Wechselwirkungsanalyse
Die Cross-Impact-Analyse ist eine Prognosetechnik, die versucht die Zusammenhänge (engl.: ‚cross impacts’, in etwa ‚Quer-Zusammenhänge’) zwischen verschiedenen, zukünftig möglicherweise auftretenden Ereignissen darzustellen, zu analysieren und deren gegenseitige Auswirkungen zu berücksichtigen.
Der Nachteil vieler anderer Vorhersagemodelle, wie etwa der Delphi-Methode, ist, dass man nur eine abgrenzte Problemstellung betrachten und analysieren kann. Ereignisse bzw. Entwicklungen sind aber meistens miteinander verknüpft.
Die Cross-Impact-Analyse ermöglicht es daher, die Wechselbeziehung zwischen diesen Ereignissen zu berücksichtigen und so genauere Vorhersagen zu machen.
Grundlagen
Aus Erfahrung wissen wir, dass die meisten Ereignisse bzw. Entwicklungen auf irgendeine Art und Weise mit anderen Ereignissen bzw. Entwicklungen in Beziehung stehen; diese Wechselwirkung nennt man ‚cross-impact’.
Es ist schwierig, diese Zusammenhänge zwischen Ereignissen, welche die Zukunft gemeinsam formen, zu bestimmen. Trotzdem ist es bei komplexen Aufgabenstellungen notwenig, sich direkt mit den erwarteten Einflüssen zu befassen; die Wahrscheinlichkeit, dass ein bestimmtes Ereignis zu Stande kommt, ist direkt vom Eintritt bzw. Nichteintritt eines anderen Ereignisses beeinflusst.
Die Cross-Impact-Analyse erlaubt es, die Eintrittswahrscheinlichkeit jedes Ereignisses in Abhängigkeit der Zusammenhänge mit anderen, in die Analyse inkludierten, Ereignissen zu bestimmen.
Sie wurde 1966 von Theodore Gordon und Olaf Helmer entwickelt, und resultierte aus der einfachen Frage, ob Vorhersagen darauf basieren können, wie zukünftige Ereignisse sich gegenseitig beeinflussen können. Die erste Anwendung der Cross Impact Methode erfolgte im Zusammenhang mit einem Spiel (‚Future’), das Gordon und Helmer für die Kaiser Aluminium and Chemical Company entwickelten.
Vorgehensweise
Der erste Schritt einer Cross-Impact-Analyse ist, die Ereignisse, die berücksichtigt werden sollen, herauszufinden. Dieser Schritt ist bereits einer der wichtigsten für den Erfolg der Analyse. Einerseits können alle relevanten Entwicklungen, die nicht berücksichtigt werden, aber dennoch einen Einfluss ausüben, das Ergebnis verfälschen. Andererseits kann eine zu genaue Analyse, die jedes erdenkliche Ereignis berücksichtigt, die Studie unnötig komplizieren. Da die Zahl der Interaktionen der verschiedenen Paare gleich -n (n = Zahl der Ereignisse) ist, berücksichtigt man meistens zwischen 10 und 40 Ereignisse. Diese anfängliche Aufstellung von Ereignissen erfolgt üblicherweise durch eine Zusammenfassung vorhandener Daten und einer Befragung von Experten.
Der zweite Schritt erfordert nun, die verschiedenen Eintrittswahrscheinlichkeiten der einzelnen Ereignisse einzuschätzen. Bei der Ermittlung dieser Eintrittswahrscheinlichkeit wird jedes Ereignis isoliert betrachtet, d.h. ohne mögliche Einflüsse von anderen Entwicklungen.
Danach kann man – in einem dritten Schritt – dazu übergehen, die bedingten Wahrscheinlichkeiten zu bestimmen. Dabei geht man für jedes Ereignispaar folgender Frage nach: "Wenn Ereignis m eintritt, wie lautet die neue Eintrittswahrscheinlichkeit für Ereignis n?" (T. J. Gordon, Cross Impact Method)
Daraus kann man eine Cross-Impact-Matrix erstellen, die etwa folgendermaßen aussehen könnte:
| verändert sich die Eintrittwahrscheinlichkeit von... | ||||||
| Wenn dieses Ereignis eintritt... |
Anfangs- wahrschein- lichkeit |
1 | 2 | 3 | 4 | |
| Ereignis 1 | 0,20 | X | 0,90 | 0,50 | 0,15 | |
| Ereignis 2 | 0,70 | 0,35 | X | 0,20 | 0,30 | |
| Ereignis 3 | 0,35 | 0,10 | 0,40 | X | 0,05 | |
| Ereignis 4 | 0,10 | 0,15 | 0,50 | 0,60 | X | |
Nun kann die Interpretation für die jeweiligen Ereignispaare erfolgen:
Ereignis 2 hat eine – isoliert betrachtete – Wahrscheinlichkeit von 0,70. Tritt nun aber Ereignis 1 ein, so erhöht sich die Wahrscheinlichkeit, dass auch Ereignis 2 eintritt auf 0,90.
Ebenso ist die – isoliert betrachtete – Wahrscheinlichkeit, dass Ereignis 3 eintritt 0,35. Tritt nun aber auch Ereignis 2 ein, so verringert sich die Wahrscheinlichkeit des Eintritts von Ereignis 3 auf 0,20.
Nach Fertigstellung der Cross-Impact-Matrix werden in einem vierten Schritt mit einem Computerprogramm mehrere Testläufe durchgeführt, um die Matrix besser abzustimmen. Dabei werden Ereignisse zufällig ausgewählt, und das Eintreten oder Nicht-Eintreten und die sich dadurch ergebenden Einflüsse auf alle Ereignisse berechnet.
Vorteile und Nachteile
Ein Nachteil der Cross-Impact-Analyse liegt sicherlich darin, dass die Auswahl und Beurteilung der relevanten Faktoren subjektiv ist. Ebenso ist sicherlich auch die Tatsache, dass die Cross-Impact-Analyse auf Datenpaare aufbaut, während in der realen Welt mehrere Entwicklungen ein Ereignis gleichzeitig beeinflussen können, ein Nachteil. Zusätzlich kann das Sammeln und Auswerten der Daten sehr mühsam sein; so sind etwa für die Auswertung von 30 möglichen Ereignissen schon 870 Einflüsse zu berechnen. Trotzdem ist gerade diese ausführliche Beschäftigung mit verschiedenen Einflussfaktoren und deren Auswirkungen einer der größten Vorteile der Cross Impact Matrix und kann entscheidende Denkanstöße für Vorgehensweisen geben oder neue Wege zeigen.
Literatur
Luis F. Alarcón, David B. Ashley: Project Management decision making using cross impact analysis, International Journal of Project Management Vol. 16, No. 3, pp. 142-152, 1998
U. Asan, C. E. Bozdag, Seckin Polat: A fuzzy approach to qualitative cross impact analysis, Dep. of Industrial Engineering, Istanbul Technical University, 2004
Enzer, Selwyn: Cross Impact Techniques in Technology Assessment, Futures, Vol. 4, No. 1, 1972
T. J. Gordon: Cross-Impact Method, 1994
T. J. Gordon and H. Hayward: Initial Experiments with the Cross-Impact Method of Forcasting, Futures, Vol. 1, No. 2, 1968
Illinois Institute of Technology: Cross Impact Matrix Method Of Forecasting, www.iit.edu
William G. Sullivan, Ph.D.: A Cross-Impact Analysis of the solar space heating and cooling industry, Industial Management - July-August, 1978