The document discusses various concepts related to risk management. It introduces risk and quality, risk analysis, risk reporting, and how risk relates to behavior. It then provides examples of simple and extended scenario analysis as well as Monte Carlo simulation for risk assessment. It also includes examples of ways to classify probability and damage for risk scoring and reporting purposes.
Kwaliteitsmanagement kan worden beschouwd als een vorm van risicomanagement. Voortdurende kwaliteitsbewaking tijdens het proces van waardetoevoeging, minimaliseert de kans op verassingen. Kosten kunnen beter worden ingeschat, klanten komen niet voor onaangename verassingen te staan, omzetten worden voorspelbaarder, etc.
Je hebt een eigen bedrijf, produceert één product en hebt één klant. Iedere maand produceer en verkoop je 100 eenheden van je product. Je hebt met je klant afgesproken dat iedere maand een nieuwe prijs geldt (de maandprijs). De maandprijs wordt bepaald door een officiële instantie. Bij deze instantie worden iedere maand twee dobbelstenen geworpen. De maandprijs is de som van de punten van beide dobbelstenen. Je weet nu dat je omzet per maand zal liggen tussen 200 en 1.200 EUR. Gemiddeld zal je 700 EUR per maand verdienen. Zolang je geen uitgaven hebt, is dit een relatief comfortabele uitgangspositie. Stel echter dat je wel uitgaven moet doen iedere maand. Je hebt geld geleend bij de bank en de maandelijkse rentekosten daarvan bedragen 400 EUR. Wat is nu de kans dat je een maand geen winst maakt?
Stel echter dat je wel uitgaven moet doen iedere maand. Je hebt geld geleend bij de bank en de maandelijkse rentekosten daarvan bedragen 400 EUR. Wat is nu de kans dat je een maand geen winst maakt? Je maakt geen winst als er 2, 3 of 4 wordt gedobbeld. Er zijn 6 combinaties die hiervoor kunnen zorgen. In totaal zijn er 36 combinaties mogelijk. De kans is dus 6 / 36 oftewel 16,7% dat je geen winst of zelfs verlies maakt.
Stel je hebt een eigen vermogen van 200 EUR. Wat is de kans dat je binnen twee maanden failliet bent? Er zijn een aantal scenario’s die mogelijk zijn (in totaal 6), ieder met een eigen waarschijnlijkheid. In totaal is de waarschijnlijkheid dat het eigen vermogen nul of lager is binnen twee maanden 3,5%. Andersom geredeneerd kun je met 96,5% zekerheid stellen dat je niet binnen twee maanden failliet zult zijn. Hoe verandert de waarschijnlijkheid dat je binnen twee maanden failliet gaat als de rente ineens verdubbeld?
Hoe verandert de waarschijnlijkheid dat je binnen twee maanden failliet gaat als de rente ineens verdubbeld? De kans dat je in dit scenario binnen 1 maand failliet gaat is al meer dan 40%. De kans om binnen twee maanden failliet te zijn, ligt ruimschoots boven 50%.
Is het realistisch aan te nemen dat prijzen met behulp van dobbelstenen worden bepaald? Natuurlijk is er geen officiële instantie die maandprijzen bepaald (in ieder geval niet in een markteconomie) en prijzen worden al zeker niet met behulp van dobbelstenen vastgesteld. Prijzen (en andere variabelen die het resultaat beïnvloeden) variëren echter wel degelijk en hebben een bepaalde distributie. Wij gingen uit van een twee-dobbelstenen-distributie, in werkelijkheid zijn prijzen het resultaat van een functie met meerdere onzekere variabelen met onbekende distributies. .
Het goede nieuws is dat het niet nodig is de precieze distributies van de onderliggende variabelen te weten. De centrale limietstelling (statistiek) zegt namelijk dat de som van variabelen met verschillende soorten distributies, zich gedraagt als een normale verdeling. We kunnen er dus vanuit gaan dat de prijs van jouw product een variabele is met een normale verdeling als we aannemen dat de prijs in de markt ontstaat en beïnvloed wordt door meerdere verschillende variabelen.
Stel dat de maandprijs van je product het resultaat is van 8 onafhankelijke variabelen: 8 dobbelstenen. Om weer tot een standaard maandprijs te komen delen we het resultaat van de worp door 4. Er zijn dan 6 8 = 1.679.616 mogelijke combinaties (vergelijk dit met 36 bij 2 dobbelstenen) per maand en 41 mogelijke prijzen (variërend van 2 tot 12). Het gemiddelde ligt bij 7. Het verschil met twee dobbelstenen is dat er nu ook gebroken prijzen mogelijk zijn (Bijvoorbeeld 2,25 EUR). Een ander verschil is dat relatief meer scores (lees: als percentage van het totaal aantal mogelijke scores) rond het gemiddelde liggen oftewel dat extremen relatief minder vaak optreden.
Vaak worden bij de voorbereiding van projecten een aantal scenario’s doorberekend. Men gaat daarbij uit van een negatief, verwacht en positief scenario uit. Eventueel kan men een aantal variabelen gelijk houden en kijken hoe afzonderlijke variabelen het resultaat beïnvloeden. De variabelen met de sterkste invloed op het resultaat kunnen dan scherper in de gaten worden gehouden.
