Ռիսկերի վերլուծության վիճակագրություն
Անորոշությամբ լի աշխարհում՝ շուկայական տատանումներից և կլիմայի փոփոխությունից մինչև առողջապահական ռիսկեր և մատակարարման շղթայի խափանումներ, մեզ անհրաժեշտ է համակարգված միջոց՝ ռիսկերը հասկանալու և կառավարելու համար: Ահա թե որտեղ է վիճակագրությունը խաղում կարևոր դեր: Վիճակագրությունը ավելին է, քան պարզապես բանաձևերի հավաքածու, այլ մեթոդների ամբողջություն՝ տվյալները տեղեկատվության վերածելու համար, որը կարող է օգտագործվել որևէ իրադարձության հավանականությունը գնահատելու, դրա ազդեցությունը չափելու և մեղմացման ռազմավարություններ մշակելու համար: Այս հոդվածը քննարկում է, թե ինչպես է վիճակագրությունն օգտագործվում ռիսկերի վերլուծության մեջ, դրա հիմնական հասկացությունները և դրա կիրառման օրինակներ տարբեր ոլորտներում:
Ռիսկի ըմբռնում. հնարավորություններ և ազդեցություններ
Ընդհանուր առմամբ, ռիսկը կարելի է հասկանալ որպես իրադարձության տեղի ունենալու հավանականության և դրա ազդեցության համադրություն: Օրինակ, որևէ տարածքում ջրհեղեղի ռիսկի վրա ազդում են ջրհեղեղի հաճախականությունը (հավանականություն) և վնասի չափը (ազդեցություն): Վիճակագրությունը մեզ օգնում է չափել ինչպես պատմական տվյալների, մոդելավորման, այնպես էլ եզրակացությունների միջոցով:
Սակայն, ոչ բոլոր ռիսկերն են հեշտությամբ քանակականացվում։ Շատ դեպքերում տվյալները կարող են լինել սահմանափակ, թերի կամ կողմնակալ։ Հետևաբար, ժամանակակից ռիսկերի վերլուծությունը հաճախ համատեղում է դասական վիճակագրությունը հավանականային մոտեցումների, սիմուլյացիայի և մեքենայական ուսուցման հետ՝ ավելի իրատեսական գնահատականներ ստանալու համար։
Տվյալների դերը և դրանց որակը ռիսկերի վերլուծության մեջ
Ռիսկերի վերլուծության ամենահիմնական քայլը համապատասխան տվյալների հավաքագրումն է: Այս տվյալները կարող են ներառել անցյալի իրադարձությունների գրառումներ (օրինակ՝ աշխատավայրում տեղի ունեցած վթարների տվյալներ), պարբերական չափումներ (օրինակ՝ օրական տեղումներ) կամ հարցումների տվյալներ (օրինակ՝ օգտագործողի կողմից անվտանգության կանոնակարգերի պահպանում): Տվյալների որակը որոշում է վերլուծության որակը: Վիճակագրությունը տրամադրում է գործիքներ հետևյալի համար.
1. Տվյալների մաքրում. արտառոց արժեքների, բացակայող արժեքների և անհամապատասխանությունների հայտնաբերում:
2. Տվյալների նկարագրություն (նկարագրական վիճակագրություն). ամփոփում է տվյալները կենտրոնական միտման և բաշխման չափանիշներով։
3. Կողմնակալության գնահատում. օրինակ՝ ընտրության կողմնակալություն հարցման տվյալներում կամ միջադեպերի տվյալներում թերներկայացում:
Առանց լավ տվյալների, ռիսկի մոդելները կարող են պոտենցիալ մոլորեցնող լինել: Հետևաբար, տվյալների աղբյուրների, փոփոխականների սահմանումների և գրանցման մեթոդների ըմբռնումը վերլուծության կարևոր մասն է կազմում:
Կենտրոնացման և ցրման չափումներ. անորոշության չափում
Ռիսկերի վերլուծության մեջ մեզ հազվադեպ է անհրաժեշտ միայն «միջին արժեքը»։ Ավելի կարևոր է տատանումների հասկացումը։ Օրինակ, երկու ներդրումային պորտֆելներ կարող են ունենալ նույն միջին եկամտաբերությունը, բայց տարբեր անկայունության մակարդակներ. ավելի բարձր անկայունություն ունեցող պորտֆելը, որպես կանոն, համարվում է ավելի ռիսկային։
Որոշ հաճախ օգտագործվող վիճակագրական հասկացություններ՝
– Միջին (միջին) արժեք. փոփոխականի սպասվող արժեքի գնահատական։
– Միջնարժեք. օգտակար է, երբ տվյալները խիստ աղավաղված են, օրինակ՝ աղետների պատճառով կորուստների բաշխումը։
– Վարիացիա և ստանդարտ շեղում. չափում են տվյալների տարածումը, հաճախ օգտագործվում են որպես անկայունության ցուցանիշներ։
