Zahlen und Daten sind ein wichtiges Entscheidungsmittel. Mit einer der Gründe, warum rund um Covid-19 fast ständig neue Zahlen veröffentlicht werden.

In diesem Blogbeitrag möchte das Team von Iceventure anhand eines aktuellen Beispiels einige wichtige Aspekte bei der Recherche und Bewertung von Zahlen darlegen, um Ableitungen zu Sachverhalten zu treffen. Dazu die Notwendigkeit von Skepsis erklären. Im Rahmen unseres Servicebereichs Marktrecherche und ökonomischer Bewertungen (Global Macro) gibt es immer wieder Diskussionen, da wir Zahlen, gerade sogenannten "offiziellen Zahlen" eine gewisse Grundskepsis entgegenbringen. Besonders in unseren Bereichen Business Development, Investitionen und Finanzmärkten sind die technischen Finessen oft schwerer an ein breiteres Publikum zu transportieren.
Deswegen bietet sich eine Analyse der Zahlen der Intensivbettenkapazität neben der Aktualität an. Damit zurück zum Eingangsstatement und einer wichtigen Frage.

Wie belastbar sind die Statistiken bei Intensivbetten?

Warum die aufgezählten Punkte so wichtig sind, lässt sich nun gut mit einem aktuellen Beispiel illustrieren. Der Zahl der Intensivbetten. Im Februar 2020 hatten wir in einem Abendessen und bei einer Diskussionsrunde mit Kunden geäußert, dass wir die Zahlen zur Krankenhauskapazität in Deutschland, insbesondere die Intensivbetten, mit Vorsicht genießen würden (vorbelastet durch Kenntnisse durch Projekte im Bereich MedTech und Gesundheitsökonomie). Denn speziell der öffentliche Gesundheitssektor mit diversen Schlüsselungen von tatsächlichem Angebot und Leistungsdarstellung sowie wirtschaftlichen und nicht-wirtschaftlichen Zielen ist komplex. Dem waren Zeitungsmeldungen und Aussagen von Regierungsseite vorausgegangen, dass einmal Deutschland gut gerüstet sei und vor allem viel besser ausgestattet als Italien. 

Deswegen stieß unsere Aussage natürlich auf Proteste.

Doch die Vorgänge rund um die Statistik zeigten, dass wir recht hatten.
Dazu einen kurzen Abriss: Ende Februar, Anfang März 2020 wurden die Kapazitäten an Intensivbetten mit 27.000 beziffert, während relativ schnell der Ausbau angestoßen wurde. So wurde zeitweise von ca. 45 000 Intensivbetten gesprochen. Doch wirklich sicher war man sich wohl der eigenen Statistik auch nicht. Denn um wirklich Klarheit zu schaffen musste erst ein Melderegister eingerichtet werden. So wurde schnell ein eigenes Register und eine Aktualisierung in Form von täglicher Meldepflicht beschlossen. Dies ist nun aktiv. Aus Sicht des Krisenmanagements ist das natürlich schlüssig den „KPI Intensivbetten“ genau abzubilden, zeigt aber auch die vorherige Unsicherheit in Bezug auf die Belastbarketi der Daten. Der erste Punkt, den wir illustrieren möchten.

Und in der Tat kam es dann bei den Intensivbetten zu Korrekturen. Denn zwischenzeitlich waren noch 7300 Betten verschwunden. Das Bundesgesundheitsministerium hatte aufgrund der Förderanträge mit ca. 7300 Betten mehr gerechnet, als dann offiziell im Melderegister auftauchten.

Eine wichtige Aufgabe im Bereich Business Development und bei Bewertungen von Product-Market fit ist die Abschätzung von Verhalten und einem Ergebnis oder Zustand Wahrscheinlichkeiten zuordnen. So verbringen wir viel Zeit in Kundeprojekte mit genau diese Frage. Ist diese Annahme wahrscheinlich? Wie groß ist das Risiko bzw. die Chance, das Ergebnis zu sehen?

Nicht-lineare Effekte in vielen Ausprägungen sind uns als Generalisten natürlich gut bekannt. So z.B. Overshooting in unserem Bereich Global Macro, beim Thema Wachstum aber auch bei der Prognose und Bewertung von Entwicklungen und Trends. Phänomene wie lineares Fortschreiben oder psychologische Ankerpunkte sind bei Bewertungen im Vergleich zu anderen hier auch ein Faktor. Aber auch die Veränderung, wenn man von der Micro auf die Macroebene wechselt oder von einer Unit-Cost Betrachtung über Skalierung spricht. Dies bereitet aber vielen Menschen Probleme, was zu einer falschen Einordnung führt.

Wahrscheinlichkeiten und Effekte des Tragens von Masken 

Ein solches spannendes Phänomen möchten wir aus aktuellem Anlass hier berichten. Konkret geht es um die Bestimmung von Wahrscheinlichkeiten der Risikoreduzierung durch das Tragen von Masken. Die Frage, die sich stellt, ist, wie sich das Risiko reduziert, wenn z.B. eine Person im Raum eine Maske trägt, alle anderen aber nicht. Dem Gegenüber was passiert, wenn alle eine Maske tragen.
Eine oft gehörte Meinung ist dazu, dass das Tragen einer Maske z.B. das Risiko um 25 % bei einem Träger reduziert. Also wird davon ausgegangen, dass wenn zwei Menschen eine Maske tragen und sich begegnen, die Reduktion des Risikos bei 25 % ist.

Dem ist aber nicht so: Wie Nasim Taleb, der Autor von Black Swan, ausführt ist die korrekte Zuordnung von Wahrscheinlichkeiten und das Berechnen des zusammengesetzten Effekts wichtig.
Einfach ausgedrückt: Da zwei Masken vorhanden sind, muss der Effekt entsprechend zweimal gewertet werden, was einen zusammengesetzte (compunded) Effekt ergibt. Mathematisch wird multipliziert.

Die Liste der Fehler bei der Bewertung des Effekts von Masken ist damit nicht zu Ende. Lassen wir also wieder den Experten Taleb sprechen.

Die aufgeführten Punkte von Nasim Taleb sind:
1) Fehler: den zusammengesetzten Effekte von Masken nicht zu kalkulieren 
2) Fehler: die Nichtlinearität der Wahrscheinlichkeit einer Infektion durch virale Expositionen,
3) Fehler: fehlende Beweisen (für den Nutzen des Maskentragens) für das Fehlen von Beweisen (für den Nutzen des Maskentragens) zu halten
4) Fehler: Zu übersehen, dass die Menschen keine Regierungen brauchen, um Gesichtsschutz herzustellen: sie können ihren eigenen herstellen,
5) Fehler: Übersehen von starken statistischen Signalen,

Dies sind eine Reihe von guten Punkten, die uns aus der Praxis in diversen Ausprägungen gut bekannt sind.

Einsichten für die Debatte pro/contra Maske in Deutschland:

Diese statistischen/argumentativen Einsichten sind natürlich auch für die Maskendebatte in Deutschland interessant. Denn auch hier ist diese Wahrscheinlichkeitsbetrachtung vielen Menschen unbekannt. Und dieses Beispiel zeigt wiederum warum in einer globalen und vernetzten Welt mehrere Dimensionen der Analyse eine Rolle spielen. Einige Punkte mit Fokus auf Deutschland ausgeführt.

Die richtige Hierarchie der Argumentation

Für die Debatte in Deutschland - neben der Wahrscheinlichkeitsrechnung selbst - interessant ist insbesondere Punkt 3) der Liste. Gerne werden schnell diverse Argumente gegen Masken zitiert. Dabei wird aber oft dieser Analysefehler gemacht. Dabei ist die Argumentation durch einen weiteren Fakt, der über den Virus bekannt ist, leicht approximativ "überprüfbar". Aktueller Stand der Forschung ist, dass nicht nur der Virus alleine, sondern auch die Aussetzung, der sogenannte "virus load" eine Rolle spielt. Also erscheint es logisch, das jede Form der Verringerung der Dosis helfen kann.

Kontext von Argumenten

Taleb argumentiert gegen die offiziellen Stellen und Regierungsbehörden, für das Tragen einer Maske. Diese Konstellation ist genau andersherum als in Deutschland, wo die Gegner der Maske gegen die Behörden argumentieren. Dies zeigt wiederum, dass die Positionierung in der Anwendung, für die Argumente nicht unbedingt eine Rolle spielt, was in der medialen Debatte oft vergessen wird. Daran sieht man wie so oft, dass für eine Bewertung verschiedene Kontexte eine Rolle spielen, um für eine Analytik betrachtet werden sollten. Genau das ist unser kontextbezogener Anlass.

die negative Seite der politischen Reaktion

Auch wenn es dafür keinen Beweis gibt, gibt es dennoch viele Anhaltspunkte, dass die abwehrende Haltung der dt. Politik gegen Masken zu Beginn der Pandemie durch die mangelnde Verfügbarkeit von Masken motiviert war. Dementsprechend kam es zu Aussagen, das Masken nichts bringen. Doch so ein Schwenk ist für die Bevölkerung schwer nachzuvollziehen und liefert Munition. Für Beobachter der dt. Politik und die Auswirkungen auf die Wirtschaft ist diese Beobachtung zusätzlich interessant. Kann man doch so einen Einblick den Ablauf von politischen Prozessen gewinnen. 

Literatur:

The Masks Masquerade von Nassim Nicholas Taleb

Diskussion auf Twitter

HYPOTHESIS TESTING IN THE PRESENCE OF FALSE POSITIVES: THE FLAWS IN THE DANISH MASK STUDY