PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique

1. Contexte global du projet

L’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles plateformes avions a créé un besoin de pièces et de procédés de fabrication inédits dont la maîtrise industrielle et la rentabilité à l’échelle restent incertaines. Parallèlement, un durcissement réglementaire en matière de certification, d’exigences environnementales et de normes qualité redessine les conditions d’éligibilité des investissements sur des horizons qui dépassent les cycles décisionnels habituels pour les fabricants. Enfin, la volatilité de la demande, amplifiée par la recomposition des équilibres concurrentiels mondiaux, crée une incertitude sur les volumes et les positionnements qui fragilise tout plan d’investissement pluriannuel.

Le projet qui finance cette thèse est porté par un sous-traitant du secteur aéronautique. Il vise à doter ses équipes de décision d’un cadre méthodologique rigoureux pour répondre à un dilemme stratégique central : comment arbitrer entre le maintien et l’optimisation des procédés actuels (actifs existants, compétences stabilisées, retour sur investissement connu) et l’engagement dans de nouveaux procédés dont la maturité technologique, le coût total et l’acceptabilité normative restent partiellement inconnus ? Cette tension entre résilience des actifs existants et agilité stratégique constitue un problème d’investissement sous incertitude profonde.

2. Contexte de la thèse

Ce dilemme se pose dans un environnement où les données disponibles sont fragmentaires, les incertitudes de nature hétérogène (certaines quantifiables, d’autres profondes et non paramétrables), et où plusieurs métiers — industriel, financier, R&D, supply chain, qualité — doivent co-construire les scénarios d’investissement avec des horizons temporels et des critères de performance différenciés.

Les processus décisionnels actuels se heurtent à trois difficultés majeures :

•       Une hétérogénéité des incertitudes : les facteurs d’incertitude portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique ne sont pas de même nature et ne peuvent être traités par un formalisme unique ;

•       Une tension entre résilience et agilité : les actifs existants confèrent une stabilité opérationnelle mais réduisent la capacité à saisir des opportunités émergentes ; il faut donc des modèles qui permettent de quantifier et d’arbitrer ces deux dimensions conjointement ;

•       Une gouvernance multi-métiers mal outillée : les décisions pluriannuelles impliquent des acteurs aux attitudes différenciées face au risque décisionnel, pour lesquels il faut des protocoles permettant de concaténer leurs préférences hétérogènes de manière rigoureuse et légitime et qui permettent de rendre explicable une décision.

3. Objectifs de la thèse

L’objectif central est de concevoir et de valider un cadre d’aide à la décision pluriannuelle pour les investissements industriels, permettant à des équipes pluridisciplinaires de :

•       Représenter formellement des incertitudes multidimensionnelles et hétérogènes dans un cadre mathématique cohérent et non réducteur ;

•       Évaluer et comparer la résilience de stratégies d’investissement face à des scénarios incluant des chocs difficilement prévisibles a priori ;

•       Formaliser des stratégies dynamiques qui minimisent les risques et maximisent les opportunités malgré l’explosion combinatoire des scénarios ;

•       Prendre des décisions collectives éclairées dans une logique multicritères, multi-points de vue, en intégrant les attitudes hétérogènes des décideurs vis-à-vis du risque décisionnel.

Le terrain d’application privilégié est la décision d’investissement dans des procédés de fabrication d’une entreprise de sous-traitance aéronautique (existants vs nouveaux), contexte qui concentre des enjeux de stratégie industrielle, de gestion des risques technologiques et de coordination multi-acteurs.

4. Questions de recherche

4.1 Questions de recherche principales

QR1 — Comment représenter formellement des incertitudes hétérogènes dans un cadre mathématique unifié et non réducteur ?

Quels formalismes (Théorie des possibilités, ensembles flous, info-gap, probabilités imprécises, etc) permettent de représenter conjointement des incertitudes de natures épistémiques différentes (stochastique, scénarisable, latente) sans les homogénéiser artificiellement en bruit aléatoire ni produire un espace d’états ingérable ?

QR2 — Comment combiner ces formalismes dans un cadre mathématique cohérent à complexité maîtrisée ?

Quelles conditions de compatibilité et quels opérateurs d’agrégation permettent de coupler des représentations hétérogènes dans un modèle décisionnel opérationnel, en limitant l’explosion combinatoire à un nombre de variables décisionnellement pertinent et exploitable par un comité industriel ?

