Magma topp logo Til forsiden Econa

Anna Mette Fuglseth er dr. oecon. og professorstipendiat ved Norges Handelshøyskole. Fuglseths forskningsinteresser ligger innenfor området IT-støtte av beslutningstaking og læring i komplekse og dynamiske situasjoner. Hun har publisert en rekke internasjonale artikler.

Kjell Grønhaug er professor ved Institutt for strategi og ledelse ved NHH. Han er æresdoktor ved den finske handelshøgskolen i Åbo (Turku School of Economics and Business administration).

Kan IT-baserte markedsmodeller bidra til bedre strategiske beslutninger?

IT-baserte informasjonssystemer har vært brukt til å støtte beslutningstaking i mer enn 30 år, men vi vet fortsatt lite om hvordan bruken av slike verktøy påvirker beslutningstaking, spesielt i strategiske situasjoner. Denne artikkelen fokuserer på erfarne analytikeres bruk av et skreddersydd system i en virkelig strategisk beslutningssituasjon. Vi rapporterer resultatene fra et kvasieksperiment hvor et team av analytikere i et oljeselskap analyserte konsekvensene for selskapet av en kritisk markedshendelse først uten og derpå med bruk av systemet. Vi fant at bruken av systemet førte til et skift i retning av mer rasjonell beslutningstaking, men også til en sterk fokusering bare på systemvariablene.

Denne artikkelen tar opp følgende forskningsspørsmål: Kan IT-baserte markedsmodeller bidra til at det fattes bedre strategiske beslutninger -- og, hvis så, på hvilke måter?

Selv om IT-baserte informasjonssystemer har vært benyttet for støtte av ledelsesbeslutninger i mer enn 30 år, vet vi lite om hvordan slike systemer påvirker beslutningene. Det har spesielt vært få studier av virkningene av bruk av beslutningsstøtteverktøy på strategiske beslutninger. Slike beslutninger er karakterisert ved høy kompleksitet fordi mange faktorer må eller bør tas i betraktning. Dessuten innebærer strategiske beslutninger gjerne høy grad av nyhet, slik at konsekvensene er forbundet med stor uvisshet. For å kunne tilpasse seg og utnytte endringer i omgivelsene er det vesentlig for strategiske beslutningstakere å forstå markedsatferd. Denne artikkelen presenterer resultater fra et kvasieksperiment for å undersøke om en IT-basert markedsmodell kan bidra til bedre beslutninger.

Artikkelen er bygd opp på følgende måte: For å vurdere godheten av strategiske beslutninger etablerer vi en standard som man kan sammenlikne med. Vi gjør rede for det interaktive systemet som legges til grunn for kvasieksperimentet, VisualGas. Systemet er et modellbasert system for analyse av gassmarkedene. Deretter presenterer vi opplegget for kvasieksperimentet, hvor et analyseteam i et oljeselskap vurderte konsekvensene av en kritisk markedshendelse først uten og deretter med støtte av systemet. Resultatene fra eksperimentet presenteres og diskuteres.

HVA KARAKTERISERER «GODE» BESLUTNINGER?

For å vurdere om bruken av markedsmodeller kan bidra til bedre beslutninger, må vi ha en standard å sammenlikne med. Et ideal for beslutningstaking er «economic man», som har klare preferanser og full informasjon. Han er derfor i stand til å ta optimale beslutninger i henhold til sine preferanser. «Economic man» er imidlertid for urealistisk til å tjene som standard, men han kan angi retningen som beslutningstakere skulle like å bevege seg i. Mennesker har ikke full informasjon, og de har begrenset kognitiv kapasitet. Vi må derfor formulere en standard som baserer seg på en forestilling om hvordan beslutningstakere med den best mulige forståelsen av omgivelsene og med svært høy informasjonsbehandlingskapasitet ville håndtere strategiske situasjoner. Vi antar at slike beslutningstakere ville:

  • søke etter alle relevante variabler og sammenhenger mellom variablene for å forstå den nåværende markedssituasjonen
  • forsøke å forutse begivenheter og behovene eller mulighetene for beslutninger
  • definere klare kriterier for vurdering av konsekvenser av begivenheter og handlinger
  • forsøke å forutse konsekvensene for organisasjonen av endringer i omgivelsene -- hvis det ikke handles
  • generere alle relevante handlingsalternativer for å håndtere (tilpasse seg og påvirke) omgivelsene
  • forsøke å forutse konsekvensene for organisasjonen av hvert handlingsalternativ
  • velge de handlingene som fører til høyest forventede måloppnåelse i henhold til kriteriene

Det eksperimentelle stimulus i kvasieksperimentet som beskrives i denne artikkelen, er knyttet til vurdering av konsekvensene av en kritisk hendelse i markedet. Vi er derfor spesielt opptatt av punkt 4. Punkt 1 er imidlertid også relevant. Den markedsmodellen som brukes i eksperimentet, er nettopp utviklet fordi oljeselskapet ønsker en best mulig forståelse av omgivelsene.

VISUALGAS -- ET INTERAKTIVT SYSTEM FOR ANALYSE AV GASSMARKEDENE

Det interaktive systemet som ble benyttet i kvasieksperimentet, VisualGas, består av tre hovedkomponenter: markedsmodellen, en løser og et brukergrensesnitt. Modellen er basert på et modellformat som er utviklet av Mathiesen (1987). Den avbilder tilbuds- og etterspørselsfunksjonene for europeiske gassmarkeder. I tillegg håndterer den produsentatferd, rørledningskapasiteter og -tariffer og importkvoter. Modellen er koblet til en algoritme som løser ikke-lineære komplementaritetsproblemer (Mathiesen 1985), dvs. at algoritmen beregner likevektspriser og -volumer. Brukergrensesnittet tar seg av kommunikasjonen mellom brukerne og systemet. Brukergrensesnittet er utformet for å støtte analyser av usikkerhet. Slike analyser omfatter utvikling og analyse av scenarioer, dvs. mulige fremtidige tilstander av gassmarkedene. Vedlegg 1 illustrerer utformingen og bruk av systemet for scenarioanalyse.

I samarbeid med analytikere i et oljeselskap er modellkomponenten tilpasset og oppdatert, slik at den i dag representerer analytikernes kunnskap om kritiske variabler og sammenhenger i gassmarkedene sett fra oljeselskapets synspunkt. Modellen har vært i bruk i selskapet i mer enn ti år. Den vedlikeholdes i samarbeid med forskere. Erfarne brukere deltar i utviklingen og endringen av modellen, og de erfarne brukerne har også ansvaret for å overføre den kunnskapen som er representert i modellen, til nyansatte. Hvis nyansatte analytikere mangler bakgrunn til å forstå teorien som ligger bak modellen, blir de sendt til forskerne for opplæring og trening.

FORSKNINGSOPPLEGG -- ET KVASIEKSPERIMENT

Å utforme et eksperiment for en virkelig situasjon krever spesielle hensyn. For det første er analytikeres tid en knapp og dyr ressurs, slik at det legges begrensninger på den tiden som settes av til deltakelse i eksperimentelle studier. For det andre kan ledelsen være nølende til deltakelse fordi man ikke vil avsløre strategiske betraktninger til forskere som ønsker å publisere funnene sine. Endelig er det tekniske problemer med å utforme et eksperiment for strategisk beslutningstaking. Slike beslutninger er ofte engangsbeslutninger, og det er få brukere av systemer som VisualGas. Det er derfor vanskelig å utforme et eksperiment som omfatter to sammenliknbare oppgaver, og å få etablert en kontrollgruppe.

