Ledelse og Erhvervsøkonomi/Handelsvidenskabeligt Tidsskrift/Erhvervsøkonomisk Tidsskrift, Bind 39 (1975)Bayes'iansk beslutningsteori (den moderne beslutningsteori). Et praktisk beslutningsværktøjFinn Rossau *) Side 139
RESUMÉNærværende forfatter har i det praktiske erhvervsarbejde, som forelæser på HD-studiet samt som foredragsholder på efteruddannelseskurser for virksomhedsledere konstateret et behov for viden omkring problematikken økonomisk beslutningstagen under usikkerhed. Får virksomhedens management et værktøj stillet til rådighed, som er relativt let forståeligt, ikke for matematisk kompliceret, samt er umiddelbart anvendeligt i forskellige økonomiske beslutningssituationer, så er man i høj grad villig til at anvende dette operationelle værktøj. Et sådant
værktøj er den Bayes'ianske beslutningsteori, som ved
hjælp af 1. Artiklens formålSiden Den anden
Verdenskrig har matematikere bevæbnet med computereog
*) Økonomisekretær, cand. mere, Thrige-Titan A fS, Odense. Artiklen modtaget januar 1975. Side 140
tionsstyring,materialeallokering0.1.,
og er her nået langt i bestræbelserne Der er imidlertid en i praksis betydelig gruppe af økonomiske beslutningsproblemer, der stædigt har modsat sig matematikerens anstrengelser, og det er beslutningsproblemer, der involverer en ukendt fremtid om hvilken, der ikke er nok facts til at basere matematiske formler på. Man har i foregangslandet inden for »management decision« USA, i det sidste tiår for løsning af ovennævnte beslutningsproblemer anvendt og videreudviklet den såkaldte Bayes'ianske beslutningsteori, som i sin beslutningsteknik anvender en blanding af matematik og beslutningstagerens erfaring og viden i øvrigt. I al enkelthed adskiller den Bayes'ianske beslutningsteori sig fra de øvrige operationsanalyseteknikker ved, at beslutningstagerens subjektive vurdering tidligt kommer ind i beslutningsprocessen i stedet for kun til sidst, når den fundne optimale løsning skal vurderes. Beslutningsteorien er hidtil set
meget lidt anvendt af beslutningstagere, Dette skyldes
efter forfatterens vurdering ikke, at førnævnte
økonomiske I de senere år er
imidlertid også herhjemme behovet for en betydelig
Det seneste af forfatteren erfarede område for anvendelsen af den Bayes' ianske beslutningsteori er ved udformningen af beslutningsprocessen hos en stor dansk industrivirksomhed, når det drejer sig om beslutningstagen inden for det valutariske område. Grundlaget for
den Bayes'ianske beslutningsteoris anvendelse er
opstillingen Betalingsmatrixen kan f. eks. i førnævnte virksomhed have følgende indhold, hvor beslutningsproblemet eksempelvis er, hvorledes virksomheden skal sikre sig, hvis da overhovedet, mod valutakursrisikoen på et nettotilgodehavende i en svag valuta. Side 141
![]() Betalin gsmatrix: Den Bayes'ianske beslutningsteori burde have en langt større udbredelse herhjemme alene af den grund, at den jo netop ser på omgivelserne og fremtiden med beslutningstagerens øjne, hvorfor han bør kunne forstå og dermed også anvende den. 2. Den Bayes'ianske beslutningsteoris placeringDen Bayes'ianske
beslutningsteori er den ene af de to teoretiske
hovedretninger Ved statistisk beslutningstagen betragtes den normative beslutningsteori ud fra den synsvinkel, at beslutningstageren, inden beslutning skal træffes, kan foretage et eller flere forsøg, hvorved han får yderligere information i hænde for brug i beslutningsprocessen. Generelt kan man
derfor karakterisere de to teorier - den Bayes'ianske og
Side 142
3. Objektive contra subjektive sandsynlighederDen klassiske beslutningsteori bygger på anvendelsen af objektive sandsynligheder f. eks. gennem sin brug af signifikanstest og punkt- eller intervalestimering. Objektive sandsynligheder, hvorved forstås sandsynligheder, der opfattes som grænseværdier for relative hyppigheder, når antallet af identiske forsøg går mod uendelig, er endvidere det matematiske grundlag for opstillingen af de kendte regneregler for sandsynligheder. Den Bayes'ianske beslutningsteori anvender derimod subjektive sandsynligheder, hvorved forstås et udtryk for beslutningstagerens bedste overbevisning og dermed hans subjektive bedømmelse af indtræffelsessandsynlighederne for beslutningsproblemets mulige udfald. Personlige sandsynligheder, som der jo således i realiteten er tale om, er subjektive i den forstand, at det næsten er givet, at forskellige beslutningstagere ikke vil være enige i, hvilken sandsynlighed et givet udfald skal have. Dette naturligvis fordi de vil angive sandsynlighederne på basis af deres respektive erfaringer og baggrund samt i øvrigt efter deres kendskab til den konkrete situation. Denne anvendelse af subjektive sandsynligheder ved brugen af sandsynlighedsregnereglerne er den klassiske beslutningsteoris stærkeste anke mod den Bayes'ianske beslutningsteori. Det er ikke
meningen her at komme nærmere ind på den i høj grad
akademiske 4. Beslutningsprocessen4.1. TaleksempelDet er fundet
hensigtsmæssigt at redegøre for teknikken i den
Bayes'ianske En virksomhed
står over for at skulle lancere en vare eller ej. Disse
to Side 143
Endvidere skønner salgsledelsen, at sandsynligheden for disse tre mulige udfald kan vurderes til henholdsvis 0,3, 0,4 og 0,3 på grundlag af den øjeblikkelige viden. Denne vurdering er lig med de subjektive sandsynligheder, og som benævnes prior sandsynligheder. Strategiernes værdi kan udtrykkes i relation til graden af målopfyldelse, d.v.s. der kan opstilles en betalingsmatrix, som indeholder alle de betingede værdier (+ for gevinst og -~ for tab) af de mulige kombinationer af strategier og udfald. Ved beregning af
betalingsmatrixens nettogevinsttal må kun sådanne beløb
![]() Tabel 1. Betalingsmatrix Det gælder
endvidere, at der til enhver betalingsmatrix over de
betingede De betingede
offeromkostninger defineres som det beløb, der mistes
ved ![]() Tabel 2. Offeromkostningsmatrix Side 144
4.2. l.faseBayes'
beslutningskriterium skal anvendes. Ud fra en økonomisk anskuelse må den beslutning, der giver beslutningstageren størst forventet gevinst eller mindst forventet offeromkostning være den bedste, og de to beslutningskriterier - forventet gevinst (EMV) og forventet offeromkostning (EOL) kan derfor indføres. ![]() Tabel 3. EMV Strategi Si vil blive valgt. ![]() Strategi Si vil blive valgt. Tabel 4. EOL Det ses af taleksemplet, at uanset om der vælges efter maximum for EMV eller minimum for EOL, udpeges samme strategi som den bedst mulige. Som det er fremgået, så indeholder 1. fase i den Bayes'ianske beslutningsteori ikke problemet omkring behandlingen af yderligere information, men strategivalget foretages alene ud fra den subjektive prior viden. Derfor er det,
der har givet teorien navn — Bayes' sætningen — endnu
ikke Side 145
Inden overgangen
til 2. fase skal begrebet - værdien af fuld viden -
indføres, 4.3. Værdien af fuld videnUdarbejdelse af prognoser er lige som enhver anden form for informationsindhentning omkostningskrævende. Ofte vil en beslutningstager være i den situation, at han må overveje, om de med indhentning af information forbundne omkostninger vil forbedre hans beslutningstagen så meget, at det derved indtjente merdækningsbidrag kan dække omkostningerne. Tænker man sig nu den situation, at det gennem yderligere indhentning af information ville være muligt at opnå fuld viden om, hvilket udfald der vil indtræffe, kan den forventede gevinst ved fuld viden - EMV (fuld viden) - beregnes. EMV (fuld viden)
beregnes som summen af nettogevinsten ved at vælge
Anvendt på
taleksemplet vil virksomheden således vælge Si, hvis den
Sammenlignet med
det oprindelige strategivalg St vil fuld viden medføre
Sagt på en anden
måde, så kan det altså under ingen omstændigheder
4.4. 2. faseDa denne
beregningsfase anvender Bayes' sætning for betingede
sandsynligheder P (N/R) = P(NnR)
} Joint sands. | Side 146
prior betingede
Verbalt angiver
Bayes' sætningen sandsynligheden for, at udfaldet N
indtræffer, Ud fra ønsket om at reducere risikoen udtrykt i prior sandsynlighederne for at træffe en forkert beslutning kan det nu overvejes at anvende en given analysemetode for derigennem at få yderligere information, der kan indgå i beslutningsgrundlaget. Generelt gælder,
at uden informationsindsamling vil man aldrig kunne
Der vil derefter være to beslutningsgrundlag til rådighed for beslutningstageren. Et hvor der ikke indgår yderligere information, og hvor beslutningen derfor træffes alene på baggrund af prior sandsynlighederne, og et hvori der indgår yderlig information, og hvor beslutning træffes ved hjælp af de korrigerede prior sandsynligheder i form af Bayes' sætningens posterior sandsynligheder. 2. fase skal muliggøre et valg mellem disse to beslutningsgrundlag, idet den for det første vil fastlægge, hvilken beslutning der skal træffes givet de enkelte analyseresultater, og for det andet afgøre om en analyse i det hele taget skal gennemføres, og altså dermed om yderligere information skal indhentes. Fasens
beregningsteknik gennemgås i det følgende: I: For at kunne gennemfore beregningen af vaerdien af at gennemfore den yderligere analyse, er det nodvendigt at kende analysemetodens effektivitet, d.v.s. den usikkerhed, hvormed den rammer det rigtige resultat. Denne vurdering udtrykkes ved hjaelp af de betingede sandsynligheder, men forst ma de mulige analyseresultater defineres, hvilket for taleksemplet gores i nedenstaende opstilling, idet R star for analyseresultatet. Rj svarer til en
markedsandel på mere end 15 % R2R2 svarer til
en markedsandel mellem 5 og 15 % R;j svarer til en
markedsandel på mindre end 5% Side 147
![]() Tabel 5. Betingede sandsynligbeder P (Rj/Nj); i og j gående fra 1 til 3 Verbalt kan de betingede sandsynligheder udtrykkes som sandsynligheden for, at den påtænkte analyse vil resultere i analyseresultatet Ri, når udfaldet Nj senere måtte vise sig at indtra^ffe. Beslutningstageren kan enten fastsætte de betingede sandsynligheder subjektivt, hvilket vil være det hyppigst forekomne, men i særlige tilfælde er det dog muligt at fastsætte disse sandsynligheder objektivt ved hjælp af en af de kendte sandsynlighedsfordelinger. Det bemærkes af
tabel 5 over de betingede sandsynligheder, som her
Eksempelvis må P (Rj/Ni) være større end P (Rs/Is^). Udtrykt verbalt så må sandsynligheden for, at analysen vil resultere i en markedsandel på mere end 15 % (R^, når det forudsættes at virksomheden virkelig vil få en markedsandel på 20 % (Nx), nødvendigvis være stor. Mener beslutningstageren nemlig ikke, at dette er tilfældet, så bør en anden analysemetode vælges, hvor usikkerheden er noget mindre. II: Man emu klar
til at anvende Bayes' sætningen, der netop er afledt
Side 148
og af en prior
sandsynlighedsfunktion, der som anfert under 1. fase
Ovennævnte kan
anskues grafisk: ![]() For anvendte
taleksempel kan nu opstilles følgende
sandsynlighedstabel Side 149
![]() a) Afledt af joint sandsynlighederne fas de übetingede sandsynligheder P(R;), som angiver sandsynligheden for at fa analyseresultatet R; uden hensyntagen til, hvilket udfald (Nj), der er korrekt. Side 150
Ill: Tredie
beregningstrin i 2. fase er ved hjaelp af de netop
beregnede Dette gøres ved at beregne den betingede forventede slutgevinst (CTEP) for hver strategi og under forudsætning af et analyseresultat. CTEP beregnes som en summation af posterior sandsynlighederne ganget med de respektive nettogevinsttal jvnf. tabel 1. Givet
analyseresultat R^: CTEP(Si) =30•
0,656 + 10 • 0,250 ~- 15 • 0,094 Givet
analyseresultat R2: CTEP(S,) —30•
0,167 +10• 0,667-h 15 • 0,167 Givet
analyseresultat R3: CTEP(S,) =30•
0,094 +10• 0,250 ~-15 ■ 0,656 Bayes'
beslutningskriterium for 2. fase emu felgende: I taleksemplet
vil det sige, at ved analyseresultaterne R-,, R2R2 og R^
IV: I fjerde og
sidste beregningstrin skal, inden valg af strategi
foretages, Dette må
bestemmes af på den ene side de med den påtænkte analyse
Side 151
ligere
information afledede merdaskningsbidrag. Med andre ord
![]() ligere information afledede merdaskningsbidrag. Med andre ord problematikken beskrevet i denne artikels afsnit 4.3. Folgende hjzelpetabel opstilles. Folgende
hjzelpetabel opstilles. Den forventede gevinst ved ufuldstændig viden eller sagt med andre ord den påtænkte analyses forventede gevinst kan nu beregnes, som summen af den til de respektive analyseresultater optimale strategi svarende CTEP ganget med sandsynligheden for det pågældende analyseresultat P(Ri). EMV
(ufuldstaendig viden) = 0,32 • 20,770 + 0,36 • 9,075
Sammenlignes
denne værdi med den under 1. fase tidligere beregnede
![]() som bliver lig
med værdien af ufuldstændig viden. Konklusion: Hvis den pataenkte analyse kan gennemfores for et mindre beleb end 1,4134, bor den accepteres, hvis ikke, bor man beslutte pa det oprindelige grundlag, som anfort under fase 1. 5. VurderingAf empiriske
undersøgelser foretaget i USA af den Bayes'ianske
beslutningsteoris Side 152
1. Deter isaer inden for marketingomradet, teorien har vist sig mest funktionsdygtig. Laeseren henvises dog til de i denne artikel indledningsvis fremforte betragtninger, der peger i retning af, at teorien fremover ogsa vil finde indpas inden for andre okonomiske discipliner. Dette skyldes bl. a. onsket om, at fa en mere systematiseret beslutningsproces med deraf afledede muligheder for at traeffe bedre beslutninger. 2.
Beslutningsteknikken er yderst anvendelig for løsning
ved hjælp af 3. Teoriens anvendelighed bestemmes til en vis grad af prior sandsynlighedernes pålidelighed, samt af at analytikeren er i stand til at udtale sig om den anvendte analysetekniks effektivitet i form af de betingede sandsynligheder. 4. Kan ikke i sin
beslutningsprocedure medtage ikke-kvantificerbare
Til sidst skal det endelig nævnes, at den Bayes'ianske beslutningstager naturligvis har mulighed for at foretage følsomhedsanalyser, for at se hvor robust den fundne optimale løsning er f. eks. over for ændringer i prior sandsynlighederne eller i betalingsmatrixens nettogevinsttal. Anvendt litteratur:1. Fellner,
William: Probability and profit. A study of economic
behavior along Bayesian 2. Holstein,
Carl-Axel S. Staels von: Some problems in the practical
applications of Bayesian 3. Lindly, D. W.:
Introduction to probability and statistics from a
Bayesian viewpoint. 4. Morris, W. T.:
Management science. A Bayesian introduction. E.C.,1968.
5. Morgan, Bruce
W.: An introduction to Bayesian statistical decision
processes. E.C., 6. Raiffa,
Howard: Normative Decision Making. Mass., 1965. 7. Raiffa,
Howard: Decision Analyses. Mass., 1970. 8. Schlaifer, Robert:
Probability and statistics for business decisions. New
York, 1959. 9. Hirshleifer,
Jack: The Bayesian approach to statistical decision: An
exposition. The 10. Hansen, Erik
m.fl.: Langtidsstyring. Samfundslitteratur, 1973.
|