La toma de decisiones robusta ( RDM ) es un marco de análisis de decisiones iterativo que tiene como objetivo ayudar a identificar posibles estrategias robustas, caracterizar las vulnerabilidades de dichas estrategias y evaluar las compensaciones entre ellas. [1] [2] [3] La RDM se centra en informar las decisiones en condiciones de lo que se denomina "profunda incertidumbre", es decir, condiciones en las que las partes de una decisión no conocen o no están de acuerdo sobre los modelos del sistema que relacionan las acciones con las consecuencias o las distribuciones de probabilidad previas para los parámetros de entrada clave para esos modelos. [2] : 1011
Se ha desarrollado una amplia variedad de conceptos, métodos y herramientas para abordar los desafíos de toma de decisiones que enfrentan un alto grado de incertidumbre. Una fuente del nombre "decisión robusta" fue el campo del diseño robusto popularizado principalmente por Genichi Taguchi en la década de 1980 y principios de la de 1990. [4] [5] Jonathan Rosenhead y sus colegas estuvieron entre los primeros en diseñar un marco de decisión sistemático para decisiones robustas, en su libro de 1989 Rational Analysis for a Problematic World . [6] Han surgido temas similares de las literaturas sobre planificación de escenarios , control robusto , probabilidad imprecisa y teoría y métodos de decisión de brecha de información . Una revisión temprana de muchos de estos enfoques se incluye en el Tercer Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático , publicado en 2001.
La toma de decisiones robusta (RDM) es un conjunto particular de métodos y herramientas desarrollados durante la última década, principalmente por investigadores asociados con la Corporación RAND , diseñados para respaldar la toma de decisiones y el análisis de políticas en condiciones de profunda incertidumbre.
Aunque los investigadores suelen utilizarlo para evaluar opciones alternativas, el RDM está diseñado y se emplea a menudo como un método de apoyo a la toma de decisiones , con especial atención a ayudar a los responsables de la toma de decisiones a identificar y diseñar nuevas opciones de decisión que puedan ser más sólidas que las que habían considerado originalmente. A menudo, estas opciones más sólidas representan estrategias de decisión adaptativas diseñadas para evolucionar con el tiempo en respuesta a nueva información. Además, el RDM se puede utilizar para facilitar la toma de decisiones grupal en situaciones contenciosas en las que las partes de la decisión tienen fuertes desacuerdos sobre supuestos y valores. [7]
Los enfoques de RDM se han aplicado a una amplia gama de diferentes tipos de desafíos de decisión. Un estudio de 1996 abordó las estrategias adaptativas para reducir las emisiones de gases de efecto invernadero. [8] Estudios más recientes incluyen una variedad de aplicaciones a cuestiones de gestión del agua, [9] [10] [11] evaluación de los impactos de los requisitos de energía renovable propuestos por los EE. UU., [ cita requerida ] una comparación de las estrategias energéticas a largo plazo para el gobierno de Israel, [ cita requerida ] una evaluación de las políticas científicas y tecnológicas que el gobierno de Corea del Sur podría implementar en respuesta a la creciente competencia económica de China, [ cita requerida ] y un análisis de las opciones del Congreso para reautorizar la Ley de Seguro contra Riesgos de Terrorismo (TRIA). [ cita requerida ]
RDM se basa en tres conceptos clave que lo diferencian del marco de decisión tradicional de utilidad esperada subjetiva: múltiples visiones del futuro, un criterio de robustez y la inversión del orden del análisis de decisiones tradicional mediante la realización de un proceso iterativo basado en una opción de vulnerabilidad y respuesta en lugar de un marco de decisión de predecir y luego actuar. [ cita requerida ]
En primer lugar, la RDM caracteriza la incertidumbre con múltiples visiones del futuro . En algunos casos, estas múltiples visiones estarán representadas por múltiples estados futuros del mundo. La RDM también puede incorporar información probabilística, pero rechaza la idea de que una única distribución de probabilidad conjunta represente la mejor descripción de un futuro profundamente incierto. En cambio, la RDM utiliza rangos o, más formalmente, conjuntos de distribuciones de probabilidad plausibles para describir la incertidumbre profunda.
En segundo lugar, el RDM utiliza la robustez en lugar de la optimalidad como criterio para evaluar políticas alternativas. El marco de utilidad subjetiva tradicional clasifica las opciones de decisión alternativas en función de las mejores distribuciones de probabilidad estimadas. En general, existe una mejor opción (es decir, la de mayor clasificación). Los análisis RDM han empleado varias definiciones diferentes de robustez. Estas incluyen: intercambiar una pequeña cantidad de desempeño óptimo por una menor sensibilidad a suposiciones fallidas, un buen desempeño en comparación con las alternativas en una amplia gama de escenarios plausibles y mantener las opciones abiertas. [2] Todas incorporan algún tipo de criterio de satisfacción y, en contraste con los enfoques de utilidad esperada, generalmente describen compensaciones en lugar de proporcionar una clasificación estricta de opciones alternativas.
En tercer lugar, el RDM emplea un marco de análisis de vulnerabilidad y opciones de respuesta para caracterizar la incertidumbre y ayudar a identificar y evaluar estrategias sólidas. Esta estructuración del problema de decisión es una característica clave del RDM. El enfoque analítico de decisiones tradicional sigue lo que se ha llamado un enfoque de predicción y luego acción [12] que primero caracteriza la incertidumbre sobre el futuro y luego utiliza esta caracterización para clasificar la conveniencia de las opciones de decisión alternativas. Es importante destacar que este enfoque caracteriza la incertidumbre sin referencia a las opciones alternativas. En cambio, el RDM caracteriza la incertidumbre en el contexto de una decisión particular. Es decir, el método identifica aquellas combinaciones de incertidumbres más importantes para la elección entre opciones alternativas y describe el conjunto de creencias sobre el estado incierto del mundo que son consistentes con la elección de una opción sobre otra. Este ordenamiento proporciona beneficios cognitivos en aplicaciones de apoyo a la toma de decisiones, permitiendo a las partes interesadas comprender los supuestos clave que subyacen a las opciones alternativas antes de comprometerse a creer en esos supuestos. [13]
Los métodos de decisión robustos parecen más apropiados en tres condiciones: cuando la incertidumbre es profunda en lugar de estar bien caracterizada, cuando hay un amplio conjunto de opciones de decisión y el desafío de decisión es suficientemente complejo como para que los tomadores de decisiones necesiten modelos de simulación para rastrear las posibles consecuencias de sus acciones en muchos escenarios plausibles.
Cuando la incertidumbre está bien caracterizada, los análisis tradicionales de utilidad esperada (predecir y luego actuar) suelen ser los más apropiados. Además, si los encargados de tomar decisiones carecen de un conjunto amplio de opciones de decisión, es posible que tengan pocas oportunidades de desarrollar una estrategia sólida y no puedan hacer nada mejor que un análisis de predicción y luego acción. [2]
Si la incertidumbre es profunda y se dispone de un amplio conjunto de opciones, los métodos tradicionales de escenarios cualitativos pueden resultar más eficaces si el sistema es suficientemente simple o bien entendido como para que los tomadores de decisiones puedan conectar con precisión las acciones potenciales con sus consecuencias sin la ayuda de modelos de simulación.
RDM no es una receta de pasos analíticos, sino más bien un conjunto de métodos que pueden combinarse de diversas maneras para tomar decisiones específicas que permitan implementar el concepto. A continuación se describen dos elementos clave de este conjunto de herramientas: el modelado exploratorio y el descubrimiento de escenarios.
