Précédent Suivant

La répartition des coûts dans la grande distribution alimentaire

p. 247-270


Texte intégral

Introduction

1Bien que le commerce de détail organise depuis longtemps les échanges entre les hommes, sa structuration demeure récente. Les points de vente se professionnalisent, les épiceries de quartier laissent désormais la place à des magasins de proximité, savamment organisés, nouveau fer de lance des réseaux de grande distribution. Les hypermarchés se sophistiquent constamment au gré des innovations technologiques, ils deviennent de vrais temples de la consommation. Alliant les avantages d’une distribution physique avec la force de l’internet, ces formats de vente bénéficient des synergies de l’un et l’autre canal de distribution. Ils augmentent par exemple la profondeur de leurs gammes en proposant en complément de l’offre présente en magasin des produits en ligne. Ces magasins connectés sont de véritables passerelles entre les stratégies on line et off line. Les grandes surfaces alimentaires, c’est-à-dire les supermarchés et hypermarchés, représentent désormais à eux seuls 60 % des ventes totales en alimentaires1 et totalisent plus de 18 millions de mètres carrés de surface de vente2.

2Cette modernisation de l’appareil commercial se veut le pendant d’une concentration croissante des réseaux. Bien que la France enregistre plus de 12 300 grandes surfaces alimentaires, seuls 8 groupes se partagent le marché, dont les deux premiers (Carrefour et Leclerc) représentent 40 % des ventes3. Ainsi, l’émergence de géants de la distribution permet-elle de générer des économies d’échelle. Citons à titre d’exemple la stratégie multi-format, mono-enseigne du groupe Carrefour. Une seule publicité au nom de l’enseigne concerne désormais l’ensemble des 2 491 points de vente du réseau !

3La mise en réseau du commerce de détail, ou réticulation, soulève de nombreuses réflexions en termes stratégiques et opérationnels (Cliquet et al., 2006). Si chaque point de vente bénéficie de la force du réseau, les organes de direction mobilisent de nombreux coûts de fonctionnement. Dès lors, comment ventiler les coûts imputables au fonctionnement d’une direction nationale ou régionale entre les différents centres de profit, c’est-à-dire entre les différents magasins du réseau ?

4Dans un premier temps, nous étudierons la structure interne des réseaux de distribution et ses conséquences sur la répartition des coûts de fonctionnement des organes de direction. Nous verrons que les clés de répartition utilisées en grande distribution s’appuient sur les indicateurs usuels de la productivité des magasins et nécessitent une analyse plus fine. C’est pourquoi, dans un deuxième temps, nous montrerons dans quelle mesure les frontières de production, notamment la méthode DEA, présentent des enjeux majeurs dans la répartition des coûts d’un réseau. Enfin, une étude de cas appliqué à 39 supermarchés illustrera notre propos.

Mise en réseau des distributeurs : réalité et enjeux dans la répartition des coûts

Organisation en réseau des distributeurs

5Le renforcement de la centralisation se traduit par l’instauration de postes de relais commerciaux et marketing visant à faire profiter au mieux les adhérents des synergies de groupe. Nous illustrerons notre propos en décryptant l’organisation interne d’un réseau de distribution : Leclerc.

6L’organisation décentralisée du groupe Leclerc permet à chaque point de vente une large intégration des particularismes locaux dans l’offre commerciale tout en bénéficiant de la notoriété et de la puissance d’achat du réseau. Ainsi, le Galec, groupement d’achat des magasins Leclerc, négocie avec les fournisseurs pour le compte de l’ensemble des adhérents. Seize centrales d’achat régionales complètent cette stratégie de massification des achats. Elles assurent également la logistique des marchandises : stockage et livraison dans les différents points de vente. La figure 1 schématise cette organisation singulière.

7Le réseau se structure autour d’un organe de direction qui définit les grandes orientations stratégiques et politiques du groupe. L’ACDlec se veut le garant de l’uniformité nationale de la stratégie d’enseigne. Puis une centrale d’achats nationale : le Galec et les centrales d’achat régionales prennent le relais.

Image

Figure 1. Organisation interne du groupement Leclerc4

8Les réseaux de distribution s’organisent en structures pyramidales : si le point de vente peut conserver une autonomie de gestion, des organes de direction nationaux et régionaux centralisent certaines fonctions, telles que les achats notamment ou encore certaines mécaniques promotionnelles. Dès lors, se pose la question de la performance et de l’évaluation du réseau dans son intégralité. Comment évaluer la performance d’un groupe de distribution ? Peut-on décemment sommer la performance individuelle de chaque unité de vente ? Par ailleurs, dans quelle mesure les centres décisionnels et organisationnels ont-ils contribué à la performance des magasins ?

9La performance revêt un aspect multidimensionnel (qualité : retours clients, indices de satisfaction/ délais : taux de rotation/ coûts…), c’est pourquoi elle implique un système d’information adapté, intégrant la dimension multicritères de cette notion (Gervais, 1997). Comment s’organise le contrôle de gestion au sein des réseaux de grands distributeurs ?

Contrôle de gestion et grande distribution

10Pour Alcouffe et al. (2013) : « La fonction contrôle de gestion joue un rôle pivot dans l’interaction entre le pilotage stratégique et sa mise en œuvre opérationnelle au sein des points de vente. Elle analyse et transmet l’information entre les différents niveaux de responsabilité. » Pour mieux comprendre les missions affectées au contrôleur de gestion dans un réseau de grande distribution, nous nous sommes intéressés au descriptif de poste. L’encadré 1 page suivante rend compte d’une offre de contrôleur de gestion au sein d’un réseau de distribution.

11Ce descriptif témoigne des enjeux tant stratégiques qu’opérationnels qui entourent le contrôle de gestion dans la vie des réseaux. Le contrôleur de gestion reporte, vérifie et analyse les informations afin de mettre en exergue les niveaux de performance des unités de vente.

12La performance des réseaux de distribution suscite depuis longtemps de nombreuses interrogations, d’autant plus qu’elle s’avère plus difficile à mesurer que dans les secteurs traditionnels de production. Il s’agit d’une activité de services (Ratchford et Stoops, 1988), dont l’immatérialité représente un trait principal (Achabal et al., 1984 ; McLaughin et Coffey, 1990).

13Les critères d’évaluation des distributeurs sont récurrents quelles que soient les enseignes. On note ainsi que l’appréciation des points de vente découle de manière directe ou indirecte de leurs ventes, et donc du chiffre d’affaires : le débit client et les ventes représentent les deux objectifs principaux que se fixent les magasins. Il va s’agir de savoir si le magasin gagne des clients et du chiffre d’affaires. Les marges avant, très réduites, imposent aux détaillants de réaliser d’importants volumes pour maintenir leur rentabilité. Les marges brutes, découlant directement des ventes unitaires de produits, retiennent également l’attention des commerçants. Les frais de personnel constituent aussi un bon indicateur des performances d’une unité de vente. Il va s’agir de répartir au mieux les heures travaillées selon le rendement des rayons.

