Impact de l’intégration du concept du produit intelligent

sur la plateforme de la chaîne logistique du conteneur

Mohamed Yassine Samiri

To cite this version:

Mohamed Yassine Samiri. Impact de l’intégration du concept du produit intelligent sur la plateforme
de la chaîne logistique du conteneur. Autre [[Link]]. Normandie Université; Université Cadi Ayyad
(Marrakech, Maroc), 2018. Français. �NNT : 2018NORMLH02�. �tel-01735029�

HAL Id: tel-01735029

[Link]
Submitted on 15 Mar 2018

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
2
 Remerciements

À mes parents, qui se sont dévoués corps et âmes tout au long de mes années d'études. Je
remercie pareillement ma famille et mes amis pour leur soutien.

Je tiens à exprimer toute ma reconnaissance à Monsieur Djamal BENSLIMANE, Professeur

à l’université Claude Bernard Lyon 1, à Monsieur Ladjel BELLATRECHE Professeur à
l'Université de Poitier, et à Monsieur Abdelkrim HAQIQ professeur à l’université de Settat,
d’avoir accepté de rapporter cette thèse

Toute ma gratitude s’adresse à Monsieur Abdelhamid BENAINI, professeur à l’université du

Havre, d’avoir accepté d’examiner ce travail et présider le jury. Je remercie également
Monsieur Mohamed SADGAL, professeur à l’université Cadi Ayyad, d’avoir accepté
d’examiner ce travail.

J’adresse mes plus vifs remerciements à mes encadreurs Monsieur Jaouad

BOUKACHOUR, Maître de conférences HDR à l’université du Havre et monsieur Abdelaziz
EL FAZZIKI, professeur à l’université Cadi Ayyad, pour leur encadrement, conseils,
confiance et pour le soutien qu'ils ont su m'accorder durant toutes ces années.

Je tiens à remercier très chaleureusement Monsieur Mehdi NAJIB, sans oublier mes
collègues du laboratoire de mathématiques appliquées du Havre (LMAH)
et du laboratoire d’ingénierie des Systèmes d’information (LISI).

Merci à tous !

3
4
 ‫ملخــــص الرســــالة‬

‫أحدث عم ي الن ل ب لح ي ث رة في التج رة الد لي في ال رن العشرين‪ .‬ك ن إدخ ل‬

‫الح ي ‪ ،‬ك سي معي ري لن ل البض ئع‪ ،‬أثر عميق ع التج رة البحري أدى إل تغيير‬
‫جذر في أداء الم انئ‪ .‬في ال اقع‪ ،‬اص الم انئ نم ه من خال بن ء محط ح ي‬
‫جديدة أيض من خال تحسين خدم ت عن طريق الحد من التأخير تك ليف التس ي ‪ .‬في‬
‫ال ق نفسه‪ ،‬حظي إدارة المخ طر في محط الح ي ب در كبير من ااهتم في السن ا‬
‫الت ري ‪ .‬قد اقترح المجتمع الد لي عدة‬ ‫ا حتي لي‬ ‫ا خيرة بسب زي دة ا نشط‬
‫مب درا لتحسين أمن الن ل البحر ‪ .‬مع ذل ‪ ،‬فإن ت يي مخ طر الح ي ا يزال م م‬
‫صعب ‪ ،‬يرجع ذل في كثير من ا حي ن إل ن ص المع م ا عد صحت ‪.‬‬
‫من ن حي أخرى‪ ،‬أصبح الحد من البصم ا ك ل جي من أه ا ل ي في مج ل ن ل‬
‫الح ي ‪ .‬في م اج هذا التحد اإيك ل جي‪ ،‬يج ع الف ع ين في س س الخدم‬
‫ال جستي ل ح ي تحسين بنيت التحتي التفكير في س ئط ن ل بر ل ح ي ذا بصم‬
‫إك ل جي أقل من س ئط ن ل الديزل الت يدي ‪ ،‬د ن أن يك ن ل تأثير ع ا داء‪.‬‬
‫ال دف ا ل من هذه الرس ل يركز ع تحسين أداء عم ي تفتيش الح ي ‪ .‬ب لت لي‪ ،‬ن ترح‬
‫ن ج تكيفي جديدا لتحديد أ ل ي تفتيش الح ي ت تنزي ه ع شكل خ ارزمي ‪ .‬هذا الن ج‬
‫يستغل مف المنتج الذكي كذل المنطق الضب بي ت ني التن ي في البي ن ‪ .‬يستند هذا‬
‫ضم ن صحت من‬ ‫الن ج إل ثاث مراحل‪ .‬المرح ا ل هي تحسين تدفق المع م‬
‫خال استغال مف المنتج الذكي‪ .‬ب لت لي ن ترح نم ذج مت دم ل ح ي الذكي ‪ .‬المرح‬
‫الث ني هي إعط ء ا ل ي لتفتيش الح ي عن طريق تحديد درج خط رة الح ي‬
‫استخدا‬ ‫ب ستخدا المنطق الضب بي‪ .‬المرح ا خيرة هي إعط ء ا ل ي لتفتيش الح ي‬
‫التكيف مع ع امل الخطر الجديدة‬ ‫نت ئج التفتيش لضبط دق خ ارزمي تفتيش الح ي‬
‫ب ستخدا ت ني التن ي في البي ن ‪ .‬من أجل التح ق من صح الن ج الم ترح‪ ،‬ت إجراء دراس‬
‫ح ل ت ضيحي فضا عن دراس م رن مع الن ج البدي ا خرى‪ .‬يركز ال دف الث ني من‬
‫هذه الرس ل ع مشر ع الش حن الخضراء ‪ GreenTruck‬الذ ي ت بشكل خ ص‬
‫بشرك الن ل البر ل ح ي لمس ف قصيرة في منط المين ء‪.‬هذا المشر ع ي دف انت ل‬
‫أسط ل جرارا الديزل إل جرارا ك رب ئي ذا بط ري ق ب إع دة الشحن‪ .‬يركز‬
‫المشر ع ع استغال أ ق اانتظ ر ال صيرة ل جرارا ‪ ،‬مثل رفع ن ل الح ي من‬
‫ا س لي‬ ‫أجل إع دة شحن البط ري ت ئي ‪ .‬هكذا قمن في هذه الدراس ب ستكش ف الت ني‬
‫المخت ف إع دة شحن بط ري الجرارا الك رب ئي مع مراع ة ال ي د التشغي ي ‪ ،‬ت يي‬
‫الجد ى ااقتص دي ل ذا المشر ع البني التحتي الك رب ئي ال زم ‪ .‬قد مكن أداة ل مح ك ة‬
‫محط الشحن ‪ ،‬ب إض ف إل تز يد صن ع ال رار بنت ئج ت ني‬ ‫من قي س حج البط ري‬
‫اقتص دي مع رس ثاثي ا بع د رس بي ني ‪.‬‬

‫‪5‬‬
 Résumé
La conteneurisation a révolutionné le commerce international au 20ème siècle. L’introduction du
conteneur, comme moyen standard de transport de marchandise, a profondément impacté le commerce
maritime et a radicalement changé le fonctionnement des ports. En effet, les ports n’ont cessé de se
développer par la construction de nouveaux terminaux à conteneurs (TC) et également par
l’amélioration de leurs services par la réduction des délais et des coûts de livraison. En parallèle, la
gestion des risques dans les TC a reçu beaucoup d'attention ces dernières années en raison de
l'augmentation des activités frauduleuses liées aux conteneurs. La communauté internationale a
proposé plusieurs initiatives pour améliorer la sécurité du transport maritime. Cependant, l'évaluation
des risques des conteneurs reste une tâche difficile, souvent due à des informations incomplètes ou
ambiguës sur les conteneurs. D’autres parts, la réduction de l’empreinte écologique sur l’environnement
est devenue une préoccupation majeure en matière de transport conteneurisé. Face à cet enjeu
écologique, les acteurs du dernier kilomètre de la chaîne logistique du conteneur doivent améliorer et
optimiser leur infrastructure et penser des modes de transports terrestre de conteneurs ayant une
empreinte environnementale moindre que les modes de transports classiques à diesel, sans toutefois
impacter les performances.
Dans cette optique, le premier objectif de cette thèse se focalise autour l’amélioration de la
performance du processus d’inspection des conteneurs. Ainsi, nous proposons une nouvelle approche
adaptative de la priorisation d’inspection des conteneurs. Nous avons nommé cette approche
APRICOIN (Adaptive PRIoritizing Container INspection). Cette approche exploite le concept du
produit intelligent ainsi que de la logique floue et les techniques de fouille de données. Cette approche
est basée sur trois étapes. La première étape vise l’amélioration du flux informationnel et en assurant
ça véracité et ce moyennant les capacités du conteneur intelligent. Ainsi on propose un descriptif enrichi
du conteneur (DEC). La deuxième étape consiste à prioriser l’inspection des conteneurs en lui attribuant
un score de risque à l’aide de la logique floue. La dernière étape consiste à prioriser l’inspection des
conteneurs et exploiter les résultats d’inspection afin d’ajuster la précision de l’algorithme APRICOIN
et s’adapter aux nouveaux facteurs de risque moyennant les techniques de fouille de données. Afin de
valider l’approche proposée, une étude de cas illustratif a été réalisée ainsi qu’une étude comparative
avec d’autres approches alternatives. Le deuxième objectif de cette thèse se focalise sur le projet green
Truck qui vise particulièrement les transporteurs routiers de conteneurs à courtes distances dans la zone
portuaire en assurant une transition énergétique de la flotte de tracteurs diesel vers des tracteurs
électriques à batteries rechargeables. Le projet s’intéresse à une technique récente de rechargement des
batteries, à savoir le « Biberonnage ». Cette technologie est inspirée du fonctionnement de certains bus
électriques. Elle consiste à exploiter les courts temps d’attentes du véhicule, comme par exemple la
monté et la descente des passagers pour le cas des bus, afin de recharger automatiquement la batterie
du véhicule. Ainsi dans cette thèse on a exploré les différentes techniques et modes de rechargement
rapide des batteries de tracteurs routiers électriques compte tenu des contraintes d’exploitation, et

6
d’évaluer la faisabilité économique de la mise en œuvre d’un système comprenant le véhicule et
l’infrastructure électrique. L’outil de simulation Anylogic a permis de dimensionner les batteries et les
bornes de recharge des véhicules électriques, en plus de fournir aux décideurs des résultats technico-
économiques avec des représentations animées et graphiques en 3D.

7
 Résumé en anglais

Containerization revolutionized international trade in the 20th century. The introduction of the
container, as a standard means of transporting goods, has had a profound impact on maritime trade
and has radically changed the functioning of ports. Indeed, ports have continued to grow through the
construction of new container terminals (CT) and also by improving their services by reducing delays
and delivery costs. At the same time, risk management in CTs has received a lot of attention in recent
years due to an increase in fraudulent container activities. The international community has proposed
several initiatives to improve the security of maritime transport. However, the risk assessment of
containers remains a difficult task, often due to incomplete or ambiguous container information. On the
other hand, reducing the ecological footprint on the environment has become a major concern in
containerized transport. Faced with this ecological challenge, the last-mile players in the container
logistics chain must improve and optimize their infrastructure and think of new land transport modes
of containers with a lower environmental footprint than conventional diesel transport modes, without
having an impact on performance.

With this in mind, the first objective of this thesis focuses on improving the performance of the
container inspection process. Thus, we propose a new adaptive approach to container inspection
prioritization. We named this approach APRICOIN (Adaptive PRIoritizing Container INspection). This
approach exploits the concept of intelligent product as well as fuzzy logic and data mining techniques.
This approach is based on three stages. The first step is to improve the information flow and to ensure
this truthfulness by means of the capabilities of the intelligent container. Thus we propose an enriched
description of the container (DEC). The second step is to prioritize container inspection by assigning a
risk score using fuzzy logic. The final step is to prioritize the inspection of the containers and use the
inspection results to adjust the accuracy of the APROCOIN algorithm and to adapt to the new risk
factors using the data mining technique. In order to validate the proposed approach, an illustrative case
study was conducted as well as a comparative study with other alternative approaches. The second
objective of this thesis focuses on the green truck project, which is particularly aimed at short-haul
container road hauliers in the port area by ensuring an energy transition from the fleet of diesel tractors
to electric tractors with rechargeable batteries. It consists in exploiting the short wait times of the vehicle,
in order to automatically recharge the vehicle's battery. Thus, in this thesis, we have explored the
different techniques and methods of recharging batteries of electric road tractors taking into account
operating constraints, and evaluate the economic feasibility of implementing such system. The Anylogic
simulation was used to size the batteries and the charging stations of electric vehicles. In addition
technical and economic results with 3D animated and graphic representations was provided.

8
 Introduction Générale
Cadre général

L‘introduction du conteneur comme standard de transport dans la chaîne

logistique mondiale a révolutionné le commerce international au 20ème siècle. Cette
standardisation a profondément impacté le commerce maritime et a radicalement
changé le fonctionnement des ports. Au cours des trois dernières décennies, le
transport conteneurisé s'est multiplié par seize, passant de 102 millions de tonnes
chargées en 1980 à 1 687 millions de tonnes chargées en 2015 (UNCTAD 2016). En effet,
les ports ainsi que les navires porte-conteneurs n’ont cessé de se développer en termes
de capacité et également par l’amélioration de leurs services et la réduction des délais
et des coûts de livraison. L'augmentation des volumes de trafic des conteneurs et la
taille des navires, les contraintes de ressources et la forte concurrence ont exercé une
pression sur les TCs pour gérer efficacement leurs ressources.

La conteneurisation a ainsi rendu vulnérable les TCs aux intrusions et au

détournement de leur fonctionnement (Dahlman et al. 2005). Par exemple, un
conteneur peut subir une altération de son contenu pour un trafic de marchandises
illicite (drogues, armes, …). En analysant les archives des incidents maritimes liés aux
conteneurs transportant de la matière illicite ou dangereuse entre 1998 et 2008, (Ellis
2011) a identifié que 91% des causes qui ont contribué à ces accidents sont liées à des
opérations de packaging et de chargement des marchandises des conteneurs avant
l’arrivée du conteneur au port. En revanche, les organismes qui sont derrière ces actes
illicites utilisent souvent l'arme de la corruption et font preuve de beaucoup
d’innovation pour prendre une longueur d’avance sur les autorités.

D’autres parts, la réduction d’empreinte écologique du transport conteneurisé

est devenue récemment une préoccupation majeure pour les différents acteurs de la
chaîne logistique. Dans cette optique, l’Union Européenne encourage les modes de
transport écologiques dans le cadre de sa stratégie visant l’amélioration de l'efficience
énergétique et la diminution d’émissions de gazes à effet de serre (Energy 2006). Face

9
à cet enjeu écologique, les acteurs de la chaîne logistique doivent améliorer et
optimiser leur infrastructure et penser à des modes de transports terrestre de
conteneurs ayant une empreinte environnementale moindre que les modes de
transports classiques à diesel, sans toutefois impacter les performances de la chaîne
logistique.

Problématique

Compte tenu du volume important des échanges maritimes, l’utilisation des

conteneurs n'est pas sans poser problème. D’après (Su et al. 2015), la majorité des
travaux dans la littérature concernant les TCs a tendance de traiter le côté opérationnel
et l’amélioration l’efficacité (Cullinane et al. 2006). Un domaine qui a reçu moins
d’attention est la gestion du risque dans un TC. L’une des rares études de ce genre a
été effectuée au Taiwan (Shang et Tseng 2010) sur la gestion du risque et la sûreté dans
un TC. En pratique, chaque TC dispose d’un département de sécurité qui assure
l’organisation et l’application des précautions de sécurité. Toutefois, on trouve
rarement une stratégie structurée ou des outils ou systèmes qui ont été développés
pour la gestion des risques dans un TC. Toutefois les risques liés aux TCs peuvent être
désastreux et catastrophiques. Par contre, l’introduction de mensures sécuritaire dans
le fonctionnement d’un TC peut induire un impact sur sa performance est ainsi sa
compétitivité. L’aspect sur lequel se focalise cette thèse coté gestion des risques peut
être formulé comme suit :

Comment améliorer la gestion des risques liés au transport conteneurisé,

particulièrement le ciblage et l’inspection des conteneurs à risque sans affecter la
compétitivité et la performance du TCs ?

D’autres questions sous-jacentes de ce problème peuvent être posées :

• Comment rendre plus efficace le processus de ciblage des conteneurs à risque

sans avoir à augmenter la capacité d’inspection ni générer des retards ?
• Comment exploiter les technologies de l’information, et notamment le concept
du produit intelligent pour améliorer le flux informationnel liée au conteneur ?

10
 • Comment utiliser les techniques de fouille de données pour extraire les
connaissances cumulées des agents de la douane dans le ciblage des conteneurs
à risque est les exploiter efficacement ?
• Comment utiliser efficacement ces connaissances extraites et les exploiter
pleinement dans le ciblage des conteneurs à risque ?
• Comment mettre à jours ces connaissances extraites et les adapter aux facteurs
de risques émergents ou obsolètes ?
• Comment mettre en place une stratégie adaptive de ciblage de conteneurs à
risque qui prend en compte tous ces aspects ?
L’aspect environnemental qui est devenu une priorité dans le transport
conteneurisé fait face à de nombreuses contraintes liées exigences écologique et du
maintien de la performance. Ce compromis à pousser le port du Havre à s’engager
avec ses partenaires dans des projets pour la réduction de son empreinte écologique.
Le projet Green truck s’inscrit dans cette optique.

Le projet green Truck vise particulièrement les transporteurs routiers de

conteneurs à courtes distances dans la zone portuaire en assurant une transition
énergétique de la flotte de tracteurs à diesel vers des tracteurs électriques à batteries
rechargeables. La problématique prise en compte dans cette thèse est comme suit :

• Quelles sont les différentes techniques et mode de rechargements rapides des

batteries pour tracteurs routiers électriques ?
• Comment dimensionner la batterie nécessaire afin de prendre en compte les
contraintes d’exploitation ?
• Comment définir le nombre de bornes de rechargement ?
• Comment exploiter les outils de simulation afin de choisir la configuration
donnant le meilleur compromis ?
• Est-ce qu’une telle exploitation est faisable économiquement ?

11
Contributions

1ére contribution : Une approche adaptive pour la priorisation d’inspection des conteneurs a
risque

La communauté internationale a proposé plusieurs initiatives pour améliorer la

sécurité du transport maritime. Cependant, l'évaluation des risques des conteneurs
reste une tâche difficile, souvent due à des informations incomplètes ou ambiguës sur
les conteneurs. En outre, le processus d'évaluation doit être adapté de manière
continue pour faire face aux facteurs de risque émergents. D’autre part, l'inspection
des conteneurs à haut risque est généralement entravée par une faible capacité
d'inspection ce qui entraîne un problème majeur : comment prioriser l'inspection des
conteneurs suspects si leur nombre dépasse la capacité d'inspection du TC ? Prioriser
l'inspection des conteneurs suspects peut être la réponse. En d’autres termes, c’est la
possibilité de classer les conteneurs suivant l'ordre de leur degré ou score de risque.
Ce score permet aux douanes de prioriser l'inspection des conteneurs à haut risque.
Toutefois, le calcul d’un tel score nécessite la quantification des risques liés aux
conteneurs. Par conséquent, l'amélioration de la précision de la quantification des
risques des conteneurs est essentielle en enrichissant le flux d'information lié au
processus de transport du conteneur et en assurant sa véracité, tout en s’adaptant aux
nouveaux facteurs de risques. Ainsi nous proposons une nouvelle approche
adaptative de la priorisation d’inspection des conteneurs. Nous avons nommé cette
approche APRICOIN (Adaptive PRIoritizing Container INspection). Cette approche
est basée sur trois étapes. La première étape vise l’amélioration du flux informationnel
et en assurant ça véracité et ce moyennant les capacités du conteneur intelligent. Ainsi
on propose un descriptif enrichi du conteneur (DEC). La deuxième étape consiste à
prioriser l’inspection des conteneurs en lui attribuant un score de risque à l’aide de
l’algorithme APRICOIN. La dernière étape consiste à prioriser l’inspection des

12
 Principales étapes de l'approche APRICOIN

conteneurs et exploiter les résultats d’inspection afin d’ajuster la précision de

l’algorithme APRICOIN et s’adapter aux nouveaux facteurs de risque.

2ème contribution : Modélisation et validation par simulation de modèle de tracteur électrique

pour le transport de conteneur (Projet Green truck)

Le projet green Truck vise particulièrement les transporteurs routiers de

conteneurs à courtes distances dans la zone portuaire en assurant une transition
énergétique de la flotte de tracteurs diesel vers des tracteurs électriques à batteries
rechargeables. Le projet s’intéresse à une technique récente de rechargement des
batteries, à savoir le « Biberonnage ». Cette technologie est inspirée du fonctionnement
de certains bus électriques. Elle consiste à exploiter les courts temps d’attentes du
véhicule, comme par exemple la monté et la descente des passagers pour le cas des
bus, afin de recharger automatiquement la batterie du véhicule. Toutefois, les trajets
doivent êtres répétitifs et courts afin de limiter le nombre de borne de rechargement.
L’intérêt de cette technique est double : l’autonomie du véhicule est illimitée (tant qu’il
y a des bornes à disposition) et la taille de la batterie est réduite en poids et en coût.

13
 Dans cette étude, les tracteurs routiers transportent des conteneurs entre des
lieux définis de la zone portuaire (terminaux maritimes, parking des transporteurs,
dépôts de vides) et à chaque origine destination, les tracteurs sont immobilisés pour
permettre la manutention du conteneur ou satisfaire les procédures administratives.
Ce projet a donc pour objet d’explorer les différentes techniques et modes de
rechargement rapide des batteries de tracteurs routiers électriques compte tenu des
contraintes d’exploitation, et d’évaluer la faisabilité économique de la mise en œuvre
d’un système comprenant le véhicule et l’infrastructure électrique.

Organisation de la thèse

Ce document est scindé en deux parties : La première partie « État de l’art et concepts
de base » et la deuxième partie « Contributions ».

La première partie « État de l’art et concepts de base »

Cette partie est composée de deux chapitres :

Chapitre 1 : Dans ce chapitre, nous donnons un aperçu sur la conteneurisation, ses
effets et les enjeux du transport maritime. Nous présentons ensuite l’organisation et le
fonctionnement d’un TC. Nous mettons également l’accent sur les différentes
problématiques de gestions dont le but d’améliorer la performance des activités
portuaires dans un TC. Par ailleurs, nous présentons l’organisation du port du Havre
et ses principaux TC, nous nous intéressons particulièrement au terminal multimodal.
Enfin, nous abordons le terrain d’étude de la thèse, à savoir, la logistique portuaire et
plus particulièrement la gestion des risques liés au passage portuaire du conteneur les
TC.

Chapitre 2 : Dans ce chapitre, nous introduisons les concepts de base, les méthodes, et
les outils utilisés lors du développement des solutions proposées liés à la gestion des
risques et au transport des conteneurs. Avant de nous concentrer sur les travaux qui
ont abordés le conteneur intelligent et sa mise en œuvre, nous allons nous pencher sur
le concept du produit intelligent, sa classification et les outils de sa mise en œuvre.
Ensuite, nous abordons les techniques de fouille de données, et notamment l’extraction
des motifs fréquents et les règles d’association. En outre, nous mettons le point sur les

14
concepts de base de la logique floue et finirons par une revue des méthodes et les outils
de simulation.

La deuxième partie « Contributions »

Cette partie est composée de deux chapitres :

Chapitre 1 : Dans ce chapitre, nous proposons une nouvelle approche adaptative de la
priorisation d’inspection des conteneurs. Nous avons nommé cette approche
APRICOIN (Adaptive PRIoritizing Container INspection). Cette approche est basée
sur trois étapes. La première étape vise l’amélioration du flux informationnel et en
assurant ça véracité et ce moyennant les capacités du conteneur intelligent. Ainsi on
propose un descriptif enrichi du conteneur (DEC). La deuxième étape consiste à
prioriser l’inspection des conteneurs en lui attribuant un score de risque à l’aide de
l’algorithme APRICOIN. La dernière étape consiste à prioriser l’inspection des
conteneurs et exploiter les résultats d’inspection afin d’ajuster la précision de
l’algorithme APRICOIN et s’adapter aux nouveaux facteurs de risque.

Chapitre 2 : Dans ce chapitre on explore les différentes techniques et modes de

rechargement rapide des batteries de tracteurs routiers électriques compte tenu des
contraintes d’exploitation, et d’évaluer la faisabilité économique de la mise en œuvre
d’un système comprenant le véhicule et l’infrastructure électrique.

15
 Table des matières
‫ ملخــــص الرســــالة‬.............................................................................................................. 5

Résumé ..................................................................................................................... 6
Résumé en anglais .................................................................................................. 8
Introduction Générale ............................................................................................ 9
Liste des tableaux .................................................................................................. 20
Liste des figures .................................................................................................... 21
Première partie : État de l’art et concepts de base ....................................................... 23
Chapitre 1 : Le passage portuaire du conteneur et la gestion des risques ................ 24
1. Introduction ........................................................................................................... 25
2. Passage portuaire du conteneur ......................................................................... 25
2.1. La conteneurisation .................................................................................................... 25
2.1.1. Histoire de la conteneurisation ............................................................................. 25
2.1.2. Le conteneur ............................................................................................................ 26
2.2. Le terminal à conteneurs ........................................................................................... 28
2.2.1. Organisation d’un terminal a conteneur ............................................................. 29
[Link]. Zone des opérations portuaires .................................................................... 31
[Link]. Zone de stockage ............................................................................................ 31
[Link]. Zone des opérations terrestres...................................................................... 32
2.2.2. Les problématiques de gestion d’un TC.............................................................. 33
2.3. Le Port du Havre ........................................................................................................ 34
2.3.1. Le terminal multimodal ......................................................................................... 36
3. La logistique portuaire et la gestion des risques .............................................. 38
3.1. La chaîne logistique.................................................................................................... 38
3.1.1. La chaîne logistique portuaire .............................................................................. 38
3.1.2. La performance de la chaîne logistique portuaire ............................................. 40
[Link]. Les indicateurs de performance ................................................................... 42
3.2. La gestion des risques ................................................................................................ 43
3.2.1. Définitions et terminologie.................................................................................... 43
3.2.2. Standards pour la gestion des risques ................................................................. 47
3.2.3. Processus de gestion de risque ............................................................................. 49
[Link]. Identification du risque ................................................................................. 50

16
 [Link]. Évaluation du risque ...................................................................................... 51
Approche quantitative ............................................................................................... 51
Approche qualitative ................................................................................................. 52
[Link]. Traitement du risque...................................................................................... 52
[Link]. Méthodes de gestion des risques.................................................................. 53
Méthodes quantitatives ............................................................................................. 54
Méthodes qualitatives ................................................................................................ 54
Méthodes hybrides ..................................................................................................... 56
3.3. La gestion des risques dans les terminaux à conteneurs ...................................... 56
3.3.1. Le risque dans les terminaux à conteneurs ......................................................... 56
3.3.2. Gestion des risques dans un terminal à conteneurs .......................................... 58
[Link]. Le ciblage des conteneurs à risque ............................................................... 59
[Link]. L’inspection des conteneurs .......................................................................... 62
[Link]. La matière dangereuse dans les TC ............................................................. 64
Chapitre 2 : Concepts de base et outils........................................................................... 68
1. Introduction ........................................................................................................... 69
2. Le produit intelligent ........................................................................................... 69
2.1. Définition et classification ......................................................................................... 69
2.2. Mise en œuvre ............................................................................................................. 71
2.3. Le produit intelligent et la performance ................................................................. 73
3. Le conteneur intelligent ....................................................................................... 73
3.1. Vers une identification numérique du conteneur .................................................. 73
3.2. L’Inception du conteneur intelligent ....................................................................... 76
4. Fouille de données ................................................................................................ 80
4.1. Extraction des motifs fréquents et des règles d’association ................................. 81
5. La logique floue..................................................................................................... 83
5.1. Système de logique floue. .......................................................................................... 85
5.1.1. Définition des variables linguistiques ................................................................. 86
5.1.2. Définition des fonctions d’appartenance ............................................................ 87
5.1.3. Élaboration de la base des règles.......................................................................... 87
5.1.4. L’inférence floue ..................................................................................................... 88
6. La simulation ......................................................................................................... 90
6.1. Définition et objectifs ................................................................................................. 90

17
 6.2. Types de simulation ................................................................................................... 92
6.3. La vérification, validation et calibration du modèle simulé ................................. 93
6.3.1. La vérification ......................................................................................................... 93
6.3.2. La validation............................................................................................................ 94
6.3.3. La calibration ........................................................................................................... 94
6.4. Outils de simulation ................................................................................................... 95
7. Conclusion ............................................................................................................. 96
Deuxième partie : Contributions .................................................................................... 98
Chapitre 1 : Système De priorisation de l’inspection des conteneurs à risque......... 99
1. Introduction ......................................................................................................... 100
2. L’analyse des risques .......................................................................................... 101
3. L’approche proposée .......................................................................................... 102
3.1. Amélioration du flux informationnel du conteneur ............................................ 105
3.1.1. Vers un conteneur intelligent : Le descriptif enrichi du conteneur ............... 105
3.2. L’évaluation des risques liés aux conteneurs ....................................................... 108
3.2.1. Extraction des critères clé du DEC ..................................................................... 108
3.3. Le système d’inférence flou..................................................................................... 114
3.3.1. Les règles d’inférence floue ................................................................................. 114
3.3.2. Le processus d’inférence floue............................................................................ 115
3.4. L’algorithme APRICOIN ......................................................................................... 118
4. Étude illustrative : Terminale multimodale du Havre .................................. 122
4.1. Application ................................................................................................................ 122
4.2. Résultats ..................................................................................................................... 125
5. Conclusion ........................................................................................................... 129
Chapitre 2 : Logistique verte du dernier kilomètre : Le projet Green Truck .......... 131
1. Introduction ......................................................................................................... 132
2. Tracteurs électriques : Veille technologique ................................................... 133
3. Le projet Green Truck ........................................................................................ 136
3.1. Présentation du projet .............................................................................................. 136
3.2. Modélisation du tracteur électrique pour le transport des conteneurs ............ 139
3.2.1. Caractérisation et modélisation des trajets ....................................................... 139
3.2.2. Dimensionnement de la batterie et des bornes de recharge ........................... 140
3.2.3. La construction et la vérification du modèle de simulation du tracteur . 147

18
 [Link]. Modélisation et implémentation des routes ............................................. 148
[Link]. Modélisation et implémentation du tracteur électrique ......................... 149
[Link]. Modélisation et implémentation des stations de recharge ..................... 152
[Link]. La construction de l’interface graphique et de la 3D............................... 153
[Link]. Vérification de la simulation ....................................................................... 153
3.2.4. Validation des résultats .................................................................................. 154
4. Calcul économique des différentes techniques et comparaison avec
l’exploitation actuelle .................................................................................................. 155
4.1. Technologie par induction ...................................................................................... 155
4.2. Technologie par conduction.................................................................................... 157
4.3. Comparaison économique entre la solution électrique et l’exploitation classique
159
4.3.1. Résultats de la technologie par induction ......................................................... 161
4.3.2. Résultats de la technologie par conduction ...................................................... 163
4.4. Coût en €/ ([Link]) ............................................................................................. 165
5. Conclusion ........................................................................................................... 165
Conclusion Générale .......................................................................................... 167
Bibliographie........................................................................................................ 169

19
 Liste des tableaux

Tableau 1.1. 1 Activité des 15 premiers TCs entre 2011 et 2015 ................................................... 29
Tableau 1.1. 2 Les Indicateurs de performance proposés dans un TC (Yann, 2012 ) ............... 43
Tableau 1.1. 3 Description des méthodes déterministes de gestion des risques. ...................... 55
Tableau 1.1. 4 Liste des standards et initiatives relatives à la sécurité des TC .......................... 59
Tableau 2.1. 1 Liste des critères d’un DEC .................................................................................... 106
Tableau 2.1. 2 Tableau de conversion du DEC ............................................................................. 108
Tableau 2.2. 1 Comparaison entre les résultats du logiciel DOTE et le simulateur Anylogic 154
Tableau 2.2. 2 détails du scénario simulé ...................................................................................... 154
Tableau 2.2. 3 Caractéristiques et prix de la technologie par induction ................................... 156
Tableau 2.2. 4 Stations au niveau [Link] ................................................................................... 156
Tableau 2.2. 5 Stations au niveau TDF........................................................................................... 157
Tableau 2.2. 6 caractéristiques et prix de la technologie par conduction ................................. 157
Tableau 2.2. 7 Stations au niveau [Link]. .................................................................................. 158
Tableau 2.2. 8 Stations au niveau TDF........................................................................................... 158
Tableau 2.2. 9 Coût et caractéristiques de la batterie................................................................... 159
Tableau 2.2. 10 Consommation du tracteur diesel....................................................................... 159
Tableau 2.2. 11 Maintenance du tracteur diesel ........................................................................... 159
Tableau 2.2. 12Variation des coûts de batterie et énergie électrique et diesel ......................... 160
Tableau 2.2. 13 hypothèses proposées selon la capacité de la batterie ..................................... 160
Tableau 2.2. 14 Couts selon le tonnage (Induction avec 70 Wh/ ([Link])) ......................... 161
Tableau 2.2. 15 Couts selon le tonnage (Induction avec 65 Wh/ ([Link])) ......................... 162
Tableau 2.2. 16 Coûts selon le tonnage (Conduction avec 70 Wh/ ([Link])) ..................... 163
Tableau 2.2. 17 Coûts selon le tonnage (Conduction avec 65 Wh/ ([Link])) ..................... 164

20
 Liste des figures
Figure 1.1.1 Les types de conteneurs ............................................................................................................... 26
Figure 1.1.2 Trafic mondial de conteneurs. Source (UNCTAD 2016) ......................................................... 27
Figure 1.1. 3 Organisation d'un TC .................................................................................................................. 30
Figure 1.1. 4 Le port du Havre......................................................................................................................... 34
Figure 1.1. 5Volume de trafic conteneurisé dans les ports du nord d'Europe (2015) ............................... 36
Figure 1.1. 6 Comparatif de la part de trafic modal de conteneurs des ports de la range nord .............. 36
Figure 1.1. 7 Disposition et vue aérienne du TMM ....................................................................................... 37
Figure 1.1. 8 Ancien et actuel système logistique du port du Havre .......................................................... 37
Figure 1.1. 9 Les acteurs de la chaîne logistique portuaire dans un TC (Nidra, 2002).............................. 39
Figure 1.1. 10 Principales taches du processus d'acheminement de conteneurs ....................................... 40
Figure 1.1. 11 Image rayon-x d'un conteneur scanné (PEO Radiation Technology) ................................ 63
Figure 1.1. 12 Scanner embarqué (VeriSpreader)........................................................................................... 63
Figure 1.1. 13 Système d'inspection par rayon-x............................................................................................ 63
Figure 1.1. 14 Classification des matières dangereuses................................................................................. 66
Figure 1.1. 15 La matrice de compatibilité entre les classes de matières dangereuses ............................. 67
Figure 1.2. 1 Classification du PI proposée par Meyer et al. ........................................................................ 71
Figure 1.2. 2 Un exemple classique du PI (Wong et al. 2002) ....................................................................... 72
Figure 1.2. 3 Exemple des codes d'identification d'un conteneur ([Link]) ............................... 74
Figure 1.2. 4 Prototype du conteneur intelligent proposé dans le cadre du projet « Intelligente
Container » 2014. ................................................................................................................................................ 79
Figure 1.2. 5 Concept du conteneur intelligent selon Kim et al. (Kim et al, 2008) ..................................... 79
Figure 1.2. 6 Processus de fouille de données. Source (Papon 2016) .......................................................... 80
Figure 1.2. 7 Plage des valeurs en logique Booléenne (a) et en logique floue (b) ...................................... 84
Figure 2.1. 1 L’arbre de défaillance du scénario à risque : Un conteneur frauduleux contournant
l’inspection des douanes ................................................................................................................................. 102
Figure 2.1. 2 Principales étape de l'approche APRICOIN .......................................................................... 104
Figure 2.1. 3 DEC initiale vs DEC booléen .................................................................................................... 109
Figure 2.1. 4 La fonction DECversBOOL ...................................................................................................... 110
Figure 2.1. 5 Aperçu d'un ensemble de DEC ............................................................................................... 111
Figure 2.1. 6 Aperçu d'un ensemble de DEC booléens ............................................................................... 111
Figure 2.1. 7 L'algorithme FP-Growth ........................................................................................................... 112
Figure 2.1. 8 Aperçue d'une Fp-Tree ............................................................................................................. 114
Figure 2.1. 9 Les étapes du processus d'inférence floue .............................................................................. 115
Figure 2.1. 10 Exemple de fonctions d’appartenance ................................................................................. 116
Figure 2.1. 11 Les fonctions d’appartenance du critère Transporteur ...................................................... 118
Figure 2.1. 12 L'algorithme APRICOIN......................................................................................................... 121
Figure 2.1. 13 Aperçu du processus d’analyse multicritère AHP .............................................................. 124
Figure 2.1. 16 Evolution de la précision de l’approche APRICOIN , Apriori et AHP ............................ 127
Figure 2.1. 14 Nombre de règles générées par l’approche APRICOIN et Apriori .................................. 127
Figure 2.1. 15 Evolution des ensembles de critères fréquents .................................................................... 127
Figure 2.2. 1 Cartographie des sites et des trajets de la zone portuaire du GPMH ................................. 140
Figure 2.2. 2 Apérçu du logicièl DOTE et les résultats d'optimisation obtenus ...................................... 147
Figure 2.2. 3 Étapes du processus d'implémentation des trajets sous Anylogic ..................................... 148
Figure 2.2. 4 Diagramme d’activités du tracteur électrique sur Anylogic ............................................... 151
Figure 2.2. 5 Aperçu des paramètres de vitesse du tracteur électrique. ................................................... 151
Figure 2.2. 6 Aperçu de l'interface de la simulation. ................................................................................... 153

21
Figure 2.2. 7 Illustration des coûts selon le tonnage (Induction avec 70 Wh/ ([Link])) ................... 161
Figure 2.2. 8 Illustration des coûts selon le tonnage (Induction avec 65 Wh/ ([Link])) ................... 162
Figure 2.2. 9 Illustration des coûts selon le tonnage (Conduction avec 70 Wh/ ([Link])) ................ 163
Figure 2.2. 10 Illustration des coûts selon le tonnage (Conduction avec 65 Wh/ ([Link])) .............. 164

22
 Première partie :
État de l’art et concepts de base

23
Chapitre 1 : Le passage portuaire du
conteneur et la gestion des risques

24
1. Introduction

La conteneurisation a révolutionné le commerce international au 20ème siècle.

