Wehrspohn Risk Management

Wie bewertet man das Risiko von Betriebsausfällen durch eine Pandemie mit einer Monte-Carlo-Simulation?

Fallstudie

Von Dr. Uwe Wehrspohn.

Eine Epidemie kann einen Betrieb lahmlegen, wenn zu viele Mitarbeiterinnen und Mitarbeiter gleichzeitig krank sind. Wir zeigen an einem Modell in Excel, wie man die Ausbreitung einer Epidemie in einem Betrieb mit 500 Personen einschließlich Superspreader-Events simuliert, daraus Wahrscheinlichkeit und Dauer von Betriebsunterbrechungen bestimmt und Maßnahmen wie ein Verbot von Großveranstaltungen, Tests und Quarantäne, Impfungen und weniger Kontakte miteinander vergleicht.

Die Corona-Pandemie hat uns alle über mehrere Jahre sehr beschäftigt. Für Unternehmen wirft jede Epidemie eine ganz konkrete Frage auf: Wie wahrscheinlich ist es, dass so viele Mitarbeiterinnen und Mitarbeiter gleichzeitig erkranken, dass der Betrieb unterbrochen werden muss, und wie lange dauert eine solche Unterbrechung?

Wir zeigen im Folgenden ein Modell, mit dem man dieses Personalrisiko methodisch bewerten kann. Es bezieht Komplikationen ein, die wir während der Pandemie gesehen haben: Superspreader-Events, die die Ausbreitung massiv beschleunigt haben, und Gegenmaßnahmen wie Impfungen und Quarantäne. Die Bewertung läuft in fünf Schritten ab:

  1. Wir bestimmen die Faktoren, die das Risiko vorübergehender Betriebsschließungen durch eine Masseninfektion beeinflussen. Das sind die Zutaten des Modells.
  2. Wir legen fest, in welcher Größenordnung diese Faktoren liegen, denn es kommt darauf an, in welchem Ausmaß die einzelnen Dinge eintreten.
  3. Wir stellen die Zusammenhänge zwischen den Faktoren dar, die die Dynamik des ganzen Geschehens bestimmen. Das ist das Rezept.
  4. Wir werten das Modell mit einer Monte-Carlo-Simulation aus. Das ist sozusagen das Backen des Brotes.
  5. Wir analysieren die Ergebnisse. Weil man eine Epidemie auf viele Arten beeinflussen kann, rechnen wir dazu eine Serie von Monte-Carlo-Simulationen und vergleichen sie in einer Szenarioanalyse.

Welche Faktoren bestimmen das Risiko eines Betriebsausfalls durch eine Epidemie?

Wir beziehen acht Faktoren in das Modell ein:

  1. Die Größe des Betriebs ist wichtig, weil eine Infektion, die einmal aufgetreten ist, auch wieder aussterben kann, vor allem in einer kleinen Gruppe. In einer sehr großen Gruppe wie den 80 Millionen Menschen in Deutschland spielt der Zufall dagegen kaum noch eine Rolle. Das Gesetz der großen Zahl schlägt zu, und die Epidemie entwickelt sich wie auf Schienen. Um dort noch zufällige Effekte zu sehen, müsste man die Bevölkerung in kleine lokale Gruppen aufteilen. Wir betrachten stattdessen einen mittelgroßen Betrieb.
  2. Die Zahl der Erkrankten, ab der der Betrieb unterbrochen werden muss, legt umgekehrt fest, wie lange sich der Betrieb trotz einzelner Erkrankter aufrechterhalten lässt. Wir brauchen sie, um Wahrscheinlichkeit und Dauer einer Unterbrechung zu beurteilen.
  3. Die Zahl der Infizierten am Anfang spielt eine zentrale Rolle. Ist sie sehr klein, werden diese Infizierten mit deutlich höherer Wahrscheinlichkeit wieder gesund, bevor sie genug andere angesteckt haben, um eine Epidemie überhaupt ins Rollen zu bringen.
  4. Die Zahl der täglichen Kontakte jeder Mitarbeiterin und jedes Mitarbeiters bestimmt, wie viele noch nicht infizierte Personen ein Infizierter anstecken kann. Je mehr Kontakte es gibt, desto mehr Ansteckungen gibt es.
  5. Der Grad der Ansteckung gibt an, wie wahrscheinlich sich jemand, der noch nicht erkrankt ist, bei einem Kontakt mit einem Erkrankten infiziert.
  6. Die Dauer der Krankheit gibt an, wie lange jemand krank und ansteckend ist, bevor er wieder gesund wird. Je länger das dauert, desto mehr andere kann er anstecken.
  7. Die Häufigkeit von Superspreader-Events ist wichtig, weil man an solchen Tagen mit sehr viel mehr Menschen in Kontakt kommt als an einem normalen Tag. Beispiele sind eine Betriebsversammlung, eine Après-Ski-Party, eine Faschingsparty, eine Hochzeit oder Gottesdienste in der Weihnachtszeit. Solche Ereignisse haben sich in der Corona-Pandemie deutlich bemerkbar gemacht und für viel Aufsehen gesorgt.
  8. Die Geschwindigkeit, mit der Infizierte in Quarantäne kommen, ist schon eine Maßnahme, beeinflusst das Infektionsgeschehen aber deutlich. Je schneller Infizierte erkannt und in Quarantäne gebracht werden, desto geringer ist die Ansteckungsgefahr, die von ihnen ausgeht.

Mit welchen Annahmen rechnet das Modell?

Abbildung 1 zeigt die Größenordnungen der Faktoren, die wir im Beispiel annehmen.

Abbildung 1: Die Größenordnungen der Faktoren im Beispiel. „Ws“ steht für Wahrscheinlichkeit, „SE“ für Superspreader-Event.

Wir betrachten einen Betrieb mit 500 Personen, im Wesentlichen einen Standort. Hat ein größeres Unternehmen weitere, weit entfernte Standorte, zwischen denen eine Ansteckung nicht ohne Weiteres möglich ist, betrachtet man diese getrennt.

Wir nehmen an, dass ab 150 Infizierten eine Betriebsunterbrechung notwendig wird, weil sich die Produktion dann nicht mehr aufrechterhalten lässt. Diese Zahl ist willkürlich gewählt. Wo sie liegt, hängt vom einzelnen Unternehmen ab, und im Modell lässt sie sich einfach überschreiben.

Anfangs kommen 2 infizierte Personen in das Unternehmen, und von ihnen aus verbreitet sich die Infektion. Jede Person hat 10 Kontakte am Tag.

Viele Informationen zum Infektionsgeschehen einer bestimmten Krankheit kommen vom Robert Koch-Institut. Es hat auf seiner Webseite epidemiologische Steckbriefe zu Infektionskrankheiten veröffentlicht, zum Beispiel zu SARS-CoV-2 und COVID-19, mit Angaben wie den Übertragungswegen, der Reproduktionszahl und der Inkubationszeit. Daraus kann man Parameter gewinnen, die einigermaßen realistisch sind. Welche das sind, hängt von der Art der Epidemie ab.

Die Infektionsrate gilt für einen Kontakt zwischen einer infizierten und einer anfälligen Person. Anfällig ist, wer noch nicht erkrankt und noch nicht genesen ist. Wir nehmen also an, dass jemand, der die Infektion überstanden hat, erst einmal immun ist. Bei jedem Kontakt zwischen einem Infizierten und einem Anfälligen liegt die Wahrscheinlichkeit einer Ansteckung bei 3 %.

Die Genesungsrate ist die Wahrscheinlichkeit, mit der ein Infizierter an einem Tag wieder gesund wird. Eine Genesungsrate von 10 % entspricht einer durchschnittlichen Krankheitsdauer von 10 Tagen. Im Einzelfall dauert die Krankheit kürzer oder länger, deshalb stellen wir sie als Wahrscheinlichkeit dar.

Die Quarantänerate ist die Wahrscheinlichkeit, mit der ein Infizierter als solcher erkannt und in Quarantäne geschickt wird. Zu Beginn der Epidemie sind noch keine Maßnahmen ergriffen, die Quarantänerate ist also 0 %. Sie höher zu setzen, wäre bereits eine Maßnahme gegen die Epidemie. Zur Wirksamkeit der Tests auf COVID-19 hat, analog zum Robert Koch-Institut, das Paul-Ehrlich-Institut Daten veröffentlicht.

Das Superspreader-Event schließlich besteht aus zwei Angaben. Mit 10 % Wahrscheinlichkeit findet an einem Tag ein Superspreader-Event statt, ungefähr alle zwei Wochen also einmal. An diesem Tag steigen die Kontakte von normalerweise 10 auf 100.

Wie breitet sich die Epidemie im Modell aus?

Kurz gesagt: Risk Kit ist ein 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 solches Epidemiemodell lässt sich in jedem Simulationstool nach demselben Prinzip aufbauen und auswerten.

Abbildung 2 zeigt das Modell in Excel auf dem Blatt „Pandemie-Modell“. In Zeile 4 stehen die Faktoren mit ihren Werten aus Abbildung 1, im blauen Bereich darunter ihre Zusammenhänge. Die Epidemie entwickelt sich über die Tage 1 bis 100, die in Spalte A durchnummeriert sind. Das ist ein relativ kurzer Zeitraum, aber in dieser Zeit tut die Epidemie im Wesentlichen alles, was in ihrer Macht steht.

Abbildung 2: Das Modell auf dem Blatt „Pandemie-Modell“. Oben in Zeile 4 stehen die Faktoren, darunter folgt für jeden Tag eine Zeile. Am Tag 7 in Zeile 15 findet ein Superspreader-Event mit 100 Kontakten und 91 Neuinfizierten statt.

Für jede Größe in der Tabelle unterscheiden wir den Starttag und die Folgetage. An jedem Folgetag berechnet sich der Wert aus den Werten des Vortags.

  • Spalte B enthält die Anfälligen, also die Personen, die noch infiziert werden können. Am ersten Tag sind das die 500 Personen abzüglich der 2 anfänglich Infizierten, also 498. In Zelle B9 steht dafür die Formel =B4-C4. An jedem Folgetag sind es die Anfälligen des Vortags abzüglich der Neuinfizierten des Vortags.
  • Spalte C enthält die freien Infizierten. Das sind die unerkannt Infizierten, die nicht in Quarantäne sind und deshalb Anfällige anstecken können. Am ersten Tag sind es die 2 anfänglich Infizierten. An jedem Folgetag kommen zu den freien Infizierten des Vortags die Neuinfizierten des Vortags hinzu. Abgezogen werden die am Vortag aus dieser Gruppe Genesenen und die Einweisungen in Quarantäne des aktuellen Tages.
  • Spalte D enthält die Infizierten in Quarantäne. Am ersten Tag ist noch niemand in Quarantäne. An jedem Folgetag kommen zu den Infizierten in Quarantäne des Vortags die an diesem Tag Eingewiesenen hinzu, und die in Quarantäne Genesenen werden abgezogen.
  • Spalte E enthält die Genesenen. Am ersten Tag ist noch niemand genesen. An jedem Folgetag kommen zu den bisher Genesenen die am Vortag Genesenen aus beiden Gruppen hinzu, also aus den unerkannt Infizierten und aus den Infizierten in Quarantäne.

Kontakte und Superspreader-Events

Spalte F enthält die Kontakte, die jeder im Unternehmen an diesem Tag hat, ausgenommen die Personen in Quarantäne. Sie nimmt einen von zwei Werten an: 10 an einem normalen Tag oder 100 bei einem Superspreader-Event. Welcher Fall eintritt, entscheidet für jeden Tag ein Bernoulli-Experiment. Das ist ein Zufallsexperiment mit genau zwei Ausgängen, ähnlich einem Münzwurf. Die Formel in Zelle F9 lautet:

=+WENN(Bernoulli_variate($I$4);$J$4;$D$4)

Die Risk-Kit-Funktion Bernoulli_variate ergibt mit der Superspreader-Wahrscheinlichkeit von 10 % aus Zelle I4 eine 1. Dann gibt die Formel die 100 Kontakte aus Zelle J4 zurück. Mit 90 % Wahrscheinlichkeit ergibt sie eine 0, dann ist es ein normaler Tag mit den 10 Kontakten aus Zelle D4. Durch Zufall kann es mehrere Superspreader-Events dicht hintereinander geben, in Abbildung 2 an den Tagen 2 und 3. Danach ist es eine Zeit lang ruhig, bis am Tag 7 das nächste kommt.

Mehr dazu: Unser Fachbeitrag „Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?“ erklärt, wie diese Verteilung Ereignisse mit genau zwei Ausgängen beschreibt, etwa ob an einem Tag ein Superspreader-Event stattfindet oder nicht.

Genesung und Quarantäne

Nach demselben Prinzip entscheidet das Modell, wer gesund wird. Für jeden freien Infizierten wirft es sozusagen eine Münze, die mit der Genesungsrate von 10 % eine 1 zeigt. So entstehen die neu Genesenen in Spalte H. Für die Infizierten in Quarantäne in Spalte I gilt genau dasselbe.

Die Einweisungen in Quarantäne in Spalte J sind am ersten Tag null. Ab dem zweiten Tag ergeben sie sich aus den bisher unerkannt Infizierten, die ein Test erfolgreich findet, und der Quarantänerate. Jeder Infizierte, den wir in Quarantäne schicken, erhöht die Einweisungen um eins. Die Infizierten insgesamt in Spalte K sind schließlich die Summe der freien Infizierten und der Infizierten in Quarantäne.

Wie simuliert man die Ansteckungen?

Die Neuinfizierten in Spalte G sind die komplizierteste Größe im Modell, denn sie hängen von sehr vielen Faktoren ab. Abbildung 3 zeigt die Formel in Zelle G9. Die farbigen Rahmen markieren die Zellen, auf die sie zugreift:

=NeuInfektionen($B$4;B9;C9;D9;E9;$F$4;F9)

Abbildung 3: Die Formel für die Neuinfizierten in Zelle G9. Die farbigen Rahmen markieren die Zellen, die in die Funktion NeuInfektionen eingehen.

Die Funktion fragt die Zahl der Personen insgesamt ab (B4), die Infektionsrate bei einer Begegnung zwischen einem Infizierten und einem Anfälligen (F4), die Zahl der Anfälligen (B9), der freien Infizierten (C9), der Infizierten in Quarantäne (D9) und der Genesenen (E9) sowie die Kontakte, die jeder freie Infizierte an diesem Tag hat (F9). Die Infizierten in Quarantäne nehmen am Infektionsgeschehen nicht teil. Wir brauchen sie trotzdem, um zu berechnen, wie viele Anfällige noch übrig sind.

Risk-Kit-Funktionen in Visual Basic

NeuInfektionen ist eine Funktion in Visual Basic, Abbildung 4 zeigt ihren Code. Das Besondere daran ist, dass man in Visual Basic die Funktionen von Risk Kit verwenden kann. Dazu aktiviert man im Visual-Basic-Editor unter „Extras“ und „Verweise“ das Risk-Kit-Add-in und legt eine Variable vom Typ RiskKitComServer an, hier mit dem Namen ran. Über sie sind die Risk-Kit-Funktionen im Code erreichbar, zum Beispiel ran.Hypergeometric_variate und ran.Compound.

Abbildung 4: Die Funktion NeuInfektionen in Visual Basic. Über die Variable ran stehen die Risk-Kit-Funktionen Hypergeometric_variate und Compound im Code zur Verfügung.

Gibt es keine Anfälligen mehr, kann niemand mehr angesteckt werden, und die Funktion gibt null zurück. Sonst führt sie einen Zähler für die Infizierten, der zu Beginn die freien Infizierten und die Infizierten in Quarantäne enthält. Dann prüft sie in einer Schleife für jeden freien Infizierten, wie viele Personen er ansteckt.

Für jeden Infizierten zählt die Funktion zuerst, wie viele Anfällige es noch gibt: die Personen insgesamt abzüglich des Zählers für die Infizierten und abzüglich der Genesenen. Wichtig ist, dass hier der laufende Zähler steht. Gibt es zum Beispiel 10 freie Infizierte an einem Tag, könnten zwei oder mehr von ihnen denselben Anfälligen anstecken. Das muss die Funktion mitprotokollieren. Jede Ansteckung erhöht deshalb den Zähler für die Infizierten und senkt die Zahl der verbleibenden Anfälligen, wie bei einer Waage. Sind alle Anfälligen infiziert, ist die Epidemie durchgelaufen, und die Funktion bricht die Schleife ab.

Die hypergeometrische Verteilung: Ziehen wie beim Lotto

Ein Infizierter trifft nicht nur Anfällige, sondern auch Genesene, die er nicht mehr anstecken kann, und Personen, die schon infiziert sind. Mit wie vielen Anfälligen er an diesem Tag tatsächlich Kontakt hat, zieht die Funktion mit Hypergeometric_variate als Zufallszahl aus der hypergeometrischen Verteilung. Das klingt kompliziert, ist aber nichts anderes als die Verteilung des Lottospiels.

Beim Lotto 6 aus 49 gibt es 6 Gewinnerkugeln. Wir wissen nicht, welche es sind, aber wir wissen, dass sie da sind. Im Modell entspricht das Folgendem:

  • Die Gewinnerkugeln sind die Anfälligen, die wir ziehen wollen.
  • Die 49 Kugeln, aus denen wir ziehen, sind die Personen ohne die Infizierten in Quarantäne. Wer in Quarantäne ist, den kann man nicht treffen.
  • Die Zahl der Züge entspricht den Kontakten, die man an diesem Tag hat.

Zufällig ermittelt wird dann, wie viele Gewinner unter den Gezogenen sind, also wie viele Anfällige der Infizierte tatsächlich trifft.

Wie viele Kontakte führen zu einer Ansteckung?

Wie viele dieser Anfälligen der Infizierte tatsächlich ansteckt, ermittelt die Risk-Kit-Funktion Compound. Sie zieht für jeden Kontakt mit einem Anfälligen eine Zufallszahl aus einer Bernoulli-Verteilung, die mit der Infektionsrate von 3 % eine 1 ergibt, also eine Ansteckung. Die Ergebnisse zählt sie zusammen, und die neu Angesteckten kommen zum Zähler für die Infizierten hinzu.

Ist die Schleife für alle freien Infizierten durchgelaufen, ergeben sich die Neuinfektionen des Tages als Zuwachs: der Zähler für die Infizierten abzüglich der freien Infizierten und der Infizierten in Quarantäne zu Beginn der Runde. Die Funktion ist an jedem Tag dieselbe. Damit ist die Dynamik der Epidemie vollständig beschrieben.

Wie verläuft eine Epidemie im Betrieb?

Wie sich die einzelnen Größen über die Zeit entwickeln, zeigt Abbildung 5 für einen einzelnen zufälligen Verlauf. Die blaue Linie sind die Anfälligen, die mit der Zeit immer weniger werden. Die graue Linie sind die Genesenen, die bei null beginnen und immer mehr werden. Die orange Linie sind die Infizierten insgesamt an einem Tag, die gelbe Linie die Neuinfizierten dieses Tages.

Abbildung 5: Ein einzelner zufälliger Verlauf der Epidemie über 100 Tage. Die Spitzen der gelben Linie der Neuinfizierten gehen auf Superspreader-Events zurück.

Bei den Neuinfizierten gibt es ab und zu eine Spitze. Das sind Superspreader-Events. Die große Spitze um Tag 7 ist das Superspreader-Event aus Abbildung 2, an dem die Zahl der Neuinfizierten von 13 auf 91 springt. Spätere Superspreader-Events bleiben nur kleine Zacken, weil dann nur noch wenige Anfällige zur Verfügung stehen, und am Schluss spielen sie gar keine Rolle mehr.

Mit jeder Neuberechnung entsteht ein neuer zufälliger Verlauf. In einem davon gibt es sehr wirksame Superspreader-Events mit 149 und 197 Neuinfizierten an einem Tag. Die Zahl der Infizierten insgesamt steigt dadurch drastisch auf 222 und am nächsten Tag auf 399. Auch hier ist die Epidemie sehr schnell vorbei: Auf einen kurzen Anstieg folgt ein Abfall der Infizierten.

Das Ganze läuft auf einen Sättigungspunkt zu, an dem die Zahl der Genesenen nicht mehr steigt. Interessanterweise heißt das nicht unbedingt, dass alle Personen im Unternehmen die Krankheit bekommen haben. In diesem Verlauf sind insgesamt nur 495 Personen angesteckt worden. Danach gab es keine Infizierten mehr, die noch andere hätten anstecken können. Auch in Abbildung 5 bleibt die graue Linie der Genesenen am Ende unter 500.

Wenn die Epidemie von selbst ausstirbt

In einzelnen Fällen stirbt die Epidemie aus. Das passiert, wenn die freien Infizierten, die als Einzige andere anstecken können, schneller gesund werden, als sie andere anstecken. Abbildung 6 zeigt einen solchen Verlauf. Lange gab es kein Superspreader-Event, die Kontakte liegen jeden Tag bei 10, und es gab einige schnelle Genesungen. Am Tag 4 ist nur noch ein freier Infizierter übrig, ab Tag 5 keiner mehr.

Abbildung 6: Ein Verlauf, in dem die Epidemie ausstirbt. Ab Tag 5 gibt es keine freien Infizierten mehr. Die gelb hinterlegte Zelle C28 mit den freien Infizierten nach 20 Tagen ist eine Ausgabezelle der Simulation.

Wer dann noch krank ist, wird nach und nach gesund, bis es nur noch Genesene und Anfällige gibt. Ihre Summe ergibt immer genau 500, in Abbildung 6 sind es 497 Anfällige und 3 Genesene.

Wie wahrscheinlich ist ein Betriebsausfall, wenn man nichts tut?

Um das Modell auszuwerten, definieren wir auf dem Blatt „Pandemie-Modell“ mehrere Statistiken:

  • Als Erstes messen wir, mit welcher Wahrscheinlichkeit die Epidemie ausstirbt. Dazu markieren wir die freien Infizierten nach 20 Tagen in Zelle C28 als Ausgabezelle der Simulation. Die Funktion Probability misst, mit welcher Wahrscheinlichkeit dieser Wert kleiner oder gleich null ist. Gibt es nach 20 Tagen keine freien Infizierten mehr, stirbt die Epidemie aus.
  • Als Zweites zählen wir die Tage einer Betriebsunterbrechung. Hier kommt die Schwelle ins Spiel: Wir zählen die Tage, an denen die Infizierten insgesamt mindestens 150 erreichen. Die Wahrscheinlichkeit, dass es mehr als null solche Tage gibt, ist die Wahrscheinlichkeit einer Betriebsunterbrechung.
  • Als Drittes berechnen wir für die Dauer einer Betriebsunterbrechung, wenn sie denn stattfindet, das Quantil zu 10 %, die mittlere Dauer und das Quantil zu 90 %. Mit der Funktion Plot stellen wir die Verteilung der Dauer außerdem als Histogramm auf dem Blatt „Ergebnisse“ dar.
  • Als Viertes betrachten wir die maximale Zahl der Infizierten, also wie viele Personen höchstens gleichzeitig krank sind. In einem zufälligen Verlauf sind das etwa 234, in einem anderen 350.
  • Zuletzt wollen wir sehen, wie sich die Infizierten insgesamt über alle Simulationsläufe entwickeln, also die orange Linie aus Abbildung 5 für alle Läufe zusammen. Dieser Verlauf ist ein stochastischer Prozess, eine zufällige Entwicklung in der Zeit. Wir definieren ihn mit der Funktion ProcessDefinition aus den Tagen in Spalte A und den Infizierten insgesamt in Spalte K. Die Funktion PlotProcess stellt ihn auf dem Blatt „Ergebnisse“ als Kurvenschar mit den Quantilen zu 1 %, 10 %, 90 %, 95 % und 99 % dar.

Mehr dazu: Wie man stochastische Prozesse simuliert und mit ProcessDefinition und PlotProcess darstellt, zeigt unsere Fallstudie „Wie simuliert man Preisentwicklungen mit einer Monte-Carlo-Simulation?“ am Beispiel von Ölpreis und Zins.

Weil Modell und Ergebnisse auf zwei Blättern liegen, muss sich die Simulation auf die gesamte Arbeitsmappe erstrecken und nicht nur auf das aktive Arbeitsblatt. Da die Simulation sehr aufwendig ist, rechnen wir nur eine kleine Zahl von Simulationsläufen. In jedem Lauf entsteht ein neuer zufälliger Verlauf der Epidemie über die 100 Tage.

Das Ergebnis ohne Maßnahmen

Abbildung 7 zeigt das Blatt „Ergebnisse“ nach der Simulation. Oben stehen das Szenario „Wir werden unvorbereitet getroffen“, also ohne jede Gegenmaßnahme, und seine Parameter, darunter die Ergebnisse.

Abbildung 7: Die Ergebnisse, wenn wir unvorbereitet getroffen werden. Oben die Wahrscheinlichkeiten (WS) und die Dauer einer Betriebsunterbrechung, links die Infizierten im Verlauf mit den Quantilen (dunkelblau) und dem Mittelwert (hellblau), rechts die Verteilung der maximalen Zahl der Infizierten.

Die Wahrscheinlichkeit, dass die Epidemie innerhalb von 20 Tagen wieder ausstirbt, liegt bei 6,0 %. Eine Betriebsunterbrechung ist dagegen sehr wahrscheinlich, sie tritt mit 93,2 % Wahrscheinlichkeit ein. Ihre Dauer liegt beim Quantil zu 10 % bei 10 Tagen, im Mittel bei 12 Tagen und beim Quantil zu 90 % bei 15 Tagen.

Links beginnt der Verlauf nahezu bei null, nämlich bei den 2 anfänglich Infizierten. Er steigt, erreicht nach einigen Wochen ein Maximum, fällt wieder und klingt ab. Nach drei Monaten ist die Epidemie praktisch in allen Simulationsläufen beendet, 100 Tage zu betrachten reicht also deutlich aus. Die oberste Linie, das Quantil zu 99 %, erreicht rund 350 Infizierte.

Rechts liegt die maximale Zahl der Infizierten etwa zwischen 130 und 420, wenn die Epidemie nicht ausstirbt. Das ist eine enorme Bandbreite, und es sind wirklich viele Leute gleichzeitig infiziert. Stirbt die Epidemie aus, bleibt die Zahl nahe bei den 2 anfänglich Infizierten. Das ist die einzelne Säule ganz links. Das dritte Diagramm weiter unten auf dem Blatt zeigt die Dauer einer Betriebsunterbrechung. Sie liegt bei 0 Tagen, wenn es keine gibt, und sonst zwischen 1 und 18 Tagen.

Welche Maßnahmen gibt es, und wie rechnet man die Szenarien?

Bisher haben wir die Epidemie einfach laufen lassen, und sie ist richtig durchgelaufen. Die Frage ist, was man dagegen tun kann. Es gibt viele Stellschrauben, an denen wir drehen können. Abbildung 8 zeigt sie auf dem Blatt „Parameter“, zusammengefasst in sechs Szenarien S1 bis S6.

Abbildung 8: Das Blatt „Parameter“. Oben im blauen Bereich das aktive Szenario, darunter im gelben Bereich die sechs Szenarien, unten links die Quantile für die Kurvenschar.

S1 ist das Szenario ohne Maßnahmen. Die übrigen fünf Szenarien ändern einzelne Parameter:

  • S2 „Keine Großveranstaltungen“: Wir verbieten Großveranstaltungen, damit es möglichst keine Superspreader-Events gibt, also keine Betriebsversammlungen, keine Faschingsfeste und keine Weihnachtsgottesdienste. Die Superspreader-Wahrscheinlichkeit sinkt von 10 % auf 0 %, alle anderen Werte bleiben gleich.
  • S3 „Testen und isolieren“: Bei sonst gleichen Werten setzen wir eine Quarantänerate von 20 % an. Wir finden also pro Tag 20 % der unerkannt Infizierten und schicken sie in Quarantäne, sodass sie niemanden mehr anstecken. Die Superspreader-Wahrscheinlichkeit liegt wieder bei 10 %, denn wir betrachten die Quarantäne als isolierte Maßnahme.
  • S4 „Impfen“: Die Infektionsrate sinkt ein klein wenig, von 3 % auf 2 %. Nach Angaben des Robert Koch-Instituts war die Hauptwirkung des Impfens in der Corona-Pandemie nicht unbedingt, dass man sich seltener ansteckte. Das ist nur geringfügig passiert. Der wesentliche Effekt war, dass die Verläufe nicht mehr so schwer waren und man nicht daran gestorben ist. Schwere Verläufe und Todesfälle betrachtet unser Modell nicht. Deshalb liegt die Infektionsrate mit Impfung nur einen Prozentpunkt niedriger als ohne.
  • S5 „Kontakte reduzieren“: Wir senken die täglichen Kontakte von 10 auf 5. Alles andere bleibt gleich, auch die Superspreader-Events.
  • S6 „Kombination aus S2-S5“: Wir ergreifen alle vier Maßnahmen gleichzeitig. Wir verbieten also Großveranstaltungen, testen und isolieren, impfen und reduzieren die Kontakte.

Ebenso könnte man beliebige Mischformen bilden oder durchspielen, was passiert, wenn wir die Kontakte noch stärker reduzieren, noch effektiver testen oder einen Impfstoff verwenden, mit dem die Infektionsrate unter 2 % liegt. Dazu passt man nur die Parameter an, und die Auswertung läuft genauso wie im Folgenden.

Die sechs Szenarien werten wir in einer Seriensimulation aus. Sie läuft über ein Visual-Basic-Skript, das sich auf der Risk-Kit-Toolbar unter „Beispiele“ im Beispiel „Batch Simulation“ findet. Das Skript kopiert nacheinander jeden Datensatz aus dem gelben Bereich in den aktiven Parameterbereich oben, wertet ihn aus und kopiert die Ergebnisse in ein neues Tabellenblatt. Danach enthält die Arbeitsmappe sechs neue Blätter, die nach den Kürzeln S1 bis S6 benannt sind.

Was bewirken die Maßnahmen?

Im ersten Szenario ohne Maßnahmen läuft die Epidemie wieder richtig hoch. Weil jede Simulation mit neuen Zufallszahlen rechnet, weichen die Werte etwas von Abbildung 7 ab: Eine Betriebsunterbrechung tritt jetzt mit 94,8 % Wahrscheinlichkeit ein, die Epidemie stirbt mit 4,4 % Wahrscheinlichkeit aus, und die maximale Zahl der Infizierten reicht bis über 400. Eine Unterbrechung dauert beim Quantil zu 10 % 9 Tage, im Mittel 13 Tage und beim Quantil zu 90 % 15 Tage. Mit diesem Ergebnis vergleichen wir die übrigen Szenarien.

Keine Großveranstaltungen

Abbildung 9 zeigt das Ergebnis für S2, in dem wir als Einziges Großveranstaltungen verbieten. Die Bandbreite, wie viele Infizierte höchstens gleichzeitig auftreten, wird deutlich geringer. Das Histogramm rechts reicht nur noch bis etwas über 200 statt bis über 400.

Abbildung 9: Das Szenario S2 ohne Großveranstaltungen. Die Superspreader-Wahrscheinlichkeit ist 0 %, und das Quantil zu 99 % bleibt deutlich unter 200 Infizierten.

Auch die Kurven laufen nicht mehr so hoch hinaus. Die höchste Kurve, das Quantil zu 99 %, bleibt deutlich unter 200, im ersten Szenario lag sie bei rund 350. Die Betriebsunterbrechungen werden etwas kürzer: Die längsten dauerten vorher 17 oder 18 Tage, jetzt etwas weniger, und im Mittel sind es 6 statt 13 Tage. Vor allem aber tritt eine Betriebsunterbrechung nur noch mit 60,0 % Wahrscheinlichkeit ein. Die Wahrscheinlichkeit, dass die Epidemie ausstirbt, steigt etwas, auf 7,6 %.

Testen und isolieren

Abbildung 10 zeigt das dritte Szenario. Superspreader-Events gibt es weiterhin, aber jetzt mit einer Quarantänerate von 20 %. Der Verlauf ist im Mittelwert viel flacher und viel langgestreckter.

Abbildung 10: Das Szenario S3 mit Tests und Quarantäne. Der Mittelwert der Infizierten verläuft viel flacher als ohne Maßnahmen.

Mit der Quarantänerate kann man sehr viel bewirken. Läge sie bei 100 %, würden wir jeden Infizierten sofort erkennen und isolieren. Die beiden anfänglich Infizierten würden am ersten Tag herausgefiltert und nach einiger Zeit wieder gesund, und die Epidemie wäre direkt zu Ende.

Eine niedrige Quarantänerate von 20 % hat man vielleicht, wenn die Tests nicht immer konsequent angewendet werden und sich nicht alle testen, wie es sein sollte, sondern nur manche. Schon dann sinkt die Wahrscheinlichkeit einer Betriebsunterbrechung auf 32,0 %, und die Epidemie stirbt mit 44,0 % Wahrscheinlichkeit aus. Auch die Betriebsunterbrechungen werden etwas kürzer, sie dauern hier höchstens 14 Tage.

Impfen und weniger Kontakte

Das Impfen, das die Infektionsrate nur von 3 % auf 2 % senkt, hat einen relativ geringen Effekt. Die Kurven sehen ganz ähnlich aus wie ohne Maßnahmen. Allerdings sinkt das Quantil zu 99 % von rund 350 auf weniger als 300, die Kurve wird also doch flacher, und die maximale Zahl der Infizierten ist nicht größer als 370. Eine Betriebsunterbrechung tritt mit 78,8 % Wahrscheinlichkeit ein. Lange Unterbrechungen dauern kaum kürzer als ohne Maßnahmen: Das Quantil zu 90 % liegt bei 14 statt 15 Tagen.

Weniger Kontakte wirken ähnlich wie die Impfung. Die Superspreader-Events gibt es nach wie vor, und auf sie kommt es an. Dass die täglichen Kontakte auf 5 sinken, hat nur eine kleine Wirkung: Die Wahrscheinlichkeit einer Betriebsunterbrechung sinkt auf 80,4 %. An der Dauer ändert sich kaum etwas, auch hier liegt das Quantil zu 90 % bei 14 Tagen.

Alle Maßnahmen zusammen

Im letzten Szenario ergreifen wir alle Maßnahmen gleichzeitig, und jetzt gibt es einen durchschlagenden Gesamteffekt, den Abbildung 11 zeigt. Die Epidemie stirbt mit 96,0 % Wahrscheinlichkeit innerhalb von 20 Tagen aus, also fast sicher. Eine Betriebsunterbrechung gibt es nicht mehr, sie ist in keinem einzigen Simulationslauf aufgetreten. Höchstens neun Personen waren gleichzeitig erkrankt.

Abbildung 11: Das Szenario S6 mit allen Maßnahmen zusammen. Die Quantile der Infizierten bleiben zwischen 0 und 5, die maximale Zahl der Infizierten liegt zwischen 2 und 9.

Was zeigt der Vergleich der Szenarien?

Einzeln senken das Testen und Isolieren und das Verbot von Großveranstaltungen die Wahrscheinlichkeit einer Betriebsunterbrechung am stärksten, auf 32,0 % und 60,0 %. Impfen und weniger Kontakte wirken mit 78,8 % und 80,4 % deutlich schwächer. Erst alle Maßnahmen zusammen verhindern eine Betriebsunterbrechung ganz.

An diesem Beispiel sieht man, wie man eine Epidemie und ihre Wirkung auf einen Betrieb analysieren kann. Man kann die einzelnen Einflussfaktoren in ihrer Wirksamkeit gegeneinander abwägen. Man kann Kombinationen von Maßnahmen bewerten und sehen, was in der Summe passiert, wenn man mehrere Dinge gemeinsam tut. Und man kann sich Ziele setzen, einzelne Maßnahmen zu verbessern, zum Beispiel die Quarantänerate von 20 % auf höhere Werte zu bringen oder die Infektionsrate von 2 % durch bessere Impfstoffe noch weiter zu senken.

Das Modell gehört zu den Beispielen, die mit Risk Kit ausgeliefert werden. Man findet es auf der Risk-Kit-Toolbar unter „Beispiele“.