Sensitivity analysis — 感度分析

感度分析（かんどぶんせき、英語: Sensitivity analysis）とは、数学モデルやシミュレーションモデルの研究手法であり、モデルの入力データ、パラメータ、または仮定の変化が、その出力結果（例えば、最適解、目的関数の値、その他の主要な指標）にどのように影響するかを評価するものです。

感度分析は、オペレーションズ・リサーチ、最適化、意思決定理論、リスクマネジメント、経済分析、およびシステム分析において重要なツールです。

本質と目的

感度分析の主な目的は、モデリングや最適化の結果が、初期データの不確実性や変動に対して、どの程度頑健（ロバスト）であるかを理解することです。これは、次のような問いに答えるのに役立ちます：

• 「リソースのコストが10%変化した場合、最適解はどうなるか？」
• 「市場の需要が変動した場合、利益はどの程度変化するか？」
• 「モデルのどのパラメータが最終結果に最も大きな影響を与えるか？」
• 「モデルを用いて得られた予測はどの程度信頼できるか？」

感度分析の主要なタスクは以下の通りです：

• ロバスト性の評価: パラメータが変化しても解の最適性や受容性が維持されるかどうかを判断します。
• 重要なパラメータの特定: モデルの入力データやパラメータのうち、わずかな変化が出力結果に大きな変化をもたらすものを特定します。
• モデルへの信頼性向上: モデルが入力データの変化に対して予測可能かつ論理的に振る舞うことを実証します。
• 意思決定支援: 意思決定者（ЛПР）に、起こりうる結果の範囲や、初期データの不確実性に関連するリスクについての情報を提供します。
• さらなる研究の方向性の決定: どのデータの収集やモデルのどのパラメータの精緻化が最も重要であるかを示します。

感度分析の手法

感度分析には、単純なものから複雑なものまで、さまざまな手法が存在します：

• 局所的分析 (One-at-a-Time, OAT/OFAT): 他のパラメータを固定したまま、一度に1つの入力パラメータを変化させます。これは最も単純な方法ですが、パラメータ間の相互作用効果を評価することはできません。
• 微分係数に基づく分析（局所感度）: 入力パラメータに関する出力変数の偏微分係数を通じて、パラメータの微小な変化の影響を評価します。
• シナリオ分析: 入力パラメータの異なる値の組み合わせに対応する、複数の離散的なシナリオ（例：楽観的、悲観的、最尤）を検討します。
• 大域的感度分析: 全て（または多く）のパラメータをその不確実性の範囲内で同時に変化させた場合の影響を調査します。しばしば統計的手法が用いられます：
• モンテカルロ法: 大量のランダムな入力パラメータのセットを生成し、出力結果の分布を評価します。
• 回帰分析: 出力結果と入力パラメータを関連付ける回帰モデルを構築します。
• 分散分析（ANOVA）および分散に基づく手法: 各パラメータ（およびその相互作用）が出力結果の総分散（不確実性）にどの程度寄与しているかを定量的に評価します。

オペレーションズ・リサーチと最適化における役割

オペレーションズ・リサーチにおいて、感度分析は最適解を見つけた後の標準的なステップです。これにより、以下を決定することができます：

• 最適解の安定性の限界: 発見された最適解が最適であり続けるためには、目的関数や制約条件のパラメータがどの範囲で変化しうるか。
• シャドープライス（双対評価）: 制約をわずかに変更（緩和）した場合（例えば、不足しているリソースを1単位追加した場合）、目的関数の値がどの程度変化するか。シャдоープライスはリソースの価値を示します。
• パラメータの許容変動区間: 現在の最適解の構造（線形計画法における基底変数の集合）が維持される、目的関数の係数または制約の右辺の値の変動範囲。

これらの結果は、意思決定者（ЛПР）が初期データの重要度や、どのリソースが最も価値のある「ボトルネック」であるかを理解するのに役立ちます。

モデリングと意思決定における役割

より広い文脈でのモデリングと意思決定において、感度分析は以下に役立ちます：

• リスクの評価: 結果に最も大きな不確実性をもたらす要因を特定する。
• モデルの検証: 条件が変化した際のモデルの挙動の妥当性を確認する。
• 代替案の比較: どの代替案が外部条件の変化に対してより頑健であるかを評価する。
• システムの理解向上: モデル化されたシステムにおける主要な駆動力と相互関係を明らかにする。

結果の解釈

• パラメータに対する高い感度は、その評価におけるわずかな誤差や変動性が結果に大きな影響を与える可能性があることを意味します。このようなパラメータには特別な注意が必要です。
• パラメータに対する低い感度は、モデルや解の結果が、検討中の範囲内での当該パラメータの変化にほとんど依存しないこと、すなわち、そのパラメータに対して解がロバストであることを示します。

利点

• モデルと解の信頼性と妥当性を高めます。
• リスクと不確実性を特定するのに役立ちます。
• システムとモデルの理解を深めます。
• データ収集とモデルの精緻化への取り組みを方向付けます。

限界

• 特にパラメータの数が多い場合（大域的分析）、計算コストが高くなる可能性があります。
• 単純な手法（OAT）では、パラメータの相互作用効果を検出できない場合があります。
• 結果は、選択されたパラメータの変動範囲とモデルの仮定に依存します。

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) （線形計画法における感度分析の章を含む）
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) （線形計画法における感度分析の章を含む）

関連項目

• オペレーションズ・リサーチ
• 最適化
• 数理モデリング
• シミュレーションモデリング
• 意思決定理論
• リスクマネジメント
• 不確実性
• 線形計画法

Category:Decision analysis