Кейс по моделированию операционного риска на основе данных управленческой отчетности предприятия (производственных, технических, экономических и других отчетов) в рамках зимней сессии Автономной некоммерческой организации дополнительного профессионального образования «Институт стратегического анализа рисков управленческих решений» (АНО ДПО «ИСАР») представил риск-менеджер «АИМ Холдинга» Дмитрий Тулубаев.
– Для начала хотелось бы уточнить, что мы подразу-меваем под операционным риском. Это был первый вопрос, который мы себе задали, когда разрабатывали эту методологию. 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 с 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. 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.
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 так называемые «черные лебеди»), которое не имело места в прошлом, но в будущем теоретически возможно. Дополнительные сценарии включаются в получившееся ранее распределение и, как правило, формируют его «хвост» (маловероятные сценарии с катастрофическим ущербом). Задача инженеров, посещающих предприятия в рамках риск-сюрвея, – 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. 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.
Мы смотрим на риск как на волатильность тех или иных производственно-экономических показателей.
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.
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 представляет 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 негативное воздействие на окружающую среду (№ 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 (операционные расходы) 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.
Преимущество подхода «сверху вниз» заключается в том, что можно быстро и приблизительно оценить риск – посмотрев статистику, предположить, что в следующем году риск будет сопоставимым.
Резюмируя, стоит сказать, что операционный риск состоит из пяти индивидуальных моделей, каждая часть моделируется по‑своему, и ее нужно валидировать 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.
Дмитрий ТУЛУБАЕВ, риск-менеджер «АИМ Холдинга»,
Елена ВОСКАНЯН, журналист