Encadré 1. – Offre de poste : Contrôleur (se) de gestion, secteur distribution h/f, 16 juin 2014
Description du Poste
Au sein de la Business Unit « Category Planning Analyst Beverages », vos principales tâches sont les suivantes.
Prévisions :
– coordonner la préparation et la livraison des forecasts au Comité de Direction ; construire et consolider les prévisions avec les équipes marketing et commerciales.
Profitabilité :
– fournir les analyses détaillées des coûts ;
– anticiper et évoluer les risques liés à nos coûts de production et leur impact sur les marges.
Développement stratégique :
– participer aux projets stratégiques des catégories ;
– contribuer à l’élaboration des stratégies de pricing ;
– participer à l’élaboration des scénarios et à la préparation des « selling story » pour faciliter l’acceptation des hausses de tarif par nos clients. Reporting et analyses de la performance :
– être garant(e) de l’intégrité des P1Ls des catégories ;
– préparer les reporting mensuels.
Source : [http://www.keljob.com/offre/controleur-se-de-gestion-secteurdistribution-h-f-7934831#xtor=CS1-647].

14Le tableau 1 synthétise les principaux ratios et indicateurs de performance, ainsi que les éléments sur lesquels porte l’évaluation. La marge nette, est prise ici au sens des distributeurs et non au sens comptable. Elle se calcule à partir du prix de vente hors taxe des produits, auquel on soustrait les prix d’achats.

15L’EBIT5 définit le résultat brut d’exploitation auquel on soustrait les amortissements et provisions.

Image

Tableau 1. Les indicateurs de performance des distributeurs

16Ces indicateurs se déclinent ensuite par rapport à la superficie et aux évolutions annuelles pour gommer l’effet taille et l’effet saisonnier. Les ventes quotidiennes sont déterminées par rapport aux ventes du même jour de la semaine l’année précédente. Ainsi, le mardi de la semaine 34 sera comparé au mardi de la semaine 34 de l’année N – 1. Ce mode d’évaluation permet de gommer l’effet saisonnier et temporel. En outre, pour mieux évaluer les performances des points de vente, le chiffre d’affaires et le rendement au m ² sont retenus. Ceci permet de s’assurer d’une optimisation de la surface de vente.

17L’évaluation d’une unité de vente ne se borne pas à une appréciation globale des ventes. Chaque rayon fait également l’objet d’une étude et de mesures de performance. On classe souvent en chiffre d’affaires ou en « valeur panier » la participation des rayons. La participation d’un rayon est évaluée par rapport à des normes nationales la plupart du temps. Ces contributions au chiffre d’affaires total lissent partiellement l’effet taille des magasins.

18Les indicateurs traditionnels de mesure de la performance, que sont les ratios de productivité, masquent de nombreuses facettes de la performance réelle des entreprises de services (Sinigaglia, 1997 ; Grewal et al., 1999) En effet, ils ignorent les variables intangibles, pour se concentrer sur des variables physiques, alors que le propre des activités marketing consiste à combiner des produits physiques et des services intangibles (Parsons, 1994). Dans cette continuité, certains chercheurs déplorent que trop souvent la performance des services soit associée à la productivité du travail ou des vendeurs (Donthu et Yoo, 1998).

19Le processus de fabrication de biens résulte de la production, celui de service résulte de la « servuction ». Eiglier et Langeard (1999) mettent l’accent sur la nécessité d’appréhender la production de service par des démarches rigoureuses et spécifiques. L’intangibilité des services, le rôle des relations interpersonnelles, l’immédiateté ainsi que la participation du consommateur au processus de production représentent autant de difficultés dans la mesure de la performance d’un distributeur (Meyssonnier, 2014). Alors que la définition de la performance des services se veut plus complexe que celle des processus industriels, les outils de mesure développés pour les manufactures sont largement appliqués dans les services (Meyssonnier, 2012).

20La structure pyramidale des réseaux suggère que la performance individuelle des points de vente ne peut s’expliquer seulement par l’organisation interne de chaque unité. Chaque magasin jouit des prestations fournies par la centrale nationale et régionale. Dès lors, une interrogation demeure, comment sont imputés les coûts liés au fonctionnement de ces organes stratégiques ?

Modèles de répartition des coûts en grande distribution

21Une étude menée par Deloitte-SAS auprès de 240 entreprises analyse les modèles de répartition des coûts6. Cette enquête met en exergue qu’un distributeur sur deux adopte un modèle de coûts pour ventiler ses charges. Par ailleurs, au sein de ces derniers, la méthode de répartition des coûts complets demeure la méthode la plus répandue. En effet, comme en rend compte la figure 2, 73 % des distributeurs ayant recours à la répartition des coûts utilisent la méthode des centres d’analyse.

Image

Source : Étude Deloitte-SAS, 2012.
Figure 2. Méthode d’analyse et de répartition des coûts en grande distribution (en %)

22Les nouvelles méthodes comptables d’évaluation de la performance per mettent d’agréger l’information, mais elles reposent sur la pertinence des méthodes d’établissement de ces mesures (de la Villarmois, 1999). C’est notamment le cas de la méthode des coûts par activités, l’Activity Based Costing, développée depuis 1986 aux États-Unis suite aux travaux d’un groupe de travail réuni au sein du CAM-I7 (Computer Aided Manufacturing International), dont l’objectif est de s’interroger sur les nouveaux concepts en terme de gestion, indispensables aux exigences de l’environnement concurrentiel et technologique moderne. La méthode ABC constituerait ainsi une approche fiable pour traduire des indicateurs de performance opérationnels non disponibles dans les comptes en termes financiers et de résultats (Tatsiopoulos et al., 2000).

23L’évolution des conditions de production et de vente rend arbitraire le principe de répartition des charges sur la base de clés de répartition habituelles. En effet, la comptabilité analytique classique postule l’homogénéité des activités au sein d’un même centre d’analyse, alors que le fonctionnement réel des entreprises repose sur une large diversité d’activités au sein de chaque section d’analyse. On raisonne alors en termes de création de valeur. En face de l’output, on va mettre un client, tandis que les inputs vont correspondre à des ressources consommées, des éléments physiques. La logique s’inverse par rapport aux analyses classiques : les activités causent désormais la consommation de ressources, tandis que les objets de coûts causent les activités.

24La méthode ABC suppose d’identifier les facteurs clés de succès puis d’en extraire les activités qui en permettent la maîtrise (les activités critiques). Chaque activité faisant elle-même l’objet d’un découpage en inducteurs, considérés comme les causes de la performance (Gervais, 2007).

Image

Inspiré de Gervais M. (1997).
Figure 3. Analyse de la performance dans la méthode Abc

25Ainsi, la méthode ABC « trace » le processus de circulation des ressources au travers des différentes activités et produits de l’entreprise de la manière la plus proche de la réalité. Elle suppose, par conséquent, une parfaite maîtrise de l’information. L’Activity Based Costing peut être considérée comme un support à la planification, le contrôle ou encore, l’évaluation des performances (Tatsiopoulos et Panayiotou, 2000), en permettant de mieux identifier la causalité des charges. Elle part du principe que « la performance ne peut être atteinte qu’à travers la maîtrise des activités de leur combinaison en processus » (Gervais, 1997).

26La méthode Abc n’est utilisée que par 7 % des distributeurs ayant recours à une méthode de répartition des coûts formalisée. Dans 73 % des cas, la méthode des centres d’analyse est privilégiée. Plusieurs auteurs (Bessire, 1998) corroborent cette étude et soulignent que le contrôle de gestion mis en place chez les réseaux de distribution se caractérise par sa simplicité. Ce résultat doit être toutefois relativisé si l’on considère l’ensemble des entreprises du territoire. En effet, une étude menée par l’observatoire international du contrôle de gestion de la DSCG (Doche et al., 2013) montre une progression de l’utilisation de la méthode ABC avec un taux proche de 36 %, tout en notant, pour la France, une forte progression en 2013 dans le secteur des services (+ 21 %) et de l’équipement industriel (+ 6 %).

