พลวัตระบบเชิงสุ่ม — การจำลองกระแสสะสมเชิงความน่าจะเป็น
- ผู้เสนอ
- Jay W. Forrester (base SD); stochastic extensions developed through 1980s–2000s by multiple researchers
- ปี
- 1980s–2000s
- ประเภท
- Continuous stochastic simulation
- กลุ่มวิธี
- Simulation / optimization
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
พลวัตระบบเชิงสุ่ม (Stochastic System Dynamics: SSD) ขยายขีดความสามารถของพลวัตระบบแบบดั้งเดิม โดยแทนที่ค่าพารามิเตอร์ที่ตายตัวและสมการกระแสแบบกำหนดด้วยการแจกแจงความน่าจะเป็นและการสุ่มตัวอย่าง การจำลองแบบจำลองกระแสสะสมซ้ำหลายครั้งทำให้ได้วิถีเชิงความน่าจะเป็น ซึ่งเป็นแถบความเชื่อมั่นแทนที่จะเป็นเส้นเดี่ยว ช่วยให้สามารถหาปริมาณความไม่แน่นอนและการวิเคราะห์ความเสี่ยงได้อย่างแม่นยำในระบบป้อนกลับที่ซับซ้อน เช่น แบบจำลองการแพร่ระบาด ห่วงโซ่อุปทาน และสถานการณ์นโยบายพลังงาน
แนวคิดเบื้องหลังวิธีการ
พลวัตระบบแบบมาตรฐานให้วิถีเดียวต่อการจำลองหนึ่งครั้ง ซึ่งเป็นการคาดการณ์เดียวว่าสินค้าคงคลัง ประชากร หรือโรคภัยไข้เจ็บจะพัฒนาไปอย่างไร แต่พารามิเตอร์จริงไม่เคยทราบแน่ชัด: อัตราการติดเชื้อแตกต่างกันไป การคาดการณ์อุปสงค์มีความคลาดเคลื่อน และความล่าช้าของนโยบายมีความไม่แน่นอน พลวัตระบบเชิงสุ่มตระหนักถึงสิ่งนี้โดยการสุ่มพารามิเตอร์จากการแจกแจงความน่าจะเป็นและทำการจำลองหลายร้อยหรือหลายพันครั้ง การจำลองแต่ละครั้งสร้างวิถีที่แตกต่างกันเนื่องจากความสุ่มเกิดขึ้นในทุกช่วงเวลาผ่านอัตราเชิงสุ่ม หรือในระดับการจำลองผ่านพารามิเตอร์ที่สุ่มตัวอย่าง การซ้อนทับการจำลองทั้งหมดเผยให้เห็นว่าผลลัพธ์ใดมีแนวโน้มที่จะเกิดขึ้น ผลลัพธ์ใดเป็นความเสี่ยงหางที่หายาก และลักษณะใดของพฤติกรรมระบบที่แข็งแกร่งโดยไม่คำนึงถึงความไม่แน่นอน ผลลัพธ์ที่ได้ไม่ใช่เส้นเดียวบนกราฟ แต่เป็นกรวยของอนาคตที่เป็นไปได้ ซึ่งเป็นการแสดงออกที่ซื่อสัตย์กว่ามากว่าแบบจำลองสามารถบอกอะไรได้บ้างและไม่สามารถบอกอะไรได้บ้าง
ประวัติศาสตร์
