See discussions, stats, and author profiles for this publication at: [Link]

net/publication/339212348

Principes de la dynamique des systèmes

Book · November 1998

CITATIONS READS

0 1,121

1 author:

Daniel Thiel
Université Sorbonne Paris Nord
84 PUBLICATIONS 438 CITATIONS

SEE PROFILE

All content following this page was uploaded by Daniel Thiel on 13 July 2021.

The user has requested enhancement of the downloaded file.

4 Dynamique des systèmes, complexité et chaos

Chapitre 1

Fondements et principes de la dynamique des

systèmes

Daniel THIEL

Nos connaissances actuelles du fonctionnement des systèmes économiques et de

gestion sont souvent empiriques. Par exemple, dans la pratique du pilotage des
firmes, deux modes de décision paraissent émerger :
- un mode que l'on peut qualifier de «procédural» faisant appel à une logique
formelle sur des bases déterministes1,
- un mode plus qualitatif et plus «intelligent», faisant appel à des règles
habituelles des décideurs descriptibles par des mécanismes cognitifs complexes2.

Face à ce dernier mode, il est nécessaire d'aider le praticien à «objectiver» les

images qu'il perçoit de façon subjective [BEN 82]. Mais une représentation par des

 E.N.I.T.I.A.A., Laboratoire d'Economie et de Gestion, Rue de la Géraudière 44322 Nantes

Cedex 03 (France)
1
Ceci pourrait correspondre aux décisions dites programmables au sens de Simon [SIM 60].
Par exemple, pour assurer la continuité d’une exploitation, des décisions à très court terme
doivent être prises rapidement et sont de ce fait «simples».
2
Il s’agit de décisions non-programmables de pilotage et de planification [ANT 65] qui, de
par leur dimension globalisante, se basent souvent sur des variables qualitatives intégrant
notamment des aspects psychologiques et sociologiques.
 Fondements et principes de la dynamique des systèmes 5

modèles dynamiques, souvent non-linéaires, incluant des images mentales et des

règles de comportement, reste cependant abstraite.

C'est en s'appuyant sur les concepts de la cybernétique et de la théorie des

systèmes, que cet ouvrage approche la dynamique des comportements de systèmes
économiques et leurs mécanismes de régulation. La modélisation et la simulation
sont présentées ici tout d'abord comme moyens d'exploration et de compréhension
des phénomènes organisationnels, puis comme une aide à la décision.

1.1. Cybernétique et approche systémique

La cybernétique est née de travaux interdisciplinaires pilotés par Wiener,

mathémacien logicien et Rosenblueth, physiologiste [WIE 61], en abordant l'étude
des organismes vivants avec le regard du constructeur de servomécanismes et
réciproquement, en considérant les servomécanismes avec l'expérience du
physiologiste. En 1965, Klir et Valach ont recensé jusqu’à dix-sept définitions de la
cybernétique, dont la suivante : «la cybernétique est la science des mécanismes
autorégulés et a pour objet principal l'étude des interactions entre systèmes
gouvernants (ou systèmes de contrôle) et systèmes gouvernés (ou systèmes
opérationnels), dans les milieux régis par des processus de rétroaction...» [KLI 65].
Mais ce fut déjà en 1932 que Cannon découvrit la propriété d'homéostasie des
systèmes qu'il définissait comme «l'ensemble des mécanismes assurant la régulation
de l'organisme... Un système homéostatique (une entreprise, une grande
organisation, une cellule) est un système ouvert maintenant sa structure et ses
fonctions par l'intermédiaire d'une multiplicité d'équilibres dynamiques» [CAN 32].
Quant à Ashby, il avait beaucoup insisté sur la propriété remarquable de la
démarche cybernétique d'indifférence à l'égard de la nature des éléments observés
[ASH 56]. Elle ne s'intéresse pas aux parties mais aux interactions. De même, les
composants des systèmes importent peu, seul est pris en considération leur
comportement global. Mélèse précise que la cybernétique ne se limite pas comme
d'autres sciences, au niveau des objets pour se demander «qu'est-ce que cela ? » ou
«comment cela fonctionne-t-il ? » mais à un niveau plus général où il se demande
«qu'est-ce que l'objet produit, quelles transformations apparaissent ? » [MEL 80].
De cette importante bibliographie traitant de cybernétique et de systémique, nous
pouvons retenir que le système est une «boîte noire» définie seulement par ses
intrants et ses extrants; on peut ainsi reconnaître la structure régulatrice même quand
les mécanismes réels restent inconnus ou ne sont par décrits. Selon Scheid, les
systèmes possèdent des feedbacks positifs ou négatifs «qui pourront dire si
l'organisation est stable ou instable, si elle est dotée ou non de régulateurs efficaces»
[SCH 80]. Mais la cybernétique et la théorie de la commande des mécanismes
technologiques et naturels ne représentent qu'une partie de la théorie générale des
6 Dynamique des systèmes, complexité et chaos