Encadré 2. – Le contrôle de gestion dans la grande distribution
« Le raisonnement en coûts directs est privilégié. Les systèmes de prestations réciproques y sont inconnus. Lorsque des répartitions sont effectuées, elles portent sur de grandes masses (frais de siège, informatique, publicité…) et utilisent des clés de répartition simples et en nombre réduit (chiffre d’affaires, nombre de points de vente, nombre de m2 de surface de vente). »
Source : Bessire D., 1998.

27La répartition des coûts liés au fonctionnement d’une unité de direction, régionale ou nationale, semble fondée sur des clés de répartition classique : chiffre d’affaires du magasin ou encore superficie. Dans cette perspective, les plus gros points de vente se voient attribuer la plus grosse contribution aux frais de fonctionnement des organes de direction. Cette répartition des coûts s’appuie sur une définition traditionnelle des indicateurs de performance et ignore notamment des indicateurs tels que le potentiel local de consommation. Enfin, on peut également noter, à la marge, la tentative de développement du Time-Driven-Abc8 (TdAbc, Kaplan et al., 2004) au sein de l’un des principaux grossistes belges dans le secteur de la fourniture de produits phytosanitaires pour l’agriculture et l’horticulture en Belgique (Gervais et al., 2010).

28Toutes les méthodes traditionnelles d’analyse des coûts, qu’il s’agisse des analyses classiques ou des approches fondées sur le processus de création de valeur, considèrent que la consommation de ressources est due à une cause principale (unité d’œuvre ou inducteur de coût). Or, dans la grande distribution, l’architecture du système d’information, établie sur la base du réseau, implique une vision transversale de l’activité. La relation inputs-outputs, loin d’être linéaire, semble être pilotée par des facteurs complexes touchant au mode d’organisation. Dans ces conditions, ne vaudrait-il pas mieux expliquer la cause du processus de consommation de ressources par plusieurs critères plutôt que d’estimer à tout prix – un facteur unique qui, de surcroît, implique des biais de mesure ? Dès lors, il pourrait s’avérer pertinent d’asseoir le processus de consommation de ressources, non pas sur un critère, mais plutôt sur un faisceau de facteurs de performance. La méthode DEA (Data Envelopment Analysis) offre dans cette perspective un cadre d’analyse pertinent.

L’apport de la méthode DEApour la répartition des coûts

29Longtemps, la performance marketing s’est confondue avec les ratios de productivité (Engle, 1941 ; Ingene, 1982 ; Ingene, 1984 ; Lush et Moon, 1984 ; Good, 1984 ; Doutt, 1984) qui vérifient si les résultats obtenus (outputs) sont satisfaisants compte tenu des moyens engagés (inputs) (Coelli et al., 1999). Ces indicateurs de performance traditionnels connaissent de nombreuses faiblesses techniques et des limites conceptuelles fortes. C’est pourquoi, en dépit d’une littérature jusque-là florissante, l’utilisation de ratios pour évaluer la performance des services s’essouffle à partir du milieu des années 1980. De nouvelles techniques de modélisation commencent à poindre, on ne parle alors plus de productivité des services, mais d’efficience et d’efficacité. L’évolution sémantique de la performance suivant celle des outils de mesure, progressivement, les notions d’efficience et d’efficacité se font le pendant du développement des frontières de production, nouveaux outils d’évaluation de la performance.

30L’utilisation des frontières d’efficience couvre de nombreux champs marketing comme l’hôtellerie (Keh et al., 2004), les réseaux bancaires (de la Villarmois, 1999 ; Hubrecht, 2003, Kamakura et al., 1996) ou encore les réseaux de distribution : un magasin sera jugé efficient lorsqu’il obtient un niveau de ventes optimal compte tenu de sa dotation factorielle en employés, en superficie, ou encore de ses caractéristiques environnementales (Grewal et al., 1999 ; Vyt, 2005 ; Hise et al., 1983 ; Donthu et Yoo, 1998 ; Thomas et al., 1998). Toutefois, leur utilisation reste limitée dans l’utilisation de la définition de la performance et la répartition des coûts de production. À travers le cas particulier de la méthode DEA, nous allons montrer dans quelle mesure les frontières de production permettent une meilleure appréhension de la performance des points de vente et donc de la répartition des coûts imputables au fonctionnement des centrales.

La méthode d’enveloppement des données (DEA)

31La technique d’enveloppement des données se fonde sur la théorie microéconomique (Seiford, 1999) et s’appuie sur la programmation linéaire pour envelopper les données. Deux modèles forment la genèse de la DEA. Le premier date de 1978 et prolonge la thèse de Rhodes sur l’efficience des programmes scolaires aux États-Unis. Charnes, Cooper et Rhodes (1978) publient alors le modèle CCR9 (pour Charnes, Cooper et Rhodes). Le second modèle fondateur voit le jour en 1984 sous l’impulsion de Banker, Charnes, Cooper (1984). Leur modèle10 revisite les hypothèses initiales du modèle CCR, notamment le choix des rendements d’échelle, ce qui conditionne la surface d’enveloppement des données. Ainsi, ces modèles de base se segmentent selon la surface de leur enveloppe et le rendement d’échelle, comme l’illustre la figure 4.

Image

Figure 4. DEA : Modèles BCC et CCR

32La DEA recouvre deux hypothèses fondamentales :

  • l’hypothèse de convexité de l’ensemble des combinaisons input/ output garantit la substitution entre les inputs ou entre les outputs. Prenons l’exemple d’un producteur qui produit 100 tables avec 60 kg de bois. L’hypothèse de convexité admet que ce producteur doit pouvoir réaliser 50 tables avec 30 kg de bois. Elle peut être levée en comparant toujours une unité décisionnelle à une unité réelle, et non plus fictive. Ce relâchement d’hypothèse altère la définition de la frontière d’efficience et transforme le modèle DEA en approche FDH11 ;
  • l’hypothèse de libre disposition des inputs et outputs. Cette deuxième hypothèse naît du fait qu’aucune forme a priori n’est imposée à la frontière d’efficience.

Les avantages

33La principale force de la technique d’enveloppement des données se trouve dans sa flexibilité. En effet, elle ne nécessite aucune spécification a priori d’une forme fonctionnelle. Elle n’impose donc aucune modélisation a priori du réel (Piot-Lepetit, 1995). Par ailleurs, en définissant une frontière des meilleures pratiques, elle se focalise sur des observations individuelles plutôt que sur des moyennes de populations (Thomas et al., 1998 ; Seiford, 1999). De nombreux auteurs soulignent ainsi la capacité de l’approche à produire une analyse simultanée multi-outputs et multi-inputs (Kalirajan et Shand 1999 ; Seiford, 1999 ; Donthu et Yoo, 1998). En ce sens, elle correspond aux réalités des distributeurs qui disposent de plusieurs ressources (employés, superficie…) pour générer plusieurs résultats (ventes en volumes, en valeurs, rentabilité financière…).

34Elle considère alors le caractère multidimensionnel de la performance des entreprises et en autorise une représentation plus réaliste et rigoureuse. De plus, elle permet l’utilisation de variables exprimées dans des unités de mesure différentes (Seiford, 1999 ; Thomas et al., 1998) ce qui représente un avantage certain lorsque l’on doit intégrer des critères aussi variés que les assortiments, le nombre d’employés, la structure juridique du magasin, ou encore son ancienneté (Grewal et al., 1999 ; Thomas et al., 1998 ; Vyt, 2005).

