દૃશ્ય મોડેલિંગ અને સંવેદનશીલતા વિશ્લેષણ

નફો:

• સ્પષ્ટ ધારણાઓ સાથે મૂળભૂત/આશાવાદી/નિરાશાવાદી દૃશ્યો સ્થાપિત કરવાની અને કૃત્રિમ બુદ્ધિ સાથે પારદર્શક, મેન્યુઅલી ચકાસી શકાય તેવી સ્પ્રેડશીટ્સ બનાવવાની ક્ષમતા
• સંવેદનશીલતા અને તાણ પરીક્ષણ તર્ક લાગુ કરવાની ક્ષમતા (જ્યારે તમે ધારણા બદલો છો ત્યારે પરિણામ કેટલું બદલાય છે) અને નિર્ણાયક ધારણાઓને ઓળખો
• જાળવવા માટે સક્ષમ બનો કે દૃશ્ય એ કોઈ આગાહી નથી પરંતુ શરતી 'જો-તો' કવાયત છે, અને તે ધારણા અને અંતિમ ચુકાદાની માલિકી અર્થશાસ્ત્રીની છે.

ભવિષ્ય અનિશ્ચિત છે, અને અર્થશાસ્ત્રીનું કામ ચોક્કસ આગાહી સાથે આ અનિશ્ચિતતાને ઢાંકવાનું નથી, પરંતુ તેને વ્યવસ્થિત વિકલ્પોમાં દૃશ્યમાન બનાવવાનું છે. દૃશ્ય મોડેલિંગ બરાબર આ છે: "જો વિનિમય દર આ સ્તરે જાય છે, જો વૃદ્ધિ આ રીતે થાય છે, જો વ્યાજ દર આ રીતે જાય છે, તો પરિણામ શું આવશે?" બજેટ પ્રોજેક્શન, ડેટ સસ્ટેનેબિલિટી એનાલિસિસ, ઇન્વેસ્ટમેન્ટ ફિઝિબિલિટી - બધું જ દૃશ્યો દ્વારા વિચારવામાં આવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ અહીં એક શક્તિશાળી પ્રવેગક છે: તે ધારણાઓને સ્પ્રેડશીટ્સમાં અનુવાદિત કરે છે, મિનિટોમાં ત્રણથી પાંચ દૃશ્યો જનરેટ કરે છે. પરંતુ સૌથી જટિલ વાક્ય આ છે: દૃશ્ય એ કોઈ આગાહી નથી; તે સ્પષ્ટ ધારણાઓ પર આધારિત શરતી "જો-તો" કવાયત છે, અને ધારણાઓની માલિકી અર્થશાસ્ત્રી પાસે રહે છે. કૃત્રિમ બુદ્ધિ ગણતરી કરે છે; કઈ ધારણા વાજબી છે તે નક્કી કરવાનું મનુષ્ય પર છે.

સ્ક્રિપ્ટની શરીરરચના

નક્કર પટકથાના ભાગો:

• મૂળભૂત (આધાર) દૃશ્ય. ધારણાઓનો સૌથી સંભવિત સમૂહ છે; "અપેક્ષિત" માર્ગ.
• આશાવાદી અને નિરાશાવાદી દૃશ્યો. આધારની આસપાસ વાજબી ઉપલા અને નીચલા રસ્તાઓ. આ વાજબી હોવા જોઈએ, મનસ્વી નહીં.
• સ્પષ્ટ ધારણાઓ. સંખ્યાઓ કે જેના પર દરેક દૃશ્ય આધારિત છે (વૃદ્ધિ, ફુગાવો, વિનિમય દર, વ્યાજ) એક પછી એક લખવામાં આવે છે. ગર્ભિત ધારણા એ અસમર્થ દૃશ્ય છે.
• પારદર્શક ખાતું. ઇનપુટથી આઉટપુટ સુધીના સૂત્રો દૃશ્યમાન અને મેન્યુઅલી ચકાસી શકાય તેવા હોવા જોઈએ. બ્લેક બોક્સનું દૃશ્ય કામ કરશે નહીં.
• નિષ્કર્ષ અને ટિપ્પણી. દૃશ્યો વચ્ચે શું તફાવત દર્શાવે છે? કયું જોખમ કેટલું મોટું છે?

