629-Article Text-2291-1-10-20210524

Revue Internationale des Sciences de Gestion
ISSN: 2665-7473
Volume 4 : Numéro 2
De la mesure de performance des chaines logistiques –

Revue de littérature et taxonomie
On measuring supply chain performance –

Review of literature and taxonomy
MOUNIR Younes
Enseignant chercheur
Faculté des Sciences juridiques économiques et sociales d’Agadir
Université Ibn Zohr - Maroc
Équipe de Recherche en Management Logistique et Systèmes d'Information (ERMLSI)
Laboratoire d’Etudes et Recherches en Economie et Gestion (LEREG)
y.mounir@uiz.ac.ma
NAJI Marouane
Doctorant
Faculté des Sciences juridiques économiques et sociales d’Agadir
Université Ibn Zohr - Maroc
Équipe de Recherche en Management Logistique et Systèmes d'Information (ERMLSI)
Laboratoire d’Etudes et Recherches en Economie et Gestion (LEREG)
marouane.naji@outlook.com
Date de soumission : 28/03/2021

Date d’acceptation : 15/05/2021
Pour citer cet article :
MOUNIR Y & Naji M. (2021), De la mesure de performance des chaines logistiques –
Revue de littérature et taxonomie, Revue Internationale des Sciences de Gestion, Volume 4 : Numéro 2» pp :
1187- 1214.
Revue ISG www.revue-isg.com Page 1187

ISSN: 2665-7473
Résumé
Depuis l'apparition du concept « chaine logistique » ou « supply chain » ou « chaine

d’approvisionnement » et de son adoption par la sphère académique et professionnelle, un
besoin éminent de mesure et de contrôle s'en est suivi. Pour une gestion efficiente de la
performance des chaines logistiques, il est fondamentale de développer des systèmes de
mesure de performance adaptés au contexte complexe et dynamique de celles-ci. Ce papier
présente une revue de la littérature et une taxonomie des travaux traitant de la mesure de
performance des chaines logistiques. Cette recherche documentaire s’articule autour de
nombreux travaux académiques en relation avec le sujet de recherche visant à identifier les
principales approches développés, les outils et les indicateurs choisis par la littérature pour la
mesure de performance dans le contexte des chaines logistiques ainsi que d’autres
caractéristiques à partir desquels une catégorisation des ce systèmes sera proposée pour mettre
en lumière certains champs de recherche encore peu ou pas explorés. Ce travail présente les
limites des systèmes de mesure actuels et propose des recommandations de recherche pour le
développement de futures démarches adaptées au contexte complexe des chaines logistiques.
Mots-clés : Performance ; Chaines logistiques ; Indicateurs ; Systèmes de mesure, métriques.
Abstract
Since first adoption of the supply chain concept by practitioners and academicians spheres, an
imminent need of control and measurement has immerged. For an efficient management of
supply chain performance, it is important to develop performance measurement system
adapted to dynamic and complex context of supply chain. The purpose of this paper is to
present a literature review and taxonomy of previous academic and professional works
concerning measuring the performance of supply chains. The present literature search focuses
on numerous academic works related our topic and aims to identify the main developed
approaches, tools and indicators selected for measuring performance within a supply chain
context. Taxonomy is provided to summarize studied papers. A classification of different
measuring approaches is proposed giving a sight on certain fields of research yet not well
explored. In fine, this work presents the limits of cited models and proposes few research
recommendations to participate in developing further measuring approaches adapted to the
complex context of supply chains.
Keywords: Performance; Supply chains; Indicators; Measuring systems; Metrics.

ISSN: 2665-7473
Introduction
De nos jours, la mesure de la performance des chaines logistiques est un sujet d’actualité
faisant remuer les plumes et les esprits d’auteurs issus de disciplines aussi diverses
qu’innombrables. En effet, l'enjeu est d'envergure, les changements apportés par la
globalisation force les entreprises vers la spécialisation, la concentration sur le cœur du métier
et l'externalisation des activités auxiliaires pour satisfaire une clientèle dispersée dans le
monde, grâce à l'intervention de plusieurs agents spécialisés et plusieurs disciplines en
parfaite collaboration constituant des chaines logistiques solides.
Aujourd’hui le problème majeur du management des chaines logistiques consiste en la mesure

de leur performance globale. En effet, à vouloir maîtriser l'ensemble des activités entrantes
dans la création d'un produit fini, il y a besoin d'incorporer une panoplie de mesures et
d'indicateurs issus de diverses disciplines. Des mesures et des indicateurs le plus souvent
conflictuels ou complètement incompatibles que le Supply Chain Manager doit convertir en
un langage commun, mesurable et compréhensible par tous les acteurs de la chaine pour une
prise de décision optimale. C'est alors dans cette perspective que de nombreuses recherches
ont été entretenues couvrant plusieurs domaines, sur un espace temporel de plus de quatre
décennies, constituants un large panorama d’approches dédiés à la mesure de la performance
des chaines logistiques. Mais malgré l’abondance des recherches, la mesure de performance
des chaines logistiques est un thème qui fait encore polémique chez les praticiens. Non
exploitée à son plein potentiel, la mesure de performance qui se veut globale se retrouve le
plus souvent réduite à l’analyse de quelques indicateurs dispersés. Où en est la recherche
scientifique aujourd’hui à ce sujet et quels sont les limites des systèmes proposés ?
L'objectif derrière cette revue de littérature est d’analyser les différentes approches de mesure
de la performance globale recensées, dans le but de réaliser un état de l’art, de détecter les
tendances de recherche dans le temps, et de ressortir les champs de recherche encore
inexplorés, afin d’apporter des éclaircissements à nos questionnements.
Le présent papier est organisé comme suit : après présentation de la méthodologie adoptée et
du cadre conceptuel, plusieurs classifications sont proposées sur la base de l’année de
publication, la méthodologie de conception, la méthodologie de mesure, l’objectif de mesure,
l’orientation de mesure ainsi que les indicateurs les plus pertinents employés par chacun de
des modèles de mesure de performance retenus. Une taxonomie est réalisée à partir de ces

ISSN: 2665-7473
classifications pour fournir des données pertinentes et mettre en lumière les tendances, et les
champs de recherches inexplorés suffisamment. Au terme de ce travail de recherche nous
allons présenter les difficultés et les limites des différents modèles de mesure de performance
des chaines logistiques ainsi que proposer des perspectives pour les recherches futures.
1. Méthodologie
Les travaux consultés pour le développement de cette recherche sont ceux dont l’objet de
recherche se situe à l’intersection de la mesure de la performance et du management des
chaines logistiques. Sur la base des 101 articles étudiés pour la réalisation de cette étude, 42
de ces articles concernent la conception d’outils et d’approches pour la mesure de la
performance des chaines logistiques sont retenus, dont nous rapportons la liste exhaustive en
annexes pour toute fin utile.
Figure 1: Méthodologie de recherche
Collecte des articles avec les mots-clés :

Performance des Chaines logistiques ;
Systèmes de mesure de la performance ;
Evaluation de la performance globale ; etc.
Sélection des articles dont l’objet de recherche :
La conception de système de mesure de la performance des

chaines logistiques.
Classification des travaux par années de Classification des travaux selon la perspective
publication, par outils de mesure (SCOR, d’analyse (par processus, par mix d’indicateurs ou par
modélisation, technologies de l’information, etc.) et indicateurs transversaux), et selon l’objectif de mesure
par types d’approches (théorique ou empirique). (benchmarking, détection d’anomalies ou décisionnel)
Déduire l’état de l’art : les tendances de la recherche dans le

temps ; les champs de recherche peu étudiés ; les outils et les
systèmes les plus employés ;
Déduire les limites des systèmes de mesure de performance

des chaines logistiques.
Source : Auteurs

ISSN: 2665-7473
L’objectif de ce travail est de classer les différents travaux pour gagner en compréhension des
systèmes de mesure de performance des chaines logistiques ainsi que de gagner en
apprentissage des différents outils et techniques mobilisés dans la conception des systèmes de
mesure. A partir de la taxonomie et de la comparaison des travaux, on déduira : l’état de l’art,
les acquis ainsi que les limites modernes des systèmes existants.
2. La performance des chaines logistiques

