ThesisPDF Available

Simulation multi-agent interactive: engager des populations locales dans la modélisation des socio-écosystèmes pour stimuler l’apprentissage social

Authors:

Abstract and Figures

Les travaux que j’ai menés sont engagés : ils ont pour but de renforcer les capacités des acteurs les moins favorisés des socio-écosystèmes à prendre part à des ateliers de concertation multi-acteurs. Ils reposent sur le postulat qu’une concertation effective demande un partage équilibré des différents points de vue des protagonistes. Pour partager des points de vue, il faut que chacun puisse exprimer le sien de manière intelligible pour les autres. En employant une démarche inductive fondée sur des expériences de co-conception dirigée par la simulation interactive de modèles multi-agent de type « empirique stylisé » réalisées avec des acteurs locaux dans des contextes et des domaines d’application très variés (France, Bhoutan, Thaïlande, Cameroun, Zimbabwe), j’ai progressivement dessiné les contours d’une mise en œuvre de la modélisation d’accompagnement qui repose sur les principes méthodologiques suivants : i. constituer un groupe composé de 2-3 chercheurs pour élaborer une ébauche d’un modèle de simulation multi-agent proposant une représentation du système-cible stylisée, volontairement simpliste, et manipulable en mode interactif (les actions des agents sont décidées par les participants), ii. convier un petit groupe d’acteurs locaux à un premier atelier pour « tester » cette version d’amorçage du processus et identifier tous les aspects nécessitant à leurs yeux d’être repris ou intégrés dans le modèle pour que celui-ci constitue une représentation du système-cible permettant de mettre en discussion une problématique formulée collectivement, iii. engager le groupe de co-designers ainsi constitué dans une série d’ateliers de co-construction basés sur le test de la version à chaque fois actualisée du simulateur, iv. utiliser la version finalisée du simulateur au cours d’ateliers co-animés par un groupe réduit de co-designers auxquels sont conviés d’autres types d’acteurs pour « tester » (selon les principes énoncés au point ii) cette version. Je fais l’hypothèse que cette approche, en stimulant l’apprentissage social, favorise l’émergence de formes d’interactions coopératives entre les participants et ouvre ainsi la voie à l’action collective.
Content may be subject to copyright.
Habilitation à
Diriger les
Recherches
présentée par Christophe Le Page,
CIRAD Unité de Recherche Green
Simulation multi-agent interactive:
engager des populations locales dans la modélisation des socio-écosystèmes
pour stimuler l’apprentissage social
Soutenue le 16 mars 2017 devant le jury composé de :
- Mr Alexis Drogoul, rapporteur
- Mr Jacques Ferber, rapporteur
- Mr Paul Leadley, rapporteur
- Mr Jean-Pierre Briot, examinateur
- Mme Françoise Gourmelon, examinatrice
- Mme Amal El Fallah-Seghrouchni, présidente
- Mr François Bousquet, invité
2
Table des matières
1 Introduction ..................................................................................................................................................... 4
2 Contexte: modélisation participative des socio-écosystèmes et apprentissage social ..................................... 5
2.1 Approches des relations Homme-Environnement ................................................................................. 5
2.2 Le socio-écosystème : un objet complexe ............................................................................................. 5
2.3 Apprentissage social .............................................................................................................................. 7
2.4 Modéliser et simuler le fonctionnement des socio-écosystèmes............................................................ 7
2.4.1 Usages des modèles et de la modélisation ......................................................................................... 9
2.4.2 Approches et outils ............................................................................................................................ 9
2.4.3 Dimension participative .................................................................................................................. 11
3 Parcours vers la modélisation d’accompagnement........................................................................................ 12
3.1 Ouverture aux modèles de simulation informatique et aux systèmes multi-agents ............................. 12
3.2 Mobidyc : replacer les thématiciens au cœur de la construction des modèles de simulation .............. 14
3.3 Green : une approche interdisciplinaire des relations entre les Hommes à propos des ressources
renouvelables .................................................................................................................................................... 16
3.4 Cormas, une plateforme pour développer des modèles de simulation multi-agents appliqués à la
gestion des ressources renouvelables ................................................................................................................ 20
3.4.1 Concepts inhérents à la plateforme Cormas .................................................................................... 21
3.4.2 Un module hiérarchique d’entités spatiales génériques................................................................... 21
3.4.3 Premiers modèles développés avec Cormas .................................................................................... 22
3.4.4 Evolution de la plateforme Cormas ................................................................................................. 23
3.5 Sessions de formation « SMA et simulation de systèmes complexes : application à la gestion des
ressources renouvelables » ................................................................................................................................ 23
3.6 ComMod et les jeux de rôles ............................................................................................................... 24
4 Modèles multi-agents appliqués à la gestion des ressources renouvelables .................................................. 27
4.1 Représentation explicite de l’espace .................................................................................................... 27
4.2 Trois types d’interactions .................................................................................................................... 29
4.3 Processus de décision des agents ......................................................................................................... 30
4.4 Applications développées avec Cormas .............................................................................................. 32
5 Une pratique de la modélisation d’accompagnement centrée sur la simulation multi-agent interactive ....... 38
5.1 Positionnement et posture .................................................................................................................... 38
5.1.1 Concevoir pour simuler vs simuler pour concevoir ......................................................................... 39
5.1.2 Endosser les rôles de modélisateur et informaticien pour « concevoir en simulant » de façon
collaborative .................................................................................................................................................. 41
5.2 KISS ou KIDS ? KILT ! ...................................................................................................................... 44
5.2.1 KISS => KILT ! Exemple au Bhoutan ............................................................................................ 46
5.2.2 KIDS => KILT ! Exemple sur le Causse Méjean ............................................................................ 47
5.3 Simulations multi-agents participatives et interactives ........................................................................ 48
5.3.1 Simulation multi-agent et jeux de rôles: qui sont les agents ? ......................................................... 49
5.3.2 Simulation multi-agent participative et recherche en informatique................................................. 50
5.3.3 Un domaine d’utilisation dominé par les sciences de l’éducation ................................................... 51
5.4 Simulation multi-agent interactive avec des acteurs locaux : exemple au Zimbabwe ......................... 53
5.5 Spécifier des agents informatiques avec les acteurs locaux pour explorer des scénarios .................... 56
3
5.5.1 Une suite de jeux de rôles spécifiques : exemple de Ban Mak Mai (Nord-Est Thaïlande) ............. 56
5.5.2 Simulation multi-agent interactive hybride: exemple de Nan (Nord-Thaïlande) ............................ 58
5.5.3 Zoom-arrière à granularité constante : exemple au Cameroun ........................................................ 59
6 Projet de recherche ........................................................................................................................................ 62
6.1 Analyser l’apprentissage social ........................................................................................................... 62
6.1.1 Sessions de formation ComMod comme cadre d’analyse de l’apprentissage social ....................... 63
6.1.2 Dispositifs de simulation multi-agent interactive et apprentissage social ....................................... 63
6.2 Un point de vue multi-plateforme pour stimuler les réflexions méthodologiques sur la simulation
multi-agent ........................................................................................................................................................ 64
6.2.1 Partage et réutilisabilité ................................................................................................................... 65
6.2.2 Tester pour favoriser la réplicabilité................................................................................................ 66
6.3 Modéliser des socio-écosystèmes: de l’échelle du terroir à l’échelle du territoire .............................. 67
7 Conclusion .................................................................................................................................................... 69
Références bibliographiques ................................................................................................................................. 70
Annexe 1 : Curriculum Vitae détaillé ................................................................................................................... 85
Annexe 2 : liste de publications .......................................................................................................................... 105
4
1 INTRODUCT ION
Les travaux de recherche que j’ai menés depuis la soutenance de ma thèse en janvier 1996
représentent une tranche de vie ! Même si la plupart de ces années ont été passées au sein
d’une même unité de recherche (Green) au CIRAD, j’ai vécu différentes périodes du fait des
mouvements de mes collègues et de mes propres expatriations (en Thaïlande d’octobre 2005 à
juillet 2009 et au Brésil depuis août 2015). Difficile dans ces conditions de trouver un fil
conducteur…
Je donne quelques éléments de contexte général sur la modélisation participative appliquée
aux socio-écosystèmes dans le chapitre 2, en explicitant l’objectif spécifique de stimulation
d’apprentissage social.
Le chapitre 3 présente la première partie de mon parcours, jusqu’au début des années 2000
qui ont marqué l’émergence du collectif de chercheurs qui s’est constitué autour de la
modélisation d’accompagnement. Au-delà de la présentation chronologique des éléments
structurants de cette période, je discute d’un certain nombre de points de portée générale à la
lumière de mon expérience et de mes lectures.
Dans le chapitre 4, je donne un point de vue sur les modèles de simulation multi-agent
appliqués à la gestion des ressources renouvelables et propose une classification des
applications que j’ai développées avec la plateforme Cormas.
Le chapitre 5 tente de préciser les grandes lignes dune approche de la modélisation
d’accompagnement qui s’est construite au travers d’expériences de co-conception dirigée par
la manipulation de modèles multi-agent de type « empirique stylisé » réalisées avec des
acteurs locaux dans des contextes et des domaines d’application très variés (France, Bhoutan,
Thaïlande, Cameroun, Zimbabwe). Je fais l’hypothèse que cette approche stimule
l’apprentissage collectif, et en conséquence favorise l’émergence de formes d’interactions
coopératives.
Le chapitre 6, enfin, présente les trois directions de recherche vers lesquelles je m’oriente
pour les prochaines années.
5
2 CONTE XTE: MODELIS ATION PARTI CIPATI VE DES
SOCIO-ECOSYSTEMES ET A PPRE NTISSAGE SOCIAL
2.1 Approches des relations Homme-Environnement
Diverses écoles de pensée ont proposé des approches pour étudier les liens entre la société et
l’environnement, notamment l’écologie politique (Greenberg et Park, 1994), la vulnérabilité
(Turner II et al., 2003), la résilience (Folke, 2006; Folke, 2016) et les communs (Ostrom,
2009; Ostrom et al., 2007). Les cadres d’analyse, auparavant centrés soit sur les systèmes
écologiques, soit sur les systèmes sociaux, ont convergé vers des conceptions et des modèles
holistiques dénommés socio-écosystèmes (Gallopin et al., 1989), systèmes socio-écologiques
(Berkes et al., 1998), systèmes humain et environnemental couplé (Turner II et al., 2003), ou
encore systèmes humain et naturel couplés (Liu et al., 2007). Nous retiendrons ici le terme de
socio-écosystème (SES).
L’approche proposée par Elinor Ostrom (2007; 2009) pour étudier la forme de gouvernance
collective appelée « communs » est ancrée sur une analyse des processus de décision
d’acteurs s’organisant localement pour établir un mode de gestion communautaire des
ressources. Le socio-écosystème est ici vu comme un ensemble de quatre composants en
interaction : un système de ressources (par exemple une aire protégée), des unités de
ressources (les espèces animales et végétales, l’eau), un système de gouvernance (le
gouvernement et les autres organisations qui gèrent l’aire protégée, la réglementation de l’aire
protégée, les procédures d’élaboration de cette réglementation) et enfin des usagers (les
individus qui utilisent les ressources à des fins de subsistance, de loisir, de commerce, etc.).
Les interactions entre ces 4 sous-systèmes produisent des effets qui rétroagissent sur chacun
d’entre eux. Ostrom a identifié et catégorisé un ensemble de facteurs et en a dénombré 10 qui
affectent la possibilité de mise en œuvre d’une gestion auto-organisée, dont le partage de
valeurs morales et éthiques et l’existence de savoirs partagés sur le SES.
L’apprentissage social, dans ce cadre, revêt une importance particulière. Ma recherche s’est
articulée autour de l’idée qu’engager les populations locales dans la modélisation et la
simulation du fonctionnement des SES représentait un moyen de le stimuler.
2.2 Le socio-écosystème : un objet complexe
Chercher à comprendre l’action des humains dans leur milieu en plaçant au cœur de
l’interrogation les interactions dynamiques entre les éléments et la totalité amène à considérer
l’objet d’étude SES comme un système complexe adaptatif. Tels que les a défini John
Holland (1995), les systèmes complexes adaptatifs sont composés d’agents en interaction
6
répondant à des règles. Les agents s’adaptent en ajustant leurs règles en fonction des
expériences qu’ils accumulent. L’auto-organisation du système est la résultante de la
multitude d’interactions des éléments qui le constituent, produisant des dynamiques non-
linéaires difficiles à démêler, et donc à prévoir.
