Approche intégrée pour l'amélioration de la résilience de la chaîne logistique

Integrated approach for supply chain resilience improvement

• Auteur / Autrice : Yueyu Ding
• Direction : Feng Chu, Ming Liu
• Type : Thèse de doctorat
• Discipline(s) : Informatique mathématique
• Date : Soutenance le 27/03/2026
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Informatique, BioInformatique, Systèmes Complexes (Evry, Essonne)
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Partenaire(s) de recherche : Equipe de recherche : AROBAS : Algorithmique, Recherche Opérationnelle, Bioinformatique et Apprentissage Statistique
• Jury : Président / Présidente : Alexandre Dolgui
• Jury : Examinateurs / Examinatrices : Abdelghani Bekrar, Wei Zhou, Anne Barros, Junkai He, Salma Makboul
• Jury : Rapporteurs / Rapporteuses : Abdelghani Bekrar, Wei Zhou
• DOI : 10.70675/0da4f559z93d2z47a6zb4b2z62f5a00216be

Mots clés

Mots clés contrôlés

Logistique (gestion)

Évaluation du risque

Mots clés libres

Événement perturbateur

Résilience de la chaîne logistique

Prédiction

Évaluation des risques

Atténuation

Approche optimale

Disruptive event

Supply chain resilience

Prediction

Risk assessment

Mitigation

Optimal approach

Résumé

Les chaînes logistiques (CL) sont fortement vulnérables en raison de leur grande complexité structurelle et de la fréquence croissante des événements perturbateurs. Le renforcement de leur résilience par la prédiction, l’évaluation et l’atténuation des risques est un enjeu majeur de la gestion moderne des chaînes logistiques. Cependant, la plupart des travaux portent sur des événements perturbateurs généraux et négligent les spécificités de certains événements, tels que les pénuries d’électricité et l’incident Crowd- Strike. Peu d’études évaluent quantitativement l’impact des interventions gouvernementales et de nouvelles technologies, telles que la fabrication additive (FA), à partir de l’évaluation des risques. En outre, aucune étude ne considère simultanément la prédiction et l’évaluation des risques tout en proposant des stratégies à la fois proactives et réactives. Pour combler ces lacunes, cette thèse étudie quatre nouveaux problèmes de gestion des risques des CL en situation de perturbation. Le premier travail porte sur l’amélioration de la résilience des CL face aux pénuries d’électricité. Deux nouvelles stratégies de reprise, fondées sur des sources d’énergie alternatives et des véhicules de transport alternatifs, sont proposées pour rétablir les performances de la CL. Le problème est modélisé par un modèle d’optimisation biobjectif distributionnellement robuste sous contraintes de chance, visant à trouver le meilleur compromis entre le coût total de reprise et le niveau de service. Une méthode efficace en ϵ-contrainte, intégrant une heuristique constructive, est ensuite développée. L’analyse expérimentale permet de dégager plusieurs enseignements managériaux. Le deuxième travail étudie un problème de minimisation des risques dans les CL dans une perspective de pire cas. L’objectif est de proposer une stratégie proactive efficace, à savoir les interventions gouvernementales, à partir de l’évaluation des risques. Un réseau bayésien causal (CBN) est utilisé pour quantifier la propagation structurelle des risques de perturbation, et la technique du do-calculus pour mesurer les bénéfices des interventions gouvernementales. Un modèle d’optimisation robuste est construit pour minimiser le risque de perturbation du fabricant dans le pire des cas. Un algorithme de séparation et évaluation spécifique au problème est proposé pour résoudre efficacement ce problème. Des expériences numériques valident l’efficacité de la méthodologie proposée et permettent de dégager plusieurs enseignements managériaux. Le troisième travail traite un problème de minimisation des risques dans les CL par l’évaluation des risques et une stratégie réactive optimale fondée sur la fabrication additive. Un réseau bayésien dynamique (DBN) est utilisé pour mesurer la propagation structurelle et temporelle des risques de perturbation. Un modèle mathématique fondé sur un processus de décision markovien spécifique au problème est proposé, ainsi qu’un algorithme génétique efficace basé sur le Q-learning pour le résoudre. Plusieurs enseignements managériaux sont tirés de l’analyse expérimentale. Le quatrième travail propose une approche intégrée combinant la prédiction, l’évaluation et l’atténuation des risques pour minimiser le risque de perturbation dans les CL. L’inférence bayésienne est utilisée pour prédire les risques de perturbation, le DBN pour quantifier leur propagation, et un processus de décision markovien partiellement observable (POMDP) pour modéliser le processus décisionnel à partir de données partiellement observables de la CL. Un nouveau modèle mathématique fondé sur le DBN et le POMDP est formulé pour déterminer la décision optimale, et un algorithme génétique est proposé pour le résoudre. L’analyse des exemples expérimentaux permet de dégager plusieurs enseignements managériaux.

Supply chains (SCs) are significantly vulnerable due to their high structural complexity and the increasing frequency of disruptive events. Enhancing SC resilience via risk prediction, risk assessment, and mitigation is an important research topic in modern SC management. However, most research focuses on general disruptive events, ignoring the characteristics of specific disruptive events such as electricity shortage and the CrowdStrike incident. Few studies quantitatively evaluate the impact of government intervention and new technologies, such as additive manufacturing (AM), based on risk assessment. Moreover, no study in the literature simultaneously considers the risk prediction and analysis and provides both proactive and reactive strategies. To fill the research gaps, this thesis investigates four novel SC risk management problems under disruptions.The first work studies SC resilience improvement under electricity shortages. For the problem, two new recovery strategies (i.e., alternative energy sources and alternative transportation vehicles) are provided to restore SC performance. The studied problem is modeled by a bi-objective distributionally robust chance-constrained optimization model, which aims to find the best balance between total recovery cost and service level. Subsequently, an effective epsilon-constraint method including a constructive heuristic is developed for the problem. Based on the analysis of experimental results, key managerial insights are derived.The second work investigates the SC risk minimization problem from the worst-case perspective. The objective is to propose an effective proactive strategy, i.e., government interventions, based on risk assessment. For the problem, a causal Bayesian network is applied to quantify structural disruption risk propagation, and the Do-calculus technique is used to measure the benefits of government interventions. A robust optimization model is constructed to minimize the worst-case disruption risk of the manufacturer. A problem-specific branch-and-bound algorithm is proposed to efficiently solve the problem. Numerical experiments are conducted to verify the effectiveness and efficiency of the proposed methodology, and managerial insights are drawn.The third work addresses the SC risk minimization problem via risk assessment and the optimal reactive AM strategy. For the problem, a dynamic Bayesian network (DBN) is used to measure the structural and temporal disruption risk propagation. Furthermore, a problem-specific Markov decision process-based mathematical model is proposed and an efficient Q-learning-based genetic algorithm is developed to solve the problem. Managerial insights are derived based on the experimental analysis.The fourth work proposes an integrated technique that includes risk prediction, risk assessment, and mitigation to minimize SC disruption risk, in which Bayesian inference is used to predict disruption risk, DBN is applied to quantify risk propagation, and partially observable Markov decision process (POMDP) is used to model the decision process with partially observable SC data. For the problem, a new DBN and POMDP-based mathematical model is formulated to find the optimal decision, and a genetic algorithm is proposed to solve the problem. Through the analysis of experimental examples, several managerial insights are derived.