1 基本概念
1.1 定义
敏感性分析是一类用于考察系统输入变化如何影响输出结果的方法。它通过有计划地改变一个或多个输入变量，观察模型响应的变化幅度、方向与规律，从而判断模型对参数扰动的反应程度。该方法既可用于定量分析，也可用于定性判断，广泛存在于建模、仿真和决策研究中。
1.2 核心目的
敏感性分析的主要目的在于识别影响结果的关键因素，检验结论是否稳定，并评估不同假设条件下的结果差异。通过这类分析，研究者可以发现哪些参数需要更精确地测量或估计，哪些变量对最终结论影响较小，进而提高研究设计和方案选择的效率。
1.3 适用对象
敏感性分析适用于存在输入—输出关系且输入参数具有不确定性的对象。无论是抽象数学表达式，还是现实中的复杂决策过程，只要结果会随参数变化而波动，就可以借助该方法加以分析。
1.3.1 数学模型
数学模型中的敏感性分析通常关注函数、方程组或优化模型中参数变化对解的影响。例如，在微分方程模型中，初值、边界条件或系数的变化，都会影响最终解的趋势和数值稳定性。
1.3.2 统计模型
在统计模型中，敏感性分析常用于检验变量选择、分布假设、异常值处理方式等对估计结果的影响。它有助于判断回归系数、预测值或显著性结论是否对模型设定过于依赖。
1.3.3 仿真系统
对于仿真系统，敏感性分析可帮助识别哪些输入参数最能改变仿真输出，如排队系统中的到达率、制造流程中的故障率或交通模拟中的流量参数。其作用在于降低试验试错成本，并提升仿真结果的解释价值。
1.3.4 决策模型
在决策模型中，敏感性分析常被用来比较不同方案在参数波动下的表现，尤其适合预算、收益、成本和风险并存的情境。通过分析关键变量的变化区间，可以辅助决策者判断方案是否稳妥。
2 理论基础
2.1 变量与参数
敏感性分析建立在输入变量与模型参数的基础上。变量通常指会变化的量，参数则是用于描述系统结构或行为的固定设定。二者在实际应用中有时界限并不绝对，但都属于影响输出的重要因素。
2.2 输出响应
输出响应是模型在输入条件作用下产生的结果，可以是单一数值、时间序列、概率分布，也可以是分类标签或排序结果。敏感性分析关注的重点，是输出对输入变化的响应幅度与规律，而不只是最终数值本身。
2.3 不确定性来源
不确定性通常来自测量误差、抽样偏差、数据缺失、建模简化以及未来情景不可知等方面。参数本身若无法精确确定，模型输出也会随之产生波动，因此需要通过敏感性分析来评估这种波动对结论的实际影响。
2.4 稳健性与鲁棒性
稳健性强调结果在一般扰动下是否保持稳定，鲁棒性则更偏向系统在较大变化或异常条件下仍能维持可接受表现。敏感性分析常被用于检验这两者：若小幅参数变化就导致输出剧烈波动，说明模型或方案较不稳健；反之，则说明其适应性较强。
3 方法分类
3.1 局部敏感性分析
局部敏感性分析主要考察某一参考点附近的变化情况，通常只改变一个参数，或在很小范围内对参数进行扰动。它计算简便、直观清晰，适合模型初步检查与局部优化。
3.1.1 单参数扰动法
单参数扰动法是在保持其他变量不变的前提下，分别调整某个参数的取值，观察输出变化。这种方法易于实施，能够快速识别单个参数的重要性，但难以反映参数间的联合作用。
3.1.2 偏导数法
偏导数法通过计算输出对某一输入参数的局部导数来衡量敏感程度。导数绝对值越大，说明该参数在当前位置附近对输出影响越明显。该方法适用于连续、可微的模型。
3.1.3 弹性系数法
弹性系数法关注输入变化百分比与输出变化百分比之间的关系。它常用于比较不同量纲或不同规模变量的影响，因而在经济学和管理分析中较为常见。
3.2 全局敏感性分析
全局敏感性分析考察参数在整个取值范围内变化时对输出的综合影响。与局部方法相比，它更适合处理非线性模型、多参数耦合以及复杂交互作用。
3.2.1 方差分解法
方差分解法把输出波动拆分为不同输入参数及其交互作用所贡献的部分。通过分析各部分方差占比，可以识别主导因素以及参数之间的联合作用。
3.2.2 抽样与蒙特卡洛法
抽样与蒙特卡洛法通过随机生成大量输入组合，模拟输出分布，再从统计意义上评估各参数的影响。该方法适合复杂模型，尤其是在解析求解困难时具有较强实用性。
3.2.3 Sobol 指数法
Sobol 指数法是一种常用的方差型全局敏感性分析工具。它将输出总方差分解为单个参数贡献与交互贡献，并以指数形式表达各输入的重要程度，适合多因素非线性模型。
3.3 定性敏感性分析
定性敏感性分析不一定要求精确数值计算，而是通过情景比较、专家判断或参数分级，判断哪些因素更重要、哪些条件更容易改变结论。它常用于数据不足或模型结构尚未完全确定的早期阶段。
4 分析流程
4.1 问题定义
首先需要明确分析目标、模型边界、输出指标及待考察的输入参数。问题定义越清晰，后续分析越有针对性，也越容易避免把无关变量纳入分析范围。
4.2 参数筛选
在参数数量较多时，通常先进行初步筛选，以排除影响较小或难以获得数据的变量。这样既能降低计算负担，也能提高后续分析的聚焦程度。
4.3 扰动设计
扰动设计包括确定参数变化范围、采样方式和扰动步长。不同设计会影响分析结果的可比性和解释力，因此需要结合模型特性与研究目的进行设定。
4.4 结果计算
根据选定方法运行模型，计算不同输入条件下的输出结果，并据此形成敏感度指标。若模型复杂或样本量较大，通常需要借助数值计算与统计工具完成。
4.5 结果解释
结果解释要结合模型背景、参数物理意义和实际应用场景进行。单纯的数值排序并不足以说明全部问题，还需判断关键参数为何重要、是否存在交互作用，以及结论能否推广到其他情形。
5 常用指标
5.1 敏感度系数
敏感度系数用于表示输出对输入变化的响应强度，通常反映单位输入变化引起的输出变化量。它直观、易懂，是最基础的敏感性衡量指标之一。
5.2 标准化回归系数
标准化回归系数通过统一变量量纲来比较不同自变量的影响强弱。由于消除了单位差异，它常用于多变量回归模型中的相对重要性排序。
5.3 弹性指标
弹性指标表示输入变量相对变化与输出相对变化之间的比率，能够体现比例意义上的影响程度。该指标在价格、需求和成本分析中尤为常见。
5.4 方差贡献率
方差贡献率用于描述某一参数或参数组对输出总波动的解释比例。数值越高，说明该因素对结果的不确定性贡献越大。
5.5 相关性指标
相关性指标通过统计相关程度来判断输入与输出之间的联系强弱。它适合初步识别潜在影响因素，但不一定能完整反映非线性关系或参数交互作用。
6 应用领域
6.1 科学研究
在自然科学与基础研究中，敏感性分析常用于检验理论模型、实验假设和数值模拟的可靠性。它可以帮助研究者找出最值得重点测量或控制的变量。
6.2 工程设计
工程设计中，敏感性分析有助于判断结构尺寸、材料性能和工艺条件的变化会如何影响系统性能。它常被用于方案比选、容错设计和参数优化。
6.3 经济与金融
在经济与金融分析中，这一方法可用于评估利率、价格、成本、收益率等变量变化对结果的影响。其价值在于帮助识别最关键的假设条件，并支持情景分析。
6.4 环境与生态
环境与生态模型往往涉及较多不确定参数，如气象条件、污染扩散速率或物种响应系数。敏感性分析能够揭示哪些因素对预测结果影响最大，从而改善评估与管理方案。
6.5 医学与生物统计
