8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

« Evaluation et optimisation des systèmes innovants de production de biens et de services »

ANALYSE D’UN PROBLEME DE TOURNEE DE VEHICULES AVEC

GESTION DE STOCK DANS UN CONTEXTE DE STOCK DE
CONSIGNATION

Z. JEMAI R. KALAI Y. REKIK

Chaire Supply Chain Rouen Business School EM Lyon Business School

Ecole Centrale Paris 1, rue du Maréchal Juin 23 Avenue Guy de Collongue
Grande Voie des Vignes 76130 Mont Saint-Aignan 69134 Ecully cedex
92295 Châtenay-Malabry rim.kalai@rouenbs.fr REKIK@em-lyon.com
zied.jemai@ecp.fr

RESUME : Le problème de tournées de véhicules avec gestion de stock (IRP) consiste à déterminer le circuit de
distribution, d'un entrepôt central vers un ensemble de clients, qui optimise conjointement les coûts de transport et de
stockage. Plusieurs travaux montrent l’intérêt de politiques comme le transbordement (transhipment) ou les tournées
dynamiques sur les performances du système. Cependant, dans la pratique, ces politiques sont généralement critiquées
car elles introduisent des contraintes additionnelles. Dans ce travail, nous étudions un problème IRP dans un contexte
de stock de consignation. Nous montrons que le fonctionnement avec un stock de consignation justifie le recours à de
telles politiques (transbordement, tournées dynamiques). Nous nous intéressons au cas de tournées statiques et nous
montrons sur un exemple numérique que le transbordement permet de mieux optimiser ces tournées et d'améliorer ainsi
les performances globales du système.

MOTS-CLES : Tournée de véhicule avec gestion de stock, Stock de consignation, Transbordement.

coûts de transport et de stockage. Nombre d’auteurs se

1 INTRODUCTION
Avec le développement de la notion de chaîne logistique
étendue, les chercheurs ont été amenés à revisiter la plu-
part des modèles développés dans la littérature sur la
gestion de la production et/ou de stocks, l’objectif étant
d’intégrer deux ou plusieurs maillons comme la produc-
tion et la distribution ou la distribution et la gestion de
stocks. Même si les résultats obtenus à partir de ces re-
cherches sont très intéressants, leurs applications pra-
tiques ont du mal à se mettre en place dans les chaînes
logistiques. En effet, ces dernières sont souvent formées
de plusieurs entités indépendantes qui ne font pas partie
de la même organisation et qui, de ce fait, optimisent
leurs décisions de façon individuelle en ne prenant en
compte que des critères locaux. Ainsi, l’application
d’une optimisation globale de la chaîne logistique ne
garantie pas en général la satisfaction de tous les acteurs
qui la composent. Elle doit donc être couplée à des mé-
canismes de collaboration qui permettent un partage des
gains entre les différents acteurs.
sont penchés sur ce problème dans un contexte de VMI
(Vendor Managed Inventory). En effet, comme le four-
nisseur se charge dans ce cas de gérer les stocks du
client, il est plus en mesure de mieux optimiser ses tour-
nées.
Dans un tout autre contexte, plusieurs travaux ont dé-
montré que l’un des moyens d’augmenter la performance
d’une chaîne logistique est de permettre le transfert de
stocks entre deux entités d’un même niveau de la chaîne,
autrement dit le transbordement2 (généralement de celle
qui est en surstock vers celle qui est en rupture). En
l’absence de contrat de collaboration entre les acteurs, ce
transfert de biens est très difficile à mettre en place, prin-
cipalement pour des raisons de propriété de stocks. De
plus, celui qui est en position de céder des biens peut
refuser de le faire de peur d’augmenter ses risques de
tomber en rupture. Cette difficulté est facilement écartée
dans le cas d’un système VMI avec stock de consigna-
tion où le fournisseur reste propriétaire du stock tant
qu’il n’a pas été consommé par le client.

Parmi les problématiques d’intégration les plus étudiées,
on trouve le problème de tournée de véhicules avec ges-
tion de stocks (IRP)1. Ce problème consiste à déterminer
le circuit de distribution, d'un entrepôt central vers un
ensemble de clients, qui optimise conjointement les
Dans ce travail, nous étudions un problème IRP avec un
fournisseur et plusieurs clients dans un contexte de VMI
avec stock de consignation. Le fournisseur peut avoir
recours au transbordement pour satisfaire la demande des
différents clients. Après un état de l’art détaillé en sec-

