خطرے کے تجزیہ میں اعداد و شمار
غیر یقینی صورتحال سے بھری دنیا میں—مارکیٹ کے اتار چڑھاؤ اور موسمیاتی تبدیلی سے لے کر صحت کے خطرات اور سپلائی چین میں رکاوٹیں—ہمیں خطرے کو سمجھنے اور ان کا انتظام کرنے کے لیے ایک منظم طریقے کی ضرورت ہے۔ یہ وہ جگہ ہے جہاں شماریات ایک اہم کردار ادا کرتی ہے۔ اعداد و شمار صرف فارمولوں کے مجموعے سے زیادہ ہیں، بلکہ اعداد و شمار کو معلومات میں تبدیل کرنے کے طریقوں کا ایک مجموعہ ہے جو کسی واقعہ کے امکان کا اندازہ لگانے، اس کے اثرات کی پیمائش کرنے اور تخفیف کی حکمت عملیوں کو ڈیزائن کرنے کے لیے استعمال کیا جا سکتا ہے۔ یہ مضمون اس بات پر بحث کرتا ہے کہ کس طرح اعدادوشمار کو خطرے کے تجزیہ میں استعمال کیا جاتا ہے، اس کے کلیدی تصورات، اور مختلف شعبوں میں اس کے اطلاق کی مثالیں۔
خطرے کو سمجھنا: مواقع اور اثرات
عام طور پر، خطرے کو کسی واقعہ کے پیش آنے کے امکان اور اس کے اثرات کے مجموعہ کے طور پر سمجھا جا سکتا ہے۔ مثال کے طور پر، کسی علاقے میں سیلاب کا خطرہ سیلاب کی تعدد (امکان) اور نقصان کی حد (اثر) سے متاثر ہوتا ہے۔ اعداد و شمار تاریخی ڈیٹا، ماڈلنگ اور تخمینہ دونوں کے ذریعے پیمائش کرنے میں ہماری مدد کرتے ہیں۔
تاہم، تمام خطرات کو آسانی سے درست نہیں کیا جاتا ہے۔ بہت سے معاملات میں، ڈیٹا محدود، نامکمل، یا متعصب ہو سکتا ہے۔ لہذا، جدید خطرے کا تجزیہ اکثر کلاسیکی اعدادوشمار کو احتمالی نقطہ نظر، تخروپن، اور مشین لرننگ کے ساتھ جوڑتا ہے تاکہ زیادہ حقیقت پسندانہ تخمینہ لگایا جا سکے۔
خطرے کے تجزیہ میں ڈیٹا اور اس کے معیار کا کردار
خطرے کے تجزیہ کا سب سے بنیادی مرحلہ متعلقہ ڈیٹا اکٹھا کرنا ہے۔ اس ڈیٹا میں ماضی کے واقعات کے ریکارڈز (مثلاً، کام کی جگہ پر ہونے والے حادثات کا ڈیٹا)، متواتر پیمائشیں (مثلاً، روزانہ کی بارش)، یا سروے کا ڈیٹا (مثلاً، حفاظتی پروٹوکول کے ساتھ صارف کی تعمیل) شامل ہو سکتا ہے۔ ڈیٹا کا معیار تجزیہ کے معیار کا تعین کرتا ہے۔ شماریات اس کے لیے ٹولز فراہم کرتا ہے:
1. ڈیٹا کی صفائی: آؤٹ لیرز، گمشدہ اقدار، اور تضادات کا پتہ لگانا۔
2. ڈیٹا کی تفصیل (وضاحتی اعدادوشمار): مرکزی رجحان اور تقسیم کے اقدامات کے ساتھ ڈیٹا کا خلاصہ کرتا ہے۔
3. تعصب کی تشخیص: مثال کے طور پر سروے کے اعداد و شمار میں انتخاب کا تعصب یا واقعے کے ڈیٹا میں کم رپورٹنگ۔
اچھے ڈیٹا کے بغیر، خطرے کے ماڈل ممکنہ طور پر گمراہ کن ہو سکتے ہیں۔ لہذا، ڈیٹا کے ذرائع، متغیر تعریف، اور ریکارڈنگ کے طریقوں کو سمجھنا تجزیہ کا ایک اہم حصہ ہے۔
مرکزیت اور بازی کے اقدامات: غیر یقینی صورتحال کی پیمائش
خطرے کے تجزیہ میں، ہمیں شاذ و نادر ہی صرف "اوسط قدر" کی ضرورت ہوتی ہے۔ جو چیز زیادہ اہم ہے وہ تغیر کو سمجھنا ہے۔ مثال کے طور پر، دو سرمایہ کاری کے محکموں میں ایک ہی اوسط واپسی ہو سکتی ہے لیکن اتار چڑھاؤ کی مختلف سطحیں۔ زیادہ اتار چڑھاؤ والا پورٹ فولیو عام طور پر خطرناک سمجھا جاتا ہے۔
کچھ عام طور پر استعمال ہونے والے شماریاتی تصورات:
- اوسط (اوسط): متغیر کی متوقع قدر کا تخمینہ۔
- میڈین: مفید ہے جب ڈیٹا بہت زیادہ ترچھا ہو، مثال کے طور پر آفات کی وجہ سے ہونے والے نقصانات کی تقسیم۔
- تغیر اور معیاری انحراف: ڈیٹا کے پھیلاؤ کی پیمائش کریں، جو اکثر اتار چڑھاؤ کے اشارے کے طور پر استعمال ہوتے ہیں۔
- کوارٹائل اور آئی کیو آر: آؤٹ لیرز سے زیادہ متاثر ہوئے بغیر تقسیم کو سمجھنے میں مدد کریں۔
رسک مینجمنٹ پریکٹس میں، معیاری انحراف جیسے اقدامات کا استعمال اکثر "اتارتاتا" کو بیان کرنے کے لیے کیا جاتا ہے، جب کہ زیادہ قدامت پسند منظرناموں کو بیان کرنے کے لیے میڈین یا کوانٹائل استعمال کیے جاتے ہیں۔
امکانی تقسیم: رسک ماڈلنگ کی بنیاد
اعداد و شمار امکانات کی تقسیم کے تصور کو متعارف کراتے ہیں، جو ممکنہ قدروں کے ہونے کے امکانات کو بیان کرنے کے طریقے ہیں۔ صحیح تقسیم کا انتخاب بہت ضروری ہے کیونکہ یہ خطرے کے تخمینے کو متاثر کرے گا۔
کچھ تقسیمیں جو اکثر خطرے کے تناظر میں پیدا ہوتی ہیں:
- عام تقسیم: اکثر ایسے مظاہر کے لیے استعمال کیا جاتا ہے جو بہت سے چھوٹے عوامل کا نتیجہ ہوتے ہیں۔ تاہم، انتہائی خطرے کے بہت سے معاملات میں، عام تقسیم کسی بڑے واقعے کے امکان کو کم کر سکتی ہے۔
- غیر معمولی تقسیم: اکثر مالی نقصانات یا پروجیکٹ کی تکمیل کے وقت کے لیے استعمال ہوتا ہے۔
- زہر کی تقسیم: ایک خاص مدت میں واقعات کی تعداد کا حساب لگانے کے لیے موزوں، مثال کے طور پر ہر ماہ حادثات کی تعداد۔
- ایکسپونینشل اور ویبل ڈسٹری بیوشنز: بڑے پیمانے پر مشین کے اجزاء کی وشوسنییتا اور زندگی کے تجزیہ میں استعمال ہوتا ہے۔
تقسیم کا استعمال کرتے ہوئے، تجزیہ کار ایک مخصوص حد سے اوپر واقع ہونے والے واقعہ کے امکان کا حساب لگا سکتے ہیں، مثال کے طور پر ایک سال میں ایک خاص حد سے زیادہ نقصان کا امکان۔
پیرامیٹر کا تخمینہ اور اندازہ: نمونہ سے آبادی تک
