See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/266492045

UNE APPROCHE MULTICRITÈRE POUR LA GESTION D'UN PARC DE MATÉRIEL

ROULANT

Article

CITATIONS READS

0 146

3 authors, including:

Belaid Aouni
Qatar University
108 PUBLICATIONS   1,086 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Belaid Aouni on 19 May 2015.

The user has requested enhancement of the downloaded file.

 3e Conférence Francophone de MOdélisation et SIMulation «Conception, Analyse et Gestion des Systèmes Industriels»
MOSIM’01 - du 25 au 27 avril 2001 – Troyes (France)

UNE APPROCHE MULTICRITÈRE POUR LA GESTION D’UN PARC DE

MATÉRIEL ROULANT

Hamid GOGHROD, Jean-Marc MARTEL Belaïd AOUNI

Faculté des sciences de l’administration Université School of Commerce and Administration,

Laval, Québec (QC), G1K 7P4 Canada. Laurentian University, Sudbury (ON), P3E 2C2 Canada.
Mél : aae641@agora.ulaval.ca Mél : baouni@nickel.laurentian.ca
jean-marc.martel@fsa.ulaval.ca

RÉSUMÉ: Le Ministère des Transports du Québec dispose d’une flotte d’équipements pour l’entretien des routes de
la province du Québec. L’unité responsable de la gestion de ce parc est le Centre de Gestion de l’Équipement
Roulant qui doit décider pour chaque unité ou équipement soit de continuer à l’entretenir, le vendre ou le remplacer.
Plusieurs facteurs, souvent conflictuels, sont à considérer lors du processus décisionnel tels que : réduire la flotte de
20 %, respecter l’enveloppe budgétaire, répondre aux besoins des clients ou encore maintenir un certain
rajeunissement du parc. Dans le présent document, nous proposons comme outil de gestion la programmation
mathématique à objectifs multiples avec l’intégration des préférences du gestionnaire.

MOTS-CLÉS: Goal programming, préférences du gestionnaire, gestion budgétaire.

1. INTRODUCTION meilleur service à la clientèle. Les gestionnaires font

En 1995 le ministère des Transports du Québec
(MTQ) a crée une nouvelle unité autonome. Il s’agit
du Centre de Gestion de l'Équipement Roulant
(CGER). Ce dernier est responsable de la gestion du
parc du matériel roulant du MTQ, c’est à dire qu’il a
pour mission d'assurer à ses clients la disponibilité
des véhicules routiers et des équipements connexes
ainsi que leur maintien en bon état de fonctionnement
(Ministère du Conseil exécutif, 1996; Ministère des
Transports du Québec, 1997).
face à un ensemble relativement important de
contraintes et de facteurs à prendre en considération.
D'une part, il y a la contrainte budgétaire et le fait
que les catégories d’unité n’aient pas toutes la même
importance relative. D'autre part, il faut tenir compte
des besoins exprimés par les clients, donc ramener le
nombre d’unités dans chaque catégorie en fonction
des besoins exprimés et maintenir un rajeunissement
du parc. À cette dernière contrainte, il faut ajouter le
désir du gouvernement de réduire le parc de 20 % au
cours de la prochaine année.

