Wie Versicherer immer komplexere Risiken beherrschen können

23.10.2026 – Die Komplexität in der Risikobewertung nimmt dramatisch zu, Risiken greifen ineinander und sind vernetzt. Bestehende Modelle sind für diese Dynamik nur schlecht geeignet. Ansätze, die klassische Versicherungsmathematik mit modernen Methoden wie der Komplexitätstheorie kombinieren, können diese Risiken aber beherrschbar machen.

Bild: Curated Lifestyle/Unsplash

Der Zeitpunkt für das Webinar „Komplexe Risiken“ von Aktuar Christoph Krischanitz hätte nicht besser gewählt werden können: Die Sicherheitslücke bei der Skriptsprache PHP habe gezeigt, wie schnell und massiv sich ein Risiko ausbreiten und welche unvorhergesehenen Auswirkungen es geben kann.

Das „CRO Forum“, eine Gruppe von Risikovorständen großer multinationaler Versicherungsunternehmen, habe in seinem „Emerging Risk Radar 2026“ Klimawandel, Cyberrisiken, künstliche Intelligenz, den globalen Welthandel, geopolitische Konflikte, Lieferketten sowie rechtliche und regulatorische Unsicherheiten als unmittelbare und präsente Risiken identifiziert.

Gemeinsam sei diesen Risiken, dass sie nicht isoliert betrachtet werden können, so Krischanitz. Man wisse gar nicht, welche Zusammenhänge es gibt: „Sehr viele Dinge greifen ineinander und sind vernetzt.“

Dabei seien Banken, Versicherungen und Pensionskassen gefordert, diese Risiken mit Kapital zu hinterlegen und effektive Risikomanagementsysteme aufzubauen, die diese Risiken beherrschbar machen.

Zunehmende Komplexität

Die Komplexität in der Risikobewertung nehme dramatisch zu; Grund dafür seien unübersichtliche Verflechtungen, unerwartete Ereignisse sowie permanente Veränderungen und neue Anforderungen. Um mit dieser Dynamik umzugehen, seien Werkzeuge nötig, bestehende Modelle seien dafür nicht geeignet.

Um Einschätzungen der Zukunft vornehmen zu können, sei es notwendig, die Komplexität modellieren zu können: Es gehe um laufende Anpassungen des Modells, die Einbindung von Expertenmeinungen, unterschiedliche Datenquellen und die Interaktion der einzelnen Treiber.

Zu vielen Themen gebe es nicht ausreichend Daten, noch dazu seien die Datenquellen hinsichtlich Qualität und Seriosität oft unterschiedlich. In bestehenden Modellen sei auch nicht abgebildet, wie die Treiber interagieren, und die Szenarien seien nur auf jene Risikotreiber abgestimmt, die in den Modellen enthalten sind.

Nötig seien ein klares Verständnis der Zusammenhänge, eine Identifikation der Treiber und eine Szenarienanalyse sowie die Modellierung der Maßnahmen und der finanziellen Auswirkungen, so Krischanitz.

Verschiedene Datenquellen

Aktuar Christoph Krischanitz
(Bild: privat)

Für die Kalibrierung der Modelle, also die Anpassung mathematischer und statistischer Parameter, um verlässliche Werte für die Praxis zu erhalten, können interne oder externe Daten sowie Expertenmeinungen herangezogen werden.

Zu den Vorteilen einer Kalibrierung mit internen Daten zähle, dass diese das Profil der Organisation genau widerspiegeln, die Organisation eine gute Kontrolle über sie hat, die Daten von guter Qualität sind und im Idealfall die sich ständig verändernde Risikolandschaft abbilden.

Bei externen Daten wisse man dagegen häufig nicht, wie sie erhoben worden sind, oft würden Daten aus verschiedenen Quellen auch nicht übereinstimmen. Dazu komme, dass sie von ihrer Qualität nicht unbedingt mit den internen Daten zusammenpassen und das Risikoprofil der Organisation widerspiegeln.

Bei den Expertenmeinungen wiederum stelle sich die Frage, wie objektiv sie sind, welche Qualität sie haben und wie validiert werden kann, was die Experten vorschlagen. Und schließlich gehe es auch darum, diese Daten in das Modell hineinzubekommen.

Mathematische Modelle zur Bewertung

Um verzahnte Risiken mit ihren kaskadenartigen Folgewirkungen bewerten und in die Zukunft projizieren zu können, gebe es mehrere mathematische Ansätze, die auf klassischer Versicherungsmathematik aufbauen und mit moderneren Theorien wie der Komplexitätstheorie ergänzt werden.

Das sogenannte „kollektive Modell“, ein zentrales Werkzeug der Versicherungsmathematik zur Analyse von Gesamtschäden in einem Versicherungsbestand, biete einige Vorteile: Es sei einfach und schnell zu bauen, verwende bekannte statistische Verteilungen und lasse sich an neue Geschäftsabläufe und mehrjährige Zeiträume anpassen.

Nachteilig sei allerdings, dass es stabile zugrunde liegende Prozesse erfordere, die Datenqualität hoch sein müsse, Abhängigkeiten zwischen Schadenhöhe und Schadenfrequenz ein Problem darstellten und nicht klar sei, welchen Einfluss die verschiedenen Treiber haben.

Seit Corona hätten Experten deshalb begonnen, in der Schadenmodellierung kausale Ansätze zu verwenden. Dabei werden Schadenereignisse mit den Zuständen der zugrunde liegenden geschäftlichen Einflussfaktoren in Verbindung gebracht, die diese Ereignisse auslösen.