जोखिम विश्लेषणमा तथ्याङ्कहरू

जोखिम विश्लेषणमा तथ्याङ्कहरू

बजारको उतारचढाव र जलवायु परिवर्तनदेखि स्वास्थ्य जोखिम र आपूर्ति शृङ्खला अवरोधसम्म - अनिश्चितताले भरिएको संसारमा हामीलाई जोखिम बुझ्न र व्यवस्थापन गर्न व्यवस्थित तरिका चाहिन्छ। यो त्यहीं हो जहाँ तथ्याङ्कले महत्त्वपूर्ण भूमिका खेल्छ। तथ्याङ्क भनेको सूत्रहरूको संग्रह मात्र होइन, बरु डेटालाई जानकारीमा रूपान्तरण गर्ने विधिहरूको सेट हो जुन घटनाको सम्भावना अनुमान गर्न, यसको प्रभाव मापन गर्न र न्यूनीकरण रणनीतिहरू डिजाइन गर्न प्रयोग गर्न सकिन्छ। यस लेखले जोखिम विश्लेषणमा तथ्याङ्क कसरी प्रयोग गरिन्छ, यसको मुख्य अवधारणाहरू, र विभिन्न क्षेत्रहरूमा यसको प्रयोगका उदाहरणहरू छलफल गर्दछ।

जोखिम बुझ्ने: अवसर र प्रभावहरू

सामान्यतया, जोखिमलाई घटना हुने सम्भावना र त्यसको प्रभावको संयोजनको रूपमा बुझ्न सकिन्छ। उदाहरणका लागि, कुनै क्षेत्रमा बाढीको जोखिम बाढीको आवृत्ति (सम्भाव्यता) र क्षतिको मात्रा (प्रभाव) बाट प्रभावित हुन्छ। तथ्याङ्कले हामीलाई ऐतिहासिक डेटा, मोडेलिङ र अनुमान दुवै मार्फत मापन गर्न मद्दत गर्दछ।

यद्यपि, सबै जोखिमहरू सजिलै परिमाण गर्न सकिँदैन। धेरै अवस्थामा, डेटा सीमित, अपूर्ण, वा पक्षपाती हुन सक्छ। त्यसकारण, आधुनिक जोखिम विश्लेषणले प्रायः शास्त्रीय तथ्याङ्कहरूलाई सम्भाव्य दृष्टिकोण, सिमुलेशन, र मेसिन लर्निङसँग संयोजन गर्दछ ताकि थप यथार्थपरक अनुमानहरू उत्पादन गर्न सकियोस्।

जोखिम विश्लेषणमा डेटाको भूमिका र यसको गुणस्तर

जोखिम विश्लेषणको सबैभन्दा आधारभूत चरण भनेको सान्दर्भिक डेटा सङ्कलन गर्नु हो। यस डेटामा विगतका घटनाहरूको रेकर्ड (जस्तै, कार्यस्थल दुर्घटना डेटा), आवधिक मापन (जस्तै, दैनिक वर्षा), वा सर्वेक्षण डेटा (जस्तै, सुरक्षा प्रोटोकलहरूसँग प्रयोगकर्ता अनुपालन) समावेश हुन सक्छ। डेटाको गुणस्तरले विश्लेषणको गुणस्तर निर्धारण गर्दछ। तथ्याङ्कले निम्नका लागि उपकरणहरू प्रदान गर्दछ:

१. डेटा सफाई: बाहिरी तत्वहरू, छुटेका मानहरू, र असंगतिहरू पत्ता लगाउने।
२. डेटा विवरण (वर्णनात्मक तथ्याङ्क): केन्द्रीय प्रवृत्ति र वितरणको मापन सहित डेटाको सारांश दिन्छ।
३. पूर्वाग्रह मूल्याङ्कन: उदाहरणका लागि सर्वेक्षण डेटामा चयन पूर्वाग्रह वा घटना डेटामा कम रिपोर्टिङ।

