MESURE DE LUTILITE SOCIALE FLOUE.

Michel Garrab michel.garrabe@univ-montp1.fr

Juin 2004

1-Introduction. 2-Problmatique 3-Principes mthodologiques 4-Validations des composantes de la valeur. 5-Identification floue de la valeur relative ex-ante. 6-Classement des prfrences (ex-post). 7-Elaboration de lexperton pondr 8-Equivalent montaire de lutilit 9-Conclusion. 10-Bibliographie

GRES
GROUPE DE RECHERCHE EN ECONOMIE SOCIALE CEP-LASER-UNIVERSITE DE MONTPELLIER 1

2 1-INTRODUCTION. Dans ce travail, nous allons tenter de reprendre un certain nombre de questions quune prcdente tude1 avait laiss sans rponse. Notre proccupation rcurrente demeure de tenter de mesurer la valeur de lutilit sociale des organisations dconomie sociale (OES). Pour cela, nous concentrons notre effort sur lidentification et la modlisation des composantes de lutilit sociale Nous souhaitons persvrer dans notre objectif didentifier si possible une valeur montaire de cette utilit sociale en testant certaines propositions dans le cadre denqutes cibles. Nous nous proposons de le faire, ici, non plus en imposant aux personnes enqutes, de choisir entre des valeurs quantifies prcises , mais en respectant le systme dvaluation que nous sommes habitus pratiquer quotidiennement, celui dexpression de prfrences smantiques vagues ou floues , telle que par exemple, jai trouv ce film trs bon . Un tel systme ncessite pour tre utilis dans la perspective dune valuation de recourir des mthodes particulires utilisant les principes de la logique floue. Parmi les possibilits offertes par les applications de la logique floue nous retiendrons celle des expertons. Cette mthode est relativement peu utilise, et na, notre connaissance, jamais t employe en conomie sociale. 2-PROBLEMATIQUE. Dans un travail prcdent (2003), nous nous tions propos de recourir la technique des cartes de prfrences values pour identifier et mesurer les composantes de lutilit sociale dune catgorie dOES culturelle. Cette mthode consistait prsenter aux personnes sollicites, une carte sur laquelle figuraient des valeurs en euros chelonnes de 0 100, parmi lesquelles lenqut pouvait choisir. Notre application portait sur un cin-club, dont nous avions identifi les composantes productives La mthode utilise nous permettait de mesurer la valeur de trois proprits de cette catgorie dassociation : le spectacle, lapport cognitif et la convivialit. Cependant la technique utilise consistait prsenter une liste, aux enquts soumis ltude, et leur proposait de se prononcer sur une valeur prcise choisir parmi un ensemble. Bien que largement utilise, cette pratique interdit de prendre en compte limprcision subjective du choix individuel, soumis contrainte dvaluation. De plus le fait de ne se prononcer quex post ( la sortie dun spectacle) sur la place relative de chacune des composantes est source de confusion entre la position priori des acteurs, vis vis de chacune de ses composantes relativement aux autres et linfluence des vnements de la sance (qualit du spectacle, de la discussion, ou du lien social) sur leur hirarchie priori. Dans le cadre de ce prsent travail, nous reprendrons pour notre application, le mme type dassociation test que dans la prcdente tude, mais nous nous proposerons de tenir compte de la difficult deffectuer un choix de valeur prcise. Pour cela, nous utiliserons une procdure permettant de retenir un choix imprcis, dans le cadre dun protocole denqute particulier portant sur lidentification, mme vague ou floue, des valeurs des proprits identifies.

Garrab M. (Nov 2003) : Utilit sociale et capital social interne GRES Universit de Montpellier www.creslr.org/ores/travaux.asp.

