Acumulación en carga marítima y gestión de exposición con IA

Por Jonas Mohamed Osman Abdelghafour.

El riesgo de catástrofe marina tiene un carácter distintivo: la exposición se mueve. Un modelador de catástrofes de daños (property) sabe dónde están los edificios asegurados; un modelador de carga debe razonar sobre contenedores que están en algún lugar entre Shanghái y Róterdam, apilados en puertos cuyo rendimiento cambia a diario. El mercado aprendió esto dolorosamente a través de eventos como la explosión del puerto de Tianjin en 2015, que produjo miles de millones en pérdidas de carga y relacionadas, concentradas en una sola área de almacenamiento a la que pocas aseguradoras habían medido su exposición agregada. El riesgo de acumulación —en puertos, en almacenes, a bordo de buques portacontenedores cada vez más grandes que transportan veinte mil cajas— sigue siendo el factor determinante de la cartera marina.

El tratamiento actuarial tradicional de este riesgo era rudimentario: cargas de catástrofe basadas en primas, registros estáticos de agregados portuarios actualizados anualmente y confianza en el reaseguro para absorber lo que no se podía medir. Las firmas de modelización de catástrofes han construido desde entonces modelos dedicados a la carga marina que cubren tormentas, marejadas y terremotos en los principales puertos, y los análisis del potencial de acumulación a nivel portuario han demostrado que los mayores escenarios de pérdida asegurada se sitúan en puertos que muchos suscriptores no habrían nombrado primero: la acumulación es una función del tiempo de estancia de la carga, la densidad de valor y el peligro, no solo del rendimiento total (throughput).

La capa de inteligencia: saber dónde está realmente el riesgo

Lo que ha cambiado son los datos. El seguimiento de buques AIS, las imágenes satelitales, los flujos de congestión portuaria y las bases de datos comerciales permiten ahora a las aseguradoras estimar, casi en tiempo real, qué valor está a flote en qué buques, permaneciendo en qué puertos y moviéndose a través de qué puntos de estrangulamiento. El aprendizaje automático es la única forma práctica de fusionar estos flujos: emparejar los esquemas de pólizas con los movimientos de los buques, estimar los valores de los contenedores a partir de los manifiestos comerciales y consolidar el resultado en una imagen de acumulación en vivo. Un suscriptor que puede consultar la exposición actual en el Estrecho de Ormuz, o el valor en reposo en un puerto amenazado por un huracán, está dirigiendo una operación de riesgo fundamentalmente diferente de una que trabaja con el reporte agregado del año pasado.

La geopolítica ha hecho que esta capacidad sea urgente. Los desvíos del Mar Rojo han redirigido el comercio alrededor del Cabo de Buena Esperanza, cambiando la duración de los viajes, los puntos de acumulación y la exposición al riesgo de guerra. La "flota en la sombra" (shadow fleet) —petroleros que operan con propiedad opaca, abanderamiento irregular y transpondedores desactivados, estimada ahora en aproximadamente una sexta parte de la flota mundial de petroleros— crea riesgos asociativos para las aseguradoras cuyos buques asegurados comparten gestores, aguas o socios de transferencia con tonelaje sancionado. El análisis de inteligencia marítima muestra que los trasbordos oscuros de barco a barco están aumentando como técnica de evasión. Detectar estos comportamientos —brechas en el AIS en zonas de alto riesgo, secuencias portuarias anómalas, cambios repentinos de bandera— es un problema de reconocimiento de patrones que el aprendizaje automático maneja mucho mejor que la revisión manual.

Consecuencias actuariales: de agregados anuales a modelos de catástrofes vivos

Para el actuario, es necesario reconstruir tres prácticas. Primero, la carga de catástrofe debe volverse dinámica: los componentes de guerra y catástrofe del precio técnico deben responder a las rutas actuales, la exposición en puntos de estrangulamiento y los datos de acumulación en lugar de establecerse anualmente. Segundo, los escenarios de desastre realistas (RDS) deben generarse a partir de la exposición en vivo: la pregunta correcta no es qué pasaría si una tormenta golpea el puerto X con una carga media, sino cuál es nuestra pérdida si lo golpea con la carga que está realmente allí esta semana. Tercero, el modelado de capital debe reflejar la correlación medida: los incendios en buques portacontenedores, las pérdidas portuarias y los eventos de guerra afectan simultáneamente a carga, casco (hull), responsabilidad civil y objetos de valor (specie), y un modelo de capital que trate estos ramos como independientes subestima el riesgo de cola marino.

La pregunta de gobernanza que los consejos de administración deberían hacer es simple: si un puerto principal sufriera una catástrofe esta noche, ¿cuánto tiempo nos tomaría declarar nuestra exposición bruta? ¿Minutos, días o semanas? Para la mayor parte del mercado, la respuesta honesta sigue siendo semanas. La tecnología para que sean minutos existe y está disponible comercialmente; lo que queda es el trabajo actuarial y de ingeniería para integrarlo en la tarificación, el control de acumulación y el capital. El próximo Tianjin es cuestión de cuándo ocurrirá. La brecha competitiva estará entre las aseguradoras que descubran su exposición a través de los siniestros y aquellas que la conocían antes de la pérdida.

Conclusiones clave

• El riesgo de acumulación en carga marina es dinámico y difícil de capturar con reportes estáticos anuales.
• Los datos AIS y de inteligencia marítima permiten ahora estimar la exposición en tiempo real por buque, puerto y zona geopolítica.
• La gestión de la "flota en la sombra" y los trasbordos oscuros requiere reconocimiento de patrones mediante IA.
• Los actuarios deben mover las cargas de catástrofe hacia modelos dinámicos basados en la exposición real presente cada semana.

Jonas Mohamed Osman Abdelghafour es el fundador de Quantica Risk Model.