1 2
Inventory Routing Problem en anglais. Transshipment en anglais.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
tion 2, nous décrivons le modèle étudié dans la section 3.
Dans la section 4 sont exposées les approches de résolu-
tion. Enfin, nous présentons quelques exemples numé-
riques dans la section 5 avant de donner quelques con-
clusions et perspectives dans la section 6.
2 ETAT DE L’ART
Ces deux dernières décennies ont été marquées par une
littérature abondante sur l’optimisation intégrée de deux
ou plusieurs maillons de la chaîne logistique. (Thomas et
Griffin, 1996) répartissent ces travaux en trois catégo-
ries : l’intégration fournisseur-client, l’intégration pro-
duction-distribution et l’intégration distribution-gestion
des stocks. Cette dernière catégorie, connue sous le nom
d’IRP, est traitée dans un grand nombre d’articles
comme le montrent les états de l’art publiés par (Feder-
gruen et Simchi-Levi, 1995), (Baita et al., 1998) et plus
récemment (Ward et Zhaï, 2004).
(Campbell et al., 1998) définissent l’IRP comme
l’optimisation de la distribution répétée d’un produit, à
partir d’un entrepôt central vers un ensemble de reven-
deurs ou de clients sur un horizon de planification fini ou
infini. Chaque client est caractérisé par sa capacité de
stockage et sa consommation du produit. Le réapprovi-
sionnement est effectué par une flotte homogène de vé-
hicules. Les distances ou les temps de trajet entre le dé-
pôt et les clients d’une part, et entre les différents clients
d’autre part, sont connus. L’objectif est de planifier les
jours de livraison pour chaque client sur l'horizon de
temps, et ensuite d'organiser les tournées de la flotte de
véhicules afin d'effectuer les livraisons nécessaires. Les
quantités à livrer sont elles aussi des variables de déci-
sion. Cette planification doit respecter les contraintes de
niveau de stock chez les clients et minimiser le coût total
de livraison sur l'ensemble de l'horizon. Le problème
ainsi présenté est une extension du problème de tournées
de véhicules classique auquel on a rajouté la notion de
période et intégré des éléments de gestion de stocks dans
la planification du transport.
(Federgruen et Zipkin, 1984) ont été parmi les premiers à
investiguer l’intégration de la gestion de stock aux tour-
nées de véhicules. Ils ont considéré une usine à capacité
finie qui alimente un ensemble de clients caractérisés
essentiellement par un taux de demande stochastique.
L’objectif de leur modèle était d’assurer la distribution
des produits de l’entrepôt aux clients en minimisant les
coûts de transport et de stockage et en réduisant les rup-
tures de stock à la fin des périodes. Ils ont modélisé leur
problème par un programme non linéaire en nombres
entiers et ont proposé une méthode d’approximation
pour le résoudre. (Golden et al., 1984), traitent le pro-
blème IRP en adoptant une heuristique différente qui
consiste à déterminer les localisations à visiter chaque
jour et génère les tournées correspondantes. Un pro-
blème similaire a été traité par (Chien et al., 1989) ; ces
derniers ont formulé le problème par un programme li-
néaire en nombres entiers résolu par la relaxation de La-
grange. La version stochastique de l’IRP, nommée SIRP
(Stochastic Inventory Routing Problem) a été modélisée
par un processus de décision Markovien dans différents
travaux tels que (Minkoff, 1993), (Kleywegt et al., 2002)
et (Kleywegt et al., 2004).
Par ailleurs, beaucoup de travaux ont étudié le rôle des
nouvelles technologies de communication et de partage
d’information dans la création de nouveaux partenariats
industriels entre fournisseurs et clients permettant ainsi
une forte expansion des IRP. Dans un contexte de VMI
par exemple, le fournisseur peut gérer le niveau de stock
de ses clients et peut décider des périodes et des quanti-
tés à livrer. (Rusdiansyah et Tsao, 2004) optimisent
l’approvisionnement des distributeurs de biens alimen-
taires au Japon dans le cas d’une demande déterministe
sur un horizon à court terme. (Aghezzaf et al., 2006) se
sont intéressés à une modélisation d’un IRP à long terme
avec l’objectif de minimiser les coûts de transport et de
possession de stock. Les auteurs intègrent le concept
multi-tours (i.e : un véhicule peut effectuer plusieurs
tournées dans la même journée). Ce problème a été mo-
délisé par un programme non linéaire mixte et résolu par
une méthode fondée sur le principe de génération de
colonnes. (Centikaya et Lee, 2000) utilisent un processus
de renouvellement pour traiter un modèle de consolida-
tion des livraisons dans un contexte VMI sans prise en
compte des tournées. (Centikaya et Lee, 2002) étendent
ce travail en considérant des coûts de distribution et
(Centinkaya et Bookbinder, 2003) y intègrent deux
modes de transport.
(Hu et al., 2003) se sont intéressés à un autre aspect des
IRP: l’IRP dynamique avec mise à jour de l’information
après chaque visite. Les auteurs soulignent deux avan-
tages de ce modèle : une plus grande réactivité par rap-
port à la variation de la demande et un routage efficace
des véhicules en temps réel. Leur modèle est basé sur un
SVRP (stochastic vehicle routing problem) et résolu par
la technique de branch-and-bound. Dans un contexte
VMI, (Jarugumilli et Grasman, 2007) utilisent un IRP
dynamique facilité par l’utilisation de la technologie
RFID qui permet au véhicule d’accéder, lors de chaque
passage par un client, à l’information concernant le ni-
veau de stock des différents clients et de ré-optimiser
ainsi la tournée et les quantités à livrer. Tous ces travaux
