第四节 情景思考理论

一 情景思考

1．情景思考的内涵

在情景分析过程中，有时把情景思考（Scenario thinking）看做情景分析（Scenario analysis）或情景规划（Scenario planning），作为战略规划的一种，不过在本书中，只把情景思考看做情景分析过程中的思考模式。

在情景分析过程中，采用的是系统思考（System thinking），以替代线性思考（Linear thinking）。

Neilson and Wagner强调指出，情景分析能通过创造性思维激发战略思考，情景思考的目标是：

•预测未来的威胁和机遇；

•基于对过去事件乐观和悲观的映射来发展多个可选择的未来图像；

•培养战略思维和学习；

•促进战略谈话的艺术；

•预见未来的状态；

•挑战或消除关于未来的习惯性的假设；

•建立一个着力点；

•为新的倡议或方向提供方向；

•构建决策选项；

•创造一个关于未来的共同远景框架，以影响组织和个人的行为；

•建立一个内部或外部的沟通渠道，超越组织界限、时间和空间。

Dreborg识别了三种典型的针对未来的思考模式：预测性（Predictive）思维模式、可能发生的（Eventuality）思维模式、愿景（Visionary）思维模式。情景分析在研究未来方面，有不同的应用特点，预测（Forecasting）情景的范畴较窄，属于预测性（Predictive）思维模式；外部（External）情景属于可能发生的（Eventuality）的思维模式；Backcasting属于愿景（Visionary）思维模式。

2．情景思考的原则

Fink认为，“情景管理”应建立在以下三个主要原则之上：①系统思考（System Thinking）。传统的管理方法侧重于对单一个体的分析，忽略了对系统整体的认识，因此常常导致失败。所以我们必须加强对复杂系统的整体性分析。②开放式未来思考（Future-open Thinking）。因为未来不可能只有一种结局，因此人们应该习惯把多种可能的结局考虑进来。③策略性思考（Strategic Thinking）。以前，公司一般都只会考虑可控制因素的变动性和成功。在20世纪70年代的经济萧条和石油危机到来后，“连续性的年代”终结了。企业家不再只重视眼前的利益，相反他们开始把长远利益考虑进来。策略性思考因此成为一个复杂和激烈环境中成功行动的保障。

全球商业环境壳牌国际有限公司的一位副总裁认为，情景思考方式本身就植根于人类的思考中，制定规划、考虑各种可能性，都在有意无意地利用这种思考模式。影响情景分析的原则和技术主要包括：心智模式（Mental models）、认知图（Cognitive mapping）、系统思考（Systems analysis）、利益相关者分析（Stakeholder analysis）、概念模式（Conceptual thinking）、决策分析（Decision analysis）、易化技术（Facilitation techniques）、口头传统和故事叙述（Oral tradition and storytelling）。见图2-6。

麦茨·林德格伦（Mats Lindgren）等也提出情景思考的原则：

情景思考的七个原则——原则1：给你自己找到一个工具箱；原则2：小心控制你的大脑；原则3：在戏剧中思维；原则4：在未来思维；原则5：在不确定性中思维；原则6：在系统中思维；原则7：在角色和移动中思维。战略思考原则——原则1：在自相矛盾中思维；原则2：愿景思维；原则3：在即兴演奏中思考；原则4：在时间中思维；原则5：在资源中思考；原则6：在生命周期中思维；原则7：在实验和打赌中思维。

除以上提到的原则外，情景思考也要关注以下三个原则：一是要有长远眼光，情景分析适用于中长期战略规划与决策，因此，情景思考也要着眼于长期；二是“由外向内”思考，一般思考方式习惯于由内向外，针对不确定性的情景思考，要从分析外部的社会、经济、环境着手；三是要有多种多样的想法，情景思考忌讳传统的、线性思考，只有打破常规进行思考，才能有效洞察一些具有高度不确定性的事件。

3．学习在情景分析中的作用

P. Schwart、K. vander Heijde和A. de Geus都认为，学习（Learning）是情景规划的重要组成。在一个情景规划系统中，学习的用处是“再洞察”情景规划的核心目标，再洞察的能力是要求个人或组织向洞察过去和现在一样重视认知组织及其环境的新事物。

学习在情景分析中，有很多用处。由于参加情景讨论的利益相关者及专家往往对项目本身不是特别了解，学习有助于他们深刻把握项目的目标及要求。可以在三个标准上评估学习：个体；群体；组织。

情景分析中的学习意味着对组织及其环境原先的假定进行重新审视，原先的假定依赖一定的心智模式，因此，学习也是要改变情景讨论参与者的心智模式。所谓心智模式（Mental models），是指深植我们心中关于我们自己、别人、组织及周围世界每个层面的假设、形象和故事。通常情况下，我们并不清楚我们的心智模式及其对我们行为举止的影响。

学习在情景分析中的位置及作用见图2-7。

4．情景分析与学习五项要素

学习型组织有五个要素，这些要素也是情景分析的要素：

（1）建立共同愿景（Building Shared Vision）：愿景可以凝聚团队上下的意志力，透过组织共识，大家努力的方向一致，个人也乐于奉献，为组织目标奋斗。

一个组织的共享情景来自最可取的未来情景，情景分析是构建有吸引力且可取的未来的重要途径。

（2）团队学习（Team Learning）：团队智慧应大于个人智慧的平均值，以做出正确的组织决策，透过集体思考和分析，找出个人弱点，强化团队向心力。

情景分析要求利益参与者来自于多个方面，并且给每个参与者以公平地发表自己意见的机会，因此，是团队学习的重要手段。同时，团队学习也是情景分析的重要措施。

（3）改变心智模式（Improve Mental Models）：组织的障碍，多来自个人的旧思维，例如固执己见、本位主义，唯有透过团队学习，以及标杆学习，才能改变心智模式，有所创新。

情景分析通过定量与定性等多种模式，并且鼓励打破常规思维习惯，这都有利于改变情景分析参与者的心智模式。同时，改变心智模式也有利于构建高质量的情景。

（4）自我超越（Personal Mastery）：个人与愿景之间有种“创造性的张力”，正是自我超越的来源。

很多人都面临不确定未来带来的压力，情景分析为他们提供了一个模拟、彩排的场景，从而，有利于情景分析参与者实现自我超越。情景分析参与者的自我超越也有利于有效应对不确定性。

（5）系统思考（System Thinking）：应透过资讯搜集，掌握事件的全貌，以避免见树不见林，培养综观全局的思考能力，看清楚问题的本质，有助于清楚了解因果关系。

情景分析复杂的过程及组织管理要求思考多方面的问题，系统思维为情景分析的构建和传播提供了有力的工具和技术。

二 心智模式与情景分析

1．心智模式的概念

心智模式（Mental Models）又叫心智模型，是指深植我们心中关于我们自己、别人、组织及周围世界每个层面的假设、形象和故事，并深受习惯思维、定式思维、已有知识的局限。

心智模式是根深蒂固于心中，影响我们如何了解这个世界，以及如何采取行动的许多假设、成见，甚至图像、印象。我们通常不易察觉自己的心智模式，以及它对行为的影响。

心智模式这个名词是由苏格兰心理学家Kenneth Craik在20世纪40年代创造出来的，之后就被认知心理学家Johnson-Laird和认知科学家马文·明斯基（Marvin Minsky）、西蒙·派珀特（Seymour Papert）所采用，并逐渐成为人机交互的常用名词。

Norman是最早利用计算机模拟分析心智模式的学者之一，其论文是研究心智模式的重要参考文献。近年来，Sasse、Kim Warren、Payne等多位学者也对心智模式进行了研究。

Carley和Palmquist发展出一种定量方法用来分析心智模型，通过软件程序以及参数的设定来分析谈话内容，然后产生出概念图（Concept map）。Warren则主张采用定性的方法来发展认知图。这些工具与方法都可以在情景分析和心智模式之间建立。

壳牌石油公司是第一家了解组织学习好处的大企业，它们发现隐藏的心智模式影响既深且广，尤其是当它成为共有的心智模式时。壳牌石油公司之所以能成功地渡过几次石油危机的巨大冲击，主要归功于学习如何发现管理者的心智模式，并加以改善。

2．心智模式的特点

心智模式主要有以下几个特点：每个人都具有心智模式；心智模式决定了我们观察事物的视角和做出的相关结论；心智模式是指导我们思考和行为的方式；心智模式让我们将自己的推论视为事实；心智模式往往是不完整的；心智模式影响着我们的行为的结果，并不断强化；心智模式往往会比其有用性更加长久。

