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
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 nm 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 »
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
