Soutenance mémoire
Problèmes liés à la notion de vulnérabilité
REVUE DE LITTERATURE
La gestion de l’urgence est un objet d’étude qui prend de l’importance du fait du phénomène de mondialisation, qui conduit les organismes et gouvernements à réagir à des évènements plus éloignés de leur bases, ce qui entraîne plus d’intervention, mais aussi plus d’intervenants lors de chaque intervention. Denis (2002) explique les mécanismes de réponse aux catastrophes et ce qu’elle désigne par le terme de méga-organisation de l’urgence, qui est l’ensemble des organisations et individus intervenant dans la gestion d’une catastrophe. L’auteure explique les différentes causes d’une catastrophe, comme les facteurs prodromiques ainsi que les évènements déclencheurs immédiats. Elle décrit aussi le déroulement usuel d’une catastrophe et de son traitement, en différentes phases : la phase prodromique, qui est antérieure à l’évènement, comprend toutes les décisions et mesures qui ont conduit à la catastrophe (ex : réduction du budget de maintenance d’une digue) ; la phase de réponse, qui survient immédiatement après l’évènement, comprenant l’alerte, la mobilisation et l’acheminement des secours et qui est la plus médiatisée ; la phase de rétablissement, ou retour à la normale, où l’on reconstruit les biens endommagés de façon à retrouver le niveau de vie antérieur à la catastrophe ; la phase de l’après-catastrophe, où les derniers points litigieux sont réglés, comme le partage des responsabilités et les plaintes aux assurances. Elle explique ensuite le rôle que tient chaque intervenant (responsables politiques, associations, organisations de secours, volontaires, médias, etc…) et les problèmes de coordination pouvant survenir entre eux. Un aspect intéressant concernant le rôle de l’être humain, ainsi que de la culture, est aussi étudié, notamment l’influence du stress sur les victimes comme les secouristes. Cet article se base sur un certain nombre d’évènements catastrophiques survenus au Canada, comme le verglas de 1998, les inondations du Saguenay, ou encore l’incendie de l’entrepôt de PBC de Saint Basile le Grand. 6 1.1 Précurseurs La recherche d’optimisation dans la logistique d’urgence est un développement récent de la recherche opérationnelle. La notion de catastrophe semblait auparavant légitimer que les secours soient pris au dépourvu et qu’ils s’organisent comme ils pouvaient, sans garantie de résultats. Une publication précoce est l’article de Brown et Vassiliou (1993), qui propose d’utiliser l’outil informatique pour aider l’armée grecque dans l’allocation de ses unités en cas de catastrophe naturelle. Le système recense les ressources disponibles ainsi que la somme de travail à effectuer, et alloue ces ressources de la façon la plus efficace possible, en tenant compte de la répartition géographique, des quantités de travail disponibles et requises, ainsi que des compétences spécifiques de chaque bataillon. Ce système prend en compte le temps que prendra chaque unité à se rendre sur place. 1.2 Développement du sujet suite au séisme d’Istanbul en 1999 Le séisme d’Istanbul, le 17 août 1999, et ses 20 000 morts, et la crainte d’un prochain séisme de magnitude semblable a lancé l’idée de planifier les secours en avance. Des chercheurs ont commencés à explorer l’idée, réfléchissant surtout à l’aspect de transport des denrées vers les zones sinistrées, et l’évacuation des blessés. Cela a abouti à un premier article de Barbarasoglu et al. (2002) proposant un modèle pour déterminer la répartition optimale d’une flotte d’hélicoptères dans le cadre d’une opération de secours, et définir son trajet. Il se décompose en deux (2) parties. Au niveau tactique, il s’agit de minimiser la flotte totale d’hélicoptères et de pilotes mobilisés, tout en assignant des équipages compatibles avec les appareils désignés et en décidant du nombre de tournées possibles. Au niveau opérationnel, il cherche à minimiser le temps nécessaire aux opérations de transport, tout en décidant du parcours de chaque appareil et de son réapprovisionnement en carburant. Ces deux (2) parties étant interdépendantes, il est impossible de les résoudre l’une après l’autre, elles sont donc optimisées tour à tour par un procédé itératif, afin d’arriver à un meilleur compromis, ce qui nécessite qu’une personne qualifiée soit en charge d’exécuter le programme. 