35Bien que l’apport des frontières stochastiques réside dans l’intégration d’une composante d’erreur aléatoire sur lequel aucune action n’est possible, les approches déterministes ne sont pas en reste sur ce point. En effet, par une modification de la programmation linéaire, la DEA peut également prendre en compte des variables non contrôlables, telles que l’environnement d’un point de vente par exemple. Elle permet, en effet, d’introduire des variables qui ne sont ni une ressource économique ni un produit. Ces critères non contrôlables sont modélisés au moyen de variables catégorielles (Banker et Morey, 1986a ; Grewal et al., 1999), de variables continues (Banker et Morey, 1986b ; Sinigaglia, 1997), de technique de séparation des frontières (Hubrecht, 2003) ou encore de modèles multi-étapes (Fried et al., 1999 ; Coelli et al., 1999 ; Muniz, 2002). Le recours à chacune de ces méthodes se veut contingent de la base de données initiale de l’analyste, ainsi que de la problématique à laquelle il répond12.

36La technique d’enveloppement des données développe un score d’efficience unique pour chaque unité de l’échantillon. Elle permet donc de répartir les coûts de manière individualisée en considérant l’ensemble des ressources et résultats et par voie de conséquence aboutit à une ventilation plus juste et plus équitable des coûts de fonctionnement.

Les limites

37Bien que les techniques déterministes ne posent aucune contrainte théorique quant à la taille de la base de données initiale, un échantillon trop restreint conjugué à un nombre de variables trop important peut tronquer l’analyse. Or, la DEA est une approche non paramétrique. En ce sens, elle ne requiert pas nécessairement un minimum de trente unités de décision pour établir des comparaisons. Toutefois, elle pose le problème de la représentativité d’un échantillon et du pouvoir discriminant de la méthode. Cubbin et Tzanidakis (1998) ont montré que lorsque peu d’unités décisionnelles se placent sur la frontière d’efficience, la technique est fortement susceptible de classer comme inefficientes des unités pourtant efficientes. Certains chercheurs ont par ailleurs montré qu’un modèle sera pertinent dès lors que le nombre d’unités décisionnelles observées sera au moins deux fois supérieur à la somme du nombre d’inputs et d’outputs (Vassigolou et Giokas, 1990).

38La technique d’enveloppement des données se révèle alors peu appropriée aux petites chaînes de magasins sauf à baisser le nombre de variables du modèle donc à diminuer la pertinence de l’analyse (Thomas et al., 1998) au risque de fournir des résultats biaisés pour des échantillons de trop petites tailles (Banker, 1993). En outre, la DEA perd son pouvoir discriminant quand il y a une trop faible corrélation entre les facteurs explicatifs. Elle tend alors à surestimer le score des unités décisionnelles (Cubin et Tzadinakis, 1998). Elle nécessite donc un traitement en amont de la base de données afin d’en exclure toute valeur aberrante (Donthu et Yoo, 1998) et de n’oublier aucune variable importante (Ahn et Seiford, 1990). La DEA affiche en outre une grande sensibilité aux valeurs extrêmes et aux erreurs de saisie des données (Piot-Lepetit, 1995) ainsi qu’à la sélection des variables (Thomas et al., 1998 ; Kalirajan et Shand, 1999). Ceci fait dire à certains que la contingence des résultats à la base de données initiale (Homburg, 2001) doit inciter l’analyste à se concentrer davantage sur les différences entre les scores d’efficience des unités évaluées que sur leurs valeurs absolues (Golany et Roll, 1989).

L’allocation de coûts communs : synthèse

39Pour le contrôleur de gestion, le processus de répartition des charges indirectes se focalise souvent sur la distinction entre les coûts joints13 et les coûts communs14 (Biddle et al., 1985). L’occurrence de coûts communs oblige donc les entreprises à mettre en place un système de pool de ressources qui devra ensuite faire l’objet d’une méthode de répartition. La littérature théorique envisage, pour sa part, une unique « clé de répartition » à travers la capacité du contrôleur de gestion à générer des « économies de coûts » (Moriarity, 1975 ; Louderback, 1976), mais aussi par sa propension à développer des jeux coopératifs (Gangolly, 1981 ; Shubik, 1962 ; Shapley, 1971 ; Carter et al., 1996 ; Boyer et al., 2002), ou encore à configurer une « fonction de performance15 » qui privilégie un faisceau de critères explicatifs (Thenet, 1996). Enfin, plus récemment, de nombreux auteurs proposent l’utilisation de la méthode DEA pour la répartition des coûts communs. Par exemple, Cook et al. (2005) considèrent une répartition « équitable » de dépenses logistiques d’une chaîne de supermarché. Dans ces conditions, en définissant l’efficience comme la combinaison de paniers d’inputs et d’outputs, le processus de consommation de ressources n’est plus envisagé selon un critère unique, l’unité d’œuvre ou l’inducteur, mais prend en compte un ensemble de faisceaux explicatifs. Parmi les nombreux modèles envisagés dans la littérature (Beasley, 200316 ; Amirteimoori et al., 200517 ; Cook et al., 1999 et 2005), nous retiendrons le modèle proposé par Lin (2011). À travers une étude de cas, nous privilégierons une approche en termes de coûts communs, beaucoup plus proche d’une conception traditionnelle de la répartition des charges indirectes.

Étude de cas

Recueil de données

40À partir d’un échantillon fictif composé de 39 supermarchés, il est question de répartir les coûts d’infrastructure de 10 000 000 €18 liés au fonctionnement de la direction régionale du Grand Ouest. Ces frais de gestion seront ventilés sur l’ensemble des 39 magasins (Mag) appartenant à cette centrale régionale. On dispose des données brutes suivantes :

  • le nombre de ménages (Men) dans la zone de chalandise du magasin (input 1) ;
  • les effectifs (Eff) du magasin exprimés en équivalent temps plein (input 2) ;
  • le nombre de produits constituant l’assortiment du magasin (Assort) exprimée en unités (input 3).

41À l’issue de la période, nous avons recueilli les statistiques d’activités suivantes :

  • le nombre de ventes en volume (Cli), exprimés en unités (output 1) ;
  • le chiffre d’affaires (CA) (output 2).

42Au total, même s’il existe de nombreux exemples dans la littérature avec de petits échantillons (Najafi et al., 2009 ; Roodposhti et al., 2010a et 2010b ; Azarbad et al., 2011 ; Najafi et al., 2011 ; Masoumi et al., 2012), la taille de notre échantillon est au moins trois fois plus grande que la somme du nombre d’inputs et outputs (Ranamathan, 2003). Afin d’opérer le ranking des magasins et d’apprécier leur capacité à générer des profits, les services de contrôle de gestion ont décidé de mesurer l’efficience de cette nouvelle activité à l’aide d’un modèle dea orienté output, à rendements constants (CRS)19. Le choix du modèle peut être justifié par le fait que les ressources du réseau sont constantes.

43On peut considérer que l’objectif est de maximiser ses recettes en fidélisant au maximum les nouveaux clients. Mais, un modèle à orientation input est tout aussi justifié dans la mesure où il fournit, pour un modèle à rendements constants, le même classement du fait de l’application des règles de dualités reliant les deux orientations (cf. annexe IV). C’est la raison pour laquelle nous présenterons les résultats des deux modèles.

