Architecturer la résilience dans le transport mondial de fret grâce à un cadre d’IA causale

Résumé

Cet article présente un cadre d’IA causale utilisant un réseau bayésien pour modéliser les risques systémiques dans le transport mondial de fret. L’objectif est de renforcer la prise de décision stratégique en quantifiant comment les risques fondamentaux impactent les indicateurs clés de performance (coût, délais, fiabilité), permettant ainsi une atténuation proactive et guidée avec précision.

Résumé

L’industrie mondiale du transitaire de fret fait face à des risques complexes et en cascade. Les méthodes analytiques conventionnelles sont souvent inadéquates pour gérer ces risques. Cet article propose un protocole pour construire et utiliser un cadre causal d’intelligence artificielle (IA) pour la gestion des risques systémiques. Le protocole se compose de trois étapes principales. La première étape consiste à construire un réseau bayésien (BN) hiérarchique. Ce BN sert de graphe de connaissance causal. Sa construction synthétise l’expertise du domaine pour cartographier les relations entre les facteurs de risque fondamentaux et les indicateurs clés de performance (KPI) : coût, temps et fiabilité. La deuxième étape est la paramétrisation du BN par la définition des probabilités conditionnelles. Cette étape fusionne le jugement d’expert avec les analyses issues des rapports sectoriels. Le modèle Noisy-MAX est utilisé pour gérer l’incertitude dans des environnements à faible faible nombre de données. À l’étape finale, le modèle paramétré est utilisé pour effectuer des simulations prédictives et des analyses diagnostiques. L’inférence directe génère un profil de risque de référence. Parallèlement, l’analyse de sensibilité identifie les points d’intervention à fort effet de levier. L’application de ce protocole apporte plusieurs informations cruciales : (i) l’offre et la demande du marché sont identifiées comme le nœud central du risque systémique. (ii) Le modèle génère des empreintes de risque distinctes pour chaque KPI. Le coût présente la plus grande vulnérabilité face aux facteurs commerciaux. Le temps est le plus sensible aux perturbations logistiques. La fiabilité est particulièrement exposée aux menaces de cybersécurité. Ce travail apporte un outil d’IA interprétable. L’outil fonctionne comme un moteur hypothétique. Il permet aux transitaires de passer d’une gestion de crise réactive à une atténuation des risques proactive et guidée avec précision.

Introduction

L’industrie mondiale du transitaire est l’épine dorsale invisible du commerce moderne, un écosystème de plusieurs milliers de milliards de dollars orchestrant le flux de marchandises qui sous-tend la fabrication mondiale et le commerce^{électronique.} Son fonctionnement sans faille n’est pas une simple commodité logistique, mais un déterminant direct de la stabilité économique^{mondiale 2}. Cependant, cette infrastructure critique fait désormais face à une tempête parfaite de pressions convergentes. La concurrence intense^{sur le marché 3}, le renforcement des réglementations^{sur la durabilité 4}, les technologies^{disruptives 5} et la volatilité géopolitique sans précédent⁶ ne sont plus des défis isolés. Au lieu de cela, ils se sont fusionnés dans un réseau complexe de risque systémique, où une seule perturbation — une grève portuaire, un nouveau tarif, une cyberattaque — peut déclencher des défaillances en cascade sur toute la chaîne d’approvisionnement. Ce niveau élevé d’interconnexion signifie que la gestion des risques en silos n’est plus viable ; La survie dépend de la compréhension du système dans son ensemble.

Cette nouvelle réalité présente un défi crucial qui défie à la fois l’analyse traditionnelle des risques et l’IA conventionnelle. Les outils traditionnels comme l’analyse des arbres de défaut (FTA) sont trop rigides, ne saisissant pas la nature probabiliste et interdépendante des risques^{modernes 7,8}. De nombreux modèles de résilience de la chaîne d’approvisionnement existants, qu’ils soient analytiques ou pilotés par l’IA, sont conçus pour des secteurs à forte richesse en actifs comme la fabrication, en se concentrant sur les perturbations des flux physiques et des tampons^{d’inventaire 6,9}. Des revues récentes du domaine montrent que ces cadres se concentrent généralement sur des capacités fondées sur la conception de la chaîne d’approvisionnement, la collaboration organisationnelle et la flexibilité pour résister aux^{perturbations 9}. Parallèlement, l’essor de l’intelligence artificielle a introduit de puissants nouveaux outils pour la gestion des risques. Comme le montre une revue systématique de Zamani et ^al.6, l’IA et l’analyse de big data ont montré un grand potentiel pour renforcer la résilience, notamment pour la prévision des perturbations et l’optimisation des réponses lorsque suffisamment de données historiques sont^{disponibles 10}.