L’introduction du conteneur, comme moyen standard de transport de marchandise, a
profondément impacté le commerce maritime et a radicalement changé le
fonctionnement des ports. En effet, les ports n’ont cessé de se développer par la
construction de nouveaux terminaux à conteneurs (TC) et également par
l’amélioration de leurs services par la réduction des délais et des coûts de livraison.
Dans ce chapitre, nous donnons un aperçu sur la conteneurisation, ses effets et les
enjeux du transport maritime. Nous présentons ensuite l’organisation et le
fonctionnement d’un TC. Nous mettons également l’accent sur les différentes
problématiques de gestions dont le but d’améliorer la performance des activités
portuaires dans un TC. Par ailleurs, nous présentons l’organisation du port du Havre
et ses principaux TC, nous nous intéressons particulièrement au terminal multimodal.
Enfin, nous abordons le terrain d’étude de la thèse, à savoir, la logistique portuaire et
plus particulièrement la gestion des risques liés au passage portuaire du conteneur les
TC.

2. Passage portuaire du conteneur

2.1. La conteneurisation

2.1.1. Histoire de la conteneurisation

La conteneurisation est un système intermodal de transport de marchandises

utilisant des conteneurs standards. Un conteneur est « une boîte conçue pour le transport
de marchandises, suffisamment solide pour un usage répété, généralement empilable et dotée
d’éléments permettant le transfert entre modes [de transport] » (Hinkelman et Shippey
2005). Avant la conteneurisation, le seul moyen connu pour manutentionner les
marchandises consistait à les placer dans des caisses en bois ou des sacs. Ce processus
est appelé « break-bulk » et fut utilisé jusqu'à la moitié du XXème siècle. Le chargement
et déchargement des navires représentait une tâche laborieuse et prenait beaucoup de
temps. Pendant la seconde guerre mondiale, des conteneurs de taille standard furent
utilisés par l’armée américaine pour transporter efficacement les marchandises.
25
 Toutefois, ce n’est qu’au début des années 1950 que l’américain Malcom
McLean a eu l’idée qu’il serait plus simple et rapide d’avoir un conteneur qui pourrait
être soulevé d’un véhicule directement sur un navire, sans avoir à en décharger le
contenu. Ses idées étaient basées sur la théorie selon laquelle l'efficacité pourrait être
considérablement améliorée grâce à un système d'intermodalisme dans lequel le
même conteneur, avec la même cargaison, peut être transporté avec un minimum
d'interruption par différents modes de transport pendant son voyage. Les conteneurs
pouvaient être déplacés sans problème entre les navires, les camions et les trains. La
mise en œuvre de cette idée conduisit à une révolution dans le transport de
marchandises et le commerce international au cours des 50 années qui suivirent.

2.1.2. Le conteneur

Les dimensions du conteneur sont standardisées par la norme ISO 668 :1995.
Les conteneurs standards ont une longueur équivalent vingt pieds (EVP) ou
équivalent quarante pieds (EQP). Les dimensions du conteneur EVP sont 20’ x 8’ x 8.5’
(6.1m x 2.44 x 2.56m) et 40’ x 8’ x 8.5’ (12.2m x 2.44m x2.59m) pour le conteneurs EQP.
Toutefois, la hauteur des conteneurs peut varier. La figure 1.1.1 montre les différentes
formes de conteneurs.

Figure 1.1.1 Les types de conteneurs

26
 Les conteneurs jouent un rôle majeur dans le transport intermodal où les
marchandises sont déplacées «en utilisant deux modes de transport ou plus mais dans la
même unité de chargement ou le même véhicule routier, et sans empotage ni dépotage.»
(Economic Commission for Europe; 2001). Outre l’efficacité du processus de
chargement et déchargement, les conteneurs améliorent et simplifient la planification
et le contrôle et servent de protection contre les fausses manipulations durant la
manutention, vols et dégradations.

Au cours des trois dernières décennies, le transport conteneurisé s'est multiplié

par seize, passant de 102 millions de tonnes chargées en 1980 à 1 687 millions de tonnes
chargées en 2015. En 1980, il représentait 2,7% du trafic maritime total (mesuré en
tonnes chargées) et en 2015 pour 16,7%(UNCTAD 2016). La figure 1.1.2 - tirée du
Secrétariat de la UNCTAD (united nations conference on trade and development) -
montre le trafic de conteneurs de 1996 à 2016 mesuré en EVPs et la variation annuelle
en pourcentage. Le transport maritime a augmenté avec un taux annuel moyen
impressionnant de 6% à 16% au cours des quinze dernières années. Seulement,
pendant la crise de 2008, le transport conteneurisé a chuté de 10%, mais s'est rétabli
ensuite.

Figure 1.1.2 Trafic mondial de conteneurs. Source (UNCTAD 2016)

Pour accompagner la croissance accrue du transport conteneurisé, le nombre et

la taille des navires porte-conteneurs ont augmenté de façon continue. La capacité
totale des navires porte-conteneurs a augmenté de 1,2 million d'EVP en 1987 à 18,4
27
 millions d'EVP en 2015. La capacité moyenne par navire est passée de 1155 EVP en
1987 à 5184 EVP en 2016 (UNCTAD 2016). Les plus grands navires porte-conteneurs
en service en 2015 sont dotés d’une capacité de chargement de 19 224 EVP (1MSC-
Oscar de la Mediterranian Shipping Company).

Le transport conteneurisé a amené une ère de transport multimodal en

favorisant l’intégration l’utilisation de plusieurs modes de transports, notamment par
camions, navires (barges) et trains. Toutefois, ce mode de transport ne pourrait
subsister sans le développement et l’adaptation des infrastructures des ports et des TC.
Le vif intérêt pour ce mode de transport a favorisé la construction de nouveaux TC
capable d’accueillir les grands navires porte-conteneurs avec des connexions
multimodales.

2.2. Le terminal à conteneurs

Le TC est un système complexe de transfert de conteneurs et d'interfaçage avec

les modes de transports terrestres et maritimes. L'objectif principal d'un TC est
d'optimiser, en termes de coûts et de temps, les activités liées à la manutention et à
l'expédition des conteneurs. Les TCs transfèrent les conteneurs entre les navires porte-
conteneurs et les modes de transport terrestre (camions, trains et barges) de la façon la
plus efficace. Trois types de flux de conteneurs sont distingués : les conteneurs
d'import qui arrivent sur les navires porte-conteneurs et partent pour les modes de
transport terrestre, les conteneurs d'export qui arrivent via les modes de transport
terrestre et repartent sur les navires porte-conteneurs et les conteneurs de
transbordement qui arrivent et repartent via les navires porte-conteneurs. Les TCs
traitent également des types de conteneurs spécifiques, tels que les conteneurs de
matière dangereuse, réfrigérés et vides.

Le tableau 1.1.1 présente les 20 ports de conteneurs les plus actifs au monde en
termes de EVP manipulés (« Top 50 World Container Ports | World Shipping
Council » s. d.). Nous notons que le volume total traité en 2015 a augmenté de 13.4%
par rapport à 2011.

1 Mediterranean Shipping Company

28
 Rang Port Volume Volume Volume Volume Volume
2015 2014 2013 2012 2011
(EVP) (EVP) (EVP) (EVP) (EVP)
1 Shanghai, China 36.54 35.29 33.62 32.53 31.74
2 SIngapore 30.92 33.87 32.6 31.65 29.94
3 Shenzhen, China 24.20 24.03 23.28 22.94 22.57
Ningbo-
4 20.63 19.45 17.33 16.83 14.72
Zhoushan, China
Hong Kong,
5 20.07 22.23 22.35 23.12 24.38
S.A.R., China
Busan, South
6 19.45 18.65 17.69 17.04 16.18
Korea
7 Qingdao, China 17.47 16.62 15.52 14.50 13.02
Guangzhou
8 17.22 16.16 15.31 14.74 14.42
Harbor, China
Jebel Ali, Dubai,
9 United Arab 15.60 15.25 13.64 13.30 13.00
Emirates
10 Tianjin, China 14.11 14.05 13.01 12.30 11.59
Rotterdam,
11 12.23 12.30 11.62 11.87 11.88
Netherlands
Port Klang,
12 11.89 10.95 10.35 10.00 9.60
Malaysia
Kaohsiung,
13 10.26 10.59 9.94 9.78 9.64
Taiwan, China
14 Antwerp, Belgium 9.65 8.98 8.59 8.64 8.66
15 Dalian, China 9.45 10.13 10.86 8.92 6.40

Tableau 1.1. 1 Activité des 15 premiers TCs entre 2011 et 2015

Les TCs sont constamment confrontés à ajuster leur capacité pour répondre à la
demande. Par conséquent, de nombreuses possibilités se présentent pour de nouvelles
approches en matière de conception de TC, notamment en matière de matériels de
manutention.

2.2.1. Organisation d’un terminal a conteneur

Dans la littérature, on trouve plusieurs organisations de TC. (Henesey 2006)

propose un TC divisé en quatre zones :
1- L’interface maritime : elle constitue le point de départ et d’arrivée des navires.
2- La zone de transport interne : au niveau de cette zone, les conteneurs sont transportés
par les véhicules à partir des zones d’échange vers les zones de stockage.

29
3- La zone de stockage : elle est composée d'un nombre de voies appelées baies
permettant l’empilement des conteneurs. Elle peut être équipée par des grues (Cranes)
et des chariots cavaliers.
4- La zone de transfert des conteneurs ou interface terrestre : après une certaine période
passée dans la zone de stockage, les conteneurs stockés vont être chargés afin de les
transporter par différents modes de transport.

Selon (Carlo, Vis, et Roodbergen 2014), un TC peut être divisé en cinq zones, à
savoir le poste d’amarrage, le quai, la zone de transport, la zone de stockage et l’entrée
du TC. Le poste d’amarrage et le quai sont considérés comme étant l’interface
maritime, tandis que la zone de stockage et l’entrée du TC sont considérées comme
interface terrestre. La zone de transport se trouve à l'intersection des interfaces
maritimes et terrestres. Sommairement, un TC peut être réparti en trois
zones principales : la zone des opérations maritimes, la zone de stockage, et la zone
des opérations terrestres. La figure 1.1.3 de (Voß, Stahlbock, et Steenken 2004) présente
une vue globale sur l’organisation d’un TC avec ses trois zones et le matériel de
manutention utilisé pour chaque zone. Crainic et Kim (Crainic et Kim 2007) identifient
trois types d’opérations de manutention dans ces terminaux : (1) les opérations
portuaires qui comprennent l’amarrage, le déchargement et le chargement des porte-
conteneurs, (2) les opérations de réception et d’expédition en provenance ou partant
vers les autres modes de transport (camions, trains), (3) les activités de manutention et
d’entreposage des conteneurs dans la cour du terminal. Ces activités sont effectuées à
l’intérieur de trois zones d’opérations distinctes.

Figure 1.1. 3 Organisation d'un TC

30
 [Link]. Zone des opérations portuaires
Appelée aussi zone de quai, c’est une zone qui assure l’amarrage des navires
porte-conteneurs pour le chargement et le déchargement. Les grues de quai ou les
portiques chargent et déchargent les conteneurs sur ou depuis le navire (voir Figure
1.1.3). Avec l’émergence des méga-navires porte-conteneurs, les TCs investissent pour
s’équiper de portiques toujours plus grands avec une portée pouvant aller jusqu’à 72
mètre ainsi que d’une levée de 52 au-dessus des quais. Ces investissements sont
nécessaires pour minimiser le temps de service et d’attente des navires et ainsi assurer
la compétitivité du port.

Pour le transport des conteneurs depuis cette zone, différents véhicules de

transport peuvent être utilisés : les chariots cavaliers et les camions avec remorques
sont les plus courants. Les chariots cavaliers (voir figure 1.1.3) sont des véhicules
capables de récupérer un conteneur à son origine, de le transporter et de le poser à sa
destination. Dans la plupart des TCs, ce sont les dockers qui font usage de ce matériel.
Cependant, dans quelques TCs, comme les terminaux de Rotterdam, le transport des
conteneurs est automatisé moyennant des véhicules à guidage automatique (AGV)
(voir figure 1.1.3).
[Link]. Zone de stockage
C’est une zone pour l’entreposage des conteneurs transitant par le TC. Une zone
de stockage se compose de plusieurs blocs. Chaque bloc se compose de plusieurs
rangées de conteneurs, chacune constituée de baies. Les chariots cavaliers ou les grues
à portique roulants sont utilisés pour exécuter les tâches d’entreposage et de
récupération des conteneurs. Les chariots cavaliers peuvent empiler des conteneurs
jusqu'à 4 étages de haut. Les grues à portique couvrent de 8 à 12 rangées de conteneurs
et empilent des conteneurs de 4 à 10 étages de haut. Dans ce cas, les tâches de transport
sont exécutées par des camions avec remorques, AGV ou des chariots cavaliers
équipés.
Selon (Lee & Kim, 2013), on a généralement deux configurations principales des
zones de stockage qui diffèrent selon le niveau d’automatisation. La première

31
configuration, utilisée dans les zones de stockage non-automatisé, a des blocs
positionnés parallèlement au quai. Typiquement, une ou plusieurs lignes dans chaque
bloc sont réservées en tant que voies de véhicules de transfert (par exemple des
camions). Dans cette configuration, la grue à portique se déplace pour ramasser (ou
déposer) des conteneurs vers (à partir) du véhicule de transfert. La deuxième
configuration est généralement utilisée dans les zones de stockage automatisées. Outre
les blocs qui sont positionnés perpendiculairement au quai, cette configuration se
distingue principalement par les points d'entrée et sorties situés aux deux extrémités
des blocs de stockage. Généralement, les AGV sont utilisés pour récupérer et déposer
des conteneurs sur les points d'entrée et de sorties.
[Link]. Zone des opérations terrestres
C’est une zone interface entre le TC et les autres modes de transport. C’est la
zone où se déroulent toutes les opérations de réception et d’expédition des conteneurs
entrant ou sortant du TC. Les trains, les camions, et les barges sont les principales
modes de transports utilisés. La gestion des entrées et des sorties des camions est
généralement assurée par la guérite du TC. Les camions sont chargés/déchargés par
des chariots cavaliers ou des chariots à prise par le haut qui transportent le conteneur
depuis ou vers son emplacement. En ce qui concerne les trains, les opérations
chargement/déchargement sont effectuées par des ponts roulants. Le transport des
conteneurs entre les wagons et leur emplacement se fait à l’aide de chariots cavaliers,
de camions, ou d’AVG.

L'agencement et les équipements de manutention influencent grandement le

fonctionnement des TC. Ce choix dépend des caractéristiques du TC. Les grues de
triage utilisent plus efficacement les zones d’entreposage disponibles puisque les
conteneurs sont empilés plus haut. Les chariots cavaliers offrent plus de souplesse. Les
terminaux automatisés utilisant des ponts roulants et des AGV qui réduisent la main-
d'œuvre, mais nécessitent des investissements élevés. Plusieurs études présentent
différents équipements de manutention et d'agencements de TC et évaluent l'impact
sur la performance du terminal (par exemple,(Ioannou1 et Jula 2008; Brinkmann 2011;
Wiese, Suhl, et Kliewer 2011; Design and Operation of Automated Container Storage

32
Systems | Nils Kemme | Springer s. d.) , Brinkmann, 2011, Wiese et al, 2011, Kemme,
2013).

2.2.2. Les problématiques de gestion d’un TC

L'augmentation des volumes de trafic des conteneurs et la taille des navires, les
contraintes de ressources et la forte concurrence ont exercé une pression sur les TCs
pour gérer efficacement leurs ressources. Ce besoin d'efficacité a promulgué
l'utilisation des technologies de l'information et des méthodes d'optimisation pour
surmonter les problématiques de gestion qui se posent.

Au niveau de la zone des opérations portuaire, on distingue trois

problématiques majeures. La première est la planification de l’amarrage des navires et
l’allocation des quais. Le but est de minimiser le temps de chargement/déchargement
des navires afin d’éviter les files d’attentes des navires. Une revue des différentes
méthodes et les tendances relatives au problème d’allocation des quais est présenté
par Christian.B et al (Christian.B et al, 2010). La deuxième problématique concerne
l’allocation des grues de quai pour le chargement/déchargement des conteneurs. Ce
problème vise à déterminer quelle grue servira quel navire et quelle partie du navire.
Fedtke et Boysen (Fedtke et Boysen 2017) proposent une classification des différentes
approches dans la littérature pour la planification de l’allocation des grues de quai. La
troisième problématique concerne la planification des opérations de transport des
conteneurs entre le quai et la zone de stockage. Cette problématique consiste à
minimiser le nombre de véhicules de transport de conteneurs qui seront affectés pour
assurer le transport des conteneurs vers la zone de stockage. Toutefois, les délais
d’attentes des grues de quai dues à l’absence de véhicules de transport doivent être
pris en compte. Koo et col (Koo et col, 2005) proposent un modèle pour déterminer le
nombre de véhicules optimal pour le transport de conteneurs des grues de quais vers
la zone de stockage.

Au niveau de la zone de stockage des conteneurs, les conteneurs sont empilés

afin d’utiliser efficacement la surface dédiée au stockage. Par conséquent, on a un accès
direct qu’au conteneur le plus haut de chaque pile. Si un autre conteneur doit être
33
 récupéré, les conteneurs au-dessus doivent être déplacés. Ces mouvements
improductifs ne peuvent pas être évités complétement car peu d'informations sur les
récupérations futures sont connues lorsqu'un conteneur doit être stocké. La
problématique majeure concerne la façon dont les conteneurs seront entreposés dans
les piles de la zone de stockage afin de minimiser les manutentions improductives des
conteneurs. Différentes stratégies d’entreposage ont été proposées dans la littérature.
Duinkerken et al. (Duinkerken, Evers, et Ottjes 2001) comparent l’efficacité des
différentes stratégies de gestion d’entreposage à l’aide de la simulation.

Les principales problématiques abordées au niveau de la zone des opérations

terrestres se focalisent sur la minimisation du temps de déplacement des véhicules de
manutention et de transport interne et la réduction des temps d’attente des véhicules
de transport externe. Le but est de décider comment allouer les équipements de
transport aux différentes tâches et comment planifier le transport des conteneurs sur
les équipements alloués.

2.3. Le Port du Havre

Fondé au début du 16ème siècle par le roi de France François 1er, le port du Havre
fête ses 500 ans en 2017. Avec sa situation géographique stratégique à l’embouchure
de la Seine, le port du Havre est le premier port en France au niveau du commerce
extérieur avec un trafic de conteneurs de plus de 2.56 millions d’EVP en 2015. Le port
du Havre reçoit environ 6000 navires par an (porte-conteneurs, paquebots, etc.), soit
une trentaine d’entrées/sorties quotidienne de navires. Sur une surface de 10.300

Figure 1.1. 4 Le port du Havre

34
hectares (figure 1.1.4), il comporte plusieurs plates-formes logistiques et une large zone
industrialo-portuaire. Ce port est aussi un port de transbordement et de feedering de
par sa position géographique. Il est situé à l’entrée de l’axe de navigation Manche/Mer
du nord par lequel transite le quart des échanges maritimes de la planète.

Le port du Havre est connecté à un réseau de transport multimodale par la

route, le fluvial et le ferroviaire. Néanmoins, le transport routier constitue la majorité
(87%) du trafic de conteneur du port du Havre, au contraire des ports concurrents.
Toutefois, le port du Havre reste un hub privilégié de par sa connexion à un arrière-
pays (Hinterland) riche (Bassin de Paris) qui représente un nœud de connexion
essentiel au niveau du marché français et européen. Récemment, le port du Havre s’est
associé aux ports de Rouen et de Paris pour former le 1er ensemble portuaire de France
sous le nom HAROPA (HAvre ROuen PAris). HAROPA constitue un GIE
(Groupement d’Intérêt Économique) qui ambitionne d’être un guichet unique pour le
système de transport et de logistique proposant une offre de service globale de bout
en bout. Malgré les qualités de ce port, il lutte pour rester dans le top 10 des ports
Européens. L’encouragement du transport massifié, et la réduction des gaz à effet de
serre sont considérés comme un atout majeur pour la compétitivité du port.

Le port du Havre dispose de plusieurs terminaux maritimes, principalement

pour le transport conteneurisé, le transport de produit en vrac liquides et solides
(terminal minéralier, terminal pétrolier, terminal sucrier, etc.) et le transport de
voitures et de passagers paquebots. Le trafic de conteneurs est celui qui apporte le plus
de bénéfices pour le port, il présente ainsi un fort potentiel de croissance. Les
principaux terminaux à conteneurs sont : les terminaux nord (Quais de l’Atlantique,
Amériques, Europe), le port 2000 qui comporte le terminal de France (TDF), le terminal
de la porte océane (TPO), les terminaux de Normandie associés à Mediterranean
Shipping Company (TNMSC) et le terminal multimodale (TMM) récemment inauguré.
La figure 1.1.5 montre le classement du port du Havre parmi les ports européens en
matière de volume de trafic conteneurisé.

35
 Figure 1.1. 5Volume de trafic conteneurisé dans les ports du nord d'Europe (2015)
(« Modal Share of Freight Transport to and from EU Ports » 2015)

Figure 1.1. 6 Comparatif de la part de trafic modal de conteneurs des ports de la range nord
(« Modal Share of Freight Transport to and from EU Ports » 2015)

2.3.1. Le terminal multimodal

Le port a investi dans la construction du terminal multimodale (TMM) pour

privilégier les modes de transport massifié et équilibrer la répartition modale du trafic
de conteneurs. La figure 1.1.6 montre la situation déséquilibrée du port du Havre en
faveur du transport routier par rapport aux autres ports concurrents. Mis en service
en Juin 2015 avec une capacité de 200.000 conteneurs par an, le TMM vise le
développement des flux de transport de conteneurs par le rail et la voie navigable. Le
TMM est ainsi une plate-forme intermédiaire qui assure la collecte et la livraison de
conteneurs en utilisant une nouvelle gestion des transferts de conteneurs par trains,

36
 grandes lignes est servent pour le stationnement des wagons, et un garage de
locomotive.

3. La logistique portuaire et la gestion des risques

3.1. La chaîne logistique

Avant de passer à la définition de la chaîne logistique, nous donnons d’abord

la signification du terme logistique. Le terme logistique est d’origine grec et vient du
mot « logistico » qui signifie administratif. Historiquement, la logistique a émergé du
domaine militaire où elle fait référence aux différents techniques qui assurent le
ravitaillement et le transport au sein des armées. Vers le début des années quatre-
vingts, la logistique est considérée comme un nouveau domaine de recherche (Dornier
2005).

On trouve plusieurs définitions de la chaîne logistique, mais elles partagent de

nombreux points communs. La définition la plus populaire est peut-être donnée par
Christopher M, dans le livre de Klaus et Muller (Klaus et Müller 2012): «Le réseau
d'organisation impliqué, en amont et en aval, dans les différents processus et activités qui
produisent de la valeur sous forme de produits et de services livrés aux clients finaux». Selon
A-Zouggar (Amrani-Zouggar 2009) : « La chaîne logistique peut être considérée comme un
ensemble d’activités en réseaux dont l’exécution est corrélée par les flux qu’elles échangent,
visant à satisfaire au mieux les besoins exprimés par un ensemble de clients ». On trouve aussi
la définition de Cheyroux (Cheyroux 2003) qui définit la chaîne logistique comme suit
: « C’est un réseau de sites, indépendants ou pas, participant aux activités
d’approvisionnement, de fabrication, de stockage et de distribution liées à la commercialisation
d’un produit ou d’un service ». L'utilisation du terme « réseau » suggère que les acteurs
impliqués dans une chaîne logistique pourraient non seulement effectuer des activités
complémentaires, mais également poursuivre des objectifs communs. Une chaîne
logistique peut être définie alors comme un réseau constitué par un ensemble d’acteurs
participant aux différentes activités et qui collaborent afin d’améliorer leur
performance.

3.1.1. La chaîne logistique portuaire

38
 La logistique portuaire est l’un des maillons les plus importants et les plus
sensibles de la chaîne logistique. Notre travail de thèse concerne plus précisément les
TCs. Un TC est considéré comme un système complexe où la manutention et le
transport de conteneurs jouent un rôle crucial (Henesey 2006).
La figure 1.1.9 montre les différents acteurs de la chaîne logistique d’un TC :

Figure 1.1. 9 Les acteurs de la chaîne logistique portuaire dans un TC (Nidra, 2002)

- Le docker qui se charge et décharge le navire.

- Le transporteur interne qui transporte les conteneurs au sein du terminal.
- L’acconier qui s’occupe de la préparation juridique et matérielle des opérations de
réception, de déplacement et d'entreposage des conteneurs.
- L’armateur qui assure le transport maritime des conteneurs.
- Le consignataire qui est mandaté par l’armateur, il agit au nom et pour le compte de
l’armateur. Il doit assurer toutes les opérations de réception ou de livraison des
conteneurs et ainsi effectuer les missions confiées par l’armateur.
Il y a également d’autres acteurs pour assurer les services liés à la gestion des navires
comme :
- les sociétés d’avitaillement ;

39
- les sociétés de réparation et de maintenance de conteneurs ;
- les entreprises de récupération des déchets des navires.

Enfin, l’opérateur portuaire ou l’autorité portuaire dont la mission consiste à

gérer et contrôler le port. Ainsi, l’autorité portuaire contrôle toutes les opérations à
l’intérieur du port et prend en compte la gestion des installations portuaires, l’accueil
et le départ des navires, et assure le respect des règlements. La chaîne logistique
portuaire est donc définie comme un ensemble d’acteurs impliqués directement dans
les flux amont et aval de conteneurs.

Les flux en amont et en val de conteneurs définissent l’enchaînement logique

du processus de la chaîne logistique portuaire du conteneur. Plusieurs tâches sont
combinées afin d’acheminer le conteneur à son client final. La figure 1.1.10 étale les
principales taches du processus de pré- et post-acheminements portuaires de
conteneurs.

3.1.2. La performance de la chaîne logistique portuaire

La notion de performance a évolué au cours des cinquante dernières années,

principalement en raison d'une forte augmentation de la concurrence entre les
entreprises. Trois phases principales peuvent être distinguées. De 1945 à 1975, la
demande a dépassé l'offre. La performance a été évaluée uniquement avec une
perspective de coût. De 1975 à 1990, l'offre s'est équilibrée puis a dépassé la demande.

Figure 1.1. 10 Principales taches du processus d'acheminement de conteneurs

La notion de performance a commencé à inclure d'autres critères, tels que la fiabilité,

la qualité et le délai de livraison. Depuis 1990 jusqu'à présent, une vision de

40
performance beaucoup plus large a émergé. Désormais, la notion de performance
comprend également des aspects environnementaux et sociaux. Dans la théorie des
parties prenantes, (Freeman 2010), qui est une alternative à la vision traditionnelle et
au modèle entrée-sortie de l'entreprise, l’entreprise doit satisfaire toutes les parties
prenantes qui ont des intérêts coopératifs et concurrentiels. Les parties prenantes
comprennent les fournisseurs, les clients, les actionnaires, les employés, les
investisseurs, les collectivités, le gouvernement, les créanciers, les médias et la société.
Étant donné que l'intérêt des différentes parties prenantes peut souvent diverger, le
rendement dépend étroitement de ce qui doit être satisfait. La performance est ainsi
devenue une notion relative. Cette caractéristique est clairement présentée dans
l'extrait suivant d'un rapport de la Commission du développement durable des
Nations Unies : "Nous mesurons ce que nous valorisons et apprécions ce que nous mesurons".
La notion de performance est ainsi devenue une notion relative qui devrait inclure
plusieurs dimensions. C’est dans ce contexte que le concept du Supply Chain
Mangement « SCM » a émergé au cours des années 1980 (Humez 2008). Le concept
SCM vise l’amélioration de l’efficacité et de l’efficience dans un contexte stratégique
pour obtenir des avantages compétitifs qui rapportent du profit (Mentzer, Flint, et
Hult 2001).

De nos jours, la performance de la chaîne logistique portuaire devient un

problème majeur pour les autorités portuaire en raison du phénomène de la
mondialisation (Botta-Genoulaz 2005). La performance de la chaîne logistique
portuaire devrait être évaluée sur chaque tâche de son processus et surtout au niveau
des TCs. La performance des TCs dépend des décisions aussi bien stratégiques que
tactiques et opérationnelles prises par les gestionnaires de la chaîne logistique
portuaire. Comme dans une entreprise, l'enjeu majeur pour un TC est de rester
compétitif. Pour atteindre cet objectif, le pilotage des flux de conteneurs à des coûts
réduits et la satisfaction des clients par le respect des délais est une nécessité
incontournable. Dans ce contexte, la performance d'un TC dépend fortement de la
coordination entre ses acteurs qui nécessite une bonne maîtrise du flux opérationnel
au sein du TC. D’après (Su et al. 2015), le flux opérationnel dans un TC peut être
résumé en quatre flux : (1) L’obtention des informations des compagnies de transport,
41
y compris la date d'arrivée/sortie des conteneurs et les détails concernant les
conteneurs à charger et à décharger, etc. ; (2) La planification de la date
d'arrivée/départ des navires en fonction de la disponibilité des quais et de la cour, (3)
La gestion en temps réel des opérations de manutention au sein du TC et (4) Les
rapports de données et l’analyse des informations obtenues à partir des opérations
effectuées.
[Link]. Les indicateurs de performance
La notion d’indicateur de performance représente une variable quantifiée et
pertinente pour l’évaluation de l’efficacité par rapport à l’objectif, ainsi que le pilotage
et l’aide à la prise de décision. Dans le domaine portuaire, et précisément dans les TCs,
la performance est traditionnellement évaluée en fonction des indicateurs de trois
piliers : Le premier est le pilier opérationnel qui comprend des indicateurs comme les
délais et le niveau de service, le deuxième est le pilier économique qui comporte des
indicateurs comme les coûts et les investissements, et le pilier environnemental qui
comprend des indicateurs comme la consommation des ressources et l’impact
écologique. Les indicateurs du pilier opérationnel permettent à l’autorité portuaire de
suivre les acteurs assurant le fonctionnement du TC et la planification des opérations
à savoir l’allocation des quais au navires, la planification de chargement /
déchargement des conteneurs et l’inspection des conteneurs suspects. Les indicateurs
du pilier économique permettent d’avoir des informations concernant le rendement
financier et les investissements ainsi que le niveau de service. Les indicateurs du pilier
environnemental, appelé aussi performance écologique, donne des informations sur
l’empreinte écologique d’un TC à savoir les différentes émissions à de gaz à effet de
serre. L’impact écologique est aujourd'hui largement pris en compte par les acteurs
portuaires afin de protéger les terres, l’air et les eaux (Merk et al. 2011). Le tableau 1.1.2

42
 résume l’ensemble des indicateurs de performance dans un TC que nous avons
proposé.

Ces indicateurs de performances cités sont généralement contradictoires, c'est-

à-dire qu'il existe un compromis entre l'efficacité opérationnelle, économique, et
environnementale (Nahmias et Cheng 2009).

Critère Indicateur de Métrique

performance
Pilier Opérationnel Séjours de navires Temps d’attente Jour/navire
dans le quai
Flux de navires Nombre d’arrivées Nombre
de navires
Flux de Nombre de Conteneur /heur
conteneurs conteneurs
manutentionnés
Taux d’inspection % des conteneurs %
des conteneurs inspectés
Pilier Économique Performance Coût des Euro/tonne
financière opérations
Niveau de service % des conteneurs %
délivré a temps
Pilier Environnemental Consommation Utilisation Kj/tonne
énergétique d’énergie
Consommation Utilisation de Nombre
des ressources matériel /tonne
Réchauffement Émission de gazes Kg(CO2)
climatique à effet de serre /ton

Tableau 1.1. 2 Les Indicateurs de performance proposés dans un TC (Yann, 2012 )

3.2. La gestion des risques

3.2.1. Définitions et terminologie

Avant de passer à la définition de la gestion des risques, on doit d’abord définir

le risque. Le dictionnaire Larousse définit le risque comme « Possibilité, probabilité d'un
fait, d'un événement considéré comme un mal ou un dommage ». La notion du risque est liée
à des événements indésirables qui peuvent se produire dans le futur. Selon (Khan et
Burnes 2007), l’origine du mot risque vient du mot italien « risicar » qui signifie oser .

43
La notion du risque n’a toujours pas été facile à définir dans la littérature, ainsi elle a
fait l’objet de plusieurs interprétations. (March et Shapira 1987) considèrent le risque
comme un plan cartésien, avec l’axe x étant les conséquences possibles du risque et
l’axe y étant la fréquence du risque. Dans cette définition, les éléments majeurs du
risque sont sa fréquence (ou sa probabilité divisée par le nombre total d’occurrences)
et ses conséquences (ou sa sévérité). Wu (T. Wu, Blackhurst, et Chidambaram 2006)
donne une autre définition du risque à savoir que « le risque ne peut exister sans faire
référence aux butes, attentes, et contraintes associés à un projet ». Cette définition est plus
proche et pratique pour le monde des affaires et des entreprises. D’autres définitions
lient le risque aux incertitudes. Selon (Al-Bahar et Crandall 1990), l’incertitude est à
l’origine du risque. Ainsi leur définition du risque est « la chance d’exposition à un
événement qui affectera défavorablement ou positivement des objectifs en conséquence
d’incertitude ». Le risque est défini selon l'ISO 31000 comme l'effet de l'incertitude sur
les objectifs et la génération d’un écart positif ou négatif par rapport à ce qui est
attendu.

Cette définition reconnaît que nous tous opérons dans un monde incertain.
Chaque fois que nous essayons d'atteindre un objectif, nous n'obtenons pas toujours
les résultats attendus. Parfois, nous obtenons des résultats positifs et parfois nous
obtenons des résultats négatifs et parfois nous obtenons les deux. Pour cette raison,
nous devons réduire l'incertitude autant que possible. L'incertitude (ou le manque de
certitude) est un état ou une condition qui implique une déficience de l'information et
conduit à une connaissance ou une compréhension insuffisante ou incomplète.

Dans le contexte de la gestion des risques, l'incertitude existe chaque fois que la
connaissance ou la compréhension d'un événement, d'une conséquence ou d'une
probabilité est insuffisante ou incomplète. Toutefois, nous estimons qu’un risque qui
pourrait apporter des conséquences positives doit être considéré comme une
opportunité et non pas un risque. (Su et al. 2015; Kaplan et Garrick 1981) préconisent
ce même point de vue en définissant le risque comme une incertitude qui génère des
dommages. Ceci indique clairement que l’incertitude n’entraîne toujours pas un
risque, à moins que l’incertitude elle-même ne soit préjudiciable. Ainsi nous adoptons

44
la définition du risque comme les dommages aux objectifs planifiés qui peuvent être
générés par les conséquences négatives de l’incertitude.

La gestion des risques, comme elle peut être interprétée directement, est la façon
de gérer les incertitudes résultant à des conséquences préjudiciables. Puis, on trouve
plusieurs définitions dans la littérature. Paté-Cornell (Paté-Cornell 2012) définit la
gestion des risques comme « la prise de décisions sous l’incertitude qui peut être atténuée
par l’analyse décision ». En outre, Hubbard (Hubbard 2009) utilise une phrase simple
pour définir l’objectif de la gestion des risques, soit « saisir intelligemment ses chances ».
Shang et Tseng (Shang et Tseng 2010) considèrent que l’objectif principal de la gestion
des risques est de développer un système de contrôle de risque. Ils préconisent que les
entreprises doivent mesurer la fréquence et la gravité des dommages probables,
prendre des mesures préventives, et de ne pas négliger les risques au niveau de la
gestion financière.

Sung (Sung, 2005) définit quant à lui la gestion des risques comme l’utilisation
de ressources limités pour minimiser les répercussions. Dans cette définition, les
ressources sont prises en considération dans la gestion des risques. C’est le résultat du
fait que les ressources (humaines, matérielles, en temps, ou financières) ne sont pas
infinies. Haimes et al, (Haimes, Kaplan, et Lambert 2002) définissent la gestion des
risques comme l’identification des options de traitement des scenarios de risques tout
en estimant le coût et l’impact sur la performance. Ward (Ward 2003) définis quant à
lui la gestion des risques comme l’amélioration de la performance organisationnelle à
travers l’identification et l’évaluation des risques qui impactent la performance. Les
définitions préconisées par Sung, Haimes et al, et Ward abordent les facteurs de
ressources, de coût, et de performance. Ainsi, la définition qu’on adopte est que la
gestion des risques est l’art de maîtriser et de réduire le risque à un niveau acceptable,
tout en utilisant une quantité raisonnable de ressources qui ne freinera pas
l’accomplissement des objectifs de l’organisation.

