Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์สถานการณ์เชิงสุ่ม — การประเมินหลายสถานการณ์เชิงความน่าจะเป็นภายใต้ความไม่แน่นอน

ผู้เสนอ
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
ปี
1955–1980s
ประเภท
Probabilistic scenario enumeration and evaluation
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์สถานการณ์เชิงสุ่ม (Stochastic Scenario Analysis) ประเมินระบบหรือการตัดสินใจผ่านสถานการณ์ที่กำหนดไว้อย่างชัดเจนหลายสถานการณ์ โดยแต่ละสถานการณ์จะถูกกำหนดความน่าจะเป็นในการเกิดขึ้น ซึ่งแตกต่างจากการวิเคราะห์สถานการณ์เชิงกำหนด (deterministic scenario analysis) วิธีนี้จะกระจายความไม่แน่นอนผ่านการแจกแจงความน่าจะเป็น และคำนวณผลลัพธ์ที่คาดหวัง ความแปรปรวน และตัวชี้วัดความเสี่ยงทั่วทั้งปริภูมิสถานการณ์ เพื่อให้ผู้มีอำนาจตัดสินใจเห็นภาพโครงสร้างของสิ่งที่อาจเกิดขึ้นและความน่าจะเป็นของแต่ละผลลัพธ์

แนวคิดเบื้องหลังวิธีการ

ลองนึกถึงการวางแผนการลงทุนโครงสร้างพื้นฐานเมื่อความต้องการในอนาคตยังไม่เป็นที่ทราบ แทนที่จะเลือกการคาดการณ์เพียงหนึ่งเดียว คุณกำหนดชุดของอนาคตที่เป็นไปได้ — การเติบโตสูง การหยุดนิ่ง การเปลี่ยนแปลงอย่างรุนแรง — และกำหนดความน่าจะเป็นให้กับแต่ละอนาคตโดยอาศัยการสอบถามผู้เชี่ยวชาญหรือข้อมูลในอดีต จากนั้นคุณประเมินการตัดสินใจของคุณภายใต้อนาคตแต่ละแบบ ถ่วงน้ำหนักผลลัพธ์ด้วยความน่าจะเป็น และคำนวณมูลค่าที่คาดหวัง การเปิดรับกรณีที่เลวร้ายที่สุด และศักยภาพในการเพิ่มขึ้น ผลลัพธ์ที่ได้ไม่ใช่ตัวเลขเดียว แต่เป็นการแจกแจงของผลที่ตามมา ซึ่งช่วยให้คุณเลือกกลยุทธ์ที่มีความมั่นคง (robust) ในทุกอนาคต แทนที่จะเหมาะสมที่สุดเฉพาะในกรณีที่คาดหวังเท่านั้น

ประวัติศาสตร์

การวิเคราะห์สถานการณ์เชิงสุ่มมีต้นกำเนิดจากการผสมผสานระหว่างการวางแผนสถานการณ์ (scenario planning) ที่พัฒนาขึ้นที่ RAND และ Shell ในช่วงทศวรรษ 1950–1970 และการหาค่าเหมาะสมที่สุดเชิงสุ่ม (stochastic programming) ที่กำหนดรูปแบบโดย Dantzig (1955) และ Beale (1955) สาขาวิชานี้เติบโตเต็มที่ผ่านงานของ Birge, Louveaux และคนอื่นๆ ในช่วงทศวรรษ 1980–1990 โดยมีการนำไปใช้อย่างกว้างขวางในการบริหารความเสี่ยงทางการเงิน การวางแผนพลังงาน และนโยบายสภาพภูมิอากาศตั้งแต่ทศวรรษ 1990 เป็นต้นมา

ควรใช้เมื่อใด

ใช้การวิเคราะห์สถานการณ์เชิงสุ่มเมื่อความไม่แน่นอนที่สำคัญสามารถอธิบายได้ว่าเป็นชุดของอนาคตที่ไม่ต่อเนื่องซึ่งจัดการได้ โดยแต่ละอนาคตมีความน่าจะเป็นที่ประเมินค่าได้อย่างมีความหมาย — ซึ่งมักพบในการวางแผนเชิงกลยุทธ์ การทดสอบภาวะวิกฤตทางการเงิน การปรับตัวต่อการเปลี่ยนแปลงสภาพภูมิอากาศ และการประเมินนโยบายสาธารณะ วิธีนี้มีคุณค่าอย่างยิ่งเมื่อความเสี่ยงสุดขั้วมีความสำคัญพอๆ กับประสิทธิภาพที่คาดหวัง ควรหลีกเลี่ยงเมื่อจำนวนสถานการณ์ที่เกี่ยวข้องมีมากเกินกว่าจะแจกแจงได้อย่างมีความหมาย เมื่อไม่มีการประมาณค่าความน่าจะเป็นเลยหรือไม่มีความหมาย (ใช้วิธีการวิเคราะห์ความไม่แน่นอนเชิงลึก เช่น การตัดสินใจที่มั่นคง (robust decision-making) แทน) เมื่อปริภูมิการตัดสินใจเป็นแบบต่อเนื่องและต้องการการหาค่าเหมาะสมที่สุดเชิงสุ่มเต็มรูปแบบ หรือเมื่อผลลัพธ์มีความไวสูงต่อความไม่แน่นอนของพารามิเตอร์ภายในสถานการณ์ที่ไม่ได้ถูกจำลองไว้

ข้อจำกัดและข้อควรพิจารณา

  • ผลลัพธ์มีความไวสูงต่อชุดสถานการณ์ที่เลือกและการกำหนดความน่าจะเป็นที่กำหนดไว้ ความน่าจะเป็นที่ปรับเทียบไม่ดีจะให้ค่าที่คาดหวังที่ทำให้เข้าใจผิด
  • ชุดสถานการณ์ที่ไม่ต่อเนื่องอาจพลาดสภาวะระหว่างกลางที่สำคัญหรือผลลัพธ์สุดขั้วที่ไม่ได้ถูกครอบคลุมโดยสถานการณ์ที่ระบุชื่อใดๆ
  • เมื่อจำนวนปัจจัยที่ไม่แน่นอนเพิ่มขึ้น จำนวนสถานการณ์ที่ต้องการสำหรับการครอบคลุมทั้งหมดจะเพิ่มขึ้นแบบทวีคูณ ทำให้การแจกแจงเป็นไปไม่ได้ในทางปฏิบัติ
  • วิธีการนี้ไม่ได้หาค่าเหมาะสมที่สุดของการตัดสินใจโดยเนื้อแท้ การจับคู่กับวิธีการหาค่าเหมาะสมที่สุดต้องใช้รูปแบบ stochastic programming ที่เพิ่มความซับซ้อน
  • การสื่อสารผลลัพธ์ที่ถ่วงน้ำหนักด้วยความน่าจะเป็นไปยังผู้ฟังที่ไม่ใช่ผู้เชี่ยวชาญอาจเป็นเรื่องยาก เมื่อผู้มีส่วนได้ส่วนเสียยึดติดกับสถานการณ์ที่เลวร้ายที่สุดโดยไม่คำนึงถึงความน่าจะเป็น