3．心智模式的特性

Norman通过观察许多人所带有的心智模式，归纳出六个关于心智模式的特质，这六个特质并非相互独立的：

（1）不完整性（Incomplete）：人们对于现象所持有的心智模式大多都是不完整。

（2）局限性（Limited）：人们执行心智模式的能力受到限制。

（3）不稳定性（Unstable）：人们经常会忘记所使用的心智模式细节，尤其经过一段时间没有使用它们。

（4）没有明确的边界（Boundaries）：类似的机制经常会相互混淆。

（5）不科学（Unscientific）：人们常采取迷信的模式，即使他们知道这些模式并非必要的。

（6）简约（Parsimonious）：人们会多做一些可以透过心智规划而省去的行动。

4．心智模式的功能

心智模式是一种机制，通过心智模式人们能够描述系统的存在目的和形式，解释系统的功能和观察系统的状态，以及预测未来的系统状态。人们对于世界的理解方式是透过询问“这是什么？为什么这样？这样有什么目的？这个东西是如何运作的？它会造成什么后果？”等问题实现，将这些问题简化成下列的架构图2-8：

5．心智模式与情景分析

情景分析成功的一个必要条件是情景的可信度。如果只把管理者已熟知的观点反馈给他们，并没有任何意义，在情景中必须提出新观点，创造出使组织对各种事件重新审视的环境。这需要有新知识和洞察力，具有创新性的心智模式。

心智模式决定了我们如何认知周围的世界。它影响我们所看见的事物，两个具有不同心智模式的人观察相同的事件，会有不同的描述；同时，心智模式也影响我们如何采取行动，因为我们所使用的理论（心智模式）必定与我们的行为相一致。因此，学习如何将我们的心智模式摊开，并加以检视和改善，有助于改变心中对于周围世界如何运作的既有认识，也有助于提高我们的行动能力和行动效果。

情景分析是一种使心智保持开放状态的学习方式，是一种思维上的独特的修炼。彼得·圣吉在《第五项修炼》中反复提到壳牌公司的“情景规划”小组，就是为了说明：情景规划并不仅仅是发展几个未来的情景，其核心是要改变组织的心智模式。

情景分析不是为了几个未来可能的情景作出的规划，如果它不能影响决策者的心智模式，不能引导组织的变革，那么对组织来说，它也很难创造真正的价值。

情景分析提升组织的心智模式，主要表现在四个方面：①寻找并克服组织的基本假设；②正确认识影响组织的各种力量；③寻找处理突发性事件的方法；④重建组织的各种策略。

三 认知图与情景分析

1．认知图与模糊认知图

认知图也被称为因果图（Causal Maps），它将“想法”（Ideas）作为节点，并将其相互连接起来。想法不同于概念（Concepts），它们大多是句子或段落。认知图是以个体建构理论（Personal Construct Theory）为基础提出的，其中的想法都是通过带箭头的连接线连起来，但连接上没有连接词，连接线的隐含意思是“因果关系”或“导致”，且没有层次的限制。认知图用来帮助人们规划工作，促进小组的决策。

认知图首先由Tloman在“Cognitive maps in rats and men”（1948年）一文中提出，他的目的是想为心理学建立一个模型，此后认知图便被其他学者所借用。他们把认知图描述为有向图，认为认知图是由一些弧连接起来节点的集合，但不同的学者给弧与节点赋予不同的含义。

1955年，kelly依据个人构造理论（Personal construct theory）提出的认知图，概念是二值的，概念间的关系是二值的，即利用“+, -”表示概念间不同方向因果关系的影响效果，“0”表示概念间不具有因果关系。

1986年，Kosko等人在Axelord认知图的基础上，把概念间具有的三值逻辑关系扩展为区间 [ -1, 1] 上的模糊关系，提出模糊认知图（Fuzzy Cognitive Maps, FCM）。由于模糊逻辑比三值逻辑能携带更多的信息，因此，FCM在定性推理中起着更大的作用，并成为目前认知图研究的主流。但FCM概念间关系的强弱不具有时间的概念，且只能表示概念间的线性因果关系。

1992年，M. Hagiwara针对Kosko FCM的缺陷提出了扩展模糊认知图（extended Fuzzy Cognitive Map, eFCM）。eFcM能表示概念间的非线性关系、时间关系、因果间的延迟及条件权重等，能更自然地表示现实世界中的复杂因果关系，是以后各认知图模型扩展的范例。

1994年，Wellman提出的定性概率网络（Qualitative Probability Network QPN）仅仅把认知图解释为一个具有未知概率的网络，它将概念看成随机变量。与此同时，C. D. Stylios与P. P. Groumpos提出具有监控的FCM，他们在1999年提出了具有记功忆能的FCM。1997年，T. Obata与M. Hagiwara针对如何处理与表示概念间的复杂因果关系提出了神经元认知图。稍后，B. Chaib-draa与J. Deshamais提出了具有语义的关系模型认知图，并利用这个模型发展了一个多Agent环境的可计算模型。

1999年，J. P. Carvalho和J. A. B. Tome针对FCM不能处理非单调推理，不能处理“and”，“or”因果关系及不能表示非因果关系的缺陷，提出了基于规则的模糊认知图模型（Rule Base Fuzzy Cognitive Maps, RBFCM）。同时，Riehard satur与Z. Q. Liu在IEEE Transaction on Fuzzy systems连续发表了两篇关于FCM在信息地理系统中应用的文章，提出了具有上下文关系的模糊认知图（contextual Fuzzy Cognitive Maps, cFCM），他们还提出了多层FCM的模型。2001年10月，M. Yuan和Z. Q. Liu在IEEE Transaetion on Fuzz Systems中提出了动态认知网络（Dynamie Cognitive Networks, DCN），DCN是FCM的扩展，他发展了M. Hagiwara的扩展模糊认知图。

除了以上认知图模型外，还有自动模糊认知图（aFCM）及N. s. S. Jamadagni提出的面向对象的模糊认知图（Object Oriented Fuzzy Cognitive Maps, OOFCM）等。

虽然提出的认知图模型较多，但对任何一种模型都没有很深入的研究，既没有从其他关系（比如信任关系、条件概率关系）上考虑，也没有从数学上对其进行完整分析。没有证明认知图的稳定性，没有给出认知图的学习算法等。

2．模糊认知图（FCM）的构建

一般来说，FCM的构造方法有两种，即人工构造和计算构造。人工构造是利用专家知识和经验建立FCM模型；计算构造是利用样本数据训练自动获取FCM模型。

人工构造方式的建模过程包括三个步骤：①识别问题域内的关键概念；②识别这些概念间有无因果关系；③估计关系的值。人工构造系统的FCM在一些领域已经有了很好的应用，但它过分地依赖专家的主观意识及其领域知识。由此，产生了计算构造FCM的方法。

当前，计算构造FCM主要有两类分支：①基于Hebbian的学习方式；②基于进化论的学习方式。前者包括微分Hebbian学习DHL（Differential Hebbian Learning）、平衡微分算法BDA（Balanced Differential Algorithm）、非线性Hebbian学习NHL（Nonlinear Hebbian Learning）和激活Hebbian学习AHL（Active Hebbian Learning）。后者是指遗传策略GA（Genetic Strategy）、粒子群优化（Particle Swarm Optimization, PSO）算法、面向目标的分析（Goal-oriented Analysis, GA）方法、基于实数编码的遗传算法（Real Coded Genetic Algorithm, RCGA）。在这八种学习算法中，除了GA外，其他算法的学习目标都是得到FCM的链接矩阵，另外NHL和AHL需要部分的人工干预。

3．模糊认知图与情景分析

一个成功的情景往往要挑战人们的思维定势，由于因果图的使用能有效挑战和改进人们的心智模式，因此，因果图在情景分析中有长期广泛的使用历史。不过，大型、复杂的因果图分析起来是很困难的。

认知图既可采用直觉方式构建，也可利用计算机进行模型构建，其构建方式同情景分析有相同之处。不过，情景分析利用认知图，更多是吸收其思考模式，并应用在构建情景故事方面。

近年来，国际上有多位学者及机构把认知图与情景分析结合起来进行分析。如Antonie Jetter与Willi Schweinfort基于情景与模糊认知图分析太阳能技术。Kasper Kok分析模糊认知图在半定量情景分析中的应用等。

四 系统思考与情景分析

1．系统思考的内涵

系统思考（Systems Thinking）是研究和管理复杂反馈系统的一种方法，常见于企业系统或其他社会系统。系统思考源自系统动力学，并且又是系统动力学系统观的发展，它以系统方法论的基本原则考察客观世界。随着系统思考的发展，也丰富充实了系统方法论。现在国际系统动力学界中已习惯于用“系统思考”一词来概括系统方法论的基本原理及其系统观。

系统思考又被称为“见树又见林的艺术”，它要求人们运用系统的观点看待组织的发展，引导人们从看局部到纵观整体，从看事物的表面到洞察其变化背后的结构，以及从静态的分析到认识各种因素的相互影响，进而寻找一种动态的平衡。从字面上看，系统思考是一种思维方式，实质上系统思考更重要的是一种组织管理模式。它要求将组织看成是一个具有时间性、空间性并且不断变化着的系统，考虑问题时要整体而非局部、动态而非静止、本质而非现象地思考。