Il existe plusieurs notions liées à la terminologie du risque, qui ont des sens très
proches mais contrairement à ce qu'on pense généralement, elles ne sont pas
interchangeables. Il est donc important d’expliquer chaque terme.
45
Menace : c’est l'intention de nuire à la santé de quelqu'un ou d'infliger des dommages
matériels à une entité selon la définition de Wikipédia (« Menace » 2016). En d’autres
termes, c’est la manifestation d’une violence qui laisse prévoir quelque chose de
dangereux et de nuisible (définition du dictionnaire Larousse).
Danger : une menace susceptible d'altérer significativement l'intégrité d'un événement
ou d'une situation. C’est une propriété qui caractérise une source potentielle de
dommage avec sa faible probabilité d'occurrence.
Aléas : tournure imprévisible/imprévue d’un événement ou d’une activité. Un aléa est
aussi défini comme la probabilité spatio-temporelle d'une occurrence d'un danger.
Préjudice : dommage causé aux biens ou atteinte portée aux droits, aux intérêts, au bien-
être de quelqu'un (définition du dictionnaire Larousse).
Enjeu : concerne toute entité ou éléments qui sont soumis à des préjudices potentiels
présents dans une zone à risque. L’enjeu est étroitement lié aux degrés de l’exposition
et de la vulnérabilité face à la survenance d'un risque.
Risque : Généralement, il est présenté comme la coexistence d’un aléa et d’un enjeu «
risque = aléa * expositions des enjeux * vulnérabilités des enjeux ». L’exposition est la
disposition des enjeux par rapport à l’aléa, c’est-à-dire, est ce qu’ils sont près ou loin
de la zone touchée par le risque. Tandis que la vulnérabilité est définie par le degré de
dommages apportés aux enjeux et par la résistance des enjeux à l’aléa. Par exemple,
une inondation fluviale (Menace, Risque), l'aléa (Danger) est la crue du cours d'eau,
les enjeux sont les personnes et les biens qui sont établis sur ses rives et donc exposés
à l'effet de la crue (l’exposition), enfin la vulnérabilité se mesure particulièrement à la
hauteur, à la solidité et à l'étanchéité des immeubles face au débordement (« Risque
majeur » 2017).
Prévention : consiste à spécifier des mesures destinées à minimiser la probabilité
d'occurrence du risque par l'élimination de ses causes et le traitement de ses
conséquences.
Sûreté : est la résistance d’un système face aux risques issus d’actions volontaires
engagées par des acteurs externes dont le but est de contourner ses mesures de
contrôles.

46
Sécurité : contrairement à la sûreté, la sécurité porte sur la prévention des événements
accidentels non intentionnels issus du fonctionnement interne d'un système
caractérisé par un danger potentiel qui peut affecter son environnement.

3.2.2. Standards pour la gestion des risques

Les entreprises sont exposées à divers risques financiers, opérationnels,

stratégiques, ou autres, qui sont susceptibles d’affecter l’accomplissement de leurs
objectifs. Ainsi, la nécessité de gérer de façon efficace les risques s’est imposée. Depuis
le milieu des années 1990, la gestion des risques, communément appelé ERM
(Enterprise Risk Management), est devenue un concept et une fonction de gestion au
sein des entreprises. Ensuite, l’ERM a intéressé plus de praticiens et de chercheurs.
Dans la pratique, l’ERM reçoit également beaucoup d'attention en réponse à la
nécessité de sa mise en œuvre. En conséquence, un certain nombre de standards et
frameworks ont été développés, tels que celui de l’International Standard Organisation
(ISO) ISO 31000. Parmi les standards, nous pouvons citer :

ISO 31000 : L'ISO 31000 est une famille de normes relatives à la gestion des risques
proposé par le groupe de travail du conseil de gestion technique de l'ISO sur la gestion
des risques. Cette norme n'est pas destinée aux certifications. L'objectif de l'ISO 31000:
2009 est de fournir des principes et des directives génériques sur la gestion des risques.
L'ISO 31000 cherche à fournir un paradigme universellement reconnu aux praticiens
et aux entreprises qui utilisent des processus de gestion des risques pour remplacer la
myriade de normes, méthodologies et paradigmes existants qui diffèrent selon les
industries, les matières et les régions. L’ISO 31000 est essentiellement inspiré de la
norme AS/NZS 4360:2004.
Les deux principaux composants du processus de gestion des risques ISO 31000 sont
les suivants :
 Le cadre de travail (framework) qui guide la structure générale et le fonctionnement
de la gestion des risques dans une organisation. Le cadre de travail ISO 31000 reflète
le cycle PDCA (plan, do, check, act). La norme stipule toutefois que « Ce cadre ne vise
pas à prescrire un système de gestion, mais plutôt à aider l'organisation à intégrer la gestion
des risques dans son système global de gestion ». Cette déclaration devrait encourager

47
 les organisations à être flexibles dans l'intégration des éléments du cadre au besoin.
Les principaux éléments de ce cadre de travail comprennent : La politique et la
gouvernance qui démontrent l'engagement de l'organisation ; La conception de
programme pour la gestion des risques de façon continue ; La mise en œuvre de la
structure et le programme de gestion des risques ; Le suivi et examen de la structure
et de la performance du système de gestion ; L’amélioration continue de la
performance du système global de gestion.
 Le processus d’évaluation des risques, qui décrit la méthode réelle d'identification,
d'analyse et de traitement des risques. Le processus réel d'évaluation des risques
nécessite d'abord la définition de ce que l'ISO 31000 appelle le « contexte ». Le
contexte est une combinaison des environnements externe et interne, tous deux
considérés par rapport aux objectifs et aux stratégies de l'organisation. Les autres
étapes du processus d'évaluation impliquent le développement de techniques pour
identifier, analyser et évaluer des risques spécifiques. Bien que plusieurs méthodes
et techniques documentées existent, tous devraient inclure les éléments clés
suivants :
• Identification des risques : Identification des sources d'un risque particulier,
domaines d'impact et événements potentiels, y compris leurs causes et
conséquences ; Classification de la source comme interne ou externe
• Analyse de risque : Identification des conséquences potentielles et des facteurs
qui influent sur les conséquences ; L’évaluation de la probabilité ;
L’identification et évaluation des contrôles actuellement en place.
• Évaluation du risque : Comparaison des risques identifiés avec les critères de
risque établis ; Les décisions prises pour traiter ou accepter les risques en
tenant compte des exigences internes, juridiques, réglementaires et externes des
parties.

IEEE 1540:2001: Cette norme, proposée par l’Institute of Electrical and Electronic
Engineering (IEEE), décrit un processus de gestion des risques lors de l'acquisition, de
l'approvisionnement, du développement, des opérations et de la maintenance du
logiciel. L’IEEE 1540 :2001 donne un aperçu et décrit le but, la portée et le champ
d'application, ainsi que la prescription des critères de conformité. Elle décrit comment

48
la gestion des risques peut être appliquée au cycle de vie du logiciel et prescrit les
exigences pour un processus de gestion des risques. Bien que la norme soit écrite pour
la gestion du risque dans les projets logiciels, elle peut également être utile pour la
gestion des risques au niveau des systèmes et des organisations.

IEC 62198:2013: La International Electrotechnical Commission (IEC) propose la norme IEC

62198: 2013 qui fournit des principes et des lignes directrices génériques sur la gestion
des risques et de l'incertitude dans les projets. En particulier, il décrit une approche
systématique de la gestion des risques dans les projets basés sur l'ISO 31000. Des
conseils sont fournis sur les principes de gestion des risques dans les projets, le cadre
et les exigences organisationnelles pour la mise en œuvre de la gestion des risques et
le processus de gestion efficace des risques. Cette norme n'est pas destinée aux
certifications. La deuxième édition de cette norme est maintenant alignée sur ISO
31000.

3.2.3. Processus de gestion de risque

La gestion du risque a pour objectif de passer d’un risque inacceptable vers un

risque acceptable. Ceci est effectué à travers un processus contenant plusieurs étapes
exécutées dans un ordre précis. Bien avant l’émergence du standard ISO 31000, il
existait une multitude de processus de gestion des risques dans la littérature (Su et al.
2015). Par exemple, (Eloff, Labuschagne, et Badenhorst 1993) décrivent la gestion des
risques en proposant un modèle simple et générique sous forme d’un cycle continue
comprenant cinq principales étapes : l’identification du risque, l’analyse du risque,
l’évaluation du risque, la résolution du risque et la surveillance du risque. Un autre
modèle de gestion de risque a été développé par (Tummala et Mak 2001) et consiste en
cinq principaux éléments : L’identification du risque, la mesure du risque, l’estimation
du risque, l’évaluation du risque, et la surveillance du risque. Ce modèle est très
similaire à celui proposé par (Leung, Santos, et Haimes 2003). Toutefois, les deux
étapes, l’analyse du risque et l’évaluation du risque, sont parfois combinées en une
seule étape dans d’autres travaux comme (Leung, Santos, et Haimes 2003), tandis que
d’autres travaux combinent les étapes d’analyse du risque et la mesure du risque dans
l’étape d’analyse du risque. De même, (Al-Bahar et Crandall 1990) ont proposé un

49
nouveau modèle pour la gestion des risques pour les projets de construction. Leur
modèle se compose de quatre étapes : L’identification du risque, l’analyse du risque et
l’évaluation du risque.

En se basant sur les modèles discutés, on peut conclure que l’identification du

risque et une étape primordiale dans la gestion du risque. Sans une bonne
compréhension du risque, on ne peut gérer le risque. Néanmoins, il y a un consensus
sur les étapes d'identification, d'évaluation et de traitement des risques, préconisé par
le standard ISO 31000. Par contre, l’ISO 31000 fait abstraction sur la mise en œuvre du
processus de gestion de risque. Ainsi, il faut appliquer l’approche adéquate pour
chaque cas d’étude. Dans ce qui suit, nous fournirons les détails de la mise en œuvre
des trois principales étapes de l’ISO 31000.
[Link]. Identification du risque
L’objectif principal de la gestion de risque est de déterminer les incertitudes
futures pour pouvoir anticiper les éventuels scénarios à risque. Ainsi, un risque ne
peut être maîtrisé que s’il a été correctement identifié. L’étape de l’identification du
risque est critique dans la gestion des risques.

Cette étape vise à décrire et analyser en profondeur les causes et conséquences

du risque. L’identification demande une connaissance solide de l’organisation, ses
ressources, et de son environnement juridique, social, politique et culturel, mais aussi,
une compréhension précise des objectifs opérationnels et stratégiques.
L’identification des risques demande également une approche méthodique afin de
garantir l’identification de toutes les activités de l’organisation et de chaque risque qui
en découle. Pour faciliter la tâche d’identification du risque, le standard ISO 31000 a
défini les questions suivantes :
• Qu'est ce qui peut générer des risques, quand et où ?
• Pourquoi et comment, ces risques sont générés ?
• Quels sont les outils et les techniques adéquats pour identifier les risques ?
Il existe d’autres méthodes et techniques d’identification des risques. Hillson
(Hillson 2006) les catégorise en trois groupes :
• Méthodes basées sur l’analyse des situations à risques déjà arrivées

50
• Méthodes basées sur l’analyse de situations actuelles afin de relever les risques
• Méthodes créatives qui incitent la réflexion à travers un brainstorming sur les
éventuels risques.
Le brainstorming reste l’un des méthodes les plus utilisé dans l’étape de
l’identification des risques (T. Wu, Blackhurst, et Chidambaram 2006). Toutefois, la
réussite du brainstorming dépend fortement des connaissances et de l’expérience des
membres participants.
Certains travaux comme (T. Wu, Blackhurst, et Chidambaram 2006) parle de
description des risques qui facilite l’évaluation des risques. La description des risques
consiste à structurer les risques identifiés sous forme d’un tableau afin d’assurer que
les risques identifiés ont été décrit avec précision.
[Link]. Évaluation du risque
Consiste à hiérarchiser et comparer les risques identifiés selon leur importance,
c’est-à-dire, mesurer le niveau des risques et les traiter par ordre de priorité. En
particulier, les risques seront quantifiés au niveau de leur gravité, probabilité
d’occurrence et leur impact. Ainsi, il existe deux approches principales : l’approche
quantitative et l’approche qualitative. Le choix de l’approche dépend de plusieurs
facteurs, à savoir, la complexité du risque et son niveau de détail ainsi que la quantité
et la qualité des données relatives au risque.

Approche quantitative
L’évaluation quantitative du risque cherche à quantifier les risques en se basant
sur des valeurs numériques associé à a la probabilité de l’occurrence et aux
conséquences du risque. Généralement, l’évaluation quantitative du risque se base sur
le calcule de la relation entre la probabilité de défaillance (PoF, probability of failure)
et les conséquences de défaillance (CoF, consequence of failure) calculé par la formule
suivante :
Risque = PoF x CoF

Dans la littérature (Jovanovic 1982) propose un framework destiné au pour

l’industrie énergétique fournissant une méthode pour déterminer efficacement le PoF.
En outre, (Yong Bai et Bai 2014) propose une modélisation des CoF pour l’industrie

51
pétrolière. Le PoF et les CoF peuvent être aussi caractérisés par des modèles de
distribution mathématiques comme la distribution binomiale. Toutefois, cette
caractérisation dépend principalement des statistiques et des connaissances en relation
avec le risque.
Approche qualitative
L’approche de l’évaluation qualitative quantifie le risque en se basant sur des
valeurs subjectives qui estiment la probabilité et l’impact du risque. Elle remplace
l’approche quantitative lorsque la quantification numérique est inefficace à cause de
manque d’information par exemple. C’est ainsi que l’approche qualitative s’avère
adéquate en cas d’insuffisance de donnée permettant une analyse numérique du
risque. Cette approche utilise des catégories pour quantifier la probabilité du risque
ainsi que l’impact du risque. Il n’existe pas un standard qui définit le choix de ces
catégories, mais elles sont généralement définies en se basant sur l’expérience. Les
catégories utilisées pour quantifier la probabilité d’occurrence de risque les plus
utilisés sont :
• Très fréquente
• Fréquente
• Modérée
• Occasionnelle
• Improbable
• Très improbable
Les catégories utilisées pour quantifier l’impact de risque les plus utilisés sont :
• Majeur
• Critique
• Grave
• Significatif
• Négligeable
Généralement, l’évaluation qualitative du risque aboutit à une matrice de classification
qualitative du risque. Cette matrice, nommée aussi matrice de criticité, donne une vue
détaillée sur le risque.
[Link]. Traitement du risque

52
 Le traitement du risque porte sur la spécification et l'implémentation des
mesures capables de minimiser le risque, mais avant il faut déterminer un seuil de
tolérance, i.e., à quel niveau un risque est acceptable ? L’acceptabilité du risque est une
notion subjective. Généralement dans les organisations, c’est la direction qui définit le
seuil d’acceptabilité du risque. Toutefois, plusieurs méthodes sont utilisées comme
outils d’aide à la décision pour définir le seuil d’acceptabilité. On trouve notamment
la méthode de la courbe d’acceptabilité qui peut être déterminée par le diagramme de
Farmer (Desroches, Baudrin, et Dadoun 2009). Le diagramme de Farmer a comme
abscisse la gravité des conséquences du risque, et comme ordonnée la probabilité du
risque.
[Link]. Méthodes de gestion des risques
Les méthodes de gestion de risque ne contiennent pas forcément les trois
principales phases du processus de gestion des risques à savoir l’identification,
l’évaluation et le traitement des risques. Ces méthodes peuvent comporter une seule
phase, deux ou l’ensemble des trois phases (Gningue 2011). Ainsi, selon (Desroches,
Baudrin, et Dadoun 2009) ces méthodes peuvent être classifiées selon le type de
données utilisées (qualitatives ou quantitatives), le type de raisonnement (déductive
ou inductive), et la dynamique de l’approche( statique ou dynamique). Dans le travail
de Tixier (Tixier et al. 2002) on trouve deux principales classes de méthodes, soit les
méthodes qualitatives et les méthodes quantitatives. Toujours selon Texier, chaque
classe est divisée en sous classe, soit les méthodes déterministes, méthodes
probabilistes, ou méthodes hybrides. D’autres travaux comme (P. K. Marhavilas,
Koulouriotis, et Mitrakas 2011; P. K. Marhavilas et Koulouriotis 2012) proposent un
classement sous deux catégories : La première catégorie est celle des méthodes
déterministes qui englobe les méthodes qualitative, quantitatives et hybrides , et la
deuxième catégorie celle de méthodes stochastiques qui englobe les méthodes
statistiques classiques et le méthodes de modélisation de prévision des accidents.
Dans ce travail, on a choisi la classification proposée par Marhavilas et ainsi nous nous
contentant de présenter les méthodes déterministes en relation avec l’évaluation des
risques.

53
 Méthodes quantitatives
L’objectif principal des méthodes quantitatives d’analyse de risque est d’obtenir
des résultats sous format numériques qui reflètent la probabilité du risque et de ses
conséquences (Petru 2013). Les méthodes quantitatives dépendent fortement de la
disponibilité des données pour réaliser une évaluation quantitative. La qualité des
données et les ressources sont aussi des facteurs importants pour les méthodes
quantitatives. Les méthodes quantitatives présentent généralement les résultats sous
forme d’indicateurs (Rot 2008). Le tableau 1.1.3 présente les méthodes quantitatives de
gestion des risques les plus connus.
Méthodes qualitatives
Les méthodes qualitative de gestion des risques ont pour objectif d’évaluer les
facteurs de risque identifiés en se basant sur leur impact qu’ils peuvent avoir (Petru
2013) . Ces méthodes n’utilisent pas des données numériques et elles sont caractérisé
par l’utilisation d’index subjectives. Les résultats sont sous forme de description.
L’utilisation d’experts pour une évaluation de risque qualitative est conseillée

54
 Type Méthodes/Framework Domaine d’application
ISSRM (Information System Les organisations gouvernementales et leurs
Security Review systèmes d’informations (Azuma 2008)
Methodology)
PRAT (Proportional Risk L’évaluation proportionnelle du risque est utilisée
Quantitative

Assessement Technique) pour évaluer la sévérité des risques et leurs

fréquences d’occurrence (P. K. Marhavilas,
Koulouriotis, et Mitrakas 2011).
QRA (Quantitative Risk L’évaluation quantitative du risque est appliquée
Assessement) dans le domaine d’industrie nucléaire (Pasman et
renies, 2013)
WRA(Weighted Risk L’analyse des risques pondérés est utilisée pour
Analysis) comparer plusieurs risques en se basant sur une
seule dimension (Suddle 2009).
FMEA (Failure Mode and L’analyse des modes de défaillances et de leurs
Effects Analysis) effets est appliqué au domaines d’ingénierie et
Qualitatives

d’industrie militaire pour identifier les sources de

danger (F. I. Khan et Haddara 2003).
Check-list Les listes de control sont applicable dans tous les
domaines où l’intervention humaine est majeur
(P.-K. Marhavilas, Koulouriotis, et Gemeni 2011).
HAZOP (HAZard and Appliqué dans l’industrie afin d’analyser un le
OPerability study) risque pour le personnel ou les équipements
(Crawley et Tyler 2015).
SURE ( Stakeholder L’évaluation uni planaire des risques relatives
Uniplanar Risk Evaluation) aux intervenants est appliquée dans le gestion des
risques opérationnelle dans les terminaux a
conteneurs (Su et al. 2015).
HACCP ( Hazard Analysis L’analyse des dangers et points critiques pour leur
Hybrides

Critical Control Point) maîtrise est une méthode appliqué dans le

domaine agro-alimentaire pour maîtriser la
sécurité sanitaire (Mortimore et Wallace 2013).
AMDEC (Analyse des Modes L’AMDEC est utilisée pour l’évaluation des
de Défaillance, Effets et risques liée aux défaillances dans les processus et
Conséquences) les produits (Teoh et Case 2004).

Tableau 1.1. 3 Description des méthodes déterministes de gestion des risques.

(Coleman et Marks 1999). Le tableau 1.1.3 présente les méthodes qualitatives de

gestion des risques les plus connus.

55
 Méthodes hybrides
Entre l’évaluation de risque quantitative et qualitative, il y’a l’évaluation
hybride ou semi quantitative de risque. Dans certain cas, les seules données
disponibles sont issues d’opinions d’experts. Alors que dans une analyse purement
quantitative des risques, toute information ignorée peut engendrer des résultats
erronés (Altenbach 1995). Afin d’augmenter le taux d’utilisation des résultats
comparatifs (Gningue 2011), beaucoup de méthodes hybrides ont été proposé. Ces
méthodes se basent souvent sur méthodes qualitatives, mais se réfèrent aux méthodes
quantitatives soit à l’axe des fréquences des risques, soit à l’axe des conséquences des
risques, ou les deux (Gningue 2011).

3.3. La gestion des risques dans les terminaux à conteneurs

3.3.1. Le risque dans les terminaux à conteneurs

D’après (Su et al. 2015), la majorité des travaux dans la littérature concernant les
TCs a tendance de traiter le côté opérationnel et l’amélioration l’efficacité (Cullinane
et al. 2006). Un domaine qui a reçu moins d’attention est la gestion du risque dans un
TC. L’une des rares études de ce genre a été effectuée au Taiwan (Shang et Tseng 2010)
sur la gestion du risque et la sûreté dans un TC. En pratique, chaque TC dispose d’un
département de sécurité qui assure l’organisation et l’application des précautions de
sécurité. Toutefois, il n’y a aucune stratégie structurée ou des outils ou systèmes qui
ont été développés pour la gestion des risques dans un TC. Toutefois les risques liés
aux TCs peuvent être désastreux et catastrophiques. En 2003, le port Busan en Corée
du sud a été gravement impacté par un ouragan. Onze gigantesques grues de quai se
sont effondrées et n’ont pas pu être remises en service. Cette catastrophe n’a pas généré
uniquement des pertes matérielles, mais aussi des pertes financières énormes en
impactant la compétitivité du port. Avec le grand nombre de risques auxquels un TC
est confronté, (Su et al. 2015) a résumé ces risques en six catégories :

a) Catastrophe naturelle : Les catastrophes naturelles incluent les ouragans, les

tremblements de terres, les tsunamis, les inondations, etc. Ce type de risque n’est pas
causé par l’homme, et d’habitude imprévisible. Comme les conséquences peuvent

56
parfois être dévastatrices, certains de ces risques sont considérés comme des cas de
force majeure et sont exclus de nombreuses assurances. Ainsi, les TCs assument seuls
les conséquences.

b) Accident causé par un événement externe : Un événement externe se réfère aux incidents
involontairement causés par une personne ou une partie externe. Par exemple, un
navire entre en collision avec la structure du quai ou un véhicule s'écrase dans la
passerelle du terminal. Ce type de risque est causé par le facteur humain, et la
prévision préalable de tels accidents n'est pas possible. Les incidents causés par des
clients tels que les compagnies d'expédition doivent également être classés dans cette
catégorie. Par exemple, le transport de la matière dangereuse non déclarée ou le trafic
illicite et contrebande.

c)Accident causé par le personnel : Le facteur humain peut être à l’origine de

déclenchement des événements indésirables au niveau des ports, Lu et Yang (Lu et
Yang 2010). Ce type de risque est causé directement ou indirectement par le personnel
employé par le TC. Par exemple, la chute des conteneurs empilés causée par une
mauvaise manipulation d’un opérateur de l'équipement. La conséquence de ce type
de risque est plus imminente. Autre que les conséquences financières, le TC pourrait
également être assujetti à des obligations légales.

d) Défaillance des équipements : Le fonctionnement d'un TC implique de nombreux

équipements, tels que des grues de quai, des grues à portique, des chariots cavaliers et
autres. La défaillance des équipements est inévitable, même s'il existe de bons
systèmes de maintenance préventive. Une fois qu'un équipement est hors usage, il
n'est pas facile de trouver un remplacement immédiat, en particulier pour les grues de
quai et les grues à portique. Les conséquences de ce type de risque sont le coût élevé
de réparation et de maintenance et les plaintes fréquentes des clients, qui peuvent
éventuellement provoquer une perte de compétitivité.

e) Défaillance du système d'information : L'exploitation de TCs se base sur le système

d’information afin d'améliorer l'efficacité, de réduire la main-d'œuvre et de faciliter la
communication avec d'autres acteurs, tels que les clients et les douanes. Avec le grand

57
volume de conteneurs à manipuler chaque jour, la défaillance du système
d’information d'un TC peut être désastreuse. La fiabilité et la sécurité du système en
conséquence sont l’un des principales tâches de gestion des risques dans les terminaux
à conteneurs.

f) Problèmes sociaux : Outre les accidents induits par le personnel mentionné dans le
point (c), les personnes qui travaillent dans un TC peuvent causer un autre risque sous
forme de mouvement sociale, généralement motivé par les conditions de travail. En se
reportant au point (e), même avec un système informatique sophistiqué en place, un
TC nécessite encore des centaines, voire des milliers, de travailleurs, comme les
opérateurs de grues, des tracteurs. Les syndicats qui soutiennent ces mouvement
sociaux et grèves sont présents dans tous les TC importants. Les mouvements sociaux
et grèves constituent donc une menace importante pour les opérations des TC et leurs
actes sont séparés des accidents involontaires tels que définis au point (c).

3.3.2. Gestion des risques dans un terminal à conteneurs

Le transport de marchandises par conteneur est efficient et économique mais il

est aussi vulnérable aux intrusions et au détournement de son fonctionnement
(Dahlman et al. 2005). Par exemple, un conteneur peut subir une modification de son
contenu pour un trafic de marchandises illicite (drogues, armes, …), en effet, selon
(Orphan et al. 2005), le risque potentiel d’une attaque terroriste impliquant un
conteneur est considérable, de plus elle peut causer un arrêt total de la chaîne
logistique globale. En analysant les archives des incidents maritimes liés aux
conteneurs de matières dangereuses entre 1998 et 2008, (Ellis 2011) a identifié que 91%
des causes qui ont contribué à ces accidents sont liées à des opérations de packaging
et de chargement des marchandises des conteneurs avant l’arrivée du conteneur au
port. En revanche, les organismes qui sont derrière ces actes illicites utilisent souvent
l'arme de la corruption et font preuve de beaucoup d’innovation pour prendre une
longueur d’avance sur les autorités. D’ailleurs, la structure réticulaire et la répartition
géographique de ce réseau de transport criminel rendent la distinction des conteneurs
à haut risque plus difficile, en effet, des sociétés de transport de conteneurs se cachant

58
derrière des activités honnêtes et localisées dans des importants centres financiers
(Londres, Hong-Kong), peuvent tromper la vigilance des autorités portuaires.
[Link]. Le ciblage des conteneurs à risque
Le processus de ciblage et d’inspection des conteneurs est considéré comme la
principale mesure pour détecter les conteneurs transportant des marchandises illicites
(NAJIB 2014). Cependant, jusqu'au l’attaque du 11 Septembre 2001, les chercheurs et
les organisations internationales n'ont pas pris au sérieux la sécurité des TCs,
notamment le ciblage et l'inspection des conteneurs à risque. Les événements du 11
septembre ont poussé activement la communauté scientifique et les organismes de
normalisation à examiner et mettre à jour les normes de sécurité existantes et à
introduire de nouvelles normes. Ainsi, les organismes internationaux et les industriels
ont proposé plusieurs codes et initiatives pour améliorer la sécurité du transport
maritime et des plates-formes portuaires. Les auteurs dans (UNCTAD 2016),
(Zopounidis et Pardalos 2013), (Orphan et al. 2005) ont détaillé les principales normes
de sécurité introduites après le 11 septembre. Papa (Papa 2013) a présenté une
comparaison entre les différentes initiatives de sécurité prises aux États-Unis et en
Europe et donne une description détaillée de chaque initiative. Parmi ces initiatives
nous citons, l’initiative de sécurité des conteneurs (CSI - Container Security Initiative),
le code international pour la sûreté des navires et des installations portuaires (ISPS), le
C-TPAT (Customs Trade Partnership Against Terrorism). Le tableau 1.1.4 présente une
liste des principales normes et initiatives de sécurité proposées ou révisées.
Standard / Initiative Année
Customs Trade Partnership Against Terrorism (C-TPAT) 2001
Container Security Initiative (CSI) 2002
Maritime Transportation Security Act (MTSA] 2002
The International Code for the Security of Ships and Port Facility (ISPS) 2004
Protocol of 2005 to the Convention for the Suppression of Unlawful Acts (SUA) 2005
Megaport Initiative 2010
H.R.1(House Resolution One) « 100% scanning» 2012

Tableau 1.1. 4 Liste des standards et initiatives relatives à la sécurité des TC

59
Le partenariat C-TPAT entre les services des douanes et du commerce pour lutter
contre le terrorisme, vise à inciter les participants à mettre en œuvre des politiques,
des plans et des procédures propres à assurer l’intégrité de l’ensemble de leur chaîne
logistique (Gningue 2011). Les compagnies C-TPAT bénéficient d’une réduction de la
probabilité d’inspection de leurs expéditions au niveau des ports américains et des
procédures douanières accélérées. Toutefois, l'initiative la plus liée à la sécurité des
conteneurs est la CSI. Cette initiative préconise l'identification et l'inspection des
conteneurs suspects avant leur expédition aux États-Unis. Le Service des douanes et
de la protection des frontières des États-Unis (en anglais U.S. Customs and Border
Protection ou CBP) en collaboration avec l'organisation mondiale des douanes (OMD),
sont derrière la mise en œuvre du CSI. La CBP s'appuie sur diverses ressources
d'information pour cibler les conteneurs à haut risque. Plus précisément, la CBP a
établi les règles 10 + 2 (CBP 2009) qui demandent aux importateurs de fournir 10
éléments de données, tels que le pays d'origine, et deux éléments de données sur le
navire transporteur, tels que la position du conteneur dans le navire. La CBP utilise un
système automatisé de ciblage appelé ATS (Automatic Targetting System) (GAO
2007). ATS est un outil d’aide à la décision pour aider à cibler les conteneurs pour leur
inspection. Il utilise des règles pondérées pour attribuer un score de risque aux
conteneurs.

Cependant, les normes et les initiatives de sécurité citées ne détaillent pas leurs
mises en œuvre et applications et n'évaluent pas l’incidence de leur intégration sur la
performance des TCs (Longo 2010). Par exemple, la CSI ignore les méthodologies
d'établissement et l'évaluation de leur impact sur la compétitivité des TCs. (Najib,
Fazziki, et Boukachour 2014) proposent une simulation du processus d'inspection des
conteneurs avec un pourcentage d'inspection différent, et ils ont utilisé le temps de
livraison des conteneurs comme l'un des indicateurs de performance. (Lewis, Erera, et
White III 2003) proposent une approche heuristique du compromis entre les
inspections des conteneurs et l'heure de départ des navires. Une étude sur l’impact de
la mise en œuvre de la loi du scanning à 100% sur les douanes de l’Union Européenne
a été menée par (Carluer, Yann, et Olivier 2008). Les contraintes d’infrastructure
portuaire et des ressources douanières ainsi que la mesure des coûts directs et indirects
60
générés par le scanning à 100 % dans l’Union Européenne, seraient susceptibles
d’entraver la mise en œuvre du scanning à 100 %. Cette étude a confirmé que la loi
"100% scanning" n’améliorerait pas la sûreté dans les TC, en plus elle aurait un impact
économique disproportionné. D'autres études (Longo 2010, 2012; Longo et Mirabelli
2008), ont été menées à l'aide d'approches basées sur la simulation et montrent que le
pourcentage d'inspection ne doit pas dépasser un pourcentage à un chiffre. Inspecter
tout conteneur entrant n’est pas à l’avantage des terminaux, car cela causera
énormément de retard et des pertes financières.

D'autres études ont été réalisées sur les technologies et comment elles peuvent
améliorer les techniques d'inspection et contribuer à améliorer la sécurité des
conteneurs.(Hargather et al. 2011) ont proposé une technique non intrusive pour
détecter les particules explosives dans des conteneurs utilisant des capteurs
d'aspiration d'air (Janssens-Maenhout, De Roo, et Janssens 2010) s’est basé sur la
mesure du niveau de radioactivité dans le conteneur pour empêcher la contrebande
d'armes chimiques. (Ramirez-Marquez 2008) propose une stratégie d'identification de
conteneur suspecte basée sur une inspection non intrusive à l'aide de capteurs qui
balayent le conteneur. (Rizzo et al. 2011) ont développé une solution basée sur
l'intégration des étiquettes RFID pour la création de scellé capables d'enregistrer des
tentations non autorisées d'ouverture de conteneurs qui peuvent compromettre le
contenu du conteneur.

La littérature examinée montre qu'il y a un manque d'études sur la façon

d'améliorer l'efficacité de l'inspection en priorisant l'inspection des conteneurs par la
quantification des risques. La plupart des études examinées souhaitent maximiser le
pourcentage d'inspection plutôt que d'améliorer le processus de ciblage. En ce qui
concerne le ciblage de conteneurs à haut risque, une étude menée par Longo (Longo
2010) propose un indice de risque des conteneurs, mais ne fournit pas une solution
viable sur la manière de calculer cet indice. L’ATS utilisé par CBP s'appuie
principalement sur les informations de renseignement pour ajuster ses règles
pondérées pour l'évaluation des scores de risque (GAO 2007). D'autres études se
concentrent davantage sur l'aspect technologique, par exemple sur le concept du

61
conteneur intelligent (Sallez et al. 2016) et sur la façon dont cela peut recueillir des
informations pertinentes et contribuer ainsi à réduire les menaces auxquelles sont
exposés les conteneurs, ce qui est précieux pour la quantification des risques. Par
conséquent, il est grandement nécessaire d'améliorer le processus d'inspection,
éventuellement sans affecter les performances du TC.
[Link]. L’inspection des conteneurs

Tout conteneur jugé suspect est saisi et inspecté par les agents des douanes.
Cependant il existe à travers le monde des lois qui régissent ces activités. Par exemple
en France, on trouve la charte des contrôles douaniers qui cadre et facilite le contrôle
effectué par les agents des douanes. Selon (Douanes et droits indirects 2015) , la charte
constitue un moyen qui permet aux différents opérateurs de mieux connaître les
pouvoirs de l’administration des douanes. Certes, dépourvue de tout effet
réglementaire ou légal, cette charte fixe les obligations et droits tant des douanes que
des acteurs de la chaîne de transport conteneurisé.

L’inspection des conteneurs est réalisée soit lors de l’empotages au port de

départ, soit au port de destination lors du dépotage. Toutefois, il n'est pas possible
d'inspecter manuellement l’intégrité de tous les conteneurs transitant par un TC. Ce
qui rend indispensable l'utilisation de technique de détection et d’imagerie avec les
rayons. « Pour être efficaces et faire en sorte que le processus ne ralentisse pas la circulation
des marchandises, les administrations douanières devraient utiliser des technologies modernes
pour inspecter les envois à haut risque. Ces technologies comprennent notamment les appareils
de radiographie à large spectre, les appareils à rayons gamma et les dispositifs de détection des
rayonnements. La préservation de l’intégrité du fret et des conteneurs, notamment par le
recours à des technologies modernes, constitue également une composante essentielle de ce
pilier. » (OMD 2015).

62
 Figure 1.1. 13 Système d'inspection par rayon-x

Figure 1.1. 12 Scanner embarqué (VeriSpreader)

Figure 1.1. 11 Image rayon-x d'un conteneur scanné (PEO Radiation Technology)

63
 En cas de doute, les douanes procèdent à une inspection manuelle du
conteneur. Ainsi, on distingue deux types d’inspection : non-intrusif et intrusif.
L’inspection non-intrusive est toujours privilégiée. Parfois, il arrive qu’un conteneur
subisse successivement ces deux types inspections (Lewis, Erera, et White III 2003;
Dubreuil 2008) :
Inspection non intrusive : Ce type d’inspection donne la possibilité de voir le contenu
des conteneurs à distance et sans dépotage. Le principal avantage de ce type
d’inspection est le gain énorme en temps par rapport à une inspection manuelle.
Généralement, les douanes utilisent des équipements d'inspection utilisant du
matériel émettant des rayons x ou gamma et des détecteurs de radiation. La figure
1.1.11 montre un exemple d’un scanner à rayons x. La capacité de ces scanners peut
atteindre plus de 300 conteneurs par heure (Nidaye, 2016). Il existe encore des
scanneurs plus rapides capables de scanner les conteneurs en cours de leur
chargement/déchargement. La figure 1.1.12 montre un exemple d’un scanneur
embarqué à une grue de quai et qui scanne un conteneur lors de son dépotage depuis
un porte conteneur. Ces équipements permettent aux autorités douanières d’avoir une
image visuelle du contenu d’un conteneur. La figure 1.1.13 montre un exemple d’une
de ces images à rayons x.
Inspection intrusive : Le deuxième type est une inspection manuelle, habituellement
motivée par une fausse déclaration de conteneur ou manque d’informations. Les
agents douaniers ouvrent le conteneur pour contrôler de plus près son contenu afin de
démasquer tout produit illicite dissimulé.
[Link]. La matière dangereuse dans les TC
Une matière est considérée comme dangereuse si elle présente un risque pour
la santé, l’environnement et/ou les biens. La gravité de la matière dangereuse dépend
de sa nature chimique et/ou physique. Le transport des matières dangereuses suit des
réglementations strictes défini par plusieurs organisations mondiales. Elle peut
s'effectuer par voie routière, ferrée, maritime, fluviale ou aérienne. Chaque type de
transport est régi par un ensemble de législations. Par ailleurs, la gravité des accidents
impliquant une matière dangereuse ne vient pas seulement des effets immédiatement

64
ressentis mais aussi des effets secondaires qui peuvent être à long terme, par exemple,
pollutions des eaux ou des sols, propagation aérienne des gazes toxique, etc.

