Note ABES Research on the Production Behavior and Collaborative Regulation of Sustainable Apparel Enterprises under Carbon Emission Constraints and Government Incentives Recherche sur le comportement de production et la régulation collaborative des entreprises d’habillement durable sous les contraintes des émissions de carbone et les incitations gouvernementales Prix du carbone Prévision Industrie du vêtement Intelligence artificielle Modèle Long Short-Term Memory Scm Carbon price Forecasting Fashion industry Artificial intelligence Lstm Scm Vêtements -- Industrie et commerce Consommation d'énergie Prévision Compensation carbone Taxe sur le dioxyde de carbone Prise de décision -- Modèles mathématiques Séries chronologiques Consommation durable Fiscalité écologique Intelligence artificielle Dans un contexte de changement climatique mondial croissant et de généralisation des stratégies de réduction des émissions, les industries traditionnelles à forte consommation d'énergie et à forte pollution subissent de fortes pressions de transformation. L'industrie de l'habillement, fortement émettrice de carbone, consommatrice d'eau et génératrice de pollution chimique, constitue un enjeu central de l'agenda du développement durable. Or, cette transition est freinée par plusieurs obstacles : incertitude des décisions de production, hétérogénéité de la volonté de payer des consommateurs, efficacité limitée des incitations publiques et absence de régulation des plateformes de commerce électronique. Une recherche systématique s'avère donc nécessaire pour fournir des fondements scientifiques et un appui aux décisions et politiques de transition.Cette étude se concentre sur l'industrie de l'habillement en analysant quatre dimensions clés : décisions de production des entreprises, prévision des prix du carbone, effets des incitations gouvernementales et gouvernance des plateformes. Elle mobilise des algorithmes d'apprentissage automatique, la théorie des jeux et des simulations numériques afin de construire un cadre analytique multi-niveaux intégrant : (i) un modèle de décision de production pour entreprise unique, (ii) un modèle de prévision par intervalles des prix du carbone, (iii) un modèle de concurrence en duopole, et (iv) un jeu évolutif tripartite. Ce cadre caractérise les interactions stratégiques entre entreprises, consommateurs, plateformes et gouvernements, et vise à proposer des trajectoires et recommandations pour une transition verte et bas carbone.Premièrement, un modèle de décision fondé sur les préférences hétérogènes des consommateurs identifie les comportements stratégiques optimaux selon la conscience environnementale, les coûts d'émission et la disposition à payer.Deuxièmement, un cadre de prévision par intervalles des prix du carbone est proposé, combinant sélection de variables par XGBoost, optimisation par NSGA-II amélioré et modèle BiLSTM. Cette approche pallie les limites des prévisions ponctuelles face à l'incertitude et renforce précision et stabilité.Troisièmement, un modèle de concurrence en duopole analyse les effets comparés des subventions accordées aux entreprises et aux consommateurs sur structure du marché, prix, profits et bien-être social. Les résultats montrent que les aides aux entreprises sont plus adaptées aux premières phases de transition, lorsque la technologie reste immature et les coûts élevés, car elles stimulent la R&D et l'adoption de technologies vertes.Enfin, un modèle de jeu évolutif tripartite (producteurs, consommateurs, plateformes) explore la formation et les dilemmes des pratiques pseudo-durables. Il révèle que les choix de production durable dépendent à la fois de l'intensité de la régulation et des contraintes de coûts ; que le signalement des consommateurs est influencé par les mécanismes d'incitation et de réponse ; et que les stratégies des plateformes reposent sur un arbitrage dynamique entre réputation et coûts de régulation. Against the backdrop of intensifying global climate change and the widespread implementation of carbon reduction strategies, traditional high-energy, high-pollution industries are facing profound transformation pressures. The apparel industry significantly impacts the environment through carbon emissions, water consumption, and chemical pollution. Its transformation has thus become a vital component of the global sustainable development agenda. However, the industry's transition is hindered by multiple challenges, including uncertain corporate production decisions, divergent consumer willingness to pay, limited effectiveness