การวิเคราะห์สถานการณ์โดยใช้ตัวแทน (Agent-Based Scenario Analysis)
- ผู้เสนอ
- Axelrod, R.; Schoemaker, P. J. H. (combined lineage)
- ปี
- 1990s–2000s
- ประเภท
- Hybrid simulation–scenario method
- กลุ่มวิธี
- Simulation / optimization
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์สถานการณ์โดยใช้ตัวแทน (Agent-based scenario analysis) เป็นการฝังแบบจำลองการจำลองโดยใช้ตัวแทน (agent-based simulation models) เข้าไปในกรอบการวางแผนสถานการณ์ที่มีโครงสร้าง นักวิจัยจะกำหนดสถานการณ์อนาคตที่แตกต่างกัน 2 ถึง 4 แบบ สร้างกลุ่มตัวแทนและกฎของสภาพแวดล้อมให้สะท้อนสมมติฐานของแต่ละสถานการณ์ ดำเนินการจำลองภายใต้เงื่อนไขแต่ละแบบ และเปรียบเทียบผลลัพธ์ที่เกิดขึ้น ทำให้สามารถสำรวจได้ว่าพฤติกรรมของแต่ละตัวแทนที่กระจายตัวรวมกันเป็นผลลัพธ์ระดับระบบได้อย่างไรภายใต้สภาวะอนาคตที่แตกต่างกันอย่างสิ้นเชิง
แนวคิดเบื้องหลังวิธีการ
การวางแผนสถานการณ์แบบดั้งเดิมจะร่างอนาคตที่เป็นไปได้ในรูปแบบคำบรรยาย แต่ไม่สามารถติดตามได้ว่าการตัดสินใจของแต่ละบุคคลนับล้านรวมกันเป็นผลลัพธ์ของระบบได้อย่างไร การสร้างแบบจำลองโดยใช้ตัวแทน (agent-based modeling) สามารถจับพฤติกรรมระดับจุลภาคได้ แต่โดยทั่วไปจะดำเนินการในโลกพื้นฐานเพียงแบบเดียว การวิเคราะห์สถานการณ์โดยใช้ตัวแทนเป็นการรวมทั้งสองวิธีเข้าด้วยกัน: แต่ละสถานการณ์จะกลายเป็นชุดพารามิเตอร์ที่แตกต่างกันสำหรับแบบจำลองตัวแทน จากนั้นนักวิเคราะห์สามารถสังเกตได้ว่ากฎระดับบุคคลเดียวกันก่อให้เกิดรูปแบบรวมที่แตกต่างกันอย่างสิ้นเชิงในแต่ละสถานการณ์หรือไม่ ซึ่งจะเผยให้เห็นว่าระบบมีความแข็งแกร่งในส่วนใดและมีความอ่อนไหวต่อบริบทระดับมหภาคในส่วนใด
ประวัติศาสตร์
การทดสอบความเครียดของระบบการเงิน: การจำลองเครือข่ายการแพร่กระจายของธนาคารภายใต้สถานการณ์การเข้มงวดด้านกฎระเบียบเทียบกับการยกเลิกกฎระเบียบ
ควรใช้เมื่อใด
ใช้การวิเคราะห์สถานการณ์โดยใช้ตัวแทนเมื่อระบบที่สนใจเกี่ยวข้องกับผู้มีส่วนร่วมที่หลากหลายซึ่งการโต้ตอบในท้องถิ่นก่อให้เกิดผลลัพธ์รวมที่ไม่เป็นเชิงเส้น และเมื่อบริบทในอนาคตมีความไม่แน่นอนอย่างมากโดยมีแรงขับเคลื่อนที่สำคัญเพียงไม่กี่อย่าง เหมาะอย่างยิ่งสำหรับการทดสอบนโยบาย การวางแผนระบาดวิทยา การศึกษาการวิวัฒนาการของตลาด และระบบเมืองหรือระบบนิเวศ ห้ามใช้เมื่อการวิเคราะห์ความไวแบบง่ายของแบบจำลองเชิงกำหนดเพียงแบบเดียวเพียงพอ เมื่อข้อมูลเกี่ยวกับกฎพฤติกรรมของตัวแทนไม่พร้อมใช้งานเลย เมื่อผู้มีส่วนได้ส่วนเสียต้องการผลลัพธ์ที่ปรับให้เหมาะสมเพียงผลลัพธ์เดียว แทนที่จะเป็นการกระจายของผลลัพธ์ หรือเมื่อทรัพยากรคอมพิวเตอร์ไม่เพียงพอสำหรับการจำลองซ้ำที่จำเป็นในหลายสถานการณ์
ข้อจำกัดและข้อควรพิจารณา
- การตรวจสอบความถูกต้องของแบบจำลองเป็นเรื่องท้าทาย เนื่องจากพฤติกรรมที่เกิดขึ้นอาจไม่มีแบบจำลองในอดีตในบริบทสถานการณ์ที่กำลังทดสอบ
- การปรับเทียบพารามิเตอร์ภายใต้แต่ละสถานการณ์อาจมีความไม่แน่นอนสูงเมื่อข้อมูลเชิงประจักษ์มีจำกัดหรือเฉพาะเจาะจงกับสถานการณ์
- ต้นทุนการคำนวณเพิ่มขึ้นตามจำนวนตัวแทน จำนวนสถานการณ์ และการจำลองซ้ำที่จำเป็น ซึ่งอาจกลายเป็นสิ่งต้องห้าม
- การเลือกความไม่แน่นอนที่จะเปลี่ยนแปลงระหว่างสถานการณ์เทียบกับภายในสถานการณ์เกี่ยวข้องกับการตัดสินใจเชิงอัตวิสัยซึ่งมีอิทธิพลต่อข้อสรุป
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับปรากฏการณ์ที่เกิดขึ้นและผลกระทบเชิงเส้นขอบที่ไม่เป็นเชิงเส้นซึ่งแบบจำลองรวมพลาดไป
- ให้ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับความไม่แน่นอนโดยแสดงการกระจายผลลัพธ์ภายใต้แต่ละอนาคตที่แตกต่างกัน ไม่ใช่แค่การเปลี่ยนแปลงพารามิเตอร์รอบๆ ค่าพื้นฐาน
- จำลองความแตกต่างระหว่างผู้มีส่วนร่วมอย่างชัดเจน ทำให้สมจริงกว่าแนวทางตัวแทนที่เป็นตัวแทน
- โครงสร้างสถานการณ์จัดระเบียบการวิเคราะห์รอบๆ อนาคตที่เกี่ยวข้องกับการตัดสินใจ ปรับปรุงการสื่อสารกับผู้มีส่วนได้ส่วนเสีย
- สามารถจัดการกับคำบรรยายสถานการณ์เชิงคุณภาพและแปลงให้เป็นอินพุตแบบจำลองเชิงปริมาณได้อย่างเป็นระบบ
การประยุกต์ใช้
- นโยบายการเกษตร: ตรวจสอบการยอมรับแนวทางปฏิบัติที่ยั่งยืนของเกษตรกรภายใต้สถานการณ์การอุดหนุนและสภาพอากาศที่แตกต่างกัน
- การเปลี่ยนแปลงกำลังแรงงาน: การสร้างแบบจำลองการหยุดชะงักของตลาดแรงงานจากระบบอัตโนมัติในอนาคตที่มีกฎระเบียบสูงและต่ำ
- ฉันควรใช้กี่สถานการณ์?
- โดยทั่วไปแล้ว 2 ถึง 4 สถานการณ์เป็นมาตรฐานที่ใช้กันทั่วไป 2 สถานการณ์ (มองโลกในแง่ดี/มองโลกในแง่ร้าย) สื่อสารได้ง่าย แต่อาจพลาดเส้นทางตรงกลางที่สำคัญ 4 สถานการณ์ที่จัดเรียงตามแกนความไม่แน่นอนที่สำคัญสองแกนเป็นโครงสร้างการวางแผนสถานการณ์แบบคลาสสิก (เมทริกซ์ 2x2) สถานการณ์มากกว่า 4 แบบจะเพิ่มภาระในการคำนวณและการตีความอย่างรวดเร็วโดยไม่มีข้อมูลเชิงลึกที่ได้สัดส่วน
- การวิเคราะห์สถานการณ์โดยใช้ตัวแทนแตกต่างจากการวิเคราะห์ความไวมาตรฐานอย่างไร?
