Sensitivity analysis — संवेदनशीलता विश्लेषण
संवेदनशीलता विश्लेषण (अंग्रेज़ी: Sensitivity Analysis) — यह गणितीय या अनुकरण मॉडलों के अध्ययन की एक विधि है, जो यह मूल्यांकन करने की अनुमति देती है कि इनपुट डेटा, मॉडल के मापदंडों या मान्यताओं में परिवर्तन उसके आउटपुट परिणामों (जैसे कि इष्टतम समाधान, उद्देश्य फलन का मूल्य या अन्य प्रमुख संकेतक) को कैसे प्रभावित करते हैं।
संवेदनशीलता विश्लेषण संक्रिया अनुसंधान, अनुकूलन, निर्णय सिद्धांत, जोखिम प्रबंधन, आर्थिक विश्लेषण और प्रणाली विश्लेषण में एक महत्वपूर्ण उपकरण है।
सार और उद्देश्य
संवेदनशीलता विश्लेषण का मुख्य लक्ष्य यह समझना है कि मॉडलिंग या अनुकूलन के परिणाम प्रारंभिक डेटा की अनिश्चितता या विविधताओं के प्रति कितने स्थिर (robust) हैं। यह निम्नलिखित प्रकार के प्रश्नों का उत्तर देने में सहायता करता है:
- "यदि किसी संसाधन की लागत 10% बदल जाए, तो इष्टतम समाधान का क्या होगा?"
- "बाजार की मांग में उतार-चढ़ाव से लाभ कितना बदलेगा?"
- "मॉडल के कौन से मापदंड अंतिम परिणाम पर सबसे अधिक प्रभाव डालते हैं?"
- "मॉडल की सहायता से प्राप्त पूर्वानुमान कितना विश्वसनीय है?"
संवेदनशीलता विश्लेषण के प्रमुख कार्य:
- मजबूती का मूल्यांकन: यह निर्धारित करना कि मापदंडों के बदलने पर समाधान की इष्टतमता या स्वीकार्यता बनी रहती है या नहीं।
- महत्वपूर्ण मापदंडों की पहचान: उन इनपुट डेटा या मॉडल मापदंडों को चिह्नित करना, जिनमें छोटे परिवर्तन भी आउटपुट परिणामों में महत्वपूर्ण बदलाव लाते हैं।
- मॉडल में विश्वास बढ़ाना: यह प्रदर्शित करना कि मॉडल इनपुट डेटा में परिवर्तनों के प्रति पूर्वानुमानित और तार्किक रूप से व्यवहार करता है।
- निर्णय-लेने में सहायता: निर्णय-निर्माता को संभावित परिणामों की सीमा और प्रारंभिक डेटा की अनिश्चितता से जुड़े जोखिमों की जानकारी प्रदान करना।
- आगे के अनुसंधान की दिशा निर्धारित करना: यह इंगित करना कि किस डेटा का संग्रह या मॉडल के किन मापदंडों का परिशोधन सबसे अधिक महत्वपूर्ण है।
संवेदनशीलता विश्लेषण की विधियाँ
संवेदनशीलता विश्लेषण करने के लिए सरल से लेकर जटिल तक विभिन्न विधियाँ उपलब्ध हैं:
- स्थानीय विश्लेषण (One-at-a-Time, OAT/OFAT): एक समय में केवल एक इनपुट मापदंड बदला जाता है, जबकि शेष मापदंड स्थिर रहते हैं। यह सबसे सरल विधि है, लेकिन यह मापदंडों के बीच परस्पर क्रिया के प्रभाव का आकलन करने में सक्षम नहीं है।
- अवकलज-आधारित विश्लेषण (स्थानीय संवेदनशीलता): इनपुट मापदंडों के सापेक्ष आउटपुट चरों के आंशिक अवकलजों के माध्यम से मापदंडों में छोटे परिवर्तनों के प्रभाव का मूल्यांकन करता है।
- परिदृश्य विश्लेषण: कई असतत परिदृश्यों (जैसे, आशावादी, निराशावादी, सर्वाधिक संभावित) पर विचार किया जाता है, जो इनपुट मापदंडों के विभिन्न मूल्य-समूहों के अनुरूप होते हैं।
- वैश्विक संवेदनशीलता विश्लेषण: सभी (या अनेक) मापदंडों को उनकी अनिश्चितता की सीमाओं के भीतर एक साथ बदलने के प्रभाव का अध्ययन किया जाता है। इसमें प्राय: सांख्यिकीय विधियों का उपयोग किया जाता है:
- Monte Carlo विधियाँ: आउटपुट परिणामों के वितरण का मूल्यांकन करने के लिए इनपुट मापदंडों के बड़ी संख्या में यादृच्छिक समूह उत्पन्न किए जाते हैं।
- प्रतिगमन विश्लेषण: एक प्रतिगमन मॉडल बनाया जाता है जो आउटपुट परिणामों को इनपुट मापदंडों से जोड़ता है।
- प्रसरण विश्लेषण (ANOVA) और प्रसरण-आधारित विधियाँ: प्रत्येक मापदंड (और उनकी परस्पर क्रियाओं) के आउटपुट परिणाम के कुल प्रसरण (अनिश्चितता) में योगदान को परिमाणित करने की अनुमति देती हैं।
संक्रिया अनुसंधान और अनुकूलन में भूमिका
संक्रिया अनुसंधान में, इष्टतम समाधान खोजने के बाद संवेदनशीलता विश्लेषण एक मानक चरण है। यह निम्नलिखित निर्धारित करने की अनुमति देता है:
- इष्टतम समाधान की स्थिरता की सीमाएँ: उद्देश्य फलन या प्रतिबंधों के मापदंड किस सीमा तक बदल सकते हैं ताकि प्राप्त इष्टतम समाधान इष्टतम बना रहे।
- छाया कीमतें (द्वैत मूल्यांकन): किसी प्रतिबंध में थोड़ी ढील देने (जैसे, एक दुर्लभ संसाधन की एक इकाई जोड़ने) पर उद्देश्य फलन का मूल्य कितना बदलेगा। छाया कीमतें संसाधनों का मूल्य दर्शाती हैं।
- मापदंडों के स्वीकार्य परिवर्तन अंतराल: उद्देश्य फलन के गुणांकों या प्रतिबंधों के दाहिने भागों के परिवर्तन की वे सीमाएँ, जिनके अंतर्गत इष्टतम समाधान की वर्तमान संरचना (रैखिक प्रोग्रामिंग में आधार चरों का समूह) बनी रहती है।
ये परिणाम निर्णय-निर्माता को यह समझने में मदद करते हैं कि प्रारंभिक डेटा कितना महत्वपूर्ण है और कौन से संसाधन सबसे मूल्यवान ("अड़चनें") हैं।
मॉडलिंग और निर्णय-लेने में भूमिका
मॉडलिंग और निर्णय-लेने के व्यापक संदर्भ में संवेदनशीलता विश्लेषण निम्नलिखित में सहायता करता है:
- जोखिमों का मूल्यांकन: उन कारकों की पहचान करना जो परिणाम में सबसे अधिक अनिश्चितता उत्पन्न करते हैं।
- मॉडल का सत्यापन: परिस्थितियों के बदलने पर मॉडल के व्यवहार की पर्याप्तता की जाँच करना।
- विकल्पों की तुलना: यह मूल्यांकन करना कि कौन सा विकल्प बाहरी परिस्थितियों में परिवर्तनों के प्रति अधिक स्थिर है।
- प्रणाली की समझ बेहतर करना: मॉडल की गई प्रणाली में प्रमुख प्रेरक शक्तियों और अंतर्संबंधों को उजागर करना।
परिणामों की व्याख्या
- उच्च संवेदनशीलता किसी मापदंड के प्रति यह संकेत देती है कि उसके मूल्यांकन में छोटी-सी त्रुटि या उसकी परिवर्तनशीलता भी परिणाम को बहुत अधिक प्रभावित कर सकती है। ऐसे मापदंडों पर विशेष ध्यान देना आवश्यक है।
- निम्न संवेदनशीलता यह संकेत देती है कि विचाराधीन सीमा में दिए गए मापदंड के परिवर्तनों पर मॉडल या समाधान का परिणाम बहुत कम निर्भर करता है, अर्थात् समाधान इस मापदंड के सापेक्ष robust है।
लाभ
- मॉडलों और समाधानों की विश्वसनीयता और प्रमाणितता बढ़ाता है।
- जोखिमों और अनिश्चितताओं की पहचान करने में सहायता करता है।
- प्रणाली और मॉडल की समझ बेहतर करता है।
- डेटा संग्रह और मॉडल परिशोधन के प्रयासों को दिशा देता है।
सीमाएँ
- विशेष रूप से बड़ी संख्या में मापदंडों (वैश्विक विश्लेषण) के साथ, यह कम्प्यूटेशनल दृष्टि से महंगा हो सकता है।
- सरल विधियाँ (OAT) मापदंडों के परस्पर क्रिया प्रभावों को उजागर नहीं कर सकतीं।
- परिणाम मापदंडों के चुने गए परिवर्तन अंतरालों और मॉडल की मान्यताओं पर निर्भर करते हैं।
साहित्य
- 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) (रैखिक प्रोग्रामिंग में संवेदनशीलता विश्लेषण पर अनुभाग सम्मिलित हैं)
- Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (रैखिक प्रोग्रामिंग में संवेदनशीलता विश्लेषण पर अनुभाग सम्मिलित हैं)
यह भी देखें
- संक्रिया अनुसंधान
- अनुकूलन
- गणितीय मॉडलिंग
- अनुकरण मॉडलिंग
- निर्णय सिद्धांत
- जोखिम प्रबंधन
- अनिश्चितता
- रैखिक प्रोग्रामिंग