Sensitivitätsanalyse

« Zurück zum Glossar Index

Die Sensitivitätsanalyse ist ein Verfahren, das verwendet wird, um zu untersuchen, wie empfindlich die Ergebnisse eines Modells oder einer Entscheidung gegenüber Änderungen der Eingangsdaten oder Annahmen sind. Sie hilft dabei, zu verstehen, welche Variablen oder Parameter einen großen Einfluss auf das Ergebnis haben und welche weniger wichtig sind. Die Sensitivitätsanalyse wird in vielen Bereichen angewendet, insbesondere in der Wirtschaft, Finanzmathematik, Ingenieurwissenschaften, Umweltwissenschaften und Entscheidungstheorie.

1. Ziel der Sensitivitätsanalyse

Das Hauptziel der Sensitivitätsanalyse ist es, herauszufinden, wie robust ein Modell oder eine Entscheidung ist, wenn es mit Unsicherheiten oder Variabilitäten in den Eingabewerten konfrontiert wird. Durch die Analyse der Empfindlichkeit kann man besser verstehen, welche Faktoren die größte Unsicherheit erzeugen und in welchen Bereichen es möglicherweise sinnvoll ist, mehr Daten zu sammeln oder genauere Annahmen zu treffen.

2. Anwendungsgebiete der Sensitivitätsanalyse

Die Sensitivitätsanalyse kann in verschiedenen Bereichen eingesetzt werden, unter anderem:

• Finanzmodellierung: Um zu untersuchen, wie Veränderungen in Zinssätzen, Inflationsraten oder Wechselkursen die Rendite eines Investments beeinflussen.
• Optimierungsprobleme: In der Produktionsplanung oder Logistik kann sie helfen zu verstehen, wie empfindlich ein Optimierungsergebnis auf Änderungen in den Kosten, Kapazitäten oder Nachfrageprognosen reagiert.
• Umweltmodellierung: Bei der Modellierung von Umweltprozessen (z.B. Klimamodelle oder Luftverschmutzung) hilft sie zu analysieren, wie verschiedene Einflussfaktoren (wie Emissionen oder Temperaturveränderungen) das Ergebnis beeinflussen.
• Wirtschaftsprognosen: Sie wird verwendet, um zu testen, wie sich Änderungen in ökonomischen Indikatoren auf ein makroökonomisches Modell auswirken.

3. Methoden der Sensitivitätsanalyse

Es gibt verschiedene Methoden zur Durchführung einer Sensitivitätsanalyse, je nach Komplexität des Modells und der Daten. Hier sind einige gängige Ansätze:

a) Einzelfaktoren-Analyse (One-at-a-Time, OAT)

Bei der Einzelfaktoren-Analyse wird nur eine Eingangsvariable gleichzeitig verändert, während alle anderen Variablen konstant gehalten werden. Diese Methode ist einfach, aber sie kann zu ungenauen Ergebnissen führen, da sie nicht berücksichtigt, dass Eingangsvariablen miteinander interagieren können.

• Beispiel: Wenn man das Ergebnis eines Finanzmodells untersucht, könnte man nur den Zinssatz verändern und beobachten, wie sich der Wert des Modells verändert, während alle anderen Parameter wie Inflation oder Investitionshöhe gleich bleiben.

b) Differential-Sensitivitätsanalyse

Diese Methode basiert auf der Berechnung der partiellen Ableitungen des Modells bezüglich seiner Eingabewerte. Sie zeigt, wie stark sich das Ergebnis bei einer kleinen Änderung der Eingabewerte verändert. Diese Methode ist besonders nützlich für mathematisch formulierte Modelle.

• Beispiel: In einem mathematischen Modell zur Optimierung von Produktionskosten würde die Differential-Sensitivitätsanalyse zeigen, wie empfindlich die Gesamtkosten auf Änderungen in den Variablen wie Materialkosten oder Arbeitskosten reagieren.

c) Monte-Carlo-Simulation

Bei der Monte-Carlo-Simulation werden zufällige Werte für die Eingangsvariablen basierend auf einer Wahrscheinlichkeitsverteilung generiert, und das Modell wird viele Male simuliert, um die Verteilung der möglichen Ergebnisse zu erhalten. Diese Methode ermöglicht eine umfassende Untersuchung der Auswirkungen von Unsicherheiten und Variabilität.

• Beispiel: In der Finanzmodellierung könnte die Monte-Carlo-Simulation verwendet werden, um verschiedene Szenarien für die Entwicklung von Aktienkursen zu simulieren und zu sehen, wie sich unterschiedliche Parameter (z. B. Zinssatz oder Volatilität) auf das Endergebnis auswirken.

d) Global Sensitivity Analysis (GSA)

Im Gegensatz zur Einzelfaktoren-Analyse berücksichtigt die globale Sensitivitätsanalyse die Wechselwirkungen zwischen allen Eingangsvariablen und untersucht, wie die Unsicherheiten in den Eingangsdaten gemeinsam das Modell beeinflussen. Diese Methode wird häufig bei komplexeren Modellen verwendet, die viele Variablen und Wechselwirkungen umfassen.

