航运货运累计风险与人工智能风险敞口

作者：Jonas Mohamed Osman Abdelghafour。

航运巨灾风险具有独特的性质：风险敞口是移动的。财产巨灾建模师知道被保险建筑的位置；而货运建模师必须推算集装箱的位置，它们可能正处于上海到鹿特丹之间，或堆放在吞吐量每日变化的港口中。市场通过2015年天津港爆炸等事件深刻汲取了教训，该事件在单一存储区域产生了数十亿美元的货运及相关损失，而当时极少有保险公司衡量过在该区域的累计风险敞口。港口、仓库以及载有两万个集装箱的超大型货轮上的累计风险（accumulation risk），仍然是左右航运保险账簿的尾部因素。

传统精算对这种风险的处理较为粗糙：基于保费的巨灾载荷、每年更新一次的静态港口累计登记簿，以及依靠再保险来消化无法衡量的部分。此后，巨灾建模公司建立了专门覆盖主要港口风暴、风暴潮和地震的航运货运模型。对港口级累积潜力的分析表明，最大的保险损失情景往往发生在许多核保师首选名单之外的港口——累积是货物停留时间、价值密度和危险程度的函数，而不仅仅取决于吞吐量。

智能层：了解风险的真实位置

数据改变了一切。AIS船舶跟踪、卫星图像、港口拥堵反馈和贸易数据库现在允许保险公司近乎实时地估计哪些船舶载有多少价值在航行、在哪些港口停留以及正在通过哪些瓶颈地带。机器学习是融合这些信息的唯一可行方式：将保单明细与船舶动态匹配，通过贸易舱单估算集装箱价值，并将结果汇编成实时累计图景。核保师如果能查询霍尔木兹海峡的当前风险敞口，或受飓风威胁港口的静止货物价值，其运行风险的方式将与仅依靠去年的累计报表完全不同。

地缘政治使得这种能力变得尤为迫切。红海改道导致贸易绕行好望角，改变了航行时长、累积点和战争险风险敞口。影子船队——指所有权模糊、挂旗违规且关闭转应答器的油轮，目前估计占全球油轮船队的六分之一——为保险公司带来了关联风险，因为其承保的船舶可能与受制裁吨位共用管理人员、水域或转运伙伴。海事智能分析显示，作为一种规避技术，隐秘的船对船转运正在激增。检测这些行为——如高风险区域的AIS缺失、异常的停靠顺序、突然的换旗——是一个模式识别问题，机器学习处理起来远比人工审查高效。

精算后果：从年度累积到动态巨灾模型

对于精算师而言，有三项实务需要重构。首先，巨灾载荷应变为动态：技术价格中的战争和巨灾成分应响应当前的航线、瓶颈风险敞口和累积数据，而不是每年设定一次。其次，应根据实时风险敞口生成现实的灾难情景——正确的问题不是“如果风暴袭击拥有平均静止货物的X港口会怎样”，而是“如果本周风暴袭击该港口及其当前实际货物，我们的损失是多少”。第三，资本建模应反映已衡量的相关性：集装箱船火灾、港口损失和战争事件会同时波及货运、船壳、责任险和特种险，将这些险种视为独立的资本模型会低估航运的尾部风险。

董事会应询问的治理问题很简单：如果今晚某个主要港口发生巨灾，我们需要多长时间才能说出总风险敞口——是几分钟、几天还是几周？对于市场上的大多数公司而言，诚实的答案仍然是几周。实现分钟级响应的技术已经存在并已商用；剩下的则是将其接入定价、累积控制和资本的精算与工程工作。下一次“天津港事件”的发生只是时间问题。竞争的分水岭将在于：是根据理赔发现风险敞口，还是在损失发生前就已经掌握风险。