Un modèle de consensus d’optimisation multi-objectifs pour la prise de décision de groupe à grande échelle prenant en compte des réseaux sociaux dynamiques

Pourquoi choisir des sites solaires est plus difficile qu’il n’y paraît

Alors que les pays s’efforcent de réduire leurs émissions de carbone, les gouvernements et les entreprises doivent décider où implanter de nouvelles centrales solaires. Ces choix ont des conséquences sur les paysages locaux, l’emploi et le prix de l’électricité, et impliquent souvent des dizaines d’experts aux parcours et priorités variés. Cet article présente une nouvelle méthode pour aider de grands groupes à atteindre un accord juste et efficace sur de telles décisions complexes, en se concentrant sur le cas du choix du meilleur site pour une centrale photovoltaïque (PV).

Plusieurs voix, une décision partagée

Les grands projets comme les parcs solaires ne reposent rarement sur un seul expert. Ingénieurs, écologues, urbanistes et représentants des collectivités participent tous au débat. Chacun a sa propre idée du meilleur site, fondée sur des facteurs tels que l’ensoleillement local, le coût de construction, les impacts environnementaux et l’acceptation sociale. Quand 20 personnes ou plus sont impliquées, un simple vote ou un simple calcul de moyenne peut masquer des désaccords et favoriser une minorité vocale. Les auteurs abordent ce défi comme une prise de décision de groupe à grande échelle, où l’objectif n’est pas seulement de choisir un site, mais aussi d’atteindre un niveau d’accord jugé acceptable par la majorité des participants.

Mélanger confiance et similarité dans les réseaux d’experts

L’étude repose sur l’idée que les experts n’agissent pas en isolation. Certains se connaissent, certains ont déjà collaboré, et certains font naturellement davantage confiance à certains collègues. Parallèlement, des experts qui expriment des opinions similaires sont plus susceptibles de s’influencer mutuellement. Les auteurs fusionnent ces deux éléments dans ce qu’ils appellent un réseau de confiance hybride. Dans ce réseau, chaque expert est relié aux autres en fonction du degré de confiance et de la similarité de leurs évaluations. Une méthode de détection de communautés, l’algorithme de Louvain, regroupe ensuite automatiquement les experts en sous-groupes fortement connectés. Ce regroupement simplifie le problème en permettant de travailler avec quelques équipes cohérentes plutôt qu’avec de nombreux individus isolés.

Équilibrer coût, équité et accord

Parvenir à un accord nécessite presque toujours que certaines personnes ajustent leurs positions. Les auteurs conçoivent un modèle d’optimisation multi-objectifs qui cherche à gérer trois objectifs simultanément : réduire l’effort global d’ajustement, traiter les participants de manière équitable et augmenter le niveau global de consensus. Le coût reflète ici la distance parcourue par chaque expert par rapport à son opinion initiale. L’équité mesure si la charge d’ajustement est répartie de manière équilibrée, plutôt que de peser principalement sur quelques individus. Le consensus capture la proximité des opinions finales au sein et entre les sous-groupes. En utilisant une méthode de recherche évolutionnaire, le modèle produit un ensemble de solutions de compromis, chacune proposant un arbitrage différent entre coût, équité et accord. Les organisateurs de la décision peuvent ensuite choisir la solution qui convient le mieux à leur contexte.

Laisser la confiance évoluer au fil des échanges

Dans les discussions réelles, les gens modifient non seulement leurs évaluations, mais aussi le degré de confiance qu’ils accordent aux autres. L’article capture cela en actualisant le réseau de confiance après chaque tour d’ajustement. Lorsque les points de vue de deux experts se rapprochent, leur confiance mutuelle se renforce ; si leurs positions restent éloignées, la confiance augmente plus lentement voire pas du tout. Après avoir mis à jour ces liens de confiance, la méthode regroupe de nouveau les experts et recalculer leur influence dans la décision. Ce processus dynamique se poursuit jusqu’à ce que le niveau d’accord global dépasse un seuil prédéfini ou qu’un nombre maximal de tours soit atteint, reflétant la manière dont les commissions réelles évoluent progressivement vers des conclusions partagées.

Ce que montre le cas solaire

Les auteurs testent leur approche sur un problème d’implantation d’une centrale PV avec 20 experts, quatre emplacements candidats et quatre critères d’évaluation : disponibilité de la ressource, coût de construction, impact environnemental et acceptation sociale. Au départ, la méthode divise les experts en quatre sous-groupes et constate que le groupe n’a pas encore atteint le niveau d’accord souhaité. Après application de l’optimisation et mise à jour du réseau de confiance, les experts sont re-clusterisés en trois sous-groupes et leurs poids relatifs évoluent. Le processus atteint finalement un niveau de consensus élevé de 0,9597 tout en maintenant le coût d’ajustement et l’équité dans une fourchette raisonnable, et il identifie un site comme meilleur compromis.

Pourquoi cela compte pour les décisions du monde réel

Pour un lecteur non spécialiste, le message principal est que les décisions publiques complexes ne doivent pas être un bras de fer entre intérêts concurrents. En modélisant explicitement qui fait confiance à qui, qui pense de façon similaire et combien chaque personne doit céder, la méthode proposée aide de grands groupes à prendre des décisions non seulement efficaces mais aussi perçues comme équitables. Bien qu’elle soit démontrée sur l’implantation de centrales solaires, la même approche pourrait guider des choix relatifs aux infrastructures, à la politique de santé ou à d’autres enjeux où de nombreux acteurs doivent partager la responsabilité du résultat.

Citation: 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

Mots-clés: prise de décision de groupe, réseaux sociaux, modélisation de la confiance, implantation de centrales solaires, optimisation multi-objectifs