Cependant, un vide critique subsiste dans le contexte unique du transport de marchandises à l’échelle mondiale. Bien que les modèles existants traitent les perturbations physiques, ils manquent souvent de granularité pour saisir les facteurs de risque non physiques, mais critiques, — tels que les relations commerciales, l’intégrité de l’information et les pressions macroéconomiques — qui définissent l’industrie du transitoire, axée sur les actifs^{et centrée sur les services 10,11}. Cette lacune dans la littérature laisse les dirigeants du secteur à l’aveugle, armés d’intuition mais dépourvus d’une boussole quantitative et intelligente pour naviguer dans un paysage où les données sont rares et où l’explicabilité causale est primordiale pour la prise de décision stratégique.

Cet article comble cette lacune en introduisant un nouveau cadre d’IA causale spécifiquement conçu pour l’écosystème du transit. Nous utilisons les réseaux bayésiens (BN), une forme de modèle graphique probabiliste qui excelle à l’intersection des données, de l’incertitude et des connaissances^expertes. Bien que les réseaux bayésiens soient une méthodologie établie, la nouveauté de cette recherche réside dans la conception architecturale novatrice des modèles, en particulier leur structuration hiérarchique adaptée au paysage des risques du transit, l’intégration de risques commerciaux et opérationnels disparates dans un graphe causal cohérent, et une stratégie de paramétrisation adaptée à l’environnement industriel où les données sont rares. Contrairement aux modèles purement pilotés par les données, les BN fournissent une représentation transparente et en boîte blanche du système, permettant à la fois un raisonnement prédictif (et si) et diagnostique (pourquoi). Cette approche a prouvé sa capacité à démêler les risques systémiques dans des domaines adjacents à enjeux élevés tels que la sécurité maritime^{11, 12, 13, 14, 15, 16} et les systèmes^{énergétiques 7, 8, 15, 16, 17, 18, 19}. D’autres preuves de leur polyvalence se trouvent en génie civil, où ils modélisent les risques spécifiques aux projets^{20, 21}, et en aviation, où ils analysent les facteurs causaux des accidents de^{drones 22}. Ces applications fournissent une preuve de concept solide, pourtant aucun tel modèle n’existe pour le paysage unique des risques liés au transit, caractérisé par son mélange de pressions commerciales, opérationnelles et stratégiques.

Notre contribution est triple : établir un nouveau paradigme pour une gestion intelligente des risques en logistique :
Graphe de connaissances causalement en IA pour le risque systémique : Nous construisons le premier modèle intégré et hiérarchique pour ce secteur, allant au-delà des listes de risques simples ou des modèles corrélationnels. Il sert de graphe de connaissances qui visualise et quantifie les voies causales allant des changements géopolitiques à la performance globale, offrant une vision globale sans précédent.
Du risque abstrait à un jumeau numérique stratégique : Ce modèle traduit les risques abstraits en leur impact direct sur les trois KPI clés clés : Coût, Temps et Fiabilité. Il fonctionne comme un jumeau numérique stratégique, permettant aux décideurs de simuler les effets de diverses perturbations et choix politiques, mettant ainsi à l’épreuve leur résilience avant qu’une crise ne survienne.
Intervention stratégique guidée de précision : Grâce à l’analyse de sensibilité, ce cadre dépasse la gestion de crise réactive. Il identifie les points d’intervention les plus importants au sein du système, répondant quantitativement à des questions critiques telles que : Investir dans la cybersécurité ou dans la diversification des relations avec les transporteurs est-il plus efficace pour améliorer la fiabilité de la livraison ?

