Kagi Translateで一気に翻訳させた。Deeplより強力で質も良いとされている。それを試した。
この報告書は、リスク評価における不確実性と不確実性分析手法をレビューし、特に輸入リスク評価に関連する問題に焦点を当てています。この報告書は、輸入リスク評価のための定性的および定量的手法の利用可能性によって動機付けられています。報告書は、不確実性がもたらす課題がこれら二つのアプローチの選択にどのように影響するかを検討します。このプロジェクトの任務は、リスク評価問題におけるさまざまな不確実性の源を要約し、分類し、さまざまな処理手法の実用性と適用性をレビューすることです。この報告書は、定性的または定量的リスク評価の使用に関与している、またはその使用を検討している科学者や管理者を対象としています。報告書は輸入リスク評価に焦点を当てていますが、他の応用分野の読者も、ここで提示される情報や分析の多くが関連性があることを見出すでしょう。
不確実性は、多くの概念を包含するために使用される用語です。それは、さまざまな方法で記述、定義、分類されており、同じものに異なる名前を使用したり、時には異なるものに同じ名前を使用したりします。この報告書は、不確実性の四つの基本的な源を特定します：言語の気まぐれな性質から生じる不確実性（言語的不確実性）、自然システムに対する私たちの限られた理解によって生じる不確実性（認識的不確実性）、これらのシステムにおける不可避の変動によって生じる不確実性（変動性）、そして最後に、私たちの価値体系や管理決定に関連する不確実性（決定的不確実性）です。
報告書は、科学的な試みやリスク関連の問題における言語的不確実性、認識的不確実性、変動性のさまざまな源を詳細に検討します。報告書は、リスク評価を通じてこれらの不確実性の源を扱い、伝播させるための確率的、非確率的、グラフィカルな手法を、無視する、排除する、包み込む、平均化する、または因子分解するという五つの基本戦略の見出しの下で要約します。また、ランダム変数を用いた算術演算が行われるときに発生する依存性の関連問題も検討します。
定性的リスク評価における不確実性分析の主な障害は、変動性と認識的不確実性が互いに、また言語的不確実性と混同されることです。これら三つの不確実性の源を分離するには、少なくとも言語的不確実性をできる限り問題から排除する必要があります。ファジィ集合と可能性理論は、言語的不確実性の二つの重要な源（曖昧さとあいまいさ）を排除するために特に設計されたメカニズムを提供します。しかし、これらの不確実性の源は、注意深く実施された引き出し手法と確率境界分析を通じて確率理論を用いても排除できます。このアプローチには、a）不確実な出来事に対する人間の認識や判断における他のよく知られたヒューリスティックやバイアスを最小限に抑えることができるという追加の利点があり、b）その分析を確率理論の領域内に位置づけることで、意思決定者にとって証拠や可能性理論よりも馴染みのあるものになる可能性が高いという利点があります。
さらに、リスク評価に対する定性的アプローチには、透明性、再現性、反証可能性の科学的品質基準や、精度と正確性の意思決定有用性基準に関連するさまざまな問題があります。具体的には：
• 定性的リスク評価の予測は観察によって（不）検証できず、不確実性は定性的な可能性や結果の指標を数値的な指標に変換することなく、リスク関数を通じて一貫して伝播させることができません；
• 可能性や結果の言語的記述を用いた算術演算（例えば積）は、バイアスがかかり、非可換である可能性があります。これらの問題は、曖昧さが「高い」、「中程度」または「低い」といった用語の数値的定義を使用して分析から排除されるときにのみ明らかになります。この報告書は、AGDAFFによる輸入リスク評価のために行われた定性的リスク操作が、バイアスがかかり、非可換な結果をもたらすことを示すために区間分析を使用します；そして、
• リスクを生み出す出来事間の依存性の影響は、不確実な出来事の定性的記述を用いて一貫して探求することができず、観察された結果の異なる解釈や、出来事の相対的な可能性に関する潜在的に逆説的な仮定をもたらします。
定量的リスク評価における認識的不確実性と変動性の問題は、データの利用可能性から始まります。この報告書は、データ - プロセスの観察 - とプロセスに関する理解や信念を区別します。データがない場合の不確実性分析の鍵は引き出しです。引き出しは、信念を結果、モデル、または回帰および前方伝播不確実性分析を可能にするパラメータに変換します。再び、構造化された引き出し手法は、ヒューリスティックバイアスや機能不全のグループ効果を回避または最小限に抑える機会を提供し、したがって定量的リスク評価における「良い実践」となります。
輸入リスク評価は、しばしば経験的観察がない状態で行われます。この文脈における不確実性分析は、引き出しと前方不確実性伝播手法を使用して実施できます。認識的不確実性と変動性に関連する主要な課題は、リスクを生み出すプロセス（モデル）の構造、変動性や認識的不確実性を表す確率分布の形状、スケール、または位置、そしてモデルのパラメータ間の依存性の性質について仮定を立てることによって対処または排除できます。これらのタイプの仮定は、リスク評価の結果に重要な影響を与えます。伝播的不確実性分析の主な目的は、これらの仮定が全体のリスク推定に与える影響を報告し、実用的な場合にはテストし、そうすることで正直な評価を達成することです。この問題に取り組む際、アナリストは上記で特定された一つまたは複数の戦略を採用できます。すなわち：
• 単に無視する：これは、パラメトリック不確実性やモデル構造不確実性に対して時には正当化されることがありますが、限られた状況でのみです。たとえば、モデルやリスク関数が法律やガイドラインによって決定される場合、モデル構造不確実性は無視できます。この文脈では、リスク評価の結果はリスクの相対的な大きさのガイドとしてのみ正当化されますが、これはリスクスクリーニングの意思決定支援として有用です；
• 排除する：これは、変動性（および限られた程度の依存性）に対して、変動性をモデル化するより複雑なリスクモデルを構築するか、より低いパラメータ次元を持つより単純なリスクモデルを可能にする単純な評価エンドポイントを選択することによって可能です。最初のアプローチは、データが限られた状況では魅力的でないかもしれません。なぜなら、それはモデル構造不確実性を増加させる可能性があるからです。後者のアプローチは、単純なエンドポイントに対して意思決定者が意味のある決定基準を定めることができる場合にのみ成立します；
• 比較して包み込む：比較戦略は感度分析に似ており、リスク推定に対する仮定の影響を強調しようとします。包み込み手法は、最良および最悪の推定値に境界を設け、真の結果がこれらの境界内にあることを保証しようとします。区間分析、確率ボックス、確率境界分析は、変動性と依存性に対して最小限の条件でこの保証を満たすことができます。たとえば、不確実な量の真の値が引き出された区間内にあることです。過信した専門家の意見は、この点で明らかに課題です。インフォギャップ理論は、不確実性が意思決定に与える影響の上限を設定しようとしますが、その推奨は初期条件に敏感である可能性があります。さらに、比較と包み込みは、モデル構造不確実性の影響が完全に対処されたことを保証することはできません。なぜなら、可能なモデルのセットは無限だからです。データと統計的推論がない場合、この問題は制約がなく、広く相談し、研究に利用可能なリソース内でできるだけ多くの妥当なモデルを比較することによって最もよくアプローチされます。影響図、ループ分析、ファジィ認知マップなどの手法は、この文脈で役立つことがあります；
• 平均化する：アナリストは、第二次モンテカルロシミュレーションやベイジアンモデル平均化などの手法を使用して、変動性やいくつかの認識的不確実性の源（モデル構造不確実性を含む）を平均化できます。しかし、再び、データがない場合、この問題は制約がなく、比較と包み込み戦略よりも計算的に要求されます。したがって、単一の研究のリソース内で対処できる妥当なモデル構造や代替確率密度関数の範囲は、この戦略では小さくなる可能性があり、モデル構造不確実性の場合には、受け入れられた理論と互換性のないリスク推定につながる可能性があります；そして。
• モデル化して因子分解する：この戦略は、変動性と依存性に適用可能であり、データが存在する場合には、原因と結果の簡潔な記述を特定し、したがってモデル構造不確実性を扱う手段を提供します。コピュラやベイジアンネットワークは、依存性を扱い、リスク評価問題におけるさまざまな変動性の源を分割するために使用できます。これらの手法はデータが乏しい状況でも使用できますが、データに基づく制約がないことは、体系的な分析を提供しようとする試みを損なう可能性があります。
さらに、ベイジアンネットワーク、統計的グラフ理論、一般的な階層モデリングの完全な利点は、データがない場合には実現できません。