La nature intrinsèquement imprévisible d’un SES constitue une première source d’incertitude,
à laquelle s’ajoute une incertitude de type épistémique liée au manque de connaissances sur le
système étudie (Walker et al., 2003). On peut préciser la nature de ces incertitudes
scientifiques en distinguant les notions de risque (qu’on peut estimer par des probabilités),
d’incertitude (les facteurs influents sont identifiés mais on ne connaît pas les lois de
distribution de leur grandeur), d’ignorance (par nature impossible à prendre en compte a
priori) et d’indétermination (les chaînes causales restant ouvertes, la connaissance peut être
remise en cause sous certaines conditions indéterminées). En marge de ces incertitudes
scientifiques existe un type d’incertitudes sociétales liées au fait que les différents acteurs du
SES auront des points de vue et des opinions spécifiques sur une réalité donnée, exprimant
ainsi des interprétations variées mais toutes légitimes (Brugnach et al., 2008; Dewulf et al.,
2005). Le problème n’est plus alors l’ignorance mais la confusion, les différentes
interprétations apportant de l’ambiguïté.
Beaucoup de travaux s’attachent à essayer de réduire les incertitudes, ce qui correspond à la
fonction attendue de la science. Rien n’interdit cependant de se placer dans une perspective
visant, au contraire, à les reconnaître, à les partager et à se donner les moyens de prendre des
décisions en toute connaissance de cause (Barnaud et al., 2011). Dans des contextes où
l’incertitude est élevée, les démarches post-normales (Funtowicz et Ravetz, 1993) proposent
ainsi une implication large des acteurs dans les processus de décision (cf. Figure 1) en se
donnant les moyens de prendre en charge au mieux les incertitudes de la situation examinée
en commun.
Figure 1 Le diagramme de la science post-normale (d'après Funtowicz et Ravetz, 1993)
7
Depuis le milieu des années 70, le concept de gestion adaptative (Holling, 1978) a évolué
pour faire face aux défis conjoints de l'apprentissage et de la gestion dans les SES (Prell et al.,
2007). Les modèles de simulation figurent en bonne place parmi les approches stimulant
l’apprentissage dans ce cadre (Armitage et al., 2008; Tàbara et Chabay, 2013). La
modélisation d’accompagnement, sur laquelle je reviens largement dans ce mémoire, s’inscrit
dans cette perspective (ComMod, 2005).
2.3 Apprentissage social
L’apprentissage social est devenu un concept central dans les discours sur les problèmes de
gestion liés à la complexité des socio-écosystèmes. La plupart des publications sur ce concept
s’attachent à définir son sens, ou à rendre compte de sa réalisation dans une situation donnée.
Utilisé un peu à toutes les sauces, le développement théorique et pratique du concept est
problématique (Kilvington, 2010; Reed et al., 2010). Dans le domaine de la gestion des
ressources renouvelables, Claudia Pahl-Wostl et Matt Hare (2004) estiment que pour qu'un
ensemble d'acteurs soit à même de s'engager dans l'apprentissage social, il faut renforcer leurs
capacités individuelles à i) prendre conscience des objectifs et des perspectives parfois
différents des uns et des autres; ii) formuler collectivement une question ; iii) comprendre les
interdépendances entre acteurs et la complexité du système de gestion; iv) apprendre à
travailler ensemble et à faire confiance au groupe; créer des relations informelles et formelles.
En s’appuyant sur le concept d’agir communicationnel (Habermas, 1984), les différentes
définitions de l’apprentissage social mettent l’accent sur le rôle du dialogue et de
l’intercommunication entre les membres d’un groupe pour faciliter la perception des
différentes représentations et le développement d’aptitudes collectives de résolution de
problèmes (Daré et al., 2010). Dans cette optique, la dimension relationnelle de
l’apprentissage est essentielle (Bouwen et Taillieu, 2004).
2.4 Modéliser et simuler le fonctionnement des
socio-écosystèmes
La modélisation des SES n'existe pas encore en tant que domaine de recherche structuré avec
une approche unifiée, un cadre méthodologique, des théories et des approches bien définies. Il
s'agit plutôt d'un domaine transversal qui se développe sur la base d’initiatives
pluridisciplinaires où chaque discipline contribue à différents aspects de l'étude de ces
systèmes adaptatifs complexes. Les modèles de SES s'appuient sur les cadres classiques de
modélisation des ressources naturelles en écologie et en économie de l’environnement, en
considérant explicitement les interactions bidirectionnelles entre les systèmes sociaux et
écologiques (cf. Figure 2). Considérant la complexité de l’objet d’étude SES, certains
modélisateurs considèrent qu’une approche purement analytique à base d’équations est moins
8
appropriée qu’une approche algorithmique basée sur une combinaison de mécanismes
conceptuellement simples (Grimm et al., 2005), préconisant l’usage de modèles de simulation
informatique de type multi-agent.
Figure 2. Les cadres conceptuels des communautés travaillant sur la modélisation de la
gestion des ressources renouvelables (d'après Schlüter et al., 2012)
Pour dresser un panorama des approches et outils existant dans le domaine, il n’est pas inutile
de préciser quelques notions, qui, souvent, sont malencontreusement confondues. La mise en
œuvre d’un processus de modélisation d’un SES est fortement dépendante du contexte
politique, culturel, écologique, économique et social, susceptible d’évoluer lors de sa
réalisation (sous son influence ou pas). Sélectionnée au démarrage d’un processus en regard
de son objectif affiché, lapproche s’appuie sur des outils et définit la façon dont sont utilisés
ces outils. L’outil, lui, est une technique particulière (un modèle de simulation informatique
de type multi-agent, un protocole d’enquête, …) dont l’usage dans la mise en œuvre du
processus est cadré par l’approche sélectionnée. Une même approche (par exemple la
modélisation d’accompagnement) ne sera pas mise en œuvre de la même manière selon le
contexte dans lequel se déroule le processus. L’usage du type d’outil privilégié par une
approche peut donc prendre des formes variées, d’autant que, c’est bien connu, quand on tient
en main un marteau, tout ressemble à un clou
1
.
Pour mieux s’y retrouver, avant de parler d’approches et d’outils, il conviendrait donc de
préciser l’objectif du processus de modélisation, qui souvent se confond avec l’objectif du
modèle dans le cadre de ce processus.
1
« To a man with a hammer, everything looks like a nail » (Mark Twain)
9
2.4.1 Usages des modèles et de la modélisation
Franck Varenne (2013) propose une classification générale des objectifs pouvant être assignés
aux modèles basée sur cinq types : i) faciliter une observation, une expérience ou une
expérimentation ; ii) faciliter une présentation intelligible ; iii) faciliter une théorisation ; iv)
faciliter la médiation entre discours autour d’un phénomène (faciliter la formulation du
questionnement et non celle de la réponse) ; v) faciliter la décision (déterminer un type
d’action préétabli). En détaillant les différentes options identifiées à l’intérieur de ces
catégories, il aboutit à une vingtaine de formulations différentes. Epstein (2008), outre la
prédiction, recense quant à lui 16 raisons distinctes de développer des modèles dans le cadre
de l’étude des relations entre une société et son environnement.
Considérant plus spécifiquement la modélisation participative, Matt Hare (2011) identifie les
trois catégories suivantes : i) prise de décision directe (une décision de gestion sera prise à la
suite du processus ; ii) apprentissage social ; iii) amélioration du modèle (plus précis, mieux
accepté par les parties prenantes, intégrant mieux les perspectives intersectorielles).
C’est un objectif d’apprentissage social qui a guidé mes recherches vers la proposition d’une
approche basée sur la simulation multi-agent interactive, que je détaille au chapitre 5. Comme
on a trop souvent tendance à oublier de mentionner l’objectif recherché quand on présente une
approche de modélisation, je propose de lui accoler un acronyme, KILT (Keep It a Learning
Tool !), qui se réfère à l’usage de l’outil et non pas à une de ses caractéristiques, en
l’occurrence le degré de simplification/réalisme comme c’est le cas pour les credo KISS (Keep
It Simple, Stupid) et KIDS (Keep It Descriptive Stupid) qui font l’objet de discussions au sein
de la communauté des modélisateurs de SES, sur lesquels je reviendrai pour positionner
l’approche KILT.
2.4.2 Approches et outils
Kelly et ses collègues (2013) comparent cinq approches de modélisation (en fait des types de
modèles) pour la gestion et l’évaluation intégrées de l’environnement : la modélisation
systémique dynamique (system dynamics), les modèles de simulation multi-agent, les modèles
à base de connaissance ou systèmes experts, les réseaux bayésiens, et enfin les systèmes basés
sur le couplage de modèles. Ces auteurs proposent un arbre de décision pour sélectionner
l’approche la plus appropriée. Le premier critère de sélection est le but recherché : prévision,
prédiction, aide à la décision en situation d’incertitude, amélioration de la compréhension du
fonctionnement du système, apprentissage social. Les modèles de simulation multi-agent
permettent de répondre aux deux derniers, de manière exclusive lorsque le focus est mis sur
les interactions entre acteurs et leurs effets sur le SES.
Certaines approches combinent des outils de type différent. Ainsi, récemment, un modèle
multi-agent a été associé à un réseau bayésien pour simuler le fonctionnement d’un SES dans
le désert de Sonora (Mexique) (Pope et Gimblett, 2017; Pope et Gimblett, 2015). Une autre
étude présente un système de simulation hybride associant modèle multi-agent et système
10
dynamique pour explorer par simulation le processus d’eutrophisation des lacs, travaillant sur
un SES archétypique (Martin et Schlüter, 2015).
Dans mon cas, le choix s’est assez naturellement porté sur les modèles de simulation multi-
agent, du fait de mes rencontres lors des premières étapes de mon parcours (cf. section 3.1),
de la facilité d’appréhension par les acteurs locaux du leur formalisme de représentation des
connaissances, et enfin du fait de la facilité à les utiliser de manière participative (en
déléguant aux participants les décisions des agents informatiques, cf. section 5.3).
Dans le champ de la recherche en écologie, certains modélisateurs (Railsback et Grimm,
2011) considèrent que les termes « individual-based modeling » et « agent-based modeling »
peuvent être employés indifféremment. Le protocole « Overview-Design-Details » (ODD) est
ainsi présenté par ses auteurs comme un standard adapté à la description du type de modèles
regroupant ces deux appellations (Grimm et al., 2006). Si l’usage du premier terme est
particulièrement répandu dans le domaine de l’écologie, le second serait davantage employé
en économie et dans les sciences sociales (MacPherson et Gras, 2016). Pour d’autres
écologues, le terme agent devrait être utilisé de manière plus restrictive pour désigner des
entités cherchant spécifiquement à atteindre un but, sélectionnant parmi une palette d’actions
possibles celle qui leur permet de s’en rapprocher (Roughgarden, 2012). Cette vision ramène
à la définition proposée initialement par les informaticiens (Ferber, 1995). Un agent, au sens
entendu ici, peut représenter des entités de nature très diverse, un exemple frappant étant celui
du simulateur RIVAGE qui représente le processus de ruissellement et d’infiltration avec des
agents « boule d’eau » (Servat et al., 1998).
Dans certaines communautés de recherche, notamment celle qui étudie les dynamiques de
changement d’occupation du sol, on met en avant l’intérêt de combiner ces 2 approches au
sein d’un même modèle. C’est par exemple le cas de travaux récents portant sur une zone
rurale écossaise qui explorent conjointement les impacts de mesures politiques sur les
décisions d’agriculteurs et les changements de couvert végétal associés (simulés avec un
modèle multi-agent), et les effets de ces changements sur la biodiversité et les services
écosystémiques mesurés en utilisant un modèle individus-centré représentant la dynamique
d’une population d’alouettes (Guillem et al., 2015). Le modèle qui fait l’objet d’une
présentation détaillée à la section 5.5.3 de ce mémoire entre dans cette catégorie, avec un
module individus-centré simulant la dynamique d’une espèce d’antilopes chassée par les
villageois (les agents du modèle).
De manière plus pragmatique, on peut considérer qu’un acteur d’un système socio-écologique
est assez « naturellement » représentable sous la forme d’un agent informatique. Avec le
développement récent d’une science socio-écologique, les modèles de simulation
informatique les plus utilisés dans ce champ de recherche en émergence sont de type multi-
agent. Des réseaux tels que CoMSES (Computational Modeling for SocioEcological Science)
se sont constitués. La principale initiative de ce réseau est le portail openABM qui propose
une bibliothèque de modèles de ce type. Une version du protocole ODD plus adaptée à la
description des décisions humaines a été publiée (Müller et al., 2013).
11
2.4.3 Dimension participative
La dimension participative est désormais omniprésente dans le domaine de la modélisation
des SES. Le cadre législatif évolue, avec notamment des directives européennes qui
contraignent gestionnaires et décideurs politiques à davantage impliquer les parties prenantes.
Les agences de financement de la recherche emboîtent le pas, et incluent dans la liste des
critères de recevabilité des projets aux appels d’offre la présence des « porteurs d’enjeux »
dans le consortium. La motivation première est de faire « mieux » dans l’usage des modèles
en appui direct à la gouvernance (élaboration de politiques et aide à la décision). L’aide à la
décision appelle l’interaction étroite avec les personnes liées –d’une façon ou d’une autre- à
cette décision : celles qui la prennent (les « décideurs ») et celles dont l’activité est liée à
l’objet de la décision (les « acteurs »).
Olivier Barreteau et ses collègues (Barreteau et al., 2013; Barreteau et al., 2010) proposent de
classer les approches de modélisation participative selon le degré d’implication des parties
prenantes aux différentes étapes du processus de modélisation, le contrôle du flux
d'information entre les participants et le degré d’hétérogénéité dans les interactions entre
participants. L’apprentissage social serait stimulé par une implication forte (co-construction
du modèle et contrôle de son utilisation) et régulière (aux étapes de diagnostic préliminaire,
de design et de discussions des résultats) au sein de groupes regroupant différents types de
participants.
Cette dernière dimension est stratégique. Dans des SES au sein desquels les asymétries de
pouvoir sont fortes, l’approche que je décris au chapitre 5 consiste dans un premier temps à
positionner les acteurs les moins favorisés en co-designers d’un outil de simulation multi
agent. Cet outil, qu’ils auront eu le temps de s’approprier, va être introduit dans un deuxième
temps auprès des autres types d’acteurs du socio-écosystème étudié, et servir de vecteur de
communication destiné à stimuler des co-apprentissages.
12
3 PARCO URS VERS LA MO DELI SATION
DACCO MPAGNEM ENT
La simulation informatique est au cœur de mes activités de recherche depuis mon année de
spécialisation en halieutique, à l’Ecole Nationale Supérieure d’Agronomie de Rennes, en
1988. Je l’ai tout d’abord abordée en tant que technique permettant de reproduire sur un
ordinateur un phénomène physique complexe, à savoir la circulation des masses d’eau de
l’Atlantique Tropical. Il s’agissait de récupérer des données simulées de profondeur de la
thermocline afin de les croiser avec les niveaux de captures des thoniers senneurs océaniques.
Le modèle de circulation générale de l’Atlantique Tropical tournait à l’époque sur un « super-
ordinateur », le Cray 2, hébergé dans les locaux du Centre de Calcul Vectoriel pour la
Recherche de l’Ecole Polytechnique à Palaiseau. Depuis, pour simuler le fonctionnement de
socio-écosystèmes (SES), je manipule des modèles stylisés, ultra-simplifiés, la plupart du
temps coconstruits avec les acteurs locaux dont les activités sont représentées dans ces
modèles. L’objectif n’est plus de prédire, mais de de provoquer des échanges entre
participants, de révéler des points de vue, de partager des représentations, et d’explorer
ensemble des futurs possibles. Ce grand-écart, accompli au cours d’une trajectoire que je
retrace brièvement ici, témoigne de l’évolution au cours de ces 20 dernières années du recours
à l’ordinateur dans les pratiques de modélisation, depuis un usage mathématique de
l’ordinateur (résolution numérique approchée d’un modèle mathématique analytiquement non
soluble) vers un usage computationnel qui fait de l’ordinateur une machine à modéliser au
moyen d’opérations pas à pas sur des symboles (Varenne, 2010).
3.1 Ouverture aux modèles de simulation
informatique et aux systèmes multi-agents
La thèse que j’ai soutenue en janvier 1996 consistait en une exploration par des simulations
informatiques d’une hypothèse d’écologie théorique formulée par mon directeur de thèse, Ph.
Cury. A l’instar des tortues, saumons, et autres espèces du monde animal qui se reproduisent
sur les lieux de leur propre naissance (stratégie du « retour au bercail »), certaines espèces, et
en particulier celles qui doivent faire face à des conditions environnementales fluctuantes -
telles que les poissons pélagiques côtiers subissant de temps à autre l’anomalie climatique « el
niño » qui annihile temporairement le phénomène d’upwelling (remontée d’eaux froides
nourricières)- pourraient rechercher au moment de se reproduire des conditions
environnementales similaires à celles qui prévalaient lors de leur propre naissance (hypothèse
du retour au bercail généralisé). A cette occasion, j’ai développé en utilisant le langage C++
un « laboratoire virtuel » baptisé SeaLab afin de comparer cette hypothèse à l’hypothèse
standard de recherche de conditions environnementales optimales (Le Page et Cury, 1996,
1997).
13
A la même époque, au Laboratoire d’Informatique Appliquée du Centre ORSTOM (pas
encore devenu IRD) de Bondy où j’effectuais ma thèse, François Bousquet et Christophe
Cambier (1994; 1993) développaient SimDelta, un simulateur informatique multi-agent centré
sur l’interaction entre une société et une ressource renouvelable (cas de la pêcherie du Delta
Intérieur du fleuve Niger). A Jussieu, Alexis Drogoul développait également un outil pour
simuler des sociétés, de fourmis dans son cas, baptisé Manta (Drogoul et Ferber, 1992).
Si les simulations informatiques sur lesquelles je travaillais à l’époque ne considéraient pas
d’interactions directes entre les agents ni de ressources renouvelables utilisées par ces agents,
j’ai néanmoins été fortement imprégné de ces travaux pionniers dans le domaine des systèmes
multi-agents (SMA), et je me suis très vite intéressé à la communauté de recherche qui était
en train de se mettre en place.
Organisé par Nigel Gilbert et Jim Doran, un atelier international intitulé « Simulating
Societies: the computer simulation of social phenomena » fut organisé en Angleterre dès
1992, premier d’une série qui allait contribuer à la structuration d’une communauté de
chercheurs s’intéressant à l’usage des systèmes multi-agents pour simuler des sociétés. Dans
les actes publiés en 1994 (Doran et Gilbert), on trouve outre la présentation des travaux
précurseurs associés aux simulateurs SimDelta et Manta (Bousquet, Cambier, Mullon, et al.,
1994; Drogoul et Ferber, 1994) des travaux portant sur l’organisation des sociétés
préhistoriques en lien avec l’usage des ressources naturelles (Doran et al., 1994; Mithen,
1994), un thème pour lequel les simulations multi-agents ont très vite présenté un intérêt qui
ne s’est pas démenti depuis (Cegielski et Rogers, 2016).
Ces travaux, qui visent tous à mieux comprendre les liens entre le devenir d’une société et les
usages par les individus qui la composent des ressources que leur procure le milieu dans
lequel ils évoluent, fondent le développement des modèles de simulation sur des observations
et des connaissances produites en étudiant un système cible spécifique. La construction de tels
modèles empiriques demande une explicitation et une formalisation des connaissances
disponibles. La publication/diffusion de ces modèles et les simulations réalisées en les
utilisant permettent de capitaliser ces connaissances et d’améliorer leur intelligibilité. Lorsque
le processus de modélisation est réalisé de manière participative, il peut en outre contribuer à
l’hybridation des connaissances mobilisées par les différents participants.
Des travaux plus théoriques utilisant les systèmes multi-agents pour simuler des sociétés
datent de cette même période. Le laboratoire virtuel SugarScape de Joshua Epstein et Robert
Axtell (1996a) constitue une référence en la matière. Des agents, dotés de caractéristiques
« génétiques » distribuées de manière hétérogène au sein d’une population, sont en
concurrence pour deux ressources renouvelables (sucre et épice) inégalement réparties sur une
grille spatiale. De nouveaux processus sont progressivement introduits au fil des chapitres
(sexe, échanges culturels, commerce, combat, transmission des maladies, etc.) et les
conséquences induites au sein de cette société artificielle sont mises en perspective avec des
situations observées dans des cas réels. Ces expérimentations sur des mondes virtuels
impliquent une pratique de recherche particulière, qu’Epstein (1999) a qualifié de
« générative », visant à reproduire des patterns à une échelle globale à partir de règles
comportementales appliquées de façon décentralisée à une population d’individus
hétérogènes. Issue du champ des sciences sociales, cette pratique a été popularisée en écologie
14
par Volker Grimm et ses collègues (2005) sous l’appellation de « modélisation orientée-
pattern » qui cherche à décoder l’organisation interne d’un système à partir de l’information
encodée dans des patterns observables à un niveau macroscopique.
Mes travaux de thèse penchaient clairement du côté théorique, avec un laboratoire virtuel
destiné à tester l’efficience au niveau populationnel de stratégies de reproduction appliquées
au niveau individuel. Ils m’ont convaincu que la pratique scientifique générative de
l’approche « bottom-up » était pertinente. Imprégné dans le même temps d’applications plus
ancrées dans des situations contextualisées/spécifiques/empiriques, j’ai alors perçu qu’on
avait généralement tendance à opposer la modélisation empirique à visée descriptive -qui
propose une représentation réaliste de SES au travers de modèles complexes- à la
modélisation théorique à visée générique qui propose une représentation schématique de
situations stylisées. Je défends désormais l’idée qu’une voie intermédiaire rapprochant ces
deux approches plutôt que ne les opposant convient parfaitement à la mise en œuvre de
processus de modélisation participative destinés à accompagner des groupes d’acteurs locaux
pour penser la gestion adaptative des socio-écosystèmes. Dans le 5ème chapitre de ce mémoire,
je décris la mise en œuvre des processus de modélisation d’accompagnement à partir desquels
cette conviction s’est progressivement forgée.
3.2 Mobidyc : replacer le s thématicien s au cœur de
la construction des modèles de simulation
Au printemps 1996, je suis arrivé à la station d’hydrobiologie lacustre de l’INRA à Thonon-
les-bains, pour épauler Vincent Ginot dans son projet de développer le simulateur Mobidyc
(Modélisation Basée sur les Individus pour la Dynamique des Communautés). L’objectif était
de proposer un outil pour créer, manipuler et modifier des modèles dédiés à la dynamique des
peuplements piscicoles qui puisse facilement être utilisé par des biologistes non-spécialistes
de la modélisation. A ce moment-là, j’avais travaillé depuis une dizaine d’années sur la
thématique de l'exploitation des ressources vivantes aquatiques, et j’avais appris la
programmation informatique pour les besoins de mes travaux de thèse. Le choix de Vincent
de recruter un thématicien qui s’était frotté à la programmation informatique plutôt qu’un
informaticien n’était pas neutre. Les principes de fonctionnement de l’outil et les
fonctionnalités proposées devaient être en adéquation avec les attentes et la « façon de
penser » des utilisateurs potentiels.
L’idée de développer un outil générique était à l’époque novatrice. Tous les simulateurs
mentionnés dans la section précédentes avaient été codés from scratch. Le développement de
la première plateforme multi-agent à avoir connu une certaine popularité, Swarm, venait à
peine de débuter en Californie (Minar et al., 1996), après que Chris Langton eut lancé un
nouveau champs de recherche baptisé « Artificial Life » (Langton, 1989). Au même moment,
des travaux commençaient à faire état du développement d’outils génériques à base d’agents
applicables au domaine de la gestion des ressources renouvelables (Anderson et Evans, 1994),
mais les communautés d’utilisateurs de ces outils n’étaient pas encore structurées.
15
La plateforme Mobidyc a été conçue dans l’idée d’affranchir l’utilisateur de tout codage en
langage informatique, en proposant des interfaces de manipulation de « briques »
élémentaires (Ginot et Le Page, 1998; Ginot et al., 2002). Un ensemble de primitives
comportementales est proposé afin de composer les fonctions biologiques (reproduction,
croissance, mortalité naturelle, prédation) ainsi que les règles de déplacements des agents
« poisson ».
Mes travaux ont plus particulièrement porté sur l’architecture de la plateforme, sur les
fonctionnalités de représentation de l’espace et d’observation des simulations. Ainsi, j’ai
implémenté la notion de « point de vue » permettant de spécifier, sauvegarder, modifier -via
une interface dédiée- différentes façons d’observer une simulation (cf. Figure 3). Un éditeur
d’inégalités sur les attributs d’une classe permet à l’utilisateur de combiner des conditions et
d’associer à ces combinaisons une forme et une couleur.
Figure 3 Interface de définition de points de vue de la plateforme Mobidyc
Les principes de cet « observatoire » ont été par la suite repris dans la plateforme Cormas. Ce
fut également le cas du « magnétoscope », basé sur un système d’enregistrement automatique
des « états du monde simulés », qui permet de faire avancer le déroulement de la visualisation
pas-à-pas, de revenir en arrière, d’aller directement à la fin.
Lorsque la première version de la plateforme Mobidyc a été produite, j’ai réalisé un premier
test d’opérationnalité en -implémentant le modèle que j’avais développé au cours de ma
thèse (cf. Figure 4). Lorsqu’à la fin de mon séjour à Thonon-les-Bains j’ai rejoint l’unité de
recherche Green, une de mes premières activités pour prendre en main la plateforme Cormas,
dont Innocent Bakam peaufinait la première version, fut de reprogrammer à nouveau
SeaLab… Quelques années avant que le problème de la réplicabilité des modèles multi-
16
agents ne prenne une ampleur importante (j’y reviens dans ce mémoire, cf. section 6.2.2), j’ai
donc expérimenté la vertu de cet exercice…
Figure 4 Vue de la réimplémentation de SeaLab avec Mobidyc
Mobidyc a été conçu pour faciliter la construction de modèles de biologie des populations de
poissons sans représentation explicite d’agents « pêcheur » aux comportements plus élaborés
que ceux, réactifs, des agents « poisson ». En rejoignant l’unité de recherche Green du
CIRAD à l’automne 1997, j’allais avoir l’occasion de développer des modèles dans lesquels
les agents représentent les acteurs des SES étudiés.
3.3 Green : une approche interdisciplinaire d es
relations entre les Hommes à propos des
ressources renouvelables
Jacques Weber a créé l’unité Green au CIRAD en juillet 1993 en proposant une approche
interdisciplinaire pour aborder le thème de la gestion des ressources renouvelables. En
définissant l’environnement comme constitué de ce qui n'appartient à personne en particulier
(Weber et Bailly, 1993), l’accent est mis sur les relations entre les Hommes à propos des
ressources renouvelables (Weber, 1995), formule inspirée par les pensées philosophiques
d’Auguste Walras qui jeta les bases de l’économie scientifique au milieu du XIXème siècle
2
.
2
« [la méthode scientifique consiste à] observer la nature et adopter les divisions qui se présentent d’elles-
mêmes d’après le caractère des faits [naturels ou physiques ; humains ou libres ; historiques] qui se passent sous
nos yeux. […certains faits humains se rattachent] aux relations qui existent directement de personne libre à
17
Les ressources renouvelables étant constitutives de l’environnement, l’acronyme de l’unité de
recherche relie les deux termes (gestion des ressources renouvelables, environnement) par
une virgule. Le temps passant, l’usage de cette virgule inclusive s’est perdu au détriment d’un
« et » dissociatif. Sans doute est-ce au fait que les virgules et les acronymes entretiennent
une relation ambigüe. Ainsi KISS Keep It Simple, Stupid ») est devenue une admonition
populaire qui enjoint aux modélisateurs de lutter contre leur propension à raffiner toujours un
peu plus leur modèle (Axelrod, 1997; Varian, 1997). Au sein de la communauté scientifique
travaillant sur les simulations multi-agents de systèmes complexes, l’acronyme, qui a perdu sa
virgule en chemin, est au cœur de vifs débats (Edmonds et Moss, 2004), j’y reviendrai au
moment de préciser la spécificité de l’approche que je propose (cf. section 5.2).
Les fondements théoriques du programme de recherche Green remettent en cause la
pertinence d’une gestion par les stocks basée sur l’hypothèse d’un état d’équilibre des
ressources. La question du développement est posée en termes de gestion des interactions
entre des variabilités économiques et sociales et des variabilités naturelles, tant dans l’espace
que dans le temps. Les écosystèmes sont considérés comme le support de l’économie et de la
société, l’économie s’inscrivant dans le champ social. Cette vision du développement qualifié
de « viable » est en décalage avec l’image des trois piliers équivalents et substituables sur
lesquels se fonde le concept de développement durable (cf. Figure 5). Dans ce cadre, deux
axes de recherche sont proposés: i) les modes d’appropriation, ii) les processus de décision.
La notion de « mode d’appropriation » invite à s’intéresser en particulier aux modalités de
répartition, de partage ou de transfert des ressources, ainsi qu’aux modalités d'accès et de
contrôle de l'accès aux ressources. La décision, quant à elle, est vue comme le résultat d'un
processus d'interaction entre des acteurs individuels et/ou collectifs ayant des représentations
et des « poids » différents dans la négociation (Weber et Revéret, 1993).
Figure 5 Notion de développement viable et relations entre les dimensions économique,
sociale et écosystémique (Weber, 2013)
personne libre, [d’autres] aux relations qui s’établissent entre les personnes à propos des choses » cidans
Diemer A., Lallement J. 2004. De Auguste à Léon Walras : retour sur les origines du marché et de la
concurrence walrassiennes, IV colloque de l’AIW, Nice, 22-23 septembre. Réimpression dans les Cahiers du
CERAS, hors-série n° 4, Avril, p. 99-120.
18
A l’époque de sa création, Green était composée d’économistes, de géographes, d’agronomes,
d’anthropologues. L’expérience montre que l’interdisciplinarité se construit dans l’élaboration
des questions de telle sorte qu’elles ne soient pas adressables par des disciplines séparées. Les
deux axes de recherche proposés constituaient un terrain propice. Au niveau méthodologique,
la simulation informatique des interactions sociétés/natures, sous la houlette de François
Bousquet, a d’emblée occupé une place essentielle pour formuler et explorer des questions de
recherche de cette nature.
La nécessité de mobiliser des objets «passeurs de frontières» entre des mondes disciplinaires
peut amener à considérer des types d’objets autres que des modèles. Ainsi Jeanne Riaux
(2013) décrit comment un travail en commun sur des documents d’archive s’est révélé
précieux pour permettre l’initiation d’un dialogue interpersonnel entre des hydrologues et une
anthropologue, à travers une progression de la réflexion par « frottement disciplinaire » autour
d’informations contenues dans ces documents.
La modélisation reste cependant le plus souvent considérée comme la démarche
interdisciplinaire par excellence pour aborder les questions relatives à l’environnement
(Jolivet et Pavé, 1993). La modélisation permet de façonner un artefact qui explicite le point
de vue commun en construction, jeu de tensions d’une triple nature dans le cadre des
recherches sur l’environnement proposé par Jolivet et Pavé (cf. Figure 6).
Figure 6 Interdisciplinarité et recherche sur l'environnement : tensions (1) entre
disciplines et le point de vue commun, (2) entre les disciplines par rapport au point de
vue commun, (3) entre le point de vue commun et les processus qui mènent à son
réexamen et sa redéfinition (Jolivet et Pavé, 1993).
Les frottements disciplinaires s’expriment principalement au niveau des tensions de type 1
(entre chacune des disciplines et le point de vue commun) et 2 (entre les différentes
disciplines par rapport à ce point de vue commun). Le rôle du modélisateur dans un tel cadre
pourrait être alors d’accompagner les processus de recomposition que provoque cette
construction d’un point de vue commun, qui conduit en permanence à son examen et à sa
redéfinition. Outre ses compétences « techniques » relatives au type de modèle sélectionné, le
19
modélisateur se retrouve alors également en charge de l’animation du processus de
construction du modèle. Pour ce faire, il doit naviguer entre les différentes disciplines en
adoptant un positionnement « disciplinairement neutre », recueillant et au besoin explicitant
les éléments de recomposition plutôt que ne les apportant lui-même.
La faisabilité d’un positionnement « disciplinairement neutre » pose question. Mon parcours
académique fut certes marqué par la pluridisciplinarité, avec une spécialisation en halieutique
après deux ans de formation généraliste d’ingénieur agronome à l’Agro de Rennes, suivie
d’une formation complémentaire en biomathématiques et biostatistiques à l’Université Paris 6.
Cependant, tous les stages et expériences professionnelles m’avaient progressivement inséré
dans la recherche en halieutique. Les circonstances ont fait qu’après la thèse, je n’ai pas pu
démarrer une carrière de chercheur dans ce domaine. Ayant m’éloigner de la communauté
au sein de laquelle je m’étais formé à la recherche, je mesure aujourd’hui la chance que j’ai eu
d’être recruté « SDF » (sans discipline fixée) au sein de l’unité de recherche Green pour
promouvoir l’étude interdisciplinaire des socio-écosystèmes en développant des modèles de
simulation informatique. Je me suis de fait retrouvé dans une position assez favorable : en
début de carrière, paraissant sans idées préconçues et donc relativement neutre aux yeux des
représentants des disciplines que j’étais amené à côtoyer quotidiennement, il pouvait sembler
assez naturel de viser à faciliter le dialogue entre disciplines au travers du développement de
modèles. Avec leur regard neuf et leur enthousiasme, les jeunes chercheurs sont souvent
perçus comme les mieux placés pour endosser le rôle de catalyseurs d’une convergence de
disciplines (Hervé et Rivière, 2014). Mais dans le contexte actuel de précarisation de la
recherche, un affichage interdisciplinaire du contenu d’une thèse reste un pari osé quand il
faut publier vite pour être compétitifs sur des postes, qui plus est le plus souvent
disciplinaires... A une époque où les excès de vitesse dans la pratique de l’activité scientifique
commencent à être dénoncés (Gosselain, 2011; Stengers et Drumm, 2013), cette forme
d’urgence liée à une exigence de retour rapide sur investissement est d’autant plus
incompatible avec la nature même de l’interdisciplinari
3
. Dans ces conditions, la stratégie
consistant à recruter de jeunes chercheurs dont le CV témoigne d’une forme de vagabondage
disciplinaire associée à un penchant pour la modélisation devrait être davantage considérée
par les unités de recherche affichant une ambition interdisciplinaire.
Pour un chercheur, un positionnement « disciplinairement neutre » n’est pas toujours très
confortable. On se sent toujours un peu « décalé », au moment de décliner son identité
scientifique, quand on ne rentre pas dans une case. Se déclarer simplement « modélisateur »
ne lève pas les ambiguïtés. La modélisation n’est pas considérée comme une discipline mais
plutôt comme une activité parmi d’autres, pratiquée par tout scientifique. D’ailleurs toute
discipline est à même de produire un discours sur l’interrelation entre modélisation et
interdisciplinarité. Ainsi, dans l’ouvrage édité par Nicole Mathieu et Anne-Françoise Schmid
(2014), six binômes disciplinaires (anthropologie, biologie, géographie, linguistique,
philosophie, physique) témoignent de la relation établie dans leur démarche de scientifiques
3
Deux citations pour illustrer ce propos :
L’interdisciplinarité est encore un luxe de chercheur sur la fin de sa carrière (J. Weber, 1995).
L’interdisciplinarité, c’est des histoires d’hommes et de femmes prêts à “perdre” du temps en s’engageant dans
un processus long aux résultats incertains ! (F. Gourmelon, 2012, interview « Sciences Ouest »
http://www.espace-sciences.org/sciences-ouest/303/)
20
entre modélisation et interdisciplinarité. Revendiquer un statut de « chercheur en
modélisation » va à l’encontre de la vision la plus commune d’un modélisateur apportant un
appui méthodologique. Au-delà des individus, c’est la nature même de l’unité dans laquelle
ils sont insérés qui risque à son tour d’être questionnée. Au cours de son existence, l’unité de
recherche Green a ainsi plusieurs fois fait l’objet d’options de restructuration la considérant
comme une « unité de services ». Le nécessaire équilibre entre « chercheurs-modélisateurs »
développant un questionnement scientifique sur leur pratique et « chercheurs-thématiciens »
parties prenantes des démarches de modélisation tout en conservant leur ancrage disciplinaire
n’est pas toujours facile à maintenir.
3.4 Cormas, une plateforme pour développer des
modèles de simulation multi-agents appliqués à
la gestion des ressources renouvelables
Pour traiter des interactions entre des acteurs d’un SES ayant des représentations et des poids
différents, en conformité avec l’approche interdisciplinaire des relations entre les Hommes à
propos de la Nature, il fallait que l’unité de recherche Green dispose d’un outil de
modélisation permettant de prendre explicitement en compte les asymétries et l’hétérogénéité.
Les systèmes multi-agents répondent parfaitement à ce besoin. Au cours de mes trois
premières années (1998-2000) passées au CIRAD, j’ai participé au lancement et aux premiers
développements de la plateforme Cormas (Common-pool Resources and Multi-Agent
Systems), implémentée en langage Smalltalk. Une première version de cet outil fut finalisée
en 1998 par deux étudiants en informatique, Innocent Bakam et Hubert Proton (cf. Figure 7).
En 2000, un site internet
4
a été mis en place.
Figure 7. Interface principale de la plateforme Cormas, à gauche dans sa version initiale
(Bousquet et al., 1998), à droite dans sa première version publique
4
http://cormas.cirad.fr.
21
3.4.1 Concepts inhérents à la plateforme Cormas
Les principes de base de la plateforme Cormas consistent à structurer la construction d’un
modèle de simulation multi-agent en trois étapes permettant de spécifier : i) les entités
composant le modèle; ii) l’initialisation et l’ordonnancement d’une simulation ; iii)
l’observation d’une simulation. Lors d’une première phase, chacune des entités propres à un
nouveau modèle est créée par spécialisation de l’entité générique qui s’en rapproche le plus,
récupérant ainsi un ensemble de fonctionnalités prédéfinies. La seconde étape consiste à créer
les agents et l’environnement (composé d’entités spatiales) au temps zéro d’une simulation,
ainsi qu’à préciser la façon dont les entités créées seront activées à chaque tour de simulation,
l’ensemble correspondant à un scénario donné. La troisième étape, enfin, permet notamment
d’implémenter une multiplicité de points de vue sur une même simulation au travers de la
spécification de diverses méthodes d’observation de l’espace.
3.4.2 Un module hiérarchique d’entités spatiales génériques
Un certain nombre de fonctionnalités nouvelles ont ensuite été progressivement ajoutées en
réponse à des besoins apparus avec la conception de nouvelles applications, notamment la
possibilité de définir des entités spatiales hiérarchiques pour simuler des dynamiques à
différents niveaux (Le Page et al., 2000; Le Page et al., 1999), cf. Figure 8.
Figure 8. Organisation hiérarchique des entités spatiales génériques de Cormas
Cette architecture a été testée en implémentant le modèle ForPast conçu par Sylvie Lardon
(Lardon et al., 1998; Lardon et al., 2000).
22
3.4.3 Premiers modèles développés avec Cormas
Sur différents terrains d’étude investis par des chercheurs et étudiants de l’unité de recherche
Green, des modèles destinés à formaliser un état des connaissances sur le fonctionnement de
ces socio-écosystèmes sont élaborés sans que, dans un premier temps, les acteurs locaux
soient directement impliqués dans le processus de modélisation. Utilisant les possibilités de
couplage avec les SIG qui venaient d’être intégrés à la plateforme, ils proposent alors, la
plupart du temps, une représentation réaliste de l’espace (cf. Figure 9).
a
b
c
Figure 9. Trois des premiers socio-écosystèmes modélisés avec Cormas:
a) Didy (Madagascar) ; b) Djemiong (Cameroun) ; c) Mae Salaep (Thaïlande)
Le modèle étudiant les modes de coordination des chasseurs de céphalophes bleus autour du
village camerounais de Djemiong (Bousquet et al., 2001) représente ainsi l’espace avec une
résolution de 3Ha (dimension du territoire d’un céphalophe) en intégrant les informations
relatives aux réseaux des chemins et des cours d’eau (respectivement figurés en noir et en
bleu sur la Figure 9b), ainsi qu’un zonage délimitant les terrains de chasse traditionnels,
utilisé pour déterminer le positionnement des sentiers de pièges (en rouge sur la Figure 9b).
Le modèle explorant les liens entre risque de dégradation des terres et la diversification des
cultures dans le village Akha de Mae Salaep, au Nord de la Thaïlande (Trébuil et al., 2005),
utilise la prise en charge par Cormas du format vectoriel pour définir des entités spatiales (les
parcelles agricoles) aux contours polygonaux (cf. Figure 9c). Lorsque les données ne sont pas
disponibles dans un SIG, la création d’un environnement réaliste reste possible, en proposant
des algorithmes établis sur la base de connaissances des relations entre les caractéristiques
structurantes d’un paysage. C’est ce type d’approche qui a permis à Géraldine Abrami (1999)
d’établir des cartes fictives mais réalistes de la forêt de Didy à Madagascar (cf. Figure 9a)
pour explorer des scénarios d’usages multiples de cet écosystème forestier.
Deux autres types de modèles sont également développés avec Cormas : des modèles à portée
didactique, utilisés lors des sessions de formation aux SMA pour simuler des systèmes
complexes, mais aussi des modèles abstraits pour explorer des hypothèses théoriques dans le
domaine de la gestion des ressources renouvelables. C’est le cas, dans le domaine de la
géographie humaine, du modèle imaginé par Jean-Luc Bonnefoy pour illustrer l’impact que
les représentations sous-tendant les cisions (individuelles ou collectives) ont sur la
structuration de l’espace, et la transformation de ces représentations en retour (Bonnefoy et
al., 2001; Bonnefoy et al., 2000). C’est également le cas, dans le domaine de l’économie des
23
conventions s’intéressant aux normes implicites qui régissent les comportements humains
d'interaction, du modèle représentant la pratique traditionnelle de collecte de bois flotté sur les
plages du Sud de l’Angleterre développé par Olivier Thebaut et Bruno Locatelli (2001).
3.4.4 Evolution de la plateforme Cormas
A partir de 2001, le développement de Cormas, porté par Pierre Bommel, a conduit à
l’intégration de nouveaux modules (Bommel et al., 2015) dont celui facilitant la réalisation
d’analyses de sensibilité et de plans d’exploration des sorties de simulation, ou encore un
éditeur de diagrammes d’activités UML utilisé pour concevoir/faire évoluer les algorithmes
de décision des agents de manière participative (Bommel et al., 2014). Ces dernières années,
Nicolas Becu a également contribué à l’évolution de Cormas, permettant d’opérationnaliser
de nouvelles fonctionnalités spécifiquement dédiées à la simulation interactive. Ainsi il est
désormais possible de manipuler directement des entités en cours de simulation, pour les
déplacer ou activer une de leurs activités en particulier. Cette possibilité s’avère également
très utile dans la phase de vérification d’un SMA. Il serait intéressant d’en faire usage dans les
protocoles de réplication des modèles, ainsi que nous le proposons dans la dernière partie de
ce mémoire (cf. 6.2.2). Avec le multifenêtrage et la possibilité d’assigner à chaque fenêtre de
manière spécifique la façon de visualiser l’environnement et les possibilités d’interagir avec
lui, la mise en œuvre de simulations interactives intégrant des asymétries d’information et
d’action est facilitée, d’autant qu’il est désormais également possible de distribuer une
simulation sur plusieurs machines (Becu, Bommel, et al., 2016; Bécu et al., 2016).
Les évolutions technologiques de la plateforme Cormas ont accompagné ma trajectoire: les
modèles que j’ai le plus développés sont de type empirique stylisé (cf section 4.4), conçus
pour mettre en œuvre la simulation interactive et stimuler des apprentissages entre
participants ; j’y reviendrai en détails dans le chapitre 5.
3.5 Sessions de formation « SMA et simulation de
systèmes complexes : application à la gestion
des ressources renouvelables »
Dans le but de faire découvrir la simulation multi-agent à des chercheurs travaillant dans le
domaine de la gestion des ressources renouvelables qui étaient novices en la matière, j’ai co-
conçu avec François Bousquet une session de formation, positionnant les SMA par rapport à
d’autres approches de modélisation utilisées dans ce domaine. D’une durée de deux semaines,
le format privilégiait des présentations basées sur des démonstrations et des manipulations de
modèles de simulation multi-agent implémentés avec la plateforme Cormas, et invitait les
participants à travailler en petits groupes pour développer avec Cormas des prototypes
appliqués à leur problématique de recherche. Une bibliothèque de modèles didactiques
24
destinés à illustrer les principaux concepts enseignés a alors été constituée. Partant des
automates cellulaires (contrôle distribué au niveau d’entités autonomes, émergence) et passant
par la théorie des jeux (processus de décision en interaction), une progression « logique » vers
les SMA était ainsi proposée. Certains de ces modèles sont des réplications, comme la
comparaison de l’efficacité des comportements de « robots fourrageurs » proposée par A.
Drogoul dans sa thèse (1993), ou encore l’influence de la structuration spatiale de
l’environnement sur la survie de deux populations d’animats exploitant -de manière réfrénée
ou non- une ressource renouvelable (Pepper et Smuts, 2000). D’autres modèles ont été
spécialement conçus pour servir de tutoriel, comme celui de la diffusion d’un feu de forêt
contre lequel lutte une brigade de pompiers.
Entre octobre 1997 et avril 2005, 12 sessions de formation de ce type ont été organisées à
Montpellier, avec F. Bousquet jusqu’à son départ en Thaïlande en 2001, puis avec P. Bommel
jusqu’à ce que celui-ci parte au Brésil. Un total de 158 personnes ont suivi ces sessions
délivrées en français, dont 30 partenaires étrangers francophones. Les institutions de
recherche les plus représentées furent le CIRAD (27), l’IRD (11), l’INRA (9) et le
CEMAGREF (7), avec également une présence notable (47) de doctorant(e)s. De nombreuses
collaborations ont été initiées à la suite de ces sessions (42 parmi les 158 participants figurent
dans la liste de mes co-auteurs), ainsi que des partenariats de longue durée, notamment avec
M. Etienne (INRA), R. Mathevet et Nicolas Becu (CNRS). A la même période, des
chercheurs européens nous ont sollicité pour délivrer en anglais cette session de formation
dans leur institution (Manschold Graduate School of Social Sciences, Wageningen University,
aux Pays-Bas en 2001 ; Institute of Agricultural Development in Central and Eastern Europe
en Allemagne en 2004). Des dynamiques partenariales liées au positionnement de collègues
du CIRAD dans d’autres pays nous ont également amené à dispenser cette école-chercheurs
en Afrique du Sud (S. Perret avec S. Farolfi), en Australie (P. Perez avec A. Dray), au Brésil
(R. Ducrot puis P. Bommel), en Asie du Sud-Est (G. Trébuil avec F. Bousquet puis moi-
même).
En insérant régulièrement dans ces sessions de formation la présentation d’applications
nouvellement développées par des chercheurs ayant eux-mêmes suivis ces sessions, une
dynamique a é impulsée sur la place Montpelliéraine. Dans ces applications, la mise en
situation des acteurs représentés par des agents informatiques dans les SMA, désigné sous
l’appellation de « jeu de rôles », a progressivement pris une place importante. Un collectif de
chercheurs, baptisé ComMod
5
, a alors vu le jour pour nourrir une réflexion sur la place et
l’usage de ces outils dans les démarches de modélisation d’accompagnement.
3.6 ComMod et les jeux de rôles
Le terme de « modélisation d’accompagnement » est apparu en septembre 1996 dans une
communication présentée lors d’un colloque international qui s’interrogeait sur l’avenir de
l’Environnement au XXIème siècle (Bousquet et al., 1996). Le principe de base est que les
5
Pour « Companion Modeling », traduction anglaise de « modélisation d’accompagnement »
25
systèmes multi-agents constituent un paradigme de représentation des connaissances pertinent
pour accompagner une recherche interdisciplinaire. Le modèle sert alors principalement
d’objet médiateur aux discussions entre différents chercheurs ou acteurs engagés dans la co-
construction d’un point de vue commun, conformément au cadre de l’interdisciplinarité
proposé par Jolivet et Pavet (cf. Figure 6).
Les jeux de rôles apparaissent dans ComMod très rapidement, avec deux applications
pionnières portant sur la viabilité des périmètres irrigués dans la région de Podor au Sénégal
(Barreteau et Bousquet, 1999) et la viabilité de la filière raphia à Madagascar (Herimandimby
et al., 1998). Dans le premier cas, au Sénégal, les travaux de thèse d’Olivier Barreteau
(Barreteau, 1998) visent essentiellement à améliorer la compréhension du fonctionnement du
système. Dans le second, à Madagascar, l’objectif de la démarche est d’accompagner la mise
en place d’une façon concertée et négociée d’outils de gestion économiques, institutionnels,
réglementaires et fiscaux visant à assurer la viabilité de la filière. Pour s’engager dans ce type
d’objectif propre à la recherche-action, la modélisation d’accompagnement propose
d’embrasser également l’objectif de production de connaissances, en conférant aux modèles
supportant la démarche une dimension exploratoire et non prédictive.
Dans les deux applications, le modèle de simulation informatique préexiste au jeu -qui lui-
même est non informatisé- et permet d’en valider les principes constitutifs. Pour s’affranchir
du syndrome de la « boîte noire », une mise en situation, calquée sur la structure du modèle de
simulation informatique, est proposée aux acteurs. Des hypothèses sur les processus
d’interaction entre les agents, sur leurs comportements, peuvent ainsi être discutées lors du
débriefing, en référence à des observations qui auront pu être faites lors de la session de jeu, et
en établissant des parallèles avec ce qui se passe dans la vie de tous les jours. Ainsi, au
Sénégal, les sessions du jeu (baptisé par les participants Njoobari) constituent une étape de
restitution dune première version d’un modèle multi-agent (Shadoc) auprès des acteurs
représentés dans le modèle selon la vision de son concepteur (Barreteau et al., 2001). A
Madagascar, en outre, le jeu (Raphia) amène les participants à discuter et à négocier les
éventuels outils de gestion de la filière raphia, montrant l’influence de la structuration spatiale
sur l’efficacité de ces outils.
A Montpellier, un groupe de chercheurs va alors se constituer pour organiser régulièrement
des ateliers de présentation et de discussion de nouvelles expériences d’usage des SMA et des
jeux de rôles (ateliers SMAJ). Cinq d’entre elles, toutes faisant usage de Cormas, occupent
une place importante dans la dynamique de création du réseau ComMod :
SelfCormas, portée par Patrick d’Aquino, sur la décentralisation des plans d’occupation
des sols dans le delta du Sénégal (d'Aquino, Le Page, et al., 2002a, 2002b; d'Aquino et al.,
2003),
SylvoPast, initiée par Michel Etienne lors de sa participation à la session de formation de
décembre 1999, sur l’anticipation de l’impact d’aménagements sylvopastoraux dans le
cadre de plans de prévention des incendies de forêt méditerranéenne (Etienne, 2003),
Méjan, du même Michel Etienne, sur les dynamiques paysagères du Causse Méjan
(Etienne et Le Page, 2002; Etienne et al., 2003),
STRATAGENES, développée par Sigrid Aubert, sur la gestion des ressources
phytogénétiques à Madagascar (Aubert et al., 2002; Aubert et al., 2003),
26
SAMBA, menée par Stanislas Boissau et Jean-Christophe Castella, sur les dynamiques de
changement d’occupation des terres montagneuses du Nord-Vietnam (Boissau et Castella,
2003; Boissau et al., 2004; Castella et al., 2001).
J’ai eu la chance, à ce moment charnière, d’être impliqué (hormis SAMBA) dans le
développement des outils utilisés dans la mise en œuvre de ces démarches. Sur la base de ces
expériences menées dans des contextes spécifiques et sur des thématiques variées, un certain
nombre de publications collectives ont alors été réalisées (Bousquet et al., 2002; d'Aquino,
Barreteau, Etienne, Boissau, Aubert, et al., 2002; d'Aquino, Barreteau, Etienne, Boissau,
Bousquet, et al., 2002; d'Aquino et al., 2001), faisant avancer la réflexion sur les différentes
combinaisons d’usage des simulations informatiques et des jeux de rôles. La polyvalence de
l’outil jeu de rôles va alors clairement apparaître.
Au niveau de leur usage, SylvoPastJeu et MejanJeu se situent dans la lignée de Raphia, à
savoir un jeu pour promouvoir la concertation entre acteurs sur une problématique que le
chercheur a initialement formalisé sous la forme d’un modèle de simulation multi-agent. Mais
ici, l’environnement du modèle, soumis à des processus écologiques dont il serait fastidieux
de rendre compte manuellement sur un plateau de jeu, est simulé informatiquement
(respectivement avec Excel et Cormas). L’outil peut alors être vu comme le support d’une
simulation multi-agent participative projetant des agents humains (responsables des décisions)
dans un environnement virtuel.
Samba et SelfCormas n’utilisent pas cette technologie, proposant tous deux (comme
Njoobari et Raphia) un environnement physique : un plateau de cubes dont les faces
représentent les différents types d’occupation du sol pour le premier, une carte simplifiée du
territoire dessinée sur une feuille sur laquelle les participants viennent positionner des
vignettes pour le second. C’est au niveau de leur usage qu’ils apportent une innovation: les
décisions prises par les participants lors des sessions de jeu sont analysées afin d’aider à
spécifier le comportement des agents d’un simulateur informatique. Celui-ci est développé à
la suite du jeu, en prenant soin de proposer une représentation similaire afin de faciliter sa
compréhension par les participants. L’outil informatique permet alors d’explorer
collectivement différents scénarios d’évolution du système.
STRATAGENES est la seule parmi ces expériences à n’être basée que sur un seul outil : un
jeu de rôles informatisé.
Dans les années qui vont suivre, ce type d’outil va progressivement prendre une place
prépondérante dans la mise en œuvre des démarches de modélisation d’accompagnement. J’y
reviens plus en détail au chapitre 5.
27
4 MODEL ES MULTI-AG ENTS APPLIQUES A L A GESTI ON
DES RESS OURCES RENO UVELAB LES
Les SMA ont un spectre d’utilisation très large. Ils ont ainsi récemment été utilisés pour
simuler les tactiques d’équipes de rugby professionnelles
6
, les effets collatéraux des forces de
l’ordre combattant la criminalité urbaine
7
, le téléchargement illégal de pop-musique des
étudiants taiwanais
8
Appliqués à des problématiques de gestion de l’environnement, les
systèmes multi-agents permettent de représenter les interactions entre dynamiques sociales et
écologiques (Bousquet et Le Page, 2001, 2004; Le Page et al., 2013; Schlüter et al., 2012).
D’un côté, les agents représentent les porteurs d’enjeux sur un territoire donné, depuis le
niveau élémentaire des individus jusqu’au niveau plus agrégé de groupes d’individus
définissant (lato sensu) des institutions, dont le fondement peut être social comme dans le cas
des familles, économique comme par exemple une coopérative agricole, ou encore politique
(cas des organisations non-gouvernementales). De l’autre, l’environnement représente le
support spatial du territoire, porteur de différents types de ressources renouvelables. Ces
ressources sont affectées à la fois par les actions directes des agents et par les processus
dynamiques intrinsèques qui les caractérisent. L’état des ressources évoluant, les décisions
des agents doivent tenir compte de cette nouvelle situation : ils sont susceptibles de changer à
leur tour. L’implémentation des dynamiques naturelles est communément réalisée au niveau
d’entités spatiales composant l’environnement du système multi-agent (Filatova et al., 2013).
Il peut également être intéressant de définir des entités spatiales comme des « unités de
gestion », afin de réifier la relation spécifique entre un agent utilisant une ressource et la
ressource elle-même.
Je présente quelques éléments sur trois aspects des SMA qui revêtent une importance
particulière dans le cadre de leur application à la gestion des ressources renouvelables, puis je
dresse un inventaire des modèles que j’ai développés avec la plateforme Cormas depuis 1997.
4.1 Représentation explicite de lespace
La relation entre l’environnement d’un SMA et un paysage réel peut être caractérisée selon
trois niveaux de proximité: (i) aucun, dans le cas d’un monde virtuel imaginaire; (ii)
intermédiaire, lorsque la référence à un territoire donné est implicite; (iii) fort, lorsque cette
référence est explicite.
6
Lauren et al. 2013. Insights from the Application of an Agent-Based Computer Simulation as a Coaching Tool
for Top-Level Rugby Union. International Journal of Sports Science and Coaching, 8(3), 493-504.
7
Devia et al. 2013. Generating crime data using agent-based simulation. Computers, Environment and Urban
Systems, 42, 26-41.
8
Pai et al. 2017. Illegal downloading of pop music among university students in Taiwan: An agentbased
model simulation. Journal of Consumer Behaviour.
28
a
b
c
Figure 10. Les trois types d’environnements de SMA appliqués à la gestion des
ressources renouvelables : a) abstrait (SugarScape, Axtell et al., 1996); b) faisant
implicitement référence à un site ou un type d’écosystème donné (SylvoPast, Etienne,
2003) et c) représentant explicitement un territoire donné (Valbuena et al., 2010)
Les modèles multi-agents théoriques sont fréquemment basés sur des représentations
purement abstraites de l’espace, comme le monde virtuel SugarScape (Epstein et Axtell,
1996b) dans lequel des agents collectent du sucre, disposé en amas concentriques (cf. Figure
10a). Dans le cas intermédiaire, la référence implicite à un territoire donné se traduit par des
proportions équivalentes dans la composition des différentes modalités caractérisant l’espace
(typiquement l’occupation du sol), et éventuellement également par la similarité des patterns
de configuration spatiale. Dans le cas du jeu de rôles informatisé SylvoPast (Etienne, 2003),
les proportions des différents types de couvert végétal de l’environnement du modèle (cf.
Figure 10b : en bleu les arbres, en rouge la broussaille, en jaune l’herbe, la présence
simultanée de plusieurs de ces strates au même endroit étant figurée par le mélange des
couleurs correspondantes) rendent compte de la composition moyenne de l’écosystème « forêt
méditerranéenne pâturée », quand bien même c’est une zone Provençale bien précise (le
Massif de l’Esterel) qui a inspiré la production de cet environnement stylisé. Lorsque la
référence à un espace particulier est explicite, le plus souvent ce lien est établi en intégrant des
données spatialisées en provenance d’un système d’information géographique (cf. Figure
10c). Définir un environnement réaliste demande le plus souvent de définir des agents de
façon similairement réaliste. Depuis quelques années, des travaux sont menés pour permettre
de créer des populations « synthétisées » à partir de bases de données démographiques de
manière à les ancrer empiriquement (Harland et al., 2012; Wheaton et al., 2009)
9
. Lorsque la
zone représentée est étendue, cela suppose de travailler avec un nombre important d’agents.
Certains auteurs utilisent alors plutôt des typologies et rendent compte de la diversité des
agents en attribuant aux différentes zones de l’espace différentes distributions des types
identifiés (Valbuena et al., 2008).
Les progrès technologiques ont renforcé ces dernières années (Crooks, 2015; Heppenstall et
al., 2012) la tendance apparue il y a déjà une quinzaine d’années (Brown et al., 2005;
9
Il existe même aujourd’hui une base de données virtuelle de la population humaine dans sa globalité
(7,171,922,938 entrées…) : http://pplapi.com/ !
29
Gimblett, 2002; Ligtenberg et al., 2001) à aller vers des modèles multi-agents représentant
explicitement l’espace de manière réaliste en les associant aux SIG. Des extensions
permettant d’intégrer les données spatialisées en provenance de SIG ont été adjointes aux
principales plateformes existantes (NetLogo
10
, Mason
11
, RePast
12
). De nouvelles plateformes
ont été développées, mettant l’accent, principalement, sur ces aspects: GAMA (Drogoul et al.,
2013; Grignard et al., 2013; Taillandier et al., 2010), MAGéo (Langlois et al., 2015).
Les travaux que j’ai menés n’ont pas suivi la même orientation : j’ai plutôt mis l’accent sur
des représentations stylisées de l’espace, cherchant à faire ressortir les éléments structurants
de l’environnement du socio-écosystème étudié sous forme schématique, afin de produire des
archétypes. Je précise dans le chapitre 5les raisons qui m’ont poussé dans cette direction.
4.2 Trois types dinteractions
Considérer la nature des interactions explicitement modélisées permet de caractériser les types
de modèles multi-agents appliqués à des problématiques de gestion des ressources. Reprenant
un schéma proposé par F. Bousquet, trois types d’interactions sont identifiées (cf. Figure 11).
Figure 11. Les trois types d'interaction dans les SMA appliqués à la gestion des
ressources renouvelables : via l’environnement commun (Ie), au travers d’une
communication de gré à gré (Ii) et via le niveau collectif (Ic) (d'après Bousquet, 2001)
Les interactions médiées par l’environnement (Ie) sont constitutives des questions de gestion
de ressource commune: quand une certaine quantité de ressource est prélevée par un agent au
temps t à un endroit donné, l’abondance en est diminuée d’autant pour un autre agent se
présentant au même endroit l’instant d’après. La simple présence dans son voisinage proche
d’autres agents peut influer sur le comportement d’un agent, comme dans le modèle simulant
10
http://ccl.northwestern.edu/netlogo/docs/gis.html, présenté à SwarmFest 2008 par Eric Russell
11
http://cs.gmu.edu/~eclab/projects/mason/extensions/geomason/
12
Repast Simphony uses the open source Java GIS toolkit GeoTools and provides support for ESRI
shapefiles and a range of raster data files(North et al., 2013)
30
l’émergence de conventions de partage des ressources dans le cadre de la coutume de collecte
de bois flotté sur les plages du Sud de l’Angleterre (Thebaud et Locatelli, 2001).
Les interactions par envoi de messages (Ii) permettent à un agent de cibler les individus avec
lesquels il échange de l’information, qui définissent son réseau d’accointances. Les
interactions entre individus et niveau collectif (Ic) prennent souvent corps dans la notion de
groupe. Le méta-modèle Aalaadin proposé par Jacques Ferber et Olivier Gutknecht (1998) a
inspiré le développement d’applications représentant des organisations d’agents avec les
notions de groupes et de rôles endossés par les agents au sein de ces groupes. Dans le
domaine de la gestion des ressources renouvelables, on peut citer les travaux de thèse de
Géraldine Abrami sur la mise en œuvre de règles collectives de gestion de l'eau agricole dans
la basse-vallée de la Drôme (Abrami, 2004) et ceux de Mahamadou Belem sur la simulation
des flux de carbone en zones rurales d’Afrique de l’Ouest (Belem et al., 2011; Belem et
Müller, 2013). Du côté des géographes, la question de la confrontation des représentations de
l’espace, spécifiques à chaque individu et existant également au niveau de la société, a ainsi
été explorée au niveau théorique, comme l’illustrent les travaux de Jean-Luc Bonnefoy
(Bonnefoy et al., 2001; Bonnefoy et al., 2000). D’un côté, les comportements individuels
tiennent compte des normes et des règles établies au niveau de la société, alors que de l’autre,
ces normes et ces règles vont évoluer en fonction du résultat des interactions entre les agents.
4.3 Processus de décision des agents
La possibilité de modéliser les processus de prise de décision représente à la fois un des
intérêts majeurs d’utiliser le paradigme multi-agent, mais aussi un défi sans cesse renouvelé.
En 1969, dans ses réflexions sur la portée scientifique et politique de la théorie de la decision,
Horst Rittel écrivait: « one méthodological trick for analyzing decision-making processes
consists in pretending that the act of decision would have to be carried out by a machine. In
some case, this can even be realized”.
Pour intégrer dans un modèle multi-agent des processus de prise de décision humaine, la
dimension empirique occupe une place relativement importante dans le domaine de la gestion
des ressources renouvelables, contrairement à ce que l’on rencontre dans d’autres domaines
d’application (par exemple l’économie), la dimension théorique est prépondérante (Le,
2012).
En 2005 s’est déroulé à Bonn un atelier sur les méthodes empiriques permettant de récolter
les données nécessaires au développement de modèles multi-agents. Cinq méthodes ont été
comparées, en termes de types de données manipulées, questions susceptibles d’être abordées,
points forts et faiblesses, avec présentation pour chacun d’entre elles d’une étude de cas : les
enquêtes réalisées sur la base d’un échantillonnage, l’observation participante, les expériences
en laboratoire et sur le terrain, la modélisation d’accompagnement, et enfin l’usage des SIG et
de la télédétection (Robinson et al., 2007). Une des conclusions de cette étude est que la
modélisation d’accompagnement et les jeux de rôles représentent une méthode bien adaptée
pour établir des règles heuristiques du type « si-alors-sinon ». Janssen et Ostrom (2006)
31
identifient quant à eux quatre approches pour alimenter les modèles multi-agents empiriques :
les études de cas, les faits stylisés, les jeux de rôles et les expériences au laboratoire (de type
économie expérimentale). Dans sa revue de modèles de décisions d’agriculteurs utilisés dans
des SMA, Li An (2012) retient 9 types : les modèles micro-économiques (maximisation de
fonctions d’utilité ou de profit, avec éventuelles contraintes) ; les modèles basés sur des
théories spatiales (par exemple le modèle de von Thünen sur la localisation des terres
agricoles en fonction de la distance au marché); les modèles cognitifs et psychosociaux (qui
mettent en avant l’influence des normes et des réseaux sociaux) ; les modèles se référant aux
institutions ; les modèles basés sur l’expérience ou la préférence (basés sur des interviews
type récits de vie) ; les modèles de simulation interactive (la modélisation d’accompagnement
et l’usage des jeux de rôles en particulier) ; les modèles à base de règles heuristiques
(éventuellement probabilistes, basées ou pas sur des analyses statistiques, faisant souvent
recours à des typologies); les modèles à base de programmation évolutionnaire ; et enfin les
modèles liés à des hypothèses ou des contraintes de calibration. La diversité des modèles de
décision s’étale le long d’un gradient allant des modèles de décision fortement empiriques
(par exemple basés sur des régressions statistiques) jusqu’à des modèles mécanistes basés sur
des processus théoriques, avec fréquemment des hybridations de plusieurs types de modèle.
Plus récemment, Jürgen Groeneveld et 15 de ses collègues (2017) ont centré leur revue de la
littérature sur les fondations théoriques des processus de prise de décision dans les modèles
multi-agents d’usage des terres, relevant dans les 134 articles analysés la mention à un modèle
théorique particulier, le paradigme comportemental associé (rationalité, rationalité limitée,
absence de rationalité), la technique utilisée pour opérer la décision (optimisation,
heuristiques, processus stochastiques), ainsi que l’usage ou non de données empiriques
qualitatives et/ou quantitatives. Près de 62% des modèles de décision analysés dans cette
étude ne relèvent pas explicitement d’une théorie. Parmi ceux qui sont cités, on note une
majorité de mentions à la théorie de l’espérance d’utilité, puis à celle du satisficing
13
, et en
3ème position une architecture d’agent classique : Belief-Desire-Intention (BDI). Popularisé
par Rao et Georgeff (1995) comme modèle opérationnel d’agent cognitif, ce modèle théorique
a donné lieu à de nombreuses extensions, y compris pour prendre de la distance avec sa
dimension initiale purement rationnelle (cf. par exemple Liang et al., 2016). La plateforme
GAMA intègre aujourd’hui une architecture d’agent basée sur ce modèle BDI (Caillou et al.,
2015).
Le fait que la majorité des modèles multi-agents permettant de simuler le fonctionnement des
socio-écosystèmes ne fondent pas les modèles de décision des agents sur des théories
existantes mais plutôt sur des hypothèses ad-hoc peut se révéler problématique si on envisage
leur usage en aide à la décision, comme support d’information des décideurs politiques. Des
initiatives voient actuellement le jour au sein de la communauté scientifique s’intéressant à la
gestion des ressources dans les socio-écosystèmes pour proposer un cadre destiné à
caractériser, comparer et opérationnaliser l’implémentation de théories de la décision humaine
(Schlüter et al., 2017). La trajectoire que j’ai suivie m’a plutôt amené à développer des
méthodes d’élicitation des processus de prises de décision des acteurs locaux en combinant
13
les agents se fixent un niveau de satisfaction à atteindre, et retiennent la première solution égalisant ou
dépassant ce seuil de satisfaction
32
des exercices de mise en situation (les jeux de rôles) avec des outils de simulation
informatique. Ce type de travail peut servir à approfondir la compréhension des processus de
décision des acteurs des socio-écosystèmes et ainsi apporter une contribution méthodologique
à leur meilleure représentation dans les modèles destinés à éclairer les décisions politiques. Il
peut également se justifier pleinement par un usage visant à stimuler les apprentissages
mutuels entre les chercheurs et les acteurs locaux, considérant les modèles comme des outils
de communication. Avant de développer plus en avant cette posture dans le chapitre 5, je
dresse un inventaire des modèles multi-agents que j’ai développés avec Cormas depuis 1997.
4.4 Applications développées avec Cormas
J’ai contribué à l’implémentation de modèles multi-agents avec la plateforme Cormas qui
balayent une vaste gamme de thématiques et de contextes dans le domaine de la gestion des
ressources renouvelables. Pour rendre compte de cette diversité, j’en liste ici 60 (cf. Tableau
1), dans lesquelles mon degré d’implication ne fut évidemment pas le même. Dans le cadre
d’une pratique de la modélisation d’accompagnement, il est parfois délicat de définir la
personne référente d’un modèle: il arrive fréquemment que la construction de la substance
d’un modèle se répartisse de manière équilibrée entre les différents contributeurs, au-delà de
leur rôle spécifique dans le processus de modélisation. Ainsi, dans le cas du travail sur la
chasse villageoise et la gestion locale de la faune sauvage dans une forêt de l’Est-Cameroun
(Djemiong), le travail de terrain en socio-économie du développement réalisé par Ani
Takforyan a permis aux modélisateurs (François Bousquet et moi-même) de conceptualiser un
modèle multi-agent qu’Innocent Bakam, informaticien qui finalisait alors la première version
de la plateforme de simulation multi-agent Cormas, a implémenté sur ce nouvel outil
générique (Bousquet et al., 2001). On considèrera ici que la personne « de référence » pour un
modèle donné, dont le nom figure dans la 3ème colonne du tableau ci-dessous, est celle qui est
à l’origine de la formulation de la question à laquelle ce modèle prétend apporter des éléments
de réponse. La 1ère colonne du tableau indique le nom du modèle. Dans certains cas, il s’est
agi d’une suite de modèles et non de différentes versions d’un même modèle
14
. Il aurait donc
fallu en toute rigueur les faire tous figurer. Par souci de simplification, seuls les outils
principaux ont ici été mentionnés. Le symbole ® indique qu’il s’agit d’une réplication d’un
modèle existant. Le symbole indique qu’il s’agit d’un jeu de rôles informatisé. * signale
que la possibilité d’exécuter la simulation avec des agents informatiques (le cas de
l’application NanGame est détaillé à la section 5.5.2); indique qu’un jeu est à la base du
modèle de simulation informatique alors que indique qu’un jeu a été développé (avec
Cormas également quand son nom apparaît) à la suite du modèle de simulation informatique.
Certains modèles fonctionnent sur la base d’un couplage dynamique entre Cormas et un autre
logiciel (indiqué par le symbole // placé entre le nom de l’application et le nom du logiciel).
Enfin, la couleur indique le type d’application : théorique (bleu), empirique réaliste (vert) ou
empirique stylisé (jaune).
14
Des exemples de processus de ce type sont détaillés dans le chapitre suivant
33
Nom
Thématique
Référent
Publications
cf
1997
ForPast
Transformation d'un espace forestier
soumis au pâturage
Lardon
CACTN 6,10;
CAFF 1
PlotsRental
Remembrement par marché de gré
à gré et système d'enchères centralisées
Bousquet
CO 22
SeaLab ®
Stratégie de reproduction des espèces
de poissons pélagiques côtiers
Le Page
ACL 2,3; CACTI 1
CACTN 1,2,3; CCOM
1
1998
Djemiong
Viabilité de la chasse villageoise
dans l’Est du Cameroun
Takforyan
Bakam
ACL 6
CCOM 3
Filière
Coordination par l’échange
dans une filière économique
Antona
CACTI 5
FireAgents
Diffusion d’un feu de forêt
et coordination des pompiers
Bousquet
CO 22
Kayanza
Filière bois-énergie
dans la région de Kayanza (Burundi)
Guizol
CO 6
CACTI 11
SaintGeorges
// ArcView
Pâturage et embroussaillement
d'une commune de Lozère
Lieurain
WSErosion
Risque d'érosion et diversification
agricole au Nord de la Thaïlande
Trébuil
CO 8
Zambèze
Dynamiques foncières de la moyenne
Vallée du Zambèze (Zimbabwe)
Zunga
CACTN 07
1999
BrouteLaForet
Représentations spatiales: individus,
espace et société
Bonnefoy
CO 7; CACTI 10,12
CCOM 34
Didy
Usages multiples dans un écosystème
forestier à Madagascar
Abrami
GEMACE
Aménagement de l’espace en Camargue
Mathevet
ACL 18
Robots Fourrageurs
®
Les robots extracteurs de minerai
Drogoul
SpatioDyn
SMA et chorèmes : application
au massif du Tanargue (Cévennes)
Bonin
ACL 5
2000
DriCol
Emergence de conventions
sur les ressources communes
Thebaud
Locatelli
Echos
Gestion territoriale d'effluents d'élevage
à l'île de la Réunion
Farolfi
ACL 30; CACTI 18
CACTN 11,13 ;
CCOM 10
Mejan
MejanJeu
Dynamique d’enrésinement
sur le Causse Méjan (Cévennes)
Etienne
ACL 17; CACTI
19,20,21
CACTN 16 ; CCOM
7
Savane
Espace/Agents
Dynamique des paysages :
agents acteurs versus entités spatiales
Gautier
CACTI 4
SelfCormas
Relations entre agriculture et élevage
dans la vallée du fleuve Sénégal
d'Aquino
ACL 7,8,9,10,16;
CCOM 6,7; CACTI
9,14,19
STRATAGENES
Gestion in situ des ressources
phytogénétiques à Madagascar
Aubert
CO 4; CACTI 19
CACTN 15; CCOM
5,7
34
SylvoPast
SylvoPastJeu
Sylvopastoralisme et prévention des
incendies en région méditerranéenne
Etienne
CO 3,4 ; CACTI 19
CCOM 07
2001
ECEC ®
Evolution de la coopération
dans un contexte écologique
Pepper
Smuts
MagmaS
// VENSIM
Gestion des effluents d'élevage à La
union
Martin
CACTI 15 ; CACTN
14
Mobe
Régulation de la filière bois-énergie au
Niger
Antona
CACTI 17 ; CCOM
13
2002
ButorStar
Gestion concertée des roselières en
Camargue
Mathevet
ACL 28,31
CCOM 11,17; CAFF
2,3
CATCHSCAPE
Gestion de l'eau dans les bassins
versants du nord Thaïlande
Becu
ACL 15
SaoPaulo
Usage de l’eau et dynamiques foncières
en périphérie de São Paulo
Ducrot
ACL 20
2003
AtollScape
AtollGame
Gestion des eaux souterraines
dans un atoll de basse altitude (Kiribati)
Dray
Perez
ACL 24 27; CO 11
CACTI 24,25,26,29
MIROT
// GAMS
Dynamique des ressources en carbone
dans un terroir Ouest-Africain
Youl
Belem
CACTI 30
NongSaeng
Transition vers des syst. de production
agricole intégrée au NE Thaïlande
Caldwell
CACTI 28
PhytoBV
Evolution d’un système rural martiniquais
et pression polluante
Houdart
ACL 22; CCOM 14
PolitiqueLU
Politiques publiques multi-niveau
et aménagement du territoire
Botta
ReedSim
Multi- usage des roselières de la Petite
Camargue Gardoise
Mathevet
CCOM 11
2004
DonHoiLord
Gestion d’une pêcherie de mollusques
dans le Golfe de Thaïlande
Worra-
pimphong
ACL 39
Kalimantan
// OLYMPE
Diversification des plantations d’hévéa à
Bornéo (Indonésie)
Bonté
CO 18
Lure
Interactions élevage, dynamique de la
végétation et biodiversité à Lure
Anselme
ACL 35
Ouessant
Motte-Piquet
Impacts des activités locales et de la
fréquentation touristique à Ouessant
Rouan
ACL 33
SorghoMali
Gestion in situ de la biodiversité des
céréales en Afrique de l’Ouest
Bazile
ACL 29 ; CACTI 27
CCOM 15,18,21,22
2005
BanMakMai
Liens entre migrations de jeunes actifs et
pratiques rizicoles (Thaïlande)
Naivinit
ACL 36; CO 25;
CACTI 33,37,41
CACTN 18; CCOM
20,25,26
Thieul
Multi-usage de l'espace et des ressources
autour d'un forage au Sahel
Bah
ACL 23 ; CACTI 23
CACTN 12
2006
DoiTiew
// Excel
Conflit d'usage des terres entre éleveurs
et forestiers (Thaïlande)
Dumrongroj-
watthana
ACL 41; CACTI 40 ;
CACTN 17
CCOM 27,31,51;
CAFF 7
NanGame *
Conflit entre communautés villageoises
et Parc National (Thaïlande)
Barnaud
ACL 37,43; CACTI
39
CCOM 19
35
Radi
Conflit d'usage de pâturages entre
sédentaires et migrants (Bhoutan)
Raj Gurung
CCOM 35
RiceShrimpMD
Concilier riziculture et crevetticulture
dans le Delta du Mekong
Le Canh
Dung
ACL 32; CACTI 32
CCOM 24,30
StupidModel ®
Benchmark pour comparaison
de plateformes SMA
Railsback
2007
Kengkhar
Gestion collective de l'eau en milieu
montagnard isolé et sec (Bhoutan)
Raj Gurung
2008
COSMOS
Dynamique d’une population de
charançons du bananier (Antilles)
Vinatier
ACL 34 ; CACTI 38
CCOM 29
ReHab *
Jeu de rôles Ressources Habitat
Le Page
ACL 46 ; CO 30
2009
CauxOpération
Gestion du ruissellement érosif
dans le Pays de Caux
Souchère
ACL 38 ; CAFF 4
2010
Bawkudo
Gouvernance de l’eau à l’échelle
d’un sous bassin dans le Nord du Ghana
Le Page
CO 29
CCOM 37,39,45
FarmCamargue
// Excel
Scénarios d’évolution des systèmes
agricoles camarguais
Delmotte
ACL 45 ; CCOM 36
KKB
Gestion d’une pêcherie de crabes bleus
en Thaïlande
Leteurtre
CAFF 8
2012
Agriculture
Flux de biomasse dans un terroir
agropastoral tropical (Burkina-Faso)
Diarisso
Frotembo
Chasse villageoise en bordure d’un Parc
National (Cameroun)
Le Page
ACL 44
CCOM 42,44,48
2013
Kulayinjana
Coexistence populations locales / faune
sauvage au Zimbabwe
Perrotton
CCOM 46,50,55;
CAFF 9
PhDModel
Intensification des pratiques d'élevage
en Amazonie Brésilienne
Plassin
VarzeaViva
Résilience des communautés locales
dans une plaine d'inondation (Brésil)
Bonnet
Bommel
CACTI 45
2014
Valensole
Durabilité du système agricole sur le
plateau de Valensole
Tardivo
CCOM 57
2015
Palmito
Organisation spatiale des pratiques
agricoles/palmier à huile en Indonésie
Moulin
Tableau 1. Liste des modèles multi-agents développés avec la plateforme Cormas
Chercher à distinguer les dimensions théoriques et empiriques de l’activité scientifique est
périlleux. Celle-ci se nourrit en effet des relations itératives entre des temps de réflexion
intellectuelle pour concevoir des idées, élaborer des hypothèses, formaliser des connaissances,
et des temps d’observation et de récoltes de données sur le terrain. En 1993, dans le premier
numéro de la revue « Natures Sciences Sociétés », Marcel Jolivet et Alain Pavé définissent le
concept de modèle comme « un objet concret par passe la confrontation théorie-
expérience ». Un modèle théorique peut s’envisager comme une manière de formuler des
observations. On cherche à généraliser pour produire un cadre d’analyse du monde observé.
Un modèle empirique serait plutôt une manière de re-présenter des observations dans le but de
les partager; dans ce sens, c’est un outil de dialogue sur la représentation des connaissances.
36
Fondé sur l’appréhension d’une situation particulière, un modèle empirique intègre des
éléments propres à un contexte spécifique. Ainsi dans le Tableau 1, toutes les thématiques
sans mention géographique correspondent à des applications théoriques, et à l’inverse toutes
celles classées comme empiriques, qu’elles soient stylisées ou réalistes, font référence à une
localisation précise. Ces éléments ne sont pas nécessairement des données chiffrées. Des
observations intégrées sous forme de variables qualitatives nominales ou ordinales, des
connaissances issues de données ethnographiques et traduites sous formes de règles
heuristiques vont contribuer à la représentativité du modèle.
Plus de la moitié (31/60) des applications développées sont de type empirique stylisé, le reste
se répartissant à part égale entre les deux autres types (cf Figure 12). Les contextes
géographiques les plus fréquemment représentés sont l’Afrique (14), l’Asie (13) et la France
métropolitaine (12), les 8 modèles restant se répartissant entre les DOM-TOM (4),
l’Amérique du Sud (3) et le Pacifique Sud (1).
Figure 12. Distribution par type et par année des 60 modèles multi-agents développés
avec la plateforme Cormas
Ce qui distingue dans notre catégorisation- un modèle empirique réaliste d’un modèle
empirique stylisé, c’est le fait que son environnement ait été directement établi en intégrant
des données géo référencées. Une représentation stylisée ne sera pas nécessairement moins
inféodée à un système réel qu’un modèle empirique réaliste, mais la façon de représenter
schématiquement l’espace fait partie intégrante de la conception du modèle. Dans le cas d’un
chargement de données en provenance d’un Système d’Information Géographique, une fois
les limites de l’environnement spécifiées, l’opération se limite à une dimension technique.
Selon les cas, la représentation schématique s’attachera à révéler la singularité du lieu d’étude,
ou cherchera à produire un environnement fictif mais représentatif de la situation étudiée.
Ainsi dans le cas du modèle SelfCormas, ce sont en réalité trois modèles, de même nature
37
mais différents, qui ont été développés au cours des ateliers organisés au Sénégal en avril
2000 par Patrick d’Aquino dans les villages de Mboundoum, Ndiaye et Gnith. Le modèle
ButorStar (jeu de rôles sur la gestion multi-usage d’une roselière en Camargue développé par
Raphaël Mathevet) représente un archétype de roselière et non une roselière particulière, à
l’inverse de la roselière du complexe des étangs du Charnier et du Scamandre en Petite
Camargue Gardoise qui est représentée dans le modèle ReedSim.
J’ai déjà évoqué dans les chapitres précédents les modèles didactiques que j’ai développés ou
reprogrammés pour enseigner des concepts sur les systèmes multi-agents et sur la gestion des
ressources renouvelables, j’ai donné quelques exemples de modèles de types empiriques
réalistes destinés à formaliser et capitaliser les connaissances acquises sur le fonctionnement
de socio-écosystèmes. Dans le chapitre qui suit, je décris les principaux modèles empiriques
stylisés conçus comme des outils de communication au service du partage de représentations,
qui ont été utilisés en aide à la concertation et pour stimuler des co-apprentissages.
38
5 UNE PRATI QUE DE LA M ODE LISATIO N
DACCO MPAGNEM ENT CENTREE SUR LA SI MUL ATION
MULTI-AGENT INTE RACTIVE
Après les premières années ayant rassemblé un groupe de chercheurs autour d’une pratique de
modélisation associant systèmes multi-agents et jeux de rôles baptisée modélisation
d’accompagnement (voir section 3.6), le réseau ComMod s’est structuré. Un texte précisant
les principes et la posture associée a été publié en anglais (Barreteau, Antona, et al., 2003)
puis en français (ComMod, 2005) dans la revue Natures Sciences Sociétés
15
. J’ai lancé la
mise en place d’un site Internet (www.commod.org). Des rencontres annuelles sont
organisées depuis 2002, une association a été créée en 2008. Des sessions de formation sont
régulièrement organisées par des membres du réseau. Le premier format proposé était
spécifiquement dédié aux jeux de rôles. J’ai co-animé les deux premières éditions organisées
en France (novembre 2004, janvier 2005). En 2009, le format de cette école-chercheur a
évolué pour englober les différentes phases de la mise en œuvre de ComMod, depuis
l’initialisation du processus jusqu’à son suivi-évaluation. Après la tenue de 5 éditions, en
2015, le groupe de formateurs engagé dans cette aventure a publié un ouvrage pédagogique
(Etienne, 2015). En parallèle, j’ai participé au montage aux Pays-Bas (Wageningen
University) et en Suisse (ETH Zürich) d’une version anglophone de cette école-chercheurs,
qui propose un focus spécial sur la facilitation. Beaucoup de chemin a été parcouru ensemble,
et dans le même temps, au gré des diverses expériences menées par les uns et les autres, des
chemins méthodologiques spécifiques se sont dessinés.
5.1 Positionnement et posture
La mise en œuvre d’un processus de modélisation d’accompagnement demande un ensemble
de compétences et de connaissances qu’une seule et même personne peut difficilement
posséder. Regroupé en un « noyau dur », plusieurs personnes fonctionnant en collectif
peuvent avantageusement se répartir les tâches. Le « porteur de la démarche » doit apporter la
légitimité de l’intervention par sa connaissance du socio-écosystème étudié et des relations
déjà existantes avec quelques acteurs locaux. L’idéal est que cette personne puisse séjourner
durablement sur le terrain, de manière à pouvoir bien appréhender le contexte local et
également suivre et mesurer les effets de la démarche en dehors des seuls « temps forts
collectifs » que constituent les ateliers de simulation interactive.
15
Six articles de commentaires accompagnent cette publication: Alain Pavé: La modélisation et la simulation des
objets et processus complexes. Questions scientifiques, méthodologiques et éthiques; Christian Mullon: Vers un
usage concerté de la modélisation et de la simulation dans les recherches interdisciplinaires; Dominique Hervé:
La modélisation d'accompagnement: un débat nécessaire et salutaire; Sylvie Lardon: Une charte pour la
modélisation d'accompagnement: pour quoi faire ? Claude Lobry: La science et l'action ; Yves Guermond: La
charte: une contribution à l'utilisation de la modélisation en sciences sociales.
39
Pour ma part, j’ai essentiellement travaillé en association avec des porteurs des processus
ComMod, doctorant(e)s le plus souvent, collègues chercheurs le reste du temps. Lorsque le
porteur était un(e) doctorant(e), d’autres collègues chercheurs étaient associés au noyau dur,
apportant leur connaissance de la thématique quand j’apportais de mon côté des
connaissances méthodologiques, sur la modélisation d’une part, et d’autre part sur l’animation
et la facilitation du processus. La facilitation du processus se concentre sur le bon usage des
méthodes, des outils, des procédures et des règles de fonctionnement, du maintien de bonnes
relations entre les participants, de la qualité de la dynamique de groupe, de l’atmosphère
générale. Elle est à distinguer de la facilitation du contenu, dévolue au porteur de la démarche,
qui accompagne la formulation de la question et le choix des thèmes de discussion, coordonne
les activités à réaliser, veillent à ce que des décisions soient prises pour se rapprocher de la
réalisation des objectifs fixés collectivement.
5.1.1 Concevoir pour simuler vs simuler pour concevoir
Par nature adaptatif, un processus participatif se revendiquant de la modélisation
d’accompagnement est difficile à faire tenir dans un cadre, même si des repères peuvent être
donnés (Daré et al., 2009). La co-construction d’un modèle conceptuel sous une forme d’un
diagramme d’interactions entre acteurs et ressources, telle que formalisée par la méthode
ARDI proposée par Michel Etienne (2011), ne posera pas de problème à des participants
habitués à ce type de gymnastique intellectuelle (gestionnaires, décideurs, chercheurs). Sur la
base de ce travail, un modèle de simulation sera implémenté pour nourrir des réflexions
collectives sur différents scénarios d’évolution du socio-écosystème étudié. Pour dérouler
toutes les étapes de la méthode ARDI, plusieurs ateliers sont souvent nécessaires. Le
simulateur informatique n’arrive que plus tard, les participants restant à l’écart