基于多租戶的高性能地震保險損失評估SaaS云平臺設計與實現1

王小東 粟春晨 宋圣楠 馮 鍵 翟亮亮 熊政輝 馬騰飛

1）中再巨災風險管理股份有限公司，重慶 400023

2）中國再保險（集團）股份有限公司，北京 100033

3）中國再保險（集團）股份有限公司博士后工作站，北京 100033

引言

我國位于世界兩大地震帶?環太平洋地震帶與地中海喜馬拉雅山地震帶交匯處，因此地震災害頻發。1990?2020 年，成災地震造成直接經濟損失11 210.81 億元（樓寶棠，1996；國家地震局等，1996；中國地震局監測預報司，2001；中國地震局震災應急救援司，2010，2015），其中2020 年我國大陸地區共發生5.0 級以上地震20 次（5.0～5.9 級地震17 次，6.0～6.9 級地震3 次），造成5 人死亡，30 人受傷，直接經濟損失約18.47 億元（林向洋等，2020；應急管理部國家減災中心，2021）。從國際經驗來看，自然災害的商業保險賠付金額約占直接經濟損失的30%～40%，而我國商業保險賠付率尚不足1%（馮鍵，2019）。推動地震巨災保險發展的技術核心在于對地震風險的量化與管理。孟生旺等（2018）使用極值理論對地震災害事件進行了統計分析，建模并測算地震風險保費。牛方曲等（2012）基于全國縣級尺度人口、房屋結構數據庫、中國地震烈度區劃圖和地震對房屋的破壞參數，建立了區域中長期房屋震災損失評估系統。陳洪富等（2013）基于WebGIS 平臺，將已有震害預測、地震應急指揮、地震現場損失評估、災后科學考察和恢復重建等業務功能集成為有機整體，建立了綜合性地震災害損失評估系統。熊政輝（2019）結合我國地震風險特點和保險行業需求，構建了具有良好可拓展性的地震巨災模型EQCat。

本文基于前人研究成果，結合地震巨災保險定價與風險管理需求，構建多租戶的高性能地震保險損失評估SaaS（Software as a Service, 軟件即服務）云平臺。該平臺通過集成風險暴露模塊、致災因子模塊、工程易損性模塊、金融模塊，實現了地震保險損失評估功能；通過采用快速隨機事件篩選方法、針對地震事件影響場特征設計的數據結構與檢索方法等實現了高性能的計算引擎；采用基于數據隔離方案的多租戶模式，保證用戶數據安全；設計基于業務單元的資源彈性伸縮方法，以滿足保險業業務集中需求，且可針對用戶不同需要進行配置，提供個性化使用需求。

1 云平臺技術架構

傳統的地震風險評估軟件或巨災模型常以軟件授權的方式交付用戶。基于軟件授權的單機模式在軟件使用率低時無法及時釋放計算資源，且業務集中，需大量使用時無法動態增加計算資源，從而導致計算資源的浪費，同時又無法滿足地震風險快速評估的商業化需求。而云計算技術可通過虛擬化技術合理管理計算資源，打破傳統單機模式的局限性。本文在綜合分析國內外地震巨災風險評估的需求后，基于云計算技術，以每次上傳的風險暴露為單元進行數據隔離、計算引擎隔離，實現了多租戶的地震風險評估SaaS 云平臺。根據用戶提交的任務優先級、數量，動態增加或銷毀計算節點，滿足用戶不同的算力需求。地震風險評估SaaS 云平臺系統架構如圖1 所示。

圖1 地震保險損失評估SaaS 云平臺技術架構Fig. 1 Technical architecture

1.1 展現層

根據多租戶、多用戶彈性計算的業務需求，采用B/S 架構構建地震風險評估系統。采用前后端分離的架構思想，使用基于HTTP 協議的API（Application Programming Interface，應用程序接口）將展現層、服務層分離。展現層基于SPA（Single Page Web Application，單頁面應用）架構，使用主流的H5+JavaScript 技術、WebGL 等GIS 可視化技術構建交互友好的用戶界面。展現層為用戶提供高效的風險暴露上傳接口、風險暴露數據可視化展示界面、地震保險損失評估模式選擇界面、地震保險損失評估參數設置界面、地震保險損失評估結果展示界面、風險累積和保險方案設計界面。

