С. Г. Митрошин Пензенская государственная технологическая академия

Вид материала

Анализ

Содержание Аналитические методы Анализ чувствительности Метод сценариев Статистические методы Дерево решений Data Mining

Подобный материал:

• Пензенская государственная технологическая академия, 80.87kb.
• Пензенская государственная технологическая академия, 81.78kb.
• А. Н. Серёдкин Пензенская государственная технологическая академия, 45.64kb.
• История развития электроники, 427.55kb.
• Производственная практика, 420.06kb.
• Федеральное агентство по рыболовству правительство калининградской области балтийская, 39.6kb.
• Предпринимательская деятельность организаций потребительской кооперации: теория, методология,, 506.31kb.
• Резиновая промышленность сырьё материалы технология 14-18 мая 2001, 867.34kb.
• Эффективность функционирования промышленного предприятия с участием иностранного капитала:, 352.04kb.
• Общественное самосознание в динамике современной жизни 09. 00. 11 Социальная философия, 235.99kb.

Митрошин С.Г. Сравнительный анализ методов оценки риска. // Проблемы информатики в образовании, управлении, экономике и технике: Сб. статей Междунар. научно-техн. конф.– Пенза: ПДЗ, 2010. – С. 208-210.


СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ОЦЕНКИ РИСКА

С.Г. Митрошин

Пензенская государственная технологическая академия,
г. Пенза, Россия

Рассматриваются методы оценки рисков, используемые в риск-менеджменте производственной и финансово-хозяйственной деятельности.


Mitrishin S.G. Comparative analysis of methods of risk assessment. Methods of risk assessment used in risk-management of productive and financial-economic activity are taken into consideration.


Оценка уровня риска является одной из важнейших задач риск-ме-неджмента, поскольку следует прогнозировать возможные свершения событий, которые могут негативно повлиять на производственную деятельность.

Задачей качественного анализа риска является выявление источников и причин риска, этапов и работ, при выполнении которых возникает риск. Основная цель данного этапа оценки – выявить основные виды рисков, влияющих на финансово-хозяйственную деятельность [1].

На этапе количественного анализа риска вычисляются числовые значения вероятности наступления рисковых событий и объема вызванного ими ущерба или выгоды. Количественный анализ можно формализовать, для чего используется инструментарий теории вероятностей, математической статистики, теории исследования операций. Наиболее распространенными методами количественного анализа риска являются статистические, аналитические методы, метод экспертных оценок и метод аналогов.

Аналитические методы позволяют определить вероятность возникновения потерь на основе математических моделей и используются в основном для анализа риска инвестиционных проектов; к ним относятся метод анализа чувствительности и метод сценариев.

Анализ чувствительности выполняется путем «последовательно-единичного» изменения каждой переменной (после изменения значения одной из переменных вычисляется новое значение исследуемого показателя, например, NPV или IRR) [2]. Метод хорошо иллюстрирует влияние отдельных исходных факторов на конечный результат проекта. Главный недостаток метода – возможность анализа влияния отдельного фактора на результат, тогда как на практике все экономические факторы в той или иной степени коррелированны, поэтому применение данного метода на практике как самостоятельного инструмента анализа риска весьма ограничено, если вообще возможно [3].

Метод сценариев является развитием методики анализа чувствительности проекта; он выполняет одновременное непротиворечивое (реалистическое) изменение всех переменных [2], что позволяет получать достаточно наглядную картину для различных вариантов реализации проектов. Применение специализированных программных средств позволяет значительно повысить эффективность подобного анализа путем практически неограниченного увеличения числа сценариев и введения дополнительных переменных.

Статистические методы оценки риска определяют вероятности возникновения потерь на основе статистических данных предшествующего периода и установлении области (зоны) риска, коэффициента риска и т.д. Достоинствами статистических методов является возможность анализировать и оценивать различные варианты развития событий и учитывать разные факторы рисков в рамках одного подхода. Основные недостатки этих методов: необходимость использования вероятностных характеристик параметров и показателей результата; формулирование выводов в предположении справедливости гипотезы о том, что принятые статистические данные справедливы и для нового проекта.

Дерево решений позволяет анализировать различные варианты воздействий или принятия решений на конечный результат. Ограничение практического использования данного метода – необходимость определения конечного множества вариантов развития. Метод особенно полезен в случаях выработки последовательности сильно зависимых решений, определяющих сценарии дальнейшего развития событий [3].

Анализ рисков с использованием метода моделирования Монте-Карло представляет собой объединение методов анализа чувствительности и анализа сценариев. Имитационное моделирование по методу Монте-Карло позволяет построить математическую модель для проекта с неопределенными значениями параметров и, зная вероятностные распределения и корреляцию параметров проекта, получить распределение показателей, характеризующих риски проекта [2]. Метод универсален для всех отраслей по применимости и по надежности, поэтому в методиках PMI является «де-факто» стандартом моделирования рисков [5].

Исследования данных класса Data Mining являются доказанными по достоверности; например, известный алгоритм С4.5. Однако анализ рисков методом Data Mining и прогнозирование можно вести только по списку рисков, составленному по специальной методике. Кроме страховых компаний и банков, это мало кто может сделать.

Проведенный анализ показывает, что метод Монте-Карло обеспечивает прозрачность всех расчетов, простоту восприятия и оценки результатов анализа проекта всеми участниками процесса планирования, однако требует значительных вычислительных ресурсов на расчеты, связанные с большим объемом обрабатываемой информации.

Многообразие ситуаций неопределённости делает возможным применение любого из описанных методов в качестве инструмента анализа рисков, однако наиболее перспективными для практического использования являются методы сценарного анализа и имитационного моделирования, которые могут быть дополнены или интегрированы в другие методики.

Библиографический список

1. Кинев Ю.Ю. Оценка рисков финансово-хозяйственной деятельности предприятий на этапе принятия управленческого решения // Журнал «Маркетинг в России и за рубежом». – 2006. – №5. – С. 73 – 83.

2. Волков И.М., Грачева М.В. Проектный анализ. – М.: Банки и Биржи, Юнити, 1998. – 423 с.

3. Дмитриев М.Н., Кошечкин С.А. Количественный анализ риска инвестиционных проектов. – ru/finanalysis/quant_risk.shtml.

4. Project Risk Analyzer. Профессиональный анализ рисков для Microsoft Project 2003 на базе BI-решений от Microsoft. – ссылка скрыта articles.phtml?aid=36.

5. A Guide to the Project Management Body of Knowledge – Third Edition. – Project Management Institute, USA, 2004.

6. Иванов В. Turbo Risk Manager и практические приемы анализа последствий рисков методом Монте-Карло. – ссылка скрыта articles.phtml?aid=74.