– Քվարտիլներ և IQR. օգնում են հասկանալ բաշխումը՝ առանց չափազանց մեծ ազդեցության ենթարկվելու արտառոց ցուցանիշներից։
Ռիսկերի կառավարման պրակտիկայում, ստանդարտ շեղման նման չափանիշները հաճախ օգտագործվում են «անկայունությունը» նկարագրելու համար, մինչդեռ միջնարժեքները կամ քվանտիլները օգտագործվում են ավելի պահպանողական սցենարներ նկարագրելու համար։
Հավանականության բաշխումներ. Ռիսկերի մոդելավորման հիմքը
Վիճակագրությունը ներկայացնում է հավանականության բաշխումների հասկացությունը, որոնք հնարավոր արժեքների առաջացման հավանականությունը նկարագրելու եղանակներ են: Ճիշտ բաշխման ընտրությունը կարևոր է, քանի որ այն կազդի ռիսկի գնահատման վրա:
Ռիսկի համատեքստում հաճախ առաջացող որոշ բաշխումներ՝
– Նորմալ բաշխում. հաճախ օգտագործվում է բազմաթիվ փոքր գործոնների արդյունք հանդիսացող երևույթների համար։ Սակայն, ծայրահեղ ռիսկի շատ դեպքերում, նորմալ բաշխումը կարող է թերագնահատել խոշոր իրադարձության հավանականությունը։
– Լոգնորմալ բաշխում. հաճախ օգտագործվում է ֆինանսական կորուստների կամ նախագծի ավարտման ժամանակի համար։
– Պուասոնի բաշխում. հարմար է որոշակի ժամանակահատվածում միջադեպերի քանակը հաշվարկելու համար, օրինակ՝ ամսական վթարների քանակը։
– Էքսպոնենցիալ և Վեյբուլի բաշխումներ. լայնորեն կիրառվում են մեքենաների բաղադրիչների հուսալիության և կյանքի տևողության վերլուծության մեջ։
Բաշխումների միջոցով վերլուծաբանները կարող են հաշվարկել որոշակի շեմից բարձր իրադարձության տեղի ունենալու հավանականությունը, օրինակ՝ մեկ տարվա ընթացքում որոշակի սահմանը գերազանցող վնասի հավանականությունը։
Պարամետրերի գնահատում և եզրակացություն. նմուշից մինչև բազմություն
Հաճախ մենք ունենք տվյալների միայն մեկ նմուշ, այլ ոչ թե ամբողջական հավաքածու։ Վիճակագրական եզրակացությունը մեզ օգնում է եզրակացություններ անել բնակչության մասին՝ հիմնվելով նմուշի վրա։ Ռիսկերի վերլուծության մեջ սա կարևոր է հետևյալի համար՝
– գնահատել մեքենաների խափանումների մակարդակը ստուգման տվյալներից,
– գնահատել վարկային պատմության չկատարման մակարդակները՝ հիմնվելով պարտապանի տվյալների վրա,
– կամ գնահատել ռիսկերի նվազեցման միջամտության արդյունավետությունը։
Վստահության միջակայքերի նման մեթոդները օգնում են ցույց տալ պարամետրի համար հավանական արժեքների մի շարք (օրինակ՝ միջին կորուստ), մինչդեռ վարկածային թեստերը կարող են օգտագործվել երկու մեղմացնող քաղաքականությունները համեմատելու համար. արդյո՞ք նոր քաղաքականությունն իրականում նվազեցնում է միջադեպերի մակարդակը։
Ռիսկի տակ գտնվող արժեքը (VaR) և քվանտիլային ռիսկի չափանիշները
Ֆինանսների ոլորտում ռիսկի չափման տարածված չափանիշներից մեկը ռիսկի արժեքը (VaR) է: VaR-ը պատասխանում է հետևյալ հարցին. «Որքա՞ն է տվյալ վստահության մակարդակում տվյալ ժամանակահատվածում հնարավոր առավելագույն կորուստը»: Օրինակ՝ 1 միլիարդ իռլանդական ռուփի օրական 95% VaR-ը նշանակում է, որ կա 95% վստահություն, որ օրական կորուստը չի գերազանցի 1 միլիարդ իռլանդական ռուփին (չնայած դեռևս կա 5% հավանականություն ավելի մեծ կորստի):
Չնայած VaR-ը լայնորեն կիրառվում է, այն ունի սահմանափակումներ, մասնավորապես՝ պոչային ռիսկի կառավարման հարցում: Հետևաբար, հաճախ օգտագործվում են այլ չափանիշներ, ինչպիսիք են սպասվող պակասորդը (CVaR), որը հաշվի է առնում միջին կորուստը VaR-ից այն կողմ ամենավատ դեպքում:
Այս քվանտիլի հայեցակարգը կիրառելի է նաև այլ ոլորտներում, օրինակ՝ օդի աղտոտվածության անվտանգ սահմանների սահմանման կամ պաշարների սահմանման մեջ՝ ապրանքների սպառման ռիսկը նվազեցնելու համար։
Մոնտե Կառլո սիմուլյացիա. Բարդության դեմ առ դեմ կանգնելը
Երբ համակարգը չափազանց բարդ է վերլուծականորեն վերլուծելու համար, Մոնտե Կառլո մոդելավորումը լուծում է: Այս մեթոդը օգտագործում է մուտքային բաշխումից պատահական նմուշառում՝ բազմաթիվ ելքային սցենարներ ստեղծելու համար: Օրինակ՝
– Գնահատեք նախագծի ուշացումների ռիսկը՝ հիմնվելով յուրաքանչյուր գործունեության տևողության տատանումների վրա։
– Չափում է պորտֆելի կորստի ռիսկը՝ հիմնվելով տարբեր ակտիվների եկամտաբերության անորոշության վրա։
– Կանխատեսել մատակարարման պակասի ռիսկը՝ հիմնվելով պահանջարկի տատանումների և մատակարարման ժամկետների վրա։
Հազարավորից մինչև միլիոնավոր սիմուլյացիաների միջոցով վերլուծաբանները կարող են կառուցել արդյունքների բաշխումներ և գնահատել ծայրահեղ իրադարձությունների հավանականությունը, այլ ոչ թե միայն միջին արժեքները։
Հարաբերակցություն և կախվածություն. Ռիսկերը հազվադեպ են ինքնուրույն լինում
Ռիսկերը հաճախ փոխկապակցված են։ Տնտեսական ճգնաժամը կարող է մեծացնել չվճարման ռիսկը, որն էլ իր հերթին մեծացնում է բանկային իրացվելիության ռիսկը և այլն։ Վիճակագրությունը գործիքներ է տրամադրում փոփոխականների միջև կապերն ուսումնասիրելու համար.
– Համակցում՝ գծային կապեր տեսնելու համար։
– Ռեգրեսիա՝ պատճառահետևանքային փոփոխականների ռիսկի փոփոխականների վրա ազդեցությունը մոդելավորելու համար։
– Կոպուլա (առաջադեմ ռիսկերի վերլուծության մեջ)՝ կախվածությունները մոդելավորելու համար, այդ թվում՝ ճգնաժամի ընթացքում «բաշխման պոչերի» վրա։
Ռիսկերի վերլուծության մեջ տարածված սխալ է ենթադրել, որ փոփոխականները անկախ են։ Սակայն, ծայրահեղ պայմաններում, կորելյացիաները կարող են մեծանալ, ինչը համակցված ռիսկը շատ ավելի մեծ է դարձնում։
Վիճակագրության կիրառությունները տարբեր ոլորտներում
1. Հանրային առողջապահություն. բռնկման ռիսկերի մոդելավորում, փոխանցման մակարդակի գնահատում և պատվաստանյութի արդյունավետության չափում:
2. Արդյունաբերություն և աշխատանքի անվտանգություն. վթարների հաճախականության վերլուծություն, պատճառային գործոնների բացահայտում և K3 ծրագրերի գնահատում:
3. Ապահովագրություն. հաշվարկում է ապահովագրավճարները՝ հիմնվելով պահանջների հավանականության և պահանջի չափի վրա, ներառյալ աղետների ռիսկերը:
4. Շրջակա միջավայր. կլիմայական տվյալների հիման վրա ջրհեղեղների, սողանքների կամ երաշտի ռիսկի կանխատեսում:
5. Կիբերանվտանգություն. հարձակումների հավանականության չափում, անոմալիաների հայտնաբերում և միջադեպերի ֆինանսական ազդեցության գնահատում։
Այս կիրառությունների բազմազանությունը ցույց է տալիս, որ վիճակագրությունը միջառարկայական է. սկզբունքները նույնն են, բայց համատեքստերն ու տվյալների տեսակները տարբեր են։
Եզրակացություն. Վիճակագրությունը որպես անորոշության լեզու
Ռիսկերի վերլուծության մեջ վիճակագրությունը, ըստ էության, անորոշությունը քանակականացնելու փորձ է: Օգտագործելով տվյալներ, հավանականության բաշխումներ, եզրակացություններ և սիմուլյացիա, մենք կարող ենք գնահատել իրադարձության հավանականությունը և դրա ազդեցությունը, ապա կայացնել ավելի ռացիոնալ որոշումներ: Չնայած վիճակագրությունը չի կարող ամբողջությամբ վերացնել ռիսկը, այն օգնում է մեզ խուսափել ենթադրությունների վրա հիմնված որոշումներից և մշակել ավելի ուժեղ մեղմացման ռազմավարություններ: Այսօրվա տվյալների դարաշրջանում վիճակագրությունը հասկանալու և կիրառելու ունակությունը ոչ միայն տեխնիկական առավելություն է, այլև անհրաժեշտություն՝ անորոշ պայմաններում գոյատևելու և բարգավաճելու համար:
