CC BY
9
6. Бабешко В.А., Бабешко О.М., Евдокимова О.В., Зарецкая М.В., Павлова А.В., Федоренко А.Г. О дифференциальном методе факторизации в приложениях // Экологический вестник научных центров Черноморского экономического сотрудничества. - 2008. - № 2. - С. 5-12
7. Зарецкая М.В., Зарецкий А.Г. Математический аппарат исследования блочных структур с разнотипными блоками // Международный научно-исследовательский журнал. - 2016.- № 3 (45). Часть 2. - С. 58-60.
8. Babeshko V.A., Evdokimova O.V., Babeshko O.M. Block elements with a cylindrical boundary in macro-and nanostructures // Doklady Physics. - 2011. - Volume 56. Issue 10. - Pages 544-547.
References
1. Afanas'ev V.N., Suhanov P.A., Afanas'ev A.V., Maksimov D.A., Percovich A.Ju. Prakticheskoe rukovodstvo dlja sel'skohozjajstvennyh predprijatij po ohrane okruzhajushhej sredy /Pod red. V.N. Afanas'eva. - SPb.: SZNIIMJeSH, 2005. -272 s.
2. Marchuk G.I. Matematicheskoe modelirovanie v probleme okruzhajushhej sredy. - M.: Nauka, 1982. - 320 s.
3. Alojan A.E. Modelirovanie dinamiki i kinetiki gazovyh primesej i ajerozolej v atmosfere. - M.: Nauka, 2008. - 415 s.
4. Babeshko V.A., Zareckaja M.V., Rjadchikov I.V. K voprosu modelirovanija processov perenosa v jekologii, sejsmologii i ih prilozhenija // Jekologicheskij vestnik nauchnyh centrov Chernomorskogo jekonomicheskogo sotrudnichestva. - 2008.- № 3.- S. 20-25.
5. Babeshko V.A., Evdokimova O.V., Babeshko O.M., Zareckaja M.V., Pavlova A.V., Muhin A.S., Lozovoj V.V., Fedorenko A.G. O prilozhenijah teorii blochnyh struktur v naukah o zemle, sejsmologii, stroitel'stve, materialovedenii // Jekologicheskij vestnik nauchnyh centrov Chernomorskogo jekonomicheskogo sotrudnichestva. - 2008. - № 4. - S. 27-34.
6. Babeshko V.A., Babeshko O.M., Evdokimova O.V., Zareckaja M.V., Pavlova A.V., Fedorenko A.G. O differencial'nom metode faktorizacii v prilozhenijah // Jekologicheskij vestnik nauchnyh centrov Chernomorskogo jekonomicheskogo sotrudnichestva. - 2008. - № 2. - S. 5-12
7. Zareckaja M.V., Zareckij A.G. Matematicheskij apparat issledovanija blochnyh struktur s raznotipnymi blokami // Mezhdunarodnyj nauchno-issledovatel'skij zhurnal. - 2016. - № 3 (45). Chast' 2. - S. 58-60.
8. Babeshko V.A., Evdokimova O.V., Babeshko O.M. Block elements with a cylindrical boundary in macro-and nanostructures // Doklady Physics. - 2011. - Volume 56. Issue 10. - Pages 544-547.
DOI: 10.18454/IRJ.2016.49.070 Иванов С.О.
Чувашский государственный университет им. И.Н. Ульянова СБОР ДАННЫХ ДЛЯ ОЦЕНКИ РИСКА В ИМИТАЦИОННЫХ МОДЕЛЯХ
Аннотация
Рассматриваются различные виды оценок риска в зависимости от целей, условий их получения, методов получения. Для каждого вида приведены соответствующие оценки. Многообразие различных видов сводится к четырем основным классам оценок. Для сбора данных в имитационных моделях, предлагаются «индикаторы», соответствующие представленным классам. Описаны особенности реализации «индикаторов» на языках программирования. Указывается, что для расчета любой оценки риска в имитационных моделях, достаточно описанных «индикаторов».
Ключевые слова: риск, оценка риска, измерение риска, имитационное моделирование.
Ivanov S.O.
The Ulianov Chuvash State University DATA COLLECTION FOR RISK ASSESSMENT IN SIMULATION MODELS
Abstract
The article discusses the different kind of risk valuations, depending on the purposes, conditions and methods for their preparation. For each kind are listed corresponding valuations. A variety of different kinds of boils down to four basic classes of valuations. To collect data in the simulation model, are offered "indicators" corresponding to these classes. The features of the implementation of "indicators" are described in programming languages. There is stated that for the calculation of any risk assessment in simulation models, enough use the described "indicators".
Keywords: risk, value of risk, risk assessment, simulation.
Применение имитационного моделирования для анализа риска позволяет собрать множество данных о его характеристиках. Их количество потенциально неограниченно и определяется целями вычислительного эксперимента. Но основная цель при имитационном моделировании рисков является их оценка. В данной работе рассматриваются различные виды оценок риска и данные, собираемые в ходе вычислительного эксперимента, необходимые для их получения.
Риск - это сложное, многогранное понятие. Как подчеркивается в [10]: без точного определения понятия риска, невозможно точно интерпретировать результаты его измерений. Выделяются два основных подхода к определению риска: вероятностный и операционный [8, 10]. К первому можно отнести следующие определения:
1. Вероятностно-стоимостная оценка потерь;
2. Величина отклонения от ожидаемого результата(дисперсия);
3. Произведение вероятности на убыток [3].
Ко второму:
4. Неопределённое событие или условие, имеющее позитивное или негативное воздействие на компанию [6];
5. Сочетание угроз, уязвимостей и последствий [3];
6. Неопределенное воздействие на цели [10].
Различные определения привели к появлению разных оценок риска и методов их оценки. Фундаментальные подходы к оценке рисков: экспертный, аналитический (логико-вероятностный), модельно-расчетный (статистический) [4]. Каждый из которых имеет свои достоинства и недостатки, что необходимо учитывать при их применении. Рассмотрим основные виды оценок используемые при анализе риска.
Следует различать оценку величины и оценивание (нормирование) риска. Оценка величины риска (один из этапов анализа риска) - процесс присвоения значений вероятности и последствий риска [1, 2, 7]. Сравнительная оценка риска связана с его приемлемостью. Она играет ключевую роль в принятии решения на этапе управления риском [2]. В одних случаях даже небольшой ущерб считается неприемлемым, в других допускается проявление в заданных пределах, например [7] риск может быть: допустимым, критическим, катастрофическим. Нормирование спектра возможных значений риска, можно проводить по принципу светофора [1]: красная - область недопустимого (чрезмерного) риска; желтая - область приемлемого риска; зеленая - область пренебрежимого риска.
Оценка риска и его значений может быть определена объективным методом и субъективным[5, 7], соответственно оценка будет объективной или субъективной. Объективные оценки получаются на основе измерений и вычислений, например: вероятности наступления событий на основе исчисления частоты [7]. Субъективные на основе предположений и мнений, например: оценка эксперта по рейтингу, мнение аудитора-консультанта [5, 7].
В [8] методы оценки риска группируются в зависимости от полноты информации, соответственно можно различать оценки в зависимости от условий их применимости: определенные, частично-определенные, полностью неопределенные.
Разделение на качественные и количественные оценки одно из самых распространенных [5, 7]. Это разделение отражает одновременно роль оценки, способ и условия ее получения. Количественная оценка вычисляется на основе количественных показателей. Качественная оценка получается на основе анализа объективных и субъективных факторов влияющих на рост степени риска [5]. Качественный подход более трудоемок, но дает полное описание риска, что существенно поможет на этапе управления риском.
Для оценки величины риска можно использовать абсолютные (величины потерь): максимально возможный убыток, наиболее вероятный убыток, ожидаемый убыток [1]; относительные (коэффициенты): шкала коэффициентов риска, комплексный коэффициент риска, стандартные финансовые показатели [8]; и другие статистические показатели [7, 8]. Величина риска может быть измерена двумя критериями [7]: среднее ожидаемое значение, колеблемость (изменчивость) возможного результата; поэтому основные статистические показатели : вариация и дисперсия или стандартное (среднеквадратическое) отклонение. Для их вычисления используются [9]: исторический подход, на основе построенной гистограммы распределения событий, вариационно-ковариационный подход, используя функцию распределения, и метод Монте-Карло, применяя построенные симуляции. Наибольшее распространение получила интервальная оценка рисковой стоимости - Value at Risk (VaR) [5, 9] и ее вариации: CVaR, AVaR, expected tail loss (ETL).
Многообразие оценок риска можно свести к трем основным классам, сочетающим особенности различных видов (Таблица 1). Это:
7. полуколичественный - значения с приписанным значением, например [6]: сдал, не сдал, аттестован, условно-аттестован,
8. вероятностный - вероятностно-стоймостные значения и статистические показатели,
9. градуированный - выровненные и оцененные по шкале, например: уровни риска [1], классы риска [6].
10. характеристический - описывают связь между источниками событий, уязвимостями и последствиями.
Таблица 1 - Сочетание характеристик оценок риска.
Характеристики полуколичественная градуированная вероятностная качественная
нормированная + +
сравнительная + + +
субъективная + + +
объективная + + +
определенная + + + +
частично-определенная + + +
полностью неопределенная + +
качественная + +
количественная + + +
абсолютная + + + +
относительная + + +
статистическая +
Для получения оценки риска модельно-расчетным методом необходимо собрать определенные данные во время работы модели. Аналогом измерительного устройства в реальном эксперименте, в симуляции является «индикатор» -конструкция, фиксирующая и собирающая значения внутри модели. В зависимости от вида оценки необходимо использовать определенные индикаторы. Рассмотрим их в порядке усложнения реализации. Реализация «индикаторов» в имитационной модели зависит от её вида и структуры, поэтому опишем их в псевдокоде.
Индикаторы-флаги - фиксируют факт возникновения определенной ситуации. Подходят для сбора полуколичественных оценок. Для реализации флага достаточно использовать логическую переменную, которая фиксирует возникновение условий соответствующих заданной ситуации.
Индикаторы-счетчики - учитывают количество возникающих событий. Являются основной для нормированных оценок и источником данных для расчета вероятностных. Реализуются с помощью целочисленной переменной, которая увеличивает свое значение при появлении отслеживаемых событий.
Индикаторы-гистограммы - фиксируют не только количество определенных событий, а так же распределение их величин. Необходимы для вероятностных оценок. Реализуются с помощью одномерного массива с количеством элементов определяемым наибольшим значением величины события и требуемой шириной интервалов. При возникновении отслеживаемого события, происходит инкрементация элемента массива, индекс которого соответствует интервалу содержащему величину этого события.
Индикаторы-метки - помечают события для отслеживания путей распространения последствий. Необходимы для оценки сложного риска, с цепными событиями и косвенным влиянием последствий [4]. Дополняют характеристические оценки, которые проводятся на основе структуры имитационной модели, а не ее работы. Реализуются добавлением в объекты-события списка узлов, которые он проходит и узел-источник, где событие возникло.
Таким образом оценку риска можно свести к одному из четырех классов оценок, сбор данных для которых, в имитационных моделях, осуществляется с помощью соответствующих «индикаторов». Следовательно для получения оценки определенного класса достаточно использовать «индикатор» определенного вида, что позволяет оптимизировать процесс проведения эксперимента.
Литература
1. Богоявленский С.Б. Управление риском в социально-экономических системах. - СПб: Изд-во СПБГУЭФ, 2010 -147 с.
2. ГОСТ Р ИСО/МЭК 31010-2011. Менеджмент риска. Методы оценки риска. - М.:Стандартинформ. - 2012.
3. Иванов С.О. Модель процесса взаимодействия // Вестник Российского университета кооперации. 2014. № 1(15). С. 132-137.
4. Иванов С.О., Ильин Д.В., Ильина Л.А. Методика анализа риска с использованием модели последствий. // Вестник Чувашского университета. Естественные и технические науки. Вып 3. - Чебоксары: Изд-во Чуваш. ун-та, 2015. - С.149-153.
5. Краткий курс лекций по дисциплине «Анализ и оценка рисков в бизнесе» [Электронный ресурс] // Студми. -URL: http://studme.org/34731/finansy/analiz_i_otsenka_riskov_v_biznese
6. Оценка производственных рисков [Электронный ресурс] // Wikipedia. - URL: https://ru. wikipedia. org/wiki/Оценка_производственных_рисков
7. Способы оценки степени риска [Электронный ресурс]. // Страховой консультант - URL: http ://www. askins.ru/index.php/methods
8. Шпаргалки по риск менеджменту [Электронный ресурс]. - URL: http://shpori-vsem.ru/managment/14б-riskmenegment.html?showall=1
9. David Harper. An Introduction To Value at Risk (VAR) [Электронный ресурс] // Investopedia. - 2015. - URL: http://www.investopedia.com/articles/04/092904.asp
10. Glyn A. Holton. Defining Risk // Financial Analysts Journal. - №6(Vol.60) - CFA Institute, 2004. - P.19-25.
References
1. Bogoyavlenskii S.B. Upravlenie riskom v sotsial'no-ekonomicheskikh sistemakh. - SPb: Izd-vo SPBGUEF, 2010 - 147 s.
2. GOST R ISO/MEK 31010-2011. Menedzhment riska. Metody otsenki riska. - M.:Standartinform. - 2012.
3. Ivanov S.O. Model' protsessa vzaimodeistviya // Vestnik Rossiiskogo universiteta kooperatsii. 2014. № 1(15). S. 132-137.
4. Ivanov S.O., Il'in D.V., Il'ina L.A. Metodika analiza riska s ispol'zovaniem modeli posledstvii. // Vestnik Chuvashskogo universiteta. Estestvennye i tekhnicheskie nauki. Vyp 3. - Cheboksary: Izd-vo Chuvash. un-ta, 2015. - S.149-153.
5. Kratkii kurs lektsii po distsipline «Analiz i otsenka riskov v biznese» [Elektronnyi resurs] // Studmi. - URL: http://studme.org/34731/fmansy/analiz_i_otsenka_riskov_v_biznese
6. Otsenka proizvodstvennykh riskov [Elektronnyi resurs] // Wikipedia. - URL: https://ru.wikipedia.org/wiki/Otsenka_proizvodstvennykh_riskov
7. Sposoby otsenki stepeni riska [Elektronnyi resurs]. // Strakhovoi konsul'tant - URL: http://www.askins.ru/index.php/methods
8. Shpargalki po risk menedzhmentu [Elektronnyi resurs]. - URL: httpV/shpori-vsem.ru/managment/^-riskmenegment.html?showall=1
9. David Harper. An Introduction To Value at Risk (VAR) [Elektronnyi resurs] // Investopedia. - 2015. - URL: http://www.investopedia.com/articles/04/092904.asp
10. Glyn A. Holton. Defining Risk // Financial Analysts Journal. - №6(Vol.60) - CFA Institute, 2004. - P. 19-25.
