В условиях неопределенности, когда большинство производственных процессов на предприятии происходят под влиянием случайных факторов, не подлежащих контролю со стороны лиц, ответственных за принятие решений, задача состоит в том, чтобы наиболее полно учесть влияние случайных факторов и сделать аргументированный вывод относительно возможных направлений развития событий и оптимальной стратегии управления. Эта задача решается с помощью методов ситуационного анализа. Основные положения ситуационного анализа следующие: существует бесконечное множество независящих от предприятия внешних факторов, влияющих на финансовое состояние предприятия в плановом периоде; некоторые из этих факторов не поддаются или слабо поддаются количественной оценке; значения количественных факторов в плановом периоде неизвестны и поддаются только вероятностной оценке; реалистичность проекта увеличивается, если рассматривать не дискретные значения факторов, а определенный диапазон значений. Рассмотрим подробнее методы ситуационного моделирования.
Анализ чувствительности ("what if" analysis). Цель анализа чувствительности состоит в сравнительном анализе влияния различных факторов на ключевой показатель эффективности, и, таким образом, позволяет выявить критические факторы, изменение которых в наибольшей степени обуславливает изменение результирующего показателя.
Недостатком анализа чувствительности является то, что изменение основных переменных он рассматривает обособленно. В действительности на практике все экономические факторы в той или иной степени коррелированны, и необходимо рассматривать реалистичные альтернативные комбинации. Кроме того, отсутствует вероятностная оценка результатов.
Анализ сценариев - это прием анализа риска, который наряду с базовым набором исходных данных проекта, рассматривает ряд других наборов данных, которые могут иметь место в процессе реализации, например, базовый, пессимистический и оптимистический.
В отличие от анализа чувствительности, сценарный анализ учитывает одновременное изменение нескольких факторов, появляется возможность задать границы интервалов изменения значений неопределенных факторов, и, следовательно, обозначить пределы изменения результирующих показателей.
Однако анализ сценариев имеет и ряд недостатков: отсутствие вероятностной оценки сценариев; рассматривается только несколько вариантов развития событий, в действительности же существует бесконечное число вероятностей. В случае ухудшения одних факторов и одновременном улучшении других, применение сценарного анализа является неэффективным, так как ухудшение одного параметра может быть компенсировано за счет улучшения другого, что приводит к одинаковым результирующим показателям, однако невозможно определить, изменение каких факторов главным образом обусловило те или иные значения результирующих показателей.
Метод имитационного моделирования Монте-Карло расширяет возможности сценарного анализа, позволяя создавать тысячи случайных сценариев. Кроме того, результирующий показатель выражается не единственным значением, а в виде вероятностного распределения всех возможных его значений.
В процессе имитационного моделирования Монте-Карло математическая модель расчета результирующего показателя подвергается ряду имитационных прогонов с помощью компьютера, в ходе которых создаются сценарии с использованием исходных данных, которые являются неопределенными и полагаются случайными величинами. Процесс имитации осуществляется таким образом, чтобы случайный выбор значений из определенных вероятностных распределений не нарушал существования известных или предполагаемых отношений корреляции среди переменных. Результаты имитации анализируются статистически, с тем, чтобы оценить меру риска.
Имитационное моделирование Монте-Карло имеет ряд преимуществ: при помощи программных средств позволяет использовать модели высокой сложности; одновременно учитывает изменение множества переменных; позволяет имитировать любое распределение; сценарии генерируются случайным образом в соответствии с заданными параметрами распределения — математическим ожиданием и среднеквадратическим отклонением; число сценариев может составлять десятки тысяч; дает частотное распределение результатов и их вероятностную оценку; высокая точность результатов.
Несмотря на преимущества, метод симуляций Монте-Карло не лишен недостатков. Так, значения входных параметров определяются генератором случайных чисел, описываются по одному из законов распределения случайной величины. Однако далеко не всегда генерация случайных чисел целесообразна. Иногда целесообразнее обосновать каждую цифру, а не доверить это дело генератору случайных чисел. Недостатками метода являются также сложность и дороговизна расчетов, наличие мощных вычислительных ресурсов, сложность для понимания топ-менеджментом, а также модельный риск, то есть псевдослучайность генерируемых «случайных» величин.
Метод «дерева решений» (“decision tree”) используется для анализа проектов, имеющих обозримое число вариантов развития. Использование данного метода особенно актуально в ситуациях, когда решения, принимаемые в момент времени t, сильно зависят от решений, принятых ранее, и в свою очередь определяют сценарии дальнейшего развития событий.
Дерево решений имеет вид нагруженного графа, вершины его представляют ключевые состояния, в которых возникает необходимость выбора, а дуги (ветви дерева) - различные события (решения, последствия, операции), которые могут иметь место в ситуации, определяемой вершиной. Каждой дуге (ветви) дерева могут быть приписаны числовые характеристики (нагрузки), например, величина платежа и вероятность его осуществления. Исходя из значений всех вершин и дуг, рассчитывают вероятное значение результирующего показателя.
Ограничением практического использования данного метода является предпосылка о том, что проект должен иметь обозримое число вариантов развития. Однако часто, в связи с отсутствием достоверной информации, использование метода «дерева решений» не представляется возможным.
Метод «дерева сценариев» объединяет в себе принципы предыдущих методов. Суть его состоит в следующем: для каждого из входных параметров модели планирования предприятия устанавливаются несколько значений, например, три: оптимистическое, пессимистическое и умеренное. Каждому из значений присваиваются вероятностные характеристики, сумма которых для всех принятых значений параметра равна единице. Далее происходит создание сценариев путем последовательного перебора каждого из значений отдельных параметров и их комбинаций. Результатом является набор сценариев, каждый из которых обладает своей вероятностной характеристикой, которая определяется как произведение вероятностей появления каждого из параметров данного сценария. При этом вероятностная характеристика может закрепляться как за дискретным значением, так и за интервалом.
Данный подход дополняет и расширяет возможности ситуационного моделирования, позволяет контролировать процесс создания сценариев, обладающих вероятностной характеристикой, что позволяет снизить риск в планировании.
На практике наибольшую эффективность приносит интегральное использование рассмотренных подходов к анализу риска. В этой связи целесообразным является разработка контаминированного подхода к анализу операционного риска, который совмещал бы в себе преимущества всех рассмотренных выше методов и давал наиболее точные результаты.