Modélisation et étude par simulation de la dynamique d`opinion des

Modélisation et étude par simulation de la dynamique d’opinion
des agriculteurs confrontés à un possible changement de pratique
-
Durée de l’allocation doctorale : 36 mois
-
Date de recrutement : septembre 2016
-
Encadrant : S. Huet (LISC, Irstea)
-
Directeur de thèse : G. Deffuant (LISC, Irstea)
-
Financement : projet Aspects SociopSychOlogiques du Changement des
agrIculteurs : modélisATION
dynamique
et
étude
Expérimentale
(ASSOCIATIONE) (LISC, Irstea – UBP, LAPSCO – VetAgro Sup) accepté par
la région Auvergne (Août 2015)
-
Lieu : Irstea, LISC, 63170 Aubière, France
-
Bourse : 33 KEuros/an brut
Résumé
Cette thèse se propose d’améliorer les modèles de diffusion de l’agriculture
biologique existants en intégrant à la modélisation de la dynamique des opinions des
agriculteurs les connaissances de la psychologie sociale, les connaissances
expertes de terrain et les données disponibles. Cette nouvelle modélisation
appliquée à une population virtuelle « réaliste » d’agriculteurs permettra de mieux
comprendre comment caractéristiques de l’individu, de son exploitation et de son
milieu social interagissent et explique la résistance au changement que constitue
l’adoption de l’agriculture biologique (moins de 5 % des agriculteurs en France).
Sujet
La recherche à mener dans le cadre de cette thèse porte sur la modélisation
dynamique de population d’individus interagissant entre eux et avec leur
environnement. Ce type de modélisation, appelée « agents » ou « individus-centré »
a démontré son intérêt pour l’étude et la compréhension des dynamiques sociales. Il
souffre toutefois de faiblesses pointées par les états de l’art en la matière »
(Heckbert, Baynes, & Reeson, 2010; Nolan, Parker, Van Kooten, & Berger, 2009)
(Smajgl & Barreteau, 2014) (Birkin & Wu, 2012; Bousquet & Le Page, 2004;
Matthews, Gilbert, Roach, Polhill, & Gotts, 2007; Parker, Manson, Janssen,
Hoffmann, & Deadman, 2003; Verburg, Schot, Dijst, & Veldkamp, 2004). Il est très
demandeur en données, tant pour sa paramétrisation que pour sa validation.
L’insuffisance de données nécessaires au développement de cette approche
entraîne de fréquents problèmes de calibration des paramètres de ces modèles
complexes et une absence de validation de ses résultats. Les modélisations
« agents », comme beaucoup de modélisations dynamiques en sciences humaines
1
souffrent par ailleurs d’un manque de lien avec les scientifiques des sciences
humaines et du terrain, notamment pour l’élaboration et la validation de leurs
hypothèses sur les dynamiques interpersonnelles (Lamine & Bellon, 2009; Mason,
Conrey, & Smith, 2007; Smith & Conrey, 2007; Sobkowicz, 2009).
L’objectif de cette thèse est d’améliorer un modèle existant de la diffusion de
l’agriculture biologique en l’appuyant davantage sur les connaissances en
psychologie sociale, et en intégrant plus finement les connaissances expertes
de terrain et les données disponibles. Elle se déroulera au Laboratoire
d’Ingénierie pour les Systèmes Complexes (LISC) d’Irstea. Ce laboratoire est doté
d’une solide expérience en matière de modélisation « agents » pour les systèmes
sociaux, et plus particulièrement pour l’étude de la conversion à l’agriculture
biologique. Une collaboration avec le LAboratoire de Psychologie Sociale et
COgnitive (LAPSCO) de l’UBP et l’UMR Metafort de VetAgroSup autour de cas
d’étude sur la conversion à l’agriculture biologique devrait permettre d’atteindre ces
objectifs.