Les matières dangereuses sont réparties en neuf classes dont certaines

comportent des classes subsidiaires. Cette classification proposée par l’Organisation
des Nations Unies (ONU) est basée sur l’acuité de leur impact. En plus, à chaque
matière dangereuse est associée une étiquette pour qu’elle soit facilement
reconnaissable. Cette étiquette est une sorte de symbole encadrée par un losange collé
sur les unités de transport pendant l’acheminement des matières dangereuses. La
figure 1.1.14 montre les différentes classes de matière dangereuse.

La classification proposée par l’ONU spécifie les règles de ségrégation qui

doivent être respectée lors du stockage des matières dangereuses. Ces règles sont
présentées sous forme d’une matrice (figure 1.1.15) qui précise la distance de sécurité
qui doit séparer les matières dangereuses dans la même zone de stockage.

65
Figure 1.1. 14 Classification des matières dangereuses

66
Figure 1.1. 15 La matrice de compatibilité entre les classes de matières dangereuses

67
Chapitre 2 : Concepts de base et outils

68
1. Introduction

Dans ce chapitre, nous introduisons les concepts de base, les méthodes, et les
outils utilisés lors du développement des solutions proposées liés à la gestion des
risques et au transport des conteneurs. Avant de nous concentrer sur les travaux qui
ont abordés le conteneur intelligent et sa mise en œuvre, nous allons nous pencher sur
le concept du produit intelligent, sa classification et les outils de sa mise en œuvre.
Ensuite, nous abordons les techniques de fouille de données, et notamment l’extraction
des motifs fréquents et les règles d’association. En outre, nous mettons le point sur les
concepts de base de la logique floue et finirons par une revue des méthodes et les outils
de simulation.

2. Le produit intelligent

2.1. Définition et classification

Le développement des technologies d'auto-identification des produits est un

des facteurs majeurs qui a donné naissance au concept du produit intelligent (PI).
Toutefois, la notion de produit intelligent est encore plutôt indécise. Selon (Kiritsis
2011), une première question à laquelle il faut répondre d’abord, est ce que nous
considérons être un produit ? Est-ce simplement un élément de valeur commerciale
(consommable ou réutilisable) ? D’autre part, quels sont les éléments d'intelligence qui
peuvent être associés à un produit ? Les réponses à ces questions peuvent être trouvées
à travers les différentes définitions recueillies dans la littérature. Le travail de (Meyer,
Främling, et Holmström 2009) représente une importante référence en matière de
revue de littérature dans le domaine du produit intelligent.

Définition de McFarlane et al. : Selon (McFarlane et al. 2003), le concept du PI couvre la

représentation physique et informationnelle d'un produit. Ce dernier est caractérisé
par un identifiant unique, la communication avec l'environnement, la collecte des
informations, le déploiement d'un langage pour la communication de ses
caractéristiques, et la capacité de prendre des décisions.

Définition de KarKKaainen et al. : La définition proposée par (Kärkkäinen et al. 2003) est
axée sur la capacité du PI à prendre des décisions. Ainsi, le PI doit avoir un identifiant
69
unique. Il doit partager ses d'information, soit sous forme de sources accessible, soit
les inclure dans son identifiant. Et finalement, le PI doit pouvoir communiquer avec
les systèmes d'information et avec les utilisateurs au besoin.
Définition de Venta et al. : (Ventä 2007) se sont focalisés sur la capacité du PI à percevoir
son environnement et à réagir aux changements afin de maintenir un seuil de
performance. Selon (Ventä 2007), le PI doit surveiller en permanence son état et son
environnement. Il doit aussi réagir et s'adapter aux conditions environnementales et
opérationnelles. Le PI doit maintenir des performances optimales dans des
circonstances variables, également dans les cas exceptionnels. Enfin, le PI doit
communiquer activement avec les utilisateurs, l'environnement ou avec d'autres
produits et systèmes.

Partant des définitions citées auparavant, (Meyer, Främling, et Holmström

2009) ont proposé une classification du concept du PI suivant trois critères. Le premier
critère est le niveau d'intelligence du produit afin de distinguer entre le produit qui
gère ses informations, le produit qui notifie l'occurrence d'un problème et le produit
qui analyse ses informations pour prendre une décision. Le deuxième critère est la
localisation de l'intelligence d'un produit, est-elle embarquée au niveau du produit ou
séparée physiquement du produit ? Le troisième critère est le niveau d'agrégation de
l'intelligence d'un produit pour distinguer le PI composé qui gère les informations de
ses composants, et le PI simple considéré comme une entité atomique. Une autre
classification, plus restreinte, axée sur le niveau d'intelligence d'un produit a été
proposée par (Wong et al. 2002). Elle classifie les PI en modèles communicatifs et en
modèles décisionnels.

70
 Figure 1.2. 1 Classification du PI proposée par Meyer et al.

2.2. Mise en œuvre

La mise en œuvre du concept PI n'est pas basée sur un standard unique. Par
ailleurs, les travaux que nous avons passés en revue abordent la mise en œuvre du PI
d'un point de vue théorique par la proposition de nouveaux modèles conceptuels du
PI et d'un point de vue expérimental par l'utilisation et l’agrégation parfois de diverses
technologies. La fonctionnalité minimale d’un PI est sa capacité à gérer sa propre
information. Des étiquettes et des lecteurs RFID (Identification par radio fréquence) et
d'autres techniques sont généralement utilisées. D’ailleurs, l’exemple le plus classique
du PI est celui proposé par (Wong et al. 2002). Il consiste en un pot de sauce de
spaghetti intelligent. Ce pot est identifiable à l’aide d’un tag RFID, et est connecté à un
agent et une base de données vis un réseau. Dans la même vision, (Främling et Nyman
2008) ont utilisé le système DIALOG basé sur un identifiant unique et un URI
(ID@URI) pour lier le produit physique à un agent logiciel qui gère son cycle de vie.
ID@URI est un identifiant proposé dans le cadre du projet de recherche DIALOG
(« DIALOG » s. d.) qui lie les objets à leurs source d’information.

71
 Figure 1.2. 2 Un exemple classique du PI (Wong et al. 2002)

D’autre part, on trouve aussi des mises en œuvre du PI dit actif, capable de
mémoriser des informations, de communiquer, et de déclencher des événements ou
d'avertir les utilisateurs lorsqu'un problème est détecté (par exemple, si le PI tombe en
panne). (Sallez 2012) ont proposé un système de routage dynamique basé sur le PI
actif. Leur solution est appliquée dans un système de production flexible (en anglais
Flexible Manufacturions System –FMS).(Sallez et al. 2016) ont poussé encore les limites
de leur système en lui dotant de capacités décisionnelles. Pour ce faire, ils ont proposé
une entité décisionnelle locale appelée (MLDE, Machine Local Decision Entity) capable
d’exécuter des algorithmes décisionnels.

Brennan et al., (Brennan et al. 2001) ont proposés un modèle de PI basé sur la
combinaison des Holons et des agents. Le modèle présenté par (Yang, Moore, et Chong
2009) opte pour l'embarquement d'une unité de donnée au niveau du produit pour le
connecter à des services via le réseau. (Malhéné et Deschamps 2010) ont exploité le PI
pour le routage dynamique des livraisons et la sécurisation des flux de marchandises
échangées. Une application du PI combiné avec les services mobiles a été réalisée par
(Ngai et al. 2007) pour le suivi des conteneurs dans un dépôt.

72
2.3. Le produit intelligent et la performance

L’analyse de l’impact de l’implémentation du PI sur la performance est un

élément important. Cependant, on note qu’un système de PIs a des indicateurs de
performance classiques (coût, temps de calcul, taux de satisfaction, etc.). Ces
indicateurs se révèlent insuffisants, comme dans le cas d’un système hautement
autonome (McFarlan et al., 2013). Un bon exemple d’un tel cas est proposé par (Pach
et al. 2012) où les produits peuvent changer leur rôle pour répondre aux besoins
d'autres commandes. Ici, même si le délai moyen du système pour chaque commande
est acceptable, un certain nombre de commandes devra faire face à de gros problèmes
de délai qui affectent la satisfaction du client.

D'autre part, bien qu'il puisse y avoir des cas où les PIs peuvent se concurrencer
les uns les autres, un PI apporte également des possibilités de synergies et de
coopération. Par exemple, (Brintrup et al. 2011) envisage un système où les différents
produits qui font partie d'une même commande communiquent et négocient en vue
de prendre une décision collaborative qui devrait être bénéfique pour la commande
elle–même.

3. Le conteneur intelligent

3.1. Vers une identification numérique du conteneur

L’identification des conteneurs est à l’origine de l’émergence du concept du

conteneur intelligent. Le conteneur a été conçu de manière à faciliter le transport des
marchandises par un ou plusieurs modes de transport. De plus, plusieurs problèmes
se manifestent avec le grand nombre de conteneurs que les TCs sont contraints de
manutentionner, plus particulièrement les problèmes de responsabilité juridique et
opérationnelle. Ainsi, il devient impératif d’identifier chaque conteneur afin de
connaître son parcours et sa destination, et de mieux se préserver contre les accidents,
les vols, les pertes et autres incidents des conteneurs (Assongba 2014). À cette fin, l’ISO
6346 de 1995 (ISO6346, 1995) a été introduite afin de standardiser l’identification des
conteneurs. Ce système d’identification consiste à mettre en place une fiche
d’identification qui joue le rôle de « pièce d’identité » pour chaque conteneur. Cette
73
fiche d’identité est composée de plusieurs éléments caractéristiques qui doivent
apparaître sur le conteneur (ISO 6346, 1995) :
• Le code du propriétaire,
• Le code d’identification de la catégorie d’équipement,
• Le numéro de série du conteneur,
• La série du conteneur,
• Le code du chiffre d’autocontrôle,
• Le code des dimensions,
• Le code de la marque d’exploitation.
La figure 1.2.3 montre l’emplacement de ces éléments d’indentification sur un
conteneur.

Figure 1.2. 3 Exemple des codes d'identification d'un conteneur ([Link])

L’ISO 6346 de 1995 a aussi un avantage d’ordre technique permettant

l’identification du conteneur, à savoir son poids et sa position dans les zones de
stockage ou sur les navires, et ainsi faciliter l’élaboration du plan de
chargement/déchargement. Au niveau administratif, ce système d’identification
facilite la reconnaissance des conteneurs par les douanes et la tâche en matière du choix
de régime douanier correspondant au conteneur. Au niveau commercial, les codes de
dimension et de catégories permettent de faciliter le choix des conteneurs par rapport

74
au type, le poids et les dimensions de la cargaison. Toutefois, même avec un tel
système d’identification, les erreurs de positionnement des conteneurs persistent
(Assongba 2014). De telles erreurs coûtent chères aux manutentionnaires qui doivent,
par exemple, déplacer plusieurs conteneurs avant de retrouver celui à
charger/décharger. Ces conséquences impactent la plupart du temps le destinataire
final du conteneur en générant des retards dans la livraison, avaries dans certains cas
ou pertes partielles ou totales dans d’autres cas. Ces conséquences ont poussé les
organisations internationales de normalisation à introduire un nouveau système
d’identification des conteneurs : l’identification numérique.

L’introduction de l’identification numérique a donné naissance au conteneur

numérisé(Li 2008). Ce système d’identification se base sur les étiquettes électroniques
implantées sur le conteneur. En plus des étiquettes, les conteneurs numérisés sont
parfois accompagnés de matériel de géolocalisation et de scellé électronique. L’un des
premiers systèmes d’identification numérique du conteneur est le Mobitag. Le système
a été introduit à Marseille en 1998. Selon (Mercier 1998) « le Mobitag se présente sous la
forme d’un petit boîtier d’une centaine de grammes à fixer sur un conteneur, une remorque ou
directement sur la marchandise. Doté d’une autonomie de cinq ans, il est équipé d’un minuscule
émetteur-récepteur radio, d’un modem et d’une importante mémoire informatique à laquelle
peuvent être reliés des capteurs de toute sorte. Véritable étiquette électronique cryptée et
interrogeable à distance, la mémoire peut contenir des données aussi variées que le type de
marchandise, les variations de température auxquelles la cargaison a été soumise, l’ouverture
des portes du véhicule, sa vitesse ou encore sa position ».

Après, le Mobitag, l’ISO standardise l’identification numérique des conteneurs

en introduisant l’ISO 10891 de 2009 (ISO 10891, 2009). Cette nouvelle spécification
technique, aidera à assurer le bon fonctionnement des étiquettes à base de technologie
RFID (Radio Frequency IDentification) des conteneurs de transport, malgré les rudes
conditions auxquelles les conteneurs sont confrontés durant leurs transports par mer,
route et rail. L’objectif de l’ISO 10891 (ISO 10891, 2009) est d’optimiser les systèmes de
contrôle des conteneurs en exigeant un ensemble de critères relatifs aux étiquettes des
conteneurs :

75
 • Disposer d’un système de codage des données d'identification des conteneurs et
des informations permanentes connexes, mémorisées dans une étiquette fixée au
conteneur ;
• Disposer d’un système de codage des données pour le transfert électronique des
données d'identification des conteneurs et des informations connexes des
étiquettes du conteneur à des systèmes de traitement automatique des données ;
• La description des données qui doivent figurer dans l'étiquette pour être
transmises aux systèmes de traitement automatique des données ;
• Des critères de performance permettant d'assurer un fonctionnement cohérent et
fiable de l’étiquette d'identification du conteneur au sein de la communauté
internationale des transports ;
• L’emplacement de l’étiquette sur les conteneurs ;
• Les aspects visant à rendre impossible la modification et/ou l’effacement
malveillant ou involontaire des informations contenues dans l’étiquette fixée sur
le conteneur.
Ainsi, l’utilisation des étiquettes RFID va marquer le transport conteneurisé et
donnera naissance à une nouvelle génération de conteneurs, dites conteneurs
intelligent.

3.2. L’Inception du conteneur intelligent

Le conteneur équipé d’étiquettes électroniques a été testé pour la première fois

en 2008 dans les ports chinois (Li 2008). Selon les données techniques, «l'étiquette
électronique possède une capacité de mémoire importante, une longue durée de vie, un niveau
de sécurité satisfaisant, et est en outre dotée d'une fonction permettant de localiser le conteneur
par l'intermédiaire de la localisation par satellite GPS, ce qui améliore considérablement
l'efficacité du transport du conteneur, la fiabilité de la reconnaissance des informations liées au
conteneur et de la lecture des informations liées au conteneur pendant le transport, et garantit
ainsi la sécurité de la cargaison pendant le transport du conteneur ». En effet, « l’étiquette
électronique est située sous un loquet de verrouillage placé sur l'avant droit de la porte du
conteneur. La broche de verrouillage de l'étiquette électronique est insérée dans la poignée de la
porte du conteneur et dans l'ouverture de la trappe de la plate-forme afin que ladite porte puisse

76
être scellée. La broche de verrouillage est bloquée à l'aide d'un contre-écrou qui tourne dans la
broche de verrouillage ou à l'extérieur de cette dernière. Un micro-processeur enregistre les
informations relatives à l'ouverture et à la fermeture de la porte du conteneur. » (Li 2008). Ces
étiquettes permettent de savoir, grâce aux informations transmises par la puce
électronique, l’heure de chargement/déchargement de la cargaison du conteneur, et
de la livraison du conteneur à quai au port de destination ; l’état des conteneurs en
temps réel et l’heure à laquelle le conteneur a été ouvert ; détecter si le conteneur est
ouvert illégalement durant son transport ; le lieu de la livraison de la cargaison au
destinataire final (Assongba 2014).

Cette première expérimentation a eu lieu le 10 mars 2008 sur la ligne reliant le

port de Shanghai au port de Savannah aux États-Unis. Les conteneurs embarqués à
bord du navire en départ du port de Shanghai sont équipés des étiquettes
électroniques. Selon (Li 2008), ces étiquettes sont susceptibles de lutter contre la
surcharge en contrôlant le poids réel des conteneurs et ainsi réduire des défauts
d’équilibre et de positionnement des conteneurs sur les navires et dans les zones de
stockages des TCs. Parmi les autres avantages de ces étiquettes, il y’a : la garantie
l’identification des contenus transportant de la matière dangereuse tout au long de la
chaîne de transport conteneurisé ; la détection en temps réel des chutes de conteneurs ;
La limitation du temps de recherche des conteneurs au fond des cales et sur les
terminaux ; la réduction des litiges concernant le moment et le lieu de la livraison. (Li
2008). Les informations enregistrées et fournies par ces étiquettes permettront de
responsabiliser les acteurs impliqués dans le transport maritime du conteneur en cas
de litige ou d’accident.

D'autres projets et études ont introduit des concepts conteneurs intelligents.

(Kim et al. 2008) ont proposé un conteneur intelligent équipé de différents capteurs
(RFID, GPS, ...) et interconnecté à d'autres conteneurs via un réseau de capteurs sans
fil pour améliorer la sécurité. Kim et al. profitent du fait que les conteneurs sont à
proximité pendant leur transit ou empilés dans les zone de stockage des TCs. La figure
1.2.4 montre la communication entre les conteneurs empilés. Au lieu de se concentrer
sur la sécurité de chaque conteneur individuel, Kim et al. suggèrent de créer un réseau

77
dynamique de conteneurs intelligents qui change avec chaque empotage/dépotage.
En outre, la communication de ce réseau de conteneurs intelligent avec l'infrastructure
océanique ou terrestre peut également être fournie de manière fiable et efficace. Kim
et al. suggèrent que la sécurité des conteneurs sera renforcée par cette interaction entre
les conteneurs en réseau. Le conteneur intelligent proposé comprend un module
d’alerte qui se base sur la détection de l'état et de l'environnement du conteneur,
comme la température, le feu, les chocs, l'humidité et la lumière, l’ouverture /
fermeture de la porte, le suivie de l'emplacement des conteneurs et des conteneurs
voisins. Ainsi, le module d'alerte notifie au serveur/centre de données via la
communication à distance (Wifi, satellite, etc.) les conditions extrêmes ou les
événements importants en collectant et en analysant les données des conteneurs
voisins via les réseaux dynamiques de conteneurs. Ces conteneurs intelligents
connectés peuvent aussi fournir une visibilité de bout en bout du conteneur et sa
cargaison via les capacités de suivi et de détection fournies par les différents capteurs
du conteneur intelligent proposé. Cette visibilité de bout en bout peut améliorer les
performances et l'efficacité opérationnelles ainsi que la sécurité de la chaîne logistique
du conteneur (Kim et al. 2008). Toutefois, l’un des problèmes majeurs qui subsiste est
l’augmentation de la probabilité de détection des événements tout en réduisant le taux
de fausses alertes.

(Haass et al. 2015), dans le cadre du projet Intelligent Container, ont mené une
étude qui montre la capacité du conteneur intelligent à réduire les coûts de transport
et l’émission du CO2 en utilisant les informations qu'il rassemble à travers ses
capteurs. La figure 1.2.5 montre le prototype du conteneur intelligent proposé. Ils ont
utilisé un réseau de distribution existant de bananes et ont supposé que tous les
conteneurs de bananes expédiés étaient « intelligents ». Ils ont développé un
algorithme qui permet à chaque conteneur de prendre des décisions, par exemple, vers
quel client doit-il être acheminé et par quel itinéraire, en se basant sur le niveau de
mûrissement des bananes. La connaissance de l'état de la cargaison peut être utilisée
pour contrôler les processus logistiques. Cela signifie que les bananes qui ont une
longue vie verte seront transportées à plus longue distance et les bananes avec une vie
verte plus courte seront transportées à un client plus près. D’autre part, si plusieurs
78
conteneurs intelligents provenant de la même ferme se rendent compte que les
bananes qu'ils transportent commencent à mûrir, elles peuvent alerter le producteur
afin qu’il récolte les bananes plus tôt. Par ailleurs, le conteneur intelligent peut mûrir
les bananes à l’aide d'éthylène et ainsi, les bananes peuvent être transportées
directement au client, en contournant le centre de maturation. De cette façon, les pertes
alimentaires futures peuvent être réduites, entraînant une réduction supplémentaire
des coûts de transport et des émissions de carbone. Cependant, ces avantages
économiques et environnementaux sont accompagnés de certains coûts
supplémentaires.

Figure 1.2. 5 Concept du conteneur intelligent selon Kim et al. (Kim et al, 2008)

Figure 1.2. 4 Prototype du conteneur intelligent proposé dans le cadre du projet « Intelligente
Container » 2014.

79
4. Fouille de données

Avec le développement exponentiel des capacités de stockage des données

informatisées, le besoin de nouveaux outils de fouille et d’analyse de données est
devenu une nécessité. La fouille des données (data mining en anglais) a connu ses
débuts dans les années 1990 (Frawley, Piatetsky-Shapiro, et Matheus 1991). Son
objectif est généralement d’extraire des informations utiles à partir d’un grand volume
de données. Cette discipline constitue une passerelle entre le domaine informatique et
les statistiques. Ces outils vont permettre d’assister les experts des domaines concernés
d’analyser leurs données et d’en extraire des connaissances qui seront utiles. La fouille
de données est un processus itératif qui comprend plusieurs étapes (Papon 2016). et
(Pennerath 2009) ont résumé ce processus en huit principales étapes. La figure 1.2.6
tirée de (Papon 2016) schématise ces huit étapes.

Figure 1.2. 6 Processus de fouille de données. Source (Papon 2016)

La première étape consiste à spécifier le problème en définissant à quoi doit ont

répondre. La deuxième étape vise à sélectionner les données utiles qui ont un lien avec
le problème à traiter. La troisième étape, correspondant au prétraitement des données,
consiste à améliorer la qualité des données en cas de redondance, de données
manquantes ou de bruit.

La quatrième étape est le formatage des données. Ceci est nécessaire pour
pouvoir appliquer certains algorithmes d’extraction de connaissances qui nécessitent
un format spécifique de données. Par exemple, certains algorithmes nécessitent un

80
 certain type de fichiers (fichier csv, base de données MySQL…), et également un
certain type de données (binaires, continues, discrètes, etc.). Par exemple, dans le
logiciel Weka (Hall et al. 2009), l’implémentation de l’algorithme d’extraction de règles
d’association FP-Growth (Han et al., 2000) nécessite des données binaires pour
s’exécuter tandis que celle de l’algorithme Apriori (Agrawal, Srikant, et others 1994)
peut également travailler sur des données discrétisées.

La cinquième étape correspond à la fouille des données. Elle permet d’extraire

des connaissances inconnues et utiles à partir des données en appliquant des
algorithmes supervisés ou semi-supervisés. Le post-traitement est la sixième étape et
permet d’améliorer la qualité des résultats générés à l’étape cinq. En effet, et
notamment dans le cas des règles d’association, les résultats sont parfois retournés en
quantité trop importante et rendent difficile l’analyse et l’identification de ceux qui
sont réellement intéressants. Afin de résoudre ce problème, un post-traitement
utilisant différentes mesures de qualité va aider l’expert à mieux évaluer les résultats
et à supprimer la redondance présente dans ceux-ci. La septième étape est la
visualisation des résultats. Cette étape permet de représenter sous forme visuelle des
résultats difficilement intelligibles afin de faciliter la tâche de l’utilisateur dans leur
compréhension. Et enfin, la huitième étape est l’interprétation et l’évaluation des
résultats. Cette dernière étape va consister à expliquer les résultats obtenus avec les
données de départ et vérifier si une réponse a pu être apportée à la question ouverte.
Si les conclusions de cette étape ne sont pas en accord avec ce qui est attendu, le
processus peut revenir à n’importe quelle étape afin de continuer et d’affiner l’analyse
en cours.

Les connaissances extraites peuvent prendre différentes formes. Les motifs

fréquents et les règles d’associations sont la forme la plus populaire de la fouille de
données.

4.1. Extraction des motifs fréquents et des règles d’association

L’objectif de l’extraction des règles d’association est de découvrir les relations

invisibles qui existent entre les données. Ce problème a été introduit pour la première

81
fois par (Agrawal et al., 1993) en abordant le problème du panier de la ménagère en
analysant les données des grandes surfaces de distribution. Un exemple de règles
d’associations dans le travail d’Agrawal et al. est Thé, Café => Sucre signifiant que si on
a du thé et du café dans le panier de la ménagère, alors il y’a une grande probabilité
qu’on y trouve du sucre. Ceci offre la possibilité de réaménager de manière efficace les
rayons des grandes surfaces selon une stratégie marketing qui se base sur les
préférences des ménagères. Ce problème a dès lors intéressé les chercheurs pour son
important potentiel d’application dans divers domaines comme les systèmes de
recommandation.

Le problème d’extraction des règles d’associations peut être résolu en

employant un algorithme naïf. Cet algorithme naïf découvre tous les motifs fréquents,
après il génère toutes les règles d’associations à partir des motifs fréquents découverts.
Un motif fréquent est un ensemble d’items, ces items sont généralement des variables
d’une base de données. Chaque motif fréquent a un support qui représente sa
fréquence d’apparition dans la base de données. Le support sert aussi à calculer la
confiance des règles d’association, et qui reflète la force de la règle. Cet algorithme
naïf vérifie un par un le support de chaque motif fréquent découvert avec le support
minimal, et vérifie la confiance de chaque règle d’association générée avec la confiance
minimale. Toutefois, l’application de cet algorithme est étranglée par taille de la base
de données traitée qui engendre des problèmes d’explosion combinatoire. Dans la
littérature on trouve d’autres algorithmes qui surmontent ces lacunes, notamment
l’algorithme de référence Apriori proposé par Agrawal et al (Agrawal, Srikant, et
others 1994).

L’Algorithme Apriori se compose aussi de deux principales étapes, à savoir

l’extraction des motifs fréquents et la construction des règles d’association.
L’algorithme Apriori a apporté plusieurs améliorations dont l’utilisation du support
afin de limiter l’espace de la recherche des motifs fréquents. Le support permet
d’accélérer le processus de recherche des motifs fréquents. Pour l’étape de la
génération des règles, Apriori utilise une propriété de la confiance pour éliminer
d’avance certaines règles sans avoir à calculer leur confiance. Par exemple, si la

82
 confiance de la règle Z ⇒ X\Z n’est pas valide alors la confiance de la règle Y ⇒ X\Y
ne le sera pas non plus. En plus, si la confiance de la règle Z ⇒ X\Z est valide alors la
confiance de la règle Y ⇒ X\Y le sera également (Papon 2016). Ensuite, chaque règle
ayant une confiance supérieure ou égale au seuil minimal est ajoutée à l’ensemble des
règles valides.

Toutefois, l’algorithme Apriori possède quelques faiblesses. La première

faiblisse et le dilemme émanant du choix du seuil du support. Le choix d’un faible
support peut engendrer un grand nombre de règles dont la majorité sera des règles
redondantes. D’autre part, le choix d’un seuil de support élevé peut engendrer la perte
de règles importante ou de pépite de connaissance (Papon 2016) qui sont des règles
ayant un faible support mais avec une confiance élevée. Ces règles apportent
généralement des informations imprévues et surprenantes. La deuxième faiblisse et le
calcul du support des motifs dans la base de données. C’est-à-dire que, pour chaque
taille de motif, on doit balayer l’intégralité de la base de données. Par exemple, pour
un motif possédant 100 items, l’algorithme a besoin de parcourir la base de données
100 fois, chose qui est assez coûteuse en termes de performance et essentiellement de
mémoire utilisée. En effet, plusieurs versions améliorés et variantes de l’algorithme
Apriori ont été proposées dans la littérature dont l’algorithme Eclat (Zaki et al. 1997)
et l’algorithme FP-Growth (FP pour Frequent Paterns) (Han, Pei, et Yin 2000) parmi
d’autres qui sont décrits dans (Y. Wu, Chen, et Chang 2009). Ces algorithmes comblent
partiellement le point négatif de l’algorithme Apriori. Par exemple, l’algorithme Eclat
facilite le calcul de support en stockant dans un ensemble la liste des transactions de
la base de données contenant un item. Le support des motifs est ensuite calculé
moyennant les intersections de ces ensembles. D’autre part, l’algorithme FP-Growth
comble le balayage coûteux en mémoire en utilisant une structure compacte appelée
FP-Tree (Frequent Paterns Tree). Ainsi, FP-Growth n’a pas besoin de balayer la base
de données pour chaque motif et se contente de deux balayages.

5. La logique floue

L’apparition de la logique floue date de 1965, suite à la publication d’un article

intitulé les ensembles flous (Lotfi A. Zadeh 1965). La logique floue à deux significations
83
différentes, la première la considère comme une extension de la logique multivaluée.
Dans un sens plus large, la deuxième signification prédominante considère la logique
floue comme un synonyme de la théorie des ensembles flous qui se rapporte à des
classes d’objets avec des limites flous dans laquelle l’adhésion à un ensemble est
spécifiée par un degré d’appartenance. La logique floue utilise le continuum de valeurs
logiques entre 0 (complétement faux) et 1 (complétement vrai). Au lieu de considérer
seulement les couleurs noir et blanc, la logique floue utilise le spectre des couleurs, en
acceptant que les choses puissent être en partie vraies et en partie fausses en même
temps. Comme le montre la figure 1.2.7, la logique floue ajoute une gamme de valeurs
logiques à la logique booléenne. La logique floue et la théorie des ensembles flous ont
évolué dans de nombreuses directions, avec des applications dans des domaines de
recherche très variés où les techniques conventionnelles sont ineffectives. En
fournissant la base d'une approche systématique du raisonnement approximatif (Lotfi
A. Zadeh 1975), la théorie des ensembles flous a fini par avoir un impact significatif
sur les domaines de la recherche, comme l'économie, la médecine, l'analyse des
décisions et l'intelligence artificielle.

Figure 1.2. 7 Plage des valeurs en logique Booléenne (a) et en logique floue (b)

Trois étapes peuvent être identifiées dans les mathématiques des ensembles
flous depuis son émergence: La fuzzification directe au cours des années 1960
(topologie floue, structures algébriques floues, telles que les groupes flous et espaces
vectoriels floues, arithmétique floue, théorie des mesures floues, calcul relationnel
flou), l'explosion des choix possibles dans le processus de généralisation au cours des
années 1980 (la notion de nombre flou, la découverte de normes triangulaires et les
normes communes, l'étude approfondie des opérations alternatives sur le niveau
logique, c'est-à-dire, la négation, la disjonction, la conjonction, l'implication et aussi le

84
 niveau de la théorie des ensembles flous, c.-à-d., la complémentation, l'union,
l'intersection, l'inclusion) et actuellement, la standardisation, l'axiomatisation, la
fuzzification et la représentation floue ainsi que la manipulation de l'imprécision et de
l'incertitude (Kerre 1995).

Traditionnellement, les techniques utilisées pour la modélisation, le

raisonnement et l'informatique sont déterministes et très précises. La logique bivalente
indique qu'une déclaration peut être vraie ou fausse. Dans la théorie des ensembles
traditionnels, un élément appartient à un ensemble ou non. Dans la théorie de
l'optimisation classique, une solution est facultative ou non. Par contre, la logique floue
ajoute à la logique bivalente la capacité de raisonner précisément avec des
informations imparfaites, imprécises, incertaines, incomplètes, peu fiables, vagues ou
partiellement vraies (Lotfi A. Zadeh 2009). Ce processus est un raisonnement humain
pratiquement quotidien et c'est pourquoi la logique floue fait partie de l’Intelligence
Artificielle. Bien que, les variables traditionnelles prennent des valeurs numériques, la
logique floue traite des variables linguistiques. Les variables linguistiques sont les
variables d'entrée ou de sortie du système dont les valeurs sont des mots ou des
phrases du langage naturel et se décomposent habituellement en un ensemble de
termes linguistiques. Dans ce qui suit, nous détaillerons le processus de la logique
floue.

5.1. Système de logique floue.

Un système de logique floue (FLS en anglais pour Fuzzy Logic System) est
conçu pour traiter des données déterministes par la logique floue et pour mettre en
pratique les connaissances recueillies dans une base de règles floues. Cela implique la
nécessité de fuzzification des données d'entrée afin de fournir un résultat déterministe
par la défuzzification après le traitement. Les fonctions d'appartenance sont utilisées
dans les étapes de fuzzification et délimitation d'un système logique flou. Leur rôle est
de cartographier les variables nettes à des termes linguistiques flous dans la phase de
fuzzification et de faire exactement le contraire dans la phase de défuzzification. Le
module de fuzzification transforme les entrées, qui ont des valeurs nettes, dans des
ensembles flous. Dans un FLS, la base des règles d’inférence est développée pour
85
manipuler les variables d'entrée. En général, les FLS intègrent plus d'une règle qui
décrivent les connaissances. Le plus commun est la règle Si-Alors. Si un ensemble de
conditions est satisfait, alors un ensemble de conséquences peut être déduit.
L'évaluation des règles floues et l'agrégation des résultats des règles individuelles sont
effectuées à l'aide d'opérations de configuration floues, ce processus s'appelle une
inférence. Le résultat de l'étape d'inférence est une valeur floue, obtenue par
l'agrégation de tous les ensembles flous de sortie dans un ensemble flou de sortie
unique, obtenu en appliquant toutes les règles dans la base de règles. Pour obtenir une
valeur nette, la défuzzification est effectuée conformément à la fonction
d'appartenance de la variable de sortie. Le système logique Fuzzy peut être considéré
comme un mappage non linéaire d'un ensemble de données d'entrée à une donnée de
sortie scalaire (Mendel 1995). L'algorithme de FLS est résumé dans les étapes
suivantes :

5.1.1. Définition des variables linguistiques

La logique floue se base sur les variables linguistiques pour le calcul en se

concentrant sur l'utilisation de valeurs floues qui captent le sens des mots, le
raisonnement humain et la prise de décision. Utiliser des valeurs linguistiques, telles
que, haut et bas, rapide et lent, lourd et léger est la base des FLS. Par exemple, la
déclaration « La vitesse est grande » implique que la variable linguistique vitesse prend
la valeur linguistique grande. Dans les systèmes à logique flous, les variables
linguistiques sont utilisées dans les règles floues. Par exemple :
Si la vitesse est grande
Alors la distance d’arrêt est grande

L’ensemble des valeurs possibles d'une variable linguistique représente

l'univers du discours de cette variable. Par exemple, l'univers du discours de la
variable linguistique vitesse pourrait avoir une portée comprise entre 0 et 260 km/h et
peut inclure des sous-ensembles floue comme très lent, lent, moyen, rapide et très
rapide. Chaque sous-ensemble flou représente également une valeur linguistique de
la variable linguistique correspondante.

86
 5.1.2. Définition des fonctions d’appartenance

Dans la théorie des ensemble classiques, un élément x d’un univers X caractérisé

par une fonction fA(x) avec fA(x)=1, si x est un élément de l’ensemble A, et fA(x)=0, si
x n’est pas un élément de A. Dans la théorie des ensembles flous, un ensemble flou A
d’un univers X est défini par la fonction UA(x), nommée fonction d’appartenance de
l’ensemble A :
UA(x) : X => [0,1]
UA(x) = 1, si x appartient complétement à A ;
UA(x) = 0, si x n’est pas dans A ;
0 < UA(x) < 1, si x est partiellement dans A.

La fonction d’appartenance permet de définir le continuum de choix possibles

d’une variable linguistique dans son univers de discours. Pour tout élément x de
l'univers X, la fonction d'appartenance U équivaut au degré auquel x est un élément
de l'ensemble A. Ce degré, Une valeur entre 0 et 1, représente le degré d'appartenance,
également appelé valeur d'appartenance, de l'élément x dans l'ensemble A.
Déterminer une fonction d’appartenance est une tâche primordiale. Un certain nombre
de méthodes tirées de l'acquisition de connaissances peuvent être appliquées ici. Par
exemple, l'une des approches les plus pratiques pour former des ensembles flous
repose sur la connaissance tirée d’un expert. L'expert est sollicité pour son avis si
divers éléments appartiennent à un ensemble donné. Une autre approche utile consiste
à acquérir des connaissances auprès de plusieurs experts. Une nouvelle technique
pour former des ensembles flous a récemment été introduite. Elle est basée sur des
réseaux de neurones artificiels, qui apprennent le fonctionnement du système, puis
dérivent les ensembles flous automatiquement.

5.1.3. Élaboration de la base des règles

En 1973, Lotfi Zadeh publie son deuxième article le plus influent (L. A. Zadeh
1973). Cet article décrit une nouvelle approche de l'analyse des systèmes complexes,
dans laquelle Zadeh a suggéré de recueillir les connaissances humaines dans des règles

87
floues. Une règle floue peut-être définie comme une déclaration conditionnelle sous la
forme :
Si x est A Alors y est B
Les variables x et y sont des variables linguistiques. Elles sont déterminées par des
ensembles flous sur l'univers des discours X et Y respectivement. Une règle floue peut
avoir plusieurs parties dans son antécédent. Le résultat d'une règle floue peut
également inclure plusieurs parties.
Au cours des dernières années, plusieurs méthodes basées sur la technologie des
réseaux de neurones ont été utilisées pour construire les règles floues. Les systèmes
adaptatifs ou à base de réseaux de neurones peuvent trouver de nouvelles règles
floues, ou modifier et régler les paramètres existants.