QR3 — Comment évaluer et comparer la résilience de stratégies d’investissement face à des scénarios non prévisibles a priori ?

Quelles métriques et quels protocoles d’évaluation permettent de qualifier la résistance d’une stratégie à des chocs hors du support probabiliste connu ?

QR4 — Comment formaliser une stratégie dynamique qui minimise les risques et maximise les opportunités sans explosion de l’espace des scénarios ?

Quels modèles de décision séquentielle (programmation stochastique multi-stades, arbres de décision réduits, options réelles composées, etc) permettent d’intégrer simultanément la préservation des actifs existants et la capture d’opportunités émergentes, tout en restant exploitables par un comité industriel pluridisciplinaire ?

QR5 — Comment concilier la rigueur mathématique des modèles d’optimisation avec les processus cognitifs et organisationnels de la décision humaine en contexte d’incertitude ?

Quels cadres permettent d’articuler la sortie formelle d’un modèle de recherche opérationnelle (RO) avec la dynamique réelle d’un comité de décision pluridisciplinaire ?

QR6 — Comment concevoir un outil hybride expert/décideur intégrant multicritère, multi-points de vue et attitudes hétérogènes vis-à-vis du risque décisionnel ?

Quelles architectures d’outils d’aide à la décision permettent de produire simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en intégrant l’élicitation et la modélisation explicite des préférences hétérogènes des parties prenantes multi-métiers ?

5. Verrous scientifiques

Les verrous scientifiques portent sur les connaissances fondamentales à construire ou à étendre pour apporter une réponse rigoureuse à la problématique.

VS1 — Représentation unifiée des incertitudes multidimensionnelles et hétérogènes

VS1

Les incertitudes portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique (lattente) relèvent de natures épistémiques radicalement différentes. Aucun formalisme unique ne permet de les représenter conjointement sans les homogénéiser artificiellement en bruit aléatoire (réductionnisme probabiliste) ni produire un espace d’états ingérable pour la décision pratique.

VS2 — Combinaison mathématique sans réductionnisme ni explosion combinatoire

VS2

Même en disposant de formalismes adaptés à chaque type d’incertitude, leur couplage dans un modèle décisionnel cohérent reste un verrou ouvert. Les opérateurs d’agrégation existants (espérance, min-max, capacité de Choquet, par exemple) ne sont pas conçus pour gérer des distributions hybrides (probabiliste + possibiliste + scénariste) dans un cadre à nombre de variables maîtrisé.

VS3 — Évaluation de la résilience face à des scénarios peu prévisibles

VS3

La résilience ne se réduit pas à la robustesse statistique. Évaluer la capacité d’une stratégie d’investissement à absorber, s’adapter et se reconfigurer face à des chocs hors du support probabiliste connu nécessite des métriques et des protocoles d’évaluation spécifiques. Une stratégie de génération de scénarios couvrant l’espace des incertitudes est nécessaire.

VS4 — Stratégie dynamique entre risque et opportunité sans explosion des scénarios

VS4

La décision pluriannuelle séquentielle génère une explosion combinatoire des scénarios dès que l’on intègre simultanément optionnalité, réversibilité et séquencement des investissements. Les modèles existants (programmation stochastique multi-stade, arbres de décision) deviennent rapidement non résolubles en temps utile pour un comité industriel. Les options réelles offrent une voie prometteuse mais insuffisamment adaptée aux contraintes industrielles.

VS5 — Articulation rigueur mathématique et processus cognitif de la décision

VS5

La décision industrielle n’est pas un problème d’optimisation pur. Elle mobilise des heuristiques, des biais cognitifs, des contraintes institutionnelles et des logiques de légitimité organisationnelle. Les modèles RO classiques produisent des sorties formelles que les décideurs ne s’approprient pas, faute de transparence sur le processus d’obtention de la solution.

VS6 — Outil hybride multicritère, multi-points de vue, attitudes hétérogènes au risque

VS6

Concevoir un outil qui fournit simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en modélisant explicitement les préférences hétérogènes (aversion au risque, tolérance à l’ambiguïté, horizons temporels différenciés) des parties prenantes multi-métiers constitue un verrou à la fois technique, cognitif et organisationnel.