Réparti relativement uniformément sur le territoire,
le parc actuel du Ministère se compose de 1450
véhicules légers, 650 camions, de 1000 équipements
automoteurs et de près de 5000 autres équipements.
Les équipements composants ce parc sont
particulièrement utilisés dans les opérations
d’entretien du réseau routier effectuées en régie. Les
unités sont regroupées en catégorie dont la taille
varie considérablement d’une catégorie à une autre.
On dénombre 26 catégories, mais on dispose des
données que pour 11 catégories.
Le CGER assume presque tous les coûts reliés au
parc tels que : l’entretien préventif, les réparations
mineures et majeures, les coûts d’achat et
d’amortissement du véhicule. Dans une perspective
de restriction budgétaire, le plus grand défi du CGER
est de trouver une façon de gérer son parc de matériel
roulant à moindre coût et cela tout en offrant un
Dans le présent document, nous proposons une
approche multicritère pour la gestion du parc
matériel roulant au sein du MTQ. Cette approche
tient compte d’un ensemble de contraintes propres au
CGER et elle intègre explicitement les préférences
des gestionnaires de ce service.
2. FORMULATION DU PROBLÈME
Le CGER doit décider du sort de chaque unité de son
parc, à savoir: continuer à l’entretenir, la vendre et la
remplacer, ou la vendre tout simplement. Il fait donc
face à un choix entre une multitude de combinaisons
possibles tout en tenant compte simultanément de
plusieurs objectifs. Dans cette formulation, on doit
entre autre prendre en compte deux points de vue
dans la gestion de ce parc d’équipements. Celui du
gouvernement qui désire réduire la flotte de 20 % et
celui des clients (les 53 centres de services du MTQ)

- 921 -
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)
qui ont des besoins qui ne sont pas en général
compatible avec cette réduction de 20%. Il nous est
apparu raisonnable d’utiliser la programmation
mathématique avec buts (Goal Programming (GP))
comme outil de gestion approprié pour cette
problématique. Cette méthode, qui est à la fois facile
à comprendre et à utiliser, est en fait une extension
de la programmation linéaire qui dispose
d’algorithmes de résolution performants. D’abords
développée par Charnes et al., (1955) et Charnes et
Cooper (1961) dans sa forme linéaire puis appliquée
par Lee (1973) et Lee et Clayton (1972), ce modèle a
connu une grande popularité et son utilisation s’est
répandue à des domaines aussi nombreux que
diversifiés comme : la gestion des bassins
hydrauliques, la gestion des déchets solide, la
comptabilité et la gestion des ressources financières,
le marketing et le contrôle de la qualité, les
ressources humaines, la production, le transport et la
localisation, les études spatiales, les
télécommunications, l’agriculture, la foresterie et
l’aviation (Aouni, 1998). Dans sa version pondéré, le
modèle du GP peut s’écrire sous la forme suivante :
Minimiser Z= ∑ (Wl +δ l+ + Wl −δ l− )
p
l =1
Sujet aux contraintes :
K
+ −
∑ alk xk - δ l +δ l = bl ;
k =1
Cx ≤ c; (contraintes du système)
xk ≥ 0; k = 1,2,…,K;
+ −
δ l et δ l ≥ 0 ; l = 1,2,...,p ;
où :
xk : variables de décision;
bl : but fixé pour le lième objectif;
alk : paramètres technologiques;
δl+ et δl- : les déviations positives et négatives par
rapport à l’objectif l;
Wl+ et Wl- : les coefficients d’importances
relatives des déviations.
Ces derniers coefficients constituent une première
manière d’introduire les préférences du décideur dans
la modélisation. Toutefois, nous pouvons le faire de
manière plus explicite en introduisant des fonctions
de satisfaction au niveau de chaque objectif. Ceci
permet d’évaluer l’impact des déviations des
solutions par rapport aux différents buts (seuils
d’aspiration) fixés par le décideur (Martel et Aouni,
1990). Dans ces conditions, le décideur pourra donc
comparer les performances de chaque solution par
rapport aux buts bl qu’il a fixé pour chaque objectif l.
Leur degré de satisfaction est exprimé à l’aide d’une
fonction de satisfaction Fl(δl) qui a la forme générale
présentée à la figure 1.
Fl (δ l )
1
α il α ol α vl δl
Figure 1. Fonction de satisfaction.
Les fonctions Fl (δ l ) indiquent le degré de
satisfaction du décideur en fonction de l’écart δl par
rapport au but bl .
Les fonctions de satisfaction peuvent varier d’un
décideur à l’autre. Martel et Aouni (1990) se sont
inspirés du concept de critère généralisé de la
méthode PROMETHEE pour définir diverses formes
de fonctions de satisfaction. Nous pourrons noter que
cette fonction comporte trois seuils : un premier seuil
α il tel que toutes les solutions présentant une
déviation δ l par rapport au but, qui est inférieure à
ce seuil αil alors la satisfaction du décideur est à son
maximum (valeur 1), un deuxième seuil α0l tel que la
satisfaction du décideur est nulle si la déviation δ l
atteint au moins cette valeur et un seuil de veto αvl tel
que toute solution présentant une déviation qui est
supérieure à ce seuil est rejetée. Avec l’introduction
de ces fonctions de satisfaction, la fonction objectif
de la formulation précédente peut s’écrire de la
manière suivante :
L
Maximiser ∑
l =1
(Wl+ Fl+ (δl+ ) + Wl- Fl- (δl- ));
sujet aux mêmes contraintes et:
+ −
0 ≤ δl+ ≤ α vl ;0 ≤ δl- ≤ α vl .
2.1. Un sous-programme spécifique pour tenir
compte de l’objectif du gouvernement
Le gouvernement désir réduire le parc du ministère
du transport du Québec de 20 % au cours de l’année
prochaine. Nous cherchons donc à déterminer une
combinaison de la flotte qui satisfait pleinement
l’objectif du gouvernement bien que peut-être peu
réaliste. Dans ce sous-programme, nous voulons tenir
compte des préférences des gestionnaires au niveau
du sort accordé à chaque unité ainsi que de
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)

