Home › Companies › Institutminestelecom › PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique
PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique
Institutminestelecom · Albi, Albi, Occitanie, France · On Site · Active · Recruitee
Job facts
| Field | Value |
|---|---|
| Company | Institutminestelecom |
| Title | PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique |
| Normalized title | - |
| Department / team | - |
| Location | Albi, Occitanie, France |
| Work model | On Site |
| Employment type | Full Time |
| Salary | - |
| Status | active |
| ATS provider | Recruitee |
| Posted / first seen | 2026-06-03 / 2026-06-04 |
| Changed / last seen | 2026-06-11 / 2026-06-19 |
Related slices
| Page | What it contains | Open |
|---|---|---|
| Company jobs | Active postings from Institutminestelecom. | Open |
| Company breakdowns | Role, location, ATS, and work model facets for this company. | Open |
| ATS provider jobs | Active postings observed through Recruitee. | Open |
| Provider filtered search | The same provider as a filtered job collection. | Open |
| City jobs | Active postings in Albi. | Open |
| Work model jobs | Active On Site postings. | Open |
| Lifecycle events | Open, update, close, and reopen events for this posting. | Open |
| Original posting | Canonical source or apply URL captured from the ATS. | Open |
Linked records
| Company | Institutminestelecom |
| Source | 02435870-da0b-4696-8457-442df8c00a8e |
| ATS provider | Recruitee |
Description
description
1. Contexte global du projet L’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles plateformes avions a créé un besoin de pièces et de procédés de fabrication inédits dont la maîtrise industrielle et la rentabilité à l’échelle restent incertaines. Parallèlement, un durcissement réglementaire en matière de certification, d’exigences environnementales et de normes qualité redessine les conditions d’éligibilité des investissements sur des horizons qui dépassent les cycles décisionnels habituels pour les fabricants. Enfin, la volatilité de la demande, amplifiée par la recomposition des équilibres concurrentiels mondiaux, crée une incertitude sur les volumes et les positionnements qui fragilise tout plan d’investissement pluriannuel.
Le projet qui finance cette thèse est porté par un sous-traitant du secteur aéronautique. Il vise à doter ses équipes de décision d’un cadre méthodologique rigoureux pour répondre à un dilemme stratégique central : comment arbitrer entre le maintien et l’optimisation des procédés actuels (actifs existants, compétences stabilisées, retour sur investissement connu) et l’engagement dans de nouveaux procédés dont la maturité technologique, le coût total et l’acceptabilité normative restent partiellement inconnus ? Cette tension entre résilience des actifs existants et agilité stratégique constitue un problème d’investissement sous incertitude profonde.
2. Contexte de la thèse Ce dilemme se pose dans un environnement où les données disponibles sont fragmentaires, les incertitudes de nature hétérogène (certaines quantifiables, d’autres profondes et non paramétrables), et où plusieurs métiers — industriel, financier, R&D, supply chain, qualité — doivent co-construire les scénarios d’investissement avec des horizons temporels et des critères de performance différenciés.
Les processus décisionnels actuels se heurtent à trois difficultés majeures :
• Une hétérogénéité des incertitudes : les facteurs d’incertitude portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique ne sont pas de même nature et ne peuvent être traités par un formalisme unique ;
• Une tension entre résilience et agilité : les actifs existants confèrent une stabilité opérationnelle mais réduisent la capacité à saisir des opportunités émergentes ; il faut donc des modèles qui permettent de quantifier et d’arbitrer ces deux dimensions conjointement ;
• Une gouvernance multi-métiers mal outillée : les décisions pluriannuelles impliquent des acteurs aux attitudes différenciées face au risque décisionnel, pour lesquels il faut des protocoles permettant de concaténer leurs préférences hétérogènes de manière rigoureuse et légitime et qui permettent de rendre explicable une décision.
3. Objectifs de la thèse L’objectif central est de concevoir et de valider un cadre d’aide à la décision pluriannuelle pour les investissements industriels, permettant à des équipes pluridisciplinaires de :
• Représenter formellement des incertitudes multidimensionnelles et hétérogènes dans un cadre mathématique cohérent et non réducteur ;
• Évaluer et comparer la résilience de stratégies d’investissement face à des scénarios incluant des chocs difficilement prévisibles a priori ;
• Formaliser des stratégies dynamiques qui minimisent les risques et maximisent les opportunités malgré l’explosion combinatoire des scénarios ;
• Prendre des décisions collectives éclairées dans une logique multicritères, multi-points de vue, en intégrant les attitudes hétérogènes des décideurs vis-à-vis du risque décisionnel.
Le terrain d’application privilégié est la décision d’investissement dans des procédés de fabrication d’une entreprise de sous-traitance aéronautique (existants vs nouveaux), contexte qui concentre des enjeux de stratégie industrielle, de gestion des risques technologiques et de coordination multi-acteurs.
4. Questions de recherche 4.1 Questions de recherche principales QR1 — Comment représenter formellement des incertitudes hétérogènes dans un cadre mathématique unifié et non réducteur ? Quels formalismes (Théorie des possibilités, ensembles flous, info-gap, probabilités imprécises, etc) permettent de représenter conjointement des incertitudes de natures épistémiques différentes (stochastique, scénarisable, latente) sans les homogénéiser artificiellement en bruit aléatoire ni produire un espace d’états ingérable ?
QR2 — Comment combiner ces formalismes dans un cadre mathématique cohérent à complexité maîtrisée ? Quelles conditions de compatibilité et quels opérateurs d’agrégation permettent de coupler des représentations hétérogènes dans un modèle décisionnel opérationnel, en limitant l’explosion combinatoire à un nombre de variables décisionnellement pertinent et exploitable par un comité industriel ?
QR3 — Comment évaluer et comparer la résilience de stratégies d’investissement face à des scénarios non prévisibles a priori ? Quelles métriques et quels protocoles d’évaluation permettent de qualifier la résistance d’une stratégie à des chocs hors du support probabiliste connu ?
QR4 — Comment formaliser une stratégie dynamique qui minimise les risques et maximise les opportunités sans explosion de l’espace des scénarios ? Quels modèles de décision séquentielle (programmation stochastique multi-stades, arbres de décision réduits, options réelles composées, etc) permettent d’intégrer simultanément la préservation des actifs existants et la capture d’opportunités émergentes, tout en restant exploitables par un comité industriel pluridisciplinaire ?
QR5 — Comment concilier la rigueur mathématique des modèles d’optimisation avec les processus cognitifs et organisationnels de la décision humaine en contexte d’incertitude ? Quels cadres permettent d’articuler la sortie formelle d’un modèle de recherche opérationnelle (RO) avec la dynamique réelle d’un comité de décision pluridisciplinaire ?
QR6 — Comment concevoir un outil hybride expert/décideur intégrant multicritère, multi-points de vue et attitudes hétérogènes vis-à-vis du risque décisionnel ? Quelles architectures d’outils d’aide à la décision permettent de produire simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en intégrant l’élicitation et la modélisation explicite des préférences hétérogènes des parties prenantes multi-métiers ?
5. Verrous scientifiques Les verrous scientifiques portent sur les connaissances fondamentales à construire ou à étendre pour apporter une réponse rigoureuse à la problématique.
VS1 — Représentation unifiée des incertitudes multidimensionnelles et hétérogènes VS1
Les incertitudes portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique (lattente) relèvent de natures épistémiques radicalement différentes. Aucun formalisme unique ne permet de les représenter conjointement sans les homogénéiser artificiellement en bruit aléatoire (réductionnisme probabiliste) ni produire un espace d’états ingérable pour la décision pratique.
VS2 — Combinaison mathématique sans réductionnisme ni explosion combinatoire VS2
Même en disposant de formalismes adaptés à chaque type d’incertitude, leur couplage dans un modèle décisionnel cohérent reste un verrou ouvert. Les opérateurs d’agrégation existants (espérance, min-max, capacité de Choquet, par exemple) ne sont pas conçus pour gérer des distributions hybrides (probabiliste + possibiliste + scénariste) dans un cadre à nombre de variables maîtrisé.
VS3 — Évaluation de la résilience face à des scénarios peu prévisibles VS3
La résilience ne se réduit pas à la robustesse statistique. Évaluer la capacité d’une stratégie d’investissement à absorber, s’adapter et se reconfigurer face à des chocs hors du support probabiliste connu nécessite des métriques et des protocoles d’évaluation spécifiques. Une stratégie de génération de scénarios couvrant l’espace des incertitudes est nécessaire.
VS4 — Stratégie dynamique entre risque et opportunité sans explosion des scénarios VS4
La décision pluriannuelle séquentielle génère une explosion combinatoire des scénarios dès que l’on intègre simultanément optionnalité, réversibilité et séquencement des investissements. Les modèles existants (programmation stochastique multi-stade, arbres de décision) deviennent rapidement non résolubles en temps utile pour un comité industriel. Les options réelles offrent une voie prometteuse mais insuffisamment adaptée aux contraintes industrielles.
VS5 — Articulation rigueur mathématique et processus cognitif de la décision VS5
La décision industrielle n’est pas un problème d’optimisation pur. Elle mobilise des heuristiques, des biais cognitifs, des contraintes institutionnelles et des logiques de légitimité organisationnelle. Les modèles RO classiques produisent des sorties formelles que les décideurs ne s’approprient pas, faute de transparence sur le processus d’obtention de la solution.
VS6 — Outil hybride multicritère, multi-points de vue, attitudes hétérogènes au risque VS6
Concevoir un outil qui fournit simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en modélisant explicitement les préférences hétérogènes (aversion au risque, tolérance à l’ambiguïté, horizons temporels différenciés) des parties prenantes multi-métiers constitue un verrou à la fois technique, cognitif et organisationnel.
6. Approche méthodologique envisagée La démarche de recherche combinera cinq volets complémentaires :
• Revue de l’état de l’art croisant les domaines de la recherche opérationnelle, de l’optimisation robuste et stochastique, de la théorie des options réelles, de l’aide multicritère à la décision (MCDM) et de la théorie de la décision comportementale ;
• Formalisation d’un cadre conceptuel catégorisant les incertitudes et les critères de décision propres aux investissements des sous-traitants aéronautiques, validé avec le partenaire industriel ;
• Développement de modèles d’optimisation pluriannuels intégrant des mécanismes d’options réelles, de robustesse et de résilience, calibrés sur des cas industriels réels, le tout en minimisant l’explosion combinatoire associée ;
• Expérimentations avec des équipes pluridisciplinaires du partenaire industriel, en conditions contrôlées puis en situation réelle de décision d’investissement ;
• Évaluation quantitative et qualitative du cadre et de l’outil : qualité des décisions, appropriation par les métiers, charge cognitive, robustesse des recommandations.
7. Planning et livrables La thèse est structurée en trois années universitaires, progressant selon la hiérarchie des questions de recherche : fondements théoriques et cadrage industriel (AU1), architecture méthodologique et modélisation (AU2), opérationnalisation, validation terrain et rédaction (AU3).
8. Livrables scientifiques attendus
• L1 — Rapport de positionnement scientifique
• L2 — Définition du besoin en aide à la décision stratégique, validée avec le partenaire industriel
• L3 — Modèle de performance comprenant des modèles équivalents pour la représentation des incertitudes
• L4 — Méthodologie de construction de scénarios d’incertitudes, calibrée sur des cas industriels réels
• L5 — Méthodologie de prise en compte de l’aspect multi-points de vue et des attitudes hétérogènes des décideurs face aux risques décisionnels
• L6 — Prototype d’outil d’aide à la décision hybride expert/décideur, orienté robustesse/résilience et risques/opportunités, validé et amélioré avec le retour terrain
• L7 — Manuscrit de thèse (AU3).
• Valorisation : présentation des travaux à la SAGIP chaque année universitaire ; communications dans au moins une conférence internationale ; 2 publications dans une revue internationale de rang A.
9. Profil recherché Le ou la candidat(e) devra être titulaire d’un diplôme de Master (ou équivalent) dans l’un des domaines suivants :
• Génie industriel, recherche opérationnelle ou ingénierie des systèmes de décision ;
• Mathématiques appliquées, statistiques ou informatique avec spécialisation en optimisation.
