Optimisation du réseau de recharge pour le service de valet
Le marché des véhicules électriques (VE) connaît une croissance exponentielle. Alors que les chiffres de mars 2022 faisaient état d’une augmentation de 110 % des ventes de véhicules à énergie nouvelle en Chine par rapport à l’année précédente, et d’une part de marché dépassant désormais les 21 %, la transition vers l’électromobilité est devenue une réalité incontournable. Pourtant, derrière le volant, de nombreux propriétaires de VE sont toujours confrontés à un défi persistant : l’anxiété liée à la recharge. La recherche d’une borne disponible, les longues files d’attente, le temps perdu à attendre que la batterie se recharge et l’incertitude quant à l’autonomie restante restent des obstacles majeurs à une expérience utilisateur fluide et sereine. Face à ce constat, un nouveau modèle de service émerge : le service de valet de recharge. Cette solution innovante, qui promet de libérer les conducteurs de la corvée de la recharge, soulève néanmoins une question cruciale pour sa viabilité à long terme : où doivent être situées les stations de recharge pour que ce service soit à la fois rentable et efficace ?
Contrairement au modèle traditionnel, où l’utilisateur choisit lui-même la station de recharge la plus proche, le service de valet introduit une chaîne logistique complexe. Une équipe de personnel spécialisé se rend à l’emplacement du client, prend en charge le véhicule, le conduit à une station de recharge, effectue la charge et le ramène à son propriétaire. Ce service élimine le coût du temps pour l’utilisateur, mais transfère ce coût opérationnel au fournisseur du service. La rentabilité de ce modèle ne dépend pas uniquement du prix du service, mais d’une équation bien plus sophistiquée, dans laquelle l’emplacement des stations de recharge joue un rôle déterminant. Une conception maladroite du réseau peut entraîner des trajets de transport excessivement longs pour le personnel, des temps d’attente inefficaces et, à terme, des marges bénéficiaires insoutenables. Une nouvelle étude, publiée dans la prestigieuse revue Operations Research and Management Science, aborde ce défi avec une approche mathématique rigoureuse, offrant un cadre pour optimiser le réseau de recharge du point de vue du service de valet.
Les auteurs de cette recherche, Tong Min et Hu Zhihua, chercheurs au Centre de recherche en logistique de l’Université maritime de Shanghai, ont développé un modèle de programmation stochastique en deux étapes qui représente une avancée significative dans la planification de l’infrastructure. Leur approche reconnaît un fait fondamental : la demande de recharge n’est pas un chiffre fixe, mais une variable aléatoire qui fluctue en fonction de l’heure de la journée, de la localisation et du comportement individuel des utilisateurs. Un modèle déterministe, qui supposerait une demande constante, est voué à l’échec dans le monde réel. Le modèle de Tong et Hu, en revanche, intègre cette incertitude, permettant aux planificateurs de prendre des décisions plus robustes et résilientes face à la volatilité de la demande.
Le cœur du modèle réside dans un concept appelé « taux d’adoption du service de valet ». Ce paramètre ne part pas du principe que tous les utilisateurs opteront pour le service, mais prédit la probabilité qu’ils le fassent. Cette décision est basée sur une simple comparaison de coûts : si le prix du service de valet est inférieur ou égal à la valeur que l’utilisateur attribue à son temps, multipliée par le temps total qu’il lui faudrait pour recharger son véhicule lui-même (temps de conduite jusqu’à la station plus temps d’attente), il est alors probable qu’il choisisse le service. Ce calcul introduit une variable cruciale : le « coût par unité de temps ». Les chercheurs modélisent ce coût comme une variable aléatoire suivant une distribution uniforme, reconnaissant que le temps d’un cadre pressé a une valeur bien plus élevée que celui d’un retraité. Cette distinction est fondamentale, car elle permet au modèle de simuler une population d’utilisateurs diversifiée et de prévoir comment différents prix et durées de recharge influenceront la demande pour le service.
Le problème d’optimisation est divisé en deux phases stratégiques. La première phase se concentre sur des décisions d’investissement à long terme : où construire les stations de recharge et combien de points de recharge installer à chaque emplacement. Ces décisions doivent être prises avant de connaître la demande exacte d’une journée donnée. La deuxième phase concerne l’opération quotidienne : une fois la demande réelle connue, comment allouer les ressources de recharge (qu’il s’agisse d’utilisateurs qui rechargent eux-mêmes ou de véhicules gérés par le service de valet) de manière à minimiser les coûts totaux. Ces coûts incluent l’investissement dans l’infrastructure, le coût de fonctionnement et le coût de déplacement pour les utilisateurs qui choisissent de recharger leurs véhicules eux-mêmes.
Cependant, pour un fournisseur de services de valet, l’objectif final n’est pas seulement de minimiser les coûts, mais de maximiser les profits. Tong et Hu élargissent leur modèle pour en faire un problème multi-objectif. Le premier objectif est de maximiser le profit attendu de l’activité de valet, calculé comme les revenus issus des tarifs de service moins les coûts opérationnels (salaires du personnel, amortissement des véhicules, etc.). Le deuxième objectif est de minimiser le coût de déplacement pour les utilisateurs qui rechargent leurs véhicules eux-mêmes. Cette dualité crée un dilemme fondamental : un réseau de recharge qui maximise les profits du service de valet pourrait placer les stations dans des emplacements qui sont opérationnellement efficaces pour le personnel de valet, mais qui sont éloignés des zones résidentielles, augmentant ainsi leur inconfort.
Pour résoudre ce dilemme complexe, les chercheurs utilisent deux techniques informatiques sophistiquées : la méthode de contrainte Epsilon et la méthode d’Approximation par moyenne d’échantillon (SAA). La méthode de contrainte Epsilon transforme le problème multi-objectif en une série de problèmes à objectif unique. En fixant une limite supérieure (Epsilon) pour le coût de déplacement des utilisateurs, le modèle peut alors se concentrer exclusivement sur la maximisation du profit du valet dans cette limite. En faisant varier la valeur d’Epsilon, les planificateurs peuvent tracer une « frontière de Pareto », qui est un ensemble de solutions optimales où toute amélioration d’un objectif (profit) aggrave l’autre (coût pour l’utilisateur). Cette approche fournit une vision claire des compromis impliqués, permettant une prise de décision éclairée.
La méthode SAA est utilisée pour gérer l’aléatoire de la demande. Plutôt que d’essayer de calculer toutes les combinaisons possibles de demande (une tâche informatiquement impossible), le SAA génère un grand nombre de scénarios de demande aléatoires. Le modèle est résolu pour chacun de ces scénarios, et le résultat moyen est utilisé comme estimation fiable du profit ou du coût attendu à long terme. Plus le nombre de simulations est élevé, plus la solution devient précise et fiable. Les auteurs décrivent également une procédure rigoureuse pour vérifier la convergence de la solution, garantissant que les résultats ne sont pas le fruit du hasard d’un petit échantillon.
La véritable force de ce travail réside dans son application pratique. Les chercheurs mènent une analyse numérique exhaustive et, plus important encore, une étude de cas basée sur le district de Yaohai à Hefei, dans la province de l’Anhui. En utilisant des données géographiques réelles et un logiciel d’analyse spatiale, ils définissent 32 points de demande et 108 emplacements candidats pour les stations de recharge. Les résultats de cette étude sont révélateurs. Le modèle montre clairement qu’en maximisant agressivement le profit du service de valet (c’est-à-dire en augmentant la valeur d’Epsilon), la solution optimale implique un réseau de recharge qui s’étend vers les confins de la région. Cette dispersion permet au personnel de valet d’opérer de manière plus efficace, réduisant les temps de transport entre les collectes et les livraisons.
Cependant, cette efficacité commerciale a un coût social significatif. Au fur et à mesure que les stations se déplacent vers la périphérie, les utilisateurs qui vivent en centre-ville et préfèrent recharger leurs véhicules eux-mêmes doivent parcourir des distances beaucoup plus longues pour atteindre la station de recharge la plus proche. Cela augmente considérablement leur « coût de déplacement », qui inclut à la fois la dépense en électricité et la valeur de leur temps. Cette découverte est cruciale. Elle démontre qu’une stratégie pure de maximisation du profit peut conduire à une infrastructure qui est excellente pour un fournisseur de services, mais médiocre pour une grande partie de la communauté des utilisateurs de VE.
La contribution la plus précieuse de l’étude de Tong et Hu est qu’elle ne dicte pas une solution unique, mais fournit une carte des décisions. Elle montre qu’il existe un point d’équilibre, un « point idéal », où le profit du valet reste très élevé, mais où le coût pour les utilisateurs est maintenu à un niveau raisonnable. Dans le cas de Yaohai, l’étude a révélé qu’en acceptant un profit attendu qui représente environ 85,83 % du maximum théorique possible, on peut obtenir un réseau de recharge qui est nettement plus accessible pour tous. Ce résultat est un appel à l’action pour les urbanistes et les régulateurs. Il suggère que les politiques publiques devraient inciter, voire exiger, que les fournisseurs de services privés conçoivent des réseaux qui servent l’intérêt public général, et non seulement leurs marges bénéficiaires.
Pour les entreprises qui souhaitent pénétrer le marché de la recharge avec service de valet, cette recherche est un guide essentiel. Elle met en garde contre l’erreur d’une optimisation myope. Une entreprise qui construit un réseau pour maximiser ses profits à court terme, en ignorant la commodité de l’utilisateur, risque d’aliéner une vaste base de clients potentiels. À l’inverse, une entreprise qui investit dans un réseau plus dense et accessible, même si sa rentabilité initiale est moindre, peut construire une réputation de fiabilité et de service client, ce qui se traduit par une fidélité à la marque et une part de marché plus importante à long terme.
L’impact de ce travail va bien au-delà de la simple planification des stations. Il ouvre la voie à des recherches futures dans des domaines tels que l’optimisation des itinéraires et des horaires du personnel de valet, ou le développement de modèles de tarification dynamique qui ajustent le tarif du service en fonction de l’heure de la journée ou de la charge du réseau. Il soulève également la nécessité d’une meilleure collecte de données sur le comportement des utilisateurs, comme la valeur réelle que les gens attribuent à leur temps de recharge.
En conclusion, l’étude de Tong Min et Hu Zhihua n’est pas seulement un exercice académique. C’est un outil puissant pour naviguer dans la complexité de la mobilité électrique moderne. En combinant une théorie mathématique avancée avec une analyse de cas du monde réel, ils fournissent un cadre qui est à la fois rigoureux et pratique. Leur travail souligne que l’avenir de la recharge des véhicules électriques ne concerne pas seulement la technologie, mais aussi l’intelligence opérationnelle et la planification humaine. Alors que le service de valet évolue d’un avantage après-vente à un secteur commercial indépendant, la capacité d’optimiser son infrastructure sera fondamentale. Cette recherche offre la première carte détaillée pour ce voyage, une carte qui mène à un réseau de recharge qui est non seulement rentable, mais aussi juste, efficace et véritablement centré sur l’utilisateur.
Tong Min, Hu Zhihua, Centre de recherche en logistique, Université maritime de Shanghai, Operations Research and Management Science, doi:10.12005/orms.2024.0252