Tato dizertační práce řeší optimalizaci vědeckých parků z hlediska potřeby zvyšování konkurenceschopoností regionů a potažmo celé ČR. Je koncipována pro investory, kteří chtějí realizovat projekt VP v různých regionech ČR nebo manažery již existujících vědeckých parků, kteří chtějí udělat další rozhodnutí. Možnost realizovat projekt VP platí pro všechny regiony, včetně regionů, které se dříve mohly spoléhat na dostupnost a těžbu nerostných surovin (tradičně těžba uhlí), jež v minulosti fungovala jako významný faktor pro rozvoj průmyslu a ekonomické aktivity. Tyto regiony se nyní musejí vyrovnat se ztrátou konkurenceschopnosti a přesunout své úsilí do oblasti rozvoje výzkumu a vývoje produkujícího inovace. Kvalitativní modelování je vhodné pro tak málo známé a komplexní systémy jako jsou právě vědecké parky (VP). Modely vědeckých parků obsahují proměnné různého charakteru a různých časových chování. Z tohoto důvodu jsou studovány rychlé a pomalé modely. Pro 11 pomalých proměnných je studován soubor 17 kvalitativních bezrovnicových vazeb typu (např. kvalita výzkumných a vývojových inženýrů, konkurenční status atd.) společně se souborem 14 kvalitativních bezrovnicových vazeb pro 10 rychlých proměnných typu (např. spolupráce mezi průmyslem a akademickými ústavy, výměna průmyslových informací apod.). V této dizertační práci jsou prezentována řešení rychlých a pomalých modelů ve formě souborů rychlých a pomalých scénářů a přechodů mezi nimi a jsou hledána optimální řešení. Analýza/optimalizace málo známých, nelineárních, multidimenzionálních systémů jako jsou vědecké parky je složitá a je obtížné vytvořit smysluplné a dostatečně přesné modely nestabilního chování. Systematická analýza řady kvalitativních řešení je hlavní částí disertační práce a jejím hlavním vědeckým přínosem. Jednotlivé kroky postupu tvorby modelu jsou názorně ilustrované na příkladech. Text obsahuje interpretaci dosažených výsledků a formulaci přínosů pro teorii a praxi.

L'énergie est fondamentale pour maintenir le confort et façonne notre vie moderne. Avec la demande excédentaire en énergie, les systèmes de gestion de l’énergie résidentielle apparaissent avec le temps. Ils visent à réduire ou moduler la consommation d’énergie tout en maintenant un niveau de confort acceptable. Des systèmes efficaces de gestion de l'énergie domestique devraient intégrer une représentation comportementale d'un système domestique, y compris les habitants. Il établit des relations entre différentes variables environnementales et des phénomènes hétérogènes présents dans une maison. Par conséquent, ces systèmes sont complexes à construire et à comprendre pour les habitants. Pour cette raison, les concepteurs ont essayé d'automatiser autant que possible les systèmes de CVC, les éclairages ... afin de promouvoir le concept de "faire à la place". Cela était justifié car il était presque impossible d'impliquer les occupants et de créer une relation entre les occupants et les systèmes énergétiques. Ce concept crée différents problèmes car les occupants sont détachés du système énergétique et ne comprennent pas ses fonctionnalités ni son fonctionnement.Pour surmonter cette difficulté, ce travail met en avant le concept de "faire avec" en essayant d'impliquer l'occupant dans la boucle avec son système de gestion de l'énergie. C'est là que l'explication est nécessaire pour permettre aux occupants de découvrir les connaissances du système énergétique et de développer leur capacité à comprendre comment le système fonctionne et pourquoi il recommande différentes actions. L'explication est le moyen de découvrir de nouvelles connaissances et, par conséquent, d'impliquer les occupants. Pour les humains, l'explication joue un rôle important dans la vie. C'est l'un des principaux outils d'apprentissage et de compréhension. Il est même utilisé dans la communication et les aspects sociaux. Les gens ont tendance à l'utiliser en plus d'apprendre à montrer leurs connaissances sur un sujet pour gagner la confiance des autres ou pour clarifier une situation. Mais générer des explications n’est pas une tâche facile. C'est l'un des problèmes scientifiques récurrents de plusieurs décennies. Les explications ont de nombreuses formes, types et niveaux de clarté. Cette étude se concentre sur les explications causales. Comme il s’agit de la forme d’explication la plus intuitive à comprendre par les occupants, elle est conçue pour transférer les connaissances issues de systèmes complexes tels que les modèles énergétiques. Le défi scientifique est de savoir comment construire des explications de causalité pour les habitants à partir d’un flux de données de capteurs observées. / Energy is fundamental to maintain comfort and it shapes our modern life. With the excess demand for energy, home energy management systems are appearing with time. They aim at reducing or modulating energy consumption while keeping an acceptable level of comfort. Efficient home energy management systems should embed a behavioral representation of a home system, including inhabitants. It establishes relationships between different environmental variables and heterogeneous phenomena present in a home. Therefore, those systems are complex to build and to understand for inhabitants. For this reason, the designers did try to automatize as much as possible the HVAC systems, the lightings ... so they promoted the concept of “doing instead”. This was justified as it was nearly impossible to implicate occupants and to create a relation between occupants and energy systems. This concept does create different problems as occupants are detached from the energy system and they don’t understand its functionality nor how it is working.To overcome this difficulty this work promotes the concept of “doing with” as it tries to implicate the occupant in the loop with their energy management system. This is where the explanation is needed to allow occupants to discover the knowledge in the energy system and to develop their capacity of understanding how the system is working and why it is recommending different actions. The explanation is the way to discover new knowledge and consequently, to involve occupants. For humans, explanation plays an important role in life. It is one of the main tools for learning and understanding. It is even used in communication and social aspects. People tend to use it besides learning to show their knowledge about a subject to gain the confidence of others or to clarify a situation. But generating explanations is not an easy task. It is one of the ongoing scientific problems from several decades. Explanations have numerous forms, types, and level of clearness. This study is focusing on the causal explanations. As it is the most intuitive form of explanation to be understood by occupants and is adapted to transfer the knowledge from complex systems like energy models. The scientific challenge is how to construct causal explanations for the inhabitants from a flow of observed sensor data.