Localisation and Circularity in Apple Supply Chains: An Algorithmic Exploration

Cet article présente un modèle d'optimisation mathématique pour la chaîne d'approvisionnement des pommes au Royaume-Uni, démontrant comment l'ajustement des priorités algorithmiques entre critères économiques et durabilité peut améliorer la localisation et la circularité tout en réduisant le gaspillage alimentaire.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, comme si nous en discutions autour d'un café.

🍎 Le Problème : La "Gaspillage" de Pommes

Imaginez que vous êtes un producteur de pommes au Royaume-Uni. Vous avez des milliers de pommes fraîches. D'un autre côté, vous avez des épiceries, des jus de fruits et des particuliers qui veulent acheter ces pommes.

Le problème, c'est que les pommes ne durent pas éternellement. Si elles ne sont pas vendues à temps, elles pourrissent. De plus, si on les transporte trop loin, on pollue l'air et on perd de l'argent.

L'objectif de cette recherche est de créer un super-organisateur numérique (un algorithme) pour le marché des pommes. Son but ? Faire en sorte que :

1. Le plus de pommes possible soient vendues (zéro gaspillage).
2. Les pommes soient vendues le plus près possible de chez elles (moins de camions, moins de pollution).
3. Les pommes les plus vieilles soient vendues en premier (pour qu'elles ne pourrissent pas).
4. Tout le monde gagne de l'argent (prix justes).

🧠 La Solution : Le "Chef d'Orchestre" à 4 Voix

Les auteurs (Baraa et Ruzanna) ont créé un programme informatique qui agit comme un chef d'orchestre. Mais au lieu de diriger des musiciens, il dirige des pommes.

Pour prendre une décision, ce chef d'orchestre écoute quatre "voix" (critères) qui peuvent parfois se disputer :

1. La Voix de l'Argent (Prix) : "Vendons au prix le plus élevé !"
2. La Voix du Volume (Quantité) : "Remplissons les camions à ras bord !"
3. La Voix de la Fraîcheur (Date) : "Vendons d'abord celles qui vont pourrir demain !"
4. La Voix de la Proximité (Distance) : "Vendons à l'épicier du coin, pas à celui de l'autre bout du pays !"

Le secret de leur invention, c'est qu'ils ont mis des boutons de réglage (des poids) pour chaque voix.

• Si on veut sauver l'environnement, on tourne le bouton "Proximité" au maximum.
• Si on veut sauver les pommes de la poubelle, on tourne le bouton "Fraîcheur" au maximum.
• Si on veut faire du profit, on tourne le bouton "Prix" au maximum.

🎮 L'Expérience : Jouer avec les Réglages

Les chercheurs ont pris de vraies données sur les pommes du Royaume-Uni et ont fait tourner leur programme avec différents réglages, comme dans un jeu vidéo où l'on change les paramètres de difficulté.

Voici ce qu'ils ont découvert :

• Le réglage "Tout Égal" (Le Compromis) : Si on donne la même importance aux 4 voix, on obtient un résultat équilibré. On vend beaucoup de pommes, mais on ne fait pas de miracles sur la distance ou la fraîcheur. C'est la solution "sûre".
• Le réglage "Argent d'abord" : Les pommes partent à des prix plus élevés pour les vendeurs, mais elles voyagent parfois un peu plus loin. C'est bon pour les poches, mais moins pour la planète.
• Le réglage "Proximité d'abord" : C'est le champion de l'écologie ! Les pommes voyagent très peu. Mais attention : comme on veut vendre "près de chez soi", certaines pommes ne trouvent pas d'acheteur local et restent invendues. On a moins de gaspillage de carburant, mais un peu plus de pommes qui ne partent pas.
• Le réglage "Fraîcheur d'abord" : Les pommes les plus vieilles partent en premier. C'est excellent pour éviter le gaspillage alimentaire, mais cela peut obliger à envoyer des pommes un peu plus loin si l'acheteur local n'en veut pas tout de suite.