1.2 服務層

服務層即后端服務器層，根據展現層的請求，與數據層、算力層交互并為展現層提供API 接口。展現層與服務層采用易于擴展的微服務架構，可通過容器技術或者虛擬化技術實現資源彈性伸縮與負載均衡。

1.3 數據層

根據高性能計算及多租戶的需求，在深入分析業務特點的基礎上，系統按照用戶上傳的業務數據（即風險暴露數據）進行分庫、按“分析”（即地震保險損失評估計算）將不同分析結果存放在不同數據庫表中，達到數據隔離與數據庫橫向擴展的目的。

數據層包括元數據庫與業務數據庫。元數據庫用于存儲業務數據的數據庫地址、配置信息等，不包括風險暴露數據與計算結果數據，同時采用一主一備的高可用架構。業務數據庫中有若干實例，實例間交互隔離，當用戶上傳風險暴露數據時，系統會根據元數據庫的配置信息，在指定的服務器節點上創建數據庫實例作為業務數據庫，用于存儲風險暴露數據。系統根據多個數據庫服務器節點的負載與存儲情況，可調整業務數據庫的創建策略，實現數據庫的負載均衡，從而避免訪問集中于單個服務器節點造成的卡頓與其他服務器節點的資源浪費。

1.4 算力層

算力層為系統提供地震保險損失評估分析的算力，包括調度器與計算引擎。云計算技術（包括虛擬化、容器化技術等）的彈性伸縮通常是基于CPU 或者內存的使用率調整服務器資源，如CPU 在指定時間間隔內使用率超過設定的閾值會增加新的服務器節點。但地震保險損失評估計算涉及大量科學計算，屬于CPU 密集型計算場景。一旦開始計算，必須極大程度地利用CPU 與內存資源，這與傳統的SaaS 應用場景不同。同時基于多租戶的地震保險損失評估系統，要求用戶間對計算資源的使用不能相互影響，用戶須有獨享的使用體驗。因此需要有針對性地設計調度器的資源分配邏輯。

調度器將不同用戶提交的任務賦予不同優先級，并提交到任務隊列，分別分配計算引擎。調度器維護1 套可配置的計算引擎調度策略，并根據該策略利用虛擬化技術或容器技術增加或銷毀計算引擎節點。調度器可根據配置的調度策略，維護多個不同的任務隊列，實現不同性能的計算資源的調配，滿足客戶對算力的個性化需求，如圖2 所示。

圖2 任務隊列的計算引擎調度策略Fig. 2 Engine scheduling strategy based on task queue

計算引擎實現了地震保險損失評估系統的核心算法，集成了風險暴露數據計算、地震危險性計算、工程易損性計算、費率厘定及風險累積計算等算法，并將計算結果保存到風險暴露數據對應的業務數據庫中。

1.5 基礎設施層

基礎設施層使用云計算技術，為展現層、服務層、數據層、計算層提供穩定的運行環境，并通過虛擬化技術、容器化技術為用戶提供動態分配、銷毀、管理計算資源的服務。

2 云平臺功能架構

為滿足地震巨災保險費率厘定的需求，地震保險損失評估SaaS 平臺提供了風險暴露處理模塊、地震保險損失評估模塊、損失結果匯總模塊、費率厘定模塊及系統管理模塊，云平臺功能架構如圖3 所示。

圖3 地震保險損失評估SaaS 云平臺功能架構Fig. 3 Functional architecture

風險暴露處理模塊包括可視化的交互界面與API 接口，可為用戶提供風險暴露上傳接口。用戶通過該接口將待評估的風險暴露上傳到平臺，同時平臺可對風險暴露數據進行地址解析、匯總風險暴露數據（Aggregate Exposure Data，AED）的拆分。

