аналіз ризиків

Аналіз ризиків являє собою систематичне використання доступної інформації для оцінки частоти настання конкретних подій і масштабів їх наслідків.

Зазвичай ризики визначаються як негативні події - наприклад, збитки у венчурному підприємстві або буря, яка призводить до великим страховим збитків. Однак аналіз ризиків дає шанс виявити потенційні позитивні наслідки. Завдяки дослідженню всього простору можливих наслідків в кожній конкретній ситуації ефективний аналіз ризиків дозволяє виявити проблеми і оцінити перспективи.

Аналіз ризиків може проводитися на якісному або кількісному рівні. Якісний аналіз ризиків, як правило, включає інстинктивну, внутрішню оцінку ситуації. Для нього характерні такі твердження: «це занадто ризиковано», «можливо, це дозволить отримати високий прибуток» і т. П. При кількісному аналізі ризиків намагаються привласнити числові значення або за рахунок використання емпіричних даних, або шляхом визначення кількісних характеристик, притаманних якісним оцінками . Ми розглянемо кількісний аналіз ризиків.

Кількісний аналіз ризиків можна проводити декількома способами. В рамках одного з підходів, який по суті є детерминистским, використовуються точкові оцінки. Використовуючи цей метод, аналітик може привласнювати окремим сценаріями різні значення - це дозволяє побачити, якими можуть бути результати в кожному конкретному випадку. Наприклад, у фінансовій моделі аналітик зазвичай вивчає три результату: найгірший, найкращий і найбільш ймовірний. Кожен з них визначається наступним чином:

Найгірший сценарій. Всі витрати мають максимально високу, а доходи від продажів - найнижче значення з усіх можливих прогнозів. Результатом стають збитки.

Найкращий сценарій. Всі витрати мають максимально низьке, а доходи від продажів - найвище значення з усіх можливих прогнозів. Результатом стає велика прибуток.

Найбільш вірогідний сценарій. Значення вибирають з середніх показників витрат і доходів, а результатом стає помірна прибуток.

З цим підходом пов'язано кілька проблем:

• застосовують його аналітики розглядають лише кілька конкретних результатів, ігноруючи сотні і тисячі інших;
• всі результати мають однакову вагу, тобто не робиться спроб оцінити ймовірність отримання кожного результату;
• взаємозалежність між вихідними даними, вплив різних вихідних даних на результати і інші нюанси ігноруються, що призводить до надмірного спрощення моделі і зниження її достовірності.

І все ж, незважаючи на недоліки і неточності, багато організацій використовують саме такий підхід до проведення аналізу.

Найкращий спосіб проведення кількісного аналізу ризиків - застосування моделюванні за методом Монте-Карло . При моделюванні за методом Монте-Карло невизначені вихідні параметри моделі представляються у вигляді діапазонів можливих значень, відомих як розподілу ймовірностей. При використанні розподілів ймовірностей змінні можуть мати різні ймовірності настання різних наслідків. Розподілу ймовірностей є набагато більш реалістичний спосіб опису невизначеності змінних в процесі аналізу ризику. Нижче наведено кілька типових розподілу ймовірностей.

Нормальний розподіл (або «гауссова крива»). Щоб описати відхилення від середнього, користувач визначає середнє або очікуване значення і стандартне відхилення. Значення, що знаходяться посередині, поруч із середнім, характеризуються найбільш високою ймовірністю. Нормальний розподіл симетрично і описує безліч звичайних явищ - наприклад, зростання людей. До прикладів змінних, які описуються нормальними розподілами, відносяться темпи інфляції і ціни на енергоносії.

Логнормальний розподіл. Значення мають позитивну асиметрію і на відміну від нормального розподілу несиметричні. Такий розподіл використовується для відображення величин, які не опускаються нижче нуля, але можуть приймати необмежені позитивні значення. Приклади змінних, описуваних логнормальний розподіл, включають вартість нерухомого майна, ціни на акції і нафтові запаси.