6. Approche méthodologique envisagée

La démarche de recherche combinera cinq volets complémentaires :

•       Revue de l’état de l’art croisant les domaines de la recherche opérationnelle, de l’optimisation robuste et stochastique, de la théorie des options réelles, de l’aide multicritère à la décision (MCDM) et de la théorie de la décision comportementale ;

•       Formalisation d’un cadre conceptuel catégorisant les incertitudes et les critères de décision propres aux investissements des sous-traitants aéronautiques, validé avec le partenaire industriel ;

•       Développement de modèles d’optimisation pluriannuels intégrant des mécanismes d’options réelles, de robustesse et de résilience, calibrés sur des cas industriels réels, le tout en minimisant l’explosion combinatoire associée ;

•       Expérimentations avec des équipes pluridisciplinaires du partenaire industriel, en conditions contrôlées puis en situation réelle de décision d’investissement ;

•       Évaluation quantitative et qualitative du cadre et de l’outil : qualité des décisions, appropriation par les métiers, charge cognitive, robustesse des recommandations.

7. Planning et livrables

La thèse est structurée en trois années universitaires, progressant selon la hiérarchie des questions de recherche : fondements théoriques et cadrage industriel (AU1), architecture méthodologique et modélisation (AU2), opérationnalisation, validation terrain et rédaction (AU3).

8. Livrables scientifiques attendus

•       L1 — Rapport de positionnement scientifique

•       L2 — Définition du besoin en aide à la décision stratégique, validée avec le partenaire industriel

•       L3 — Modèle de performance comprenant des modèles équivalents pour la représentation des incertitudes

•       L4 — Méthodologie de construction de scénarios d’incertitudes, calibrée sur des cas industriels réels

•       L5 — Méthodologie de prise en compte de l’aspect multi-points de vue et des attitudes hétérogènes des décideurs face aux risques décisionnels

•       L6 — Prototype d’outil d’aide à la décision hybride expert/décideur, orienté robustesse/résilience et risques/opportunités, validé et amélioré avec le retour terrain

•       L7 — Manuscrit de thèse (AU3).

•       Valorisation : présentation des travaux à la SAGIP chaque année universitaire ; communications dans au moins une conférence internationale ; 2 publications dans une revue internationale de rang A.

9. Profil recherché

Le ou la candidat(e) devra être titulaire d’un diplôme de Master (ou équivalent) dans l’un des domaines suivants :

•       Génie industriel, recherche opérationnelle ou ingénierie des systèmes de décision ;

•       Mathématiques appliquées, statistiques ou informatique avec spécialisation en optimisation.

Compétences et qualités souhaitées

•       Techniques : solides bases en optimisation (programmation mathématique, stochastique ou robuste), intérêt pour les méthodes MCDM et la modélisation de l’incertitude ;

•       Scientifiques : capacité à mener une recherche bibliographique rigoureuse, à formaliser des modèles conceptuels et à concevoir des protocoles expérimentaux en lien avec un partenaire industriel ;

•       Personnelles : goût pour les problématiques industrielles complexes, aptitude au travail en équipe pluridisciplinaire de recherche, autonomie et rigueur intellectuelle ;

•       Linguistiques : maîtrise du français (langue de travail) ; niveau opérationnel en anglais écrit et parlé pour la rédaction scientifique et les communications internationales.

10. Encadrement et environnement de recherche

IMT Mines Albi et le Centre Génie Industriel

École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom, 1er groupe d’écoles d’ingénieurs et de management de France. Son positionnement place IMT Mines Albi comme école de référence sur l’industrie du futur responsable, l’énergie et l’ingénierie systèmes.

Le Centre Génie Industriel (CGI) compte environ 70 personnes. Il s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables dans des environnements instables ou perturbés. Les axes concernés par cette thèse sont : FLOWS (Flexible Logistics and Operations for sustainable WorldS) et HOPOPOP (Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving).

Collaborations

Le doctorat nécessite une étroite collaboration avec une entreprise aéronautique. Les possibilités d'échange universitaire au sein d'un établissement partenaire européen dépendront de l'avancement du doctorat et des appels à candidatures de mobilité lancés par EULIST.

