CN115668265A - 为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量的风险转移配置器和模拟引擎及其方法 - Google Patents

Abstract

提出的是一种自动数字通道，以布局和管理再保险行业中的风险转移。该数字通道基于用于基于时间相关的一系列物理风险事件的发生的测量的事件参数值自动预测前瞻和后顾影响度量的指标模拟引擎。物理风险事件的发生基于事件特性参数的预定阈值来测量，物理风险事件对特定物理或无形真实世界资产或活体标的的影响基于影响特性参数来测量。风险转移的特性至少部分地借助于参数驱动的分支过程来捕获，该分支过程动态地捕获特性参数值并将值动态地映射到结构化特性参数。

Description

为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量 的风险转移配置器和模拟引擎及其方法

技术领域

本发明涉及一种基于物理风险事件的时间相关发生概率的参数化特性来预报前瞻和后顾指标度量的参数驱动的模拟引擎。本发明涉及用于操纵、监测和调整/优化风险驱动的标的和相关风险转移单元的组合的智能自动优化技术。更特别地，其涉及风险事件驱动或触发系统的预报和基于曝光的信令、操纵和/或操作，通常但更特别地，用于承保、风险管理、风险组合操纵和信令的自动化的系统，其涉及对风险事件或灾难的发生对组合的影响的改进的识别，即显示损失影响的测量的灾难，及其量化影响的预报或预测，和/或启动或触发适当的减轻风险的措施以应对责任风险的改进的能力，和/或量化灾难曝光的改进的基于情景的建模，和/或具有改进的风险收费/成本信令和优化的损失比处理的改进的资源/风险平衡。

背景技术

在所有技术领域中，通常需要基于关于现实世界物理系统、资产或活体标的的未来操作或状态的测量参数和感官数据来评估、测量和预测。用于这种测量/预测的重要因素是例如测量到的真实世界物理系统、资产或活体标的对外部发生的风险事件的影响的曝光，并且可能与真实世界物理系统、资产或活体标的的内部老化过程相关。在自动风险转移技术中特别如此。风险转移系统严重依赖于对所确定的每个曝光单元的基本费率度量的调整或校准。基本费率可能针对具有不同特性的风险而显著改变，即物理风险事件的时间相关发生概率。风险转移技术中所需的基本费率度量与通常产品的参数之间的差异之一通常依赖于以下事实：提供风险转移对特定基本费率度量的实际影响是未知的，直到预定风险转移时间段已经届满和/或发生风险事件为止。因此，风险转移费率度量严重取决于通过物理风险事件的当前参数值的时间相关传播的预测或预报度量及其可能的影响，而不是直接取决于当前参数值。此外，传播主要依赖于对相关性的预报，在技术上缺乏对发生概率度量、即风险度量的明确处理。

在现有技术中，大多数费率是通过基于曝光风险的资产或标的的特定触发变量对测量和监测的历史发生的损失执行统计分析来确定的。产生最佳预报的参数是设定费率值的标准。在执行历史分析不能提供足够的统计杠杆的情况下，诸如对于地震风险转移，通常使用灾难建模技术，但是具有较大的错误率。自动风险转移系统必须能够实现以下两方面：(a)基于特定变量设定费率度量，以及(b)确定哪些变量应用于特定风险转移承保资产或标的。在技术上，基本费率提供了与单独风险转移(即，由于例如飓风或地震等物理风险事件的发生而造成的物理损失或损坏影响的概率)相关联所需的资源的度量，或者在财务方面，基本费率提供了与单独风险转移相关联的成本(或费用)的度量。基于费率允许风险转移系统对不同的转移风险进行适当的加权，即在曝光风险的资产或标的及被保险人之间维持平衡。这种结构考虑到成本随着每个单独的风险转移而改变的事实。此外，不同类型的成本与风险转移的总成本具有不同的相关性。然而，提供风险转移的每个成本与风险转移本身具有不同的相关性，并且必须以某种方式分配给风险从其转移的标的或资产。在现有技术中，风险转移成本或费用被分成两类之一，即随风险转移的总成本改变的那些成本和不随风险转移的总成本改变的那些成本。已经在技术上不同地解决了分配这些不同类型的费用的问题。在现有技术中，用来解决这些问题的结构的至少两种变型是已知的，特别是1)费用化法和2)劳工补偿法。为了风险转移的自动化，系统依赖于三个重要的先决条件：(i)精确测量所有的量，(ii)所有费率均处于适当水平，以及(iii)评级结构是可扩展的和可倍增的。而且，重要的是注意，在此背景下，曝光单元是在风险转移费率，即保费费率中使用的指标度量。保费是对要利用风险转移分配的总资源的度量(即，风险转移的总成本)，通常由保单给定。因此，这些度量的关系由保费＝费率x曝光单元给定。例如，如果以货币单位(例如，欧元或美元)为单位度量保费，并且例如以“汽车年份”为单位测量曝光或曝光单元，则费率的指标度量将是以“每汽车年份的欧元”为单位度量。因此，需要提供自动的技术系统和方法，以在技术上允许基于物理测量参数以自动和精确的方式对风险转移或风险转移的组合进行快速评估和/或自动的预测和预报。

在现有技术中，具有用于自动接收数据的用户界面的处理器驱动的系统被用于在用户与数字平台或通道之间绑定合同签订，这是现有技术中已知的，特别是经由互联网绑定合同签订。在风险转移技术的领域中，这样的系统或平台是例如自动的承保(UW)平台。为了提高数据获取的质量，已知的系统通常配备有验证装置，以便基于分配给用户界面的数据输入字段的数据规则来检查输入数据值，并且如果必要的话，经由用户界面请求校正。在产品或服务被分配了固定购买价格的情况下，销售合同可以由已知系统自动地在线签订。然而，如果合同的标的涉及不能简单地分配合同的条件的服务结构/产品，特别是基于单个一对一的价格，则已知的系统仅适用于订购或申请必须由服务提供商的专业助理稍后手动处理的服务的数据获取。这意味着，取决于许多条件和因素的服务的合同，例如取决于许多许多且不同的风险因素和风险转移条件的风险转移，不能由已知系统自动地且在线地签订，也不能在没有来自提供商侧的人工协助的情况下，从用户侧动态地适应这样的风险转移或组合或风险转移的篮组(basket)。在已知系统中，通过根据用户的相关国家或相关语言区域的规范来选择和激活不同的用户界面，可以不同地处理来自不同国家和/或语言区域的用户。例如，向用户呈现特定国家或语言的图形用户界面。用于不同用户组的多个不同用户界面的存在增加了系统的复杂性和维护成本。例如，必须在所有特定国家和语言的图形用户界面中进行用户界面的一般性更改。

发明内容

本发明的目的是允许基于物理测量参数值和数据，系统地捕获、测量、量化和前瞻性地生成与物理真实世界资产和标的的风险曝光相关联的风险转移和风险转移组合的适当风险和风险累积度量，即在定义的未来时间窗口中可能发生的物理事件的影响。本发明的另一个目的是提出一种处理器驱动的系统或平台，其提供用于自动订立和动态地调整风险转移服务用户与风险转移服务提供商之间的风险转移的自动的数字通道，其不表现出已知系统的缺点。特别地，本发明的目的是提出一种处理器驱动的、指标系统或数字平台，其包括用户界面，该用户界面可以借助于终端经由用于用户的数据传输网络操作，包括用于输入与风险转移的标的有关的数据的数据输入字段，该用户界面是可用的并且可以用作用于由用户独立于合同(服务)的位置或期望标的来进行、监测和调整风险转移或风险转移的组合的一站式、端对端过程。特别地，本发明的另一个目的是提出一种处理器驱动的、基于计算机的系统，该系统包括通用用户界面，该通用用户界面可以灵活地适应自动绑定过程的可变的风险转移条件和风险转移类型，而不产生服务用户可见的改变。所使用的发明技术教导应该能够容易地集成到其它过程、生产链或风险评估和测量系统中。最后，本发明应该能够使用来自多个异构数据源的数据和测量参数值。概率和风险预报应该允许捕获各种装置和环境结构，提供风险因素的精确和可再现的测量，并且允许优化所捕获的风险事件的相关联的事件的发生的影响。

根据本发明，这些目的特别地通过独立权利要求的特征来实现。此外，其它有利的实施例由从属权利要求和说明书得出。

根据本发明，上述目的特别地通过发明的自动风险转移配置器来实现，该自动风险转移配置器允许快速组成、启动和配置高度定制的次级风险转移结构，其中，风险转移配置器包括指标模拟引擎，其中，改变包括捕获的风险曝光单元在内的风险转移的组合或篮组的基本费率度量和/或结构混合特性，直到达到关于基本费率度量和/或结构混合特性的改变值的期望程度为止。特别地，本发明涉及上述指标模拟引擎，用于基于时间相关的一系列物理影响风险事件的发生的测量的事件参数值自动预测前瞻和后顾影响度量，其中，物理风险事件的发生基于事件参数的预定阈值来测量，并且其中，物理风险事件对特定物理或无形真实世界资产或活体标的的影响基于与资产或标的相关联的影响参数来测量，至少部分地借助于参数驱动的、基于规则的分支过程来捕获物理资产或标的的结构化资产/标的特性参数，该分支过程动态地捕获特性参数值并将值映射到结构化特性参数，其中，与影响物理资产或标的的一个或多个预定风险事件的发生相关联的多个风险转移由指标风险曝光单元捕获，并且借助于所捕获的风险曝光单元将多个风险转移到持有风险转移的组合，并且其中，组合的结构混合特性由利用相关联的指标风险曝光单元测量和捕获的风险的类型和分配的风险转移的数量给定，模拟引擎基于风险转移的事件参数和借助于模拟引擎确定的物理资产或标的的资产/标的特性参数将基本费率度量应用于与风险转移的特定类型相关联的指标风险曝光单元，其中，基本费率提供了用于覆盖与特定转移相关联的风险所需的资源的成本度量，并且其中，通过将基本费率与特定风险转移的风险曝光单元的数量相乘来生成风险转移的保费，并且模拟引擎基于包括捕获的风险曝光单元在内的组合的基本费率度量和/或结构混合特性的改变动态地提供前瞻和后顾影响度量，其中，前瞻和后顾影响度量至少包括与风险转移的组合相关联的总保费量和/或由总保费量减去与分配给组合的风险曝光单元的转移部分的次级风险转移相关联的保费所给定的净保费量的度量，和/或总预期损失度量和/或CM1度量。作为实施例变型，自动风险转移配置器和/或模拟引擎能够被实现为基于云的应用的集成部分。基于云的应用能够由适当的提供商实现为云应用上的软件即服务(SaaS)。

