STEOP ABWL Kapitel 2 Planung Entscheidung

Kapitel 2 – Planung & Entscheidung
Univ.-Prof. Dr. Karl F. Dörner, Sommersemester 2022

2. Planung & Entscheidung - Inhaltsübersicht
2.1 Planung
2.2 Modelle als Planungshilfsmittel
2.3 Grundmodell der Entscheidungstheorie
2.4 Lösung von Zielkonflikten
2.5 (Risiko-)Nutzentheorie
2.6 Mehrstufige Entscheidungsprobleme
2 Planung & Entscheidung Seite 2

2. Planung & Entscheidung
2.1 Planung

2.1 Planung
2.1.1 Begriff der Planung 1/4
• Planung – Kernelement menschlichen Wirtschaftens
• Anlass der Planung: (Entscheidung-)Problem oder Entscheidungsmöglichkeit
• Subjekte der Planung: dispositiver Faktor, d.h. oberes, mittleres und unteres Management;
(Planer, Planungs- oder Entscheidungsträger)
• Entscheidungsproblem: Abweichung eines aktuellen oder erwarteten Zustandes von einem
angestrebten Zustand
• Aufgabe der Planung: Ermittlung geeigneter Maßnahmen zur (möglichst weitgehenden)
Erreichung des angestrebten Zustandes → Lösung des Problems, Schließen der Entscheidungslücke
• Ziel und Ergebnis der Planung: ausführbarer und durchsetzbarer Plan

• Wesentliche Merkmale der Planung:
◦ Zielorientierung: Ausrichtung an angestrebten Zielzuständen
◦ Zukunftsorientierung: Erreichung zukünftiger Zustände

- Unsicherheit, Abnahme der Informationsqualität mit zunehmender Planungsreichweite
◦ Subjektiver Prozess: Auswahl des Planungsgegenstandes, der Zielsetzungen, der

Planungsmethoden, Beurteilung der Ergebnisse nach Vorstellungen des Planers

◦ Informationsverarbeitender Prozess:
- Sammlung, Speicherung, Auswahl, Verarbeitung und Übertragung vielfältiger Informationen über
Zustände, Handlungsalternativen und deren Wirkung
◦ Rationaler und kreativer Prozess:

- Einerseits: systematische Vorgehensweise zur Erreichung von Zielen
- Anderseits: unvollkommene Information erfordert Intuition und Kreativität
◦ Vorbereitung von Entscheidungen: gedankliche Vorwegnahme zukünftiger Entwicklungen

• Planung ist somit ein von Planungsträgern auf der Grundlage unvollkommener Informationen
durchgeführter, grundsätzlich systematischer und rationaler Prozess zur Lösung von Entscheidungs-
problemen unter Beachtung subjektiver Zielvorstellungen
• Bei vielen betriebswirtschaftlichen Entscheidungsproblemen:
◦ Große zeitliche Reichweite
◦ Stark veränderliche, unsichere Umwelt
◦ Großer Informationsbedarf
◦ Schlecht strukturiert und komplex
◦ Häufig hoher Innovationsgrad
→ Planung ist schwierig und spielt eine große Rolle für die Lebensfähigkeit von Unternehmen

2.1.2 Elemente der Planung 1/3
• Ausgangszustand des zu planenden Systems:
◦ Daten = nicht beeinflussbare Größen
◦ Zukünftige Zustände häufig unsicher → abgebildet durch mehrere Szenarien
• Handlungsalternativen: verfügbare Gestaltungsmöglichkeiten; wirken auf beeinflussbare
Tatbestände des Systems ein → Variablen
• Wirkungszusammenhänge zwischen Daten und Variablen
• Zielsetzung: ein oder mehrere Ziele bzw. Zielvorgaben
• Handlungsergebnisse: Beurteilung der Handlungsalternativen nach ihrem Beitrag zur
Zielerreichung

Ergebniszustand
2.1.2 Elemente der Planung 2/3 E3
ZIELZUSTAND
Ausgangszustand Ergebniszustand
A E2
Ergebniszustand
E1
ENTSCHEIDUNGSPROBLEM
• Plan: enthält durchzuführende Maßnahmen (= Lösung des Problems) sowie Ziele,

Wirkungszusammenhänge, Anweisungen zur Planausführung und Kontrolle

Produkt 1 Produkt 2
Stück-DB 6 3
Beispiel: Entscheidungsproblem
maximale Absatzmenge 80 70
Frage: Wie setzt sich das optimale
Produktionsprogramm zusammen?
Ziel = Gewinn G zu maximieren! G = 6 ⋅ 80 = 480
gewünschter Zielzustand
Manager der G = 6 ⋅ 70 + 3 ⋅ 30
Produktions- = 510
70 Stk. von Produkt 1 und 30 Stk. von Produkt 2
abteilung
𝐺 = 3 ⋅ 70 = 210
ENTSCHEIDUNGSPROBLEM

2.1.2 Elemente der Planung 3/3
• Phasenmodell - idealtypische Einteilung des Planungsprozesses in eine Folge von Phasen
• Exemplarisch: 7-Phasenmodell
◦ Problemerkenntnis: Erkennen von (Entscheidungs-)Problemen
◦ Problemanalyse: Beschreibung und Strukturierung des Problems (ggf. Zerlegung in Teilprobleme)
◦ Zielbildung: Festlegen konkreter Planungsziele im Sinne der übergeordneten Unternehmensziele
◦ Prognose zukünftiger Entwicklungen und sich daraus ergebender Daten
◦ Alternativensuche: Erkennen von möglichen Handlungsalternativen unter Berücksichtigung
bestehender Restriktionen
◦ Bewertung der Alternativen in Hinblick auf prognostizierte Daten und zugrundeliegende Ziele
◦ Entscheidung: Auswahl der zu realisierenden Alternative

2.1 Planung

• Entscheidungsprobleme: Gestaltung komplexer realer Systeme (bspw. Produktionssystem, Werk,
gesamtes Unternehmen) mit
◦ Großer Anzahl an Elementen
◦ Komplexen Beziehungen zwischen Elementen
• Handhabung der Komplexität mit Hilfe von Modellen

Urbild
2.2.1 Zum Modellbegriff 1/2
• Modell: vereinfachtes Abbild eines realen Urbildes (System bzw. Problem)
• Isomorphes (strukturgleiches) Modell: jedem Element bzw. jeder Beziehung des Urbildes steht ein
Element bzw. eine Beziehung im Modell gegenüber und umgekehrt
• Homomorphes (strukturähnliches) Modell: vereinfachtes Abbild durch Abstraktion

(Vernachlässigen weniger-wichtiger realer Elemente und/oder Beziehungen) und Aggregation
(Zusammenfassen von Elementen/Beziehungen), dadurch mehrdeutige Abbildung

2.2.1 Zum Modellbegriff 2/2
• Vereinfachung bewirkt:
◦ Erleichterte Durchdringung der planungsrelevanten Zusammenhänge (+)
◦ Schlechte Planungsergebnisse bei Vernachlässigung wesentlicher Aspekte (-)
→ Evaluierung der Planungsergebnisse wichtig
• Sinnvoller Abstraktionsgrad abhängig von:
◦ Gewünschter Planungsgenauigkeit
◦ Beschaffbaren Informationen (Detaillierungsgrad, Kosten)
◦ Verfügbaren Planungsmethoden

2.2.2 Einteilung von Modellen 1/8
Nach dem Einsatzzweck:
• Beschreibungsmodelle: reine Darstellung
◦ der Elemente, und
◦ deren Beziehungen in realen Systemen
◦ keine Wirkungshypothesen
◦ keine Erklärungsfunktion
- Beispiele: Finanzbuchhaltung, verbale Stellenbeschreibung

• Erklärungsmodelle (Kausalmodelle): Untersuchung von Ursache-Wirkungs-Zusammenhängen
zwischen unabhängigen exogenen Größen und davon abhängigen Variablen, um das
Systemverhalten zu erklären
- Beispiele: Produktionsfunktion (Output als Funktion des Inputs), Kostenfunktion
• Prognosemodelle: What-If-Analysen zur Prognose der Auswirkungen von Handlungsalternativen

auf die abhängigen Größen
- Beispiele: Untersuchung verschiedener Faktorkombinationen in Bezug auf den jeweiligen Output,
Expertensysteme (z.B. zur Diagnose)

