# ============================================ # リスク分析：期待損失の計算 # ============================================ import numpy as np import pandas as pd import matplotlib.pyplot as plt # 日本語フォント設定 plt.rcParams[‘font.sans-serif’] = [‘Arial Unicode MS’, ‘Yu Gothic’, ‘Hiragino Sans’] plt.rcParams[‘axes.unicode_minus’] = False # ——————————————– # プロジェクトのリスク一覧を定義 # ——————————————– risks = [ {“名称”: “大手競合の参入”, “カテゴリ”: “戦略”, “発生確率”: 0.40, “影響度”: 5000}, {“名称”: “サプライチェーン障害”, “カテゴリ”: “オペレーション”, “発生確率”: 0.20, “影響度”: 3000}, {“名称”: “キーパーソン退職”, “カテゴリ”: “オペレーション”, “発生確率”: 0.15, “影響度”: 1500}, {“名称”: “為替レート変動”, “カテゴリ”: “財務”, “発生確率”: 0.60, “影響度”: 800}, {“名称”: “情報漏洩”, “カテゴリ”: “コンプライアンス”, “発生確率”: 0.05, “影響度”: 10000}, {“名称”: “製品リコール”, “カテゴリ”: “オペレーション”, “発生確率”: 0.10, “影響度”: 4000}, {“名称”: “規制変更”, “カテゴリ”: “コンプライアンス”, “発生確率”: 0.30, “影響度”: 2000}, {“名称”: “システム障害”, “カテゴリ”: “オペレーション”, “発生確率”: 0.10, “影響度”: 1000}, {“名称”: “SNS炎上”, “カテゴリ”: “レピュテーション”, “発生確率”: 0.08, “影響度”: 6000}, {“名称”: “自然災害”, “カテゴリ”: “オペレーション”, “発生確率”: 0.05, “影響度”: 8000}, ] # DataFrameに変換 df = pd.DataFrame(risks) # 期待損失（リスク値）を計算 df[“期待損失”] = df[“発生確率”] * df[“影響度”] # 期待損失の降順でソート df_sorted = df.sort_values(“期待損失”, ascending=False) print(“【リスク一覧と期待損失（単位：万円）】”) print(“=” * 70) print(df_sorted[[“名称”, “発生確率”, “影響度”, “期待損失”]].to_string(index=False)) print() print(f”合計期待損失: {df[‘期待損失’].sum():,.0f}万円”)

# ——————————————– # パレート分析：上位リスクで全体の何%か # ——————————————– total = df_sorted[“期待損失”].sum() df_sorted[“累積期待損失”] = df_sorted[“期待損失”].cumsum() df_sorted[“累積割合”] = df_sorted[“累積期待損失”] / total * 100 print(“【パレート分析】”) print(“=” * 70) for i, (_, row) in enumerate(df_sorted.iterrows(), 1): print(f”{i}位: {row[‘名称’]}”) print(f” 期待損失: {row[‘期待損失’]:,.0f}万円 → 累積: {row[‘累積割合’]:.1f}%”) print() print(“→ 上位3つのリスクで全体の約55%を占める！”)

# ——————————————– # リスクマトリックスの可視化 # ——————————————– fig, ax = plt.subplots(figsize=(12, 8)) # カテゴリ別の色 colors_map = { “戦略”: “#ff6b6b”, “オペレーション”: “#4ecdc4”, “財務”: “#45b7d1”, “コンプライアンス”: “#f9ca24”, “レピュテーション”: “#a29bfe” } # 散布図（バブルサイズ = 期待損失） for cat in df[“カテゴリ”].unique(): df_cat = df[df[“カテゴリ”] == cat] ax.scatter( df_cat[“発生確率”] * 100, # %表示 df_cat[“影響度”], s=df_cat[“期待損失”] * 0.3, # バブルサイズ alpha=0.6, label=cat, color=colors_map.get(cat, “#95a5a6″), edgecolors=”black”, linewidths=1.5 ) # ゾーン分けの境界線 ax.axvline(x=20, color=”gray”, linestyle=”–“, alpha=0.5) ax.axhline(y=3000, color=”gray”, linestyle=”–“, alpha=0.5) ax.set_xlabel(“発生確率（%）”, fontsize=12) ax.set_ylabel(“影響度（万円）”, fontsize=12) ax.set_title(“リスクマトリックス”, fontsize=14, fontweight=”bold”) ax.legend(loc=”upper right”, fontsize=10) ax.grid(alpha=0.3) plt.tight_layout() plt.show()

# ——————————————– # リスク対策オプションの費用対効果分析 # ——————————————– print(“【大手競合参入リスクへの対策オプション】”) print(“=” * 70) print(f”現状のリスク値: 0.40 × 5,000万円 = 2,000万円”) print() # オプション1: 回避 print(“━━━ オプション1: 回避（この市場から撤退）━━━”) print(“・対策コスト: 0円”) print(“・効果: リスク完全消滅（-2,000万円）”) print(“・デメリット: 将来の収益機会も失う”) print(“・判断: 市場の将来性を慎重に評価”) print() # オプション2: 軽減 print(“━━━ オプション2: 軽減（差別化戦略）━━━”) print(“・対策内容: ブランド強化、顧客ロイヤリティ向上”) print(“・対策コスト: 500万円”) print(“・効果: 影響度 5,000万円 → 2,500万円（半減）”) risk_after = 0.40 * 2500 saving = 2000 – risk_after – 500 roi = saving / 500 * 100 print(f”・新リスク値: 0.40 × 2,500万円 = {risk_after:,.0f}万円”) print(f”・純削減効果: 2,000 – {risk_after:,.0f} – 500 = {saving:,.0f}万円”) print(f”・ROI: {roi:.0f}%”) print() # オプション3: 移転 print(“━━━ オプション3: 移転（売上減少保険）━━━”) print(“・対策内容: 保険加入（損失の80%をカバー）”) print(“・対策コスト: 300万円/年（保険料）”) print(“・効果: 実質影響度 5,000万円 → 1,000万円”) risk_after2 = 0.40 * 1000 saving2 = 2000 – risk_after2 – 300 roi2 = saving2 / 300 * 100 print(f”・新リスク値: 0.40 × 1,000万円 = {risk_after2:,.0f}万円”) print(f”・純削減効果: 2,000 – {risk_after2:,.0f} – 300 = {saving2:,.0f}万円”) print(f”・ROI: {roi2:.0f}%”) print() # オプション4: 受容 print(“━━━ オプション4: 受容（何もしない）━━━”) print(“・対策コスト: 0円”) print(“・効果: なし”) print(“・リスク値: 2,000万円のまま”) print(“・判断: 他の対策のROIが低い場合の選択肢”) print() # 推奨 print(“【推奨】オプション3（保険）が最も費用対効果が高い”) print(f” ROI {roi2:.0f}% で投資対効果が最大”)

# ============================================ # モンテカルロシミュレーション：プロジェクト収益予測 # ============================================ np.random.seed(42) # 再現性のため def project_simulation(n_simulations=10000): “”” プロジェクト収益のモンテカルロシミュレーション 不確実な要素: – 販売価格: 平均10,000円、標準偏差1,000円 – 販売数量: 平均5,000個、標準偏差800個 – 変動費率: 平均60%、標準偏差5% – 固定費: 平均1,500万円、標準偏差200万円 “”” results = [] for _ in range(n_simulations): # 各変数を正規分布から生成 price = np.random.normal(10000, 1000) quantity = max(0, np.random.normal(5000, 800)) variable_cost_rate = np.random.normal(0.60, 0.05) fixed_cost = np.random.normal(1500, 200) # 売上（万円単位） revenue = price * quantity / 10000 # 変動費 variable_cost = revenue * variable_cost_rate # 利益 profit = revenue – variable_cost – fixed_cost results.append({ ‘revenue’: revenue, ‘profit’: profit }) return pd.DataFrame(results) # シミュレーション実行 df_sim = project_simulation(10000) print(“【モンテカルロシミュレーション結果】”) print(“=” * 60) print(f”シミュレーション回数: 10,000回”) print() print(“利益の統計量:”) print(f” 平均: {df_sim[‘profit’].mean():,.0f}万円”) print(f” 中央値: {df_sim[‘profit’].median():,.0f}万円”) print(f” 標準偏差: {df_sim[‘profit’].std():,.0f}万円”) print(f” 最小値: {df_sim[‘profit’].min():,.0f}万円”) print(f” 最大値: {df_sim[‘profit’].max():,.0f}万円”)

# ——————————————– # VaR（Value at Risk）の計算 # ——————————————– # パーセンタイルでVaRを計算 var_90 = np.percentile(df_sim[‘profit’], 10) # 90% VaR（下位10%） var_95 = np.percentile(df_sim[‘profit’], 5) # 95% VaR（下位5%） var_99 = np.percentile(df_sim[‘profit’], 1) # 99% VaR（下位1%） print(“【VaR（Value at Risk）分析】”) print(“=” * 60) print() print(“VaR（最大損失額）:”) print(f” 90% VaR: {var_90:,.0f}万円”) print(f” 95% VaR: {var_95:,.0f}万円”) print(f” 99% VaR: {var_99:,.0f}万円”) print() # 損失確率 prob_loss = (df_sim[‘profit’] < 0).sum() / len(df_sim) * 100 prob_target = (df_sim['profit'] >= 500).sum() / len(df_sim) * 100 print(“リスク指標:”) print(f” 損失（赤字）の確率: {prob_loss:.1f}%”) print(f” 目標利益（500万円）達成確率: {prob_target:.1f}%”) print() print(“【解釈】”) print(f”・95%の確率で、利益は{var_95:,.0f}万円以上”) print(f”・逆に5%の確率で、{-var_95:,.0f}万円以上の損失”) print(f”・リスク予備費として約{-var_95:,.0f}万円を確保すべき”)

# ——————————————– # 感度分析：どの変数が利益に最も影響するか # ——————————————– from scipy.stats import pearsonr # 詳細なシミュレーション（変数も保存） np.random.seed(42) results_detailed = [] for _ in range(10000): price = np.random.normal(10000, 1000) quantity = max(0, np.random.normal(5000, 800)) variable_cost_rate = np.random.normal(0.60, 0.05) fixed_cost = np.random.normal(1500, 200) revenue = price * quantity / 10000 profit = revenue – revenue * variable_cost_rate – fixed_cost results_detailed.append({ ‘price’: price, ‘quantity’: quantity, ‘variable_cost_rate’: variable_cost_rate, ‘fixed_cost’: fixed_cost, ‘profit’: profit }) df_detailed = pd.DataFrame(results_detailed) # 各変数と利益の相関 print(“【感度分析：利益への影響度】”) print(“=” * 60) print() print(“各変数と利益の相関係数:”) variables = [‘price’, ‘quantity’, ‘variable_cost_rate’, ‘fixed_cost’] var_names_jp = [‘販売価格’, ‘販売数量’, ‘変動費率’, ‘固定費’] correlations = {} for var, name in zip(variables, var_names_jp): corr, _ = pearsonr(df_detailed[var], df_detailed[‘profit’]) correlations[name] = abs(corr) sign = “+” if corr > 0 else “-” print(f” {name}: {sign}{abs(corr):.3f}”) print() print(“【最も影響が大きい要素】（相関係数の絶対値順）”) sorted_corr = sorted(correlations.items(), key=lambda x: x[1], reverse=True) for i, (name, corr) in enumerate(sorted_corr, 1): print(f” {i}位: {name} ({corr:.3f})”) print() print(“→ 販売数量と販売価格の管理が最も重要！”)