本发明特别具有以下优点：它提供了自动的电子数字通道，以单独地布局和管理第一风险转移系统或保险人与第二风险转移系统再保险人之间的风险和风险转移，特别是用于两个风险转移系统(保险人-再保险人)之间的次级风险转移的数字B2B通道。本发明提供了用于用户的再保险方案的自动一站式系统的技术基础设施，包括全在一个技术系统中的自动承保和用户特定的数据捕获、自动核赔、自动会计(技术和财务)和自动报告。该系统为所有风险特定的领域提供自动的次级风险转移(再保险)赔偿责任，例如，资产和伤亡风险、生命和健康风险、任何业务范围或行业风险、单个风险、合同分保和协议分保风险、以及涉及扩散到多个业务范围的一个事件的损失曝光的累积或冲突风险，即相关风险结构。发明的系统允许用户以新的技术方式在任何时间沿着整个价值链监测和完全控制他的风险。该系统还允许额外关注保险经纪人，其能够例如对发明的系统所绑定的风险转移贡献高达40％。本发明向用户提供了一种对其风险转移组合的新型的直接且完全的控制和透明性，特别地，本发明借助于前瞻和后顾指标和测量值提供了趋势的早期识别和灵活的风险转移操纵。本发明还提供了可以与其它技术解决方案和系统(例如，组合监测平台)无缝集成的技术手段。

本发明还具有以下优点：与现有技术系统和技术领域中可用的技术相比，本发明提供了允许用户明显更快地开发“上市”策略的技术基础。例如，本发明借助于发明的风险转移产品组成单元允许在48小时内进行新的风险转移结构/产品部署，与本领域中的常规技术系统相比，发明的风险转移产品组成单元具有更高的报价传递速度以及更增强的转介和配置应用。发明的、高效过程和结构允许将成本和人力保持在最小值，这是由于高度自动化过程而导致的，例如提供大约2％的成本领导，整个价值链90％的高自动化程度，简化的成本核算结构，动态定价结构(例如，针对不同措辞的不同价格标签)，容易操纵的容量部署，以及针对用户的高效的在线累积控制，特别是例如实现为软件即服务SaaS。实现为数字、电子和自动通道的本发明，如果请求没有资格进行自动的处理，则允许立即通知承保请求，否则本发明至少为离线通道提供风险转移。对于用户，本发明提供了一种易于使用的风险转移平台，其中用户能够在他想要的任何时候以快速且有效的方式管理他的风险转移。该系统通过用户的选择通道(电子再保险、自动的保险经纪人平台、经由应用编程接口(API)、电子邮件传送、或经由用户界面的半自动)提供无缝数据引入，其中用户的时间花费和管理工作量通过自动化而大大减少，并且其中该系统允许提供有效的数字用户支持(例如，Chatbots)。最后，本发明允许利用现有平台和应用，并且是可扩展的且在技术上是可集成的，而没有重复。本发明提供了一种平台，该平台涵盖整个端对端过程，适用于内部和外部使用。由于其技术灵活性，本发明还可以通过移动应用实现，特别是基于云的实现提供给用户。

附图说明

下面将基于示例并且参照这些附图，更加详细地说明本发明，其中：

图1示出了示意性说明根据本发明的自动的端对端过程的框图，该过程为用户提供了有效的、自动的在线风险布局、索赔和会计通道，具有用于自动的特许业务构造的完整的电子解决方案。标号2表示自动的端对端过程，21表示借助于基于规则的分支过程的自动的承保过程，211表示创建提交，212表示接收和绑定报价单，213表示修改和更新承诺，22表示技术会计过程，221表示预定保费，222表示建议新的索赔，223表示预订和更新索赔，224表示修正保费，225表示提交账户报表，23表示财务会计过程，231表示建议和/或请求赔付，232表示无缝配对，以及最后233表示账户的设定。所提出的发明和方法提供了对第一风险转移承保和次级风险转移承保、技术和财务会计的快速且容易的访问。本发明允许减少技术和管理输入以及管理中间市场风险转移组合的成本。还提供了对中等大小的单个风险或授信的快速访问和自动容量批准(capacity approval)。最后，本发明允许通过为客户提供易于使用且有效的在线风险布局、索赔和会计通道来减少技术和管理时间，其是24×7可用的，可通过管理展示板馈送，并且允许用户完全控制所有会计和索赔功能。本发明提供了一种自动的一站式解决方案，其涵盖了用于对中等市场风险组合进行再保险的完整的端对端过程。本发明允许针对整个技术过程实现一致的承保指导方针结构，确保在对组合的完全控制和透明性的情况下对用户的风险提交进行一致答复。

图2示出了示意性说明用于捕获与风险转移相关联的特性数据的示例风险转移设定的框图。其示出了在特定位置/区域处捕获资产比例产品的示例样本风险信息。

图3示出了示意性说明发明的电子平台或系统的示例的基于规则的分支承保过程的框图，即借助于参数驱动的分支过程的物理资产或标的的特性数据的自动的、风险转移特定的数据捕获，该参数驱动的分支过程动态地捕获特性参数值并且动态地将值映射到结构化特性参数。标号3表示基于规则的分支承保过程，31表示标准的基于规则的承保过程，311表示自动的基于规则的承保过程，3111表示触发的参数与触发规则相兼容的过程，312表示半自动的基于规则的承保过程，3121表示若干参数与固定的触发规则不兼容的过程，32表示非标准的基于规则的承保过程，并且最后321表示过程不包括自动定价的非标准承保过程。例如，可能存在92种不同的资产风险转移，其是经由发明的过程获取的(例如，63个比例的、28个非比例的和一个参数的)。在本发明的背景下，风险转移结构或产品被理解为按业务范围、业务类型和市场/国家(例如，资产、np、比利时)触发的风险转移结构。

图4示出了示意性说明示例生成作为发明的模拟引擎10的输出的前瞻和后顾影响度量的框图，其基于风险转移行为和fac业务的多个数据特性。对于由发明的系统1执行的所有风险转移，客户经由系统用户界面提交风险，即所有风险由用户基于约20个风险特性属性参数指定。在整个承保过程中，该系统基于结构化的数据。所有提交和验证的提交数据被存储在结构化数据库中。这意味着，绑定风险转移以及非绑定风险转移的风险信息是直接可用的。该系统提供了对特性数据进行数据捕获的参数驱动的承保过程：基于由承保过程定义的复杂规则集，自动或半自动地承保标准风险转移。如果所有条件满足，则立即对该业务进行报价。如果某些条件不满足，则由所管理的承保服务台或专家系统进一步考虑风险转移请求。作为实施例变型，该系统可以实现为接受用户费率要约，即对于一些产品，使用要约能够提供用户愿意的用于分配风险转移的费率，提供对支付意愿与由发明的系统的实际成本核算生成之间的差距的了解。如图4所示，该系统通过提供以下手段来提供前瞻和后顾度量输出：(1)假设场景(as-if scenario)：组合操纵的关键，识别发明的模拟引擎能够作用的区域(基本费率、业务混合)；(2)影响评估：模拟引擎允许用户管理和承保人在实际的、真实世界市场中测试/启动该承保之前评估改变对承保的影响。图4示出了在基本费率因子改变的情况下由模拟引擎生成的前瞻和后顾度量。换句话说，模拟引擎预测度量，以回答如果基本费率改变则会对当前风险转移组合产生什么影响的问题。在发明的方法和过程中，使模拟引擎的用户能够选择所需水平的基本费率的改变。随后，评估对组合指标总承保保费(GWP)、净承保保费(NWP)、预期损失和CM1的影响。在图4的示例中，示出了3种不同的1级PIC代码(管理、商业服务、公共设施；化学和制药；零售、交易、储存设施)的基本费率降低10％。关于粒度，可以针对每个级别(风险转移组合、产品、PIC级别1-3)并通过承保年份来评估和比较敏感度。

图5示出了再次示意性说明在根据图4改变基本费率因子的情况下由模拟引擎生成前瞻和后顾度量的图示。同样地，这里的模拟引擎预测度量，以回答如果基本费率改变则会对当前风险转移组合产生什么影响的问题。在x轴上，图5示出了基本费率的改变，范围从-50％到50％。在y轴上，示出了对组合指标总承保保费(GWP)、净承保保费(NWP)、CM1和绑定合同的数量(NR)的影响。保费的略微提高引起绑定的风险转移合同的立即下降。然而，大的风险转移合同由于约15％的费率提高而丢失。如果费率降低，则绑定额外的合同。关于粒度，可以借助于模拟引擎针对每个级别(风险转移组合、产品、PIC级别1-3)并通过承保年份来评估和比较敏感度。

图6示出了示意性说明在根据图4-5改变基本费率因子的情况下由模拟引擎再次生成前瞻和后顾度量的图示。再一次的，模拟引擎预测度量，以回答如果基本费率改变则会对当前风险转移组合产生什么影响的问题。图6示出了允许将经成本核算的费率与承保费率(按量加权)进行比较的预测度量。30％的值意味着由客户提供的费率平均比我们的经成本核算的费率高30％。负值意味着承保费率平均低于经成本核算的费率。

图7示出了示意性说明在改变风险转移篮组或组合的风险转移混合的情况下由模拟引擎生成前瞻和后顾度量的示例的图示。换句话说，模拟引擎预测度量，以回答如果风险转移混合物改变则会对当前风险转移组合产生什么影响的问题。在图7中，模拟引擎的用户选择在所需级别上的风险转移量的改变。随后生成对组合指标度量，总承保保费(GWP)、净承保保费(NWP)、预期损失和CM1的影响。图7示出了在管理方面提高5％、在食品方面降低5％并且排除具有负CM1的风险转移(发电、电信、纺织、木材)的影响。关于粒度，可以针对每个级别(风险转移组合、风险转移结构(产品)、PIC级别1-3)并通过承保年份来评估和比较敏感度。

图8示出了示意性说明在改变风险转移篮组或组合的基本费率因子和风险转移混合的情况下由模拟引擎生成前瞻和后顾度量的示例的图示。换句话说，模拟引擎预测度量，以回答如果基本费率和风险转移混合改变则会对当前风险转移组合产生什么影响的问题。模拟引擎的用户在所需级别上选择业务量的改变和基本费率的改变。随后借助于模拟引擎生成对风险转移组合指标度量，总承保保费(GWP)、净承保保费(NWP)、预期损失和CM1的影响。

图9示出了示意性说明模拟引擎集成的示例的图示。在该实施例变型中，模拟引擎被实现为风险转移组合监测器和管理平台的集成部分，作为额外功能。因此，其是风险转移组合分析和预测框架的集成部分。这种电子解决方案允许风险转移组合监测器和管理平台和/或承保系统和平台容易地访问和使用。

图10示出了美国的位置的示例，通常能够在其中捕获街道地址信息，并且其中，系统1可以例如利用Street View检索资产的虚拟查看形式。

图11示出了累积损失，即保险条件应用之前的损失。图11a是基于主要属性集合评级的示例资产的累积损失，而图11b示出了基于从曝光数据库2151检索的属性集合评级的示例资产的累积损失。

图12a和12b示出了数据记录21511,…,2151i的属性，属性例如可以被分组为地理特性、物理特性、洪水物理特性、风暴物理特性、地震物理特性和专家属性，如从图12a和12b可见，这些分组表示例如前瞻建模模块21532的标签。图12a示出了示例位置1，数据记录21511,…,2151i的屏幕截图，地理位置标签，这些内容示出了地理输入和地理编码数据。图12b示出了示例位置1，数据记录21511,…,2151i属性数据标签的屏幕截图。在这种特定情况下，可以从曝光数据智能化处理(intelligence)215检索以下参数：(i)占用率水平1；(ii)占用率水平2；(iii)主要结构类型；(iv)详细结构类型；以及(v)设计年份。

图13a和13b示出了属于同一街道地址的位置的视图，特别地，图13a中是StreetView，图13b中是卫星视图。两个建筑物被映射到相同的地址。在这种情况下，多数投票不会导致期望的结果，除非实现了更好的聚类逻辑。可能的解决方案是考虑将来自所有被聚类的记录的所有可用属性进行匹配。

图14a和14b示出了基于纬度和经度坐标的两个位置的技术匹配问题，其中匹配可以是用于地址匹配的有效的预处理/精细化步骤，这主要是因为它允许克服地址格式化问题：一旦搜索被缩小到感兴趣的资产/标的12周围的网格单元格215221，就可以仅基于房屋号码或其它属性来匹配这两个位置215112。当选择搜索单元格215221的尺度215222时会导致技术问题。通常结果是没有大到足以包围两个[Lat,Lon]标签，当将大资产与大地块匹配时尤其如此，例如：美国伊利诺伊州芝加哥彼得森大街西侧3860号，邮编：60603(图14b上是StreetView；图14a上是卫星视图)。

图15示例示出了系统1的集成OSM(OpenStreetMap)的默认地理编码处理模块216，借助于其界面，该默认地理编码处理模块允许在不同级别(建筑物/街道/地区/郊区/县/州…)进行前向和反向地理编码。它将NLP用于地址标准化，并且可以在默认不可用时执行房屋号码插值。例如，在美国，美国人口普查局产生的拓扑集成地理编码和参考系统(TIGER)数据可以很好地覆盖房屋号码和道路。

图16示例示出了Overpass API(应用编程接口)的用户界面。在这种情况下，系统1被实现为通过OSM数据库的所有其它组件(节点、路径和关系)的位置、几何形状、标签和与Overpass API(应用编程接口)的关系来查询OSM数据库的所有其它组件。

图17和图18示出了3种方式的原始组合数据215113的验证示例：(a)原始组合数据215113地址产生OSM[Lat，Lon]，(b)原始组合数据215113[Lat，Lon]到OSM(Rev)地址；以及(c)与覆盖区匹配的坐标。在图18的示例中，在地图上可视化覆盖区匹配。这是坐标标记刚好“足够接近”正确建筑物的示例。

图19示例示出了坐标到OSM覆盖区的匹配。在该步骤中，系统1确定是否有任何找到的位置属于建筑物覆盖区。查询是利用修改的Overpass Python模块构建的。在第一步骤(I)中，利用Overpass查询(具有标签的“建筑物”的所有路径和关系)在特定网格单元格内检索所有建筑物覆盖区，例如，原始组合数据坐标215113的100m半径内。利用GeoPandas和Shapely库(GeoPandas允许与Python中的地理空间数据一起工作)处理检索到的几何形状。GeoPandas扩展了Pandas使用的数据类型，以允许对几何类型进行空间操作。几何操作可以例如由Shapely执行。GeoPandas还根据用于文件访问的Fiona和用于绘图的Descartes和Matplotlib，对每个覆盖区的凸包进行计算，以简化形状。(II)算法随后可以对所有获得的形状中的原始组合数据坐标对215113和OSM坐标两者执行多边形点的搜索。如果第一搜索仅返回一个多边形，则匹配被标记为“精确”。否则，所有匹配返回都不带有“精确”标签。在不匹配的情况下，将缓存区添加到所有形状并且重复搜索。(III)如果没有找到匹配，则增加缓存区并且重复搜索。为了跟踪不确定性，根据每次匹配返回缓存区的大小(参见图19步骤I-III)。

图20示例性示出了两个示意性直方图，其中上部是原始组合数据坐标对215113与OSM坐标之间的距离误差在100m范围内的直方图。85％的地理编码结果落入该范围内。下部直方图示出了距离大于100m的距离误差的直方图，代表了15％的结果。

图21示出了使凝聚聚类和分裂聚类可视化的一般聚类树状图。

图22示出了聚类的原始目的：对原始组合数据215113的记录21511,…,2151i进行数据去重。

图23示出了所提出的聚类层级中的一个，其中街道处于根级别。

图24示出了地点处于根级别的示例聚类层级。由聚类的几何形状限定的聚类处于不同级别→聚类不能被混淆，没有机会重复。所应用的“自上而下的分裂聚类”方法例如可使图24的图示可视化。在该方法中，粒度随着每个聚类节点的添加而增加(在添加聚类之前，必须知道其家长)，使得其类似于“自上而下”的方法。在根级别，存在由道路交叉点形成的地点聚类、邻居聚类或街区聚类。下一级别的聚类由根聚类内部的单个建筑物形成。在最低级别，存在具有限定的[Lat，Lon]和地址的单个风险/保险项目，其基本上可以被看作去重的原始组合数据215113的记录21511,…,2151i。图24的图示还示出了每个级别的有意义的聚类属性的示例。

图25示出了从OSM(使用OSMnx python模块)提取的可驱动路网，用于创建根级别聚类。

图26示出了在地图上可视化的作为根级别聚类的封闭多边形。

图27示出了从卫星图像导出的华盛顿哥伦比亚特区的覆盖区。

图28示出了使用OSM作为组合数据富集的源，从其中可以获取感兴趣的元数据标签和键值(即，对于建筑物键值，我们可以找出其类型/值，类似地对于行业键值-行业类型)。

图29示出了原始组合数据215113到建筑物和低级别风险属性的可能拆分。当需要在方案中增加新的风险或在特定级别处执行查找/聚合时，图29中说明的层级特别有用。

图30示出了曝光数据智能化处理215的位置智能化处理引擎2156。通过实施对数据库(该数据库能够通过适当的用户界面作为Web应用访问)的查询，曝光数据库2151的使用和访问能够容易地以更加用户友好地方式进行，这使用户能够通过地址和坐标查找聚类并且借助于位置智能化处理引擎2156(参见图30)浏览相应的属性。

图31示出了这种编码方案的示例。每个索引对应于编码字母表中的相应索引位置处的字符，例如：(i)负索引：23456789CF，(ii)正索引：GHJMPQRVX。

图32示出了这种单元格可利用20个字符中的一个进行编码，以在100m范围上获得5m的精度。单个点/子单元格可以例如如图32a所示那样定义，而区域可以通过将多个子单元格加在一起来定义，如图32b所示。

具体实施方式

图1至图32示意性示出了用于数字平台1的实施例的可能的实现架构和用于发明的指标模拟引擎10，该指标模拟引擎用于基于时间相关的一系列物理影响事件的发生的测量的事件参数值自动预测前瞻和后顾影响度量，以及电子风险转移配置器和风险转移组合管理平台。如图1所示，发明的自动的端对端过程2为用户提供了有效的、自动的在线风险布局、索赔和会计通道，其是用于自动授信业务构造的完整的电子解决方案。

数字平台和系统1提供了自动、多通道、端对端的风险转移产品配置过程2，用于配置、启动和处理定制的第二层级风险转移结构。因此，数字平台和自动风险转移配置器1允许快速组成、启动和配置高度定制的次级风险转移结构。系统1提供自动风险转移产品布局作为第一在线通道，其包括用于创建定制的第二层级结构的组合的参数驱动的、基于规则的承保过程21。系统1提供自动的索赔处理22作为第二在线通道，并且系统1提供自动的会计23作为第三在线通道。系统1包括用于借助于基于规则的分支过程21提供自动承保的产品配置器214。产品配置器214包括至少四个构造块：用于设定风险转移产品的覆盖区域参数2141的第一结构化块、用于设定业务范围参数2142的第二结构化块、用于设定风险转移类型参数2143的第三结构化块以及用于设定风险信息参数2144的第四结构化块。为了捕获风险信息参数2144，产品配置器214包括基于机器的曝光数据智能化处理215，使其能够基于标的12的精确位置自动识别标的12的特有风险。该系统还包括指标模拟引擎10，用于基于时间相关的一系列物理影响风险事件11的发生的测量的事件参数值111自动预测前瞻和后顾影响度量101。基于事件参数111的预定义阈值测量物理风险事件11的发生，并且基于与资产或标的12相关联的影响参数112测量物理风险事件11对特定资产或标的12的影响。系统1包括组合分析框架6的图形用户界面，该图形用户界面提供组合结构14的动态表示61，其中，指标模拟引擎10形成组合分析框架6的集成部分。借助于指标模拟引擎10，组合结构14的动态表示向用户提供前瞻和后顾洞察，从而使得能够通过识别组合14的关键区域以及在进入市场之前可能发生的改变对承保的影响来实现组合操纵。

作为实施例变型，数字平台1包括客户费率要约模块7，其中，借助于客户费率要约模块7，使得用户能够输入并要约他愿意支付的费率，从而允许该系统捕获对支付意愿与由数字平台1生成的成本核算之间的差距的洞察。

基于机器的曝光数据智能化处理215

基于机器的曝光数据智能化处理215包括曝光数据库2151，例如，基于SRX+数据库方案，包括分别保持资产和/或标的12的属性参数215111的多个数据记录21511,…,2151i，其具有分配的地理位置参数215112。例如，曝光数据库2151可被实现为全球集中的地理数据库，其提供用于地理数据的标准储存库等。特别地，曝光数据库2151存储风险曝光的资产和/或标的12的池或组合，其中标的12的组合被分配给特定用户。此外，基于机器的曝光数据智能化处理215包括EDI引擎2153(曝光数据智能化处理引擎)，该引擎提供基于曝光的风险的建模和评级，例如，Nat Cat建模。此外，基于机器的曝光数据智能化处理215包括EDI引擎2153(风险数据智能化处理引擎)，其提供基于风险的风险建模和评级，例如Nat Cat建模。曝光数据智能化处理215包括适当的应用编程和图形用户界面(API/GUI)或其它数据界面。如果基于机器的曝光数据智能化处理215主要集中于自然灾难(Nat Cat)处理，其也可被表示为NCEDI(Nat Cat曝光数据智能化处理)。因此，EDI引擎2153可以例如基于曝光数据库2151和数据记录21511,…,2151i的聚类为用户提供查找服务访问21531，其中，对位置特定风险的自动识别可以由用户基于资产和/或标的12的精确位置进行评估。为了提供自动的建模和评级，EDI引擎2153可以例如包括前瞻建模模块，该前瞻建模模块包括例如自然灾难风险建模结构。建模结构可以例如生成针对例如地震事件、风暴和洪水等主要风险相对于其地理上最大曝光的损失分布。对于所使用的损失度量，经济和保险价值的概率和组合可被用于评估由特定年份中的每个风险引起的年度预期总损失和保险损失。具有预期损失估计的建模场景可以由外部源的数据补充，例如，联合国减少灾害风险办公室的全球评估数据。基于机器的曝光数据智能化处理215包括聚类模块2152，用于对与资产/标的12的分配的地理位置参数215112相关的存储的曝光数据库2151的资产/标的12进行聚类。存储的曝光数据库2151的数据记录21511,…,2151i例如可以覆盖大范围的世界范围的信息和测量数据，包括关于国家、州、县、邮政编码和社区的数据以及全球自然灾害测量数据。在触发具有相同的分配的地理位置参数215112的数据记录21511,…,2151i的不一致性的情况下，将具有相同的分配的地理位置参数215112的曝光数据库2151的不同数据记录21511,…,2151i进行匹配和相互校准。

基于机器的曝光数据智能化处理215还可包括用户数据界面2154，其能够经由移动装置5进行访问，以通过移动装置5的GPS模块54或光学传感器和/或相机55输入位置数据215112。移动装置5可以例如被实现为智能电话53。用户例如能够借助于移动装置5，使用到GPS模块54或光学传感器和/或相机55的数字平台1的数据传输来扫描保险资产12。基于机器的曝光数据智能化处理215可以例如包括交叉级别分析模块2155，该模块提供大风险池的识别21551、分析21552和验证21553，其中，风险池包括曝光数据库2151的多个标的12，其中，不同级别和通道至少包括授信风险转移和/或合同风险转移和/或定制的公司直接风险转移，并且其中，基于不同级别的属性215111和位置215112以及针对不同通道分析资产/标的12的风险，从而允许自动跟踪风险累积和/或容量阈值。

基于机器的曝光数据智能化处理215的聚类模块2152例如可包括基于位置的纬度坐标和经度坐标2151121/2151122的自动地址匹配21521，其中，为了聚类，搜索被缩小到感兴趣的资产/标的12周围的网格单元格215221，被缩小到两个位置215112可仅基于房屋号码或其它位置相关属性进行匹配的尺度215222。对于聚类，聚类模块2152可以例如使用自适应的单元格尺寸和/或形状215223，这取决于局部住宅/建设密度。可替代地，对于聚类，聚类模块215还可使用可访问的建筑物覆盖区来检查纬度/经度标签是否用感兴趣的覆盖区包围，其中，任何纬度坐标/经度坐标215112被映射到唯一的建筑物和/或与地点相关联。

在风险转移系统中，曝光数据库2151通常是从客户组合建立数年。由于对于同一资产/标的12，合同通常每年都更新，因此它在数据库2151中可以出现多次，但有时具有不同的属性集。这在技术上导致查找问题，因为没有唯一的资产标识符。通过按位置聚类那些属性来解决这个问题，从而允许进行查找服务。此外，通常已知街道地址、建筑物的类型以及有时是构造的类型、屋顶的类型和保险建筑物的外墙，即可以从数据源检索到。本发明能够例如借助于前瞻建模模块21532提供适当的数据富集。以美国位置作为示例，在该位置处，通常可以捕获街道地址信息，并且系统1可以例如利用Street View(参见图10)检索对资产的虚拟查看。对于数据富集，本发明组合各种异构数据源作为保险系统的内部数据源，例如曝光数据库2151，以及组合外部数据源作为来自Google的“GeoFacts”数据集，以补充所使用的数据用于建模，例如用于资产和标的12。如果借助于EDI引擎2153和/或前瞻建模模块21532来对图10所示的该示例建筑物进行损失模拟，分别是一次利用最小属性，一次利用从系统1检索的信息和曝光数据智能化处理来充实富集，则可以比较两种方法的预期损失。在图11a和图11b中，示出了累积损失、即保险条件应用之前的损失，其中图11a示出了基于主要属性集合评级的示例资产12的累积损失，图11b示出了基于从曝光数据智能化处理215(在图11b中表示为NCEDI)检索的属性集合评级的示例资产12的累积损失。数据记录21511,…,2151i可以例如采用对可取特定值的预定义属性集合进行编码的格式。这些属性可以被分组为地理特性、物理特性、洪水物理特性、风暴物理特性、地震物理特性和专家属性，如从图12a和12b中可见的那样，其表示例如前瞻建模模块21532的标签。图12a示出了示例位置1，数据记录21511,…,2151i地理位置标签的屏幕截图，其示出了地理输入和地理编码的数据。图12b示出了示例位置1，数据记录21511,…,2151i属性数据标签的屏幕截图。在这种特定情况下，可以从曝光数据库2151检索到以下参数：(i)占用率水平1，(ii)占用率水平2，(iii)主要结构类型，(iv)详细结构类型，以及(v)设计年份。

在验证和充实富集过程期间，不是系统1能够通过其精确位置自动识别特有风险，而是曝光数据智能化处理215自动避免用户错误地输入到曝光数据库2151中的输入。而且，系统1允许映射来自多个提交的保单的所有权：例如，如果在提交X中聚类K属于用户Z，在提交Y中保单的所有者是未知的，则这可以经由返回到聚类K的链接来查找。作为实施例变型，在智能家居技术领域中，系统1提供了数据界面，其允许用户直接从App获得/购买风险转移，并且通过将他们的IoT数据集成到曝光数据库2151中来从适当费率中获益。系统1允许提供用户访问，这与用户能够使用智能电话(具有GPS和相机能力)来确定精确位置并扫描他们的保险物品一样简单。这可以例如涉及建立资产的风险指数，以获得更好的损失估计。

作为另一实施例变型，曝光数据智能化处理215(NECDI)允许创建提供全局风险池的识别、分析和可视化的资产位置网络。资产位置网络可以例如用作通过不同级别(聚类)的属性和位置分析风险的基础，并且允许更好地跟踪风险累积和容量：例如，相同的风险可以通过多个通道被分给第二层级风险转移系统，即再保险系统：经由授信的协定再保险业务或经由公司定制的直接解决方案的风险转移/保险。通过系统1使得能够跟踪来自不同来源的每个风险，这允许在技术上跟踪再保险系统关于风险的容量。例如，当针对给定建筑物并且通过预定义规则或边界条件参数计算容量时，再保险系统不能试图采用比100M更高的容量，再保险系统必须能够查找它是否参与同一建筑物中的其它风险并且调整曝光，以使再保险系统不超过其预定义的容量限制。

关于曝光数据智能化处理215的组合数据清偿和位置验证过程，上面分别讨论了从曝光数据库2151和曝光数据智能化处理215返回的项目可能不具有通过[Lat，Lon]或地址(即在道路或停车场而不是实际资产上设置的标记)分配的精确位置。例如，这可能是由于输入期间的人为错误或由于不准确/不一致的地理编码。验证地理数据的困难可以例如在以下示例中表明：

(A)街道地址验证问题：在图13中，两个建筑物的街道地址均为：美国伊利诺伊州芝加哥南侧10号大通大厦，邮编：60603(图13a上是StreetView；图13b上是卫星视图)：(i)大通银行大厦(Chase Bank tower)，(ii)夏加尔的四季公共艺术(Public Art Chagall’sFour Seasons)。此处的技术问题是，两个建筑物被映射到相同的地址(参见图13a和13b，其示出了属于相同街道地址的位置的卫星视图)。因此，(i)GeoFacts返回具有74层的ChaseBank tower，(ii)由聚类模块2152进行聚类(通过多数投票)返回具有1层的公共美术馆，以及(iii)曝光数据库2151仅返回占用率水平，即“商业建筑物>30层(？)”或“美术馆(？)”。技术问题是公共美术馆在曝光数据库2151中比大通银行大厦出现得更频繁。在这种情况下，多数投票(即当对于给定聚类最经常出现的属性值被选为整个聚类的显著且最具代表性时)不导致期望的结果，除非使用更好的聚类逻辑。作为解决方案，系统1考虑来自所有被聚类的记录的所有可用属性以进行匹配，并接收正确的结果。

(B)[Lat，Lon]验证问题：基于两个位置的纬度坐标和经度坐标来匹配两个位置可以是用于地址匹配的有效预处理/精细化步骤，这基本上是由于它允许克服地址格式化问题：一旦搜索被缩小到感兴趣的资产/标的12周围的网格单元格215221，就可以仅基于房屋号码或其它属性来匹配这两个位置215112。当选择搜索单元格215221的尺度215222时会导致技术问题。通常结果是没有大到足以包围两个[Lat，Lon]标签，当将大资产与大地块匹配时尤其如此，例如：美国伊利诺伊州芝加哥彼得森大街西侧3860号，邮编：60603(图14b上是StreetView；图14a上是卫星视图)：(i)费利西亚修女院(Felician Sisters Convent),(ii)教堂/宗教建筑物,(iii)大型资产。技术问题是Lat/Lon可能被映射到(i)道路上的邮箱或(ii)100m以外的实际建筑物。作为实施例变型，系统1使用自适应的单元格尺寸和形状215223，其取决于测量到的本地住宅/建筑密度。作为另一变型，系统1使用可用的建筑物覆盖区来检查[Lat，Lon]标签是否被感兴趣的覆盖区所包围。实际上，这样做的技术优点是允许将任何[Lat，Lon]坐标映射到唯一建筑物并将它们关联到地点(如果有用，例如，对于工业地点)。注意，这些仅是两个示例，但它们可代表曝光数据库2151中的许多位置。它们示出了在聚类之前对组合数据进行组织、验证和预处理的技术需求。综上所述，系统1以及曝光数据智能化处理215的与曝光数据库2151的内容相关的技术改进可分为以下几类：(i)原始位置数据的清理和去重，(ii)位置数据的重新地理编码，(iii)聚类层级和逻辑的改进，以及(iv)曝光数据库2151的数据在Web应用或另一图形用户界面中的可视化。

关于对位置数据215112的技术验证，大尺寸和持续增长的组合数据库使得保持其有组织、精确和有效查询在技术上变得意义重大。初始数据的组织在技术上是绝对关键的。为了验证该初始数据，系统1提出设定并实现新的地理编码服务过程、针对原始数据的不同解析算法以及适当的可视化工具来查看结果。

本系统1特别具有以下优点，例如自动忽略包含损坏的行的文件，例如，具有比标题列的数目更多的条目(可能与错误的特殊字符转义相关)。其它条目例如必须被去重等。

因此，记录的智能去重由系统1实现。此外，验证也由系统1处理，尽管数百万位置的验证在技术上不是简单的任务。对于如此大量的数据，使用外部数据源作为当前地理编码提供商(Google)在技术上通常是不合理的。因此，批量地理编码需要集成的解决方案以及地理编码技术和服务器。本发明技术上使用基于OpenStreetMap的批量地理编码方法。因此，系统1基于OpenStreetMap(OSM)数据来建立其自己的地理服务器，这带来以下益处：(i)它是免费的、开源的、本地运行的并且没有查询限制，(ii)它的数据库被频繁更新并且稳定增长，(iii)它包括来自许多公共可用的、全局的和本地源(政府、维基百科等)的数据以及来自用户的贡献，(iv)它提供前向和反向地理编码解决方案，(v)它支持1000s的位置特征(标签)的高级查询逻辑，(vi)它在技术上允许查询点、多边形和关系。在这一点上，需要重要说明的是，本系统1可以容易地集成在其它技术解决方案中。

作为实施例变型，系统1使用集成的OSM(OpenStreetMap)的默认地理编码处理模块216和界面(参见图15)，其允许在不同级别(建筑物/街道/地区/郊区/县/州…)进行前向和反向地理编码。而且，该变型利用NLP来实现其地址标准化，并且当默认不可用时，可以执行房屋号码插值。在美国，例如可以从美国人口普查局产生的拓扑集成地理编码和参考系统(TIGER)数据中获得对房屋号码和道路的良好覆盖。

系统1可以被实现和设计为仅处理地址相关的查询，然而，作为变型，它还可以例如被实现为通过OSM数据库的所有其它组件(节点、路径和关系)的位置、几何形状、标签以及与Overpass API(应用编程接口)的关系来查询OSM数据库的所有其它组件。图16示例示出了Overpass查询的用户界面。Overpass API可以提供各种搜索(即查询)可能性。搜索或查询的结果可以直接显示在地图上，但是也可以仅检索数据。Overpass API被实现为只读API，其服务OSM地图数据的自定义选择的部分。它用作网络上的数据库：系统1向API发送查询并取回与该查询相对应的数据集。Overpass API提供对系统1的优化的访问，在许多情况下，其需要多个元素，二者均由搜索标准选择，例如，标的的位置、类型、标签属性、接近度或它们的组合。因此，Overpass API相对于系统1起到用于各种数据检索的数据库后端的作用。

系统1可以例如包括3种方式的位置验证(参见图17)。在此，通过位置的验证，可以理解街道地址和坐标的验证。这包括以下步骤：

(a)原始组合数据地址215113→OSM[Lat，Lon]：确定属于原始组合数据地址215113的坐标。这可以例如通过使用GeoPy模块(GeoPy是可应用于若干地理编码数据服务的Python 2和3客户端，GeoPy允许Python开发者使用第三方地理编码器和其它数据源来定位全球的地址、城市、国家和地标的坐标)与本地地理编码处理端点和一些自定义脚本来实现。重要的是注意到，该步骤可能需要对存储在原始组合数据215113中的地址进行智能预处理，这是因为：(1)街道地址不是标准化的，它包括关于街道名称、房屋号码和公寓的信息，但不包括城市、地区或邮政编码。通过利用地址模块(例如地址Python模块)对地址进行标准化以便仅保持或过滤街道和房屋号码，可以在技术上解决这个问题。通过包括可从反向地理编码中解析的邮政编码、郊区、地区及城市属性来精细化地理编码结果，如下文所述。(2)它包含具有房屋号码范围(即，1201-1223)的地址，这些地址在技术上必须分解成单个地址的列表，并且产生坐标的列表。该分解步骤有助于确定相应的建筑物覆盖区，该覆盖区又是构建建筑物级别聚类所必需的。

(b)原始组合数据[Lat，Lon]215113→OSM地址：将原始组合数据坐标对215113与OSM数据库中的地址匹配。这也可以例如使用GeoPy来实现。然而，该步骤通常没什么用处：此处的主要技术问题是房屋号码插值，这有时不能产生正确的结果。此外，如果查询足够接近，则数据处理返回POI(感兴趣的人)而不是地址。

(c)所有获得的[Lat，Lon]→OSM覆盖区：将坐标与OSM覆盖区相匹配。在该步骤中，系统1确定是否有任何找到的位置属于建筑物覆盖区。查询是利用修改的Overpass Python模块构造的。在第一步骤(I)中，利用Overpass查询(具有标签“建筑物”的所有路径和关系)在特定网格单元格内检索所有建筑物覆盖区，例如原始组合数据坐标215113的100m半径内。利用GeoPandas和Shapely库(GeoPandas允许与Python中的地理空间数据一起工作)处理检索到的几何形状。GeoPandas扩展了Pandas使用的数据类型，以允许对几何类型进行空间操作。几何操作可以例如由Shapely执行。GeoPandas还根据用于文件访问的Fiona和用于绘图的Descartes和Matplotlib来计算每个覆盖区的凸包，以简化形状。(II)算法随后可以对所有获得的形状中的原始组合数据坐标对215113和OSM坐标两者执行多边形点的搜索。如果第一搜索仅返回一个多边形，则匹配被标记为“精确”。否则，所有匹配返回都不带有“精确”标签。在不匹配的情况下，将缓存区添加到所有形状并且重复搜索。(III)如果没有找到匹配，则增加缓存区并且重复搜索。为了跟踪不确定性，根据每次匹配返回缓存区的大小(参见图19步骤I-III)。

与现有技术系统相比，系统1提供了显著改进的技术处理和结果：a)对于查看4'017'430个样本的唯一原始组合数据记录215113的前向地理编码的示例，仅2'664'826个样本提供为地址，并且仅1'947'876个原始组合数据地址215113可以被地理编码。例如，可以通过计算两点之间的测地距离，将所获得的坐标与原始组合数据坐标215113进行比较。在99％离群值过滤后，将结果分配至1m直方图区间(bins)并计数。所获得的直方图在图20中可见。可以注意到85％的距离位于100m的范围内，其中在10m和20m处有两个不同的峰值。这些峰值可以与对应于每个位置的建筑物尺寸的分布相关：OSM地理编码返回接近街道的位置，而原始组合数据坐标215113通常表示建筑物内的形心/点。因此，距离误差对于较小的建筑物将较小，而对于较大的建筑物将较大。所获得的距离可以用作置信指标。图20示例性示出了两个示意性直方图，其中上部是原始组合数据坐标对215113与OSM坐标之间的距离误差在100m范围内的直方图。85％的地理编码结果落入该范围内。下部直方图示出了距离大于100m的距离误差的直方图，代表了15％的结果。

b)关于反向地理编码，可示例性地给定以下技术结果：所有原始组合数据条目215113可以由系统1地理编码为OSM地址，这是由于每个记录根据定义包含坐标对。然而，所获得的结果具有改变的精度：74％的地址可以被解析到房屋号码，而只有5％与RATOS条目(当可用时)匹配。这是因为当没有在地址中指定时系统1依赖于房屋号码插值。当没有其它源可用(70％街道名称与原始组合数据215113街道名称匹配)时，该额外的街道地址信息可以特别用于富集。c)关于匹配的覆盖区，可以示例性地给定以下技术结果：覆盖区匹配由系统1示例地对4'017'430个记录执行。系统1示出了测量的性能，因为99％的原始组合数据215113条目可以与一个或多个建筑物覆盖区匹配。测量以下项：(i)超过50％以100％置信度匹配，(ii)约90％以5m公差匹配，以及(iii)约85％与恰好一个建筑物匹配。此外，当仅考虑原始组合数据215113坐标时，在该示例性能中，系统1可以将4M行分配给1'692'538个唯一的建筑物，这证明了建筑物级别的聚类可以在技术上利用本发明的系统1来实现。具有OSM坐标的额外匹配可以用于更高置信度的结果。例如，从以上结果可以得出以下结论：这些建筑物中的395'622个建筑物(行方式交集)很可能属于相应的原始组合数据215113的位置。

关于聚类模块2152和曝光数据智能化处理215的相关联的聚类处理，系统1开发中的主要技术挑战之一是技术聚类层级和其背后的逻辑。系统1的实现可以仅以一个级别的聚类为特征，除了它们的坐标、ID和包含的记录之外，这些聚类还没有明确定义的属性。对于技术层级的聚类问题，存在两种不同的可能的技术方法和实施例变型：其中之一被实现为凝聚聚类(参见图21)，这是一种自下而上的方法。另一个应用的处理被称为分裂聚类，并且遵循自上而下的方法(参见图21)。图22示出聚类的原始目的：原始组合数据215113记录21511,…,2151i的去重。

本文中提出了一种应用的“自下而上的凝聚聚类”方法，其在技术上是基于最近邻聚类和当前处于最高粒度级别的单个原始组合数据215113记录21511,…,2151i的模糊街道地址匹配(Levenshtein距离)来实现的，因此在本文中称为“自下而上的方法”。这种技术结构的主要优点在于，它可以处理通用/未命名的聚类级别，然而仅当适当地设计了相应的距离函数时：当在非数字和非欧几里得空间上操作时，这可能成为技术挑战(例如，对于占用描述空间，难以提出有意义的距离指标)。另一方面，如果聚类级别被明确命名(如图23)，则数据库记录21511,…,2151i必须提供相应的标志，并且在相反的情况下，必须提供确定有意义的最接近聚类节点的方式。然而，主要缺点在于没有考虑聚类的几何形状，使得不可能将地址绑定到特定建筑物，而是仅绑定到房屋号码。然而，多个不同的房屋号码甚至多个街道地址可以属于同一建筑物，这将导致不同的聚类。最后，系统1必须被实现为处理没有分配的街道地址而只有[Lat，Lon]坐标的记录21511,…,2151i，并且将它们包括到该层级中(参见图23)。本文提出的所应用的“自下而上的分裂聚类”方法可以例如可视化为图24的图示。与先前的处理结构(上面讨论的)相比的主要区别在于，该方法在技术上考虑了聚类的几何形状而不仅仅是语义。在该方法中，粒度随着每个聚类节点的添加而增加(在添加聚类之前，必须知道其家长)，使得其类似于“自上而下”的方法。在根级别，存在由道路交叉点形成的地点聚类、邻居聚类或街区聚类。下一级别的聚类由根聚类内部的单个建筑物形成。在最低级别，存在具有限定的[Lat，Lon]和地址的单个风险/保险项目，其基本上可以被看作去重的原始组合数据215113记录21511,…,2151i。图24的图示还示出了每个级别的有意义的聚类属性的示例。例如，在根聚类和建筑物聚类级别处执行中间聚类可能是有益的(技术上，这在数据库变得更大时额外加速了聚类)。a)校园/地点/街区级别：系统1的技术关键假设是可以从道路交叉点提取校园/地点/街区(参见图25)。所应用的技术应该适用于具有道路的任何位置。作为实施例变型，它们可以作为多义线从OSM中提取(通过定义要查找哪些道路类型和标签)，但是在技术上也可以从其它数据源(例如卫星图像)中导出。随后，可以例如对所获得的线的集合进行多边形化。技术上，这产生多边形的集合，其定义根级别的聚类，如图26所示。

b)建筑物级别：建筑物覆盖区(参见图27)可以类似于系统1的街道实现：可以从可用的OSM或其它数据提供商提取建筑物覆盖区，或者甚至从卫星图像和测量结果在内部导出。OSM的优点在于，它可以用作组合数据富集的源，从该组合数据富集中可以捕获感兴趣的元数据标签和键值(即对于建筑物键值，我们可以找到其类型/值，类似于行业键值-行业类型)，如图28所示。

c)保险项目/风险级别：在该级别存储去重的原始组合数据215113记录21511,…,2151i，其中特殊条目包含副本的所有ID。对于系统1，i不必在聚类数据库中存储副本的所有元数据，因为可以在具有ID的原始组合数据215113中进行查找。图29示出了原始组合数据215113到建筑物和低级别风险属性的可能拆分。当需要在方案中增加新的风险或在特定级别处执行查找/聚合时，图29中说明的层级是特别有用的：因为必要的聚类信息不是自动包括在每个记录中(即属于哪个建筑物，或者甚至是属于哪个街道)，因此其应该通过聚类的坐标和几何边界来单独地确定。由此提出了有效地存储和索引这些几何形状/聚类的挑战，导致空间数据库的创建。

作为实施例变型，这两种技术处理方法可以在系统1中组合成一种，如下所述：首先，对于原始组合数据215113记录21511,…,2151i(在最低级别)的去重，以及针对记录不能被分配给建筑物(或其它级别)节点时的情况，可以使用第一种方法的模糊匹配逻辑，因此需要创建未命名的聚类级别，该未命名的聚类级别可以由针对凝聚聚类开发的距离函数来处理。其次，可以根据分割方法提供聚类几何形状。随后可以决定如何定义和实现根级别聚类：或者将它们保持为街道(以缓存区形式)，然而这自动地产生副本(对于与多个街道交界的建筑物)；或者使用由道路交叉点创建的多边形，这也可以用于有效的索引。因此，作为实施例变型，只要在主要中间聚类级别和根级别上达成一致，就可以实现混合方法，并且值得尝试。

通过查询可在适当的用户界面上访问的数据库，例如Web应用上，可以容易地使曝光数据库2151的使用和访问更加用户友好，这使得用户能够通过地址和坐标查找聚类，并且借助于位置智能引擎2156(参见图30)浏览相应的属性。这种位置智能引擎2156Web应用可以通过使用曝光数据库2151API来实现，其返回例如曝光数据库2151中的所有匹配的列表以及最佳的10个匹配聚类。API的当前实现具有有限的功能，因为数据库中的结构还不足。为此，后端(聚类算法)的开发应该优先考虑。

作为实施例变型，曝光数据库2151可以被实现为包括不变的聚类ID。即创建聚类方案意味着定义唯一的聚类ID，出于明显的原因(添加新的聚类和查找)，对于诸如曝光数据库2151的大型数据库，该定义也必须是不变的。技术上重要的是，曝光数据库2151作为空间数据库，允许实现最有效的查找结构：多边形搜索中的原生点(native point)对于给定数量的记录聚类是完全不可行的。该问题可以例如通过曝光数据库2151通过下面提出的解决方案来解决，从而允许更用户友好、有意义和有效的实现现有技术的系统。该解决方案的技术方法基于使用适当的散列码。这允许将位置编码成比以通常形式的Lat-Lon示出坐标更容易使用的形式。为此，例如可以使用Open Location Codes(OLC)，也称为Google PlusCodes。它们被设计为像街道地址一样使用，并且可以在没有正式系统来标识建筑物的地方实现，诸如街道名称、房屋号码和邮政编码。Open Location Codes可以例如从纬度坐标和经度坐标导出，因此它们是已经存在的。它们在长度上类似于电话号码，例如849VCWC8+R9，但是当与地点(CWC8+R9，山景城(Mountain View))组合时，通常可以缩短到仅四位或六位。彼此接近的位置具有类似的代码。它们可以被离线编码或解码。字符集避免了看起来相似的字符，以减少混淆和误差。作为实施例变型，也可以使用类似的方法，如GeoHash、MapCode、what3words等。然而，它们都具有以下缺点：(i)边界处的位置(接近t.e.o.)具有不同的前缀，(ii)穿过建筑物的网格切割，以及(iii)编码几何结构产生长列表，前缀不是可再用的。因此，作为优选实施例变型，系统1包括可应用于单点和多边形两者的地理散列算法。该方案以一种方式实现，该方式还允许通过仅查看代码的方式来确定点是否属于多边形。

最后，应该注意，所有现有技术系统都缺乏自适应网格的功能，这在技术上避免了贯穿聚类几何形状的切割。作为实施例变型，系统1使用多边形道路作为网格。道路自然地定义了网格并且不贯穿建筑物切割。此外，它们的交点已经定义了地点级别/街区级别聚类。换句话说，它们为聚类创建有意义的边界。系统1允许通过例如计算质心来索引这样的单元格/聚类，并且简单地利用短OLC对其进行编码(使得其仍然可与其它区分)。

对于单元格内部的位置，可以例如改变参考系，并且先前计算的单元格质心可以用作新的x-y轴/地理参考系(GRS)(由OLC单元格精确限定的边缘)的原点。这种单元格可以利用20个字符中的一个进行编码，以在100m范围上获得5m的精度。因此，单个点/子单元格可以例如如图32a中所示进行定义，而区域可以通过将多个子单元格加在一起来定义，如图32b中所示。图31示出了这种编码方案的示例。每个索引对应于编码字母表中的相应索引位置处的字符，例如：(i)负索引：23456789CF，(ii)正索引：GHJMPQRVX。实际上，该网格级别沿两个方向可以大到1000m，这意味着，例如，该方法需要200+字符、较低精度或较长代码。该实施例变型的主要优点在于，其允许非常有效的查找，查找缩减到简单的字符串搜索/比较。该技术方法的唯一先决条件是：(i)了解单元格质心或者[Lat，Lon]或OLC，其可以例如通过应用ML技术来查找/学习；(ii)了解新GRS中的编码字母表和方案。上述方案仅是示例性实现。存在对几何形状进行编码的其它方式，特别是由许多子单元格组成的大型几何形状，使得上述实施例变型的结果代码很长。

本发明特别具有以下优点：它有助于创建大型原始组合数据215113的丰富、干净和结构化的表示：系统1允许产生唯一的覆盖区感知的建筑物聚类，以及具有不变且模块化的聚类ID的街区/地点级别聚类。这允许构建唯一的数据库，该数据库将自动的数据洞察和处理提升至新的水平，并且拓宽了数据分析的前景，因为大量先前未删改的原始数据变得可用。所提出的系统1可以例如用于改进内部组合数据监护和聚类。其允许聚类和识别在诸如曝光数据库2151的大型数据库中出现的无数次的独特风险，并且执行以及有效聚合和跟踪风险属性。此外，系统1可以容易地应用于不同的查找服务，例如用于承保/NatCat目的，并且还可以应用于例如新兴智能家庭应用背景下的终端用户。系统1和曝光数据库2151允许提供大型的客户反馈和资产数据库，其可以用作客户组合的富集来源，但是也可以应用于其它领域。关于当前技术的Nat Cat建模和承保，系统1能够：(i)通过它们的坐标或唯一ID来识别建筑物；(ii)查询包含风险和属性，例如。占用情况，包括关于建筑物和业务的内容的信息；(iii)将建筑物分组到地点(校园等)；以及(iv)跟踪属性随时间(建设和改造年份)的演变。

该系统特别提供了(i)新的批量地理编码解决方案，(ii)几何形状感知的聚类方法，(iii)为作为原始组合数据215113输入的每一资产提供不变的位置感知的索引方法，以及(iv)用于查询和可视化作为曝光数据库2151的大型数据库的更加用户友好的解决方案。此外，系统1具有能够容易地进行集成的优点。将系统1作为服务集成到其它应用或客户工具/软件中不仅显著改进用户体验和风险评估，而且还在时间和不同聚合级别的可能的组合演变方面给定了新的视角。

指标模拟引擎10

如上所述，自动的数字平台或数字风险转移配置器1允许快速组成、启动和配置高度定制的次级风险转移结构。作为实施例，数字平台1包括作为集成部分的指标模拟引擎10。借助于模拟引擎10，改变包括捕获的风险曝光单元102在内的组合14的基本费率度量103和/或结构混合特性141，直到达到关于基本费率度量103和/或结构混合特性141的改变值的期望程度为止。用于自动预测前瞻和后顾影响度量101的指标模拟引擎10基于时间相关的一系列物理影响风险事件11的发生的测量的事件参数值111。基于事件参数111的预定阈值来测量物理风险事件11的发生，其中，基于与资产或标的12相关联的影响参数112来测量物理风险事件11对特定物理或无形真实世界资产或活体标的12的影响。

至少部分地借助于参数驱动的分支过程3来捕获物理资产或标的12的结构化资产/标的的特性参数121，作为自动的承保过程，动态地捕获特性参数值并将这些值映射到结构化特性参数121。与影响物理资产或标的12的一个或多个预定风险事件11的发生相关联的多个风险转移13由指标风险曝光单元102捕获，并且借助于所捕获的风险曝光单元102转移到持有风险转移13的组合14。由利用相关联的指标风险曝光单元102测量和捕获的风险的类型132和分配的风险转移的数目142给定组合141的结构混合特性141。

基于计算机的自动风险转移配置器1和风险转移组合管理平台1能够在用户与自动风险转移配置器1之间自动进行风险转移的绑定，特别是充当自动交易平台。风险转移配置器1可以例如由服务提供商来操作，作为基于云的服务的集成部分，特别是作为云实现上的软件即服务。系统1经由数据传输网络4(诸如电信网络和/或全球骨干网互联网)连接到用户的各种客户终端。数据传输网络4可以例如包括陆线网络和/或移动网络和/或基于卫星的网络。网络4可以包括例如公共交换电话网、ISDN(综合业务数字网)网络或者优选地互联网或内联网。移动网络可以包括例如GSM网络(全球移动通信系统)、UMTS网络(通用移动电话系统)或另一种网络(例如，基于卫星的移动网络)或WLAN(无线局域网)。标号5表示用户客户端可以访问系统1。标号51表示客户端或终端，其可以例如实现为PC(个人计算机)，标号52表示被实现为移动式笔记本或膝上型计算机的客户端或终端，标号53表示被实现为移动电话或PDA计算机(个人数字助理)的终端或客户端。系统1包括具有适当的网络界面151的通信模块15，以用于与用户客户端5/51/52/53通信，即用于数据交换。通信模块15例如适于在每种情况下经由数据传输网络4与用户客户端51/52/53建立虚拟专用网络(VPN)，并经由该虚拟专用网络与用户客户端51/52/53通信。

如图2所示，对于数据捕获3，系统1包括适当的技术数据捕获装置16，特别是规则数据库161和多个处理模块，即控制模块162、验证装置163、评估装置164、转移过程模块165和用户界面模块166。转移过程模块165包括自动转移过程311和半自动的转移过程312，下面将参考图2对其进行更详细的描述。数据捕获装置16例如可以至少部分地被构造为计算机程序产品上的编程软件模块或软件部分。

用户界面模块166例如可以包括用于生成到系统1的用户界面1661的程序代码，该用户界面可以由用户借助于用户客户端51/52/53经由数据传输网络4来操作。用户界面例如经由所谓的浏览器程序或作为API(应用编程接口)来提供。本领域技术人员将理解，用户界面1661也可以被构造为客户服务器架构中的GUI(图形用户界面)。用户界面模块166包括多个数据输入模块1662。数据输入模块在每种情况下包括数据输入字段，该数据输入字段特别用于输入与风险转移的资产或标的有关的数据。取决于用户界面1661的实现，数据输入模块1662在每种情况下包括一个或多个可显示窗口或GUI图像(“屏幕”)或可滚动形式。数据输入模块优选地被分配给工作流的各种路径。用户界面1661还可以提供有语音识别模块，用于数据输入。

规则数据库161包括关于数据规则和风险转移规则的信息。在每种情况下，数据规则1611和风险转移规则1612包括一个或多个规则参数16111/16121和规则逻辑16112/16122。在规则数据库161中，至少存储规则参数，但优选地还存储规则逻辑。规则逻辑可以例如被存储为过程代码，该过程代码可以在系统1上执行，例如Java中的所谓小应用程序。对于风险转移规则，规则逻辑16112/16122例如可以至少包括一个或多个监管条件或其它强制边界条件。例如，监管条件可以涉及数据输入字段的数据值和不同规则参数。此外，可以考虑根据基于监管条件确定的评估结果执行的监管动作的示例。例如，可以指定的监管动作可以涉及不同的数据输入模块1662的激活，以及涉及自动风险转移过程PA或半自动合同协商过程311的激活。存储在规则数据库161中的规则逻辑16112/16122可以包括所述监管条件。在实施例的各种变型中，监管动作可以永久地编码为控制模块162的一部分，或者存储在规则数据库161中作为规则逻辑16112/16122的一部分。

数据规则1611和风险转移规则1612在每种情况下被分配给数据输入模块1662的一个或多个数据输入字段。验证装置163使用数据规则1611来触发和确保数据输入的质量。数据规则1611在技术上指定正确的语法和格式，定义规定的值范围，调整多个数据输入字段的数据值之间的似真性和关系，例如第一数据项必须在第二数据项之前，并且规定必须强制输入哪些数据。数据规则1611还用于检查和确保输入的数据值适合定义的数学模型或数学公式。评估装置164和控制模块162各自使用风险转移规则1612，以基于数据输入控制分支的工作流过程，选择各种流程路径并且激活分配的数据输入模块和/或风险转移过程31/32。风险转移规则提供数据控制的多级嵌套选择过程。例如，如果数据值输入或大量数据值输入的总和超过定义的阈值，或者如果基于数据输入指定了特定的合同标的的类或组，则可以通过激活数据输入模块1662来请求用户输入另外的附加数据值。只要评估装置164认为满足由风险转移规则1612所设定的条件(正面评估结果)，控制模块162就沿着具有最小数据输入的路径来进行流程。然而，如果评估装置164认为由风险转移规则1612所设定的条件不满足(负面评估结果)，则控制模块162沿着具有附加数据输入的路径进行流程，并且激活相应的附加数据输入模块。数据规则1611和/或风险转移规则1612被分配给规则集，这些规则集被分配了不同的设定识别数据。设定识别数据可以例如包括地理数据、用户识别数据和/或服务识别数据。设定识别数据使得能够根据数据值输入来选择和激活数据规则1611和/或风险转移规则1612。

模拟引擎10基于风险转移13的事件参数111和借助于模拟引擎10确定的物理资产或标的12的资产/标的特性参数121，将基本费率度量103应用于与风险转移13的特定类型132相关联的指标风险曝光单元131。基本费率103提供了覆盖与特定转移13相关联的风险所需的资源的成本度量。将该基本费率乘以特定风险转移13的风险曝光单元102的数量131，生成风险转移13的保费104。

模拟引擎10基于包括所捕获的风险曝光单元103在内的组合14的基本费率度量103和/或结构混合特性141的改变动态地提供前瞻和后顾影响度量101。前瞻和后顾影响度量101至少包括与风险转移的组合相关联的总保费量1011和/或由总保费量1011减去与次级风险转移相关联的保费给定的净保费量1012的度量，该次级风险转移分配给组合的风险曝光单元的转移的部分，和/或总预期损失1013度量和/或CM1度量1014。

如上所述，提供基本费率、产品混合到GWP、NWP、预期损失和CM1的测量参数之间的物理相关性的参数的关系基于对家长资源池(parental resource pool)的水平的测量和平衡。技术上，对于测量结果，风险池水平度量，即平衡池到资产的支付转移或使其成为与其测量的风险曝光有关的默认自由参数值的责任所需的资本量度量。像此处的分配给组合的第一层级风险转移系统的风险转移组合中的自动风险转移系统1一样，每个到第二层级保险(再保险)系统的风险转移与家长保证措施相关联。如果第二层级风险转移系统不能为其自己的索赔赔付，则第一层级风险转移系统可以利用再保险系统的可用资金。当保险系统利用定义的风险转移参数(其在技术上定义了风险转移的区间和范围)来填写保单时，接收保费。该保单的一部分可被视为损失分量(loss component)。当发生特定的风险事件并伴随损失时，保险系统具有三种可能方式来涵盖这些损失。第一种是风险转移保单自身的损失分量。在许多情况下，这将不足以涵盖并均衡损失。第二个来源是其它风险转移保单的未使用的损失分量。在大多数情况下，这两个来源将足以赔付损失。年限长一些，这两个来源将不足，保险系统必须寻找第三个来源，即溢额，以涵盖与风险事件的发生相关联的测量损失。在第三种情况下，保险系统可能会通过以第二层级风险转移系统对其进行覆盖来涵盖担保的价值。为了在技术上允许实现和捕获关系，本领域技术人员可以例如基于系统1的以下技术假设和边界条件：(A)第一层级风险转移系统的资本是共享资产，组合中的所有风险转移保单潜在地具有同时访问所有共享和积累资本的权利；(B)承保风险转移保单和实现适当的风险转移参数对第一层级或第二层级风险转移系统的影响是(i)在一段时间内占用一些系统的有限承保能力(如由所需资本测量值和预测确定的)，以及(ii)风险转移系统将担保扩展到合同分配系统或风险曝光单元以满足对测量损失的合法索赔请求。这些影响分别表示风险转移系统的积累资本和货币资源的不同类型的使用；(C)每种不同的资本使用类型将产生唯一的收费：容量占用成本度量和资本催缴成本度量；(D)在所有可能的风险转移保单结单的情景中，这两个成本参数的期望参数值在本文中被定义为资本使用成本参数，并且将被视为风险转移保单定价参数预测中的费用度量。因此，风险转移保单对风险转移系统的贡献不是对资本的回报，如预期利润与分配资本的比率，而是利润扣除资本使用成本参数；(D)随后，优选的技术决策指标变成添加的经济价值，这是通过减去资本的机会成本来调整风险回报的手段。综上所述，技术上，风险转移的实际资本池水平度量创建承保能力，并且承保(即，风险转移)活动(过去或现在)耗尽(消耗)承保能力。

无论是通过保费的转移还是通过保留系统的参数值，所需资本(即，积累资源)的生成临时减少了为其它承保测量的容量的量。由于是临时的，因此对于风险转移系统，其类似于容量占用度量，共享资产的非消耗性使用。当保留必须增加到超过预测水平度量时，容量消耗发生。这可以例如在技术上涉及从资本账户度量到保留账户度量的资金转移。整个溢额度量可用于每个保单以涵盖超过积累损失分量的损失。即使预期和预测的损失部分相等，一些风险转移保单比其它风险转移保单更可能产生这种需求。因此，对于具有类似预期损失的风险转移保单，该系统可被实现为自动预期具有较大可变性的可能结果的保单，以要求来自溢额的更多贡献来通过资源转移覆盖损失。例如，可以实现风险转移系统，请求用于赋予访问溢额资源的收费参数。该收费参数可以例如不仅取决于可能需要溢额的可能性，而且取决于这种溢额催缴或请求的数量级别。因此，风险转移承保风险转移组合对风险转移系统的这两种不同的技术影响总体上是：(i)承保能力在一段时间内的特定占用，以及(ii)资本度量的可能消耗。这种“双极”资本度量的使用可以例如为系统的技术结构提供一个基础。这种针对技术双重使用性质的货币支付转移的双重形式可以例如适用于风险转移系统的唯一技术特性。