Рівномірний розподіл. Всі величини можуть з однаковою ймовірністю приймати те чи інше значення, користувач просто визначає мінімум і максимум. До прикладів змінних, які можуть мати рівномірний розподіл, відносяться виробничі витрати або доходи від майбутніх продажів нового продукту.

Трикутний розподіл. Користувач визначає мінімальне, найбільш ймовірне і максимальне значення. Найбільшу вірогідність мають значення, розташовані біля точки максимальної ймовірності. У число змінних, які можуть бути описані трикутним розподілом, входять продажу за минулий період в одиницю часу і рівні запасів матеріальних оборотних коштів.

PERT-розподіл. Користувач визначає мінімальне, найбільш ймовірне і максимальне значення - так само, як при трикутному розподілі. Найбільшу вірогідність мають значення, розташовані біля точки максимальної ймовірності. Однак величини в діапазоні між найбільш вірогідним і граничними значеннями проявляються з більшою ймовірністю, ніж при трикутному розподілі, тобто відсутня акцент на граничних значеннях. Приклад використання PERT-розподілу - опис тривалості виконання завдання в рамках моделі управління проектом.

Дискретний розподіл. Користувач визначає конкретні значення з числа можливих, а також ймовірність отримання кожного з них. Прикладом може служити результат судового процесу: 20% вірогідність позитивного рішення, 30% ймовірність негативного рішення, 40% ймовірність угоди сторін і 10% ймовірність анулювання судового процесу.

При моделюванні за методом Монте-Карло значення вибираються випадковим чином з вихідних розподілів ймовірності. Кожна вибірка значень називається итерацией; отриманий з вибірки результат фіксується. В ході моделювання така процедура виконується сотні або тисячі разів, а підсумком цієї роботи стає розподіл ймовірностей можливих наслідків. Таким чином, моделювання за методом Монте-Карло дає набагато більш повне уявлення про можливі події. Воно дозволяє судити не тільки про те, що може статися, але і про те, наскільки ймовірним є такого результату.

Моделювання за методом Монте-Карло має ряд переваг в порівнянні з детерминистским аналізом:

• Імовірнісні результати. Результати демонструють не тільки щодо ситуацій, а й імовірність їх настання.
• Графічне представлення результатів. Характер даних, одержуваних при використанні методу Монте-Карло, дозволяє створювати графіки різних наслідків, а також ймовірностей їх настання. Це важливо при передачі результатів іншим зацікавленим особам.
• Аналіз чутливості. За рідкісним винятком детерміністський аналіз ускладнює визначення того, яка з змінних в найбільшою мірою впливає на результати. При проведенні моделювання по методу Монте-Карло нескладно побачити, які вихідні дані мають найбільший вплив на кінцеві результати.
• Аналіз сценаріїв. У детерминистских моделях дуже складно моделювати різні поєднання величин для різних вихідних значень, і, отже, оцінити вплив по-справжньому відрізняються сценаріїв. Застосовуючи метод Монте-Карло, аналітики можуть точно визначити, які вихідні дані приводять до тих чи інших значень, і простежити настання певних наслідків. Це дуже важливо для проведення подальшого аналізу.
• Кореляція вихідних даних. Метод Монте-Карло дозволяє моделювати взаємозалежні відносини між вихідними змінними. Для отримання достовірних відомостей необхідно уявляти собі, в яких випадках при збільшенні деяких факторів відповідним чином зростають або знижуються інші.

Модель електронних таблиць є найбільш поширену платформу для проведення кількісного аналізу ризиків. Багато фахівців і раніше використовують детерміністський аналіз ризиків в моделях на базі електронних таблиць, в той час як могли б проводити моделювання по методу Монте-Карло за допомогою інструменту @RISK в Excel. @RISK додає в Excel нові функції, які дозволяють отримувати розподілу ймовірностей і проводити аналіз результатів. @RISK доступний і для Microsoft Project - з його допомогою ви зможете проводити оцінку ризиків в графіках проектних робіт і бюджетах.

Подивитися, як працює @RISK
» Дізнатися більше про @RISK
» Дізнатися більше про моделювання по методу Монте-Карло