Pour garantir la solidité des revendications causales, le cadre proposé sera validé à l’aide de stratégies établies. Cela inclut : (1) la simulation d’interventions ciblées pour vérifier si les prédictions du modèle correspondent aux connaissances du domaine ; (2) réaliser des analyses de sensibilité pour évaluer l’impact des variables potentiellement omises ; et (3) utiliser des algorithmes d’apprentissage structurel sur des données de sous-ensembles disponibles comme vérification croisée pour la structure de graphe définie par l’expert.

En somme, cette recherche fournit une boussole quantitative, propulsée par l’IA, pour naviguer dans l’environnement turbulent de l’industrie. Elle permet aux parties prenantes de prendre des décisions éclairées par les données et conscientes du causalisme, transformant le risque d’une menace incontrôlable en une variable stratégique gérable, assurant ainsi à la fois la résilience et un avantage concurrentiel.

Protocole

Cadre de modélisation causale de l’IA
Le cadre causal d’IA a été construit sur les fondations des réseaux bayésiens (BN), une classe de modèles probabilistes d’IA en boîte blanche. Contrairement aux modèles en boîte noire comme les réseaux de neurones profonds, les BN offrent une structure transparente idéale pour les domaines nécessitant explicabilité et raisonnement^{causal 11}. Le cœur du cadre était un graphe acyclique dirigé (DAG), qui fonctionnait comme un graphe de connaissance causal, cartographiant explicitement les relations de cause à effet au sein de l’écosystème du transit.

La force de ces relations a été quantifiée à l’aide de tables de probabilité conditionnelle (CPT). Chaque nœud de BN était associé à un CPT. Le CPT d’un nœud définit la probabilité que ce nœud soit dans un état donné. Cette probabilité était conditionnée aux états de ses nœuds parents. Par exemple, considérons le nœud Industry Time Performance de ce modèle. Son CPT définit la probabilité que le résultat soit retardé ou à temps pour chaque combinaison d’états de ses nœuds parents : risque de transport, risque opérationnel et de conformité, et risque de partenaire. Cette capacité de modélisation probabiliste des dépendances multi-états offrait un avantage distinct par rapport aux méthodes déterministes.

La structure d’un BN permettait des calculs de probabilité efficaces. Cela permettait de calculer la distribution de probabilité conjointe complète sur toutes les variables. Soient ces variables X = {X₁, ..., X_n}. Cette distribution résultait des probabilités conditionnelles locales. Chaque terme correspondait à la probabilité d’un nœud donné ses nœuds parents. Nous avons noté les parents du nœud X_i comme Pa(X_i). Cette relation s’est formulée comme suit :

Cette factorisation constituait la base mathématique des BN. Cela rendait l’inférence sur des réseaux complexes calculablement^{traitable 23}.

De manière cruciale pour la gestion des risques, ce cadre soutient l’inférence probabiliste bidirectionnelle. Cela permettait à la fois une analyse prospective et rétrospective.
Inférence prédictive (Forward) : Cette forme d’inférence évalue l’impact potentiel d’un événement de risque spécifique sur la performance globale du système. Par exemple, elle répond à la question suivante : si une cyberattaque majeure survient, quelle est la distribution de probabilité résultante pour le délai de livraison et le coût ? Ce calcul était effectué en plaçant le nœud de cyberattaque à un état spécifique comme preuve. Le BN a ensuite propagé cette nouvelle information à travers le réseau.
Inférence diagnostique (à l’envers) : Ce type d’inférence identifie les causes les plus probables d’un résultat observé. Cela peut répondre à la question : Face à une hausse inattendue des coûts, quelle est la cause la plus probable ? Dans ce scénario, le KPI du coût était fixé comme preuve (par exemple, état = Élevé). Le réseau a ensuite mis à jour les probabilités de tous les facteurs causaux potentiels. Cette fonction est essentielle pour une analyse efficace des causes profondes et des efforts ciblés^{d’atténuation 22}.