montrent que l’IRP dynamique améliore les perfor-
mances du système étudié du fait qu’il permet de modi-
fier en temps réel la tournée de véhicule en fonction de la
variation de la demande. Cependant, si chaque acteur est
intéressé par la maximisation de ses propres gains, une
tournée dynamique risque de ne pas lui convenir du fait
que, d’une part, les délais de livraison deviennent sto-
chastiques avec une grande variabilité (ce qui influence
les stocks de sécurité), et d’autre part, les ressources né-
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
cessaires à la réception des produits deviennent com-
plexes à planifier.
Comme mentionné plus haut, plusieurs travaux ont dé-
montré que le transbordement constituait l’un des
moyens d’augmenter la performance d’une chaîne logis-
tique. Le premier travail sur le transbordement est celui
de (Krishnan et Rao, 1965) qui étudient une politique
mono-période. (Robinson, 1990) étend ce travail au cas
multi-périodes. (Tagaras, 1989) considère un modèle
multi-périodes avec une hypothèse de regroupement
complet (complete pooling) qui stipule que, si une locali-
sation est à court de stock et qu’une autre a un excès de
stock, alors cette dernière fournit à la première le mini-
mum entre son excès et la quantité manquante. Plusieurs
travaux ((Jönsson et Silver, 1987), (Diks et de Kok,
1996)) et (Evers, 1996)), considèrent que le transborde-
ment s’effectue systématiquement quand une rupture de
stock est éminente. Les travaux cités ci-dessus supposent
que le transbordement est coordonné de manière centra-
lisée. (Rudi et al., 2001) étudient l’influence du trans-
bordement sur le niveau de stock optimal de deux ven-
deurs indépendants. Nous invitons le lecteur à consulter
les articles de (Chiou, 2008) et de (Paterson et al., 2009)
qui proposent une revue de littérature complète sur le
transbordement.
En l’absence de contrat de collaboration entre les ac-
teurs, le transbordement reste très difficile à mettre en
place pour des raisons de propriété de stocks et des coûts
supplémentaires qu’il peut engendrer (coûts de récep-
tion/préparation de commandes, risques de détériora-
tion,…). De plus, le client qui était en surstock à un mo-
ment donné peut refuser d’en céder une partie de peur de
tomber en rupture plus tard. Ces difficultés peuvent être
diminuées, voire éliminées, dans certains contextes de
collaboration comme celui d’un stock de consignation.
Le stock de consignation (CS) est un stock appartenant
au fournisseur mais stocké et géré dans l’entrepôt du
client. Ainsi, ce dernier peut s’en servir de ce stock
quand il en a besoin. Notons que le stock de consigna-
tion reste la propriété du fournisseur jusqu’au moment
où le client l’utilise. Le stock de consignation est étroi-
tement lié au VMI, au point que plusieurs travaux consi-
dèrent le CS comme un cas particulier du VMI (Zavanel-
la et Zanoni, 2009). Cependant, il faut garder à l’esprit
que le CS concerne la propriété du stock alors que le
VMI concerne la gestion du stock (Corbett, 2001).
L’un des premiers travaux soulignant l’apport du CS
dans une chaîne logistique collaborative (que l’on notera
CVMI, c'est-à-dire CS dans un contexte de VMI) est
celui de (Valentini et Zavanella, 2003). Les auteurs mon-
trent, en utilisant la simulation, que le CS peut être un
choix rationnel sous certaines conditions et expliquent
l’intérêt croissant des entreprises pour ce mode de fonc-
tionnement. (Braglia et Zavanella, 2003) appuient ces
résultats à travers un modèle analytique d’un modèle de
CVMI dans le cas d’une chaîne logistique à deux ac-
teurs : un fournisseur et un distributeur. Les auteurs
montrent en particulier que cette politique est stratégique
et profitable dans un environnement incertain (i.e. les
délais de livraison et/ou la demande sont variables). (Za-
noni et Grubbstrom, 2004) étendent ce modèle en carac-
térisant analytiquement la solution obtenue. (Persona et
al., 2005) s’intéressent à une politique CVMI dans le cas
de produits sujets à obsolescence. Ils considèrent un mo-
dèle à un fournisseur qui livre à un vendeur un produit à
durée de vie limitée. Dans le cas d’une durée de vie dé-
terministe, les auteurs montrent que la prise en compte
de l’obsolescence par rapport au modèle de (Braglia et
Zavanella, 2003) augmente le coût total tout en réduisant
le niveau de stock optimal. Dans le cas d’une durée de
vie stochastique, (Persona et al., 2005) montrent par la
simulation que les quantités livrées sont toujours infé-
rieures à celles du cas avec une durée de vie détermi-
niste. Récemment, (Zavanella et Zanoni, 2009) ont ex-
ploré un cas plus général à un fournisseur et plusieurs
clients. Ils présentent un modèle déterministe qui opti-
mise les décisions de réapprovisionnement pour le four-
nisseur et les différents clients. Les auteurs montrent que
cette politique permet une amélioration des perfor-
mances de la chaîne logistique comparée à une situation
décentralisée.
La plupart des auteurs reconnaissent que les bénéfices de
la CVMI sont faciles à identifier autant pour la chaîne
logistique globale que pour le maillon aval de la chaîne.
(Gümüs et al., 2008) étudient un modèle déterministe et
s’intéressent aux conditions sous lesquelles le CVMI est
profitable pour les deux maillons de la chaîne logistique,
à savoir le fournisseur et le client. Ils énoncent les condi-
tions nécessaires pour améliorer les performances du
maillon amont de la chaîne logistique.
Dans ce travail, on s’intéresse à un problème de tournées
de véhicules avec gestion de stocks (IRP) dans un con-
texte de VMI avec stock de consignation (CVMI). Dans
