Vers un Outil d aide à la gestion des risques dans les chaînes logistiques : les bases conceptuelles

Vers un Outil d aide à la gestion des risques dans les chaînes logistiques : les bases conceptuelles PIERRE DAVID 1, GÜLGÜN ALPAN 1,DELARA SALEH EBRAHIMI 1 1 Grenoble-INP / UJF-Grenoble 1 / CNRS, G-SCOP UMR5272 Grenoble F-38031, France pierre.david@grenoble-inp.fr Gulgun.alpan-gaujal@grenoble-inp.fr Résumé Dans le contexte actuel d internationalisation des entreprises et des relations clients-fournisseurs, la maîtrise de la chaîne logistique devient un enjeu primordial pour la performance globale de l entreprise. Les variations, bien souvent imprévisibles, de l environnement des relations commerciales entre partenaires font naître un besoin croissant d analyse et de maîtrise des risques relatifs à ces systèmes complexes. Dans le cadre d un projet de mise en place d un outil d aide à l analyse de risque dans les chaînes logistiques, nous proposons une classification et une modélisation des risques présents dans les chaînes logistiques. Ce travail permet de fournir des bases conceptuelles solides pour la création du futur outil et de ses méthodes associées. Nous proposons dans cet article une classification des acteurs de la chaîne logistique, accompagnée d un focus sur les relations entre partenaires. Une classification des risques potentiels de la chaîne logistique est également proposée à partir des résultats d une analyse bibliographique poussée. Le lien entre la modélisation des acteurs et celle des risques potentiels est alors proposé. Ceci permet de fournir un métamodèle cohérent des concepts nécessaires à la représentation des risques dans les chaines logistiques, pouvant fournir une base solide à la mise en place d un outil de simulation et d analyse. Abstract In the current highly globalized context, the relationship and dependencies between companies tend to be even more complex. The efficient management of the supply chain becomes a key factor of the global performance of companies. The unexpected variations and threats existing in such environments require deeper analysis. To the best of our knowledge, no "handy" risk analysis tools exist for supply chain managers. The aim of this article is to provide a meta-model of such a tool. We provide in this article a classification of the actors of supply chains with a focus on the flows exchanged between partners. A classification of potential risks is the connected to this first metamodel. Both classifications are built on a strong literature study based on articles covering supply chain modeling and risk management in supply chains. The obtained metamodel proposes in a coherent manner all the concepts needed to develop a tool for risk analysis and simulation in supply chains. Mots clés Analyse des risques, chaînes logistiques, métamodélisation, SysML. Keywords Risk Analysis, Supply Chain, Metamodel, SysML. 1 INTRODUCTION Un des principaux problèmes auquel sont actuellement confrontés les organisations industrielles sont la gestion des ruptures dans leur chaîne logistique [Stock, 2009]. La plupart des secteurs sont confrontés à une intensification de la concurrence et à une intensification de la mondialisation de leurs activités, qui combinés à un raccourcissement des temps de mise sur le marché conduisent à une exposition plus importante de la chaîne logistique (CL) aux risques. Ces risques ne sont pas cantonnés aux seules ruptures induites par les accidents ou autres catastrophes naturelles. Les perturbations journalières que peuvent subir ou induire les clients, les fournisseurs ou les infrastructures du réseaux peuvent avoir des conséquences très importantes sur l équilibre de la CL [Thun and Hoenig, 2011]. Une étude conduite par the Economist Intelligence Unit en 2009 indique que 62% des entreprises interrogées estiment que la non fiabilité des futures commandes est une des causes les plus importantes de perturbation de leur CL. 59% des sondés estiment avoir déjà été impactés par des fluctuations des taux de changes et plus de la moitié ont rapporté avoir eu des difficultés suite à des augmentations brutales des coûts de leurs fournisseurs ou par des variations brusques des coûts de l énergie. Enfin un tiers des interrogés s est déclaré avoir été victime de défauts de paiement d un de leur client [The Economist Intelligence Unit, 2009]. Ces études soulignent le caractère fortement hétérogène des éléments à prendre en compte en termes d analyse des risques dans la CL. De