Compétences et qualités souhaitées
• Techniques : solides bases en optimisation (programmation mathématique, stochastique ou robuste), intérêt pour les méthodes MCDM et la modélisation de l’incertitude ;
• Scientifiques : capacité à mener une recherche bibliographique rigoureuse, à formaliser des modèles conceptuels et à concevoir des protocoles expérimentaux en lien avec un partenaire industriel ;
• Personnelles : goût pour les problématiques industrielles complexes, aptitude au travail en équipe pluridisciplinaire de recherche, autonomie et rigueur intellectuelle ;
• Linguistiques : maîtrise du français (langue de travail) ; niveau opérationnel en anglais écrit et parlé pour la rédaction scientifique et les communications internationales.
10. Encadrement et environnement de recherche IMT Mines Albi et le Centre Génie Industriel École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom, 1er groupe d’écoles d’ingénieurs et de management de France. Son positionnement place IMT Mines Albi comme école de référence sur l’industrie du futur responsable, l’énergie et l’ingénierie systèmes.
Le Centre Génie Industriel (CGI) compte environ 70 personnes. Il s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables dans des environnements instables ou perturbés. Les axes concernés par cette thèse sont : FLOWS (Flexible Logistics and Operations for sustainable WorldS) et HOPOPOP (Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving).
Collaborations Le doctorat nécessite une étroite collaboration avec une entreprise aéronautique. Les possibilités d'échange universitaire au sein d'un établissement partenaire européen dépendront de l'avancement du doctorat et des appels à candidatures de mobilité lancés par EULIST.
Contacts : · Séverine Durieux – [email protected]
· Guillaume Martin – [email protected]
· Raphaël Oger – [email protected]
11. Modalités de candidature Documents demandés pour candidater : CV, lettre de candidature, résumé de la thèse de master, copies de publications, relevés de notes, lettres de recommandation (expérience de recherche et industrielle) et tout autre document jugé utile pour appuyer votre candidature.
Application deadline: 21 Juin, 2026, 12:00 PM
12. Mots-clés et informations pratiques
Mots-clés
Optimisation robuste • Incertitude profonde • Options réelles • Résilience • MCDM • Décision pluriannuelle • Multi-critères • Investissement industriel • Sous-traitance aéronautique • Aide à la décision
Discipline
Recherche Opérationnelle / Génie Industriel / Aide à la Décision
Laboratoire
Centre Génie Industriel (CGI) — IMT Mines Albi-Carmaux
Axes CGI concernés
FLOWS • HOPOPOP
Secteur partenaire
Aéronautique — Sous-traitance — Financement obtenu
Modalités
Durée 3 ans (2026–2029) — Localisation : Albi (81), France
13. Références bibliographiques Les références sont présentées par ordre alphabétique. Les publications des membres de l’équipe encadrante sont signalées par ★ .
– Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(8), 667–688.
– Adner, R., & Levinthal, D. A. (2004). What is not a real option: Considering boundaries for the application of real options to business strategy. Academy of Management Review, 29(1), 74–85.
– ★ Antomarchi, A.-L., Guillaume, R., Durieux, S., Thierry, C., & Duc, E. (2019). Capacity planning in additive manufacturing. 9th IFAC Triannual Conference on Manufacturing Modeling, Management and Control, Berlin. IFAC PapersOnLine, 52(13), 2556–2561. https://doi.org/10.1016/j.ifacol.2019.11.591
– Apap, R., & Grossmann, I. (2017). Models and computational strategies for multistage stochastic programming under endogenous and exogenous uncertainties. Computers & Chemical Engineering, 103, 233–274.
– Ben-Haim, Y. (2006). Info-Gap Decision Theory: Decisions Under Severe Uncertainty (2nd ed.). Academic Press.
– Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. Princeton University Press.
– Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13.
– Bertsimas, D., Brown, D. B., & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464–501.
– Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.
– Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method: The PROMETHEE method. Management Science, 31(6), 647–656.
– Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press.
– Craighead, C. W., Blackhurst, J., Rungtusanatham, M. J., & Handfield, R. B. (2007). The severity of supply chain disruptions: Design characteristics and mitigation capabilities. Decision Sciences, 38(1), 131–156.
– ★ Delolme, L., Antomarchi, A.-L., Durieux, S., & Duc, E. (2019). Decision-making for multi-criteria optimization of process planning. Mechanics & Industry, 20(8), 806.
– Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.
– Dubois, D., & Prade, H. (1988). Possibility Theory: An Approach to Computerized Processing of Uncertainty. Plenum Press.
– Dubois, D., & Prade, H. (2015). Possibility theory and its applications: Where do we stand? Springer Handbook of Computational Intelligence, 31–60.
– ★ Fakhry, D., Oger, R., Lauras, M., & Pellegrin, V. (2024). A Financialized Model for a Risk-Focused Sales and Operations Planning. IFAC PapersOnLine, 58(19), 1114–1119.
– ★ Fertier, F., Martin, G., Barthe-Delanoë, A.M., Lesbegueries J., Montarnal, A., et al.. Managing events to improve situation awareness and resilience in a supply chain. Computers in Industry, 2021, 132, pp.103488.
– Figueira, J., Greco, S., & Ehrgott, M. (Eds.) (2005). Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.
– ★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2017). DFM method for aircraft structural parts using the AHP method. International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/s00170-017-1213-1
– ★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2020). Multicriteria decision optimization for the design and manufacture of structural aircraft parts. International Journal on Interactive Design and Manufacturing, 14(3), 1015–1030.
– ★ Garreda, W., Oger, R., & Lauras, M. (2026). Automatic demand forecast model selection in supply chains: a forecast value-added analysis. International Journal of Production Research. https://doi.org/10.1080/00207543.2026.2623194
– ★ Gholizadeh Tayyar, S., Lamothe, J., Dupont, L., & Loustau, J.-P. (2018). A Decisional Framework for Concurrent Planning of Multiple Projects and Supply Chain Network. ILS 2016, Springer, pp. 107–122.
– Goel, V., & Grossmann, I. (2006). A class of stochastic programs with decision dependent uncertainty. Mathematical Programming, 108(2–3), 355–394.
– Greco, S., Figueira, J., & Ehrgott, M. (Eds.) (2016). Multiple Criteria Decision Analysis (2nd ed.). Springer.
– Herrera-Viedma, E., Herrera, F., & Chiclana, F. (2002). A consensus model for multiperson decision making with different preference structures. IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 394–402.
– Huchzermeier, A., & Loch, C. H. (2001). Project management under risk: Using the real options approach to evaluate flexibility in R&D. Management Science, 47(1), 85–101.
– Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–292.
– ★ Kitila, L. G., Duc, E., Durieux, S., & Taddese, G. A. (2026). An integrated fuzzy AHP–fuzzy TOPSIS approach for multi-criteria decision-making in sustainable manufacturing process selection. International Journal of Advanced Manufacturing Technology, 142, 559–583.
– Knight, F. H. (1921). Risk, Uncertainty, and Profit. Houghton Mifflin. [Réédition : University of Chicago Press, 1971]
– Landry, M. (1995). A note on the concept of “problem”. Organization Studies, 16(2), 315–343.
– Marchau, V. A. W. J., Walker, W. E., Bloemen, P. J. T. M., & Popper, S. W. (Eds.) (2019). Decision Making under Deep Uncertainty. Springer.
– ★ Martin, G. (2020). Aide à la décision par apprentissage automatique pour le Demand Driven Material Requirements Planning (DDMRP). Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras.
– Martin, G., Oger, R.. A Reinforcement Learning Powered Digital Twin to Support Supply Chain Decisions. HICSS2022 - Hawaii International Conference on System Sciences, Jan 2022, Hawaii, United States. pp.2291-2299,
– McGrath, R. G. (1997). A real options logic for initiating technology positioning investments. Academy of Management Review, 22(4), 974–996.
– Morais, D. C., & de Almeida, A. T. (2012). Group decision making on water resources based on analysis of individual rankings. Omega, 40(1), 42–52.
– ★ Oger, R. (2019). A decision support system for long-term supply chain capacity planning: a model-driven engineering approach. Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras, B. Montreuil, F. Benaben.
– ★ Oger, R., Lauras, M., Montreuil, B., & Benaben, F. (2022). A decision support system for strategic supply chain capacity planning under uncertainty: conceptual framework and experiment. Enterprise Information Systems, 16(5), 1793390.
– ★ Poirier, A., Oger, R., & Martinez, C. (2023). A Scenario Generation Method Exploring Uncertainty and Decision Spaces for Robust Strategic Supply Chain Capacity Planning. Communications in Computer and Information Science, Springer.
– Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode ELECTRE). RIRO, 8, 57–75.
– Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Kluwer Academic Press.
– Roy, B., & Bouyssou, D. (1993). Aide Multicritère à la Décision : Méthodes et Cas. Economica.
– Shapiro, A. (2008). Stochastic programming approach to optimization under uncertainty. Mathematical Programming, 112(1), 183–220.
– Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.
– Smit, H. T. J., & Trigeorgis, L. (2004). Strategic Investment: Real Options and Games. Princeton University Press.
– Tang, C., & Tomlin, B. (2008). The power of flexibility for mitigating supply chain risks. International Journal of Production Economics, 116(1), 12–27.
– Trigeorgis, L. (1996). Real Options: Managerial Flexibility and Strategy in Resource Allocation. MIT Press.
– Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.
– Van Mieghem, J. A. (2003). Capacity management, investment, and hedging: Review and recent developments. Manufacturing & Service Operations Management, 5(4), 269–302.
– ★ Vidal, J. B., Oger, R., Lauras, M., & Lamothe, J. (2024). Integrating Uncertainty into a Supply Chain Network for Adaptive S&OP Process. Collaborative Networks, Springer, pp. 176–190.
– Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28.
