Martina Bri, dipl. oec.

Ekonomski fakultet u Osijeku, Osijek

ANALIZA OSJETLJIVOSTI KAO ALAT ZA MANAGERSKO ODLUIVANJE

SAETAK
Donoenje odluka je sastavni dio operacijskog managementa. Donositelju odluka moe biti korisno da ima naznake kako je osjetljiv izbor alternative na promjene jedne ili vie tih vrijednosti. Naalost, nije mogue razmatrati sve mogue kombinacije svih varijabli u tipinom problemu. Unato tome, postoje odreene stvari s kojima donositelj odluka moe prosuditi osjetljivost vjerojatnosti pretpostavki. Jedan od alata koristan za analizu nekih od problema odluivanja je analiza osjetljivosti. Ona prua raspon izvedivosti preko kojih odabir alternative e ostati isti. Uspjeno donoenje odluka sastoji se od vie koraka, a prvi i najvaniji korak je paljivo definiranje problema. Budui da linearni problemi mogu biti veliki i kompleksni, za njihovo rjeavanje se koriste sofisticirane kompjuterske metode. U ovom radu predstavljena su programska rjeenja koja su dostupna za osobna raunala. (Lindo, POM) Ali, za mangera koji je suoen sa donoenjem odluke model rjeenja je samo dio odgovora. Analiza osjetljivosti nudi bolje razumijevanje problema, razliite uinke ogranienja i to ako pitanja. Dobiveni uvid je ee puno vredniji nego specifini brojani odgovor. Jedna od prednosti linearnog programiranja je u tome to je ono jako bogato u pruanja informacija o osjetljivosti kao izravan dio rjeenja. KLJUNE RIJEI: analiza osjetljivosti, linerno programiranje, Lindo, POM, optimalno rjeenje, optimalni raspon, raspon izvedivosti.

1. OPENITO O ANALIZI OSJETLJIVOSTI

Analiza osjetljivosti je proces variranja ulaznih parametara modela unutar doputenog podruja i promatranje zavisnih promjena u rjeenju modela. Ona prouava kako se promjene u outputu modela mogu kvalitativno i kvantitativno dodijeliti razliitim izvorima promjena. Svrha analize osjetljivosti je prikazati osjetljivost simulacijskih modela na neizvjesnost u vrijednostima ulaznih podataka modela. Analiza osjetljivosti nastoji utvrditi kako model zavisi o vrijednostima koje su mu dodijeljene, o njegovoj strukturi i o pretpostavkama na kojima je postavljen. Ona je vana metoda za provjeru kvalitete danog modela, a ujedno se koristi i za provjeru pouzdanosti analize.

Prvobitno je analiza osjetljivosti osmiljena da se samo bavi sa neizvjesnostima u input varijablama i parametrima modela. Tokom vremena je analiza proirena, neizvjesnost je ukljuena i u strukturu modela, pretpostavke i specifikacije. U cjelini, analiza osjetljivosti se koristi da povea pouzdanost u dani model i njegova predvianja tako da omoguava razumijevanje kako varijable modela reagiraju na promjene u inputima, bili oni podaci koji se koriste za podeavanje, strukture modela ili faktori tj. neovisne varijable modela. Analiza osjetljivosti se moe koristiti pri odreivanju: Slinosti modela sa procesom koji se promatra, Kvalitete definicije modela, Faktora koji najvie doprinose izlaznim varijablama, Podruja u prostoru faktora ulaza za koje je varijacija u modelu maksimalna, Optimalnog podruja u prostoru faktora koji se koriste u naknadnom prouavanju podeavanja, Interakcija izmeu faktora.1 Primjena analize osjetljivosti je popularna u financijskim aplikacijama, analizi rizika, neuralnim mreama, te u bilo kojim podrujima gdje se razvijaju modeli. Analiza osjetljivosti se ujedno moe primijeniti u studiji procjene baziranoj na modelu. Analiza osjetljivosti moe pomoi u razliitim sluajevima: prilikom identifikacije kljunih pretpostavki ili pri usporedbi alternativnih struktura modela, pri pokretanju buduih zbirki podataka, otkrivanju vanih kriterija, optimizaciji raspodjele resursa, pojednostavljivanju modela, itd.

2. LINEARNO PROGRAMIRANJE
Metode linearnog programiranja su najvaniji instrument operacijskog istraivanja, to je jedna od disciplina matematikog optimiranja. Svaki model linearnog programiranja se sastoji od: a) LINEARNE FUNKCIJE CILJA tu dolazi do izraaja cilj optimiranja. To moe biti maksimalna dobit, ali se mogu i minimizirati trokovi. Cilj se odabere prema strukturi problema. Funkcija cilja je skup koji treba zadovoljiti elje donositelja odluka. b) LINEARNIH OGRANIENJA (RESTRIKCIJA) One dolaze iz okruenja donositelja odluke i stavljaju odreene restrikcije / uvjete u pogledu postizanja njegovog cilja. Stvarno ogranienje proizlazi iz umnoka vremena potrebnog za izradu jedne koliinske jedinice s koliinom. Taj umnoak ne smije biti vei od raspoloivog kapaciteta. Ogranienja su uvijek zadana u obliku jednadbi ili nejednadbi. c) UVJETA NENEGATIVNOSTI ZA VARIJABLE ne mogu se npr. proizvoditi negativne koliine proizvoda.

Sensitivity analysis Wikipedia, The free encyclopedia, http://en.wikipedia.org/wiki/sensitivity_analysis (20.01.2007.)

OPENITA MATEMATIKA FORMULACIJA LINEARNOG PROGRAMIRANJA GLASI: 2 max Z = c1 x1 + c2 x2 + ... + cn xn a11 x1 + a12 x2 + ... + a1 j x j + ... + a1n xn b1 a21 x1 + a22 x2 + ... + a2 j x j + ... + a2 n xn b2 am1 x1 + am 2 x2 + ... + amj x j + ... + amn xn bm x1 0, x2 0, xn 0 Pri emu je: m broj restrikcija, n obim pojedinih aktivnosti, xj nepoznata aktivnost j (strukturna varijabla), aij tehniki koeficijenti koji pokazuju koliko se troi jedinica nekog resursa (ogranienja) za proizvodnju jedinice xj, bi veliina ograniavajueg faktora (kapacitet desne strane), cj dobit po jedinici j.

2.1. Kompjuterski softveri LINDO i POM za Windows

U ovom radu e se za objanjenje analize osjetljivosti koristiti slijedei problem iz linearnog programiranja: max Z = 300 x1 + 500 x2 x1 + 2 x2 170 x1 + x2 150 3 x2 180 x1, 2 0 Za dobivanje optimalnog rjeenja koriteni su rasprostranjeni softveri za linearno programiranje LINDO i POM za Windows. Ime LINDO je izvedenica iz Linear INteractive Discrete Optimization. Rije discret znai skakanje s jednog na drugo bazino rjeenje umjesto da se krui u okviru doputenog podruja u potrazi za optimalnim rjeenjem (ako ono postoji).3 Ovaj softver ima naglasak na Operacijskom istraivanju. To je specijalizirani program koji pokriva teme poput linearnog/nelinearnog programiranja i kombinatorne optimalizacije. Slabije su orijentirani prema rjeavanju managerskih problema i puno pogodniji kao alat pri uenju metoda dobivanja rjeenja u Operacijskom istraivanju kao i za uenje kako matematiki formulirati problem optimalizacije. Ne mogu se lako uklopiti u nastavni plan vezan za Operacijski management.
2 3

Barkovi, D.: Operacijska istraivanja, Ekonomski fakultet u Osijeku, Osijek, 2002., str. 58. Barkovi, D.: Operacijska istraivanja u investicijskom odluivanju, Ekonomski fakultet u Osijeku, Osijek, 2004., str. 23.

Nasuprot ovim, softveri namijenjeni uenju Operacijskog managementa pokrivaju istu koliinu, ako ne i vie materijala i uglavnom su usklaeni za rjeavanje problema iz jedne ili vie strunih knjiga vezanih za Operacijski management. Softver koji ima naglasak na Operacijskom managementu je POM za Windows. Naziv POM je skraenica od Production and Operations Management (proizvodni i operacijski management). To je program koji prua elementarna rjeenja irokom polju operacijskih problema. Sadri nekoliko modula vezanih za Operacijsko istraivanje. Ti dodatni moduli su asignacija, linearno programiranje, simulacija, transport itd. U ovom programu korisnik najprije mora odabrati eljeni modul. Dok to ne uini, prozor za unos podataka se ne otvara. Nakon toga bira parametre koji e se koristiti u formulaciji i na kraju unosi podatke.

3. OBJANJENJE ANALIZE OSJETLJIVOSTI NA PRIMJERU

Oba koritena softvera koriste simpleks tabelu. Veina informacija potrebnih za analizu osjetljivosti je sadrano u posljednjoj simpleks tablici. To plus podaci iz poetnog problema su dovoljni da se izvri analiza. Na slikama 1. i 2. vidimo kako su dana rjeenja pomou koritenih programa.