Ingénierie des connaissances et construction de graphes causaux
La construction du graphe causal était une phase critique de l’ingénierie des connaissances. Compte tenu de la rareté des données structurées sur les risques systémiques, nous avons synthétisé l’expertise de domaine à partir d’une revue ciblée de la littérature académique et de rapports industriels faisant autorité, en suivant des méthodologies établies pour la construction de modèles basés^{sur la connaissance 24}. Ce processus a transformé la connaissance qualitative des experts en une structure causale formelle et lisible par machine, un avantage clé de l’approche hybride de l’IA par rapport aux méthodes purement basées sur^{les données 11}.

Grâce à cette procédure, un ensemble complet de 13 variables a été identifié et organisé en une structure hiérarchique à trois couches, comme illustré à la Figure 1. Elle a délimité les voies causales allant des moteurs au niveau macro aux résultats de performance spécifiques. Le modèle se composait d’un total de 13 variables, ou nœuds. Ces nœuds sont classés en trois couches distinctes : (1) Facteurs de risque fondamentaux (nœuds racines), (2) Zones de risque industrielles principales (nœuds intermédiaires), et (3) Performance finale de l’industrie (nœuds feuilles). Une spécification détaillée de chaque variable, de ses états potentiels et de ses parents causaux est présentée dans le Tableau 1.

Couche 1 : Facteurs de risque fondamentaux
Ces cinq nœuds exogènes représentent les sources d’incertitude au niveau macro qui échappent en grande partie au contrôle d’une entreprise mais créent l’environnement dans lequel elle opère. Cette sélection est conforme aux cadres stratégiques de gestion des risques qui analysent l’environnement commercial externe.
Géopolitique et économie (Node 1) : Cette catégorie combine des risques politiques et économiques. Le rôle crucial de ces facteurs macro-environnementaux est un thème central dans la gestion des risques de la chaîne d’approvisionnement. Comme l’ont documenté Wu et Li dans leur analyse des impacts réglementaires tels que les taxes carbone, des facteurs tels que les différends commerciaux et les réglementations volatiles influencent directement la conformité et la planification^{opérationnelle 4}. Nous opérationnellisons donc ces conditions comme un driver racine avec des états Instable et Stable.
Catastrophes (Node 2) : Ce nœud représente des perturbations à grande échelle dues à des catastrophes naturelles et des pandémies. La fréquence croissante et l’impact croissants de tels événements sur les réseaux logistiques constituent un thème central dans la littérature sur la résilience des chaînes d’approvisionnement. Ces risques de type danger déclenchent de graves perturbations en cascade dans tout le réseau logistique, soulignant leur nécessité en tant que nœud racine dans tout cadre de risque moderne (https://www.millenniumcargo.com/risk-management-freight-forwarding/).
Offre et demande du marché (Node 3) : Ce moteur est inclus pour capturer les fortes pressions commerciales inhérentes à l’industrie. Comme démontré dans l’analyse d’équilibre de Xu et ^al.3, les déséquilibres entre la capacité d’expédition et la demande sont un déterminant fondamental de la rentabilité et de la stabilité des partenaires au sein de la chaîne d’approvisionnement des services^{maritimes 3}. Compte tenu de son impact fondamental sur l’ensemble de l’écosystème, nous le modélisons comme un moteur principal.
Solvabilité du client (Node 4) : Ce nœud représente un risque financier clé provenant de l’environnement commercial externe. L’importance du risque de contrepartie, en particulier la viabilité financière des clients, est un sujet bien établi dans la littérature sur la finance des chaînes d’approvisionnement, impactant directement les flux de trésorerie et la rentabilité²⁵. Son inclusion est donc essentielle pour modéliser la stabilité financière.
Environnement de cybersécurité (Node 5) : Ce nœud représente le paysage de menaces technologiques externes. Dans un secteur de plus en plus numérisé, la cybersécurité est passée de problèmes techniques à un risque opérationnel systémique. Comme l’ont souligné Garg et^{Vemaraju 5}, l’intégration de l’IoT et de l’IA amplifie cette vulnérabilité^, faisant de l’environnement de menace externe un facteur exogène critique.