7 Par la suite Özdamar et al. (2004), ont définis une procédure de planification des trajets de véhicules dans le cadre des opérations logistiques liées aux catastrophes naturelles. Ce travail décrit un modèle logistique visant à minimiser la demande insatisfaite, c’est à dire le besoin des sinistrés en matière de nourriture, médicaments, vêtements et abris. Le problème est d’abord formulé comme un problème linéaire en nombres mixtes MIP (Mixed Intègre Programming). Toutefois, cette formulation ne convenant pas pour un problème de taille plus grande, le problème a été divisé en deux (2) sous-problèmes articulés par une relaxation lagrangienne. Le premier sous-problème traite de l’approvisionnement des ressources aux points de demande, il tend à minimiser la demande non assouvie. Le deuxième sous problème traite de la capacité de la flotte de transport, il tend à minimiser sa surcharge. Cette contrainte n’étant en réalité pas souple, les deux (2) sous-problèmes sont traités successivement par itérations jusqu’à arriver à une solution les satisfaisant tous les deux. Yi et Özdamar (2007a) appliquent plus spécifiquement le problème de transport au cas des urgences médicales, ce qui signifie que la capacité de transport peut être utilisée aussi bien par des biens que par des blessés ayant besoin d’être évacués. Les blessés ainsi que les denrées se voient attribuées un coefficient de priorité, permettant de répartir les transports le plus efficacement possible. Le modèle est construit en deux (2) parties. La première partie est un modèle compact traitant des véhicules comme une quantité de transport, et non comme des véhicules séparés. Il permet de répartir les ressources de transport en fonction des différents besoins. La deuxième partie est un algorithme donnant l’itinéraire de chaque véhicule et les instructions de chargement/déchargement à chaque nœud en fonction des résultats de la première partie. Enfin, Yi et Özdamar (2007b) s’intéressent à la part d’incertitude présente dans l’évaluation des situations de catastrophe naturelle, due à une information lacunaire au début, corrigée par les rapports d’informations successifs. 8 Le procédé présenté permet d’évaluer la quantité de ressources demandée par un intervalle flou, puis de réduire cet intervalle au fur et à mesure que des informations parviennent de la zone affectée. Les itinéraires optimaux sont alors recalculés, et une nouvelle solution trouvée. Berkoune et al. (2011), décrivent un modèle apportant une solution au problème de transport depuis un entrepôt jusqu’à des points de demande dans une situation d’urgence. Il propose un modèle de programmation MIP, cherchant à déterminer des routes de livraison minimisant le temps de livraison total, tout en délivrant la quantité demandée de chaque produit aux points de demande et en respectant les contraintes de disponibilité des produits et de capacités des véhicules. Ensuite, de façon à réduire le temps de calcul, une heuristique est proposée, basée sur les algorithmes génétiques. Un algorithme glouton remplissant les contraintes de capacité est utilisé pour construire la première génération de solutions, puis les solutions sont évaluées et les meilleures sont sélectionnées pour la génération suivante, après des opérations de croisement et de mutation aléatoire. La solution fournit des solutions utilisables et proches de l’optimum en environ 60 secondes, ce qui la rend très pratique pour l’assistance à la décision où l’entraînement des fonctionnaires municipaux. 1.3 Problèmes classiques de logistique adaptés Certains aspects de la logistique humanitaire ne sont en rien différents des problèmes de logistique industrielle, il est donc facile d’adapter des solutions employées dans d’autres domaines à l’aide humanitaire. Par exemple, Oloruntoba et Gray (2006) comparent la chaîne logistique humanitaire avec les chaînes logistiques utilisées dans le domaine commercial. Les différences citées sont la difficulté de planifier, mais aussi le manque de perspective stratégique à long terme, qui oppose les agences de développement aux agences de secours fonctionnant au cas par cas. Une différence fondamentale est aussi qu’une chaîne logistique commerciale est articulée de façon à satisfaire le consommateur qui est la source de revenu, tandis qu’une chaîne d’approvisionnement humanitaire cherche à satisfaire le sinistré, mais tire son revenu du 9 donateur. Le concept d’agilité peut se définir comme : « la capacité de prospérer dans un environnement en évolution constante et imprévisible » (Oloruntoba et Gray (2006)) . Ce concept pourrait très bien s’appliquer dans ce cas. Par la suite, l’article propose de gérer les stocks et l’information comme les deux (2) quantités parcourant la chaîne logistique, le premier du donateur au bénéficiaire, la seconde en sens contraire. Les stocks et livraisons pourraient être gérés en « Lean » le plus possible, jusqu’à leur répartition finale aux bénéficiaires, tandis que l’information serait gérée de façon « Agile » le plus longtemps possible, jusqu’à remonter aux donateurs, permettant à l’ensemble de la chaîne logistique d’être le plus efficace possible. Ozbay et Ozguven (2007) proposent une version adaptée à l’aide humanitaire du « Hungarian Inventory Control Model ». Le modèle suppose un stock initial, une consommation régulière, et un délai de livraison stochastique. Le but est de définir le stock initial minimal qui permet de couvrir les besoins sur toute la période étudiée. Ensuite, une analyse de sensibilité est conduite sur le modèle utilisant un seul type d’approvisionnement. Elle analyse l’influence de la probabilité de disruption, du stock initial, du nombre de livraisons, et du rythme de consommation sur l’efficacité de la distribution. Le problème des tournées de livraison est aussi abordé par Balcik et