Sensitivity analysis — 민감도 분석

민감도 분석 (영어: Sensitivity analysis) — 수학적 또는 시뮬레이션 모델을 연구하는 방법으로, 입력 데이터, 매개변수 또는 모델의 가정이 변화할 때 출력 결과(예: 최적해, 목적 함수 값 또는 기타 핵심 지표)에 어떤 영향을 미치는지 평가할 수 있게 해준다.

민감도 분석은 운용과학, 최적화, 의사결정 이론, 리스크 관리, 경제 분석 및 시스템 분석에서 중요한 도구이다.

본질과 목적

민감도 분석의 주요 목표는 모델링 또는 최적화 결과가 초기 데이터의 불확실성이나 변동에 얼마나 강건(robust)한지를 이해하는 것이다. 이는 다음과 같은 질문에 답하는 데 도움을 준다:

• "자원 비용이 10% 변화하면 최적해는 어떻게 되는가?"
• "시장 수요의 변동에 따라 이익은 얼마나 크게 변하는가?"
• "어떤 모델 매개변수가 최종 결과에 가장 큰 영향을 미치는가?"
• "모델을 통해 얻은 예측은 얼마나 신뢰할 수 있는가?"

민감도 분석의 핵심 과제:

• 강건성 평가: 매개변수가 변화할 때 해의 최적성 또는 수용 가능성이 유지되는지 확인한다.
• 임계 매개변수 식별: 작은 변화가 출력 결과에 큰 변화를 초래하는 입력 데이터 또는 모델 매개변수를 파악한다.
• 모델에 대한 신뢰도 향상: 입력 데이터의 변화에 대해 모델이 예측 가능하고 논리적으로 동작함을 입증한다.
• 의사결정 지원: 의사결정자(ЛПР)에게 가능한 결과의 범위와 초기 데이터의 불확실성과 관련된 리스크에 대한 정보를 제공한다.
• 추가 연구 방향 설정: 어떤 데이터의 수집 또는 어떤 모델 매개변수의 정밀화가 가장 중요한지 제시한다.

민감도 분석 방법

민감도 분석을 수행하는 방법에는 단순한 것부터 복잡한 것까지 다양하다:

• 국소 분석 (One-at-a-Time, OAT/OFAT): 한 번에 하나의 입력 매개변수만 변경하고 나머지 매개변수는 고정 상태로 유지한다. 가장 단순한 방법이지만 매개변수 간 상호작용 효과를 평가할 수 없다.
• 도함수 기반 분석 (국소 민감도): 출력 변수의 입력 매개변수에 대한 편미분을 통해 매개변수의 작은 변화가 미치는 영향을 평가한다.
• 시나리오 분석: 여러 이산 시나리오(예: 낙관적, 비관적, 가장 가능성 높은 시나리오)를 검토하며, 각 시나리오는 입력 매개변수 값의 서로 다른 집합에 해당한다.
• 전역 민감도 분석: 불확실성 범위 내에서 모든(또는 다수의) 매개변수가 동시에 변화하는 영향을 연구한다. 통계적 방법이 자주 사용된다:
• Monte Carlo 방법: 출력 결과의 분포를 평가하기 위해 입력 매개변수의 무작위 집합을 대량으로 생성한다.
• 회귀 분석: 출력 결과와 입력 매개변수를 연결하는 회귀 모델을 구축한다.
• 분산 분석 (ANOVA) 및 분산 기반 방법: 각 매개변수(및 그 상호작용)가 출력 결과의 전체 분산(불확실성)에 기여하는 정도를 정량적으로 평가한다.

운용과학 및 최적화에서의 역할

운용과학에서 민감도 분석은 최적해를 구한 후의 표준적인 단계이다. 이를 통해 다음을 결정할 수 있다:

• 최적해의 안정성 범위: 발견된 최적해가 최적으로 유지되기 위해 목적 함수나 제약 조건의 매개변수가 변화할 수 있는 범위.
• 그림자 가격 (쌍대 추정치): 제약 조건을 약간 완화할 때(예: 희소 자원 한 단위 추가 시) 목적 함수 값이 얼마나 변화하는지. 그림자 가격은 자원의 가치를 나타낸다.
• 매개변수 허용 변화 구간: 현재의 최적해 구조(선형 계획법에서의 기저 변수 집합)가 유지되는 범위 내에서 목적 함수 계수 또는 제약 조건 우변 값이 변화할 수 있는 범위.

이러한 결과는 의사결정자가 초기 데이터가 얼마나 중요한지, 어떤 자원이 가장 가치 있는 "병목"인지를 이해하는 데 도움을 준다.

모델링 및 의사결정에서의 역할

보다 광범위한 모델링 및 의사결정의 맥락에서 민감도 분석은 다음을 지원한다:

• 리스크 평가: 결과에 가장 큰 불확실성을 초래하는 요인을 파악한다.
• 모델 검증: 조건 변화에 따른 모델 동작의 적절성을 검증한다.
• 대안 비교: 어떤 대안이 외부 조건 변화에 더 강건한지 평가한다.
• 시스템 이해 향상: 모델링된 시스템의 핵심 동인과 상호 관계를 파악한다.

결과 해석

• 높은 민감도는 해당 매개변수에 대해, 그 추정의 작은 오류나 변동성만으로도 결과에 큰 영향을 줄 수 있음을 의미한다. 이러한 매개변수는 특별한 주의가 필요하다.
• 낮은 민감도는 모델 또는 해의 결과가 검토 범위 내에서 해당 매개변수의 변화에 거의 의존하지 않음을 나타내며, 즉 해가 해당 매개변수에 대해 강건함을 의미한다.

장점

• 모델 및 해의 신뢰성과 타당성을 높인다.
• 리스크와 불확실성을 파악하는 데 도움을 준다.
• 시스템과 모델에 대한 이해를 향상시킨다.
• 데이터 수집 및 모델 정밀화를 위한 노력을 안내한다.

한계

• 특히 매개변수 수가 많을 경우(전역 분석) 계산 비용이 클 수 있다.
• 단순한 방법(OAT)은 매개변수 간 상호작용 효과를 파악하지 못할 수 있다.
• 결과는 선택된 매개변수 변화 범위와 모델 가정에 의존한다.

참고 문헌

• 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) (선형 계획법에서의 민감도 분석 단원 포함)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (선형 계획법에서의 민감도 분석 단원 포함)

같이 보기

• 운용과학
• 최적화
• 수학적 모델링
• 시뮬레이션 모델링
• 의사결정 이론
• 리스크 관리
• 불확실성
• 선형 계획법