Couche 2 : Zones de risque principales de l’industrie
Ces nœuds intermédiaires représentent les risques directs auxquels sont confrontés les transitaires. Ces risques couvrent les domaines opérationnels, commerciaux et technologiques. Les nœuds fonctionnent comme des intermédiaires au sein de la chaîne causale. Ils traduisent les moteurs au niveau macro en défis internes spécifiques.
Risque de transport (Node 6) : Ce nœud concerne le mouvement physique des biens. Son inclusion est fondamentale, car le transport est la fonction centrale du transit. Elle est directement affectée par les perturbations physiques (catastrophes) et la fiabilité des partenaires logistiques (risque des partenaires), un thème récurrent dans la littérature sur la gestion des risques logistiques (https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/).
Risques opérationnels et de conformité (Node 7) : Cette catégorie englobe les risques liés à l’exécution quotidienne et au respect des réglementations. L’impératif de maintenir la conformité, en particulier en matière de durabilité et de réglementations changeantes, représente un défi opérationnel important qui peut entraîner des amendes et des retards, comme l’ont analysé Wu et^{Li 4}.
Risque financier (Node 8) : Ce nœud représente la stabilité financière interne du transitaire. Ses moteurs sont multiples, découlant de la volatilité macroéconomique (géopolitique et économie), des pressions du marché affectant les taux et la rentabilité (offre et demande du marché⁾³, ainsi que du risque de défaut de paiement direct de la contrepartie (solvabilité du client)²⁵.
Risque partenaire (Nœud 9) : Les transitaires opèrent au sein d’un réseau de partenaires (transporteurs, courtiers en douane). La fiabilité de ce réseau est primordiale. Ce nœud est inclus pour modéliser le risque d’échecs des partenaires, qui peuvent être déclenchés par des perturbations à grande échelle (catastrophes) ou de fortes pressions du marché menaçant leur viabilité^{commerciale 3}.
Risque technologique (Node 10) : Ce risque concerne les vulnérabilités des systèmes numériques internes du transitaire. À mesure que les entreprises adoptent des technologies plus avancées comme l’IoT et l’IA, leur exposition interne aux défaillances informatiques et aux cyberattaques augmente, faisant de la résilience technologique interne un domaine de risque distinct^{et critique 5}.

Couche 3 : Performance finale de l’industrie
Ces trois nœuds feuilles représentent les résultats finaux de l’entreprise et correspondent aux indicateurs les plus largement acceptés pour évaluer la logistique et la performance de la chaîne d’approvisionnement. On les appelle souvent le triangle logistique ou triangle d’or, où un compromis existe souvent entre eux.
Performance des coûts industriels (Node 11) : Représentant le coût total du service, il s’agit d’un KPI principal pour toute opération logistique. C’est le résultat direct des gains d’efficacité internes (risque opérationnel et de conformité) et de stabilité financière (risque financier).
Performance temporelle de l’industrie (Node 12) : La rapidité de livraison est une pierre angulaire de la qualité des services logistiques. Cet ICP dépend directement de l’intégrité du transport physique (risque de transport), de la fluidité des processus quotidiens (risque opérationnel et de conformité) et de la fiabilité des partenaires exécutant le service (risque associé).
Fiabilité industrielle (Node 13) : La fiabilité globale du service est une mesure plus large de la fiabilité et de la confiance. Ce KPI est donc modélisé comme étant influencé par l’intégrité du transport physique (risque de transport), l’exécution opérationnelle (risque opérationnel et de conformité) et la robustesse des systèmes technologiques qui sous-tendent les services logistiques modernes (risque technologique). Cette structure hiérarchique fournit une organisation logique des facteurs de risque identifiés. De plus, il permet au réseau bayésien de modéliser la propagation du risque. Cette propagation s’étend des facteurs macro externes, à travers des défis opérationnels spécifiques, jusqu’aux impacts commerciaux finaux et mesurables.

Paramétration du modèle d’IA dans un environnement où les données sont rares
La paramétrisation des modèles suivait la définition de la structure du réseau. Cette étape cruciale consistait à spécifier la probabilité pour chaque nœud. Un ensemble de données quantitatif complet sur les risques systémiques liés au transitage de marchandises n’est pas disponible. Par conséquent, les probabilités ont été recueillies par une évaluation simulée par panel d’experts. Cette méthodologie synthétisait des analyses quantitatives avec des jugements qualitatifs. Les contributions provenaient de rapports industriels faisant autorité et de littérature académique pertinente.

