Sensitivity analysis — تحلیل حساسیت

تحلیل حساسیت (به انگلیسی: Sensitivity analysis) — روشی برای مطالعه مدل‌های ریاضی یا شبیه‌سازی است که امکان ارزیابی تأثیر تغییرات در داده‌های ورودی، پارامترها یا فرضیات مدل بر نتایج خروجی آن (مانند راه‌حل بهینه، مقدار تابع هدف یا سایر شاخص‌های کلیدی) را فراهم می‌کند.

تحلیل حساسیت ابزاری مهم در تحقیق در عملیات، بهینه‌سازی، نظریه تصمیم‌گیری، مدیریت ریسک، تحلیل اقتصادی و تحلیل سیستم‌ها به شمار می‌رود.

ماهیت و هدف

هدف اصلی تحلیل حساسیت — درک این موضوع است که نتایج مدل‌سازی یا بهینه‌سازی تا چه میزان در برابر عدم قطعیت یا تغییرات داده‌های اولیه پایدار (robust) هستند. این تحلیل به پاسخ‌دهی به پرسش‌هایی از این قبیل کمک می‌کند:

• «اگر هزینه یک منبع ۱۰٪ تغییر کند، چه اتفاقی برای راه‌حل بهینه خواهد افتاد؟»
• «با نوسانات تقاضای بازار، سود چقدر تغییر خواهد کرد؟»
• «کدام پارامترهای مدل بیشترین تأثیر را بر نتیجه نهایی دارند؟»
• «پیش‌بینی به‌دست‌آمده از مدل تا چه اندازه قابل اعتماد است؟»

وظایف کلیدی تحلیل حساسیت:

• ارزیابی پایداری (robustness): تعیین اینکه آیا بهینگی یا قابل‌قبول بودن راه‌حل با تغییر پارامترها حفظ می‌شود یا خیر.
• شناسایی پارامترهای بحرانی: شناسایی داده‌های ورودی یا پارامترهای مدلی که تغییرات اندک در آن‌ها منجر به تغییرات قابل توجه در نتایج خروجی می‌شود.
• افزایش اعتماد به مدل: نشان دادن اینکه مدل در پاسخ به تغییرات داده‌های ورودی رفتاری قابل پیش‌بینی و منطقی دارد.
• پشتیبانی از تصمیم‌گیری: ارائه اطلاعات به تصمیم‌گیرنده درباره دامنه پیامدهای ممکن و ریسک‌های مرتبط با عدم قطعیت داده‌های اولیه.
• تعیین جهت‌های پژوهش‌های آتی: مشخص کردن اینکه جمع‌آوری کدام داده‌ها یا دقیق‌سازی کدام پارامترهای مدل از اهمیت بیشتری برخوردار است.

روش‌های تحلیل حساسیت

روش‌های مختلفی برای انجام تحلیل حساسیت وجود دارد، از ساده تا پیچیده:

• تحلیل محلی (One-at-a-Time, OAT/OFAT): یک پارامتر ورودی در هر بار تغییر می‌کند، در حالی که سایر پارامترها ثابت می‌مانند. این ساده‌ترین روش است، اما امکان ارزیابی اثر تعامل میان پارامترها را نمی‌دهد.
• تحلیل مبتنی بر مشتقات (حساسیت محلی): تأثیر تغییرات اندک در پارامترها را از طریق مشتقات جزئی متغیرهای خروجی نسبت به پارامترهای ورودی ارزیابی می‌کند.
• تحلیل سناریو: چندین سناریوی گسسته (مثلاً خوش‌بینانه، بدبینانه، محتمل‌ترین) که مجموعه‌های مختلفی از مقادیر پارامترهای ورودی را در بر می‌گیرند، مورد بررسی قرار می‌گیرند.
• تحلیل حساسیت سراسری (Global): تأثیر تغییر همزمان تمام (یا بسیاری از) پارامترها در محدوده عدم قطعیت آن‌ها بررسی می‌شود. روش‌های آماری زیر اغلب مورد استفاده قرار می‌گیرند:
• روش‌های مونت‌کارلو: تعداد زیادی مجموعه تصادفی از پارامترهای ورودی برای ارزیابی توزیع نتایج خروجی تولید می‌شود.
• تحلیل رگرسیون: مدل رگرسیونی‌ای ساخته می‌شود که نتایج خروجی را به پارامترهای ورودی مرتبط می‌سازد.
• تحلیل واریانس (ANOVA) و روش‌های مبتنی بر واریانس: امکان سنجش کمّی سهم هر پارامتر (و تعاملات آن‌ها) در واریانس کل (عدم قطعیت) نتیجه خروجی را فراهم می‌کنند.

نقش در تحقیق در عملیات و بهینه‌سازی

در تحقیق در عملیات، تحلیل حساسیت مرحله‌ای استاندارد پس از یافتن راه‌حل بهینه است. این تحلیل امکان تعیین موارد زیر را فراهم می‌سازد:

• محدوده پایداری راه‌حل بهینه: در چه دامنه‌ای پارامترهای تابع هدف یا محدودیت‌ها می‌توانند تغییر کنند به طوری که راه‌حل بهینه یافته‌شده همچنان بهینه باقی بماند.
• قیمت‌های سایه (ارزیابی‌های دوگان): مقدار تابع هدف با تغییر اندک (تخفیف) یک محدودیت (مثلاً با افزودن یک واحد منبع کمیاب) چقدر تغییر می‌کند. قیمت‌های سایه ارزش منابع را نشان می‌دهند.
• بازه‌های مجاز تغییر پارامترها: دامنه‌های تغییر ضرایب تابع هدف یا اعضای سمت راست محدودیت‌ها، که در محدوده آن‌ها ساختار فعلی راه‌حل بهینه (مجموعه متغیرهای پایه در برنامه‌ریزی خطی) حفظ می‌شود.

این نتایج به تصمیم‌گیرنده کمک می‌کند تا درک کند داده‌های اولیه تا چه اندازه حیاتی هستند و کدام منابع ارزشمندترین («گلوگاه‌ها») محسوب می‌شوند.

نقش در مدل‌سازی و تصمیم‌گیری

در زمینه گسترده‌تر مدل‌سازی و تصمیم‌گیری، تحلیل حساسیت کمک می‌کند تا:

• ریسک‌ها ارزیابی شوند: عواملی که بیشترین عدم قطعیت را به نتیجه وارد می‌کنند، شناسایی شوند.
• مدل اعتبارسنجی شود: کفایت رفتار مدل در شرایط متغیر بررسی شود.
• گزینه‌ها مقایسه شوند: ارزیابی شود که کدام گزینه در برابر تغییرات شرایط بیرونی پایدارتر است.
• درک سیستم بهبود یابد: نیروهای محرک کلیدی و روابط متقابل در سیستم مدل‌سازی‌شده شناسایی شوند.

تفسیر نتایج

• حساسیت بالا نسبت به یک پارامتر به این معناست که حتی خطاهای اندک در تخمین آن یا تغییرپذیری آن می‌تواند تأثیر زیادی بر نتیجه داشته باشد. چنین پارامترهایی نیاز به توجه ویژه دارند.
• حساسیت پایین نشان می‌دهد که نتیجه مدل یا راه‌حل کمتر به تغییرات این پارامتر در دامنه مورد بررسی وابسته است، یعنی راه‌حل نسبت به این پارامتر robust است.

مزایا

• قابلیت اطمینان و استحکام مدل‌ها و تصمیم‌ها را افزایش می‌دهد.
• به شناسایی ریسک‌ها و عدم قطعیت‌ها کمک می‌کند.
• درک سیستم و مدل را بهبود می‌بخشد.
• تلاش‌های جمع‌آوری داده و دقیق‌سازی مدل را هدایت می‌کند.

محدودیت‌ها

• ممکن است از نظر محاسباتی پرهزینه باشد، به‌ویژه با تعداد زیاد پارامترها (تحلیل سراسری).
• روش‌های ساده (OAT) ممکن است اثرات تعامل پارامترها را آشکار نکنند.
• نتایج به دامنه‌های انتخاب‌شده برای تغییر پارامترها و فرضیات مدل وابسته‌اند.

همچنین ببینید

• تحقیق در عملیات
• بهینه‌سازی
• مدل‌سازی ریاضی
• شبیه‌سازی
• نظریه تصمیم‌گیری
• مدیریت ریسک
• عدم قطعیت
• برنامه‌ریزی خطی

منابع

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (چاپ یازدهم، ۲۰۲۱) (شامل بخش‌هایی درباره تحلیل حساسیت در برنامه‌ریزی خطی)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (چاپ دهم، ۲۰۱۷) (شامل بخش‌هایی درباره تحلیل حساسیت در برنامه‌ریزی خطی)