sharing_description
1. Contexte global du projetL’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles pl
Full job record
| Job ID | 185b75285733010f2dc07b974208cc2f68836383 |
| Org ID | b537be62-ee4e-4a10-bae5-25f2e16eb60c |
| Source ID | 02435870-da0b-4696-8457-442df8c00a8e |
| Board ID | 02435870-da0b-4696-8457-442df8c00a8e |
| Provider | recruitee |
| Provider Job Key | 2626181 |
| Title | PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique |
| Normalized Title | — |
| Status | active |
| Active | yes |
| Location Text | Albi, Albi, Occitanie, France |
| Department | — |
| Team | — |
| Employment Type | full_time |
| Workplace Type | on_site |
| Remote Policy | — |
| Country | France |
| Region | Occitanie |
| City | Albi |
| Salary Raw | — |
| Salary Min | — |
| Salary Max | — |
| Salary Currency | — |
| Salary Period | — |
| Source URL | https://institutminestelecom.recruitee.com/o/phd-proposal-decision-support-for-the-strategic-planning-of-industrial-investments-under-multidimensional-uncertainties-in-an-aeronautical-technological-disruption-context-cdd-36-months |
| Apply URL | https://institutminestelecom.recruitee.com/o/phd-proposal-decision-support-for-the-strategic-planning-of-industrial-investments-under-multidimensional-uncertainties-in-an-aeronautical-technological-disruption-context-cdd-36-months/c/new |
| First Seen At | 2026-06-04 08:10:40Z |
| Last Seen At | 2026-06-19 08:47:18Z |
| Last Checked At | 2026-06-19 08:47:18Z |
| Last Changed At | 2026-06-11 08:55:29Z |
| Inactive At | — |
| Source Posted At | 2026-06-03 08:53:48Z |
| Source Updated At | 2026-06-10 14:41:07Z |
| Raw Payload Uri | s3://job-postings-prod-raw-590183727216/raw/provider=recruitee/board=institutminestelecom.recruitee.com/date=2026-06-19/2026-06-19T08-47-15-460Z-43a6c6bc8dd297ebdcc31f2fb68b5e11d717c5221d72ced974f872a68accfda9.json |
Event Fields
{
"content_hash": "df3c51a65c5af95ebbeeba962ba698754d83f6f159cd2fc76cb93108664e8d82",
"source_hash": "e047b26667616d53652329f5b4dee2b2b318e631067e62262c9426daff931a0d",
"last_changed_at": "2026-06-11T08:55:29.833Z",
"active_status": "active"
}Parsed Structured
{
"language": null,
"location": {
"raw": "Albi, Albi, Occitanie, France",
"city": "Albi",
"region": "Occitanie",
"country": "France",
"is_remote": false,
"confidence": 0.8
},
"salary_max": null,
"salary_min": null,
"inferred_at": "2026-06-19T08:47:18.215Z",
"launch_scope": {
"reason": "recruitee_production_catalog",
"included": true,
"location": {
"raw": "Albi, Albi, Occitanie, France",
"city": "Albi",
"region": "Occitanie",
"country": "France",
"is_remote": false,
"confidence": 0.8
},
"countries": [
"France"
]
},
"remote_policy": null,
"salary_period": null,
"workplace_type": "on_site",
"salary_currency": null
}Extensions
{}Native Structured
{
"id": 2626181,
"city": "Albi",
"guid": "1wy97",
"slug": "phd-proposal-decision-support-for-the-strategic-planning-of-industrial-investments-under-multidimensional-uncertainties-in-an-aeronautical-technological-disruption-context-cdd-36-months",
"tags": [
"IMT Mines Albi"
],
"title": "PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique",
"hybrid": false,
"remote": false,
"salary": {
"max": null,
"min": null,
"period": null,
"currency": null
},
"status": "published",
"country": "France",
"on_site": true,
"close_at": "2026-06-21 21:59:59 UTC",
"location": "Albi, Occitanie, France",
"position": 3833,
"highlight": null,
"locations": [
{
"id": 12596,
"city": "Albi",
"name": "Albi",
"note": null,
"state": "Occitanie",
"street": null,
"country": "France",
"state_code": "OCC",
"postal_code": null,
"country_code": "FR",
"translations": {
"en": {
"city": "Albi",
"name": "Albi",
"note": null,
"street": null,
"postal_code": null
},
"fr": {
"city": "Albi",
"name": "Albi",
"note": null,
"street": null,
"postal_code": null
}
}
}
],
"max_hours": null,
"min_hours": null,
"created_at": "2026-06-03 08:31:00 UTC",
"department": null,
"options_cv": "required",
"state_code": "OCC",
"state_name": "Occitanie",
"updated_at": "2026-06-10 14:41:07 UTC",
"careers_url": "https://institutminestelecom.recruitee.com/o/phd-proposal-decision-support-for-the-strategic-planning-of-industrial-investments-under-multidimensional-uncertainties-in-an-aeronautical-technological-disruption-context-cdd-36-months",
"cover_image": null,
"description": "<p style=\"min-height: 1.7em;\"></p><figure><img style=\"width:583px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/pfp24m34dlrrywev2b89p9g6hv2f1y/Capture_d_e_cran_2026-06-03_a_10.44.42.png\"></figure><p style=\"min-height: 1.7em;\"></p><h4>1. Contexte global du projet</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">L’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles plateformes avions a créé un besoin de pièces et de procédés de fabrication inédits dont la maîtrise industrielle et la rentabilité à l’échelle restent incertaines. Parallèlement, un durcissement réglementaire en matière de certification, d’exigences environnementales et de normes qualité redessine les conditions d’éligibilité des investissements sur des horizons qui dépassent les cycles décisionnels habituels pour les fabricants. Enfin, la volatilité de la demande, amplifiée par la recomposition des équilibres concurrentiels mondiaux, crée une incertitude sur les volumes et les positionnements qui fragilise tout plan d’investissement pluriannuel.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le projet qui finance cette thèse est porté par un sous-traitant du secteur aéronautique. Il vise à doter ses équipes de décision d’un cadre méthodologique rigoureux pour répondre à un dilemme stratégique central : comment arbitrer entre le maintien et l’optimisation des procédés actuels (actifs existants, compétences stabilisées, retour sur investissement connu) et l’engagement dans de nouveaux procédés dont la maturité technologique, le coût total et l’acceptabilité normative restent partiellement inconnus ? Cette tension entre résilience des actifs existants et agilité stratégique constitue un problème d’investissement sous incertitude profonde.</span></p><p style=\"min-height: 1.7em;\"></p><h4>2. Contexte de la thèse</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Ce dilemme se pose dans un environnement où les données disponibles sont fragmentaires, les incertitudes de nature hétérogène (certaines quantifiables, d’autres profondes et non paramétrables), et où plusieurs métiers — industriel, financier, R&D, supply chain, qualité — doivent co-construire les scénarios d’investissement avec des horizons temporels et des critères de performance différenciés.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les processus décisionnels actuels se heurtent à trois difficultés majeures :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une hétérogénéité des incertitudes : les facteurs d’incertitude portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique ne sont pas de même nature et ne peuvent être traités par un formalisme unique ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une tension entre résilience et agilité : les actifs existants confèrent une stabilité opérationnelle mais réduisent la capacité à saisir des opportunités émergentes ; il faut donc des modèles qui permettent de quantifier et d’arbitrer ces deux dimensions conjointement ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une gouvernance multi-métiers mal outillée : les décisions pluriannuelles impliquent des acteurs aux attitudes différenciées face au risque décisionnel, pour lesquels il faut des protocoles permettant de concaténer leurs préférences hétérogènes de manière rigoureuse et légitime et qui permettent de rendre explicable une décision.</span></p><p style=\"min-height: 1.7em;\"></p><h4>3. Objectifs de la thèse</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">L’objectif central est de concevoir et de valider un cadre d’aide à la décision pluriannuelle pour les investissements industriels, permettant à des équipes pluridisciplinaires de :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Représenter formellement des incertitudes multidimensionnelles et hétérogènes dans un cadre mathématique cohérent et non réducteur ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Évaluer et comparer la résilience de stratégies d’investissement face à des scénarios incluant des chocs difficilement prévisibles a priori ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formaliser des stratégies dynamiques qui minimisent les risques et maximisent les opportunités malgré l’explosion combinatoire des scénarios ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Prendre des décisions collectives éclairées dans une logique multicritères, multi-points de vue, en intégrant les attitudes hétérogènes des décideurs vis-à-vis du risque décisionnel.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le terrain d’application privilégié est la décision d’investissement dans des procédés de fabrication d’une entreprise de sous-traitance aéronautique (existants vs nouveaux), contexte qui concentre des enjeux de stratégie industrielle, de gestion des risques technologiques et de coordination multi-acteurs.</span></p><p style=\"min-height: 1.7em;\"></p><h4>4. Questions de recherche</h4><h4>4.1 Questions de recherche principales</h4><h4> </h4><h4>QR1 — Comment représenter formellement des incertitudes hétérogènes dans un cadre mathématique unifié et non réducteur ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels formalismes (Théorie des possibilités, ensembles flous, info-gap, probabilités imprécises, etc) permettent de représenter conjointement des incertitudes de natures épistémiques différentes (stochastique, scénarisable, latente) sans les homogénéiser artificiellement en bruit aléatoire ni produire un espace d’états ingérable ?</span></p><h4></h4><h4>QR2 — Comment combiner ces formalismes dans un cadre mathématique cohérent à complexité maîtrisée ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles conditions de compatibilité et quels opérateurs d’agrégation permettent de coupler des représentations hétérogènes dans un modèle décisionnel opérationnel, en limitant l’explosion combinatoire à un nombre de variables décisionnellement pertinent et exploitable par un comité industriel ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR3 — Comment évaluer et comparer la résilience de stratégies d’investissement face à des scénarios non prévisibles a priori ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles métriques et quels protocoles d’évaluation permettent de qualifier la résistance d’une stratégie à des chocs hors du support probabiliste connu ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR4 — Comment formaliser une stratégie dynamique qui minimise les risques et maximise les opportunités sans explosion de l’espace des scénarios ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels modèles de décision séquentielle (programmation stochastique multi-stades, arbres de décision réduits, options réelles composées, etc) permettent d’intégrer simultanément la préservation des actifs existants et la capture d’opportunités émergentes, tout en restant exploitables par un comité industriel pluridisciplinaire ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR5 — Comment concilier la rigueur mathématique des modèles d’optimisation avec les processus cognitifs et organisationnels de la décision humaine en contexte d’incertitude ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels cadres permettent d’articuler la sortie formelle d’un modèle de recherche opérationnelle (RO) avec la dynamique réelle d’un comité de décision pluridisciplinaire ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR6 — Comment concevoir un outil hybride expert/décideur intégrant multicritère, multi-points de vue et attitudes hétérogènes vis-à-vis du risque décisionnel ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles architectures d’outils d’aide à la décision permettent de produire simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en intégrant l’élicitation et la modélisation explicite des préférences hétérogènes des parties prenantes multi-métiers ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>5. Verrous scientifiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les verrous scientifiques portent sur les connaissances fondamentales à construire ou à étendre pour apporter une réponse rigoureuse à la problématique.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>VS1 — Représentation unifiée des incertitudes multidimensionnelles et hétérogènes</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">VS1</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les incertitudes portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique (lattente) relèvent de natures épistémiques radicalement différentes. Aucun formalisme unique ne permet de les représenter conjointement sans les homogénéiser artificiellement en bruit aléatoire (réductionnisme probabiliste) ni produire un espace d’états ingérable pour la décision pratique.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS2 — Combinaison mathématique sans réductionnisme ni explosion combinatoire</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">VS2</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Même en disposant de formalismes adaptés à chaque type d’incertitude, leur couplage dans un modèle décisionnel cohérent reste un verrou ouvert. Les opérateurs d’agrégation existants (espérance, min-max, capacité de Choquet, par exemple) ne sont pas conçus pour gérer des distributions hybrides (probabiliste + possibiliste + scénariste) dans un cadre à nombre de variables maîtrisé.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS3 — Évaluation de la résilience face à des scénarios peu prévisibles</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">VS3</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La résilience ne se réduit pas à la robustesse statistique. Évaluer la capacité d’une stratégie d’investissement à absorber, s’adapter et se reconfigurer face à des chocs hors du support probabiliste connu nécessite des métriques et des protocoles d’évaluation spécifiques. Une stratégie de génération de scénarios couvrant l’espace des incertitudes est nécessaire.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS4 — Stratégie dynamique entre risque et opportunité sans explosion des scénarios</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">VS4</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La décision pluriannuelle séquentielle génère une explosion combinatoire des scénarios dès que l’on intègre simultanément optionnalité, réversibilité et séquencement des investissements. Les modèles existants (programmation stochastique multi-stade, arbres de décision) deviennent rapidement non résolubles en temps utile pour un comité industriel. Les options réelles offrent une voie prometteuse mais insuffisamment adaptée aux contraintes industrielles.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS5 — Articulation rigueur mathématique et processus cognitif de la décision</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">VS5</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La décision industrielle n’est pas un problème d’optimisation pur. Elle mobilise des heuristiques, des biais cognitifs, des contraintes institutionnelles et des logiques de légitimité organisationnelle. Les modèles RO classiques produisent des sorties formelles que les décideurs ne s’approprient pas, faute de transparence sur le processus d’obtention de la solution.</span></p><h4></h4><h4>VS6 — Outil hybride multicritère, multi-points de vue, attitudes hétérogènes au risque</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">VS6</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Concevoir un outil qui fournit simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en modélisant explicitement les préférences hétérogènes (aversion au risque, tolérance à l’ambiguïté, horizons temporels différenciés) des parties prenantes multi-métiers constitue un verrou à la fois technique, cognitif et organisationnel.