Um modelo de consenso de otimização multiobjetivo para tomada de decisão em grupo em larga escala considerando redes sociais dinâmicas

Por que escolher locais para energia solar é mais difícil do que parece

À medida que países correm para reduzir emissões de carbono, governos e empresas precisam decidir onde construir novas usinas de energia solar. Essas escolhas afetam paisagens locais, empregos e preços da eletricidade, e frequentemente envolvem dezenas de especialistas com formações e prioridades diferentes. Este artigo introduz uma nova forma de ajudar grandes grupos a alcançar acordos justos e eficientes sobre decisões complexas desse tipo, com foco no caso de escolher o melhor local para uma usina fotovoltaica (PV).

Muitas vozes, uma decisão compartilhada

Projetos de grande porte como fazendas solares raramente dependem de um único especialista. Em vez disso, engenheiros, cientistas ambientais, planejadores e representantes comunitários opinam. Cada pessoa tem sua própria visão de qual local é melhor, com base em fatores como insolação local, custo de construção, impactos ambientais e aceitação social. Quando 20 ou mais pessoas estão envolvidas, votos simples ou médias podem ocultar divergências e favorecer uma minoria vocal. Os autores estudam esse desafio como uma tomada de decisão em grupo em larga escala, onde o objetivo não é apenas escolher um local, mas também alcançar um nível de acordo que a maioria dos participantes considere aceitável.

Combinando confiança e similaridade em redes de especialistas

O estudo parte da ideia de que especialistas não atuam isoladamente. Alguns se conhecem, outros colaboraram antes, e alguns naturalmente confiam mais em certos colegas. Ao mesmo tempo, especialistas que expressam opiniões semelhantes tendem a influenciar-se mutuamente. Os autores mesclam esses dois elementos em uma chamada rede híbrida de confiança. Nessa rede, cada especialista está ligado a outros com base em quanto confia neles e em quão semelhantes são suas avaliações. Um método de detecção de comunidades, o algoritmo Louvain, agrupa automaticamente os especialistas em subgrupos fortemente conectados. Esse agrupamento simplifica o problema ao permitir que o processo trabalhe com algumas equipes coerentes em vez de muitos indivíduos desconectados.

Equilibrando custo, justiça e consenso

Alcançar acordo quase sempre exige que algumas pessoas ajustem suas posições. Os autores desenvolvem um modelo de otimização multiobjetivo que tenta gerir três objetivos simultaneamente: reduzir o esforço global de ajuste, tratar os participantes de forma justa e elevar o nível geral de consenso. Custo aqui reflete o quanto cada especialista precisa se afastar de sua opinião inicial. Justiça mede se o ônus do ajuste é compartilhado de maneira equilibrada, em vez de recair principalmente sobre alguns poucos. Consenso capta o quão próximas ficam as opiniões finais dentro e entre os subgrupos. Usando um método de busca evolutiva, o modelo produz um conjunto de soluções de compromisso, cada uma oferecendo um trade-off diferente entre custo, justiça e acordo. Os organizadores da decisão podem então escolher a solução que melhor se encaixa em sua situação.

Deixando a confiança evoluir à medida que as pessoas conversam

Em discussões reais, as pessoas mudam não só suas avaliações, mas também o grau de confiança que têm nos outros. O artigo captura isso atualizando a rede de confiança após cada rodada de ajustes. Quando as opiniões de dois especialistas se tornam mais semelhantes, a confiança mútua é reforçada; se suas visões permanecem distantes, a confiança cresce mais lentamente ou não cresce. Após atualizar esses vínculos de confiança, o método reagrupa os especialistas e recalcula sua influência na decisão. Esse processo dinâmico continua até que o acordo geral ultrapasse um limiar pré-estabelecido ou até que se atinja um número máximo de rodadas, refletindo como comitês reais gradualmente avançam para conclusões compartilhadas.

O que o caso solar evidencia

Os autores testam sua abordagem em um problema de localização de usina PV com 20 especialistas, quatro locais candidatos e quatro fatores de avaliação: disponibilidade de recursos, custo de construção, impacto ambiental e aceitação social. Inicialmente, o método divide os especialistas em quatro subgrupos e constata que o grupo ainda não atingiu o nível desejado de acordo. Após aplicar a otimização e atualizar a rede de confiança, os especialistas são reagrupados em três subgrupos, e seus pesos relativos mudam. O processo atinge, em última análise, um alto nível de consenso de 0,9597 enquanto mantém o custo de ajuste e a justiça em uma faixa razoável, e identifica um local como a melhor escolha de compromisso.

Por que isso importa para decisões do mundo real

Para um leitor leigo, a mensagem principal é que decisões públicas complexas não precisam ser um cabo de guerra entre interesses concorrentes. Ao modelar explicitamente quem confia em quem, quem pensa de forma semelhante e quanto cada pessoa precisa ceder, o método proposto ajuda grandes grupos a tomar decisões que são não apenas eficientes, mas também percebidas como justas. Embora demonstrado na localização de usinas solares, o mesmo arcabouço poderia orientar escolhas sobre infraestrutura, políticas de saúde ou outras questões em que muitos interessados precisam compartilhar a responsabilidade pelo resultado.

Citação: 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

Palavras-chave: tomada de decisão em grupo, redes sociais, modelagem de confiança, localização de usinas solares, otimização multiobjetivo