De plus, les évaluations des risques issues de la littérature et des avis d’experts contiennent une imprécision et une subjectivité inhérentes. La théorie des ensembles flous a été employée pour expliquer formellement cette incertitude^19,21. Par conséquent, les probabilités évoquées ont été conceptualisées comme des nombres flous plutôt que comme des valeurs à un seul point. Pour plus de clarté dans la présentation, cet article rapporte des probabilités précises. Chaque valeur croustillante, cependant, représente le point le plus représentatif (par exemple, le centroïde) d’une distribution de probabilité floue sous-jacente. Cette approche reconnaît formellement qu’une déclaration qualitative, telle que haut risque, correspond à un spectre de valeurs plutôt qu’à un chiffre unique et précis.

Le processus de paramétrisation comprenait deux étapes principales. La première étape a défini les probabilités marginales pour tous les nœuds racines. La deuxième étape a défini les probabilités conditionnelles pour tous les nœuds enfants. Ce second étage utilisait le modèle Noisy-MAX.

Élicitation des probabilités pour les nœuds racines
Les nœuds racines du BN correspondent aux nœuds 1 à 5. Ces facteurs sont les principales sources de risque. Les probabilités marginales pour ces nœuds ont été estimées selon la procédure détaillée ci-dessous. Le tableau 2 présente les valeurs estimées finales.
Géopolitique et économie (Node 1) : La probabilité d’un état instable a été estimée à 0,30. Cette valeur provient des rapports d’institutions telles que l’Organisation mondiale du commerce (OMC). Ces rapports documentent des tensions commerciales persistantes et une volatilité économique mondiale significative (https://www.wto.org/english/res_e/publications_e/publications_e.htm).
Catastrophes (Node 2) : La probabilité de catastrophes fréquentes était fixée à 0,15. Cette estimation était basée sur des analyses menées par des sociétés de renseignement des risques. Ces analyses documentent la fréquence croissante des événements météorologiques extrêmes et d’autres perturbations à grande échelle, y compris les pandémies (https://www.everstream.ai/risk-center/).
Offre et demande du marché (Node 3) : La probabilité d’un marché déséquilibré a été fixée à 0,40. Cette valeur reflète la volatilité bien documentée de la capacité d’expédition et des tarifs de fret. Cette volatilité est un thème récurrent dans les principales revues du secteur (https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport).
Solvabilité du client (Node 4) : La probabilité de mauvaise solvabilité a été estimée à 0,10. Ce chiffre était basé sur des études mondiales sur les défauts d’entreprise. Ces études quantifient le risque de base de non-paiement dans les transactions interentreprises (https://www.spglobal.com/ratings/en/regulatory/annual-reviews).
Environnement de cybersécurité (Node 5) : La probabilité d’un environnement hostile était fixée à 0,25. Cette estimation a été fondée sur des rapports sur les menaces numériques. Ces rapports documentent le volume croissant et la sophistication des cyberattaques ciblant les chaînes d’approvisionnement et les infrastructures critiques (https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html).

Élicitation des probabilités conditionnelles à l’aide de Noisy-MAX
Définir des tables de probabilité conditionnelle (CPT) pour les nœuds avec plusieurs parents est une tâche complexe. Le modèle Noisy-MAX a donc été utilisé pour gérer cette^{complexité 26}. Ce modèle est une généralisation du célèbre cadre Noisy-OR. Cette approche est très adaptée à la modélisation basée sur la connaissance car elle simplifie considérablement le processus d’élicitation. Le modèle réduit le nombre de paramètres requis pour chaque nœud. Au lieu d’une CPT complète, seuls deux types de paramètres ont été estimés pour chaque nœud enfant :
Probabilités d’influence indépendantes (ρ_i) : Ce paramètre quantifie la probabilité d’un mécanisme causal spécifique. Il représente la probabilité qu’un facteur parent unique, agissant seul, fasse entrer le nœud enfant dans son état à haut risque. L’estimation de ces probabilités repose sur une analyse d’études de cas sectorielles à fort impact et bien documentées. Par exemple, considérons l’influence de l’environnement de cybersécurité sur les résultats opérationnels. La cyberattaque largement citée de NotPetya contre Maersk en fournit un exemple pertinent. Cet événement constitue un exemple concret d’une seule défaillance technologique ayant provoqué une paralysie opérationnelle mondiale. Ce cas offre donc une base défendable pour estimer une forte probabilité d’influence indépendante pour ce lien causal spécifique (https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/).
Probabilité de fuite (ρ₀) : Ce paramètre capture l’influence de toutes les causes de fond non modélisées. Ces facteurs résiduels peuvent également amener le nœud enfant à entrer dans son état à haut risque. La probabilité de fuite représente donc le risque de base. Ce risque existe même lorsque tous les facteurs parentaux explicitement modélisés sont dans des états favorables et à faible risque.
Les paramètres recueillis pour tous les nœuds intermédiaires et feuilles sont présentés dans le Tableau 3. L’estimation de ces valeurs est dérivée d’une synthèse de rapports industriels faisant autorité et d’études de cas bien documentées. Les sections suivantes fournissent la justification spécifique de chaque paramètre.

