Tölfræði í áhættugreiningu
Í heimi fulls af óvissu — allt frá markaðssveiflum og loftslagsbreytingum til heilsufarsáhættu og truflana í framboðskeðjunni — þurfum við kerfisbundna leið til að skilja og stjórna áhættu. Þetta er þar sem tölfræði gegnir lykilhlutverki. Tölfræði er meira en bara safn formúla, heldur frekar safn aðferða til að umbreyta gögnum í upplýsingar sem hægt er að nota til að meta líkur á atburði, mæla áhrif hans og hanna aðferðir til að draga úr þeim. Þessi grein fjallar um hvernig tölfræði er notuð í áhættugreiningu, lykilhugtök hennar og dæmi um notkun hennar á ýmsum sviðum.
Að skilja áhættu: Tækifæri og áhrif
Almennt má skilja áhættu sem samsetningu af líkum á atburði og áhrifum hans. Til dæmis er hætta á flóðum á svæði háð tíðni flóða (líkindi) og umfangi tjóns (áhrifum). Tölfræði hjálpar okkur að mæla bæði með sögulegum gögnum, líkönum og ályktunum.
Hins vegar er ekki auðvelt að magngreina allar áhættur. Í mörgum tilfellum geta gögn verið takmörkuð, ófullkomin eða skekkt. Þess vegna sameinar nútíma áhættugreining oft hefðbundna tölfræði við líkindafræðilegar aðferðir, hermun og vélanám til að framleiða raunhæfari mat.
Hlutverk gagna og gæði þeirra í áhættugreiningu
Einfaldasta skrefið í áhættugreiningu er að safna viðeigandi gögnum. Þessi gögn geta innihaldið skrár um fyrri atburði (t.d. gögn um vinnuslys), reglubundnar mælingar (t.d. daglega úrkomu) eða kannanagögn (t.d. hvort notendur fylgi öryggisreglum). Gæði gagnanna ákvarða gæði greiningarinnar. Tölfræði veitir verkfæri til að:
1. Gagnahreinsun: að greina útlaga, vantar gildi og ósamræmi.
2. Lýsing gagna (lýsandi tölfræði): dregur saman gögn með mælikvörðum á miðlægri tilhneigingu og dreifingu.
3. Skekkjumat: til dæmis valskekkja í könnunargögnum eða vanmat í atviksgögnum.
Án góðra gagna geta áhættulíkön verið villandi. Þess vegna er skilningur á gagnaheimildum, skilgreiningum á breytum og skráningaraðferðum mikilvægur þáttur í greiningunni.
Mælingar á miðlægni og dreifingu: Mæling á óvissu
Í áhættugreiningu þurfum við sjaldan bara „meðalgildið“. Það sem mikilvægara er að skilja breytileika. Til dæmis geta tvö fjárfestingasöfn haft sömu meðalávöxtun en mismunandi sveiflur; eignasafnið með meiri sveiflur er almennt talið áhættusamara.
Nokkur algeng tölfræðileg hugtök:
– Meðaltal: mat á væntanlegu gildi breytu.
– Miðgildi: gagnlegt þegar gögn eru mjög skekkt, til dæmis dreifing tjóns vegna náttúruhamfara.
– Dreifni og staðalfrávik: mæla dreifingu gagna, oft notuð sem sveifluvísar.
– Fjórðungar og millistigsstuðull: hjálpa til við að skilja dreifinguna án þess að vera of undir áhrifum frá útlægum gildum.
Í áhættustýringu eru mælikvarðar eins og staðalfrávik oft notaðir til að lýsa „sveiflum“ en miðgildi eða fjórðungsgildi eru notuð til að lýsa íhaldssamari aðstæðum.
Líkindadreifingar: Grunnurinn að áhættulíkönum
Tölfræði kynnir hugtakið líkindadreifingar, sem eru leiðir til að lýsa líkum á að möguleg gildi komi fram. Að velja rétta dreifingu er mikilvægt því hún hefur áhrif á áhættumat.
Sumar dreifingar sem koma oft upp í tengslum við áhættu:
– Normaldreifing: oft notuð fyrir fyrirbæri sem eru afleiðing margra smárra þátta. Hins vegar, í mörgum tilfellum mikillar áhættu getur normaldreifing vanmetið líkur á stórum atburði.
– Logranormaldreifing: oft notuð til að lýsa fjárhagslegu tapi eða lokatíma verkefna.
– Poisson-dreifing: hentar til að reikna út fjölda atvika á ákveðnu tímabili, til dæmis fjölda slysa á mánuði.
– Veldisvísis- og Weibull-dreifingar: mikið notaðar í áreiðanleika- og líftímagreiningu vélaíhluta.
Með því að nota dreifingar geta greinendur reiknað út líkurnar á að atburður eigi sér stað yfir ákveðnum þröskuldi, til dæmis líkurnar á að tap fari yfir ákveðin mörk á einu ári.
Mat á breytum og ályktun: Frá úrtaki til þýðis
Oft höfum við aðeins úrtak af gögnum, ekki allt gagnasafnið. Tölfræðilegar ályktanir hjálpa okkur að draga ályktanir um þýðið út frá úrtakinu. Í áhættugreiningu er þetta mikilvægt fyrir:
– meta bilunartíðni véla út frá skoðunargögnum,
– meta vanskilahlutfall lánshæfis út frá gögnum um skuldara,
– eða meta árangur íhlutunar til að draga úr áhættu.
Aðferðir eins og öryggisbil hjálpa til við að gefa til kynna bil sennilegra gilda fyrir breytu (t.d. meðaltap), en tilgátuprófanir geta verið notaðar til að bera saman tvær mótvægisaðgerðir: dregur nýja stefnan í raun úr atvikstíðni?
Áhættuvirði (VaR) og magnbundin áhættumælingar
Í fjármálum er vinsæl mælikvarði á áhættu Value at Risk (VaR). VaR svarar spurningunni: „Hvert er hámarks mögulega tapið við tiltekið öryggisstig yfir tiltekið tímabil?“ Til dæmis þýðir 95% daglegt VaR upp á 1 milljarð IDR að það eru 95% öryggi á því að daglegt tap fari ekki yfir 1 milljarð IDR (þó að enn séu 5% líkur á stærra tapi).
Þótt VaR sé mikið notað hefur það takmarkanir, sérstaklega við að takast á við halaáhættu. Þess vegna eru aðrar mælingar eins og væntanlegt tap (e. Expected Shortfall, CVaR) oft notaðar, sem taka tillit til meðaltaps í versta falli umfram VaR.
Þetta fjórðungshugtak á einnig við á öðrum sviðum, til dæmis við að ákvarða örugg mörk fyrir loftmengun eða setja birgðir til að draga úr hættu á að vörur klárist.
Monte Carlo hermun: Að horfast í augu við flækjustig
Þegar kerfi er of flókið til að greina með greiningu er Monte Carlo hermun lausn. Þessi aðferð notar handahófskennda úrtöku úr inntaksdreifingu til að búa til margar úttakssviðsmyndir. Til dæmis:
– Metið hættuna á töfum á verkefni út frá breytingum á lengd hvers verkefnis.
– Mælir áhættu á tapi eignasafns út frá óvissu um ávöxtun ýmissa eigna.
– Spá fyrir um hættu á framboðsskorti út frá breytingum á eftirspurn og afhendingartíma.
Með þúsundum til milljóna hermuna geta sérfræðingar smíðað dreifingu niðurstaðna og metið líkur á öfgakenndum atburðum, ekki bara meðalgildi.
Fylgni og ósjálfstæði: Áhætta stendur sjaldan ein og sér
Áhætta er oft samtengd. Efnahagskreppa getur aukið hættuna á vanskilum, sem aftur eykur hættuna á lausafé banka og svo framvegis. Tölfræði veitir verkfæri til að rannsaka tengslin milli breyta:
– Fylgni til að sjá línuleg tengsl.
– Aðhvarfsgreining til að líkja eftir áhrifum orsakabreyta á áhættubreytur.
– Kópula (í háþróaðri áhættugreiningu) til að líkja eftir ósjálfstæði, þar á meðal á „hala dreifingarinnar“ í kreppu.
Algeng mistök í áhættugreiningu eru að gera ráð fyrir að breytur séu óháðar. Hins vegar, við öfgakenndar aðstæður, geta fylgnir aukist, sem gerir samanlagða áhættuna mun meiri.
Notkun tölfræði á ýmsum sviðum
1. Lýðheilsa: gerð líkana af áhættu vegna faraldurs, mat á smittíðni og mæling á virkni bóluefna.
2. Iðnaður og vinnuvernd: greining á tíðni slysa, greining á orsakaþáttum og mat á K3-áætlunum.
3. Tryggingar: reiknar iðgjöld út frá líkum á tjónum og stærð tjónsins, þar með talið áhættu vegna hamfara.
4. Umhverfi: að spá fyrir um hættu á flóðum, skriðum eða þurrki út frá loftslagsgögnum.
5. Netöryggi: að mæla líkur á árásum, greina frávik og meta fjárhagsleg áhrif atvika.
Fjölbreytileiki þessara notkunarmöguleika sýnir að tölfræði er þverfagleg: meginreglurnar eru þær sömu, en samhengið og gerðir gagna eru ólíkar.
Niðurstaða: Tölfræði sem tungumál óvissunnar
Tölfræði í áhættugreiningu er í raun tilraun til að magngreina óvissu. Með því að nota gögn, líkindadreifingu, ályktanir og hermun getum við metið líkur á atburði og áhrif hans og síðan tekið skynsamlegri ákvarðanir. Þó að tölfræði geti ekki útrýmt áhættu að fullu, hjálpar hún okkur að forðast ákvarðanir byggðar á forsendum og þróa sterkari aðferðir til að draga úr áhættu. Í nútíma gagnaöld er hæfni til að skilja og beita tölfræði ekki bara tæknilegur kostur, heldur nauðsyn til að lifa af og dafna við óvissar aðstæður.
