シナリオ分析とは | 複数の未来を想定し、不確実性に強い戦略を考える方法

シナリオ分析（Scenario Analysis）は、将来の環境がどのように変化するかについて複数の可能性を設定し、それぞれの条件の下で事業、政策、投資、研究開発などの意思決定がどのような結果をもたらすかを検討する分析手法です。経営戦略、事業計画、技術開発、公共政策、リスク管理、エネルギー政策など、幅広い分野で利用されています。

企業が戦略を立案するときには、将来の市場規模、顧客ニーズ、競争環境、技術動向、経済情勢などについて、何らかの見通しを立てる必要があります。しかし、将来の環境を正確に予測することは容易ではありません。

例えば、製造業向けのAIシステムを開発する場合、AI技術が進歩することは予想できても、企業がどの程度の速度で導入するか、設備投資が拡大するか、顧客がどのような機能に対価を支払うかについては不確実性が残ります。

もし一つの将来予測だけに基づいて事業戦略を決定すれば、その予測が外れた場合に大きな損失が生じる可能性があります。

シナリオ分析は、この問題に対して、一つの未来を予測する代わりに、異なる条件を持つ複数の未来を考えます。そして、それぞれの未来で事業環境がどのようになり、どの戦略が有効になるかを検討します。

シナリオ分析の目的は、未来を正確に予測することではありません。未来が予想と異なる方向に進んだ場合にも、適切な判断ができるように準備することです。

ただし、シナリオをいくつか作成しただけでは、意思決定を改善したことにはなりません。重要なのは、それぞれのシナリオの下で戦略を比較し、弱点を発見し、必要に応じて戦略を修正することです。

シナリオ分析の発展

シナリオを用いて将来を検討する方法は、軍事戦略、政策研究、企業の長期計画などの分野で発展してきました。ハーマン・カーン（Herman Kahn）による将来研究や、システムの変化を複数の可能性として考える研究などが、その形成に影響を与えています。

企業経営における代表的な事例として、ロイヤル・ダッチ・シェルによるシナリオ・プランニングが知られています。

シェルは1960年代末から1970年代初頭にかけて、エネルギー市場を取り巻く不確実性に対応するためのシナリオ手法を発展させました。石油需給や産油国の行動について複数の可能性を検討していたことが、1973年の石油危機に対応するうえで役立ったとされています。

その後、シェルのシナリオ・プランニングに関わったピエール・ワック（Pierre Wack）は、1985年に『Harvard Business Review』でシナリオに関する論文を発表しました。

ワックが重視したのは、単に複数の未来について物語を作ることではなく、経営者が当然だと考えている前提を問い直し、事業環境を異なる視点から理解できるようにすることでした。

1995年には、ポール・ショーメーカー（Paul J. H. Schoemaker）が「Scenario Planning: A Tool for Strategic Thinking」を発表し、シナリオを体系的に作成し、戦略立案に利用する方法を整理しました。

現在では、シナリオ分析は戦略的フォーサイト（Strategic Foresight：戦略的未来洞察）の重要な方法の一つとして位置づけられています。

将来予測とシナリオ分析の違い

シナリオ分析を理解するためには、将来予測（Forecasting）との違いを明確にする必要があります。

将来予測では、過去のデータや現在の傾向に基づき、将来の状態を推定します。例えば、市場規模の推移から、5年後の市場規模を予測します。

この方法は、一定の規則性や安定した関係が期待できる問題に対して有効です。

しかし、技術革新、規制変更、地政学的な変化、新しい競争相手の出現などによって、過去の傾向が大きく変化する場合があります。

シナリオ分析では、こうした不確実性を前提として、異なる条件の下で成立し得る複数の未来を検討します。

比較項目	将来予測	シナリオ分析
基本的な問い	将来はどうなるか	将来が異なる方向に進んだらどうなるか
主な目的	将来値の推定	不確実性への対応と戦略検討
分析対象	予測値や予測分布	複数の将来状態とその形成過程
主な根拠	過去データ、統計モデル、因果モデル	変化要因、構造的な関係、仮説、定量モデル
代表的な結果	市場規模や需要量の予測	将来環境の記述、戦略の評価、対応策
重要な評価基準	予測精度など	意思決定への有用性、整合性、多様性

ただし、将来予測とシナリオ分析は対立する方法ではありません。

例えば、市場の人口構造については統計的な予測を利用し、技術の普及速度については複数のシナリオを設定することができます。

各シナリオの内部で需要予測や収益予測を実施することも可能です。

つまり、シナリオ分析は予測を否定する方法ではなく、予測を成立させている前提が変化する可能性まで含めて考える方法です。

シナリオにはどのような種類があるか

シナリオには、目的に応じていくつかの種類があります。

探索的シナリオ

探索的シナリオ（Exploratory Scenarios）は、現在の状況から出発し、将来の環境がどのような方向に進む可能性があるかを検討するものです。

例えば、産業用AIの普及が急速に進む未来、緩やかに進む未来、規制やコストの問題によって停滞する未来などを考えます。

探索的シナリオでは、特定の未来が望ましいかどうかではなく、どのような未来が成立し得るかを検討します。

規範的シナリオ

規範的シナリオ（Normative Scenarios）は、望ましい将来の状態や達成すべき目標を設定し、それを実現するための条件や経路を検討するものです。

例えば、2035年までに特定の産業で温室効果ガス排出量を大幅に削減するという目標を設定し、その実現に必要な技術、制度、投資などを検討します。

この方法は、バックキャスティング（Backcasting）と密接に関係しています。

探索的シナリオが「どのような未来があり得るか」を考えるのに対し、規範的シナリオは「望ましい未来を実現するには何が必要か」を考えます。

定量的シナリオ

定量的シナリオ（Quantitative Scenarios）は、市場規模、価格、コスト、需要量、技術普及率などの数値を設定し、数理モデルによって結果を計算するものです。

例えば、エネルギー価格、設備投資、製造コストなどについて異なる条件を設定し、企業の利益や投資採算を比較します。

定量的シナリオは、定性的なシナリオと組み合わせて利用することもできます。将来の環境についての物語と、その環境下での計算結果を対応づけることで、意思決定への利用が容易になります。

シナリオ分析の基本的なプロセス

シナリオ分析にはさまざまな方法がありますが、基本的には次のようなプロセスで進めます。

意思決定の目的を明確にする。 何を判断するために将来を検討するのか、対象事業、時間軸、評価基準を設定します。
将来に影響する要因を収集する。 市場、技術、社会、制度、競争、経済などから重要な変化要因を抽出します。
重要な不確実性を特定する。 影響が大きく、将来の展開が不確実な要因を選びます。
複数のシナリオを構築する。 重要な不確実性の組み合わせから、異なる将来環境を設定します。
シナリオの整合性を検証する。 要因間の関係や時間的な展開を検討し、成立しにくい組み合わせを修正します。
戦略案を評価する。 それぞれのシナリオの下で、戦略の効果、リスク、実現可能性などを比較します。
頑健性と適応可能性を検討する。 多くのシナリオで機能する戦略や、状況に応じて変更できる戦略を考えます。
監視指標を設定する。 実際の環境がどの方向に変化しているかを確認し、戦略を見直す条件を明確にします。

このプロセスは一方向に進むとは限りません。

戦略評価の結果、重要な不確実性が見落とされていることが判明した場合には、シナリオの構成を修正することも必要になります。

将来に影響する要因を抽出する

シナリオを構築するためには、まず将来の環境に影響を与える要因を収集します。

例えば、製造業の将来を検討する場合には、人口構造、人件費、労働力不足、設備投資、AI技術の進歩、エネルギー価格、規制、国際競争などが考えられます。

この段階では、PESTLE分析などの枠組みを利用できます。

ただし、要因を列挙するだけではなく、その要因がどのような仕組みで事業環境に影響するのかを考えることが重要です。

例えば、「労働力不足」という要因は、自動化需要を増加させる可能性があります。しかし、同時に企業の生産能力を制約し、設備投資に必要な資金を減少させる可能性もあります。

同じ要因が、複数の異なる経路を通じて事業に影響することがあります。

また、将来の展開が比較的予測しやすい要因と、不確実性が大きい要因を区別する必要があります。

例えば、すでに生まれている世代の人口構成は、一定期間について比較的推計しやすい要因です。一方、新しいAI技術が企業の業務にどの程度普及するかは、不確実性が大きい場合があります。

シナリオ分析では、こうした違いを意識することで、将来の分岐点となる要因を見つけやすくなります。

重要度と不確実性による要因の分類

シナリオを作成するときには、収集した要因について、対象となる意思決定への影響度と、将来の展開の不確実性を評価する方法がよく用いられます。

	不確実性が低い	不確実性が高い
影響度が高い	シナリオに共通する重要な前提	シナリオを分ける重要な不確実性
影響度が低い	必要に応じて共通条件に反映	優先順位を下げて検討

将来の展開が比較的確実で、影響も大きい要因は、各シナリオに共通する前提として扱うことができます。

一方、影響が大きく、将来の展開も不確実な要因は、異なるシナリオを作るための重要な候補になります。

例えば、設備投資の水準とAI技術の導入速度が事業の成否に大きく影響するのであれば、これらをシナリオの構成に利用することが考えられます。

ただし、この評価も主観的な要素を含みます。影響度が高いと考えられている理由や、不確実性の根拠を明確にする必要があります。

また、要因同士に強い依存関係がある場合には、単純に独立した軸として利用することは適切ではありません。

2×2シナリオマトリクス

シナリオを作成する代表的な方法が、2×2シナリオマトリクスです。

この方法では、重要な不確実性を2つ選び、それぞれについて異なる将来の状態を設定します。2つの軸の組み合わせから、4つのシナリオを作成します。

例えば、産業用計測機器メーカーの事業戦略を考える場合、次の2つの不確実性を設定できます。

設備投資の水準： 高い／低い
AI・データ連携の普及速度： 速い／遅い

この2つを組み合わせると、次の4つのシナリオになります。

	AI・データ連携の普及が速い	AI・データ連携の普及が遅い
設備投資が高水準	シナリオA：設備高度化市場	シナリオB：従来型設備拡張
設備投資が低水準	シナリオC：省投資DX市場	シナリオD：保守・延命市場

この4つは、どれが最も望ましいかを表すものではありません。

それぞれ異なる事業環境を想定し、どのような戦略が有効になるかを検討するためのものです。

また、設備投資水準とAI普及速度には、現実には相互関係が存在する可能性があります。2つの軸を完全に独立した変数と仮定するのではなく、各組み合わせがどのような条件の下で成立し得るかを確認する必要があります。

具体例：産業用計測機器メーカーの4つの未来

前述の4つのシナリオについて、もう少し詳しく考えてみましょう。

シナリオA：設備高度化市場

設備投資が活発であり、AIやデータ連携の普及も速く進む未来です。

製造業では設備更新が進み、センサー、ネットワーク、AI分析システムなどを統合した生産設備への需要が拡大します。

計測機器メーカーにとっては、高精度の計測技術とAIによる分析機能を組み合わせた新製品やサービスを開発する機会が生まれます。

一方、IT企業やAI企業が産業用計測市場に参入し、従来とは異なる競争構造が形成される可能性もあります。

このシナリオでは、新製品開発やシステム化への投資が有効になる可能性があります。

シナリオB：従来型設備拡張

設備投資は活発ですが、AIやデータ連携の普及は緩やかな未来です。

企業は生産能力の拡張や設備更新を進めるものの、計測データの高度な分析や設備間のデータ連携については、従来の方式を維持します。

この場合、高精度で信頼性の高い計測機器への需要が継続する可能性があります。

計測機器メーカーにとっては、製品性能、耐久性、校正精度、保守サービスなどによる差別化が重要になるでしょう。

一方、AI関連の新製品開発に多額の投資を行っても、当面は需要が十分に立ち上がらない可能性があります。

シナリオC：省投資DX市場

設備投資は低調ですが、AIやデータ連携の普及は速く進む未来です。

製造業の企業は、大規模な設備更新を控えながらも、既存設備のデータを活用した生産性向上を目指します。

既存の計測機器からデータを収集し、低コストのAIを利用して設備の状態を分析するようなシステムへの需要が生まれる可能性があります。

この場合、新しい高価な計測機器を販売するよりも、既存設備に追加できる分析機能や保全サービスを提供する方が有効かもしれません。

シナリオD：保守・延命市場

設備投資が低調であり、AIやデータ連携の普及も緩やかな未来です。

製造業では新規設備への投資が抑制され、既存設備を長期間利用することが重視されます。

計測機器メーカーにとっては、新規機器の販売が伸び悩む一方で、校正、修理、保守、部品交換などの需要が重要になる可能性があります。

このような環境では、製品販売だけに依存しないサービス型の収益構造が有効になるかもしれません。

以上の4つのシナリオは説明用の仮説です。現実の市場動向を予測したものではありません。

シナリオの整合性を検証する

シナリオ分析では、異なる要因を組み合わせれば、どのような未来でも自由に作成してよいわけではありません。

それぞれのシナリオが、一定の因果的・構造的な整合性を持つことが重要です。

例えば、設備投資が低調であるにもかかわらず、AIの導入が急速に進むシナリオを考える場合には、なぜそのような組み合わせが成立するのかを説明する必要があります。

低価格のエッジAIが普及し、既存設備を大きく改造することなくデータ分析ができるようになるのであれば、設備投資が低調でもAI導入が進む可能性があります。

一方、そのような技術条件が成立していなければ、シナリオの実現可能性は低くなるでしょう。

また、将来の最終的な状態だけでなく、そこに至る過程を考えることも重要です。

例えば、2028年には設備投資が減少していても、その後に労働力不足が深刻化し、省人化投資が再び増加する可能性があります。

こうした時間的な変化を含めることで、シナリオは単なる静的な環境分類ではなく、将来の展開を検討するためのモデルになります。

形態分析によるシナリオの生成

2×2シナリオマトリクスは理解しやすい方法ですが、重要な不確実性が3つ以上存在する場合には、表現できる範囲が限定されます。

そこで利用できる方法の一つが、形態分析（Morphological Analysis）です。

形態分析では、問題を構成する複数の変数と、それぞれが取り得る状態を一覧化し、その組み合わせを検討します。

例えば、次のような変数を設定できます。

変数	状態1	状態2	状態3
設備投資	拡大	横ばい	縮小
AI普及	急速	緩やか	停滞
競争環境	国内企業中心	国際競争激化	異業種参入
顧客の重視点	高性能	低コスト	保守・安定稼働

この場合、単純な組み合わせの数は、

3 × 3 × 3 × 3 = 81

となります。

ただし、81通りのすべてを詳細に分析する必要はありません。

まず、要因間の整合性を検討し、成立しにくい組み合わせを除外します。残った組み合わせから、戦略的に重要で、異なる特徴を持つシナリオを選択します。

この方法は、重要な変数が多く、単純な2軸だけでは事業環境を十分に表現できない場合に役立ちます。

ただし、変数の数が増えると組み合わせが急激に増加します。そのため、重要な変数の選択や、組み合わせの絞り込みが必要です。

シナリオ間の因果関係とクロスインパクト分析

将来の要因は、相互に独立して変化するとは限りません。

例えば、AI技術の進歩は導入コストを低下させる可能性があります。導入コストの低下はAIの普及を促進し、普及の進展は新しい製品やサービスの開発を促すかもしれません。

一方、規制強化によってデータ連携が難しくなれば、AI技術が進歩しても導入速度が低下する可能性があります。

このような要因間の関係を検討する方法として、クロスインパクト分析（Cross-Impact Analysis）があります。

クロスインパクト分析は、ある事象の発生や状態の変化が、他の事象の発生可能性や状態にどのような影響を与えるかを分析する方法です。

例えば、AI導入コストの低下が企業のAI投資に与える影響や、設備投資の減少が予知保全サービスへの需要に与える影響などを検討します。

確率的なクロスインパクト分析では、事象間の依存関係を条件付き確率などによって表現する方法もあります。

ただし、こうした関係の設定には、十分な根拠が必要です。専門家の判断だけで精密な数値を設定しても、その妥当性が保証されるわけではありません。

シナリオ分析におけるクロスインパクト分析の意義は、単に組み合わせを増やすことではなく、要因同士の関係を考慮し、より整合的な未来像を構築することにあります。

シナリオごとの戦略評価

シナリオ分析の重要な段階は、作成した複数の未来の下で戦略案を評価することです。

例えば、産業用計測機器メーカーについて、次の3つの戦略を考えます。

戦略1：AI予知保全事業への集中投資

高精度計測技術とAI分析を組み合わせ、新しい予知保全サービスを開発します。

戦略2：高精度計測機器による差別化

精度、信頼性、校正技術などを強化し、高付加価値の計測機器市場で競争力を維持します。

戦略3：校正・保守サービスの拡充

既存製品と顧客基盤を活用し、保守・校正・設備延命サービスを中心とした収益構造を強化します。

これらを4つのシナリオの下で評価すると、例えば次のような結果が得られると仮定します。

戦略	A：設備高度化	B：従来型設備拡張	C：省投資DX	D：保守・延命
1. AI予知保全への集中	90	30	5	−20
2. 高精度機器の差別化	55	70	30	35
3. 校正・保守サービス	45	50	65	60

※数値は説明のための仮想的な事業価値であり、同一期間・同一基準で投資費用等を考慮した比較可能な値と仮定します。実在企業の収益予測ではありません。

この表から、シナリオAでは戦略1が最も高い価値を持ち、シナリオBでは戦略2が、シナリオC・Dでは戦略3が最も有利であることが分かります。

つまり、どの戦略が最適であるかは、将来の環境によって異なります。

この場合、将来の環境を正確に予測できなければ戦略を選べないのでしょうか。

必ずしもそうではありません。

シナリオ分析では、複数の未来に対して戦略がどの程度安定して機能するかという観点から、意思決定を検討できます。

頑健性分析：どの未来でも機能する戦略とは

シナリオ分析では、最も可能性が高いと考える未来に最適化するだけでなく、異なる未来の下でも一定の成果を得られる戦略を検討することができます。

このような性質を頑健性（Robustness）と呼びます。

例えば、先ほどの例で、各戦略が最も不利なシナリオにおいてどのような結果になるかを確認します。

戦略	最悪のシナリオにおける事業価値
1. AI予知保全への集中	−20
2. 高精度機器の差別化	30
3. 校正・保守サービス	45

この場合、最も不利な状況でも45の価値を確保できる戦略3が優位になります。

このような、各戦略の最悪の結果を比較し、その中で最もよいものを選ぶ方法をMaximin（マキシミン）基準と呼びます。

ただし、Maximinは非常に慎重な判断基準です。分析対象に極端なシナリオが含まれている場合には、そのシナリオが判断を大きく左右します。

別の方法として、最大後悔最小化（Minimax Regret）があります。

この方法では、各シナリオにおける最良の結果と、選択した戦略の結果との差を後悔値（Regret）として計算します。

後悔値 = そのシナリオの最良値 − 選択した戦略の値

例えば、シナリオAで最良の戦略は戦略1であり、その価値は90です。

戦略2を選んだ場合の価値は55なので、後悔値は35になります。

先ほどの評価表について各戦略の最大後悔値を計算すると、次のようになります。

戦略	最大後悔値
1. AI予知保全への集中	80
2. 高精度機器の差別化	35
3. 校正・保守サービス	45

この場合、最大後悔値が最も小さい戦略2が選ばれます。

Maximinでは戦略3、Minimax Regretでは戦略2が選ばれることになります。

どちらが適切であるかは、企業が何を重視するかによって異なります。

このように、シナリオ分析では、最もよい未来で最大の利益を得ること、最悪の結果を避けること、選択を誤った場合の損失を小さくすることを区別して検討できます。

シナリオに確率を割り当てるべきか

複数のシナリオを設定した場合、それぞれの発生確率を設定し、期待値を計算したくなるかもしれません。

確率が適切に推定できる場合には、確率を用いた期待値分析や期待効用分析は有効です。

例えば、各シナリオの確率をpᵢ、戦略sにおける価値をV(s,i)とすると、期待値は次のようになります。

EV(s) = Σ pᵢV(s,i)

ただし、シナリオ分析では、将来の構造的な変化について確率を合理的に推定できない場合があります。

特に、技術革新や地政学的な変化などを含む長期のシナリオでは、各シナリオに客観的な確率を割り当てることが難しい場合があります。

また、2×2マトリクスで4つのシナリオを作成したからといって、それぞれの発生確率が25%になるわけではありません。

4つのシナリオは将来のあらゆる可能性を漏れなく分類したものとは限らず、互いの境界も必ずしも明確ではありません。

そのため、確率を推定する十分な根拠がない場合には、無理に確率を設定せず、シナリオごとの結果や戦略の頑健性を比較する方が適切な場合があります。

この問題は、確率分布やモデルの構造について十分な合意や知識が得られない「深い不確実性（Deep Uncertainty）」の下での意思決定と関係しています。

深い不確実性の下での意思決定

近年、シナリオ分析と関係する研究領域として、深い不確実性の下での意思決定（Decision Making Under Deep Uncertainty：DMDU）が発展しています。

深い不確実性とは、将来の状態の確率分布、システムを表すモデル、あるいは結果の評価方法について、十分な知識や合意が得られない状況を指します。

例えば、新しい技術がどの程度普及するかだけでなく、普及を決定する要因そのものについても意見が分かれる場合があります。

このような問題では、単一の予測モデルによって最適な戦略を求めることが難しくなります。

そこで、さまざまな前提条件の下で戦略を繰り返し評価し、どの条件で戦略が失敗するかを調べる方法が利用されます。

代表的な方法の一つが、RAND Corporationなどによって開発されてきたRobust Decision Making（RDM）です。

RDMでは、あらかじめ少数のシナリオを設定するだけでなく、多数の異なる将来条件を生成し、戦略の性能を繰り返し評価します。

その結果から、特定の戦略が失敗する条件や、目標を達成できなくなる要因の組み合わせを特定します。

このような分析は、Scenario Discovery（シナリオ発見）と呼ばれます。

従来のシナリオ分析が、未来の姿を描いてから戦略を評価する方法であるのに対し、Scenario Discoveryでは、戦略が失敗する条件を分析することで、意思決定に重要な未来の特徴を発見します。

