Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์สถานการณ์นโยบาย — การประเมินผลการแทรกแซงนโยบายในอนาคตที่เป็นไปได้หลากหลายรูปแบบ

ผู้เสนอ
Kahn, H. & Wiener, A. J. (seminal); adapted for policy by RAND Corporation and OECD
ปี
1967–1990s
ประเภท
Qualitative-quantitative hybrid scenario method
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์สถานการณ์นโยบาย (Policy Scenario Analysis) เป็นวิธีการที่เป็นระบบสำหรับการประเมินว่าการแทรกแซงนโยบายที่แตกต่างกันมีประสิทธิภาพอย่างไรในสภาวะอนาคตที่เป็นไปได้หลากหลายรูปแบบ โดยการจับคู่กลไกนโยบายที่เฉพาะเจาะจงกับสถานการณ์ทางเลือกต่างๆ นักวิเคราะห์สามารถประเมินความทนทาน (robustness) การแลกเปลี่ยน (trade-offs) และผลกระทบที่ไม่ได้ตั้งใจของการเลือกนโยบายก่อนการนำไปปฏิบัติ ซึ่งทำให้เป็นรากฐานสำคัญของการออกแบบนโยบายที่อิงหลักฐานในสาขาต่างๆ ตั้งแต่สภาพภูมิอากาศไปจนถึงสาธารณสุข

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพรัฐบาลกำลังตัดสินใจว่าจะนำภาษีคาร์บอนมาใช้ อุดหนุนพลังงานหมุนเวียน หรือกำหนดเพดานกฎระเบียบ ไม่มีใครรู้แน่ชัดว่าเศรษฐกิจหรือเทคโนโลยีจะพัฒนาไปอย่างไร การวิเคราะห์สถานการณ์นโยบายจัดการกับปัญหานี้โดยการสร้างแผนที่ของอนาคตที่เป็นไปได้ต่างๆ ก่อน ได้แก่ การเติบโตในแง่ดี ภาวะชะงักงัน หรือความก้าวหน้าทางเทคโนโลยี จากนั้นจึงนำนโยบายแต่ละทางเลือกไปทดสอบในแต่ละอนาคต ผลลัพธ์ที่ได้ไม่ใช่คำตอบ 'ที่ดีที่สุด' เพียงคำตอบเดียว แต่เป็นโปรไฟล์ความทนทานของนโยบาย ซึ่งระบุว่าการแทรกแซงใดที่ยังคงดีอยู่เมื่อพิจารณาทุกอนาคต การแทรกแซงใดที่เปราะบาง และการแลกเปลี่ยนใดที่ชัดเจนที่สุด การเปรียบเทียบข้ามสถานการณ์นี้คือสิ่งที่ทำให้ PSA แตกต่างจากการวิเคราะห์ต้นทุนและผลประโยชน์แบบธรรมดา

ประวัติศาสตร์

การวิเคราะห์สถานการณ์นโยบายมีรากฐานมาจากงานด้านอนาคตของ Herman Kahn และ Anthony Wiener ที่ RAND ในทศวรรษ 1960 และการนำเทคนิคสถานการณ์มาใช้โดย Shell ในทศวรรษ 1970 ต่อมา ตั้งแต่ทศวรรษ 1990 เป็นต้นมา องค์กรระหว่างประเทศต่างๆ รวมถึง IPCC, OECD และ World Bank ได้กำหนดกรอบการทำงานสถานการณ์เฉพาะสำหรับนโยบายเพื่อประเมินนโยบายด้านสภาพภูมิอากาศ การพัฒนา และสุขภาพ ทำให้ PSA กลายเป็นเครื่องมือมาตรฐานในการปกครองที่อิงหลักฐาน

ควรใช้เมื่อใด

ใช้การวิเคราะห์สถานการณ์นโยบายเมื่อ: (1) การตัดสินใจเกี่ยวข้องกับความไม่แน่นอนอย่างมีนัยสำคัญเกี่ยวกับบริบทในอนาคต (2) ต้องเปรียบเทียบเครื่องมือนโยบายหลายอย่างในมิติผลลัพธ์หลายด้าน (3) ผู้มีส่วนได้ส่วนเสียต้องการเหตุผลที่โปร่งใสและตรวจสอบได้ แทนที่จะเป็นการคาดการณ์จากแบบจำลองเพียงอย่างเดียว (4) กรอบเวลาการดำเนินงานยาวนานพอที่การคาดการณ์จุดเดียวจะไม่น่าเชื่อถือ **อย่า** ใช้ PSA เมื่อ: คำถามเชิงนโยบายมีกรอบเวลาสั้นมากโดยมีความไม่แน่นอนที่สามารถระบุลักษณะได้ดีและควรจัดการด้วยการวิเคราะห์ความไวเชิงความน่าจะเป็น (probabilistic sensitivity analysis); เมื่อไม่มีข้อมูลเพียงพอสำหรับการสร้างสถานการณ์ที่น่าเชื่อถือ; หรือเมื่อการตัดสินใจเป็นเพียงการดำเนินงานและไม่มีความไม่แน่นอนของบริบทที่สำคัญ