al. (2008) qui définissent un modèle optimisant la distribution de l’aide humanitaire entre le centre de distribution local, et les zones affectées. Il prend en compte la quantité limitée des ressources et des moyens de transport disponibles, ainsi que l’impact plus important d’un manque dans les situations d’urgence. Le modèle qu’ils développent est constitué de deux (2) parties. La première partie recense les routes disponibles en fonction des différents points de demandes. La deuxième partie est un calcul de tournée, comprenant les capacités des véhicules, les quantités demandées ainsi que les pénalités en cas de non satisfaction de la demande. De plus, les biens d’équipement et les biens de consommation sont considérés séparément, les premiers faisant l’objet d’une demande ponctuelle, ne pouvant pas être arriérée, les seconds faisant l’objet d’une demande récurrente, pouvant être repoussée (moyennant pénalité). 10 Ce modèle est intéressant, mais ne semble pas pour l’instant assez rapide pour être mis en application (200 minutes de calcul avec 4 points de livraison), une version avec heuristique doit être mise en place. On pourrait aussi appliquer au domaine de l’urgence les raisonnements liés aux ensembles flous, comme Teodorovic et Pavkovic (1996), qui utilisent ce type d’ensembles pour répondre au problème du routage des véhicules lorsque la demande à chaque nœud est incertaine. La demande à chaque nœud est alors représentée par un nombre flou triangulaire dont les deux (2) extrémités représentent les bornes de l’intervalle, et le sommet représente la valeur la plus probable. On cherche alors, en connaissant les emplacements du dépôt et des nœuds à desservir et la capacité du véhicule, à déterminer une route minimisant les coûts. L’algorithme le plus simple pour obtenir une route est le balayage, qui considère le dépôt comme le centre d’un repère polaire, et qui part d’un emplacement en joignant tous les autres par augmentation de l’argument. Le modèle doit alors choisir pour chaque nœud s’il préfère envoyer le véhicule ou le faire revenir au dépôt. Deux (2) raisonnements ont été proposés pour cette décision. Le premier modèle fait dépendre cette décision uniquement de la capacité disponible dans le véhicule après avoir servi le dernier nœud, ce qui signifie que la capacité (représentée par le centre de gravité du nombre flou triangulaire) est supposée inférieure à un paramètre préalablement choisi, alors le véhicule est renvoyé au dépôt. Si, au contraire, elle est supérieure ou égale, le véhicule continue sa route jusqu’au nœud suivant. Plus ce paramètre est choisi bas, plus il montre une tendance à utiliser la capacité du véhicule au maximum avant de retourner au dépôt. Un deuxième raisonnement utilise la demande estimée au nœud suivant pour affiner cette décision, en la représentant là aussi par un nombre flou triangulaire. Cette utilisation des nombres flous permet de traduire mathématiquement des données verbales comme « un peu plus », « environ », qui sont alors utilisable dans un algorithme. Teodorovic et Radivojevic (2000) appliquent ainsi les ensembles flous aux transports en cherchant à améliorer la répartition des véhicules pour les entreprises de transport privé comme les compagnies de taxi. Lorsqu’un nouveau client appelle pour demander un véhicule, il est nécessaire de décider du véhicule qui va être assigné à ce trajet, ainsi que du nouveau 11 trajet et planning de ce véhicule. Les nombres flous sont utilisés de façon à transcrire en données numériques les indications linguistiques. Le temps d’arrivée du véhicule est défini comme un nombre flou triangulaire compris entre le temps au plus tôt et le temps au plus tard. En réagissant à la distance du véhicule par rapport à la destination demandée et au temps d’attente du véhicule, on établit une préférence pour les véhicules, ce qui permet de choisir le plus adapté. En procédant de la même façon pour le temps total de trajet et les détours engendrés, on définit le nouveau planning et la nouvelle route du véhicule. Nous pourrions parfaitement appliquer ce raisonnement pour les transports médicaux et les ambulances dans les situations d’urgence. Le routage de véhicule stochastique pourrait aussi être utilisé dans ce cas. Une revue de la littérature scientifique est proposée par Gendreau et al. (1996) sur le sujet de la programmation stochastique du routage de véhicule. Les différents types de problèmes du voyageur de commerce sont décrit, avec des clients stochastiques, dont la présence au nœud de demande est inconnue, avec un temps de transport stochastique entre les nœuds, puis le problème de m voyageurs de commerce, qui est simplement le même problème, mais avec m véhicules. Le problème du routage de véhicule est alors présenté avec ses variantes, telle que la demande stochastique à chaque nœud, la présence stochastique d’un client, ou encore une combinaison des deux (2) précédents, clients stochastiques et demandes stochastiques. Il est intéressant de passer en revue les différentes options permettant d’inclure une variable aléatoire dans le modèle.
|
Table des matières
INTRODUCTION
CHAPITRE 1 REVUE DE LITTERATURE
1.1 Précurseurs
1.2 Développement du sujet suite au séisme d’Istanbul en 1999
1.3 Problèmes classiques de logistique adaptés
1.4 Autres approches
1.5 Concepts utilisés
1.6 Vulnérabilité
1.7 Prévision des dégâts
1.8 Évaluation des besoins
1.9 Retour d’expérience et analyse des résultats obtenus
CHAPITRE 2 MÉTHODOLOGIE
2.1 Conception d’ensemble
2.2 Définition de la catastrophe naturelle
2.3 Problèmes liés à la notion de vulnérabilité
2.4 Vérification des hypothèses de travail
2.5 Données pour la phase 1
2.6 Données pour la phase 2
2.7 Données pour la phase 3
2.8 Données pour la phase 4
2.9 Comparaison des résultats
CHAPITRE 3 MODÈLES MATHÉMATIQUES
3.1 Phase 1 : Choix de l’emplacement du Centre de Distribution Régional
3.1.1 Modèle mathématique
3.1.2 Vulnérabilité d’une zone
3.1.3 Proposition de calcul de la vulnérabilité
3.2 Phase 2 : Transport direct depuis le Centre de Distribution Régional
3.3 Phase 3 : Choix de l’emplacement du Centre de Distribution Local
3.3.1 Modèle mathématique
3.3.2 Adaptation à la situation réelle
3.4 Phase 4 : Évaluation des besoins
3.4.1 Paramètres
3.4.2 Formulation mathématique
3.4.2.1 Consommation
3.4.2.2 Equipement
3.5 Phase 5 : Approvisionnement entre le Centre de Distribution Régional et le Centre de
Distribution Local
3.5.1 Modèle mathématique
CHAPITRE 4 VÉRIFICATION DES HYPOTHÈSES
4.1.1 Évolution dans le temps
4.1.1.1 Antilles
4.1.1.2 Amérique Centrale
4.1.2 Répartition géographique
4.1.2.1 Antilles
4.1.2.2 Amérique Centrale
CHAPITRE 5 ESSAIS ET RÉSULTATS
5.1.1 Phase 1 : Localisation du centre de gravité des besoins
5.2 Phase 2 : Transport direct depuis le CDR
5.3 Phase 3 : Localisation du Centre de Distribution Local
5.3.1 Haïti – Tremblement de terre du 12 Janvier 2010
5.3.2 Pakistan – Inondations de Juillet 2010
5.4 Phase 4 : Évaluation des besoins
5.4.1 Eau potable
5.4.2 Nourriture
5.4.3 Soins basiques
5.4.4 Abris
5.4.5 Installations sanitaires
5.4.6 Soins traumatologiques
5.5 Phase 5 : Approvisionnements entre le CDR et le CDL
CONCLUSION
ANNEXE I PROGRAMME LINGO DE LA PHASE 1
ANNEXE II PROGRAMME LINGO DE LA PHASE 3
ANNEXE III PROGRAMME LINGO DE LA PHASE 5
ANNEXE IV ÉVOLUTION DES DÉGÂTS AUX ANTILLES
ANNEXE V ÉVOLUTION DES DÉGÂTS EN AMÉRIQUE CENTRALE
ANNEXE VI RÉPARTITION DES DÉGÂTS AUX ANTILLES
ANNEXE VII RÉPARTITION DES DÉGÂTS EN AMÉRIQUE CENTRALE
ANNEXE VIII APPLICATION DU PROGRAMME LINGO DE LA PHASE 3 AUX
INONDATIONS DU PAKISTAN EN 2010 BIBLIOGRAPHIE
Télécharger le rapport complet