Plusieurs définitions de la performance des chaines logistiques sont proposées par la
littérature. Cette recherche aperçoit la chaine logistique (ou supply chain) comme « un
ensemble intégré d’organisations qui gèrent des informations, des produits et du cash-flow à
partir d’un point d’origine vers un point de consommation avec comme objectifs de
maximiser la satisfaction des consommateurs tout en réduisant les coûts des organisations
impliquées » comme proposé par (Kiefer & Novack, 1999).
Techniquement, la structure d'une chaine logistique s'apparente à la structure classique d'une

entreprise industrielle, avec des fournisseurs, des clients, des moyens techniques, et un
ensemble d'activités interdépendantes participants ensemble à la création, à la distribution et à
la vente des biens et services (Kiefer & Novack, 1999) . Toutefois, les objectifs d'une chaine
logistique vont naturellement au-delà des objectifs égocentriques de l'entreprise classique,
mais ne les révoquent pas. Car en plus de promettre l'amélioration des indicateurs internes des
entreprises, de nouveaux indicateurs "transversaux" sont mis en lumière par ce concept de
supply chain, tel la collaboration et la coopération, la valeur ajoutée logistique, le
management des relations fournisseur, l'intégration, la maturité logistique etc. et qui
participent à l'évaluation de la performance globale de la chaine.
Le concept de chaine logistique et la philosophie qui en découle incombe aux managers de

mesurer également ces nouveaux aspects étrangers au management classique des entreprises.
Convaincus qu'un niveau de performance optimal ne peut être atteint aujourd’hui en se
focalisant uniquement sur l’optimisation des processus internes, les managers nécessitent
d'avoir une vision holistique dans le but d'améliorer la performance de l'ensemble de la chaine
logistique. Dans ce même contexte, on constate que les organisations éprouvent encore des
difficultés à mesurer efficacement la performance leurs propres processus internes à cause du
caractère interdisciplinaire et des frontières flous de cette activité. Mesurer la performance de
la totalité de la chaine logistique rend la tâche encore plus difficile. A cet effet, plusieurs
systèmes de mesure de performance des chaines logistiques ont vu le jour pour relever le défi.

ISSN: 2665-7473
Parmi les principales approches développées dans ce sens par les académiciens comme par les
professionnels, citons entre-autres:
 Supply Chain Operations Reference (SCOR) par (Supply Chain Council, 1996);
 Balanced Score card (BSC) par (Kaplan & Norton, 1996) ;
 Catalogue ASLOG par (Association française pour la logistique, 1997) ;
 Resource Output Flexibility (ROF) par (Beamon, 1999) ;
 Les approches de modélisation et de simulation ;
 Les systèmes et technologies de l’information.
3. Classification des approches

Lorsqu'on cherche à classer les approches destinées à la mesure de performance des chaines
logistiques, on constate rapidement l’existence de plusieurs orientations. Dépendamment de
l’intérêt des recherches ou de la perspective des auteurs, les mesures développées et/ou
adaptées pour la mesure de performance globale sont diverses et diffèrent. Certaines
approches ont été largement testées et appliquées dans les secteurs industriel et commercial,
pendant que d’autres méthodes ne sont encore qu’au stade théorique. En effet, bien que
certaines méthodes de mesure soient plus répandues que d’autres, aucune de ces méthodes ne
fait l’unanimité chez les chercheurs. De ce fait, nous avons proposée deux différentes
classifications des méthodes de mesure, la première selon l’orientation des mesures et la
deuxième selon l’objectif des mesures.
3.1 Classification selon l’orientation

Nous avons identifié trois grandes orientations des systèmes de mesure de performance
(SMP) à savoir : les SMP orientés processus, les SMP orientés indicateurs clés de
performance (KPI) et troisièmement les SMP orientés chaine logistique.
3.1.1 Approches orientés processus

Nous définissons « processus » par tout système qui permet la transformation des intrants en
des extrants. Par définition, tout processus ou système doit contenir : des intrants définis et
prévisibles, un flux linéaire et logique, un ensemble de tâches et d’activités bien définies, et
enfin un résultat souhaité ou un extrant prévu. L’approche par processus permet donc
d’analyser la chaine logistique sous un angle de vue systémique.
Du fait de la prépondérance de la dimension opérationnelle dans les chaines logistiques,

certains auteurs ont vu l’importance de développer de nouvelles approches prenant en compte
les processus clés de chaines logistiques (McCormack & Johnson, 2002). Les auteurs (Perea,

ISSN: 2665-7473
Grossmann, Ydstie, & Tahmassebi, 2000) proposent alors un système dynamique pour la
conception des flux physiques et d’informations au sein d’une chaine logistique. Sur plusieurs
travaux, (Chan & Qi, 2003) et (Chan, Qi, Chan, Lau, & Ip, 2003) ont développé un système
de mesure de performance inter-dimensionnel basé sur une approche systémique qui intègre
l’approvisionnement, la logistique interne, la production, la logistique externe et la vente et
marketing en tant que processus clés pour la mesure de performance globale d’une chaine
logistique complexe. Les auteurs (Gunasekaran, Patel, & McGaughey, 2004) ont proposé un
cadre conceptuel basé sur les quatre processus principaux des chaines logistiques
(planification, approvisionnement, fabrication/ assemblage et livraison). Ce modèle a été testé
sur plusieurs périodes de temps par (Parkan & Wang, 2007) afin de mesurer l’efficience des
supply chain.
S’enregistrent également dans ce contexte systémique, les approches statistiques ainsi que les
méthodes de modélisation et de simulation mathématique et informatique puisque ce type
d’approches nécessite la réduction des données et la simplification des processus, le cas de la
théorie de contrôle et de la recherche opérationnelle, Pendant que la chaine logistique se
compose de plusieurs processus complexes générant une infinité de données.
Dans ce sens, (Smata, Tolba, Boudebous, Benmansour, & Boukachour, 2011) présentent les
réseaux de Petri comme solution pour concevoir, implémenter et gérer les chaînes logistiques.
D’un point de vue flux, il existe plusieurs similitudes entre le trafic routier et les chaînes
logistiques. Dans ce sens quelques travaux utilisant les réseaux de Petri pour modéliser et
analyser la performance des systèmes de production en tant que systèmes dynamiques à
événements discrets. Encore une fois, aucun des auteurs n’a pu modéliser la chaine logistique
dans sa globalité.
3.1.2 Approches basés sur les indicateurs clés de performance (KPI)

Nombreux auteurs (Cheyroux, 2003) ; (Razik, Radi, & Okar, 2016) n’entament même pas la
question concernant l’efficacité des indicateurs clés de performance (Key Performance
Indicators - KPI) vis-à-vis de la mesure de performance globale et enchainent des recherches
par divers outils d’analyse, de simulation ou de modélisation dans l’objectif de définir une
structure optimale d’indicateurs adaptée à chaque différente chaine logistique. La principale
démarche retenue pour accomplir ces mesures consiste en la déclinaison des objectifs
stratégiques en processus opérationnels mesurables par des indicateurs internes alignés à la
stratégie (SCOR, BSC, ABC). (Taticchi, Tonelli, & Cagnazzo, 2009) proposent un modèle

