敏感性分析

敏感性分析 (Sensitivity Analysis)

敏感性分析（也常被称为"what-if"分析或假设分析），是研究一个数学模型或系统的输出在输入参数或假设发生变化时受到多大影响的定量分析方法。它回答了：“如果这个输入变量变化X\%，那么最终结果会变化多少？”

敏感性分析的核心目的是识别对模型输出影响最大（最“敏感”）的输入变量，帮助决策者理解和量化风险，做出更稳健的决策。

重要性

1. 识别关键驱动因素：确定哪些变量是项目成功或预测准确性的关键。例如，净现值 (NPV)对销售价格的敏感度可能远高于固定成本。
2. 量化与管理风险：提供可能结果的范围（最好/最坏情况），为风险管理提供依据。
3. 增强决策稳健性：基于单一预测值的决策是脆弱的。敏感性分析提供多种情景，使决策更有弹性。
4. 提高模型可信度与透明度：展示假设和局限性，增加模型结论的可信度。

主要类型

局部敏感性分析 (Local Sensitivity Analysis)

最基本的方法，也称一次一变量 (One-at-a-Time, OAT) 分析。

方法：设定“基准情形”，保持其他变量不变，单独改变一个输入变量并观察输出变化。偏导数 $S_i = \partial Y / \partial X_i$ 衡量在基准点上 $Y$ 对 $X_i$ 的绝对敏感度。

简化利润模型示例：利润 = (价格 - 单位成本) × 销量 - 固定成本。基准：价格=5, 成本=2, 销量=1000, 固定成本=800 → 利润2200。价格+10\% → 利润2700 (+500)；销量-10\% → 利润1900 (-300)。初步判断利润对价格更敏感。

局限性：OAT忽略变量间的相关性和交互作用。

全局敏感性分析 (Global Sensitivity Analysis)

通过同时改变所有输入变量克服OAT的局限性，蒙特卡洛模拟是最常用技术。

案例：项目投资NPV分析：

NPV公式：

其中 $CF_t$ 为现金流，$r$ 为折现率。

蒙特卡洛模拟步骤：

1. 为关键不确定变量定义概率分布（销量\~正态分布，售价\~均匀分布，成本\~三角分布，折现率\~正态分布等）
2. 进行大量（如10,000次）随机迭代：每次从各分布随机抽样，计算NPV，记录结果
3. 分析输出结果的分布：绘制直方图，计算均值、标准差、NPV>0的概率、置信区间等
4. 进行敏感性分析——计算每个输入与输出的相关系数，用龙卷风图 (Tornado Chart)呈现各变量影响力排序

结论

敏感性分析是现代数据驱动决策中不可或缺的一环。它超越基于单一“最佳猜测”的确定性分析，系统性地引入对不确定性和风险的思考。无论是简单OAT还是复杂蒙特卡洛模拟，最终目的都是揭示模型关键驱动力，评估决策的潜在风险与回报，使决策更加科学、稳健和富有远见。