Надежное принятие решений ( RDM ) — это итеративная система анализа решений , цель которой — помочь определить потенциально надежные стратегии, охарактеризовать уязвимости таких стратегий и оценить компромиссы между ними. [1] [2] [3] RDM фокусируется на обосновании решений в условиях так называемой «глубокой неопределенности», то есть в условиях, когда стороны, принимающие решение, не знают или не согласны с системными моделями , связывающими действия с последствиями. или априорные распределения вероятностей для ключевых входных параметров этих моделей. [2] : 1011
Для решения проблем принятия решений, которые сталкиваются с большой степенью неопределенности, было разработано множество концепций, методов и инструментов. Одним из источников названия «надежное решение» стала область надежного проектирования, популяризированная главным образом Геничи Тагучи в 1980-х и начале 1990-х годов. [4] [5] Джонатан Розенхед и его коллеги были одними из первых, кто изложил систематическую структуру принятия надежных решений в своей книге 1989 года « Рациональный анализ для проблемного мира» . [6] Подобные темы возникли в литературе по сценарному планированию , надежному контролю , неточной вероятности , а также теории и методам принятия решений при информационном дефиците . Ранний обзор многих из этих подходов содержится в Третьем оценочном докладе Межправительственной группы экспертов по изменению климата , опубликованном в 2001 году.
Робастное принятие решений (RDM) — это особый набор методов и инструментов, разработанный за последнее десятилетие, в первую очередь исследователями, связанными с корпорацией RAND , предназначенный для поддержки принятия решений и анализа политики в условиях глубокой неопределенности.
Хотя RDM часто используется исследователями для оценки альтернативных вариантов, RDM разработан и часто используется как метод поддержки принятия решений , с особым упором на помощь лицам, принимающим решения, в выявлении и разработке новых вариантов решений, которые могут быть более надежными, чем те, которые они первоначально рассматривали. . Часто эти более надежные варианты представляют собой адаптивные стратегии принятия решений, предназначенные для развития со временем в ответ на новую информацию. Кроме того, RDM можно использовать для облегчения группового принятия решений в спорных ситуациях, когда стороны, принимающие решение, имеют серьезные разногласия по поводу предположений и ценностей. [7]
Подходы RDM применялись к широкому спектру различных типов проблем принятия решений. В исследовании 1996 года рассматривались адаптивные стратегии сокращения выбросов парниковых газов. [8] Более поздние исследования включают различные приложения к проблемам управления водными ресурсами, [9] [10] [11] оценку воздействия предлагаемых требований США к возобновляемым источникам энергии, [ нужна ссылка ] сравнение долгосрочных энергетических стратегий для правительство Израиля, [ нужна ссылка ] оценка политики в области науки и технологий, которую правительство Южной Кореи может проводить в ответ на растущую экономическую конкуренцию со стороны Китая, [ нужна ссылка ] и анализ вариантов Конгресса по повторному утверждению Закона о страховании террористических рисков (ТРИА). [ нужна цитата ]
RDM опирается на три ключевые концепции, которые отличают его от традиционной структуры принятия решений по субъективной ожидаемой полезности: множественные взгляды на будущее, критерий устойчивости и изменение порядка традиционного анализа решений путем проведения итеративного процесса, основанного на анализе уязвимостей и реагирования. выбор, а не систему принятия решений «предскажи, а затем действуй». [ нужна цитата ]
Во-первых, RDM характеризует неопределенность с множественными взглядами на будущее . В некоторых случаях эти многочисленные взгляды будут представлены несколькими будущими состояниями мира. RDM также может включать вероятностную информацию, но отвергает точку зрения, согласно которой единое совместное распределение вероятностей представляет собой лучшее описание глубоко неопределенного будущего. Скорее, RDM использует диапазоны или, более формально, наборы вероятных распределений вероятностей для описания глубокой неопределенности.
Во-вторых, RDM использует надежность, а не оптимальность в качестве критерия для оценки альтернативной политики. Традиционная модель субъективной полезности ранжирует альтернативные варианты решений в зависимости от распределения вероятностей наилучшей оценки. В общем, существует лучший вариант (т. е. имеющий самый высокий рейтинг). В RDM-анализе использовалось несколько различных определений устойчивости. К ним относятся: обмен небольшого количества оптимальных результатов на меньшую чувствительность к ошибочным предположениям, хорошие результаты по сравнению с альтернативами в широком диапазоне вероятных сценариев и сохранение открытых вариантов. [2] Все они включают в себя тот или иной тип критериев удовлетворения и, в отличие от подходов ожидаемой полезности, все обычно описывают компромиссы, а не обеспечивают строгое ранжирование альтернативных вариантов.
В-третьих, RDM использует структуру анализа уязвимостей и вариантов реагирования, чтобы охарактеризовать неопределенность и помочь определить и оценить надежные стратегии. Такое структурирование проблемы принятия решений является ключевой особенностью RDM. Традиционный подход к анализу решений следует так называемому подходу «предскажи, затем действуй» [12] , который сначала характеризует неопределенность относительно будущего, а затем использует эту характеристику для ранжирования желательности альтернативных вариантов решения. Важно отметить, что этот подход характеризует неопределенность без привязки к альтернативным вариантам. Напротив, RDM характеризует неопределенность в контексте конкретного решения. То есть метод идентифицирует те комбинации неопределенностей, которые наиболее важны для выбора среди альтернативных вариантов, и описывает набор убеждений о неопределенном состоянии мира, которые согласуются с выбором одного варианта над другим. Такое упорядочение обеспечивает когнитивные преимущества в приложениях поддержки принятия решений, позволяя заинтересованным сторонам понять ключевые предположения, лежащие в основе альтернативных вариантов, прежде чем принять на себя обязательство поверить в эти предположения. [13]
Надежные методы принятия решений кажутся наиболее подходящими при трех условиях: когда неопределенность глубока, а не хорошо охарактеризована, когда существует богатый набор вариантов решения, и задача принятия решения достаточно сложна, и лицам, принимающим решения, необходимы имитационные модели для отслеживания потенциальных последствий. своих действий по многим вероятным сценариям.
Когда неопределенность хорошо охарактеризована, то традиционный анализ ожидаемой полезности (предсказание, затем действие) часто оказывается наиболее подходящим. Кроме того, если лицам, принимающим решения, не хватает богатого набора вариантов принятия решений, у них может быть мало возможностей для разработки надежной стратегии, и они не смогут добиться большего, чем анализ «предскажи, а затем действуй». [2]
Если неопределенность глубока и доступен богатый набор вариантов, традиционные методы качественных сценариев могут оказаться наиболее эффективными, если система достаточно проста или хорошо понятна, чтобы лица, принимающие решения, могли точно связать потенциальные действия с их последствиями без помощи имитационных моделей.
RDM — это не набор аналитических шагов, а скорее набор методов, которые можно комбинировать различными способами для принятия конкретных решений по реализации концепции. Ниже описаны два ключевых элемента этого набора инструментов: исследовательское моделирование и обнаружение сценариев.
Во многих анализах RDM используется подход исследовательского моделирования [14] , при котором компьютерное моделирование используется не как средство прогнозирования, а скорее как средство связи набора предположений с их подразумеваемыми последствиями. Аналитик извлекает полезную информацию из таких симуляций, запуская их много раз, используя соответствующий план эксперимента с неопределенными входными параметрами модели(-й), собирая прогоны в большой базе данных случаев и анализируя эту базу данных, чтобы определить, какие из них имеют политическое значение. заявления можно поддержать. RDM представляет собой конкретную реализацию этой концепции. Анализ RDM обычно создает большую базу данных результатов имитационной модели, а затем использует эту базу данных для выявления уязвимостей предлагаемых стратегий и компромиссов между потенциальными ответами. Этот аналитический процесс дает несколько практических преимуществ:
В анализе RDM часто используется процесс, называемый обнаружением сценариев , чтобы облегчить выявление уязвимостей предлагаемых стратегий. [13] [15] Процесс начинается с определения некоторых показателей эффективности, таких как общая стоимость политики или ее отклонение от оптимальности (сожаление), которые можно использовать для различения тех случаев в базе данных результатов, когда стратегия считается успешной. от тех, где оно признано неудачным. К базе данных применяются статистические алгоритмы или алгоритмы интеллектуального анализа данных для создания простых описаний регионов в пространстве неопределенных входных параметров модели, которые лучше всего описывают случаи, когда стратегия оказывается неудачной. То есть алгоритм описания этих случаев настроен на оптимизацию как предсказуемости, так и интерпретируемости лицами, принимающими решения. Полученные кластеры имеют множество характеристик сценариев и могут использоваться, чтобы помочь лицам, принимающим решения, понять уязвимости предлагаемой политики и потенциальных вариантов реагирования. Проведенный Европейским агентством по охране окружающей среды обзор довольно скудной литературы, посвященной оценке того, как сценарии фактически работают на практике, когда они используются организациями для обоснования решений, выявил несколько ключевых недостатков традиционных сценарных подходов. [ нужна цитация ] Методы обнаружения сценариев предназначены для устранения этих недостатков. [13] Кроме того, обнаружение сценариев поддерживает анализ множества факторов стресса, поскольку оно характеризует уязвимости как комбинации самых разных типов неопределенных параметров (например, климата, экономики, организационных возможностей и т. д.).
Существует несколько программ для выполнения RDM-анализа. Корпорация RAND разработала CARS для исследовательского моделирования и пакет sdtoolkit R для обнаружения сценариев. EMA Workbench, разработанный в Делфтском технологическом университете , предоставляет обширные возможности исследовательского моделирования и обнаружения сценариев на Python . [16] OpenMORDM — это пакет R с открытым исходным кодом для RDM, который включает поддержку определения более чем одной цели производительности. [17] OpenMORDM облегчает изучение влияния различных критериев надежности, включая критерии, основанные как на сожалении (например, минимизация отклонения в производительности), так и на удовлетворении (например, удовлетворение ограничений производительности). Rhodium — это пакет Python с открытым исходным кодом, который поддерживает функциональные возможности, аналогичные EMA Workbench и OpenMORDM, но также позволяет применять его к моделям, написанным на C, C++, Fortran, R и Excel, а также использовать несколько многокритериальных эволюционных алгоритмов. . [18]
Робастное принятие решений описывает множество подходов, которые отличаются от традиционного анализа оптимальной ожидаемой полезности тем, что они характеризуют неопределенность с помощью нескольких представлений будущего, а не одного набора распределений вероятностей, и используют устойчивость, а не оптимальность, поскольку критерий принятия решения. (1011-1012)
Надежное принятие решений является скорее аналитическим, чем интуитивным. Он использует системный подход для устранения неопределенности в отношении доступных ресурсов для принятия безопасных и эффективных решений. (1023)