Принципы формирования информационной системы управления рисками

Информационное обеспечение управления риском

Вопросы для самопроверки

· В чем суть понятия «удержание риска»?

· Назовите основные способы снижения риска.

· В чем главная причина использования метода резервирования средств на покрытие непредвиденных расходов?

· Что такое хеджирование?

· Назовите основные элементы 10-этапной схемы управления рисками.

Оптимизация риска при стратегическом управлении включает несколько этапов, которые должны состоять из определения целей предприятия, выделения поворотных точек в развитии, выделения и ранжирования факторов риска, подбора методов управления рисками в соответствии с целями, выбора метода оптимизации, включающего оценки необходимых затрат для ее реализации.

Результатом такой процедуры будет программа управления рисками на предприятии, составляющей частью которой должно стать информационное обеспечение, позволяющее выбрать программу, требующую минимальных затрат и снижающую риск нереализации стратегии до приемлемого уровня.

Анализ литературы и практический опыт разработки экономико-математических моделей показывают, что оценить уровень риска и затраты на информационное обеспечение управлением риска довольно сложно без применения экономико-математических моделей, разработки информационных технологий и информационных систем.

Механизм информационной системы управления риском должен базироваться на блочной структуре в виде системных процедур. Такое строение отражает разделение и кооперацию деятельности в рассматриваемой сфере, которые обеспечивают возможность независимого предоставления услуг, развитие системы специализированных государственных или отраслевых коммерческих организаций.

Первый блок — информационно-аналитический. Обеспечивает сбор, первичную обработку и анализ информации, ее хранение. Представляет соответствующим образом организованный компьютерный банк данных и библиотеку документов, содержащих необходимые первичные сведения о проблеме.

Второй блок — исследований. Он обеспечивает непрерывную поддержку управленческих решений посредством разработки необходимых версий программных продуктов, методик, норм и правил, соответствующих особенностям рассматриваемых объектов, технологии и параметрам окружающей среды.

Третий блок — аналитической экспертизы и прогнозных исследований. Используя продукт предыдущего блока и методы проведения экспертизы, выполняется «рисковый мониторинг», осуществляется прогноз развития риска и последствий, оценивается ущерб по риску, формализуются предпочтения, вырабатываются рекомендации по стратегии и тактике действий, средствам защиты.

Четвертый блок — управления. Построение базового сценария управления риском завершает этап аналитической экспертизы и прогнозных исследований. Группа управления должна:

· выработать единый взгляд на цели, задачи и объект прогнозирования и управления;

· достигнуть единого мнения о механизме развития риска и методах управления им;

· сформулировать текущие и перспективные планы;

· проверить и отладить взаимодействия между службами защиты.

После того, как получены сценарии развития риска, выполнена его оценка, приняты решения по стратегии и тактике действий, разработанные приоритеты действий спускаются «вниз» по уровням управления.

Любое решение основывается на информации. Важное значение имеет качество информации. Чем более расплывчата информация, тем неопределеннее решение. Качество информации должно оцениваться при ее получении, а не при передаче. Информация стареет быстро, поэтому ее следует использовать оперативно.

Информационное обеспечение функционирования риск-менеджмента состоит из разного рода и вида информации: статистической, экономической, коммерческой, финансовой и т.п. Эта информация включает осведомленность о вероятности того или иного страхового случая, страхового события, наличии и величине спроса на товары, на капитал, финансовой устойчивости и платежеспособности своих клиентов, партнеров, конкурентов, ценах, курсах и тарифах, в том числе на услуги страховщиков, об условиях страхования, о дивидендах и процентах и т.п.

Обычно информационные потоки о внешних воздействиях структурированы следующим образом.

· Законодательство и его планируемые изменения в странах деятельности компании.

· Состояние секторов рынка деятельности компании, прогноз их развития.

· Конкуренты и партнеры: состояние и прогноз.

· Состояние и прогноз криминогенной обстановки.

· Инвестиционный климат в регионах и секторах рынка предполагаемых инвестиций капитала.

Набор источников информации может представлять следующее.

· Материалы средств массовой информации, в т.ч. базы данных архивов прессы.

· Базы данных по субъектам экономической деятельности разных стран с характеристиками их экономического положения.

· Базы данных аналитических отчетов по политическому и экономическому положению различных регионов и секторов рынка.

· Адресно-справочные базы данных.

· Детективы и их объединения.

· Аналитические подразделения, генерирующие выводную информацию, и другие.

Аналитика, как правило, основывается на различных компьютерных и математических моделях. Модели используют для прогнозирования, планирования рисков, уменьшения степени неопределенности знаний о рисках объекта исследований и результатах его использования. Могут использоваться модели и для диагностики риска — установления источника и природы риска. Впрочем, также широко используется моделирование и при оценке ущерба. Ущерб случаен, так как зависит от большого числа факторов, в том числе факторов влияния (конъюнктура биржевого рынка, влажная или сухая погода, прочность кирпича, хрупкость металла при температуре окружающей среды и др.).

Достаточно универсальным и распространенным методом моделирования при оценке и прогнозировании рисков и ущербов является имитационное моделирование. Это связано с тем, что большинство реальных объектов и операций в силу сложности, дискретного характера функционирования отдельных подсистем, не могут быть адекватно описаны с помощью только аналитических математических моделей.

Важно и то, что имитационная модель позволяет использовать всю располагаемую информацию вне зависимости от ее формы представления (словесное описание, графические зависимости, блок-схемы, математические модели отдельных блоков и др.) и степени формализации. Имитационные модели получили большое распространение потому, что не накладывают жестких ограничений на используемые исходные данные. Наоборот, они позволяют творчески, гибко использовать всю имеющуюся информацию об объекте прогнозирования.

Имитационная модель строится по образцу и в соответствии с функциями, структурой, параметрами объекта прогнозирования и возможных условий его функционирования. Для описания элементов модели возможно произвольное использование методов, по мнению прогнозиста, соответствующих условиям и задачам прогнозирования. Затем эти элементы объединяют в единую модель.

Имитационная модель может быть с фиксированными входными параметрами и параметрами модели. Это детерминированная имитационная модель.

Если же входные параметры и/или параметры модели могут иметь случайные значения, то говорят о моделировании в случайных условиях, а модель может быть названа статистической.

Для статистического моделирования в случайных условиях был разработан метод статистических испытаний (метод Монте-Карло), идея которого состоит в реализации «розыгрышей» — моделировании случайного явления с помощью некоторой процедуры, дающей случайный результат.

В соответствии с этим методом при моделировании с использованием вычислительной техники выполняют некоторое количество (множество) реализации прогнозируемого объекта или процесса. Затем результаты такого моделирования обрабатывают с использованием методов математической статистики.

При статистическом моделировании используют случайный механизм розыгрыша.

Реализация случайного явления методом Монте-Карло состоит из цепочки единичных жребиев, перемежающихся обычными расчетами, учитывающими влияние исхода единичного жребия на ход операции. Так как при статистическом моделировании часто не бывает достоверных данных о виде и параметрах распределения случайных величин, влияющих на исход единичного жребия, то очень важно проверять результат такого моделирования на робастность. При этом выясняют, является ли результат моделирования устойчивым (робастным) к возможным ошибкам в определении вида и параметров распределения случайных величин, характеризующих либо входные параметры, либо параметры модели.

Если выяснится, что результат моделирования не является робастным, т.е. сильно зависит от вида и параметров случайных величин — параметров модели, то это может рассматриваться как свидетельство высокого риска при принятии решения по варианту облика системы или проведения операции. В этих условиях лицо, принимающее решение, должно рассмотреть необходимость предупреждения, снижения или страхования этого риска.

Для снижения затрат на диагностику или прогноз всегда существует соблазн использовать в процессе прогнозирования более простые модели. При этом возникает риск принятия неправильного решения. Для снижения такого риска проверяют адекватность одной более простой модели более сложной модели.

Для обеспечения точности и достоверности результатов моделирования (снижения возникающих при этом рисков) необходима проверка адекватности или верификация прогнозной модели.

Проверка адекватности модели выполняется с использованием формальных статистических критериев, например, статистической проверкой гипотез о принадлежности и оригинала, и модели к одному классу объектов. Однако такая проверка возможна при наличии надежных статистических оценок параметров как оригинала, так и модели. Если по каким-то причинам такие оценки отсутствуют и не могут быть получены, то с достаточной для практических целей точностью это делают сравнением отдельных свойств оригинала и модели.

Верификация модели — это оценка функциональной полноты, точности и достоверности модели с использованием всей доступной информации в тех случаях, когда проверка адекватности по тем или иным причинам невозможна.

В случае моделирования процессов и систем, еще не существующих, или при отсутствии достоверной информации судят о сходстве свойств прогнозной модели и оригинала посредством процедур верификации.

В прогнозировании чаще всего реальный объект отсутствует или (что одно и то же) разрабатываются новые, еще не существующие функции объекта прогнозирования. Поэтому в прогнозировании чаще используют верификацию. При планировании (когда объект планирования реально существует) чаще, чем в прогнозировании, имеются условия для проверки адекватности моделей. Наиболее часто используют следующие методы верификации:

· прямой — это верификация путем разработки модели того же объекта с использованием другого математического метода;

· косвеный — это верификация путем сопоставления результатов, полученных с использование данной модели, с данными, полученными из других источников;

· консеквентный — это верификация результатов моделирования путем аналитического или логического выведения прогноза из ранее полученных прогнозов;

· верификация модели оппонентом — путем опровержения критических замечаний оппонента по прогнозу;

· верификация модели экспертом — верификация сравнением прогноза с мнением эксперта;

· инверсный — путем проверки адекватности прогнозной модели и объекта в ретроспективном периоде (за прошедший период времени).

Необходимо помнить, что использование моделей может снижать риски только при корректности такого использования. Применение неадекватных, неверифицированных моделей, а также моделей, не обладающих свойством робастности, может, наоборот, приводить к возрастанию риска.

Дата добавления: 2014-01-06