Vous êtes sur la page 1sur 24

Une approche pour la prise en compte de

la rationalité limitée des acteurs dans les


modèles d’aide à la décision : mise en œuvre
en contexte de logistique hospitalière

par Pierre Fenies35/36

Résumé

L’objet de cet article est de montrer comment des travaux sur l’aide à la
décision qui, en cherchant à élargir le champ optimisant de la recherche
opérationnelle, s’inscrivent dans une démarche de modélisation
simultanée des complexités algorithmiques et systémiques en reproduisant
informatiquement le fonctionnement de processus décisionnels dans le
cadre de la rationalité limitée. Un environnement de modélisation dédié
aux systèmes de type Supply Chain Hospitalière est ainsi proposé et
matérialise un ensemble de méthodes et d’outils qui reproduisent in vitro le
fonctionnement d’organisations complexes dont les processus décisionnels
sont simulés à l’aide d’heuristiques informatiques en contexte de rationalité
limitée des acteurs. L’enracinement des pratiques de modélisation,
notamment dans le cadre de collaborations menées avec la société Axège
pour laquelle les modèles déployés sont centrés «  satisfaction patient  »,
montre que les modèles d’aide à la décision proposés constituent en fait
des modèles d’aide à l’action pour le management public du secteur de la
santé.

Abstract

This paper objective is to propose a methodological approach for a Supply


Chain modelling environment. This software environment is an integrated
set of tools and methods organized in order to model and evaluate hospital
Supply Chain performance. The interactions between hospital Supply Chain
entities and the problems complexity for Supply Chain Manager and Data
Processing Specialist show that it is necessary to conceive and implement a
modelling environment for Hospital Supply Chain in the context of substantive
rationality. The modelling practices, particularly in the context of collaboration
with Axege company shows that the proposed models of decision are in fact
help to action for the management of public health sector.

35. Pierre Fenies, Centre de Recherche Clermontois en Gestion Management, EA 3848, Université d’Auvergne,
pierre.fenies@u-clermont1.fr
36. L’auteur remercie Jean Gustave Padioleau pour ses précieux conseils lors de la journée du 15 mars 2011 organisée par le
LARGEPA sur la rationalité limitée. L’auteur remercie également les professeurs Bournois, Chanut, Guibert et Rojot, organisateurs de
ce formidable colloque sur la Rationalité limitée. Enfin, l’auteur remercie les relecteurs anonymes pour leurs pertinentes suggestions
et remarques.

179
48

La complexité algorithmique concerne des problèmes formalisés pour lesquels


le nécessaire recours au calcul numérique ne résout pas forcément les
questions posées (ou les solutionne en un temps très long, en fonction du
nombre d’opérations élémentaires réalisées par l’algorithme de calcul et de la
taille des données traitées par ce dernier37). La complexité algorithmique est le
champ d’investigation principal des spécialistes de Recherche Opérationnelle
(RO). Selon (Dietrich, 1991), deux types de modèles, développés en RO ont
eu largement des applications en Sciences de Gestion  : il s’agit des modèles
descriptifs et des modèles prescriptifs. Les modèles prescriptifs sont utilisés
pour la prise de décision, et donnent un optimum tandis que les modèles
descriptifs sont utilisés pour l’évaluation des performances d’un système.
L’usage des modèles descriptifs, et notamment la simulation informatique, est
jugé non «  scientifique  » par de nombreux spécialistes de l’aide à la décision
car ils fonctionnent par le biais d’heuristique et ils produisent uniquement des
solutions acceptables et non optimales. L’approche présentée par Dietrich est
analogue à celle présentée par (Davis et al., 2007). Cette dernière focalise sur
l’usage des modèles de simulation informatique descriptifs en vue de produire
de la théorie scientifique. Ainsi, la construction des modèles descriptifs n’est pas
uniquement réalisable à partir de systèmes hypothético-déductifs mais aussi par
des approches d’enrichissement et d’extension de modèles dédiés construits à
partir d’un terrain sur lequel la complexité systémique ne permet pas de recourir
à des hypothèses simplificatrices rapprochant les problèmes rencontrés des
modèles standards de la RO.

La complexité systémique38 concerne un autre pan de la recherche


transdisciplinaire. Il existe une pluralité de définitions d’un système complexe, et
le lecteur averti trouvera aisément les différentes filiations utilisées dans la suite
de cet article. Un système complexe est un système ouvert composé d’un grand
nombre d’entités en interactions locales et simultanées. De nombreux auteurs
considèrent les organisations entrepreneuriales comme des systèmes complexes.
Dès lors, lorsque le chercheur en Sciences de Gestion s’intéresse à la complexité
systémique des organisations, nous considérons qu’il s’inscrit dans une démarche
d’étude de la « complexité systémique managériale ». Cette notion descriptive de
« complexité systémique managériale » isole la complexité des systèmes que le
gestionnaire étudie des autres complexités systémiques caractérisant d’autres
disciplines scientifiques. L’entreprise, un réseau d’entreprises sont ainsi des
systèmes complexes, objets de recherche du gestionnaire, et il est impossible
pour l’esprit humain de formaliser immédiatement des problèmes d’aide à la
décision pour ce genre de systèmes et de les résoudre ensuite par le calcul
numérique. Lorsque l’on s’intéresse à l’aide à la décision pour les organisations
37 . Le lecteur est renvoyé à (Garey et Johnson, 1979) pour une présentation complète de la théorie de la complexité algorithmique.
38. Le lecteur est renvoyé à (Bertalanffy, 1969) pour une présentation complète de la complexité systémique.

180
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

humaines, il semblerait que l’on inscrive ses travaux dans le cadre d’une double
complexité (figure 1) qui est l’interface entre la complexité algorithmique et la
complexité systémique managériale. Si le champ de la complexité algorithmique
est le domaine des sciences pour l’ingénieur, celui de la complexité systémique
managériale est celui des sciences de gestion. L’interface entre les deux présente
un champ d’investigation nécessitant une approche transdisciplinaire dans lequel
la rationalité limitée (Simon, 1977) prend tout son sens puisque :

- les problèmes d’aide à la décision ne se construisent pas immédiatement, à


cause de la complexité systémique managériale ;

- les problèmes d’aide à la décision formalisés ne se résolvent pas immédiatement


à cause de la complexité algorithmique.

Complexité
Complexité Double Systémique
Algorithmique Complexité Managériale

Sciences pour
L’ingénieur
Sciences de
Gestion

Figure 1. La double complexité

Ainsi, l’interface entre complexité algorithmique, domaine du chercheur en


Recherche Opérationnelle (RO) et complexité systémique managériale, domaine
du chercheur en Gestion constitue le terrain scientifique dans lequel la rationalité
limitée des décideurs devrait être largement étudiée et modélisée. A partir du
moment où un modèle d’aide à la décision issu de la RO s’inscrit dans le champ
des entreprises, il semblerait qu’il devrait systématiquement s’appréhender au
travers d’une approche de la rationalité limitée. Or, force est de constater que la
plupart des modèles de RO ne s’intéressent pas à la nature de la capacité des
acteurs qu’ils modélisent (la plupart considèrent les règles de décision comme
étant prises par des acteurs ayant un comportement « d’homme économique »)
et qu’ils s’inscrivent dans une démarche prescriptive optimisante.

Un environnement de modélisation (Pritzner, 1986), (Balci, 1990), (Kellert et


al., 1996) se définit comme un ensemble de méthodes et d’outils qui permet de
formaliser puis de résoudre un problème d’aide à la décision. Un environnement

181
48

de modélisation est ainsi une boîte à outils qui permet de construire in vitro
(en laboratoire, à l’aide de simulateurs informatiques) des modèles d’aide à la
décision répondant à des problématiques issues du terrain (Fenies et Tchernev,
2005). L’objet de cet article est de montrer qu’il est possible de concevoir des
environnements de modélisation qui s’inscrivent systématiquement dans une
démarche de rationalité limitée des acteurs, et ce, tout au long du processus
de modélisation d’un système complexe. Ainsi, de nombreux modèles dédiés
de RO intègrent bien sûr dans la modélisation des processus décisionnels de
type rationalité limitée comme objectif (Roy et al., 1995), (Tsoukias, 2003).
Aucun d’eux ne semblent l’inscrire de manière systématique dans leur démarche
méthodologique comme le réalise le composant méthodologique ASCI (Analyse,
Specification, Conception, Implantation) (Fenies, 2006), et les environnements
de modélisations issus de son usage, qui répondent à des problématiques
d’organisation logistique (organisation des ateliers flexibles, organisation de
système de soins, organisations de supply chains…).

La première partie de cet article montre qu’une des «  externalités positives  »


des environnements de modélisation pour l’aide à la décision produits à l’aide
de la démarche ASCI est d’intégrer complexité systémique managériale avec
complexité algorithmique et de prendre en compte, de manière émergente, les
apports de Simon sur la rationalité limitée. La deuxième partie de cet article
présente les résultats obtenus par la prise en compte de la rationalité limitée
des acteurs par la mise en œuvre, en collaboration avec la société Axège, d’un
environnement de modélisation sur la satisfaction patient dans le cadre d’unités
de consultations ambulatoires d’un hôpital public Suisse.

1. Les environnements de modélisation issus de la démarche


ASCI, une réponse pour la prise en compte de la rationalité
limitée dans les modèles informatiques d’aide à la décision

Le premier paragraphe de cette partie caractérise la notion de composant


méthodologiqueASCI, sorte de mode d’emploi général associé aux environnements
de modélisations issus de ASCI, tandis que le deuxième paragraphe présente un
aspect particulier de ce mode d’emploi, intitulé le « processus de modélisation d’un
système ». Ce « processus de modélisation d’un système » donne la possibilité
de construire des outils d’aide à la décision tenant compte systématiquement des
aspects de rationalité limitée des acteurs.

1.1. Le composant méthodologique ASCI


La complexité des problèmes construits puis traités dans les organisations
humaines suppose qu’informaticiens et gestionnaires puissent dialoguer, d’un point
de vue académique comme dans l’entreprise, de manière à concevoir concepts,

182
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

savoirs et savoir-faire pour l’aide à la décision. Ainsi, nous proposons l’emploi du


terme «composant méthodologique» en référence au domaine de l’interopérabilité
logicielle (Selk et al., 2006). Dans le cadre de l’interopérabilité, on a coutume de
décomposer les éléments fonctionnels ou techniques en composants que l’on
cherche à rendre le plus générique possible. C’est bien notre objectif ici : parvenir
à proposer un «moule» qui rende possible la fabrication de modèles pour l’aide à la
décision, sans préjuger de leur contenu. Le composant méthodologique doit donc
être un « moule », un « patron », qui décrit ce que contient une méthodologie de
modélisation pour l’aide à la décision. Un composant méthodologique constitue
à cet effet un schéma directeur par lequel chacun arrive à travailler de manière
individuelle comme collective dans le cadre d’un projet de recherche sur l’aide à
la décision. Nous définissons (Fenies, 2006) le composant méthodologique ASCI
comme un méta-modèle méthodologique permettant de concevoir des objets de
recherche pour l’aide à la décision. La mise en œuvre de ce méta-modèle par la
sélection d’un positionnement épistémologique conjuguée avec une ou plusieurs
méthodes et approches de modélisation permet de caractériser une méthodologie
de modélisation, qui sera le mode d’emploi d’un environnement de modélisation.
La figure 2 présente ainsi la hiérarchie existant entre logiciels d’aide à la décision
(dédiés à un système concret), l’environnement de modélisation, la méthodologie
de modélisation et le composant méthodologique.

Composant méthodologique ASCI

Valable quel que


Méthodologie de modélisation soit le domaine
Détermination
du paradigme Valable quel que
soit le problème
Environnement de modélisation
Choix des
méthodes

Logiciel d’aide à la décision Choix des


outils
Détermination du
domaine d’étude
Valable sur un système
Détermination des
problèmes traités
Valable pour un problème Conception de
modèles
réutilisables

Figure 2. Du composant méthodologique ASCI au logiciel d’aide à la décision.

La complexité des systèmes managériaux a conduit (Pritzner, 1986), (Balci, 1990),


(Kellert et al., 1996), à proposer la notion d’environnement de modélisation. Un
environnement de modélisation est ainsi une boîte à outils qui permet de construire
des modèles d’aide à la décision répondant à des problèmes spécifiques d’aide
à la décision sur une classe de système. La figure 3, issue notamment des
travaux de Gourgand et Kellert (1991) formalise le contenu « générique » d’un

183
48

environnement de modélisation. Ces derniers caractérisent un environnement de


modélisation comme étant un ensemble comprenant :

- un logiciel d’évaluation des performances (noyau de l’environnement) qui


nécessite une phase de validation opérationnelle s’il repose sur la simulation
informatique ; en effet, la simulation ne repose pas sur une base mathématique
et n’est pas jugée valide scientifiquement a priori par le spécialiste de RO ;
- des outils graphiques : pour la saisie du modèle conceptuel, pour la spécification
du système modélisé, pour l’exploitation des résultats, pour l’animation, pour la
diffusion des résultats aux acteurs du terrain ;
- un système d’aide à la décision, pour accéder aux outils d’aide à la décision ;
- un système de gestion de bases de données, pour alimenter le modèle d’aide
à la décision ;
- une couche recherche opérationnelle et statistique pour exploiter les résultats
fournis par le noyau de l’environnement ;
- une méthode de spécification et d’analyse, ainsi que les outils associés
pour décrire la structure, le comportement des flux, et le fonctionnement du
système ;
- une méthodologie de modélisation du domaine pour la construction des modèles
d’aide à la décision sur le terrain : cette couche est le socle de l’environnement et
explique comment utiliser ce dernier.

