自然災害風險（Natural Hazard Risk）
3 秒看懂
一句話：自然災害風險是指由地震、颱風、洪水、野火等自然事件造成人員傷亡和財產損失的可能性及其經濟影響，是全球保險/再保險行業定價的核心底層變數，也是氣候投資與ESG決策的關鍵因子。
關鍵詞標籤：巨災模型 再保險 Cat Bond 氣候風險 引數保險
3 分鐘產業解釋
為什麼這個概念值得寫？
自然災害風險看似是”老話題”，但它正在經歷三個結構性變化，使其成為當前資本市場高度關注的領域：
-
頻率-強度雙升：全球氣候變暖背景下，極端天氣事件的發生頻率和損失強度均呈上升趨勢。據瑞士再保險研究院（Swiss Re Institute）長期追蹤，全球因自然災害造成的年度經濟損失在過去三十年間總體呈上行通道（以名義美元計）[Swiss Re sigma報告]。2023年全球自然災害保險損失超過千億美元規模（行業估算口徑，具體數字各機構略有差異）。
-
保險缺口仍然巨大：全球自然災害造成的經濟損失中，投保覆蓋的比例（“保險滲透率”）在全球範圍內仍然偏低，尤其在發展中國家。行業常引用的數字是：全球自然災害損失中僅約30%-40%左右獲得保險賠付（Swiss Re sigma系列報告口徑，各年份有波動），亞洲和非洲地區的保障缺口尤為顯著。
-
技術範式遷移：巨災模型（Catastrophe Model）從傳統的基於歷史統計的方法，向融合物理模擬+機器學習的混合範式演進；衛星遙感、IoT感測器資料的大規模應用正在重塑風險評估的顆粒度。
核心產業鏈
上游：災害科學 & 資料基礎設施
├── 地震監測網路、氣象衛星、水文站網
├── 高精度地形/建築暴露度資料庫
└── 氣候模型（GCM/RCM）輸出
中游：風險量化 & 轉移
├── 巨災建模公司（核心"CPU"）
├── 保險/再保險公司（風險吸收層）
└── 資本市場（巨災債券、ILS）
下游：風險管理 & 適應
├── 政府災害救助與公共保險計劃
├── 企業供應鏈韌性管理
└── 氣候適應性基礎設施投資15 分鐘專家深入
一、風險的三層拆解
自然災害風險在精算與巨災建模領域的標準分解架構為：
風險 = 危險性（Hazard）× 暴露度（Exposure）× 脆弱性（Vulnerability）
- 危險性（Hazard）：特定災種在給定地點、給定時間段內發生的機率與強度分佈。例如：某區域50年一遇的地面峰值加速度（PGA）是多少？百年一遇的風暴潮水位是多少？
- 暴露度（Exposure）：位於風險區域內的承災體（建築、基礎設施、人口、農作物）的數量與價值。
- 脆弱性（Vulnerability）：承災體在給定危險性強度下的受損程度，通常用”脆弱性曲線”（Vulnerability Curve / Fragility Curve）表達——橫軸是災害強度，縱軸是損失比（Loss Ratio）。
這個三層架構是所有商業化巨災模型的底層邏輯。
二、巨災模型：自然災害風險定價的”引擎”
巨災模型（Catastrophe Model / Cat Model）是將上述三層架構工程化的軟體系統，是再保險定價和資本配置的基礎設施。
行業格局（以商業化巨災建模市場為主）：
| 巨災建模公司 | 簡稱 | 歸屬 | 核心平台 | 市場地位 |
|---|---|---|---|---|
| Verisk（原AIR Worldwide） | Verisk / AIR | 美國上市 | Touchstone | 全球三大之一 |
| Moody’s RMS | RMS | Moody’s旗下 | Risk Modeler | 全球三大之一 |
| CoreLogic | — | 私有 | 住宅專項強 | 美國住宅巨災 |
| 穆迪/惠譽旗下模型 | — | — | 各有側重 | 補充角色 |
注：全球商業化巨災模型市場長期由Verisk(AIR)、RMS、CoreLogic三大平台主導。具體市場份額資料各機構估算口徑不一，此處不編造精確數字。
模型內部結構（簡化）：
┌──────────────────────────────────────────────┐
