CN102609881A - 用于预报与未来损失相关联的频率的系统和方法 - Google Patents
用于预报与未来损失相关联的频率的系统和方法 Download PDFInfo
- Publication number
- CN102609881A CN102609881A CN2011103997719A CN201110399771A CN102609881A CN 102609881 A CN102609881 A CN 102609881A CN 2011103997719 A CN2011103997719 A CN 2011103997719A CN 201110399771 A CN201110399771 A CN 201110399771A CN 102609881 A CN102609881 A CN 102609881A
- Authority
- CN
- China
- Prior art keywords
- loss
- exposure
- control module
- unit
- sight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用于预报与未来损失相关联的频率以及用于损失解决单元的相关自动化操作的系统和方法,该系统和方法用于借助于独立操作的责任风险驱动器(311-313)预报与具有至少一个可测量责任暴露风险(31)的多个操作单元(30)的各个风险的未来损失和损失分布相关联的频率,以及用于借助于控制单元控制器(10)对损失解决单元(40)的相关自动化操作。在损失单元(20、...、26)处发生损失的情况下,测量参数被测量并被传送到控制单元控制器(10)。控制单元控制器(10)动态地将测量参数分配给责任风险驱动器(311-313),并且通过借助于损失解决单元(40)解决所发生的损失来调节损失解决单元(40)的操作。
Description
技术领域
本发明涉及用于预报与具有至少一个可测量责任暴露风险(exposure)的多个操作单元的各个风险的未来损失和损失分布相关联的频率、以及用于借助于适当的控制单元控制器对损失解决单元的相关自动化操作的系统。一般地,本发明涉及风险管理,并且更具体地,还涉及被保对象的责任风险驱动暴露风险的领域。另外,本发明涉及用于开发和估定在对金融产品(包括保险产品)进行设计和定价时所使用的假设的系统和方法。
背景技术
对于所有种类的行业的风险暴露风险发生于多种方面,每个方面均具有其自己特定的特性和复杂的行为。风险暴露风险驱动的技术过程的行为的复杂性通常在与自然或其它人工环境中发生的混乱过程交互时具有其自己的背景。良好的示例可以在天气预报、地震和飓风预报或生物过程(诸如,例如,与心脏病等相关)的控制中找到。对与这样的风险暴露风险交互的技术设备或过程的监视、控制和操纵是对21世纪的行业中的工程学的主要挑战之一。依赖于或从暴露于风险的产品得到的系统或过程(诸如,例如,用于自然危险或股票市场的保险技术或预报系统中的自动定价工具等)自然地关联于相同的技术问题。对保险产品定价又是困难的,这是因为定价必须在产品销售之前进行,但是必须反映在产品被购买并付费之后的一段时间才得知的结果。对于有形产品,“售出商品的成本”在产品售出之前是已知的,这是因为产品是从在开发产品之前获取的原材料开发的。对于保险产品,不是这样的情况。保额(coverage)的价格是设定的,并且购买保额的所有人支付保险金(premium)美元。随后,索赔(claim)被支付给经历了损失的不幸少数人。如果支付的索赔的量大于所收取的保险金美元的量,则保险系统将使其预期的收入较少并且可能损失钱。如果保险系统已经能够预测要支付的索赔的量,并且已收取了正确量的保险金,则系统将有利可图。
保险产品的价格是由被保对象暴露于特定风险或危险而触发的并且通常由与所预期的损失、花费、投资等相关的假设集合来触发。一般地,保险系统所支付的最大量的金钱在对损失的索赔支付中。由于实际的量在未来才将知道,因此保险系统必须依赖于关于哪种暴露风险的损失是什么的假设。如果实际的索赔支付小于或等于所预测的索赔支付,则产品将是有利可图的。如果实际索赔大于在定价时设定的假设中的预测索赔,则产品将无利可图并且保险系统将损失金钱。因而,设置对于预期损失的假设的能力对产品的成功是关键的。开发本发明以优化保险系统技术中的责任风险驱动的暴露风险的触发,以及给出技术基础以提供对于责任暴露风险的完全自动化定价设备,该设备包括基于改变责任风险驱动器的自适应和自优化装置。
保险系统必须包括反映被保的损失的发生概率、将终止保额(即,停止支付他们的保险金)的人数的概率、以及其它金融元素(诸如花费、利率和税收的未来发展)的假设的集合。保险系统可以使用关于损失的历史数据以帮助他们预测未来的损失将是什么。在数学和统计方面具有经验的称为精算师(actuary)的专业人员开发了损失表,其将随时间的组损失率包括在累积损失率中。累积损失率的这些表可以用作用于对保险产品定价的基础之一。
在对特定产品定价时,系统可以以基本损失表示开始。然后,基于关于表的特定性质的判断、要施加的风险、产品的设计、在发布政策时应用的风险选择技术以及其它因素,保险系统可以包括对于累积损失率的假设的集合,以分别用作对产品的预期未来索赔及其风险暴露风险的基础。取决于正开发的特定保险产品,历史数据和损失表并不总是良好地与政策需要覆盖的特定风险相关。例如,大部分历史数据和/或保险表处理被保对象的被保集合中的平均损失概率。然而,一些保险产品针对集合中的子组。例如,暴露可在这些子组中激烈地变化。例如,城市环境中的被保对象不会显示出与乡村环境中的这种对象相同的责任暴露风险,即,其可以是取决于区域的。为了对针对这种被保对象的产品进行定价,保险系统必须能够将来自标准损失表的累积损失率划分成分组(cohort),以在标准组内挑出客观上较小风险暴露风险的人的损失,以及能够对关于人口的这些更多特定子集的假设进行调节。划分这些累积损失率要求保险系统需要能够以某种方式触发相对于用信号通知具有优选损失的子集的风险因素而表征被保对象的一般被保集合的损失风险因素。然而,大部分历史数据和/或标准损失表没有考虑这种分开的风险因素。保险系统必须触发其它数据 源以确定保险对象的特定子集的损失率和/或与其关联的条件和风险因素。然后,在基于风险因素区分价格的对产品定价的处理中,保险系统必须设置关于这些风险因素如何与损失表中的累积损失率关联的假设。因此,对保险产品进行设计和定价通常是难以通过技术手段实现的自适应过程。为了到达总体暴露风险,保险系统必须能够触发损失的适当假设,其中可以有多个风险因素,每一个风险因素单独地或与其它因素相结合地从不同的仿真、历史数据和损失表推出。
发明内容
本发明的目的是提供一种责任风险驱动系统,其用于通过触发保险对象的风险暴露风险而实现信令生成的自动优化和自适应。特别地,本发明的目的是提供一种能够更好地捕获影响意外事故暴露风险的外部和/或内部因素的系统,同时保持所使用的触发技术为透明的。另外,该系统应该能够更好地捕获如何以及在何处转移风险,这将产生对责任保险技术系统中的风险和损失驱动器的更高效且正确的使用。此外,本发明的目的是提供基于责任暴露风险(尤其是对于中型风险)的保险产品的自适应定价工具。然而,系统不限于中型风险,而是也可以容易地应用于小型或大型风险。本发明的目的是开发对小型到中型偶发风险以及还扩展到大型风险的责任暴露风险的识别和评估的可自动化的替选途径。这些途径不同于传统的途径,在于它们依赖于根据操作环境而假定影响责任暴露风险的最重要的特性和关键因素的保险业专家。系统应该通过利用作为在特定市场可用的或来自参保者的数据库的粒度统计数据的数据而随时间自适应和改善。
根据本发明,这些目的具体地通过独立权利要求的特征来实现。另外,另外的有利实施例根据从属权利要求和描述得出。
根据本发明,上述目的具体地通过如下方式来实现:借助于独立操作的责任风险驱动器预报与具有至少一个可测量责任暴露风险的多个操作单元的各个风险的未来损失和损失分布相关联的频率,以及借助于控制单元控制器对损失解决单元的相关自动化操作,其中在损失单元处发生损失的情况下,测量参数被测量并被传送到控制单元控制器且被动态地分配给责任风险驱动器,并且其中借助于利用损失解决单元解决损失的控制单元控制器而自动调节对损失解决单元的操作;其中,分配给损失单元的测量设备动态地扫描测量参数,并且借助于控制单元控制器选择捕获至少一个责任风险驱动器的过程动态和/或静态特性的可测量的测量参数,其中借 助于参数化操作单元的责任暴露风险的控制单元控制器的驱动器选择器来选择责任风险驱动器的集合,其中基于借助于测量设备测量所选择的测量参数,借助于控制单元控制器生成操作单元的责任暴露风险信号;并且其中,驱动器选择器动态地适配责任风险驱动器的集合,根据周期时间响应关于所测量的责任暴露风险信号改变责任风险驱动器,并且基于所适配的责任暴露风险信号而调整损失解决单元与操作单元之间的责任风险驱动交互。作为变型,在由操作单元在损失单元处引起的发生损失激励损失解决单元并且借助于损失解决单元自动地解决损失的情况下,控制单元控制器操纵自动化损失解决单元与具有至少一个可测量责任暴露风险的多个操作单元之间的责任风险驱动交互,其中与责任风险驱动器相关联的测量参数被测量并被传送到控制单元控制器的中央处理设备,并且其中借助于中央处理设备来适配操作交互,在于扫描分配给损失单元的测量设备以得到测量参数,并且借助于控制单元控制器选择捕获至少一个责任风险驱动器的过程动态和/或静态特性的可测量的测量参数,在于借助于参数化操作单元的责任暴露风险的控制单元控制器的驱动器选择器而选择责任风险驱动器的集合,其中基于借助于测量设备测量所选择的测量参数,借助于控制单元控制器生成操作单元的责任暴露风险信号,并且在于驱动器选择器动态地适配责任风险驱动器的集合,根据周期时间响应关于所测量的责任暴露风险信号而改变责任风险驱动器,并且基于所适配的责任暴露风险信号而调整损失解决单元与操作单元之间的责任风险驱动交互。损失单元可以是任何种类的设备、系统或者甚至是暴露于操作单元的动作或交互(即,暴露于由操作单元的责任事情造成的风险)的人类。其中,本发明具有如下优点:可以完全自动化地优化被实现为动态可适应保险系统的控制系统,而不需要任何其它技术或人为干预。这样,责任风险驱动系统通过触发保险对象的风险暴露风险而自动地优化和适配信令生成。特别地,本发明具有如下优点:能够以更好的方式捕获影响意外事故暴露风险的外部和/或内部因素,同时保持所使用的触发技术为透明的。另外,该系统能够动态地捕获并适配如何以及在何处转移风险,这将使得在责任保险技术系统中更高效且正确地使用风险和损失驱动器。此外,本发明能够尤其针对中型风险,基于责任暴露风险而提供用于保险产品的电子自动化、自适应定价工具。
在一个实施例变型中,如果不能借助于控制单元控制器扫描操作单元以得到测量参数,则基于数据存储的所保存的历史数据而生成集合的责任风险驱动器的至少一个的测量参数。其中该实施例变型具有如下优点:不 可扫描或不可测量的测量参数可以考虑用于自动化优化。作为另一实施例变型,系统可以包括切换模块,该切换模块通过基于所保存的历史数据自动切换到责任风险驱动器而将基于责任风险驱动器的暴露风险与有效发生的或所测量的暴露风险进行比较,以通过基于所保存的历史数据动态地适配责任风险驱动器而最小化可能测量到的暴露风险的偏差。
在另一实施例变型中,从包括区域特定数据的专用数据存储中选择分配给地理区域的历史暴露风险和损失数据,并且生成与所选择的测量参数对应的历史测量参数,并且其中,借助于历史测量参数对所生成的责任暴露风险信号进行加权。其中该实施例变型具有如下优点:可以关于所理解的测量数据的样本而自动对测量参数和/或责任风险驱动器进行加权。该实施例变型允许系统的进一步自适应。
在另一实施例变型中,测量设备包括触发器模块,该触发器模块触发测量参数的变化并且将所检测的一个或多个测量参数的变化传送到控制单元控制器。其中该实施例变型具有如下优点:系统由于发生的测量参数改变而自动适配其操作。
作为另一实施例变型,控制单元控制器周期性地将对测量参数更新的请求传送到测量设备,以动态地检测测量参数的变化。其中该实施例变型具有与前述实施例相同的优点。
在另一实施例变型中,如果控制单元控制器激励损失解决单元,则损失解决单元借助于适当的信号生成和传输而解锁分配给损失解决单元的自动修复节点,以解决损失单元的损失。其中该实施例变型具有如下优点:可以完全自动地处理操作单元的任何责任暴露风险,而无需操作者等的任何交互。此外,实施例变型具有如下优点:系统可以完全自动地操作具有对于专用操作单元的多种修复流程的分散设置的紧急修复节点。
除了如上所述的系统以及相应方法之外,本发明还涉及包括计算机程序代码装置的计算机程序产品,该计算机程序代码装置用于控制计算机系统的一个或多个处理器,以使得计算机系统执行所提出的方法,特别地,该计算机程序产品包括在其中包含计算机程序代码装置的计算机可读介质。
附图说明
将参照附图作为示例更详细地说明本发明,其中:
图1示出了示意性地示出示例性系统的框图,该示例性系统用于借助于独立操作的责任风险驱动器311-313而预报与具有至少一个可测量责任暴露风险31的多个操作单元30的各个风险的未来损失和损失分布相关联的频率,以及用于借助于控制单元控制器10对损失解决单元40的相关自动化操作,其中在损失单元20、...、26处发生损失的情况下,测量参数被测量并被传送到控制单元控制器10且动态地分配给责任风险驱动器311-313,并且其中,借助于控制单元控制器10自动调节损失解决单元40的操作,该控制单元控制器10借助于损失解决单元40解决所发生的损失。
图2示出了示意性地示出风险驱动器和风险驱动器的聚类(clustering)的示例性识别的框图。系统可以区分聚类的优先次序,并且基于所检测到的损失频率和严重性而执行风险驱动器的影响的第一量化。
图3示出了示意性地示出暴露风险与损失之间的关系的框图。在系统对风险驱动器的示例性分配中,所选择的风险驱动器被分配给功能模块。通过跟踪表示风险驱动器的可测量的量以及检测如果测量或估计该量,实现对所选择的风险驱动器的指示量化。另外,可以通过例如根据市场值确定模型参数以及使剩余参数(没有表示风险驱动器的可测量的量)与历史暴露风险和损失数据拟合,实现所选择的风险驱动器的影响量化。
图4示出了示意性地示出借助于系统对所使用的风险驱动器的示例性动态扩展和进一步校准的框图,其中所使用的风险驱动器的集合反映了外面世界的结构。损失历史用于进一步借助于系统校准模型参数。从简单集合开始,该系统逐渐对其进行扩展。
图5示出了示意性地示出借助于系统的模块执行的示例性操作的框图。每个损失模型基于情景并且具有一个频率和多个严重性分量。通过识别和触发危险(潜在损失的原因)、风险对象或活动(潜在损失的原因)和/或情景类别(潜在损失的影响),借助于系统来执行原因与影响之间的链接以及将风险分解成分量。可以基于受影响方(行业)和/或位置(国家)实现另外的识别。在识别和分解之后,借助于系统表征频率分布(平均值)、多个严重性分量(平均值、标准偏差)和所分配的量(volume)。最终,借助于系统在原因、影响以及潜在损失的成本之间以及在风险驱动器之间建立链接。
图6示出了示意性地示出情景生成器131的示例性结构的框图。该图示出了包含适当的功能部件的模块,其中模块反映了模型化的操作实现。
图7示出了示意性地示出价格标签引擎132的示例性结构的框图。该图示出了包含适当的功能部件的模块,其中模块反映了模型化的操作实现。
图8示出了示意性地示出调制引擎133的示例性结构的框图。该图示出了包含适当的功能部件的模块,其中模块反映了模型化的操作实现。
图9示出了示意性地示出措词滤波器(wording filter)134的示例性结构的框图。该图示出了包含适当的功能部件的模块,其中模块反映了模型化的操作实现。措词滤波器134可以分解成作为严重性确定器、严重性限制器以及时间线处理器的三个部件。严重性确定器将情景损失模型的严重性分量组合成每个情景一个总体严重性分布。严重性限制器对情景损失模型的总体严重性分布应用措词限制和可扣除项(deductible),并且相应地修改严重性分量。时间线处理器根据索赔触发条件而调整情景损失模型频率。
图10示出了示意性地示出聚集器135的示例性结构的框图。聚集器135包括如下部件:频率确定器、严重性确定器、频率/严重性(Freq/Sev)蒙特卡罗仿真器以及自动化损失解决单元或自动化损失解决单元分别保险/再保险单元40的结构模块。频率确定器负责确定每个情景的泊松参数。严重性确定器负责组合情景的损失严重性分量,以产生对于该情景的一个总体损失严重性分布。蒙特卡罗仿真器部件组合泊松分布(λi)和佩瑞多分布 以形成对于每个情景的复合分布。在另一实施例变型中,如图23所示,聚集器135通过如下方式生成预期损失:(1)使用每个情景的所分配的量来确定对于该情景的泊松频率分布的第一时刻;(2)根据每个情景(离散或拟合的)严重性分量的前两个时刻生成对数-正态分布并且应用一些限制和可扣除项;(3)组合每个情景的各个损失严重性分量分布,以产生对于该情景的总体损失严重性分布;(4)聚集频率和严重性分布以计算每个情景的损失;(5)组合每个情景的聚集损失分布,以计算一个损失分布;以及(6)对总的聚集损失分布应用再保险结构,以产生预期的损失成本。(再)保险结构部件是最后的部件。其包含根据损失解决单元40的(再)保险结构(限制、可扣除项等),其应用在情景级和/ 或聚集(将所有情景加在一起)级。在数据选择和数据生成/公式框架的技术结构中,该部件包括两个阶段,即阶段1和阶段2。阶段1包括:(i)每个情景具有多个情景损失严重性分量。(ii)来自措词滤波器134的每个损失严重性分量由其自己按照货币量单位的严重性分布来表征。该货币量是严重性分布的“平均值”。(iii)对于每个情景的每个分量,在损失严重性分量分布的标准偏差与平均值之间存在比率。(iv)假设每个损失严重性分量具有完全由平均值和标准偏差确定的对数-正态分布。在该阶段采用对数-正态分布是由于其数学易处理性。另外,对数-正态不是被采用作为单个分量严重性分布的合理分布。在稍后的修正中将回到该话题。阶段2包括:(i)将每个情景的严重性分量分布组合成该情景的一个总体分布的目标。(ii)在一个实施例变型中,这可以根据蒙特卡罗仿真(如下所示)推测地实现。在另一实施例变型中,使用卷积来组合分量,这意味着分量是彼此独立的。
图11示出了示意性地示出所发明的系统的实现如何反映外部世界的结构的框图。因此,系统反映了外部世界的标准化图片。
图12示出了示意性地示出与图2类似的风险驱动器和风险驱动器的聚类的另一示例性识别的框图。系统区分聚类的优先次序,并且基于所检测的损失频率和严重性执行风险驱动器的影响的第一量化。生成第一初步识别以影响给定损失类型集合的最重要可追踪风险驱动器的损失频率和严重性。在该示例中系统将主要风险驱动器的数量设置为11。该风险驱动器集合用在该情况下,以开始动态自适应和/或优化。
图13示出了示意性地示出损失严重性分布的图,其中相对于沿y轴的1个损失概率沿x轴示出了损失量。对于严重性分布尾部,佩瑞多分布示出了线性行为。系统可以使用损失严重性分布来消除损失历史和/或损失数据内的系统性。
图14示出了示意性地示出系统的短期扩展模块的实现的图,其允许生成再保险风险转移之后的预期损失。对于较长期,例如,可以使用基于事件集合的仿真而生成风险资本要求,而不需要另外的参数或模块重设计。
图15-18示出了根据实施例变型的示例,其中可以由四个时间元素表 示任何触发:原因(所做的动作)、损失事件(发生)、知识(表明(manifestation))、提交的索赔(进行的索赔)。
图19示出了示出旧年的合计的图,其中损失负担是如下的结果:(i)过去原因和损失事件年的发展;以及(ii)按照由知识和提交的索赔的制表(tab)设置的时间窗的生效(in-force)损失事件年的衰减。
图20示出了示出作为生效年和过去年的尾部的发展的结果的未来年的图,其中再次损失负担是如下的结果:(i)过去原因和损失事件年的发展;以及(ii)按照由知识和提交的索赔的制表设置的时间窗的生效损失事件年的衰减。
图21示出了根据图21和22的概况曲线。损失负担是生效年的发展的结果。远在前面的年将带来比较近的年少的索赔,其中生效年尚未开发期全部潜力。不存在年的累积。曲线具有与所进行的索赔相同的形状,但是具有其它参数。
图22示出了以下被称为“索赔/损失触发器”的责任风险驱动器311-313的参数值,其是借助于控制单元控制器10而选择的作为一半寿命时间TH和发展时间TD,其中发展时间TD是对于使其成为索赔的时间元素的时间(几何上为钟形的起始与峰值之间的距离)。
图23示出了实施例变型,其中,聚集器135通过如下方式生成预期的损失:(1)使用所分配的每个情景的量来确定对于该情景的泊松频率分布的第一时刻;(2)根据每个情景(离散或拟合的)严重性分量的前两个时刻生成对数-正态分布并且应用一些限制和可扣除项;(3)组合每个情景的各个损失严重性分量分布,以产生对于该情景的总体损失严重性分布;(4)聚集频率和严重性分布以计算每个情景的损失;(5)组合每个情景的聚集损失分布,以计算一个损失分布;以及(6)对总的聚集损失分布应用再保险结构,以产生预期的损失成本。(再)保险结构部件是最后的部件。其包含根据损失解决单元40的(再)保险结构(限制、可扣除项等),其应用在情景级和/或聚集(将所有情景加在一起)级。
图24和25通过路径图示出了群众诉讼的有效和无效风险驱动器可能性的优选实施例变型。
图26和27通过路径图示出了有效和无效风险驱动器责任类型的优选实施例变型。
图28和29通过路径图示出了有效和无效风险驱动器责任法律的第一 优选实施例变型。
图30和31通过路径图示出了有效和无效风险驱动器责任法律的第二优选实施例变型。
图32示出了示出损失防止得分对频率和严重性(假设rl=0.7,ru=1.6)的影响的图。红色、黄色和绿色曲线表示强、中等以及弱影响的情况。
具体实施方式
图1示意性地示出了如下系统和方法的实施例的可能实现的架构:其用于借助于独立操作的责任风险驱动器311-313而预报具有至少一个可测量责任暴露风险31的多个操作单元30的各个风险的未来损失和损失分布相关联的频率,以及用于借助于控制单元控制器10对损失解决单元或自动化保险单元40的相关自动化操作。在损失单元20、...、26处发生损失的情况下,测量参数被测量并被传送到控制单元控制器10且被动态地分配给责任风险驱动器311-313。借助于控制单元控制器10自动调节损失解决单元40的操作,控制单元控制器10借助于损失解决单元40(分别是自动化保险单元40)解决所发生的损失。系统可以被实现为责任风险驱动的保险系统,其包括控制单元控制器10,该控制单元控制器10用于操纵损失解决单元40与具有至少一个可测量责任暴露风险31的操作单元30(即,操作单元30暴露于通过物理参数或基于适当的物理参数可测量的风险)之间的责任风险驱动交互控制系统。在图1中,附图标记10指的是控制单元控制器。控制单元控制器10基于下属电子部件、操纵代码和交互接口设备而被实现为例如信号发生模块或借助于损失解决单元40与多个操作单元30之间的适当信号生成而电交互的其它模块。所发明的系统(特别是关于控制单元控制器10)可以通过将测量设备201、...、261、损失单元20-26、操作单元30以及损失解决单元40组合为一个功能、互连且部件交互的系统而被实现为至少在上述单元之间交互的独立操作专家系统。特别地,专家系统功能通过控制单元控制器10借助于测量设备201、...、261动态地扫描测量参数而变得明显。控制单元控制器10动态地捕获测量设备201、...、261或损失单元20-26处的新测量可能,并且通过系统生成适当的责任风险驱动器311-313并将其分配给当前测量的参数。测量设备201、...、261可以包括所有种类的物理或分析测量设备,特别地,所有种类的传感器和数据捕获或数据过滤设备。损失单元20-26处的测量设备201、...、261的技术设置不需要预先已知或者静态地被保 持为控制单元控制器10的某一配置,而是实际上测量设备201、...、261被控制单元控制器10动态地扫描和监视,其中控制单元控制器自适应其当前分配的责任风险驱动器311-313的操作配置。以同样方式,通过控制单元控制器10基于当前所扫描的测量参数生成和分配适当的责任风险驱动器311-313,适配当前所使用的责任风险驱动器311-313的结构。损失解决单元40可以包括任何种类的损害恢复模块和/或自动修复节点,特别地,其可以被实现为自动化保险单元,该自动化保险单元包括用于对损失补偿进行电子核算、记账和其它交易的适当装置。损害恢复模块还可以包括基于货币的损害补偿,该基于货币的损害补偿被电子地分配给具有由操作单元30引起的损失的损失单元20-26。损失解决单元40还可以包括专用修复节点,该专用修复节点包括自动或半自动的系统,以在损失的情况下维持损失单元20、...、26的操作或者恢复其损失。要指出,对于保险业的许多技术应用,维护程序或责任系统通常由于安全原因或对消费者的保护等而是法定的。操作单元30可以包括所有种类的操作或现场设备,诸如例如,设备控制器、阀、定位器、开关、发射器(例如,温度、压力和流速传感器)或者任何其它技术设备。自动修复节点可以包括定义的修复流程。修复流程包括如上所述由操作单元30引起的损失单元20-26的责任损失而触发或启动的处理流程,以修复或替代损失、技术缺陷或故障。修复流程可以包括专用自动修复设备的使用,该专用自动修复设备由损失解决单元40或操作单元30或控制单元控制器10来控制。修复流程还可以包括金融补偿,诸如例如,对损失的直接技术修复或替代变得不可能或者专用修复设备由于其它原因而不可以使用。为了覆盖这样的责任的情况,修复节点还可以包括用于启动用于金融补偿的数据传输的装置。修复节点包括对损失单元20、...、26的损失的追踪系统或能访问该追踪系统可以是有用的。通常,操作单元30被分配给用户或公司,或者至少表示用户或公司。然而,每个操作单元30具有至少一个用于引起对损失单元20-26的责任的可测量的风险或暴露风险。
控制单元控制器10可以包括一个或多个数据处理单元、显示器和其它操作元件(诸如键盘和/或计算机鼠标或其它指向设备)。如图1示意性地示出的,控制单元控制器10以及操作单元30和损失解决单元40包括功能模块,诸如例如,用于信号生成和传输111的信令模块11、中央处理设备13、信号传输接口14/32/41、驱动器选择器15、数据存储17/18和/或责任风险驱动器311-313。本领域技术人员通过查阅说明书将理解,这些功能模块至少部分被实现为硬件部件。然而,本领域技术人员还将理解, 功能模块可以至少部分借助于专用软件模块来实现。
进一步参照图1,附图标记14/32/41指的是可以直接连接的或通过数据传输网络连接的信号传输接口。因此,控制单元控制器10和/或操作单元30和/或损失解决单元40和/或损失单元20-26和/或测量设备201、...、261可以经由网络连接以进行信号传输。网络可以包括例如如有线或无线网络的电信网络,例如,因特网、GSM网络(全球移动通信系统)、UMTS网络(通用移动电信系统)和/或WLAN(无线局域网)、公用电话交换网(PSTN)和/或专用点对点通信线路。控制单元控制器10和/或操作单元30和/或损失解决单元40和/或损失单元20-26和/或测量设备201、...、261还可以包括多个用以根据传输标准或协议而连接到通信网络的接口。
至少一个可测量责任暴露风险31被分配给多个操作单元30中的每个。每个责任暴露风险31可以借助于责任风险驱动器311-313来表示。在图1中,附图标记31描绘了“真实世界”的责任暴露风险,而附图标记31’代表基于控制单元控制器10生成的风险驱动器311-313的责任暴露风险。责任风险驱动器311-313是基于硬件和/或软件的功能模块,其与控制器单元控制器10的信号生成电接口。控制单元控制器10包括用于在损失单元20、...、26处发生由操作单元30引起的损失的情况下激励损失解决单元40的装置,并且损失解决单元40包括用于解决损失的自动损害恢复装置。与责任风险驱动器311-313相关联的测量参数被测量并被传送到控制单元控制器10的中央处理设备13,并且借助于中央处理设备13适配操作交互。控制单元控制器10包括触发模块,该触发模块用以扫描分配给损失单元20、...、26的测量设备201、...、261以得到测量参数,并且用以借助于控制单元控制器10选择可测量的测量参数,该可测量的测量参数捕获或部分捕获至少一个责任风险驱动器311-313的过程动态和/或静态特性。
图3示意性地示出了暴露风险与预期损失之间的关系。图4还示出了示出由系统和驱动器选择器15对风险驱动器的示例性分配的图。所选择的风险驱动器被分配给功能模块。所选择的风险驱动器的指示量化通过跟踪表示风险驱动器的可测量的量以及检测如何测量或估计该量来实现。另外,可以通过例如根据市场值确定模型参数以及使其余参数(没有表示风险驱动器的可测量的量)与历史暴露风险和损失数据拟合来实现所选择的风险驱动器的影响量化。因此,对于操作,系统需要多个参数。可以从其它源获得无法直接测量的一些测量参数,诸如各个国家的生活成本。诸如 情景类别的基础严重性的其它参数仅可以通过比较模型预测与过去的损失经历来获得。如图4所示,至少一个损失经历需要与对于不是从其它源(真实世界的风险驱动属性)获得的每个参数的系统预测进行比较。为了实现上述,可以例如根据位置(国家)和/或潜在风险(风险对象/活动和危险)和/或损失分量来分割损失经历。对系统的基于模块的扩展可以例如允许生成保险风险转移之后的预期损失。从简单系统结构开始,这样的模块化扩展是容易实现的。可以使用基于事件集合的仿真来确定风险资本要求,而不需要另外的参数。
对于系统的技术实现,如图5所示,控制单元控制器10的功能单元可以分解成可管理模块。在该实施例变型中,系统包括情景生成器131、价格标签引擎132、调制引擎133、多个损失情景(损失模型)、措词滤波器134以及聚集器(参见图5)。模块的操作可以例如被关联以反映如下序列:(1)潜在损失的原因、潜在损失的影响(情景生成器131),(2)潜在损失的影响的成本(价格标签引擎132),(3)各种因素对损失成本的影响(调制引擎133),(4)潜在损失的保险保额(措词滤波器134),(5)总的预期损失(聚集器135)。因此,该子结构将包含五个模块,它们借助于控制单元控制器10根据损失情景表示而分配给彼此。5个部件中的每个包括多个风险驱动器311-313,并且从损失情景和暴露风险取得输入信息。损失情景被修改并被传递到接下来的模块。通过该结构,每个模块被分配给特定的问题集合。根据图5,情景生成器131可以分配给如下概念对象:(i)潜在损失的原因是什么?,(ii)潜在损失的影响是什么?,以及(iii)谁受影响?;价格标签引擎132被分配给:(i)潜在损失的结果值多少钱?(ii)潜在损失的结果的暴露风险是什么?;调制引擎133被分配给:(i)与被保对象有关的哪些因素影响损失频率或严重性?(ii)与经济、法律或社会、环境有关的哪些因素影响损失频率或严重性?;措词滤波器134被分配给:(i)损失的哪个部分被保险覆盖?;以及聚集器135被分配给:(ii)与暴露风险对应的总预期损失是什么?图6示意性地更详细地示出了情景生成器131的可能结构。
在所发明的系统中,责任风险驱动器结构基于情景。损失情景是控制单元控制器10的系统变量,该系统变量连接责任风险驱动器311-313以形成功能结构。在以下,建立以上介绍的实施例变型的控制单元控制器10的部件与损失情景之间的关系。情景是一系列事件或发生内的特定设置和流程。因此,情景或情景的描述数据和功能包括对问题“什么会引起损失”和“潜在损失的影响将是什么”的答案以及对问题“它会在哪里发 生”和“谁会受影响”的答案。时间维度明确地包括在控制单元控制器10中。情景可以被视为由种类(即,危险、风险对象/活动、损失机制、受影响方的类型以及位置)标识的实体。情景是潜在损失的类别,并且各个损失是它们的实例。产生情景的技术目的至少有三重:(1)情景允许风险情形的直观分解;(2)情景使得可以将风险分解成风险驱动器可以独立地作用的分量;以及(3)情景允许基于事件集合对单个损失集合的仿真,这允许估计风险累积。情景可以由以下种类来标识:(i)危险:潜在损失的部分原因。(ii)风险活动或风险对象:潜在损失的部分原因。(iii)情景类别(损失机制):潜在损失的影响。另外,以下种类可以合理地用于将风险分解成风险驱动器311-313独立地作用的控制单元控制器10的系统部件,(iv)第三方责任:由损失解决单元40的行业定义(产品责任或商业一般责任),(v)潜在损失的位置:国家,在产品责任的情况下为产品被销往的市场,在商业一般责任的情况下为生产地。在该实施例变型中,参数值“未知”或“一般”不仅可以由控制单元控制器10的所述部件接受,而且可以是各个种类的重要值。例如,存在负责受影响的损失单元20-26或操作单元30的每种类型的所有无关的高频率/低严重性损失的背景情景。背景情景由未知的危险、未知的风险活动或风险对象、未知的机制但是已知类型的受影响方来标识。在该实施例变型中,损失情景不是标准化的,而是从情景生成器131中的标准化表示产生的。随后的金融损失毫无疑义地是控制单元控制器10的各个部件的一部分,例如,根据身体伤害的金融损失。清楚的是,潜在损失的位置可不同于损失解决单元40、被保对象的位置、以及基于特定实施例变型的第三方的永久位置。作为示例,对于特定实施例变型,对于产品责任的出口市场以及商业一般责任的生产地可以假设不同的位置。另外,可能需要根据事件的频率和每个事件的损失数量的分布生成损失的频率。控制单元控制器10的结构使得可以容易地将这样的假设包括在系统的操作中。
对于每个相关情景,存在一个或多个损失模型。这些损失模型可以被称为损失情景并且对控制单元控制器10的所有部件131-135是共同的。部件131-135可以具有以下操作交互:1.情景生成器131(源):基于模型输入中的暴露风险信息,情景生成器131生成情形。对于每个生成的情形,生成损失模型。2.风险驱动器引擎:风险驱动器引擎改变这些损失模型的表示或它们的一些值。3.聚集器135(目的地):损失模型的目的地是计算预期损失的聚集器135。情景可以明确地包括被引入作为维度的时间,其中损失情景与时间t相关。非常低严重性的损失是频繁的,但是 由于可扣除的或自我保险的意图而与损失解决单元40不相关,也不会报告作为其结果。因此,作为货币量的共同超额点(excess point)是所有损失模型的一部分。在优选实施例变型中,共同超额点是0,然而存在可信性阈值。由于频率分布与暴露风险量的关系是非线性的,并且量需要在不同情景、不同市场等之间被分割,因此频率分布是独立于量的。情景生成器131生成暴露风险值的影响。在一个实施例变型中,聚集器135可以考虑每个情景的实际暴露风险。
此外,每个损失情景以及因此的每个损失模型通常分配有确切的一个频率分布函数。当被情景生成器131考虑在内时,可以由同一事件引起多个损失。事件是独立的(依赖性可以使用风险驱动器引擎之间的反馈环而明确地包括在控制单元控制器10中)。因此,损失情景频率分布是由第一时刻表征的泊松分布。所有外部风险驱动器的指示取决于时间。然而,它们的值都是根据要由系统定级的合同参数的预计生效时期而选择的。这对应于纯粹的基于事故年的趋势。在另一实施例变型中,系统旨在用于长尾行业(long-tail lines of business),可以在记住损失的时间发展的明确处理的情况下来设计风险责任驱动器系统的结构。时间发展被分成三个阶段:取决于潜在损失的特性的情景发展、取决于潜在损失的操作环境的特性的索赔发展以及最终的取决于潜在索赔人及其操作环境的特性的支付处理。然而,作为另一实施例变型,频率分布可以通过本发明的结构与预定义的参考量相关。因为对于整个量范围无法假设量与损失频率之间的关系为线性的,因此真正的量在聚集成一个单一损失模型期间仅被分配给不同的情景。
在系统的频率计算框架中,与情景ikl,λ相关联的潜在损失的频率λikl,λ(i:潜在损失的原因,kl:发生在位置λ的潜在损失的影响)是:
其中,Riλ,l=Rpipiλ;l是所挣得的(在l等于产品的情况下)或产生的(在l等于前提的情况下)产品l的活动i的收入,并且fikl=Fiai,kl是工业部门i中每单位参考量的情景ikl的频率。在该实施例变型中,所使用的 参数是总收入R,按照工业部门i分割的暴露风险(量)pi、在工业部门i中按照受影响方l(产品或前提)的位置(国家)λ分割的暴露风险(量)piλ;l。此外,所使用的参数是基本频率Fi,即,工业部门i中每年和每单位参考量的潜在事件数量,影响kl对原因i的分配百分比ai,kl,即,在具有原因i的所有潜在事件中具有影响kl的潜在事件的分数,以及参考收入R0(例如,1亿欧元/年)。该责任风险驱动器系统中的框架意味着公司营业额(或收入)与损失频率之间的线性相关性。
在系统的另一实施例变型中,频率生成基于如下事实:所观测的产品责任损失和一般责任损失的频率与收入(营业额)成次比例,并且更确切地跟随具有缓慢改变的前因子的平方根:
F∝ln2(R)R0.5,
其中,F是损失频率,并且b和β是对收入有效的经验常数,例如,在一百万欧元到十亿欧元之间。为了满足该实施例变型的这种要求,发生在位置λ中的与情景ilkm相关联的潜在损失的频率λilkm,λ(il:潜在损失的原因,km:潜在损失的影响)是:
其中,filkm=Filail,km是对于LRD量的一个单位的所有情景ilkm的频率, 是与收入分割相关的量因子,Φ=alnβ(Rlogv)vb是总量因子(对于相对量v的尺寸校正),并且 是前因子。实施例变型的所实现的变量是相对量V(在责任风险驱动器单元中测得的责任风险驱动器量V)、按照工业部门i分割的暴露风险(量)pi、在工业部门i中按照受影响方l(产品或前提)的位置(国家)λ分割的暴露风险(量)piλ;l。所使用的以下另外的参数是基本频率Fil,即,对于受影响方l工业部门i中每年和每单位参考量的潜在事件的数量,影响km对原因il的分 配百分比ail,km,即,在具有原因il的所有潜在事件中具有影响km的潜在事件的分数。b是经验收入幂指数,并且可以被设置为例如0.5。β是经验对数幂指数,其可以被设置为例如2,并且作为对数系数的Rlog可以例如被设置为108。
对于相对量V的生成,实现了以下参数:作为收入常数的R0(例如,1亿欧元/年),在时间(年)t处对于位置(国家)λ的相对参考收入rλ(t)。重要的是,注意,尽管两个实施例变型中的生成关系看起来不同,但是如果公司收入参数等于参考收入参数,并且如果基本频率独立于受影响方,则责任风险驱动器系统的第二实施例变型的频率等于使用相应参数利用第一实施例变型生成的频率。
每个情景并且因此每个损失模型可以具有多个损失分量。严重性分布函数表征了每个损失模型的每个损失分量的严重性。将损失负担分割多个分量对如下分离是必要的:(i)不依赖于诸如医疗成本的因素的损失(例如,受伤的人)的结果。损失的结果以自然单位(例如,受伤的人的数量)来表示。(ii)依赖于潜在风险的损失的结果的成本(例如,受伤的人的恢复所花费的金钱)。另外,尤其是在长尾业务中,损失分量具有基本不同的时间发展。借助于控制单元控制器10的另外的模块,对于具体情景的预定义集合,可以将预期的损失负担分配给一些损失分量,该具体情景被选择为对于导致产品责任或商业一般损失索赔的可能情景的代表性集合为示例性的。以上述方式所包含的信息足以生成每个情景的损失分量的参数。下表给出了关于其自然单位和严重性的分量的示例。然而,在优选实施例变型中,可以包括成本参数作为另外的分量。
作为实施例变型,控制单元控制器10可以使用这样的表作为起点。其不是并且不需要针对操作而完成,而是在操作期间由控制单元控制器10自动完成和适配。例如,清楚地,平均建筑不足以为自然单位,这是由于与给定类型的任何其它平均商品一样,平均建筑不是自然给定单位,并且例如建筑、车辆、消费品和农业生产的成本之间的比率不是独立于市场的等。然而,不同的尺度防止控制单元控制器10的部件131-135按照自然单位的计数而将财产损害损失负担分成不同类型的财产(诸如小型消费品和摩天楼)。该调整问题可以例如通过根据其成本定义财产损害单位来解决。系统稍后对财产损害的有效分量进行相加。所出现的任何不一致由控制单元控制器10在优化期间来克服,诸如,例如,身体伤害的每个子分量毫无疑义地包含时间发展不同于直接由身体伤害产生的成本的时间发展的随后金融损失分量,其需要单独地由其它系统解决。
在实施例变型中,损失分量严重性在责任风险驱动器311-313的不同地方以不同的单位来表示:(a)自然单位:在离开情景生成器131之后,给定情景的损失的严重性以自然单位(例如,受伤的人的数量)来表示。为了便于区分,以自然单位表示的损失分量的严重性称为情景损失结果分量。(b)基于货币的单位:在离开价格标签引擎132之后,每个情景的每个损失分量由其自己按照货币量的严重性分布来表征。这样的严重性此处称为情景损失严重性分量。尽管总体严重性通常具有已知的属性(诸如单调减小的概率密度函数(在佩瑞多分布的某个观测点以上)),但是单个情景的单个情景损失严重性分量的分布函数的函数形式一般是未知的。相反,假设为对数-正态分布,借助于控制单元控制器10,情景损失严重性分量借助于其平均值和标准偏差来表征。然而,对于所有实施例变型不需要严格是这样的情况,这是由于也可以通过平均值以及除平均值和标准偏差之外的变化系数来表征。在优选实施例变型中,实现是取决于损失机制的贡献和/或取决于位置的贡献。在实施例变型中,与情景损失结果分量Njα和严重性分量Sjαλ一样,对于借助于责任风险驱动器系统的价格标签引 擎/确定器132生成损失严重性的不确定性,对位置(国家)λ处的类型j的损害(损失分量,例如,不可逆受伤的或死亡的人)的经济补偿Cjλ由其各自表征其大小的平均值 和表征其相对不确定性的变化系数(标准偏差与平均值之间的比率) 来表征。然而,作为另一实施例变型,可以进行以下改变,以改进尤其是对单个工业部门中的预期损失的预测的准确性,其中,仅少量的情景是可用的:(i)损失结果分量的变化系数 不再是系统的常数,而是取决于情景α的损失分量j和损失机制m(α)。(ii)经济补偿的变化系数 不再仅取决于位置(国家)λ,而且还取决于损失分量j。它们优先于模型范围(model-wide)默认值γ(2)。(iii)风险驱动器借助于考虑到判决可预测性的责任法律来实现,并且相应地增加了不确定性。调制器 可以或者可以不取决于损失分量。如上所述,对于变化系数的组合的公式取决于N和C的分布函数。由于它们是未知的,因此变化系数被相加(基于围绕平均值的一系列扩展)。对于位置(国家)λ处的每个情景损失模型α的每个损失分量j,计算不确定性:(i)情景生成器131确定损失结果的不确定性: (ii)价格标签引擎132确定对于一个自然单位的经济补偿的不确定性:
价格标签引擎132组合两个不确定性,以生成对于潜在损失的经济补偿的不确定性: (iii)调制引擎133增加不确定性 以获得潜在损失的严重性的不确定性 在又一实施例变型中,可以将标准偏差与平均值之间的比率设置为固定的模型范围参数。由于自然单位与货币单位之间的转换以分量形式(component-wise)发生,因此对于自然单位和货币单位两者在该实施例变型中可以使用对数-正态分布。另一方面,任何非乘法运算将使得还需要使用其它的分布。下表示出了借助于控制单元控制器10生成的示例性损失情景,其由以下分量来表示:
下表示出了另一实施例变型作为借助于控制单元控制器10生成的示例性损失情景。在该实施例变型中,损失情景由以下分量来表示:
在实施例变型中,损失情景损失不是标准化的,而是从情景生成器131中的标准化表示产生的。随后的金融损失毫无疑义地是身体伤害的各个分量的一部分。潜在损失的位置可不同于损失解决单元40、被保对象的位置以及第三方的永久位置。对于实施例变型,这可以假设为例如针对产品责任的出口市场和/或商业一般责任的生产地。可以合理的是,从事件的频率和每个事件的损失数量的分布而生成损失的频率。
信息数据的暴露风险可以是责任风险驱动器311-313的输入参数之一。关于图5的示例性结构,在控制单元控制器10的以下部件中使用暴露风险信息数据:(i)情景生成器131:仅在情景生成器131中产生具有相应暴露风险的情景。(ii)聚集器135:量分割器可以被实现为例如聚集器135的一部分。暴露风险可以由总量和最后的分解来表示,其包括:(i)时间(年),(ii)总量(可以是货币量数据),(iii)根据潜在风险(风险对象/活动、受影响方、潜在损失的位置)的量分解,以及(iv)风险驱动属性表示被保对象并且最终表示保险措词。在一些实施例变型中,合理的是,借助于系统的给定序列根据潜在风险的多个种类将总暴露风险分解成分量。暴露风险分解数据一般由系统来标准化。损失单元20-26可由多个预定义的风险驱动属性来限定。这些属性对控制单元控制器10的可用性一般导致更小的损失频率和严重性。类似地,保险措词可由多个风险驱动属性来限定。这些属性的可用性一般也导致更小的损失频率和严重性。
根据图5,情景生成器131可以分配给以下概念对象:(i)潜在损失的原因是什么?;(ii)潜在损失的影响是什么?;(iii)谁受影响?图6示意性地更详细地示出了情景生成器131的结构的可能实现。情景生成器131通过选择潜在风险(损失的潜在原因:危险和风险对象/活动的组合)、机制(损失的潜在影响)和行业保额(line of business coverage)(产品或商业一般责任)并将它们组合成具有以自然单位表示的严重性分布的损失情景,生成与输出相关的损失情景。情景生成器131的情景选择标准可以包括风险对象和/或受影响方和行业的类型。损失情景以自然单位来表示。作为一个实施例变型,可以例如在情景生成器131中使用借助于驱动器选 择器15标识和选择的以下责任风险驱动器311-313(LRD)。
在该示例中,被保产品业务量表示被保操作单元30售出的产品固有的风险。产品的类型根据被保对象定义所制造的产品的类型。作为到情景生成器131的输入量源,可以使用对于参考量的情景基本频率、参考量以及情景基本严重性作为输入参数。作为情景生成器131的输出,情景生成器131作用于以下损失模型分量,它们是:1.可逆/轻微伤害,2.残疾/不可逆伤害,3.死亡,4.财产损害,以及5.业务中断。每个潜在风险(仅对于作为工业部门的时间)可触发一个或多个情景类别,每个情景类别具有其自己的基本严重性。情景生成器131还包括处理模块,该处理模块用以以单个损失分量的自然单位生成损失情景的频率和严重性。在优选实施例变型中,测量参数在上述责任风险驱动器311-313中被实现为,所观测的产品责任损失和一般责任损失的频率与收入(营业额)成次比例。因此,在优选实施例变变型中,其跟随具有缓慢改变的前因子的平方根F∝ln2(R)R0.5,其中F是损失频率,并且b和β是对于收入有效的经验常数,例如在一百万欧元到十亿欧元之间。为了满足责任风险系统的该要求,发生在位置λ的与情景ilkm相关联的潜在损失的频率λilkm,λ(il:潜在损失的原因,km:潜在损失的影响)是:
其中,filkm=Filail,km是对于LRD量的一个单位的所有情景ilkm的频率, 是与收入分割相关的量因子,Φ=alnβ(Rlogv)vb是 总量因子(对于相对量V的尺寸校正),并且 是前因子。所使用的变量是相对量V(在责任风险驱动器单元中测得的责任风险驱动器量V)、按照工业部门i分割的暴露风险(量)pi、对于受影响方l(产品或前提)在工业部门i中按照位置(国家)λ分割的暴露风险(量)piλ;l。所使用的参数是基本频率Fil,即,对于受影响方l工业部门i中每年和每单位参考量的潜在事件的数量,影响km对原因il的分配百分比ail,km,即,在具有原因il的所有潜在事件中具有影响km的潜在事件的分数,经验收入幂指数b(例如0.5),经验对数幂指数β(例如2),对数系数Rlog(例如108)。对于相对量V的生成,以下所使用的参数是收入常数R0(例如,1亿欧元/年)和时间(年)t处对于位置(国家)λ的相对参考收入rλ(t)。
在另一实施例变型中,测量参数根据以下而在上述责任风险驱动器311-313中相关:
其中,Fi是损失情景损失ik的工业部门i的基本频率,fik是损失情景ik的频率(输出),Sk是情景类别k的基本严重性,aik是情景类别k对风险对象i的分配百分比,pkj是以情景类别k的自然单位的严重性分量j的百分比,并且sjk是以情景类别k的损失分量j的自然单位的严重性(输出)。图6示出了基于所示出的部件而级联的情景选择和汇集的实施例。在示例中,潜在风险由风险对象(产品的类型)和未知的危险来标识。在损失的原因i(潜在风险)、损失的影响k(情景类别)以及受影响方的类型l(行业)的所有可能组合中,仅选择具有以下的组合:(i)潜在风险i,(ii)与暴露风险信息匹配的行业l,以及(iii)具有非零分配百分比aik的情景类别k。对于情景损失结果分量平均值和情景频率平均值的形成的公式以风险驱动器l给出。
根据图5,价格标签引擎132可以分配给以下概念对象:潜在损失的结果值多少钱?以及潜在损失的结果的暴露风险是什么?其包括转换装置,该转换装置用于通过使用责任风险驱动器将情景损失模型的严重性从 自然单位转换为货币单位。图7示意性地更详细地示出了价格标签引擎132的结构的可能实现。价格标签引擎132借助于使用责任风险驱动器311-313将情景损失模型的严重性从自然单位转换为货币单位。价格标签引擎132根据损失结果生成损失成本,例如,根据受伤的人的数量生成受伤的人的损失成本。可以使用市场值(诸如生活成本、工资等)将以自然严重性单位的损失情景变换为以货币单位的损失情景。价格标签引擎132根据对潜在风险的分割而将暴露风险(量)分配给损失情景。取决于所分割的暴露风险(量)市场,对于一个输入损失情景,价格标签引擎132可生成多于一个损失情景。价格标签引擎132的输入和输出参数是:(a)如上所述具有以自然单位表示的输入参数和以货币单位表示的输出参数的损失情景;(b)包括在该模块中的具有根据国家的暴露风险(量)参数和根据潜在风险的暴露风险(量)的暴露风险驱动器。价格标签引擎132至少包括以下功能步骤:(i)根据按潜在风险分割的暴露风险对不同的到来损失情景分配暴露风险(量)。作为示例实施例,输入参数可以以自然单位来表示,而输出参数可以由价格标签引擎132以货币单位来表示。(ii)如果到来的损失情景在不同的位置(例如,国家)具有暴露风险(量),则价格标签引擎132针对每个位置产生相同的损失情景,并且相应地分配暴露风险(量)。(iii)确定每个损失情景的每个损失分量的预期成本。在示例中,通过要在价格标签引擎132中使用的驱动器选择器15来标识和选择以下责任风险驱动器311-313(LRD)。
LRD聚类 | LRD成员 | LRD量 |
经济环境 | 生活成本 | 来自数据源的值 |
经济环境 | 生活成本 | 医疗成本 |
在示例中,选择以下另外的责任风险驱动器311-313以使得价格标签引擎132工作:
LRD聚类 | LRD成员 | LRD量 |
经济环境 | 中等工资 | |
经济环境 | 疼痛和痛苦 |
另外的风险驱动器311-313与生活成本分量组合为对于以称为“生活成本”的风险驱动器指定的每个损失分量的总预期损失成本。在该情况下,经济环境表示与销售或制造产品的经济环境有关的风险。控制单元控制器10选择作为经济环境的表示的生活成本责任风险驱动器比较不同国家的 一篮非耐久品和一篮耐久品,以允许在支付索赔时作为基准。对于纽约,控制单元控制器10选择的用以测量该风险驱动器的测量参数是例如以100校准的基于城市的指标,其包含与欧洲家庭的平均消费对应的一篮产品。如果无法测量国家,则控制单元控制器10可以例如使用同一地区的国家的平均值。在国家可以由多于一个城市来表示的情况下,将使用最低的城市指标。作为实施例变型,可以假设某一损失分量α的总成本损失量包括测量参数,诸如例如,疼痛和痛苦、健康护理成本、以及收入成本分量加上与生活成本风险驱动器有关的另外成本分量的损失。为了建立由适当的测量参数测量的生活成本和与其有关的有效成本分量之间的关系,我们寻找将生活成本调节为成本分量的因素。由于生活成本是特定于国家的,因此在第一步骤中,例如假设调节因子是独立于国家的可以是合理的。在该示例中,对于每个损失分量α,例如可以借助于控制单元控制器10基于以下关系系统来连接参数:
其中,α=损失分量(可逆/轻微伤害、残疾/不可逆伤害、死亡), 中对于损失分量α的总成本,cl,j=国家l中的商品组 j(j=1、2、...、m)的成本,Pl=国家l中的疼痛和痛苦成本,El=国家l中的收入成本的损失,并且Hl=国家l中的健康护理成本。通过求解关系系统来确定对于每个损失分量α的调节因子Wα的集合。通过索赔部门来提供每个损失分量α和国家l的总成本 可以从适当的数据样本提取对于每组商品j和国家l的、表示生活成本的成本cl,j。可以例如从现有技术中可用的数据推出每个国家l的对于疼痛和痛苦、健康护理以及收入损失的成本。图7示出了价格标签引擎132可以如何分解成例如功能部件“量分配矩阵诱导器(volume allocation matrix inducer)”、“市场分割器”、“风险对象量分配器”以及“价格标签确定器”的示例。部件基于测量参数而交互。清楚的是,为了实现量分配矩阵诱导器,需要根据已知的信息数据分割的暴露风险(量)。功能部件在价格标签引擎132中不是独立的。不可以简单地改变序列。市场分割器需要基于所分割的风险对象/活动而分配给到来的损失情景的暴露风险(量)。价格标签确定器需要位置以确定损失结果的价格。
对于根据图7的风险对象量分配器的实现,根据风险对象/活动分解的量而在损失情景上分布暴露风险(量)。共享风险对象/活动的任何情景被给予分配给风险对象/活动的全部量。分配基于如下关系:
其中,V是总暴露风险(量),Vik是分配给到来的情景ik的量,pj是关于风险对象/活动i的量的百分比,i是风险对象/活动,并且k是受影响方的类型。
对于根据图7的市场分割器的实现,使用所分解的量位置确定每个损失情景的位置。如果损失情景具有在不同位置(国家)中的暴露风险(量),则对于每个位置产生相同损失情景,并且相应地分配暴露风险(量)。借助于市场分割器的确定基于如下关系:
Vikl=Vikpil
其中,Vik是分配给到来的情景ik的量,pj是关于位置l分配给风险对象/活动i的量的百分比,Vikl是分配给离开的情景ikl的量,并l是位置。
在一个实施例变型中,频率生成框架将与情景ikl,λ相关联的潜在损失的频率λikl,λ(i:潜在损失的原因,kl:发生在位置λ的潜在损失的影响)设置为:
其中,Riλ,l=Rpipiλ;l是所挣到的(在l等于产品的情况下)或产生的(在l等于前提的情况下)产品/活动i的收入,fikl=Fiai,kl是工业部门i中每单位参考量的情景ikl的频率。所使用的变量是:总收入R、根据工业部门i分割的暴露风险(量)pi、以及对于受影响方l(产品或前提)在工业部门i中根据位置(国家)λ分割的暴露风险(量)piλ;l。所使用的另外的参数是:基本频率Fi,即,工业部门i中每年和每单位参考量的潜在事件的数量,影响kl对原因i的分配百分比ai,kl,即,在具有原因i的所有潜在事件中具有影响kl的潜在事件的分数,以及参考收入R0(例如,1亿欧元/年)。责任风险驱动器系统中的该生成框架意味着公司营业额(或收入)与损失频率之间的线性相关性。
然而,注意,所测量的和所观测的产品责任损失和一般责任损失的频率与收入(营业额)成次比例。因此,在优选实施例变型中,可以实现为跟随具有缓慢改变的前因子的平方根:
F∝ln2(R)R0.5,
其中,F是损失频率,并且b和β是对于收入有效的经验常数,例如,在一百万欧元到十亿欧元之间。为了借助于责任风险驱动器系统满足该要 求,发生在位置λ的与情景ilkm相关联的潜在损失的频率λilkm,λ(il:潜在损失的原因,km:潜在损失的影响)是:
其中,filkm=Filail,km是对于责任风险驱动器量的一个单位的所有情景ilkm的频率, 是与收入分割相关的量因子,Φ=alnβ(Rlogv)vb是总量因子(对于相对量V的尺寸校正),并且 是前因子。所使用的变量是:相对量V(在责任风险驱动器单元中测得的责任风险驱动器量V)、根据工业部门i分割的暴露风险(量)pi、以及对于受影响方l(产品或前提)在工业部门i中根据位置(国家)λ分割的暴露风险(量)piλ;l。所使用的另外的参数是:基本频率Fil,即,对于受影响方l工业部门i中每年和每单位参考量的潜在事件的数量,影响km对原因il的分配百分比ail,km,即,在具有原因il的所有潜在事件中具有影响km的潜在事件的分数,经验收入幂指数b(例如0.5),经验对数幂指数β(例如2),以及对数系数Rlog(例如108)。对于相对量V的生成,可以使用以下参数:收入常数R0(例如,1亿欧元/年)和时间(年)t处对于位置(国家)λ的相对参考收入rλ(t)。
对于根据图7的价格标签确定器的实现,对于每个离开的损失情景,使用例如被称为生活成本的上述风险驱动器311-313确定每个损失分量的预期成本。因此,使用风险驱动器“生活成本”确定位置l的损失分量α的总预期成本 其用于将平均情景损失结果分量转换为平均情景损失严重性分量。借助于价格标签确定器的确定基于如下关系:
其中, 是在位置l损失分量α的一个自然单位的预期成本, 是离开的情景ikl的平均损失结果分量α(自然单位),并且 是离开的情景ikl的平均损失严重性分量α(货币单位)。注意,以上关系对于任意严重性分布成立,但是意味着预期成本 为确定的(高于平均值的所有时刻为零)。作为实施例变型,财产损害和金融损失分量的自然单位可以例如通过预期损失成本而关联于身体伤害分量的自然单位。因此,对于该示例,所有自然财产损害和金融损失分量α的总预期成本 可以通过给出例如以下关系来定义(权重是关于所有情景的受影响的人的数量的未加权的平均百分比):
然而,由于这被界定为消失,因此在优选实施例变型中关系被设置为:
CPE,λ=0.05CDeath,λ+0.88CInjury,λ+0.07CDisability,λ
所收集的对情景问题单的答案被保持为原样,但是在合并答案之前,将以货币数字给出的所有答案除以与给出答案的市场中的受影响商品的考虑种类的定义量的货币值对应的货币量。
根据图5,调制引擎133可以分配给如下概念对象:(a)与被保对象有关的哪些因素影响损失频率或严重性?,以及(b)与经济、法律或社会环境有关的哪些因素影响损失频率或严重性?图8示意性地示出了具有相应的输入和输出参数的调制引擎133的可能实现。调制引擎133被实现为根据责任风险驱动器311-313的影响而改变(调制)损失情景频率和/或严重性分量。调制引擎133的输入和输出参数是:(a)损失情景。输 入和输出损失情景均可以以货币单位来表示;(b)调制引擎133所包括的暴露风险驱动器是例如被保财产:雇员的营业额以及作为例如纳米科技的被保业务量;以及(c)调制引擎133所包括的其它风险驱动器。如所述,调制引擎133根据责任风险驱动器311-313的影响而改变损失情景频率和/或严重性分量。
风险驱动器311-313影响调制引擎133中的损失频率或严重性的方式要求调制引擎133中的风险驱动器311-313被处理为强度量。在一个实施例变型中,随着关于风险驱动器311-313的影响的知识水平提高,调制引擎133中的风险驱动器311-313中的一些可被移动到情景生成器131。例如,驱动器选择器15可选择以下责任风险驱动器311-313(LRD),以在操作期间用于调制引擎133中。注意,系统跟踪的测量参数应该是可测量的。
驱动器选择器15根据测量参数选择风险驱动器311-313。在以下,讨论驱动器选择器15为调制引擎133选择的上述风险驱动器311-313。被称为“类别动作的频率”风险驱动器的风险驱动器311-313被分配给法律系统是否允许通过类别动作系统进行群众侵权行为诉讼。它反映了与区域/国家有关的风险环境。被跟踪并且被选择为测量该风险驱动器311-313的 量在该实施例示例中为4(四)个子因素的组合,每个子因素表示关于类别动作的法律系统的一个方面。测量参数是特定于区域/国家的,并且是四个子因素的法律分析的结果:(1)原告组资格(表示类别动作在国家是否被允许),(2)最近的法律更新(表示国家的立法/诉讼的趋势),(3)业务资格(表示类别动作诉讼是否可以应用于所有地区或是否限于特定业务),以及(4)成功酬金(表示律师报酬系统对于更多的类别动作是否是鼓励性质的)。取决于对问题的答案,每个子因素可以另外地被适配成考虑另外的需要或属性,例如,被设置为值0.9(有利的,例如,对于10%的风险折扣)、1(中立,没有折扣或加载)、1.11(不利的,11%的风险增加)。这使得可以实现折扣与加载之间的平衡(0.9×1.11=1而0.9×1.1=0.99)。子因素a可以例如被设置为幂指数3,以反映该子因素相比于其它子因素的相对重要性。当子因素a已经是有利的时,子因素b(趋势)例如不可能是有利的。示例的其它子因素独立于a和b,并且可以取三个值。子因素彼此相乘,以获得总体类别动作因子(CAF)。控制单元控制器10总是跟踪测量参数以适配值和子因素,从而使得它们更加客观地可测量并且可比较。这对于现有技术系统是不可能的。下表示出了对于各种损失分量,关于损失频率和严重性的“类别动作的频率”风险驱动器311-313的影响参数的示例(说明:3=强影响;2=中等影响;1=弱影响)。
如图24所给出的,通过有效风险驱动器群众诉讼可能性的路径图示出了上述示例的优选实施例变型。图25示出了示出无效风险驱动器群众诉讼可能性的另一路径图。
对频率和严重性的影响仅是根据以上影响表而放大或减小的类别动作因素。风险驱动器311-313基于以下关系:
其中,CAk是对于所考虑的国家k的类别动作因子,fi是情景损失模型i的频率,si,j是损失分量j的严重性,并且χR,A,G是对各种损失分量的影响指数(强、中等、弱影响)。χR,A,G的值是经验值,以放大或减小对损失分量的影响。作为实施例变型,例如,对于强χR,A,G=2,对于中等χR,A,G=1,并且对于弱χR,A,G=0.5。这些值可以例如用于投票程序。在另一实施例变型中,对于强值可以被设置为χR,A,G=1/3,对于中等χR,A,G=2/3,并且χR,A,G=1。
根据上表,接下来的风险驱动器311-313在此处被称为“责任类型”风险驱动器。该责任风险驱动器311-313的类型可以例如参考原因理论(严格的或过失)中的法律机制。严格的责任表示索赔人仅需要证明损害和原因以建立责任。(她)他不需要证明被告是过失的。被告因而具有有限的履行责任可能性。通常对严格的责任存在上限(cap)(示例:德国的制药、道路事故、宠物拥有者、...)。过失意味着索赔人需要证明损害、原因和原告的过失(或者他的非法性)。被告本身是没有责任的。几乎从不存在对该责任的上限(示例:前提责任...)。在该示例中,被选择为测量“责任类型”风险驱动器311-313的测量参数是在企业对企业(B2B)中实现的营业额的百分比。该量在一些情况下无法精确地表示严格责任/过失方面。所标识的不是这样状况的情况是:(i)零售/批发(在该情况下,销售的产品都是B2C,但是被保对象可以基于他本身没有制造产品来为自己开脱)。(2)以批发销售的最终产品(在该情况下,销售的产品都是B2B,但是被保对象可以直接被提出诉讼)。因此,输入测量参数的量源例如是:(a)在企业对企业(B2B)零售中实现的“营业额的百分比”,或在企业对顾客(B2C)零售中实现的相应相对参数“营业额的百分比”。(b)各个中间人直接追索权(recourse)的百分比。对损失模型分量的动作是该风险驱动器311-313的输出。下表示出了对于各种损失分量,风险驱动器 311-313“责任类型”对损失频率和严重性的影响(说明:3=影响;2=影响;1=影响)。
在一个实施例变型中,“责任类型”风险驱动器311-313基于关系b2b=100%-b2c以及
其中,fi是情景损失模型i的频率,si,j是损失分量j的严重性,db2b是对于业务的b2b部分的折扣,lb2c是对于业务的b2c部分的加载,b2b∈[0;100%]是b2b的营业额百分比,b2c∈[0;100%]是b2c的营业额百分比,dr∈[0;100%]是对于b2b业务的直接追索权的百分比,lnt∈[0;100%]是对于b2c业务的中间人的百分比,并且χR,A,G是对各种损失分量的影响指数(强、中等、弱影响)。然而,通过如图26所示的有效风险驱动器责任类型的路径图示出了对上述实施例变型的优选实施例变型。图27示出了示出无效风险驱动器责任类型的另一路径图。
用于调制引擎133的第三选择的风险驱动器311-313被称为“消费者保护法律”风险驱动器311-313。作为该示例风险驱动器的实施例变型,“法律/规定”是责任出现作为责任风险驱动器311-313(LRD)聚类并且与作为在国家应用法律的方式(即,在解决索赔时应用的形势)的LRD聚类“法律实践”相对的法律基础。责任风险驱动器“消费者保护法律”表示法律系统保护消费者的程度。不认为仅消费者保护法律的数量表示法 律系统,这是因为其没有表达关于法律内容的任何东西,而这是更相关的。被选择为测量该风险驱动器311-313的测量参数是基于指定规则的每个国家的乘法因子。所实现的规则使得可以测量值并且产生一组客观且可测量的标准,这些标准将被组合以产生调整后的量。作为输入量的源,即,所选择的测量参数的源,测量类别动作因素。然而,存在对以上实施例变型的两个优选实施例变型。对上述实施例变型的第一优选实施例变型由如图28给出的有效风险驱动器责任法律的路径图示出。图29示出了关于该实施例变型的无效风险驱动器责任法律的另一路径图。对上述实施例变型的第二优选实施例变型由如图30给出的有效风险驱动器责任法律的路径图示出。图31示出了关于该实施例变型的无效风险驱动器责任法律的另一路径图。
下表示出了对于各种损失分量,风险驱动器“消费者保护法律”311-313对损失频率和严重性的影响(说明:3=强影响;2=中等影响;1=弱影响)。
在示例中,可以假设对频率和严重性的影响仅是根据以上影响表而放大或减小的国家因素。风险驱动器“消费者保护法律”311-313基于测量参数生成相关性,为:
其中,Lk是对于国家k的法律因素,fi是情景损失模型l的频率,sij是损失分量j的严重性,并且χR,A,G是对各种损失分量的影响指数(强、中等、弱影响)。对于测量参数,χR,A,G的值是经验值,以放大或减小对损 失分量的影响。对于强,χR,A,G=2,对于中等,χR,A,G=1,对于弱,χR,A,G=0.5。
以上被称为“损失防止”的风险驱动器311-313定义了被保对象在适当的地方具有哪些措施以减小其第三方责任索赔的频率和严重性。驱动器选择器15所选择的用于测量该风险驱动器311-313的测量参数在该示例中是9(九)个子因子的组合,每个子因子表示被保对象的风险识别和缓解措施的一个方面。例如,取决于保险商的评估,每个子因子可以具有值0.9(10%的风险折扣)、1(中立)、1.11(11%的风险增加)。评估意为就在适当的地方需要的某些控制和/或过程而言是客观的,以有资格得到更有利的得分。子因子彼此相乘,以获得总体损失防止因子。因此,总体损失防止因子可以例如采用(0.9)9=0.39到(1.1)9=2.56范围内的值,即,L∈[0.39,2.56]。在示例中,假设九个子因子中的每个在组内均等地加权。在该情况下,关于以下子因子测量调制引擎133的输入参数:(1)风险管理器,(2)业务连续性管理,(3)召回计划(仅针对产品),(4)认证,(5)合同审核,(6)安全性/安全培训,(7)抱怨管理,(8)意外事件跟进,以及(9)环境控制、审计。
对损失模型分量的动作是风险驱动器311-313的输出。下表示出了对于驱动器选择器15所选择的各种损失分量,风险驱动器“损失防止”311-313对损失频率和严重性的影响(说明:3=强影响;2=中等影响;1=弱影响)。
在所给出的示例中,可以假设对频率和严重性的影响仅是根据以上影响表而放大或减小的防止因素。风险驱动器“损失防止”311-313基于测量参数生成相关性,为:
其中,L是对于所考虑的风险的损失防止因素,fi是损失情景i的频率,si,j是损失分量j的严重性,并且χR,A,G是对各种损失分量的影响指数(强、中等、弱影响)。χR,A,G的测量参数值是经验值以放大或减小对损失分量的影响。作为优选实施例变型,设置假设以使得频率和严重性简单地与根据影响表而放大或减小的防止因素相乘。以下实施例示例中示出了得分的预处理生成:
图32示出了损失防止得分对频率和严重性的影响(假设rl=0.7,ru=1.6)。红色、黄色和绿色曲线表示强、中等和弱影响的情况(参见以上损失防止影响表)。根据对在参数化文档中描述的预期损失的最大折扣和 加载的专家估计确定rl和ru的值。关于量化和生成关系的细节可以给出为:Ls是在标准化之前对所考虑的风险的损失防止得分(即,∈[1;4]),L是对于所考虑的风险的损失防止因子(即,∈[rl;ru]),CPL是产品认证得分,CGL是环境认证得分,Cn是子得分(层2),fi是情景损失模型l的频率,si,j是损失分量j的严重性,l是情景损失模型l的受影响方的类型,rl是对频率和严重性的标准影响范围的下限,ru是对频率和严重性的标准影响范围的上限,并且χR,A,G是对各种损失分量的影响指数(强、中等、弱影响)。在预调节阶段期间,可以根据适当的认正得分生成损失防止得分,
LS=min(C(l),3) 否则
其中,C(l)是适当的主要得分,
C(l)=CPL 如果l=PL
C(l)=CGL 如果l=GL
对于值生成处理,L表示损失防止因子,并且是损失防止得分的函数,LS∈[1;4]。
L:[1;4]→[rl;ru]
其中
函数L被设计为如果损失防止得分等于3则对频率和严重性没有影响,并且满足对在χR,A,G=1的情况下由参数rl和ru给出的关于值范围的限制。对频率和严重性的影响可以由以下生成公式给出。
以上被称为“被保操作/人为因素”的风险驱动器311-313反映了操作受人类(相对于机器)的影响有多大。控制单元控制器10选择的用于测量该风险驱动器311-313的测量参数是可以被测量作为雇员的营业额的自动化因素。该测量参数给出了被保对象的产品开发过程中的自动化水平的指示。在该示例中,假设每个行业的平均自动化因素是可获得的。根据该假设,控制单元控制器10可以取决于所选择的行业以及在何处与其行业基准进行比较来降低风险。作为该风险驱动器的输入量的源,雇员的数量和营业额是被保对象的属性,并且因此由系统来选择。对损失模型分量的动作是风险驱动器311-313的输出。下表示出了对于各种损失分量,风险驱动器“人为因素”311-313对损失频率和严重性的影响(说明:3=强影响;2=中等影响;1=弱影响)。
当自动化因素关于对于特定工业部门的平均值而增加时,假设在该实施例变型中,被保操作单元30的自动化程度相同,并且较少的雇员在做相同量的工作。因此,控制单元控制器10假设由于人为因素的误差增加,并且人为因素>1。自动化因素的进一步增加意味着自动化的提高并且因此由于人为因素的误差减小,并且人为因素<1。以同样方式,当自动化因素关于对于特定工业部门的平均值而减小时,可以假设被保操作单元30的自动化程度相同并且更多雇员在做同样量的工作。因此,假设由于人为因素的误差减小,并且人为因素<1。自动化因素的进一步减小意味着自动化的降低并且因此由于人为因素的误差增加,并且人为因素>1。风险驱动器“被保操作/人为因素”311-313基于测量参数生成相关性,为:
其中,t是自动化因素,tk是工业部门k的行业特定参考自动化因素,fi是情景损失模型i的频率,并且sij是损失分量j的严重性。另外,其中,
β2=hR,A,Gπ 对于t>tk(1+d) (高值)
图12示出了用于量化人为因素Hk的关系。注意,函数利用两个参数d和hR,A,G,其具有以下含义:d=自动化因素的值的间隔,在该间隔内,对于自动化因素的较大和较小值分别给出了折扣>1和<1(即,在间隔[tk(1-d),tk(1+d)]中)。hR,A,G=在间隔[tk(1-d),tk(1+d)]内给出的最高折扣量。我们可以对于红色、琥珀色和绿色初步分配hR,A,G=20%、10%和5%。图12示出了具有tk=1、d=20%、hR,A,G=20%(即,红色)的曲线。三种颜色表示对于范围1)、2)和3)(即,t的低值、中间值和高值)的Dk(t)。
最终,以上称为“新危害/纳米科技”的风险驱动器311-313表示基于新科学发展的产品固有的风险,对于该基于新科学发展的产品,一些风险可能尚未体现。此处选择纳米科技作为新危害以及控制单元控制器10如何借助于测量参数测量该新危害的示例。控制单元控制器10选择用于测量该风险驱动器311-313的测量参数是创新因素。创新因素可以被给出作为除以营业额的投资量。创新因素的测量超出了纳米科技风险驱动器311-313自身的测量,并且其更多的是新危害聚类的测量。此外,在控制 单元控制器10的操作期间,通过触发另外的测量参数来达到对于量化中的特定危害的粒度,并且可用测量参数(诸如,纳米科技的投资量除以营业额)的更确切测量是可获得的。作为输入测量参数的量源,控制单元控制器10在该实施例变型中选择投资量和营业额作为被保操作单元30的属性。在实施例变型中,关于创新因素的所有行业的平均值是例如4%(预期值)。在第一步骤中,控制单元控制器10可以关于该参考点生成对损失频率和严重性的影响。然而,诸如制药、化学和IT的某些行业在创新方面投资更多的钱。这些是具有较高技术风险的行业。因此,在第二步骤中,根据例如校正因子ck,可以对于每个行业部门水平k校正4%的平均值。对损失频率和严重性的影响应该利用较高粒度的增加的信息来重新建模。在该实施例变型中,简单地假设对于所有k所有ck=1。
对损失模型分量的动作是风险驱动器311-313的输出。下表示出了对于各种损失分量,风险驱动器“纳米科技”311-313对损失频率和严重性的影响(说明:3=强影响;2=中等影响;1=弱影响)。
在实施例变型中,假设频率和严重性对创新因素的指数相关性。假设相关性相同。可以例如假设对于创新因素<=4%的值没有影响以及对于创新因素=30%损失频率和严重性有50%的增加来确定指数函数的参数(后一值被视为创新因素的上限,即使对于创新因素可以采用的可能值没有限制)。
风险驱动器“纳米科技”311-313基于测量参数生成相关性,为:
其中,l是创新因素,lA是创新因素的平均值(=0.04),fi是情景损失模型i的频率,并且sij是损失分量j的严重性。已假设对于创新因素≤4%的值没有影响并且对于创新因素=30%损失频率和严重性有50%和25%的增加而确定了参数bA,G的值。对于实施例变型,可以观察到创新因素的值30%被视为是创新因素的上限(即使对创新因素可采用的可能值没有限制)。图14示出了控制单元控制器10生成的创新因素的特性。如图14所示,获得的值是bA,G=1.064(图14中的琥珀色)和bA,G=1.035(图14中的绿色)。在图14中,乘法因子等于
根据图5,措词滤波器134可以分配给概念对象:保险覆盖损失的哪部分?图9示意性地更详细地示出了措词滤波器134的结构的可能实现。措词滤波器134根据措词包括、排除和限制对损失情景的元素进行滤波。输入损失情景反映了它们发生时的损失,输出损失情景反映了它们被覆盖并且可能被索赔的损失。措词滤波器134的输入和输出参数是:(a)如上所述的损失情景。输入和输出损失情景均以货币单位来表示。(b)包括在措词滤波器134中的保险措词风险驱动器是限制和可扣除项以及索赔/损失触发器。措词滤波器134之前的所有上述部件包括独立于损失解决单元40的可能干预的潜在损失,即,它们的潜在覆盖。措词滤波器134可以明确地对损失情景应用保险条件:(a)其根据限制和可扣除项调整严重性分量。(b)其根据索赔触发器条件调整频率。(c)还将未来版本中的一些措词排除考虑在内。风险驱动器311-313影响措词滤波器134中的损失频率或严重性的方式需要考虑调制引擎133中的风险驱动器311-313作为强度量。在系统关于风险驱动器311-313的影响的知识累积水平提高的情况下,措词滤波器134中的风险驱动器311-313中的一些可被移动到情景生成器131。
例如,对于措词滤波器134,驱动器选择器15跟踪并选择以下责任风险驱动器311-313:此处被称为(i)“索赔/损失触发器”和(ii)“限制和可扣除项”。在该示例中,被称为索赔/损失触发器的风险驱动器311-313反映了如下机制:根据该机制,考虑索赔的时间元素,以告知其是否有资格在政策下提交。这些是在意外事故事务中使用的通用触发器。这些是:(i)所做的动作,(ii)发生,(iii)表明,(iv)进行的索赔。此外,存在缓冲日期/时期,诸如,(i)追溯日期;(ii)定期废止(sunset);(iii)扩展报告时期。这些基本上可以修改政策的应用范围,这在该系统中可以视为附加参数。
然而,在措词滤波器134中,所使用的术语不限于这些触发器和/或可指的是触发器的部分元件。这不仅是由于语言不准确性,而且还由于措词可以被解释的事实。简单示例是通常称为“所进行的法语索赔”的法语′Loi sur la sécurité financ ière′的情况。实际上,在无限制的追溯时期中所称的时间元素表示“发生”,但是法语词“fait dommageable(致损事件)”实际上表示“原因”。严格地说,该触发器不等同于追溯日期通常指的是发生的“进行的索赔”。因此,措词滤波器134必须能够覆盖这样的解释问题。对于控制单元控制器10的本实施例变型,假设可以通过多个时间窗的组合准确地地表示全部任何索赔触发器(即,包括所有时间缓冲器),其中,特定索赔特性需要降低以便满足在政策下要提交的索赔的资格。例如,具有2年的定期废止条款的进行发生索赔的触发器可以由损失事件时间窗和提交索赔窗来表示。每个窗口可以由两个制表器(tabulator)来定义:(a)进入制表器(入制表(in-tab)),其是在其之后特性需要发生的最早日期;(b)离开制表器(出制表(out-tab)),其是到此为止特性需要发生的最晚日期。作为实施例变型,任何触发器可以例如由四个时间元素来表示:原因(所做的动作)、损失事件(发生)、知识(表明)、提交的索赔(进行的索赔)。图17-20示出了根据该实施例变型的示例。基于以上的图,确定损失负担曲线的形状。基于任何触发器可以由上午四点的制表符的位置来描绘的相同原理,确定损失负担曲线是否具有相同的形状而与触发器无关。对于整个时间条的损失负担是要发生的所有潜在索赔的和,而不论这些索赔是否有资格在政策下提交。政策的损失负担是要发生并且在政策下合法地提交的所有潜在索赔的和。使用时间制表器像切掉整个时间条的损失负担的尾部一样。如果假设索赔的时间元素是独立的,则我们可以说政策的损失负担是来自不同时间元素的所有潜在索赔的和。尽管所有元素可位于所考虑的年中,但是过去的暴露风险仅由原因和发生元 素来表示,这是因为在政策下在到达索赔之前只有这些元素可以位于过去。类似地,未来的暴露风险仅由表明和提交的索赔元素来表示,这是因为只有这些元素可以位于未来。
损失负担是如下的结果:(1)过于原因和损失事件年的发展。最久的年带来比最新的年更少的索赔,而非常新的年尚未开发其全部潜力;(2)按照由知识和提交的索赔制表设定的时间窗的生效损失事件年的衰减(对于在期满切断损失事件后的年没有暴露风险)。可以如图21所示地来描绘旧年/对其相加。未来的年是过去年的尾部和生效年的发展的结果。这可以如图22所示地示出。概况曲线可以如图23所示地来表示。损失负担专有地是生效年的发展的结果。根据以上对所进行的索赔的评论,远在前面的年将带来比较近的年更少的索赔,其中生效年尚未开发其全部潜力。不存在年的累积。换言之,曲线具有与所进行的索赔相同的形状,但是具有其它参数。
迄今,此处被称为“索赔/损失触发器”的责任风险驱动器311-313知道关于曲线的以下属性:(i)曲线下面的区域表示损失负担而与所选择的触发器(即,制表)无关;(ii)由于损失负担不是无穷大,因此它们必然快于x-1而渐近地减小;(iii)根据专家判断,发生政策(没有定期废止,即,没有未来截止,除了限制的法令之外)承受比所进行的索赔政策更高的风险。左手侧的曲线需要比右手侧的曲线减小得更快。自身明显的是,时间元素原因、发生、表明、提交的索赔是接连发生的。为了使得其与损失解决单元40相关,需要使得原因转到发生,需要使得发生转到表明,并且需要使得表明转到索赔。对于责任风险驱动器311-313索赔/损失触发器的信号处理,使用尽可能少的参数来完全描述曲线。借助于控制单元控制器10选择这些参数的值为一半寿命时间TH和发展时间TD,发展时间TD是使得时间元素转到索赔的时间(地理上为钟形的开始与峰值之间的距离)。这以图24示出。作为措词滤波器134的输入的量源,作为责任风险驱动器311-313的索赔/损失触发器是对措词滤波器134的输入属性。对于输出,索赔触发器直接作用于损失情景频率分布。对严重性的影响是间接的。tm是系统测得的、生效时期的结束与时间范围m的入制表或出制表(取决于时间范围)之间的时间。风险驱动器311-313可以例如基于:
函数F满足受到对TD的一些限制的基本要求。对于四个时间范围m的函数Fm(tm)与情景损失模型频率相乘。如图9所示,措词滤波器134可以分解成三个分量,它们是:(a)严重性确定器,(b)严重性限制器,以及(c)时间线处理器。严重性确定器(a)将情景损失模型严重性分量组合成每个情景一个总体严重性分布。该分布当前是佩瑞多分布。严重性确定器以与聚集器135的相应部件相同的方式工作。严重性限制器(b)对情景损失模型总体严重性分布应用措词限制和可扣除项,并且相应地修改严重性分量。严重性限制器切掉损失情景总体严重性分布的由于措词限制和可扣除项而未被覆盖的部分。它修改在预期严重性范围的下端和上端的情景损失模型严重性分量,以使得所得到的严重性分量平均值的和与到来的严重性分量平均值之间的比率等于覆盖的总体严重性与全部总体严重性之间的比率。时间线处理器(c)根据索赔触发器条件而调整情景损失模型频率。时间线处理器将索赔触发器措词翻译成四个(特定于国家的)时间范围,在该时间范围内,损失必定是如下的时间:(i)原因(所做的动作),(ii)损失事件(发生的),(iii)知识(表明的),以及(iv)索赔(提交的索赔),其必须降低以使得损失被考虑中的保险政策覆盖。
如图5所示,聚集器135是该序列分割中的最终操作单元。聚集器135组合多个损失情景以产生预期的损失。图10示意性地更详细地示出了聚集器135的结构的可能实现。聚集器135如上所述根据多个损失情景生成预期的损失。进入聚集器135的输入信号是来自措词滤波器134的损失情景(输出)。来自措词滤波器134的这些损失情景(输出)反映了被覆盖的并且可能被索赔的损失。聚集器135然后组合这些损失情景以产生跨越所有情景的一个预期损失。一般地,聚集器135通过如下方式产生预期损失:(i)使用每个情景的所分配的量来确定对于该情景的泊松频率分布的第一时刻;(ii)组合各个情景的各损失严重性分量,以产生对于该情景的总体佩瑞多损失严重性分布;(iii)使用泊松分布和佩瑞多分布来仿真每个情景的损失;以及(iv)对所仿真的损失应用再保险结构,以产生预期损失成本。
在一个实施例变型中,驱动器选择器15识别并选择要由聚集器135 使用的以下责任风险驱动器311-313(LRD)。
称为“活动的地理扩展”的责任风险驱动器311-313的量定义包括按照国家和/或区域定义活动的扩展的活动的地理范围。使用以下量来表征人为因素:(a)每个国家的销量(销量除以相应PPP的地理分割):该量被视为产品责任的情况下的暴露风险(量)。在该实施例变型中,产品可从一个国家销售到其它国家的风险未被捕获。(b)中等收入的每个国家的工资(国家支付的工资量除以该国家的中等收入):该量被视为前提责任的情况下的暴露风险(量)。中等收入扣除了由国家的生活成本引起的歪曲。存在描述活动的地理扩展的量,其是调制器并且还可以变得与调制引擎133相关。在该实施例变型中,每个国家的销量也用作商业一般责任的暴露风险(量)。作为输入量源,系统使用暴露风险(量)。输出生成对损失模型分量的操作。根据定义,暴露风险(量)直接确定频率。关于暴露风险(量)分配的技术框架以上面定义的价格标签引擎132给出,并且关于量-频率关系的技术框架以聚集器135给出。
根据图10,聚集器135包括分量频率确定器、严重性确定器、频率/严重性蒙特卡罗仿真器和损失解决单元40的结构模块。频率确定器和严重性确定器部件彼此独立地工作。频率确定器负责确定各个情景的泊松参数。在以下,RefVoli指的是情景i的参考量。参考量可以借助于系统来预定义。AllocVoli指的是对于情景i的所分配的量。所分配的量可以在价格标签引擎132中生成。注意,上述风险驱动器311-313没有用在聚集器135中。然而,它们用在价格标签引擎132中,以便计算AllocVoli,其然后用在聚集器135中。εi指的是基于情景i的参考量的、对于情景i的预定义频率速率。εi是基于情景i的参考量的“每单位参考量、每单位时间的索赔数量”。λi指的是基于情景i的所分配的量的、对于情景i的泊松参数。λi在聚集器135中被关联为:
因此,λi与所分配的量成比例。然而,适当的是,假设λi与所分配的 量的某种函数成比例[即,F(AllocVoli),其中F是可表示为函数的关系]。注意,在非线性量-频率关系的情况下,频率相加不是自然给出的。在该实施例变型中,采用线性函数[即,F(x)=x]。来自频率确定器的输出是具有多于每个情景的参数λi的泊松分布。
根据图10,严重性确定器负责组合情景的损失严重性分量,以产生对于该情景的一个总体损失严重性分布。严重性确定器包括两个阶段,阶段1和阶段2。对于阶段1,回忆每个情景具有多个情景损失严重性分量。来自措词滤波器134的每个损失严重性分量由自己按照货币量数据的严重性分布来表征。该货币量是严重性分布的“平均值”。对于每个情景,存在不同的但是预定义的比率,其应用于对于该情景的每个损失严重性分量的“平均值”。比率被定义为(标准偏差/平均值)。换言之,将比率乘以“平均值”为我们给出了对于损失严重性分量的标准偏差。作为实施例变型,假设每个损失严重性分量具有对数-正态分布。因而,给定“平均值”和比率,将完全指定对数-正态分布。然而,适当的是,采用不同于对数-正态的分布。在该阶段采用对数-正态分布,这是由于其数学易处理性。另外,对数-正态不是采用作为严重性分布的合理分布。令特定情景i的损失严重性分量以整数1至im来表示,其中下标m表示情景i中的损失严重性分量的总数。ij指的是情景i的第j个损失严重性分量。注意,j≤im。令μij表示对于情景i的损失严重性分量j的“平均值”(回忆每个情景可以具有多个损失严重性分量)。ξi指的是情景i的预定义比率。令σij表示对于情景i的情景损失严重性分量j的标准偏差。于是,σij=ξi×μij。在阶段1的结束,对于i和j的每个组合产生对数-正态(μij,σij)分布。注意,m对于每个情景不一定相同。例如,对于情景1可以具有3个损失严重性分量(即,m等于3),但是情景2可以具有2个损失严重性分量(即,m等于2)。
在阶段2,严重性确定器的目标是组合对数-正态(μij,σij),以使得对于每个情景产生一个总体佩瑞多分布。换言之,对于给定情景i,阶段2的目标是确定最佳地描述对于j(1至im)的对数-正态(μij,σij)的组合的佩瑞多分布。作为实施例变型,可以采用佩瑞多作为每个情景的总体分布,这是由于其缓慢单调减小的尾部。这是通过严重性仿真器的使用来实现的。给定情景i,仿真器对跨越来自对数-正态(μij,σij)分布的所有损失严重性分量(j:1至im)的损失进行仿真。n指的是对于每一个损失严重性分量仿真的损失的数量。这表示对于每个情景,将存在nim(n倍的im)个总仿真损失。
严重性确定器的下一步骤是使用这些仿真的损失来拟合适当的佩瑞多分布。使用最大似然估计来推出对于“最佳拟合”佩瑞多分布的参数。X1、...、 指的是对情景i的仿真损失。ci指的是对于情景i的佩瑞多分布的阈值参数。αi指的是对于情景i的佩瑞多分布的形状参数。可以示出对于ci的最大似然估计是:
对于αi的最大似然估计是:
因而,来自阶段2的输出是对于每个情景具有参数 的佩瑞多分布。严重性仿真器可以例如使用播种(seeding)来保证结果保持一致。然而,可以允许用户改变或播种以便测试其它任意仿真。也可以允许用户改变仿真的数量(即,n)。如图10所示的蒙特卡罗仿真器部件组合泊松分布(λi)和佩瑞多分布 以形成每个情景的复合分布。仿真器首先根据泊松(λi)对情景i的索赔数量进行仿真。然后,对于每个仿真的索赔,仿真器根据佩瑞多 仿真损失严重性。针对每一个情景重复该处理。作为实施例变型,仿真器可以使用播种以保证结果保持一致。然而,可以允许用户改变或播种其它任意仿真组合。也可以允许用户改变仿真的数量。最终,根据图10的(再)保险结构组件是最后的组件。其包含损失解决单元40的(再)保险结构(限制、可扣除项等),其应用在情景级和/或聚集(将所有情景相加在一起)级。结果是对(再)保险结构的预期损失。
控制单元控制器10需要校准。该活动可以由系统借助于各个粒度级 的严重性曲线来进行,该严重性曲线是例如由责任风险驱动器311-313针对一个或多个试验性市场(诸如,例如,澳大利亚、德国和西班牙)而确定的。如图16示意性地示出的,在所发明的系统中容易实现对允许计算再保险风险转移之后的预期损失的模型的扩展。另外,例如,可以在不需要另外的参数或模型重设计的情况下,使用基于事件集合的仿真来计算风险资本要求。这对于现有技术系统是不可能的,
图2/9示出了示出风险驱动器和风险驱动器的聚类的示例性识别的图。系统可以区分聚类的优先次序,并且基于所检测到的损失频率和严重性来执行风险驱动器的影响的第一量化。图9的示例基于被驱动器选择器15区分了优先次序的十一个风险驱动器的集合。系统可以被划分成五个功能模块。在图5的示例中,模块链反映了如下序列:(i)潜在损失的原因,潜在损失的影响(情景生成器131);(ii)潜在损失的影响的成本(价格标签引擎132);(iii)各种因素对损失成本的影响(调制引擎133);(iv)潜在损失的保险保额(措词滤波器134);(v)总预期损失(聚集器135)。模块由可定义的情景损失模型表示连接。每个模块包括多个风险驱动器并且从情景损失模型和暴露风险取得输入信息。情景损失模型被修改并且被传递到下一模块。如下所述,借助于系统来实现对如何测量风险驱动器以及它们对频率和严重性的影响的量化的选择。此外,系统需要校准。利用各个粒度级的严重性曲线来进行该操作,该操作也可以在限制于示例性区域或市场的第一步骤中执行。
对损失类型的量化需要由控制单元控制器10或驱动器选择器15来实现。作为实施例变型,这可以借助于生成损失情景的样本的所述情景生成器131来实现。控制单元控制器10估计如何在各个损失类型(身体伤害、财产损害、金融损失)当中分配各个情景生成的总损失。在下一步骤中,控制单元控制器10或驱动器选择器15区分可选择的风险驱动器的优先次序。区分优先次序包括区分聚类的优先次序并且识别每个聚类内最重要的风险驱动器。在下一步骤中,控制单元控制器10提供对于给定损失类型集合,对最重要的风险驱动器的损失频率和严重性的影响的第一初步估计。初步选择可以基于可定义阈值的值。初步选择可以用作所发明的系统适配和优化的起始设置。在图9的示例中,选择包括十一个风险驱动器。
如所述的,控制单元控制器10包括触发模块,其用于扫描分配给损失单元20、...、26的测量设备201、...、261以得到测量参数,并且用于借助于控制单元控制器10选择捕获或部分捕获至少一个责任风险驱动器 311-313的过程动态和/或静态特性的可测量的测量参数。也就是说,对于每个风险驱动器,系统选择最有代表性的可测量指示。在一个实施例变型中,系统基于跨越国家(cross-country)或跨越风险(cross-risk)的一致性而进行自我测试。图8示出了根据图2/9的对于风险驱动器“人为因素”的触发的可测量量的示例。对表示风险驱动器的可测量量的跟踪示出了人为因素与由每个雇员的营业额表征的测量参数的关系。该测量参数每个雇员的营业额可以由系统来触发或测量。基于系统跟踪的曲线示出了每个雇员的营业额可以表示公司是否具有自动化过程。曲线还指示公司增加其每个雇员的营业额并不直接意味着较高程度的自动化。更多的,可以认为通过减少职员而对雇员施加更多的压力。因此,测量参数对于该区域中的人为因素的测量是明确的。仅当增加足够显著时,系统才可以毫无疑义地测量到提高了过程自动化。如上所述,图9示出了示意性地示出与图2类似的风险驱动器和风险驱动器聚类的另一示例性识别的框图。由系统区分聚类的优先次序,并且基于所检测到的损失频率和严重性来执行风险驱动器的影响的第一量化。生成第一初步识别以给出对于给定的损失类型集合的最重要的可跟踪风险驱动器的损失频率和严重性的影响。在该示例中,系统将主要风险驱动器的数量设置为11。该风险驱动器集合在该情况下用于开始动态适配和/或优化。
如上已经所述的,图10示出了根据图9的对于风险驱动器“纳米科技因素”的触发的可测量量的另一示例。该风险驱动器由系统来分配,同时嵌入在模块中。图10示出了测量参数“创新因素”如何影响严重性和频率。创新因素是系统根据其与被称为“纳米科技”的责任风险驱动器的可跟踪关系而选择的测量参数。测量参数创新因素等于以营业额百分比表示的研究和开发的投资。琥珀色曲线示出了对于中等影响的关系,而绿色曲线示出了对于弱影响的关系。测量设备201、...、261可以包括触发模块,其用于触发测量参数的变化并且用于将所检测到的一个或多个测量参数的变化传送到控制单元控制器10。另外,控制单元控制器10可以包括接口模块14,该接口模块14用于定期地将对测量参数更新的请求传送到测量设备201、...、261,以便动态地检测测量参数的变化。作为实施例变型,控制单元控制器10可以包括开关单元,该开关单元用于在对于操作单元30的责任风险驱动器借助于控制单元控制器10不可确定和/或不可扫描一个或多个测量参数的情况下,基于数据存储17的所保存的历史数据而生成集合16的责任风险驱动器311-313的至少一个的测量参数。
控制单元控制器10包括驱动器选择器15,该驱动器选择器15用于 选择参数化操作单元30的责任暴露风险31的责任风险驱动器311-313的集合16。基于借助于测量设备201、...、261测量所选择的测量参数,生成操作单元30的责任暴露风险信号。驱动器选择器15包括如下装置:其用于动态地适配责任风险驱动器311-313的集合16,根据周期时间响应关于所测量的责任暴露风险信号而改变责任风险驱动器311-313,并且用于基于所适配的责任暴露风险信号而调整损失解决单元40与操作单元30之间的责任风险驱动交互。如果控制单元控制器10激励损失解决单元40,则损失解决单元40可以包括开关单元,该开关单元用于借助于适当的信号生成和传输而解锁分配给损失解决单元40的自动修复节点,以解决损失单元20、...、26的损失。为了对所生成的责任暴露风险信号进行加权,控制单元控制器10的专用数据存储18可以包括分配给地理区域的区域特定的历史暴露风险和损失数据,并且控制单元控制器10可以包括另外的装置,该装置用于生成与所选择的测量参数对应的历史测量参数,并且用于借助于历史测量参数对所生成的责任暴露风险信号进行加权。
本责任风险驱动的系统满足了迄今为止所知的现有技术系统无法实现的以下目标。所发明的系统可以明确地考虑潜在风险的风险驱动属性。借助于系统而明确地且自动地包括法律或社会环境的所有风险驱动方面。该系统可容易地适于未来的扩展(例如,通过应用事件集合对风险累积的仿真)。另外的优点是所发明的系统仅需要最小的参数集合,并且在其它优点当中,所发明的系统还能够借助于系统的责任风险驱动器和驱动器选择器而预计法律或社会改变对预期损失的影响。另外,所发明的系统/方法能够基于具有不足的历史损失信息且没有关税(tariff)的区域中的预期损失自动地生成信号。现有技术中没有已知的其它系统能够以此方式实现所说明的目标。
另一优点是系统的技术汇集和结构反映了外部世界。可以容易地验证系统性和误差。现有技术系统中的途径基于对解决如下问题的调查:(i)与过去损失经历相比预期损失是什么?,以及(ii)我需要得到多少保险金?尽管该方法是自适应的,但是所发明的系统基于如下问题:(i)什么会出错?,(ii)有多大可能出错?,(iii)如果出错将花费多少钱?因此,系统变得更加透明。通过正进行的自适应处理,损失历史更适合用于校准系统参数。以此方式,所发明的系统还较少受系统性和/或丢失数据的影响。系统从简单结构开始并且逐渐进行扩展。越多的数据变得可用,则系统越多地移动到更细微的粒度。在所有过程状态中,系统保持模块化和透明。系统在正确的地方自动地选择正确的变量(含义直截了当的变量)。 这进一步改进了相对于误差的稳定性和透明度。例如,损失的直接结果是受伤的人、损害的财产等而不是成本。通过跟踪测量参数,系统选择正确的测量参数。这是相对于现有技术已知的系统的另一大的优点。
附图标记
10控制单元控制器
11信令模块
111信号生成和传输
12损失解决单元与操作单元之间的交互
13中央处理设备
131情景生成器
132价格标签引擎
133调制引擎
134措词滤波器
135聚集器
14信号传输接口
15驱动器选择器
16责任风险驱动器的集合
17具有历史数据的数据存储
18具有区域特定数据的数据存储
20-26损失单元
201、...、261测量设备
30操作单元
31责任暴露风险(真实世界)
311-313责任风险驱动器
31’基于控制器10的风险驱动器311-313的责任暴露风险
32信号传输接口
40自动化损失解决单元
41信号传输接口。
Claims (12)
1.一种方法,其用于借助于独立操作的责任风险驱动器(311-313)预报与具有至少一个可测量责任暴露风险(31)的多个操作单元(30)的各个风险的未来损失和损失分布相关联的频率,以及用于借助于控制单元控制器(10)对损失解决单元(40)的相关自动化操作,其中,在损失单元(20、...、26)处发生损失的情况下,测量参数被测量并被传送到所述控制单元控制器(10)并被动态地分配给所述责任风险驱动器(311-313),并且其中,借助于所述控制单元控制器(10)自动调节所述损失解决单元(40)的操作,所述控制单元控制器(10)借助于所述损失解决单元(40)解决所发生的损失,其特征在于,
分配给所述损失单元(20、...、26)的测量设备(201、...、261)动态地扫描测量参数,并且借助于所述控制单元控制器(10)选择捕获至少一个责任风险驱动器(311-313)的过程动态和/或静态特性的可测量的测量参数,
在于,借助于所述控制单元控制器(10)的驱动器选择器(15)选择参数化所述操作单元(30)的所述责任暴露风险(31)的责任风险驱动器(311-313)的集合(16),其中基于借助于所述测量设备(201、...、261)测量所选择的测量参数,借助于所述控制单元控制器(10)生成所述操作单元(30)的责任暴露风险信号,以及
在于,所述驱动器选择器(15)动态地适配责任风险驱动器(311-313)的集合(16),根据周期时间响应关于所测量的责任暴露风险信号而改变所述责任风险驱动器(311-313),并且基于所适配的责任暴露风险信号而调整所述损失解决单元(40)与所述操作单元(30)之间的责任风险驱动交互。
2.根据权利要求1所述的方法,其特征在于,如果借助于所述控制单元控制器(10)无法扫描所述操作单元(30)的责任风险驱动器的一个或多个测量参数,则基于数据存储(17)的所保存的历史数据生成所述集合(16)的所述责任风险驱动器(311-313)的至少一个的测量参数。
3.根据权利要求1或2之一所述的方法,其特征在于,从包括区域特定数据的专用数据存储(18)选择分配给地理区域的历史暴露风险和损失数据,并且生成与所选择的测量参数对应的历史测量参数,并且其中,借助于所述历史测量参数对所生成的责任暴露风险信号进行加权。
4.根据权利要求1至3之一所述的方法,其特征在于,所述测量设备(201、...、261)包括触发模块,所述触发模块触发所述测量参数的变化,并且将所检测到的一个或多个测量参数的变化传送到所述控制单元控制器(10)。
5.根据权利要求1至4之一所述的方法,其特征在于,所述控制单元控制器(10)定期地将对测量参数更新的请求传送到所述测量设备(201、...、261),以动态地检测所述测量参数的变化。
6.根据权利要求1至5之一所述的方法,其特征在于,如果所述控制单元控制器(10)激励所述损失解决单元(40),则所述损失解决单元(40)借助于适当的信号生成和传输而解锁分配给所述损失解决单元(40)的自动修复节点,以解决所述损失单元(20、...、26)的损失。
7.一种系统,其用于借助于独立操作的责任风险驱动器(311-313)预报与具有至少一个可测量责任暴露风险(31)的多个操作单元(30)的各个风险的未来损失和损失分布相关联的频率,以及用于借助于控制单元控制器(10)对损失解决单元(40)的相关自动化操作,其中,在损失单元(20、...、26)处发生损失的情况下,系统包括测量设备(201、...、261),所述测量设备(201、...、261)用于对测量参数进行扫描、测量并且将所述测量参数传送到所述控制单元控制器(10),其中,所述控制单元控制器(10)包括用于将所测量的测量参数动态地分配给所述责任风险驱动器(311-313)的装置,并且其中,所述控制单元控制器(10)包括用于操作解决所发生的损失的自动化损失解决单元(40)的装置,其特征在于,
所述控制单元控制器(10)包括触发模块,所述触发模块用于扫描分配给所述损失单元(20、...、26)的测量设备(201、...、261)以得到测量参数,并且用于借助于所述控制单元控制器(10)选择捕获至少一个责任风险驱动器(311-313)的过程动态和/或静态特性的可测量的测量参数,
在于,所述控制单元控制器(10)包括驱动器选择器(15),所述驱动器选择器(15)用于选择参数化所述操作单元(30)的所述责任暴露风险(31)的责任风险驱动器(311-313)的集合(16),其中,基于借助于所述测量设备(201、...、261)测量所选择的测量参数,生成所述操作单元(30)的责任暴露风险信号,以及
在于,所述驱动器选择器(15)包括如下装置:其用于动态地适配责任风险驱动器(311-313)的集合(16),根据周期时间响应关于所测量的责任暴露风险信号而改变所述责任风险驱动器(311-313),并且用于基于所适配的责任暴露风险信号而调整所述损失解决单元(40)与所述操作单元(30)之间的责任风险驱动交互。
8.根据权利要求7所述的系统,其特征在于,所述控制单元控制器(10)包括开关单元,所述开关单元用于在借助于所述控制单元控制器(10)无法扫描所述操作单元(30)的责任风险驱动器的一个或多个测量参数的情况下,基于数据存储(17)的所保存的历史数据生成所述集合(16)的所述责任风险驱动器(311-313)的至少一个的测量参数。
9.根据权利要求7或8之一所述的系统,其特征在于,所述控制单元控制器(10)的专用数据存储(18)包括分配给地理区域的区域特定历史暴露风险和损失数据,并且所述控制单元控制器(10)包括另外的装置,所述另外的装置用于生成与所选择的测量参数对应的历史测量参数,并且用于借助于所述历史测量参数对所生成的责任暴露风险信号进行加权。
10.根据权利要求7至9之一所述的系统,其特征在于,所述测量设备(201、...、261)包括触发模块,所述触发模块用于触发所述测量参数的变化,并且将所检测到的一个或多个测量参数的变化传送到所述控制单元控制器(10)。
11.根据权利要求7至10之一所述的系统,其特征在于,所述控制单元控制器(10)包括接口模块(14),所述接口模块(14)用于定期地将对测量参数更新的请求传送到所述测量设备(201、...、261),以动态地检测所述测量参数的变化。
12.根据权利要求7至11之一所述的系统,其特征在于,如果所述控制单元控制器(10)激励所述损失解决单元(40),则所述损失解决单元(40)包括开关单元,所述开关单元用于借助于适当的信号生成和传输而解锁分配给所述损失解决单元(40)的自动修复节点,以解决所述损失单元(20、...、26)的损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610852066.2A CN107103546B (zh) | 2010-12-03 | 2011-12-05 | 用于预报与未来损失相关联的频率的系统和方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IBPCT/IB2010/055575 | 2010-12-03 | ||
PCT/IB2010/055575 WO2012073074A1 (en) | 2010-12-03 | 2010-12-03 | Liability risk driven system for optimized triggering risk exposure if insurance objects |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610852066.2A Division CN107103546B (zh) | 2010-12-03 | 2011-12-05 | 用于预报与未来损失相关联的频率的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609881A true CN102609881A (zh) | 2012-07-25 |
CN102609881B CN102609881B (zh) | 2016-11-23 |
Family
ID=43736007
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110399771.9A Active CN102609881B (zh) | 2010-12-03 | 2011-12-05 | 用于预报与未来损失相关联的频率的系统和方法 |
CN201610852066.2A Active CN107103546B (zh) | 2010-12-03 | 2011-12-05 | 用于预报与未来损失相关联的频率的系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610852066.2A Active CN107103546B (zh) | 2010-12-03 | 2011-12-05 | 用于预报与未来损失相关联的频率的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US8639617B2 (zh) |
EP (1) | EP2461286A1 (zh) |
JP (2) | JP2012150788A (zh) |
CN (2) | CN102609881B (zh) |
AU (1) | AU2010364643B9 (zh) |
CA (1) | CA2815202C (zh) |
WO (1) | WO2012073074A1 (zh) |
ZA (1) | ZA201302758B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475382A (zh) * | 2015-12-23 | 2018-08-31 | 瑞士再保险有限公司 | 航班轨迹预测系统和航班轨迹承载自动化延误风险转移系统及其对应方法 |
CN109416873A (zh) * | 2016-06-24 | 2019-03-01 | 瑞士再保险有限公司 | 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9058560B2 (en) | 2011-02-17 | 2015-06-16 | Superior Edge, Inc. | Methods, apparatus and systems for generating, updating and executing an invasive species control plan |
JP5800353B2 (ja) * | 2011-03-29 | 2015-10-28 | 日本電気株式会社 | リスク管理装置 |
WO2013126866A1 (en) | 2012-02-24 | 2013-08-29 | B3, Llc | Systems and methods for comprehensive insurance loss management and loss minimization |
US8799032B2 (en) * | 2012-05-22 | 2014-08-05 | Hartford Fire Insurance Company | System and method to predict an insurance policy benefit associated with telematics data |
US8756152B2 (en) * | 2012-07-12 | 2014-06-17 | Bank Of America Corporation | Operational risk back-testing process using quantitative methods |
US9113590B2 (en) | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
US20140058783A1 (en) * | 2012-08-22 | 2014-02-27 | Hartford Fire Insurance Company | System and method for optimizing catastrophe based resources |
US20140244311A1 (en) * | 2013-02-25 | 2014-08-28 | International Business Machines Corporation | Protecting against data loss in a networked computing environment |
US20140324519A1 (en) * | 2013-04-25 | 2014-10-30 | Bank Of America Corporation | Operational Risk Decision-Making Framework |
US9430535B2 (en) * | 2013-05-14 | 2016-08-30 | Adobe Systems Incorporated | Method and apparatus for normalizing and predicting time series data |
JP6562911B2 (ja) * | 2013-10-17 | 2019-08-21 | スイス リインシュランス カンパニー リミテッド | 重大疾患リスクのリスク共有のためのパラメトリックドローダウンシステムおよびそれに対応する方法 |
US9489576B2 (en) | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
AU2014388092A1 (en) * | 2014-03-26 | 2016-09-29 | Swiss Reinsurance Company Ltd. | System for the measurement and automated accumulation of diverging cyber risks, and corresponding method thereof |
AU2014388113A1 (en) * | 2014-03-28 | 2016-09-29 | Swiss Reinsurance Company Ltd. | Adaptive coupling-system based on a flexible risk transfer structure and corresponding method thereof |
US11087403B2 (en) * | 2015-10-28 | 2021-08-10 | Qomplx, Inc. | Risk quantification for insurance process management employing an advanced decision platform |
US20170161837A1 (en) * | 2015-12-04 | 2017-06-08 | Praedicat, Inc. | User interface for latent risk assessment |
CN106022929A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于专家系统的碰撞事故定损方法及系统 |
US10460010B2 (en) * | 2016-07-05 | 2019-10-29 | Oracle Financial Services Software Limited | Computing scenario forecasts using electronic inputs |
WO2018072855A1 (en) | 2016-10-21 | 2018-04-26 | Swiss Reinsurance Company Ltd. | Inter-arrival times triggered, probabilistic risk-transfer system and a corresponding method thereof |
WO2019048034A1 (en) * | 2017-09-06 | 2019-03-14 | Swiss Reinsurance Company Ltd. | ELECTRONIC TRACKING AND RECORDING IDENTIFICATION SYSTEM FOR TELEMATIC DEVICES, AND CORRESPONDING METHOD THEREOF |
EP3803767A1 (en) * | 2018-06-05 | 2021-04-14 | Swiss Reinsurance Company Ltd. | Risk splitter and risk quantifying forecast system using a structured forward-looking simulation technique quantifying clashing, long-tail risk events causing casualty loss accumulation and high earning volatility, and method thereof |
WO2020192866A1 (en) * | 2019-03-22 | 2020-10-01 | Swiss Reinsurance Company Ltd. | Structured liability risks parametrizing and forecasting system providing composite measures based on a reduced-to-the-max optimization approach and quantitative yield pattern linkage and corresponding method |
CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、系统及终端设备 |
US20230267540A1 (en) * | 2022-02-24 | 2023-08-24 | International Business Machines Corporation | Risk mitigation using mixture importance sampling with random effect considerations |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070043662A1 (en) * | 2005-08-19 | 2007-02-22 | The Hartford Steam Boiler Inspection And Insurance | Method of determining prior net benefit of obtaining additional risk data for insurance purposes via survey or other procedure |
US20070055595A1 (en) * | 2005-09-06 | 2007-03-08 | Ge Corporate Financial Services, Inc. | Methods and system for assessing loss severity for commercial loans |
CN101228545A (zh) * | 2005-07-19 | 2008-07-23 | 瑞士再保险公司 | 用于对风险事件中的抵押水平反馈地、动态地进行监控的系统和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002015090A1 (en) * | 2000-08-14 | 2002-02-21 | Ge Financial Assurance Holdings, Inc. | Process and system for providing premium increase protection for insurance policies |
US20030009419A1 (en) * | 2001-06-11 | 2003-01-09 | Chavez R. Martin | Risk management system and trade engine with automatic trade feed and market data feed |
CN101533503A (zh) * | 2008-02-08 | 2009-09-16 | 霍尼韦尔国际公司 | 在签发仅风害保险时减轻风险的方法和系统 |
-
2010
- 2010-12-03 CA CA2815202A patent/CA2815202C/en not_active Expired - Fee Related
- 2010-12-03 WO PCT/IB2010/055575 patent/WO2012073074A1/en active Application Filing
- 2010-12-03 AU AU2010364643A patent/AU2010364643B9/en active Active
-
2011
- 2011-11-24 EP EP11190452A patent/EP2461286A1/en not_active Ceased
- 2011-12-02 JP JP2011264716A patent/JP2012150788A/ja active Pending
- 2011-12-02 US US13/310,398 patent/US8639617B2/en active Active
- 2011-12-05 CN CN201110399771.9A patent/CN102609881B/zh active Active
- 2011-12-05 CN CN201610852066.2A patent/CN107103546B/zh active Active
-
2013
- 2013-04-17 ZA ZA2013/02758A patent/ZA201302758B/en unknown
-
2015
- 2015-08-06 JP JP2015156146A patent/JP2015222596A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101228545A (zh) * | 2005-07-19 | 2008-07-23 | 瑞士再保险公司 | 用于对风险事件中的抵押水平反馈地、动态地进行监控的系统和方法 |
US20070043662A1 (en) * | 2005-08-19 | 2007-02-22 | The Hartford Steam Boiler Inspection And Insurance | Method of determining prior net benefit of obtaining additional risk data for insurance purposes via survey or other procedure |
US20070055595A1 (en) * | 2005-09-06 | 2007-03-08 | Ge Corporate Financial Services, Inc. | Methods and system for assessing loss severity for commercial loans |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475382A (zh) * | 2015-12-23 | 2018-08-31 | 瑞士再保险有限公司 | 航班轨迹预测系统和航班轨迹承载自动化延误风险转移系统及其对应方法 |
CN109416873A (zh) * | 2016-06-24 | 2019-03-01 | 瑞士再保险有限公司 | 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法 |
CN109416873B (zh) * | 2016-06-24 | 2022-02-15 | 瑞士再保险有限公司 | 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107103546B (zh) | 2020-11-10 |
WO2012073074A1 (en) | 2012-06-07 |
AU2010364643B9 (en) | 2015-06-25 |
US8639617B2 (en) | 2014-01-28 |
JP2012150788A (ja) | 2012-08-09 |
AU2010364643A1 (en) | 2013-05-02 |
ZA201302758B (en) | 2014-06-25 |
AU2010364643B2 (en) | 2015-05-28 |
CN107103546A (zh) | 2017-08-29 |
CA2815202A1 (en) | 2012-06-07 |
JP2015222596A (ja) | 2015-12-10 |
EP2461286A1 (en) | 2012-06-06 |
CN102609881B (zh) | 2016-11-23 |
CA2815202C (en) | 2017-05-23 |
US20120143633A1 (en) | 2012-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609881A (zh) | 用于预报与未来损失相关联的频率的系统和方法 | |
Smith et al. | US billion-dollar weather and climate disasters: data sources, trends, accuracy and biases | |
US20070043656A1 (en) | Method of risk modeling by estimating frequencies of loss and loss distributions for individual risks in a portfolio | |
Ozaki et al. | Spatio‐temporal modeling of agricultural yield data with an application to pricing crop insurance contracts | |
Morrice et al. | Supporting hurricane inventory management decisions with consumer demand estimates | |
Al‐Sobiei et al. | Predicting the risk of contractor default in Saudi Arabia utilizing artificial neural network (ANN) and genetic algorithm (GA) techniques | |
West et al. | Climate change adaptation in industry and business: framework for best practice in financial risk assessment, governance and disclosure | |
Walker et al. | Application of insurance modelling tools to climate change adaptation decision-making relating to the built environment | |
Tanner et al. | Scaling up early action: lessons, challenges and future potential in Bangladesh | |
Lane | Adapting to climate risk with guaranteed credit: Evidence from Bangladesh | |
Özen et al. | Transitory mortality jump modeling with renewal process and its impact on pricing of catastrophic bonds | |
Zhang et al. | Stochastic modelling of maintenance flexibility in Value for Money assessment of PPP road projects | |
Mapfumo et al. | Risk modeling for appraising named peril index insurance products: A Guide for practitioners | |
Ghosh et al. | Jobs, growth and sustainability: a new social contract for India's recovery | |
US20210012256A1 (en) | Structured liability risks parametrizing and forecasting system providing composite measures based on a reduced-to-the-max optimization approach and quantitative yield pattern linkage and corresponding method | |
Ross et al. | Basis risk from the cedant's perspective | |
Frisari et al. | Climate Resilient Public Private Partnerships: A Toolkit for Decision Makers | |
Lin et al. | Evolution of research on climate risk insurance: A bibliometric analysis from 1975 to 2022 | |
Bravo | Pricing longevity bonds using affine-jump diffusion models | |
Gray et al. | Building the resilience of the United States’ agricultural sector to extreme floods | |
Stephenson | Climate change: Financial risks to federal and private insurers in coming decades are potentially significant | |
Jimenez Maldonado | Developing decision rules for the rainfall index insurance program: An application to Pennsylvania producers | |
Kleindorfer | Interdependency of science and risk finance in catastrophe insurance and climate change | |
Ogurtsov | Catastrophic risks and insurance in farm-level decision making | |
Siegle | The Capitalization Effect of Designating Scenic Rivers, the Indemnification Effects of Successive Droughts, and Using Machine Learning to Price Specialty Crop Insurance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |