2. 巨灾风险与模型基础
在进入不确定性与情景敏感性分析之前，必须先建立一套关于巨灾风险的共同语言。巨灾模型不是单一公式，而是一条从自然事件到经济损失的映射链。理解这条链的结构，才能判断不确定性从何而来、敏感性在哪里被放大。
一、什么是巨灾：三个判定维度
巨灾（Catastrophe）通常指一次事件造成的经济损失或人员伤亡超过某一阈值，且损失高度集中于特定区域或行业。判定巨灾一般看三个维度：
- 损失规模：直接经济损失、保险赔付或死亡人数超过设定门槛，例如单次事件保险损失超过 10 亿美元。
- 空间集中度：损失集中在有限地理范围内，如台风登陆带、地震断裂带沿线。
- 时间突发性：事件在短时间窗口内释放能量，导致损失在数小时至数天内集中发生。
与常规风险不同，巨灾的损失分布具有明显的厚尾特征：低频但极端。这意味着历史样本稀少，直接统计推断不可靠，必须借助物理模型与情景推演。
二、风险度量：从概率到损失曲线
巨灾风险度量通常围绕三个核心量展开：
- 超越概率（EP）：给定损失水平在一年内被超过的概率，常用重现期表示，如“百年一遇”。
- 年期望损失（AAL）：所有可能事件的损失按概率加权求和，反映长期平均成本。
- 尾部风险指标：如 VaR（给定置信水平下的最大损失）和 TVaR（超过 VaR 部分的平均损失），用于资本充足性评估。
这些指标共同构成一条损失超越曲线（Loss Exceedance Curve）。曲线越陡，尾部越厚，意味着极端情景对结果影响越大，这也是后续敏感性分析的重点区域。
三、巨灾模型四大模块
现代巨灾模型由四个相互衔接的模块组成，缺一不可：
| 模块 | 核心问题 | 典型输入 | 典型输出 |
|---|---|---|---|
| 危险（Hazard） | 事件在哪里、多强、多频繁？ | 断层数据、气象再分析、历史目录 | 事件集、强度场、年发生概率 |
| 暴露（Exposure） | 有多少资产、价值多少、分布如何？ | 建筑清单、保单数据、地理编码 | 资产位置、价值、险种分布 |
| 脆弱性（Vulnerability） | 给定强度下损失比例是多少？ | 易损性曲线、工程实验、理赔记录 | 损失率、破坏状态概率 |
| 损失（Loss） | 财务影响如何汇总与分摊？ | 保险条款、免赔额、再保结构 | 毛损失、净损失、EP 曲线 |
四模块串联形成一条“事件—强度—损失—财务”的传导链。任何一环的参数偏差都会向下游传播，并在尾部被放大。
四、建模流程与关键参数
一个完整的巨灾建模流程通常包含以下步骤：
- 事件集生成：基于历史目录与随机模拟，生成数万至数百万年的事件样本。
- 强度计算：将事件映射到每个暴露点的局地强度，如峰值加速度、风速。
- 损失计算：用易损性曲线将强度转换为损失率，再乘以资产价值。
- 财务模块：应用免赔额、限额、再保分层，得到净损失。
- 曲线汇总：统计得到 EP 曲线、AAL、VaR、TVaR 等指标。
在实操中，参数配置直接影响结果。以下是一个简化的模型参数片段示例：
hazard:
event_set: "USGS-2023"
magnitude_range: [5.0, 9.0]
annual_rate: 0.012
exposure:
portfolio: "coastal_industrial"
total_value: 8.6e9
currency: "USD"
vulnerability:
curve: "HAZUS-RC"
uncertainty: 0.25
loss:
deductible: 5.0e6
limit: 2.0e8
reinsurance_layer: [1.0e8, 5.0e8]
提示：参数中的 uncertainty 字段表示脆弱性曲线的不确定区间。该值越大，尾部损失曲线越分散，后续敏感性分析中应优先对其做情景扰动。
五、案例场景：沿海台风组合
假设某沿海工业组合面临台风风险。危险模块给出 100 年一遇风速为 55 m/s；暴露模块显示资产价值 86 亿美元，集中在 20 公里海岸带；脆弱性模块采用 HAZUS 曲线，在 55 m/s 下平均损失率约 18%；损失模块设置免赔 500 万、限额 2 亿。初步计算毛损失约 15.5 亿美元，净损失受再保分层影响降至约 9.2 亿美元。
若将风速上调 10%，损失率可能非线性上升至 26%，毛损失增至约 22.4 亿美元。这一非线性放大正是情景敏感性分析的核心关注点。
常见误区：把 AAL 当作“每年实际损失”。AAL 是长期期望值，单年实际损失可能远高于或远低于它。用 AAL 做年度预算可以，但不能用它评估极端年份的资本冲击。
六、复盘：不确定性从哪里来
回顾四大模块，不确定性主要来自三处：
- 危险模块：历史目录长度不足，断层或路径参数存在认知不确定性。
- 脆弱性模块：易损性曲线多基于有限实验或理赔数据，外推至极端强度时误差显著。
- 暴露模块：资产价值随时间增长，地理编码精度影响强度匹配。