地震保險損失評估模塊包括中長期損失評估、歷史地震重現損失評估、設定地震損失評估、自定義影響場損失評估等，可為用戶提供多種損失評估模式，如圖4 所示。

圖4 多種損失評估模式Fig. 4 Multiple options for loss assessment

損失結果匯總模塊將地震保險損失評估模塊計算結果按照保單、區域、事件等多維度進行匯總計算，用戶可從多維度進行結果分析。此模塊采用WebGL 等GIS 可視化渲染技術進行展示，如圖5 所示。

圖5 損失匯總及展示Fig. 5 Loss aggregate and display

費率厘定模塊在損失結果匯總模塊的基礎上用于純風險費率、超越概率曲線、超賠合約費率的計算，以列表和圖形展示不同形式的超越概率曲線，用戶可對損失結果進行深入分析。費率厘定模塊如圖6 所示。

圖6 費率厘定模塊Fig. 6 Module of rate making

系統管理模塊包括用戶及權限管理功能、日志管理功能、計算資源管理功能，保證系統穩定運行，合理分配、實時監控計算資源的使用情況。

3 云平臺業務架構

本文采用蒙特卡洛方法產生大量地震隨機事件（徐偉進等，2020）。針對各地震事件，使用地震動參數衰減關系模型計算在風險暴露位置產生的地震動強度；然后根據工程易損性計算損失；最后依據風險暴露的保險條款計算保險損失，各地震事件保險損失計算方法為：

由式（1）可知地震保險損失評估平臺包括：風險暴露模塊、致災因子模塊、工程易損性模塊和金融模塊，如圖7 所示。風險暴露模塊用于解析、存儲用戶上傳的風險暴露數據；致災因子模塊用于計算風險暴露所在位置的地震動強度；工程易損性模塊用于計算風險暴露在特定強度地震動影響下的損壞情況；金融模塊用于在風險暴露損壞的情況下計算保險損失。

圖7 地震保險損失評估SaaS 云平臺業務架構示意圖Fig. 7 Business architecture

3.1 風險暴露模塊

風險暴露模塊包含3 類風險暴露數據：

（1）用戶上傳的需進行地震風險評估的詳細風險暴露數據（Detailed Exposure Data，DED），包括保單、標的、保險責任等信息。

（2）用戶上傳的需進行地震風險評估的匯總風險暴露數據（Aggregate Exposure Data，AED），包括風險暴露所在區域、標的數量、保額、限額、免賠額及各種建筑屬性標的占比。

（3）系統內置的全行業不同用途、不同結構的行業風險暴露的價值及地理位置數據，包括位置信息、功能用途信息（住宅、商業、工業等）、建筑重置價值等。系統內置的行業風險暴露數據主要用于：①評估行業范圍內的經濟、保險損失；②當用戶僅能提供匯總風險暴露數據時，用于分析匯總風險暴露數據各標的位置、建筑屬性、保險額度等信息，從而評估地震風險。系統內置的行業風險暴露數據示例數據如表1 所示。

表1 系統內置的行業風險暴露數據示例數據Table 1 Sample data for built-in industial exposure

3.2 致災因子模塊

致災因子模塊為地震危險性分析模塊，包括地震隨機事件集和場地類型數據、地震隨機事件集快速檢索算法、地震動參數衰減關系算法和場地放大系數算法。致災因子模塊根據用戶上傳的風險暴露位置信息，使用地震隨機事件集檢索算法，從隨機地震事件集數據中篩選出對風險暴露有潛在影響的地震隨機事件數據，通過地震動參數衰減關系算法分別計算地震事件在風險暴露所在位置造成的地震動強度（本文采用地震動參數峰值加速度PGA），從而通過場地放大系數算法計算地表地震動參數。

