蝴蝶效应:巨灾风险何以飙升

2011 年的季风季,泰国降雨量超过往年同期,导致泰国中央平原大面积洪水泛滥。曼谷周围的多个主要工业园区遭受了长达2-3 个月的水浸。泰国洪水风险真的不可控么?

遭受水浸的企业中,超过800 家为日本的汽车配件、半导体配件等制造商。这些工厂停工,严重影响了日本本土及世界各地的零部件供应。灾难之后,全球出现大面积的保险赔付申请,索赔理由就是连带营业中断(contingency business interruption)。此次洪水损失超过157亿美元1,位列全球第十大保险业巨灾损失(2018 年前)。即便在加上2018年日本台风飞燕和美国森林大火的损失后,泰国2011 年的洪水损失仍是全球第十二大巨灾损失。

风险管理中的人为因素

2006 年到 2013 年间大量的泰国洪水研究显示,中央平原地区每年都会遭受洪水侵袭,尽管淹没范围不尽相同。其中2006 年和2010 年的洪水规模较大(参见图1,蓝色为淹没区域)。

既然如此,不禁要问:为什么仍然会有制造商愿意选择该区建厂?毕竟,建厂时必须先要通过各种风险评估。灾难性的结果反映出,虽然泰国的研究机构发布了洪水风险分布图,洪水风险仍然没能得到重视。在厂区用地价格比较便宜的条件下,风险被忽略了。这就是风险管理中典型的人为风险导致的灾难性结果。

图 1 - 泰国洪水分布图,2006-2013 年2

在论及巨灾问题时,有必要先强调一下回归周期年的概念。泰国2011 年的洪水被普遍认为是一个50 年一遇的事件。这里,回归周期不代表50 年才发生一次,而是每年都有2%(1/50)的概率发生同类事件。即便2010 年的洪水规模是30-50 年一遇, 2011 年也有同样概率遭遇同等规模的洪水。

因此,主观忽略风险的存在是做出错误决策从而导致灾难性后果的重要因素之一,即使遇到可以检验所有公司风险管控水平的市场型事件,结果亦是如此。1992 年的美国安德鲁飓风(Hurricane Andrew),风力高达5 级 3,登陆时中心气压922 百帕 4,导致美国的八家保险公司倒闭。事后的调查发现,未倒闭的公司主要都是较早采用新型科技、最早接触并使用巨灾模型的公司。而已倒闭公司的风险管控显然没有充分意识到安德鲁飓风会达到如此级别,对灾害及其影响的认知不足。正因为此次灾害事件,行业才逐渐认识到巨灾模型的重要性。

灾害的频率和风险等级是客观存在的

规划新业务的过程中,充分、全面评估风险能帮助公司确定合理费率和市场推广策略。类似 “某某地方没有地震风险” 的评论是违背自然规律的,终究经不住大自然的检验。

一切巨灾风险管理的讨论都应基于对灾害的充分认知。前文提到的泰国洪水的灾难性后果,除了有关部门的灾后应急能力有限外,另一个重要原因是该地洪水风险相对较高的事实被忽略了。

数据的重要性

在有风险甚至高风险的地区开展业务既然是不可避免的,充分收集风险数据就成为成功的首要因素。当前的规管对财险承保过程中需要获取的数据维度并无强制规范。巨灾保险数据采集规范虽然早在多年前就已发布,但仍停留在指引阶段。导致这一规范未能被广泛采纳的诸多因素包括“显著增加承保难度、增加入单时间、影响业务效率、获取数据存在现实难度、难以拆分数据”等。

数据收集的不全则导致各种巨灾模型的结果会出现与实际情况产生更大的偏离。

在风险数据表格中有较多留白是较普遍的现象。在模型中输入信息时,模型会尽力填补留白。留白越多,结果的不确定性则越高,计算出来的结果,显然无法反映实际风险的高低。数据留白越多,越难解释差异的来源。抓住数据的核心,同时避免数据的冗余是一门艺术。随着计算能力的加强和计算技术的提高,大数据的算法和模型不断完善,但如果输入模型的数据不准确也不全面,也无助于得到一个可靠的结果。在某种程度上,由于决策者对大数据和智能模型结果的依赖程度提高,基础数据的质量也应该随之提高。

数据质量已经成为影响业务成败的关键要素。因此,数据的收集和去粗取精才需要资源的投入。

随着对风险认知的提高,对风险的描述性数据的维度也应该水涨船高。用十几年、甚至二十年前的数据结构和数据系统来描述当前风险是不匹配的。用十几年前的数据模型来衡量灾害等级的高低也并不充足。如果无法保证输入模型的最基本的数据质量,就无法衡量模型自身水平的高低,最终也就无法为客户提供有力的支持和帮助。数据的重要性不单指承保数据,损失理赔信息也同等重要。

收集数据的基本原则是“不该省略的不能省略,不能简化的不能简化”。

2013 年,在福建登陆的台风菲特在浙江的宁波和余姚带来长时间降水,造成过去十年间最严重的保险损失。这种空间上的差异性,给理赔带来了巨大挑战。今时今日也并不能将损失分成台风之风灾损失和台风之水灾损失。数据细节可能在风险转移的过程中丢失,或者压根就没能被收集到。这是估算损失的核心组成部分,也是巨灾模型校准最具挑战性的部分。缺乏精确的数据就无法帮助巨灾模型校验和优化模型损失结果。这又是一个细微之处决定巨灾风险管理水平的典型案例。

巨灾风险管理的精细化,一直是鼎睿致力于在中国内地市场推广的概念和管理方法。从风险核保、数据结构设计、风险管理、风险数据收集,到产品销售过程中的风险数据统计维度,鼎睿都可以为客户定制全方位的解决方案。

1 数据来源:Swiss Re Sigma, 2015 版
2 来源:http://flood.gistda.or.th/
3 萨菲尔幸普森台风级别,强度超过中央气象台超强台风
4 来源:NOAA