l’importance relative qu’ils attribuent à chaque de manière à ce que le niveau de satisfaction du

catégorie d’unités. Par exemple, comme ils veulent gestionnaire soit le plus élevé possible. Ce niveau de
rajeunir la flotte, ils accordent un poids plus grand au satisfaction à maximiser constitue la fonction objectif
remplacement de certaines unités. Ce sous- de ce deuxième programme. Les contraintes que
programme prend la forme suivante : comportent ce programme sont présentées dans les
I ni 3 prochaines sous-sections.
Maximiser Z= ∑∑ ∑ C W X k i ijk
i =1 j =1 k =1 2.3.1. La contrainte sur S*
Sujet aux contraintes :
ni ni Les déviations positive et négative permettent au
∑X ij 1
+ ∑X ij 3
≤ PGi ; programme de mesurer jusqu’à quel point une
j =1 j =1
solution se rapproche de S* (valeur obtenue du sous-
Xijk = (0; 1) pour i = 1,2,...,I et j = 1,2,…, ni ; programme), si elle ne peut atteindre cette valeur. Il
3
est à noter qu’on s’attend, s’il y a déviation que celle-
∑X ijk
= 1; ci soit plutôt négative puisque la valeur S* représente
k =1
en quelque sorte un idéal.
où :
Xi, j, k : l’unité j de la catégorie i subissant 2.3.2. La contrainte du budget
l'intervention k
1 ; Entretenir l' unité j de la catégorie i Le ministère des transports du Québec alloue à
Xij1 = 
chaque exercice financier une enveloppe budgétaire
0 ; Autrement pour ses opérations de gestion de son parc. Les
1; Vendre l' unité j de la catégorie i gestionnaires du CGER nous ont fourni la matrice
Xij2 =  des coûts concernant l’entretien, la vente ainsi que
0 ; Autrement les prix d’achat unitaire pour chaque catégorie. Seule
1; Remplacer l' unité j de la catégorie i la déviation positive est considérée dans cette
Xij3 =  contrainte c’est à dire qu’on peut tolérer un certain
0 ; Autrement dépassement du budget. La déviation négative n’est
i = 1, 2, …, I (les catégories); j = 1, 2, …, ni (ni pas retenue car dépenser moins que l’enveloppe
nombre d’unités de la catégorie i); budgétaire peut avoir des conséquences sur les
Ck : l’importance relative à l’action k telle que budgets futurs.
révélée par le gestionnaire;
Wi : importance relative de la catégorie i telle que 2.3.3. Le respect des besoins exprimés par les clients
révélée par le gestionnaire.
Cette contrainte oblige le programme à ramener le
Noter que dans les contraintes de réduction de 20 %, nombre d'unités dans chaque catégorie à un nombre
on ne retient pas le cas où k = 2 (vendre une unité) préalablement défini dans les besoins exprimés par
puisque ce sont des unités à vendre, donc ne font plus les clients. Il faut noter que les besoins exprimés sont
partie de la flotte, contrairement aux unités à en général supérieurs à la politique du gouvernement
entretenir (k = 1) et aux unités remplacées (k= 3) qui de réduire de 20% la flotte. Ici apparaît nettement le
formeront la nouvelle flotte. La valeur S* obtenue caractère conflictuel des objectifs inclus dans ce
pour la fonction objectif sera introduite dans le programme puisque la contrainte S* est obtenue
modèle du GP comme but à atteindre. avec une réduction de la flotte de 20%, en plus de la
contrainte du budget qui restreint également le
2.3. Le programme principal champs des solutions alors que celle des besoins tend
à faire augmenter la flotte.
Il s’agit d’un programme mathématique à objectifs
multiples, composé de trois objectifs pour lesquels Le programme principal prend la forme suivante :
des buts sont fixés et dans lequel on cherche à
Maximiser Z = FS-(δS-) + FS+(δS+) +FB+(δB+)+
maximiser la satisfaction du gestionnaire. Ce I
programme comporte des contraintes (reliées à
chaque objectif) exprimées sous forme d’égalité (=) à ∑
i =1
(Fi-(δbi-)+ Fi+(δbi+))
l’aide de déviations positive et négative. La solution Sujet aux contraintes :
générée par ce programme donnera une nouvelle
flotte du parc du MTQ qui tiendra compte des
objectifs du gouvernement et des besoins des clients
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)

Contrainte sur S* Il faut noter qu’une variable Yi est introduite dans le

I ni 3 programme principal dans le cas où les besoins sont
∑∑ ∑ C W X k i ijk
+ δ S -δ S = S ;
− + ∗
supérieurs à l’état actuel. C’est donc des achats purs
i =1 j =1 k =1 de nouveaux équipements ajoutés aux catégories qui
Contrainte sur le budget B nécessitent une augmentation du nombre d’unités qui
I ni 3 I la composent.
∑∑ ∑ a ijk
X ijk + ∑ PY − δ i i B
+
=B ;
i =1 j =1 k =1 i =1 3. RÉSOLUTION DU PROBLÈME
Contraintes sur les besoins
ni ni Les paramètres Ck et Wi du sous-programme ont été
∑X ij 1
+ ∑X ij 3
+ Yi + δ bi - δ bi = bi ∀i ;
− +
obtenus directement d’un gestionnaire du CGER.
j =1 j =1
Nous lui avons demandé de faire un rangement par
3
ordre d’importance (avec éventuellement des ex-
∑X ijk
=1 ; aequo) des catégories. Ensuite, il nous a fourni un
k =1
tableau où toutes les catégories sont comparées à une
Xijk = {0;1} ∀i , ∀j , ∀k ; catégorie de référence (la moins importante) en
Yi ≥ 0 et entier ∀i ; indiquant combien de fois (x fois) chaque catégorie
où : est plus important que la catégorie de référence.
Yi = nombre d'unités nouvelles ajoutées à la Nous avons en fait procédé comme dans la méthode
catégorie i; SMART pour déterminer les poids relatifs de chaque
bi : besoins en unité pour la catégorie i exprimés catégorie (Tableau 1). Les interventions (actions k=1,
par les clients; 2, 3) ont aussi été pondérées, mais d’une manière
B : budget global alloué; plus simple en lui demandant d’attribuer directement
Pi : prix d'achat d'un nouveau matériel de la une importance relative à chacune. Nous les avons
catégorie i; normalisé par la suite sur une échelle de 0 à 1
aijk : coût de l’action k pour l’unité j de la (Tableau 2).
catégorie i;
δS+ , δS- : déviation positive et négative de S*; Afin de faciliter la solution de ce programme et de ne
pas trop exiger du gestionnaire, nous avons retenu
δB+: déviation positive du budget
toujours la même forme pour les fonctions de
δbi+, δbi- : déviation positive et négative des besoins
satisfaction. La forme retenue est présentée à la
exprimés en d'unités pour la catégorie i.
figure 2. Toutefois, nous pouvons utiliser une forme
plus générale d’un objectif à un autre.

