本文提出气候条件级联风险网络(CCRN),将日历尺度气候状态、事件内多灾种传播以及容量约束的保险损失映射分离建模,并通过有向无环图描述燃料干旱、野火、极端降水和火后泥石流之间的有序触发关系。模型结合互补对数-对数触发风险、条件严重度响应和年度聚合再保险合约,证明有限步闭包、唯一性及共同随机数下的路径单调性与矩形压力集上界。数值结果显示,中心层价格在不同匹配边际依赖模型下较为稳健,但远尾、高附着层损失和TVaR差异显著;方向性传播、年度事件频率和依赖强度是主要风险驱动因素。
本文题为 《Climate-Conditioned Cascade Modeling for Multi-Peril Reinsurance: Analysis and Controlled Numerical Applications》,作者为 N. Karimi、E. Salavati 和 F. Shokrollahi,分别来自伊朗阿米尔卡比尔理工大学应用数学系及芬兰瓦萨大学数学与统计系,文稿编译日期为 2026 年 8 月 11 日。 报告主题是气候风险、多灾种保险与再保险、灾害级联传播、年度累计损失以及再保险合同定价。
文章的核心不是提出一种全新的图模型理论,而是将气候条件变量、事件内灾害传播、物理严重程度、容量约束损失映射和年度再保险合同整合为一个统一的 气候级联风险网络(CCRN)。 该框架试图解决传统联合分布或Copula模型可以描述“最终损失相关性”,但不一定能够表达“哪个灾害先发生、如何触发下游灾害以及气候状态如何改变触发概率”等问题。 文章的主要结论是:在匹配边际分布后,Gaussian、Student-t Copula与CCRN对低层、窄层的中心价格影响相对有限,但在极端尾部、高附着点层和TVaR方面会产生显著差异;方向性传播、年度事件频率和依赖强度是最主要的风险驱动因素。
需要特别指出,本文没有给出基于真实保险赔案的经验定价结论,也没有提出明确的股票评级或投资目标价;其数值部分属于受控的合成数据验证,目标是验证模型架构、数学性质和模拟流程,而非证明CCRN在现实市场中已经优于其他模型。
文章承认Copula仍是多灾种依赖建模的重要基准,因为Copula可以将各个边际损失分布与联合依赖结构分离,并能够表达非线性、非对称及时间变化的相关性。 但是,在“燃料干旱度→野火→火后泥石流”的链式灾害中,单纯的最终损失联合分布无法直接说明物理上允许哪些路径,也无法明确说明气候异常如何分别影响野火触发边和泥石流触发边。
CCRN的定位因此不是完全替代Copula,而是针对建模目的进行补充:如果研究问题只需要最终损失的联合分布,静态依赖模型可能已经足够;如果事件本身具有明确的时间顺序、状态继承和条件传播,则有必要使用有向图表达结构。
CCRN将系统拆分为两个时间尺度:一是日历或气候尺度,在该尺度上气候状态和暴露条件变化;二是单个灾害事件内部的传播尺度,在该尺度上节点按照有向无环图(DAG)逐步更新。 对于每个模拟年份,气候状态在该年度所有事件窗口内保持固定,而事件内部的传播步骤则在较短时间内完成。
该区分的意义在于避免把长期气候变化误认为短期灾害传播,也避免把年度频率变化与事件内触发关系混为一谈。 文章还强调,图的方向只能规定“科学上允许的传播路径”,不能自动证明因果关系;若缺乏充分的识别假设,模型参数应解释为受物理结构约束的预测触发概率,而不是温度变化的因果效应。
边 ((i,j)) 的触发概率使用 complementary log-log,即互补对数-对数链接函数表示:
[ \log[-\log(1-w_{ij,k}(y))] =\alpha_{ij}+u_{ij,k}+\beta_{ij}z_k(y)+\gamma_{ij}^{\top}c_k(y). ]
其中,(\alpha_{ij})是基准水平,(u_{ij,k})是空间随机效应,(z_k(y))是相对于参考期的气候异常,(c_k(y))是其他协变量,(\beta_{ij})则衡量气候异常对该传播边的影响。
互补对数-对数链接能够保证有限协变量下的概率始终处于0和1之间;当(\beta_{ij}>0)时,指定的气候异常会提高对应边的触发概率,但该正号必须有预先声明的物理机制支撑,否则应无约束估计并报告不确定性区间。 文章还特别强调,(w_{ij,k}(y))只是“一个完全激活父节点在指定滞后窗口内对目标边贡献的概率”,不是目标灾害的总发生概率。
每一个节点同时具有发生指标 (Z_j) 与条件严重度 (S_j)。其中 (Z_j\in{0,1}),而 (S_j\in[0,1]),并且要求 (S_j\leq Z_j),因此未发生灾害时严重度必为零。 这种“发生—严重度”分离类似于保险精算中的hurdle模型:第一阶段决定是否发生,第二阶段决定发生后的损失强度。
目标节点的总累计风险由背景风险、单个父节点风险及预先指定的父节点交互风险共同组成:
[ \pi_j=1-\exp(-H_j), ]
其中累计风险 (H_j)由各项非负风险贡献加总而来。 这种在累计风险尺度上相加的方式允许多个父节点共同作用,同时仍保证总概率落在单位区间内。
严重度则通过物理压力指数和归一化Logistic响应函数确定。参数 (\theta_j)表示压力阈值,(k_j)控制从低严重度到高严重度的过渡陡峭程度。 需要注意,物理压力指数不是发生概率,因此物理阈值不能在触发概率尺度上进行校准。
CCRN使用固定的场景级均匀随机数来决定节点是否发生,并通过最大值算子保持状态持久性:灾害一旦发生,后续传播步骤中不能恢复为未发生;严重度也不会被后续步骤任意抹去。
在累计风险非负、父节点响应函数单调、物理压力函数单调且严重度响应值处于[0,1]的条件下,级联算子具有保序性。 对于有限DAG,节点可以按拓扑顺序计算,并在最多等于图中最长有向路径长度的有限步数内达到唯一闭包。 这里的“唯一”是指在给定随机输入、参数、图结构和物理驱动后,前向计算结果唯一,并不意味着参数具有统计可识别性。
这一点是本文最重要的理论贡献之一:它将级联模型从“可能不断迭代的抽象传播过程”转化为可验证、可终止的事件级计算程序。
物理严重度通过暴露权重形成整体物理足迹 (C(S^*)),然后映射为各灾害组件的地面损失。 对于组件 (j),(\lambda_j)是最大建模损失,(\gamma_j)控制基础脆弱性曲线,(\alpha_j)是需求激增参数。
需求激增采用赔率尺度变换,而不是简单的无限乘法器,因此最终组件损失满足:
[ 0\leq L_j\leq \lambda_j. ]
这避免在灾害高度聚集时生成没有现实上限的损失,也使合同级压力测试具有清晰的损失容量边界。
不过,作者明确承认,这只是场景分析装置;实际应用需要在冻结的训练样本内估计暴露、脆弱性、维修成本和合同参数,而不能直接把合成参数视为现实市场参数。
文章区分“物理级联事件”和“合同定义的保险事故”。一场级联并不自动等于一个合同事故,必须根据承保灾害、归因规则、小时条款、地域条款和合同聚合单位进行分配。 在受控实验中,每个事件窗口不重叠,每个组件损失只分配到一个窗口,野火及其后续泥石流被分配到同一个窗口,从而避免重复计损。
年度事件数 (N_y)服从均值为1.50的Poisson分布。作者强调,不能用单个级联替代年度频率模型,因为年度累计再保险价格同时取决于事件频率和单次事件损失。 单层超额损失形式为:
[ L_R=\min{(L_{\text{ann}}-D)^+,M}, ]
其中(D)是免赔额或附着点,(M)是层限额。 该合同映射本身具有单调性,因此如果某一压力参数使地面损失增加,则在相同随机输入下,赔付不会减少。