พลวัตระบบก่อตั้งโดย Jay W. Forrester ที่ MIT (Industrial Dynamics, 1961) การขยายเชิงสุ่มเกิดขึ้นอย่างค่อยเป็นค่อยไปเมื่อนักวิจัยตระหนักว่าวิถีแบบกำหนดอาจทำให้เข้าใจผิดได้เมื่อพารามิเตอร์ไม่แน่นอน งานวิจัยในช่วงทศวรรษ 1980 และ 1990 — รวมถึงการศึกษาด้านระบาดวิทยาและนิเวศวิทยาโดยใช้สมการเชิงอนุพันธ์เชิงสุ่มที่ฝังอยู่ในแบบจำลองช่อง — ได้สร้าง SSD ให้เป็นระเบียบวิธีที่เป็นที่ยอมรับ หนังสือ Business Dynamics (2000) ของ John Sterman ได้บันทึกการวิเคราะห์ Monte Carlo และความอ่อนไหวว่าเป็นแนวปฏิบัติมาตรฐานในพลวัตระบบ ทศวรรษต่อมาได้เห็นการประยุกต์ใช้ SSD อย่างกว้างขวางในนโยบายสาธารณสุข การสร้างแบบจำลองสภาพภูมิอากาศ และการจัดการความเสี่ยงของห่วงโซ่อุปทาน
ควรใช้เมื่อใด
ใช้พลวัตระบบเชิงสุ่มเมื่อคุณกำลังสร้างแบบจำลองระบบต่อเนื่องที่ขับเคลื่อนด้วยการป้อนกลับ และความไม่แน่นอนของพารามิเตอร์หรือความสุ่มโดยเนื้อแท้มีขนาดใหญ่พอที่จะส่งผลต่อข้อสรุป — ตัวอย่างเช่น การคาดการณ์การแพร่ระบาด แบบจำลองพลังงานหรือสิ่งแวดล้อมระยะยาว หรือการทดสอบความเครียดของห่วงโซ่อุปทานที่ต้องหาปริมาณความเสี่ยงหาง เป็นการอัปเกรดที่เหมาะสมจาก SD แบบกำหนดเมื่อผู้มีส่วนได้ส่วนเสียต้องการช่วงความเชื่อมั่นแทนที่จะเป็นการคาดการณ์เดียว อย่าใช้เมื่อระบบส่วนใหญ่ขับเคลื่อนด้วยเหตุการณ์และไม่ต่อเนื่อง (ควรใช้การจำลองเหตุการณ์ไม่ต่อเนื่อง), เมื่อความไม่แน่นอนมีน้อยมากและการวิเคราะห์สถานการณ์แบบกำหนดก็เพียงพอแล้ว หรือเมื่อโครงสร้างแบบจำลองเองมีความไม่แน่นอนมากจนการเพิ่มพารามิเตอร์เชิงสุ่มสร้างความแม่นยำที่ผิดพลาดรอบแบบจำลองที่มีโครงสร้างผิดพลาด
ข้อจำกัดและข้อควรพิจารณา
- ต้นทุนการคำนวณเพิ่มขึ้นเป็นเชิงเส้นกับการจำลองซ้ำ; แบบจำลองขนาดใหญ่ที่มีพารามิเตอร์ที่ไม่แน่นอนจำนวนมากอาจต้องใช้การจำลองหลายแสนครั้งเพื่อให้เปอร์เซ็นไทล์หางลู่เข้า
- การระบุการแจกแจงข้อมูลนำเข้าต้องใช้ข้อมูลหรือความรู้จากผู้เชี่ยวชาญ; การแจกแจงที่ปรับเทียบไม่ดีจะสร้างแถบความเชื่อมั่นที่ทำให้เข้าใจผิด ซึ่งสื่อถึงความมั่นใจที่ผิดพลาด
- ข้อสมมติฐานเวลาต่อเนื่องยังคงอยู่: เหตุการณ์ไม่ต่อเนื่องโดยเนื้อแท้ (การเสียชีวิตของแต่ละบุคคล, การทำธุรกรรม) ถูกประมาณเป็นกระแสต่อเนื่อง ทำให้เกิดข้อผิดพลาดในการรวมกลุ่ม โดยเฉพาะอย่างยิ่งเมื่อประชากรมีขนาดเล็ก
- ผลลัพธ์เชิงสุ่มสื่อสารกับผู้ที่ไม่ใช่ผู้เชี่ยวชาญได้ยากกว่าวิถีเดียว; การแสดงภาพและสถิติสรุปต้องเลือกอย่างระมัดระวัง
- ไม่สามารถจับความไม่แน่นอนเชิงโครงสร้างได้ — หากโครงสร้างวงวนป้อนกลับเองผิดพลาด ความสุ่มในระดับพารามิเตอร์ก็ไม่สามารถแก้ไขแบบจำลองได้
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ให้ผลลัพธ์เชิงความน่าจะเป็นที่สมบูรณ์ — แถบความเชื่อมั่น ความน่าจะเป็นหาง และเกณฑ์ความเสี่ยง — แทนที่จะเป็นวิถีแบบกำหนดเพียงเส้นเดียว
- ยังคงรักษาความโปร่งใสเชิงสาเหตุและโครงสร้างวงวนป้อนกลับของพลวัตระบบ ทำให้ผลลัพธ์ยังคงตีความได้ในแง่ของวงวนเสริมแรงและวงวนสมดุล
- สามารถแสดงทั้งความไม่แน่นอนของพารามิเตอร์ (สุ่มหนึ่งครั้งต่อการจำลอง) และความสุ่มโดยเนื้อแท้ (สุ่มในทุกช่วงเวลา) ครอบคลุมทั้งความไม่แน่นอนเชิงญาณวิทยา (epistemic) และเชิงสุ่ม (aleatory)
- เข้ากันได้กับการสุ่มตัวอย่างแบบ Latin hypercube และ importance sampling ช่วยให้สามารถหาปริมาณความไม่แน่นอนได้อย่างมีประสิทธิภาพแม้จะมีพารามิเตอร์ที่ไม่แน่นอนจำนวนมาก
- ตอบคำถามเชิงความน่าจะเป็นที่เกี่ยวข้องกับนโยบายโดยตรง: 'ความน่าจะเป็นที่อุปสงค์จะเกินขีดความสามารถภายในห้าปีคือเท่าใด?'
การประยุกต์ใช้
- การสร้างแบบจำลองการแพร่ระบาดเชิงความน่าจะเป็น: การคาดการณ์ช่วงเวลาและความรุนแรงของจุดสูงสุดของการติดเชื้อภายใต้อัตราการแพร่เชื้อที่ไม่แน่นอนและผลกระทบของการแทรกแซง
- การวิเคราะห์ความเสี่ยงของห่วงโซ่อุปทาน: การหาปริมาณความน่าจะเป็นที่บัฟเฟอร์สินค้าคงคลังจะหมดลงภายใต้อุปสงค์เชิงสุ่มและความผันแปรของระยะเวลารอคอย
- นโยบายพลังงานและสภาพภูมิอากาศระยะยาว: การสร้างแถบความเชื่อมั่นสำหรับวิถีการปล่อยก๊าซเรือนกระจกหรืออุณหภูมิภายใต้อัตราการยอมรับเทคโนโลยีที่ไม่แน่นอน
- การวางแผนขีดความสามารถด้านการดูแลสุขภาพ: การประมาณการแจกแจงของจำนวนวันนอนที่ต้องการภายใต้อุบัติการณ์ของโรคที่ไม่แน่นอนและพารามิเตอร์ระยะเวลาการเข้าพัก
- การจัดการนิเวศวิทยาและการประมง: การสร้างแบบจำลองความอยู่รอดของประชากรและความเสี่ยงต่อการสูญพันธุ์ภายใต้สภาวะแวดล้อมเชิงสุ่ม
- การทดสอบความเครียดทางการเงิน: การจำลองช่วงของผลลัพธ์งบดุลของบริษัทหรือภาคส่วนภายใต้ภาวะเศรษฐกิจมหภาคเชิงสุ่มที่ไม่แน่นอน
วิธีการทำงาน
วิธีการทำงาน
เริ่มต้นด้วยแผนภาพกระแสสะสมของพลวัตระบบมาตรฐาน: ระบุตัวแปรสะสม (stocks), กระแส (flows หรือ rates of change), ตัวแปรเสริม (auxiliaries) และวงวนป้อนกลับ (feedback loops) กำหนดโครงสร้างเชิงสาเหตุและขอบเขตของแบบจำลองในลักษณะเดียวกับพลวัตระบบแบบกำหนด ขั้นตอนเชิงคุณภาพนี้จะกำหนดว่าแหล่งที่มาของความไม่แน่นอนใดอยู่ในขอบเขตของแบบจำลอง และเป็นรากฐานทางปัญญาของการวิเคราะห์
สำหรับพารามิเตอร์หรืออัตรากระแสที่ไม่แน่นอนแต่ละรายการ ให้ระบุการแจกแจงความน่าจะเป็นโดยอิงจากข้อมูลเชิงประจักษ์ การประมาณค่าที่เผยแพร่ หรือการสอบถามผู้เชี่ยวชาญ — ตัวอย่างเช่น การแจกแจงแบบ lognormal สำหรับอัตราการสัมผัส หรือการแจกแจงแบบสามเหลี่ยมสำหรับเวลาหน่วง สำหรับปรากฏการณ์เชิงสุ่มโดยเนื้อแท้ (เหตุการณ์ทางประชากร การกระแทกแบบสุ่ม) ให้กำหนดสมการกระแสที่มีพจน์รบกวนที่สุ่มขึ้นมาในทุกช่วงเวลาของการจำลอง ทำให้ได้สมการเชิงอนุพันธ์เชิงสุ่ม (stochastic differential equation: SDE) หรืออัตราเชิงสุ่มแบบไม่ต่อเนื่อง
สุ่มชุดค่าพารามิเตอร์ที่สมบูรณ์หนึ่งชุดต่อการจำลองซ้ำหนึ่งครั้ง โดยสุ่มจากการแจกแจงที่ระบุ ซึ่งสามารถทำได้โดยการสุ่มตัวอย่างแบบง่าย (Monte Carlo), การสุ่มตัวอย่างแบบ Latin hypercube แบบแบ่งชั้นเพื่อปรับปรุงการครอบคลุม หรือการสุ่มตัวอย่างแบบความสำคัญ (importance sampling) สำหรับการวิเคราะห์เหตุการณ์หายาก บันทึกเวกเตอร์พารามิเตอร์ที่สุ่มตัวอย่างไว้ เพื่อให้การจำลองซ้ำแต่ละครั้งสามารถย้อนกลับไปยังข้อมูลนำเข้าได้
รวมสมการกระแสสะสมไปข้างหน้าตามเวลาสำหรับตัวอย่างพารามิเตอร์แต่ละตัว โดยใช้ตัวแก้เชิงตัวเลข (Euler, Runge-Kutta) ที่มีช่วงเวลาที่เล็กพอสำหรับความเสถียรเชิงตัวเลข หากสมการกระแสมีพจน์รบกวนภายในรอบการจำลอง ให้สุ่มค่าสุ่มใหม่ในแต่ละช่วงเวลา ทำซ้ำสำหรับการจำลองซ้ำ N ครั้ง — โดยทั่วไปคือ 500 ถึง 10,000 ครั้ง ขึ้นอยู่กับมิติของความไม่แน่นอนและความแม่นยำที่ต้องการ
รวบรวมวิถีอนุกรมเวลาจากการจำลองซ้ำทั้งหมด สำหรับตัวแปรสะสมหรือตัวแปรผลลัพธ์แต่ละตัว ให้คำนวณแถบเปอร์เซ็นไทล์ (เช่น 5th, 25th, 50th, 75th, 95th) ข้ามการจำลองซ้ำในแต่ละจุดเวลา รายงานค่ามัธยฐานและช่วงความเชื่อถือได้แทนการคาดการณ์แบบจุดเดียว คำนวณความน่าจะเป็นที่ระบบจะถึงเกณฑ์วิกฤต (เช่น จุดสูงสุดของการแพร่ระบาดเกินขีดความสามารถของโรงพยาบาล) เป็นสัดส่วนของการจำลองที่เหตุการณ์นี้เกิดขึ้น
