Phân tích độ nhạy

Phân tích độ nhạy (tiếng Anh: Sensitivity analysis) — là phương pháp nghiên cứu các mô hình toán học hoặc mô hình mô phỏng, cho phép đánh giá mức độ ảnh hưởng của những thay đổi trong dữ liệu đầu vào, tham số hoặc các giả định của mô hình đối với kết quả đầu ra (ví dụ: nghiệm tối ưu, giá trị hàm mục tiêu hoặc các chỉ số quan trọng khác).

Phân tích độ nhạy là công cụ quan trọng trong nghiên cứu vận hành, tối ưu hóa, lý thuyết ra quyết định, quản lý rủi ro, phân tích kinh tế và phân tích hệ thống.

Bản chất và mục đích

Mục tiêu chính của phân tích độ nhạy là hiểu được mức độ ổn định (robust) của kết quả mô hình hóa hoặc tối ưu hóa trước sự không chắc chắn hoặc sự biến động của dữ liệu đầu vào. Phương pháp này giúp trả lời các câu hỏi như:

• "Nghiệm tối ưu sẽ thay đổi như thế nào nếu chi phí tài nguyên thay đổi 10%?"
• "Lợi nhuận sẽ thay đổi bao nhiêu khi nhu cầu thị trường dao động?"
• "Tham số nào của mô hình có ảnh hưởng lớn nhất đến kết quả cuối cùng?"
• "Dự báo thu được từ mô hình đáng tin cậy đến mức nào?"

Các nhiệm vụ chính của phân tích độ nhạy:

• Đánh giá tính robust: Xác định xem tính tối ưu hoặc tính chấp nhận được của nghiệm có được duy trì khi các tham số thay đổi hay không.
• Xác định các tham số quan trọng: Tìm ra những dữ liệu đầu vào hoặc tham số mô hình mà những thay đổi nhỏ trong chúng dẫn đến những thay đổi đáng kể ở kết quả đầu ra.
• Nâng cao độ tin cậy vào mô hình: Chứng minh rằng mô hình hoạt động có thể dự đoán được và hợp lý khi dữ liệu đầu vào thay đổi.
• Hỗ trợ ra quyết định: Cung cấp cho người ra quyết định thông tin về phạm vi các kết quả có thể xảy ra và các rủi ro liên quan đến sự không chắc chắn của dữ liệu đầu vào.
• Xác định hướng nghiên cứu tiếp theo: Chỉ ra việc thu thập dữ liệu nào hoặc làm rõ tham số nào của mô hình là quan trọng nhất.

Các phương pháp phân tích độ nhạy

Có nhiều phương pháp thực hiện phân tích độ nhạy, từ đơn giản đến phức tạp:

• Phân tích cục bộ (One-at-a-Time, OAT/OFAT): Thay đổi từng tham số đầu vào một, trong khi các tham số còn lại được giữ cố định. Đây là phương pháp đơn giản nhất, nhưng không cho phép đánh giá hiệu ứng tương tác giữa các tham số.
• Phân tích dựa trên đạo hàm (độ nhạy cục bộ): Đánh giá ảnh hưởng của những thay đổi nhỏ trong tham số thông qua các đạo hàm riêng của biến đầu ra theo tham số đầu vào.
• Phân tích kịch bản: Xem xét một số kịch bản rời rạc (ví dụ: lạc quan, bi quan, khả năng xảy ra nhất), tương ứng với các tập giá trị tham số đầu vào khác nhau.
• Phân tích độ nhạy toàn cục: Nghiên cứu ảnh hưởng của việc thay đổi đồng thời tất cả (hoặc nhiều) tham số trong phạm vi không chắc chắn của chúng. Thường sử dụng các phương pháp thống kê:
• Phương pháp Monte Carlo: Tạo ra một số lượng lớn các tập tham số đầu vào ngẫu nhiên để đánh giá phân phối của kết quả đầu ra.
• Phân tích hồi quy: Xây dựng mô hình hồi quy liên kết kết quả đầu ra với các tham số đầu vào.
• Phân tích phương sai (ANOVA) và các phương pháp dựa trên phương sai: Cho phép định lượng đóng góp của từng tham số (và tương tác giữa chúng) vào tổng phương sai (sự không chắc chắn) của kết quả đầu ra.

Vai trò trong nghiên cứu vận hành và tối ưu hóa

Trong nghiên cứu vận hành, phân tích độ nhạy là bước tiêu chuẩn sau khi tìm được nghiệm tối ưu. Nó cho phép xác định:

• Giới hạn ổn định của nghiệm tối ưu: Tham số của hàm mục tiêu hoặc các ràng buộc có thể thay đổi trong phạm vi nào để nghiệm tối ưu đã tìm được vẫn giữ nguyên tính tối ưu.
• Giá trị bóng (đánh giá đối ngẫu): Giá trị hàm mục tiêu sẽ thay đổi bao nhiêu khi có sự thay đổi nhỏ (nới lỏng) của ràng buộc (ví dụ: khi thêm một đơn vị tài nguyên khan hiếm). Giá trị bóng cho thấy giá trị của các tài nguyên.
• Khoảng thay đổi cho phép của tham số: Phạm vi thay đổi của các hệ số hàm mục tiêu hoặc vế phải của các ràng buộc mà trong đó cấu trúc hiện tại của nghiệm tối ưu (tập biến cơ sở trong lập trình tuyến tính) được duy trì.

Các kết quả này giúp người ra quyết định hiểu dữ liệu đầu vào quan trọng đến mức nào và tài nguyên nào có giá trị nhất ("nút cổ chai").

Vai trò trong mô hình hóa và ra quyết định

Trong bối cảnh rộng hơn của mô hình hóa và ra quyết định, phân tích độ nhạy giúp:

• Đánh giá rủi ro: Xác định các yếu tố gây ra sự không chắc chắn lớn nhất cho kết quả.
• Xác nhận mô hình: Kiểm tra tính phù hợp của hành vi mô hình khi điều kiện thay đổi.
• So sánh các phương án: Đánh giá phương án nào trong số các phương án có tính ổn định cao hơn trước những thay đổi của điều kiện bên ngoài.
• Nâng cao hiểu biết về hệ thống: Xác định các động lực chính và mối quan hệ trong hệ thống được mô hình hóa.

Diễn giải kết quả

• Độ nhạy cao đối với một tham số có nghĩa là ngay cả những sai số nhỏ trong ước lượng tham số đó hoặc tính biến động của nó cũng có thể ảnh hưởng mạnh đến kết quả. Các tham số như vậy cần được đặc biệt chú ý.
• Độ nhạy thấp cho thấy kết quả của mô hình hoặc nghiệm ít phụ thuộc vào những thay đổi của tham số đó trong phạm vi đang xét, tức là nghiệm có tính robust đối với tham số này.

Ưu điểm

• Nâng cao độ tin cậy và tính có căn cứ của các mô hình và nghiệm.
• Giúp xác định rủi ro và sự không chắc chắn.
• Cải thiện sự hiểu biết về hệ thống và mô hình.
• Định hướng nỗ lực thu thập dữ liệu và làm rõ mô hình.

Hạn chế

• Có thể tốn kém về mặt tính toán, đặc biệt khi số lượng tham số lớn (phân tích toàn cục).
• Các phương pháp đơn giản (OAT) có thể không phát hiện được hiệu ứng tương tác giữa các tham số.
• Kết quả phụ thuộc vào phạm vi thay đổi tham số được chọn và các giả định của mô hình.

Tài liệu tham khảo

• 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) (Có các phần về phân tích độ nhạy trong lập trình tuyến tính)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Có các phần về phân tích độ nhạy trong lập trình tuyến tính)

Xem thêm

• Nghiên cứu vận hành
• Tối ưu hóa
• Mô hình hóa toán học
• Mô phỏng
• Lý thuyết ra quyết định
• Quản lý rủi ro
• Sự không chắc chắn
• Lập trình tuyến tính