Thèse Amina CHELLY BEN YOUNES

Sous la pression externe des gouvernements et des clients conscients des enjeux environnementaux, les entreprises sont plus que jamais obligées de réduire leurs émissions de carbone. Par conséquent, elles sont poussées à trouver les moyens pour optimiser la gestion de leurs chaînes logistiques afin d’améliorer leurs performances environnementale et économique. Dans ce cadre s’intègre la problématique de gestion de chaîne logistique à faible teneur en carbone qui consiste à repenser les décisions de la gestion de la CL en vue de réduire les émissions de carbone. Dans la présente thèse, nous abordons cette problématique. Nous cherchons d’abord à comprendre les différentes caractéristiques de ce problème et à identifier ses facteurs clés. Une telle étude demeure essentielle pour faciliter l’analyse de la littérature existante en termes de modélisation et d’incorporation de paramètres liés aux émissions de carbone dans les modèles mathématiques d’aide à la décision. Nous proposons ensuite de contribuer à la littérature en développant de nouveaux modèles de conception de chaîne logistique sous la législation de la taxe carbone, en proposant une meilleure intégration de cette réglementation. Nous considérons alors dans nos modèles, d’une part, la non homogénéité des taxes carbone entre les pays, puis d’autre part, la progressivité de ce système législatif. A travers la résolution analytique et numérique de nos modèles, nous étudions l’impact de la taxe carbone sur les décisions stratégiques des entreprises et leurs performances. Nous mettons ainsi l’accent sur l’efficacité de cet outil législatif, ainsi que sur les nouvelles directives à mettre en place par les gouvernements pour mieux inciter les entreprises à minimiser leurs impacts indésirables sur

L’environnement. Finalement, nous initions la modélisation sous incertitude du problème d’investissement stratégique dans le cadre de la législation de taxe carbone, en considérant d’abord une demande client aléatoire, puis des taxes carbones évolutives et incertaines. Nous proposons une évaluation de nos modèles stochastiques développés en les exploitant sur des exemples numériques et en les comparant aux modèles déterministes largement étudiés dans la littérature