南宫28加拿大软件

光华讲坛——社ng28南宫国际app名流与企业家论坛第6972期

主题：基于迁移学习的环境风险度量与风险分担研究

主讲人：对外经济贸易大学保险南宫28加拿大软件副院长 李政宵教授

主持人：金融南宫28加拿大软件 王吟之副教授

时间：6月26日10:00-11:00

地点：柳林校区格致楼317

主办单位：金融南宫28加拿大软件、中国金融研究院 科研处

主讲人简介：

李政宵，教授，博士生导师，鲁汶大学访问学者。现任对外经济贸易大学保险南宫28加拿大软件副院长、统计与精算系主任，对外经济贸易大学“惠园优秀青年学者”。2017年毕业于中国人民大学统计南宫28加拿大软件风险管理与精算系，获经济学博士学位。现担任中国现场统计研究ng28南宫国际app风险管理与精算分ng28南宫国际app理事，中国优选法统筹法与经济数学研究ng28南宫国际app量化金融与保险分ng28南宫国际app理事。主要研究领域包括非寿险精算、精算统计模型、深度学习与精算方法、巨灾风险与环境风险度量。近年来在Journal of Risk and Insurance、North American Actuarial Journal、Insurance: Mathematics and Economics、ASTIN Bulletin: The Journal of the IAA、《统计研究》《数理统计与管理》《系统工程理论与实践》《保险研究》等国内外核心期刊发表多篇学术论文，出版学术专著一部。主持国家自然科学基金项目两项。

内容提要：

This lecture centers on the frequent occurrence of environmental pollution incidents and the increasingly stringent environmental supervision. In this context, enterprises are faced with high environmental governance costs and unpredictable environmental risks. Currently, enterprise environmental risk data presents a typical structural feature of sufficient administrative penalty data but scarce governance-related data, which restricts the application of insurance actuarial models and hinders the effective intervention of insurance as a risk-sharing tool in environmental risk management. This lecture introduces a two-stage mixture-of-experts model integrated with a transfer learning strategy, which realizes the joint modeling of the occurrence probability and potential scale of corporate environmental risks. By adopting large-sample administrative penalty data of non-listed companies, the model improves the prediction accuracy of environmental governance costs for listed companies and further constructs an innovative tiered environmental risk-sharing mechanism based on governance costs. The empirical results show that the "pre-training + partial fine-tuning" transfer learning strategy outperforms direct modeling in predictive performance under small-sample conditions, and has significant advantages in identifying high-profit insurance contracts.

本场悟空体育将围绕环境污染事件频发与环保监管日趋严格的行业背景展开，聚焦企业普遍面临的环境治理成本高昂、环境风险难以精准预判的核心难题。当前企业环境风险数据存在明显结构性失衡，行政处罚类数据体量充足，但环境治理相关数据较为稀缺，这极大限制了保险精算模型的落地应用，也导致保险这一重要风险分担工具难以有效介入企业环境风险管控工作。基于此，悟空体育将重点介绍融合迁移学习策略的两阶段混合专家模型，该模型可实现企业环境风险发生概率与潜在风险规模的联合建模，依托非上市公司大样本行政处罚数据，有效提升上市公司环境治理成本的预测精度，并据此构建以治理成本为核心的创新型分级环境风险分担机制。实证研究结果表明，小样本场景下，“预训练+部分微调”的迁移学习策略，预测性能显著优于传统直接建模方式，且在高盈利保险合约识别中具备突出优势。