Risikoanalyse. 13. September Ing. Monika Böhm AMA

Transkript

1 Risikoanalyse 13. September 2007 Ing. Monika Böhm AMA

2 Inhalt des Vortrags AMA Data Mining Datenmanagement Modellierung Scoring Optimierung Reports Auswahlverfahren Ergebnisse und Nutzen

3 Aufgabenstellung Ausgleichszahlungen Tierprämien: Prämien für Mutterkühe Schlachtprämie Abwicklung Milchquoten Flächenprämien: Einheitliche Betriebsprämie (EBP) ÖPUL (Umweltprogramm ) Ausgleichszulage für benachteiligte Gebiete (AZ) Neuaufforstung (NAF) Sonstige Maßnahmen ländliche Entwicklung

4 Gesetzliche Grundlagen Risikogruppen nach der VO (EG) 796/04, Art. 27 Beihilfeanträge Zahl der landw. genutzten Parzellen, die Fläche, die Anzahl der Tiere Entwicklung gegenüber dem Vorjahr Kontrollergebnisse der Vorjahre Verstöße gegen die VO (EG) 1760/2000 Begrenzungsfaktoren Ersetzungen von Tieren Sonstige vom Mitgliedstaat festzulegende Parameter

5 AMA im Netzwerk von nationalen und internationalen Kontrollen European Commission Austrian audit office European audit office Government Control Ministry Ministry Section Revision Ministry Section Bookkeeping Audit independent Certified Public Accountant AMA/IRD/Mg 2000 Agrarmarkt Austria 9 Districts control of the handling of regional budget IRD internal audit ISO 9001 regular audits Super-visorcommittee

6 Zahlungen 2006 ~ 1,8 Mrd. Euro Förderungen F 2006 Umweltprogramm (ÖPUL)( 643 Mio. Euro Ausgleichszahlungen (AZ) 276 Mio. Euro Einheitliche Betriebsprämie (EBP) 620 Mio. Euro Tierprämie 97 Mio. Euro Sonstige Maßnahmen ländliche l Entwicklung 56 Mio. Euro

7 Risikoanalyse alt (bis 2000) mittels Risikogründe Definition der Risikogründe über fachliche Parameter (z.b.: Betriebsgröße, Anzahl Tiere...) Zuweisung der Risikogründe je Maßnahme/Betrieb Zufallsauswahl mit vorgegebener Menge

8 Risikoanalyse neu Einsatz von Data Mining Zuweisung der Sanktionswahrscheinlichkeiten mit Analysemodelle Optimierung der Auswahl Zufallsauswahl mittels Zufallsgenerator Auswahl noch nie geprüfter Betriebe möglich

9 Was verstehen wir unter Data Mining? Data Mining Definition Data Mining ist ein Prozess der Auswahl, Erklärung und Modellierung großer Datenmengen, um vorher unbekannte Zusammenhänge zu finden die Geschäftsvorteile erbringen sollen.

10 Benutzerrollen im Data Mining Prozess Business Manager Trifft Entscheidungen Benötigt Modellergebnisse und Kundenprofile Statistiker/Analytiker Erstellt Data Mining Modell Benötigt Daten Data Manager Stellt Daten zur Verfügung Automatisiert Scoring Prozesse

11 SAS Data Mining Projekt- Methodologie Define business problem Evaluate environment Make data available Review Mine in cycles Explore Implement in production Sample Assess Modify Model GBIII 08 / 2001

12 Aufgabenstellung (Define business problem) Beispiel: Risikoanalyse für Flächenmaßnahmen Vorhersage von Unregelmäßigkeiten bei Förderunganträgen Einheitliche Betriebsprämie (EBP) Ausgleichszulage (AZ) Österreichisches Programm zur Förderung einer umweltgerechten, extensiven und den natürlichen Lebensraum schützenden Landwirtschaft (ÖPUL)

13 Datenbereitstellung (Make data available) Datenbereitstellung über INVEKOS Datengrundlage Antrags und Berechnungsdaten der Vorjahre ( ) Daten des laufenden Jahres (2007)

14 Datenmanagement im SAS (Make data available) Invekos-Daten je Maßnahme in SAS einlesen Datenmanagement Zielvariable aus Sanktion Neue Variablen (z.b.: Alter,...) Differenzen zum Vorjahr Analysedaten Basis ist die Zufallsauswahl der letzten Jahre ( ) Gruppieren von Intervallvariablen Variablenauswahl gemäß Voranalysen (Korrelationen, Chi-Quadrat-Test, Graphiken)

15 Data Mining Zyklus (Mine in cycles) Voranalysen Modellierung und Modellauswahl Scoring 2007

16 Voranalysen (Mine in cycles) Verteilungsanalyse Daten verstehen (Prüfung der statistischen Voraussetzungen) Entscheidungsbäume Ausschließen von Direkteinflüssen zur SANKTION Interaktionen Generieren von neuen Variablen

17 Geamtfläche (Acker, Grünland)

18 Grouped Data

19

20 Wahrscheinlichkeit einer Unregelmäßigkeit im Vorjahr

21

22 Modellbildung Modellierung (Mine in cycles)

23 Modellierung (Mine in cycles) Modellentscheidung aufgrund der Testdaten 2005

24 Scoring (Implement in production) Bewertung der Anträge (Scoring) Zuweisung des Risikos je Betrieb Interpretercard Einflussfaktoren für die Risikohöhe Name Class Number Points REGION KLAGENFURT REGION WEST LINZ REGION WEST GRAZ MASS_IP G_ALTER 2: > REGION OST LINZ REGION OST GRAZ REGION SALZBURG G_P_SANKTION_VJ 3: >

25 Optimierte Auswahl (Implement in production) Kombinierte Auswahl für drei Modelle AZ, EBP and ÖPUL Zielfunktion: Summe Score Werte AZ, EBP, Öpul MAXIMUM Optimierung: Lineare Programmierung Nebenbedingungen: Anzahl AZ = 3600 Anzahl EBP = 5400 Anzahl Öpul = 5000 (gemeinsame Auswahl) Auswahl von Betrieben mit dem höchsten Gesamtrisiko (EU Regulation)

26 Reports (Review)

27 Auswahlverfahren Zufallsauswahl % aus allen Anträgen mittels Zufallsgenerator Risikoorientierte Auswahl Bildung von Risikogruppen (z.b. Betriebe größer 100 ha) Nicht geprüfte Betriebe in den letzten 5 Jahren Neue Maßnahmen oder gesetzliche Bestimmungen Modellauswahl Überleitung ins INVEKOS

28 Ergebnisse Analyseergebnisse (z.b.:interpretercard) Modelldokumentation Automatischer Report im Enterprise Miner Dokumentation aller Auswahlvorgänge Überprüfung Modellgüte Statistiken für EU

29 Nutzen Flexibles System Kostenersparnis Zeitersparnis Qualitätssteigerung Erhöhung der Trefferquote Keine Erhöhung der Prüfmengen

30 Vielen Dank für Ihre Aufmerksamkeit