강력한 의사 결정

Robust decision-making

강력한 의사결정(RDM)은 잠재적인 강력한 전략을 식별하고, 그러한 전략의 취약성을 특성화하고, 이들 전략 간의 트레이드오프를 평가하는 데 도움이 되는 반복적인 의사결정 분석 프레임워크다.[1][2]RDM은 "심각한 불확실성", 즉 의사결정의 당사자들이 결과에 대한 조치 또는 그러한 모델에 대한 주요 입력 매개변수에 대한 사전 확률 분포와 관련된 시스템 모델을 모르거나 동의하지 않는 조건 하에서 의사결정을 알리는 데 초점을 맞추고 있다.[1]: 1011

역사

많은 불확실성에 직면하는 의사결정 과제를 해결하기 위해 매우 다양한 개념, 방법 및 도구가 개발되었다."강력한 결정"이라는 이름의 근원은 1980년대와 1990년대 초에 타구치 겐이치(Taguchi)에 의해 주로 대중화된 강력한 디자인의 분야였다.[3][4]조나단 로젠헤드와 동료들은 1989년 출간된 '문제적 세계를 위한 합리적 분석'이라는 책에서 강력한 결정을 위한 체계적인 의사결정 프레임워크를 처음으로 제시한 사람들 중 한 명이었다.[5]시나리오 기획, 강력한 통제, 부정확한 확률, 정보격차 결정 이론과 방법에 관한 문헌에서 유사한 주제들이 나왔다.이러한 접근방식 중 많은 것에 대한 초기 검토는 2001년에 발표된 정부간 기후변화 패널의 제3차 평가 보고서에 포함되어 있다.

적용

강력한 의사결정(RDM)은 주로 Land Corporation과 관련된 연구자들에 의해 지난 10년 동안 개발된 특정한 방법과 도구 모음으로, 깊은 불확실성의 조건에서 의사결정 및 정책 분석을 지원하도록 설계되었다.

연구자들이 대안 옵션을 평가하기 위해 종종 사용하는 반면, RDM은 의사결정 지원 방법으로 설계되고 채택되는 경우가 많은데, 특히 의사결정자들이 원래 고려했던 것보다 더 강력할 수 있는 새로운 의사결정 옵션을 식별하고 설계하는 데 초점을 맞추고 있다.종종 이러한 보다 강력한 옵션은 새로운 정보에 대응하여 시간이 지남에 따라 진화하도록 설계된 적응형 의사결정 전략을 나타낸다.또한 RDM은 의사결정 당사자들이 가정과 가치에 대해 강한 의견 불일치를 갖는 논쟁적인 상황에서 그룹 의사결정을 용이하게 하는데 사용될 수 있다.[6]

RDM 접근방식은 다양한 유형의 의사결정 과제에 적용되어 왔다.1996년의 한 연구는 온실가스 배출을 줄이기 위한 적응 전략을 다루었다.[7]보다 최근의 연구 응용 프로그램의 수자원 관리에 다양한 issues,[8][9][10]제안된 미국의 신재생 에너지의 영향에 대한 평가 포함한다 requirements,[표창 필요한]장기적인 에너지 전략 정부에 대하여 Israel,[표창 필요한]의 비교 과학 기술 정책 남 Kor의 정부에 대한 평가.Ea e. 증가에 대응을 할 수 있을중국으로부터의 원뿔형 경쟁,[citation needed] 그리고 테러 위험 보험법(TRIA)의 재인가에 대한 의회의 선택권 분석.[citation needed]

RDM과 기존 기대-유틸리티 분석의 차이점

RDM은 기존의 주관적 기대 효용 의사결정 프레임워크와 차별화하는 세 가지 핵심 개념에 기초한다. 즉, 미래에 대한 다중 견해, 건전성 기준, 그리고 예측-후-act decis가 아닌 취약성과 반응-옵션에 기반한 반복적 프로세스를 수행함으로써 기존의 의사결정 분석 순서를 뒤집는다.이온 [citation needed]틀

첫째, RDM은 미래에 대한 다중 뷰로 불확실성을 특징짓는다.어떤 경우에는 이러한 다중 관점이 세계의 여러 미래 상태에 의해 대표될 것이다.RDM은 확률론적 정보를 통합할 수도 있지만, 단일 결합 확률 분포가 매우 불확실한 미래에 대한 최선의 설명을 나타낸다는 관점은 거부한다.오히려 RDM은 깊은 불확실성을 설명하기 위해 범위 또는 보다 공식적으로 그럴듯한 확률 분포 집합을 사용한다.

둘째, RDM은 대안적 정책을 평가하기 위한 기준으로 최적성보다는 강건성을 사용한다.전통적인 주관적 효용 프레임워크는 최선의 추정 확률 분포에 따라 대안적 의사결정 옵션의 순위를 정한다.일반적으로 베스트(즉, 가장 순위가 높은) 옵션이 있다.RDM 분석은 건전성에 대한 몇 가지 다른 정의를 채택했다.여기에는 깨진 가정에 대한 민감도를 낮추기 위해 소량의 최적 성능을 거래하고, 광범위한 그럴듯한 시나리오에 대한 대안에 비해 양호한 성능을 발휘하며, 옵션을 개방적으로 유지하는 것이 포함된다.[1]모두 일부 유형의 만족 기준을 포함하며 기대 효용 접근법과 대조적으로 대체 옵션의 엄격한 순위를 제공하기보다는 일반적으로 절충을 설명한다.

셋째, RDM은 불확실성을 특성화하고 강력한 전략을 식별하고 평가하기 위해 취약성과 대응 옵션 분석 프레임워크를 채택한다.이러한 의사결정 문제의 구조화는 RDM의 주요 특징이다.전통적인 의사결정 분석 접근법은 미래에 대한 불확실성을 먼저 특성화한 다음 대체 의사결정 옵션의 만족도를 평가하기 위해 이 특성화를 사용하는 예측-그 후-실행 접근법이라고[11] 불리는 방식을 따른다.중요한 것은 이 접근법이 대안적 옵션에 대한 언급 없이 불확실성을 특징짓는다는 점이다.이와는 대조적으로 RDM은 특정 결정의 맥락에서 불확실성을 특징짓는다.즉, 이 방법은 대안 옵션 중 선택에 가장 중요한 불확실성의 조합을 식별하고, 다른 옵션보다 한 옵션을 선택하는 것과 일치하는 세계의 불확실한 상태에 대한 일련의 믿음을 설명한다.이 순서는 의사결정 지원 애플리케이션에서 인지적 편익을 제공하여 이해관계자가 그러한 가정을 믿기로 약속하기 전에 대안 옵션의 기초가 되는 주요 가정을 이해할 수 있도록 한다.[12]

강력한 의사 결정을 위한 조건

강력한 의사결정 방법은 세 가지 조건 하에서 가장 적합해 보인다: 불확실성이 잘 특징지어지는 것과 반대로 깊을 때, 풍부한 의사결정 옵션이 있을 때, 그리고 의사결정 과제가 충분히 복잡할 때, 의사결정자들은 많은 그럴듯한 조건들에 대해 자신의 행동의 잠재적 결과를 추적하기 위해 시뮬레이션 모델이 필요하다.나리오스

불확실성이 잘 특징지어질 때, 전통적인 기대 효용(예측-당시-효과) 분석이 가장 적절한 경우가 많다.또한 의사결정자들이 풍부한 의사결정 옵션이 결여되어 있는 경우, 그들은 강력한 전략을 개발할 기회가 거의 없을 수 있고 예측-당시-실행 분석보다 나을 수 없다.[1]

불확실성이 깊고 풍부한 옵션을 이용할 수 있는 경우, 전통적인 정성적 시나리오 방법은 의사결정자들이 시뮬레이션 모델의 도움 없이도 결과에 대한 잠재적 조치를 정확하게 연결할 수 있다는 것을 시스템이 충분히 단순하거나 잘 이해한다면 가장 효과적이라는 것을 증명할 수 있다.

강력한 의사 결정을 위한 분석 도구

RDM은 분석 단계의 레시피가 아니라 구체적인 의사결정이 개념을 구현하기 위해 다양한 방식으로 결합될 수 있는 일련의 방법이다.이 툴킷의 두 가지 핵심 항목이 아래에 설명되어 있다: 탐색 모델링과 시나리오 검색.

탐색 모델링

많은 RDM 분석은 컴퓨터 시뮬레이션을 예측을 위한 장치가 아니라 일련의 가정들을 그들의 암묵적인 결과와 연관시키기 위한 수단으로 사용하는 탐구적 모델링 접근방식을 사용한다.[13]분석가는 모델에 대한 불확실한 입력 매개변수에 대해 적절한 실험 설계를 사용하여 여러 번 실행하고, 대량의 사례 데이터베이스에서 실행을 수집하고, 이 데이터베이스를 분석하여 어떤 정책 관련 문구를 지원할 수 있는지 결정함으로써 그러한 시뮬레이션에서 유용한 정보를 도출한다.RDM은 이 개념의 특정한 구현을 나타낸다.RDM 분석은 일반적으로 시뮬레이션 모델 결과의 대규모 데이터베이스를 생성한 다음 이 데이터베이스를 사용하여 제안된 전략의 취약성과 잠재적 대응 간의 트레이드오프를 식별한다.이 분석 프로세스는 다음과 같은 몇 가지 실질적인 이점을 제공한다.

  • 사례의 데이터베이스는 그럴듯한 미래의 다양성 개념에 대한 구체적인 표현을 제공한다.
  • 시뮬레이션을 전진 방향으로 여러 번 실행하면 시뮬레이션을 사용한 대안적 의사결정 옵션을 평가하는 데 필요한 분석과 시뮬레이션의 실행을 분리하기 때문에 많은 실제 적용에서 적응 전략을 표현하는 분석적 난제를 단순화할 수 있다.대조적으로, 일부 최적화 방법은 시뮬레이션에 많은 유형의 피드백을 포함시키기 어렵게 한다.
  • 탐색 모델링 개념은 (특정 의사결정 적용에 가장 적합해 보이는 것에 따라) 공통 분석 체계 내에서 다양한 유형의 시뮬레이션 모델을 사용하여 광범위한 의사결정 접근법을 사용할 수 있게 한다.이 공통 프레임워크 내에서 RDM 분석은 전통적인 순차적 의사결정 접근법, 적응 전략에 대한 규칙 기반 설명, 실제 옵션 표현, 복잡한 최적 경제 성장 모델, 스프레드시트 모델, 에이전트 기반 모델 및 미국 정부가 사용하는 모델과 같은 조직의 기존 시뮬레이션 모델 제품군을 사용해 왔다.사회보장신탁기금의 향후 상황을 전망하는 멘트
  • 사례 데이터베이스는 동일한 모델 결과 집합에 이러한 프레임워크를 적용할 수 있기 때문에 대안적 의사결정 프레임워크의 비교를 단순화한다.예를 들어, 데이터베이스에 있는 사례에 걸쳐 공동 확률 분포를 배치하고 기대 효용 분석을 수행하며, 동일한 데이터베이스를 사용하여 RDM 분석과 결과를 비교할 수 있다.

시나리오 검색

RDM 분석은 제안된 전략의 취약성을 쉽게 식별하기 위해 시나리오 검색이라는 프로세스를 채택하는 경우가 많다.[12][14]전략은 성공적이라고 판단되는 결과와 성공하지 못한 경우를 구분하는 데 사용할 수 있는 정책의 총 비용 또는 최적성(유감)과의 편차와 같은 일부 성능 메트릭을 지정하는 것으로 프로세스가 시작된다.전략에 실패한 경우를 가장 잘 설명하는 모델에 대한 불확실한 입력 매개변수의 공간에서 지역에 대한 간단한 설명을 생성하기 위해 통계적 또는 데이터 마이닝 알고리즘을 데이터베이스에 적용한다.즉, 이러한 사례를 기술하는 알고리즘은 의사결정자의 예측성과 해석성을 모두 최적화하도록 조정된다.결과 클러스터는 시나리오의 많은 특성을 가지며, 의사결정자들이 제안된 정책과 잠재적 대응 옵션의 취약성을 이해하는 데 사용될 수 있다.유럽환경청이 시행한 다소 희박한 문헌에 대한 검토는 전통적인 시나리오 접근방식의 몇 가지 주요 약점을 식별하기 위해 조직들이 의사결정을 할 때 시나리오가 실제로 어떻게 수행되는지를 평가하는 것이다.[citation needed]시나리오 검색 방법은 이러한 약점을 다루기 위해 설계된다.[12]또한 시나리오 검색은 취약성을 매우 다른 유형의 불확실한 변수(예: 기후, 경제, 조직 능력 등)의 조합으로 특성화하기 때문에 복수의 스트레스 요인에 대한 분석을 지원한다.

소프트웨어 지원

RDM 분석을 수행하는 데 사용할 수 있는 소프트웨어가 몇 개 있다.랜드 사는 탐구 모델용 CARS와 시나리오 검색을 위한 sdtoolkit R 패키지를 개발했다.델프트 공과대학에서 개발된 EMA 워크벤치는 파이톤에서 광범위한 탐색 모델링 및 시나리오 검색 기능을 제공한다.[15]OpenMORDM은 RDM을 위한 오픈 소스 R 패키지로, 둘 이상의 성능 목표를 정의하기 위한 지원이 포함되어 있다.[16]OpenMORDM은 후회 기반(예: 성능 편차 최소화) 및 만족 기반(예: 성능 제약 충족) 기준을 포함하여 다양한 건전성 기준의 영향을 쉽게 탐구할 수 있다.로듐은 EMA Workbench 및 OpenMORDM과 유사한 기능을 지원하는 오픈 소스 Python 패키지로, C, C++, Fortran, R, Excel로 작성된 모델에도 적용이 가능하며, 여러 가지 다목적 진화 알고리즘을 사용할 수 있다.[17]

참고 항목

참조

  1. ^ a b c d Lempert, Robert J.; Collins, Myles T. (August 2007). "Managing the risk of uncertain threshold responses: comparison of robust, optimum, and precautionary approaches". Risk Analysis. 27 (4): 1009–1026. doi:10.1111/j.1539-6924.2007.00940.x. PMID 17958508. Robust decision making describes a variety of approaches that differ from traditional optimum expected utility analysis in that they characterize uncertainty with multiple representations of the future rather than a single set of probability distributions and use robustness, rather than optimality, as a decision criterion. (1011-1012)
  2. ^ Croskerry, Pat (August 2009). "A universal model of diagnostic reasoning". Academic Medicine. 84 (8): 1022–1028. doi:10.1097/ACM.0b013e3181ace703. PMID 19638766. Robust decision making is more analytical than intuitive. It adopts a systematic approach to remove uncertainty within the resources available to make safe and effective decisions. (1023)
  3. ^ Phadke, Madhav Shridhar (1989). Quality engineering using robust design. Englewood Cliffs, NJ: Prentice Hall. ISBN 978-0137451678. OCLC 19455232.
  4. ^ Ullman, David G. (2006). Making robust decisions: decision management for technical, business, and service teams. Victoria, BC: Trafford Publishing. p. 35. ISBN 9781425109561. OCLC 81600845.
  5. ^ Mingers, John; Rosenhead, Jonathan, eds. (2001) [1989]. Rational analysis for a problematic world revisited: problem structuring methods for complexity, uncertainty and conflict (2nd ed.). Chichester, UK; New York: John Wiley & Sons. ISBN 978-0471495239. OCLC 46601256.
  6. ^ Lempert, Robert J.; Popper, Steven W. (2005). "High-performance government in an uncertain world". In Klitgaard, Robert E.; Light, Paul C. (eds.). High-performance government: structure, leadership, incentives. Santa Monica, CA: RAND Corporation. pp. 113–138. ISBN 978-0833037404. OCLC 57344300.
  7. ^ Lempert, Robert J.; Schlesinger, Michael E.; Bankes, Steve C. (June 1996). "When we don't know the costs or the benefits: adaptive strategies for abating climate change". Climatic Change. 33 (2): 235–274. CiteSeerX 10.1.1.20.9055. doi:10.1007/BF00140248.
  8. ^ Groves, David G.; Davis, Martha; Wilkinson, Robert; Lempert, Robert J. (2008). "Planning for climate change in the Inland Empire, Southern California" (PDF). Water Resources IMPACT. 10 (4): 14–17.
  9. ^ Dessai, Suraje; Hulme, Mike (February 2007). "Assessing the robustness of adaptation decisions to climate change uncertainties: A case study on water resources management in the East of England". Global Environmental Change. 17 (1): 59–72. doi:10.1016/j.gloenvcha.2006.11.005.
  10. ^ Weaver, Christopher P.; Lempert, Robert J.; Brown, Casey; Hall, John A.; Revell, David; Sarewitz, Daniel (January 2013). "Improving the contribution of climate model information to decision making: the value and demands of robust decision frameworks" (PDF). Wiley Interdisciplinary Reviews: Climate Change. 4 (1): 39–60. doi:10.1002/wcc.202.
  11. ^ Lempert, Robert J.; Nakicenovic, Nebojsa; Sarewitz, Daniel; Schlesinger, Michael (July 2004). "Characterizing climate-change uncertainties for decision-makers: an editorial essay". Climatic Change. 65 (1–2): 1–9. doi:10.1023/B:CLIM.0000037561.75281.b3.
  12. ^ a b c Bryant, Benjamin P.; Lempert, Robert J. (January 2010). "Thinking inside the box: a participatory, computer-assisted approach to scenario discovery". Technological Forecasting and Social Change. 77 (1): 34–49. doi:10.1016/j.techfore.2009.08.002.
  13. ^ Bankes, Steve (June 1993). "Exploratory modeling for policy analysis". Operations Research. 41 (3): 435–449. doi:10.1287/opre.41.3.435. JSTOR 171847.
  14. ^ Groves, David G.; Lempert, Robert J. (February 2007). "A new analytic method for finding policy-relevant scenarios". Global Environmental Change. 17 (1): 73–85. doi:10.1016/j.gloenvcha.2006.11.006.
  15. ^ Kwakkel, Jan H.; Pruyt, Erik (March 2013). "Exploratory Modeling and Analysis, an approach for model-based foresight under deep uncertainty". Technological Forecasting and Social Change. 80 (3): 419–431. doi:10.1016/j.techfore.2012.10.005.
  16. ^ Hadka, David; Herman, Jonathan; Reed, Patrick; Keller, Klaus (December 2015). "An open source framework for many-objective robust decision making". Environmental Modelling & Software. 74: 114–129. doi:10.1016/j.envsoft.2015.07.014.
  17. ^ Hadjimichael, Antonia; Gold, David; Hadka, David; Reed, Patrick (9 June 2020). "Rhodium: Python Library for Many-Objective Robust Decision Making and Exploratory Modeling". Journal of Open Research Software. 8: 12. doi:10.5334/jors.293.

외부 링크