Durabilités et Gouvernance
viabilité, systèmes décentralisés, hétérarchies,
Durabilités et Gouvernances
Rapporteur: José Halloy (Université Paris Diderot, LIED UMR8236)
Contributeurs: Isabelle Alvarez, Frédéric Amblard (Université Toulouse 1 Capitole, IRIT UMR 5505), Nadia Boukhelifa Sariali (INRA, GMPA UMR782), Cyrille Bertelle (Normandie Université, Le Havre, LITIS EA4180), Jérémie Bosom (Ecole Pratique des Hautes Etudes, CHArt EA4004 – Energisme), José Halloy (Université Paris Diderot, LIED UMR8236), Maud Loireau (IRD, ESPACE-DEV 228), Nathalie Méjean Perrot, Anna Scius-Bertrand (Ecole Pratique des Hautes Etudes, CHArt EA4004 – Energisme), Fabien Tarissan (ENS Cachan, ISP UMR7220.
Mots-clés : durabilité, système Terre, gouvernance, politique, aide à la décision, prospective, climat, énergie, ressources
Introduction
Exemples de réussites
Exemples remarquables de démarche
GIEC : La partie modélisation du GIEC est une démarche qui devrait s’appuyer plus nettement sur une approche systèmes complexes. On peut considérer que le système Terre d’un point de vue geophysique est un système complexe. De plus de nouvelles modélisations en économie prennent en compte la complexité des sociétés humaines. Pour le moment, d’une part, des scientifiques développent des modèles pour le système climatique Terre pour décrire les dynamiques climatiques sur des échelles de temps couvrant des millénaires. D’autre part, en plus de ces modèles issus des sciences naturelles, s’ajoutent des modèles économiques pour estimer la dynamique de l’économie mondiale. Ces deux types de modélisations sont ensuite couplées par les estimations des émissions de gaz à effet de serre. Ces modèles couplés servent alors à élaborer des scénarios qui guident la gouvernance mondiale sur le changement climatique.
Le GIEC n’est pas né au contact des chercheurs des systèmes complexes, pourtant c’est un bel exemple de réussite de travail interdisciplinaires multi-échelle. C’est aussi une réussite du point de vues des science sociales, de la politique et de la gouvernance.
Appels à exemple : e-democratie, outils auto-organisation…
Grandes questions
1. Comment étudier les durabilités des systèmes complexes ?
- Pérennité des sociétés humaines incluses dans le système Terre
- Durabilité des écosystèmes
- Durabilité des systèmes informatiques
2. Quelle gouvernance pour les phases de transitions ?
- Climatiques, énergétiques, des ressources et des territoires
- Économique, politique.
3. Comment intégrer les questions éthiques à différents niveaux ?
- L’éthique de la gouvernance
- L’éthique algorithmique et les systèmes adaptatifs
4. Quelles données, quelle modélisation pour la question de la durabilité et de la gouvernance ?
- Problématiques des données : collecte et recueil participatif
- Modèles : question de la co-construction des modèles, convocation croisés des expertises, co-évolution et modélisation participative.
Autres thèmes pertinents
Du contrôle à la gouvernance multi-niveaux. Du contrôle optimal à la gouvernance mutli-échelles. Intelligence territoriale et développement durable. Épistémologie formelle : des Big Data aux modèles intégrés. Structure et dynamique des réseaux complexes.
Défis
De la donnée au modèle, à la gouvernance et à la durabilité
1. Intégration de tous les acteurs des systèmes dans les questions de durabilité et de gouvernance (via la modélisation comme méthode)
2. Gouvernance de la durabilité et durabilité de la gouvernance
3. Développer des modèles interdisciplinaires multi-niveaux
La gouvernance des systèmes complexes mêlant plusieurs grands enjeux sociétaux (environnement, économie, culturel) dans un contexte de développement durable, implique l’inclusion de connaissances interdisciplinaires (expertises croisées) et multi-niveaux dans les modèles proposés.
L’articulation au sein de mêmes modèles, de connaissances et représentations hétérogènes provenant de disciplines différentes, potentiellement à des niveaux/échelles différents et reposant sur le croisement d’ontologies différentes représente un véritable challenge.
De même, le fait de pouvoir introduire dans ces modèles l’articulation entre différents niveaux pour penser une gouvernance associant le local et le global est essentiel.
La prise en compte de la dynamique du système aux différentes échelles dans les modèles peut permettre une évolution et une adaptation des solutions proposées.
Les modèles développés dans ce cadre peuvent permettre d’identifier des états critiques du système et de mieux comprendre l’importance de certains paramètres du modèle et des leviers d’actions en terme de gouvernance (ex: éco-responsabilité).
Les démarches participatives peuvent en particulier permettre d’inclure dans des modèles co-construits, les points de vue et attendus des acteurs et opérationnels qui sont parties prenantes des systèmes. Elles peuvent également faciliter l’acceptabilité des solutions et l’appropriation de nouveaux dispositifs ou mesures (ex: apprentissage de l’éco-mobilité).
Développer des outils pour la gouvernance de cohortes moyennes
cf. Isabelle Alvarez
4. Tenir compte de l’hétérogénéité des données en volumes, en qualités en types, du manque de données
Dans différents domaines, géographie et territoires, systèmes agri-food, systèmes biologiques, …, le big data n’est pas une réalité mobilisable et les données à disposition sont plutôt hétérogènes en volume, en qualité, elles peuvent être de différentes natures, symboliques ou numériques. Sous un éclairage de durabilité et gouvernance, la coopération entre les Hommes et les modèles est de plus en plus incontournable et dans ce cas tenir compte de données formalisées symboliquement et très hétérogènes est indispensable.
5. Intégrer la connection entre humains, numérique et symboliques
Faire émerger les modèles mentaux détenus par les acteurs nécessite une mise en situation, une interaction entre un système numérique et des informations détenues à un niveau symbolique. Pour cela une interaction visuelle, un travail en visualisation en lien avec les sciences cognitives pour mettre en connection humains et machines est une clé de cette connection.
6. Défis éthiques: l’éthique des systèmes algorithmiques
Les questionnements éthiques autour du numérique diffusent dans toutes les composantes de notre société et à différents niveaux organisationnels. Dans ce contexte, il devient important de définir précisément ce qu’on appelle éthique, ou plus précisément de quel aspect éthique on parle. Car plusieurs notions d’éthique peuvent être associées ou étudiées dans le cadre d’un système algorithmique. À titre d’illustration, les contextes suivants, bien qu’ayant tous des enjeux en terme d’éthique, ne mettent pas en avant la même notion.
Ainsi le système APB (Admission Post-Bac), qui effectue l’affection des lycéens qui viennent d’obtenir le bac dans l’enseignement supérieur, met plutôt en jeu des questions liées à la loyauté (est-ce que les choix opérés par l’algorithme correspondent à ceux annoncés aux utilisateurs ?), à la transparence (le code est-il accessible ?) et à l’intelligibilité (la décision est-elle accompagnée d’une explication des processus de la prise de décision ? cf. aussi les choix algorithmes d’obtentions de prêts par exemple).
Dans le cas des systèmes autonomes en revanche (tels les véhicules autonomes, le trading haute fréquence, les armes létales autonomes, …), c’est plutôt la question de la responsabilité qui est en jeu. En cas d’accident, qui est responsable (propriétaire, le conducteur passif, le concepteur) ? De même, comment déterminer l’échelle de valeurs qui amène à une prise de décision.
Alors que dans le cas des algorithmes de recommandations sur le web, qu’ils soient économiques (Amazon) ou informationnels (Newsfeed de Facebook, média en lignes, …), la question de la diversité devient centrale. Ici il s’agit de savoir quels impacts ont ces algorithmes sur la diversité de l’information disponible et la diversité des choix auxquels ont accès les utilisateurs (voir le débat sur les bulles informationnelles). Se pose alors la question de l’espace de liberté individuelle laissée par ces systèmes de recommandation.
Ainsi, les enjeux de ce défi pourraient être de:
- contribuer à une typologie claire et robuste des différents aspects éthiques qui sont mis en jeu dans le contexte des systèmes algorithmiques
- identifier les critères permettant d’évaluer et de contrôler les différents aspects éthiques d’un système algorithmique.
- étudier les effets de ces algorithmes sur les systèmes dans lesquels ils sont mis en œuvre : un objectif pourrait être de participer à une sorte d’observatoire des impacts des algorithmes dans le domaine de la gouvernance par exemple.
À noter que cette notion d’éthique n’est pas toujours à rechercher au niveau de l’algorithme, mais plutôt du contexte dans lequel il est mis en œuvre ainsi que de la finalité de sa mise en œuvre.
Quelques projets/collectifs en relation :
- TransAlgo
- Axe Pouvoir des algorithmes de la MSH Paris-Saclay
- CERNA
- CCnum
- IEEE Society
- CNIL Ethique et Numérique
7. Co-évolution des modèles et des pratiques / Co-organisation et co-evolution entre l’expertise humaine, les modèles et la politique
L’expert, le modèle et le politique
7.1 Suivi et gouvernance (observatoires)
Le défi consiste à développer des systèmes opérant, qui puissent articuler dispositifs scientifique, technique et organisationnel pour comprendre et documenter les processus relatifs à une question posée par la société sur un territoire, faciliter les discussions et négociations entre acteurs et, in fine, renseigner en préalable les décisions des gestionnaires de territoire.
Le dispositif scientifique articulerait modèle théorique, modèle d’observation et modèle de suivi, et ferait se succéder des séquences recherche et des séquences de suivi. Le modèle théorique décrirait le système en relation avec la question posée sur la base de connaissance scientifique experte ou à dire d’acteurs; le modèle d’observation pointerait et décrirait dans le modèle théorique les observations nécessaires à la compréhension du système et l’étendue spatiale, ou périmètre, dans laquelle elles doivent être opérées; le modèle de suivi sélectionnerait et décrirait dans le modèle d’observation les observations nécessaires et suffisantes pour définir et valider un jeu minimum d’indicateurs et leurs modalités d’acquisition dans le temps. Le dispositif technique assurerait les services d’acquisition, analyse, et pérennisation des données, informations et connaissances. Le dispositif organisationnel organiserait les compétences des opérateurs et fonctions de l’observatoire, garant de la robustesse, répétitivité, maintenance des services rendus.
Le défi serait de construire ces observatoires de telle sorte qu’ils puissent être considérés comme le miroir d’un territoire sous le point de vue de la question posée, et par là même un système complexe opérant, brique de l’édifice du système de décision territorial. Ces observatoires auraient la capacité (scientifique, technique et organisationnelle) de relancer une séquence recherche si les changements détectés sont majeurs et justifient une adaptation de ses modèles.
7.2 Interactions hommes/machines
Si les modèles mathématiques sont fondamentaux pour aider à comprendre ou prendre des décisions pour un système, ils sont toujours une représentation déformée de la réalité et liés à l’état des connaissances à cet instant à différents niveaux. Ils peuvent aussi représenter une formalisation majoritairement admise d’un système ne prenant pas en compte toutes les particularités ou connaissances régionales et locales capitalisées. L’enjeu est de donner la capacité à nos modèles de correspondre, co-évoluer avec les humains afin que des connaissances qui n’ont pas percolé ou qui sont formalisables ou emergent au travers de l’interaction avec le modèle soient prises en compte. Cette co-évolution va permettre de passer du local au global, qui remis en cause par des pratiques locales vont faire évoluer et enrichir le modèle global. Pour faire cela un défi est d’avoir la capacité à mettre en connection des modèles mentaux symboliques, des informations numériques et des simulations d’un système.
Apprentissage visualisation interactifs: la visualisation permet de comprendre mieux et plus vite des données numériques, en s’appuyant sur nos capacités de perception et de cognition et sur nos acquis. C’est une spécialité informatique issu du domaine de l’Interaction Homme-Machine (IHM), et qui s’intéresse principalement à (1) la conception des représentations visuelles efficaces des données; (b) la création des interfaces intuitives et conviviales et des techniques d’interaction pour aider les utilisateurs à mieux comprendre et naviguer dans des grandes masses de données, et (c) l’évaluation de ces techniques et interfaces. Un système de visualisation est interactif s’il permet à l’utilisateur de controller un aspect de la representation, et avoir un retour dans un délais d’interaction acceptable (≈ 100 milliseconds). Coupler la visualisation interactive avec des techniques automatiques tels que l’apprentissage par machine ou l’optimisation multi-critère, permet d’une part, à améliorer les résultats de prediction de ces algorithmes / modèles car on prend en compte les préférences, connaissances et expertise humaine. D’autre part, ces techniques peuvent être déployées pour guider efficacement la recherche d’utilisateurs dans les systèmes de visualisation exploratoire (Boukhelifa et al. 2017).
Schéma
Etat actuel (avec des petits cercles pour symboliser que l’état actuel est la résultante de sous-états) -> permet de définir -> durabilité -> gouvernance (qui modifie l’état et se sert de la durabilité et de l’état antérieur).
Références
Dérioz P. (2012). L’apparence des choses : analyser les paysages pour comprendre les systèmes territoriaux. HDR, Volume 2. UPVD, 371 p.
Fargette, M., Loireau, M. & Libourel, T. (2017-under editing process). Society-environment relationships: a systemic approach of viability. In : Olivier Barrière, Serge Morand, Mohamed Behnassi, Gilbert David, Vincent Douzal, Voyner Ravena Canete, Catherine Prost, Thérèse Libourel, Mireille Fargette, Maud Loireau, Laurence Pascal, Frédérique Seyler (Eds): Co-viability of Social and Ecological Systems. Reconnect Man to the Biosphere in a Global Era of Change, Springer
Hardin G. The tragedy of the commons. Science 1968, 162, 1243–1248.
Ostrom E. Governing the Commons, the Evolution of Institutions for Collective Action; New York, Cambridge UniversityPress, 1990.
Loireau M, Fargette M, Desconnets JC, Habiba Khiari, H. 2017. Observatoire Scientifique en Appui aux GEstionnaires de territoire: entre abstraction OSAGE et réalité ROSELT/OSS. Cas ROSELT/OSS pour la lutte contre la désertification. Numéro spécial « Autour du concept d’observatoire en environnement » de la revue internationale de géomatique – RIG. Eds Hermès, Lavoisier. 30 p. Sous presse.
Schuster P. The commons’ tragicomedy: Self-governance doesn’t come easily. Complexity 2005, 10, 10–12.
N. Boukhelifa, A. Bezerianos, W. Cancino, and E. Lutton. 2017. Evolutionary visual exploration: evaluation of an IEC framework for guided visual search. Evol. Comput. 25, 1 (March 2017), 55-86. DOI: https://doi.org/10.1162/EVCO_a_00161
Notes (restantes)
Intégrer dans les objectifs observatoires: désertification -> disciplines concernées -> dialogues
co-évolution modèles/disciplines humains / modèles/ pratiques
Application en biologie: processus de fermentation alcoolique , explorer les solutions optimales dans un objectif de durabilité
L’identification des arômes dans le vin
Théorie des jeux problèmes d’un petit nombres de joueurs
Petites communautés, tailles finies (cohorte moyenne)
Gouvernance éthique équité, transparence, intégrité
Défis : études de communautés de communautés, hétérogénéité des données, grandes masses de données, traitements des données hétérogènes
Maitrise de la consommation d’énergie, problème du tier de confiance
Gouvernance décentralisée et transparence basée sur le blockchain
10. Modèle
- Modélisation des incertitudes (cf. lien avec l’autre groupe)
- Validité du modèle
- Analyse du modèle
- Robustesse
- Contradiction entre modèles
- (analogie Titanic)
Leave a Reply
Want to join the discussion?Feel free to contribute!