图1左侧是传统联合依赖视角:野火、洪水和泥石流直接进入Copula或联合分布,再生成总损失。 右侧是CCRN视角:气候状态同时影响燃料干旱度—野火和野火—降雨—泥石流路径,图结构规定可行传播方向,最后才进入有上限的损失函数和超额损失合同。 该图最重要的信息是,气候条件、事件内传播和金融聚合是三个分离层,而不是同一种相关性来源。
表1将CCRN与Copula、Bayesian/DAG模型及Hawkes过程进行比较:Copula擅长最终联合分布,Bayesian网络更接近条件路径表达,Hawkes模型则适合连续时间中的反复激发和反馈。 表2进一步区分边概率、累计风险、发生状态、严重度、物理压力、地面损失和合同变量,为后续方程和证明提供统一符号体系。
表3规定了合成实验的核心输入:燃料干旱度作为物理驱动,不产生直接保险损失;野火、极端降水和泥石流具有直接损失容量。 参考触发概率为燃料干旱度到野火的0.35、联合野火—降水到泥石流的0.55,气候系数分别为每摄氏度0.35和0.18。 严重度响应参数为野火((\theta_2,k_2)=(0.20,8)),泥石流((\theta_4,k_4)=(0.25,9));年度层的免赔额为1.50亿美元、限额为0.50亿美元,足迹权重为((0,0.45,0.30,0.25))。
表4显示,CCRN、Gaussian和Student-t三种模型在选定低层窄层上的附着概率、期望赔付和纯保费非常接近,且模拟标准误较小。 图2左侧的经验CDF在附着区域几乎重合,说明中心层价格对依赖结构形状不太敏感;右侧对数生存曲线在约3至6亿美元以上逐渐分离,说明极端尾部差异明显。
表5进一步显示,Student-t模型的地面损失VaR和TVaR最高,Gaussian最低,CCRN居中。 在99.5%水平,相关分位数都超过耗尽点(D+M=2.0)亿美元,因此尾部中保留损失等于年度损失减去层限额,这解释了保留损失与地面损失的尾部标准误相同。
图3左图显示Student-t自由度下降时,TVaR显著上升,而纯保费变化较小;这符合自由度越低、尾部依赖越强的统计含义。 右图显示等相关系数从0.20提高到0.60时,两类Copula的TVaR均明显上升,但纯保费变化有限。 表6和表7由此证明,中心层价格与资本尾部指标关注的是分布的不同区域,不能用稳定的低层纯保费推断极端尾部也稳定。
表8显示,附着点越高,层占用越少,归一化纯保费通常下降;但模型之间的差异在高附着点处更突出。 图4左侧显示CCRN相对Gaussian在低附着点可能低于Gaussian,而在高附着点略高;右侧显示CCRN在低层高于Student-t,但在高层低于Student-t。 这说明“哪个模型保费更高”不是全局固定结论,而取决于合同处于损失分布的哪个区间。
固定频率设计下,温度异常只改变传播边风险;气候条件Poisson设计还令年度均值变为:
[ \Lambda_y=1.50\exp(0.12\Delta T). ]
表9和图5显示,两种设定在(\Delta T=0)时一致,但温度异常升高后,气候条件频率模型的纯保费上升更快,因为它同时增加单次事件传播风险和年度事件数。
残余依赖只施加在燃料干旱度和降水两个外生根节点的发生均匀变量之间,不能重复编码下游方向传播。 图6显示,根节点相关系数从0提高至0.40时,附着概率和纯保费仅缓慢上升,而尾部指标上升更明显。 这意味着未观测的共同根因对于联合极端状态的影响大于对低层合同价格的影响。
图8显示,删除方向性传播后附着概率和纯保费大幅下降,是所有消融项中影响最大的;采用单事件近似也显著降低合同指标。 删除需求激增和泥石流交互的影响较小,说明它们对参考层的贡献有限,但不代表它们对远尾部没有价值。
图9将表12的低—基准—高敏感度可视化,最长的两组条形对应燃料干旱度—野火边概率和年度事件频率,其次是燃料边气候系数和严重度响应陡峭度。 泥石流背景概率、交互风险和泥石流气候系数对参考层保费的影响很小,但作者认为它们的作用可能集中在更高损失尾部。
图7将每个可行压力情景损失与相同随机输入下的矩形压力集上角点损失比较,所有点都位于45度线之上或线上,验证了上角点损失不会低于对应压力情景。 在30,000个配对事件窗口中,有1,683个场景产生严格增加,最小正差为(3.59\times10^{-5})亿美元。 但该保证只适用于给定矩形压力集和固定共同随机输入,不代表真实相关约束下的最紧风险上界。
图10显示,加入参数不确定性和模型过程不确定性后,附着概率、纯保费、VaR和TVaR的区间都明显变宽,但中心位置相近。 表13表明,基准边概率、背景发生率和年度频率能够较好恢复真实生成值,而泥石流气候系数、损失容量和需求激增参数区间更宽。 表14特别提醒,这些区间是参数向量整体抽样后的边际摘要,不能被解释为相互独立的矩形置信区间。
该实验没有把条件Beta严重度模型的残差创新继续传播到前向损失模拟中,而是使用拟合的条件均值进行确定性严重度传播。 因此,本文报告的预测区间并未覆盖全部可能的严重度残差风险,属于范围有限的预测不确定性分析。
在相同图结构、年度频率、金融映射和合同条件下,静态Bayesian网络将连续父节点严重度边际化为离散父节点发生状态条件表,并使用经验正严重度池。 表15显示,该静态模型与CCRN在附着概率和纯保费上近似相同,但VaR较低、TVaR更低,TVaR差异为0.149亿美元,约为3.1个联合Monte Carlo标准误。 这支持作者关于“连续状态依赖传播在尾部保留更多结构”的判断,但由于连续状态边际化和静态条件表示同时改变,该比较不能纯粹归因于传播机制本身。
表16和图11显示,随着每次模拟的合同年度数增加,附着概率和纯保费的跨重复标准差下降,整体接近(N^{-1/2})收敛速度;TVaR的波动明显更大,说明极端尾部需要更大模拟预算。
本文没有采用DCF、P/E或EV/EBITDA等企业估值方法,其“估值”对象是再保险合同的纯保费、期望赔付、VaR和TVaR,而非上市公司目标价。 纯保费本质上是预期层赔付除以层限额,VaR刻画给定置信水平下的损失分位数,TVaR则刻画超过该分位数后的平均损失。
主要风险包括:
作者提供的缓解方式主要是训练—验证—测试冻结流程、参数联合抽样、独立Monte Carlo重复、结构消融、匹配边际基准和路径级上角点压力测试。 但这些方法主要验证模型内部一致性,不能替代真实数据下的外部验证。
文章的优点在于:第一,明确区分气候条件、事件内传播和金融聚合;第二,发生与严重度分离,适合保险精算建模;第三,在DAG和单调性条件下给出有限步闭包、唯一性和路径级上角点保证;第四,系统展示了中心价格与尾部资本指标对依赖结构的不同敏感性。
但其局限同样明显。首先,核心数值结论建立在合成参数和模拟数据上,不能直接证明现实保险组合中的定价优势。 其次,矩形压力集的上角点可能不可实现,作者也承认它可能比真实受约束最大损失保守很多。 再次,静态Bayesian网络比较同时改变了连续状态边际化和条件结构,因而不能完全隔离“方向性传播”这一单一因素。 最后,前向传播没有纳入条件严重度残差,预测区间可能低估完整的严重度不确定性。
总体而言,本文的总体立场是:CCRN并非要取代Copula或Bayesian网络,而是为具有明确物理顺序和状态继承的多灾种再保险风险提供更透明的结构化框架。 其最有价值的发现不是低层纯保费一定更高,而是模型结构会在损失分布尾部、高附着层和TVaR中产生更大差异;因此,若风险管理目标包括资本充足率、极端尾部或高层再保险定价,仅观察中心层纯保费是不充分的。
2608.09456.pdf