En général, un système expert flou ne comprend pas une mais plusieurs règles
qui décrivent les connaissances des experts. La sortie de chaque règle est un ensemble
flou, mais en général, on doit obtenir un seul résultat représentant la sortie du système
expert. En d'autres termes, on veut obtenir une solution précise, pas floue. Pour obtenir
un seul résultat pour la variable de sortie, un système flou agrège d'abord tous les
ensembles flous de sortie dans un ensemble flou de sortie unique, puis définit
l'ensemble flou résultant en un seul nombre. Dans les deux prochaines étapes, nous
abordons les détails de ce processus.

5.1.4. L’inférence floue

Le raisonnement flou comprend deux parties distinctes : l'évaluation de

l'antécédent de règle (la partie Si de la règle) et l'implication ou l'application du résultat
à la conséquence (la partie Alors de la règle). Dans les systèmes classiques basés sur les
règles, si l'antécédent de la règle est vrai, la conséquence est également vraie. Dans les
systèmes flous, où l'antécédent est une déclaration floue, toutes les règles s’appliquent
partiellement. Si l'antécédent est vrai pour un certain degré d'appartenance, le résultat
est également vrai pour ce même degré.
La méthode d'inférence floue la plus utilisée est la méthode dite Mamdani. En 1974, le
professeur Ebrahim Mamdani de l'Université de Londres a construit l'un des premiers
systèmes flous pour contrôler une combinaison de machines à vapeur et de chaudières
88
(Mamdani 1974). Il a appliqué un ensemble de règles floues fournies par des
opérateurs humains expérimentés.
Le processus d'inférence floue de style Mamdani se déroule en quatre étapes : la
fuzzification des variables d'entrée, l'évaluation des règles, l'agrégation des sorties des
règles et finalement la défuzzification.
La fuzzification
La première étape consiste à prendre les entrées nettes et déterminer dans quelle
mesure ces entrées appartiennent à chacun des ensembles flous appropriés. L'entrée
nette est toujours une valeur numérique limitée à l'univers du discours. Les intervalles
de l'univers des discours peuvent être déterminés par des jugements d'experts. Par
exemple, si nous devons examiner le risque impliqué dans le développement d’un
projet, on peut demander à l'expert de donner des chiffres entre 0% et 100% qui
représentent le financement du projet et le personnel du projet, respectivement. En
d'autres termes, l'expert doit répondre à la mesure dans laquelle le financement du
projet et le personnel du projet sont vraiment adéquats. Bien sûr, divers systèmes flous
utilisent une variété d'entrées nettes. Alors que certaines des entrées peuvent être
mesurées directement (hauteur, poids, vitesse, distance, température, pression, etc.),
certaines d'entre elles ne peuvent être basées que sur des estimations d’experts. Une
fois que les entrées nettes sont obtenues, elles sont fuzzifiées par rapport aux
ensembles linguistiques appropriés. De cette manière, chaque entrée est fuzzifiée sur
toutes les fonctions d'appartenance utilisées par les règles floues.
L’évaluation des règles
La deuxième étape consiste à prendre les entrées fuzzifiées et à les appliquer aux
antécédents des règles floues. Si une règle floue a plusieurs antécédents, l'opérateur
flou (ET ou OU) est utilisé pour obtenir un seul nombre qui représente le résultat de
l'évaluation des antécédents. Ce résultat est ensuite appliqué à la fonction
d'appartenance conséquente. Dans la littérature, on trouve plusieurs approches pour
exécuter les opérateurs AND et OR (Cox 1999) et, bien sûr, différentes méthodes
peuvent conduire à des résultats différents.

L’agrégation des sorties des règles

89
 L'agrégation est le processus d'unification des résultats de toutes les règles. En d'autres
termes, on prend les fonctions d'appartenance de toutes les règles consécutives et les
combinons en un seul ensemble flou. Ainsi, l'entrée du processus d'agrégation est la
liste des fonctions d'appartenance, et la sortie est un ensemble flou pour chaque
variable de sortie.
La défuzzification
La dernière étape dans le processus d'inférence floue est la défuzzification. Le flou
nous aide à évaluer les règles, mais la sortie finale d'un système flou doit être un
nombre net. L'entrée pour le processus de défuzzification est l'ensemble flou de sortie
agrégé, et la sortie est un nombre unique. Il existe plusieurs méthodes de
défuzzification (Cox 1999), mais probablement la plus populaire est la technique de
centroïde. Mathématiquement, c’est le centre de gravité (COG) qui peut être exprimé
comme :
En théorie, le COG est calculé sur un continuum de points dans la fonction globale
d'appartenance de sortie, mais dans la pratique, une estimation raisonnable peut être
obtenue en le calculant sur un échantillon de points.

6. La simulation

6.1. Définition et objectifs

La définition de la simulation proposée par (Treuil, Drogoul, et Zucker 2008) est

l’une des définitions les plus courantes. La simulation selon Treuil est « l’activité au
cours de laquelle, selon un protocole et avec un objectif précis, on utilise un simulateur pour
faire évoluer les entrées d’un modèle dynamique, l’exécuter, et en recueillir les sorties. Tout
modèle écrit en respectant le méta-modèle associé au simulateur et comportant au moins un
paramètre d’entrée peut se prêter à ce processus de simulation. » La simulation est utilisée
dans les cas où le test réel ne peut avoir lieu pour des raisons techniques, économiques,
ou parfois éthiques. La simulation est l’imitation d’un système du monde réel que l’on
désire observer ou étudier son évolution au fils du temps et son comportement envers
les perturbations, et ce afin d’évaluer le système réel. Les maquettes sont le premier
type de simulation utilisée. On nomme cette approche, l’approche analogique. Après,
avec l’émergence de l’ère de l’informatique, la simulation informatique, dite approche

90
stochastique, a connu ses débuts pendant la Deuxième Guerre mondiale
généralement pour combler les besoins militaires et particulièrement la simulation des
aéronefs. Bien qu’il y ait deux approches, aujourd’hui, le terme simulation ne fait
référence qu’à la simulation informatique. Avec l’évolution incessante de la puissance
de calcules des ordinateurs et ainsi l’augmentation de la précision et de la fidélité des
simulations, la communauté scientifique et les industriels ont de plus en plus recours
à la simulation et parfois la simulation a même remplacé l’expérimentation réelle.

L’un des majeurs objectifs de la simulation est l’aide à la décision pour évaluer
et valider un système, et de prévoir son comportement dans plusieurs scénarios avant
son application réel. Aussi, la simulation permet de visualiser à travers une
représentation en 2D/3D le système simulé. D’autre part, la simulation est un excellent
moyen pour comprendre les causes et les conséquences d'un phénomène (Drogoul,
Vanbergue, et Meurisse 2003). En outre, quand on étudie un système avec un
comportement non-linaire et imprévisible, soumis à des contraintes spatio-temporelles
et à des réactions de cause à effet pouvant donner naissance à des phénomènes
émergents, en plus d’un état défini par des variables qui s’influencent, la définition du
modèle mathématique lui-même devient une tâche difficile, en conséquence avoir une
solution exacte aux problèmes peut être impossible, ce qui explique l’intérêt soutenu
dont bénéficie la simulation informatique (Drogoul, Vanbergue, et Meurisse 2003).

(Law et Kelton 1991) a identifié huit problèmes pour lesquels la simulation est
une excellente solution :
➢ La conception et l’analyse des systèmes de production,
➢ L’évaluation des exigences matérielles et logicielles d'un système informatique,
➢ L’évaluation d’un nouveau système ou une nouvelle tactique militaire,
➢ La définition des politiques de triage pour un système d'inventaire,
➢ La conception des systèmes de communication,
➢ La conception et l’évaluation des infrastructures de transport,
➢ La conception et l’évaluation des organismes de services de santé et sociaux,
➢ L’analyse des systèmes financiers ou économiques.

Selon (Borshchev 2013), les avantages de la simulation sont :

91
 ➢ Trouve des solutions à des problèmes très complexes, là où d’autres méthodes
échouent,
➢ Le modèle de simulation est un système modulaire,
➢ Calcule à chaque instant l’état du système,
➢ Représente l’environnement réel du système d’étude,
➢ L’animation en 2D/3D du comportement du système,
➢ Enrichit le modèle par des histogrammes ou d’autres représentations graphiques
des données de sorties,
➢ Les modèles de simulation sont plus convaincants qu’un autre type de modèles.

6.2. Types de simulation

On distingue trois types de simulation : la simulation continue basée sur la

dynamique des systèmes, la simulation à événements directs, et la simulation à base
d’agents. Chaque type se distingue par son niveau d’abstraction, son langage, et sa
façon de conception des modèles à simuler. La simulation continue est utilisée pour
les systèmes nécessitants un haut niveau d’abstraction. Introduite en 1961 par
l’ingénieur chez IBM Geoffrey, la simulation continue représente l’évolution d’un
système dans le temps, tout en prenant en compte les événements perturbateurs qui
changent l'état du système. Dans cette approche, le système est considéré comme une
séquence d'opérations exécutée par des entités. Les concepts utilisés sont : source, état,
condition, boucle, file d’attente, fin, diagramme d’activités.

Pour la simulation à événements directs, elle est appliquée pour le

développement des modèles de simulation nécessitants un niveau moyen
d’abstraction. Cette méthode a été présentée au milieu des années 1950 par (Forrester,
2017), qui s’est inspiré des lois de circuit électrique en physique pour construire un
modèle de simulation. Initialement développée pour aider les dirigeants d'entreprise
à améliorer leur compréhension des processus industriels, de nos jours elle est utilisée
pour l'analyse et la conception des politiques de ventes, d’achats, etc. Le modèle est
formé par des composants (stocks) liés par des relations circulaires, entrelacées ou
déterminées par le temps. Chaque composant est un ensemble d’entités vu comme une
unité solide.
92
 Pour la simulation à base d’agents, le niveau d’abstraction est relatif au niveau
de détails de ou des agents utilisés. Ce type de simulation est assez jeune par rapport
aux deux autres types. Son but est d’approfondir les connaissances sur le système
simulé en représentant les aspects qui ne sont pas pris en compte par les approches
traditionnelles. La simulation à base d’agents a évoluée grâce à la modélisation
orientée objet. Cependant, un modèle peut être subdivisé en plusieurs parties où
chaque partie est implémentée à l’aide d’une approche, dans ce cas, le modèle de
simulation est dit un modèle multi-approches.

6.3. La vérification, validation et calibration du modèle simulé

Souvent, la vérification et la validation sont confondues. Bien qu’il existe une

nuance sémantique entre ces deux notions (vérification et validation), elles passent
souvent à tort pour synonymes. Dans cette partie nous allons détailler ces deux notions
importantes ainsi que la notion de calibration.

6.3.1. La vérification

La vérification d’un modèle de simulation est une étape primordiale dont

l’objectif est de s'assurer que le modèle de simulation est correctement implémenté et
reflète le comportement réel du système étudié tout en donnant des résultats
raisonnables. Les activités de vérification d’un modèle de simulation servent à prouver
que le processus d’implémentation s’est bien déroulé et que les exigences/besoins sont
représentées sans défauts.

Souvent, la vérification de modèles de simulation se fait en utilisant diverses

méthodes. Les méthodes les plus utilisées sont :

• Testes : On distingues trois types de testes : les tests unitaires des

composant ou module de la simulation ; les tests d’intégration et de la
cohérence du modèle ; le test de non –régression des erreurs.

• Débogage : Outre les erreurs syntaxiques/sémantiques, le débogage sert

à détecter les erreurs d’exécution imprédictibles et qui émergent pendant

93
 la compilation ou l’exécution du modèle. Souvent on fait recours au
fichier log afin d’analyser l’arborescence des erreurs.

• Vérification de la représentation graphique : Vérifier si les animations

2D/3D se déroulent sans dysfonctionnent.

6.3.2. La validation

La validation vise à prouver que les objectifs tracés au début sont atteints, que
les sorties du modèle sont fiables et que la représentation simplifiée est crédible. Fours
donne ainsi la définition suivante : « C’est la confirmation par examen et collecte
d’évidences objectives que les exigences à partir desquelles un "produit final" ou
l’agrégation de "produits finaux" fonctionne comme attendu par l’intéressé
(modélisateur, concepteur, client, …) dans son environnement opérationnel ». Voici
quelques méthodes qui permettent la validation des modèles de simulation :

• Degré de confiance : calculer la différence entre les sorties du modèle de

simulation et les valeurs affichées par le système réel.

• Mesure de validité : sont des informations pertinentes qui mesurent le

succès des activités critiques d’une organisation, par exemple, les
indicateurs de performance. Pour chaque mesure observée, on fixe un
domaine de validité, i.e., intervalle de valeurs tolérées. Par la suite, on
vérifie que les valeurs données par la simulation sont dans cet intervalle.

• Réplication : consiste à lancer le modèle de simulation plusieurs fois en

changeant le réglage de paramètres pour constater la variation au niveau
des résultats. On peut considérer cette méthode comme une méthode de
validation.

6.3.3. La calibration

Après la validation, les paramètres du modèle de simulation doivent être

calibrés pour arriver aux meilleurs résultats. Le calibrage consiste donc à trouver les
valeurs optimales en explorant l’espace de chaque paramètre. D’ailleurs, un

94
 paramétrage erroné du modèle peut conduire à l’apparition de mauvais
comportements (Calvez 2007).

6.4. Outils de simulation

Les modèles simulés sont conçus à l’aide d’un simulateur. Le simulateur est un
logiciel qui faciliter la conception et l’implémentation du modèle à simuler moyennant
des outils et des modules ou de blocs de contrôle. Il y’a plusieurs facteurs qui
permettent le choix d’un simulateur. (Law et Kelton 1991) a identifié six principaux
critères à considérer lors du choix du simulateur.
➢ Capacités générales : à savoir si le simulateur propose un environnement de travail
concis, riche et offrant des modules variés qui permettent une implémentation
facile et flexible du modèle tout en minimisant le temps et les coûts. Offrir des
outils de débogage efficace et l’exécution rapide du modèle.
➢ Configurations matérielles et logiciels requises : La quantité de ressource mémoire
et processeur requise par le simulateur est importante. L’optimisation de l’usage
des ressources par le simulateur est un critère important. D’autre part, la
compatibilité avec les systèmes d’exploitation et aussi importante. La plupart des
simulateurs sont disponibles seulement pour le système d’exploitation Windows,
rare ceux qui ont des versions compatibles avec tout type de système.
➢ Qualité d’animation graphique : La qualité et le réalisme des productions 2D et 3D
est un élément clé du choix du simulateur. La visualisation en 3D avec plusieurs
angles de prise de vue est devenue très importante, car il rend le modèle plus fidèle
à la réalité.
➢ Lois de probabilité : la génération des nombres aléatoire est essentielle pour un
modèle de simulation, d’un côté, elle permet d’avoir des résultats différents à
chaque réplication, d’un autre côté, beaucoup de systèmes réels sont de nature
stochastique.
➢ Exposition des sorties : les logiciels de simulation doivent proposer une variété de
graphiques pour exposer de diverses façons les données de sortie (les statistiques),
à savoir, les histogrammes, les camemberts, les diagrammes chronologiques, les
représentations en trois dimensions, les bulles, tableaux, etc.

95
 ➢ Service client et documentation : la société qui a créé le simulateur doit organiser
périodiquement des formations pour leurs clients, et les informer à chaque mise à
jour. La documentation est fondamentale pour manipuler n’importe quel logiciel.
Alors, il est nécessaire qu’elle soit suffisamment détaillée et soutenue par plusieurs
exemples pratiques.

Il existe des dizaines de simulateurs sur le marché, adaptés à plusieurs domaines

d’application ou secteurs industriels, parmi eux, on trouve :
➢ Anylogic : est un simulateur multi-approches développé en JAVA. C’est le logiciel
que nous avons utilisé.
➢ Flexsim : est un logiciel de simulation à événements discrets, où le codage du
modèle se fait en C++ ou en un langage de script, appelé FlexScript. Il offre des
modules pour la simulation des ateliers de production, des terminaux portuaires,
des hôpitaux, etc.
➢ Arena : est un simulateur à événements discrets qui utilise le langage de
simulation SIMAN pour décrire le système sous format de modules de contrôles.
Il supporte certaines technologies de Microsoft, tel que, Visual Basic, Microsoft
Visio, Excel, Access et ActiveX.
➢ Simio : est un outil de simulation orientée objet.
➢ Witness : est une plate-forme de simulation à événements discrets.

7. Conclusion

Dans ce chapitre nous avons présenté les concepts de base et les outils que nous
avons utilisés pour la mise en œuvre d'une solution pour la gestion des risques. En ce
sens, nous avons mis le point sur le concept du produit intelligent et de sa mise en
œuvre ainsi que son impact sur la performance. Ensuite, nous avons abordé le concept
du conteneur intelligent et son inception. D’autres parts, nous avons présenté les
techniques de fouille de données. Après, nous avons présenté le principe de la logique
floue. En outre, nous avons présenté la simulation, ses types, ainsi que les principaux
outils de simulation.

96
 En ce qui suit, nous mettons le point sur l'utilisation de l'ensemble des concepts
présentés dans ce chapitre pour la mise en œuvre d'une approche pour la gestion des
risques dans les TCs liée au ciblage de conteneurs à haut risque. D’autres parts, nous
allons utiliser la simulation pour valider le modèle de tracteur électrique pour l
transport de conteneurs que nous allons proposer.

97
Deuxième partie :
Contributions

98
Chapitre 1 : Système De priorisation de
l’inspection des conteneurs à risque

99
1. Introduction

La gestion des risques dans les TC a reçu beaucoup d'attention ces dernières
années en raison de l'augmentation des activités frauduleuses liées aux conteneurs. La
communauté internationale a proposé plusieurs initiatives pour améliorer la sécurité
du transport maritime. Cependant, l'évaluation des risques des conteneurs reste une
tâche difficile, souvent due à des informations incomplètes ou ambiguës sur les
conteneurs. En outre, le processus d'évaluation doit être adapté de manière continue
pour faire face aux facteurs de risque émergents. D’autre part, l'inspection des
conteneurs à haut risque est généralement entravée par une faible capacité
d'inspection ce qui entraîne un problème majeur : comment prioriser l'inspection des
conteneurs suspects si leurs nombre dépasse la capacité d'inspection du TC? Prioriser
l'inspection des conteneurs suspects peut être la réponse. En d’autres termes, c’est la
possibilité de classer les conteneurs suivant l'ordre de leur degré ou score de risque.
Ce score permet aux douanes de prioriser l'inspection des conteneurs à haut risque.
Toutefois, le calcul d’un tel score nécessite la quantification des risques liés aux
conteneurs. Par conséquent, l'amélioration de la précision de la quantification des
risques des conteneurs est essentielle en enrichissant le flux d'information lié au
processus de transport du conteneur et en assurant sa véracité, tout en s’adaptant aux
nouveaux facteurs de risques.

Dans ce chapitre, nous proposons une nouvelle approche adaptative de la

priorisation de inspection des conteneurs. Nous avons nommé cette approche
APRICOIN (Adaptive PRIoritizing COntainer INspection). Cette approche est basée
sur trois étapes. La première étape vise l’amélioration du flux informationnel et en
assurant ça véracité et ce moyennant les capacités du conteneur intelligent. Ainsi on
propose un descriptif enrichi du conteneur (DEC). La deuxième étape consiste à
attribuant à chaque conteneur un score de risque à l’aide de l’algorithme APRICOIN.
La dernière étape consiste à prioriser l’inspection des conteneurs et exploiter les
résultats d’inspection afin d’ajuster la précision de l’algorithme APRICOIN et
s’adapter aux nouveaux facteurs de risque.
100
2. L’analyse des risques

L’analyse des risques vise à identifier les différents risques et vulnérabilités qui
entourent le processus de transport des conteneurs et notamment pendant leurs
transite par les TCs. Notre cas d’étude se focalise sur la priorisation de l’inspection des
conteneurs. Le processus de transport de conteneurs est menacé par diverses sources
de risque en raison de la mondialisation des marchés et de l'émergence d'activités
frauduleuses et de terrorisme. En conséquence, un conteneur frauduleux peut affecter
les activités du TC. Par exemple, selon Orphan (Orphan et al. 2005), le risque potentiel
d'une attaque terroriste impliquant un conteneur est considérable. En outre, les
conteneurs frauduleux transportant de la matière dangereuse, peuvent provoquer un
incendie en raison de la négligence des règles de ségrégation appliquées aux matières
dangereuses. Des scénarios similaires peuvent entraîner des pertes importantes et
affaiblir la compétitivité des ports.

La spécification des scénarios à risques est une étape importante de l’analyse

des risques. Elle consiste à spécifier les causes et les conséquences d’un scénario à
risque. Pour cette fin, nous optons pour la méthode FTA (Fault Tree Analysis) et la
méthodes ETA (Event Tree Analysis) (P. Marhavilas, Koulouriotis, et Mitrakas 2014).
La méthode FTA se base sur l’arbre de défaillances qui détail les causes d’un
événement à risque. La méthode ETA se base sur l’arbre des événements afin d’étaler
les conséquences d’un événement à risque. Le scénario auquel nous nous intéressons
est celui du contournement des conteneurs frauduleux de l’inspection des douanes. La
figure 2.1.1 présente les causes liées à ce scenario.

101
 Conteneur frauduleux qui a contourner
l inspection des douanes

Information Transport de
Eviter les droits de Traffic de produit Traffic d armes et
manquante ou matieres
douanes et taxes illicite matériel explosif
faussée dangereuse

Figure 2.1. 1 L’arbre de défaillance du scénario à risque : Un conteneur frauduleux

contournant l’inspection des douanes

3. L’approche proposée

Le ciblage et l’inspection des conteneurs à haut risque dans les TC est entravé
par plusieurs difficultés. La difficulté majeure est la capacité d'inspection limitée en
raison de l'équipement limité et de la main-d'œuvre pour effectuer des inspections.
Cela devient très contraignant si le nombre de conteneurs suspects dépasse la capacité
d'inspection, d'où la nécessité de prioriser l’inspections des conteneurs en les classant
selon leurs degrés de risque.

En général, le risque est calculé comme le produit de la probabilité de

défaillance (PoF pour Point of failur) et de la gravité des conséquences (CoF pour
Cosequence of failur). Pour réduire le risque, nous pouvons réduire le PoF et / ou le CoF.
Dans notre cas, le PoF correspond à la probabilité que la douane n’intercepte un
conteneur frauduleux transportant des matières illicites ou dangereuses. Le CoF
correspond aux conséquences qui peuvent être causées par la non détection de ces
conteneurs frauduleux. Dans ce travail, nous avons adopté une approche plus
préventive. Désormais, pour réduire le risque, nous nous concentrons sur la réduction
du PoF en priorisant l'inspection des conteneurs suspects à haut risque.

L'approche APRICOIN proposée pour le classement des conteneurs suspects a

été établie en se basant sur trois étapes majeures. La première étape est l'amélioration
du flux d'information des conteneurs. La deuxième étape et le calcul du score de risque

102
des conteneurs. La troisième étape est le classement des conteneurs suspect selon leur
score de risque afin de prioriser leur inspection et l’amélioration du système à partir
des résultats obtenus, à savoir, l’adaptation aux nouveaux facteurs de risque. Ce qui
est important à propos de cette approche, c'est qu'elle permet le classement des
conteneurs moyennant un score de risque. Cela donne une meilleure vue de l'ampleur
du risque des conteneurs suspects et permet donc de classer et de prioriser leurs
inspections. La figure 2.1.2 résume les principales étapes de l’approche APRICOIN.

La première étape concerne l’amélioration du flux informationnel du conteneur.

Nous sommes conscients de l'impact négatif de l'indisponibilité de l'information ou
des fausses déclarations dans le descriptif des conteneurs sur le processus d’évaluation
des risques. Par conséquent, nous estimons que le concept de conteneur intelligent
peut atténuer ce problème. Le conteneur intelligent présente plusieurs avantages. Le
premier avantage est sa capacité de collecter et stocker de l'information tout au long
de son processus de transport. Cela permet de détecter toute altération non autorisée
de l’intégrité du conteneur qui peut conduire à une fausse déclaration. Le deuxième
avantage est le caractère quantitatif de certaines des informations fournies par le
conteneur intelligent, ce qui aide à améliorer la précision du score de risque. En
conséquence, nous proposons de structurer toutes ces informations selon un ensemble
de critères agrégés sous le DEC. L’ensemble de ces critères est détaillé dans le tableau
2.1.1. Le troisième avantage est la capacité de transmettre les informations collecté et
stocké sous forme de DEC.

La deuxième étape a pour objectif d'évaluer le risque de conteneur et de calculer

un score de risque. Cela se fait grâce à une combinaison des techniques de fouille de
donnée et les systèmes d’inférence à base de logique floue. Ainsi, cette étape est divisée
en deux sous-étapes.

103
 Figure 2.1. 2 Principales étape de l'approche APRICOIN

➢ La première sous-étape est l’extraction des règles d’inférence floue. Généralement,

dans les systèmes de logique floue, les règles d'inférence sont créées manuellement
grâce à la collaboration avec des experts du domaine concerné. Cependant, dans
notre approche, nous proposons un processus semi automatisé d’extraction des
règles d’inférence en utilisant l’algorithme de fouille de données FP-Growth pour
l’extraction des motifs fréquents. Le but de cette première sous-étape est de
découvrir les principaux critères du DEC que les conteneurs frauduleux déjà saisi
par la douane ont tendance à avoir en commun. L'algorithme de FP-Growth est
utilisé pour extraire ces critères fréquents de DEC à partir de la base de données
des archives des conteneurs qui ont donné lieu à une inspection concluante de
douanes BD-HI (base de données d’historique des inspections). Une inspection est
concluante si elle conduit à la découverte de conteneur frauduleux (transport de
matière illicite, matière dangereuse, armes, …). Ces critères fréquents découverts
sont ensuite exploité pour élaborer les règles d'inférence floue. Ils seront ensuite

104
 stockés dans la base de données des règles d’inférence floue (BD-RIF). Cette étape
est exécutée périodiquement afin d’assurer l’adaptabilité de l’algorithme aux
nouveau facteurs de risque en découvrant de nouveaux critères fréquents qui
peuvent émerger au fils de temps.
➢ La deuxième sous-étape porte sur le calcul du score de risque des conteneurs. La
BD-RIF est exploité par le système d'inférence floue (SIF) afin de calculer le score
de risque pour chaque conteneur à partir des données de son DEC.

La dernière étape de l’approche APRICOIN consiste à classer les conteneurs par

leurs scores de risque dans le but de prioriser leur inspection par les douanes. Enfin,
pour améliorer de manière adaptative la précision du système, la BD-HI est
continuellement alimentés par les DEC de conteneurs frauduleux récemment saisi.

3.1. Amélioration du flux informationnel du conteneur

3.1.1. Vers un conteneur intelligent : Le descriptif enrichi du conteneur

Dans ce travail, le DEC proposé est établi à partir du descriptif du conteneur tel
que proposé par (Longo 2012; Cariou, Mejia, et Wolff 2009), le rapport du GAO (United
States Government Accountability Office) (United States Government Accountability
Office 2012), et les critères utilisés par les douanes du port du Havre pour cibler les
conteneurs suspects. Le DEC proposée contient un ensemble de 24 critères. En
pratique, le DEC est une agrégation d'informations provenant de différentes sources.
Nous considérons les sources suivantes :
• Les capteurs du conteneur intelligent.
• L’historique du transport du conteneur.
• La configuration du conteneur.

Le conteneur intelligent enregistre moyennant ses capteurs tous les événements

survenant à son intérieur ou à son extérieur (ex., un accès non autorisé, de la matière
dangereuse non déclaré, …) pendant le processus de transport. En outre, il fournit

105
Critère Nom Type de
données
C1 Port source Nominative
C2 Port de destination Nominative
C3 Pays source Nominative
C4 Pays destination Nominative
C5 Transporteur Nominative
C6 Transporteur entre terminaux Nominative
C7 Importateur Nominative
C8 Exportateur Nominative
C9 Destinataire final Nominative
C10 Propriétaire Nominative
C11 Groupeur Nominative
C12 Niveau de sécurité de zone d’empotage Nominative
C13 Sécurité du dépôt de conteneurs vides du port source Nominative
C14 Durée de voyage Nominative
C15 Type de marchandise Quantitative
C16 Nombre arrêt non prévu dans un parking non sécurisé Nominative
C17 Délais d’attente anormale Quantitative
C18 Itinéraire GPS Quantitative
C19 Détecteur de choques Quantitative
C20 Détecteur de matières dangereuses Quantitative
C21 Nombre de détours hors itinéraire GPS prévu Quantitative
C22 Nombre d’arrêts hors itinéraire GPS prévu Quantitative
C23 Scellé électronique : ouvertures non autorisées Quantitative
C24 Scellé électronique : tentations d’ouverture non autorisées Quantitative
Tableau 2.1. 1 Liste des critères d’un DEC
l’itinéraire pris par le conteneur et ses points d'arrêt et leur durée, ce qui sert
principalement à détecter si le conteneur a été garé dans un parking non sécurisé ou a
fait un détour non prévu. L'historique du transport des conteneurs contient toutes les
informations relatives au transporteur et à l'itinéraire de transport prévu et ça durée.
La configuration du conteneur contient des informations sur le type de conteneur et le
type de cargaison.

106
Critère Valeur Base de l’évaluation qualitative Évaluation Plage
nette qualitative numérique
C1 0 à 10 Résultat d’audit ISO 28000 – (0 si pas Sécurité élevé [7 , 10]
d’audit) Sécurité moyen [4 , 6]
Sécurité basse [0 , 3]
C2 0 à 10 Résultat d’audit ISO 28000 – (0 si pas Sécurité élevé [7 , 10]
d’audit) Sécurité moyen [4 , 6]
Sécurité basse [0 , 3]
C3 0 à 10 Niveau de risque du pays Risque élevé [7 , 10]
Risque moyen [4 , 6]
Risque bas [0 , 3]
C4 0 à 10 Niveau de risque du pays Risque élevé [7 , 10]
Risque moyen [4 , 6]
Risque bas [0 , 3]
C5 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C6 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C7 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C8 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C9 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C10 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C11 0 à 10 Résultat CTPAT ou autres (0 si pas de Risque élevé [0 , 3]
certification) Risque moyen [4 , 6]
Risque bas [7 , 10]
C12 0 à 10 Niveau de sécurité Niveau élevé [7 , 10]
Niveau moyen [4 , 6]
Niveau bas [0 , 3]
C13 0 à 10 Niveau de sécurité Niveau élevé [7 , 10]
Niveau moyen [4 , 6]
Niveau bas [0 , 3]
C14 0 à 300 Durée de voyage (nombre de jours) Durée élevée [201, 300]
Durée moyenne [101, 200]
Durée basse [0 , 100]
C15 0 à 10 Niveau de risque lié au type de la Niveau élevé [7 , 10]
marchandise Niveau moyen [4 , 6]
Niveau bas [0 , 3]
C16 0 à 10 Nombre d’arrêts Nombre élevé [3 , ∞]
Nombre moyen [1 , 2]

107
 Nombre bas 0
C17 0 à 10 Durée d’attente Durée élevée [7 , 10]
Durée moyenne [4 , 6]
Durée basse [0 , 3]
C18 0 à 10 Niveau de concordance avec l’itinéraire Niveau élevé [7 , 10]
prévu Niveau moyen [4 , 6]
Niveau bas [0 , 3]
C19 0à∞ Nombre de choques Nombre élevé [6 , ∞]
Nombre moyen [1 , 5]
Nombre bas 0
C20 0 à 10 Niveau de dangerosité et type de la Danger élevé [7 , 10]
matière Danger moyen [4 , 6]
Danger bas [0 , 3]
C21 0à∞ Nombre de détours Nombre élevé [3 , ∞]
Nombre moyen [1 , 2]
Nombre bas 0
C22 0à∞ Nombre d’arrêts Nombre élevé [3 , ∞]
Nombre moyen [1 , 2]
Nombre bas 0
C23 0à∞ Nombre d’ouvertures Nombre élevé [3 , ∞]
Nombre moyen [1, 2]
Nombre bas 0
C24 0à∞ Nombre de tentations Nombre élevé [3, ∞]
Nombre moyen [1, 2]
Nombre bas 0
Tableau 2.1. 2 Tableau de conversion du DEC

Le type de données des critères du DEC varie entre des données nominatives et
quantitatives. Le tableau 2.1.1 donne la liste des critères d’un DEC et le type de
données correspondant. Afin de rendre le DEC exploitable par SIF pour le calcul des
scores de risque, les données quantitatives et nominatives devraient être converties en
données qualitatives. Pour cette fin, nous proposons le tableau 2.1.2 que nous avons
nommé le tableau de conversion.

3.2. L’évaluation des risques liés aux conteneurs

3.2.1. Extraction des critères clé du DEC

Habituellement, l'évaluation du risque d'un conteneur est basée sur l'expérience

des douanes et sur leur capacité à analyser divers critères décrivant le conteneur. Cette
expérience acquise par les douanes ainsi que les critères clés pour une évaluation
précise du risque des conteneurs sont incarnés dans la BD-HI. Ainsi, pour extraire ces

108
connaissances, l’utilisation des techniques de fouille de donnée s’avère utile. Ces
techniques permettent d’extraire les motifs les plus fréquents dans une base donnée
de transactions, ainsi il sera utilisé dans l’extraction de l’ensemble des critères les plus
fréquents (l’ensemble des critères clés) de la BD-HI. FP-Growth est l’un des
algorithmes les plus performants dans le domaine de la fouille de données. FP-Growth
est basé sur l'une des approches les plus rapides pour découvrir les motifs fréquents
(Borgelt 2005). Selon (Tan, Michael, et Kumar 2005) FP-Growth a relativement peu
d'inconvénients et surpasse les algorithmes de fouille de données standards comme
Apriori (Agrawal, Srikant, et others 1994).

Figure 2.1. 3 DEC initiale vs DEC booléen

FP-Growth est basé sur un arbre de préfixe appelé FP-Tree qui représente la
base de données à fouiller. L'adoption d'une telle structure, réduit considérablement
l'espace et le temps de recherche. Cependant, comme l’algorithme FP-Growth
fonctionne uniquement pour les données booléennes, nous devons convertir les
valeurs qualitatives des DEC de la BD-HI en valeurs booléennes. La figure 2.1.3 montre
la structure du DEC initiale par rapport à celle du DEC booléenne. Pour ce faire, nous
proposons une fonction nommée DECversBOOL (Figure 2.1.4). Cette fonction à
comme entrée un DEC et comme sortie un DEC booléen. Nous notons que les DEC
booléens auront trois fois plus d'attributs que le DEC normal.

109
 Fonction : DECversBOOL
/* Paramètre d’entrée
DEC //DEC with qualitative values
/* Paramètre de sortie
BooléenDEC //DEC avec des valeurs booléennes de critères
/*Etape1: Récuperer les critères du DEC
1. Critères[] ← obtenirCritères(DEC);
2. Pour chaque critère De Critères[] Faire
3. Si critè[Link] = élevé Alors
4. { critè[Link]é= Vrai;
5. critè[Link] = Faux ;
6. critè[Link] = Faux ;}

7. Si critè[Link] = moyen Alors

8. { critè[Link]é = Faux ;
9. critè[Link] = Vrai ;
10. critè[Link] = Faux ;}

11. Si critè[Link] = bas Alors

12. { critè[Link]é = Faux ;
13. critè[Link] = Faux;
14. critè[Link] = Vrai ;}

15. BooléenDEC .ajouter( critère );

16. Fin Pour
Retourner BooléenDEC;
Figure 2.1. 4 La fonction DECversBOOL

La figure 2.1.5 et la figure 2.1.6 donnent un aperçu sur un ensemble de DEC et

les DEC booléen correspondant utilisée dans cette étude.

