Un modello di consenso per l’ottimizzazione multi-obiettivo nel processo decisionale di gruppo su larga scala considerando reti sociali dinamiche

Perché scegliere i siti solari è più difficile di quanto sembri

Mentre i paesi accelerano per ridurre le emissioni di carbonio, governi e aziende devono decidere dove costruire nuovi impianti fotovoltaici. Queste scelte influenzano il paesaggio locale, l’occupazione e i prezzi dell’elettricità, e spesso coinvolgono decine di esperti con background e priorità diverse. Questo articolo presenta un nuovo metodo per aiutare grandi gruppi a raggiungere un accordo equo ed efficiente su scelte complesse di questo tipo, concentrandosi sul caso di selezione del sito migliore per un impianto fotovoltaico (PV).

Molte voci, una decisione condivisa

Progetti di grande scala come le centrali solari raramente dipendono da un singolo esperto. In genere ingegneri, scienziati ambientali, pianificatori e rappresentanti della comunità esprimono tutti opinioni. Ciascuno valuta il sito migliore in base a fattori quali l’irradiazione solare locale, il costo di costruzione, gli impatti ambientali e l’accettazione sociale. Quando sono coinvolte 20 o più persone, metodi semplici come il voto o la media possono nascondere disaccordi e favorire una minoranza vocale. Gli autori analizzano questa sfida come un processo decisionale di gruppo su larga scala, in cui l’obiettivo non è solo scegliere un sito ma anche raggiungere un livello di accordo che la maggior parte dei partecipanti ritenga accettabile.

Fondere fiducia e somiglianza nelle reti di esperti

Lo studio si basa sull’idea che gli esperti non operino in isolamento. Alcuni si conoscono, alcuni hanno già collaborato e alcuni tendono a fidarsi più di certi colleghi. Allo stesso tempo, esperti che esprimono opinioni simili sono più propensi a influenzarsi a vicenda. Gli autori combinano questi due elementi in quella che chiamano una rete ibrida di fiducia. In questa rete, ogni esperto è collegato ad altri in base a quanto li ritiene affidabili e alla somiglianza delle loro valutazioni. Un metodo di rilevamento delle comunità, l’algoritmo di Louvain, raggruppa automaticamente gli esperti in sottogruppi strettamente connessi. Questo clustering semplifica il problema permettendo al processo di operare con pochi team coerenti invece che con molti individui scollegati.

Bilanciare costo, equità e consenso

Raggiungere un accordo richiede quasi sempre che alcune persone modifichino le proprie posizioni. Gli autori progettano un modello di ottimizzazione multi-obiettivo che cerca di gestire tre obiettivi contemporaneamente: ridurre lo sforzo complessivo di aggiustamento, trattare i partecipanti in modo equo e aumentare il livello complessivo di consenso. Il costo riflette quanto ogni esperto deve spostarsi rispetto alla propria opinione iniziale. L’equità misura se l’onere dell’aggiustamento è distribuito in modo uniforme invece di gravare su pochi individui. Il consenso cattura quanto le opinioni finali siano vicine all’interno e tra i sottogruppi. Utilizzando un metodo di ricerca evolutiva, il modello genera un insieme di soluzioni di compromesso, ciascuna con un diverso trade-off tra costo, equità e accordo. Gli organizzatori della decisione possono quindi scegliere la soluzione che meglio si adatta alla loro situazione.

Lasciare che la fiducia evolva mentre le persone discutono

Nelle discussioni reali, le persone cambiano non solo le valutazioni ma anche il grado di fiducia verso gli altri. L’articolo cattura questo aggiornando la rete di fiducia dopo ogni turno di aggiustamento. Quando le opinioni di due esperti si avvicinano, la fiducia reciproca si rafforza; se le opinioni restano distanti, la fiducia cresce più lentamente o per nulla. Dopo l’aggiornamento dei legami di fiducia, il metodo riorganizza i gruppi di esperti e ricalcola la loro influenza nella decisione. Questo processo dinamico continua finché il consenso complessivo supera una soglia prefissata o si raggiunge un numero massimo di turni, riflettendo come le commissioni reali si avvicinano gradualmente a conclusioni condivise.

Quanto mostra il caso solare

Gli autori testano il loro approccio su un problema di localizzazione di un impianto PV con 20 esperti, quattro siti candidati e quattro fattori di valutazione: disponibilità della risorsa, costo di costruzione, impatto ambientale e accettazione sociale. All’inizio il metodo divide gli esperti in quattro sottogruppi e riscontra che il gruppo non ha ancora raggiunto il livello desiderato di accordo. Dopo l’applicazione dell’ottimizzazione e l’aggiornamento della rete di fiducia, gli esperti vengono riclusterizzati in tre sottogruppi e i loro pesi relativi si spostano. Il processo raggiunge infine un alto livello di consenso pari a 0,9597 mantenendo costo di aggiustamento ed equità in un intervallo ragionevole, e identifica un sito come miglior scelta di compromesso.

Perché questo è importante per decisioni nel mondo reale

Per un lettore non esperto, il messaggio principale è che decisioni pubbliche complesse non devono ridursi a una lotta tra interessi contrari. Modellando esplicitamente chi si fida di chi, chi la pensa in modo simile e quanto ciascuno debba cedere, il metodo proposto aiuta grandi gruppi a prendere decisioni non solo efficienti ma anche percepite come eque. Sebbene dimostrato sulla localizzazione di impianti solari, lo stesso quadro potrebbe guidare scelte su infrastrutture, politiche sanitarie o altre questioni in cui molti stakeholder devono condividere la responsabilità del risultato.

Citazione: 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

Parole chiave: processo decisionale di gruppo, reti sociali, modellazione della fiducia, localizzazione impianti solari, ottimizzazione multi-obiettivo