วิธีการทำงาน
วิธีการทำงาน
พัฒนาสถานการณ์ 2 ถึง 4 แบบที่สอดคล้องกันภายในและครอบคลุมพื้นที่ที่เป็นไปได้ของสภาวะในอนาคต แต่ละสถานการณ์จะมีลักษณะเฉพาะด้วยชุดความไม่แน่นอนที่สำคัญ (เช่น สภาพแวดล้อมด้านกฎระเบียบ ความพร้อมของเทคโนโลยี การเปลี่ยนแปลงทางประชากร) ซึ่งแสดงออกมาในรูปแบบคำบรรยายเชิงคุณภาพและต่อมาในรูปแบบช่วงของค่าพารามิเตอร์เชิงปริมาณ
สร้างหรือปรับแบบจำลองโดยใช้ตัวแทนที่แสดงถึงผู้มีส่วนเกี่ยวข้องที่เกี่ยวข้อง (บุคคล บริษัท สถาบัน) และกฎพฤติกรรมของพวกเขา (หลักการตัดสินใจ โปรโตคอลการโต้ตอบ ข้อจำกัดด้านทรัพยากร) โครงสร้างแบบจำลอง — ประเภทตัวแทน โทโพโลยีสภาพแวดล้อม เครือข่ายการโต้ตอบ — จะคงที่ในทุกสถานการณ์
แปลงคำบรรยายของแต่ละสถานการณ์ให้เป็นพารามิเตอร์แบบจำลองที่ชัดเจน: เงื่อนไขเริ่มต้น ตัวแปรบังคับภายนอก และสมมติฐานการกระจายสำหรับคุณลักษณะของตัวแทน บันทึกการจับคู่จากตรรกะสถานการณ์ไปยังค่าพารามิเตอร์อย่างชัดเจนเพื่อให้สามารถติดตามผลลัพธ์กลับไปยังสมมติฐานสถานการณ์ได้
ดำเนินการแบบจำลองโดยใช้ตัวแทนภายใต้ชุดพารามิเตอร์ของแต่ละสถานการณ์ โดยทั่วไปจะมีการจำลองแบบสุ่มหลายครั้งต่อสถานการณ์เพื่อแยกผลกระทบของสถานการณ์ออกจากความแปรปรวนแบบสุ่ม บันทึกผลลัพธ์อนุกรมเวลาและสถิติสรุป (เช่น อัตราการยอมรับ มาตรวัดความไม่เท่าเทียม เกณฑ์การล่มสลายของระบบ)
เปรียบเทียบผลลัพธ์ที่เกิดขึ้นในแต่ละสถานการณ์โดยใช้สถิติสรุป ช่วงความเชื่อมั่น และตัวบ่งชี้ความไว ระบุว่าผลลัพธ์ใดมีความแข็งแกร่ง (คล้ายคลึงกันในทุกสถานการณ์) และผลลัพธ์ใดขึ้นอยู่กับสถานการณ์ รายงานการกระจายตามเงื่อนไขของสถานการณ์ แทนที่จะเป็นค่าประมาณจุดเดียว
ข้อผิดพลาดที่พบบ่อย
- การรายงานผลลัพธ์สถานการณ์ที่น่าทึ่งที่สุดเพียงไม่กี่อย่าง ในขณะที่ระงับผลการวิจัยที่แข็งแกร่งซึ่งใช้ร่วมกันในทุกสถานการณ์
- การสร้างแบบจำลองโดยใช้ตัวแทนเกิดขึ้นจากวิทยาศาสตร์ความซับซ้อนในช่วงปลายทศวรรษ 1980 และ 1990 ผ่านผลงานของ Axelrod, Epstein และ Axtell การวางแผนสถานการณ์มีรากฐานมาจาก RAND Corporation และการวางแผนเชิงกลยุทธ์ของ Shell ตั้งแต่ทศวรรษ 1960–1980 ซึ่งต่อมาได้รับการทำให้เป็นระบบโดย Schoemaker (1995) การบูรณาการ ABM อย่างชัดเจนกับกรอบการวางแผนสถานการณ์กลายเป็นพื้นที่วิจัยที่ดำเนินการในช่วงทศวรรษ 2000 โดยเฉพาะอย่างยิ่งในด้านสาธารณสุข การวางผังเมือง และการวิจัยระบบสังคม-นิเวศ
- การวางแผนรับมือโรคระบาด: ทดสอบนโยบายการฉีดวัคซีนและการแทรกแซงที่ไม่ใช่ยา (non-pharmaceutical intervention) ในสถานการณ์ต่างๆ ของการแพร่ระบาดของเชื้อกลายพันธุ์และการปฏิบัติตามของประชากร
- การเคลื่อนย้ายในเมือง: เปรียบเทียบเส้นโค้งการยอมรับยานยนต์ไฟฟ้าภายใต้สถานการณ์โครงสร้างพื้นฐานการชาร์จที่มองโลกในแง่ดีเทียบกับมองโลกในแง่ร้าย
คำถามที่พบบ่อย
การวิเคราะห์ความไวจะเปลี่ยนแปลงพารามิเตอร์หนึ่งหรือสองตัวอย่างต่อเนื่องรอบๆ ค่าพื้นฐาน เหมาะที่สุดสำหรับความไม่แน่นอนในระดับท้องถิ่นใกล้กับจุดปฏิบัติการที่ทราบ ในทางกลับกัน การวิเคราะห์สถานการณ์จะกำหนดอนาคตที่แยกจากกันและสอดคล้องกันภายใน ซึ่งอาจอยู่ห่างไกลจากค่าพื้นฐาน การรวมกับการสร้างแบบจำลองโดยใช้ตัวแทนหมายความว่าพฤติกรรมของระบบที่เกิดขึ้น — ไม่ใช่แค่ค่าผลลัพธ์ — สามารถแตกต่างกันในเชิงคุณภาพในแต่ละสถานการณ์
ฉันต้องการการจำลองซ้ำกี่ครั้งต่อสถานการณ์?
เพียงพอที่จะประมาณค่าสถิติระดับสถานการณ์ด้วยความแม่นยำที่ยอมรับได้ จุดเริ่มต้นทั่วไปคือ 50–200 ครั้งต่อสถานการณ์ โดยวินิจฉัยการลู่เข้าโดยการตรวจสอบค่าเฉลี่ยและค่าความแปรปรวนที่กำลังดำเนินการ ผลลัพธ์เหตุการณ์หายาก (เช่น ความน่าจะเป็นของการล่มสลาย) อาจต้องใช้การจำลองซ้ำหลายพันครั้ง
ซอฟต์แวร์ใดรองรับวิธีการนี้?
NetLogo, Mesa (Python), Repast Simphony และ AnyLogic เป็นแพลตฟอร์มการสร้างแบบจำลองโดยใช้ตัวแทนที่ใช้กันอย่างแพร่หลาย การกวาดพารามิเตอร์สถานการณ์มักจะจัดการผ่านสคริปต์ภายนอกหรือกรอบการทดลองในตัว เครื่องมือ NetLogo BehaviorSpace และเครื่องมือ parameter sweep ของ Repast เป็นตัวเลือกทั่วไป
ฉันสามารถใช้วิธีนี้ได้โดยไม่มีกฎพฤติกรรมที่ปรับเทียบแล้วหรือไม่?
ได้ แต่มีข้อควรระวังอย่างยิ่ง เมื่อไม่สามารถทำการปรับเทียบเชิงประจักษ์ได้ แบบจำลองควรถูกมองว่าเป็นเครื่องมือสำรวจทางทฤษฎี แทนที่จะเป็นการคาดการณ์เชิงปริมาณ ในกรณีนั้น การวิเคราะห์สถานการณ์ยังคงมีประโยชน์ในการระบุความแตกต่างของระบอบการปกครองเชิงคุณภาพ แต่ไม่ควรรายงานค่าประมาณผลลัพธ์เชิงตัวเลขเป็นการคาดการณ์
กำหนดสถานการณ์บนแกน 2x2 ของความไม่แน่นอนที่มีผลกระทบสูงสุดสองประการของคุณ สร้างแบบจำลองตัวแทนเพียงแบบเดียว; เปลี่ยนแปลงเฉพาะพารามิเตอร์ระหว่างสถานการณ์ ดำเนินการจำลองซ้ำอย่างน้อย 100 ครั้งต่อสถานการณ์ และรายงานการกระจายผลลัพธ์ ไม่ใช่แค่ค่าเฉลี่ยเท่านั้น สื่อสารผลการวิจัยที่แข็งแกร่ง (สอดคล้องกันในทุกสถานการณ์) แยกจากผลลัพธ์ที่ขึ้นอยู่กับสถานการณ์ เพื่อให้ผู้มีส่วนได้ส่วนเสียได้รับสัญญาณที่นำไปปฏิบัติได้ท่ามกลางความไม่แน่นอน
Can I apply this method without calibrated behavioral rules?
Yes, but with strong caveats. When empirical calibration is impossible, the model should be treated as a theoretical exploration device rather than a quantitative forecast. In that case, scenario analysis is still useful for identifying qualitative regime differences, but numerical outcome estimates should not be reported as predictions.
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press. Princeton, NJ.
ISBN: 9780691015675คัดลอกแล้วSchoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว