1 / 59

台灣百年地震損失與模擬

台灣百年地震損失與模擬. 講者：財金碩一 R98723067 江易燊 電信碩二 R97942121 林宜鴻 2010/01/06. 大綱. 一、研究動機 二、資料來源 三、模型建立 四、模擬預測 五、研究結果 六、未來展望. 研究動機. 台灣地震損失資料不十分齊全。 現存最完整的損害資料： 中央氣象局的地震災害房屋倒塌數 台灣某年的房價成交金額 希望能用數學模型來描述地震損失 可用於建立地震保險的相關資料 可計算地震保險保費. 資料來源. A. 地震資料. 以 1900~1999 百年來的地震資料為樣本。 來自中央氣象局，共 88 筆

kenneth-roach
Télécharger la présentation

台灣百年地震損失與模擬

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 台灣百年地震損失與模擬 講者：財金碩一 R98723067 江易燊 電信碩二 R97942121 林宜鴻 2010/01/06

  2. 大綱 一、研究動機 二、資料來源 三、模型建立 四、模擬預測 五、研究結果 六、未來展望

  3. 研究動機 • 台灣地震損失資料不十分齊全。 • 現存最完整的損害資料： • 中央氣象局的地震災害房屋倒塌數 • 台灣某年的房價成交金額 • 希望能用數學模型來描述地震損失 • 可用於建立地震保險的相關資料 • 可計算地震保險保費

  4. 資料來源 A. 地震資料 • 以1900~1999百年來的地震資料為樣本。 • 來自中央氣象局，共88筆 • 排除掉短時間內連續餘震（如相差數十秒不到） • 短時間內連續餘震採用損失相加的方式歸類 • 財產損失只計算「房屋」倒塌的損失 • 只計算「全倒+半倒」房屋的損失

  5. 資料來源 B. 人口資料 • 以1901~2006百餘年來的人口資料為樣本。 • 1905~1943年人口資料： 來自《臺灣省五十一年來統計提要》 • 1949~2006年人口資料： 來自《台灣社會變遷全記錄》 • 1901~1904年的人口使用外插法估計 • 1944~1948年的人口使用內插法估計

  6. 資料來源 C. 房價資料 • 使用2008年Q1~Q4台灣地區房價資料 • 來自內政部地政司全球資訊網 • 使用台灣21個縣市的房價資料 • 將台北市排除 • 每個縣市中，抽取約三分之一人口密度較高的 鄉／鎮／市／區 ex: 台北縣取新店市、中和市，但不取萬里鄉

  7. 資料來源

  8. 資料來源

  9. 總體模型 • 一次地震的損失：倒塌房價的總和 • 一段週期間的總損失，如一年：所有地震損失之和 • 為一個複合分配

  10. 總體模型

  11. 地震頻率 • 地震發生頻率之模型建立 • 統計直觀而言，在連續的時間內發生的不連續事 件（地震），應該會呈現一Poisson分佈。 • Question：Poisson的時間區間該取多大？ • Poisson：計算某段時間區間內發生特定事件的次 數，即為觀察到的λ！

  12. 地震頻率 • 思考： • 取時間區間為一年，似乎很符合直觀 • 但考慮地震發生的特性，可能兩三年才會發生一 次災難性地震，若取一年期為觀察區間，容易觀 察到太多0次的樣本，而影響到後續的參數分析 • 故取時間區間為兩年，會比一年來得好 • 即Poisson分佈中的λ≡每兩年期間內發生地震的 總次數。

  13. 一年期的Poisson地震頻率模型

  14. 地震頻率模型 • Chi-Square檢定 檢定離散分配中，已分組樣本與特定離散分配之間的契合度 • X2 = Chi-Square統計量 • Oi = 觀測到的頻率 • Ei = 理論上的頻率

  15. 一年期的Poisson地震頻率模型

  16. 一年期的Poisson地震頻率模型 • 需注意合併資料，直到每組期望值都超過5 • 結果依然不甚理想

  17. 兩年期的Poisson地震頻率模型

  18. 兩年期的Poisson地震頻率模型 • 兩年期較為接近Poisson

  19. 倒塌房屋 • 全倒的房屋數，大部分為少量居多（如幾十棟），但偶爾會出現龐大的倒塌量（如921大地震倒塌十萬棟以上）。 • 故其累積分配會呈現極端的『Γ』形狀。 • 若先將房屋倒塌數取自然對數，則可得到較為正 常的機率分佈圖，如下頁：

  20. 原始倒塌房屋分配

  21. 對數倒塌房屋 • 房屋倒塌數的模型建立 • ln(經人口調整後的房屋倒塌數)？ • 但若該次地震倒塌0棟房子，則取ln後會出問題… ∵ln(0)=-∞ • 解決方法： 使用ln(經人口調整後的房屋倒塌數+n)，n為我們 選定的一個很小的常數（例如4） • n如何取？ 選定3~8的常數，使得K-S值最小(其實差異不大)

  22. 對數倒塌房屋分配

  23. 對數倒塌房屋模型 • 接前頁之分析，我們以ln(經人口調整後的房 屋倒塌數+n)為主要分析的變數對象 • 令Y=ln(經人口調整後的房屋倒塌數+n) • 則Y會呈現什麼樣的分佈？ • Y可能的分佈：Exponential Distribution Lognormal Distribution Weibull Distribution Other Distributions… • 哪一個會最接近資料分布？ • 用MLE嘗試可能的模型，並利用畫圖和K-S檢定。

  24. 對數倒塌房屋模型 • Kolmogorov–Smirnov test（K-S檢定） • 鑑定樣本資料與某特定分配間的契合度 • K-S檢定統計量= 為樣本資料的累積分配函數 為目標欲鑑定的分配之累積函數

  25. 對數房屋倒塌模型分析 Exponential Match

  26. 對數房屋倒塌模型分析 Lognormal Match

  27. 對數房屋倒塌模型分析 Weibull Match

  28. 對數房屋倒塌模型分析 Weibull • Weibull分配機率密度函數 • 利用Maximum Likelihood Estimate • K-S檢定： • 對數房屋倒塌模型會滿足Weibull

  29. 修正倒塌房屋模型 • 以房屋倒塌數為損失估計的重點 • 1920年倒塌100棟房屋的意義與2008年倒塌100棟 房屋的意義相同嗎？ • 假設房屋建築品質具有時間上的同質性 • 則房屋倒塌數明顯需要經過人口密度調整 • 假設台灣面積不變，人口密度的比例即可看成為 總人口數的比例 • 以2006年年底的人口密度為1（基準），其他年份 的人口密度再以比率換算

  30. 總體模型(修正)

  31. 經人口調整後房屋倒塌模型分析

  32. 經人口調整後房屋倒塌模型分析

  33. 經人口調整後房屋倒塌模型分析

  34. 經人口調整後Weibull模型分析 • Weibull分配機率密度函數 • 利用Maximum Likelihood Estimate • K-S檢定： • 經人口調整後的房屋倒塌模型亦滿足Weibull分配！

  35. 房價分配 • 內政部網站上大約有30000筆房屋交易資料， 依前述抽樣方法抽出約10000筆資料 (為何選 取1/3？)，檢視其是否合乎特定分配。 • 房價的平均數約為560萬 • 房價的中位數約為450萬 • Claim：房價會是接近一個lognormal的分配

  36. 全台房價分配

  37. 房價分配Lognormal模型 • Lognormal分配機率密度函數： • 利用Maximum Likelihood Estimate：

  38. 房價模型

  39. 分配參數回顧 • 分配參數 • 模擬一次代表兩年的損失 • 以 代表一年的損失，符合我們的直覺。

  40. 100年的未調整損失模擬

  41. 100年的未調整損失模擬

  42. 400000次的未調整損失模擬

  43. 400000次的未調整損失模擬

  44. 未調整損失模擬討論 • 在100年的模擬中，可以看出只有幾次會發生特別大的損失，前兩次損失佔了百年損失的59.2%，算是符合台灣地震的特性。 • 把模擬次數加到40萬次，則更容易看到一些更極端的損失值。 • 中位數遠小於平均數，極端右偏的損失。 • 如果只考慮VaR，而不考慮CVaR，會遠遠低估後尾所帶來的風險。

  45. 100年的調整損失模擬

  46. 100年的調整損失模擬

  47. 400000次的調整損失模擬

  48. 400000次的調整損失模擬

  49. 調整損失模擬討論 • 調整損失，和非調整損失有類似的特性，右偏分配和可能會有一兩次的極大損失。 • 在調整損失過後，不管是模擬100或40萬次，整體損失會上升數倍。 • 舉40萬次為例，平均損失上升6.95倍，中位數上升4.13倍，CVaR(0.05)和CVaR(0.01)上升7倍，可知越尾端的資料會往上調整的越多。

  50. 研究結果 (a) 未經人口密度調整的房屋倒塌模型 (b) 經過人口密度調整的房屋倒塌模型

More Related