systèmes de Von Bertalanffy [BER 73] et de l’approche systémique. Walliser

caractérise l’approche systémique de la manière suivante :
«- ...elle cherche d'abord à définir un langage unitaire de représentation des
systèmes... en se fondant sur l'existence de propriétés communes à ces différents
systèmes,...
- elle cherche à définir une démarche rationnelle d'analyse et de conception de
systèmes... en se fondant sur l'existence de principes communs de modélisation,...
- elle cherche enfin à définir une problématique originale de pensée et d'action en
se fondant sur l'espoir d'une synergie et d'un consensus dus au travail
pluridisciplinaire...» [WAL 77].

C’est en 1961 que Forrester pose les fondements théoriques de la dynamique

industrielle (appelée aussi dynamique des systèmes). Un de ses objectifs consiste à
définir les liens de causalité circulaire qui se manifestent dans un schéma
cybernétique. Au niveau des organisations, l'hypothèse fondamentale posée par
Forrester, est que toute décision est nécessairement prise à l'intérieur d'une structure
de feedback [FOR 69a]. Pour Senge, un "disciple" de Forrester, penser en termes de
système «implique d'avoir la capacité de comprendre quelles relations clés
influencent les comportements qui se manifestent dans les systèmes complexes au fil
du temps et quelle est la capacité des managers lorsqu'il s'agit de prendre ces
ensembles en considération» [SEN 90].

En se référant à Lussato [LUS 70], la théorie des systèmes se préoccupe de

décrire la réalité à travers de modèles aussi «fidèles» que possible et son effort se
porte généralement sur le perfectionnement des moyens d'analyse et de
connaissance.

Les modèles développés dans cet ouvrage justifieront l'utilisation de cette

approche comme moyen d'exploration des mécanismes de contrôle et de régulation
homéostatique.

1.2. Principe de la dynamique des systèmes de Forrester

Comme nous venons de le voir, l'un des concepts fondamentaux de cette théorie
est la notion de feedback sur laquelle repose toute organisation dynamique. Le
principal objectif de la dynamique des systèmes consiste à étudier le comportement
des systèmes pour lesquels on peut mettre en évidence l'existence de relations
causales circulaires3 ([FOR 58] ; [FOR 69a]). Dans cette perspective, l'un des

3 La dynamique des systèmes appelée initialement dynamique industrielle, s'est très vite
élargie à d'autres domaines. A l'origine, il s'agissait selon Forrester, de mener «l'étude des
caractères de rétroaction industrielle, pour montrer comment la structure organisationnelle,
 Fondements et principes de la dynamique des systèmes 7

fondements de cette approche est l'idée que les organisations sont plus justement
décrites si l'on s'intéresse aux flux qui les régulent, plutôt qu'aux éléments qui les
composent. Forrester propose à cet effet ce nouvel instrument d'étude, fondé sur
l'utilisation de boucles fermées où une variable de contrôle agit sur une variable
d'action, qui par l'intermédiaire d'éventuelles autres variables, contre-réagit ensuite
sur cette même variable de contrôle. L'utilisation de ce mécanisme permet de
montrer l'interaction mutuelle entre différentes variables d'un système complexe où
la notion de pilotage évolue à chaque transition spatio-temporelle. La modélisation
de l'interaction entre les différents éléments composants du système réel s'effectue
par des systèmes d'équations différentielles.

1.2.1. Méthodologie de la dynamique des systèmes

D'après Radzicki et Sterman, les comportements dynamiques émergent de la

structure des systèmes et par conséquent, leur compréhension nécessite
l'identification et la représentation de cette structure [RAD 93]. En pratique,
l'élaboration progressive de modèles «dynamiques» passe par une phase qualitative
initiale de formalisation des relations causales dans les systèmes. S'inspirant des
graphes de flux de signaux, initialement développés par les ingénieurs
électroniciens, Forrester propose ainsi de décrire la structure de feedback par un
diagramme causal - visant ce faisant, notamment, à faciliter la visualisation des
réseaux organisationnels (cf. [FOR 69a] ; [ROB 84]) 4.

