Processus de mod´elisation - Vers une modélisation plus réaliste de la diffusion d'innovations

Figure _{2.1: Processus général de modélisation simulation sociale basée agent}

fait une structure particulièrement pertinente pour l’étude des phénomènes spatialisés. Plus généralement, la structure des interactions est définie par un réseau d’interactions. Chaque agent constitue un sommet du graphe, et les arcs entre ces sommets constituent les interactions possibles pendant la simulation. Cette représentation en réseau est directement inspirée du concept de réseau social, proposé initialement par les sciences sociales [Wasserman et Faust, 1994a]. Plus récemment, des physiciens ont abordé cette problématique en utilisant des outils statistiques, et ont proposé des al- gorithmes qui génèrent des graphes correspondants à quelques propriétés statistiques observées sur certains graphes réels. Il est devenu courant d’utiliser ces générateurs pour définir la structure des interactions dans les modèles basés agents ([Phan, 2006] [Amblard, 2002]). Nous verrons plus tard que cette structure a généralement un impact important sur la dynamique modélisée (par ex. [Rouchier et al., 2001]). La construction de réseaux d’interactions représentatifs des réseaux réels est un travail de modélisation `

a part entière, qui sera développé en chapitre 8.

L’environnement représente les objets réels du monde manipulables par les agents. Dans les modèles développés en écologie, cet environnement joue évidemment un rôle central. Les modèles basés sur des agents situés, comme des fourmis ou des robots, uti- lisent également cet environnement comme vecteur de communication indirecte (proto- environnement). Dans les simulations sociologiques, comme en diffusion d’innovations, l’environnement n’est pas directement impliqué, et est donc généralement ignoré dans le modèle. L’influence de la spatialisation des individus, comme la communication plus fréquente à faible distance, est alors intégrée dans le réseau d’interactions.

2.3 Processus de mod´elisation

De nombreux schémas de modélisation ont été proposés, assortis de règles de bonne conduite ; par exemple [Sargent, 1991, Sargent, 2005, Kleijnen, 1995]. Le processus de modélisation dépend notamment de l’objectif de la simulation elle-même (cf. 2.1.1) ; toutefois, le schéma général s’assimile à celui présenté en figure 2.1. Bien que le processus en général soit valable pour toute simulation sociale orientée agents, nous oriente- rons cette présentation vers la diffusion d’innovation.

2.3.1 D´efinition de l’objet et de l’objectif

But du mod`ele

Un modèle est développé dans un but précis. De ce but dépendront la frontière du modèle, les compromis effectués pendant la modélisation (2.4.5), ainsi que les critères d’évaluation du modèle. Le but dépend du type de modèle (2.1.1) :

– modèle descriptif : mieux décrire un phénomène donné, décrire une plus grande classe de phénomènes

– modèle explicatif : tester une théorie sur les facteurs explicatifs qui font apparaˆıtre un phénomène donné. La question posée au modèle est alors : “Ma théorie est-elle plausible ?”

– modèle prédictif : développer un outil de prévision plus fiable

– modèle normatif : développer un modèle qui permette d’améliorer des décisions prises sur le système réel.

Instance ou classe de ph´enom`enes

En simulation sociale orientée agents, et particulièrement en diffusion d’innovations, l’objet modélisé est un phénomène social se déroulant dans le temps. On peut s’atta- cher à modéliser une instance d’une classe de phénomènes. Par exemple, la diffusion des télévisions au Niger représente un cas particulier de diffusion d’innovations. On peut également chercher à modéliser une classe de phénomènes, par exemple la diffusion d’innovations technologiques, ou la diffusion d’innovations en général. De ce choix dépendra le compromis généricité/précision que nous évoquerons plus loin (2.4.5).

Client du mod`ele

Dans certains cas, il sera nécessaire de définir à quel client s’adresse le modèle (2.1.1). Si le but est de développer un outil d’aide à la décision, le modèle devra contenir les variables décisionnelles utilisées par les décideurs finaux. Les outils de simulation et d’observation devront être adaptés à ce client final. Le paramétrage du modèle doit notamment être réalisable par ce client final, et ce en fonction de la disponibilité des informations lors de l’utilisation du modèle.

2.3. PROCESSUS DE MOD ´ELISATION 23

2.3.2 Collecte et s´election d’informations

La simulation sociale orientée agents ne peut prétendre au titre d’outil pour les sciences sociales que si la modélisation ancre le modèle dans la réalité du terrain [Moss et Edmonds, 2005]. Même si, dans certains cas, les modèles peuvent être fai- blement liés au terrain (2.4.2), ce travail est nécessaire si l’on souhaite modéliser une ou plusieurs instances de phénomènes sociaux.

Non-réplicabilité des phénomènes sociaux

La collecte d’informations vise à récupérer sur le phénomène social des données qui serviront à paramétrer et à valider le modèle. Cette collecte d’informations dépend de l’objectif du modélisateur. Si l’objectif est de modéliser un cas précis de diffusion, le modélisateur se heurte à un problème inhérent aux phénomènes sociaux : la non réplicabilité du phénomène. En physique, on peut répliquer à l’infini les expériences ; on peut tester la chute des corps, en variant les paramètres des expériences, en obtenant des résultats cohérents. Par contre, on ne peut assister qu’une seule fois à la diffusion des solutions contraceptives au Kenya ; cette diffusion va modifier les connaissances des habitants sur les moyens contraceptifs, leur attitude envers la contraception, et leur perception de cette innovation. Par la suite, il sera impossible de tester à nouveau le phénomène social dans les mêmes conditions initiales. C’est une expérience unique, intrinsèquement non reproductible. La collecte d’informations doit donc être réalisée de fa¸con suffisante et précise pendant cette seule occurence de la diffusion.

Par contre, si l’on modélise la diffusion des innovations en général, ou la diffusion d’une catégorie d’innovations, on dispose d’un ensemble de données déjà collectées lors d’autres diffusions. Ces diffusions diffèrent toutefois fortement, tant par la population dans laquelle l’innovation se diffuse, par les caractéristiques de l’innovation, et par la stratégie mise en oeuvre par l’institution.

Donn´ees primaires et secondaires

Il est donc nécessaire, pour modéliser un phénomène social, de se reposer pour tout ou partie sur des observations déjà disponibles sur le phénomène. C’est ce que Yin nomme données primaires et secondaires [Yin, 2003]. Les données primaires sont les données collectées pour un phénomène précis dans le processus de modélisation : entretiens, enquêtes et autres observations quantitatives ou qualitatives. Les données secondaires correspondent à la littérature disponible sur le phénomène. L’être humain étant étudié par les sciences humaines depuis l’antiquité, il existe une profusion de constats plus ou moins rigoureux issus de la sociologie, de la philosophie, de la psychologie, du marketing ou de la psychologie sociale.

La sélection des observations qui seront utilisées pour le modèle doit se faire en fonction de :

– leur fiabilité : l’observation a-t-elle été faite dans plusieurs cas de diffusion ? A-t- elle été rigoureusement mesurée ?

– leur pertinence par rapport à l’objectif du modélisateur : un paramètre peut être important dans le processus réel, mais être ignoré dans le modèle. Des études sociologiques sur un petit groupe de personnes dégageront des différences entre individus qui pourront peut-être être ignorées dans un modèle à plus grande échelle.

– leur représentativité : les observations doivent porter sur un ensemble représentatif de personnes ou d’instances de diffusion. Le biais pro-innovation décrit par Rogers (3.2.2) correspond à une mauvaise sélection des données, le modélisateur retenant les observations des innovations réussies mais non les échecs

– leur disponibilité, la possibilité de les collecter ou le coût de cette collecte. Ces observations permettront d’identifier des invariants communs à une classe de phénomènes. En diffusion d’innovations, nous avons vu que des invariants existent, au niveau descriptif (courbe agrégative d’adoption en forme de “S”) ou sur les facteurs explicatifs. Ces invariants sont souvent exprimés, en sciences sociales, sous forme de faits stylisés : des constats qualitatifs qui sont vrais la plupart du temps, bien que l’on puisse trouver des contre-exemples. Par exemple, “En France, un docteur a un salaire inférieur à un ingénieur” est un fait stylisé : si l’observation se vérifie la plupart du temps, il existe des docteurs bien rémunérés. Nous effectuerons dans le chapitre 3 un panorama des observations disponibles sur la diffusion d’innovations.

Parmi ces observations, certaines seront utilisées pour confronter le modèle à la réalité. Pour certains auteurs, la définition des indicateurs fait partie intégrante du processus de modélisation [Rouchier, 2000, Deffuant et al., 2003a], et doit être pensée dès la conception du modèle. Les indicateurs sélectionnés doivent être observables à la fois dans le système réel et le modèle.

2.3.3 Elaboration d’un mod`ele conceptuel

Sur la base de ses connaissances sur le système, le modélisateur développe un modèle conceptuel. Ce modèle conceptuel décrit les caractéristiques et comportements des agents, les interactions entre agents, les divers paramètres, ainsi que les indicateurs qui serviront à l’observation de la simulation. Ce modèle conceptuel doit bien sûr correspondre à une réalité quelconque du système réel. Cette étape est souvent assimilée `

a la proposition d’une th´eorie (par ex. [Sargent, 2005]).

Dans le cas de la simulation sociale, le modélisateur se trouve confronté à un objet d’étude - un système social - extrêmement complexe. Il est impossible pour un modélisateur de capturer par lui-même, à l’échelle d’une population et de plusieurs instances de diffusion, les détails du processus collectif. De même que pour les observations sur le système, le modélisateur peut alors se reporter aux différentes théories et modèles proposés dans les sciences humaines. Ces théories peuvent correspondre au phénomène général ou à une partie limitée du processus (perception d’information, mémorisation des informations). Le rôle du modélisateur est alors d’identifier parmi

2.3. PROCESSUS DE MOD ÉLISATION 25 cette vaste littérature quelles sont les théories plausibles adaptées à son problème particulier, et comment les agencer sous la forme d’un modèle cohérent. Cette approche avait été qualifiée dans la thèse de Lamjed Ben Said [Ben Said, 2003] de “recherche d’un cadre intégratif”. La plupart des théories du domaine cible sont discursives, descrip- tives, et limitées à un phénomène précis. Le modélisateur doit formaliser ces théories en complétant les vides éventuels.

Ce modèle conceptuel peut être exprimé avec le symbolisme de son choix : langage naturel, formules mathématiques, logique, etc. Il doit idéalement être suffisamment complet pour permettre la reproduction du modèle par d’autres chercheurs [Edmonds et Hales, 2003]. Quel que soit le formalisme utilisé, il subsiste toujours une ambiguité sur l’implémentation, qui faute d’être supprimée doit être minimisée [Amblard et al., 2006].

2.3.4 Impl´ementation et v´erification

Dans le cas des modèles computationnels, le modèle conceptuel est implémenté, c’est-à-dire traduit en programme informatique. L’utilisation de langages orientés objet (Java, C++) est particulièrement pertinente pour implémenter un modèle multi-agents. Les classes permettent de définir les catégories d’entités existant dans le monde artifi- ciel. Chaque classe est ensuite instanciée sous la forme d’un objet. Il existe une forte parenté entre le concept d’objet en génie logiciel et le concept d’agent en systèmes multi-agents. En particulier, la visibilité privée ou publique des attributs et fonctions d’une classe permet de respecter la notion d’autonomie propre aux agents : on ne peut interagir que de fa¸con limitée avec un objet, en fonction de ce qui a été rendu publique, et l’objet conserve la pleine responsabilité du traitement de ces demandes. D’autres avantages des langages objets s’avèrent précieux, notamment leur lisibilité, leur main- tenabilité et leur réutilisabilité.

Le développement des outils d’observation du modèle (graphes, statistiques...) constitue une part importante de l’implémentation. Des plateformes de modélisation ont été proposées pour réduire ce coût de développement. Ces plateformes diffèrent par leurs apports, leurs contraintes et le public qu’elles visent.

Après implémentation, on procède à une étape de vérification qui vise à déterminer qu’un programme se comporte comme désiré [Law et Kelton, 1991, p. 299]. Le modèle conceptuel laissant toujours un certain champ à l’interprétation, l’implémentation nécessite de nombreux choix, souvent bénins en apparence, qui peuvent conduire à des dynamiques fort différentes. A titre d’exemple, l’ordre dans lequel les agents agissent impacte le résultat (ordonnancement). Plusieurs essais de ré-implémentation du code à partir des publications ont conduit à des résultats parfois totalement différents de ceux annoncés [Edmonds et Hales, 2003]. C’est pourquoi il est recommandé de multiplier les implémentations, par exemple en faisant ré-implémenter le modèle par un collègue, afin de vérifier que les choix faits pendant l’implémentation sont conformes au modèle conceptuel, et le cas échéant d’expliciter les choix d’implémentation possibles.

2.3.5 Exp´erimentation par la simulation

Quel que soit l’objectif de la modélisation, on étudie le comportement du modèle dans l’espace des paramètres [Ginot et Monod, 2006]. Faute de pouvoir démontrer les évolutions possibles et certaines du système, il est nécessaire de tester les différentes pos- sibilités d’évolution en fonction des paramètres. La définition d’un plan d’expériences permet d’explorer soigneusement cet espace de paramètres afin d’appréhender la dynamique du modèle dans son ensemble. Dans le cas de modèles stochastiques, il est nécessaire d’effectuer plusieurs simulations pour un même jeu de paramètres, le nombre exact étant généralement défini de fa¸con empirique. Dans ce cas, l’exploration de l’espace des paramètres conduit rapidement à des dizaines de milliers de simulations, ce qui rend l’exploration coûteuse en temps de calcul. D’autres études peuvent être conduites : étude de sensibilité aux paramètres, sensibilité aux conditions initiales, analyse d’in- certitude, stabilité, etc.

De même que les expériences scientifiques dans leur ensemble, les expériences par simulation devraient idéalement être reproductibles [Amblard et al., 2006]. Cela permet au modélisateur, lorsqu’il obtient un résultat de simulation surprenant, d’étudier en détail le comportement de chaque agent. La reproductibilité de l’expérience est garantie pour un modèle déterministe, auquel cas on peut simplement relancer la simulation avec les mêmes paramètres. Dans le cas de systèmes stochastiques, une simulation n’est théoriquement pas réplicable. Pourtant, l’utilisation de générateurs pseudo-aléatoires permet de relancer une simulation, en réutilisant simplement la valeur d’initialisation du générateur aléatoire (seed ).

A terme, le but de l’expérimentation est de répondre à la question posée au modèle, de satisfaire le but initial du modélisateur. Cette validation du modèle, comme nous allons le voir, est loin de se limiter à une comparaison quantitative des données de simulation avec les données de terrain.

Dans le document Vers une modélisation plus réaliste de la diffusion d'innovations à l'aide de la simulation multi-agents (Page 32-37)