Contacts :

·       Séverine Durieux – [email protected]

·       Guillaume Martin – [email protected]

·       Raphaël Oger – [email protected]

11. Modalités de candidature

Documents demandés pour candidater :

CV, lettre de candidature, résumé de la thèse de master, copies de publications, relevés de notes, lettres de recommandation (expérience de recherche et industrielle) et tout autre document jugé utile pour appuyer votre candidature.

Application deadline: 21 Juin, 2026, 12:00 PM

12. Mots-clés et informations pratiques

Mots-clés

Optimisation robuste • Incertitude profonde • Options réelles • Résilience • MCDM • Décision pluriannuelle • Multi-critères • Investissement industriel • Sous-traitance aéronautique • Aide à la décision

Discipline

Recherche Opérationnelle / Génie Industriel / Aide à la Décision

Laboratoire

Centre Génie Industriel (CGI) — IMT Mines Albi-Carmaux

Axes CGI concernés

FLOWS • HOPOPOP

Secteur partenaire

Aéronautique — Sous-traitance — Financement obtenu

Modalités

Durée 3 ans (2026–2029) — Localisation : Albi (81), France

13. Références bibliographiques

Les références sont présentées par ordre alphabétique. Les publications des membres de l’équipe encadrante sont signalées par ★.

–      Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(8), 667–688.

–      Adner, R., & Levinthal, D. A. (2004). What is not a real option: Considering boundaries for the application of real options to business strategy. Academy of Management Review, 29(1), 74–85.

–      ★ Antomarchi, A.-L., Guillaume, R., Durieux, S., Thierry, C., & Duc, E. (2019). Capacity planning in additive manufacturing. 9th IFAC Triannual Conference on Manufacturing Modeling, Management and Control, Berlin. IFAC PapersOnLine, 52(13), 2556–2561. https://doi.org/10.1016/j.ifacol.2019.11.591

–      Apap, R., & Grossmann, I. (2017). Models and computational strategies for multistage stochastic programming under endogenous and exogenous uncertainties. Computers & Chemical Engineering, 103, 233–274.

–      Ben-Haim, Y. (2006). Info-Gap Decision Theory: Decisions Under Severe Uncertainty (2nd ed.). Academic Press.

–      Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. Princeton University Press.

–      Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13.

–      Bertsimas, D., Brown, D. B., & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464–501.

–      Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.

–      Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method: The PROMETHEE method. Management Science, 31(6), 647–656.

–      Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press.

–      Craighead, C. W., Blackhurst, J., Rungtusanatham, M. J., & Handfield, R. B. (2007). The severity of supply chain disruptions: Design characteristics and mitigation capabilities. Decision Sciences, 38(1), 131–156.

–      ★ Delolme, L., Antomarchi, A.-L., Durieux, S., & Duc, E. (2019). Decision-making for multi-criteria optimization of process planning. Mechanics & Industry, 20(8), 806.

–      Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.

–      Dubois, D., & Prade, H. (1988). Possibility Theory: An Approach to Computerized Processing of Uncertainty. Plenum Press.

–      Dubois, D., & Prade, H. (2015). Possibility theory and its applications: Where do we stand? Springer Handbook of Computational Intelligence, 31–60.

–      ★ Fakhry, D., Oger, R., Lauras, M., & Pellegrin, V. (2024). A Financialized Model for a Risk-Focused Sales and Operations Planning. IFAC PapersOnLine, 58(19), 1114–1119.

–      ★ Fertier, F., Martin, G., Barthe-Delanoë, A.M., Lesbegueries J., Montarnal, A.,  et al.. Managing events to improve situation awareness and resilience in a supply chain. Computers in Industry, 2021, 132, pp.103488.

–      Figueira, J., Greco, S., & Ehrgott, M. (Eds.) (2005). Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.

–      ★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2017). DFM method for aircraft structural parts using the AHP method. International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/s00170-017-1213-1

–      ★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2020). Multicriteria decision optimization for the design and manufacture of structural aircraft parts. International Journal on Interactive Design and Manufacturing, 14(3), 1015–1030.

