Sensitivity analysis — تحليل الحساسية

تحليل الحساسية (بالإنجليزية: Sensitivity analysis) هو أسلوب لدراسة النماذج الرياضية أو نماذج المحاكاة، يسمح بتقييم كيفية تأثير التغييرات في بيانات الإدخال أو المعلمات أو افتراضات النموذج على نتائجه النهائية (على سبيل المثال، على الحل الأمثل، أو قيمة دالة الهدف، أو غيرها من المؤشرات الرئيسية).

يعد تحليل الحساسية أداة مهمة في بحوث العمليات، والتحسين، ونظرية اتخاذ القرار، وإدارة المخاطر، والتحليل الاقتصادي، وتحليل النظم.

المفهوم والغرض

الهدف الرئيسي لتحليل الحساسية هو فهم مدى استقرار (صلابة) نتائج النمذجة أو التحسين في مواجهة عدم اليقين أو التباينات في البيانات الأولية. يساعد هذا التحليل في الإجابة على أسئلة مثل:

• "ماذا سيحدث لـالحل الأمثل إذا تغيرت تكلفة أحد الموارد بنسبة 10%؟"
• "إلى أي مدى سيتغير الربح مع تقلبات الطلب في السوق؟"
• "ما هي معلمات النموذج التي لها التأثير الأكبر على النتيجة النهائية؟"
• "ما مدى موثوقية التنبؤ الذي تم الحصول عليه باستخدام النموذج؟"

المهام الرئيسية لتحليل الحساسية:

• تقييم الصلابة (Robustness):* تحديد ما إذا كان القرار يظل أمثلًا أو مقبولًا عند تغير المعلمات.
• تحديد المعلمات الحرجة: الكشف عن بيانات الإدخال أو معلمات النموذج التي تؤدي تغييرات طفيفة فيها إلى تغييرات كبيرة في النتائج النهائية.
• زيادة الثقة في النموذج: إثبات أن النموذج يتصرف بشكل متوقع ومنطقي استجابةً للتغييرات في بيانات الإدخال.
• دعم اتخاذ القرار: تزويد صانعي القرار بمعلومات حول نطاق النتائج المحتملة والمخاطر المرتبطة بـعدم اليقين في البيانات الأولية.
• تحديد اتجاهات للبحث المستقبلي: الإشارة إلى أي البيانات أو معلمات النموذج هي الأكثر أهمية لجمعها أو تحسينها.

أساليب تحليل الحساسية

توجد أساليب مختلفة لإجراء تحليل الحساسية، تتراوح من البسيطة إلى المعقدة:

• التحليل المحلي (One-at-a-Time, OAT/OFAT): يتم تغيير معلمة إدخال واحدة في كل مرة، مع الحفاظ على ثبات المعلمات الأخرى. هذه هي أبسط طريقة، لكنها لا تسمح بتقييم تأثير التفاعلات بين المعلمات.
• التحليل القائم على المشتقات (الحساسية المحلية): يقيم تأثير التغييرات الصغيرة في المعلمات من خلال المشتقات الجزئية لمتغيرات المخرجات بالنسبة لمعلمات المدخلات.
• تحليل السيناريوهات: يتم النظر في عدة سيناريوهات منفصلة (على سبيل المثال، سيناريو متفائل، متشائم، والأكثر ترجيحًا)، والتي تتوافق مع مجموعات مختلفة من قيم معلمات الإدخال.
• تحليل الحساسية الشامل (Global): يبحث في تأثير التغيير المتزامن لجميع (أو العديد من) المعلمات ضمن نطاقات عدم اليقين الخاصة بها. غالبًا ما تُستخدم الأساليب الإحصائية:
• أساليب مونت كارلو: يتم توليد عدد كبير من المجموعات العشوائية لمعلمات الإدخال لتقييم توزيع نتائج المخرجات.
• تحليل الانحدار: يتم بناء نموذج انحدار يربط نتائج المخرجات بمعلمات الإدخال.
• تحليل التباين (ANOVA) والأساليب القائمة على التباين: تسمح بالتقييم الكمي لمساهمة كل معلمة (وتفاعلاتها) في التباين الإجمالي (عدم اليقين) للنتيجة النهائية.

الدور في بحوث العمليات والتحسين

في بحوث العمليات، يعد تحليل الحساسية خطوة قياسية بعد إيجاد الحل الأمثل. فهو يسمح بتحديد ما يلي:

• حدود استقرار الحل الأمثل: ما هو النطاق الذي يمكن أن تتغير فيه معلمات دالة الهدف أو القيود بحيث يظل الحل الأمثل الذي تم العثور عليه أمثلًا.
• أسعار الظل (التقييمات المزدوجة - Dual values): إلى أي مدى ستتغير قيمة دالة الهدف عند حدوث تغيير طفيف (تخفيف) في أحد القيود (على سبيل المثال، عند إضافة وحدة واحدة من مورد نادر). تظهر أسعار الظل قيمة الموارد.
• النطاقات المسموح بها لتغير المعلمات: نطاقات التغيير لمعاملات دالة الهدف أو الأطراف اليمنى من القيود، والتي تظل ضمنها البنية الحالية لـالحل الأمثل (مجموعة المتغيرات الأساسية في البرمجة الخطية) ثابتة.

تساعد هذه النتائج صانعي القرار على فهم مدى حساسية البيانات الأولية وأي الموارد هي الأكثر قيمة ("عنق الزجاجة").

الدور في النمذجة واتخاذ القرار

في سياق أوسع لـالنمذجة واتخاذ القرار، يساعد تحليل الحساسية على:

• تقييم المخاطر: تحديد العوامل التي تساهم بأكبر قدر من عدم اليقين في النتيجة.
• التحقق من صحة النموذج: التحقق من مدى ملاءمة سلوك النموذج عند تغير الظروف.
• مقارنة البدائل: تقييم أي من البدائل أكثر استقرارًا في مواجهة التغيرات في الظروف الخارجية.
• تحسين فهم النظام: تحديد الدوافع الرئيسية والعلاقات المتبادلة في النظام الذي يتم نمذجته.

تفسير النتائج

• الحساسية العالية لمعلمة ما تعني أن حتى الأخطاء الطفيفة في تقديرها أو تقلبها يمكن أن تؤثر بشكل كبير على النتيجة. تتطلب هذه المعلمات اهتمامًا خاصًا.
• الحساسية المنخفضة تشير إلى أن نتيجة النموذج أو القرار لا تعتمد بشكل كبير على التغيرات في هذه المعلمة ضمن النطاق المدروس، أي أن القرار صلب (robust) بالنسبة لهذه المعلمة.

المزايا

• تزيد من موثوقية وصلاحية النماذج والقرارات.
• تساعد في تحديد المخاطر وحالات عدم اليقين.
• تحسن فهم النظام والنموذج.
• توجه الجهود المبذولة لجمع البيانات وتحسين النموذج.

القيود

• قد يكون مكلفًا من الناحية الحسابية، خاصة مع وجود عدد كبير من المعلمات (التحليل الشامل).
• قد لا تكشف الطرق البسيطة (OAT) عن تأثيرات التفاعل بين المعلمات.
• تعتمد النتائج على نطاقات التغيير المختارة للمعلمات وافتراضات النموذج.

المراجع

• 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) (يحتوي على أقسام حول تحليل الحساسية في البرمجة الخطية)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (يحتوي على أقسام حول تحليل الحساسية في البرمجة الخطية)

انظر أيضًا

• بحوث العمليات
• التحسين
• النمذجة الرياضية
• النمذجة بالمحاكاة
• نظرية اتخاذ القرار
• إدارة المخاطر
• عدم اليقين
• البرمجة الخطية