Catégories 1 2 3 4 5 6 7 8 9 10 11
Wi 0,1 0,1 0,133 0,133 0,1 0,1 0,033 0,066 0,066 0,033 0,133

Tableau 1. Poids relatifs des catégories

Interventions Entretenir Vendre Remplacer

Ck 0,31 0,23 0,46

Tableau 2: Poids relatifs des interventions

Fl (δ l )
1

α ol α vl δl
Figure 2. La forme des fonctions de satisfaction retenue.
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)

δs δ1 δ2 δ3 δ4 δ5 δ6 δ7 δ8 δ9 δ10 δ11
α0 40 2 2 8 4 1 2 3 1 1 5 1
δ αv 80 14 14 117 66 12 13 9 3 3 10 9
α0 40 2 4 3 3 1 1 2 1 1 6 3
δl- αv 600 14 42 39 44 9 6 8 3 4 10 40
Tableau 3. Valeurs des seuils pour toutes les autres fonctions de satisfaction

Budget / Variables 2 3 4 5 8 10 12
Millions Millions Millions Millions Millions Millions Millions
Yi, i=1,2…,11 0 0 0 0 0 0 0
δs- 34,21 33,50 31,36 28,31 26,87 22,26 18,92
δs+ 0 0 0 0 0 0 0
δB +
48 93 2 1984 65 329 147
δI1-=δI2- 0 0 0 0 0 0 0
δI3- 39 39 0 0 0 0 0
δI4- 44 44 44 44 0 0 0
δI5 -
9 0 0 0 0 0 0
δI6 =δI7 =δI8 =δI9 =δI10
- - - - -
0 0 0 0 0 0 0
δI11- 40 0 0 0 0 0 0
δIi+, i=1,2…,11 0 0 0 0 0 0 0
Z 7,66 9,53 11,203 11,28 12,32 12,44 12,52
% de remplacement 0,129 0,61 4,43 11,65 11,83 24,21 33,89
Tableau 4. Résultats des simulations (principales variables )