2．系统思考的基本要求

系统思考是五项修炼的基石。“系统思考”是彼得·圣吉（Peter M. Senge）提出的五项修炼的核心和归宿。系统思考所要训练的是一种在动态过程中整体的搭配能力。彼得·圣吉强调的系统思考是要求人们转变自己习以为常的思维习惯，用系统的观点看待组织的发展。系统思考引导人们从看局部到纵观整体，从看事物的表面到洞察其变化背后的结构，以及从静态的分析到认识各种因素的相互影响，进而寻找一种动态的平衡；从自己身上、自己的行为中查找问题的原因。系统思考是整合其他各项修炼为一体的理论和实务。系统思考强化其他每一项修炼，并不断提醒我们：融合整体能得到大于各部门总和的效力。系统思考不仅仅是个人的一种思维模式，还需要借助一些工具与方法，使团队成员的心智模式浮现出来，从而有机会加以改善。

为使系统思考具有规范性，圣吉还提出一套系统语言，以促进思维的转换。如果组织不转换思维，那么很容易钻进牛角尖，造成不必要的对抗和冲突，不利于组织的成长。在解构复杂性上，圣吉提出三点：首先，要廓清“细节性复杂”和“动态性复杂”，而组织实际上最重要的是面对后者。解决动态复杂性问题，需要关注“反馈”，发现环状的因果互动关系，求得“高杠杆解”。其次，要学会区分两种反馈，一种是类似滚雪球效应的“增强反馈”，另一种是类似自然界食物链稳定效应的“调节反馈”。这两种反馈的效应是不一样的，增强反馈会产生放大和震荡，而调节反馈会产生稳定和僵滞。最后，要关注时间滞延。管理中一个变量影响另一个变量，总需要一段时间才能看得出情况的发生。把这些方面统统考虑到位，才能够称得上系统思考。

3．情景分析与系统思考

一方面，情景分析是一种行之有效的系统思考工具与方法。《系统思考》一书作者丹尼斯·舍伍德（Dennis Sherwood）也认为，情景规划是一种能够激发雄心、远见和想象力的战略规划方法。丹尼斯认为，虽然未来充满了不确定的因素，但通过对一系列可信的、可能出现的未来情景进行模拟决策并反复检验，一旦未来这些情景真的发生了，就可以采用已经验证过的决策，最大限度地避免因为突然面临意外而陷入慌乱的几率，增加把握住机会的几率。同时，通过预想未来，有助于塑造共同愿景。

另一方面，系统思考也是情景分析过程中需要重视的思维模式，无论是驱动力分析，还是不确定性因素分析，都需要系统、全面的思考。在情景分析过程中，利益相关者分析之所以被重视，其实质也是要发挥多方面的智力优势，尽可能系统地认知不确定性。

五 人工神经网络与情景分析

1．人工神经网络

人工神经网络（Artificial Neural Networks, ANNs）也简称为神经网络（NNs）或称为连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家、第一家神经计算机公司的创立者与领导人Hecht Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入状态而相应进行信息处理。”

人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型（Perceptron）。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到20世纪80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括多层网络BP算法、Hopfield网络模型、自适应共振理论、自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。

2．学习类型

学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。根据环境的变化，对权值进行调整，改善系统的行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。

3．优越性

人工神经网络的特点和优越性，主要表现在三个方面：

第一，具有自学习功能。例如，实现图像识别时，只是先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

4．人工神经网络与情景分析

人工神经网络理论高度综合了计算机科学、信息科学、生物科学、电子学、物理学、医学、数学、哲学等众多学科。同认知图一样，人工神经网络理论为情景分析提供了又一种有价值的思考模式。

近年来，有一些学者把人工神经网络理论与情景分析理论结合起来进行分析。如欧金明、王如松构建了一个基于人工神经网络的约束型城市扩展CA模型。利用该模型，预测了北京市东部平原区在三种情景规划之下的未来50年的城市形态，为不同的城市发展模式之间的比较分析奠定了基础；李双成等在分析生态系统脆弱性特征和影响因素的基础上，构建了生态系统响应气候变化脆弱性的人工神经网络模型，文章将生态系统的脆弱性划分为轻微脆弱、中度脆弱、重度脆弱以及系统崩溃4种情景，并作为案例研究。