Analyse de sensibilité

L'analyse de sensibilité (en anglais Sensitivity analysis) est une méthode d'étude de modèles mathématiques ou de simulation, qui permet d'évaluer comment les changements dans les données d'entrée, les paramètres ou les hypothèses du modèle affectent ses résultats de sortie (par exemple, la solution optimale, la valeur de la fonction objectif ou d'autres indicateurs clés).

L'analyse de sensibilité est un outil important en recherche opérationnelle, en optimisation, en théorie de la décision, en gestion des risques, en analyse économique et en analyse systémique.

Principes et objectifs

L'objectif principal de l'analyse de sensibilité est de comprendre à quel point les résultats de la modélisation ou de l'optimisation sont stables (robustes) face à l'incertitude ou aux variations des données initiales. Elle aide à répondre à des questions telles que :

• « Que se passe-t-il avec la solution optimale si le coût d'une ressource change de 10 % ? »
• « Dans quelle mesure le profit variera-t-il en fonction des fluctuations de la demande du marché ? »
• « Quels paramètres du modèle ont la plus grande influence sur le résultat final ? »
• « Quelle est la fiabilité de la prévision obtenue à l'aide du modèle ? »

Les tâches clés de l'analyse de sensibilité sont :

• Évaluation de la robustesse :* Déterminer si l'optimalité ou l'acceptabilité d'une solution est maintenue lorsque les paramètres changent.
• Identification des paramètres critiques :* Identifier les données d'entrée ou les paramètres du modèle dont de petites variations entraînent des changements significatifs dans les résultats de sortie.
• Renforcement de la confiance dans le modèle :* Démontrer que le modèle se comporte de manière prévisible et logique en réponse aux changements des données d'entrée.
• Aide à la prise de décision :* Fournir au décideur des informations sur l'éventail des résultats possibles et les risques associés à l'incertitude des données initiales.
• Définition des axes pour de futures recherches :* Indiquer quelles données à collecter ou quels paramètres du modèle à affiner sont les plus importants.

Méthodes d'analyse de sensibilité

Il existe différentes méthodes pour mener une analyse de sensibilité, des plus simples aux plus complexes :

• Analyse locale (One-at-a-Time, OAT/OFAT) :* Un seul paramètre d'entrée est modifié à la fois, tandis que les autres restent fixes. C'est la méthode la plus simple, mais elle ne permet pas d'évaluer les effets d'interaction entre les paramètres.
• Analyse basée sur les dérivées (sensibilité locale) :* Évalue l'impact de petites variations des paramètres par le biais des dérivées partielles des variables de sortie par rapport aux paramètres d'entrée.
• Analyse de scénarios :* Examine plusieurs scénarios discrets (par exemple, optimiste, pessimiste, le plus probable) correspondant à différents ensembles de valeurs pour les paramètres d'entrée.
• Analyse de sensibilité globale :* Étudie l'influence de la variation simultanée de tous (ou de nombreux) paramètres dans leurs plages d'incertitude. Des méthodes statistiques sont souvent utilisées :
• Méthodes de Monte-Carlo :* Génération d'un grand nombre d'ensembles de paramètres d'entrée aléatoires pour évaluer la distribution des résultats de sortie.
• Analyse de régression :* Construction d'un modèle de régression liant les résultats de sortie aux paramètres d'entrée.
• Analyse de la variance (ANOVA) et méthodes basées sur la variance :* Permettent d'évaluer quantitativement la contribution de chaque paramètre (et de leurs interactions) à la variance totale (incertitude) du résultat de sortie.

Rôle en recherche opérationnelle et en optimisation

En recherche opérationnelle, l'analyse de sensibilité est une étape standard après la découverte de la solution optimale. Elle permet de déterminer :

• Limites de stabilité de la solution optimale : Dans quelle plage les paramètres de la fonction objectif ou des contraintes peuvent-ils varier pour que la solution optimale trouvée reste optimale.
• Prix d'ombre (valeurs duales) : Dans quelle mesure la valeur de la fonction objectif changera-t-elle avec une petite modification (assouplissement) d'une contrainte (par exemple, en ajoutant une unité d'une ressource rare). Les prix d'ombre indiquent la valeur des ressources.
• Intervalles de variation admissibles pour les paramètres : Plages de variation des coefficients de la fonction objectif ou des membres de droite des contraintes, à l'intérieur desquelles la structure actuelle de la solution optimale (l'ensemble des variables de base en programmation linéaire) est préservée.

Ces résultats aident le décideur à comprendre à quel point les données initiales sont critiques et quelles ressources sont les plus précieuses (les « goulots d'étranglement »).

Rôle dans la modélisation et la prise de décision

Dans le contexte plus large de la modélisation et de la prise de décision, l'analyse de sensibilité aide à :

• Évaluer les risques : Identifier les facteurs qui introduisent le plus d'incertitude dans le résultat.
• Valider le modèle : Vérifier la pertinence du comportement du modèle face à des conditions changeantes.
• Comparer les alternatives : Évaluer laquelle des alternatives est la plus robuste aux changements des conditions externes.
• Améliorer la compréhension du système : Identifier les principaux moteurs et les interrelations au sein du système modélisé.

Interprétation des résultats

• Une haute sensibilité à un paramètre signifie que même de petites erreurs dans son estimation ou sa variabilité peuvent fortement influencer le résultat. De tels paramètres nécessitent une attention particulière.
• Une faible sensibilité indique que le résultat du modèle ou de la solution dépend peu des variations d'un paramètre donné dans la plage considérée, c'est-à-dire que la solution est robuste par rapport à ce paramètre.

Avantages

• Augmente la fiabilité et la validité des modèles et des solutions.
• Aide à identifier les risques et les incertitudes.
• Améliore la compréhension du système et du modèle.
• Oriente les efforts de collecte de données et d'affinage du modèle.

Limites

• Peut être coûteuse en termes de calcul, surtout avec un grand nombre de paramètres (analyse globale).
• Les méthodes simples (OAT) peuvent ne pas détecter les effets d'interaction entre les paramètres.
• Les résultats dépendent des plages de variation choisies pour les paramètres et des hypothèses du modèle.

Bibliographie

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (11e éd., 2021) (Contient des sections sur l'analyse de sensibilité en programmation linéaire)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10e éd., 2017) (Contient des sections sur l'analyse de sensibilité en programmation linéaire)

Voir aussi

• Recherche opérationnelle
• Optimisation
• Modélisation mathématique
• Modélisation par simulation
• Théorie de la décision
• Gestion des risques
• Incertitude
• Programmation linéaire

Category:Decision analysis