Wehrspohn Risk Management

Wie baut man ein Monte-Carlo-Modell? Drei Beispiele von der Klassenfahrt bis zur Versicherung

Fachbeitrag

Von Dr. Uwe Wehrspohn.

Wer zum ersten Mal ein Monte-Carlo-Modell baut, fragt sich, wie man aus einer Frage ein Modell macht, das man rechnen und auswerten kann. Wir begleiten eine Schulklasse auf Klassenfahrt, bei der Rettung aus einer Lawine und bei einer selbst organisierten Versicherung und zeigen an drei einfachen Modellen in Excel, wie man unsichere Größen mit Verteilungen beschreibt, die Ergebnisse auswertet und daraus Maßnahmen ableitet.

Wer zum ersten Mal ein Monte-Carlo-Modell bauen möchte, steht oft vor der Frage, wie man von einem Problem zu einem Modell kommt, das man rechnen kann. Eine Monte-Carlo-Simulation rechnet ein Modell sehr oft durch, jedes Mal mit neu gezogenen Zufallszahlen für die unsicheren Größen, und wertet die Ergebnisse aller Durchläufe statistisch aus.

Wir zeigen das an drei Beispielen, die alle dieselbe Schulklasse begleiten. Zuerst fragen wir, wann der Bus zur Klassenfahrt losfahren kann, wenn er auf alle 26 Schülerinnen und Schüler warten muss. Dann wird die Klasse von einer Lawine verschüttet, und wir fragen, wie viele Hubschrauber die Rettung braucht. Zum Schluss versichern sich die Schüler gegenseitig gegen die Kosten der Behandlung. Jedes Beispiel zeigt eine andere Idee des Modellbaus: das Maximum vieler unsicherer Zeiten, eine Simulation in zwei Stufen und den Ausgleich vieler Risiken in einer Gruppe.

Wann kann der Bus losfahren?

Die Klasse aus 26 Schülerinnen und Schülern möchte sich um 8 Uhr morgens an der Schule treffen, um ins Skilandheim zu fahren. Jede Schülerin und jeder Schüler stellt sich darauf ein, um 8 Uhr da zu sein. Erfahrungsgemäß fährt man aber nicht um 8 Uhr los, sondern deutlich später. Das liegt daran, dass die Fahrt erst anfangen kann, wenn der letzte Schüler an Bord ist. Fehlt eine Schülerin oder ein Schüler, müssen alle warten.

Genau das macht das Beispiel repräsentativ für viele Anwendungen im Arbeitsleben. Ein Projekt, das aus einer Reihe von Aufgaben besteht, ist erst fertig, wenn alle Aufgaben fertig sind. Ein Auto, das von der Fertigungslinie fährt, ist erst fertig, wenn alle Bauteile eingebaut sind. In einer Lieferkette kann ein Produkt nicht gebaut werden, wenn etwas fehlt. Und eine komplexe Rechnung, die auf viele Server verteilt ist, dauert so lange wie die längste Teilrechnung. Gibt es dabei Warteschlangen und andere Zufallseffekte, ist die Frage nach der Dauer nicht mehr offensichtlich zu beantworten.

Jeder Schüler ist ein Risikofaktor

Kurz gesagt: Die drei Modelle sind mit Risk Kit gebaut, einem Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein: Ein Monte-Carlo-Modell baut man in jedem Simulationstool nach denselben Prinzipien auf.

Um die Klassenfahrt als Monte-Carlo-Simulation darzustellen, führen wir in Excel jeden Schüler als einen Risikofaktor auf, also als eine unsichere Größe, die das Ergebnis beeinflusst. Abbildung 1 zeigt das Tabellenblatt. In Spalte B steht die erwartete Ankunft, bei allen 8 Uhr. Jeder für sich ist also pünktlich. Trotzdem ist seine Ankunft unsicher, und Spalte C gibt an, wie groß diese Unsicherheit in Minuten ist. Der Einfachheit halber sind es für alle 10 Minuten. Die Tabelle rechnet Uhrzeiten als Dezimalzahl in Stunden.

Abbildung 1: Das Modell der Klassenfahrt in Excel. Jeder Schüler hat eine erwartete Ankunft in Spalte B und eine Unsicherheit in Minuten in Spalte C. In Spalte D steht die simulierte Ankunft als Dezimalzahl in Stunden, in Zelle D32 die Abfahrt.

Für eine Monte-Carlo-Simulation müssen wir für jeden Risikofaktor eine Verteilung annehmen, also beschreiben, welche Werte er annehmen kann und wie wahrscheinlich sie sind. Wir nehmen an, dass die Ankunftszeit jedes Schülers normalverteilt ist, mit dem Erwartungswert 8 Uhr und einer Standardabweichung von 10 Minuten. Weil die Tabelle in Stunden rechnet, teilen wir die 10 Minuten durch 60. In Zelle D4 steht für Leo:

=Normal_variate(B4;C4/60)+OutputName(A4)

Normal_variate zieht bei jeder Berechnung eine neue Ankunftszeit aus der Normalverteilung. OutputName gibt dem Risikofaktor den Namen des Schülers aus Spalte A, sodass wir ihn später im Klartext zuordnen können. Dieselbe Formel steht in der Zeile jedes Schülers.

Mehr dazu: Unser Fachbeitrag „Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?“ erklärt, wie die Normalverteilung mit Erwartungswert und Standardabweichung beschrieben wird und wann sie passt.

Die tatsächliche Abfahrtszeit ist einfach das Maximum der Ankunftszeiten aller Schülerinnen und Schüler. Wenn der Letzte in den Bus springt, können die Türen zugehen, und wir können losfahren. In Zelle D32 steht deshalb:

=+MAX(D4:D29)+OutputName(D31)

Diese Zelle mit dem Namen „Abfahrt“ ist die Ausgabezelle des Modells, also das Ergebnis, das wir auswerten wollen. In dem Simulationslauf, den Abbildung 1 zeigt, liegen die Ankünfte zwischen 7,7 und 8,4, und die Abfahrt liegt bei 8,4, der spätesten Ankunft. Zum Vergleich steht in Zelle B32 das Maximum der Erwartungswerte. Da alle Erwartungswerte 8 sind, ist es ebenfalls 8. Naiv würden wir also erwarten, dass der Bus um 8 Uhr losfährt.

Warum fährt der Bus später ab als erwartet?

Um die Abfahrt auszuwerten, berechnen wir einige Statistiken der Ausgabezelle: den Mittelwert, die früheste und die späteste Abfahrt, den Median und die Quantile zu 10, 25, 75 und 90 %. Ein Quantil ist der Wert, den das Ergebnis mit einer bestimmten Wahrscheinlichkeit nicht überschreitet. In Risk Kit gibt es dafür die Funktionen Mean, Minimum, Maximum, MedianSim und Perc. Dazu kommt ein Histogramm der Abfahrtszeiten, das die Funktion Plot zeichnet.

Nun starten wir die Simulation mit 10.000 Simulationsläufen. Abbildung 2 zeigt die Ergebnisse. Die Statistiken stehen in Spalte G als Dezimalzahl und daneben in Spalte H als Uhrzeit. Der Mittelwert von 8,3 entspricht 8:20 Uhr.

Abbildung 2: Die Ergebnisse nach 10.000 Simulationsläufen, wenn alle Schüler 10 Minuten Unsicherheit haben. Links stehen die Statistiken der Abfahrt als Dezimalzahl und als Uhrzeit, rechts das Histogramm der Abfahrtszeiten.

Im Mittel fahren wir also erst um 8:20 Uhr los. Weil alle 26 Schüler an Bord sein müssen und wir erst starten können, wenn der Letzte eingetroffen ist, liegt die Abfahrt nicht beim Maximum der Erwartungswerte, sondern später. Mit zu hoher Wahrscheinlichkeit verspätet sich irgendjemand. Selbst die früheste Abfahrt in den 10.000 Simulationsläufen war erst um 8:06 Uhr. In keinem einzigen Lauf ist der Bus pünktlich um 8 Uhr losgefahren.

Daran sehen wir, dass man in dieser Situation nicht mit den Erwartungswerten rechnen kann. Das ist nur unter ganz bestimmten Bedingungen möglich, insbesondere dann, wenn ein Sachverhalt additiv und linear ist. Hier geht es aber um das Maximum und nicht etwa um die Summe der Ankunftszeiten. Deshalb ist der Erwartungswert der tatsächlichen Abfahrtszeit systematisch größer als das Maximum der Erwartungswerte.

Der Median liegt mit 8:19 Uhr nahe beim Mittelwert. Im ungünstigsten Lauf fuhr der Bus erst um 8:50 Uhr los, fast eine Stunde zu spät. Das Histogramm sieht noch etwas symmetrisch aus, ist es aber nicht: Nach unten fällt es steiler ab, und nach oben läuft es deutlich weiter aus.

Diesen Befund können wir unmittelbar auf das Projektmanagement übertragen. Wir müssen grundsätzlich einplanen, dass sich einzelne Tätigkeiten verspäten, und brauchen von vornherein einen Puffer, der diese Verspätung am Ende wieder auffängt.

Welche Schüler verzögern die Abfahrt?

Bisher verhalten sich alle Schüler gleich. Oft sind die Schüler einer Klasse aber nicht alle gleich zuverlässig. Die meisten sind sehr zuverlässig und unauffällig, und einige haben viel mehr Unsicherheit. Sie sind vielleicht pünktlich, vielleicht aber auch sehr deutlich unpünktlich. Das geben wir einfach ein: In Spalte C bekommt Emilia eine Unsicherheit von 15 Minuten, Matteo von 20 Minuten, Marie von 25 Minuten und Anton von 30 Minuten. Finden wir diese Stecknadeln im Heuhaufen der Klasse, damit wir vorher mit ihnen reden können?

Um die Wirkung zu sehen, reicht es, die Simulation noch einmal zu starten. Abbildung 3 zeigt die neuen Ergebnisse.

Abbildung 3: Die Ergebnisse, nachdem Emilia, Matteo, Marie und Anton in Spalte C eine Unsicherheit von 15, 20, 25 und 30 Minuten bekommen haben. Das Minimum bleibt bei 8:06 Uhr, Mittelwert, 90-%-Quantil und Maximum steigen.

Der Mittelwert ist von 8:20 Uhr auf 8:29 Uhr gestiegen, das Minimum ist mit 8:06 Uhr unverändert. Bei den frühen Abfahrten machen sich die vier also kaum bemerkbar. In den Läufen, die zum Minimum geführt haben, waren offensichtlich auch sie pünktlich. Bei den großen Verspätungen sieht es anders aus. Das 90-%-Quantil ist um 20 Minuten von 8:27 Uhr auf 8:47 Uhr gesprungen, und das Maximum liegt nicht mehr bei 8:50 Uhr, sondern bei 10:11 Uhr.

Die Sensitivitätsanalyse findet die Stecknadeln

Können wir die vier jetzt identifizieren? Dafür gibt es die Sensitivitätsanalyse. Sie zeigt, wie stark das Ergebnis auf die einzelnen Risikofaktoren reagiert. Dazu markieren wir die Ankunftszeiten als Eingabezellen und wählen im Dialog der Analyse die Schüler und die Abfahrt aus. Dort stehen die Namen der Schüler, weil wir sie mit OutputName vergeben haben. Sonst stünden dort Zellbezüge wie D4 statt Leo.

Abbildung 4 zeigt die linearen Sensitivitäten. Sie sind nichts anderes als Korrelationen, messen also, wie eng die Ankunft eines Schülers mit der Abfahrt zusammenhängt. Anton, Marie, Matteo und Emilia fallen sofort auf. Ihre Balken sind deutlich länger und schön abgestuft. Ab Oskar gibt es nur noch kleine Schwankungen.

Abbildung 4: Die linearen Sensitivitäten der Abfahrt auf die 26 Schüler. Die Balken von Anton, Marie, Matteo und Emilia ragen deutlich heraus.

Abbildung 5 zeigt die absoluten Abweichungen. Sie geben die Wirkung jedes Schülers in Stunden an, als Abweichung vom Mittelwert der Abfahrt. Anton wirkt sich ganz massiv nach oben aus, Marie, Matteo und Emilia ebenfalls. Die anderen Schüler wirken sich kaum aus.

Abbildung 5: Die absoluten Abweichungen zeigen die Wirkung jedes Schülers auf die Abfahrt in Stunden, gemessen als Abweichung vom Mittelwert. Die Balken von Anton, Marie, Matteo und Emilia reichen weit nach rechts.

Die unterschiedlichen Längen der kurzen Balken sind Zufallseffekte, die durch das Ziehen von Zufallszahlen entstehen. Die langen Balken dagegen sind systematische Effekte. Die vier Problemkandidaten sind also sofort erkennbar, sogar in ihrer Reihenfolge: Anton mit 30 Minuten Unsicherheit hat den größten Einfluss, dann folgen Marie mit 25, Matteo mit 20 und Emilia mit 15 Minuten. Die Balken zeigen auch die Richtung. Kommt Anton sehr früh an, fährt man tendenziell früher los. Kommt er spät, kann sich die Abfahrt deutlich nach hinten verschieben. Bei Emilia merkt man den beschleunigenden Effekt kaum noch.

Wie sich ein Schüler über seine ganze Bandbreite auswirkt, zeigt Abbildung 6. Auf der waagerechten Achse steht das Quantil des einzelnen Schülers, also wie früh oder spät er im Vergleich zu seiner eigenen Verteilung ankommt. Die senkrechte Achse zeigt, wie stark die Abfahrt dann vom Mittelwert abweicht. Jede Linie gehört zu einem Schüler. Die Linie, die rechts am höchsten steigt, ist die von Anton. Sie reicht wie sein Balken in Abbildung 5 bis gut 0,4.

Abbildung 6: Die Wirkung der Schüler über ihre ganze Bandbreite. Die Linie, die rechts am höchsten steigt, gehört zu Anton. Die Legende zeigt nur einen Teil der Namen.

Kommt Anton sehr früh an, beschleunigt das den gesamten Aufbruch, und zwar bis etwa zu seinem 70-%-Quantil. Bis zum 80-%-Quantil mischt er sich langsam unter die Menge. Kommt er in seiner eigenen Verteilung noch später, hält er alle auf. Anton hat also eine Chance von rund 20 %, die Abfahrt zu verzögern. Bei den anderen auffälligen Schülern ist das weniger ausgeprägt, weil ihre Verteilungen nicht so breit sind. 70 bis 80, sogar bis 90 % der Zeit haben diese Risikofaktoren keine negativen Auswirkungen. Sie spielen ihr negatives Potenzial nur in wenigen Fällen aus, dann aber entsprechend krass.

Damit steht fest, mit welchen Schülern die Lehrerin oder der Lehrer vorher sprechen sollte. Auch im Arbeitsleben ist das sehr praktisch. Wer in einem Projekt, einer Lieferkette oder einer Serversteuerung schon im Vorfeld sieht, wo es bei Pech relativ große Probleme geben kann, kann dort vorbeugend tätig werden.

Mehr dazu: Welche Arten von Sensitivitäten es gibt und welche Fragen sie beantworten, zeigt unser Beitrag „Sensitivitäten: Probleme finden und Prioritäten setzen“.

Wie viele Hubschrauber braucht die Rettung?

Im zweiten Teil ist die Klasse auf ihrer Skifreizeit angekommen und wird von einer Lawine verschüttet. Diesen Teil zeigt das zweite Video der Reihe.

Die Rettung ist aufwendig, denn es sind mindestens fünf Hubschrauber erforderlich, um die ganze Klasse aufzunehmen. Außerdem kann das Wetter rasch wechseln, und je nach Wetter verändert sich die Erfolgswahrscheinlichkeit jedes einzelnen Hubschrauberflugs stark. Wie viele Hubschrauber müssen zum Einsatz kommen, damit wir mit sehr hoher Wahrscheinlichkeit, zum Beispiel mit 95 %, alle Schülerinnen und Schüler retten?

Diese Situation ist typisch für ein Service Level Agreement, also eine Vereinbarung über ein Leistungsniveau. Dabei steht immer die Wahrscheinlichkeit im Vordergrund, mit der ein Service erbracht werden kann, etwa dass ein Computersystem mit 95 % Wahrscheinlichkeit zur Verfügung steht. Vergleichbare Überlegungen gibt es bei der Polizei, bei Notarztwagen oder bei der Feuerwehr, wenn jeder Ort in einer Stadt oder einem Einzugsbereich innerhalb von 15 Minuten erreicht werden muss.

Eine Simulation in zwei Stufen

Das Modell gliedert sich in drei Teile: die Eingangsdaten, die eigentliche Simulation in zwei Schritten und die Auswertung. Bei den Eingangsdaten steht, welches Wetter mit welcher Wahrscheinlichkeit eintritt. Nebel und Schneefall, nur Nebel, nur Schneefall und Sonne treten mit einer Wahrscheinlichkeit von 10, 25, 15 und 50 % ein. Jeder Wetterlage entspricht eine Erfolgsrate eines einzelnen Flugs, von 30 % bei Nebel und Schneefall bis 90 % bei Sonne. Rechts daneben steht das Service Level Agreement: Wir brauchen fünf erfolgreiche Missionen, um die ganze Klasse zu retten, und wollen sie mit einem Sicherheitsniveau von 95 % erreichen. Abbildung 7 zeigt das Modell vor der Simulation.

Abbildung 7: Das Modell der Rettung vor der Simulation. Oben stehen die Eingangsdaten mit dem Wetter und dem Service Level Agreement, darunter der erste Simulationsschritt mit der Erfolgsrate und der zweite mit den einzelnen Hubschraubern. Die Auswertung bekommt erst nach der Simulation Werte.

In der ersten Stufe wird geklärt, welches Wetter vorliegt. Daraus ergibt sich die Erfolgsrate in Zelle B11. Sie folgt einer Multinomialverteilung:

=Multinomial_variate(C5:C8;B5:B8)

Die Multinomialverteilung nimmt genau die Informationen aus der Tabelle auf: die Erfolgsraten in C5 bis C8 als mögliche Werte und ihre Wahrscheinlichkeiten in B5 bis B8. Sie ist eine Verallgemeinerung der Binomialverteilung, die für Ereignisse mit nur zwei möglichen Ergebnissen gilt. Hier gibt es vier mögliche Ergebnisse. In dem Lauf in Abbildung 7 sind Nebel und Schneefall gezogen worden, die Erfolgsrate beträgt also 30 %.

In der zweiten Stufe schauen wir, wie sich die Hubschrauber bei diesem Wetter verhalten. Wir haben bis zu 25 Hubschrauber zur Auswahl, und jeder einzelne ist mit der gezogenen Erfolgsrate erfolgreich. Alle Hubschrauber eines Laufs fliegen also bei demselben Wetter. In Spalte B steht für jeden Flug eine 1, wenn er erfolgreich war, und eine 0, wenn nicht. Die gelb hinterlegte Spalte C zählt die erfolgreichen Flüge von oben zusammen. Sie ist die eigentliche Ergebnisspalte der Simulation: Für jede Zahl von Hubschraubern steht dort, wie viele Flüge erfolgreich waren. In Abbildung 7 war der erste Flug erfolgreich und danach erst wieder der zwölfte und der vierzehnte.

Unsere Kernstatistik ist die Erfolgswahrscheinlichkeit: Wie wahrscheinlich ist es, dass mindestens fünf Hubschrauber ins Ziel kommen? Sie steht für jede Zahl von Hubschraubern in Spalte D. Die Funktion Probability berechnet sie als Wahrscheinlichkeit, dass der Wert in Spalte C größer als 4 ist, also mindestens 5. Rechts daneben steht die Verteilung der erfolgreichen Flüge mit Mittelwert, Minimum, Quantilen, Median und Maximum.

Was kostet ein hohes Service Level?

Nach der Simulation mit 10.000 Läufen ist die Spalte der Erfolgswahrscheinlichkeit eingefärbt, wie Abbildung 8 zeigt. Rot steht für eine Erfolgswahrscheinlichkeit von 0, über Orange und Gelb färbt sich die Spalte bis nach Grün, wenn die Erfolgswahrscheinlichkeit gegen 1 geht.

Abbildung 8: Die Ergebnisse der Rettung. Die Erfolgswahrscheinlichkeit in Spalte D erreicht 95 % erst mit 16 Hubschraubern und 99 % mit 25 Hubschraubern. Daneben steht die Verteilung der erfolgreichen Flüge für jede Zahl von Hubschraubern.

Mit einem bis vier Hubschraubern ist die Wahrscheinlichkeit, alle zu retten, 0, denn wir brauchen fünf erfolgreiche Missionen. Erst ab fünf Hubschraubern kann das überhaupt funktionieren. Setzen wir genau dieses Minimum ein, liegt die Erfolgswahrscheinlichkeit bei ungefähr einem Drittel, genau bei 34,83 %. Für 95 % müssen wir mit der Anzahl weit nach oben gehen und mindestens 16 Hubschrauber einsetzen. Dann liegt die Erfolgswahrscheinlichkeit bei 95,46 %, und mit 5 % Wahrscheinlichkeit würden wir immer noch eine oder mehrere Schülerinnen oder Schüler verlieren. Für 99 % müssen wir den Hubschrauberpark auf 25 Stück vergrößern, die gleichzeitig fliegen.

Das ist ein ganz typischer Effekt eines Service Levels, das über ein konservatives Quantil definiert ist: Wir brauchen enorme Überkapazitäten. Für 95 % sind es 11 Hubschrauber mehr, als für fünf erfolgreiche Flüge mindestens nötig wären, insgesamt also mehr als dreimal so viele. Wir können nicht wirklich sparsam sein, sondern müssen potenziell sehr viele Ressourcen verschwenden. Man sieht daran auch, welche Risiken entstehen, wenn man an Rettungskräften, Polizei oder Notarztwagen spart. Im glücklichen Fall funktioniert trotzdem alles. Wenn es aber hart auf hart kommt, sind zu wenig Ressourcen da.

Das zeigen auch die übrigen Statistiken. Im Mittel erreichen wir fünf erfolgreiche Missionen schon mit sieben Hubschraubern, der Mittelwert liegt dort bei 5,2. Das Minimum liegt aber bis zu 19 Hubschraubern bei 0. Unter den 10.000 Läufen war also mindestens einer, in dem alle 19 Flüge gescheitert sind. Und selbst mit 25 Hubschraubern gab es einen Lauf, in dem nur ein einziger Erfolg hatte. Im Maximum sind dagegen immer alle Flüge erfolgreich. Auch das kann mit Glück passieren.

Mit diesem Ergebnis kann man darüber verhandeln, wie hoch das Service Level sein soll. Nicht immer gehen gleich Menschenleben verloren, wenn man es etwas herunterschraubt. Oft steht dann vielleicht nur ein Computersystem einen Tag lang nicht zur Verfügung, und man könnte die Zahl der Server massiv reduzieren, um Kosten zu senken. In anderen Fällen möchte man sehr weit nach oben gehen. Vor allem dürfen wir uns aber keine Illusionen machen: Ein Sicherheitsniveau verursacht immer Kosten und Aufwand.

Was bringt eine gemeinsame Versicherung?

Im dritten Teil schließt sich an die Rettung eine medizinische Behandlung an, und es stellt sich die Frage, wer die Kosten übernimmt. Diesen Teil zeigt das dritte Video der Reihe.

Zwei Modelle stehen zur Auswahl. Im ersten kommen die Eltern selbst für die Kosten ihres Kindes auf und möchten 90 % sicher sein, dass sie sich die Behandlung leisten können. Wie viel Geld müssen sie dafür zurücklegen, und welche Restrisiken bleiben? Das zweite Modell ist eine gemeinschaftliche Vorsorge. Hier möchten die Eltern 100 % sicher sein, dass die Behandlung ihres Kindes voll bezahlt wird, damit es keinen Streit zwischen ihnen gibt. Ist es billiger, individuell oder gemeinschaftlich vorzusorgen?

Diese Graswurzelversicherung ist eine Versicherung auf Gegenseitigkeit in einem kleinen Kreis von Menschen. Das Portfolio besteht aus den einzelnen Schülern und den Behandlungskosten, die jeder von ihnen auslöst. Vor allem sehen wir hier den Effekt der Diversifikation. Diversifikation ist eine kostenlose Absenkung des gemeinsamen Risikos dadurch, dass sich Risiken mischen. Man bekommt eine Risikominderung geschenkt, ohne etwas dafür bezahlen zu müssen. Außerdem sehen wir, dass man viele Risiken, hier die 26 Schülerinnen und Schüler, mit einer einzigen Maßnahme absichern kann.

Das Modell der Versicherung

Abbildung 9 zeigt das Modell. Die Behandlungskosten jedes Schülers beschreiben wir durch den Erwartungswert der Ausgaben in Spalte B und ihre Standardabweichung, die Unsicherheit, in Spalte C. Bei Leo sind es 25 Euro oder Geldeinheiten erwartete Ausgaben und eine Unsicherheit von ebenfalls 25. So sind alle Schüler bis Zeile 25 beschrieben. Ab Zeile 26 folgt eine ganz kleine Gruppe risikoreicher Schüler mit erwarteten Ausgaben von 50 und einer Unsicherheit von ebenfalls 50. Die letzte von ihnen, Sophia in Zeile 30, liegt knapp unterhalb des Ausschnitts.

Abbildung 9: Das Modell der Graswurzelversicherung. Leo und die anderen risikoarmen Schüler haben erwartete Ausgaben und eine Unsicherheit von 25, die risikoreichen Schüler ab Zeile 26 von 50. Oben steht die Formel der realisierten Ausgaben von Leo in Zelle D5.

Das ist charakteristisch für eine Versicherung, denn nicht alle Personen haben das gleiche Risikoprofil. Die risikoreichen Schüler sind vielleicht besonders riskant Ski gefahren, haben sich an einer gefährlichen Stelle des Hangs aufgehalten, als die Lawine kam, oder sind aus körperlichen Gründen verletzlicher. Der Grund spielt kaum eine Rolle. Wichtig ist nur, dass die Kosten nicht bei allen Versicherungsnehmern dieselben sein müssen.

Die realisierten Ausgaben in Spalte D simulieren wir mit einer Lognormalverteilung. Sie ist links steil und nach rechts schief. Meistens bleiben die Kosten also gering, mit einer sehr kleinen Wahrscheinlichkeit können aber sehr hohe Kosten entstehen. Bei der Variante LogNormal2_variate, deren Formel oben in Abbildung 9 steht, sind die 25 und 25 der Erwartungswert und die Standardabweichung der Lognormalverteilung selbst und nicht der Normalverteilung, die in ihr verborgen ist. Das sind ganz anschauliche Parameter.

Mehr dazu: Unser Fachbeitrag „Wann nehme ich eine Lognormalverteilung in einer Monte-Carlo-Simulation?“ erklärt, wie die Lognormalverteilung aussieht, wann sie passt und wie man sie in Excel parametrisiert.

Leo vertritt im Folgenden die risikoarmen Schüler und Sophia die risikoreichen. Ihre realisierten Ausgaben sind als Ausgabezellen markiert, damit wir Statistiken für sie berechnen können. Der dritte Fall ist der versicherte Schüler. Seine Versicherungsprämie ist nichts anderes als der Durchschnitt der Kosten, die insgesamt angefallen sind. Wir bilden die Gesamtkosten über alle Schülerinnen und Schüler und teilen sie pro Kopf auf. In Zelle D32 steht:

=+SUMME(D5:D30)/26+OutputName(H4)

Anders als bei einer normalen Krankenversicherung entrichtet man die Prämie also nicht im Voraus, sondern verteilt im Nachhinein die realen Kosten. Die Kosten bleiben zufällig, sie sind aber anders zufällig, als wenn man auf sich gestellt wäre. In Spalte E „Besser als Durchschnitt?“ steht in jedem Lauf eine 1, wenn Leos Ausgaben höchstens so hoch sind wie die des versicherten Schülers, sonst eine 0. Der Mittelwert dieser Zelle über alle Läufe ist die Wahrscheinlichkeit, dass Leo besser dasteht als der versicherte Schüler. Für Sophia gilt dasselbe.

Wie verändert die Versicherung die Kosten?

Nach 10.000 Simulationsläufen zeigt eine Grafik die Histogramme der drei Verteilungen. Zunächst sind sie sehr stark am linken Rand zusammengedrückt, und am rechten Rand sehen wir die langen Ausläufer einzelner hoher Kosten. Der gezeichnete Bereich reicht vom 0-%-Quantil, also dem Minimum, bis zum 100-%-Quantil, dem Maximum. Setzen wir das obere Ende auf 90 %, schneiden wir die Ausläufer ab. Die Verteilungen rücken dann deutlich in die Mitte, und wir können viel besser vergleichen, wie sie aussehen. Abbildung 10 zeigt das Ergebnis.

Abbildung 10: Die Histogramme des versicherten Schülers (orange), des risikoreichen Schülers (blau) und des risikoarmen Schülers (gelb), oben bei 90 % abgeschnitten. Rechts steht Max. % auf 90.

Die blauen Säulen gehören zum risikoreichen Schüler. Kosten nahe null haben bei ihm nur eine ganz kleine Wahrscheinlichkeit, dann steigt die Verteilung an und fällt nach rechts lang ab. Die gelben Säulen des risikoarmen Schülers sind viel weiter nach links gezogen. Er hat kleine Kosten mit viel höherer Wahrscheinlichkeit, seine Verteilung klingt dann aber auch schnell ab. Die orangen Säulen gehören zum versicherten Schüler. Sehr kleine Kosten sind bei ihm sehr selten. Seine Verteilung fängt im Prinzip erst bei etwa 15 an, ist zwischen 20 und 40 am höchsten und fällt danach schnell ab.

Das ist ein ganz klassischer Effekt von Versicherungen: Sie streichen die Situationen mit extrem niedrigen Kosten und ebenso die mit extrem hohen Kosten. Man hat praktisch nie keine Kosten, aber auch praktisch nie extrem hohe, sondern bewegt sich in allen Fällen in einem moderaten Bereich. Dahinter steht die Diversifikation. In einem Portfolio von Risiken schlägt der eine Risikofaktor nach oben aus und ein anderer nach unten, sodass sie sich teilweise ausgleichen. Dieser ausgleichende Effekt stabilisiert die Verteilung in der Nähe ihres Mittelwerts.

Wer profitiert von der Versicherung?

Abbildung 11 zeigt die Statistiken für den versicherten Schüler in Spalte H, den risikoarmen Schüler in Spalte I und den risikoreichen Schüler in Spalte J.

Abbildung 11: Die Statistiken für den versicherten, den risikoarmen und den risikoreichen Schüler nach 10.000 Simulationsläufen. Oben steht die Formel der durchschnittlichen Kosten des versicherten Schülers in Zelle H5.

In Zeile 5 stehen die durchschnittlichen Kosten. Ein versicherter Schüler hat durchschnittliche Kosten von 30, ein risikoarmer Schüler nur von 25. Im Mittel stellt sich der risikoarme Schüler also schlechter, wenn er an der Versicherung teilnimmt. Dieser Punkt wird in den Vereinigten Staaten immer wieder diskutiert: Sehr risikoreiche Patienten treiben die Kosten der Versicherung nach oben, und risikoarme Menschen, die gut auf sich achten, müssen das bezahlen. Bei einer realen Versicherung kämen noch Verwaltungskosten dazu. Der risikoreiche Schüler dagegen hat für sich durchschnittliche Kosten von 50 und stellt sich im Erwartungswert deutlich besser, wenn er teilnimmt.

Zeile 6 zeigt, mit welcher Wahrscheinlichkeit ein Schüler besser dasteht als der versicherte Schüler. Der risikoarme Schüler steht mit 73 % Wahrscheinlichkeit besser da, der risikoreiche mit 41 %. Das sind nennenswerte Wahrscheinlichkeiten, mit denen man sich durch die Teilnahme schlechter stellt. Beim versicherten Schüler selbst steht 0 %, denn er kann nicht besser sein als er selbst.

Die Eltern wollten bei der individuellen Vorsorge mit 90 % Wahrscheinlichkeit die Kosten decken können. Das 90-%-Quantil der Kosten in Zeile 7 liegt für den versicherten Schüler bei 38. Seine Verteilung ist also sehr schmal. Für den risikoarmen Schüler sind es schon 50. Im Mittel ist er zwar billiger als die Versicherung, beim 90-%-Quantil müsste man aber deutlich mehr zurücklegen. Für den risikoreichen Schüler sind es sogar 105, fast dreimal so viel wie beim versicherten. Beim Sicherheitsniveau von 90 % stellen sich also beide mit der Versicherung besser.

Zeile 8 dreht die Frage um: Welchem Quantil des versicherten Schülers entsprechen die Beträge von 38, 50 und 105? Für 38 sind es nach Voraussetzung 90 %. Die 50 wären für den versicherten Schüler schon das 99,53-%-Quantil. Mit diesem Betrag kann er also viel sicherer alle Kosten bestreiten als der risikoarme Schüler. An 105 kommt der versicherte Schüler in den 10.000 Läufen überhaupt nicht heran, deshalb stehen dort 100 %.

In Zeile 9 stehen die „maximalen“ Kosten. Die Anführungszeichen stehen dort, weil das 99,99-%-Quantil gemeint ist. Es liegt für den versicherten Schüler bei 71, für den risikoarmen bei 309 und für den risikoreichen sogar bei 687. Die Quantile berechnet die Funktion Perc. Die umgekehrte Frage, welchem Quantil ein Betrag entspricht, beantwortet die Funktion Probability. Zeile 10 zeigt so, dass die 71 für den risikoarmen Schüler gerade einmal dem 95-%-Quantil entsprechen, genau 95,36 %. Für den risikoreichen Schüler sind es noch nicht einmal 80 %, sondern 79,13 %.

Wir sehen hier ein ganz typisches Ergebnis des Risikomanagements: Je höher man das Sicherheitsniveau wählt, desto mehr rentieren sich Maßnahmen. Wenn die Kosten von 309 oder von fast 700 auf 71 sinken, hat sich die Versicherung massiv gelohnt. Mit einer einzigen Maßnahme, der Durchschnittsbildung der Kosten, haben wir die ganze Klasse abgesichert. So war es möglich, 100 % der Kosten abzudecken, ohne dass die Kosten aus dem Ruder laufen. Das konservative Sicherheitsziel, das bei Versicherungen in der Praxis oft gefordert wird, lässt sich hier erreichen, ohne dass man sich ruiniert.

Was lernen wir daraus für den Modellbau?

Jedes der drei Beispiele zeigt eine Grundidee, die man beim Bau eines Monte-Carlo-Modells immer wieder braucht:

  • Mit Erwartungswerten kann man nur rechnen, wenn ein Sachverhalt additiv und linear ist. Hängt das Ergebnis wie bei der Abfahrt des Busses vom Maximum vieler unsicherer Zeiten ab, liegt es systematisch später, und wir brauchen einen Puffer.
  • Oft verursachen wenige unsichere Risikofaktoren die großen Abweichungen, so wie Anton, Marie, Matteo und Emilia die späten Abfahrten. Eine Sensitivitätsanalyse findet sie, sodass man dort vorbeugend handeln kann.
  • Eine Simulation kann in mehreren Stufen ablaufen. Bei der Rettung wird zuerst das Wetter gezogen und dann der Erfolg der einzelnen Flüge.
  • Ein Service Level, das über ein konservatives Quantil definiert ist, braucht enorme Überkapazitäten. Ein Sicherheitsniveau gibt es nie ohne Kosten und Aufwand.
  • Bündelt man viele Risiken in einem Portfolio, gleichen sie sich teilweise aus. Diese Diversifikation kostet nichts, macht die Verteilung deutlich schmaler und lohnt sich umso mehr, je höher das Sicherheitsniveau ist.

Die drei Beispiele sind ganz grundlegende, archetypische Modelle für Anwendungen der Monte-Carlo-Simulation. Man kann sie in der Praxis verallgemeinern und an den eigenen Anwendungsfall anpassen.