اکثر ہمارے پاس ڈیٹا کا صرف نمونہ ہوتا ہے، مکمل سیٹ نہیں۔ شماریاتی تخمینہ نمونے کی بنیاد پر آبادی کے بارے میں نتیجہ اخذ کرنے میں ہماری مدد کرتا ہے۔ خطرے کے تجزیہ میں، یہ اس کے لیے اہم ہے:
- معائنہ کے اعداد و شمار سے مشین کی ناکامی کی شرح کا اندازہ لگانا،
- مقروض کے ڈیٹا سے کریڈٹ ڈیفالٹ کی شرح کا تخمینہ لگانا،
- یا خطرے میں کمی کی مداخلت کی تاثیر کا اندازہ لگانا۔
اعتماد کے وقفے جیسے طریقے پیرامیٹر کے لیے قابل فہم اقدار کی ایک حد کی نشاندہی کرنے میں مدد کرتے ہیں (مثلاً، نقصان کا مطلب)، جب کہ مفروضے کے ٹیسٹ کو تخفیف کی دو پالیسیوں کا موازنہ کرنے کے لیے استعمال کیا جا سکتا ہے: کیا نئی پالیسی حقیقت میں واقعے کی شرح کو کم کرتی ہے؟
خطرے پر قدر (VaR) اور کوانٹائل رسک کے اقدامات
مالیات میں، خطرے کا ایک مقبول پیمانہ ویلیو ایٹ رسک (VaR) ہے۔ VaR سوال کا جواب دیتا ہے: "دی گئی مدت کے دوران اعتماد کی سطح پر زیادہ سے زیادہ ممکنہ نقصان کیا ہے؟" مثال کے طور پر، IDR 1 بلین کا 95% یومیہ VaR کا مطلب ہے کہ 95% یقین ہے کہ یومیہ نقصان IDR 1 بلین سے زیادہ نہیں ہوگا (حالانکہ اب بھی بڑے نقصان کا 5% امکان ہے)۔
اگرچہ VaR بڑے پیمانے پر استعمال کیا جاتا ہے، اس کی حدود ہیں، خاص طور پر دم کے خطرے سے نمٹنے میں۔ لہذا، دیگر اقدامات جیسے کہ متوقع شارٹ فال (CVaR) اکثر استعمال کیے جاتے ہیں، جو VaR سے آگے بدترین صورت حال میں اوسط نقصان کا سبب بنتے ہیں۔
یہ کوانٹائل تصور دوسرے شعبوں میں بھی متعلقہ ہے، مثال کے طور پر فضائی آلودگی کے لیے محفوظ حدود کا تعین کرنا یا سامان کے ختم ہونے کے خطرے کو کم کرنے کے لیے اسٹاک کے ذخائر کا تعین کرنا۔
مونٹی کارلو تخروپن: پیچیدگی کا سامنا
جب کوئی نظام تجزیاتی طور پر تجزیہ کرنے کے لیے بہت پیچیدہ ہو، تو مونٹی کارلو سمولیشن ایک حل ہے۔ یہ طریقہ متعدد آؤٹ پٹ منظرنامے تیار کرنے کے لیے ان پٹ تقسیم سے بے ترتیب نمونے لینے کا استعمال کرتا ہے۔ مثال کے طور پر:
- ہر سرگرمی کے دورانیے میں تغیرات کی بنیاد پر پروجیکٹ میں تاخیر کے خطرے کا اندازہ لگائیں۔
- مختلف اثاثوں پر منافع کی غیر یقینی صورتحال کی بنیاد پر پورٹ فولیو کے نقصان کے خطرے کی پیمائش کرتا ہے۔
- طلب اور لیڈ ٹائم میں تغیرات کی بنیاد پر سپلائی کی کمی کے خطرے کی پیش گوئی کریں۔
ہزاروں سے لاکھوں نقالی کے ساتھ، تجزیہ کار نتائج کی تقسیم تشکیل دے سکتے ہیں اور انتہائی واقعات کے امکان کا اندازہ لگا سکتے ہیں، نہ کہ اوسط اقدار۔
ارتباط اور انحصار: خطرات شاذ و نادر ہی اکیلے کھڑے ہوتے ہیں۔
خطرات اکثر باہم منسلک ہوتے ہیں۔ معاشی بحران ڈیفالٹ کے خطرے کو بڑھا سکتا ہے، جس کے نتیجے میں بینک کی لیکویڈیٹی کا خطرہ بڑھ جاتا ہے، وغیرہ۔ اعداد و شمار متغیر کے درمیان تعلقات کا مطالعہ کرنے کے لیے اوزار فراہم کرتے ہیں:
- لکیری تعلقات کو دیکھنے کے لئے ارتباط۔
- رسک متغیرات پر causal variables کے اثرات کو ماڈل کرنے کے لیے رجعت۔
- بحران کے دوران "تقسیم کی دم" سمیت انحصار کو ماڈل بنانے کے لیے کوپولا (اعلی درجے کے خطرے کے تجزیے میں)۔
خطرے کے تجزیے میں ایک عام غلطی یہ فرض کرنا ہے کہ متغیرات آزاد ہیں۔ تاہم، انتہائی حالات میں، باہمی تعلق بڑھ سکتا ہے، جس سے مشترکہ خطرہ بہت زیادہ ہو جاتا ہے۔
مختلف ڈومینز میں شماریات کی درخواستیں۔
1. صحت عامہ: پھیلنے کے خطرات کی ماڈلنگ، ٹرانسمیشن کی شرح کا تخمینہ لگانا، اور ویکسین کی تاثیر کی پیمائش۔
2. صنعت اور پیشہ ورانہ حفاظت: حادثے کی فریکوئنسی کا تجزیہ کرنا، وجوہات کی نشاندہی کرنا، اور K3 پروگراموں کا جائزہ لینا۔
3. انشورنس: دعووں کے امکان اور دعوے کے سائز کی بنیاد پر پریمیم کا حساب لگاتا ہے، بشمول آفات کے خطرات۔
4. ماحولیات: موسمیاتی ڈیٹا کی بنیاد پر سیلاب، لینڈ سلائیڈنگ، یا خشک سالی کے خطرے کی پیش گوئی کرنا۔
5. سائبر سیکیورٹی: حملوں کے امکانات کی پیمائش، بے ضابطگیوں کا پتہ لگانا، اور واقعات کے مالی اثرات کا اندازہ لگانا۔
ان ایپلی کیشنز کا تنوع ظاہر کرتا ہے کہ اعداد و شمار بین الضابطہ ہیں: اصول ایک جیسے ہیں، لیکن اعداد و شمار کے سیاق و سباق اور اقسام مختلف ہیں۔
نتیجہ: غیر یقینی صورتحال کی زبان کے طور پر شماریات
خطرے کے تجزیے میں اعدادوشمار بنیادی طور پر غیر یقینی صورتحال کو کم کرنے کی ایک کوشش ہے۔ ڈیٹا، امکانی تقسیم، تخمینہ، اور تخروپن کا استعمال کرتے ہوئے، ہم کسی واقعہ اور اس کے اثرات کے امکان کا اندازہ لگا سکتے ہیں، اور پھر زیادہ عقلی فیصلے کر سکتے ہیں۔ اگرچہ اعدادوشمار خطرے کو مکمل طور پر ختم نہیں کر سکتے، لیکن یہ ہمیں مفروضے پر مبنی فیصلوں سے بچنے اور تخفیف کی مضبوط حکمت عملی تیار کرنے میں مدد کرتا ہے۔ آج کے ڈیٹا کے دور میں، اعداد و شمار کو سمجھنے اور لاگو کرنے کی صلاحیت صرف ایک تکنیکی فائدہ نہیں ہے، بلکہ غیر یقینی حالات میں زندہ رہنے اور پھلنے پھولنے کی ضرورت ہے۔