在医学建模和生物统计中，敏感性分析用于考察治疗效应估计、风险预测模型和生存分析结果对参数设定的依赖程度。它有助于提高结论的可信度，并支持更稳妥的临床解释。
6.6 机器学习与数据建模
在机器学习和数据建模中，敏感性分析可用于理解特征变化对模型输出的影响，辅助解释模型行为。它常与特征重要性、扰动测试和模型解释工具配合使用。
7 结果呈现
7.1 敏感性排序图
敏感性排序图将各参数按影响强弱进行排列，便于快速识别关键因素。它适合展示多个变量之间的相对重要性。
7.2 龙卷风图
龙卷风图以条形长度对比不同参数扰动所引起的输出变化，视觉上能够突出最敏感的因素。该图常用于决策分析和风险评估。
7.3 热力图
热力图通过颜色深浅表示不同参数组合下的输出变化情况，适合观察二维或多维关系的整体分布。它在非线性和交互作用较强的分析中较有用。
7.4 参数贡献图
参数贡献图展示各输入变量对总变化的贡献比例，便于比较单因素效应与交互效应。该图通常与方差分解结果配合使用。
8 优点与局限
8.1 优点
8.1.1 揭示关键因素
敏感性分析能够迅速找出对结果影响最大的变量，使研究者把资源集中在最重要的环节上，减少对次要因素的过度投入。
8.1.2 提高模型解释性
通过说明输出为何变化、受哪些输入驱动，敏感性分析增强了模型的可理解性。对于复杂模型而言，这种解释作用尤为重要。
8.1.3 辅助决策优化
在方案比较和风险控制中，敏感性分析可帮助识别最需要防范的不确定因素，并为参数设定、资源配置和策略选择提供依据。
8.2 局限
8.2.1 依赖模型假设
分析结果高度依赖所采用的模型结构、参数设定和输入分布。如果模型本身存在偏差，敏感性结论也可能随之失真。
8.2.2 计算成本较高
对于参数众多、关系复杂或需大量重复模拟的模型，全局敏感性分析往往需要较高的计算资源和时间成本。
8.2.3 结果受参数范围影响
参数取值区间一旦设定不同，敏感性排序和贡献度可能出现明显变化。因此，在解释结果时必须明确分析范围和情景前提。
9 与相关方法的区别
9.1 与不确定性分析的关系
不确定性分析主要关注输出结果可能落入的范围及其分布，而敏感性分析则更强调输入变化如何驱动输出变化。两者经常结合使用：前者描述“会变到哪里”，后者解释“为什么会这样变”。
9.2 与稳健性分析的关系
稳健性分析侧重考察方案或结论在多种扰动下是否仍然可接受，关注的是结果的稳定表现。敏感性分析则更偏向识别“哪个因素最关键”，二者目标相近但侧重点不同。
9.3 与灵敏度分析的术语差异
在中文语境中，“敏感性分析”和“灵敏度分析”常被混用。一般而言，两者多指同一类方法，但不同学科或文献可能在使用习惯上略有差别，具体含义需结合上下文判断。
10 发展与扩展
10.1 传统方法的发展
早期敏感性分析多依赖局部扰动、经验判断和简单统计指标。随着计算能力提升，方法逐渐扩展到方差分解、随机采样和高维参数分析，应用范围也随之扩大。
10.2 高维模型中的应用
在高维模型中，参数数量庞大且交互复杂，传统方法往往难以胜任。为此，研究中常采用筛选式算法、代理模型和降维技术，以提高分析效率并保持解释能力。
10.3 与机器学习解释方法的结合
敏感性分析正在与特征重要性、局部解释和模型可解释性方法结合，形成更适合数据驱动模型的分析框架。它不仅有助于理解预测结果，也能辅助发现模型对输入扰动的脆弱点。
10.4 自动化敏感性分析工具
随着软件与平台的发展，敏感性分析已越来越多地被集成进建模环境和数据分析工具中。自动化工具能够帮助用户快速完成参数设定、采样、计算和可视化，从而降低使用门槛并提高分析效率。