Im zweiten Schritt, der Systemanalyse, werden domänenspezifische White-Box Modelle des Systems durch den ingenieurstypischen Ansatz der Modellierung und anschließender technisch-axiomatischer Beschreibung erstellt. In der ökonomischen Systemanalyse hingegen werden ökonomische Modelle zur Systembeschreibung genutzt. Des Weiteren werden empirische Skalierungsgesetze genutzt, um die Systembeschreibung auf eine Menge möglicher Systeme auszuweiten und nicht auf ein System zu limitieren. Da der Modellierungsprozess definitionsgemäß mit Vereinfachungen, Annahmen und der Vernachlässigung scheinbar irrelevanter Prozesse einhergeht, Datenmengen zur Ableitung von Skalierungsgesetzen niemals perfekt sind und Modellparameter generell Schwankungen unterliegen, erfolgt konsequenterweise die Systembeschreibung unter Unsicherheit. Hierbei wird der probabilistische Ansatz verwendet und unsichere Modellparameter durch adäquate mathematische Verteilungsfunktionen approximiert. Die deterministischen Systemmodelle gehen damit in stochastische Systemmodelle über.
Da durch die Skalierungsgesetze generell eine Menge von möglichen Systemen beschrieben wird, besteht der nächste Schritt der Methode in der optimalen Systemfindung hinsichtlich eines Zielkriteriums. Damit eröffnet sich das mathematische Feld der stochastischen Optimierung. Ein Optimierungsproblem besteht immer aus einer Zielfunktion und zugehörigen Nebenbedingungen. Die Nebenbedingungen definieren das betrachtete System. Aus diesem Grund bestehen die Nebenbedingungen aus allen Gleichungen, die in der vorigen Systemanalyse gefunden wurden. Durch die Definition eines Zielfunktionals wird im konkreten Fall das Optimierungsproblem durch Monte-Carlo-Simulationen gelöst. Durch die Systembeschreibung unter Unsicherheit ist somit nicht nur die Identifikation des optimalen Systems möglich, sondern auch der zugehörigen Unsicherheit.
Im letzten Schritt wird das vorig gefundene optimale System einer Sensitivitätsanalyse unterzogen. Durch die Sensitivitätsanalyse wird ein größeres Wissen über das zugrundeliegende Systemmodell generiert. Ergebnis der Sensitivitätsanalyse ist beispielsweise die Erkenntnis, welche Modellinputunsicherheiten maßgeblich für die Unsicherheit des Modelloutputs verantwortlich sind, sodass im iterativen Prozess das Modell verbessert werden kann und Prioritäten in der Forschung fachlich begründet werden können.
Die aussagekräftigen Ergebnisse umfassen ein ganzheitliches Mehrpolmodell (Abbildung 1) sowie ein energetisches und ökonomisches White-Box Modell unter Unsicherheit mit zugehörigen empirischen Skalierungsfunktionen (Abbildung 2), eine Darstellung der Unterschiede des energetischen und techno-ökonomisch optimalen Systemdesigns (Abbildung 3) sowie die Offenlegung des modellbasierten Ursache- und Wirkungsmechanismus (Abbildung 4).
