I. Introduction et Motivation

Les territoires ruraux présentent des défis structurels majeurs pour la mobilité, en raison de la dispersion des populations, de la rareté des services et de l'insuffisance des infrastructures de transport. Ces contraintes limitent la fréquence, la flexibilité et la rentabilité des services publics, accentuant les inégalités d'accès [1]. Parallèlement, la croissance du commerce électronique et des livraisons locales accroît la pression sur les réseaux existants, soulignant la nécessité de solutions intégrées capables de transporter à la fois passagers et marchandises.

Dans ce contexte, les navettes ferroviaires régionales constituent une alternative prometteuse pour mutualiser les flux et renforcer la connectivité des territoires [2]. Néanmoins, la question demeure : "Comment exploiter efficacement ces infrastructures afin de concilier les besoins de transport de passagers et de logistique locale, tout en garantissant la viabilité opérationnelle des services ?" Ce travail propose un cadre unifié et interprétable permettant de comparer objectivement différents scénarios de transport combiné passagers-colis dans des réseaux ruraux. En modélisant toutes les requêtes comme des unités logistiques (UL) homogènes, nous analysons quatre stratégies représentatives afin d'identifier les compromis entre couverture, ponctualité et stabilité opérationnelle [3]. Ce cadre fournit ainsi des éléments concrets pour soutenir la planification et l'exploitation durable des services ferroviaires ruraux.

II. Modélisation

La modélisation s'appuie sur une topologie linéaire reliant plusieurs stations et sur des règles de mouvement propres à chaque navette. Trois configurations de réseau sont considérées : complète, à pivot central et segmentée. Chaque configuration peut être associée à l'une des deux stratégies de déplacement — aléatoire ou aller-retour — afin d'évaluer divers degrés de centralisation et de complexité opérationnelle. Parmi les combinaisons possibles, quatre scénarios représentatifs sont retenus : S1R (réseau complet, mouvement aléatoire), S1B (réseau complet, aller-retour global), S2B (réseau à pivot central, aller-retour local) et S3B (réseau segmenté, aller-retour entre stations adjacentes). Ces cas couvrent les principaux compromis entre centralisation, segmentation et adaptativité du système.
Chaque navette est modélisée comme un agent autonome soumis à des contraintes de capacité et de direction. L'objectif est de maximiser le taux de requêtes desservies tout en minimisant les retards normalisés, via un facteur d'équilibre pondérant la satisfaction et la ponctualité.

III. Méthodologie et Indicateurs

La simulation repose sur un modèle à événements discrets implémenté en Python (NumPy, Pandas, Matplotlib). Le réseau ferroviaire est représenté par un graphe où les nœuds correspondent aux stations et les arcs aux segments de ligne parcourus par les véhicules. Les navettes sont modélisées comme des agents interagissant selon des règles de déplacement et de transfert, tandis que les unités logistiques (UL) sont traitées comme des entités de demande transportées entre stations. Trois indicateurs principaux sont utilisés pour évaluer la performance des stratégies : Taux de satisfaction qui est la proportion de requêtes servies, le Retard moyen qui représente l'écart moyen entre le temps de livraison réel et le temps souhaité, et le Taux de transfert définit comme le nombre moyen de changements de navette nécessaires pour acheminer une UL. 

À noter que le nombre de transferts dépend principalement de la configuration du réseau et de la distribution spatiale de la demande, plutôt que de la stratégie elle-même. Il est donc présenté ici à titre descriptif pour illustrer la structure des flux, sans être interprété comme un indicateur de performance stratégique. 
Pour chaque scénario, dix instances de demande uniformément distribuée sont générées, chacune étant simulée 30 fois sous différentes graines aléatoires. Les résultats sont ensuite moyennés pour obtenir des mesures stables et représentatives. 

VI. Résultats et Discussion

Les résultats expérimentaux mettent en évidence des compromis nets entre couverture et ponctualité selon la structure du réseau et la stratégie adoptée. La stratégie décentralisée S3B atteint la meilleure couverture moyenne (63.7 UL servies) mais génère des retards élevés (44.1 minutes) et un grand nombre de transferts. La stratégie S2B obtient le meilleur équilibre, combinant une couverture satisfaisante (22.4 UL servies) et des retards modérés (2.6 minutes), confirmant l'intérêt d'une coordination centralisée avec transfert pivot. Les configurations S1B et S1R montrent une portée plus limitée en termes de couverture. Ces observations soulignent le compromis satisfaction–ponctualité : la décentralisation accroît la couverture mais dégrade la fiabilité temporelle, tandis qu'une coordination centralisée garantit des opérations plus prévisibles et stables, adaptées aux réseaux ruraux à faible fréquence. 

En perspective, plusieurs pistes d'enrichissement peuvent être envisagées. D'abord, l'intégration de méthodes exactes ou d'approches d'apprentissage par renforcement multi-agent permettrait d'adapter dynamiquement les stratégies de décision en fonction des conditions réelles d'exploitation. Ensuite, la génération d'instances de demande plus réalistes aiderait à mieux représenter la variabilité et l'incertitude des flux logistiques. Il serait également intéressant d'examiner des topologies de réseau non linéaires, voire hybrides — combinant différents types de sous-réseaux — afin d'étudier comment le découpage du réseau influence les performances globales du système. Enfin, l'analyse des interconnexions entre les réseaux ferrés et les systèmes routiers offrirait des pistes pour concevoir une logistique multimodale plus cohérente et adaptée aux réalités rurales.