Développement et application d'un modèle de simulation à base d'agents pour l'analyse de stratégies de logistique inverse : une étude de cas sur les bouteilles de vin au Québec
Bibliographic record
Abstract
Les réseaux de distribution visent à fournir les bons produits aux consommateurs au bon moment et au bon endroit.Lorsque les consommateurs retournent ces produits, un autre type de réseau logistique intervient.Cette fonction de retour des produits en fin de vie est appelée "logistique inverse".Une caractéristique essentielle de ces réseaux de logistique inverse est que leurs flux de matières dépendent souvent de l'action volontaire du consommateur.Par conséquent, le succès d'une stratégie de collecte des produits en fin de vie dépend de la capacité à comprendre les facteurs qui influencent le comportement des consommateurs afin d'anticiper le taux de collecte de ces produits en fin de vie dans des lieux spécifiques.Cependant, il n'existe pas d'outil ou de méthodologie établis pour évaluer l'impact des décisions des consommateurs sur les flux de matériaux de la logistique inverse.Par conséquent, cette thèse propose un outil de simulation à base d'agents pour analyser la performance d'un réseau de logistique inverse en tenant compte de d'une part de la localisation des points de collecte, mais aussi des caractéristiques sociodémographiques, des attitudes envers l'environnement ainsi que des profils de consommation de la population.Plus spécifiquement, cette thèse présente la configuration, la calibration et la validation du modèle développé à une étude de cas du programme de collecte volontaire de bouteilles de vin dans la région du Val-Saint-François au Québec.Comme ce programme de collecte a été officiellement lancé en 2019, deux échantillons empiriques ont été obtenus pour tester la validité du modèle et étudier comment les interactions sociales, telles que le bouche-à-oreille, contribuent au succès du programme de collecte.Le premier échantillon représente la quantité de verre collectée au cours des 26 dernières semaines de 2019, tandis que le second couvre les 13 premières semaines de 2020.Ayant observé une augmentation des taux de collecte entre 2019 et 2020, le bouche-à-oreille a été introduit dans le modèle pour expliquer ce phénomène.Les expériences démontrent que le modèle est effectivement valide avec l'inclusion de la diffusion de la sensibilisation au programme, car les résultats des simulations sont statistiquement cohérents avec les données empiriques.Les expériences mettent également en évidence la capacité de l'outil à fournir des informations utiles pour supporter la conception de stratégies de collecte qui maximisent les taux de retour et minimisent les coûts d'installation et d'exploitation en optimisant le nombre et l'emplacement de points de collecte dans le réseau de logistique inverse.v
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".