Scenario Selection in Probabilistic Cross-Impact Analysis

Abstract

Cross-impact analysis (CIA) is a quantitative method for constructing scenarios from combinations of uncertainty factors that characterize possible future developments. Expert judgements can be elicited to characterize interdependencies between the outcomes of different uncertainty factors and their marginal probabilities. An evident challenge in CIA is the large number of possible combinations, which gives need to develop systematic methods to select some of the most relevant combinations to build the scenarios on.

This thesis focuses on the approaches for quantitative scenario selection. First, some of the earlier methods in the literature are reviewed. Second, the general objectives of scenario selection are identified and formulated mathematically. Third, by combining the best practices from the earlier methods to reach those objectives and developing them further, a new scenario selection method based on integer linear program (ILP) is proposed.

The proposed method is tested, and its results are compared with those obtained by reference methods. In the first test setting, uncorrelated scenario probabilities are generated randomly. In the second test, probability distribution resulting from a real-world cross-impact elicitation process is used. The results from both tests suggest that developed ILP method performs well in terms of the chosen objectives among the tested methods.

In addition to being proven competitive, the proposed ILP method can be tailored in detail to meet the needs of each study. More sophisticated versions of the method can be constructed by incorporating, for example, ordinal scenario distances, non-uniform weighting of uncertainty factors, and utility-based scenario relevance. Such extensions are of interest for the future research on the topic.

Ristivaikutusanalyysi (CIA) on kvantitatiivinen menetelmä, jossa muodostetaan skenaarioita tulevaisuuden epävarmuustekijöiden yhdistelminä. Epävarmuustekijöiden reunajakaumien sekä niiden välisten ristivaikutuksien määrittämiseen voidaan käyttää asiantuntija-arvioita. Keskeinen ongelma ristivaikutusanalyysissa on mahdollisten yhdistelmien suuri määrä, jonka vuoksi tarvitaan systemaattisia menetelmiä, joilla voidaan suodattaa yhdistelmäjoukosta olennaisia yhdistelmiä ja rakentaa niistä skenaariot.

Tässä diplomityössä keskitytään kvantitatiivisiin skenaariosuodatusmenetelmiin. Ensiksi työssä tarkastellaan kirjallisuudessa esiintyviä aikaisempia lähestymistapoja skenaarioiden suodattamiseen. Toiseksi tunnistetaan yleisiä skenaariosuodatuksen tavoitteita ja muotoillaan ne matemaattisina käsitteinä. Kolmanneksi kehitetään uusi kokonaislukulineaarioptimointiin (ILP) perustuva skenaariosuodatusmenetelmä yhdistelemällä kirjallisuudessa esiintyviä ja hyväksi havaittuja keinoja saavuttaa tunnistettuja skenaariosuodatuksen tavoitteita.

Kehitettyä menetelmää testataan ja sen tuloksia verrataan vertailumenetelmiin. Ensimmäisessä testissä käytetään riippumattomia ja identtisesti jakautuneita satunnaisesti tuotettuja skenaariotodennäköisyyksiä. Toisessa testissä käytetään todenmukaisempia, asiantuntijoiden arvioimien ristivaikutusten perusteella määritettyjä skenaariotodennäköisyyksiä. Molempien testien tulokset puoltavat sitä, ettei yksikään vertailumenetelmä tuottanut parempia tuloksia kuin diplomityössä kehitetty ILP-menetelmä.

Tulosten valossa kehitetty menetelmä on sekä suorituskykyinen että yksilöllisesti muotoiltavissa kunkin analyysin tarpeisiin sopivaksi. Diplomityössä esitetystä menetelmästä voidaan luoda myös edistyneempiä versioita. Työssä menetelmään esitetyt lisäykset, kuten ordinaaliset skenaarioiden väliset etäisyydet, epäyhtenäiset painotukset epävarmuustekijöille ja skenaarioiden hyötypohjaiset olennaisuusmitat, ovat kiinnostavia jatkotutkimuksen aiheita.