ข้อจำกัดและข้อควรพิจารณา

  • การสร้างสถานการณ์บางส่วนเป็นอัตวิสัย ทีมที่แตกต่างกันอาจสร้างชุดสถานการณ์ที่แตกต่างกัน — แต่ยังคงเป็นไปได้เหมือนกัน
  • วิธีการนี้ไม่ได้กำหนดความน่าจะเป็นให้กับสถานการณ์ ทำให้ไม่สามารถคำนวณค่าคาดหวังได้หากไม่มีการเพิ่มชั้นความน่าจะเป็นเข้าไป
  • ผลลัพธ์มีความน่าเชื่อถือเท่ากับแบบจำลองการจำลองพื้นฐานเท่านั้น ข้อผิดพลาดของแบบจำลองจะส่งผลต่อการเปรียบเทียบนโยบายทั้งหมด
  • การจัดการเมทริกซ์นโยบาย × สถานการณ์ขนาดใหญ่ (กลไกจำนวนมาก × สถานการณ์จำนวนมาก) จะกลายเป็นเรื่องซับซ้อนในการวิเคราะห์อย่างรวดเร็ว
  • การสื่อสารขอบเขตการแลกเปลี่ยนที่ไม่ถูกครอบงำ (non-dominated trade-off frontiers) ให้กับผู้ที่ไม่ใช่ผู้เชี่ยวชาญต้องอาศัยการอำนวยความสะดวกที่มีทักษะ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เปิดเผยความทนทานของนโยบายในอนาคตที่ไม่แน่นอน แทนที่จะเป็นการปรับให้เหมาะสมกับสภาวะที่คาดการณ์ไว้เพียงสภาวะเดียว
  • สนับสนุนการประเมินแบบหลายเกณฑ์ — นโยบายที่แตกต่างกันอาจมีประสิทธิภาพดีที่สุดในมิติผลลัพธ์ที่แตกต่างกัน
  • เชื่อมโยงความรู้เชิงคุณภาพของผู้เชี่ยวชาญ (คำบรรยายสถานการณ์) กับแบบจำลองเชิงปริมาณ
  • โปร่งใสและตรวจสอบได้: เมทริกซ์นโยบาย × สถานการณ์สามารถแบ่งปันกับผู้มีส่วนได้ส่วนเสียเพื่อการอภิปราย
  • อำนวยความสะดวกในการออกแบบนโยบายที่ปรับเปลี่ยนได้ โดยการระบุเงื่อนไขที่เป็นตัวกระตุ้นสำหรับการสลับกลยุทธ์
  • ได้รับการยอมรับอย่างกว้างขวางในกระบวนการกำหนดนโยบายระหว่างประเทศ (IPCC, OECD, World Bank) ซึ่งช่วยเพิ่มความชอบธรรมในระดับสถาบัน

การประยุกต์ใช้

  • นโยบายสภาพภูมิอากาศและพลังงาน: เปรียบเทียบการกำหนดราคาคาร์บอน การอุดหนุนพลังงานหมุนเวียน และมาตรฐานประสิทธิภาพการใช้พลังงานกับเส้นทางสังคมและเศรษฐกิจของ IPCC
  • นโยบายสาธารณสุข: การประเมินโครงการฉีดวัคซีน กลยุทธ์การล็อกดาวน์ และการลงทุนด้านศักยภาพการดูแลสุขภาพในสถานการณ์การระบาดต่างๆ
  • นโยบายการคลังและสังคม: การทดสอบภาวะวิกฤต (stress-testing) การปฏิรูปบำนาญ หรือโครงการสวัสดิการ กับสถานการณ์การเติบโตของประชากรและเศรษฐกิจ
  • การวางผังเมืองและการขนส่ง: การประเมินการลงทุนโครงสร้างพื้นฐานภายใต้สถานการณ์การเติบโตของประชากรและเทคโนโลยีการเดินทางที่แตกต่างกัน
  • นโยบายเกษตรและความมั่นคงทางอาหาร: การประเมินทางเลือกนโยบายอุดหนุนและการค้าภายใต้สถานการณ์ความผันผวนของสภาพภูมิอากาศ
  • การวางแผนกลาโหมและความมั่นคง: การทดสอบกลยุทธ์การจัดซื้อจัดจ้างและพันธมิตรกับสถานการณ์ความเสี่ยงทางภูมิรัฐศาสตร์