Modèle et résultats

44Pour évaluer les scores d’efficience, nous avons résolu deux modèles de base : le premier à orientation outputs, le second à orientation inputs20 (tableau 2).

Magasin Mag

Insuffisance en production (φ-100 %)

Score φ
Modèle Ccr orienté outputs (1/θ)

Sous efficience (1-θ)21

Score θ
Modèle orienté Ccr inputs (1/φ)

Mag 1

24,85

124,85

19,91

80,09

Mag 2

18,95

118,95

15,94

84,06

Mag 3

44,66

144,66

30,88

69,12

Mag 4

59,85

159,85

37,45

62,55

Mag 5

79,54

179,54

44,31

55,69

Mag 6

46,85

146,85

31,91

68,09

Mag 7

25,53

125,53

20,35

79,65

Mag 8

54,70

154,70

35,37

64,63

Mag 9

10,96

110,96

9,89

90,11

Mag 10

81,34

181,34

44,86

55,14

Mag 11

100,00

100,00

Mag 12

35,29

135,29

26,09

73,91

Mag 13

100,00

100,00

Mag 14

21,13

121,13

17,45

82,55

Mag 15

51,24

151,24

33,89

66,11

Mag 16

43,76

143,76

30,45

69,55

Mag 17

28,20

178,20

43,89

56,11

Mag 18

17,71

117,71

15,06

84,94

Mag 19

96,68

196,68

49,16

50,84

Mag 20

103,64

203,64

50,90

49,10

Mag 21

109,21

209,21

52,21

47,79

Mag 22

131,06

231,06

56,73

43,27

Mag 23

73,89

173,89

42,50

57,50

Mag 24

51,47

151,47

33,99

66,01

Mag 25

108,48

208,48

52,04

47,96

Mag 26

66,95

166,95

40,11

59,89

Mag 27

36,53

136,53

26,76

73,24

Mag 28

57,35

157,35

36,46

63,54

Mag 29

90,59

190,59

47,54

52,46

Mag 30

111,96

211,96

52,83

47,17

Mag 31

30,15

130,15

23,18

76,82

Mag 32

57,44

157,44

36,49

63,51

Mag 33

92,66

192,66

48,10

51,90

Mag 34

62,89

162,89

38,62

61,38

Mag 35

76,18

176,18

43,25

56,75

Mag 36

49,65

149,65

33,19

66,81

Mag 37

134,63

234,63

57,39

42,61

Mag 38

59,43

159,43

37,28

62,72

Mag 39

90,33

190,33

47,47

52,53

Ccr : Constant Return to Scale (rendements constants)

Tableau 2. Scores d’efficience (valeurs en %)

45Pour répartir les coûts communs estimés à 10 000 000 €, nous retiendrons le modèle de Lin (2011) selon une méthodologie en 5 étapes (Lin, 2005), pour laquelle le point de départ consiste à déterminer les scores d’efficience d’un modèle dea « classique » CRS à orientation output (cf. résultats des modèles ci-dessus).

46Pour chaque magasin non efficient, nous avons mobilisé le modèle de Cook et al. (2005) qui permet d’obtenir une répartition équitable des coûts à partir d’une axiomatique dea (annexe II). Pour les auteurs, l’équité renvoie aux principes d’invariance et de « Pareto-minimalité »22. Les résultats du tableau 3 ne seront donc pas directement utilisés pour une répartition23, mais servent davantage de support au respect de « règles équitables » d’allocation.

Imageen %

Mag

Imageen %

Mag

Mag 1

64,28

11

0,00

13

Mag 2

103,23

11

0,00

13

Mag 3

78,57

11

0,00

13

Mag 4

92,85

11

0,00

13

Mag 5

61,42

11

0,00

13

Mag 6

85,71

11

0,00

13

Mag 7

93,00

11

0,00

13

Mag 8

100,00

11

0,00

13

Mag 9

102,93

11

0,00

13

Mag 10

103,38

11

0,00

13

Mag 11

100,00

11

0,00

13

Mag 12

19,09

11

45,26

13

Mag 13

0,00

11

100,00

13

Mag 14

29,57

11

58,59

13

Mag 15

51,42

11

0,00

13

Mag 16

27,59

11

39,36

13

Mag 17

71,42

11

0,00

13

Mag 18

54,39

11

48,78

13

Mag 19

57,14

11

0,00

13

Mag 20

71,42

11

0,00

13

Mag 21

60,00

11

0,00

13

Mag 22

40,00

11

0,00

13

Mag 23

41,42

11

0,00

13

Mag 24

52,87

11

0,00

13

Mag 25

62,85

11

0,00

13

Mag 26

60,00

11

0,00

13

Mag 27

65,71

11

0,00

13

Mag 28

57,14

11

0,00

13

Mag 29

50,00

11

0,00

13

Mag 30

21,39

11

28,04

13

Mag 31

0,00

11

74,80

13

Mag 32

32,87

11

9,98

13

Mag 33

61,42

11

0,00

13

Mag 34

47,14

11

0,00

13

Mag 35

35,71

11

0,00

13

Mag 36

65,71

11

0,00

13

Mag 37

44,28

11

0,00

13

Mag 38

38,25

11

6,43

13

Mag 39

41,42

11

0,00

13

Tableau 3. – Benchmark des magasins efficients.

47Ces calculs sont effectués sous le tableur Excel à l’aide du solver.

48Sur la base de ce ranking, il est alors possible d’allouer à chaque magasin une proportion de coûts communs, conformément au modèle de Cook et al. (2005, p. 6355). Enfin, le lecteur trouvera dans le tableau le montant maximum des coûts imputables (étape 4) ainsi que le montant final des coûts fixes communs alloués (étape 5) (cf. annexe III).

Magasins

Modèle Cook (étape 3)

Coûts communs maximum Rmax (étape 4)

Allocation des coûts communs (étape 5)

Mag 1

286 257

286257

143128

Mag 2

459 676

459 676

229 838

Mag 3

349 870

349 870

174 935

Mag 4

413 483

413 483

206 741

Mag 5

273 535

273 535

136 767

Mag 6

381 677

381 677

190 838

Mag 7

414 119

414 119

207 059

Mag 8

445 290

445 290

222 645

Mag 9

458 306

458 306

229 153

Mag 10

460 361

460 361

230 180

Mag 11

445 290

445 290

222 645

Mag 12

85 037

1100 572

592 804

Mag 13

0

2431 440

1215 720

Mag 14

131 681

1424 798

778 240

Mag 15

229 006

220 006

114 503

Mag 16

122 883

957 139

540 011

Mag 17

318 064

318 064

159 032

Mag 18

242 211

1186 246

714 228

Mag 19

254 451

254 451

127 225

Mag 20

318 064

318 064

159 032

Mag 21

267 174

267 174

133 587

Mag 22

178 116

178 116

89 058

Mag 23

184 477

184 477

92 238

Mag 24

235 367

235 367

117 683

Mag 25

279 896

279 896

139 948

Mag 26

267 174

267 174

133 587

Mag 27

292 619

292 619

146 309

Mag 28

254 451

254 451

127 225

Mag 29

222 645

222 645

111 322

Mag 30

95 289

681 795

388 542

Mag 31

0

1818 812

909 406

Mag 32

146 369

242 683

194 526

Mag 33

273 535

273 535

136 767

Mag 34

209 922

209 922

104 961

Mag 35

159 032

159 032

79 516

Mag 36

292 619

292 619

146 309

Mag 37

197 199

197 199

98 599

Mag 38

170 364

170 364

163 437

Mag 39

184 477

184 477

92 238

Σ = 10 000 000 €

Tableau 4. – Modèle d’allocation des coûts fixes

Analyses

49Conformément à l’axiomatique dea, on dénombre davantage d’unités efficientes lorsque les rendements sont variables. Ainsi, à rendements constants (approche Bcc), deux magasins seulement sont considérés efficients (Mag 11, Mag 13). Par exemple, pour être efficient, le premier magasin dispose de deux options :

  • augmenter son volume de ventes et son chiffre d’affaires surgelés de 24,85 % (orientation outputs) ;
  • améliorer son processus de consommation de ressources qui montre que 19,91 % de celles-ci sont mal employées24.