Les améliorations du modèle viseront à répondre à la question « Pourquoi les
agriculteurs n’adoptent-ils pas une innovation qui leur profiterait et profiterait à la
collectivité ? ». L’étudiant en thèse s’attachera à : (1) prendre en compte les résultats
des travaux de recherche en matière d’influence sociale, de dynamique de
l’engagement et de traitement des informations à apprendre relative à un
changement pour améliorer les modèles existants ; (2) étudier le modèle de
simulation pour comprendre comment les hypothèses sur les comportements
individuels affectent la dynamique globale de la population ; (3) évaluer ces
hypothèses en fonction de la conformité des comportements aux données et
expertise disponibles.
Cette nouvelle modélisation appliquée à une population virtuelle « réalistes »
d’agriculteurs permettra de mieux comprendre comment caractéristiques de
l’individu, de son exploitation et de son milieu social interagissent, d’autant plus que
le modèle s’attachera à prendre en compte la disparition des agriculteurs les plus
âgés et l’arrivée de nouveaux. La population sera bâtie à partir de données
statistiques agricoles et de la connaissance du terrain en utilisant les méthodes de
génération de telles populations mises au point au LISC au cours des projets
européens IMAGES et PRIMA. Il s’agira notamment de :
-
-
Générer la population d’exploitants et d’exploitations agricoles à partir des
prototypes du RICA (Réseau d’Information Comptable Agricole) donnant des
exploitations types, du Recensement Général Agricole et de la connaissance
experte de l’agronome de Metafort ;
Générer le réseau relationnel des individus sur la base des enquêtes ;
Attribuer aux individus de leurs opinions initiales, de leurs normes initiales et de
leur valeurs sur la base des enquêtes et du modèle de (Schwartz, 1992).
Une fois la population construite, la dynamique des individus sera ajoutée de façon à
pouvoir les faire évoluer dans le temps. Des modèles dynamiques issus des travaux
en psychologie sociale existent pour ce qui concerne l’appréhension des
connaissances (Mosler, Schwarz, Ammann, & Gutscher, 2001) (Huet, Deffuant, &
Dubois, 2007). Des couplages de ces modèles aux travaux existants (Deffuant,
2
Huet, et al., 2002; Deffuant, Skerrat, & Huet, 2008) (Deffuant, Huet, & Amblard,
2005) seront proposés et comparés. De même, des couplages seront proposés pour
incorporer les résultats du volet socio-anthropologique du projet dans lequel s’inscrit
cette thèse sur les effets du lien normes-valeurs sur les comportements individuels.
La transposition des concepts, outils d’analyse de la psychologie sociale et culturelle
pour la modélisation dynamique est une difficulté à surmonter. Il s’agit par exemple
de déterminer comment traduire la force d’un argument dans le cadre de la
modélisation dynamique. Celle-ci est généralement contrôlée dans un cadre
expérimental en psychologie sociale (voir par exemple (Park, Levine, Kingsley
Westerman, Orfgen, & Forreger, 2007)) sous la forme de sélection d’arguments
jugés « forts » ou « faibles » pour une population de participants à une expérience.
Dans le cadre de la modélisation dynamique, les individus virtuels que sont les
« agents » changent et leur appréciation du niveau de force d’un argument peut de
même changer.
La disponibilité de données, les enquêtes et les expériences permettent d’entrevoir
une démarche rigoureuse, rarement menée de génération de population et de choix
de modèles dynamiques via une le processus de calibration (ie trouver la dynamique
qui minimise la distance aux données décrivant l’évolution réelle des agriculteurs des
cas d’étude). Les nombreux couplages proposés seront en effet évalués quant à leur
capacité à reproduire les trajectoires d’évolution des agriculteurs observées dans les
cas d’étude. L’étudiant aura pour ce faire recours à des méthodes de calibration des
modèles telles que l’« Automatic Bayesian Computation » (Beaumont, 2010;
Lenormand, Jabot, & Deffuant, 2013) ou la « Particle Swarm Optimization » (Poli,
Kennedy, & Blackwell, 2007). Une telle calibration demeure un enjeu scientifique en
modélisation « agent » (Heckbert et al., 2010; Nolan et al., 2009).