Justification des probabilités intermédiaires des nœuds :
Risque de transport (Node 6) : L’influence des catastrophes est élevée (0,70). Cette valeur explique leur impact direct et sévère sur les infrastructures physiques (https://www.everstream.ai/risk-center/). L’influence du risque partenaire est également significative (0,60). Les défaillances des porte-avions entraînent un arrêt immédiat du transport. L’effondrement de Hanjin Shipping en est un exemple marquant (https://unctad.org/publication/review-maritime-transport-2024). La faible probabilité de fuite (0,05) représente des défaillances physiques mineures et isolées.
Risques opérationnels et de conformité (Node 7) : L’influence d’un environnement géopolitique instable est fixée à 0,50. Un tel environnement crée une incertitude importante en matière de conformité et des obstacles^{opérationnels 4}. L’impact du risque pour partenaires est également important (0,40). La non-exécution des partenaires provoque directement des défaillances opérationnelles et contractuelles. La probabilité de fuite est plus élevée (0,10) pour tenir compte du large spectre de facteurs internes non modélisés, tels que des erreurs humaines ou de procédé.
Risque financier (Node 8) : Plusieurs facteurs influencent fortement ce risque. Premièrement, une faible solvabilité du client (0,90) constitue la menace la plus directe. Il représente la forte probabilité de perte financière due au défaut de paiement^{du client 21}. Deuxièmement, le déséquilibre entre l’offre et la demande du marché (0,80) est très influencent. Cela impacte directement la volatilité des tarifs de fret et la rentabilité³. Troisièmement, une géopolitique et une économie instables (0,60) représentent un risque financier important en raison des fluctuations des prix des devises et des carburants. La très faible probabilité de fuite (0,02) implique que des difficultés financières importantes sont presque exclusivement attribuables à ces principaux moteurs économiques.
Risque partenaire (Nœud 9) : Les conditions déséquilibrées du marché sont le principal moteur de ce risque (0,70). Une concurrence intense et des tarifs de fret bas peuvent pousser les transporteurs vers l’insolvabilité. Les catastrophes sont également une cause importante (0,50). Ils peuvent désactiver les partenaires régionaux ou perturber leur capacité opérationnelle. La probabilité de fuite est fixée à un bas 0,05. Cette valeur représente le risque de base d’échec des partenaires pour des raisons idiosyncratiques, telles que la mauvaise gestion interne, qui n’est pas prise en compte par les événements majeurs du marché ou des catastrophes.
Risque technologique (Node 10) : Ce risque est directement et fortement influencé par un environnement de cybersécurité hostile (0,60). Cela reflète la forte probabilité que des menaces externes accrues entraînent des compromis internes^{du système 5}. La probabilité relativement élevée de fuite (0,10) explique les problèmes technologiques internes indépendants des attaques externes, tels que des bugs logiciels ou des pannes matérielles.