50Les deux unités efficientes ainsi identifiées ont ainsi permis d’allouer les coûts communs à l’ensemble des magasins. Par ailleurs, quelle que soit l’orientation du modèle, on obtient les mêmes scores d’efficience avant et après processus d’allocation des coûts communs. Cependant, la mesure de l’efficience ne représente pas ici l’enjeu majeur. Elle constitue davantage un support méthodologique, extrêmement bien maîtrisé en termes d’axiomatique, pour déployer la problématique de l’imputation de coûts. On résout ainsi le problème lié à l’identification d’un facteur exclusif du processus de consommation de ressources en raisonnant globalement sur les causes à l’origine de la consommation de charges.

51En conséquence, ce papier ouvre des perspectives dans le secteur des services (principalement, banques, hôpitaux, universités) pour lesquels la problématique de l’imputation des coûts communs demeure centrale.

Conclusion

52Les approches traditionnelles de répartition des coûts communs expliquent le processus de consommation de ressources à partir d’un facteur explicatif unique. Or, l’analyse des coûts dans la grande distribution tend à remettre en cause cette proposition. C’est pourquoi, nous avons privilégié une méthode d’imputation reposant sur l’axiomatique DEA qui favorise une vision transverse de la performance. Au final, le papier propose un modèle équitable de répartition des coûts communs dans la mesure où les scores d’efficience demeurent identiques avant et après le processus d’imputation. Cependant, les résultats obtenus demandent à être généralisés dans le cadre d’une modélisation à rendements variables.

Bibliographie

Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.

Bibliographie

Achabal D. D., Heineke J. M. et Mcintyre S. H., 1984, « Issues and Perspectives on Retail Productivity », Journal of Retailing, vol. 60, no 3, p. 107-127.

Ahn T. et Seiford L., 1990, « Sensitivity of DEA to models and variables sets in a hypo thesis test setting: the efficiency of university operations », inIjiri Y. (dir.), Creative and Innovative Approaches to the Science of Management, New York, Quorum Books.

10.3917/dunod.alcou.2013.01 :

Alcouffe S., Boitier M. et Rivière A., 2013, Contrôle de gestion sur mesure : industrie, grande distribution, banque, secteur public, culture, Paris, Dunod.

10.1016/j.amc.2005.01.064 :

Amirteimoori A. et Kordrostami S., 2005, « Allocating fixed costs and target setting : a DEA-based approach », Applied Mathematics and Computation, vol. 171, p. 136-151.

Banker R., Charnes A. et Cooper W., 1984, « Some models for estimating technical and scale efficiencies in data envelopment analysis », Management Science, vol. 30, no 9, p. 1078-1092.

10.1287/mnsc.39.10.1265 :

Banker R., 1993, « Maximum likelihood, consistency and data envelopment analysis : a statistical foundation », Management Science, vol. 39, no 10, p. 1265-1273.

10.1287/mnsc.32.12.1613 :

Banker R. D. et Morey R. C., 1986, « The use of categorical variables in data envelopment analysis », Management Science, vol. 32, no 12, p. 1613-1627.

10.1287/opre.34.4.513 :

Banker R. D. et Morey R. C., 1986, « Efficiency analysis for exogenously fixed inputs and outputs », Operations Research, vol. 34, no 4, p. 513-521.

10.1016/S0377-2217(02)00244-8 :

Beasley J. E., 2003, « Allocating fixed costs and resources via data envelopment analysis », European Journal of Operational Research, vol. 147, p. 198-216.

Bessire D., 1998, « Logiques d’entreprise et design du contrôle de gestion : une comparaison entre le commerce de détail intégré et la banque commerciale », Finance Contrôle Stratégie, vol. I, no 4, décembre, p. 5-37.

Biddle G. et Steinberg R., 1985, « Common cost allocation in the firm », inYoung H. P. (dir.), Cost allocations: methods, principles, applications, North Holland, Elsevier.

10.1111/j.1540-5915.1996.tb00846.x :

Carter M. et Walker P., 1996, « The Nucleolus Strikes Back », Decision Sciences, vol. 27, no 1, p. 123-136.

10.1177/076737019901400103 :

Chabi S., 1999, « Analyse de l’efficience des produits à l’aide des méthodes d’enveloppe. Une application au marché des lave-vaisselle », Recherche et applications en marketing, vol. 14, no 1, p. 41-57.

10.1016/0377-2217(79)90229-7 :

Charnes A., Cooper W. W. et Rhodes E., 1978, « Measuring efficiency of decision making units », European Journal of Operational Research, vol. 2, p. 429-444.

10.1007/978-1-4615-5493-6 :

Coelli T., Rao D. S. P. et Battese G. E., 1999, An introduction to efficiency and productivity analysis, Berlin, Kluwer Academic Publishers.

Cliquet G., Fady A. et Basset G., 2006, Management de la distribution, Paris, Dunod.

10.1016/S0377-2217(98)00337-3 :

Cook D. W. et Kress M., 1999, « Characterizing an equitable allocation of shared costs: a DEA approach », European Journal of Operational Research, vol. 119, p. 652-661.

10.1016/j.ejor.2008.01.032 :

Cook D. W. et Seiford L. M., 2009, « Data envelopment analysis (DEA). Thirty years on », European Journal of Operational Research, vol. 192, p. 1-17.

10.1016/j.cor.2004.02.007 :

Cook D. W. et Zhu J., 2005, « Allocation of shared costs among decision making units: a DEA approach », Computer & Operations Research, vol. 32, p. 2171-2178.

10.1016/S0957-1787(98)00007-1 :

Cubin J. et Tzanidakis G., 1998, « Regression versus data envelopment analysis for efficiency measurement: an application to the England and Wales regulated water industry », Utilities Policy, vol. 7, p. 75-85.

Doche F., Durand X. et Kuszla C., 2013, « Observatoire international du contrôle de gestion : résultats 2013. Quelles activités ? Quels processus ? Quelles méthodes ? Quels systèmes ? », Les cahiers techniques de la DFCG, no 9.

10.1016/S0022-4359(99)80089-X :

Donthu N. et Yoo B., 1998, « Retail productivity assessment using data envelopment analysis », Journal of Retailing, vol. 74, no 1, p. 89-105.

Doutt J. T., 1984, « Comparative productivity performance in fast-food retail distribution », Journal of Retailing, vol. 60, no 3, p. 98-106.

Eigler P. et Langeard E., Servuction : le marketing des services, Paris, édiscience, 1999.

10.1177/002224294100500402 :

Engle N. H., 1941, « Measurement of economic and marketing efficiency », The Journal of Marketing, vol. 5, no 4, p. 335-349.

10.1007/978-1-4613-3799-7 :

Frantz R. S., 1997, X-efficiency: theory, evidence and applications, Berlin, Kluwer Academic Publishers.

Fried H. O., Schmidt S. S. et Yaisawarng S., 1999, « Incorporating the operating environment into a non-parametric measure of technical efficiency », Journal of Productivity Analysis, vol. 12, no 3, p. 249-267.

10.2307/2490866 :

Gangolly J., 1981, « On joint cost allocation: Independent Cost Proportional Scheme (ICPS) and its properties », Journal of Accounting Research, vol. 19, no 2, p. 299-312.

Gervais M., 1997, Contrôle de gestion, Paris, Economica.

10.3917/cca.101.0147 :

Gervais M. et Thenet G., 2003, « Comment évaluer la productivité dans les activités de service ? », Comptabilité Contrôle Audit, vol. IX, no 1, p. 5-28.

Gervais M., Levant Y. et Ducrocq C., 2010, « Le Time-Driven Activity-Based Costing (TDABC) : un premier bilan à travers une étude de cas longitudinale », Finance Contrôle Stratégie, vol. 13, no 1, p. 123-155.

10.1016/0305-0483(89)90029-7 :

Golany B. et Roll Y., 1989, « An application procedure for DEA », International Journal of Management Science, vol. 17, no 3, p. 237-250.

Good W. S., 1984, « Productivity in the retail grocery trade », Journal of Retailing, vol. 60, no 3, p. 81-97.

Greene W. H., 1983, « Econometric measurement of production technologies », in Gautschi D. A. (dir.), Productivity and Efficiency in distribution systems, North Holland, Elsevier.

10.1016/S0022-4359(99)00015-9 :

Grewal D., Levy M., Mehrotra A. et Sharma A., 1999, « Planning merchandising decisions to account for regional and product assortment differences », Journal of Retailing, vol. 75, no 3, p. 405-424.

Hubrecht A., 2003, La mesure de performance des points de vente : une approche par les frontières d’efficience, thèse de doctorat, université de Strasbourg 3.

Hise R. T., Kelly J. P., Gable M. et McDonald J. B., 1983, « Factors affecting the performance of individual chain store units », Journal of Retailing, vol. 59, no 2, p. 1-18.

10.1177/002224298204600409 :

Ingene C. A., 1982, « Labor productivity in retailing », Journal of Marketing, vol. 46, no 4, p. 75-90.

Ingene C. A., 1984, « Structural determinants of market potential », Journal of Retailing, vol. 60, no 1, p. 37-64.

10.1016/S0096-3003(03)00631-3 :

Jahanshahloo G. R., Hosseinzadeh F., Shoja N. et Sanei M., 2004, « An alternative approach for equitable allocation of shared costs by using DEA », Applied Mathematics and Computation, vol. 153, p. 267-274.

10.2139/ssrn.485443 :

Kaplan R. S. et Anderson S. R., 2004, « Time-Driven Activity Based Costing », Harvard Business Review, vol. 82, no 11, p. 131-138.

10.1016/S0022-4359(96)90018-4 :

Kamakura W. A., Lenartowicz T. et Ratchford B. T., 1996, « Productivity assessment of multiple retail outlets », Journal of Retailing, vol. 72, no 4, p. 333-356.

10.1111/1467-6419.00080 :

Kalirajan K. P. et Shand R. T., 1999, « Frontier production functions and technical efficiency measures », Journal of Economic Surveys, vol. 13, no 2, p. 149-172.

10.1016/j.ejor.2004.04.050 :

Keh H. T., Chu S. et Xu J., 2004, « Efficiency, effectiveness and productivity of marketing services », European Journal of Operational Research, vol. 170, no 1, p. 256-276.

La Villarmois O. de, 1999, Le contrôle du réseau bancaire : exploration de la fiabilité et de la pertinence d’une démarche de comparaison des unités opérationnelles, thèse de doctorat, université des sciences et technologies de Lille.

10.1080/05775132.1979.11470543 :

Leibenstein H., 1979, « X-efficiency: from concept to theory », Challenge, no 22, p. 13-22.

10.1016/j.ejor.2008.06.017 :

Li Y., Yang F., Liang L. et Hua Z., 2009, « Allocating the fixed cost as a complement of other cost inputs : A DEA approach », European Journal of Operational Research, vol. 197, p. 389-401.

10.1016/j.amc.2011.01.008 :

Lin R., 2011, « Allocating fixed costs or resources and setting targets via data envelopment analysis », Applied Mathematics and Computation, vol. 217, p. 6349-6358.

Louderback J. G., 1976, « Another approach to allocating joint costs : a comment », The Accounting Review, no 3, p. 683-687.

10.1007/978-94-009-3253-1 :

Lovell C. A. L. et Schmidt P., 1988, « A comparison of alternative approaches to the measurement of productive efficiency », inDogramaci A. et Färe R. (dir.), Applications of modern theory: efficiency and productivity, Boston, Kluwer.

Mclaughin C. P. et Coffey S., 1990, « Measuring productivity in services », International Journal of Service Industry Management, vol. 1, no 1, p. 46-64.

10.2307/2525757 :

Meeusen W. et Vand Den Broeck J., 1977, « Efficiency estimation from Cobb-Douglas production functions with composed error », International Economic Review, vol. 18, no 2, p. 435-444.

10.3917/cca.182.0073 :

Meyssonnier F., 2012, « Le contrôle de gestion des services : reflexion sur les fondements et l’instrumentation », Comptabilité Contrôle Audit, vol. 18, no 2, p. 73-97.

10.3166/rfg.241.93-105 :

Meyssonnier F., 2014, « Nouveaux repères et nouveaux espaces du contrôle de gestion dans les services », Revue française de gestion, no 241, p. 93-105.

Moriarity S., 1975, « Another approach to allocating joint costs », The Accounting Review, vol. 50, no 4, p. 791-795.

Muniz M. A., 2002, « Separating managerial inefficiency and external conditions in data envelopment analysis », European Journal of Operational Research, vol. 143, no 3, p. 625-643.

10.1016/S0925-5273(00)00027-X :

Murillo-Zamorano L. R. et Vega-Cervera J. A., 2001, « The use of parametric and non-parametric frontier methods to measure the productive efficiency in the industrial sector : a comparative study », International Journal of Production Economics, vol. 69, p. 265-275.

10.1007/978-94-011-1402-8 :

Parsons L. J., 1994, « Productivity versus relative efficiency in marketing: past and future? », in Laurent G., Lilien G. et Pras B. (dir.), Research Traditions in Marketing, International series in quantitative marketing, EIASM/Kluwer Academic Publishers, p. 169-196.

Piot-Lepetit I., 1995, Les excédents d’intrants polluants dus à des inefficacités des producteurs agricoles, thèse de doctorat, université de Bordeaux 1.

Ratchford B. T. et Stoops G. T., 1988, « A model measurement approach for studying retail productivity », Journal of Retailing, vol. 64, no 3, p. 241-263.

Seiford L. M., 1999, « Panorama de DEA : la méthode pour mesurer la performance dans le secteur des services », in La Méthode DEA, Paris, Hermès, p. 20-74.

10.1007/BF01753431 :

Shapley L. S., 1971, « Cores of convex games », International Journal of Game Theory, p. 11-26.