大量の計算結果から重要な条件を抽出する際には、PRIM（Patient Rule Induction Method）などのデータマイニング手法が利用されることもあります。

この方向は、シナリオ分析を単なる未来予測の代替手段から、戦略の脆弱性を体系的に検証する方法へと発展させるものです。

適応型戦略とリアルオプション

シナリオ分析によって、将来の環境によって最適な戦略が異なることが分かった場合、一つの戦略を最初から固定する必要はありません。

むしろ、将来の状況を観察しながら、段階的に投資や事業の方向を変更できるようにすることが考えられます。

例えば、産業用計測機器メーカーがAI予知保全事業への参入を検討している場合、最初から大規模な投資を実施するのではなく、実証実験や小規模なサービス提供から始める方法があります。

顧客の需要が確認できれば投資を拡大し、需要が限定的であれば計測機器の差別化や保守サービスの拡充に重点を移します。

このように、将来の情報に応じて投資や戦略を変更する柔軟性を評価する考え方は、リアルオプション（Real Options）とも関係しています。

リアルオプションでは、投資を延期する、段階的に拡大する、縮小する、撤退する、別の事業へ転換するなどの選択肢が価値を持つことがあります。

ただし、柔軟性を持つことが常に有利とは限りません。

投資を延期することで市場参入が遅れたり、先行者利益を失ったりする可能性もあります。また、複数の選択肢を維持するための費用が必要になる場合もあります。

したがって、適応型戦略では、柔軟性の価値と、そのために必要な費用や機会損失を比較する必要があります。

早期警戒指標と戦略の見直し

シナリオ分析を実際の経営に役立てるためには、作成したシナリオを定期的に見直すことが重要です。

そのために、将来の環境がどの方向へ変化しているかを示す指標を設定します。

このような指標は、Signposts（兆候指標）やEarly Warning Indicators（早期警戒指標）と呼ばれます。

例えば、先ほどの産業用計測機器メーカーの場合、次のような指標が考えられます。

監視対象	指標の例	判断への利用
設備投資	主要顧客産業の設備投資動向	新規設備向け需要を判断する
AI普及	製造現場におけるAI導入事例や採用状況	AI関連事業の拡大条件を確認する
技術コスト	エッジAI機器・推論処理のコスト	サービス提供の採算性を検討する
顧客ニーズ	保守・予知保全に関する問い合わせや導入実績	新サービスの需要を検証する
競争環境	新規参入企業や代替製品の動向	競争戦略の変更を検討する

さらに、指標の変化がどの程度進んだ場合に戦略を変更するかを、あらかじめ決めておくことも考えられます。

例えば、AI関連サービスの有償導入が一定の基準に達した場合に開発投資を拡大する、といったルールです。

このように、状況を観察しながら戦略を見直す仕組みを作ることで、シナリオ分析を一度限りの戦略立案ではなく、継続的な意思決定プロセスに組み込むことができます。

SWOT・TOWSとの関係

SWOT分析は、企業の強み、弱み、機会、脅威を整理する方法です。TOWS分析は、それらを組み合わせて戦略案を生成する方法です。

しかし、SWOTで整理される機会や脅威は、将来の環境についての仮定を含む場合があります。

例えば、「産業用AIの需要拡大」を機会と判断したとしても、その需要がどの程度の速度で増加するかは不確実です。

シナリオ分析では、このような外部環境の不確実性を複数の可能性に分けて検討できます。

例えば、AI導入が急速に進むシナリオでは、新しいAI関連製品を開発するSO戦略が有効になるかもしれません。

一方、AI導入が停滞するシナリオでは、既存の高精度計測技術を生かすST戦略や、保守サービスを強化するWT戦略の重要性が高まる可能性があります。

このように、TOWSによって生成した戦略案をシナリオ分析へ引き継ぎ、異なる未来における有効性を比較することができます。

逆に、シナリオ分析によって新しい機会や脅威が発見された場合には、SWOTの内容を更新し、TOWS分析を再実行することも考えられます。

したがって、SWOT・TOWSとシナリオ分析は、一方向の関係ではなく、相互に補完する分析手法です。

感度分析との違い

シナリオ分析と感度分析は、どちらも前提条件を変更して結果を検討する方法ですが、重点が異なります。

感度分析（Sensitivity Analysis）は、数理モデルの入力値やパラメータを変更したときに、出力がどの程度変化するかを調べる方法です。

例えば、販売価格を10%引き下げた場合に利益がどの程度減少するか、研究開発テーマの評価基準の重みを変更すると順位がどう変わるかを調べます。

一方、シナリオ分析では、複数の要因が組み合わさって形成される将来の環境を考えます。

例えば、設備投資の減少、AI導入コストの低下、競合企業の参入などが同時に起こる場合を想定し、事業戦略への影響を検討します。

感度分析は、特定のモデルや計算結果がどの入力条件に影響されるかを調べることに適しています。

シナリオ分析は、将来の環境が異なる構造を持つ場合に、意思決定がどう変わるかを考えることに適しています。

ただし、両者を組み合わせることは有効です。

各シナリオの下で事業収益モデルを計算し、その結果について感度分析を行えば、どの条件が事業の採算性を左右しているかを詳しく検討できます。

シナリオ分析とシステムダイナミクス

シナリオ分析で重要なのは、将来の環境がどのような状態になるかだけでなく、そこに至る過程を理解することです。

例えば、AI技術の普及によって設備の自動化が進み、人手不足が緩和されるとします。しかし、自動化によって生産性が向上すれば、製造業の競争構造や雇用の状況も変化する可能性があります。

こうした変化は、複数の要因が相互に影響し合う動的なシステムとして捉えることができます。

システムダイナミクス（System Dynamics）は、ストック、フロー、フィードバックなどを用いて、システムの時間的な変化をモデル化する方法です。

シナリオ分析にシステムダイナミクスを組み合わせれば、異なる政策、技術普及速度、市場条件などの下で、システムがどのように変化するかをシミュレーションできます。

ただし、シミュレーション結果の正確さは、モデルの構造やパラメータの妥当性に依存します。

複雑なモデルを作成したからといって、将来の予測精度が自動的に高まるわけではありません。

重要なのは、異なる前提の下で、どのような変化が生じるかを理解することです。

シナリオ分析の限界

シナリオ分析には有用性がありますが、いくつかの限界もあります。

第一に、シナリオの選択が分析者の判断に依存することです。2×2マトリクスで選んだ2つの不確実性が、将来の環境を決定する最も重要な要因であるとは限りません。

第二に、少数のシナリオでは将来の可能性を十分に網羅できないことです。4つのシナリオを作成したとしても、現実はそのいずれとも異なる方向に進む可能性があります。

第三に、シナリオがもっともらしい物語として提示されることで、十分な根拠がないにもかかわらず、説得力を持ってしまう危険があります。物語としての整合性と、実際に成立する可能性は同じではありません。

第四に、シナリオの構築に多くの時間を費やし、戦略の評価や実行に結びつかない場合があります。将来について興味深い物語を作成すること自体が、経営上の成果になるわけではありません。

第五に、シナリオ間の評価基準や計算条件が統一されていない場合、戦略を適切に比較できないことがあります。

第六に、分析者が既知の技術や市場の延長線上でしか考えなければ、想定した未来も既存の認識の範囲に制限されることです。

この問題は、SWOT分析や他の戦略分析手法とも共通しています。

シナリオ分析の本来の目的が固定観念を問い直すことであるならば、シナリオを構成する要因そのものについても、十分に探索する必要があります。

AI時代のシナリオ分析

LLMの発展によって、シナリオ分析にも新しい可能性が生まれています。

従来、シナリオを作成するためには、環境分析、情報収集、重要な不確実性の特定、シナリオの記述などに多くの作業が必要でした。

LLMは、こうした作業の一部を支援できます。

例えば、分析対象となる産業について、将来に影響する要因の候補を列挙したり、異なる技術普及速度や競争環境を想定したシナリオを生成したりできます。

また、複数の要因の組み合わせについて、どのような因果関係や制約が存在するかを検討させることも可能です。

ただし、LLMが生成したシナリオには、もっともらしい説明であっても、十分な根拠がない内容が含まれる可能性があります。

そのため、重要な将来要因については、技術文献、市場調査、統計資料、政策文書などの情報源を確認する必要があります。

一方、LLMはシナリオの構築だけでなく、戦略の批判的検討にも役立つ可能性があります。

例えば、ある戦略案について、どのシナリオの下で失敗しやすいか、どのような前提が成立しなければならないか、重要な不確実性が見落とされていないかを検討できます。

さらに、数理モデルによるシミュレーションと組み合わせることで、多数の将来条件における戦略評価を実施し、その結果から重要なパターンを抽出することも考えられます。

この場合、LLMが自然言語によるシナリオの構築や解釈を支援し、数理エンジンが計算を実行し、データマイニングが戦略の失敗条件や成功条件を抽出するという役割分担が考えられます。

