Een meerdoelmatig consensusmodel voor grootschalige groepsbesluitvorming met dynamische sociale netwerken

Waarom het kiezen van locaties voor zonneparken lastiger is dan het lijkt

Nu landen de CO2‑uitstoot willen terugdringen, moeten overheden en bedrijven beslissen waar nieuwe zonneparken komen. Dergelijke keuzes beïnvloeden het lokale landschap, arbeidsplaatsen en elektriciteitsprijzen, en vaak zijn tientallen experts met uiteenlopende achtergronden en prioriteiten betrokken. Dit artikel introduceert een nieuwe methode om grote groepen mensen te helpen op een eerlijke en efficiënte manier overeenstemming te bereiken over zulke complexe keuzes, met de nadruk op het kiezen van de beste locatie voor een fotovoltaïsche (PV) energiecentrale.

Veel stemmen, één gezamenlijke beslissing

Grote projecten zoals zonneparken leunen zelden op één enkele deskundige. Ingenieurs, milieuwetenschappers, planners en vertegenwoordigers van gemeenschappen leveren allemaal input. Ieder heeft een eigen oordeel over welke locatie het beste is, gebaseerd op factoren zoals lokale instraling, bouwkosten, milieu-impact en maatschappelijke acceptatie. Als 20 of meer personen betrokken zijn, kunnen simpele stemprocedures of gemiddelden meningsverschillen verbergen en een vocale minderheid bevoordelen. De auteurs benaderen deze uitdaging als een grootschalige groepsbesluitvorming, waarbij het doel niet alleen is een locatie te kiezen, maar ook een mate van overeenstemming te bereiken die de meeste deelnemers acceptabel vinden.

Vertrouwen en overeenkomst mengen in expertnetwerken

De studie bouwt voort op het idee dat experts niet geïsoleerd opereren. Sommigen kennen elkaar, hebben eerder samengewerkt of vertrouwen bepaalde collega’s meer. Tegelijkertijd hebben experts met vergelijkbare beoordelingen meer invloed op elkaar. De auteurs combineren deze twee elementen in wat zij een hybride vertrouwensnetwerk noemen. In dit netwerk is elke expert verbonden met anderen op basis van hoeveel vertrouwen ze hebben en hoe vergelijkbaar hun beoordelingen zijn. Met behulp van de Louvain‑methode voor community‑detectie worden experts automatisch gegroepeerd in nauwe subgroepen. Deze clustering vereenvoudigt het probleem doordat het proces met een paar samenhangende teams kan werken in plaats van met veel losse individuen.

Balanceren van kosten, rechtvaardigheid en overeenstemming

Het bereiken van overeenstemming vereist bijna altijd dat sommige mensen hun standpunten aanpassen. De auteurs ontwerpen een meerdoelmatig optimalisatiemodel dat drie doelen tegelijk probeert te beheren: de totale aanpassingsinspanning beperken, deelnemers eerlijk behandelen en het algemene niveau van consensus verhogen. Kosten weerspiegelen hier hoe ver elke expert moet afwijken van zijn of haar oorspronkelijke oordeel. Rechtvaardigheid meet of de last van aanpassing gelijkmatig wordt verdeeld in plaats van dat die vooral op een paar mensen neerkomt. Consensus vangt hoe dicht de eindopinies bij elkaar liggen binnen en tussen subgroepen. Met een evolutionaire zoekmethode produceert het model een reeks compromisoplossingen, die elk een andere afweging tussen kosten, rechtvaardigheid en overeenstemming bieden. Organisatoren van besluitvorming kunnen vervolgens de oplossing kiezen die het beste bij hun situatie past.

Vertrouwen laten evolueren terwijl mensen praten

In echte discussies veranderen mensen niet alleen hun beoordelingen, maar ook hoeveel ze anderen vertrouwen. Het artikel vangt dit op door het vertrouwensnetwerk na elke aanpassingsronde bij te werken. Wanneer twee experts steeds meer overeenstemming bereiken, wordt hun wederzijds vertrouwen versterkt; blijven hun opvattingen ver uit elkaar, dan groeit dat vertrouwen langzamer of niet. Na het bijwerken van die vertrouwensverbindingen groepeert de methode de experts opnieuw en herberekent hun invloed in de beslissing. Dit dynamische proces gaat door totdat de algemene overeenstemming een vooraf ingestelde drempel overschrijdt of een maximaal aantal ronden is bereikt, wat weerspiegelt hoe echte commissies geleidelijk naar gedeelde conclusies bewegen.

Wat de casus zonne-energie laat zien

De auteurs testen hun aanpak op een locatiekeuzeprobleem voor een PV‑centrale met 20 experts, vier kandidaatlocaties en vier beoordelingsfactoren: beschikbaarheid van bronnen, bouwkosten, milieueffecten en maatschappelijke acceptatie. Aanvankelijk verdeelt de methode de experts in vier subgroepen en blijkt dat de groep nog niet het gewenste niveau van overeenstemming heeft bereikt. Na het toepassen van de optimalisatie en het bijwerken van het vertrouwensnetwerk worden de experts opnieuw gegroepeerd in drie subgroepen en verschuiven hun relatieve gewichten. Het proces bereikt uiteindelijk een hoge consensuswaarde van 0,9597, terwijl aanpassingskosten en rechtvaardigheid binnen redelijke grenzen blijven, en het identificeert één locatie als het beste compromis.

Waarom dit ertoe doet voor besluitvorming in de praktijk

Voor een niet‑specialistische lezer is de belangrijkste boodschap dat complexe publieke beslissingen geen krachtmeting hoeven te zijn tussen tegenstrijdige belangen. Door expliciet te modelleren wie wie vertrouwt, wie hetzelfde denkt en hoeveel elke persoon moet toegeven, helpt de voorgestelde methode grote groepen beslissingen te nemen die niet alleen efficiënt zijn maar ook als rechtvaardig worden ervaren. Hoewel het is aangetoond bij locatiekeuze voor zonneparken, kan hetzelfde kader keuzes sturen rond infrastructuur, gezondheidsbeleid of andere kwesties waarbij vele belanghebbenden gezamenlijk verantwoordelijkheid dragen voor het resultaat.

Bronvermelding: 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

Trefwoorden: groepsbesluitvorming, sociale netwerken, vertrouwensmodellering, locatiekeuze zonne-energie, meerdoelmatige optimalisatie