Un élan majeur de la recherche opérationnelle fut la reconnaissance que les processus complexes et orientés vers un objectif doivent être étudiés et résolus comme des ensembles intégrés, car les solutions apportées aux différentes parties du problème global se révélaient isolées, alors que la pratique exigeait une unité entre toutes les solutions partielles.

Initialement, la « recherche opérationnelle » se limitait à l’élaboration de méthodes permettant d’analyser un problème comme un tout unique, sans en isoler les parties constitutives. Une autre caractéristique distinctive de ces recherches, dans leur période initiale, fut le recours à l’approche interdisciplinaire d’équipe. Son essence ne consistait pas à réunir en un même lieu tous les spécialistes concernés, mais à constituer un groupe maîtrisant les méthodes quantitatives et affranchi de la vision étroite propre à toute discipline prise isolément. Cette approche reflétait deux réalités : d’une part, la nécessité d’introduire des méthodes quantitatives dans la science de la gestion, et d’autre part, la pénurie de méthodes (et de spécialistes) dans le domaine qui allait devenir la « recherche opérationnelle ».

Par la suite, la « recherche opérationnelle » évolua, passant de l’activité conjointe de spécialistes de profils divers à une branche indépendante de la science et de la pratique organisationnelle, en se scindant au passage en deux orientations principales.

La première de ces orientations est liée à la construction de modèles mathématiques pour les sous-problèmes de gestion les plus fréquemment rencontrés, dans lesquels il est possible, dans une certaine mesure, de se passer de la nécessité de tenir compte du comportement des individus participant à l’opération. C’est ici que furent identifiés les principaux problèmes de la théorie mathématique de la « recherche opérationnelle », accompagnés de la spécialisation croissante des scientifiques travaillant dans ce domaine.

Un grand nombre de problèmes résolus par les gestionnaires peuvent être rattachés à de telles tâches, par exemple :

la gestion des stocks, qui concerne la détermination de la taille nécessaire des ressources « stockées » (humaines, matérielles, financières, matières premières, etc.), sachant que le stockage entraîne certains coûts ;
l’allocation de ressources limitées entre divers consommateurs, chacun les utilisant avec des degrés d’efficience variables ;
les problèmes de files d’attente, qui consistent à distribuer des tâches selon une séquence stricte, formant tel ou tel processus, et à établir des règles de priorité ;
le choix d’itinéraires et l’ordonnancement des travaux dans le temps ;
les problèmes liés au remplacement des équipements obsolètes ;
la recherche de solutions par énumération rationnelle (plutôt qu’exhaustive) des possibilités ;
les problèmes concurrentiels, ou problèmes de théorie des jeux, qui étudient les stratégies rationnelles de comportement dans des situations où le résultat d’une opération dépend non seulement du comportement du sujet, mais aussi de celui d’un adversaire dont les objectifs sont contraires à ceux du sujet.

Ainsi, la méthode de la « recherche opérationnelle » en vint à s’appliquer à différents types d’opérations et de processus, en recourant à diverses approches et à des outils mathématiques variés selon l’objet de l’analyse (méthodes de programmation mathématique, modélisation combinatoire et statistique). Parallèlement aux outils mathématiques, des méthodes heuristiques furent également employées en « recherche opérationnelle ».

En développant des méthodes d’analyse des actions orientées vers un but (opérations) et d’évaluation comparative des solutions, principalement en termes quantitatifs, la « recherche opérationnelle » s’appuie sur une méthodologie systémique, selon laquelle les phénomènes étudiés sont considérés comme des systèmes représentant des ensembles d’éléments en interaction, conçus pour atteindre des objectifs précis.

L’analyse d’opérations ou de phénomènes spécifiques du point de vue de la « recherche opérationnelle » suppose la construction d’un modèle mathématique du phénomène, l’analyse du modèle et la recherche d’une solution, la vérification de l’adéquation du modèle et de la solution au phénomène, l’apport des ajustements nécessaires (« réglage ») au modèle et à la solution, et enfin l’application de la solution retenue dans la pratique.

Étroitement lié aux problèmes mathématiques de cette méthode (sans toutefois en faire formellement partie) se trouve le vaste domaine des méthodes dites de réseau de planification et de gestion. Le développement des méthodes de réseau et des systèmes en réseau est étroitement lié à la branche de la « recherche opérationnelle » qui étudie les modèles d’ordonnancement. Ces méthodes ont permis de trouver un langage nouveau et fort commode pour décrire, modéliser et analyser des opérations complexes à plusieurs étapes. Tels sont, en particulier, les méthodes de réseau de modélisation et de contrôle opérationnel : CPM — la « méthode du chemin critique » et PERT — « technique d’évaluation et d’examen des programmes ».

L’apparition de divers systèmes de gestion formalisés, de méthodes de planification à long terme, de programmation et de prévision, fut motivée par la nécessité de créer des conditions propices à une prise de décision correcte dans un environnement où la gestion se trouvait confrontée à d’énormes volumes d’information, à des milliers de facteurs dont la prise en compte, l’évaluation et l’intégration s’avéraient impossibles dans le cadre de l’organisation classique de la gestion.

Des études menées par plusieurs psychologues américains ont montré qu’une personne éprouve des difficultés à prendre des décisions lorsque cela exige de tenir compte de plus de 10 variables ou de facteurs mutuellement contradictoires, ou de plus de 20 facteurs de même ordre. Cependant, comme une solution optimale ne peut résulter que de la prise en compte et de l’analyse de tous les facteurs, indépendamment de la capacité d’une personne, à un niveau de gestion donné, à faire face à cette tâche, il apparaît objectivement nécessaire de diviser les problèmes en sous-problèmes et sous-tâches. Le principe fondamental qui sous-tend la plupart des systèmes de programmation existants consiste en la décomposition logique des tâches. La prémisse était la nécessité de réduire le nombre de facteurs ou le volume d’information à des niveaux permettant à une personne de les évaluer.

La seconde orientation de la « recherche opérationnelle » se développa selon des lignes quelque peu différentes, mettant l’accent non pas tant sur la mathématisation des problèmes de gestion et l’introduction de méthodes propres aux sciences exactes, que sur l’application de principes d’étude d’une opération comme un tout unifié, à l’aide d’équipes de recherche « nouvelles » et « impartiales ». L’apparition de l’ingénierie des systèmes est liée à cette orientation. Il convient de noter que de nombreux scientifiques ayant étudié les processus de gestion au moyen de la méthode de « recherche opérationnelle » sont par la suite allés au-delà des limites de ce type de recherche. À cet égard, ils proposèrent des définitions de plus en plus larges de la discipline scientifique dont cette méthode constitue le fondement, ce qui n’a pas manqué de créer une certaine confusion terminologique.

De nombreux spécialistes américains reconnaissent que, bien que la « recherche opérationnelle » ait représenté dans l’ensemble une étape très importante vers la création d’une nouvelle science de la gestion, elle n’en a pas moins couvert un éventail de problèmes relativement restreint. En outre, avec le développement de la spécialisation mathématique, une tendance est apparue à considérer la « recherche opérationnelle » comme des branches particulières des mathématiques appliquées — c’est-à-dire à ne pas la considérer comme constituant une discipline scientifique indépendante ayant un objet d’étude distinct.

C’est pourquoi, dès le début des années 1950, débuta une recherche active pour préciser la spécificité de ces problèmes de gestion dont la résolution suppose l’application de méthodes mathématiques, bien que ces problèmes eux-mêmes doivent être rattachés à l’objet de la théorie de l’organisation et de la gestion. Le résultat fut l’identification de la théorie de la décision comme discipline scientifique indépendante (au sein de la science de la gestion), conçue comme un prolongement de la « recherche opérationnelle », laquelle fut en conséquence interprétée comme des méthodes spécifiques de prise de décision. Toutefois, en théorie de la décision (et c’est ce qui la distingue de la « recherche opérationnelle »), l’attention principale fut portée au processus même de prise de décision, à la formation des principes de sélection, à l’élaboration de critères de qualité, et à la détermination de méthodes permettant de trouver des solutions conformes à ces principes. Les tenants de cette théorie affirment que la prise de décision constitue le cœur de l’activité de gestion et en définit les traits spécifiques.

Les travaux dans ce domaine se poursuivent principalement selon deux orientations. La première concerne avant tout la modélisation mathématique des processus de prise de décision tels qu’ils se déroulent réellement au sein d’équipes concrètes. La seconde concentre ses efforts sur l’élaboration d’algorithmes permettant d’obtenir des solutions optimales. La première orientation comprend diverses études « comportementales », par exemple celles d’E. Fogel et de R. Luce, tandis que la seconde englobe de nombreuses recherches en théorie des décisions statistiques, en théorie des jeux, et autres domaines similaires. Les travaux des représentants de ces deux orientations font largement appel aux outils de la logique mathématique, de la statistique mathématique, ainsi qu’à la programmation linéaire, non linéaire, dynamique et systémique. La nécessité d’évaluer les conséquences de telle ou telle décision en situation d’incertitude a conduit à l’usage répandu des méthodes de test statistique, ou « méthodes de Monte-Carlo ».

Parallèlement, au sein de la « nouvelle » école, un autre point de vue prit forme, selon lequel les traits spécifiques de la gestion sont liés à l’aspect économique de l’activité des divers systèmes, et par conséquent l’axe central de la science de la gestion devrait être la tâche de quantification et de modélisation mathématique des phénomènes économiques. Ce point de vue donna naissance à ce que l’on appelle l’approche économétrique de l’analyse et de la programmation des processus de gestion.

D’une grande importance pour le développement de l’approche économétrique fut la découverte, en 1939, par le mathématicien soviétique et lauréat du prix Nobel L. V. Kantorovitch, de la méthode de programmation linéaire, sur laquelle repose largement la recherche dans ce domaine. Ce n’est que 10 ans plus tard que cette méthode fut redécouverte de manière indépendante par le mathématicien américain G. Dantzig.

Au fondement de l’approche économétrique se trouve la construction de modèles reflétant, sous forme schématique, certains phénomènes ou processus économiques particuliers, par abstraction scientifique des traits les plus caractéristiques de ces phénomènes et processus. Contrairement à un modèle économique, un modèle économétrique s’exprime sous forme mathématique. Selon cette approche, tout modèle économico-mathématique élaboré présente quatre aspects distincts :

Il reflète certains phénomènes économiques de contenu qualitatif, exprimés dans des unités de mesure particulières. Ces grandeurs constituent, en un sens, les paramètres du modèle.
Le modèle comprend certaines relations et dépendances quantitatives entre les paramètres. Il peut s’agir d’équations de bilan définissant la structure du processus modélisé, ou de dépendances plus complexes reliant les résultats des processus à leurs causes.
Le modèle définit le domaine des variations admissibles des paramètres du modèle dans le temps, l’espace et le volume. Ce sont les contraintes dites imposées aux dépendances quantitatives.
Le modèle doit représenter un système de paramètres, de dépendances et de contraintes interdépendants, avec des entrées et des sorties définies. La gestion d’un tel système — c’est-à-dire l’obtention de résultats précis en sortie — doit s’opérer par une forme ou une autre d’action sur les entrées, sans interférer avec sa structure interne.

La construction de modèles économétriques se divise en quatre étapes principales.

La première étape est la spécification, au cours de laquelle les principales variables économiques sont formalisées, et des équations mathématiques sont recherchées sur la base d’hypothèses et de propositions initiales.
La deuxième étape est l’identification, qui consiste à déterminer les valeurs des paramètres des équations obtenues à la première étape à la suite de la spécification.
La troisième étape est la vérification, qui consiste à définir et à choisir des critères d’évaluation de la qualité des résultats de la spécification et de l’identification — c’est-à-dire le degré d’adéquation des modèles aux processus économiques réels. Si les modèles obtenus par la spécification et l’identification s’avèrent inadéquats, on examine alors la validité des prémisses initiales ainsi que le choix et la formalisation des variables économiques.
La quatrième étape est la prévision, qui est la procédure de détermination des valeurs futures des variables incluses dans le modèle économétrique.

Recherche opérationnelle : Gvichiani

Recherche opérationnelle