Baolong Liu

Cette thèse articule plusieurs questions importantes dans les opérations durables et la gestion de la chaîne d'approvisionnement, non seulement afin de fournir des idées pour améliorer la performance des entreprises, mais aussi pour inciter ces dernières à adopter les moyens appropriés pour un meilleur environnement de notre société. Le lien entre le niveau de l'entreprise et le niveau de la société est que l'amélioration de la performance écologique par une meilleure gestion des opérations dans les entreprises et les chaînes d'approvisionnement est un élément indispensable pour améliorer l'environnement dans notre société. Prenons la Chine comme exemple. Depuis quelques années, le gouvernement a commencé à favoriser toutes les initiatives pour résoudre les problèmes de pollution de l'air. Un moyen important et utile est de mettre en place une réglementation stricte et de surveiller les efforts des entreprises qui seront passibles d'amendes sérieuses si certaines normes ne sont pas respectées par des inspections aléatoires. Par conséquent, les entreprises doivent coopérer pour améliorer leur rentabilité et, plus important encore, leurs impacts environnementaux. Grâce à cet effort prolongé, malgré le fait que la situation future est incertaine, la qualité de l'air s'est progressivement améliorée en Chine. Cette thèse, dans un cadre plus général, vise à fournir aux entreprises des informations importantes afin qu'elles soient non seulement en mesure de respecter la réglementation, mais aussi en mesure d'apporter véritablement leur contribution à la construction d'un environnement meilleur pour les générations futures. Notre objectif fondamental est d'obtenir une compréhension approfondie des compromis auxquels les entreprises sont confrontées, de modéliser les problèmes de recherche de solutions possibles et d'aider les entreprises/chaînes d'approvisionnement à améliorer leur performance d'un point de vue théorique. Ensuite, la thèse aidera indirectement les entreprises à réaliser l'importance du développement de moyens de gestion durable des opérations et de la chaîne d'approvisionnement sur notre société. La thèse est organisée comme la structure suivante. Le chapitre 3 est le premier essai, Environmental Collaboration and Process Innovation in Supply Chain Management with Coordination. Le chapitre 4 comprend le contenu du deuxième essai, Remanufacturing of Multi-Component Systems with Product Substitution, et le troisième essai, Joint Dynamic Pricing and Return Quality Strategies Under Demand Cannibalization , est présenté au chapitre 5. Le chapitre 6 donne les remarques finales générales des trois essais, suivies de la liste de référence, et les annexes.

Supply chains (SCs), complex networks spanning from raw material acquisition to product delivery, with enterprises as interconnected nodes, play a pivotal role in organizational success. However, optimizing SCs remains challenging, particularly in partner selection, a key bottleneck shaped by both competitive and cooperative dynamics. This challenge inherently constitutes a multi-objective dynamic game requiring a synergistic integration of Multi-Criteria Decision-Making (MCDM) and Game Theory (GT). Traditional approaches, grounded in mathematical simplifications and managerial heuristics, often fail to capture real-world intricacies and risk introducing subjective biases. Multi-agent simulation (MAS) offers promise, but prior research has largely relied on fixed, uniform agent logic, limiting practical applicability. Recent advances in Large Language Models (LLMs) create new opportunities to represent complex SC requirements and hybrid game logic. However, challenges persist in modeling dynamic SC relationships, ensuring interpretability, and balancing agent autonomy with expert control. To address these issues, we present SCSimulator, an exploratory visual analytics framework that integrates LLM-driven MAS with human-in-the-loop collaboration for SC partner selection. SCSimulator simulates SC evolution via adaptive network structures and enterprise behaviors, which are visualized via interpretable interfaces. By combining Chain-of-Thought (CoT) reasoning with explainable AI (XAI) techniques, the framework generates multi-faceted, transparent explanations of decision trade-offs. Users can iteratively adjust simulation settings to explore outcomes aligned with their expectations and strategic priorities. Developed through iterative co-design with SC experts and industry managers, SCSimulator serves as a proof-of-concept, offering both methodological contributions and practical insights for future research on SC decision-making and interactive AI-driven analytics. Usage scenarios and a user study further demonstrate the system’s effectiveness and usability.

Taxi drivers face intensified competition in the private transport industry following the entry of independent contractor drivers on ride-hailing platforms. To secure demand, taxi drivers increasingly join platforms, yet differ from ride-hailing drivers in that they can serve both platform orders and street orders (e.g., roadside hailing or taxi stands) and switch between them. The availability of street orders as an outside option creates a decision problem for taxi drivers and compels platforms to carefully design incentives-such as commissions and subsidies-to attract participation. A key distinction is that while ride-hailing platforms typically do not disclose trip destinations before pick-up to prevent cherry-picking behaviors, many platforms provide trip information to taxi drivers to compete against street-order opportunities. Consequently, taxi drivers need to choose between platform orders with known trip information but positive pick-up time and street orders without advance information but zero pick-up time. This article studies how taxi drivers optimally choose between platform and street orders and how platforms should design incentive schemes to maximize profit. To this end, we develop a game-theoretical model and characterize equilibrium strategies. We show that allowing taxi drivers to serve both platform and street orders is optimal for the platform, whereas enforcing exclusivity limits platform profit because street orders exist as an outside option and protect drivers' surplus. Furthermore, disclosing trip distance reduces the platform's subsidy burden relative to nondisclosure. These results remain robust across alternative settings, including homogeneous orders, zero commissions and subsidies, distance-based subsidy schemes, and heterogeneous pick-up times.