–      ★ Garreda, W., Oger, R., & Lauras, M. (2026). Automatic demand forecast model selection in supply chains: a forecast value-added analysis. International Journal of Production Research. https://doi.org/10.1080/00207543.2026.2623194

–      ★ Gholizadeh Tayyar, S., Lamothe, J., Dupont, L., & Loustau, J.-P. (2018). A Decisional Framework for Concurrent Planning of Multiple Projects and Supply Chain Network. ILS 2016, Springer, pp. 107–122.

–      Goel, V., & Grossmann, I. (2006). A class of stochastic programs with decision dependent uncertainty. Mathematical Programming, 108(2–3), 355–394.

–      Greco, S., Figueira, J., & Ehrgott, M. (Eds.) (2016). Multiple Criteria Decision Analysis (2nd ed.). Springer.

–      Herrera-Viedma, E., Herrera, F., & Chiclana, F. (2002). A consensus model for multiperson decision making with different preference structures. IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 394–402.

–      Huchzermeier, A., & Loch, C. H. (2001). Project management under risk: Using the real options approach to evaluate flexibility in R&D. Management Science, 47(1), 85–101.

–      Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–292.

–      ★ Kitila, L. G., Duc, E., Durieux, S., & Taddese, G. A. (2026). An integrated fuzzy AHP–fuzzy TOPSIS approach for multi-criteria decision-making in sustainable manufacturing process selection. International Journal of Advanced Manufacturing Technology, 142, 559–583.

–      Knight, F. H. (1921). Risk, Uncertainty, and Profit. Houghton Mifflin. [Réédition : University of Chicago Press, 1971]

–      Landry, M. (1995). A note on the concept of “problem”. Organization Studies, 16(2), 315–343.

–      Marchau, V. A. W. J., Walker, W. E., Bloemen, P. J. T. M., & Popper, S. W. (Eds.) (2019). Decision Making under Deep Uncertainty. Springer.

–      ★ Martin, G. (2020). Aide à la décision par apprentissage automatique pour le Demand Driven Material Requirements Planning (DDMRP). Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras.

–      Martin, G., Oger, R.. A Reinforcement Learning Powered Digital Twin to Support Supply Chain Decisions. HICSS2022 - Hawaii International Conference on System Sciences, Jan 2022, Hawaii, United States. pp.2291-2299,

–      McGrath, R. G. (1997). A real options logic for initiating technology positioning investments. Academy of Management Review, 22(4), 974–996.

–      Morais, D. C., & de Almeida, A. T. (2012). Group decision making on water resources based on analysis of individual rankings. Omega, 40(1), 42–52.

–      ★ Oger, R. (2019). A decision support system for long-term supply chain capacity planning: a model-driven engineering approach. Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras, B. Montreuil, F. Benaben.

–      ★ Oger, R., Lauras, M., Montreuil, B., & Benaben, F. (2022). A decision support system for strategic supply chain capacity planning under uncertainty: conceptual framework and experiment. Enterprise Information Systems, 16(5), 1793390.

–      ★ Poirier, A., Oger, R., & Martinez, C. (2023). A Scenario Generation Method Exploring Uncertainty and Decision Spaces for Robust Strategic Supply Chain Capacity Planning. Communications in Computer and Information Science, Springer.

–      Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode ELECTRE). RIRO, 8, 57–75.

–      Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Kluwer Academic Press.

–      Roy, B., & Bouyssou, D. (1993). Aide Multicritère à la Décision : Méthodes et Cas. Economica.

–      Shapiro, A. (2008). Stochastic programming approach to optimization under uncertainty. Mathematical Programming, 112(1), 183–220.

–      Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.

–      Smit, H. T. J., & Trigeorgis, L. (2004). Strategic Investment: Real Options and Games. Princeton University Press.

–      Tang, C., & Tomlin, B. (2008). The power of flexibility for mitigating supply chain risks. International Journal of Production Economics, 116(1), 12–27.

–      Trigeorgis, L. (1996). Real Options: Managerial Flexibility and Strategy in Resource Allocation. MIT Press.

–      Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.

–      Van Mieghem, J. A. (2003). Capacity management, investment, and hedging: Review and recent developments. Manufacturing & Service Operations Management, 5(4), 269–302.

–      ★ Vidal, J. B., Oger, R., Lauras, M., & Lamothe, J. (2024). Integrating Uncertainty into a Supply Chain Network for Adaptive S&OP Process. Collaborative Networks, Springer, pp. 176–190.

–      Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28.