📈 economics

A Multi-LLM Consensus Weighting (MCDM) Approach to Redefining Microfinance Through Blockchain: Enriching Social Capital Outreach in Malaysia and the Maldives

Cette étude emploie une nouvelle méthode de pondération par consensus multi-LLM pour évaluer et classer les conditions de capital social pour la microfinance basée sur la blockchain en Malaisie et aux Maldives par rapport à 53 économies de l'OCI, démontrant des perspectives comparatives robustes qui éclairent les politiques sur l'inclusion financière, la transparence et la préparation numérique.

Auteurs originaux : Zahari Md Ro, Nur Aima Shafie, Zuraidah Md San, Aizatul Waznah Ghazali, Mariyam Niyaf Mohamed

Publié 2026-07-16

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zahari Md Ro, Nur Aima Shafie, Zuraidah Md San, Aizatul Waznah Ghazali, Mariyam Niyaf Mohamed

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de construire un pont pour aider les personnes qui ont été délaissées par les grandes banques. Dans le monde de la finance, on appelle cela la microfinance : accorder de petits prêts à des personnes qui en ont besoin pour lancer une entreprise ou acheter de la nourriture, mais qui ne peuvent pas obtenir de prêt auprès d'une banque classique car elles n'ont pas de maison luxueuse ou de gros compte d'épargne à utiliser comme garantie. Pour que ces prêts fonctionnent, la communauté a besoin de capital social. Considérez le capital social comme la « colle » d'un quartier : c'est la confiance, l'honnêteté et la façon dont les voisins veillent les uns sur les autres. Si tout le monde se fait confiance, ils peuvent prêter de l'argent sans avoir besoin d'un avocat ou d'un coffre-fort bancaire.

Maintenant, imaginez un nouvel outil appelé blockchain. Vous pouvez considérer la blockchain comme un carnet de notes numérique super sécurisé, que tout le monde peut voir mais que personne ne peut effacer ou falsifier. Il enregistre chaque transaction parfaitement. La grande question que se posent les chercheurs est la suivante : ce carnet de notes numérique peut-il rendre la « colle » du quartier encore plus forte ? Peut-il aider la microfinance à atteindre encore plus de personnes en rendant les choses plus transparentes et dignes de confiance ? C'est l'énigme que une équipe de chercheurs s'est donné pour la résoudre, en examinant spécifiquement comment différents pays sont prêts à utiliser cette technologie pour aider leurs citoyens les plus pauvres.

Le bulletin de notes numérique : Comment la Malaisie et les Maldives s'en sortent

Les chercheurs, dirigés par Zahari Md Rodzi et son équipe, ont décidé de construire un « bulletin de notes » pour mesurer la préparation de différents pays à ce futur propulsé par la blockchain. Ils n'ont pas regardé une seule chose ; ils ont examiné les trois ingrédients nécessaires pour faire opérer la magie : la Transparence (à quel point le gouvernement et les institutions sont honnêtes et ouverts), l'Inclusion Financière (combien de personnes possèdent réellement des comptes bancaires) et la Préparation Numérique (combien de personnes ont accès à Internet).

Pour noter ces pays, ils ont utilisé une nouvelle méthode ingénieuse appelée Multi-LLM Consensus Weighting (MLCW) (Pondération par consensus de multi-LLM). Voici la partie amusante : au lieu de simplement demander à quelques experts humains de décider quel ingrédient est le plus important (ce qui peut être lent et biaisé), ils ont fait appel à un panel de cinq différents experts en Intelligence Artificielle (des modèles de langage étendus ou LLM) pour donner leur avis. Ils ont traité ces IA comme un jury. Si le jury d'IA était d'accord sur un point, ce point recevait un vote fort. S'ils n'étaient pas d'accord, le système abaissait automatiquement le poids de ce point pour éviter les biais. Ensuite, ils ont mélangé cet « opinion de l'IA » avec des mathématiques rigoureuses basées sur la variation des données entre les pays. C'est comme avoir un conseil de robots sages et un professeur de mathématiques strict travaillant ensemble pour établir la note finale.

Ils ont testé ce système sur 53 pays de l'Organisation de la Coopération Islamique (OCI), mais ils ont mis le projecteur sur deux collaborateurs spécifiques : la Malaisie et les Maldives.

Les Résultats :
Une fois la poussière retombée, le bulletin de notes a révélé un portrait clair du paysage :

La Malaisie a décroché une 2ème place impressionnante sur 53 pays, avec un score de 0,850. C'est une puissance, combinant une confiance élevée, presque tout le monde possédant un compte bancaire et un accès quasi universel à Internet. Pour la Malaisie, le défi n'est pas d'amener les gens dans le système ; il s'agit d'utiliser la blockchain pour aller plus loin et aider les personnes ayant des historiques de crédit « minces » qui sont toujours laissées de côté.
Les Maldives arrivent en 9ème place avec un score de 0,698. Elles s'en sortent bien concernant la possession de comptes bancaires, mais elles peinent un peu plus sur la transparence et la nature dispersée de leurs îles rend la surveillance difficile. Pour les Maldives, la blockchain pourrait changer la donne en créant un enregistrement transparent et inviolable de qui doit quoi, résolvant ainsi leur problème spécifique de confiance à travers l'océan.

L'étude a montré que les classements étaient incroyablement stables. Qu'ils utilisent le panel d'IA, uniquement les mathématiques, ou même une méthode simple de « poids égal », la Malaisie restait en haut du classement et les Maldives au milieu. Les chercheurs ont même fait tourner les chiffres 2 000 fois en utilisant une technique appelée « bootstrap resampling » (en mélangeant essentiellement le jeu de pays de nombreuses fois pour voir si les résultats tiennent la route), et les classements sont restés solides.

Ce que cela signifie :
L'article suggère que la blockchain n'est pas une baguette magique qui répare tout instantanément. Au contraire, c'est un outil qui fonctionne mieux lorsque les fondations sont déjà solides. Dans des pays comme la Malaisie, où les fondations sont solides, la blockchain peut aider à approfondir les relations et à atteindre le tout dernier kilomètre des plus pauvres. Dans des endroits comme les Maldives, où les fondations présentent certaines fissures (spécifiquement la transparence), la blockchain offre un moyen de construire une « piste d'audit numérique » qui rend la confiance plus facile à vérifier sans nécessiter une surveillance physique coûteuse.

Les chercheurs prennent soin de préciser qu'il s'agit d'un instantané des conditions de potentiel, et non d'une garantie de succès futur. Ils n'ont pas testé les prêts réels ; ils ont mesuré l'environnement nécessaire pour que les prêts réussissent. Mais en prouvant que leur nouvelle méthode de « jury d'IA » produit des résultats cohérents et fiables, ils ont offert aux décideurs politiques une nouvelle façon auditable de voir où se situent leurs pays et ce qu'ils doivent construire ensuite. C'est un peu comme vérifier la météo et la qualité du sol avant de planter un jardin ; vous ne pouvez pas encore garantir la récolte, mais vous savez exactement ce dont vous avez besoin pour la faire pousser.

Résumé Technique : Une approche de Pondération par Consensus Multi-LLM (MCDM) pour redéfinir la microfinance via la blockchain

Énoncé du Problème
L'extension de la microfinance — la capacité à étendre les services financiers aux ménages et microentreprises mal desservis — dépend fondamentalement du capital social (confiance, transparence et connectivité). Bien que la technologie blockchain soit fréquemment proposée comme un mécanisme pour renforcer ces conditions de capital social grâce à des registres infalsifiables et des contrats programmables, il n'existe actuellement aucune méthode auditable et comparable pour mesurer la préparation du capital social pour une microfinance assistée par la blockchain à travers différentes nations. Les approches actuelles de décision multicritère (MCDM) se concentrent souvent sur le classement des alternatives plutôt que sur le défi méthodologique critique de la pondération des critères. De plus, les méthodes de pondération traditionnelles souffrent d'une dichotomie : les méthodes subjectives (ex. AHP, Delphi) sont coûteuses et non reproductibles, tandis que les méthodes objectives (ex. Entropie, CRITIC) sont reproductibles mais « aveugles au sens », ignorant l'importance sémantique des indicateurs dans des contextes spécifiques comme la finance islamique.

Méthodologie
L'étude utilise un cadre d'indicateurs parcimonieux et une nouvelle technique de pondération, la Pondération par Consensus Multi-LLM (MLCW), pour construire un Indice de l'Extension du Capital Social (SCI) pour la Malaisie et les Maldives, comparés à 53 économies de l'Organisation de la Coopération Islamique (OCI).

Cadre d'indicateurs : L'étude utilise un ensemble minimal de trois indicateurs de type « bénéfice » sélectionnés pour leur couverture internationale complète, leur fiabilité et leur reproductibilité :
- Transparence : Approchée par l'Indice de perception de la corruption (Transparency International).
- Inclusion financière : Approchée par les taux de détention de comptes (Global Findex de la Banque mondiale).
- Préparation numérique : Approchée par les taux d'utilisation d'Internet (UIT/Banque mondiale).
  Les données sont normalisées par mise à l'échelle min-max sur le panel de l'OCI. Les valeurs manquantes sont traitées par analyse de cas complets plutôt que par imputation.
Pondération par Consensus Multi-LLM (MLCW) : Il s'agit de l'innovation méthodologique centrale. Elle fusionne une branche sémantique avec une branche statistique :
- Branche sémantique : Un panel de $M$ Grands Modèles de Langage (LLM) agit comme des évaluateurs indépendants pour juger l'importance conceptuelle des indicateurs sur la base de connaissances sectorielles (finance islamique, économie du développement). Pour garantir l'équité, les modèles sont aveugles aux données des pays. Les vecteurs de poids des modèles sont agrégés à l'aide de poids de fiabilité (dérivés de l'accord avec la médiane du panel) et d'une pénalité de désaccord ( $\lambda$ ) qui atténue les poids pour les indicateurs où le panel est divisé.
- Branche statistique : Les poids d'entropie objectifs sont calculés sur la base de la dispersion statistique des données à travers le panel de l'OCI.
- Fusion : Les poids sémantiques et objectifs sont combinés via un paramètre de fusion convexe ( $\alpha \in [0, 1]$ ), permettant à l'indice de varier d'un point purement objectif ( $\alpha=0$ ) à un point purement sémantique ( $\alpha=1$ ). L'étude rapporte principalement les résultats au point de fonctionnement objectif ( $\alpha=0$ ) pour une reproductibilité maximale.
Validation : L'étude utilise le bootstrapping non paramétrique (2 000 tirages) pour quantifier l'incertitude et réalise des tests de robustesse en comparant les résultats de la MLCW aux méthodes de pondération Égale, Entropie, CRITIC et MEREC.

Résultats Clés

Classement : Au sein du panel de 53 économies de l'OCI, la Malaisie se classe 2ème (SCI : 0,850) et les Maldives 9ème (SCI : 0,698). Le haut de l'échelle est dominé par les économies du Conseil de coopération du Golfe (CCG) et la Malaisie, caractérisées par une haute intégrité institutionnelle et une détention de comptes quasi universelle.
Convergence de la pondération : Une découverte significative est la validité convergente entre les branches sémantique et objective. Pour le noyau de deux indicateurs (Transparence et Inclusion financière), les poids sémantiques du panel LLM (0,453, 0,547) sont presque identiques aux poids d'entropie objectifs (0,455, 0,545). Par conséquent, les classements de la Malaisie et des Maldives restent stables à travers tous les paramètres de fusion ( $\alpha$ ) et les méthodes de pondération alternatives.
Robustesse : Les classements sont hautement robustes. Les corrélations de Spearman par paires entre les classements générés par les méthodes Égale, Entropie, CRITIC et MEREC sont $\ge 0,997$ . L'ajout d'un troisième indicateur (Préparation numérique) à un sous-ensemble plus petit de 19 économies déplace la corrélation de Spearman à 0,954, avec seulement des ajustements mineurs de rang (la Malaisie passe à la 4ème place, les Maldives à la 11ème).
Structure par paliers : Les économies de l'OCI présentent un gradient à trois niveaux : un niveau supérieur (intégrité + inclusion), un niveau intermédiaire (intégrité variable, inclusion modérée) et un niveau inférieur (zones affectées par les conflits, faible inclusion).

Signification et Contributions
L'article revendique trois contributions principales :

Théorique : Il recadre la dichotomie sujet-objet dans la pondération MCDM comme un spectre continu régi par un paramètre unique ( $\alpha$ ). Il introduit la MLCW comme une méthode qui remplace les comités humains par un panel de modèles multiples reproductibles, conservant ainsi la « signification » du domaine tout en atteignant la reproductibilité des méthodes objectives.
Empirique : Il fournit la première mesure auditable et comparative des conditions de capital social pour la microfinance assistée par la blockchain à travers les économies de l'OCI. Il démontre qu'un indice parcimonieux et fondé sur les données peut produire des conclusions invariantes par rapport à la méthode, validant l'utilisation de tels indices pour l'analyse comparative des politiques.
Pratique : L'indice sert d'outil défendable pour les décideurs politiques et les régulateurs de la finance islamique. Il souligne que pour les économies matures comme la Malaisie, la frontière politique est la « profondeur » (étendre le crédit réputationnel via la blockchain), tandis que pour des économies comme les Maldives, la priorité est l'« intégrité » (utiliser des registres auditables pour substituer une surveillance physique coûteuse dans des zones géographiques dispersées).

Limites et Portée
Les auteurs déclarent explicitement que l'étude est associationnelle et non causale ; elle caractérise les conditions d'une extension potentielle plutôt que de mesurer l'impact réalisé de interventions spécifiques. L'indice repose sur des indicateurs nationaux et ne capture pas les métriques au niveau de l'institution (ex. nombre d'emprunteurs). Les résultats principaux utilisent le point de fonctionnement objectif ( $\alpha=0$ ), laissant l'activation de la branche sémantique active avec les diagnostics de modèle enregistrés comme une étape future. Le cadre est intentionnellement parcimonieux, excluant des dimensions telles que la confiance générale ou la participation en raison de l'absence de données comparables à l'échelle de l'OCI.

Le bulletin de notes numérique : Comment la Malaisie et les Maldives s'en sortent

Articles similaires