1. 课程导入
欢迎进入《巨灾模型不确定性与情景敏感性分析》课程。巨灾模型是保险、再保险、巨灾债券、政府应急与基础设施韧性投资中的核心定量工具，但它从来不是一台“给出唯一答案”的机器。它更像一套把地质、气象、工程、暴露与金融假设连接起来的概率推理系统。理解其中的不确定性，并掌握情景敏感性分析，是从“会跑模型”走向“会用模型决策”的关键一步。
一、学习目标
完成本课程后，学习者应能够达到以下四个层次的目标：
- 概念层：准确区分偶然不确定性、认知不确定性与情景不确定性，理解它们在巨灾模型中的来源与传播方式。
- 方法层：掌握参数敏感性、情景压力测试、蒙特卡洛抽样、方差分解与龙卷风图等基本分析手段。
- 工具层：能够阅读巨灾模型的不确定性报告，识别关键参数，配置情景集，并对输出结果做合理解读。
- 决策层：能够在再保分层、资本配置、费率厘定与应急规划中，把不确定性语言转化为可沟通的风险陈述。
二、核心概念地图
巨灾模型通常由四大模块构成：灾害模块、工程易损性模块、暴露模块与金融损失模块。不确定性在这四个模块中层层传递，并在最终损失分布中叠加。我们需要先建立一张概念地图，才能在后继章节中逐层拆解。
| 概念 | 含义 | 典型来源 | 对输出的影响 |
|---|---|---|---|
| 偶然不确定性 | 系统内在的随机波动 | 事件发生时间、地点、强度 | 损失分布的宽度 |
| 认知不确定性 | 因知识不足导致的参数估计偏差 | 样本不足、模型简化、专家判断 | 均值与尾部位置的偏移 |
| 情景不确定性 | 不同未来假设下的结构性差异 | 气候变化、城市扩张、建筑规范 | 分布形态与极端分位 |
| 敏感性 | 输出对输入变化的响应程度 | 参数扰动、情景替换 | 关键驱动因子排序 |
| 情景敏感性分析 | 在多个设定情景下系统比较输出 | 压力测试、反事实推演 | 决策稳健性与盲区识别 |
需要特别强调的是：偶然不确定性无法通过更多数据消除，只能被更好地描述；认知不确定性可以通过数据、模型改进与专家 elicitation 降低；情景不确定性则取决于我们对未来路径的选择与假设。三者混在一起时，模型输出极易被误读为“精确预测”。
三、整体框架与课程路线图
本课程共30章，整体遵循“概念—方法—工具—案例—复盘”的递进结构。第1章建立共同语言；第2至第8章深入不确定性的来源、分类与传播机制；第9至第16章系统讲解敏感性分析与情景设计方法；第17至第24章进入工具实操与行业案例；第25至第30章聚焦决策沟通、模型治理与综合复盘。
路线图的设计逻辑是：先建立不确定性的分类语言，再学习方法工具，最后回到真实决策场景。每一章都会围绕一个可操作的问题展开，而不是停留在术语解释。
四、案例场景：一次再保分层决策中的不确定性
假设某沿海城市地震巨灾模型给出100年一遇损失为120亿元，250年一遇损失为280亿元。再保团队需要决定是否购买一层起赔点为150亿元、限额为100亿元的巨灾超赔层。若只看单点输出，结论似乎清晰；但若考虑不确定性，情况会复杂得多。
情景A：基准模型
100年一遇损失 = 120亿
250年一遇损失 = 280亿
建议：起赔点150亿，层内期望损失约18亿
情景B：易损性参数上调20%
100年一遇损失 = 138亿
250年一遇损失 = 336亿
建议：层内期望损失升至约31亿
情景C：暴露增长年率由2%升至4%
250年一遇损失 = 355亿
建议：层内期望损失升至约38亿
情景D：灾害频率因气候与地质假设变化上调15%
250年一遇损失 = 322亿
建议：层内期望损失约29亿
同一层再保结构，在四个情景下的期望损失可以从18亿波动到38亿，超过一倍。若不做情景敏感性分析，定价与资本配置就可能严重偏离真实风险。这正是本课程要解决的核心问题。
五、常见误区与复盘要点
- 误区一：把模型输出当作真值。巨灾模型是概率推理工具，不是预言机；输出应附带假设与区间。
- 误区二：只做单点敏感性。一次只动一个参数会忽略参数间的交互与相关性，容易低估尾部风险。
- 误区三：混淆不确定性与风险。不确定性描述“我们不知道什么”，风险描述“可能损失及其概率”；两者相关但不等同。
- 误区四：情景设计过于随意。情景应有明确的业务含义、参数边界与可追溯的假设来源。
- 误区五：忽视沟通。再保、监管、董事会需要的是可解释的风险陈述，而不是一堆分布图。
本章作为课程导入，已经建立了不确定性的分类语言、巨灾模型的四模块框架、情景敏感性分析的基本定位，以及一个贯穿全课程的再保分层案例。接下来，我们将从不确定性的来源与传播机制开始，逐层深入。