La mise en ouvre du programme principale requiert
que l’on fixe les valeurs des seuils de satisfaction
(tableau 3).
Compte tenu la limite imposée du nombre de pages,
nous avons dû laisser tomber plusieurs détails relatifs
à la formulation du problème. Ainsi, nous procédons
directement à la présentation et l’interprétation des
résultats obtenus lors du processus de résolution. Une
difficulté qui se présente généralement lors de la
résolution du programme principale est qui ce dernier
comporte des termes non linéaires. Pour remédier à
cela, nous avons utilisé la technique de linéarisation
développée par Oral et Kettani (1992).
Dans un premier temps, nous avons résolu le sous-
programme qui donne un nombre d’unités pondéré
en ne tenant compte que de la politique du
gouvernement qui est de réduire la flotte de 20% et
cela sans tenir compte des besoins des clients. La
valeur obtenue (S*=117,35 ) est introduite comme
but dans le programme principale. Celui-ci a été
résolu avec divers budgets et avec les besoins
exprimés par les clients. La flotte traitée se
composait de 2459 unités ce qui était supérieur aux
besoins des clients (2189 unités). Pour un budget de
8 millions, le programme a généré une nouvelle flotte
avec une valeur de la fonction de satisfaction de
(12,32) sur un maximum possible de 13. Cela veut
dire que le niveau de satisfaction atteint pour nos 13
objectifs (11 objectifs sur les besoins selon les
catégories, un objectif sur la valeur de S*, et un
objectif sur le budget) est de 94,76%. L’écart à 100%
de satisfaction s’explique de la manière suivante : La
déviation négative de S* est δS-=26,87 par rapport à
un seuil α0 = 40, donc une perte de satisfaction de
l’ordre de 26,87/40=0,67. La déviation positive du
budget est δB+=65,05$ par rapport à un seuil α0=400
000$, ce qui donne une perte de satisfaction de
l’ordre de 65,05/400 000=0,000162. Toutes les autres
déviations sont nulles, c’est à dire que la flotte
générée permet de répondre exactement aux besoins
des clients.
La flotte ainsi générée est en majorité composé
d’unités à entretenir. Le pourcentage d’unités
remplacés est de 11,83%. Dans ce pourcentage, les
catégories les plus importantes pour les gestionnaires
sont celles qui ont un nombre d’unités remplacés
relativement plus élevé (Catégories 3, 4 et 11). Un
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)
des objectifs des gestionnaires a donc été atteint à
savoir rajeunir la flotte en donnant la priorité aux
catégories les plus importantes.
Nous avons fait des simulations pour voir la
composition de la flotte, le niveau de satisfaction
atteint et le % de remplacement de la flotte en faisant
varier le budget. Les budget utilisés sont : 2, 3, 4, 5,
8, 10 et 12 millions. Les résultats obtenus sont
présentés au tableau 4.
On peut remarquer que la valeur de la fonction
économique Z augmente en fonction de
l’augmentation du budget. Ce qui est prévisible, car
avec plus de budget, le programme a tendance à faire
plus de remplacement d’unités (ce qui est privilégié
par les gestionnaires) et ainsi réduire la déviation par
rapport au but S*. Ces remplacements sont faits
essentiellement dans les catégories les plus
importantes.
De la même manière, le pourcentage de
remplacement augmente aussi en fonction du budget.
Il passe de 0,129% pour un budget de 2 millions à
33,89% pour 12 millions.
Nous avons aussi remarqué l’apparition d’un seuil à
partir duquel les besoins des clients commencent à ne
pas être satisfait à 100%. En effet, lors de nos
compilations, les déviations négatives des besoins
des clients apparaissent pour des budget moins élevé.
Au fur et à mesure que nous augmentions le budget,
ces déviations baissent pour disparaître
complètement avec un budget de 8 millions.
Un des points forts de ce programme est sa flexibilité
et son adaptation à toute nouvelle situation. C’est un
élément très apprécié des gestionnaires surtout de nos
jours où les politiques à long terme subissent de
nombreux changements avant de se rendre à terme.
En effet, ce programme permet aux gestionnaires du
CGER de proposer des politiques de gestion selon les
situations. Dans des conditions normales, conditions
où le gouvernement leur attribue une enveloppe
budgétaire normale, ils peuvent suivre leurs objectifs
à long terme tels que le rajeunissement de leur flotte,
répondre aux besoins de leur clients. Alors que si une
situation d’urgence ou de crise se présente (exemple :
coupure budgétaire), ils peuvent remettre leur projet
à long terme et proposer une flotte en fonction de
cette situation de crise. Les résultats obtenus pour un
budget de 2 millions, qui est loin de ce que les
gestionnaires du CGER doivent normalement
disposer, montrent un taux de remplacement de
0,129%. Les besoins des clients ne sont pas alors
atteints et la valeur de Z est 7,66, ce qui correspond à
un taux de satisfaction de 58%. Les conséquences
d’un tel budget se ferait sentir à long terme. En effet,
si la flotte ne se renouvelle pas régulièrement, sa
valeur de revente baisse considérablement et les frais
d’entretien augmentent aussi avec le vieillissement
des unités.
Nous avons aussi réalisé d’autres simulations pour
vérifier la sensibilité du programme au changement
d’autres paramètres. Ainsi, par exemple, nous avons
changer la valeur de αo pour la déviation positive du
budget. Nous avons remarqué que cela n’a pas une
grande incidence sur les résultats en général.
Toutefois, il s’est révélé dans d’autres simulations
que le fait de changer le niveau de tolérance d’une
fonction de satisfaction influence sensiblement les
résultats. Il est donc très important de faire bien
attention au choix des seuils de tolérance. Il faut
s’assurer qu’ils soient les plus réalistes possibles.
4. CONCLUSION
Durant ce travail, nous avons essayé d’être le plus
proche possible de la réalité malgré le manque
d’informations. Cependant nous croyons que ce
programme peut traiter le cas avec des données
complètes grâce à sa grande flexibilité. Cette
flexibilité du programme peut s’étendre non
seulement à un simple changement dans la valeur du
budget mais aussi à toute nouvelle donnée ou
politique ou orientation que voudront se donner les
gestionnaires du CGER.
Notre premier objectif était de trouver une flotte qui
correspondrait aux exigences des gestionnaires et de
ses clients tout en respectant la contrainte du budget.
Cependant, à l’aide des simulations, nous avons pu
faire d’autres remarques utiles pour les gestionnaires.
Le choix des seuils α0, par exemple, est un aspect
important et leur valeur doit être fixée de manière
réaliste. Un autre élément important qui est ressorti
lors de nos simulations est la possibilité de contrôler
le pourcentage de renouvellement de la flotte en
fonction du budget. Tous ces éléments font qu’avec
ce programme les gestionnaires peuvent non
seulement définir leur nouvelle flotte mais ils
peuvent aussi tester des éléments nouveaux pour des
considérations futures.
REFERENCES
Aouni, B., 1998. Le modèle de programmation
mathématique avec buts dans un environnement
imprécis: sa formulation, sa résolution et une
application», thèse de doctorat non publiée,
 MOSIM’01 - du 25 au 27 avril 2001 - Troyes (France)

