Projet doctoral
Arbitrer et piloter l’adaptation territoriale : contribution d’un modèle IA participatif et spatialisé
Projet doctoral
Arbitrer et piloter l’adaptation territoriale : contribution d’un modèle IA participatif et spatialisé
Présentation académique
Le PNACC 3 (Plan national d’adaptation au changement climatique) prévoit l’intégration progressive de la TRACC (trajectoire de réchauffement de référence pour l’adaptation au changement climatique) dans les documents de planification publique, afin que les décisions locales soient conçues à partir d’un climat futur de référence et non seulement du climat passé ou actuel (Ministère de la Transition écologique, 2025). Cette intégration concerne notamment les PCAET, les SCoT, les PLU(i) et les SRADDET. Elle marque un changement important : l’adaptation n’est plus seulement un sujet de gestion de crise, mais devient un critère structurant de l’aménagement, des investissements publics et des choix de développement territorial (Ministère de la Transition écologique, 2025a ; I4CE, 2026).
L’intégration de la TRACC est renforcée par l’existence de limites d’adaptation. Le GIEC distingue les limites souples, qui peuvent être repoussées par des moyens financiers, techniques, institutionnels ou organisationnels, et les limites dures, qui correspondent à des seuils physiques ou biologiques au-delà desquels certaines pertes deviennent difficiles, voire impossibles, à éviter (IPCC, 2022 ; Calvin et al., 2023). L’efficacité de nombreuses mesures d’adaptation diminue avec l’augmentation du réchauffement, ce qui justifie de traiter l’adaptation comme une trajectoire à piloter dans le temps : certaines décisions conservent des marges de réversibilité, tandis que d’autres peuvent fermer des futurs possibles ou accroître les pertes et dommages futurs (IPCC, 2022 ; Calvin et al., 2023).
Dans ce contexte, les transformations engagées restent souvent trop incrémentales, c’est-à-dire centrées sur l’amélioration progressive des systèmes existants plutôt que sur leur transformation profonde. Le GIEC souligne que le passage d’une adaptation incrémentale à une adaptation transformationnelle reste limité par des verrouillages économiques, institutionnels, culturels et politiques, alors même que les limites d’adaptation se rapprochent dans certains systèmes et territoires (IPCC, 2022 ; Calvin et al., 2023). Pour les collectivités, cela signifie qu’il ne suffit pas d’ajuster l’existant : elles doivent arbitrer entre amélioration des infrastructures actuelles, bifurcations progressives et transformations plus profondes des usages du sol, du bâti, des mobilités ou des modèles économiques agricoles, touristiques ou industriels (Pörtner et al., 2023 ; I4CE, 2026).
La difficulté est aussi d’éviter la maladaptation, c’est-à-dire des actions qui semblent efficaces à court terme mais qui augmentent les risques climatiques, déplacent les vulnérabilités, renforcent les inégalités, dégradent les écosystèmes ou accroissent les émissions de gaz à effet de serre (IPCC, 2022 ; Calvin et al., 2023). Le PNACC 3 souligne que les solutions d’adaptation doivent être évaluées au regard de leurs impacts sur le carbone, l’énergie, l’eau, la biodiversité, les écosystèmes et les bénéfices sociaux, afin d’éviter des réponses techniquement efficaces mais écologiquement ou socialement problématiques (Ministère de la Transition écologique, 2025). I4CE rappelle enfin qu’une même mesure peut relever de la maladaptation dans un contexte donné et constituer une option pertinente dans un autre, ce qui rend indispensable une évaluation située, territorialisée et délibérative des choix d’adaptation (I4CE, 2026).
Le contexte est donc le suivant : la France dispose désormais d’un cadre national plus clair pour intégrer le climat futur dans la planification, mais les collectivités doivent encore convertir ce cadre en arbitrages opérationnels capables de gérer les limites d’adaptation, les risques de maladaptation et la tension entre adaptation incrémentale et transformation territoriale.
L’enjeu n’est pas seulement de planifier davantage, mais de mieux arbitrer : décider quoi protéger, quoi transformer, quoi abandonner progressivement, selon quels critères, avec quels acteurs, à quel horizon et avec quels indicateurs.
Les sciences de gestion apparaissent particulièrement pertinentes pour adresser ces problématiques, car elles étudient précisément les processus de décision, de coordination, de pilotage et de transformation dans les organisations et les systèmes d’acteurs. L’adaptation territoriale n’est pas seulement un problème climatique ou technique : elle est aussi un problème de gouvernance, d’allocation de ressources, de priorisation, d’évaluation de la performance publique et de conduite du changement. Elle suppose de construire des dispositifs capables d’articuler expertise scientifique, contraintes opérationnelles, préférences d’acteurs, temporalités politiques et incertitudes futures. À ce titre, une thèse en sciences de gestion permet d’interroger non seulement les solutions d’adaptation, mais aussi les conditions organisationnelles et décisionnelles qui rendent ces solutions arbitrables, pilotables et révisables.
Parmi les référentiels et les outils existants, les réseaux bayésiens constituent une approche aujourd’hui mobilisée dans la littérature en sciences de gestion dans des contextes divers.
Un réseau bayésien est un modèle probabiliste qui représente les dépendances entre variables sous incertitude et permet de simuler des scénarios du type “que se passe-t-il si… ?”.
Des travaux publiés dans des revues classées FNEGE montrent leur intérêt pour analyser la corruption dans les transactions d’affaires (Ekici & Önsel Ekici, 2021), la propagation des risques dans les chaînes d’approvisionnement (Hosseini, Ivanov & Dolgui, 2020 ; Liu et al., 2021), les décisions de stock sous risque (Garvey & Carnovale, 2020), le développement de nouveaux produits en contexte d’incertitude (Goswami, Daultani & De, 2021), la qualité de service dans les transports publics (Díez-Mesa, de Oña & de Oña, 2018), ou encore l’aide multicritère à la décision sous incertitude (Cebesoy, Tuncer Şakar & Yet, 2025). La revue de Hosseini et Ivanov (2020) montre par ailleurs que les réseaux bayésiens constituent un courant structuré pour analyser les risques, la résilience et les effets de propagation dans les chaînes d’approvisionnement.