110
 C1 C2 C3 C4 …
DEC-1 1 1 6 6 …
DEC-2 7 6 1 4 …
DEC-3 6 7 7 10 …
DEC-4 1 2 1 7 …
DEC-5 1 0 6 0 …
DEC-6 3 4 1 8 …
DEC-7 2 0 6 7 …
DEC-8 10 5 1 3 …
DEC-9 0 2 1 0 …
DEC-10 2 3 1 10 …
DEC-11 9 4 4 9 …
DEC-12 2 5 6 2 …
DEC-13 5 7 8 5 …
DEC-14 9 1 3 5 …
DEC-15 2 0 2 1 …
… … … … … …
Figure 2.1. 5 Aperçu d'un ensemble de DEC

C1-B C1-M C1-E C2-B C2-M C2-E C3-B C3-M C3-E C4-B C4-M C4-E
DEC-1 1 0 0 1 0 0 0 1 0 0 1 0 ….
DEC-2 0 0 1 0 1 0 1 0 0 0 1 0 …
DEC-3 0 1 0 0 0 1 0 0 1 0 0 1 …
DEC-4 1 0 0 1 0 0 1 0 0 0 0 1 ….
DEC-5 1 0 0 1 0 0 0 1 0 1 0 0 …
DEC-6 1 0 0 0 1 0 1 0 0 0 0 1 …
DEC-7 1 0 0 1 0 0 0 1 0 0 0 1 ….
DEC-8 0 0 1 0 1 0 1 0 0 1 0 0 …
DEC-9 1 0 0 1 0 0 1 0 0 1 0 0 …
DEC-10 1 0 0 1 0 0 1 0 0 0 0 1 ….
DEC-11 0 0 1 0 1 0 0 1 0 0 0 1 …
DEC-12 1 0 0 0 1 0 0 1 0 1 0 0 …
DEC-13 0 1 0 0 0 1 0 0 1 0 1 0 ….
DEC-14 0 0 1 1 0 0 1 0 0 0 1 0 …
DEC-15 1 0 0 1 0 0 1 0 0 1 0 0 …
… … … … … … … … … … … … …

Figure 2.1. 6 Aperçu d'un ensemble de DEC booléens

111
 Algorithme 1 : Algorithme FP-Growth
1. /* Paramètres
2. FList,F= Ø ; // liste d’un ensemble de critères fréquents (ECF)
3. T; //FP-Tree
4. [p|P] ; // liste triée des ensemble de critères fréquents où p est le premier
élément et
i. P le dernier élément de la liste
5. α ; //un ensemble de critères fréquents
6. ; // combinaison de nœuds d’un chemin
7. DB-HI ; //Base de données des transactions
8. P ; //chemin avec un seul préfix
9. Q ; //chemins multiples
10. minSupp ; //support minimum
11. /*Etape1: Construire le FP-tree
12. F ← obtenirEnsemblesFréquents(DB-HI,minSupp);
13. FList ← trierParSupportDescendant (F);
14. T ← créerFPtree(null);
15. Pour Chaque transaction De DB-HI Faire
16. [p|P]←selectTransEnsembleFréquent (transaction, FList) ;
17. insererFP-Tree([p|P],T);
18. Fin Pour
19. /*Etape2: Extraction des ensembles frequents de critères à partir de la FP-tree
20. Procedure FP-Growth(T, )
21. {
22. Si [Link]() == 1 Alors
23. P ← obtenirChemin(T);
24. Pour Chaque P. Faire
25. convertirEnECF(P)← générerECF ( , ) ; //ECF – Ensemble de Critères
Frequents
26. End for
27. Else
28. Q ← obtenirCheminsMultiples(T);
29. Pour Chaque critère de Q Faire
30. convertirEnECF(Q)←générerECF ( , ,critère);
1. T ← creerFP-Tree( );
2. FP-Growth(T , );
3. Fin Pour
4. retourner(convertirEnECF (P) convertirEnECF (Q) (convertirEnECF (P) ×
convertirEnECF (Q)));
5. }
Figure 2.1. 7 L'algorithme FP-Growth

112
 La Figue 2.1.7 montres les étapes principales de l'algorithme FP-Growth. La
première étape de l'algorithme FP-Growth consiste à construire l'arbre FP-tree.
L'algorithme analyse la base de données des transactions, en l’occurrence la DB-HI,
commence à collecter l'ensemble des critères fréquents F (ligne 1) et l'affiche dans la
FList par ordre décroissant par rapport à leur support (ligne 2). Par la suite, la
construction du FP-Tree commence. Un arbre FP-Tree nommé T avec une racine (null)
est créé (ligne 3). Ensuite, l’arbre T est remplit comme suit. Pour chaque transaction de
la DB-EI (une transaction correspond à un DEC de conteneur frauduleux), nous
appelons la fonction insererFP-Tree pour remplir l'arbre T (lignes 4 à 7). Le
fonctionnement insererFP-Tree est détaillé dans (Han, Pei, et Yin 2000). La deuxième
étape de l'algorithme FP-Growth est l'extraction des ensembles de critères fréquents
de l’arbre T. Si l'arbre T contient un seul chemin de préfixe P, les ensembles de critères
fréquents sont l'énumération des sous-chemins de P qui ont un support minimum
(ligne 8 à 12). Si l’arbre T possède plusieurs chemins Q, les ensembles de critères
fréquents résultants sont extraits de manière récursive (ligne 14 à 19). Enfin, les
ensembles de critères fréquents qui en résultent sont combinés et renvoyés comme
résultat final (ligne 20).

Ainsi, FP-Growth aide à l'extraction des ensembles de critères clés de la BD-HI.

Bien que FP-Growth puisse produire des dizaines d’ensembles de critères fréquents,
beaucoup d'entre eux ne sont pas pertinents. Par conséquent, il est important
d'appliquer les mesures d'intérêt (interestingness measures) (Geng et Hamilton 2006)
pour décider si un ensemble de critères fréquents est intéressant, c-à-d un ensemble de
critères clés. Pour cela, nous utilisons des mesures d'intérêt objectives. Par exemple,
nous utilisons le support et la taille minimale d’un ensemble de critères fréquents. Un
ensemble de critères est considéré comme intéressant s'il dispose d'un support
supérieur à un seuil donné. Dans l’algorithme FP-Growth, on utilise minSupp comme
un seuil de support pour éliminer les ensembles inintéressants. Une longueur
minimale de l'ensemble des critères est utilisée pour raffiner les résultats de FP-
Growth. Par exemple, nous considérons seulement les ensembles qui ont un minimum
de trois critères. Un exemple d'un ensemble de trois critères fréquents est le suivant :
{Critè[Link]é│ Critè[Link]│ Critè[Link] │ Critè[Link]}
113
fréquents fournis par FP-Growth soient inintéressant. Ainsi, pour élaborer ces règles,
nous optons pour un processus semi-automatique. En effet, ces règles d’inférence
seront élaborées en collaboration avec les agents de douanes.
Les règles d’inférence floue seront sous la forme :
Si (x est A) et (y est B) alors R est C
Où x, y sont des critères, R est le risque du conteneur, et A, B, C sont leurs valeurs
quantitatives.
La règle suivante montre un exemple de règle d'inférence floue :
Si (C1 est Elevé) et (C2 est Bas) et (C3 est Moyen) Alors, le risque est Moyen

3.3.2. Le processus d’inférence floue

L'établissement d'un système d’inférence flou pour la quantification des risques

nécessite une description détaillée de ses composantes. À cette fin, nous proposons un
processus de description en trois étapes, comme le montre la figure 2.1.9. La première
étape concerne l'étape de fuzzification. La deuxième étape se concentre sur le moteur
d'inférence floue. La dernière étape aborde la défuzzification et le calcul du score de

Fuzzification Inference floue Défuzzification

Descriptif enrichi Fonctions

du conteneur (DEC) BD-RIF* d appartenanc Score de risque
e
Extraction
des critères

Fuzzification des
critères pour Moteur
l évaluation du risque d inférence
floue Défuzzification
Critères
floues
Résultats
intermédiaires
floue

Figure 2.1. 9 Les étapes du processus d'inférence floue

risque final du conteneur.

La première étape est la fuzzification. Elle consiste à convertir les valeurs
quantitatives ou nominatives de chaque critère en valeurs nettes. Pour ce faire, nous
définissons un ensemble flou pour chaque critère. Contrairement aux ensembles

115
classiques qui ont un degré d’appartenance de 0 ou 1, un ensemble flou permet une
transition progressive du degré d’appartenance. En pratique, un ensemble flou est
défini à l'aide des fonctions d'appartenance (FA). La littérature a suggéré différentes
formes de FA (Negnevitsky 2005). Cependant, dans le domaine de l'évaluation des

Figure 2.1. 10 Exemple de fonctions d’appartenance

risques, les FA triangulaires et trapézoïdales sont couramment utilisés. Par exemple,

(Pokoradi 2002) a utilisé une FA trapézoïdal pour concevoir un système de logique
floue pour une évaluation des risques des processus.
Ainsi, tous les critères quantitatifs et nominatifs du DEC devraient être associés à leur
ensemble flou correspondant. Chaque ensemble flou correspond à une FA trapézoïdal
ou triangulaire. Le choix entre la forme trapézoïdal et triangulaire diffère selon chaque
critère. Pour définir le nombre de FA, nous avons adopté l'approche consistant à
commencer par le plus petit nombre de FA et d’augment ce se nombre au fur et à
mesure si les résultats ne sont pas satisfaisants. En conséquence, nous avons
commencé avec trois FA et cela conduit à des résultats acceptables. Par suite, nous
définissons trois catégories qualitatives : élevée, moyenne et bas. C’est ainsi que,
chaque ensemble floue d’un critère sera défini par trois FA trapézoïdales. La figure
2.1.10 montre un exemple des trois FA correspondant à un ensemble flou du critère
Transporteur.

Une FA d'un ensemble flou A est communément noté μA. Le degré d’appartenance
d'une variable x est notée μA (x).

116
La FA bas est définie par deux points (x1, x2). En conséquence, elle est définie comme
suit :
, �>�
� −�
µ� � = { , � <�<�
� −�
, �<�
La FA moyen est définie par quatre points (x1, x2, x3, x4). En conséquence, elle est
définie comme suit :
, �<� �>�
�−�
, � <�<�
µ� � = � −�
, � ,< � < �
� −�
{ � −� , � <�<�

Le FA élevé est définie par deux points (x3, x4). En conséquence, elle est définie comme
suit :
, �<�
�−�
µ� � = { , � < � << �
� −�
, �>�

Toutes les valeurs nettes d’une variable X peuvent être fuzzifiés à travers les trois FA
(bas, moyen, élevé) dans la figure 2.1.10.
Par exemple, si l'on suppose que Xn est une valeur nette, alors :
➢ Le degré de l'appartenance de Xn à FA faible est de 0,25 (voir la figure 2.1.10).
➢ Le degré de l'appartenance de Xn à FA moyen est de 0,75 (voir la figure 2.1.10).

La figure 2.1.11 illustre les FA qui ont été utilisées pour le critère 3 qui se réfère à la
société de logistique en fonction du score d'audit CT-PAT.

117
 Figure 2.1. 11 Les fonctions d’appartenance du critère Transporteur

La deuxième étape est l'inférence floue. En pratique, les opérateurs

d’implication floue sont utilisés pour interpréter les règles d'association floue.
L'opérateur d'implication le plus utilisé est l'implication minimale de Mamdani
(Mamdani 1974). La valeur de l'implication minimale de Mamdani est min. (Μ_A (x),
μ_B (y)). L'implication minimale s'applique à prendre le minimum de degré
d’appartenance de x et y. Le moteur d'inférence est responsable de l'application des
règles d'association floue aux valeurs fuzzifiées pour produire un résultat flou.

La dernière étape est la défuzzification. Cette étape transforme les résultats

flous en un résultat net. Il existe plusieurs méthodes de défuzzification (Cox 1999); La
méthode que nous avons adoptée est la méthode du centre de gravité (COG, Center Of
Gravity) (Ying et Wang 2006). Le COG est probablement la technique la plus utilisée.
Cette technique définit le résultat en calculant l'abscisse du centre de gravité de la
surface de la fonction d'appartenance caractérisant l'ensemble flou résultant de l'étape
d'inférence. Le COG peut être exprimé comme suit :

µ� � � �
�� =
µ� � �

3.4. L’algorithme APRICOIN

L'algorithme APRICOIN (figure 2.1.12) donne une description détaillée des

étapes principales de l’approche proposée. L'algorithme APRICOIN comporte deux
entrées : l'historique des conteneurs frauduleux, stocké dans la BD-HI, et l’ensemble
des conteneurs à prioriser pour l'inspection ensembleConteneurs. Les deux entrées sont
118
sous forme de DEC. La sortie est une liste de conteneurs classés par leur score de risque
ListePrioritéInspection.
La première étape de l'algorithme APRICOIN vise à préparer l'ensemble de
données d'entrée en forme booléenne pour l'algorithme FP-Growth. En conséquence,
nous examinons l'historique des inspections, extrayons les critères et les convertir en
forme booléenne. Le processus de conversion se fait par la fonction DECversBOOL
(voir la figure 2.1.4). Les DEC booléens sont ensuite stockés dans la base de données
BD-HI.
La deuxième étape consiste à extraire les critères fréquents de l'historique des
inspections pour construire les règles d'inférence floue. Cette étape est répétée chaque
mois afin d'adapter les règles d'inférence floue à tous les critères émergents. Pour ce
faire, nous appelons l'algorithme FP-Growth pour extraire les ensembles de critères
fréquents (EnsemblesCF) de la BD-HI. Les ensemblesCF sont ensuite utilisés pour
élaborer les règles d'inférence floues. Une fois que toutes les règles sont élaborer et
stockées dans la base de données des règles d’inférence BD-RIF, nous passons à la
troisième étape.
La troisième étape consiste à évaluer le score de risque d'un conteneur à travers
le moteur d'inférence floue. Pour chaque DEC, nous utilisons la fonction quantifierDEC
pour extraire les valeurs quantitatives de ses critères (voir les tableaux 2.1.1 et 2.1.2).
Par la suite, nous appelons le moteur d'inférence flou avec les règles floues et les
critères quantitatifs comme entrée. Les scores obtenus sont enregistrés dans la liste des
scores appelée scoresList.
La quatrième étape est le classement des conteneurs, qui consiste à trier la liste
de score, puis à réduire la liste en utilisant le taux d'inspection comme limite (par
exemple, si nous avons 1,8% du taux d'inspection, nous sélectionnons seulement 1,8%
des conteneurs à partir du plus haut score sur la liste triée). Finalement, on a une liste
des priorités d'inspection listePrioritéInspection. Les conteneurs qui ont une priorité
d’inspection ont un score de risque élevé, toutefois, il se peut qu’ils ne soient pas tous
des conteneurs frauduleux en réalité. Ainsi, la dernière étape consiste à attendre le
résultat des inspections des agents de la douane. Une fois l’inspection est accomplie,

119
la BD-HI est alimentée seulement avec les DEC des conteneurs qui sont avérer
frauduleux.

120
 Algorithm 3: APRICOIN Algorithm
1. /*Paramètres d’entrée :
2. DB-HI //base de données de l’historique des inspections,
3. ensembleConteneurs //Ensemble de DEC correspondant aux conteneurs
à prioriser pour l’inspection
4. /* Paramètres de sortie :
5. listePrioritéInspection //Liste des conteneurs triée ²par priorité
d’inspection
6. /*Variables
7. booléenDEC //DEC booléen
8. DB-HI-BOOL // base de données de l’historique des inspections
sous format booléenne
9. DB-RIF // base de données des règles d’inférence floue (RIF)

10. /*Etape1 : Convertir les DEC en DEC booléens

11. Pour Chaque DEC De DB-EI Faire
12. booléenDEC ← DECversBOOL(DEC) ;
13. [Link](booléenDEC);
14. Fin Pour

15. /*Etape2 : Extraction des ensembles de critères fréquents (ECF) et

l’élaboration des règles d’inférence floue
16. Pour Chaque mois Faire
17. EnsembleCF ← FPGrowth(DB-HI-BOOL);
18. Pour Chaque ensemble De EnsembleCF Faire
19. RégleInferenceFloue← elaborerRégle(ensemble);
20. [Link](fuzzyRule);
21. Fin Pour
22. Fin Pour

23. /*Etape3 : Calcule du score de risque

24. Pour Chaque DEC De ensembleConteneurs Faire
25. DECQuantifié ← quantifierDEC(DEC);
26. RIF← obtenirRIF (DB-RIF);
27. scoreRisque ← moteurInferenceFloue(DECQuantifié, RIF);
28. [Link](scoreRisque);
29. Fin Pour

30. /*Etape4 : Classement des conteneurs à inspecter par score de risque

31. listeConteneurTriée← trierListe(scoresList);
32. listePrioritéInspection←modifierListe(tauxInspection, listeConteneurTriée);
33. /*Etape5 : Inspections history feed
34. listConteneursFrauduleux← obteneiurRésultatInspections ();
35. [Link](listConteneursFrauduleux);
Figure 2.1. 12 L'algorithme APRICOIN

121
4. Étude illustrative : Terminale multimodale du Havre

L'étude illustrative porte sur la priorisation de l’inspection des conteneurs

suspects dans le terminal multimodal (TMM) du port du Havre. Plus de 300 000
conteneurs transitent par le MMT par an. Les conteneurs transitant par le MMT sont
assujettis à une évaluation des risques afin de cibler les conteneurs suspects pour une
inspection approfondie. La capacité d'inspection du MMT est de 1,8%. Dans cette
étude illustrative, nous simulons l'approche proposée pour analyser un ensemble de
données de 300 000 DEC pour une capacité d'inspection de 1,8% (450 conteneurs) et
un taux de 3,6% (900 conteneurs) de conteneurs à risque avec différents degrés de
risque. En outre, une approche de base est simulée sur le même ensemble de données
pour comparer ses résultats avec les résultats de l'approche proposée.
La comparaison entre les deux approches sera basée sur la précision (Buckland
et Gey 1994) de la liste d’inspections priorisés et sur la capacité de s'adapter aux
nouveaux critères clés qui émergent au fils du temps. La précision est la fraction des
conteneurs à haut risque, c.-à-d. les conteneurs à risque très élevé qui doivent être
inspectés en priorité et qui doivent figurer en haut de la liste des inspections priorisés.

4.1. Application

Pour réaliser une simulation de l'approche proposée, nous aurons besoin de deux jeux
de données :
➢ Un premier jeu de données constitué d’un ensemble de DEC servant à simuler
les conteneurs en transit à travers le MMT sur un an.
➢ Un deuxième jeu de données constitué d’un ensemble de DEC servant à simuler
l’historique des inspections (BD-HI).

Nous avons choisi 12 critères DEC comme critères clés. Plus un DEC valide un
grand nombre de ces critères clés, plus il aura un score de risque élevé.

En l'absence de tels jeux de données, nous avons développé un programme en

langage Java pour générer ces jeux de données. Tout d'abord, nous avons généré 12
jeux de données de 25.000 DEC pour simuler les conteneurs transitant par le MMT

122
pendant 12 mois. Parmi chaque ensemble de données, 3,6% (900 DEC) sont des DEC
de conteneurs à risque élevé avec divers degrés de risque.
Afin de vérifier la précision du classement des deux approches, nous avons
généré 900 DEC à haut risque comme suit :
➢ 50% sont des DEC à très haut risque.
➢ 50% sont des DEC à haut risque.

Les DEC des conteneurs à très haut risque sont générés de manière a valider 12
critères clés. Les DEC à haut risque valident 8 critères clés. Nous notons que tous les
DEC des conteneurs à haut risque générés sont connus et marqués afin d'évaluer la
précision de chaque approche. En outre, afin de tester l’adaptabilité de l’approche
proposée aux critères clés émergeant, nous augmentons la fréquence d'un critère
émergeant à partir du mois de Janvier.

Pour simplifier la simulation, nous supposons que tous les conteneurs à haut
risque entraînent une inspection douanière positive. Une inspection positive conduit
habituellement les douanes à trouver des matières illicites ou dangereuses dans un
conteneur. Par conséquent, chaque mois, la BD-HI est alimenté par 450 DEC
(correspondant à a capacité d’inspection qui est de 1.8%).

En deuxième lieu, nous générons le jeu de données correspondant à l’historique

des inspections pour créer les données initiales de la BD-HI. Ce jeu de données initiale
est constitué d’un ensemble de 5.000 DEC de conteneurs frauduleux. Nous notons que
nous avons choisi 5.000 DEC que données initiales de la BD-HI afin de d’assouplir
l'émergence de nouveaux critères. Dans le processus de génération, un conteneur à
risque élevé est un conteneur qui répond à un certain nombre de critères clés DEC.
Nous avons utilisé la distribution triangulaire dans le processus de génération pour
rendre plus fréquents les 12 critères clés choisis parmi le jeu de donnée initiale de la
BD-HI.

La mise en œuvre de l'algorithme APRICOIN commence par l’exécution de

l'algorithme FP-Growth. Nous avons mis en œuvre l'algorithme FP-Growth en
utilisant le framework de données SPMF (Sequential Pattern Mining Framework)
(Fournier-Viger et al. 2014). Ensuite, le score de risque des DEC est évalué en utilisant

123
le système d'inférence floue. Enfin, une liste de priorisation d’inspection est fournit.
Nous avons mis en œuvre le système d’inférence flou proposé à l'aide de la
bibliothèque JFuzzyLogic (Cingolani et Alcalá-Fdez 2013). JFuzzyLogic est une
bibliothèque open source écrite en Java et utilise un moteur d'inférence basé sur
Mamdani.

Pour l'approche basée sur AHP, nous avons utilisé le framework jAHP (Java
Analytic Hierarchy Process) pour mettre en œuvre l'approche multicritères AHP. Le
poids des critères AHP correspond aux 12 critères clés choisis précédemment. Nous
notons que les poids des critères AHP sont fixes et ne s'adaptent pas. La figure 2.1.13
donne un aperçu sur le processus d’analyse hiérarchique de la méthode AHP. De suite,
l'algorithme APRICOIN et la méthode AHP sont ensuite exécutés pour chaque jeu de
données mensuel.

Objectif Prioriser l inspection des conteneurs

Domaine 1 Domaine 2 Domaine 3

Domaines (Exportateur, Pays
source, .)
(Importateur, pays de
destination , transporteur )
(Scèlle éléctronique,
Enregistrement descapteurs,

Critère 1
Critère 2
Critère 7 Critère 14
Critère 3
Critère 8 Critère 15
Critère 4
Critère 10 Critère 20
Critère 5
Critère 12 Critère 21
Critère 6
Attributs Critère 13
Critère 16
Critère 9
Critère 22
Critère 23
Critère 11
Critère 18 Critère 24
Critère 17
Critère 19

Alternatives DEC 1 DEC 2 DEC 3 ... DEC n

Figure 2.1. 13 Aperçu du processus d’analyse multicritère AHP

124
 Pour l'approche basée sur APRIORI, nous avons utilisé l'algorithme APRIORI
original proposé par Agrawal (Agrawal, Srikant, et others 1994) pour extraire les règles
d'association qui seront utilisées pour cibler les conteneurs à haut risque. En pratique,
nous avons utilisé la bibliothèque java JESS (Friedman-Hill 2003) pour implémenter
l'algorithme APRIORI. JESS fournit le moteur d’inférence RETE, qui assure
l'application des règles extraites aux ECDs.
Pour comparer les performances de l'approche proposée avec les autres
approches, nous utilisons deux indicateurs de performances :
➢ La précision du classement,
➢ La précision du système.
La précision du classement mesure la proportion des DEC à très à haut risque
(qui valident les 12 critères clés) figurant parmi les DEC des conteneurs à inspecter
dans la liste fournis en fin d’exécution des approches. La précision est calculée en
utilisant la formule suivante :
à ℎ� �
� � =
à�
La précision du système se mesure par la capacité de détecter les ensembles de
critères clés émergeants.

4.2. Résultats

Pour montrer l'adaptabilité de l'approche proposée aux critères émergents,

nous donnons à la figure 2.1.15 l'évolution des ensembles de critères fréquents lors de
l'exécution de l'APRICOIN sur 12 mois. Comme mentionné précédemment, nous
commençons à augmenter la fréquence d'un ensemble critère émergeant (ensemble 5)
à partir de Janvier. On a choisi l’ensemble 5 comme ensemble de critères fréquents
émergents. Pendant les premiers mois de la simulation, APRICOIN ignore l’ensemble
émergeant 5 en raison de sa faible valeur de support (moins de support minimum).
Cependant, à partir du mois de Septembre, l’ensemble émergeant 5 a atteint le seuil
minimum de support et a donc été considérés comme un nouvel ensemble de critères
fréquents. L'ajout de ce nouvel ensemble de critères fréquents affectera directement la
base de données des règles floues. Une nouvelle règle d’inférence sera élaborée et

125
validée par rapport à ça pertinence. Cette nouvelle règle participera à l’évaluation des
scores de risque et influencera la précision du classement.
En ce qui concerne l’algorithme APRIORI, il n'a extrait qu'une seule règle à
partir de la base de données de l’historique des inspections. En conséquence, APRIORI
commence le mois de janvier avec une seule règle. La figure 2.1.14 montre l'évolution
du nombre de règles extraites par APRICOIN et Apriori. En mois de mars, APRIORI
a généré 3 règles. Cependant, à partir du mois d’avril, il conserve seulement 2 règles
pour le reste de l'année.

126
 Figure 2.1. 14 Nombre de règles générées par l’approche APRICOIN et Apriori

Figure 2.1. 15 Evolution des ensembles de critères fréquents

Figure 2.1. 16 Evolution de la précision de l’approche APRICOIN , Apriori et AHP

127
 Pour tester à la fois la précision d’APRICOIN par rapport à Apriori et AHP,
nous avons progressivement augmenté chaque mois le nombre des DEC validant les
critères de l’ensemble émergeant 5. La figure 2.1.14 montre la précision de classement
des approches AHP et APRIORI et l'approche proposée APRICOIN sur 12 mois. AHP
est incapable de faire face au nombre croissant de conteneurs à haut risque qui valident
les nouveau critères clés de l’ensemble émergeant 5. Ainsi, sa précision commence à
diminuer à partir du mois de Juin. D’autre part, la précision de l'APRICOIN commence
également à chuter à partir du mois de Juin à août en raison du nombre croissant de
conteneurs à haut risque qui valident les nouveau critères clés de l’ensemble
émergeant 5. Cependant, à partir du mois de Septembre, APRICOIN a détecté un
nouvel ensemble de critère clés (l’ensemble 5). Ainsi une nouvelle règle d’inférence
floue a été ajoutée. Cela a permis à APRICOIN de rétablir son taux de précision à partir
du mois de Septembre.
Pour tester à la fois la précision d’APRICOIN par rapport à Apriori et AHP,
nous avons progressivement augmenté chaque mois le nombre des DEC validant les
critères de l’ensemble émergeant 5. La figure 2.1.16 montre la précision de classement
des approches APRICOIN, Apriori et AHP sur 12 mois. A AHP est incapable de faire
face au nombre croissant de conteneurs à haut risque qui valident les nouveau critères
clés de l’ensemble émergeant 5. Ainsi, sa précision commence à diminuer à partir du
mois de Juin. Ceci est principalement dû à la négligence de l’approche AHP des
critères clés de l’ensemble émergeant 5. Dans le cas d'APRIORI, en janvier, le taux de
précision est de 14%. Ce faible taux est justifié par la non-pertinence de la règle générée
en raison du faible nombre (relativement à Apriori) de conteneurs stockés dans la base
de données de l’historique des inspections. En février, APRIORI a mis à jour ses règles,
d'où la légère amélioration du taux de précision, qui a augmenté à 36%. En mars, il
génère trois règles et améliore le taux de précision à 61%. À partir d'avril, Apriori garde
seulement 2 règles et garde un taux de précision entre 70% et 77%. Cependant, la
précision d’Apriori va diminuée à partir du mois d’août en raison de l’ensemble

128
 émergeant 5 des critères clés ; toutefois, il a fallu plus de temps pour Apriori
(septembre, octobre et novembre) pour se rattraper.
D'autre part, la précision d’APRICOIN commence également à chuter à partir
de juin et jusqu’à juillet en raison du nombre croissant de conteneurs positifs à haut
risque remplissant l’ensemble 5 des éléments clés. Cependant, à partir du mois d’août,
APRICOIN a détecté l’ensemble 5 des critères émergents et a ajouté une nouvelle règle
floue dans sa base de règles. Cela a permis à APRICOIN de rapidement rétablir son
taux de précision à partir du mois d’août.

5. Conclusion

Dans ce chapitre, nous avons développé un algorithme de priorisation

(APRICOIN) pour la priorisation de l'inspection des conteneurs à haut risque. La
solution proposée exploite le potentiel du concept de conteneur intelligent pour
améliorer le flux informationnel à travers l’adoption du DEC, et combine des
techniques d'extraction de motifs fréquentes avec un système flou pour calculer le
score de risque du conteneur.

Nous avons effectué une simulation pour valider cette solution. Nous avons
généré un ensemble de données de 300 000 DEC pour simuler le trafic de conteneurs
dans le MMT du port de Havre. En outre, un ensemble de données historiques de 5
000 DEC à haut risque a été généré pour simuler la base de données historique des
inspections. L'approche proposée utilise la logique floue pour évaluer le score de
risque d'un conteneur. La première approche de comparaison se base sur l’algorithme
Apriori et la deuxième approche de comparaison repose sur la méthode de décision
multicritère AHP pour évaluer le score de risque du conteneur. Nous avons constaté
que les deux approches de comparaison pouvaient évaluer un score de risque ;
Cependant, l'approche proposée est plus efficace par rapport aux deux approches de
comparaison en termes de précision de l'évaluation des scores de risque. En outre,
contrairement aux approches basées sur Apriori et AHP, l'approche proposée réussit
à s'adapter aux nouveaux critères clés et de conserve sa précision.
La contribution majeure de notre étude implique la formulation d'un nouvel
algorithme de priorisation des inspections de conteneurs APRICOIN. L'approche
129
proposée va au-delà d'un simple système de logique floue pour l'évaluation des scores
de risque. Elle implémente une élaboration semi-automatisée de règles d'inférence
floues basées sur l'algorithme FP-Growth. Cela permet de repérer les critères clés pour
cibler les conteneurs à haut risque. En outre, il permet la détection et l'adaptation aux
nouveaux critères clés qui émergent au fils de temps. En outre, l'intégration de la
logique floue améliore la précision de l'évaluation des risques du conteneur.

130
Chapitre 2 : Logistique verte du dernier
kilomètre : Le projet Green Truck

131
1. Introduction

En France, comme partout dans le monde, les émissions de gazes à effet de

serre (GES) liées aux transports connaissent depuis des décennies une progression
quasi ininterrompue et les projections pour les années à venir sont alarmantes. Selon
l’agence européenne pour l'environnement (The European Environment Agency
2017), le secteur de transport jusqu’en 2015 est responsable de près de 24% des
émissions de GES. Voulant lutter contre ces pollutions atmosphériques ainsi que
contre ce réchauffement climatique causé par les GES, la France, en tant que pays
industriel, s’est particulièrement mobilisée pour définir, optimiser et maîtriser sa
consommation d’énergie fossile (essence, diesel, gaz) en adoptant des nouvelles
technologies propres. Et c’est ainsi qu’est né le concept de renaissance énergétique
chez le gouvernement français en admettant la nécessité d’adopter de nouvelles
mesures dont, entre autres, l’exploitation des énergies renouvelables, le
développement durable, les nouvelles technologies et les découvertes de nouvelles
ressources. Cette politique de transition énergétique concerne, en premier lieu, le
secteur de transport routier de marchandises qui doit intégrer des véhicules hybrides
ou entièrement électriques.

Ainsi, la réduction de l’empreinte écologique sur l’environnement est devenue

l’une des préoccupations majeures en matière de transport conteneurisé. Face à cet
enjeu écologique, les acteurs du dernier kilomètre de la chaîne logistique doivent
améliorer et optimiser leur infrastructure et penser des modes de transports terrestre
de conteneurs ayant une empreinte environnementale moindre que les modes de
transports classiques, sans toutefois impacter les performances. Le projet Green Truck
s’inscrit dans cette vision et étudie la faisabilité de la mise en œuvre de mode de
transport électrique de conteneurs.

Le projet green Truck (Haropa 2015) vise particulièrement les transporteurs

routiers de conteneurs à courtes distances dans la zone portuaire en assurant une
transition énergétique de la flotte de tracteurs diesels vers des tracteurs électriques à
batteries rechargeables. Le projet s’intéresse à une technique récente de rechargement
des batteries, à savoir le « Biberonnage ». Cette technologie est inspirée du
132
 fonctionnement de certains bus électriques. Elle consiste à exploiter les courts temps
d’attentes du véhicule, comme par exemple la monté et la descente des passagers pour
le cas des bus, afin de recharger automatiquement la batterie du véhicule. Toutefois,
les trajets doivent êtres répétitifs et courts afin de limiter le nombre de borne de
rechargement. L’intérêt de cette technique est double : l’autonomie du véhicule est
illimitée (tant qu’il y a des bornes à disposition) et la taille de la batterie est réduite en
poids et en coût.

Dans cette étude, les tracteurs routiers transportent des conteneurs entre des
lieux définis de la zone portuaire (terminaux maritimes, parking des transporteurs,
dépôts de vides) et à chaque origine destination, les tracteurs sont immobilisés pour
permettre la manutention du conteneur ou satisfaire les procédures administratives.
Ce projet a donc pour objet d’explorer les différentes techniques et modes de
rechargement rapide des batteries de tracteurs routiers électriques compte tenu des
contraintes d’exploitation, et d’évaluer la faisabilité économique de la mise en œuvre
d’un système comprenant le véhicule et l’infrastructure électrique.

2. Tracteurs électriques : Veille technologique

L’objectif de cette veille technologique est d’explorer les différentes techniques,

équipements et infrastructures de recharge électrique, et ce afin de vérifier la faisabilité
technique et économique de la solution électrique projeté.

La solution électrique est entravée par rapport à la solution thermique par trois
facteurs majeurs : (1) sa faible autonomie de batteries des véhicules électriques (VEs),
(2) les longs temps de recharge, et (3) le nombre limité de stations de recharge. Tout
cela rend le dimensionnement de la batterie et les puissances de recharge des stations
une tâche primordiale. Pour répondre à ces challenges, de nombreux travaux de
recherche ont été effectués afin d’explorer et repousser ces limites technologiques
relatives à la batterie, et aux techniques de recharge.

Dans la littérature, les véhicules électriques sont classés en trois types ; véhicules
à batteries (Battery electric vehicles ou BEVs), véhicules hybrides (Hybrid electric

133
vehicles ou HEVs) et véhicules à piles à combustibles (Fuel cell electric vehicles ou
FCEVs) (Jabali, 2015.).

Les BEVs sont dotés d'un ou plusieurs moteurs électriques et utilisent

uniquement la puissance fournie par leurs batteries internes (Réf. Electrification
Coalition, 2013). Les avantages de ces moteurs par rapport au moteurs thermiques sont
(1) un excellent rendement atteignant les 90% en moyenne pour les gammes de
puissance considérées, (2) un fonctionnement silencieux et propre. De plus, ils
permettent de fournir un couple (capacité maximale à accélérer) à faible vitesse
appréciable au démarrage d’un véhicule (MacLean, 2003) et possèdent un
fonctionnement à puissance maximale avec un bon rendement sur une large plage de
vitesse (Réf. de Santiago et al. 2012). Ainsi, les BEVs n'exigent pas de changements
d'huile réguliers et possèdent moins de parties mobiles que les autres types de
véhicules (Feng and Figliozzi, 2013). Pendant les phases de décélération et de freinage
du véhicule, le système de récupération de l’énergie cinétique assure la recharge des
batterie (Beretta, 2010). Ceci permet également une moindre usure des freins, réduisant
ainsi les coûts de maintenance (Lee et al., 2013).

Par ailleurs, la problématique des BEVs prend corps dans le coût global
(véhicule, infrastructure et batterie) mais aussi dans les contraintes de l’autonomie
(capacité) de la batterie. L'autonomie des BEVs diminue au fil du temps en raison du
vieillissement de la batterie (Taefi et al., 2014),. Elle dépend directement de la capacité
de la batterie, du type de trajet (plat, varié, urbain, etc.), de la température extérieure,
du mode de conduite et des accessoires utilisées (phares, chauffage, climatisation,
essuie glaces, etc.) (US DOE, 2012b). La taille et le poids de la batterie réduisent la
charge utile maximale des BEVs lourds par rapport aux véhicules thermiques
équivalents (den Boer et al., 2013).

En ce qui a trait aux batteries, de nouvelles technologies sont apparues

notamment celles exploitant la technologie lithium (Réf. Chauvin, 2016). Comparé à
d'autres alternatives, les batteries au lithium-ion disposent de fortes densités d'énergie
(100 Wh/kg) et de puissance (300W/kg), et d'une durée de vie un peu plus longue
(Lukic et al, 2008). C'est pourquoi elles sont l'alternative la plus utilisée pour le
134
transport électrique de passagers et des marchandises (Réf. den Boer et al., 2013). Mais
cela ne résout pas la problématique majeure de la durée de vie en utilisant des batteries
lithium (Montaru, 2009) et (Ebbesen et al., 2012). Les constructeurs qui proposent des
véhicules hybrides électriques et tout électriques garantissent actuellement des durées
de vie atteignant 100 000km, alors que les véhicules thermiques peuvent atteindre une
durée de vie au-delà de 200 000km. De plus, la batterie peut représenter un coût
d’investissement prépondérant dans l’achat du véhicule (Electrification Coalition,
2013). Cependant, des réductions significatives des coûts liés à la batterie sont
également prévues sur les prochaines décennies, avec une réduction d'un facteur de
10 d'ici 2030 par rapport à 2009 (US DOE, 2010).

