การตัดสินใจที่แข็งแกร่ง (Robust decision-makingหรือRDM ) เป็น กรอบ การวิเคราะห์การตัดสินใจ แบบวนซ้ำ ที่มุ่งช่วยระบุกลยุทธ์ที่แข็งแกร่งที่เป็นไปได้ กำหนดลักษณะจุดอ่อนของกลยุทธ์ดังกล่าว และประเมินการแลกเปลี่ยนระหว่างกลยุทธ์เหล่านั้น^{[ 1 ] [ 2 ] [ 3 ]} RDM มุ่งเน้นไปที่การให้ข้อมูลประกอบการตัดสินใจภายใต้เงื่อนไขที่เรียกว่า "ความไม่แน่นอนอย่างลึกซึ้ง" กล่าวคือ เงื่อนไขที่ฝ่ายต่างๆ ในการตัดสินใจไม่ทราบหรือไม่เห็นด้วยกับแบบจำลองระบบที่เชื่อมโยงการกระทำกับผลที่ตามมา หรือ การกระจาย ความน่าจะเป็นก่อนหน้าสำหรับพารามิเตอร์อินพุตหลักของแบบจำลองเหล่านั้น^{[ 2 ] : 1011}

แนวคิด วิธีการ และเครื่องมือที่หลากหลายได้รับการพัฒนาขึ้นเพื่อแก้ไขปัญหาการตัดสินใจที่ต้องเผชิญกับความไม่แน่นอนในระดับสูง แหล่งที่มาหนึ่งของชื่อ "การตัดสินใจที่แข็งแกร่ง" คือสาขาการออกแบบที่แข็งแกร่งซึ่งได้รับความนิยมโดยGenichi Taguchiในช่วงทศวรรษ 1980 และต้นทศวรรษ 1990 ^{[ 4 ] [ 5 ]} Jonathan Rosenhead และเพื่อนร่วมงานเป็นกลุ่มแรกๆ ที่วางกรอบการตัดสินใจอย่างเป็นระบบสำหรับการตัดสินใจที่แข็งแกร่ง ในหนังสือRational Analysis for a Problematic World ปี 1989 ของพวกเขา ^{[ 6 ]}แนวคิดที่คล้ายกันนี้ได้ปรากฏขึ้นจากวรรณกรรมเกี่ยวกับการวางแผนสถานการณ์การควบคุมที่แข็งแกร่งความน่าจะเป็นที่ไม่แม่นยำและ ทฤษฎี และวิธีการตัดสินใจช่องว่างข้อมูลการทบทวนเบื้องต้นของแนวทางเหล่านี้จำนวนมากมีอยู่ในรายงานการประเมินครั้งที่สามของคณะกรรมการระหว่างรัฐบาลว่าด้วยการเปลี่ยนแปลงสภาพภูมิอากาศซึ่งตีพิมพ์ในปี 2001

การตัดสินใจอย่างมีประสิทธิภาพ (Robust Decision-Making: RDM) คือชุดวิธีการและเครื่องมือเฉพาะที่พัฒนาขึ้นในช่วงทศวรรษที่ผ่านมา โดยส่วนใหญ่โดยนักวิจัยที่เกี่ยวข้องกับRAND Corporationซึ่งออกแบบมาเพื่อสนับสนุนการตัดสินใจและการวิเคราะห์นโยบายภายใต้สภาวะความไม่แน่นอนสูง

