Действующий
- может быть сложно определить общие шкалы, которые применяются в различных обстоятельствах, относящихся к организации;
- трудно однозначно определить шкалы, чтобы пользователи могли взвешивать последствия и вероятность последовательно;
- для определения последствий требуется одно индикативное значение, тогда как во многих ситуациях возможен диапазон значений последствий, и от этого зависит ранжирование риска;
- правильно калиброванная матрица будет включать в себя очень низкий уровень вероятности для многих индивидуальных рисков, которые трудно понять;
- ее использование очень субъективно, и разные люди часто присваивают очень разные оценки одному и тому же риску;
- риски не могут быть агрегированы (например, нельзя определить, эквивалентно ли определенное количество низких рисков или низкий риск, выявленный определенное количество раз, риску со средним уровнем значимости);
- для правильного ранжирования требуется последовательное формулирование рисков (чего трудно достичь);
- каждый рейтинг будет зависеть от способа описания риска и уровня детализации (то есть, чем более подробно описание, тем выше количество выявленных сценариев реализации, каждый из которых имеет более низкую вероятность). Способ, которым сценарии группируются вместе при описании риска, должен быть согласован и определен до ранжирования.
В случае, когда риск имеет диапазон значений последствий, он может быть отображен на графике распределения вероятностей последствий (pdf). См., например, красную кривую на рисунке Б.20.
Данные также могут быть отображены через кривую плотности распределения вероятностей (cdf), иногда называемую S-кривой.
Вероятность того, что последствие превысит конкретное значение, может быть непосредственно считана с кривой S. Например, на рисунке Б.20 указано, что с вероятностью 90% последствия не превысят значение C.
В некоторых случаях форма распределения известна исходя из теоретических соображений (например, вероятность того, что человек будет иметь определенный рост, соответствует нормальному распределению). В других случаях форма распределения может быть получена из имеющихся данных или является результатом применения моделирования Монте-Карло (см. Б.5.10).
Также можно использовать экспертное заключение для оценки нижней точки диапазона последствий, вероятной средней точки и верхней точки диапазона. Затем можно использовать различные формулы для определения среднего значения последствия, дисперсии и кривой распределения, построенной на основе этой информации.
В pdf отображается вероятность различных значений последствий в визуальной форме, включая наиболее вероятное значение, дисперсию и вероятность возникновения экстремального события.
В некоторых случаях может оказаться полезным получить единственное репрезентативное значение из распределения вероятности, например, для сравнения с критериями оценки. Часто ожидаемое значение (эквивалентное среднему) является оптимальной оценкой величины последствий (т.к. эквивалентно сумме вероятностей каждого результата, представленного кривой). Другие меры включают дисперсию распределения или некоторый процентиль, такой как межквартильный размах (ширина шкалы, заключенная между 25-м и 75-м процентилями) или 5-й и 95-й процентили (см., например, VaR Б.5.12). Однако такие меры могут по-прежнему недостаточно акцентировать внимание на возможности получения чрезвычайных последствий, которые могут иметь важное значение для принятия решений.
2 При планировании мер реагирования на пожар учитываются как экстремальные явления, так и ожидаемые последствия.
S-кривая является полезным инструментом при обсуждении значений последствий, представляющих приемлемый риск. Это инструмент представления данных, позволяющий легко увидеть вероятность того, что последствия превысят заданное значение.
Для получения S-кривой требуются данные или суждения, из которых может быть получено достоверное распределение. Хотя распределение может быть построено на основе суждения с небольшим количеством данных, достоверность распределения и его статистические характеристики будут тем больше, чем больше качественных данных будет доступно.
Результатом является диаграмма, которая может использоваться лицами, принимающими решения, при рассмотрении приемлемости риска, и ее статистические характеристики, которые могут быть сопоставлены с определенными критериями.
- технология позволяет представить величину риска в тех случаях, когда есть распределение последствий;
- эксперты обычно могут судить о максимальных, минимальных и наиболее вероятных значениях последствий и давать разумную оценку вероятной формы распределения. Перевод этой информации в форму плотности распределения вероятностей облегчает пользование этой информацией для непрофессионала.
- метод может создать впечатление точности, которая не оправдана уровнем достоверности данных, из которых было получено распределение;
- для любого метода получения точечного значения или значений для представления распределения последствий существуют основные допущения и неопределенности в отношении:
- распределения и их статистические данные, основанные на опыте или прошлых данных, по-прежнему дают мало информации о вероятности будущих событий с экстремальными последствиями, но с низкой вероятностью.
[1] | МЭК 61508(все части) | Системы электрические/электронные/программируемые электронные, связанные с функциональной безопасностью (Functional safety of electrical/electronic/programmable electronic safety-related systems) |
[2] | МЭК 61511(все части) | Безопасность функциональная. Системы безопасности, обеспечиваемые приборами для сектора обрабатывающей отрасли промышленности (Functional safety - Safety instrumented systems for the process industry sector) |