un tel contexte, le recours au transbordement peut être
intéressant du fait que le fournisseur reste propriétaire
des stocks chez le client et a donc la liberté de les utiliser
pour fournir, par exemple, un autre client en rupture de
stock, si ceci permet d’optimiser ses performances. Cette
étude étend le travail de (Zavanella et Zanoni, 2009) en
introduisant la notion de tournée de véhicule et en consi-
dérant une demande stochastique. Notre travail propose
également une alternative (le transbordement) aux tour-
nées dynamiques de (Jarugumilli et Grasman, 2007) et
propose un autre contexte (le CVMI) plus approprié à
des politiques tels que le transbordement ou les tournées
dynamiques.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
3 MODELE ETUDIE ET NOTATIONS
3.1 Notations
Soit une chaîne logistique à deux niveaux avec un four-
nisseur qui fournit un produit à K clients dans un con-
texte de VMI avec stock de consignation (CVMI).
Chaque entité est localisée dans un sommet k (k = 0 pour
le fournisseur et k = 1 à K pour les clients). dij et cij re-
présentent respectivement la distance et le coût de distri-
bution entre les sommets i et j. Chaque client est caracté-
risé par une demande modélisée par une loi normale de
moyenne µk et d’écart-type σk par unité de temps.
Les paramètres de coût, supportés par le fournisseur, au
niveau de chaque sommet sont définis ci-dessous :
• p : coût unitaire du produit. Il peut inclure le
coût de revient et les coûts variables de trans-
port et de manipulation de la commande
• ak : coût fixe de passation de commande. Ce
coût peut inclure tous les coûts fixes liés à la
commande (coûts fixes de transport, coûts ad-
ministratifs, coûts fixes de préparation de la
commande de chargement/déchargement…).
• hk : coût unitaire de stockage par unité de temps
qui se compose généralement des coûts finan-
ciers d’immobilisation, des coûts
d’obsolescence. Généralement, dans un con-
texte de CVMI, les coûts physiques de stockage
restent à la charge du client.
• bk : coût unitaire de rupture. Il est souvent fixé
entre les deux acteurs de la chaîne logistique
sous forme de pénalité de rupture ou de retard
que paye le fournisseur au client.
3.2 Modèle étudié et hypothèses
Le fournisseur adopte une politique de type (R,s,S)k où R
est le temps de cycle, s est le stock d’alerte et S est le
niveau de recomplètement. En début de chaque période
Rk, le fournisseur observe le niveau de stock Ik,
k=1,…,K, des différents sommets concernés. Lorsque le
stock baisse au dessous d’un niveau sk, une livraison
d’une quantité Sk-Ik est alors programmée. Ainsi, au dé-
but de chaque journée, le fournisseur dispose d’un en-
semble de localisations à fournir. Il décide alors du cir-
cuit de distribution optimal.
Nous supposons que le fournisseur opte pour un fonc-
tionnement de type voyageur de commerce tout en pre-
nant en considération la capacité du véhicule utilisé. Un
camion de capacité CAP part de l’entrepôt central (som-
met 0) pour visiter les différentes localisations pro-
grammées avant de retourner au point de départ. Si la
capacité du camion ne permet pas de satisfaire toute la
demande, le fournisseur peut intégrer d’autres sommets
dans le circuit afin de faire du transbordement entre les
différentes localisations. Nous supposons que
l’information n’est pas mise à jour en cours de journée,
ce qui permettra de figer les paramètres de décision (en
l’occurrence, quantités à livrer, quantités à récupérer,
circuit à suivre) avant le début de la tournée.
4 APPROCHES DE RESOLUTION
Dans cette section, nous présentons les approches de
résolution des différentes problématiques étudiées. Une
première phase consiste à déterminer les paramètres de
la politique de gestion de stocks. La deuxième phase
permet de déterminer la tournée à suivre ainsi que les
quantités à livrer ou à récupérer des différentes localisa-
tions.
4.1 Politique de gestion de stock
Comme décrit précédemment, le fournisseur adopte une
politique de gestion de stocks de type (R,s,S)k. Cette poli-
tique est adaptée à des mécanismes de collaboration de
type VMI et/ou CS (Valentini et Zavanella, 2003). En
effet, dans un contexte de CS, le client offre au fournis-
seur la possibilité d’utiliser son entrepôt pour stocker. En
contre partie, le fournisseur s’engage à garantir un ni-
veau de stock compris entre une borne minimale et une
borne maximale et à payer une pénalité en cas de rup-
ture. La borne minimale, sk, correspond à un compromis
entre le coût de stock et la pénalité de rupture. La borne
maximale, Sk, est généralement un compromis entre éco-
nomie d’échelle et coût de stock, et tient compte parfois
de la capacité de stockage du client.
Plusieurs travaux ont proposé des méthodes de calcul des
paramètres sk et Sk. (Schneider et Ringuest, 1990) consi-
dèrent un modèle (R, s, S) avec une contrainte de qualité
de service et proposent une approximation « Power ap-
proximation » pour le résoudre. (Ehrhardt et Mosier,
1984) développent une approche similaire dans le cas de
la prise en compte de coûts de rupture. (Silver et al.
2007) proposent une revue complète des méthodes de
calcul des paramètres s et S. Dans ce travail, nous utili-
sons l’approximation proposée par (Ehrhardt et Mosier,
1984) comme définie ci-dessous :
Soient Gk et zk tel que :
0.116
 σ k2, Rk
0.506
 ak  
Gk = 1.3( µk ) 0.494
  1 + 2  (1)
 hk   µk 
hk
et zk = Gk (2)
σ k , R bk
k
alors, pour tout sommet k, k∈{1,...,K} :
 0.183 
sk = 0.973µk , Rk + σ k , Rk  + 1.063 − 2.192 zk  (3)
 zk 
et Sk = sk + Gk (4)
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