ce fait, le management des risques dans la CL est considéré comme une analyse complexe où les risques individuels sont très souvent interconnectés et pour lesquels les mesures de contrôle d un point peu souvent impacter négativement un autre aspect de l équilibre [Chopra and Sodhi, 2004]. De plus, comme les CL tendent à se complexifier en intégrants de plus nombreux partenaires, la vulnérabilité de l ensemble du réseau devient plus sujette aux effets domino toujours plus difficiles à analyser [Pfohl et al., 2010]. Les mêmes auteurs ont montré le consensus des chercheurs sur le fait que l analyse systématique des risques aussi bien interne qu externe devient un enjeu de réussite important nécessitant un management partagé entre tous les acteurs du réseau. De plus, [Mason-jones and Towill, 1998, 2000] ont mis en évidence le besoin de comprendre le comportement global du

système CL. Ils ont proposé comme moyen de réduire les «zones d incertitude», le développement de moyens d obtention de données fiables sur l ensemble du marché et la réalisation de Système d Aide à la Décision (SAD). Le but de nos travaux est de répondre à ce besoin d aide à l analyse et la décision dans les chaînes logistiques complexes, exposées structurellement à de multiples risques. Le but est de fournir un soutient lors des différentes phases de l analyse du risque, du recensement des menaces, jusqu à la quantification des scénarios retenus. Pour cela il faudra apporter des solutions en termes d élicitation des connaissances sur la chaîne, en termes de proposition et d évaluation de politiques de gestion et de mise en évidence et quantification d un ensemble très variés de risque. Pour réaliser cela, les principes que nous utilisons sont le développement de modèles de simulation de chaînes logistiques, s appuyant sur les techniques de l Ingénierie Basée sur les Modèles et notamment la définition de taxonomies saines et extensibles du domaine des chaînes logistiques et de leurs risques associés. C est sur ce dernier point que nous souhaitons nous concentrer dans cet article. La première étape dans la constitution d un SAD performant est l établissement de différentes taxonomies et classifications des notions à manipuler dans l ensemble de ce problème. Le but de ce travail sera de formaliser et de mettre en cohérence le corpus de notions et éléments qui prendront part à la modélisation des chaînes logistiques. Ceci comprendra en particulier l ensemble des éléments nécessaires à la modélisation de la chaîne logistiques comme les acteurs et leurs liens structurels, mais également l ensemble des politiques de gestion de ce réseau (gestion des stocks, des itinéraires, des livraisons ). La description des acteurs et de leurs liens sera détaillée à la partie 2. Le métamodèle des acteurs est ensuite augmenté de l ensemble des risques ou menaces à étudier ainsi que de la description de leurs effets au sein de la chaîne. Cette proposition de modélisation des risques faisant suite à une large étude bibliographique sur les risques existant dans les CL (détaillée dans [Saleh Ebrahimi et al., 2012]) est présenté dans la partie 3. 2 MODELISATION DES ACTEURS ET DE LEURS RELATIONS Comme nous l avons montré dans une précédente étude de littérature [Saleh Ebrahimi, 2012; Saleh Ebrahimi et al., 2012], il existe de multiples méthodes et types de classification utilisées pour la gestion des risques dans les CL. Dans nos travaux, nous souhaitons proposer et nous appuyer sur un corpus commun de ces notions, reprenant les éléments nécessaires à la description de la chaîne que sont : les acteurs, leurs processus associés et plus tard les risques inhérents au réseau, afin de permettre le développement d un SAD pour l analyse des risques dans les CL. Comme l ont soulignés [Biswas and Narahari, 2004] le temps pour développer un modèle de CL à base d objet peut être grandement diminuer si l on dispose d une base d objets génériques. Cet technique nous semble la plus appropriée pour répondre à la contrainte de la maîtrise de la complexité dans la modélisation des CL mentionnée par [Chandra and Kumar, 2006]. C est pourquoi nous proposons une décomposition des entités participant au CL avec leur modèle associé pour permettre au manager de CL de décrire rapidement et de façon cohérente l environnement d étude. En adoptant une approche similaire à [Harland et al., 2003; Chandra and Kumar, 2006; Marquès et al., 2009], la description des CL est d abord basée sur la définition du mappage du