Zum Inhalt springen
Zurück zu den Suchergebnissen

Stochastische Szenarioanalyse — Probabilistische Multi-Szenarien-Bewertung unter Unsicherheit

Eingeführt von
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
Jahr
1955–1980s
Typ
Probabilistic scenario enumeration and evaluation
Familie
Simulation / optimization

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die stochastische Szenarioanalyse bewertet ein System oder eine Entscheidung über mehrere explizit definierte Szenarien, denen jeweils eine Eintrittswahrscheinlichkeit zugeordnet ist.

Im Gegensatz zur deterministischen Szenarioanalyse werden Unsicherheiten über Wahrscheinlichkeitsverteilungen propagiert und Erwartungswerte, Varianzen und Risikokennzahlen über den Szenarienraum berechnet, was den Entscheidungsträgern eine strukturierte Sicht auf mögliche Ereignisse und deren Wahrscheinlichkeiten gibt.

Die Intuition hinter der Methode

Stellen Sie sich die Planung von Infrastrukturinvestitionen vor, wenn die zukünftige Nachfrage unbekannt ist. Anstatt eine einzige Prognose zu wählen, definieren Sie eine Reihe plausibler Zukünfte – hohes Wachstum, Stagnation, disruptive Veränderungen – und weisen jedem eine Wahrscheinlichkeit zu, die auf Expertenurteil oder historischen Daten basiert. Anschließend bewerten Sie Ihre Entscheidung unter jeder dieser Zukünfte, gewichten die Ergebnisse nach ihren Wahrscheinlichkeiten und berechnen den Erwartungswert, die Exposition gegenüber dem schlimmsten Fall und das Aufwärtspotenzial. Das Ergebnis ist nicht eine einzelne Zahl, sondern eine Verteilung von Konsequenzen, die Ihnen hilft, Strategien zu wählen, die über verschiedene Zukünfte hinweg robust sind, anstatt nur im Erwartungsfall optimal zu sein.

Geschichte

Die stochastische Szenarioanalyse entstand aus der Schnittmenge von Szenarioplanung, die in den 1950er-1970er Jahren bei RAND und Shell entwickelt wurde, und stochastischer Programmierung, die von Dantzig (1955) und Beale (1955) formalisiert wurde. Das Feld reifte durch die Arbeit von Birge, Louveaux und anderen in den 1980er-1990er Jahren, mit breiter Akzeptanz im Finanzrisikomanagement, in der Energieplanung und in der Klimapolitik ab den 1990er Jahren.

Wann wird sie eingesetzt?

Verwenden Sie die stochastische Szenarioanalyse, wenn wichtige Unsicherheiten als eine überschaubare Menge diskreter Zukünfte formuliert werden können, von denen jede eine aussagekräftige Wahrscheinlichkeitsschätzung trägt – üblich in der strategischen Planung, bei Finanzstresstests, bei der Klimaanpassung und bei der Bewertung öffentlicher Politiken. Sie ist besonders wertvoll, wenn Risiken am Rande der Verteilung ebenso wichtig sind wie die erwartete Leistung. Vermeiden Sie sie, wenn die Anzahl relevanter Szenarien zu groß ist, um sie sinnvoll aufzuzählen, wenn Wahrscheinlichkeitsschätzungen gänzlich fehlen oder bedeutungslos sind (verwenden Sie stattdessen Methoden für tiefe Unsicherheit wie robustes Entscheidungsfindung), wenn der Entscheidungsraum kontinuierlich ist und eine vollständige stochastische Optimierung erfordert, oder wenn die Ergebnisse stark von der Unsicherheit von Parametern innerhalb eines Szenarios abhängen, die nicht selbst modelliert ist.

Grenzen und Hinweise

  • Die Ergebnisse sind stark abhängig von der gewählten Szenarienauswahl und den zugewiesenen Wahrscheinlichkeiten; schlecht kalibrierte Wahrscheinlichkeiten führen zu irreführenden Erwartungswerten.
  • Diskrete Szenariensets können wichtige Zwischenzustände oder Randereignisse verfehlen, die von keinem benannten Szenario erfasst werden.
  • Mit zunehmender Anzahl unsicherer Treiber wächst die Anzahl der für eine vollständige Abdeckung erforderlichen Szenarien exponentiell, was die Aufzählung unpraktisch macht.
  • Die Methode optimiert Entscheidungen nicht inhärent; die Kombination mit Optimierung erfordert Formulierungen der stochastischen Programmierung, die die Komplexität erhöhen.
  • Die Kommunikation wahrscheinlichkeitgewichteter Ergebnisse an nicht-technische Zielgruppen kann schwierig sein, wenn Stakeholder sich auf das schlimmste Szenario fixieren, unabhängig von seiner Wahrscheinlichkeit.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Macht Unsicherheit explizit und transparent, indem unterschiedliche Zukünfte benannt und quantifiziert werden, anstatt sie in Punktchätzungen zu verstecken.
  • Produziert reichhaltige Risikokennzahlen einschließlich Erwartungswert, Varianz und Kennzahlen für Extremrisiken, die sowohl Kriterien des Erwartungswerts als auch risikoscheuer Entscheidungen unterstützen.
  • Berechnungstechnisch handhabbar für moderate Szenariozahlen, was die Verwendung komplexer Ergebnismodelle innerhalb jedes Szenarios ermöglicht.
  • Kommuniziert Ergebnisse auf natürliche Weise an Stakeholder durch benannte Szenarien mit konkreten Narrativen und wahrscheinlichkeitgewichteten Zusammenfassungen.
  • Integriert sich nahtlos in Optimierungsmodelle (stochastische Programmierung), wenn eine formale Entscheidungsvariable ausgewählt werden muss.
  • Unterstützt Regret-Analysen und die Identifizierung robuster Strategien, was Entscheidungsträgern hilft, sich gegen Worst-Case-Szenarien abzusichern.

Anwendungen

  • Finanzportfolio-Stresstests und Value-at-Risk-Schätzung unter makroökonomischen Szenarien
  • Klimaanpassungsplanung zur Bewertung von Infrastrukturinvestitionen über Emissions- und Szenarien für die globale Erwärmung
  • Zuteilung von Gesundheitsressourcen unter unsicheren Epidemietraumatologien
  • Energieplanung unter unsicheren Kraftstoffpreisen, Nachfragewachstum und politischen Rahmenbedingungen
  • Bewertung der Widerstandsfähigkeit von Lieferketten unter Störungsszenarien, einschließlich Lieferantenausfall und Nachfrageschocks
  • Bewertung öffentlicher Politiken, bei denen Interventionen unter optimistischen, Basis- und pessimistischen Zukünften bewertet werden

So funktioniert es

So funktioniert es

1

Identifizieren Sie eine endliche Menge diskreter Szenarien S = {s1, s2, ..., sK}, die strukturell unterschiedliche Zukünfte oder Zustände der Welt darstellen. Szenarien sollten sich gegenseitig ausschließen, im Rahmen der Analyse kollektiv erschöpfend sein und von wichtigen unsicheren Treibern abhängen. In der Praxis liegt K zwischen 3 und 20; darüber hinaus leidet die Interpretierbarkeit.

2

Weisen Sie jedem Szenario sk eine Wahrscheinlichkeit p(sk) zu, sodass alle Wahrscheinlichkeiten nicht-negativ sind und sich zu 1 summieren. Wahrscheinlichkeiten können aus Expertenbefragungen, historischen Häufigkeitsanalysen oder Bayes'scher Aktualisierung stammen. Wenn Wahrscheinlichkeiten stark unsicher sind, ist eine Sensitivitätsanalyse der Wahrscheinlichkeitsgewichte unerlässlich.

3

Berechnen Sie für jedes Szenario sk den Ergebnisvektor oder die Leistungskennzahl f(x, sk) für jede Entscheidungsalternative oder Politik x. Dieser Schritt kann selbst ein Simulationsmodell, ein Optimierungsnebenproblem oder eine analytische Formel umfassen, abhängig vom Anwendungsbereich.

4

Berechnen Sie den Erwartungswert E[f] = sum_k p(sk) * f(x, sk) und Risikomaße wie Varianz Var[f], bedingten Wert-Risiko CVaR oder Überschreitungswahrscheinlichkeiten P(f > Schwellenwert). Erstellen Sie Ergebnisverteilungen und Szenario-Leistungstabellen zum Vergleich von Alternativen.

5

Interpretieren Sie die Ergebnisse, indem Sie dominante Strategien (gut in den meisten Szenarien), fragile Strategien (optimal im Erwartungswert, aber katastrophal in Rand-Szenarien) und robuste Strategien (akzeptabel in allen Szenarien) identifizieren. Verwenden Sie Kriterien der stochastischen Dominanz oder die Minimierung des Bedauerns, um eine bevorzugte Alternative auszuwählen.

Häufige Fallstricke

  • Behandlung von Szenario-Wahrscheinlichkeiten als präzise, obwohl sie grobe Schätzungen sind – berichten Sie immer die Sensitivität der Schlussfolgerungen gegenüber den Wahrscheinlichkeitszuweisungen.
  • Auswahl von Szenarien zur Bestätigung eines bevorzugten Ergebnisses anstatt zur Abdeckung des tatsächlichen Unsicherheitsraums, was die Glaubwürdigkeit der Analyse untergräbt.
  • Ignorieren von Unsicherheit innerhalb von Szenarien, indem jedes Szenario als deterministisch behandelt wird, wenn Parameter innerhalb eines Szenarios selbst variabel sind.
  • Berichterstattung nur von Erwartungswerten und Vernachlässigung von Kennzahlen für Extremrisiken, was Strategien mit katastrophaler Abwärtsrisikoexposition verschleiern kann.
  • Vermischung von Szenario-Wahrscheinlichkeit mit Szenario-Plausibilität – ein Szenario mit geringer Wahrscheinlichkeit kann dennoch eine Minderung rechtfertigen, wenn seine Auswirkungen schwerwiegend sind.

Häufig gestellte Fragen

Wie unterscheidet sich die stochastische Szenarioanalyse von der gewöhnlichen Szenarioanalyse?

Die gewöhnliche (deterministische) Szenarioanalyse bewertet Ergebnisse unter einigen benannten Zukünften, weist ihnen aber keine formellen Wahrscheinlichkeiten zu, sodass sie keine Erwartungswerte oder Risikostatistiken berechnen kann. Die stochastische Szenarioanalyse weist jedem Szenario explizit Wahrscheinlichkeiten zu und aggregiert Ergebnisse zu wahrscheinlichkeitgewichteten Kennzahlen, was eine formale Risikoquantifizierung ermöglicht.

Wie viele Szenarien sollte ich definieren?

Drei bis sieben Szenarien sind in strategischen Anwendungen üblich; mehr als zehn werden schwierig zu interpretieren und zu kommunizieren. Entscheidend ist, dass die Szenarien den plausiblen Ergebnisraum ohne übermäßigen Überschneidungen abdecken. Wenn die Unsicherheit kontinuierlich ist, kann eine Monte-Carlo-Simulation, die aus Wahrscheinlichkeitsverteilungen zieht, der diskreten Szenario-Aufzählung vorzuziehen sein.

Was ist, wenn ich Szenarien keine aussagekräftigen Wahrscheinlichkeiten zuweisen kann?

Wenn Wahrscheinlichkeiten grundlegend unbekannt sind, geht die Methode in die Analyse tiefer Unsicherheit über. Techniken wie robustes Entscheidungsfindung (RDM) oder Info-Gap-Analyse sind besser geeignet, wenn Wahrscheinlichkeitsschätzungen nicht glaubwürdig sind. Sie können die stochastische Szenarioanalyse auch über eine Reihe von Wahrscheinlichkeitszuweisungen laufen lassen, um zu prüfen, ob die Schlussfolgerungen davon abhängen.

Kann die stochastische Szenarioanalyse mit Optimierung kombiniert werden?

Ja. Wenn eine formale Entscheidungsvariable vor der Offenlegung der Szenarien ausgewählt werden muss, wird das Problem zu einem zwei- oder mehrstufigen stochastischen Programm: Die erste Stufe wählt eine Entscheidung hier und jetzt; spätere Stufen passen sich an das jeweilige Szenario an. Software wie GAMS, Pyomo und spezialisierte Solver für stochastische Programmierung unterstützen diese Formulierung.

Wie sollte ich das Szenario-Set validieren?

Die Validierung umfasst die Überprüfung, ob die Szenarien intern konsistent sind, den wichtigsten Unsicherheitsraum kollektiv abdecken und auf Fachwissen oder historischen Daten beruhen. Experten-Review-Panels, Cross-Impact-Analysen und Vergleiche mit historischen Häufigkeitsverteilungen analoger Situationen sind gängige Validierungsansätze.

Verwandte Methoden

Quellen

  1. Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.

    ISBN: 9781461402374
    Kopiert.
  2. Lempert, R. J., Popper, S. W., Bankes, S. C. (2003). Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis. RAND Corporation.

    Publikationsreferenz öffnen
    Kopiert.