Slika 1. RJEENJE SA KOPIRANIM PROBLEMOM LP IZ POETNOG PROZORA (LINDO PROGRAM)

Slika 2. DVA NAINA PRIKAZA RJEENJA (POM za Windows)

Iz kompjuterskog ispisa analize osjetljivosti ovog naeg problema, vidimo da su optimalna rjeenja: x1 = 130, a x2 = 20 i tada se ostvaruje maksimalni profit od $49,000.00 OPTIMALNO RJEENJE je ona kombinacija proizvoda kojom se ostvaruje najvei dobitak, odnosno najmanji troak. (ovisno o cilju optimiranja) Kao to je reeno, analiza osjetljivosti je sredstvo ocjene veliine uinka potencijalnih promjena na parametrima LP modela. a) PROMJENE KOEFICIJENATA U FUNKCIJI CILJA OPTIMALNI RASPON je raspon vrijednosti preko kojih optimalne vrijednosti varijabli odluivanja se nee promijeniti. (gornji dio tablice Ranging)

Razlikujemo DONJU i GORNJU GRANICU (LOWER BOUND UPPER BOUND) koja pokazuje da se optimalno rjeenje nee promijeniti ako se koeficijent za profit bude kretao izmeu donje (LOWER) i gornje (UPPER) granice. x1 x2 250 - 500 300 - 600

Optimalno rjeenje ostaje, x1 = 130, a x2 = 20, ali profit sada vie ne iznosi $49,000.00 nego ako se profit po jedinici za proizvod x1 mijenja sa 300 na 350 profit iznosi: 350 130 + 500 20 = $55,500.00 jer primamo $50.00 dodatnog profita po jedinici proizvoda x1. Npr. Ako bi prilikom izvjetavanja naeg nadreenog o tome koliko bi kompanija trebala proizvoditi kojeg proizvoda a da bi maksimalizirali profit, dobili upit od strane nadreenog to bismo uinili kada bi nam on rekao da su nai ininjeri pronali nain da poveaju profit proizvoda x2 sa $500.00 na $550.00, da razmislimo malo o tome problemu i odluimo koji e biti novi PROIZVODNI MIX. Mi mu na to moemo odmah odgovoriti, bez nekog posebnog razmiljanja, da optimalni proizvodni mix ostaje x1 = 130, a x2 = 20 jer je profit od $550.00 unutar granica optimalnosti. (to vidimo iz LOWER UPPER BOUND). Profit e se promijeniti budui da sada zaraujemo dodatnih 50 dolara po proizvodu x2. Profit e porasti za 50 20 = $1,000.00. Ne moemo koristiti analizu osjetljivosti da bismo vrednovali promjene za vie koeficijenata odjednom. b) PROMJENE U VRIJEDNOSTIMA OGRANIENJA RASPON IZVEDIVOSTI je raspon vrijednosti za RHS (desna strana) restrikcija preko kojih dualne cijene ostaju iste. Dualne vrijednosti ili cijene u sjeni su definirane kao iznos pri kojem vrijednosti funkcije cilja e se mijenjati sa promjenom jedne jedinice u vrijednosti ogranienja. Dualne vrijednosti su marginalne vrijednosti za ogranienja u naem problemu. Marginalna vrijednost je svota koju smo spremni platiti za dodatnu jedinicu resursa. To nije originalna prodajna cijena resursa ve je to cijena koju trebamo platiti da bi dobili vie resursa. (donji dio tablice Ranging) Dualne vrijednosti nam pokazuju da mi neemo biti voljni angairati dodatnu jedinicu ogranienja 3 jer ve prilikom proizvodnje optimalnog proizvodnog mixa nam ostaje 120 jedinica. 0 130 + 3 20 180 60 180

To su NEVEZANA OGRANIENJA koja imaju slack ili surplus4. Dodatna jedinica takvog ogranienja jednostavno rezultira poveanjem slack ili surplus, a ne u poveanju profita (ili smanjenju trokova). Za razliku od nevezanih ogranienja, VEZANA OGRANIENJA nas tjeraju da idemo izvan optimalne toke. Imaju odreeni iznos za dualne vrijednosti (razliito od 0), a slack/surplus je 0. Dodatna jedinica tog ogranienja moe nam omoguiti da poveamo ukupni profit (ili smanjimo ukupni troak) pronalaenjem novog optimalog rjeenja. Dualne vrijednosti 200 i 100 nam govore da emo mi biti voljni platiti $200.00 za svaku dodatnu jedinicu ogranienja 1 i $100.00 za svaku dodatnu jedinicu ogranienja 2. Mi ne bi trebali biti spremni platiti vie od $200.00 za ogranienje 1 jer ako dobijemo jednu jedinicu ogranienja 1 vie, profit e porasti za samo $200.00. Marginalne vrijednosti pomau u odreivanju cijena resursa i donoenju odluka o nabavci novih resursa. Nabavka dodatnih jedinica e promijeniti optimalno rjeenje. Dualne vrijednosti nisu odrive za neograniene ponude ogranienja. Iz LOWER UPPER BOUND vidimo da dualna vrijednost za ogranienje 1 vrijedi u rangu od 150 do 210. Ne moemo koristiti RASPON IZVEDIVOSTI da bismo vrednovali promjene na vie od jednog ogranienja u isto vrijeme. Npr. Ako nam na nadreeni kae da moe nabaviti 30 dodatnih jedinica ogranienja 1 za $75.00 po jedinici, mi bismo mu odmah savjetovali da nabavi svih 30 jedinica jer dosadanjih 170 + 30 = 200 to je u granicama donje i gornje granice. Svaka dodatna jedinica u rasponu izvedivosti dodaje $200.00 profita. Ukupni porast u profitu e biti 30 ($200.00 - $75.00) = $3,750.00 No, ako bi nam rekao da moe nabaviti 20 dodatnih jedinica ogranienja 3 za samo $0.50, mi bismo mu savjetovali da ne nabavlja niti jednu dodatnu jedinicu ogranienja 3 jer je 180 + 20 = 200, to je u granicama izvedivosti, a tada je dualna vrijednost 0. Mi ve imamo 120 jedinica vie nego to trebamo (slack), ako kupimo dodatnih 20 jedinica, poveat e nam se viak na 140 jedinica. Ogranienje je 180, a mi imamo: 60 220 => => SLACK SURPLUS

SLACK je DOPUNSKA VARIJABLA, to je neiskoriten resurs. SURPLUS je VIAK, to je premaaj proizvodnje.

4. ZAKLJUAK
Donositelja odluka esto zanima puno vie nego samo rjeenje problema. On ili ona mogu imati na vie naina koristi od rjeenja analize osjetljivosti. Pri pripremanju problema za dobivanje rjeenja pomou linearnog programiranja, donositelj odluka mogao se koristiti subjektivnim pretpostavkama za odreene parametre (npr. koeficijenti ogranienja, koeficijenti funkcije cilja i vrijednosti desne strane ogranienja). Razumljivo je da donositelj odluka eli znati koliko je osjetljivo optimalno rjeenje na promjene u vrijednostima jednog ili vie parametara. Ako je rjeenje relativno neosjetljivo na razumne promjene, donositelj odluka moe imati vie pouzdanja u primjenu svog rjeenja. Suprotno, ako je rjeenje osjetljivo na promjene, on ili ona e htjeti doi do puno preciznijih pretpostavki na osnovi parametara sa kojima se radi. Problem vezan uz analizu osjetljivosti ukljuuje specifine promjene u parametrima. Npr., moe postojati promjena u cijeni koja moe promijeniti koeficijent u funkciji cilja. Takoer, promjena u procesu proizvodnje moe zahtijevati promjenu u koeficijentu jednog od ogranienja. Analiza osjetljivosti moe ponuditi donositelju odluka potreban uvid u problem. Trea mogunost je pitanje o tome da li bi nabavka velikih koliina odreenih resursa bila od koristi. Ovo pitanje se esto pojavljuje kada se velike koliine resursa ne koriste u optimalnom rjeenju; dodavanjem vie drugih resursa mogue je realizirati nesrazmjerno poveanje u vrijednosti funkcije cilja. Vidimo da postoje brojni razlozi zato bi donositelj odluke elio koristiti analizu osjetljivosti.

5. LITERATURA
1. Barkovi, D.: Operacijska istraivanja, Ekonomski fakultet u Osijeku, Osijek, 2002. 2. Barkovi, D.: Operacijska istraivanja u investicijskom odluivanju, Ekonomski fakultet u Osijeku, Osijek, 2004. 3. Bonini, Ch. P., Hausman, W.H., Bierman, H.: Quantitative analiysis for management, Irwin/McGraw-Hill, New York, 1997. 4. Stevenson, W. J.: Production/operations management, Irwin, New York, 1993. INTERNET STRANICE: http://www.lindo.com (17.01.2007.) http://en.wikipedia.org/wiki/sensitivity_analysis (20.01.2007.) http://sensitivity-analysis.jrc.ec.europa.eu/forum/docs/Overview.html (20.01.2007) http://eu.wiley.com (22.01.2007.) http://www.llnl.gov/casc/nsde/sensitivity.html (25.01.2007.) http://www.hearne.com.au (25.01.2007.) http://www.indiana.edu/~statmath/math/lindo/overview.html (30.01.2007.)