级联交替更新过程模型中风险可预测性的极限

大多数风险分析模型由于未考虑风险的互联性和相互依赖性，系统性地低估了灾难性事件（如经济危机、自然灾害和恐怖主义）的概率和影响。为解决这一弱点，我们提出级联交替更新过程（CARP）模型来预测相互关联的全球风险。然而，由于缺乏足够的地面实况数据，对该模型预测精度的评估受到限制。在此，我们通过使用由已知参数的 CARP 模型模拟生成的替代性长地面实况数据，将预测精度确立为输入数据规模的函数。我们在一个由具有多样化住房的基本城市街区组装而成的人工城市火灾模型上说明了该方法。结果证实，参数恢复方差作为可用地面实况数据长度的函数呈现幂律衰减。利用 CARP，我们还展示了使用同样具有依赖关系的异质数据集进行估计：基于世界经济论坛《全球风险报告》的全球风险模型的真实世界预测精度。我们得出结论，CARP 模型是预测灾难性级联事件的有效方法，具有应用于新兴的本地和全球互联风险的潜力。