公共巨灾保险费率厘定中的新变化
正确厘定巨灾保险费率水平是推广公共巨灾保险制度一个重要前提。巨灾保险定价是保险学术界公认的难题，影响保费厘定合理性的因素有很多，技术因素是保证保险费率科学合理的重要方面。在极端气候频繁发生、定价技术飞速发展的今天，及时引进小样本机器学习方法以及在预测极端天气发生概率时应用的人工智能和大数据新技术，在完善巨灾保险定价技术上有广阔前景，值得引起我们高度关注。
1.极端气候事件
宁波的极端气候事件包括台风、强对流天气、高温、连续降雨、厄尔尼诺现象、拉尼娜现象等。全球变暖对台风最直接的影响是产生利于台风形成的热力学条件。全球变暖的过程中，表层海水温度随之增高，1971—2010年，平均温度的增速为0.11℃/10年，这使得台风一旦形成，强度必然加剧。过去40年在东亚和东南亚登陆的台风，强度随着海水升温而提高，其中强台风和超强台风占比增加了1倍以上。然而，仅考虑台风形成的热力学条件并不意味着台风生成数量会变多。1950年以来，影响宁波的台风数量相对较少，但强度有所提高。整个中国沿海和西太平洋区域的实测与模型研究也表明，全球变暖致使赤道伸展而副热带高压减弱，台风登陆位置倾向于向北迁移，包括宁波在内的华东地区受台风影响将更频繁。此外，这些台风的强度将随着热带—亚热带海水温度的增高而继续增大。也就是说，全球变暖将使得影响宁波的台风既增多又增强。
“拉尼娜”事件是指赤道中、东太平洋海表温度出现大范围异常偏冷，且强度和持续时间达到一定条件的冷水现象。这将使得北半球极端冷事件发生频率增加。“拉尼娜”对宁波气候的影响可以从气温和降水两个方面来看：在多数“拉尼娜”事件达到盛期的冬季，冷空气活动比常年更加频繁，且强度偏强，水汽条件较常年同期明显会有偏差，不利于形成降水。在全球变暖的背景下，影响我国冬季气候的因素更加复杂，除了“拉尼娜”事件，还有北极海冰融化、欧亚积雪变化以及其他海域的海温异常等因素影响。
“拉尼娜”事件活跃的年份在我国容易出现冷冬热夏。这是因为夏季在低纬地区太平洋高压相应得到加强，且位置偏北，紧靠副高南侧的热带辐合带也偏北。而台风多是在辐合带的低压或云团发展起来的。再者，西太平洋表层海水温度偏高，热带风暴能源充足，上空对流旺盛，在夏季风的作用下，西太平洋、南海地区生成及登陆我国的热带气旋就比正常年份多。“拉尼娜”发生时，中国冬季频繁的冷气团南下和夏季太平洋副高的强劲使夏季风加强，北上加快，从而形成中国降水分布的北多、南少型，气温分布则为冷冬、热夏型。“拉尼娜”还将使太平洋台风、大西洋飓风的活动明显增加。可以看出，在热带地区，尤其是热带太平洋地区“拉尼娜”对气候的影响最为强烈。
同时，中国雨线北移使得北方降水量激增，台风形成后，北上由于受到北方云层挤压，使得形成数量更多，影响范围更大，持续时间更久，带来的降雨量更多。大尺度的气旋涡流被副热带高压拦截，太平洋上的水汽逐渐被输送到华北，雨线北移，形成强降雨。这使得台风在宁波滞留时间更长，带来的大风和雨水更多。这些气候的异常变化，都将对宁波台风的灾害程度造成影响，给极端天气灾害发生概率的预测带来新的不确定性。
2.小样本机器学习
目前，学术界就巨灾保险定价问题围绕巨灾风险的概率分布、保费定价、破产概率估算等关键技术问题进行了大量的研究。然而，鉴于巨灾风险的地域差异和小概率特征，目前区域巨灾事件及其损失数据库的建设相对滞后，难以获得准确的巨灾风险概率分布函数，样本量不足成了巨灾保险定价的主要难题之一。
21世纪以来，人工智能和机器学习等技术飞速发展，深度学习是机器学习发展中一个非常重要的里程碑。深度学习模型由于模型中包含的参数很多，所以要求的数据量大。在很多场景下，收集大量有标签的数据是非常昂贵、困难，甚至不可能的，如自然灾害数据、医疗病例数据和洗钱数据。这种需要大量有标签的数据才能进行模型训练的要求，严重限制了该模型的应用，因此将深度学习应用于巨灾保险定价存在一定难度。不过，面对样本过小问题，有一个专门的机器学习分支——Few shot Learning（小样本学习），可以对此类问题进行研究和解决。
Few shot Learning是Meta Learning（元学习）在监督学习领域的应用。Meta Learning，又称 Learning to Learn，在 Meta Training 阶段将数据集分解为不同的 meta task，去学习类别变化的情况下模型的泛化能力，在 Meta Testing 阶段，面对全新的类别不需要变动已有的模型就可以完成分类。
具体而言，Few shot的训练集中包含了很多的类别，每个类别中有多个样本。在训练阶段，会在训练集中随机抽取C个类别，每个类别K个样本（总共C*K个数据），构建一个Meta task，作为模型的支撑集（support set）输入；再从这C个类中剩余的数据中抽取一批样本（batch）作为模型的预测对象（batch set）。即要求模型从C*K个数据中学会如何区分这C个类别，这样的任务被称为C way K shot问题。训练过程中，每次训练（episode）都会采样得到不同Meta task，所以总体来看，训练包含了不同的类别组合，这种机制使得模型学会不同Meta task中的共性部分，比如如何提取重要特征及比较样本相似等，忘掉Meta task中task相关部分。通过这种学习机制学到的模型，在面对新的未见过的Meta task时，也能较好地进行预测。有一类小样本学习的思路是元学习（Meta learning）方法。元学习的大致想法是利用大量跟目标任务相似的任务（或者历史任务）来学习一个元学习器（Meta learner），然后作用到目标任务上，获得一个不错的模型初值，从而能够仅利用少量目标任务的数据对模型进行快速适配。因此，将小样本机器学习应用于巨灾保险测算中，可以克服巨灾样本量过小的问题，对未来巨灾损失的概率分布进行精准预测。
Meta Learner的目标是在各种不同的学习任务上学出一个模型，使得仅用少量的样本就能解决一些新的学习任务。小样本学习通过对现有巨灾数据的反复学习，能够得出更为精确的巨灾损失分布概率函数。根据概率函数，我们可以得出相应的巨灾赔付额度，然后根据概率进行巨灾赔付的预期估算，最后根据赔付的预期估算来制定巨灾保险的保费。
【注释】
[1]《宁波气象灾害造成损失超过GDP的3%——写在〈宁波市气象灾害防御条例〉即将实施之际》，《宁波日报》2010年2月21日，第A2版。
[2]瑞典再保险研究院：《2020年度自然灾害：聚焦次生灾害，但也要切记原生灾害风险》，sigma，2021年第1期。