ตรวจสอบความถูกต้องของแบบจำลองเชิงสุ่มโดยการตรวจสอบว่าวิถีมัธยฐานตรงกับพฤติกรรมทางประวัติศาสตร์ที่สังเกตได้ และแถบความไม่แน่นอนมีความสมเหตุสมผลเมื่อพิจารณาจากข้อมูล ทำการวิเคราะห์ความอ่อนไหว — เปลี่ยนความกว้างหรือรูปร่างของการแจกแจงข้อมูลนำเข้าและสังเกตว่าแถบผลลัพธ์เปลี่ยนแปลงอย่างไร — เพื่อระบุว่าความไม่แน่นอนใดขับเคลื่อนผลลัพธ์มากที่สุด ใช้การวิเคราะห์สถานการณ์เพื่อเปรียบเทียบทางเลือกนโยบายภายใต้การแจกแจงเต็มรูปแบบของอนาคต แทนที่จะเป็นเพียงการคาดเดาที่ดีที่สุดเพียงครั้งเดียว
ข้อผิดพลาดที่พบบ่อย
- ใช้การจำลองซ้ำน้อยเกินไปสำหรับการประมาณเปอร์เซ็นไทล์: ควอนไทล์หาง (5th, 95th) ต้องการการจำลองมากกว่าค่ามัธยฐานมาก; กฎทั่วไปคืออย่างน้อย 1,000 การจำลองเพื่อความเสถียรของเปอร์เซ็นไทล์ที่ 95 และมากกว่านั้นสำหรับเปอร์เซ็นไทล์ที่ 99
- การรวมความไม่แน่นอนของพารามิเตอร์เข้ากับความไม่แน่นอนเชิงโครงสร้าง: การเพิ่มการแจกแจงความน่าจะเป็นให้กับพารามิเตอร์ของแบบจำลองที่ระบุผิดพลาดจะให้การประมาณค่าที่แม่นยำของสิ่งที่ผิด — ควรตรวจสอบความถูกต้องของโครงสร้างแบบจำลองก่อนที่จะหาปริมาณความไม่แน่นอนของพารามิเตอร์เสมอ
- การเลือกช่วงเวลาการจำลองที่ใหญ่เกินไปเมื่อเทียบกับพลวัตที่เร็วที่สุด ทำให้เกิดความไม่เสถียรเชิงตัวเลขที่แฝงตัวเป็นความแปรปรวนของแบบจำลอง แทนที่จะเป็นความไม่แน่นอนที่แท้จริง
- การละเลยความสัมพันธ์ระหว่างพารามิเตอร์ที่ไม่แน่นอน: การถือว่าข้อมูลนำเข้าที่มีความสัมพันธ์กันเป็นอิสระจะขยายช่วงความไม่แน่นอนที่ปรากฏและสามารถสร้างชุดค่าพารามิเตอร์ที่เป็นไปไม่ได้ทางกายภาพได้
คำถามที่พบบ่อย
ความแตกต่างระหว่างพลวัตระบบเชิงสุ่มกับการวิเคราะห์ความอ่อนไหวแบบง่ายบนแบบจำลองแบบกำหนดคืออะไร?
การวิเคราะห์ความอ่อนไหวแบบกำหนดจะเปลี่ยนพารามิเตอร์ทีละตัว (หรือจำนวนน้อย) รอบค่าประมาณแบบจุด และสังเกตว่าผลลัพธ์เปลี่ยนแปลงอย่างไร SSD จะสุ่มพารามิเตอร์ที่ไม่แน่นอนทั้งหมดพร้อมกันจากการแจกแจงร่วม และส่งผ่านความไม่แน่นอนทั้งหมดในทุกช่วงเวลาของการจำลอง ทำให้เกิดการแจกแจงของวิถี แทนที่จะเป็นชุดของการรบกวนพารามิเตอร์เดี่ยว ดังนั้น SSD จึงจับผลกระทบปฏิสัมพันธ์ระหว่างพารามิเตอร์และให้แถบความเชื่อมั่นที่ถูกต้องทางสถิติ; การวิเคราะห์ความอ่อนไหวให้ข้อมูลเชิงทิศทางว่าพารามิเตอร์ใดมีความสำคัญที่สุด
ฉันต้องทำการจำลองซ้ำกี่ครั้ง?