ISSN: 2665-7473
basé sur les méthodes mathématiques AHP et ANP en sélectionnant des indicateurs de
performance pour la prise de décision au sein des chaines logistiques.
Les auteurs (Lai, Ngai, & Cheng, 2004) ont catégorisé les mesures sur la base du modèle
initial du SCOR pour développer un système de mesure pour le secteur du transport en
analysant les attributs : confiance, réactivité, flexibilité et les coûts.
Plusieurs chercheurs ont couplé la méthode ECOGRAI au modèle BSC pour concevoir un
système de mesure de performance des chaines logistiques par KPI et ont testés le modèle
dans plusieurs secteurs. (Brewer, 2001), (Bhagwat & Sharma, 2007) et nombreux auteurs
proposent encore des systèmes de mesure de performance des chaines logistiques en se basant
sur la démarche du tableau de bord prospectif BSC. Bien que le choix de mesurer la
performance globale par des indicateurs internes reste à discuter, nombreuses méthodes ont le
mérite d’être citées pour avoir prouvé leur efficacité dans certains cas ayant permis aux
praticiens de détecter et résoudre certains défis logistiques et ont contribué à l’optimisation de
la performance globale de leurs chaines logistiques. Néanmoins, ces améliorations globales
enregistrées n’ont été évaluées encore une fois que par des indicateurs de performance
internes, les résultats ne sont par conséquents que relatifs.
3.1.3 Approches orientées fonctionnement de la chaine logistique

Face à la complexité et le recoupement de la majorité des chaines logistiques, les responsables
sont appelés à développer des mesures pour aligner la performance des processus
opérationnels clés entre les diverses entreprises de la chaine tout en veillant au bon
fonctionnement globale de la Supply Chain en tant que système productif mais surtout en tant
qu'un ensemble de relations. L'intégration de nouvelles mesures spécifiques au Supply Chain
comme le partage des bénéfices, le niveau d'intégration, le niveau de collaboration etc. est
devenu cruciale dans le management de la performance globale, d'où la naissance d'une
nouvelle génération des systèmes de mesure de performance des chaines logistiques (SMPCL)
prenant en compte les spécificités des Supply Chain.
Différents travaux de recherche ont démontré la contribution du SCOR à l'intégration interne

et externe à la fois horizontale et verticale reliant la stratégie à la transaction pour toute la
chaine (Paul & Laville, 2007). La littérature démontre que les récentes améliorations
apportées au modèle SCOR4.0 ont contribuées au développement et l'évolution du système de
mesure de performance des chaines logistiques en:

ISSN: 2665-7473
 Offrant un cadre conceptuel de tableau de bord consistant pour le développement de la

performance;
 Proposant une manière standard de concevoir la chaine logistique (cross-industry
standard);
 S'appropriant une orientation processus au lieu d'une orientation fonctionnelle;
 Proposant un référentiel de benchmarking entre diverses industries.
Aussi, les progiciels de gestion (ERP, CRM, BPM, SRM, etc.) sont conçus dans une
perspective de chaine logistique, mais il revient aux utilisateurs d’orienter leurs analyses vers
des mesures internes ou globales. (Maestrini, Martinez, Neely, Luzzini, Caniato, &
Maccarrone, 2018) se sont focalisé sur la relation directe client-fournisseur et proposent le
modèle RelReg (Relationships Regulator) comme outils CRM.
Dans le même sens, plusieurs travaux se basant sur les aspects qualitatifs des chaines
logistiques portant sur la coopération, la collaboration ou la coordination. C’est dans ce sens
que sont orientés les travaux de (Hieber, 2002) et (Bititci, Mendibil, Martinez, & Albores,
2005) pour la conception de modèles de mesure de la performance collaborative. Citons les
travaux de (Mounir & Gouiferda, 2020) portés sur la collaboration et l’importance de
l’échange d’information dans les secteurs pharmaceutique et industriel au Maroc qui ont
aboutit à la conclusion de la nécessité de développer des mécanismes de communication et de
collaboration pour l’amélioration de la performance globale. Dans cette même logique, les
entreprises considèrent que la coordination et la collaboration de leur chaîne logistique sont
essentielles pour l’innovation profitable aux consommateurs (Cao & Zhang, 2010).
Par le biais d’étude de cas, (Dweekat, Hwang, & Park, 2017) ont pu démontré que l’Internet
des choses (Internet of Things – IoT) est réellement capable d’améliorer la mesure de
performance des chaines logistiques en favorisant la collection d’informations fiables en
temps réel et la communication au sein de la chaine. Les conclusions tirées par (Yadav, Garg,
& Luthra, 2020) confirment ce constat. Plusieurs travaux récents (Kamble & Gunasekaran,
2020) ; (Gawankar, Gunasekaran, & Kamble, 2020) et (Abdel-Basset, Manogaran, &
Mohamed, 2018) soulignent l’importance du Big-data et des block-chains dans la démarche
de conception et d’implémentation des systèmes intelligents de mesure de performance
globale, toutefois, il reste à confirmer la pertinence de l’intelligence artificielle et des
progiciels autonomes dans la prise de décision au sein des chaines logistiques.
Les pratiques du lean management sont des pratiques universelles applicables dans tout
secteur et pour chaque activité. Le lean management vise la réduction des gaspillages et des

ISSN: 2665-7473
temps à non valeur ajoutée tout au long de la chaine et propose également plusieurs outils à
cet effet.
3.2 Classification selon l’objectif de mesure

Figure 2: Classification des systèmes de mesure de
performance selon le niveau objectifs
Nous avons également
identifié à travers la littérature Niveau 3 : Aide à la prise
l’existence de 3 niveaux de décision
d’objectifs de mesure Niveau 2 : Détection des

anomalies
représentés par la figure
suivante: Niveau 1 : Benchmarking
et mesure des écarts
Source : Auteurs
3.2.1 Niveau 1: Benchmarking et mesure des écarts

Les outils de mesure comme ASLOG ou EVALOG produisent des informations qualitatives
sur l'état de la supply chain. Ces résultats fournissent certes une base de comparaison avec
d'autres chaines par-rapport au management, à la conception des projets, à la production, à
l'approvisionnement, à la livraison, aux ventes, au stockage, au retour et après-vente, à la
démarche de progrès permanente et au pilotage de la performance. Lorsque les objectifs de la
Supply Chain s'alignent avec les rubriques de ces outils de mesure, le manager peut mesurer
le niveau d'atteinte de ces objectifs grâce à ces outils de mesure de type questionnaire. De
même pour la démarche RelReg ou EVA, lorsque l'objectif de la chaine logistique consiste en
la création mutuelle de valeur ajoutée, ces outils (CRM / SRM) seront employés pour la
comparaison et la mesure des écarts de réalisation. Cependant, les outils du niveau 1 ne
permettent pas la détection des anomalies qui ralentissent le système, d'autant plus qu'ils ne
proposent pas non-plus les solutions pour l'amélioration et l'atténuation des
dysfonctionnements. Les approches basées sur les KPI figurent également tous dans cette
rubrique, puisque la sélection d’un paquet d’indicateurs à mesurer ne permet pas de suivre le
fonctionnement global des attributs de la chaine. Ces approches permettent de comparer
différents résultats dans le temps mais ne conduisent pas à la détection des anomalies.
A l'exception du modèle SCOR4.0 et du lean management, les approches orientées processus

s'enregistrent également dans cette rubrique, ne concernant que certains processus particuliers
(finance, production, distribution, etc.), la vision systémique ne peut pas contribuer à la

ISSN: 2665-7473
détection des problèmes. De même, les approches de mesure des aspects qualitatifs des
chaines logistiques (collaboration, coopération, maturité etc.) ne sont nullement destinées à la
détection des anomalies et ne sont que des outils comparatifs.
3.2.2 Niveau 2: Détection des anomalies

Les approches de modélisation et de simulation informatique et mathématique sont des outils
idéals pour la détection des anomalies ou la proposition de voies d’amélioration. Avec des
capacités d’analyse proactive et de simulation des évènements, ces outils sont justement
destinés à résoudre les problèmes de manière analytique ou graphique.
De par leur large éventail d’analyse, les ERP sont les outils privilégiés des professionnels
pour la détection des anomalies, combinant la collecte et l’analyse des données pour diverses
fins allant du benchmarking des activités jusqu’à l’aide à la prise de décision stratégique. De
même, les modèles basés sur les techniques du lean management sont répandus pour la
résolution des problèmes liés aux activités de la production et de la logistique.
3.2.3 Niveau 3: Outils décisionnels

En plus de fournir un outil de comparaison et de permettre la détection des anomalies dans les
systèmes, ces outils décisionnels poursuivent des démarches logiques pour assister les
dirigeants dans la prise de décision. Les systèmes d'information prétendent aujourd'hui avoir
la capacité d'assister la prise de décision grâce au Big-Data, à l'intelligence artificielle et aux
blocs-chains qui confèrent à la machine la capacité cognitive nécessaire pour comprendre et
interagir avec les situations à l'exemple de IBM Supply Chain et de certains ERP
sophistiqués. De même, le modèle SCOR4.0 est considéré un des outils décisionnels, En effet,
lorsque ce modèle est implémenté en alignement avec la stratégie il devient un puissant outil
décisionnel pour la chaine logistique.
4. Taxonomie
Le tableau 1 recense l’essentiel des méthodes et d’approches étudiés dans ce travail en
précisant les outils de mesure, la performance mesurée, le niveau d’objectif de mesure tout en
y rapportant les indicateurs (internes ou transversaux) déployés pour chaque système de
mesure de performance. Chacun des systèmes de mesures consultés propose un ou plusieurs
modèles d’analyse basés sur des indicateurs spécifiques et sur un ou plusieurs outils de
mesure (simulation, tableaux de bords, scores, etc.) permettant de mesurer le niveau de
performance actuel, potentiel et/ou le niveau de performance souhaité. Nous avons vu de

ISSN: 2665-7473
répartir l’ensemble des indicateurs internes en quatre catégories d’indicateurs proposés par
(Kaplan & Norton, 1996) (Processus interne, Relation client-fournisseur, Apprentissage et
Finance) qui synthétisent l’ensemble des indicateurs spécifiques à chaque organisation,
auxquels nous avons rajouté les indicateurs transversaux.
Tableau 1: Répartition des systèmes de mesure de performance.

Indicateurs
Relation client - fournisseur

Processus interne
Finance
Indicateurs transversaux
Apprentissage et innovation
Nombre d’articles
Niveau d’objectif
Système de meure de performance Performance mesurée Outils de mesure
Modélisation ; Simulation ;
Approches statistiques et analytiques Variables 2
Régression
SMP par
ABC Coûts par processus Comptabilité 1 17
processus
Maturité des processus Niveau de maturité Cycle de vie 1
Approches analytiques Variables Modélisation ; Simulation 2
SMP par ROF Indicateurs clés Tableau de bord 1

17
KPI BSC Indicateurs clés Tableau de bord équilibré 1
SCOR Indicateurs clés Tableau de bord équilibré 3
Progiciels de gestion Indicateurs clés Système d’information 3
Lean et agile Temps de non valeur ajoutée Modélisation 2
SMP par Technologies de l’information Atteinte d’objectif Système d’information 3

indicateurs Etat des profits et des 8
transversaux EVA Relation client - fournisseur 1
pertes
RelReg Relation client - fournisseur Etat collaboratif 1
ASLOG Performance qualitative Questionnaire 1
Source : Auteurs
Notons que les indicateurs les plus employés sont ceux liés aux processus internes, à la
relation client-fournisseur et à la finance, avec respectivement 77%, 70% et 70% des
approches. Les indicateurs liés à l’apprentissage et l’innovation ne sont considérés que par
38% des approches développés, et il en est de même pour les indicateurs transversaux.
Le choix des indicateurs revient à définir explicitement la performance à mesurée et il revient
au chercheur ou manager de choisir les approches et les outils par lesquels ces mesures
doivent être réalisées. Pour cela, le tableau 2 propose une classification des 42 articles selon la
méthodologie de conception (théorique ou empirique) et selon la méthodologie de mesure
adoptée (modélisation et simulation mathématique et informatique ; méthodes SCOR et BSC ;

ISSN: 2665-7473
lean et agile management ; méthodes statistiques ; approches collaboratives et qualitatives ;

technologies d’information ; approches orientées relation client – fournisseur).
Tableau 2: Classification des travaux selon la méthodologie de conception et selon la

méthodologie de mesure
Relation client
l’information
Modélisation
Technologies
et simulation
SCOR / BSC
- fournisseur
Lean et agile
qualitatives
statistiques
Approches
Méthodes
Méthodes
Total
de
Modèles empiriques 4 6 0 4 1 3 0 18
Modèles théoriques 10 3 3 0 5 2 2 25
Total 14 9 3 4 6 5 2 43
Source : Auteurs
Le tableau 2 énumère le nombre de fois que chaque méthode est utilisée. Sur 42 articles, un
seul article propose l’application simultanée de deux méthodes de mesure, à savoir la méthode
SCOR4.0 et les technologies d’information (précisément : Internet des objets - IoT), d’où la
somme de 43 approches employées pour 42 articles.
Remarquons également l’abscence de modèles théoriques basées sur les méthodes statistiques
ainsi que l’abscence de modèle empiriques basés sur le lean management et sur la relation
client – fournisseur. A partir de cette remarque, nous vons vu intéressant de vérifier la validité
de ces observations. Pour cela, nous avons lancé des recherches sur la base de données Scopus
avec les mots clés spécifiques, les recherches retournaient très peu de résultats dont le rapport
avec le sujet est confu. Ce qui nous a amené a confirmé le fait de la rareté de ces types de
recherches au niveau académique.
A partir de ces tableaux on présente sur la figure 3 la distribution des démarches théoriques et
empiriques par rapport aux 7 méthodologies de mesure recensées. Notons que les méthodes
de simulation et de modélisation mathématique et informatique sont les approches les plus
courantes parmi les articles sélectionnés avec un pourcentage de 31% des articles, suivis des
méthodes SCOR et BSC (22,5%), suivis des technologies d’information (13%), suivis des
approches qualitatives (12,5%).

