CAPITOLUL 5

METODE CANTITATIVE ÎN MANAGEMENTUL RISCULUI ÎNTREPRINDERII

După cum am văzut în capitolul anterior, un prim pas al procesului de management al

riscului în cadrul unei întreprinderi (afaceri) îl constituie stabilirea contextului (intern, extern şi
al managementului riscului) în cadrul căruia organizaţia funcţionează. Un punct critic în
stabilirea acestui context – şi unul dintre cele mai importante – este crearea unui limbaj comun
între diferitele arii funcţionale şi departamente relevante din cadrul organizaţiei. În continuare
vom prezenta în sinteză câteva elemente ale terminologiei utilizate de Comitetul de
Management al Riscului şi de consultanţii externi, astfel încât analizele şi rapoartele acestora să
fie înţelese în acelaşi fel de toţi membrii acestui comitet şi de managementul companiei.

5.1 Măsuri ale performanţei generale a corporaţiei

Managementul Riscului Întreprinderii conectează în mod clar managementul riscului

cu crearea de valoare în cadrul organizaţiei şi exprimă riscul în funcţie de impactul acestuia
asupra obiectivelor întreprinderii. Un aspect important al Managementului Riscului
Întreprinderii îl constituie deci strânsa legătură dintre măsurile riscului şi măsurarea
performanţei generale a companiei. De aceea, vom începe discuţia cu o descriere a celor mai
importante măsuri ale performanţei companiei.
Aceste măsuri ale performanţei au o aplicare specifică în identificarea riscurilor.
Identificarea riscurilor constituie determinarea calitativă a riscurilor care sunt materiale, de
exemplu în ce măsură ele au impact asupra atingerii de către companie a obiectivelor strategice
şi/sau financiare. Aceste obiective sunt şi ele exprimate tot în funcţie de măsurile de performanţă
ale corporaţiei.
Măsurile definite în continuare sunt fundamentale în evaluarea performanţelor
corporaţiei. Ele pot fi clasificate în trei clase: Generale, Financiare şi de Asigurări. Fiecare
clasă conţine o serie de măsuri care pot fi calculate destul de uşor pornind de la datele care se
află în situaţiile financiare anuale sau trimestriale ale companiei şi sunt frecvent folosite nu
numai în managementul riscului dar şi în analize economice-financiare, auditare etc.
Calculul lor presupune deja cunoaşterea unor elemente de bază din contabilitate şi
finanţe, cum ar fi venitul net, avuţia netă etc. asupra cărora nu insistăm, ele făcând obiectul de
studiu al cursurilor de profil.
 În continuare vom introduce aceste măsuri ale performanţei în funcţie de clasa în care se
regăsesc, fără însă a limita posibilitatea introducerii şi a altor măsuri, atunci când se doreşte ca
analiza şi evaluarea riscurilor să se facă luând în considerare caracteristici şi factori mai
deosebiţi, care pot influenţa într-o măsură mai mare sau mai mică performanţele companiei.
Tabelul 5.1 sintetizează aceste măsuri ale performanţei în funcţie de clasa în care se află.

Tabelul 5.1: Măsuri de performanţă generale, financiare şi de asigurări

Clasa Denumire Definiţie Observaţii
I. Măsuri 1) Return on Equity Venitul net împărţit la
generale ale (ROE) = Venitul net avuţia netă (avuţia netă =
performanţei adus de investiţia în Active minus Datorii)
activele firmei
2) Operating Earnings Venitul net obţinut din
(OE) = Venitul operaţiuni continue
operaţional net (producţie de bunuri şi
servicii), excluzând
câştigurile din investiţiile
intangibile realizate
(venituri financiare)
3) Earnings Before O formă de măsură a cash Se aplică atunci când
Interest, Taxes, flow-ului, utilă pentru costurile cu serviciul
Dividends, evaluarea performanţei datoriei (dobânzi la
Depreciation and operaţionale a companiilor credite şi comisioane)
Amortization cu un nivel înalt al depăşesc cu mult alţi
(EBITDA) = Venituri datoriilor indicatori de rezultat
înainte de dobânzi, cum ar fi venitul net
taxe, dividende, (pentru firme rentabile
depreciere şi în sensul valorii CA, dar
amortizare care se află în pericol
datorită gradului ridicat
de îndatorare)
4) Cash Flow Return EBITDA împărţită la
on Investments activele tangibile obţinute
(CFROI) prin investiţii

49
 5) Weighted Average Suma valorii de piaţă a
Cost of Capital fiecărei componente a
(WACC) = capitalului companiei
Costul mediu ponderată cu proporţia
ponderat al capitalului componentei respective în
capitalul total
6) Economic Value O măsură a performanţei Este calculat ca profit
Added (EVA) corporaţiei care arată operaţional net după
valoarea obţinută peste achitarea taxelor
costul capitalului utilizat de
firmă.
II. Măsuri 7) Return on risk- O măsură de tip ROE în
financiare adjusted capital care numitorul (avuţia netă)
ale (RORAC) este ajustat (redus) în
performanţei funcţie de riscul asociat
capitalului investit (Ex:
riscul uzurii morale)
8) Risk-adjusted O măsură de tip ROE în
return on capital care numărătorul (venitul
(RAROC) net) este redus în funcţie de
riscul asociat activităţii (cu
pierderile datorate riscului
operaţional sau creditelor
nerambursate).
9) Risk-adjusted O combinaţie de RAROC
return on risk-adjusted şi RORAC în care atât
capital (RARORAC) numărătorul cât şi
numitorul sunt ajustate la
risc (pentru riscuri diferite)
III. Măsuri 10) Economic Capital Valoarea de piaţă a Utilizată în practică ca o
ale (EC) activelor minus valoarea măsură a capitalului
performanţei reală a pasivelor (datoriile) ajustat cu riscul. În
utilizate în particular, cantitatea de

50
asigurări capital necesară pentru a
satisface o condiţie de
solvabilitate (de
exemplu, o anumită
probabilitate de
faliment).
11) RAROC Venitul net aşteptat împărţit RAROC este de regulă
la capitalul economic (deci utilizat pentru a evalua
mai corect ar fi RORAC dar performanţa relativă a
în asigurări el se foloseşte segmentelor de afaceri
sub această denumire) care au nivele diferite de
risc de solvabilitate;
aceste nivele diferite de
risc de solvabilitate sunt
reflectate de numitor.
Evaluarea performanţei
financiare cu ajutorul
RAROC necesită
compararea cu un venit
prestabilit: când acest
venit prestabilit este
ajustat cu riscul (de
exemplu pentru
volatilitatea venitului
net), rezultatul este
similar cu RARORAC,
deşi denumirea de
RORAC este încă
utilizată.
12) Embedded Value O măsură a valorii afacerii Această măsură este
(EV) = aşa cum apare ea în exprimată în funcţie de
Valoarea Încorporată evidenţa societăţii de creşterea anuală a valorii
asigurări; ea cuprinde avuţia încorporate.
netă ajustată (valoarea de

51
 piaţă a activelor utilizate)
plus valoarea actuală a
profiturilor viitoare
aşteptate din afacere
13) Risk Based O măsură care exprimă Se stabileşte de către
Capital (RBC) = capitalul minim standard Comisia de
Capital Bazat pe Risc începând de la care Supraveghere a
societatea de asigurare este Asigurărilor şi poate
autorizată şi începe să diferi de la o ţară la alta
aplice măsuri regulatorii

5.2 Măsuri ale riscului

În acest paragraf vom introduce termenul de „profil al riscului” pentru a reprezenta

întregul portofoliu de riscuri proprii întreprinderii. Unele companii reprezintă acest portofoliu în
funcţie de o distribuţie de probabilitate cumulativă (de exemplu, de venituri cumulative) şi o
utilizează ca o bază pentru care determină impactul incremental (de exemplu, de capital necesar
al strategiilor sau deciziilor alternative).
Multe dintre măsurile folosite în practica Managementului Riscului Afacerii pot fi
incluse în una sau două categorii: acele măsuri legate de gradul de solvabilitate al companiei şi
acele măsuri legate de volatilitatea performanţelor companiei. Măsurile din aceste două
categorii sunt utilizate pentru scopuri diferite şi sunt orientate către arii distincte ale profilului
riscului companiei. În continuare vom prezenta pe scurt măsurile care sunt incluse în fiecare
dintre cele două categorii.

a) Măsuri legate de gradul de solvabilitate

Aceste măsuri sunt importante pentru determinarea a ceea ce numim consecinţele

riscului asupra activităţii companiei (de exemplu, numitorul RARORAC). Valorile determinate
interesează în principal pe cei care beneficiază de roadele afacerii (clienţi, societăţi de asigurări,
concurenţi, agenţii de rating, bănci etc.) deoarece compania calculează solvabilitatea abia după
ce o afacere a fost încheiată.
În tabelul 5.2 sunt prezentate principalele măsuri utilizate pentru determinarea
solvabilităţii unei companii (afaceri).

52
 Tabelul 5.2: Măsuri ale gradului de solvabilitate
Nr. Măsura Conţinut Utilizare
Crt.
1. Probabilitatea de faliment Procentul de probabilitate De regulă, o probabilitate
(Probability of ruin) corespunzător punctului în minimă acceptată de
care capitalul este epuizat ruină este stabilită şi
Capitalul Economic este
determinat în funcţie de
aceasta.
2. Riscul de ruină (Shortfall Probabilitatea ca o variabilă Probabilitatea de ruină
Risk) aleatoare să scadă sub o (faliment) este un caz
anumită valoare dată special al riscului de
ruină în care nivelul dat
este egal cu punctul în
care capitalul este
epuizat.
3. Value at Risk (VaR) Pierderea maximă pe care o Tehnic vorbind, VaR
organizaţie o poate suferi, în reprezintă inversul
condiţiile unei pieţe normale, probabilităţii de ruină, în
într-o anumită perioadă de care acest risc de ruină
timp, pentru un anumit nivel este dat şi se încearcă
de probabilitate de faliment determinarea nivelului de
probabilitate
corespunzător acestui risc
4. Deficit aşteptat (EPD - O extindere a conceptului de Tehnic, EPD reprezintă
Expected Policyholder probabilitate de ruină (deci şi valoarea aşteptată a
Deficit) sau Costul a riscului de ruină şi a VaR) riscului de ruină
Economic al ruinei (ECOR) în care este reflectată şi
severitatea ruinei
5. Tail Value at Risk (Tail O măsură de tip ECOR în Diferă de ECOR prin
VaR) sensul că atât probabilitatea faptul că este o valoare
cât şi costul evenimentelor aşteptată a tuturor
riscante sunt considerate evenimentelor riscante
aşteptate (din această

53
 cauză este întotdeauna
mai mare decât VaR)
6. Riscul evenimentelor Deşi evenimentele extreme
extreme sunt puţin probabile, riscul de
pierdere este foarte mare în
cazul apariţiei acestora

În figura 5.1 sunt reprezentate aceste măsuri ale solvabilităţii.

Probabilităţi
cumulative

100%

VaR TVaR

EPD Probability of ruin without capital

Probability of ruin with capital

0%
Capital
(-) 0 (+)
Active - Pasive

Figura 5.1

b) Măsuri legate de performanţă

Aceste măsuri sunt legate de zona de mijloc a profilului riscului, adică zona aflată lângă
medie şi sunt relevante pentru determinarea volatilităţii în jurul rezultatelor aşteptate, de
exemplu numărătorul lui RARORAC. În tabelul 5.3 sunt date principalele măsuri legate de
performanţă.

54
 Tabelul 5.3
Nr. Măsura Conţinut Utilizare
Crt.
1. Varianţa Diferenţele faţă de medie la pătrat dintre o
(Dispersia) variabilă aleatoare şi media acesteia
2. Abaterea standard Rădăcina pătrată a varianţei
3. Abaterea standard Modificări ale varianţei şi, respectiv, ale
deplasată abaterii standard în care doar abaterile
nefavorabile fată de un nivel ţintă dat sunt
luate în considerare
4. Riscul-sub-ţintă Valoarea aşteptată a abaterilor Se calculează atunci
nefavorabile ale unei variabile aleatoare când nu este realizat
faţă de un nivel ţintă specificat un nivel de
performanţă propus

În figura 5.2 sunt reprezentate aceste măsuri ale performanţei.

Probabilităţi
cumulative
100%

Clienţii sunt
preocupaţi de Proprietarii sunt
insolvabilitate
preocupaţi de
şi gradul în
care rezultatele aflate
performanţa sub cele ţintă;
este afectată nu există teama
de non-
performanţă
dacă apare
insolvabilitatea

0%
(-) 0 Ţinta (+)
Venituri Cumulative

Figura 5.2

În final, să prezentăm câteva formule de calcul ale unor măsuri prezentate mai sus.

55
 Măsura riscului Formula

Abaterea Standard 2

n 

  xi  x 
i 1   
unde n este numărul de iteraţii de simulare şi x este
n
valoarea medie a tuturor iteraţiilor.
Aceasta reprezintă o măsură utilizată în mod obişnuit pentru a măsura
riscul, atât în mediul universitar, cât şi pe piaţa de capital. Ea este
interpretată ca măsura în care variabila financiară ar putea să se abată
fie în plus, fie în minus faţă de valoarea sa aşteptată. De notat că o
pondere egală este acordată abaterilor de aceeaşi magnitudine,
indiferent dacă ele sunt favorabile sau nefavorabile.
Riscul de Ruină n

 if ( x
i 1
i then 1, else 0
T
100% , unde T este valoarea ţintă pentru
n
variabila financiară, iar n este numărul de iteraţii de simulare. Aceasta
este o îmbunătăţire importantă faţă de abaterea standard deoarece
reflectă faptul că cei mai mulţi oameni sunt adverşi fată de risc, adică
ei sunt mai preocupaţi de abaterile nefavorabile decât de cele
favorabile. Măsura este interpretată ca probabilitatea ca variabila
financiară să scadă sub un anumit nivel ţintă dat.
Value at Risk (VaR) În măsurile tip VaR lucrurile stau exact invers: riscul de ruină este dat
şi se determină valoarea la risc T pentru acest nivel de risc de ruină.
Abaterea Standard n

Deplasată  (min 0, ( xi  T )) 2

i 1
unde T este valoarea ţintă pentru variabila
n
financiară şi n este numărul de iteraţii de simulare. Aceasta reprezintă
o altă îmbunătăţire a metricii riscului deoarece ea este orientată nu
doar către probabilitatea apariţiei unei abateri nefavorabile în variabila
financiară (ca în cazul probabilităţii de ruină), dar şi asupra gradului în
care este nefavorabilă. Ea este interpretată ca fiind limita până la care
variabila financiară poate să se abată în sens negativ de la un nivel
ţintă dat.
Riscul-sub-ţintă Este similar cu Abaterea Standard Deplasată, dar argumentul nu este la
pătrat şi nu există radicalul care se calculează din sumă.

5.3 Modelarea riscului afacerii (întreprinderii)

Modelarea Riscului Afacerii se referă la metodele prin care măsurile riscului sau ale
performanţei descrise mai sus pot fi determinate şi folosite. În continuare vom descrie
principalele clase de modele utilizate în cadrul procesului de management al riscului
întreprinderii. Trebuie spus faptul că acestea sunt clase generale de modele. Modelele utilizate
în cadrul unei întreprinderi trebuie adaptate atât nevoilor specifice ale acesteia, cât şi tipurilor

56
particulare de risc cu care ea se confruntă. Din acest motiv, nu pot exista două modele aplicate
unor întreprinderi sau afaceri care să fie identice.
Majoritatea companiilor au cel puţin un model financiar simplu corespunzător
activităţilor lor, care să descrie modul în care diferite inputuri (de exemplu, factori de risc,
condiţiile, strategiile şi tacticile) vor afecta indicatorii de performanţă cheie (KPIs) utilizaţi
pentru a conduce organizaţia. Pentru orice organizaţie dată, aceşti indicatori de performanţă
cheie pot fi unul sau mai mulţi dintre indicatorii determinaţi pentru performanţa generală a
activităţii companiei (de exemplu, creşterea venitului, creşterea profitului, profitul pe acţiune,
creşterea valorii adăugate, satisfacţia consumatorului şi/sau imaginea de firmă etc.). Pentru
companiile active pe piaţă indicatorii menţionaţi sunt deseori definiţi explicit sau implicit de
către piaţă (de exemplu, volumul vânzărilor, mărimea stocurilor etc.). Aceste modele sunt
frecvent utilizate în dezvoltarea planurilor strategice şi operaţionale. Deoarece ele captează
explicit structura relaţiilor de tip cauză-efect ce leagă inputurile unei organizaţii de rezultatele ei,
aceste modele au fost denumite modele financiare structurale (sau cauzale).
Aceste modele financiare structurale sunt în general modele deterministe deoarece ele
descriu rezultatele aşteptate pentru o mulţime dată de inputuri fără să facă apel la probabilităţile
ca aceste rezultate să se afle sub sau deasupra valorilor aşteptate. Modelele din această categorie
pot fi transformate în modele stohastice (probabiliste) considerând unele inputuri ca fiind
variabile. De exemplu, costul viitor aşteptat al unei materii prime poate fi un input pentru un
model determinist al veniturilor unei corporaţii; dacă presupunem că aceste costuri sunt incerte
din punct de vedere al evoluţiei, atunci modelul se transformă într-unul probabilist. Outputul
unui astfel de model (veniturile corporaţiei în acest caz) vor urma atunci o anumită distribuţie de
probabilitate.
Aşa cum vom vedea în cele ce urmează, modelele de risc probabiliste pot fi clasificate în
două mari categorii generale:
A). Modele analitice statistice; şi
B). Modele de simulare structurale.
„Statistic” versus „Structural” se referă la maniera în care relaţiile dintre variabilele
aleatoare sunt reprezentate în model; „Analitic” versus „de simulare” se referă la modul în care
sunt efectuate calculele. Aceşti patru termeni sunt definiţi individual mai jos; modul în care
aceşti termeni sunt combinaţi este ilustrat în tabelul 5.4.

 Modelele analitice se caracterizează prin faptul că utilizează relaţii analitice între variabilele
modelului, iar soluţiile lor se pot determina, de regulă, în formă închisă, rezolvând un anumit

57
 sistem de ecuaţii. Principalul avantaj al unor astfel de modele este acela că sunt destul de uşor
de formulat şi rezolvat.

 Metodele de simulare (adesea numite metode Monte Carlo) necesită un număr mare de
încercări generate de calculator pentru a obţine o rezolvare aproximativă. Ele sunt relativ
robuste şi flexibile, pot fi adaptate unor relaţii complexe dintre variabile şi depind mai puţin
de ipotezele simplificatoare şi distribuţiile de probabilitate standardizate alese pentru
variabilele reprezentate. Principalul lor avantaj faţă de metodele analitice constă în
posibilitatea de a modela aproape orice situaţie din lumea reală cu un anumit grad dorit de
precizie.

 Metodele statistice sunt modele care au la bază calităţile statistice observate ale (şi dintre)
variabilelor aleatoare calitative şi cantitative, fără să ia în considerare relaţiile cauză-efect.
Principalul avantaj faţă de modelele structurale este uşurinţa cu care modelul poate fi
parametrizat pornind de la datele disponibile (adesea date publice).
Metodele medie/varianţă/covarianţă (MVC) reprezintă o clasă specială de metode statistice
care se bazează doar pe aceşti trei parametri: media, dispersia şi matricea de covarianţă.

 Metodele structurale sunt modele care sunt bazate pe relaţii explicite cauză/efect şi nu pe
simple relaţii statistice precum covarianţele. Legăturile cauză/efect sunt de regulă obţinute
atât din datele disponibile, cât şi din opinia experţilor. Principalul avantaj al acestor metode
fată de metodele statistice este posibilitatea de a examina cauzele ce conduc la anumite
rezultate (de exemplu scenariile ruinei), şi posibilitatea de a modela direct efectul diferitelor
decizii asupra rezultatelor companiei.

NOTĂ: Analiza Financiară Dinamică (DFA) este numele unei clase de modele de simulare
structurale orientate către riscurile financiare şi cele întâmplătoare, cu ajutorul căreia se
proiectează evoluţia financiară a companiei în diferite ipoteze şi situaţii, inclusiv cele legate de
apariţia unui risc major.

Diferenţele dintre modelele prezentate anterior sunt incluse în tabelul de mai jos.
Tabelul 5.4
Reprezentarea Tehnica de calcul Avantaje relative Exemple de
relaţiilor dintre modele
variabile
Statistice Analitică Viteză de calcul; uşurinţa - RBC (Real
(bazate pe calităţile (soluţii sub formă închisă reproducerii; utilizarea Business Cycle)

58
statistice observate fără obţinute prin rezolvarea unor informaţii publice. - Modele ale
să ia în considerare unor sisteme de ecuaţii) agenţiilor de
relaţiile de tip rating
cauză/efect)
Structurale Simulare Flexibilitate; abordarea - DFA
(bazate pe legăturile (soluţii obţinute din unor relaţii complexe; - Multe dintre
specifice cauză/efect; încercări repetate) încorporarea proceselor modelele de
calităţile statistice sunt decizionale; abilitatea de a stabilire a
outputuri, şi nu inputuri) examina proiectarea de preţului
scenarii (potrivite pentru opţiunilor
companiile individuale).

Utilizarea modelelor prezentate anterior presupune de obieci existenţa de date suficiente

pentru a determina complet parametrii modelelor. Ori, adesea, nu aceasta este situaţia în
practică, îndeosebi în ce priveşte riscurile operaţionale şi strategice.

5.3.1 Modele de măsurare a riscului

Există o mare varietate (un continuum, chiar – Figura 5.3) de metode de modelare a
riscului care pot fi aplicate pentru un risc specific. Fiecare dintre ele are avantaje / dezavantaje
faţă de celelalte, deci este important să fie selectată cea mai bună metodă în funcţie de
circumstanţele reale constatate în cadrul organizaţiei sau afacerii, precum şi de tipul particular
de risc pe care trebuie să îl gestionăm.

Analiza datelor TIPURI DE MODELE Opinii ale experţilor

Simularea
Dinamicii
Ecuaţii de sistem
Modele empirice diferenţiale Evaluarea directă
extrase din date stohastice a probabilităţilor
istorice (SDEs) Diagrame subiective sau
de fractilelor
influenţă
Stabilirea Reţele
parametrilor neuronale Preferinţa
pentru distribuţiile Reţele de
între pariuri
teoretice încredere
sau loterii
Regresie Bayesiene
asupra
variabilelor
Teoria valorii care afectează Logica
Metoda
extreme riscul fuzzy
Delphi

Figura 5.3

59
 Varietatea de metode de modelare a riscului prezentate în figura 5.3 pot fi grupate în trei
categorii:
 Metode bazate în principal pe analiza datelor istorice;
 Metode bazate pe o combinaţie de date istorice şi opinii ale experţilor;
 Metode bazate în principal pe opiniile experţilor.

5.3.2 Modele bazate în primul rând pe analiza datelor istorice

Aceste modele sunt cele mai potrivite atunci când există suficiente date istorice pentru a
putea aplica metodele statistice standard în vederea obţinerii unei distribuţii de probabilitate
caracteristică apariţiei unui anumit tip de risc. De regulă, sunt necesare date cu frecvenţă mare
înregistrate de-a lungul câtorva ani. Modelele din această categorie sunt cel mai des utilizate
pentru a modela riscul care a fost tranzacţionat pe pieţe financiare cum ar fi riscul de rată a
dobânzii, riscul ratei de schimb, riscul activelor, riscul de creditare etc.

1. Modele empirice extrase din date istorice

Cel mai simplu şi direct model este cel care presupune că datele istorice definesc
complet distribuţia de probabilitate. În acest caz, datele pot fi utilizate direct pentru a deduce o
distribuţie de probabilitate discretă. Desigur că pericolul este ca să se presupună că datele sunt
complete şi că perioada de timp la care ele se referă este suficient de mare pentru a putea
surprinde întreaga gamă de situaţii, rezultate care pot apărea în activitatea organizaţiei (în
afacere).

2. Determinarea parametrilor din distribuţiile teoretice de probabilitate

O alternativă a distribuţiilor empirice este să se presupună că riscul poate fi descris de o
funcţie densitate de probabilitate teoretică. Atunci datele pot fi utilizate pentru a estima
parametrii acestei distribuţii teoretice.
De exemplu, în cazul în care un risc întâmplător are loc cu o frecvenţă redusă (de pildă,
un cutremur) atunci putem presupune că distribuţia de probabilitate adecvată în acest caz este
distribuţia Poisson (legea evenimentelor rare) iar datele istorice privind cutremurele care au avut
loc în regiunea respectivă vor fi utilizate pentru a determina parametrii distribuţiei teoretice
Poisson. Procesele Poisson sunt caracterizate de următoarele proprietăţi:
1. Evenimentele sunt independente unele de altele (apariţia unui eveniment nu determină
şi apariţia altuia);
2. Teoretic, un număr infinit de evenimente pot să apară într-un interval de timp finit;

60
 3. Probabilitatea apariţiei unui eveniment într-un interval finit este proporţională cu
mărimea intervalului.
Aşa cum este bine cunoscut, densitatea de probabilitate a distribuţiei Poisson are
următoarea expresie:

x x x n x (np) x n a x a n a x a
f ( x)  p q  q  (1  )  e (1)
x! x! x! n x!
Deci o variabilă care poate lua valorile discrete 0, 1, 2, … are o distribuţie Poisson de
parametru (medie) λ, dacă:

(x )(e   )
P( X  k )  , k  0, 1, 2, ... (2)
k!
În multe cazuri reale în care apar situaţii de aşteptare (de coadă), se poate considera că
numărul de evenimente care apar în coadă (cutremure, inundaţii, incendii etc.) urmează un
model Poisson. De exemplu, dacă se consideră că media cutremurelor care au loc într-un secol
este λ, atunci:
n e  
P( X  n cutremure)  (3)
n!
unde n = numărul de cutremure dintr-un anumit secol. Parametrul λ se determină pe baza datelor
istorice privind numărul de cutremure care au loc de-a lungul secolelor. Evident că acest
parametru poate fi determinat pornind de la numărul de cutremure ce au avut loc pentru secolele
în care astfel de date au fost înregistrate. Cum astfel de date, mai ales pentru perioade de timp
lungi, sunt destul de limitate, o astfel de metodă poate să genereze multe erori.

3. Modele formate din ecuaţii diferenţiale stohastice (SDEs)

O ecuaţie diferenţială stohastică exprimă diferenţa (sau modificarea) dintre valoarea unei
variabile (de exemplu, rata dobânzii) la momentul t şi valoarea aceleiaşi variabile la momentul
t+1. Numele de ecuaţie diferenţială stohastică provine de la faptul că diferenţa este exprimată ca
o combinaţie între o schimbare predictibilă şi o schimbare incertă sau aleatoare în cursul
perioadei de timp alese. Această schimbare aleatoare este reprezentată ca o variabilă aleatoare
cu o distribuţie de probabilitate dată (de regulă, distribuţia normală).
Pornind de la o valoare iniţială, SDE este utilizată pentru a determina iterativ un scenariu
asupra modului în care valoarea se schimbă în cursul unei perioade de prognoză (de exemplu, 10
ani). Sute sau chiar mii de scenarii sunt generate în acest mod. Scenariile pot fi rezumate ca
distribuţii de probabilitate pentru fiecare moment de timp din perioada de prognoză.

61
 4. Teoria valorii extreme
În managementul riscului, adeseori cea mai importantă parte a distribuţiei de
probabilitate este reprezentată de părţile extreme (laterale) ale acesteia. Această zonă a
distribuţiei este utilizată, de exemplu, pentru determinarea riscului de epuizare a capitalului sau
a altor restricţii în definirea strategiilor de optimizare. Totuşi, multe metode de modelare a
riscului se concentrează doar pe corpul principal al distribuţiei de probabilitate (zona centrală),
considerând că regiunile laterale nu influenţează suficient de mult valorile variabilei aleatoare
determinate prin distribuţia respectivă. Teoria Valorii Extreme este o tehnică de creştere a
acurateţei cu care se determină probabilitatea valorilor mari din distribuţia respectivă, valori care
se găsesc în părţile laterale ale acesteia. Teoria Valorii Extreme este deci utilizată mai ales
pentru modelarea riscului evenimentelor rare. Diferite modele şi tehnici ale acestei teorii au fost
dezvoltate şi aplicate pentru a opera cu unele evenimente produse în mediul înconjurător, cum ar
fi nivelul apelor, viteza vântului şi concentraţiile de factori poluanţi, care au potenţial pentru a
produce evenimente catastrofice dar care se produc destul de rar. Recent, Teoria Valorii
Extreme a fost utilizată intens în finanţe şi asigurări pentru modelarea riscului fraudelor mari.
Principala dificultate pentru estimarea evenimentelor rare este că în multe cazuri datele
disponibile sunt în cantităţi deosebit de mici sau chiar lipsesc cu desăvârşire. Metoda Teoriei
Valorii Extreme constă în dezvoltarea de modele bazate pe teoria asimptotică. Metoda
modelează distribuţia limitată a valorilor extreme ale unei variabilele aleatoare, care corespund
producerii evenimentelor rare. O descriere detaliată a metodei ar depăşi scopul acestui curs şi
poate fi găsită în bibliografie (http://people.brandeis.edu/~blebaron/wps/tails.pdf).

5. Regresia
Adeseori, este necesar şi util să se dezvolte un model al unei variabile (economice)
examinând variabilele determinante ale acesteia. O ecuaţie de regresie exprimă o variabilă
dependentă ca o funcţie de una sau mai multe variabile independente între ele, dar care fiecare
influenţează variabila dependentă. Ecuaţiile de regresie conduc la mai multă informaţie privind
dinamica fundamentală a unui risc specific pentru a ajuta managerii să se protejeze şi să se
asigure împotriva riscurilor.
Totuşi, modelele de regresie au la bază anumite ipoteze care fac ca rezultatele obţinute
cu ajutorul lor să fie privite cu mare reticenţă. De exemplu, dacă printre variabilele determinante
se alege o variabilă care nu are nici o legătură cu variabila dependentă, rezultatele obţinute nu
arată acest lucru, obţinându-se valori ale variabilei aleatoare de regresie care pot duce la
concluzii false şi decizii eronate.

62
 5.3.3 Metode bazate pe o combinaţie de date istorice şi opinii ale experţilor

Deseori, nu există date suficiente pentru o cuantificare sigură a riscurilor doar pe baza
datelor istorice. În astfel de cazuri, este necesar să se dezvolte un model al dinamicii
fundamentale care generează astfel de date. Acest lucru necesită apelul la experienţa şi
cunoştinţele experţilor în domeniu pentru a completa datele care lipsesc. Următoarele metode
urmăresc modelarea dinamicii unui sistem bazându-se pe o astfel de combinaţie de date şi opinii
ale experţilor.

6. Simularea prin Dinamica de Sistem

Dinamica de Sistem este o metodă de modelare robustă care simulează explicit relaţiile
cauză/efect care determină dinamica unui sistem. Metoda utilizează atât date istorice existente
cât şi cunoştinţele şi experienţa specialiştilor şi managerilor pentru a dezvolta un model de
simulare stohastic. Modelul foloseşte metoda de simulare Monte Carlo şi dezvoltă distribuţii de
probabilitate pentru variabilele care interesează.
Metoda Dinamicii de Sistem are anumite avantaje fată de tehnicile parametrice descrise
mai sus, în special în ceea ce priveşte modelarea riscului operaţional:
 Ea constituie o modalitate sistematică pentru a umple orice lipsă din datele istorice cu
informaţii oferite de experţi care-şi utilizează în acest scop propria experienţă şi
cunoaştere. Acest lucru este benefic mai ales în cazul risculrilor operaţionale, caz
în care nu există date suficiente pentru a aplica metodele statistice descrise mai
sus.
 Ea oferă o modalitate de determinare a modului în care riscurile operaţionale se
schimbă în funcţie de schimbările survenite în operaţii. Deoarece metoda
surprinde explicit legăturile cauză/efect, este uşor să se dezvolte modalităţi
efective de a reduce riscurile şi a măsura impactul acestora asupra sistemelor
reale, comparativ cu metodele non-cauzale.
 Cum mediul de afaceri devine din ce în ce mai complex, cunoaşterea dinamicii
acestuia devine tot mai fragmentată şi localizată. Deşi mulţi manageri au o bună
înţelegere a domeniilor lor de activitate (funcţionale), puţini dintre ei au
capacitatea de a înţelege dinamica întregii organizaţii în legătură cu schimbarea
mediului înconjurător. Obţinerea unei imagini complete, de exemplu, a surselor
riscurilor operaţionale şi a modului în care acestea afectează performanţa
financiară a afacerii, necesită cunoştinţele combinate ale managerilor şi experţilor
din diferite domenii funcţionale (ingineri, economişti, jurişti etc.). Metoda

63
 Dinamicii de Sistem facilitează o astfel de interacţiune printr-o modelare
structurală participativă şi procese decizionale adecvate.

7. Logica fuzzy
În ciuda numelui său, logica fuzzy constituie o metodă bine dezvoltată şi structurată
utilizată cu succes în multe domenii ştiinţifice şi tehnice. Ea este o metodă utilizată pentru
modelarea sistemelor complexe, în care o mare parte din complexitate vine din reprezentarea
ambiguă şi incertă a variabilelor sistemului. Modelele cantitative tradiţionale tind să interpreteze
realitatea în termeni binari. De exemplu, sa ne imaginăm un dispozitiv care identifică dacă o
persoană are febră. Dându-se temperatura normală a unui individ, un model cantitativ încorporat
dispozitivului va utiliza o regulă discretă, binară, cum ar fi: „dacă temperatura este peste 36,50C
persoana are febră, altfel este normală”. Chiar dacă pot exista categorii intermediare, cum ar fi
„febră uşoară”, „febră mare” etc., trebuie aplicată regula discretă de mai sus. Totuşi, în realitate,
este clar că nu există limite clare care definesc dacă cineva are febră sau nu. Deci limita dintre
„normal” şi „febră” este neclară, fuzzy. Teoria mulţimilor fuzzy s-a dezvoltat pentru a acoperi
aceste aspecte neclare, difuze (zone „gri”). Conform teoriei mulţimilor fuzzy, o persoană cu o
temperatură de 36,80C va fi clasificată ca aparţinând ambelor categorii, „normală” şi „febră”.
Logica fuzzy este raţionamentul bazat pe teoria mulţimilor fuzzy.
Logica fuzzy are avantaje în posibilitatea de a modela probleme de afaceri complexe în
care variabilele lingvistice sunt utilizate pentru a exprima regulile logice, informaţia este
subiectivă, incompletă sau nesigură şi spaţiile problemelor sunt adesea neliniare. Un sistem
fuzzy este mai apropiat raţionamentului uman şi, de aceea, este adeseori utilizat pentru a
construi sisteme expert. Natura fuzzy a spaţiului regulilor face mai uşoară modelarea opiniilor
multiple, adesea diferite sau aflate în conflict ale experţilor umani asupra variabilelor unuia şi
aceluiaşi model. În evaluarea şi modelarea riscului, logica fuzzy îşi demonstrează potenţialul în
a fi o metodă bună pentru a opera cu riscul operaţional, unde estimarea probabilităţilor de
producere a anumitor evenimente nedorite este adeseori bazată pe opinia experţilor şi spaţiul
riscului este multidimensional şi accentuat neliniar.

5.3.4 Metode bazate pe cunoaşterea experţilor

În cealaltă extremă a continuumului prezentat în figura 5.3 se găsesc metode care se

aplică atunci când nu există date privind riscurile studiate. În aceste cazuri, nu putem decât să
apelăm la cunoaşterea şi experienţa de care dispun specialiştii în domeniu. Distribuţiile de
probabilitate ale apariţiei diferitelor tipuri de risc pentru care există foarte puţine date sunt

64
estimate pe baza declaraţiilor experţilor O metodă naivă pentru estimarea apariţiei unor
evenimente riscante este să-l întrebi pe expert, de exemplu: „Care este probabilitatea ca un nou
competitor să intre pe piaţă?” Totuşi, un expert, dacă este de bună credinţă, va avea dificultăţi în
a răspunde direct la o astfel de întrebare. El nu are, practic, răspunsuri bine definite. Se pot
formula răspunsuri de tipul „Dacă - atunci” sau se pot imagina proceduri euristice de tip
„Încearcă şi greşeşte”. Teoreticienii în domeniul comportamental au stabilit, astfel, că indivizii
tind să estimeze probabilităţi mai mari pentru evenimente pe care le pot uşor imagina sau pe
care le-au trăit deja, decât pentru evenimentele pe care nu le-au experimentat anterior. Indivizii
tind, de asemenea, să-şi raporteze evaluările pe baza unor valori evidente sau convenabile
rezultate din distribuţii care sunt foarte limitate (înguste, precise).
Analiştii în domeniul decizional şi al riscului au dezvoltat câteva metode pentru a opera
cu astfel de situaţii. În continuare sunt descrise câteva dintre aceste metode.

8. Preferinţa între Pariuri

În cadrul acestor metode, probabilităţile sunt determinate cerând expertului să aleagă ce
variantă preferă într-un pariu privind evenimente care vor avea loc în viitor. Pentru a evita
aversiunea fată de risc, pe care o au mulţi oameni, sumele pe care se pariază trebuie să fie mici.
De exemplu, este oferită o alegere între următorul pariu şi opusul său:

Pariu Opusul pariului

Câştigi X$ dacă un nou competitor intră pe piaţă Pierzi X$ dacă un nou competitor intră pe piaţă

Pierzi Y$ dacă nu va apare nici un competitor Câştigi Y$ dacă nu apare nici un competitor

Valorile pariului, sumele X$ şi Y$ sunt ajustate până când expertului îi este indiferent
dacă alege una sau alta dintre variantele pariului. În acest punct, valorile aşteptate pentru fiecare
parte a pariului sunt egale în mintea sa (vezi Seminarul 2, trasarea funcţiei de utilitate a unui
decident). Aşadar,

X$P(C) - Y$[1 - P(C)] = - X$P(C) + Y$ [1-P(C)] ,

unde P(C) este probabilitatea ca un nou competitor să intre pe piaţă. Rezolvând această ecuaţie,
determinăm P(C):

P(C) = Y$ / (X$ + Y$)

65
 De exemplu, dacă expertului îi este indiferent dacă alege pariul sau opusul pariului în
următoarea situaţie:
Pariu Opusul pariului
Câştigi 900$ dacă un competitor intră pe piaţă Pierzi 900$ dacă un competitor intră pe piaţă

Pierzi 100$ dacă nici un competitor nu intră pe Câştigi 100$ dacă nici un competitor nu intră pe
piaţă piaţă

atunci probabilitatea subiectivă estimată ca un nou competitor să intre pe piaţă va fi:

P(C) = 100$/ (100$ + 900$) = 0.10 (sau 10%)

9. Diagrame de influenţă
Adeseori, descompunerea unui eveniment în evenimente cauzale condiţionale ajută
experţii să evalueze riscul asociat sistemelor complexe. Structura evenimentelor cauzale
condiţionale poate fi reprezentată cu ajutorul unor diagrame de influenţă. Diagramele de
influenţă ilustrează interdependenţele dintre evenimente cunoscute (inputuri), scenarii şi
incertitudini (variabile intermediare), şi un anumit eveniment de interes (output). Un model al
diagramei de influenţă include noduri de risc reprezentând condiţiile incerte ce însoţesc un
anumit eveniment sau rezultat. Relaţiile dintre noduri sunt indicate prin săgeţi de conexiune,
numite arce de influenţă. Reprezentarea grafică a riscurilor şi relaţiilor acestora cu
componentele procesului şi rezultatele ajută utilizatorii să vizualizeze impactul incertitudinilor
externe asupra activităţii organizaţiei.
Deşi această abordare creşte numărul de evaluări ale probabilităţilor anumitor
evenimente, ea permite şi considerarea părerilor mai multor specialişti şi experţi, şi, de
asemenea, ajută combinarea datelor empirice cu cele obţinute subiectiv. De exemplu, intrarea
unui nou competitor pe piaţă poate fi descompusă utilizând o diagramă de influenţă precum cea
din Figura 5.4.
Schimbare adversă în
reglementări
(R)
Competitor nou
Produs
(i) (C)

Introducerea
unei noi tehnologii
(T)
(T)

Figura 5.4

66
 Probabilitatea apariţiei unui nou competitor, P(C) poate fi estimată utilizând metoda
Bayesiană. Regula lui Bayes spune că:

P(C )   P(Ci Ri , Ti ) P( Ri , Ti ) ,
i

unde i este indicele produsului, P(Ri,Ti) este probabilitatea comună a apariţiei unei schimbări
adverse in reglementări şi introducerea unei noi tehnologii, iar P(CiRi,Ti) constituie
probabilitatea condiţionată ca un nou competitor să intre pe piaţa produsului i. Această formulă
este utilă când evaluarea probabilităţilor condiţionate P(CiRi,Ti) este mai uşoară decât calculul
direct al lui P(C).
Mai mulţi experţi diferiţi pot fi rugaţi să estimeze probabilităţile comune şi condiţionate.
De exemplu, un expert (sau grup de experţi) poate evalua probabilitatea unor reglementari
adverse pentru un produs specific, alt expert poate evalua probabilitatea introducerii unei noi
tehnologii şi al treilea poate evalua probabilitatea apariţiei unui nou competitor cunoscându-se
noile reglementări şi tehnologia nou apărută.

10. Tehnica Delphi

Oamenii de ştiinţă de la Rand Institute (http://www.rand.org/) au dezvoltat în anii 50 ai
secolului trecut, tehnica Delphi pentru prognoza scenariilor militare. Deoarece această tehnică s-
a dovedit utilă ca strategie generică pentru a obţine consensul în deciziile de grup, ea a fost
extinsă pentru evaluarea probabilităţilor de către un grup de experţi. Acest proces structurează
comunicaţiile în cadrul grupului de experţi şi, de regulă, presupune anonimitatea răspunsurilor,
utilizarea feedbackului în cadrul grupului şi posibilitatea ca oricare dintre respondenţi să îşi
modifice răspunsurile anterioare. Coordonatorul procesului Delphi pune o serie de întrebări
grupului; răspunsurile sunt înregistrate şi rezultatele sunt utilizate ca bază pentru următoarea
rundă. În mai multe iteraţii, procesul sintetizează răspunsurile, conducând la un consens care
reflectă intuiţia combinată a participanţilor, experienţa şi cunoştinţele experţilor.
Tehnica Delphi poate fi utilizată pentru a explora sau expune ipotezele şi informaţia
disponibile care conduc la diferite raţionamente, şi pentru a sintetiza raţionamentele
documentate cheie dintr-o largă arie de domenii ştiinţifice şi discipline. Ea este extrem de utilă
pentru rezolvarea problemelor care pot beneficia din emiterea unor judecăţi subiective obţinute
în colectiv.

67