|
| |
Risikoquantifizierung
Paul J. Moritz
Alfred Mörx
Gottfried Schaffar
Es werden Möglichkeiten und Grenzen der Quantifizierung von Risiken sowohl mit
Methoden der künstlichen Intelligenz als auch mit deterministischen Modellen erörtert.
Interessante praktische Anwendungen komplettieren den Überblick.
Ziel
Was will man erreichen? Was kann man mit welchen Methoden erreichen?
Künstliche Intelligenz (KI)
Die Größe eines Risikos zu kennen ist sowohl in der Versicherungswirtschaft als
auch für produzierende und planende Betriebe von großem Interesse. Zumeist beschränkt
sich das Wissen über Risiken auf allgemeine Ausfallsstatistiken in Kombination mit dem
persönlichen "Eindruck" eines menschlichen Bearbeiters.
Beispiel in der Versicherungswirtschaft:
 | Ist das Brandrisiko in einer Firma wirklich höher, wenn das Büro des Chefs
unaufgeräumt ist? |
| Vielleicht stellen Versicherungsnehmer, die eine Wertanpassung verweigern, ein
geringeres Risiko dar? |
| Kommen Schadensfälle überproportional vor, wenn die Verträge ein bestimmter
Mitarbeiter abgeschlossen hat? |
Diese Fragen lassen sich mit Methoden der künstlichen Intelligenz untersuchen. Dabei
werden Daten verknüpft, um vorher nicht bekannte Zusammenhänge zu finden und zu
quantifizieren.
Die beschriebene Vorgangsweise untersucht also Daten im nachhinein, wir sprechen in
diesem Zusammenhang gerne von Datenprospektion.
Deterministische Risikomodelle
In der Technik stellt sich die Sachlage etwas anders dar, zum Beispiel für einen
Betrieb, der mit der Entwicklung und Produktion von Geräten beschäftigt ist:
| Um Garantieansprüche kalkulieren zu können, müsste man zum Beispiel die mittlere
Ausfallsrate eines Systems kennen. |
| Bei einem Gerät hat die von den Kunden akzeptierte Ausfallswahrscheinlichkeit einen
bestimmten Wert; was kann aus einer Liste von Maßnahmen durchgeführt werden, um
zumindest auf diesen Komfortwert zu kommen. |
| Eine Apparatur soll im Mittel mindestens 2000 Betriebsstunden störungsfrei arbeiten,
wie realisiert man das möglichst preiswert? |
Bei diesen Fragestellungen können deterministische (kausale) Zusammenhäng zwischen
den Einflussfaktoren hergestellt werden die, kombiniert mit statistischen Methoden, zum
erwünschten Resultat führen.
Künstliche Intelligenz (KI)
Beispiele
Wie könnte das Resultat einer Risikoquantifizierung mit Methoden der künstlichen
Intelligenz aussehen?
Beispiele aus anderen Bereichen:
Eigene Projekte, die mit künstlicher Intelligenz gelöst wurden
| Energieeinsparung durch berührungslose Erkennung des Öffnungszustandes eines
Fensters |
Durch den Einsatz von künstlicher Intelligenz konnte ohne zusätzliche Installationen
im Raum ein einfaches und billiges Verfahren ermittelt werden das mit 95%-iger Sicherheit
den Öffnungszustand eines Fensters zu bestimmen gestattet. Das so entwickelte Gerät wird
in Zukunft zur Energieeinsparung eingesetzt werden.
| Modellbildung und Optimierung von plasmachemischen Vorgängen. |
Es sollte eine Strategie für eine erfolgreiche Prozessführung aus einer Fülle von
schwer durchschaubaren Daten einzelner Parameter von Versuchen und deren Ergebnissen und
aus unvollständig vorhandenen Reaktionsgleichungen gewonnen werden. Es konnte die
Prozessführung optimiert und neue Zusammenhänge gefunden werden.
| Elektronischer Specht zur Diagnose von Bäumen. |
Kranke (hohle) Bäume klingen anders als gesunde. Bäume sind Lebewesen und haben daher
individuelle Klänge. Dadurch ist das Erkennen der kranken Bäume durch Simulation nicht
leicht zugänglich. Durch den Weg der Datenanalyse konnten die relevanten Frequenzbänder
und Relationen aus dem Datenmaterial herausgerechnet werden. Das dazu entwickelte Geräte
hat eine Treffergenauigkeit von etwa 98%.
| Prozessführung im Lebensmittelbereich |
Die Extrudierung von Getreideprodukten führt nicht immer zum gewünschten Ergebnis.
Auch umfangreiche Probierversuche über mehrere Jahre bringen mitunter keine
zuverlässigen Ergebnisse. Die Resultate der Extrudierung sind nicht nur von
außerordentlich vielen Parametern des Extruders, wie Farbe, Druck usw., abhängig,
sondern auch von einer nahezu unübersichtlichen Anzahl von Analyseparametern des
Ausgangsmaterials. Es konnte eine relativ einfache Vorschrift zur Erzielung höchster
Qualität erarbeitet werden.
| Automatische Wettervorhersage |
Ein Wettervorhersagesystem zur Glatteisprognose sollte entwickelt werden. Die
Zusammenhänge zur Wettervorhersage sind extrem unübersichtlich, speziell, wenn für die
Glatteisprognose die Temperatur der Fahrbahnoberfläche vorhergesagt werden soll. Zu den
meteorologischen Vorgängen sind noch Faktoren wie Befahrung, Sonne, Regen, Wind,
Reifenabrieb maßgeblich. In diesem Fall wurde ein instanzenbasierendes Lernen und
Optimierung im mehr als 200-dimensionalen Raum gewählt. Das Resultat ist HS4Cast, der
Welt genauestes autonomes Wetterprognosesystem mit einer Treffsicherheit von 0,7° bei
einer 3 Stunden-Prognose. Damit wurde eine optimale Voraussetzung für den sparsamen
Streumitteleinsatz geschaffen
Für dieses Gerät wurden wir im Rahmen des 11. Niederösterreichischen Umweltpreises
mit dem zweiten Rang ausgezeichnet.
In derselben Art können auch Schadensstatistiken analysiert werden, jeder
Versicherungsvertrag hat Merkmale (im Feuer-Bereich z.B.: Betriebsgröße, Zahlungsart,
Zahlungsweise, Postleitzahl, Wertanpassung, ...) sowie die Zielvariable, die ist in diesem
Fall der Schadensverlauf. Wie im oben gezeigten Beispiel könnte man auch hier eine Art
Formel hierfür erstellen.
Datenprospektion
Was ist Datenprospektion? "In Daten wühlen, um Praktisches und Verwertbares zu
finden!"
Mit der Datenprospektion können Daten der Vergangenheit danach analysiert werden, wann
und vor allem unter welchen Randbedingungen Probleme (Schäden) aufgetreten sind.
Die Methoden, die hier angewandt werden, stammen zum Großteil aus der Gruppe der
künstlichen Intelligenz, wie neuronale Netze, Fuzzy Logik, instanzenbasiertes Lernen,
Mustererkennung u.s.w., aber auch aus der "traditionellen" Statistik oder der
Clusteranalyse.
Voraussetzung für eine solche Untersuchung sind Daten, die auch die interessierende
Zielgröße (z.B. Schadensfälle), beinhalten.
Was ist das Resultat von solchen Untersuchungen?
Datenprospektionsuntersuchungen resultieren in einem "Modell". Das können
Regeln, Formeln oder Prozeduren sein, die angeben, warum etwas passiert. Solche Regeln
basieren auf Daten, die in der Vergangenheit aufgenommen wurden. In einem weiteren Schritt
wird die Sicherheit solcher Regeln auf zukünftige Fälle untersucht.
Technisch ausgedrückt können die Modelle beispielsweise folgende Ausformungen haben:
| Es können Regeln sein, die vorhersagen, wie die Zielgröße (z.B. Ausschuss) mit
anderen Größen zusammenhängt. Solche Regeln, z.B. "wenn-dann"-Regeln, können
kompliziert sein, sind aber lesbar. Die Lesbarkeit ist deswegen von Interesse, damit man
aus den gewonnenen Regeln kausale Zusammenhänge und neue Einsichten gewinnen kann. Regeln
können nur die Zugehörigkeit oder "nicht-Zugehörigkeit" zu einem Merkmal
(z.B. kreditwürdig, nicht kreditwürdig) oder mehrere Klassen (z.B. das morgige Wetter:
sonnig, bedeckt, wolkig) angeben. |
| Das Resultat kann auch einen formelmäßigen Zusammenhang zwischen der Zielgröße und
anderen Parametern beschreiben. Auf diese Weise können Modelle für kontinuierliche
Größen gebildet werden. So gewonnene Zusammenhänge sind auch lesbar und zumeist kausal
erklärbar. "Formeln" können auch "wenn-dann"-Entscheidungen
beinhalten. |
| Manche Verfahren, wie z.B. neuronale Netze, ermöglichen nur eine prozedurale Ausformung
von Regeln. Dabei wird ein Computerprogramm erzeugt, mit dem zwar der Zusammenhang
zwischen der interessierenden Zielgröße und den anderen Parametern festgelegt wird,
dieses "Computerprogramm" bietet aber in der Regel für den menschlichen Leser
keine Information. |
| Einen grundsätzlich anderen Weg bildet die Befragung von Experten mit der
anschließenden Kodierung des so erfragten Wissens in einer Wissensdatenbank. Neben dem
Problem der Behandlung gegensätzlicher Auskünfte bietet in der Praxis vor allem die
Befragung selbst mannigfaltige, vor allem menschliche Probleme; mitunter wissen die
Experten selber nicht, warum sie etwas in einer bestimmten Weise entscheiden. |
Daten
Grundsätzlich kann man Untersuchungen ohne Wissen, was die einzelnen Daten darstellen,
durchführen. Auf diese Weise ist es leicht möglich, das Know-how des Auftraggebers
vollständig zu schützen. Durch die Einbeziehung der Information über die Bedeutung der
Daten können andererseits aber zusätzliche Lösungsansätze erschlossen werden.
Beispielsweise ist es in manchen Fällen interessant, nicht nur die Werte sondern auch
Trends in die Modellbildung einzubeziehen. In anderen Gegebenheiten kann durch bekannte
Zusammenhänge bei den Parametern zusätzliche Information gewonnen werden.
Praktische Anwendungen
Was sind die praktischen Anwendungsgebiete?
Die folgenden Beispiele stammen zum Großteil aus den USA.
Versicherungswirtschaft
Die Hauptanwendungen von Methoden der künstlichen Intelligenz (KI) konzentrieren sich
hier auf die Gebiete
| Erkennung von Betrugsversuchen |
| Scoring von Verträgen |
| Risikomanagement |
Einige Beispiele:
| Life Insurance USA konnte durch KI die Anzahl der Verträge pro Kunden verdoppeln und
damit eine zusätzlichen Umsatz von USD 2470 Mio erzielen. Das System identifizierte aus
den Kundendaten diejenigen Kunden, die noch Bedarf an Versicherungen hatten. |
| Meiji Mutual Life Insurance Company, eine der ältesten Versicherungen Japans (Wert rund
USD 74 000 Mio) verwendet KI Systeme in der Kundenberatung. Das verhindert,
dass
Ausbildungsmängel der Mitarbeiter zu große Probleme machen. |
| Amerikanische Versicherungen analysieren Schadensverläufe mit KI Methoden, um Risken
besser zu quantifizieren und vor allem zu identifizieren. Durch das Wissen um die Höhe
des Risikos werden Risken weder unterschätzt noch überbewertet. |
| Durch eine Analyse der Rückläufe bei Direct Mailings und deren Verarbeitung mit KI ist
es vielen Firmen möglich, die Rücklaufquoten zu verdoppeln. |
| Andere amerikanische Versicherungen analysierten die Vorgänge bei der Verlängerung von
Polizzen mit Methoden der künstlichen Intelligenz. Das KI System konnte daraufhin
"problemlose" Fälle von "komplizierten" unterscheiden, mit der
Auswirkung, dass die "problemlosen" Fälle von weniger geschultem Personal
erfolgreich erledigt werden konnten. Durch die Konzentration der Experten auf die
"komplizierten" Fälle konnte außerdem ein wesentlich verbesserter
witschaftlicher Erfolg erzielt werden. |
| Eine Fortune 100 Versicherung verwendet KI Methoden, um Konsumenten besser
klassifizieren zu können. Auf den Resultaten dieser Untersuchungen aufbauend konnte die
komplette Werbung zielgerichteter und preiswerter ausgerichtet werden. |
| Bei der Krankenversicherung verwenden amerikanische Versicherungen KI-Methoden, um den
potentiellen Versicherungsnehmer bezüglich des Risikos besser klassifizieren zu können. |
| In Versicherungen wird auch oft das Wissen verschiedener Experten formalisiert und in
ein "Experten-System" eingegeben. Das Expertenwissen steht durch diesen Schritt
jedem Mitarbeiter der Versicherung zur Verfügung. Bemerkenswert ist hier,
dass das
Experten-System auch divergierende Ansichten unterschiedlicher Experten verarbeiten kann. |
Kreditwirtschaft
Haupteinsatzgebiete sind hier
| Individuelle Optimierung des Kreditrahmens bei Minimierung des Risikos und unter
Maximierung des Profits |
| Risikobewertung von Kreditanträgen auch gemeinsam mit geographischen
Informationssytemen |
| Welche Kunden könnten sich für welche Produkte interessieren? |
Einige praktische Beispiele:
| Die "Nestor Company" verwendet KI-Methoden, um Hypothekarrisken zu berechnen.
Das System soll wesentlich bessere Entscheidungen treffen als die Mitarbeiter zuvor. |
| Viele Immobilienfirmen verwenden KI-Programme, um den möglichen Verkaufspreis von
Objekten zu berechnen. |
| LSB Capital Management berechnet mehr als 1000 Kaufen-Verkaufen Entscheidungen mit
KI-Methoden. Das "Inc. Magazin" klassifiziert LSB als eines der 500 am
schnellsten wachsenden Unternehmungen. |
| Viele Banken verwenden KI-Methoden, um aus Kundendaten und öffentlich zugänglichen
Daten potentielle Kreditrisken zu detektieren. Eine der ersten Firmen, die ein solches
System einsetzten, war AVCO. |
| Die Vorhersage von Firmenzusammenbrüchen aus zugänglichen Daten konnte mit Hilfe von
KI Methoden deutlich verbessert werden. An diesem Projekt war die Oklahoma State
University maßgeblich beteiligt. |
| "Yoon and Swales" verwandten bereits 1991 KI-Methoden, um Firmen in Aufsteiger
und Absteiger zu klassifizieren. Es wurden nur 9 Parameter verwendet, darunter
makroökonomische Kennzahlen. Das Resultat war 10% besser als das eine
Diskriminantenanalyse. |
| KPMG verwendet KI-Methoden, um für Firmen den monatlichen Ertrag vorherzusagen |
| Amerikanische Banken verwenden KI Methoden zur Vorhersage der Anzahl von
Finanztransaktionen, um das Personal optimal einsetzen zu können. |
| Kreditkartenunternehmen verwenden KI-Methoden um Kreditkartenbetrügereien schnell
aufzudecken. Die Verfahren sind so gut und schnell, dass die Systeme Betrugsversuche vor
den Karteninhabern entdecken. |
| KI-Methoden werden erfolgreich zum Aufspüren von Eindringern in Computernetzwerken von
Banken verwendet. |
| Kreditinstitute verwenden KI-Methoden, um vor betrügerischen Aktivitäten von Kunden
vorgewarnt zu werden. |
| Brokerfirmen verwenden KI-Methoden, um das Verhalten Ihrer Kunden im voraus abschätzen
zu können. |
| Im Portfoliomanagement sind die Methoden der künstlichen Intelligenz den traditionellen
Analysemethoden, wie Regression etc, überlegen. |
Verschiedenes
In der Folge werden die ungezählten wissenschaftlichen Anwendungen und das Gebiet
der Anwendung von KI Methoden in der medizinischen Diagnose nicht erwähnt.
| Die Brooklyn Union Gas Company verwendet KI Methoden für die Personalplanung im
Servicebereich. Das Modell erlaubt Vorhersagen über die Anzahl von Einsatzkräften in
Abhängigkeit von Jahreszeit, Temperatur, Wochentag etc. |
| Mit KI-Methoden können Einsparungspotentiale in Firmen lokalisiert werden.
Gesundheitszentren in den USA konnten so monatliche Ausgaben von mehr als USD 750 000
vermeiden. |
| General Motors war eine der ersten Firmen, die Warenflüsse mit KI Methoden optimierte,
außerdem konnten interessante Trends und Muster in den Daten gefunden werden. |
| Anheuser-Busch verwendet KI-Methoden, um aus Daten des Bierdunstes die organischen
Inhaltsstoffe zu bestimmen. Die mit dieser Methode, erzielte Genauigkeit ist 96%.
Anheuser-Busch verwendet diese Methode um einerseits Rezeptänderungen von Mitbewerbern
rechtzeitig zu erkennen und andererseits zur Qualitätskontrolle des eigenen Biers. |
| Das "National Institute for Standards and Technology" (NIST) hat ein KI System
entwickelt, mit dem man aus dem Klang einer Betonprobe nach dem Aufprall einer Stahlkugel
auf die Qualität des Betons schließen kann. |
| "Northern Natural Gas" in Nebraska verwendet ein KI System zur Vorhersage des
Gaspreises einen Monat im voraus |
| Das Chicago Police Department verwendet KI-Systeme, um Polizeibeamte, die zu
disziplinären Problemen neigen, im voraus zu detektieren |
| Die Universität von Wisconsin entwickelte ein KI-System, das den Straßenzustand
bezüglich Ausbesserungsarbeiten im voraus berechnet. |
| Hotels und Restaurants verwenden KI-Methoden, um die Anzahl der eintreffenden Gäste
vorherzusagen. Dadurch wird ein effizienter Personaleinsatz in Empfang, Küche und Service
möglich. |
| Die Allen-Bradley Company of Milwaukee verwendet KI-Methoden, um den
Produktionsprozess
von Platinen zu beschleunigen. |
| KI-Methoden werden auch für die effektive Auswahl von Adressaten bei Direktmailings
verwendet. Es werden erfolgreiche Anwendungen im Bereich Umweltschutz und Wahlkampfspenden
genannt. |
| Das "National Marine Fisheries Service" verwendet KI Methoden zur Vorhersage
des Fangs verschiedener Fische. Der Vergleich der Vorhersage mit den tatsächlichen Werten
zeigt einen Fehler von 2%; das vorher verwendete multiple Regressionsmodell wies einen
Fehler von 11% auf. Den Fischertrag im voraus zu wissen ist in USA sehr wichtig, z.B. für
die Vergabe von Fischereilizenzen, Krediten und für den Bau von Schiffen. |
Hintergrundinformation
Was kann man sich von Methoden der künstlichen Intelligenz erwarten?
Aus Daten Muster gewinnen
Solche Muster können sehr verschieden sein:
| Beziehungen zwischen Objekten in regelhafter Ausformung zB. eine Formel |
| Zeitliche Verläufe (Trends, häufige Abfolgen) |
| Räumliche Muster |
| Gruppierungen ähnlicher Objekte (Cluster) |
| Abweichungen von Verteilungen und Ausreißer |
Wie könnte die Nutzinformation ausschauen
Es folgen einige Beispiele aus verschiedenen Themenkreisen:
| Klassifikationsregeln |
Eine Klassifikationsregel versucht, den Wert einer Zielvariablen aus bekannten
Variablen vorauszusagen.
"Wenn jemand, der ein Haus besitzt und Beamter ist, einen Kredit der Type A
über 500.000 mit einer Laufzeit von 6 Jahren beantragt, so ist seine Kreditwürdigkeit
hoch einzustufen."
| Charakteristische Regeln |
Charakteristische Regeln werden dazu verwendet, um typische Eigenschaften von Objekten
zu beschreiben.
"Personen mit hoher Kreditwürdigkeit sind typischerweise Beamte mit Krediten der
Typen A oder B."
| Regressionsregeln |
Bei Regressionsregeln wird nicht die Zugehörigkeit zu einer bestimmten Klasse
vorhergesagt, sondern ein numerischer Wert.
| Cluster |
Das Auffinden zusammengehöriger Objekte
| Abhängigkeitsmuster |
Welche Objekte treten gemeinsam auf?
Häufige Anwendung in der Warenkorbanalyse: "Wenn Milch, Brot und Butter gekauft
werden, wird meist auch Kaffee gekauft"
| Zeitliche Muster |
Beispielsweise die zeitliche Abfolge von Kaufmustern: "Kauft jemand einen
Videorecorder, so kauft er innerhalb von einer Woche Videokassetten nach"
| Abweichungen |
Das Auffinden statistisch herausfallender Objekte oder Objektgruppen, wie zum Beispiel
ungewöhnliche Geldtransaktionen.
Wie kann man bestimmen, wie genau die Rechnung ist?
Grundsätzlich können zutreffende Genauigkeitsangaben für die Vorhersage mit Methoden
der künstlichen Intelligenz auf folgende Weise ermittelt werden (Beispiel mit einem mit
künstlicher Intelligenz erzeugten Entscheidungsbaum):
- Aus den in den Entscheidungsbaum einzuschließenden Messdatensätzen werden durch einen
Zufallszahlengenerator jeweils 10% der Messdatensätze als Testdatensätze separiert; aus
den restlichen 90% wird ein Entscheidungsbaum erzeugt und die Vorhersagegenauigkeit an den
Testsätzen (die eingangs erwähnten 10%) erprobt.
- Die unter Punkt 2 geschilderte Vorgangsweise wird öfter wiederholt.
Deterministische Risikomodelle
Ohne Risiko kein Erfolg
Risiko im geschäftlichen Verkehr gab es immer. Zunehmender internationaler
Wettbewerbsdruck bringt jedoch die Notwendigkeit mit sich, das Risiko, oder genauer: das
Restrisiko genauer einschätzen zu können. Dies ist einer der Gründe dafür, daß nahezu
jedes Fachgebiet nach, möglichst ergebnissicheren, Risikoanalysen und -einschätzungen
sucht. Risikokenntnis macht Erfolg kalkulierbar.
Die Zahl der existierenden Modelle für die Beurteilung des Restrisikos ist gering, die
Nachfrage nach praxistauglichen Modellen fast unbewältigbar, die Herausforderung und
Verantwortung für die Analytiker groß.
Analysieren und bewerten bringt zweimal Erfolg
Standen Sie schon einmal vor der Frage, wie groß das Risiko gegen zerstörenden
Blitzschlag und die daraus möglicherweise folgenden Haftungsansprüche sein könnten?
Haben Sie auch den nächsten Schritt schon überlegt, dass die Antwort auf die erste
Frage auch die Möglichkeit eröffnet, Maßnahmen zur Restrisikominderung zu setzen, und
vielleicht Ihre Beratungskompetenz zu zeigen?
Ja? Dann fehlt eigentlich nur noch die Durchführung eines
Risikoquantifizierungsprojekts mit angeschlossener Maßnahmenplanung und Sie haben die
Hauptziele der Arbeiten zur Quantifizierung von Restrisiken erreicht, diese sind:
| das (technisch unumgängliche) Restrisiko, bezogen auf vergleichbare Systeme, Funktionen
und äußere Einflüsse, anzugeben und wo immer möglich zu bewerten und |
| klar zum rechten Handeln anzuweisen, um Sicherheit zu erreichen und Gefahren
auszuschließen. |
Denn in der Praxis will eigentlich keiner der Beteiligten den Schadensfall, weder der
Versicherer noch der Versicherte. Vielmehr ist der Versicherte daran interessiert,
dass
das Risiko, das nach Anwendung von risikosenkenden Maßnahmen verbleibt, möglichst gering
ist.
Damit wird der Versicherer auch zum Beratungspartner, der gemeinsam mit dem technischen
Risikoanalysten, auch Risikovermeidungsstrategien erarbeitet. Ist Kundenbindung darüber
hinaus noch wirklich steigerbar?
Wie sieht das in der Praxis aus?
Bleiben wir noch ein wenig im Bereich der Elektrotechnik, im speziellen im Feld des
Überspannungsschutzes. Die Zahl der elektrisch gezündeten Brände belastet die
österreichische Volkswirtschaft pro Jahr mit immerhin ca. 50 Mio EUR. Die Ausfälle
von elektrischen Einrichtungen im privaten Bereich und vor allem im industriellen Bereich
durch direkte und indirekte Blitzeinwirkungen ist ein nicht zu vernachlässigender
Kostenfaktor.
Wie läuft nun ein solches Projekt ab? Am Beginn steht die Analyse der möglichen
Einflussparameter, meist schon im Entwurfs- oder Planungsstadium des Gebäudes oder der
Anlage. Für Ein- und Mehrfamilienhäuser lassen sich Modelle entwickeln, die dem
Haustechnikplaner wichtige Richtlinien geben, wie die Leitungsführung, die Anordnung von
Schutzelementen usw. unter dem Gesichtspunkt eines möglichst geringen Restrisikos zu
erfolgen hat.
Bei Industrieanlagen handelt es sich praktisch immer um individuelle Analysen, die
jedoch, einmal durchgeführt, in eine Wissens- und Ergebnisdatenbank einfließen können.
Gemeinsam mit dem tatsächlich während der Anlagennutzungsdauer beobachteten
Schadensfällen und der Verknüpfung der Schadensauswertung
("Risikonachkalkulation") mit den ursprünglichen Einflussparametern (z.B. mit
Werkzeugen der künstliche Intelligenz) entsteht dabei Schritt für Schritt ein mächtiges
Beurteilungsinstrument.
Nach der Analyse kann durch Modellrechnungen das schutztechnische Restrisiko (z.B.
Personenschaden, Sachschaden, Schadensfolgekosten) unter den festgelegten Randbedingungen
angegeben werden. Selbstverständlich ist das Ergebnis immer eine
Wahrscheinlichkeitsaussage, dies schon alleine deswegen, weil in diesem Beispiel das
Blitzgeschehen, trotz bestmöglicher Blitzortungssysteme, immer ein statistisches
Naturereignis ist.
In welchen Feldern gibt es noch Anwendungen?
| elektrotechnisches Restrisiko in Niederspannungsanlagen für Menschen und Nutztiere (
z.B. Schutz gegen elektrischen Schlag und elektrisch gezündete Brände) |
| Restrisiko beim Einsatz von elektromechanischen/elektronischen Systemen unter extremen
Umwelt- und/oder Betriebsbedingungen (z.B. Systemzuverlässigkeit von Funktions- und
Überwachungssystemen) |
| Restrisiko für das Auftreten von Schadensfolgekosten in Systemen, für die hohe
Verfügbarkeit gefordert ist (z.B. Zuverlässigkeit und Zeitstandsfestigkeit von
elektronischen Komponenten und Baugruppen) |
| Projekt-Restrisiko bei komplexen Aufgabenstellungen mit hohem Investitionsaufwand und
Erfolgsdruck (z.B. technische Sanierungsprojekte von Unternehmen) |
Grundlagen
Sicherheit, Risiko und Restrisiko
Der Begriff der Sicherheit, ist heute als "Freiheit von unvertretbaren
Schadensrisken" anerkannt. Dies bedeutet, dass Sicherheit eine Freiheit ist, die
jedes unvertretbare Schadensrisiko ausschließt und es erlaubt, eine Situation eindeutig
als "Sicher" oder "Gefährlich" zu klassifizieren.
Die Abgrenzung von Gefahr und Sicherheit ist durch die Einführung des Begriffs
"Höchstes vertretbares Risiko" getroffen. Dieser darf dabei keinesfalls mit dem
Begriff des Restrisikos verwechselt werden, das meist den Gegenstand
versicherungstechnischer Fragestellungen bildet, wobei das in der jeweiligen Situation
existierende maximale Restrisiko erfahrungsgemäß sehr unterschiedlich ist; die
Zusammenhänge sind in Bild 1 dargestellt.
Bild 1: Grundsätze der Risikophilosophie
Ziel der Arbeiten im Bereich der Quantifizierung von Risiken ist es,
| klar zum rechten Handeln anzuweisen, um Sicherheit zu erreichen und Gefahren
auszuschließen und |
| das (technisch unumgängliche) Restrisiko, bezogen auf vergleichbare Systeme, Funktionen
und äußere Einflüsse, anzugeben und wo immer möglich zu skalieren. |
In der Praxis muss nun durch geeignete Maßnahmen sichergestellt werden, daß das
Risiko, das nach Anwendung von risikosenkenden Maßnahmen verbleibt, möglichst gering, in
keinem Fall jedoch größer als das höchste vertretbare Risiko ist.
Risiko und Komfortbedürfnis
Darüber hinaus ist das höchste vertretbare Risiko nicht für alle Systeme (auch wenn
sonstige Vergleichbarkeit besteht) identisch, sondern von den besonderen Umständen der
Nutzung von Systemen oder Systemteilen abhängig.
Auch das Komfortbedürfnis der Systemnutzer, das sich indirekt durch die
Art der im System zum Einsatz kommenden Einrichtungen ausdrückt (z.B. intelligente
Hausleittechnik, Geräte mit elektronischen Komponenten), wirkt sich auf das vom System
erwartete Restrisiko aus.
Risiko, Schadensfolgekosten und Zuverlässigkeit
Überlegungen zum Restrisiko müssen jedoch, insbesondere in gewerblich und/oder
industriellen Bereich, zunehmend vor dem Hintergrund der Schadensfolgekosten geführt
werden.
Schadensfolgekosten können dabei als Kosten definiert werden, die unter
anderem infolge unzureichender Zuverlässigkeit von Systemen, beim Ausfall eines Systems,
eines Systemteils, Teilsystems oder eines Betriebsmittels entstehen. In diesen Fällen
muss das Verfahren zur Quantifizierung des Restrisikos mit den Methoden der
Zuverlässigkeitsbeurteilung der Teilsysteme gekoppelt werden.
|