</span></p><p style=\"min-height: 1.7em;\"></p><h4>6. Approche méthodologique envisagée</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La démarche de recherche combinera cinq volets complémentaires :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Revue de l’état de l’art croisant les domaines de la recherche opérationnelle, de l’optimisation robuste et stochastique, de la théorie des options réelles, de l’aide multicritère à la décision (MCDM) et de la théorie de la décision comportementale ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formalisation d’un cadre conceptuel catégorisant les incertitudes et les critères de décision propres aux investissements des sous-traitants aéronautiques, validé avec le partenaire industriel ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Développement de modèles d’optimisation pluriannuels intégrant des mécanismes d’options réelles, de robustesse et de résilience, calibrés sur des cas industriels réels, le tout en minimisant l’explosion combinatoire associée ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Expérimentations avec des équipes pluridisciplinaires du partenaire industriel, en conditions contrôlées puis en situation réelle de décision d’investissement ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Évaluation quantitative et qualitative du cadre et de l’outil : qualité des décisions, appropriation par les métiers, charge cognitive, robustesse des recommandations.</span></p><p style=\"min-height: 1.7em;\"></p><h4>7. Planning et livrables</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La thèse est structurée en trois années universitaires, progressant selon la hiérarchie des questions de recherche : fondements théoriques et cadrage industriel (AU1), architecture méthodologique et modélisation (AU2), opérationnalisation, validation terrain et rédaction (AU3).</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><figure><img style=\"width:708px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/d1ac3a4lcac2dwnaw1nwlv7o7spcr4/Capture_d_e_cran_2026-06-03_a_10.50.04.png\"></figure><p class=\"MsoNormal\" style=\"text-align:justify;min-height: 1.7em;\"></p><h4>8. Livrables scientifiques attendus</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L1 — Rapport de positionnement scientifique</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L2 — Définition du besoin en aide à la décision stratégique, validée avec le partenaire industriel</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L3 — Modèle de performance comprenant des modèles équivalents pour la représentation des incertitudes</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L4 — Méthodologie de construction de scénarios d’incertitudes, calibrée sur des cas industriels réels</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L5 — Méthodologie de prise en compte de l’aspect multi-points de vue et des attitudes hétérogènes des décideurs face aux risques décisionnels</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L6 — Prototype d’outil d’aide à la décision hybride expert/décideur, orienté robustesse/résilience et risques/opportunités, validé et amélioré avec le retour terrain</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L7 — Manuscrit de thèse (AU3).</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Valorisation : présentation des travaux à la SAGIP chaque année universitaire ; communications dans au moins une conférence internationale ; 2 publications dans une revue internationale de rang A.</span></p><p style=\"min-height: 1.7em;\"></p><h4>9. Profil recherché</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le ou la candidat(e) devra être titulaire d’un diplôme de Master (ou équivalent) dans l’un des domaines suivants :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Génie industriel, recherche opérationnelle ou ingénierie des systèmes de décision ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Mathématiques appliquées, statistiques ou informatique avec spécialisation en optimisation.</span></p><h2 style=\"text-align:justify;\"> </h2><h4>Compétences et qualités souhaitées</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Techniques : solides bases en optimisation (programmation mathématique, stochastique ou robuste), intérêt pour les méthodes MCDM et la modélisation de l’incertitude ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Scientifiques : capacité à mener une recherche bibliographique rigoureuse, à formaliser des modèles conceptuels et à concevoir des protocoles expérimentaux en lien avec un partenaire industriel ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Personnelles : goût pour les problématiques industrielles complexes, aptitude au travail en équipe pluridisciplinaire de recherche, autonomie et rigueur intellectuelle ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Linguistiques : maîtrise du français (langue de travail) ; niveau opérationnel en anglais écrit et parlé pour la rédaction scientifique et les communications internationales.</span></p><p style=\"min-height: 1.7em;\"></p><h4>10. Encadrement et environnement de recherche</h4><h4>IMT Mines Albi et le Centre Génie Industriel</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom, 1er groupe d’écoles d’ingénieurs et de management de France. Son positionnement place IMT Mines Albi comme école de référence sur l’industrie du futur responsable, l’énergie et l’ingénierie systèmes.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le Centre Génie Industriel (CGI) compte environ 70 personnes. Il s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables dans des environnements instables ou perturbés. Les axes concernés par cette thèse sont : FLOWS (Flexible Logistics and Operations for sustainable WorldS) et HOPOPOP (Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving).</span></p><p style=\"min-height: 1.7em;\"></p><h4>Collaborations</h4><p class=\"MsoNormal\" style=\"text-align:justify;\">Le doctorat nécessite une étroite collaboration avec une entreprise aéronautique. Les possibilités d'échange universitaire au sein d'un établissement partenaire européen dépendront de l'avancement du doctorat et des appels à candidatures de mobilité lancés par EULIST.</p><h4>Contacts :</h4><p class=\"MsoListParagraph\">· Séverine Durieux – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p class=\"MsoListParagraph\">· Guillaume Martin – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p class=\"MsoListParagraph\">· Raphaël Oger – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p style=\"min-height: 1.7em;\"></p><h4>11. Modalités de candidature</h4><h4>Documents demandés pour candidater :</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">CV, lettre de candidature, résumé de la thèse de master, copies de publications, relevés de notes, lettres de recommandation (expérience de recherche et industrielle) et tout autre document jugé utile pour appuyer votre candidature.</span></p><p>Application deadline: <span style=\"color:#333333\">21 Juin, 2026, 12:00 PM </span></p><p style=\"min-height: 1.7em;\"></p><h4>12. Mots-clés et informations pratiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Mots-clés</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Optimisation robuste • Incertitude profonde • Options réelles • Résilience • MCDM • Décision pluriannuelle • Multi-critères • Investissement industriel • Sous-traitance aéronautique • Aide à la décision</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Discipline</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Recherche Opérationnelle / Génie Industriel / Aide à la Décision</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Laboratoire</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Centre Génie Industriel (CGI) — IMT Mines Albi-Carmaux</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Axes CGI concernés</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">FLOWS • HOPOPOP</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Secteur partenaire</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Aéronautique — Sous-traitance — Financement obtenu</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Modalités</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Durée 3 ans (2026–2029) — Localisation : Albi (81), France</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>13. Références bibliographiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les références sont présentées par ordre alphabétique. Les publications des membres de l’équipe encadrante sont signalées par </span><span style=\"color:#1F4E79\">★</span><span style=\"color:#333333\">.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(8), 667–688.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R., & Levinthal, D. A. (2004). What is not a real option: Considering boundaries for the application of real options to business strategy. Academy of Management Review, 29(1), 74–85.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Antomarchi, A.-L., Guillaume, R., Durieux, S., Thierry, C., & Duc, E. (2019). Capacity planning in additive manufacturing. 9th IFAC Triannual Conference on Manufacturing Modeling, Management and Control, Berlin. IFAC PapersOnLine, 52(13), 2556–2561. https://doi.org/10.1016/j.ifacol.2019.11.591</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Apap, R., & Grossmann, I. (2017). Models and computational strategies for multistage stochastic programming under endogenous and exogenous uncertainties. Computers & Chemical Engineering, 103, 233–274.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Haim, Y. (2006). Info-Gap Decision Theory: Decisions Under Severe Uncertainty (2nd ed.). Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Bertsimas, D., Brown, D. B., & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464–501.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method: The PROMETHEE method. Management Science, 31(6), 647–656.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Craighead, C. W., Blackhurst, J., Rungtusanatham, M. J., & Handfield, R. B. (2007). The severity of supply chain disruptions: Design characteristics and mitigation capabilities. Decision Sciences, 38(1), 131–156.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Delolme, L., Antomarchi, A.-L., Durieux, S., & Duc, E. (2019). Decision-making for multi-criteria optimization of process planning. Mechanics & Industry, 20(8), 806.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (1988). Possibility Theory: An Approach to Computerized Processing of Uncertainty. Plenum Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (2015). Possibility theory and its applications: Where do we stand? Springer Handbook of Computational Intelligence, 31–60.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fakhry, D., Oger, R., Lauras, M., & Pellegrin, V. (2024). A Financialized Model for a Risk-Focused Sales and Operations Planning. IFAC PapersOnLine, 58(19), 1114–1119.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\"><span style=\"color:#333333\">– ★ Fertier, F., Martin, G., Barthe-Delanoë, A.M., Lesbegueries J., Montarnal, A., et al.. Managing events to improve situation awareness and resilience in a supply chain. Computers in Industry, 2021, 132, pp.103488.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Figueira, J., Greco, S., & Ehrgott, M. (Eds.) (2005). Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2017). DFM method for aircraft structural parts using the AHP method. International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/s00170-017-1213-1</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2020). Multicriteria decision optimization for the design and manufacture of structural aircraft parts. International Journal on Interactive Design and Manufacturing, 14(3), 1015–1030.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Garreda, W., Oger, R., & Lauras, M. (2026). Automatic demand forecast model selection in supply chains: a forecast value-added analysis. International Journal of Production Research. </span><a rel=\"noopener\" target=\"_blank\" href=\"https://doi.org/10.1080/00207543.2026.2623194\">https://doi.org/10.1080/00207543.2026.2623194</a></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Gholizadeh Tayyar, S., Lamothe, J., Dupont, L., & Loustau, J.-P. (2018). A Decisional Framework for Concurrent Planning of Multiple Projects and Supply Chain Network. ILS 2016, Springer, pp. 107–122.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Goel, V., & Grossmann, I. (2006). A class of stochastic programs with decision dependent uncertainty. Mathematical Programming, 108(2–3), 355–394.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Greco, S., Figueira, J., & Ehrgott, M. (Eds.) (2016). Multiple Criteria Decision Analysis (2nd ed.). Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Herrera-Viedma, E., Herrera, F., & Chiclana, F. (2002). A consensus model for multiperson decision making with different preference structures. IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 394–402.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Huchzermeier, A., & Loch, C. H. (2001). Project management under risk: Using the real options approach to evaluate flexibility in R&D. Management Science, 47(1), 85–101.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–292.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Kitila, L. G., Duc, E., Durieux, S., & Taddese, G. A. (2026). An integrated fuzzy AHP–fuzzy TOPSIS approach for multi-criteria decision-making in sustainable manufacturing process selection. International Journal of Advanced Manufacturing Technology, 142, 559–583.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Knight, F. H. (1921). Risk, Uncertainty, and Profit. Houghton Mifflin. [Réédition : University of Chicago Press, 1971]</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Landry, M. (1995). A note on the concept of “problem”. Organization Studies, 16(2), 315–343.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Marchau, V. A. W. J., Walker, W. E., Bloemen, P. J. T. M., & Popper, S. W. (Eds.) (2019). Decision Making under Deep Uncertainty. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Martin, G. (2020). Aide à la décision par apprentissage automatique pour le Demand Driven Material Requirements Planning (DDMRP). Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\"><span style=\"color:#333333\">– Martin, G., Oger, R.. A Reinforcement Learning Powered Digital Twin to Support Supply Chain Decisions. HICSS2022 - Hawaii International Conference on System Sciences, Jan 2022, Hawaii, United States. pp.2291-2299,</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">McGrath, R. G. (1997). A real options logic for initiating technology positioning investments. Academy of Management Review, 22(4), 974–996.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Morais, D. C., & de Almeida, A. T. (2012). Group decision making on water resources based on analysis of individual rankings. Omega, 40(1), 42–52.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R. (2019). A decision support system for long-term supply chain capacity planning: a model-driven engineering approach. Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras, B. Montreuil, F. Benaben.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R., Lauras, M., Montreuil, B., & Benaben, F. (2022). A decision support system for strategic supply chain capacity planning under uncertainty: conceptual framework and experiment. Enterprise Information Systems, 16(5), 1793390.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Poirier, A., Oger, R., & Martinez, C. (2023). A Scenario Generation Method Exploring Uncertainty and Decision Spaces for Robust Strategic Supply Chain Capacity Planning. Communications in Computer and Information Science, Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode ELECTRE). RIRO, 8, 57–75.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Kluwer Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B., & Bouyssou, D. (1993). Aide Multicritère à la Décision : Méthodes et Cas. Economica.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Shapiro, A. (2008). Stochastic programming approach to optimization under uncertainty. Mathematical Programming, 112(1), 183–220.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Smit, H. T. J., & Trigeorgis, L. (2004). Strategic Investment: Real Options and Games. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tang, C., & Tomlin, B. (2008). The power of flexibility for mitigating supply chain risks. International Journal of Production Economics, 116(1), 12–27.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Trigeorgis, L. (1996). Real Options: Managerial Flexibility and Strategy in Resource Allocation. MIT Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Van Mieghem, J. A. (2003). Capacity management, investment, and hedging: Review and recent developments. Manufacturing & Service Operations Management, 5(4), 269–302.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Vidal, J. B., Oger, R., Lauras, M., & Lamothe, J. (2024). Integrating Uncertainty into a Supply Chain Network for Adaptive S&OP Process. Collaborative Networks, Springer, pp. 176–190.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28.</span></p>",
"postal_code": null,
"company_name": "Institut Mines-Télécom",
"country_code": "FR",
"published_at": "2026-06-03 08:53:48 UTC",
"requirements": null,
"translations": {
"en": {
"title": "PhD Proposal : Decision support for the strategic planning of industrial investments under multidimensional uncertainties in an aeronautical technological disruption context - CDD 36 months",
"highlight": null,
"description": "<p style=\"min-height: 1.7em;\"></p><figure><img style=\"width:636px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/cckhhvlwvkhclrwcoowgalc4rwvtso/Capture_d_e_cran_2026-06-03_a_10.38.16.png\"></figure><p style=\"min-height: 1.7em;\"></p><h4>1. Global Context</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The aeronautical industry is undergoing a period of simultaneous disruption across three critical dimensions for aeronautical suppliers. First, the emergence of new aircraft platforms has created a need for novel parts and manufacturing processes whose industrial mastery and profitability at scale remain uncertain. At the same time, tightening regulatory requirements regarding certification, environmental standards and quality norms are reshaping the eligibility conditions for investments over horizons that exceed manufacturers’ usual decision cycles. Finally, demand volatility, amplified by the reshaping of global competitive balances, creates uncertainty over volumes and positioning that undermines any multi-year investment plan.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">This thesis is funded by an aeronautical sub-contractor. It aims to equip decision-making teams with a rigorous methodological framework to address a central strategic dilemma: how to arbitrate between maintaining and optimising current processes (existing assets, established competencies, known return on investment) and committing to new processes whose technological maturity, total cost and normative acceptability remain partially unknown? This tension between the resilience of existing assets and strategic agility constitutes an investment problem under deep uncertainty.</span></p><p style=\"min-height: 1.7em;\"></p><h4>2. Thesis Context</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">This dilemma arises in an environment where available data are fragmentary, uncertainties are heterogeneous in nature (some quantifiable, others deep and non-parametrisable), and where several business functions — manufacturing, finance, R&D, supply chain, quality — must jointly build investment scenarios with differentiated time horizons and performance criteria.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Current decision processes face three major challenges:</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Uncertainty heterogeneity: uncertainty factors relating to demand (stochastic), regulation (scenario-based) and technological maturity are not of the same nature and cannot be handled by a single formalism;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Resilience vs. agility tension: existing assets provide operational stability but reduce the capacity to seize emerging opportunities; models are therefore needed to jointly quantify and arbitrate these two dimensions;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Poorly equipped multi-function governance: multi-year decisions involve actors with differentiated attitudes towards decisional risk, for whom protocols are required to rigorously and legitimately aggregate their heterogeneous preferences and make a decision explicable.</span></p><p style=\"min-height: 1.7em;\"></p><h4>3. Thesis Objectives</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The central objective is to design and validate a multi-year decision-support framework for industrial investments, enabling multidisciplinary teams to:</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formally represent multidimensional and heterogeneous uncertainties within a coherent, non-reductive mathematical framework;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Evaluate and compare the resilience of investment strategies against scenarios including hard-to-foresee shocks;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formalise dynamic strategies that minimise risks and maximise opportunities despite the combinatorial explosion of scenarios;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Make informed collective decisions within a multi-criteria, multi-viewpoint logic, integrating the heterogeneous attitudes of decision-makers towards decisional risk.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The primary application domain is investment decision-making for manufacturing processes in an aeronautical sub-contracting company (existing vs. new processes), a context that concentrates industrial strategy, technology risk management and multi-actor coordination challenges.</span></p><p style=\"min-height: 1.7em;\"></p><h4>4. Research Questions</h4><h4>4.1 Main Research Questions</h4><h4>RQ1 — How can heterogeneous uncertainties be formally represented within a unified, non-reductive mathematical framework?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Which formalisms (possibility theory, fuzzy sets, info-gap, imprecise probabilities, etc.) enable the joint representation of uncertainties of different epistemic natures (stochastic, scenario-based, latent) without artificially homogenising them as random noise or producing an unmanageable state space?</span></p><p style=\"min-height: 1.7em;\"></p><h4>RQ2 — How can these formalisms be combined within a coherent mathematical framework with controlled complexity?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">What compatibility conditions and aggregation operators enable the coupling of heterogeneous representations within an operational decision model, limiting combinatorial explosion to a number of variables that is both decision-relevant and usable by an industrial committee?</span></p><p style=\"min-height: 1.7em;\"></p><h4>RQ3 — How can the resilience of investment strategies be evaluated and compared against a priori unpredictable scenarios?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">What metrics and evaluation protocols make it possible to characterise a strategy’s resistance to shocks outside the known probabilistic support?</span></p><p style=\"min-height: 1.7em;\"></p><h4>RQ4 — How can a dynamic strategy be formalised to minimise risks and maximise opportunities without an explosion of the scenario space?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Which sequential decision models (multi-stage stochastic programming, reduced decision trees, compound real options, etc.) enable the simultaneous integration of existing asset preservation and emerging opportunity capture, while remaining usable by a multidisciplinary industrial committee?</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>RQ5 — How can mathematical rigour in optimisation models be reconciled with the cognitive and organisational processes of human decision-making under uncertainty?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">What frameworks enable the formal output of an operations research (OR) model to be articulated with the actual dynamics of a multidisciplinary decision committee?</span></p><p style=\"min-height: 1.7em;\"></p><h4>RQ6 — How can a hybrid expert/decision-maker tool be designed that integrates multi-criteria, multi-viewpoint and heterogeneous attitudes towards decisional risk?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">What decision-support tool architectures simultaneously deliver a rigorous analytical layer and an interpretable layer for non-OR-expert decision-makers, while integrating the elicitation and explicit modelling of the heterogeneous preferences of multi-function stakeholders?</span></p><p style=\"min-height: 1.7em;\"></p><h4>5. Scientific Barriers</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The scientific barriers concern the fundamental knowledge that must be built or extended in order to provide a rigorous response to the research problem.</span></p><p style=\"min-height: 1.7em;\"></p><h4>SB1 — Unified representation of multidimensional and heterogeneous uncertainties</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">SB1</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Uncertainties relating to demand (stochastic), regulation (scenario-based) and technological maturity (latent) are of radically different epistemic natures. No single formalism can represent them jointly without either artificially homogenising them as random noise (probabilistic reductionism) or producing an unmanageable state space for practical decision-making.</span></p><h4></h4><h4>SB2 — Mathematical combination without reductionism or combinatorial explosion</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">SB2</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Even with formalisms suited to each type of uncertainty, their coupling within a coherent decision model remains an open barrier. Existing aggregation operators (expectation, min-max, Choquet capacity, for example) are not designed to handle hybrid distributions (probabilistic + possibilistic + scenario-based) within a framework with a controlled number of variables.</span></p><p style=\"min-height: 1.7em;\"></p><h4>SB3 — Resilience evaluation against hard-to-predict scenarios</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">SB3</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Resilience cannot be reduced to statistical robustness. Evaluating an investment strategy’s capacity to absorb, adapt and reconfigure in the face of shocks outside the known probabilistic support requires specific metrics and evaluation protocols. A scenario generation strategy covering the uncertainty space is required.</span></p><p style=\"min-height: 1.7em;\"></p><h4>SB4 — Dynamic strategy between risk and opportunity without scenario explosion</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">SB4</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Multi-year sequential decision-making generates a combinatorial explosion of scenarios as soon as optionality, reversibility and investment sequencing are simultaneously integrated. Existing models (multi-stage stochastic programming, decision trees) quickly become unsolvable within the timeframes available to industrial committees. Real options offer a promising avenue, but one insufficiently adapted to industrial constraints.</span></p><p style=\"min-height: 1.7em;\"></p><h4>SB5 — Articulating mathematical rigour with the cognitive process of decision-making</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">SB5</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Industrial decision-making is not a pure optimisation problem. It mobilises heuristics, cognitive biases, institutional constraints and organisational legitimacy logics. Classical OR models produce formal outputs that decision-makers fail to appropriate, due to a lack of transparency in the solution derivation process.</span></p><h2 style=\"text-align:justify;\"> </h2><h4>SB6 — Hybrid tool for multi-criteria, multi-viewpoint and heterogeneous risk attitudes</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">SB6</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Designing a tool that simultaneously delivers a rigorous analytical layer and a layer interpretable by non-OR-expert decision-makers, while explicitly modelling heterogeneous preferences (risk aversion, ambiguity tolerance, differentiated time horizons) of multi-function stakeholders, constitutes a technical, cognitive and organisational barrier.</span></p><p style=\"min-height: 1.7em;\"></p><h4>6. Envisaged Methodological Approach</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The research methodology will combine five complementary strands:</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Literature review spanning operations research, robust and stochastic optimisation, real options theory, multi-criteria decision analysis (MCDA) and behavioural decision theory;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formalisation of a conceptual framework categorising uncertainties and decision criteria specific to aeronautical sub-contractor investments, validated with the industrial partner;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Development of multi-year optimisation models integrating real options, robustness and resilience mechanisms, calibrated on real industrial cases, while minimising the associated combinatorial explosion;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Experiments with multidisciplinary teams from the industrial partner, first in controlled conditions and then in real investment decision situations;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Quantitative and qualitative evaluation of the framework and tool: decision quality, cross-function adoption, cognitive load, recommendation robustness.</span></p><p style=\"min-height: 1.7em;\"></p><h4>7. Schedule and Deliverables</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The thesis is structured over three academic years, progressing according to the hierarchy of research questions: theoretical foundations and industrial framing (AY1), methodological architecture and modelling (AY2), operationalisation, field validation and writing (AY3).</span></p><p style=\"min-height: 1.7em;\"></p><figure><img style=\"width:703px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/odway62rh13yar31492lpuhc11ka3b/Capture_d_e_cran_2026-06-03_a_10.36.05.png\"></figure><p style=\"min-height: 1.7em;\"></p><h4>8. Expected Scientific Deliverables</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D1 — Scientific positioning report.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D2 — Definition of the strategic decision-support need, validated with the industrial partner.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D3 — Performance model with equivalent models for uncertainty representation.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D4 — Uncertainty scenario-building methodology, calibrated on real industrial cases.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D5 — Methodology for integrating multi-viewpoint aspects and heterogeneous decision-maker attitudes towards decisional risk.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D6 — Hybrid expert/decision-maker decision-support tool prototype, oriented towards robustness/resilience and risks/opportunities, validated and improved through field feedback.