Parallèlement, une littérature plus directement liée aux problématiques écologiques territoriales mobilise également les réseaux bayésiens. Landuyt et al. (2014) les utilisent pour comparer des scénarios de gestion d’étangs en Flandre en intégrant différents services écosystémiques. McVittie et al. (2015) les mobilisent pour évaluer les services rendus par des bandes tampons riveraines, notamment en matière de qualité de l’eau et de réduction du risque d’inondation. Wang et al. (2019, 2020) appliquent quant à eux un raisonnement bayésien flou à l’adaptation des infrastructures de transport britanniques, d’abord pour le réseau routier, puis pour le système ferroviaire, afin de hiérarchiser les risques climatiques et d’aider à prioriser les mesures d’adaptation.
Cependant, les réseaux bayésiens appliqués aux enjeux d’adaptation territoriale demeurent relativement sous-explorés, en particulier dans une perspective de sciences de gestion centrée sur l’arbitrage, la mise en œuvre et le pilotage. Je formule donc l’hypothèse qu’ils pourraient apporter plusieurs contributions : rendre explicites les dépendances entre facteurs climatiques, territoriaux et organisationnels ; intégrer l’incertitude dans les processus de décision ; comparer des scénarios d’adaptation ; soutenir la priorisation des actions ; et produire des indicateurs utiles au pilotage dans le temps. Cette recherche vise ainsi à explorer les apports potentiels des réseaux bayésiens en les mobilisant dans un ancrage principal en sciences de gestion, et secondaire en informatique, afin de contribuer à la conception d’outils d’aide à la décision pour l’adaptation des territoires.
Un réseau bayésien est un modèle probabiliste qui représente un système sous la forme d’un graphe orienté : les variables importantes du problème sont représentées par des nœuds, et les relations de dépendance entre ces variables par des flèches. Chaque nœud est associé à des probabilités conditionnelles, c’est-à-dire des probabilités qui varient selon l’état des autres variables auxquelles il est relié. Cette structure permet de raisonner dans des situations incertaines, de tester des scénarios et de mettre à jour les résultats lorsque de nouvelles informations deviennent disponibles (Heckerman, 2022 ; Marcot et al., 2006).
Dans le cadre de l’adaptation territoriale, un réseau bayésien peut représenter, par exemple, les relations entre aléas climatiques, exposition des populations, vulnérabilités économiques, état des écosystèmes, mesures d’adaptation et effets attendus. Son intérêt est de rendre explicites les chaînes de causalité supposées et d’estimer comment la probabilité d’un impact évolue selon différents scénarios ou décisions (Sperotto et al., 2017 ; Kaikkonen et al., 2021).
Un réseau bayésien est participatif lorsqu’il est construit avec les acteurs concernés : élus, techniciens, services de l’État, opérateurs, entreprises, associations, habitants ou experts locaux. La participation peut intervenir à plusieurs étapes : choix des variables, définition des liens causaux, formulation des scénarios, discussion des probabilités, interprétation des résultats et sélection des mesures d’adaptation. Les travaux sur les réseaux bayésiens participatifs montrent que ces modèles peuvent servir de support pour intégrer différents types de connaissances : données scientifiques, expertise technique, savoirs locaux et perceptions des parties prenantes (Duespohl et al., 2012 ; Kneier et al., 2023).
Dans une perspective de sciences de gestion, cette dimension participative est centrale : le modèle ne sert pas seulement à calculer un risque, mais aussi à organiser une discussion collective sur ce qui compte, ce qui est incertain, ce qui est acceptable et ce qui doit être priorisé. Müller et al. (2024) montrent notamment que les réseaux bayésiens peuvent aider à analyser les conditions d’acceptation et de mise en œuvre des mesures d’adaptation. Le modèle devient alors un instrument d’aide à la décision collective, capable de réduire l’écart entre connaissance du risque et passage à l’action.
Un réseau bayésien est spatialisé lorsqu’il intègre explicitement la dimension géographique du problème. Les variables du modèle peuvent alors être associées à des lieux, des secteurs, des parcelles, des infrastructures, des bassins versants ou des zones d’exposition différenciées. Cette spatialisation permet de comparer les vulnérabilités selon les territoires, d’identifier les zones prioritaires et de représenter les effets différenciés d’une mesure d’adaptation selon les contextes locaux (Sanderson et al., 2022).
Un réseau bayésien est explicable lorsque ses hypothèses, ses variables, ses relations causales et ses résultats peuvent être compris, discutés et vérifiés par les utilisateurs. Contrairement à certains modèles d’IA plus opaques, le réseau bayésien présente une structure graphique lisible : les acteurs peuvent voir quelles variables influencent le résultat, dans quel sens, et avec quel degré d’incertitude. Cette transparence est particulièrement utile pour l’action publique, car elle permet de discuter les hypothèses du modèle plutôt que de recevoir un résultat comme une conclusion automatique (Marcot et al., 2006 ; Kaikkonen et al., 2021).
L’explicabilité repose aussi sur la capacité du modèle à représenter l’incertitude. Sahlin et al. (2021) insistent sur l’importance de traiter explicitement l’incertitude épistémique, c’est-à-dire l’incertitude liée au manque de connaissances, aux données incomplètes, aux jugements experts ou à la structure même du modèle. Dans un contexte d’adaptation, cette transparence est essentielle : elle permet de distinguer ce que l’on sait, ce que l’on suppose et ce qui reste incertain. Le réseau bayésien explicable devient ainsi un support de confiance raisonnée, non parce qu’il supprime l’incertitude, mais parce qu’il la rend visible et discutable.
