Modelling as a research method

A model is defined as "an external and explicit representation of parts of reality as seen by  the people who wish to use that model to understand, to change, to manage and to control  that  part  of  reality"  (Pidd,  1996:  p15).  In  the  management  science,  models  are  used  for  understanding,  changing,  managing,  and  controlling  reality.  Pidd  emphasised  on  simplification  in  modelling,  due  the  fact  that  it  is  not  possible  or  feasible  to  model  an  operational  system  in  its  full  details.  Models,  as  simplified  versions  of  reality,  are  used  extensively  in  decision  making  due  to  their  lower  costs,  timely  delivery  of  needed  information,  ability in examining subjects  which would be experimentally impossible, and  providing  insights  and  understandings  about  the  decision  problems  of  interest  (Ragsdale,  2008). Figure 14 represents the general process of problem solving using a model as opposed  to the experiment in the real world. As shown in this Figure, modelling starts with mapping  the  problem  from  the  real  world  into  the  virtual  world  (abstraction),  analysis  and  optimization  of  the  model,  and  mapping  back  the  solution  into  the  real  world.  Human  cognition  is  usually  erroneous  and  results  in  inaccurate  judgments  due  to  factors  such  as  irrationality  in  decision  making  (Ragsdale,  2008).  Consequently,  the  main  reason  of  using  models is improving the process of problem solving and decision making by discovering and  eliminating  misunderstood  elements  of  a  problem  during  building  the  model,  or  gaining  insights needed to make a decision through careful analysis of a completed model. Problem  solving starts with the identification of the problem as its key step. Based on the nature of  the problem, the simplest type of models which fits the problem and accurately reflects its  characteristics is created and formulated. The selected model then is used to analyse the  problem by generating and evaluating alternative scenarios which could lead to a solution. 

The  feasibility  and  quality  of  each  potential  solution  needs  to  be  tested,  before  implementation.  

  Figure 14: Modelling vs real‐world experiment (Borshchev and Filippov, 2004) 

Compared to the real‐world experiments, modelling has lower cost, and is faster, safer, and  more legally compatible while it is also possible to replicate the same conditions in order to  repeat the simulation with any combination of decisions. In addition, it is rarely feasible or  even possible to conduct a real‐world experiment, so it is inevitable to use a model. Based  on their level of abstraction models could be classified into four categories as shown in Figure  15. In general, more accurate results are achieved when the level of abstraction in the model  is  low,  while  the  modelling  cost  and  difficulty  increase  with  decreasing  the  level  of  abstraction. The Operation Exercise, as the first category with lowest level of abstraction,  directly  operates  with  the  real  environment  in  which  the  problem  under  study  exists. 

External abstractions and oversimplifications are narrowly introduced in this approach, so it  has the highest level of reality among other modelling approaches. It involves designing and  conducting  a  set  of  experiments  in  the  real  environment,  and  analysing  their  results. 

Experiments  should  be  designed  carefully,  consider  errors  resulting  from  measurement  inaccuracies  while  evaluating  results,  and  make  inferences  based  upon  the  performed  observations. Similar to the empirical research in the natural sciences, the operation exercise  has  an  inductive  approach  in  essence,  allowing  generalization  of  results  drawn  from  observations of a given phenomenon. The drawbacks of operation exercise approach, similar  to the real‐world experiment, are its high implementation cost, and difficulty in thoroughly  analysing  available  alternatives,  which  lead  to  suboptimal  conclusions.  Due  to  these  problems, although this approach has a significant contribution in improving the managerial  decision making, still its usage is limited (Bradley et al., 1977).  

The  second  approach  to  modelling,  according  to  Figure  15,  is  Gaming,  which  provides  decision  makers  with  a  responsive  mechanism  to  check  the  performance  of  available 

alternatives. In some cases, games are identified as a type of simulation modelling. It is a  useful tool for helping managers to cope with the inherent complexities in a decision‐making  process. Human interactions affecting the decision environment are active participants in  gaming. Compared with the operation exercise approach, some degree of realism is lost in  gaming, due to operating in an abstract environment, although a part of human interactions  in  the  real  environment  are  maintained.  However,  as  the  result  of  the  higher  level  of  abstraction,  the  cost  of  processing  different  alternatives  would  be  lower,  and  the  performance of these alternatives would be measured with higher speeds, compared with  the previous approach (Bradley et al., 1977). 

While in mentioned modelling approaches, human interactions are parts of the modelling  process, in two other approaches human is external to the modelling process. As the third  approach to modelling, Simulation provides a tool for evaluating the performance of existing  alternatives.  The  main  difference  of  the  simulation  with  the  gaming  is  removing  human  interactions  from  the  modelling  process.  Similar  to  previous  approaches,  simulation  is  inductive in essence, and does not generate new alternatives or an optimum answer for the  problem  under  study,  but  just  evaluate  previously  identified  alternatives.  In  simulation,  exclusive definition of the problem using analytic terms is not necessary, giving this approach  the  flexibility  in  model  formulation  which  is  useful  in  the  presence  of  uncertainties  in  decisions (Bradley et al., 1977). 

The last category of modelling approaches with the highest level of abstraction is Analytical  Models. In this approach, using an objective function, the problem is completely represented  in  mathematical  terms.  Decision  conditions  are  portrayed  as  a  set  of  mathematical  constraints, and the objective function is sought to be maximized or minimized in a way to  satisfy all constraints to reach to an optimum solution for the model. This type of modelling  approach has the lowest  cost and is  the easiest  model to develop, while having the least  accuracy in the results due to the high degree of assumptions simplification (Bradley et al.,  1977). 

  Figure 15: Model classification based on the level of abstraction (Bradley et al., 1977)  In a different approach to the research, Harrison, et al. (2007) stated that theoretical and  empirical analyses are two methods which scientific progress has historically relied on. The  former is based on the formulation of a set of assumptions as mathematical relationships  and  deducing  the  consequences  of  those  assumptions  through  mathematical  proves. 

According to Meredith et al. (1989), in the theoretical method a complex phenomenon is  simplified and primarily addressed with mathematical models. The researcher looks at the  problem through mathematical models and tries to find solutions within the defined model  and to make sure that these solutions provide insights to the structure of the problems as  defined in the model. Empirical research, as the second type, is driven mainly by empirical  results and measurements (Burton and Obel, 1995). It starts with the observation of variables  in  real  life  and  then  analysing  them  to  find  the  patterns  of  relationships,  and  is  more  concerned  with  the  fit  between  the  model  and  the  observation  in  real‐life  situations  (Bertrand and Fransoo, 2002). Both approaches have some shortcomings, for example, in the  theoretical  analysis  approach,  especially  in  social  science,  due  to  the  complexity  and  stochastic nature of social phenomena, analytically determination of results of assumptions  using  mathematical  techniques  is  very  difficult.  This  difficulty  leads  to  choosing  the  assumptions mostly based on their usefulness for driving the desired consequences, not their  correspondence to reality. In empirical approach, the main problem is the unavailability of  data and difficulty to measure them, in addition to the need for comparable measures across  a sample or an extended time period (Harrison et al., 2007). 

Harrison et al. (2007) considered the introduction of simulation models as the third method  of research which allows researchers to handle complex mathematical relationships using  computer‐based  numerical  methods.  This  makes  them  able  to  use  more  realistic  assumptions  instead  of  compromising  them  with  analytically  convenient  assumptions.  In  addition,  using  simulation,  researchers  could  produce  their  own  virtual  data,  thus  overcoming the data availability problem in empirical approach, to some extent.