3.2.1 地震隨機事件集

本文采用的地震隨機事件集是基于我國最新版的潛在震源區模型及地震活動性參數，采用蒙特卡洛方法生成的符合我國地震時空分布特征的模擬地震事件集（徐偉進等，2020），共模擬了中國及周緣地區面波震級5.0 級以上500 萬年的地震事件集，生成的事件集示例數據如表2 所示。

表2 隨機地震事件集示例數據Table 2 Sample data for random earthquake event set

3.2.2 地震隨機事件集快速檢索算法

本文針對地震衰減關系特征，設計了從隨機事件集中快速檢索地震事件的方法，該方法能快速檢索出可能造成損失的地震事件，步驟如下：

（1）預處理：①將隨機事件集按震中位置劃分至不同的等經緯度網格中；②將歸屬同一網格的地震事件作為一頁進行連續存儲。根據空間局部性原理，每個網格中的數據往往需要同時使用或者都不使用，將空間相鄰的數據存儲到一起，避免頻繁讀取文件；③將每頁數據按其網格中心點經緯度坐標創建空間索引。

（2）檢索地震事件：①計算風險暴露附近網格中心點經緯度及經緯度對應索引的key 值；②查詢空間索引中key 值對應的數據頁地址，并將該頁數據（即對風險暴露有潛在風險的地震事件）全量加載到內存中。

3.2.3 地震動參數衰減關系計算方法

參考《中國地震動參數區劃圖》（GB 18306?2015）（中華人民共和國國家質量監督檢驗檢疫總局等，2016）和俞言祥（2016）的相關研究成果，同一個地震衰減分區中，斷層走向相同、震級相同的地震事件服從參數相同的衰減關系，而斷層走向不同的地震事件衰減關系都可以斷層走向為0°的衰減關系旋轉得到。因此，本文根據地震動參數衰減關系理論將不同地震衰減分區、不同震級地震的影響場提前計算并存儲。當實時進行地震風險評估時，僅需根據震中位置所在的衰減分區、震級查詢其影響場即可。

傳統的等經緯度或等距離的柵格空間數據結構需要占用巨大的存儲空間，以模擬一百萬年為例，需要占用TB 級的空間。且地震動參數呈指數型衰減，柵格數據在距震中較近的區域參數誤差較大，而距震中較遠的區域參數非常接近，造成存儲空間浪費。本文根據地震動參數衰減關系模型特征，采用環形空間網格的數據結構，同時以該結構進行存儲數據，既可以提高數據精度，又能大幅度節約存儲空間。

（1）基于環形空間網格數據結構的地震影響場計算

根據地震動衰減橢圓模型（俞言祥，2016），對于已知分區和震級的地震，長軸、短軸上地震動參數與距離的關系為：

式中：Y為地震動參數，R為震中距，M為震級。對于已知震級與地震所在分區，長軸和短軸對應A、B、C、D、E為已知的回歸系數。因此可得知推導出：

可根據式（3）計算出所有（離散化的）地震動參數對應的長軸Ra和短軸Rb，即組成了該地震的環形網格。

（2）基于環形空間網格數據結構的地震動參數檢索

當已知風險暴露的位置時，根據地震斷層走向角度與震中距R計算出風險暴露坐標x、y；然后再由地震分區與地震震級，利用地震動參數衰減關系模型公式計算長軸Yl與短軸YS。最后根據Yl與YS確定數據范圍，由橢圓公式檢索出對應的地震動參數。

3.2.4 場地類型數據與場地放大系數模型

Li 等（2019）首先使用坡度法，按照《建筑抗震設計規范》（GB 50011?2010）（中華人民共和國住房和城鄉建設部等，2010）中場地類型的分類體系，計算得到全國范圍場地分類圖。本文將該場地類型數據預處理為1 km 精度的柵格數據，由風險暴露位置查詢場地類型。并按照《中國地震動參數區劃圖》（GB 18306?2015）（中華人民共和國國家質量監督檢驗檢疫總局等，2016）中場地類型對應的地震動峰值加速度調整系數對地震動進行調整，最終得到考慮場地條件的地表地震動參數。