Approche Approche
Systèmique orientée objet

Interfaces

Outils Recherche
graphiques Opérationnelle

Interfaces

Animation Statistiques
Evaluation de
Performances

Système d’aide Base de


à la Décision Données

Méthodes d’analyse
et de Spécification
Méthodologie de
Modélisation pour le
domaine

Figure 3. Les caractéristiques d’un environnement de modélisation

184
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

Lors d’un projet de recherche, nous supposons que le composant méthodologique


ASCI (Analyse, Spécification, Conception et Implantation) formulé et construit à
partir d’un ensemble de travaux de modélisation sur les systèmes complexes
(Système de trafic urbain, système industriels, systèmes hospitaliers…) est
utilisé par l’ensemble des équipes de recherche travaillant sur le projet de
recherche. Ce composant est une trame qui permet à l’équipe de chercheurs,
experts en modélisation, de positionner leurs travaux (travaux dédiés à un
système donné, ou inversement travaux valides pour l’ensemble du domaine) et
d’organiser d’un point de vue méthodologique un programme de recherche sur
les modèles et outils d’aide à la décision pour le domaine étudié. La démarche
ASCI propose une démarche générique (indépendante du domaine étudié) qui,
à l’aide d’un enchaînement de tâches, permet de constituer le modèle générique
de connaissance (obtenu pendant les étapes d’analyse et de spécification entre
les similitudes entre les systèmes appartenant au domaine (Sarramia, 2002)) de
cette classe de système et de réaliser la bibliothèque de composants logiciels pour
une famille de problèmes pendant les phases de conception et d’implantation.
La figure 4 décrit le composant méthodologique ASCI. La bibliothèque de
composants et le modèle de connaissance générique sont exploités par exemple
pour la construction d’un outil d’aide à la décision pour un système particulier
de cette classe de systèmes. A partir de cette démarche méthodologique, la
construction et l’exploitation du modèle de connaissance d’un système spécifique
et de modèles d’action (programmes informatiques dédiés au système) dans un
contexte d’aide à la conception et à la décision, sont appelées processus de
modélisation et détaillés dans le paragraphe suivant. Suivant le positionnement
épistémologique choisi, soit les chercheurs partent d’un système réel, construisent
un objet pour l’aide à la décision, le valident chemin faisant sur ce système et tirent
des principes qu’ils essaient de généraliser sur le domaine ; soit les chercheurs
essaient d’identifier les «faiblesses» dans les objets de recherche existants pour
l’aide à la décision dans la littérature et proposent un ensemble d’apports qu’ils
valident ou réfutent par la mise en œuvre sur un ou plusieurs systèmes réels.

185
48

valable sur le domaine des X Instance valable sur le système réel Xi

paradigme
Ontologie
Ensemble de problèmes Z Relie Domaine des X Problème Zi dans le système Xi

Modèle Modèle de
connaissance
Organise
Analyse générique de Utilise
de Xi
connaissance
Réalise
des X
Prise de décision à
Organise Spécification Modèle l’aide de logiciels
d’action pour conçus pour le
Utilise problème Zi de Xi
le problème Zi
Bibliothèque de Xi
Organise Conception de
Réalise composants
logiciels pour Modèle de
les problèmes Utilise résultat pour
Organise Implantation le problème Zi
Z de Xi

Eléments capitalisables et réutilisables Processus de modélisation


sur le domaine spécifique à un système du domaine

Figure 4. Le composant méthodologique ASCI.

D’une manière générale, les environnements de modélisations construits avec


ASCI ne cherchent pas à prendre en compte les processus de décision de type
rationalité limitée. Ils ignorent l’existence de ce phénomène et sont focalisés vers
la résolution et la construction de solutions opérationnelles et scientifiques comme
le montrent les différents travaux réalisés à l’aide de cette approche (Chabrol
et al., 2006). Cependant, la dimension opérationnelle et pragmatique associée
à la démarche montre que les phénomènes de type rationalité limitée sont
intégrés de manière informelle dans le processus de modélisation d’un système,
processus qui constitue le mode d’emploi opérationnel de l’environnement de
modélisation.

1.2 Le processus ASCI de modélisation d’un système et la prise


en compte de la rationalité limitée
C’est dans ce processus ASCI de modélisation d’un système qu’apparaissent de
manière émergente la prise en compte les apports de Simon dans le domaine
de la prise de décision (Simon, 1947, 1955, 1963, 1977, 1983). Les apports de
Simon sont intégrés à quatre niveaux :

186
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

(i) le processus de modélisation d’un système complexe correspond au « decision


making » (Simon, 1947, 1983). Dans ce contexte, la construction d’un modèle
fiable d’un système complexe existant ou non, est un processus laborieux,
long et non trivial (Tchernev, 1997). Aussi, pour y parvenir, nous retenons un
processus de modélisation basé sur la construction consécutive d’un modèle
de connaissance (modèle de description du fonctionnement du système) et d’un
ou plusieurs modèles d’action (modèles informatiques) (Gourgand, 1984). Ainsi,
les différentes étapes du processus de modélisation d’un système issu d’ASCI
et constituées de 5 étapes (figure 5) s’insèrent dans le « décision making » de
Simon. La construction et l’exploitation du modèle de connaissance et du modèle
d’action dans un contexte d’aide à la conception et à la décision pour la planification
et la budgétisation des activités constituent le processus de modélisation. Ce
processus est itératif, et il est composé de cinq étapes consécutives afin de
pouvoir évaluer et interpréter les résultats de l’étude, et déduire les actions sur
le système réel.

Choix et
Decision Elaboration des solutions
Reconnaissance d’un problème application
Making de possibles
d’une solution
Simon

Conception Implantation Analyse du


ASCI et Le Analyse du
Spécification du modèle du modèle résultat et
processus de Système
d’action de résultats choix
modélisation
d’un système Formulation / Objectifs du modèle Sélection des méthodes
Production de résultats Emergence d’une
Construction du pb d’action de résolution existantes solution satisfaisante /
ou test de nouvelle
Hypothèses de Validation du modèle de
Proposition de méthodes Tableaux de bords hypothèse et rétiration
modélisation connaissance du
nouvelles de résolution prospectifs du processus
système/domaine

Figure 5. Le processus ASCI de modélisation d’un système et le decision making de


Simon.

(ii) le processus de modélisation d’un système assiste le manager pour une


décision non programmable (Rojot, 2005). En effet, le processus de modélisation
d’un système complexe a comme objectif de fournir des réponses acceptables
et concevables aux questions de type «What if  ?» posées par les managers
de ces systèmes, afin de les aider à trouver la ou les solutions satisfaisantes ;
l’objectif d’une solution optimale est purement théorique, puisqu’en présentant
une solution optimale au manager, au décideur, le modélisateur prend la décision
à sa place. De plus le couplage de la complexité systémique managériale avec
la complexité algorithmique, de fait, élimine presque systématiquement, sauf en
dénaturant la complexité des problèmes traités, les modèles prescriptifs. Dans
le cadre de ASCI, l’information décisionnelle (Fenies et al., 2005) est ensuite
structurée sous la forme d’un tableau de bord prospectif et permet, pour une
décision non programmable d’évaluer différents scenarii suivant différents critères
et propose uniquement des solutions acceptables ou satisfaisantes au sens de
Simon (1977).