Dans la phase suivante, Forrester préconise de construire des modèles à partir de

différents symboles. Les variables de niveau décrivent l'état des systèmes par une
intégration continue des résultats de l'action dans ces systèmes. Les variables de
taux5 (ou de flux) expriment l'action par des débits d'entrée et de sortie dans les
niveaux. Les niveaux existent en permanence, même si toute activité cesse - i.e.
même si les taux ou les flux disparaissent. Les équations de flux définissent les
politiques de décision dans les systèmes et interagissent sur les niveaux, donc sur les
états dans ces systèmes. Le principe de ces «équations de politique» est de
reconnaître en premier lieu un but local vers lequel la décision doit tendre. Puis l'état

l'amplification et les délais interagissent pour influencer les performances de l'entreprise».

S'intéressant par la suite au problème de l'évolution démographique des villes, Forrester
étendit en 1964 la dynamique industrielle aux systèmes urbains [FOR 69b], puis en généralisa
l'application en publiant en 1971 une étude sur la dynamique mondiale [FOR 71].
4 Richardson propose une approche top-down pour conceptualiser les modèles, décrivant tout

d'abord la structure physique des systèmes, puis les flux d'information, et enfin les
conséquences des actions à l'origine des changements occurant dans les systèmes réels
[RIC 81].
5 Il est utile de préciser que les variables dites de taux (traduit de l'anglais flow rate)

représentent des débits et s'expriment donc par une quantité par unité de temps.
8 Dynamique des systèmes, complexité et chaos

apparent est comparé à cet objectif pour détecter un éventuel écart utilisé pour
guider une nouvelle action. Des variables auxiliaires facilitent également
l'élaboration des modèles et sont en fait des subdivisions d'équations de taux. Elles
apparaissent dans les chaînons d'information qui connectent les niveaux des taux,
ces derniers contrôlant les politiques dans les systèmes. Ce sont les seuls intrants des
équations de taux qui peuvent influencer les décisions. La figure 1.1 illustre ce
paradigme de Forrester énonçant que toute décision est prise à l'intérieur d'une
boucle de feedback en suivant la séquence logique suivante : Décision actuelle 
nouvel Etat  nouvelles Informations  nouvelle Décision  nouvel Etat  etc.
[FOR 84].

Notons enfin que les six types de flux dans les systèmes peuvent être des flux de
matières, d'information, d'ordres, financiers, de personnel ou de capitaux.

ETAT
DECISION
Variable de nive au
Taux d'entrée Taux de s ortie

Source Puits

INFORMATION

Variable auxiliaire

Figure 1.1. Un exemple de représentation de modèle de la dynamique des systèmes

1.2.2. Prise en compte des délais

Nous considérons dans ces modèles que les décisions ne sont pas prises
instantanément, mais de façon progressive exprimant ainsi un continuum spatio-
temporel «décision-action». La méthode s'attache donc à prendre en compte les
délais ou facteurs d'hystérésis qui se manifestent entre la décision et l'achèvement de
l'exécution de cette décision. Les délais dans les systèmes constituent un des
éléments essentiels de leur dynamique.

La figure 1.2 représente un délai à réponse exponentielle d'ordre 3 activé par

deux types de stimulation, une impulsion (pulse) et un échelon (step). Ce type de
délai est le plus représentatif des comportements réels (cf. [FOR 69a] ; [POP 73]).
 Fondements et principes de la dynamique des systèmes 9

Perturbation par un pulse Perturbation par un step

Temps Temps

Réponse à un pulse
Réponse à un step

Temps Temps

Figure 1.2. Délai exponentiel d'ordre 3

Précisons également l'existence de délais de lissage ou délais d'information qui

sont placés dans un canal d'information. Leur rôle consiste à lisser l'historique des
informations, la constante de ces délais (ou coefficient de lissage) représentant l'âge
moyen pondéré de l'information qui en sort. Le type de lissage exponentiel d'ordre 3
se représente par une succession de trois lissages exponentiels du premier ordre
comme le montre la figure 1.3.