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">D7 — Thesis manuscript (AY3).</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Dissemination: presentation at SAGIP each academic year; submissions to at least one international conference; 2 publications in an A-ranked international journal.</span></p><p style=\"min-height: 1.7em;\"></p><h4>9. Candidate Profile</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Candidates must hold a Master’s degree (or equivalent) in one of the following fields:</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Industrial engineering, operations research or decision systems engineering;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Applied mathematics, statistics or computer science with a specialisation in optimisation.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>Required Skills and Qualities</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Technical: strong foundations in optimisation (mathematical, stochastic or robust programming), interest in MCDA methods and uncertainty modelling;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Scientific: ability to conduct rigorous literature reviews, formalise conceptual models and design experimental protocols in collaboration with an industrial partner;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Personal: enthusiasm for complex industrial problems, ability to work in multidisciplinary research teams, autonomy and intellectual rigour;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Languages: fluency in French (working language); operational level of written and spoken English for scientific writing and international communications.</span></p><p style=\"min-height: 1.7em;\"></p><h4>10. Supervision and Research Environment</h4><h4>IMT Mines Albi and the Centre Génie Industriel</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">A school under the French Ministry of Industry, IMT Mines Albi belongs to the Institut Mines-Télécom, France’s leading group of engineering and management schools. Its positioning makes it the reference institution for responsible industry of the future, energy and systems engineering.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The Centre Génie Industriel (CGI) has approximately 70 members. It focuses on supporting ecosystem transitions by enabling responsible and sustainable decisions in unstable or disrupted environments. The research axes relevant to this thesis are: FLOWS (Flexible Logistics and Operations for sustainable WorldS) and HOPOPOP (Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving).</span></p><p style=\"min-height: 1.7em;\"></p><h4>Collaborations</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">The PhD requires close collaboration with an aeronautical company. Opportunities for academic exchange at a European partner institution will depend on the progress of the doctorate and mobility calls issued by EULIST.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>Contacts</h4><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Séverine Durieux – [email protected]</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Guillaume Martin – [email protected]</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Raphaël Oger – [email protected]</span></p><p style=\"min-height: 1.7em;\"></p><h4>11. How to Apply</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Required documents: CV, cover letter, Master’s thesis summary, copies of publications, transcripts, letters of recommendation (research and industrial experience) and any other document deemed useful to support your application.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Application deadline: 21 June 2026, 12:00 PM</span></p><p style=\"min-height: 1.7em;\"></p><h4>12. Keywords and Practical Information</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Keywords</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Robust optimisation • Deep uncertainty • Real options • Resilience • MCDA • Multi-year decision • Multi-criteria • Industrial investment • Aeronautical sub-contracting • Decision support</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Discipline</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Operations Research / Industrial Engineering / Decision Support</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Laboratory</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Centre Génie Industriel (CGI) — IMT Mines Albi-Carmaux</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>CGI Research Axes</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">FLOWS • HOPOPOP</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Industrial Partner</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Aeronautics — Sub-contracting — Funding secured</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Modalities</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">3 years (2026–2029) — Location: Albi (81), France</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>13. References</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">References are listed in alphabetical order. Publications by members of the supervisory team are marked with ★.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(8), 667–688.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R., & Levinthal, D. A. (2004). What is not a real option: Considering boundaries for the application of real options to business strategy. Academy of Management Review, 29(1), 74–85.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Antomarchi, A.-L., Guillaume, R., Durieux, S., Thierry, C., & Duc, E. (2019). Capacity planning in additive manufacturing. 9th IFAC Triannual Conference on Manufacturing Modeling, Management and Control, Berlin. IFAC PapersOnLine, 52(13), 2556–2561. https://doi.org/10.1016/j.ifacol.2019.11.591</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Apap, R., & Grossmann, I. (2017). Models and computational strategies for multistage stochastic programming under endogenous and exogenous uncertainties. Computers & Chemical Engineering, 103, 233–274.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Haim, Y. (2006). Info-Gap Decision Theory: Decisions Under Severe Uncertainty (2nd ed.). Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Bertsimas, D., Brown, D. B., & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464–501.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method: The PROMETHEE method. Management Science, 31(6), 647–656.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Craighead, C. W., Blackhurst, J., Rungtusanatham, M. J., & Handfield, R. B. (2007). The severity of supply chain disruptions: Design characteristics and mitigation capabilities. Decision Sciences, 38(1), 131–156.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Delolme, L., Antomarchi, A.-L., Durieux, S., & Duc, E. (2019). Decision-making for multi-criteria optimization of process planning. Mechanics & Industry, 20(8), 806.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (1988). Possibility Theory: An Approach to Computerized Processing of Uncertainty. Plenum Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (2015). Possibility theory and its applications: Where do we stand? Springer Handbook of Computational Intelligence, 31–60.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fakhry, D., Oger, R., Lauras, M., & Pellegrin, V. (2024). A Financialized Model for a Risk-Focused Sales and Operations Planning. IFAC PapersOnLine, 58(19), 1114–1119.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fertier, F., Martin, G., Barthe-Delanoë, A.M., Lesbegueries, J., Montarnal, A., et al. (2021). Managing events to improve situation awareness and resilience in a supply chain. Computers in Industry, 132, 103488.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Figueira, J., Greco, S., & Ehrgott, M. (Eds.) (2005). Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2017). DFM method for aircraft structural parts using the AHP method. International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/s00170-017-1213-1</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2020). Multicriteria decision optimization for the design and manufacture of structural aircraft parts. International Journal on Interactive Design and Manufacturing, 14(3), 1015–1030.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Garreda, W., Oger, R., & Lauras, M. (2026). Automatic demand forecast model selection in supply chains: a forecast value-added analysis. International Journal of Production Research. https://doi.org/10.1080/00207543.2026.2623194</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Gholizadeh Tayyar, S., Lamothe, J., Dupont, L., & Loustau, J.-P. (2018). A Decisional Framework for Concurrent Planning of Multiple Projects and Supply Chain Network. ILS 2016, Springer, pp. 107–122.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Goel, V., & Grossmann, I. (2006). A class of stochastic programs with decision dependent uncertainty. Mathematical Programming, 108(2–3), 355–394.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Greco, S., Figueira, J., & Ehrgott, M. (Eds.) (2016). Multiple Criteria Decision Analysis (2nd ed.). Springer.</span></p><h4>H – L</h4><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Herrera-Viedma, E., Herrera, F., & Chiclana, F. (2002). A consensus model for multiperson decision making with different preference structures. IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 394–402.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Huchzermeier, A., & Loch, C. H. (2001). Project management under risk: Using the real options approach to evaluate flexibility in R&D. Management Science, 47(1), 85–101.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–292.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Kitila, L. G., Duc, E., Durieux, S., & Taddese, G. A. (2026). An integrated fuzzy AHP–fuzzy TOPSIS approach for multi-criteria decision-making in sustainable manufacturing process selection. International Journal of Advanced Manufacturing Technology, 142, 559–583.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Knight, F. H. (1921). Risk, Uncertainty, and Profit. Houghton Mifflin. [Reprint: University of Chicago Press, 1971]</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Landry, M. (1995). A note on the concept of “problem”. Organization Studies, 16(2), 315–343.</span></p><h4>M – R</h4><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Marchau, V. A. W. J., Walker, W. E., Bloemen, P. J. T. M., & Popper, S. W. (Eds.) (2019). Decision Making under Deep Uncertainty. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Martin, G. (2020). Aide à la décision par apprentissage automatique pour le Demand Driven Material Requirements Planning (DDMRP). Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Martin, G., Oger, R. (2022). A Reinforcement Learning Powered Digital Twin to Support Supply Chain Decisions. HICSS 2022 – Hawaii International Conference on System Sciences, Hawaii, United States, pp. 2291–2299.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">McGrath, R. G. (1997). A real options logic for initiating technology positioning investments. Academy of Management Review, 22(4), 974–996.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Morais, D. C., & de Almeida, A. T. (2012). Group decision making on water resources based on analysis of individual rankings. Omega, 40(1), 42–52.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R. (2019). A decision support system for long-term supply chain capacity planning: a model-driven engineering approach. Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras, B. Montreuil, F. Benaben.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R., Lauras, M., Montreuil, B., & Benaben, F. (2022). A decision support system for strategic supply chain capacity planning under uncertainty: conceptual framework and experiment. Enterprise Information Systems, 16(5), 1793390.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Poirier, A., Oger, R., & Martinez, C. (2023). A Scenario Generation Method Exploring Uncertainty and Decision Spaces for Robust Strategic Supply Chain Capacity Planning. Communications in Computer and Information Science, Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode ELECTRE). RIRO, 8, 57–75.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Kluwer Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B., & Bouyssou, D. (1993). Aide Multicritère à la Décision : Méthodes et Cas. Economica.</span></p><h4>S – Z</h4><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Shapiro, A. (2008). Stochastic programming approach to optimization under uncertainty. Mathematical Programming, 112(1), 183–220.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Smit, H. T. J., & Trigeorgis, L. (2004). Strategic Investment: Real Options and Games. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tang, C., & Tomlin, B. (2008). The power of flexibility for mitigating supply chain risks. International Journal of Production Economics, 116(1), 12–27.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Tiss, S., Lamothe, J., & Thierry, C. (2020). Collaborative Supply Chain Distribution Planning under uncertainty. ILS 2020, Austin, USA.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Trigeorgis, L. (1996). Real Options: Managerial Flexibility and Strategy in Resource Allocation. MIT Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Van Mieghem, J. A. (2003). Capacity management, investment, and hedging: Review and recent developments. Manufacturing & Service Operations Management, 5(4), 269–302.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Vidal, J. B., Oger, R., Lauras, M., & Lamothe, J. (2024). Integrating Uncertainty into a Supply Chain Network for Adaptive S&OP Process. Collaborative Networks, Springer, pp. 176–190.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28.</span></p>",
"requirements": null,
"sharing_image": null,
"sharing_title": "PhD Proposal : Decision support for the strategic planning of industrial investments under multidimensional uncertainties in an aeronautical technological disruption context - CDD 36 months",
"locations_question": "What is your preferred work location?",
"sharing_description": "1. Global ContextThe aeronautical industry is undergoing a period of simultaneous disruption across three critical dimensions for aeronautical suppliers. First, the emergence of new aircraft platforms"
},
"fr": {
"title": "PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique",
"highlight": null,