│ 巨災模型 │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 危險性模組 │ │ 暴露度模組 │ │ 脆弱性模組 │ │
│ │(Stochastic│ │(Exposure │ │(Vulnerab- │ │
│ │ Event Set)│ │ Database) │ │ ility Fn) │ │
│ └─────┬────┘ └─────┬────┘ └─────┬────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌─────────────────────────────────────┐ │
│ │ 損失計算引擎 │ │
│ │ (對每條模擬事件 × 每個暴露點位， │ │
│ │ 查脆弱性曲線 → 計算損失) │ │
│ └────────────────┬────────────────────┘ │
│ ▼ │
│ ┌─────────────────────────────────────┐ │
│ │ 損失聚合 & 統計輸出 │ │
│ │ AAL / EP Curve / TVaR / OEP / AEP │ │
│ └─────────────────────────────────────┘ │
└──────────────────────────────────────────────┘關鍵輸出指標：
- AAL（Average Annual Loss）：年度平均期望損失
- EP Curve（Exceedance Probability Curve）：超越機率曲線——損失在某水平以上的年機率
- TVaR / VaR：在險價值 / 尾部條件期望損失
- OEP / AEP：發生超越機率 / 聚合超越機率（區分單次事件與年度累計）
三、主要災種的技術特徵差異
| 災種 | 觸發特徵 | 建模核心難點 | 典型風險區 |
|---|---|---|---|
| 地震 | 突發、無預測 | 地面運動衰減關係、液化風險 | 環太平洋帶、地中海-喜馬拉雅帶 |
| 颱風/颶風 | 可追蹤、路徑不確定 | 風場模型、風暴潮耦合、次生降水洪澇 | 北大西洋、西北太平洋 |
| 洪水 | 漸進或突發 | 水文-水動力模型、排水系統、城市內澇 | 全球河谷平原與沿海低地 |
| 野火 | 受氣象+燃料條件驅動 | 火行為模擬、城市-荒地交介面暴露 | 美國西部、澳大利亞、地中海 |
| 龍捲風/冰雹 | 局地性強、難以預測 | 事件尺度小、暴露資料精度要求高 | 美國中部大平原（Tornado Alley） |
| 海嘯 | 地震觸發、傳播明確 | 近岸放大效應、建築抗沖刷能力 | 日本、東南亞、南美西海岸 |
四、保險連結證券（ILS）與巨災債券
巨災債券（Catastrophe Bond / Cat Bond）是將自然災害風險從保險/再保險資產負債表轉移到資本市場的主要工具。
基本結構：
- 發行人（通常是再保險公司或巨災基金）設立一個SPV（特殊目的載體）
- SPV向投資者發行債券，募集資金存入一個擔保帳戶（通常投資於高信用等級短期工具）
- 如果約定的觸發事件（如”某次大西洋颶風造成行業損失超過X億美元”）在債券存續期內未發生，投資者獲得本金+較高票息
- 如果觸發事件發生，部分或全部本金將被劃轉給發行人用於賠付
觸發機制型別：
| 觸發型別 | 定義 | 優點 | 基差風險 |
|---|---|---|---|
| 賠付觸發（Indemnity） | 以發行人實際損失為依據 | 最直接對沖 | 低（對發行人） |
| 行業損失觸發（Industry Loss） | 以行業整體損失指數為依據 | 透明、可驗證 | 中等 |
| 引數觸發（Parametric） | 以物理引數（如震級、風速）為依據 | 結算快、透明 | 高（物理引數≠實際損失） |
| 模型觸發（Modeled Loss） | 以巨災模型回算損失為依據 | 可定製 | 取決於模型質量 |
