Менеджмент: конспект лекций

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(ХОбычно 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 минимизации квантиля распределения (например, медианы функции распределения потерь или квантиля порядка 0,99, выше которого располагаются большие потери, встречающиеся крайне редко – в 1 случае из 100),