Vous êtes sur la page 1sur 156

Thse

de doctorat
de lUTT
Valeria BORODIN

Optimisation et simulation
d'une chane logistique :
application au secteur de l'agriculture

Spcialit :

Optimisation et Sret des Systmes

2014TROY0034

Anne 2014

THESE
pour lobtention du grade de

DOCTEUR de lUNIVERSITE
DE TECHNOLOGIE DE TROYES
Spcialit : OPTIMISATION ET SURETE DES SYSTEMES
prsente et soutenue par

Valeria BORODIN
le 1er dcembre 2014

Optimisation et simulation dune chane logistique :


application au secteur de lagriculture

JURY
M. B. GRABOT
M. S. DAUZRE-PRS
M. Y. FREIN
M. F. HNAIEN
Mme N. LABADIE
M. O. NAUD

PROFESSEUR DES UNIVERSITES


PROFESSEUR ENSM SAINT ETIENNE
PROFESSEUR DES UNIVERSITES
MAITRE DE CONFERENCES
MAITRE DE CONFERENCES - HDR
INGENIEUR DE RECHERCHE

Prsident
Rapporteur
Rapporteur
Directeur de thse
Directrice de thse
Examinateur

Personnalits invites
M. J. BOURTEMBOURG INGENIEUR AGRICOLE
M. J.-P. NICOLETTI
CHARGE DES ETUDES ECONOMIQUES

Elisabeth Popa

Remerciements
Avant dentamer la prsentation du travail ralis au cours de trois annes, tout dabord, je voudrais remercier
lAssociation Nationale de la Recherche et de la Technologie (ANRT) pour avoir rendu possible cette thse
CIFRE, collaboration entre la Socit Cooprative Agricole de la Rgion dArcis-sur-Aube (SCARA), lUniversit
de Technologie de Troyes (UTT) et lInstitut du Vgtal Arvalis (ARVALIS).
Ma reconnaissance se porte vers Messieurs Stphane Dauzre-Prs, Professeur lcole des Mines de Sainttienne et Yannick Frein, Professeur des Universits lInstitut Polytechnique de Grenoble, pour lhonneur
quils me font en ayant accept dtre les rapporteurs de cette thse.
Que Messieurs Bernard Grabot, Professeur lcole Nationale dIngnieurs de Tarbes, et Olivier Naud, Ingnieur de Recherche lIRSTEA, me permettent de leur exprimer ma gratitude pour avoir accept dexaminer
ce manuscrit et pour leur participation au jury.
Je tiens remercier tout particulirement et tmoigner toute ma reconnaissance, Jean Bourtembourg,
mon responsable en entreprise, pour laide et les conseils pertinents concernant les missions voques dans ce
mmoire, ainsi que pour son intrt et le soutien quil ma accords. Jadresse galement mes remerciements la
directrice Agns Duwer pour son accueil chaleureux et la confiance quelle ma accords ds mon arrive.
Toute ma gratitude sadresse mes directeurs de thse, Nacima Labadie et Faicel Hnaien, qui mont donn
lopportunit de raliser cette thse et mont encadre au cours de ces trois annes. Je les remercie tout particulirement pour leur disponibilit, leur aide scientifique et pour mavoir aiguille dans mes travaux de
recherche. Leurs connaissances, leurs expertises, leurs conseils constructifs et aviss mont permis de mener
bien ce travail.
Je remercie lquipe ARVALIS pour sa collaboration au cours de ces annes. Ses connaissances et son expertise
dans le domaine des grandes cultures ont facilit mes tches et mont permis de dcouvrir le domaine de
lagronomie cralire.
Je souhaite mentionner le plaisir que jai eu de passer la plupart de mon temps au sein de la SCARA et
remercier lensemble du personnel pour son accueil sympathique, ainsi que sa gentillesse tout au long de
ces trois annes de thse, et tout spcialement Cline G., Laurence, Francis, Francine, Catherine, Franoise,
Laurent, Cline P., Cdric, Bernard, Philippe, Guillaume, Isabelle, Anne-Marie, Nicolas D., Nicolas M., Nicolas
C., Charlotte, Christian, Benoit, Estelle, Sylvie, ... Je les remercie aussi pour leur rceptivit et leur bienveillance
permanente.
Je remercie galement tous les doctorants, post-doctorants et permanents du LOSI, mme si je les ai trop peu
croiss pendant la thse, pour les changes amicaux que nous avons pu avoir ensemble.
Finalement, jadresse un immense et trs sincre merci mes parents et ma famille, pour leur soutien inconditionnel, la confiance et fiert quils me portent.
Valeria BORODIN

iii

Table des matires

Remerciements

iii

Rsum

xiii

Abstract

xiv

Introduction gnrale
1.1 Prsentation de lentreprise . . . . .
1.1.1 La SCARA . . . . . . . . . .
1.1.2 Les savoir-faire . . . . . . .
1.2 Contexte et problmatique . . . . .
1.3 Objectifs, dmarche et contributions
1.4 Structure de la thse . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

1
1
1
2
3
3
4

2 tat de lart : management de la chane dapprovisionnement agricole


2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Chane dapprovisionnement agro-alimentaire . . . . . . . . . . . . . . . . . . . . .
2.2.1 Chane dapprovisionnement agro-alimentaire des produits non-prissables
2.2.2 Chane dapprovisionnement agro-alimentaire des produits prissables . . .
2.3 Chane dapprovisionnement agro-nergtique . . . . . . . . . . . . . . . . . . . . .
2.4 Chane dapprovisionnement en aliments pour btail . . . . . . . . . . . . . . . . .
2.5 Chane dapprovisionnement en produits industriels . . . . . . . . . . . . . . . . . .
2.6 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

7
7
9
12
15
19
24
25
26

3 Simulation de la chane logistique agricole


3.1 Introduction . . . . . . . . . . . . . . . . . .
3.2 Description de la chane logistique agricole .
3.3 Modlisation de la chane logistique agricole
3.3.1 Composante physique . . . . . . . .
3.3.2 Composante de commande . . . . .
3.3.3 Instanciation et paramtrage . . . .
3.4 Rsultats numriques . . . . . . . . . . . . .
3.5 Conclusions et perspectives . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

29
29
30
32
32
34
38
41
43

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

4 Gestion des risques de dgradation de la qualit des crales : cas statique


45
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
v

V. Borodin

4.2

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

47
48
50
52
55
58
62

5 Gestion des risques de dgradation de la qualit des crales : cas dynamique


5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Description du problme et modlisation mathmatique . . . . . . . . . . . . . .
5.3 Une approche dynamique pro-active . . . . . . . . . . . . . . . . . . . . . . . . .
5.4 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

65
65
66
71
74
78

6 Techniques statistiques de prvision des livraisons


6.1 Introduction . . . . . . . . . . . . . . . . . . . . . .
6.2 Description du problme . . . . . . . . . . . . . . .
6.3 Mthodologie . . . . . . . . . . . . . . . . . . . . .
6.3.1 Rgression base sur donnes de panel . . .
6.3.2 Rgression multivarie par spline adaptative
6.4 Rsultats numriques . . . . . . . . . . . . . . . . .
6.4.1 Estimation et apprentissage . . . . . . . . .
6.4.2 Prvisions et validation . . . . . . . . . . .
6.5 Conclusions . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

79
79
81
83
83
86
87
88
91
92

.
.
.
.
.
.
.
.

93
93
95
99
99
100
101
102
103

.
.
.
.
.
.
.
.
.

105
105
106
110
112
112
112
113
114
115

4.3
4.4
4.5
4.6

Description du problme et modlisation mathmatique . . . . . . . . . . . .


4.2.1 Programmation sous contraintes probabilistes jointes . . . . . . . . .
4.2.2 Programmation mixte en nombres entiers . . . . . . . . . . . . . . .
Une approche base sur la rduction des scnarios . . . . . . . . . . . . . . .
Reformulation mixte en nombres entiers et le concept de pertinence-(1 )
Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

7 Planification des oprations de vidage des silos de collecte


7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Description du problme et modlisation mathmatique . . .
7.3 Mthodologie de rsolution . . . . . . . . . . . . . . . . . . .
7.3.1 Incertitude sur les coefficients de la fonction-objectif
7.3.2 Incertitude sur les coefficients du second membre . .
7.3.3 Approche combine . . . . . . . . . . . . . . . . . .
7.4 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . .
7.5 Conclusions et perspectives . . . . . . . . . . . . . . . . . .
8 Reconfiguration de la chane logistique agricole
8.1 Introduction . . . . . . . . . . . . . . . . . . . .
8.2 Couplage simulation optimisation . . . . . . . .
8.3 Vers une approche mutualise . . . . . . . . . .
8.4 Analyse de scnarios prospectifs . . . . . . . . .
8.5 Rsultats numriques . . . . . . . . . . . . . . .
8.5.1 Optimisation du systme simul . . . . .
8.5.2 Simulation et optimisation . . . . . . . .
8.5.3 Analyse de performance . . . . . . . . .
8.6 Conclusions et perspectives . . . . . . . . . . .
vi

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

TABLE DES MATIRES

Conclusions gnrales

117

Liste de publications

119

Annexes
A
tude spatialise : systme dinformation gographique .
B
Chane logistique agricole dans la littrature : statistiques
C
Classification taxonomique de crales . . . . . . . . . .
D
Intgration des logiciels ARENA et CPLEX . . . . . . . .
Bibliographie

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

121
121
124
125
125
127

vii

Liste des tableaux

2.1
2.2
2.3
2.4
2.5
2.6
2.7

Chane dapprovisionnement agro-alimentaire non-prissable : liste des modles mathmatiques dterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


Chane dapprovisionnement agro-alimentaire prissable : liste des modles mathmatiques dterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Chane dapprovisionnement agro-alimentaire : liste des modles mathmatiques stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Chane dapprovisionnement agro-alimentaire : liste des modles mathmatiques robustes
Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques
dterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques
stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques
robustes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14
16
17
18
20
21
22

4.1
4.2
4.3

Gestion des risques de dgradation de la qualit des crales : notations . . . . . . . . . . . 47


Tests effectus pour une priode de rcolte de 10 jours . . . . . . . . . . . . . . . . . . . . 61
Tests effectus pour une priode de rcolte de 13 jours . . . . . . . . . . . . . . . . . . . . 62

5.1
5.2

ADP vs. SHG pour 10 instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75


ADP vs. VOS pour 10 instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

6.2
6.1
6.3

Techniques statistiques de prvision des livraisons de collecte : notations . . . . . . . . .


Statistiques descriptives : la livraison de rcolte et la mto . . . . . . . . . . . . . . . . .
Estimations des modles de rgression base sur donnes de panel : orge dhiver et orge de
printemps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estimations des modles de rgression base sur donnes de panel : bl dhiver et colza .
Prvisions hors-chantillon (2013) bases sur un chantillon de 8 campagnes agricoles
(2005-2012) pour lorge de printemps et lorge dhiver : qualit dajustement . . . . . . . .
Prvisions hors-chantillon (2013) bases sur un chantillon de 8 campagnes agricoles
(2005-2012) pour le bl dhiver et colza : qualit dajustement . . . . . . . . . . . . . . . .

6.4
6.5
6.6

. 83
. 84
. 89
. 90
. 91
. 92

7.1

Planification des oprations de vidage des silos de collecte : notations . . . . . . . . . . . . 96

8.1
8.2

Optimisation logistique du systme simul : notations . . . . . . . . . . . . . . . . . . . . . 109


OptQuest: optimisation via simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

ix

Table des figures

1.1
1.2
1.3
2.1
2.2
2.3

SCARA : une localisation gographique au cur de grands axes de commercialisation


(Scara, 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Savoir-faire de la SCARA (Scara, 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Gestion de la chane logistique agricole : un aperu mthodologique du systme daide
la dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Filire agricole : les principaux domaines dutilisation . . . . . . . . . . . . . . . . . . . . .
Chane logistique agricole : les principaux acteurs (Hovelaque et al., 2009; Beske et al., 2014)
Exploitation agricole : les dcisions prendre du stratgique loprationnel (Jang and Klein,
2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9

Chane logistique agricole dans son tat actuel . . . . . . . . . . . . . . . . . . . . . . . .


Modlisation de la chane logistique : livraison et stockage . . . . . . . . . . . . . . . . . .
Modlisation de la chane logistique : vidage des silos de collecte . . . . . . . . . . . . . .
Systme de file dattente auprs des silos de stockage . . . . . . . . . . . . . . . . . . . .
Modlisation de la chane logistique : opration de schage . . . . . . . . . . . . . . . . .
Rsultats numriques : activit des schoirs . . . . . . . . . . . . . . . . . . . . . . . . . .
Rsultats numriques : activit de stockage . . . . . . . . . . . . . . . . . . . . . . . . . .
Rsultats numriques : file dattente un silo de stockage . . . . . . . . . . . . . . . . . .
Rsultats numriques : volution des risques cumuls de dgradation de la qualit des crales
collectes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.10 Rsultats numriques : le taux dutilisation dun chantier agricole . . . . . . . . . . . . . .
4.1

.
.
.
.
.
.
.
.

2
2
3
8
8
9
31
35
35
36
37
39
40
41

. 42
. 42

Rsultats relatifs P(4.2.1) pour un horizon de temps de 10 jours : temps de calcul . . . . . 60

5.1 Un aperu du processus de prise de dcisions multi-tapes horizon glissant . . . . . . . . 68


5.12 Approche dynamique pro-active : exprimentations numriques pour 10 instances . . . . . 77
6.1
6.2

Dispersion gographique des stations mtorologiques et des silos de stockage . . . . . . . 81


Les quantits journalires totales livres au silo 3 durant les campagnes agricoles datant
de 2005 2013 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

7.1
7.2

(7.22) vs. (7.23) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102


(7.23) vs. (7.24) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

8.1
8.2

Optimisation via simulation (Fu, 2002; Kleijnen and Wan, 2007) . . . . . . . . . . . . . . . 107
Simulation pour optimisation (Fu, 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
xi

V. Borodin

8.3
8.4
8.5
8.6
8.7
8.8
8.9
A.1
A.2
A.3
B.1

B.2

C.1
D.1

Simulation et optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vers une approche mutualise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Chane logistique alternative : transfert direct entre les champs et les silos dexpdition .
Exprimentation numrique : simulation et optimisation . . . . . . . . . . . . . . . . . .
Exprimentation numrique : analyse de scnarios correspondant la fermeture dun seul
silo de collecte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exprimentation numrique : analyse de scnarios correspondant la fermeture de deux
silos de collecte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exprimentation numrique : chane logistique actuelle vs. chane logistique alternative .
Carte illustrant le primtre concern par la cooprative sous-tude . . . . . . . . . . . .
Campagne agricole 2014 : rpartition gographique des cultures semes . . . . . . . . . . .
Campagne agricole 2014 : qualit de bl selon lindice de chute de Hagberg . . . . . . . . .
volution du nombre de publications (tous domaines confondus) des termes agriculture
et supply chain dans le titre, le rsum ou les mots-clefs (donnes tires du moteur de
recherche Scopus, le mois de septembre 2014) . . . . . . . . . . . . . . . . . . . . . . . .
volution du nombre de publications (dans les domaines : engineering, computer science,
decision sciences et mathematics) des termes agriculture et supply chain dans le titre, le
rsum ou les mots-clefs (donnes tires du moteur de recherche Scopus, le mois de septembre 2014) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Classification taxonomique des crales livres la SCARA . . . . . . . . . . . . . . . . .
Lintgration des logiciels ARENA 1 et C++ 2 . . . . . . . . . . . . . . . . . . . . . . . . .

xii

.
.
.
.

108
110
111
113

. 114
.
.
.
.
.

114
115
122
123
123

. 124

. 124
. 125
. 125

Rsum :
La filire agroalimentaire se confronte aujourdhui des exigences toujours plus rigoureuses imposes par
la mondialisation des marchs, laccroissement de la concurrence et la grande distribution. Afin de rester
comptitive dans cette conjoncture, la chane logistique agricole de lactivit de rcolte de crales doit
considrer les aspects environnementaux, garantir une comptition durable et rpondre aux normes sur
la traabilit, la qualit, lhygine et la sret de produits agricoles.
La gestion dun systme dactivits agricoles intgre dune part, des paramtres a priori dterministes,
tels que : les ressources humaines, matrielles, ou temporelles, et dautre part, des facteurs stochastiques,
comme : les alas mtorologiques, les ressources financires, les demandes des clients, etc. Lhtrognit des facteurs envisager et leur caractre dynamique rendent la chane logistique complexe et difficile
aborder et surtout lamliorer dans son intgralit.
Le sujet de thse se place donc dans ce contexte particulier et vise notamment lactivit de rcolte de
crales et olagineux, la priode de moisson tant primordiale en matire de quantit et qualit de production, i.e. des revenus pour les agriculteurs et des richesses pour le territoire. Plus spcifiquement, la
gestion de lactivit de rcolte implique les oprations de collecte, de transport et de stockage des crales, ralises sur plusieurs exploitations agricoles disperses gographiquement. Dune faon gnrale,
les principaux objectifs sont troitement relis tous les niveaux classiques de dcision :
p niveau stratgique : organiser et trouver la meilleure configuration de la chane logistique pour
tous les acteurs impliqus dans son pilotage ;
p niveau tactique : dimensionner les moyens et les mutualiser afin de rduire les cots lis lactivit
de rcolte ;
p niveau oprationnel : piloter les flux de crales entre les champs et les units de stockage, en
tenant compte des risques lis aux incertitudes mtorologiques.
Outre son intrt pratique, la thse sinscrit dans le cadre de la recherche oprationnelle (RO) et plus prcisment se rfre loptimisation dterministe et stochastique, la simulation de flux vnements discrets,
ainsi qu leur couplage. Dans ce sens, nous avons dvelopp un systme daide la dcision capable de
rpondre au besoin de lindustriel que ce soit au niveau oprationnel, tactique ou stratgique. Ainsi, la
synergie cre entre les outils de la RO, systme dinformation gographique, statistique infrentielle et
prdictive nous a permis de rendre le systme daide la dcision comptitif et performant.

Mots cls : agriculture ; logistique (organisation) ; recherche oprationnelle ; mthodes statistiques ; systmes daide la dcision ; simulation, mthodes de ; programmation stochastique

Abstract :
To overcome the new challenges facing agricultural sector, imposed by globalisation, changing market demands and price instability, the crop production supply chain must particularly be very reactive, flexible,
with a high yield and at low cost. Its improving and eventual re-configuration can lead to an upgrade in
efficiency, responsiveness, business integration and make it able to confront the market competitiveness.
The conjuncture becomes even more complex due to the highly dynamic behaviour and stochastic environment of crop production supply chains that integrates variability in processing time at each operation
and uncertainties in reception demand, customer satisfaction, crop quality degradation, etc.
The thesis is thus placed in this particular context and refers to the crop harvesting activity, which is
considered a pivotal stage in the cereal production circuit owing to its high cost and impact on the returns earned. Managing the harvest activity involves gathering, transportation and storage operations,
performed by a collection of agricultural holdings geographically dispersed. Generally speaking, the main
objectives refer to all levels of decision-making process :
p strategical level : evaluate and propose an improved supply chain (re-)design for all targeted actors ;
p tactical level : dimension and pool used resources in order to reduce costs related to harvesting
activity ;
p operational level : manage cereal crops from growing fields to long-term storage facilities, by
taking into account the risks related to weather repercussions.
and, also, to evaluate the whole supply chain, from growing fields to storage facilities, with a view to
improving its performances and to reducing the overall cost.
Besides its practical relevance, this thesis forms part of the Operational Research (OR) and more specifically, refers to the linear and stochastic programmings, discrete event simulation, and their coupling. In
addition, the synergy created between OR, inferential and predictive statistics, geographical information
system tools makes the decision support system very competitive, efficient and responsive.

Keywords : agriculture ; business logistics ; simulation methods ; operations research ; stochastic programming ; statistical methods ; decision support systems

Introduction gnrale

Sommaire
1.1

1.2
1.3
1.4

La cooprative est un outil construit pour tous au service de chacun...


Hubert RICHARD, Prsident de la SCARA en 1972

Prsentation de lentreprise . . . . . .
1.1.1 La SCARA . . . . . . . . . . . . .
1.1.2 Les savoir-faire . . . . . . . . . .
Contexte et problmatique . . . . . .
Objectifs, dmarche et contributions
Structure de la thse . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

1
1
2
3
3
4

Les travaux prsents dans cette thse sinscrivent dans le cadre dun projet de recherche regroupant
trois partenaires : la cooprative agricole de la rgion dArcis-sur Aube (SCARA), le Laboratoire dOptimisation des Systmes Industriels (LOSI) de lUniversit de Technologie de Troyes (UTT) et lInstitut du
Vgtal Arvalis (ARVALIS). Cette thse a fait lobjet dune convention CIFRE et sest droule au sein de
la SCARA.

1.1
1.1.1

Prsentation de lentreprise
La SCARA

Depuis 1922, la SCARA (Socit Cooprative Agricole de la Rgion dArcis) est une cooprative agricole
au service des agriculteurs de la Rgion dArcis sur Aube (cf. Fig. 1.1), qui emploie 65 collaborateurs, en
disposant dun chiffre daffaires, selon les volutions des marchs de crales et dengrais, entre 55 et 80
millions deuros. Lactivit de la cooprative se fait avec environ 450 agriculteurs adhrents (actionnaires,
fournisseurs de collecte, clients dintrants).
La cooprative repose sur trois axes de dveloppement :
p vers le client : la cration de valeur ajoute, par la diffrenciation des matires premires agricoles ;
p vers ladhrent : la croissance, base sur la modernit et ladaptabilit des politiques dapprovisionnement/collecte/service ;
p vers la performance : le partenariat, pour acqurir les moyens mettre en uvre des stratgies de
dveloppement et de la cration de valeurs.

V. Borodin

Figure 1.1 SCARA : une localisation gographique au cur de grands axes de commercialisation (Scara,
2011)
Dans les grandes lignes, la cooprative accompagne les agriculteurs du dbut du cycle de la production
jusqu son terme, tant vritablement le prolongement de lexploitation agricole. Conseils, ventes de
produits aux agriculteurs pour bonifier leurs production et, en bout de chane, le ngoce pour valoriser
les produits leurs clients finaux, constituent le labeur au quotidien de la SCARA.

1.1.2

Les savoir-faire

Lactivit de la SCARA est centre autour de la collecte, du stockage, de la conservation et de la vente des
crales, des olagineux et protagineux, produits par les agriculteurs dans des bassins de collecte situs
dans la Champagne Crayeuse (60 000 ha sur une zone homogne).

Figure 1.2 Savoir-faire de la SCARA (Scara, 2011)


Les principaux mtiers de la SCARA sont lis la collecte et la commercialisation de crales et doloprotagineux sur des marchs diffrencis, mais galement aux conseils et aux services pour ce qui concerne
les engrais, les semences et les produits de protection des cultures agricoles (cf. Fig. 1.2).
2

TABLE DES FIGURES

1.2

Contexte et problmatique

Dans le cadre de cette thse, cest lactivit de collecte qui est vise, la priode de moisson tant primordiale
en matire de quantit et qualit de production pour rpondre aux exigences du march. La gestion de
lactivit de collecte implique les oprations de rcolte, transport et stockage des crales, ralises par
plusieurs exploitations agricoles, disperses gographiquement.
Dans la conjoncture actuelle du march des crales, avec des contraintes de plus en plus fortes, la performance est devenue un enjeu crucial pour le secteur de lagriculture. Dans cette optique, la SCARA a
souhait repenser sa chane logistique, pour ainsi progresser vers une approche plus industrielle - ce qui
ncessite de reconfigurer lorganisation de ses flux logistiques, imaginer de nouveaux modes dchanges et
de collaboration avec ses adhrents, dimensionner et mutualiser les moyens mcaniques et humains, etc.
Dans le cadre de son projet dentreprise, la SCARA envisage doptimiser les systmes de culture actuels
en dveloppant de nouveaux modles de production, respectueux de lenvironnement et gnrateurs de
valeur ajoute pour ses exploitations, et tout ceci en tenant compte des exigences de ses clients.

1.3

Objectifs, dmarche et contributions

Lobjectif industriel final est de disposer dun outil daide la dcision, capable de rpondre des problmes
relevant des niveaux de dcisions stratgique, tactique et/ou bien oprationnel, cest--dire :

Figure 1.3 Gestion de la chane logistique agricole : un aperu mthodologique du systme daide la dcision

V. Borodin

p niveau stratgique : valuer et trouver la meilleure (re)-configuration de la chane logistique pour


tous les acteurs viss ;
p niveau tactique : dimensionner les moyens et les mutualiser afin de rduire les cots lis lactivit
de rcolte ;
p niveau oprationnel : piloter les flux de crales entre les champs et les organismes de stockage,
en tenant compte des risques lis aux incertitudes mtorologiques.
Afin daborder la complexit et la nature dynamique de la chane logistique de la cooprative concerne
dans cette tude, nous avons dvelopp un systme daide la dcision, qui utilise des outils issus de la recherche oprationnelle (RO) et plus prcisment se rfre loptimisation linaire, robuste et stochastique ;
la simulation de flux vnements discrets ; ainsi qu leur couplage. De plus, la synergie cre entre les
outils de la RO, le systme dinformation gographique (SIG) (cf. annexe A), la statistique infrentielle et
prdictive rend le systme daide la dcision comptitif et performant. La Fig. 1.3 illustre graphiquement
linteraction entre les composantes du systme daide la dcision propos dans la prsente tude.

1.4

Structure de la thse

Aprs ce chapitre introductif permettant dtablir le contexte et de dfinir les principaux challenges de
cette thse, le reste du mmoire est structur en six chapitres. Afin de parvenir au but dsir, il est important de connatre les avancements et les recherches effectus dans le secteur de lagriculture pour faciliter
la comprhension de lenvironnement global. ce propos, le chapitre suivant fait un tour dhorizon des
principales problmatiques et des enjeux auxquels est confronte la chane dapprovisionnement agricole
dans son sens large, en mettant en exergue les procds daide la dcision, utiliss pour atteindre les
finalits et les objectifs viss.
Dans le chapitre 3, nous proposons un modle de simulation permettant de reproduire et dvaluer les performances de la chane logistique telle quelle se prsente actuellement au sein de la cooprative agricole
vise par cette tude. Il sagit de faire piloter les flux de crales des champs jusquaux sites de stockage
de long terme, en intgrant les activits et les modes actuels dorganisation de tous les acteurs impliqus,
sans ngliger les ralits du terrain. Une fois la configuration et le fonctionnement de la chane logistique
sont modliss et reproduits, nous nous attaquons travers les quatre chapitres suivants de la thse aux
problmatiques de planification de la rcolte et de coordination des moyens logistiques.
Ainsi, le chapitre 4 est consacr la planification de lactivit de rcolte permettant aux agriculteurs de
mieux confronter les incertitudes mtorologiques au bnfice dun aboutissement favorable dune anne
de production. Compte tenu de la nature des lments alatoires qui y interviennent, nous nous intressons plus spcifiquement la programmation sous contraintes probabilistes. cet gard, un modle
stochastique est labor et rsolu ultrieurement par des reformulations linaires ad hoc, bases sur des
approches de rduction de scnarios mtorologiques.
notre connaissance et tel quillustr au chapitre 4, la plupart des problmes modliss par la programmation stochastique sous contraintes probabilistes sont considrs statiques de par leur nature, i.e. les
dcisions sont prises hic et nunc (here and now en anglais) et ne changent pas une fois les incertitudes
sont rvles au fil du temps. Pour surmonter cette limitation en vue de prendre en compte le dynamisme
temporel de lactivit de la rcolte des crales dans un environnement sujet aux incertitudes climatiques,
4

TABLE DES FIGURES

nous proposons un modle multi-tapes horizon glissant dans le chapitre 5. De plus, afin de rsoudre
ce modle nous dveloppons galement une approche dynamique pro-active, dont lefficacit est prouve
par plusieurs exprimentations numriques grande chelle.
Toujours lcoute et au service de ses adhrents, la cooprative met un point dhonneur faciliter leur
quotidien, ceci en particulier pendant les quelques semaines de rcolte, priode dune importance dcisive
dans la valorisation dune anne de production. Dans cet esprit, le chapitre 7 sintresse la planification
des oprations de vidage des silos de collecte, visant garantir une capacit de stockage suffisante pour
collecter convenablement les livraisons des agriculteurs, sans pour autant perdre de vue les aspects qualitatifs lis au stockage (allotement des crales, etc.). Au cur du chapitre 7, un programme doptimisation
robuste par intervalles endosse en effet ces proccupations, tant prcd dune tude statistique relative
au comportement des agriculteurs en matire de livraison des collectes de crales pendant la priode de
rcolte au chapitre 6.
tant complmentaires, les approches de simulation et doptimisation sont ensuite couples dans le chapitre 8, pour faire ainsi, exprimentalement et analytiquement, front commun aux dfis relevs lors du
pilotage de la chane logistique agricole dans son intgralit. la lumire des fonctionnalits procures
par le couplage simulation-optimisation, la configuration actuelle de la chane logistique considre dans
le prsent mmoire, est galement remise en cause dans le chapitre 8. Sous le prisme de plusieurs indicateurs de performance spcialement dresss cet effet, plusieurs modles de collaboration, paramtrages
et re-configurations possibles sont modliss et valus via dtudes de scnarios alternatifs.
In fine, une conclusion gnrale sur les travaux effectus au cours de cette thse, ainsi que les perspectives
qui sy ouvrent, clturent ce document.

Chapitre

tat de lart : management de la chane


dapprovisionnement agricole

Nous voluons dans une conomie du march. Nous devons donc tre tourns vers les
besoins du march et lcoute de nos clients...

Sommaire

2.1

Agns DUWER, Directeur Gnral, SCARA

2.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2

Chane dapprovisionnement agro-alimentaire . . . . . . . . . . . . . . . . . . . . . .

2.2.1

Chane dapprovisionnement agro-alimentaire des produits non-prissables . . . . .

12

2.2.2

Chane dapprovisionnement agro-alimentaire des produits prissables . . . . . . . .

15

2.3

Chane dapprovisionnement agro-nergtique . . . . . . . . . . . . . . . . . . . . . .

19

2.4

Chane dapprovisionnement en aliments pour btail . . . . . . . . . . . . . . . . . .

24

2.5

Chane dapprovisionnement en produits industriels . . . . . . . . . . . . . . . . . .

25

2.6

Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

Introduction

Lagriculture est un terme gnrique, employ pour dsigner les nombreuses faons dont les plantes sont
cultives, les cultures et les animaux domestiques subviennent aux besoins de la population mondiale en
fournissant des denres alimentaires, des aliments pour btail, de la bionergie et des matriaux pour diffrents produits industriels. Ce secteur couvre un large spectre dactivits telles que la culture des plantes,
la domestication, lhorticulture, larboriculture et la vgculture. Il porte aussi sur un vaste ventail dorganisations de la gestion du btail comme la polyculture-levage, le pastoralisme et la transhumance (Harris
and Fuller, 2014). Dans cet ordre dides, distinguons les quatre principaux domaines dutilisation industrielle de la production agricole non-transforme, qui sont dailleurs en comptition pour attirer les
7

V. Borodin

agriculteurs : lalimentation humaine, animale, production de biomasse et de matriaux industriels (cf.


Fig. 2.1).
Agriculture

Alimentation humaine

Production
de biomasse

Nutrition animale

Production de
matriaux industriels

prissable/non-prissable

Figure 2.1 Filire agricole : les principaux domaines dutilisation

Actuellement, la filire agricole subit une double et accrue pression : (i) dune part, elle doit tre gre de
manire durable pour pouvoir obir aux besoins du prsent sans compromettre pour autant la capacit
des gnrations futures rpondre leurs propres besoins, et (ii) dautre part, elle doit fournir de la nourriture, de lnergie et des ressources industrielles pour satisfaire aux exigences de la population mondiale,
toujours croissante (El Bassam et al., 1998). Il nest donc pas surprenant quau cours des deux dernires
dcennies, cette filire suscite un vif intrt des praticiens et de la communaut scientifique (cf. annexe
B).
Plus particulirement, la chane dapprovisionnement agricole vise la planification et la gestion de lensemble de processus et dactivits, allant de la prparation du sol et plantation jusqu la commercialisation et/ou le traitement des produits rcolts. Lorganisation des coordinations entre maillons au sein de
la chane concerne la fois le pilotage et le contrle des flux de matires premires et dinformation, les
oprations logistiques associes ainsi que les dispositifs mis en place pour tablir et rguler les relations
entre les acteurs impliqus : fournisseurs, industriels, distributeurs et commerants (cf. Fig. 2.2). titre
dexemple, la Fig. 2.3 schmatise les principales dcisions prendre par une exploitation agricole aux trois
niveaux : stratgique, tactique et oprationnel.
Agriculteur /
Fournisseur

Industriel /
Cooprative

Transformateur

Distributeur /
Commerant

Client

Figure 2.2 Chane logistique agricole : les principaux acteurs (Hovelaque et al., 2009; Beske et al., 2014)
En amont, loffre de la matire premire agricole est quantitativement et qualitativement confronte aux
conditions mtorologiques y incluant les ingalits inter-rgionales quant au climat, la composition des
sols, aux politiques agricoles ainsi quaux divers facteurs saisonniers (maladies vgtales, ravages causs
par les organismes nuisibles, etc.). En aval, le march agricole est un march particulier, htrogne, instable et sensible aux alas (prix, qualit, etc.), caractris par une instabilit structurelle, par une financiarisation croissante et par de nouvelles formes de rgulation (Roux, 2013). Sur un tel fond, la pluralit
de visions de la chane dapprovisionnement agricole qui sy imposent, gnre souvent une multitude de
problmatiques reprsentant en mme temps des champs daction potentiels.
tant donn la complexit et la nature des questions et des problmes traiter en matire de management
agricole, cest surtout la recherche oprationnelle qui propose des mthodologies et des outils appropris
pour la gestion quantitative des oprations et daide dans la prise de dcisions (Thornley and France, 2007;
8

tat de lart : management de la chane dapprovisionnement agricole

Higgins et al., 2010), en faisant le pont entre la thorie et la mise en pratique industrielle. De surcrot, la
simulation semble tre une mthodologie efficace, tel que attest par Woodward et al. (2008) en se penchant sur la modernisation et linnovation dans lorganisation des systmes agricoles. Dans cette direction,
plusieurs tudes et recherches ont t effectues avec lintention de guider, optimiser et ventuellement
(re-)configurer lorganisation et la gestion des chanes dapprovisionnement agricoles, ainsi que de grer
les aspects inhrents leurs environnements disparates.
stratgique

tactique

oprationnel

semis

choisir des parties prenantes

surface semer/ assolement

tablir le rseaux de
commercialisation

dimensionnement du
parc mcanique

fixer les prix, contrats,


e-commerce

irrigation

rcolte : collecte, transport, stockage

protection de cultures

distribution

slectionner la gamme
de produits

application des produits phytosanitaires

Figure 2.3 Exploitation agricole : les dcisions prendre du stratgique loprationnel (Jang and Klein, 2011)

Ce chapitre se propose donc de dresser une vue densemble de la littrature se rfrant la gestion de la
chane logistique agricole travers cinq sections. tant concerns par certaines problmatiques du secteur agro-alimentaire, dans la section suivante nous attacherons plus particulirement notre attention
aux tudes et recherches menes ce titre. De plus, afin de mettre en relief la forte comptitivit entre
les filires agro-alimentaire et agro-nergtique, la section 2.3 sintresse la gestion du potentiel nergtique des biomasses agricoles. Ensuite, dans la section 2.4 nous abordons les travaux se rattachant la
filire btail, car dans des circonstances de forte dgradation, il est frquent que la production en matire
premire ddie a priori lalimentation humaine soit finalement dclasse en fourragre. Sans ngliger
lapprovisionnement en produits industriels, la section 2.5 lui est consacre. Finalement, dans la section
2.6 nous prsentons une conclusion synthtique et pointons les plus importantes lacunes et suggestions
qui en dcoulent pour de futures recherches.

2.2

Chane dapprovisionnement agro-alimentaire

La production agro-alimentaire reprsente le plus large segment de lconomie mondiale (Jang and Klein,
2011). La chane dapprovisionnement agro-alimentaire comporte les tapes suivantes : lamont agricole,
la production agricole, la production alimentaire, la distribution au dtail, la restauration et la consommation. En fonction de la dure de vie, les produits agro-alimentaires se distinguent en deux classes :
non-prissables, pour des produits consommables qui peuvent tre stocks sur un long terme sans ncessairement prsenter de risques pour la sant ou leurs qualits nutritionnelles, et prissables, pour des
produits agricoles des cycles courts de production et de vie (cf. Fig. 2.1).
9

V. Borodin

prsent, il existe une panoplie darticles dtats de lart et dtudes de synthse qui apporte un clairage
prcieux sur les diffrentes problmatiques et avancements rcents dans la filire agro-alimentaire. Un
exemple loquent dans ce sens est louvrage de Thornley and France (2007), consacr aux applications de
modles et mthodes mathmatiques dans les domaines vgtaux, animaux et cologiques.
Dune faon plus cible, plusieurs tudes bibliographiques complmentaires ont t conduites sur les
diverses facettes de la chane dapprovisionnement agro-alimentaire. Lun des sujets les plus discuts
est la planification au sens large du terme. Ahumada and Villalobos (2009) propose un article de synthse trs circonstanci sur lutilisation des outils de la recherche oprationnelle dans la rsolution des
problmes de planification et distribution, visant aussi bien les produits agricoles prissables que ceux
non-prissables. Les auteurs ont effectu un recensement des travaux existants dans ce domaine travers le prisme du niveau de dcision du problme trait (stratgique, tactique, oprationnel) et de lapproche doptimisation utilise (programmation linaire, programmation dynamique, programmation stochastique, programmation stochastique dynamique). Plus rcemment, Akkerman et al. (2010) rvisent les
contributions disponibles en matire de gestion quantitative des oprations dans les rseaux de distribution agro-alimentaires, en remettant en cause les questions sur la qualit, la scurit alimentaire et le
dveloppement durable.
Sur le plan des exploitations agricoles, Glen (1987) donne un aperu des problmes de planification rsolus
laide de techniques de la recherche oprationnelle, en mettant en valeur les quatre les plus importants
aspects identifis : la politique et le modle de culture utiliss, les oprations de rcolte, la capacit de
production et linvestissement en capital, ainsi que le contrle des organismes nuisibles et des maladies
des plantes. Schweigman et al. (1990) ont discut les diverses utilisations de la recherche oprationnelle
dans la rsolution des problmes de scurit agro-alimentaire qui se posent aux agriculteurs dans les pays
dvelopps.
La logistique et le transport, activits abondamment tudies dans le cadre de la recherche oprationnelle,
sont discuts dans larticle de Lucas and Chhajed (2004) en tant qulments constitutifs dune importance
primordiale le long de la chane dapprovisionnement agricole. Lintgration des dmarches de dveloppement durable, proccupation majeure et actuelle dans le secteur agricole, est un autre propos largement
rvl et dbattu dans la littrature (El Bassam et al., 1998; Yakovleva et al., 2012; Hall et al., 2012). Tel
que le tmoigne Beske et al. (2014), un intrt croissant est manifest ce sujet, aussi bien par les praticiens que par les chercheurs. De leur ct, ces derniers auteurs insistent sur la ncessit doprer des
changements dans le mode actuel de pilotage de la chane dapprovisionnement agro-alimentaire vers de
nouveaux modles axs sur le dveloppement durable, en argumentant avec de nouvelles opportunits
commerciales qui sy entrevoient.
En se basant sur les tudes bibliographiques mentionnes ci-dessus et afin de prsenter un tat de lart
complmentaire, nous nous focalisons sur les travaux rcents se rattachant la gestion des activits de
la filire agro-alimentaire (cf. tableaux 2.2 2.4). Dans lensemble de cette littrature, quatre grands courants thmatiques, autour desquels la majorit des auteurs ont centr leurs tudes, peuvent tre distingus :
p planification (Itoh et al. (2003); Miller et al. (1997); Catal et al. (2013); Tan and Cmden (2012);
Darby-Dowman et al. (2000), etc.), et distribution (Paksoy et al. (2012); Cholette (2009), etc.)
p valorisation conomique de la matire premire agro-alimentaire (Vizvri et al. (2011), etc.)
10

tat de lart : management de la chane dapprovisionnement agricole

p qute de solutions novatrices, qui prennent actuellement la forme de meilleures pratiques (Catal
et al. (2013); Liu et al. (2014); Zanoni and Zavanella (2012), etc.)
p tentative de collaboration pour une meilleure gestion des flux physiques (Catal et al. (2013); Sazvar
et al. (2014), etc.).
En grandes lignes, tel que nous pouvons le constater, la volont dinvestir dans de meilleures organisations,
stratgies, voire modes de fonctionnement dans la filire persiste au long de ces vingt dernires annes et
ceci est du aux bouleversements politiques, conomiques et environnementaux.
Maintenant que le contexte est tabli et les principales problmatiques sont souleves, procdons la
prospection de la littrature connexe travers le prisme dapproches utilises pour la rsolution des problmes rencontrs dans ce domaine. En conformit avec la nature des donnes et paramtres considrs
en entres, deux grandes classes de problmes se distinguent, savoir les problmes dterministes, et respectivement les problmes non-dterministes. Les problmes dterministes comportent uniquement des
donnes priori dfinissables et sont amplement tudis au sein de la recherche oprationnelle. Comme
le montre le nombre assez large dtudes menes dans un univers dterministe (cf. tableaux 2.2 et 2.1),
la programmation linaire, mixte en nombres entiers et dynamique savrent tre des outils incontournables et viables pour la prise de dcisions dans un contexte complexe, tel que cest le cas dans la filire
agro-alimentaire.
Dans un concours versatile de circonstances climatiques, conomiques et environnementales, la chane
dapprovisionnement est fortement soumise aux diffrentes sources dincertitudes, qui ont une incidence
considrable, notamment sur la rentabilit des systmes agro-alimentaires. Ainsi, lintgration des lments dincertitudes et dindtermination dans les dmarches mthodologiques est dune importance capitale dans la configuration et la conception des systmes agro-alimentaires flexibles et ractifs. ce titre
et en relation avec la faon dont les connaissances relatives au contexte de notre tude sont quantifies et
entranes dans le processus de dcision, deux procds sont utiliss pour rpondre convenablement aux
objectifs viss : approche analytique et la simulation.
Dans le cadre dune approche analytique, un systme ou un modle est formalis mathmatiquement de
faon dterministe et/ou non-dterministe. tant des outils relativement peu conjugus avec le secteur
de lagriculture mais assez prometteurs (cf. tableaux 2.3 et 2.4), nous continuons daffiner la classification
des modles non-dterministes selon la manire dont les incertitudes sont modlises et prises en compte
dans un problme de dcision :
p probabiliste : les incertitudes sont dcrites par des lois de probabilit ;
p de faon dterministe : les incertitudes sont approximes via des domaines paramtriques o elles
peuvent varier, i.e. par intervalles de valeurs plausibles, ensembles convexes, etc. ;
p possibilistique : les coefficients incertains sont dfinis par lments/ensembles flous.
Ainsi, lorsque les incertitudes sont dfinies par des lois de probabilit, il sagit de la programmation stochastique, paradigme incluant des modles probabilistes : (i) sans recours (SP) ou avec recours (TSP), et de
mme (ii) sous contraintes probabilistes jointes (JCCP) ou bien sparables (SCCP). Au contraire, lorsquaucune information sur les probabilits nest disponible, cest dans le cadre de la programmation robuste que
ce cas peut tre envisag. Nous avons considr ici la programmation robuste dans toute son tendue, i.e.
couvrant les approches qui modlisent les incertitudes : (i) de faon dterministe, dans le cadre de la programmation linaire par intervalles (IvP), et (ii) possibilistique, se rfrant loptimisation floue (FP) ou
11

V. Borodin

la programmation floue par but (FGP). En revanche, linstar de certains auteurs nous ne confondons
pas la robustesse, intgrant les incertitudes dans le processus de dcision, avec lanalyse de sensibilit,
tudiant a posteriori lincidence de la variabilit des donnes dentre sur une solution calcule.
Il convient de noter que les tableaux 2.2 et 2.1 regroupent uniquement les rfrences les plus rcentes,
postrieure lexcellente revue propose par Ahumada and Villalobos (2009), celles-ci tant dlibrment
slectionnes dans un souci de complter cette dernire rfrence. En revanche, quant aux modles nondterministes, nous nous proposons de les rexaminer dune faon plus subtile, compte tenu de la vulnrabilit des systmes agricoles face aux alas.
En tant que systmes complexes, les problmatiques visant la chane dapprovisionnement agricole sont
souvent difficiles voire impossible tre dcrites et abordes analytiquement. Dans ces situations, le recours la simulation permet dapprhender leurs structures ou fonctionnements.

