Менеджмент: конспект лекций

связаны с безразличными к организации силами – природными (погодные условия) или общественными (смена правительства). Если явление достаточно часто повторяется, то его естественно описывать в вероятностных терминах. Так, прогноз урожайности зерновых вполне естественно вести в вероятностных терминах. Если же событие единично, то вероятностное описание вызывает внутренний протест, поскольку частотная интерпретация вероятности невозможна. Так, для описания неопределенности, связанной с исходами выборов или со сменой правительства, лучше использовать методы теории нечеткости и интервальной математики (интервал – удобный частный случай описания нечеткого множества). Наконец, если неопределенность связана с активными действиями соперников или партнеров, целесообразно применять методы анализа конфликтных ситуаций, т. е. методы теории игр, прежде всего антагонистических игр, но иногда полезны и более новые методы кооперативных игр, нацеленных на получение устойчивого компромисса.

Подходы к оцениванию рисков. Понятие «риск», как уже отмечалось, многогранно. Например, при использовании статистических методов управления качеством продукции риски (точнее, оценки рисков) – это вероятности некоторых событий. В статистическом приемочном контроле «риск поставщика» – это вероятность забракования партии продукции хорошего качества, а «риск потребителя» – приемки «плохой» партии. При статистическом регулировании технологических процессов рассматривают риск незамеченной разладки и риск излишней наладки.

Тогда оценка риска – это оценка вероятности, точечная или интервальная, по статистическим данным или экспертная. В таком случае для управления риском задают ограничения на вероятности нежелательных событий.

Иногда под уменьшением риска понимают уменьшение дисперсии случайной величины, поскольку при этом уменьшается неопределенность. В теории принятия решений риск – это плата за принятие решения, отличного от оптимального, он обычно выражается как математическое ожидание. В экономике плата измеряется обычно в денежных единицах, т. е. в виде финансового потока (потока платежей и поступлений) в условиях неопределенности.

Методы математического моделирования позволяют предложить и изучить разнообразные методы оценки риска. Широко применяются два вида методов – статистические, основанные на использовании эмпирических данных, и экспертные, опирающиеся на мнения и интуицию специалистов.

Чтобы продемонстрировать сложность проблемы оценивания риска и различные существующие подходы, рассмотрим простейший случай. Пусть неопределенность носит вероятностный характер, а потери описываются одномерной случайной величиной (а не случайным вектором и не случайным процессом). Другими словами, ущерб адекватно описывается одним числом, а величина этого числа зависит от случая.

Итак, пусть величина порожденного риском ущерба моделируется случайной величиной Х (в смысле теории вероятностей). Как известно, случайная величина описывается функцией распределения

F(x) = P (X < x) ,

где x – действительное число (т. е., как говорят и пишут математики, любой элемент действительной прямой, традиционно обозначаемой R 1 ). Поскольку Х обычно интерпретируется как величина ущерба, то Х – неотрицательная случайная величина.

В зависимости от предположений о свойствах функции распределения F(x) вероятностные модели риска делятся на параметрические и непараметрические . В первом случае предполагается, что функция распределения входит в одно из известных семейств распределений – нормальных (т. е. гауссовских), экспоненциальных или иных. Однако обычно подобное предположение является мало обоснованным – реальные данные не хотят «втискиваться» в заранее заданное семейство. Тогда необходимо применять непараметрические статистические методы, не предполагающие, что распределение ущерба взято из того или иного популярного среди математиков семейства. При использовании непараметрических статистических методов обычно принимают лишь, что функция распределения F(x) является непрерывной функцией числового аргумента х .

Обсудим два распространенных заблуждения. Во—первых, часто говорят, что поскольку величина ущерба зависит от многих причин, то она должна иметь т. н. нормальное распределение. Это неверно. Все зависит от способа взаимодействия причин. Если причины действуют аддитивно, то, действительно, в силу Центральной Предельной Теоремы теории вероятностей есть основания использовать нормальное (гауссово) распределение . Если же причины действуют мультипликативно, то в силу той же Центральной Предельной Теоремы теории вероятностей следует приближать распределение величины ущерба Х с помощью логарифмически нормального распределения . Если же основное влияние оказывает «слабое звено» (где тонко, там и рвется), то согласно теоремам, доказанным академиком Б.В.Гнеденко, следует приближать распределение величины ущерба Х с помощью распределения из семейства Вейбулла—Гнеденко. К сожалению, в конкретных практических случаях различить эти варианта обычно не удается.

Во—вторых, неверно традиционное представление о том, что реальные погрешности измерения нормально распределены . Проведенный многими специалистами тщательный анализ погрешностей реальных наблюдений показал, что их распределение в подавляющем большинстве случаев отличается от гауссова. К сожалению, в настоящее время в экологической и экономической литературе имеется масса ошибочных утверждений. Существенная часть ошибок относится к использованию математических методов. Особенно это касается статистики и эконометрики . Причины появления ошибок разнообразны.

Итак, рассмотрим ситуацию, когда возможная величина ущерба, связанного с риском, описывается функцией распределения F(x)=P(Х<x). Обычно стараются перейти от функции, описываемой (с точки зрения математики) бесконечно большим числом параметров, к небольшому числу числовых параметров, лучше всего к одному. Для положительной случайной величины (величины ущерба) часто рассматривают такие ее характеристики, как

– математическое ожидание;

– медиана и, более общо, квантили, т. е. значения х = х(а), при которых функция распределения достигает определенного значения а ; другими словами, значение квантили х = х(а) находится из уравнения F(x) = а ;

– дисперсия (часто обозначаемая как σ 2 – «сигма—квадрат»);

–  среднее квадратическое отклонение (квадратный корень из дисперсии, т. е. σ – «сигма»);

–  коэффициент вариации (среднее квадратическое отклонение, деленное на математическое ожидание);

– линейная комбинация математического ожидания и среднего квадратического отклонения (например, типично желание считать, что возможные значения ущерба расположены в таком интервале: математическое ожидание плюс—минус три сигма );

–  математическое ожидание функции потерь, и т. д.

Этот перечень, очевидно, может быть продолжен.

Тогда задача оценки ущерба может пониматься как задача оценки той или иной из перечисленных характеристик. Чаще всего оценку проводят по эмпирическим данным (по выборке величин ущербов, соответствующим происшедшим ранее аналогичным случаям). При отсутствии эмпирического материала остается опираться на экспертные оценки, которым посвящена значительная часть следующей главы. Наиболее обоснованным является модельно—расчетный метод, опирающийся на модели управленческой, экономической, социально—психологической, эколого—экономической ситуации, позволяющие рассчитать характеристик ущерба.

Подчеркнем здесь, что характеристик случайного ущерба имеется много. Выше перечислено 7 видов, причем некоторые из них – второй, шестой и седьмой – содержат бесконечно много конкретных характеристик. Нельзя ограничиваться только средним ущербом, под которым обычно понимают математическое ожидание, хотя медиана ущерба не меньше соответствует этому термину. Весьма важны верхние границы для ущерба, т. е. квантили порядка а , где а близко к 1, например, а = 0,999999. При этом с вероятностью, не превосходящей 0,000001, реальный ущерб будет меньше х(0,999999). Сложные проблемы состоят в обоснованном вычислении границы х(0,999999) , их мы не будем здесь касаться.

Что это такое – минимизация риска? Из предыдущих рассуждений следует, что минимизация риска может, например, состоять:

1) в минимизации математического ожидания (ожидаемых потерь),

2) в