réseau. Les partenaires de la CL ainsi que leurs relations réalisées à travers l échange de divers flux (physiques et informationnels) sont donc les premiers éléments de modélisation que nous décrirons. Le but est de suivre la suggestion de [Biswas and Narahari, 2004] et de fournir des éléments simples, standards et compositionnels reflétant la décomposition des processus, fonctions et activités standards des partenaires de la CL. 2.1 Les acteurs de la CL et leurs processus Pour commencer à définir le réseau de la CL il faut en décrire les premiers types d acteurs. La classification que nous avons retenue a été conçue pour effectuer une synthèse des points de vue rencontrés dans la littérature. Nous avons conservé les acteurs principaux définis par [Lambert and Cooper, 2000], que nous avons adaptés pour intégrer les notions de CL directe et entendue de [Mentzer et al., 2001]. Le but étant d obtenir un ensemble de définitions d acteur de base suffisamment générique pour pouvoir adapter facilement la définition du réseau de partenaires aux éléments nécessaires à l analyse. Il doit ainsi être simple d étendre ou restreindre le réseau étudié. Ceci nous conduit à ne conserver que 4 types d acteurs permettant de balayer l ensemble des rôles importants dans une CL (la notation sera conservée en anglais pour correspondre aux diagrammes du métamodèle développé): Suppliers (fournisseurs) Manufacturers (l entreprise au coeur de l étude et ses sites de production) Customers (clients) Logistics providers (distributeurs/sociétés de transport) Techniquement, les fournisseurs et clients peuvent être des sites de production. La distinction faite ici permet d adopter le bon niveau de détail dans la modélisation de la CL. Il ne parait par exemple pas pertinent de chercher à modéliser la politique de production d un fournisseur, pour lequel la possibilité de mettre à disposition une commande est le seul élément important du point de vue de l entreprise au cœur de la CL. La réelle différence qu il existera entre acteurs de la CL, sera l ensemble des processus utilisés par l acteur en question. En effet, les acteurs sont définis par leur comportement au sein de la CL, ce comportement est décrit par le type de fonctions et processus mis en œuvre par l acteur. Pour compléter notre classification des acteurs, il convient donc de leur ajouter les processus réalisés par chacun d entre eux. Cette projection des processus standards existant dans une CL sur les différents types d acteurs rencontrés permet d obtenir une classification plus fine de ces processus. [Chandra and Kumar, 2006] ont soulignés l importance de définir une telle classification pour permettre une modélisation efficace des CL. Cette seconde classification au niveau processus est pour nous nécessaire puisque la classification d acteurs que nous avons retenue est basée sur le type de relation entretenue avec l entreprise à l étude et non sur un point de vue opérationnel comme ont pu le faire [Herrmann et al., 2003]. En s appuyant sur les acteurs choisis destinés à couvrir une multitude de cas, les processus que nous décrivons doivent être aussi génériques que possible de façon à s adapter aux différentes configurations à modéliser. C est pourquoi nous nous sommes largement appuyés sur le modèle SCOR (Supply Chain Operation Refence model) [Supply Chain Council, 2010] pour lister les processus utilisables dans les CL. Les processus sont ainsi organisés suivant les catégories principales du modèle SCOR: planification, approvisionnement, fabrication, livraison et retour (plan, source, make, deliver and return). Les processus sont alors

dérivés sous chacune des ces catégories. Une étude des processus relatifs aux différents acteurs tels que nous les avons définis a alors été conduite pour compléter notre métamodèle. La modélisation (ici la métamodélisation) a été réalisée en utilisant le langage SysML [Object Management Group, 2010], qui en tant que langage dérivé d UML permet d organiser facilement un ensemble de concepts à même de décrire les notions manipulées au sein d un domaine donné. Le choix du passage à SysML est ici motivé par sa sémantique tournée vers l expression de systèmes physiques et non purement logiciels comme c est le cas avec UML. Les diagrammes proposés dans cet article ont été réalisés avec le logiciel Artisan Studio d Atego 7.3. L utilisation de SysML nous permet de disposer des moyens d expressions nécessaires à la définition des relations existants entre acteurs de la CL. Nous pouvons ainsi indiquer des notions d héritage, généralisation, spécialisation et autres possession ou partage. La figure 1 montre le métamodèle des acteurs de la CL. Chaque acteur est décrit par un block SysML assimilable à une classe UML. Nous avons rendu visible sur la figure 1 les operations que peuvent réaliser ces acteurs, ce sont directement les processus que nous avons identifiés, notamment dans le modèle SCOR. L organisation de ces actions est réalisée grâce au préfixe donné au nom de chaque action, par exemple Source_ ou Plan_. Cette métamodélisation nous a également permis d identifier les processus communs aux différents acteurs et ceux spécifiques à chacun d eux. En utilisant la notation de généralisation (flèche à extrémité blanche), nous avons déclaré le nouveau block SCActor (Acteur de la CL) qui modélise le point commun dans les activités réalisées par les clients, fabricants et fournisseurs. Ce mécanisme peut permettre par exemple de modéliser un acteur de façon générique dans une première analyse de la CL avant d indiquer sa spécialisation quand de nouvelles informations sont connues ou lorsque qu une analyse spécifique doit être menée. On peut également souligner que le «LogisticsProvider» en tant que tierce partie logistique a été cantonné dans ses actions (operations), à ses fonctions logistiques pour ainsi clarifier le rôle de cet acteur dans les CL modélisées. Au-delà des seules operations exécutables, les acteurs sont également définis par différents attributs tels que leur nom, localisation ou devise qui seraient trop nombreux à mentionner sur un seul diagramme. Les acteurs sont aussi définis par les éléments qu ils peuvent créer et échanger. Comme nous l avons vu précédemment ce sont ces échanges informationnels, financiers ou matériels qui forment la complexité de la CL, une partie primordiale du métamodèle décrit est donc dévolue à la définition de ces échanges. 2.2 Les flux de la CL Cette vision des flux de la CL à travers 3 différents types que sont les flux informationnels, matériels et financiers est partagée par de nombreux auteurs [Mentzer et al., 2001; Herrmann et al., 2003; Tang, 2006; Tang and Nurmaya Musa, 2011]. En étudiant les processus affectés aux différents acteurs et Figure 1. Les acteurs de la CL

listés à la figure 1, nous avons pu identifier les operations manipulant ces flux. Ceci dans le but de définir les concepts à modéliser pour les représenter. Ces principaux processus sont les suivants: Collecter des données sur les stocks et ressources disponibles, Stocker des produits, préparer et emballer des commandes, Fabriquer ou retravailler un produit, Emettre une commande, recevoir une commande, valider une commande, Traiter les retours, Transporter et livrer des commandes, ainsi que valider et réceptionner une livraison, Envoyer, recevoir et payer une facture, Demander et organiser un transport (route, transporteur, douane). Pour modéliser ces échanges, les objets nécessaires ont été recensés et leurs attributs modélisés dans notre métamodèle. Nous avons ainsi décrit les commandes (Orders), les demandes de transport (Shipping orders), les cargaisons (Shipments), les factures (Invoices) et les paiements (Payments). Ces différents objets sont présentés à la figure 2. Les informations nécessaires au traitement de ces flux sont listés par des values SysML qui permettent de modéliser les attributs des objets en question. Ces values sont généralement assignées par l émetteur de l objet. Les flux possèdent également des references qui indiquent d autres éléments du modèle en relation avec le flux décrit. Ce sont par exemple l émetteur et le destinataire du flux, ou le contenu auquel se réfère par exemple une facture. Pour une raison de cohérence dans le métamodèle, une classe de partenaire commercial («CommercialPartner») a été ajoutée afin que chaque acteur de la CL puisse être impliqué dans les échanges de flux financiers. Ensuite certain flux sont rattachés à une seule classe particulière comme par exemple les demandes de transport qui ne peuvent être reçues que par un opérateur logistique («LogisticsProvider»). Cette première partie du métamodèle (Figure 1 et 2) est complétée par la définition d interactions complémentaires entres les acteurs de la CL et ces divers flux. C est le cas par exemple de l affectation de route aux différentes cargaisons effectuée par l opérateur logistique. Les différentes activités sont décrites de façon générique dans divers diagrammes d activité. Ces éléments complétant le métamodèle ne sont pas présentés ici pour des raisons de concision. Cet ensemble de modèles constitue la partie «fonctionnelle» de la description de la CL. La seconde partie du métamodèle est destinée à décrire les risques et événements redoutés pouvant venir perturber la CL. C est cette partie que nous allons maintenant présenter. 3 LES RISQUES DANS LA CL ET LEUR MODELISATION La création d un métamodèle des risques dans les CL est d abord basée sur une étude bibliographique recensant les risques évoqués dans la littérature. Un des défis de la classification dressée à travers cette étude était d être capable de regrouper des risques très divers et très diversement exprimés par les auteurs. En effet, les risques existant dans les CL sont extrêmement hétérogènes. Ils peuvent être décrits à des échelles très variées, de la CL dans son ensemble à l atelier de fabrication d un des partenaires et ils ont des effets sur des processus ou des flux très différents. Les catégorisations rencontrées dans la littérature étaient construites autour des acteurs de la CL, de la localisation de la source ou de l effet du risque, de l échelle de l impact du risque ou des flux touchés. Après l étude de plus de 50 articles sur ces risques nous avons choisis de bâtir notre classification atour de la localisation des risques dans la CL, comme ont pu le faire [Christopher and Peck, 2004; Pfohl et al., 2010; Thun and Hoenig, 2011]. Les risques recensés apparaissent ainsi sous les catégories suivantes : Risques sur le Process (Process Risks) Risques sur le contrôle/planification (Control Risks) Risques liés à la demande (Demand-related Risks) Risques liés à l approvisionnement (Supply-related Risks) Risques liés à environnement (Environmental Risks) Ces catégories regroupent ainsi 33 risques génériques pour les CL. L ensemble des risques recensés ainsi que les détails sur l étude bibliographique sont disponibles dans [Saleh Ebrahimi, 2012; Saleh Ebrahimi et al., 2012]. Cette classification nous donne un premier axe de modélisation des risques dans notre métamodèle. C est ensuite l analyse de leurs effets qui nous permet de les intégrer au métamodèle des acteurs et flux. Cette étude nous donne ainsi des informations sur le comportement du risque (son développement) et les caractéristiques du réseau qu ils affectent. Nous avons ainsi pu mettre en évidence 3 types d effets donnant lieux à 3 types de modélisations différentes. Les risques recensés sont ainsi modélisés dans le métamodèle par une des 3 solutions suivantes : Redéfinitions dans le modèle de l acteur affecté (cette redéfinition au sens SysML, possède des operations dysfonctionnelles remplaçant les operations perturbées chez l acteur touché). Définition d un nouvel objet dans le modèle, avec la capacité de modifier les attributs (values) des autres objets. Définition d un nouvel objet ayant la capacité de détruire d autres objets ou associations (ex : liens indiquant une route). L intégration des risques dans le métamodèle est donc réalisée à travers divers éléments de modélisation. Dans le cas de la redéfinition d acteur, le risque est classifié de 3 manières, on détermine son périmètre (par exemple Risque lié à l approvisionnement), son type d effet (redéfinition d acteur) et l acteur modifié (par exemple le «Manufacturer»). L ensemble des risques de type redéfinition est ainsi reclassifié par le type d acteur modifié. Les classes adéquates ont ainsi été crées comme le montre la figure 3. On remarque dans cette dernière que les risques héritent d un block «Hazard» montrant ainsi la définition d un risque. Ils héritent également d un block définissant un acteur de la CL. Ce second héritage permet au risque ainsi définit de disposer de tous les attributs de l objet remplacé par une version défaillante. L ensemble des risques est ensuite organisé dans différentes parties du métamodèle par l intermédiaire de différents diagrammes reprenant les catégories initiales des risques (Risques liés à la demande, à l approvisionnement etc.). Un exemple est donné à la figure 4, il montre la section des risques liés à l approvisionnement. En plus des risques de type redéfinition, on peut y remarquer deux risques définissant de nouveaux type d objet. Chacun d eux possède une operation permettant d agir dans le modèle soit en modifiant un attribut (par exemple modifier un prix pour «MaterialCostIncrease»), soit en modifiant un objet (par exemple supprimer un fournisseur pour «SupplierBankruptcy»).

