Анализ чувствительности

Анализ чувствительности — это метод количественного исследования математической модели или системы, заключающийся в определении того, как различные значения независимых переменных (входных параметров) влияют на зависимую переменную (выходной результат). Цель анализа — выявить, какие входные параметры вносят наибольший вклад в изменчивость выходного сигнала, и оценить устойчивость модели к неопределенности исходных данных.

Области применения

Анализ чувствительности широко используется в различных дисциплинах, где требуется принятие решений в условиях неопределенности. Основные области включают:

• Финансовый анализ и инвестиции: оценка влияния изменения процентных ставок, курсов валют, цен на сырье или объемов продаж на чистую приведенную стоимость (NPV) или внутреннюю норму доходности (IRR) проекта.
• Инженерное проектирование: определение критических параметров конструкции (например, прочность материалов, допуски на размеры), которые наиболее сильно влияют на надежность и безопасность.
• Экология и науки о Земле: моделирование распространения загрязнителей, оценка влияния климатических факторов на урожайность или популяции видов.
• Экономика и социальные науки: анализ чувствительности макроэкономических моделей к изменению налоговых ставок или государственных расходов.
• Медицина и фармакология: оценка влияния дозировки лекарств, физиологических параметров пациента на эффективность лечения.
• Управление рисками: идентификация факторов, которые могут привести к наибольшим потерям или сбоям в работе системы.

Классификация методов

Методы анализа чувствительности делятся на две основные категории: локальные и глобальные.

Локальный анализ чувствительности

Локальный анализ изучает влияние малых изменений входных параметров вблизи некоторой базовой точки (обычно номинальных значений). Он основан на вычислении частных производных выходной функции по каждому входу. Основные методы:

• Метод «один за другим» (One-at-a-Time, OAT): последовательно изменяется один параметр, в то время как остальные фиксируются на номинальных значениях. Прост в реализации, но не учитывает взаимодействия между параметрами.
• Анализ на основе производных: вычисление коэффициентов чувствительности (например, ∂Y/∂Xᵢ), которые показывают скорость изменения выходного сигнала при изменении i-го входа. Для сложных моделей используются численные методы (конечные разности).
• Метод эластичности: нормированная версия производной, показывающая процентное изменение выхода при однопроцентном изменении входа.

Глобальный анализ чувствительности

Глобальный анализ исследует влияние входных параметров во всем диапазоне их возможных значений, включая взаимодействия между ними. Он более информативен для нелинейных и сложных моделей. Основные методы:

• Метод Монте-Карло: многократный прогон модели со случайными значениями входных параметров, распределенными по заданным законам. Результаты позволяют оценить распределение выходного сигнала и его чувствительность к каждому входу.
• Метод Соболя (Sobol’ sensitivity indices): разложение дисперсии выходного сигнала на доли, обусловленные каждым входным параметром и их взаимодействиями. Вычисляются индексы первого порядка (влияние одного параметра), второго порядка (влияние парных взаимодействий) и общего порядка (суммарное влияние параметра и всех его взаимодействий).
• Метод Морриса (Morris method): эффективный метод для ранжирования параметров по степени влияния, основанный на дискретизации пространства входов и вычислении элементарных эффектов. Позволяет выявить как линейные, так и нелинейные эффекты.
• Метод регрессионного анализа: построение регрессионной модели (линейной или полиномиальной) по результатам прогонов модели. Коэффициенты регрессии служат мерой чувствительности.
• Метод на основе метамоделей (суррогатных моделей): построение упрощенной аппроксимации дорогостоящей модели (например, с помощью нейронных сетей или гауссовских процессов) и последующий анализ чувствительности на этой аппроксимации.

Этапы проведения анализа

Типовой процесс анализа чувствительности включает следующие шаги:

1. Определение цели и границ анализа: формулировка вопроса, на который должен ответить анализ (например, «какие параметры наиболее критичны для рентабельности проекта?»).
2. Выбор модели: определение математической или имитационной модели, описывающей систему.
3. Идентификация входных параметров и выходных переменных: составление списка всех факторов, которые могут влиять на результат, и определение показателей, по которым оценивается результат.
4. Определение диапазонов и распределений входных параметров: задание минимальных и максимальных значений, а также вероятностных законов (равномерное, нормальное, треугольное распределение) для каждого параметра.
5. Выбор метода анализа: выбор локального или глобального метода в зависимости от сложности модели, количества параметров и вычислительных ресурсов.
6. Проведение вычислительных экспериментов: многократный прогон модели с различными наборами входных данных.
7. Интерпретация результатов: анализ полученных индексов чувствительности, графиков (например, торнадо-диаграммы, диаграммы рассеяния), выявление наиболее и наименее влиятельных параметров.
8. Принятие решений: на основе результатов анализа корректировка модели, уточнение данных, снижение неопределенности по критическим параметрам или разработка мер по управлению рисками.

Преимущества и ограничения

Преимущества

• Повышение надежности решений: позволяет учесть неопределенность и избежать ошибок, связанных с использованием только номинальных значений.
• Идентификация критических параметров: помогает сосредоточить усилия на сборе более точных данных по наиболее влиятельным факторам.
• Валидация модели: выявление неожиданных зависимостей может указывать на ошибки в модели или неучтенные эффекты.
• Упрощение модели: параметры с низкой чувствительностью могут быть зафиксированы или исключены из модели без существенной потери точности.
• Обоснование решений: предоставляет количественные аргументы для выбора между альтернативными вариантами.

Ограничения

• Вычислительная сложность: глобальные методы требуют большого количества прогонов модели, что может быть дорогостоящим для сложных симуляций (например, в гидродинамике или климатическом моделировании).
• Зависимость от предположений: результаты анализа чувствительности зависят от выбранных диапазонов и распределений входных параметров, а также от структуры самой модели.
• Интерпретация взаимодействий: сложные взаимодействия между параметрами могут быть трудно интерпретируемы, особенно при большом числе входов.
• Неприменимость к дискретным моделям: некоторые методы (например, основанные на производных) неприменимы к моделям с дискретными или категориальными входными данными.

Примеры

Финансовый анализ инвестиционного проекта

Рассмотрим проект по строительству завода. Основные входные параметры: объем продаж, цена продукции, переменные затраты, постоянные затраты, ставка дисконтирования. Выходной показатель — чистая приведенная стоимость (NPV). Локальный анализ чувствительности (метод OAT) может показать, что NPV наиболее чувствителен к изменению объема продаж и цены, а менее чувствителен к изменению постоянных затрат. Это означает, что для снижения риска проекта необходимо уделить особое внимание прогнозированию спроса и ценообразованию.

Инженерное проектирование моста

При проектировании моста анализируется чувствительность максимального прогиба к таким параметрам, как модуль упругости стали, площадь поперечного сечения балок, нагрузка от ветра и снега. Глобальный анализ (метод Соболя) может выявить, что наибольший вклад в изменчивость прогиба вносит нагрузка от ветра, а также взаимодействие между модулем упругости и площадью сечения. Это позволяет инженерам усилить конструкцию в наиболее уязвимых местах.

Интересные факты

• Термин «анализ чувствительности» впервые был введен в экономический анализ в 1950-х годах, хотя математические основы (частные производные) были известны значительно раньше.
• В 1990-х годах Илья Соболь (российский математик) разработал метод разложения дисперсии, который стал одним из стандартных инструментов глобального анализа чувствительности.
• В некоторых областях, таких как ядерная физика и климатология, анализ чувствительности является обязательным этапом валидации сложных компьютерных моделей.
• Существует понятие «анализ чувствительности к неопределенности» (uncertainty sensitivity analysis), который фокусируется на том, как неопределенность в входных данных влияет на неопределенность выходного сигнала.

Источники

• Saltelli, A., Tarantola, S., Campolongo, F., & Ratto, M. (2004). Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models. John Wiley & Sons.
• Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., ... & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. John Wiley & Sons.
• Sobol, I. M. (2001). Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates. Mathematics and Computers in Simulation, 55(1-3), 271-280.
• Hamby, D. M. (1994). A review of techniques for parameter sensitivity analysis of environmental models. Environmental Monitoring and Assessment, 32(2), 135-154.
• Borgonovo, E., & Plischke, E. (2016). Sensitivity analysis: A review of recent advances. European Journal of Operational Research, 248(3), 869-887.