Dans une perspective de sciences de gestion, cette thèse ne porterait pas seulement sur l’usage technique des réseaux bayésiens ou de l’IA pour modéliser les risques climatiques. Son apport principal serait d’analyser comment un modèle IA participatif et spatialisé peut devenir un instrument de gestion de l’adaptation territoriale, c’est-à-dire un dispositif qui aide à organiser la décision, coordonner des acteurs, rendre visibles des interdépendances, expliciter des arbitrages et suivre l’action dans le temps. Cette orientation est cohérente avec la littérature sur les réseaux bayésiens, qui montre leur intérêt pour la décision sous incertitude, la participation, la spatialisation et la mise à jour des connaissances, mais qui traite encore rarement ces dimensions comme un problème intégré de gestion territoriale (Sperotto et al., 2017 ; Kaikkonen et al., 2021 ; Marcot & Penman, 2019).
Un premier apport académique concernerait la manière dont les collectivités peuvent passer d’un diagnostic climatique à une décision organisée. La littérature sur les réseaux bayésiens montre que ces modèles permettent de représenter des chaînes causales, de gérer l’incertitude et de comparer des scénarios d’action (Sperotto et al., 2017 ; Kaikkonen et al., 2021). Cependant, plusieurs travaux soulignent que les démarches restent souvent centrées sur l’inférence ou l’évaluation du risque, sans aller jusqu’à la formalisation complète des choix, des préférences, des coûts, des bénéfices et des compromis (Gimenez et al., 2026 ; Penman et al., 2020).
La thèse pourrait donc contribuer aux sciences de gestion en étudiant comment un outil probabiliste devient un support d’arbitrage managérial, au sens où il aide à structurer des choix publics entre plusieurs objectifs : réduction du risque, équité, biodiversité, coûts, acceptabilité, continuité des activités économiques et soutenabilité à long terme. L’enjeu ne serait pas de produire automatiquement la “bonne” décision, mais de comprendre comment un modèle rend les arbitrages discutables, documentés et révisables. Cela permettrait d’inscrire l’adaptation territoriale dans une logique de décision collective équipée, plutôt que dans une simple accumulation d’études ou d’indicateurs.
Un deuxième apport porterait sur la gouvernance. L’adaptation territoriale implique une pluralité d’acteurs publics, privés et citoyens, dont les responsabilités, ressources et horizons d’action sont souvent dispersés. La littérature sur la gouvernance collaborative souligne que l’action publique devient plus complexe lorsque plusieurs organisations doivent construire ensemble des décisions, des règles et des modalités de mise en œuvre (Ansell & Gash, 2008 ; Emerson et al., 2012). Les réseaux bayésiens participatifs offrent ici un terrain pertinent, car ils peuvent servir à intégrer des savoirs scientifiques, des savoirs d’usage et des expertises locales dans un même cadre de discussion (Duespohl et al., 2012 ; Kneier et al., 2023).
L’apport de la thèse serait d’analyser le modèle IA comme un objet intermédiaire ou un objet-frontière, c’est-à-dire un support suffisamment structuré pour produire une représentation commune, mais suffisamment flexible pour être approprié par différents acteurs aux intérêts hétérogènes (Star & Griesemer, 1989). Cette lecture est particulièrement pertinente pour l’adaptation territoriale : le modèle peut aider les acteurs à discuter des vulnérabilités, des hypothèses, des responsabilités, des scénarios et des effets attendus sans supposer qu’ils partagent immédiatement la même vision du problème. La contribution académique serait donc d’éclairer les conditions par lesquelles un outil de modélisation devient aussi un dispositif de coordination interservices et interorganisations.
Un troisième apport concerne l’appropriation. En sciences de gestion, l’enjeu n’est pas seulement de savoir si un outil est techniquement robuste, mais s’il est effectivement utilisé, compris et intégré dans les pratiques de décision. Les travaux de Müller et al. (2024) montrent que les réseaux bayésiens peuvent modéliser les conditions d’acceptation et la probabilité d’implémentation des mesures d’adaptation. Cette approche est importante car elle traite l’écart entre connaissance et action : une mesure peut être pertinente sur le plan technique, mais rester peu mise en œuvre si elle est socialement contestée, institutionnellement floue ou opérationnellement difficile.
La thèse pourrait donc contribuer à l’étude du pilotage de l’acceptabilité, non pas comme simple adhésion à obtenir, mais comme processus de construction collective des conditions de mise en œuvre. Elle permettrait d’analyser comment les acteurs territoriaux s’approprient un modèle IA, comment ils discutent les variables, les probabilités et les scénarios, et comment ces discussions transforment éventuellement leur compréhension des risques et des responsabilités. Cet apport serait central pour une thèse en sciences de gestion, car il déplace la question de l’IA : l’enjeu n’est pas uniquement la performance du modèle, mais sa capacité à soutenir l’apprentissage collectif, la coordination et la mise en action.
Un quatrième apport concerne la spatialisation. Les revues sur les réseaux bayésiens montrent que la prise en compte des dimensions spatiales reste encore limitée ou méthodologiquement difficile, notamment lorsqu’il faut représenter des dépendances entre lieux, infrastructures, populations et secteurs exposés (Sperotto et al., 2017 ; Kaikkonen et al., 2021). Certains travaux ouvrent cette voie, notamment Sanderson et al. (2022), qui développent un cadre spatialement explicite d’évaluation de la résilience à l’échelle des parcelles et des communautés.
Au prisme des sciences de gestion, la spatialisation n’est pas seulement une amélioration cartographique. Elle devient un support de pilotage : elle permet de relier les choix d’adaptation à des espaces, des acteurs, des budgets, des infrastructures et des responsabilités. La thèse pourrait ainsi montrer comment un modèle IA spatialisé aide à territorialiser les arbitrages, c’est-à-dire à comprendre où agir, avec quels acteurs, pour quels effets attendus et avec quels risques de déplacement des vulnérabilités. Cette contribution serait importante pour dépasser une vision abstraite de l’adaptation et la rattacher à des configurations territoriales concrètes.
Un cinquième apport concerne le pilotage dans le temps. Les réseaux bayésiens peuvent être mis à jour à partir de nouvelles données, ce qui les rend compatibles avec une logique de gestion adaptative (Marcot et al., 2006 ; Howes et al., 2010). Les réseaux bayésiens dynamiques permettent également de représenter l’évolution des systèmes dans le temps, même si leur usage reste confronté à des difficultés de données, de validation, de choix d’échelles temporelles et de dépendances spatiales (Chang et al., 2023).
Pour une thèse en sciences de gestion, cet aspect ouvre une contribution forte : concevoir l’adaptation non comme un plan figé, mais comme un processus de pilotage révisable. Le modèle pourrait articuler des indicateurs de diagnostic, des indicateurs de processus, des indicateurs d’impact et des indicateurs de pilotage. Il pourrait aussi aider à distinguer ce qui relève du reporting, c’est-à-dire rendre compte après coup, et ce qui relève du pilotage, c’est-à-dire ajuster l’action en fonction des résultats observés. La contribution académique serait alors de proposer un cadre de contrôle de gestion adapté à l’incertitude climatique : un contrôle qui ne cherche pas seulement à vérifier la conformité des actions, mais à organiser l’apprentissage, la correction et la révision des trajectoires.
La contribution de la thèse serait donc moins de démontrer que les réseaux bayésiens sont utiles pour l’adaptation, point déjà documenté dans la littérature, que d’étudier comment un modèle IA participatif et spatialisé peut devenir un instrument de gestion de l’adaptation territoriale. Son originalité tiendrait à l’articulation de cinq dimensions encore souvent séparées : l’aide à la décision, la gouvernance collaborative, l’appropriation par les acteurs, la spatialisation des arbitrages et le pilotage adaptatif.
La thèse pourrait ainsi contribuer à une question centrale en sciences de gestion : comment équiper l’action collective lorsque les organisations doivent décider sous incertitude, avec des objectifs concurrents, des responsabilités distribuées et des effets territoriaux différenciés ? Dans cette perspective, le modèle IA ne serait pas seulement un outil de calcul, mais un dispositif de gestion permettant de rendre les interdépendances visibles, les arbitrages explicites, les incertitudes discutables et les trajectoires d’adaptation pilotables.
Les réseaux bayésiens peuvent être mobilisés comme un cadre de raisonnement probabiliste, participatif et révisable pour appuyer l’adaptation territoriale. Ils permettent de représenter des relations de dépendance entre variables, d’intégrer plusieurs sources de connaissances et d’expliciter l’incertitude dans des systèmes complexes. Dans les travaux sélectionnés, ils sont utilisés pour relier des aléas climatiques, des vulnérabilités locales, des mesures d’adaptation, des préférences d’acteurs, des coûts, des bénéfices et des effets attendus (Sperotto et al., 2017 ; Kaikkonen et al., 2021 ; Gimenez et al., 2026). Ils ne doivent donc pas être présentés comme un outil produisant automatiquement la “bonne” décision, mais comme un support de structuration collective des diagnostics, des arbitrages, de la mise en œuvre et du suivi-évaluation.
Face aux risques en cascade liés aux interdépendances climat-nature-société, les réseaux bayésiens permettent de représenter les relations entre aléas, vulnérabilités, expositions et impacts sectoriels. Leur intérêt est de dépasser une lecture isolée des risques en modélisant les dépendances entre climat, eau, biodiversité, infrastructures, santé, usages du sol et activités économiques. La littérature les mobilise précisément pour l’évaluation multi-risques, l’analyse de scénarios, les stress multiples et la spatialisation des vulnérabilités (Sperotto et al., 2017 ; Kaikkonen et al., 2021 ; Sanderson et al., 2022).
Ils peuvent également répondre à l’écart entre vulnérabilités diagnostiquées et mesures planifiées. En reliant chaque vulnérabilité à des mesures possibles, à des conditions de mise en œuvre et à des résultats attendus, les réseaux bayésiens aident à transformer le diagnostic en support d’action. Les travaux de Müller et al. (2024) montrent notamment que ces modèles peuvent intégrer la probabilité d’implémentation des mesures d’adaptation, ce qui permet de ne pas seulement identifier un risque, mais aussi d’évaluer les conditions sociales et organisationnelles de sa prise en charge.
Enfin, les réseaux bayésiens répondent à la difficulté d’intégrer les incertitudes climatiques, écologiques et socio-économiques. Ils permettent de représenter les résultats sous forme de probabilités, de tester plusieurs scénarios et de rendre explicites les zones d’incertitude. Les travaux de Sahlin et al. (2021) soulignent toutefois qu’il faut distinguer les incertitudes liées aux données, aux paramètres, à la structure du modèle et au jugement expert. Dans cette perspective, l’apport des réseaux bayésiens n’est pas de supprimer l’incertitude, mais de la rendre visible, discutable et mobilisable dans le diagnostic.
Concrètement, ils pourraient contribuer à :
cartographier les interdépendances entre risques climatiques, écologiques, sociaux et économiques ;
identifier les variables les plus sensibles d’un territoire ;
relier les vulnérabilités diagnostiquées à des mesures possibles ;
comparer plusieurs scénarios d’évolution ;
intégrer les incertitudes dans le diagnostic plutôt que les traiter comme une faiblesse du raisonnement.
La première difficulté de planification tient à l’articulation entre approches top-down et bottom-up. Les réseaux bayésiens peuvent aider à combiner projections climatiques, données locales, expertise professionnelle et savoirs d’usage dans un même cadre probabiliste. Cette capacité est illustrée par Kneier et al. (2023), qui mobilisent les réseaux bayésiens pour intégrer des estimations issues de modèles hydrologiques globaux et des connaissances d’experts locaux dans l’évaluation des risques sur l’approvisionnement en eau. Les réseaux bayésiens participatifs permettent ainsi d’articuler modélisation scientifique et compréhension située des vulnérabilités (Duespohl et al., 2012).
La difficulté des compromis constitue un deuxième enjeu central. Les réseaux bayésiens décisionnels peuvent intégrer des nœuds de décision et d’utilité, c’est-à-dire des éléments représentant les options possibles et la valeur attribuée à leurs conséquences. Ils permettent donc de comparer des options en fonction de plusieurs critères : réduction du risque, coûts, bénéfices, biodiversité, protection des populations, acceptabilité et effets sociaux (Gimenez et al., 2026 ; Marcot & Penman, 2019). Dans les travaux de Penman et al. (2020), cette logique est utilisée pour comparer des stratégies de gestion du feu en intégrant des coûts, des contraintes pratiques et des impacts environnementaux.
Les réseaux bayésiens peuvent aussi éclairer les tensions entre développement économique et développement durable. En représentant simultanément des variables économiques, écologiques et sociales, ils permettent de rendre visibles les effets indirects d’une mesure : protection d’une activité à court terme, augmentation possible d’une vulnérabilité future, pression accrue sur une ressource ou effets différenciés selon les territoires. Les travaux sur les services écosystémiques montrent que les réseaux bayésiens dynamiques peuvent représenter les effets conjoints du changement climatique, des usages du sol et des activités humaines sur plusieurs services environnementaux (Yu et al., 2025).
Ils permettent également d’éviter la focalisation excessive sur la réduction des risques. En intégrant des critères non strictement monétaires ou assurantiels, ils peuvent élargir l’évaluation aux co-bénéfices, à la qualité de vie, à la biodiversité, à l’acceptabilité ou aux préférences collectives. Cette ouverture est importante pour inscrire l’adaptation dans un véritable projet de territoire, c’est-à-dire une trajectoire collective reliant réduction des vulnérabilités, choix d’aménagement, priorités sociales, soutenabilité écologique et développement local, plutôt que de la réduire à une logique de pertes évitées (Gimenez et al., 2026 ; Kaikkonen et al., 2021).
La primauté des contraintes de court terme sur les trajectoires longues peut être abordée par les réseaux bayésiens dynamiques. Ces modèles permettent de représenter l’évolution des risques et des effets de l’action dans le temps, notamment dans les systèmes hydrologiques, écologiques ou territoriaux (Molina et al., 2013 ; Chang et al., 2023). Ils soutiennent ainsi une planification pensée comme trajectoire révisable plutôt que comme liste fixe de mesures.
Enfin, les réseaux bayésiens peuvent compléter les limites des approches coûts-bénéfices. Ils permettent d’intégrer des critères non monétaires, des préférences collectives, des incertitudes et des scénarios de maladaptation possibles. Ils peuvent aussi soutenir un raisonnement en coût-efficacité (rapport entre le coût d’une action et sa capacité réelle à produire l’effet recherché), en évaluant si une mesure réduit effectivement la vulnérabilité, diminue le risque climatique, renforce la résilience ou évite de créer de nouveaux risques. Ils ne remplacent pas l’analyse économique, mais peuvent l’inscrire dans un cadre plus large, où les coûts et bénéfices sont discutés avec les risques écologiques, sociaux et territoriaux (Sahlin et al., 2021 ; Gimenez et al., 2026 ; Kaikkonen et al., 2021).
La mise en œuvre de l’adaptation est freinée par une gouvernance multi-niveaux complexe, dans laquelle responsabilités, données, financements et calendriers sont dispersés. Les réseaux bayésiens ne résolvent pas cette complexité institutionnelle en eux-mêmes. En revanche, ils peuvent servir d’outil de coordination en rendant explicites les relations entre acteurs, mesures, ressources, contraintes et effets attendus. Ils peuvent ainsi soutenir une gouvernance plus lisible, où les interdépendances entre niveaux d’action sont discutées plutôt que laissées implicites (Duespohl et al., 2012 ; Kaikkonen et al., 2021).
Ils peuvent également répondre aux difficultés de coordination entre services. L’adaptation concerne simultanément l’eau, l’urbanisme, la biodiversité, les infrastructures, la santé, le foncier, les finances et la gestion de crise. Les réseaux bayésiens permettent de représenter ces interactions dans un même modèle, en identifiant les effets indirects entre secteurs et les conditions nécessaires à la réussite d’une mesure. Cette fonction de représentation systémique peut aider à limiter les décisions isolées et les incohérences interservices (Sperotto et al., 2017 ; Kneier et al., 2023).
Le défaut d’acceptabilité et les résistances locales constituent un apport particulièrement important des réseaux bayésiens participatifs. Müller et al. (2024) montrent qu’ils peuvent modéliser la probabilité de mise en œuvre des mesures d’adaptation en tenant compte des conditions d’acceptation par les acteurs, des représentations sociales et des actions susceptibles de faciliter l’implémentation. Cette approche permet de traiter le “know-do gap”, c’est-à-dire l’écart entre ce que l’on sait devoir faire et ce qui est réellement mis en œuvre.
Sur le plan opérationnel, ils pourraient aider à :
clarifier qui agit, avec quelles ressources et pour quels effets attendus ;
identifier les facteurs qui facilitent ou bloquent la mise en œuvre ;
représenter les effets indirects entre secteurs ;
tester plusieurs scénarios d’action ;
mettre en discussion les arbitrages entre protection, coûts, équité et acceptabilité ;
réviser les mesures à partir de retours d’expérience ou de nouvelles données (Marcot et al., 2006 ; Howes et al., 2010).
Le pilotage de l’adaptation est d’abord confronté à des indicateurs d’impact encore insuffisants. Les réseaux bayésiens peuvent aider à relier les mesures d’adaptation à leurs effets attendus sur l’exposition, la vulnérabilité ou la résilience. Ils permettent de représenter les chaînes causales entre une action, ses effets intermédiaires et ses résultats finaux, ce qui aide à dépasser un suivi limité au nombre d’actions réalisées (Sperotto et al., 2017 ; Kaikkonen et al., 2021).
Ils peuvent aussi contribuer à construire des indicateurs de qualité du processus d’adaptation. Un réseau bayésien participatif peut intégrer des variables liées à la qualité de la concertation, au niveau de connaissance disponible, à la prise en compte des incertitudes, à l’acceptabilité, ou à la cohérence entre objectifs et moyens. Cette dimension est importante car l’efficacité d’une mesure dépend aussi de la manière dont elle est décidée, expliquée et suivie (Duespohl et al., 2012 ; Müller et al., 2024 ; Sahlin et al., 2021).
Les réseaux bayésiens peuvent également aider à structurer des indicateurs de pilotage, distincts des indicateurs de reporting. L’analyse de sensibilité permet d’identifier les variables qui influencent le plus fortement les résultats du modèle et donc de repérer les leviers d’action prioritaires. Dans l’étude de Sperotto et al. (2019), cette méthode sert à hiérarchiser les variables les plus déterminantes pour les charges en nutriments, ce qui illustre l’intérêt des réseaux bayésiens pour orienter l’action plutôt que simplement décrire une situation.
Ils permettent aussi d’intégrer davantage l’analyse qualitative. Les réseaux bayésiens peuvent combiner données quantitatives, savoirs experts, retours d’expérience, perceptions locales et jugements d’acteurs. Cette capacité est utile lorsque les effets sociaux, les conflits d’usage, les dépendances ultra-locales ou les conditions d’acceptabilité ne sont pas réductibles à des indicateurs chiffrés déjà disponibles (Duespohl et al., 2012 ; Kaikkonen et al., 2021).
Enfin, ils répondent à la difficulté d’évaluer l’adaptation dans un contexte multifactoriel. Les effets d’une mesure sont rarement isolables, car ils dépendent d’une combinaison d’actions, de contextes locaux et d’évolutions climatiques. Les réseaux bayésiens permettent précisément de représenter ces interdépendances, de tester plusieurs scénarios et de mettre à jour le modèle lorsque de nouvelles données deviennent disponibles (Marcot et al., 2006 ; Howes et al., 2010 ; Sahlin et al., 2021). Les réseaux bayésiens dynamiques ouvrent en outre une piste pour suivre l’évolution des risques et des effets de l’adaptation dans le temps (Molina et al., 2013 ; Chang et al., 2023).
Dans un modèle d’IA participatif et spatialisé, les réseaux bayésiens pourraient ainsi contribuer à produire des indicateurs plus actionnables, c’est-à-dire directement utilisables pour arbitrer, prioriser et corriger les trajectoires d’adaptation. Ils permettraient de relier les indicateurs aux mécanismes qu’ils prétendent mesurer : réduction du risque, amélioration de la résilience, qualité du processus décisionnel, acceptabilité, effets indirects et capacité d’ajustement.
1. Contexte et enjeux de l'adaptation territoriale
Ministères de la Transition écologique (2025). PNACC 3. Centre de ressources pour l’adaptation au changement climatique. https://www.adaptation-changement-climatique.gouv.fr/agir/espace-documentaire/pnacc-3
Intergovernmental Panel on Climate Change. (2022). Climate change 2022: Impacts, adaptation and vulnerability. Cambridge University Press. https://doi.org/10.1017/9781009325844
Intergovernmental Panel on Climate Change. (2023). Climate change 2023: Synthesis report. IPCC. https://doi.org/10.59327/IPCC/AR6-9789291691647
Pörtner, H.-O., Scholes, R. J., Arneth, A., Barnes, D. K. A., Burrows, M. T., Diamond, S. E., Duarte, C. M., Kiessling, W., Leadley, P., Managi, S., McElwee, P., Midgley, G., Ngo, H. T., Obura, D., Pascual, U., Sankaran, M., Shin, Y. J., & Val, A. L. (2023). Overcoming the coupled climate and biodiversity crises and their societal impacts. Science, 380(6642), eabl4881. https://doi.org/10.1126/science.abl4881
Fetet, M., Dolques, G., Thomazeau, F., & Depoues, V. (2026, 12 mars). Collectivités : Méthode pour construire son plan d’investissement aligné climat – Cahier adaptation. I4CE. https://www.i4ce.org/publication/collectivites-methode-construire-plan-investissement-aligne-climat-cahier-adaptation/
2. Une thèse en sciences de gestion mobilisant les réseaux bayésiens
Ministères de la Transition écologique (2026, 19 février). Adaptation de la France au changement climatique. https://www.ecologie.gouv.fr/politiques-publiques/adaptation-france-changement-climatique
Fondation nationale pour l’enseignement de la gestion des entreprises. (2025). Classement des revues scientifiques en sciences de gestion et management 2025. https://fnege.org/classement-des-revues-scientifiques-en-sciences-de-gestion/
Ekici, A., & Önsel Ekici, Ş. (2021). Understanding and managing complexity through Bayesian network approach: The case of bribery in business transactions. Journal of Business Research, 129, 757–773. https://doi.org/10.1016/j.jbusres.2019.10.024
Hosseini, S., Ivanov, D., & Dolgui, A. (2020). Ripple effect modelling of supplier disruption: Integrated Markov chain and dynamic Bayesian network approach. International Journal of Production Research, 58(11), 3284–3303. https://doi.org/10.1080/00207543.2019.1661538
Liu, M., Liu, Z., Chu, F., Zheng, F., & Chu, C. (2021). A new robust dynamic Bayesian network approach for disruption risk assessment under the supply chain ripple effect. International Journal of Production Research, 59(1), 265–285. https://doi.org/10.1080/00207543.2020.1841318
Garvey, M. D., & Carnovale, S. (2020). The rippled newsvendor: A new inventory framework for modeling supply chain risk severity in the presence of risk propagation. International Journal of Production Economics, 228, 107752. https://doi.org/10.1016/j.ijpe.2020.107752
Goswami, M., Daultani, Y., & De, A. (2021). Decision modeling and analysis in new product development considering supply chain uncertainties: A multi-functional expert based approach. Expert Systems with Applications, 166, 114016. https://doi.org/10.1016/j.eswa.2020.114016
Díez-Mesa, F., de Oña, R., & de Oña, J. (2018). Bayesian networks and structural equation modelling to develop service quality models: Metro of Seville case study. Transportation Research Part A: Policy and Practice, 118, 1–13. https://doi.org/10.1016/j.tra.2018.08.012
Cebesoy, M., Tuncer Şakar, C., & Yet, B. (2025). Multicriteria decision support under uncertainty : Combining outranking methods with Bayesian networks. Annals of Operations Research, 355(3), 2971‑2998. https://doi.org/10.1007/s10479-024-06064-8
Hosseini, S., & Ivanov, D. (2020). Bayesian networks for supply chain risk, resilience and ripple effect analysis: A literature review. Expert Systems with Applications, 161, 113649. https://doi.org/10.1016/j.eswa.2020.113649
Landuyt, D., Broekx, S., & Goethals, P. L. M. (2016). Bayesian belief networks to analyse trade-offs among ecosystem services at the regional scale. Ecological Indicators, 71, 327–335. https://doi.org/10.1016/j.ecolind.2016.07.015
McVittie, A., Norton, L., Martin-Ortega, J., Siameti, I., Glenk, K., & Aalders, I. (2015). Operationalizing an ecosystem services-based approach using Bayesian belief networks: An application to riparian buffer strips. Ecological Economics, 110, 15–27. https://doi.org/10.1016/j.ecolecon.2014.12.004
Wang, T., Qu, Z., Yang, Z., Nichol, T., Dimitriu, D., Clarke, G., & Bowden, D. (2019). How can the UK road system be adapted to the impacts posed by climate change? By creating a climate adaptation framework. Transportation Research Part D: Transport and Environment, 77, 403–424. https://doi.org/10.1016/j.trd.2019.02.007
Wang, T., Qu, Z., Yang, Z., Nichol, T., Dimitriu, D., Clarke, G., Bowden, D., & Lee, P. T. (2020). Impact analysis of climate change on rail systems for adaptation planning : A UK case. Transportation Research Part D: Transport and Environment, 83, 102324. https://doi.org/10.1016/j.trd.2020.102324
3. Les réseaux bayésiens participatifs, spatialisés et explicables
Heckerman, D. (2022). A tutorial on learning with Bayesian networks. arXiv. https://doi.org/10.48550/arXiv.2002.00269
Marcot, B. G., Steventon, J. D., Sutherland, G. D., & McCann, R. K. (2006). Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation. Canadian Journal of Forest Research, 36(12), 3063–3074. https://doi.org/10.1139/x06-135
Sperotto, A., Molina, J.-L., Torresan, S., Critto, A., & Marcomini, A. (2017). Reviewing Bayesian Networks potentials for climate change impacts assessment and management: A multi-risk perspective. Journal of Environmental Management, 202, 320–331. https://doi.org/10.1016/j.jenvman.2017.07.044
Kaikkonen, L., Parviainen, T., Rahikainen, M., Uusitalo, L., & Lehikoinen, A. (2021). Bayesian Networks in environmental risk assessment: A review. Integrated Environmental Assessment and Management, 17(1), 62–78. https://doi.org/10.1002/ieam.4332
Duespohl, M., Frank, S., & Doell, P. (2012). A review of Bayesian Networks as a participatory modeling approach in support of sustainable environmental management. Journal of Sustainable Development, 5(12), 1. https://doi.org/10.5539/jsd.v5n12p1
Kneier, F., Woltersdorf, L., Peiris, T. A., & Döll, P. (2023). Participatory Bayesian Network modeling of climate change risks and adaptation regarding water supply. Environmental Modelling & Software, 168, 105764. https://doi.org/10.1016/j.envsoft.2023.105764
Müller, L., Czymai, M., Blättel-Mink, B., & Döll, P. (2024). How to assess conditions for the acceptance of climate change adaptation measures by applying implementation probability Bayesian Networks in participatory processes. Environmental Modelling & Software, 181, 106188. https://doi.org/10.1016/j.envsoft.2024.106188
Sanderson, D., Cox, D., & Naraharisetty, G. (2022). A spatially explicit decision support framework for parcel- and community-level resilience assessment using Bayesian networks. Sustainable and Resilient Infrastructure, 7(5), 531–551. https://doi.org/10.1080/23789689.2021.1966164
Sahlin, U., Helle, I., & Perepolkin, D. (2021). “This is what we don’t know”: Treating epistemic uncertainty in Bayesian Networks for risk assessment. Integrated Environmental Assessment and Management, 17(1), 221–232. https://doi.org/10.1002/ieam.4367
4. Apports académiques potentiels
Ansell, C., & Gash, A. (2008). Collaborative governance in theory and practice. Journal of Public Administration Research and Theory, 18(4), 543–571. https://doi.org/10.1093/jopart/mum032
Emerson, K., Nabatchi, T., & Balogh, S. (2012). An integrative framework for collaborative governance. Journal of Public Administration Research and Theory, 22(1), 1–29. https://doi.org/10.1093/jopart/mur011
Star, S. L., & Griesemer, J. R. (1989). Institutional ecology, “translations” and boundary objects: Amateurs and professionals in Berkeley’s Museum of Vertebrate Zoology, 1907–39. Social Studies of Science, 19(3), 387–420. https://doi.org/10.1177/030631289019003001
Sperotto, A., Molina, J.-L., Torresan, S., Critto, A., & Marcomini, A. (2017). Reviewing Bayesian Networks potentials for climate change impacts assessment and management: A multi-risk perspective. Journal of Environmental Management, 202, 320–331. https://doi.org/10.1016/j.jenvman.2017.07.044
Kaikkonen, L., Parviainen, T., Rahikainen, M., Uusitalo, L., & Lehikoinen, A. (2021). Bayesian Networks in environmental risk assessment: A review. Integrated Environmental Assessment and Management, 17(1), 62–78. https://doi.org/10.1002/ieam.4332
Gimenez, O., Keller, A., & Milleret, C. (2026). Bayesian decision theory for wildlife management under uncertainty: From inference to action. arXiv. https://doi.org/10.48550/arXiv.2605.09064
Duespohl, M., Frank, S., & Doell, P. (2012). A review of Bayesian Networks as a participatory modeling approach in support of sustainable environmental management. Journal of Sustainable Development, 5(12), 1. https://doi.org/10.5539/jsd.v5n12p1
Kneier, F., Woltersdorf, L., Peiris, T. A., & Döll, P. (2023). Participatory Bayesian Network modeling of climate change risks and adaptation regarding water supply. Environmental Modelling & Software, 168, 105764. https://doi.org/10.1016/j.envsoft.2023.105764
Müller, L., Czymai, M., Blättel-Mink, B., & Döll, P. (2024). How to assess conditions for the acceptance of climate change adaptation measures by applying implementation probability Bayesian Networks in participatory processes. Environmental Modelling & Software, 181, 106188. https://doi.org/10.1016/j.envsoft.2024.106188
Sanderson, D., Cox, D., & Naraharisetty, G. (2022). A spatially explicit decision support framework for parcel- and community-level resilience assessment using Bayesian networks. Sustainable and Resilient Infrastructure, 7(5), 531–551. https://doi.org/10.1080/23789689.2021.1966164
Marcot, B. G., Steventon, J. D., Sutherland, G. D., & McCann, R. K. (2006). Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation. Canadian Journal of Forest Research, 36(12), 3063–3074. https://doi.org/10.1139/x06-135
Howes, A. L., Maron, M., & McAlpine, C. A. (2010). Bayesian Networks and adaptive management of wildlife habitat. Conservation Biology, 24(4), 974–983. https://doi.org/10.1111/j.1523-1739.2010.01451.x
Chang, J., Bai, Y., Xue, J., Gong, L., Zeng, F., Sun, H., Hu, Y., Huang, H., & Ma, Y. (2023). Dynamic Bayesian networks with application in environmental modeling and management: A review. Environmental Modelling & Software, 170, 105835. https://doi.org/10.1016/j.envsoft.2023.105835
5. Apports empiriques potentiels
Chang, J., Bai, Y., Xue, J., Gong, L., Zeng, F., Sun, H., Hu, Y., Huang, H., & Ma, Y. (2023). Dynamic Bayesian networks with application in environmental modeling and management: A review. Environmental Modelling & Software, 170, 105835. https://doi.org/10.1016/j.envsoft.2023.105835
Duespohl, M., Frank, S., & Doell, P. (2012). A review of Bayesian Networks as a participatory modeling approach in support of sustainable environmental management. Journal of Sustainable Development, 5(12), 1. https://doi.org/10.5539/jsd.v5n12p1
Gimenez, O., Keller, A., & Milleret, C. (2026). Bayesian decision theory for wildlife management under uncertainty: From inference to action. arXiv. https://doi.org/10.48550/arXiv.2605.09064
Howes, A. L., Maron, M., & McAlpine, C. A. (2010). Bayesian Networks and adaptive management of wildlife habitat. Conservation Biology, 24(4), 974–983. https://doi.org/10.1111/j.1523-1739.2010.01451.x
Kaikkonen, L., Parviainen, T., Rahikainen, M., Uusitalo, L., & Lehikoinen, A. (2021). Bayesian Networks in environmental risk assessment: A review. Integrated Environmental Assessment and Management, 17(1), 62–78. https://doi.org/10.1002/ieam.4332
Kneier, F., Woltersdorf, L., Peiris, T. A., & Döll, P. (2023). Participatory Bayesian Network modeling of climate change risks and adaptation regarding water supply. Environmental Modelling & Software, 168, 105764. https://doi.org/10.1016/j.envsoft.2023.105764
Marcot, B. G., Steventon, J. D., Sutherland, G. D., & McCann, R. K. (2006). Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation. Canadian Journal of Forest Research, 36(12), 3063–3074. https://doi.org/10.1139/x06-135
Marcot, B. G., & Penman, T. D. (2019). Advances in Bayesian network modelling: Integration of modelling technologies. Environmental Modelling & Software, 111, 386–393. https://doi.org/10.1016/j.envsoft.2018.09.016
Molina, J.-L., Pulido-Velázquez, D., García-Aróstegui, J. L., & Pulido-Velázquez, M. (2013). Dynamic Bayesian Networks as a decision support tool for assessing climate change impacts on highly stressed groundwater systems. Journal of Hydrology, 479, 113–129. https://doi.org/10.1016/j.jhydrol.2012.11.038
Müller, L., Czymai, M., Blättel-Mink, B., & Döll, P. (2024). How to assess conditions for the acceptance of climate change adaptation measures by applying implementation probability Bayesian Networks in participatory processes. Environmental Modelling & Software, 181, 106188. https://doi.org/10.1016/j.envsoft.2024.106188
Penman, T. D., Cirulis, B., & Marcot, B. G. (2020). Bayesian decision network modeling for environmental risk management: A wildfire case study. Journal of Environmental Management, 270, 110735. https://doi.org/10.1016/j.jenvman.2020.110735
Sahlin, U., Helle, I., & Perepolkin, D. (2021). “This is what we don’t know”: Treating epistemic uncertainty in Bayesian Networks for risk assessment. Integrated Environmental Assessment and Management, 17(1), 221–232. https://doi.org/10.1002/ieam.4367
Sanderson, D., Cox, D., & Naraharisetty, G. (2022). A spatially explicit decision support framework for parcel- and community-level resilience assessment using Bayesian networks. Sustainable and Resilient Infrastructure, 7(5), 531–551. https://doi.org/10.1080/23789689.2021.1966164
Sperotto, A., Molina, J.-L., Torresan, S., Critto, A., & Marcomini, A. (2017). Reviewing Bayesian Networks potentials for climate change impacts assessment and management: A multi-risk perspective. Journal of Environmental Management, 202, 320–331. https://doi.org/10.1016/j.jenvman.2017.07.044
Sperotto, A., Molina, J. L., Torresan, S., Critto, A., Pulido-Velázquez, M., & Marcomini, A. (2019). A Bayesian Networks approach for the assessment of climate change impacts on nutrients loading. Environmental Science & Policy, 100, 21–36. https://doi.org/10.1016/j.envsci.2019.06.004
Yu, H., Jiang, J., Gu, X., Cao, C., & Shen, C. (2025). Using dynamic Bayesian belief networks to infer the effects of climate change and human activities on changes in regional ecosystem services. Ecological Indicators, 170, 113023. https://doi.org/10.1016/j.ecolind.2024.113023