آمار در تحلیل ریسک
در جهانی پر از عدم قطعیت - از نوسانات بازار و تغییرات اقلیمی گرفته تا خطرات بهداشتی و اختلالات زنجیره تأمین - ما به روشی سیستماتیک برای درک و مدیریت ریسک نیاز داریم. اینجاست که آمار نقش حیاتی ایفا میکند. آمار چیزی بیش از مجموعهای از فرمولها است، بلکه مجموعهای از روشها برای تبدیل دادهها به اطلاعاتی است که میتوان از آنها برای تخمین احتمال یک رویداد، اندازهگیری تأثیر آن و طراحی استراتژیهای کاهش اثرات استفاده کرد. این مقاله به بررسی نحوه استفاده از آمار در تحلیل ریسک، مفاهیم کلیدی آن و نمونههایی از کاربرد آن در زمینههای مختلف میپردازد.
درک ریسک: فرصتها و تأثیرات
به طور کلی، ریسک را میتوان ترکیبی از احتمال وقوع یک رویداد و تأثیر آن دانست. به عنوان مثال، خطر سیل در یک منطقه تحت تأثیر فراوانی سیل (احتمال) و میزان خسارت (تأثیر) قرار دارد. آمار به ما کمک میکند تا هم از طریق دادههای تاریخی، هم از طریق مدلسازی و هم از طریق استنتاج، آن را اندازهگیری کنیم.
با این حال، همه ریسکها به راحتی قابل اندازهگیری نیستند. در بسیاری از موارد، دادهها میتوانند محدود، ناقص یا جانبدارانه باشند. بنابراین، تجزیه و تحلیل ریسک مدرن اغلب آمار کلاسیک را با رویکردهای احتمالاتی، شبیهسازی و یادگیری ماشین ترکیب میکند تا تخمینهای واقعبینانهتری ارائه دهد.
نقش دادهها و کیفیت آنها در تحلیل ریسک
اساسیترین گام در تحلیل ریسک، جمعآوری دادههای مرتبط است. این دادهها میتوانند شامل سوابق رویدادهای گذشته (مثلاً دادههای حوادث محل کار)، اندازهگیریهای دورهای (مثلاً بارندگی روزانه) یا دادههای نظرسنجی (مثلاً رعایت پروتکلهای ایمنی توسط کاربر) باشند. کیفیت دادهها، کیفیت تحلیل را تعیین میکند. آمار ابزارهایی را برای موارد زیر فراهم میکند:
۱. پاکسازی دادهها: تشخیص دادههای پرت، مقادیر گمشده و ناسازگاریها.
۲. توصیف دادهها (آمار توصیفی): دادهها را با معیارهای گرایش مرکزی و توزیع خلاصه میکند.
۳. ارزیابی سوگیری: برای مثال، سوگیری انتخاب در دادههای نظرسنجی یا گزارش کمتر از واقع در دادههای حادثه.
بدون دادههای خوب، مدلهای ریسک میتوانند بهطور بالقوه گمراهکننده باشند. بنابراین، درک منابع دادهها، تعاریف متغیرها و روشهای ثبت، بخش مهمی از تحلیل است.
معیارهای مرکزیت و پراکندگی: اندازهگیری عدم قطعیت
در تحلیل ریسک، به ندرت فقط به «مقدار میانگین» نیاز داریم. آنچه مهمتر است، درک تغییرات است. برای مثال، دو پرتفوی سرمایهگذاری میتوانند میانگین بازده یکسانی داشته باشند اما سطوح نوسان متفاوتی داشته باشند؛ پرتفوی با نوسان بالاتر عموماً ریسکپذیرتر در نظر گرفته میشود.
برخی از مفاهیم آماری پرکاربرد:
میانگین (میانگین): تخمین مقدار مورد انتظار یک متغیر.
– میانه: زمانی مفید است که دادهها بسیار چولگی داشته باشند، برای مثال توزیع خسارات ناشی از بلایای طبیعی.
واریانس و انحراف معیار: پراکندگی دادهها را اندازهگیری میکنند و اغلب به عنوان شاخصهای نوسان استفاده میشوند.
– چارکها و IQR: به درک توزیع بدون تأثیرپذیری بیش از حد از دادههای پرت کمک میکنند.
در عمل مدیریت ریسک، معیارهایی مانند انحراف معیار اغلب برای توصیف «نوسان» استفاده میشوند، در حالی که میانهها یا چندکها برای توصیف سناریوهای محافظهکارانهتر استفاده میشوند.
توزیعهای احتمال: پایه و اساس مدلسازی ریسک
آمار مفهوم توزیعهای احتمال را معرفی میکند که روشهایی برای توصیف احتمال وقوع مقادیر ممکن هستند. انتخاب توزیع مناسب بسیار مهم است زیرا بر تخمین ریسک تأثیر میگذارد.
برخی از توزیعهایی که اغلب در زمینه ریسک مطرح میشوند:
– توزیع نرمال: اغلب برای پدیدههایی استفاده میشود که نتیجه عوامل کوچک زیادی هستند. با این حال، در بسیاری از موارد با ریسک بسیار بالا، توزیع نرمال میتواند احتمال یک رویداد بزرگ را کمتر از حد واقعی تخمین بزند.
– توزیع لگاریتمی نرمال: اغلب برای زیانهای مالی یا زمان تکمیل پروژه استفاده میشود.
– توزیع پواسون: مناسب برای محاسبه تعداد حوادث در یک دوره معین، به عنوان مثال تعداد تصادفات در هر ماه.
توزیعهای نمایی و وایبول: به طور گسترده در تحلیل قابلیت اطمینان و عمر اجزای ماشین استفاده میشوند.
با استفاده از توزیعها، تحلیلگران میتوانند احتمال وقوع یک رویداد بالاتر از یک آستانه خاص، به عنوان مثال احتمال عبور یک ضرر از یک حد مشخص در یک سال، را محاسبه کنند.
تخمین پارامتر و استنتاج: از نمونه تا جامعه آماری
اغلب ما فقط یک نمونه از دادهها را داریم، نه مجموعه کامل. استنباط آماری به ما کمک میکند تا بر اساس نمونه، در مورد جمعیت نتیجهگیری کنیم. در تحلیل ریسک، این امر برای موارد زیر مهم است:
- تخمین نرخ خرابی ماشینآلات از دادههای بازرسی،
- تخمین نرخ نکول اعتباری از دادههای بدهکار،
- یا اثربخشی یک مداخله برای کاهش خطر را ارزیابی کنید.
روشهایی مانند فواصل اطمینان به نشان دادن طیف وسیعی از مقادیر قابل قبول برای یک پارامتر (مثلاً میانگین تلفات) کمک میکنند، در حالی که میتوان از آزمونهای فرضیه برای مقایسه دو سیاست کاهش اثرات استفاده کرد: آیا سیاست جدید واقعاً میزان حوادث را کاهش میدهد؟
ارزش در معرض ریسک (VaR) و معیارهای ریسک چندکی
در امور مالی، یکی از معیارهای رایج ریسک، ارزش در معرض ریسک (VaR) است. VaR به این سوال پاسخ میدهد: "حداکثر زیان ممکن در یک سطح اطمینان مشخص در یک دوره معین چقدر است؟" به عنوان مثال، یک VaR روزانه ۹۵٪ معادل ۱ میلیارد روپیه اندونزی به این معنی است که ۹۵٪ اطمینان وجود دارد که زیان روزانه از ۱ میلیارد روپیه اندونزی تجاوز نخواهد کرد (اگرچه هنوز ۵٪ احتمال زیان بیشتر وجود دارد).
اگرچه VaR به طور گسترده مورد استفاده قرار میگیرد، اما محدودیتهایی دارد، به ویژه در پرداختن به ریسک دنباله. بنابراین، اغلب از معیارهای دیگری مانند کسری مورد انتظار (CVaR) استفاده میشود که میانگین ضرر را در بدترین حالت فراتر از VaR در نظر میگیرد.
این مفهوم چندک در حوزههای دیگر نیز مرتبط است، برای مثال تعیین محدودیتهای ایمن برای آلودگی هوا یا تعیین ذخایر انبار برای کاهش خطر اتمام کالاها.
شبیهسازی مونت کارلو: مواجهه با پیچیدگی
وقتی یک سیستم برای تحلیل تحلیلی بسیار پیچیده است، شبیهسازی مونت کارلو یک راه حل است. این روش از نمونهگیری تصادفی از یک توزیع ورودی برای تولید سناریوهای خروجی چندگانه استفاده میکند. به عنوان مثال:
– ریسک تأخیر پروژه را بر اساس تغییرات در مدت زمان هر فعالیت تخمین بزنید.
– ریسک زیان پرتفوی را بر اساس عدم قطعیت بازده داراییهای مختلف اندازهگیری میکند.
- پیشبینی ریسک کمبود عرضه بر اساس تغییرات تقاضا و زمان تحویل.
با هزاران تا میلیونها شبیهسازی، تحلیلگران میتوانند توزیع نتایج را ایجاد کرده و احتمال رویدادهای شدید، و نه فقط مقادیر متوسط، را ارزیابی کنند.
همبستگی و وابستگی: ریسکها به ندرت به تنهایی وجود دارند
ریسکها اغلب به هم مرتبط هستند. یک بحران اقتصادی میتواند ریسک نکول را افزایش دهد که به نوبه خود ریسک نقدینگی بانک را افزایش میدهد و غیره. آمار ابزارهایی را برای مطالعه روابط بین متغیرها فراهم میکند:
- همبستگی برای مشاهده روابط خطی.
– رگرسیون برای مدلسازی تأثیر متغیرهای علّی بر متغیرهای ریسک.
– کاپولا (در تحلیل ریسک پیشرفته) برای مدلسازی وابستگیها، از جمله وابستگی به «دنبالههای توزیع» در طول بحران.
یک اشتباه رایج در تحلیل ریسک، فرض مستقل بودن متغیرها است. با این حال، در شرایط بحرانی، همبستگیها میتوانند افزایش یابند و ریسک ترکیبی را بسیار بیشتر کنند.
کاربردهای آمار در حوزههای مختلف
۱. بهداشت عمومی: مدلسازی خطرات شیوع، تخمین نرخ انتقال و سنجش اثربخشی واکسن.
۲. ایمنی صنعتی و شغلی: تحلیل فراوانی حوادث، شناسایی عوامل سببی و ارزیابی برنامههای K3.
۳. بیمه: حق بیمه را بر اساس احتمال وقوع خسارت و اندازه خسارت، از جمله خطرات ناشی از بلایای طبیعی، محاسبه میکند.
۴. محیط زیست: پیشبینی خطر سیل، رانش زمین یا خشکسالی بر اساس دادههای اقلیمی.
۵. امنیت سایبری: اندازهگیری احتمال حملات، تشخیص ناهنجاریها و تخمین تأثیر مالی حوادث.
تنوع این کاربردها نشان میدهد که آمار علمی میانرشتهای است: اصول یکسان هستند، اما زمینهها و انواع دادهها متفاوت هستند.
نتیجهگیری: آمار به عنوان زبان عدم قطعیت
آمار در تحلیل ریسک اساساً تلاشی برای کمّیسازی عدم قطعیت است. با استفاده از دادهها، توزیعهای احتمال، استنتاج و شبیهسازی، میتوانیم احتمال یک رویداد و تأثیر آن را تخمین بزنیم و سپس تصمیمات منطقیتری بگیریم. اگرچه آمار نمیتواند ریسک را به طور کامل از بین ببرد، اما به ما کمک میکند تا از تصمیمات مبتنی بر فرض اجتناب کنیم و استراتژیهای کاهش قویتری را توسعه دهیم. در عصر دادههای امروزی، توانایی درک و بهکارگیری آمار فقط یک مزیت فنی نیست، بلکه یک ضرورت برای بقا و پیشرفت در شرایط عدم قطعیت است.