XL1

Variable X à lisser

XL2
Coefficient de
lissage 

XL3
Variable X lissée = XL3

Figure 1.3. Principe du lissage exponentiel d'ordre 3

Pour un intervalle de temps dt situé entre t et (t + dt) et pour un coefficient de

lissage  donné, le lissage d'ordre 3 d'une variable X, noté XL3, est déterminer par
les opérations suivantes :
10 Dynamique des systèmes, complexité et chaos

dt
XL1t+dt = XL1t + ( ) . ( Xt - XL1t ),

dt
XL2t+dt = XL2t + ( ) . ( XL1t - XL2t ),

dt
XL3t+dt = XL3t + ( ) . ( XL2t - XL3t ) = variable X lissée.


Enfin, il est nécessaire de distinguer les délais conservatifs des délais de lissage.
Les délais conservatifs sont insérés dans un canal de flux qui transporte une quantité
qui va d'un point à l'autre. Ce qui "rentre" dans ce type de délai doit nécessairement
en ressortir sans perte quantitative. La constante de ces délais représente en régime
permanent, la durée moyenne de séjour d'un élément de flux qui y est entré. Ces
délais sont également appelés délais discrets et peuvent correspondre par exemple, à
une durée fixe de cuisson dans un four fonctionnant en continu.

1.2.3. Principe des simulations

Le mode de représentation que nous avons exposé, permet ensuite de traduire les
variations des états par l'intermédiaire d'équations différentielles et d'en étudier leurs
comportements dans le temps à l’aide de la simulation. La simulation de modèles
continus non-linéaires peut être réalisée à l'aide de techniques numériques de type
Euler, Runge Kutta, ou autres. Les calculs s'effectuent pas à pas en fonction des
relations causales existantes.

Après avoir choisi un pas d’itération 6 dt, les équations exprimant les variations
de niveaux sont des équations aux différences finies de la forme :

NIVEAU(t) = NIVEAU(t-1) + ( TAUXentrée - TAUXsortie) . dt

L'équation intégro-différentielle correspondante est :

NIVEAU(T)= NIVEAU(t=0) + 
t =0
(TAUXentrée - TAUXsortie) . dt

6 La valeur de dt ne devra pas être supérieure à la moitié du plus petit délai du modèle (cf.
théorème de Shannon). S’il s’agit par exemple d’un délai exponentiel d’ordre 3, dt devra être
inférieur ou égal au sixième de ce délai.
 Fondements et principes de la dynamique des systèmes 11

Le principe détaillé du calcul itératif est présenté schématiquement dans la figure

1.4. Les variables de taux T dépendent de variables de niveau N ou de variables
auxiliaires A connues au début de la période de calcul7.

Valeurs des
Niveaux
niveaux
N(t) calculés
connus
N(t-dt) N(t+dt)

T(t) Futur
T(t+dt)
A1(t) Variables
T(t-dt) auxiliaires
A2(t) calculées avant
Taux connus
les niveaux

(t-dt) t (t+dt) Temps

Figure 1.4. Principe de résolution pas à pas

En économie d’entreprise, il est fréquent de simuler des comportements de

systèmes en fonction des fluctuations possibles de la demande commerciale (une des
variables exogènes les plus usuelles). Se pose alors le problème du choix des
hypothèses sur la variabilité de la demande et du choix d'un plan d’expériences. Par
exemple, dans un premier temps, des séries chronologiques provenant d’historiques
de ventes, peuvent permettre de tester la validité d'un modèle par rapport au passé
connu. Mais la correspondance entre les comportements passés et les résultats du
modèle ne suffit pas à assurer seule la validité du modèle et son comportement futur.
Selon Forrester et Lyneis, la plupart des systèmes se révélent instables face à des
stimulations de faibles amplitudes et stables face à des perturbations plus
importantes [FOR 69a] ; [FOR 92] ; [LYN 88]. Il est donc nécessaire de tester de
nouvelles hypothèses sur l'évolution des ventes selon trois types à savoir, des paliers
(steps) positifs ou négatifs, des impulsions ou (pulses) positives
ou négatives, des bruits ainsi que des composantes saisonnières. La variation de la
demande pourrait ainsi être exprimée suivant une équation paramétrable du type :

