热带气旋参数保险的Cat-in-a-Grid方法双参数扩展

《Risks》：Dual-Parameter Extensions of the Cat-in-a-Grid Approach for Tropical Cyclone Parametric Insurance

　　

针对热带气旋风险转移的参数保险产品通常仅依赖最大风速（MWS）作为唯一触发参数。尽管该参数具有可解释性且被广泛使用，但仍无法解释相当一部分损失方差。本文提出并评估了cat-in-a-grid参数框架的两种双参数扩展，将MWS分别与最大风速半径（RMW）或最低中心气压（MCP）相结合。研究考察了两种集成策略：分层方法，即根据次要参数对事件进行划分，并在每个层内拟合基于MWS的独立损失函数；以及多变量方法，即两个参数直接进入双变量多项式损失函数，无需事件划分。利用牙买加的大型随机目录，研究人员在四种训练数据策略下，通过5折交叉验证（CV）将四种双参数配置与单一指标MWS基线进行了评估。结果表明，在大多数训练策略下，RMW较MWS基线提高了预测精度，尽管多变量扩展在分箱训练下表现不如基线。相比之下，MCP仅带来边际效益，且该效益在分箱训练下消失，这与其与MWS的强相关性一致。此外，结果还表明，多变量模型需要经过IQR过滤的原始训练数据才能发挥其潜力，而分层模型在分箱训练下表现最佳。

本文围绕热带气旋参数保险中的Cat-in-a-Grid框架展开，针对传统仅以最大风速（MWS）作为单一触发参数所导致的基差风险问题，提出了双参数扩展方案。参数保险因理赔快速和透明度高而成为巨灾风险转移的重要工具，但其赔付与真实损失之间的不匹配——即基差风险——仍是核心挑战。先前研究指出，MWS无法完全解释飓风损失，风暴尺寸（如最大风速半径RMW）和最低中心气压（MCP）可能提供额外预测信息。然而，既有Cat-in-a-Grid研究局限于单参数触发设计，尚不清楚结合第二气象变量能否在保持框架透明性的同时进一步降低基差风险。为此，本文系统评估了两种双参数扩展策略：多变量方法与分层方法，并分析训练数据表征与模型结构的交互影响。

研究人员基于Risk Engineering + Development（RED）生成的北大西洋10,000年随机目录，该目录包含1931年至2019年历史事件校准的合成热带气旋活动。损失计算针对牙买加暴露数据库，该数据库由全国建筑调查、土地利用图和人口数据开发，涵盖多种居住类型的风和风暴潮脆弱性函数。模型在网格单元层面计算气象变量，并将事件总损失作为建模目标。实验设计了四种模型结构：MWS+RMW分层、MWS+RMW多变量、MWS+MCP分层、MWS+MCP多变量，并与MWS单指标基线对比。训练数据策略包括原始（Raw）、原始清洗（Raw-Clean）、原始IQR（Raw-IQR）和分箱（Binned）四种模式。评估采用分层五折交叉验证（CV），指标包括决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE），并通过超越概率（EP）曲线及历史事件验证进行风险层面分析。

在结果部分，研究首先分析了参数的联合分布。4.1节参数联合分布显示，MWS与MCP呈紧密对角分布，二者强负相关，损失主要沿该联合轴分布，表明MCP在MWS已知后仅提供有限的独立信息。MWS与RMW则呈扇形分布，高风速与极大半径组合罕见，且高损失事件出现在“强而紧凑”和“较宽且中高风速”两个不同区域，说明RMW含有MWS无法捕捉的结构性信息。4.2节模型比较基于分箱训练模式，发现MWS+RMW分层取得最高测试R²和最低RMSE，较MWS基线提升明显；而两种MCP模型均不如基线，与联合分布分析一致。4.3节模型×模式交互揭示了关键反转：对于单指标和分层模型，分箱训练始终最优，R²、RMSE和MAE均单调改善；但对于多变量模型，原始清洗和原始IQR训练优于分箱，因为分箱聚合消除了次要参数的组内变异，导致双变量多项式系数估计病态。多变量模型在原始IQR下达到最佳性能，而分层模型在分箱下最佳。4.4节运营性能采用全目录训练并绘制EP曲线，结果显示在50年以下重现期所有参数模型高估损失，50—150年区间所有模型均无法重现参考曲线的凸加速特征，150年以上各模型系统低估损失，其中MWS+RMW分层在100—250年重现期最接近参考曲线，该区间恰与再保险起赔点和限额校准相关。4.5节历史事件验证将模型应用于六场影响牙买加的历史热带气旋（包括Gilbert、Ivan、Allen、Dennis等），所有模型对最严重事件均系统性高估损失，这归因于模型校准至随机目录损失而非历史损失估计。在有RMW观测的近期事件中，RMW模型对Beryl（2024）的估计比MWS基线更接近报告损失，MCP模型则无系统改善。

讨论部分指出，MCP与MWS通过风压关系机械耦合，接近完全负相关，因此MCP无法提供独立信息；而RMW描述风场的空间范围而非峰值强度，与MWS弱相关，故能带来增益。模型与训练模式的交互具有直接实践意义：单变量模型适合分箱训练以平滑噪声，多变量模型则需要IQR过滤的原始数据保留组内变异。分层方法保留了行业标准的可解释单变量多项式结构，避免了双变量拟合问题，因此是部署推荐方案。研究结论部分翻译如下：本文提出并评估了Cat-in-a-Grid参数保险框架的两种双参数扩展，将MWS与RMW或MCP结合，通过牙买加10,000年随机目录上的五折交叉验证和四种训练策略对四种配置进行了评估。主要发现为：在大多数训练策略下，加入RMW可提高预测精度，而MCP仅带来边际效益且分箱训练下消失；MWS+RMW分层模型取得最佳整体性能，较MWS基线R²提高5.2%，RMSE降低3.5%。实际部署推荐采用分箱训练下的MWS+RMW分层配置，它在预测精度与可解释性之间达到最佳平衡。该框架具有通用性，可应用于其他热带气旋易发区域，未来工作可探索更多参数组合并集成机器学习参数选择方案。分析依赖于单一牙买加随机目录，结果可能对其分布假设敏感，且参数排序不应假定对其他区域普遍适用。