ГОСТ Р 58771-2019 Менеджмент риска. Технологии оценки риска (Переиздание)

     Б.5 Технологии понимания последствий, вероятности и риска

Б.5.1 Общие положения

Методы в этом разделе направлены на то, чтобы обеспечить более полное понимание последствий и их вероятности. В целом последствия могут быть изучены путем:

- экспериментов, таких как клеточные исследования для изучения последствий воздействия токсинов с результатами, связанными с рисками для здоровья человека и окружающей среды;

- исследования прошлых событий, включая эпидемиологические исследования;

- моделирования для определения того, как последствия развиваются после некоторого триггера, и как это зависит от контроля на месте. Это может включать математические или инженерные модели и логические методы, такие как анализ дерева событий (см. Б.5.2);

- методов поощрения творческого мышления, такие как сценарный анализ (см. Б.2.5).

Вероятность события или конкретного последствия может быть оценена путем:

- экстраполяции из исторических данных (при наличии достаточных соответствующих исторических данных для того, чтобы анализ был статистически достоверным). Это особенно применимо к нулевым происшествиям, когда нельзя предположить, что, поскольку событие или следствие не произошло в прошлом, то оно не произойдет в ближайшем будущем;

- синтеза из данных, относящихся к показателям отказа или успеха компонентов систем: использование таких методов, как анализ дерева событий (см. Б.5.5), анализ дерева отказов (см. Б.5.6) или анализ последствий (см. Б.5.7);

- методов моделирования, чтобы генерировать, например, вероятность отказа оборудования и структурные отказы из-за старения и других процессов деградации.

Экспертов можно попросить высказать свое мнение о вероятностях и последствиях с учетом соответствующей информации и исторических данных. Существует ряд формальных методов для выявления экспертных оценок, которые делают использование суждения видимым и явным (см. Б.1).

Последствия и их вероятность могут быть объединены, чтобы представить уровень риска. Это можно использовать для оценки значимости риска путем сравнения уровня риска с критерием приемлемости или ранжирования рисков.

Методы сочетания качественных значений следствия и вероятности включают индексные методы (см. Б.8.6) и матрицы последствий и вероятности (см. Б.9.3). Единая мера риска также может быть получена из распределения вероятностей последствий (см., например, VaR [см. Б.5.12] и CVaR [см. Б.5.13] и S-кривые [см. Б.9.4]).

Б.5.2 Байесовский анализ

Б.5.2.1 Обзор

Обычно возникают проблемы, когда есть как данные, так и субъективная информация. Анализ Байеса позволяет использовать оба типа информации при принятии решений. Байесовский анализ основан на теореме, приписываемой преподобному Томасу Байесу (1760). В самой простой теореме Байеса дается вероятностная основа для изменения одного мнения в свете новых доказательств. Она обычно выражается следующим образом:

,

где - является предварительной оценкой вероятности А (априорная вероятность);

- является предварительной оценкой вероятности В (априорная вероятность);

- вероятность события А при условии, что произойдет событие В (апостериорная оценка);

- вероятность события В при условии, что произойдет событие А.

Теорема Байеса может быть расширена, чтобы охватить несколько событий в конкретном выборочном пространстве.

Например, предположим, что у нас есть некоторые данные , которые мы хотим использовать для обновления нашего предыдущего понимания (или отсутствия) риска. Мы хотим использовать эти данные для оценки относительных качеств числа () несовместных гипотез, которые мы будем обозначать через (где =1, 2, ..., ). Тогда теорему Байеса можно использовать для вычисления вероятности -й гипотезы по формуле:

,

где =1, 2 ......, .

Формула показывает, что после учета новых данных обновленная вероятность гипотезы [т.е. ] получается путем умножения его предыдущей вероятности на скобки.