disponible au transbordement est Qmax=175. Une deu-

avec µk , R = ( Rk + 1) µk et σ
k
2
k , Rk = ( Rk + 1)σ .
2
k xième approche possible est de fixer un Lkmin inférieur à
Lk et chercher la quantité maximale disponible de telle
4.2 Optimisation du circuit de distribution sorte que le stock restant garantisse le même taux de
service θk sur Lkmin. Nous nous contenterons de la pre-
En début de chaque période, le fournisseur dispose d’un mière approche.
ensemble de localisations à fournir (l’ensemble K’ des
sommets dont le niveau de stock Ik est inférieur ou égal à D’autres méthodes exactes basées sur la relaxation la-
sk). Il connait ainsi la quantité exacte à livrer (Dk = Sk-Ik grangienne permettent de déterminer, pour un jour don-
avec k appartenant à K’) et décide du circuit de distribu- né, les quantités à récupérer à partir des sites de trans-
tion optimal. bordement. Ces méthodes permettent d’optimiser les
coûts de distribution sur une seule période et ne tiennent
Le fournisseur opte pour un fonctionnement de type pas compte du surcoût lié à l’augmentation des fré-
voyageur de commerce (TSP). Ainsi, si la demande to- quences de visites des différentes localisations.
tale
D= ∑D
k∈K '
k
Une fois les quantités Qkmax calculées, nous utilisons une
heuristique qui permet de déterminer le circuit de distri-
est inférieure à la capacité CAP du camion, la solution bution optimal. Cette heuristique cherche d’abord la liste
sélectionnée correspond à l’optimisation du TSP. des ensembles de localisations qui permettent de ré-
Chaque sommet est caractérisé par ses coordonnées géo- pondre à la demande (i.e. la quantité calculée couvre la
graphiques (Xk,Yk). La distance considérée dij séparant différence entre la demande et la capacité du camion).
deux localisations i et j est la distance euclidienne : Ces ensembles sont introduits un à un dans l’algorithme
du TSP afin de sélectionner la meilleure solution de dis-
dij = ( X i − X j ) 2 + (Yi − Y j ) 2 . tribution.

Nous supposons que les coûts de transports sont propor- Une dernière vérification permet de tester si l’ordre de
tionnels à la distance : cij = γdij avec γ un facteur de pro- passage permet de respecter les deux contraintes sui-
portionnalité. vantes :
• En aucun moment, la quantité transportée ne
Si la capacité du camion ne permet pas de satisfaire toute doit être supérieure à la capacité du camion.
la demande, le fournisseur peut intégrer d’autres som- • En arrivant à une localisation, la quantité trans-
mets dans le circuit (ceux qui sont en surstock) afin de portée doit couvrir la livraison prévue.
faire du transbordement entre les différentes localisa-
tions. L’intégration d’un nouveau sommet à visiter af- 5 ANALYSES NUMERIQUES
fecte le coût total du fournisseur de deux manières : un
surcoût journalier dû à l’augmentation de la distance de Dans cette section, nous illustrons l’approche présentée
la tournée optimale et un coût à plus long terme corres- plus haut en effectuant quelques analyses sur un exemple
pondant à l’augmentation des fréquences des visites de numérique (1 entrepôt et 10 clients). Les coûts de stoc-
chaque localisation à cause des quantités à récupérer par kage hk et de passation de commande ak sont fixés res-
le transbordement. pectivement à 1 et 150 et la période Rk=1 pour k=1,..,K.
Nous considérons deux ensembles de demandes (une
Afin de tenir compte de ces deux points, nous détermi- demande à faible variabilité et une demande à forte va-
nons, pour chaque localisation k∈K\K’, une quantité riabilité). Les localisations des clients, les caractéris-
maximale disponible au transbordement, notée Qkmax, tiques de la demande ainsi que les paramètres de gestion
calculée à partir du niveau du stock physique. En effet, de stocks sont donnés dans les tableaux 1 et 2 ci-dessous.
pour un niveau de service donné θk, nous calculons la
couverture de stock Lk (i.e. le nombre de jours de con- Demande (Faible Demande (Forte
Localisations Coûts variabilité) variabilité)
sommation auquel le niveau de stock actuel peut faire Indice X Y bk Mu Sigma Mu Sigma
face). La quantité maximale disponible au transborde- 0 4 5
1 6 6 15 93 40 93 121
ment dans la localisation Qkmax est déterminée de façon à 2 6 4 14 154 47 154 141
ce que le stock restant garantisse un niveau de service 3
4
6
4
7
1
13
12
95
87
32
18
95
87
95
55
minimal θkmin sur une même durée Lk. Par exemple, con- 5 3 1 13 72 15 72 44
6 2 3 14 130 23 130 69
sidérons un client k dont la demande suit une loi normale 7 1 5 16 95 31 95 93
N(58,45) par unité de temps. Si le niveau de stock est 8 2 7 17 132 22 132 66

