Natural catastrophe models for weather related events and insurance applications

Abstract

Η συχνότητα και η σφοδρότητα των φυσικών καταστροφών σχετικά με τον μετεωρολογικό κίνδυνο αναμένεται να αυξηθούν λόγω της κλιματικής αλλαγής. Οι νέες κλιματικές προβλέψεις αναδεικνύουν ότι στο μέλλον οι ακραίες συνθήκες που σχετίζονται με το κλίμα θα αυξηθούν σε πολλές ευρωπαϊκές περιοχές με σημαντικό κοινωνικό και οικονομικό αντίκτυπο, επηρεάζοντας επίσης τον ασφαλιστικό κλάδο. Επιπλέον, τα συμβάντα που σχετίζονται με τις καιρικές συνθήκες συχνά δεν καταγράφονται πλήρως, επομένως είναι δύσκολο να μοντελοποιήσουμε τη σχέση μεταξύ κλιματικών γεγονότων και της συχνότητας των ασφαλιστικών απαιτήσεων. Παράλληλα, πολλές φορές, υπάρχει δυσκολία στην αναγνώριση της πρωτογενούς αιτίας των σχετικών ασφαλιστικών ζημιών. Με κίνητρο τα παραπάνω ζητήματα, εφαρμόσαμε μια από τις πιο αντιπροσωπευτικές προσεγγίσεις μοντέλου «εποπτευόμενης εκμάθησης», μέθοδο βασισμένη σε δενδροδιαγράμματα αποφάσεων, την «Gradient Boosting», για την ταξινόμηση του πλήθους των ασφαλιστικών απαιτήσεων που προκαλούνται από καταιγίδες στην Ελλάδα και μια νέα κατηγορία μοντέλων σύνθετων κατανομών συχνότητας για την από κοινού μοντελοποίηση της συχνότητας των ασφαλιστικών αποζημιώσεων και του πλήθους των ακραίων μετεωρολογικών φαινομένων. Τα προτεινόμενα μοντέλα καταδεικνύουν την από κοινού κατανομή του πλήθους των μετεωρολογικών συμβάντων και των ασφαλιστικών αποζημιώσεων περιλαμβάνοντας γεωχωρικές μεταβλητές για την αξιολόγηση των επιπτώσεών τους στη συχνότητα εμφάνισης των συμβάντων και των σχετικών ασφαλιστικών απαιτήσεων. Τέλος, προτείνεται μια μεθοδολογική προσέγγιση στον υπολογισμό Κεφαλαιακών Απαιτήσεων Φερεγγυότητας στα πλαίσια των ιδιαιτεροτήτων σχετικά με τα χαρτοφυλάκια ασφαλιστικών εταιρειών, των κινδύνων και των μετεωρολογικών χαρακτηριστικών στην Ελλάδα.

Frequency and severity of weather-related natural catastrophe events are expected to increase due to climate change. Improved climate projections provide evidence that future climate-related extremes will be increased in many European regions having a significant social and economic impact and affecting the insurance industry. Moreover, weather related events are often not fully recorded therefore it is challenging to model the relation between climate events and claim frequencies. Additionally, there is a difficulty in recognizing the proximate cause of a relevant claim. Motivated by the above issues, a representative supervised learning approach, the decision tree-based ensemble method, called “Gradient Boosting” is implemented for classifying the number of insurance claims caused by storms in Greece. Furthermore, a new class of compound frequency models for joint modeling of storm and storm-triggered claim frequencies observed is introduced. The proposed models demonstrate the joint distribution of the actual storm and claim processes. Geospatial covariates are included to assess their impacts on the storm and claim frequencies. Finally, a Solvency Capital Requirement methodological approach is proposed in the context with Greek insurance portfolio, risk, and weather particularities.