ટીપ: આશાવાદી/નિરાશાવાદી દૃશ્યોને "અનુમાન બેન્ડ" તરીકે રજૂ કરશો નહીં. આ સંભાવનાઓ નથી, પરંતુ શરતી પરિણામો છે: "જો વિનિમય દર 30% વધે છે, તો દેવાનો બોજ હશે." વાક્ય હંમેશા "જો" થી શરૂ થવું જોઈએ જેથી વાચક સ્થિતિ જુએ.

સંવેદનશીલતા વિશ્લેષણ: કઈ ધારણા નિર્ણાયક છે?

દૃશ્યનું પરિણામ ડઝનેક ધારણાઓ પર આધારિત છે, પરંતુ તે બધા સમાન મહત્વના નથી. સંવેદનશીલતા વિશ્લેષણ માપે છે કે જ્યારે તમે એક ધારણા, ceteris paribus ને બદલો છો ત્યારે પરિણામ કેટલું બદલાય છે. જો પરિણામ ધારણા પ્રત્યે ખૂબ જ સંવેદનશીલ હોય (નાનો ફેરફાર પરિણામમાં મોટો તફાવત બનાવે છે), તો તે ધારણા નિર્ણાયક છે અને તે સૌથી વધુ ધ્યાન, ચકાસણી અને સંચારને પાત્ર છે.

સ્ટ્રેસ ટેસ્ટિંગ એ આનું વિસ્તરણ છે: સિસ્ટમ/બજેટ/દેવું મધ્યમ પરંતુ કઠોર નકારાત્મક આંચકા હેઠળ કેવી રીતે વર્તે છે તેનું પરીક્ષણ કરવું (દા.ત. વ્યાજ દરોમાં અચાનક ઉછાળો, નિકાસ બજારમાં પતન). ધ્યેય સૌથી ખરાબની આગાહી કરવાનો નથી, પરંતુ બ્રેકિંગ પોઇન્ટ્સની આગાહી કરવાનો છે.

સાવધાન: જો તમે AI ને "નિરાશાવાદી દૃશ્ય બનાવવા" કહો છો, તો તે તમને મનસ્વી નંબર આપી શકે છે. નિરાશાવાદી દૃશ્ય એ "આકાશમાંથી પડવું" નથી, પરંતુ એક વાજબી ધારણા છે: તેનો ઐતિહાસિક અથવા તાર્કિક આધાર હોવો જોઈએ, જેમ કે "2018ના વિનિમય દરના આંચકા જેવી ચળવળ". તમે ધારણાને યોગ્ય ઠેરવશો.

સ્ટેપ બાય સ્ટેપ સિનારિયો અભ્યાસ

1. પ્રશ્ન અને પરિણામ વ્યાખ્યાયિત કરો. અમે શું પ્રોજેક્ટ કરીએ છીએ? (દેવું/જીડીપી, બજેટ બેલેન્સ, રોકડ પ્રવાહ)
2. ડ્રાઇવર ચલો સેટ કરો. મુખ્ય ઇનપુટ્સની થોડી સંખ્યા (વૃદ્ધિ, ફુગાવો, વ્યાજ, વિનિમય દર) પરિણામ નક્કી કરે છે.
3. આધાર ધારણાઓ બનાવો અને તેમને ન્યાયી ઠેરવો. દરેક સંખ્યાના સ્ત્રોત અને તર્ક લખેલા છે.
4. સ્ક્રિપ્ટો તૈયાર કરો. આશાવાદી/નિરાશાવાદી માટે અનુમાનોને વાજબીતા સાથે ખસેડો.
5. પારદર્શક ખાતું સેટ કરો. AI પાસે ફોર્મ્યુલાને દૃશ્યમાન ટેબલ/કોડ તરીકે છાપવા દો.
6. સંવેદનશીલતા ચલાવો. દરેક કી ધારણાને અલગથી હલાવો અને પ્રતિભાવને માપો.
7. ટિપ્પણી કરો અને ફિલ્ટર કરો. કઈ ધારણા નિર્ણાયક છે? શું પરિણામો વાજબી છે? અંતિમ ચુકાદો અર્થશાસ્ત્રીનો છે.