Faculté des sciences de l’administration,

Université Laval.
Charnes A and W. W. Cooper, 1961. Management
Models and Industrial Applications of Linear
Programming Model, Wiley, New York.
Charnes A., W. W. Cooper and R. Ferguson, 1955.
Optimal Estimation of Executive Compensation
by Linear Programming, Management Science,
Vol. 1, p. 138-151.
Gouvernement du Québec, Ministère des Transports,
«Entente de Gestion entre le directeur du CGER
et le sous-ministre du Ministère des Transports»,
Juin 1997.
Gouvernement du Québec. Ministère du Conseil
exécutif. Direction de la réforme administrative,
«Les unités autonomes de service. Application du
concept de la gestion par résultats dans la
fonction publique québécoise», Novembre 1996.
Lee, S. M., 1973. Goal Programming for Decision
Analysis of Multiple Objectives, Sloan
Management Review, Vol. 14, p. 11-24.
Lee, S. M. and E. R.Clayton, 1972. A Goal
Programming Model for Academic Resource
Allocation, Management Science, Vol. 18, No 8,
p. B395-B408.
Martel J-M, and B. Aouni, 1990. Incorporating the
Decision-maker’s Preferences in the Goal-
Programming Model, Journal of Operational
Research Society. Vol. 41, p. 1121-1132.
Oral M., and O. Kettani, 1992. A Linearization
Procedure For Quadratic And Cubic Mixed-
Integer Problems, Operations Research, Vol. 40,
Supp. No. 1, p. S109-S116.

View publication stats