R EVUE DE STATISTIQUE APPLIQUÉE
O. L AVIALLE E. M. Q ANNARI C. V IDAL
Agrégations d’ordres sous contrainte : classement de produits à partir de données sensorielles
Revue de statistique appliquée, tome 38, n
o4 (1990), p. 61-73
<http://www.numdam.org/item?id=RSA_1990__38_4_61_0>
© Société française de statistique, 1990, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
AGRÉGATIONS D’ORDRES SOUS CONTRAINTE : CLASSEMENT DE PRODUITS
A PARTIR DE DONNÉES SENSORIELLES
O. LAVIALLE
(1),
E.M.QANNARI (2),
C. VIDAL(1)
(1) Ecole Nationaled’Ingénieurs
des TravauxAgricoles
de Bordeaux.(2) Ecole Nationale
d’Ingénieurs
desTechniques
des IndustriesAgricoles
et Alimentaires de Nantes
RÉSUMÉ
Après
avoir ramené leproblème
de l’évaluation sensorielle deproduits
parplusieurs juges
selon des critèreshédoniques
à unproblème
decomparaisons
parpaires,
nouscherchons un classement des
produits
tenant compte à la fois de cescomparaisons
et d’unordre donné a
priori.
Des solutionsoptimales
parl’application
d’unalgorithme
d’affectationquadratique
sont recherchées pour établir ce classement.Mots-clés :
analyse
sensorielle,comparaisons
parpaires, graphes
de surclassement, scores.ABSTRACT
We here reduce the
problem
of the sensory evaluation ofproducts
based on hedoniccriteria and carried out
by
severaljudges
to apaired comparisons problem
and we try to obtain aplacing
of theproducts
which take both thiscomparaisons
and an apriori
order intoaccount. An
optimal
classification betweenproducts
is obtainedby
the use of analgorithm
of
quadratic assignment.
Key-words :
sensoryanalysis, paired comparisons, preference graph,
scores.1. Introduction
Le
traitement
de données sensorielles multicritères se fait essentiellement par le biais del’analyse
des donnéesclassique.
Celle cipermet
de constituer des groupes deproduits
semblables sur l’ensemble des critères et conduit ainsi à uneclassification de ces
produits.
Cette
approche descriptive,
dans le cas de critèresreposant
sur des évalua- tionshédoniques,
estgénéralement
insuffisante en matière d’aide à la décision multicritère. Eneffet,
on a souvent besoin de :- trouver le «meilleur»
produit,
- sélectionner un groupe de «bons»
produits,
62 0. LAVIALLE, E.M. QANNARI, C. VIDAL
- éliminer certains
produits,
- classer tous les
produits.
Ces évaluations
hédoniques
se font soitsimplement
en terme depréférences globales (comparaisons
parpaires),
soit en terme de valuation de cespréférences
par critère
(rangs,
échelles structurées ounon).
Dans le cas d’une valuationde
préférences
parcritères,
onpeut
construire desgraphes
de surclassement[ROY,VINCKE,BRANS-1976] permettant,
enfait,
de transformer les données endonnées de
comparaisons
parpaires.
De
là,
onpeut
établir un classement desproduits
par la construction soit d’unpréordre,
soit d’un ordre -total oupartiel- (méthode
des scores[DAVID-1987]
agrégation
despréférences [BARTHELEMY,MONJARDET-1981]).
Dans un
premier temps,
nous ramenons donc toutproblème
d’évaluation sensorielle à unproblème
decomparaisons
parpaires.
Mais pour établir un classement entre desproduits,
onpeut
être amenéégalement
à tenircompte
d’un ordre donné apriori.
C’est le cas parexemple
si l’on veut obtenir le meilleur« rapport qualité/prix »
entre desproduits.
Pourcela,
on cherche un ordrequi
tiennecompte
à la fois des évaluations sensorielles et de l’ordre défini par une fonctiontéchnico-économique
telle que, parexemple,
le coût de fabrication.Ce
problème
de classement sous contrainte d’un ordre apriori
est étudié dans cet article en introduisant une fonctionqui englobe
des méthodes de classementproposées
dans la littérature concernant lesujet.
2. Méthode de surclassement
2.1. Relation de surclassement
Les méthodes de surclassement font
partie
des méthodes d’aide à la décision multicritère[SHARLIG-1985].
Leurprincipe
est de construire entre deuxproduits,
une relation
prenant
encompte
l’ensemble des critères. La relation utilisée ici estinspirée
de la méthode ELECTRE I[ROY-1968].
Ellepermet,
àpartir
d’évaluationsmulticritères,
d’aboutir à ungraphe
de surclassement.Soit X = xi, ..., xn un ensemble
d’objets.
Unproduit
xi surclasse unproduit xj
si xi est au moins aussi bonque xj
pour unemajorité
decritères,
sans êtrenettement
plus
mauvais que lui sur les autres critères. Lapremière
conditiondébouche sur un indice de concordance. Les critères étant
pondérés,
l’indice de concordancec(xi, xj)
est la somme despoids
des critères pourlesquels
xi est aumoins aussi bon que xj. Cet indice doit être
supérieur
ouégal
à une valeur piappelée
seuil de concordance(0 p1 ~ 1).
La seconde condition débouchequant
à elle sur un indice de discordanced(xi, Xj)
calculé àpartir
du critère pourlequel
la
comparaison
entre xi et xj est laplus
défavorable à xi.Cet indice doit être inférieur à une valeur ql
appelée
seuil de discordance(0 q1 1).
La relation
xiSxj
est donc établie àpartir
de ces deux conditions :Remarques :
* S est
réflexive : x2,S’xi,
carc(xi, xi)
= 1 etd(xi, xi)
= 0.* Entre deux
produits
xi et xj toutes les situations sontpossibles,
enparticulier
ou bienxisxi
etxjSxi
ou bien nixiSxj,
nixjsxi.
Soit V la matrice d’éléments :
2.2.
Graphe
valuéLorsque
lesproduits
sont soumis àplusieurs
évaluations(soit
parplusieurs juges,
soit par le mêmejuge
àplusieurs reprises),
une relation de surclassement est construite pour chacun desjugements.
Chaque jugement permet
de construire legraphe
de surclassement GT de matrice incidente V T.le
graphe
valué G associé à V =[Vij] ] est appelé graphe
de surclassementgénéralisé.
C’est une
simple superposition
desgraphes
GT[VIDAL,YEHIA-1990].
2.3. Matrice de
préférences
La relation S étant
réflexive,
on obtient un nouveaugraphe
de matrice d’incidence A =[aij]
définie par :Cette matrice est une matrice de
préférences :
aijreprésente
le nombre de fois oùl’objet
x2 a étépréféré
à xj.Nous avons ramené le
problème
de choix multicritère parplusieurs juges
à un
problème
decomparaisons
parpaires
en considérant la matrice 4 =[aij]
(mi j = ai j
+a j i
n’étant pasgénéralement
une valeur constante, A n’est pas la matrice d’untournoi).
64 0. LAVIALLE, E.M. QANNARI, C. VIDAL 3. Méthodes de classement
On se propose de classer les
objets
x1, ..., xn àpartir
de la matrice A encherchant des
bijections
p de X dans I= {1,2,...n}
minimisant un critère donné.Ainsi, lorsque
tous lesmij(i, j
=1, ..., n)
sont constants, le critèred’agréga-
tion des
préférences
leplus
courant consiste à calculer le score obtenu parchaque objet
et à classer lesobjets
selon les scores décroissants. Le scores(i)
del’objet
xi étant le nombre de fois
où xi
estpréféré
aux autres.Dans le cas où les valeurs mij ne sont pas des constantes,
plusieurs
méthodesvisant à minimiser le nombre d’arcs de G à inverser pour que celui-ci devienne transitif ont été
proposées.
Unegénéralisation
de ces méthodes est la suivante. Soit D l’ensemble desbijections
de X dans I et 03A8 uneapplication
à valeurs dansR+.
On se propose de chercher les
bijections
p de A minimisant la fonction :- si West constante, on obtient la méthode de classement de Slater
[SLATER- 1961],
consistant à minimiser le nombre d’arcs à inverser pour que legraphe
soittransitif,
- si pour tout
(xi,xj,03C1)
de X x X xA,
on pose :on retrouve la fonction
objectif exposée
parFrey
et Yehia[FREY,YEHIA-1986]
qui pénalise
les arcs à inverser par la distance entre les rangs des deuxobjets concernés,
- si on pose :
on retrouve la méthode
proposée
par Kano et Sakamoto[KANO,SAKAMOTO- 1983].
Le fondement des deux dernières méthodes est de considérer que si xi a été
préféré
àxj
et si labijection
pplace x2 après xj,
il est d’autantplus
grave d’inverser l’arc reliant xi à xj que l’écart entrep(xi)
et03C1(xj)
estgrand.
Ce raisonnement
explique
lapondération
parp(xi) - p(xj), pondération justifiée
aussi par le fait que pour un tournoigénéralisé (tous
les mijconstants)
cesméthodes sont
équivalentes
à la méthode des scores. Il estcependant
évident que d’autres choix de la fonction 03A8 seraientplus judicieux
dans certains casparticuliers.
4.
Agrégation
sous contrainte d’ordre 4.1. Position duproblème
Parallèlement à la matrice de
préférences A,
on se donne un ordre apriori
défini par la
bijection
po de A. Soitpo,
labijection
donnant l’ordre inverse de celui de po. Leproblème
est alors de trouver des classementsqui
réalisent uncompromis
entre po et les
préférences
relatées par la matrice A. Nous nous proposons de chercher lesbijections
p, éléments de A minimisant :Le
principe
de ce critèred’optimisation
est conforme à l’idéedéveloppée
dansle
paragraphe précédent.
Laquantité 03B4~(xi,xj,03C1o) correspond
à une« pénalité »
supplémentaire chaque
fois que xi est moins bien classéque xj
dans l’ordre défini par p et mieux classé dans l’ordre apriori.
4.2. Cas
particuliers
- En
règle
courante, il semble naturel deprendre ~(xi,
xj,03C1o) = 03A8(xi, xj, 03C1o).
Ainsi à
partir
du critère deSlater,
on définitsimplement
le critèrequi
tientcompte
de l’ordre po donné apriori
par :On voit intuitivement que le cas Slater avec contrainte d’ordre a
priori
po, seramène à un Slater sans contrainte sur la matrice de
préférences
B =[bij]
avec :cela revient à donner un
poids
double à tout arc(xi, X j)
conforme à l’ordre défini par po. Ainsi unebijection
pplaçant xi
derrière xj(à
l’inverse depo )
conduit àune valeur de la fonction
objective
danslaquelle
cette inversion est doublementpénalisée.
- A
partir
du critèrepénalisant
les arcs à inverser par la distance entre les rangs, la contraintesupplémentaire
dûe à l’ordre po conduit à une nouvelle fonction66 O. LAVIALLE, E.M. QANNARI, C. VIDAL
objectif :
4.3. Contrainte
technico-économique
Lorsque
l’on introduit une contraintesupplémentaire
liée à un critèretechnico-économique (coût
deproduction
parexemple),
onpeut
penserl’ajouter
aux critères d’évaluation et
considérer, donc,
un ensemble de(p + 1 )
critères. Cettefaçon
deprocéder
n’est pas satisfaisante si l’on veutprivilégier
ce critère.Ce critère induit un ordre po sur
lequel
onpeut appliquer
l’idéeprécédemment développée.
Il estdommage, cependant,
deperdre
l’informationcorrespondante
ense limitant aux rangs associés. Si nous
définissons,
àpartir
des valeurs de cecritère,
un
poids s(i)
pourchaque objet,
il est alorsplus judicieux
de tenircompte,
dans la fonction àoptimiser,
de cespoids.
Néanmoins,
pour donner aux deux termes de la fonctionL(03C1)
uneimportance comparable
etindépendante
de l’échelle de mesure du critèreconsidéré,
nous proposons de normaliser lespoids s(i).
Ainsi enposant t(i)(i = 1, 2,
...,n)
lavaleur du critère pour
l’objet
xi, on a :où 03C3(03A8)
est une constantedépendant
du choix de la fonction ’11.Il
parait
alors naturel de poser~(xi,xj,03C1o) = 03A8(xi,xj,s), (en remarquant qu’ici
s n’est pas unepermutation,
mais uneapplication
de X dansR+)
et dechoisir comme critère :
- A
partir
du critère deSlater 03A8(xi,xj,s)
= 1 et donc l’informationsupplémentaire apportée
par lespoids s(i)
estperdue.
Nous retrouvons la fonction
précédente :
- A
partir
du critèrepénalisant
les arcs à inverser par la distance entre les rangs, la constante de normalisation despoids
estégale
à :est la somme des rangs d’une
permutation).
Alors
5.
Comparaisons
parpaires
valuées5.1. Matrice des écarts
Une
expérience
decomparaisons
parpaires
sera dite valuéesi,
pour chacun des mjugements,
les résultats de lacomparaison
de deuxobjets
xi etxj(i,j
=1,2,
...,n) indiquent
non seulement unepréférence,
mais undegré
depréférence (mesuré
par uneéchelle).
Nous obtenonsainsi,
outre la matrice depréférences A,
une matrice
B, appelée
matrice des écarts définie par :où
bt
est ledegré
parlequel
leproduit
xi surclasse leproduit
xi au cours dujugement
k.S’il existe un lien évident entre les coefficients aij et
bij,
lespremiers
coefficients ne sont pas
conséquence
directe des seconds et onpeut
avoir parexemple aij
>aji
Z etbij bji.
Cette remarque montre que l’on nepeut
passe contenter de la matrice B pour établir un
classement,
car cela reviendrait àprivilégier
les scores(en
terme de rencontressportives)
sur les résultats en terme degains (pertes).
Ramenons ce
problème
au casprécédent,
en définissant un critère deperfor-
mance T sur l’ensemble X des
objets. Soit,
pourchaque objet
xi :Il suffit alors
d’opter
pour unestratégie
de classement(choix
de la fonction03A8)
et de proposer, enguise
de classementsqui synthétisent
lescomparaisons
parpaires valuées,
les classements minimisant le critère défini àpartir
de 03A8 et lacontrainte définie par le critère de
performance
T.68 0. LAVIALLE, E.M. QANNARI, C. VIDAL 5.2.
Application
En
s’inspirant
de ELECTRE II[ROY,BERTIER-1973],
onpeut construire,
àpartir
d’uneanalyse
multicritère parplusieurs juges,
des niveaux depréférence.
Ceci permet à l’utilisateur d’introduire une mesure du
degré
depréférence
entredeux
produits.
* Soit Pl, P2, P3 avec 0
pl ::5 p2 ~ p3 ~
1* Soit ql, q2, q3 avec 0
q3 ~ q2 ~
ql 1Pour
chaque jugement multicritère,
nous construisons ainsi unepartition
deX x X en
quatre
classes depréférences CO, Cl, C2,
C3 définies par :Soit
graphiquement :
La classe CO
correspond
auxcouples (xi, X j)
pourlesquels
xi ne surclassepas xj. Nous obtenons ainsi pour un
jugement t,
une matrice carrée des écarts entre les nproduits,
soit ET =[eïzj] avec
où 0 ai a2 a3 sont des constantes choisies par l’utilisateur en fonction de
son
problème particulier.
Soit définie par :
Nous affectons à
chaque produit
un « score » :où m est le nombre de
jugements (supposé
constant pour chacun desproduits).
Ces indices
t(i) permettent
de définir unpréordre
total sur lesobjets (ordre
d’indice
décroissant).
En normalisant ces scores nous obtenons :5.3.
Remarque
Le résultat
peut
être influencé par les valeurs données à Pl, p2, P3, qi, q2, q3qui
fixent ledécoupage
en classes. Selon une indication desrapporteurs,
cette difficulté
pourrait
être surmontée en utilisant un indice de crédibilité du surclassement. L’indiceadopté
dans ELECTRE III[ROY-1978] pourrait,
parexemple,
convenir.6.
Exemple numérique
Les élèves de l’E.N.I.T.A. de Bordeaux
organisent depuis
deux ans, unconcours de
dégustation
de foies gras «FOIE GRAS ET TRADITION» avec pourobjectif
derécompenser
leproducteur
ou conserveurqui présente
le meilleurproduit.
Pour ce faire un
jury
decinq professionnels
évalue les foies gras entiers selonquatre
critères : laprésentation générale (notée
sur2),
laprésentation
de la coupe(notée
sur4),
l’odeur(également
notée sur4)
et enfin legoût, jugé prépondérant, (noté
sur15).
Le classement estsimplement
obtenu en faisant la moyenne des notes(sur 25)
quechaque juge
attribue auxproduits.
En conservant les
pondérations (2,4,4,15),
nousappliquerons l’algorithme
aux résultats du concours 1988
(section oie).
70 0. LAVIALLE, E.M. QANNARI, C. VIDAL TABLEAU 1
Résultats du concours
«Foie gras et tradition» 1988-section oie
Le classement par la moyenne des notes donne : 4 8 6 3 7 10 1 9 2 5
Compte
tenu des seuils de concordance et de discordancechoisis, (Pl
= 0.84et qi =
0.6),
on construit la matrice despréférences :
Ce
qui conduit,
àpartir
du critèrepénalisant
les arcs à inverser par la distance entre les rangs, aux ordresoptimaux :
Rappel
* En introduisant des écarts de
préférences (avec
p2 =0.92,
P3 =1,
q2 = 0.4 et q3 =0),
on construit une matrice des écarts :et,
partant,
les « scores » desproduits :
72 0. LAVIALLE, E.M. QANNARI, C. VIDAL
ces scores induisent les ordres :
En
appliquant l’algorithme
de calculcorrespondant
au critèrepénalisant
lesarcs à inverser par la distance entre les rangs, nous obtenons l’ordre
optimal :
Cet ordre n’est ni celui des scores, ni un de ceux obtenus par
A[aij].
C’estpourtant
celuiqui
minimise la fonctionobjectif globale.
Essayons d’expliquer
les différences entre les classements obtenus.- Le
produit
3 est classéquatrième
si l’on effectuesimplement
la moyenne des notes, il est classéseptième
si l’on utilise par contre la matrice despréférences
avec le critère
pénalisant
les arcs à inverser par la distance entre les rangs. Ce mauvais résultat duproduit
3 par les méthodes de surclassement est du au fait quece
produit
est mal noté au niveau del’aspect,
mais le faiblepoids
de cecritère,
faitqu’il
est mieux classé par la moyenne des notes. Les méthodes multicritères font aussiappel
auxpoids,
mais l’indice de discordance donne à certains critères mineurs uneplus grande importance.
En d’autre terme, lepoint
faible du foie 3 faitqu’il
ne mérite pas d’être bien classé.- Le
produit
4 esttoujours
entête, excepté
pour le classement sur les seulespréférences
aij. Par cetteméthode,
il doit sa troisièmeplace
au faitqu’il
estplus
souvent surclassé par les autres
produits,
mais trèslégèrement
en fait. Comme d’unautre
coté,
son score est bien meilleur que celui des foies 6 et8,
il retrouve sapremière place
par la méthode tenantcompte
des écarts depréférence.
Bibliographie
BARTHELEMY
JP.,
MONJARDET.B.(1981)-The
medianprocedure
in clusteranalysis
and social choicetheory,
Mathematical socialsciences, 1,
pp 235-267 ,
N.H.PUB COMPANY.DAVID H.
(1987) - Ranking
from unbalancedpaired comparaisons data,
Biome-trika, 4,2
pp 432-436.FREY
J.J.,
YEHIA ALCOUTLABI A.(1986) - Comparaisons
parpaires :
uneinterprétation
et unegénéralisation
de la méthode des scores, RAIRO - Rechercheopérationnelle,
Vol 20 n° 3 pp 213-227.KANO
M.,
SAKAMOTO A.( 1983) - Ranking
the vertices of aweighted digraph using
thelength
of forwards arcs, Networks Vol 13 n°1,
pp 143-151.ROY
B.,
VINCKEP.,
BRANS J.P.(1976) -
Aide à la décisionmulticritère,
Introduction à la table ronde consacrée à «L’aide à la décision multicritère :
applications administratives, économiques
et industrielles».ROY B.
( 1968) -
Classement et choix enprésence
depoints
de vuemultiples. (la
méthode
ELECTRE).
RIRO n°8,
pp 57-75.ROY B. BERTIER B.
(1973) -
La méthode ELECTRE II. Uneapplication
aumédia-planning, OR ’72,
M. ROSS(éd),
North-HollandPublishing Company,
pp 291-302.
ROY B.
( 1978) -
Unalgorithme
de classements fondé sur unereprésentation
flouedes
préférences
enprésence
de critèresmultiples,
Cahiers du Centre d’Etude de RechercheOpérationnelle,
Vol20,
n°1,
pp 3-24.SCHARLIG A.
(1985) -
Décider surplusieurs critères,
Pressespolytechniques
romandes.
SLATER P.
(1961) -
Inconsistencies in scheduleof paired comparaisons,
BiometrikaVol
48,
pp 303-312.VIDAL
C.,
YEHIA ALCOUTLABI A.(1990) -
Méthode d’aide à la décision surdes évaluations