"description": "<p style=\"min-height: 1.7em;\"></p><figure><img style=\"width:583px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/pfp24m34dlrrywev2b89p9g6hv2f1y/Capture_d_e_cran_2026-06-03_a_10.44.42.png\"></figure><p style=\"min-height: 1.7em;\"></p><h4>1. Contexte global du projet</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">L’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles plateformes avions a créé un besoin de pièces et de procédés de fabrication inédits dont la maîtrise industrielle et la rentabilité à l’échelle restent incertaines. Parallèlement, un durcissement réglementaire en matière de certification, d’exigences environnementales et de normes qualité redessine les conditions d’éligibilité des investissements sur des horizons qui dépassent les cycles décisionnels habituels pour les fabricants. Enfin, la volatilité de la demande, amplifiée par la recomposition des équilibres concurrentiels mondiaux, crée une incertitude sur les volumes et les positionnements qui fragilise tout plan d’investissement pluriannuel.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le projet qui finance cette thèse est porté par un sous-traitant du secteur aéronautique. Il vise à doter ses équipes de décision d’un cadre méthodologique rigoureux pour répondre à un dilemme stratégique central : comment arbitrer entre le maintien et l’optimisation des procédés actuels (actifs existants, compétences stabilisées, retour sur investissement connu) et l’engagement dans de nouveaux procédés dont la maturité technologique, le coût total et l’acceptabilité normative restent partiellement inconnus ? Cette tension entre résilience des actifs existants et agilité stratégique constitue un problème d’investissement sous incertitude profonde.</span></p><p style=\"min-height: 1.7em;\"></p><h4>2. Contexte de la thèse</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Ce dilemme se pose dans un environnement où les données disponibles sont fragmentaires, les incertitudes de nature hétérogène (certaines quantifiables, d’autres profondes et non paramétrables), et où plusieurs métiers — industriel, financier, R&D, supply chain, qualité — doivent co-construire les scénarios d’investissement avec des horizons temporels et des critères de performance différenciés.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les processus décisionnels actuels se heurtent à trois difficultés majeures :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une hétérogénéité des incertitudes : les facteurs d’incertitude portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique ne sont pas de même nature et ne peuvent être traités par un formalisme unique ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une tension entre résilience et agilité : les actifs existants confèrent une stabilité opérationnelle mais réduisent la capacité à saisir des opportunités émergentes ; il faut donc des modèles qui permettent de quantifier et d’arbitrer ces deux dimensions conjointement ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Une gouvernance multi-métiers mal outillée : les décisions pluriannuelles impliquent des acteurs aux attitudes différenciées face au risque décisionnel, pour lesquels il faut des protocoles permettant de concaténer leurs préférences hétérogènes de manière rigoureuse et légitime et qui permettent de rendre explicable une décision.</span></p><p style=\"min-height: 1.7em;\"></p><h4>3. Objectifs de la thèse</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">L’objectif central est de concevoir et de valider un cadre d’aide à la décision pluriannuelle pour les investissements industriels, permettant à des équipes pluridisciplinaires de :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Représenter formellement des incertitudes multidimensionnelles et hétérogènes dans un cadre mathématique cohérent et non réducteur ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Évaluer et comparer la résilience de stratégies d’investissement face à des scénarios incluant des chocs difficilement prévisibles a priori ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formaliser des stratégies dynamiques qui minimisent les risques et maximisent les opportunités malgré l’explosion combinatoire des scénarios ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Prendre des décisions collectives éclairées dans une logique multicritères, multi-points de vue, en intégrant les attitudes hétérogènes des décideurs vis-à-vis du risque décisionnel.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le terrain d’application privilégié est la décision d’investissement dans des procédés de fabrication d’une entreprise de sous-traitance aéronautique (existants vs nouveaux), contexte qui concentre des enjeux de stratégie industrielle, de gestion des risques technologiques et de coordination multi-acteurs.</span></p><p style=\"min-height: 1.7em;\"></p><h4>4. Questions de recherche</h4><h4>4.1 Questions de recherche principales</h4><h4> </h4><h4>QR1 — Comment représenter formellement des incertitudes hétérogènes dans un cadre mathématique unifié et non réducteur ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels formalismes (Théorie des possibilités, ensembles flous, info-gap, probabilités imprécises, etc) permettent de représenter conjointement des incertitudes de natures épistémiques différentes (stochastique, scénarisable, latente) sans les homogénéiser artificiellement en bruit aléatoire ni produire un espace d’états ingérable ?</span></p><h4></h4><h4>QR2 — Comment combiner ces formalismes dans un cadre mathématique cohérent à complexité maîtrisée ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles conditions de compatibilité et quels opérateurs d’agrégation permettent de coupler des représentations hétérogènes dans un modèle décisionnel opérationnel, en limitant l’explosion combinatoire à un nombre de variables décisionnellement pertinent et exploitable par un comité industriel ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR3 — Comment évaluer et comparer la résilience de stratégies d’investissement face à des scénarios non prévisibles a priori ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles métriques et quels protocoles d’évaluation permettent de qualifier la résistance d’une stratégie à des chocs hors du support probabiliste connu ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR4 — Comment formaliser une stratégie dynamique qui minimise les risques et maximise les opportunités sans explosion de l’espace des scénarios ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels modèles de décision séquentielle (programmation stochastique multi-stades, arbres de décision réduits, options réelles composées, etc) permettent d’intégrer simultanément la préservation des actifs existants et la capture d’opportunités émergentes, tout en restant exploitables par un comité industriel pluridisciplinaire ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR5 — Comment concilier la rigueur mathématique des modèles d’optimisation avec les processus cognitifs et organisationnels de la décision humaine en contexte d’incertitude ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quels cadres permettent d’articuler la sortie formelle d’un modèle de recherche opérationnelle (RO) avec la dynamique réelle d’un comité de décision pluridisciplinaire ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>QR6 — Comment concevoir un outil hybride expert/décideur intégrant multicritère, multi-points de vue et attitudes hétérogènes vis-à-vis du risque décisionnel ?</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Quelles architectures d’outils d’aide à la décision permettent de produire simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en intégrant l’élicitation et la modélisation explicite des préférences hétérogènes des parties prenantes multi-métiers ?</span></p><p style=\"min-height: 1.7em;\"></p><h4>5. Verrous scientifiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les verrous scientifiques portent sur les connaissances fondamentales à construire ou à étendre pour apporter une réponse rigoureuse à la problématique.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>VS1 — Représentation unifiée des incertitudes multidimensionnelles et hétérogènes</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">VS1</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les incertitudes portant sur la demande (stochastique), la réglementation (scénarisable) et la maturité technologique (lattente) relèvent de natures épistémiques radicalement différentes. Aucun formalisme unique ne permet de les représenter conjointement sans les homogénéiser artificiellement en bruit aléatoire (réductionnisme probabiliste) ni produire un espace d’états ingérable pour la décision pratique.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS2 — Combinaison mathématique sans réductionnisme ni explosion combinatoire</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#3C3489\">VS2</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Même en disposant de formalismes adaptés à chaque type d’incertitude, leur couplage dans un modèle décisionnel cohérent reste un verrou ouvert. Les opérateurs d’agrégation existants (espérance, min-max, capacité de Choquet, par exemple) ne sont pas conçus pour gérer des distributions hybrides (probabiliste + possibiliste + scénariste) dans un cadre à nombre de variables maîtrisé.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS3 — Évaluation de la résilience face à des scénarios peu prévisibles</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">VS3</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La résilience ne se réduit pas à la robustesse statistique. Évaluer la capacité d’une stratégie d’investissement à absorber, s’adapter et se reconfigurer face à des chocs hors du support probabiliste connu nécessite des métriques et des protocoles d’évaluation spécifiques. Une stratégie de génération de scénarios couvrant l’espace des incertitudes est nécessaire.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS4 — Stratégie dynamique entre risque et opportunité sans explosion des scénarios</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#1D6B44\">VS4</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La décision pluriannuelle séquentielle génère une explosion combinatoire des scénarios dès que l’on intègre simultanément optionnalité, réversibilité et séquencement des investissements. Les modèles existants (programmation stochastique multi-stade, arbres de décision) deviennent rapidement non résolubles en temps utile pour un comité industriel. Les options réelles offrent une voie prometteuse mais insuffisamment adaptée aux contraintes industrielles.</span></p><p style=\"min-height: 1.7em;\"></p><h4>VS5 — Articulation rigueur mathématique et processus cognitif de la décision</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">VS5</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La décision industrielle n’est pas un problème d’optimisation pur. Elle mobilise des heuristiques, des biais cognitifs, des contraintes institutionnelles et des logiques de légitimité organisationnelle. Les modèles RO classiques produisent des sorties formelles que les décideurs ne s’approprient pas, faute de transparence sur le processus d’obtention de la solution.</span></p><h4></h4><h4>VS6 — Outil hybride multicritère, multi-points de vue, attitudes hétérogènes au risque</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong><span style=\"color:#7B4C00\">VS6</span></strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Concevoir un outil qui fournit simultanément une couche analytique rigoureuse et une couche interprétable par des décideurs non experts en RO, tout en modélisant explicitement les préférences hétérogènes (aversion au risque, tolérance à l’ambiguïté, horizons temporels différenciés) des parties prenantes multi-métiers constitue un verrou à la fois technique, cognitif et organisationnel.</span></p><p style=\"min-height: 1.7em;\"></p><h4>6. Approche méthodologique envisagée</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La démarche de recherche combinera cinq volets complémentaires :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Revue de l’état de l’art croisant les domaines de la recherche opérationnelle, de l’optimisation robuste et stochastique, de la théorie des options réelles, de l’aide multicritère à la décision (MCDM) et de la théorie de la décision comportementale ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Formalisation d’un cadre conceptuel catégorisant les incertitudes et les critères de décision propres aux investissements des sous-traitants aéronautiques, validé avec le partenaire industriel ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Développement de modèles d’optimisation pluriannuels intégrant des mécanismes d’options réelles, de robustesse et de résilience, calibrés sur des cas industriels réels, le tout en minimisant l’explosion combinatoire associée ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Expérimentations avec des équipes pluridisciplinaires du partenaire industriel, en conditions contrôlées puis en situation réelle de décision d’investissement ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Évaluation quantitative et qualitative du cadre et de l’outil : qualité des décisions, appropriation par les métiers, charge cognitive, robustesse des recommandations.</span></p><p style=\"min-height: 1.7em;\"></p><h4>7. Planning et livrables</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">La thèse est structurée en trois années universitaires, progressant selon la hiérarchie des questions de recherche : fondements théoriques et cadrage industriel (AU1), architecture méthodologique et modélisation (AU2), opérationnalisation, validation terrain et rédaction (AU3).</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><figure><img style=\"width:708px\" src=\"https://recruitee-main.s3.eu-central-1.amazonaws.com/uploads/d1ac3a4lcac2dwnaw1nwlv7o7spcr4/Capture_d_e_cran_2026-06-03_a_10.50.04.png\"></figure><p class=\"MsoNormal\" style=\"text-align:justify;min-height: 1.7em;\"></p><h4>8. Livrables scientifiques attendus</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L1 — Rapport de positionnement scientifique</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L2 — Définition du besoin en aide à la décision stratégique, validée avec le partenaire industriel</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L3 — Modèle de performance comprenant des modèles équivalents pour la représentation des incertitudes</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L4 — Méthodologie de construction de scénarios d’incertitudes, calibrée sur des cas industriels réels</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L5 — Méthodologie de prise en compte de l’aspect multi-points de vue et des attitudes hétérogènes des décideurs face aux risques décisionnels</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L6 — Prototype d’outil d’aide à la décision hybride expert/décideur, orienté robustesse/résilience et risques/opportunités, validé et amélioré avec le retour terrain</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">L7 — Manuscrit de thèse (AU3).</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Valorisation : présentation des travaux à la SAGIP chaque année universitaire ; communications dans au moins une conférence internationale ; 2 publications dans une revue internationale de rang A.</span></p><p style=\"min-height: 1.7em;\"></p><h4>9. Profil recherché</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le ou la candidat(e) devra être titulaire d’un diplôme de Master (ou équivalent) dans l’un des domaines suivants :</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Génie industriel, recherche opérationnelle ou ingénierie des systèmes de décision ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Mathématiques appliquées, statistiques ou informatique avec spécialisation en optimisation.</span></p><h2 style=\"text-align:justify;\"> </h2><h4>Compétences et qualités souhaitées</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Techniques : solides bases en optimisation (programmation mathématique, stochastique ou robuste), intérêt pour les méthodes MCDM et la modélisation de l’incertitude ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Scientifiques : capacité à mener une recherche bibliographique rigoureuse, à formaliser des modèles conceptuels et à concevoir des protocoles expérimentaux en lien avec un partenaire industriel ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Personnelles : goût pour les problématiques industrielles complexes, aptitude au travail en équipe pluridisciplinaire de recherche, autonomie et rigueur intellectuelle ;</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">• <span style=\"color:#333333\">Linguistiques : maîtrise du français (langue de travail) ; niveau opérationnel en anglais écrit et parlé pour la rédaction scientifique et les communications internationales.</span></p><p style=\"min-height: 1.7em;\"></p><h4>10. Encadrement et environnement de recherche</h4><h4>IMT Mines Albi et le Centre Génie Industriel</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom, 1er groupe d’écoles d’ingénieurs et de management de France. Son positionnement place IMT Mines Albi comme école de référence sur l’industrie du futur responsable, l’énergie et l’ingénierie systèmes.