Développement et application d'un modèle de simulation à base d'agents pour l'analyse de stratégies de logistique inverse : une étude de cas sur les bouteilles de vin au Québec

Les réseaux de distribution visent à fournir les bons produits aux consommateurs au bon moment et au bon endroit. Lorsque les consommateurs retournent ces produits, un autre type de réseau logistique intervient. Cette fonction de retour des produits en fin de vie est appelée "logistique inverse". Une caractéristique essentielle de ces réseaux de logistique inverse est que leurs flux de matières dépendent souvent de l'action volontaire du consommateur. Par conséquent, le succès d'une stratégie de collecte des produits en fin de vie dépend de la capacité à comprendre les facteurs qui influencent le comportement des consommateurs afin d'anticiper le taux de collecte de ces produits en fin de vie dans des lieux spécifiques. Cependant, il n'existe pas d'outil ou de méthodologie établis pour évaluer l'impact des décisions des consommateurs sur les flux de matériaux de la logistique inverse. Par conséquent, cette thèse propose un outil de simulation à base d'agents pour analyser la performance d'un réseau de logistique inverse en tenant compte de d’une part de la localisation des points de collecte, mais aussi des caractéristiques sociodémographiques, des attitudes envers l’environnement ainsi que des profils de consommation de la population. Plus spécifiquement, cette thèse présente la configuration, la calibration et la validation du modèle développé à une étude de cas du programme de collecte volontaire de bouteilles de vin dans la région du Val-Saint-François au Québec. Comme ce programme de collecte a été officiellement lancé en 2019, deux échantillons empiriques ont été obtenus pour tester la validité du modèle et étudier comment les interactions sociales, telles que le bouche-à-oreille, contribuent au succès du programme de collecte. Le premier échantillon représente la quantité de verre collectée au cours des 26 dernières semaines de 2019, tandis que le second couvre les 13 premières semaines de 2020. Ayant observé une augmentation des taux de collecte entre 2019 et 2020, le bouche-à-oreille a été introduit dans le modèle pour expliquer ce phénomène. Les expériences démontrent que le modèle est effectivement valide avec l'inclusion de la diffusion de la sensibilisation au programme, car les résultats des simulations sont statistiquement cohérents avec les données empiriques. Les expériences mettent également en évidence la capacité de l'outil à fournir des informations utiles pour supporter la conception de stratégies de collecte qui maximisent les taux de retour et minimisent les coûts d'installation et d'exploitation en optimisant le nombre et l’emplacement de points de collecte dans le réseau de logistique inverse.

Abstract

Distribution networks aim to get the right products to consumers at the right time and in the right place. When consumers return these products, another type of logistics network is involved. This function of returning end-of-life products is referred to as reverse logistics. A critical characteristic of these reverse logistics networks is that their material flows are often dependent on the voluntary action of the consumer. Therefore, the success of an end-of-life collection strategy depends on the ability to understand the factors that influence consumer behavior in order to anticipate the collection rate of end-of-life products at specific locations. However, there is no established tool or methodology for assessing the impact of consumer decisions on reverse logistics material flows. Consequently, this thesis proposes an agent-based simulation tool to analyze the performance of a reverse logistics network, taking into account not only the location of collection points, but also the socio-demographic characteristics, environmental attitudes and consumption profiles of the population. More specifically, this thesis presents the configuration, calibration and validation of the model developed to a case study of the voluntary wine bottle collection program in the Val-Saint-François region of Quebec. As this collection program was officially launched in 2019, two empirical samples were obtained to test the validity of the model and study how social interactions, such as word-of-mouth, contribute to the success of the collection program. The first sample represents the amount of glass collected during the last 26 weeks of 2019, while the second covers the first 13 weeks of 2020. Having observed an increase in collection rates between 2019 and 2020, word-of-mouth was introduced into the model to explain this phenomenon. The experiments demonstrate that the model is indeed valid with the inclusion of the program's awareness diffusion, as the simulation results are statistically consistent with the empirical data. The experiments also highlight the tool's ability to provide useful information to support the design of collection strategies that maximize return rates and minimize installation and operating costs by optimizing the number and location of collection points in the reverse logistics network.