自然灾害风险（Natural Hazard Risk）

3 秒看懂

一句话：自然灾害风险是指由地震、台风、洪水、野火等自然事件造成人员伤亡和财产损失的可能性及其经济影响，是全球保险/再保险行业定价的核心底层变量，也是气候投资与ESG决策的关键因子。

关键词标签：巨灾模型 再保险 Cat Bond 气候风险 参数保险

3 分钟产业解释

为什么这个概念值得写？

自然灾害风险看似是”老话题”，但它正在经历三个结构性变化，使其成为当前资本市场高度关注的领域：

1. 频率-强度双升：全球气候变暖背景下，极端天气事件的发生频率和损失强度均呈上升趋势。据瑞士再保险研究院（Swiss Re Institute）长期追踪，全球因自然灾害造成的年度经济损失在过去三十年间总体呈上行通道（以名义美元计）[Swiss Re sigma报告]。2023年全球自然灾害保险损失超过千亿美元规模（行业估算口径，具体数字各机构略有差异）。

2. 保险缺口仍然巨大：全球自然灾害造成的经济损失中，投保覆盖的比例（“保险渗透率”）在全球范围内仍然偏低，尤其在发展中国家。行业常引用的数字是：全球自然灾害损失中仅约30%-40%左右获得保险赔付（Swiss Re sigma系列报告口径，各年份有波动），亚洲和非洲地区的保障缺口尤为显著。

3. 技术范式迁移：巨灾模型（Catastrophe Model）从传统的基于历史统计的方法，向融合物理模拟+机器学习的混合范式演进；卫星遥感、IoT传感器数据的大规模应用正在重塑风险评估的颗粒度。

核心产业链

上游：灾害科学 & 数据基础设施
  ├── 地震监测网络、气象卫星、水文站网
  ├── 高精度地形/建筑暴露度数据库
  └── 气候模型（GCM/RCM）输出

中游：风险量化 & 转移
  ├── 巨灾建模公司（核心"CPU"）
  ├── 保险/再保险公司（风险吸收层）
  └── 资本市场（巨灾债券、ILS）

下游：风险管理 & 适应
  ├── 政府灾害救助与公共保险计划
  ├── 企业供应链韧性管理
  └── 气候适应性基础设施投资

15 分钟专家深入

一、风险的三层拆解

自然灾害风险在精算与巨灾建模领域的标准分解框架为：

风险 = 危险性（Hazard）× 暴露度（Exposure）× 脆弱性（Vulnerability）

• 危险性（Hazard）：特定灾种在给定地点、给定时间段内发生的概率与强度分布。例如：某区域50年一遇的地面峰值加速度（PGA）是多少？百年一遇的风暴潮水位是多少？
• 暴露度（Exposure）：位于风险区域内的承灾体（建筑、基础设施、人口、农作物）的数量与价值。
• 脆弱性（Vulnerability）：承灾体在给定危险性强度下的受损程度，通常用”脆弱性曲线”（Vulnerability Curve / Fragility Curve）表达——横轴是灾害强度，纵轴是损失比（Loss Ratio）。

这个三层框架是所有商业化巨灾模型的底层逻辑。

二、巨灾模型：自然灾害风险定价的”引擎”

巨灾模型（Catastrophe Model / Cat Model）是将上述三层框架工程化的软件系统，是再保险定价和资本配置的基础设施。

行业格局（以商业化巨灾建模市场为主）：

注：全球商业化巨灾模型市场长期由Verisk(AIR)、RMS、CoreLogic三大平台主导。具体市场份额数据各机构估算口径不一，此处不编造精确数字。

模型内部结构（简化）：

┌──────────────────────────────────────────────┐
│                巨灾模型                        │
│                                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐   │
│  │ 危险性模块 │  │ 暴露度模块 │  │ 脆弱性模块 │   │
│  │(Stochastic│  │(Exposure  │  │(Vulnerab- │   │
│  │ Event Set)│  │ Database) │  │ ility Fn) │   │
│  └─────┬────┘  └─────┬────┘  └─────┬────┘   │
│        │             │             │          │
│        ▼             ▼             ▼          │
│  ┌─────────────────────────────────────┐     │
│  │        损失计算引擎                   │     │
│  │  (对每条模拟事件 × 每个暴露点位，      │     │
│  │   查脆弱性曲线 → 计算损失)             │     │
│  └────────────────┬────────────────────┘     │
│                   ▼                           │
│  ┌─────────────────────────────────────┐     │
│  │  损失聚合 & 统计输出                   │     │
│  │  AAL / EP Curve / TVaR / OEP / AEP  │     │
│  └─────────────────────────────────────┘     │
└──────────────────────────────────────────────┘

关键输出指标：

• AAL（Average Annual Loss）：年度平均期望损失
• EP Curve（Exceedance Probability Curve）：超越概率曲线——损失在某水平以上的年概率
• TVaR / VaR：在险价值 / 尾部条件期望损失
• OEP / AEP：发生超越概率 / 聚合超越概率（区分单次事件与年度累计）

三、主要灾种的技术特征差异

四、保险链接证券（ILS）与巨灾债券

巨灾债券（Catastrophe Bond / Cat Bond）是将自然灾害风险从保险/再保险资产负债表转移到资本市场的主要工具。

基本结构：

1. 发行人（通常是再保险公司或巨灾基金）设立一个SPV（特殊目的载体）
2. SPV向投资者发行债券，募集资金存入一个担保账户（通常投资于高信用等级短期工具）
3. 如果约定的触发事件（如”某次大西洋飓风造成行业损失超过X亿美元”）在债券存续期内未发生，投资者获得本金+较高票息
4. 如果触发事件发生，部分或全部本金将被划转给发行人用于赔付

触发机制类型：

市场规模：巨灾债券市场存量规模近年来持续增长。据行业追踪（Artemis.bm等专业平台），全球outstanding Cat Bond规模在数百亿美元量级，虽相比全球再保险市场的万亿级承保能力仍属小众，但增速显著，已成为保险风险资本市场化转移的标志性工具。

技术原理（最深一层）

巨灾模型中”随机事件集”（Stochastic Event Set）的生成逻辑

巨灾模型的科学基础是：历史灾害记录不足以直接估计极端事件的概率。一千年一遇的事件，在百年历史数据中可能仅出现零次或一次，直接用频率估计其概率不可靠。因此，巨灾模型采用”基于物理过程的蒙特卡洛模拟”生成数万到数十万年的虚拟灾害事件集。

以地震为例的技术路径：

步骤1: 地震目录 + 地质调查 → 识别活动断层、划定地震构造区
步骤2: 对每个震源区，拟合 震级-频度关系 (Gutenberg-Richter Law)
        log₁₀(N) = a - b × M
        N = 震级≥M的年均次数
        b ≈ 1.0（全球经验值，各区域有差异）
步骤3: 设定最大可信地震 (MCE) 上限
步骤4: 蒙特卡洛采样 → 生成50,000+年虚拟事件序列
        每个事件包含: 震级、震源位置、震源深度、断层走向/倾角/滑动角
步骤5: 对每个事件，用 地震动衰减方程 (GMPE/GMPE)
        计算各暴露点位的 PGA/PGV/SA(T)
步骤6: 用脆弱性函数将地面运动参数转化为损失比
步骤7: 损失聚合 → 统计输出 (EP Curve, AAL, TVaR 等)

以热带气旋为例的核心物理模型：

热带气旋模型的核心是一个参数化的风场模型，将气旋表示为一组物理参数的函数：

• 最大持续风速（Maximum Sustained Wind Speed）
• 中心最低气压（Minimum Central Pressure）
• 最大风速半径（Radius of Maximum Wind, RMW）
• 移动速度与方向
• 风速-压力关系（如Holland B参数）

模型在海面上从初始扰动开始，用海表温度（SST）、垂直风切变等环境场驱动气旋强度演变，到达陆地后计算衰减，最终输出每个网格点的近地面风速分布。

机器学习在巨灾建模中的前沿应用

近年来，机器学习在巨灾建模领域的应用方向包括（以下为行业趋势观察，非特定模型的精确技术规格）：

1. 替代模型（Surrogate Model / Emulator）：用深度神经网络替代计算密集的物理模拟（如CFD风场模拟、水动力洪水模拟），在保持合理精度的前提下将计算速度提升数个量级。
2. 卫星影像的自动化暴露度提取：用CNN/Transformer对高分辨率卫星影像进行建筑检测、建筑类型分类、建筑年代估算，替代传统的实地调查或低精度统计数据。
3. 实时损失快速评估：飓风/地震发生后，融合卫星SAR影像、社交媒体数据、手机信令数据，用ML模型在24-72小时内给出损失初步估计（传统理赔需要数周到数月）。
4. 气候变化情景下的频率-强度调整：将GCM（全球气候模型）输出降尺度后，用统计降尺度或ML方法校准巨灾模型的危险性模块，生成”未来气候情景下的随机事件集”。

技术演进史

技术路线对比

主要巨灾风险评估方法论对比

上下游

上游供给

下游需求

关键指标

供需与市场数据

全球自然灾害经济损失与保险损失（定性趋势）

[Swiss Re sigma / Munich Re NatCatSERVICE 长期追踪口径，各年具体数字有差异，此处取行业共识趋势]

• 全球自然灾害年均经济损失：过去十年呈显著上升趋势，高年份可达数千亿美元。
• 全球自然灾害年均保险损失：同样上行，高年份超过千亿美元。
• 长期趋势：损失增长的驱动力是暴露度增长（人口与资产向高风险区域集中、资产价值膨胀）与危险性变化（气候变暖驱动的极端天气增强）的叠加。暴露度增长是当前损失增长的主要驱动力，气候变化的边际贡献正在增大。

保险渗透率的区域差异

代表公司与资本映射

产业逻辑

正向逻辑

1. 保障缺口=市场空间：全球自然灾害保险渗透率偏低，尤其是亚洲和非洲。随着这些区域中产阶级增长和保险意识提升，可投保需求将释放。这是一个结构性增量逻辑。

2. 气候风险货币化：TCFD（气候相关财务信息披露工作组）框架、ISSB准则（IFRS S2）正在全球范围内推动企业将气候风险纳入财务报告。这意味着自然灾害风险评估从”可选的增值服务”变为”合规的刚需”，直接拉动巨灾建模和数据服务需求。

3. ILS市场扩容：巨灾债券和保险连接证券（ILS）为资产管理机构提供了一种与传统股债相关性低的另类资产类别。在”寻求非相关收益”的大配置逻辑下，ILS市场规模有长期增长潜力，Cat Bond利差在高年份具有吸引力。

4. 技术赋能降低摩擦：卫星遥感+AI使得暴露度数据和灾后损失评估的成本大幅下降、速度大幅加快，有望缩小发展中国家的”数据鸿沟”，从而降低保险产品开发和理赔的摩擦成本。

约束与风险因素

1. 模型风险：巨灾模型的输出严重依赖输入假设（脆弱性曲线、危险性频率分布），模型之间结果差异可以很大。一次超出模型预期的巨灾可能导致保险公司和ILS投资者遭受超预期损失。

2. 气候突变的非线性：如果气候系统出现临界点（tipping point），历史外推+物理模型可能低估极端事件的频率跳跃，导致定价长期偏低。

3. 监管与道德风险：政府灾后救助可能扭曲市场信号（“隐性担保”），抑制商业保险渗透率的提升。

4. 资本周期性：再保险是高度周期性的行业。巨灾低损失年份后资本涌入导致定价下降（“soft market”），高损失年份后资本退出推高价格（“hard market”），产业研究需关注跨周期资本配置能力。

常见误读纠偏

误读 1：“自然灾害损失在急剧飙升，保险行业面临系统性危机”

纠偏：名义损失确实在上升，但需要拆解归因。损失增长的主要驱动力是暴露度增长——更多的人和更贵的资产集中在风险区域，加上通胀推高修复成本。在剔除通胀和暴露增长后，单位暴露的损失趋势（“归一化损失”）在部分灾种上没有呈现一致的显著上升（学术研究如Pielke等人的工作，但此议题存在学术争议）。此外，再保险行业的资本充足率总体保持在较高水平，行业并非面临系统性偿付危机，而是定价在逐步重估。关键区分：名义损失 vs 归一化损失 vs 保险损失 vs 再保险损失，不同口径下的结论可以完全不同。

误读 2：“巨灾模型能精确预测下一次大地震/飓风在哪里、什么时候发生”

纠偏：巨灾模型不预测具体事件。它们构建的是一个概率性的”随机事件集”——覆盖数万到数十万年的虚拟灾害序列，用来估计长期统计分布（如”500年一遇的损失是多少”）。模型回答的是”如果这种事件发生，损失会是多少”以及”这种强度的事件长期来看有多大概率发生”，而不是”明天会不会地震”。把巨灾模型等同于天气预报或地震预测，是对巨灾建模最常见的公众误读。

误读 3：“Cat Bond比直接投资再保险股票好，因为相关性低就等于没风险”

纠偏：Cat Bond与传统金融资产的相关性确实低（这是其核心吸引力），但这不意味着其自身的绝对风险低。Cat Bond面临的核心风险是触发风险——约定的巨灾事件发生，部分或全部本金损失。此外还有流动性风险（二级市场深度有限）和基差风险（参数触发型产品的物理参数与实际损失不完全匹配）。低相关性≠低风险，而是风险来源不同。

误读 4：“气候变化会让所有地区的所有灾种都变严重”

纠偏：气候变化对不同灾种的影响方向和幅度差异很大。例如，全球变暖可能增加热带气旋的强度上限和极端降水量，但对于频率的影响目前学术界尚无一致结论（部分研究甚至认为总频率可能下降但强台风比例上升）。地震是构造应力释放，与气候变化无直接因果关系。高纬度地区可能因极端寒冷事件减少而受益。对灾种和区域需要逐一分析，不宜一概而论。

学习路径

入门级（了解概念）

1. Swiss Re sigma报告：每年发布全球自然灾害损失回顾，是行业权威数据源，免费摘要可读。
2. Munich Re NatCatSERVICE：全球自然灾害数据库，提供图表化的损失趋势。
3. Artemis.bm：巨灾债券与ILS市场最全面的免费信息平台。

进阶级（理解方法论）

4. 《Catastrophe Modeling: An Emerging Science》（RMS / AIR的技术白皮书系列）
5. Guy Carpenter的年度巨灾再保险市场报告
6. IPCC AR6 WGI报告中关于极端事件归因的章节（Chapter 11: Weather and Climate Extreme Events in a Changing Climate）

专业级（深入技术）

7. Gutenberg-Richter Law → OpenQuake（全球地震模型GEM的开源地震风险计算引擎，代码开放在GitHub）
8. Holland热带气旋风场模型经典论文
9. 《Natural Catastrophe Risk Management and Modelling》（Kristina Faulkner等著）
10. TCFD / ISSB（IFRS S2）气候风险披露准则的原文与实施指南

一句话总结

自然灾害风险是气候科学、精算学和资本市场交汇的核心概念——它不仅关乎保险定价的精算精度，更关乎全球数十亿人口和万亿级资产的韧性配置，而巨灾模型是将”天灾”翻译为”可交易风险”的关键技术基础设施。

延伸阅读与来源

本页所有涉及具体市场数字的内容，若未标注特定来源，均为基于公开行业报告的定性归纳或数量级估算，不构成精确定量引用。投资决策请以一手数据和专业分析为准。