of policy incentives, and the absence of regulatory oversight on e-commerce platforms. Therefore, systematic research is urgently needed to provide scientific foundations and effective support for decision-making and policy formulation during the industry's transformation.This study focuses on the apparel industry, examining key factors such as carbon emission costs, government subsidy mechanisms, consumer environmental awareness, and e-commerce platform governance. It centers on four core themes: enterprise production decisions, carbon price forecasting, policy incentive effects, and platform governance. By integrating machine learning algorithms, game-theoretic approaches, and numerical simulation techniques, this research constructs a multi-level analytical framework comprising a single-firm production decision model, an interval carbon price prediction model, a duopoly competition model, and a tripartite evolutionary game model. This framework systematically characterizes the strategic interactions and response mechanisms among enterprises, consumers, platforms, and governments, aiming to provide scientific pathways and policy recommendations for a green and low-carbon transition in the apparel industry.First, based on heterogeneous consumer preferences, this study develops a production decision model for firms facing the choice between traditional and sustainable products. The model reveals the optimal strategic behaviors of enterprises under the influence of environmental awareness, carbon emission costs, and consumer willingness to pay.Second, this study proposes an interval carbon price forecasting framework that integrates Extreme Gradient Boosting (XGBoost) feature selection, an improved Non-dominated Sorting Genetic Algorithm II (NSGA-II) optimization algorithm, and a Bidirectional Long Short-Term Memory (BiLSTM) deep learning model. This approach overcomes the limitations of traditional point forecasting models in dealing with uncertainty and significantly improves forecasting accuracy and stability.Third, a duopoly competition model is constructed to comparatively analyze the impacts of government subsidies targeting firms versus consumers on market structure, product pricing, corporate profits, and social welfare. The findings indicate that subsidies directed at firms are more suitable for the early stages of transition—when technology is immature and transformation costs are high—as they effectively stimulate R&D and green technology adoption.Finally, this study develops a tripartite evolutionary game model involving producers, consumers, and e-commerce platforms to explore the formation mechanism and regulatory dilemmas of pseudo-sustainable practices on digital platforms. Results show that firms' decisions to engage in sustainable production are jointly influenced by regulatory intensity and cost constraints; consumer reporting behavior is affected by incentive structures and response mechanisms; and platform regulatory strategies involve a dynamic trade-off between reputational gains and regulatory costs. Electronic Thesis or Dissertation Text en PDF 4327249 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB034.pdf http://www.theses.fr/2025ULILB034/abes https://theses.hal.science/tel-05568494 https://theses.hal.science/tel-05568494 https://theses.hal.science/tel-05568494 Sha Di Sha 1991-06-11 CN 295528176 https://theses.fr/2025ULILB034 2025ULILB034 https://doi.org/10.70675/0d8c5f4az85f2z4d29zb717z4bf5a081ff82 2025-11-06 Informatique, Automatique Université de Lille (2022-....) 259265152 Jiangnan University (Jiangsu, Chine) MADS_ETABLISSEMENT_DE_COTUTELLE_1 29552281X Doctorat Docteur es non oui Tran Kim Phuc MADS_DIRECTEUR_DE_THESE_1 203721306 Wu Linhai MADS_DIRECTEUR_DE_THESE_2 295524960 Zeng Xianyi MADS_DIRECTEUR_DE_THESE_3 060143746 Fleury Anthony MADS_PRESIDENT_DU_JURY 133158896 Thomas-Agnan Christine MADS_MEMBRE_DU_JURY_1 076657833 He Zhenglei MADS_MEMBRE_DU_JURY_2 255445377 Luo Lei MADS_MEMBRE_DU_JURY_3 295527420 Gaber Jaafar MADS_RAPPORTEUR_1 061133221 Wei Sainan MADS_RAPPORTEUR_2 295525746 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 GEMTEX (Roubaix) MADS_PARTENAIRE_DE_RECHERCHE_1 1144862 161605346 China Scholarship Council (Chine) MADS_PARTENAIRE_DE_RECHERCHE_2 202909514 ddc:004 Jiangnan University (Jiangsu, Chine) Tran Kim Phuc Wu Linhai Zeng Xianyi Fleury Anthony Thomas-Agnan Christine He Zhenglei Luo Lei Gaber Jaafar Wei Sainan École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) GEMTEX (Roubaix) China Scholarship Council (Chine) PDF 4327249