また、シナリオ分析で検討する将来の変化要因について、既知の産業分野だけでなく、異なる技術や市場の構造を探索することも重要です。

例えば、ある技術の普及を検討する際に、過去に別の分野で類似した技術変化が生じた事例を探索すれば、従来とは異なる普及過程や競争構造を想定できる可能性があります。

AI時代のシナリオ分析では、単にシナリオを自動生成することよりも、将来の可能性を広く探索し、戦略が成立する条件を検証できることが重要です。

ThinkNaviにおけるシナリオ分析

ThinkNaviでは、シナリオ分析を、不確実な環境の下で複数の戦略を比較し、判断の前提と限界を検討するための思考支援手法として位置づけます。

ThinkNavi Freeでは、利用者が将来の変化要因を入力し、それぞれの影響度と不確実性を評価したうえで、重要な不確実性を選択できる機能が考えられます。

最初の段階では、2×2シナリオマトリクスによって4つのシナリオを作成する方法が分かりやすいでしょう。

利用者は、各シナリオの名称、特徴、主要な前提、機会、脅威などを記述します。

さらに、SWOT・TOWSやブレインストーミングなどで生成した戦略案をシナリオ分析に引き継ぎ、各シナリオの下で評価できるようにします。

評価には、意思決定マトリクスやMCDAで利用する数理機能を共通して利用できます。

例えば、各戦略のシナリオ別の評価結果を行列として表示し、最悪値、最大後悔値、評価基準ごとの得点などを比較することが考えられます。

また、感度分析と組み合わせることで、シナリオの条件や戦略評価の数値を変更した場合に、結論がどのように変化するかを確認できます。

発展的な機能としては、形態分析による複数要因の組み合わせ、クロスインパクト分析、数理モデルによるシミュレーション、頑健性分析、Scenario Discoveryなどが考えられます。

LLM活用版では、将来に影響する要因の提案、外部情報の調査、シナリオの文章化、要因間の整合性の検討、戦略案の生成、戦略の失敗条件の検討などを支援する方向が考えられます。

さらに、ConceptMinerシリーズでは、将来の技術や市場の変化を探索する際に、異なる技術分野に存在する構造やパターンの類似性を利用することが考えられます。

例えば、ある技術の普及過程に類似した事例を異分野から探索し、その分野で生じた競争構造の変化や新規用途の出現を参考に、新しいシナリオを構築することができます。

このような探索によって、既知の延長線上にはなかった変化要因をシナリオへ追加できる可能性があります。

ただし、シナリオ分析の目的は、考え得るすべての未来を列挙することではありません。意思決定に重要な不確実性を見極め、異なる未来の下で戦略の有効性を検討することが必要です。

シナリオ分析の意義は、未来を予測することではなく、未来についての思い込みから自由になり、異なる条件の下でも成立する戦略や、変化に応じて修正できる戦略を考えることにあります。

コンピュータとAIを利用することで、シナリオの構築、戦略の比較、数理的な検証、重要な変化の監視を一体的に支援し、不確実性を前提とした意思決定をより体系的なものへ発展させることができると考えられます。

関連する思考技法：

SWOT・TOWS分析とは | 内部・外部環境の整理から戦略仮説の創出へ
PESTLE分析、
バックキャスティング、
形態分析、
クロスインパクト分析、
システムダイナミクスとは ― フィードバックを数理モデル化し、システムの時間変化を分析する
感度分析とは | 前提条件の変化が分析結果に与える影響を調べる数理的手法
多基準意思決定分析（MCDA）とは | 複数の評価基準と価値判断を統合する数理的意思決定手法
意思決定マトリクスとは | 複数の評価基準で選択肢を比較し、判断の妥当性を検証する手法
リアルオプション、
頑健性分析、
戦略的フォーサイト、
コンセプト探索

参考文献・資料

U.S. Climate Resilience Toolkit — Decision-Making Under Deep Uncertainty

Pierre Wack, “Scenarios: Uncharted Waters Ahead,” Harvard Business Review, September–October 1985. 論文

Pierre Wack, “Scenarios: Shooting the Rapids,” Harvard Business Review, November–December 1985. 論文

Paul J. H. Schoemaker, “Scenario Planning: A Tool for Strategic Thinking,” Sloan Management Review, 36(2), pp. 25–40, 1995. 論文

Peter Schwartz, The Art of the Long View: Planning for the Future in an Uncertain World, Doubleday, 1991.

Kees van der Heijden, Scenarios: The Art of Strategic Conversation, Wiley, 1996.

Shell — What Are Shell Scenarios?

UK Government Office for Science — The Futures Toolkit

OECD — Strategic Foresight