2.2.1

Chane dapprovisionnement agro-alimentaire des produits non-prissables

La chane dapprovisionnement des produits agricoles non-prissables (crales, olagineux, protagineux,


th, pommes de terre, noix, etc.) est caractrise par une production de matires premires saisonnire,
des schmas de consommation rguliers et des sources dapprovisionnement aussi bien locales quloignes. En croisant les tableaux 2.1, 2.3 et 2.4, quatre domaines dinterventions se rvlent particulirement
abords dans le cadre de la chane dapprovisionnement agro-alimentaire des produits non-prissables,
savoir :
p qualit technologique et scurit alimentaire : la vocation de la filire agro-alimentaire ne se limite
pas la seule production de matires premires destines la consommation humaine ; elle doit
galement produire des aliments privilgiant la sant et en conformit avec les rglementations
environnementales imposes. Sous cet angle, lorientation des agriculteurs vers de nouveaux itinraires de production compatibles avec le respect de lenvironnement et rpondant aux attentes
des consommateurs, a fait lobjet de nombreux travaux de recherche. Prserver raisonnablement
le rendement de la rcolte et garantir sa qualit sanitaire (Junqueira and Morabito, 2012) ; optimiser lapplication des produits phytosanitaires et/ou phytopharmaceutiques en apportant le produit
agricole le plus efficace, la bonne dose et au bon moment (Boussemart et al., 2013; Cardoso et al.,
2009) ; quilibrer la fertilisation azote pour prvenir la pollution des eaux souterraines et des sols
(Pea Haro et al., 2011; Moussouni and Aidene, 2012), ne sont que quelques exemples.
p irrigation : plusieurs travaux ont t ddis grer la mobilisation et la distribution des ressources en
eau, depuis une source dapprovisionnement jusquaux parcelles des agriculteurs, ainsi qu rpartir
dans le temps un volume deau plus ou moins limit, en fonction de diffrents facteurs, tels que :
besoins en eau, calendriers culturaux, techniques dirrigation utilises par les agricultures (Lu et al.,
2011; Gupta et al., 2000; Li et al., 2014; Shi et al., 2014; Belhouchette et al., 2012; Amini Fasakhodi
et al., 2010; Azamathulla, 2012).
p planification de la production et de lactivit de la rcolte : du champ o les produits craliers sont
rcolts jusqu leur livraison aux structures de stockages ou directement lacheteur, ils subissent
squentiellement les activits de rcolte dans les champs (Ali et al., 2009), transport (Ali et al., 2009)
et de stockage. Aussi bien sparment quen concertation troite avec tous les acteurs impliqus,
une srie de travaux a t conduite dans le but de guider convenablement ces activits au profit
12

tat de lart : management de la chane dapprovisionnement agricole

des proccupations de rentabilit financire sans pour autant ngliger laspect relatif la qualit de
production (Zheng et al., 2013; Janov, 2012; Vizvri et al., 2011; Bharati and Singh, 2014; Houshyar
et al., 2012; Molaei, 2011; Thakur et al., 2010; Moussouni and Aidene, 2012).
p commercialisation et distribution : entre les produits agricoles qui sortent de champs et ceux retrouvs chez le consommateur, une diversit dacteurs (agriculteurs, cooprative de collecte, expditeurs,
grossistes, distributeurs professionnels) cherche, autant que peut se faire, valoriser conomiquement la matire premire dans le cadre de diffrents types de circuits commerciaux. En tant quactivits qui soulvent maints problmes de minimisation des risques financiers et de maximisation de
profit, la distribution et le ngoce agricole, notamment des produits craliers, a rencontr un grand
cho auprs des chercheurs et praticiens (Asgari et al., 2013; Burer et al., 2008; Paksoy et al., 2012).
Abordons maintenant les contributions analytiques regroupes dans les tableaux 2.1, 2.3 et 2.4 sous langle
de mthodes et approches utilises pour la rsolution des problmes tudis. Les mthodes dterministes
continuent attirer une grande attention dans la gestion de la chane dapprovisionnement agricole des
produits non-prissables. Malgr la forte variabilit et les incidences considrables dincertitudes sur le
bon droulement de la chane agricole non-prissable, la popularit des modles dterministes peut sexpliquer par la simplicit de leur utilisation combine lefficacit des solutions proposes dune part, et par
les avances thoriques disponibles au sein de la recherche oprationnelle, dautre part (Ahumada et al.,
2012).
Compte tenu de la prsence de diverses sources dincertitudes dans la filire agricole, les mthodes de la
programmation stochastique et robuste sont aussi bien utilises en tant que moyens analytiques capables
de guider la prise de dcision dans un univers incertain. Le recours la modlisation probabiliste et, parl, la programmation stochastique, est souvent prfr lorsquil sagit dincertitudes mtorologiques ou
celles lies au rendement de rcolte.
Quand aucune information probabiliste nest disponible, les incertitudes peuvent tre caractrises par
des lments/ensembles flous ou par des intervalles, afin de pouvoir les prendre en considration dans le
cadre de programmes robustes. Ces types de modlisation permettent de couvrir un plus large ventail des
incertitudes, telles que : financires (demande vs. profit/investissement/cot), lies lactivit de rcolte
(rendement, dbit, disponibilits des ressources en eau), etc.
Largement utilise pour accompagner le pilotage des chanes dapprovisionnement agricoles, la simulation
est galement frquemment rencontre comme outil dans la gestion de lactivit de la rcolte des produits
non-prissables (Sorensen and Gilheany, 1970; Semenzato et al., 1995; Arjona et al., 2001). Les oprations
principalement vises sont les suivantes : assolement (Castellazzi et al., 2010), collecte dans les champs
(Guan et al., 2008; De Toro and Hansson, 2004), irrigation (Tong and Guo, 2013) et/ou transport, et tout
cela face une large panoplie dincertitudes : conditions mtorologiques, fiabilit des ressources agricoles
(panne des quipements agricoles, temps de rparations, dbit de moissonneuse batteuse, etc.), logistique
(temps de chargement/dchargement, file dattente, etc.).
Notons galement la volont manifeste par les praticiens de bnficier de logiciels ou supports informatiss daide la dcision. Dans ce sens, intgrant les outils de gestion quantitative des oprations et des
mthodes de la recherche oprationnelle, il convient de mentionner le logiciel propos par Confalonieri
et al. (2013) consacr la gestion des activits dans les champs, qui considre les diffrentes pratiques de
culture de bl, les aspects mtorologiques et pdologiques. Znidarsik et al. (2008) dveloppent un outil
13

V. Borodin

principales objectifs de la publication


rsoudre un problme logistique li aux oprations de rcolte des crales dans les champs, ayant
pour objectif : (i) de coordonner linteraction entre les moissonneuse-batteuses et les tracteurs,
et (ii) de rduire galement le temps dinactivit des moissonneuse-batteuses dans les champs
aborder le problme de gestion des ressources en eau et la planification de distribution de diffrentes types de cultures (cralires et olagineuses en grande partie) sur une surface donne
(cropping pattern, en anglais) une chelle rgionale
dterminer les quantits optimales de bl transporter des rgions productrices aux rgions
consommatrices, par mois sur une anne
planifier lirrigation de diffrentes varits cralires au niveau dune exploitation agricole
analyser la propagation des pratiques dutilisation de pesticides dans la production des cultures
cralires (bl, orge, colza) et valuer leurs ventuelles rductions
proposer des solutions multi-objectifs pour le problme de prvention contre les organismes
nuisibles, considrant la fois le cot de lapplication de laction de prvention et le cot des
dommages conomiques
prsenter un modle doptimisation multi-critres pour un problme de fertilisation des cultures
olagineuses en tenant compte du rendement et de la qualit de la rcolte, ainsi que de la consommation dnergie et des effets environnementaux
analyser les bnfices de la production agricole de diffrents types des cultures cralires et
lgumineuses dans une rgion spcifique
grer le problme dapplication des engrais chimiques pour une production cralire convenable, tout en se proccupant de la pollution de lenvironnement
tudier le problme du dveloppement et de la production du mas, en sintressant son rendement et son utilisation ultrieure (alimentaire, nergtique ou fourragre)
fournir une mthode efficace pour minimiser leffort de traabilit en minimisant les risques lis
la scurit alimentaire causs par lagrgation de diffrents lots dans les lvateurs grain
tayer la prise de dcisions dans lorganisation de la rcolte du mas, incluant les activits de
production, stockage et transport

Tableau 2.1 Chane dapprovisionnement agro-alimentaire non-prissable : liste des modles mathmatiques dterministes
rfrence
Ali et al. (2009)
Amini Fasakhodi et al. (2010)
Asgari et al. (2013)
Azamathulla (2012)
Boussemart et al. (2013)
Cardoso et al. (2009)
Junqueira and Morabito (2012)
Molaei (2011)
Moussouni and Aidene (2012)
Qi et al. (2010)
Thakur et al. (2010)
Zheng et al. (2013)

14

tat de lart : management de la chane dapprovisionnement agricole

daide la dcision rpondant aux questions cologiques et conomiques rencontres dans les systmes
de cultures agricoles (cralires, olagineuses, etc.).

2.2.2

Chane dapprovisionnement agro-alimentaire des produits prissables

Les chanes logistiques agro-alimentaires des produits frais sont plus complexes, cause dincertitudes
supplmentaires lies au marketing, la dure de vie plus courte et linstabilit de la matire premire,
ainsi qu des politiques de la rcolte et des circuits de commercialisation spcifiques. Compte tenu de
la porte de plus en plus grande de nouveaux enjeux, lattention de la communaut scientifique et des
praticiens est centre autour de six grandes thmatiques (cf. tableaux 2.2, 2.3 et 2.4) :
p qualit technologique : en dpit de limportance primordiale de la qualit et fracheur des produits
prissables, les aspects qualitatifs et de scurit alimentaire sont moins mis en avant dans la littrature jusqu prsent, en tant que thmes centraux le long de la chane dapprovisionnement (Rong
et al., 2011). Les proccupations en matire de qualit et de dgradation sont traites sous forme
de fonctions-objectifs ou contraintes dans le cadre de la planification de lactivit de rcolte ou des
oprations de stockage (Pahl and Vo, 2014).
p planification de lactivit de rcolte : tant pour les produits non-prissables que pour ceux prissables,
lactivit de rcolte est une tape cruciale et dcisive dans le circuit de production, fait qui explique
la vaste tendue des travaux spcialement mens pour une bonne organisation et planification (Jena
and Poggi, 2013; Dos Santos et al., 2011; Caixeta-Filho, 2006; Jena and Poggi, 2013; Bohle et al., 2010;
Itoh et al., 2003; Miller et al., 1997; Munhoz and Morabito, 2014; Costa et al., 2014; Darby-Dowman
et al., 2000; Tan and Cmden, 2012).
p gestion de stocks : reprsente une tche incontournable lorsque les produits prissables sont en question. Dune part, le sur-stock peut avoir un impact commercial considrable, car il est sujet pnaliser directement la ractivit commerciale du rayon vis--vis des opportunits dapprovisionnement
et compromettre ainsi la comptitivit conomique dans son environnement concurrentiel. Dautre
part, un niveau de stock tampon non-matris donne lieu des ruptures dommageables pour le revenu. Suivre la tendance du march sur des prix dachat levs, notamment dans certaines saisons
de ventes irrgulires ; maintenir un niveau faible des stocks de produits pour garantir la fracheur ;
grer les stocks en tenant compte de la saisonnalit de certains produits, ne sont que quelques problmatiques souleves dans la littrature spcialise (Piramuthu and Zhou, 2013; Lodree Jr. and
Uzochukwu, 2008).
p livraison et distribution : les produits prissables, peu compatibles avec la notion de stockage, forcent
les industriels rationaliser, acclrer et synchroniser les rythmes et les flux de leurs cycles de
distribution, production et achat, en prenant en considration : les tendance et rythmes de vente, le
calendrier de production, les caractristiques des produits (dure de vie, signes de qualit, origine,
etc.), gestion du transport sans rupture de la chane du froid, etc. (Ahumada and Villalobos, 2011;
Govindan et al., 2014; Agustina et al., 2014; Ahumada et al., 2012; Sazvar et al., 2014).
p commercialisation et rentabilit financire : un fort intrt peut tre remarqu pour ltablissement
des modles dorganisation et de coordination de la chane dapprovisionnement des produits agroalimentaires prissables, cherchant essentiellement : amliorer la disponibilit en rayon ; sadapter
au march du climat (weather market en anglais, terme dsignant les marchs pour lesquels laspect
mtorologique joue un rle dcisif) ; rpondre des objectifs de rentabilit financire et tablir
15

V. Borodin

Tableau 2.2 Chane dapprovisionnement agro-alimentaire prissable : liste des modles mathmatiques dterministes
rfrence
Agustina et al. (2014)
Alcaide-Lpez-de Pablo et al. (2014)
Ahumada and Villalobos (2011)
Catal et al. (2013)
De Avila Pacheco and Morabito (2011)
Dos Santos et al. (2011)
Caixeta-Filho (2006)
Jena and Poggi (2013)
Liu et al. (2014)
Piramuthu and Zhou (2013)
Govindan et al. (2014)
Hu et al. (2014)
Nagasawa et al. (2009)
Rong et al. (2011)
Zanoni and Zavanella (2012)

principales objectifs de la publication


tudier les oprations de cross-docking pour assurer la livraison des produits alimentaires frais en
juste temps et au moindre cots
appliquer la programmation linaire multi-critre pour un problme soulev dans lindustrie de
lhuile dolive
laborer un modle intgr de planification tactique pour rsoudre une problmatique de production
et de distribution des produits agricoles prissables
prsenter un modle de planification stratgique pour une restructuration efficace dune exploitation
agricole darbres fruitiers (pommiers et poiriers) en fonction de varits et de densit de plantation
aborder un problme de gestion de trsorerie rencontr dans une entreprise brsilienne agroalimentaire typique qui produit du jus dorange concentr
dvelopper un modle binaire pour un problme de planification de rotation des cultures lgumires
proposer un modle linaire pour la gestion de la rcolte dorange sous une gamme de contraintes
chimiques, biologiques et logistiques se rfrant la qualit des oranges
dvelopper un modle mixte en nombres entiers pour le problme de planification de la rcolte de
canne sucre destine la production ultrieure de sucre et dalcool
dterminer une stratgie dynamique conjointe dinvestissement et de tarification des produits alimentaires prissables en tenant compte de la demande dpendante du rapport qualit-prix, tout en
maximisant le profit
dvelopper un modle de gestion de stocks des produits prissables en considrant que la demande
dpend directement du volume et de la fracheur des produits
proposer un modle doptimisation multi-objectif pour une chane logistique deux chelons de
distribution des produits alimentaires prissables, en intgrant le dveloppement durable dans la
prise de dcision
analyser lintgration et la comptitivit dune chane dapprovisionnement dune usine de production sur les marchs de lgumes
construire un modle de gestion dune chane dapprovisionnement des produits agricoles frais en
considrant de production priodique
intgrer les proccupations sur la qualit dans la prise de dcision tout au long de la chane dapprovisionnement agro-alimentaire de produits prissables
dterminer la meilleure configuration de la chane logistique agro-alimentaire de produits prissable,
en analysant lincidence de la temprature et de la dure de stockage sur la qualit des produits, les
cots, la durabilit de la chane et la consommation dnergie

16

PRISSABLE

NON-PRISSABLE

TSP
SP
TSP

SP

RSP
SP
SP
TSP

JCCP
SCCP

Darby-Dowman et al. (2000)

Lodree Jr. and Uzochukwu (2008)

Sazvar et al. (2014)

Tan and Cmden (2012)

Belhouchette et al. (2012)

17

Burer et al. (2008)

Janov (2012)

Maatman et al. (2002)

Pea Haro et al. (2011)

Vizvri et al. (2011)

rendement de rcolte

conductivit hydraulique

mto

rendement de rcolte,
profit

demande

mto

date de maturit, dure et rendement de


rcolte

demande

demande

rendement de rcolte

demande

TSP

Costa et al. (2014)

Cholette (2009)

approche source dalas


TSP
rendement de rcolte,
prix
TSP
demande

rfrence
Ahumada et al. (2012)

principales objectives de la publication


prsenter un modle de planification tactique pour la production et la distribution des produits agricoles frais
valuer la rpartition de la production des vignobles travers
de multiples canaux de vente
tudier le problme de rotation des cultures lgumires, en
tenant compte de la demande et des contraintes cologiques
tablir des plans optimaux de plantation pour les cultures lgumires
aborder le problme de gestion des stocks de produits frais
avec dlais dapprovisionnement non-ngligeables qui prissent aprs un nombre de priodes connu
traiter un problme de transport soulev dans le cadre dune
chane dapprovisionnement centralise des produits prissables et proposer une nouvelle politique de rapprovisionnement
prsenter une mthodologie de planification pour une entreprise dont lobjectif est de faire correspondre loffre annuelle
alatoire de fruits et lgumes provenant dun nombre dexploitations agricoles sous contrat, avec la demande alatoire
des dtaillants au cours de la priode de planification
valuer la durabilit des systmes dirrigation des cultures cralires et fourragres
examiner les pratiques contractuelles entre les fournisseurs
et les dtaillants dans lindustrie cralire
laborer des procdures de validation et de vrification pour
les modles doptimisation de la planification des cultures cralires, olagineuses et pommes de terre
dcrire au niveau des agriculteurs les stratgies de production, stockage, vente, achat et consommation des crales depuis le dbut de la saison des semis jusqu un an aprs la
rcolte
prsenter une mthodologie doptimisation stochastique
pour le problme de contrle de la pollution des eaux souterraines par des nitrates dorigine agricole cralire
analyser lefficacit de lutilisation des terres arables en
cultures cralires, olagineux et pommes de terre

Tableau 2.3 Chane dapprovisionnement agro-alimentaire : liste des modles mathmatiques stochastiques

tat de lart : management de la chane dapprovisionnement agricole

V. Borodin

PRISSABLE
NON-PRISSABLE

valuer la consommation dnergie dans la production de mas

rsoudre le problme de planification de production du jus


dorange concentr congel
prsenter un modle de planification de production cralire au
niveau des exploitations agricoles
rsoudre le problme de gestion de lirrigation en eau en laborant des plans de production cralire et olagineuse appropris
aider la gestion dapplication de produits nutritifs pour un problme de planification de production des cultures de riz
rsoudre un problme rgional dallocation des ressources en eau
pour les cultures de riz, patate douce, soie, th, colza, etc.

principales objectives de la publication


aider la prise de dcisions dans la gestion des activits lies
la rcolte de raisins
proposer un modle de planification de rcolte des cultures lgumires pour guider les exploitations agricoles prendre de dcisions
introduire un modle gnral et complet pour la conception stratgique en boucle ferme dune chane dapprovisionnement des
produits agricoles prissables
dterminer le calendrier de production pour une station demballage de tomates

Tableau 2.4 Chane dapprovisionnement agro-alimentaire : liste des modles mathmatiques robustes
la

FP
demande,
dachat

rfrence
Bohle et al. (2010)
Itoh et al. (2003)
IvP

approche source dalas


FP
productivit de
main-duvre
profit

Hasani et al. (2012)


FP

dbut et rendement de
rcolte, cot de pnurie
acidit du jus dorange

profit, perte et dbit de


leau
demande

cots

Miller et al. (1997)


FP

FP

Munhoz and Morabito (2014)

Sharma and Jana (2009)

IvP

profit

Shi et al. (2014)

FP

FP

Houshyar et al. (2012)

FP

Bharati and Singh (2014)

Li et al. (2014)

IvP

FP

Lu et al. (2011)

IvP

Gupta et al. (2000)

Maqsood et al. (2005)

FP

profit, investissement,
surface irrigue, etc.
rendement de rcolte,
cot
profit, montant des
subventions agricoles,
demande en eau,
surface de rcolte, etc.
consommation de carburants, engrais, produits chimiques, etc.
disponibilit des ressources en eau
disponibilit de leau,
perte de leau

Paksoy et al. (2012)

aborder le problme dallocation des ressources en eau dans le


cadre dun systme agricole se rfrant la production cralire
rsoudre un problme de gestion des ressources en eau, en gnrant des stratgies de rpartition de leau pour les cultures de
bl, pomme de terre et luzerne
rsoudre un problme de planification dun systme dirrigation
agricole pour les cultures de bl, pomme de terre et luzerne
un problme de production et distribution rencontr dans une
entreprise productrice de matires premires olagineuses et
dhuiles alimentaires

18

tat de lart : management de la chane dapprovisionnement agricole

des indicateurs conomiques appropris comme : le retour sur investissement ou le rendement des
capitaux propres (De Avila Pacheco and Morabito, 2011; Liu et al., 2014; Alcaide-Lpez-de Pablo
et al., 2014; Cholette, 2009).
p conception et pilotage de la chane dapprovisionnement dans son intgralit : compte tenu de la
dure de vie limite, la dtermination dune politique de (r)-approvisionnement de ces produits
est beaucoup plus dlicate, en particulier dans un environnement durable. ce propos, un grand
nombre dauteurs se sont investis la conception performante de la chane dapprovisionnement
agro-alimentaire des produits prissables allie aux considrations conomiques, sociales et environnementales (Catal et al., 2013; Zanoni and Zavanella, 2012; Nagasawa et al., 2009; Hu et al., 2014;
Hasani et al., 2012).
Passons maintenant en revue les diffrents moyens de rsolution des difficults rencontres dans le management de la chane dapprovisionnement agro-alimentaire des produits prissables sus-mentionns. Du
point de vue analytique, cest de mme la modlisation et loptimisation dterministes qui sont en grande
majorit articules pour formaliser et rsoudre notamment les problmes de planification (stratgique,
tactique, oprationnel), gestion de stocks, investissement, etc. (cf. tableau 2.2).
Les auteurs ayant pris en compte la dimension probabiliste des problmes, font recours la programmation
stochastique (cf. tableau 2.3). Il sagit souvent des incertitudes relatives la demande, cot ou rendement
de rcolte, et plus rarement date de maturit/dbut de rcolte.
Dans de nombreuses applications, la programmation stochastique nest pas applicable en raison de linsuffisance dinformation probabiliste. Tel que latteste le tableau 2.4, il est nanmoins possible de parvenir
aux buts viss face aux alas ou indterminations, notamment celles lies la demande, cot ou profit, en
appliquant les approches robustes proposes par la recherche oprationnelle.
Parmi les travaux les plus rcents consacrs la gestion de la chane dapprovisionnement des produits
agro-alimentaires prissables via lutilisation la simulation ou en combinant exprimentalement diffrentes techniques daide la dcision, citons Van der Vorst et al. (2009) qui proposent un outil bas sur la
simulation vnements discrets, intgrant les proccupations sur la qualit, linnocuit et la durabilit
des produits agro-alimentaires prissables. Teimoury et al. (2013) ont examin la chane dapprovisionnement de fruits et de lgumes travers un modle de simulation permettant de conduire plusieurs analyses
multi-critres de scnarios, et dvaluer leur performance. Par rapport aux chanes dapprovisionnement
agro-alimentaires non-prissables, la simulation est moins applique dans la matrise des chanes dapprovisionnement agro-alimentaires prissables, malgr son utilit vidente dans la filire.

2.3

Chane dapprovisionnement agro-nergtique

Au cours de ces dernires annes, dans le contexte de tension mondiale sur les sources dnergie dorigine fossile non renouvelable, prsentant dailleurs des risques de rarfaction, le potentiel nergtique
des biomasses agricoles anime un intrt de plus en plus prononc (Yue et al., 2014). Tel que le montre
la srie dtudes menes ce sujet (cf. tableaux 2.5, 2.6 et 2.7), parmi les ressources en biomasse utilises des fins non-alimentaires, la part de la matire premire provenant du secteur de lagriculture
(crales ; olagineux ; rsidus : paille, bagasse ; plantations vocation nergtique : saules, miscanthus,
etc. ) est en forte progression. Distinguons donc les principales familles de problmes souleves par la
19

V. Borodin

agro-nergtique
aliments en btail

Tableau 2.5 Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques dterministes
rfrence
Aldana et al. (2014)
Bai et al. (2011)
Cucek et al. (2014)
Cobuloglu and Byktahtakn (2014)
Uhlemair et al. (2014)
Griffith et al. (2014)
Shastri et al. (2011)
Ekiolu et al. (2009)
Zondervan et al. (2011)
Walther et al. (2012)
Doole (2012)
Ohlmann and Jones (2011)
Zondervan et al. (2011)
Carpente et al. (2010)
Zhang et al. (2011)

principales objectifs de la publication


maximiser le potentiel de production de biocarburants partir de la biomasse rsiduelle dorigine
agricole
aborder le problme demplacement des bio-raffineries, en minimisant le cot total du systme
de production incluant : les investissements des raffineries, le cot de la matire premire, les
cots lis au transport publique et aux ressources de transport
traiter un problme de gestion multi-priodique dun rseau intgrant les approvisionnements
en biomasse et en bionergie
trouver la configuration optimale des cultures de plantes semes sur diffrentes types des sols en
vue de maximiser le revenu total de la production de biomasse avec respect de lenvironnement
optimiser conomiquement les systmes de production et de distribution dans de villages bionergtiques
modliser la production de cultures de biomasse pour lapprovisionnement des bio-raffineries et
valuer le cot de livraison
analyser et aborder les problmes logistiques lis lactivit dapprovisionnement en biomasse
dune bio-raffinerie
proposer un modle doptimisation conjoint de la production en biomasse et dapprovisionnement en matires premires bio-nergtiques
trouver litinraire optimale de traitement dthanol, du butanol, de lacide succinique et des
mlanges de ces produits chimiques avec des combustibles fossiles base dessence
concevoir des topologies de rseaux de production de carburant biodiesel synthtique de
deuxime gnration via un modle multi-priodique mixte en nombres entiers
valuer le rendement conomique dune nouvelle espce de pturage vivace pour les systmes
agricoles des terres arides
grer la commercialisation du porc
trouver les compromis autour de lutilisation de la biomasse pour lalimentation du btail versus
la couverture des sols dans les exploitations laitires
rsoudre un problme de planification de lactivit des moissonneuses-batteuses pendant la priode de rcolte de fourrages
fournir un outil daide la dcision capable de traiter les problmes de gestion de la qualit
de leau et dvaluer diffrentes politiques et stratgies de gestion dans le cadre dun systme
agricole dlevage

20

agro-nergtique

aliments en btail

MSP
SP
SCCP
SDP
SCCP

Heikkinen and Pietola (2009)

Moghaddam and DePuy (2011)

Nielsen et al. (2011)

Pea et al. (2009)

TSP

You (2013)

Guan and Philpott (2011)

TSP

Kostin et al. (2012)

SP/TSP

TSP

Chen and Fan (2012)

Flaten and Lien (2007)

TSP

Osmani and Zhang (2013)

21
lments
nutritifs
dans les ingrdients
alimentaires

rendement laitier

rendement de rcolte

cot

approvisionnement en
lait

profit

demande, offre

demande

demande, cot, offre,


rendement
demande, offre

approche source dalas


SP
demande, cot

rfrence
Azadeh et al. (2014)

principales objectifs de la publication


rsoudre un problme de planification multi-priodique multiproduits de la production et de la distribution de biocarburants
dans le cadre dune chane logistique, en maximisant le profit
espr
maximiser le profit dune chane dapprovisionnement de biothanol dorigine lignocellulosique
rsoudre un problme de planification stratgique des systmes
de chane dapprovisionnement de biothanol et dallocation optimale des ressources de matire premire (rsidus agricoles, forestires, etc.) dans un environnement incertain
concevoir et planifier des infrastructures pour la production de
biothanol et du sucre
imaginer la chane dapprovisionnement optimale pour des bioraffineries
modliser les fermes laitires biologiques, en incluant laversion
au risque dans la fonction-objectif sans ngliger dautre types de
risques y pouvant intervenir
rsoudre un problme de planification de la production laitire,
en tenant compte de contrats, de la demande et de la quantit
dapprovisionnement incertaine en lait
calculer linvestissement optimal et tudier le dynamisme du
cot incertain du revenu agricole dans le cadre dun problme
de planification soulev dans lindustrie laitire
dterminer le nombre optimal dacres de foin rcolter, acheter
ou vendre, pour satisfaire les besoins en alimentation des chevaux, tout en maximisant le profit total de la ferme
grer la constitution des troupeaux laitiers et valuer la production laitire des vaches
amliorer le processus de composition de lalimentation du btail, en confrontant le cot de la ration avec les probabilits de
rpondre aux besoins nutritionnels des animaux

Tableau 2.6 Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques stochastiques

tat de lart : management de la chane dapprovisionnement agricole

V. Borodin

Kasivisvanathan et al. (2012)

Tan et al. (2012)

FP

FP

FP

fournir un outil daide la gestion de la qualit de leau et llaboration des politiques et stratgies efficaces

tudier les systmes de dcision conus pour grer les activits


agricoles (re-cadrage des zones de rcolte, gestion de fumier et
application des engrais, dimensionnement du btail dlevage) et
valuer les rpercussions des restrictions en quantit et qualit
de leau pour atteindre les objectifs du dveloppement rgional
conomique

valuer le bnfice des diffrentes varits despces de pturage


pour les systmes agricoles des terres arides
dterminer les rations alimentaires convenables pour les vaches
laitires
valuer les compromis entre lincidence socio-conomique et environnemental dans le cadre de la gestion du fumier
dterminer les rgimes alimentaires conformes pour le btail

principales objectifs de la publication


grer les missions de gaz effet de serre (GES) dans les systmes
nergtiques
optimiser la production et la commercialisation de biomasse
dorigine agricole en respectant les contraintes environnementales
supplanter une moulin de presse dhuile de palmier en bioraffinerie intgre

Tableau 2.7 Chane dapprovisionnement agricole non-alimentaire : liste des modles mathmatiques robustes

Doole (2012)
FP

rfrence
Xie et al. (2010)

Darvishi SalooKolayi et al. (2011)


FGP

approche source dalas


IvP/SP
demande, cot, source
nergtique
quantit de biomasse
importe

Gebrezgabher et al. (2014)


FP

IvP/FP

FP

Cadenas et al. (2004)


Zhang et al. (2009)

Zhang et al. (2011)

performance
conomique,
impact
environnemental
production de bituminaria
montant de la satisfaction alimentaire
missions de GES et
NH
quantit de la nourriture et des nutriments
cot de lexploitation
agricole, prix de rcolte, frais de manutention du fumier, revenu du btail, perte
de sol, pertes maximales admissibles en
lazote et du phosphore en phase solide,
etc.
intervalles : cot de
lexploitation agricole,
prix de rcolte, frais
de manutention du
fumier, revenu du
btail, etc. ; lments
flous : perte de sol,
pertes
maximales
admissibles en lazote
et du phosphore en
phase solide

22

agro-nergtique
aliments en btail

tat de lart : management de la chane dapprovisionnement agricole

communaut scientifique conjointement avec les praticiens, concernant la chane dapprovisionnement


agro-nergtique :
p scurit nergtique et changements climatiques : tant promue comme lune des alternatives pour
amliorer la disponibilit de la scurit nergtique et de lnergie, ainsi que pour attnuer le rchauffement climatique, la bionergie a suscit lattention des chercheurs dans cette optique, en
faveur de lagriculture et de la scurit alimentaire. Plus particulirement, la combustion des biomasses reprsente une conversion efficace de leur nergie, dgageant une quantit ngligeable de
gaz effet de serre (Xie et al., 2010).
p transport et logistique : la plus grande fraction du cot de la production dnergie issue de biomasse
provient des oprations logistiques (Shastri et al., 2011). Certes, organiser la gestion de problmes
logistiques permet daugmenter la comptitivit conomique, mais aussi de progresser vers des systmes de transport plus cologiques en adquation avec les exigences de la socit et favorables au
respect de lenvironnement.
p planification de production, approvisionnement et distribution : la plupart des travaux scientifiques
sarticulent autour de problmes de planification de production de biomasse, approvisionnement
des usines de traitement de biomasse et la distribution en aval vers les consommateurs (Azadeh
et al., 2014; Walther et al., 2012; Zondervan et al., 2011; Shastri et al., 2011; Griffith et al., 2014;
Aldana et al., 2014; Bai et al., 2011; Uhlemair et al., 2014).
p rentabilit conomique et commercialisation : tandis que le rchauffement climatique pose de nouvelles menaces pour le secteur de lagriculture, expliqu notamment par laugmentation des gaz
effet de serre (Xie et al., 2010), la production et lutilisation de biomasse, quant elles, soulvent de
nouveaux challenges du ct march. Quelques-uns ont t tudis dans les travaux de Tan et al.
(2012); Osmani and Zhang (2013).
p conception de la chane dapprovisionnement agro-nergtique : lheure actuelle, la chane dapprovisionnement agro-nergtique est en pleine construction, soulevant divers problmes : implantation
gographique des usines de transformation de la biomasse en agro-carburants, considration des
aspects de rentabilit financire (fluctuation des prix de la biomasse, la variabilit de la demande en
carburant, etc.) ; viabilit conomique des raffineries, etc. (Kasivisvanathan et al., 2012; Chen and
Fan, 2012; Kostin et al., 2012; You, 2013; Cobuloglu and Byktahtakn, 2014; Bai et al., 2011).
Nous avons voulu insister sur les paradigmes et les mthodes analytiques utiliss dans la rsolution des
problmes voqus ci-dessous, pour cela nous avons class les travaux effectus dans ce sens en trois
tableaux. Ainsi, le tableau 2.5 passe en revue la liste de problmes rsolus par lintermdiaire des approches
de la programmation dterministe (linaire, mixte en nombres entiers, etc.). En grandes lignes, il sagit des
problmes de planification de production, logistiques, et dimplantation de sites bio-nergtiques.
Le tableau 2.6 prsente les tudes qui prennent en compte des donnes stochastiques disponibles sous
forme probabiliste. Fait aisment constatable, ce sont la demande et les prix du march dune part, et
les quantits dapprovisionnement dautre part, les sources prpondrantes dincertitudes dans le secteur
agro-nergtique. dfaut de toute connaissance probabiliste, confrontant les mmes sources dalas,
mais dj sous forme dintervalles ou lments flous, les mthodes robustes sont moins appliques dans
le cadre de la chane dapprovisionnement agro-nergtique (cf. tableau 2.5).
La production de biocarburants partir de produits agricoles a augment rapidement ces dernires annes,
et devrait continuer sintensifier lavenir. En tant quune alternative renouvelable en pleine expan23

V. Borodin

sion la ressource fossile, la production de biomasse, et respectivement la chane dapprovisionnement


agro-nergtique sont en cours de conception et de dveloppement. Par consquent, les outils analytiques
daide dcision et la simulation sont assez largement sollicits dans leur cration, configuration et valuation. Par exemple, Sukumara et al. (2013) valuent via un modle de simulation, plusieurs technologies
de conversion de bio-raffinerie ainsi que de la performance de la chane dapprovisionnement, englobant
divers types dincertitudes, tels que : les variations saisonnires de la disponibilit de la biomasse, les
fluctuations du prix du diesel, labsence de pr-traitement, laugmentation des cots du travail, la diminution de la disponibilit de la main-duvre, etc. Pour vrifier limpact de la dimension climatique sur
les stratgies des agriculteurs lies lautonomie fourragre, Lurette et al. (2013) dveloppent un simulateur pour explorer la rpercussion de plusieurs scnarios de production de biomasse sur le prix dachat de
fourrage.
Comme nous avons dj observ, lun de dfis de lindustrie mergente des biocarburants est le niveau
lev dincertitude dans les quantits dapprovisionnement, la demande du march, les prix du march
et les technologies de traitement. Face ces incertitudes, une analyse de sensibilit globale dune chane
dapprovisionnement agro-nrgetique a t effectue par Kim et al. (2011), en utilisant la simulation
Monte Carlo base sur un hypercube form partir des plages des donnes alatoires.

2.4

Chane dapprovisionnement en aliments pour btail

Au sein de lconomie agricole, le secteur de llevage de btail reprsente un des segments qui connat la
croissance la plus rapide, incit par la hausse des revenus et des volutions technologiques et structurelles.
Par ailleurs, lutilisation croissante des produits agricoles (notamment de crales et dolagineuses) pour
la fabrication de produits de remplacement des combustibles fossiles (lthanol et le biodisel) constitue un
dfi important pour le secteur de la production animale, forc rivaliser pour laccs aux mmes matires
premires (Fao, 2009; Qi et al., 2010). En ce qui concerne ltude de la chane dapprovisionnement en
aliments pour le btail, quatre grandes thmatiques peuvent tre discernes dans la littrature (cf. tableaux
2.5, 2.6 et 2.5) :
p planification de production des aliments pour btail : mesure que la production du btail sintensifie,
le passage vers des co-produits et des concentrs agro-industriels de qualit leve au dtriment des
pturages de qualit mdiocre (rsidus de culture et pturages naturels), renforcent la ncessit
dune production daliments agricoles pour btail avec un rendement concurrentiel et dune qualit
conforme (Carpente et al., 2010; Doole, 2012).
p constitution de rations : le problme de rationnement du btail a trouv un large cho auprs de
chercheurs, capables de proposer des solutions dalimentation sur mesure sous forme de rations
quilibres comblant les besoins quotidiens du btail, en prenant nanmoins soin de ne pas les excder (Nielsen et al., 2011; Doole, 2012; Zhang et al., 2011; Darvishi SalooKolayi et al., 2011; Cadenas
et al., 2004; Ohlmann and Jones, 2011).
p gestion de fumier : dans un systme biologique, le fumier du btail peut reprsenter une ressource
importante dans lamlioration de la fertilit du sol ncessitant une matrise correcte pour ne pas
devenir des dchets (Gebrezgabher et al., 2014; Zondervan et al., 2011).
p chane dapprovisionnement en aliments pour btail : en tant quun problme complexe, la gestion
conjointe de la production fourragre et du btail est traite galement par la communaut scienti24

tat de lart : management de la chane dapprovisionnement agricole

fique et les praticiens (Zhang et al., 2009; Pasty, 2004), qui proposent des procds destins faciliter
le dveloppement et limplmentation de bonnes pratiques.
Peu de travaux bass sur la programmation dterministe peuvent tre retrouvs dans le domaine de la
chane dapprovisionnement en aliments pour btail (cf. tableau 2.5). La situation est donc inverse pour
le domaine de la gestion des oprations dans les champs par rapport aux chanes agro-alimentaires, o
de nombreuses tudes utilisant des approches dterministes ont t publies (cf. section 2.2). La programmation stochastique est utilise pour confronter des modles doptimisation tenant compte de diffrentes
sources dincertitudes : conomiques (cot, profit), de production (rendement de rcolte, rendement laitier), etc. (cf. tableau 2.6). En revanche, un nombre plus important de modles robustes ont t conus pour
contribuer la gestion efficace de la chane dapprovisionnement en aliments pour btail, permettant la
prise en considration des alas sans pour autant exiger une description probabiliste de ceux-ci (cf. tableau
2.7).
Hormis les mthodes analytiques, mentionnons le travail de Fischer et al. (2009), qui montre que lintercalation explicite des risques et des incertitudes (e.g. la mto, le changement climatique, la situation du
march ou dautres risques, tels que la pollution des sols ou des pturages) dans la planification de la production agricole peut considrablement contribuer dans llaboration des stratgies robustes favorables
au dveloppement agricole durable. En ce sens, les auteurs proposent un modle de simulation visant la
planification de la production du btail en expansion, ainsi quune nouvelle approche doptimisation stochastique pour grer lallocation de la production dans le cadre de plusieurs scnarios de simulation.

2.5

Chane dapprovisionnement en produits industriels

Les cultures non-vivrires (non-food, en anglais) sont des cultures de plantes destines dautres fins que
lalimentation humaine ou animale, tant depuis longtemps pratiques dans le cadre de lagriculture communautaire. Le spectre de ces cultures non-alimentaires est vaste, dont les principaux domaines dutilisation sont : bionergie, btiment et construction (bl, lin, bambou, etc.), pharmacie (cannabis sativa,
echinacea, armoise, tabac), bio-polymres (bl, mas, pomme de terre, etc.), produits chimique (huile de
colza, huile de lin, chanvre, lavande, etc.), fibres textiles (lin, coton, chanvre, etc.), etc.
Ayant consacre la section 2.3 la chane dapprovisionnement agro-nergtique, nous ne nous intressons pas ici aux questions relatives cette dernire. En revanche, interrogeons nous celles souleves
dans le cadre de la chane dapprovisionnement de produits agricoles non-alimentaires, qui constituent
les matires premires :
p en fourniture directe pour la transformation vers les industries non-alimentaires (Haneveld and
Stegeman, 2005; Golenko-Ginzburg et al., 1996; Leung et al., 2007; McKinion et al., 2001).
p en fourniture directe vers les industries non-alimentaires (Rajaram and Corbett, 2002).
En faisant recours la programmation linaire, Haneveld and Stegeman (2005) abordent les exigences
lies la succession de cultures de coton, sorgho et lgumes en jachre sur une mme parcelle, en maximisant le revenu par hectare. En se basant sur un modle doptimisation dterministe non-linaire, Rajaram
and Corbett (2002) dcrivent un processus itratif pour la re-configuration dun processus de production
damidon base du bl et du mas.
25

V. Borodin

Cherchant matriser convenablement la rcolte de coton, Golenko-Ginzburg et al. (1996) proposent un


systme daide la dcision multi-niveaux, sujet aux maintes contraintes lies la gestion de ressources
rendement alatoire. Pour prendre des dcisions en prsence dincertitudes, ces auteurs ont fait appel
la programmation stochastique.
En se rapportant la demande considre comme alatoire, Leung et al. (2007) prsentent un modle
robuste et stochastique pour rsoudre un problme de planification multi-site de production de coton et
de soie, qui vise minimiser un cot total, incluant des cots incertains de production proprement-dits,
de mains-duvre et de stockage. McKinion et al. (2001), quant eux, sintressent limplmentation
de solutions dagriculture de prcision dans la production de coton via des techniques de simulation et
danalyse de performance.
notre connaissance, trs peu dtudes scientifiques ont t ddies aux nombreuses problmatiques se
rfrant au domaine de lagriculture pour les industries non-alimentaires. Citons-en quelques-unes parmi
les plus videntes : la concurrence des industries papetires, chimiques, lipo-chimiques pour la production
de cellulose partir de plantes fibres annuelles (sorgho, chanvre, etc.) ; le lancement de nouvelles filires
agro-industrielles ; la production co-compatible rpondant aux attentes de la socit tant la fois conomiquement viable ; etc. (Pasty, 2004). Vu la multitude de problmes susceptibles dtre traits par les
outils analytiques et/ou exprimentaux daide la dcision, le petit nombre dtudes disponibles ce sujet
est rellement surprenant.

2.6

Conclusions et perspectives

Dans ce chapitre nous avons montr ltendue du spectre des recherches effectues dans le secteur de
lagriculture, en labordant du point de vue dutilisation finale des produits agricoles savoir : lalimentation humaine, animale, production de biomasse et de matriaux industriels. Avec cet tat de lart nous
nous sommes propos transversalement de donner une image globale du degr de mise en uvre de la recherche oprationnelle et des outils daide la dcision dans la rsolution de diffrents types de problmes
rencontrs dans la gestion efficace de la chane dapprovisionnement agricole, tout en mettant en relief
les diffrents paradigmes et approches utiliss pour tayer la prise de dcision face plusieurs sources
dincertitudes.
Tel que le dmontrent certains auteurs, agir dans cet univers interdpendant, au croisement des intrts
des fournisseurs, industriels, distributeurs et commerants reprsente un levier damlioration potentielle
et conjointe des performances de ces quatre composantes. Ainsi, lchange des informations entre les
parties concernes, la collaboration au sein des flux physiques, la logistique de retour, la gestion de la fluctuation de la demande et lefficacit des infrastructures constituent les principaux domaines dinnovation
qui contribuent un pilotage agile et efficient des matires premires agricoles (Klerkx and Leeuwis, 2008;
Soregaroli et al., 2011).
En rsum, tous concerns, les acteurs impliqus dans le pilotage de la chane logistique agricoles doivent
la fois :
p tre comptitifs, en utilisant des procds matrises et conomiquement viables ;
p sinscrire dans une logique de dveloppement durable en appliquant de pratiques culturales raisonnes ;
26

tat de lart : management de la chane dapprovisionnement agricole

p produire des matires premires agricoles de qualit technologique et sanitaire conformes aux rglementations prescrites dans ce sens et aux attentes des diffrents utilisateurs et/ou des consommateurs finaux.
Fort de tout ce qui prcde, nous avons lambition de participer cette restructuration de la chane logistique agricole, en essayant damliorer quantitativement et qualitativement la production de la matire
premire dune cooprative agricole typique. En conjuguant les outils de la recherche oprationnelle, la
simulation vnements discrets, ainsi que les techniques de statistique infrentielle et de prvision, nous
nous proposons de dvelopper, dans ce qui suit, un systme daide la dcision, capable de piloter convenablement la chane logistique agricole.

27

Chapitre
Simulation de la chane logistique agricole

Nous avons hrit dune structure performante et de valeurs transmissibles de gnration en gnration. Il est de notre devoir de prserver et les lguer nos enfants afin quils
puissent construire lavenir de la cooprative et poursuivre le chemin...
Jean-Pierre FLOGNY, Prsident, SCARA

Sommaire
3.1
3.2
3.3

3.4
3.5

3.1

Introduction . . . . . . . . . . . . . . . . . . . .
Description de la chane logistique agricole .
Modlisation de la chane logistique agricole
3.3.1 Composante physique . . . . . . . . . . .
3.3.2 Composante de commande . . . . . . . .
3.3.3 Instanciation et paramtrage . . . . . . .
Rsultats numriques . . . . . . . . . . . . . .
Conclusions et perspectives . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

29
30
32
32
34
38
41
43

Introduction

La structure du march de la filire agro-alimentaire et respectivement de ses chanes dapprovisionnement ne sont pas statiques. Au contraire, ces dernires sont actuellement lobjet dune transformation
radicale et continue. Lvolution de lagriculture mondiale et les dfis auxquels elle se confronte (cf. chapitre 2), exigent une intensification des efforts en matire de (re-)conception du systme agricole. Les
dmarches dans ce sens doivent reposer sur une analyse et fdration pluridisciplinaires des relations
entre ses composantes (biophysique, technique, environnemental, etc.) et envisager une modlisation qui
permettra lvaluation au pralable de lincidence des innovations techniques et organisationnelles dans
la configuration de la chane dapprovisionnement agricole dans son intgralit (Le Gal et al., 2010).

29

V. Borodin

Largement utilise en recherche oprationnelle, la simulation se prsente en tant quune technique efficace, dun maniement ais, pour lapprhension de comportement des systmes dynamiques complexes,
et dont lincertitude (endogne ou exogne) des paramtres dexcution rend trs difficile, voire impossible, lutilisation des mthodes analytiques (Fleury et al., 2006). En mesure dassimiler le systme avec le
degr de dtail et de granularit qui convient la rsolution du problme pos, elle est utilise dans de
nombreuses applications logistiques, mdicales, de production industrielle, etc. ; le secteur de lagriculture
ne faisant pas exception (cf. chapitre 2).
la lumire de ces considrations et la recherche dune meilleure configuration de la chane logistique
agricole, nous nous somme investis en premier temps dans la conception dune application de simulation
permettant dintgrer les paramtres survenant dune manire dynamique afin dvaluer lincidence sur
la chane. Reprsentant la fois le cadre de mise en uvre industrielle, la simulation permet dorganiser la coordination entre acteurs au sein de la chane logistique dans une ambiance et des circonstances
ralistes.
La suite de ce chapitre se scinde ensuite en quatre sections. Tout dabord dans la section suivante, nous
dcrivons la configuration actuelle de la chane agricole de la cooprative concerne par cette tude. Dans
la section 3.3 nous procdons sa modlisation proprement-dite, en dfinissant mticuleusement les deux
composantes de la chane, physique (en sous-section 3.3.1) et de commande (en sous-section 3.3.2). Hormis le modle conceptuel, la simulation se fait travers la spcification des conditions exprimentales et
des paramtres propres une exprimentation, i.e. dune instance et paramtrage, structures de donnes
lucides dans la section 3.3.3. Limplmentation du modle conceptuel sous ARENA, logiciel largement
utilis dans le monde industriel, ainsi que les exprimentations numriques effectues sont discutes dans
la section 3.4. En dernier ressort, la section 3.5 conclut ce chapitre et nonce les problmes soulevs, dont
la rsolution nest pas possible par voie exprimentale. Par ailleurs, ces derniers feront lobjet des chapitres
venir.

3.2

Description de la chane logistique agricole

tant une tape primordiale et dterminative dans le circuit des crales, cest lactivit de rcolte qui est
concerne par cette thse (cf. Fig. 3.1). Lorsque les crales ont atteint leur maturit physiologique, les
agriculteurs procdent la moisson, pralablement concerts sur lorganisation des chantiers mcaniques
communs de rcolte pour des raisons de rentabilit conomiques.
Afin dtre conserves dune manire approprie, les crales sont achemines vers des implantations physiques de stockage spcialement conues cet effet (appels silos), o elles sont soigneusement stockes.
Dans ce sens, la cooprative dispose de deux types de silos, quips du mme appareillage de mesure,
contrl et standardis, dans le cadre de lassurance qualit et rception homogne entre tous les silos de
stockage :
p silo dexpdition : servent au stockage temporaire ( labri de leau et des polluants) ou au stockage
long terme (aptes garantir la qualit intrinsque des grains) ;
p silo de collecte (satellite ou habituel) : servent de stockage de proximit au moment de la moisson
des crales, ayant des capacits rduites par rapport la quantit totale de rcolte. Les quantits
30

Simulation de la chane logistique agricole

stockes sont ensuite expdies vers des silos dexpdition ddis au stockage long terme, ayant
des capacits plus grandes.
Les services de stockage sont mis la disposition pour deux types dagriculteurs : adhrents et clients. Les
adhrents sont des agriculteurs engags par des contrats de production, proposs par la cooprative en
vue dorienter la mise en culture vers des marchs demandeurs et identifis. Ils sobligent produire une
varit spcifique selon un cahier de charges dfini par le contrat et livrer la cooprative ci-concerne.
En revanche, les clients sont des agriculteurs individuels qui peuvent galement bnficier de service de
stockage, mais qui ne partagent pas avec la cooprative les informations lies la quantit et la varit
livrer. Ces derniers peuvent se prsenter la cooprative aprs rcolte pour demander ce service.
Hormis le degr de maturit des crales, le droulement de la collecte des crales est conditionn directement par des circonstances mtorologiques. Dune part, la mto influence la longueur de la saison
de rcolte, aucune collecte ne se faisant le jour, voire plusieurs jours aprs des pluies abondantes. Dautre
part, les pluies affectent souvent dune faon irrversible la qualit technologique et le rendement des
collectes (pourriture/germination/grenage des grains, casse dpis, etc.). La collecte de crales doit donc
tre acheve dans les plus brefs dlais pour viter les risques de dgradation aprs la maturit physiologique des grains afin de garantir une qualit optimale (qui se mesure par la teneur en protines, le poids
spcifique, lindice de chute de Hagberg, etc.), et assurer un rendement de rcolte correct.

Figure 3.1 Chane logistique agricole dans son tat actuel

Afin de mieux apprhender un tel systme agricole, nous nous proposons ce stade de ltude, de dvelopper un modle logique de simulation vnementielle, capable de reproduire fidlement son fonctionnement
intrinsquement dynamique, en intgrant les activits lies la phase de collecte de crales, avec comme
but :
p dorganiser la logistique et conduire les flux de crales entre les champs et les silos dexpdition ;
p de rceptionner et stocker les crales dans les silos de stockage, en considrant les oprations de
vidage des silos de collecte ;
p de prendre en compte les conditions mtorologiques.
Dune faon plus gnrale, un tel modle de simulation devra nous permettre de reproduire le pilotage
de la chane logistique agricole actuelle dans son intgralit (des champs aux silos dexpdition), pour
31

V. Borodin

ainsi faciliter la dtection dventuelles pistes damlioration de ses performances et de rduire son cot
global. De surcrot, la simulation et ltude dautres politiques de stockage (transfert direct champs-silos
dexpdition, stockage en bout de champ, etc.) seront galement possibles en tant que re-configurations
de ltat actuel de la chane logistique.

3.3

Modlisation de la chane logistique agricole

Le pilotage des flux de crales pendant la priode de rcolte est une fonction de temps et de la mto,
dont les variations gnrent des changements dtats du systme agricole. Il sagit donc dun modle stochastique vnements discrets (discontinus) (Law and Kelton, 2000). La simulation de ce dernier permet
ainsi dcrire minutieusement lensemble des vnements se produisant dans un systme de processus
ou dactivits lors de leurs droulements ou fonctionnements durant un horizon de temps.
La construction dune simulation prsuppose la dfinition de deux structures de donnes (Altiok and Melamed, 2007) :
p le modle conceptuel proprement-dit : description des composantes statistiques/physiques et dynamiques/logiques du systme ;
p linstance et le paramtrage : spcification des jeux de donnes et paramtres propres une exprimentation.
Ainsi, la sous-section suivante prsente en dtails les composantes physiques du systme agricole tudi
dans cette thse, tandis que la sous-section 3.3.2 aborde minutieusement ses composantes de commande.
Ensuite, dans la sous-section 3.3.3, linstanciation et le paramtrage du modle sont discuts, avant de
procder lexprimentation de la simulation vnements discrets de la chane logistique agricole.

3.3.1

Composante physique

Les collectes de crales sont effectues par un ensemble de chantiers agricoles sur plusieurs parcelles
disperses gographiquement. cette phase, la cooprative tant vritablement le prolongement de lexploitation agricole, propose des services de stockage travers un ensemble de silos de stockage (cf. annexe
A). Dcrivons donc les deux composantes physiques intervenant lors de lactivit de rcolte, y compris les
ressources inhrentes sa conduite.
Chantiers agricoles
Pour des raisons de rentabilit conomique, certains agriculteurs prfrent mutualiser leurs ressources
mcaniques ou humaines pendant la rcolte de crales. Un chantier agricole est constitu ainsi dun
ensemble dagriculteurs (qui peut tre de cardinal 1, pour les agriculteurs travaillant tout seul), possdant
chacun plusieurs parcelles. Ceux-ci excutent principalement les oprations de collecte dans les champs
et effectuent galement la livraison aux silos de stockage. Pour les chantiers avec dbit de rcolte lev,
des stockages court terme peuvent tre galement envisags. Soit I lensemble des chantiers agricoles,
possdant chacun Pi parcelles (i = 1, I). Par souci de clart, numrons donc les attributs physiques
dfinissant un chantier agricole i, (i = 1, I) :
32

Simulation de la chane logistique agricole

p ensemble dagriculteurs, dont chacun est exploitant dun nombre de parcelles ;


p parc matriel destin :
la rcolte : moissonneuses-batteuses (caractrises par un dbit par culture et par heure) ;
le transport : bennes (caractrises par une capacit limite) ;
p stockage :
ddi (cellule/case) : pour une dure de stockage suprieure un mois ;
temporaire : pour une priode de stockage qui peut durer quelques jours (caractris par une
capacit) ;
tampon : dans le cas o le stockage ne dpasse pas un jour (caractris par une capacit).
Il convient de mentionner quune parcelle p (p = 1, Pi , i = 1, I) reprsente une portion de terrain plus
ou moins grande, situe dans une mme commune (canton ou lieu-dit), comportant une mme nature de
culture-varit et appartenant un mme propritaire (agriculteur), dont les caractristiques sont donnes
ci-dessous :
p coordonnes gographiques ;
p surface ;
p type de sol ;
p agriculteur ;
p culture-varit (ajustable selon lanne) ;
p date de maturit physiologique (ajustable selon lanne) ;
p indices de dgradation de la qualit de crales (ajustable selon lanne, la varit, etc.) ;

Rseaux des organismes stockeurs


Soit S lensemble des silos de stockages (de collecte ou dexpdition). Chaque unit de stockage s (s =
1, S), que ce soit un silo dexpdition ou de collecte, se caractrise par les lments suivants :
p coordonnes gographiques ;
p cellules et paramtres spcifiques pour les oprations de vidage ;
p nombre de fosses (caractrises par un dbit par fosse et par cellule) ;
p schoirs (caractriss par un dbit) ;
p horaire douverture (ajustable selon lanne) ;
p ressources humaines (effectif).
Tous les silos de stockage proposent des prestations de stockage similaires, sauf le cas de certaines varits sous contrats spcifiques de production dont les livraisons sont acceptes uniquement dans de silos
bien prciss. En ce qui concerne les critres de qualits, une rception homogne entre tous les silos est
garantie par leur quipement du mme appareillage de mesure (contrl et standardis).
33

V. Borodin

3.3.2

Composante de commande

Le modle de simulation vnements discrets opre avec des lments physiques isolables constituants
les flux discrets, qui se dplacent individuellement travers le modle suivant les vnements survenant
dans le systme. Le fonctionnement dun tel modle, la transformation des flux, et le prlvement de la
connaissance volutive se font via des composantes de commande, i.e. logiques et/ou dynamiques (Law
and Kelton, 2000).
Dans ce qui suit dans cette sous-section, exposons les vnements susceptibles de survenir dans le systme agricole objet de notre tude, conformment aux oprations auxquelles ceux-ci se rfrent savoir :
collecte et livraison ; stockage ; file dattente pour livraison ; vidage de silos de collecte ; schage (pour les
produits olagineux et mas).
Collecte et livraison
La gnration des flux de crales et leurs acheminements vers les silos de stockage sont dclenchs par
les circonstances suivantes (cf. Fig. 3.2) :
p les grains de la parcelle pi ont atteint la date de leur maturit physiologique ;
p la mto est de bon augure pour les oprations de rcolte dans les champs ;
p au moins un silo de stockage est ouvert pour rceptionner les collectes de crales ;
p le chantier i est disponible pour procder la rcolte de la parcelle pi .
Stockage
Une fois les flux de crales sont arrivs (bennes des agriculteurs) au poste de rception dun silo de
stockage, ils sont soumis aux oprations suivantes (cf. Fig. 3.2 ) :
p prlvement dchantillons des grains apports ;
p affectation dune fosse, et sa prparation dans le cas chant ;
p affectation une cellule compatible. Il est noter quune cellule est considre compatible avec
une varit donne v, si celle-ci est soit spcialement ddie la varit v, soit contient des autres
varits autorises tre mlanges avec la varit v.
Vidage de silos de collecte
Les capacits des silos de collecte (satellites) ne sont pas suffisantes pour garantir la rception convenable
de crales livres sur plusieurs jours de rcolte. En vue dassurer une rception fluide et un stockage
adquat auprs des silos de collecte, un transfert rgulier des crales vers les silos dexpdition est alors
organis (cf. Fig. 3.3), lorsque :
p parmi les ressources de transport appartenant la flotte de vhicules de la cooprative, il y en a au
moins une disponible ;
p au moins une cellule dun silo de collecte nest pas vide.
34

Simulation de la chane logistique agricole

Figure 3.2 Modlisation de la chane logistique : livraison et stockage

Figure 3.3 Modlisation de la chane logistique : vidage des silos de collecte

35

V. Borodin

File dattente
Dans la configuration actuelle de la chane logistique agricole, o les chantiers agricoles peuvent assurer un
processus continu de rcolte dans les champs, les files dattente auprs de silos de stockage peuvent affecter
la synchronisation entre les oprations effectues dans les champs et celles de rception de crales, en
raison de plusieurs facteurs : (i) nombre rduit de fosses par rapport la gamme large de varits stocker ;
(ii) dbits limits des fosses de rception ; etc. La congestion de vhicules auprs de silos de stockage peut
ainsi entraner une perte de productivit des ressources de rcolte dans les champs.
Considrons donc un systme de file dattente pour chaque silo de stockage s (s = 1, S), qui peut servir
trois classes de bennes : transfert (provenant de silos de collecte et concernant uniquement les silos dexpdition), agriculteur-adhrent et agriculteur-client. Chaque silo de stockage s (s = 1, S) possde Fs fosses
(serveurs) de dbit limit rsf , s = 1, S et f = 1, Fs .
Les temps dinter-arrives entre les bennes des adhrents sont supposs suivre une loi exponentielle de paramtre 1 , et respectivement les temps dinter-arrives entre les bennes des agriculteurs-clients sont galement dfinis par une loi exponentielle mais de paramtre 2 . Contrairement aux processus stochastiques
dcrivant les inter-arrives des agriculteurs, adhrents et clients, les bennes de transfert sont coordonnes
au sein de la cooprative de telle manire ne pas perturber la rception des livraison des agriculteurs. Si
les bennes de transfert arrivent en mme temps que les bennes des agriculteurs, ces derniers sont servis
en priorit.

Figure 3.4 Systme de file dattente auprs des silos de stockage


Par consquent, la discipline de service entre les bennes des agriculteurs et de transfert est avec premption (P R) en faveur des agriculteurs, adhrents ou clients. En contrepartie, la discipline de service des
rceptions des livraisons des agriculteurs, adhrents et clients, est base sur le principe premier entr,
premier servi (F IF O).
Le temps de rception dune benne (temps de service) tservice est dtermin en fonction de la quantit
livre q et le dbit de la fosse f du silo de stockage s. Le dbit du systme de file dattente au silo s est
q
alors dterministe (D) et il est calcul selon lexpression : tservice =
.
rsf
Le nombre total des agriculteurs et des bennes de transfert desservir (population de la file dattente)
est considr fini et donn par H. Le dbit des arrives de bennes des agriculteurs est alors une fonction
de nombre de bennes rceptionner dans le cadre du systme tudi. Dnotons la population de la file
dattente, qui est compose de deux classes de bennes, adhrents et clients, par 1 (N ) et 2 (M ), o N
reprsente le nombre total connu des adhrents et M le nombre maximum attendu de bennes de clients
36

Simulation de la chane logistique agricole

rceptionner.
Le systme de file dattente auprs de silo de stockage s est born par Fs , i.e. par son nombre de fosses Fs .
De plus, considrons un paramtre de la file dattente B, indiquant la capacit du systme, i.e. le nombre
de bennes qui peuvent simultanment sy trouver. Ceci signifie que si une benne des clients arrive dans
le systme et que la file dattente est complte, alors le client en question est perdu (il nentre pas dans le
systme).
En rsum et conformment la notation de Kendall (processus darrive/ processus de sortie/ nombre
de serveurs/ capacit totale du systme/population totale de clients/ discipline de service), la forme de la
file dattente auprs de silos de stockage s est la suivante : M/D/Fs /Fs + B/H/F IF O(P R), et peut
tre illustre tel que montr dans la Fig. 3.4. Il convient juste de noter quaucune benne de transfert nest
rceptionner aux silos de collecte, celle-ci tant spcifique uniquement aux silos dexpdition.
Schage
Au cours du stockage, la qualit des grains saltre rapidement, sils sont conservs trop humides. En effet,
les crales atteignent leur maturit physiologique, lorsquelles cessent de pousser et accumulent davantage de matire sche. cette phase de leur dveloppement, les grains sont encore des organismes vivants
et, comme ils respirent, il y a une production de chaleur, deau et de gaz carbonique. La perte de matire
sche est dautant plus significative que la teneur en eau est leve et la respiration plus importante. Cest
pour cette raison que les crales devraient avoir une teneur en eau optimale avant dtre stockes (par
exemple, pour le mas, le mil et le sorgho cette teneur doit tre de 15 % au maximum).
Juste aprs la rcolte, le schage a donc pour vocation de ramener les grains de leur teneur en eau la
collecte celle de conservation. La conservation des crales dans un silo de stockage ne sera ensuite
possible sans dommage que si la temprature des grains est suffisamment basse (ARVALIS, 2003).

Figure 3.5 Modlisation de la chane logistique : opration de schage

Avant dtre proprement-parlant prpares pour une conservation conforme, les crales livres dans un
silo sont ainsi stockes sur un site de pr-schage. Une fois les schoirs l (l = 1, L) dune capacit limite
Tl sont rgls et une quantit raisonnable de crales pr-stocke est atteinte, lopration de schage peut
alors tre entame.
37

V. Borodin

Afin dviter le collage des grains sur les sites de pr-schage, les crales doivent tre mlanges au moins
chaque 24 heures si leur dure de pr-stockage dpasse ce dlai. Il est noter que la dure de pr-stockage
reprsente le dlai qui scoule entre la rcolte au champ dun lot de crales et son passage dans le schoir,
la dure dattente sur le site de pr-schage tant galement couple.

3.3.3

Instanciation et paramtrage

Une instance du modle de simulation vnements discrets dcrit plus-haut (cf. sous-sections 3.3.1 et
3.3.2) reprsente une campagne agricole spcifique, dont les donnes dentre comportent les informations relatives aux : chantiers agricoles ; organismes stockeurs ; informations mtorologiques probabilises relatives aux disponibilits journalires de rcolte (un jour est considr disponible, si aucune pluie
nest prvue le jour mme). Le paramtrage des caractristiques lies la saison de rcolte doit tre galement effectu ainsi que lajustement des composantes physiques propre chaque exprimentation de
simulation.
En dpit de nombreux avantages, la simulation prsente cependant des limites. Ntant pas une technique
doptimisation au sens propre, elle nest pas capable de prendre des dcisions optimales dans un ensemble
admissible de solutions, permettant uniquement denvisager et de vrifier larborescence des choix possibles dfinis par lusager. En tout tat de cause, nous avons dfini les rgulations suivantes lorsque la prise
de dcision est requise dans le cadre du pilotage de la chane logistique agricole tudie :
p choix de silo de stockage : la rgle du plus proche silo de stockage est applique, sauf mention
contraire (certaines varits sous contrats spcifiques sont acceptes uniquement dans de silos de
stockage prdfinis) ;
p choix de parcelle rcolter : les parcelles posant des risques de dgradation plus importants (dans
le cas dgalit dindices de dgradation, le choix de parcelles se fait en ordre croissant de leurs
identifiants associs) ;
p stockage dans les cellules des silos de stockage : le stockage des crales dans les cellules se fait selon le principe de la meilleure compatibilit entre les varits, en dfinissant une matrice de notes
de compatibilit entre les varits susceptibles dtre reues par les silos de stockage, allant de 0
(non-compatible) C (trs compatible). De plus, une matrice binaire de compatibilit (1), et respectivement dincompatibilit (0) entre cellule et varit est galement dfinie pour servir liminer
certains choix de cellule de stockage pour une varit donne.
p choix de cellule de silo de collecte vider : deux rgles sont mises en place, savoir les plus remplies
et les moins remplies ; en revanche, le choix de silo de collecte vider se fait selon le principe du
plus satur en priorit.
Il est important galement de prciser que le type dexprimentation en simulation de la chane logistique
agricole tudie est horizon fini (i.e. terminatif) (Law and Kelton, 2000). La simulation sexcute jusqu
ce quil ny ait plus de parcelles rcolter et de quantits de crales stocker.
38

Simulation de la chane logistique agricole

Figure 3.6 Rsultats numriques : activit des schoirs


39

V. Borodin

Figure 3.7 Rsultats numriques : activit de stockage


40

Simulation de la chane logistique agricole

3.4

Rsultats numriques

Un des problmes rencontrs dans la chane logistique de la cooprative en question est le pilotage de
flux de crales depuis les champs jusquaux silos dexpdition. Le primtre concern comporte environ
300 exploitations agricoles disposant chacune dun parc mcanique de dbit diffrent. Les quantits collectes sont soit achemines vers de silos de collecte (environ 60-65 % des tonnages), soit vers de silos
dexpdition.
Les silos de collecte sont rpartis sur 11 sites. Les quantits stockes dans ces derniers sites sont ensuite
expdies vers des silos dexpdition de plus grande capacit (3 sur le territoire concern par ltude). Les
acheminements directs (i.e. sans transit par les silos de collecte) vers des silos dexpdition sont galement
possibles (35-40 % des tonnages) et sont de plus encourags.
Le modle de simulation tel quil a t dfini dans la section 3.3 a t implment laide du logiciel
de simulation Rockwell-Arena (version 13.0), qui reprsente la version graphique du langage de
simulation de type interaction de processus SIMAN (SIMulation LANguage for modeling general systems)
(Altiok and Melamed, 2007). Les exprimentations numriques ont t effectues sur une machine Intel(R)
Core(TM) i7-2720QM CPU 2.20GHz.

Figure 3.8 Rsultats numriques : file dattente un silo de stockage


Sans restreindre la porte gnrale de ce qui prcde, lanons la simulation vnements discrets correspondant une campagne agricole effectue dans une zone gographiques gre par la cooprative
sous-tude, comportant : un silo dexpdition, 3 silos de collecte et plus de 1100 parcelles. Plusieurs analyses peuvent tre extraites quant au droulement et la performance de la chane logistique. ce titre, la
Fig. 3.8 montre le niveau de rception dun silo de stockage. Il est de toute vidence quune connaissance
plus prcise des varits et quantits livrer, pourrait faciliter les rceptions et minimiser les files et temps
dattente auprs des silos de stockage, dont le remplissage est illustr dans la Fig. 3.7.
Du ct des agriculteurs, la Fig. 3.10 permet de suivre le taux variable dutilisation dun chantier agricole
lors dune campagne agricole, tandis que la Fig. 3.9 souligne les risques cumuls de dgradation des crales
enregistrs au moment de la rcolte. Ces derniers ont t calculs en tant que lcart entre la date de
maturit physiologique et celle de la rcolte et servent donner des informations quant lexposition
des crales aux diffrents risques de dgradation de la qualit ou du rendement (causs par pluies, surmaturit, organismes nuisibles, etc.).
41

V. Borodin

Figure 3.9 Rsultats numriques : volution des risques cumuls de dgradation de la qualit des crales
collectes

En ce qui concerne le mas, les grains sont pralablement schs afin dassurer une conservation approprie. Dans ce sens, la Fig. 3.6 illustrent lactivit, et respectivement linactivit de deux schoirs. Tel que
la suggre les multiples fluctuations de dmarrage/arrt des schoirs, lactivit de schage nest pas optimise, supposant ainsi une consommation dnergie qui peut tre rduite grce une meilleure gestion
des flux rcolts.

Figure 3.10 Rsultats numriques : le taux dutilisation dun chantier agricole

Bien entendu, les rsultats ci-reports ne sont que quelques exemples de sortie de la simulation. ce
stade de ltude, nous ne nous intressons pas lvaluation plus profonde de performance du modle
de simulation vnements discrets ci-prsent, ni lanalyse des scnarios potentiels. Avant de ce faire,
nous nous proposons de surmonter certaines limites de la simulation (cf. sous-section 3.3.3) dans les quatre
chapitres venir.
42

Simulation de la chane logistique agricole

3.5

Conclusions et perspectives

Dans ce chapitre, nous avons construit un modle de simulation vnements discrets permettant lapprhension et le pilotage de la chane logistique dans son tat actuel. Afin de vrifier ses possibilits et ses
limites, lvolution et plusieurs rsultats de simulation dune campagne agricole sont apports et discuts.
Tel que le montrent les exprimentations numriques, la simulation nous permet de suivre le droulement
de lactivit de rcolte en temps rel de simulation dans son intgralit, en prenant en compte les lments
stochastiques inhrents au systme agricole (mto, file dattente aux silos de stockages).
Une fois que le cadre de lapplication industrielle est labor via le modle de simulation vnements
discrets, des amliorations potentielles sont repres selon les axes suivants :
p gestion des risques de dgradation de la qualit des crales avant stockage dans les silos pendant
la priode de rcolte ;
p dclenchement des oprations de vidage afin dassurer une rception fluide et un stockage adquat
aux silos de collecte ;
p analyse de plusieurs scnarios, qui correspondent la fermeture/ouverture dune ou plusieurs implantations physiques de stockage intermdiaire.

43

Chapitre

Gestion des risques de dgradation de la qualit


des crales : cas statique

Lagriculture de demain se dessine aujourdhui et nous devons tre lun des acteurs principaux. En collaboration avec les adhrents et certains de nos partenaires, la SCARA mne des
dmarches actives pour occuper une place de choix dans linnovation et lagriculture durable.
Cest primordial pour conserver notre diffrenciation et continuer proposer nos clients des
produits toujours meilleurs et nos adhrents des conditions encore plus favorables...
Philippe MICHONNEAU, Responsable Ple Agronomie, Innovation, Services, SCARA

Sommaire

4.1

4.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

4.2

Description du problme et modlisation mathmatique . . . . . . . . . . . . . . . .

47

4.2.1

Programmation sous contraintes probabilistes jointes . . . . . . . . . . . . . . . . . .

48

4.2.2

Programmation mixte en nombres entiers . . . . . . . . . . . . . . . . . . . . . . . .

50

4.3

Une approche base sur la rduction des scnarios . . . . . . . . . . . . . . . . . . . .

52

4.4

Reformulation mixte en nombres entiers et le concept de pertinence-(1 ) . . . . .

55

4.5

Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

4.6

Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

Introduction

La rcolte, aboutissement dune anne de production, reprsente ltape primordiale dans le circuit de la
production cralire, en raison de son cot lev et de lincidence considrable sur la quantit et la qualit des crales. Les moissons prmatures ou tardives, les techniques inappropries de collecte et/ou le
stockage inadquat sont quelques facteurs qui peuvent compromettre substantiellement la russite dune
campagne agricole.
45

V. Borodin

Pourtant, cest la mto capricieuse qui cerne les contraintes et le contexte de rcolte. Avant la rcolte
proprement dite, les mauvaises conditions climatiques peuvent causer des retards importants dans le dveloppement des crales, en affectant irrversiblement de ce fait leur qualit intrinsque et/ou le rendement de rcolte. Pendant la saison de moisson en revanche, ce sont dj les pluies qui empchent les
agriculteurs daccder leurs parcelles, fait qui tergiverse le processus de rcolte en exposant ipso facto
les crales des risques de dgradation au champ (rancidit, moisissures, chute dpis, dveloppement
des micro-organismes, casse des tiges, etc.).
En vue de rpondre des objectifs de rentabilit financire, nous nous intressons dans ce chapitre
la planification dune rcolte fructueuse, favorable un rendement correct et une qualit qui valorise
le potentiel des grains dvelopps. Ainsi, un modle stochastique sera labor, dans le but de minimiser
les risques de dgradation de la qualit des crales pendant la priode de moisson. Celui-ci sera abord
ultrieurement par des techniques de rduction des scnarios (utiliss pour reprsenter les alas mtorologiques) via des contreparties linaires quivalentes, spcialement dveloppes cet effet.
Il existe diverses approches pour faire face aux incertitudes, notamment lorsque la connaissance probabiliste les caractrisant est disponible. Les principaux paradigmes de modlisation et de rsolution des
problmes comportant des paramtres alatoires exprims explicitement par des distributions de probabilit, sont bass sur les modles stochastiques suivants : (i) modles avec ou sans recours, (ii) modles avec
des contraintes probabilistes jointes (intgres) ou spares (indpendantes), ainsi que (iii) la combinaison
de ces deux (Shapiro et al., 2009; Kall and Wallace, 1994). La premire famille de modles stochastiques
optimise un critre de type esprance mathmatique, tandis que la deuxime famille met un ensemble
de contraintes en probabilits, sintressant ainsi la recherche de solutions conformes, qui rsistent au
mieux aux ventuelles manifestations des alas.
Dans ce chapitre et en conformit avec la nature des lments alatoires qui interviennent dans le problme
de planification de lactivit de rcolte, nous nous intressons tout particulirement la programmation
sous contraintes probabilistes jointes. Cest partir des travaux de Charnes and Cooper (1959) datant des
annes 50, o elle est voque sous le nom de joint chance constrained programming, que la programmation sous contraintes probabilistes jointes attire lattention de la communaut scientifique (Miller and
Wagner (1965); Dentcheva et al. (2002, 2000); Zhang et al. (2014), etc.). Souvent approprie dans un contexte
industriel, cette approche permet de rendre fiable, jusqu un certain niveau de confiance prescrit, le systme de contraintes probabilistes de manire ce que les dcisions obtenues soient ralisables dans une
conjoncture incertaine.
Tout dabord, la description dtaille du problme ainsi que sa modlisation mathmatique sous la forme
dun programme stochastique sont donnes dans la section 4.2. En utilisant les rsultats prsents par Shapiro et al. (2009) et Dentcheva et al. (2000), une reformulation quivalente mixte en nombres entiers est
dveloppe dans la sous-section 4.2.2. En raison de sa complexit exponentielle, des stratgies fondes sur
la rduction de scnarios seront utilises pour rsoudre le problme tudi. Dans ce sens, deux approches
proposes par Heitsch and Rmisch (2007) seront donc rappeles dans la section 4.3 et ultrieurement
implmentes. Soucieux dattnuer la complexit du programme linaire dvelopp, dans la section 4.4,
nous introduisons le concept de (1 )- pertinence travers duquel une nouvelle reformulation alternative mixte en nombres entiers est propose. La section 4.5 rapporte les rsultats obtenus et prsente
une tude comparative des modles mathmatiques et des approches de rsolution proposs. Finalement,
une conclusion et des perspectives envisageables dans la continuit de ce qui est prsent, clturent ce
chapitre en section 4.6.
46

Gestion des risques de dgradation de la qualit des crales : cas statique

4.2

Description du problme et modlisation mathmatique

Tel que mentionn auparavant, cest lactivit de la collecte qui est concerne dans ce chapitre. Les agriculteurs procdent la moisson ds que les grains ont atteint leurs stades de maturit physiologique. Tout en
tenant compte des incertitudes mtorologiques et dans lintention de rduire les risques de dgradation
de la qualit des crales, une planification journalire ralise au pralable permettra aux agriculteurs de
mieux sorganiser pendant la priode de rcolte.
Pour ce faire, considrons I chantiers agricoles diffrents se rfrant une cooprative agricole. Chaque
chantier i, i = 1, I possde Pi parcelles, chaque parcelle p comportant quune seule varit. La quantit
collecter de chaque parcelle qip est suppose connue et dpend de la surface seme et du rendement de production, estim aprs le stade de dveloppement des grains. En outre, les dates de maturit physiologique
dip pour toutes les parcelles p se rattachant au chantier i, sont considres connues juste avant la rcolte
avec une prcision satisfaisante. Lhorizon de temps ncessaire pour effectuer la rcolte est constitu de
J priodes de temps (jours, dans notre application).
Rcolter la maturit optimale est une prescription importante pour rduire le taux dhumidit des crales et pour diminuer les risques de dgradation de leur qualit intrinsque aux diffrents stades du
stockage et/ou de la commercialisation. Reprsentons alors par rpa et rpb les indicateurs de dgradation
lorsque les produits agricoles provenant de la parcelle p sont collects avant, et respectivement, aprs
leurs stades de maturit physiologique optimale.
Tableau 4.1 Gestion des risques de dgradation de la qualit des crales : notations
Paramtres :
i, (i = 1, I)
p, (p = 1, Pi )
j, (j = 1, J)
, ( )
Donnes :
j
dip
rpa
rpb
qip
ci
M

chantier agricole
parcelle
priode de temps (jour)
scnario de disponibilit de jour de rcolte pendant lhorizon de collecte considr
disponibilit de rcolte de jour j dans le scnario
date de maturit physiologique
indicateur de dgradation dans le cas de rcolte tardive de la parcelle p
indicateur de dgradation dans le cas de rcolte prmature de la parcelle p
quantit rcolter de la parcelle p par le chantier agricole i
capacit journalire de rcolte du chantier agricole i
I
X
grande constante (e.g. suprieure
Pi )
i=1

Variables :
xipj
b
zipj
a
zipj

gipj
oj

proportion de la parcelle p rcolte le jour j par le chantier agricole i


dnote le fait que la parcelle p du chantier agricole i est rcolte avant le stade de
maturit physiologique en prenant la valeur 1, et 0 sinon
dnote le fait que la parcelle p du chantier agricole i est rcolte aprs le stade de
maturit physiologique en prenant la valeur 1, et 0 sinon
prend la valeur 0 si aucune parcelle nest rcolte par le chantier agricole i le jour j et
la valeur 1, sinon
vaut 0 si aucune parcelle nest rcolte le jour j et la valeur 1, sinon

47

V. Borodin

Chaque chantier agricole a une capacit journalire de rcolte limite, qui peut tre dtermine en fonction
de la dimension et du rendement mcanique de ses quipements agricoles utiliss dans le processus de
rcolte, ainsi que de la proximit des silos de stockage. Ainsi, aucun chantier agricole i ne peut collecter
une quantit suprieure ci par jour.
Les pluies ont un effet nfaste sur le bon droulement de la collecte des crales. ce propos, en utilisant
les donnes fournies par les stations mtorologiques, se rfrant au volume des prcipitations pendant
la saison de rcolte, il est possible de disposer dinformation probabiliste sur la disponibilit des jours
de rcolte. Plus prcisment, un jour sans pluie est considr comme tant disponible pour effectuer les
oprations relatives la rcolte. Ainsi, reprsentons la disponibilit journalire de rcolte par une variable
alatoire, indpendante et binaire j (j = 1, J), qui prend la valeur 1 sil est possible
de rcolter le jouroj,
n
et 0, sinon. Ces variables sont dcrites par leurs distributions discrtes : Dj = (jk , P(jk )), k = {0, 1} ,

j = 1, J. Lensemble des scnarios , dcrivant les incertitudes mtorologiques tout au long de lhorizon
de rcolte J, est dsign par , o = (1 , , J ), et leurs probabilits jointes associes sont donnes
J
Y
par : P() =
P(j ), .
j=1

La variable de dcision relle xipj (0 xipj 1) reprsente la partie de la parcelle p rcolte le jour j.
b
De plus, la variable de dcision zipj
vaut 1, si la parcelle p de lagriculteur i est rcolte avant le stade
a
de maturit physiologique et la valeur 0, sinon. Respectivement, zipj
prend la valeur 1 si la parcelle p de
lagriculteur i est rcolte aprs le stade de maturit physiologique et la valeur 0, sinon. La variable binaire
gipj est gale 1, si la parcelle p est rcolte le jour j par le chantier i, et 0 sinon. La variable oj vaut 0 si le
jour j aucune parcelle nest rcolte, et 1 dans le cas contraire. La fonction-objectif du problme consiste
minimiser les risques de dgradation de la qualit des produits craliers, compte-tenu de la maturit
physiologique dans les deux cas de collecte : prmature et/ou tardive.
Avant de procder la modlisation mathmatique, numrons les constatations qui en ressortent aisment : (i) il ny a pas de recours quantifiable considrer ; (ii) la fonction-objectif nest pas affecte explicitement par les variables alatoires j ; (iii) les incertitudes ne vont apparatre que dans le second membre
des contraintes, proprit qui ne rend pas, dailleurs, le problme plus facile. Lapproche de modlisation
se dgageant comme la plus approprie pour ce genre de problme savre donc tre la programmation
stochastique sous contraintes probabilistes jointes (Shapiro et al., 2009; Kall and Wallace, 1994), dont la
mise en application est dtaille plus amplement dans la section qui suit juste aprs.

4.2.1

Programmation sous contraintes probabilistes jointes

Dans la perspective de la programmation sous contraintes probabilistes, le principal challenge consiste


trouver la meilleure solution, qui optimise un objectif considr et reste la fois fiable dans la plupart
des ralisations des alas. cet gard, spcifions dans le modle mathmatique un niveau de confiance
(i.e. une tolrance acceptable) de (1 ), o (0, 1) reprsente le seuil dsir pour la validation des
contraintes probabilistes. En considrant par la suite les variables de dcision et les donnes nonces
prcdemment (cf. le tableau 4.1), nous proposons un modle stochastique sous contraintes probabilistes
jointes, dont uniquement les lments du second membre des contraintes sont impacts par des alas,
dcrits leur tour par des distributions de probabilits discrtes donnes :
48

Gestion des risques de dgradation de la qualit des crales : cas statique

min

Pi
J X
I X
X
a
b
{rpa zipj
(j dip ) rpb zipj
(j dip )}

(4.1)

j=1 i=1 p=1

sous contraintes :
J
X

(4.2)

xipj = 1,

i, p

(4.3)

xipj qip ci ,

i, j

(4.4)

j=1
Pi
X
p=1

(4.5)

P(xipj j , i, p, j, ) 1 ,
b
zipj
(j dip ) 0,

i, p, j

(4.6)

a
zipj
a
zipj

i, p, j

(4.7)

i, p, j

(4.8)

(4.9)

(4.10)

i, p, j

(4.11)

i, p, j

(4.12)

i, p, j > 1

(4.13)

0 xipj 1,

i, p, j

(4.14)

oj , gipj {0, 1},

i, p, j

(4.15)

a
b
zipj
, zipj
,

i, p, j

(4.16)

(j dip ) 0,
+

oj

b
zipj

xipj ,

Pi
I X
X

gipj ,

i=1 p=1

M oj

Pi
I X
X

gipj ,

i=1 p=1

M xipj gipj ,
xipj gipj ,
gipj gip(j1)

j1
X

xipj 0 + oj 1,

j 0 =1

{0, 1},

Puisque chaque parcelle doit tre intgralement rcolte, les contraintes (4.3) sont imposes. Les contraintes
(4.4) assurent que la quantit journalire totale rcolte par le chantier agricole i nexcde pas sa capacit
de rcolte ci . La contrainte non-linaire (4.5) nest entache par les incertitudes relatives aux disponibilits
des jours de rcolte que dans le second membre et peuvent tre violes au plus fois (i.e. la non-satisfaction
de la contrainte (4.5) est tolre dans cas). Les contraintes (4.6), (4.7) et (4.8) garantissent que la variable
b
binaire zipj
vaut 1, si la parcelle p se rattachant au chantier agricole i est rcolte avant son stade de maa
turit physiologique optimale, et respectivement, zipj
prend la valeur 1 si la parcelle p du chantier i est
collecte aprs sa maturit. Les contraintes (4.9) et (4.10) forcent les variables oj prendre la valeur 0 si
aucune parcelle nest rcolte le jour j et la valeur 1, dans le cas contraire.
Pour des raisons conomiques, les contraintes (4.11), (4.12) et (4.13) obligent continuer le processus
de rcolte sur une parcelle p une fois la collecte entame sur cette parcelle. Nanmoins, le changement
de parcelle est autoris aprs un jour de pluie, i.e. une fois la moissonneuse-batteuse est invitablement
arrte.
49

V. Borodin

4.2.2

Programmation mixte en nombres entiers

Afin de pouvoir rsoudre le modle non-linaire avec contraintes probabilistes jointes formalis dans la
section prcdente, une reformulation linaire quivalente sera prsente dans cette sous-section. En nous
inspirant des rsultats thoriques proposs par Dentcheva et al. (2000), introduisons les variables binaires
, associes chaque scnario , ( ), qui prennent la valeur 1 si la contrainte probabiliste (4.5)
est satisfaite pour le scnario et ceci i (i = 1, I), p (p = 1, Pi ), j (j = 1, J), et respectivement la
valeur 0, sinon. De cette manire, la contrainte (4.5) peut tre rcrite par les contraintes dterministes
suivantes :
a
b
(zipj
+ zipj
) (j ) 1, i, p, j,
X
P() 1

(4.5a)
(4.5b)

Montrons maintenant lquivalence entre la contrainte stochastique (4.5) et les contraintes dterministes
(4.5a) et (4.5b).
Proposition 4.1. La contrainte probabiliste jointe (4.5) est correctement exprime par les contraintes (4.5a)
et (4.5b), ce qui signifie que ||-ingalits de type (4.5) sont simultanment satisfaites avec un niveau de
confiance au moins gal (1 ).
Dmonstration. Vrifions que les contraintes (4.5a) et (4.5b) traduisent via les variables ( ) la
satisfaction et respectivement, la non-satisfaction de la contrainte probabiliste (4.5), avec un niveau de
confiance donn de (1 ). En conformit avec la dfinition des variables binaires , :

=

1, si les contraintes (4.5) sont satisfaites pour le scnario et i, p, j


0, sinon.

Examinons donc de manire exhaustive toutes les quatre situations possibles qui peuvent tre envisages
pour exprimer la relation entre la satisfaction/non-satisfaction de la contrainte probabiliste (4.5) et les
variables , pour toutes les parcelles p (p = 1, Pi ) se rattachant au chantier agricole i (i = 1, I), pour
tous les jours j (j = 1, J), et pour chaque scnario ( ), avec un niveau de confiance de (1 ).
Supposons alors que :
p le jour j aucune parcelle nest rcolte, mais il est possible de rcolter le jour mme dans le scnario

a
b
(i.e. ij
= 1), la contrainte probabiliste (4.5) est donc satisfaite pour ce scnario, car : (zipj
+ zipj
)

= 0 et j = 1 = 1. En vertu de la contrainte (4.5b), sera alors gal 1 afin de contribuer


garantir le niveau de confiance prescrit.
p le jour j aucune parcelle nest rcolte, et de plus, il nest pas possible de rcolter le jour mme dans

le scnario (i.e. ij
= 0), la contrainte probabiliste (4.5) est donc satisfaite pour ce scnario, car :
a
b
(zipj + zipj ) = 0 et j = 0 = 1. En vertu de la contrainte (4.5b), sera alors gal 1 afin
de contribuer garantir le niveau de confiance prescrit.
p le jour j la parcelle p du chantier agricole i est rcolte, et de plus, il est possible de rcolter le jour

mme dans le scnario (i.e. ij


= 1), la contrainte probabiliste (4.5) est donc satisfaite pour ce
50

Gestion des risques de dgradation de la qualit des crales : cas statique


a
b
scnario, car : (zipj
+ zipj
) = 1 et j = 1 = 1. En vertu de la contrainte (4.5b), sera alors
gal 1 afin de contribuer garantir le niveau de confiance prescrit.

p le jour j la parcelle p du chantier agricole i est rcolte, mais il nest pas possible rcolter le jour

mme dans le scnario (i.e. ij


= 0), la contrainte probabiliste (4.5) est donc viole pour ce scnario,
a
b

car : (zipj + zipj ) = 1 et j = 0 = 0. Dautre part, tant dfinie en tant que variable
binaire, elle sera donc force de prendre la valeur 0.

De la sorte, le modle stochastique vu dans la section prcdente, peut tre rcrit dune faon dterministe
en introduisant les variables ( ) et en substituant la contrainte probabiliste jointe (4.5) par ses
homologues dterministes (4.5a) et (4.5b), comme formalis ci-aprs :
min

Pi
J X
I X
X
a
b
{rpa zipj
(j dip ) rpb zipj
(j dip )}

(4.1)

j=1 i=1 p=1

sous contraintes :
J
X

xipj = 1,

i, p

(4.3)

xipj qip ci ,

i, j

(4.4)

i, p, j,

(4.5a)

j=1
Pi
X
p=1
a
b
(zipj
+ zipj
) (j ) 1,
X
P() 1

(4.5b)

b
zipj
(j dip ) 0,
a
zipj (j dip ) 0,
a
b
zipj
+ zipj
xipj ,

i, p, j

(4.6)

i, p, j

(4.7)

i, p, j

(4.8)

(4.9)

(4.10)

M xipj gipj ,

i, p, j

(4.11)

xipj gipj ,

i, p, j

(4.12)

i, p, j > 1

(4.13)

0 xipj 1,

i, p, j

(4.14)

oj , gipj {0, 1},

i, p, j

(4.15)

a
b
zipj
, zipj

i, p, j

(4.16)

oj

Pi
I X
X

gipj ,

i=1 p=1

M oj

Pi
I X
X

gipj ,

i=1 p=1

gipj gip(j1)

j1
X

xipj 0 + oj 1,

j 0 =1

{0, 1},

{0, 1},

51

(4.17)

V. Borodin

Ce programme linaire mixte en nombres entiers, not dans ce qui suit par P(4.2.1), pose une difficult
majeure : un nombre large de scnarios, qui augmente exponentiellement avec la longueur de lhorizon
de rcolte J, fait qui implique respectivement un nombre exponentiel de variables et de contraintes. Ceci
mne ce quon appelle maldiction de la dimensionnalit (curse of dimensionality, en anglais) (Kuo and
Sloan, 2005; Powell, 2007). Tout de mme, ceci peut tre contourn par des techniques de rduction de
scnarios, approche devenue dailleurs classique (Kaut and Wallace, 2003). ce titre, deux types de mthodes prdominent dans la littrature. Lun est fond sur des approches dchantillonnage de (Quasi-)
Monte Carlo, dans le cadre desquelles le nombre de scnarios de lensemble rduit est dtermin statistiquement de faon obtenir des solutions lintrieur des intervalles de confiance spcifiques pour un
niveau de prcision dsir (Shapiro et al., 2009). Lautre, quant lui, exploite la notion de distance entre
distributions probabilistes, fait qui permet de rduire lensemble de scnarios ceux les plus plausibles de
se manifester de facto (Heitsch and Rmisch, 2003). Aux suggestions de Henrion et al. (2008), nous optons
pour la deuxime approche, en lui consacrant la section suivante.

4.3

Une approche base sur la rduction des scnarios

En raison de la complexit des programmes sous contraintes probabilistes, lutilisation des techniques
dapproximation bases sur la rduction des scnarios est souvent admise et justifie dans la rsolution des
problmes comportant des ensembles de scnarios de grandes tailles. Ces mthodes approches rendent
solvables les modles de type (4.1) - (4.17), dont les dimensions augmentent exponentiellement avec le
nombre de scnarios engendrs.
Thoriquement, la rduction de scnarios est un problme indpendant, mais dans la plupart des cas, il est
indispensable pour rsoudre un programme sous contraintes probabilistes, dont les donnes incertaines
sont dcrites par des distributions de probabilits discrtes.
Plutt que de gnrer alatoirement un sous-ensemble de scnarios traitable polynomialement, nous proposons de rduire lensemble des scnarios par llimination de ceux qui sont les plus improbables de se
manifester de facto, selon des mtriques de distributions probabilistes. Une des distances les plus utilises
entre distributions de probabilits discrtes donnes est rappele ci-aprs.
Dfinition 4.2 (Heitsch and Rmisch (2007)). Soit P et Q deux distributions de probabilits discrtes dun
processus stochastique n-dimensionnel et respectivement
, ayant un nombre fini de scnarios a Rn

avec ses probabilits pa , (a = 1, ||) et respectivement, b Rn et ses probabilits associes qb (b = 1, ).


Alors,

|| ||
X
X
DK (P, Q) = inf {
ab cT (a , b ) :
a=1 b=1
||
X

ab = qb , b,

a=1

||

ab = pa , a,

b=1

ab 0},
reprsente la distance Monge-Kantorovich entre deux distributions de probabilits finies P et Q, o ct (a , b ) =
52

Gestion des risques de dgradation de la qualit des crales : cas statique


t
X

||a b ||n mesure la distance entre les scnarios a et b sur un horizon de temps t (t = 1, T ) et || ||n

=1

est une norme sur Rn .


Autrement dit, DK reprsente la distance entre deux distributions de probabilits discrtes, tandis que cT
mesure la distance entre les ralisations de scnarios le long de lhorizon de temps considr, allant de 1
T . En effet, la distance entre deux distributions de probabilits reprsente une sorte de compromis entre
les probabilits des scnarios et les distances entre les ralisations de ces scnarios.
Ensuite, considrons P une distribution de probabilit discrte, compose de S scnarios a (a = 1, S).
De plus, soit P sa distribution probabiliste rduite constitue de scnarios b pour b {1, , S}\G,
o G reprsente les indices des scnarios limins. La distance Monge-Kantorovich minimale entre un
sous-ensemble fix G {1, , S} et un ensemble de scnarios P avec {b }bG
/ , peut tre explicitement
calcule, en vertu du thorme nonc plus bas :
Thorme 4.3 (Redistribution optimale Heitsch and Rmisch (2007)). Soit P une distribution discrte
finie de scnarios a (a = 1, S) et Q sa distribution probabiliste rduite de scnarios b , b {1, , S}\G.
La distance minimale est alors :
X
DK (P, Q) =
pi minbG
/ cT (a , b ).
aG

De plus, le minimum est atteint avec la probabilit qb associe au scnario prserv b appartenant Q, b
/ G,
et celle-ci est calcule par la formule suivante :
X
qb = pb +
pa ,
(4.18)
aG(a)

o G(a) = {a G : b = b(a)} et respectivement, b(a) arg minbG


/ c(a , b ), a G.
Frquemment dans la littrature, la formule (4.18) est reconnue en tant que la rgle de la redistribution
optimale. Celle-ci garantit que tous les scnarios limins auront une probabilit nulle et les nouvelles
probabilits associes aux scnarios prservs vaudront la somme de leur probabilit initiale et toutes les
probabilits correspondantes leurs plus proches scnarios limins, ces derniers tant identifis conformment la mesure de distance utilise cT .
Trouver lensemble optimal des scnarios avec un nombre fix de scnarios liminer est un problme
doptimisation combinatoire difficile. En concordance avec la dfinition de proximit entre distributions
de probabilit et le thorme nonc plus haut, trouver le sous-ensemble optimal rduit sous-entend la
rsolution dun problme de recouvrement, qui est connu comme tant un problme N P-difficile (GroweKuska et al., 2003). cet gard, Beraldi and Ruszczyski (2005) et Heitsch and Rmisch (2003) ont dvelopp dans leurs recherches, des heuristiques assez efficaces bases sur des techniques de rduction des
scnarios, permettant par-l de dterminer les sous-ensembles optimaux rduits. Consacrons donc le reste
de la prsente section leur mise en lumire.
Soit dans les sections qui suivent, P une distribution de probabilit discrte donne sur Rn comportant
les scnarios , o dsigne lensemble des X
scnarios. Chaque scnario possde une probabilit
associe P() > 0 ( ), et bien videmment,
P() = 1. De plus, dnotons par m le nombre de

53

V. Borodin

scnarios liminer, ainsi n = || m reprsentera le nombre de scnarios prserver.


En utilisant les notations introduites ci-dessus, lalgorithme SBR (Simultaneous Backward Reduction) est
donn dans ce qui suit immdiatement. Sa complexit temporelle est dordre O(||2 ).
Algorithme 4.1 : Simultaneous Backward Reduction (SBR) (Heitsch and Rmisch, 2003)
pas 1 : cku = cT (k , u ), k, u = {1, , ||}
[1]
cll = minb6=l clb , l, l = {1, , ||}
[1]
[1]
zl = pl cll , l, l = {1, , ||}
[1]
l1 arg mina={1, ,S} zl , G[1] = l1
pas i : ckl = minbG
/ G[a1] , k G[a1] {l}
/ [a1] {l} ckb , l
X
[a]
[a]
zl =
pk ckl , l
/ G[a1]
kG[a1] {l}
[a]

la arg minlG
/ [a1] zl
[a]
[a1]
G =G
{la }

pas ||-n+1 : fournir la redistribution optimale de n scnarios prservs

Lalgorithme SBR dbute par la recherche dun premier scnario liminer, qui correspond dailleurs
celui qui a une distance minimale par rapport aux autres (i.e. le scnario qui peut tre le mieux reprsent
par les scnarios restants). La premire itration de cet algorithme consiste donc trouver le scnario,
dont llimination provoquera lerreur la plus petite. Ensuite, chaque itration suivante, la distribution
de probabilit des scnarios restants est mise jour en rajoutant la valeur de la probabilit du dernier
scnario limin celle de son plus proche scnario non supprim. De cette manire, tous les m scnarios
sont supprims dune faon itrative selon le mme principe qui a t utilis pour llimination du premier
scnario.
Algorithme 4.2 : Fast Forward Selection (FFS) (Heitsch and Rmisch, 2003)
[1]

pas 1 : cku = cT (k , u ), k, u = {1, , ||}


S
X
[1]
zu[1] =
pk cku , u = {1, , ||}
k=1,k6=u

u1 arg minu{1, ,S} z [1]


J [1] = {1, , S}\{u1 }
[a]

[a1]

pas i : cku = min{cku


X
z [a] =

[a1]

, ckua1 }, k, u G[a1]
[a]

pk cku , u = G[a1]

kG[a1] \{u}

ua arg minuG[a1] zu[1]


G[a] = G[a1] \{ua }
pas m+1 : fournir la redistribution optimale de n scnarios prservs
54

Gestion des risques de dgradation de la qualit des crales : cas statique

En utilisant la mme notation introduite antrieurement, lalgorithme FFS (Fast Forward Selection) est
illustr ci-dessus (cf. algorithme 4.2). La complexit temporelle de cet algorithme est galement dordre
O(||2 ).
Le premier scnario trouv par FFS peut tre interprt en tant que le plus quidistant relativement aux
autres, en conformit avec la distance entre les ralisations des scnarios cT . Une fois le premier scnario
trouv, chaque itration ultrieure, un nouveau scnario est choisi de telle sorte quen le rajoutant au
sous-ensemble des scnarios slectionns, la rduction de la distance entre les scnarios retenus et ceux
limins soit maximise. Lalgorithme FFS sarrte une fois les m scnarios choisis.
Dailleurs, lide directrice de ces deux algorithmes de rduction des scnarios repose sur la dtermination
reprsente un sous-ensemble des scnarios (||
<< ||),
dune autre distribution de probabilit P , o
qui est la meilleure approximation de P selon une mesure de distance donne, cT , entre les ralisations
de scnarios.
Par consquent, la stratgie de rduction de scnarios se rvle en tant quune approche de rsolution
assez efficace du modle stochastique donn dans la sous-section 4.2.1 et elle trait ultrieurement via
sa reformulation mixte en nombres entiers (4.1)-(4.17). Or, aprs une rduction de scnarios effectue au
pralable, la formulation P(4.2.1) devient solvable dans le cadre de la programmation mixte en nombres
entiers.

4.4

Reformulation mixte en nombres entiers et le concept de pertinence(1 )

Afin de rsoudre le modle sous contraintes probabilistes expos dans les sections prcdentes, nous allons
introduire un nouveau concept, dnomm pertinence - (1 ). En toute honntet, il convient de mentionner les notions relativement similaires existantes dans la littrature, de p-efficacit (Prkopa, 1990;
Dentcheva et al., 2000, 2001) et/ou p-inefficacit (Saxena et al., 2010), mais qui ne sont pas appropries
pour aborder directement la contrainte de type (4.6). Dun
la p-efficacit contribue construire des
 ct,

T
homologues dterministes pour les problmes de genre min c x : Ax b, P{T x } 1, x N .
Dun autre ct, la p-inefficacit quant elle, sapplique pour la rsolution des problmes de recouvrement
avec des proprits spcifiques du second membre et des contraintes probabilistes.
Rappelons que dans le modle stochastique labor dans la sous-section 4.2.1, les incertitudes apparaissent
uniquement dans le membre droit des contraintes du problme et sont reprsentes par lensemble des
scnarios , o le scnario ( ) est un vecteur J-dimensionnel de variables binaires.
Introduisons les dfinitions suivantes :
Dfinition 4.4. Soit s = (1s , 2s , , Js ) et t = (1t , 2t , , Jt ) deux ralisations de scnarios, o
s , t . Le scnario s est considr plus grand ou gal t , s t , si js jt , j = 1, J. Et,
respectivement, t est considr plus petit ou gal s , t s , si js jt , j = 1, J.
Inversement, la relation dincomparabilit entre deux scnarios s et t (s  t et s  t ), signifie que
s nest ni plus petit, ni plus grand que t .

55

V. Borodin

Dfinition 4.5. Soit s = (1s , 2s , , Js ) et t = (1t , 2t , , Jt ) deux ralisations de scnarios, o


s , t . Le scnario s est considr incomparable avec t , si s nest ni plus grand, ni plus petit que t .
Il convient de noter que tous les scnarios de lensemble ne sont pas comparables quant leurs ralisations. titre dexemple, considrons deux scnarios 3-dimensionnels (0,0,1) et (1,1,0) : ils ne sont ni plus
grands, ni plus petits lun que lautre. Ces deux scnarios sont incomparables.
ce point, il est galement important de mentionner que si une solution partielle du programme mixte en
nombres entiers (4.1)-(4.17) est ralisable pour un scnario quelconque ( ), elle est aussi ralisable
pour tout scnario plusX
grand 0 , o 0 , 0 . Do il sensuit que le niveau de confiance garanti
par le scnario est :
P( 0 ).
0
0

Dfinition 4.6. Soit X


= (1 , 2 , , J ) un scnario appartenant lensemble . Le scnario est appel
P( 0 ) 1 .
(1 )-pertinent si
0
0

Pour plus de prcisions, ajoutons que le scnario est considr (1 )-pertinent si :


X

P( 0 ) =

0
0

J
X Y
0
0

P(j ) 1 .

j=1

En utilisant les concepts de pertinence - (1 ) et de scnario incomparable, il savre possible de rduire


substantiellement le nombre de solutions candidates, en vitant llimination de celles qui sont optimales.
Pour ce faire et afin de laisser plus de flexibilit dans la recherche dun planning de rcolte minimisant
les risques de dgradation, il suffit de dterminer les plus grands scnarios (1 ) - pertinents et incomparables, et de sensuivre de la rsolution du problme mixte en nombres entiers (4.1)-(4.17) uniquement
pour ceux-ci.
Algorithme 4.3 : Trouver les plus grands scnarios (1 )-pertinents et incomparables (SPI)
Initialisation : L =
s=J

ci

t = maxi=1,I PP
i
p=1 qip
X
P( 0 ), s ,
pas s : () =

si () (1 ) alors
si 
,
L alors
L = L {}
finsi
finsi
pas t : fournir le sous-ensemble L des scnarios (1 )-pertinents et incomparables les plus grands

56

Gestion des risques de dgradation de la qualit des crales : cas statique

Considrons lensemble des scnarios J-dimensionnels, dsigns par = (1 , 2 , ...J ), o j est une
variable alatoire binaire, j = 1, J. De plus, soit s (s ) un sous-ensemble des scnarios , pour
lesquels le nombre doccurrence de la valeur 1 est gale s, s = 0, J.
Afin de trouver le sous-ensemble des scnarios (1 )-pertinents 
et incomparables
 les plus grands, qui

ci
contiennent au moins t jours disponibles de rcolte t = maxi=1,I PP
, not par L, nous proi
p=1 qip
posons lalgorithme 4.3, dont la complexit temporelle est dordreO(||2 ). De toute vidence, le sousJ
ensemble L (L ) peut atteindre au maximum un nombre de
scnarios (1 )-pertinents
d J2 e
et incomparables. Sans perte de solutions faisables du modle (4.1) - (4.17), la contrainte (4.5b) peut tre
remplace par (4.5c) :
X
1
(4.5c)
L

Proposition 4.7. Considrons le programme mixte en nombres entiers (4.1)-(4.17). La contrainte (4.5c) exprime correctement la contrainte (4.5b), ce qui impose que ||-ingalits de type (4.5) soient satisfaites conjointement avec un niveau de confiance au moins gale (1 ).
Dmonstration. Soit x une solution faisable du problme mixte en nombres entiers (4.1)-(4.17). La contrainte
(4.5c) impose le fait que x soit ralisable pour au moins (1 ) scnarios pertinents et incomparables ,
L. Conformment la dfinition de la pertinence (1 ), il existe des scnarios 0 > , 0 pour
lesquels
x est aussi ralisable et assurent le niveau de confiance prescrit de (1 ), tant et si bien que :
X
P( 0 ) 1 .
0
0

Montrons maintenant que la contrainte (4.5c) exprime exhaustivement la contrainte (4.5b), sans perte
daucune solution faisable du problme. Pour ce faire, considrons alors les triplets < x , z 1 , z 2 > la
solution optimale du programme (4.1)-(4.17) et respectivement, < x
, z1 , z2 > la solution optimale du
mme modle avec (4.5c) au lieu de (4.5b), pour le mme niveau de confiance (1 ).
Supposons par labsurde que f (
x, z1 , z2 ) > f (x , z 1 , z 2 ). Cela sous-entend quil existe un sous-ensemble
X

des scnarios ( ) pour lequel le triplet < x , z 1 , z 2 > est ralisable, et de plus
P()

(1 ).
Dun autre ct,X
il existe un sous-ensemble des scnarios L, qui garantit le niveau de confiance prescrit
de (1 ), i.e.
1. Do il en rsulte quil existe au moins un scnario ( L), qui assure un
L

niveau confiance de (1 ) :

P( 0 ) (1 ).

0
0

Considrer que f (
x, z1 , z2 ) > f (x , z 1 , z 2 ) signifie quil existe un sous-ensemble S de , (S )
contenant uniquement des scnarios qui sont soit incomparables ou bien plus grands que ceux du sousensemble L, fournissant son tour une meilleure solution du problme pour le mme niveau de confiance
de (1 ). Cette affirmation est fausse, en vertu de la construction du sous-ensemble L, qui comporte par
dfinition les plus grands scnarios (1 )- pertinents et incomparables. Par consquent, la supposition
que f (
x, z1 , z2 ) > f (x , z 1 , z 2 ) est fausse.
57

V. Borodin

ce stade, en remplaant les contraintes (4.5b) par la contrainte quivalente (4.5c), nous proposons une
reformulation quivalente plus forte du problme mixte en nombres entiers (4.1)-(4.17), libelle par la suite
P(4.4) :
min

Pi
J X
I X
X

(4.1)

a
b
{rpa zipj
(j dip ) rpb zipj
(j dip )}

j=1 i=1 p=1

sous contraintes :
J
X

xipj = 1,

i, p

(4.3)

xipj qip ci ,

i, j

(4.4)

i, p, j,

(4.5a)

j=1
Pi
X
p=1
a
b
(zipj
+ zipj
) (j ) 1,
X
1

(4.5c)

L
b
zipj
(j dip ) 0,
a
zipj (j dip ) 0,
a
b
zipj
+ zipj
xipj ,

i, p, j

(4.6)

i, p, j

(4.7)

i, p, j

(4.8)

(4.9)

(4.10)

i, p, j

(4.11)

i, p, j

(4.12)

i, p, j > 1

(4.13)

0 xipj 1,

i, p, j

(4.14)

a
b
zipj
, zipj

i, p, j

(4.16)

(4.17)

oj

Pi
I X
X

gipj ,

i=1 p=1

M oj

Pi
I X
X

gipj ,

i=1 p=1

M xipj gipj ,
gipj (j dip ) 0,
gipj gip(j1)

j1
X

xipj 0 + oj 1,

j 0 =1

{0, 1},

{0, 1},

Dans le modle linaire mixte en nombres entiers P(4.4) prsent ci-dessus, la meilleure solution qui
minimise les risques de dgradation de la qualit de crales doit tre ralisable pour au moins un scnario
de lensemble L. Ce dernier reprsente un sous-ensemble de lensemble qui contient uniquement les
scnarios qui garantissent le niveau de confiance dsir de (1 ).

4.5

Rsultats numriques

Dans ce chapitre nous avons dvelopp un modle stochastique en vue de matriser les risques de dgradation de la qualit de crales (bl, orge, escourgeon, etc.). Celui-ci a t spcialement conu pour
contribuer la planification efficace de lactivit de la rcolte, en minimisant les risques de dgradation
58

Gestion des risques de dgradation de la qualit des crales : cas statique

de la qualit des crales lis la rcolte prmature ou tardive par rapport leurs stades de maturit
physiologique optimale.
Gnralement, la saison de rcolte stale approximativement sur un mois, voire un mois et demi. Or,
comme nous lavons spcifi antrieurement, le nombre des contraintes et des variables des modles doptimisation mixte en nombres entiers P(4.2.1) et P(4.4), augmente exponentiellement en fonction du nombre
de priodes J. Mme pour un horizon de temps dun mois, le problme est insolvable par la programmation
mixte en nombres entiers.
Dautre part, nous ne pouvons bnficier de prvisions mtorologiques plus ou moins plausibles et fiables
que pour une priode de 7-10 jours. Dans cet ordre dides, nous proposons de partitionner la saison
de rcolte en horizons de temps plus courts et de nous contenter dune planification en tapes. Ainsi,
dans le but dobtenir des solutions de rcolte autant pertinentes que possible, et puisque les prvisions
mtorologiques sont fournies, pour des priodes relativement courtes (environ 5-7 jours, avec un niveau
de confiance acceptable), le partitionnement de lhorizon de la saison de rcolte est une approche justifie.
Pour ces raisons, nous allons particulirement nous consacrer dans le chapitre suivant lexploitation de
cette mthodologie sur des jeux de donnes issues des campagnes agricoles antrieures.
Pour linstant dans cette section, analysons les modles et les approches discuts dans ce chapitre pour
une collection des instances gnres alatoirement. Par souci de simplicit et en nous nous inspirant de
ltude de cas vis dans cette thse, plusieurs instances ont t cres. Les caractristiques de ces instances
sont donnes ci-aprs :
p lensemble de chantier I = 19 comportant au total

I
X

Pi = 293 ;

i=1

p les quantits parcellaires rcolter varient entre 5 et 90 (tonnes) ;


p les capacits journalires de rcolte par chantier agricole sont comprises entre 80 et 381 (tonnes).
Les variables alatoires reprsentant les incertitudes mtorologiques sont reprsentes par des distributions discrtes finies. Cinq classes de jeux de donnes ont t construites, correspondant aux diffrents
coefficients de corrlation entre les variables alatoires indpendantes. Sans perte de gnralit, les indicateurs de dgradation dans le cas de rcolte prmature rbp , et respectivement tardive rap , sont supposs
gaux 1, pour toutes les instances dcrites ci-dessus.
Les algorithmes exposs tout le long de ce chapitre, ont t implments en utilisant le langage de programmation C++. Le problme doptimisation avec contraintes probabilistes jointes a t rsolu par lintermdiaire des reformulations quivalentes mixtes en nombres entiers P(4.2.1) et P(4.4), laide du logiciel
doptimisation ILOG CPLEX (version 12.6.1). Les exprimentations numriques ont t effectues sur
une machine Intel(R) Xeon(R) CPU W3690 3.47GHz.
Pour la rduction de lensemble de scnarios en utilisant les algorithmes dapproximation SBR et FFS
prsents dans la section 4.3, nous avons considr les paramtres suivants :
p la norme euclidienne pour mesurer la distance entre deux scnarios finis s = (1s , , Js ) et
t = (1t , , Jt ), cest dire :
q
cT (s , t ) = ||is it ||2 = (1s 1t )2 + + (Js Jt )2 ,
59

V. Borodin

o s , t .
p le nombre de scnarios liminer par les algorithmes SBR et FFS est empiriquement impos de telle
manire que le P(4.2.1) soit solvable par ILOG CPLEX pour les jeux de donnes considres.

temps CPU pour la rduction de scnarios

Comparons dabord les deux techniques de rduction de scnarios SBR et FFS. Ainsi, la figure 4.1 illustre
les rsultats numriques obtenus pour un horizon de temps de 10 jours (i.e. || = 210 = 1024 scnarios
du problme) en termes du temps ncessaire de calcul. Pour diffrentes dimensions du sous-ensemble des
scnarios prservs, il apparat que lalgorithme SBR est plus gourmand en temps de calcul que lalgorithme FFS. Ce constat se vrifie toujours lorsque le nombre de scnarios limins est plus grand que celui
des scnarios conservs. Au contraire, en comparaison avec FFS, SBR fournit des solutions plus efficaces
et plus fiables en mme temps pour les jeux de donnes tests (cf. tableau 4.2). Ceci se traduit par de plus
petites valeurs de la fonction-objectif obtenues conjointement avec un niveau de confiance (1 )max
plus lev. Il est noter que (1 )max reprsente le niveau de confiance maximum auquel il est possible
de trouver une solution faisable pour le sous-ensemble de scnarios prservs.
SBR
FFS
200

100

0
5

10
15
20
nombre de scnarios prservs (%)

Figure 4.1 Rsultats relatifs P(4.2.1) pour un horizon de temps de 10 jours : temps de calcul
Maintenant, examinons les rsultats des exprimentations numriques montres dans les tableaux prsents ci-aprs. Les rsultats ont t compars au regard du temps de calcul, la valeur de la fonction-objectif et
le niveau de confiance (1 )max , obtenus pour diffrentes valeurs de la variance des variables alatoires
indpendantes 2j , j = 1, J (puisque les variables alatoires sont binaires, 2j (0, 0.25]).
Le tableau 4.2 offre des dtails sur la performance des deux contreparties linaires mixtes en nombres
entiers P(4.4) et P(4.2.1), nous permettant daborder le modle stochastique vu dans la section 4.2. Les
rsultats numriques tmoignent de lefficacit et de lefficience de la reformulation P(4.4) par rapport
P(4.2.1), cette dernire tant rsolue conjointement avec les approches de rduction de scnarios SBR, et
respectivement FFS. Il convient galement de prciser que le nombre de scnarios conservs a t limit
19.53% (200 scnarios) cause de manque de mmoire ncessaire pour la rsolution dun programme
mixte en nombres entiers avec ILOG CPLEX.
Dautres exprimentations ont t galement ralises afin dvaluer la performance du problme mixte
en nombres entiers pour un horizon de temps plus important de 13 jours (i.e. || = 213 = 8192 scnarios
du problme). En nous rfrant aux algorithmes approchs de rduction de scnarios FFS et SBR, ceux-ci
ncessitent un temps de calcul beaucoup plus important pour la rduction de 200 scnarios (ce qui ne
reprsente que 2,44 % de lensemble de scnarios correspondant un horizon de temps de 13 jours). De
plus, il convient de noter que pour un horizon de temps de 13 jours, ILOG CPLEX ne rsout le problme
mme pas pour 2,44 % de lensemble de scnarios du fait dun manque de mmoire.
60

Gestion des risques de dgradation de la qualit des crales : cas statique

Tableau 4.2 Tests effectus pour une priode de rcolte de 10 jours


min 2j

Caractristique

P(4.4)/SPI

P(4.2.1)SBR

P(4.2.1)/FFS

valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total

65
[0,007 ; 0,008)
0,06
132,43
132,49
34
[0,05 ; 0,10)
0.06
16.99
17,05
100
[0,25 ; 0,30)
0.04
67,40
67,44
100
[0,45 ; 0,50)
0,11
67,17
67,28
96
[0,70 ; 0,75)
0,11
54,09
54,20

2
[4e-04 ; 0,001)
219,62
1,15
220,77
7
[0,04 ; 0,005)
225.94
35.83
261.77
36
[0,15 ; 0,20)
225,60
22,17
247,77
36
[0,35 ; 0,40)
224,60
3,95
228,55
128
[0,75 ; 0,80)
222,59
127,41
350,00

< 1e-005
2
[0,03 ; 0,05)
13,27
1.15
24.42
36
[0,15 ; 0,20)
13,14
18,35
31,49
36
[0,25 ; 0,30)
13,94
3,91
27,85
128
[0,75 ; 0,80)
13.38
131,705
245.08

j=1,J

0,25

0,20

0,15

0,10

0,05

En outre, les rsultats reprsents dans les tableaux 4.2 et 4.3 mettent en relief la relation entre la variance des variables alatoires et le niveau de confiance : plus la variance tend vers zro, plus le niveau
de confiance de la solution tend respectivement vers 1. Autrement dit, plus la variance est faible plus le
niveau de confiance est lev. Le niveau de confiance est donc reflt et dpend inluctablement de la
corrlation entre les variables alatoires.
De plus, comme le montre les exprimentations numriques conduites, la reformulation P(4.4) prsente
des rsultats comptitifs en ce qui concerne les temps de calcul, valeurs de la fonction-objectif et niveau
de confiance des solutions proposes. Par souci dimpartialit, il convient nanmoins de souligner que le
programme P(4.4) est galement difficile
rsoudre pour un grand nombre de scnarios (1)-pertinents,


J
qui peut dailleurs slever jusqu
scnarios dans le pire des cas.
d J2 e
En revanche, vu que dans les applications relles, seules les solutions optimales les plus fiables sont retenues (i.e. de degr de confiance lev), le programme P(4.4) reprsente une reformulation forte et comptitive. Cest surtout vrai, compte tenu du fait quun niveau de confiance satisfaisant ne peut tre requis que
pour des priodes de rcolte relativement courtes, i.e. en adquation avec la fiabilit de la connaissance
probabiliste relative aux incertitudes mtorologiques.
61

V. Borodin

Tableau 4.3 Tests effectus pour une priode de rcolte de 13 jours


min 2j

Caractristique

P(4.4)/SPI

P(4.2.1)SBR

P(4.2.1)/FFS

valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total
valeur de la fonction-objectif
(1 )max
algorithme de rduction des scnarios
temps CPU programme mixte en nombres entiers
total

2
[0.0009 ; 0,001)
5.50
13.29
18,79
2
[0.002 ; 0,005)
5,39
3,25
8,64
100
[0,25 ; 0,30)
132,14
57,64
138,21
69
[0,40 ; 0,45)
173,40
164,13
237,53
37
[0,65 ; 0,70)
5,89
3,92
8,81

j=1,J

0,25

0,20

0,15

0,10

0,05

4.6

Conclusions et perspectives

Dans ce chapitre, nous avons abord le cas statique et gnrique du problme de gestion des risques de
dgradation de la qualit de crales, tout en tenant compte des alas mtorologiques et en autorisant les
deux cas de rcolte, prmature et tardive. En ce sens, un modle sous contraintes probabilistes jointes a t
propos et rsolu via des contreparties linaires quivalentes, ad hoc labores. Pour pallier la maldiction
de la dimensionnalit qui rsulte de la taille de lensemble des scnarios du problme, et qui augmente
exponentiellement avec la longueur de lhorizon de temps, deux techniques de rduction de scnarios ont
t appliques.
Dans un premier temps, nous avons fait recours lapproche la plus souvent utilise dans la littrature :
la rduction de scnarios. Cette dernire est base sur la notion de distances entre distributions de probabilits, tant en rgle gnrale ralise via deux algorithmes, savoir Simultaneous Backward Reduction,
et respectivement, Fast Forward Reduction. Dans un deuxime temps, nous avons introduit un nouveau
concept, appel pertinence (1 ), permettant dexploiter uniquement les scnarios les plus grands qui
garantissent le niveau de confiance dsir de (1 ).
Cependant, le problme sous tude dans ce chapitre ne peut tre rsolu loptimalit pour un horizon
62

Gestion des risques de dgradation de la qualit des crales : cas statique

de temps de plus de 15 jours, quavec un niveau de confiance trs faible (proche de 0 pour des variances
des variables alatoires indpendantes plus grandes que 0,1). Pour surmonter cet inconvnient, dans le
chapitre suivant une modlisation plus raliste du problme sera donc prsente, en considrant la fois
les deux dimensions stochastique et dynamique de la conjoncture dcisionnelle dans laquelle se droule
la rcolte de crales. Base sur le principe de partitionnement de lhorizon de rcolte, une approche en
plusieurs tapes sera propose et analyse dans la suite de ce document.

63

Chapitre

Gestion des risques de dgradation de la qualit


des crales : cas dynamique

Chaque client a besoin de dvelopper des niches valorisantes pour son activit et chaque
culture peut tre concerne par des dbouchs trs spcifiques...
Bernard IWEINS, Responsable Commercial Crales, SCARA

Sommaire
5.1
5.2
5.3
5.4
5.5

5.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
Description du problme et modlisation mathmatique
Une approche dynamique pro-active . . . . . . . . . . . .
Rsultats numriques . . . . . . . . . . . . . . . . . . . . .
Conclusions et perspectives . . . . . . . . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

65
66
71
74
78

Introduction

Comme nous lavons mentionn dans le chapitre prcdent, la collecte de crales reprsente une tape
cruciale la fois pour les coopratives agricoles ainsi que pour les agriculteurs. Pendant la rcolte, les dommages causs par les prcipitations sont particulirement considrables pour les cultures de bl. La germination des grains dans des conditions de rcolte humides implique des niveaux levs dalpha-amylase qui
entranent des effets prjudiciables la qualit de production finale, et par consquent, aux rendements
conomiques du bl (Eeden and Labuschagne, 2012). Ainsi, dans ce chapitre nous allons nous focaliser
plus particulirement sur la planification de la rcolte du bl en minimisant les risques de dgradation au
regard dindice de chute de Hagberg (mtrique standardise et internationalement reconnue, utilise pour
estimer la qualit des bls).
Au meilleur de nos connaissances et tel que constat dans le chapitre 2, nous assistons actuellement
une insuffisance des outils et/ou des mthodologies de planification oprationnels capables de grer dune
65

V. Borodin

manire convenable les aspects incertains, particulirement dans le secteur de lagriculture. Au mme titre,
les mthodes traditionnelles ddies la rsolution des problmes doptimisation dterministes ne sont
pas appropries pour capturer la fois les deux dimensions, dynamique et stochastique, inhrentes la
plupart des applications industrielles.
Toutefois, deux paradigmes, puissants et concurrentiels, sont bien connus pour grer les processus de
prise de dcisions la fois incertains et dynamiques : la programmation stochastique multi-tapes (Kall
and Wallace, 1994; Shapiro et al., 2009; Dantzig and Infanger, 1993) et la programmation stochastique
dynamique (Zhang et al., 2014; Birge, 1985; Puterman, 1994; Fourer and Lopes, 2006). Ces deux familles
de programmations stochastiques sont souvent confondues dans la littrature. tant donn le fait que les
tapes ne sont que des points fixs dans le temps, les systmes inspects un nombre fini dtapes sont
ainsi considrs comme dynamiques.
Tel que le signalent Dupacov and Sladk (2002), la programmation stochastique multi-tapes (aussi appele programmation stochastique plusieurs pas de temps) et la programmation stochastique dynamique
sadressent la mme catgorie de problmes, i.e. ceux qui impliquent un processus de prises de dcisions dynamique et stochastique. Les principales distinctions entre ces deux paradigmes rsident dans la
dfinition du concept de dcision, dans la structure et la manire de modlisation ainsi que dans les procdures de rsolution. Dun point de vue pratique, mme si lutilisation de la programmation stochastique
multi-tapes et de la programmation stochastique dynamique montre un intrt croissant, peu de mises en
uvre dans des applications industrielles ont t dveloppes jusqu prsent, notamment dans le secteur
de lagriculture (cf. chapitre 2).
En vue de surmonter certains inconvnients noncs ci-dessus, le problme de contrle de la qualit du
bl pendant lactivit de moisson sera minutieusement trait dans ce chapitre. Plus particulirement, nous
nous sommes intresss lutilisation des principes de rsolution de la programmation stochastique multitapes et de la programmation stochastique dynamique. Dans la section suivante un modle multi-tapes
horizon glissant est donc prsent. En profitant de plusieurs proprits du modle conu, une mthodologie dynamique pro-active est expose dans la section 5.3. Afin de vrifier lefficacit de la mthodologie
propose, dans la section 5.4 de nombreuses exprimentations numriques sont donnes et discutes. Ce
chapitre se termine avec la section 5.5, en voquant les principales conclusions et perspectives qui peuvent
en tre dgages.

5.2

Description du problme et modlisation mathmatique

Des conditions mtorologiques dfavorables pendant la priode de moisson engendrent la germination


des grains et le dveloppement denzymes, plus prcisment il est question des alpha-amylases. En ce
sens, lindice ou le temps de chute de Hagberg dtermine indirectement lactivit alpha-amylasique, qui
se dclenche dans les grains ds le dbut du processus de germination et peut devenir excessive dans le
cas de prsence de grains germs ou en voie de germination. Une activit excessive des alpha-amylases,
ce qui correspond de faibles indices de chute de Hagberg, conduit lobtention de ptes trs molles,
collantes, ne permettant pas dtre travailles convenablement. De plus, les produits cuits prsentent des
colorations brunes trs prononces dune texture insuffisante (Perten, 1964; Hagberg, 1960; Edwards et al.,
1989). Donc, un bl dont lactivit alpha-amylasique est trop importante, ne convient pas aux industries
de cuisson des crales (e.g. boulangerie, viennoiserie, biscotterie, biscuiterie, etc.) et doit tre orient vers
66

Gestion des risques de dgradation de la qualit des crales : cas dynamique

lalimentation du btail, i.e. dclass au rang de bl fourrager.


Un indice de chute de Hagberg nest pas une fonction additive. La relation curviligne entre lindice de chute
de Hagberg et lactivit alpha-amylasique peut tre exprime au moyen de la formule empirique suivante, en convertissant lindice de chute de Hagberg en nombre de liqufaction (Perten, 1964) :
=

6000
50

(5.1)

Afin de dterminer le nombre de liqufaction l1 +l2 dun mlange de deux lots l1 et l2 , ayant les nombres
de liqufaction associs l1 et respectivement l2 , ITCF (2001) donne la formule suivante :
l1 +l2 =

l1 l1 + l2 l2
l1 + l2

(5.2)

Maintenant, gnralisons la formule (5.2) en vue de dterminer le nombre de liqufaction dun mlange
constitu de L lots diffrents de bl ln , ayant chacun son nombre de liqufaction donn par ln , n =
1, L :
L
X

PL

n=1 ln

ln ln

n=1
L
X

(5.3)
ln

n=1

Afin de traiter le problme de planification de rcolte du bl de faon rduire la dgradation de sa qualit, reconsidrons le modle stochastique sous contraintes probabilistes jointes prsent dans le chapitre
prcdent (cf. section 4.2.1). Comme nous lavons suggr dans la section 4.6, partitionnons lhorizon de
temps en plusieurs tapes s constitues chacune de Ts priodes de temps et considres, sans perte de
gnralit, quivalentes, i.e. T = T1 = T2 .... Dnotons par S lensemble dtapes s qui reprsente, au fait,
une partition de lhorizon de rcolte J, i.e. J = T |S|.
Ainsi, reprenons les notations et le modle stochastique prsents dans le chapitre prcdent (cf. section
4.2.1), en associant lindice s correspondant chaque tape de temps aux variables de dcisions, i.e. xsipt ,
s
gipt
et ost (s = 1, S, t = 1, T , i = 1, I, p = 1, Pi ). Au lieu de considrer les indices de dgradation
gnriques rap et rbp (p = 1, P ), dsignons par yip le nombre de liqufaction du mlange de bl rcolt, qui
s
provient de la parcelle p appartenant au chantier agricole i (i = 1, I). Soit ipt
le nombre de liqufaction
correspondant la quantit rcolte de la parcelle p par le chantier agricole i le jour t ltape s. De plus,
la rcolte du bl est interdite avant la date de maturit physiologique, restriction impose par la contrainte
(5.13).
Dans le but de minimiser le nombre de liqufaction du mlange de la totalit du bl rcolt, remplaons
alors la fonction-objectif (4.1) par celle qui est dfinie dans lexpression (5.5). Pour dterminer lindice de
chute de Hagberg associ, il suffit dappliquer la formule (5.1).
En vue de mieux apprhender lvolution de lactivit de rcolte, les incertitudes exognes (i.e. qui sont incontrlables et ne dpendent pas ni des variables de dcision ni de leurs ralisations) 11 , , T1 , 12 , ,
67

V. Borodin

T2 , , 1S , , TS sont considres rvlatrices au fil des tapes s et les dcisions adaptables ce processus. La squence ts {0, 1} (t = 1, T ) relative ltape s, est interprte en tant quun processus stochastique, i.e. une squence des variables alatoires qui suivent des lois de probabilit spcifies. Dnotons par
[s] = ( 1 , , s ) lhistorique du processus stochastique jusqu ltape s, o s = (1s , , Ts ).
La solution choisie ltape s dpendra : (i) des ralisations mtorologiques passes [s1] et de futures prvisions s , (ii) des rsultats de limplmentation de facto de la solution trouve dans un environnement stochastique et dynamique ltape antrieure. En dautres termes, la fameuse proprit de
non-anticipativit, mticuleusement examine dans les tudes relatives la programmation stochastique
multi-tapes (Flm, 1985; Rockafellar and Wets, 1976), nest pas valable pour le problme de planification
de rcolte du bl mis au point dans ce chapitre.
la lumire de ce qui prcde, tablissons lordre des vnements dans la prise de dcisions de la manire
suivante : au dbut de la premire tape, les dcisions sont prises face au vecteur 1 (les incertitudes mtorologiques ntant pas encore connues) et exprimes par x1ip = (x1ip1 , , x1ipT ) ; ensuite, une fois la mto
survenue, ceci est considre observe dans [1] et limplmentation de facto du vecteur de dcisions x1ip
[1]

[1]

est dsigne par xip . En se basant sur les rsultats observs, les dcisions la deuxime tape x2ip (xip , 2 )
sont prises, tout en tenant compte : (i) des observations climatiques passes [1] , (ii) de la ralisation des
[1]
dcisions xip , et (iii) des prvisions mtorologiques 2 ; etc. En rcapitulant, formalisons le processus de
prise des dcisions tel quindiqu par la trajectoire des vnements (5.4) illustre ci-aprs.
dcision(x1 , 1 ); ralisation(x[1] , [1] );dcision(x2 , 2 );
; ralisation(x[S1] , [S1] );dcision(xS , S )

(5.4)

s
Puisque les autres variables de dcisions gipt
ne sont pas explicitement influences par les alas mtorologiques, il nest pas ncessaire de les ajuster conformment la mto rvle lors de ltape antcdente.
Il suffit de prendre en considration uniquement la ralisation de facto de la solution propose tape
[s1]
s
s
(s 1) : gipt
= gipt
(gipt ). Alors que les variables ost ne dpendent de faon explicite ni de la ralisation
de la solution propose lors de ltape prcdente ni des conditions mtorologiques survenues. Un aperu
dun tel processus de prise de dcisions est reprsent dans la Fig. 5.1.

Figure 5.1 Un aperu du processus de prise de dcisions multi-tapes horizon glissant

Pour des raisons de clart et afin dviter toute confusion avec la programmation stochastique multi-tapes
dans son sens classique, appelons le programme qui suit le processus de prise de dcisions introduit juste
68

Gestion des risques de dgradation de la qualit des crales : cas dynamique

avant (cf. Fig. 5.1), programme stochastique multi-tapes horizon glissant. De cette faon, une contrepartie stochastique multi-tapes horizon glissant dans le cas de rcolte du bl correspondant au modle
I
statique prsent dans le chapitre prcdent (libelle PS-tapes
), peut tre formalise comme indiqu cidessous :
min f =

Pi
I X
X

yip

i=1 p=1

(5.5)
qip

i=1 p=1

sous contraintes :
S X
T
X

qip
Pi
I X
X

xsipt = 1,

i, p

(5.6)

i, s, t

(5.7)

s=1 t=1
Pi
X

xsipt qip ci ,

p=1

(5.8)


P xsipt ts , i, p, t, s 1
xsipt

xsipt

ost

s
gipt
,

s
gipt
,

Pi
I X
X

s
gipt
,

i, p, s, t

(5.9)

i, p, s, t

(5.10)

s, t

(5.11)

s, t

(5.12)

i, p, s, t

(5.13)

i, p, t > 1

(5.14)

i, s > 1, p, t > 1

(5.15)

i, p

(5.16)

i, p, s > 1, t

(5.17)

i, p, s > 1, t

(5.18)

i, p, s, t

(5.19)

i, p

(5.20)

i, p, s, t

(5.21)

i=1 p=1

M ost

Pi
I X
X

gipt ,

i=1 p=1
s
gipt
((s 1) T + t dip ) 0,
1
1
gipt
gip(t1)

t1
X

x1ipt0 + o1t 1,

t0 =1
s
s
gipt
gip(t1)

t1
s1 X
X

xsipt0 + ost 1,

s0 =1 t0 =1
S X
T
X

s
xsipt ipt
= yip ,

s=1 t=1
[s1]

xsipt = xsipt (xipt ),


[s1]
s
gipt
(gipt ),

s
gipt

xsipt

1,

yip R,
s
ost , gipt

{0, 1},

I
numrons quelques proprits de la reformulation PS-tapes
:

p les disponibilits des jours de rcolte 1 , 2 , , s , , sont mutuellement indpendantes, s. Dans


le cadre de la programmation stochastique multi-tapes, cette proprit est appele indpendance
entre les tapes (Dupacov and Sladk, 2002).
69

V. Borodin

p la fonction-objectif (5.5) est sparable par rapport aux indices dsignant les tapes s. En particulier,
elle est additive conformment (5.23).
p sous-optimalit : (i) le processus de dgradation du bl est irrversible. Il est dclench par les pluies
survenantes entre la maturit physiologique des grains et le jour de rcolte, i.e. :
(5.22)

1
1
2
2
ip1
ipT
ip1
ipT

(ii) les dcisions de rcolte prises toute tape s ne dpendent pas de futures ralisations des alas
mtorologiques aux tapes suivantes, car :
1. la rcolte doit tre finie le plus tt possible dans le but de prvenir la dgradation de la qualit
du bl, fait exprim par la fonction-objectif (5.5) ;
2. la rcolte prmature est interdite (5.13).
Ainsi, en vertu des remarques ci-mentionnes (i)-(ii) et de lexpression (5.23), la structure sousI
jacente du PS-tapes
est facilement discernable.
p les contraintes jointes (5.16) peuvent tre directement exprimes dans la fonction-objectif en remS X
T
X
s
plaant yip =
xsipt ipt
, comme indiqu par (5.23).
s=1 t=1
Pi
I X
X

qip
yip I P
i
XX
i=1 p=1

=
qip

Pi
I X
X

T
S X
X

i=1 p=1

s=1 t=1

xsipt

s
ipt

qip
I P
i
XX

i=1 p=1

!
=

Pi X
T
I X
S X
X
s=1 i=1 p=1 t=1

qip

i=1 p=1

Pi
I X
X

qip
yip I P
f=
i
X
X
i=1 p=1

+N
qip

i=1 p=1

{z

(5.24)a

Pi
I X
X

qip
Pi
I
XX

qip

i=1 p=1

(5.23)

T
S X
X

!
xsipt

s=1 t=1

i=1 p=1

s
xsipt ipt

{z

(5.24)b

(5.24)

I
R-dfinissons maintenant la formulation stochastique du problme PS-tapes
en effectuant les modifications suivantes : minimiser la fonction-objectif (5.24) ; liminer les contraintes (5.16) et les exprimer
directement dans la fonction-objectif tel que montres par (5.23) ; relcher les contraintes liantes (5.6), i.e.
substituer le signe (=) par plus petit ou gal ( ) ; et, les rajouter dans la fonction-objectif comme indiqu
II
par (5.24)b, tout en gardant les autres contraintes (5.7)-(5.21) inchanges. Dnotons par PS-tapes
le nouveau programme stochastique multi-tapes horizon glissant ainsi construit.
I
Proposition 5.1. Soit < x , y , r , g > une solution optimale du programme PS-tapes
, alors la solution

II
< x , y , r , g > est aussi optimale pour le programme PS-tapes .

Dmonstration. Tout dabord, en tenant compte de lexpression (5.22), pour des valeurs de N suffisamment
s
larges (e.g. N max{ipt
: i, p, t, s}), il est manifeste quen minimisant (5.24)b, lexpression (5.24)a
est galement minimise. Par ailleurs, dans le cas o (5.24)b atteint la valeur nulle (i.e. les contraintes (5.6)
I
II
sont respectes), les PS-tapes
et PS-tapes
deviennent quivalentes.
70

Gestion des risques de dgradation de la qualit des crales : cas dynamique


I
Si < x , y , r , g > est une solution optimale pour PS-tapes
, alors les contraintes (5.6) sont vrifies et

II
par consquent, (5.24)b est nulle. Do, < x , y , r , g > est aussi optimale pour PS-tapes
.
I
II
Bien videmment, tout problme faisable PS-tapes
est quivalent PS-tapes
. Puisque les programmes stochastiques multi-tapes horizon glissant ont t dvelopps partant dun problme rencontr dans une
tude de cas industriel o chaque rcolte doit tre entirement acheve, considrons un nombre suffisamI
ment large dtapes S pour rendre le problme PS-tapes
faisable. Ainsi dans ce qui suit, cest la reformuII
lation PS-tapes qui sera particulirement examine.

En considrant la nature exogne des incertitudes mtorologiques et en sappuyant sur la structure sousjacente du problme, nous proposons une approche dynamique pro-active dans la section suivante. Cette
approche se relve tre suffisamment approprie pour capturer les spcificits du problme tudi et pour
II
rsoudre la reformulation stochastique PS-tapes
.

5.3

Une approche dynamique pro-active

Traditionnellement, les problmes doptimisation stochastiques sont rpertoris en deux classes selon la
nature des incertitudes qui affectent la prise de dcision savoir, exognes et endognes. Mercier and
Van Hentenryck (2008) ont affin cette classification en problmes exognes pures, endognes pures et
Stoxuno (stochastic optimization with exogenous uncertainty and endogenous observations, en anglais).
En adquation avec cette classification, le problme de planification de rcolte du bl est purement exogne, lorsque les incertitudes sont exprimes par des distributions de probabilit, dont les ralisations
surviennent indpendamment des dcisions prises aux diffrents tapes. Un tel processus de dcision est
dnomm processus de dcision exogne de Markov (Mercier and Van Hentenryck, 2008).
Afin de mieux comprendre le problme de planification de rcolte du bl, caractrisons le dynamisme du
systme de rcolte en tant quun processus de dcision exogne de Markov (cf. Fig. 5.1), qui est dfini par
les lments suivants :
p les tapes : lhorizon de rcolte est glissant en temps vers lavant, tant reprsent par un ensemble
dtapes s (s = 1, 2, ).
p ltat du systme : plutt que den fixer lhorizon de rcolte J priodes de temps (ou le nombre
dtapes S), introduisons la notion dtat de systme de rcolte ltape s dsign par s pour
s
reprsenter la quantit totale rsiduelle qip
collecter de toutes les parcelles Pi (i = 1, I), o :
1
qip
= qip ,

1 =

Pi
I X
X

i, p

(5.25)
(5.26)

1
qip
,

i=1 p=1

s =

Pi
I X
X

s
qip
,

(5.27)

i=1 p=1

p la fonction de cot immdiat ltape s : dnotons par f s la fonction-objectif correspondante


ltape s. Grce lexpression (5.23) et en considrant la fonction-objectif telle quelle est utilise
71

V. Borodin
II
dans PS-tapes
, les relations rcurrentes entre tapes sont dfinies en (5.28) et (5.29). Ainsi, la fonction
de cot immdiat ltape s, donne par Rs , peut tre exprime comme indiqu dans lexpression
(5.29), si le systme est dans ltat s ltape s et la dcision tri-dimensionnelle < x, r, g > est
prise.

f1 =

Pi X
I X
T
X

1
x1ipt ipt

i=1 p=1 t=1

1
qip
Pi
I X
X

Pi X
I X
T
X

(5.28)

x1ipt

i=1 p=1 t=1

1
qip

i=1 p=1

f s = f s1 +

Pi X
I X
T
X

s
xsipt ipt

i=1 p=1 t=1

s
qip
Pi
I X
X

Pi X
I X
T
X

xsipt ,

s > 1

(5.29)

i=1 p=1 t=1

s
qip

i=1 p=1

p fonctions de transition (dterministes) : la transformation (ou la transition) du systme de


rcolte de ltat s1 dans ltat s est modlise par les formules donnes ci-aprs (5.30) et (5.31),
pour chaque i, p, t, s > 1 :
[s1]

s1
s
xsipt = xsipt (xipt ) : qip
= qip

Pi
X

[s1]

xipt

(5.30)

s1
qip

p=1
[s1]

s1
s
s
s
gipt
= gipt
(gipt ) : gip1
gipT

s1 X
T
X

xsipt0 + ost 1

(5.31)

s0 =1 t0 =1

p dcision (action) prise ltape s : soit s lensemble de scnarios de disponibilit de rcolte


correspondant ltape s, o s = (1s , , Ts ) et leurs probabilits discrtes associes : P(s ) =
T
Y
s lensemble de scnarios (1 )-pertinents. Par
P(ts ), s s . De plus, dnotons par
t=1

souci de clart, rappelons quun scnario est dnomm (1 )-pertinent, sil garantit un niveau de
confiance au moins gal (1 ) (cf. section 4.4).
Pour contourner la non-linarit de la contrainte probabiliste (5.8) et en vertu des contributions
thoriques obtenues dans le cadre de la programmation sous contraintes probabilistes (Shapiro et al.,
2009; Kall and Wallace, 1994), introduisons les variables s , associes chaque scnario (1 ) s ). Ces variables s sont dfinies prendre la
pertinent et incomparable s de ltape s (s

valeur 1, si pour le scnario (1 )-pertinent s , la contrainte probabiliste (5.8) est satisfaite i,


p, t ; et la valeur 0, sinon. De cette faon, la contrainte probabiliste (5.8) peut tre rcrite par les
contraintes dterministes suivantes (5.8a) et (5.8b) :

ost (ts
ss ) 1,
X
ss 1,
s

t, s , s

(5.8a)
(5.8b)

Lexactitude dune telle transformation ainsi que lquivalence entre les contraintes (5.8) et (5.8a)(5.8b) ont t antrieurement expliques et prouves dans le chapitre prcdent (cf. sous-section
4.2.1).
72

Gestion des risques de dgradation de la qualit des crales : cas dynamique

Partant des remarques et des observations faites ci-dessus, une reformulation quivalente dterministe
MIP
mixte Ps-step
, pour le problme de planification de rcolte du bl tape s, peut tre alors modlise par
la fonction-objectif (5.29) sous les contraintes (5.8a), (5.8b) et (5.32)-(5.44).

Pi X
I X
T
X

min R =

s
qip

Pi X
I X
T
X

xsipt

(5.29)

xsipt 1,

i, p

(5.32)

s
xsipt qip
ci ,

i, t

(5.33)

t, s ,

(5.8a)

xsipt

s
ipt

i=1 p=1 t=1

Pi
I X
X

N
qip

i=1 p=1 t=1

i=1 p=1

{z

(5.29)a

sous contraintes :
T
X
t=1
Pi
X
p=1

ost (ts
ss ) 1,
X
ss 1,

(5.8b)

s
s
s
xsipt gipt
,

i, p, t

(5.34)

xsipt

i, p, t

(5.35)

(5.36)

(5.37)

i, p, t

(5.38)

i, p, t > 1

(5.39)

i, p, t

(5.40)

i, p, t

(5.41)

1,

i, p, t

(5.42)

ost {0, 1},


s
gipt
{0, 1},

(5.43)

i, p, t

(5.44)

ost

s
gipt
,

Pi
I X
X

s
gipt
,

i=1 p=1

M ost

Pi
I X
X

gipt ,

i=1 p=1
s
gipt
((s 1) T + t dip ) 0,
s
s
gipt
gip(t1)

xsipt =

t1
X

xsipt0 + ost 1,

t0 =1
[s1]
s
xipt (xipt ),
[s1]

s
s
gipt
= gipt
(gipt ),

xsipt

MIP
Pour rsoudre le problme Ps-step
, nous proposons une mthodologie dynamique pro-active (abrge
APD), dont le pseudo-code est prsent ci-dessous. Permettant de traduire fidlement le processus de dcision exogne de Markov, cette approche est capable de proposer des solutions ractives au droulement
dynamique de lactivit de rcolte.

73

V. Borodin

Algorithme 5.1 : Approche Dynamique Pro-active (ADP)


1:
2:
3:
4:
5:
6:
7:
8:
9:

5.4

dfinir s := 1
calculer s
rpter
MIP
rsoudre Ps-step
et trouver < x , g , r >
observer (, < x , g , r >)
s := s+1
calculer s
jusqu s = 0
STOP

Rsultats numriques

Le modle stochastique et la mthodologie dynamique pro-active propose conjointement dans ce chapitre, ont t spcialement conus pour planifier la rcolte du bl, en contrlant la dgradation de sa
qualit. Pour la cooprative concerne par cette thse, la production du bl slve environ 45-60 % de
sa production cralire annuelle totale.
Les instances utilises sappuient sur des informations issues des campagnes agricoles antrieures de
ltude de cas vis et sur des enqutes ralises auprs des agriculteurs. Gnralement, la saison de rcolte
dure approximativement un mois, voire un mois et demi. Pendant cette priode, les pronostics mtorologiques sont fournis par les stations mtorologiques situes proximit du primtre de la cooprative concerne, pour une priode relativement courte (environ 5-7 priodes de temps), avec un niveau de
confiance acceptable (la variance des variables alatoires mtorologiques journalires varie entre 0.04 et
0.09, 2 [0.04, 0.09]). Les informations concernant les stades de maturits biologiques des varits de bl
sont souvent donnes par des organisations comptentes dans les mtiers de lagronomie, en particulier
de lagriculture cralire 1 . Les tests numriques ont t effectus pour 19 chantiers agricoles ayant un
nombre de parcelles compris entre 2 et 20 avec une capacit journalire qui varie entre 80 et 381 tonnes.
Pour garantir la confidentialit, les donnes ont t lgrement modifies.
Lapproche dynamique pro-active a t implmente en C++. Les sous-problmes dterministes quivaMIP
lents correspondant chaque tape, Ps-step
, ont t rsolus en utilisant le solveur doptimisation ILOG
CPLEX (version 12.6.0) avec un niveau de confiance de (1 ) 0.8.
Afin de vrifier la faisabilit et lefficacit de lapproche pro-active dynamique propose dans un environnement raliste, les incertitudes mtorologiques et les ralisations des solutions proposes chaque
tape sont reproduites en utilisant le logiciel commercial de simulation SIMAN dans lenvironnement
Arena Rockwell Automation (version 13.0). Lintgration entre les logiciels ILOG CPLEX et
Arena (les deux tant des composants pris sur tagre 2 commercialement disponibles) a t ralise via
1. Les dates de maturit et les indices de chute de Hagberg ont t fournies par lInstitut du Vgtal Arvalis.
2. Un composant pris sur tagre (Commercial Off-The-Shelf ou COTS, en anglais) est un produit logiciel existant en de
multiples copies, dont le code source est disponible ou non, vendu, lou ou fourni gratuitement par un vendeur et ayant des mises
jour priodiques saccompagnant dun accroissement des fonctionnalits fournies alors que certaines autres deviennent obsoltes
(Roose, 2007). tant dvelopps par des tierces organismes commerciales sans concertation, lintgration de ces composants nest
pas toujours possible, dgageant de nombreux problmes de composition et de typage.

74

Gestion des risques de dgradation de la qualit des crales : cas dynamique

une application utilisateur comme illustr dans la Fig. D.1.


Tableau 5.1 ADP vs. SHG pour 10 instances
ADP

Instance (I)
1
2
3
4
5
6
7
8
9
10
moyenne

5
6
6
5
6
8
6
7
6
6

SHG

cart relatif (%)


3.94
3.68
3.66
5.76
6.08
7.70
5.30
5.89
6.68
7.01
5.57

5
5
6
5
6
7
5
6
6
5

cart relatif (%)


14.96
26.28
11.67
19.83
31.42
27.77
32.97
41.16
24.39
33.99
26.44

Contrairement aux problmes dterministes, pour lesquels la mesure de performance est tangible (e.g.
qualit de la solution, temps de calcul, etc.), la classe de problmes stochastiques ncessite lutilisation
dautres indicateurs de performance pour lvaluation dune mthode ou dun modle particuliers (Pillac
et al., 2013). Dans cette optique, pour valuer la faisabilit et la robustesse du modle probabiliste multitapes horizon glissant et de la mthodologie dynamique pro-active proposs dans ce chapitre, les exprimentations numriques ont t menes en comparant les mtriques de performance suivantes :
II
p (SHG) : la valeur espre obtenue en utilisant la version statique du modle PS-tapes
dans un cadre
glissant (SHG) (Wagner and Berman, 1995). Cette approche de rsolution nexige ni la notion dtat
du systme ni les contraintes de transition (5.30) et (5.31), i.e. aucun ajustement des ralisations des
solutions nest fait.

p (ADP) : la valeur espre obtenue en utilisant la mthodologie dynamique et pro-active propose


dans la section 5.3.
p VOS : la valeur observe aprs limplmentation de la solution propose dans un environnement
raliste, reproduit via un modle de simulation vnements discrets spcialement cr pour ce
faire.
Dans un premier temps, regardons le tableau 5.2, qui reporte les rsultats pour 10 instances inspires de
ltude de cas concern par cette thse. Lcart pour une instance I ltape s est dfini par le rapport
s (I)
s (I)
, o s (I) reprsente la quantit totale rcolter trouve par lapproche ADP ltape s
s (I)

s (I) dnote la valeur de la quantit totale VOS la mme tape. Bien plus, les nombres de liqufaction
et
s
du mlange collect ltape s, M
, calculs en outre par lexpression (5.29)a, et leurs valeurs observes
s
M sont dtaills dans la quatrime et la sixime colonne. Il est noter que le temps de calcul dune
solution chaque tape par AFP slve moyennement 0.53 secondes et 50 secondes pour la simulation
lance ultrieurement, tandis que le temps de transition du module doptimisation celui de simulation
est ngligeable.
75

V. Borodin

Tableau 5.2 ADP vs. VOS pour 10 instances


Instance (I)
1

10

tape
1
2
3
4
5
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
1
2
3
4
5
6
1
2
3
4
5
6
7
8
1
2
3
4
5
6
1
2
3
4
5
6
7
1
2
3
4
5
6
1
2
3
4
5
6

ADP
s

18021.40
16336.40
13082.20
7219.60
902.64
18065.90
16050.40
12266.20
7022.64
2427.27
67.08
18023.20
16496.50
12341.70
7696.28
2619.73
109.61
18199.70
16029.90
10807.10
3505.54
768.86
18318.70
16716.90
12707.10
7601.56
2235.07
206.84
13739.00
13071.90
11028.20
9926.72
6042.01
3185.45
351.58
146.26
18284.70
16428.50
14862.10
10250.80
1598.04
145.21
18160.10
16119.90
12748.10
6501.23
2034.21
118.02
0.83
18189.40
16773.00
14375.50
9338.02
2850.79
340.16
18318.70
16910.00
12869.40
10364.80
3516.03
128.10

s
M

22.21
23.56
22.98
22.47
21.40
21.80
23.04
22.64
22.89
24.60
25.92
21.38
23.42
24.41
23.82
24.02
23.84
22.06
23.83
23.57
23.42
24.29
21.43
22.51
22.88
23.38
23.11
21.30
21.73
23.75
23.20
23.33
21.74
24.16
24.14
25.70
22.17
23.76
24.04
24.39
23.56
20.54
22.11
23.22
23.21
22.85
21.79
19.41
19.42
22.33
24.69
23.38
23.59
23.56
21.45
21.51
24.32
23.08
23.82
24.79
19.74

76

VOS
s

17444.80
15337.20
12617.90
6800.63
902.43
16980.60
15323.00
11842.80
6541.47
2427.02
67.07
16807.80
15644.20
11547.30
7516.45
2619.69
109.60
17260.20
15162.70
10448.30
3069.75
768.73
16705.50
15477.70
11975.00
6871.71
2190.03
206.80
12346.20
12010.10
9693.56
9192.01
5096.05
3148.89
351.53
146.25
17098.60
15485.60
13267.10
9702.74
1580.67
145.19
16741.60
14806.50
11454.90
6148.78
1916.70
117.19
0.83
16775.80
15758.50
13147.60
8370.40
2733.49
340.14
17265.30
15381.10
11375.40
9502.59
3388.68
128.06

s
M
22.21
23.57
22.95
22.46
21.40
21.82
22.91
22.70
22.64
24.60
25.92
21.47
23.31
24.39
23.75
24.02
23.84
22.11
23.98
23.62
23.40
24.29
21.40
22.52
22.98
23.47
23.14
21.30
21.58
23.83
23.26
23.42
21.59
24.18
24.14
25.70
22.15
23.78
23.90
24.38
23.53
20.54
22.22
23.29
23.23
22.93
21.94
19.41
19.42
22.26
24.78
23.24
23.50
23.74
21.45
21.53
24.39
23.19
23.72
24.98
19.74

cart relatif (%)


3.31
6.51
3.68
6.16
0.02
6.39
4.75
3.58
7.36
0.01
0.01
7.23
5.45
6.88
2.39
0.00
0.01
5.44
5.72
3.43
14.20
0.02
9.66
8.01
6.11
10.62
2.06
0.02
11.28
8.84
13.77
7.99
18.56
1.16
0.01
0.01
6.94
6.09
12.02
5.65
1.10
0.02
8.47
8.87
11.29
5.73
6.13
0.70
0.01
8.43
6.44
9.34
11.56
4.29
0.01
6.10
9.94
13.13
9.07
3.76
0.03

Gestion des risques de dgradation de la qualit des crales : cas dynamique

nombre de liqufaction

nombre de liqufaction

22.6
22.8

22.6

22.4

22.2

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

22.4
22.2
22
21.8

100

40
60
80
quantit cumule totale (%)

Figure 5.2 Instance 1

Figure 5.3 Instance 2


nombre de liqufaction

nombre de liqufaction

100

23.2

23

22.5

22
(ADP)
VOS
(SHG)

21.5

40
60
80
quantit cumule totale (%)

22.6
22.4
(ADP)
VOS
(SHG)

22.2

40

60
80
quantit cumule totale (%)

100

Figure 5.5 Instance 4


23
nombre de liqufaction

22.2
22
21.8

21.4

22.8

22

22.4

21.6

23

100

Figure 5.4 Instance 3


nombre de liqufaction

(ADP)
VOS
(SHG)

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

22.5

22
(ADP)
VOS
(SHG)

21.5

100

20

Figure 5.6 Instance 5

40
60
80
quantit cumule totale (%)

100

Figure 5.7 Instance 6


nombre de liqufaction

nombre de liqufaction

23.5

23

22.5

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

22.8
22.6
22.4
22.2

100

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

Figure 5.8 Instance 7

100

Figure 5.9 Instance 8

nombre de liqufaction

nombre de liqufaction

24
23.5
23
22.5

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

Figure 5.10 Instance 9

23

22.5

22

21.5

100

(ADP)
VOS
(SHG)
40
60
80
quantit cumule totale (%)

77

100

Figure 5.11 Instance 10

Figure 5.12 Approche dynamique pro-active : exprimentations numriques pour 10 instances

V. Borodin

Remarquons dans le tableau 5.2 quaucun cart entre les approches ADP et VOS nest propag le long de
diffrentes tapes s. Si cest le cas, lapproche ADP ajuste les solutions durant les tapes suivantes. En effet,
ADP se comporte dune manire assez flexible et propose des solutions suffisamment immunes vis--vis
dventuelles intempries imprvues.
Dans le tableau 5.1, les approches ADP et SHG sont compares. Plus prcisment, dans la deuxime et
quatrime colonne le degr de dynamisme induit est donn. Ceci reprsente le nombre dtapes induites
par lapproche utilise. Pour chaque instance, la troisime et la cinquime colonne fournissent les carts
relatifs moyens calculs entre la solution propose et sa ralisation observe via la simulation au cours des
tapes induites. Ces rsultats illustrent que lapproche ADP surpasse systmatiquement et considrablement lapproche SHG. Mme si parfois SHG induit une valeur infrieure de , qui bien entendu entrane
des temps de calcul plus rduits, ADP prsente des rsultats nettement plus comptitifs, en moyenne 5.57
versus 26.44.
Tout en minimisant le nombre de liqufaction du mlange de bl provenant de toutes les parcelles considres, les Fig. 5.2 - 5.11 montrent graphiquement ltat davancement de la rcolte, travers le prisme
des trois approches : SHG, ADP et VOS. Mme si SHG se comporte de manire suffisamment adquate
et pro-active comme latteste les graphiques, aucun ajustement de solutions na lieu, ce qui provoque la
diffusion des carts antrieurs en impactant ainsi considrablement la qualit du mlange total du bl
collect.
Dautre part, tel que le prsentent les figures 5.2 - 5.11, lapproche ADP suit le concours raliste de circonstances reproduit via VOS, en proposant des solutions immunes face aux alas mtorologiques et en
remdiant les carts enregistrs entre les solutions antrieurement proposes et leurs implmentations de
facto.

5.5

Conclusions et perspectives

Dans ce chapitre, nous avons trait le problme de planification de rcolte du bl, modlis sous la forme
dun programme stochastique dans un contexte dcisionnel multi-tapes horizon glissant. Pour rsoudre
ce problme, une approche pro-active dynamique est labore et teste sur des jeux de donnes provenant de lapplication relle. Tel que le montrent les exprimentations numriques, lapproche propose
prsente des rsultats, dune part, stables vis--vis des alas mtorologiques, et dautre part, ractifs au
droulement dynamique de la moisson. Nous soutenons que la mthodologie propose dans ce chapitre
peut tre employe dans la rsolution de diffrents problmes de planification de rcolte affects par des
incertitudes exognes, dans le cas o la rcolte soit avant, soit aprs les dates de maturit est uniquement
autorise (e.g. la rcolte du raisin, etc.).
Une piste vidente qui souvre la suite du travail prsent dans ce chapitre, consiste rendre possible
simultanment les rcoltes tardives et prmatures. En loccurrence, la proprit de sous-optimalit nest
plus vrifie dans ce cas. Il conviendrait donc de sintresser des mthodologies permettant dune part,
de prendre en compte les deux aspects, stochastique et dynamique, et dautre part, de donner la possibilit
de corriger, ventuellement moindre cot, les dcisions prises avant la survenue des alas. Intuitivement,
des mthodes bases sur la programmation multi-tapes avec recours et la programmation stochastique
dynamique pourront tre adaptes et combines cet effet.

78

Chapitre
Techniques statistiques de prvision des
livraisons

Se projeter dans lavenir et transmettre une cooprative aux gnrations futures, cest
en appuyant sur adhrents et collaborateurs que la SCARA conduit ses projets. Direction,
managers, quipes et reprsentants du personnel, poursuivrons la construction de vritables
leviers de motivation et de russite...
Cline GILLET, Responsable Administratif et Financier, SCARA

Sommaire
6.1
6.2
6.3

6.4

6.5

6.1

Introduction . . . . . . . . . . . . . . . . . . . . .
Description du problme . . . . . . . . . . . . .
Mthodologie . . . . . . . . . . . . . . . . . . . .
6.3.1 Rgression base sur donnes de panel . . .
6.3.2 Rgression multivarie par spline adaptative
Rsultats numriques . . . . . . . . . . . . . . .
6.4.1 Estimation et apprentissage . . . . . . . . .
6.4.2 Prvisions et validation . . . . . . . . . . .
Conclusions . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

79
81
83
83
86
87
88
91
92

Introduction

Dans lintention de guider lorganisation dune rception convenable et dun stockage appropri des crales lors dune campagne agricole, nous tenterons dans ce chapitre de dcrire et de caractriser le comportement de livraison des agriculteurs, en le confrontant avec les facteurs climatiques qui peuvent tre
dterminants, savoir le volume de prcipitations et lensoleillement. Pour ce faire, nous nous proposons
deffectuer une analyse statistique en croisant les informations relatives la rcolte, collectes le long
des campagnes agricoles des annes prcdentes, et dexpliquer ainsi lvolution au cours de temps des
livraisons journalires de rcolte effectues auprs de chaque silo concern par cette tude.
79

V. Borodin

Mme si les collectes de crales se droulent dans un esprit similaire, chaque rcolte est unique. Ainsi,
vouloir caractriser un ensemble dentits (i.e. campagnes agricoles) sur une suite de priodes de temps
(i.e. durant lhorizon de rcolte), nous avons recourt des modles et donnes de panel qui permettent
dexplorer des donnes croises ayant en plus une dimension temporelle. Les donnes de panel (aussi appeles donnes croises ou donnes longitudinales) sont capables de capturer lensemble des htrognits
relatives au comportement dentits ou dindividus par le biais des facteurs explicatifs (Wooldridge, 2010;
Blommaert et al., 2014). Aux dires de Baltagi and Song (2006), en croisant des sries temporelles et des observations en coupe instantane, les donnes de panel fournissent plus de donnes informatives, plus de
variabilit, moins de colinarit parmi les variables, plus de degr de libert et plus de performance.
Sur le plan applicatif, les modles de panel sont souvent utiliss pour rvler les variables significatives
dans lexplication dun comportement des entits provenant notamment des applications biomdicales
(Zhu and Zhang, 2013), tudes conomiques (Frees and Miller, 2004), valuations des comportements sociaux (Tsai and Peng, 2012), etc.
En ce qui concerne le secteur de lagriculture, il est noter quil existe relativement peu de travaux bass sur de mthodes de donnes longitudinales. Une des exceptions pertinentes dans ce sens reprsente
ltude de Mundlak et al. (2012), qui analyse les incidences de r-allocation des ressources traditionnelles
dans le cadre de nouvelles techniques de production rencontres dans diffrents pays via des fonctions
de production agricole estimes laide de modles de panel. Se proposant dvaluer les effets impartiaux
et leur volution au fil du temps, Kouser and Qaim (2011) se focalisent sur ltude des impacts sanitaires
rsultant des changements apports par les agriculteurs dans lutilisation de pesticides chimiques. Pour
ce faire, ces derniers auteurs ont exploit les seules donnes disponibles de panel construit sur la base des
enqutes ralises en Inde.
Conscients dautre part, dventuelles non-linarits et de la prsence des interactions entre les facteurs tributaires du comportement des agriculteurs durant la priode de rcolte quant aux livraisons journalires,
nous avons galement appliqu la rgression multivarie par spline adaptative. Introduite par Friedman
(1991), cette technique est devenue trs populaire dans le domaine du data mining, dans la mesure o elle
ne suppose ni impose aucun type de relations entre les variables explicatives et celles de rponse. En tant
quun outil statistique souple et adaptable de construction des modles prdictifs, la rgression multivarie
par spline adaptative est utilise largement dans diffrents secteurs, tels que : le domaine du diagnostic
mdical (Chou et al., 2004; Chang et al., 2011), la gestion des relations clients, dans des applications souleves dans la sphre du transport urbain (Miguis et al., 2013), lindustrie des finances et du crdit (Lee
et al., 2006), etc. Il est noter galement le travail de Butte et al. (2010) portant sur la comparaison et la
combinaison des donnes de panel avec des techniques bases sur la rgression multivarie par spline
adaptative.
La suite de ce chapitre se dcline en quatre sections. Dans la section suivante 6.2, lactivit de rcolte est
prsente au fil de son droulement, travers le prisme de plusieurs campagnes agricoles. Ensuite, nous
nous attardons sur les deux techniques statistiques ayant retenu notre attention. Plus particulirement,
il sagit de la rgression base sur donnes de panel, prsente en sous-section 6.3.1, et respectivement
la rgression multivarie par spline adaptative, dtaille en sous-section 6.3.2. Aprs avoir estim les coefficients des modles de panel dans la sous-section 6.4.1, nous nous proccupons de la validation et de
lapplication des mthodes dans la section 6.4.2. Ce chapitre se termine avec la section 6.5, en rsumant la
contribution des techniques statistiques de prvision dans le secteur de lagriculture.
80

Techniques statistiques de prvision des livraisons

6.2

Description du problme

En priode de moisson, 3 silos dexpdition et 11 silos de collecte disperss gographiquement (cf. Fig.
6.1), sont mis la disposition des agriculteurs, pour assurer un stockage apte garantir une conservation
correcte des grains livrs. Les quantits recevoir par chaque silo lors dune campagne agricole ne sont
connues que post factum. La cooprative dispose uniquement dune information approximative sur la
quantit totale rcolter durant la saison de rcolte entire. Toutefois, celle-ci nest pas suffisante dans
la facilitation des rceptions de livraisons ou bien dans la minimisation des temps dattente aux silos
de stockage. La connaissance des livraisons journalires de rcolte est particulirement prcieuse dans
lassurance de disponibilit en matire de capacit de stockage dans les silos de collecte, ayant des volumes
limits.

Figure 6.1 Dispersion gographique des stations mtorologiques et des silos de stockage
titre dexemple, examinons la Fig. 6.2, qui illustre les quantits journalires totales reues par un silo
typique de stockage en diffrentes sous-familles de crales (cf. annexe C). Des carts significatifs entre
les quantits livres quotidiennement peuvent tre facilement discernes le long de diffrentes campagnes
agricoles, qui changent entre outre au cours du temps. Il est parfaitement vident que les instants de
temps constituant les saisons de rcolte enregistrent des variations importantes. En dautres termes, tant
des variations relatives la dimension temporelle usuelle que, de plus, des volutions se rattachant la
dimension individuelle lie aux campagnes agricoles, sont perceptibles.
Il convient de mentionner que les livraisons auprs des silos de stockage dbutent ds que les crales
atteignent leur maturit, les dates physiologiques de maturit optimale ne concidant pas forcement pour
81

V. Borodin

diffrentes parcelles. Typiquement, lhorizon de rcolte schelonne sur une priode de trois mois : juin,
juillet et aot.

Figure 6.2 Les quantits journalires totales livres au silo 3 durant les campagnes agricoles datant de
2005 2013
En ce qui concerne le droulement de la rcolte, bien videmment ce sont la mto et la variabilit climatique qui reprsentent le facteur dcisif, la rcolte des crales ntant possible que les jours sans pluie.
Outre le concours de circonstances mtorologiques (prcipitations, ensoleillement, etc.), les quantits
journalires collectes par les agriculteurs sont conditionnes par le dbit de leurs chantiers mcaniques
entrans dans le processus de rcolte.
Afin de mieux organiser la rception des crales collectes par les agriculteurs, nous nous proposons dans
ce chapitre de dcrire le comportement des agriculteurs pendant la priode de rcolte via leurs livraisons,
qui bien entendu sont conditionnes par : la mto, les pratiques de rcolte des agriculteurs, le dbit des
chantiers mcaniques, etc.
Pour ce faire, nous exploitons dans ce qui suit, 9 campagnes agricoles antrieures, dont les donnes relatives aux livraisons journalires en diffrentes sous-familles de crales (orge dhiver, orge de printemps,
bl dhiver, colza) sont organises sous forme de panel. Sans ngliger laspect mtorologique, les enregistrements historiques relatifs aux volumes de prcipitations et dure densoleillement journaliers provenant de la station mtorologique Troyes Barberey (cf. Fig. 6.2) sont galement pris en compte dans
lajustement des modles statistiques dapprentissage et de prvision. propos de ltude de toutes ces
donnes utilises, les statistiques descriptives, visant les quantits journalires reues dans chaque silo
82

Techniques statistiques de prvision des livraisons

de collecte pendant la rcolte de crales ainsi que les donnes mtorologiques, sont reportes dans le
tableau 6.1.

6.3

Mthodologie

Afin de caractriser et prvoir le comportement des agriculteurs relatif aux livraisons journalires pendant
la priode de rcolte, nous adoptons la dmarche suivante :
p explorer et modliser les livraisons journalires chaque silo de stockage pendant la priode de
rcolte, en appliquant la rgression fonde sur donnes de panel et la rgression multivarie par
splines adaptative, dans un chantillon constitu de 8 campagnes agricoles ;
p comparer les rsultats obtenus par ces deux approches en estimant les erreurs de prvision pour
une campagne agricole hors chantillon ;
p choisir une de mthodes proposes dans ce chapitre en fonction de ses capacits de prvision.

6.3.1

Rgression base sur donnes de panel

Les donnes de panel reprsentent une collection dobservations enregistres diffrents instants (i.e. rptes dans le temps) sur un ensemble dentits (individus ou sujets), possdant deux dimensions, individuelle et temporelle. Elles permettent lanalyse en coupe transversale pour lensemble dentits dune part,
et ltude temporelle en coupe longitudinale, dautre part. Contrairement aux sries temporelles utilises
souvent pour effectuer des prvisions en tudiant lvolution des variables au cours du temps, les donnes
de panel sont employes pour les prvisions en tant que structure rvlatrice des variables significatives
dans lexplication dun comportement (production, consommation, etc.).
Tableau 6.2 Techniques statistiques de prvision des livraisons de collecte : notations
Indices
N
s, s S
v, v V
i, i Isv
v
tsv
i , i Is

nombre dobservations rptes dans le temps


silo de stockage (de collecte et dexpdition)
sous-famille de crales
campagne agricole
horizon de livraison des crales de la sous-famille v livres au silo s correspondant
la campagne agricole i
priode de temps (i.e. jour)

j, j tsv
i
Variables :
Variables expliques :
sv
qij
quantit journalire de crales de la sous-famille v livre au silo s le jour j correspondant la campagne agricole i
Variables explicatives :
sv
rij
quantit rsiduelle de crales de la sous-famille v recevoir par le silo s le jour j
correspondant la campagne agricole i
pij
volume de prcipitations (mm) tomb le jour j correspondant la campagne agricole i
lij
dure de lensoleillement (minutes) le jour j correspondant la campagne agricole i

83

V. Borodin

sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij
sv
qij
sv
rij

silo variable
1
2
3
4
5
6
7
8
9
10
11
12
13

Orge dhiver

Bl dhiver

Tableau 6.1 Statistiques descriptives : la livraison de rcolte et la mto


Orge de printemps

Juillet

Aot

N moyenne min max N moyenne min max N moyenne min max


270 1.88
3.81 0 26.2 279 2.12
4.70 0 35.0 279 1.85
4.75 0 45.0
270 452.61 277.20 0 930.0 279 467.39 272.50 0 918.0 279 413.33 242.28 0 866.0

Juin

Colza

N moyenne min max N moyenne


min max N moyenne
min max N moyenne
min max
213 64.61 138.16 0 676.30 324 352.53 594.79 0 2919.20 467 250.76 537.79 0 3010.98 204 142.15 239.53 0 1326.58
213 323.99 494.19 0 2038.72 324 3556.05 4863.34 0 15225.82 467 3520.62 5184.01 0 14626.97 204 832.35 1191.46 0 3567.74
275 38.24 105.99 0 659.94 411 157.71 322.53 0 1810.44 345 164.65 347.81 0 2126.57 198 86.40 141.96 0 719.86
275 161.80 318.71 0 1657.50 411 1973.38 2671.58 0 7952.66 345 1475.67 2181.49 0 6804.24 198 439.15 596.58 0 2081.87
132 68.42 101.96 0 437.08 239 89.8
146.24 0
841.2 254 131.08 216.03 0 1044.85 184 35.98
58.85 0 316.46
132 324.30 344.10 0 1184.39 239 798.34 831.14 0 3011.01 254 981.48 1289.97 0 4028.11 184 240.17 284.81 0 865.21
105 85.97 122.46 0 490.70 196 208.41 281.80 0 1457.31 232 249.60 380.25 0 1863.00 149 89.31 134.50 0 557.69
105 411.19 405.79 0 1498.12 196 1591.02 1727.95 0 5533.28 232 1930.35 2327.42 0 7538.86 149 560.48 600.95 0 1975.22
144 67.14 135.54 0 883.36 213 188.13 255.38 0 1157.56 208 220.06 324.25 0 1380.96 120 95.86 123.58 0 526.78
144 393.91 471.34 0 1885.15 213 1618.66 1726.25 0 5297.31 208 1854.87 1960.74 0 6253.66 120 431.28 468.69 0 1371.19
102 64.44 108.74 0 545.60 222 115.62 164.75 0 826.00 161 196.66 238.15 0 926.79 145 81.63 114.91 0 583.60
102 267.38 268.49 0 1267.15 222 875.73 1085.43 0 4573.75 161 1196.81 1246.36 0 4460.79 145 427.45 500.87 0 1788.53
90 119.91 151.78 0 596.32 205 243.05 313.52 0 1254.41 187 271.81 347.48 0 1370.04 143 126.87 165.61 0 676.48
90 490.36 471.30 0 1908.53 205 1940.24 2111.87 0 6640.07 187 2058.39 2101.62 0 6302.49 143 676.49 744.04 0 2243.58
82 63.22 90.30 0 327.99 143 178.70 185.19 0 855.47 184 163.70 224.77 0 1060.30 145 67.72
94.26 0 377.41
82 246.23 200.37 0 787.36 143 1383.00 1065.95 0 3447.50 184 1029.52 1150.94 0 3798.65 145 448.59 449.80 0 1307.91
121 75.08 132.52 0 658.24 218 158.71 228.59 0 1125.35 212 215.06 313.994 0 1479.38 136 90.00 122.61 0 654.07
121 353.76 400.44 0 1413.38 218 1365.72 1520.68 0 5638.10 212 1485.86 1766.53 0 6292.81 136 457.89 500.21 0 1707.58
132 71.18 121.78 0 495.57 217 105.74 174.49 0 1086.84 259 164.00 297.08 0 1753.76 153 58.76
87.11 0 393.01
132 370.62 418.55 0 1369.55 217 778.12 955.44 0 3357.71 259 1450.10 1863.49 0 5928.40 153 315.04 372.95 0 1112.71
144 37.99 55.13 0 212.01 317 93.72 140.51 0 594.65 232 147.84 222.02 0 952.00 173 49.84
73.45 0 312.51
144 231.52 231.74 0 854.71 317 980.80 1213.41 0 4388.36 232 925.78 1208.52 0 5347.50 173 356.80 372.48 0 1290.6
146 100.37 151.54 0 890.63 347 179.51 340.252 0 2093.55 325 215.61 412.01 0 1752.26 144 48.30
84.37 0 503.00
146 514.38 579.08 0 2239.42 347 2047.68 2848.83 0 10071.44 325 1660.73 2584.99 0 9249.55 144 335.10 441.86 0 2473.68
143 92.41 143.68 0 631.97 297 256.44 395.79 0 2163.28 286 367.51 572.92 0 2599.70 215 62.24 118.23 0 893.31
143 471.92 524.93 0 524.93 297 2787.15 3721.65 0 13240.51 286 3808.4 4390.94 0 4390.94 215 394.88 118.23 0 2046.93

variable
pij
lij

84

Techniques statistiques de prvision des livraisons

Pour chaque silo s et chaque sous-famille de crales v dfinissons donc le panel non-compens 1 vs ,
qui contient Isv sujets ou entits (i.e. campagne agricole). Chacun de ceux-ci comportent 4 observations
rptes dans le temps, allant du premier jour de rcolte jusqu la fin de la campagne agricole, i.e. partir
sv
sv
sv
de 1 jusquau tsv
i (j = 1, ti ), savoir : quantit journalire de livraison qij , quantit rsiduelle rij ,
volume de prcipitation (mm) pij , et la dure de lensoleillement (minutes) lij . Toutes les variables et les
mesures susmentionnes sont organises dans le tableau rcapitulatif 6.2.
Deux modles de panel sont principalement appliqus pour contrler la prsence dhtrognits des
variables individuelles inobservables : le modle effet individuel alatoire et le modle effet fixe. Le
premier modle, galement appel modle de la covariance, prsuppose une absence de corrlation entre les
variables individuelles inobservables et les variables explicatives du modle, tandis que le second modle,
autrement nomm modle erreur compose, autorise cette corrlation.
Les quations correspondant au modle effet fixe (6.1), et respectivement au modle effet individuel
alatoire (6.2), sont crites sous la forme suivante, s S, v V :
sv
sv r
qij
= ( + ui ) + rij
+ pij p + lij l + vij

i, j

(6.1)

sv
sv r
qij
= + rij
+ pij p + lij l + (ui + vij )

i, j

(6.2)

sv
sv
reprsente la variable expliquer (endogne), alors que rij
, pij et lij sont les variables explicatives
o qij
pour la quantit rsiduelle de crales de la sous-famille v recevoir par le silo s le jour j correspondant
la campagne agricole i, le volume de prcipitation tomb le jour j correspondant la campagne agricole i, et respectivement la dure de lensoleillement le jour j correspondant la campagne agricole i.
sv
Les paramtres r , p et l dsignent les coefficients de rgression associs aux co-variables rij
, pij et
lij .

La variable ui reprsente les effets individuels et regroupe toutes les variables individuelles fixes au cours
de temps et qui ne sont pas observables (lis la campagne agricole). Cette variable est alatoire et fait
partie de lerreur dans le cadre du modle effet individuel alatoire. En revanche, ui est dterministe
tant englobe dans la productivit globale des facteurs explicatifs. Enfin, vij expriment les rsidus, qui
sont considrs identiquement indpendant distribus vij IID(0, v2 ).
Plusieurs estimateurs des paramtres du modle peuvent tre obtenus en appliquant :
p mthode des moindres carrs ordinaires sur donnes empiles (Pooled Ordinary Least Squares,
en anglais) : il est sans biais et variance minimale. En effet, cet estimateur correspond lapplication
des moindres carrs ordinaires sur des donnes transformes.
p estimateur between : il consiste considrer pour chaque individu la moyenne temporelle de
lquation initiale. Les variations temporelles se volatilisent, car les estimations seffectuent sur des
moyennes temporelles en faveur des diffrences entre les individus.
p estimateur within : il est galement sans biais et consiste faire la diffrence entre le modle initial
et sa projection en between. Les effets individuels se volatilisent, en faveur des diffrences entre les
variations temporelles manifestes autour dune moyenne.
1. Un panel est nomm non-compens, lorsque les nombres dobservations relatives ses entits ne sont pas quivalents entre
eux.

85

V. Borodin

p estimateur effets alatoires (error components model, en anglais) : il est sans biais et convergent,
dans le cadre duquel la composante individuelle des rsidus disparat et de mme que les corrlations
inter-individuelles des rsidus.
Dans lintention de capturer les similarits comportementales des agriculteurs en matire de livraisons des
crales pendant la priode de rcolte, lestimateur between semble le plus appropri ce stade dtude.
Plus particulirement, il est capable dexaminer les relations entre les variables en coupe transversale pour
toutes les campagnes agricoles dans lchantillon sous tude :
(6.3)

sv
sv r
qi
= ( + ui ) + ri
+ pi p + li l

sv
sv
o qi
reprsente la moyenne des variables expliquer dune entit individuelle i, alors que ri
, pi et li
dnotent les moyennes des variables explicatives.

Le choix entre ces deux modles se fait laide des tests de spcification. Les effets fixes sont dtects
par le test de Fisher, qui vise vrifier la prsence dun effet alatoire individuel significatif. Le test de
Breusch-Pagan Lagrange Multiplier, quant lui, examine les effets alatoires. Effectivement, ceux-ci vrifient lhypothse nulle de la non-pertinence des effets individuels non-observs versus lhypothse alternative de pertinence des effets individuels non-observs. Lorsque lhypothse nulle nest pas rejete dans
les deux cas, lapplication de la mthode des moindres carrs ordinaires (OLS) est recommandable :
sv
sv r
qij
= + rij
+ pij p + lij l + vij

(ui = 0)

(6.4)

In contrario, si lhypothse nulle nest pas rejete, i.e. les effets individuels non-observs ne sont pas relevants, la rgression OLS nest pas adapte dans lexamen des relations potentielles entre les quantits de
livraison journalire et ses co-variables, i.e. quantit rsiduelle, volume de prcipitations, dure de lensoleillement.
La slection du modle le plus pertinent se fait dhabitude par lanalyse de covariance. Lorsque les deux
modles effet fixe et celui effet individuel alatoire sont appliqus, il est ncessaire de conduire le test de
Hausman afin de vrifier sil existe un effet individuel corrl avec les variables explicatives, pour choisir
ainsi lestimateur le plus appropri (Rockafellar and Wets, 1991; Morgan et al., 1993). Lhypothse nulle
du test de Hausman postule que le modle adapt est celui effet individuel alatoire versus lalternative
qui promeut le modle effet fixe.

6.3.2

Rgression multivarie par spline adaptative

La rgression multivarie par spline adaptative (en anglais MARS pour Multivariate Adaptive Regression
Splines) est une technique exploratoire de rgression non paramtrique pouvant tre vue comme une
extension des rgressions linaires qui modlisent automatiquement les ventuelles interactions et nonlinarits entre une variable dpendante et plusieurs variables explicatives. Plus prcisment, cest une
mthode statistique qui permet dobtenir de manire adaptative un estimateur f (x) constitu de splines
de rgression multivaries, dont lquation gnrale sous la forme dune fonction linaire additive de
fonctions charnires est donne ci-aprs :
86

Techniques statistiques de prvision des livraisons

f(x) = 0 +

U
X

u Bu (x)

(6.5)

u=1

o la sommation seffectue sur U termes qui reprsentent lensemble de fonctions de base trouves pour
approcher les relations entre les variables explicatives et celle de rponse. En effet, la variable de rponse
y est prvue en fonction de variables explicatives x et de leurs interactions. La fonction (6.5) est forme
dun coefficient constant de la fonction de base B0 (x) = 1 (i.e. un paramtre dordonne lorigine) et
de la somme pondre par le coefficient u dune ou plusieurs fonctions de base Bu (x), qui leur tour,
peuvent reprsenter une seule spline ou bien un produit de deux, voire plus, splines adaptative.
Lide de base sappuie sur le principe divide et impera, qui catalogue lespace de donnes dentre (le
domaine dentre) en diffrentes rgions, chacune tant dcrite par sa propre quation de rgression.
Ainsi, la mise en uvre de MARS est une procdure en deux temps, de slection des fonction de bases
suivie dlagage, qui sapplique de faon rpte jusqu lobtention dun modle pertinent.
Dans un premier temps, la procdure de construction du modle repose sur la rgression par partitionnement rcursif qui, chaque tape, trouve lendroit idal o tronquer le domaine pour dcrire le mieux
possible la relation entre la variable de rponse et les variables explicatives travers dun ensemble de
fonctions de base dfinies sur des rgions disjointes. Au cours de cette recherche, un nombre de plus en
plus important de fonctions de base est ajout au modle, tout en maximisant un critre de qualit dajustement global par les moindres carrs. En outre, la slection des points de rupture se fait par lintermdiaire
des algorithmes de slection progressive pas pas (Friedman, 1991).
Aprs avoir termin la slection des fonctions de base, une procdure dlagage est applique. Au cours de
cette deuxime tape, le modle est synthtis en liminant par les moindres carrs les fonctions de base
qui sont associes la plus faible amlioration de la qualit dajustement (Hastie et al., 2009).

6.4

Rsultats numriques

Dsireux de mieux satisfaire les livraisons de collecte des agriculteurs auprs de silos de stockage pendant
la priode de rcolte, nous avons tent dexpliquer et ventuellement danticiper leurs prestations cralires. Dans cette optique, pour les 3 silos dexpdition et 11 silos de collecte, et pour 4 sous-familles de
crales (orge de printemps sb, orge dhiver wb, bl dhiver ww, et colza, r), des panels non-compenss
ont t compils pralablement. Ceux-ci ont t prpars sur la base de 9 campagnes agricoles historiques.
En ce qui concerne les donnes mtorologiques, elles ont t prises sur le site dInfoclimat 1 (www.
infoclimat.fr). Nous avons collect des donnes journalires historiques datant des annes 2005
2013, correspondant aux mois de juin, juillet et aot (priodes sur lesquelles la rcolte stale), incluant :
le volume de prcipitations (mm) et la dure densoleillement (min).
Les modles bass sur donnes de panel, la technique multivarie par spline adaptative ainsi que les statistiques descriptives ont t conduits en utilisant le logiciel de traitement des donnes et danalyse statis1. tant membre du Conseil Suprieur de la Mtorologie (CSM), Infoclimat est galement partenaire de Mto-France dans
le cadre des Veilleurs du Temps.

87

V. Borodin

tique R (version 3.0.2). Toutes les exprimentations numriques ont t effectues sur une machine Intel(R)
Core(TM) i7-2720QM CPU 2.20GHz.
Dans la sous-section suivante, les modles bass sur donnes de panel et la rgression multivarie par
spline adaptative sont ajusts et estims pour un chantillon incluant 8 campagnes agricoles (de 2005
2012) slectionnes pour lapprentissage des modles. Alors que dans la sous-section 6.4.2, leur capacit de prvision (capacit de gnralisation) est compare pour une campagne agricole (2013) horschantillon.

6.4.1

Estimation et apprentissage

Commenons par lexploitation des donnes de panel non-compens relatives aux livraisons de collecte
journalires des agriculteurs, nous permettant dexpliquer ventuellement lvolution temporelle et individuelle au cours de diffrentes saisons de rcolte et dapprhender le comportement des agriculteurs.
Aprs le dressage et la dtermination des coefficients correspondant aux modles effet fixe (6.1) et celui
effet individuel alatoire (6.2) par :
p la mthode des moindres carrs ordinaires sur donnes empiles (Pooled OLS)
p lestimateur within (FE-within)
p lestimateur between (BE)
p lestimateur effets alatoire (RE)
les tests suivants ont t galement effectus :
p le test de Fisher (F-test) pour vrifier sil existe un effet alatoire individuel important ;
p le test de Breusch-Pagan Lagrange Multiplier (BP) pour tester lhypothse dhomoscdasticit du
terme derreur ;
p le test dHausman de spcification des effets individuels en panel, servant ainsi discriminer les
effets fixes et alatoires.
r
r
ww
Tels que les dmontrent les rsultats reports dans les tableaux 6.3 et 6.4, pour les sb
2 , 7 , 9 et 5 les
modles between sont retenus, car le test de Fisher a t rejet alors que le test de Breusch-Pagan Lagrange
r
Multiplier na pas t rejet. Les modles effets alatoires sont plus pertinents pour ww
8 et 11 , parce
que le test de Fisher na pas t rejet tandis que le test de Breusch-Pagan Lagrange Multiplier a t rejet.
tant donn le fait que les tests de Fisher et celui de Breusch-Pagan Lagrange Multiplier nont pas t
rejets et le test dHausman na pas t rejet non plus, les modles effets alatoires sont slectionns
wb
sb
sb
sb
sb
sb
pour les panels : sb
12 , 3 , 3 , 9 , 12 , ww , 11 , etc. Au contraire, les estimations within sont choisies
sb
r
pour les panels : sb
5 , 10 , 1 , etc.
wb
wb
Toutefois, le modle effets alatoires (RE) na pas t construit pour certains panels, e.g. wb
1 , 2 , 4 ,
wb
5 , etc. Ce fait sexplique par la variance ngative estime autour des effets individuels. Selon Wooldridge
(2010), il nexiste pas de modle effets alatoire adapt dans ce cas, le problme restant ouvert. Une faon
triviale de contourner cet inconvnient consiste substituer la variance ngative par sa valeur limite (i.e.
par la valeur 0). Ce qui revient dcider entre les modles within, between et celui construit par la mthode
des moindres carrs ordinaires sur donnes empiles.

88

Techniques statistiques de prvision des livraisons

Tableau 6.3 Estimations des modles de rgression base sur donnes de panel : orge dhiver et orge de
printemps
silo

Orge dhiver

Orge de printemps

Pooled OLS
sv
rij
0.074(0.018)
pij -4.086(2.182)
lij 0.146(0.037)

FE-within
0.069(0.021)
3.467(2.247)
0.150(0.041)

BE
0.079(0.043)
16.132(11.912)
0.213(0.085)

RE
-

sv
rij
0.100(0.019)
pij 0.412(1.404)
lij 0.088(0.024)

0.092(0.022)
0.470(1.430)
0.085(0.026)

0.118(0.022)
0.448(7.970)
0.154(0.057)

sv
rij
0.010(0.007) 0.005(0.007)
pij -1.534(0.580) -1.510(0.592)
lij 0.016(0.580) 0.0165( 0.000)

F -test of FE(BE) isnt/is rejected with p = 0.705(0.002)


BP test is rejected with p = 0.001
-

F -test of FE(BE) isnt/is rejected with p = 0.0.906(0.000)


BP test isnt rejected with p = 0.840
-

0.046(0.021)
-4.332(3.155)
0.016(0.001)

F -test of FE(BE) isnt/is rejected with p = 0.345(0.013)


BP test is rejected with p < 2.694e 08
Hausman test of FE(BE) vs RE is not rejected : p=0.438(0.436)

Pooled OLS
FE-within
0.029(0.006) 0.028(0.007)
-2.481(6.613) -1.940(6.704)
0.621(0.137) 0.632(0.141)

BE
0.049(0.016)
-85.978(45.336)
-0.746(0.810)

RE
-

0.026(0.005)
0.639(3.178)
0.320(0.060)

0.008(0.026)
-13.895( 36.209)
0.077(0.512)

0.027(0.005)
0.693(3.054)
0.321(0.061)

0.043(0.035)
16.383(9.809)
0.644(0.254)

0.022(0.010)
0.240(1.822)
0.178(0.032)

0.119(0.044)
9.532(20.663)
-0.457(0.462)

0.034(0.011)
-0.865(4.793)
0.178(0.032)

0.023(0.010)
4.553(4.598)
0.385(0.067)

0.049(0.041)
-80.411(29.554)
-0.411(0.431)

0.021(0.010)
2.012(4.623)
0.366(0.068)

F -test of FE(BE) isnt/is rejected with p = 0.801(0.000)


BP test isnt rejected with p = 0.99
-

0.028(0.005)
0.776(3.080)
0.326(0.062)

F -test of FE(BE) isnt/is rejected with p = 0.405(0.001)


BP test isnt rejected with p = 0.069
Hausman test of FE(BE) vs RE is not rejected : p=0.805(0.892)

0.010(0.007) 0.022(0.010) 0.023(0.010)


-1.532(0.579) 0.344(1.824) -0.372(1.844)
0.016(0.000) 0.180(0.032) 0.166(0.0323)

F -test of FE(BE) isnt/is rejected with p = 0.086(0.004)


BP test is rejected with p < 7.598e 07
Hausman test of FE(BE) vs RE is/isnt rejected : p=4.816e-09(0.098)

0.059(0.030)
1.881(3.260)
0.130(0.049)

0.044(0.034)
2.092(3.391)
0.145(0.060)

0.289(0.120)
8.783(14.495)
0.313(0.162)

0.034(0.011) 0.024(0.012)
-0.838(4.793) -1.673(4.873)
0.250(0.083) 0.271(0.083)

sv
rij
0.030(0.023)
pij 0.747(2.767)
lij 0.146(0.043)

0.017(0.025)
0.468(2.808)
0.153(0.050)

0.134(0.077)
-0.519(25.346)
0.070(0.161)

0.019(0.009)
1.190(4.655)
0.360(0.068)

sv
rij
0.010(0.041)
pij 1.215(2.897)
lij 0.139(0.045)

0.026(0.043)
1.423(3.004)
0.102(0.053)

-0.001(0.180)
-2.391(15.818)
0.250(0.130)

0.045(0.010) 0.026(0.011)
-4.993(4.778) -5.268(4.945)
0.292(0.085) 0.301(0.087)

0.104(0.026)
-7.679(13.858)
-0.041(0.307)

sv
rij
0.021(0.034) -0.040( 0.040)
pij -1.763(4.102) 0.187(4.139)
lij 0.196(0.064) 0.207(0.080)

0.139(0.063)
1.636(18.805)
0.202(0.099)

0.033(0.010) 0.035(0.010)
-2.938(2.634) -2.043(2.687)
0.101(0.045) 0.089(0.046)

0.108(0.020)
-16.479(7.772)
0.068(0.129)

sv
rij
-0.029(0.047) -0.039(0.050)
pij 6.467(2.777) 5.325(2.684)
lij 0.141(0.037) 0.166(0.042)

-0.407(0.225) -0.034(0.048) -0.027(0.015) -0.029(0.015)


56.056(25.274) 5.913(2.673) 5.532(3.724) -6.105(3.908)
0.324(0.182)
0.151(0.039) 0.102(0.065) 0.119(0.068)

0.036(0.052)
8.960(12.405)
-0.062(0.186)

10

sv
rij
pij
lij

F -test of FE(BE) isnt/is rejected with p = 0.617(0.008)


BP test is rejected with p = 0.000
-

F -test of FE(BE) isnt/is rejected with p = 0.589(0.007)


BP test is rejected with p = 1.148e 06
-

F -test of FE(BE) isnt/is rejected with p = 0.712(0.012)


BP test is rejected with p = 0.001
-

F -test of FE(BE) isnt/is rejected with p = 0.179(0.012)


BP test is rejected with p = 6.999e 07
-

sv
rij
pij
lij

sv
rij
pij
lij

F -test of FE(BE) isnt/is rejected with p = 0.102(0.005)


BP test is rejected with p = 5.708e 08
Hausman test of FE(BE) vs RE is rejected : p=0.000(0.012)

F -test of FE(BE) is rejected with p = 0.008(0.006)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is rejected with p = 3.98e 05(0.015)

F -test of FE(BE) is/isnt rejected with p = 0.451(0.000)


BP test isnt rejected with p = 0.079
-

F -test of FE(BE) isnt/is rejected with p = 0.238(0.000)


BP test is rejected with p = 0.002
-

F -test of FE(BE) is/isnt rejected with p = 0.025(0.142)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE isnt/is rejected with p = 0.410(0.024)

0.005(0.029)
1.668(2.794)
0.214(0.048)

0.003(0.032)
1.625(2.895)
0.220(0.055)

0.022(0.066)
5.348(16.131)
0.215(0.124)

F -test of FE(BE) isnt/is rejected with p = 0.940(0.004)


BP test isnt rejected with p = 0.610
-

0.021(0.024) 0.028(0.028)
0.026(0.054)
-3.242(2.158) -2.965(2.196) -18.734(14.619)
0.137(0.039) 0.118(0.044)
0.185(0.091)

F -test of FE(BE) isnt/is rejected with p = 0.68(0.00)


BP test is rejected with p < 2.2e 16
-

sv
rij
0.006(0.023)
pij 0.253(0.975)
11 lij 0.034(0.017)

-0.164(0.055)
0.005(0.946)
0.064(0.019)

-0.003( 0.047)
7.435(4.444)
-0.002(0.035)

F -test of FE(BE) isnt/is rejected with p = 0.404(0.000)


BP test is rejected with = 2.129e 10
-

F -test of FE(BE) isnt/is rejected with p = 0.841(0.001)


BP test isnt rejected with p = 0.747
-

0.029(0.009) 0.023(0.010)
-3.580(3.299) -2.550(3.313)
0.199(0.058) 0.200(0.059)

0.106(0.045)
-35.691(21.734)
-0.316(0.414)

0.027(0.010)
-3.204( 3.283)
0.201(0.058)

0.035(0.012)
3.764(2.903)
0.251(0.045)

0.093(0.028)
-35.556(16.157)
-0.118(0.277)

0.033(0.012)
4.306(2.891)
0.253( 0.045)

0.028(0.028)
-2.485(9.111)
-0.083(0.203)

0.033(0.006)
-0.046(1.541)
0.147(0.031)

0.039(0.011)
-54.623(50.122)
-0.148(0.534)

0.023(0.028)
-1.032(3.173)
0.152(0.055)

4.0e-02(5.8e-03)
1.0e+01(2.0e+01)
1.7e-01(2.4e-01)

F -test of FE(BE) isnt/is rejected with p = 0.065(0.008)


BP test is rejected with p = 8.589e 07
Hausman test of FE(BE) vs RE is/isnt rejected with p = 0.037(0.153)

0.030(0.012)
5.893(2.929)
0.253(0.046)

F -test of FE(BE) is rejected with p = 0.024(0.005)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is rejected with p = 6.692e 10(8.947e 05)

-0.011(0.009) -0.015(0.010)
-0.087(1.451) -0.120( 1.470)
0.146(0.029) 0.145(0.030)

F -test of FE(BE) isnt/is rejected with p = 0.270(0.001)


BP test is rejected with p = 0.010
Hausman test of FE(BE) vs RE isnt rejected with p = 0.144(0.816)

sv
rij
0.024(0.027) -0.051(0.050)
pij -1.015(3.174) -1.920(3.222)
12 lij 0.152(0.055) 0.186(0.059)

0.228(0.173)
0.023(0.028) -0.002(0.008) -0.013(0.011)
-2.247(18.784) -1.032(3.173) 4.505(3.248) 4.452(3.246)
0.036(0.183)
0.152(0.055) 0.338(0.074) 0.337(0.077)

sv
rij
0.031(0.024)
pij 0.518(2.923)
13 lij 0.131(0.049)

0.092(0.054)
2.638(14.724)
0.081(0.115)

F -test of FE(BE) isnt/is rejected with p = 0.523(0.015)


BP test is rejected with p = 0.000
Hausman test of FE(BE) vs RE is not rejected : p=0.986(0.987)

0.025(0.026)
0.438(3.021)
0.143(0.058)

F -test of FE(BE) isnt rejected with p = 0.834(0.003)


BP test isnt rejected with p = 0.944

F -test of FE(BE) is rejected with p = 0.053(0.009)


BP test is rejected with p = 4.204e 10
Hausman test of FE(BE) vs RE isnt rejected : p = 0.670(0.692)

0.021(0.005)
0.192(4.449)
0.514(0.089)

0.016(0.007)
0.390(4.505)
0.526(0.092)

F -test of FE(BE) is rejected with p = 0.727(9.798e 05)


BP test isnt rejected with p = 0.650

89

V. Borodin

Tableau 6.4 Estimations des modles de rgression base sur donnes de panel : bl dhiver et colza
Bl dhiver

silo

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
lij

sv
rij
pij
10 lij

11

sv
rij
pij
lij

sv
rij
pij
12 lij

Colza

Pooled OLS
0.019(0.004)
4.492(5.168)
0.365(0.103)

FE-within
BE
0.025(0.005)
0.001(0.010)
4.914(5.171) -30.535(37.665)
0.412(0.105) -0.525(0.535)

RE
-

Pooled OLS
0.062(0.014)
3.113(3.461)
0.225(0.063)

FE-within
BE
RE
0.061(0.015) 0.054( 0.071) 0.061(0.014)
3.675(3.535) -25.498(27.486) 3.225(3.468)
0.221(0.068)
0.122(0.302)
0.226(0.064)

0.039(0.008)
3.577(3.909)
0.278(0.079)

0.039(0.008)
0.031(0.038)
2.610( 3.939) 60.543(33.380)
0.294(0.081)
0.516(0.459)

0.039(0.008)
3.478(3.908)
0.279(0.079)

0.096(0.015)
2.655(1.831)
0.113(0.033)

0.095(0.015)
2.971(1.880)
0.115(0.035)

0.105(0.073)
-5.807(10.584)
0.106(0.156)

0.095(0.015)
2.716(1.835)
0.114(0.034)

0.046(0.010)
-0.944(2.395)
0.314(0.049)

0.045(0.010) 0.045( 0.036)


-0.642(2.429) -20.338(17.420)
0.3169(0.052) 0.223(0.204)

0.035(0.015) 0.0315(0.016)
0.464(1.057) 0.700(1.051)
0.055(0.016) 0.070(0.018)

0.068(0.064)
-7.296(8.870)
-0.016(0.051)

0.033(0.016)
0.580(1.040)
0.063(0.017)

0.046(0.010)
0.981(5.439)
0.407(0.096)

0.048(0.010)
0.034(0.082)
-0.915(5.479) 43.719(35.920)
0.448(0.098)
0.032(0.667)

0.047(0.010)
0.138(5.416)
0.429(0.096)

0.018(0.018)
4.041(2.533)
0.158(0.045)

0.004(0.022)
4.448(2.654)
0.174(0.050)

0.061(0.007)
-1.896(2.018)
0.008(0.025)

0.023(0.011)
-3.306(5.036)
0.309(0.093)

0.017(0.012)
0.049(0.058)
0.021(0.012) -0.032(0.035) 0.055(0.027)
-2.586(5.127) -20.051(42.326) -3.102(5.032) 3.084(2.174) 2.544(2.409)
0.355(0.095) -0.321(0.574) 0.322(0.093) 0.127(0.044) 0.189(0.050)

-0.032(0.076)
11.111(8.984)
0.120(0.151)

0.030(0.014)
0.915(3.717)
0.338(0.071)

0.028(0.014)
0.026(0.040)
-0.977(3.861) 20.907(15.705)
0.357(0.072)
0.246(0.364)

0.021(0.012)
-2.127(5.110)
0.458(0.097)

0.028(0.012)
-2.751(5.224)
0.499(0.100)

-0.030(0.034)
-4.701(20.760)
-0.014(0.374)

0.056(0.013)
-0.265(3.237)
0.214(0.062)

F -test of FE(BE) isnt/is rejected with p = 0.08(8.191e 05)


BP test is rejected with p = 0.03
-

F -test of FE(BE) isnt/is rejected with p = 0.352(0.001)


BP test is rejected with p = 0.000
Hausman test of FE(BE) vs RE isnt rejected : p = 0.358(0.786)

F -test of FE(BE) isnt/is rejected with p = 0.720(0.002)


BP test isnt rejected with p = 0.129
-

F -test of FE(BE) is rejected with p = 0.0.054(0.014)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is not rejected : p = 0.304(0.499)

F -test of FE(BE) isnt/is rejected with p = 0.300(0.003)


BP test isnt rejected with p = 0.111
Hausman test of FE(BE) vs RE is rejected : p = 0.000(4.366e 06)

F -test of FE(BE) isnt/is rejected with p = 0.510(0.010)


BP test is rejected with p = 0.004
Hausman test of FE(BE) vs RE isnt/is rejected : p = 0.930(0.058)

F -test of FE(BE) isnt/is rejected with p = 0.571(0.008)


BP test is rejected with p = 0.042
Hausman test of FE(BE) vs RE isnt rejected : p = 0.938(0.780)

F -test of FE(BE) isnt/is rejected with p = 0.060(0.013)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is not rejected : p=0.487(0.285)

F -test of FE(BE) isnt/is rejected with p = 0.836(6.78e 06)


BP test isnt rejected with p = 0.476
-

F -test of FE(BE) isnt/is rejected with p = 0.530(0.010)


BP test isnt rejected with p = 0.094
-

0.068(0.020)
3.772(2.044)
0.114(0.033)

0.065(0.021)
4.120(2.155)
0.114(0.035)

0.168(0.136)
-3.644(11.301)
0.027(0.219)

0.067(0.020)
3.908(2.071)
0.115(0.033)

0.051(0.018)
5.022(3.077)
0.147(0.049)

0.055(0.019)
5.163(3.244)
0.147(0.057)

0.048(0.066)
4.437(13.962)
0.195(0.135)

0.053(0.018)
5.026(3.102)
0.151(0.050)

0.054(0.015)
-0.760(3.330)
0.235(0.063)

0.070(0.042)
0.055(0.013) -0.005(0.017) 0.003(0.019)
-3.388(17.460) -0.306(3.239) 2.184(1.891) 1.914(2.053)
-0.266(0.366) 0.217(0.062) 0.132(0.029) 0.152(0.031)

-0.042(0.033)
-0.814(3.218)
-0.064(0.065)

0.053(0.011)
4.627(5.144)
0.266(0.083)

0.055(0.011)
4.361(5.271)
0.300(0.086)

0.053(0.048)
17.898(23.913)
-0.224(0.228)

0.040(0.023)
4.520(2.693)
0.109(0.049)

0.079(0.080)
7.270(12.736)
0.130(0.167)

0.044(0.022)
4.872(2.539)
0.103(0.043)

0.027(0.009)
5.384(4.222)
0.381(0.069)

0.026( 0.010) 0.059(0.052)


4.721(4.299) 23.382(34.521)
0.395(0.070)
0.249(0.494)

0.026(0.009)
5.087(4.225)
0.389(0.069)

0.055(0.018) 0.049(0.020)
0.234(1.325) -0.432(1.373)
0.095(0.026) 0.028(0.020)

0.102(0.068)
6.594(6.101)
0.055(0.123)

0.055(0.018)
0.055(0.0189)
0.136(1.328)

0.077(0.011)
0.402(2.668)
0.232(0.056)

0.073(0.011)
0.010(0.178)
-0.326(2.679) 42.982(55.349)
0.248(0.058)
0.226(0.417)

0.076(0.011)
0.178(2.657)
0.235(0.057)

0.036(0.014)
1.687(1.052)
0.075(0.020)

0.027(0.016)
1.829(1.054)
0.070(0.020)

0.102(0.065)
-1.861(9.189)
0.085(0.133)

0.031(0.015)
1.740( 1.038)
0.072(0.020)

0.047(0.010)
2.405(5.404)
0.627(0.116)

0.049(0.010)
1.825(5.387)
0.690(0.119)

0.048(0.010)
2.173(5.354)
0.659(0.116)

0.048(0.010)
2.173(5.354)
0.659(0.116)

0.070(0.016)
1.337(1.352)
0.052(0.027)

0.078(0.025)
1.592(1.405)
0.076(0.030)

0.064(0.015)
-5.381(3.997)
-0.094(0.044)

0.032(0.015)
8.537(31.654)
0.237(0.494)

0.047(0.015)
2.324(2.004)
0.077(0.032)

0.044(0.016)
2.463(2.086)
0.083(0.034)

0.067 (0.026)
-1.924(6.477)
-0.027(0.079)

F -test of FE(BE) isnt/is rejected with p = 0.448(0.003)


BP test is not rejected with p = 0.083
-

F -test of FE(BE) isnt/is rejected with p = 0.332(0.001)


BP test is not rejected with p = 0.478
-

F -test of FE(BE) isnt/is rejected with p = 0.372(0.006)


BP test is rejected with p = 0.009
Hausman test of FE(BE) vs RE isnt rejected with p = 0.504(0.071)

F -test of FE(BE) isnt/is rejected with p = 0.548(0.001)


BP test isnt rejected with p = 0.559
-

F -test of FE(BE) isnt/is rejected with p = 0.156(0.010)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is not rejected : p = 0.85(0.81)

F -test of FE(BE) isnt/is rejected with p = 0.180(0.007)


BP test is rejected with p = 0.000
Hausman test of FE(BE) vs RE is not rejected : p = 0.363(0.201)

F -test of FE(BE) isnt/is rejected with p = 0.112(0.009)


BP test is rejected with p = 0.002
Hausman test of FE(BE) vs RE isnt rejected : p = 0.533(0.671)

sv
rij
3.1e-02(7.74e-03) 0.030(0.008)
pij 8.34e+00(7.50e+00) 8.896(7.814)
13 lij 2.70e-03(1.32e-01) -0.012(0.138)

F -test of FE(BE) isnt/is rejected with p = 0.938(0.000)


BP test isnt rejected with p = 0.271
-

90

F -test of FE(BE) isnt/is rejected with p = 0.151(0.032)


BP test is rejected with p = 4.813e 09
Hausman test of FE(BE) vs RE isnt rejected : p = 0.965(0.977)

F -test of FE(BE) isnt/is rejected with p = 0.588(0.032)


BP test isnt rejected with p = 0.140
Hausman test of FE(BE) vs RE isnt rejected : p = 0.989(0.916)

F -test of FE(BE) isnt/is rejected with p = 0.631(0.000)


BP test isnt rejected with p = 0.439
-

0.045(0.022)
5.014(2.520)
0.101(0.042)

F -test of FE(BE) isnt/is rejected with p = 0.573(0.016)


BP test isnt rejected with p = 0.117
Hausman test of FE(BE) vs RE is rejected with p = 0.946(0.927)

F -test of FE(BE) isnt/is rejected with p = 0.23(3.75e 12)


BP test is rejected with p = 3.75e 12
Hausman test of FE(BE) vs RE isnt/is rejected : p = 0.20(0.05)

F -test of FE(BE) is/isnt rejected with p = 0.020(0.066)


BP test is rejected with p < 2.2e 16
Hausman test of FE(BE) vs RE is not rejected : p = 0.774(0.912)

F -test of FE(BE) isnt/is rejected with p = 0.547(0.001)


BP test is rejected with p = 0.013
-

F -test of FE(BE) isnt/is rejected with p = 0.968(0.000)


BP test is rejected with p = 0.147
-

Techniques statistiques de prvision des livraisons

Tableau 6.5 Prvisions hors-chantillon (2013) bases sur un chantillon de 8 campagnes agricoles (20052012) pour lorge de printemps et lorge dhiver : qualit dajustement

119.46
256.37
10.21
70.57
208.17
73.36
151.66
29.73
161.95
135.45
65.01
100.69
110.64

.84
.25
.70
.69
.67
.93
.82
.27
.13
.76
.18
.13
.94

.67
.67
.50
.57
.63
.82
.63
.55
.80
.71
.74
.81
.59

501.43
367.80
138.47
308.13
358.62
122.41
370.62
132.58
206.63
209.91
92.20
267.05
291.96

251.82
251.82
111.82
231.80
107.46
109.03
199.31
119.94
235.21
96.93
130.30
167.48
257.69

PD

PD

PD

PD
93.54
122.32
3.26
120.06
185.50
116.72
124.88
76.21
92.96
74.02
74.02
111.49
126.09

682.66
560.27
228.56
366.12
435.44
168.81
446.07
150.15
279.25
244.00
114.88
379.17
424.26

MARS

62.42
213.43
8.14
54.97
200.14
59.58
119.20
26.58
156.54
116.22
49.71
83.42
70.77

RMSE
MARS

68.76
98.47
2.49
83.76
161.81
106.30
104.19
70.19
87.09
52.92
52.92
96.68
86.47

MAE

MARS

.40
.57
.96
.53
.75
.39
.52
.67
.44
.64
.30
.72
.72

R
MARS

.95
.92
.93
.60
.55
.78
.76
.22
.62
.72
.72
.16
.65

Orge dhiver
RMSE

MARS

1
2
3
4
5
6
7
8
9
10
11
12
13

MAE
PD

PD

MARS

silo

Orge de printemps
2

366.69
366.69
213.80
301.06
156.40
151.93
281.66
136.99
346.47
140.78
177.23
297.22
455.70

Reste prsent comparer la capacit de prvision des modles de panel ainsi tablis avec la rgression
multivarie par splines adaptative.

6.4.2

Prvisions et validation

Comparons la capacit de prvision des modles candidats bass sur les donnes de panel dtermins
dans la sous-section prcdente sur une campagne agricole hors-chantillon, i.e. celle correspondante
la saison de rcolte 2013. Il sagit de 52 panels, un pour chaque silo de stockage et pour chacune des 4
sous-familles de crales (orge dhiver, orge de printemps, bl dhiver, colza).
valuons donc lefficacit de ces mthodes par lintermdiaire de trois indicateurs :
p le coefficient de corrlation (R2 ) : dtermine la corrlation linaire entre les prvisions et les observations relles ;
p lerreur moyenne quadratique (RMSE) : mesure lcart de prdiction par rapport lobservation relle,
calcule en tant que racine carre de lcart quadratique moyen ;
p lerreur absolue moyenne (MAE) : reprsente lcart moyen des prdictions par rapport aux observations relles, dnotant ainsi la magnitude moyenne des erreurs dans lensemble des prvisions.
Les tableaux 6.6 et 6.5 donnent les statistiques sur la performance de prvision de livraisons journalires
pour la campagne agricole 2013, du modle MARS et du modle le plus adapt bas sur donnes de panel slectionn antrieurement (cf. sous-section 6.4.1). Ni la mthode multivarie par splines adaptatives
ni les modles bass sur donnes de panel ne reprsente le comportement de livraison des agriculteurs
adquatement pour tous les silos et pour toutes les sous-familles en mme temps. En guise dexemple, le
modle bas sur donnes de panel capture mieux le comportement des agriculteurs et fournit des prvir
wb
wb
sb
2
sions plus prcises que MARS pour les wb
9 , 4 , 2 , 7 , 9 conformment aux trois indicateurs R ,
MAE et RMSE. En revanche, la slection et llagage des fonctions de base rend MARS particulirement
wb
sb
puissantes pour les wb
8 , 12 , 12 , etc.
91

V. Borodin

Tableau 6.6 Prvisions hors-chantillon (2013) bases sur un chantillon de 8 campagnes agricoles (20052012) pour le bl dhiver et colza : qualit dajustement

904.36
257.57
172.43
390.94
301.33
315.56
212.91
253.83
347.69
359.56
381.37
264.83
689.33

.52
.22
.10
.96
.31
.16
.43
.34
.26
.54
.53
.90
.72

.69
.67
.61
.55
.87
.75
.81
.75
.51
.72
.58
.80
.80

204.07
173.60
38.65
73.74
99.18
123.49
181.93
67.22
65.84
83.95
83.95
46.32
79.89

126.95
251.61
30.34
87.53
71.74
150.13
149.62
66.89
50.48
68.65
62.26
28.68
51.96

PD

PD

PD

PD
781.96
374.29
197.05
440.15
434.76
290.55
377.58
325.88
343.46
397.05
397.05
441.63
831.22

252.46
253.30
54.16
91.19
117.92
156.20
219.56
91.54
79.19
97.27
97.27
54.59
123.94

MARS

467.70
142.36
111.67
320.70
235.40
236.14
160.57
168.16
312.41
201.08
234.22
210.87
521.38

RMSE
MARS

448.06
239.52
164.78
362.56
378.37
214.89
304.51
231.19
272.56
265.05
265.05
364.32
626.63

MAE

MARS

.78
.50
.75
.49
.55
.57
0.69
.58
.42
.81
.74
.78
.60

R
MARS

.29
.11
.66
. .20
.37
.46
.20
.17
.35
.16
.16
.25
.57

RMSE
MARS

1
2
3
4
5
6
7
8
9
10
11
12
13

Colza

MAE
PD

PD

MARS

silo

Bl dhiver
2

151.81
312.06
51.14
129.02
97.92
176.38
190.14
89.97
72.55
76.72
73.64
37.24
77.36

Bien que la mthodologie propose fournit une analyse pertinente et des rsultats prdictifs rassurants,
ces derniers peuvent encore tre amliors en utilisant des donnes mtorologiques plus rigoureuses,
notamment pour les silos 2, 7, 9, 10, 11, qui sont relativement loigns de la station mtorologique Troyes
Barberey (1002). De toute faon, tel que le montre les exprimentations numriques, la conjugaison entre
ces deux approches permet de dcrire plus fidlement les quantits journalires livres dans chaque silo de
stockage pendant une campagne agricole, en sappuyant bien entendu sur des donnes historiques.

6.5

Conclusions

Dans ce chapitre nous avons tudi la dynamique journalire de livraisons de crales effectues par un
ensemble dagriculteurs. Cet examen a t ralis laide de modles bases sur donnes de panel et la
rgression multivarie par splines adaptatives, tout en tenant compte de la rpercussion des conditions
mtorologiques sur le droulement de la moisson. Nombreuses exprimentations numriques ont t
galement menes en se basant sur de donnes issues de ltude de cas vis par cette thse. Celles-ci
montrent des rsultats fiables quant aux prvisions des quantits de livraison journalires dans les silos
de stockage, facilitant ainsi lorganisation oprationnelle de rception des crales pendant la priode de
rcolte.

92

Chapitre

Planification des oprations de vidage des silos de


collecte

Cultiver les meilleurs produits en veillant chaque jour la protection des cultures et la
transmission de bonnes pratiques pour protger la sant des utilisateurs et de lenvironnement,
tel est lenjeu de lagriculture de demain dont la SCARA se veut tre un bel ambassadeur...
Jean-Pierre FLOGNY, Prsident, SCARA

Sommaire
7.1
7.2
7.3

7.4
7.5

7.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Description du problme et modlisation mathmatique . . . . . . . . . . . .
Mthodologie de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.1 Incertitude sur les coefficients de la fonction-objectif . . . . . . . . . . . . . .
7.3.2 Incertitude sur les coefficients du second membre . . . . . . . . . . . . . . . .
7.3.3 Approche combine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

93
95
99
99
100
101
102
103

Introduction

Lactivit de la rcolte proprement dite, implique la participation de deux partenaires, les producteurs
et les organismes de stockage, qui sont en interaction mais qui grent et organisent indpendamment
les oprations qui les concernent. Mettant en lumire les proccupations des premiers, orientes en outre
vers les services des agriculteurs, dans ce chapitre nous nous intressons alors la planification des oprations de vidage des silos de collecte. Incontestablement, la logistique et le transport sont des composantes
primordiales tout systme agricole, tel que stipul par Ahumada and Villalobos (2009).
En vue dassurer une rception fluide et un stockage adquat auprs des silos de collecte un transfert
rgulier (journalier) des crales vers les silos dexpdition, est organis (cf. chapitre 3). ce propos, il
93

V. Borodin

convient dapporter une prcision : par un stockage appropri, non seulement la mise en stock labri des
facteurs daltrations est sous-entendu, mais galement un allotement des crales selon plusieurs critres
(compatibilit varitale, taux de protines, humidit, pourcentage des grains germes, etc.) ou respect de
tout autre cahiers de charges spcifiques.
Sans disposer daucune information exacte relative aux modes dorganisation et aux dbits des chantiers
agricoles, la cooprative se veut toutefois emphatique et ractive aux services des agriculteurs. Cest le
moment donc dexploiter les contributions apportes dans le chapitre prcdant en matire de caractrisation chiffre et comprhension du comportement de livraison des agriculteurs pendant la priode de
rcolte.
En absence de loi de probabilit dcrivant les quantits livres, nous nous contentons dans ce chapitre
de les avoir reprsentes sous forme dintervalles continus, fournis par des techniques statistiques de
prvisions (cf. chapitre 6). Cela nous a permis de faire appel la programmation robuste par intervalles,
pour guider ainsi la planification journalire de vidage des silos de collecte, en anticipant les besoins quant
la capacit de stockage et aux possibilits dallotement.
Introduite par Dantzig (1955), loptimisation robuste sintresse la rsolution des problmes entachs
dincertitudes, sans pour autant recourir aux modles probabilistes. Dans la littrature, ce paradigme de
programmation sarticule essentiellement autour des problmes comportant lincertitude : soit, dans les
coefficients de la fonction-objectif, soit dans les coefficients qui interviennent dans les contraintes.
Quant la premire famille de problmes, la dmarche rside dans la recherche dune solution qualifie de
robuste avant la rvlation des paramtres incertains, qui varient dans un domaine dincertitudes connus
lavance (Averbakh, 2000, 2001). Pour y parvenir, deux critres sont couramment utiliss dans la littrature, savoir : le critre du pire cas (robustesse absolue) et le critre du meilleur cas. Appliquer le critre
du pire cas revient sintresser une solution optimisant sa pire valeur. Ce critre convient aux dcideurs conservateurs, qui vitent dendosser tout risque portant sur lvaluation du problme. A contrario,
appliquer le critre du meilleur cas consiste rechercher une solution qui optimise sa meilleure valeur ;
critre fournissant la valeur la plus optimiste de la fonction-objectif.
Lorsque lincertitude pse sur les coefficients qui interviennent dans les contraintes, i.e. dans les membres
droit et/ou gauche, le concept de robustesse prend alors un autre sens. En effet, tre robuste revient
garantir sa faisabilit pour toutes les manifestations dincertitudes pouvant se produire. Spcialement
ddies traiter le cas particulier o lincertitude porte exclusivement sur la matrice technologique, trois
approches sont devenues particulirement populaires : lapproche de Soyster (1973), lapproche de BenTal and Nemirovski (1999), et celle de Bertsimas and Sim (2004). En revanche, le cas o lincertitude porte
uniquement sur les coefficients du second membre est souvent abord via la thorie de la dualit (Minoux,
2009; Gabrel et al., 2008, 2010).
Sans ignorer lattractivit quelle prsente en matire dexigence sur la compltude dinformation en entres, notre connaissance, la programmation par intervalles a fait lobjet dun nombre assez modeste
dapplications industrielles, notamment dans le secteur de lagriculture (cf. chapitre 2). Par souci de justesse toutefois, il convient de citer les problmes spcifiques ayant t traits via la programmation par
intervalles dans un contexte de recherche, savoir, le problme de plus court chemin (Yaman et al., 2001;
Kasperski and Zielinski, 2006), le problme de larbre couvrant minimum (Yu, 1996), le problme du sac-dos (Taniguchi et al., 2008), problme dallocation de ressources (Averbakh and Lebedev, 2004), problme
de voyageur de commerce (Montemanni et al., 2007), etc.
94

Planification des oprations de vidage des silos de collecte

Avec ce chapitre, nous avons lintention principalement, de rsoudre le problme de planification des
oprations de vidage des silos de collecte, de contribuer au transfert des avances thoriques rcemment
obtenues dans le cadre de loptimisation robuste par intervalles, vers le domaine de lagriculture. Dans cette
perspective, le reste de ce chapitre sarticule en quatre sections. Aprs avoir pos le contexte du problme
sous tude dans ce chapitre, la section 7.2 procde sa modlisation mathmatique sous la forme dun
programme doptimisation robuste avec intervalles, o lincertitude affecte la fois les coefficients de la
fonction-objectif et ceux du second membre des contraintes. En appliquant les critres du pire cas et du
meilleur cas, la section 7.3 met lincertitude sur la fonction-objectif (valuation) versus lincertitude sur
le second membre (faisabilit). Les exprimentations numriques menes dans ce sens sont commentes
dans la section 7.4. Enfin, dans la dernire section, nous concluons ce chapitre en soulevant lintrt et les
limitations de lapproche propose.

7.2

Description du problme et modlisation mathmatique

Tel que mentionn prcdemment lors des chapitres prcdents, en vue dassurer une rception fluide et
adquate auprs des silos de collecte pendant la priode de rcolte, un transfert vers les silos dexpdition
est rgulirement organis. Ceci doit se faire dune manire :
p assurer une capacit suffisante de stockage afin de pouvoir collecter toutes les livraisons des agriculteurs ;
p permettre de rpondre convenablement aux critres qualitatifs imposs lors du stockage (scurit
sanitaire des crales, allotement, cahiers de charges spcifiques, sgrgation adapte aux dbouchs
commerciaux, etc.) ;
p respecter un ensemble de contraintes en matire de traabilit, rglementations exiges par le code
du travail, etc.
Pour ce faire, une flotte htrogne et limite de K vhicules, pralablement dimensionne, est ddie
vider rgulirement les silos de collecte b (b B), dont les cellules c (c Cb ) se remplissent rapidement au fur et mesure que la rcolte avance. Dsignons alors par gk la capacit de chaque vhicule k
(k K). Une fois les capacits suffisantes de stockage sont assures dans chaque silo de collecte pour
rpondre limpratif du lendemain, la flotte de vhicules peut alors continuer le processus de vidage des
cellules en vue danticiper les futurs besoins en matire de demande de livraison. Sachant que les capacits et le nombre de cellules des silos de collecte sont assez limits par rapport la gamme de varits et
quantit journalire totale satisfaire, soit donc p une priode relativement courte, permettant de grer
convenablement lopration de vidage.
la recherche de solutions pertinentes et oprationnelles, il nous semble assez raisonnable de plaider
pour une approche priode par priode, nous permettant de prendre ainsi dattitude pour le lendemain en
fonction des niveaux de stocks constats dans les silos de collecte au moment de la prise de dcision.
notre sens, celle-ci est mieux adapte quune approche multi-priodique, compte tenu en outre de la forte
variabilit mtorologique. Plus prcisment, il sagit de planifier priode par priode (jour par jour), les
multiple trajets ncessaires afin de garantir une capacit suffisante de stockage wcbv dans les cellules c
(c Cb ) de chaque silo de collecte b (b B), capable de recevoir adquatement les quantits livres
de diffrentes varits v (v V ). En relation avec les quantits prvues pour tre livres pendant les p
priodes de temps suivantes et les niveaux de stocks scbv dans les cellules c (c Cb ) des silos de collecte
95

V. Borodin

b (b B), cette planification doit se faire dune faon minimiser les quantits potentielles non-stockes
de manire approprie, pour rpondre ainsi le plus fidlement possible aux exigences prescrites vis--vis
de lopration de stockage.
Tableau 7.1 Planification des oprations de vidage des silos de collecte : notations
Paramtres :
v, v V
varit de crales
b, b B
silo de collecte
e, e E
silo dexpdition
k, k K vhicule
c, c Cb cellule du silo de collecte b
p, p P
horizon de temps court
Donnes dterministes :
scbv
niveau de stocks en varit v dans la cellule c du silo de collecte b au dbut de la priode de planification
ucb
capacit de la cellule c du silo de collecte b
hcbv
prend la valeur 1, sil est possible de stocker dans la cellule c la varit v, et 0 sinon
rv0 v00
prend la valeur 1, si les varits v 0 et v 00 sont compatibles, et 0 sinon
gk
capacit du vhicule k
teb
dure du trajet entre le silo dexpdition e et le silo de collecte b
tl
temps de chargement
tu
temps de dchargement
T
temps de travail quotidien
M
grande constante (e.g. suprieure ou gale ucb )
Donnes incertaines :

qbv
quantit de varit v prvue pour tre livre dans le silo de collecte b au cours de la priode de
temps suivante

qbv
quantit de varit v prvue pour tre livre dans le silo de collecte b au cours de p priodes de
temps suivantes
Variables :
ycb
quantit de la cellule c provenant du silo de collecte b transfrer
zcbv
prend la valeur 1, si la cellule c du silo de collecte b contient la varit v
wcbv
capacit disponible pour stocker la varit v de la cellule c du silo satellite b
xkcbe
nombre dallers-retours entre les silos b et e ncessaire pour vider la quantit ycb provenant de la
cellule c du silo b
fvb
quantit excdentaire de varit v du silo b, calcule par rapport aux niveaux de stocks du silo b au

moment de la prise de dcision et la quantit qbv

Dans la plupart des cas, sauf contrainte particulire impose sur certaines varits, les agriculteurs livrent
leurs rcoltes lunit de stockage la plus proche. Les quantits quotidiennes rceptionner par chaque silo
ne sont connues quaprs leurs arrives. la faveur de lanalyse statistique prvisionnelle de lvolution au
cours de temps des livraisons journalires auprs de chaque silo (cf. chapitre 6), il est possible de disposer
quand mme dune information approximative sous forme dintervalles. Il convient de noter ce titre, que
la rpercussion de la mto sur le processus davancement de lactivit de rcolte et le comportement des
agriculteurs est implicitement prise en compte par les techniques statistiques de prvision.

Dnotons donc, sous forme dintervalle, par qbv


la quantit journalire de varit v prvue pour tre livre

dans le silo de collecte b le lendemain, o qbv


= [qbv
, qbv ], qbv
qbv
. Considrons de plus, qbv
la quantit

96

Planification des oprations de vidage des silos de collecte

totale de varit v (v V ) prvue pour tre livre dans les p priodes de temps suivantes dans le silo de

+
collecte b (b B), o qbv
= [
qbv
, qbv ], qbv
qbv
Avant de procder la modlisation du problme, il convient de prciser les suppositions suivantes :
p Chaque vhicule peut transporter des biens craliers provenant uniquement dune seule cellule
dun silo de collecte par trajet.
p Le point de dpart dun vhicule est considr le premier silo de collecte figurant dans le planning
journalier de transfert. Ainsi, le trajet journalier multiple dun vhicule k commence au silo de
collecte b (point de dpart) et fini au silo dexpdition e (dpt), o b (b B) reprsente le
premier silo de collecte et e (e E) le dernier silo dexpdition dans le planning de transfert du
vhicule k (k K).
p Les rgimes de vitesse sont considrs donns et respects par tous les chauffeurs de vhicules.
p Aucun embouteillage nest craindre.
p Un chauffeur par vhicule par jour, le rgime de travail en 3x8 nest donc pas autoris.
p Rglemente par le code de travail, la dure lgale du travail est limite T (heures) par jour.
p La distance non-symtrique est considre entre tous les paires de points origine-destination. Le
temps teb , ncessaire pour effectuer le trajet entre un silo dexpdition e (e E) et un silo de
collecte b (b B) nest donc pas quivalent tbe .
p Le temps de chargement tl et respectivement celui de dchargement tu est considr donn et gale
pour tous les silos dexpdition et ceux de collecte.
Ces conditions tant poses, considrons la variable de dcision entire xkcbe , qui indique le nombre dallersretours effectuer par le vhicule k entre le silo de collecte b et le silo dexpdition e, ncessaire pour
vider la quantit ycb provenant de la cellule c du silo de collecte b. Au mme titre, dnotons par wcbv la
variable relle de dcision, qui reprsente la capacit disponible de la cellule c du silo de collecte b, pouvant
rceptionner la varit v au respect de la compatibilit cellule-varit prescrite hcv et dans la limite de sa
capacit totale ucb .
En vue de tenir compte des aspects de diffrenciation lors du stockage (sgrgation et/ou allotement
des crales, relation nature-espce et /ou cellule-varit), les valeurs suivantes sont galement supposes
connues outre les donnes prcdentes. Ainsi, hcbv exprime la compatibilit cellule-varit, en prenant la
valeur 1 si la cellule c du silo de collecte b est autorise rceptionner la varit v et 0, sinon. Dans le
mme esprit, la compatibilit inter-varitale est dfinie travers la donne rv0 v00 qui vaut 1, si les varits
v 0 et v 00 sont compatibles et 0, sinon. Deux varits sont considres compatibles, si elles peuvent tre
stockes dans une mme cellule.
La variable positive de dcision fvb dsigne la quantit excdentaire de varit v (i.e. qui ne peut pas tre
stocke convenablement dans le silo b), dtermine en fonction de la quantit de varit v prvue pour

tre livre dans le silo de collecte b au cours de p priodes de temps suivantes qbv
, et la capacit totale
X
disponible en varit v dans le silo b au moment de la prise de dcision,
wcbv .
cCb

Visant prioritairement garantir un stockage conforme au lendemain, nous nous proposons galement de
guider le processus de vidage de faon prvenir les ventuelles quantits excdentaires susceptibles dtre
exposes des risques dun stockage inappropri auprs de lensemble de silos de collecte. En considrant
97

V. Borodin

les notations et les variables introduites ci-dessus (cf. tableau 7.1), un programme linaire par intervalles
est formalis cet gard, tel que suit :
XX

min

(7.1)

fvb

vV bB

sous contraintes :
X

fvb qbv

wcbv

v, b

(7.2)

v, b

(7.3)

b, c

(7.4)

v, b, c

(7.5)

cCb

wcbv qbv

cCb

ucb

scbv + ycb =

vV

wcbv

vV

wcbv M hcbv
1 + wcbv > zcbv
wcbv M zcbv

v, b, c

(7.6)

v, b, c

(7.7)

v , v (v 6= v ), b, c

(7.8)

c, b

(7.9)

(7.10)

wcbv 0

c, b, v

(7.11)

zcbv {0, 1}

c, b, v

(7.12)

ycb 0

b, c, k

(7.13)

xkcbe

e, b, c

(7.14)

v, b

(7.15)

zcbv0 + zcbv00 rv0 v00 + 1


XX
xkcbe gk ycb

00

00

kK eE

X XX

(teb + tbe + tl + tu ) xkcbe T

cCb bB eE

fvb 0

Les quantits excdentaires correspondant chaque type de varit sont calcules par les contraintes (7.2)
pour chaque silo de collecte, en tenant compte des niveaux des stocks au moment de la prise de dcision
et de la quantit totale prvue pour tre livre pendant les p priodes de temps suivantes. Les contraintes
(7.3) privilgient le stockage conforme aux quantits susceptibles dtre livres le lendemain dans chaque
silo de collecte. Les contraintes dquilibre de stocks dans chaque cellule de lensemble de silos de collecte
sont exprimes par (7.4). Les contraintes (7.5) supervisent le respect de la compatibilit cellule-varit. De
la mme manire, les contraintes (7.6) et (7.7) forcent chaque variable binaire zcbv valoir 1, si la cellule
c du silo de collecte b est rserve pour collecter la varit v le lendemain, et 0 sinon. Ces variables sont
prescrites au regard de la compatibilit inter-varitale du spectre de varits prconises dtre mises dans
la mme cellule, ceci tant exige via les contraintes (7.8).
Afin de garantir une capacit suffisante de stockage dans chaque silo de collecte b, les contraintes (7.9)
dclenchent un transfert de crales vers les silos dexpdition e, en utilisant la flotte de vhicules K. Les
contraintes (7.10) limitent T unit de temps (heures) la dure du travail de chaque chauffeur, donc de
chaque vhicule. La fonction-objectif (7.1) quant elle, cherche minimiser les quantits excdentaires
susceptibles dtre exposes des risques dun stockage inappropri auprs de lensemble de silos de
collecte.
98

Planification des oprations de vidage des silos de collecte

Dans le programme linaire par intervalles (7.1)-(7.15) prsent ci-dessous, lincertitude affecte la fois les
coefficients de la fonction-objectif et ceux du membre droit des contraintes. Autrement dit, lincertitude
porte en mme temps sur lvaluation et la faisabilit dune solution, dimensions du problme souvent
traites individuellement sous forme de cas spciaux (Hladk, 2009; Gabrel et al., 2008). En ce qui nous
concerne, nous tenterons, dans la prochaine section, dtudier la robustesse des solutions selon les critres
du pire cas et celui du meilleur cas appliqus conjointement par rapport lincertitude portant sur la
fonction-objectif et le second membre des contraintes du problme.

7.3

Mthodologie de rsolution

Confronts au programme linaire par intervalles (7.1)-(7.15) avec lincertitude affectant les coefficients
de la fonction-objectif et ceux du second membre, nous proposons dappliquer successivement les critres
du pire cas et celui du meilleur cas sur lvaluation et la faisabilit du problme afin de les combiner
ultrieurement.
Avant de procder ltablissement de versions doptimisation robuste, une dfinition simpose. Par souci
de clart, il convient de noter quune configuration (ou scnario) est dfinie comme tant une spcification
dune valeur unique de lintervalle pour chaque paramtre incertain du problme, fixe indpendamment
les unes des autres (Gabrel et al., 2008).

7.3.1

Incertitude sur les coefficients de la fonction-objectif

Soit X lensemble admissible de solutions ralisables du programme (7.1)-(7.15). Appliquer le critre du


pire cas (du meilleur cas) consiste valuer une solution x (x X) en retenant la configuration qui lui sera
la plus dfavorable (favorable). Le critre du pire cas est considr comme tant un critre de rfrence en
optimisation robuste, car son application sur un problme par intervalles permet dobtenir une solution
rsistant aux mieux aux variations dincertitudes dans leurs domaines de dfinition, une telle solution
tant qualifie de robuste (Gabrel et al., 2010). De surcrot, lapplication du critre du meilleur cas permet
de dcrire la plage de valeurs possibles de la fonction-objectif face aux ralisations dincertitude, donnant
ainsi un aperu sur les risques potentiels prendre dans le cas o la solution optimiste est retenue versus
celle pessimiste (Chinneck and Ramadan, 2000).
Soit donc x (x X) une solution ralisable du programme (7.1)-(7.15). Sa valeur selon le critre du pire
cas (meilleur cas), note fworst (x) (fbest (x)) est dfinie comme suit :
fworst (x) = maxq qq+

XX

fvb

(7.16)

vV bB

fbest (x) = minq qq+

XX

fvb

(7.17)

vV bB

o q = (
qbv
)bB,vV .

La valeur fworst (x) est une garantie pour la solution x, du moment que quel que soit la configuration C
des coefficients incertains de la fonction-objectif, fC (x) sera infrieure ou gale fworst (x). Cest donc
99

V. Borodin

dans cette optique que fworst (x) reprsente une mesure de robustesse. Or, fbest (x) constitue le plafond de
la fonction-objectif quil est possible datteindre face aux incertitudes. En mesurant lcart entre le pire et
le meilleur cas, il est ainsi possible au dcideur de se reprer dans la prise de dcision dans un contexte
incertain.
Ainsi, lorsque lincertitude pse sur les coefficients de la fonction-objectif, la recherche dune solution
xworst (xbest ) optimisant le critre du pire cas (meilleur cas) revient rsoudre le programme (7.3)-(7.15), qui
optimise la fonction fworst (x) (fbest (x)). En autres termes, il sagit de dterminer la solution xworst (xbest ),
qui minimise fworst (x) (fbest (x)), o x X :
fworst (xworst ) = minxX fworst (x)

(7.18)

fbest (xbest ) = minxX fbest (x)

(7.19)

En matire de complexit, il convient de rappeler les rsultats thoriques suivants :


Proposition 7.1. (Averbakh, 2001) Lapplication du critre du pire cas sur un programme linaire, dont les
coefficients de la fonction-objectif sont incertains et dfinis par intervalles, est un problme polynomial.
Proposition 7.2. (Gabrel et al., 2008) Lorsque les variables de dcisions sont libres (sans contrainte de signe),
lapplication du critre du meilleur cas sur un programme linaire, dont les coefficients de la fonction-objectif
sont incertains et dfinis par intervalles, est un problme N P-difficile.
En vertu des propositions susmentionnes, les versions robustes du programme linaire par intervalles
(7.1)-(7.15) obtenues suite lapplication du critre du pire et celui du meilleur cas sur lvaluation, sont
donc des problmes polynomiaux.

7.3.2

Incertitude sur les coefficients du second membre

Comme nous lavons prsent dans la sous-section antrieure, deux critres sont communment considrs : le critre du pire cas et celui de meilleur cas, lorsque lincertitude affecte les coefficients de la
fonction-objectif dun programme linaire par intervalles. Dautre part, quand les incertitudes portent sur
le second membre des contraintes, les critres classiques ne peuvent pas tre directement appliqus pour
se prononcer sur lvaluation dun tel programme.
Dans ce dernier cas, lincertitude affecte la faisabilit dune solution. Une configuration q (q q q + ,

)bB,vV ) est alors considre comme tant dfavorable une solution x donne, lorsque x
q = (qbv
nappartient pas lensemble admissible du programme (7.1)-(7.15) obtenu quand le vecteur dintervalles
q est instanci par une configuration q.
Soit P q le programme linaire par intervalles (7.1)-(7.15) lorsque le membre gauche des contraintes est

configur par q, q variant dans lintervalle q : q q q + , q = (qbv


)bB,vV . De plus, dnotons par
(P q ) la valeur optimale du programme P q . Ainsi, dans le cas o lincertitude porte sur les coefficients
du second membre, la recherche dune solution optimisant le critre du pire cas, et respectivement du
meilleur cas, revient rsoudre le programme, not WORST et respectivement BEST, tels que formaliss
ci-aprs :
BEST :

min (P q )
s.t q q q +
100

(7.20)

Planification des oprations de vidage des silos de collecte

WORST :

max (P q )
s.t q q q +

(7.21)

Compte tenu de sa faisabilit quelle que soit la configuration du second membre des contraintes, la solution
optimale du programme WORST est qualifie en tant que robuste. En revanche, le programme BEST fournit
la meilleure solution admissible, permettant ainsi de mesurer lincidence sur la fonction-objectif vis--vis
de lincertitude portant sur les coefficients du second membre des contraintes.
Abordons maintenant la complexit des versions dterministes du programme (7.1)-(7.15), WORST et
BEST, travers les propositions nonces ci-dessus :
Proposition 7.3. (Gabrel et al., 2008) Lapplication du critre du pire cas sur un programme linaire, dont
les coefficients du second membre des contraintes avec ingalits sont incertains et dfinis par intervalles, est
un problme polynomial.
Proposition 7.4. (Gabrel et al., 2008) Lapplication du critre du meilleur cas sur un programme linaire,
dont les coefficients du second membre des contraintes sont incertains et dfinis par intervalles, est un problme
polynomial.
Dans le programme sous tude dans ce chapitre, les contraintes affectes par lincertitude sont exclusivement des ingalits. Ainsi, en vertu des proposition 7.3 et 7.4, lapplication des critres du pire cas et du
meilleur cas sur sa faisabilit, dbouche sur des versions robustes polynomialement solvables, le calcul du
pire optimum devenant N P-difficile que pour les programmes linaires avec contraintes dgalit.

7.3.3

Approche combine

Afin de rsoudre le programme (7.1)-(7.15) affect par lincertitude dans la fonction-objectif et simultanment dans le second membre des contraintes, nous proposons de combiner successivement lapplication
des critres du pire cas et celui du meilleur cas quant son valuation, et respectivement sa faisabilit.
Soit donc X BEST (X WORST ) lensemble des solutions optimales de BEST (WORST). la lumire des rsultats prsents au cours des sous-sections 7.3.2 et 7.3.2, quatre versions linaires dterministes peuvent
tre construites, permettant ainsi ltude comparative de lvaluation et de la faisabilit du programme
par intervalles (7.1)-(7.15) :
WORST
fworst
= minxX WORST fworst (x)

(7.22)

BEST
fworst
= minxX BEST fworst (x)

(7.23)

WORST
fbest
= minxX WORST fbest (x)

(7.24)

BEST
fbest
= minxX BEST fbest (x)

(7.25)

Sur le plan mthodologique, les versions robustes (7.22) (7.23) (7.24) et (7.25) nous amnent rsoudre
des programmes linaires bien connus dans un environnement dterministe. En contrepartie sur le plan
dcisionnel, ces versions robustes rvlent ainsi les variations et les incidences sur les valeurs du problme
travers le prisme de deux dimensions de celui-ci : son valuation et sa faisabilit.
101

V. Borodin

7.4

Rsultats numriques

Le modle (7.1)-(7.15) analys dans ce chapitre, a t conu et propos pour guider la planification des
oprations de vidage des silos de collecte au profit dun stockage conforme des crales lors de la priode
de rcolte. Le programme linaire par intervalles en cause a t tudi selon les critres du pire et celui
du meilleur cas via les versions linaires dterministes (7.22), (7.23), (7.24) et (7.25). Ces dernires ont
t implmentes en utilisant le langage de programmation C++ et rsolues ultrieurement par le solveur
doptimisation ILOG CPLEX (version 12.6.0), pour des instances comportant : plus de 30 types de varits
distinctes, 3 silos dexpdition et 11 silos de collecte avec un nombre de cellules variant entre 10 et 15, dont
les capacits sont comprises entre 200 et 800 tonnes par cellule. Les exprimentations numriques ont t
effectues sur une machine Intel(R) Core(TM) i7-2720QM CPU 2.20GHz.
En gnral, la priode de rcolte stend approximativement sur un mois, voire un mois et demi. Pendant cette priode, les quantits prvues pour tre livres dans les silos de collecte sont estimes par des
techniques statistiques de prvisions (cf. chapitre 6), permettant de prendre en compte les prvisions mtorologiques et le comportement des agricultures tel quil se manifestait lors des campagnes agricoles
antrieures. En raison de petits carts entre les dates de maturit physiologiques des crales (compris
entre 1 et 10 jours) et tenant compte des rendements des chantiers agricoles, la valeur de p a t empiriquement fixe 3 priodes de temps (jours).
Dans les lignes qui suivent, examinons les Fig. 7.1 et Fig. 7.2, qui illustrent les rsultats correspondants
la mauvaise et la meilleure incidence sur la fonction-objectif, lorsque lincertitude portant sur les coefficients du membre gauche varie dans son domaine de dfinition, dans les configurations de pire cas et
respectivement du meilleur cas, appliques sur lvaluation du programme (7.1)-(7.15). Plus particulirement, la Fig. 7.1 reporte les rsultats des versions linaires dterministes (7.22) et (7.23), tandis que la Fig.
7.2 reprsente les rsultats des (7.22) et (7.23).
6,000
valeur de lobjectif

valeur de lobjectif

3,000
4,000

2,000

1,000

2,000

WORST
fworst
BEST
fworst

4
jour

WORST
fbest
BEST
fbest

4
jour

Figure 7.2 (7.23) vs. (7.24)

Figure 7.1 (7.22) vs. (7.23)

Des carts significatifs entre les valeurs de la fonction-objectif obtenues par les approches (7.22)-(7.23)
et (7.24)-(7.25) correspondant aux priodes de temps 2, 3 et 6, signalent dventuelles indisponibilits des
silos de collecte pour ces priodes-l. Il se peut quun large ventail de varits soient prvues pour tre
livres durant les priodes 2, 3 et 6, alors quelles ne pourraient pas tre stockes convenablement. Dans
ces situations, le dcideur doit donc tre assez prudent dans la prise de dcision et essayer de sorienter
en fonction de la conjoncture terrain (e.g. en dpendance de la gamme de varits collecter et/ou dallotement et de sgrgation effectuer). Au contraire, le dcideur pourra ventuellement opter pour les
102

Planification des oprations de vidage des silos de collecte

solutions fournies par (7.22) pour les priodes 1, 4 et 5, car des carts ngligeables sont enregistrs pour
ces priodes-l, facilitant ainsi sa prise de dcisions. La modlisation des incertitudes doit donc traduire
le plus fidlement possible ces alas afin de se rapprocher de la ralit et de mieux rpondre lobjectif
vis.
Telles que le montrent les exprimentations numriques, les approches (7.22), (7.23), (7.24) et (7.25) permettent de faire une tude comparative sur lvaluation et la faisabilit des solutions du problme et ainsi
de guider le dcideur prendre les dcisions lui semblant les plus pertinentes possibles dans cet univers
incertain.

7.5

Conclusions et perspectives

Dans ce chapitre nous nous sommes plus spcifiquement focaliss sur lactivit de stockage, en intervenant dans la planification des oprations de vidage des silos de collecte. Pour ce faire, une approche priode
par priode a t propose via un programme linaire par intervalles. Pour ce dernier, une tude comparative a t mene visant lvaluation et la faisabilit des solutions proposes face aux incertitudes portant
simultanment sur les coefficients de la fonction-objectif et le membre gauche des contraintes.
Dans la continuit du travail prsent dans ce chapitre, plusieurs voies damliorations simposent, telles
que :
p sur le plan applicatif : amliorer la modlisation de la compatibilit varitale, en introduisant par
exemple des notes pour lapprciation qualitative des lots sgrgs de diffrentes varits dans les
cellules de silos de collecte. Sachant que le nombre de cellules dans les silos de collecte est insuffisant
pour sparer les crales selon le double critre varit/qualit, il serait intressant de rajouter une
contrainte requrant une certaine note (taux) par rapport la sgrgation des crales autoriser
dans les cellules des silos de collecte.
p sur le plan mthodologique : parmi les critres classiques du pire cas et celui du meilleur cas, ltude
de robustesse selon dautres critres (de regret maximum, etc.) permettra aux dcideurs de faire
une analyse comparative de robustesse plus fine, en choisissant la solution leur semblant la plus
pertinente. ce propos, il existe dautres critres dfinis rcemment, tel que bw-robustesse propos
par Roy (2010), etc.

103

Chapitre

Reconfiguration de la chane logistique agricole

Pouvoir changer et runir les forces pour mieux se comprendre et travailler ensemble
plus efficacement. Cest cela que sert lanimation au quotidien et cest vital pour notre
avenir...
Guillaume VIGNEAU, Responsable Dveloppement Adhrents, SCARA

Sommaire
8.1
8.2
8.3
8.4
8.5

8.6

8.1

Introduction . . . . . . . . . . . . . . .
Couplage simulation optimisation .
Vers une approche mutualise . . . .
Analyse de scnarios prospectifs . . .
Rsultats numriques . . . . . . . . .
8.5.1 Optimisation du systme simul .
8.5.2 Simulation et optimisation . . . .
8.5.3 Analyse de performance . . . . .
Conclusions et perspectives . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

105
106
110
112
112
112
113
114
115

Introduction

Cest la performance de la chane logistique agricole, le moteur du progrs recherch par tous les maillons,
qui reprsente le fil conducteur de la dmarche de projection dans lavenir court et long terme. Dans
la qute de celle-ci, nous nous proposons de combiner les outils daide la dcision prsents au cours de
cette thse, pour faire front commun aux challenges imposs la filire de production agricole.
Nous nous lanons ainsi dans la recherche des meilleurs paramtrages et (re)-configurations de la chane
logistique agricole actuelle dans toute son intgralit. Pour ce faire, un ensemble dindicateurs de performance sera dress pour reflter le triple objectif dun pilotage efficace de la chane : (i) damlioration des
niveaux de prestations de service, (ii) de rduction des cots, et (iii) de cration de valeur ajoute pour
105

V. Borodin

tous les acteurs (Carbone and Meunier, 2006). Garder une vue densemble est donc important, tant pour
la mutualisation logistique, qui apparat comme une opportunit de cration de valeur conomique, que
pour la restructuration locale, qui peut avoir des incidences considrables sur la conduite de la chane
entire.
Ce chapitre est entirement consacr discuter les potentiels leviers damlioration de performance de
la chane logistique dans sa globalit. Dbutant par une courte discussion des termes dusage du concept
simulation optimisation, la section 8.2 combine les modules de simulation et doptimisation dvelopps
au cours de ce travail. Ensuite, la section 8.3 soulve la question dune politique de stockage alternative
reposant sur le transfert direct des flux de crales des champs vers les silos dexpdition. Sachant que
le cot dexploitation des silos de collecte est assez important par rapport aux cots lis aux oprations
logistiques de transfert dun silo de collecte vers un silo dexpdition, limpact de fermeture/ouverture dun
ou plusieurs implantations physiques de stockage intermdiaire via des scnarios prospectifs est valu
dans la section 8.4. En capitalisant toutes ces voies damlioration possibles de la chane logistique agricole
dans son intgralit, la section 8.5 aborde la mise en uvre exprimentale, (i) en insistant sur diffrents
types de couplage simulation optimisation dans les sous-sections 8.5.1 et 8.5.2, (ii) et en cherchant les
meilleures reconfigurations possibles de la chane via lanalyse de plusieurs indicateurs de performance
dans la sous-section 8.5.3. Finalement, ce chapitre est cltur en section 8.6 par une conclusion synthtisant
les rflexions ci-voques sur la reconfiguration comptitive de la chane logistique agricole entire.

8.2

Couplage simulation optimisation

Lide de couplage de lapproche de simulation et celle de loptimisation nest pas rcente. Dune part,
tant la recherche de configurations efficaces de systmes de production/distribution/etc., les praticiens
font frquemment recours loptimisation pour paramtrer ces systmes le mieux possible. Dautre part,
cest dhabitude la communaut scientifique qui utilise la simulation dans le cadre de la programmation
stochastique, lui permettant de palper par l les incertitudes. Ainsi, la mme expression de simulation
optimisation (simulation optimization, en anglais) peut tre rencontre dans la littrature pour dsigner
diffrents usages possibles.
Pour viter toute ambigut et confusion, clarifions les multiples connotations mthodologiques du concept
couplage simulation-optimisation discernes dans la littrature (Swisher et al., 2004; Fu, 2002) :
p optimisation pour simulation : galement connu sous le nom doptimisation via simulation (Andradttir, 2007), ce type de couplage consiste optimiser en effet des systmes simuls, dont la
dmarche est illustre dans la Fig. 8.1. Plus spcifiquement, la simulation sert valuer successivement le comportement dun systme paramtr en conformit avec les solutions proposes par
lapproche doptimisation, guidant ainsi la recherche vers de meilleures solutions.
Les principales approches doptimisation des systmes simuls sont les suivantes : algorithmes volutionnistes et gntiques, recherche tabou et disperse, recuit simul et techniques bases sur les
rseaux de neurones artificiels (Melouk et al., 2014; Chan and Schruben, 2008; Paris et al., 2001; Pierreval and Tautou, 1997; Pierreval and Paris, 2003). Vouloir paramtrer plus souplement les systmes
complexes, la communaut scientifique continue de sinvestir dans ce sujet, en sintressant notamment au dveloppement des algorithmes doptimisation ddis (Bachelet and Yon, 2007), multiobjectifs (Person et al., 2008), non-linaires (Kleijnen et al., 2010; Angn et al., 2009), etc.
106

Reconfiguration de la chane logistique agricole

proposition dune
solution candidate

SIMULATION
valuation de
la solution

fin

OPTIMISATION

initialisation

Figure 8.1 Optimisation via simulation (Fu, 2002; Kleijnen and Wan, 2007)

Dailleurs, capable de configurer les systmes simuls, le module doptimisation ainsi fonctionnant
(cf. Fig. 8.1), est intgr en option dans de nombreux logiciels de simulation, en tant quadd-on, e.g. :
AutoStat (AutoMod), OptQuest (Arena, Crystall Ball, AnyLogic, etc.), OPTIMIZ (Simul8), SimRunner (ProModel), Optimizer (WITNESS), etc.
p simulation pour optimisation : dans le cadre de la programmation stochastique, la simulation
est souvent utilise (i) soit pour gnrer de scnarios en concordance avec des distributions de probabilits donnes (cf. Fig. 8.2), (ii) soit pour reproduire diffrentes configurations dun systme prt
aux incertitudes, donnant ainsi un contexte de validation des solutions trouves par loptimisation
(cf. chapitre 5).
SIMULATION

tat/qualit
de la solution

scnarios

initialisation

OPTIMISATION

fin

Figure 8.2 Simulation pour optimisation (Fu, 2002)

Outre loptimisation dun critre de type esprance mathmatique, lapproche fonde sur des scnarios reprsentant les alas, est largement applique dans la rsolution dun modle probabiliste. Que
cela soit pour la programmation stochastique deux/plusieurs tapes ou la programmation stochastique dynamique, la simulation sert gnrer des scnarios en fonction de ltat de rsolution relatif
aux solutions trouves par loptimisation, ou bien, conformment un niveau de qualit/fiabilit
prescrit (Shapiro et al., 2009; Kall and Wallace, 1994).
Dans le deuxime cas (ii), la simulation savre un moyen exprimental vraisemblable pour tester
et valider les solutions trouves par loptimisation stochastique, en fournissant des mtriques de
performance pour mesurer la qualit de ces solutions et les valeurs de la fonction-objectif associes,
face un nombre important de rplications.
p simulation et optimisation : comme nous lavons dj soulign dans le chapitre 3, la simulation nest pas capable de prendre de dcisions optimales au sein mme du systme simul. notre
connaissance, peu de travaux sont consacrs pour pallier cet inconvnient de la simulation. Dans
ce sens, il convient de citer Vamanan et al. (2004), qui proposent dimbriquer lapproche doptimisation dans le cadre dun systme simul pour guider la prise de dcisions lors de son pilotage.
Sintressant la gestion dune chane dapprovisionnement, ces auteurs ont russi coupler les
deux logiciels : ARENA, pour simuler le fonctionnement de la chane, et respectivement, CPLEX,
pour optimiser un problme logistique et de stockage.
107

V. Borodin

SIMULATION

fin

rponse

problme

instantiation

OPTIMISATION
Figure 8.3 Simulation et optimisation

La Fig. 8.3 schmatise ce type de couplage de simulation et optimisation, qui repose sur lappel
du module doptimisation par la simulation, lorsquun problme de prise de dcision simpose, ce
dernier ne pouvant pas tre dcrit par une liste de rgles/solutions prdfinies.
Loptimisation pour simulation tant ddie configurer efficacement un systme simul, elle intervient
ainsi convenablement dans des problmes de dcision stratgique ou tactique. En revanche, loptimisation
via simulation ne semble pas approprie rsoudre des problmes de dcision oprationnels qui, en outre
sont trs frquents dans des systmes simuls lchelle dapplications relles. Bien videmment, certains
problmes oprationnels peuvent tre rsolues avec OptQuest, mais ceci prsente un inconvnient
majeur de ncessiter des temps de calcul considrables : en rgle gnrale, la rsolution des problmes
oprationnels ne dpend que dun sous-ensemble rduit de donnes et de paramtres du systme simul ;
loptimisation avec OptQuest nest pas ainsi justifie, car elle implique lexcution dun nombre de
rplications du systme simul entier.
la lumire des considrations mentionnes auparavant, amliorons donc les possibilits du modle de
simulation prsent dans le chapitre 3, en ralisant :
p un couplage de simulation et optimisation : pour grer convenablement les risques de dgradation
de la qualit des crales et pour planifier efficacement les oprations de vidage des silos de collecte
(cf. chapitres 5 et 7), il est possible dintgrer les approches doptimisation dans le cadre du modle
de simulation tel quexpliqu par Vamanan et al. (2004).
Dailleurs, en ce qui concerne le problme de gestion des risques de dgradation des crales, il
nest pas appropri de le rsoudre avec OptQuest, car ce dernier rsout uniquement des modles
ne comportant pas explicitement dincertitudes. Les donnes stochastiques tant instancies par la
simulation, ceci nous oblige configurer les disponibilits des jours de rcolte pour tout lhorizon de
la collecte des crales dont la longueur nest constate quaprs la fin de son achvement. Dautre
part, OptQuest optimise la fois un seul modle (et une seule fonction-objectif) du modle simul,
et nest pas capable daborder le problme de planification des oprations de vidage via une approche
priode par priode.
p une optimisation du systme simul : afin de paramtrer raisonnablement le rseau des silos de stockage, optimisons le systme agricole simul, dont la modlisation a t prsente au chapitre 3.
Pour ce faire, r-considrons les flux de crales rcolts f , (f F ) et les silos de stockage s,
(s S), o lensemble E reprsente les silos dexpdition et B les silos de collecte (E B = S).
Soit xf s la variable binaire de dcision, qui prend la valeur 1 si le flux f est livr au silo s, et 0 sinon.
La variable ys vaut 1 si au moins un flux de crales est livr au silo s et 0, sinon. De plus, la variable
teb dnote la quantit achemine du silo de collecte b vers le silo dexpdition e.
108

Reconfiguration de la chane logistique agricole

Tableau 8.1 Optimisation logistique du systme simul : notations


Paramtres :
f, (f = 1, , F )
e, (e = 1, , E)
b, (b = 1, , B)
s, (s = 1, , S)
Donnes :
Df s
Deb
Qf
M

flux de crales
silo dexpdition
silo de collecte
silo de stockage
distance entre lorigine (parcelle) du flux f et le silo de stockage s
distance entre le silo dexpdition e et le silo de collecte b
quantit du flux de crales f
F
X
grande constante (suprieure
Qf )
f =1

Variables :
xf s
ys
teb

1, si le flux de crales f est livr au silo s, et 0 sinon


1, si le silo s est utilis, et 0 sinon
quantit transfre du silo de collecte b vers le silo dexpdition e

En utilisant les notations ci-dessous introduites (cf. tableau 8.1), un problme mixte en nombres
entiers peut tre formalis comme suit :
min

F X
S
X

xf s Df s Qf +

f =1 s=1
S
X

E X
B
X

(8.1)

teb Deb

e=1 b=1

xf s = 1,

(8.2)

xf s M ys ,

(8.3)

xf s ys ,

(8.4)

(8.5)

(8.6)

teb 0,

e, b

(8.7)

xf s , ys {0, 1},

f, s

(8.8)

s=1
F
X
f =1
F
X
f =1
F
X

Qf xf b =

teb ,

e=1

f =1
B
X

E
X

teb M ye ,

b=1

Puisque chaque flux de crales rcoltes doit tre livr un silo de stockage, les contraintes (8.2)
sont imposes. Les contraintes (8.3)- (8.4) forcent la variable ys prendre la valeur 1 si au moins un
flux de crales est livre au silo de stockage s, et 0 sinon. Sachant que les quantits livres au silo de
collecte b doivent tre transfres un silo dexpdition, les contraintes (8.5) sont prescrites. Enfin,
les contraintes (8.6) signifient quaucun transfert nest effectu un silo dexpdition non-utilis.
La fonction-objectif (8.1) vise minimiser la quantit-distance totale parcourue entre les parcelles
et les silos dexpdition. Il convient de mentionner que ce genre de problme ne peut tre rsolu que
109

V. Borodin

par une approche doptimisation via simulation, ce qui permet doptimiser des systmes complexes
ne pouvant pas tre modliss analytiquement.
Ainsi, le problme doptimisation (8.1)-(8.6) associ au systme agricole simul, peut tre efficacement rsolu avec OptQuest. tant ncessaire, la simulation du systme agricole permet de vrifier
et dvaluer les solutions proposes par OptQuest (i.e. le droulement de lactivit de rcolte pour
un ensemble de silos de stockage ouverts) et galement de guider le processus doptimisation.

8.3

Vers une approche mutualise

En vue de lvolution du matriel dans les exploitations agricoles et afin danticiper les incidences quant
la rception dans les silos de stockage, imaginons un autre type de prestation de service permettant de
rentabiliser le potentiel de rcolte des producteurs, tel que dcrit ci-aprs et illustr dans la Fig. 8.4 :
p permettre et organiser un stockage en bout de champs (stockage tampon) ;
p fermer les silos de collecte et mettre les silos dexpdition la disposition des agriculteurs 24 heures
par jour ;
p synchroniser les activits de rcolte dans les champs et celles de rception aux silos dexpdition ;
p assurer un processus continu de rcolte, sans imposer des contraintes lies la fermeture des silos
dexpdition ;
p sorganiser ensemble (cooprative et agriculteurs) pour le transport des crales collectes entre les
champs et les silos dexpdition.

Figure 8.4 Vers une approche mutualise


Avant de procder la modlisation de cette configuration alternative de la chane logistique actuelle, il
convient de noter les considrations suivantes :
p la capacit de stockage en bout de champs est suppose non-limite ;
p nous ne nous intressons pas aux techniques de reprise de crales aux champs ;
p aucune contrainte lie la scurit de stockage et la protection de crales en bout de champs
nest impose. En revanche, le stockage par temps de pluie est interdit, donc le transfert est anticip
en cas de mto dfavorable.
La Fig. 8.5 schmatise la reconfiguration de la chane logistique actuelle, dont le modle de simulation
a t labor dans le chapitre 3. Ainsi, aucun silo de collecte nest ouvert la rception de crales, le
110

Reconfiguration de la chane logistique agricole

stockage tampon aux champs tant en revanche organis tout en tenant compte de laspect mtorologique. Outre les moyens de transport des agriculteurs, la flotte de vhicules de la cooprative nayant plus
vider les silos de collecte, est galement ddie au transfert des crales rcoltes aux champs directement vers les silos dexpdition. Conformment aux dbits des fosses des silos dexpdition, les oprations
de transport et celle de rception sont synchronises, vitant ainsi la cration de files dattente aux silos
dexpdition.

Figure 8.5 Chane logistique alternative : transfert direct entre les champs et les silos dexpdition
La fdration dune faon plus industrielle des efforts et des ressources de la cooprative et des agriculteurs,
permet ainsi de procurer davantages pour les deux parties prenantes :
p la cooprative peut ainsi r-organiser le rseau des sites de stockages et assurer une rception plus
efficace ;
p la politique de stockage ci-voque permet aux agriculteurs dexploiter correctement leurs parcs de
matriel, sans avoir besoin darrter le travail des moissonneuses-batteuses (fait qui a des incidences
111

V. Borodin

conomiques importantes), sauf en cas de pluies ;


p la mutualisation logistique peut reprsenter donc une opportunit de rationalisation des ressources
impliques dans le pilotage de flux de crales entre les champs et les silos dexpdition.

8.4

Analyse de scnarios prospectifs

Outre ltude dune nouvelle politique de stockage prsente dans la section prcdente, intgrons plusieurs scnarios, qui correspondent la fermeture/ouverture dun ou plusieurs implantations physiques
de stockage intermdiaire.
Pour lvaluation quantitative de diffrents scnarios, nous avons labor un ensemble de plusieurs indicateurs de performance, prsents ci-dessous :
p cot total dexploitation des silos satellites (cot fixe dutilisation des silos satellites et cot variable
de stockage) ;
p quantit totale transfre des silos satellites vers les silos dexpdition et le cot associ ;
p quantit maximale journalire reue par chaque silo satellite/dexpdition ;
p nombre dheures ouvres par jour aux silos, ncessaire pour recevoir la rcolte journalire des agriculteurs ;
p risques de dgradation des crales exprims par lcart entre la date de rcolte proprement-dite et
la date de maturit physiologique ;
p distance maximale dune implantation de stockage pour chaque parcelle.

8.5

Rsultats numriques

Tel que fait dans le chapitre 3, les exprimentations numriques reportes dans cette section correspondent
une campagne agricole effectue dans une zone gographique gre par la cooprative concerne, comportant : un silo dexpdition, 3 silos de collecte.

8.5.1

Optimisation du systme simul

Ladd-on OptQuest est un module complmentaire disponible en option avec Arena, tant un produit OptTek (Laguna and Marti, 2002). Le moteur OptQuest intgre dans une seule mthode compose de mta-heuristiques (la recherche tabou, les rseaux neuronaux et la recherche disperse), de programmation mathmatique et de rseau neuronal pour reprer la recherche de solutions optimales aux
problmes doptimisation des systmes simuls, cette mthode ntant pas divulgue pour des raisons
commerciales.
Ainsi, en dfinissant le problme (8.1)-(8.6) du systme agricole simul avec OptQuest, celui-ci est capable de fournir un ensemble de solutions trouves, comme prsent dans le tableau 8.2.
112

Reconfiguration de la chane logistique agricole

Tableau 8.2 OptQuest: optimisation via simulation


valeur de lobjectif
84097118.6
80588075.4
79547329.6
76289663.4
196134878.2
150722949.8
161348461.6
123529274
83048288.8
131186979.4
111722239.2
97960300.4
185327921.4
127044239.6
198021911.6
340418863.4

8.5.2

statut de la solution
faisable
faisable
faisable
faisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable
infaisable

Simulation et optimisation

Entre outre, le logiciel Arena interagit avec les technologies Microsoft, et plus spcifiquement celuici peut intgrer : (i) ActiveX Automation, qui fournit des contrles au sein et au travers dapplications Windows ; et, (ii) Visual Basic for Applications, qui permet dtendre les
fonctionnalits Arena ou de rajouter des algorithmes personnaliss modliser en SIMAN (Altiok and
Melamed, 2007). En effet, Visual Basic for Applications (VBA) est une implmentation du
langage de programmation Microsoft Visual Basic qui est intgre dans toutes les applications
de Microsoft Office, permettant lchange de donnes et de commandes entre celles-ci.
partir dArena, lenvironnement de programmation VBA est accessible, donnant la possibilit de dclencher des applications externes soit via le passage des entits par un bloc spcifique VBA, soit lors
dvnements prdfinis au niveau du modle de simulation. linstar de Vamanan et al. (2004), nous
avons profit de cette opportunit pour intgrer les modles doptimisation prsents dans les chapitres 5
et 7 dans le cadre du module de simulation correspondant la chane logistique agricole.

Figure 8.6 Exprimentation numrique : simulation et optimisation


113

V. Borodin

La figure 8.6 illustre les valeurs relatives aux quantits excdentaires cumules aux silos de collecte (figure
gauche) et les risques de dgradation de qualit des crales (calculs en tant que lcart entre la date de
maturit physiologique et celle de la rcolte) enregistres la fin du pilotage de la chane logistique agricole
dans les deux cas : avec et respectivement sans lintgration de loptimisation (figure droite).

8.5.3

Analyse de performance

Analysons plusieurs scnarios de la chane logistique agricole prsente dans le chapitre 3 correspondant
la fermeture des silos de collecte via les trois plus importants indicateurs de performance quant leur
incidence conomique : (i) cot total dexploitation des silos de stockage, (ii) risques cumuls de dgradation de la qualit des crales ainsi que (iii) la distance-quantit totale parcourue par les flux de crales
partir de champs vers les silos dexpdition.

Figure 8.7 Exprimentation numrique : analyse de scnarios correspondant la fermeture dun seul
silo de collecte

Figure 8.8 Exprimentation numrique : analyse de scnarios correspondant la fermeture de deux silos
de collecte

titre dexemple, nous avons report dans les Fig. 8.7 et 8.8 les valeurs de ces indicateurs de performance
de la chane logistique lors de la fermeture dun seul silo et respectivement de deux silos de collecte. Ce
genre danalyses aide la gestion stratgique du rseau des silos de stockage et son ventuelle modernisation et/ou restructuration.
114

Reconfiguration de la chane logistique agricole

Figure 8.9 Exprimentation numrique : chane logistique actuelle vs. chane logistique alternative
En utilisant les mmes mtriques de performance, analysons la Fig. 8.9, qui met en comparaison la chane
logistique agricole dans son tat actuel avec une reconfiguration alternative plus industrielle. Comme le
montre les rsultats, le transfert direct entre les champs et les silos dexpdition implique des risques de dgradation plus faibles conjointement avec un horizon de rcolte plus court, les chantiers agricoles ntant
dsormais obligs darrter la rcolte au champs pendant les heures de fermeture des silos de stockage.
Conditionn par la fermeture des silos de collecte, le cot total dexploitation des silos de stockage est
considrablement moins lev dans le cadre de la chane alternative que dans la configuration actuelle.
Lorganisation collaborative du pilotage des crales vers les silos dexpdition, entre les agriculteurs et
la cooprative, permet dviter le passage par les silos de collecte, crant ainsi une opportunit des gains
rciproques. Cette mise en perspective est ncessaire et sinscrit dans le cadre dune ventuelle modernisation et/ou dune rorganisation des sites de stockage, prconise en vue de lvolution des parcs de
matriel agricole des agriculteurs.

8.6

Conclusions et perspectives

Dans ce chapitre nous avons abord certaines opportunits damlioration de la performance de la chane
logistique agricole. Dune part lapproche doptimisation suggre les meilleures dcisions prendre, dautre
part, le modle de simulation est capable de sadapter et reprsenter facilement les diffrentes modifications dans la configuration de la chane logistique. La synergie cre entre ces deux approches permet
de paramtrer et ventuellement reconfigurer la chane logistique que cela soit au niveau stratgique ou
tactique (optimisation via simulation), ou bien oprationnel (optimisation et simulation).
En revanche, le travail prsent dans ce chapitre comporte plusieurs limitations qui restent encore surmonter, telles que :
p dfinir et intgrer diffrents types de stockage prcaire ;
115

V. Borodin

p dcider sur les modes de reprise des crales en bout de champs ;


p dcrire le matriel ncessaire pour la menue paille et la productivit des machines dans les diffrents
cas de mto.
De plus, le systme agricole tudi dans cette thse a t soumis aux divers amendements raliss par
loptimisation mono-objectif, ltude multi-critres tant effectue via lanalyse de plusieurs indicateurs
de performance. Or, une approche doptimisation multi-critres pourra apporter des supports daide la
dcision, notamment pour le problme de la gestion des risques de dgradation de la qualit des crales
dans le cadre de la politique de stockage en bout de champ.

116

Conclusions gnrales

Dans un univers en pleine mutation, le secteur agricole et en particulier agro-alimentaire, se re-dessine


compltement lheure actuelle. En ce sens, la SCARA, la cooprative agricole concerne par les travaux
exposs dans cette thse, souhaite repenser sa chane logistique, pour passer ainsi une approche plus
industrielle au profit de la performance de tous les acteurs impliqus dans son pilotage.
Sensibiliss et reprs par les proccupations de la filire agro-alimentaire mises en relief par ltat de
lart ralis dans chapitre 2, nous avons procd la dfinition et modlisation conceptuelle de la chane
logistique actuelle de la cooprative agricole vise, travers : (i) dune tude spatiale nous permettant de
concrtiser et dlimiter la collectivit territoriale sous tude (cf. annexe A), (ii) dun modle de simulation
vnements discrets reproduisant la configuration actuelle et facilitant la comprhension de la gestion
dun systme doprations agricoles (cf. chapitre 3).
Une analyse profonde des besoins de lindustriel, nous a permis didentifier plusieurs pistes damlioration
possibles dans le pilotage de la chane logistique agricole, et ainsi dy intervenir et apporter notre contribution en matire daide la dcision pour les problmes suivants : gestion des risques de dgradation
de la qualit des crales face aux incertitudes mtorologiques (cf. chapitres 4 et 5), caractrisation du
comportement de livraison des agriculteurs (cf. chapitre 6) et planification des oprations de vidage des
silos de collecte pendant la priode de rcolte (cf. chapitre 7).
la recherche de solutions fiables dans un contexte de mise en uvre industriel, nous avons ensuite
intgr les mthodes analytiques de gestion quantitative des oprations et daide la dcision dans un
environnement exprimental. La synergie cre par le couplage simulation-optimisation et la dfinition
dun ensemble dindicateurs de performance, nous a permis dimaginer et danalyser plusieurs modes de
collaboration, paramtrages et re-configurations de la chane logistique agricole, dont lvaluation a t
ralise travers ltude de scnarios alternatifs (cf. chapitre 8).
Dans la continuit des tudes ralises, il reste un travail important mener sur les deux fronts : thorique et applicatif. Les perspectives industrielles de ce travail tant nombreuses, nous suggrons ci-aprs
quelques grandes directions se rfrant aux diffrents aspects abords dans le mmoire.
p assemblage des composants daide la dcision : il sagit de dvelopper une interface informatise, rendant possible la communication entre les outils de dcision vus au cours de cette thse. Elle
doit galement permettre aux potentiels usagers de paramtrer, manipuler et obtenir des rponses
au regard de la chane logistique agricole telle quelle a t prsente.
p extension des fonctionnalits : les travaux et les rsultats exposs dans ce mmoire ne couvrent
pas exhaustivement les problmatiques complexes et volutives, affectant la matrise conforme de
117

V. Borodin

la chane logistique agricole. Certaines pistes damliorations ont t dj releves au cours de ce


mmoire dans les sections clturant chaque chapitre.
p vers la mise en uvre industrielle : lambition finale de ce projet rside dans le dveloppement
dun dispositif dintervention et daide la dcision permettant de rpondre aux besoins dune gestion convenable de la chane logistique agricole. Pour devenir un logiciel, le systme daide la
dcision ci-prsent, ventuellement tendu, doit tre traduit en un outil informatique, ce qui suppose le dveloppement dinterfaces, les tests avec la cooprative concerne, etc. Entre autres, ce
travail est en cours de ralisation.
p insertion dans une ralit industrielle : la mise en application des solutions proposes par loutil
daide la dcision comporte plusieurs tapes, telles que (i) attirer limplication dun ensemble de
parties prenantes (ii) vrifier la rentabilit des solutions proposes sur des cas rels, et (iii) implmenter ventuellement les solutions retenues et valuer leur mise en pratique.
Sur le rapport thorique, quant lui, il serait la fois captivant pour la communaut scientifique et utile
pour les praticiens de se pencher sur :
p la programmation stochastique et dynamique anticipative : concevoir des mthodologies permettant
de prendre en compte la dynamique temporelle dans un environnement stochastique, et de pouvoir
corriger, ventuellement moindre cot, les dcisions prises avant la survenue des alas.
p la programmation linaire par intervalles : caractriser lensemble des solutions optimales lorsque
les coefficients incertains dun programme linaire par intervalles varient dans leurs domaines de
dfinition ; etc. (Hladk, 2009).
p le couplage simulation-optimisation : rflchir aux nouveaux modes de couplage/collaboration simulationoptimisation dans un environnement incertain et dynamique.
Cette thse a donn lieu plusieurs publications dont un article de revue internationale, trois communications avec actes rpertoris dans les bases de donnes internationales et cinq communications avec actes
non rpertoris dans les bases de donnes internationales. Quatre autres articles de revues internationales
ont galement t soumis.

118

Liste de publications

Articles de revues
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014j). A quality risk management
problem: case of annual crop harvest scheduling. International Journal of Production Research,
52(9):26822695.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014d). Combined simulation and optimization approach for an agricultural supply chain redesign. International Journal of Production
Economics, pages 110. (soumis, janvier 2014).
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014g). Handling uncertainty in agricultural supply chain management: a state of the art. European Journal of Operational Research, pages
112. (soumis, aut 2014).
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014i). A multi-step rolled forward
chance-constrained model and a proactive dynamic approach for the wheat crop quality control
problem. International Journal of Production Economics, pages 111. (soumis, aut 2014).
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014a). Application of panel data and
multivariate adaptive regression splines modellings: case of farmers crop delivery. Computational
Statistics & Data Analysis, pages 112. (soumis, aut 2014).

Communications avec actes rpertoris dans les bases de donnes internationales


p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013b). A discrete event simulation model
for harvest operations under stochastic conditions. In Networking, Sensing and Control (ICNSC), 2013
10th IEEE International Conference on, pages 708713.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014h). An interval programming approach for an operational transportation planning problem. In Information Processing and Management of Uncertainty in Knowledge-Based Systems, volume 442 of Communications in Computer and
Information Science, pages 117126.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014f). A decision support system for
efficient crop production supply chain management. In Computational Science and Its Applications
- ICCSA 2014, volume 8583 of Lecture Notes in Computer Science, pages 775790.
119

V. Borodin

Communications avec actes non-rpertoris dans les bases de donnes


internationales
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2012a). Gestion des flux de crales
dune cooprative agricole. In ROADEF - 13me congrs annuel de la Socit franaise de recherche
oprationnelle et daide la dcision, pages 12.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2012b). A scenario-based approach for
quality risk management: case of annual crops scheduling. In International Conference on Metaheuristics and Nature Inspired Computing (META), pages 12.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013c). Simulation et analyse des performances dune chane logistique agricole. In ROADEF - 14me congrs annuel de la Socit franaise
de recherche oprationnelle et daide la dcision, pages 12.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013a). Combined simulation and optimization approach for an agricultural supply chain redesign. In Proceeding of the 22nd International
Conference on Production Research, pages 110.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014b). An application of the discrete
event simulation for efficient crop production supply chain. In 10th International Conference on
MOdeling, Optimization and SIMlation (MOSIM), pages 110, Nancy, France

Communications orales sans actes dans un congrs


p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014k). Systme daide la dcision pour
une chane logistique agricole performante. In ROADEF - 15me congrs annuel de la Socit franaise
de recherche oprationnelle et daide la dcision, Bordeaux, France.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014c). A bi-objective chance constrained programming model for eficient crop harvest scheduling. In 18th International Symposium on
Inventories (ISIR), Budapest, Hungary.
p Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014e). Crop harvest scheduling on
a rolling horizon basis : a farm-dedicated operational application. In EURO Mini-Conference on
Stochastic Programming (ECSP), Paris, France.

120

Annexes

tude spatialise : systme dinformation gographique

Lorganisation agricole tant confronte au territoire dans son activit professionnelle et son fonctionnement, une reprsentation spatiale du primtre concern par la cooprative sous-tude peut fournir dans
ce sens de nombreux lments dinformation, en mettant en relation les diffrentes informations gographiques disponibles. Afin de pouvoir exploiter les donnes gographiques de la collectivit territoriale se
rfrent la SCARA, un systme dinformation gographique a t donc cr (cf. A.1).
Pour ce faire, plusieurs donnes gographiques et ponctuelles ont t collectes, se rattachant aux :
p coordonnes gographiques des tous silos de stockage ;
p un ensemble dlots viss par la cooprative sous-tude obtenu partir du registre parcellaire graphique (RPG) ;
p coordonnes gographiques des barycentres dun ensemble de parcelles fournies par ATLAND 1 ;
p produits numriques entirement drivs de la base de donnes ROUTE 500, qui son tour provient de la Base de Donnes Cartographique (BD CARTO), une des grandes bases de donnes
gographiques inities par lInstitut Gographique National sur le territoire franais. Il a pour vocation de fournir le support relatif au transport routier. ROUTE 500est organis en fonction des 4
thmes : administratif, habillage, rseau ferr, routier et infrastructure de transport. La rutilisation
de ROUTE 500est gratuite pour tous les usages, y compris commerciaux, selon les termes de la
licence ouverte version 1.0.
Dans le cadre du projet, le logiciel Quantum GIS (version 1.8.0) a t utilis, qui est un logiciel SIG
(Systme dInformation Gographique) open source multi-plateformes. En combinant toutes les donnes
gographiques dans le mme systme de coordonnes (Lambert 93), il est possible de leur appliquer de
nombreuses oprations spatiales combinant la localisation de ces donnes et leurs attributs gnraux ou
se rfrant une campagne agricole spcifique. titre dexemple, les Fig. A.2 et A.3 illustrent les analyses
thmatiques effectues par rapport la rpartition des cultures semes et de la qualit de bl pour la
campagne agricole 2014.
1. Maferme-Atland Exploitant est un outil de pilotage complet de lexploitation intgrant lensemble de ses activits (grandes
cultures, vigne, levage) et mettant lexploitant au cur de sa filire ( www.maferme.com)

121

V. Borodin

Figure A.1 Carte illustrant le primtre concern par la cooprative sous-tude


122

Reconfiguration de la chane logistique agricole

Figure A.2 Campagne agricole 2014 : rpartition gographique des cultures semes

Figure A.3 Campagne agricole 2014 : qualit de bl selon lindice de chute de Hagberg

123

V. Borodin

Chane logistique agricole dans la littrature : statistiques

nombre de publications

150

100

50

4
20
1

12
20

10
20

20
0

06
20

04
20

02
20

20
0

98
19

96
19

94
19

92
19

19
90

88
19

19
86

19
84

19
82

nombre de publications

Figure B.1 volution du nombre de publications (tous domaines confondus) des termes agriculture et
supply chain dans le titre, le rsum ou les mots-clefs (donnes tires du moteur de recherche Scopus, le
mois de septembre 2014)

60
40
20

4
20
1

12
20

10
20

08
20

06
20

04
20

02
20

00
20

98
19

96
19

94
19

92
19

19
90

19
88

19
86

84
19

19
8

Figure B.2 volution du nombre de publications (dans les domaines : engineering, computer science,
decision sciences et mathematics) des termes agriculture et supply chain dans le titre, le rsum ou les
mots-clefs (donnes tires du moteur de recherche Scopus, le mois de septembre 2014)
124

Reconfiguration de la chane logistique agricole

Classification taxonomique de crales

Figure C.1 Classification taxonomique des crales livres la SCARA

Intgration des logiciels ARENA et CPLEX

Figure D.1 Lintgration des logiciels ARENA 1 et C++ 2

1. www.arenasimulation.com/
2. www-01.ibm.com/software/commerce/optimization/cplex-optimizer/

125

V. Borodin

126

Bibliographie

Agustina, D., Lee, C., and Piplani, R. (2014). Vehicle scheduling and routing at a cross docking center for food supply
chains. International Journal of Production Economics, 152(0) :29 41.
Ahumada, O. and Villalobos, J. (2009). Application of planning models in the agri-food supply chain : A review.
European Journal of Operational Research, 196(1) :1 20.
Ahumada, O. and Villalobos, J. (2011). A tactical model for planning the production and distribution of fresh produce.
Annals of Operations Research, 190(1) :339358.
Ahumada, O., Villalobos, J., and Mason, A. N. (2012). Tactical planning of the production and distribution of fresh
agricultural products under uncertainty. Agricultural Systems, 112(0) :17 26.
Akkerman, R., Farahani, P., and Grunow, M. (2010). Quality, safety and sustainability in food distribution : a review
of quantitative operations management approaches and challenges. OR Spectrum, 32(4) :863904.
Alcaide-Lpez-de Pablo, D., Dios-Palomares, R., and Prieto, A. (2014). A new multicriteria approach for the analysis of
efficiency in the spanish olive oil sector by modelling decision maker preferences. European Journal of Operational
Research, 234(1) :241 252.
Aldana, H., Lozano, F., and Acevedo, J. (2014). Evaluating the potential for producing energy from agricultural
residues in Mxico using MILP optimization. Biomass and Bioenergy, 67(0) :372 389.
Ali, O., Verlinden, B., and Van Oudheusden, D. (2009). Infield logistics planning for crop-harvesting operations.
Engineering Optimization, 41(2) :183197.
Altiok, T. and Melamed, B. (2007). Simulation Modeling and Analysis with ARENA. Academic Press.
Amini Fasakhodi, A., Nouri, S., and Amini, M. (2010). Water resources sustainability and optimal cropping pattern
in farming systems ; a multi-objective fractional goal programming approach. Water Resources Management,
24(15) :46394657.
Andradttir, S. (2007). Simulation optimization. In Handbook of Simulation, pages 307333. John Wiley & Sons, Inc.
Angn, E., Kleijnen, J., den Hertog, D., and Grkan, G. (2009). Response surface methodology with stochastic
constraints for expensive simulation. Journal of the Operational Research Society, 60(6) :735746.
Arjona, E., Bueno, G., and Salazar, L. (2001). An activity simulation model for the analysis of the harvesting and
transportation systems of a sugarcane plantation. Computers and Electronics in Agriculture, 32(3) :247 264.
ARVALIS (2003). Schage des grains en organisme stockeur : guide pratique. ARVALIS Institut du vgtal, FFCAT.
Asgari, N., Farahani, R., Rashidi-Bajgan, H., and Sajadieh, M. (2013). Developing model-based software to optimise
wheat storage and transportation : A real-world application. Applied Soft Computing, 13(2) :10741084.
Averbakh, I. (2000). Minmax regret solutions for minimax optimization problems with uncertainty. Operations
Research Letters, 27(2) :57 65.

127

V. Borodin

Averbakh, I. (2001). On the complexity of a class of combinatorial optimization problems with uncertainty. Mathematical Programming, 90(2) :263272.
Averbakh, I. and Lebedev, V. (2004). Interval data minmax regret network optimization problems. Discrete Applied
Mathematics, 138(3) :289 301.
Azadeh, A., Arani, H. V., and Dashti, H. (2014). A stochastic programming approach towards optimization of biofuel
supply chain. Energy, 76(0) :513 525.
Azamathulla, H. (2012). Linear programming for irrigation scheduling - a case study. Linear Programming : New
Frontiers in Theory and Applications, pages 174192.
Bachelet, B. and Yon, L. (2007). Model enhancement : Improving theoretical optimization with simulation. Simulation
Modelling Practice and Theory, 15(6) :703 715.
Bai, Y., Hwang, T., Kang, S., and Ouyang, Y. (2011). Biofuel refinery location and supply chain planning under traffic
congestion. Transportation Research Part B : Methodological, 45(1) :162 175.
Baltagi, B. and Song, S. (2006). Unbalanced panel data : A survey. Statistical Papers, 47(4) :493523.
Belhouchette, H., Blanco, M., Wery, J., and Flichman, G. (2012). Sustainability of irrigated farming systems in a
tunisian region : A recursive stochastic programming analysis. Computers and Electronics in Agriculture, 86(0) :100
110.
Ben-Tal, A. and Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters,
25(1) :1 13.
Beraldi, P. and Ruszczyski, A. (2005). Beam search heuristic to solve stochastic integer problems under probabilistic
constraints. European Journal Of Operational Research, 167(1) :3547.
Bertsimas, D. and Sim, M. (2004). The price of robustness. Operations Research, 52(1) :3553.
Beske, P., Land, A., and Seuring, S. (2014). Sustainable supply chain management practices and dynamic capabilities
in the food industry : A critical analysis of the literature. International Journal of Production Economics, 152(0) :131
143.
Bharati, S. K. and Singh, S. R. (2014). Intuitionistic fuzzy optimization technique in agricultural production planning :
A small farm holder perspective. International Journal of Computer Applications, 89(6) :1723.
Birge, J. R. (1985). Decomposition and partitioning methods for multistage stochastic linear programs. Operations
Research, 33(5) :9891007.
Blommaert, A., Hens, N., and Beutels, P. (2014). Data mining for longitudinal data under multicollinearity and
time dependence using penalized generalized estimating equations. Computational Statistics and Data Analysis,
71 :667680.
Bohle, C., Maturana, S., and Vera, J. (2010). A robust optimization approach to wine grape harvesting scheduling.
European Journal of Operational Research, 200(1) :245 252.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2012a). Gestion des flux de crales dune cooprative
agricole. In ROADEF - 13me congrs annuel de la Socit franaise de recherche oprationnelle et daide la dcision,
pages 12.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2012b). A scenario-based approach for quality risk management : case of annual crops scheduling. In International Conference on Metaheuristics and Nature Inspired
Computing (META), pages 12.

128

BIBLIOGRAPHIE

Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013a). Combined simulation and optimization approach
for an agricultural supply chain redesign. In Proceeding of the 22nd International Conference on Production Research,
pages 110.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013b). A discrete event simulation model for harvest
operations under stochastic conditions. In Networking, Sensing and Control (ICNSC), 2013 10th IEEE International
Conference on, pages 708713.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2013c). Simulation et analyse des performances dune
chane logistique agricole. In ROADEF - 14me congrs annuel de la Socit franaise de recherche oprationnelle et
daide la dcision, pages 12.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014a). Application of panel data and multivariate adaptive
regression splines modellings : case of farmers crop delivery. Computational Statistics & Data Analysis, pages
112. (soumis, aut 2014).
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014b). An application of the discrete event simulation for
efficient crop production supply chain. In 10th International Conference on MOdeling, Optimization and SIMlation
(MOSIM), pages 110, Nancy, France.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014c). A bi-objective chance constrained programming model for eficient crop harvest scheduling. In 18th International Symposium on Inventories (ISIR), Budapest,
Hungary.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014d). Combined simulation and optimization approach
for an agricultural supply chain redesign. International Journal of Production Economics, pages 110. (soumis,
janvier 2014).
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014e). Crop harvest scheduling on a rolling horizon
basis : a farm-dedicated operational application. In EURO Mini-Conference on Stochastic Programming (ECSP),
Paris, France.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014f). A decision support system for efficient crop
production supply chain management. In Computational Science and Its Applications - ICCSA 2014, volume 8583
of Lecture Notes in Computer Science, pages 775790.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014g). Handling uncertainty in agricultural supply chain
management : a state of the art. European Journal of Operational Research, pages 112. (soumis, aut 2014).
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014h). An interval programming approach for an operational transportation planning problem. In Information Processing and Management of Uncertainty in KnowledgeBased Systems, volume 442 of Communications in Computer and Information Science, pages 117126.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014i). A multi-step rolled forward chance-constrained
model and a proactive dynamic approach for the wheat crop quality control problem. International Journal of
Production Economics, pages 111. (soumis, aut 2014).
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014j). A quality risk management problem : case of
annual crop harvest scheduling. International Journal of Production Research, 52(9) :26822695.
Borodin, V., Bourtembourg, J., Hnaien, F., and Labadie, N. (2014k). Systme daide la dcision pour une chane logistique agricole performante. In ROADEF - 15me congrs annuel de la Socit franaise de recherche oprationnelle
et daide la dcision, Bordeaux, France.
Boussemart, J.-P., Leleu, H., and Ojo, O. (2013). The spread of pesticide practices among cost-efficient farmers.
Environmental Modeling & Assessment, 18(5) :523532.

129

V. Borodin

Burer, S., Jones, P. C., and Lowe, T. J. (2008). Coordinating the supply chain in the agricultural seed industry. European
Journal of Operational Research, 185(1) :354 377.
Butte, N., Wong, W., Adolph, A., Puyau, M., Vohra, F., and Zakeri, I. (2010). Validation of cross-sectional time series
and multivariate adaptive regression splines models for the prediction of energy expenditure in children and
adolescents using doubly labeled water. The Journal of Nutrition, pages 15161523.
Cadenas, J., Pelta, D. A., Pelta, H., and Verdegay, H. (2004). Application of fuzzy optimization to diet problems in
argentinean farms. European Journal of Operational Research, 158(1) :218 228.
Caixeta-Filho, J. (2006). Orange harvesting scheduling management : A case study. Journal of the Operational
Research Society, 57(6) :637642.
Carbone, V. and Meunier, C. (2006). Supply chain management : porte et limites. lapport de thories des rseaux.
Proceedings of the Annual Conference AIMS-Association Internationale Management Stratgique, Annecy, France.
Cardoso, R., da Cruz, A., Wanner, E., and Takahashi, R. (2009). Multi-objective evolutionary optimization of biological
pest control with impulsive dynamics in soybean crops. Bulletin of Mathematical Biology, 71(6) :14631481.
Carpente, L., Casas-Mndez, B., Jcome, C., and Puerto, J. (2010). A model and two heuristic approaches for a forage
harvester planning problem : a case study. TOP, 18(1) :122139.
Castellazzi, M., Matthews, J., Angevin, F., Sausse, C., Wood, G., Burgess, P., Brown, I., Conrad, K., and Perry, J. (2010).
Simulation scenarios of spatio-temporal arrangement of crops at the landscape scale. Environmental Modelling
and Software, 25(12) :1881 1889.
Catal, L., Durand, G., Blanco, A., and Bandoni, J. (2013). Mathematical model for strategic planning optimization
in the pome fruit industry. Agricultural Systems, 115(0) :63 71.
Chan, W. and Schruben, L. (2008). Optimization models of discrete-event system dynamics. Operations Research,
56(5) :12181237.
Chang, C., Wang, C., and Jiang, B. (2011). Using data mining techniques for multi-diseases prediction modeling of
hypertension and hyperlipidemia by common risk factors. Expert Systems with Applications, 38(5) :5507 5513.
Charnes, A. and Cooper, W. W. (1959). Chance-constrained programming. Management Science, 6(1) :7379.
Chen, C. and Fan, Y. (2012). Bioethanol supply chain system planning under supply and demand uncertainties.
Transportation Research Part E : Logistics and Transportation Review, 48(1) :150 164.
Chinneck, J. and Ramadan, K. (2000). Linear programming with interval coefficients. Journal of the Operational
Research Society, 51(2) :209220.
Cholette, S. (2009). Mitigating demand uncertainty across a winerys sales channels through postponement. International Journal of Production Research, 47(13) :35873609.
Chou, S., Lee, T., Shao, Y., and Chen, I. (2004). Mining the breast cancer pattern using artificial neural networks and
multivariate adaptive regression splines. Expert Systems with Applications, 27(1) :133 142.
Cobuloglu, H. and Byktahtakn, I. (2014). A mixed-integer optimization model for the economic and environmental
analysis of biomass production. Biomass and Bioenergy, 67(0) :8 23.
Confalonieri, R., Francone, C., Cappelli, G., Stella, T., Frasso, N., Carpani, M., Bregaglio, S., Acutis, M., Tubiello,
F., and Fernandes, E. (2013). A multi-approach software library for estimating crop suitability to environment.
Computers and Electronics in Agriculture, 90(0) :170 175.
Costa, A., dos Santos, L., Alem, D., and Santos, R. (2014). Sustainable vegetable crop supply problem with perishable
stocks. Annals of Operations Research, 219(1) :265283.

130

BIBLIOGRAPHIE

Cucek, L., Martn, M., Grossmann, I., and Kravanja, Z. (2014). Multi-period synthesis of optimally integrated biomass
and bioenergy supply network. Computers & Chemical Engineering, 66(0) :57 70.
Dantzig, G. (1955). Linear programming under uncertainty. Management Science, 1(3-4) :197206.
Dantzig, G. B. and Infanger, G. (1993). Multi-stage stochastic linear programs for portfolio optimization. Annals of
Operations Research, 45(1) :5976.
Darby-Dowman, K., Barker, S., Audsley, E., and Parsons, D. (2000). A two-stage stochastic programming with recourse model for determining robust planting plans in horticulture. The Journal of the Operational Research
Society, 51(1) :8389.
Darvishi SalooKolayi, D., Teimouri Yansari, A., and Nasseri, S. (2011). Application of fuzzy optimization in diet
formulation. The Journal of Mathematics and Computer Science, 2(3) :459468.
De Avila Pacheco, J. and Morabito, R. (2011). Application of network flow models for the cash management of an
agribusiness company. Computers and Industrial Engineering, 61(3) :848857.
De Toro, A. and Hansson, P.-A. (2004). Analysis of field machinery performance based on daily soil workability
status using discrete event simulation or on average workday probability. Agricultural Systems, 79(1) :109 129.
Dentcheva, D., Prkopa, A., and Ruszczyski, A. (2000). Concavity and efficient points of discrete distributions in
probabilistic programming. Mathematical Programming, 89(1) :5577.
Dentcheva, D., Prkopa, A., and Ruszczyski, A. (2001). On convex probabilistic programming with discrete distributions. Nonlinear Analysis : Theory, Methods and Applications, 47(3) :1997 2009. Proceedings of the Third
World Congress of Nonlinear Analysts.
Dentcheva, D., Prkopa, A., and Ruszczyski, A. (2002). Bounds for probabilistic integer programming problems.
Discrete Applied Mathematics, 124(1-3) :5565.
Doole, G. J. (2012). Evaluation of an agricultural innovation in the presence of severe parametric uncertainty : An
application of robust counterpart optimisation. Computers and Electronics in Agriculture, 84 :1625.
Dos Santos, L., Michelon, P., Arenales, M., and Santos, R. (2011). Crop rotation scheduling with adjacency constraints.
Annals of Operations Research, 190(1) :165180.
Dupacov, J. and Sladk, K. (2002). Comparison of multistage stochastic programs with recourse and stochastic
dynamic programs with discrete time. ZAMM - Journal of Applied Mathematics and Mechanics / Zeitschrift fr
Angewandte Mathematik und Mechanik, 82(11-12) :753765.
Edwards, R. A., Ross, A. S., Mares, D. J., Ellison, F. W., and Tomlinson, J. D. (1989). Enzymes from rain-damaged and
laboratory-germinated wheat I. effects on product quality. Journal of Cereal Science, 10(2) :157 167.
Eeden, E. V. and Labuschagne, M. (2012). Sprouting tolerance and falling number in south african hybrid bread
wheat cultivars and their parent lines. Journal of Cereal Science, 56(3) :754 759.
Ekiolu, S., Acharya, A., Leightley, L., and Arora, S. (2009). Analyzing the design and management of biomass-tobiorefinery supply chain. Computers & Industrial Engineering, 57(4) :1342 1352.
El Bassam, N., Behl, R., and Prochnow, B. (1998). Sustainable agriculture for food, energy and industry : strategies
towards achievement. Number 1 in Proceedings of the International Conference Held in Braunschweig, Germany.
Fao (2009). La situation mondiale de lalimentation et de lagriculture. Organisation des Nations Unies pour lalimentation et lagriculture.
Fischer, G., Ermolieva, T., Ermoliev, Y., and Sun, L. (2009). Risk-adjusted approaches for planning sustainable agricultural development. Stochastic Environmental Research and Risk Assessment, 23(4) :441450.

131

V. Borodin

Flm, S. (1985). Nonanticipativity in stochastic programming. Journal of Optimization Theory and Applications,
46(1) :2330.
Flaten, O. and Lien, G. (2007). Stochastic utility-efficient programming of organic dairy farms. European Journal of
Operational Research, 181(3) :1574 1583.
Fleury, G., Lacomme, P., and Tanguy, A. (2006). Simulation vnements discrets. Eyrolles.
Fourer, R. and Lopes, L. (2006). A management system for decompositions in stochastic programming. Annals of
Operations Research, 142(1) :99118.
Frees, E. and Miller, T. (2004). Sales forecasting using longitudinal data models. International Journal of Forecasting,
20(1) :99 114.
Friedman, J. (1991). Multivariate Adaptive Regression Splines. The Annals of Statistics, 19(1) :167.
Fu, M. C. (2002). Feature article : Optimization for simulation : Theory vs. practice. INFORMS Journal on Computing,
14(3) :192215.
Gabrel, V., Murat, C., and Remli, N. (2008). Best and worst optimum for linear programs with interval right hand
sides. In Modelling, Computation and Optimization in Information Systems and Management Sciences, volume 14
of Communications in Computer and Information Science, pages 126134.
Gabrel, V., Murat, C., and Remli, N. (2010). Linear programming with interval right hand sides. International Transactions in Operational Research, 17(3) :397408.
Gebrezgabher, S., Meuwissen, M., and Oude Lansink, A. (2014). A multiple criteria decision making approach to
manure management systems in the netherlands. European Journal of Operational Research, 232(3) :643 653.
Glen, J. J. (1987). Mathematical models in farm planning : A survey. Operations Research, 35(5) :641666.
Golenko-Ginzburg, D., Sinuany-Stern, Z., and Kats, V. (1996). A multilevel decision-making system with multiple
resources for controlling cotton harvesting. International Journal of Production Economics, 46-47(0) :55 63.
Govindan, K., Jafarian, A., Khodaverdi, R., and Devika, K. (2014). Two-echelon multiple-vehicle location-routing
problem with time windows for optimization of sustainable supply chain network of perishable food. International
Journal of Production Economics, 152(0) :9 28.
Griffith, A., Haque, M., and Epplin, F. (2014). Cost to produce and deliver cellulosic feedstock to a biorefinery :
Switchgrass and forage sorghum. Applied Energy, 127(0) :44 54.
Growe-Kuska, N., Heitsch, H., and Rmisch, W. (2003). Scenario reduction and scenario tree construction for power
management problems. In Power Tech Conference Proceedings, 2003 IEEE Bologna, volume 3, pages 17.
Guan, S., Nakamura, M., Shikanai, T., and Okazaki, T. (2008). Hybrid petri nets modeling for farm work flow. Computers and Electronics in Agriculture, 62(2) :149 158.
Guan, Z. and Philpott, A. (2011). A multistage stochastic programming model for the new zealand dairy industry.
International Journal of Production Economics, 134(2) :289 299.
Gupta, A., Harboe, R., and Tabucanon, M. (2000). Fuzzy multiple-criteria decision making for crop area planning in
narmada river basin. Agricultural Systems, 63(1) :1 18.
Hagberg, S. (1960). A rapid method for determining alpha-amylase activity. Cereal Chemistry, (37) :218222.
Hall, J., Matos, S., and Silvestre, B. (2012). Understanding why firms should invest in sustainable supply chains : a
complexity approach. International Journal of Production Research, 50(5) :13321348.
Haneveld, W. and Stegeman, A. (2005). Crop succession requirements in agricultural production planning. European
Journal of Operational Research, 166(2) :406 429.

132

BIBLIOGRAPHIE

Harris, D. R. and Fuller, D. Q. (2014). Agriculture : Definition and overview. In Encyclopedia of Global Archaeology,
pages 104113. Springer New York.
Hasani, A., Zegordi, S., and Nikbakhsh, E. (2012). Robust closed-loop supply chain network design for perishable
goods in agile manufacturing under uncertainty. International Journal of Production Research, 50(16) :46494669.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The elements of statistical learning : data mining, inference and
prediction. Springer, 2 edition.
Heikkinen, T. and Pietola, K. (2009). Investment and the dynamic cost of income uncertainty : The case of diminishing
expectations in agriculture. European Journal of Operational Research, 192(2) :634 646.
Heitsch, H. and Rmisch, W. (2003). Scenario reduction algorithms in stochastic programming. Computational
Optimization and Applications, 24(2-3) :187206.
Heitsch, H. and Rmisch, W. (2007). A note on scenario reduction in stochastic for two stage stochastic programs.
Operations Research Letters, 35(6) :731736.
Henrion, R., Kchler, C., and Rmisch, W. (2008). Discrepancy distances and scenario reduction in twostage stochastic mixed-integer programming. Journal of Industrial and Management Optimization, 4(2).
Higgins, A., Miller, C., Archer, A., Ton, T., Fletcher, C., and McAllister, R. (2010). Challenges of operations research
practice in agricultural value chains. The Journal of the Operational Research Society, 61(6) :964973.
Hladk, M. (2009). Optimal value range in interval linear programming. Fuzzy Optimization and Decision Making,
8(3) :283294.
Houshyar, E., Azadi, H., Almassi, M., Davoodi, M., and Witlox, F. (2012). Sustainable and efficient energy consumption of corn production in southwest iran : Combination of multi-fuzzy and DEA modeling. Energy, 44(1) :672
681.
Hovelaque, V., Duvaleix-Trguer, S., and Cordier, J. (2009). Effects of constrained supply and price contracts on
agricultural cooperatives. European Journal of Operational Research, 199(3) :769 780.
Hu, M., Chen, Y.-H., and Huang, J.-C. (2014). A sustainable vegetable supply chain using plant factories in taiwanese
markets : A nash-cournot model. International Journal of Production Economics, 152(0) :49 56.
ITCF (2001). Contrle de la qualit des crales et des protagineux : guide pratique. ITCF craliers de France.
Itoh, T., Ishii, H., and Nanseki, T. (2003). A model of crop planning under uncertainty in agricultural management.
International Journal of Production Economics, 81-82(0) :555 558.
Jang, W. and Klein, C. (2011). Supply chain models for small agricultural enterprises. Annals of Operations Research,
190(1) :359374.
Janov, J. (2012). Crop planning optimization model : the validation and verification processes. Central European
Journal of Operations Research, 20(3) :451462.
Jena, S. and Poggi, M. (2013). Harvest planning in the brazilian sugar cane industry via mixed integer programming.
European Journal of Operational Research, 230(2) :374 384.
Junqueira, R. and Morabito, R. (2012). Production and logistics planning considering circulation taxes in a multi-plant
seed corn company. Computers and Electronics in Agriculture, 84(0) :100 110.
Kall, P. and Wallace, S. N. (1994). Stochastic Programming. JOHN WILEY and SONS.
Kasivisvanathan, H., Ng, R., Tay, D., and Ng, D. (2012). Fuzzy optimisation for retrofitting a palm oil mill into a
sustainable palm oil-based integrated biorefinery. Chemical Engineering Journal, 200-202(0) :694 709.

133

V. Borodin

Kasperski, A. and Zielinski, P. (2006). The robust shortest path problem in series-parallel multidigraphs with interval
data. Operations Research Letters, 34(1) :69 76.
Kaut, M. and Wallace, S. W. (2003). Evaluation of scenario-generation methods for stochastic programming. In
World Wide Web, Stochastic Programming E-Print Series, pages 142003.
Kim, J., Realff, M. J., and Lee, J. H. (2011). Optimal design and global sensitivity analysis of biomass supply chain
networks for biofuels under uncertainty. Computers and Chemical Engineering, 35(9) :17381751.
Kleijnen, J. P., van Beers, W., and van Nieuwenhuyse, I. (2010). Constrained optimization in expensive simulation :
Novel approach. European Journal of Operational Research, 202(1) :164 174.
Kleijnen, J. P. and Wan, J. (2007). Optimization of simulated systems : Optquest and alternatives. Simulation Modelling
Practice and Theory, 15(3) :354 362.
Klerkx, L. and Leeuwis, C. (2008). Matching demand and supply in the agricultural knowledge infrastructure :
Experiences with innovation intermediaries. Food Policy, 33(3) :260 276.
Kostin, A., Guilln-Goslbez, G., Mele, F., Bagajewicz, M., and Jimnez, L. (2012). Design and planning of infrastructures for bioethanol and sugar production under demand uncertainty. Chemical Engineering Research and Design,
90(3) :359 376.
Kouser, S. and Qaim, M. (2011). Impact of bt cotton on pesticide poisoning in smallholder agriculture : A panel data
analysis. Ecological Economics, 70(11) :2105 2113.
Kuo, F. Y. and Sloan, I. H. (2005). Lifting the curse of dimensionality. Notices of the AMS, 52 :13201329.
Laguna, M. and Marti, R. (2002). The optquest callable library. In Optimization Software Class Libraries, volume 18
of Operations Research. Computer Science Interfaces Series, pages 193218.
Law, A. M. and Kelton, W. (2000). Simulation Modeling and Analysis. 3. Hardcover.
Le Gal, P.-Y., Merot, A., Moulin, C.-H., Navarrete, M., and Wery, J. (2010). A modelling framework to support farmers
in designing agricultural production systems. Environmental Modelling & Software, 25(2) :258 268.
Lee, T., Chiu, C., Chou, Y., and Lu, C. (2006). Mining the customer credit using classification and regression tree and
multivariate adaptive regression splines. Computational Statistics and Data Analysis, 50(4) :1113 1130.
Leung, S., Tsang, S., Ng, W., and Wu, Y. (2007). A robust optimization model for multi-site production planning
problem in an uncertain environment. European Journal of Operational Research, 181(1) :224 238.
Li, Y., Liu, J., and Huang, G. (2014). A hybrid fuzzy-stochastic programming method for water trading within an
agricultural system. Agricultural Systems, 123(0) :71 83.
Liu, G., Zhang, J., and Tang, W. (2014). Joint dynamic pricing and investment strategy for perishable foods with
price-quality dependent demand. Annals of Operations Research, pages 120.
Lodree Jr., E. and Uzochukwu, B. (2008). Production planning for a deteriorating item with stochastic demand and
consumer choice. International Journal of Production Economics, 116(2) :219 232.
Lu, H., Huang, G., and He, L. (2011). An inexact rough-interval fuzzy linear programming method for generating conjunctive water-allocation strategies to agricultural irrigation systems. Applied Mathematical Modelling,
35(9) :4330 4340.
Lucas, M. T. and Chhajed, D. (2004). Applications of location analysis in agriculture : A survey. The Journal of the
Operational Research Society, 55(6) :561578.
Lurette, A., Aubron, C., and Moulin, C.-H. (2013). A simple model to assess the sensitivity of grassland dairy systems
to scenarios of seasonal biomass production variability. Computers and Electronics in Agriculture, 93(0) :27 36.

134

BIBLIOGRAPHIE

Maatman, A., Schweigman, C., Ruijs, A., and van Der Vlerk, M. H. (2002). Modeling farmers response to uncertain
rainfall in Burkina Faso - a stochastic programming approach. Operations Research, 50(3) :399414.
Maqsood, I., Huang, G., Huang, Y., and Chen, B. (2005). ITOM : an interval-parameter two-stage optimization
model for stochastic planning of water resources systems. Stochastic Environmental Research and Risk Assessment,
19(2) :125133.
McKinion, J., Jenkins, J., Akins, D., Turner, S., Willers, J., Jallas, E., and Whisler, F. (2001). Analysis of a precision
agriculture approach to cotton production. Computers and Electronics in Agriculture, 32(3) :213228.
Melouk, S., Fontem, B. A., Waymire, E., and Hall, S. (2014). Stochastic resource allocation using a predictor-based
heuristic for optimization via simulation. Computers & Operations Research, 46(0) :38 48.
Mercier, L. and Van Hentenryck, P. (2008). Amsaa : A multistep anticipatory algorithm for online stochastic combinatorial optimization. In Integration of AI and OR Techniques in Constraint Programming for Combinatorial
Optimization Problems, volume 5015 of Lecture Notes in Computer Science, pages 173187.
Miguis, V., Camanho, A., and Cunha, J. (2013). Customer attrition in retailing : An application of multivariate
adaptive regression splines. Expert Systems with Applications, 40(16) :6225 6232.
Miller, B. and Wagner, H. (1965). Chance-constrained programming with joint constraints. Operational Research,
13(6) :930945.
Miller, W., Leung, L., Azhar, T., and Sargent, S. (1997). Fuzzy production planning model for fresh tomato packing.
International Journal of Production Economics, 53(3) :227 238.
Minoux, M. (2009). Robust linear programming with right-hand-side uncertainty, duality and applications robust
linear programming with right-hand-side uncertainty, duality and applications. In Encyclopedia of Optimization,
pages 33173327.
Moghaddam, K. and DePuy, G. (2011). Farm management optimization using chance constrained programming
method. Computers and Electronics in Agriculture, 77(2) :229237.
Molaei, M. (2011). Relative advantage of producing agricultural crops in ardabil province (Iran). World Applied
Sciences Journal, 15(6) :860866.
Montemanni, R., Barta, J., Mastrolilli, M., and Gambardella, L. M. (2007). The robust traveling salesman problem
with interval data. Transportation Science, 41(3) :366381.
Morgan, D. R., Eheart, J. W., and Valocchi, A. J. (1993). Aquifer remediation design under uncertainty using a new
chance constrained programming technique. Water Resources Research, 29(3) :551561.
Moussouni, N. and Aidene, M. (2012). An algorithm for optimization of cereal output. Acta Applicandae Mathematicae, 119(1) :113127.
Mundlak, Y., Butzer, R., and Larson, D. (2012). Heterogeneous technology and panel data : The case of the agricultural
production function. Journal of Development Economics, 99(1) :139 149.
Munhoz, J. R. and Morabito, R. (2014). Optimization approaches to support decision making in the production
planning of a citrus company : A brazilian case study. Computers and Electronics in Agriculture, 107(0) :45 57.
Nagasawa, H., Kotani, M., and Morizawa, K. (2009). Optimal cooperative harvesting patterns of agricultural fresh
products in case of multiple farmers and multiple markets under periodical flowering. Journal of the Operations
Research Society of Japan, 52(4) :417432.
Nielsen, L., Jrgensen, E., and Hjsgaard, S. (2011). Embedding a state space model into a markov decision process.
Annals of Operations Research, 190(1) :289309.

135

V. Borodin

Ohlmann, J. and Jones, P. (2011). An integer programming model for optimal pork marketing. Annals of Operations
Research, 190(1).
Osmani, A. and Zhang, J. (2013). Stochastic optimization of a multi-feedstock lignocellulosic-based bioethanol supply
chain under multiple uncertainties. Energy, 59(0) :157 172.
Pahl, J. and Vo, S. (2014). Integrating deterioration and lifetime constraints in production and supply chain planning : A survey. European Journal of Operational Research, 238(3) :654 674.
Paksoy, T., Pehlivan, N. Y., and zceylan, E. (2012). Application of fuzzy optimization to a supply chain network
design : A case study of an edible vegetable oils manufacturer. Applied Mathematical Modelling, 36(6) :2762
2776.
Paris, J.-L., Tautou-Guillaume, L., and Pierreval, H. (2001). Dealing with design options in the optimization of manufacturing systems : An evolutionary approach. International Journal of Production Research, 39(6) :10811094.
Pasty, J. (2004). Les dbouchs non alimentaires des produits agricoles : un enjeu pour la france et lunion europenne.
Avis et rapports du conseil conomique et social, (12) :274.
Pea, T., Lara, P., and Castrodeza, C. (2009). Multiobjective stochastic programming for feed formulation. Journal
of the Operational Research Society, 60(12) :17381748.
Pea Haro, S., Pulido-Velazquez, M., and Llopis-Albert, C. (2011). Stochastic hydro-economic modeling for optimal
management of agricultural groundwater nitrate pollution under hydraulic conductivity uncertainty. Environmental Modelling & Software, 26(8) :999 1008.
Person, A., Grimm, H., and Ng, A. (2008). A metamodel-assisted steady-state evolution strategy for simulation-based
optimization. In Trends in Intelligent Systems and Computer Engineering, volume 6 of Lecture Notes in Electrical
Engineering, pages 113.
Perten, H. (1964). Application of the falling number method for evaluating alpha-amylase activity. Cereal chemistry,
41(3) :127140.
Pierreval, H. and Paris, J.-L. (2003). From simulation optimization to simulation configuration of systems. Simulation
Modelling Practice and Theory, 11(1) :5 19.
Pierreval, H. and Tautou, L. (1997). Using evolutionary algorithms and simulation for the optimization of manufacturing systems. IIE Transactions, 29(3) :181189.
Pillac, V., Gendreau, M., Guret, C., and Medaglia, A. L. (2013). A review of dynamic vehicle routing problems.
European Journal of Operational Research, 225(1) :1 11.
Piramuthu, S. and Zhou, W. (2013). RFID and perishable inventory management with shelf-space and freshness
dependent demand. International Journal of Production Economics, 144(2) :635 640.
Powell, W. B. (2007). Approximate Dynamic Programming : Solving the Curses of Dimensionality (Wiley Series in
Probability and Statistics). Wiley-Interscience.
Prkopa, A. (1990). Dual method for the solution of a one-stage stochastic programming problem with random rhs
obeying a discrete probability distribution. Zeitschrift fr Operations Research, 34(6) :441461.
Puterman, M. L. (1994). Markov Decision Processes : Discrete Stochastic Dynamic Programming. John Wiley & Sons,
Inc., 1 edition.
Qi, R., Ma, Y., Hu, B., De Reffye, P., and Cournde, P.-H. (2010). Optimization of source-sink dynamics in plant
growth for ideotype breeding : A case study on maize. Computers and Electronics in Agriculture, 71(1) :96105.
Rajaram, K. and Corbett, C. (2002). Achieving environmental and productivity improvements through model-based
process redesign. Operations Research, 50(5) :751763.

136

BIBLIOGRAPHIE

Rockafellar, R. and Wets, R.-B. (1976). Nonanticipativity and L1-martingales in stochastic optimization problems. In
Stochastic Systems : Modeling, Identification and Optimization, II, volume 6 of Mathematical Programming Studies,
pages 170187.
Rockafellar, R. T. and Wets, R. J.-B. (1991). Scenarios and policy aggregation in optimization under uncertainty.
Mathematics of Operations Research, 16(1) :119147.
Rong, A., Akkerman, R., and Grunow, M. (2011). An optimization approach for managing fresh food quality throughout the supply chain. International Journal of Production Economics, 131(1) :421 429.
Roose, P. (2007). SI-COTS : Aide lintgration de COTS products. Workshop MADSI (Mthodes avances de dveloppement des systmes dinformation) - 25me congrs INFORSID.
Roux, N. (2013). La volatilit des marchs mondiaux des matires premires agricoles et lvolution des prix la
consommation de lalimentation en france. DGCCRF co.
Roy, B. (2010). Robustness in operational research and decision aiding : A multi-faceted issue. European Journal of
Operational Research, 200(3) :629 638.
Saxena, A., Goyal, V., and Lejeune, M. (2010). MIP reformulation of the probabilistic set covering problem. Mathematical Programming, 121(1) :131.
Sazvar, Z., Mirzapour Al-e hashem, S., Baboli, A., and Akbari Jokar, M. (2014). A bi-objective stochastic programming model for a centralized green supply chain with deteriorating products. International Journal of Production
Economics, 150(0) :140 154.
Scara (2011). Rapport dactivit et de dveloppement durable 2010-2011. (1).
Schweigman, C., Bakker, E., and Snijders, T. (1990). Operations research as a tool for analysis of food security
problems. European Journal of Operational Research, 49(2) :211 221.
Semenzato, R., Lozano, S., and Valero, R. (1995). A discrete event simulation of sugar cane harvesting operations.
The Journal of the Operational Research Society, 46(9) :10731078.
Shapiro, A., Dentcheva, D., and Ruszczyski, A. (2009). Lectures on stochastic programming : Modelling and Theory.
Philadelphia : Society for Industrial and Applied Mathematics.
Sharma, D. K. and Jana, R. (2009). Fuzzy goal programming based genetic algorithm approach to nutrient management for rice crop planning. International Journal of Production Economics, 121(1) :224 232.
Shastri, Y., Hansen, A., Rodrguez, L., and Ting, K. (2011). A novel decomposition and distributed computing approach for the solution of large scale optimization models. Computers and Electronics in Agriculture, 76(1) :69
79.
Shi, B., Lu, H., Ren, L., and He, L. (2014). A fuzzy inexact two-phase programming approach to solving optimal
allocation problems in water resources management. Applied Mathematical Modelling, 38(23) :5502 5514.
Soregaroli, C., Sckokai, P., and Moro, D. (2011). Agricultural policy modelling under imperfect competition. Journal
of Policy Modeling, 33(2) :195 212.
Sorensen, E. and Gilheany, J. F. (1970). A simulation model for harvest operations under stochastic conditions.
Management Science, 16(8) :549565.
Soyster, A. L. (1973). Convex programming with set-inclusive constraints and applications to inexact linear programming. Operations Research, 21(5) :11541157.
Sukumara, S., Faulkner, W., Amundson, J., Badurdeen, F., and Seay, J. (2013). A multidisciplinary decision support tool
for evaluating multiple biorefinery conversion technologies and supply chain performance. Clean Technologies
and Environmental Policy, pages 118.

137

V. Borodin

Swisher, J., Hyden, P. D., Jacobson, S. H., and Schruben, L. W. (2004). A survey of recent advances in discrete input
parameter discrete-event simulation optimization. IIE Transactions, 36(6) :591600.
Tan, B. and Cmden, N. (2012). Agricultural planning of annual plants under demand, maturation, harvest and yield
risk. European Journal of Operational Research, 220(2) :539549.
Tan, R., Aviso, K., Barilea, I., Culaba, A., and Cruz Jr, J. (2012). A fuzzy multi-regional input-output optimization
model for biomass production and trade under resource and footprint constraints. Applied Energy, 90(1) :154
160.
Taniguchi, F., Yamada, T., and Kataoka, S. (2008). Heuristic and exact algorithms for the max-min optimization of
the multi-scenario knapsack problem. Computers & Operations Research, 35(6) :20342048.
Teimoury, E., Nedaei, H., Ansari, S., and Sabbaghi, M. (2013). A multi-objective analysis for import quota policy
making in a perishable fruit and vegetable supply chain : A system dynamics approach. Computers and Electronics
in Agriculture, 93(0) :37 45.
Thakur, M., Wang, L., and Hurburgh, C. (2010). A multi-objective optimization approach to balancing cost and
traceability in bulk grain handling. Journal of Food Engineering, 101(2) :193 200.
Thornley, J. and France, J. (2007). Mathematical Models in Agriculture : Quantitative Methods for the Plant, Animal
and Ecological Sciences. CABI Publishing Series. CABI Pub.
Tong, F. and Guo, P. (2013). Simulation and optimization for crop water allocation based on crop water production
functions and climate factor under uncertainty. Applied Mathematical Modelling, 37(14-15) :7708 7716.
Tsai, I. and Peng, C. (2012). A panel data analysis for housing affordability in Taiwan. Journal of Economics and
Finance, 36(2) :335350.
Uhlemair, H., Karschin, I., and Geldermann, J. (2014). Optimizing the production and distribution system of bioenergy
villages. International Journal of Production Economics, 147, Part A(0) :62 72.
Vamanan, M., Wang, Q., Batta, R., and Szczerba, R. J. (2004). Integration of COTS software products ARENA &
CPLEX for an inventory/logistics problem. Computers & Operations Research, 31(4) :533 547.
Van der Vorst, J. G., Tromp, S.-O., and Zee, D.-J. v. d. (2009). Simulation modelling for food supply chain redesign ;
integrated decision making on product quality, sustainability and logistics. International Journal of Production
Research, 47(23) :66116631.
Vizvri, B., Lakner, Z., Csizmadia, Z., and Kovcs, G. (2011). A stochastic programming and simulation based analysis
of the structure of production on the arable land. Annals of Operations Research, 190(1) :325337.
Wagner, J. M. and Berman, O. (1995). Models for planning capacity expansion of convenience stores under uncertain
demand and the value of information. Annals of Operations Research, 59(1) :1944.
Walther, G., Schatka, A., and Spengler, T. S. (2012). Design of regional production networks for second generation
synthetic bio-fuel. a case study in northern germany. European Journal of Operational Research, 218(1) :280 292.
Woodward, S. J. R., Romera, A. J., Beskow, W. B., and Lovatt, S. J. (2008). Better simulation modelling to support
farming systems innovation : Review and synthesis. New Zealand Journal of Agricultural Research, 51(3) :235252.
Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data, volume 1. The MIT Press, 2 edition.
Xie, Y., Li, Y., Huang, G., and Li, Y. (2010). An interval fixed-mix stochastic programming method for greenhouse
gas mitigation in energy systems under uncertainty. Energy, 35(12) :4627 4644.
Yakovleva, N., Joseph, S., and Thomas, S. (2012). Sustainable benchmarking of supply chains : the case of the food
industry. International Journal of Production Research, 50(5) :12971317.

138

BIBLIOGRAPHIE

Yaman, E., Karasan, O., and Nar, M. (2001). The robust spanning tree problem with interval data. Operations Research
Letters, 29 :2001.
You, F. (2013). Design of biofuel supply chains under uncertainty with multiobjective stochastic programming
models and decomposition algorithm. Computer Aided Chemical Engineering, 32 :493498.
Yu, G. (1996). On the max-min 0-1 knapsack problem with robust optimization applications. Operations Research,
44(2) :407415.
Yue, D., You, F., and Snyder, S. W. (2014). Biomass-to-bioenergy and biofuel supply chain optimization : Overview,
key issues and challenges. Computers and Chemical Engineering, 66(0) :36 56.
Zanoni, S. and Zavanella, L. (2012). Chilled or frozen ? decision strategies for sustainable food supply chains. International Journal of Production Economics, 140(2) :731 736.
Zhang, M., Kkyavuz, S., and Goel, S. (2014). A branch-and-cut method for dynamic decision making under joint
chance constraints. Management Science, 60(5) :13171333.
Zhang, X., Huang, G., and Nie, X. (2009). Optimal decision schemes for agricultural water quality management
planning with imprecise objective. Agricultural Water Management, 96(12) :1723 1731.
Zhang, X., Huang, G. H., Nie, X., and Lin, Q. (2011). Model-based decision support system for water quality management under hybrid uncertainty. Expert Systems with Applications, 38(3) :28092816.
Zheng, Y.-Z., Song, Q., and Chen, S. (2013). Multiobjective fireworks optimization for variable-rate fertilization in
oil crop production. Applied Soft Computing, 13(11) :4253 4263.
Zhu, W. and Zhang, H. (2013). A nonparametric regression method for multiple longitudinal phenotypes using
multivariate adaptive splines. Frontiers of Mathematics in China, 8(3) :731743.
Znidarsik, M., Bohanec, M., and Zupan, B. (2008). Modelling impacts of cropping systems : Demands and solutions
for DEX methodology. European Journal of Operational Research, 189(3) :594 608.
Zondervan, E., Nawaz, M., de Haan, A., Woodley, J., and Gani, R. (2011). Optimal design of a multi-product biorefinery
system. Computers & Chemical Engineering, 35(9) :1752 1766.

139

Valeria BORODIN
Doctorat : Optimisation et Sret des Systmes
Anne 2014

Optimisation et simulation d'une chane


logistique : application au secteur de
l'agriculture

Supply Chain Optimization and Simulation: an Application to Agricultural


Sector

Dans le cadre de la thse portant sur loptimisation


et simulation de la chane logistique agricole, c'est
l'activit de collecte qui est concerne, la priode de
moisson tant primordiale en matire de quantit et
qualit de production, i.e. des revenus pour les agriculteurs et des richesses pour le territoire. Plus
spcifiquement, celle-ci implique les oprations de
rcolte, transport et stockage des crales, ralises
par plusieurs exploitations agricoles, disperses
gographiquement.
En vue d'aborder la complexit et la nature dynamique de la chane logistique dune cooprative
agricole franaise dans son intgralit, nous avons
dvelopp un systme d'aide la dcision, qui
s'inscrit dans la cadre de la recherche oprationnelle (RO) et plus prcisment se rfre l'optimisation linaire, robuste et stochastique; la simulation
de flux vnements discrets; ainsi qu' leur couplage. De plus, la synergie cre entre les outils de
la RO, le systme dinformation gographique, la
statistique infrentielle et prdictive rend le systme
d'aide la dcision comptitif et performant, capable de rpondre convenablement au besoin de
lindustriel.

To overcome the new challenges facing agricultural


sector, imposed by globalization, changing market
demands and price instability, the crop production
supply chain must particularly be very reactive,
flexible, with a high yield and at low cost. Its improving and eventual re-configuration can lead to an
upgrade in efficiency, responsiveness, business
integration and make it able to confront the market
competitiveness.
The thesis is thus placed in this particular context
and aims to support decision making in crop harvesting activity, which is considered the pivotal
stage in the cereal production circuit owing to its
high cost and impact on the returns earned. Managing the harvest activity involves gathering, transportation and storage operations, performed by a collection of agricultural holdings geographically dispersed. Besides its practical relevance, this thesis
forms part of the Operational Research (OR) and
more specifically, refers to the linear and stochastic
programming, discrete event simulation, and their
coupling. In addition, the synergy created between
OR, inferential and predictive statistics, geographical information system tools makes the decision
support system competitive, efficient and responsive.

Mots cls : agriculture - logistique (organisation) recherche oprationnelle - simulation, mthodes de


- programmation stochastique - mthodes statistiques - systmes d'aide la dcision.

Keywords: agriculture - business logistics - operations research - simulation methods - stochastic


programming - statistical methods - decision support systems.

Thse ralise en partenariat entre :

Ecole Doctorale "Sciences et Technologies"