แม้ว่านักวิจัยมักใช้ RDM เพื่อประเมินทางเลือกอื่น ๆ แต่ RDM ได้รับการออกแบบและมักใช้เป็นวิธีการสนับสนุนการตัดสินใจโดยมุ่งเน้นเป็นพิเศษในการช่วยผู้มีอำนาจตัดสินใจระบุและออกแบบทางเลือกในการตัดสินใจใหม่ ๆ ที่อาจมีความแข็งแกร่งกว่าทางเลือกที่พวกเขาเคยพิจารณาไว้แต่เดิม บ่อยครั้งที่ทางเลือกที่แข็งแกร่งกว่าเหล่านี้แสดงถึงกลยุทธ์การตัดสินใจแบบปรับตัวได้ ซึ่งออกแบบมาเพื่อพัฒนาไปตามกาลเวลาเพื่อตอบสนองต่อข้อมูลใหม่ นอกจากนี้ RDM ยังสามารถใช้เพื่ออำนวยความสะดวกในการตัดสินใจร่วมกันในสถานการณ์ที่มีข้อขัดแย้ง ซึ่งฝ่ายต่าง ๆ ในการตัดสินใจมีความเห็นไม่ตรงกันอย่างมากเกี่ยวกับสมมติฐานและค่านิยม^{[ 7 ]}

แนวทาง RDM ได้ถูกนำไปใช้กับความท้าทายในการตัดสินใจประเภทต่างๆ มากมาย การศึกษาในปี 1996 ได้กล่าวถึงกลยุทธ์การปรับตัวเพื่อลดการปล่อยก๊าซเรือนกระจก^{[ 8 ]}การศึกษาล่าสุดรวมถึงการประยุกต์ใช้ที่หลากหลายกับประเด็นการจัดการน้ำ^{[ 9 ] [ 10 ] [ 11 ]}การประเมินผลกระทบของข้อกำหนดพลังงานหมุนเวียนที่เสนอของสหรัฐฯ การเปรียบเทียบกลยุทธ์พลังงานระยะยาวสำหรับรัฐบาลอิสราเอล การประเมินนโยบายวิทยาศาสตร์และเทคโนโลยีที่รัฐบาลเกาหลีใต้อาจดำเนินการเพื่อตอบสนองต่อการแข่งขันทางเศรษฐกิจที่เพิ่มขึ้นจากจีน และการวิเคราะห์ตัวเลือกของรัฐสภาในการอนุมัติพระราชบัญญัติประกันความเสี่ยงจากการก่อการร้าย (TRIA) อีกครั้ง

RDM ตั้งอยู่บนแนวคิดหลักสามประการที่แตกต่างจากกรอบการตัดสินใจแบบดั้งเดิมที่อาศัยความคาดหวังเชิงอัตวิสัย ได้แก่ มุมมองที่หลากหลายเกี่ยวกับอนาคต เกณฑ์ความแข็งแกร่ง และการกลับลำดับของการวิเคราะห์การตัดสินใจแบบดั้งเดิมโดยดำเนินการตามกระบวนการวนซ้ำโดยอิงจากความเปราะบางและตัวเลือกการตอบสนอง แทนที่จะเป็นกรอบการตัดสินใจแบบคาดการณ์แล้วจึงดำเนินการ

ประการแรก RDM อธิบายความไม่แน่นอนด้วยมุมมองที่หลากหลายเกี่ยวกับอนาคตในบางกรณี มุมมองที่หลากหลายเหล่านี้จะถูกแทนด้วยสถานะในอนาคตที่หลากหลายของโลก RDM ยังสามารถรวมข้อมูลความน่าจะเป็นได้ แต่ปฏิเสธมุมมองที่ว่าการแจกแจงความน่าจะเป็นร่วม เพียงอย่างเดียว เป็นคำอธิบายที่ดีที่สุดสำหรับอนาคตที่มีความไม่แน่นอนสูง RDM จึงใช้ช่วงหรือในเชิงวิชาการมากขึ้นคือชุดของการแจกแจงความน่าจะเป็นที่เป็นไปได้เพื่ออธิบายความไม่แน่นอนอย่างลึกซึ้ง

ประการที่สอง RDM ใช้ความแข็งแกร่งมากกว่าความเหมาะสมที่สุดเป็นเกณฑ์ในการประเมินนโยบายทางเลือก กรอบงานอรรถประโยชน์เชิงอัตวิสัยแบบดั้งเดิมจัดอันดับตัวเลือกการตัดสินใจทางเลือกโดยขึ้นอยู่กับการกระจายความน่าจะเป็นที่ประมาณการได้ดีที่สุด โดยทั่วไปจะมีตัวเลือกที่ดีที่สุด (เช่น ตัวเลือกที่มีอันดับสูงสุด) การวิเคราะห์ RDM ได้ใช้คำจำกัดความของความแข็งแกร่งที่แตกต่างกันหลายประการ ซึ่งรวมถึง: การแลกเปลี่ยนประสิทธิภาพที่เหมาะสมที่สุดเพียงเล็กน้อยกับความไวต่อสมมติฐานที่ผิดพลาดน้อยลง ประสิทธิภาพที่ดีเมื่อเทียบกับทางเลือกอื่น ๆ ในช่วงสถานการณ์ที่เป็นไปได้ที่หลากหลาย และการเปิดทางเลือกไว้^{[ 2 ]} ทั้งหมดนี้รวมเกณฑ์ ความพึงพอใจบางประเภทและในทางตรงกันข้ามกับแนวทางอรรถประโยชน์ที่คาดหวัง โดยทั่วไปแล้วทั้งหมดจะอธิบายถึงการแลกเปลี่ยนมากกว่าที่จะให้การจัดอันดับที่เข้มงวดของตัวเลือกทางเลือก

ประการที่สาม RDM ใช้ กรอบการวิเคราะห์ ความเปราะบางและตัวเลือกการตอบสนองเพื่อกำหนดลักษณะความไม่แน่นอนและช่วยระบุและประเมินกลยุทธ์ที่แข็งแกร่ง โครงสร้างของปัญหาการตัดสินใจนี้เป็นคุณลักษณะสำคัญของ RDM แนวทางการวิเคราะห์การตัดสินใจแบบดั้งเดิมเป็นไปตามสิ่งที่เรียกว่าแนวทางทำนายแล้วดำเนินการ^{[ 12 ]}ซึ่งกำหนดลักษณะความไม่แน่นอนเกี่ยวกับอนาคตก่อน จากนั้นใช้การกำหนดลักษณะนี้เพื่อจัดอันดับความน่าปรารถนาของตัวเลือกการตัดสินใจทางเลือก ที่สำคัญ แนวทางนี้กำหนดลักษณะความไม่แน่นอนโดยไม่คำนึงถึงตัวเลือกทางเลือก ในทางตรงกันข้าม RDM กำหนดลักษณะความไม่แน่นอนในบริบทของการตัดสินใจเฉพาะ นั่นคือ วิธีการนี้ระบุการรวมกันของความไม่แน่นอนที่สำคัญที่สุดต่อการเลือกจากตัวเลือกทางเลือก และอธิบายชุดความเชื่อเกี่ยวกับสถานะที่ไม่แน่นอนของโลกที่สอดคล้องกับการเลือกตัวเลือกหนึ่งเหนืออีกตัวเลือกหนึ่ง การจัดลำดับนี้ให้ประโยชน์ทางปัญญาในการใช้งานสนับสนุนการตัดสินใจ ช่วยให้ผู้มีส่วนได้ส่วนเสียเข้าใจสมมติฐานหลักที่อยู่เบื้องหลังตัวเลือกทางเลือกก่อนที่จะตัดสินใจเชื่อสมมติฐานเหล่านั้น^{[ 13 ]}

วิธีการตัดสินใจที่มีประสิทธิภาพดูเหมาะสมที่สุดภายใต้เงื่อนไขสามประการ ได้แก่ เมื่อความไม่แน่นอนนั้นลึกซึ้ง (ไม่ใช่ความไม่แน่นอนที่ระบุได้ชัดเจน) เมื่อมีตัวเลือกการตัดสินใจมากมาย และเมื่อความท้าทายในการตัดสินใจนั้นซับซ้อนมากพอที่ผู้ตัดสินใจจำเป็นต้องใช้แบบจำลองการจำลองเพื่อติดตามผลที่อาจเกิดขึ้นจากการกระทำของตนในสถานการณ์ที่เป็นไปได้หลาย ๆ สถานการณ์

เมื่อความไม่แน่นอนมีลักษณะที่ชัดเจน การวิเคราะห์อรรถประโยชน์ที่คาดหวังแบบดั้งเดิม (ทำนายแล้วจึงดำเนินการ) มักจะเหมาะสมที่สุด นอกจากนี้ หากผู้ตัดสินใจขาดตัวเลือกการตัดสินใจที่หลากหลาย พวกเขาอาจมีโอกาสน้อยที่จะพัฒนากลยุทธ์ที่แข็งแกร่ง และทำได้ไม่ดีไปกว่าการวิเคราะห์แบบทำนายแล้วจึงดำเนินการ^{[ 2 ]}

หากความไม่แน่นอนมีมากและมีตัวเลือกมากมาย วิธีการสร้างสถานการณ์เชิงคุณภาพแบบดั้งเดิมอาจได้ผลดีที่สุด หากระบบนั้นเรียบง่ายหรือเข้าใจได้ดีพอที่ผู้มีอำนาจตัดสินใจจะสามารถเชื่อมโยงการกระทำที่เป็นไปได้กับผลที่ตามมาได้อย่างแม่นยำโดยไม่ต้องอาศัยแบบจำลองการจำลอง

RDM ไม่ใช่สูตรสำเร็จของขั้นตอนการวิเคราะห์ แต่เป็นชุดของวิธีการที่สามารถนำมาผสมผสานกันได้หลายวิธี เพื่อการตัดสินใจเฉพาะด้านในการนำแนวคิดไปใช้ สองส่วนสำคัญในชุดเครื่องมือนี้จะอธิบายไว้ด้านล่าง ได้แก่ การสร้างแบบจำลองเชิงสำรวจ และการค้นหาสถานการณ์จำลอง

การวิเคราะห์ RDM จำนวนมากใช้วิธีการสร้างแบบจำลองเชิงสำรวจ^{[ 14 ]}โดยใช้การจำลองด้วยคอมพิวเตอร์ไม่ใช่เพื่อทำนาย แต่เป็นวิธีการเชื่อมโยงชุดสมมติฐานกับผลที่ตามมา นักวิเคราะห์จะดึงข้อมูลที่เป็นประโยชน์จากการจำลองดังกล่าวโดยการเรียกใช้หลายครั้งโดยใช้การออกแบบการทดลองที่เหมาะสมกับพารามิเตอร์อินพุตที่ไม่แน่นอนของแบบจำลอง รวบรวมผลลัพธ์ไว้ในฐานข้อมูลขนาดใหญ่ของกรณีต่างๆ และวิเคราะห์ฐานข้อมูลนี้เพื่อพิจารณาว่าข้อความที่เกี่ยวข้องกับนโยบายใดบ้างที่สามารถสนับสนุนได้ RDM แสดงถึงการนำแนวคิดนี้ไปใช้ในรูปแบบเฉพาะ การวิเคราะห์ RDM โดยทั่วไปจะสร้างฐานข้อมูลขนาดใหญ่ของผลลัพธ์แบบจำลองการจำลอง จากนั้นใช้ฐานข้อมูลนี้เพื่อระบุจุดอ่อนของกลยุทธ์ที่เสนอและการแลกเปลี่ยนระหว่างการตอบสนองที่เป็นไปได้ กระบวนการวิเคราะห์นี้มีข้อดีในทางปฏิบัติหลายประการ:

• ฐานข้อมูลกรณีศึกษาแสดงให้เห็นภาพที่เป็นรูปธรรมของแนวคิดเรื่องอนาคตที่เป็นไปได้หลากหลายรูปแบบ
• การจำลองสถานการณ์ซ้ำหลายครั้งในทิศทางไปข้างหน้าสามารถลดความซับซ้อนของความท้าทายเชิงวิเคราะห์ในการแสดงกลยุทธ์แบบปรับตัวได้ในแอปพลิเคชันเชิงปฏิบัติหลายอย่าง เนื่องจากเป็นการแยกการจำลองสถานการณ์ออกจากการวิเคราะห์ที่จำเป็นในการประเมินตัวเลือกการตัดสินใจทางเลือกต่างๆ โดยใช้การจำลองสถานการณ์ ในทางตรงกันข้าม วิธีการเพิ่มประสิทธิภาพบางวิธีทำให้การรวมผลตอบรับหลายประเภทเข้าไว้ในการจำลองสถานการณ์เป็นเรื่องยาก
• แนวคิดการสร้างแบบจำลองเชิงสำรวจทำให้สามารถใช้วิธีการตัดสินใจที่หลากหลายโดยใช้แบบจำลองการจำลองประเภทต่างๆ ภายในกรอบการวิเคราะห์ทั่วไป (ขึ้นอยู่กับสิ่งที่เหมาะสมที่สุดสำหรับการประยุกต์ใช้ในการตัดสินใจเฉพาะด้าน) ภายในกรอบการทำงานทั่วไปนี้ การวิเคราะห์ RDM ได้ใช้วิธีการตัดสินใจแบบลำดับขั้นแบบดั้งเดิม คำอธิบายเชิงกฎเกณฑ์ของกลยุทธ์การปรับตัว การนำเสนอตัวเลือกจริง แบบจำลองการเติบโตทางเศรษฐกิจที่เหมาะสมที่ซับซ้อน แบบจำลองสเปรดชีต แบบจำลองแบบตัวแทน และชุดแบบจำลองการจำลองที่มีอยู่ขององค์กร เช่น แบบจำลองที่รัฐบาลสหรัฐฯ ใช้ในการคาดการณ์สถานะในอนาคตของกองทุนประกันสังคม
• ฐานข้อมูลกรณีศึกษาช่วยให้การเปรียบเทียบกรอบการตัดสินใจทางเลือกต่างๆ ง่ายขึ้น เนื่องจากสามารถนำกรอบเหล่านี้ไปใช้กับชุดผลลัพธ์ของแบบจำลองที่เหมือนกันได้ ตัวอย่างเช่น สามารถนำการแจกแจงความน่าจะเป็นร่วมกันมาใช้กับกรณีศึกษาในฐานข้อมูล ดำเนินการวิเคราะห์อรรถประโยชน์ที่คาดหวัง และเปรียบเทียบผลลัพธ์กับการวิเคราะห์ RDM โดยใช้ฐานข้อมูลเดียวกันได้

การวิเคราะห์ RDM มักใช้กระบวนการที่เรียกว่าการค้นหาสถานการณ์เพื่ออำนวยความสะดวกในการระบุจุดอ่อนของกลยุทธ์ที่เสนอ^{[ 13 ] [ 15 ]}กระบวนการเริ่มต้นด้วยการระบุตัวชี้วัดประสิทธิภาพบางอย่าง เช่น ต้นทุนรวมของนโยบายหรือความเบี่ยงเบนจากค่าที่เหมาะสมที่สุด (ความเสียใจ) ซึ่งสามารถใช้เพื่อแยกแยะกรณีในฐานข้อมูลผลลัพธ์ที่กลยุทธ์ถูกตัดสินว่าประสบความสำเร็จจากกรณีที่กลยุทธ์ถูกตัดสินว่าไม่ประสบความสำเร็จ อัลกอริทึมทางสถิติหรือการขุดข้อมูลจะถูกนำมาใช้กับฐานข้อมูลเพื่อสร้างคำอธิบายง่ายๆ ของพื้นที่ในพื้นที่ของพารามิเตอร์อินพุตที่ไม่แน่นอนสำหรับแบบจำลองที่อธิบายกรณีที่กลยุทธ์ไม่ประสบความสำเร็จได้ดีที่สุด กล่าวคือ อัลกอริทึมสำหรับการอธิบายกรณีเหล่านี้ได้รับการปรับแต่งเพื่อเพิ่มประสิทธิภาพทั้งความสามารถในการคาดการณ์และความสามารถในการตีความโดยผู้ตัดสินใจ กลุ่มที่ได้มีลักษณะหลายอย่างของสถานการณ์และสามารถใช้เพื่อช่วยให้ผู้ตัดสินใจเข้าใจจุดอ่อนของนโยบายที่เสนอและตัวเลือกการตอบสนองที่เป็นไปได้ การทบทวนที่ดำเนินการโดยสำนักงานสิ่งแวดล้อมแห่งยุโรปเกี่ยวกับวรรณกรรมที่ค่อนข้างน้อยที่ประเมินว่าสถานการณ์ต่างๆ ทำงานอย่างไรในทางปฏิบัติเมื่อองค์กรนำไปใช้เพื่อประกอบการตัดสินใจ ได้ระบุจุดอ่อนสำคัญหลายประการของแนวทางสถานการณ์แบบดั้งเดิม วิธีการค้นหาสถานการณ์ได้รับการออกแบบมาเพื่อแก้ไขจุดอ่อนเหล่านี้^{[ 13 ]}นอกจากนี้ วิธีการค้นหาสถานการณ์ยังสนับสนุนการวิเคราะห์สำหรับปัจจัยกดดันหลายประการ เนื่องจากเป็นการกำหนดลักษณะความเปราะบางเป็นการรวมกันของพารามิเตอร์ที่ไม่แน่นอนประเภทต่างๆ ที่แตกต่างกันมาก (เช่น สภาพภูมิอากาศ เศรษฐกิจ ความสามารถขององค์กร เป็นต้น)