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ทำให้ความไม่แน่นอนชัดเจนและโปร่งใส โดยการระบุและวัดปริมาณอนาคตที่แตกต่างกัน แทนที่จะซ่อนไว้ในค่าประมาณจุด
  • ให้ผลลัพธ์มาตรวัดความเสี่ยงที่หลากหลาย รวมถึงมูลค่าที่คาดหวัง ความแปรปรวน และสถิติความเสี่ยงสุดขั้ว ซึ่งสนับสนุนทั้งเกณฑ์การตัดสินใจตามมูลค่าที่คาดหวังและเกณฑ์ที่คำนึงถึงความเสี่ยง
  • สามารถคำนวณได้ในทางปฏิบัติสำหรับจำนวนสถานการณ์ปานกลาง ทำให้สามารถใช้โมเดลผลลัพธ์ที่ซับซ้อนภายในแต่ละสถานการณ์
  • สื่อสารผลลัพธ์ไปยังผู้มีส่วนได้ส่วนเสียได้อย่างเป็นธรรมชาติ ผ่านสถานการณ์ที่ระบุชื่อพร้อมเรื่องราวที่เป็นรูปธรรมและบทสรุปที่ถ่วงน้ำหนักด้วยความน่าจะเป็น
  • บูรณาการเข้ากับโมเดลการหาค่าเหมาะสมที่สุด (stochastic programming) ได้อย่างราบรื่น เมื่อต้องเลือกตัวแปรตัดสินใจอย่างเป็นทางการ
  • สนับสนุนการวิเคราะห์การเสียใจและการระบุกลยุทธ์ที่มั่นคง ช่วยให้ผู้มีอำนาจตัดสินใจป้องกันความเสี่ยงจากสถานการณ์ที่เลวร้ายที่สุด

การประยุกต์ใช้

  • การทดสอบภาวะวิกฤตของพอร์ตการลงทุนทางการเงินและการประมาณค่ามูลค่าความเสี่ยงภายใต้สถานการณ์เศรษฐกิจมหภาค
  • การวางแผนปรับตัวต่อสภาพภูมิอากาศ โดยประเมินการลงทุนโครงสร้างพื้นฐานภายใต้สถานการณ์การปล่อยก๊าซเรือนกระจกและอุณหภูมิ
  • การจัดสรรทรัพยากรด้านการดูแลสุขภาพภายใต้เส้นทางระบาดวิทยาที่ไม่แน่นอน
  • การวางแผนระบบพลังงานภายใต้สภาวะราคาเชื้อเพลิงที่ผันผวน การเติบโตของอุปสงค์ และสภาพแวดล้อมทางนโยบายที่ไม่แน่นอน
  • การประเมินความยืดหยุ่นของห่วงโซ่อุปทานภายใต้สถานการณ์การหยุดชะงัก รวมถึงความล้มเหลวของผู้จัดจำหน่ายและแรงกระตุ้นด้านอุปสงค์
  • การประเมินนโยบายสาธารณะ โดยประเมินมาตรการแทรกแซงภายใต้อนาคตที่มองโลกในแง่ดี เป็นพื้นฐาน และมองโลกในแง่ร้าย

วิธีการทำงาน

วิธีการทำงาน

1

ระบุชุดสถานการณ์ที่ไม่ต่อเนื่อง (discrete scenarios) ที่จำกัดจำนวน S = {s1, s2, ..., sK} ซึ่งแสดงถึงอนาคตหรือสภาวะของโลกที่แตกต่างกันในเชิงโครงสร้าง สถานการณ์ควรเป็นเหตุการณ์ที่แยกจากกัน (mutually exclusive) ครอบคลุมทั้งหมด (collectively exhaustive) ภายในขอบเขตของการวิเคราะห์ และขับเคลื่อนโดยปัจจัยที่ไม่แน่นอนที่สำคัญ ในทางปฏิบัติ K มีค่าตั้งแต่ 3 ถึง 20 หากมากกว่านี้ ความสามารถในการตีความจะลดลง

2

กำหนดความน่าจะเป็น p(sk) ให้กับแต่ละสถานการณ์ โดยที่ความน่าจะเป็นทั้งหมดต้องไม่ติดลบและรวมกันได้เท่ากับ 1 ความน่าจะเป็นอาจมาจาก การสอบถามผู้เชี่ยวชาญ (expert elicitation) การวิเคราะห์ความถี่ในอดีต หรือการปรับปรุงแบบเบย์ (Bayesian updating) เมื่อความน่าจะเป็นมีความไม่แน่นอนสูง การวิเคราะห์ความไว (sensitivity analysis) ต่อค่าน้ำหนักความน่าจะเป็นจึงมีความสำคัญ

3

สำหรับแต่ละสถานการณ์ sk ให้คำนวณเวกเตอร์ผลลัพธ์หรือตัวชี้วัดประสิทธิภาพ f(x, sk) สำหรับแต่ละทางเลือกการตัดสินใจหรือนโยบาย x ขั้นตอนนี้อาจเกี่ยวข้องกับโมเดลจำลอง (simulation model) ปัญหาย่อยของการหาค่าเหมาะสมที่สุด (optimization sub-problem) หรือสูตรวิเคราะห์ (analytic formula) ขึ้นอยู่กับโดเมนการประยุกต์ใช้

4

คำนวณมูลค่าที่คาดหวัง E[f] = sum_k p(sk) * f(x, sk) และมาตรวัดความเสี่ยง เช่น ความแปรปรวน Var[f], ค่าความเสี่ยงที่คาดหวังแบบมีเงื่อนไข (conditional value-at-risk, CVaR) หรือความน่าจะเป็นของการเกินเกณฑ์ (exceedance probabilities) P(f > threshold) สร้างการแจกแจงผลลัพธ์และตารางประสิทธิภาพตามสถานการณ์เพื่อเปรียบเทียบทางเลือก

5

ตีความผลลัพธ์โดยการระบุกลยุทธ์ที่โดดเด่น (ดีในเกือบทุกสถานการณ์) กลยุทธ์ที่เปราะบาง (เหมาะสมที่สุดในเชิงคาดหวัง แต่หายนะในสถานการณ์สุดขั้ว) และกลยุทธ์ที่มั่นคง (ยอมรับได้ในทุกสถานการณ์) ใช้เกณฑ์การครอบงำเชิงสุ่ม (stochastic dominance criteria) หรือการลดการเสียใจ (regret minimization) เพื่อเลือกทางเลือกที่ต้องการ

ข้อผิดพลาดที่พบบ่อย

  • การปฏิบัติต่อความน่าจะเป็นของสถานการณ์ว่าแม่นยำ ทั้งที่จริงเป็นเพียงการคาดเดาหยาบๆ — ควรรายงานความไวของข้อสรุปต่อการกำหนดความน่าจะเป็นเสมอ
  • การเลือกสถานการณ์เพื่อยืนยันผลลัพธ์ที่ต้องการ แทนที่จะครอบคลุมปริภูมิความไม่แน่นอนที่แท้จริง ซึ่งบ่อนทำลายความน่าเชื่อถือของการวิเคราะห์
  • การละเลยความไม่แน่นอนภายในสถานการณ์ โดยปฏิบัติต่อแต่ละสถานการณ์เสมือนเป็นสถานการณ์ที่กำหนด (deterministic) เมื่อพารามิเตอร์ภายในสถานการณ์นั้นมีความแปรปรวน
  • การรายงานเฉพาะมูลค่าที่คาดหวังและละเลยมาตรวัดความเสี่ยงสุดขั้ว ซึ่งอาจบดบังกลยุทธ์ที่มีความเสี่ยงด้านลบที่หายนะ
  • การปะปนความน่าจะเป็นของสถานการณ์กับความเป็นไปได้ของสถานการณ์ — สถานการณ์ที่มีความน่าจะเป็นต่ำอาจยังคงต้องการการบรรเทาผลกระทบหากผลกระทบนั้นรุนแรง

คำถามที่พบบ่อย

การวิเคราะห์สถานการณ์เชิงสุ่มแตกต่างจากการวิเคราะห์สถานการณ์ทั่วไปอย่างไร

การวิเคราะห์สถานการณ์ทั่วไป (เชิงกำหนด) ประเมินผลลัพธ์ภายใต้สถานการณ์ที่ระบุชื่อไม่กี่แห่ง แต่ไม่ได้กำหนดความน่าจะเป็นให้กับสถานการณ์เหล่านั้นอย่างเป็นทางการ จึงไม่สามารถคำนวณมูลค่าที่คาดหวังหรือสถิติความเสี่ยงได้ การวิเคราะห์สถานการณ์เชิงสุ่มกำหนดความน่าจะเป็นให้กับแต่ละสถานการณ์อย่างชัดเจน และรวมผลลัพธ์เป็นตัวชี้วัดที่ถ่วงน้ำหนักด้วยความน่าจะเป็น ทำให้สามารถวัดปริมาณความเสี่ยงได้อย่างเป็นทางการ

