---
title: "Sensitivity analysis — 敏感性分析"
source: "https://systems-analysis.info/int/Sensitivity_analysis_%E2%80%94_%E6%95%8F%E6%84%9F%E6%80%A7%E5%88%86%E6%9E%90"
wiki: "systems-analysis.info/int"
article: "Sensitivity_analysis_—_敏感性分析"
language: "zh"
categories:
  - "Category:Chinese"
  - "Category:Mathematical modeling"
  - "Category:Modeling"
  - "Category:Operations research"
  - "Category:Systems analysis"
revision_id: 6697
wiki_created_at: 2026-09-07T00:09:38Z
wiki_modified_at: 2026-09-07T00:09:38Z
downloaded_at: 2026-09-07T23:15:22Z
---

# Sensitivity analysis — 敏感性分析

**敏感性分析**（英语：*Sensitivity analysis*）是一种研究数学模型或仿真模型的方法，旨在评估模型的输入数据、参数或假设的变化对其输出结果（例如，最优解、目标函数的值或其他关键指标）的影响。

敏感性分析是运筹学、优化、决策论、风险管理、经济分析和系统分析中的一个重要工具。

## 本质与目的

敏感性分析的主要目标是了解建模或优化的结果对于源数据的不确定性或变化的**稳定性**（鲁棒性）如何。它有助于回答以下类型的问题：

- “如果资源成本变化10%，最优解会发生什么变化？”
- “当市场需求波动时，利润会变化多少？”
- “模型的哪些参数对最终结果影响最大？”
- “使用模型得到的预测有多可靠？”

敏感性分析的关键任务包括：

- 评估鲁棒性：确定当参数改变时，解是否仍然保持最优或可接受。
- 识别关键参数：找出那些微小变化会导致输出结果显著变化的输入数据或模型参数。
- 增强模型的可信度：证明模型在响应输入数据变化时表现出可预测和逻辑一致的行为。
- 支持决策：为决策者提供关于可能结果范围以及与输入数据不确定性相关的风险信息。
- 确定未来研究方向：指明哪些数据的收集或模型参数的精确化最为重要。

## 敏感性分析方法

进行敏感性分析的方法多种多样，从简单到复杂不一：

- 局部敏感性分析（一次一参数法，One-at-a-Time, OAT/OFAT）：每次只改变一个输入参数，而其他参数保持固定。这是最简单的方法，但它无法评估参数之间的交互作用。
- 基于导数的分析（局部敏感性）：通过输出变量对输入参数的偏导数来评估参数微小变化的影响。
- 情景分析：考虑几种离散的情景（例如，乐观、悲观、最可能），对应于不同的输入参数值组合。
- 全局敏感性分析：研究所有（或多个）参数在其不确定性范围内同时变化的影响。通常使用统计方法：
- 蒙特卡洛方法：生成大量随机的输入参数集，以评估输出结果的分布。
- 回归分析：建立一个将输出结果与输入参数联系起来的回归模型。
- 方差分析（ANOVA）及基于方差的方法：可以量化每个参数（及其交互作用）对输出结果总方差（不确定性）的贡献。

## 在运筹学和优化中的作用

在运筹学中，敏感性分析是在找到最优解后的一个标准步骤。它有助于确定：

- **最优解的稳定性边界：** 目标函数或约束的参数可以在什么范围内变化，而找到的最优解仍然保持最优。
- **影子价格（对偶评估）：** 当约束发生微小变化（放宽）时（例如，增加一个单位的稀缺资源），目标函数的值会改变多少。影子价格显示了资源的价值。
- **参数的可允许变化区间：** 目标函数系数或约束右侧项的变化范围，在此范围内，当前最优解的结构（在线性规划中为基变量集合）保持不变。

这些结果有助于决策者理解哪些初始数据至关重要，以及哪些资源是最有价值的（“瓶颈”）。

## 在建模和决策中的作用

在更广泛的建模和决策背景下，敏感性分析有助于：

- **评估风险：** 识别对结果造成最大不确定性的因素。
- **验证模型：** 检查模型在条件变化时的行为是否适当。
- **比较备选方案：** 评估哪个备选方案对外部条件的变化更具稳定性。
- **增进对系统的理解：** 揭示所建模系统中的关键驱动力和相互关系。

## 结果的解释

- **对某参数的高敏感性**意味着，即使对其估计的微小误差或其自身的可变性也可能严重影响结果。这类参数需要特别关注。
- **低敏感性**表明，模型的结果或决策在所考虑的范围内，对该参数的变化依赖性很小，即解相对于该参数是鲁棒的。

## 优点

- 提高模型和决策的可靠性与合理性。
- 帮助识别风险和不确定性。
- 增进对系统和模型的理解。
- 为数据收集和模型的精确化工作指明方向。

## 局限性

- 计算成本可能很高，尤其是在参数数量众多时（全局分析）。
- 简单的方法（OAT）可能无法揭示参数间的交互作用。
- 结果取决于所选的参数变化范围和模型的假设。

## 参见

- 运筹学
- 优化
- 数学建模
- 仿真建模
- 决策论
- 风险管理
- 不确定性
- 线性规划

## 参考文献

- *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) (包含关于线性规划中敏感性分析的章节)
- *Taha, Hamdy A.* Operations Research: An Introduction. — Pearson. (10th ed., 2017) (包含关于线性规划中敏感性分析的章节)