复杂性级联效应：实体风险模型为何结果不一样？风控治理又该如何破局？

　　今天跟大家聊一个实操性的话题：为啥不同机构做的实体风险评估，对同一处房产算出来的结果天差地别？银行又该怎么搞定这个问题？

　　其实核心原因就是复杂性级联效应，简单说就是从气象、水文、水力模型，到损失计算、未来情景假设，每一步的建模选择都会层层叠加误差，最后结果自然就跑偏了。所以银行必须建立完善的模型治理，把这些选择都摆到台面上，才能真正用来做决策。
　　2025年10月，全球风险专业人士协会（GARP）风险研究所发布了《实体风险评估：风险从业者指南》。这份报告受英国气候金融风险论坛委托，对13家实体风险数据服务商进行了对标研究。结果显示，不同服务商给出的灾害风险与损失估算存在巨大差异：同一处房产，在一家服务商的评估中属于高风险资产，在另一家却被判定为相对安全。
　　很多人以为是模型不科学，其实真不是，大部分机构用的都是学界公认的成熟模型。问题就出在整条建模链上的方法选择不一样，而且银行根本看不到背后的完整逻辑，这才是分歧的关键。
　　一、为什么会出现这种复杂性级联效应？
　　银行的实体风险评估，需要整合多个领域的模型，核心分为五大模块：气象与气候灾害、水文学、水力学、损失与脆弱性、前瞻性压力情景。
　　每一块单独拿出来都是经过科学验证的，但串在一起用就麻烦了，会导致不确定性会被不断放大，最后结果差很多。
　　拿最常见的洪水风险举例子：
　　1.选气象模型时，有人用全球大范围的，有人用高精度区域模型，覆盖范围和精准度本就各有短板；
　　2.到水文模型，降雨怎么分成下渗、土壤储水、地表径流，每家的公式和参数都不一样，同样的降雨量算出来的径流量完全不同（见下图）：

　　3.再到水力模型，选一维、二维还是耦合模型，糙率系数、地形数据怎么取，哪怕一个参数差一点，淹没深度和流速就变了；
　　4.最后算损失，通用的损失曲线套不上各地建筑差异，同一区域的房子，建造标准、防洪措施不一样，损失率却被一刀切，结果能准才怪。
　　除了空间和方法上的复杂，还有一个时间错配的大问题。
　　传统巨灾模型是给保险业做的，看的是短期历史数据。但银行要评估20-30年的长期风险，还要用NGFS气候情景。可NGFS只给宏观路径，不告诉你具体地点的极端天气概率怎么变，机构只能自己瞎调整方法，学界还没统一标准，结果自然更乱。
　　而且，NGFS是自上而下算宏观GDP损失，服务商是自下而上算单资产风险，银行两边混用却不验证兼容性，最后披露的数据很可能自己跟自己矛盾。

　　二、银行风控治理该怎么做？
　　传统的查文档、对代码、并行计算根本不够用，银行也不可能养一支囊括气象、水文、工程的全能团队。所以我们的核心思路要变：别想着重做模型，要让建模全过程透明化。
　　重点抓这几件事：
　　要服务商把每一步用的模型、为什么这么选，讲得明明白白；
　　说清楚前一个环节的选择，怎么影响后面的建模，所有假设都要留依据；
　　做敏感性分析，看看换一种方法结果会差多少，找到分歧到底出在哪一步；
　　明确模型的使用限制，哪些地区、哪些灾害、多长时间尺度下不准，提前说清；
　　讲明白怎么从历史数据推长期预测，和NGFS情景怎么对接，哪些是推测、哪些有实据；
　　持续回测，极端天气发生后用真实数据校验模型，不准就及时改。
　　最后想说几句：
　　现在各家服务商都在优化工具，但结果差异还是很大。如果不把这种级联效应、方法选择、时间不确定性管起来，气候实体风险就只能停留在披露文案里，根本进不了核心的资本计量。
　　对服务商来说，别再把模型当黑箱，透明化才是竞争力；对银行风控人来说，懂这套治理逻辑，无论是考FRM还是实操工作，都特别加分。