Muchos análisis RDM utilizan un enfoque de modelado exploratorio [14] , en el que las simulaciones por computadora no se utilizan como un dispositivo para la predicción, sino como un medio para relacionar un conjunto de supuestos con sus consecuencias implícitas. El analista extrae información útil de dichas simulaciones al ejecutarlas muchas veces utilizando un diseño experimental apropiado sobre los parámetros de entrada inciertos del modelo o modelos, recopilando las ejecuciones en una gran base de datos de casos y analizando esta base de datos para determinar qué declaraciones relevantes para las políticas pueden respaldarse. RDM representa una implementación particular de este concepto. Un análisis RDM generalmente crea una gran base de datos de resultados de modelos de simulación y luego utiliza esta base de datos para identificar vulnerabilidades de las estrategias propuestas y las compensaciones entre las respuestas potenciales. Este proceso analítico proporciona varias ventajas prácticas:
Los análisis RDM emplean a menudo un proceso denominado descubrimiento de escenarios para facilitar la identificación de las vulnerabilidades de las estrategias propuestas. [13] [15] El proceso comienza especificando alguna métrica de desempeño, como el costo total de una política o su desviación de la optimalidad (arrepentimiento), que puede utilizarse para distinguir aquellos casos en la base de datos de resultados en los que la estrategia se juzga exitosa de aquellos en los que se juzga fallida. Se aplican algoritmos estadísticos o de minería de datos a la base de datos para generar descripciones simples de regiones en el espacio de parámetros de entrada inciertos al modelo que mejor describan los casos en los que la estrategia no tiene éxito. Es decir, el algoritmo para describir estos casos se ajusta para optimizar tanto la previsibilidad como la interpretabilidad por parte de los tomadores de decisiones. Los grupos resultantes tienen muchas características de escenarios y pueden utilizarse para ayudar a los tomadores de decisiones a comprender las vulnerabilidades de las políticas propuestas y las posibles opciones de respuesta. Una revisión realizada por la Agencia Europea del Medio Ambiente de la literatura bastante escasa que evalúa cómo funcionan realmente los escenarios en la práctica cuando las organizaciones los usan para informar las decisiones identificó varias debilidades clave de los enfoques de escenarios tradicionales. [ cita requerida ] Los métodos de descubrimiento de escenarios están diseñados para abordar estas debilidades. [13] Además, el descubrimiento de escenarios respalda el análisis de múltiples factores estresantes porque caracteriza las vulnerabilidades como combinaciones de tipos muy diferentes de parámetros inciertos (por ejemplo, climáticos, económicos, capacidades organizacionales, etc.).
Hay varios programas disponibles para realizar análisis RDM. RAND Corporation ha desarrollado CARS para modelado exploratorio y el paquete R sdtoolkit para descubrimiento de escenarios. El EMA Workbench, desarrollado en la Universidad Tecnológica de Delft , proporciona amplias capacidades de modelado exploratorio y descubrimiento de escenarios en Python . [16] OpenMORDM es un paquete R de código abierto para RDM que incluye soporte para definir más de un objetivo de rendimiento. [17] OpenMORDM facilita la exploración del impacto de diferentes criterios de robustez, incluidos los criterios basados en el arrepentimiento (por ejemplo, minimizar la desviación en el rendimiento) y los basados en la satisfacción (por ejemplo, satisfacer las restricciones de rendimiento). Rhodium es un paquete Python de código abierto que admite una funcionalidad similar a EMA Workbench y a OpenMORDM, pero también permite su aplicación en modelos escritos en C, C++, Fortran, R y Excel, así como el uso de varios algoritmos evolutivos multiobjetivo. [18]
La toma de decisiones robusta describe una variedad de enfoques que difieren del análisis tradicional de utilidad esperada óptima en que caracterizan la incertidumbre con múltiples representaciones del futuro en lugar de un único conjunto de distribuciones de probabilidad y utilizan la robustez, en lugar de la optimalidad, como criterio de decisión. (1011-1012)
La toma de decisiones sólida es más analítica que intuitiva. Adopta un enfoque sistemático para eliminar la incertidumbre dentro de los recursos disponibles para tomar decisiones seguras y efectivas. (1023)