La gestione del rischio (RM) si basa sulla capacità di valutare la minaccia totale che un’organizzazione deve affrontare. Questa valutazione non è una semplice somma; è un processo complesso noto come aggregazione del rischio: la composizione dei rischi individuali in un rischio complessivo. Aggregare il rischio in modo accurato è fondamentale, poiché le risposte al rischio dovrebbero essere basate su informazioni globali e permettere una misurazione più completa dell’efficacia delle azioni intraprese.
Tuttavia, non esiste un unico metodo universale per l’aggregazione. Il rischio può essere descritto in modi molto diversi a seconda del contesto. Ad esempio:
- Parametri Discreti: Il rischio è la combinazione di probabilità e magnitudo/gravità delle conseguenze (spesso utilizzato nella gestione dei progetti).
- Parametri Continui: Il rischio è descritto come una distribuzione di possibilità per le conseguenze (comune nel settore finanziario).
Queste diverse descrizioni richiedono approcci di aggregazione e misure di interazione specifici.
Scenario 1: Aggregazione dei Rischi Indipendenti
Quando i rischi sono totalmente indipendenti (cioè, non si influenzano reciprocamente), l’aggregazione è il caso più semplice.
Rischio Lineare e Misure Standard
Il principio generale stabilisce che, in assenza di interazione, il rischio complessivo è pari alla somma dei rischi individuali.
- Per Rischi Discreti: Se un rischio è misurato moltiplicando la conseguenza per la probabilità, il rischio totale è dato dalla somma di questi prodotti per ogni rischio individuale.
- Per Rischi Continui: Se si utilizzano misure finanziarie standard come la Conseguenza Attesa (E(C)) o il Value-at-Risk (VaR), il rischio complessivo è calcolato sommando semplicemente i valori individuali di E(C) o VaR.
Aggregazione in Ambienti Vaghi (Fuzzy)
Spesso, i dati sono insufficienti o l’ambiente è troppo vago per utilizzare valori precisi. In questi scenari, si fa ricorso a metodi che gestiscono l’incertezza, principalmente divisi in due categorie:
- Teoria Fuzzy: Il rischio viene descritto tramite insiemi fuzzy. Il processo prevede la valutazione del rischio con tali insiemi, l’aggregazione tramite algoritmi specifici (come il ragionamento evidenziale), e infine la defuzzificazione per ottenere un valore quantitativo.
- Matrici di Rischio: Le matrici di rischio sono strumenti visivi efficaci in ambienti di dati scarsi. Queste matrici classificano i rischi in base a due dimensioni – la conseguenza e la probabilità/verosimiglianza – assegnando una classificazione (ad esempio, rosso, giallo o verde). L’aggregazione avviene attraverso metodi di composizione e la successiva trasformazione del risultato in un valore specifico.
Scenario 2: Aggregazione dei Rischi Interagenti
Nella realtà, i rischi sono raramente isolati; spesso l’accadimento di uno influenza gli altri. Quando i rischi interagiscono, è fondamentale considerare l’impatto di questa relazione.
Interazione per Rischi Descritti da Parametri Discreti
L’interazione può essere di due tipi, influenzando la probabilità o le conseguenze:
- Interazione Probabilistica: L’accadimento di un rischio può modificare la probabilità che ne accada un altro. I metodi di aggregazione in questo caso si basano su teorie statistiche consolidate, come la probabilità condizionale o il teorema di Bayes.
- Interazione Consequenziale: Quando più rischi si verificano insieme, le conseguenze congiunte sono spesso più gravi della semplice somma lineare delle singole conseguenze, portando al problema della non-additività. Per affrontare questo problema, sono stati introdotti approcci che integrano la misura fuzzy e l’integrale di Choquet. Questi metodi spostano l’attenzione dal rischio individuale a insiemi di rischio, facilitando la comprensione dell’effetto congiunto di più pericoli.
Interazione per Rischi Descritti da Parametri Continui
In questo scenario (dove il rischio è una variabile casuale che descrive la conseguenza), la relazione è spiegata come la correlazione tra queste variabili.
Due sono i metodi principali:
1. Metodi Basati sul Coefficiente di Correlazione: Questi approcci sono semplici: calcolano la magnitudo di ciascun rischio e li aggregano utilizzando una matrice di coefficienti di correlazione. Tuttavia, la loro applicazione è limitata perché i coefficienti standard, come quello di Pearson, spesso non riescono a spiegare efficacemente le correlazioni non lineari o negative tra i rischi.
2. L’Approccio basato sulla Funzione Copula: La funzione Copula è stata sviluppata dal Teorema di Sklar nel 1959 e introdotta nella gestione del rischio in tempi successivi. Il rischio aggregato è inteso come la somma delle variabili. La Copula funge da “funzione di connessione”, collegando le funzioni di distribuzione marginale in una distribuzione congiunta. Il suo vantaggio fondamentale è la sua flessibilità: essa scompone la distribuzione congiunta in una distribuzione marginale e nella struttura di correlazione. Questo permette di descrivere in modo flessibile la struttura di correlazione anche per variabili diverse. L’aggregazione tramite Copula utilizza tipicamente la simulazione Monte Carlo per calcolare la distribuzione e il valore finale del rischio complessivo.
Prospettive Future nella Ricerca sull’Aggregazione
I diversi approcci riassunti in questo lavoro contribuiscono significativamente allo studio dell’aggregazione del rischio, ma la ricerca deve ancora affrontare due problemi cruciali per migliorare la gestione del rischio:
1. Sviluppare un Quadro di Integrazione Generale: I metodi attuali aggregano il rischio da prospettive diverse, ma i loro principi non sono sempre coerenti con i concetti comuni della gestione del rischio. È necessario un quadro teorico generale per guidare la ricerca futura in diversi scenari di rischio.
2. Chiarire l’Interazione del Rischio: Le relazioni tra i rischi sono complesse. Nonostante gli studi esistenti abbiano discusso l’interazione, sono sparsi e non coprono tutte le possibili situazioni. È indispensabile un’analisi più approfondita dell’interazione tra i rischi nel campo dell’aggregazione.
Questa analisi è basata sulle conclusioni della ricerca presentata alla 9th International Conference on Information Technology and Quantitative Management, condotta da Meng Cai, Chunbing Bao e Qingchun Meng.