• Aucun résultat trouvé

Catégorie Investissement Technologique (IT)

Chapitre I : Caractérisation du problème de gestion des chaînes logistiques à faible teneur en carbone

1.3. Revue de la littérature

1.3.2. Catégorie Investissement Technologique (IT)

Les articles de la catégorie IT ont étudié la décision du choix de technologie en prenant en considération les performances environnementales des technologies disponibles en termes d‘émission de carbone comme critère essentiel dans ce choix stratégique. En effet, les législations de carbone sont conçues pour inciter les entreprises à investir dans des technologies propres. Les travaux de cette catégorie ont intégré dans les modèles classiques de choix de technologies les contraintes législatives et /ou de la demande sensible aux émissions de carbone pour étudier leurs impacts sur les décisions d‘investissement stratégique de la CL et sa performance économique et environnementale.

Bouchery et al. (2011) ont utilisé un modèle bi-objectif pour évaluer et comparer l‘efficacité des options d'ajustement opérationnel et d'investissement technologique dans la réduction des coûts et des émissions de carbone de la CL.

Jiang et Klabjan (2012) ont été parmi les premiers auteurs à intégrer l'incertitude de la demande dans le problème de sélection de technologies de production.

Wang et al. (2013) ont développé un programme dynamique stochastique sur un horizon infini. Les auteurs étudient les décisions de choix de technologie (entre deux technologies disponibles) et de planification de la capacité de production afin de répondre à une demande incertaine.

Dans Drake et al. (2015) et Song et al. (2016), les auteurs ont intégré une autre source d'incertitude, à savoir l'incertitude de la législation de carbone.

Tous les articles mentionnés ci-dessus, ont considéré une structure de CL à un seul échelon. Dans une autre perspective, Dong et al. (2016) ont étudié une CL décentralisée à deux échelons où le fabricant décide d'abord de la qualité environnementale du produit, en choisissant son investissement en technologie de production, puis le commerçant décide de sa commande en vertu de la législation du marché de carbone.

Xu et al. (2016) ont également étudié les décisions de production et d‘investissement pour réduire les émissions de carbone globales dans la CL d'un fabricant et d'un détaillant soumis à la législation de marché de carbone.

Sur la base du modèle de Stackelberg, et en intégrant à la fois une subvention pour l‘investissement vert et une législation de taxe carbone, Zhuo et Wei (2016) ont conçu une CL verte à deux échelons et ont analysé l'impact combiné des législations de carbone et de l'incertitude de la demande sur les décisions des différents acteurs de la CL.

En outre, certains auteurs ont intégré la pression des consommateurs sensibles aux émissions de carbone dans les contraintes du problème de choix de technologies.

Glock et al. (2012) ont présenté un modèle de GCLFTC qui illustre les compromis entre qualité environnementale des produits, demande, coûts et profit dans une CL.

Zanoni et al. (2014a) ont développé un modèle intégré de gestion de la production et de stock pour une CL à deux échelons (vendeur-acheteur) dans lequel un investissement est nécessaire pour améliorer la performance environnementale des produits fabriqués. Ils ont ainsi envisagé une fonction de demande sensible au prix unitaire du produit et à sa qualité environnementale.

35

Liu et al. (2012) ont utilisé le paradigme du jeu dynamique pour étudier l'impact de la sensibilité des clients aux émissions de carbone et à la concurrence sur la rentabilité des différents acteurs de la CL.

Xiong et al. (2016) ont analysé les impacts, de la sensibilité des clients aux problématiques environnementales, de la taxe carbone et de la concurrence, sur les performances économiques et environnementales d‘une CL formée par un fabricant et un détaillant.

Liu et al. (2013) se sont intéressés à intégrer la contrainte de la concurrence dans le problème de choix de technologie. Ils ont alors étudié les conditions dans lesquelles le gouvernement peut définir de manière stratégique une taxe carbone afin d'inciter les entreprises à adopter une technologie verte, et favoriser (ou entraver) une barrière à l'entrée.

Yalabik et Fairchild (2011) ont étudié les effets combinés de la réglementation, de la sensibilité des clients aux émissions de carbone et de la compétitivité sur la décision d'investissement technologique dans un contexte de comportement stratégique du client.

Plus récemment, Jiang et Chen (2016) ont examiné le même problème en ignorant la contrainte de la législation de carbone mais en soulignant le caractère incertain de la demande sensible aux émissions de carbone.

Enfin, Bazan et al. (2015) ont étudié le problème du choix de technologie avec la considération des émissions de carbone pour une chaîne logistique en boucle fermée. Ce travail a été parmi les premiers à élaborer un modèle de gestion de CL inverse respectueuse de l‘environnement et moins émettrice de carbone.

Dans le tableau 1.3, nous fournissons une classification des articles de cette catégorie en se référant au framework développé pour préciser comment ces travaux ont considéré les

36

Tableau 1.3. Classification des articles de la catégorie IT Articles

Sources d‘émission Législation Structure de la demande Horizon

Transport Production Inventaire Cap C&T Taxe Subvention Exog Sen /QE Sen/Prix Sen/Conc 1-période Multi périodes

Wang et al. (2013) X X X Liu et al. (2012) X X X X Bazan et al. (2015) X X X X X Xiong et al. (2016) X X X X X Dong et al. (2016) X X X X Subramanian et al. (2007) X X X X Drake et al. (2010) X X X X X Bouchery et al. (2011) X X X X X

Yalabik and Fairchild (2011) X X X X X X X

Toptal et al. (2013) X X X X X X X X

Krass et al. (2013) X X X X X

Garcìa-Alvarado et Chaabane (2016) X X X X

Xu et al. (2016) X X X X X

Jiang and Klabjan (2012) X X X X X X X

Jiang and Chen (2016) X X X X

Song et al. (2016) X X X X X

Drake et al. (2015) X X X X X

Glock et al. (2012) X X X X

Zanoni et al. (2014a) X X X

Zhuo and Wei (2016) X X X

Liu et al. (2013) X X X X

37