Évolution des ruptures de stocks

Nous cherchons dans cette partie à observer le comportement des agents en fonction de deux paramètres. Ces derniers ont un impact significatif sur les flux de marchandises : notamment sur la fréquence des livraisons, sur les risques de ruptures de stocks, ou encore sur les quantités transportées. On étudiera en premier les effets du seuil de réapprovisionnement puis on verra ceux du coefficient de diminution.

Seuil de réapprovisionnement Afin d’observer les effets du seuil de réapprovisionnement, nous avons exécuté deux simulations avec un paramétrage différent. Dans les deux cas, tous les prestataires d’une même simulation partagent la même valeur de seuil de réapprovisionnement. La simulation 1 est exécutée avec une valeur de 30%, et la simulation 2 est exécutée avec une valeur de 20%.

La figure 7.13 montre l’évolution de ces deux simulations. Le premier jour des simula-tions correspond à la fin de la période d’initialisation. Les quantités de marchandises au sein des entrepôts et des destinataires finaux viennent tout juste d’être initialisées aléatoirement. Le jour 80 correspond à une situation stabilisée de longue date. On a superposé au territoire un carroyage de50× 50cellules. Chacune d’elles est colorée en vert en fonction du nombre de produit en rupture de stock répertorier au sein de la cellule. Plus une cellule est vert foncé, plus il y a de produits indisponibles, et plus elle est vert clair, moins il y en a. Lorsqu’il n’y a aucune rupture de stock, alors la cellule n’est pas affichée du tout. On remarquera à cette occasion l’utilité du carroyage pour effectuer une analyse au cours d’une simulation. En effet, on peut observer l’évolution dans l’espace d’une caractéristique locale. On pourra donc iden-tifier plus facilement quelles zones sont les plus touchées par des ruptures de stocks au cours d’une simulation. Dans notre cas, le maillage est assez grand et met surtout en avant les prin-cipales zones urbaines que sont Paris ou Rouen. Mais grâce au modèle individu-centré, il est très simple d’affiner le carroyage puisque l’agrégation des données se fait automatiquement au niveau de chaque cellule : il suffit uniquement de modifier les dimensions de la grille.

On constate qu’au début de la simulation, il y a beaucoup de produits en rupture de stock sur l’ensemble du territoire quelque soit la simulation. Les deux situations sont comparables. Par contre, au 80^ème jour, les deux simulations affichent beaucoup moins de produits en rup-ture de stock. Toutefois, une nette différence existe entre les deux. En effet, on remarque que la simulation exécutée avec un seuil de 30% affiche moins de cellules colorées, et celles qui le sont, affichent des nuances plus claires. Ainsi, un seuil de réapprovisionnement plus élevé implique moins de ruptures de stock. En fait, avec un seuil plus faible, les prestataires logis-tiques ont moins de temps pour réagir entre le moment où la quantité de marchandise passe sous le seuil, et le moment où le produit est effectivement en rupture de stock. Cela confère une flexibilité plus faible au prestataire. Les produits sont donc plus facilement indisponibles. Un seuil de réapprovisionnement plus élevé correspond donc à une manière plus efficace de garantir la disponibilité des stocks.

Au cours de ces deux simulations, nous avons mesuré l’évolution du nombre cumulé de véhicules. Cette mesure suit une évolution linéaire comme on peut le voir sur la figure7.14. On observe que la simulation exécutée avec un seuil plus élevé progresse plus rapidement. D’ailleurs, pour ces deux simulations, on a également mesuré le nombre moyen de véhicules

(a) Simulation 1 - Seuil de réapprovisionnement à 30%.

(b) Simulation 2 - Seuil de réapprovisionnement à 20%.

F 7.13 : Deux simulations exécutées avec deux paramètres différents de seuil de réapprovisionne-ment. Une étape correspond à une heure simulée correspond. Plus les cellules sont vert foncé, plus il y a de produits en rupture de stocks. Plus les routes sont rouge foncé, plus il y a des trafic.

par cycle : pour le seuil de 20%, cette valeur est de70, 5 alors qu’elle est de 75pour le seuil de 30%. Ainsi, des prestataires logistiques ayant adoptés un seuil de réapprovisionnement plus élevé ordonneront plus de livraisons. Sur le long terme, cet écart aura un impact économique significatif sur ces prestataires car cela se traduira immanquablement par une augmentation des coûts de transport qui seront répercutés sur le destinataire final. Un prestataire logistique doit donc optimiser le ratio entre un comportement économique mais qui risque d’augmenter les ruptures de stocks, et un comportement coûteux mais qui garantira la disponibilité des produits. La simulation permettrait de mieux comprendre dans quelles conditions tel ou tel seuil de réapprovisionnement est le plus adéquat.

0 20000 40000 60000 80000 100000 120000 0 200 400 600 800 1000 1200 1400 Nombr e%de%véhicu les Cycle%(en%h) Nombre%cumulé%de%véhicules%depuis%le%début%de%la%simulation Seuil%de%réapprovisionnement%20% Seuil%de%réapprovisionnement%30%

F 7.14 : Nombre cumulé de véhicules en fonction de la stratégie de réapprovisionnement utilisée par les prestataires logistiques.

Coefficient de diminution On va maintenant s’intéresser à ce coefficient en effectuant une série de simulations dans lesquelles on l’a fait varier. Pour chaque simulation, on mesure le nombre moyen de produits en rupture de stocks depuis le début de la simulation. Afin de mieux comprendre l’impact du coefficient, l’ensemble des destinataires finaux partage la même valeur de coefficient au sein d’une même simulation. Pour chacun des trois coefficients testés, nous avons également fait varier le seuil de réapprovisionnement. La tableau7.3regroupe donc les résultats obtenus pour chacune des six simulations.

On constate sur le tableau7.3que lorsque les destinataires finaux ont un coefficient élevé, le nombre de produits en rupture de stock est également plus important que lorsque le coefficient est plus faible. Un coefficient élevé indique un plus fort degré de consommation que le système doit satisfaire en fournissant un niveau de performance accrue. Toutefois, le système a ses propres limites dues aux autres contraintes. Par exemple, avec un coefficient de diminution de

1/5et un seuil de réapprovisionnement de 20%, il est possible d’avoir plus de rupture de stock (ici 91 produits) qu’avec un coefficient de1/4mais un seuil à 30% (dans ce cas, le nombre de produits en rupture de stock est de seulement 35).

T 7.3 : Évolution du nombre moyen de produits en rupture de stock en fonction de deux paramètres de la simulation : le coefficient de diminution et le seuil de réapprovisionnement

Coefficient de diminution 1/3 1/4 1/5

Seuil de réapprovisionnement 20% 30% 20% 30% 20% 30%

Nombre moyen de produits en rupture de stock au 83^èmejour

654 114 234 35 91 31

L’intérêt du paramètre pour un utilisateur est de pouvoir tester la résilience du système lorsque celui-ci est soumis à une demande plus importante. De plus, puisqu’il s’agit d’un pa-ramètre local, on peut augmenter ou diminuer artificiellement la demande au sein d’une zone spécifique. À titre d’exemple, cela permettrait de tester l’impact sur le système de la

construc-tion ou de la démoliconstruc-tion d’une zone d’habitaconstruc-tion qui augmenterait ou diminuerait localement la population et donc la consommation sur cet emplacement.