Analiza wrażliwości

Analiza wrażliwości (ang. Sensitivity analysis) — to metoda badania modeli matematycznych lub symulacyjnych, która pozwala ocenić, jak zmiany danych wejściowych, parametrów lub założeń modelu wpływają na jego wyniki wyjściowe (na przykład na optymalne rozwiązanie, wartość funkcji celu lub inne kluczowe wskaźniki).

Analiza wrażliwości jest ważnym narzędziem w badaniach operacyjnych, optymalizacji, teorii podejmowania decyzji, zarządzaniu ryzykiem, analizie ekonomicznej oraz analizie systemowej.

Istota i przeznaczenie

Głównym celem analizy wrażliwości jest zrozumienie, na ile stabilne (odporne) są wyniki modelowania lub optymalizacji na niepewność lub wariacje danych wejściowych. Pomaga ona odpowiedzieć na pytania w rodzaju:

• „Co stanie się z optymalnym rozwiązaniem, jeśli koszt zasobu zmieni się o 10%?"
• „Jak bardzo zmieni się zysk przy wahaniach popytu rynkowego?"
• „Które parametry modelu mają największy wpływ na końcowy wynik?"
• „Na ile wiarygodna jest prognoza uzyskana za pomocą modelu?"

Kluczowe zadania analizy wrażliwości:

• Ocena odporności: Określenie, czy optymalność lub akceptowalność rozwiązania jest zachowana przy zmianie parametrów.
• Identyfikacja parametrów krytycznych: Wykrycie danych wejściowych lub parametrów modelu, których niewielkie zmiany prowadzą do znaczących zmian wyników wyjściowych.
• Zwiększenie zaufania do modelu: Wykazanie, że model zachowuje się przewidywalnie i logicznie w odpowiedzi na zmiany danych wejściowych.
• Wsparcie podejmowania decyzji: Dostarczenie osobie podejmującej decyzje informacji o zakresie możliwych wyników i ryzykach związanych z niepewnością danych wejściowych.
• Określenie kierunków dalszych badań: Wskazanie, których danych należy zebrać więcej lub które parametry modelu wymagają doprecyzowania.

Metody analizy wrażliwości

Istnieją różne metody przeprowadzania analizy wrażliwości, od prostych do złożonych:

• Analiza lokalna (One-at-a-Time, OAT/OFAT): Zmienia się jeden parametr wejściowy na raz, podczas gdy pozostałe parametry pozostają stałe. Jest to najprostsza metoda, lecz nie pozwala ocenić efektów interakcji między parametrami.
• Analiza oparta na pochodnych (lokalna wrażliwość): Ocenia wpływ małych zmian parametrów za pomocą pochodnych cząstkowych zmiennych wyjściowych względem parametrów wejściowych.
• Analiza scenariuszowa: Rozpatruje się kilka dyskretnych scenariuszy (np. optymistyczny, pesymistyczny, najbardziej prawdopodobny), odpowiadających różnym zestawom wartości parametrów wejściowych.
• Globalna analiza wrażliwości: Bada wpływ jednoczesnych zmian wszystkich (lub wielu) parametrów w granicach ich zakresów niepewności. Często stosowane są metody statystyczne:
• Metody Monte Carlo: Generuje się dużą liczbę losowych zestawów parametrów wejściowych w celu oceny rozkładu wyników wyjściowych.
• Analiza regresji: Buduje się model regresji łączący wyniki wyjściowe z parametrami wejściowymi.
• Analiza wariancji (ANOVA) i metody oparte na wariancji: Pozwalają ilościowo ocenić wkład każdego parametru (i ich interakcji) w całkowitą wariancję (niepewność) wyniku wyjściowego.

Rola w badaniach operacyjnych i optymalizacji

W badaniach operacyjnych analiza wrażliwości jest standardowym etapem po znalezieniu optymalnego rozwiązania. Pozwala ona określić:

• Granice stabilności optymalnego rozwiązania: W jakim zakresie mogą się zmieniać parametry funkcji celu lub ograniczeń, aby znalezione optymalne rozwiązanie pozostawało optymalne.
• Ceny dualne (oceny dualne): O ile zmieni się wartość funkcji celu przy niewielkiej zmianie (złagodzeniu) ograniczenia (np. przy dodaniu jednej jednostki deficytowego zasobu). Ceny dualne wskazują wartość zasobów.
• Dopuszczalne przedziały zmian parametrów: Zakresy zmian współczynników funkcji celu lub prawych stron ograniczeń, w ramach których bieżąca struktura optymalnego rozwiązania (zbiór zmiennych bazowych w programowaniu liniowym) jest zachowana.

Wyniki te pomagają osobie podejmującej decyzje zrozumieć, jak krytyczne są dane wyjściowe i które zasoby są najbardziej wartościowe (stanowią „wąskie gardła").

Rola w modelowaniu i podejmowaniu decyzji

W szerszym kontekście modelowania i podejmowania decyzji analiza wrażliwości pomaga:

• Ocenić ryzyko: Wykryć czynniki, które wnoszą największą niepewność do wyniku.
• Zwalidować model: Sprawdzić adekwatność zachowania modelu przy zmianie warunków.
• Porównać alternatywy: Ocenić, która z alternatyw jest bardziej odporna na zmiany warunków zewnętrznych.
• Pogłębić rozumienie systemu: Wykryć kluczowe siły sprawcze i zależności w modelowanym systemie.

Interpretacja wyników

• Wysoka wrażliwość na parametr oznacza, że nawet niewielkie błędy w jego oszacowaniu lub jego zmienność mogą silnie wpłynąć na wynik. Takie parametry wymagają szczególnej uwagi.
• Niska wrażliwość wskazuje, że wynik modelu lub rozwiązania w małym stopniu zależy od zmian danego parametru w rozpatrywanym zakresie, tzn. rozwiązanie jest odporne na ten parametr.

Zalety

• Zwiększa wiarygodność i uzasadnienie modeli i rozwiązań.
• Pomaga wykryć ryzyka i niepewności.
• Poprawia rozumienie systemu i modelu.
• Kieruje wysiłkami w zakresie gromadzenia danych i doprecyzowania modelu.

Ograniczenia

• Może być obliczeniowo kosztowna, szczególnie przy dużej liczbie parametrów (analiza globalna).
• Proste metody (OAT) mogą nie wykryć efektów interakcji parametrów.
• Wyniki zależą od wybranych zakresów zmian parametrów i założeń modelu.

Literatura

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (11th ed., 2021) (Zawiera rozdziały dotyczące analizy wrażliwości w programowaniu liniowym)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Zawiera rozdziały dotyczące analizy wrażliwości w programowaniu liniowym)

Zobacz też

• Badania operacyjne
• Optymalizacja
• Modelowanie matematyczne
• Modelowanie symulacyjne
• Teoria podejmowania decyzji
• Zarządzanie ryzykiem
• Niepewność
• Programowanie liniowe