Vårt forskningsopplegg er påvirket av ovenstående betraktninger: Vi utformet en kvasieksperimentell studie med én gruppe deltakere. Gruppen bestod av en erfaren strategisk analytiker og to markedsanalytikere. Den erfarne deltakeren har brukt VisualGas i flere år, og han hadde en sentral rolle ved den seneste oppdateringen av modellen. De to markedsanalytikerne var involvert i søk etter og vurdering av data for oppdateringen av modellen. De er begge økonomer og velkjent med modellformatet, men har lite erfaring med å bruke systemet for analyse av strategiske problemer.

Som eksperimentell stimulus, dvs. den oppgaven som skulle løses i eksperimentet, valgte vi i samarbeid med lederen for markedsanalysegruppen i selskapet en situasjon knyttet til liberaliseringen av gassmarkedene. Problemet som ble presentert for teamet, var å analysere konsekvensene av liberaliseringen for oljeselskapet med hensyn til volumer, priser og profitt -- hvis selskapet ikke reagerer. Det betyr at den eksperimentelle stimulus er knyttet til en aktuell kritisk begivenhet, slik at deltakerne opplevde oppgaven som viktig.

Kvasieksperimentet omfattet to totimers sesjoner med lunsj mellom sesjonene. Først analyserte gruppen problemet uten støtte av VisualGas. Etter lunsj analyserte de det samme problemet med VisualGas. Data ble samlet inn ved observasjon og båndopptak av begge sesjonene. Den andre sesjonen ble også tatt opp på video, slik at vi kunne studere hvordan systemet ble brukt under diskusjonene. Dessuten ble scenarioene i den andre sesjonen lagret, og vi fikk en kopi av filene. Båndopptakene av diskusjonene ble skrevet ut.

RESULTATER

I dette avsnittet presenterer vi resultatene fra kvasieksperimentet. Vi presenterer først begrepskategoriene som deltakerne brukte i de to sesjonene. Derpå beskriver vi kort hver sesjon og sammenlikner dem med den standarden som vi utviklet ovenfor. Vi vurderer i hvilken grad sesjonen med bruk av VisualGas fører til en beslutningsprosess som ligger nærmere standarden.

Begrepskategorier i de to sesjonene

Tabell 1 (s. 109) viser begrepskategoriene som ble brukt i diskusjonene i de to sesjonene. Formålet med tabellen er å få oversikt over hovedforskjellene i begrepsbruken med og uten bruk av systemet. Å studere begrepsbruken er viktig fordi begrepene avspeiler hvilke forhold som deltakerne la vekt på i de to sesjonene. Av plasshensyn viser tabellen ikke de faktiske begrepene som ble brukt, kun antall begreper i hver kategori. I beskrivelsen nedenfor gir vi imidlertid eksempler på begrepsbruken for å illustrere forskjeller mellom sesjonene.

Tabellen viser at det var store forskjeller i begrepsbruken i sesjonene. En av hovedforskjellene er måldiskusjonene. I den første sesjonen var det en generell diskusjon av målene for norsk sokkel, slik som optimal utnyttelse av ressurser, og av rollen til norske myndigheter. I den andre sesjonen ble det fokusert på lønnsomhet. En annen forskjell er at konsekvensene av markedshendelsen i den første sesjonen nesten bare var knyttet til tilbudssiden, mens konsekvensene i den andre sesjonen også var knyttet til etterspørselssiden. Diskusjonen av individuelle produsenter var imidlertid mer detaljert i den første sesjonen. Det ble brukt begreper som overskudd og mangel på gass, sesongvariasjon, vintersalg og «take back clauses». Den tredje forskjellen i begrepsbruken er knyttet til kategorier som handelsmønstre og utnyttelse av rørledninger. Disse kategoriene ble ikke benyttet i den første sesjonen. De er nær knyttet til samspillet mellom tilbud og etterspørsel og til lønnsomhetsbetraktningene i den andre sesjonen.

VisualGas introduserte ikke nye begreper for teamet, så det er rimelig å anta at hovedgrunnen til forskjellene i begrepsbruken er fravær av systemet til å støtte informasjonsbehandlingen i den første sesjonen. Tabellen viser at det er spesielt vanskelig å trekke inn begreper som krever integrasjon av kategorier, uten å ha støtte av et beslutningsstøtteverktøy. Et eksempel på slike begreper er handelsmønstre som krever integrasjon av etterspørsel, tilbud og rørledningskapasitet.

Beskrivelse av diskusjonene i den første sesjonen (uten VisualGas)

Karakteristisk for den første sesjonen var at konklusjonen ble fremsatt i begynnelsen. Hovedtrekkene i konklusjonen ble ikke endret underveis, men moderert. En uttalelse som «prisene vil gå ned», ble for eksempel moderert til «prisene vil høyst sannsynlig gå ned».

Deltakerne utviklet ett scenario, nemlig at konkurransen blant norske aktører ville bli skjerpet. Man antok at dette ville føre til økte volumer og reduserte priser, og at profitten ville gå ned. Man antok likevel at det ikke ville bli dramatiske endringer, på grunn av at norske myndigheter ville legge begrensninger på ressursutnyttelsen. I løpet av sesjonen ble det fremsatt argumenter som gikk i retning av mer dramatiske virkninger, blant annet en kraftig økning av tilbudet, men disse argumentene ble fulgt av en argumentasjon som trakk i retning av konklusjonen.

Beskrivelse av diskusjonene i den andre sesjonen (med VisualGas)

Den andre sesjonen begynte med at deltakerne eksplisitt utviklet et scenario for dagens situasjon. Systemet beregnet konsekvensene, og deltakerne var enige om at scenarioet representerte deres oppfatninger av dagens situasjon greit.

Derpå la deltakerne scenarioet fra den første sesjonen inn i systemet. Da de fikk se den beregnede likevektsløsningen, fikk de seg en skikkelig overraskelse. Likevektsløsningen viste en kraftig nedgang i profitten først og fremst på grunn av økte transportkostnader. På grunn av denne overraskelsen begynte deltakerne å søke etter forklaringen på økningen i kostnadene. De utviklet tre scenarioer som representerte systematiske variasjoner i forutsetninger for å studere effekter på inntekter, kostnader, volumer og profitt. Hvert nytt scenario ble sammenliknet med det forrige for å se utviklingen i handelsmønster og forskjeller i utnyttelsen av rørledningskapasiteter. Etter to timer var de ikke kommet til en konklusjon, men bestemte at de ville sjekke forutsetningene i modellen med hensyn til transportkostnader.

Sammenlikning av diskusjonene i de to sesjonene

Tabell 2 (s. 109) oppsummerer diskusjonene i de to sesjonene. Tabellen viser en redusert tendens i den andre sesjonen til å bruke forenklende heuristikker, slik som tilgjengelighet og forankring (Tversky og Kahneman 1974). I den første sesjonen ble det fokusert på tilbud og priser. I den andre sesjonen ble det fokusert på lønnsomhet som en konsekvens av at både priser, inntekt og kostnader ble tatt i betraktning. Mye oppmerksomhet ble viet til variabler som handelsmønstre, rørledningskapasiteter og transportkostnader, dvs. variabler som er knyttet til samspillet mellom tilbud og etterspørsel. I den første sesjonen var det en tendens til å forankre effektene av liberaliseringen til den nåværende markedssituasjonen -- som imidlertid bare ble beskrevet indirekte. Teamet forventet ikke at volumer og priser ville endre seg dramatisk. I den andre sesjonen beregnet VisualGas virkningene av det samme scenarioet, og forskjellene fra forventningene var dramatiske. Bruken av VisualGas forhindret dermed en forankringseffekt. I stedet for å søke etter bekreftelse fikk deltakerne et behov for å forklare overraskelsen.

Tabell 2 viser også at deltakerne ble i stand til å håndtere eksperimentsituasjonen på et høyere informasjonsbehandlingsnivå (Schroder et al. 1967) i sesjonen med VisualGas. I den første sesjonen ble det generert bare ett scenario. Fordi den nåværende situasjonen ikke ble fastlagt, var sammenlikningene kun implisitte. I den andre sesjonen måtte deltakerne begynne med å utvikle et basisscenario fordi systemet krever det. Derpå genererte de fire scenarioer i tillegg. Scenarioene representerte systematiske endringer i antakelsene for å forstå modellresultater.

I den første sesjonen var det en tendens til å minimere konflikt og til å søke etter argumenter som støttet den konklusjonen som ble fremsatt tidlig i sesjonen. Derfor var teamet i stand til å nå en konklusjon etter 1 1/2 time. I den andre sesjonen økte oppfatningene av usikkerhet av konsekvensene, og deltakerne var ikke i stand til å nå en konklusjon i løpet av de to timene som var satt av for sesjonen.

Kan VisualGas bidra til bedre beslutninger?

Tabell 1 og ovennevnte beskrivelser viser at beslutningstakerne tok flere relevante variabler i betraktning i den andre sesjonen. Den andre sesjonen var mye mer knyttet til oppgaven, nemlig å vurdere konsekvensene av markedshendelsen for organisasjonen med hensyn til priser, volumer og profitt. I den første sesjonen var deltakerne nølende til å angi konsekvenser for profitt. I den andre sesjonen fokuserte deltakerne på å forklare virkningene på profitt, og økningen i antall variabler er spesielt knyttet til variabler som påvirker profitt. Dette er variabler som vi tror det er vanskelig å vurdere uten hjelpemidler til støtte for beregning av verdiene. Beregning av lønnsomhet krever at man kjenner inntekter og kostnader. Disse variablene er igjen avhengige av handelsmønsteret som forutsetter integrering av etterspørsel, tilbud og rørledningskapasitet.

I den første sesjonen brukte deltakerne generell økonomisk teori når de vurderte konsekvensene av liberaliseringen. Deres vurdering avretningen på endringene i verdiene for nøkkelvariabler var som beregnet av VisualGas, men deres vurdering av virkningene var mye mindre dramatisk. Etter den andre sesjonen hadde medlemmene en økt oppfatning av usikkerheten av konsekvensene av markedshendelsen. Dette skyldes i det vesentlige at VisualGas gjorde det mulig for dem å bruke tall i vurderingen av konsekvensene (reduksjon i lønnsomheten på x %). Dette er i motsetning til den første sesjonen, hvor diskusjonene foregikk på ordinalnivå (lønnsomheten vil bli redusert). Dessuten økte VisualGas deltakernes kapasitet til å sammenlikne konsekvensene for organisasjonen av endringer i antakelser.

Som beskrevet ovenfor bygger den andre sesjonen på det scenarioet som ble utviklet i den første sesjonen. Beskrivelsen viser imidlertid også at deltakerne ikke brukte noen av vurderingene fra den første sesjonen i den andre sesjonen. Det er derfor ikke rimelig å anta at forskjellene mellom sesjonene skyldes læring i den første sesjonen. Dessuten fant den andre sesjonen sted ca. en time etter den første sesjonen, og vi spiste lunsj med deltakerne i pausen. Det var derfor ingen andre faktorer som kan ha påvirket resultatene.

Tabellene 1 og 2 og diskusjonen ovenfor viser dermed at VisualGas kan hjelpe teammedlemmene med å fungere på et høyere informasjonsbehandlingsnivå og med å redusere deres bruk av forenklende heuristikker i komplekse oppgaver. Skiftet i teamdiskusjonene mellom de to eksperimentelle sesjonene indikerer også et skift i beslutningstakingen mot vår standard, nemlig at deltakerne

  • tok flere relevante variabler i betraktning
  • utviklet og sammenliknet flere alternativer for å se virkningene
  • vurderte utfallene ved å bruke kvantitative forventninger i stedet for ordinale, og dermed økte også forståelsen av hvor kritiske variablene kan være for måloppnåelsen

På den annen side var det en tendens til at deltakerne i den andre sesjonen begrenset sin oppmerksomhet til modellvariablene. I den første sesjonen genererte de flere ideer basert på sin detaljerte kunnskap om individuelle produsenter, men de var likevel ikke i stand til å bruke ideene i vurderingen av konsekvensene av markedshendelsen.

Scenarioene i den andre sesjonen omfattet dessuten bare antakelser om atferden til aktørene på norsk sokkel. Det ble ikke utviklet scenarioer som omfattet antakelser også om endret atferd til andre aktører. Dette kan imidlertid skyldes tidspress. Innenfor det tidsrommet som var satt av til sesjonen, konsentrerte deltakerne seg om å forstå hvorfor modellen viste den kraftige økningen i transportkostnadene.

AVSLUTTENDE KOMMENTARER

Vi har presentert resultatene av et kvasieksperiment for å vurdere konsekvensene av en kritisk markedshendelse uten og med støtte av en IT-basert markedsmodell. Våre funn viser at bruken av IT-baserte markedsmodellerkan hjelpe beslutningstakere med å utvikle en mer detaljert og sensitiv forståelse av konsekvensene av endringer i omgivelsene og bidra til å skifte beslutningsprosessen i retning av mer rasjonell beslutningstaking.

Slike systemer kan imidlertid kun hjelpe beslutningstakere med å beregne og presentere resultater basert på de verdiene de legger inn i systemet. Brukere av systemet må ha inngående markedskunnskap, og de trenger andre informasjonskilder når det gjelder å legge merke til endringer i omgivelsene. De må også forstå muligheter og begrensninger til modellformatet, og de må sammenlikne modellantakelser og beregninger med empiriske data for å sjekke om modellen er en valid representasjon av omgivelsene. I kvasieksperimentet var gapet mellom modellresultater og deltakernes forventninger så stort at deltakerne besluttet å undersøke noen av modellantakelsene.

Det rapporterte kvasieksperimentet fokuserte på en vesentlig fase av en beslutningsprosess, nemlig å bli klar over hvor kritisk en markedshendelse kan være for en organisasjon. En interessant utvidelse av eksperimentet ville være å undersøke nytten av systemet videre i beslutningsprosessen med utvikling og vurdering av handlingsalternativer for å takle markedshendelsen. Problemet med en slik studie er imidlertid at data ville være svært sensitive. En annen interessant utvidelse ville være å studere om og eventuelt hvordan analysene og anbefalingene fra analytikerne påvirker beslutningstakingen på toppnivå i organisasjonen.

Denne artikkelen undersøker bruken av et skreddersydd system i én beslutningssituasjon. For å øke forståelsen av virkningene av bruk av IT-baserte markedsmodeller i strategisk beslutningstaking er det behov for å gjenta denne type studier i andre situasjoner og med andre systemer. Det kan dessuten være nyttig å sammenlikne bruken av skreddersydde systemer med generelle IT-verktøy for beslutningsstøtte. Betydningen av utformingen av brukergrensesnittet for å støtte informasjonsbehandlingen bør også utforskes videre.

VEDLEGG: UTFORMING AV BRUKERGRENSESNITTET FOR VISUALGAS2

Brukergrensesnittet er utformet for å hjelpe brukerne med å øke forståelsen av gassmarkedene og å gjøre det enklere å utføre analyser av usikkerhet. Fra brukernes synspunkt består VisualGas av en serie skjermsider for inndata og en serie for utdata som vist på figurene 1 og 2 (s. 110). Hver skjermside er delt i to vinduer. Vinduet til venstre viser data på tabellform, og vinduet til høyre viser data på grafisk form. Brukerne «blar» mellom skjermsidene ved å velge fra menyer som vist på figur 1. I tillegg til menyvalg for å velge skjermsider er det en meny for å beregne likevektsløsning. Dessuten er det menyvalg for å beskrive og lagre scenarioer og for å sammenlikne scenarioer.

Figur 1 viser en skjermside for grensekostnadsfunksjoner. Vi antar at analytikerne ønsker å studere konsekvensene av å øke kapasiteten av et gassfelt, og at de har endret parameteren som angir kapasiteten. Virkningen av endringen vises umiddelbart i vinduet til høyre som et vertikalt skift i grensekostnadskurven for gassfeltet. Kurven før endringen er vist med en tynn linje, og kurven etter endringen er vist med en kraftigere linje i samme farge. På figur 1 har vi lagt inn en pil for å vise skiftet i kurven.

figur

Figur 1: Eksempel på skjermside for inndata

figur

Tabell 1: Begrepskategorier

Etter endringen av inndata velger brukerne menyen «Solve», og VisualGas svarer med å presentere utdataskjermsidene med likevektspriser og -volumer. Figur 2 viser et eksempel på en utdataskjermside.

figur

Figur 2: Eksempel på skjermside for utdata

figur

Tabell 2: Egenskaper ved diskusjonene i analyseteamet

Brukergrensesnittet er utformet for å hjelpe brukerne med å utvikle forståelsen av gassmarkedene. Strukturen og innholdet i modellkomponenten presenteres for brukerne gjennom variabelnavn og menyvalg. Dermed er brukergrensesnittet med på å bygge opp en begrepsstruktur hos brukerne for håndtering av gassmarkedene med etterspørsels- og tilbudsforhold i hvert markedssegment -- som igjen påvirkes av produksjons- og rørledningskapasiteter og produsentatferd (se inndatamenyen på figur 1).

En vesentlig egenskap ved grensesnittet er at det alltid sammenlikner to scenarioer. Hensikten er å hjelpe brukerne med å utvikle forståelsen av årsaks-/virkningsforhold. Egenskapen er implementert ved at systemet håndterer to datasett: et arbeidssett og et referansesett. Brukerne endrer i arbeidssettet, og systemet viser resultatet av endringene i forhold til referansesettet. Referansesettet kan presentere scenarioet før den seneste endringen, men det kan også presentere data fra et tidligere scenario. Forskjellene mellom de to datasettene presenteres både på grafisk form og på tabellform. Grafene er utformet for å gi oversikt over komplekse sammenhenger mellom parametere (figur 1) og over forskjeller mellom konsument- og produsentregioner (figur 2). Tabellene supplerer grafene ved å gi detaljdata.

  • 1: Denne artikkelen er skrevet som et ledd i et pågående forskningsprosjekt om utvikling av et grafisk brukergrensesnitt for modellbaserte beslutningsstøttesystemer. Vi takker oljeselskapet for finansieringen av prosjektet. Vi takker deltakerne som stilte opp i kvasieksperimentet, og lederen for markedsanalysegruppen, som hjalp med å få eksperimentet gjennomført.
  • 2: Data brukt i eksemplet er bare for illustrasjonsformål, og figurene er hentet fra en eldre versjon av systemet.
  • Mathiesen, L. (1985). Computational experience in solving equilibrium models by a sequence of linear complementarity problems.Operations Research, 33 (6), 1225--1250.
  • Mathiesen, L. (1987). GAS: en modell og et interaktivt system for analyser av det vest-europeiske marked for naturgass.Rapport nr. 3. Bergen: Senter for anvendt forskning.
  • Schroder, H.M., J. Driver og S. Streufert (1967).Human information processing, individuals and groups functioning in complex social situations. New York: Holt, Rinehart and Winston.
  • Tversky A. og D. Kahneman (1974): Judgment under uncertainty: Heuristics and biases.Science, 185, 1124--1131.

© Econas Informasjonsservice AS, Rosenkrantz' gate 22 Postboks 1869 Vika N-0124 OSLO
E-post: post@econa.no.  Telefon: 22 82 80 00.  Org. nr 937 747 187. ISSN 1500-0788.

RSS