ฉันควรกำหนดจำนวนสถานการณ์เท่าใด

สามถึงเจ็ดสถานการณ์เป็นเรื่องปกติในการประยุกต์ใช้เชิงกลยุทธ์ มากกว่าสิบสถานการณ์จะตีความและสื่อสารได้ยาก สิ่งสำคัญคือสถานการณ์ควรถือเป็นปริภูมิผลลัพธ์ที่เป็นไปได้โดยไม่มีการทับซ้อนกันมากเกินไป เมื่อความไม่แน่นอนเป็นแบบต่อเนื่อง การจำลองแบบมอนติคาร์โล (Monte Carlo simulation) ที่ดึงจาก การแจกแจงความน่าจะเป็น อาจจะดีกว่าการแจกแจงสถานการณ์ที่ไม่ต่อเนื่อง

จะเกิดอะไรขึ้นหากฉันไม่สามารถกำหนดความน่าจะเป็นที่มีความหมายให้กับสถานการณ์ได้

หากความน่าจะเป็นไม่สามารถทราบได้โดยพื้นฐาน วิธีการนี้จะกลายเป็น การวิเคราะห์ความไม่แน่นอนเชิงลึก (deep uncertainty analysis) เทคนิคต่างๆ เช่น การตัดสินใจที่มั่นคง (robust decision-making, RDM) หรือการวิเคราะห์ส่วนต่างข้อมูล (info-gap analysis) เหมาะสมกว่าเมื่อการประมาณค่าความน่าจะเป็นไม่น่าเชื่อถือ คุณยังสามารถทำการวิเคราะห์สถานการณ์เชิงสุ่มในช่วงของการกำหนดค่าความน่าจะเป็นต่างๆ เพื่อทดสอบว่าข้อสรุปมีความไวต่อการเปลี่ยนแปลงเหล่านั้นหรือไม่

การวิเคราะห์สถานการณ์เชิงสุ่มสามารถรวมกับการหาค่าเหมาะสมที่สุดได้หรือไม่

ได้ เมื่อต้องเลือกตัวแปรตัดสินใจอย่างเป็นทางการก่อนที่จะเปิดเผยสถานการณ์ ปัญหานี้จะกลายเป็น โปรแกรมเชิงสุ่มแบบสองขั้นตอนหรือหลายขั้นตอน (two-stage or multi-stage stochastic program): ขั้นตอนแรกคือการเลือกการตัดสินใจ ณ ปัจจุบัน (here-and-now decision); ขั้นตอนต่อๆ ไปจะปรับให้เข้ากับสถานการณ์ที่เกิดขึ้น ซอฟต์แวร์ เช่น GAMS, Pyomo และตัวแก้ปัญหา stochastic programming เฉพาะทาง รองรับรูปแบบนี้

ฉันควรตรวจสอบชุดสถานการณ์อย่างไร

การตรวจสอบประกอบด้วยการตรวจสอบว่าสถานการณ์มีความสอดคล้องกันภายใน ครอบคลุมปริภูมิความไม่แน่นอนที่สำคัญ และมีพื้นฐานมาจากความรู้เฉพาะทางหรือข้อมูลในอดีต คณะกรรมการผู้เชี่ยวชาญ การวิเคราะห์ผลกระทบร่วม (cross-impact analysis) และการเปรียบเทียบกับการแจกแจงความถี่ในอดีตของสถานการณ์ที่คล้ายคลึงกันเป็นแนวทางทั่วไปในการตรวจสอบ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    ISBN: 9781461402374
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว