Mthodes d'agrgation d'avis d'experts : Application l'valuation des risques

SIMON Christophe
CRAN- Nancy-Universit- CNRS

CRAN Nancy Universit -CNRS UMR 7039

Contexte

Axes gouvernementaux du Dveloppement Durable

Logement, amnagement durable et ressources naturelles nergie et climat Dveloppement durable Prvention des risques Infrastructure et transports Prventions de risques majeures Prventions des risques et pollution Scurit Industrielle
Environnemental Vivable Viable Social conomique quitable

Prvention des risques

Durable

CRAN Nancy Universit -CNRS UMR 7039

Plan

Risque, expertise et perception Recueillir, Agrger et exploiter les avis des experts
Approches probabilistes Approches crdales Approches possibilistes

Quelques Applications
Agro-alimentaire Nuclaire Gnie civil Environnement

Conclusion
CRAN Nancy Universit -CNRS UMR 7039 3

Risque, expertise et perception

CRAN Nancy Universit -CNRS UMR 7039

Le risque

Le risque c'est : R=GxP

Courbe de Farmer (1967)

CRAN Nancy Universit -CNRS UMR 7039 5

La perception du risque

CRAN Nancy Universit -CNRS UMR 7039

Problmatique du risque
Le risque zro n'existe pas, il est inhrent notre existence Les socits industrialises l'acceptent de moins en moins Les risques se dveloppent en fonction de nos modes de vie
Risques sanitaires, Risques conomiques, Risques industriels, Risques environnementaux, Risques juridiques Au renouvellement de matriels, la construction de nouveaux dispositifs, la cration de dispositifs technologiquement plus complexes, disposer d'un retour d'exprience crdible et objectif percevoir prcisment les paramtres constitutifs du risque Modliser prcisment les mcanismes d'mergence du risque Maitriser les impacts des dispositifs quantifier le risque pour crer des donnes Mieux comprendre les impacts
CRAN Nancy Universit -CNRS UMR 7039 7

Notre modle de consommation pousse :

Nous avons donc des difficults :

D'o le recours l'expertise

Recueillir, agrger et exploiter les avis des experts

CRAN Nancy Universit -CNRS UMR 7039

Les experts
L'expert joue un rle crucial:
Il amne de la connaissance sur les processus risque, Il transpose des donnes d'une situation une autre. Subjectivit de lapprciation/perception de paramtres Problme de la prcision sur la perception dun paramtre Prise en compte lincertitude dans le processus dvaluation Sollicitation des experts sur un rfrentiel Capture du/des avis Combinaison/agrgation des avis Exploitation des avis dans le modle de calcul du risque
CRAN Nancy Universit -CNRS UMR 7039
valuation du risque selon la logique du processus Agrgation des avis

Lart expertal

Choix des paramtres Description des processus risque

Processus

Valuation des paramtres

Processus d'valuation

3 mthodes d'valuation
Mthodes qualitatives Mthodes semi-quantitatives Mthodes quantitatives P : Vraisemblance d'apparition du risque G : Consquence d'un accident

Le risque R=GxP

Graphe et matrice de risque

CRAN Nancy Universit -CNRS UMR 7039

Recueil, agrgation, valuation

Approches probabilistes

CRAN Nancy Universit -CNRS UMR 7039

Valuation des paramtres

Quantification objective
Modles d'valuation probabiliste d'occurrence de l'accident P Arbres de dfaillance Chaines de Markov Rseaux de Petri Rseaux Baysiens ...
P = f (P , Pn ) 1,

CRAN Nancy Universit -CNRS UMR 7039

Valuation des paramtres

Quantification subjective
Questionner les experts

frquent Occasionnel

Rare

Improbable Presque Impossible

Toggle Injury Without cessation

Toggle Injury With cessation

Irreversible Injury Minor permanent affection

Irreversible Injury Severe permanent affection

Death

CRAN Nancy Universit -CNRS UMR 7039

Valuation/Agrgation des paramtres

Quantification subjective/Approche frquentiste
Sur un pool consquent d'experts Modalits disjointes chelle nominale ou ordinale Contrainte d'un choix unique
frquent Occasionnel

X
Rare Improbable Presque Impossible

Agrgation
Calcul de frquence

Extraction du maximum pour faire la synthse du groupe d'experts L'expert ne peut pas tre imprcis en choisissant 2 modalits. S'il choisit 2 modalits, le poids de son vote doit tre divis par 2. Attention la cohrence Comment l'expert peut-il indiquer qu'il ne sait pas? Si l'avis de l'expert n'est pas strictement sur une modalit?
frquent Occasionnel CRAN Nancy Universit -CNRS UMR 7039

Remarques :

X
Rare

X
Improbable Presque Impossible

Exploitation

IV

III

II

CRAN Nancy Universit -CNRS UMR 7039

Exploitation

IV

III

II

CRAN Nancy Universit -CNRS UMR 7039

Exploitation
Exemple d'un rseau baysien codant la matrice de risque

CRAN Nancy Universit -CNRS UMR 7039

Valuation/Agrgation

Quantification subjective/Approche subjectiviste

Sur un pool consquent d'experts Modalits disjointes Mesure de crdibilit des modalits

Agrgation
Calcul dune distribution unique faisant la synthse du groupe d'experts (pi=wjpij)

Remarques :
L'expert peut tre incertain en donnant un poids plusieurs modalits Lexpert ne peut pas tre imprcis mme en choisissant n modalits. Lexpert doit tre additif (pij=1). Comment l'expert peut-il indiquer qu'il ne sait pas ? Les modalits relles sont elles rellement disjointes ?
0
CRAN Nancy Universit -CNRS UMR 7039

0.5

0.3

0.2

frquent Occasionnel Rare

Improbable Presque Impossible

Exploitation
0.24 0.64 0.11 0.02 0.43 0.52 0.02
1

0.01

frquent Occasionnel Rare

Improbable Presque Impossible

0.1
V

0.1
IV

0.4
III

0.3
II

0.1
I

CRAN Nancy Universit -CNRS UMR 7039

Remarques

Questionnaire
modalits disjointes frquentiste ou subjectiviste ventuellement sur des chelles continues avec des quantiles

Agrgation simple Modle probabiliste simple Ne tient pas compte de limprcision Problme de disjonction des modalits Lhomme nest pas une machine additive

CRAN Nancy Universit -CNRS UMR 7039

Recueil, agrgation, valuation

Approche crdale Thorie des Fonctions de croyance

CRAN Nancy Universit -CNRS UMR 7039

Proposition

Apporter de la souplesse dans lvaluation de l'expert

Permettre l'expert d'exprimer son incertitude et son imprcision Transformer les questionnaires Modifier les techniques d'agrgation Adapter les modles de calcul

Cela suppose de :

Changement de thorie support

CRAN Nancy Universit -CNRS UMR 7039

Evaluation/Agrgation

Thorie de Dempster-Shafer
m : 2 [0,1]

Combinaison dopinions
m1 m2 ( X ) =
m1 m2 ( X ) =
A B = X

m ( A).m (B )
1 2
1 2

A B = X

m ( A).m (B )
P ( X ) = Pls ( X ) =

Mesures de Croyance et Plausibilit

P ( X ) = Bel ( X ) =
A X

m( A)

A X

m( A)

Pls ( X ) = 1 Bel X

( )

Transformation Probabilits- masses de Croyances

m( X ) =
B X

( 1) X B Bel (B )
CRAN Nancy Universit -CNRS UMR 7039

Questionnaire

0.4

0.1

0.3

0.1

0.1

Frquent

Occasionnel

Rare

Improbable

Presque Impossible

Affectation des masses

CRAN Nancy Universit -CNRS UMR 7039

Affectation dintervalles de probabilits

Valuation/Agrgation

m1 m2 ( X ) =

A B = X

m ( A).m (B)
1 2

m1 m2 ( X ) =

A B = X

m ( A).m (B )
1 2

m1 m2 ( X ) =
m1 m2 ( X ) =

A B = X

m ( A).m (B )
1 2

A B = X

m ( A).m (B )
1 2

CRAN Nancy Universit -CNRS UMR 7039

Remarques

Questionnaire
form des sous ensembles de modalits disjointes subjectiviste ventuellement sur des chelles continues

Capture de limprcision Plusieurs Agrgations

Conjonctive Disjonctive Prudente (selon cohrence des avis ou non)

Modle de calcul plus complexe

Questionnaire plus sophistiqu Disjonction des modalits

CRAN Nancy Universit -CNRS UMR 7039

Recueil, agrgation, valuation

Approche possibiliste

CRAN Nancy Universit -CNRS UMR 7039

Proposition

Apporter de la souplesse dans la valuation de l'expert

Intgrant des chelles de cotations continues et ordinales Permettre l'expert d'exprimer son incertitude et son imprcision liminer lchelle ordinale discrte Transformer les questionnaires avec des chelles de cotation continue gradue par les concepts de valeurs Permettre lexpert de donner des gammes de valeurs possibles Modifier les techniques d'agrgation Adapter les modles de calcul

Cela suppose de :

CRAN Nancy Universit -CNRS UMR 7039

Echelle de cotation

Pour collecter les opinions imprcises:

Convertir lchelle ordinale discrete en chelle continue Graduer lchelle par les concepts ordonns Permettre aux experts de donner des distributions de valeurs possibles

Ab o

ut

C?

? Concepts disjoints
Nouvelle chelle subjective dvaluation

CRAN Nancy Universit -CNRS UMR 7039

Thorie des possibilits

Une distribution de possibilit est

Base sur un nombre flou Normalise (sup (A)=1) (A)=0 lvnement A est impossible (A)=1 lvnement A est possible Deux mesures (Possibilit/Ncessit) Non additives (B )+ (B ) 1 N (B )+ N (B ) 1

Vrifie
() = 0, (X)=1

( A) = 1
A = [9 13]

N A =1 A

A ,..., An P ( X ) 1 (Ui=1,..., n Ai ) = sup i=1,..., n ( Ai ) A P X

Les possibilits sont des substituts faibles des probabilits et dfinissent une famille de probabilits

CRAN Nancy Universit -CNRS UMR 7039

Interface de cotation

Il sagit donc de prciser les valeurs possibles et impossibles que peut prendre le paramtre et la certitude que lon a sur ces valeurs
CRAN Nancy Universit -CNRS UMR 7039

Cotation

Cotation prcise et certaine

Lexpert considre percevoir parfaitement la valeur du paramtre sans incertitude (engagement total)

CRAN Nancy Universit -CNRS UMR 7039

Cotation

Cotation imprcise et certaine

1

0 Faible Moyen Fort

Lexpert peroit le paramtre comme tant environ moyen

CRAN Nancy Universit -CNRS UMR 7039

Cotation

Cotation imprcise et incertaine

0 Faible Moyen Fort

Lexpert peroit la valeur du paramtre comme environ moyen Il nest pas sur que la valeur ne puisse pas tre galement Faible Fort

CRAN Nancy Universit -CNRS UMR 7039

Cotation

Cotation imprcise et incertaine

Lexpert ne sait pas ou ne veut pas proposer une valeur Toutes les concepts de valeurs sont possibles

CRAN Nancy Universit -CNRS UMR 7039

Agrgation davis

1er cas : 2 experts Avis concordants Expert 1

Expert 2

c = mi n 'e' ,c j ei i j

Avis agrgs

CRAN Nancy Universit -CNRS UMR 7039

Agrgation dopinions

2me cas: 2 experts Avis lgrement discordants

Expert 1

Expert 2

c = mi n 'e' ,c j ei i j

Avis agrgs

CRAN Nancy Universit -CNRS UMR 7039

Agrgation dopinions
2nd case: 2 experts Disjoint opinions

Expert 1

Expert 2

c = m i n 'e' ,c i j j ei

Avis agrgs

CRAN Nancy Universit -CNRS UMR 7039

Modes dagrgation

Mode conjonctif (experts fiables et cohrence des avis)

c = min 'e' ,c j ei i j

Mode disjonctif (Au moins un expert est fiable)

c = max 'e' ,c j ei i j

Moyenne (experts potentiellement peu fiables)

c =
j

1 K

ei iK

' ' ei ,c j

Agrgation par pool

c = max min 'e' ,c j L K , L =l iL i j
CRAN Nancy Universit -CNRS UMR 7039

Compatibilit aux concepts Calcul des prmisses

Introduire les avis agrgs dans le graphe de risque ou matrice
Formaliser les concepts de valeurs pour chaque paramtre Construire les partitions floues dentre Comparer chaque avis agrg avec la partition floue en mesurant la compatibilit aux concepts de valeurs dfinis

CRAN Nancy Universit -CNRS UMR 7039

Infrence : Combinaison/Projection

CRAN Nancy Universit -CNRS UMR 7039

Systme dInfrence floue

Bas sur le Modus Ponens
A partir des concepts de valeurs des paramtres formant les partitions floues entrantes et sortante Traduit le graphe en rgles SIALORS pour relier les concepts de valeurs selon la logique du graphe de risque Injection les prmisses Si C est Faible et F est et projection sur les niveaux de Risque (alors le Risque est)

Modus Ponens AB Or A B

CRAN Nancy Universit -CNRS UMR 7039

Logique du graphe de risque

CRAN Nancy Universit -CNRS UMR 7039

Applications

1. Industrie Agro-Alimentaire (C. BAUDRIT) 2. Suret Nuclaire (S. DESTERCKE) 3. Ouvrage de gnie civil (C. CURT) 4. Risque Naturel (J.M. Tacnet)

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

CRAN Nancy Universit -CNRS UMR 7039

Conclusion

Le manque de donnes objective conduit lutilisation dexperts Structurer le processus de collecte davis en accord avec dagrgation Les agrgations sappuient sur diffrentes thories
probabiliste (frquentiste/subjectiviste) quasi-probabilistes (incertitude et imprcision)

Mode dagrgation choisir selon ce que lon veut montrer

Conjonction Disjonction Conjonction/disjonction par groupe

Les avis agrgs peuvent tre propags dans des modles de complexit variable (quations, graphes) formalisant tout ou partie du processus dcisionnel

CRAN Nancy Universit -CNRS UMR 7039

Bibliographie
SIL allocation of SIS by aggregation of experts opinions, ESREL, Safety and Reliability Conference, Stavanger, 2007. T. Denoeux, The cautious rule of combination for belief functions and some extensions, in proceddings of FUSION2006, Florence, Italy, July 2006. P. Reichert and D. Keith, Bayesian combination of expert judgments: reinterpretation of the meaning and dependence of elicited distributions, 2001. M. Troffaes, Generalising the conjunction rule for aggregating conflicting expert opinions, Int. Journal of Intelligent Systems, 21(3): 361-380, 2006 C. Baudrit, D. Guyonnet and D. Dubois, Post-processing the hybird method for addressing the uncertainty in risk assessments, Journal of Environnemental Engineering, 131(12), 1750-1754, 2005. S.Destercke and E. Chojnacki, Methods for the evaluation and synthesis of multiple sources of information applied to Nuclear computer codes, Nuclear Engineering and Design, 238(9), Sep. 2008 J.M. Tacnet, M. BATTON-HUBERT and DEZERT, Information, fusion for natural hazards in mountains,in Part II, Advances and Applications of DSmT for Information Fusion, Volume 3, America Research Press, June 2009, pp 51006 Minh Ha-Duong, Hierarchical fusion of expert opinions in the Transferable Belief Model, application to climate sensitivity , International Journal of Approximate Reasoning, Volume 49, Issue 3, November 2008, Pages 555-574 Proceedings of the workshop on The use of expert Judgment in Decision Making, Aix en Provence, 21-23 June 2005 Institut de la maitrise des risques, Journe Nouvelles thories de lincertain pour la maitrise des risques industriels, 17/11/2008. P. Walley, Statistical reasonning with imprecise probabiliites, Chapmann and Hall, 1991 S. Sandri, D. Dubois and H. Kalfsbeek, Elicitation, assessment and pooling of expert judgments using possibility theory, IEEE Transactions on fuzzy systems, 3, 313-333, 1995 G. Shafer, A mathematical theory of evidence, Princeton University Press, 1976 D. Dubois and H. Prade, Possibility theory, Plenum Press, 1988. R. Cooke, Experts in uncertainty, Oxford University Press, 1991.
CRAN Nancy Universit -CNRS UMR 7039