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดคำถามเชิงนโยบาย กรอบเวลาการตัดสินใจ และความไม่แน่นอนที่สำคัญซึ่งขับเคลื่อนระบบ กำหนดแนวโน้มพื้นฐาน (การดำเนินธุรกิจตามปกติ) ที่จะใช้อ้างอิงในการเปรียบเทียบนโยบายต่างๆ ระบุผู้มีส่วนได้ส่วนเสีย ตัวชี้วัดที่เกี่ยวข้อง (ผลลัพธ์ที่น่าสนใจ) และข้อจำกัด

2

แจกแจงเครื่องมือนโยบายที่เฉพาะเจาะจงที่กำลังพิจารณา เช่น อัตราภาษี ระดับการใช้จ่าย เกณฑ์กฎระเบียบ การออกแบบโครงการ กำหนดช่วงพารามิเตอร์สำหรับกลไกแต่ละอย่าง หากมีการรวมกลไกหลายอย่างเข้าด้วยกัน ให้ระบุชุดนโยบายเป็นกลุ่มการทดลอง

3

สร้างชุดสถานการณ์อนาคตที่จำกัดและสอดคล้องกันภายใน (โดยทั่วไป 3–5 สถานการณ์) ซึ่งครอบคลุมความไม่แน่นอนที่สำคัญที่ระบุไว้ในขั้นตอนที่ 1 สถานการณ์ต่างๆ จะแตกต่างกันในสมมติฐานเกี่ยวกับปัจจัยขับเคลื่อนภายนอก (การเติบโตของประชากร ต้นทุนเทคโนโลยี บริบททางภูมิรัฐศาสตร์) แต่ไม่ขึ้นอยู่กับนโยบาย — สถานการณ์เหล่านี้เป็นฉากหลังที่ใช้วัดผลนโยบาย

4

นำนโยบายแต่ละทางเลือก (รวมถึงสถานการณ์พื้นฐาน) ไปทดสอบในแต่ละสถานการณ์โดยใช้แบบจำลองเชิงปริมาณ เช่น ระบบพลวัต (system dynamics) การจำลองระดับจุลภาค (microsimulation) เศรษฐมิติ (econometric) หรือแบบจำลองตามตัวแทน (agent-based model) และบันทึกตัวชี้วัดผลลัพธ์สำหรับแต่ละการผสมผสานระหว่างนโยบายและสถานการณ์ ผลลัพธ์ที่ได้คือเมทริกซ์ของผลลัพธ์

5

เปรียบเทียบผลลัพธ์ของนโยบายในแต่ละสถานการณ์โดยใช้เครื่องมือภาพ (เช่น ฮีทแมป แผนภูมิพัด แผนภาพพิกัดขนาน) และสถิติสรุป ระบุว่านโยบายใดครอบงำ (ผลลัพธ์ดีกว่าหรือเท่ากันในทุกสถานการณ์) นโยบายใดลดการเสียใจได้มากที่สุด (regret-minimizing) และการแลกเปลี่ยนระหว่างวัตถุประสงค์ต่างๆ ปรากฏขึ้นที่ใด

6

สังเคราะห์ผลการวิจัยเพื่อเป็นแนวทางปฏิบัติ: แนะนำนโยบายที่ทนทานต่อทุกสถานการณ์ ชี้ให้เห็นถึงทางเลือกที่เปราะบาง เสนอกลยุทธ์ที่ปรับเปลี่ยนได้ (นโยบายที่ขึ้นอยู่กับสถานการณ์ใดเกิดขึ้นจริง) และสื่อสารความไม่แน่นอนที่เหลืออยู่ให้แก่ผู้มีอำนาจตัดสินใจ

ข้อผิดพลาดที่พบบ่อย

  • การปฏิบัติต่อสถานการณ์เสมือนการคาดการณ์ หรือการกำหนดความน่าจะเป็นโดยนัยตามสัญชาตญาณ ซึ่งบ่อนทำลายเหตุผลด้านความทนทาน
  • การใช้สถานการณ์มากเกินไป (มากกว่า 5–6 สถานการณ์) โดยไม่มีตรรกะการแยกแยะที่ชัดเจน ซึ่งนำไปสู่การรับรู้ที่มากเกินไปและข้อมูลเชิงลึกที่เจือจาง
  • การผสมปนเปความไม่แน่นอนของสถานการณ์กับการเลือกนโยบาย: สถานการณ์ต้องเป็นปัจจัยภายนอกต่อนโยบาย ไม่ใช่ถูกขับเคลื่อนโดยนโยบายเหล่านั้น
  • การละเว้นสถานการณ์พื้นฐาน (การดำเนินธุรกิจตามปกติ) ซึ่งเป็นการลบจุดอ้างอิงที่จำเป็นในการวัดผลกระทบของนโยบาย
  • การละเลยผลกระทบอันดับสองและวงจรป้อนกลับในแบบจำลอง ซึ่งอาจทำให้ลำดับของนโยบายกลับกันในแต่ละสถานการณ์

คำถามที่พบบ่อย

การวิเคราะห์สถานการณ์นโยบายแตกต่างจากการวิเคราะห์สถานการณ์มาตรฐานอย่างไร

การวิเคราะห์สถานการณ์มาตรฐานมุ่งเน้นไปที่การอธิบายอนาคตที่เป็นไปได้ การวิเคราะห์สถานการณ์นโยบายจะเพิ่มชั้นที่เป็นระบบ: แต่ละสถานการณ์จะถูกนำมาพิจารณาร่วมกับเครื่องมือนโยบายที่เฉพาะเจาะจง เพื่อสร้างเมทริกซ์ผลลัพธ์ของนโยบาย × สถานการณ์ เป้าหมายคือการประเมินว่านโยบายใดมีความทนทาน — ไม่ใช่เพียงแค่อนาคตใดที่เป็นไปได้

ฉันควรสร้างสถานการณ์กี่สถานการณ์

มาตรฐานที่ใช้กันทั่วไปคือ 3–5 สถานการณ์ การมีน้อยกว่า 3 สถานการณ์อาจเสี่ยงต่อการมองข้ามความแตกต่างที่สำคัญ การมีมากกว่า 5 สถานการณ์อาจทำให้ยากต่อการทำความเข้าใจและสื่อสาร และมักจะเกี่ยวข้องกับพื้นที่สถานการณ์ที่ซ้ำซ้อน คุณภาพ (ความสอดคล้องกันภายใน ความแตกต่างในปัจจัยขับเคลื่อนหลัก) สำคัญกว่าปริมาณ

PSA จำเป็นต้องใช้แบบจำลองการจำลองเชิงปริมาณหรือไม่

ไม่เสมอไป การใช้งานบางอย่างใช้การประเมินเชิงคุณภาพด้วยเมทริกซ์หรือการให้คะแนนโดยผู้เชี่ยวชาญ อย่างไรก็ตาม แบบจำลองเชิงปริมาณ (ระบบพลวัต การจำลองระดับจุลภาค CGE) ช่วยเพิ่มความแม่นยำอย่างมาก และทำให้การเปรียบเทียบนโยบาย × สถานการณ์สามารถทำซ้ำและพิสูจน์ได้ (falsifiable)

ฉันสามารถกำหนดความน่าจะเป็นให้กับสถานการณ์ได้หรือไม่

คุณสามารถเพิ่มชั้นความน่าจะเป็นที่ได้จากการประเมินโดยผู้เชี่ยวชาญหรือความน่าจะเป็นอัตวิสัยเพื่อคำนวณผลลัพธ์ที่คาดหวังได้ แต่นี่ต้องทำอย่างระมัดระวัง PSA มีคุณค่าอย่างยิ่งเมื่อความน่าจะเป็นมีความไม่แน่นอนสูง การบังคับใช้ความน่าจะเป็นอาจให้ความแม่นยำที่ผิดๆ การจำลองแบบ Monte Carlo เป็นเครื่องมือที่ดีกว่าเมื่อทราบการกระจายความน่าจะเป็น

อะไรคือนโยบายที่ 'ทนทาน' (robust) ที่แนะนำ

โดยทั่วไป นโยบายจะถือว่าทนทานหากมีประสิทธิภาพที่ยอมรับได้ (ไม่จำเป็นต้องดีที่สุด) ในทุกสถานการณ์หรือส่วนใหญ่ โดยเฉพาะอย่างยิ่งสถานการณ์ที่แสดงถึงกรณีที่เลวร้ายที่สุดหรืออนาคตที่มีความไม่แน่นอนมากที่สุด เกณฑ์การลดการเสียใจ (regret-minimisation) และการพอใจ (satisficing) เป็นมาตรวัดความทนทานที่เป็นทางการทั่วไป

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Swart, R., Raskin, P., Robinson, J. (2004). The problem of the future: sustainability science and scenario analysis. Global Environmental Change, 14(2), 137–146.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Bishop, P., Hines, A., Collins, T. (2007). The current state of scenario development: an overview of techniques. Foresight, 9(1), 5–25.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว