نویسنده: علی زارع

نویسنده: علی زارع

مقدمه

طی قرن‌ها انسان از روش­های متعددی برای دست و پنجه نرم کردن با عدم قطعیت­ها استفاده کرده تا با توانایی­های خاص خود از آینده بلندمدت محافظت کند. اخیرا، فرایندهای گروهی همچون دلفی به گروه­های بزرگ کارشناسان کمک می‌کنند تا مهارت‌های خود را در روایت­هایی برای آینده ترکب کنند. مدل­سازی آماری و شبیه­سازی کامپیوتری به کسب اطلاعات کمی به کمک برون­یابی روندهای فعلی و نیز به کارگیری نیروهای محرکی که اخیرا شناسایی شده­اند کمک می‌کنند. تحلیل رسمی فرایند تصمیم­گیری، به طور سیستماتیک به ارزیابی پیامدهای چنین اطلاعاتی کمک می‌کند. برنامه­ریزی مبتنی بر سناریو به افراد و گروه‌ها کمک می‌کند تا عدم قطعیت­های بنیادی در رابطه با آینده بلندمدت را بپذیرند و طیفی از مسیرهای بالقوه را مد نظر قرار دهند که حتی در برگیرنده آن دسته از مسیرهایی می‌شود، که ممکن است به دلایل سازمانی، ایدئولوژیکی و یا سیاسی، ناراحت کننده یا دردسرساز باشند.
علی رغم این میراث غنی، همه این روش­های سنتی مبنای یکسانی دارند: ناتوانی در مقابله با تنوع و تعدد آینده­های محتمل. به احتمال زیاد، هرگونه حدس و گمانی درباره آینده، اشتباه خواهد بود. سیاست‌ها بهینه می‌شوند تا به ریسک­های شناخته شده ای بپردازند که ممکن است در هنگام غافلگیری، با شکست مواجه شوند. حتی چند سناریو ماهرانه هم قسمت عمده غنا و جزئیات آینده را از دست خواهند داد و هیچ گونه ابزار سیستماتیکی برای بررسی نتایج کاربرد آن­ها فراهم نخواهد کرد.
برنامه ریزی پابرجا (RDM ) یک چارچوب نظری تصمیم گیری است که هدف آن کاربرد سیستماتیک تعداد زیادی از پیش بینی‌های بسیار ناقص درباره آینده می‌باشد (لمپارت، پاپر، بانکس، ۲۰۰۳؛ لمپارت و کولینز، ۲۰۰۷). RDM به جای اتکا به پیش بینی‌های آماری یا آینده محتمل، به صراحت چند آینده محتمل را به عنوان بهترین نمایندگان اطلاعات موجود درباره یک آینده نامعلوم در نظر می‌گیرد. سپس RDM به تحلیلگران و تصمیم­گیرندگان کمک می‌کند تا اقدامات کوتاه مدتی را شناسایی کنند که در میان طیف وسیعی از آینده‌ها، پابرجا هستند، یعنی اقداماتی که انجام یک کار معقول دستیابی به اهداف تصمیم گیرندگان را در مقایسه با گزینه های جایگزین تعهد می‌کنند و مهم نیست که چه آینده ای به وقوع خواهد پیوست. RDM ، پرسش قدیمی، آینده چه چیزی را با خود خواهد آورد؟ تبدیل به پرسشی با پاسخ بهتر می‌کند، که امروز چه کاری می‌توانیم انجام دهیم تا به آینده ای که دوست داریم، را شکل دهیم؟
علاقه به رویکردهای صریح برای شناسایی استراتژی­های پابرجا، برخلاف بهینه، طی دو دهه گذشته شکل گرفته است (متز و همکاران، ۲۰۰۱؛ روزنهد و مینگرز، ۲۰۰۴؛ لایت، ۲۰۰۵)، که تا حدی تحت تأثیر درک روزافزون تصمیم گیرندگان از این مسأله قرار دارد که دنیا در مقایسه با آنچه که ما تصور می‌کنیم، کمتر قابل پیش بینی و بیشتر غافلگیر کننده است. چنانکه پیشرفت‌ها در روانشناسی تصمیم­گیری نشان می‌دهد، که چارچوب سنتی مورد انتظار، راهی نیست که تصمیم گیرندگان ماهر اغلب با استدلال تحت عدم قطعیت بر می‌گزینند و پیشرفت‌ها در توانایی­های کامپیوتری جدید، که چارچوب­های تصمیم­گیری کمی جدید را محتمل می‌سازند، چیزی نیست که آن‌ها انتظارش را داشتند.
رویکرد خاص RDM که در اینجا توصیف شده است، از دو رشته تحقیق در موسسه RAND ایجاد شده که در اوایل دهه ۹۰ آغاز شده بود. در آن زمان، تحلیلگران RAND به نام رابرت لمپارت و استیون پاپر به طور جداگانه به مسائل سیاست پرداختند که از ویژگی­های آن‌ها با عدم قطعیت عمیق و پویایی بالقوه ناپایدار در تغییر جو به خصوص و تحول جوامع کمونیستی شرق اروپا به سمت اقتصاد بازار آزاد بود. آن‌ها دریافتند که ابزارهای کمّی سنتی در چنین چالش­های سیاسی ضعیف عمل می‌کنند. در ضمن، متخصص علوم کامپیوتری RAND به نام استیو بانکس مشغول این مسأله بود که چگونه می‌توان از مدل­های کامپیوتری ناقص برای اطلاع­رسانی تصمیمات سیاسی استفاده کرد. به خصوص، جامعه شبیه­سازی نظامی کاملا آگاه بود که شبیه­سازی‌های بسیار دقیق و داده­های غنی آن‌ها الزاما در بهترین حالت، بسیار بهتر از عهده توصیفات جنگ­های گذشته بر می­آیند تا جنگ آینده­های. بانکس استدلال می‌کرد که حتی مدل­هایی که پیش­بینی  ضعیف داشتند نیز اغلب حاوی اطلاعات مفیدی بودند که با اجرای آن‌ها در هزاران تا میلیون‌ها مورد استخراج شده بودند، که این موارد به طور سیستماتیک انتخاب شده بودند تا کاربردهای فرضیات مدل‌ها، درباره آینده را ترسیم کنند. این روش­های مدلسازی تحقیقاتی، که در زیر به طور مفصل‌تر توصیف شده‌اند، ابتدا برای حمایت از چارچوب نظری برنامه ریزی پابرجا در سال ۱۹۹۶ مورد استفاده قرار گرفتند تا استراتژی­های پابرجا و انطباقی را از لحاظ تغییر میزان انتشار گاز گلخانه­ای ارزیابی کنند (لمپارت، شلسینگر، بانکس، ۱۹۹۶).
از آن زمان به بعد، این روش­های RDM در طیف وسیعی از مسائل مربوط به تصمیم­گیری تحت شرایط عدم قطعیت به کار رفته‌اند، که از جمله آنها می‌توان به مسائل دفاعی (بروکس، بانکس، بنت، ۱۹۹۹)، تغییرات جوی (لمپارت، ناکیسنوویچ، سارویتز و شلسینگر، ۲۰۰۴؛ گرووز و همکاران، ۲۰۰۸)، آموزش عالی (پارک و لمپارت، ۱۹۹۸)، بیمه (دیکسون و همکاران، ۲۰۰۷)، برنامه­ریزی علوم و فناوری (سئونگ و پاپر، ۲۰۰۵؛ لمپارت و بونومو، ۱۹۹۸)، مقابله با تروریسم و تولیدات بخش خصوصی و برنامه­ریزی فناوری (دو مورد آخر توسط لمپارت و پاپر، ۲۰۰۵ توضیح داده شده‌اند) اشاره کرد. در سال­های اخیر، این روش­ها به طور اختصاصی برای تحلیل سیاسی بلند مدت (LTPA ) به کار رفته‌اند، یعنی انتخاب اقدامات کوتاه­مدت با هدف مشخص تحت تأثیر قرار دادن رخدادهای بسیاری از دهه تا آینده (لمپارت، پاپر، بانکس، ۲۰۰۳؛ پاپر، لمپارت، بانکس، ۲۰۰۵).

تصمیم­گیری پابرجا (RDM ) یک رویکرد کمّی و تکرارشونده برای موارد زیر است:

• شناسایی آن دسته از استراتژی­های تصمیم­گیری که عملکرد خوبشان نسبت به عدم قطعیت­های کلیدی پیش­روی تصمیم­گیرندگان نسبتا غیر حساس است، و
• شرح آسیب­پذیری­های باقیمانده این استراتژی‌ها.

همانطور که در زیر به طور مفصل‌تر توضیح داده خواهد شد، RDM برای حمایت از تصمیم گیری تحت شرایطی با ابهام شدید، از همه مناسب‌تر است، یعنی وقتی که طرفهای تصمیم گیری نمی‌دانند یا درباره مدل سیستم مربوط به اقدامات بالقوه برای مشتریان، احتمالات قبلی برای ارزش پارامترهای نهاده مبهم اصلی برای مدل سیستم و تابع مقداری که باید برای رتبه بندی نتایج مربوطه مورد استفاده قرار گیرد، به توافق نمی‌رسند.
به طور خلاصه، RDM از کامپیوتر برای حمایت از یک فرایند تکرارشوده استفاده می‌کند که در آن افراد استراتژی­هایی را مطرح می‌کنند که در طیف وسیعی از آینده­ها است و به طور بالقوه پابرجا بوده و سپس کامپیوترها با استفاده از ترکیبی از مدلهای شبیه­سازی کامپیوتری و برون­یابی داده­ها، این استراتژی‌ها (آزمون استرس) را به چالش می‌کشند تا آینده­ای را پیشنهاد دهند که ممکن است این استراتژی‌ها در آن ضعیف عمل کنند. سپس می‌توان در این گزینه‌ها تجدید نظر کرد تا در برابر این آینده­های پرتنش از آن‌ها محافظت کنند و این فرایند برای استراتژی­های جدید تکرار می‌شود. ممکن است تصمیم گیرندگان به جای اینکه اول آینده را پیش­بینی کنند تا روی آن کار کنند، اکنون یک درک سیستماتیکی از بهترین گزینه های کوتاه مدتشان برای شکل­دهی یک آینده بلند مدت کسب کنند، درحالیکه به تمام آینده­های احتمالی توجه کامل نمی‌کند، بلکه حداقل تعداد زیادی از این آینده‌ها را در نظر می‌گیرد. RDM به تحلیلگران اجازه می‌دهد تا از کامپیوتر برای ارائه طیف وسیعی از مسیرهای احتمالی برای آینده بلند مدت استفاده کنند. سپس تحلیلگران به دنبال گزینه­های سیاستی کوتاه مدتی هستند که پابرجا باشند، یعنی در مقایسه با دیگر گزینه‌ها، در طیف وسیعی از آن آینده‌ها با استفاده از ارزش­های بسیار متفاوت، عملکرد را ارزیابی کنند.
در این فرایند تکراری، RDM به چند چالش می‌پردازد که اغلب گفته می‌شود سعی دارند سیاست­هایی را ایجاد کنند که به آینده بلند مدت می‌پردازند. RDM به چالش­های مدیریت عدم قطعیت می‌پردازد (مارچ و سیمون، ۱۹۵۸)، که در آن‌ها استنباط­ها از مجموعه­ای از شواهد حاصل می‌شود، زیرا کامپیوتر طیف کاملی از عدم قطعیت­ها، تفسیرهای چندگانه و سایر ابهامات را در خود نگه داشته و می‌تواند اطلاعات اساسی، سازگار یا متناقض را به اطلاع تصمیم­گیرندگان در هر مقعطی برساند، که ممکن است به تمایز میان شایستگی­های گزینه­های تصمیم گیری کمک کنند. این فرایند می‌تواند کمک کند تا موانع سازمانی از بین بروند و به آینده چندگانه توجه شود، زیرا معیارهای سیستماتیکی را برای تعیین آینده (آنهایی که برای تمایز انتخاب میان استراتژی‌ها مهم هستند) فراهم می‌کند که باید لحاظ گردند. این فرایند می‌تواند به تصمیم گیرندگان کمک کند تا از استدلال بیش از حد اجتناب کنند (ترورتون، ۲۰۰۱)، که در آن تصمیم گیرندگان مطمئن‌تر از آنچه که در واقعیت هست، وانمود می‌کنند تا از بی اعتباری در مناظره­های سیاسی اجتناب کنند، و به آن‌ها اجازه می‌دهد تا آینده­های احتمالی چندگانه را تصدیق کرده و استدلال‌های محکمی درباره بهترین سیاست‌ها برای محافظت در برابر طیف وسیعی از احتمالات بیان کنند.
RDM قابلیت­هایی از کامپیوترهای مدرن را استفاده می‌کند که پیش از این در دسترس نبودند تا مستقیما با ناتوانی ذاتی مقابله کند و آینده بلند مدتی را به دقت پیش­بینی کند که گفته می‌شود قبل از رویکردهای LTPA است. RDM که توسط کامپیوتر حمایت می‌شود، در ریشه خود بهترین توانایی­های انسان و ماشین را با هم ترکیب می‌کند. انسان‌ها توانایی بی­نظیری در تشخیص الگوهای بالقوه، استنتاج، تدوین فرضیات جدید و درک راه حل­های بالقوه برای مسائل به ظاهر مهارنشدنی دارند. همچنین انسان‌ها از منابع مختلف دانش برخوردارند، یعنی منابع ضمنی، کیفی، تجربی و عملی، که به آسانی در صورت گرایی­های کمّی سنتی نشان داده نمی‌شوند. اگر انسان‌ها با کامپیوتر کار نکنند، اغلب می‌توانند به طور موفقیت آمیزی راه خود را در مسائل بسیار مبهم پیدا کنند، مشروط بر اینکه بینش آن‌ها درباره سیستم مورد نظر، به خوبی عمل کند. آنها می‌توانند از شبیه­سازی­های روایی ذهنی برای آزمایش نحوه اجرای استراتژی‌ها در موقعیت­های پیچیده استفاده کنند (کاهنمان، ۱۹۸۲). تصمیم­گیرندگان کارشناس می‌توانند از تمثیل­های گذشته استفاده کنند تا پیشنهاد دهند که کدام استراتژی‌ها در آینده به طور مؤثرتری کار خواهند کرد (کلین، ۱۹۹۸). فرایندهای گروهی تکرارشونده می‌توانند از اطلاعات مرتبط گسترده­ای بهره برداری کنند. انسان‌ها در حالی که حول امکاناتشان برای داستان سرایی قالب بندی شده‌اند، می‌توانند با سناریوهای «چه می‌شود اگر»، یکدیگر را به چالش بکشند تا به جستجوی نقاط ضعف در طرح­های پیشنهادی بپردازند. این فرایندها موفق می‌شوند، زیرا اغلب بهترین پاسخ به ابهامات شدید، استراتژیی است که به جای بهینه شدن برای یک آینده پیش بینی شده خاص، در برابر­آینده های متفاوت به خوبی محافظت شود و طی زمان با به وجود آمدن اطلاعات جدید، تکامل یابد. انسان‌ها با استفاده از اطلاعات موجود برای استراتژی­های کاندید شده تکرارشونده، استراتژی­های سازگار موفقی را طراحی می‌کنند تا در طیفی از احتمالات آینده بررسی شوند.
با این حال، وقتی انسان‌ها با آینده پیچیده­ای مواجه می‌شوند که تجربیات گذشته یک راهنمای غیر قابل اعتماد برای آن است، این فرایندهای آزمایش شده در زمان می‌توانند شکست بخورند. انسان‌ها هنگام مواجهه با موقعیت­های بالقوه جدید به سرعت می‌توانند توانایی خود در پیگیری پیوندهای علی طولانی را از دست بدهد و نتواند نیروهای رقابتی را که ممکن است از آینده ای در طول یک مسیر یا مسیر دیگر مشتق شده باشند، را شناسایی نماید. توانایی آن‌ها برای پیگیری کاربرد «چه می‌شود اگر» طرح­های پیشنهادی با شکست مواجه می‌شود. انسان‌ها در هنگام فعالیت درون سازمان­هایی که در آن‌ها ممکن است بینش فردی به آسانی به کار گرفته نشده یا به اشتراک گذاشته نشود، می‌توانند بررسی شبیه­سازی­های ذهنی به صورت یک کار گروهی را حتی در موارد نادری که بسیاری از افراد ارزش‌ها و انتظارات خود درباره آینده را به اشتراک می‌گذارند، دشوارتر از آنچه که هست بیابند؛ لذا در سازمان­هایی با برنامه­های کاری متفاوت یا در جوامعی با علایق مختلف، استفاده از این ابزارها مبادله رسمی ایده‌ها تقریبا غیر ممکن می‌شود.
درحالیکه انسان‌ها توانایی محدودی در پردازش و حفظ اطلاعات دارند، کامپیوترها در بررسی مقادیر زیاد داده­های کمّی، برتر از انسان‌ها هستند. آنها می‌توانند بدون خطا یا انحراف، مفاهیم آن فرضیات را نشان دهند و برایشان مهم نیست که زنجیره های علی چقدر طولانی یا پیچیده باشند و بدون هیچ گونه پیش داوری در مورد مثال­های متناقض، از فرضیات استقبال کرده و درباره آن‌ها تحقیق می‌کنند. فرایند ایجاد مدل­های شبیه­سازی کامپیوتری اغلب موجب تبیین واضح بسیاری از فرضیات اساسی می‌شود. اما روش­های سنتی از کامپیوتر برای حمایت از سیاست گذاری تحلیلگران استفاده می‌کنند تا فرضیات اصلی مطمئنی را ارائه دهند، به خصوص که مدل‌ها، ارزش‌ها و احتمالاتی برای آینده های بدیل هستند که به طور گسترده مورد توافق قرار می‌گیرند، که همیشه هم برای LTPA صادق نیست؛ لذا تحلیلگران با انتخاب هابسون (انتخاب از روی ناچاری) مواجه هستند. آنها می‌توانند با کامپیوتر استدلال کنند و متصرفان اصلی رویکردهای موفقی را رد کنند که انسان‌ها از آن‌ها برای حل مشکلات بسیار عدم قطعبت عمیق استفاده می‌کنند، یا اینکه می‌توانند از این رویکردها پیروی کنند و توانایی کامپیوتر برای کمک به تصحیح مسائل ناشی از تجهیزات و خطاهایی را که اغلب وارد استدلال­های انسانی می‌شود، بهره گیرند.
RDM از طریق پیوند رویکردهای شبیه سازی چند سناریویی با مفهوم مدلسازی اکتشافی، تسهیل می­گردد (بانکس، ۱۹۹۳؛ بانکس، ۲۰۰۱، بانکس، ۲۰۰۲). مدل­سازی اکتشافی بر روی یک چارچوب مفهومی برای کاربرد تجربیات کامپیوتری تأکید می‌کند تا اطلاعاتی پیرامون جهان حاصل شود، به خصوص با بهره­گیری از تأثیر متقابل بین تجسم‌های کامپیوتری که به انسان‌ها کمک می‌کنند فرضیاتی را درباره ویژگی­های گروهی از آزمایشات محاسباتی و تحقیقات کامپیوتری در گروهی شکل دهند، که این فرضیات را به طور سیستماتیک آزمایش می‌کند. هنگامی که مدل­سازی اکتشافی برای RDM به کار می‌رود، از کامپیوتر برای ایجاد گروه بزرگی از سناریوهای آینده احتمالی استفاده می‌کند که در آن هر یک از این سناریوها نماینده یک حدس و گمان درباره نحوه کارکرد جهان و یک انتخاب از میان بسیاری از استراتژی­های جایگزین است که ممکن است افراد برای تحت تأثیر قرار دادن نتایج، آن‌ها را اتخاذ کنند. سپس این رویکرد از تجسم کامپیوتری و تکنیک­های تحقیق استفاده می‌کند تا اطلاعات را از این گروه از سناریوها استخراج کند که برای تمایز میان گزینه­های تصمیم­گیری مناسب هستند.
در سال­های اخیر، توانایی­های کامپیوترهای جدید، یعنی پردازش سریع اغلب در بیش از چند پردازنده؛ حافظه مجازی نامحدود و تجسم جذاب و قدرتمند، رویکردهای کمّی بسیار جدیدی را پیش روی مشکلات حاضر و البته قدیمی تصمیم­گیری تحت شرایط بسیار مبهم قرار داده است. ادبیات مربوط به تحلیل سیاست و ارزیابی یکپارچه، به طور فزاینده­ای بر مکتب در حال پیدایش رویکردهای شبیه­سازی چند سناریویی و کامپیوتری تأکید می‌کنند که در آن‌ها تحلیلگران از مدل‌ها استفاده می‌کنند تا سناریوهای متفاوتی را بسازند (مورگان، ۱۹۹۹؛ ون اسلت، ۲۰۰۰؛ متز، ۲۰۰۱). این مکتب به جای جمع کردن نتایج با استفاده از توزین‌های احتمالی، از تعدد سناریوها برای استدلال از قیاس‌های اساسا متفاوت موارد جایگزین استفاده می‌کند. آمارشناسان و ریاضیدانان اکنون متونی را درباره احتمالات مبهم و غیر صحیح ایجاد می‌کنند (دکومن، ۲۰۰۱)، که به تحلیلگران اجازه می‌دهد محدودیت­های نظریه احتمال را بدون فرض درستی بیشتر اطلاعات درباره ارزش­های واقعی احتمال از آنچه که تضمین شده است، لحاظ کنند. متون تحقیقاتی مهندسی و عملیاتی، به استفاده از معیارهای پابرجایی، برخلاف بهینگی، روی آورده‌اند تا با چنین موقعیت­های مبهمی مقابله کنند (ژو، ۱۹۹۶؛ کوولیس، ۱۹۹۷؛ بن-هایم، ۲۰۰۱)؛ و پیشرفت­های حاصل شده در فناوری اطلاعات به انفجار رویکردهای جدید در شبیه­سازی کامپیوتر منجر شده است، همچون مدل­سازی مبتنی بر عامل (اپستین، ۱۹۹۶).
RDM با تحلیل تصمیم­گیری بیزین سازگار است که برای یک چارچوب هزینه-سود به کار می‌رود. اما RDM به جای رتبه­بندی گزینه­های تصمیم­گیری که وابسته به عدم قطعیت هستند که توسط یک مجموعه احتمالات قبلی مشخص می‌شوند که در پارامترهای نهاده در یک مدل سیستم توزیع شده‌اند، سری­های زمانی را به دفعات متعدد اجرا می‌کند تا استراتژی­های پابرجا را پیدا کرده و مابقی عوامل بسیار مبهم را مشخص کند که احتمال دارد همچنان به آن‌ها حساس باشند. مغایرت داشتن RDM با رویکرد سنتی‌تر تحلیل تصمیم­گیری که ما آن را «پیش­بینی سپس اقدام» می‌نامیم، مفید است (لمپارت، ناکیسنوویچ، سارویتز و شلسینگر، ۲۰۰۴). پیش­بینی سپس اقدام با مدل سیستمی آغاز می‌شود که پیامدهای منفعت وابسته به انتخاب استراتژی را شرح می‌دهد. ابهامات با توزیع احتمال در پارامترهای نهاده در مدل سیستم مشخص می‌شوند. این تحلیل، استراتژی را با کاروری بهینه مورد انتظار پیشنهاد می‌کند که وابسته به این توزیع‌ها است. این فرایند که مبنایی را برای اکثر روش­های موجود ریسک و تحلیل تصمیم­گیری فراهم می‌کند (مورگان و هنریون، ۱۹۹۰)، نیازمند اطلاعات کافی است تا محاسبه توزیع‌های احتمال پیامدهای آینده مورد نظر را ممکن سازد؛ لذا آن را پیش بینی سپس اقدام» می‌نامیم.

برعکس، RDM با یک یا چند مدل سیستم آغاز می‌شود که استراتژی‌ها را به پیامدها و نه یک توزیع احتمال منفرد و مشخص در پارامترهای مبهم نهاده برای این مدل‌ها مربوط می‌کند. همچنین حائز اهمیت است که این فرایند با مجموعه ابتدایی استراتژی­های جایگزین آغاز شود. سپس RDM از اطلاعات موجود استفاده می‌کند تا موارد زیر را پیشنهاد دهد:

• چه استراتژی­هایی از همه پابرجا تر هستند، یعنی عملکرد رضایت بخش آن‌ها در مقایسه با سایر استراتژی‌ها نسبت به تمام یا اکثر ابهامات نسبتا غیرحساس است.
• حساسیت‌های این استراتژی­های پابرجای کاندید را شناسایی کند، یعنی ترکیبات فرمول­های مدل و پارامترهای نهاده که در آن‌ها استراتژی نسبتا ضعیف عمل می‌کند؛
• استراتژی­های جدید یا اصلاح شده ای را پیشنهاد می‌کند که ممکن است در برابر این حساسیت­های بهتر محافظت کند؛ و مبادله­های موجود در انتخاب میان چنین گزینه­های محافظت شده­ای را مشخص می‌کند.

رویکردهای پیش­بینی سپس اقدام برای طیف وسیعی از مسائل تصمیم­گیری، بسیار مفید شناخته شده‌اند، اما می‌توانند در مسائل تحت شرایط بسیار مبهمی اجرا شوند که ویژگی تقریبا جهانی مسائل سیاسی بلند مدت بوده است. پیش­بینی سپس اقدام می‌تواند تحلیلگران و تصمیم­گیرندگان را ترغیب کند تا در برآوردهای خود از ابهام، اعتماد به نفس کاذب داشته باشند تا پیش­بینی‌های قابل مهارتری را انجام دهند؛ می‌تواند به توافق رسیدن درباره اقدامات را برای طرف­هایی با انتظارات و ارزش­های متفاوت، دشوارتر سازد، زیرا این روش از آنها می‌خواهد تا ابتدا درباره پیش بینی‌ها توافق کنند؛ و می‌تواند به استراتژی­های حساس به غافلگیری منجر شود که ممکن است مخالف اطلاعات موجودی باشد که به طور متفاوت به کار رفته‌اند (لمپارت و همکاران، ۲۰۰۲).
RDM مقابله با این مسائل است که با ارائه یک چارچوب سیستماتیک و کمّی برای شناسایی طیف وسیعی از حساسیت­های استراتژیهای پیشنهادی، طراحی تضادهایی برای این حساسیت‌ها و ارزیابی سیستماتیک مبادلات حاصل شده، این کار را انجام می‌دهد. این فرایند طراحی می‌شود تا با به چالش کشیدن تحلیلگران و تصمیم­گیرندگان در بررسی طیف وسیعی از آینده های احتمالی، مشکلات اعتماد به نفس کاذب را کاهش دهد و طراحی شده است تا با ارائه یک چارچوب تحلیلی که در آن طرف­ها می‌توانند درباره پابرجایی اقدامات در بسیاری از انتظارات و ارزش­ها به توافق برسند، این توافق را تسهیل بخشند. هنگامی که ابهام کاملا مشخص شد، پیش­بینی سپس اقدام مزایای مهمی برای RDM خواهد داشت. مورد اول، بهترین انتخاب وابسته به فرضیات را ارائه می‌دهد، درحالیکه مورد آخر، تحلیلگران و تصمیم­گیرندگان را وادار می‌کند تا به طور ذهنی تصمیم بگیرند، و آن‌ها این کار را از طریق انتخاب خود از استراتژی و آینده ای که نسبت به آن حساس باقی خواهند ماند، انجام می‌دهند. پیش بینی سپس اقدام خواهان منابع و ویژگی­های محاسباتی کمتر، استفاده از توزیع‌های احتمال قبلی، ابهامات درباره وضع جهان است که مستقل از هرگونه توجه به انتخاب­های سیاسی می‌باشند. اما در موقعیت­هایی که در آن‌ها آینده، ظرفیتی را برای غافلگیری و توجه دقیق به علوم موجود حفظ می‌کند، ممکن است پیش از این تحقق نیافته باشد یا بیان اقدامات حفاظتی در برابر طیف وسیعی از انواع مختلف حساسیت­های RDM دشوار باشد که ممکن است برای کاربرد موفقیت آمیز اطلاعات در مدل­های پویایی انسانی و اجتماعی برای تصمیم­گیری، حیاتی باشند.
RDM بر خلاف رویکردهای تحلیلی سنتی‌تر تصمیم­گیری، به جذب برخی از سرزنده‌ترین زمینه­های جدید تحقیق تحلیل داده می‌پردازد. به عنوان مثال، کاربردهای اخیر RDM ، فرایندی به نام «کشف سناریو» را به کار برده‌اند که از الگوریتم­های آماری یافته خوشه­ای در پایگاه­های بزرگ نتایج شبیه­سازی مدل تولیدی استفاده می‌کنند تا شرح مختصری را از لحاظ محدودیت­های ترکیبات زیرمجموعه پارامترهای نهاده مدل ارائه دهند که به بهترین وجه شرایطی را توصیف می‌کند که به دسته­های مشخص نتایج مرتبط با سیاست منجر می‌شوند (لمپارت، گرووز، پاپر و بانکس، ۲۰۰۴؛ گرووز و لمپارت، ۲۰۰۷؛ لمپارت، بریانت و بانکس، ۲۰۰۸). برای مثال در یک کاربرد، کشف سناریو خلاصه­ای از شرایط اصلی را ارائه می‌دهد که تحت آن یک بخش بحث برانگیز قوانین فدرال موجب پس انداز پول مالیات پردازان می‌شود (دیکسون و همکاران، ۲۰۰۷) و در کاربرد دیگری، فرضیات اصلی درباره آینده ای را شناسایی کرد که تحت آن ممکن است یک استاندارد انرژی تجدید شدنی به اهداف محیطی و اقتصادی‌اش برسد (تومن، گریفین و لمپارت، ۲۰۰۸).
به منظور درک بهتر این مرحله و چالش­های علمی در بهبود آن، مقایسه کاربردهای متفاوت چنین طرح­های تجربی در آزمایشات کامپیوتری در متون پیش­ بینی سپس اقدام و RDM مفید است. هر دو متون نمونه ای متشکل از چندین هزار مورد را برای مقادیر پارامتری نهاده در برخی مدل­های شبیه­سازی به کار می‌برند. مورد اول، با گزارش تابع تراکم احتمالی برخی ستانده­های مورد نظر مدل، اطلاعات را از این نمونه استخراج خواهد کرد، به عنوان مثال، کاروری مورد انتظار برخی گزینه­های سیاست که وابسته به توزین احتمالی در پارامترهای نهاده هستند. مورد آخر، ممکن است موارد را در دو گروه، دسته­بندی کند، که در یکی برخی استراتژی­های خوب انجام گرفته قرار دارد و در دیگری آنهایی که ضعیف اجرا شده بودند، و مجموعه با عملکرد ضعیف را مشخص می‌کند، چنانکه تصمیم­گیرندگان می‌توانند در صورت لزوم، گزینه­های با محافظت کم هزینه را شناسایی کرده و آینده‌هایی را درک کنند که استراتژی منتخب آن‌ها همچنان حساس به آن‌ها باقی خواهد ماند.

روش­های تصمیم­گیری پابرجا برای بسیاری از مسائلی مناسب هستند که شامل تصمیم­گیری تحت شرایط پیچیده یا بسیار مبهم می‌شوند، اما ابزارهای به خصوص قدرتمندی برای LTPA هستند که یکی از پرتنش­ترین چالش‌ها در این رسته می‌باشند. زمانیکه یک رویکرد تصمیم­گیری پابرجا برای تحلیل سیاسی جهانی و بلند مدت به کار می‌رود، هدف آن کسب اتفاق آراء درباره برخی دوره­های حساس با اقدام کوتاه­مدت از طرف­های مختلف تصمیم­گیری است. این مسأله نیازمند اکتشاف گزینه­های سیاسی سازگار با انتظارات مختلف طرف‌ها درباره آینده و طیف ارزش­هایی است که هرکدام دارند.
یک رویکرد روش تصمیم­گیری پابرجا با پیشروی در تکرارهای چندگانه، به چالش تعدد آینده­های محتمل خواهد پرداخت، همانطور که انسان و کامپیوتر متناوبا نتیجه­گیری­های یکدیگر درباره آینده و استراتژی‌ها را به چالش می‌کشند. چهار عامل یا عنصر اصلی باید بر شکل و طرح این تعاملات حاکمیت داشته باشند.

• در نظر گرفتن گروه­هایی متشکل از تعداد زیادی سناریو. چنین گروه­هایی باید شامل مجموعه­ای از آینده­های احتمالی باشند که تا حد امکان متنوع هستند، تا اینکه مجموعه چالش­هایی را فراهم کنند که با آن‌ها سیاست­های کوتاه­مدت جایگزین را آزمایش کنند. گروه­های سناریو می‌توانند طیف وسیعی از انواع مختلف اطلاعات درباره آینده بلند­مدت را ارائه دهند. همچنین می‌توانند فرایندهای گروهی را تسهیل بخشند که برای استخراج اطلاعات و دستیابی به خرید تحلیل از سهام­دارانی با ارزش‌ها و انتظارات بسیار متفاوت درباره آینده طراحی شده‌اند.
• جستجوی استراتژیهای پابرجا به جای بهینه، که در طیف وسیعی از آینده­های احتمالی و راه­های متناوب دسته­بندی مطلوبیت سناریوهای جایگزین «به اندازه کافی خوب» عمل می‌کنند. پابرجایی، معیار مناسبی را برای LTPA ارائه می‌دهد، زیرا هم یک انتخاب هنجار و هم معیاری را منعکس می‌سازد که بسیاری از تصمیم گیرندگان واقعا تحت شرایط پیچیده یا بسیار مبهم از آن‌ها استفاده می‌کنند (روزنهد و گوپتا، ۱۹۷۲).
• کاربرد استراتژی­های منطبق برای دستیابی به پابرجایی. استراتژی­های منطبق، طی زمان در پاسخ به اطلاعات جدید تکامل می‌یابند. استراتژی­های منطبق کوتاه­مدت به دنبال این هستند تا با شکل­دهی گزینه­های موجود برای تصمیم گیرندگان آینده، آینده بلند­مدت را تحت تأثیر قرار دهند. یعنی، استراتژی­های کوتاه­مدت به طور واضح با انتظاراتی طراحی شده‌اند که در آینده با آن‌ها مواجه خواهند شد.
• کاربرد ابزارهای کامپیوتری طراحی شده برای اکتشاف تعاملی تعدد آینده­های احتمالی. انسان­ها نمی‌توانند تمام جزئیات مرتبط استراتژی­های بلند­مدت را پیگیری کنند. اما با کارکردن تعاملی با کامپیوترها می‌توانند فرضیاتی را کشف کرده و آزمایش کنند که درستی آن‌ها در طیف وسیعی از احتمالات اثبات شده است؛ لذا اکتشاف سناریو با راهنمایی کامپیوتر و فضای تصمیم گیری می‌تواند به انسان‌ها کمک کند تا به طور فردی یا گروهی کار کنند تا استراتژیهای کوتاه مدت منطبقی را کشف کنند که در نمونه های بزرگ آینده های احتمالی، پابرجا باشند.

این عناصر از طریق یک فرایند تکراری اجرا می‌شوند که طی آن کامپیوتر به انسان کمک می‌کند تا نمونه بزرگی از سناریوهای احتمالی را ایجاد کند، که هر سناریو نشان دهنده یک حدس درباره نحوه کار جهان (وضعیت آینده جهان) و یک انتخاب از میان بسیاری از استراتژی­های جایگزین است که ممکن است اتخاذ شود تا پیامدها را تحت تأثیر قرار دهد. به طور ایده آل، چنین نمونه‌هایی شامل طیف بسیار وسیعی از آینده های احتمالی می‌شوند که یکی با تمام آینده‌ها، چه غالفگیرکننده و چه نه، منطبق خواهد بود و برای اهداف ایجاد سیاستهای پابرجا در برابر آن، به اندازه کافی نزدیک رخ خواهد داد. سپس برنامه ریزی پابرجا، تأثیر متقابل بین تجسم‌های تعاملی ایجاد شده توسط کامپیوتر را مورد استفاده قرار خواهد داد که چشم انداز آینده های احتمالی نامیده می‌شود و به انسان کمک می‌کند فرضیاتی را درباره استراتژی­های مناسب و تحقیقات کامپیوتری در نمونه‌هایی شکل دهد که به طور سیستماتیک این  فرضیات را آزمایش می‌کنند.
اکنون مختصری از کاربرد RDM را ارائه می‌دهیم که از مقاله لمپارت، پاپر و بانکس (۲۰۰۳) و پاپر، لمپارت، بانکس (۲۰۰۵) استخراج شده است که این پرسش را مطرح می‌سازد که جهان در دهه بعد چه اقداماتی را می‌تواند اتخاذ کند تا رشد اقتصادی مناسب و محیط زیست سالمی را در قرن بیست و یکم تضمین کند؟ هدف این مثال، ارائه نتایج مفصل درباره سیاست نیست، بلکه کاربرد یک مدل بسیار ساده پویایی سیستم‌ها است تا متدولوژی را برای پاسخ به چنین پرسش­هایی ارائه دهد.
ما با این ادعا آغاز می‌کنیم که هر استراتژی اساسا موفقی باید در طیف بسیار وسیعی از آینده­های احتمالی، پابرجا باشد. این شکل یک چنین «چشم اندازی» از آینده­های احتمالی را نشان می‌دهد [شکل ۱]. محورهای افقی و عمودی چشم انداز، دو عدم قطعیت اصلی را نشان می‌دهند که عبارتند از میانگین نرخ جهانی رشد اقتصادی و نرخ تجزیه، یعنی کاهش شدت انتشار در هر واحد از ستانده اقتصادی در قرن بیست و یکم. هر نقطه در این چشم انداز، نشان دهنده یک سناریو خاص است. لذا، ناحیه بالا در سمت چپ شکل، آینده‌هایی را نشان می‌دهد که در آن‌ها تجزیه، آلودگی را بسیار سریع‌تر از رشد اقتصادی کاهش می‌دهد. ناحیه پایین در سمت راست شکل، آینده‌هایی را نشان می‌دهد که در آن‌ها اقتصاد بسیار سریع‌تر از کاهش آلودگی توسط تجزیه، رشد می‌کند. نقاط برچسب خورده، نرخ واقعی رشد اقتصادی و نرخ تجزیه را برای کشورهای ایالات متحده آمریکا، برزیل، چین، هند و روسیه طی دوره های زمانی مختلف را نشان می‌دهند.
شکل ۱: چشم انداز آینده های احتمالی به صورت تابعی از میانگین نرخ رشد اقتصاد جهانی و میانگین نرخ تجزیه جهانی (تغییر در آلودگی در هر واحد GDP ) در قرن بیست و یکم. نقاط ثقل، عملکرد گذشته کشورهای مختلف را طی بازه های زمانی متفاوت نشان می‌دهند.

هدف این چشم انداز، گرفتن طیف کاملی از آینده­های احتمالی برای قرن بیست و یکم است. این چشم انداز، میانگین نرخ رشد اقتصادی را از یک روند بسیار تورمی تا سطح بی­سابقه­ای از رشد جهانی بالا و پایدار نشان می‌دهد. محدوده نرخ تجزیه هم به طور مشابه حماسی است. نقاط ثقل روی چشم انداز برای مقایسه آینده‌ها با طیف روندهای تاریخی هستند. توجه داشته باشید که چشم انداز، طیف بسیار وسیع‌تری از تغییرات ایجاد شده در ایالات متحده طی قرن­های ۱۹ و ۲۰ را نشان می‌دهد، اما طیف محدودتری از آن چیزی است که عملکرد چند ملت دیگر را طی چند دهه اخیر نشان می‌دهد. این چشم انداز برای گرفتن طیف احتمالی آینده برای قرن بیست و یکم به اندازه کافی گران به نظر می‌رسد.
ما با استراتژی­هایی آغاز می‌کنیم که نشان­دهنده انتخاب­های جایگزین درباره سیاست­های کوتاه مدتی است که نرخ­های تجزیه را تحت تأثیر قرار می‌دهند، به عنوان مثال، برخی ترکیبات مالیات تحقیق و توسعه و مالیات محیطی [شکل ۲]. سیاست گذاران با اجرای یک انتخاب خاص از سیاست ثابت کار خود را آغاز می‌کنند و ادامه می‌دهند تا اینکه تصمیم­گیرندگان آینده، خطای اجتناب ناپذیر را تشخیص داده و بهترین پاسخشان را نشان می‌دهند.
شکل ۲: بازنمود با سبک خاص از استراتژی کوتاه مدت ثابت

اکنون می‌توانیم عملکرد چنین استراتژی­های جایگزینی را در این چشم انداز مقایسه کنیم. این شکل از کدگذاری رنگی برای نشان دادن عملکرد یک چنین استراتژی استفاده کرده است، مثلا سرعت گرفتن آهسته [شکل ۳]. نتایج نشان داده شده در اینجا با یک نسخه تصحیح شده مدل ساده سیستم­های پویای واندرلند ایجاد شده است که در اصل وارن ساندرسون و همکارانش آن را ایجاد کرده بودند (گرولر و همکاران، ۱۹۹۶). شبیه­سازی واندرلند، به نحو بسیار ساده­ای، شامل درک علوم موجود از پویایی اقتصاد جهانی، جمعیت شناختی و محیط زیست می‌شود و نحوه رشد جمعیت و ثروت را توصیف می‌کند که می‌تواند موجب افزایش آلودگی شود، درحالیکه نوآوری فناوری می‌تواند آن را کاهش دهد. آلودگی هم می‌تواند زمانیکه اقتصاد بر محیط زیست فراتر از برخی «آستانه تحمل» فشار می‌آورد، بر آن تأثیر گذار باشد. این مدل بسیار ساده به صورت نمایش متدولوژی در نظر گرفته شده است، نه اینکه قصد داشته باشد، نتایج مرتبط با سیاست را ارائه دهد. با این وجود، استدلال­های سیاسی که در اینجا مطرح شدند، نسبت به انتخاب خاص مدل‌ها و سیستم ارزش مورد نظر، بسیار حساس به نظر می‌رسند. به شکل ۳ توجه کنید که سرعت گرفتن آهسته، به طور معقولی در آن نواحی خوب است که در آن‌ها نرخ تجزیه فراتر از رشد اقتصادی می‌رود. این کار در آینده‌ها بسیار ضعیف صورت می‌گیرد، که در آن‌ها نرخ رشد اقتصادی فراتر از نرخ تجزیه می‌رود. عملکرد تاریخی، مرزها را هم در بر می‌گیرد. بدیهی است که سرعت گرفتن آهسته، استراتژیی با ریسک بسیار بالا است.
شکل ۳: عملکرد استراتژی کوتاه مدت ثابت افزایش سرعت آهسته در چشم انداز آینده های احتمالی. رنگ‌ها (سبز، آبی پررنگ، زرد، قرمز) نشان دهنده سطح پشیمانی مربوط به استراتژی بهینه در هر آینده هستند

مشکل این است که هیچ سیاست ثابتی در طیف کامل آینده­های احتمالی، پابرجا نیست. این اسلاید، عملکرد یک کسب وکار معمول را با یک برنامه ضربتی مقایسه می‌کند [شکل ۴]. مورد آخر، ریسک فاجعه را حذف می‌کند، اما در بسیاری از آینده‌ها گران تمام می‌شود. می‌توانیم از کامپیوتر برای بررسی ده‌ها هزار از چنین سناریوهایی استفاده کنیم. همیشه همین مشکل را داریم. یک مسیر عبور ایده آل برای برخی از آینده‌ها، همواره در سایر آینده­ها با شکست مواجه می‌شود. از آنجاییکه افراد درباره آینده­ای که با آن مواجهند، به توافق نمی‌رسند، یعنی در جایی که در این نقشه قرار داریم، لذا این نوع ابهام، دستیابی به اتفاق نظر در تعهدات را برای هریک از مراحل جدی دشوار می‌سازد تا با چالش­های پیش رو مقابله کنند.
شکل ۴: عملکرد استراتژی­های باقی ماندن در دوره و کوتاه مدت ثابت با تلاش ضربتی در چشم انداز آینده های احتمالی

با این وجود، راهی پیش رو داریم. در این مثال خیلی ساده، می‌توانیم نوع متفاوتی از استراتژی را دنبال کنیم. درحالیکه با نقاط قوت و ضعف مکمل استراتژی­های «باقی ماندن در دوره» و «برنامه­های ضربتی» الهام می‌گیریم، با گزینه انعطاف­پذیری مواجه می‌شویم که محدودیت­های شدیدی را برای انتظار گاز گلخانه­ای اعمال می‌کند، اما اگر هزینه آن‌ها بیش از اندازه زیاد باشد، آن‌ها را رها می‌کنیم [شکل ۵].
شکل ۵: بازنمود با سبک خاص یک استراتژی کوتاه مدت منطبق

سپس می‌توانیم از کامپیوتر کمک بگیریم تا نقاط عطف خاص عملکرد را پیدا کنیم که استراتژی­های پابرجایی در طیف بسیار وسیعی از آینده‌ها ایجاد می‌کنند، که در این نقشه هم نشان داده شده است [شکل ۶]. در آینده‌هایی که در آن‌ها خوش­بینی­های تکنولوژی، صحت دارد، نقاط عطف، زائد بوده و هزینه­ای در بر ندارد. در آینده‌هایی که در آن‌ها چالش‌ها بزرگ هستند، نقاط عطف، حیاتی می‌باشند. چنین استراتژی­هایی به کوتاه شدن منازعات کمک می‌کنند، که با ارائه طرح­های عملی که همگی می‌توانند به توافق برسند و اجرا خواهند شد، بدون اینکه مهم باشد که دیدگاه چه کسی درباره آینده صحیح است، انجام می‌شوند. این استراتژی منطبق، شبیه استراتژی­های «شیر اطمینان» هستند که برخی اقتصاددانان (مک کیبین و ویلکوکسن، ۲۰۰۲) آن‌ها را به عنوان گزینه‌هایی برای اهداف تغییر ناپذیر انتشار گاز گلخانه­ای مطرح کرده‌اند که اغلب در سیاست­هایی همچون پروتکل کیوتو برای رسیدگی به مسأله تغییر جوی به کار می‌روند. ماشین­های تحلیلی جدید ما به تصمیم­گیرندگان این امکان را می‌دهند تا چنین استراتژی­هایی را طراحی کرده و کارایی آن‌ها را به گروه­های مختلف مورد نظر نشان دهند.
شکل ۶: عملکرد استراتژی کوتاه مدت منطبق در چشم انداز آینده های احتمالی

نقاط قوت و ضعف روش

تصمیم­گیری پابرجا در ریشه خود بهترین تواناییهای انسان و کامپیوتر را ترکیب می‌کند تا به مسائل تصمیم گیری تحت شرایط بسیار مبهم پاسخگو باشد. انسان‌ها توانایی بی نظری در تشخیص الگوهای بالقوه، نتیجه گیری، تدوین فرضیات جدید و درک راه حلهای بالقوه برای مسائل به ظاهر مهارنشدنی دارند. همچنین انسان‌ها از منابع مختلف دانش برخوردارند، که شامل توانایی­های ضمنی، کیفی، تجربی و عملی می‌شود، که به آسانی در صورت گرایی­های کمّی سنتی نشان داده نمی‌شوند. اما انسان‌ها در نادیده گرفتن حقایق ناخوشایند برتری داشته و خودشان را با استدلال­هایی متقاعد می‌سازند که واقعا اشتباه هستند. برعکس، کامپیوترها در رسیدگی به مقادیر زیاد داده­های کمّی از انسان‌ها پیشی می‌گیرند. آنها می‌توانند بدون خطا یا انحراف، مفاهیم آن فرضیات را نشان دهند و مهم نیست که زنجیره­های علی چقدر طولانی یا پیچیده هستند و بدون قضاوت قبلی درباره استثنائات مربوط به فرضیات مورد نظر، به تحقیق می‌پردازند. انسان‌ها درحالیکه فعالانه با کامپیوتر کار می‌کنند، می‌توانند فرضیاتی را کشف کرده و امتحان کنند که درستی آن‌ها در طیف وسیعی از احتمالات ثابت شده است. لذا، اکتشاف سناریو و فضای تصمیم­گیری با راهنمایی کامپیوتر می‌تواند جایگزینی را برای تصور، کمک به انسان‌ها، کار به صورت فردی یا گروهی و کشف استراتژی­های کوتاه مدت منطبقی ارائه دهد، که در نمونه بزرگی از آینده­های احتمالی، پابرجا هستند.
نقاط قوت RDM شامل ارائه الگویی می‌شود که به تحلیلگران و تصمیم­گیرندگان کمک می‌کند تا از اعتماد به نفس کاذب در برآوردهای خود از ابهام، اجتناب کنند و موجب می‌شود تا طرف­هایی با ارزش‌ها و انتظارات متفاوت، آسان‌تر بتوانند درباره اقدامات به توافق برسند. با این حال، RDM اغلب نیازمند سرمایه­گذاری قابل ملاحظه­ای در توسعه مدل­های شبیه­سازی مناسب است تا نمونه­های سناریوها و همچنین حافظه و زمان کامپیوتر را به طور قابل ملاحظه ای پیگیری کنند؛ لذا همواره این بهترین رویکرد برای تمام کاربردها نیست. همانطور که در شکل ۷ نشان داده شده است، تصمیم­گیری پابرجا به نظر مناسب‌ترین روش برای حمایت از تصمیمات در موقعیت­هایی می‌شود که بسیار مبهم هستند؛ آرایه غنی از گزینه­های حفاظت بالقوه، کشف آن را برای استراتژی­های پابرجا ممکن می‌سازد و ارتباط نامشهودی بین تصمیمات سیاست جایگزین و اثرات آن‌ها وجود دارد که یک کارشناس خبره نمی‌تواند آن‌ها را در مغزش پیگیری کند. در موقعیت­هایی که در آن‌ها ابهامات کاملا مشخص هستند، باید از روش­های تصمیم­گیری سنتی «پیش­بینی سپس اقدام» تصمیم­گیری احتمالی استفاده کرد. ممکن است رویکردهای برنامه­ریزی سناریو در موقعیت­هایی مناسب‌تر باشند، که در آن‌ها کارشناسان به آسانی می‌توانند پیامدهای بالقوه انتخاب­های جایگزین را درک کنند. تحقیق بیشتری نیاز است تا شرایط و مرزهای دقیقی که در آن‌ها این روش­های متفاوت از همه مناسب‌تر هستند، درک شوند.
شکل ۷: موقعیت­هایی که در آن‌ها ممکن است تصمیم گیری، مناسب‌ترین رویکرد برای مشخص کردن و پاسخ به ابهام باشد. ممکن است برنامه ریزی پابرجا، مناسب‌ترین روش برای حل مسائل تصمیم گیری با ابهام زیاد باشد؛ که در آن‌ها فرصت­های اساسی برای محافظت در برابر آن ابهامات وجود دارد؛ و در آن‌ها این سیستم آنقدر پیچیده است که تصمیم گیرندگان به آسانی نمی‌توانند اثرات بالقوه انتخاب­های سیاست جایگزین را دنبال کنند (کاتزنبرگر و موزر، ۲۰۰۶).

سرانجام، این روش از این جهت فریبنده است که اگر ارائه شود، تصمیماتی را ارائه می‌دهد که در طیف بسیار وسیعی از آینده­های احتمالی به خوبی اجرا می‌شوند. درحالیکه هیچ روشی نمی‌تواند تضمین کند که یک استراتژی در تمام غافلگیری­های آینده مطمئن است، RDM رویکردی را ارائه می‌دهد که تحلیلگران و تصمیم­گیرندگان را ترغیب می‌کند تا به طور سیستماتیک درباره چنین غافلگیری‌ها و روش­هایی فکر کنند که در آن‌ها ممکن است بهترین مزایا را ارائه دهند (لمپارت، ۲۰۰۷).

RDM نیازمند استفاده از یک یا چند مدل شبیه­سازی کامپیوتر و یا مجموعه داده‌هایی است که می‌توانند اثرات تصمیمات سیاست جایگزین روی اقدامات مورد نظر پیامد مختلف را نشان دهند که به طیف وسیعی از ابهامات درباره مدل سیستم و ارزش­های پارامترهای نهاده برای مدل‌ها وابسته هستند. RDM را می‌توان با طیف وسیعی از مدل­ها به کار برد، از جمله مدل­های اقتصادسنجی، مدل­های رشد اقتصادی بهینه، مدل­های نظری بازی، مدل­های پویایی سیستم، مدل­های مبتنی بر عامل انتشار تکنولوژی، شبکه­های عصبی و طیف وسیعی از مدل­هایی که در صفحات گسترده اکسل ساخته شده‌اند. RDM را می‌توان همراه با مدل­های برنامه­ریزی مبتنی بر سناریو روایی به کار برد تا تعداد کمی سناریو را پیشنهاد کرده و ارزیابی کنیم که می‌توانند توسط گروه­های انسانی با جزئیات بیشتر مورد نظر قرار گیرند. همچنین RDM می‌تواند اطلاعات احتمالی و گستره وسیعی از قضاوت­های کارشناسی را با هم ترکیب کند که توسط استنباط، دلفی، پیش­بینی یا سایر روش‌ها ایجاد می‌شوند.

RDM به طور موفقیت­آمیزی در طیف وسیعی از کاربردها به کار رفته است، که با این وجود گستره­ای از زمینه‌ها را پیشنهاد می‌کند که در آن‌ها بهبودهای مهمی می‌توان ایجاد کرد. ابتدا لازم است که کار بیشتری انجام شود تا ابزارهای تحلیلی را برای مرور در فضای سناریو بزرگ و چند بعدی بهبود بخشند. درحالیکه کار اخیر «کشف سناریو» به طور موفقیت­آمیزی الگوریتم یافتن خوشه ای آماری PRIM را به کار برده است (فریدمن و فیشر، ۱۹۹۹) تا به راحتی سناریوهای کم بعدی و قابل تفسیری از ارتباط خاص با تصمیم­گیرندگان را بر مبنای ارزیابی‌های عملکرد استراتژی­های پابرجا در نمونه سناریوهای چند بعدی بزرگ ایجاد کنند که در آنجا فرصت و نیاز بیشتری برای کار در بهبود عملکرد چنین الگوریتم­های یافتن سناریو برای طیف وسیعی از مسائل تصمیم­گیری باقی می‌ماند. دوم اینکه، لازم است که برای درک انواع ویژگی­های ابهام، کار بیشتری انجام شود که در عمل برای تصمیم­گیرندگان که با شرایط بسیار مبهم مواجه می‌شوند، از همه مناسب‌تر است. بیشتر متون مربوط به قضاوت و تصمیم­گیری که برای حمایت از طرح ابزارهای پشتیبانی تصمیم­گیری کامپیوتری به کار می‌روند، روی یک رویکرد پیش­بینی سپس اقدام برای تصمیم­گیری متمرکز هستند. وجود RDM و رویکردهای مربوطه، رشته تحقیق غنی و جدیدی از جستجوی عوامل را ارائه می‌دهد که می‌تواند موجب شود چنین ابزارهای جدیدی، از همه مفیدتر باشند و نشان می‌دهد که چگونه در عمل چنین ابزارهایی می‌توانند به طور بسیار موثری برای افراد و سازمان­ها به کار روند. سرانجام، با وجود تنوع گسترده ارزش­هایی که ارزیابی آینده­های بالقوه بلند­مدت را توسط افراد مختلف تحت تأثیر قرار می‌دهند، و همچنین اطمینانی که ارزش­های فعلی در طی زمان ایجاد خواهند کرد، RDM نیازمند روش­های بهبود یافته برای مسائل تصمیم­گیری با چندین ویژگی است تا طی چند ارزش و همچنین نمایش بهتر با مدل­های شبیه­سازی کامپیوتری از روش­هایی که در آن‌ها نسل­های فعلی و آینده، در بلند مدت ارزش ایجاد می‌کنند، به مسأله پابرجایی بپردازند.