3.3 工程易損性模塊

工程易損性模塊用于確定風險暴露在災害（地震）中遭受的平均損失率，主要由風險暴露易損性曲線、易損性曲線檢索器組成。易損性曲線指不同建筑屬性的風險暴露在不同地震動強度下的平均損失率（Mean Damage Ratio，MDR）及其不確定性（Uncertainty）（熊政輝，2019）。先使用熊政輝（2019）按照建筑結構類型、功能用途、建造年代、建筑高度和設防烈度等屬性信息構建的風險暴露建筑分類體系及采用震害統計方法和數值分析方法研發的一系列易損性曲線集；然后利用易損性檢索器，根據風險暴露的各建筑屬性取值，匹配和檢索對應曲線，以便后續進行損失計算。

3.4 金融模塊

金融模塊根據工程易損性模塊輸出的損失率及風險暴露的（再）保險條款，計算風險暴露（承保標的）的損失。主要包括地震造成的實際經濟損失，又稱為總損失（Ground Up Loss，GULoss），以及考慮保險條款限制（如免賠額和限額）的保險損失，又稱為毛損失（Gross Loss，GRLoss）。

式中：TIV（Total Insured Value）為風險暴露的總價值，MDR 為地震對風險暴露造成的平均損失率。Ded（Deductible）為免賠額，Lim（Limit）為限額。

地震隨機事件集中每個事件均可能對風險暴露造成損失（包含經濟損失和保險損失），表3 所示為事件損失表（Event Loss Table，ELT）。

表3 事件損失表示例數據Table 3 Sample data for ELT

將事件損失表中同一年的損失進行匯總，得到年累積損失表（Year Loss Table，YLT），如表4 所示。

表4 年累積損失表示例數據Table 4 Sample data for YLT

事件損失表和年累積損失表是地震風險評估SaaS 云平臺的基本輸出結果，通過事件損失表可以計算年期望損失（Annual Average Loss，AAL）、損失標準差（Standard Deviation，SD）、在線費率（Rate On Line，ROL）、超越概率曲線（Exceedance Probability Curve，EP Curve）、各回歸周期在險價值（Value at Risk，VaR）、各分位數的尾部在險價值（Tail Value at Risk，TVaR）等。

根據式（9）可計算出不同超越概率損失的序號n。若n不為整數，損失取序號為n」（即取≥n的最大整數）與「n（即取大于或等于n的最小整數）對應的損失的插值。按此方法以保險損失為橫坐標、超越概率為縱坐標可繪制年累積超越概率曲線（Annual Aggregate Exceedance Probability Curve，AEP Curve）。超越概率p對應的損失為分位數為1?p的在險價值，即VaR1?p。尾部險位價值TVaR1?p為所有超越概率≤p所對應的損失（VaR1?p）的平均值。

4 總結與展望

地震巨災保險損失評估技術是推廣地震巨災保險，分散地震巨災風險的技術基礎。本文基于“五代圖”最新數據，集成了基于潛在震源區模型的地震隨機事件集與地震動參數衰減關系模型，用于計算地震事件在風險暴露位置的地震動強度。根據風險暴露的建筑屬性檢索對應的工程易損性曲線，計算其在特定地震動強度下的損失，匯總成事件損失表。在事件損失表的基礎上計算風險暴露年期望損失、標準差、超越概率曲線。但本文未考慮余震和相關次生災害對風險暴露造成的損失，相應的功能模塊有待完善。本文對地震保險損失評估SaaS 云平臺的多租戶及高性能技術架構進行了論述，并進行了部署投產。100 萬風險暴露的地震保險損失可在1 h 以內完成，且可供多用戶同時使用。隨著處理器技術的發展，基于GPU 的云計算平臺廣泛應用于科學計算領域。為進一步提高快速損失評估性能，計劃研發基于GPU 的地震保險損失評估SaaS 云平臺。