Risikoquantifizierung

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.

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) Zusammenhänge zwischen den Einflussfaktoren hergestellt werden die, kombiniert mit statistischen Methoden, zum erwünschten Resultat führen.

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.
 

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.

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.

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):

1. 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.

2. Die unter Punkt 2 geschilderte Vorgangsweise wird öfter wiederholt.

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)

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.