мировой лидер в области разработки программного
обеспечения для анализа рисков и принятия
решений, @RISK и DecisionTools Suite
Анализ рисков
Анализ рисков представляет собой систематическое использование доступной информации для оценки частоты наступления конкретных событий и масштабов их последствий.

Обычно риски определяются как негативные события — например, убытки в венчурном предприятии или буря, которая приводит к крупным страховым убыткам. Однако анализ рисков дает шанс выявить потенциальные позитивные последствия. Благодаря исследованию всего пространства возможных последствий в каждой конкретной ситуации эффективный анализ рисков позволяет обнаружить проблемы и оценить перспективы.

Анализ рисков может проводиться на качественном или количественном уровне. Качественный анализ рисков, как правило, включает инстинктивную, внутреннюю оценку ситуации. Для него характерны такие утверждения: «это слишком рискованно», «возможно, это позволит получить высокую прибыль» и т. п. При количественном анализе рискам пытаются присвоить числовые значения либо за счет использования эмпирических данных, либо путем определения количественных характеристик, присущих качественным оценкам. Мы рассмотрим количественный анализ рисков.

Детерминистский анализ рисков:
«наилучший, наихудший и наиболее вероятный вариант »
Количественный анализ рисков можно проводить несколькими способами. В рамках одного из подходов, который по сути является детерминистским, используются точечные оценки. Используя этот метод, аналитик может присваивать отдельным сценариям разные значения — это позволяет увидеть, какими могут быть результаты в каждом конкретном случае. Например, в финансовой модели аналитик обычно изучает три результата: наихудший, наилучший и наиболее вероятный. Каждый из них определяется следующим образом:

Наихудший сценарий. Все расходы имеют максимально высокое, а доходы от продаж — самое низкое значение из всех возможных прогнозов. Результатом становятся убытки.

Наилучший сценарий. Все расходы имеют максимально низкое, а доходы от продаж — самое высокое значение из всех возможных прогнозов. Результатом становится крупная прибыль.

Наиболее вероятный сценарий. Значения выбирают из средних показателей расходов и доходов, а результатом становится умеренная прибыль.

С этим подходом связано несколько проблем:

  • применяющие его аналитики рассматривают лишь несколько конкретных результатов, игнорируя сотни и тысячи других;
  • все результаты имеют одинаковый вес, то есть не предпринимается попыток оценить вероятность получения каждого результата;
  • взаимозависимость между исходными данными, воздействие различных исходных данных на результаты и другие нюансы игнорируются, что приводит к чрезмерному упрощению модели и снижению ее достоверности.

И все же, несмотря на недостатки и неточности, многие организации используют именно такой подход к проведению анализа.

Стохастический анализ рисков —
моделирование по методу Монте-Карло

Наилучший способ проведения количественного анализа рисков — применение моделировании по методу Монте-Карло. При моделировании по методу Монте-Карло неопределенные исходные параметры модели представляются в виде диапазонов возможных значений, известных как распределения вероятностей. При использовании распределений вероятностей переменные могут иметь разные вероятности наступления разных последствий. Распределения вероятностей представляют собой гораздо более реалистичный способ описания неопределенности переменных в процессе анализа риска. Ниже перечислены наиболее распространенные распределения вероятностей.

Нормальное распределение (или «гауссова кривая»). Чтобы описать отклонение от среднего, пользователь определяет среднее или ожидаемое значение и стандартное отклонение. Значения, находящиеся посредине, рядом со средним, характеризуются наиболее высокой вероятностью. Нормальное распределение симметрично и описывает множество обычных явлений — например, рост людей. К примерам переменных, которые описываются нормальными распределениями, относятся темпы инфляции и цены на энергоносители.

Логнормальное распределение. Значения имеют положительную асимметрию и в отличие от нормального распределения несимметричны. Такое распределение используется для отражения величин, которые не опускаются ниже нуля, но могут принимать неограниченные положительные значения. Примеры переменных, описываемых логнормальными распределениями, включают стоимость недвижимого имущества, цены на акции и нефтяные запасы.

Равномерное распределение. Все величины могут с равной вероятностью принимать то или иное значение, пользователь просто определяет минимум и максимум. К примерам переменных, которые могут иметь равномерное распределение, относятся производственные издержки или доходы от будущих продаж нового продукта.

Треугольное распределение. Пользователь определяет минимальное, наиболее вероятное и максимальное значения. Наибольшую вероятность имеют значения, расположенные возле точки максимальной вероятности. В число переменных, которые могут быть описаны треугольным распределением, входят продажи за минувший период в единицу времени и уровни запасов материальных оборотных средств.

PERT-распределение. Пользователь определяет минимальное, наиболее вероятное и максимальное значения — так же, как при треугольном распределении. Наибольшую вероятность имеют значения, расположенные возле точки максимальной вероятности. Однако величины в диапазоне между наиболее вероятным и предельными значениями проявляются с большей вероятностью, чем при треугольном распределении, то есть отсутствует акцент на предельных значениях. Пример использования PERT-распределения — описание продолжительности выполнения задачи в рамках модели управления проектом.

Дискретное распределение. Пользователь определяет конкретные значения из числа возможных, а также вероятность получения каждого из них. Примером может служить результат судебного процесса: 20% вероятность положительного решения, 30% вероятность отрицательного решения, 40% вероятность соглашения сторон и 10% вероятность аннулирования судебного процесса.

При моделировании по методу Монте-Карло значения выбираются случайным образом из исходных распределений вероятности. Каждая выборка значений называется итерацией; полученный из выборки результат фиксируется. В ходе моделирования такая процедура выполняется сотни или тысячи раз, а итогом этой работы становится распределение вероятностей возможных последствий. Таким образом, моделирование по методу Монте-Карло дает гораздо более полное представление о возможных событиях. Оно позволяет судить не только о том, что может произойти, но и о том, какова вероятность такого исхода.

Моделирование по методу Монте-Карло имеет ряд преимуществ по сравнению с детерминистским анализом:

  • Вероятностные результаты. Результаты демонстрируют не только возможные события, но и вероятность их наступления.
  • Графическое представление результатов. Характер данных, получаемых при использовании метода Монте-Карло, позволяет создавать графики различных последствий, а также вероятностей их наступления. Это важно при передаче результатов другим заинтересованным лицам.
  • Анализ чувствительности. За редким исключением детерминистский анализ затрудняет определение того, какая из переменных в наибольшей степени влияет на результаты. При проведении моделирования по методу Монте-Карло несложно увидеть, какие исходные данные оказывают наибольшее воздействие на конечные результаты.
  • Анализ сценариев. В детерминистских моделях очень сложно моделировать различные сочетания величин для различных исходных значений, и, следовательно, оценить воздействие по-настоящему отличающихся сценариев. Применяя метод Монте-Карло, аналитики могут точно определить, какие исходные данные приводят к тем или иным значениям, и проследить наступление определенных последствий. Это очень важно для проведения дальнейшего анализа.
  • Корреляция исходных данных. Метод Монте-Карло позволяет моделировать взаимозависимые отношения между исходными переменными. Для получения достоверных сведений необходимо представлять себе, в каких случаях при увеличении некоторых факторов соответствующим образом возрастают или снижаются другие.

Моделирование по методу Монте-Карло в
электронных таблицах и графиках проектных работ

Модель электронных таблиц представляет собой наиболее распространенную платформу для проведения количественного анализа рисков. Многие специалисты по-прежнему используют детерминистский анализ рисков в моделях на базе электронных таблиц, в то время как могли бы проводить моделирование по методу Монте-Карло с помощью инструмента @RISK в Excel. @RISK добавляет в Excel новые функции, которые позволяют получать распределения вероятностей и проводить анализ результатов. @RISK доступен и для Microsoft Project — с его помощью вы сможете проводить оценку рисков в графиках проектных работ и бюджетах.

Посмотреть, как работает @RISK
» Узнать больше о @RISK
» Узнать больше о моделировании по методу Монте-Карло

Palisade Corporation
798 Cascadilla Street
Ithaca, NY 14850-3239
800 432 RISK (US/Can)
+1 607 277 8000
+1 607 277 8001 fax
sales@palisade.com
Palisade EMEA & India
+44 1895 425050 salesEMEA@palisade.com
salesIndia@palisade.com
Palisade Asia-Pacific
+61 2 9252 5922
salesAP@palisade.com
Palisade アジア・
パシフィック東京事務所
+81 3 5456 5287 tel
sales.jp@palisade.com
www.palisade.com/jp/
Palisade Latinoamérica
+1 607 277 8000 x318
+54-1152528795  Argentina
+56-25813492 Chile
+507-8365675 Panamá
+52 55 5350 2852 México
+511-7086781 Perú
+57-15085187 Colombia
servicioalcliente@palisade.com
ventas@palisade.com
www.palisade-lta.com
Palisade Brasil
+55 (21) 3958 1443
+1 607 277 8000 x318 tel
vendas@palisade.com
www.palisade-br.com