7
D'après Alj et Faure, cette méthode peut se rattacher à la théorie des graphes de fluence, car
elle comporte l'état d'un graphe dans lequel les arcs liant les sommets représentent les
niveaux, les taux de variation de ces niveaux ou amplificateurs auxiliaires, indiquent
comment interagissent les taux ou les gains pour modifier les niveaux initiaux, lorsque le
système représenté évolue dans le temps [ALJ 90].
12 Dynamique des systèmes, complexité et chaos

D = Dm*(1+normal(Mb, Sb)+step(Hs, Ds)+pulse(Hp, Dp, Fp)+Am*cos(2t/T) )

avec:
D = demande fluctuante
Dm = demande moyenne
Mb = moyenne des bruits distribués normalement
Sb = écart-type des bruits
Hs = hauteur du step
Ds = date de début du pulse
Hp = hauteur du pulse
Dp = date de début du premier pulse
Fp = fréquence des pulses
Am = amplitude de la sinusoïde
T = période de la sinusoïde

Des logiciels de simulation continue comme Stella, I Think et Vensim8 par

exemple, permettent ainsi d’implémenter ce type de modèles non linéaires grâce à
des interfaces graphiques conviviales.

1.3. Un exemple de modèle trivial

Il s’agit d’étudier l’évolution d’une épidémie en effectuant différentes

hypothèses sur la vitesse de propagation et la durée de la maladie. Le modèle
proposé pourrait également correspondre à la propagation d’une rumeur en fonction
de son degré d’importance et d’écoute, ainsi que la durée de l’intérêt qu’elle suscite.

Tout d'abord, nous supposons une population totale N qui ne varie pas en
fonction du temps pendant la période de l'analyse. Puis, nous posons X1(t) le nombre
de personnes saines à l’instant t. Il s'agit plus précisément de la part de la population
qui reste potentiellement contaminable par des individus malades. C'est X2(t) qui
correspond au nombre de personnes porteuses de la maladie au même instant t et
pouvant la transmettre aux individus de type X1. Enfin, X3(t) représente la population
qui n'est plus (ou pas) concernée par l'épidémie, soit suite à leur guérison ou leur
décès, ou encore par immunisation. Le processus dynamique de l'évolution de
l'épidémie que nous souhaitons étudier, prend donc son origine au niveau des
personnes de type X2. Ces dernières sont susceptibles de contaminer pendant une
durée donnée, les individus sains de type X1. L'effectif de cette dernière population
ne peut que décroître si l'épidémie se propage, ou se stabiliser. Après la durée de la
maladie, les effectifs X2 passent dans la catégorie X3 qui elle, ne peut que croître ou
stagner.

8 Ces logiciels sont distribués en France par la société KBS, Rue Saint Jacques, Paris.
 Fondements et principes de la dynamique des systèmes 13

L'effectif total de la population N reste constant, donc :

t, N = X1(t) + X2(t) + X3(t)

Le diagramme d’influence qui pourrait représenter les relations de causalité entre

les différentes variables, est présenté dans la figure 1.5.

- +
X1 - X2 - X3
-

Figure 1.5. Diagramme de causalité

Les arcs de causalité sont polarisés par le sens algébrique de la relation. Par
exemple, quand X1 décroît, alors X2 et X3 croissent. On voit également apparaître
trois boucles de contrôle dont deux sont de type homéostatique (une boucle négative
du deuxième ordre et la seconde du troisième ordre). Enfin une boucle positive du
deuxième ordre a pour effet dynamique d’amplifier les variations de X1 et par
conséquent, de X2.
La phase suivante consiste à construire le modèle de dynamique des systèmes
correspondant (voir figure 1.6).
X2 Population contaminée

k1

N Population totale X1 Population saine

Tx de contamination

k2

X3 Population insensibilisée
Tx de désensibilisation

Figure 1.6. Modèle niveaux/flux

Tout d’abord, il a été considéré que l’effectif de personnes saines X1 décroît en

fonction d’un paramètre k1 et du nombre de contacts entre les personnes saines et les
14 Dynamique des systèmes, complexité et chaos

personnes contaminées. Cette dernière hypothèse peut se modéliser par le produit

des deux populations X1 et X2. L'équation différentielle correspondante est donc la
suivante :

d X1 /dt = - k1. X1. X2

Ensuite, la croissance de la population X3 est fonction du nombre de personnes

contaminées selon k2 un coefficient correspondant à la durée totale de la maladie.
Ceci peut s'exprimer sous la forme :

d X3/dt = k2. X2

avec la contrainte : N = X1 + X2 + X3

Remarque importante. A ce stade de formalisation, pour justifier l’utilisation de

la simulation, il faut s’assurer que ce système d’équations ne peut se résoudre de
manière analytique.

Les équations détaillées correspondantes au modèle présenté en figure 1.6, sont

les suivantes :

X1_Population_saine(t) = X1_Population_saine(t - dt) + (- Tx_de_contamination) * dt

INIT X1_Population_saine = 99
OUTFLOWS:
Tx_de_contamination = k1*X1_Population_saine*X2_Population_contaminée
X3_Population_insensibilisée(t) = X3_Population_insensibilisée(t - dt) + (Tx_d'incubation) * dt
INIT X3_Population_insensibilisée = 0
INFLOWS:
Tx_d'insensibilisation = k2*X2_Population_contaminée
k1 = 0.01
k2 = 0.1
N_Population_totale = 100
X2_Population_contaminée = N_Population_totale-X3_Population_insensibilisée-X1_Population_saine

Enfin, des simulations peuvent être réalisées en faisant varier le rapport k2/k1
dont la dimension au sens de la physique, est identique à N (nombre de personnes).

Les courbes de la figure 1.7 montrent un exemple où ce rapport est inférieur à N

en posant les conditions initiales suivantes :

X1 (0) = 99 et X3 (0) = 0
et les constantes :
 Fondements et principes de la dynamique des systèmes 15

N = 100 (d’où X2 (0) = 1)

k1 = 0,01
k2 = 0,1

1: X1 Population saine 2: X2 Population contaminée 3: X3 Population insensibilisée

potentiellement contaminable
1: 100.00
2: 1 3
70.00
3: 100.00 3

1: 50.00
2: 35.00 2
3: 50.00

2
2
1: 3
0.00
2: 0.00 2
3: 0.00 1 1 1
0.00 12.50 25.00 37.50 50.00

Jours

Figure 1.7. Evolution de l’épidémie pour k1 = 0,01 et k2 = 0,1 (k2/k1 = 10 < N =100)

1: X2Popul contaminée 2: X2Popul contaminée 3: X2Popul contaminée 4: X2Popul contaminée 5: X2Popul contaminée
1: 70.00

1: 35.00

3
2
2 1
4

1 3 1
5 4 5 2 3 4 5 2 3 4 5
1: 0.00
0.00 12.50 25.00 37.50 50.00

Jours

Figure 1.8. Evolution de la population contaminée en fonction du rapport k2/k1

Il est par ailleurs intéressant et facile de démontrer que l’épidémie ne peut se

propager que si k2/k1 < N. La figure 1.8 montre les variations de la population
16 Dynamique des systèmes, complexité et chaos

contaminée X2(t) suivant cinq rapports k2/k1 différents numérotés de 1 à 5, et variant

de 10 à 100. La «meilleure» propagation est constatée pour le rapport de 10, puis 20,
40 et 60. Pour le dernier rapport, on constate que X2 ne croit plus.

Nous n'avons ici qu'esquissé les possibilités d'exploration qu'offrent la

méthodologie et les outils de modélisation de la dynamique des systèmes.

1.3. Conclusion

La vulnérabilité des entreprises face à des aléas internes et externes, nécessite un

meilleur pilotage et une réactivité mieux contrôlée. Dans le monde réel, un «champ»
complexe d'acteurs et d'actions tente d'assurer l'équilibre permanent de l'activité
économique par rapport à ses objectifs. C'est là où la dynamique des systèmes de
Forrester peut aider à découvrir et à mieux comprendre ces comportements
«réactifs» non-intuitifs a priori. Ce paradigme permet aussi de dégager de nouveaux
modes de pilotage plus rationnels à partir d'une analyse dynamique des mécanismes
de régulation réels. D'après Paulré, la dynamique industrielle n'est pas simplement
une méthode de simulation de systèmes dynamiques ou une méthode d'analyse des
systèmes, mais une démarche tournée vers l'intelligence des systèmes complexes
[PAU 91] (voir également [KAR 91] ; [BRA 91]).