</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Le Centre Génie Industriel (CGI) compte environ 70 personnes. Il s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables dans des environnements instables ou perturbés. Les axes concernés par cette thèse sont : FLOWS (Flexible Logistics and Operations for sustainable WorldS) et HOPOPOP (Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving).</span></p><p style=\"min-height: 1.7em;\"></p><h4>Collaborations</h4><p class=\"MsoNormal\" style=\"text-align:justify;\">Le doctorat nécessite une étroite collaboration avec une entreprise aéronautique. Les possibilités d'échange universitaire au sein d'un établissement partenaire européen dépendront de l'avancement du doctorat et des appels à candidatures de mobilité lancés par EULIST.</p><h4>Contacts :</h4><p class=\"MsoListParagraph\">· Séverine Durieux – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p class=\"MsoListParagraph\">· Guillaume Martin – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p class=\"MsoListParagraph\">· Raphaël Oger – <a rel=\"noopener\" target=\"_blank\" href=\"mailto:[email protected]\">[email protected]</a></p><p style=\"min-height: 1.7em;\"></p><h4>11. Modalités de candidature</h4><h4>Documents demandés pour candidater :</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">CV, lettre de candidature, résumé de la thèse de master, copies de publications, relevés de notes, lettres de recommandation (expérience de recherche et industrielle) et tout autre document jugé utile pour appuyer votre candidature.</span></p><p>Application deadline: <span style=\"color:#333333\">21 Juin, 2026, 12:00 PM </span></p><p style=\"min-height: 1.7em;\"></p><h4>12. Mots-clés et informations pratiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Mots-clés</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Optimisation robuste • Incertitude profonde • Options réelles • Résilience • MCDM • Décision pluriannuelle • Multi-critères • Investissement industriel • Sous-traitance aéronautique • Aide à la décision</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Discipline</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Recherche Opérationnelle / Génie Industriel / Aide à la Décision</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Laboratoire</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Centre Génie Industriel (CGI) — IMT Mines Albi-Carmaux</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Axes CGI concernés</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">FLOWS • HOPOPOP</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Secteur partenaire</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Aéronautique — Sous-traitance — Financement obtenu</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><strong>Modalités</strong></p><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Durée 3 ans (2026–2029) — Localisation : Albi (81), France</span></p><p class=\"MsoNormal\" style=\"text-align:justify;\"> </p><h4>13. Références bibliographiques</h4><p class=\"MsoNormal\" style=\"text-align:justify;\"><span style=\"color:#333333\">Les références sont présentées par ordre alphabétique. Les publications des membres de l’équipe encadrante sont signalées par </span><span style=\"color:#1F4E79\">★</span><span style=\"color:#333333\">.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(8), 667–688.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Adner, R., & Levinthal, D. A. (2004). What is not a real option: Considering boundaries for the application of real options to business strategy. Academy of Management Review, 29(1), 74–85.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Antomarchi, A.-L., Guillaume, R., Durieux, S., Thierry, C., & Duc, E. (2019). Capacity planning in additive manufacturing. 9th IFAC Triannual Conference on Manufacturing Modeling, Management and Control, Berlin. IFAC PapersOnLine, 52(13), 2556–2561. https://doi.org/10.1016/j.ifacol.2019.11.591</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Apap, R., & Grossmann, I. (2017). Models and computational strategies for multistage stochastic programming under endogenous and exogenous uncertainties. Computers & Chemical Engineering, 103, 233–274.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Haim, Y. (2006). Info-Gap Decision Theory: Decisions Under Severe Uncertainty (2nd ed.). Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Bertsimas, D., Brown, D. B., & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464–501.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method: The PROMETHEE method. Management Science, 31(6), 647–656.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Christensen, C. M. (1997). The Innovator’s Dilemma. Harvard Business School Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Craighead, C. W., Blackhurst, J., Rungtusanatham, M. J., & Handfield, R. B. (2007). The severity of supply chain disruptions: Design characteristics and mitigation capabilities. Decision Sciences, 38(1), 131–156.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Delolme, L., Antomarchi, A.-L., Durieux, S., & Duc, E. (2019). Decision-making for multi-criteria optimization of process planning. Mechanics & Industry, 20(8), 806.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (1988). Possibility Theory: An Approach to Computerized Processing of Uncertainty. Plenum Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Dubois, D., & Prade, H. (2015). Possibility theory and its applications: Where do we stand? Springer Handbook of Computational Intelligence, 31–60.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fakhry, D., Oger, R., Lauras, M., & Pellegrin, V. (2024). A Financialized Model for a Risk-Focused Sales and Operations Planning. IFAC PapersOnLine, 58(19), 1114–1119.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\"><span style=\"color:#333333\">– ★ Fertier, F., Martin, G., Barthe-Delanoë, A.M., Lesbegueries J., Montarnal, A., et al.. Managing events to improve situation awareness and resilience in a supply chain. Computers in Industry, 2021, 132, pp.103488.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Figueira, J., Greco, S., & Ehrgott, M. (Eds.) (2005). Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2017). DFM method for aircraft structural parts using the AHP method. International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/s00170-017-1213-1</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Fortunet, C., Durieux, S., Chanal, H., & Duc, E. (2020). Multicriteria decision optimization for the design and manufacture of structural aircraft parts. International Journal on Interactive Design and Manufacturing, 14(3), 1015–1030.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Garreda, W., Oger, R., & Lauras, M. (2026). Automatic demand forecast model selection in supply chains: a forecast value-added analysis. International Journal of Production Research. </span><a rel=\"noopener\" target=\"_blank\" href=\"https://doi.org/10.1080/00207543.2026.2623194\">https://doi.org/10.1080/00207543.2026.2623194</a></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Gholizadeh Tayyar, S., Lamothe, J., Dupont, L., & Loustau, J.-P. (2018). A Decisional Framework for Concurrent Planning of Multiple Projects and Supply Chain Network. ILS 2016, Springer, pp. 107–122.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Goel, V., & Grossmann, I. (2006). A class of stochastic programs with decision dependent uncertainty. Mathematical Programming, 108(2–3), 355–394.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Greco, S., Figueira, J., & Ehrgott, M. (Eds.) (2016). Multiple Criteria Decision Analysis (2nd ed.). Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Herrera-Viedma, E., Herrera, F., & Chiclana, F. (2002). A consensus model for multiperson decision making with different preference structures. IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 394–402.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Huchzermeier, A., & Loch, C. H. (2001). Project management under risk: Using the real options approach to evaluate flexibility in R&D. Management Science, 47(1), 85–101.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–292.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Kitila, L. G., Duc, E., Durieux, S., & Taddese, G. A. (2026). An integrated fuzzy AHP–fuzzy TOPSIS approach for multi-criteria decision-making in sustainable manufacturing process selection. International Journal of Advanced Manufacturing Technology, 142, 559–583.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Knight, F. H. (1921). Risk, Uncertainty, and Profit. Houghton Mifflin. [Réédition : University of Chicago Press, 1971]</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Landry, M. (1995). A note on the concept of “problem”. Organization Studies, 16(2), 315–343.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Marchau, V. A. W. J., Walker, W. E., Bloemen, P. J. T. M., & Popper, S. W. (Eds.) (2019). Decision Making under Deep Uncertainty. Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Martin, G. (2020). Aide à la décision par apprentissage automatique pour le Demand Driven Material Requirements Planning (DDMRP). Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\"><span style=\"color:#333333\">– Martin, G., Oger, R.. A Reinforcement Learning Powered Digital Twin to Support Supply Chain Decisions. HICSS2022 - Hawaii International Conference on System Sciences, Jan 2022, Hawaii, United States. pp.2291-2299,</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">McGrath, R. G. (1997). A real options logic for initiating technology positioning investments. Academy of Management Review, 22(4), 974–996.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Morais, D. C., & de Almeida, A. T. (2012). Group decision making on water resources based on analysis of individual rankings. Omega, 40(1), 42–52.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R. (2019). A decision support system for long-term supply chain capacity planning: a model-driven engineering approach. Thèse de doctorat, IMT Mines Albi. Dir. M. Lauras, B. Montreuil, F. Benaben.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Oger, R., Lauras, M., Montreuil, B., & Benaben, F. (2022). A decision support system for strategic supply chain capacity planning under uncertainty: conceptual framework and experiment. Enterprise Information Systems, 16(5), 1793390.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Poirier, A., Oger, R., & Martinez, C. (2023). A Scenario Generation Method Exploring Uncertainty and Decision Spaces for Robust Strategic Supply Chain Capacity Planning. Communications in Computer and Information Science, Springer.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode ELECTRE). RIRO, 8, 57–75.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Kluwer Academic Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Roy, B., & Bouyssou, D. (1993). Aide Multicritère à la Décision : Méthodes et Cas. Economica.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Shapiro, A. (2008). Stochastic programming approach to optimization under uncertainty. Mathematical Programming, 112(1), 183–220.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Smit, H. T. J., & Trigeorgis, L. (2004). Strategic Investment: Real Options and Games. Princeton University Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tang, C., & Tomlin, B. (2008). The power of flexibility for mitigating supply chain risks. International Journal of Production Economics, 116(1), 12–27.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Trigeorgis, L. (1996). Real Options: Managerial Flexibility and Strategy in Resource Allocation. MIT Press.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Van Mieghem, J. A. (2003). Capacity management, investment, and hedging: Review and recent developments. Manufacturing & Service Operations Management, 5(4), 269–302.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">★ Vidal, J. B., Oger, R., Lauras, M., & Lamothe, J. (2024). Integrating Uncertainty into a Supply Chain Network for Adaptive S&OP Process. Collaborative Networks, Springer, pp. 176–190.</span></p><p class=\"MsoListParagraph\" style=\"text-align:justify;\">– <span style=\"color:#333333\">Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28.</span></p>",
"requirements": null,
"sharing_image": null,
"sharing_title": "PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique",
"locations_question": "What is your preferred work location?",
"sharing_description": "1. Contexte global du projetL’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles pl"
}
},
"category_code": "other",
"mailbox_email": "[email protected]",
"options_phone": "required",
"options_photo": "off",
"options_title": "off",
"sharing_image": null,
"sharing_title": "PhD Proposal : Aide à la décision pour la planification stratégique des investissements industriels sous incertitudes multidimensionnelles dans un contexte de rupture technologique aéronautique",
"dynamic_fields": [],
"education_code": "master_degree",
"open_questions": [
{
"id": 4168571,
"body": "résumé de la thèse de master",
"kind": "file",
"options": {},
"position": 1,
"required": true,
"translations": {
"en": {
"body": "Master’s thesis summary"
},
"fr": {
"body": "résumé de la thèse de master"
}
},
"open_question_options": []
},
{
"id": 4168572,
"body": "copies de publications",
"kind": "file",
"options": {},
"position": 2,
"required": true,
"translations": {
"en": {
"body": "copies of publications"
},
"fr": {
"body": "copies de publications"
}
},
"open_question_options": []
},
{
"id": 4168573,
"body": "relevés de notes",
"kind": "file",
"options": {},
"position": 3,
"required": true,
"translations": {
"en": {
"body": "transcripts"
},
"fr": {
"body": "relevés de notes"
}
},
"open_question_options": []
},
{
"id": 4168574,
"body": "lettres de recommandation (expérience de recherche et industrielle) ",
"kind": "file",
"options": {},
"position": 4,
"required": true,
"translations": {
"en": {
"body": "letters of recommendation (research and industrial experience) "
},
"fr": {
"body": "lettres de recommandation (expérience de recherche et industrielle) "
}
},
"open_question_options": []
},
{
"id": 4168575,
"body": "tout autre document jugé utile pour appuyer votre candidature",
"kind": "file",
"options": {},
"position": 5,
"required": true,
"translations": {
"en": {
"body": "any other document deemed useful to support your application"
},
"fr": {
"body": "tout autre document jugé utile pour appuyer votre candidature"
}
},
"open_question_options": []
}
],
"experience_code": "student_college",
"careers_apply_url": "https://institutminestelecom.recruitee.com/o/phd-proposal-decision-support-for-the-strategic-planning-of-industrial-investments-under-multidimensional-uncertainties-in-an-aeronautical-technological-disruption-context-cdd-36-months/c/new",
"locations_question": "What is your preferred work location?",
"max_hours_per_week": null,
"min_hours_per_week": null,
"options_salutation": "required",
"sharing_description": "1. Contexte global du projetL’industrie aéronautique traverse une période de rupture simultanée sur trois dimensions critiques pour les fournisseurs aéronautiques. D’abord, l’émergence de nouvelles pl",
"employment_type_code": "fulltime_fixed_term",
"options_cover_letter": "required",
"locations_question_type": "multiple_choice",
"location_question_visible": false,
"locations_question_required": true
}Get this page with API
Rendered from the bluedoor Job Postings API. Reproduce it:
GET https://api.bluedoor.sh/job-postings/v1/jobs/185b75285733010f2dc07b974208cc2f68836383?include=descriptionJSONGET https://api.bluedoor.sh/job-postings/v1/orgs/b537be62-ee4e-4a10-bae5-25f2e16eb60cJSONGET https://api.bluedoor.sh/job-postings/v1/sources/02435870-da0b-4696-8457-442df8c00a8eJSONGET https://api.bluedoor.sh/job-postings/v1/jobs/185b75285733010f2dc07b974208cc2f68836383/eventsJSON