3 De plus, nous nous proposerons aussi dtudier la question du classement et de la pondration des diffrentes proprits pour les acteurs, partir dun protocole spcifique didentification des prfrences ex-ante. Les informations obtenues par acteur serviront ensuite pour pondrer la satisfaction mesure ex-post. Enfin, par rapport notre tude prcdente, notre investigation portera sur une population diffrente dacteurs concerns, celle des adhrents exclusivement. Nous avions prcdemment tudi les prfrences values pour adhrents et bnficiaires, nous ne retiendrons ici que le point de vue des adhrents ce qui nous permettra de mesurer des valeurs peut tre moins volatiles, et donc dutiliser une mthode de classement de valeurs floues plutt rserve aux acteurs considrs comme prsentant une certaine expertise. 3-METHODOLOGIE. La mthode retenue pour mesurer les prfrences imprcises des personnes sollicites relve des principes de la logique floue. Parmi les principaux outils disponibles, sous ensembles flous, alatoires flous, flous, expertons, nous retiendrons ces derniers. 3.1-Phasage. Le protocole mthodologique de cette tude comprendra un certain nombre de dtapes successives. a-La validation des composantes de la valeur prsentes comme les proprits de la production associative.Nous reprendrons ici un questionnement dj effectu, pour confirmer les prcdents rsultats, sur ce point. b-Lidentification floue de lordre des prfrences et de la valeur relative ex-ante de chacune des composantes partir dune figure classique en reprsentation statistique, celle dun triangle quilatral, permettant de reprsenter les trois proprits de lutilit sociale, avec comme proprit une sommation de valeur unitaire. c-Lidentification floue de la valeur attribue ex-post chacune des composantes en utilisant une rgle repres smantiques flous, La construction dune chelle de valeurs smantiques pose la question du nombre de niveaux valus retenus. En gnral on retient 11 niveaux, mais il semble quau-del de 5 7 niveaux, la perception des diffrences soit trs difficile. En pratique cela ne devrait pas poser de problme puisque lon admettra un choix flou (couvrant plusieurs valeurs smantiques). Un exemple est propos par le tableau N 1. Tableau N 1 Niveau 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Valeur Faux Trs faux Presque faux Plutt faux Plus faux que vrai Aussi vrai que faux Plus vrai que faux Plutt vrai Presque vrai Trs vrai Vrai

4 On peut dailleurs aller plus loin et penser que le recours au choix flou autorise un nombre de niveaux beaucoup plus important. Rien ninterdit en principe de retenir 20, 30 40 niveaux ou plus, sauf quil sera impossible de leur attacher une valeur linguistique. On peut recourir une rgle de valeurs smantiques floues du type de celle propose ciaprs. I 0 I 0.1 I 0.2 I 0.3 I 0.4 I 0.5 I 0.6 I 0.7 II 0.9 I 1

0.8

Dans le cadre dune enqute, on demande lacteur sollicit de situer sa convenance la localisation de son choix, sur la rgle, en entourant (ou en pointant sil y a lieu), lespace correspondant. . d-Pondration des prfrences, en affectant aux informations ex-post les valeurs obtenues ex-ante. Lvaluation de la valeur des proprits doit ncessairement conduire distinguer la distribution priori avant la sance) des prfrences (classement des 3 proprits) et dautre part la mesure de la satisfaction des acteurs par rapport la qualit du spectacle de lapport cognitif et de la convivialit. Deux enqutes ont donc t ncessaires. La premire, en dehors de toute sance (ventuellement avant la sance) afin de dterminer pour chaque acteur la hirarchie quantifie floue priori de ses prfrences entre les trois proprits. La seconde ayant pour objet de mesurer sa perception floue de la qualit des trois proprits, aprs la sance. Dans notre prcdente tude cette distinction navait pas t faite de telle sorte que lidentification ex-post par la mthode de la carte de prfrences values ne permettait pas de distinguer prfrences ex-ante et satisfaction ex-post, au risque que la mesure obtenue soit une valeur confuse. Ainsi on peut trs bien accorder au spectacle une valeur relative forte et ne pas tre satisfait du spectacle auquel on vient dassister. Dans ce cas lenqute permettant didentifier cette valeur relative, ex-post ne mesure pas vraiment lutilit globale. e-Elaboration de lexperton. Lexperton est un concept propos par A.KAUFMANN (1987) qui rsulte de lassociation de celui de sous ensemble alatoire flou et de celui dintervalle de confiance2 . Il en rsulte un outil construit partir dinformations floues dont on dtermine la loi de probabilit, et dont lesprance mathmatique de la probabilit cumule donne une valeur dfuzzifie dexpertise. Nous reviendrons dans le point suivant sur la mthode de construction dun experton. f-Proposition dune valeur montaire par proprit. A partir des rsultats obtenus (un sous ensemble flou) nous pourrons proposer une valeur montaire, en retenant comme valeur dopportunit le prix moyen dune sance de cinma sur le march. 3.2-Formalisation dune proposition floue.. Les informations proposes spontanment par les acteurs de la vie conomique et sociale sont gnralement incompltes et imprcises plutt quincertaines (SANDRY.S.A. 1997), et la valorisation de la proprit dun phnomne sexprime plus naturellement en langage courant quen unit de mesure. De telle sorte que lorsque lon interroge un individu, en le soumettant par exemple un choix entre plusieurs valeurs numriques, quelle que soit

A KAUFMANN (1987) : p17

5 sa rigueur rpondre, on est pratiquement assur de perdre de linformation, puisque ce type denqute interdit de prendre en compte les opinions situes lintrieur dun intervalle. Le recours la logique classique (mme multivalente) reste insuffisant lorsque lon aborde des domaines ou des types de questions, pour lesquels les connaissances disponibles sont vagues, imprcises et incertaines. Dans ces circonstances la nature de linformation impose lutilisation dune autre logique que la logique classique: la logique floue, appele aussi logique linguistique. La logique boolenne est fonde sur la notion de variable binaire, la logique floue sur celle de variable floue et de variable linguistique. Le terme de variable linguistique est beaucoup plus gnral que celui de variable floue, qui reste une extension directe de la variable binaire classique. On peut dfinir une variable floue a, comme appartenant lintervalle [0,1], associe la fonction dappartenance fA (x), avec a= fA (x) , dun sous ensemble flou A de lunivers de rfrence U. Lexpression variable linguistique introduite par ZADEH, propose que les valeurs de cette variable ne soient pas numriques, mais symboliques, comme les mots et les expressions du langage courant. Une variable quelconque peut tre reprsente par un triplet (U, X, Dx) compos dun ensemble de rfrence U, dune dsignation X (nom de la variable) et dun domaine de dfinition Dx, sous ensemble de U, ou ensemble flou de rfrentiel U (cas dune variable floue). Une variable linguistique est dfinie par un triplet (X, U, Tx) dans lequel Tx dsigne lensemble fini ou non des valeurs linguistiques de la variable X appels termes. Ce sont des expressions vagues du langage naturel qui caractrisent X et qui sont modlises par des ensembles flous. Pour prciser la caractristique dune variable linguistique faible , on peut lui associer un adverbe (modificateur) assez . La modification de caractristiques se traduira sur la fonction dappartenance. En supposant que R soit une caractristique floue, drive dune autre caractristique floue A par le modificateur m, on peut crire R=m(A) ou fR(x)=mfA(x). Une proposition floue simple est de la forme x est A ,o A est un lment de Tx associ un prdicat flou. Une proposition compose est constitue de propositions floues simples, telles que x est A , y est B , relies entre elles par des connecteurs, en gnral, ET (conjonction) et OU (disjonction) . On sait, que lunion de deux sous-ensembles flous A et B de X, est le sous ensemble flou constitu des lments de X affects du plus grand de leur degr d'appartenance, donn par f(A) et f(B). Elle est dfinie comme l'lment D=AB de F(X) tel que:
x X, fD (x) = maxf(A), f(B)

x X, fD (x) = maxf(A), f(B)..., f(N)

Si D=AB.N, alors:

x X, fD (x) = min f(A), f(B)

Lintersection est dfinie comme llment D=A B de F (X) tel que : S iD=A B ...N, alors :

x X, fD (x) = minf(A), f(B)..., f(N)

3-3 Principes de construction dun experton.

6 Soit la proprit (U) dune organisation (par exemple son utilit sociale), sur laquelle on interroge chaque individus i, i [1,.,n] concernant les caractristiques C(h), h [1,.,m] ) de cette proprit (par exemple ses productions de services, apport cognitifs, amnit).
~ C(h)} : 1-On dfinit lvaluation de i comme un ensemble flou Si ={ S i ~ C(h)= min C(h)= max h, S si C(h) [0.1] si
i

(1) (2) les

~ [ min C(h), max ou S si C(h)] [0.1] si i

~ C(h) comme 2-Lagrgation des valuation est obtenue en considrant S i exemples de variables alatoires sC(h) prenant leur valeur dans [0.1].

3-On tablit leurs lois de probabilit partir des valeurs limites MIN et MAX des valuations. A partir de chacun des niveaux de lchelle dvaluation obtenue, on construit un experton. Les lois de probabilit sont alors dfinies sur 11 niveaux dchelle smantique.

h, P( min s C(h)=)=

nmin N nmax P( max C(h)=)= s N

(3) (4)

min et nmax reprsentent les frquences de comme valeurs MIN et MAX des valuations n

du caractre C(h) et N le nombre de personnes enqutes. 4-Enfin les lois de probabilit sont transformes en une fonction de distribution cumule qui constitue un experton obtenu partir des valeurs MIN et MAX de chacune des proprit.. F( min s C(h)=)= F( max C(h)=)= s

=
1

P( min s C(h)=) P( max C(h)=) s

(5) (6)

Lexperton une fois construit, on peut calculer lesprance mathmatique des valeurs MIN et MAX, ce qui nous donne un sous ensemble flou rsultat, qui peut tre ramen un rsultat ponctuel. 4-VALIDATION DES COMPOSANTES DE LA VALEUR PRESENTEES COMME LES PROPRIETES DE LA PRODUCTION ASSOCIATIVE. Une proccupation pralable lidentification des choix flous a t de valider les proprits qui seront retenues comme composantes de lutilit sociale dans notre cas. Lidentification des proprits dun cin-club rsultait dune tude pralable et avait dj fait lobjet dune validation. Lintitul de la question tait : lidentification du surplus. 1-Pensez-vous que venir au Cin-Club est une dmarche diffrente daller voir un film dans une salle traditionnelle ? oui non 2-Pensez-vous que le Cin-Club vous apporte quelque chose en plus que le simple visionnage dun film ? oui non 3-Si oui pensez-vous que ce quelque chose en plus soit :

7 -lintrt dune prsentation/discussion du film, son auteur, ses acteurs. oui -Lintrt dune ambiance diffrente plus conviviale, propice aux contacts. oui non non

Les rsultats du questionnement nous avaient permis de retenir ces trois proprits comme pertinentes pour la suite de notre dmarche. 5-IDENTIFICATION FLOUE DE LA VALEUR PROPRIETES POUR CHACUN DES ACTEURS. 5.1-Prsentation de lobjet de lenqute. Aprs avoir confirm la validation du choix des proprits retenues dans le cadre de ltude, notre proccupation sera de mesurer la valeur relative de chacune de ces proprits. La dtermination de lordre de prfrence ex-ante des enquts, mais plus encore le degr de prfrence relative de chaque proprit sera un oprateur important pour valoriser la satisfaction de chacune dentre elle ex-post. En effet, on doit comprendre que si une proprit est considre ex-ante comme le plus importante priori, son utilit totale ex-post dpendra non seulement de sa qualit ex-post, mais aussi de limportance de lattente de lacteur la concernant. De telle sorte que lon peut proposer que la satisfaction totale relative lusage dune proprit soit mesure par limportance de lattente dont elle est lobjet affecte de la valeur de son utilit ex-post. On est donc conduit identifier et mesurer les attentes ou valeur ex-ante des proprits retenues, lesquelles constitueront une valeur de pondration des valeurs ex-post permettant didentifier la valeur rsultante finale. Une question mthodologique surgit alors, il sagit de dterminer un protocole de mesure de ces valeurs ex-ante constituant un systme de pondration. La question se ramne concevoir un processus permettant dattribuer une valeur relative chacune des proprits dont la somme serait unitaire. Ce processus didentification de valeurs floues ex-ante somme de valeur unitaire nous lavons conu partir dune figure de reprsentation classique en statistique descriptive. En bref, ce qui caractrise lapproche propose, ici, est en consquence lidentification et la mesure des prfrences ex-ante et ex-post de chacune des proprits, en utilisant une mthode didentification et de mesure prservant le caractre imprcis des informations obtenues. 5.2-Prsentation du support et de son utilisation. -Nous nous proposons de soumettre chacun des acteurs enquts, une figure destine nous permettre didentifier la valeur de leur prfrence relative pour chacune des trois proprits retenues. -Cette figure est un triangle quilatral dont lintersection des trois hauteurs dtermine six aires gales. Les trois sommets reprsentant la valeur maximale de chacune des trois proprits(1), alors que le point dintersection de la hauteur et du cot oppos reprsente la valeur minimale (0). -Chacune des aires reprsente donc un espace de prfrence particulier, les six aires puisant les combinaisons possibles de ces prfrences. -A lintrieur de ces aires, chaque point de lespace dispose de coordonnes propres, proposant un ordre de prfrence ayant une valeur spcifique. -Il est demand aux personnes enqutes de choisir une aire correspondant leur ordre de prfrence parmi les six possibilits existantes, puis lintrieure de laire choisie de RELATIVE DE CHACUNE DES

8 procder au choix dune aire de taille, de forme et de localisation libre, pour reprsenter la fois leur prfrence locale mais aussi leur indtermination et leur imprcision. -Le dessin dune aire libre permet didentifier un choix flou. Toutefois pour des raisons didentification des coordonnes, il est demand aux enquts de proposer, si possible, une aire de choix convexe, approximativement ronde ou ovale. Le choix dune figure de taille importante (de lordre de vingt centimtres de cot), facilite le dessin daires assez petites en moyenne, dont limprcision reste circonscrite. -A partir de cette figure, nous pouvons reprer sur les axes gradus (hauteurs du triangle), les valeurs floues des choix (reprsentes par des intervalles).

SPECTACLE

1 Spectacle 2 Connaissance 3 Convivialit

S S

1 Spectacle 2 Convivialit 3 Connaissance

C 1 Connaissance 2 Spectacle 3 Conviviali S CO CO S C CONNAISSANCE C 1 Connaissance 2 Convivialit 3 Spectacle CO C S C C

CO S 1 Convivialit 2 Spectacle 3 Connaissance

CO CO CONVIVIALITE

1 Convivialit 2 Connaissance 3 Spectacle

Par exemple la localisation de laire choisie sur la figure est reprsent par : Spectacle f Connaissance f Convivialit Soit laire Ai {0.65-0.75 ; 0.15-0.25 ; 0.05-0.15} reprsentant un ordre de prfrence ex-ante flou. 5-3.Echantillon et collecte de linformation. Linterrogation de vingt personnes considres comme reprsentatives dun groupe dadhrent, eux-mmes consults au titre dune relative expertise par rapport aux usagersbnficiaires des sances de cin-club, a donn les rsultats suivants. Les avis obtenus constituent des intervalles de confiance regroups en une matrice de valuation dexperts. Lutilisation de la mthode sur des chantillons de taille suprieure ne pose pas de problmes mthodologiques. Pour le traitement, la programmation sera ncessaire.

9 Tableau N 2 Prfrences ex-ante des adhrents.

QUEST 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Aire S>C>Co S>C>Co S>C>Co S>Co>C S>Co>C S>C>Co S>Co>C S>C>Co S>C>Co S>C>Co S>Co>C S>Co>C Co>S>C S>Co>C S>C>Co S>C>Co S>C>Co C>S>Co S>C>Co S>Co>C Co>S>C Co>S>C S>C>Co S>Co>C S>Co>C Spectacle Cognitif Convivialit MIN MAX MIN MAX MIN MAX 0,57 0,68 0,22 0,34 0,05 0,14 0,74 0,85 0,11 0,2 0,01 0,09 0,71 0,77 0,06 0,16 0,11 0,19 0,74 0,64 0,59 0,52 0,51 0,39 0,48 0,32 0,45 0,45 0,68 0,39 0,54 0,39 0,24 0,51 0,47 0,82 0,7 0,64 0,58 0,56 0,45 0,58 0,38 0,5 0,52 0,74 0,46 0,67 0,46 0,36 0,59 0,58 0,01 0,25 0,08 0,42 0,4 0,31 0,14 0,24 0,09 0,35 0,18 0,41 0,24 0,08 0,09 0,21 0,16 0,05 0,34 0,18 0,35 0,46 0,38 0,23 0,3 0,19 0,41 0,24 0,49 0,31 0,17 0,21 0,27 0,23 0,17 0,01 0,2 0,02 0,01 0,2 0,26 0,21 0,06 0,31 0,11 0,06 0,27 0,31

0,35 0,41 0,35 0,11 0,05 0,1 0,08 0,41 0,51 0,18 0,25 0,42 0,16 0,11 0,15 0,16 0,49 0,59 0,24 0,31

5-4 Elaboration de lexperton. a-Cumul ex-ante. A partir des observations prcdentes, on procde la somme des valeurs MIN et MAX par niveau. Ce qui donne les rsultats suivants. Tableau N 3
Spectacle niveau MIN MAX 0 0 0 0,1 0 0 0,2 1 0 0,3 1 0 0,4 3 2 0,5 8 5 0,6 3 6 0,7 4 4 0,8 0 2 0,9 0 1 1 0 0 Cognitif niveau MIN MAX 0 1 0 0,1 7 1 0,2 6 9 0,3 2 5 0,4 4 3 0,5 0 2 0,6 0 0 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0 Convivialit niveau MIN MAX 0 4 0 0,1 6 6 0,2 4 6 0,3 2 4 0,4 3 2 0,5 1 1 0,6 0 1 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0

10 b-Identification de la loi de probabilit. La mise sous la forme dune loi de probabilit seffectue comme nous lavons dj prcis. Le nombre des observations constitue le quotient que lon affecte aux valeurs du tableau prcdent. Tableau N 4
niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Spectacle MIN MAX 0 0 0 0 0,05 0 0,05 0 0,15 0,1 0,4 0,25 0,15 0,3 0,2 0,2 0 0,1 0 0,05 0 0 Cognitif niveau MIN MAX 0 0,05 0 0,1 0,35 0,05 0,2 0,3 0,45 0,3 0,1 0,25 0,4 0,2 0,15 0,5 0 0,1 0,6 0 0 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0 Convivialit niveau MIN MAX 0 0,2 0 0,1 0,3 0,3 0,2 0,2 0,3 0,3 0,1 0,2 0,4 0,15 0,1 0,5 0,05 0,05 0,6 0 0,05 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0

c-Probabilits cumules : experton ex-ante. A partir du tableau N 4 on calcule la probabilit c umule pour chacun des niveaux de chaque proprit. Tableau N 5
niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Spectacle MIN MAX 1 1 1 1 1 1 0,95 1 0,9 1 0,75 0,9 0,35 0,65 0,2 0,35 0 0,15 0 0,05 0 0 Cognitif niveau MIN MAX 0 1 1 0,1 0,95 1 0,2 0,6 0,95 0,3 0,3 0,5 0,4 0,2 0,25 0,5 0 0,1 0,6 0 0 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0 Convivialit niveau MIN MAX 0 1 1 0,1 0,8 1 0,2 0,5 0,7 0,3 0,3 0,4 0,4 0,2 0,2 0,5 0,05 0,1 0,6 0 0,05 0,7 0 0 0,8 0 0 0,9 0 0 1 0 0

5-5 Commentaire. Lexperton auquel nous sommes parvenus, pour les trois proprits identifies, constitue un instrument de pondration que nous affecterons aux prfrences ex-post. En effet, comme nous lavons dja soulign, limportance de la satisfaction ex-post relative, de chacune des proprits, dpend de la valeur priori accorde relativement chacune dentre elles. De notre point de vue la pondration joue le mme rle dans le processus de valorisation quune probabilit doccurrence. Cela nous permettra de recourir ultrieurement un oprateur probabiliste pour construire lexperton final.

11 6- CLASSEMENT DES PREFERENCES EX-POST. 6-1-Principe. Une enqute permet de didentifier les valeurs floues accordes par des adhrents (experts) dun cin-club aux trois caractristiques suivantes de lensemble dun programme de films prsent au cours de lanne : la valeur des films comme spectacles, la valeur des sances du point de vue de leur apport cognitif (prsentation- discussion), enfin la valeur de convivialit de lactivit. Le protocole a conduit slectionner 20 personnes et leur proposer de rpondre, le plus librement possible, de faon prcise ou non aux questions poses. Pour cela une rgle repres smantiques flous leur a t propose pour chacune des trois proprits testes du programme, sur lesquelles les enquts pouvaient exprimer une rponse imprcise. La rgle repres smantiques flous est talonne ex-post pour permettre le reprage des intervalles dvaluation de chacun des enquts. Assez bon Plutt bon Excellent I 1 Trs bon I mauvais Trs mauvais Assez mauvais Plutt mauvais

moyen

I 0

Chaque rponse a t mesure partir de lintervalle (ou de leur valeur crisp) observ sur la rgle. Ce reprage ncessite un talonnement prcis de la rgle et une lecture qui peut requrir un lecteur optique et un programme adapt. Les rsultats obtenus sont les suivants :

6-2-Identification des valeurs floues Le recueil des informations obtenues fait apparatre les intervalles de valeurs suivants pour les trois proprits retenues Pi={P1, P2, P3 }. Par rapport lvaluation de la valeur relative ex-ante des trois proprits, il sagit ici de mesurer la satisfaction ex-post floue de chacune de ces proprits. Il ny a pas donc aucune raison pour que la somme de ces satisfactions soit gale 1. Les rsultats du dpouillement des questionnaires permettent dtablir le tableau suivant :

bon

nul

12 Tableau N 6. Prfrences ex-post.

QUEST 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Spectacle MIN MAX 0,62 0,91 0,72 0,9 0,81 0,9 0,9 1 0,73 0,82 0,65 0,83 0,72 0,92 0,74 1 0,63 0,84 0,75 0,9 0,9 1 0,62 0,72 0,63 0,84 0,57 0,82 0,64 0,92 0,71 0,83 0,84 1 0,75 0,93 0,62 0,84 0,61 0,92 QUEST 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Cognitif MIN MAX 0,53 0,72 0,46 0,61 0,82 0,94 0 1 0 1 0,42 0,84 0,73 1 0,28 0,52 0,74 0,92 0,81 1 0,65 0,93 0 1 0,42 0,84 0 0,8 0 1 0,71 0,92 0,83 0,92 0,28 0,54 0,52 0,85 0,71 0,86 QUEST 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Convivialit MIN MAX 0,37 0,44 0,23 0,58 0,72 0,84 0,68 0,81 0,44 0,68 0,52 0,63 0,74 0,82 0,57 0,71 0,8 0,9 0.24 0,52 0,42 0,54 0,74 0,88 0,63 0,75 0,48 0,63 0,67 0,73 0,69 0,45 0,83 0,75 0,57 0,82 0,76 0,84 0,61 0,68

Lchelle de la rgle permet dapprcier des valeurs au centime. En quatre circonstances pour lapprciation de lapport cognitif, on a not une incapacit de rponse qui a conduit prfrer un intervalle maximum une valeur arbitraire. 6-3 Elaboration de lexperton ex-post. a-Cumul ex-post. Selon le mme principe que prcdemment. Tableau N 7
niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Spectacle MIN 0 0 0 0 0 0 8 6 4 2 0 MAX 0 0 0 0 0 0 0 1 7 8 4 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 niveau Cognitif MIN 5 0 0 2 2 3 0 5 3 0 0 MAX 0 0 0 0 0 2 1 1 3 7 6 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Convivialit niveau MIN 0 0 2 0 3 3 4 5 3 0 0 MAX 0 0 0 0 1 2 3 5 7 2 0

13 b-Identification de la loi de probabilit. Tableau N 8

niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Spectacle MIN 0 0 0 0 0 0 0,4 0,3 0,2 0,1 0 MAX 0 0 0 0 0 0 0 0,05 0,35 0,4 0,2 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 niveau Cognitif MIN 0,25 0 0 0,1 0,1 0,15 0 0,25 0,15 0 0 MAX 0 0 0 0 0 0,1 0,05 0,05 0,15 0,35 0,3 niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Convivialit MIN 0 0 0,1 0 0,15 0,15 0,2 0,25 0,15 0 0 MAX 0 0 0 0 0,05 0,1 0,15 0,25 0,35 0,1 0

c-Probabilits cumules : experton ex-post. Tableau N 9

niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Spectacle MIN MAX 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0,6 1 0,3 0,95 0,1 0,6 0 0,2 niveau 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Cognitif MIN MAX 1 1 0,75 1 0,75 1 0,75 1 0,65 1 0,55 1 0,4 0,9 0,4 0,85 0,15 0,8 0 0,65 0 0,3 Convivialit niveau MIN MAX 0 1 1 0,1 1 1 0,2 1 1 0,3 0,9 1 0,4 0,9 1 0,5 0,75 0,95 0,6 0,6 0,85 0,7 0,4 0,7 0,8 0,15 0,45 0,9 0 0,1 1 0 0

7-ELABORATION DE LEXPERTON PONDR. 7-1 Principe et application. La construction de cet experton rsulte du fait que nous considrons la pondration de limportance subjective des valeurs des proprits, fonctionne comme un oprateur probabiliste classique.

14 Tableau N 10
Spectacle MIN MAX 1 1 1 1 1 1 0,95 1 0,9 1 0,75 0,9 0,35 0,65 0,2 0,35 0 0,15 0 0,05 0 0 Cognitif MIN MAX 1 1 0,95 1 0,6 0,95 0,3 0,5 0,2 0,25 0 0,1 0 0 0 0 0 0 0 0 0 0 Convivialit MIN MAX 1 1 0,8 1 0,5 0,7 0,3 0,4 0,2 0,2 0,05 0,1 0 0,05 0 0 0 0 0 0 0 0 Spectacle MIN MAX 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0,6 1 0,3 0,95 0,1 0,6 0 0,2 Cognitif MIN MAX 1 1 0,75 1 0,75 1 0,75 1 0,65 1 0,55 1 0,4 0,9 0,4 0,85 0,15 0,8 0 0,65 0 0,3 Convivialit MIN MAX 1 1 1 1 1 1 0,9 1 0,9 1 0,75 0,95 0,6 0,85 0,4 0,7 0,15 0,45 0 0,1 0 0

=
Spectacle MIN MAX 1 1 1 1 1 1 0,95 1 0,9 1 0,75 0,9 0,35 0,65 0,12 0,35 0 0,14 0 0,03 0 0 Cognitif MIN MAX 1 1 0,71 1 0,45 0,95 0,23 0,5 0,13 0,25 0 0,1 0 0 0 0 0 0 0 0 0 0 Convivialit MIN MAX 1 1 0,8 1 0,5 0,7 0,27 0,4 0,18 0,2 0,04 0,095 0 0,0425 0 0 0 0 0 0 0 0

7-2 Calcul des esprances mathmatiques. Tableau N 11

Spectacle MIN 0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4-0.5 0.5-0.6 0.6-0.7 0.7-0.8 0.8-0.9 0.9-1 1 1 1 0,95 0,9 0,75 0,35 0,12 0 0 6,07 0,61 MAX 1 1 1 1 1 0,9 0,65 0,35 0,14 0,03 7,07 0,71 Cognitif MIN 0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4-0.5 0.5-0.6 0.6-0.7 0.7-0.8 0.8-0.9 0.9-1 1 0,71 0,45 0,23 0,13 0 0 0 0 0 2,52 0,25 MAX 1 1 0,95 0,5 0,25 0,1 0 0 0 0 3,8 0,38 Convivialit MIN 0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4-0.5 0.5-0.6 0.6-0.7 0.7-0.8 0.8-0.9 0.9-1 1 0,8 0,5 0,27 0,18 0,04 0 0 0 0 2,79 0,28 MAX 1 1 0,7 0,4 0,2 0,095 0,043 0 0 0 3,438 0,34

Nous obtenons ainsi le sous ensemble flou suivant :

15

[0,61

0,71]

[0,25 0,38]

[0,28

0,34]

Pour obtenir le classement entre les trois proprits tudies, le spectacle, lapport cognitif et la convivialit, une faon simple de procder est de retenir la moyenne des intervalles des esprances mathmatiques.
0,66 0,32 0,31

Ce qui donne la relation de prfrence :

f P

f P

On constate que les valeurs des proprits P2 et P3 sont trs proches. 8-EQUIVALENT MONETAIRE DE LA DISTRIBUTION DE LUTILITE. A partir du dernier rsultat obtenu, il est possible dtablir les quivalents montaires des valeurs calcules des prfrences pour chacune des proprits de lutilit sociale. 8-1 Principes. Nous retiendrons, comme dans notre travail prcdent (Nov 2003) les principes suivants. 1-On suppose que lon va au cin-club dabord pour voir un bon film. Donc si on hsite pour y aller, on hsite dabord entre deux spectacles, le deuxime spectacle tant suppos probablement aussi tre un film. On peut donc poser que lutilit du film de cin-club est au moins gale celle du film substitut . 2-Ce prix est considr comme la disposition payer maximale pour le film substitut, puisquon choisit finalement le cin-club. 3-Le prix demand aux adhrents-bnficiaires pour une sance est infrieur au prix de la sance sur le march substituable priv. 4-On considrera dans notre application que ce prix est de 7 . 8-2 Equivalent montaire . Nous considrerons les coefficients suivants : (0.61+0.71) Spectacle : =0.51 2.57 (0.25+0.38) Cognitif : =0.25 2.57 (0.28+0.34) Convivialit : =0.24 2.57 Si lon retient, comme nous lavons propos la valeur de 7 comme valeur dopportunit de la sance de cin-club, alors nous pouvons proposer les quivalents montaires suivants pour les proprits dune sance.
Spectacle=7 * 0.51= 3.57 Cognitif=7 * 0.25 = 1.75 Convivialit = 7 * 0.24 = 1.68

16

9-CONCLUSION.
La mesure de lquivalent montaire de chacune des proprits nest quune des possibilits offertes lapplication de la construction de lexperton pondr. Llaboration dune matrice de dissemblance permettrait de faire apparatre probablement des carts dans les jugements des acteurs interrogs qui offriraient trs certainement des perspectives danalyse des causes de la dispersion des jugements. La mthode utilise, celle du calcul des expertons, bien que relativement peu frquente dans les applications requerrant la logique floue, nous semble lever quelques restrictions concernant les mthodes que nous avions utilises jusquici pour mesurer lutilit sociale des OES. Ce papier constitue donc la deuxime tape de notre recherche. Nous sommes passs dune mesure de lutilit sociale partir dun protocole de choix entre des valeurs proposes, un protocole de choix flous. Il reste que nous ne prenons en compte quun aspect de lutilit sociale, lutilit sociale appropriable . Une partie de celle-ci est probablement inappropriable, diffuse, commune. Lidentifier dans le but de la mesurer correctement constituera une autre tape de notre dmarche de recherche.

17

Bibliographie.
Club CRIN (1997) Evaluation subjective:Mthodes, application, enjeux. (167p). Paris Les cahiers du club CRIN. GARRAB M. (Nov 2003) : Utilit sociale et capital social interne. GRES N 12 (18p )CEP-Universit de Montpellier www.creslr.org/ores/travaux.asp. KAUFMANN A. (1977) Introduction la thorie des sous ensembles flous 4 volumes Paris Masson KAUFMANN A. (1987) :Les expertons Paris HERMES LECARDINAL G. et ZALILA Z. (1992): Traitement des avis dexperts par expertons : application un jury darchitecture Deuxime journes nationales sur les applications des ensembles flous Nimes Nov (pp267-273). LEVRAT E. VOISIN A. BOMBARDIER S. et BRMONT J. (1997) :Subjective evaluation of car comfortwith fuzzy set techniques International Journal of Intelligent Systems vol 12 (pp891-913). PONSARD C.(1974) : Limprcision et son traitement en analyse conomique.Document de travail N 4 Institut de Mathmatiques Economiques ( 24p) Dijon. PONSARD C.(1986) : Modles mathmatiques flous en conomie. Document de travail N 94 Institut de Mathmatiques Economiques (16p). Dijon. SAMBUC R. (1975) : Fonctions phi-floues, application laide au diagnostic mdical en pathologie thyroidienne Thse Facult de Mdecine Marseille SANDRI S.A.(1997) : Elicitation, pooling and assessment of expert opinion in the possibilitic framework in Fuzzy information engineering: a guided tour of applications DUBOIS D., PRADE H. et YAGER R. eds Wiley New York (pp123-133). SANGALI A.(2001) : Eloge du flou. Presses de lUniversit de Monral Qubec.