สำหรับการรักษาเสถียรภาพของค่ามัธยฐานและช่วงระหว่างควอร์ไทล์ โดยทั่วไป 500 การจำลองซ้ำก็เพียงพอแล้ว สำหรับหางเปอร์เซ็นไทล์ที่ 95 โดยทั่วไปแนะนำให้ใช้ 2,000–5,000 การจำลอง สำหรับความน่าจะเป็นของเหตุการณ์หายากใกล้เปอร์เซ็นไทล์ที่ 99 อาจต้องใช้ 10,000 การจำลองหรือมากกว่านั้น การสุ่มตัวอย่างแบบ Latin hypercube สามารถลดจำนวนการจำลองที่ต้องการลงสองถึงห้าเท่าเมื่อเทียบกับ Monte Carlo แบบง่าย โดยการรับประกันการครอบคลุมพื้นที่ข้อมูลนำเข้าที่ดีขึ้น
ฉันควรใช้พลวัตระบบเชิงสุ่มเมื่อใด แทนที่จะใช้แบบจำลองเชิงตัวแทน (Agent-Based Modelling)?
เลือก SSD เมื่อระบบได้รับการอธิบายอย่างเหมาะสมในระดับรวมและกระแสต่อเนื่อง — ประชากร สินค้าคงคลัง พลังงานสะสม — และความแตกต่างของแต่ละบุคคลไม่ใช่คำถามวิจัยหลัก การสร้างแบบจำลองเชิงตัวแทนเป็นที่นิยมเมื่อความแตกต่างในระดับบุคคล เครือข่ายสังคม หรือปฏิสัมพันธ์เชิงพื้นที่เป็นตัวขับเคลื่อนปรากฏการณ์ที่สนใจ สำหรับประชากรที่เป็นเนื้อเดียวกันที่มีขนาดปานกลางถึงใหญ่ SSD มีต้นทุนการคำนวณที่ถูกกว่าและให้ผลลัพธ์เชิงความน่าจะเป็นที่เทียบเท่ากัน
พลวัตระบบเชิงสุ่มสามารถใช้สำหรับการหาค่าเหมาะสมที่สุดได้หรือไม่?
ได้ แต่โดยอ้อม พารามิเตอร์นโยบาย (เช่น อัตราการฉีดวัคซีน จุดสั่งซื้อสินค้าคงคลัง) สามารถเปลี่ยนแปลงอย่างเป็นระบบในการจำลองซ้ำเพื่อระบุการตั้งค่าที่ลดต้นทุนที่คาดหวังหรือเพิ่มความแข็งแกร่งสูงสุดตลอดการแจกแจงของผลลัพธ์ สำหรับการหาค่าเหมาะสมที่สุดอย่างเป็นทางการ พลวัตระบบเชิงสุ่มมักจะถูกรวมเข้ากับอัลกอริทึมการหาค่าเหมาะสมที่สุดเชิงการจำลอง เช่น การค้นหาเชิงสุ่ม (stochastic search) หรือวิธีการพื้นผิวตอบสนอง (response-surface methods)
ฉันจะตรวจสอบความถูกต้องของแบบจำลองพลวัตระบบเชิงสุ่มได้อย่างไร?
การตรวจสอบความถูกต้องดำเนินไปในสองระดับ: การทดสอบโครงสร้างยืนยันว่าสมการกระแสสะสมและวงวนป้อนกลับถูกต้องตามกลไกภายใต้สภาวะสุดขีด; การทดสอบพฤติกรรมยืนยันว่าการแจกแจงของวิถีที่จำลองมีความสอดคล้องทางสถิติกับข้อมูลทางประวัติศาสตร์ที่สังเกตได้ — ตรวจสอบว่าค่าที่สังเกตได้อยู่ในแถบความเชื่อมั่นที่จำลองด้วยความถี่ที่เหมาะสม การแจกแจงพารามิเตอร์ควรได้รับการพิสูจน์อย่างอิสระจากข้อมูลเชิงประจักษ์หรือวรรณกรรมที่เผยแพร่ แทนที่จะปรับเทียบเพียงเพื่อให้ตรงกับผลลัพธ์
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Sterman, J.D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. Irwin McGraw-Hill.
ISBN: 978-0072389159คัดลอกแล้วRahmandad, H., Sterman, J.D. (2008). Heterogeneity and network structure in the dynamics of diffusion: Comparing agent-based and differential equation models. Management Science, 54(5), 998-1014.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว