Umeå universitets logga

Driftstörningar i asfaltsverk medför betydande ekonomiska konsekvenser, men osäkerheten kring både hur ofta störningar inträffar och vilka kostnader de medför gör att deterministiska kostnadsantaganden riskerar att underskatta den faktiska finansiella risken. Denna studie syftar till att kvantifiera den finansiella risken kopplad till driftstörningar i Skanskas asfaltsverk i region Norr med en probabilistisk modellansats.

Den totala säsongsförlusten modelleras som en sammansatt fördelning där antalet störningar per vecka beskrivs med en Negative Binomialfördelning och kostnaden per störning med en Lognormalfördelning. Modellvalen motiveras genom Kolmogorov–Smirnov-test, Anderson–Darling-test, AIC, BIC och likelihood ratio-test. Som komplement undersöks anpassningen i fördelningens övre svans separat med en Peak-Over-Threshold-ansats baserad på Generaliserad Paretofördelning. Riskmåtten Value at Risk och Expected Shortfall vid konfidensnivåerna 0,95 och 0,99 skattas genom Monte Carlo-simulering med 100 000 iterationer över en säsong på 28 veckor. Analysen genomförs även för total stilleståndstid per säsong.

Resultaten visar att Value at Risk vid konfidensnivån 0,95 motsvarar en säsongsförlust ungefär 59 % större än den förväntade, medan Expected Shortfall vid konfidensnivån 0,99 motsvarar drygt en fördubbling av den förväntade förlusten. Motsvarande analys för stilleståndstid visar liknande relationer. Känslighetsanalysen visar att riskmåtten domineras av kostnadsfördelningens parametrar. Svansanalysen baserad på Generaliserad Paretofördelning indikerar att det underliggande datamaterialet är för begränsat för att en alternativ svansmodell ska kunna ge stabila skattningar, vilket innebär att riskmåtten i fördelningens övre svans är behäftade med betydande osäkerhet utöver den statistiska osäkerheten i parameterskattningarna. Studien ger Skanska ett kvantitativt underlag för budgetering, projektplanering och bedömning av förebyggande åtgärder, men understryker även betydelsen av en mer omfattande och standardiserad datainsamling för att kunna förbättra riskskattningarnas precision i framtida tillämpningar.