Sensitivity analysis — حساسیت کا تجزیہ

حساسیت کا تجزیہ (انگریزی: Sensitivity analysis) — یہ ریاضیاتی یا تخمینی ماڈلز کے مطالعے کا ایک طریقہ ہے، جو یہ جاننے میں مدد دیتا ہے کہ ماڈل کے ان پٹ ڈیٹا، پیرامیٹرز یا مفروضات میں تبدیلیاں اس کے آؤٹ پٹ نتائج (مثلاً بہترین حل، مقصدی فنکشن کی قدر یا دیگر اہم اشاریوں) پر کس طرح اثر انداز ہوتی ہیں۔

حساسیت کا تجزیہ آپریشنز ریسرچ، اصلاح، فیصلہ سازی کے نظریے، خطرات کے انتظام، معاشی تجزیے اور نظامی تجزیے میں ایک اہم ذریعہ ہے۔

جوہر اور مقصد

حساسیت کے تجزیے کا بنیادی ہدف یہ سمجھنا ہے کہ ماڈلنگ یا اصلاح کے نتائج ابتدائی ڈیٹا کی غیر یقینی صورتحال یا تغیرات کے مقابلے میں کتنے مستحکم (robust) ہیں۔ یہ اس نوع کے سوالات کا جواب دینے میں مدد کرتا ہے:

• "اگر کسی وسیلے کی لاگت ۱۰ فیصد تبدیل ہو جائے تو بہترین حل کا کیا ہوگا؟"
• "بازار کی طلب میں اتار چڑھاؤ کی صورت میں منافع کتنا تبدیل ہوگا؟"
• "ماڈل کے کون سے پیرامیٹرز حتمی نتیجے پر سب سے زیادہ اثر ڈالتے ہیں؟"
• "ماڈل کے ذریعے حاصل کردہ پیش گوئی کتنی قابل اعتماد ہے؟"

حساسیت کے تجزیے کے اہم مقاصد:

• استحکام کی پیمائش: یہ تعین کرنا کہ پیرامیٹرز میں تبدیلی کی صورت میں حل کی بہتریت یا قبولیت برقرار رہتی ہے یا نہیں۔
• نازک پیرامیٹرز کی شناخت: ایسے ان پٹ ڈیٹا یا ماڈل کے پیرامیٹرز کا پتہ لگانا جن میں معمولی تبدیلیاں آؤٹ پٹ نتائج میں نمایاں تبدیلیاں لاتی ہیں۔
• ماڈل پر اعتماد میں اضافہ: یہ ظاہر کرنا کہ ماڈل ان پٹ ڈیٹا میں تبدیلیوں کے جواب میں قابل پیشگوئی اور منطقی طور پر برتاؤ کرتا ہے۔
• فیصلہ سازی میں معاونت: فیصلہ ساز کو ممکنہ نتائج کی حدود اور ابتدائی ڈیٹا کی غیر یقینی صورتحال سے جڑے خطرات کے بارے میں معلومات فراہم کرنا۔
• مزید تحقیق کی سمت کا تعین: یہ بتانا کہ کون سے ڈیٹا کا جمع کرنا یا ماڈل کے کون سے پیرامیٹرز کو بہتر بنانا سب سے زیادہ اہم ہے۔

حساسیت کے تجزیے کے طریقے

حساسیت کا تجزیہ کرنے کے مختلف طریقے موجود ہیں، سادہ سے لے کر پیچیدہ تک:

• مقامی تجزیہ (One-at-a-Time, OAT/OFAT): ایک وقت میں صرف ایک ان پٹ پیرامیٹر تبدیل کیا جاتا ہے، جبکہ باقی پیرامیٹرز ثابت رہتے ہیں۔ یہ سب سے آسان طریقہ ہے، لیکن یہ پیرامیٹرز کے درمیان تعامل کے اثر کو جانچنے کی اجازت نہیں دیتا۔
• مشتقات پر مبنی تجزیہ (مقامی حساسیت): ان پٹ پیرامیٹرز کے حوالے سے آؤٹ پٹ متغیرات کے جزوی مشتقات کے ذریعے پیرامیٹرز میں چھوٹی تبدیلیوں کے اثر کا اندازہ لگاتا ہے۔
• منظرنامہ تجزیہ: کئی متعینہ منظرناموں (مثلاً پُرامید، مایوس کن، سب سے زیادہ ممکنہ) پر غور کیا جاتا ہے جو ان پٹ پیرامیٹرز کی مختلف اقدار کے مجموعوں سے مطابقت رکھتے ہیں۔
• عالمی حساسیت کا تجزیہ: غیر یقینی صورتحال کی حدود کے اندر تمام (یا بہت سے) پیرامیٹرز کی بیک وقت تبدیلی کے اثر کا مطالعہ کیا جاتا ہے۔ اکثر اعداد و شمار کے طریقے استعمال کیے جاتے ہیں:
• Monte Carlo طریقے: آؤٹ پٹ نتائج کی تقسیم کا اندازہ لگانے کے لیے ان پٹ پیرامیٹرز کے بے ترتیب مجموعوں کی بڑی تعداد تیار کی جاتی ہے۔
• Regression تجزیہ: ایک regression ماڈل بنایا جاتا ہے جو آؤٹ پٹ نتائج کو ان پٹ پیرامیٹرز سے جوڑتا ہے۔
• تشتت تجزیہ (ANOVA) اور تشتت پر مبنی طریقے: یہ ہر پیرامیٹر (اور ان کے تعاملات) کے آؤٹ پٹ نتیجے کے کل تشتت (غیر یقینی صورتحال) میں حصے کا مقداری تخمینہ لگانے کی اجازت دیتے ہیں۔

آپریشنز ریسرچ اور اصلاح میں کردار

آپریشنز ریسرچ میں حساسیت کا تجزیہ بہترین حل تلاش کرنے کے بعد ایک معیاری مرحلہ ہے۔ یہ تعین کرنے میں مدد دیتا ہے:

• بہترین حل کے استحکام کی حدود: مقصدی فنکشن یا پابندیوں کے پیرامیٹرز کس حد تک تبدیل ہو سکتے ہیں تاکہ ملا ہوا بہترین حل بہترین رہے۔
• سائے کی قیمتیں (دوہری قدریں): پابندی میں معمولی تبدیلی (نرمی) کی صورت میں (مثلاً کسی نایاب وسیلے کی ایک اکائی اضافے پر) مقصدی فنکشن کی قدر کتنی تبدیل ہوگی۔ سائے کی قیمتیں وسائل کی قدر و قیمت ظاہر کرتی ہیں۔
• پیرامیٹرز کی تبدیلی کے قابل قبول وقفے: مقصدی فنکشن کے گنانکوں یا پابندیوں کے دائیں حصوں کی تبدیلی کی حدود، جن کے اندر بہترین حل کا موجودہ ڈھانچہ (linear programming میں بنیادی متغیرات کا مجموعہ) برقرار رہتا ہے۔

یہ نتائج فیصلہ ساز کو یہ سمجھنے میں مدد دیتے ہیں کہ ابتدائی ڈیٹا کتنا نازک ہے اور کون سے وسائل سب سے زیادہ قیمتی ("رکاوٹ کے مقامات") ہیں۔

ماڈلنگ اور فیصلہ سازی میں کردار

ماڈلنگ اور فیصلہ سازی کے وسیع تناظر میں حساسیت کا تجزیہ درج ذیل میں مدد کرتا ہے:

• خطرات کا اندازہ: ایسے عوامل کی نشاندہی کرنا جو نتیجے میں سب سے زیادہ غیر یقینی صورتحال پیدا کرتے ہیں۔
• ماڈل کی توثیق: حالات بدلنے پر ماڈل کے برتاؤ کی مناسبت کی جانچ کرنا۔
• متبادلات کا موازنہ: یہ جانچنا کہ کون سا متبادل بیرونی حالات کی تبدیلیوں کے مقابلے میں زیادہ مستحکم ہے۔
• نظام کی سمجھ بوجھ کو بہتر بنانا: ماڈل کیے گئے نظام میں اہم محرک قوتوں اور باہمی تعلقات کی نشاندہی کرنا۔

نتائج کی تشریح

• اعلی حساسیت کسی پیرامیٹر کے حوالے سے یہ ظاہر کرتی ہے کہ اس کے تخمینے میں معمولی غلطیاں یا اس کا تغیر نتیجے پر نمایاں اثر ڈال سکتا ہے۔ ایسے پیرامیٹرز پر خصوصی توجہ ضروری ہے۔
• کم حساسیت اس بات کی نشاندہی کرتی ہے کہ ماڈل یا حل کا نتیجہ زیر غور حد میں اس پیرامیٹر کی تبدیلیوں پر بہت کم انحصار کرتا ہے، یعنی حل اس پیرامیٹر کے حوالے سے robust ہے۔

فوائد

• ماڈلز اور حلوں کی قابل اعتمادی اور استدلال کو بڑھاتا ہے۔
• خطرات اور غیر یقینی صورتحال کو ظاہر کرنے میں مدد کرتا ہے۔
• نظام اور ماڈل کی سمجھ بوجھ کو بہتر بناتا ہے۔
• ڈیٹا جمع کرنے اور ماڈل کو بہتر بنانے کی کوششوں کو صحیح سمت دیتا ہے۔

حدود

• حسابی لحاظ سے مہنگا ہو سکتا ہے، خاص طور پر پیرامیٹرز کی بڑی تعداد کی صورت میں (عالمی تجزیہ)۔
• سادہ طریقے (OAT) پیرامیٹرز کے تعامل کے اثرات کو ظاہر نہیں کر سکتے۔
• نتائج پیرامیٹرز کی تبدیلی کی منتخب حدود اور ماڈل کے مفروضات پر منحصر ہوتے ہیں۔

کتابیات

• 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) (linear programming میں حساسیت کے تجزیے کے حصے شامل ہیں)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (linear programming میں حساسیت کے تجزیے کے حصے شامل ہیں)

مزید دیکھیے

• آپریشنز ریسرچ
• اصلاح
• ریاضیاتی ماڈلنگ
• تخمینی ماڈلنگ
• فیصلہ سازی کا نظریہ
• خطرات کا انتظام
• غیر یقینی صورتحال
• Linear programming