一种巨灾保险作为一种金融工具，尽管人们对巨灾发生的时间、地点和程度没有把握，但巨灾保险作为一种金融工具，可以相对有效地把巨灾造成的经济损失在时空上进行转移和分摊。

　　巨灾风险和常规风险非常不同。首先，巨灾一旦发生，就可能对生命财产造成特别巨大的破坏。一次正常的登陆台风就有可能在几小时之内造成上百亿元的经济损失。其次，巨灾发生的频率相当低。比如超级强台风或者8级以上地震发生的次数很少。巨灾的高损特性是刺激研究巨灾风险定价的动力，低频特性则是这类研究所面临的挑战。能否科学准确地对巨灾风险定价，是保险商能否立足于市场的关键之一。定价太低，承保人就会吃亏，太高则丧失了市场竞争力。对巨灾风险进行科学定价的需求催生了巨灾风险模型市场，并逐渐形成了今天全球价值几亿美元，拥有上千从业者的巨灾风险模型产业。

　　巨灾风险模型的核心理念是通过生成大量的随机虚拟灾害事件来满足“大数定律”的使用条件，从而突破巨灾历史记录数量有限所带来的困难，为定价提供依据。这些虚拟灾害事件的生成不是杂乱无章的，需要符合灾害的物理特点和统计特性，这样既在数量上充分体现“大数定律”，同时也具备真正的使用价值。

　　比如阿姆斯公司近期发布的中国台风风险模型包含了将近2.5万个随机台风事件：这些虚拟事件既不能都在广东登陆也不能都在上海登陆，而是分布在沿着北方的朝鲜半岛一直到南方中越边境几千公里的海岸线上，有的地方密一些(比如广东)，有的地方稀一些(比如山东)。此外这些虚拟事件既不能都是破坏力最大的超强台风，也不能都是破坏力最小的热带低气压。总之，这些随机事件的地理分布和形态分布要和过去历史上观测的统计结果大致吻合才行。

　　巨灾的种类有异，有台风有地震，发生的地点也不同。于是，巨灾模型的命名也就体现了这两方面的信息，比如欧洲冬季风暴模型、中国台风模型、美国飓风模型等等。尽管看上去千差万别，但这些模型都无外乎由三个主要的模块组成，即灾害模块、工程模块(也叫易损性模块)和金融模块。

　　灾害模块模拟的是灾害的各种物理量，比如台风的风速、洪水的水深、地震的地面震动速度等等。工程模块主要是通过易损性曲线(也叫易损性方程)把巨灾的物理量和巨灾的破坏性联系起来。比如2米的洪水可能造成建筑物30%的破坏，3米的洪水就可能造成50%的破坏。易损性曲线的开发来自专家的经验公式、实验室的破坏试验以及客户的实际理赔数据。值得注意的是，同样的物理量未必一定会造成同样的破坏程度，破坏程度的大小不仅和建筑物的结构性质有关，而且本身就是一个随机过程。金融模块计算各种保险再保险结构，并输出相应的净保费和超溢曲线等最终结果。

　　巨灾的发生是一个受概率支配的随机过程，就好像人们尽管知道抛100次硬币大概50次会正面朝上，然而并不能因此就预测下一次抛硬币一定是正面向上还是正面向下。这种巨灾事件是否会发生带来的不确定性，就是巨灾模型的第一类不确定性。

　　一旦巨灾发生，造成破坏的大小也是一个由概率支配的随机过程。这就是第二类不确定性。假设针对同样的一栋建筑物，同样规模的地震发生了无限多次，可能有10次建筑物发生了倒塌(建筑物发生100%破坏)，有50次建筑没有倒而只发生了破损(40%的建筑物破坏)，甚至有一次特别幸运建筑物完全没有受到破坏(0%的破坏)，具体哪次会发生多大的破坏我们并不清楚，但可以算出平均值和方差。

　　第一类和第二类不确定性是巨灾的固有属性，是一种客观存在，不能避免，但可以尽量采用科学方法进行描述。

　　还有一种不确定性，却是由于人为操作失误所导致，就是输入数据里包含大量错误数据——这是能够而且必须避免的。输入数量和输出质量之间关系主要体现在两方面。首先是输入数据的地址质量，同一种灾害在不同地方发生的几率差别非常大。其次是输入数据中对于标的工程性质描述的准确性和完备性。

　　巨灾模型需要处理成千上万的地址，进行几百万次易损性的匹配，又要考虑第一类和第二类不确定性，计算保险结构，因此对于计算机的性能有很高要求。事实上尽管巨灾风险模型的原型上世纪80年代末就诞生了，但它在日常业务中的广泛应用却是在90年代中期以后，随着计算机技术的显著提高才得以实现的。时至今天，模型用户需要花费一定时间进行彻底计算的情况仍不少见。巨灾模型软件公司也在积极考虑解决方案，比如采用方兴未艾的云计算技术(用户的大规模计算都在云端计算机网络完成)，或者在开发过程中采用GPU技术等等。

　　巨灾模型的开发是跨学科的复杂工程，需要自然科学、工程学、金融学和计算机等多个领域的人才合作。我国的巨灾保险研究其实在改革开放后不久的1986年就开始了，但由于种种原因，巨灾保险在我国没有得到充分发展。如今，我国生产力水平提高到一个前所未有的新高度，采用巨灾保险，有助于释放未来生产力的潜力，同时对于改善民生和维护社会稳定也有着重要意义。

　　(作者系牛津大学气候学博士)