Я был поставлен в тупик. В то время у меня не было данных о проектах по выводу ядерных объектов из эксплуатации (сегодня они есть). И я не думал, что смогу их получить. В мире было выведено из эксплуатации очень мало атомных станций, и те немногие были сделаны при очень особых обстоятельствах; вспомните Чернобыль и остров Три-Майл. Швеция станет первой страной, которая проведет плановый вывод из эксплуатации целого парка реакторов. "Я не могу помочь", - сказал я. "Извините".

Но Бергендаль увидел то, чего не увидел я. Он сказал, что консультанты предоставили ему отчет с оценкой стоимости и "риска стоимости", то есть риска того, что стоимость окажется выше ожидаемой. Но он заметил странную вещь, когда сравнил отчет консультантов с академической книгой, в которой я и моя команда задокументировали риск затрат для транспортной инфраструктуры, такой как дороги, мосты и железнодорожные линии. Согласно нашей книге, риск затрат был выше для этого самого обычного вида инфраструктуры. "Это бессмысленно, - сказал Бергендаль. На реализацию транспортных проектов уходит от пяти до десяти лет, и люди строят их уже несколько столетий. Как может быть менее рискованным вывод из эксплуатации ядерной энергетики, если это занимает гораздо больше времени и у нас почти нет опыта в этом деле? Я согласился. Это не имело смысла. Консультанты и их отчет должны были уйти.

Но у Бергендаля появилась идея, чем можно его заменить. Почему бы не использовать наши данные о затратах на транспортную инфраструктуру как "нижний предел" - минимум - и предположить, что реальные затраты на вывод из эксплуатации и хранение ядерного оружия будут где-то выше этого уровня? Это была бы далеко не идеальная оценка. Но она имела гораздо больше смысла, чем та, которую составили консультанты. А вывод из эксплуатации начнется еще не скоро. Если шведское правительство введет эту смету сейчас и заставит атомную промышленность начать платить в фонд, правительство сможет скорректировать ее позже, когда узнает больше о выводе из эксплуатации в Швеции и других странах. Я был впечатлен. Это был такой разумный подход -опять же, фронезис. Мы работали над его разработкой, и он стал политикой Швеции.

Неудобная правда заключается в том, что я сам поддался "предубеждению уникальности", полагая, что такому беспрецедентному проекту, как вывод из эксплуатации атомных электростанций, нечему учиться на опыте других проектов. Это не так; как показал Бергендаль, чтобы увидеть это, нужно лишь немного логики и воображения.

РЕГРЕССИЯ К ХВОСТУ

Однако во всем этом есть большая оговорка с толстым хвостом. Представьте, что у вас есть график стоимости ремонта одной тысячи кухонь, который имеет форму классической колоколообразной кривой: большинство проектов сгруппированы вокруг среднего значения в середине, очень мало проектов в крайнем правом или крайнем левом углу, и даже самые экстремальные точки данных не сильно удалены от среднего значения. Как я уже говорил в главе 1, это то, что статистики называют "нормальным распределением".

При нормальном распределении наблюдается регрессия к среднему значению, то есть наблюдения в выборке стремятся вернуться к среднему значению совокупности по мере включения в нее большего числа наблюдений. Так, если подрядчик выполнил необычно дорогой ремонт кухни, вполне вероятно, что следующий, при прочих равных условиях, будет ближе к среднему значению и, следовательно, дешевле.

Когда вы имеете дело с нормальным распределением, вполне можно использовать среднюю стоимость в прогнозе эталонного класса, как я описал выше, и на этом закончить. Но, как отмечалось в главе 1, мой анализ показал, что лишь меньшинство из множества типов проектов в моей базе данных имеют "нормальное" распределение. Остальные - от Олимпийских игр до ИТ-проектов, атомных электростанций и больших плотин - имеют более экстремальные результаты в хвостах своих распределений. При таких толстохвостых распределениях среднее значение не является репрезентативным для распределения и, следовательно, не является хорошим оценщиком для прогнозов. Для самых толстохвостых распределений даже нет стабильного среднего значения, вокруг которого можно было бы сгруппировать результаты, потому что может появиться (и появится) еще более экстремальный результат, который отбросит среднее значение еще дальше, в хвост, к бесконечности. Так что вместо старой доброй регрессии к среднему получается то, что я называю "регрессией к хвосту". В такой ситуации полагаться на среднее и считать, что ваш результат будет близок к нему, - опасная ошибка.

Вот вам и теория. Что это означает на практике?

В идеале вы всегда должны знать, сталкиваетесь ли вы с толстохвостым дистрибутором или нет. Но если вы частное лицо, делающее ремонт на кухне, или малый бизнес, занимающийся мелким проектом, вы можете этого не знать. Даже если вы высокопоставленный государственный служащий, контролирующий национальную программу и имеющий в своем распоряжении всю мощь национального статистического агентства, как Андерс Бергендаль, вы можете не знать. В этом случае лучше использовать среднее значение или свое воображение, как это сделал Бергендаль, который даже не знал своего среднего значения, чем не использовать ничего.

Но, следуя принципу предосторожности, вам также следует проявить осторожность и предположить, что ваш проект является частью распределения с толстым хвостом, потому что это более вероятно, чем нет. Это означает, что вы должны предположить, что ваш проект имеет хотя бы некоторый риск не просто закончиться с небольшим опозданием или превышением бюджета; он может пойти вразнос и закончиться очень плохо. Чтобы защититься от этого, вам нужно снизить риск, как я описываю ниже.

Если вы работаете в крупной организации, вам лучше не использовать этот грубый подход. Вам нужно серьезно подойти к сбору достаточного количества данных, чтобы можно было провести статистический анализ распределения и определить, является ли оно нормальным или с толстым хвостом. Если оно нормальное или близкое к нормальному, сделайте прогноз по эталонному классу, используя среднее значение. Это все равно даст вам примерно 50-процентный риск небольшого превышения затрат. Если вы хотите еще больше снизить этот риск, добавьте 10-15 процентов на непредвиденные расходы (резерв), и все готово.

Если вы столкнулись с распределением с толстым хвостом, переключите свое мышление с прогнозирования одного результата ("Проект будет стоить X") на прогнозирование риска ("Проект с вероятностью X процентов будет стоить больше Y"), используя весь диапазон распределения. В типичном распределении с толстым хвостом, используемом в управлении проектами, около 80 % исходов будут составлять тело распределения. Это вполне нормально; ничего страшного в этом нет. Для этой части распределения вы можете защитить себя обычным способом, используя доступные непредвиденные расходы, которые впишутся в бюджет. Но хвостовые исходы - "черные лебеди" - охватывают около 20 процентов распределения. Это означает, что вероятность оказаться в хвосте составляет 20 процентов, а это слишком большой риск для большинства организаций. На непредвиденные расходы может потребоваться 300, 400 или 500 процентов от средней стоимости - или 700 процентов, как мы видели на Олимпийских играх в Монреале в главе 2. Это непомерно много. Обеспечение таких непредвиденных расходов - это не бюджетирование, это раздувание бюджета. Так что же делать с хвостом? Отрезать его.

Это можно сделать с помощью снижения рисков. Я называю это "управлением черными лебедями".

УПРАВЛЕНИЕ ЧЕРНЫМ ЛЕБЕДЕМ

Некоторые хвосты легко обрезать. Цунами - это толстый хвост, но если вы построите дом в глубине страны или возведете достаточно высокую морскую стену, вы устраните угрозу. Землетрясения также имеют толстый хвост, но если строить по сейсмостойкому стандарту , как мы сделали со школами в Непале, вы будете защищены. Другие хвосты требуют комбинации мер; например, в случае пандемии необходимо сочетание масок, тестов, вакцин, карантинов и закрытых помещений, чтобы предотвратить распространение инфекций. Это и есть управление "черными лебедями".