Figure 2. Les flux entre acteurs de la CL

Figure 3. Déclaration de classes de risque Figure 4. Les Risques liés à l approvisionnement

4 CONCLUSION Nous avons ainsi présenté les éléments d une classification et métamodélisation des éléments nécessaires à la description des risques dans les CL. Les éléments décrits ici ne montrent qu une partie du métamodèle qui est complété de diagramme décrivant le déroulement des operations que possèdent les différents block. Cette seconde partie couvre l aspect comportemental du métamodèle, les éléments qui y sont définis permettent de décrire également les impacts dynamiques des risques. Le métamodèle comportemental doit encore être développé plus en détail dans la suite de nos travaux, cependant les premier éléments de modélisation que nous avons pu mettre en place nous conforte dans l utilisation d un langage tel que SysML pour sa réalisation. L idée est ici d affecter différents diagrammes d activité aux operations du modèle afin de décrire les différentes alternatives dans la réalisation des processus de chaque acteur. A terme, nous souhaitons également déclarer ces différentes alternatives comme des possibilités de gestions des différents risques du modèle. Le lien avec une solution de simulation sera alors primordial. L ensemble des éléments proposés ici, que se soient les éléments de métamodèle ou les choix de classification nous paraissent tout de même constituer une base importante pour la création d un outil ou de méthode d analyse des risques dans les CL. Les notions présentées ici peuvent ainsi être reprises facilement pour le développement de travaux plus spécifiques. Le choix de SysML pour la réalisation du métamodèle nous permet de fournir des résultats exploitables sous diverses formes. En effet, il est possible de continuer à utiliser ce langage pour bénéficier de son pouvoir de description de système complexe en instanciant le métamodèle à un problème particulier d étude d une CL. Il est aussi possible de compléter ou modifier ce modèle générique pour l adapter à un nouveau champ d étude ou à un domaine d application particulier (ex : domaine pharmaceutique, militaire). Enfin, ce métamodèle peut aussi être exploité pour créer le modèle de donnée sousjacent à un outil de management des risques dont l interface graphique ne reprendra pas nécessairement la syntaxe SysML. 5 REFERENCES Biswas, S., Narahari, Y., (2004). Object oriented modeling and decision support for supply chains. European Journal of Operational Research, 153, pp. 704 726. Chandra, C., Kumar, S., (2006). Supply chain design curriculum : models and methods development. International Journal on Information and Operations Management Education, 1, pp. 249 280. Chopra, S., Sodhi, M.S., (2004). Managing Risk To Avoid Supply-Chain Breakdown. MIT Sloan Management Review, 46. Christopher, M., Peck, H., (2004). Building the Resilient Supply Chain. International Journal of Logistics Management, 15, pp. 1 13. Harland, C., Brenchley, R., Walker, H., (2003). Risk in supply networks. Journal of Purchasing and Supply Management, 9, pp. 51 62. Herrmann, J.W., Lin, E., Pundoor, G., (2003). Supply Chain Simulation Using the Supply Chain Operations Reference Model, in: Proceedings of DETC 03. Chicago, pp. 1 9. Lambert, D.M., Cooper, M.C., (2000). Issues in Supply Chain Management. Industrial Marketing Management, 29, pp. 65 83. Marquès, G., Lamothe, J., Thierry, C., Gourc, D., (2009). A supply chain performance analysis of a pull inspired supply strategy faced to demand uncertainties. Journal of Intelligent Manufacturing, 23, pp. 91 108. Mason-jones, R., Towill, D.R., (1998). Shrinking the supply chain uncertainty circle. IOM Control Magazine, 24, pp. 17 22. Mason-jones, R., Towill, D.R., (2000). Coping with Uncertainty: Reducing Bullwhip Behaviour in Global Supply Chains. Supply Chain Forum an International Journal, 1, pp. 40 45. Mentzer, J.T., DeWitt, W., Keebler, J.S., Min, S., Nix, N.W., Smith, C.D., Zacharia, Z.G., (2001). Defining Supply Chain Management. Journal of Business Logistics, 22, pp. 1 25. Object Management Group, (2010). OMG Systems Modeling Language ( OMG SysML TM ). OMG publishing. Pfohl, H.-C., Köhler, H., Thomas, D., (2010). State of the art in supply chain risk management research: empirical and conceptual findings and a roadmap for the implementation in practice. Logistics Research, 2, pp. 33 44. Saleh Ebrahimi, D., (2012). Setting Up a Taxonomy in Modeling for Supply Chain Risk Management. Master Thesis, INP de Grenoble, KTH Institute of Technology. Saleh Ebrahimi, D., David, P., Alpan, G., (2012). A Model- Based Specification for a Decision Support Tool for Supply Chain Risk Management, in: CIE42 Proceedings, 16-18 July 2012, Cape Town, South Africa. Stock, J.R., (2009). A research view of supply chain management : Developments and topics for exploration. ORiON, 25, pp. 147 160. Supply Chain Council, (2010). Supply Chain Operations Reference (SCOR ) model. Suppy chain council, inc., Version 10, pp. 23. Tang, C., (2006). Perspectives in supply chain risk management. International Journal of Production Economics, 103, pp. 451 488. Tang, O., Nurmaya Musa, S., (2011). Identifying risk issues and research advancements in supply chain risk management. International Journal of Production Economics, 133, pp. 25 34. The Economist Intelligence Unit, (2009). Managing supplychain risk for reward. The Economist Intelligence Unit, 1 19. Thun, J.-H., Hoenig, D., (2011). An empirical analysis of supply chain risk management in the German automotive industry. International Journal of Production Economics, 131, pp. 242 249.