ISSN: 2665-7473
Figure 3: Répartition des approches théoriques et empiriques sur les

méthodologie de mesure
Source : Auteurs
La distribution des outils de mesure adoptés par les systèmes de mesure de performance dans
le temps est représenté en Annexes. Notons que la modélisation et la simulation
mathématiques et informatiques constituent les outils les plus employés pour la mesure de
performance et domine les autres outils durant la période 1997-2014, mais à partir de l’année
2015, on apercçoit une nette mouvance vers les technologies de l’information, notamment
vers l’IoT (ou Inernet des Choses) et le Big-data. Les outils basés sur le lean management (3),
la relation client-fournisseur (2), les méthodes statistiques (3) sont peu employés parmi les
articles traités (42).
5. Limites des SMPCL

Malgré les avancés technologiques (EL GADROURI, 2020), la richesse de la littérature
scientifique et la multiplicité des systèmes de mesure de la performance globale développés,
nous pouvons avancer à partir de cette revue de littérature qu’une majeure partie des
problématiques énoncés depuis l’apparition du concept de Supply Chain Management
demeurent à nos jours non résolue. Nous avons constaté plusieurs exemples soutenant cette
affirmation où l’on fait référence par exemple à la non-transversalité des mesures (Neely,
Mills, Platts, Richards, Gregory, & Bourne, 1996) ; (Gunasekaran, Patel, & McGaughey,
2004), au problème du partage équitable des bénéfices (Maestrini et al., 2018), au partage
d’informations pertinentes, à la pertinence du choix des indicateurs (Cai, Liu, Xiao, & Liu,
2009), aux problèmes de collaboration (Mounir & Gouiferda, 2020), etc.
Les auteurs (Neely et al., 1996) avancent que les travaux menés à leur jour fournissent
différentes perspective de la mesure de performance mais ne permettant pas de comparer

ISSN: 2665-7473
différentes activités. Aussi, les SMP ne précisent jamais aux entreprises ce qui doit être
mesuré, et ne proposent aucun mécanisme pour la définition des objectifs à atteindre
(Ghalayini & Noble, 1996). Cette remarque est encore d’actualité, notamment pour les
approches de mesure basées sur les KPI, car la sélection des indicateurs clés de performance
n’est pas aussi facile qu’elle y parait et même à l’aide des progiciels informatique (ERP,
SRM, CRM, etc.) le manager doit sélectionner une vingtaine d’indicateurs parmi les milliers
d’indicateurs que proposent ces progiciels. Alors comment différencier les indicateurs
pertinents des simples ratios insignifiants (Gunasekaran et al., 2004)? Comment s’assurer que
les indicateurs choisis sont représentatifs (Cai et al., 2009)? Comment s’assurer que
l’amélioration de ces indicateurs mène à la performance ? Comment choisir un kit
d’indicateurs équilibrés entre le court et le long terme et entre le financier et le non-financier ?
Toutes ces questions demeurent suspendues lors de la conception et l’implémentation des
systèmes de mesure de la performance globale basés sur les KPI. D'un autre côté, les SMPCL
par KPI subissent de nombreuses critiques vis-à-vis de leur obsolescence pour les mesures de
performance de la globalité de la chaine, puisque ces systèmes ne couvrent le plus souvent
qu’une partie de la chaine logistique et proposent des mesures spécifiques et différentes d’un
secteur d’activité à un autre.
De par leur définition, les SMPCL par processus sont conçus pour se focaliser sur uniquement
un seul maillon ou un seul processus de la chaine mesurant son temps de cycle, son taux
d’exécution, sa réactivité, son taux de déchets, sa ponctualité ou d’autres indicateurs internes
qui ne se substituent pas à des mesures générales comme précédemment démontré par
(Gilmour, 1999). D’ailleurs, les approches de modélisation/simulation qui sont le plus souvent
employer pour la mesure de performance des processus ne peut jamais reproduire exactement
la même configuration du système d'origine et nécessite l’introduction d’une grande quantité
de variables pour la modélisation des systèmes complexes, d’où le plus souvent on recoure à
des simplifications et à des approximations qui rendent le modèle théorique différent du
système réel. Ainsi, les travaux présentés ne fournissent que des visions partielles de la chaine
logistique, tels que « le système d’évaluation des fournisseurs », « la mesure de performance
de la relation client-fournisseur » ou « l’évaluation des processus interentreprises». Nous
avons remarqué également que la plupart des travaux orientés chaine logistique ne
s’intéressent finalement qu’aux relations directes client-fournisseur et ne les dépassent jamais
pour inclure d’autres tiers du réseau comme le client du client ou le fournisseur du
fournisseur.

ISSN: 2665-7473
Il est aussi particulièrement intéressant de constater à partir de la littérature autour de la

mesure de performance qu’une grande majorité des démarches SMPCL prêtent une attention
particulière aux indicateurs internes, notamment à la rotation des stocks le long de la chaine.
Les auteurs (Lambert & Pohlen, 2002) citent une dizaine de recherches axées principalement
sur la rotation des stocks comme indicateur prépondérant dans leur mesure de performance
des chaines logistiques. Ils avancent les mêmes critiques lancés par (Beamon, 1999) qui
affirme que la mesure de performance ne peut être mesurée uniquement à partir d'indicateurs
internes. Ceci-dit, la rotation des stocks présente de nombreuses lacunes qui suffisent à
l’écarter des options possibles pour la mesure de performance globale. Les résultats avancés
par (Lapide, 2000) stipulent que de plus en plus que les stocks remontent en amont de la
chaine, de plus en plus les coûts de possession des stocks diminuent pour toute la chaine
logistique. Cette règle acceptée généralement a été démenti en trois points par (Lambert &
Pohlen, 2002) qui expliquent premièrement que : plus le stock se rapproche du détaillant plus
sa valeur augmente, par conséquent, l’augmentation de la rotation des stocks par le
distributeur aura un effet beaucoup plus sensible sur la performance de la chaine qu’une
amélioration de la rotation des stocks de la part du premier fournisseur. Deuxièmement, ils
expliquent que la nature des stocks diffère d'un maillon à l'autre, puisqu'elle subit
constamment des transformations ce qui implique des procédés de stockage et des coûts
différents, et enfin le rythme de rotation ne tient pas compte des risques et de l’éclatement des
stocks de matières premières auprès des premiers fournisseurs qui possèdent des stocks qui
servent pour plusieurs produits et plusieurs clients, d’où la difficulté à déterminer l’effet de la
variabilité des stocks en aval sur les fournisseurs. Considérer le coût global de possession des
stocks le long de la chaine serait finalement plus approprié que de mesurer la rotation des
stocks pour chaque maillon (Douglas, Lambert, & James, 2001).
Dans un autre contexte, lorsque la mesure de performance au sein des chaines logistiques se
base principalement sur la fiabilité et la rapidité des livraisons, les acteurs de la chaine tendent
à augmenter leurs stocks (Spath, Lanza, & Herm, 2001). Ce qui n'est pas sans conséquences
sur la performance globale. Les prévisions ainsi que la planification de la production pour
chaque maillon doit se faire en concertation avec les parties prenantes, car seule la
décentralisation de la planification peut assurer la stabilité des niveaux de stocks et des
prévisions. Le mieux serait de déléguer la planification de production à la distribution qui
maîtrise les prévisions de la demande finale. Nombreux auteurs proposent la décentralisation
des prévisions à une quatrième partie logistique 4PL, toutefois, cette solution nécessite une

ISSN: 2665-7473
organisation supplémentaire à la marge de la chaine logistique avec des agents, des

ressources, des coûts et des délais supplémentaires.
Par ailleurs, malgré la contribution considérable de la méthode BSC (Balanced Scorecard) et

l’intérêt qu’elle apporte aux entreprises, cette méthode présente de nombreuses lacunes, dont
on cite principalement sa non adaptation au niveau opérationnel et l’absence de la vision
réseau. Aujourd'hui encore, plusieurs entreprises utilisant le modèle SCOR approuvent ne pas
avoir réussi à améliorer le potentiel de leurs chaines logistiques réciproques. Pour
(Gunasekaran et al., 2004) ceci est principalement dû au fait de n'avoir pas réussi à
développer les mesures et les indicateurs appropriés. (Gunasekaran et al., 2004) identifient les
problèmes suivants comme principaux facteurs d'échec à maximiser l'efficacité et l'efficience
des chaines logistiques:
 Echec à fournir un tableau de bord équilibré entre indicateurs financiers et

opérationnels;
 La plus grande importance est accordée aux mesures financières;
 L'abondance d'informations rend difficile l'identification des indicateurs les plus
pertinents;
 Indicateurs incomplets et inconsistants;
 Echec à aligner les mesures avec la stratégie;
 Dominance des indicateurs internes.
Conclusion
Ce papier représente une revue de la littérature des méthodes et des systèmes de mesure de
performance des chaines logistiques développés par la recherche scientifique, en rapportant
leurs démarches, leurs niveaux de mesure, les indicateurs mis en jeu, la performance mesurée
par chacune de ces approches ainsi que d’autres caractéristiques à partir desquels plusieurs
classifications sont proposées.
L’analyse taxonomie de ces modèles laissa immerger les problématiques majeures de la

mesure de la performance des chaines logistiques ainsi que de nombreuses observations
pertinentes à propos de l’emploi des systèmes de mesure de la performance globale, les
tendances, les approches les plus employées et les champs de recherche les moins explorés.
Malgré les avancés technologiques en la matière, la richesse de la littérature scientifique et la

multiplicité des systèmes de mesure de la performance globale développés, nous pouvons
avancer à partir de cette revue de littérature qu’une majeure partie des problématiques

ISSN: 2665-7473
énoncés depuis l’apparition du concept de Supply Chain Management demeure à nos jours
non résolue. Nous avons constaté plusieurs exemples soutenant cette affirmation où l’on fait
référence par exemple à la non-transversalité des mesures, au problème du partage équitable
des bénéfices, au partage d’informations pertinentes, à la pertinence du choix des indicateurs
et aux problèmes de collaboration.
Notons que cette recherche ne s’est basée que sur une faible quantité d’articles en
comparaison avec la production scientifique dans le domaine, chose qui peut affecter la
précision de nos résultats lors d’une extrapolation de ces derniers.
Au terme de cette revue documentaire nous proposons en 4 axes des recommandations pour la
recherche scientifique autour de la conception des systèmes de mesure de performance des
chaines logistiques :
 Considérer d’avantage le contexte dynamique des chaines logistiques durant le

développement des modèles ;
 Validation des modèles développés jusqu’à aujourd’hui pour éviter les retombés de
l’usage de faux modèles tant au niveau académique que professionnel ;
 Proposer des modèles de mesure de performance permettant le benchmarking de
différentes entités ;
 Le besoin de développer des mesures interdisciplinaires et intersectorielles.
En synthèse, la mesure de performance des chaines logistique est un sujet fertile. Les attentes
des praticiens derrière le management des chaines logistiques ne sont que partiellement
satisfaites, et l’idée de pouvoir mesurer la performance globale de tout un réseau logistique
semble de plus en plus être abandonnée par les chercheurs au profit d’approches empiriques
dont le champs d’application est restreint, voire, limité aux applications spécifiques pour
lesquels ils sont conçus. Alors que l’essence même du management des chaines logistiques
réside dans sa transversalité et le management de cette transversalité.

ISSN: 2665-7473
ANNEXES
Liste des 42 articles traitant la conception de systèmes de mesure de la performance des
chaines logistiques
Orient
Outil de ation
Méthodologie de Performance
Auteurs (année) mesure de de
conception mesurée
performance l’appro
che
Performance
(Motowidlo & Van Recherche en Process
Modèle empirique contextuelle et
Scotter, 1994) psychologie us
opérationnelle
(Kaplan & Norton, 1996) Modèle empirique Méthode BSC Indicateurs clés KPI
Paramètres
invariables;
Consommation;
(Parunak, Savit, Riolo, & Simulation
Modèle théorique Production; KPI
Clarck, 1997) analytique
Prévisions;
Algorithmes;
Fournisseurs
Performance du Utilisation;
(Kiefer & Novack, 1999) Modèle empirique management des Productivité; KPI
stocks efficacité
(Perea, Grossmann,
Flux d'information; Process
Ydstie, & Tahmassebi, Modèle empirique Modélisation
Flux de matériel us
2000)
Commandes,
Ressources,
(Spath, Lanza, & Herm, Process
Modèle théorique Réseau de Petri Interférences,
2001) us
Contraintes,
Objectifs,
(Brewer, 2001) Modèle empirique Méthode BSC Financiers KPi
Structure;
(Kueng, Meier, &
Modèle théorique Par ingénierie Technologie; KPI
Wettstein, 2001)
Humains
Chaine
Performance Collaboration;
(Hieber, 2002) Modèle théorique logistiq
collaborative Coopération; Réseau
ue
Chaine
Etat des profits
(Lambert & Pohlen, 2002) Modèle théorique Financiers logistiq
et des pertes
ue
Recherche en Performance des Process
(Sonnentag & Frese, 2002) Modèle théorique
psychologie individus us

ISSN: 2665-7473
Objectifs; Stratégie;
(Chan, Qi, Chan, Lau, & Méthode Process
Modèle théorique Influence mutuelle;
Ip, 2003) mathématique us
Partenaires
Performance des Process
(Chan & Qi, 2003) Modèle théorique Modélisation
activités us
Planification;
(Gunasekaran, Patel, & Approvisionnement; Process
Modèle empirique Modèle SCOR
McGaughey, 2004) Fabrication; us
Distribution
(Lai, Ngai, & Cheng,
Modèle empirique Modélisation Coûts, Services KPI
2004)
Planification;
(Lockamy & McCormack, Approvisionnement;
Modèle théorique Modèle SCOR KPI
2004) Fabrication;
Distribution
(Lockamy & McCormack, Maturité des Process
Modèle empirique Modèle SCOR
2004) processus us
(Bititci, Mendibil,
Performance
Martinez, & Albores, Modèle empirique Indicateurs clés KPI
collaborative
2005)
Approches
(Burgess, Ong, & Shaw, équilibrées Age; Taille;
Modèle empirique KPI
2007) (SCOR, BSC, Actionnaires
etc.)
(Bhagwat & Sharma,
Modèle théorique Méthode BSC Indicateurs clés KPI
2007)
Simulation Process
(Parkan & Wang, 2007) Modèle théorique Indicateurs clés
analytique us
Six Sigma Process
(Yeh, Cheng, & Chi, 2007) Modèle théorique Indicateurs clés
(DMAIC) us
(Thierry, Thomas, & Bel, Simulation Process
Modèle théorique Flux matériel
2008) analytique us
Utilisation;
(Morana, 2008) Modèle empirique Méthode SCOR Productivité; KPI
efficacité
(Cai, Liu, Xiao, & Liu, Méthode
Modèle empirique Indicateurs clés KPI
2009) statistique
(Taticchi, Tonelli, & Méthode
Modèle théorique Indicateurs clés KPI
Cagnazzo, 2009) mathématique
(Mora-Monge, Caridi,
Etude
Crippa, Perego, Sianesi, & Modèle théorique Visibilité KPI
comparative
Tumino, 2010)
(Cigolini, Pero, & Rossi, Modèle théorique Simulation Automatique Process

ISSN: 2665-7473
2011) informatique us
Méthode
(Smata, Tolba, Boudebous,
mathématique Places et transitions Process
Benmansour, & Modèle théorique
(Réseau de (flux) us
Boukachour, 2011)
Petri)
Méthode Financiers
(Arif-Uz-Zaman & Ahsan,
Modèle théorique mathématique et (Réduction des KPI
2014)
Lean coûts)
Sensibilité du
marché; Pilotage
Chaine
d'information;
(Dayi & Mascle, 2015) Modèle théorique Lean et Agile logistiq
Flexibilité;
ue
Intégration des
processus
Performance et
Technologies de Process
(Boubker & Chafik, 2015) Modèle théorique maturité des
l'information us
processus
(Han, Wang, & Naim, Technologies de
Modèle théorique Flexibilité KPI
2017) l'information
Planification;
Technologies de Chaine
(Dweekat, Hwang, & Park, Approvisionnement;
Modèle empirique l'information logistiq
2017) Fabrication;
(IoT) ue
Distribution
(Abdel-Basset, Technologies de
Process
Manogaran, & Mohamed, Modèle théorique l'information Flux des matières
us
2018) (IoT)
Chaine
(Khan, Golpîra, & Zhang, Méthode Coûts; Impact sur
Modèle empirique logistiq
2018) statistiques l'environnement
ue
(Cherrafi, Garza-Reyes,
Kumar, Mishra, Méthode Chaine logistique Process
Modèle empirique
Ghobadian, & Elfezazi, mathématique verte us
2018)
Finance;
Opérationnel;
(Maestrini, Martinez, Relationships Planification; Chaine
Neely, Luzzini, Caniato, & Modèle théorique Regulator Echanges logistiq
Maccarrone, 2018) (RelReg) produits/services; ue
Capacité à
développer
Chaine
(Mokhtar, Genovese, Echelle de
Modèle empirique Logistique inverse logistiq
Brint, & Kumar, 2019) Likert
ue

ISSN: 2665-7473
Méthode
(Zimon, Madzik, & Process
Modèle empirique statistiques Satisfaction
Sroufe, 2019) us
(ANOVA)
Chaine
(Yadav, Garg, & Luthra, Modèle
Modèle théorique Indicateurs clés logistiq
2020) SCOR4.0 et IoT
ue
(Kamble & Gunasekaran,
Modèle théorique Big data Indicateurs clés KPI
2020)
Source : Auteurs

ISSN: 2665-7473
BIBLIOGRAPHIE
Abdel-Basset, M., Manogaran, G., & Mohamed, M. (2018). Internet of Things (IoT) and its
impact on supply chain: A framework for building smart, secure and efficient systems. Future
Generation Computer Systems, 86 , 614-628.
Arif-Uz-Zaman, K., & Ahsan, A. N. (2014). Lean supply chain performance measurement.
International Journal of Productivity and Performance Management .
Beamon, B. M. (1999). Measuring supply chain performance. International journal of

operations & production management .
Bhagwat, R., & Sharma, M. (2007). Performance measurement of supply chain management:
A balanced scorecard approach. Computers & industrial engineering, 53(1) , 43-62.
Bititci, U. S., Mendibil, K., Martinez, V., & Albores, P. (2005). Measuring and managing
performance in extended enterprises. International Journal of Operations & Production
Management .
Boubker, O., & Chafik, K. (2015, Décembre). Elaboration d'un modèle théorique d'évaluation
de la contribution de systèmes d'information logistiques à la performance et la maturité des
processus logistiques.
Brewer, P. C. (2001). Le tableau de bord prospectif, outil d’alignement des mesures de

performance de la chaîne logistique: l’exemple de Dell. Logistique & Management, 9(2) , 55-
62.
Burgess, T. F., Ong, T. S., & Shaw, N. E. (2007). Traditional or contemporary? The
prevalence of performance measurement system types. International Journal of Productivity
and Performance Management .
Cai, J., Liu, X., Xiao, Z., & Liu, J. (2009). Improving supply chain performance management:
A systematic approach to analyzing iterative KPI accomplishment, 46(2). Decision support
systems , 512-521.
Cao, M., & Zhang, Q. (2010). Supply chain collaborative advantage: A firm’s perspective.
International Journal of Production Economics, 128(1) , 358-367.

ISSN: 2665-7473
Chan, F. T., & Qi, H. J. (2003). Feasibility of performance measurement system for supply
chain: a process‐based approach and measures. Integrated manufacturing systems .
Chan, F. T., Qi, H. J., Chan, H., Lau, H. C., & Ip, R. W. (2003). A conceptual model of
performance measurement for supply chains. Management decision .
Cherrafi, A., Garza-Reyes, J. A., Kumar, V., Mishra, N., Ghobadian, A., & Elfezazi, S.
(2018). Lean, green practices and process innovation: A model for green supply chain
performance. International Journal of Production Economics, 206 , 79-92.
Cheyroux, L. (2003). Sur l'évaluation de performance des chaînes logistiques. Thèse de

doctorat.
Cigolini, R., Pero, M., & Rossi, T. (2011). An object-oriented simulation meta-model to
analyse supply chain performance. International journal of production research, 49(19) ,
5917-5941.
Dayi, O., & Mascle, C. (2015). Méthodologie d’amélioration leagile de la chaîne logistique.
11e CIGI2015–Congrès International de Génie Industriel. Québec, Canada.
Douglas, M., Lambert, & James, R. (2001). Strategic logistics management. Irwin: McGraw
Hill.
Dweekat, A. J., Hwang, G., & Park, J. (2017). A supply chain performance measurement
approach using the internet of things. Industrial Management & Data Systems .
EL GADROURI, R. (2020). Digital Supply Chain: Concepts, Emergence et Outils

Technologiques. International Journal of Management Sciences 3.4 .
Gawankar, S. A., Gunasekaran, A., & Kamble, S. (2020). A study on investments in the big
data-driven supply chain, performance measures and organisational performance in Indian
retail 4.0 context. International Journal of Production Research, 58(5) , 1574-1593.
Ghalayini, A. M., & Noble, J. S. (1996). The changing basis of performance measurement.
International journal of operations & production management .
Gilmour, P. (1999). A strategic audit framework to improve supply chain performance.

Journal of business & industrial marketing .

ISSN: 2665-7473
Gunasekaran, A., Patel, C., & McGaughey, R. E. (2004). A framework for supply chain
performance measurement. International journal of production economics, 87(3) , 333-347.
Han, J. H., Wang, Y., & Naim, M. (2017). Reconceptualization of information technology
flexibility for supply chain management: An empirical study. International Journal of
Production Economics, 187 , 196-215.
Hieber, R. (2002). Supply chain management: a collaborative performance measurement

approach. Vdf Hochschulverlag AG(12) .
Kamble, S. S., & Gunasekaran, A. (2020). Big data-driven supply chain performance
measurement system: a review and framework for implementation. International Journal of
Production Research, 58(1) , 65-86.
Kaplan, R. S., & Norton, D. P. (1996). The Balanced Scorecard: Translating strategy into
action. Boston, Massachusetts.: Harvard Business School Press.
Khan, S. A., Golpîra, H., & Zhang, Y. U. (2018). The importance of advanced information
technology and green vehicles in supply chain management. DEStech Transactions on
Computer Science and Engineering, (ccme) .
Kiefer, A. W., & Novack, R. A. (1999). An empirical analysis of warehouse measurement

systems in the context of supply chain implementation. Transportation Journal, 38(3) , 18-27.
Kueng, P., Meier, A., & Wettstein, T. (2001). Performance measurement systems must be
engineered. Communications of the Association for Information Systems, 7(1) , 3.
Lai, K. H., Ngai, E. W., & Cheng, T. C. (2004). An empirical study of supply chain
performance in transport logistics. International journal of Production economics, 87(3) ,
321-331.
Lambert, D. M., & Pohlen, T. L. (2002). Mesurer la performance globale de la chaîne

logistique. Logistique & Management, 10(1) , 3-20.
Lapide, L. (2000). What about measuring supply chain performance. Achieving Supply Chain
Excellence Through Technology 2(2) , 287-297.

