4), pp.644-660.

Narus, J. A. et Anderson, J. C., (1995), UsingTeams to Manage Collaborative Relations-hips in Business Markets, Journal of Busi-ness-to-Business Marketing, vol.2, n°3,pp.17-46.

Paulré, B., (1985), La causalité en économie:Signification et portée de la modélisationstructurelle, Lyon: Presse universitaires deLyon.

Petrovic, D., (1999), Supply Chain ModellingUsing Fuzzy Sets, Research seminar. 2March, Coventry University.

Petrovic, D., (2001), Simulation of SupplyChain Behaviour and Performance in AnUncertain Environment, International Jour-nal of Production Economics, vol.71, n°(1-3),pp.429-438.

Pidd, M., (1984), Computer Simulation inManagement Science, 2nd ed. Chichester:Wiley, pp.219-226 et pp.250-261.

Rabelo, L., Helal M., Lertpattarapong C.,Moraga R., Sarmiento A., (2008), Using Sys-tem Dynamics, Neural Nets, and Eigenvaluesto Analyse Supply Chain Behaviour. A CaseStudy, International Journal of ProductionResearch, vol.46, n°1, pp.51-71.

Riddalls, C., Bennett, S., Tipi, N., (2000),Modelling The Dynamics of Supply Chains,International Journal of Systems Science,vol.31, n°8, pp.969–976.

Senge P.M., Sterman J.D., (1992), SystemThinking and Organizational Learning:Acting Locally and Thinking Globally in TheOrganization of The Future, European Jour-nal of Operational Research, vol.59, n°1,pp.137-150.

Shen, Y., (2001), Impact of AsymmetricInformation on Inventory Policy, Term paperto Dr. Miller for the partial fulfilment of „Pro-duction control“.

Simchi-Levi, D., Kaminsky, P., Simchi-Levi,E., (2000), Designing and Managing TheSupply Chain, McGraw-Hill Higher Educa-tion.

Son, Y-J., Venkateswaran, J., (2007), Hierar-chical Supply Chain Planning Architecturefor Integrated Analysis of Stability and Per-formance, International Journal of Simula-tion and Process Modelling, vol.3, n°3,pp.153-169.

(De) Souza, R., Song, Z., Liu, C., (2000),Supply Chain Dynamics and Optimization,Integrated Manufacturing Systems, vol.l1,n°5, pp.348-364.

Sterman, J.D., (1989), Modelling ManagerialBehaviour: Misperceptions of Feedback in aDynamic Decision Making Experiment,


92 Vol. 18 – N°1, 2010



Management Science, vol.35, n°3,pp.321–39.

Sterman, J.D., (2000), Business Dynamics :Systems Thinking and Modelling for AComplex world, Boston, Mass.:Irwin/McGraw-Hill. 982.

Sterman, J.D., (2006), Operational and Beha-vioural Causes of Supply Chain Instability, in:O. Carranza, F. Villegas (Eds.), The BullwhipEffect in Supply Chain, Palgrave McMillan.

Taylor, D., (1999). Measurement and Analy-sis of Demand Amplification Across TheSupply Chain, The International Journal ofLogistics Management, vol.10, n°2, pp.55-70.

Thiel, D., 1996. Analysis of the behaviour ofproduction systems using continuous simula-tion”. International Journal of ProductionResearch, vol.34, n°11, p.3227-3251.

Towill, D.R., McCullen, P.L., (1999), TheImpact of Agile Manufacturing on SupplyChain Dynamics, The International Journalof Logistics Management, vol.10, n°1,pp.83-96.

Van Donselaar, K., Van den Nieuwenhof, J.,Visschers, J., (2000), The Impact of MaterialCoordination Concepts on Planning Stabilityin Supply Chains, International Journal ofProduction Economics, vol.68, n°2,pp.169-176.

Vo, T.L.H. (2009), Modélisation dynamiquedes flux logistiques de la filière avicole fran-çaise dans un contexte de crise sanitaire,Thèse de doctorat en Sciences de Gestion,Université de Nantes, 24 septembre 2009.

Vorst, van der, J.G.A.J., Beulens A.J.M, vanBeek P. (2000), Modelling and SimulatingMulti-echelon Food Systems, European Jour-nal of Operational Research, vol.122, n°2,pp.354-366.

Wilding, R.D., (1998), Chaos Complexity andSupply-Chains. Logistics Focus – The Jour-nal of the Institute of Logistics. vol.6, n°8,pp.8-10.

Wyland, B., Buxton, K., Fuqua, B., (2000),Simulating the Supply Chain, IIE Solutions,vol.32, n°1, pp.37–42.


Vol. 18 – N°1, 2010 93



Documents

Simulation et gestion des chaînes logistiques globales ... · PDF filelogistique globale. En préalable, il est utile de bien distinguer la stabilité de la Supply Chain qui réagit