최적 재해 위험 풀링과 파레토 효율성

초록

본 논문은 재해 위험을 풀(pool) 형태로 분산시키는 방안을 연구한다. 손실이 중증도에 따라 무거운 꼬리를 갖는 가정 하에, 각 참여자의 위험 감소 효과를 ‘다양화 비율(DR)’로 측정하고, DR을 파레토 최적화하는 방법을 제시한다. 고차원 최적화의 계산 부담을 완화하기 위해, VaR 수준 p가 1에 접근할 때의 극한값을 이용한 ‘비대칭 최적 풀(asymptotic optimal pool)’을 도출한다. 동일 꼬리 지수를 갖는 경우와 서로 다른 꼬리 지수를 갖는 경우 두 모델을 분석하고, 시뮬레이션과 미국 국가홍수보험(NFIP) 데이터를 활용한 실증을 통해 제안 방법의 실용성을 검증한다.

상세 분석

이 연구는 재해 위험 풀링에서 참여자 각각이 얻는 위험 감소 효과를 정량화하기 위해 ‘다양화 비율(DR)’이라는 새로운 지표를 도입한다. DR은 풀에 가입하기 전후의 VaR 값을 비교하며, 1보다 작을 경우 위험이 감소했음을 의미한다. 기존 문헌에서 사용된 DR은 풀에서 공유되는 위험만을 고려했지만, 본 논문은 풀에 가입 후 참여자가 실제로 부담하게 되는 전체 위험(자기 부담 위험 + 풀에서 공유되는 위험)을 모두 포함한다는 점에서 차별화된다.

핵심은 고차원 최적화 문제인 (2.3)을 직접 풀기 어렵다는 점이다. 저자들은 VaR 수준 p가 1에 가까워질수록 손실 분포의 꼬리 특성이 지배적이 된다는 사실을 이용한다. 이를 바탕으로 p→1일 때의 극한값 DR_i(1)을 구하고, 이 값을 최소화하는 ‘비대칭 최적 풀’(asymptotic optimal pool)을 정의한다. 두 가지 모델을 제시한다. 모델 1은 모든 손실이 동일한 꼬리 지수 α를 갖지만 스케일 파라미터 θ_i가 다를 수 있는 경우이며, 모델 2는 각 손실이 서로 다른 꼬리 지수 α_i를 갖는 일반적인 경우이다.

모델 1에서는 첨부점(d_i)과 한도(l_i)를 VaR의 일정 비율 ξ와 λ_i 로 설정한다. ξ<1이면 손실의 일정 비율만을 풀에 위임하고, λ_i>1은 한도를 첨부점보다 크게 잡아 추가적인 손실을 보전한다. 정리 2.1은 DR_i(1)의 폐쇄형 표현을 제공하고, δ_i와 Δ_{ξ,λ}라는 파라미터가 전체 풀의 위험 분산 정도를 조절한다는 것을 보여준다. 특히 ξ≥1이면 DR_i(1)≥1이 되어 위험 감소 효과가 사라지므로, 실무에서는 ξ<1을 선택해야 함을 강조한다.

모델 2에서는 서로 다른 꼬리 지수 α_i를 고려함으로써 위험 이질성이 큰 상황에서도 파레토 최적성을 달성한다. 여기서는 각 손실의 첨부점이 동일한 꼬리 확률을 갖도록 설정하고, λ_i를 조정해 각 참여자가 자신의 최대 DR_i(1) 값을 동시에 얻도록 설계한다. 이는 파레토 효율성뿐 아니라 개인 최적화도 동시에 만족시키는 드문 결과이다.

시뮬레이션에서는 전역 최적화 알고리즘을 사용해 실제 VaR 수준 p=0.99, 0.995 등에서의 최적 풀을 구하고, 비대칭 최적 풀과 비교한다. 결과는 비대칭 풀의 DR 값이 실질적인 최적 풀과 매우 근접함을 보여준다. 또한 알고리즘 비교(앱엔드 B)에서 제안된 방법이 다른 네 가지 알고리즘보다 정확도와 연산 효율성 모두 우수함을 입증한다.

실증 분석에서는 미국 NFIP 데이터(홍수 손실)를 이용해 세 개의 파레토 최적 풀을 구축한다. 각 풀은 서로 다른 손실 규모와 꼬리 지수를 가진 지역별 손실을 포함하며, 제안된 비대칭 최적화 절차를 적용한다. 결과는 실제 보험료와 손실 커버리지가 이론적 기대와 일치하고, 참여자별 DR이 0.7~0.85 수준으로 위험이 크게 감소함을 보여준다. 또한 정책 입안자에게는 첨부점과 한도 설정에 대한 구체적인 가이드라인을 제공한다.

전반적으로 이 논문은 재해 위험 풀링에서 파레토 효율성을 달성하기 위한 새로운 이론적 틀과 실용적인 알고리즘을 제시한다. 꼬리 위험 이론과 VaR 극한 분석을 결합함으로써 고차원 최적화 문제를 효과적으로 근사하고, 실제 데이터에 적용 가능함을 입증했다는 점에서 학계와 산업계 모두에 큰 의미를 가진다.