Vous êtes sur la page 1sur 22

2- LA METHODE AHP

La méthode AHP (Analytic Hierarchy Process) est une méthode d’agrégation


multicritère développée par Tomas Saaty en 1980

But

AHP est un outil efficace pour faire face à la prise de décision complexe. En fait,
elle permet de décomposer un problème selon l’arborescence des différents
critères et sous critères de décision associés à ce problème et de comparer ces
critères entre eux, deux à deux. Elle permet d’aider le décideur à calculer la priorité
(poids) de chaque critère pour ainsi obtenir la meilleure alternative selon les
objectifs identifiés et choisir la solution qui répond le mieux aux critères de décision

Hela FRIKHA 2
2.1 Etapes de la méthode AHP

Décomposer le problème complexe en une structure hiérarchique

Effectuer les comparaisons binaires

Déterminer les priorités

Synthétiser les priorités

Vérifier la cohérence des jugements

Hela FRIKHA 3
Etape 1: Décomposition du problème en une structure hiérarchique

Chaque élément dans une hiérarchie occupe un niveau.

Niveau 0: Le sommet de la hiérarchie (la cible) est constitué d’un élément

unique. C’est l’objectif cible ou l’objectif dominant

Niveau 1: Englobe les critères de décision

Niveau 2: Contient les sous critères qui influencent la décision

Niveau n: Le dernier niveau de la hiérarchie comprend les différentes

alternatives, choisies au préalable

Ces catégories de données constituent chacun un niveau de la représentation


hiérarchique. Un problème est constitué par au minimum trois niveaux

Hela FRIKHA 4
Exemple de décomposition hiérarchique

Niveau 0
Objectif
Recruter un salarié
Niveau 1
Critères

Notes sur dossiers Notes aux entretiens


Sous critères

Niveau d’études Expérience professionnelle Age Entretien


Niveau 2

Test psychotechnique
Alternatives
Niveau 3

Candidat 1 Candidat 2 Candidat 3 Candidat 4 Candidat 5 Candidat 6

Hela FRIKHA 5
Etape 2: Les comparaisons binaires
Il s'agit de comparer chaque critère i avec chaque critère j " i et j appartiennent au
même niveau de la hiérarchie. Ces comparaisons produisent des valeurs appelées
évaluations aij qu'on regroupe dans une matrice carrée de dimension n (nombre de
critères) nommée matrice des comparaisons binaires A.
Afin de comparer les critères deux à deux, Saaty propose une échelle en 9 niveaux

aij Interprétation
1 Egalement important
3 Légèrement plus important
5 Notablement plus important
7 Beaucoup plus important
9 Absolument beaucoup plus important
2, 4, 6, 8 Valeurs intermédiaires entre deux jugements

Par la suite, on effectue le même travail pour chaque alternative selon chaque critère
Hela FRIKHA 6
Exemple de matrice de comparaisons binaires pour les critères

aij C1 C2 C3
C1 1 2 1/5
A=
C2 1/2 1 7
C3 5 1/7 1

Chaque aij représente l’importance du ième critère par rapport au jème, telle que vue par
le décideur. Si aij>1 alors i est plus important que j, alors que si aij<1, i sera moins
important que j. Si les deux critères sont également important, alors aij=1. Les valeurs
des aij doivent satisfaire les contraintes suivantes:

aii  1
1
aij  (valeur réciproque)
a ji
aij  a ji  1
Hela FRIKHA 7
Etape 3: Détermination des priorités

Le calcul de l’importance relative de chacun des éléments de la hiérarchie

critères, sous critères et alternatives) se fait à partir des évaluations obtenues à

l’étape précédente

La détermination des priorités des éléments de chaque matrice se fait par la

résolution du problème de vecteurs propre

L’importance relative des différents critères est exprimée par les valeurs du

vecteur propre normalisé à 1.

Plus cette valeur est grande, plus le critère correspondant est important.

Hela FRIKHA 8
Calcul du poids de chaque critère

Diviser chaque élément par la somme de la colonne: normaliser la matrice

réciproque

Additionner chaque rangée (ligne) pour former le vecteur propre

Diviser ce vecteur par le nombre total des éléments. On obtient ainsi le

vecteur propre (vecteur de poids) normalisé

Hela FRIKHA 9
Calcul du poids de chaque option (alternative)

Calculer le vecteur propre normalisé de chacune des alternatives selon chaque

critère de la même façon

Pour le premier critère:

Et ainsi de suite pour les autres critères

Hela FRIKHA 10
Etape 4: Synthèse des priorités

Une fois que les priorités de tous les critères sont déterminées, AHP calcule un score
d'évaluation globale attaché à chacune des solutions alternatives identifiées.
On obtient un vecteur qui indique l'impact du critère i sur chacune des alternatives. Ce
vecteur représente le vecteur propre principal de la matrice réciproque de dimension
nm
 pondération du critère  pondération de l'alternative selon ce critère

Hela FRIKHA 11
Etape 5: Cohérence de jugements

Les réponses obtenues des décideurs présentent souvent un certain degré

d’incohérence

Multiplier chaque colonne de notre matrice binaire initiale (non normalisée) par son

poids respectif du vecteur de priorité trouvé

Additionner les lignes de cette nouvelle matrice qui nous donnera un vecteur colonne

Rechercher la valeur propre maximale de la matrice Max: On divise le dernier vecteur

par le vecteur priorité et on fait la moyenne des valeurs de ce vecteur, qui nous donne

Max. Max  K
IC  avec K est le nombre d'éléments comparés
K 1
On définit un indice de cohérence (IC):

Hela FRIKHA 12
On définit un ratio de cohérence comme le rapport de l’indice de cohérence calculé
et de le coefficient d’incohérence aléatoire (CIA) d’une matrice de même dimension.
Le ratio de cohérence est donné par la formule suivante :
RC=IC/CIA

N 1 2 3 4 5 6 7 8 9
CIA 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45

Le ratio de cohérence peut être interprété comme la probabilité que la matrice soit
complétée aléatoirement
La cohérence globale d’appréciation est évaluée au moyen de ce ratio de
cohérence RC
La valeur de ce dernier doit être au plus égale à 10%.
Dans le cas ou cette valeur dépasse 10%, les appréciations peuvent exiger
certaines révisions. Le décideur peut intervenir: il peut modifier la valeur d’un critère
ou éliminer ou ajouter des critères qu’ilHela
juge pertinents.
FRIKHA 13
2.2 Avantages de la méthode AHP

Considération les aspects quantitatifs et qualitatifs du problème

Quantité de données requise par le décideur limitée

Structuration des problèmes complexes et multi-critères de façon hierarchique

Prise en compte à la fois des aspects subjectifs et objectifs d'une décision, en


réduisant les décisions complexes à une série de comparaisons par paires, puis
en synthétisant les résultats

Utiliser des données dont les unités de mesure sont incommensurables

AHP intègre une technique utile pour vérifier la cohérence des évaluations du
décideur, réduisant ainsi la partialité dans le processus de prise de décision

Possibilité d’utiliser un logiciel dédié pour effectuer l’analyse « Expert Choice »

Hela FRIKHA 14
Exemple de sélection de personnel

Comparaisons binaires des critères


C1 C2 C3 C4 C5
C1 1,000 0,333 7,000 5,000 5,000
C2 3,000 1,000 8,000 5,000 5,000
C3 0,143 0,125 1,000 0,250 0,250
C4 0,200 0,200 4,000 1,000 1,000
C5 0,200 0,200 4,000 1,000 1,000
Somme 4,543 1,858 24,000 12,250 12,250

Détermination des poids des critères


C1 C2 C3 C4 C5 Somme wk
C1 0,220 0,179 0,292 0,408 0,408 1,507 0,301
C2 0,660 0,538 0,333 0,408 0,408 2,348 0,470
C3 0,031 0,067 0,042 0,020 0,020 0,181 0,036
C4 0,044 0,108 0,167 0,082 0,082 0,482 0,096
C5 0,044 0,108 0,167 0,082 0,082 0,482 0,096
Somme 1,000 1,000 1,000 1,000 1,000 1,000

