Le Choix d'un Langage de Modélisation des Imperfections de l ...
Le Choix d'un Langage de Modélisation des Imperfections de l ...
Le Choix d'un Langage de Modélisation des Imperfections de l ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
ASAC 2004<br />
Québec, 2004<br />
Sarah Ben Amor<br />
Jean-Marc Martel<br />
Faculté <strong>de</strong>s Sc. <strong>de</strong> l’administration<br />
Université Laval<br />
LE CHOIX D’UN LANGAGE DE MODÉLISATION DES IMPERFECTIONS DE<br />
L’INFORMATION EN AIDE À LA DÉCISION<br />
<strong>Le</strong>s incertitu<strong>de</strong>s prises au sens large d’imperfections <strong>de</strong> l’information sont inhérentes<br />
à tout processus d’ai<strong>de</strong> à la décision. <strong>Le</strong>ur présence rend inéluctable la question <strong>de</strong><br />
leur modélisation. À cet effet, la littérature offre plusieurs langages qui varient tant par<br />
leur formalisme que par leurs mo<strong>de</strong>s <strong>de</strong> traitement. Nous proposons d’orienter le<br />
choix entre ces langages à l’ai<strong>de</strong> d’un gui<strong>de</strong> conçu dans la perspective d’une<br />
modélisation, notamment dans le cadre d’une analyse multicritère.<br />
Introduction<br />
Tout processus d’ai<strong>de</strong> à la décision implique <strong>de</strong>s éléments d’incertitu<strong>de</strong> ou d’imperfections <strong>de</strong><br />
l’information (French, 1995; Bouchon-Meunier, 1995). On distingue plusieurs sources et plusieurs<br />
formes d’incertitu<strong>de</strong>. C’est pourquoi on parle <strong>de</strong>s incertitu<strong>de</strong>s reliées au processus décisionnel ou,<br />
d’une façon plus générale, <strong>de</strong>s imperfections <strong>de</strong> l’information en présence dans un processus<br />
décisionnel. Parallèlement, on retrouve une multitu<strong>de</strong> <strong>de</strong> langages permettant la modélisation <strong>de</strong>s<br />
différentes formes d’imperfection <strong>de</strong> l’information : ceux associés à la théorie <strong>de</strong>s probabilités, à la<br />
logique floue ou encore à la théorie <strong>de</strong> l’évi<strong>de</strong>nce. La question du choix du langage approprié dans une<br />
situation décisionnelle donnée s’impose alors <strong>de</strong> façon naturelle dès lors qu’on s’intéresse à sa<br />
modélisation. En effet, l’effort <strong>de</strong> modélisation implique la recherche d’un compromis entre une<br />
représentation riche et proche <strong>de</strong> la réalité, et une représentation intelligible (Bouyssou, 1989). Par<br />
conséquent, la modélisation <strong>de</strong> la situation décisionnelle constitue un processus où l’homme d’étu<strong>de</strong><br />
est confronté à <strong>de</strong>s choix arbitraires, également vali<strong>de</strong>s, <strong>de</strong> simplification et d’agrégation. French<br />
(1995) souligne que, les choix théoriques <strong>de</strong> l’homme d’étu<strong>de</strong>, s’effectuent le plus souvent <strong>de</strong> manière<br />
implicite, ils sont largement influencés par sa formation, ses aptitu<strong>de</strong>s et par les outils qu’il a<br />
l’habitu<strong>de</strong> <strong>de</strong> manipuler.<br />
Dans cet article nous proposons un gui<strong>de</strong> permettant d’ai<strong>de</strong>r le choix d’un langage <strong>de</strong><br />
modélisation <strong>de</strong>s imperfections <strong>de</strong> l’information, notamment dans le cadre d’une modélisation<br />
multicritère. Nous commencerons par préciser notre langage par rapport aux imperfections <strong>de</strong><br />
l’information (section 2). Nous discuterons ensuite brièvement <strong>de</strong> certains langages <strong>de</strong> modélisation <strong>de</strong><br />
ces imperfections (section 3). <strong>Le</strong> gui<strong>de</strong> proposé est présenté à la section 4. Nous terminerons par<br />
quelques conclusions.<br />
<strong>Le</strong>s imperfections <strong>de</strong> l’information<br />
D’une façon générale, on peut dire que les connaissances sur un système réel sont souvent<br />
imparfaites. D’après Bouchon-Meunier (1995), les raisons donnant lieu à ces imperfections sont <strong>de</strong><br />
<strong>de</strong>ux types :<br />
• « L’obtention <strong>de</strong>s connaissances à partir du réel s’effectue en <strong>de</strong>ux étapes :<br />
l’observation et la représentation. La première se produit à travers <strong>de</strong>s<br />
intermédiaires instrumentaux ou humains qui sont généralement soumis à <strong>de</strong>s<br />
erreurs, <strong>de</strong>s imprécisions et <strong>de</strong>s incertitu<strong>de</strong>s. La secon<strong>de</strong> étape, celle <strong>de</strong> la<br />
représentation, prend forme dans le langage naturel, les nombres fixés à une<br />
2
certaine précision ou encore une formulation mathématique. Autant l’observation<br />
que la représentation entraînent une perte d’information d’autant plus gran<strong>de</strong> que<br />
le système est complexe.<br />
• L’absence <strong>de</strong> rigueur ou la flexibilité inhérente au système lui-même et à son<br />
fonctionnement, c’est le cas pour toutes les caractéristiques <strong>de</strong> phénomènes<br />
naturels tels que la durée <strong>de</strong> maturation d’un fruit, la taille d’un animal adulte, le<br />
passage progressif et non strict du jour à la nuit ; c’est aussi le cas <strong>de</strong> certains<br />
systèmes artificiels, tels que la charge maximale d’un ascenseur, indiquée en<br />
kilogrammes dans un souci <strong>de</strong> simplicité mais à laquelle on peut ajouter quelques<br />
grammes sans problème majeur ou le nombre maximal <strong>de</strong> voyageurs que peut<br />
contenir un wagon <strong>de</strong> métro, dépendant du <strong>de</strong>gré <strong>de</strong> compression accepté par les<br />
passagers. »<br />
<strong>Le</strong>s natures <strong>de</strong> l’imperfection <strong>de</strong> l’information sont, par conséquent différentes. Bouchon-<br />
Meunier en distingue trois :<br />
• <strong>Le</strong>s incertitu<strong>de</strong>s concernant un doute sur la validité d’une connaissance. Celui-ci peut<br />
provenir d’une fiabilité relative <strong>de</strong> l’intermédiaire d’observation, peu sûr <strong>de</strong> lui ou susceptible<br />
<strong>de</strong> commettre <strong>de</strong>s erreurs (« je crois que la voiture était blanche ») ou <strong>de</strong> donner<br />
intentionnellement <strong>de</strong>s informations erronées, ou encore d’une difficulté dans l’obtention ou la<br />
vérification <strong>de</strong> la connaissance (incertitu<strong>de</strong> sur la situation ennemie dans un cadre militaire par<br />
exemple, affirmation d’une douleur forte par un patient). Des incertitu<strong>de</strong>s sont également<br />
présentes dans le cas <strong>de</strong> prévisions (en météorologie par exemple).<br />
• <strong>Le</strong>s imprécisions correspon<strong>de</strong>nt à une difficulté dans l’énoncé <strong>de</strong> la connaissance, soit parce<br />
que <strong>de</strong>s connaissances numériques sont mal connues, soit parce que <strong>de</strong>s termes du langage<br />
naturel sont utilisés pour qualifier une caractéristique du système <strong>de</strong> façon vague. <strong>Le</strong> premier<br />
cas est la conséquence d’une insuffisance <strong>de</strong>s instruments d’observation (2000 à 3000<br />
manifestants), d’erreurs <strong>de</strong> mesure (poids à 1% près) ou encore <strong>de</strong> connaissances flexibles (la<br />
taille d’un adulte est environ entre 1.50 et 2 mètres). <strong>Le</strong> second provient <strong>de</strong> l’expression<br />
spontanée <strong>de</strong> connaissances (température douce, grand appartement, proche <strong>de</strong> la plage) ou <strong>de</strong><br />
l’utilisation <strong>de</strong> catégories aux limites mal définies (enfant, adulte, vieillard).<br />
• <strong>Le</strong>s incomplétu<strong>de</strong>s sont <strong>de</strong>s absences <strong>de</strong> connaissances ou <strong>de</strong>s connaissances partielles sur<br />
certaines caractéristiques du système. Elles peuvent être dues à l’impossibilité d’obtenir<br />
certains renseignements (fichiers <strong>de</strong> mala<strong>de</strong>s dans lesquels certaines rubriques ne sont parfois<br />
pas remplies) ou à un problème au moment <strong>de</strong> la captation <strong>de</strong> la connaissance (image avec une<br />
partie cachée). Elles peuvent aussi être associées à l’existence <strong>de</strong> connaissances générales sur<br />
l’état d’un système, habituellement vraies, soumises à <strong>de</strong>s exceptions que l’on ne peut pas<br />
énumérer ou prévoir, selon les cas, (« généralement, Pierre est à son bureau tous les jours »,<br />
sauf s’il est mala<strong>de</strong> ou si un événement grave survient dans sa famille). Elles sont<br />
généralement liées à l’existence <strong>de</strong> connaissances implicites, par exemple dans une recherche<br />
d’information auprès d’experts.<br />
Néanmoins, ces formes d’imperfection ne sont pas indépendantes. <strong>Le</strong>s incomplétu<strong>de</strong>s<br />
entraînent <strong>de</strong>s incertitu<strong>de</strong>s (il est seulement presque – mais non absolument – certain que Pierre est à<br />
son bureau aujourd’hui). <strong>Le</strong>s imprécisions peuvent être associées à <strong>de</strong>s incomplétu<strong>de</strong>s et elles<br />
engendrent <strong>de</strong>s incertitu<strong>de</strong>s au cours <strong>de</strong> leur manipulation (« si la température extérieure ne dépasse<br />
pas 0°C, il faut couvrir les tomates»; or, je ne dispose que d’une connaissance imprécise : « il fait<br />
froid », dois-je couvrir les tomates Ce n’est pas certain). Par ailleurs, plus on exige <strong>de</strong> précision dans<br />
un énoncé quelconque, moins il est certain. Ainsi, on peut affirmer avec certitu<strong>de</strong> que « Marie est une<br />
jeune employée » mais on se prononcerait avec moins d’assurance sur son âge : « Je crois que Marie a<br />
29 ans ».<br />
3
Quelles que soient la nature <strong>de</strong> l’imperfection et la raison qui lui donne lieu, dans une<br />
perspective <strong>de</strong> modélisation, on est confronté à <strong>de</strong>ux possibilités. Soit, ignorer les imperfections et<br />
utiliser une représentation qui les élimine, soit les conserver pour exploiter les informations qu’elles<br />
contiennent et tenter <strong>de</strong> les représenter d’une manière fonctionnelle. La modélisation qui suppose <strong>de</strong>s<br />
informations précises pour forcer une adéquation entre la situation réelle et le modèle <strong>de</strong> résolution,<br />
peut conduire à <strong>de</strong>s résultats satisfaisants sur un plan théorique sauf qu’ils ne résolvent plus le<br />
problème réel visé, mais un problème artificiel reconstitué.<br />
Bouchon-Meunier (1995) affirme que la solution la plus satisfaisante rési<strong>de</strong> dans une<br />
préservation <strong>de</strong>s imperfections jusqu’à un certain point, qui permet <strong>de</strong> ne pas perdre une information<br />
intéressante, mais <strong>de</strong> parvenir à une représentation facilement manipulable <strong>de</strong> façon automatique.<br />
C’est un tel équilibre entre préservation <strong>de</strong> l’imperfection et traitement simple <strong>de</strong> l’incertitu<strong>de</strong> que l’on<br />
doit rechercher.<br />
<strong>Le</strong>s différents langages <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l’information<br />
La modélisation <strong>de</strong>s imperfections <strong>de</strong> l’information nous amène à considérer les langages<br />
disponibles à cet effet. On en retrouve un grand nombre…et parmi ces langages, la théorie <strong>de</strong>s<br />
probabilités est la plus ancienne et certainement encore la plus utilisée. Bien que l’interprétation <strong>de</strong> la<br />
notion <strong>de</strong> probabilité ne fasse pas l’unanimité (probabilité objective versus probabilité subjective, …),<br />
la théorie <strong>de</strong>s probabilités est la moins contestée <strong>de</strong>s langages <strong>de</strong> modélisation en raison <strong>de</strong> son<br />
axiomatisation. Elle s’adresse aux incertitu<strong>de</strong>s <strong>de</strong> nature aléatoire, ce qui renvoie aux concepts<br />
d’expérience aléatoire, d’ensemble fondamental, etc.<br />
Une situation où l’on envisage d’utiliser une modélisation par les probabilités implique<br />
concrètement l’i<strong>de</strong>ntification d’une distribution <strong>de</strong> probabilités. Or, on est souvent dans l’incapacité <strong>de</strong><br />
déterminer avec précision la distribution <strong>de</strong> probabilité appropriée. Ceci nous place dans une situation<br />
d’ambiguïté. En effet, l’ambiguïté peut être vue comme <strong>de</strong> l’imprécision sur les probabilités. C’est une<br />
situation intermédiaire entre celle du risque au sens strict (une seule distribution dont les paramètres<br />
sont connus) et celle <strong>de</strong> l’incertitu<strong>de</strong> plus fondamentale où plusieurs distributions sont envisageables<br />
sans que l’on puisse préciser laquelle est la plus appropriée (Einhorn et Hogarth, 1985).<br />
<strong>Le</strong>s incertitu<strong>de</strong>s ne sont pas toujours <strong>de</strong> nature aléatoire. Elles sont souvent dues à <strong>de</strong>s<br />
imprécisions ou à <strong>de</strong>s incomplétu<strong>de</strong>s. La théorie <strong>de</strong>s sous-ensembles flous (Za<strong>de</strong>h, 1965) se présente<br />
comme un outil privilégié pour la modélisation <strong>de</strong>s situations présentant <strong>de</strong>s imprécisions. Elle inclut<br />
la théorie <strong>de</strong>s possibilités (Za<strong>de</strong>h, 1978) dans sa logique pour permettre la prise en compte simultanée<br />
d'imprécisions et d'incertitu<strong>de</strong>s. La logique floue repose sur le concept fondamental <strong>de</strong> sous-ensemble<br />
flou qui résulte <strong>d'un</strong> assouplissement <strong>de</strong> celui <strong>de</strong> sous-ensemble <strong>d'un</strong> ensemble donné. C'est<br />
l'instrument qui nous permet <strong>de</strong> représenter la notion <strong>de</strong> classe dont les limites sont mal définies.<br />
L'appartenance ou la non appartenance n'obéit pas à la dichotomie classique <strong>d'un</strong> ensemble ordinaire<br />
mais elle est teintée <strong>d'un</strong>e certaine gradualité. Ce caractère graduel répond au besoin d'exprimer <strong>de</strong>s<br />
connaissances imprécises telles que <strong>de</strong>s informations recueillies en langage naturel, ou <strong>de</strong>s valeurs<br />
approximatives dues à <strong>de</strong>s difficultés <strong>de</strong> mesurage.<br />
Notons que dans le cas particulier <strong>de</strong> données numériques approximatives on peut avoir<br />
recours à la modélisation par <strong>de</strong>s intervalles (Moore, 1979).<br />
Bien que la théorie <strong>de</strong>s sous-ensembles flous offre un cadre conjoint permettant <strong>de</strong> traiter<br />
autant <strong>de</strong>s données numériques que <strong>de</strong>s données en langage naturel, elle ne traite pas l’imprécision et<br />
l’incertitu<strong>de</strong> qui peut les entacher dans le même formalisme. En revanche, la théorie <strong>de</strong>s possibilités<br />
permet la manipulation <strong>de</strong> l’incertitu<strong>de</strong> sur <strong>de</strong>s connaissances imprécises ou vagues. Il est important <strong>de</strong><br />
signaler que l’incertitu<strong>de</strong> visée par cette théorie n’est pas <strong>de</strong> nature probabiliste car on y cherche à<br />
savoir dans quelle mesure la réalisation d’un événement est possible et dans quelle mesure on en est<br />
certain sans que l’on dispose <strong>de</strong> l’évaluation <strong>de</strong> la probabilité <strong>de</strong> réalisation <strong>de</strong> cet événement.<br />
4
Par ailleurs, on a parfois recours à <strong>de</strong>s fonctions <strong>de</strong> croyance pour quantifier la crédibilité<br />
attribuée à <strong>de</strong>s faits (c’est-à-dire la confiance attribuée à ces faits), dont on ne connaît pas la<br />
probabilité d’occurrence. <strong>Le</strong>s fonctions <strong>de</strong> croyance, tout comme les fonctions <strong>de</strong> plausibilité, sont<br />
issues <strong>de</strong> la théorie <strong>de</strong> l’évi<strong>de</strong>nce (Shafer, 1976) qui a été développée ensuite par Smets (1988) pour<br />
donner lieu au modèle <strong>de</strong>s croyances transférables ("Transferable Belief Mo<strong>de</strong>l"). Ces fonctions ne<br />
sont pas additives contrairement à la fonction <strong>de</strong> probabilité. Par ailleurs, pour un événement<br />
quelconque A, l’intervalle [Bel(A),Pl(A)] peut être considéré comme encadrant la probabilité mal<br />
connue Pr(A). La théorie <strong>de</strong> l'évi<strong>de</strong>nce se veut plus générale que celle <strong>de</strong>s probabilités ou celle <strong>de</strong>s<br />
possibilités. Rappelons que cette théorie procè<strong>de</strong> à partir <strong>de</strong> l'attribution <strong>de</strong> masses <strong>de</strong> croyance à ce<br />
que l'on désigne par <strong>de</strong>s éléments focaux. Un élément focal est toute partie non vi<strong>de</strong> F du cadre du<br />
discernement Ω (espace sur lequel on établit les croyances qui est l'analogue <strong>de</strong> l'ensemble<br />
fondamental en théorie <strong>de</strong>s probabilités) pour laquelle la masse <strong>de</strong> croyance est différente <strong>de</strong> 0 (m(F) ≠<br />
0). La théorie <strong>de</strong> l'évi<strong>de</strong>nce accepte toutes les répartitions possibles <strong>de</strong> la masse initiale <strong>de</strong> croyance<br />
entre les divers événements. Cependant elles sont plus ou moins cohérentes et montrent plus ou moins<br />
d'indétermination dans les occurrences possibles <strong>de</strong>s événements. Deux situations particulières ont<br />
d'ailleurs été mises en évi<strong>de</strong>nce puisqu'elles conduisent aux théories <strong>de</strong>s possibilités et <strong>de</strong>s probabilités<br />
comme cas particuliers <strong>de</strong> la théorie <strong>de</strong> l'évi<strong>de</strong>nce. Dans la première, les événements ne sont affectés<br />
<strong>de</strong> masses <strong>de</strong> croyance non nulles que s'ils sont concordants, les éléments focaux sont alors emboîtés.<br />
La fonction <strong>de</strong> plausibilité a les propriétés <strong>d'un</strong>e mesure <strong>de</strong> possibilité, et la fonction <strong>de</strong> croyance<br />
celles <strong>d'un</strong>e mesure <strong>de</strong> nécessité. Dans la <strong>de</strong>uxième, les croyances émises concernent <strong>de</strong>s éléments <strong>de</strong><br />
Ω pris individuellement, les éléments focaux sont donc <strong>de</strong>s singletons <strong>de</strong> Ω. La fonction <strong>de</strong> plausibilité<br />
et la fonction <strong>de</strong> croyance sont i<strong>de</strong>ntiques et ont les propriétés <strong>d'un</strong>e mesure <strong>de</strong> probabilité. La figure 1<br />
représente une tentative <strong>de</strong> classification <strong>de</strong>s langages <strong>de</strong> modélisation <strong>de</strong>s imperfections retenus, à<br />
savoir, les probabilités, les possibilités, l'évi<strong>de</strong>nce et l'ambiguïté.<br />
Face à la multitu<strong>de</strong> <strong>de</strong> langages <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l'information, c'est la<br />
question du choix <strong>d'un</strong> langage en particulier qui s'impose dans toute tentative <strong>de</strong> modélisation. <strong>Le</strong><br />
choix entre tous ces langages <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l'information n'est pas trivial. Il<br />
nécessite un effort <strong>de</strong> compréhension <strong>de</strong> toutes les théories en concurrence et un examen minutieux <strong>de</strong><br />
la situation décisionnelle à modéliser.<br />
5
<strong>Modélisation</strong> <strong>de</strong>s imperfections <strong>de</strong> l’information (1)<br />
Théorie générale <strong>de</strong> l’évi<strong>de</strong>nce (éléments focaux<br />
quelconques)<br />
Théorie <strong>de</strong>s probabilités<br />
(éléments focaux<br />
disjoints et élémentaires<br />
Théorie <strong>de</strong>s possibilités<br />
(éléments focaux<br />
emboîtés)<br />
L’ambiguïté<br />
(Aléatoire &<br />
Incomplétu<strong>de</strong>)<br />
(1) Fusion et adaptation <strong>de</strong> Bouchon-Meunier (1995) et Azondékon (1991)<br />
Figure 1 : Position relative <strong>de</strong>s théories sous-jacentes à la modélisation <strong>de</strong>s imperfections<br />
<strong>de</strong> l’information.<br />
Gui<strong>de</strong> pratique pour le choix <strong>d'un</strong> langage <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l'information<br />
dans une modélisation multicritère<br />
La construction <strong>de</strong> critères est au centre <strong>de</strong> toute modélisation multicritère. La définition d’un<br />
critère (pris au sens large <strong>de</strong> simple point <strong>de</strong> vue) revient à la détermination d’un point <strong>de</strong> vue selon<br />
lequel le (ou les) déci<strong>de</strong>ur(s) juge(nt) pertinente l’évaluation <strong>de</strong>s actions retenues pour fin <strong>de</strong><br />
comparaison. Par conséquent, un critère existe essentiellement en raison <strong>de</strong>s évaluations qu’il permet<br />
d’obtenir (Roy, 1985). Il est alors raisonnable <strong>de</strong> penser que la nature du critère est dictée par la nature<br />
<strong>de</strong>s évaluations <strong>de</strong>s actions qu’on peut obtenir selon ce critère. Ainsi, si l’information sur <strong>de</strong>s coûts<br />
éventuels est <strong>de</strong> nature aléatoire (dépend <strong>de</strong> conditions météorologiques par exemple), le critère<br />
« coût » sera un critère stochastique pour lequel les évaluations <strong>de</strong>s actions selon ce critère sont <strong>de</strong>s<br />
distributions <strong>de</strong> probabilité. Des évaluations sur un critère « esthétique » par ailleurs sont souvent<br />
recueillies dans <strong>de</strong>s termes plutôt vagues tels que « beau », « laid », « très laid », etc. Elles peuvent<br />
être représentées par <strong>de</strong>s fonctions d’appartenance floues relatives à <strong>de</strong>s variables linguistiques. <strong>Le</strong><br />
critère « esthétique » est alors un critère flou.<br />
Lors <strong>de</strong> la construction <strong>de</strong> critères, et afin <strong>de</strong> faciliter la tâche <strong>de</strong> l'homme d'étu<strong>de</strong> dans le<br />
choix approprié du langage <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l'information, nous avons tenté <strong>de</strong><br />
mettre en place un cadre conceptuel permettant une caractérisation opérationnelle <strong>de</strong> chacun <strong>de</strong>s<br />
langages <strong>de</strong> modélisation retenus. Ce cadre pourrait constituer un gui<strong>de</strong> pratique pour le choix <strong>d'un</strong><br />
langage <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l'information concernant les évaluations <strong>de</strong>s actions<br />
6
selon divers critères. Nous croyons qu'il peut être utile <strong>de</strong> s'interroger sur la nature <strong>de</strong> ces<br />
imperfections même si nous faisons appel à <strong>de</strong>s seuils pour modéliser les préférences du "déci<strong>de</strong>ur".<br />
Selon Rogers et Bruen (1998), ces seuils tentent <strong>de</strong> tenir compte <strong>de</strong> l'imprécision/incertitu<strong>de</strong> associées<br />
aux évaluations <strong>de</strong>s actions selon chacun <strong>de</strong>s critères et <strong>de</strong> la sensibilité du "déci<strong>de</strong>ur" aux écarts<br />
d'évaluation sur les critères. Ainsi, connaître la nature <strong>de</strong>s imperfections peut permettre <strong>de</strong> fixer <strong>de</strong><br />
manière plus adéquate les valeurs <strong>de</strong> ces seuils.<br />
Ce gui<strong>de</strong> est résumé dans la figure 2. Il procè<strong>de</strong> selon les étapes suivantes:<br />
Étape 1: I<strong>de</strong>ntification <strong>de</strong> la nature d'imperfection <strong>de</strong> l'information pour les évaluations <strong>de</strong>s<br />
actions selon le critère à construire.<br />
À cette étape il faut cocher l'une <strong>de</strong>s <strong>de</strong>ux cases suivantes selon la nature prédominante <strong>de</strong><br />
l'imperfection <strong>de</strong> l'information présente:<br />
<br />
<br />
incertitu<strong>de</strong><br />
imprécision<br />
Il faut en effet préciser si les imperfections <strong>de</strong> l'information reliées à ce critère sont <strong>de</strong> l'ordre<br />
- <strong>de</strong>s incertitu<strong>de</strong>s: au sens <strong>d'un</strong> doute sur la validité <strong>d'un</strong>e connaissance:<br />
• données recueillies par un intermédiaire peu fiable (pas sûr <strong>de</strong> lui, susceptible <strong>de</strong><br />
se tromper ou <strong>de</strong> donner intentionnellement <strong>de</strong>s informations erronnées) ;<br />
• données difficiles à obtenir ou à vérifier;<br />
• données prévisionnelles;<br />
• données <strong>de</strong> nature aléatoire;<br />
• incertitu<strong>de</strong>s dues à <strong>de</strong>s imprécisions ou à <strong>de</strong>s incomplétu<strong>de</strong>s.<br />
- <strong>de</strong>s imprécisions: au sens <strong>d'un</strong>e difficulté dans l'énoncé <strong>d'un</strong>e connaissance:<br />
• <strong>de</strong>s catégories aux limites mal définies ("jeune", "centre ville",…),<br />
• <strong>de</strong>s situations intermédiaires entre le tout et le rien ("presque noir"),<br />
• le passage progressif <strong>d'un</strong>e propriété à une autre (notion <strong>de</strong> distance: "proche",<br />
"éloigné",…),<br />
• <strong>de</strong>s valeurs approximatives ("environ 2 km").<br />
<strong>Le</strong>s incomplétu<strong>de</strong>s i<strong>de</strong>ntifiées comme étant <strong>de</strong>s absences <strong>de</strong> connaissance ou <strong>de</strong>s<br />
connaissances partielles ne sont pas prises en compte par un langage particulier. En effet, il n'existe<br />
pas <strong>de</strong> langage propre à la modélisation <strong>de</strong>s incomplétu<strong>de</strong>s. <strong>Le</strong>s incomplétu<strong>de</strong>s sont prises en compte<br />
dans la mesure où elles conduisent à <strong>de</strong>s incertitu<strong>de</strong>s ou à <strong>de</strong>s imprécisions. Par conséquent, en<br />
présence d'incomplétu<strong>de</strong>s, il faut vérifier si ces absences <strong>de</strong> connaissance ou connaissances partielles<br />
sont plutôt reliées à <strong>de</strong>s imprécisions ou à <strong>de</strong>s incertitu<strong>de</strong>s. On peut à cet égard souligner le cas<br />
particulier <strong>de</strong> l'ambiguité où l'imperfection <strong>de</strong> l'information est <strong>de</strong> l'ordre <strong>de</strong>s incertitu<strong>de</strong>s et plus<br />
précisément, <strong>de</strong> nature aléatoire, mais où <strong>de</strong>s<br />
7
Questions Test Question Questions<br />
<strong>Langage</strong><br />
O<br />
4<br />
O<br />
N<br />
Probabilités<br />
Ambiguïté<br />
Imperfection <strong>de</strong> l’information<br />
Incertitu<strong>de</strong><br />
Imprécision<br />
1<br />
2<br />
O<br />
N<br />
O<br />
N<br />
A<br />
O<br />
N<br />
3<br />
N<br />
5<br />
Q<br />
E<br />
Évi<strong>de</strong>nce<br />
Possibilités<br />
Intervalles<br />
Flou<br />
Étape 1 Étape 2<br />
Étape 3 Étape 4 Étape 5 Étape 6<br />
Figure 2 : <strong>Choix</strong> du langage <strong>de</strong> modélisation <strong>de</strong>s imperfections <strong>de</strong> l’information<br />
8
connaissances partielles quant aux valeurs <strong>de</strong>s paramètres <strong>de</strong> la distribution <strong>de</strong> probababilité<br />
appropriée dénotent la présence d'incomplétu<strong>de</strong>s.<br />
Autrement, les incomplétu<strong>de</strong>s peuvent être vues au sens <strong>de</strong> données manquantes et alors<br />
il existe certains traitements réservés à ce type <strong>de</strong> données. En multicritère par exemple, la<br />
métho<strong>de</strong> PAMSSEM (Martel, Kiss et Rousseau, 1997) distingue <strong>de</strong>ux cas dans le traitement <strong>de</strong>s<br />
évaluations manquantes. <strong>Le</strong> cas où ces évaluations ne sont pas pertinentes et celui où elles sont<br />
pertinentes mais impossibles à obtenir. Dans le premier cas, on cherche à faire en sorte que les<br />
évaluations manquantes n'avantagent ni ne désavantagent les actions concernées. Chaque<br />
évaluation manquante est remplacée par l'évaluation <strong>de</strong> l'action avec laquelle elle est comparée.<br />
Dans le <strong>de</strong>uxième cas, on remplace l'évaluation manquante par l'évaluation distributionnelle<br />
résultante <strong>de</strong>s évaluations (non manquantes) <strong>de</strong>s autres actions. Dans pareils cas, en statistique,<br />
l'évaluation manquante est remplacée par la valeur moyenne <strong>de</strong>s évaluations <strong>de</strong>s autres actions.<br />
Étape 2:<br />
Cette étape commence à partir <strong>de</strong> l'une <strong>de</strong>s <strong>de</strong>ux cases incertitu<strong>de</strong> ou imprécision.<br />
Si on a i<strong>de</strong>ntifié un contexte d'incertitu<strong>de</strong> pour le critère à construire, il faut répondre par<br />
oui (O) ou par non (N) à la question 1:<br />
1- Peut-on énumérer les différents états possibles influençant ou représentant les<br />
évaluations selon ce critère<br />
L'i<strong>de</strong>ntification <strong>d'un</strong> contexte d'imprécision par contre est suivie par la question 2 à<br />
laquelle il faut répondre également par oui (O) ou par non (N):<br />
2- <strong>Le</strong>s imprécisions portent-elles sur <strong>de</strong>s données numériques approximatives que l'on<br />
peut exprimer par <strong>de</strong>s intervalles<br />
Étape 3:<br />
L'étape 3 procè<strong>de</strong> à partir <strong>de</strong>s réponses données aux questions 1 et 2.<br />
Si suite à la question 1 on constate qu'on est dans l'impossibilité d'énumérer les différents<br />
états possibles influençant ou représentant les évaluations selon le critère à construire (N), on<br />
<strong>de</strong>vrait avoir recours à la théorie <strong>de</strong>s possibilités pour modéliser l'incertitu<strong>de</strong> en présence. Dans le<br />
cas contraire (O), on continue l'investigation par le biais du test <strong>de</strong> l'aléatoire (A) :<br />
Test A:<br />
• <strong>Le</strong>s évaluations selon ce critère sont <strong>de</strong>s données numériques ou du moins<br />
mesurables sur <strong>de</strong>s échelles standard (ratio, intervalle, …);<br />
• Il existe peu d'intervenants humains non experts dans la situation d'incertitu<strong>de</strong> à<br />
modéliser, ces <strong>de</strong>rniers introduisent <strong>de</strong>s éléments d'imprécision par <strong>de</strong>s<br />
<strong>de</strong>scriptions subjectives ou <strong>de</strong>s connaissances formulées en langage naturel,<br />
• Il n'existe pas d'importantes connaissances graduelles ou <strong>de</strong> classes aux limites<br />
mal définies caractérisant la situation à modéliser.<br />
Si toutes les propositions énoncées dans le test A sont vérifiées on y répondra par oui<br />
(O), dans le cas contraire on y répondra par non (N).
Si la question 2 montre que les imprécisions sont dues à <strong>de</strong>s données numériques<br />
approximatives que l'on peut exprimer par <strong>de</strong>s intervalles (O) il sera naturel <strong>de</strong> recourir à une<br />
modélisation par les intervalles. Sinon (N), on utilisera le langage du flou.<br />
Étape 4:<br />
Si l'issue du test A est négative pour l'une ou l'autre <strong>de</strong>s propositions énoncées (N), la<br />
théorie <strong>de</strong>s possibilités est encore la plus en mesure <strong>de</strong> prendre en compte l'incertitu<strong>de</strong> <strong>de</strong> la<br />
situation. Si l'issue est positive (O) à toutes ces propositions, on continue avec la question 3 :<br />
3- Peut-on recueillir l'information sur le critère considéré (les évaluations <strong>de</strong>s actions)<br />
selon <strong>de</strong>s données stochastiques (modélisables par <strong>de</strong>s distributions <strong>de</strong> probabilités)<br />
On répondra à cette question par oui (O) ou par (N).<br />
Étape 5:<br />
Si la réponse à la question 3 est positive (O), on pose la question 4 à laquelle on répondra<br />
par oui (O) ou par non (N). Sinon, on pose la question 5.<br />
4- Connaît-on la distribution <strong>de</strong> probabilité avec précision<br />
5- <strong>Le</strong>s informations que l'on peut recueillir sur l'ensemble <strong>de</strong>s états possibles i<strong>de</strong>ntifié à<br />
l'étape 2 portent-elles sur <strong>de</strong>s sous-ensembles quelconques (Q) ou emboîtés (E) <strong>de</strong> cet ensemble.<br />
Étape 6:<br />
Si la réponse à la question 4 est positive (O), on est amené à une modélisation par le<br />
langage <strong>de</strong>s probabilités. Sinon (N), c'est le langage <strong>de</strong> l'ambiguité qui est le plus approprié.<br />
Si la réponse à la question 5 conduit à <strong>de</strong>s sous-ensembles quelconques (Q), on optera<br />
pour la théorie <strong>de</strong> l'évi<strong>de</strong>nce comme langage <strong>de</strong> modélisation <strong>de</strong> l'imperfection <strong>de</strong> l'information.<br />
Dans le cas d'ensembles emboîtés (E), on s'orientera vers la théorie <strong>de</strong>s possibilités.<br />
Conclusions<br />
À la lumière <strong>de</strong> la terminologie proposée par Bouchon-Meunier (1995) concernant les<br />
imperfections <strong>de</strong> l'information et à partir <strong>de</strong> l'étu<strong>de</strong> <strong>de</strong>s principaux langages <strong>de</strong> modélisation <strong>de</strong><br />
ces imperfections, nous avons tenté <strong>de</strong> construire un gui<strong>de</strong> permettant d'orienter le choix du<br />
langage approprié dans une modélisation multicritère. Ce gui<strong>de</strong> vise à limiter la part d'arbitraire<br />
qui pourrait exister dans un tel processus. Néanmoins, la connaissance <strong>de</strong> ces différents langages<br />
et <strong>de</strong>s théories qui les sous-ten<strong>de</strong>nt, <strong>de</strong> leurs conditions d’adéquation et <strong>de</strong>s outils permettant <strong>de</strong><br />
les rendre opérationnel <strong>d'un</strong>e part, et <strong>de</strong> la situation à modéliser d'autre part, <strong>de</strong>meure nécessaire<br />
afin <strong>de</strong> déci<strong>de</strong>r <strong>de</strong> la pertinence d’un langage plutôt qu’un autre. Nous croyons que cette<br />
connaissance peut être utile même si l'on introduit <strong>de</strong>s seuils au niveau <strong>de</strong> la modélisation <strong>de</strong>s<br />
préférences du "déci<strong>de</strong>ur".<br />
À noter que selon nous, ce gui<strong>de</strong> peut être tout aussi pertinent dans le cadre <strong>d'un</strong>e analyse<br />
mono-critère. De plus, nous n'avons pas traité <strong>de</strong> la théorie <strong>de</strong>s ensembles approchés (Rough set<br />
theory- Pawlak, 1982) car cette théorie semble plus appropriée pour le traitement <strong>de</strong>s<br />
imperfections <strong>de</strong> l'information que pour leur modélisation.
Références<br />
Azondékon, S., Construction <strong>de</strong> relations <strong>de</strong> préférence floues dans un contexte non déterministe<br />
avec information incomplète, Thèse <strong>de</strong> doctorat, Faculté <strong>de</strong>s sciences <strong>de</strong> l’administration,<br />
Université Laval, 1991.<br />
Bouchon-Meunier, B.B., La logique floue et ses applications, Addison-Wesley, 1995.<br />
Bouyssou, D., "Mo<strong>de</strong>lling inaccurate <strong>de</strong>termination, imprecision using multiple criteria", dans<br />
Lockett, A.G. et Islei, G. (Eds.), Improving Decision Making in Organisations, Springer-<br />
Verlag, Hei<strong>de</strong>lberg, (1989), 78-87.<br />
Einhorn, H. J. et Hogarth, R.M., "Ambiguity and uncertainty in probabilistic inference",<br />
Psychological Review, 92, 4 (1985), 433-461.<br />
French, S., "Uncertainty and imprecision : Mo<strong>de</strong>lling and analysis", Journal of the Operational<br />
Research Society, 46, (1995), 70-79.<br />
Martel, J.-M., Kiss, L.R., Rousseau, A., "PAMSSEM : Procédure d’agrégation multicritère <strong>de</strong><br />
type surclassement <strong>de</strong> synthèse pour évaluations mixtes", Doc. <strong>de</strong> travail, Faculté <strong>de</strong>s<br />
sciences <strong>de</strong> l’administration, Université Laval, 1997.<br />
Moore, R.E., Methods and Applications of Interval Analysis, SIAM, Phila<strong>de</strong>lphia, 1979.<br />
Pawlak, Z., « Rough sets », International Journal of Computer and Information Sciences, 11<br />
(1982), 341-356.<br />
Rogers, M., Bruen, M., « Choosing Realistic values of Indifference, Preference and Veto<br />
threshold for use with Environnemental Criteria within ELECTRE », European Journal<br />
of Operational Research, 107 (1998), 542-551.<br />
Roy, B., Méthodologie Multicritère d’Ai<strong>de</strong> à la Décision, Economica, Paris, 1985.<br />
Shafer, G., A Mathematical Theory of Evi<strong>de</strong>nce, Princeton University Press, Princeton N.J., 1976.<br />
Smets, P., "Belief Functions", dans Smets, P., Mamdani, E.H., Dubois, D. et Pra<strong>de</strong>, H., Non-<br />
Standard Logics for Automated Reasoning. Aca<strong>de</strong>mic Press, (1988), 253-286.<br />
Za<strong>de</strong>h, L.A., "Fuzzy sets", Information and Control, 8 (1965), 338-353.<br />
Za<strong>de</strong>h, L.A., "Fuzzy sets as a basis for a theory of possibility", Fuzzy Sets and Systems, 1 (1978),<br />
3-28.