基于火灾风险评估的商场保险费率厘定研究

●吴贞贞

(上海徐汇区消防支队，上海 200233)

随着我国改革开放的不断深入，许多城市都新建或改建了一批功能多样、装饰豪华的商场，为繁荣我国市场经济起到了积极作用。在商场迅速发展的同时，由于防火措施没有得到及时有效落实，导致商场火灾不断发生，造成了巨大的经济损失和人员伤亡。火灾保险因为兼顾了安全投入与损失补偿两个方面，越来越得到重视和普及。一方面，火灾保险将企业火灾保费直接与火灾风险挂钩，低风险、低保费，高风险、高保费，从而促使企业积极增加火灾安全投入以降低火灾风险;另一方面，通过保险可将火灾风险转嫁给保险公司，不仅降低了企业所承担的风险，而且保险公司也会督促企业加强消防安全管理。其中，保险费率厘定的合理性是火灾保险能否得以普及的关键。目前试行的火灾公众责任保险费率是以单位企业类型、消防守法状况、保险理赔情况为基础的浮动费率制度，单位最终保费=年度基本保费×行业类型系数×风险评价等级系数×其他费率调整系数。其中，风险评价等级系数仅仅是根据消防部门是否发出的责令整改通知书为依据，而存在的消防安全隐患的具体情况、风险等级等因素均没有在风险评价等级系数中体现出来。因此，本文主要阐述通过合理方法，研究并确定商场类建筑火灾公众责任险的保险厘定方法，使建筑实际的消防安全情况与保险费率成对应关系。

1 基于层次分析法的商场火灾风险评估

1.1 商场类建筑层次分析模型的建立

根据上海市消防局《机关、团体、企业、事业单位消防安全评价体系》和商场类建筑的特点，本文将消防安全评价的指标划分为6个分目标，见表2。

1.2 构造判断矩阵

层次分析法主要是依靠每一层次中各因素两两比较的相对重要性而得出恰当的判断，这种判断通过引入合适的标度用数值加以量化而构成各层次判断矩阵。表1为判断矩阵的一般表达形式，左上角的 Ai为上层因素，B1，B2，…，Bn为相邻下层与Ai有关的因素，bij为因素Bi与因素Bj两两比较的标度值。对判断矩阵B的量化常用特尔菲法，并用T.LSaaty提出的1～9标度值表示。

表1 判断矩阵的一般表示形式

1.3 商场类建筑火灾风险因素权重的计算

此次调查共发出专家打分表80份，收回有效打分表64份。专家分布情况，消防部门防火工作人员55人，保险公司火灾保险业务人员6人，单位消防管理人员3人。专家组决策为加权算术平均，总体权重分布情况见表2。

2 基于人工神经网络的火灾保险费率厘定研究

2.1 RBF 神经网络

传统费率确定是在两个风险级别的费率之间用插值计算的方法确定中间风险的费率，即主观地假定风险等级之间的费率是线性的关系。这难免造成费率与投保单位实际情况的偏差。为了解决此问题，本文提出基于径向基神经(RBF)网络的风险等级与费率的对应机制。

表2 消防安全评价指标体系及三级指标权重

径向基函数神经元模型如图1所示，它具有R个输入。网络输出表示为:

式中，f表示输入/输出关系的传递函数;radbas为径向基函数，一般取高斯函数 f(n)=radbas(n)=e－n2。

中心与宽度是径向基函数神经元的两个重要参数。神经元的权值矢量W确定了径向基函数的中心，当输入矢量p与W重合时，径向基函数神经元的输出达到最大值，当输入矢量p距离W越远时，神经元输出就越小，神经元的阀值b确定了径向基函数的宽度，当b越大，则输入矢量p在远离W时函数的衰减幅度就越大。

2.2 输入样本的选择

神经网络的精确性同样本数量与数据分布情况有关。本文在选取输入样本时，选用二级指标风险度为输入样本，即其对应的各项三级指标评分之和与二级指标权重的乘积。其中，对三级指标评分设定了5分最好，4分为中等，3分为最差三个级别。以二级指标的极限情况，即其对应的三级指标均为3分、4分或5分，排列组合后得到729组样本。其中649组用于训练，其余80组样本用于检验。其中，输入元素值的量化，即各三级指标的打分依据《上海市现有消防安全检查标准》制定。评定标准分为A、B、C、D四等，如各三级指标的子项中出现D等，则该三级指标不合格(总指标也不合格);三级指标的最终得分依据A、B、C等级所占比例，C等所占比例超过30%对应为3分，A等比例超过90%则对应5分，其他情况为4分。

2.3 神经网络训练及输出

神经网络训练精度10－7，训练次数106次。神经网络输入值为各二级权重得分，目标输出值为各二级指标的极限情况对应的费率调整幅度(80% ～120%范围)，输出值则为最终费率。神经网络训练结果由80组样本检验，误差在所设定范围之内。

图1 RBF神经元的一般模型图

3 实例分析

某商场高 110m，地上 28层，地下 3层，总占地面积10 638m2，商场在该建筑1～6层。该商场投保情况:按面积划分，该商场处于10 001～50 000m2的级别等级，火灾公众责任保险投保费用为18 000元/年，乘以商场类的系数1.1，最终保费为19 800元/年。

计算结果列于表3，其中“评分”一栏，根据上海市现有消防安全检查标准所列的评分标准进行打分。各二级指标所得分值再乘以相应的权重即为各一级指标的得分(表3中的“分值”一栏)。传统费率的确定在两个风险级别的费率之间用插值计算的方法确定中间风险的费率。本实例中，用线性关系确定费率可按照下式:

表3 某商场火灾风险评估打分情况

其中，Rb为原始火灾保险费率;R为调整后的火灾保险费率;SV为火灾风险评估得分情况，即为各一级指标得分之和。

式(2)以－20% ～20%的费率调整范围为基准，火灾风险评估的基准值取中间值，即4分时的情况;将本例中火灾风险评估得分SV=4.383 7带入式(2)可得R=0.923 26，即费率应在原来基础上减少7.674%。

以线性插值的方法确定中间风险的费率，没有考虑各风险因素的轻重与相互关系，难免造成费率与投保单位实际情况的偏差。为了解决此问题，提出基于神经网络的风险等级与费率的对应机制。本例中，将各项目所得分值，也就是神经网络的输入样本(0.371 4，0.692 3，0.916 8，0.867，0.822 4，0.713 8)输入已训练好的神经网络，得到网络的输出值为1.058 1。即由神经网络方法得到的该商场实际火灾公众责任险投保费率应在原费率基础上增加5.81%。

两者所得结果不同，是由于神经网络的多输入参数不仅考虑了各风险因素之间的相互联系，而且突出了主要风险因素的作用。与线性插值方法只有一个输入参数相比，神经网络方法更具合理性。

火灾公众责任险正处于初始阶段，在具体实施中存在问题在所难免。作为消防职能部门，应善于发现和提炼公众责任险在应用中出现的新问题，及时反馈和解决，以促进火灾保险的顺利推广。同时，应当重视火灾统计工作，注重发展火灾风险评估新方法，尤其是以计算机模拟技术为代表的定量火灾风险评估方法。在精确的火灾风险评估基础上，研究更加合理的风险与费率对应机制，使得风险与费率相符合，充分发挥费率作为火灾安全的杠杆作用。