I=415, alors pour un niveau de service θ=99,99%, sa 9

10
2
5
6
7
20
19
82
228
25
36
82
228
76
107
couverture de stock est L=3 unités de temps. Pour un
même L et pour un niveau de service θmin=80%, le ni- Tableau 1 : Données de l’étude numérique
veau de stock requis est de 240 unités. Ainsi, la quantité
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Coûts moyens
CAP Scénario 1 Scénario 2 Scénario 3
800 183,90 15,50% 217,64 0,00% 187,46 13,87%
Politique de stock Politique de stock
(faible variabilité) (forte variabilité) 1000 168,33 14,17% 196,12 0,00% 179,55 8,45%
Location s S s S 1200 151,71 7,95% 164,80 0,00% 165,36 -0,34%
0 1400 144,03 1,64% 146,44 0,00% 149,30 -1,95%
1 211 371 380 563 1600 142,63 -1,61% 140,37 0,00% 147,24 -4,89%
2 329 530 518 740
3
4
197
164
357
314
311
216
488
375
Tableau 4 : Coûts totaux moyens (cas forte variabilité)
5 135 272 175 320
6 252 435 324 516
7 203 362 324 501
Les résultats obtenus montrent que, dans le cas d’une
8 259 444 334 526 demande à faible variabilité, chaque scénario est adéquat
9 176 324 281 443
10 461 702 601 851
pour une certaine plage de la capacité du véhicule. Pour
une capacité faible (inférieure à 1000), les scénarios 1 et
Tableau 2 : Paramètres des politiques de stock 3 sont plus performants que le scénario 2. Le scénario 1
devient meilleur pour une capacité plus importante (entre
Nous considérons un horizon de 25 périodes et nous ef- 1000 et 1600). Donc, pour une capacité limitée du véhi-
fectuons des tirages aléatoires pour la demande à chaque cule, le transbordement permet de réaliser des gains inté-
période et pour chaque localisation. Dans le cas d’une ressants. Ces gains sont encore plus intéressants quand la
demande à forte variabilité, la probabilité d’avoir des variabilité de la demande augmente comme le montre le
demandes négatives est non négligeable. Nous avons tableau 4. Remarquons que les écarts entre les trois scé-
considéré dans ce cas que la demande est nulle. Nous narios diminuent en fonction de la capacité du véhicule
faisons varier la capacité du camion de 800 à 1800 (la et tendent vers la même solution pour des valeurs impor-
demande moyenne par période est proche de 1200 uni- tantes de CAP.
tés) et nous calculons le coût total moyen ainsi que le
nombre moyen de localisations visitées par période. Nombre moyen de sommets
visités (faible variabilité)
Nombre moyen de sommets
visités (forte variabilité)
Nous testons trois scénarios S1, S2 et S3 qui diffèrent en CAP S1 S2 S3 S1 S2 S3
800 7,71 7,85 4,40 7,53 7,38 4,60
fonction de l’organisation de la distribution : 1000 6,65 6,29 4,40 6,40 6,62 4,60
1200 5,74 5,43 4,40 5,19 5,41 4,60

• S1 illustre la méthode développée dans ce pa- 1400

1600
5,06
4,79
4,95
4,57
4,40
4,40
4,78
4,72
4,79
4,64
4,60
4,60
pier avec une modélisation de type voyageur de
commerce : à chaque période, on livre les loca- Tableau 5 : Nombre moyen de localisations visitées par
lisations programmées (Ik ≤ sk) avec possibilité période
de transbordement à partir des autres localisa-
tions, Concernant le nombre moyen de localisations visitées
• S2 propose une résolution de type voyageur de par période, le transbordement (scénario 1), ne génère
commerce qui, à chaque période, ne visite que pas un nombre de sommets visités plus important que le
les localisations programmées et adapte les scénario 2 (voir tableau 5). D’autre part, même si l’écart
quantités distribuées en fonction de la capacité peut être important par rapport au scénario 3, qui repré-
du véhicule. sente le nombre minimal de sommets visités, le scénario
• S3 propose une résolution classique de type 1 reste compétitif et même meilleur sur une large plage
tournée de véhicules afin de répondre à toute la de valeurs de la capacité du véhicule comme le montrent
demande (plusieurs véhicules). les tableaux 3 et 4.