对于理解风险转移系统的自动化的技术挑战重要的是，对于技术人员，设定允许在技术基础上操作系统的适当边界结构和框架已经是具有挑战性的。例如，在完美的自由市场环境的技术边界假设下，待售产品的实体要约应该试图设定该实体愿意在不损害其操作的情况下销售该产品并且消费者仍然愿意购买该产品的价格。确定对任何给定产品收取的供应商侧价格在概念上是直接明了的。最简单的模型集中在所应用的定价应该反映与产品相关联的成本以及纳入可接受的利润率的思想上。对于许多无风险转移相关的产品和服务，在产品被转移给买方、即被出售之前，生产成本是已知的。因此，初始价格可以由系统设定，使得在不破坏系统的操作的情况下将实现每单位产品的期望利润。风险转移不同于这样的产品，因为它依赖于预测的将来的技术目标，如果某些物理事件发生并且将在指定的时间段期间被测量的话则做某些事情。例如，风险转移可以与未来的标的相关联，以在房屋烧毁的情况下保障房屋的重建，或者保障工作中受伤的工人的医疗。与一罐汤、一双鞋或一辆汽车不同，风险转移保单的最终和实际测量的成本级别在销售时是未知的。这将平衡产品和货币转移的经典的、技术上不重要的标的置于技术上不同的、预测性的且困难的背景中，并且将附加的复杂性引入到针对风险转移系统的定价和操作参数设置的过程中。因此，预期损失度量不是时间不变的，而是当环境测量参数或其它外部环境改变时需要由风险转移系统重新调整。有些时候，测量到的默认概率和测量到的默认损失两者均会上升，这给定了预期损失增加的两个原因。例如，在20年期间内，某类房主的默认值仅为5％。然而，当系统危机发生并且家庭值长期下降30％时，同一类别的借用者改变其默认行为。不再是默认的5％，比如说默认10％，这主要是由于LGD(loss given default)灾难性地上升而导致的。为了适应这种类型的情况，需要预测大得多的预期损失。这是经受相当大的技术挑战的主题，由于其对用于减轻系统风险度量的自动风险转移系统的操作具有较大的影响。因此，对于预期损失度量的可能技术实现，该参数可以实现为所有可能损失的值的度量和，每个损失值乘以该损失发生的概率。技术上，可以假设三个因素与预测预期损失值相关：(i)默认的概率(PD)，(ii)默认曝光(EAD)，(iii)违约损失率(LGD)，其中，违约损失率被设定为在曝光/默认曝光上的可能损失的大小。

参考标记列表

1 自动风险转移配置器和风险转移组合管理平台

10 模拟引擎

101 前瞻和后顾影响度量

1011 总保费量(GWP)

1012 净保费量(NWP)

1013 总预期损失

1014 CM1

102 指标风险曝光单元

103 基本费率

104 保费(用于风险转移的待分配的资源量)

11 物理风险事件

111 风险事件测量参数

112 对特定资产或标的的影响参数

12 物理或无形真实世界资产或活体标的

121 结构化资产/标的特性参数

13 与影响物理资产或标的的预定风险事件的发生相关联的风险转移

131 风险曝光单元的数量

132 与风险转移相关联的风险的类型

14 风险转移组合或篮组

141 结构混合特性

142 风险转移的数量

15 通信模块

151 网络接口

16 数据捕获装置

161 规则数据库

1611 数据规则

16111 规则参数

16112 规则逻辑

1612 风险转移规则

16121 规则参数

16122 规则逻辑

162 控制模块

163 验证装置

164 评估装置

165 转移过程模块

166 用户界面模块

1661 用户界面

1662 数据输入模块

2 自动的端对端过程

21 借助于基于规则的分支过程的自动承保

211 创建提交

212 接收和绑定报价

213 修改和更新承诺

214 产品配置器

2141 覆盖区域参数

2142 业务范围参数

2143 风险转移参数的类型

2144 风险信息参数

215 基于机器的曝光数据智能化处理

2151 曝光数据库

21511,…,2151i 数据记录

215111 资产/标的12的属性参数215112 位置参数

2151121 纬度坐标

2151122 经度坐标

215113 原始组合数据

2152 聚类模块

21521 自动地址匹配

21522 网格

215221 网格单元格

215222 网格单元格尺度

215223 自适应单元格尺寸和/或形状

215224 局部住宅/建设密度

2153 EDI(曝光数据智能化处理)引擎

21531 查找服务访问

21532 前瞻建模模块

2154 用户数据界面

2155 交叉级别分析模块

21551 识别

21552 分析

21553 可视化

2156 位置智能化处理引擎

216 地理编码处理模块(地图服务器)

22 技术会计过程

221 预订保费

222 对新索赔的建议

223 预订和更新索赔

224 修正保费

225 提交账户报表

23 财务会计过程

231 建议和/或要求付款

232 无缝配对

233 设定账户

3 基于规则的分支承保过程

31 标准

311 自动化

3111 符合触发规则的触发参数

312 半自动化

3121 不符合触发规则的若干参数

32 非标准

321 承保过程不包括自动化定价

4 数据传输网络

5 客户或访问终端

51 PC(个人计算机)

52 移动式笔记本或膝上型计算机

53 移动电话或PDA计算机(个人数字助理)

54 GPS模块

55 光学传感器或相机

6 组合分析框架

61 动态表示

7 客户费率要约模块。

Claims (11)

1.一种用于基于时间相关的一系列物理影响风险事件(11)的发生的测量的事件参数值(111)自动预测前瞻和后顾影响度量(101)的指标模拟引擎(10)，其中，物理风险事件(11)的发生基于事件参数(111)的预定阈值来测量，并且其中，所述物理风险事件(11)对特定物理或无形真实世界资产或活体标的(12)的影响基于与资产或标的(12)相关联的影响参数(112)来测量，其特征在于：

至少部分地借助于参数驱动的、基于规则的分支过程(122)来捕获物理资产或标的(12)的结构化资产/标的特性参数(121)，所述分支过程(122)动态地捕获特性参数值并将所述值映射到结构化特性参数(121)，其中，与影响物理资产或标的(12)的一个或多个预定风险事件(11)的发生相关联的多个风险转移(13)通过指标风险曝光单元(102)来捕获，并借助于捕获的风险曝光单元(102)转移到持有所述风险转移(13)的组合(14)，并且其中，所述组合(141)的结构混合特性(141)通过利用相关联的指标风险曝光单元(102)测量和捕获的风险的类型(132)以及分配的风险转移的数量(142)给定，

所述模拟引擎(10)基于风险转移(13)的事件参数(111)和借助于所述模拟引擎(10)确定的所述物理资产或标的(12)的资产/标的特性参数(121)，来将基本费率度量(103)应用于与风险转移(13)的特定类型(132)相关联的指标风险曝光单元(131)，其中，基本费率(103)提供覆盖与特定转移(13)相关联的风险所需资源的成本度量，并且其中，通过将所述基本费率(103)与特定风险转移(13)的风险曝光单元(102)的数量(131)相乘来生成所述风险转移(13)的保费(104)，以及

所述模拟引擎(10)基于包括捕获的风险曝光单元(103)在内的组合(14)的基本费率度量(103)和/或结构混合特性(141)的改变动态地提供前瞻和后顾影响度量(101)，其中，所述前瞻和后顾影响度量(101)至少包括与风险转移的组合相关联的总保费量(1011)和/或由所述总保费量(1011)减去与分配给所述组合的风险曝光单元的转移部分的次级风险转移相关联的保费所给定的净保费量(1012)的度量，和/或总预期损失(1013)度量和/或CM1度量(1014)。

2.根据权利要求1所述的用于基于时间相关的一系列物理影响风险事件的发生的测量的事件参数值自动预测前瞻和后顾影响度量的指标模拟引擎(10)，其特征在于，所述指标模拟引擎被实现为基于云的应用的集成部分。

3.一种用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，该产品配置器包括根据权利要求1或2之一所述的指标模拟引擎，其中，改变包括捕获的风险曝光单元在内的篮组的基本费率度量和/或结构混合特性，直到达到关于基本费率度量和/或结构混合特性的改变值的期望程度。

4.根据权利要求3所述的用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，所述期望程度通过达到关于所述基本费率度量和/或所述结构混合特性的改变值的局部最佳值来确定。

5.根据权利要求3或4之一所述的用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，所述基本费率度量和/或所述结构混合特性的值的改变通过所述模拟引擎基于所述产品配置器的用户的交互式输入值来执行。

6.根据权利要求3或4之一所述的用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，所述基本费率度量和/或所述结构混合特性的值的改变通过所述模拟引擎基于由所述产品配置器生成的改变的输入值来执行。

7.根据权利要求3至6之一所述的用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，对篮组度量的调整由用户交互式地审查和审计，以确保管理、风险和合规性要求。

8.根据权利要求3至7之一所述的用于快速组成、启动和配置高度定制的次级风险转移结构的自动风险转移配置器(1)，其特征在于，所述产品配置器被实现为基于云的应用的集成部分。

9.一种用于基于时间相关的一系列物理影响事件的发生的测量的事件参数值自动预测前瞻和后顾影响度量的指标模拟预测引擎的方法，其中，物理风险事件的发生基于事件特性参数的预定阈值来测量，并且其中，所述物理风险事件对特定物理或无形真实世界资产或活体标的的影响基于影响特性参数来测量，其特征在于：

至少部分地借助于参数驱动的分支过程来捕获物理资产或标的的特性，所述分支过程动态地捕获特性参数值并将所述值动态地映射到结构化特性参数，

通过指标风险曝光单元捕获与可能影响物理资产或标的的一个或多个预定风险事件的发生相关联的多个风险，所述多个风险被转移到持有捕获的风险曝光单元的篮组，其中，所述篮组的结构混合特性由测量和捕获的风险的类型以及分配的风险转移的数量以及相关联的指标风险曝光单元给定，

模拟引擎基于所选择的风险转移的事件参数和所选择的借助于所述模拟引擎确定的物理资产或标的的特性参数，将基本费率度量应用于与风险转移的特定类型相关联的指标风险曝光单元，其中，所述基本费率提供与特定风险转移相关联所需的资源的成本度量，并且其中，保费(102)(用于所述风险转移的待分配的资源的量)由将所述基本费率与所述特定风险转移的风险曝光单元的数量相乘给定，以及

模拟引擎基于包括捕获的风险曝光单元在内的篮组的基本费率度量和/或结构混合特性的改变来动态地提供前瞻和后顾影响度量，其中，所述前瞻和后顾影响度量至少包括与风险转移的篮组相关联的总保费量(GWP)和/或包括所述总保费量(GWP)减去与分配给所述篮组的风险曝光单元的转移的部分的次级风险转移相关联的保费在内的净保费量(NWP)的度量，和/或总预期损失度量和/或CM1度量。

10.根据权利要求8所述的方法，其特征在于，产品配置器使用用于快速组成、启动和配置高度定制的次级风险转移结构的指标模拟引擎，其中，改变包括捕获的风险曝光单元在内的篮组的基本费率度量和/或结构混合特性，直到达到关于基本费率度量和/或结构混合特性的改变值的局部最佳值。

11.根据权利要求9或10之一所述的方法，其特征在于，对篮组度量的调整由用户交互式地审查和审计，以确保管理、风险和合规性要求。

Images