Bij een uitgebreide scenarioanalyse worden alle mogelijk combinaties bij gegeven scenario’s berekend. In het geval van bovenstaand voorbeeld kunnen voor de eerste variabele drie scenario’s worden berekend. Voor ieder van die drie scenario’s kunnen weer drie scenario’s voor variabele 2 worden berekend, enz., enz. In totaal zijn 3 5 = 243 combinaties mogelijk. Alle mogelijke combinaties kunnen in een cumulatieve verdelingsfunctie (cvf) worden weergegeven. In bovenstaande grafiek en uit de berekening ervan kun je concluderen dat de kans dat het project break-even of verliesgevend is rond de 48% ligt.
De aanname bij een uitgebreide scenarioanalyse is dat voor alle scenario’s geldt dat ze even waarschijnlijk zijn. In werkelijkheid zullen extreme waarden echter minder vaak voorkomen dan waarden die dicht bij het gemiddelde liggen. Door aan te nemen dat de variabelen een bepaalde verdeling hebben (men moet dan wel aannames maken omtrent de standaarddeviatie van iedere variabele) kan men simulaties maken die realistischer zijn. Dit soort simulaties worden Monte Carlo simulaties genoemd. De blauwe lijn is de cvf volgens de uitgebreide methode, de rode volgens de Monte Carlo methode. In dit geval is bij de Monte Carlo simulatie aangenomen dat alle variabelen (verkoopprijs, grondstofprijs, enz.) een normale verdeling hebben. In de praktijk kan voor iedere variabele een aparte verdeling worden gekozen, die het dichtst bij de realiteit ligt. Soms wordt een historische tijdsreeks van betreffende variabelen genomen om een verdeling te schatten. Als we in bovenstaande grafiek naar het nulpunt kijken bij de Monte Carlo simulatie (rood) ligt deze lager dan bij de uitgebreide analyse (blauw). Rekening houdende met de waarschijnlijkheid van afzonderlijke fluctuaties, ligt de kans op break-even of lager voor dit project op ongeveer 35% (was eerst 48%).
Het is erg verleidelijk om modellen aan te passen aan de verwachtingen. Soms wordt historische data verzameld, waarbij voor het gemak de extremen niet worden meegenomen. Extreme situaties (bijvoorbeeld beurscrashes) worden in dat geval beschouwd “uitzonderlijke situaties”, niet bruikbaar voor riskmodellering onder “normale omstandigheden”. Nassim N. Taleb (2007) waarschuwd echter voor onderschatting van deze zogenaamde Black Swan Events. Hij beschrijft dit aan de hand van een voorbeeld (geleend van de filosoof Bertrand Russell). Stel je bent een kalkoen. Iedere dag word je gevoed en neemt je gewicht gestaag toe. Afgaande op de dagelijkse observaties, zou je steeds meer overtuigd raken dat je gewicht continue zal toenemen met een bepaald percentage. Wat je echter niet weet is dat de hand die je voedt, dezelfde hand zal zijn die je op een bepaalde dag de nek om draait. Het is niet mogelijk om deze extremen mee te nemen in het risicomodel (bijvoorbeeld de normale distributie). Het is daarom raadzaam naast normale risicoberekeningen ook andere berekeningen uit te voeren die wel rekening houden met extreme situaties (stress tests).
In dit geval gaat het om risico’s die door externe gebeurtenissen worden veroorzaakt. Als individueel bedrijf heb je geen invloed op de kans dat de externe gebeurtenis voorkomt. Bij interne risico’s kun je maatregelen nemen om de kans op bepaalde gebeurtenissen te verkleinen. In het geval van externe risico’s kun je als bedrijf alleen proberen de gevolgen van een gebeurtenis te minimaliseren (bijvoorbeeld m.b.v. verzekeringen, contracten, flexibilisering)
Stel je produceert champagne en je weet met 100% zekerheid dat van iedere 100 flessen er 3 zullen knappen (niet meer en niet minder) *. Is er dan sprake van risico? In dit geval zal je de drie kapotte flessen waarschijnlijk als kosten beschouwen en meenemen in de calculatie van de kostprijs. Als het percentage knappende flessen tussen 1 en 5% ligt (gemiddeld 3%), kun je ook het gemiddeld aantal flessen als kostenpost incalculeren, maar je weet niet zeker of je in de toekomst exact 3 knappende flessen zult hebben. Risico heeft te maken met onzekerheid van uitkomst. De volgende vraag is: welk risico accepteer je en welk risico probeer je te minimaliseren. * Voorbeeld uit “Risk, Uncertainty and Profit”, Frank H. Knight, 1921
Je hebt de risico’s onderzocht: wat doe je?
Uit het onderzoek Tversky en Kahnemann (1979) bleek dat in een winstsituatie slechts 20% bereid is risico te nemen (hier: 45%), terwijl in een verliessituatie 92% van de respondenten gokt (hier: 77%). De eigen enquête is niet wetenschappelijk. De deelnemende studenten hebben elkaar deels beïnvloed. Voorbeelden van dit gedrag met desastreuze gevolgen zijn: Barings en recentelijker Societe Generale.