ISSN: 2665-7473
Lockamy, A., & McCormack, K. (2004). Linking SCOR planning practices to supply chain
performance. International journal of operations & production management .
Lockamy, A., & McCormack, K. (2004). The development of a supply chain management
process maturity model using the concepts of business process orientation. Supply Chain
Management: An International Journal .
Maestrini, V., Martinez, V., Neely, A., Luzzini, D., Caniato, F., & Maccarrone, P. (2018). The
relationship regulator: a buyer-supplier collaborative performance measurement system.
International Journal of Operations & Production Management .
McCormack, K. P., & Johnson, W. C. (2002). Supply chain networks and business process
orientation: advanced strategies and best practices. CRC Press .
Mokhtar, A. R., Genovese, A., Brint, A., & Kumar, N. (2019). Improving reverse supply
chain performance: The role of supply chain leadership and governance mechanisms. Journal
of Cleaner Production, 216 , 42-55.
Mora-Monge, C. A., Caridi, M., Crippa, L., Perego, A., Sianesi, A., & Tumino, A. (2010).
Measuring visibility to improve supply chain performance: a quantitative approach.
Benchmarking: An International Journal .
Morana, J. (2008). L’utilisation d’indicateurs logistiques: une étude exploratoire via le modèle
SCOR. Logistique & Management, 16(2) , 31-44.
Motowidlo, S. J., & Van Scotter, J. R. (1994). Evidence that task performance should be
distinguished from contextual performance. Journal of Applied psychology, 79(4) , 475.
Mounir, Y., & Gouiferda, F. (2020). Pratiques de collaboration dans la chaîne logistique
industrielle. International Journal of Management Sciences, 3(2) .
Neely, A. D., Mills, J. F., Platts, K. W., Richards, A. H., Gregory, M. J., & Bourne, M. C.
(1996). Developing and testing a process for performance measurement system design.
Manufacturing Strategy, Operations Strategy in a Global Context, 3 , 471-476.
Parkan, C., & Wang, J. (2007). Gauging the performance of a supply chain. International
Journal of Productivity and Quality Management, 2(2) , 141-176.

ISSN: 2665-7473
Parunak, H. V., Savit, R., Riolo, R. L., & Clarck, S. J. (1997). DASCh: Dynamic analysis of
supply chains.
Paul, J., & Laville, J. J. (2007). Le modèle SCOR: vecteur d’excellence de la Supply Chain.
Supply Chain Magazine , 96-98.
Perea, E., Grossmann, I., Ydstie, E., & Tahmassebi, T. (2000). Dynamic modeling and
classical control theory for supply chain management. . Computers & Chemical Engineering,
24(2-7) , 11433-1149.
Razik, M., Radi, B., & Okar, C. (2016). Vers un outil d’aide à la décision multicritères pour la
sélection de la localisation des entrepôts logistiques adapté au contexte marocain.
Smata, N., Tolba, C., Boudebous, D., Benmansour, S., & Boukachour, J. (2011).
Modelisation de la chaine logistique en utilisant les reseaux de Petri continus. In 9e Congres
International de Genie Industriel.
Sonnentag, S., & Frese, M. (2002). Performance concepts and performance theory.
Psychological management of individual performance, 23(1) , 3-25.
Spath, D., Lanza, G., & Herm, M. (2001). Multi Agent Systems for Multi Enterprise
Scheduling. In International Conference on Programming Languages for Manufacturing, (pp.
475-485). Springer, Boston, MA.
Taticchi, P., Tonelli, F., & Cagnazzo, L. (2009). A decomposition and hierarchical approach
for business performance measurement and management. Measuring Business Excellence .
Thierry, C., Thomas, A., & Bel, G. (2008). Simulation for supply Chain management: An
Overview. ISTE Ltd and John Wiley and Sons Inc.
Yadav, S., Garg, D., & Luthra, S. (2020). Development of IoT based data-driven agriculture
supply chain performance measurement framework. Journal of Enterprise Information
Management .
Yeh, D. Y., Cheng, C. H., & Chi, M. L. (2007). A modified two-tuple FLC model for
evaluating the performance of SCM: By the Six Sigma DMAIC process. Applied Soft
Computing, 7(3) , 1027-1034.

ISSN: 2665-7473
Zimon, D., Madzik, P., & Sroufe, R. (2019). Management systems and improving supply
chain processes. International Journal of Retail & Distribution Management .

629-Article Text-2291-1-10-20210524

Transféré par

Droits d'auteur :

Formats disponibles

629-Article Text-2291-1-10-20210524

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

629-Article Text-2291-1-10-20210524

Transféré par

Droits d'auteur :

Formats disponibles

Revue Internationale des Sciences de Gestion

De la mesure de performance des chaines logistiques –

On measuring supply chain performance –

Date de soumission : 28/03/2021

Revue ISG www.revue-isg.com Page 1187

Depuis l'apparition du concept « chaine logistique » ou « supply chain » ou « chaine

Mots-clés : Performance ; Chaines logistiques ; Indicateurs ; Systèmes de mesure, métriques.

Keywords: Performance; Supply chains; Indicators; Measuring systems; Metrics.

Revue ISG www.revue-isg.com Page 1188

Aujourd’hui le problème majeur du management des chaines logistiques consiste en la mesure

Revue ISG www.revue-isg.com Page 1189

Collecte des articles avec les mots-clés :

Sélection des articles dont l’objet de recherche :

La conception de système de mesure de la performance des

Déduire l’état de l’art : les tendances de la recherche dans le

Déduire les limites des systèmes de mesure de performance

Revue ISG www.revue-isg.com Page 1190

2. La performance des chaines logistiques

Techniquement, la structure d'une chaine logistique s'apparente à la structure classique d'une

Le concept de chaine logistique et la philosophie qui en découle incombe aux managers de

Revue ISG www.revue-isg.com Page 1191

3. Classification des approches

3.1 Classification selon l’orientation

3.1.1 Approches orientés processus

Du fait de la prépondérance de la dimension opérationnelle dans les chaines logistiques,

Revue ISG www.revue-isg.com Page 1192

3.1.2 Approches basés sur les indicateurs clés de performance (KPI)

Revue ISG www.revue-isg.com Page 1193

3.1.3 Approches orientées fonctionnement de la chaine logistique

Différents travaux de recherche ont démontré la contribution du SCOR à l'intégration interne

Revue ISG www.revue-isg.com Page 1194

 Offrant un cadre conceptuel de tableau de bord consistant pour le développement de la

Revue ISG www.revue-isg.com Page 1195

3.2 Classification selon l’objectif de mesure

d’objectifs de mesure Niveau 2 : Détection des

3.2.1 Niveau 1: Benchmarking et mesure des écarts

A l'exception du modèle SCOR4.0 et du lean management, les approches orientées processus

Revue ISG www.revue-isg.com Page 1196

3.2.2 Niveau 2: Détection des anomalies

3.2.3 Niveau 3: Outils décisionnels

Revue ISG www.revue-isg.com Page 1197

Tableau 1: Répartition des systèmes de mesure de performance.

Relation client - fournisseur

SMP par ROF Indicateurs clés Tableau de bord 1

SMP par Technologies de l’information Atteinte d’objectif Système d’information 3

ASLOG Performance qualitative Questionnaire 1

Revue ISG www.revue-isg.com Page 1198

lean et agile management ; méthodes statistiques ; approches collaboratives et qualitatives ;

Tableau 2: Classification des travaux selon la méthodologie de conception et selon la

Revue ISG www.revue-isg.com Page 1199

Figure 3: Répartition des approches théoriques et empiriques sur les

5. Limites des SMPCL

Revue ISG www.revue-isg.com Page 1200

Revue ISG www.revue-isg.com Page 1201

Il est aussi particulièrement intéressant de constater à partir de la littérature autour de la

Revue ISG www.revue-isg.com Page 1202

organisation supplémentaire à la marge de la chaine logistique avec des agents, des

Par ailleurs, malgré la contribution considérable de la méthode BSC (Balanced Scorecard) et

 Echec à fournir un tableau de bord équilibré entre indicateurs financiers et

L’analyse taxonomie de ces modèles laissa immerger les problématiques majeures de la