3. 不确定性基础
在巨灾模型中，不确定性不是需要被“消除”的缺陷，而是必须被显式刻画、量化和传递的核心对象。无论是地震、台风还是洪水模型，从输入数据到最终损失分布，每一个环节都叠加着不同性质的不确定性。理解这些不确定性的定义、分类与来源，是后续进行情景敏感性分析和风险沟通的前提。
一、核心原理：什么是巨灾模型中的不确定性
不确定性是指由于信息不完整、知识不足或系统内在随机性，导致对某一结果无法给出唯一确定判断的状态。在巨灾模型中，它表现为：同一组资产、同一区域、同一时间窗口，在不同假设或不同数据下，损失估计会出现一个分布而非一个点值。
这里需要区分两个容易混淆的概念：不确定性与变异性。变异性是系统本身固有的、无法通过更多观测消除的差异，例如某地每年台风登陆次数天然波动；不确定性则可能随着数据积累或模型改进而降低。巨灾模型通常将两者统一纳入概率框架，但在解释结果时必须区分其来源，否则会误导风险决策。
关键认知：巨灾模型输出的“平均损失”或“百年一遇损失”都不是确定值，而是带有置信区间和分布形态的估计量。不确定性分析的目标，是给出这些估计量的可信范围及其对关键假设的敏感程度。
二、不确定性的分类：偶然性与认知性
国际通行的分类将不确定性分为两类：偶然性不确定性（Aleatory Uncertainty）和认知性不确定性（Epistemic Uncertainty）。
- 偶然性不确定性：源于系统内在的随机性，是“自然界本身的掷骰子”。例如，下一次地震发生的具体时间、地点和震级，台风路径的微小摆动，洪水峰值流量的年际变化。这类不确定性无法通过增加观测或改进模型来消除，只能通过概率分布描述其统计规律。
- 认知性不确定性：源于人类知识或信息的不足，是“我们不知道我们不知道什么”。例如，断层活动性参数估计不准、建筑易损性曲线样本有限、暴露数据存在遗漏或错分。这类不确定性理论上可以通过更多数据、更精细的模型或专家判断来降低。
两类不确定性的区分具有重要的实践意义：偶然性不确定性决定了风险本身的“下限”，认知性不确定性则决定了我们估计的“可信度”。在巨灾模型中，前者通常通过随机模拟（如蒙特卡洛抽样）体现，后者则通过参数分布、模型权重或专家意见区间来体现。
三、不确定性的三大来源：数据、模型与参数
在巨灾模型的实际建模流程中，不确定性通常被归纳为三个来源，它们与上述两类不确定性存在交叉映射关系。
| 来源 | 典型表现 | 主要对应类型 | 常用处理方法 |
|---|---|---|---|
| 数据不确定性 | 历史事件目录不完整、暴露数据精度不足、易损性样本有限 | 认知性为主 | 数据补全、误差传播、贝叶斯更新 |
| 模型不确定性 | 震源模型简化、路径模型选择、易损性函数形式差异 | 认知性为主 | 多模型集成、模型权重、专家 elicitation |
| 参数不确定性 | 衰减关系系数、泊松率、易损性中值/对数标准差 | 认知性 + 偶然性 | 参数分布抽样、置信区间、敏感性分析 |
需要强调的是，数据、模型和参数三者并非孤立。例如，历史地震目录的完整性直接影响泊松率的估计，进而影响事件发生频率的偶然性建模；而易损性曲线的函数形式选择则属于模型不确定性，其参数拟合又引入参数不确定性。在巨灾模型中，这些不确定性会沿着“事件生成—强度计算—损失计算—金融模块”的链条逐级传递和放大。
四、案例与场景：一次台风巨灾模型的不确定性复盘
假设某沿海城市使用台风巨灾模型评估年度损失。模型输出显示：平均损失为 12 亿元，百年一遇损失（PML100）为 85 亿元。但在不确定性分析中，团队发现以下问题：
- 数据层面：该城市部分老旧城区的建筑暴露数据仅按行政区平均高度估算，导致易损性计算偏差。这是典型的认知性数据不确定性。
- 模型层面：模型采用单一风场参数化方案，而不同方案在近海岸区域风速估计差异可达 15%。这属于模型结构不确定性。
- 参数层面：易损性曲线的对数标准差取自其他地区经验值，未做本地校准。这属于参数不确定性，且带有认知性成分。
经过情景敏感性分析，团队发现：当风场模型切换为另一种方案时，PML100 从 85 亿元变为 102 亿元，变化幅度约 20%；而当暴露数据精度提升后，平均损失变化约 8%。这说明模型不确定性在当前阶段是主导因素，应优先投入资源进行多模型对比和本地化校准。
教学提示：在巨灾模型中，不确定性分析不是一次性的收尾工作，而应贯穿建模全过程。建议在模型设计阶段就明确哪些不确定性需要量化、哪些需要情景测试、哪些可以通过数据采集降低。
五、常见误区与复盘要点
- 误区一：把认知性不确定性当作偶然性处理。例如，将暴露数据缺失简单视为随机误差，导致低估模型偏差。正确做法是将其作为认知性不确定性，通过情景分析或专家区间显式表达。
- 误区二：只报告点估计，不报告不确定性区间。巨灾模型的 PML 若没有置信区间，决策者无法判断其可信度。应同时给出分布分位数和关键假设的敏感度。
- 误区三：混淆参数不确定性与模型不确定性。参数不确定性可通过更多数据缩小，模型不确定性则需要多模型比较或结构检验。两者混淆会导致资源错配。
- 误区四：忽视不确定性在模块间的相关性。例如，事件频率和强度参数可能并非独立，忽略相关性会低估极端情景的联合概率。
复盘要点：每次巨灾模型更新后，应记录不确定性来源的变化：哪些认知性不确定性因新数据而降低，哪些偶然性不确定性因新发现而需要重新建模。建立不确定性台账，是提升模型可信度和风险沟通效果的有效手段。
综上，不确定性基础是巨灾模型从“计算工具”走向“决策支持工具”的关键桥梁。只有清晰区分偶然性与认知性，系统梳理数据、模型、参数三类来源，并在建模全流程中持续追踪其表现，才能为后续的情景敏感性分析和风险定价提供可靠基础。