💡 Les Grandes Révélations (Les "Aha!" Moments)

1. Il n'y a pas de solution magique : On ne peut pas tout avoir parfaitement. Si on veut vendre très près de chez soi, on risque de ne pas pouvoir vendre toutes les pommes. Si on veut vendre tout le monde, on doit parfois accepter de transporter les pommes plus loin. C'est un compromis constant.
2. La géographie compte beaucoup : Le programme fonctionne mieux ou moins bien selon la carte. Si les producteurs et les acheteurs sont regroupés dans la même région (comme en Angleterre du Sud), le programme peut facilement trouver des solutions locales. S'ils sont dispersés, c'est plus dur.
3. L'importance de la "Seconde Chance" : C'est le point le plus important pour l'économie circulaire. Quand le programme ne trouve pas d'acheteur pour une pomme lors de la première tentative, il ne la jette pas à la poubelle ! Il la met de côté et la remet dans la file d'attente pour la prochaine ronde. C'est comme un jeu de cartes où l'on rejoue les cartes non gagnantes. Cela permet de sauver des pommes qui auraient été gaspillées autrement.

🏁 Conclusion Simple

Ce papier nous dit qu'on ne peut pas juste dire "Faisons tout le plus vert possible". Il faut un outil intelligent qui permet aux décideurs de choisir ce qui est le plus important à un moment donné (l'argent, l'environnement, ou le gaspillage).

L'algorithme proposé est comme un tableau de bord de voiture : il vous montre les compromis. Si vous appuyez fort sur l'accélérateur de la "proximité", vous verrez que la jauge de "quantité vendue" baisse un peu. Mais le plus génial, c'est qu'il permet de réutiliser ce qui n'a pas été vendu tout de suite, transformant ainsi un système qui jette en un système qui recycle.

En résumé : C'est un guide pour vendre nos pommes de manière plus intelligente, moins polluante et moins gâcheuse, en sachant qu'il faut parfois faire des choix difficiles.

Résumé technique

Voici un résumé technique détaillé de l'article « Localisation et circularité dans les chaînes d'approvisionnement en pommes : une exploration algorithmique », rédigé en français.

1. Problématique et Contexte

Les chaînes d'approvisionnement en denrées périssables, telles que les pommes au Royaume-Uni, font face à un défi majeur : concilier la viabilité économique avec les impératifs de durabilité et d'économie circulaire. Les pertes alimentaires et le gaspillage sont exacerbés par une mauvaise allocation des produits sensibles au temps, entraînant des émissions de transport inutiles et une sous-utilisation des ressources.

L'article identifie deux lacunes principales dans les approches existantes :

1. Manque de circularité opérationnelle : La plupart des modèles optimisent la minimisation des déchets de manière statique, sans intégrer explicitement la réintroduction des stocks non alloués dans des cycles de trading ultérieurs.
2. Opacité des priorités : Les modèles multi-objectifs existants manquent souvent de transparence sur la manière dont les objectifs économiques et environnementaux sont pondérés et ajustés en temps réel par les opérateurs de plateformes.

L'objectif de l'étude est de développer un cadre d'allocation algorithmique capable de gérer l'allocation répétée de pommes périssables en intégrant explicitement des objectifs d'économie circulaire (localisation, gestion de la fraîcheur) tout en restant économiquement viable.

2. Méthodologie

Les auteurs proposent un modèle d'optimisation basé sur une programmation linéaire en nombres entiers mixtes (MILP) utilisant une approche de somme pondérée (Weighted-Sum).

A. Formulation du Modèle

Le problème est formulé comme un flux d'allocation entre des offres (vendeurs) et des commandes (acheteurs). L'objectif est de maximiser un score global unique, dérivé de la somme pondérée de quatre critères opérationnels normalisés :

1. Alignement des prix ($f_{price}$) : Mesure de similarité entre le prix unitaire de l'offre et celui de la commande.
2. Alignement des quantités ($f_{quantity}$) : Favorise l'appariement de volumes compatibles pour maximiser l'utilisation des stocks hétérogènes.
3. Alignement de la fraîcheur ($f_{freshness}$) : Implémente une stratégie « Premier Expiré, Premier Sorti » (FEFO) en minimisant l'écart de dates d'expiration entre l'offre et la commande.
4. Distance géographique ($f_{distance}$) : Fonction de décroissance exponentielle favorisant les transactions locales pour réduire l'impact carbone du transport.

La fonction de score globale est définie par :
$$Score = w_1 f_{price} + w_2 f_{quantity} + w_3 f_{freshness} + w_4 f_{distance}$$
où les poids $w_i$ sont ajustables et transparents, permettant aux opérateurs de la plateforme de modifier les priorités dynamiquement.

