Statistika riskianalüüsis
Ebakindlusest tulvil maailmas – alates turukõikumistest ja kliimamuutustest kuni terviseriskide ja tarneahela häireteni – vajame süstemaatilist viisi riskide mõistmiseks ja juhtimiseks. Siin mängib statistika olulist rolli. Statistika on enamat kui lihtsalt valemite kogum, vaid pigem meetodite kogum andmete teisendamiseks teabeks, mida saab kasutada sündmuse tõenäosuse hindamiseks, selle mõju mõõtmiseks ja leevendusstrateegiate kavandamiseks. See artikkel käsitleb statistika kasutamist riskianalüüsis, selle põhimõisteid ja näiteid selle rakendamisest erinevates valdkondades.
Riski mõistmine: võimalused ja mõjud
Üldiselt võib riski mõista kui sündmuse toimumise tõenäosuse ja selle mõju kombinatsiooni. Näiteks üleujutuse ohtu piirkonnas mõjutavad üleujutuse sagedus (tõenäosus) ja kahju ulatus (mõju). Statistika aitab meil mõõta nii ajalooliste andmete, modelleerimise kui ka järelduste abil.
Siiski ei ole kõiki riske lihtne kvantifitseerida. Paljudel juhtudel võivad andmed olla piiratud, mittetäielikud või kallutatud. Seetõttu ühendab tänapäevane riskianalüüs klassikalist statistikat sageli tõenäosuslike lähenemisviiside, simulatsiooni ja masinõppega, et saada realistlikumaid hinnanguid.
Andmete roll ja nende kvaliteet riskianalüüsis
Riskianalüüsi kõige põhilisem samm on asjakohaste andmete kogumine. Need andmed võivad hõlmata varasemate sündmuste andmeid (nt tööõnnetuste andmed), perioodilisi mõõtmisi (nt päevane sademete hulk) või uuringuandmeid (nt kasutajate vastavus ohutusprotokollidele). Andmete kvaliteet määrab analüüsi kvaliteedi. Statistika pakub tööriistu järgmiseks:
1. Andmete puhastamine: kõrvalekallete, puuduvate väärtuste ja vastuolude tuvastamine.
2. Andmete kirjeldus (kirjeldav statistika): võtab andmed kokku, näidates nende keskmist suundumust ja jaotust.
3. Eelarvamuste hindamine: näiteks valiku kallutatus uuringuandmetes või intsidentide andmete ebapiisav kajastamine.
Ilma heade andmeteta võivad riskimudelid olla potentsiaalselt eksitavad. Seetõttu on andmeallikate, muutujate definitsioonide ja registreerimismeetodite mõistmine analüüsi oluline osa.
Tsentraalsuse ja dispersiooni mõõdud: määramatuse mõõtmine
Riskianalüüsis vajame harva ainult „keskmist väärtust“. Olulisem on varieeruvuse mõistmine. Näiteks kahel investeerimisportfellil võib olla sama keskmine tootlus, kuid erinev volatiilsus; suurema volatiilsusega portfelli peetakse üldiselt riskantsemaks.
Mõned levinumad statistilised mõisted:
– Keskmine (keskmine): muutuja eeldatava väärtuse hinnang.
– Mediaan: kasulik, kui andmed on väga moonutatud, näiteks katastroofidest tingitud kahjude jaotuse puhul.
– Dispersioon ja standardhälve: mõõdavad andmete levikut, sageli kasutatakse volatiilsuse näitajatena.
– Kvartiilid ja IQR: aitavad jaotust mõista ilma, et erandid seda liigselt mõjutaksid.
Riskijuhtimise praktikas kasutatakse volatiilsuse kirjeldamiseks sageli selliseid näitajaid nagu standardhälve, konservatiivsemate stsenaariumide kirjeldamiseks aga mediaane või kvantiile.
Tõenäosusjaotused: riski modelleerimise alus
Statistika tutvustab tõenäosusjaotuse mõistet, mis kirjeldab võimalike väärtuste esinemise tõenäosust. Õige jaotuse valimine on ülioluline, kuna see mõjutab riskihindamist.
Mõned jaotused, mis riski kontekstis sageli esinevad:
– Normaaljaotus: kasutatakse sageli nähtuste puhul, mis on paljude väikeste tegurite tulemus. Paljudel äärmise riski juhtudel võib normaaljaotus aga alahinnata suure sündmuse tõenäosust.
– Logaritmiline normaaljaotus: kasutatakse sageli rahaliste kahjude või projekti valmimisaja kirjeldamiseks.
– Poissoni jaotus: sobib teatud perioodi intsidentide arvu arvutamiseks, näiteks õnnetuste arvu kohta kuus.
– Eksponentsiaalne ja Weibulli jaotus: kasutatakse laialdaselt masinakomponentide töökindluse ja eluea analüüsimisel.
Jaotuste abil saavad analüütikud arvutada sündmuse toimumise tõenäosust teatud lävendi ületamisel, näiteks tõenäosust, et kahjum ületab teatud piiri ühe aasta jooksul.
Parameetrite hindamine ja järelduste tegemine: valimist populatsiooniks
Tihti on meil ainult valim andmeid, mitte kogu andmekogum. Statistiline järeldus aitab meil valimi põhjal teha järeldusi populatsiooni kohta. Riskianalüüsis on see oluline järgmistel eesmärkidel:
– hinnata masinate rikete määra kontrollandmete põhjal,
– hinnata krediidiriski viivituse määra võlgniku andmete põhjal,
– või hinnata riski vähendamise sekkumise tõhusust.
Meetodid, näiteks usaldusvahemikud, aitavad näidata parameetri usutavate väärtuste vahemikku (nt keskmine kadu), samas kui hüpoteesiteste saab kasutada kahe leevenduspoliitika võrdlemiseks: kas uus poliitika vähendab tegelikult juhtumite määra?
Riskiväärtus (VaR) ja kvantiilsed riskimõõtmised
Finantsmaailmas on üks populaarne riskimõõt Value at Risk (VaR). VaR vastab küsimusele: "Milline on maksimaalne võimalik kahju antud usaldusnivoo juures antud perioodi jooksul?" Näiteks 95% päevane VaR 1 miljard IDR tähendab 95% kindlust, et päevane kahju ei ületa 1 miljardit IDR-i (kuigi 5% tõenäosus suurema kahju tekkeks on siiski olemas).
Kuigi VaR-i kasutatakse laialdaselt, on sellel piirangud, eriti sabariski käsitlemisel. Seetõttu kasutatakse sageli muid mõõdikuid, näiteks oodatavat puudujääki (CVaR), mis arvestab VaR-ist kaugemale ulatuva halvima stsenaariumi keskmist kahjumit.
See kvantiili mõiste on oluline ka teistes valdkondades, näiteks õhusaaste ohutute piirnormide määramisel või varude koostamisel, et vähendada kaupade otsa saamise ohtu.
Monte Carlo simulatsioon: keerukusega silmitsi seismine
Kui süsteem on analüütiliseks analüüsimiseks liiga keeruline, on lahenduseks Monte Carlo simulatsioon. See meetod kasutab sisendjaotusest juhuslikku valimit mitme väljundstsenaariumi genereerimiseks. Näiteks:
– Hinnake projekti viivituste riski iga tegevuse kestuse varieerumise põhjal.
– Mõõdab portfelli kahjumi riski, mis põhineb erinevate varade tootluse ebakindlusel.
– Ennustada tarnepuudujäägi riski nõudluse ja tarneaja kõikumiste põhjal.
Tuhandete kuni miljonite simulatsioonide abil saavad analüütikud konstrueerida tulemuste jaotusi ja hinnata äärmuslike sündmuste tõenäosust, mitte ainult keskmisi väärtusi.
Korrelatsioon ja sõltuvus: riskid esinevad harva iseseisvalt
Riskid on sageli omavahel seotud. Majanduskriis võib suurendada maksejõuetuse riski, mis omakorda suurendab pankade likviidsusriski jne. Statistika pakub vahendeid muutujate vaheliste seoste uurimiseks:
– Korrelatsioon lineaarsete seoste nägemiseks.
– Regressioon, et modelleerida põhjuslike muutujate mõju riskimuutujatele.
– Kopula (täiustatud riskianalüüsis) sõltuvuste modelleerimiseks, sh jaotuse „äärmiste osade“ puhul kriisi ajal.
Riskianalüüsi puhul on tavaline viga eeldada, et muutujad on sõltumatud. Äärmuslikes tingimustes võivad korrelatsioonid aga suureneda, muutes kombineeritud riski palju suuremaks.
Statistika rakendused erinevates valdkondades
1. Rahvatervis: puhangute riskide modelleerimine, ülekandemäärade hindamine ja vaktsiinide tõhususe mõõtmine.
2. Tööstus- ja tööohutus: õnnetuste sageduse analüüsimine, põhjuslike tegurite väljaselgitamine ja K3 programmide hindamine.
3. Kindlustus: arvutab kindlustusmakseid nõuete tõenäosuse ja suuruse, sh katastroofiriskide põhjal.
4. Keskkond: üleujutuste, maalihkete või põuaohu ennustamine klimatoloogiliste andmete põhjal.
5. Küberjulgeolek: rünnakute tõenäosuse mõõtmine, anomaaliate tuvastamine ja intsidentide rahalise mõju hindamine.
Nende rakenduste mitmekesisus näitab, et statistika on interdistsiplinaarne: põhimõtted on samad, kuid kontekst ja andmetüübid on erinevad.
Kokkuvõte: statistika kui ebakindluse keel
Statistika kasutamine riskianalüüsis on sisuliselt katse kvantifitseerida ebakindlust. Andmete, tõenäosusjaotuste, järelduste ja simulatsioonide abil saame hinnata sündmuse tõenäosust ja selle mõju ning seejärel teha ratsionaalsemaid otsuseid. Kuigi statistika ei saa riski täielikult välistada, aitab see meil vältida eeldustel põhinevaid otsuseid ja töötada välja tugevamaid leevendusstrateegiaid. Tänapäeva andmeajastul ei ole statistika mõistmise ja rakendamise võime mitte ainult tehniline eelis, vaid ka ebakindlates tingimustes ellujäämise ja edenemise vajadus.
