Un modelo de consenso de optimización multiobjetivo para la toma de decisiones en grupo a gran escala que considera redes sociales dinámicas

Por qué elegir ubicaciones solares es más difícil de lo que parece

A medida que los países compiten por reducir las emisiones de carbono, gobiernos y empresas deben decidir dónde construir nuevas plantas de energía solar. Estas decisiones afectan el paisaje local, el empleo y los precios de la electricidad, y con frecuencia involucran a docenas de expertos con antecedentes y prioridades distintas. Este artículo presenta una nueva forma de ayudar a grandes grupos de personas a alcanzar un acuerdo justo y eficiente sobre decisiones tan complejas, centrándose en el caso de seleccionar el mejor emplazamiento para una planta fotovoltaica (FV).

Muchas voces, una decisión compartida

Proyectos de gran envergadura como las granjas solares rara vez dependen de un solo experto. En su lugar, ingenieros, científicos ambientales, planificadores y representantes comunitarios participan en la decisión. Cada persona tiene su propia opinión sobre cuál es el mejor emplazamiento en función de factores como la irradiación local, el coste de construcción, los impactos ambientales y la aceptación social. Cuando participan 20 o más personas, votaciones sencillas o promedios pueden ocultar desacuerdos y favorecer a una minoría ruidosa. Los autores abordan este reto como una toma de decisiones en grupo a gran escala, donde el objetivo no es solo elegir un sitio, sino también alcanzar un nivel de acuerdo que la mayoría considere aceptable.

Combinando confianza y similitud en redes de expertos

El estudio parte de la idea de que los expertos no actúan aislados. Algunos se conocen entre sí, otros han colaborado anteriormente y algunos confían naturalmente más en ciertos colegas. Al mismo tiempo, los expertos que expresan opiniones similares tienen más probabilidades de influirse mutuamente. Los autores fusionan estos dos elementos en lo que denominan una red de confianza híbrida. En esta red, cada experto está vinculado a otros según cuánto confía en ellos y cuán similares son sus evaluaciones. Un método de detección de comunidades, el algoritmo de Louvain, agrupa automáticamente a los expertos en subgrupos estrechamente conectados. Esta agrupación simplifica el problema al permitir que el proceso trabaje con unos pocos equipos coherentes en lugar de muchos individuos desconectados.

Equilibrando coste, equidad y acuerdo

Alcanzar el acuerdo casi siempre requiere que algunas personas ajusten sus posiciones. Los autores diseñan un modelo de optimización multiobjetivo que intenta gestionar tres metas a la vez: reducir el esfuerzo global de ajuste, tratar a los participantes de forma justa y elevar el nivel general de consenso. El coste aquí refleja cuánto debe alejarse cada experto de su opinión inicial. La equidad mide si la carga del ajuste se distribuye de manera uniforme, en lugar de recaer principalmente en unos pocos. El consenso captura cuán cercanas están las opiniones finales dentro y entre los subgrupos. Usando un método de búsqueda evolutiva, el modelo produce un conjunto de soluciones de compromiso, cada una ofreciendo un distinto equilibrio entre coste, equidad y acuerdo. Los organizadores de la decisión pueden entonces seleccionar la solución que mejor se adapte a su situación.

Permitir que la confianza evolucione a medida que la gente dialoga

En las discusiones reales, las personas cambian no solo sus valoraciones sino también cuánto confían en los demás. El artículo captura esto actualizando la red de confianza tras cada ronda de ajustes. Cuando las opiniones de dos expertos se vuelven más parecidas, su confianza mutua se fortalece; si sus posturas permanecen distantes, la confianza crece más lentamente o no crece. Tras actualizar estos enlaces de confianza, el método reagrupará a los expertos y recalculará su influencia en la decisión. Este proceso dinámico continúa hasta que el acuerdo general supera un umbral preestablecido o se alcanza un número máximo de rondas, reflejando cómo los comités reales avanzan gradualmente hacia conclusiones compartidas.

Lo que muestra el caso solar

Los autores prueban su enfoque en un problema de emplazamiento de una planta FV con 20 expertos, cuatro ubicaciones candidatas y cuatro factores de evaluación: disponibilidad del recurso, coste de construcción, impacto ambiental y aceptación social. Al principio, el método divide a los expertos en cuatro subgrupos y encuentra que el grupo aún no ha alcanzado el nivel de acuerdo deseado. Tras aplicar la optimización y actualizar la red de confianza, los expertos se reclusterizan en tres subgrupos y sus pesos relativos cambian. El proceso alcanza finalmente un alto nivel de consenso de 0,9597, manteniendo el coste de ajuste y la equidad en un rango razonable, e identifica una ubicación como la mejor elección de compromiso.

Por qué esto importa para decisiones del mundo real

Para un lector no especializado, el mensaje principal es que las decisiones públicas complejas no tienen por qué ser una lucha entre intereses contrapuestos. Al modelar explícitamente quién confía en quién, quién piensa de forma similar y cuánto debe ceder cada persona, el método propuesto ayuda a grandes grupos a tomar decisiones que no solo son eficientes sino también percibidas como justas. Aunque se demuestra en la ubicación de plantas solares, el mismo marco podría guiar decisiones sobre infraestructuras, políticas sanitarias u otros asuntos en los que muchos interesados deben compartir la responsabilidad del resultado.

Cita: 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

Palabras clave: toma de decisiones en grupo, redes sociales, modelado de confianza, ubicación de plantas solares, optimización multiobjetivo