B. Architecture de l'Implémentation

Le système est implémenté en Java avec la bibliothèque d'optimisation ojAlgo. Il fonctionne selon un pipeline itératif en quatre étapes :

1. Construction du graphe faisable : Filtrage des paires offre-commande selon des contraintes « dures » (compatibilité produit, fenêtres temporelles, contraintes logistiques, chevauchement des plages de prix).
2. Scoring pondéré : Calcul des scores pour chaque arc faisable.
3. Optimisation MILP : Résolution du problème d'affectation pour maximiser le bénéfice total pondéré, avec des mécanismes d'optimisation (élagage des candidats, filtrage LP) pour gérer la complexité computationnelle.
4. Circulation des résidus : Les quantités non allouées (offres non vendues ou commandes non satisfaites) ne sont pas jetées. Si elles ne sont pas expirées, elles sont réinjectées dans le cycle d'allocation suivant. Les produits expirés sont redirigés vers des circuits de dégradation (ex: jus, alimentation animale).

3. Contributions Clés

1. Opérationnalisation de l'économie circulaire : Le cadre transforme les principes circulaires (réutilisation des stocks, localisation) en contraintes et objectifs algorithmiques exécutables dans un système de trading numérique.
2. Transparence et ajustabilité : Contrairement aux approches de front de Pareto complexes, la somme pondérée offre une solution unique et interprétable, permettant aux décideurs de comprendre et d'ajuster l'impact de chaque priorité (prix vs distance vs fraîcheur).
3. Gestion itérative des résidus : L'intégration d'un mécanisme de « circulation des résidus » permet de traiter l'allocation non pas comme un événement ponctuel, mais comme un processus continu, réduisant ainsi le gaspillage inévitable.
4. Validation empirique sur un cas réel : Utilisation d'un jeu de données réaliste (ENG-Apple) couvrant l'approvisionnement et la demande en pommes au Royaume-Uni pour évaluer sept stratégies de pondération différentes.

4. Résultats de l'Évaluation

L'évaluation a comparé sept stratégies de pondération (poids égaux, priorité au prix, à la quantité, à la date d'expiration, à la distance, et des versions extrêmes).

• Utilisation des stocks : Toutes les stratégies ont atteint un taux d'utilisation de l'offre domestique élevé (environ 95,5 % à 96,7 %), démontrant l'efficacité du modèle à capturer la majorité des opportunités de trading.
• Impact des priorités :
  • Priorité à la distance : Réduit significativement les distances de transport (de ~865 km à ~670 km pour les commandes) et augmente l'utilisation des pommes locales, mais entraîne une fragmentation accrue des commandes (moins de commandes entièrement satisfaites).
  • Priorité à la quantité : Maximise le nombre de commandes satisfaites et le taux de remplissage des acheteurs, mais au prix d'une concentration de l'allocation sur certains fournisseurs et d'une augmentation des distances de transport.
  • Priorité à l'expiration (FEFO) : Réduit l'écart de fraîcheur (de 5,75 à 5,57 jours) sans compromettre significativement le volume total alloué.
  • Priorité au prix : Améliore les résultats économiques pour les vendeurs, mais a un impact limité sur la localisation ou la fraîcheur.
• Limites structurelles : Les résultats montrent que l'efficacité d'une stratégie dépend fortement de la structure du réseau d'approvisionnement (concentration géographique, distribution des prix). Aucune configuration statique n'est universellement optimale.
• Gestion des résidus : Environ 3 à 5 % des stocks restent non alloués, principalement en raison de décalages de prix incompatibles. Le système identifie ces échecs via des diagnostics, permettant des interventions correctives.

5. Signification et Implications

Cette étude démontre que l'allocation de denrées périssables dans une optique d'économie circulaire ne peut pas reposer sur une optimisation statique unique.

• Conception des plateformes : Les plateformes de trading numérique doivent être conçues autour de solutions « bonnes enough » (suffisamment bonnes) et itératives plutôt que d'une optimisation exhaustive, en intégrant explicitement la réintroduction des stocks non vendus.
• Prise de décision adaptative : La capacité à ajuster dynamiquement les poids des objectifs permet aux opérateurs de réagir aux conditions du marché (ex: favoriser la localisation en période de crise logistique, ou la fraîcheur en cas de surproduction).
• Réduction du gaspillage : En traitant les incompatibilités non comme des déchets inévitables mais comme des signaux diagnostiques, le cadre permet de réduire le gaspillage évitable et d'orienter les produits vers des circuits de valorisation appropriés.

En conclusion, l'article propose un outil décisionnel robuste qui équilibre performance économique et durabilité, prouvant que l'algorithmique peut jouer un rôle central dans la transition vers des chaînes d'approvisionnement alimentaires circulaires.