Операционный риск — принципы моделирования и практические рекомендации

Кейс по моделированию операционного риска на основе данных управленческой отчетности предприятия (производственных, технических, экономических и других отчетов) в рамках зимней сессии АНО ДПО «ИСАР» представил риск-менеджер «АИМ Холдинга» Дмитрий Тулубаев.

«Для начала хотелось бы уточнить, что мы подразумеваем под операционным риском. Это был первый вопрос, который мы себе задали, когда разрабатывали эту методологию, — говорит Дмитрий Тулубаев. — Так сложилось, что в нашей компании много руководителей-выходцев из банковского, финансового сектора, и мы решили объединить подходы к операционному риску со стороны банка и со стороны производственной компании: взяли банковские классификаторы и наложили на них специфику химического производства (завода). Результат получился интересным: те вещи, которые были на слуху, и которые в головах людей были связаны с операционным риском, полностью легли в этот классификатор, в то время, как какие-то вещи, которые являются важными для банка, для нас оказались менее релевантны, мы вынесли их в категорию «прочие риски». Например, для банка очень важны риски внутреннего и внешнего мошенничества. Для химзавода они, вероятно, тоже актуальны, но идут далеко не в числе первых рисков. И наоборот — риски, связанные с поломкой оборудования менее важны для банка и более важны для реального производства».

Внедряемая методология подразумевает оценку операционного риска на основании риск-моделей по пяти основным видам последствий:

  • Прерывание бизнеса. Холдинговая компания ожидает, что завод произведет определенный объем продукции. Риск заключается в том, что он не сможет произвести запланированный объем ввиду  остановов, снижения мощностей. Последствия от этого риска можно условно назвать BI (business interruption) — прерывание производства.
  • Перерасход ресурсов (Ошибки при управлении процессами). Вторая часть операционного риска связана с тем, что завод произвел запланированный объем продукции, при этом из-за каких-то сбоев было затрачено больше ресурсов (электроэнергии, воды, сырья).
  • Претензии к качеству продукции. Завод произвел столько продукции, сколько требовалось, не превысив нормы по ресурсам, но продукция, которую поставили клиенту, оказалась низкого качества. Производителю пришли рекламации, клиент вернул продукцию, и завод понес финансовые убытки в связи низким качеством продукции.
  • Ущерб материальным активам. Завод произвел качественную продукцию в нужном объеме, не затратив лишних ресурсов, однако на производстве произошли поломки, оборудование вышло из строя, и предприятие потратило намного больше средств на поддержание оборудования в работоспособном состоянии, чем планировалось.

Озвученные риски могут коррелировать между собой. Например, авария может привести к прерыванию бизнес-процессов и дополнительным затратам на восстановление оборудования.

  • Экология. Завод может отлично работать с точки зрения экономики, но загрязнять окружающую среду и получать за это штрафы.

Важный момент — как рассматривать реализацию риска.

«В рамках данного подхода мы смотрим на риск как на волатильность тех или иных производственно-экономических показателей, — комментируют Алексей Сидоренко и Дмитрий Тулубаев. — Рассмотрим на примере BI — риска прерывания производства. Фактом его реализации является недовыпуск продукции, поэтому фактический объем производства мы сравниваем с той мощностью, которая закладывалась в годовой бюджет. Речь идет не просто о проектной мощности, а о средней мощности с учетом выполнения всех необходимых ремонтов. И вот мы видим, что по какому-то продукту в начале года идем в пределах среднего плана, но в отдельные месяцы имеют место просадки производства. Опираясь на эту статистику, пытаемся подобрать распределение, то есть строим имитационную модель, которая покажет, насколько возможно отклониться от заложенных в план объемов производства».

Поскольку завод может производить десятки разных продуктов, моделирование необходимо делать по каждому виду продукции. Таким образом, можно увидеть маржинальность по каждому продукту, определить, какие будут потери, и как снизятся показатели доходности завода в случае, если он не произведет одну тонну конкретного продукта. Далее в каждом сценарии суммируются отклонения по всем продуктам и получаются совокупные последствия от риска прерывания производства для завода целиком. В результате получается распределение ущерба от риска перерыва производства на годовом горизонте. Это распределение фактически является приближением той статистики по волатильности объемов производства, которая была в прошлом.

Важное уточнение: в данном примере моделирование затрагивало только  конечные продукты. При этом также есть промежуточные продукты (например, завод производит аммиак, из которого производятся другие продукты), но они не учитывались в моделировании. Эксперты по рискам смотрели за волатильностью только тех продуктов, которые продаются клиенту.

«Можно усложнить эту модель и сделать ее более точной –  смоделировать всю производственную цепочку завода, то есть следить за волатильностью каких-то промежуточных продуктов и просчитывать, как это повлияет на волатильность конечных продуктов. Однако не нужно это делать по тем линиям, где волатильность небольшая — в принципе не так важно, что там происходит внутри. Мы выполняем такую работу по тем продуктам, где видим высокий риск», — уточнил Алексей Сидоренко.

Преимущество подхода «сверху вниз» заключается в том, что можно быстро и приблизительно оценить риск – посмотрев статистику, предположить, что в следующем году риск будет сопоставимым.

Следующий шаг — с помощью экспертов (риск-инженеров в рамках независимых сюрвеев и профильных специалистов) рассматриваются аналитические сценарии, и определяется, может ли произойти какое-то событие (в том числе рассматриваются т.н. «черные лебеди»), которое не имело место в прошлом, но в будущем теоретически возможно. Дополнительные сценарии включаются в получившееся ранее распределение и, как правило, формируют его «хвост» (маловероятные сценарии с катастрафическим ущербом). Задача инженеров, которые в рамках риск-сюрвея ездят на предприятия, — собрать сценарии, которые потом добавляются в общее распределение операционного риска по заводу.

«Зачастую внешние риск-инженеры привыкли делать стандартные вещи, но мы, как правило, сильно меняем технические задания, и на все инженерные выезды на заводы ездим вместе с ними, чтобы воочию прочувствовать профиль риска. В частности, вместе с риск-инженерами спускались на 1447 метров под землю в одной из калийных шахт, — отмечает Алексей Сидоренко. – Можно привести в качестве примера проект по HAZID/HAZOP. Эксперты, имеющие опыт управления соответствующим оборудованием, выезжают на места, просчитывают реальные сценарии на основе статистики инцидентов в России и мире и, исходя из нее, делают более сложную модель того, что может произойти. Эти результаты мы добавляем в свою модель, и она в какой-то части становится более точной, то есть учитывает дополнительные сценарии. Вообще, это непрерывный процесс: мы начинаем с самой простой модели, которая в рамках своего жизненного цикла усложняется там, где это целесообразно. Нам важнее на более простой модели посчитать совокупный риск по всем заводам и потом начать углубляться в каждый конкретный риск и каждый конкретный завод».

С другими рисками, например, по перерасходу ресурсов и по ущербу имуществу, риск-менеджеры также смотрят на волатильность конкретных показателей, строят имитационную модель и добавляют аналитические сценарии. Например, для риска по ресурсам оценивается волатильность фактического потребления ресурса (природного газа, пара, электроэнергии и других) по сравнению с заданным нормативом, а для риска по имуществу оценивается волатильность затрат на поддержание активов (ремонтный фонд и другие).

Предлагаемый подход обладает рядом преимуществ и имеет потенциал для постоянного улучшения.

  1. Анализ сверху вниз позволяет выявить недостатки управленческой отчетности. Если существенный риск произошел, но не отразился в отчетности – значит, важные показатели не отслеживаются (либо произошедшее – не риск). Если влияние риска не может быть отделено от управленческих решений – значит, детализация мониторинга недостаточна;
  2. Анализ рисков на основе управленческой отчетности позволяет избежать искажений. Риски анализируются на тех же данных, которые являются основой принятия бизнес-решений. Использование отчетности о реализовавшихся рисках, формирующейся параллельно, в отрыве от основной отчетности, часто занижает оценку риска. Однако, такие перечни инцидентов, аварий и так далее могут быть использованы как вспомогательный инструмент для подтверждения оценок;
  3. Такой анализ рисков позволяет выявить области для более детального анализа. Факторы, имеющие наибольшую волатильность и дающие наибольший вклад в оценку риска, могут быть оценены с большей детализацией. Линейный менеджмент может предлагать более точные модели, объясняющие волатильность (для снижения платы за риск). Для построения более детальных моделей могут привлекаться профильные эксперты (проведение HAZID/HAZOP, независимые сюрвеи и так далее).

«И в банках, и в реальном секторе традиционно применяется следующий подход к операционному риску: собираются риск-события и условия, моделируется их частота и последствия от наступления. Если бы мы пошли таким путем, то пропустили бы многие по факту случавшиеся риски, но по какой-то причине не отраженные во внутренней отчетности. Мы осознанно пошли сверху, чтобы посмотреть, что условно происходит с затратами на воду, электричество, пар, что происходит с объемами продукции, с волатильностью бюджета на ремонты. Тем самым, пытались нивелировать качество сбора статистики, отчетности, которая есть в организации, — поясняют Алексей Сидоренко и Дмитрий Тулубаев. – Еще одно преимущество подхода, когда мы опираемся на управленческую отчетность и по ней понимаем, какие риски реализовывались, в том, что таким образом избегаем искажения данных. Мы не раз сталкивались с тем, что есть статистика перерывов производства, ущерба имуществу и статистика инцидентов. Казалось бы, можно по ней построить распределение, при этом сопоставляя эту статистику с объемами производства. Однако мы увидели, что статистика инцидентов в разы меньше. Начали детально разбираться и выяснили, что часть инцидентов не учтена потому, что они иначе классифицированы, или находятся на стадии расследований, или, возможно, этот инцидент просто забыли включить в статистику. Несмотря на это, имеющаяся статистика важна, но она может использоваться только как вспомогательная — для проверки наших основных выводов, полученных на базе управленческой отчетности».

Одним из важнейших для химического предприятия является экологический риск. Как правило, он оценивается на основе статистики мониторинга концентраций и переводится в денежное выражение согласно применимым нормам законодательства.

Экологический риск представляется собой совокупность четырех основных последствий, связанных с нарушениями в области: сброса сточных вод, размещения отходов, обращения с недрами, выбросов в атмосферу.

Например, анализ риска по воде производится следующим образом. На первом шаге анализируется статистика концентрации веществ и расхода сточных вод, строится имитационная модель, которая прогнозирует отклонения концентраций от норм или величину концентрации на какой-то период. Второй этап реализуется при участии экспертов — определяются возможные санкции по действующему законодательству. Для сточных вод это: компенсация ущерба (приказ Минприроды РФ №87), запрет сброса сточных вод по решению суда, плата за НВОС (№7-ФЗ), административное приостановление деятельности, уголовное преследование (гл. 26 УК РФ), административные штрафы (гл. 8 КОАП). На третьем шаге оценивается ущерб от санкций в денежном выражении на основе экономических показателей предприятия. К примеру, если будет запрет на сброс сточных вод, какие инвестиционные расходы потребуются для строительства очистных сооружений, например, для  выпаривания воды без сброса, какой будет OPEX для данных сооружений и так далее. Четвертый шаг – имитационное моделирование сценариев возможных потерь методом Монте-Карло.

«Посмотрев статистику реально уплаченных штрафов, мы приняли решение моделировать не условно исторический риск на основе наших штрафов, он был бы в разы меньше, а потенциальный ущерб от этого риска, то есть гипотетический риск, который мог бы быть. Стараемся достаточно консервативно смотреть на риски, связанные с экологией, и советуемся с экспертами, имеющими большой опыт в данной области. Они могут подсветить какие-то нюансы, в том числе по ужесточению законодательства. В результате такой верификации с экспертами дорабатываем нашу модель», — подчеркнули Алексей Сидоренко и Дмитрий Тулубаев.

Резюмируя, они отметили, что операционный риск состоит из пяти индивидуальных моделей, каждую часть они моделируют по-своему, стараясь валидировать ее как с владельцем риска, так и со «второй линией» – экологом или финансовым контролером – тем, кто понимает природу этого риска. Это позволяет постоянно откалибровывать логику, закладываемую в модель.

Отдельно посчитав эти части, их сводят в единое распределение по заводу или компании. После этого на уровне управляющей компании принимаются решения о резервировании в бюджете каких-то средств, достаточности капитала компании для каких-то рисков, страховании «хвоста» и по премированию (charge за риск) – система мотивации определенным образом соотносится с тем, какой риск на себя дополнительно принимает предприятие. С другой стороны, линейные руководители, видя результаты оценки, проведенной риск-менеджерами, получают сигнал, какая волатильность дает наибольший вклад в оценку риска, и, исходя из этого, могут на местах разрабатывать конкретные мероприятия для снижения этой волатильности.

Стоит обратить внимание на техническую сторону вопроса — какие инструменты используются для оценки операционного риска, и какой потенциал имеется для автоматизации данного подхода. Условно его можно разделить на четыре этапа: поиск исходных данных, их подготовка, анализ, представление результатов для принятия решения.

На текущий момент, исходные данные собираются из типовых отчетов в Excel. Для обработки этих файлов используются скрипты, например, python. На этапе анализа данных различными статистическими библиотеками подбираются распределения, проводятся симуляции. Результаты презентуются в виде отчетов и презентаций PowerPoint.

Целевое состояние, к которому планируют прийти в «АИМ Холдинге» —  использование данных напрямую из ERP, MES-систем, при необходимости – показаний КИПиА; создание Data Lake для централизованного хранения и актуализации данных; существующие алгоритмы применяются к данным по мере их обновления, а результаты предоставляются в виде дашбордов с автообновлением.

Добавить комментарий

Заполните поля или щелкните по значку, чтобы оставить свой комментарий:

Логотип WordPress.com

Для комментария используется ваша учётная запись WordPress.com. Выход /  Изменить )

Фотография Twitter

Для комментария используется ваша учётная запись Twitter. Выход /  Изменить )

Фотография Facebook

Для комментария используется ваша учётная запись Facebook. Выход /  Изменить )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.