La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Quantification en gestion globale des risques Enjeux et apports méthodologiques de lindustrie et de la banque Nov 2008 Laurent Condamin - Directeur Associé

Présentations similaires


Présentation au sujet: "Quantification en gestion globale des risques Enjeux et apports méthodologiques de lindustrie et de la banque Nov 2008 Laurent Condamin - Directeur Associé"— Transcription de la présentation:

1 Quantification en gestion globale des risques Enjeux et apports méthodologiques de lindustrie et de la banque Nov 2008 Laurent Condamin - Directeur Associé Elseware, , Ismail Lazrek - Directeur KXIOP, , Patrick Naïm – PDG Elseware, ,

2 Introduction Définition du risque Tout événement susceptible de se produire dans un horizon de temps défini et pouvant influencer de manière significative la réalisation des objectifs de lentreprise Comment quantifier le risque ? Approche statistique Etude de la fluctuation des objectifs dans le passé Quantification = variance Approche analytique Cartographie des risques Lapproche analytique permet laction La quantification des risques est une évaluation de lincertitude sur les objectifs. Pour être utile, cette évaluation doit être conditionnelle et donc analytique.

3 Quantification analytique Cartographie Pour atteindre ses objectifs, il faut des ressources Les ressources sont exposées à des périls La mesure analytique du risque se base sur une cartographie. La quantification qui en résulte est une distribution conditionnelle. Péril Ressource (F,G)

4 Quantification statistique Investissement financier Objectif = rendement à un horizon donné Risque = incertitude sur ce rendement Marchés efficients Les évolutions de marché sont imprévisibles (trop de facteurs) Dans ce cas (EMH), le rendement suit une loi normale. La mesure du risque Une seule valeur suffit Elle est inconditionnelle La quantification statistique du risque est issue de la finance, sous une hypothèse dite des « marchés efficients », qui rend lanalyse sans objet.

5 Les risques opérationnels Accord de Bâle II Couverture par des fonds propres de 99.9 % des risques opérationnels Applicable depuis le 1 er Janvier 2008 (quelques jours avant laffaire Kerviel …) Quantification statistique ou analytique ? Approche standard = % du PNB => Analytique Approche avancée AMA = modèles internes 4 sources de données : pertes internes, externes, indicateurs, scénarios Incitation à lapproche analytique … (AMA) Tous les risques « de pertes provenant de processus internes inadéquats ou défaillants, de personnes et systèmes ou dévénements externes » …

6 Apport de la sûreté de fonctionnement Conditions La modélisation est nécessaire pour de systèmes non encore conçus, très fiables, très coûteux, ou critiques pour la sécurité des personnes et des biens … La statistique, basée sur des essais ou des retours dexpérience ne peut être daucun secours dans ces situations. Analyse du risque Le système dans son environnement Décomposition du système Quantification sur les éléments Les études probabilistes de sûreté partagent les difficultés de lERM : situations rares ou jamais rencontrées, données ou retours dexpérience inexistants.

7 Une démarche danalyse des vulnérabilités Un opérateur travaillant sur une machine « risque » de se blesser, sil lutilise mal. Ce « risque » dépend de lexpérience de lopérateur et de la complexité de la machine. Il ne dépend pas que de cela – une part daléatoire subsiste On a construit un Graphe Causal Probabiliste Nous proposons daller plus loin dans la démarche analytique des risques, en étudiant les déterminants de la fréquence et de la gravité.

8 Graphe causal probabiliste = Réseau Bayésien Un Réseau Bayésien est défini par : Un graphe Les probabilités des variables « racines » Les probabilités conditionnelles des autres variables Le graphe définit la structure de causalité (connaissance) Les probabilités définissent la part daléatoire Il existe un objet mathématique adapté à la construction de modèles de dépendances probabilistes : le réseau bayésien

9 Le réseau bayésien pour le « risque » daccident La probabilité dun accident augmente : Si lutilisateur est peu expérimenté ou si la machine est complexe. Le réseau bayésien est construit à partir de connaissances du domaine et de données internes ou externes.

10 Prise en compte des décisions Deux nouvelles « variables » Décision de mettre en place une formation des opérateurs Choix dun fournisseur de machines Le modèle se complète : La décision de mise en œuvre dun programme de formation des opérateurs améliore le niveau des opérateurs. Le choix dun fournisseur joue un rôle sur la complexité de la machine. Ces deux facteurs (niveau des opérateurs et complexité de la machine) modifient la probabilité dun accident. Le coût du risque est égal au à la somme des coûts des décisions et des coûts liés aux accidents. On peut augmenter un réseau bayésien en ajoutant des nœuds matérialisant des décisions.

11 Le modèle complété : diagramme dinfluence

12 Généralisation – le modèle XSG Objectif : généraliser la démarche à tout type de risque Base – Notion de vulnérabilité (ARM) Ressource en risque Péril, cest-à-dire lévénement « aléatoire » auquel la ressource est exposée. Conséquence, cest-à-dire la gravité possible (financière ou autre) si la ressource est frappée par le péril. Décomposition à la base des démarches de cartographie : Croisement des ressources et des périls permet didentifier les scénarios les plus probables, ou les plus graves. Le modèle XSG permet de représenter une vulnérabilité quelconque sous forme dun réseau bayésien.

13 Généralisation : le modèle XSG (2) Transposition quantitative du modèle de la Vulnérabilité Objet EXPOSITION Péril SURVENANCE Conséquence GRAVITE Ces grandeurs font lobjet dun modèle causal probabiliste : LEXPOSITION (nombre dobjets soumis au risque) LA SURVENANCE (la probabilité quun objet soit touché) LA GRAVITE (coût du sinistre sil est survenu) La transposition en modèle XSG permet denvisager la quantification analytique du risque.

14 Déterminants, réduction, et coût du risque La distribution de X, S et G peut être modifiée par certains facteurs Les déterminants contrôlables sont des leviers de réduction Le contrôle de lexposition, de la survenance et de la gravité correspond aux trois grandes approches de la réduction des risques : Contrôle de lexposition = Evitement Contrôle de la survenance = Prévention Contrôle de la gravité = Protection Mettre en place une mesure de réduction Modifier la distribution dun déterminant de X, S, ou G (et réduire le risque !) Supporter un coût direct Supporter un coût dopportunité La construction dun modèle XSG permet aussi de réfléchir à des mesures de réduction – attention, le modèle ne contient pas tout …

15 Les différentes étapes de création dun modèle Analyser le scénario avec les experts Transposer le scénario en modèle XSG Collecter les données permettant dévaluer les probabilités Effectuer les simulations Etudier les sensibilités et en déduire les axes de réduction RISK MANAGER MODELISATEUR EXPERT

16 Exemple 1 Exemple fictif : Risque daccident sur un tronçon de route

17 Exemple 2 Risque opérationnel (Bâle 2) : risque derreur de saisie

18 Exemple 3 Grippe Aviaire (inspiré des simulations de lIVS)

19 Le coût du risque comme modèle causal probabiliste


Télécharger ppt "Quantification en gestion globale des risques Enjeux et apports méthodologiques de lindustrie et de la banque Nov 2008 Laurent Condamin - Directeur Associé"

Présentations similaires


Annonces Google