 |
|
|
|
|
|
|
|
|
|
|
|
Algorithmen in der Szenario-Technik |
|
|
|
Algorithmen finden in der Phase der Alternativenbündelung bzw. Annahmebündelung innerhalb der Szenario-Technik Anwendung. Hierbei wird auf der Ebene der sogenannten Deskriptorausprägungen, die man vereinfacht auch als ein Ereignis eines Deskriptors betrachten kann, mögliche Verknüpfungen bzw. Abhängigkeiten dieser Deskriptorausprägungen unterschiedlicher Deskriptoren definiert.
Der Zweck dieser Algorithmen ist die Bewertung von Zukunftsbildern bzw. Szenarien im Hinblick auf die Berücksichtigung dieser
Interdependenzen, welches nicht mehr durch reine Kombinatorik eines Individuums durchführbar ist.
Es existiert in diesem Zusammenhang eine Reihe von unterschiedlichen Verfahren, die nicht alle gleichermaßen bekannt sind und zudem
auch eine völlig differente Vorgehensweise bei der Verknüpfung beinhalten. Zwei der wohl bekanntesten Algorithmen sind dabei die Konsistenzanalyse und der kausale Cross-Impact-Algorithmus, die beide auch im Szeno-Plan Tool implementiert worden sind und deshalb hier kurz erläutert werden sollen.1)
|
|
|
|
I. Die Konsistenzanalyse
|
|
|
|
Ausgangspunkt ist die Festlegung der Konsistenzwerte in der Konsistenzmatrix zwischen den Deskriptorausprägungen der unterschiedlichen
Deskriptoren. Die Werteskala verläuft ganzzahlig zwischen +2 (starke Konsistenz) und -2 (starke Inkonsistenz). Da eine Wirkungsrichtung bei diesem Algorithmus nicht berücksichtigt wird, reicht es aus, die
Konsistenzmatrix nur halb zu füllen, nämlich unterhalb der Diagonalen.
|
|
|
|
 |
|
|
|
Das Ziel ist nun die Berechnung eines Konsistenzmaßes für ein Zukunftsbild, d.h., es werden speziellen Deskriptorausprägungen aller
Deskriptoren anhand der berechneten Konsistenzmaße in eine Reihenfolge gebracht.
Für jede Ausprägungskombination und möglichen Anfangspunkt (jeweils zuerst betrachte Deskriptorausprägung der Ausprägungskombination)
werden dabei die Konsistenzwerte aus der Matrix gelesen und summiert.
Dies setzt voraus, das alle möglichen Kombinationen der Deskriptorausprägungen im Vorfeld über den Algorithmus erfasst werden. Ein
Verfahren, das bei größeren Szenarien normalerweise sehr schnell zu Problemen bei der Rechnerleistung führt.
Methodisch wird damit bei der Konsistenz-Analyse implizit eine Gleichverteilung der Eintrittswahrscheinlichkeiten aller
Deskriptorausprägungen zu einem Deskriptor angenommen, obwohl Eintrittswahrscheinlichkeiten bei diesem Verfahren keine Rolle spielen.
|
|
|
|
II. Der Cross-Impact-Algorithmus
|
|
|
Auch bei dem Cross-Impact-Algorithmus wird der Zusammenhang der unterschiedlichen Deskriptorausprägungen in einer Matrix
(Cross-Impact-Matrix) beschrieben. Die Standardskalierung ist hierbei das Intervall (+3;...;-3). Allerdings werden bei diesem Algorithmus die Wirkungsrichtungen der Ereignisse beachtet, was dazu führt, dass die
gesamte Matrix definiert werden muss.
|
|
|
|
Zudem arbeitet der Algorithmus explizit mit Eintrittswahrscheinlichkeiten für die jeweiligen Deskriptorausprägungen eines Deskriptors.
Da eine der Ausprägungen mit Sicherheit eintreten wird, muss die Summe der Eintrittwahrscheinlichkeiten für einen Deskriptor 1 ergeben. Andernfalls hätte man bei der Deskriptordefinition nicht alle
Ausprägungsmöglichkeiten erfasst
|
|
|
|
Im weiteren Verlauf wird nun jede Deskriptorausprägung als Ausgangspunkt für eine Szenariobestimmung gewählt.
D.h., eine Ausprägung tritt mit der Wahrscheinlichkeit 1 auf, was dazu führt, das alle anderen Eintrittswahrscheinlichkeiten der Ausprägungen dieses Deskriptors auf "0" gesetzt werden. In Abhängigkeit von
dieser Deskriptorausprägung wird nun geprüft, inwieweit die Eintrittwahrscheinlichkeiten der Ausprägungen anderer Deskriptoren verändert werden.
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Die Werte werden dabei aus der Cross-Impact-Matrix gelesen. Z.B. der Wert -2 bewirkt eine Verringerung der Eintrittswahrscheinlichkeit
einer Ausprägung des anderen Deskriptors. Da nach natürlich eine Ausprägung eines Deskriptors eintreten muss, wird im nächsten Schritt die mit der höchsten berechneten Eintrittwahrscheinlichkeit gewählt und das
Ereignis mit der Wahrscheinlichkeit 1 versehen. Diese Vorgehensweise erfolgt iterativ für einen Ausgangspunkt bei allen Deskriptoren, so dass letztlich als Ergebnis eine Kombination bestimmter Ausprägungen (jeweils
eine pro Deskriptor) entsteht. Man erhält also pro Ausgangspunkt ein Szenario.
Darüber hinaus berechnet der Algorithmus auch den Nichteintritt einer Deskriptorausprägung als Ausgangspunkt. In diesem Falle werden
bei mehr als zwei definierten Ausprägungen pro Deskriptor die anderen Eintrittswahrscheinlichkeiten nach einem Verfahren auf die Summe von 1 normiert, denn eine Ausprägung von diesen muss ja bei der Annahme jetzt
eintreten. Dieses Verfahren ist natürlich nur dann sinnvoll, wenn nicht alle Deskriptorausprägungen eines Deskriptors eine gleichverteilte Eintrittswahrscheinlichkeit haben und zudem der Eintritt eines Ereignisses
diese Wahrscheinlichkeiten nicht verändert, d.h. gleichzeitig die Wirkung auf alle Ausprägungen dieses Deskriptors durch einen anderen Deskriptor identisch ist, da ansonsten die Auswahl der Ausprägung mit der nächst
höchsten Warscheinlichkeit innerhalb der Iteration keinen eindeutigen Anhaltspunkt liefert. Alle Ausprägungen, die zur Wahl stehen, sind und bleiben ja gleich wahrscheinlich.
Der Cross-Impact-Algorithmus benötigt nach diesem Standardverfahren genau doppelt so viele Berechnungen, wie Deskriptorausprägungen in
der Matrix definiert worden sind. Es werden also 2 x n Szenarien, die auch identisch sein können, bei n Ausprägungen erzeugt, was die Berechnung von Cross-Impact-Matrixen mit einigen hundert Deskriptorausprägungen
in nur wenigen Sekunden sogar ermöglicht.
Da bei diesem Verfahren von der doppelten Anzahl von Deskriptorausprägungen Berechnungen durchgeführt werden, kann und sollte der Fall
eintreten, dass bei unterschiedlichen Ausgangssituationen trotzdem gleiche Ergebnisse bzw. Szenarien erzeugt werden. Diese Szenarien /Zukunftsbilder) werden anschließend nach ihrer Häufigkeit des Eintritts
sortiert. Die Häufigkeit gilt auch gleichsam als Auswahlkriterium.
|
|
|
|
III. Der Fuzzy-Algorithmus
|
|
|
Bezüglich des Cross-Impact-Algorithmus gab es gleich nach dessen Entwicklung die kritische Anmerkung, dass es nicht sinnvoll ist, mit
“festen” Eintrittswahrscheinlichkeiten” zu arbeiten, wenn man Zukunftsräume von 10 Jahren und mehr projizieren will. Natürlich trifft dieses Argument auch auf die Konsistenzanalyse zu. Denn dort wird bekanntlich
implizit eine Gleichverteilung der Eintrittswahrscheinlichkeiten von Deskriptorausprägungen angenommen.
Die Sinus GmbH hat nun ein drittes Verfahren entwickelt, welches genau dieses Argument beim Cross-Impact-Algorithmus entkräftet. Statt
mit einer festen Eintrittswahrscheinlichkeit wird nun eine linguistische Variable nach der Fuzzy-Logic definiert, die eine entsprechende Zugehörigkeitsfunktion besitzt. Diese Zugehörigkeitsfunktionen kann frei
gestaltet werden. Insgesamt gibt es in dieser Variante von linguistische Variablen (von “sehr selten” bis “sehr häufig”), die die ursprünglichen Eintrittswahrscheinlichkeiten ersetzen.
|
|
|
|
 |
|
|
|
Zudem werden in diesem Fuzzy-Algorithmus die Werte aus der Cross-Impact-Matrix als Fuzzyvariablen betrachtet, die über einen
sogenannten Fuzzyregler miteinander verknüpft werden.
|
|
|
|
 |
|
|
|
Statt nun neue Wahrscheinlichkeit für eine Deskriptorausprägungen zu berechen (siehe Cross-Impact-Algorithmus) , werden über diesen
Fuzzyregler für die Ausprägungen neue linguistische Variable bestimmt und anschließend “defuzzifiziert. D.h., es wird letzlich ein neuer “harter” Wert für alle Deskriptorausprägungen ermittelt, der als
Selektionskriterium für das nächste zu bestimmende Ereignis genutzt wird. Mit diesem Verfahren werden - wie bei der Cross-Impact-Analyse - dementsprechend doppelt so viele Berechnungen durchgeführt, wie es
Deskriptorausprägungen gibt..
Testen Sie alle drei Verfahren mit unserer kostenlosen Demoversion. Näheres können Sie den Produktinformationen in der Rubrik ‘Downloads’
entnehmen. .
|
|
|