มีซอฟต์แวร์หลายตัวที่ใช้ในการวิเคราะห์ RDM บริษัท RAND ได้พัฒนา CARS สำหรับการสร้างแบบจำลองเชิงสำรวจ และแพ็กเกจ sdtoolkit Rสำหรับการค้นหาสถานการณ์ EMA Workbench ซึ่งพัฒนาโดยมหาวิทยาลัยเทคโนโลยีเดลฟท์ให้ความสามารถในการสร้างแบบจำลองเชิงสำรวจและการค้นหาสถานการณ์อย่างครอบคลุมในภาษาPython ^{[ 16 ]} OpenMORDM เป็นแพ็กเกจ R แบบโอเพนซอร์สสำหรับ RDM ที่รวมถึงการสนับสนุนการกำหนดวัตถุประสงค์ด้านประสิทธิภาพมากกว่าหนึ่งรายการ^{[ 17 ]} OpenMORDM ช่วยให้สามารถสำรวจผลกระทบของเกณฑ์ความทนทานที่แตกต่างกัน รวมถึงเกณฑ์ที่อิงตามความเสียใจ (เช่น การลดความเบี่ยงเบนในประสิทธิภาพ) และเกณฑ์ที่อิงตามความพึงพอใจ (เช่น การทำให้ตรงตามข้อจำกัดด้านประสิทธิภาพ) Rhodium เป็นแพ็กเกจ Python แบบโอเพนซอร์สที่รองรับฟังก์ชันการทำงานที่คล้ายคลึงกับ EMA Workbench และ OpenMORDM แต่ยังอนุญาตให้ใช้งานกับแบบจำลองที่เขียนด้วย C, C++, Fortran, R และ Excel รวมถึงการใช้อัลกอริธึมวิวัฒนาการแบบหลายวัตถุประสงค์หลายตัว^{[ 18 ]}

• เหตุผลในการออกแบบ
• วิธีการจัดโครงสร้างปัญหา
• พลวัตของระบบ

• EMA workbenchคือ "เวิร์กเบนช์สำหรับการสร้างแบบจำลองเชิงสำรวจ" จากมหาวิทยาลัยเทคโนโลยีเดลฟท์
• OpenMORDMคือแพ็กเกจ R สำหรับการตัดสินใจที่แข็งแกร่งแบบหลายเป้าหมาย
• sdtoolkitชุดเครื่องมือค้นหาสถานการณ์เพื่อการตัดสินใจที่มีประสิทธิภาพ