Pour chaque scénario, nous calculons le coût moyen sur Notons que les résultats obtenus ci-dessus dépendent des
l’horizon considéré. Les résultats obtenus sont présentés paramètres choisis, en particulier de la période Rk et du
dans les tableaux 3 et 4 ci-dessous. Notons que le facteur taux de service minimal θmin. En effet, quand θmin aug-
de proportionnalité γ est égal à 10, θ est égale à 99,9% et mente, la quantité Qkmax disponible au transbordement
θmin égal à 75%. diminue, ce qui augmente les coûts du scénario 1.
D’autre part, si Rk augmente, la quantité Qkmax augmente
Coûts moyens
ce qui améliore les performances du scénario 1.
CAP Scénario 1 Scénario 2 Scénario 3
800 194,46 19,39% 241,23 0,00% 186,44 22,71%
1000 175,59 10,18% 195,49 0,00% 174,77 10,60%
Par ailleurs, dans ce travail, nous avons considéré que les
1200 157,03 8,25% 171,14 0,00% 167,78 1,96% coûts de passation de commande sont identiques pour les
1400 152,83 3,01% 157,57 0,00% 157,00 0,36%
1600 148,63 -1,47% 146,48 0,00% 154,65 -5,58%
trois scénarios. Néanmoins, en pratique, le scénario 3
génèrerait des coûts plus importants que les scénarios 1
Tableau 3 : Coûts totaux moyens (cas faible variabilité) et 2 du fait de l’utilisation de plusieurs véhicules, ce qui
dégraderait les performances obtenues pour ce scénario
dans les tables 3 et 4 et renforcerait ainsi l’apport du
transbordement. D’autres coûts peuvent aussi être consi-
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
dérés comme les coûts de chargement/déchargement qui
diffèrent d’un scénario à l’autre.
6 CONCLUSIONS ET PERSPECTIVES
Dans ce travail, nous avons étudié un problème de tour-
née de véhicule avec gestion de stock (IRP) dans un con-
texte de VMI avec stock de consignation. Nous avons
utilisé l’approximation de (Ehrhardt et Mosier, 1984)
pour déterminer les paramètres de la politique de gestion
de stock et nous avons proposé une méthode de détermi-
nation de la tournée de distribution qui prend en compte
les possibilités de transbordement entre les différentes
localisations. Le recours au transbordement générale-
ment critiqué en pratique est justifié par l’utilisation du
stock de consignation.
L’analyse numérique réalisée montre que la méthode
proposée améliore les performances par rapport à l’IRP
classique et l’écart peut être important pour certaines
plages de la capacité du véhicule. Notons que, dans ce
travail, nous avons considéré que le fournisseur doit
choisir l’un des scénarios proposés. Il serait intéressant
de voir ce que donne la combinaison des trois scénarios
en termes d’amélioration des performances du système
étudié.
Parmi les perspectives de ce travail, nous pouvons citer
l’apport de la technologie RFID soit dans un contexte
statique avec la connaissance des niveaux réels des
stocks à chaque passage par une localisation, soit dans
un contexte dynamique avec ré-optimisation du circuit
de distribution.
REFERENCES
Aghezzaf, E.H., Raa, B., and Landeghem, H.V., 2006.
Modeling inventory routing problems in supply
chains of high consumption products. European
Journal of Operational Research, 169, p1048–1063.
Baita, F., Ukovicha, W., Pesentib, R., and Favarettoc, D.,
1998. Dynamic routing-and inventory problems: a
review. Transportation Research Part A: Policy and
Practice, 32 (8), p.585-598.
Braglia M. and L. Zavanella. 2003. Modelling an indus-
trial strategy for inventory management in supply
chains: the ’consignment stock’ case. International
Journal of Production Research, 41(16), p.3793–
3808.
Campbell, A., Savelsberg, M., Clarke. L, and Kleywegt,
A., 1998. The Inventory Routing Problem. Fleet
Management and Logistics. Kluwer Academic
Pblishers, p.95-112.
Campbell, A.M. and Savelsbergh, M.W.P. 2004. A de-
composition approach for the inventory-routing prob-
lem, Transportation Science, 38 (4), p.488–502.
Centinkaya, S. and Lee, C.Y. 2000. Stock replenishment
and shipment scheduling for vendor managed inven-
tory systems, Management Science, 46 (2), p.217–
232.
Centinkaya, S. and Lee, C.Y.,2002, Stock optimal out-
bound dispatch policies: modeling inventory and car-
go capacity, Naval Research Logistics, 49 (6), p.531–
556.
Centinkaya, S. and Bookbinder, J.H. 2003, Stochastic
models for the dispatch of consolidated shipments,
Transportation Research Part B-Methodological, 37
(8), p.747–768.
Chien, T.W., Balakrishnan, A., and Wong, R.T., 1989.
An integrated inventory allocation and vehicle
routing prolem. Transportation Science, 23, 67–76.
Chiou C. C., 2008. Transshipment problems in supply
chainsystems: Review and extensions. In Supply
Chain: Theory and Applications, pages 427-448.
Corbett C.J., 2001. Stochastic inventory systems in a
supply chain with asymmetric information : Cycle
stocks, safety stocks, and consignment stock. Opera-
tions Research, 49(4), p.487–500.
Diks, E. B., A. G. de Kok. 1996. Controlling a divergent
2-echelon network with transshipments using the
consistent appropriate share rationing policy. Inter-
national Journal of Production Economics, 45 (1-3),
p.369-379.
Ehrhardt, R. and Mosier, C.,1984, A revision of the
power approximation for computing (s,S) policies,
Management Science, 30 (5), p.618–622.
Evers, P. T. 1996. The impact of transshipments on safe-
ty stock requirements. Journal of Business Logistics,
17, p.109–133.
Federgruen, A., and Simchi-Levi, D., 1995. Analysis of
vehicle routing and inventory routing problems: Re-
view Article. Handbooks in Operations Research and
Management Science, Vol. 8, Chapter 4, p.297-373.
Federgruen, A., and Zipkin, P., 1984. A combined ve-
hicle routing and inventory allocation problem. Op-
erations Research, 32, p.1019–1037.
Golden, B.L., Assad, A.A., and Dahl, R., 1984. Analysis
of a large scale vehicle routing problem with an in-
ventory component. Large Scale Systems, 7, p.181–
190.
 MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie
Gümüs M., E.M. Jewkes, and J.H. Bookbinder, 2008.
Impact of consignment inventory and vendor-
managed inventory for a two-party supply chain. In-
ternational Journal of Production Economics, 113
(2), p.502-517.
Hu, T.Y., Liao, T.Y. and Lu, Y.C., 2003, Study of solu-
tion approach for dynamic vehicle routing problems
with real time information, Transportation Network
Modeling, Transportation Research Record,1857,
p.102–108.
Jarugumilli S. and S. E. Grasman. 2007. RFID-enabled
inventory routing problems. Int. J. Manufacturing
Technology and Management, 10 (1), p. 92-105.
Jönsson, H., E. A. Silver. 1987. Analysis of a two-
echelon inventory control system with complete redi-
stribution. Management Science, 33, p.215–227.
Kleywegt, A., Nori, V. and Savelsbergh, M.W.P., 2002,
The stochastic inventory routing problem with direct
deliveries, Transportation Science, 36 (1), p.94–118.
Kleywegt, A., Nori, V. and Savelsbergh, M.W.P., 2004,
Dynamic programming approximations for a stochas-
tic inventory routing problem, Transportation
Science, 38 (1), p.42–70.
Krishnan, K., V. Rao. 1965. Inventory control in N
warehouses. Journal of Industrial Engineering, 16,
p.212–215.
Minkoff, A. S., 1993. A Markov Decision Model and
Decomposition Heuristic for dynamic Vehicle Dis-
patching. Operations Research, 41, p.77-90.
Paterson C., Kiesmuller G., Teunter R. and Glazebrook
K., 2009. Inventory models with lateral transship-
ments : a review. Working paper, Beta Research
School for Operations Management and Logistics.
Persona A., A. Grassi, and M. Catena, 2005. Consign-
ment stock of inventories in the presence of obsoles-
cence. International Journal of Production Research,
43(23), p.4969–4988.
Robinson, L. W. 1990. Optimal and approximate poli-
cies in multiperiod, multilocation inventory models
with transshipments. Operations Research, 38,
p.278–295.
Rudi N., S. Kapur and Pyke D. F. 2001. A Two-Location
Inventory Model with Transshipment and Local De-
cision Making. Management Science, 47 (12), p.
1668–1680
Rusdiansyah, A., and Tsao, D., 2004. An integrated
model of the periodic delivery problems for vending-
machine supply chains. Journal of Food Engineer-
ing, 70, p.421-434.
Schneider H. and Ringuest J. L., 1990. Power approxi-
mation for computing (s; S) policies using servive
level. Management Science, 36(7):822_834.
Silver E. A., Naseraldin H. and Bischak D.P., 2007. De-
termining the reorder point and order-up-to level in a
periodic review system so as to achieve a desired fill
rate and a desired average time between replenish-
ments. Working paper, University of Calgary, Cana-
da.
Tagaras, G. 1989. Effects of pooling on the optimization
and service levels of two-location inventory systems.
IIE Transaction, 21, p.250–257.
Thomas D.J., Griffin P.M., 1996. Coordinated supply
chain management. European Journal of Operational
Research, 94 (1), p.1-15
Valentini G. and L. Zavanella, 2003. The consignment
stock of inventories : industrial case and performance
analysis. International Journal of Production Re-
search, 81-82, p.215–224.
Ward, J., and Zhaï, X., 2004. Joint transportation and
Inventory Problems in Supply Chains: A Review.
Working paper. Krannert school of Management,
University of Chicago.
Zanoni S. and R.W. Grubbstrom, 2004. A note on an
industrial strategy for stock management in supply
chains: modelling and performance evaluation. Inter-
national Journal of Production Research, 42 (20),
p.4421–4426.
Zavanella L. and S. Zanoni, 2009. A one-vendor multi-
buyer integrated production inventory model: the
’consignment stock’ case. International Journal of
Production Economics, 118 (1), p.225-232