187
48

(iii) le processus de modélisation préconise l’usage et la construction de modèles


d’action reproduisant les décisions programmées de Simon (routines) (Simon,
1977). Au niveau des méthodes de résolution utilisées et programmées dans les
modèles d’action, l’usage des modèles descriptifs permet de reproduire in vitro
le fonctionnement d’un système complexe composé d’acteurs raisonnant sous
l’emprise d’une rationalité substantielle modélisée sous la forme de routines. Ces
modèles d’action vont ainsi reproduire informatiquement le fonctionnement d’un
système complexe ainsi que les interactions entre les différentes entités qui le
composent. Le comportement des acteurs est ainsi reproduit et les interactions
dans les processus décisionnels (les règles de décision ou de gestion selon la
terminologie utilisée dans ASCI) également. Chaque routine (décision programmée
au sens de Simon) utilisée et formalisée par un acteur est ainsi reproduite, de
même que son interaction avec les routines des autres acteurs (on parlera
d’agent dans la plupart des modèles issus d’ASCI). Au final, les modifications
d’un élément du sous-système logique, du sous-système physique ou du sous-
système décisionnel sont ainsi reproduites informatiquement et le fonctionnement
du système complexe modélise et évalue l’impact de ces modifications qui
constituent en soit un ensemble de décisions non programmées.

(iv) le processus de modélisation génère des modèles descriptifs (non optimaux).


Le processus de modélisation préconise l’usage de modèles descriptifs de type
« Simulation à évènement discret » qui reproduisent les interactions entre entités
des systèmes modélisés de manière approchée et non optimale. Ainsi, un modèle
de simulation à évènement discret est, en substance, un modèle qui s’inscrit
dans une logique de rationalité limitée puisqu’il constitue une représentation
volontairement simplifiée de la réalité basée à la fois sur l’expérience passée
des acteurs (on encapsule les routines) et sur les observations du modélisateur
validées par les hommes du terrain. La rationalité limitée chez Simon se définit
comme la recherche d’un minimum de satisfaction dans un cadre organisationnel
contraignant (Simon, 1963)  : ainsi les modèles descriptifs reproduisent
informatiquement à la fois le cadre organisationnel contraignant, mais également
une prise de décision des acteurs basée sur une solution acceptable et non
optimale.

Les modèles de simulation informatique issus du processus de modélisation


d’un système sont produits en vue d’apporter un soutien pour un ensemble de
décisions non programmées. Ils modélisent le comportement d’un système pour
lequel on a reproduit l’interaction des différentes décisions programmées dans
un contexte nouveau. La figure 6 rappelle ainsi au lecteur les différents niveaux
de prise en compte de la rationalité limitée dans la démarche proposée.

188
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

Démarche générale
Processus ASCI de modélisation
d’un Système 1
=
Similaire au Décision Making de
Simon

Objectif d’un environnement de


modélisation
2
Assister le management dans le
cas d’une décision non
programmable

Objets modélisés

Un environnement de modélisation 3
issu de ASCI a pour objectif de
modéliser des décisions
programmées et leurs interactions

Productions logicielles
Les modèles d’aide à la décision
construits utilisent des briques 4
logicielles permettant la production
d’artefact reproduisant des
comportements «satisfaisants», non
des choix optimaux

Figure 6. Les différents degrés de prise en compte de la rationalité limitée dans le


processus ASCI de modélisation d’un système.

Dans la section suivante, nous exposons le contenu d’un environnement de


modélisation, résultat de la mise en œuvre du cadre méthodologique présenté
dans cette section, et les outils utilisés pour l’étude d’une Supply Chain
Hospitalière, système présentant la double complexité systémique managériale
et algorithmique. Nous montrons également comment, d’un point de vue
opérationnel, la boîte à outils proposée (ASCI-SCH, qui signifie ASCI pour la
Supply Chain Hospitalière) s’inscrit dans une perspective de rationalité limitée.

189
48

2. La boîte à outils ASCI –SCH et sa mise en œuvre en contexte


hospitalier

L’intégration, depuis plusieurs années, du niveau d’activité comme référence


financière par le mécanisme de la tarification à l’activité (T2A) pour les hôpitaux
publics dans toute l’Europe est en train de modifier durablement le management
des systèmes de santé sur notre continent. Cette mutation du système financier
de l’hôpital se conjugue, comme pour n’importe quelle organisation humaine
contemporaine par le recentrage sur les principaux processus métiers, entraînant
une externalisation de certaines fonctions de support. Un système hospitalier est
devenu un système ouvert sur l’extérieur qui interagit avec des entités externes
prestataires de services logistiques ou médicaux. La comparaison avec une Supply
Chain industrielle (Artiba et al., 2004) est évidente : l’hôpital actuel, compte tenu
de sa complexité grandissante, est plus proche d’une immense chaîne logistique
dont les agents visent à satisfaire le patient que d’un système fonctionnant en
vase clos. Ainsi, une Supply Chain Hospitalière (SCH) (Fenies et al., 2005) est
un ensemble ouvert traversé par des flux humains, matériels, informationnels
et financiers, composé d’entités variées autonomes  : fournisseurs, services
hospitaliers (urgence, bloc opératoire…), prestataires logistiques, prestataires
médicaux… Ces entités utilisent des ressources consommables en nombre
limité (matériel, capital…) et coordonnent leur action par un processus logistique
intégré afin d’améliorer prioritairement leur performance collective (satisfaction
du patient, optimisation du fonctionnement du système hospitalier) mais aussi
à terme leur performance individuelle (maximisation de la valeur créée par une
entité). Nous présentons succinctement dans cette section l’environnement
ASCI-SCH39), (ASCI pour la Supply Chain Hospitalière) construit à partir du cadre
méthodologique exposé dans la section précédente, puis validé sur plusieurs
chaînes logistiques hospitalières (Projet Nouvel Hôpital d’Estaing40) et montrons
comment sa mise en œuvre, menée en collaboration avec la société Axège41,
sur une Unité de Consultation Ambulatoire (UCA) de la SCH d’un hôpital Suisse
a permis d’évaluer la satisfaction patient (au sens logistique du terme) dans une
perspective de rationalité limitée.

2.1. L’environnement de modélisation ASCI-SCH


L’environnement ASCI-SCH comprend (figure 7) :
- un système d’évaluation des performances, noyau de l’environnement ; la couche
évaluation des performances permet l’élaboration d’un ou plusieurs modèles
d’action en fonction des objectifs de la modélisation. SIMAN V et WITNESS
sont indifféremment utilisés comme noyau de simulation de l’environnement

39. Pour plus de détails sur ASCI-SCH, le lecteur est renvoyé à l’article de Chabrol et al. (2005), publié dans la revue Ingénierie des
Système d’informations.
40. http://www.chu-clermontferrand.fr/modelisation%20nhe/description.html
41. http://www.axege.com/ ; pour plus de détails sur la complexité algorithmique de cette étude, le lecteur est renvoyé à l’article de
Fenies et al. (2006) dans la revue Lecture Note in Computer Sciences.