ત્રણ નાના કેસો

કેસ 1 — દેવું ટકાઉપણું. ટ્રેઝરી એનાલિસ્ટે 5 વર્ષ માટે પબ્લિક ડેટ/જીડીપી રેશિયોનો અંદાજ મૂક્યો હતો. તેણે AI પાસે ત્રણ દૃશ્યો બનાવ્યા: આધાર (વૃદ્ધિ 4%, વ્યાજ દર X%), આશાવાદી, નિરાશાવાદી. સંવેદનશીલતા પૃથ્થકરણ દર્શાવે છે કે પરિણામ વાસ્તવિક વ્યાજ-વૃદ્ધિ ગેપ (r−g) માટે સૌથી વધુ સંવેદનશીલ હતું: જો વૃદ્ધિ વ્યાજ દરથી નીચે આવી જાય, તો દેવું ગુણોત્તર ઝડપથી વધે છે. વિશ્લેષકે અહેવાલમાં આ એક જટિલ ધારણાને પ્રકાશિત કરી; તેણે તેની શક્તિ તેને માન્ય કરવા પર કેન્દ્રિત કરી.

કેસ 2 - મનસ્વી રીતે નિરાશાવાદી દૃશ્યનું કરેક્શન. એક સંસ્થામાં, AI એ "નિરાશાવાદી દૃશ્ય: વૃદ્ધિ -10%" આપ્યું હતું પરંતુ તેનો કોઈ આધાર નહોતો. અર્થશાસ્ત્રીએ વાંધો ઉઠાવ્યો: આ દેશના ઈતિહાસના સૌથી ઊંડા કટોકટી કરતાં પણ કઠોર હતું અને તે ગેરવાજબી હતું. પાછલી બે મંદીની સરેરાશ તીવ્રતાના આધારે નિરાશાવાદી દૃશ્ય -3% સુધી ડાઉનગ્રેડ કરવામાં આવ્યું હતું. દૃશ્ય હવે બચાવી શકાય તેવું હતું.

કેસ 3 - પારદર્શક ખાતું સાચવ્યું. બજેટ અંદાજ પર, પરિણામો વિચિત્ર દેખાતા હતા. કારણ કે ગણતરી પારદર્શક હતી, વિશ્લેષકે ટેબલ જોયો અને ભૂલ મળી: આર્ટિફિશિયલ ઇન્ટેલિજન્સે આવકની બાજુએ ફુગાવો લાગુ કર્યો હતો પરંતુ ખર્ચ બાજુ પર લાગુ કરવાનું ભૂલી ગયા હતા. બ્લેક બોક્સ મોડેલમાં, આ ભૂલ છુપાયેલી રહેશે; દૃશ્યમાન સૂત્રોએ તે જાહેર કર્યું.

દૃશ્ય ડિઝાઇન ટેબલ

વસ્તુ

સારી પ્રેક્ટિસ

ખરાબ પ્રથા

ધારણાઓ

સ્પષ્ટ, તર્કસંગત, સ્ત્રોત

ગુપ્ત, મનસ્વી

દૃશ્ય શ્રેણી

ઐતિહાસિક/તાર્કિક આધારિત

રેન્ડમ "ઉચ્ચ/નીચું"

એકાઉન્ટ

પારદર્શક, મેન્યુઅલી ચકાસી શકાય તેવું

બ્લેક બોક્સ

રજૂઆત

"જો-તો", શરતી

અનુમાન મુજબ ખાતરી કરો

સંવેદનશીલતા

જટિલ ધારણા ચિહ્નિત

બધી ધારણાઓ સમાન ગણવામાં આવે છે

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) દૃશ્ય હાડપિંજર:

તે આઉટપુટ મેળવો [દા.ત. ડેટ/જીડીપી] હું 5 વર્ષનો પ્રોજેક્ટ કરીશ. ડ્રાઇવર ચલો: વૃદ્ધિ, ફુગાવો, વ્યાજ, વિનિમય દર. મને આધાર/આશાવાદી/નિરાશાવાદી માટે સ્પષ્ટ ધારણા કોષ્ટક સૂચવો; દરેક ધારણાની બાજુમાં એક તર્ક લખો. હજુ સુધી ગણિત ન કરો; ચાલો હું પહેલા ધારણાઓની પુષ્ટિ કરું.

2) પારદર્શક સ્પ્રેડશીટ/કોડ:

હું મંજૂર ધારણાઓ સાથે પ્રક્ષેપણની ગણતરી કરો. સૂત્રોને દૃશ્યક્ષમ રાખો (તેથી તે સ્પષ્ટ છે કે દરેક પંક્તિની ગણતરી કેવી રીતે કરવામાં આવી હતી). ઉદાહરણ તરીકે એક વર્ષ લો અને ગણતરીને સ્ટેપ બાય સ્ટેપ બતાવો જેથી હું તેને મેન્યુઅલી ચકાસી શકું. બ્લેક બોક્સનો ઉપયોગ કરશો નહીં.

3) સંવેદનશીલતા વિશ્લેષણ:

આધાર દૃશ્યમાં, દરેક મુખ્ય ધારણાને ±X% એક પછી એક (અન્ય સ્થિર) દ્વારા સમાયોજિત કરો અને પરિણામ કેટલું બદલાય છે તેનું કોષ્ટક બનાવો. 2 ધારણાઓને ચિહ્નિત કરો જે પરિણામને સૌથી વધુ અસર કરે છે "ક્રિટીકલ" તરીકે. આ નિર્ણાયક ધારણાઓ માટે માન્યતા સૂચવો.

4) તણાવ પરીક્ષણ:

આ વાજબી પરંતુ કઠોર આંચકો આપો: [દા.ત. +X પોઇન્ટ વ્યાજ દરમાં અચાનક વધારો, નિકાસમાં Y% ઘટાડો]. આ આંચકા હેઠળ આઉટપુટ કેવી રીતે બદલાય છે તે બતાવો, શું તે નિર્ણાયક થ્રેશોલ્ડ (દા.ત. દેવું/જીડીપી બિનટકાઉ મર્યાદા) કરતાં વધી જાય છે. તે સ્પષ્ટ કરો કે આ એક શરતી તણાવનું દૃશ્ય છે, આગાહી નથી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મને એક આશાવાદી અને નિરાશાવાદી આર્થિક પરિદ્રશ્ય લખો.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ ગેરવાજબી, અનસોર્સ્ડ, બ્લેક-બોક્સ દૃશ્યો પેદા કરે છે; તમે ધારણાઓને જોઈ કે ચકાસી શકતા નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

હું 2025-2029 માટે જાહેર દેવું/જીડીપી રેશિયો પ્રોજેક્ટ કરીશ. બેઝ કેસ: વૃદ્ધિ 4%, ફુગાવો 25%, સરેરાશ વ્યાજ દર X%, પ્રાથમિક સંતુલન Y% (મેં મારા સ્ત્રોત ઉમેર્યા). આશાવાદી/નિરાશાવાદી માટે REASON સાથે ધારણાઓ રમો (નિરાશાવાદી માટે, છેલ્લા બે મંદીની તીવ્રતાનો સંદર્ભ લો). ગણતરીને પારદર્શક કોષ્ટક તરીકે સેટ કરો, મેન્યુઅલી ચકાસવા માટે એક વર્ષ દર્શાવો, પછી r−g સંવેદનશીલતા ચલાવો. ટેક્સ્ટમાં જણાવો કે દૃશ્યો શરતી છે, આગાહીઓ નથી.

સામાન્ય ભૂલો

• ધારણાઓ છુપાવી. અદ્રશ્ય ધારણા અસમર્થ છે.
• મનસ્વી રીતે આશાવાદી/નિરાશાવાદી. ગેરવાજબી આત્યંતિક સંખ્યાઓ વિશ્વાસને નષ્ટ કરે છે.
• એક આગાહી તરીકે દૃશ્ય પ્રસ્તુત. "જો" વિચારની સ્થિતિ અદૃશ્ય થઈ જાય છે.
• બ્લેક બોક્સ એકાઉન્ટ. ભૂલ છુપાયેલી છે, ચકાસણી અશક્ય બની જાય છે.
• સંવેદનશીલતા છોડવી. નિર્ણાયક ધારણાને જાણ્યા વિના જોખમનું ગેરવ્યવસ્થાપન.
• આ ધારણા કૃત્રિમ બુદ્ધિને માલિકી આપવાનું છે. ચુકાદો માણસનો છે.

સારાંશમાં

દૃશ્ય મોડેલિંગ એ સ્પષ્ટ અને ન્યાયી ધારણાઓ દ્વારા અનિશ્ચિતતાને શરતી નિષ્કર્ષમાં અનુવાદિત કરવાની કળા છે. આધાર/આશાવાદી/નિરાશાવાદી દૃશ્યો મજબૂત હોવા જોઈએ, ગણતરીઓ પારદર્શક અને મેન્યુઅલી ચકાસી શકાય તેવી હોવી જોઈએ; સંવેદનશીલતા વિશ્લેષણમાં નિર્ણાયક ધારણા પ્રગટ કરવી જોઈએ. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ગણતરી અને વિકલ્પોને વેગ આપે છે, પરંતુ ધારણાઓની વાજબીતા, વ્યાજબીતા અને અંતિમ નિર્ણય અર્થશાસ્ત્રી પાસે રહે છે. દૃશ્ય કોઈ આગાહી નથી, પરંતુ "જો-તો" કસરત છે.

એપ્લિકેશન કાર્ય

તમારા વ્યવસાય માટે પ્રોજેક્શન પસંદ કરો (બજેટ, રોકડ પ્રવાહ, દેવું ગુણોત્તર). 1લા નમૂના સાથે વાજબી ધારણા કોષ્ટક, 2જા નમૂના સાથે પારદર્શક ગણતરી અને 3જા નમૂના સાથે સંવેદનશીલતા વિશ્લેષણ તૈયાર કરો. નિર્ણાયક ધારણાને ઓળખો જે પરિણામને સૌથી વધુ અસર કરે છે અને તેને મૂળ સ્ત્રોતમાંથી ચકાસો. વાજબીતા માટે AI દ્વારા સૂચવવામાં આવેલ આત્યંતિક દૃશ્ય તપાસો અને જો જરૂરી હોય તો તેને સુધારો.

ચેકલિસ્ટ

• [ ] મેં દરેક દૃશ્યની ધારણાઓ સ્પષ્ટ અને વાજબીતા સાથે લખી છે.
• [] હું આશાવાદી/નિરાશાવાદીને ઐતિહાસિક અથવા તાર્કિક આધાર પર મૂકું છું.
• [ ] મેં એકાઉન્ટને પારદર્શક રાખ્યું અને ઓછામાં ઓછું એક સમયગાળો મેન્યુઅલી ચકાસ્યો.
• મેં સંવેદનશીલતા વિશ્લેષણ દ્વારા નિર્ણાયક ધારણાને ઓળખી.
• [ ] મેં મૂળ સ્ત્રોતમાંથી નિર્ણાયક ધારણાની પુષ્ટિ કરી છે.
• [ ] મેં આગાહીઓને બદલે શરતી "જો-તો" તરીકે દૃશ્યો રજૂ કર્યા.
• [ ] મેં અનુમાનિત માલિકી અને અંતિમ ચુકાદો જાળવી રાખ્યો છે.