Hela FRIKHA 15
Exemple de sélection de personnel

Comparaisons binaires des alternatives selon le critère C1


A B D E G H
A 1,000 2,000 3,000 0,500 0,200 4,000
B 0,500 1,000 0,500 4,000 6,000 1,000
D 0,333 2,000 1,000 3,000 0,200 0,167
E 2,000 0,250 0,333 1,000 2,000 1,000
G 5,000 0,167 5,000 0,500 1,000 3,000
H 0,250 1,000 6,000 1,000 0,333 1,000
Somme 9,083 6,417 15,833 10,000 9,733 10,167

Détermination des poids des alternatives selon le critère C1


A B D E G H Somme wi1
A 0,110 0,312 0,189 0,050 0,021 0,393 1,075 0,179
B 0,055 0,156 0,032 0,400 0,616 0,098 0,226
1,357
D 0,037 0,312 0,063 0,300 0,021 0,016 0,748 0,125
E 0,220 0,039 0,021 0,100 0,205 0,098 0,684 0,114
G 0,550 0,026 0,316 0,050 0,103 0,295 1,340 0,223
H 0,028 0,156 0,379 0,100 0,034 0,098 0,795 0,132
Somme 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Hela FRIKHA 16
Exemple de sélection de personnel

Comparaisons binaires des alternatives selon le critère C2


A B D E G H
A 1,000 3,000 0,500 6,000 4,000 1,000
B 0,333 1,000 3,000 2,000 1,000 0,143
D 2,000 0,333 1,000 0,500 3,000 1,000
E 0,167 0,500 2,000 1,000 4,000 5,000
G 0,250 1,000 0,333 0,250 1,000 3,000
H 1,000 7,000 1,000 0,200 0,333 1,000
Somme 4,750 12,833 7,833 9,950 13,333 11,143

Détermination des poids des alternatives selon le critère C2


A B D E G H Somme wi2
A 0,211 0,234 0,064 0,603 0,300 0,090 1,501 0,250
B 0,070 0,078 0,383 0,201 0,075 0,013 0,820 0,137
D 0,421 0,026 0,128 0,050 0,225 0,090 0,940 0,157
E 0,035 0,039 0,255 0,101 0,300 0,449 1,179 0,196
G 0,053 0,078 0,043 0,025 0,075 0,269 0,542 0,090
H 0,211 0,545 0,128 0,020 0,025 0,090 1,018 0,170
Somme 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Hela FRIKHA 17
Exemple de sélection de personnel

Comparaisons binaires des alternatives selon le critère C3


A B D E G H
A 1,000 0,500 1,000 4,000 0,333 2,000
B 2,000 1,000 2,000 1,000 0,200 0,250
D 1,000 0,500 1,000 0,333 5,000 3,000
E 0,250 1,000 3,000 1,000 0,500 1,000
G 3,000 5,000 0,200 2,000 1,000 0,500
H 0,500 4,000 0,333 1,000 2,000 1,000
Somme 7,750 12,000 7,533 9,333 9,033 7,750

Détermination des poids des alternatives selon le critère C3


A B D E G H Somm wi3
e
A 0,129 0,042 0,133 0,429 0,037 0,258 1,027 0,171
B 0,258 0,083 0,265 0,107 0,022 0,032 0,768 0,128
D 0,129 0,042 0,133 0,036 0,554 0,387 1,280 0,213
E 0,032 0,083 0,398 0,107 0,055 0,129 0,805 0,134
G 0,387 0,417 0,027 0,214 0,111 0,065 1,220 0,203
H 0,065 0,333 0,044 0,107 0,221 0,129 0,900 0,150
Somm 1,000 1,000 1,000 1,000 1,000 1,000
e Hela FRIKHA 1,000 18
Exemple de sélection de personnel

Comparaisons binaires des alternatives selon le critère C4


A B D E G H
A 1,000 0,500 3,000 2,000 5,000 0,250
B 2,000 1,000 0,500 4,000 1,000 2,000
D 0,333 2,000 1,000 0,500 0,333 3,000
E 0,500 0,250 2,000 1,000 4,000 1,000
G 0,200 1,000 3,000 0,250 1,000 0,250
H 4,000 0,500 0,333 1,000 2,000 1,000
Somme 8,033 5,250 9,833 8,750 13,333 7,500

Détermination des poids des alternatives selon le critère C4


A B D E G H Somme wi4
A 0,124 0,095 0,305 0,229 0,375 0,033 1,162 0,194
B 0,249 0,190 0,051 0,457 0,075 0,267 1,289 0,215
D 0,041 0,381 0,102 0,057 0,025 0,400 1,006 0,168
E 0,062 0,048 0,203 0,114 0,300 0,133 0,861 0,143
G 0,025 0,190 0,305 0,029 0,075 0,033 0,657 0,110
H 0,498 0,095 0,034 0,114 0,150 0,133 1,025 0,171
Somme 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Hela FRIKHA 19
Exemple de sélection de personnel

Comparaisons binaires des alternatives selon le critère C5

A B D E G H
A 1,000 3,000 5,000 0,250 1,000 0,500
B 0,333 1,000 1,000 2,000 0,167 4,000
D 0,200 1,000 1,000 0,333 5,000 3,000
E 4,000 0,500 3,000 1,000 4,000 2,000
G 1,000 6,000 0,200 0,250 1,000 1,000
H 2,000 0,250 0,333 0,500 1,000 1,000
Somme 8,533 11,750 10,533 4,333 12,167 11,500

Détermination des poids des alternatives selon le critère C5


A B D E G H Somm wi5
e
A 0,117 0,255 0,475 0,058 0,082 0,043 1,031 0,172
B 0,039 0,085 0,095 0,462 0,014 0,348 1,042 0,174
D 0,023 0,085 0,095 0,077 0,411 0,261 0,952 0,159
E 0,469 0,043 0,285 0,231 0,329 0,174 1,530 0,255
G 0,117 0,511 0,019 0,058 0,082 0,087 0,874 0,146
H 0,234 0,021 0,032 0,115 0,082 0,087 0,572 0,095
Somm 1,000 1,000 1,000 1,000 1,000 1,000
e Hela FRIKHA 1,000 20
Exemple de sélection de personnel

Synthèse des Priorités et détermination des poids des alternatives (candidats)


C1 C2 C3 C4 C5 wi
wk 0,301 0,470 0,036 0,096 0,096
A 0,179 0,250 0,171 0,194 0,172 0,213
B 0,226 0,137 0,128 0,215 0,174 0,174
D 0,125 0,157 0,213 0,168 0,159 0,150
E 0,114 0,196 0,134 0,143 0,255 0,170
G 0,223 0,090 0,203 0,110 0,146 0,142
H 0,132 0,170 0,150 0,171 0,095 0,151

Rangement des candidats selon leurs importances

A B E H D G

Hela FRIKHA 21
Exemple de sélection de personnel
Vérification de la cohérence des jugements pour les critères
Matrice A
C1 C2 C3 C4 C5
WK 0,301 0,470 0,036 0,096 0,096
C1 1,000 0,333 7,000 5,000 5,000
C2 3,000 1,000 8,000 5,000 5,000
C3 0,143 0,125 1,000 0,250 0,250
C4 0,200 0,200 4,000 1,000 1,000
C5 0,200 0,200 4,000 1,000 1,000

C1 C2 C3 C4 C5 Somme Somme/wk
C1 0,301 0,157 0,254 0,482 0,482 1,675 5,555
C2 0,904 0,470 0,290 0,482 0,482 2,627 5,594
A wk= C3 0,043 0,059 0,036 0,024 0,024 0,186 5,137
C4 0,060 0,094 0,145 0,096 0,096 0,492 5,106
C5 0,060 0,094 0,145 0,096 0,096 0,492 5,106
Moy=max=5,3
Max  K 5,3  5
IC    0, 075
K 1 5 1
IC 0, 075
RC   100   100  6, 696%  10% donc les jugements sont cohérents
CIA 1,12
De la même façon, on vérifie la cohérence des jugements pour les alternatives
selon chaque critère
Hela FRIKHA 22

Vous aimerez peut-être aussi