190
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

logiciel. L’approche PREVA (Fenies, 2006, 2008) permet ainsi la constitution de


modèles d’action dont les objectifs sont centrés sur la création de valeur, comme
la satisfaction «patient»,
- une couche Aide à la Décision, constituée par l’approche SCOPE (Supply
Chain Operational Performance Evaluation) (Féniès et al., 2004) qui permet
la construction et l’implantation de tableaux de bord prospectifs comme outils
d’aide à la décision pour l’orientation des comportements, pour la Supply Chain
Hospitalière,
- une couche Entrepôt de données qui permet l’accès et le stockage des données
nécessaires aux outils appartenant aux différentes couches de l’environnement
(Fenies et al., 2006),
- une couche recherche opérationnelle qui permet le pilotage opérationnel du
système en fonction de critères financiers et physiques (Comelli et al., 2008),
- une couche statistique, qui permet l’analyse et le traitement des données
existantes (prévisions de charge, courbes d’apprentissage) ainsi que l’étude des
résultats obtenus par le noyau de l’environnement,
- une couche outils graphiques et animation, qui permet d’animer en 3D avec
MANTRA 4D le fonctionnement du modèle de système étudié. Cette couche outil
graphique 3D est très importante pour impliquer les acteurs dans le changement
organisationnel (André et al., 2007),
- une couche méthodes d’analyse et de spécification et outils de spécification qui
reprend les méthodes et outils et décrit la structure et le fonctionnement de la
Supply Chain Hospitalière (ici constitués des outils et formalismes ARIS et UML)
(Chabrol et al., 2005) ,
- une couche méthodologie de modélisation par processus multiples et
incrémentiels (Fenies, 2006).

191
48

Approche Approche
Systèmique orientée objet

Interfaces

Pr
hi l s
es

og Lin

O
a p ut i
qu

ra éa

pt
gr O

m i re

i m on S
m

isa
at

t io
i
Interfaces

n
/2 ti on

ta
3D im a
D

tis
An

Preva

ti q
ue
Simulation

s
é e de
nn ô t
SC

s
Do trep
O
PE

En

ARIS - UML

Méthodologie de
Modélisation par Processus
Multiples et Incrémentiels

Figure 7. L’environnement de modélisation ASCI-SCH.

2.2 Evaluation de la « satisfaction patient » dans une unité de


consultation ambulatoire en contexte de tarification à l’activité
Cette étude est issue d’une collaboration avec la société Axège pour le déploiement
d’applications centrées simulation des processus pour le compte d’hôpitaux
publics suisses. Elle montre, sur un cas concret, l’intérêt d’une approche de
modélisation prenant en compte une simulation des processus décisionnels
dans une optique de rationalité limitée. Cette étude porte sur la modélisation de
plusieurs Unités de Consultations Ambulatoires (UCA), qui sont des unités de
soins où les patients sont traités au cours d’une journée et repartent ensuite à
leur domicile (par exemple unité de consultation dermatologique…). Ces unités
sont très souvent saturées et ne peuvent pas traiter toute la charge qui leur est
adressée. L’objectif de notre étude est donc de reproduire informatiquement
selon des critères physiques et financiers plusieurs modes de fonctionnement de
l’unité de soin. Nous inscrivons ainsi l’usage de la boîte à outils ASCI-SCH dans
le processus de « Decision Making » de Simon :
- ainsi, dans un premier temps, nous montrons comment reconnaître les
problèmes des UCA ;
- dans un deuxième temps, nous montrons comment élaborer différentes
solutions possibles aux problèmes construits préalablement ;
- dans un troisième temps, nous montrons comment sélectionner une
solution « satisfaisante ».

192
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

Reconnaissance des problèmes de l’unité de consultation ambulatoire


Le recueil de connaissances réalisé dans la première phase nous révèle que
la spécificité d’une UCA réside dans la sélection des patients et leur ordre
de passage. Un carnet de rendez-vous est élaboré pour chaque journée. Ce
dernier est construit en supposant un temps de traitement du patient moyen
sans tenir compte de sa pathologie. Par ailleurs, certains patients provenant
d’autres services doivent être également traités et ne sont pas programmés. Il
est alors possible que certains patients prévus ne soient pas soignés au cours
d’une journée. Les pathologies diffèrent selon leur gravité, leur consommation
de ressources médicales et leur rémunération. Les objectifs des UCA étant
multiples, le choix d’une règle de gestion pour prioriser le traitement des patients
est alors complexe. Ainsi, le choix entre plusieurs règles de gestion pour l’UCA
constitue une décision non programmable au sens de Simon, et apporter une
aide à la décision sur ce choix constitue l’objectif opérationnel de notre étude.
Notons ainsi qu’il aurait pu être pertinent d’analyser l’impact d’une modification
de l’infrastructure, et non la manière d’utiliser cette dernière  : l’environnement
ASCI-SCH permet tout à fait d’envisager cette option, comme cela a été réalisé à
plusieurs reprises (Fenies et Tchernev, 2005), (Chabrol et Fenies, 2007).

La figure 8 présente une « Chaîne de Processus Evénementiels » (Fenies et al.,


2006) du traitement patient dans une UCA. Cette figure présente l’interaction
qui est faite entre l’infrastructure physique et l’organisation des flux dans l’UCA
modélisée. Nous supposons ainsi que le flux physique est ici constitué par le
flux patient. La satisfaction patient correspond (Fenies et Rochette, 2008) à une
perception de la satisfaction par les soignants et s’approche d’une mesure de la
satisfaction client au sens logistique du terme (c’est-à-dire que les patients sont
dits satisfaits si ils sont soignés en temps, suivant la durée prévue et avec la
bonne qualité).

Les différentes pathologies traitées par l’UCA peuvent être regroupées en six
familles de pathologies P1 à P6. L’arrivée des patients suit, dans les services
étudiés, une loi exponentielle de moyenne 15 mn. La répartition des pathologies
et le temps de traitement des pathologies par les ressources médicales sont
donnés par le Tableau 1. Le temps de traitement d’une pathologie dans les UCA
modélisées suit une loi Normale dont les critères sont donnés dans le Tableau
1. Ces données sont contextuelles et correspondent à des résultats issus d’une
modélisation fine de l’UCA, établis lors d’observations réalisées sur le terrain
(Fenies et al, 2006).

Le critère de gravité d’une pathologie ne correspond pas à un critère d’urgence


médicale. Les données financières sont des données pro format et sont construites
à partir d’un système de régulation ressemblant à la législation Suisse.

193
48

Nous cherchons ainsi à évaluer le fonctionnement de ce système complexe


suivant plusieurs routines formalisées, qui correspondent aux décisions
programmées de Simon. Les routines de décisions ont été élaborées par une
combinaison d’observations sur le terrain avec un ensemble d’entretiens menés
avec le personnel soignant (Fenies et al., 2006). Nous évaluons cinq règles
(heuristiques ou routines) de décisions suivantes :
- R1 : les patients sont principalement orientés en suivant le processus de décision
« Premier patient arrivé, premier patient traité » (Règle actuelle) ;
- R2  : les patients sont principalement orientés par le personnel médical en
suivant le processus de décision « Critère de gravité le plus grand (à critère de
gravité équivalent, premier entré, premier sorti) » ;
- R3  : les patients sont principalement orientés par le personnel médical en
suivant le processus de décision « Critère T2A le plus grand » (à critère de gravité
équivalent, critère financier le plus intéressant) ;
- R4  : les patients sont principalement orientés par le personnel médical en
suivant le processus de décision « Temps de traitement estimé en moyenne le
plus court » (à critère de temps équivalent, premier entré, premier sorti) ;
- R5  : les patients sont principalement orientés par le personnel médical en
suivant le processus de décision « Temps de traitement estimé en moyenne le
plus long » (à critère de temps équivalent, premier entré, premier sorti).

Le modèle reproduit une prise de décision du personnel soignant (agent) en


situation de rationalité limitée. Chaque agent en situation de prise de décision
sélectionne le patient à traiter en fonction de sa pathologie, en fonction du
niveau d’occupation des ressources locales qu’il estime par expérience, mais
pas en fonction du niveau réel global sur l’ensemble du système que seul un
super planificateur peut évaluer à l’instant t. Dès lors, la prise de décision d’un
agent est fonction, dans la modélisation réalisée, de son niveau d’information
connu sur l’état du système, et pas de l’information sur l’état réel du système. Les
agents prennent ainsi des décisions qu’ils jugent « satisfaisantes » en fonction
de leur niveau d’information, et pas une décision optimale pour l’ensemble du
système. Chaque agent peut, s’il le juge nécessaire modifier, à son niveau, la
routine « standard » du système à l’instant t en fonction du taux d’occupation des
ressources locales. Par exemple, si le système est saturé, un agent peut choisir
à ce moment là temporairement R4 jusqu’à ce que les ressources redeviennent
libres.

194
estime par expérience, mais pas en fonction du niveau réel global sur l’ensemble du système que
seul un super planificateur peut évaluer à l’instant t. Dès lors, la prise de décision d’un agent est
Une approche pour la prise en compte de la
fonction, dans la modélisation réalisée, de son niveau d’information connu sur l’état du système,
etrationalité limitée
pas de l’information sur l’état réel dudes
système.acteurs dans
Les agents prennent ainsi desles modèles
décisions qu’ils
d’aide
jugent à la» décision :
« satisfaisantes mise
en fonction de leur niveau en œuvre
d’information, en contexte
et pas une décision optimale
pour l’ensemble du système. Chaque agent peut, s’il le juge nécessaire modifier, à son niveau, la
de logistique hospitalière
routine « standard » du système à l’instant t en fonction du taux d’occupation des ressources
locales. Par exemple, si le système est saturé, un agent peut choisir à ce moment là
temporairement R4 jusqu’à ce que les ressources redeviennent libres.

A rrivée Légende
P atient

Nombre de
patients Ac cueil S alle Dé co mposable en
Chaîne d e processus
patient d’ac cueil é vè nementielle
Ad min istr atif

Patient
Processus
accueill i

Te m ps d’ attente
Attent e et Flu xph ysique,
patie nt infor mationnel ou
déplace ment Salle financier
Aide pa tient d’attent e
soignan te
Patient Sélection de la Pathologie
disponible pathologie sélectionnée
P atient Evènem ent
disponible
Type de
pathologie

Nombr e de Unité orga nisationnelle


patients Diagnost ic S al le de
pat hologie soins Traitement
Médecin Traitement Médecin par un
Médecin Laboratoire Salle de traitement
Inducteur d e co ût spécialisé en spécialisé médecin Sélection
laboratoire spécialisé de
l’imagerie
P at hologie
di agnostiq Unité dé cisionn elle Personnel
uée de l’hôpital
Imagerie
sélectionnée
Type d e Traitement
dans un Laboratoire
p athologie S élection S al le de second
Aid e
pat ient soins soignante
laboratoire
Sortie sans
Mé decin Traitement traitement
Médecin par un Salle de traitement
médecin
Patients
sélecti onn At tente et Sall e
déplacem ent
és pat ient d’attente
Tem ps d’atte nte
pati ent
Scanner Radiographie
IRM réalisé
réalisé réalisée
P ati ent
disponi bl e
Salle de
Treatment room
traitement
Type de Administratif
path ologie Traitement S al le de Traitement
Personnel
patient soins Salle d’imagerie
de l’hôpital
par
Nombre de endoscopie
Soignant patients
P aiement
P at ient S alle
accuei lli patient
d’accueil
Patient libéré

S orti e
P at ient

Figure
Figure 8.8.Modélisation
Modélisation de l’unité
de l’unité de consultation
de consultation ambulatoire
ambulatoire
Elaboration des solutions possibles
Notre simulation est non déterministe et terminante. Dans le cas d’une sélection
portant sur deux pathologies ayant un même critère identique, la règle FIFO est
appliquée. Le cadre expérimental développé par (Orën et Zeigler, 1979) permet
de spécifier notre étude :

Variables observées :
Le nombre moyen journalier, mensuel et annuel de patients traités par
pathologie ;
13
Le taux journalier, mensuel et annuel de satisfaction patients ;
Le taux journalier, mensuel et annuel d’occupation de ressources médicales.

Variables d’entrées :
Routines de décisions (Heuristiques)

Conditions Initiales :
Les ressources de l’UCA sont libres au début de chaque journée simulée.

Terminaison de la simulation :
La simulation d’une journée se termine au temps de simulation (elle commence
à 8 heures et se termine à 18 heures).

195
48

Collecte des résultats :


Une réplication est constituée de 365 jours consécutifs sans remise à zéro des
«lois».
30 réplications de 365 jours sont effectuées pour déterminer la valeur moyenne
de chaque variable observable.

Les variables observables du processus de traitement des patients de l’unité


de consultation ambulatoire de soins sont ensuite utilisées par le module
décisionnel.

P1 P2 P3 P4 P5 P6
Saisonnalité des pathologies, mais en moyenne annuelle 1/6
Loi de répartition
La simulation tient compte de la saisonnalité
Traitement N(14,2) N(15,5) N(21,5) N(25,5) N(15,5) N(20,2)
Gravité (de la moins
1 2 3 3 2 2
grave à la plus grave)
Tarif de remboursement
20 17 22 30 15 25
d’une pathologie
Marge sur coûts
10,62 8,75 6,5 7,98 8,8 8,37
variables par pathologie

Tableau 1. Données initiales.

Le Tableau 2 présente une synthèse de l’approche utilisée pour la modélisation


et la simulation des résultats.

Modèle d’action du flux Modèle d’action du flux


patient financier
Type Simulation ARENA V Modèle analytique PREVA
Niveau de granularité Microscopique Microscopique (unité de flux)
Patient Evalué à l’unité Evalué à l’unité
Inducteur A l’unité A l’unité
Maille temporelle la journée la semaine / le mois

Tableau 2. Caractéristiques des modèles d’action

Un modèle de simulation sous SIMAN V Arena de ce système a été développé


afin d’évaluer dans un contexte stochastique une meilleure routine de sélection
des patients.

Au terme de la simulation, le nombre annuel de patients traités par pathologie,


le nombre de patients non traités par pathologie, ainsi que le taux d’utilisation
des ressources médicales constituent alors les données d’entrées du modèle
décisionnel détaillé en partie 3. Nous obtenons alors les résultats suivants, qui sont

196
Inducteur A l'unité A l'unité
la journée
UneMaille temporelle
approche pour la prise en lacompte semaine / le mois
Tableau 2. Caractéristiques des modèles d’action
de la
rationalité limitée des acteurs dans les modèles
d’aide
Un modèle deà la décision :
simulation sous SIMAN Vmise Arena de en œuvre
ce système en contexte
a été développé afin d’évaluer
dans un contexte stochastique une meilleure routine de sélection des patients.
de logistique hospitalière
Au terme de la simulation, le nombre annuel de patients traités par pathologie, le nombre de
patients non traités par pathologie, ainsi que le taux d’utilisation des ressources médicales
constituent alors les données d'entrées du modèle décisionnel détaillé en partie 3. Nous obtenons
alors les résultats suivants, qui sont donnés pour chaque routine dans les tableaux de bord la
donnés
figure 9. pour
Chaque chaque
familleroutine dans les
d’indicateurs tableaux
correspond de moins
à au bord launfigure 9. Chaque
axe d’un tableau famille
de bord
d’indicateurs
prospectif : correspond à au moins un axe d’un tableau de bord prospectif :
- - le cash flow flow
le cash généré est reliéest
généré à l’axe
reliéfinancier
à l’axe; financier ;
- - le nombre de patients
le nombre traités est
de patients relié àest
traités l’axe processus
relié interne
à l’axe ;
processus interne ;
- - le taux d’occupation
le taux du personnel
d’occupation du est relié à l’axeest
personnel apprentissage
relié à organisationnel et à l’axe
l’axe apprentissage
processus interne ;
organisationnel et à l’axe processus interne ;
- la satisfaction patient est reliée à l’axe processus externe.
- la satisfaction patient est reliée à l’axe processus externe.

Administratif s
100,00% 103 000
Soignants
90,00% 102 000

80,00% 101000

70,00% 100 000

60,00% 99 000

50,00% 98 000

40,00% 97 000

30,00% 96 000

20,00% 95 000

10,00% 94 000

0,00% 93 000
Premier Critère de Critère T2A Temps de Temps de Premier Critère de Critère T2A Temps de Temps de
Entré/ Premier Gravité Trait ement le trait ement le + Entré/ Premier Gravité Traitement le trait ement le +
sorti +cout long sort i +cout long

11800 82,00%

11600
80,00%

11400
78,00%

11200
76,00%
11000

74,00%
10 800

10 600 72,00%

10 400 70,00%

10 200
68,00%
Premier Crit ère de Critère T2A Temps de Temps de Premier Critère de Crit ère T2A Temps de Temps de
Entré/ Premier Gravité Trait ement le traitement le + Entré/ Premier Gravit é Traitement le trait ement le +
sort i +cout long sorti +cout long

Figure
Figure 9. Indicateurspour
9. Indicateurs pourlalasélection
sélection de
de routines
routinesorganisationnelles.
organisationnelles
Choix et applications d’une solution
L’analyse des résultats (Tableau 3) permet de conclure dans un premier temps à
la sensibilité des indicateurs de performance par rapport aux différentes routines 15
de sélection des patients mais aussi de dégager, sans trancher, celles qui
amélioreraient le fonctionnement de l’UCA. Notons que quelque soit la routine
utilisée, le taux d’utilisation des ressources en personnel reste identique, c’est-à-
dire que la charge de travail globalement comme pour chaque agent n’augmente
pas et reste constante.

Si les résultats présentés valident l’approche décisionnelle, les différentes règles


de gestion et leur ordre ne sont pertinents que par rapport à l’unité de consultation
ambulatoire traitée. Nous présentons ici la traduction des modélisations de prise

197
48

de décision sur l’organisation des activités de sélection du flux physique. La force


de notre approche est de montrer la pertinence de scenarii organisationnels
différents de ceux actuellement mis en place. Une organisation différente peut
permettre d’améliorer la satisfaction « patient » tout en diminuant les coûts de
fonctionnement de l’UCA. L’approche décisionnelle apporte ainsi des critères de
sélection qui permettent, pour un niveau de «satisfaction patient» équivalent ou
supérieur de dégager des règles de fonctionnement plus avantageuses sur le plan
financier que la règle R1 (premier entré / premier sorti). Des modèles prescriptifs,
compte tenu de la double complexité, n’auraient pas pu être utilisés sur ces cas,
sauf en simplifiant à outrance la modélisation et en relâchant un certain nombre
de contraintes. La prise en compte de comportements décisionnels de type
« rationalité limitée » amène une plus value dans la qualité des résultats apportés
et ne confisque pas au décideur son pouvoir de décision, contrairement à l’usage
des modèles prescriptifs qui proposent un optimum et contraignent les choix.

Par analogie avec la figure 6 de la section 1, la figure 10 caractérise ainsi de


manière opérationnelle comment, sur le terrain les comportements de type
rationalité limitée ont pu être modélisés et intégrés dans des modèles d’aide à la
décision.

Règle de gestion R2 R3 R4 R5

Nombre de patient sol < R1 sol >R1 Meilleure règle sol < R1

Satisfaction Patients sol < R1 sol >R1 Meilleure règle sol < R1

Utilisation ressources id R1 id R1 id R1 id R1

Création de Valeur sol < R1 Meilleure règle sol >R1 sol < R1

Cash flow généré sol < R1 Meilleure règle sol >R1 sol < R1

A priori, les règles R3 et R4 sont A priori,


Sélection
éliminée meilleures que R1 éliminée.

Tableau 3. Tableau de synthèse.

198
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

Démarche générale

Modéliser les Unités de 1


Consultations Ambulatoires (UCA)
de la Supply Chain Hospitalière
d’un Hôpital Suisse à l’aide d’ASCI

Objectif de la mise en œuvre de


ASCI-SCH
Assister le management des UCA
de la SCH ; 2
voir si d’autres règles de sélection
des patients non urgents
améliorent le fonctionnement d’une
UCA

Objets modélisés

Les routines de sélections des 3


patients actuelles et potentielles
par les acteurs du système et leurs
interactions

Productions logicielles

Les modèles d’aide à la décision


décrivent le comportement d’une UCA 4
suivant différents scenarii
organisationnels et proposent des
solutions acceptables

Figure 10. Les différents degrés de prise en compte de la rationalité limitée dans le
processus ASCI de modélisation d’une unité de consultation ambulatoire.

Conclusion

Nous avons proposé dans cet article une approche de modélisation de la rationalité
limitée puis mis en œuvre cette approche pour montrer comment elle apportait
une aide à la décision discriminante et différente de celle issue classiquement
des modèles d’aide à la décision. Le contenu de cette approche est constitué
par l’enrichissement progressif de travaux successifs de chercheurs en contexte
d’aide à la décision sur les systèmes complexes. Notons que cette approche
construite chemin faisant fournit plus qu’une démarche méthodologique pour la
construction de modèle pour l’aide à la décision. En effet, au lieu de modéliser
des comportements décisionnels de type rationalité économique traditionnelle,

199
48

cette approche a fait émerger une démarche qui prend en compte, de manière
consubstantielle une modélisation des processus décisionnels de type rationalité
limitée. L’approche présentée dans cet article s’inscrit dans la logique des travaux
de Davis et al. (2007), puisqu’elle montre que l’usage de modèles de simulation
informatique permet la production des contenus théoriques. Dans l’étude de cas,
notre modèle d’évaluation est constitué par un modèle de simulation informatique
à évènement discret. Ce choix nous permet d’intégrer la prise en compte des
phénomènes stochastiques (telle que la variabilité de la demande de soins,
les «absences» du personnel médical…) dans le but d’étudier la robustesse
des stratégies. De plus, cette approche, ludique, permet de véhiculer et de
communiquer beaucoup plus facilement avec les acteurs que lors d’un usage de
modèles décisionnels optimaux qui enlève toute capacité de choix au décideur.
Dans le contexte hospitalier, ce genre d’étude est beaucoup plus utile pour
montrer la faisabilité d’une solution et permet de convaincre les acteurs (Chabrol
et Fenies, 2007). Elle devient dès lors davantage un outil de mobilisation des
acteurs et permet de manager le changement. En ce sens, l’environnement de
modélisation ASCI-SCH pour l’aide à la décision constitue bien un environnement
de modélisation pour l’aide à l’action.

Références bibliographiques

Andre V., Fenies P. (2007), «  Modélisation et simulation des flux logistiques du Nouvel
Hôpital d’Estaing », Revue Logistique et Management, 29 - Vol. 15, issue 1.
Balci O. (1990), “Guidelines for succesful Simulation Studies”, Actes de la conference
Winter Simulation Conference, New Orleans, p. 25-32.
Balci O. (1994), “Annals of Operations Research”, Simulation and Modeling, Vol. 53,
1994.
Bertalanffy L. von (1968), Théorie générale des systèmes, Trad: Jean Benoîst Chabrol,
Dunod, Paris, 1973.
Chabrol M., Fenies P. (2007), «  Le projet de modélisation et de simulation des flux du
Nouvel Hôpital Estaing : aide a la décision versus management du changement », Revue
Française de Gestion Industrielle, Vol. 26, 1 2007.
Chabrol M., Fenies P., Gourgand M., Tchernev N. (2006),  «  Un environnement de
modélisation pour le système d’information de la Supply Chain : application au Nouvel
Hôpital d’Estaing », Ingénierie des Systèmes d’Information, Vol. 11, 2006 Issue 1, p. 137-
162.
Comelli M., Fenies P. et N. Tchernev (2008), “A combined financial and physical flows
evaluation for logistic process and tactical production planning: Application in a company
supply chain”, International Journal of Production Economics, Vol. 112, Issue 1, March
2008, p. 77-95, 2008.
Dietrich B.-L. (1991), “Taxonomy of discrete manufacturing systems”, Journal of Operations
Research, Vol. 39, n°6, p. 886-902.
Davis P., Eisenhardt K., Bingham. C (2007) Developping theory through simulation
methods, Academy of management Review,
Fenies P. (2006), «  Une méthodologie de modélisations par Processus Multiples et
Incrémentiels : application pour l’évaluation des performances de la Supply Chain  »,
Thèse de Doctorat, Université Blaise Pascal, Clermont Ferrand.
Fenies P., Gourgand S., Rodier S., “Interoperable and Multi-flow Software Environment:

200
Une approche pour la prise en compte de la
rationalité limitée des acteurs dans les modèles
d’aide à la décision : mise en œuvre en contexte
de logistique hospitalière

Application to Health Care Supply Chain”, Lecture Notes in Computer Sciences (Springer),
Vol. 4103 ; 2006 ; p. 311-322
Fenies P., Tchernev N. (2005), «  La modélisation d’une unité générique de soins : une
brique essentielle pour le système d’information et d’aide à la décision de la supply chain
du Nouvel Hôpital d’Estaing », Logistique et Management, n°13, Décembre 2005, p. 39-
52.
Fenies P., Gourgand M. et Tchernev N. (2004), A framework for supply chain Evaluation
in 5e International Meeting for Research in Logistics, Fortalezza, Brazil, RIRL 04, Aout
2004.
Garey M.-R., Johnson D.-S. (1979), Computers and Intractability. A Guide to the Theory of
NP-Completeness, Freeman, San Francisco.
Gourgand M. (1984), « Outils logiciels pour l’évaluation des performances des systèmes
informatiques », Thèse d’Etat, Université Blaise Pascal.
Gourgand M., Kellert P. (1991), «  Conception d’un environnement de modélisation des
systèmes de production », troisième congrès de Génie Industriel, Tours.
Ören T. and Zeigler B. (1979), Concepts for advanced simulation methodologies,
Simulation, March, p. 69-82.
Pritsker A.-A.-B. (1986), Introduction to simulation and SLAM II, West Lafayette, Indiana,
Halsted Press, New XYork.
Rochette C., Fenies P. (2008), «  A framework for patient satisfaction  », Conférence
Européenne de Management des Opérations, EUROMA 08, GRONINGUEN, Pays Bas,
Juin 2008.
Rojot J. (2003), Théorie des organisations, ESKA, Paris, 2003.
Roy B. & Bouyssou D. (1993), Aide Multicritère à la Décision : Méthodes et Cas, Paris,
Economica.
Sarramia D. (2002), « ASCI-mi : une méthodologie de modélisation multiple et incrémentielle
: application aux systèmes de traffic urbain », Thèse de doctorat, LIMOS, Université Blaise
Pascal.
Selk B., Kloeckner S., Albani A. (2006), “Enabling Interoperability of Networked Enterprises
Through an Integrative Information System Architecture for CRM and SCM”, Lecture Notes
in Computer Science, Springer Berlin / Heidelberg, Vol. 3812, p. 305- 316.
Simon H.-A. (1955), « A behavioral model of rational choice », Quaterly Journal of
Economics, Vol. 69, p. 99-118.
Simon H.-A. (1963), “Rational Choice and the Structure of the Environment”, Psychological
Review, 63, 1956, p. 129-138.
Simon H.-A. (1965), « The logic of rational decision », British Journal for the philosophy of
science, 16, p. 169-186.
Simon H.-A. (1967), « The logic of heuristic decision making », in Rescher ed°, « The logic
of decision and action », University of Pittssburgh Press, Pittsburgh, p. 1-20.
Simon H.-A. (1976), « From substantive to procedural rationality », in S.-J. Latsis ed°,
Method and Appraisal in Economics, Cambridge.
Simon H. A. (1977), « The New Science of Management Decision », Prentice Hall, trad°
Le nouveau management, 1980, Economica.
Simon H.-A. (1979), “Rational Decision Making in Business Organizations”, The American
Economic Review, Vol. 69, p. 493-513.
Simon H.-A. (1983), Administration et processus de décision, Economica, Paris. Traduction
de « Administrative Behavior », 1947.
Tchernev N. (1997), « La modélisation du processus logistique dans les systèmes flexibles
de production », Thèse de Doctorat, Université Blaise Pascal, Clermont-Ferrand, 1997.
Tsoukias (2003), On the concept of decision aiding process. Annals of Operations
Research. To appear; appeared previously as DIMACS 2003-38 technical report, Rutgers
University.

201
Copyright of Revue Management et Avenir is the property of Management Prospective Editions and its content
may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express
written permission. However, users may print, download, or email articles for individual use.

Vous aimerez peut-être aussi