• Entscheidungs- bzw. Optimierungsmodelle:
◦ Zielrelationen zur Bewertung und Auswahl von Handlungsmöglichkeiten
◦ Entscheidungsmodell = formale Darstellung eines Entscheidungsproblems
◦ Auswahl der Handlungsalternative mit bester Zielwirkung (= optimale Lösung)
- Beispiele: Bestimmung einer Minimalkostenkombination bei gegebenem Output; Kürzeste-Wege-

Optimierung; Wahl einer Investitionsalternative

• Simulationsmodelle:
◦ Spezielle Prognosemodelle v.a. für Systeme mit komplexen Ursache-Wirkungs-Beziehungen und
stochastischen Einflüssen
◦ Durchspielen des Systemverhaltens → Beurteilung der Konsequenzen von

Handlungsmöglichkeiten
◦ Wichtig v.a. bei teuren oder gefährlichen Konsequenzen im realen System

◦ Beispiele: Flugzeugmodell im Windkanal; Konfiguration von Wartesystemen, so dass Wartezeit von
Kunden (Aufträgen) stets <= 3 Minuten; Konfiguration von Lager- oder Produktionssystemen

Nach der Art der Information:
• Quantitative Modelle:
◦ Zahlen- und formelmäßige Abbildung aller Sachverhalte in (Un-)Gleichungen
◦ Auswertung und Optimierung mit mathematischen Methoden
- Beispiele: Bestimmung des schnellsten Weges, Produktionsfunktion
• Qualitative Modelle:
◦ Verbale, subjektive Zustands- oder Problembeschreibungen
◦ v.a. in der strategischen (langfristigen) Planung
- Beispiele: Organigramm, Portfolio-Modell

Varignonscher Apparat

Nach der Darstellungsform:
• Graphische Modelle: z.B. Verlauf des Umsatzes über die Zeit
• Verbale Modelle: z.B. Stellenbeschreibung, Prozessbeschreibung, Organigramm
• Physi(kali)sche Modelle: z.B. Flugzeugmodell, Varignonscher Apparat zur Standortoptimierung,

Netzmodell zur Bestimmung kürzester Wege
• Formale bzw. mathematische Modelle: z.B. lineares Optimierungsmodell (vgl. Kap. 2.2.4.1)

Nach der Sicherheit der Daten:
• Deterministische Modelle: Daten & Wirkungszusammenhänge vollständig bekannt
• Stochastische Modelle: Informationen unsicher, höchstens Wahrscheinlichkeit bekannt
Nach der Veränderlichkeit des Problems/Systems:

• Statische Modelle:
◦ System ist stabil, Zeitaspekt spielt keine Rolle
• Dynamische Modelle:
◦ Berücksichtigung von zeitlichen Veränderungen

Nach dem modellierten Problemausschnitt:
• Totalmodelle: vollständige Modellierung eines realen Systems in seiner Gesamtheit
◦ i.d.R. zu aufwendig, jedoch geeignet für aggregierte Abbildung
- Beispiel: Modell des Umsatzprozesses
• Partialmodelle: Beschränkung auf Ausschnitte eines Systems und/oder der zeitlichen Reichweite
◦ Bei komplexen Problemen erforderlich
◦ Problem der Vernachlässigung wichtiger Elemente des Urbilds

2.2.3 Das Grundmodell der Entscheidungstheorie 1/4
• Zur Abbildung und Lösung von Entscheidungsproblemen
• Menge von (Handlungs-)Alternativen explizit vorgegeben
◦ Einkriteriell: eine zu maximierende oder zu minimierende Zielsetzung
◦ Multikriteriell: mehrere Ziele
• Gegenstand der Entscheidungstheorie bzw. –analyse
• Elemente des Modells:
◦ H Ziele Z1,…,Zh,…,ZH und M (einstufige) Handlungsalternativen (Aktionen) A1,…,Ai,…,AM
◦ K Umweltzustände (Szenarien) S1,..,Sk,..,SK; ggf. Wahrscheinlichkeiten p1,..,pk,..pK mit σ𝐾
𝑘=1 𝑝𝑘 = 1
ℎ
◦ Ergebnisse 𝑒𝑖𝑘 von Handlungsalternative Ai bei Szenario Sk bezüglich Ziel Zh

Ergebnismatrix (bei H = 1 Ziel):
S1 … Sk … SK
p1 … pk … pK
A1 e11 e1k e1K
…
Ai ei1 … eik … eiK
…
AM eM1 eMk eMK
• Wahrscheinlichkeiten bekannt: Entscheidung unter Risiko

• Wahrscheinlichkeiten unbekannt: Entscheidung unter Ungewissheit
4 E
2.2.3 Das Grundmodell der Entscheidungstheorie 3/4 C 3
2 3,9
• Einkriterielles deterministisches Auswahlmodell:
1,8
◦ Entscheidung: zeitlich kürzeste Reiseroute von A nach B A F B
2
- Alternativen: M = 4 Routen {A-C-E-B, A-C-F-B, A-D-F-B, A-D-G-B} 4
D 2,7
- Szenario: bekannte Reisedauern zwischen Orten
2 G
→ deterministisch (K = 1)
Dauer
◦ Ziel: Minimiere Gesamtreisedauer A1 = ACEB
ACEB 2+4+3=9
→ einkriteriell (H = 1) A2 = ACFB 2 + 3,9 + 1,8 = 7,7
◦ Optimale Lösung: A3 = ADFB 4 + 2 + 1,8 = 7,8
- Route A-C-F-B mit Gesamtdauer 7,7 (ZE) A4 = ADGB 4 + 2 + 2,7 = 8,7

• Multikriterielles deterministisches Auswahlmodell
◦ Ziele: minimale Reisedauer, minimale Strecke, minimale Reisekosten
◦ Falls keine Zielkonflikte bestehen
→ wie im einkriteriellen Fall
◦ Zielkonflikt: Verbesserung eines Zieles
→ Verschlechterung mindestens eines anderen
◦ Was tun (siehe Kap. 2.4)
→ Ermittlung einer Kompromisslösung, die alle Ziele akzeptabel erfüllt

2.2.4 Grundlegende Typen von Optimierungsmodellen
• Lösungen
= Handlungsalternativen
◦ sind durch ein System von Restriktionen implizit definiert
• Simultanes Ermitteln von Lösungen und Auswahl der optimalen Lösung
• Gegenstand des Operations Research

2.2.4.1 Lineare Optimierungsmodelle 1/6
• Reellwertige (Entscheidungs-)Variablen und diese verknüpfende lineare Nebenbedingungen
• eine zu maximierende oder zu minimierende lineare Zielfunktion → einkriteriell
• Daten sind vollständig bekannt → deterministisch
aij P1 P2 i
• Beispiel: Produktionsprogrammplanung
Masch. Y (i=1) 1 1 100
- Herstellung von 2 Produkten P1 und P2
Masch. Z (i=2) 1 2 160
- Stück-Deckungsbeiträge der Produkte
Vorprod. (i=3) 3 1 240
- Beschränkte Kapazitäten i an Maschinen und Vorprodukten
Stück-DB 6 3
- Produktionskoeffizienten:
• Die Bearbeitung einer ME von Produkt j auf Ressource i benötigt aij KE Max.-absatz 80 70
- Absatzbeschränkungen: maximale Absatzmengen der Produkte

◦ Gesucht: Produktionsprogramm mit Maximierung des Gesamt-Deckungsbeitrags (= Zielsetzung)
- Variablen x1 und x2 für Produktionsmenge der Produkte P1 und P2
• Darstellung als lineares Optimierungsmodell:
(1) max ՜ 𝐷𝐵 𝑥1, 𝑥2 = 6𝑥1 + 3𝑥2
◦ unter den Nebenbedingungen aij P1 P2 i
Masch. Y (i=1) 1 1 100
(2) 𝑥1 + 𝑥2 ≤ 100 Kapazitätsbedingung Maschine Y
(3) 𝑥1 + 2𝑥2 ≤ 160 Kapazitätsbedingung Maschine Z Masch. Z (i=2) 1 2 160
(4) 3𝑥1 + 𝑥2 ≤ 240 Verfügbarkeit Rohstoff Vorprod. (i=3) 3 1 240
(5) 𝑥1 ≤ 80, 𝑥2 ≤ 70 Absatzgrenzen der Produkte Stück-DB 6 3
(6) 𝑥1, 𝑥2 ≥ 0 Nichtnegativitätsbedingungen Max.-absatz 80 70

• Lösung linearer Optimierungsmodelle
◦ Graphische „Lösung“ – nur bei zwei Variablen
◦ Simplex-Algorithmus (z.B. in Add-Ins von Tabellenkalkulationsprogrammen, wie Excel)
• Graphische Vorgehensweise:
◦ Einzeichnen der Nebenbedingungen und Ermittlung der zulässigen Lösungsmenge
- Umformen in Geradengleichungen
𝑥1 + 𝑥2 ≤ 100
wird umgeformt in:
𝑥1 + 𝑥2 = 100

◦ Bestimmen und Verbinden von 2 Punkten: x2
𝑥1 = 0 ՜ 𝑥2 = 100, 𝑥2 = 0 ՜ 𝑥1 = 100 100
(2) (4)
◦ Ermitteln der Wirkungsrichtung: 80
𝑥 = 0,0 erfüllt 𝑥1 + 𝑥2 ≤ 100 (5)
→ Wirkung in Richtung Ursprung 50
◦ Bilden der Schnittmenge aller für einzelne 30 zulässiger

Nebenbedingungen zulässige Bereiche Bereich X (3)
40 70 100 160 x1

◦ Einzeichnen der Zielfunktion und x2
Lösungsermittlung: 100
(2) (4)
- z.B. 6𝑥1 + 3𝑥2 = 360
80
◦ Einzeichnen der Höhenlinie bei (5)
Nebenbedingungen
◦ Verschieben der Höhenlinie in Richtung 50
höherer Werte (bei Maximierung!),

30
solange der Rand des zulässigen
(3)
Bereiches noch berührt wird
40 70 100 160 x1

• Ablesen der optimalen Lösung: x2
100 (4)
x* = (70,30) (2)
→ 70 ME von P1 und 30 ME von P2 80
(5)
DB* = 510
→ maximaler Gesamt-DB = 510 GE 50
30
(3)
• Optimale Lösung = optimales Produktionsprogramm
40 70 100 160 x1

2.2.4.2 Das klassische Transportproblem (TPP) 1/2
• Beschreibung:
◦ Anbieter Ai (i = 1,…,m) eines bestimmten Gutes mit a1 A1 B1 b1
verfügbarer Menge ai
◦ Nachfrager Bj (j = 1,…,n) mit benötigter Menge bj eines Gutes
cij
◦ Transport einer ME von Ai nach Bj kostet cij GE ai Ai Bj bj
◦ Seien xij die von Ai nach Bj zu transportierenden ME, dann

werden also lineare Kostenfunktionen unterstellt, d.h.
am Am Bn bn
kij(xij) = 𝑐𝑖𝑗 ⋅ 𝑥𝑖𝑗
◦ Ziel: Suche kostenminimalen Transportplan, bei dem alle
Angebote ausgeschöpft und alle Nachfragen erfüllt werden

2.2.4.2 Das klassische Transportproblem (TPP) 2/2
• Mathematische Formulierung des linearen Optimierungsmodells mit spezieller Struktur des
Nebenbedingungssystems:
𝑚𝑖𝑛 ՜ 𝐾 𝑥 = σ𝑚 σ 𝑛
𝑖=1 𝑗=1 𝑐𝑖𝑗 ⋅ 𝑥𝑖𝑗
◦ unter den Nebenbedingungen
NB x11 x12 x13 x21 x22 x23 ai / bj
σ𝑛𝑗=1 𝑥𝑖𝑗 = 𝑎𝑖 ∀ i = 1,…,m
A1 1 1 1 a1 = 75
σ𝑚𝑖=1 𝑥𝑖𝑗 = 𝑏𝑗 ∀ j = 1,…,n
A2 1 1 1 a2 = 65
𝑥𝑖𝑗 ≥ 0 ∀ i und j B1 1 1 b1 = 30
◦ Beispiel mit m=2 und n=3 B2 1 1 b2 = 50
B3 1 1 b3 = 60

2.2.4.3 Ein binäres lineares Optimierungsproblem (Knapsack-Problem) 1/2
• Ein Wanderer kann zwischen n nützlichen Gegenständen auswählen
• Gegenstand j besitzt Gewicht gj und einen zuordenbaren Nutzen uj
• Welche Gegenstände bringen maximalen Nutzen, wenn er höchstens G Gewichtseinheiten tragen
möchte?
• Wir verwenden Binärvariablen xj:
1 𝐺𝑒𝑔𝑒𝑛𝑠𝑡𝑎𝑛𝑑 𝑗 𝑚𝑖𝑡𝑛𝑒ℎ𝑚𝑒𝑛
xj = ቊ
0 𝐺𝑒𝑔𝑒𝑛𝑠𝑡𝑎𝑛𝑑 𝑗 𝑛𝑖𝑐ℎ𝑡 𝑚𝑖𝑡𝑛𝑒ℎ𝑚𝑒𝑛

2.2.4.3 Ein binäres lineares Optimierungsproblem (Knapsack-Problem) 2/2
• Mathematisches Modell:
𝑛
max ՜ 𝑈 𝑥 = ෍ 𝑢𝑗 ⋅ 𝑥𝑗
𝑗=1
◦ Unter den Nebenbedingungen
𝑛
෍ 𝑔𝑗 ⋅ 𝑥𝑗 ≤ 𝐺
𝑗=1
𝑥𝑗 ∈ ሼ0; 1} ∀ j = 1,…,n
• Anwendungsbeispiele?

2.2.4.4 Ein nichtlineares Optimierungsmodell (Steiner-Weber-Problem) 1/3
• Gegeben:
◦ n Kunden, „angesiedelt“ auf homogener Fläche (Ebene)
◦ Standortkoordinaten (uj,vj) von Kunde j; Periodenbedarf bj ME eines Gutes
◦ Transportkosten zwischen je zwei Punkten (ui,vi) und (uj,vj) der Ebene proportional zu
Transportmenge und Entfernung
◦ Entfernungsmessung gemäß Euklidischer Metrik (Luftlinienentfernung):
𝑑 𝑖, 𝑗 ≔ (𝑢𝑖 − 𝑢𝑗 )2 +(𝑣𝑖 − 𝑣𝑗 )2

• Gesucht:
◦ Koordinaten (x*,y*) für transportkostenminimalen Standort eines Betriebes oder Lagers
• Mathematisches Modell:
𝑛
𝑚𝑖𝑛 ՜ 𝐾 𝑥, 𝑦 = 𝑐 ⋅ ෍ 𝑏𝑗 ⋅ (𝑥 − 𝑢𝑗 )2 +(𝑦 − 𝑣𝑗 )2
𝑗=1
𝑥, 𝑦 ∈ ℝ
• Lösung: Varignonscher Apparat; Iterationsverfahren (siehe Kap. 4)

• Varignonscher Apparat

2.1 Planung

2.3 Grundmodell der Entscheidungstheorie – Lösungsansätze
2.3.1 Entscheidung bei Risiko und einem Ziel 1/7
• „Optimale“ Lösung? → nicht so einfach zu finden wie bei Sicherheit
• Schwierigkeit:
◦ Kein eindeutiges Ergebnis, sondern Wahrscheinlichkeitsverteilung
◦ Erforderlich: Bewertung und Vergleich der Verteilungen
• Vorgehensweise:
◦ Präferenzfunktion:
- Ordnet jeder Handlungsalternative Ai einen Präferenzwert zu
◦ Entscheidungsregel oder –kriterium:
- Wählt zu verwendende Präferenzfunktion aus; evtl. zunächst Eliminierung von ineffizienten Alternativen

• Bei einer zu maximierenden Zielsetzung gilt:
◦ Definition:
- Alternative Ai ist effizient, falls kein Aq existiert mit
𝑒𝑞𝑘 ≥ 𝑒𝑖𝑘 ∀ Szenarien k = 1,…,K sowie

𝑒𝑞𝑘 > 𝑒𝑖𝑘 mindestens ein k
→ Andernfalls wird Ai durch Aq dominiert (→ Ai ist ineffizient)

• Gängige Präferenzfunktionen und Entscheidungskriterien (für Maximierung):
◦ Erwartungswert-Kriterium (µ-Kriterium):
𝑚𝑎𝑥 ՜ 𝜇 𝐴𝑖 = σ𝐾
𝑘=1 𝑝𝑘 ⋅ 𝑒𝑖𝑘 ∀ i = 1,…,M
◦ Standardabweichungs-Kriterium (σ-Kriterium):
𝑚𝑖𝑛 ՜ 𝜎 𝐴𝑖 = σ𝐾
𝑘=1 𝑝𝑘 ⋅ (𝑒𝑖𝑘 − 𝜇 𝐴𝑖 )
2 ∀ i = 1,…,M

◦ Erwartungswert-Standardabweichungs-Kriterium(ES) ((µ,σ)-Kriterium) mit 𝑞 ∈ ℝ
𝑚𝑎𝑥 ՜ 𝐸𝑆 𝐴𝑖 = 𝜇 𝐴𝑖 + 𝑞 ⋅ 𝜎(𝐴𝑖 ) ∀ i = 1,…,M
- M.a.W.: Wähle diejenige Alternative Ai*, für die µ(Ai*) bzw. ES(Ai*) von allen Alternativen den größten
Wert annimmt.
- Im Buch wird ES(Ai) als Risikopräferenzfunktion Φ (µ,σ) bezeichnet

• Beispiel: Ein Betrieb plant die Erneuerung des Maschinenparks
• Alternativen i = 1,…,3:
◦ A1: Ersatzinvestition
◦ A2: Erweiterungsinvestition
◦ A3: Rationalisierungsinvestition
• Mögliche Umweltlagen j = 1,…,4 (z.B. Konjunkturentwicklung):
◦ S1: Rezession mit Eintrittswahrscheinlichkeit p1 = 0,1
◦ S2: Stagnation mit p2 = 0,2
◦ S3: langsames Wachstum mit p3 = 0,5
◦ S4: beschleunigtes Wachstum mit p4 = 0,2
• Ziel ist die Maximierung des Umsatzes mit Umsatzerwartungen in 1000 GE:
d.h. q = - 1
pj 0,1 0,2 0,5 0,2
S1 S2 S3 S4 µ(Ai) σ(Ai) ɸ=µ-σ
A1 2 5 7 3 5,3 1,90 3,4
A2 6 3 5 4 4,5 0,92 3,6
A3 4 8 4 5 5,0 1,55 3,5

• Parameter q verdeutlicht die Risikoeinstellung des Planers:
q < 0 → risiko scheu q = 0 → risiko neutral q > 0 risiko freudig
σ ɸ=µ-σ σ ɸ=µ σ ɸ=µ+σ
4 ɸ=1 4 ɸ=2 ɸ=4 4
3 3 3
ɸ=4
2 ɸ=3 2 2
ɸ=2
1 1 1
1 2 3 4 µ 1 2 3 4 µ 1 2 3 4 µ
• Bei q < 0 bzw. q > 0 sieht der Planer σ als Bedrohung bzw. als Chance
2.3.2 Entscheidung bei Ungewissheit und einem Ziel 1/4
• Mögliche Entscheidungskriterien (bei zu maximierender Zielsetzung):
◦ Maximin-Kriterium:
max ՜ 𝑀𝑀𝑖𝑛 𝐴𝑖 = min 𝑒𝑖𝑘 | 𝑘 = 1, … , 𝐾 ∀ 𝑖 = 1, … , 𝑀
- Planer ist risikoscheu
◦ Maximax-Kriterium:
max ՜ 𝑀𝑀𝑎𝑥 𝐴𝑖 = max 𝑒𝑖𝑘 | 𝑘 = 1, … , 𝐾 ∀ 𝑖 = 1, … , 𝑀
- Planer ist risiko freudig

◦ Hurwicz-Kriterium mit Parameter λ ∈ 0,1 :
max ՜ 𝐻 𝐴𝑖 = (𝜆 ⋅ max 𝑒𝑖𝑘 + 1 − 𝜆 ⋅ min 𝑒𝑖𝑘 ) ∀ i = 1,…,M
𝑘 𝑘
- Kompromiss zwischen Maximin und Maximax
◦ Laplace-Kriterium:
𝑚𝑎𝑥 ՜ 𝐿 𝐴𝑖 = σ𝐾
𝑘=1 𝑒𝑖𝑘 ∀ i = 1,…,M
- Annahme: Alle Umweltlagen besitzen dieselbe Wahrscheinlichkeit p = 1/K

◦ Regret-Kriterium (Savage-Niehans-Regel):
- Bestimme szenariooptimale Werte: 𝑒𝑘∗ = max 𝑒𝑖𝑘 | 𝑖 = 1, … , 𝑀 ∀ k = 1,…,K
- Ermittle Regret (Bedauern, Nutzenentgang, Opportunitätskosten) 𝑟𝑖𝑘 = 𝑒𝑘∗ − 𝑒𝑖𝑘 für alle i und k
min ՜ 𝑅 𝐴𝑖 = max 𝑟𝑖𝑘 | 𝑘 = 1, … , 𝐾 ∀ i = 1,…,M
- D.h. wähle Alternative, bei der größter möglicher Nutzenentgang minimal ist

• Kriterien, angewandt auf obiges Beispiel:
Hurwicz
S1 S2 S3 S4 Min eik Max eik Laplace
λ=½
A1 1 7 9 3 1 9 5 20
A2 6 4 5 4 4 6 5 19 rik S1 S2 S3 S4 Max rik
A3 6 6 3 7 3 7 5 22 A1 5 1 0 4 5
A4 4 8 3 5 3 8 5,5 20 A2 0 4 4 3 4
A3 0 2 6 0 6
A4 2 0 6 2 6
e *k 6 8 9 7

2.3.3 Weiteres Beispiel – für ein Minimierungsziel 1/3
Sonne Regen Nebel
• Wir betrachten das Wegeproblem aus Kap. 2.2.3 (0,3) (0,5) (0,2)
◦ Szenarien: K = 6 Wenig Verkehr (0,3) S1 S2 S3
- verschiedene Wetter- und Verkehrsbedingungen Viel Verkehr (0,7) S4 S5 S6
- verschiedene Risikosituationen
S1 S2 S3 S4 S5 S6
pk 0,09 0,15 0,06 0,21 0,35 0,14
◦ Ergebnismatrix: A1= ACEB 9 10,7 11,1 16,1 18 19
- Reisedauern eik in Stunden A2= ACFB 7,7 10 12 14,3 15,7 16,9
- Wahrscheinlichkeit pk der Szenarien A3= ADFB 7,8 10,3 12,2 13,8 15,6 16,3
A4= ADGB 8,7 10,7 11,4 14,3 15,7 16,1

• Bei einer zu minimierenden Zielsetzung gilt:
◦ Definition:
- Alternative Ai ist effizient, falls kein Aq existiert mit
𝑒𝑞𝑘 ≤ 𝑒𝑖𝑘 ∀ Szenarien k = 1,…,K sowie

𝑒𝑞𝑘 < 𝑒𝑖𝑘 mindestens ein k
→ Andernfalls wird Ai durch Aq dominiert (→ Ai ist ineffizient)

◦ Sämtliche Wege unseres obigen Beispiels sind effizient
- siehe graue Felder, die jeweils die minimalen Fahrzeiten der Szenarien darstellen

• Einige Präferenzfunktionen bei Minimierung:
◦ (µ-Kriterium): min ՜ 𝜇 𝐴𝑖 = σ𝐾 𝑘=1 𝑝𝑘 ⋅ 𝑒𝑖𝑘
◦ ((µ,σ)-Kriterium): min ՜ 𝐸𝑆 𝐴𝑖 = μ 𝐴𝑖 + 𝑞 ⋅ σ𝐾
𝑘=1 𝑝𝑘 ⋅ (𝑒𝑖𝑘 − μ 𝐴𝑖 )
2
◦ Minimax-Kriterium: min ՜ 𝑀𝑀 𝐴𝑖 = max 𝑒𝑖𝑘 | 𝑘 = 1, … , 𝐾
◦ Regret-Kriterium: min ՜ 𝑅 𝐴𝑖 = max 𝑒𝑖𝑘 − 𝑒𝑘∗ | 𝑘 = 1, … , 𝐾

mit 𝑒𝑘∗ = min 𝑒𝑖𝑘 | 𝑖 = 1, … , 𝑀

BEISPIEL
S1 S2 S3 S4 S5 S6 Risiko Ungewissheit
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1
7,7 10 12 14,3 15,7 16,9

A2
7,8 10,3 12,2 13,8 15,6 16,3

A3
8,7 10,7 11,4 14,3 15,7 16,1

A4
e *k

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4
7,7 10 12 14,3 15,7 16,9

A2 13,8
7,8 10,3 12,2 13,8 15,6 16,3

A3 13,6
8,7 10,7 11,4 14,3 15,7 16,1

A4 13,8
e *k

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5
7,7 10 12 14,3 15,7 16,9

A2 13,8 2,9
7,8 10,3 12,2 13,8 15,6 16,3

A3 13,6 2,7
8,7 10,7 11,4 14,3 15,7 16,1

A4 13,8 2,5
e *k

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5 18,9
7,7 10 12 14,3 15,7 16,9

A2 13,8 2,9 16,7
7,8 10,3 12,2 13,8 15,6 16,3

A3 13,6 2,7 16,3
8,7 10,7 11,4 14,3 15,7 16,1

A4 13,8 2,5 16,3
e *k

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5 18,9 19,0
7,7 10 12 14,3 15,7 16,9

A2 13,8 2,9 16,7 16,9
7,8 10,3 12,2 13,8 15,6 16,3

A3 13,6 2,7 16,3 16,3
8,7 10,7 11,4 14,3 15,7 16,1

A4 13,8 2,5 16,3 16,1
e *k

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5 18,9 19,0
7,7 10 12 14,3 15,7 16,9

A2 13,8 2,9 16,7 16,9
7,8 10,3 12,2 13,8 15,6 16,3

A3 13,6 2,7 16,3 16,3
8,7 10,7 11,4 14,3 15,7 16,1

A4 13,8 2,5 16,3 16,1
e *k 7,7 10 11,1 13,8 15,6 16,1

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5 18,9 19,0
1,3 0,7 0 2,3 2,4 2,9
7,7 10 12 14,3 15,7 16,9
A2 13,8 2,9 16,7 16,9
0 0 0,9 0,5 0,1 0,8
7,8 10,3 12,2 13,8 15,6 16,3
A3 13,6 2,7 16,3 16,3
0,1 0,3 1,1 0 0 0,2
8,7 10,7 11,4 14,3 15,7 16,1
A4 13,8 2,5 16,3 16,1
1 0,7 0,3 0,5 0,1 0
e *k 7,7 10 11,1 13,8 15,6 16,1

BEISPIEL
ES mini
pk 0,09 0,15 0,06 0,21 0,35 0,14 µ σ R
q=1 max
9 10,7 11,1 16,1 18 19
A1 15,4 3,5 18,9 19,0 2,9
1,3 0,7 0 2,3 2,4 2,9
7,7 10 12 14,3 15,7 16,9
A2 13,8 2,9 16,7 16,9 0,9
0 0 0,9 0,5 0,1 0,8
7,8 10,3 12,2 13,8 15,6 16,3
A3 13,6 2,7 16,3 16,3 1,1
0,1 0,3 1,1 0 0 0,2
8,7 10,7 11,4 14,3 15,7 16,1
A4 13,8 2,5 16,3 16,1 1,0
1 0,7 0,3 0,5 0,1 0
e *k 7,7 10 11,1 13,8 15,6 16,1

2.1 Planung

2.4 Lösung von Zielkonflikten 1/2
• In Kap. 1.3.4: Beschreibung von Zielbeziehungen
→ Hier: Lösung von Zielkonflikten bei nur einer Umweltlage
• Beispiel für wechselnde Beziehungen:

◦ Maximiere Umsatz 𝑈 𝑥 = 𝑝 𝑥 ⋅ 𝑥 bzw. Gewinn 𝐺 𝑥 = 𝑈 𝑥 − 𝐾(𝑥)
◦ in Abhängigkeit vom Absatz x bei monopolistischem Anbieter für
- monoton fallende Preisfunktion p(x) und
- monoton steigende Kostenfunktion K(x)

2.4 Lösung von Zielkonflikten 2/2
• Zum Beispiel:
◦ 𝑝 𝑥 = 6 − 2𝑥 für 0 ≤ 𝑥 ≤ 2 U(x)
◦ 𝐾 𝑥 = 2𝑥 für 0 ≤ 𝑥 ≤ 2
G(x)
◦ 𝑈 𝑥 = 6𝑥 − 2𝑥 2 mit Maximum an 𝑥𝑢 = 1,5
◦ 𝐺 𝑥 = 4𝑥 − 2𝑥 2 mit Maximum an 𝑥𝑔 = 1 x
2
→ 0 < 𝑥 < 𝑥𝑔 : U,G komplementär, wachsend mit x
xg
→ 𝑥𝑔 < 𝑥 < 𝑥𝑢 : U,G konfliktär
xu
→ 𝑥𝑢 < 𝑥 < 2: U,G komplementär, fallend mit x
• Zur Lösung von Zielkonflikten: Lexikographische Ordnung von Zielen, Zielgewichtung,
Zieldominanz, Goal Programming

2.4.1 Lexikographische Ordnung 1/2
• Zielhierarchie 𝐴 ≫ 𝐵 ≫ 𝐶: wichtigstes Ziel ≫ zweitwichtigstes Ziel ≫ drittwichtigstes Ziel
• Die Optimierung erfolgt in dieser lexikographischen Ordnung oder Reihenfolge:
1) Optimiere Problem ausschließlich bzgl. Ziel A
→ Menge der optimalen Alternativen XA
2) Optimiere Problem, beschränkt auf Alternativen XA, ausschließlich bzgl. Ziel B
→ Menge der optimalen Alternativen XB
3) Optimiere Problem, beschränkt auf Alternativen XB, ausschließlich bzgl. Ziel C
→ Menge der optimalen Alternativen XC
• Führe Schritte so lange aus, bis nur noch eine optimale Lösung verbleibt oder keine weitere
Zielsetzung zu berücksichtigen ist

2.4.1 Lexikographische Ordnung 2/2
• Beispiel: Ergebnismatrix mit 5 Alternativen und 4
(Maximierungs-)Zielen Z1 Z2 Z3 Z4
◦ Hierarchie 𝑍2 ≫ 𝑍1 ≫ 𝑍4 ≫ 𝑍3
A1 2 4 10 6
1) Optimal bezüglich Z2 ist {A1,A3}; somit XA = {A1,A3}
A2 4 3 16 8
2) Wegen gleicher Zielbeiträge (= 2) von A1 und A3 bzgl.
Z1 gilt XB = {A1,A3} A3 2 4 10 17
3) Aufgrund von Z4 scheidet A1 aus; XC = {A3} A4 8 0 0 20
→ Alternative A3 ist „optimal“ A5 14 2 12 8
◦ Z3 wird nicht berücksichtigt

2.4.2 Zieldominanz
• Das wichtigste Ziel wird dominierendes Hauptziel und als einziges in der Zielfunktion berücksichtigt
• Alle übrigen Ziele werden zu satisfizierenden Nebenzielen und mit vorzugebenden
Anspruchsniveaus (Mindest- oder Höchstwerten) in den Nebenbedingungen berücksichtigt
→ Schwierigkeit: Wahl der Anspruchsniveaus, so dass „sinnvolle“ Alternativen bleiben
◦ Beispiel: im obigen Problem Z2 als zu maximierendes Hauptziel Z1 Z2 Z3 Z4
- Für Z1 bzw. Z3 seien untere Schranken 𝑒𝑖1 ≥ 3 bzw. 𝑒𝑖3 ≥ 11 A1 2 4 10 6
- Für Z4 eine obere Schranke 𝑒𝑖4 ≤ 15 A2 4 3 16 8
- Aufgrund der Schranken sind nur Alternativen {A2,A5} zulässig A3 2 4 10 17
→ Wegen Z2 ist A2 „optimal“ A4 8 0 0 20
A5 14 2 12 8

2.4.3 Zielgewichtung
• Gewichtung der Ziele mit reellen Zahlen 𝜆1 , … , 𝜆ℎ , … , 𝜆𝐻 mit 0 ≤ 𝜆ℎ ≤ 1 und σ𝐻
ℎ=1 𝜆ℎ = 1
• Auswahl bei zu maximierenden Zielen:
𝑚𝑎𝑥 ՜ 𝑍𝐺 𝐴𝑖 = σ𝐻 ℎ ∀ i = 1,…,M
𝜆
ℎ=1 ℎ ⋅ 𝑒𝑖
• Schwierigkeit: Wahl geeigneter Gewichte bei unterschiedlichen Dimensionen der Ergebnisse der
Ziele
𝑒𝑖ℎ
→ u.U. besser: maximale gewichtete Summe der Zielerreichungsgrade 𝑔𝑖ℎ = ൗ𝑒 ∗
ℎ
ℎ
𝑚𝑎𝑥 ՜ 𝑍𝐸𝐺 𝐴𝑖 = σ𝐻 𝜆
ℎ=1 ℎ ⋅ 𝑔𝑖

2.4.4 Goal-Programming 1/10
• Vorzugeben sind gewünschte (z.B. bestmögliche) Ergebnisse 𝑒ҧ ℎ für die Ziele
◦ Auswahl:
ℎ
min ՜ 𝐺𝑃1 𝐴𝑖 = σ𝐻 ℎ
ℎ=1 𝑒ҧ − 𝑒𝑖 ∀ i = 1,...,M
◦ bei unterschiedlichen Größenordnungen der Ziele zusätzlich Gewichtung:

ℎ
min ՜ 𝐺𝑃2 𝐴𝑖 = σ𝐻 ℎ
ℎ=1 𝜆ℎ ⋅ 𝑒ҧ − 𝑒𝑖 ∀ i = 1,…,M
- Das verwendete Abstandsmaß heißt L1-Metrik (rechtwinkelige Entfernungsmessung)

◦ bei allgemeiner Lp-Metrik mit 𝑝 ≥ 1 gilt:
𝑝
σ𝐻 ℎ 𝑝
min ՜ 𝐺𝑃3 𝐴𝑖 = ℎ=1 𝑒ҧ ℎ − 𝑒𝑖 ∀ i = 1,…,M
◦ Für p = 2 ergibt sich die Euklidische Entfernungsmessung (Luftlinienentfernung)

◦ Für 𝑝 ՜ ∞ ist die größte bei einem Ziel auftretende Abweichung zu minimieren
- “Minimax-Kriterium”

• Beispiele: Zielgewichtung mit gegebenen 𝜆ℎ Maximierungsproblem :
◦ Ferner GP1 sowie GPu mit 𝑝 ՜ ∞
Z1 Z2 Z3 Z4 ZG(Ai) GP1(Ai) GPu(Ai)
A1 2 4 10 6
A2 4 3 16 8
A3 2 4 10 17
A4 8 0 0 20
A5 14 2 12 8
λh 0,3 0,4 0,1 0,2
Zielgewichtung
𝑒ҧ ℎ 8 3 10 8

• Beispiele: Zielgewichtung mit gegebenen 𝜆ℎ :

A1 2 4 10 6 4,4
A2 4 3 16 8 5,6
A3 2 4 10 17 6,6
A4 8 0 0 20 6,4
A5 14 2 12 8 7,8
λh 0,3 0,4 0,1 0,2

◦ Ferner GP1 sowie GPu mit 𝑝 ՜ ∞ und ohne zusätzliche Gewichtung
A1 2 4 10 6 4,4
A2 4 3 16 8 5,6
A3 2 4 10 17 6,6
A4 8 0 0 20 6,4
A5 14 2 12 8 7,8
λh 0,3 0,4 0,1 0,2
𝑒ҧ ℎ 8 3 10 8

A1 2 4 10 6 4,4 9
A2 4 3 16 8 5,6 10
A3 2 4 10 17 6,6 16
A4 8 0 0 20 6,4 25
A5 14 2 12 8 7,8 9
λh 0,3 0,4 0,1 0,2
𝑒ҧ ℎ 8 3 10 8

A1 2 4 10 6 4,4 9 6
A2 4 3 16 8 5,6 10 6
A3 2 4 10 17 6,6 16 9
A4 8 0 0 20 6,4 25 12
A5 14 2 12 8 7,8 9 6
λh 0,3 0,4 0,1 0,2
𝑒ҧ ℎ 8 3 10 8

• Zielerreichungsgrad: 𝑔𝑖ℎ = 𝑒𝑖ℎ ൗ𝑒ℎ∗
Z1 Z2 Z3 Z4 𝑔𝑖ℎ Z1 Z2 Z3 Z4 ZEG(Ai)
A1 2 4 10 6 A1
A2 4 3 16 8 A2
A3 2 4 10 17 A3
A4 8 0 0 20 A4
A5 14 2 12 8 A5
λh 0,3 0,4 0,1 0,2 λh 0,3 0,4 0,1 0,2
𝑒ℎ∗ 14 4 16 20

A1 2 4 10 6 A1 1/7 1 5/8 3/10
A2 4 3 16 8 A2 2/7 3/4 1 2/5
A3 2 4 10 17 A3 1/7 1 5/8 17/20
A4 8 0 0 20 A4 4/7 0 0 1
A5 14 2 12 8 A5 1 1/2 3/4 2/5
λh 0,3 0,4 0,1 0,2 λh 0,3 0,4 0,1 0,2
𝑒ℎ∗ 14 4 16 20

2.4.4 Goal-Programming 10/10 Gewichtete
Erreichungsgrade
A1 2 4 10 6 A1 1/7 1 5/8 3/10 0,57
A2 4 3 16 8 A2 2/7 3/4 1 2/5 0,57
A3 2 4 10 17 A3 1/7 1 5/8 17/20 0,68
A4 8 0 0 20 A4 4/7 0 0 1 0,37
A5 14 2 12 8 A5 1 1/2 3/4 2/5 0,37
λh 0,3 0,4 0,1 0,2 λh 0,3 0,4 0,1 0,2
𝑒ℎ∗ 14 4 16 20

2.4.5 Zielkonfliktlösung bei (linearen) Optimierungsproblemen 1/5
• Die dargestellten Konzepte lassen sich auf x2
Optimierungsmodelle übertragen 100
DB
◦ Siehe v.a. Übungsaufgabe 2.4. 80
• Beispiele zu Kap. 2.2.4.1
◦ mit Zielfunktion 6𝑥1 + 3𝑥2 50
◦ Optimalpunkt R
30
R
40 70 100 160 x1

• Lexikographische Ordnung: x2
𝑋𝐴 = 0,70 , … , (20,70)
100
A: Maximiere 𝑥2 DB
𝑋𝐵 = 𝑃; Ziel C nicht berücksichtigt
B: Maximiere 𝐷𝐵 = 6𝑥1 + 3𝑥2 80
C: Maximiere 𝐻 = 𝑥1 + 𝑥2 P
50
30
R
40 70 100 160 x1

• Lexikographische Ordnung: x2
100
A: Maximiere 𝑥1 DB
𝑋𝐴 = 𝑆; Ziel B nicht berücksichtigt
B: Maximiere 𝐷𝐵 = 6𝑥1 + 3𝑥2 80
50
30
R
40 70 S 100 160 x1

• Zielgewichtung: x2
100
◦ Gewichtung der zu maximierenden Funktionen DB Optimalpunkt ist Q
𝐷𝐵 = 6𝑥1 + 3𝑥2 mit 1/2 80
und 𝐻 = 𝑥1 + 5𝑥2 mit 1/2:
Q
50
max ՜ 𝑍𝐺 𝑥 = 3,5𝑥1 + 4𝑥2
30
R
ZG
◦ Allgemein liefert Zielgewichtung wieder eine
lineare Funktion
40 70 100 160 x1
→ optimal ist stets ein Eckpunkt

• Zieldominanz: x2
100
◦ Maximiere 𝐷𝐵 = 6𝑥1 + 3𝑥2 und untere DB
Schranke 𝑥2 ≥ 40 80
→ Lösung T ist kein Eckpunkt des bisherigen
zulässigen Bereichs X
50
T
30
R
40 70 100 160 x1

2.1 Planung

2.5 (Risiko-)Nutzentheorie –
Nutzenfunktionen bei Sicherheit 1/7
• Schwierigkeiten bei der Entscheidungsfindung basierend auf Ergebnissen:
◦ Ergebnisse nicht immer quantifizierbar
- Beispiele: Farbe und Design eines Autos
◦ Nutzenzuwachs abhängig von bisheriger Ergebnishöhe
- Beispiele: Höchstgeschwindigkeit bei PKW, Bierkonsum
◦ Betrachtung mehrerer zumeist konfliktärer Ziele
- Beispiel: Leistung vs. Spritverbrauch
◦ Ergebnisse besitzen unterschiedliche Dimensionen und Bandbreiten
- Beispiele: Höchstgeschwindigkeit vs. Spritverbrauch, Kapazität einer Maschine vs. Anschaffungskosten
(Dimensionen), Umsatz und Gewinn (Bandbreite)

• Konzept der Nutzenfunktionen
◦ Abbildung u(x), die jedem Ergebnis x einen reellen Nutzenwert u(x) zuordnet
◦ Typischerweise Normierung auf das Intervall [0,1]
◦ Bestes Ergebnis → u(x) = 1; schlechtestes Ergebnis → u(x) = 0
a) Ordinale Nutzenfunktion: Ergebnisse lassen sich in eine Rangfolge bringen
b) Messbare Nutzenfunktion: Nutzendifferenz ist ein Maß für die Stärke der Präferenzen
u(x)
• Beispiel zu b): 1,0
0,75
◦ Dauer x eines Karibikurlaubs 0,50
◦ Konkaver Verlauf: typisch für „Sättigungseffekt“ 0,25
(Urlaubstage, Limonade, Schokolade) 10 11,2 13 15,5 20 x in Tagen

• Existenz einer Nutzenfunktion
◦ Entscheidungsträger besitzt eine Präferenz zwischen 2 Alternativen x und y, wenn:
- Er x gegenüber y präferiert (Schreibweise: 𝑥 ≫ 𝑦) oder
- Er y gegenüber x präferiert (𝑦 ≫ 𝑥) oder
- Er indifferent zwischen x und y ist (𝑥 ~ 𝑦)
◦ Rationales Handeln erfordert Einhaltung von Mindestanforderungen (Axiomen), z.B.

- Vollständigkeit: Präferenz existiert zwischen jedem Alternativenpaar
- Transitivität: aus 𝑥 ≫ 𝑦 und 𝑦 ≫ 𝑧 folgt 𝑥 ≫ 𝑧

• Im Falle 𝑥 ≫ 𝑦 ≫ 𝑧 ≫ 𝑥 „Geldpumpe“: bei jedem rekursiven Übergang – von x über z, y und
erneut auf x – ist Entscheider bereit, einen Betrag a, b bzw. c zu zahlen;
→ Am Ende wieder Alternative x (trotz Zahlung von a+b+c)
• Nicht rational handelnd, z.B. Aktie 1 (µ=10%,σ=10%) Aktie 2 (µ=10%,σ=15%) Aktie 3 (µ=10%,σ=18%)
→ ein risikoaverser Investor bevorzugt Aktie 1 vor Aktie 2, Aktie 2 vor
Aktie 3 ABER Aktie 3 vor Aktie 1
→ seine Präferenzen sind intransitiv
• Anforderungen für messbare Nutzenfunktionen
◦ Übergänge zwischen Ergebnissen sind durch Entscheider interpretierbar
◦ Vollständige und transitive Präferenzordnung auch für Übergänge (𝑥 ՜ 𝑦)

u(x)
1,0
2.5 (Risiko-)Nutzentheorie - 0,75
0,50
• Beispiel: Dauer eines Karibikurlaubs
0,25
◦ Übergang von 10 auf 15 Tage „wertvoller“ als von 15 15,5
auf 20: (10 ՜ 15) ≫ (15 ՜ 20) 11,2 13 15 20 x
◦ Ersichtlich aus Nutzendifferenzen: u(x)

𝑢 15 − 𝑢 10 = 0,71 > 𝑢 20 − 𝑢 15 = 0,29
1,0
0,75
• Weiteres Beispiel: Nutzenfunktion für Klausurnoten 0,6
0,35
5 4 3 2 1 Note

• Bestimmung einer Nutzenfunktion (Halbierungsmethode)
◦ Schlechteste Ausprägung 𝑥0 : 𝑢 𝑥0 = 0
◦ Beste Ausprägung 𝑥1 : 𝑢 𝑥1 = 1
◦ Suche den wertmäßigen Mittelpunkt 𝑥0,5 des Intervalls 𝑥0 , 𝑥1 :
→ d.h. (𝑥0 ՜ 𝑥0,5 ) ~ (𝑥0,5 ՜ 𝑥1 ) und setze 𝑢 𝑥0,5 = 0,5
• Frage also: Bei welchem Wert 𝑥0,5 ist der Nutzenzuwachs für den Übergang (𝑥0 ՜ 𝑥0,5 ) gleich dem
für den Übergang (𝑥0,5 ՜ 𝑥1 ) ?

• Sukzessives Halbieren jedes Teilintervalls:
◦ 𝑥0 , 𝑥0,5 : Suche 𝑥0,25 mit (𝑥0 ՜ 𝑥0,25 ) ~ (𝑥0,25 ՜ 𝑥0,5 ) → setze 𝑢 𝑥0,25 = 0,25
◦ 𝑥0,5 , 𝑥1 : Suche 𝑥0,75 mit (𝑥0,5 ՜ 𝑥0,75) ~ (𝑥0,75 ՜ 𝑥1 ) → setze 𝑢 𝑥0,75 = 0,75
• Beispiel: Dauer eines Karibikurlaubs
x0 x0,25 x0,5 x0,75 x1

Nutzenwert 0 0,25 0,5 0,75 1
Urlaubsdauer 10 11,2 13 15,5 20

2.1 Planung

2.6. Mehrstufige Entscheidungsprobleme 1/9
• Bislang Betrachtung von Modellen mit einmaliger Entscheidung (statische Modelle)
• Häufig Folge einander beeinflussender Entscheidungen (dynamische Modelle)
• Gesucht ist eine Folge bestmöglicher (optimaler) Entscheidungen
• Bei sicheren Informationen (= deterministisches Modell):
◦ Annahme eines Planungszeitraums mit T Perioden, t = 1,…, T
◦ In jeder Periode t ist eine Entscheidung zu treffen, d.h. eine Aktion At zu wählen, wodurch ein
Zielbetrag (Auszahlung, Gewinn, Kosten) et entsteht
◦ Ziel: Wähle eine Entscheidungsfolge (Politik) A1,…, AT so, dass die Summe der Zielbeträge σ𝑡 𝑒𝑡
maximiert oder minimiert wird

• Beispiel: Grundmodell der dynamischen Losgrößenplanung mit folgenden Annahmen:
◦ Planung für ein Gut mit Bedarf (Nachfrage) bt zu Beginn von Periode t = 1,…, T
◦ Fixe Bestellkosten ft (GE), falls für Periode t eine Bestellung aufgegeben wird
◦ Lagerhaltungskosten ct (GE pro ME, die in Periode t gelagert werden)
◦ Anfangsbestand in t = 0 und Endbestand am Ende von T seien 0
→ Wie viele ME qt sind für jede Periode t zu bestellen, so dass bei Deckung aller Bedarfe minimale
Gesamtkosten entstehen?

• Tabelle zeigt eine Modellinstanz mit T = 4
◦ Überlegungen:
- A1 = q1 = 11 Periode t 1 2 3 4
- A2 = q2 = 0
- A3? bt 7 4 5 6
- A4?
- Eine zulässige Lösung (Politik)? ft 3 3 4 5
- qt = bt für alle t mit Kosten σ𝑡 𝑓𝑡 = 15
ct 0,5 0,4 0,3 (0,4)
→ Optimale Lösung, siehe Kap. 4

• Bei Entscheidung unter Unsicherheit (stochastische Modelle):
◦ In jeder Periode verschiedene Umweltlagen mit bestimmten Wahrscheinlichkeiten (Risiko)
◦ Zielzustand Zt einer Periode (Entscheidungsstufe) t abhängig vom Anfangszustand Zt-1,
Entscheidung At und Umweltlage St
◦ Sachverhalt darstellbar durch stochastischen Entscheidungsbaum
- Baum mit Entscheidungsknoten (Kästchen) und Zufallsknoten (Kreise)
- Entscheidungen führen jeweils zu Kosten und/oder Erlösen
◦ Mögliche Entscheidungsregel: Bestimme die Entscheidungsfolge im Baum mit größtem

Erwartungswert aus Erlösen abzüglich Kosten

• Erläuterung anhand eines Beispiels (Bamberg/Coenenberg (2000)):
◦ Eine Ölgesellschaft besitzt Bohrrechte für ein Gebiet
◦ Vor Bohrung in t = 2 könnte in t = 1 ein seismischer Test erfolgen → Kosten 30 GE
- Mit p = 0,6 ein positives Ergebnis → tatsächliche Ölfunde mit p = 0,85
- Mit p = 0,4 ein negatives Ergebnis → tatsächliche Ölfunde mit p = 0,1
◦ Wird ohne Test gebohrt → tatsächliche Ölfunde mit p = 0,55
◦ Bohrvorgang kostet 100 GE → bei Ölfund können die Bohr- bzw. Förderrechte für 400 GE
verkauft werden, sonst sind sie wertlos
→ Gesucht: Folge von Entscheidungen mit maximalem erwartetem Gewinn

Erlöse
2.6. Mehrstufige Entscheidungsprobleme 6/9 400
• Entwicklung des Entscheidungsbaumes

0
0
p=1
400
0
0
p=1
400
0
p=1
0
p=1
Stufe 1 Stufe 2

µ=0,85*400+0,15*0=340
Erlöse
2.6. Mehrstufige Entscheidungsprobleme 7/9 400
• Auswertung: µ=max{340-100;0}
=240 0
µ=0
0
µ=0,6*240+0,4*0=144 p=1
µ=40 400
µ=0 0
µ=max{40-100;0} 0
=0 p=1
µ=max{144-30;120}
µ=220 400
=120
µ=max{220-100;0}
=120
µ=0 0
p=1
µ=120
0
p=1
Stufe 1 Stufe 2

◦ Optimale Politik durch Rückwärtsrechnung von rechts nach links zu ermitteln (dabei Bestimmung
von Gewinnerwartungswerten µ in stochastischen Knoten)
◦ An Entscheidungsknoten ist die Aktion zu wählen, die den höchsten erwarteten Gewinn aufweist
• Ergebnisse:
◦ Falls Test positiv ausfällt → bohren → Erwartungswert 240 GE
◦ Falls Test negativ ausfällt → nicht bohren → Erwartungswert 0 GE (sonst –60 GE!!)
◦ Falls kein Test ausgeführt → dennoch bohren → Erwartungswert 120 GE (sonst 0 GE)
• Insgesamt: Test ist bei Orientierung an Erwartungswerten (120 GE gegenüber 114 GE) nicht zu
empfehlen → besser kein Test und unmittelbar Bohrung

• Mit stochastischen Entscheidungsbäumen lassen sich verschiedene mögliche
Zukunftsentwicklungen bei aktueller Entscheidung (z.B. in t = 1) antizipierend einbeziehen
• Entscheidungsfolgen in späteren Perioden haben den Charakter von bedingten Eventualplänen
◦ Werden beim Eintreten der entsprechenden Umweltentwicklungen relevant
• Man spricht von flexibler Planung
◦ Unsicherheit wird über zukünftige Entwicklung explizit und mehrwertig berücksichtigt

STEOP ABWL Kapitel 2 Planung Entscheidung

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

STEOP ABWL Kapitel 2 Planung Entscheidung

Hochgeladen von

Copyright:

Verfügbare Formate

Kapitel 2 – Planung & Entscheidung

Univ.-Prof. Dr. Karl F. Dörner, Sommersemester 2022

2 Planung & Entscheidung Seite 2

2 Planung & Entscheidung Seite 3

2 Planung & Entscheidung Seite 4

◦ Zukunftsorientierung: Erreichung zukünftiger Zustände

◦ Subjektiver Prozess: Auswahl des Planungsgegenstandes, der Zielsetzungen, der

2 Planung & Entscheidung Seite 5

◦ Rationaler und kreativer Prozess:

◦ Vorbereitung von Entscheidungen: gedankliche Vorwegnahme zukünftiger Entwicklungen

2 Planung & Entscheidung Seite 6

2 Planung & Entscheidung Seite 7

2 Planung & Entscheidung Seite 8

• Plan: enthält durchzuführende Maßnahmen (= Lösung des Problems) sowie Ziele,

2 Planung & Entscheidung Seite 9

2 Planung & Entscheidung Seite 10

2 Planung & Entscheidung Seite 11

2 Planung & Entscheidung Seite 12

• Handhabung der Komplexität mit Hilfe von Modellen

2 Planung & Entscheidung Seite 13

2.2.1 Zum Modellbegriff 1/2

• Modell: vereinfachtes Abbild eines realen Urbildes (System bzw. Problem)

• Homomorphes (strukturähnliches) Modell: vereinfachtes Abbild durch Abstraktion

2 Planung & Entscheidung Seite 14

2 Planung & Entscheidung Seite 15

2 Planung & Entscheidung Seite 16

• Prognosemodelle: What-If-Analysen zur Prognose der Auswirkungen von Handlungsalternativen

2 Planung & Entscheidung Seite 17

◦ Entscheidungsmodell = formale Darstellung eines Entscheidungsproblems

◦ Auswahl der Handlungsalternative mit bester Zielwirkung (= optimale Lösung)

- Beispiele: Bestimmung einer Minimalkostenkombination bei gegebenem Output; Kürzeste-Wege-

2 Planung & Entscheidung Seite 18

◦ Durchspielen des Systemverhaltens → Beurteilung der Konsequenzen von

◦ Wichtig v.a. bei teuren oder gefährlichen Konsequenzen im realen System

2 Planung & Entscheidung Seite 19

2 Planung & Entscheidung Seite 20

2.2.2 Einteilung von Modellen 6/8

• Verbale Modelle: z.B. Stellenbeschreibung, Prozessbeschreibung, Organigramm

• Physi(kali)sche Modelle: z.B. Flugzeugmodell, Varignonscher Apparat zur Standortoptimierung,

2 Planung & Entscheidung Seite 21

Nach der Veränderlichkeit des Problems/Systems:

2 Planung & Entscheidung Seite 22

2 Planung & Entscheidung Seite 23

2 Planung & Entscheidung Seite 24

• Wahrscheinlichkeiten bekannt: Entscheidung unter Risiko

2 Planung & Entscheidung Seite 26

2 Planung & Entscheidung Seite 27

• Simultanes Ermitteln von Lösungen und Auswahl der optimalen Lösung

• Gegenstand des Operations Research

2 Planung & Entscheidung Seite 28

- Absatzbeschränkungen: maximale Absatzmengen der Produkte

2 Planung & Entscheidung Seite 29

2 Planung & Entscheidung Seite 30

2 Planung & Entscheidung Seite 31

→ Wirkung in Richtung Ursprung 50

◦ Bilden der Schnittmenge aller für einzelne 30 zulässiger

2 Planung & Entscheidung Seite 32

höherer Werte (bei Maximierung!),

2 Planung & Entscheidung Seite 33

2 Planung & Entscheidung Seite 34

◦ Seien xij die von Ai nach Bj zu transportierenden ME, dann

2 Planung & Entscheidung Seite 35

2 Planung & Entscheidung Seite 36

2 Planung & Entscheidung Seite 37