Risikoorientierte Unternehmenssteuerung E-Book

Ute Vanini

• Herausgeber: Schäffer Poeschel
• Kategorie: Fachliteratur
• Sprache: Deutsch

Seitenzahl: 253

Veröffentlichungsjahr: 2024

Beschreibung

Controller:innen und Risikomanager:innen müssen in einem komplexen Unternehmensumfeld Handlungsalternativen mittels stochastischer Methoden und Simulationsverfahren analysieren können. Das Buch zeigt Analyse-Ansätze anhand von zehn Fallstudien auf. Mit der Statistik-Software R (Freeware) werden anhand konkreter Problemstellungen, wie Identifikation kritischer Einflussfaktoren auf den geplanten Unternehmenserfolg mittels Sensitivitätsanalysen oder der Aufstellung einer stochastischen Unternehmensplanung, gezeigt, wie Unsicherheiten analysiert und simuliert werden können, welche Daten dafür notwendig sind und welche Erkenntnisse für die Unternehmenssteuerung aus den Analysen und Simulationen abgeleitet werden können. Sämtliche Ergebnisse und Codes der Berechnungen werden über myBook+ zur Verfügung gestellt.   Die digitale und kostenfreie Ergänzung zu Ihrem Buch auf myBook+: - Zugriff auf ergänzende Materialien und Inhalte - E-Book direkt online lesen im Browser  - Persönliche Fachbibliothek mit Ihren Büchern Jetzt nutzen auf mybookplus.de.             

Leseprobe

Inhaltsverzeichnis

InhaltsverzeichnisHinweis zum UrheberrechtmyBook+ImpressumAbbildungsverzeichnisEinführung: Arbeiten mit dem Fallstudienbuch1 Grundlagen der Risikoquantifizierung und -modellierung1.1 Begriffsabgrenzungen1.2 Quantifizierung von Risiken1.2.1 Risiken als Zufallsereignisse1.2.2 Wahrscheinlichkeitsverteilungen zur Beschreibung von Risiken1.2.3 Risikomaße und -kennzahlen1.3 Entwicklung von Risikomodellen1.4 Risikoquantifizierung und -aggregation mittels Monte-Carlo-Simulation1.5 Probleme der Quantifizierung und Modellierung von Risiken1.6 Risikoorientierte Unternehmenssteuerung1.6.1 Begriffsabgrenzungen1.6.2 Überprüfung der Risikotragfähigkeit1.6.3 Stochastische Unternehmensplanung2 Einführung in das Arbeiten mit R2.1 R als Unterstützung des quantitativen Risikomanagements2.2 Download, Installation und erste Schritte in RStudio2.3 R-Skripte und Wiederverwendbarkeit von Codes2.4 Einfache Rechnungen und Variablen2.5 Matrizen und Data Frames2.6 Simulationsmethoden in R2.7 Erweiterung durch Packages2.8 Deskriptive Statistiken und Grafiken in R3 Vorstellung des Fallstudienunternehmens Löffel AG3.1 Einkauf3.2 Produktion3.3 Vertrieb3.4 Personal3.5 IT-Bereich3.6 Planung der Gewinn- und Verlustrechnung4 Fallstudien zur risikoorientierten Unternehmenssteuerung der Löffel AG – Problemstellungen und Lösungen4.1 Identifikation kritischer Einflussfaktoren auf den Unternehmenserfolg – Sensitivitäts- und Was-wäre-wenn-­Analysen mit MS Excel4.2 Einfache Abbildung der Unsicherheit der Produktionskosten4.3 Simulation der Bandbreiten von Absatz und Umsatz4.4 Simulation von Supply-Chain-Risiken durch Ausfälle in der Lieferkette4.5 Währungsrisiken durch den internationalen Vertrieb und Integration in das Umsatzrisiko4.6 Simulation von physischen und transitorischen Klimarisiken auf Einkauf und Produktion4.7 Simulation der Vorteilhaftigkeit unsicherer Investitionen als Risikosteuerungsmaßnahme4.8 Risikoaggregation – Von den Einzelrisiken zum Gesamtrisiko4.9 Überprüfung der Risikotragfähigkeit der Löffel AG4.10 Die Königsdisziplin: Entwicklung einer stochastischen Planung der Gewinn- und Verlustrechnung5 Zusammenfassung und Lessons Learned6 LiteraturverzeichnisDas AutorenteamIhre Online-Inhalte zum Buch: Exklusiv für Buchkäuferinnen und Buchkäufer!Stichwortverzeichnis

Buchnavigation

InhaltsubersichtCoverTextanfangImpressum

[1]

Hinweis zum Urheberrecht

Alle Inhalte dieses eBooks sind urheberrechtlich geschützt.

Bitte respektieren Sie die Rechte der Autorinnen und Autoren, indem sie keine ungenehmigten Kopien in Umlauf bringen.

Dafür vielen Dank!

myBook+

Ihr Portal für alle Online-Materialien zum Buch!

Arbeitshilfen, die über ein normales Buch hinaus eine digitale Dimension eröffnen. Je nach Thema Vorlagen, Informationsgrafiken, Tutorials, Videos oder speziell entwickelte Rechner – all das bietet Ihnen die Plattform myBook+.

Und so einfach geht’s:

Gehen Sie auf https://mybookplus.de, registrieren Sie sich und geben Sie Ihren Buchcode ein, um auf die Online-Materialien Ihres Buches zu gelangen

Ihren individuellen Buchcode finden Sie am Buchende

Wir wünschen Ihnen viel Spaß mit myBook+ !

Bibliografische Information der Deutschen Nationalbibliothek

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.dnb.de abrufbar.

Print:

ISBN 978-3-7910-5968-6

Bestell-Nr. 11481-0001

ePub:

ISBN 978-3-7910-5969-3

Bestell-Nr. 11481-0100

ePDF:

ISBN 978-3-7910-5970-9

Bestell-Nr. 11481-0150

Ute Vanini/Florian Worm

Risikoorientierte Unternehmenssteuerung

1. Auflage, Mai 2024

© 2024 Schäffer-Poeschel Verlag für Wirtschaft · Steuern · Recht GmbH

www.schaeffer-poeschel.de

[email protected]

Bildnachweis (Cover): © Eoneren, iStock

Produktmanagement: Nora Valussi

Lektorat: Susanne Mall, conscripto, Altbach

Dieses Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Alle Rechte, insbesondere die der Vervielfältigung, des auszugsweisen Nachdrucks, der Übersetzung und der Einspeicherung und Verarbeitung in elektronischen Systemen, vorbehalten. Alle Angaben/Daten nach bestem Wissen, jedoch ohne Gewähr für Vollständigkeit und Richtigkeit.

Schäffer-Poeschel Verlag Stuttgart Ein Unternehmen der Haufe Group SE

Sofern diese Publikation ein ergänzendes Online-Angebot beinhaltet, stehen die Inhalte für 12 Monate nach Einstellen bzw. Abverkauf des Buches, mindestens aber für zwei Jahre nach Erscheinen des Buches, online zur Verfügung. Ein Anspruch auf Nutzung darüber hinaus besteht nicht.

Sollte dieses Buch bzw. das Online-Angebot Links auf Webseiten Dritter enthalten, so übernehmen wir für deren Inhalte und die Verfügbarkeit keine Haftung. Wir machen uns diese Inhalte nicht zu eigen und verweisen lediglich auf deren Stand zum Zeitpunkt der Erstveröffentlichung.

Abbildungsverzeichnis

Abbildung 1-1: Elemente des betriebswirtschaftlichen Risikobegriffs; Quelle: Vanini und Weinstock 2006, S. 380

Abbildung 1-2: Phasen des operativen RM-Prozesses; Quelle: Vanini und Rieg 2021, S. 130

Abbildung 1-3: Beispiel für eine Binomialverteilung; Quelle: Vanini und Rieg 2021, S. 107

Abbildung 1-4: Beispiele für Normalverteilungen; Quelle: Vanini und Rieg 2021, S. 108

Abbildung 1-5: Beispiele für PERT-Verteilungen; Quelle: Vanini und Rieg 2021, S. 109

Abbildung 1-6: Entscheidungsbaum zur Bestimmung der Verteilung für die Eintrittswahrscheinlichkeit bzw. die Häufigkeit eines Risikos; Quelle: Romeike und Stallinger 2021, S. 160

Abbildung 1-7: Entscheidungsbaum zur Bestimmung der Verteilung der Risikoauswirkungen; ­Quelle: ­Romeike und Stallinger 2021, S. 162

Abbildung 1-8: Grundstruktur eines Risikomodells; Quelle: Vanini und Rieg 2021, S. 98

Abbildung 1-9: GuV-Planungsmodell; Quelle: Burger und Buchhart 2002, S. 246

Abbildung 1-10: Vorgehensweise bei der EaR-Ermittlung; Quelle: Diederichs 2018, S. 167

Abbildung 1-11: Histogramm eines simulierten EBIT; Quelle: Vanini und Heise 2017, S. 555

Abbildung 1-12: Zusammenhang zwischen RTF, Risikotoleranz und -appetit A; Quelle: Gleißner und Wolfrum 2017, S. 78

Abbildung 1-13: Zusammenhang zwischen RTF, Risikotoleranz und -appetit B; Quelle: Gleißner und Wolfrum 2018, S. 105

Abbildung 1-14: RDP und RTF; Quelle: Gleißner und Wolfrum 2017, S. 79

Abbildung 1-15: Stochastisches GuV-Modell; Quelle: Burger und Buchhart 2002, S. 246

Abbildung 2-1: Fenster und Schaltflächen in RStudio

Abbildung 2-2: Anzeigen von gespeicherten Variablen im RStudio-Environment

Abbildung 2-3: Überblick der in RStudio installierten Pakete (beispielhaft mc2d)

Abbildung 2-4: Histogramm der simulierten Variablen data$risiko1

Abbildung 2-5: Kumulierte Verteilungsfunktion der simulierten Variablen data$risiko1

Abbildung 2-6: Histogramm der simulierten Variablen data$risiko1 einschließlich ihres 90 %-Quantils

Abbildung 3-1: Vereinfachter Wertschöpfungsprozess der Löffel AG

Abbildung 3-2: Lieferkette der Löffel AG

Abbildung 3-3: Produktionsprozess der Löffel AG

Abbildung 3-4: Ist-Absatzanteile der Löffel AG nach Ländern in 2024

Abbildung 4-1: Schmetterlingsdiagramm zu den Ergebnissen der Sensitivitätsanalyse

Abbildung 4-2: Histogramm der simulierten Produktionskosten in EUR/Stück

Abbildung 4-3: Histogramm der gesamten simulierten Produktionskosten in Mio. EUR

Abbildung 4-4: Histogramm des simulierten Produktionskostenrisikos als Planabweichung in Mio. EUR

Abbildung 4-5: Verteilung der geplanten Absatzanteile der Löffel AG nach Ländern

Abbildung 4-6: Histogramm des simulierten Absatzes in den USA in Millionen Stück

Abbildung 4-7: Historische Schwankungsbreiten der Planzahlen im Absatz (Deutschland und Schweden) im Zeitablauf

Abbildung 4-8: Vergleich der simulierten Absatzmengen für die jeweiligen Absatzmärkte in Millionen Stück

Abbildung 4-9: Histogramm des simulierten Gesamtumsatzes in Mio. EUR

Abbildung 4-10: Histogramm des gesamten Umsatzrisikos in Mio. EUR

Abbildung 4-11: Histogramm der simulierten Ausfalltage durch SC-Risiken

Abbildung 4-12: Histogramm des simulierten entgangenen Jahresüberschusses bzw. EBIT durch SC-Risiken in Mio. EUR

Abbildung 4-13: Entwicklung des Wechselkurses USD/EUR von 2015 bis 2022

Abbildung 4-14: Entwicklung des Wechselkurses SEK/EUR von 2015 bis 2022

Abbildung 4-15: Volatilität des Wechselkurses SEK/EUR von 2015 bis 2022

Abbildung 4-16: Volatilität des Wechselkurses USD/EUR von 2015 bis 2022

Abbildung 4-17: Simulierter Wechselkurs SEK/EUR für 365 Tage

Abbildung 4-18: 100 simulierte Wechselkurspfade SEK/EUR für das Folgejahr

Abbildung 4-19: Simulierter Schlusskurs des Wechselkurses SEK/EUR zum 31.12.2025

Abbildung 4-20: Simulierter Schlusskurs des Wechselkurses USD/EUR zum 31.12.2025

Abbildung 4-21: Histogramm des simulierten Umsatzrisikos (Währungs- und Absatzrisiken) als EBIT-Planabweichung in Mio. EUR

Abbildung 4-22: Histogramm der simulierten Materialkosten in Mio. EUR

Abbildung 4-23: Anzahl der Tage mit einer Temperatur von über 30 °C je Jahr von 1970 bis 2022

Abbildung 4-24: Histogramm des simulierten klimabedingten Produktionsrisikos (finanzieller Schaden durch hitzebedingte Produktionsausfälle) in Mio. EUR

Abbildung 4-25: Datenmodell für die Abbildung der Investition in R

Abbildung 4-26: Histogramm des simulierten Barwertes der Investition in Mio. EUR

Abbildung 4-27: Boxplots zur Bandbreite möglicher Auswirkungen der Einzelrisiken in Mio. EUR

Abbildung 4-28: Histogramm des simulierten Gesamtrisikos in Mio. EUR

Abbildung 4-29: Gegenüberstellung des simulierten Gesamtrisikos und des RDP in Mio. EUR

Abbildung 4-30: Kumulierte Verteilungsfunktion des simulierten Gesamtrisikos und der RDP in Mio. EUR

Abbildung 4-31: Grundlegende Struktur des Planungsmodells für die GuV der Löffel AG

Abbildung 4-32: Zusammenhang zwischen den unsicheren Umsatzerlösen und ihren Einflussfaktoren im Planungsmodell der Löffel AG

Abbildung 4-33: Histogramm der Verteilung des simulierten EBIT in Mio. EUR

Einführung: Arbeiten mit dem Fallstudienbuch

Lernziele

Wenn Sie dieses Kapitel erfolgreich bearbeitet haben,

verstehen Sie die Notwendigkeit, Unsicherheit in die Unternehmensplanung und -steuerung zu integrieren,

wissen Sie, wie das Fallstudienbuch aufgebaut ist und

wie Sie es am besten nutzen können.

Umweltunsicherheiten erschweren die Steuerung

Immer häufiger führen äußere Einflüsse dazu, dass Unternehmen ihre ursprünglich geplanten Ziele nicht erreichen können und ihre Produkte und Prozesse oder sogar ihre gesamten Geschäftsmodelle anpassen müssen. Beispiele für diese zunehmenden Umweltunsicherheiten sind die Corona-Krise, die durch verschiedene Ursachen ausgelösten Unterbrechungen in den Lieferketten oder die aktuellen geopolitischen Konflikte. Vor allem in der kurz- und mittelfristigen Unternehmensplanung und -steuerung stellen diese Unsicherheiten das Management vor große Herausforderungen, da sie dazu führen, dass der zukünftige Geschäftsverlauf und der Unternehmenserfolg nicht mehr eindeutig planbar sind, sondern in Abhängigkeit von den unsicheren Umweltentwicklungen gewissen Schwankungen unterliegen. Negative Abweichungen von den geplanten Unternehmenszielen stellen daher Risiken, positive Abweichungen Chancen für die Unternehmen dar. Mögliche Szenarien der zukünftigen Umweltentwicklung müssen deshalb auf ihr Chancen- und Risikopotenzial hin analysiert und als unsichere Prämissen in die Planungsrechnungen und Steuerungssysteme von Unternehmen integriert werden.

Bewertung von Risiko und Chancen durch Simulationen

Daher passen Unternehmen zunehmend ihr Controlling und insbesondere ihre Planung sowie ihre Erfolgsrechnung an die größere Umweltunsicherheit an, indem sie die Risiken und Chancen ihrer Unternehmensumwelt identifizieren, bewerten und in die verschiedenen Instrumente der Unternehmenssteuerung integrieren. Studien zeigen, dass Risiken immer mehr als inhärent zu jedem Geschäftsmodell dazugehörend verstanden und verstärkt quantitative Methoden zu ihrer Bewertung eingesetzt werden, um die Bandbreite möglicher Auswirkungen auf die geplanten Unternehmensziele abzubilden. Allerdings ist vielfach auch noch erheblicher Handlungsbedarf im quantitativen Risikomanagement feststellbar (Deloitte 2020; Reimer et al. 2020). Daher wird der erfolgreiche Einsatz geeigneter Methoden zur Identifikation, Quantifizierung und Simulation von Risiken und Chancen zum Wettbewerbsvorteil für Unternehmen. Nicht zuletzt deshalb verlangt auch der Gesetzgeber die Einführung angemessener Risiko- und KrisenfrüherkennungssystemeRisikofrüherkennung (vgl. § 91 Abs. 2 AktG, § 1 StaRUG). Die aus den regulatorischen Anforderungen abgeleiteten Standards (beispielsweise der DIIR Standard 2 zur Prüfung von Risikomanagementsystemen durch die interne Revision oder der Standard IDW PS 340 n. F. des Instituts der Wirtschaftsprüfer (IDW) zur Prüfung von Risikofrüherkennungssystemen) greifen diese Forderung auf und verlangen eine weitestgehende RisikoquantifizierungRisikoquantifizierung.

Nutzen und Zielgruppen des Buches

Es stellt sich daher die Frage, wie die Umweltunsicherheit und die aus ihr resultierenden Risiken und Chancen für die Unternehmensentwicklung analysiert und bewertet werden können. Welche Methoden eignen sich für die Risikoanalyse und -bewertung, welche Daten und Informationen müssen vorliegen und durch welche Software können die Analysen und Simulationen unterstützt werden? Unser Fallstudienbuch möchte Antworten auf diese und weitere Fragen geben. Anhand eines Beispielunternehmens wird gezeigt, wie ein Unternehmen mit geeigneten risikoanalytischen, quantitativen Methoden entscheidungsrelevante Informationen für ein Management unter Unsicherheit generieren und damit einen Mehrwert erzielen kann. Es soll sowohl Studierende, Lehrende wie auch Praktiker unterstützen, quantitative Methoden unter Verwendung der Programmiersprache R in sinnvolle Risikomodelle und -analysen zu übersetzen, um die Entscheidungsqualität des Managements zu verbessern, ohne gleichzeitig die Komplexität unnötig zu erhöhen. Neben Risikomanagern wird auch Controllern und Managern empfohlen, einen neugierigen Blick in das Buch zu riskieren, da die vorgestellten Methoden generell für die Abbildung von Unsicherheit in betriebswirtschaftlichen Entscheidungen geeignet sind.

Aufbau des Fallstudienbuchs

Dieses Fallstudienbuch ist wie folgt aufgebaut: Zunächst ist es wichtig, die Grundzüge des quantitativen Risikomanagements und vor allem der Risikobewertung zu verstehen. Kapitel 2 befasst sich daher mit den wesentlichen Begriffsdefinitionen, den Grundlagen der Wahrscheinlichkeitstheorie, der quantitativen Risikobewertung sowie der Modellierung und Simulation einfacher und komplexer Risiken. Dabei werden insbesondere die Monte-Carlo-Simulation erklärt und Ansätze zur Integration der Simulationsergebnisse in die Unternehmenssteuerung diskutiert.

R und RStudio

Zur Umsetzung einer quantitativen Risikoanalyse und -simulation verwenden wir die Statistiksoftware und Programmiersprache R, mit der ein ganzer Blumenstrauß von statistischen Analysen durchgeführt werden kann. Kapitel 3 befasst sich daher mit einer grundlegenden Einführung in die Programmierung mit R in seiner Entwicklungsumgebung RStudioR/RStudio. Es wird gezeigt, wie die Grundlagen in R funktionieren, welche Funktionen der Software für Risikoanalysen und -simulationen notwendig sind und welche zentralen Begriffe und Methoden benötigt werden.

Löffel AG

Danach wird in Kapitel 4 das fiktive Fallstudienunternehmen Löffel AG vorgestellt. Das Unternehmen ist so konstruiert, dass die folgenden Fälle möglichst realistisch und unsere Lösungsansätze auf andere Unternehmen übertragbar und damit praxistauglich sind. Der Zahlenteil des Fallstudienunternehmens ist darüber hinaus in einer MS-Excel-Datei im Download-Bereich des Lehrbuchs abgelegt. Hier können die einzelnen Zusammenhänge der Zahlen und die jeweiligen Prämissen nachgelesen werden. Der Zahlenteil ist ­vollständig auf die Fallstudien abgestimmt.

myBook+

Zunehmend komplexe Fallstudien

Das Kapitel 5 beinhaltet in jeweils eigenen Unterkapiteln die verschiedenen Fallstudien. Jede Fallstudie deckt eine individuelle Risikoanalyse ab, deren Komplexität und damit Schwierigkeitsgrad im Vergleich zu den vorhergegangenen Fallstudien zunimmt. Die Fallstudien sind immer nach der gleichen Logik aufgebaut: Zunächst werden die zentralen Lernziele aufgeführt, anschließend folgt eine erste Beschreibung der grundsätzlichen Problemstellung, bevor das Zahlenmaterial sowie weitere Informationen präsentiert werden. Danach werden die Aufgabenstellungen konkretisiert, das Problem wird modelliert und in einem R-CodeR/RStudio, Code umgesetzt. Abschließend werden die Modellergebnisse kritisch evaluiert und Handlungsempfehlungen abgeleitet. Alle R-Codes sind vollständig im Fallstudientext abgebildet und können zudem aus dem Download-Bereich des Lehrbuchs heruntergeladen werden, sodass jede Fallstudie individuell nachvollzogen und angepasst werden kann. Zudem werden in allen Fallstudien Querverweise zu den jeweiligen Abschnitten im theoretischen Grundlagenteil (Kapitel 2) gegeben. Kapitel 6 schließlich fasst die Lessons Learned zusammen.

myBook+

Die Arbeit mit dem Fallstudienbuch kann auf unterschiedliche Arten erfolgen. Es ist möglich, alle Fallstudien hintereinander durchzuarbeiten. Ebenso können die Fallstudien einzeln gelöst werden. Dabei ist zu beachten, dass manche Fallstudien inhaltlich aufeinander aufbauen, hierzu wird ein entsprechender Querverweis in der jeweiligen Fallstudie gegeben. Zudem nehmen die Fallstudien an Komplexität zu, sodass für absolute Neueinsteiger in die Themenbereiche Risikomanagement sowie Modellierung und Simulation mit R ein sukzessives Abarbeiten der Fallstudien empfohlen wird. Insgesamt ist es zielführend, die einführenden Kapitel zum Arbeiten mit R und der Vorstellung des Fallstudienunternehmens Löffel AG aufmerksam zu studieren, bevor die Fallstudien begonnen werden.

1 Grundlagen der Risikoquantifizierung und -modellierung

Lernziele

Wenn Sie dieses Kapitel erfolgreich bearbeitet haben, können Sie

die Begriffe Risiko und Chance definieren und voneinander abgrenzen,

verschiedene Risikoarten unterscheiden,

die Phasen des operativen Risikomanagements benennen,

verschiedene Wahrscheinlichkeitsverteilungen unterscheiden und diese anhand ausgewählter statistischer Kennzahlen und Risikomaße analysieren,

eine geeignete Wahrscheinlichkeitsverteilung für die Beschreibung von Risiken auswählen,

den Prozess der Entwicklung eines Risikomodells beschreiben,

Ansätze und Probleme der Risikoquantifizierung und -aggregation mittels Monte-Carlo-­Simulation erklären,

Ansätze zur Überprüfung der Risikotragfähigkeit unterscheiden sowie

die Grundzüge einer risikoorientierten Unternehmenssteuerung beschreiben.

1.1 Begriffsabgrenzungen

Risikobegriff

Es gibt eine Vielzahl verschiedener Risikodefinitionen. Allen Definitionen ist gemeinsam, dass Risiken aus der Unsicherheit der wesentlichen Umweltfaktoren sowie der unsicheren Wirkung von Managemententscheidungen auf die Ziele eines Unternehmens resultieren. Sie umfassen dabei sowohl potenzielle positive Abweichungen (Chancen) als auch potenzielle negative Abweichungen (Risiken i. e. S.) von den geplanten Unternehmenszielen.

Unternehmensziele als ­Bezugsbasis

Relevante Unternehmensziele können sowohl finanzielle Ergebnisgrößen sein, z. B. der Jahresüberschuss, das Betriebsergebnis oder der Cashflow, als auch nichtfinanzielle Ziele, z. B. das Unternehmensimage. Zu den nichtfinanziellen Risiken zählen Nachhaltigkeits- oder ESG-RisikenESG-Risiko. NachhaltigkeitsrisikenNachhaltigkeitsrisiko gefährden die Erreichung der wirtschaftlichen, sozialen oder ökologischen Ziele eines Unternehmens wie beispielsweise eine geringe Mitarbeiterfluktuation oder einen reduzierten CO2-Ausstoß. ESG steht für Environmental, Social und Governance.

Abbildung 1-1:

Elemente des betriebswirtschaftlichen Risikobegriffs; Quelle: Vanini und Weinstock 2006, S. 380

ESG-Risiken beziehen sich nicht auf die ökonomischen, sondern auf die governancebezogenen Unternehmensziele, während Abweichungen von den sozialen bzw. ökologischen Zielen Gegenstand beider Risikokategorien sind. Nachhaltigkeits- bzw. ESG-Risiken gewinnen aufgrund der zunehmenden Stakeholderorientierung vieler Unternehmen sowie der Relevanz von Nachhaltigkeitsratings etc. für Finanzinvestoren an Bedeutung. Sie können zu massiven Schädigungen der Reputation von Unternehmen und damit auch zu wirtschaftlichen Konsequenzen wie Umsatzeinbrüchen etc. führen (zur Abgrenzung von Nachhaltigkeits- und ESG-Risiken vgl. Vanini und Sönnichsen 2023, S. 42 ff.).

Risikoarten

Es gibt symmetrische RisikenRisiko, symmetrisches, bei denen der Verlustgefahr auch eine Chance gegenübersteht, und asymmetrische Risiken ohne Chancen. Beispiele für symmetrische Risiken sind Aktienkursrisiken, da der Aktienwert in Relation zum Einstiegskurs sowohl fallen als auch steigen kann. Das Brandrisiko einer Produktionsanlage ist ein Beispiel für ein asymmetrisches Risiko. Asymmetrische RisikenRisiko, asymmetrisches werden auch als »reine Risiken«, symmetrische Risiken als »spekulative Risiken« bezeichnet (Burger und Buchhart 2002, S. 3 f.).

Je nach betrachtetem Zeithorizont werden zudem kurzfristige operativeRisiko, operatives und langfristige strategische Risiken unterschieden. Strategische RisikenRisiko, strategisches entstehen durch langfristige Entscheidungen des Topmanagements, die die Strategie, die Positionierung oder sogar das ganze Geschäftsmodell des Unternehmens betreffen. Sie werden von Veränderungen des wirtschaftlichen, politischen und technologischen Unternehmensumfelds sowie soziokulturellen Entwicklungen beeinflusst. Strategische Risiken können den langfristigen Unternehmenserfolg und den Bestand des Unternehmens gefährden (Gleißner 2022, S. 159 ff.). Operative Risiken, z. B. Produktionsausfälle durch Funktionsstörungen von Fertigungsmaschinen, resultieren aus Ereignissen oder Entscheidungen des Managements zum operativen Leistungserstellungsprozess des Unternehmens. Sie betreffen das Tagesgeschäft, sind nur für einen Teilbereich des Unternehmens relevant und gefährden den geplanten kurzfristigen Erfolg oder die Liquidität (Burger und Buchhart 2002, S. 4).

Ereignis- versus Verteilungsrisiken

Nach ihrer Häufigkeit und der Symmetrie ihres Risikoprofils können Ereignis-Ereignisrisiko und VerteilungsrisikenVerteilungsrisiko unterschieden werden. Ereignisrisiken sind relativ selten auftretende Risiken, die aus singulären Ereignissen wie z. B. Naturkatastrophen resultieren und häufig ein asymmetrisches Risikoprofil aufweisen. Jedes Ereignisrisiko kann als Teil einer Menge von Ergebnissen eines Zufallsexperiments interpretiert werden, dem eine Eintrittswahrscheinlichkeit zugeordnet werden kann (Romeike und Stallinger 2021, S. 31–36). Verteilungsrisiken ergeben sich aus der Unsicherheit der geschäftlichen Aktivität von Unternehmen und werden durch nicht vorhersehbare Änderungen einer Vielzahl von Umweltfaktoren wie z. B. der Preisentwicklung von Rohstoffen verursacht. Diese Änderungen können aus Sicht des betroffenen Unternehmens positiv oder negativ sein. Verteilungsrisiken umfassen somit sowohl Chancen als auch Risiken i. e. S. (Vanini und Rieg 2021, S. 29 f.).

Phasen des operativen ­RM-Prozesses

Risiken und Chancen werden im Rahmen des betrieblichen Risikomanagements (RM) gesteuert. RM ist keine einmalige Handlung im Unternehmen. Aufgrund der Umweltdynamik muss eine systematische und permanente Analyse und Steuerung der Risiken erfolgen. Daher werden die einzelnen RM-Aktivitäten als operativer RM-Prozess mit den Phasen Risikoidentifikation, -bewertung, -berichterstattung, -steuerung und -überwachung strukturiert. Der operative RM-Prozess kann als kybernetischer Regelkreis aufgefasst werden, da die einzelnen Phasen aufeinander aufbauen und zwischen ihnen zahlreiche Interdependenzen bestehen (Burger und Buchhart 2002, S. 31; Diederichs 2018, S. 91 ff.).

Abbildung 1-2:

Phasen des operativen RM-Prozesses; Quelle: Vanini und Rieg 2021, S. 130

Während der RisikoidentifikationRisikoidentifikation sollen alle wesentlichen Risiken und Chancen eines Unternehmens auf Basis eines Risikokatalogs systematisch, vollständig und zeitnah erhoben werden. Zudem gehören die Ad-hoc-Identifikation sowie der Risk Intake neuer Risiken zur Risikoidentifikation. Ergebnis ist eine Chancen- und Risikenübersicht (Risiko­inventarRisikoinventar). Die identifizierten Risiken müssen anschließend analysiert und bewertet werden. Während der RisikobewertungRisikobewertung erfolgen sowohl eine qualitative Risikoeinschätzung für nicht quantifizierbare Risiken wie auch eine weitestgehende Quantifizierung von Risiken. Zudem wird eine Bewertung der Abhängigkeit zwischen den Einzelrisiken und deren Aggregation zum Gesamtrisiko vorgenommen. Durch die interne und externe RisikoberichterstattungRisikoberichterstattung sollen das Management sowie externe Stakeholder über die Ist-Risikosituation und die Risikotragfähigkeit (RTF) des Unternehmens informiert werden. Die Risikoberichte sind zudem eine wichtige Entscheidungsgrundlage für die Risikosteuerung. In der RisikosteuerungRisikosteuerung ergreift das Management Maßnahmen zur gezielten Beeinflussung der Risiken in Abhängigkeit von seiner Risikoneigung, der den einzelnen Risiken gegenüberstehenden Chancen sowie der RTF des Unternehmens. In der Phase der RisikoüberwachungRisikoüberwachungwerden die bereits identifizierten und bewerteten Risiken überwacht (Vanini und Rieg 2021, S. 20).

Das Risikomanagementsystem (RMS) umfasst alle aufbau- und ablauforganisatorischen Regelungen zur systematischen, regelmäßigen und unternehmensweiten Umsetzung des RM-Prozesses sowie zu dessen Unterstützung durch geeignete Instrumente und Methoden mit den Zielen der langfristigen Existenzsicherung, der Eröffnung von Handlungsspielräumen, der Erreichung der geplanten Unternehmensziele und der Senkung der Risiko- und Kapitalkosten. Die Umsetzung des RM ist Aufgabe der Unternehmensführung (Vanini und Rieg 2021, S. 37).

Wesentliches Ziel des RM ist eine weitestgehende Quantifizierung der Risiken, da nur so eine Überprüfung der RTF und damit eine zielgerichtete Risikosteuerung möglich ist. Daher konzentrieren wir uns im Folgenden auf die Risikoquantifizierung als wesentliche Aufgabe der Risikobewertung.

1.2 Quantifizierung von Risiken

1.2.1 Risiken als Zufallsereignisse

Wahrscheinlichkeitsbegriffe

RisikoquantifizierungRisiken können als Zufallsereignisse interpretiert werden, die mit einer bestimmten Wahrscheinlichkeit eintreten und eine quantifizierbare Auswirkung auf eine relevante Zielgröße eines Unternehmens (Chancen- oder Schadenspotenzial) haben. Die Eintrittswahrscheinlichkeit beschreibt den Grad an Ungewissheit der Realisation eines Ereignisses, wobei es verschiedene Wahrscheinlichkeitskonzepte gibt (Eckstein 2010, S. 140 ff.; Vanini und Rieg 2021, S. 69 ff.). Nach dem axiomatischen WahrscheinlichkeitsbegriffWahrscheinlichkeitsbegriff, axiomatischer ist eine Wahrscheinlichkeit eine reelle Zahl im Intervall [0;1], wobei ein unmögliches Ereignis die Wahrscheinlichkeit null, ein sicheres die Wahrscheinlichkeit eins hat. Der klassische WahrscheinlichkeitsbegriffWahrscheinlichkeitsbegriff, klassischer von Laplace leitet die Wahrscheinlichkeit p(A) aus der Häufigkeit des Ereignisses A innerhalb eines bestimmten Zeitintervalls in Bezug auf eine Gesamtzahl von Ereignissen ab, z. B. bei einem Würfelwurf. Hieraus wurde der statistische bzw. frequentistische WahrscheinlichkeitsbegriffWahrscheinlichkeitsbegriff, statischer/frequentistischer entwickelt, der auf Basis des Gesetzes der großen Zahlen aus der beobachteten Häufigkeit eines Ereignisses auf dessen Wahrscheinlichkeit schließt. Zudem gibt es den subjektiven WahrscheinlichkeitsbegriffWahrscheinlichkeitsbegriff, subjektiver, der auf der subjektiven Einschätzung durch eine oder mehrere Personen basiert und somit keine objektiv messbare Größe darstellt (Lindley 2014, S. 18 f.). Im Risikomanagement (RM) werden häufig frequentistische oder subjektiv ermittelte Wahrscheinlichkeiten verwendet.

Die möglichen Ergebnisse eines Zufallsexperiments lassen sich durch verschiedene Wahrscheinlichkeitsverteilungen beschreiben, die im folgenden Abschnitt 1.2.2 näher erläutert werden.

1.2.2 Wahrscheinlichkeitsverteilungen zur Beschreibung von Risiken

Es existieren zahlreiche Wahrscheinlichkeitsverteilungen, die zur Beschreibung der Ergebnisse eines Zufallsexperiments und damit von Risiken verwendet werden können. Bei diskreten Verteilungen gibt es eine abzählbare Menge von Ergebnissen, so können z. B. beim einfachen Würfelwurf lediglich Werte von Eins bis Sechs auftreten. Bei stetigen Verteilungen kann jeder beliebige Wert innerhalb eines definierten Wertebereichs auftreten. Folgende Wahrscheinlichkeitsverteilungen werden im RM häufig zur Beschreibung von Risiken eingesetzt (Gleißner 2022, S. 229 ff.; Vanini und Rieg 2021, S. 105 ff.; Romeike und Stallinger 2021, S. 86 ff.):

Gleichverteilung

Eine GleichverteilungGleichverteilung schreibt jedem Wert innerhalb einer Bandbreite möglicher Schadensausmaße dieselbe Wahrscheinlichkeit zu. Eine diskrete Gleichverteilung enthält einzelne Ereignisse mit identischer Wahrscheinlichkeit, z. B. beim Würfelwurf. Beispiele für kontinuierliche Gleichverteilungen sind mögliche Zahlungsausfälle vieler Kunden mit ähnlicher Bonität. Der ErwartungswertErwartungswert einer Gleichverteilung ergibt sich als Summe von Minimal- und Maximalwert geteilt durch zwei.

Binomial­verteilung

Eine BinomialverteilungBinomialverteilung beschreibt die Wahrscheinlichkeit, dass bei n-maliger Wiederholung eines Bernoulli-ExperimentsBernoulli-Experiment ein Ereignis A genau k-mal auftritt. Ein Bernoulli-Experiment ist dadurch gekennzeichnet, dass zwei einander ausschließende Ereignisse A und B mit den Wahrscheinlichkeiten p(A) = p und p(B) = 1 – p eintreten können, diese sich nicht ändern und alle Wiederholungen unabhängig voneinander sind. Ein Beispiel ist der Münzwurf. Der Erwartungswert einer Binomialverteilung beträgt n * p, die Standardabweichung ergibt sich aus σ = (n * p * (1 – p)).

Abbildung 1-3:

Beispiel für eine Binomialverteilung; Quelle: Vanini und Rieg 2021, S. 107

Dreiecks­verteilung

Eine DreiecksverteilungDreiecksverteilung ist eine sehr einfache diskrete oder kontinuierliche Verteilung, die durch drei Werte charakterisiert ist: den minimalen Wert a (Worst Case), den wahrscheinlichsten Wert b (Real Case) und den maximalen Wert c (Best Case). Bei einer stetigen Dreiecksverteilung werden die einzelnen Punkte linear verbunden. Die Parameter der Dreiecksverteilung lassen sich aus einer Szenarioanalyse ableiten. Ihr Erwartungswert beträgt (a + b + c)/3. Die Dreiecksverteilung wird aufgrund ihrer Einfachheit häufig in der Praxis eingesetzt, birgt jedoch die Gefahr der Risikoüberschätzung, da sie an ihren ­Rändern nicht flach ausläuft wie z. B. die Normalverteilung.

Poisson-Verteilung

Eine Poisson-VerteilungPoisson-Verteilung ist eine diskrete Verteilung und kann für die Abbildung seltener Schadensereignisse verwendet werden, wenn deren durchschnittliche Eintrittshäufigkeit λ während einer bestimmten Periode bekannt ist. Ihr Erwartungswert und ihre Varianz entsprechen dabei dem Parameter λ.

Normalverteilung

Eine NormalverteilungNormalverteilung ist eine stetige Verteilung und bildet die Eintrittswahrscheinlichkeiten einer großen Anzahl von unabhängigen Ereignissen ab, von denen jedes zur Summe nur einen unbedeutenden Beitrag liefert. So sind Mengenabweichungen vom erwarteten Umsatz bei einer Vielzahl an Kunden mit unabhängigem Kaufverhalten annähernd normalverteilt. Die Normalverteilung wird durch ihren ErwartungswertErwartungswert und ihre StandardabweichungStandardabweichung vollständig beschrieben. Ihre Dichtefunktion hat einen symmetrischen, glockenförmigen Verlauf und nähert sich links und rechts der X-Achse asymptotisch an. Modus, Median und Erwartungswert sind identisch.

Abbildung 1-4:

Beispiele für Normalverteilungen; Quelle: Vanini und Rieg 2021, S. 108

PERT-Verteilung

Die PERT-VerteilungPERT-Verteilung ist eine stetige DreiecksverteilungDreiecksverteilung, die ebenfalls durch den Mindestwert a, den wahrscheinlichsten Wert b sowie den Maximalwert c beschrieben wird. Sie trägt im Gegensatz zur Dreiecksverteilung der Erkenntnis Rechnung, dass extreme Ereignisse an den Rändern der Verteilung weniger häufig auftreten, und vermeidet dadurch eine Risikoüberschätzung.

Abbildung 1-5:

Beispiele für PERT-Verteilungen; Quelle: Vanini und Rieg 2021, S. 109

Extremwert­verteilungen

Risiken können ebenfalls durch extreme Ereignisse wie z. B. Naturkatastrophen oder Terrorakte entstehen. Diese werden auch alsLow-Probability/High-Impact RisksLow-Probability/High-Impact Risk bezeichnet. Kontinuierliche Extremereignisse sind beispielsweise sehr starke Aktienkursschwankungen oder hohe Forderungsausfälle, die in der Praxis häufiger auftreten, als es beispielsweise nach der Normalverteilung zu erwarten wäre (Albrecht und Huggenberger 2015, S. 545 ff.). Alternativ können spezielle ExtremwertverteilungenExtremwertverteilung verwendet werden, z. B. die Gumbel-Verteilung, die zur Modellierung überdurchschnittlich hoher Forderungsausfälle verwendet werden kann, oder die Pareto-Verteilung (Romeike und Stallinger 2021, S. 138 ff.; Gleißner 2022, S. 239 ff.).

Auswahl einer geeigneten ­Verteilung

Für die RisikoquantifizierungRisikoquantifizierung müssen die zuvor identifizierten Risiken anhand geeigneter Wahrscheinlichkeitsverteilungen beschrieben werden (Romeike und Stallinger 2021, S. 159 ff.; Gleißner 2022, S. 222 ff.). Für die Auswahl der Verteilung müssen die Eigenschaften der Risiken in Bezug auf ihre Häufigkeiten und ihre Auswirkungen auf Basis der Analyse historischer Daten oder aufgrund von Expertenüberlegungen – wie in den Abbildungen 1-6 und 1-7 dargestellt – untersucht und anschließend parametrisiert werden.

Abbildung 1-6:

Entscheidungsbaum zur Bestimmung der Verteilung für die Eintrittswahrscheinlichkeit bzw. die Häufigkeit eines Risikos; Quelle: Romeike und Stallinger 2021, S. 160

Abbildung von ­Ereignisrisiken

Wenn das identifizierte Risiko aus der Schwankung eines Einflussfaktors, z. B. eines Marktpreises (VolatilitäVolatilitätt), resultiert, handelt es sich um ein VerteilungsrisikoVerteilungsrisiko (vgl. Abschnitt 1.1). Für Verteilungsrisiken müssen keine Eintrittswahrscheinlichkeiten geschätzt werden, da irgendein Wert des Einflussfaktors auftreten wird. Das Risiko kann dann direkt durch eine geeignete Verteilung gemäß Abbildung 1-7 abgebildet werden. Entspricht das identifizierte Risiko eher einem EreignisEreignisrisiko, so ist festzulegen, ob das Risiko einmal innerhalb einer bestimmten Periode auftreten kann. In diesem Fall kann es durch eine Bernoulli-Bernoulli-Experiment bzw. BinomialverteilungBinomialverteilung approximiert werden. Kann das Risiko dagegen mehrfach in einem Zeitraum eintreten, dann ist die durchschnittliche Häufigkeit zu schätzen und das Risiko mittels einer Poisson-VerteilungPoisson-Verteilung abzubilden.

Anschließend muss überlegt werden, welche Auswirkungen das identifizierte Risiko ­annehmen kann.

Abbildung 1-7:

Entscheidungsbaum zur Bestimmung der Verteilung der Risikoauswirkungen; ­Quelle: ­Romeike und Stallinger 2021, S. 162

Abbildung von Verteilungsrisiken

Bei EreignisrisikenEreignisrisiko sind die Auswirkungen für die einzelnen Schadensereignisse häufig fix. Dann kann das Schadensausmaß direkt einem Ereignis zugeordnet werden. Bei VerteilungsrisikenVerteilungsrisiko ist die Auswirkung i. d. R. variabel. Daher sollte geprüft werden, ob die Verteilung der Auswirkungen symmetrisch ist. Ist dies der Fall, kann das Risiko oft durch eine NormalverteilungNormalverteilung approximiert werden. Falls die Risikoauswirkungen asymmetrisch verteilt sind, sollten die Bandbreite sowie deren Eintrittswahrscheinlichkeiten geschätzt werden. Sind alle Risikoauswirkungen innerhalb einer Bandbreite annähernd gleich wahrscheinlich, kann man auf die GleichverteilungGleichverteilung zurückgreifen, ansonsten kann das Risiko über eine DreiecksDreiecksverteilung- bzw. PERT-VerteilungPERT-Verteilung abgebildet werden.

Parametrisierung der Verteilungen

Nach der Auswahl geeigneter Wahrscheinlichkeitsverteilungen müssen erwartungstreue Schätzer für ihre Parameter ermittelt werden (Gleißner 2022, S. 251 ff.). Zum einen lassen sich die Parameter wie der ErwartungswertErwartungswert und die StandardabweichungenStandardabweichung einer Normalverteilung anhand von Vergangenheitswerten schätzen, sofern der historische Stützzeitraum repräsentativ für deren zukünftige Entwicklung ist. Ergänzend können Vergleichswerte z. B. aus derselben Branche oder subjektive Expertenschätzungen verwendet werden. Wichtig ist hier allerdings, auch potenziell mögliche, bislang noch nicht eingetretene Extremrisiken bei der Parametrisierung der Wahrscheinlichkeitsverteilungen zu berücksichtigen sowie die Parameter anhand der realisierten Risikowerte einem regelmäßigem BacktestingBacktesting zu unterziehen und ihre Gültigkeit zu überprüfen. So lassen sich auch potenziell vorhandene Modellrisiken reduzieren (Vanini und Rieg 2021, S. 341 f.).

1.2.3 Risikomaße und -kennzahlen

Das mit einer Wahrscheinlichkeitsverteilung verbundene Risiko kann durch geeignete Risikomaße analysiert und so quantifiziert werden. Folgende Risikomaße sind dabei von besonderer Bedeutung (Wolke 2016, S. 14 ff.; Vanini und Rieg 2021, S. 246 ff.):

Minimum bzw. Maximum

Minimum und Maximum sind die ExtremwerteExtremwert einer Wahrscheinlichkeitsverteilung. Je nach Ausrichtung der Zufallsvariablen stellen sie die größtmögliche negative bzw. positive Abweichung vom Planwert einer Zielgröße (Maximalverlust) dar, die durch ein Risiko ausgelöst werden kann. Sie sind sehr einfach zu ermitteln, unterstellen jedoch eine Worst- bzw. Best-Case-Betrachtung. Daher sind Minimum bzw. Maximum nur eingeschränkt als Risikomaß geeignet, da sie die Eintrittswahrscheinlichkeiten anderer Verlustereignisse nicht berücksichtigen und daher ggf. sehr selten eintreten.

Schadenserwartungswert

Beim SchadenserwartungswertSchadenserwartungswert werden die möglichen negativen Abweichungen vom Planwert mit ihrer jeweiligen Eintrittswahrscheinlichkeit gewichtet und anschließend addiert. Alternativ können auch nur potenzielle Verlustereignisse betrachtet werden. Somit werden alle Risiken i. e. S. in die Risikoermittlung einbezogen. Auch der Schadenserwartungswert ist ein problematisches Risikomaß. Er ist zwar einfach zu berechnen und berücksichtigt die Eintrittswahrscheinlichkeiten aller Risiken i. e. S. bzw. potenzieller Verlustereignisse, allerdings ist er kein Risikomaß, da Risiken gerade als Abweichungen von einem Erwartungswert definiert sind. Zudem führt er bei seltenen Extremrisiken wie z. B. dem Eintritt einer Pandemie durch die Gewichtung mit einer sehr niedrigen Eintrittswahrscheinlichkeit zu einer Unterschätzung des Risikos, das bei Eintritt dann in Höhe des gesamten Schadensausmaßes und nicht des Erwartungswertes schlagend wird (Hunziker 2021, S. 99 ff.).

Volatilität

Risikoscheue Entscheider bevorzugen relativ sichere Ergebnisse auch bei niedrigerem ErwartungswertErwartungswert einer Zielgröße. Dabei gilt: Das Risiko ist umso größer, je größer die mögliche Schwankung um den Erwartungswert ist. Die Streuung um den Erwartungswert wird durch die VarianzVarianzbzw. die StandardabweichungStandardabweichung gemessen. Die Varianz (VAR) gibt die mittlere Streuung einzelner Werte einer Verteilung um ihren Erwartungswert an. Da diese Abweichungen sowohl positiv als auch negativ sein können, besteht die Gefahr, dass sich positive und negative Abweichungen bei ihrer Summierung teilweise oder sogar vollständig aufheben. Daher quadriert man zunächst die einzelnen Abweichungen, summiert diese auf und bildet den Durchschnitt, um so die Varianz der Verteilung zu ermitteln:

(X) 1 __ n (X)

Da die Varianz aufgrund ihrer Quadrierung häufig schwierig zu interpretieren ist, wird die Standardabweichung (SD) als Risikomaß verwendet, da diese dieselbe Einheit wie die Zielgröße aufweist. Die Standardabweichung σ ist die Quadratwurzel der Varianz:

(X)

Im RM wird die Standardabweichung häufig als VolatilitätVolatilität bezeichnet. Je größer die Volatilität ist, desto größer ist die Schwankung der Wertentwicklung und desto größer ist das Risiko. Die Volatilität berücksichtigt auch positive Abweichungen der Wertentwicklung und impliziert somit ein Risikoverständnis i. w. S. (Wolke 2016, S. 18 ff.).

Variationskoeffizient

Da sowohl Varianz als auch StandardabweichungStandardabweichung vom ErwartungswertErwartungswert einer Verteilung abhängen und damit lageabhängige Risikomaße sind, können sie für verschiedene Verteilungen nicht direkt verglichen werden. Hier eignet sich der VariationskoeffizientVariationskoeffizient (VK) als Quotient aus Standardabweichung und Erwartungswert:

(3) VK (X) = 

 SD (X) ____ E (X) 

Der Variationskoeffizient zeigt das Risiko von Schwankungen um den Erwartungswert.

Risiko als ­Bandbreite

Ein Risiko kann auch als Bandbreite der möglichen Realisationen einer Verteilung interpretiert werden. Daher können auch der SpreadSpread als SpannweiteSpannweite zwischen dem Minimum und dem Maximum sowie jeder beliebig gewählte Interquantilsabstand einer Verteilung als Risiko interpretiert werden. Das QuantilQuantil gibt den Wert einer Verteilung an, der mit einer vorgegebenen Eintrittswahrscheinlichkeit p nicht überschritten wird. In der Unternehmenspraxis wird häufig der InterquartilsabstandQuartil als Abstand der Werte zwischen dem 2. Quartil (p = 25 %) und dem 3. Quartil (p = 75 %) verwendet. Spread bzw. Interquantilsabstände berücksichtigen zwar Chancen, vernachlässigen jedoch die Eintrittswahrscheinlichkeiten der verschiedenen Risikozustände.

Sensitivität

Die Sensitivität misst die Empfindlichkeit einer Zielgröße auf die systematische Variation einer Einflussgröße. Bei mathematischen Zusammenhängen zwischen beiden Größen können Sensitivitäten analytisch z. B. durch die Bildung der 1. Ableitung nach der Einflussgröße ermittelt werden. In der Praxis werden die Einflussgrößen häufig systematisch variiert, anschließend ermittelt man die Veränderungen der Zielgröße als absolute und relative Werte. Liegt kein mathematischer Zusammenhang, aber ausreichend historisches DatenmaterialHistorische Daten vor, können zur Bestimmung der Sensitivitäten auch Korrelations- oder Regressionsanalysen durchgeführt werden. Mittels der SensitivitätsanalyseSensitivitätsanalyse