Sinigaglia N., 1997, Measuring Retail Units efficiency: a technical approach, doctoral dissertation, CREER, FUCAM, Mons.

10.1016/S0925-5273(99)00080-8 :

Tatsiopoulos I. P. et Panayiotou N., 2000, « The integration of activity based costing and enterprise modeling for reengineering purposes », International journal of production economics, no 66, p. 33-44.

10.3917/cca.022.0075 :

Thenet G., 1996, « Une relecture du problème de l’imputation des coûts joints et des coûts communs », Comptabilité Contrôle Audit, tome II, vol. 2, p. 75-91.

Thenet G., 1999, « L’explication de la consommation de coûts dans le secteur bancaire : la complémentarité de la méthode de régression en composantes principales et de la régression PLS », Finance Contrôle Stratégie, vol. 1, no 2, p. 167-190.

10.1016/S0167-8116(98)00021-4 :

Thomas R. R., Barr R. S., Cron W. L. et Slocum J. W. Jr., 1998, « A process for evaluating retail store efficiency : a restricted DEA approach », International Journal of Research in Marketing, vol. 15, no 5, p. 487-503.

Trémolières R., 1992, « Comptabilité des variations : inducteurs de coûts et valorisation d’activités », Économies et sociétés, série « Sciences de gestion », no 18, p. 93-127.

10.2307/2583436 :

Vassiloglou M. et Giokas D., 1990, « A study of the relative efficiency of bank branches: an application of data envelopment analysis », Journal of the Operational Research Society, vol. 41, no 7, p. 591-597.

Vyt D., 2005, « Évaluation du potentiel de ventes des points de vente », Décisions marketing, no 40, p. 51-61.

Young H. P., 1985, « Methods and principles of cost allocation », in Young H. P. (dir.), Cost allocation: methods, principles, applications, North Holland, Elsevier.

Annexe

Annexe I. Modèle CCR orientation output

Image

ϕ : le coefficient d’augmentation de la production d’ outputs ;
yrk : le volume de l’output r (r = 1, 2) du magasin k, pour lequel on mesure l’ efficience ;
– xik : le volume de l’input i (i = 1, 2, 3) du magasin k, pour lequel l’efficience est mesurée ;
yij : le montant du ie output (i = 1, 2) du je magasin (Mag = 1,…, 39) ;
– μj : les poids (pour le primal, orienté outputs) qui permettent de calculer la production
d’outputs et la consommation de ressources d’un magasin virtuel (j = 1,…, 39) ;
xij : le montant du ie input (i = 1, 2, 3) du je magasin (Mag = 1,…, 39) ;
– Image : slacks d’inputs en insuffisance pour le magasin i ;
– Image : slacks d’outputs en excès pour le magasin i.

Annexe II. Modèle de Cook et al.

Pour chaque magasin non efficient, il s’agit de sélectionner les peersImage du modèle suivant, tel que :

Image

où P est une fonction arbitraire et R désigne le montant global des coûts d’infrastructure à répartir.

Annexe III. Modèle de Lin (2011)

La quatrième étape consiste à calculer le montant maximum rk des coûts fixes « imputables » à chaque magasin k :

Image

La cinquième phase permet la répartition finale des coûts fixes :

Image

Annexe IV. Application des règles de dualité

Image

avec :
θ : coefficient d’utilisation des ressources correspondant à l’efficience technique pour un modèle orienté inputs ;
–– λj : les poids (pour le dual orienté inputs) utilisés pour le calcul de la production d’outputs et la consommation de ressources d’une firme virtuelle ;
–– φ = 1/θ : coefficient « d’augmentation » de la production d’outputs (modèle orienté output) ;
–– μj : les poids (pour le primal, orienté outputs) utilisés pour le calcul de la production d’outputs et la consommation de ressources d’une firme virtuelle ;
– Image : slacks (input en excès) de l’input i (modèle orienté inputs) ;
– Image : slacks (output en insuffisance) de l’output r (modèle orienté inputs) ;
– Image : slacks (input en insuffisance) de l’input i (modèle orienté outputs) ;
– Image : slacks (output en excès) de l’output r (modèle orienté outputs).
Source : établie par les auteurs.

Notes de bas de page

1 Source : DGCCRF éco, Panorama de la grande distribution alimentaire en France, no 25, février 2014.

2 Source : Nielsen Trade dimensions, 2 novembre 2014.

3 Source : DGCCRF éco, Panorama de la grande distribution alimentaire en France, no 25, février 2014.

4 Figure réalisée à partir du site [www.mouvement-leclerc.com].

5 EBIT: Earnings Before Interest and Taxes.

6 Étude Deloitte-SAS, Les modèles de répartition des coûts dans les entreprises en France : mesurer et accroître la performance, mai 2012.

7 Requalifié: Consortium for Advanced Manufacturing International.

8 Le TDABC modélise les processus au moyen d’une équation de temps qui intègre les différentes activités réalisées. L’approche est présentée par ses concepteurs comme un substitut à l’approche ABC pour remédier à sa complexité. En effet, le temps d’exécution pour la réalisation des opérations constitue désormais l’inducteur unique. Toutefois, le fait de devoir mettre à jour régulièrement les temps standards fait de la méthode une approche de « consultants ». Développée aussi bien dans le secteur industriel que les services, elle concerne environ 200 entreprises.

9 Ccr pour Charnes, Cooper et Rhodes.

10 Qualifié de modèle BCC pour Banker, Charnes et Cooper.

11 FDH : Free Disposant Hull. La méthode représente un cas particulier et tend à produire des estimations moyennes d’efficience plus élevées que DEA.

12 Par exemple, le distributeur ne peut agir sur l’intensité concurrentielle de sa zone de chalandise.

13 Un coût joint résulte de « fonctions de production non séparables pour deux ou plusieurs produits ».

14 Un coût commun est lié à l’occurrence d’économies d’échelle pour lesquelles une fonction de production unique « est définie au niveau d’un seul produit ou service intermédiaire qui est utilisé par deux ou plusieurs divisions ou lignes de produits ».

15 C’est la loi de combinaison des activités reliant les ressources consommées (les inputs) aux objets de coûts (les outputs).

16 La méthode revient à maximiser l’efficience moyenne des unités de décision afin d’obtenir une solution unique au modèle de répartition. Par ailleurs, elle s’inscrit dans la famille des méthodes non linéaires et est extrêmement lourde en termes de calculs.

17 Les auteurs amendent l’approche de Bealey pour les cas où le modèle ne permet pas de trouver de solution.

18 Le montant des coûts d’infrastructure a été estimé de manière arbitraire.

19 Vous trouverez le modèle à l’annexe I.

20 On notera que les deux approches aboutissent au même classement et peuvent être facilement déduites l’une de l’autre en utilisant les règles de dualité (annexe IV).

21 Ce ratio s’assimile à facteur de sous-utilisation des ressources.

22 On observe le phénomène d’invariance à partir de l’instant où, pour chaque DMU de l’échantillon, l’efficience mesurée reste inchangée après prise en compte des coûts communs en tant que variable d’input.

23 Ils fournissent les « peers » des Dmu efficients qui seront utilisés par la suite pour opérer la répartition des coûts fixes communs.

24 On calcule aisément le ratio de sous-utilisation des ressources à partir du score d’efficience : 100 % – 80,09 % = 19,91 %.

Précédent Suivant

Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.