4 présentations

• 
  15h30 - 15h55

  Gestion de la demande dans l'industrie du bois d’œuvre

  • Maha Ben Ali, prés., Consortium de recherche FORAC , Université Laval
  • Sophie D'Amours, Consortium de recherche FORAC, Université Laval
  • Jonathan Gaudreault, FORAC Research Consortium, Université Laval

  Pour saisir les opportunités offertes par le marché du bois d’œuvre, on propose de formuler le problème de vente comme un système de décision intégrant tactiquement la planification des ventes et des opérations, permettant de considérer la saisonnalité, et opérationnellement une promesse de livraison basée sur la gestion de revenu.

• 
  15h55 - 16h20

  Integrated Tactical Planning in the Lumber Supply Chains

  • Omid Sanei Bajgiran, prés., Concordia University
  • Masoumeh Kazemi Zanjani, Concordia University
  • Mustapha Nourelfath, Université Laval

  As the first contribution in the literature, we investigate integrated tactical planning in a lumber supply chain. The proposed model coordinates harvesting, wood procurement, production, distribution, and sale activities, so as to minimize the cost of the supply chain. The integrated model is also compared with the decoupled entity models.

• 
  16h20 - 16h45

  Proposition d'un modèle pour sélectionner les fournisseurs par les variables environnementales et sociales sans perdre l'efficacité

  • Breno Carmo, prés., Universidade Federal Rural do Semi Árido

  Les variables sociales, environnementales et financières devront être transposées pour tous les fournisseurs d’une supply chain par le processus de production considéré durable. Pour joindre ensemble ces variables, cet article propose un modèle avec deux méthodologies (optimisation et MCDA) pour faire cette transposition.

• 
  16h45 - 17h10

  Using Robust Optimization and Stochastic Programming to Solve a Value Chain Problem under Uncertainty

  • Mikael Rönnqvist, prés., Université Laval
  • Patruk Flisberg, The Forestry Research Institute of Sweden

  We study a value chain problem with uncertainty in the product demand over many time periods. We describe a solution approach where we first make a forecast of the demand based on historical data. Second, we use both robust optimization and stochastic programming to develop efficient solution methods. We test the approach on a set of well known instances.