市場規模：巨災債券市場存量規模近年來持續增長。據行業追蹤（Artemis.bm等專業平台），全球outstanding Cat Bond規模在數百億美元量級，雖相比全球再保險市場的萬億級承保能力仍屬小眾，但增速顯著，已成為保險風險資本市場化轉移的標誌性工具。
技術原理（最深一層）
巨災模型中”隨機事件集”（Stochastic Event Set）的生成邏輯
巨災模型的科學基礎是：歷史災害記錄不足以直接估計極端事件的機率。一千年一遇的事件，在百年曆史資料中可能僅出現零次或一次，直接用頻率估計其機率不可靠。因此，巨災模型採用”基於物理過程的蒙特卡洛模擬”生成數萬到數十萬年的虛擬災害事件集。
以地震為例的技術路徑：
步驟1: 地震目錄 + 地質調查 → 識別活動斷層、劃定地震構造區
步驟2: 對每個震源區，擬合 震級-頻度關係 (Gutenberg-Richter Law)
log₁₀(N) = a - b × M
N = 震級≥M的年均次數
b ≈ 1.0（全球經驗值，各區域有差異）
步驟3: 設定最大可信地震 (MCE) 上限
步驟4: 蒙特卡洛取樣 → 生成50,000+年虛擬事件序列
每個事件包含: 震級、震源位置、震源深度、斷層走向/傾角/滑動角
步驟5: 對每個事件，用 地震動衰減方程 (GMPE/GMPE)
計算各暴露點位的 PGA/PGV/SA(T)
步驟6: 用脆弱性函式將地面運動引數轉化為損失比
步驟7: 損失聚合 → 統計輸出 (EP Curve, AAL, TVaR 等)以熱帶氣旋為例的核心物理模型：
熱帶氣旋模型的核心是一個引數化的風場模型，將氣旋表示為一組物理引數的函式：
- 最大持續風速（Maximum Sustained Wind Speed）
- 中心最低氣壓（Minimum Central Pressure）
- 最大風速半徑（Radius of Maximum Wind, RMW）
- 移動速度與方向
- 風速-壓力關係（如Holland B引數）
模型在海面上從初始擾動開始，用海表溫度（SST）、垂直風切變等環境場驅動氣旋強度演變，到達陸地後計算衰減，最終輸出每個網格點的近地面風速分佈。
機器學習在巨災建模中的前沿應用
近年來，機器學習在巨災建模領域的應用方向包括（以下為行業趨勢觀察，非特定模型的精確技術規格）：
- 替代模型（Surrogate Model / Emulator）：用深度神經網路替代計算密集的物理模擬（如CFD風場模擬、水動力洪水模擬），在保持合理精度的前提下將計算速度提升數個量級。
- 衛星影像的自動化暴露度提取：用CNN/Transformer對高解析度衛星影像進行建築檢測、建築型別分類、建築年代估算，替代傳統的實地調查或低精度統計資料。
- 即時損失快速評估：颶風/地震發生後，融合衛星SAR影像、社交媒體資料、手機信令資料，用ML模型在24-72小時內給出損失初步估計（傳統理賠需要數週到數月）。
- 氣候變化情景下的頻率-強度調整：將GCM（全球氣候模型）輸出降尺度後，用統計降尺度或ML方法校準巨災模型的危險性模組，生成”未來氣候情景下的隨機事件集”。
技術演進史
| 時期 | 里程碑事件 | 意義 |
|---|---|---|
| 1970s-1980s | 美國Andrew颶風（1992）前，保險定價主要基於歷史賠付資料均攤 | 缺乏”科學定價”意識 |
| 1992 | 颶風Andrew重創佛羅里達，多家保險公司破產 | 巨災建模需求爆發的導火索 |
| 1987-1990s | AIR Worldwide（1987）、RMS（1989）成立，商業化巨災模型誕生 | 從”經驗費率”轉向”模型費率” |
| 1994 | 首隻巨災債券發行 | ILS市場萌芽 |
| 2001 | 9/11後巨災風險認知升級，再保險定價週期性上行 | 非自然災害但推動了巨災資本發展 |
| 2005 | 颶風Katrina，保險損失史上最大之一 | Cat模型精度受質疑，模型迭代加速 |
| 2011 | 日本東北大地震+海嘯、泰國洪水 | 複合災害、供應鏈風險進入視野 |
| 2017 | Harvey/Irma/Maria三大颶風連擊 | 年度保險損失創紀錄（行業口徑） |
| 2020s | 氣候變化納入巨災模型架構；ML/深度學習開始用於暴露提取與替代模型 | 技術範式遷移期 |
技術路線對比
主要巨災風險評估方法論對比
| 維度 | 歷史經驗法 | 傳統巨災模型 | 新一代混合模型（物理+ML） |
|---|---|---|---|
| 核心邏輯 | 用歷史賠付資料直接推算 | 物理過程驅動的蒙特卡洛模擬 | 物理模型 + ML增強 |
| 優勢 | 簡單、直觀 | 機率架構完整，可估算超越歷史的極端事件 | 計算效率高，可融合多源異構資料 |
| 劣勢 | 無法估計未經歷過的極端事件 | 建模假設多、模型風險大 | ML”黑箱”可解釋性不足，監管接受度待提升 |
| 適用場景 | 低價值、高頻率標的（如車險自然災害附加） | 再保險定價、資本充足率計算（標準方法） | 研究前沿、即時快速評估、新興市場資料匱乏區域 |
| 代表方法/機構 | 傳統精算 | Verisk(AIR), RMS, CoreLogic | 學術前沿 + 頭部再保內部研發 |
上下游
上游供給
| 環節 | 關鍵玩家/資源 | 市場特徵 |
|---|---|---|
| 災害資料採集 | 各國氣象局、地震局、NASA、ESA、商業衛星公司（Planet、Maxar等） | 公共資料+商業資料並存 |
| 暴露度資料庫 | CoreLogic、Verisk（建築價值）、OpenStreetMap（建築輪廓） | 美國最成熟，發展中國家資料薄弱 |
| 氣候模型輸出 | CMIP6（IPCC架構下的全球氣候模型比較計劃）、各國區域氣候中心 | 學術公共品為主 |
| 計算基礎設施 | 雲端運算（AWS、Azure、GCP）、HPC | 模擬計算密集型 |
下游需求
| 需求方 | 驅動力 | 規模量級（定性） |
|---|---|---|
| 全球再保險市場 | 合約定價、資本配置 | 萬億級承保保費（全球） |
| 巨災債券/ILS市場 | 投資決策、風險評估 | 數百億美元存量 |
| 主權巨災保險（政府） | 財政韌性、災後融資 | 快速增長中（加勒比CCRIF、非洲ARC等） |
| 企業（ESG/TCFD） | 氣候風險揭露要求、供應鏈韌性 | 需求剛性化中 |
| 銀行/資產管理（氣候壓力測試） | 監管要求（如ECB氣候壓力測試） | 新興需求 |
關鍵指標
| 指標 | 含義 | 為何重要 |
|---|---|---|
| AAL（年度平均損失） | 長期年均期望損失 | 巨災再保險定價的”錨” |
| TVaR（尾部條件期望） | 超過某置信水平的平均損失 | 衡量尾部風險，對應資本要求 |
| EP Curve（超越機率曲線） | 損失超過X的機率為Y | 直觀展示極端事件風險 |
| Insurance Protection Gap | （經濟總損失 − 保險損失）/ 經濟總損失 | 衡量保障缺口=潛在市場空間 |
| Cat Bond Spread | 巨災債券票息與無風險利率的利差 | 反映資本市場的巨災風險定價 |
| Loss Development Factor | 已報損失最終發展到多少的乘數 | 巨災損失評估需要數月甚至數年才能”成熟” |
| Return Period | 某強度事件的重現期（如”百年一遇”） | 對公眾和政策制定者最直觀的風險語言 |
供需與市場資料
全球自然災害經濟損失與保險損失（定性趨勢）
[Swiss Re sigma / Munich Re NatCatSERVICE 長期追蹤口徑，各年具體數字有差異，此處取行業共識趨勢]
- 全球自然災害年均經濟損失：過去十年呈顯著上升趨勢，高年份可達數千億美元。
- 全球自然災害年均保險損失：同樣上行，高年份超過千億美元。
- 長期趨勢：損失增長的驅動力是暴露度增長（人口與資產向高風險區域集中、資產價值膨脹）與危險性變化（氣候變暖驅動的極端天氣增強）的疊加。暴露度增長是當前損失增長的主要驅動力，氣候變化的邊際貢獻正在增大。
保險滲透率的區域差異
| 區域 | 自然災害保險滲透率 | 保障缺口特徵 |
|---|---|---|
| 北美 | 相對最高 | 風災覆蓋較好，洪水保險（NFIP）覆蓋率有限 |
| 歐洲 | 中等 | 地震在南歐投保率低，洪水保險各國差異大 |
| 亞太 | 低-中等 | 日本地震保險較高，東南亞/南亞極低 |
| 非洲 | 極低 | 公共巨災保險機制（如ARC）在探索中 |
| 拉美 | 低 | 加勒比地區通過CCRIF等機制有部分覆蓋 |
代表公司與資本對映
| 公司/實體 | 在自然災害風險產業鏈中的角色 | 資本市場對映 |
|---|---|---|
| Verisk Analytics（VRSK，NASDAQ） | 旗下AIR Worldwide為全球三大巨災建模公司之一 | 美股上市公司 |
| Moody’s（MCO，NYSE） | 旗下RMS為全球三大巨災建模公司之一 | 美股上市公司 |
| CoreLogic | 巨災建模+房產資料 | 私有（曾被STG Partners收購） |
| Munich Re（慕尼黑再保險） | 全球最大再保險公司之一，巨災風險核心承保方，NatCatSERVICE資料庫 | XETRA: MUV2 |
| Swiss Re（瑞士再保險） | 全球再保巨頭，sigma報告為行業權威資料來源 | SIX: SREN |
| RenaissanceRe（RNR） | 專注巨災風險的再保險公司，ILS管理規模領先 | NYSE: RNR |
| Guy Carpenter（Marsh McLennan旗下） | 全球最大再保險經紀之一，推動Cat模型應用 | NYSE: MMC |
| Palantir（PLTR） | 在災害響應、衛星資料分析方面有政府合同 | NYSE: PLTR（間接相關） |
| Planet Labs（PL） | 衛星影像資料供應商，服務於災後快速評估 | NYSE: PL |
產業邏輯
正向邏輯
-
保障缺口=市場空間：全球自然災害保險滲透率偏低，尤其是亞洲和非洲。隨著這些區域中產階級增長和保險意識提升，可投保需求將釋放。這是一個結構性增量邏輯。
-
氣候風險貨幣化：TCFD（氣候相關財務資訊揭露工作組）架構、ISSB準則（IFRS S2）正在全球範圍內推動企業將氣候風險納入財務報告。這意味著自然災害風險評估從”可選的增值服務”變為”合規的剛需”，直接拉動巨災建模和資料服務需求。
-
ILS市場擴容：巨災債券和保險連線證券（ILS）為資產管理機構提供了一種與傳統股債相關性低的另類資產類別。在”尋求非相關收益”的大配置邏輯下，ILS市場規模有長期增長潛力，Cat Bond利差在高年份具有吸引力。
-
技術賦能降低摩擦：衛星遙感+AI使得暴露度資料和災後損失評估的成本大幅下降、速度大幅加快，有望縮小發展中國家的”資料鴻溝”，從而降低保險產品開發和理賠的摩擦成本。
約束與風險因素
-
模型風險：巨災模型的輸出嚴重依賴輸入假設（脆弱性曲線、危險性頻率分佈），模型之間結果差異可以很大。一次超出模型預期的巨災可能導致保險公司和ILS投資者遭受超預期損失。
-
氣候突變的非線性：如果氣候系統出現臨界點（tipping point），歷史外推+物理模型可能低估極端事件的頻率跳躍，導致定價長期偏低。
-
監管與道德風險：政府災後救助可能扭曲市場訊號（“隱性擔保”），抑制商業保險滲透率的提升。
-
資本週期性：再保險是高度週期性的行業。巨災低損失年份後資本湧入導致定價下降（“soft market”），高損失年份後資本退出推高價格（“hard market”），產業研究需關注跨週期資本配置能力。
常見誤讀糾偏
誤讀 1：“自然災害損失在急劇飆升，保險行業面臨系統性危機”
糾偏：名義損失確實在上升，但需要拆解歸因。損失增長的主要驅動力是暴露度增長——更多的人和更貴的資產集中在風險區域，加上通脹推高修復成本。在剔除通脹和暴露增長後，單位暴露的損失趨勢（“歸一化損失”）在部分災種上沒有呈現一致的顯著上升（學術研究如Pielke等人的工作，但此議題存在學術爭議）。此外，再保險行業的資本充足率總體保持在較高水平，行業並非面臨系統性償付危機，而是定價在逐步重估。關鍵區分：名義損失 vs 歸一化損失 vs 保險損失 vs 再保險損失，不同口徑下的結論可以完全不同。
誤讀 2：“巨災模型能精確預測下一次大地震/颶風在哪裡、什麼時候發生”
糾偏：巨災模型不預測具體事件。它們建置的是一個機率性的”隨機事件集”——覆蓋數萬到數十萬年的虛擬災害序列，用來估計長期統計分佈（如”500年一遇的損失是多少”）。模型回答的是”如果這種事件發生，損失會是多少”以及”這種強度的事件長期來看有多大機率發生”，而不是”明天會不會地震”。把巨災模型等同於天氣預報或地震預測，是對巨災建模最常見的公眾誤讀。
誤讀 3：“Cat Bond比直接投資再保險股票好，因為相關性低就等於沒風險”
糾偏：Cat Bond與傳統金融資產的相關性確實低（這是其核心吸引力），但這不意味著其自身的絕對風險低。Cat Bond面臨的核心風險是觸發風險——約定的巨災事件發生，部分或全部本金損失。此外還有流動性風險（二級市場深度有限）和基差風險（引數觸發型產品的物理引數與實際損失不完全匹配）。低相關性≠低風險，而是風險來源不同。
誤讀 4：“氣候變化會讓所有地區的所有災種都變嚴重”
糾偏：氣候變化對不同災種的影響方向和幅度差異很大。例如，全球變暖可能增加熱帶氣旋的強度上限和極端降水量，但對於頻率的影響目前學術界尚無一致結論（部分研究甚至認為總頻率可能下降但強颱風比例上升）。地震是構造應力釋放，與氣候變化無直接因果關係。高緯度地區可能因極端寒冷事件減少而受益。對災種和區域需要逐一分析，不宜一概而論。
學習路徑
入門級（瞭解概念）
- Swiss Re sigma報告：每年釋出全球自然災害損失回顧，是行業權威資料來源，免費摘要可讀。
- Munich Re NatCatSERVICE：全球自然災害資料庫，提供圖表化的損失趨勢。
- Artemis.bm：巨災債券與ILS市場最全面的免費資訊平台。
進階級（理解方法論）
- 《Catastrophe Modeling: An Emerging Science》（RMS / AIR的技術白皮書系列）
- Guy Carpenter的年度巨災再保險市場報告
- IPCC AR6 WGI報告中關於極端事件歸因的章節（Chapter 11: Weather and Climate Extreme Events in a Changing Climate）
專業級（深入技術）
- Gutenberg-Richter Law → OpenQuake（全球地震模型GEM的開源地震風險計算引擎，程式碼開放在GitHub）
- Holland熱帶氣旋風場模型經典論文
- 《Natural Catastrophe Risk Management and Modelling》（Kristina Faulkner等著）
- TCFD / ISSB（IFRS S2）氣候風險揭露準則的原文與實施指南
一句話總結
自然災害風險是氣候科學、精算學和資本市場交匯的核心概念——它不僅關乎保險定價的精算精度，更關乎全球數十億人口和萬億級資產的韌性配置，而巨災模型是將”天災”翻譯為”可交易風險”的關鍵技術基礎設施。
延伸閱讀與來源
| 來源 | 型別 | 說明 |
|---|---|---|
| Swiss Re sigma系列報告 | 行業報告 | 全球自然災害與人為災害損失年度回顧，最權威資料來源之一 |
| Munich Re NatCatSERVICE | 資料庫 | 全球自然災害事件與損失資料庫 |
| Artemis.bm | 專業網站 | Cat Bond/ILS市場資料、交易追蹤、分析文章 |
| IPCC AR6（尤其是WG I Ch.11 & WG II） | 學術權威 | 氣候變化與極端事件的科學基礎 |
| OpenQuake（GEM Foundation） | 開源工具 | 全球地震風險計算引擎 |
| Guy Carpenter Annual Review | 行業報告 | 全球再保險市場年度回顧 |
| 美國NFIP（國家洪水保險計劃） | 公共政策 | 全球最大公共巨災保險計劃之一 |
| CCRIF SPC / African Risk Capacity（ARC） | 政策實踐 | 新興市場主權巨災保險的代表案例 |
本頁所有涉及具體市場數字的內容，若未標註特定來源，均為基於公開行業報告的定性歸納或數量級估算，不構成精確定量引用。投資決策請以一手資料和專業分析為準。