Outre la littérature liée aux véhicules et batteries, d'autres recherches connexes

se sont concentrées sur l'infrastructure de stations de recharge des batteries. De nos
jours, lorsque les batteries des BEVs sont épuisées, il existe deux possibilités : soit les
recharger, soit les échanger. Les stations de recharge sont classées en deux catégories :
recharge rapide et recharge lente. Une station de recharge rapide peut recharger un
BEV en moins de cinq minutes (réf. Wang), mais ce type de recharge peut réduire
considérablement la durée de vie des batteries. A l'inverse, une station de recharge
lente nécessite plus de temps pour recharger un BEV. Par exemple, dans les stations
de recharge lente du niveau 1 ou 2 (110-240 V), les véhicules doivent attendre de 2
jusqu'à 8 h pour recharger complétement leurs batteries (réf. Juan). Dans les stations
de recharge de niveau 3 (480 V), la recharge d'une batterie prend environ 20 à 40
minutes (réf. Juan). Par conséquent, le temps de recharge est un facteur d'influence
crucial pour la démocratisation des BEVs. Une autre alternative est de remplacer la
batterie existante, lorsque celle-ci est épuisée, par une autre qui est complétement
rechargée (réf. Li). Une telle méthode s'appelle l'échange ou swap de la batterie. Le
principal avantage du swap est la vitesse. Toute l'opération d'échange pourrait
prendre moins de 10 minutes, ce qui est à la hauteur des véhicules conventionnels
thermique et beaucoup plus rapide que les stations de recharge rapides. Selon Yang et
Sun (réf. Yang), le modèle de swap est plus approprié que celui de recharge puisqu'il
améliore non seulement la rentabilité des véhicules mais réduit également le coût de
recharge.
135
 Du point de vue industriel, plusieurs technologies existent sur les véhicules
électriques dont celui du biberonnage qui intéresse ce projet. Le biberonnage est un
système d’énergie électrique pour les véhicules à recharge ultra-rapide. Il a été
développé pour l’instant pour les bus électriques et tramways afin de rentabiliser
l’investissement dans l’écart des coûts entre le diesel et l’électricité, l’autonomie dans
le dimensionnement de la batterie (environ 50 000 km parcourus par an par ces engins)
et de répondre au défi écologique. Il regroupe plusieurs techniques de rechargement,
à savoir, (1) l’induction proposée par Bombardier, (2) la conduction par le sol
développée par Alstom, (3) la recharge co-axiale, la recharge par caténaires et
pantographe, proposée par Siemens, et (4) la technique du bras articulé.

3. Le projet Green Truck

3.1. Présentation du projet

Le projet Green Truck s’intéresse particulièrement à la zone portuaire du Havre

comprise entre la mer à l’Ouest et le pont de Tancarville à l’Est, entre le pied des
falaises au Nord et l’estuaire de la Seine au Sud, sur une étendue de 25 km d’Est en
Ouest et 5 km du Nord au Sud. Le long de ses bassins, se sont implantés des activités
en relation avec le transfert de conteneurs entre les TCs et les différents modes de
transport terrestres au titre desquels le routier, le ferroviaire, et le fluviale. Le transfert
des marchandises conteneurisées s’est accompagné d’un développement de services
logistiques tels que le dépotage et rempotage des conteneurs, le stockage et la
réparation des conteneurs. Ces différentes activités génèrent des flux importants de
trafic routiers au sein de la zone portuaire. Dans le cadre de ce projet, nous nous
sommes intéressés à trois types d’activités routières :
• Les pré- et post-acheminements routiers : Les transporteurs routiers
manutentionnent dans leurs entrepôts les conteneurs pour être ensuite
transporter vers des tracteurs portuaires et vice versa.
• La traction portuaire : Nommée aussi le brouettage, cette activité est généralement
effectuée par les dockers et concerne les transferts entre les terminaux maritimes
et les plate-forme logistiques situées sur le domaine portuaire où les conteneurs
sont dépotés ou empotés.
136
 • Le trafic de conteneurs vides : les conteneurs appartenant aux compagnies
maritimes, ils doivent leur être restitués dans un dépôt de conteneurs vides de
la zone portuaire, une fois qu’ils ont été déchargés en France par un
transporteur routier ou dans un centre logistique de la zone portuaire par un
manutentionnaire. En sens inverse, ces mêmes acteurs doivent aller y chercher
des conteneurs vides qui auront été nettoyés et réparés par les gestionnaires de
dépôts de vides.

Les chauffeurs des transporteurs routiers travaillent à la journée sur une amplitude
de 10 à 11 heures et réalisent 5 à 6 missions par jour. Les dockers travaillent par shifts
de 7 heures et réalisent entre 2 et 3 missions par shift. Pour la plupart, ces missions
sont des allers-retours entres les entrepôts des transporteurs et les TCs d’une distance
comprise entre une vingtaine et une quarantaine de km. A chaque origine destination,
il existe des temps d’attente pour satisfaire les procédures administratives et pour
manutentionner le ou les conteneurs. Ces temps d’immobilisation des tracteurs sont
de l’ordre du quart d’heure sur les TCs, de 5 à 10 minutes chez les transporteurs
routiers et rarement aux dépôts de vides. L’objectif est ainsi de profiter de ces arrêts
d’exploitation, pour recharger en temps masqué, la batterie des tracteurs.

Le transport des conteneurs depuis les terminaux portuaires au point de

destination se réalise majoritairement avec un premier transport de proximité avant
que le transport interurbain ne soit organisé. Le transport local s’opère donc
principalement sur des distances courtes avec de nombreuses missions. Le territoire
portuaire doit donc s’adapter au contexte et promouvoir un transport sans émissions
dans un contexte de faible rentabilité de l’activité de transport routier

Le transport des conteneurs en territoire portuaire est assuré par de nombreux

prestataires. L’entreprise Duboc transports est l’un des principaux transporteurs. Les
tracteurs qui transportent les conteneurs sur le territoire portuaire havrais sont à
moteur thermique. Les conteneurs transportés vides ou chargés par Duboc Transport
sont diversifiés : 20 pieds ou 40 pieds, standards, citernes ou réfrigérés. Ils peuvent

137
contenir des produits dangereux. Les missions se font vers des lieux clairement
définies (terminaux maritimes, parking des transporteurs, dépôts de vides, parcs
logistiques). Le nombre de tracteurs destinés aux missions est de 5 à 8 tracteurs.

Une mission type

Les tracteurs réalisent des missions depuis le site de l’entreprise vers les terminaux
portuaires. Certaines missions peuvent combiner des visites auprès des parcs de
conteneurs vides. Une mission peut commencer à partir de six heures le matin. La
dernière mission se termine au plus tard vers 18h30 (amplitude du besoin en énergie).

L’organisation d’une mission

Elle est définie à la fois par la demande des clients et par la nécessité de prendre
rendez-vous auprès du terminal aussi bien pour acheminer le conteneur que pour le
récupérer. Les demandes de livraison des clients (livraison ou récupération de
marchandise) sont réalisées en A pour B (du jour pour le lendemain) ou en A pour C
(du jour pour le surlendemain). Un transport vers le site du chargeur est typiquement
attendu entre 8 heures et 10 heures le matin. Pour qu’une tournée soit engagée, il faut
qu’il y ait une demande client et l’obtention d’un rendez-vous auprès du port. La prise
de RDV se fait à l’aide d’une application proposée par les terminaux et accessible via
le système d’information portuaire. Cette prise de rendez-vous permet de contrôler
l’accès aux terminaux et de limiter les temps d’attente. Ce système de prise de rendez-
vous ne permet pas à l’heure actuelle de combiner plusieurs opérations dans une seule
mission. Il n’est pas possible donc de combiner la livraison et la récupération d’un
conteneur. De même, il n’est pas possible de livrer deux conteneurs avec un même
tracteur (2 conteneurs de 20 pieds) sur le même terminal. Un trajet chargé à l’aller peut
être vide au retour. Inversement, la récupération d’un conteneur se traduit par un aller
à vide et un retour chargé.

Pour optimiser l’utilisation des tracteurs, Duboc s’efforce de combiner les trajets
vers et en provenance des terminaux avec des trajets vers les parcs de conteneurs vides.
Ces derniers sont accessibles sans rendez-vous et les déplacements vers les points

138
 définis permettent d’organiser des tournées. Les missions se caractérisent par des
points d’arrêts systématiques d’une part chez Duboc et d’autre part sur le terminal
portuaire qui permettent d’assurer la manutention ou de réaliser les procédures
administratives.

Une démarche de trois principales étapes a été suivie afin de répondre à

l’objectif de cette étude. La première étape consiste à identifier et caractériser les trajets
empruntés par les transporteurs routiers. La deuxième étape et le dimensionnement
de la batterie et la proposition d’un modèle de tracteur électrique selon la puissance
du moteur électrique, puissance et capacités minimales de la batterie, puissance et
temps de recharge des bornes électriques. La dernière étape consiste à valider le
modèle proposé de tracteur électrique à l’aide de l’outil de simulation Anylogic.

3.2. Modélisation du tracteur électrique pour le transport des conteneurs

3.2.1. Caractérisation et modélisation des trajets

Cette phase est une étape importante de l’analyse du besoin. Elle détermine les
données permettant de caractériser les exigences et contraintes puis de dimensionner
les équipements électriques en termes de puissances, d’énergie à embarquer. La figure
2.2.1 montre à la fois la localisation géographique des différents sites (terminaux,
dépôts de vide, plate-formes logistiques) et la cartographie des trajets. Ces derniers ont
été obtenus après analyse, interprétation et correction des données GPS de Dynafleet.
Ce logiciel équipe le tracteur routier Volvo de la flotte du transporteur Duboc et
permet aux transporteurs qui le souhaitent de tracer les déplacements et les temps
d’arrêts de leurs tracteurs, d’analyser leurs consommations et de mieux gérer leur
flotte. Ces données ont été extraites avec un temps d’échantillonnage de 1 minute pour
les positions et de 10 minutes ou changement d’état pour les consommations (diesel).
Une plus grande précision aurait été utile mais il a été convenu que l’étude pouvait
s’en satisfaire moyennant des extrapolations.

139
 Figure 2.2. 1 Cartographie des sites et des trajets de la zone portuaire du GPMH

Les données issues du SIG (Système d’information géographique) du GPMH ont été
intégrées aux trajectoires pour prendre en compte les dénivelés et plus tard calculer
les efforts de traction. Seuls les dénivelés significatifs ont été pris en compte. La figure
2.2.1 affiche l’ensemble des trajets de la zone portuaire GPMH.

3.2.2. Dimensionnement de la batterie et des bornes de recharge

Dans cette étape, il s’agit d'intégrer toutes les contraintes techniques et pratiques
pour dimensionner la batterie ainsi que l'infrastructure de recharge électrique. Deux
modèles d’optimisation seront ainsi proposés. Le premier modèle d’optimisation
concerne le dimensionnement de la batterie et consiste à déterminer sa capacité
minimale qui permet au tracteur d’assurer sa mission dans les conditions les plus
exigeants (pente maximale, charge maximale, trajet le plus long, etc.). Quant au
deuxième modèle d’optimisation il concerne le dimensionnement de la puissance de

140
recharge en déterminant les puissances et les temps de recharge de façon à être sûr que
le tracteur pourra réaliser ses missions dans les délais.

Comme cité dans la 2ème partie de ce chapitre, il n’existe pas actuellement de

tracteurs routiers ou portuaires électriques répondant aux exigences de notre
application. Celui qui s’approcherait le plus de notre besoin est encore au stade projet
et à un PTRA (poids total roulant) très supérieur à ce que la réglementation française
peut autoriser. Nous serons donc contraints de modéliser un tracteur portuaire
électrique capable de répondre à notre besoin. Une des conséquences est que nous
n’aurons de retour d’expérience sur certains équipements en termes techniques et
économiques. Lors de nos échanges avec les constructeurs, nous avons pu constater
l’intérêt porté par ces derniers pour ce type de tracteur, en particulier par TransPower.

Pour ce faire, nous avons développé un outil informatique en C# mettant en

œuvre les deux modèles d’optimisations par algorithmes mathématiques pour
dimensionner la batterie et les puissances des bornes de recharge nécessaire chez
Transports Duboc et TDF. Nous avons appelé ce logiciel DOTE (Dimensionnement
Optimal du Tracteur Electrique). DOTE calcule l’énergie nécessaire que la batterie doit
fournir en permanence pour réaliser les missions à venir. DOTE peut aussi décider de
ne pas faire de recharge lors d’un arrêt s’il estime que la batterie aura l’énergie
nécessaire pour réaliser la mission suivante sans recharge. Il cherche ainsi à minimiser
les temps de recharge, l’énergie consommée et le temps d’occupation des bornes pour
mieux les mutualiser entre les tracteurs électriques. Ensuite, les résultats de
dimensionnement obtenus par le logiciel DOTE seront valider moyennant la
simulation Anylogic et d’en éprouver leurs robustesses par des réplications pour
divers missions.

Pour recharger la batterie du tracteur électrique, nous disposons de deux stations

de recharge, une située chez Duboc et une autre à TDF, avec deux puissances
différentes. La question qui se pose est : quelle est la puissance de chaque station pour
répondre à un besoin énergétique donné ? Sachant que la puissance de la station de

141
recharge qui va être installée chez le transporteur Duboc est limitée, la puissance de la
station TDF doit compenser cette limitation. Nous considérons l’hypothèse de la
recharge chez Duboc durant la nuit, en effet, la batterie est supposée être pleinement
chargée au début de chaque mission de transport.

• Formulation mathématique
Notations
i, j : désignent les sites (i, j=0 : désigne le transporteur Duboc). Les stations de recharge
prennent les mêmes indices que les sites.

CAPBa t : Capacité de la batterie.

 
N S : Nombre de stations de recharge.

: Puissance de la ième station de recharge. Pi  Pi , Pi

min max
Pi

Pi min , Pi max : Puissance minimale et maximale de la ième station de recharge.

t imax : Temps maximum alloué à la recharge au niveau de la ième station de recharge.

Eij
: Besoin énergétique sur le trajet (i, j).
d ij
: Distance du trajet (i, j).
t ij
: Temps du trajet (i, j).
 : Coefficient moyen énergétique exprimé en kWh/ (Tonne × km).
Pds : Poids du tracteur routier.

EiBat : Etat de charge de la batterie au niveau de la ième station.

1 si la batterie est rechargée au niveau de la station " i".

yi  
0 sinon.

Eic : Energie absorbée au niveau de la ième station.

H : Horizon de travail (temps d’exploitation du tracteur routier).

Tota l
N Cycles
: Nombre total de cycles, avant que la batterie soit remplacée.

142
 Jour
N Cycles
: Nombre de cycles de recharge utilisés durant une journée d’exploitation.

: Temps nécessaire à la recharge de la batterie au niveau de la ième station.

t
ti

tTotal  [0, max

]
tTota l : Temps total de recharge, i

1 si la batterie est recyclée.

 
0 si la batterie est revendue.
a cq
C Ba t : Coût d’acquisition de la batterie.

recy
C Bat : Coût de recyclage de la batterie.
r ev
C Ba t : Coût de revente de la batterie.

1 si le tracteur est revendu.

 
0 Sinon.

CTra cqa : Coût d’acquisition du tracteur.

CTra cqa (1T ) : Coût réel d’acquisition du tracteur.

CTrr eva : Coût de revente du tracteur.

CTrmaa int : Coût de maintenance du tracteur.

acq(1T )
C Sta : Coût réel d’acquisition d’une station.
ma int
C Sta : Coût de maintenance d’une station.

0
C Ene : Coût unitaire de l’énergie.

Variables de décision
Pour le modèle « dimensionnement de la batterie », les variables de décisions à

déterminer sont : CAPBa t , N S , t i .

Pour le modèle « dimensionnement de la puissance », les variables de décisions à

déterminer sont : Pi (i  0) , i .
t

Contraintes
-Contraintes de capacité :

143
La capacité de la batterie doit être deux fois plus grande que la puissance Pi de la
station de recharge i. Cette contrainte est exprimée comme suit :

CAPBa t 
Pi
2
-Contrainte de l’état de charge :
Quel que soit le poids du tracteur et quel que soit le trajet à emprunter, la batterie doit
répondre au besoin énergétique. De plus, l’état de charge de cette batterie doit être
compris entre 20% et 80% de sa capacité :

0.2  CAPBa t  Eba t  0.8  CAPBa t

Bat
Il faut noter que l’état de charge initial au départ de la mission journalière E 0 est égal
à 80% de la capacité de la batterie. Cette contrainte n’est pas liée à des conditions de
limites de recharge comme l’est la contrainte ci-dessus, mais plutôt liée essentiellement
à la recharge de la batterie durant la nuit :

E 0Bat  0.8  CAPBat

- Contrainte de la consommation énergétique :
Bat
Pour un trajet (i, j) de la mission, l’état de charge de la batterie Ei doit satisfaire le
besoin énergétique demandé par ce trajet. Donc, la gestion d’énergie nécessite de (1)
Bat Bat
calculer ce besoin, (2) le comparer avec Ei et (3) si Ei est insuffisante, de préciser la
quantité d’énergie complémentaire qu’il faut absorber de la station de recharge pour
assurer le besoin du trajet. Cette contrainte est exprimée comme suit :

EiBat  yi  Eic  Eij

Eij
Le besoin énergétique sur le trajet (i, j) est calculé comme suit :

Eij  d ij    Pds

-Contrainte de répartition de puissance :

Cette contrainte exprime le fait que la puissance de la station de recharge chez le
transporteur Duboc doit être relativement faible par rapport à celle de TDF. En
fonction du temps alloué à la recharge, cette puissance chez Duboc peut être
insuffisante (conduisant à des solutions infaisables), d’où l’importance de répartir au

144
mieux ces puissances. En d’autres termes, pour une puissance donnée chez le
transporteur Duboc, cette contrainte dimensionne celle de TDF :

 E  P0  t max


Pi max  Pi 
ij 0
i j H

t imax
H

Une fois l’intervalle de variation de la puissance connue, le pas de dimensionnement

sera intégré dans l’optimisation.
-Contrainte de temps de recharge :

En supposant que t i est le temps nécessaire à la recharge de la batterie au niveau de

la ième station, nous pouvons alors déterminer le temps nécessaire à la recharge à
n’importe quelle station en tentant compte de l’énergie initialement contenue dans la

batterie. De plus, t i doit être inférieur au temps maximum alloué à la recharge. La

contrainte peut être exprimée de différentes façons, nous pouvons l’exprimer par :
0.8CAPBa t  E iBa t
 t i  t imax
Pi

Puisque le temps total nécessaire à la recharge dépend à la fois de l’horizon de

travail H et du temps total de parcours dans cet Horizon, il faut que le temps total
alloué à la recharge de la batterie ne dépasse pas la différence entre H et le temps total
de parcours :

t i
H  t ij

Fonction objective
La fonction objective doit déterminer la meilleure valorisation des résultats
obtenus, fixant ainsi le mode de fonctionnement du tracteur routier, c’est-à-dire,
obtenir en plus de la capacité minimale de la batterie, toutes les combinaisons
optimales de la répartition entre les différentes puissances de stations de recharge sur
un scénario donné. La fonction objective doit tenir compte de l’ensemble de tous les
coûts technico-économiques de l’étude, à savoir, les coûts d’exploitation et les coûts
d’investissement :

CT T
C Ba T T T
t ) + ( CTr a ) + ( C Sta ) + C Ene .
��û� ����� ( )= (

145
• C Ba t (coûts total de la batterie )  C Ba t  C Ba t  (1   )  C Ba t

 
T a cq r ecy r ev

• CTr a (coûts total du tracteur )    CTr a  CTr a  (1   )  CTr a  CTrmaa int

T a cq r ev a cq(1T )

• CSta
T
(coûts total de la station )  CSta
a cq(1T )
 CSta
ma int

• C Ene
T
(coûts total de l' énergie )  C Ene
0
  E ij
i j

Le coût total englobe deux types de coûts : les coûts variables déterminés par le
modèle d’optimisation et les coûts fixes fournis par le modèle économique.

• Logiciel DOTE
Le logiciel DOTE a été développé conjointement avec [Link] (Benantar et al.
2018) et dispose d’une IHM (Interface Homme-Machine) et implémente les deux
modèles d’optimisation à sa savoir le modèle de dimensionnement de la batterie et le
modèle de dimensionnement de la puissance de recharge. DOTE permet à partir d’une
mission donnée de :
• Déterminer la capacité minimale de la batterie
• Déterminer les puissances minimales des stations de recharge
• Calculer le coût total décrit ci-dessus
La figure 2.2.2 présente l’interface du logiciel DOTE et les résultats de
dimensionnement d’un scénario de la mission 8+1 composée de 8 aller-retour Duboc-
TDF et 1 aller-retour Duboc-Roulier. Les paramètres de dimensionnement sont saisis
dans la partie haute de l’interface du logiciel DOTE (Tonnage du tracteur, Puissance
et temps de recharge chez Duboc, Coefficient énergétique, etc.).
Le logiciel DOTE fournis ainsi l’ensemble des valeurs approximatives de l’état de la
charge (State of charge- SOC) de la batterie pour chaque aller-retour de la mission.
Chaque colonne donne ces valeurs de l’état de la charge de batterie pour différentes
puissances de rechargement a la fois.

146
 Figure 2.2. 2 Apérçu du logicièl DOTE et les résultats d'optimisation obtenus

3.2.3. La construction et la vérification du modèle de simulation du tracteur

Dans cette partie, nous allons simuler un tracteur électrique pour le transport
de conteneurs. Afin de valider les résultats d’optimisation obtenu par le logiciel DOTE,
nous avons choisi de simuler le même scenario que le logiciel DOTE, à savoir la
mission 8+1 composée de 8 aller-retour Duboc-TDF et 1 aller-retour Duboc-Roulier.
Pour ce faire, la première étape de la simulation consiste à modéliser et implémenter
les routes correspondant avec leurs paramètres dont les plus importants sont la
dénivelé, les limitations de vitesse. La deuxième étape est la modélisation et
l’implémentation du tracteur électrique qui va simuler le comportement réel sur route
d’un tracteur électrique. La troisième étape est l’implémentation et la modélisation des
stations de rechargement afin de simuler le processus de rechargement des batteries.
La plate-forme de simulation AnyLogic est utilisée pour l’implémentation de la
simulation. AnyLogic est un simulateur développé en JAVA et fournis une boîte à
outils riche et facile à maîtriser. AnyLogic permet de combiner efficacement les
diverses techniques de simulation (simulation à base d’agent, simulation à événements
discrets et simulation continue). AnyLogic est utilisé aussi bien pour l’analyse, la

147
 La première étape de ce processus consiste à exploiter les données GPS
Dynafleet brutes en provenance des camions. Ces données GPS sont sous forme de
coordonnées GPS horodaté. L’étape suivante consiste à agréger et filtrer tous les
données GPS afin d’extraire les itinéraires des trajets effectués par les camions. Une
fois les trajets sont extraits et enregistrés sous format KML (Keyhole Markup
Language), ils sont ensuit afficher sur l’outil Google Maps afin de vérifier et ajuster les
itinéraire. Une fois tous les itinéraires de trajets sont sous format KML, l’ensemble de
ces fichiers est transposé sur la couche des données altimétrique, à savoir le fichier
XYZ. Apres la transposition, les données altimétriques des itinéraires sont ajusté est
filtrés. L’ensemble des trajets est ensuite converti sous format Shapefile compatible
avec l’outil Anylogic. Toutefois, un dernier ajustement manuel sur Anylogic (des
itinéraires et des données altimétriques) est nécessaire afin de corriger les erreurs
générées lors des différentes étapes de conversions.

[Link]. Modélisation et implémentation du tracteur électrique

Cette étape consiste en la conception du modèle représentatif du comportement
réel du tracteur. La figure 2.2.4 donne un aperçu sur la logique de fonctionnement du
tracteur dans Anylogic et illustre le séquencement des principales activités qui
contrôlent la simulation du tracteur électrique dans Anylogic. Dans ce modèle, après
l’instanciation du tracteur électrique, deux activités se lancent en parallèle. La
première activité consiste à vérifier si l’ensemble des paramètres et caractéristiques
nécessaires au bon fonctionnement du tracteur électrique ont bien été initialisés, à
savoir la vitesse de croisière, la capacité de la batterie, l’itinéraire de la mission et le
nombre de tournées. La deuxième activité fournit des statistiques et des valeurs de
certains paramètres tels que la SOC (state of charge) de la batterie, la vitesse et le
nombre de tournées. Si l’une ou les deux activités échouées, le tracteur est immobilisé.
Une fois ces activités achevées avec succès, la mission du tracteur électrique débute.
Pendant le déplacement du tracteur électrique, trois activités sont enclenchées. La
première activité consiste à vérifier l’avancement de la mission, une fois le nombre de
tournées est atteint, le tracteur est immobilisé et la mission s’achève avec succès. La

149
deuxième activité consiste à vérifier la SOC, si la SOC atteint le seuil minimal
prédéfinis, le tracteur est immobilisé. La troisième activité consiste à vérifier si le
tracteur passe par une station de chargement, si c’est le cas, le tracteur s’arrête afin de
se charger. Le temps de chargement est relatif aux paramètres prédéfinis de la capacité
de la batterie et de la puissance de charge. Une fois le chargement terminé, le tracteur
continue la mission.

Le modèle simulé prend en compte d’autres facteurs comme les

accélérations/décélérations du tracteur (voir figure 2.2.4). La consommation en
énergie électrique est calculée instantanément (chaque seconde) pendant le trajet afin
de prendre en compte les variations de la vitesse tout en fournissant un aperçu proche
du temps réel sur la consommation et l’état de la batterie. Ainsi, pour simuler des
comportements différents des conducteurs, des variations de vitesse lors des trajets
sont prises en compte, car ce paramètre influe le coefficient de consommation
énergétique et donc l’énergie à stocker dans la batterie.

150
 Instanciation du
tracteur éléctrique

Verification des paramètres Appel des fonctions

et caractéristiques de la de contrôle (SOC,
mission Nbr de tournées,...)

Echouée Arrêt du tracteur Echoué

Réussie Réussi

Rouler

Arrivé à une station Nombre de tournées

SOC basse Atteint
de charge

Non

Oui Non Non

Arrêt du tracteur et
se charger Oui

Oui

Arrêt du tracteur

Figure 2.2. 4 Diagramme d’activités du tracteur électrique sur Anylogic

Figure 2.2. 5 Aperçu des paramètres de vitesse du tracteur électrique.

151
Durant la simulation, divers résultats sont fournis, tels que l’état de charge de la
batterie, la consommation en énergie électrique, la vitesse instantanée, la distance
parcourue et le numéro de la tournée en cours (voir figure 2.2.5).

[Link]. Modélisation et implémentation des stations de recharge

Le tracteur routier a besoin de recharger sa batterie régulièrement car sa capacité de
stockage a été limitée pour réduire son poids et son volume. Dans notre simulation, la
position des bornes de recharge avait été fixée selon les temps d’arrêt d’exploitation
observés dans les fichiers extraits de Dynafleet, c’est-à-dire chez Transports Duboc et
chez TDF.
Deux stations de recharge ont été prises en compte, une située chez Duboc et une autre
à TDF. La logique de fonctionnement de ces stations dans Anylogic est détaillée dans
l’algorithme suivant :
Etape 1 : Saisie des paramètres
puissanceRecharge<- lirePuissanceReharge () ;
tempsReharge<- lireTempsRecharge () ;
capacitéBatterie<- lireCapacité () ;
[Link]* <- lireSOC () ;
Etape 2 : Rechargement de la batterie
Si SOC <capacitéBatteriefaire
Tant que [Link]<capacitéBatterieoutempsRecharge =0 faire
[Link] (puissanceRecharge) ;
tempsRecharge -- ;
Fin de tant que
Fin de si
Etape 3 : Ordre de départ du tracteur
[Link] () ;
*SOC : State Of Charge – état de charge de la batterie

152
 [Link]. La construction de l’interface graphique et de la 3D.
Cette étape vise à concevoir une interface graphique afin de visualiser en temps réel le
déroulement de la simulation 2D et 3D. Des résultats sont affichés afin de suivre
l’évolution des différents paramètres (voir figure 2.2.6).

Figure 2.2. 6 Aperçu de l'interface de la simulation.

[Link]. Vérification de la simulation

La vérification et d’un modèle de simulation est une étape primordiale dont
l’objectif est de s'assurer que le modèle de simulation est correctement implémenté et
reflète le comportement réel du système étudié tout en donnant des résultats
raisonnables. Dans cette étude, nous avons procédé à deux types de vérification. En
premier lieu, la vérification de l’implémentation des modèles est faite grâce à trois
outils : le débuggeur d’Anylogic, la visualisation 3D, et les fichiers logs. Ces fichiers
logs nous permettent de tracer l’enchaînement des actions durant l’exécution des
modèles en fonction du temps, en vue de localiser tout dysfonctionnement au niveau
du système. En deuxième lieu la vérification de la logique des simulations a été réalisée
en comparant les indicateurs de performances. Les indicateurs de performance les plus
importants sont : la vitesse, le temps de parcours, et la distance parcourue. Le temps
de parcours doit être cohérent avec la vitesse et la distance parcourue.

153
 3.2.4. Validation des résultats
Nous avons validé nos applications sur l’ensemble des scénarios de
dimensionnement et d’exploitation. Nous présentons ci-dessous les résultats d’un des
scénarios de dimensionnement, composé de 8 aller-retour Duboc-TDF et 1 aller-retour
Duboc-Roulier. Les paramètres de dimensionnement sont décrits dans le tableau 2.2.2
(Tonnage du tracteur, Puissance et temps de recharge chez Duboc, Coefficient
énergétique, etc.).

200 kW 250 kW
SOC - DOTE SOC - ANYLOGIC SOC - DOTE SOC - ANYLOGIC
DUBOC >>149.00 (80%) >>149(80%) >>149.00 (80%) >>149(80%)
TDF 109.00 >> 149.00 107.26>>149 109.00 >> 149.00 107.57>>149
DUBOC 107.00 >> 130.33 114.51>>137.51 107.00 >> 136.17 106.43>>135.59
TDF 90.33 >> 140.33 97.05>>146.05 96.17 >> 149.00 94.96>>149
DUBOC 98.33 >> 121.67 104.18>>127.18 107.00 >> 136.17 106.57>>135.73
TDF 81.67 >> 131.67 85.86>>135.86 96.17 >> 149.00 94.70>>149
DUBOC 89.67 >> 113.00 93.05>>116.05 107.00 >> 136.17 106.79>>135.95
TDF 73.00 >> 123.00 75.36>>125.36 96.17 >> 149.00 94.55>>149
DUBOC 81.00 >> 104.33 81.49>>104.49 107.00 >> 136.17 107.67>>136.83
TDF 64.33 >> 114.33 63.94>>113.94 96.17 >> 149.00 95.67>>149
DUBOC 72.33 >> 95.67 71.66>>94.66 107.00 >> 136.17 106.74>>135.9
TDF 55.67 >> 105.67 54.64>>104.65 96.17 >> 149.00 95.82>>149
DUBOC 63.67 >> 87.00 61.33>>84.33 107.00 >> 136.17 106.30>>135.46
TDF 47.00 >> 97.00 44.50>>94.50 96.17 >> 149.00 94.49>>149
DUBOC 55.00 >> 78.33 52.50>>75.50 107.00 >> 136.17 107.63>>136.79
TDF 38.33 >> 88.33 34.47>>84.47 96.17 >> 149.00 95.91>>149
DUBOC 46.33 >> 69.67 42.10>>67.10 107.00 >> 136.17 106.62>>135.78
ROULIER - 25.11 101.17 95.35
DUBOC - - 64.17 58.052

Tableau 2.2. 1 Comparaison entre les résultats du logiciel DOTE et le simulateur Anylogic

Véhicule électrique Poids : 28T

Capacité de la batterie : 187 kWh

Bornes de recharge Nombre : 2

Emplacements : Transporteur DUBOC et TDF
Puissances testées : 200 kW et 250 kW
Temps de recharge testé : 7 minutes au transporteur ET 15 minutes à TDF

Trajet de la mission 8 aller-retour entre le transporteur et TDF + 1 aller-retour entre le

transporteur et Roulier
Tableau 2.2. 2 détails du scénario simulé
154
 Le résultat obtenu par l’optimisation à l’aide du logiciel DOTE (tableau 2.2.1)
affiche comme dernier chiffre, le SOC (State of Charge) chez le transporteur (69.67)
alors que la simulation doit montrer qu'avec cette charge, le tracteur électrique peut
arriver au terminal Roulier et tomber en rupture d'énergie quelques part.
Pour le cas 200kW, nous constatons que la mission n’est pas réalisable avec une
telle puissance. Le tableau 2 montre que les résultats obtenus par l’optimisation ne
permettent pas au tracteur électrique d’accomplir sa tournée, le tracteur s’arrête entre
le terminal Roulier et Transport DUBOC. Les résultats de la simulation concordent
avec ceux de l’optimisation, en effet le tracteur arrive au terminal Roulier avec un SOC
de 25.11kWh, un SOC insuffisant pour arriver jusqu’au Transport DUBOC, ce qui
entraîne un arrêt du tracteur électrique avant la fin de la mission.

4. Calcul économique des différentes techniques et comparaison avec l’exploitation

actuelle
Dans cette partie du rapport, nous comparons les coûts des solutions électriques
par rapport au coût du Diesel. Bien que la solution à base de bornes utilisant la
technique de l’induction ne réponde pas techniquement au besoin, les calculs
économiques à titre indicatif et à titre comparatif. Ces calcules ont été elaborés en
collaboration avec le laboratoir NIMEC (Normandie Innovation, Marché, Entreprise,
Consommation) sous la direction de Mme Marie-Laure BARON.

4.1. Technologie par induction

Les prix des éléments de la technologie par induction sont donnés dans les tableaux
ci-dessous.

155
 Prix des éléments du tracteur électrique de la technologie par induction
Les caractéristiques et les prix des éléments du tracteur électrique de la technologie
par induction sont donnés dans le tableau 2.2.3.

Équipement embarqué (Moteurs, convertisseurs, etc.) 140 000 €

Châssis 70 000 €
Système électronique pour la technologie par induction 30 000 €
Coût de maintenance 4 000 €/an
Durée d’exploitation 15 ans
Prix de revente après 15 ans d’exploitation 0€
Tableau 2.2. 3 Caractéristiques et prix de la technologie par induction

Prix des éléments de la station de la technologie par induction

Les caractéristiques et les prix des éléments des stations de recharge en énergie
électrique sont données dans les tableaux 2.2.4 et 2.2.5.
o Stations : [Link]

Coût équipements de l’installation au sol 115 000 €

Coût installation génie civil 25 000 €
Coût de maintenance 1 500 €/an
Coût d’infrastructure de l’alimentation électrique (transformateur) 250 000 €
Nombre de station 2
Mutualisation de l’infrastructure de l’alimentation électrique 1/2
(transformateur)
Durée d’exploitation 25 ans
Nombre de tracteurs utilisant les stations de [Link] 5
Tableau 2.2. 4 Stations au niveau [Link]

156
 o Stations : TDF

Coût équipements de l’installation au sol 115 000 €

Coût installation génie civil 25 000 €
Coût de maintenance 1 500 €/an
Coût d’infrastructure de l’alimentation électrique 300 000 €
(transformateur)
Nombre de station 2
Mutualisation de l’infrastructure de l’alimentation 1/8
électrique (transformateur)
Durée d’exploitation 25 ans
Nombre de tracteurs utilisant les stations de TDF 10
Tableau 2.2. 5 Stations au niveau TDF

4.2. Technologie par conduction

Les prix des éléments de la technologie par conduction sont donnés dans les tableaux
ci-dessous.
Prix des éléments du tracteur électrique par conduction
Les caractéristiques et les prix des éléments du tracteur électrique de la technologie

Équipements embarqués (Moteurs, convertisseurs, etc) 140 000 €

Châssis 70 000 €
Système électronique pour la technologie conduction 25 000 €
Coût de maintenance 4 000 €/an
Durée d’exploitation 15 ans
Prix de revente après 15 ans d’exploitation 0€
Tableau 2.2. 6 caractéristiques et prix de la technologie par conduction

par conduction sont donnés dans le tableau 2.2.5.

157
 Prix des éléments de la station de la technologie par conduction
Les caractéristiques et les prix des éléments des stations de recharge en énergie
électrique sont données dans les tableaux 2.2.7 et 2.2.8.

o Stations : [Link]
Coût équipements de l’installation au sol 100 000 €
Coût installation génie civil 25 000 €
Coût de maintenance 1 500 €/an
Prix d’un plot supplémentaire 20 000 €
Coût d’infrastructure de l’alimentation électrique 250 000 €
(transformateur)
Nombre de station 1 + 1 plot
Mutualisation de l’infrastructure de l’alimentation 1/2
électrique (transformateur)
Durée d’exploitation 25 ans
Nombre de tracteurs utilisant les stations de [Link] 5
Tableau 2.2. 7 Stations au niveau [Link].
o Stations : TDF
Coût équipements de l’installation au sol 100 000 €
Coût installation génie civil 25 000 €
Coût de maintenance 1 500 €/an
Prix d’un plot supplémentaire 20 000 €
Coût d’infrastructure de l’alimentation électrique 300 000 €
(transformateur)
Nombre de station 1+ 1 plot
Mutualisation de l’infrastructure de l’alimentation 1/8
électrique (transformateur)
Durée d’exploitation 25 ans
Nombre de tracteurs utilisant les stations de TDF 10
Tableau 2.2. 8 Stations au niveau TDF

158
▪ Batterie
Le coût et les caractéristiques de la batterie sont donnés dans le tableau ci-dessous.
Coût de la batterie 550 €/kWh
Durée de vie 8000 Cycles
Tableau 2.2. 9 Coût et caractéristiques de la batterie
▪ Technologie diesel
Les caractéristiques du tracteur diesel, le coût du carburant et la consommation en
carburant sont données dans les tableaux ci-dessous
Coût du carburant 0.906 €/litre
Consommation en carburant 0.3580 litre/km
Tableau 2.2. 10 Consommation du tracteur diesel
Tracteur diesel neuf 95000 €
Coût de maintenance 4000 €/an
Durée d’exploitation 15 ans
Prix de revente après 15 ans d’exploitation 0€
Tableau 2.2. 11 Maintenance du tracteur diesel

4.3. Comparaison économique entre la solution électrique et l’exploitation classique

Dans le scénario d’étude, il y a 7 hypothèses basées sur les variations du prix de

la batterie, du prix de l’électricité et du prix du gazole, comme cela est montré dans le
tableau 2.2.12. Par exemple (voir tableau 2.2.13): de l’hypothèse n°1 à l’hypothèse n°2,
le prix de la batterie diminue de 50 €/kWh, le prix de l’électricité augmente de 2 % et
le prix du gazole augmente de 2%. Les calculs économiques sont bâtis sur des journées
de travail comportant 5 allers-retours Transports Duboc – TDF et 1 aller-retour
Transports Duboc – Roulier.

159
 ÉLÉMENTS DE SCENARIO
COÛT BATTERIE Base 550 €/kWh
Incrément -50 €/kWh
COÛT ENERGIE Électrique Base 0,08 €/kWh
Incrément 2 %
Gazole Base 0.906 €/Litre
Incrément 2 %
Tableau 2.2. 12Variation des coûts de batterie et énergie électrique et diesel

ÉVOLUTION DES COÛTS

Hypothèses Hypo.1 Hypo.2 Hypo.3 Hypo.4 Hypo.5 Hypo.6 Hypo. 7
Batterie €/kWh 550 500 450 400 350 300 250
Energie électrique 0,08 0,0816 0,0832 0,0848 0,0864 0,0880 0,0896
€/kWh
Gazole €/Litre 0,906 0,926 0,946 0,966 0,986 1,006 1,026
Tableau 2.2. 13 hypothèses proposées selon la capacité de la batterie

160
 4.3.2. Résultats de la technologie par conduction

Taux de consommation en énergie électrique = 70 Wh/ ([Link])

Les résultats en fonction des hypothèses et pour les différents tonnages sont donnés
dans le tableau 2.2.16. La solution électrique (technologie par conduction) reste chère
par rapport au Diesel mais l’évolution de son coût, en fonction des hypothèses et pour
les différents tonnages, est décroissante.

Hypo.1 Hypo.2 Hypo.3 Hypo.4 Hypo.5 Hypo.6 Hypo.7

Figure 2.2. 9 Illustration des coûts selon le tonnage (Conduction avec 70 Wh/ ([Link]))

Hypothèses Hypo. 1 Hypo. 2 Hypo. 3 Hypo. 4 Hypo. 5 Hypo. 6 Hypo. 7

34t 0,7276 0,7203 0,7129 0,7056 0,6982 0,6909 0,6836

€/km €/km €/km €/km €/km €/km €/km
32t 0,7052 0,6977 0,6901 0,6826 0,6750 0,6674 0,6599
€/km €/km €/km €/km €/km €/km €/km
30t 0,6940 0,6863 0,6785 0,6707 0,6629 0,6551 0,6473

Diesel 0,4879 0,4950 0,5022 0,5094 0,51663 0,5238 0,5309

€/km €/km €/km €/km €/km €/km €/km
Tableau 2.2. 16 Coûts selon le tonnage (Conduction avec 70 Wh/ ([Link]))

163
Taux de consommation en énergie électrique = 65 Wh/ ([Link])
Les résultats en fonctions des hypothèses et pour les différents tonnages sont donnés
dans le tableau 2.2.17. La solution électrique (technologie par conduction) reste chère
par rapport au Diesel mais l’évolution de son coût, en fonction des hypothèses et pour
les différents tonnages, est décroissante.

Hypo.1 Hypo.2 Hypo.3 Hypo.4 Hypo.5 Hypo.6 Hypo.7

Figure 2.2. 10 Illustration des coûts selon le tonnage (Conduction avec 65 Wh/ ([Link]))

Hypothèses Hypo. 1 Hypo. 2 Hypo. 3 Hypo. 4 Hypo. 5 Hypo. 6 Hypo. 7

34t 0,7028 0,6952 0,6876 0,6800 0,6724 0,6648 0,6572

€/km €/km €/km €/km €/km €/km €/km
32t 0,6924 0,6846 0,6768 0,6690 0,6612 0,6534 0,6455
€/km €/km €/km €/km €/km €/km €/km
30t 0,6820 0,6740 0,6660 0,6580 0,6499 0,6419 0,6339
€/km €/km €/km €/km €/km €/km €/km

Diesel 0,4879 0,4950 0,5022 0,5094 0,51663 0,5238 0,5309

€/km €/km €/km €/km €/km €/km €/km
Tableau 2.2. 17 Coûts selon le tonnage (Conduction avec 65 Wh/ ([Link]))

164
 4.4. Coût en €/ ([Link])

Les coûts en €/ ([Link]) sont donnés dans les tableaux suivants.

• Technologie par induction
Mission (5+1)
Coût €/ ([Link]) 0,02328
• Technologie par conduction
Mission (5+1)
Coût €/ ([Link]) 0.0228

• La solution électrique basée sur la technologie par conduction est moins chère par
rapport la solution électrique basée sur la technologie par induction.
• Le coût des deux solutions électriques diminue en fonction des hypothèses, mais les
deux solutions restent toujours plus chères par rapport au Diesel.

5. Conclusion

Dans cette étude, nous avons modélisé et valider un modèle de tracteur

électrique pour le transport de conteneurs à l’intérieur d’une zone portuaire. Toutefois,
l’intérêt économique de cette solution est limité. L’intérêt économique de la solution
électrique réside dans une moindre consommation énergétique. Les rendements des
moteurs électriques sont bien meilleurs que ceux des moteurs thermiques et le coût
énergétique ramené au km est environ inférieur de 50% à celui du diesel. Pour
améliorer l’équation économique de la solution électrique, il faudrait augmenter le
nombre de kilomètres parcourus par jour (scénario 5+1 / scénario 8+1) et donc réduire
les temps d’arrêts, ce qui limiterait encore les possibilités de mettre en œuvre le
principe du « biberonnage ».
En outre, les progrès technico-économiques relatifs aux batteries électriques
sont très importants et remettent en question l’intérêt même du « biberonnage » dans
la mesure où la plus grande autonomie des batteries nécessiterait moins de bornes

165
réparties sur les routes des tracteurs. La technique de rechargement par conduction,
en offrant des puissances beaucoup plus importantes permet des temps de
rechargement très courts, inférieurs à 5 minutes. Ce type de rechargement est donc de
nature à remettre en question l’intérêt de masquer les temps de rechargement par les
temps d’arrêt induits par la manutention des charges.
Cette étude montre que la technique du « biberonnage » telle qu’elle est
appliquée pour le transport de personnes par bus, n’est pas, à l’heure actuelle, adaptée
au transport de marchandises, courte distance. En effet, les bus ont des poids de l’ordre
de 15 tonnes et des besoins énergétiques moindres que le transport de conteneurs. Les
bornes de rechargement utilisant la technique de l’induction sont limitées à des
puissances de 200kW ne conviennent pas à notre application.
Enfin, le coût principal et rédhibitoire de la solution électrique étant
l’investissement relatif à l’achat du tracteur électrique, du fait d’une production
artisanale aujourd’hui, il est plus que souhaitable d’adapter la conception de notre
système à l’offre des produits de demain, pour profiter des économies d’échelle
relative à la fabrication en série. Or la demande actuelle de la plupart des acteurs est
une plus grande autonomie et donc, une capacité de stockage plus importante dans la
batterie embarquée.

166
 Conclusion Générale
Dans cette thèse, nous nous sommes intéressés à proposer une solution pour
l’amélioration de la gestion des risques au sein des TCs liée au ciblage et à l’inspection
des conteneurs à haut risque. Trouver un compromis entre l’aspect sécuritaire et
l’aspect performance était une préoccupation majeure. Il existe plusieurs travaux
abordant la problématique de gestion des risques aux TCs. Cependant, l'évaluation
des risques liés aux conteneurs reste une tâche difficile, souvent due à des informations
incomplètes ou ambiguës sur les conteneurs. En outre, le processus d'évaluation doit
être adapté de manière continue pour faire face aux facteurs de risque émergents.
D’autre part, l'inspection des conteneurs à haut risque est généralement entravée par
une faible capacité d'inspection et son impact sur la performance du TC par la
génération des retards. C’est dans ce contexte que nous avons proposé une nouvelle
approche adaptive qui, à la fois, améliore l’efficacité d’évaluation des risques liées au
conteneur et le processus de ciblages des conteneurs à haut risque tout en préservant
la performance du TC. Cette nouvelle approche nommée APRICOIN combine les
techniques de fouille de données ainsi que la logique floue.

D’autres part, dans cette thèse nous avons abordé le coté écologique du
transport de conteneurs dans les TCs. La réduction d’empreinte écologique et
l’amélioration de l'efficience énergétique et la diminution d’émissions de gazes à effet
de serre du transport conteneurisé est devenue récemment une préoccupation majeure
pour les différents acteurs de la chaîne logistique. Dans cette optique, penser à des
modes de transport terrestre de conteneurs ayant une faible empreinte
environnementale que les modes de transports classiques à diesel, sans toutefois
impacter les performances de la chaîne logistique. Ainsi, dans cette nous avons
entamé, dans le cadre du projet Green Truck, une étude de faisabilité de la mise en
œuvre de transport électrique de conteneurs. Nous avons exploré les différentes
techniques et modes de rechargement rapide des batteries de tracteurs routiers
électriques compte tenu des contraintes d’exploitation, modélisé et valider un modèle
de tracteur électrique, et évaluer la faisabilité économique de la mise en œuvre d’un
système comprenant le tracteur électrique ainsi que l’infrastructure électrique.

167
 Concernant les perspectives d’évolution des solutions proposées, nous visons
d’automatiser complétement le processus d’élaboration des règles d’inférence floue
dans l’approche APRICOIN. Ceci permettra de rendre l’approche plus flexible et
efficace. En plus, appliquer l’approche APRICOIN sur d’autres cas de TC aurait
certainement favorisé d’autres perceptions de risque. Par ailleurs, l’interfaçage
d’APRICOIN avec des bases de données externes des services de douanes est envisagé
afin d’alimenter continuellement et enrichir la base de connaissances. En outre, la mise
en œuvre pratique du concept du conteneur intelligent reste un grand défi. Sur le plan
juridique par exemple on peut se poser la question à qui appartiennent les données
collectées ? Un tribunal accepter a-t-il des données provenant d'un capteur de
conteneur intelligent ? En ce qui concerne la technologie, la consommation d'énergie
des capteurs reste une préoccupation majeure.

168
 Bibliographie
Agrawal, Rakesh, Ramakrishnan Srikant, et others. 1994. « Fast algorithms for mining
association rules ». In Proc. 20th int. conf. very large data bases, VLDB, 1215:487‑99.
Al-Bahar, Jamal F., et Keith C. Crandall. 1990. « Systematic risk management approach for
construction projects ». Journal of Construction Engineering and Management 116 (3):
533‑46.
Altenbach, Thomas J. 1995. « A comparison of risk assessment techniques from qualitative to
quantitative ». Lawrence Livermore National Lab., CA (United States).
[Link]
Amrani-Zouggar, Aïcha. 2009. Impact des contrats d’approvisionnement sur la performance de la
chaîne logistique : modélisation et simulation. Bordeaux 1.
[Link]
Assongba, Cossi Hervé. 2014. « Le transport maritime de marchandises conteneurisées ».
Bai, Ying, et Dali Wang. 2006. « Fundamentals of Fuzzy Logic Control—Fuzzy Sets, Fuzzy
Rules and Defuzzifications ». In Advanced Fuzzy Logic Technologies in Industrial
Applications, 17‑36. Springer. [Link]
469-4_2.
Bai, Yong, et Qiang Bai. 2014. Subsea pipeline integrity and risk management. Gulf Professional
Publishing.
[Link]
=Subsea+Pipelines+Integrity+and+Risk+Management&ots=81NFYmKFtr&sig=lgPf5
2zmYsBqOSbhsVTpSuELO7w.
Benantar, abdelaziz, Mohamed Yassine Samiri, Jaouad Boukachour, et dalila Boudebous. 2018.
« Dimensionnement d’un véhicule électrique pour le pré et post acheminement des
conteneurs ». In GOL 18. Le Havre France.
Borgelt, Christian. 2005. « An Implementation of the FP-growth Algorithm ». In Proceedings of
the 1st international workshop on open source data mining: frequent pattern mining
implementations, 1‑5. ACM. [Link]
Borshchev, Andrei. 2013. The Big Book of Simulation Modeling: Multimethod Modeling with
AnyLogic 6. Chicago: AnyLogic North America.
Botta-Genoulaz, Valerie. 2005. « Principes et méthodes pour l’intégration et l’optimisation du
pilotage des systèmes de production et des chaînes logistiques ». INSA de Lyon.
[Link]
Brennan, R. W., D. H. Norrie, J. P. Kruth, T. Van Ginderachter, P. I. Tanaya, P. Valckenaers, F.
Lin, et al. 2001. « SPECIAL ISSUE: Holonic Manufacturing Systems ».
Brinkmann, Birgitt. 2011. « Operations Systems of Container Terminals: A Compendious
Overview ». In Handbook of Terminal Planning, 25‑39. Operations Research/Computer
Science Interfaces Series. Springer, New York, NY.
[Link]
Brintrup, Alexandra, Duncan McFarlane, Damith Ranasinghe, Tomás Sánchez López, et
Kenneth Owens. 2011. « Will intelligent assets take off? Toward self-serving aircraft ».
IEEE Intelligent Systems 26 (3): 66‑75.
Buckland, Michael, et Fredric Gey. 1994. « The relationship between recall and precision ».
Journal of the American society for information science 45 (1): 12.
Cariou, Pierre, Maximo Q. Mejia, et Francois-Charles Wolff. 2009. « Evidence on Target Factors
Used for Port State Control Inspections ». Marine Policy 33 (5): 847‑59.
[Link]

169
Carlo, Héctor J., Iris F. A. Vis, et Kees Jan Roodbergen. 2014. « Storage yard operations in
container terminals: Literature overview, trends, and research directions ». European
Journal of Operational Research, Maritime Logistics, 235 (2): 412‑30.
[Link]
Carluer, Frédéric, ALIX Yann, et JOLY Olivier. 2008. Global logistic chain security: economic
impacts of the US 100% container scanning law. EMS.
CBP. 2009. « Importer Security Filing and Additional Carrier Requirements ». U.S. Customs
and Border Protection Office of Field Operations.
Cheyroux, Laurent. 2003. « Sur l’ ฀evaluation de performances des chaines logistiques ».
Automatique / Robotique., Institut National Polytechnique de Grenoble - INPG,.
[Link]
Cingolani, Pablo, et Jesús Alcalá-Fdez. 2013. « jFuzzyLogic: a java library to design fuzzy logic
controllers according to the standard for fuzzy control programming ». International
Journal of Computational Intelligence Systems 6 (sup1): 61‑75.
Coleman, M. E., et H. M. Marks. 1999. « Qualitative and quantitative risk assessment ». Food
Control 10 (4): 289‑97.
Cox, Earl. 1999. The fuzzy systems handbook: a practioner’s guide to building using, and maintaining
fuzzy systems. 2nd ed. San Diego: AP Professional.
Crainic, Teodor Gabriel, et Kap Hwan Kim. 2007. « Chapter 8 Intermodal Transportation ».
Handbooks in Operations Research and Management Science, Transportation, 14 (janvier):
467‑537. [Link]
Cullinane, Kevin, Teng-Fei Wang, Dong-Wook Song, et Ping Ji. 2006. « The technical efficiency
of container ports: comparing data envelopment analysis and stochastic frontier
analysis ». Transportation Research Part A: Policy and Practice 40 (4): 354‑74.
Dahlman, Ola, Jenifer Mackby, Bernard Sitt, Andre Poucet, Arend Meerburg, et Bernard
Massinon. 2005. « Container security: a proposal for a comprehensive code of
conduct ». DTIC Document.
[Link]
434718.
Design and Operation of Automated Container Storage Systems | Nils Kemme | Springer. s. d.
Consulté le 11 septembre 2017. [Link]
Desroches, Alain, Dominique Baudrin, et Michel Dadoun. 2009. L’analyse préliminaire des
risques: principes et pratiques. Hermes science publications.
« DIALOG ». s. d. Consulté le 12 septembre 2017. [Link]
Dornier, Philippe-Pierre. 2005. La logistique globale: enjeux, principes, exemples. Paris: Ed.
d’Organisation.
Douanes et droits indirects. 2015. « Charte Des Contrôles Douaniers ». octobre 2015.
[Link]
douane/pour-les-professionnels/[Link].
Drogoul, Alexis, Diane Vanbergue, et Thomas Meurisse. 2003. « Multi-agent based simulation:
Where are the agents? » In Multi-agent-based simulation II, 1‑15. Springer.
[Link]
Dubreuil, Julien. 2008. La logistique des terminaux portuaires de conteneurs. CIRRELT.
[Link]
uaires_de_conteneurs.pdf.
Duinkerken, Mark B, Joseph Evers, et Jaap A Ottjes. 2001. « A Simulation Model For
Integrating Quay Transport And Stacking Policies On Automated Container
Terminals ». In . Faculty of OCP, department of Mechanical Engineering and Marine
Technology.
[Link]

170
 grating_Quay_Transport_And_Stacking_Policies_On_Automated_Container_Termin
als.
Ellis, Joanne. 2011. « Analysis of Accidents and Incidents Occurring during Transport of
Packaged Dangerous Goods by Sea ». Safety Science 49 (8-9): 1231‑37.
[Link]
Eloff, Jan HP, Les Labuschagne, et Karin P. Badenhorst. 1993. « A comparative framework for
risk analysis methods ». Computers & Security 12 (6): 597‑603.
Fedtke, Stefan, et Nils Boysen. 2017. « A comparison of different container sorting systems in
modern rail-rail transshipment yards ». Transportation Research Part C: Emerging
Technologies 82 (septembre): 63‑87. [Link]
Fournier-Viger, Philippe, Antonio Gomariz, Ted Gueniche, Azadeh Soltani, Cheng-Wei Wu,
Vincent S Tseng, et others. 2014. « SPMF: a Java open-source pattern mining library. »
Journal of Machine Learning Research 15 (1): 3389‑93.
Främling, Kary, et Jan Nyman. 2008. « Information architecture for intelligent products in the
internet of things ». Beyond Business Logistics proceedings of NOFOMA, 224‑29.
Frawley, W. J., G Piatetsky-Shapiro, et C.J. Matheus. 1991. « An Overview: Knowledge
Discovery in Databases - Google Scholar ». Knowledge discovery in data bases, 1991, MIT
Press édition.
Freeman, R. Edward. 2010. Strategic Management: A Stakeholder Approach. Reissue. Cambridge
New York Melbourne Madrid Cape Town Singapore: Cambridge University Press.
Friedman-Hill, Ernest. 2003. Jess in action: rule-based systems in Java. Greenwich, CT: Manning.
GAO. 2007. « Summary of Challenges Faced in Targeting Oceangoing Cargo containers for
Inspection ». United States General Accounting Office.
Geng, Liqiang, et Howard J. Hamilton. 2006. « Interestingness Measures for Data Mining: A
Survey ». ACM Computing Surveys 38 (3): 9 ‑ es.
[Link]
Gningue, Mame bigue. 2011. « Gestion Du Risque Securitaire Dans La Chaine Logistique
Globale : Le Cas Du Transport International De Marchandises », 2011.
Haass, Rasmus, Patrick Dittmer, Marius Veigt, et Michael Lütjen. 2015. « Reducing Food
Losses and Carbon Emission by Using Autonomous Control – A Simulation Study of
the Intelligent Container ». International Journal of Production Economics 164 (juin):
400‑408. [Link]
Haimes, Yacov Y., Stan Kaplan, et James H. Lambert. 2002. « Risk filtering, ranking, and
management framework using hierarchical holographic modeling ». Risk Analysis 22
(2): 383‑97.
Hall, Mark, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, et Ian H.
Witten. 2009. « The WEKA Data Mining Software: An Update ». SIGKDD Explor. Newsl.
11 (1): 10‑18. [Link]
Han, Jiawei, Jian Pei, et Yiwen Yin. 2000. « Mining frequent patterns without candidate
generation ». In ACM Sigmod Record, 29:1‑12. ACM.
Hargather, Michael J, Matthew E Staymates, Matthew J Madalis, Daniel J Smith, et Gary S
Settles. 2011. « The Internal Aerodynamics of Cargo Containers for Trace Chemical
Sampling and Detection ». IEEE Sensors Journal 11 (5): 1184‑93.
Haropa. 2015. « Haropa bilan 2014 et perspectives 2015 ». 2015.
[Link]
28_haropa_bilan_2014_et_perspectives_2015.pdf.
HAROPA - Ports de Paris Seine Normandie. s. d. « Statistiques de trafic ». Consulté le 11
septembre 2017. [Link]
connaitre/statistiques-de-trafic.
Henesey, L. 2006. « Multi-agent systems container terminal management ». Blekinge Institute
of Technology,.

171
Hillson, David. 2006. « Les trois temps de l’identification des risques: Le passé, le present et le
future ». Risk Doctor Note d’Information. [Link]
briefings/[Link].
Hinkelman, Edward G., et Karla C. Shippey. 2005. Dictionary of international trade: handbook of
the global trade community, includes 21 key appendices. 6th ed. Novato, Calif: World Trade
Press.
Hubbard, Graham. 2009. « Measuring organizational performance: beyond the triple bottom
line ». Business strategy and the environment 18 (3): 177‑91.
Humez, Vérane. 2008. « Proposition d’un outil d’aide à la décision pour la gestion des
commandes en cas de pénurie: une approche par la performance ». INPT.
[Link]
Ioannou1, Petros, et Hossein Jula. 2008. « Automated Container Terminal Concepts ». In
Intelligent Freight Transportation, 7‑33. Automation and Control Engineering. CRC
Press. [Link]
Janssens-Maenhout, G., F. De Roo, et W. Janssens. 2010. « Contributing to Shipping Container
Security: Can Passive Sensors Bring a Solution? » Journal of Environmental Radioactivity
101 (2): 95‑105. [Link]
« Jay Wright Forrester ». 2017. Wikipedia.
[Link]
0.
Jovanovic, Boyan. 1982. « Selection and the Evolution of Industry ». Econometrica: Journal of the
Econometric Society, 649‑70.
Kaplan, Stanley, et B. John Garrick. 1981. « On the quantitative definition of risk ». Risk analysis
1 (1): 11‑27.
Kärkkäinen, Mikko, Jan Holmström, Kary Främling, et Karlos Artto. 2003. « Intelligent
products—a step towards a more effective project delivery chain ». Computers in
industry 50 (2): 141‑51.
Kerre, Etienne. 1995. « On the Evolution of the Mathematics of Fuzziness | SpringerLink ».
Fuzzy Set Theory and Advanced Mathematical Applications, 1995.
[Link]
Khan, Omera, et Bernard Burnes. 2007. « Risk and supply chain management: creating a
research agenda ». The international journal of logistics management 18 (2): 197‑216.
Kim, Su Jin, Guofeng Deng, Sandeep KS Gupta, et Mary Murphy-Hoye. 2008. « Intelligent
networked containers for enhancing global supply chain security and enabling new
commercial value ». In Communication Systems Software and Middleware and Workshops,
2008. COMSWARE 2008. 3rd International Conference on, 662‑69. IEEE.
[Link]
Kiritsis, Dimitris. 2011. « Closed-Loop PLM for Intelligent Products in the Era of the Internet
of Things ». Computer-Aided Design 43 (5): 479‑501.
[Link]
Klaus, Peter, et Stefanie Müller, éd. 2012. The roots of logistics: a reader of classical contributions to
the history and conceptual foundations of the science of logistics. Berlin: Springer.
Law, Averill M., et W. David Kelton. 1991. Simulation modeling and analysis. 2nd ed. McGraw-
Hill series in industrial engineering and management science. New york: McGraw-
Hill.
Leriche, D., M. Oudani, A. Cabani, G. Hoblos, J. Mouzna, J. Boukachour, et A. El Hilali Alaoui.
2015. « Simulating new logistics system of Le Havre Port ». IFAC-PapersOnLine, 15th
IFAC Symposium on Information Control Problems in ManufacturingINCOM 2015, 48
(3): 418‑23. [Link]
Leung, M. F., J. R. Santos, et Y. Y. Haimes. 2003. « Risk modeling, assessment, and management
of lahar flow threat ». Risk Analysis 23 (6): 1323‑35.

172
Lewis, Brian, Alan Erera, et Chelsea White III. 2003. « Optimization approaches for efficient
container security operations at transshipment seaports ». Transportation Research
Record: Journal of the Transportation Research Board, no 1822: 1‑8.
Li, He. 2008. « Conteneurs à étiquettes électroniques ». In .
Longo, Francesco. 2010. « Design and Integration of the Containers Inspection Activities in the
Container Terminal Operations ». International Journal of Production Economics 125 (2):
272‑83. [Link]
———. 2012. « Supply chain security: an integrated framework for container terminal
facilities ». International Journal of Simulation and Process Modelling 7 (3): 159‑67.
Longo, Francesco, et Giovanni Mirabelli. 2008. « An advanced supply chain management tool
based on modeling and simulation ». Computers & Industrial Engineering 54 (3): 570‑88.
Lu, Chin-Shan, et Chung-Shan Yang. 2010. « Safety leadership and safety behavior in container
terminal operations ». Safety science 48 (2): 123‑34.
Malhéné, Nicolas, et Jean-Christophe Deschamps. 2010. « De la traçabilité au routage des
produits en transport routier ». In 8èmes Rencontres Internationales de Recherche en
Logistique, RIRL’2010. [Link]
Mamdani, E.H. 1974. « Application of Fuzzy Algorithms for Control of Simple Dynamic
Plant ». Proceedings of the Institution of Electrical Engineers 121 (12): 1585.
[Link]
March, James G., et Zur Shapira. 1987. « Managerial perspectives on risk and risk taking ».
Management science 33 (11): 1404‑18.
Marhavilas, Panagiotis, Dimitrios Koulouriotis, et Christos Mitrakas. 2014. « FAULT AND
EVENT-TREE TECHNIQUES IN OCCUPATIONAL HEALTH-SAFETY SYSTEMS–
PART II: STATISTICAL ANALYSIS. » Environmental Engineering & Management Journal
(EEMJ) 13 (9).
[Link]
Marhavilas, P. K., et D. E. Koulouriotis. 2012. « Developing a new alternative risk assessment
framework in the work sites by including a stochastic and a deterministic process: A
case study for the Greek Public Electric Power Provider ». Safety Science 50 (3): 448‑62.
Marhavilas, P. K., D. E. Koulouriotis, et C. Mitrakas. 2011. « On the development of a new
hybrid risk assessment process using occupational accidents’ data: Application on the
Greek Public Electric Power Provider ». Journal of loss prevention in the process industries
24 (5): 671‑87.
McFarlane, Duncan, Sanjay Sarma, Jin Lung Chirn, C.Y Wong, et Kevin Ashton. 2003. « Auto
ID Systems and Intelligent Manufacturing Control ». Engineering Applications of
Artificial Intelligence 16 (4): 365‑76. [Link]
« Menace ». 2016. Wikipédia.
[Link]
Mendel, J. M. 1995. « Fuzzy logic systems for engineering: a tutorial ». Proceedings of the IEEE
83 (3): 345‑77. [Link]
Mentzer, John T., Daniel J. Flint, et G. Tomas M. Hult. 2001. « Logistics service quality as a
segment-customized process ». Journal of marketing 65 (4): 82‑104.
Mercier, J. 1998. « Suivre ses conteneurs en sachant ce qu’il y a dedans ».
[Link]
Merk, Olaf, César Ducruet, Patrick Dubarle, Elvira Haezendonck, et Michael Dooms. 2011.
« The Competitiveness of Global Port-Cities: the Case of the Seine Axis (Le Havre,
Rouen, Paris, Caen)-France ». OECD Regional Development Working Papers 2011 (7): 1.
Meyer, Gerben G., Kary Främling, et Jan Holmström. 2009. « Intelligent products: A survey ».
Computers in Industry 60 (3): 137‑48.
« Modal Share of Freight Transport to and from EU Ports ». 2015. DIRECTORATE - GENERAL
FOR INTERNAL POLICIES.

173
 [Link]
2015)540350_EN.pdf.
Nahmias, Steven, et Ye Cheng. 2009. Production and operations analysis. Vol. 4. McGraw-
Hill/Irwin New York.
[Link]
NAJIB, MEHDI. 2014. « Gestion des risques liés au transport des matières dangereuses ».
Laboratoire de Mathématiques Appliquées du Havre (LMAH): Université du Havre.
Najib, Mehdi, Abdelaziz El Fazziki, et Jaouad Boukachour. 2014. « Risk management impact
assessement: maritme container terminal performance. » International Journal of
Academic Research 6 (1).
[Link]
htype=crawler&jrnl=20754124&AN=95739177&h=HnITDhaNZlPB4Txcn0pSL9u10eI9
O0nWuvCCAOJaWR63h9Ic%2BTL4ORKAWB06hfNWwGgYfKD8%2B3AXVNc004Z
s4A%3D%3D&crl=c.
Negnevitsky, Michael. 2005. Artificial intelligence: a guide to intelligent systems. 2nd ed. Harlow,
England ; New York: Addison-Wesley.
Ngai, Eric WT, TC Edwin Cheng, S. Au, et Kee-hung Lai. 2007. « Mobile commerce integrated
with RFID technology in a container depot ». Decision Support Systems 43 (1): 62‑76.
OMD. 2015. « CADRE DE NORMES SAFE ». Organisation mondiale des douanes.
[Link]
ments-and-tools/tools/safe-package/safe2015_f_final.pdf?la=fr.
Orphan, Victor J., Ernie Muenchau, Jerry Gormley, et Rex Richardson. 2005. « Advanced Ray
Technology for Scanning Cargo Containers ». Applied Radiation and Isotopes 63 (5-6):
723‑32. [Link]
Oudani, Mustapha. 2016. « Optimisation des problèmes de transport multimodal ».
Normandie université/Université Sidi Mohamed Ben Abdellah. [Link]
[Link]/tel-01327923/.
Pach, Cyrille, Abdelghani Bekrar, Nadine Zbib, Yves Sallez, et Damien Trentesaux. 2012. « An
effective potential field approach to FMS holonic heterarchical control ». Control
Engineering Practice 20 (12): 1293‑1309.
Papa, Paola. 2013. « US and EU Strategies for Maritime Transport Security: A Comparative
Perspective ». Transport Policy 28 (juillet): 75‑85.
[Link]
Papon, Pierre-Antoine. 2016. « Extraction optimisée de régles d’association positives et
négatives intéressantes ». Université Blaise Pascal - Clermont-Ferrand II.
[Link]
Paté-Cornell, Elisabeth. 2012. « On “Black Swans” and “Perfect Storms”: risk analysis and
management when statistics are not enough ». Risk analysis 32 (11): 1823‑33.
Pennerath, Frédéric. 2009. « Méthodes d’extraction de connaissances à partir de données
modélisables par des graphes. Application à des problèmes de synthèse organique. »
Phdthesis, Université Henri Poincaré - Nancy I. [Link]
00436568/document.
Petru, Măzăreanu Valentin. 2013. « On the role of implementing a database system in the risk
communication process. » Young Economists Journal/Revista Tinerilor Economisti 10 (20).
[Link]
htype=crawler&jrnl=15839982&AN=94431184&h=iMnORimUFU73UjFOnEWNJ6y5U
Lnt3ozpw2QY%2FqUxszGn9DFa41Zn8QUJrbCcHQNpi9%2F1fIipVosGk7gIzEOw4A
%3D%3D&crl=c.
Pokoradi, Laszlo. 2002. « Fuzzy logic-based risk assessment ». AARMS, Academic and Applied
Research in Military Science 1 (1): 63‑73.

174
Ramirez-Marquez, Jose Emmanuel. 2008. « Port-of-Entry Safety via the Reliability
Optimization of Container Inspection Strategy through an Evolutionary Approach ».
Reliability Engineering & System Safety 93 (11): 1698‑1709.
[Link]
« Risque majeur ». 2017. Wikipédia.
[Link]
Rizzo, Francesco, Marcello Barboni, Lorenzo Faggion, Graziano Azzalin, et Marco Sironi. 2011.
« Improved Security for Commercial Container Transports Using an Innovative Active
RFID System ». Journal of Network and Computer Applications 34 (3): 846‑52.
[Link]
Rot, Artur. 2008. « IT risk assessment: Quantitative and qualitative approach ». Resource 283:
284.
Sallez, Yves. 2012. « Produit’actif’tout au long de son cycle de vie ». Université de Valenciennes
et du Hainaut-Cambresis. [Link]
Sallez, Yves, Shenle Pan, Benoit Montreuil, Thierry Berger, et Eric Ballot. 2016. « On the
Activeness of Intelligent Physical Internet Containers ». Computers in Industry 81
(septembre): 96‑104. [Link]
Shang, Kuo-Chung, et Wen-Jui Tseng. 2010. « A risk analysis of stevedoring operations in
seaport container terminals ». Journal of Marine Science and Technology 18 (2): 201‑10.
Su, Eric, Edward Tang, Kin Keung Lai, et Yan Pui Lee. 2015. Operational Risk Management in
Container Terminals. Vol. 6. Routledge.
[Link]
q=%22operational+risk+management+in+container+terminals.%22&ots=VgjL-
XbDM9&sig=bJZDf2TYJVX-Fl72RYt7cS-OFbs.
Tan, Pang-Ning, Steinbach Michael, et Vipin Kumar. 2005. « Chapter 6. association analysis:
Basic concepts and algorithms ». Introduction to Data Mining. Addison-Wesley. ISBN
321321367.
The European Environment Agency. 2017. « Annual European Union greenhouse gas
inventory 1990–2015 and inventory report ».
[Link]
inventory-2017.
Tixier, Jerome, Gilles Dusserre, Olivier Salvi, et Didier Gaston. 2002. « Review of 62 risk
analysis methodologies of industrial plants ». Journal of Loss Prevention in the process
industries 15 (4): 291‑303.
« Top 50 World Container Ports | World Shipping Council ». s. d. Consulté le 11 septembre
2017. [Link]
world-container-ports.
Treuil, Jean-Pierre, Alexis Drogoul, et Jean-Daniel Zucker. 2008. Modélisation et simulation à base
d’agents: exemples commentés, outils informatiques et questions théoriques. Paris: Dunod :
IRD.
Tummala, V. M. Rao, et C. L. Mak. 2001. « A Risk Management Model for Improving
Operation and Maintenance Activities in Electricity Transmission Networks ». The
Journal of the Operational Research Society 52 (2): 125‑34.
[Link]
UNCTAD. 2016. « Review of Maritime Transport, 2016 . » New York and Geneva, Switzerland:
United Nations Conference on Trade and Development.
United States Government Accountability Office. 2012. « Container Security Programs Have
Matured, but Uncertainty Persists over the Future of 100 Percent Scanning ».
Ventä, Olli. 2007. Intelligent products and systems: Technology theme-final report. VTT Technical
Research Centre of Finland.

175
Voß, Stefan, Robert Stahlbock, et Dirk Steenken. 2004. « Container terminal operation and
operations research - a classification and literature review ». OR Spectrum 26 (1): 3‑49.
[Link]
Ward, Stephen. 2003. « Approaches to integrated risk management: a multi-dimensional
framework ». Risk Management, 7‑23.
Wiese, Jörg, Leena Suhl, et Natalia Kliewer. 2011. « Planning Container Terminal Layouts
Considering Equipment Types and Storage Block Design ». In Handbook of Terminal
Planning, 219‑45. Operations Research/Computer Science Interfaces Series. Springer,
New York, NY. [Link]
Wong, Chien Yaw, Duncan McFarlane, A. Ahmad Zaharudin, et Vivek Agarwal. 2002. « The
intelligent product driven supply chain ». In Systems, Man and Cybernetics, 2002 IEEE
International Conference on, 4:6 ‑ pp. IEEE.
[Link]
Wu, Teresa, Jennifer Blackhurst, et Vellayappan Chidambaram. 2006. « A model for inbound
supply risk analysis ». Computers in industry 57 (4): 350‑65.
Wu, Y., Y. Chen, et R. Chang. 2009. « Generalized knowledge discovery from relational
databases ». International Journal of Computer Science and Network 9 (6): 148‑53.
Yang, Xiaoyu, Philip Moore, et Seng Kwong Chong. 2009. « Intelligent products: From lifecycle
data acquisition to enabling product-related services ». Computers in Industry 60 (3):
184‑94.
Zadeh, L. A. 1973. « Outline of a New Approach to the Analysis of Complex Systems and
Decision Processes ». IEEE Transactions on Systems, Man, and Cybernetics SMC-3 (1):
28‑44. [Link]
Zadeh, Lotfi A. 1965. « Fuzzy sets ». Information and control 8 (3): 338‑53.
———. 1975. « FUZZY SETS AND THEIR APPLICATIONS ». In Fuzzy Sets and their
Applications to Cognitive and Decision Processes, 477‑96. Academic Press.
[Link]
———. 2009. « Toward extended fuzzy logic—A first step ». Fuzzy Sets and Systems, Theme:
Fuzzy intervals, 160 (21): 3175‑81. [Link]
Zaki, Mohammed J, Srinivasan Parthasarathy, Mitsunori Ogihara, et Wei Li. 1997. « New
Algorithms for Fast Discovery of Association Rules ». Rochester, NY, USA: University
of Rochester.
Zopounidis, Constantin, et Panos M. Pardalos. 2013. Managing in Uncertainty: Theory and
Practice. Vol. 19. Springer Science & Business Media.
[Link]
dq=%22Managing+in+Uncertainty:+Theory+and+Practice%22&ots=EHaGCa5T42&si
g=XZhwT9aCLqCznW2ebZlimPvWw5o.

176