Skip to content
بازگشت به نتایج جست‌وجو

تحلیل سناریوی تصادفی — ارزیابی چند سناریویی احتمالی تحت عدم قطعیت

معرفی‌شده توسط
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
سال
1955–1980s
نوع
Probabilistic scenario enumeration and evaluation
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل سناریوی تصادفی، یک سیستم یا تصمیم را در چندین سناریوی به صراحت تعریف شده، که هر کدام احتمال وقوع دارند، ارزیابی می‌کند. برخلاف تحلیل سناریوی قطعی، عدم قطعیت را از طریق توزیع‌های احتمال منتشر کرده و نتایج مورد انتظار، واریانس و معیارهای ریسک را در فضای سناریو محاسبه می‌کند و دیدگاهی ساختاریافته از آنچه ممکن است رخ دهد و احتمال وقوع هر نتیجه به تصمیم‌گیرندگان ارائه می‌دهد.

شهود پشت روش

تصور کنید در حال برنامه‌ریزی سرمایه‌گذاری زیرساخت هستید در حالی که تقاضای آینده نامشخص است. به جای انتخاب یک پیش‌بینی، مجموعه‌ای از آینده‌های محتمل را تعریف می‌کنید — رشد بالا، رکود، اختلال — و بر اساس قضاوت کارشناسان یا داده‌های تاریخی، به هر کدام احتمالی اختصاص می‌دهید. سپس تصمیم خود را تحت هر آینده ارزیابی کرده، نتایج را با احتمالاتشان وزن‌دهی می‌کنید و ارزش مورد انتظار، میزان مواجهه با بدترین حالت و پتانسیل سود را محاسبه می‌کنید. نتیجه یک عدد واحد نیست، بلکه توزیعی از پیامدها است که به شما کمک می‌کند استراتژی‌هایی را انتخاب کنید که در برابر آینده‌ها قوی باشند، نه اینکه فقط در حالت مورد انتظار بهینه باشند.

تاریخ

تحلیل سناریوی تصادفی از تقاطع برنامه‌ریزی سناریو که در RAND و Shell در دهه‌های 1950-1970 توسعه یافت و برنامه‌ریزی تصادفی که توسط Dantzig (1955) و Beale (1955) فرموله شد، پدیدار شد. این حوزه از طریق کارهای Birge، Louveaux و دیگران در دهه‌های 1980-1990 بالغ شد و از دهه 1990 به بعد در مدیریت ریسک مالی، برنامه‌ریزی انرژی و سیاست اقلیمی به طور گسترده پذیرفته شد.

چه زمانی استفاده شود

هنگامی که عدم قطعیت‌های کلیدی را می‌توان به صورت مجموعه‌ای قابل مدیریت از آینده‌های گسسته بیان کرد که هر کدام تخمین معنی‌داری از احتمال را حمل می‌کنند — که در برنامه‌ریزی استراتژیک، تست استرس مالی، سازگاری با اقلیم، و ارزیابی سیاست عمومی رایج است — از تحلیل سناریوی تصادفی استفاده کنید. این روش به‌ویژه زمانی ارزشمند است که ریسک‌های دم به اندازه عملکرد مورد انتظار اهمیت دارند. زمانی از آن اجتناب کنید که تعداد سناریوهای مرتبط برای شمارش معنی‌دار بیش از حد زیاد است، زمانی که تخمین‌های احتمال کاملاً در دسترس نیستند یا بی‌معنی هستند (به جای آن از روش‌های عدم قطعیت عمیق مانند تصمیم‌گیری قوی استفاده کنید)، زمانی که فضای تصمیم پیوسته است و به بهینه‌سازی تصادفی کامل نیاز دارد، یا زمانی که نتایج به شدت به عدم قطعیت پارامتر درون سناریو که خود مدل‌سازی نشده است، حساس هستند.

محدودیت‌ها و ملاحظات

  • نتایج به شدت به مجموعه سناریوهای انتخاب شده و احتمالات اختصاص داده شده حساس هستند؛ احتمالات ضعیف کالیبره شده، مقادیر مورد انتظار گمراه‌کننده‌ای تولید می‌کنند.
  • مجموعه‌های سناریوی گسسته ممکن است حالت‌های میانی مهم یا نتایج دم را که توسط هیچ سناریوی نام‌گذاری شده‌ای پوشش داده نمی‌شوند، از دست بدهند.
  • با رشد تعداد محرک‌های نامشخص، تعداد سناریوهای مورد نیاز برای پوشش کامل به صورت نمایی افزایش می‌یابد و شمارش را غیرعملی می‌کند.
  • این روش به طور ذاتی تصمیمات را بهینه نمی‌کند؛ جفت کردن آن با بهینه‌سازی نیازمند فرمول‌بندی‌های برنامه‌ریزی تصادفی است که پیچیدگی را افزایش می‌دهد.
  • انتقال نتایج وزن‌دهی شده با احتمال به مخاطبان غیر فنی می‌تواند دشوار باشد، زمانی که ذینفعان صرف نظر از احتمال، بر بدترین سناریو تمرکز می‌کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • عدم قطعیت را با نام‌گذاری و کمی‌سازی آینده‌های متمایز به جای پنهان کردن آن در تخمین‌های نقطه‌ای، صریح و شفاف می‌سازد.
  • معیارهای ریسک غنی از جمله ارزش مورد انتظار، واریانس، و آماره‌های ریسک دم را تولید می‌کند که هم معیارهای ارزش مورد انتظار و هم معیارهای ریسک‌گریز را پشتیبانی می‌کنند.
  • برای تعداد سناریوهای متوسط، از نظر محاسباتی قابل پیگیری است و امکان استفاده از مدل‌های نتیجه پیچیده در هر سناریو را فراهم می‌کند.
  • نتایج را به طور طبیعی از طریق سناریوهای نام‌گذاری شده با روایت‌های مشخص و خلاصه‌های وزن‌دهی شده با احتمال به ذینفعان منتقل می‌کند.
  • هنگامی که یک متغیر تصمیم رسمی باید انتخاب شود، به طور یکپارچه با مدل‌های بهینه‌سازی (برنامه‌ریزی تصادفی) ادغام می‌شود.
  • از تحلیل پشیمانی و شناسایی استراتژی قوی پشتیبانی می‌کند و به تصمیم‌گیرندگان در پوشش ریسک در برابر بدترین سناریوها کمک می‌کند.

کاربردها

  • تست استرس پرتفوی مالی و برآورد ارزش در معرض ریسک تحت سناریوهای اقتصاد کلان
  • برنامه‌ریزی سازگاری با اقلیم با ارزیابی سرمایه‌گذاری‌های زیرساختی در سناریوهای انتشار و دما
  • تخصیص منابع بهداشت و درمان تحت مسیرهای اپیدمی نامشخص
  • برنامه‌ریزی سیستم انرژی تحت قیمت‌های سوخت نامشخص، رشد تقاضا، و محیط‌های سیاستی
  • ارزیابی تاب‌آوری زنجیره تأمین تحت سناریوهای اختلال از جمله شکست تأمین‌کننده و شوک‌های تقاضا
  • ارزیابی سیاست عمومی که در آن مداخلات تحت آینده‌های خوش‌بینانه، پایه و بدبینانه ارزیابی می‌شوند

چگونه کار می‌کند

چگونه کار می‌کند

1

مجموعه‌ای محدود از سناریوهای گسسته S = {s1, s2, ..., sK} را شناسایی کنید که آینده‌های ساختاری متمایز یا حالات جهان را نشان می‌دهند. سناریوها باید در محدوده تحلیل، دوجانبه انحصاری و جمعاً پوشا باشند و توسط محرک‌های نامشخص کلیدی هدایت شوند. در عمل، K بین 3 تا 20 متغیر است؛ فراتر از آن، تفسیرپذیری کاهش می‌یابد.

2

به هر سناریو sk احتمالی p(sk) اختصاص دهید به طوری که تمام احتمالات نامنفی بوده و مجموع آن‌ها برابر با 1 باشد. احتمالات ممکن است از استخراج نظر کارشناسان، تحلیل فراوانی تاریخی، یا به‌روزرسانی بیزی به دست آیند. هنگامی که احتمالات عمیقاً نامشخص هستند، تحلیل حساسیت بر روی وزن‌های احتمال ضروری است.

3

برای هر سناریو sk، بردار نتیجه یا معیار عملکرد f(x, sk) را برای هر جایگزین تصمیم یا خط‌مشی x محاسبه کنید. این مرحله بسته به حوزه کاربرد، ممکن است خود شامل یک مدل شبیه‌سازی، زیرمسئله بهینه‌سازی، یا فرمول تحلیلی باشد.

4

مقدار مورد انتظار E[f] = sum_k p(sk) * f(x, sk) و معیارهای ریسک مانند واریانس Var[f]، ارزش شرطی در معرض ریسک CVaR، یا احتمالات تجاوز P(f > threshold) را محاسبه کنید. توزیع‌های نتیجه و جداول عملکرد سناریو را برای مقایسه جایگزین‌ها بسازید.

5

نتایج را با شناسایی استراتژی‌های غالب (خوب در اکثر سناریوها)، استراتژی‌های شکننده (بهینه در انتظار اما فاجعه‌بار در سناریوهای دم)، و استراتژی‌های قوی (قابل قبول در تمام سناریوها) تفسیر کنید. از معیارهای تسلط تصادفی یا حداقل‌سازی پشیمانی برای انتخاب یک جایگزین ترجیحی استفاده کنید.

دام‌های رایج

  • رفتار احتمالات سناریو به عنوان مقادیر دقیق، زمانی که آن‌ها حدس‌های تقریبی هستند — همیشه حساسیت نتایج را به تخصیص احتمالات گزارش دهید.
  • انتخاب سناریوها برای تأیید یک نتیجه ترجیحی به جای پوشش دادن فضای واقعی عدم قطعیت، اعتبار تحلیل را تضعیف می‌کند.
  • نادیده گرفتن عدم قطعیت درون سناریو با رفتار هر سناریو به عنوان قطعی، زمانی که پارامترهای درون یک سناریو خود متغیر هستند.
  • گزارش صرف مقادیر مورد انتظار و نادیده گرفتن معیارهای ریسک دم، که می‌تواند استراتژی‌هایی با مواجهه فاجعه‌بار در سمت نزولی را پنهان کند.
  • مخلوط کردن احتمال سناریو با معقولیت سناریو — یک سناریوی با احتمال کم ممکن است به دلیل تأثیر شدیدش، همچنان نیازمند کاهش ریسک باشد.

پرسش‌های متداول

تحلیل سناریوی تصادفی چگونه با تحلیل سناریوی معمولی متفاوت است؟

تحلیل سناریوی معمولی (قطعی) نتایج را تحت چند آینده نام‌گذاری شده ارزیابی می‌کند اما به طور رسمی به آن‌ها احتمال اختصاص نمی‌دهد، بنابراین نمی‌تواند مقادیر مورد انتظار یا آماره‌های ریسک را محاسبه کند. تحلیل سناریوی تصادفی به طور صریح به هر سناریو احتمال اختصاص می‌دهد و نتایج را در معیارهای وزن‌دهی شده با احتمال تجمیع می‌کند و امکان کمی‌سازی رسمی ریسک را فراهم می‌سازد.

چند سناریو باید تعریف کنم؟

سه تا هفت سناریو در کاربردهای استراتژیک معمول است؛ بیش از ده سناریو تفسیر و انتقال دشوار می‌شود. نکته کلیدی این است که سناریوها باید فضای نتیجه محتمل را بدون همپوشانی بیش از حد پوشش دهند. هنگامی که عدم قطعیت پیوسته است، شبیه‌سازی مونت کارلو که از توزیع‌های احتمال نمونه‌برداری می‌کند، ممکن است به شمارش سناریوی گسسته ترجیح داده شود.

اگر نتوانم احتمالات معنی‌داری به سناریوها اختصاص دهم چه؟

اگر احتمالات اساساً غیرقابل شناخت باشند، این روش به تحلیل عدم قطعیت عمیق متمایل می‌شود. تکنیک‌هایی مانند تصمیم‌گیری قوی (RDM) یا تحلیل شکاف اطلاعاتی زمانی مناسب‌تر هستند که تخمین‌های احتمال معتبر نباشند. همچنین می‌توانید تحلیل سناریوی تصادفی را در طیف وسیعی از تخصیص‌های احتمال اجرا کنید تا بررسی کنید که آیا نتایج به آن‌ها حساس هستند یا خیر.

آیا تحلیل سناریوی تصادفی می‌تواند با بهینه‌سازی ترکیب شود؟

بله. هنگامی که یک متغیر تصمیم رسمی باید قبل از آشکار شدن سناریوها انتخاب شود، مسئله به یک برنامه تصادفی دو مرحله‌ای یا چند مرحله‌ای تبدیل می‌شود: مرحله اول یک تصمیم اینجا و اکنون را انتخاب می‌کند؛ مراحل بعدی با هر سناریویی که آشکار می‌شود، سازگار می‌شوند. نرم‌افزارهایی مانند GAMS، Pyomo و حل‌کننده‌های تخصصی برنامه‌ریزی تصادفی از این فرمول‌بندی پشتیبانی می‌کنند.

مجموعه سناریو را چگونه باید اعتبارسنجی کنم؟

اعتبارسنجی شامل بررسی این است که سناریوها از نظر داخلی سازگار باشند، فضای عدم قطعیت کلیدی را به طور جمعی پوشش دهند و بر اساس دانش دامنه یا داده‌های تاریخی باشند. پنل‌های بررسی کارشناسان، تحلیل متقابل اثر، و مقایسه با توزیع‌های فراوانی تاریخی موقعیت‌های مشابه، رویکردهای رایج اعتبارسنجی هستند.

روش‌های مرتبط

منابع

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

    شابک: 9781461402374
    کپی شد.
  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.

    باز کردن مرجع انتشار
    کپی شد.