Analisis Skenario Stokastik — Evaluasi multi-skenario probabilistik di bawah ketidakpastian
- Diperkenalkan oleh
- Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
- Tahun
- 1955–1980s
- Jenis
- Probabilistic scenario enumeration and evaluation
- Keluarga
- Simulation / optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis Skenario Stokastik mengevaluasi suatu sistem atau keputusan di berbagai skenario yang didefinisikan secara eksplisit, masing-masing diberi probabilitas terjadinya.
Berbeda dengan analisis skenario deterministik, metode ini menyebarkan ketidakpastian melalui distribusi probabilitas dan menghitung hasil yang diharapkan, varians, serta metrik risiko di seluruh ruang skenario, memberikan pengambil keputusan pandangan terstruktur tentang apa yang mungkin terjadi dan seberapa mungkin setiap hasil.
Intuisi di balik metode
Bayangkan merencanakan investasi infrastruktur ketika permintaan di masa depan tidak diketahui. Alih-alih memilih satu perkiraan, Anda mendefinisikan serangkaian masa depan yang masuk akal — pertumbuhan tinggi, stagnan, disruptif — dan menetapkan probabilitas untuk masing-masing berdasarkan penilaian ahli atau data historis. Anda kemudian mengevaluasi keputusan Anda di bawah setiap masa depan, menimbang hasil berdasarkan probabilitasnya, dan menghitung nilai yang diharapkan, eksposur kasus terburuk, dan potensi keuntungan. Hasilnya bukanlah satu angka tunggal tetapi distribusi konsekuensi, membantu Anda memilih strategi yang kuat di berbagai masa depan daripada optimal hanya dalam kasus yang diharapkan.
Sejarah
Analisis Skenario Stokastik muncul dari persimpangan perencanaan skenario yang dikembangkan di RAND dan Shell pada tahun 1950-an–1970-an dan pemrograman stokastik yang diformalkan oleh Dantzig (1955) dan Beale (1955). Bidang ini matang melalui karya Birge, Louveaux, dan lainnya pada tahun 1980-an–1990-an, dengan adopsi luas dalam manajemen risiko keuangan, perencanaan energi, dan kebijakan iklim mulai tahun 1990-an dan seterusnya.
Kapan digunakan
Gunakan Analisis Skenario Stokastik ketika ketidakpastian utama dapat diartikulasikan sebagai sejumlah masa depan diskrit yang dapat dikelola, masing-masing membawa perkiraan probabilitas yang bermakna — umum dalam perencanaan strategis, pengujian tekanan keuangan, adaptasi iklim, dan evaluasi kebijakan publik. Ini sangat berharga ketika risiko ekor sama pentingnya dengan kinerja yang diharapkan. Hindari jika jumlah skenario yang relevan terlalu besar untuk diuraikan secara bermakna, ketika perkiraan probabilitas sama sekali tidak tersedia atau tidak berarti (gunakan metode ketidakpastian mendalam seperti pengambilan keputusan yang kuat sebagai gantinya), ketika ruang keputusan bersifat kontinu dan memerlukan optimasi stokastik penuh, atau ketika hasil sangat sensitif terhadap ketidakpastian parameter dalam skenario yang tidak dimodelkan itu sendiri.
Batasan dan pertimbangan
- Hasil sangat sensitif terhadap pilihan set skenario dan probabilitas yang ditetapkan; probabilitas yang dikalibrasi dengan buruk menghasilkan nilai yang diharapkan yang menyesatkan.
- Set skenario diskrit mungkin melewatkan keadaan perantara penting atau hasil ekor yang tidak ditangkap oleh skenario mana pun yang disebutkan namanya.
- Seiring bertambahnya jumlah pendorong ketidakpastian, jumlah skenario yang dibutuhkan untuk cakupan lengkap tumbuh secara eksponensial, membuat enumerasi menjadi tidak praktis.
- Metode ini tidak secara inheren mengoptimalkan keputusan; memasangkannya dengan optimasi memerlukan formulasi pemrograman stokastik yang menambah kompleksitas.
- Mengkomunikasikan hasil yang dibobot probabilitas kepada audiens non-teknis bisa sulit ketika pemangku kepentingan terpaku pada skenario terburuk terlepas dari probabilitasnya.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menjadikan ketidakpastian eksplisit dan transparan dengan menamai dan mengukur masa depan yang berbeda alih-alih menyembunyikannya dalam perkiraan titik.
- Menghasilkan metrik risiko yang kaya termasuk nilai yang diharapkan, varians, dan statistik risiko ekor yang mendukung kriteria keputusan nilai-yang-diharapkan dan penghindaran-risiko.
- Secara komputasi dapat dikelola untuk jumlah skenario sedang, memungkinkan penggunaan model hasil yang kompleks di dalam setiap skenario.
- Secara alami mengkomunikasikan hasil kepada pemangku kepentingan melalui skenario bernama dengan narasi konkret dan ringkasan yang dibobot probabilitas.
- Terintegrasi dengan mulus dengan model optimasi (pemrograman stokastik) ketika variabel keputusan formal harus dipilih.
- Mendukung analisis penyesalan dan identifikasi strategi yang kuat, membantu pengambil keputusan untuk melindungi diri dari skenario terburuk.
Penerapan
- Pengujian tekanan portofolio keuangan dan estimasi nilai-pada-risiko di bawah skenario makroekonomi
- Perencanaan adaptasi iklim mengevaluasi investasi infrastruktur di bawah skenario emisi dan suhu
- Alokasi sumber daya kesehatan di bawah lintasan epidemi yang tidak pasti
- Perencanaan sistem energi di bawah harga bahan bakar yang tidak pasti, pertumbuhan permintaan, dan lingkungan kebijakan
- Penilaian ketahanan rantai pasokan di bawah skenario gangguan termasuk kegagalan pemasok dan guncangan permintaan
- Evaluasi kebijakan publik di mana intervensi dinilai di bawah masa depan yang optimis, dasar, dan pesimis
Cara kerjanya
Cara kerjanya
Identifikasi sejumlah terbatas skenario diskrit S = {s1, s2, ..., sK} yang mewakili masa depan atau keadaan dunia yang berbeda secara struktural. Skenario harus saling eksklusif, mencakup secara kolektif dalam ruang lingkup analisis, dan didorong oleh pendorong ketidakpastian utama. Dalam praktiknya, K berkisar dari 3 hingga 20; di luar itu, interpretasi akan berkurang.
Tetapkan probabilitas p(sk) untuk setiap skenario sedemikian rupa sehingga semua probabilitas tidak negatif dan berjumlah 1. Probabilitas dapat berasal dari elisitasi ahli, analisis frekuensi historis, atau pembaruan Bayesian. Ketika probabilitas sangat tidak pasti, analisis sensitivitas terhadap bobot probabilitas sangat penting.
Untuk setiap skenario sk, hitung vektor hasil atau metrik kinerja f(x, sk) untuk setiap alternatif keputusan atau kebijakan x. Langkah ini sendiri mungkin melibatkan model simulasi, sub-masalah optimasi, atau formula analitik tergantung pada domain aplikasi.
Hitung nilai yang diharapkan E[f] = sum_k p(sk) * f(x, sk) dan ukuran risiko seperti varians Var[f], nilai-risiko bersyarat CVaR, atau probabilitas terlampaui P(f > threshold). Susun distribusi hasil dan tabel kinerja skenario untuk membandingkan alternatif.
Interpretasikan hasil dengan mengidentifikasi strategi dominan (baik di sebagian besar skenario), strategi rapuh (optimal dalam ekspektasi tetapi katastropik dalam skenario ekor), dan strategi kuat (dapat diterima di semua skenario). Gunakan kriteria dominasi stokastik atau minimisasi penyesalan untuk memilih alternatif yang disukai.
Kesalahan umum
- Memperlakukan probabilitas skenario sebagai tepat ketika mereka adalah perkiraan kasar — selalu laporkan sensitivitas kesimpulan terhadap penetapan probabilitas.
- Memilih skenario untuk mengkonfirmasi hasil yang disukai daripada untuk mencakup ruang ketidakpastian yang sebenarnya, merusak kredibilitas analisis.
- Mengabaikan ketidakpastian dalam skenario dengan memperlakukan setiap skenario sebagai deterministik ketika parameter di dalam skenario itu sendiri bervariasi.
- Hanya melaporkan nilai yang diharapkan dan mengabaikan metrik risiko ekor, yang dapat menyembunyikan strategi dengan eksposur kerugian katastropik.
- Mencampuradukkan probabilitas skenario dengan kemungkinan skenario — skenario dengan probabilitas rendah mungkin masih memerlukan mitigasi jika dampaknya parah.
Pertanyaan yang sering diajukan
Bagaimana analisis skenario stokastik berbeda dari analisis skenario biasa?
Analisis skenario biasa (deterministik) mengevaluasi hasil di bawah beberapa masa depan yang disebutkan namanya tetapi tidak secara formal menetapkan probabilitas untuk mereka, sehingga tidak dapat menghitung nilai yang diharapkan atau statistik risiko. Analisis skenario stokastik secara eksplisit menetapkan probabilitas untuk setiap skenario dan menggabungkan hasil menjadi metrik yang dibobot probabilitas, memungkinkan kuantifikasi risiko formal.
Berapa banyak skenario yang harus saya definisikan?
Tiga hingga tujuh skenario adalah tipikal dalam aplikasi strategis; lebih dari sepuluh menjadi sulit untuk diinterpretasikan dan dikomunikasikan. Kuncinya adalah skenario harus mencakup ruang hasil yang masuk akal tanpa tumpang tindih yang berlebihan. Ketika ketidakpastian bersifat kontinu, simulasi Monte Carlo yang menarik dari distribusi probabilitas mungkin lebih disukai daripada enumerasi skenario diskrit.
Bagaimana jika saya tidak dapat menetapkan probabilitas yang bermakna untuk skenario?
Jika probabilitas pada dasarnya tidak dapat diketahui, metode ini bergeser ke analisis ketidakpastian mendalam. Teknik seperti pengambilan keputusan yang kuat (RDM) atau analisis info-gap lebih cocok ketika perkiraan probabilitas tidak kredibel. Anda juga dapat menjalankan analisis skenario stokastik di berbagai penetapan probabilitas untuk menguji apakah kesimpulan sensitif terhadapnya.
Bisakah analisis skenario stokastik digabungkan dengan optimasi?
Ya. Ketika variabel keputusan formal harus dipilih sebelum skenario diungkapkan, masalah tersebut menjadi program stokastik dua tahap atau multi-tahap: tahap pertama memilih keputusan di sini-dan-sekarang; tahap selanjutnya beradaptasi dengan skenario mana pun yang terungkap. Perangkat lunak seperti GAMS, Pyomo, dan pemecah pemrograman stokastik khusus mendukung formulasi ini.
Bagaimana cara memvalidasi set skenario?
Validasi melibatkan pemeriksaan bahwa skenario konsisten secara internal, secara kolektif mencakup ruang ketidakpastian utama, dan didasarkan pada pengetahuan domain atau data historis. Panel tinjauan ahli, analisis lintas-dampak, dan perbandingan dengan distribusi frekuensi historis dari situasi analog adalah pendekatan validasi umum.
Metode terkait
Sumber
Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.
ISBN: 9781461402374Disalin.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.
Buka referensi publikasiDisalin.