Operational Risk in the Health Sector in Colombia

Fuente: Munich Personal RePEc Archive

Título: Operational Risk in the Health Sector in Colombia

Fecha: Marzo 2015

Autor: Luis Ceferino Franco-Arbeláez, Luis Eduardo Franco-Ceballos, Juan Guillermo Murillo-Gómez, Francisco Venegas-Martínez

En el 2008 el Ministerio de Protección Social de Colombia, emitió la Resolución 1740, la cual reglamenta la implementación del Sistema de Administración de Riesgos (SAR) para las Entidades Promotoras de Salud (EPS) del Régimen Contributivo.

En esa resolución también se definen las áreas de análisis en el marco de la implementación del Sistema de Administración de Riesgos,

• Administración de riesgos en salud
• Administración del riesgo operativo
• Administración de riesgos generales del negocio, de mercado y de crédito

El objetivo fundamental en el ámbito de la salud, además de las consideraciones financieras propias de toda organización, es que las decisiones sobre riesgo estén en función de otros factores políticos/regulatorios, incluyendo lo que en el lenguaje médico se conoce como “eventos adversos”.

Para el proceso de modelación y cuantificación del riesgo operativo, la diversidad de métodos refleja diferentes niveles de sofisticación y sensibilidad al riesgo. Los métodos AMA (Advanced Measurement Approaches), admiten flexibilidad en la cuantificación del riesgo operativo, y permiten a las entidades elaborar su propio sistema de modelación y medición del riesgo operativo. Entre los métodos de medición avanzada AMA, la técnica más utilizada es el método de distribución de pérdidas, conocido como Loss Distribution Approach (LDA). Este método se soporta en la recopilación de datos de pérdidas históricas internas que pueden ser complementados con datos externos.

El método LDA incluye la modelación separada de la distribución de probabilidad de la severidad y la distribución de probabilidad de la frecuencia de las pérdidas, y luego las combina mediante alguna técnica estadística para generar una distribución de pérdidas agregadas.  Los autores presentan dos de las alternativas más usuales para la medición del riesgo operativo asociadas a la metodología LDA: método de simulación Monte Carlo y el algoritmo de recursión de Panjer. 

Source: Munich Personal RePEc Archive

Title:: Operational Risk in the Health Sector in Colombia

Date: March 2015

Author: Luis Ceferino Franco-Arbeláez, Luis Eduardo Franco-Ceballos, Juan Guillermo Murillo-Gómez, Francisco Venegas-Martínez

In 2008, the Colombian Social Security Ministry launched a Resolution that implement a Risk Management System called “SAR” (Sistema de Administración de Riesgos) for the Health Care Service Providers.

This Resolution defines the areas for analysis:

• Health risk management
• Operational risk management
• Business, market and credit risk management

The main objective in the health arena is, beside every business financial considerations, that risk decisions are based on political/regulation factors, including what in medical language is named as “side effects”.

There range for operational risk methods for modeling, based on different levels of sophistications and risk sensitivity, is big. The Advanced Measurement Approaches, AMA, methods are flexible when quantifying operational risks, and allow organizations to build their own operational risk management model. Among these methods, one stands out: Loss Distribution Approach, LDA. This method is supported by internal loss data bases complemented by external loss data bases.

The LDA method included a distinct modellization for severity and frequency probability distribution, that later combines through some statistic technique in order to build an aggregated loss distribution. The authors present two alternatives to do so: the Monte Carlo simulation and the Panjer recursion.

Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Fuente: Risk Analysis, Vol. 25, No. 4, 2005 (Society for Risk Analysis)

Título: Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Fecha: 2005

Autor: Martin Neil, Norman Fenton and Manesh Tailor

Este documento describe el empleo de las redes bayesianos  para modelizar la distribución de pérdidas de los escenarios de riesgos operacionales.

Su punto de atención es a modelización de las colas largas o pérdidas inesperadas usando el mix adecuado de las distribuciones de pérdida y severidad cuando dicho mix está condicionado por variables causales que modelan la capacidad o efectividad de los controles de procesos subyacentes.

El empleo de modelos causales es discutido desde la perspectiva del aprovechamiento de la experiencia local de la confiabilidad de los procesos y su conexión con los fenómenos hipotéticos o actuales resultantes del proceso.

Esto conlleva el beneficio de añadir a los datos escasos el juicio experto, transformando el conocimiento cualitativo de los procesos en predicciones cuantitativas.

Se concluye que las redes bayesianos pueden ayudar a combinar los datos cualitativos de los expertos y los cuantitativos de las bases históricas de datos de una manera adecuada y de esta manera poder cumplir con los requerimientos de los modelos avanzados exigidos por Basilea II.

Para calcular el capital regulatorio por riesgo operacional es tentador hacerlo mediante modelos estadísticos basados en datos históricos.

Sin embargo, la insuficiencia de datos para la confección de modelos estadísticos tradicionales hace improbables que de lugar a predicciones útiles de pérdidas operacionales.

Una mezcla de los métodos cuantitativos y cualitativos es quizás el modelo que requieren los riesgos operacionales.

Los accidentes no sólo son el resultado de fallos humanos sino también de las características organizacionales que fallan en su protección frente a todo tipo de errores humanos, involuntarios o fraudulentos.

Existe una tendencia a ver los desastres financieros como súper pérdidas individuales en vez de la agregación de pérdidas pequeñas devengadas durante un período de tiempo.

Es precisamente esta atención rutinaria a las buenas prácticas, al igual que ocurre en los sectores críticos,  lo que previene la aparición de desastres. Por lo tanto, cualquier estrategia de riesgo operacional debería centrarse en la detección de las cuasi-pérdidas y las pequeñas pérdidas.

En el artículo los autores argumentan cómo las redes bayesianas proporcionan una atractiva solución a los problemas arriba mencionados ya que permite  combinar los datos estadísticos disponibles con los juicios subjetivos y los datos cualitativos de los procesos.

Por lo tanto, las redes bayesianas proporcionan un método de modelización de las pérdidas operacionales y la medición de la efectividad de los procesos operacional del negocio, como parte del enfoque de las autoevaluaciones, denominado “Bayesian Scorecard”.

Mediante las redes bayesianas se puede:

1. Combinar  los indicadores proactivos de pérdidas, relacionados con los procesos de negocio, con las mediciones reactivas de los resultados tales como los datos de cuasi-pérdidas y pérdidas.
2. Incorporara la opinión de los expertos acerca de la contribución que las estimaciones cualitativas pueden tener sobre la valoración de riesgos total.
3. Incorporar evidencias incompletas y, sin embargo, obtener predicciones
4. Llevar a cabo análisis “y-si” para comprobar la sensibilidad de las conclusiones.
5. Obtener una herramienta de inferencia visual y una mayor documentación de ayuda.
6. Obtener resultados en forma de predicciones verificables frente al desempeño actual de las mediciones y ratios de eventos de pérdida.

Source: Risk Analysis, Vol. 25, No. 4, 2005 (Society for Risk Analysis)

Title: Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Date: 2005

Author: Martin Neil, Norman Fenton and Manesh Tailor

This report describes the use of Bayesian networks to model statistical loss distributions in financial operational risk scenarios.

Its focus is on modeling “long” tail, or unexpected, loss events using mixtures of appropriate loss frequency and severity distributions where these mixtures are conditioned on causal variables that model the capability or effectiveness of the underlying controls process.

The use of causal modeling is discussed from the perspective of exploiting local expertise about process reliability and formally connecting this knowledge to actual or hypothetical statistical phenomena resulting from the process. 

This brings the benefit of supplementing sparse data with expert judgment and transforming qualitative knowledge about the process into quantitative predictions. 

We conclude that Bayesian networks can help combine qualitative data from experts and quantitative data from historical loss databases in a principled way and as such they go some way in meeting the requirements of the draft Basel II Accord for an advanced measurement approach (AMA).

To calculate such a charge it is tempting to predict operational risk by building a statistical model based on historical data.

However, this general paucity of loss data means that traditional statistical approaches are unlikely to provide useful predictions of operational losses.

A mixture of qualitative and quantitative methods is perhaps needed to model operational risks.

Accidents are not solely the result of human fallibility but are supported by organizational features that fail to defend against all-too-human mistakes, slips, and (in the case of fraud) malicious acts.

There is a tendency to see financial disasters as single “ultra high loss” events rather than aggregations of smaller losses accrued over a period of time.

It is precisely this routine attention to good practice that, just as in safety critical industries, prevents disasters from occurring. Any OpRisk scheme should, therefore, focus on detecting near misses and small losses.

In this article we argue that Bayesian networks provide an attractive solution to the problems identified above. BNs enable us to combine any statistical data that are available with qualitative data and subjective judgments about the process.

Hence Bayesian networks provide a method of modeling operational losses and measuring the effectiveness of a business’s operational processes, as part of a self-assessment-oriented “Bayesian Scorecard” approach.

Using Bayesian networks we can:

1. Combine proactive loss indicators, related to the business process, with reactive outcome measures such as near miss and loss data;
2. Incorporate expert judgments about the contribution qualitative estimates can make to the overall risk assessment;
3. Enter incomplete evidence and still obtain predictions;
4. Perform powerful “what-if?” analysis to test sensitivity of conclusions;
5. Obtain a visual reasoning tool and a major documentation aid;
6. Obtain output in the form of verifiable predictions against actual performance measures and loss event rates.