Justification des probabilités des nœuds feuilles :
Performance des coûts industriels (Node 11) : Un risque financier élevé est le principal facteur déterminant d’un résultat à coût élevé (0,90). Des facteurs comme le défaut de paiement des clients ont un impact immédiat et sévère sur la rentabilité. Un risque opérationnel et de conformité élevé est également un facteur très important (0,70). Cela engendre des coûts liés aux inefficacités, aux amendes et à la correction d’erreurs. La probabilité extrêmement faible de fuite (0,01) suggère que les dépassements majeurs de coûts sont presque exclusivement causés par ces deux zones de risque clés.
Performance temporelle de l’industrie (Node 12) : Le risque élevé de transport est la cause la plus directe d’un retard d’expédition (0,85). Un risque élevé pour les partenaires est presque aussi influent (0,75), car les transitaires dépendent entièrement de l’exécution des partenaires. L’influence du risque opérationnel et de conformité (0,60) est significative mais relativement moindre. Certains problèmes opérationnels, comme les retards douaniers, peuvent ne pas compromettre l’ensemble du délai de livraison (https://lpi.worldbank.org/). La très faible probabilité de fuite (0,02) reflète une hypothèse clé. Si le transport, les opérations et les partenaires fonctionnent tous de manière fiable, la probabilité d’un retard inexpliqué important est minime.
Fiabilité industrielle (Node 13) : La perception d’une faible fiabilité est fortement influencée par les défaillances du service physique central (Risque de transport, 0,80). Le risque technologique est le deuxième facteur majeur (0,65). Les pannes système ou les violations de données compromettent gravement la confiance des clients et l’intégrité du service. Le risque opérationnel et de conformité (0,50) est un autre facteur important, car les défaillances opérationnelles répétées érodent la perception de fiabilité. La probabilité de fuite (0,03) prend en compte d’autres facteurs mineurs qui influencent la perception du client.

Protocole de calcul pour l’implémentation du modèle
Construction du modèle : Nous avons lancé GeNIe et créé 13 nœuds Chance, les nommant selon le Tableau 1. Nous avons utilisé l’outil Add Arc pour tracer des liens causaux entre les nœuds, en reproduisant la structure présentée à la Figure 1 (Point de contrôle visuel 1 : La structure finale du réseau doit correspondre à la Figure 1).
Paramétrisation : Pour chaque nœud, nous avons ouvert Properties pour définir ses états (Tableau 1). Pour les nœuds racines, nous avons saisi les probabilités marginales du tableau 2 dans l’onglet Définition. Pour les nœuds enfants, nous avons sélectionné NoisyMAX comme type de nœud et saisi les paramètres d’Influence Causale Indépendante (ICP) et de Fuite du tableau 3.
Exécution de l’analyse :
Inférence de base : Nous avons cliqué sur l’icône Mettre à jour les croyances dans la barre d’outils principale pour calculer les probabilités de base pour tous les nœuds. (Point de contrôle visuel 2 : Les résultats doivent correspondre aux valeurs de probabilité de la Figure 2).
Analyse de sensibilité : Nous avons fait un clic droit sur un nœud KPI (par exemple, Coût) pour le définir comme cible, navigué dans Network > Sensitivity Analysis, sélectionné les nœuds racines comme entrées, et lancé l’analyse. (Point de contrôle visuel 3 : Les diagrammes de tornade générés devraient correspondre à ceux de la Figure 3).

Résultats

Intelligence de base issue du modèle d’IA causale
Nous avons d’abord exécuté le cadre d’IA entièrement paramétré pour générer un instantané de renseignement de base à l’échelle du système. L’inférence directe du modèle calcule la distribution marginale de probabilité pour chaque nœud, fournissant une prévision quantitative de l’état de risque de défaut de l’industrie. Le profil complet est illustré à la Figure 2.

Analyse des risques pri...

Discussion

Cette étude a proposé et démontré un cadre d’IA causale pour gérer le risque systémique dans l’industrie du transit. Les résultats identifient non seulement des facteurs de risque critiques, mais mettent également en lumière la nature complexe et interconnectée du paysage des risques. Cette section aborde les implications plus larges de ces résultats, les applications pratiques pour divers acteurs et les limites de la recherche actuelle.

La principale contribu...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Données du modèle causal	Les Auteurs (via Zenodo)	DOI : 10.5281/zenodo.17255289
GeNIe Academic	BayesFusion	Version 2.3