1.4. Références bibliographiques

[ALJ 90] ALJ A. et FAURE R., Guide de la recherche opérationnelle, Masson,

Tome 2, 1990, pp. 275-280.
[ANT 65] ANTONY R.N., Planning and Control Systems. A framework for
Analysis, Harvard University, Boston, 1965.
[ASH 56] ASHBY W. R., An introduction to cybernetics, London, Chapman &
Hall, 1956.
[BEN 82] BENSOUSSAN A., "La recherche en gestion", Colloque FNEGE de
Nancy, 1er décembre 1982, pp. 5-29.
[BER 73] Von BERTALANFFY L. (traduit par G. Braziller), Théorie générale
des systèmes, Paris, Dunod, 1973.
[BRA 91] BRAUNSCHWEIG B., "Pour une intelligence des systèmes
dynamiques", Revue Internationale de Systémique, AFCET, Dunod, Vol 5, Nr 2,
1991, pp. 133-141.
[CAN 32] CANNON W. A., The wisdom of the body, New York, Norton & Co,
1932.
[FOR 58] FORRESTER J. W., "Industrial Dynamics: A major Breakthrough for
Decision Makers", Harvard Business Review 36, n°4, July-August 1958, pp. 37-66.
 Fondements et principes de la dynamique des systèmes 17

[FOR 69a] FORRESTER J. W., Industrial Dynamics, Cambridge,

Massachusetts, MIT Press, 6ème édition, 1969 (1ère édition en 1961).
[FOR 69b] FORRESTER J. W., Urban Dynamics, Cambridge, Massachusetts,
MIT Press, 1969.
[FOR 71] FORRESTER J. W., World Dynamics, Wright-Allen Press, 1971.
[FOR 84] FORRESTER J. W., Principes des systèmes, Presses Universitaires de
Lyon, 1984.
[FOR 92] FORRESTER J. W., "Policies, decisions and information sources for
modeling", European Journal of Operational Research, vol.59, 1992, pp. 42-63.
[KAR 91] KARSKY M., "What is to be done ?", Revue Internationale de
Systémique, AFCET, Dunod, vol 5, n° 2, 1991, pp. 109-117.
[KLI 65] KLIR, J. et VALACH, M., Cybernetic modeling , Prague, SNTL, 1965.
[LUS 70] LUSSATO B., Introduction critique aux théories d'organisation,
Paris, Dunod, 2 ème édition, 1977, pp. 118-162.
[LYN 88] LYNEIS J. M., Corporate Planning and Policy Design: A system
Dynamics Approach, Cambridge, Massachusetts, Pugh-Roberts Associates, 3rd
printing, 1988, pp. 83-114.
[MEL 80] MELESE J., La gestion par les systèmes - Essai de praxéologie,
Editions Hommes et Techniques, 1980.
[PAU 91] PAULRE B., "La dynamique des systèmes: de la modélisation à
l'intelligence des systèmes complexes", Revue Internationale de Systémique,
AFCET, Dunod, Vol 5, Nr 2, 1991, pp. 105-107.
[POP 73] POPPER J., La dynamique des systèmes, principes et applications,
Paris, Les Editions Organisation, 1973, pp. 25-90.
[RAD 93] RADZICKI M. J. et STERMAN J. D., "Evolutionary Economics and
System Dynamics", Proceedings of System Dynamics'93 Conference, Mexico, 1993,
pp. 388 I-388 XVIII.
[RIC 81] RICHARDSON G. P., Introduction to system dynamics modeling,
Cambridge, The MIT Press, 1981, pp. 310-320.
[ROB 84] ROBERTS E. B., Managerial Applications of System Dynamics,
Cambridge, The MIT Press, second edition, 1984, pp. 87-93.
[SCH 80] SCHEID J-C., Les Grands Auteurs en Organisation, Dunod, 1980, pp.
148-163.
[SEN 90] SENGE P., The fifth discipline: the art and practice of the learning
organization, New York, Doubleday, 1990.
[SIM 60] SIMON H. A., The new science of management decisions, Evanston,
Harper and Row, New York, Publishers, 1960.
[WAL 77] WALLISER B., Systèmes et modèles. Introduction critique à
l'analyse des systèmes, Paris, Editions du Seuil, 1977.
[WIE 61] WIENER N., Cybernetics, or control and communication in the
animal and in the machine, 2ème édition, Cambridge, MIT Press, 1961.

View publication stats