राम्रो डेटा बिना, जोखिम मोडेलहरू सम्भावित रूपमा भ्रामक हुन सक्छन्। त्यसैले, डेटा स्रोतहरू, चर परिभाषाहरू, र रेकर्डिङ विधिहरू बुझ्नु विश्लेषणको एक महत्त्वपूर्ण भाग हो।

केन्द्रीयता र फैलावटका उपायहरू: अनिश्चितता मापन गर्ने

जोखिम विश्लेषणमा, हामीलाई "औसत मूल्य" मात्र कम मात्र चाहिन्छ। सबैभन्दा महत्त्वपूर्ण कुरा भनेको भिन्नता बुझ्नु हो। उदाहरणका लागि, दुई लगानी पोर्टफोलियोहरूमा समान औसत प्रतिफल हुन सक्छ तर अस्थिरताको स्तर फरक हुन सक्छ; उच्च अस्थिरता भएको पोर्टफोलियोलाई सामान्यतया जोखिमपूर्ण मानिन्छ।

केही सामान्य रूपमा प्रयोग हुने तथ्याङ्कीय अवधारणाहरू:

– औसत (औसत): चरको अपेक्षित मानको अनुमान।
– मध्यक: तथ्याङ्क अत्यधिक विकृत हुँदा उपयोगी, उदाहरणका लागि प्रकोपका कारण हुने क्षतिको वितरण।
- भिन्नता र मानक विचलन: डेटाको फैलावट मापन गर्नुहोस्, जुन प्रायः अस्थिरता सूचकहरूको रूपमा प्रयोग गरिन्छ।
- चतुर्थक र IQR: आउटलियरहरूबाट धेरै प्रभावित नभई वितरण बुझ्न मद्दत गर्नुहोस्।

जोखिम व्यवस्थापन अभ्यासमा, मानक विचलन जस्ता मापनहरू प्रायः "अस्थिरता" वर्णन गर्न प्रयोग गरिन्छ, जबकि मध्यस्थ वा परिमाणहरू अधिक रूढिवादी परिदृश्यहरू वर्णन गर्न प्रयोग गरिन्छ।

सम्भाव्यता वितरण: जोखिम मोडेलिङको जग

तथ्याङ्कले सम्भाव्यता वितरणको अवधारणा प्रस्तुत गर्दछ, जुन सम्भावित मानहरू हुने सम्भावना वर्णन गर्ने तरिकाहरू हुन्। सही वितरण छनौट गर्नु महत्त्वपूर्ण छ किनभने यसले जोखिम अनुमानलाई असर गर्नेछ।

जोखिमको सन्दर्भमा बारम्बार उत्पन्न हुने केही वितरणहरू:

– सामान्य वितरण: प्रायः धेरै साना कारकहरूको परिणामस्वरूप हुने घटनाहरूको लागि प्रयोग गरिन्छ। यद्यपि, चरम जोखिमका धेरै अवस्थामा, सामान्य वितरणले प्रमुख घटनाको सम्भावनालाई कम आँकलन गर्न सक्छ।
- लगनर्मल वितरण: प्रायः वित्तीय घाटा वा परियोजना पूरा हुने समयको लागि प्रयोग गरिन्छ।
- पोइसन वितरण: निश्चित अवधिमा घटनाहरूको संख्या गणना गर्न उपयुक्त, उदाहरणका लागि प्रति महिना दुर्घटनाहरूको संख्या।
- घातांकीय र वेबुल वितरण: मेसिन कम्पोनेन्टहरूको विश्वसनीयता र जीवन विश्लेषणमा व्यापक रूपमा प्रयोग गरिन्छ।

वितरण प्रयोग गरेर, विश्लेषकहरूले निश्चित सीमाभन्दा माथि हुने घटनाको सम्भाव्यता गणना गर्न सक्छन्, उदाहरणका लागि एक वर्षमा निश्चित सीमाभन्दा बढी नोक्सान हुने सम्भावना।

प्यारामिटर अनुमान र अनुमान: नमूना देखि जनसंख्या सम्म

प्रायः हामीसँग डेटाको नमूना मात्र हुन्छ, पूर्ण सेट हुँदैन। तथ्याङ्कीय अनुमानले हामीलाई नमूनाको आधारमा जनसंख्याको बारेमा निष्कर्ष निकाल्न मद्दत गर्छ। जोखिम विश्लेषणमा, यो निम्नका लागि महत्त्वपूर्ण छ:

- निरीक्षण डेटाबाट मेसिन विफलता दर अनुमान गर्नुहोस्,
- ऋणी डेटाबाट क्रेडिट पूर्वनिर्धारित दरहरू अनुमान गर्नुहोस्,
- वा जोखिम न्यूनीकरण हस्तक्षेपको प्रभावकारिताको मूल्याङ्कन गर्नुहोस्।

आत्मविश्वास अन्तराल जस्ता विधिहरूले प्यारामिटर (जस्तै, औसत हानि) को लागि प्रशंसनीय मानहरूको दायरा संकेत गर्न मद्दत गर्दछ, जबकि परिकल्पना परीक्षणहरू दुई न्यूनीकरण नीतिहरूको तुलना गर्न प्रयोग गर्न सकिन्छ: के नयाँ नीतिले वास्तवमा घटना दर घटाउँछ?

जोखिममा मूल्य (VaR) र मात्रात्मक जोखिम मापनहरू

वित्तमा, जोखिमको एउटा लोकप्रिय मापन भनेको जोखिममा मूल्य (VaR) हो। VaR ले यो प्रश्नको जवाफ दिन्छ: "दिइएको अवधिमा दिइएको विश्वास स्तरमा अधिकतम सम्भावित घाटा कति हो?" उदाहरणका लागि, IDR १ अर्बको ९५% दैनिक VAR को अर्थ दैनिक घाटा IDR १ अर्ब भन्दा बढी हुने छैन भन्ने ९५% विश्वास छ (यद्यपि अझै पनि ठूलो घाटा हुने सम्भावना ५% छ)।

यद्यपि VaR व्यापक रूपमा प्रयोग गरिन्छ, यसको सीमितताहरू छन्, विशेष गरी पुच्छर जोखिमलाई सम्बोधन गर्ने सन्दर्भमा। त्यसकारण, अपेक्षित कमी (CVaR) जस्ता अन्य उपायहरू प्रायः प्रयोग गरिन्छ, जसले VaR भन्दा बाहिरको सबैभन्दा खराब अवस्थामा औसत नोक्सानको लागि जिम्मेवार हुन्छ।

यो क्वान्टाइल अवधारणा अन्य क्षेत्रहरूमा पनि सान्दर्भिक छ, उदाहरणका लागि वायु प्रदूषणको लागि सुरक्षित सीमा निर्धारण गर्ने वा सामान सकिन सक्ने जोखिम कम गर्न स्टक रिजर्भ सेट गर्ने।

मोन्टे कार्लो सिमुलेशन: जटिलताको सामना गर्दै

जब कुनै प्रणाली विश्लेषणात्मक रूपमा विश्लेषण गर्न धेरै जटिल हुन्छ, मोन्टे कार्लो सिमुलेशन एक समाधान हो। यो विधिले धेरै आउटपुट परिदृश्यहरू उत्पन्न गर्न इनपुट वितरणबाट अनियमित नमूना प्रयोग गर्दछ। उदाहरणका लागि:

- प्रत्येक गतिविधिको अवधिमा भिन्नताहरूको आधारमा परियोजना ढिलाइको जोखिम अनुमान गर्नुहोस्।
- विभिन्न सम्पत्तिहरूमा प्रतिफलको अनिश्चितताको आधारमा पोर्टफोलियो नोक्सानको जोखिम मापन गर्दछ।
- माग र लिड टाइममा भिन्नताका आधारमा आपूर्ति अभावको जोखिमको भविष्यवाणी गर्नुहोस्।

हजारौंदेखि लाखौं सिमुलेशनहरूको साथ, विश्लेषकहरूले परिणामहरूको वितरण निर्माण गर्न सक्छन् र औसत मानहरू मात्र नभई चरम घटनाहरूको सम्भावनाको मूल्याङ्कन गर्न सक्छन्।

सहसम्बन्ध र निर्भरता: जोखिमहरू विरलै एक्लै हुन्छन्

जोखिमहरू प्रायः अन्तरसम्बन्धित हुन्छन्। आर्थिक संकटले डिफल्टको जोखिम बढाउन सक्छ, जसले गर्दा बैंक तरलताको जोखिम बढ्छ, र यस्तै। तथ्याङ्कले चरहरू बीचको सम्बन्ध अध्ययन गर्न उपकरणहरू प्रदान गर्दछ:

- रेखीय सम्बन्धहरू हेर्न सहसम्बन्ध।
- जोखिम चरहरूमा कारणात्मक चरहरूको प्रभाव मोडेल गर्न प्रतिगमन।
- संकटको समयमा "वितरणको पुच्छर" सहित निर्भरताहरू मोडेल गर्न कोपुला (उन्नत जोखिम विश्लेषणमा)।

जोखिम विश्लेषणमा एउटा सामान्य गल्ती भनेको चरहरू स्वतन्त्र छन् भनी मान्नु हो। यद्यपि, चरम परिस्थितिहरूमा, सहसम्बन्ध बढ्न सक्छ, जसले गर्दा संयुक्त जोखिम धेरै ठूलो हुन्छ।

विभिन्न क्षेत्रहरूमा तथ्याङ्कको प्रयोग

१. जनस्वास्थ्य: प्रकोप जोखिमहरूको मोडेलिङ, प्रसारण दर अनुमान, र खोपको प्रभावकारिता मापन।
२. उद्योग र पेशागत सुरक्षा: दुर्घटना आवृत्तिको विश्लेषण, कारण कारकहरू पहिचान गर्ने, र K3 कार्यक्रमहरूको मूल्याङ्कन गर्ने।
३. बीमा: दावीको सम्भाव्यता र दावीको आकार, विपद् जोखिम सहितको आधारमा प्रिमियम गणना गर्दछ।
४. वातावरण: जलवायु सम्बन्धी तथ्याङ्कको आधारमा बाढी, पहिरो वा खडेरीको जोखिमको भविष्यवाणी गर्ने।
५. साइबर सुरक्षा: आक्रमणको सम्भाव्यता मापन गर्ने, विसंगतिहरू पत्ता लगाउने, र घटनाहरूको आर्थिक प्रभावको अनुमान गर्ने।

यी अनुप्रयोगहरूको विविधताले तथ्याङ्क अन्तरविषय हो भनेर देखाउँछ: सिद्धान्तहरू समान छन्, तर सन्दर्भ र डेटाका प्रकारहरू फरक छन्।

निष्कर्ष: अनिश्चितताको भाषाको रूपमा तथ्याङ्क

जोखिम विश्लेषणमा तथ्याङ्क भनेको अनिवार्य रूपमा अनिश्चितताको परिमाण निर्धारण गर्ने प्रयास हो। डेटा, सम्भाव्यता वितरण, अनुमान र सिमुलेशन प्रयोग गरेर, हामी घटनाको सम्भावना र यसको प्रभाव अनुमान गर्न सक्छौं, र त्यसपछि थप तर्कसंगत निर्णयहरू लिन सक्छौं। तथ्याङ्कले जोखिमलाई पूर्ण रूपमा हटाउन सक्दैन, यसले हामीलाई अनुमानमा आधारित निर्णयहरूबाट बच्न र बलियो न्यूनीकरण रणनीतिहरू विकास गर्न मद्दत गर्दछ। आजको डेटा युगमा, तथ्याङ्कहरू बुझ्ने र लागू गर्ने क्षमता केवल एक प्राविधिक फाइदा मात्र होइन, तर अनिश्चित परिस्थितिहरूमा बाँच्न र फस्टाउनको लागि एक आवश्यकता हो।