Sensitivitätsanalyse

Sensitivitätsanalyse (englisch Sensitivity analysis) ist eine Methode zur Untersuchung von mathematischen oder Simulationsmodellen, die es ermöglicht zu bewerten, wie sich Änderungen bei Eingabedaten, Parametern oder Annahmen eines Modells auf dessen Ergebnisse auswirken (zum Beispiel auf die optimale Lösung, den Wert der Zielfunktion oder andere Schlüsselkennzahlen).

Die Sensitivitätsanalyse ist ein wichtiges Instrument im Operations Research, in der Optimierung, der Entscheidungstheorie, im Risikomanagement, in der Wirtschaftsanalyse und in der Systemanalyse.

Wesen und Zweck

Das Hauptziel der Sensitivitätsanalyse ist es zu verstehen, wie stabil (robust) die Ergebnisse der Modellierung oder Optimierung gegenüber Unsicherheiten oder Variationen der Ausgangsdaten sind. Sie hilft, Fragen zu beantworten wie:

• "Was geschieht mit der optimalen Lösung, wenn sich die Kosten einer Ressource um 10 % ändern?"
• "Wie stark wird sich der Gewinn bei Schwankungen der Marktnachfrage verändern?"
• "Welche Parameter des Modells haben den größten Einfluss auf das Endergebnis?"
• "Wie zuverlässig ist die mit Hilfe des Modells erstellte Prognose?"

Die Hauptaufgaben der Sensitivitätsanalyse sind:

• Bewertung der Robustheit:* Feststellen, ob die Optimalität oder Akzeptanz einer Lösung bei Parameteränderungen erhalten bleibt.
• Identifizierung kritischer Parameter:* Aufdecken von Eingabedaten oder Modellparametern, deren geringfügige Änderungen zu signifikanten Veränderungen der Ergebnisse führen.
• Erhöhung der Vertrauenswürdigkeit des Modells:* Nachweisen, dass sich das Modell als Reaktion auf Änderungen der Eingabedaten vorhersagbar und logisch verhält.
• Unterstützung der Entscheidungsfindung:* Bereitstellung von Informationen für Entscheidungsträger über die Bandbreite möglicher Ergebnisse und die mit der Unsicherheit der Ausgangsdaten verbundenen Risiken.
• Festlegung von Richtungen für weitere Forschung:* Aufzeigen, welche Datenerhebung oder Verfeinerung von Modellparametern am wichtigsten ist.

Methoden der Sensitivitätsanalyse

Es gibt verschiedene Methoden zur Durchführung einer Sensitivitätsanalyse, von einfachen bis hin zu komplexen:

• Lokale Analyse (One-at-a-Time, OAT/OFAT): Es wird jeweils nur ein Eingangsparameter geändert, während die anderen Parameter konstant bleiben. Dies ist die einfachste Methode, sie erlaubt jedoch keine Bewertung von Wechselwirkungen zwischen den Parametern.
• Ableitungsbasierte Analyse (lokale Sensitivität): Bewertet den Einfluss kleiner Parameteränderungen durch die partiellen Ableitungen der Ausgangsvariablen nach den Eingangsparametern.
• Szenarioanalyse: Es werden mehrere diskrete Szenarien betrachtet (z. B. ein optimistisches, ein pessimistisches und ein wahrscheinlichstes Szenario), die unterschiedlichen Sätzen von Eingangsparameterwerten entsprechen.
• Globale Sensitivitätsanalyse: Untersucht den Einfluss der gleichzeitigen Änderung aller (oder vieler) Parameter innerhalb ihrer Unsicherheitsbereiche. Häufig werden statistische Methoden verwendet:
• Methoden nach Monte-Carlo: Eine große Anzahl zufälliger Sätze von Eingangsparametern wird generiert, um die Verteilung der Ergebnisse zu bewerten.
• Regressionsanalyse: Es wird ein Regressionsmodell erstellt, das die Ergebnisse mit den Eingangsparametern verknüpft.
• Varianzanalyse (ANOVA) und varianzbasierte Methoden: Ermöglichen die quantitative Bewertung des Beitrags jedes Parameters (und seiner Wechselwirkungen) zur Gesamtvarianz (Unsicherheit) des Ergebnisses.

Rolle im Operations Research und in der Optimierung

Im Operations Research ist die Sensitivitätsanalyse ein Standardschritt nach dem Finden der optimalen Lösung. Sie ermöglicht die Bestimmung von:

• Stabilitätsgrenzen der optimalen Lösung: Der Bereich, in dem sich die Parameter der Zielfunktion oder der Nebenbedingungen ändern können, ohne dass die gefundene Optimale Lösung ihre Optimalität verliert.
• Schattenpreise (Dualvariablen): Wie stark sich der Wert der Zielfunktion bei einer geringfügigen Änderung (Lockerung) einer Nebenbedingung ändert (z. B. durch Hinzufügen einer Einheit einer knappen Ressource). Schattenpreise zeigen den Wert von Ressourcen an.
• Zulässige Änderungsintervalle für Parameter: Die Bereiche, in denen sich die Koeffizienten der Zielfunktion oder die rechten Seiten der Nebenbedingungen ändern können, während die aktuelle Struktur der optimalen Lösung (der Satz der Basisvariablen in der linearen Programmierung) erhalten bleibt.

Diese Ergebnisse helfen Entscheidungsträgern zu verstehen, wie kritisch die Ausgangsdaten sind und welche Ressourcen am wertvollsten sind ("Engpässe").

Rolle in der Modellierung und Entscheidungsfindung

In einem breiteren Kontext der Modellierung und Entscheidungsfindung hilft die Sensitivitätsanalyse dabei:

• Risiken bewerten: Faktoren identifizieren, die die größte Unsicherheit in das Ergebnis einbringen.
• Ein Modell validieren: Die Angemessenheit des Modellverhaltens bei sich ändernden Bedingungen überprüfen.
• Alternativen vergleichen: Bewerten, welche der Alternativen robuster gegenüber Änderungen der externen Bedingungen ist.
• Das Verständnis des Systems verbessern: Schlüsselfaktoren und Zusammenhänge im modellierten System aufdecken.

Interpretation der Ergebnisse

• Eine hohe Sensitivität gegenüber einem Parameter bedeutet, dass bereits kleine Fehler bei seiner Schätzung oder seine Variabilität das Ergebnis stark beeinflussen können. Solche Parameter erfordern besondere Aufmerksamkeit.
• Eine niedrige Sensitivität zeigt an, dass das Ergebnis des Modells oder der Lösung nur geringfügig von Änderungen dieses Parameters im betrachteten Bereich abhängt, d. h., die Lösung ist in Bezug auf diesen Parameter robust.

Vorteile

• Erhöht die Zuverlässigkeit und Validität von Modellen und Lösungen.
• Hilft bei der Identifizierung von Risiken und Unsicherheiten.
• Verbessert das Verständnis des Systems und des Modells.
• Lenkt die Anstrengungen zur Datenerfassung und zur Verfeinerung des Modells.

Einschränkungen

• Kann rechenintensiv sein, insbesondere bei einer großen Anzahl von Parametern (globale Analyse).
• Einfache Methoden (OAT) können Wechselwirkungen zwischen Parametern möglicherweise nicht aufdecken.
• Die Ergebnisse hängen von den gewählten Änderungsbereichen der Parameter und den Annahmen des Modells ab.

Siehe auch

• Operations Research
• Optimierung
• Mathematische Modellierung
• Simulationsmodellierung
• Entscheidungstheorie
• Risikomanagement
• Unsicherheit
• Lineare Programmierung

Literatur

• 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) (Enthält Abschnitte zur Sensitivitätsanalyse in der linearen Programmierung)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Enthält Abschnitte zur Sensitivitätsanalyse in der linearen Programmierung)