Le modèle sera in fine étudié de façon à mieux appréhender l’évolution de l’opinion
face à une ou des propositions de changement de pratique. Il s’agit notamment de
mieux comprendre sur quels éléments elle se fonde (des valeurs, la crédibilité d’une
source, un ensemble de connaissances) pour différents « types » de propositions de
changement. Ces propositions varieront quant au moment où elles sont faites à
l’agriculteur et dans leur forme. La forme correspond à un mode d’exposition à
l’information relative au changement. Ces modes sont des modes observés dans les
études de terrain : article de journal, information délivrée par un pair, proposition par
une coopération laitière, proposition d’un diagnostic de conversion par l’institution en
charge de la diffusion de l’agriculture biologique, proposition par un scientifique
agronome.
Le modèle dynamique générique construit en collaboration et confronté aux données
du cas d’application représentera un progrès par rapport aux travaux réalisés sur la
modélisation de la conversion à l’agriculture biologique des exploitants de l’Allier
(Deffuant, Huet, et al., 2002; Huet & Deffuant, 2001), et plus largement de l’adoption
des mesures agri-environnementales (projet Européen Images 1998-2001). Portant
sur une échelle plus petite et un nombre d’agriculteurs plus faibles, il devrait
permettre de mieux comprendre et étudier l’impact et la dynamique des valeurs
morales et des réseaux sociaux d’agriculteurs sur la perception et la connaissance
de l’agriculture biologique.
3
Valorisation
Deux à quatre publications dans des revues scientifiques à comité de lecture sont
envisagées de même que deux à quatre présentations lors de conférences en vue
dans chacun des domaines de recherche associés à ce projet. Les revues
envisagées sont JASSS, PLOS, ACS. Les conférences ciblées sont Europeen
Conference of Complex System (ECCS), Social Simulation Conference (SSC),
International Conference of Autonomous Agent and Multi-Agent Systems (AAMAS).
Calendrier prévisionnel
1ère année
 Construction de la population virtuelle du modèle à partir de prototypes RICA
et du Recensement Général de l’Agriculture et des réseaux sur une base
d'expertise
 Participation aux réunions de projet et à quelques enquêtes de terrain
 Construction de la dynamique des individus – formalisation et étude des
premiers couplages sur travaux existants et appréhension de la connaissance
2ème année
 Construction de la dynamique des individus – formalisation et étude de
nouveaux couplages portant sur l’introduction du lien normes-valeurs (fin du
traitement des couplages formalisés en 1ère année)
 Participation aux réunions de projet
3ème année
 Etude du modèle global
 Rédaction de thèse
 Participation aux réunions de projet
Environnement
de la thèse et établissement d’accueil : Le laboratoire
d’Ingénierie pour les Systèmes Complexes (LISC) est une unité de recherche Irstea
(Institut national de Recherche en Sciences et Technologies pour l’Environnement et
l’Agriculture). Il se situe sur le campus des Cézeaux à Aubière. Il se compose de 9
chercheurs et ingénieurs permanents et accueille actuellement 5 étudiants en thèse.
Cette thèse en sciences pour l’ingénieur (modélisation informatique) s’inscrit dans le
cadre d’un projet interdisciplinaire de simulation de la dynamique des opinions des
agriculteurs. Le projet mobilise plusieurs laboratoires s’inscrivant dans différents
domaines de recherche (psychologie sociale, agronomie) avec lequel l’étudiant devra
collaborer.
Référent : Guillaume Deffuant, Directeur du LISC, Directeur de Recherche, Habilité à
Diriger des Recherches, Ecole Doctorale Sciences pour l’Ingénieur (ClermontFerrand)
Contexte du travail de thèse et encadrement : Guillaume Deffuant et Sylvie Huet,
Ingénieur de Recherche au LISC, Ingénieure du CNAM titulaire d’un Doctorat en
Informatique (EDSPI Clermont-Ferrand) pour les aspects modélisation et simulation ;
4
Isabelle Boisdon pour les aspects terrain et notamment la réalisation d’enquêtes
auprès des agriculteurs.
Ces deux encadrants ont largement contribué au sein du Laboratoire d’Ingénierie
pour les Systèmes Complexes (LISC) d’Irstea au développement de la modélisation
« agents ». Leurs travaux en matière de modélisation des dynamiques d’opinion ont
été réalisés tant aux niveaux théorique qu’applicatif. Leurs travaux théoriques ont fait
l’objet de nombreuses publications et ont donné lieu a plus de 1200 citations
(Deffuant, 2006; Deffuant, Amblard, Weisbuch, & Faure, 2002; Deffuant, Neau,
Amblard, & Weisbuch, 2001; Deffuant & Weisbuch, 2007; Huet & Deffuant, 2010;
Huet, Deffuant, & Jager, 2008 d) (Castellano, Fortunato, & Loreto, 2009; Galam,
2008; Lorenz, 2007; Sobkowicz, 2009; Sznajd-Weron, 2005). Leurs travaux
applicatifs dédiés à l’étude de la diffusion de l’innovation, notamment ceux
s’intéressant à la décision de conversion en agriculture biologique sont proches de la
« Theory of Planned Behaviour » (I. Ajzen, 2001) (Icek Ajzen, 2011). Ils se situent en
bonnes places parmi les rares travaux du même type relatifs à cette thématique
(Deffuant, Huet, et al., 2002; Deffuant et al., 2008) (Mosler et al., 2001) (Huet et al.,
2007) (Deffuant et al., 2005) (Kaufmann, Stagl, & Franks, 2009). Ils ont plus
récemment réalisé des travaux applicatifs de développement d’un modèle de
simulation de la démographie dans le rural (Huet et al., 2012 ; Huet, Lenormand,
Deffuant, & Gargiulo, 2013), et proposé de nouveaux algorithmes pour la génération
de population virtuelle dotée des bonnes propriétés statistiques (Gargiulo,
Lenormand, Huet, & Baqueiro Espinosa, 2011; Gargiulo, Ternès, Huet, & Deffuant,
2010; Lenormand & Deffuant, 2012 ; Lenormand, Huet, & Gargiulo, 2014). De même,
des travaux ont été réalisés pour la calibration de modèles « agents » complexes tels
que ceux développés dans un cadre applicatif : « Automatic Bayesian Computation »
(Beaumont, 2010; Lenormand et al., 2013).
Ces travaux devraient servir de base à la thèse qui participera à leur amélioration.
Bibliographie :
Ajzen, I. (2001). Nature and Operation of Attitudes. Annual Rewiew of
Psychology(52), 27-58.
Ajzen, I. (2011). Theory of planned behavior. Handb Theor Soc Psychol Vol One, 1,
438.
Beaumont, M. A. (2010). Approximate Bayesian computation in evolution and
ecology. Annual Review of Ecology, Evolution, and Systematics, 41, 379-406.
Birkin, M., & Wu, B. (2012). A review of Microsimulation and Hybrid Agent-Based
Approaches. In A. J. Heppenstall, A. T. Crooks, L. M. See & M. Batty (Eds.),
Agent-Based Models of Geographical Systems (pp. 51-68): Springer.
Bousquet, F., & Le Page, C. (2004). Multi-Agent Simulations and Ecosystem
Management: a review. Ecological Modelling, 176, 313-332.
Castellano, C., Fortunato, S., & Loreto, V. (2009). Statistical physics of social
dynamics. Reviews of Modern Physics, 81(2), 591-646.
5
Deffuant, G. (2006). Comparing Extremism Propagation in Continuous Opinion
Models. Journal of Artificial Societies and Social Simulation, 9(3).
Deffuant, G., Amblard, F., Weisbuch, G., & Faure, T. (2002). How can extremism
prevail ? A study based on the relative agreement interaction model. Journal
of Artificial Societies and Social Simulation, 5(4).
Deffuant, G., Huet, S., & Amblard, F. (2005). An individual-based model of
innovation diffusion mixing social value and individual payoff dynamics.
American Journal of Sociology, 110 (January)(4), 1041-1069.
Deffuant, G., Huet, S., Bousset, J. P., Henriot, J., Amon, G., & Weisbuch, G. (2002).
Agent-based simulation of organic farming conversion in Allier département.
In M. A. Janssen (Ed.), Agent-based simulation of organic farming conversion
in Allier département (pp. 158-187). Cheltenham, UK - Northampton, USA:
Edward Elgar Publishing Limited.
Deffuant, G., Neau, D., Amblard, F., & Weisbuch, G. (2001). Mixing beliefs among
interacting agents. Advances in Complex Systems(3), 87-98.
Deffuant, G., Skerrat, S., & Huet, S. (2008). An agent based model of agrienvironmental measure diffusion: what for? In A. Lopez Paredes & C.
Hernandez Iglesias (Eds.), Agent Based Modelling in Natural Resource
Management (pp. 55 - 73). Universidad de Valladolid: INSISOC.
Deffuant, G., & Weisbuch, G. (2007). Probability distribution dynamics explaining
agent model convergence to extremism. In B. Edmonds, C. Hernandez & K. G.
Troitzsch (Eds.), Social Simulation. Technologies, Advances, and New
Discoveries (pp. 43-60): Information Science Reference, Hershey, USA.
Galam, S. (2008). Sociophysics: A review of Galam models.
Gargiulo, F., Lenormand, M., Huet, S., & Baqueiro Espinosa, O. (2011). Commuting
network model: going to the bulk. JASSS, 15.
Gargiulo, F., Ternès, S., Huet, S., & Deffuant, G. (2010). An Iterative Approach for
Generating Statistically Realistic Populations of Households. PLoS One, 5(1),
9. doi: e8828.
Heckbert, S., Baynes, T., & Reeson, A. (2010). Agent-based modeling in ecological
economics. Annals of the New York Academy of Sciences, 1185(1), 39-53.
doi: 10.1111/j.1749-6632.2009.05286.x
Huet, S., & Deffuant, G. (2001). Calcul de l'impact économique de la conversion à
l'agriculture biologique : projet IMAGES, modèle Allier Conversion à
l'agriculture biologique (Vol. Rapport du projet Européen IMAGES, pp. 77):
Cemagref.
Huet, S., & Deffuant, G. (2010). Openness leads to opinion stability and narrowness
to volatility. Advances in Complex Systems, 13(3), 405-423.
Huet, S., Deffuant, G., & Dubois, E. (2007). Primacy effect and interactions in an on-
line attitude processing model. Paper presented at the EUROG 2007, Delphi,
Greece.
6
Huet, S., Deffuant, G., & Jager, W. (2008 d). Rejection Mechanism in 2D Bounded
Confidence Provides More Conformity. Advances in Complex Systems, 11(4),
1-21.
Huet, S., Dumoulin, N., Deffuant, G., Gargiulo, F., Lenormand, M., Baqueiro
Espinosa, O., & Ternès, S. (2012). Micro-simulation model of municipality
network in the Auvergne case study. In P. W. paper (Ed.), (pp. 63). Aubière,
France: IRSTEA.
Huet, S., Lenormand, M., Deffuant, G., & Gargiulo, F. (2013). Parameterisation of
individual working dynamics. In A. Smajgl & O. Barreteau (Eds.), Empirical
Agent-Based Modeling: Parameterization Techniques in Social Simulations
(Vol. Vol. 1, The Characterisation and Parameterisation of Empirical AgentBased Models, pp. 22, p. 133-169): Springer Heidelberg.
Kaufmann, P., Stagl, S., & Franks, D. W. (2009). Simulating the diffusion of organic
farming practices in two New EU Member States. Ecological Economics,
68(10), 2580-2593. doi: http://dx.doi.org/10.1016/j.ecolecon.2009.04.001
Lamine, C., & Bellon, S. (2009). Conversion to organic farming: a multidimensional
research object at the crossroads of agricultural and social sciences. A review.
Agronomy for Sustainable Development, 29(1), 97-112. doi:
10.1051/agro:2008007
Lenormand, M., & Deffuant, G. (2012). Generating a synthetic population of
individuals in households: Sample-free versus sample-based methods.
Journal of Artificial Societies and Social Simulation, 16(4)(12), 15.
Lenormand, M., Huet, S., & Gargiulo, F. (2014). Generating French Virtual
Commuting Network at Municipality Level. Journal of Transport and Land Use,
Accepted. doi: http://dx.doi.org/10.5198/jtlu.v7i1.360
Lenormand, M., Jabot, F., & Deffuant, G. (2013). Adaptive approximate Bayesian
computation for complex models. Comput. Stat., 28(6), 2777-2796.
Lorenz, J. (2007). Continuous Opinion Dynamics Under Bounded Confidence: A
Survey. International Journal of Modern Physics C 18(12), 1819-1838.
Mason, W. A., Conrey, F. R., & Smith, E. R. (2007). Situating Social Influence
Processes: Dynamic, Multidimensional Flows of Influence Within Social
Networks. Personality and Social Psychology Review(11), 279-300.
Matthews, R., Gilbert, N., Roach, A., Polhill, J., & Gotts, N. (2007). Agent-based landuse models: a review of applications. Landscape Ecology, 22(10), 1447-1459.
doi: 10.1007/s10980-007-9135-1
Mosler, H.-J., Schwarz, K., Ammann, F., & Gutscher, H. (2001). Computer Simulation
as a Method of Further Developing a Theory: Simulating the Elaboration
Likelihood Model. Personality and Social Psychology Review, 5(3), 201-215.
doi: 10.1207/s15327957pspr0503_2
Nolan, J., Parker, D., Van Kooten, G. C., & Berger, T. (2009). An Overview of
Computational Modeling in Agricultural and Resource Economics. Canadian
7
Journal of Agricultural Economics/Revue canadienne d'agroeconomie, 57(4),
417-429. doi: 10.1111/j.1744-7976.2009.01163.x
Park, H. S., Levine, T. R., Kingsley Westerman, C. Y., Orfgen, T., & Forreger, S.
(2007). The Effects of Argument Quality and Involvement Type on Attitude
Formation and Attitude Change: A Test of Dual-Process and Social Judgment
Predictions. Human Communication Research(33), 81-102.
Parker, D. C., Manson, S. M., Janssen, M. A., Hoffmann, M. J., & Deadman, P. (2003).
Multi-Agent Systems for the Simulation of Land-Use and Land-Cover Change:
A Review. Annals of the Association of American Geographers, 93(2), 314337.
Poli, R., Kennedy, J., & Blackwell, T. (2007). Particle Swarm Optimization. An
overview. Swarm Intelligence(1), 33-57. doi: 10.1007/s11721-007-0002-0
Schwartz, S. H. (1992). Universals in the content and structure of values: Theoretical
advances and empirical tests in 20 countries. In M. Z. (Ed.) (Ed.), Advances in
Experimental Social Psychology (Vol. 25, pp. 1-65). Orlando, FI: Academic
Press. .
Smajgl, A., & Barreteau, O. (2014). Empirical agent-based modeling: Challenges and
solutions. Volume 1, The Characterisation and Parameterisation of Empirical
Agent-Based Models (Vol. The Characterisation and Parameterisation of
Empirical Agent-Based Models): Springer.
Smith, E. R., & Conrey, F. R. (2007). Agent-Based Modeling: A New Approach for
Theory Building in Social Psychology Personality and Social Psychology
Review, February(11), 87-104.
Sobkowicz, P. (2009). Modelling Opinion Formation with Physics Tools: Call for
Closer Link with Reality. Journal of Artificial Societies and Social Simulation,
12(1 11), 14.
Sznajd-Weron, K. (2005). Sznajd Model and Its Applications. Acta Physica Polonica B,
36(8), 1001-1011.
Verburg, P. H., Schot, P. P., Dijst, M. J., & Veldkamp, A. (2004). Land Use Modelling:
Current Practice and Research Priorities. GeoJournal, 61, 309-324.
8