Прогнозирование рисков

  Риски, возникающие на уровне государства и Земли в целом. К этому типу отнесем риски, связанные с политической ситуацией, действиями партий, профсоюзов, экологических и других организаций в масштабе страны. Типичным примером являются риски, связанные с заметным изменением курса страны в результате тех или иных выборов. Другой пример – российский «дефолт» (отказ государства от ряда финансовых обязательств), начавшийся в августе 1998 г. и непосредственно вызванный решением трех чиновников. Большое значение имеют риски, связанные с социальной борьбой («рельсовая война», забастовки, массовые столкновения, терроризм, и др.)… 

 Внешнеэкономические  риски, например, связанные с динамикой цены на нефть, крупномасштабными зарубежными финансовыми (в Юго-Восточной Азии) или военными (Югославия, Ирак) кризисами и т.д., могут оказать существенное воздействие на рассматриваемую организацию (предприятие). 

 Большое число  рисков связано с природными явлениями. Их можно объединить под именем «экологические». К ним относятся, в частности, риски, связанные с неопределенностью ряда природных явлений. Типичным примером является погода, от которой зависят урожайность (а потому и цены на сельскохозяйственные товары), расходы на отопление и уборку улиц, доходы от туризма и др.  

 Обратим внимание  на риски, связанные с недостаточными  знаниями о природе (например, нам неизвестен точный объем  полезных ископаемых в том  или ином месторождении, а потому  мы не можем точно предсказать развитие добывающей промышленности и объем налоговых поступлений от ее предприятий). Нельзя забывать о рисках экологических бедствий и катастроф, типа ураганов, смерчей, землетрясений, цунами, селей и др. 

 Каждый из перечисленных видов рисков может быть структурирован далее. Так, имеются крупные развернутые разработки по анализу рисков технологических аварий, в частности, на химических производствах и на атомных электростанциях [13]. Ясно, что аварии типа Чернобыльской существенно влияют на значения СТЭЭП-факторов (принятое сокращение для комплекса социальных, технологических, экономических, экологических и политических факторов, действующих на организацию) и тем самым на поступления и выплаты из бюджета как на местном, так и на федеральном уровне (что существенно, если «организация» – это муниципальный или государственный орган власти или его подразделение типа налоговой инспекции).  

2.4.3. Управление рисками 

 Подходы к учету  неопределенности при описании  рисков. В теории принятия решений в настоящее время при компьютерном и математическом моделировании для описания неопределенностей чаще всего используют вероятностно-статистические методы (прежде всего методы статистики нечисловых данных, в том числе интервальной статистики и интервальной математики). Полезны методы теории нечеткости и методы теории конфликтов (теории игр). Математический инструментарий применяются в имитационных, эконометрических, экономико-математических моделях, реализованных обычно в виде программных продуктов. 

 Некоторые виды  неопределенностей связаны с  безразличными к организации  силами - природными (погодные условия)  или общественными (смена правительства). Если явление достаточно часто  повторяется, то его естественно  описывать в вероятностных терминах. Так, прогноз урожайности зерновых вполне естественно вести в вероятностных терминах. Если же событие единично, то вероятностное описание вызывает внутренний протест, поскольку частотная интерпретация вероятности невозможна. Так, для описания неопределенности, связанной с исходами выборов или со сменой правительства, лучше использовать методы теории нечеткости и интервальной математики (интервал – удобный частный случай описания нечеткого множества). Наконец, если неопределенность связана с активными действиями соперников или партнеров, целесообразно применять методы анализа конфликтных ситуаций, т.е. методы теории игр, прежде всего антагонистических игр, но иногда полезны и более новые методы кооперативных игр, нацеленных на получение устойчивого компромисса. 

 Подходы к оцениванию  рисков. Понятие "риск", как  уже отмечалось, многогранно. Например, при использовании статистических  методов управления качеством  продукции риски (точнее, оценки  рисков) - это вероятности некоторых  событий. В статистическом приемочном  контроле «риск поставщика» - это вероятность забракования партии продукции хорошего качества, а «риск потребителя» - приемки «плохой» партии. При статистическом регулировании технологических процессов рассматривают риск незамеченной разладки и риск излишней наладки.  

 Тогда оценка  риска – это оценка вероятности,  точечная или интервальная, по  статистическим данным или экспертная. В таком случае для управления  риском задают ограничения на  вероятности нежелательных событий.  

 Иногда под  уменьшением риска понимают уменьшение дисперсии случайной величины, поскольку при этом уменьшается неопределенность. В теории принятия решений риск - это плата за принятие решения, отличного от оптимального, он обычно выражается как математическое ожидание. В экономике плата измеряется обычно в денежных единицах, т.е. в виде финансового потока (потока платежей и поступлений) в условиях неопределенности. 

 Методы математического  моделирования позволяют предложить  и изучить разнообразные методы  оценки риска. Широко применяются  два вида методов - статистические, основанные на использовании эмпирических данных, и экспертные, опирающиеся на мнения и интуицию специалистов.   

 Чтобы продемонстрировать  сложность проблемы оценивания  риска и различные существующие  подходы, рассмотрим простейший  случай. Пусть неопределенность носит вероятностный характер, а потери описываются одномерной случайной величиной (а не случайным вектором и не случайным процессом). Другими словами, ущерб адекватно описывается одним числом, а величина этого числа зависит от случая. 

 Итак, пусть величина  порожденного риском ущерба моделируется  случайной величиной Х (в смысле  теории вероятностей). Как известно, случайная величина описывается  функцией распределения 

F(x) = P (X < x), 

где x – действительное число (т.е., как говорят и пишут математики, любой элемент действительной прямой, традиционно обозначаемой R1). Поскольку Х обычно интерпретируется как величина ущерба, то Х - неотрицательная случайная величина. 

 В зависимости  от предположений о свойствах  функции распределения F(x) вероятностные модели риска делятся на параметрические и непараметрические. В первом случае предполагается, что функция распределения входит в одно из известных семейств распределений – нормальных (т.е. гауссовских), экспоненциальных или иных. Однако обычно подобное предположение является мало обоснованным - реальные данные не хотят "втискиваться" в заранее заданное семейство. Тогда необходимо применять непараметрические статистические методы, не предполагающие, что распределение ущерба взято из того или иного популярного среди математиков семейства. При использовании непараметрических статистических методов обычно принимают лишь, что функция распределения F(x) является непрерывной функцией числового аргумента х. 

 Обсудим два  распространенных заблуждения. Во-первых, часто говорят, что поскольку величина ущерба зависит от многих причин, то она должна иметь т.н. нормальное распределение. Это неверно. Все зависит от способа взаимодействия причин. Если причины действуют аддитивно, то, действительно, в силу Центральной Предельной Теоремы теории вероятностей  есть основания использовать нормальное (гауссово) распределение. Если же причины действуют мультипликативно, то в силу той же Центральной Предельной Теоремы теории вероятностей следует приближать распределение величины ущерба Х с помощью логарифмически нормального распределения. Если же основное влияние оказывает "слабое звено" (где тонко, там и рвется), то согласно теоремам, доказанным академиком Б.В.Гнеденко, следует приближать распределение величины ущерба Х с помощью распределения из семейства Вейбулла-Гнеденко. К сожалению, в конкретных практических случаях различить эти варианта обычно не удается. 

 Во-вторых, неверно  традиционное представление о  том, что реальные погрешности  измерения нормально распределены. Проведенный многими специалистами тщательный анализ погрешностей реальных наблюдений показал, что их распределение в подавляющем большинстве случаев отличается от гауссова. Сводка этих исследований приведена в работе [10]. Среди специалистов распространено такое шуточное утверждение: «Прикладники обычно думают, что математики доказали, что погрешности распределены нормально, а математики считают, что прикладники установили это экспериментально». И те, и другие ошибаются. К сожалению, в настоящее время в экологической и экономической литературе имеется масса ошибочных утверждений. Существенная часть ошибок относится к использованию математических методов. Особенно это касается статистики и эконометрики. Причины появления ошибок разнообразны. Некоторые из них подробно обсуждаются в учебном пособии [10] и статье [14]. 

 Итак, рассмотрим  ситуацию, когда возможная величина  ущерба, связанного с риском, описывается  функцией распределения F(x)=P(Х<x). Обычно стараются перейти от  функции, описываемой (с точки зрения математики) бесконечно большим числом параметров, к небольшому числу числовых параметров, лучше всего к одному. Для положительной случайной величины (величины ущерба) часто рассматривают такие ее характеристики, как

- математическое  ожидание;

- медиана и, более общо, квантили, т.е. значения х = х(а), при которых функция распределения достигает определенного значения а; другими словами, значение квантили х = х(а) находится из уравнения F(x) = а ;

- дисперсия (часто  обозначаемая как σ2 – «сигма-квадрат»);

- среднее квадратическое  отклонение (квадратный корень из  дисперсии, т.е. σ – «сигма»);

- коэффициент вариации (среднее квадратическое отклонение, деленное на математическое ожидание);

-линейная комбинация  математического ожидания и среднего  квадратического отклонения (например, типично желание считать, что возможные значения ущерба расположены в таком интервале: математическое ожидание плюс-минус три сигма);

- математическое  ожидание функции потерь, и т.д. 

Этот перечень, очевидно, может быть продолжен. 

  Тогда задача  оценки ущерба может пониматься  как задача оценки той или  иной из перечисленных характеристик.  Чаще всего оценку проводят  по эмпирическим данным (по выборке  величин ущербов, соответствующим  происшедшим ранее аналогичным  случаям). При отсутствии эмпирического материала остается опираться на экспертные оценки, которым посвящена значительная часть следующей главы. Наиболее обоснованным является модельно-расчетный метод, опирающийся на модели управленческой, экономической, социально-психологической, эколого-экономической ситуации, позволяющие рассчитать характеристик ущерба.  

  Подчеркнем здесь,  что характеристик случайного  ущерба имеется много. Выше  перечислено 7 видов, причем некоторые  из них - второй, шестой и седьмой  - содержат бесконечно много конкретных характеристик. Нельзя ограничиваться только средним ущербом, под которым обычно понимают математическое ожидание, хотя медиана ущерба не меньше соответствует этому термину. Весьма важны верхние границы для ущерба, т.е. квантили порядка а, где а близко к 1, например, а = 0,999999. При этом с вероятностью, не превосходящей 0,000001, реальный ущерб будет меньше х(0,999999). Сложные проблемы состоят в обоснованном вычислении границы х(0,999999), их мы не будем здесь касаться.  

 Что это такое  – минимизация риска? Из предыдущих рассуждений следует, что минимизация риска может, например, состоять: 

1) в минимизации  математического ожидания (ожидаемых  потерь),  

2) в минимизации  квантиля распределения (например, медианы функции распределения  потерь или квантиля порядка 0,99, выше которого располагаются большие потери, встречающиеся крайне редко - в 1 случае из 100), 

3) в минимизации  дисперсии (т.е. показателя разброса  возможных значений потерь), 

4) в минимизации  суммы математического ожидания и утроенного среднего квадратического отклонения (на основе известного "правила трех сигм"), или иной линейной комбинации математического ожидания и среднего квадратического отклонения. Этот подход используют в случае близости распределения потерь к нормальному как комбинацию подходов, нацеленных на минимизацию средних потерь и разброса возможных значений потерь; 

5) в максимизации  математического ожидания функции  полезности (в случае, когда полезность  денежной единицы меняется в  зависимости от общей располагаемой суммы, как предполагается в микроэкономике [15], в частности, когда необходимо исключить возможность разорения экономического агента), и т.д. 

 Перечень может  быть продолжен. Например, не использована  такая характеристика случайного  ущерба, как коэффициент вариации. Однако целью изложения не является построение всеобъемлющей системы постановок задач минимизации риска, поэтому ограничимся сказанным.  

 Обсудим пять  перечисленных постановок. Первая  из них – минимизация средних  потерь – представляется вполне естественной, если все возможные потери малы по сравнению с ресурсами предприятия. В противном случае первый подход неразумен. Рассмотрим условный пример. У человека имеется 10000 рублей. Ему предлагается подбросить монету. Если выпадает «орел», то он получает 50000 рублей. Если же выпадает «цифра», он должен уплатить 20000 рублей. Стоит ли данному человеку участвовать в описанном пари? Если подсчитать математическое ожидание дохода, то, поскольку каждая сторона монеты имеет одну и ту же вероятность выпасть, равную 0,5, оно равно 50000 х 0,5 + (-20000) х 0,5 = 15000. Казалось бы, пари весьма выгодно. Однако большинство людей на него не пойдет, поскольку с вероятностью 0,5 они лишатся всего своего достояния и останутся должны 10000 рублей, другими словами, разорятся. Здесь проявляется психологическая оценка ценности рубля, зависящая от общей имеющейся суммы – 10000 рублей для человека с обычным доходом значит гораздо больше, чем те же 10000 руб. для миллиардера.