• Beispiel: Bei einem Klimamodell, das zahlreiche atmosphärische, geologische und menschliche Einflussfaktoren berücksichtigt, würde die GSA die gemeinsame Wirkung von Faktoren wie CO2-Emissionen, Temperatur und Luftfeuchtigkeit auf die Klimaentwicklung untersuchen.

4. Durchführung der Sensitivitätsanalyse

Die Durchführung einer Sensitivitätsanalyse umfasst mehrere Schritte:

1. Modellidentifikation: Zuerst wird das Modell oder das System identifiziert, das analysiert werden soll. Dies kann ein mathematisches Modell, eine Simulation oder ein Entscheidungsbaum sein.
2. Auswahl der Eingangsvariablen: Die relevanten Eingangsvariablen, die unsicher sind oder von denen erwartet wird, dass sie einen Einfluss auf das Ergebnis haben, müssen bestimmt werden.
3. Veränderung der Eingabewerte: Die Eingabewerte werden verändert, um zu testen, wie empfindlich das Modell auf Änderungen dieser Werte reagiert. Dies kann durch systematische Variation oder durch Simulationen geschehen.
4. Auswertung der Ergebnisse: Die Ergebnisse werden analysiert, um zu bestimmen, welche Variablen den größten Einfluss auf das Modell haben. Hierbei wird oft auch eine Rangordnung erstellt, welche Variablen am stärksten und welche am wenigsten beeinflussen.
5. Interpretation und Entscheidung: Basierend auf den Ergebnissen können Entscheidungen getroffen werden, um das Modell zu optimieren, Unsicherheiten zu reduzieren oder Risiken zu managen.

5. Beispiel einer Sensitivitätsanalyse

Angenommen, ein Unternehmen möchte eine Preisstrategie für ein neues Produkt entwickeln. Die Sensitivitätsanalyse könnte aufzeigen, wie empfindlich der Gewinn des Unternehmens auf Veränderungen der Produktionskosten, Nachfrage oder Werbebudgets reagiert.

• Schritt 1: Das Modell zur Preisgestaltung wird aufgestellt, mit Annahmen über Produktionskosten, Preis, Nachfrage und Werbekosten.
• Schritt 2: Die Variablen wie Produktionskosten oder Nachfrage werden einzeln verändert, um zu sehen, wie der Gewinn darauf reagiert.
• Schritt 3: Wenn die Analyse zeigt, dass der Gewinn stark von der Nachfrage abhängt, könnte das Unternehmen entscheiden, sich stärker auf die Nachfrageprognosen zu konzentrieren und alternative Strategien zu entwickeln, um diese Unsicherheiten zu verringern.

6. Vorteile der Sensitivitätsanalyse

• Besseres Verständnis von Unsicherheiten: Die Sensitivitätsanalyse gibt Einblicke in die Bereiche eines Modells oder einer Entscheidung, die am anfälligsten für Unsicherheiten sind.
• Optimierung von Modellen: Sie hilft dabei, Modelle zu verfeinern, indem sie zeigt, welche Variablen am meisten Einfluss auf die Ergebnisse haben.
• Risikomanagement: Die Analyse hilft, Risiken zu identifizieren, indem sie aufzeigt, welche Faktoren potenziell zu unerwarteten Ergebnissen führen können.

7. Nachteile der Sensitivitätsanalyse

• Komplexität: Bei sehr komplexen Modellen oder vielen Variablen kann die Sensitivitätsanalyse schwierig und zeitaufwendig sein.
• Abhängigkeit von Annahmen: Die Qualität der Ergebnisse hängt von der Gültigkeit der Annahmen und Daten ab. Fehler in den Eingangsdaten können die Ergebnisse verfälschen.
• Kostenintensiv: Einige Methoden, wie Monte-Carlo-Simulationen, erfordern eine hohe Rechenleistung und sind daher ressourcenintensiv.

Fazit

Die Sensitivitätsanalyse ist ein wertvolles Werkzeug zur Untersuchung, wie Änderungen in den Eingabedaten eines Modells das Ergebnis beeinflussen. Sie hilft Entscheidungsträgern, die Unsicherheiten in ihren Annahmen zu verstehen, Risiken zu identifizieren und fundierte, robuste Entscheidungen zu treffen. Ob in der Finanzplanung, der Produktentwicklung oder in der Umweltmodellierung – die Sensitivitätsanalyse bietet Einblicke, die für eine erfolgreiche Entscheidungsfindung entscheidend sein können.

Wir sind darum bemüht die angebotenen Informationen aktuell zu halten und diese in knapper und verständlicher Form darzustellen. Fehler und Irrtümer bleiben aber menschlich und darum vorbehalten. Bei Unstimmigkeiten zu einem Begriff, bitten wir darum dies per E-Mail mit uns zu diskutieren. Bitte nutze hierfür unsere E-Mail: info@jupiterexpress.de« Zurück zum Glossar Index