Ein Mehrziel-Konsensmodell für groß angelegte Gruppenentscheidungen unter Berücksichtigung dynamischer sozialer Netzwerke

Warum die Wahl von Solarstandorten schwieriger ist, als sie scheint

Während Länder im Wettlauf um CO2-Reduktion sind, müssen Regierungen und Unternehmen entscheiden, wo neue Solarkraftwerke gebaut werden. Diese Entscheidungen beeinflussen Landschaften, Arbeitsplätze und Strompreise und binden häufig dutzende Expertinnen und Experten mit verschiedenen Fachkenntnissen und Prioritäten ein. Dieser Artikel stellt einen neuen Ansatz vor, der großen Gruppen dabei hilft, faire und effiziente Übereinkünfte für solche komplexen Entscheidungen zu treffen, wobei der Schwerpunkt auf der Auswahl des besten Standorts für eine photovoltaische (PV) Anlage liegt.

Viele Stimmen, eine gemeinsame Entscheidung

Große Projekte wie Solarparks hängen selten von einer einzigen Expertin oder einem einzigen Experten ab. Stattdessen bringen Ingenieurinnen und Ingenieure, Umweltwissenschaftlerinnen und -wissenschaftler, Planerinnen und Planer sowie Vertreterinnen und Vertreter der Gemeinschaft ihre Sichtweisen ein. Jede Person hat eine eigene Einschätzung, welcher Standort am besten ist, basierend auf Faktoren wie Sonneneinstrahlung vor Ort, Baukosten, Umweltbelastungen und sozialer Akzeptanz. Wenn 20 oder mehr Personen beteiligt sind, können einfache Abstimmungsformen oder Mittelwertbildungen Meinungsverschiedenheiten verschleiern und eine lautstarke Minderheit bevorzugen. Die Autorinnen und Autoren untersuchen diese Herausforderung als groß angelegte Gruppenentscheidung, bei der es nicht nur darum geht, einen Standort zu wählen, sondern auch einen Grad an Übereinstimmung zu erreichen, den die Mehrheit der Teilnehmenden als akzeptabel ansieht.

Vertrauen und Ähnlichkeit in Expertennetzwerken verknüpfen

Die Studie baut auf der Annahme auf, dass Expertinnen und Experten nicht isoliert agieren. Einige kennen einander, manche haben zuvor zusammengearbeitet, und manche vertrauen bestimmten Kolleginnen und Kollegen stärker. Zugleich beeinflussen sich Personen eher gegenseitig, die ähnliche Bewertungen äußern. Die Autorinnen und Autoren verbinden diese beiden Elemente zu einem sogenannten hybriden Vertrauensnetzwerk. In diesem Netzwerk ist jede Expertin oder jeder Experte mit anderen verknüpft, basierend darauf, wie viel Vertrauen besteht und wie ähnlich die Bewertungen sind. Ein Verfahren zur Gemeinschaftserkennung, der Louvain-Algorithmus, gruppiert dann automatisch Expertengruppen, die eng verbunden sind. Diese Clusterbildung vereinfacht das Problem, weil der Prozess mit wenigen kohärenten Teams statt mit vielen einzelnen, unverbundenen Personen arbeiten kann.

Kosten, Fairness und Übereinstimmung ausbalancieren

Übereinkunft zu erzielen bedeutet fast immer, dass sich einige Personen bewegen müssen. Die Autorinnen und Autoren entwerfen ein multi­ziel­optimierendes Modell, das drei Ziele gleichzeitig zu steuern versucht: den Gesamtaufwand der Anpassungen zu reduzieren, die Teilnehmenden fair zu behandeln und das allgemeine Konsensniveau zu erhöhen. Kosten spiegeln hier wider, wie weit sich jede Expertin oder jeder Experte von ihrer bzw. seiner anfänglichen Meinung entfernen muss. Fairness misst, ob die Anpassungsbelastung gleichmäßig verteilt ist, anstatt überwiegend auf wenigen Personen zu lasten. Konsens erfasst, wie nah die endgültigen Meinungen innerhalb und zwischen den Teilgruppen liegen. Mithilfe einer evolutionären Suchmethode erzeugt das Modell eine Menge von Kompromisslösungen, die unterschiedliche Abwägungen zwischen Kosten, Fairness und Übereinstimmung bieten. Entscheiderinnen und Entscheider können dann die Lösung auswählen, die am besten zu ihrer Situation passt.

Vertrauen mit den Gesprächen weiterentwickeln

In realen Diskussionen verändern Menschen nicht nur ihre Bewertungen, sondern auch ihr Vertrauen gegenüber anderen. Die Arbeit bildet dies ab, indem das Vertrauensnetzwerk nach jeder Anpassungsrunde aktualisiert wird. Wenn sich die Ansichten zweier Expertinnen oder Experten einander annähern, wird ihr gegenseitiges Vertrauen gestärkt; bleiben die Ansichten weit auseinander, wächst das Vertrauen langsamer oder gar nicht. Nach der Aktualisierung dieser Vertrauensverbindungen gruppiert die Methode die Expertinnen und Experten neu und berechnet ihre Einflussgewichte für die Entscheidung neu. Dieser dynamische Prozess läuft weiter, bis die Gesamtübereinstimmung eine voreingestellte Schwelle überschreitet oder eine maximale Anzahl von Runden erreicht ist – ein Abbild davon, wie reale Gremien schrittweise zu gemeinsamen Schlussfolgerungen gelangen.

Was der Solarfall zeigt

Die Autorinnen und Autoren testen ihren Ansatz an einem PV-Standortwahlproblem mit 20 Expertinnen und Experten, vier Kandidatenstandorten und vier Bewertungsfaktoren: Ressourcenverfügbarkeit, Baukosten, Umweltbelastung und gesellschaftliche Akzeptanz. Zunächst teilt die Methode die Expertengruppe in vier Teilgruppen und stellt fest, dass noch nicht das gewünschte Übereinstimmungsniveau erreicht ist. Nach Anwendung der Optimierung und Aktualisierung des Vertrauensnetzwerks werden die Expertinnen und Experten in drei Teilgruppen neu geclustert, und ihre relativen Gewichte verschieben sich. Der Prozess erreicht schließlich ein hohes Konsensniveau von 0,9597, bei moderaten Anpassungskosten und akzeptabler Fairness, und identifiziert einen Standort als besten Kompromiss.

Warum das für reale Entscheidungen wichtig ist

Für eine nicht-fachliche Leserschaft ist die Kernbotschaft, dass komplexe öffentliche Entscheidungen kein reines Tauziehen konkurrierender Interessen sein müssen. Durch das explizite Modellieren von Wer wem vertraut, wer ähnlich denkt und wie stark sich jede Person anpassen muss, hilft die vorgeschlagene Methode großen Gruppen, Entscheidungen zu treffen, die nicht nur effizient, sondern auch als fair wahrgenommen werden. Obwohl das Verfahren am Beispiel der Standortwahl für Solarkraftwerke demonstriert wurde, könnte dasselbe Rahmenwerk auch bei Entscheidungen zu Infrastruktur, Gesundheitspolitik oder anderen Themen leiten, bei denen viele Stakeholder die Verantwortung für das Ergebnis teilen müssen.

Zitation: Chen, G., Lang, A., Han, X. et al. A multi-objective optimization consensus model for large-scale group decision-making considering dynamic social networks. Sci Rep 16, 15314 (2026). https://doi.org/10.1038/s41598-026-45239-0

Schlüsselwörter: Gruppenentscheidungen, soziale Netzwerke, Vertrauensmodellierung, Standortwahl für Solarenergie, Multi-Objektiv-Optimierung