JP2015222596A - 将来の損失に関連する頻度を予測し、損失決定ユニットの関連する自動処理のためのシステム及び方法 - Google Patents

Abstract

【課題】保険対象のリスクエクスポージャをトリガすることによるシグナリング生成における自動化された最適化及び適応化のための責任リスクを導くシステムを提供する。【解決手段】独立して実行される責任リスクドライバにより少なくとも１つの測定可能な責任エクスポージャを有する複数の動作ユニット３０の個々のリスクの将来の損失及び損失分布に関連付けされた頻度を予測し、コントロールユニットであるコントローラ１０による損失決定ユニット４０の関連する自動処理のための方法であって、定期的な時間レスポンスにより測定された責任エクスポージャ信号に関して責任リスクドライバを変更する責任リスクドライバのセットを動的に適応化し、損失決定ユニット４０と動作ユニット３０との間の責任リスクにより駆動されるやりとりが、適応化された責任エクスポージャ信号に基づき調整される。【選択図】図１

Description

本発明は、少なくとも１つの測定可能な責任エクスポージャによる複数の動作ユニットの各リスクのための将来の損失と損失分布とに関連する頻度を予測し、適切な制御ユニットコントローラを用いた損失決定ユニットの関連する自動処理のためのシステムに関する。一般に本発明は、リスクマネージメントに関し、特に被保険対象の責任リスクを導くエクスポージャの分野に関する。さらに、本発明は、保険商品を含む金融商品を設計及び価格付けするのに用いられる仮説を開発及び評価するためのシステムに関する。

すべてのタイプの産業のためのリスクエクスポージャは、それぞれが自らの固有の特性と複雑な動作とを有する各種側面で生じる。リスクエクスポージャが受ける技術的処理の動作の複雑さは、しばしば自然において又は他の人工的な環境において生じるカオス的な過程とのインタラクションにおいてそれのバックグラウンドを有する。適当な具体例は、気象予報、地震及びハリケーン予報、又は心臓病などに関連する生物学的過程の制御において見つけることができる。このようなリスクエクスポージャと相互作用する技術的装置又は処理のモニタリング、制御及び操作は、２１世紀の産業における技術の主要なチャレンジの１つである。例えば、自然災害や株式市場のための保険技術又は予測システムにおける自動的な価格付けツールなど、リスクに晒される商品から依存した又は引き出されたシステム又は処理は、同じ技術的問題に自然に結合される。保険商品の価格付けは、商品の販売前になされる必要があるが、商品の販売及び支払からある期間後は知られていない結果を反映する必要があるため、さらに困難である。有形な商品によると、“販売した商品のコスト”は、商品開発前に取得した生の素材から当該商品は開発されているため、商品販売前にはわかっている。保険商品では、これは当てはまらない。カバレッジの価格は設定され、カバレッジを購入したすべての人が保険料を支払う。その後、損失を受けた不幸な人々に補償が支払われる。支払われた補償額が集めた保険料の金額より大きくなった場合、保険システムは、自らの予想利益未満となり、おそらく損失となる。保険システムが支払われる補償額を予測可能であり、適正な保険料を集めた場合、システムは利益を得ることができる。

保険商品の価格は、特定のリスク又は災害に対する被保険対象のエクスポージャと、予想損失、費用、投資などに関する仮説セットによって通常はトリガされる。一般に、保険システムによって支払われる最大金額は、損失のための補償の支払である。実際の金額は将来まで未知であるため、保険システムは、何れのエクスポージャの損失がどのようになるかに関する仮説に依拠する必要がある。実際の補償の支払が予測される補償の支払以下である場合、商品は利益を生む。実際の補償が価格付けにおける仮説セットの予想される補償より大きい場合、商品は利益を生まず、保険システムは資産を失う。従って、予想損失の仮説を設定する能力は、商品の成否に重大なものとなる。本発明は、保険システム技術における責任リスクを導くエクスポージャのトリガリングを最適化し、責任リスクを導くものの変化に基づき、自己適応化手段と自己最適化手段とを有する責任エクスポージャのための完全に自動化された価格付け装置を提供するための技術的基礎を提供するため開発された。

保険システムは、保険対象の損失の生起確率、カバレッジを無効にする（すなわち、保険料の支払いを止める）人々の人数の確率、及び費用、利子率及び税金の将来の拡大などの他の金融要素を反映する仮説セットを有する必要がある。保険システムは、損失に関する過去のデータを利用して、将来の損失がどのようになるか予測することを役立つことが可能である。アクチュアリと呼ばれる数学及び統計学の知識を有する専門家が、グループの損失率を経時的に累積損失率に組み入れる損失表を開発する。これらの累積損失率表は、保険商品を価格付けするための基礎の１つとして利用可能である。

特定の商品の価格付けにおいて、システムは、基礎となる損失表から開始する。その後、この表の特定の性質、適用されるリスク、商品の設計、ポリシーが発行された時点で適用されるリスク選択技術及び他の要素に関する判断に基づき、保険システムは、商品とそれのリスクエクスポージャとの予想される将来の補償の基礎として利用される累積損失率の仮説セットを有することができる。特定の保険商品が開発されることに依存して、履歴データと損失表とは、ポリシーがカバーする必要がある特定のリスクと常に良好に相関するとは限らない。例えば、大部分の履歴データ及び／又は保険表は、被保険対象における平均的な損失確率を処理する。しかしながら、一部の保険商品は、あるセットのサブグループに関するものである。例えば、エクスポージャは、これらのサブグループにおいて激しき変動するかもしれない。例えば、都会の環境における被保険対象は、地方の環境における当該対象と同じ責任エクスポージャを示さないかもしれず、すなわち、地域に依存するものになってもよい。このような被保険対象の商品を価格付けするため、保険システムは、標準的なグループ内で客観的により低いリスクに晒される人々の損失を引き出すため、標準的な損失表からの累積損失率を各集団にセグメント化し、母集団のより具体的なサブセットについて仮説を調整することが可能である必要がある。これらの累積的損失率のセグメント化は、保険システムが所望される損失を有するサブセットに通知するリスク要因に対して被保険対象セットを特徴付ける損失のためのリスク要因をトリガすることが何れかの方法により可能である必要がある。しかしながら、大部分の履歴データ及び／又は標準的な損失表は、このような別々のリスク要因を考慮するものでない。保険システムは、保険対象及び／又はこれらに相関する条件及びリスク要因の特定のサブセットの損失率を決定するため、他のデータソースをトリガする必要がある。その後、リスク要因に基づき価格を区別する商品の価格付け処理では、保険システムは、これらのリスク要因が損失表の累積損失率とどのように相関するかに関する仮説を設定しなければならない。従って、保険商品の設計及び価格付けは、しばしば技術的手段によって達成するのに困難である適応的処理である。全体的なエクスポージャに到達するため、保険システムは、それぞれが個別に又は他の要因と組み合わせて異なるシミュレーション、履歴データ及び損失表から導出される複数のリスク要因が存在しうる損失の適切な仮説をトリガすることが可能である必要がある。

本発明の課題は、保険対象のリスクエクスポージャをトリガすることによるシグナリング生成における自動化された最適化及び適応化のための責任リスクを導くシステムを提供することである。特に、本発明の課題は、使用されるトリガ技術を透過的なものに維持しながら、災害エクスポージャに影響を与える外部的及び内部的要因をより良好に取得可能なシステムを提供することである。さらに、システムは、リスクがどのようにまたどこに伝わるかより良好に取得可能であるべきであり、これは、責任保険技術システムにおいてリスク及び損失要因のより効率的で正しい利用を生じさせる。さらに、本発明の課題は、特に中規模リスクのための責任エクスポージャに基づく保険商品のための適応的な価格付けツールを提供することである。しかしながら、システムは中規模リスクに限定されず、小規模又は大規模リスクにもまた容易に適用可能である。本発明の課題は、小規模から中規模のリスクのための責任エクスポージャを認識及び評価するための自動化可能な他のアプローチと大規模リスクへのそれの拡張とを開発することである。これらのアプローチは、責任エクスポージャに影響を与える動作環境から最も重要な特徴とキー要因とを引受専門家が仮説化することに依拠するという点で、従来のものと異なっている。システムは、特定の市場において利用可能な又は再保険者のデータベースからの詳細な統計データとしてデータを利用することによって、自己適応的及び経時的に精緻化するものであるべきである。

本発明によると、上記課題は、特に独立形式の請求項の特徴により達成される。さらに、さらなる効果的な実施例が従属形式の請求項と開示から得られる。

本発明によると、上述した課題は、独立して実行される責任リスクドライバにより少なくとも１つの測定可能な責任エクスポージャを有する複数の動作ユニットの個々のリスクの将来の損失及び損失分布に関連付けされた頻度を予測し、コントロールユニットであるコントローラによる損失決定ユニットの関連する自動処理のためであって、損失ユニットにおいて損失が発生した場合、測定パラメータが測定され、前記コントロールユニットであるコントローラに送信され、前記責任リスクドライバに動的に割り当てられ、前記損失決定ユニットの処理は、前記損失決定ユニットにより前記発生した損失を決定する前記コントロールユニットであるコントローラにより自動的に調整され、前記損失ユニットに割り当てられた測定デバイスは、測定パラメータを動的にスキャンし、少なくとも１つの責任リスクドライバのプロセス動的及び／又は静的特性を取得する測定可能な測定パラメータが、前記コントロールユニットであるコントローラにより選択され、責任リスクドライバのセットが、前記動作ユニットの責任エクスポージャをパラメータ化する前記コントロールユニットであるコントローラのドライバ選択手段により選択され、前記動作ユニットの責任エクスポージャ信号が、前記測定デバイスにより選択された測定パラメータの測定に基づき、前記コントロールユニットであるコントローラにより生成され、前記ドライバ選択手段が、定期的な時間レスポンスにより前記測定された責任エクスポージャ信号に関して前記責任リスクドライバを変更する前記責任リスクドライバのセットを動的に適応化し、前記損失決定ユニットと前記動作ユニットとの間の責任リスクにより駆動されるやりとりが、前記適応化された責任エクスポージャ信号に基づき調整されることを特徴とすることにより解決される。変形として、動作ユニットにより誘導された損失ユニットにおいて損失が発生した場合、少なくとも１つの測定可能な責任エクスポージャを有する複数の動作ユニットと自動化された責任決定ユニットとの間の責任リスクにより駆動されるやりとりを操作するコントロールユニットであるコントローラは、損失決定ユニットを起動し、損失決定ユニットにより損失が自動決定され、責任リスクドライバに関連する疎規定パラメータが測定され、コントロールユニットであるコントローラの中央処理装置に送信され、実行のやりとりが中央処理装置により適応化され、損失ユニットに割り当てられた測定デバイスが測定パラメータについてスキャンされ、少なくも１つの責任リスクドライバのプロセス動的及び／又は静的特性を取得する測定可能な測定パラメータがコントロールユニットであるコントローラにより選択され、責任リスクドライバのセットが、動作ユニットの責任エクスポージャをパラメータ化するコントロールユニットであるコントローラのドライバ選択手段により選択され、動作ユニットの責任エクスポージャ信号が、測定デバイスにより選択された測定パラメータの測定に基づきコントロールユニットであるコントローラにより生成され、ドライバ選択手段は、定期的な時間レスポンスにより測定された責任エクスポージャ信号に関して責任リスクドライバを変更する責任リスクドライバのセットを動的に適応化し、損失決定ユニットと動作ユニットの間の責任リスクにより駆動されるやりとりが、適応化された責任エクスポージャ信号に基づき調整される。損失ユニットは、動作ユニットによるアクション又はインタラクションに晒される、すなわち、動作ユニットによる責任問題を受けるリスクに晒される何れかのタイプのデバイス、システム又は人間とすることができる。本発明は、動的に適応可能な保険システムとして実現されるコントロールシステムが、他の何れかの技術的又は人間による介入なく完全に自動的に最適化可能であるという効果を有する。このようにして、責任リスクドリブンシステムは、保険対象のリスクエクスポージャをトリガすることによって、シグナリング生成を自動的に最適化及び適応化する。特に、本発明は、使用されるトリガ技術を透過的に維持しながら、災害エクスポージャに影響を与える外部及び／又は内部ファクタをよりよい方法により取得することが可能であるという効果を有する。さらに、システムは、リスクが移転される方法及び場所を動的に取得及び適応化することが可能であり、これは、責任保険技術システムにおけるリスク及び損失ドライバのより効率的かつ適切な利用をもたらす。さらに、本発明は、特に中規模のリスクについて責任エクスポージャに基づき保険商品のための電子的に自動化された適応的な価格決定ツールを提供することができる。

一実施例の変形では、１以上の測定パラメータが、前記コントロールユニットであるコントローラにより前記動作ユニットの責任リスクドライバについてスキャン可能でない場合、前記セットの責任リスクドライバの少なくとも１つの測定パラメータが、データストレージの保存された過去のデータに基づき生成される。本実施例の変形は、スキャン可能又は測定可能でない測定パラメータが自動化された最適化のために考慮可能であるという効果を有する。さらなる実施例の変形として、システムは、保存された過去のデータに基づき責任リスクドライバを動的に適応化することによって、おそらく測定されたエクスポージャの偏差を最小化するため、保存された過去のデータに基づき責任リスクドライバに自動的にスイッチすることによって、発生した又は測定された有効なエクスポージャと責任リスクドライバに基づくエクスポージャとを比較するスイッチングモジュールを有することが可能である。

さらなる実施例の変形では、地理的地域に割り当てられた過去のエクスポージャ及び損失データが、地域に固有のデータを有する専用のデータストレージから選択され、過去の測定パラメータが、前記選択された測定パラメータに対応して生成され、前記生成された責任エクスポージャ信号は、前記過去の測定パラメータにより重み付けされる。本実施例の変形は、測定パラメータ及び／又は責任リスクドライバが測定データの理解されているサンプルに関して自動的に重み付け可能であるという効果を有する。本実施例の変形は、システムのさらなる自己適応化を可能にする。

他の実施例の変形では、前記測定デバイスは、前記測定パラメータの変化をトリガし、１以上の測定パラメータの検出された変化を前記コントロールユニットであるコントローラに送信するトリガモジュールを有する。本実施例の変形は、システムが測定パラメータの変更の発生によりそれのオペレーションを自動的に適応化するという効果を有する。

さらなる実施例の変形として、前記コントロールユニットであるコントローラは、前記測定パラメータの変化を動的に検出するため、測定パラメータの更新の要求を前記測定デバイスに定期的に送信する。本実施例の変形は、上述したものと同じ効果を有する。

他の実施例の変形では、前記損失決定ユニットは、前記コントロールユニットであるコントローラにより起動された場合、前記損失決定ユニットは、前記損失ユニットの損失を決定するため、適切な信号生成及び送信によって前記損失決定ユニットに割り当てられた自動化された修復ノードをロック解除する。本実施例の変形は、動作ユニットの何れかの責任エクスポージャがオペレータなどによるインタラクションなしに完全に自動的に処理可能であるという効果を有する。さらに、本実施例の変形は、専用の動作ユニットの各種修復フローによる分散化された緊急修復ノードがシステムによって完全に自動的に処理可能であるという効果を有する。

上述したシステムと対応する方法に加えて、本発明はまた、コンピュータシステムが提案された方法を実行し、特にコンピュータプログラムコード手段を含むコンピュータ可読媒体を有するコンピュータプログラムプロダクトを実行するように、コンピュータシステムの１以上のプロセッサを制御するコンピュータプログラムコード手段を有するコンピュータプログラムプロダクトに関する。

本発明によると、保険対象のリスクエクスポージャをトリガすることによるシグナリング生成における自動化された最適化及び適応化のための責任リスクを導くシステムを提供することができる。

図１は、一例となるシステムを概略的に示すブロック図を示す。 図２は、リスクドライバとリスクドライバのクラスタリングの一例となる認識を概略的に示すブロック図を示す。 図３は、エクスポージャと損失との間の関係を概略的に示すブロック図を示す。 図４は、システムにより使用されるリスクドライバの一例となる動的な拡張及び調整を概略的に示すブロック図を示す。 図５は、システムのモジュールにより実行される一例となる処理を概略的に示すブロック図を示す。 図６は、シナリオ生成手段の一例となる構成を概略的に示すブロック図を示す。 図７は、価格タグエンジンの一例となる構成を概略的に示すブロック図を示す。 図８は、調整エンジンの一例となる構成を概略的に示すブロック図を示す。 図９は、約款フィルタの一例となる構成を概略的に示すブロック図を示す。 図１０は、集約手段の一例となる構成を概略的に示すブロック図を示す。 図１１は、本発明のシステムの実現が外部の世界の構成をどのように反映するか概略的に示すブロック図を示す。 図１２は、図２に類似したリスクドライバとリスクドライバのクラスタリングの他の一例となる認識を概略的に示すブロック図を示す。 図１３は、損失重大性分布を概略的に示す図を示す。 図１４は、再保険リスク移転後の予想損失の生成を可能にするシステムに対する短期の拡張モジュールの実現形態を概略的に示す図を示す。 図１５は、何れかのトリガが４つの時間要素により表現可能な実施例の変形による具体例を示す。 図１６は、何れかのトリガが４つの時間要素により表現可能な実施例の変形による具体例を示す。 図１７は、何れかのトリガが４つの時間要素により表現可能な実施例の変形による具体例を示す。 図１８は、何れかのトリガが４つの時間要素により表現可能な実施例の変形による具体例を示す。 図１９は、古いものを加えることを示す図を示す。 図２０は、有効年と過去のテールの進展の結果としての将来の年を示す図を示す。 図２１は、図２１及び２２による概略的な曲線を示す。 図２２は、“請求／損失トリガ”として参照される責任リスクドライバのパラメータの値を示す。 図２３は、集約手段が予想損失を生成する実施例の変形を示す。 図２４は、パス図による集団訴訟確率のアクティブ及び非アクティブなリスクドライバの好適な実施例の変形を示す。 図２５は、パス図による集団訴訟確率のアクティブ及び非アクティブなリスクドライバの好適な実施例の変形を示す。 図２６は、パス図による責任タイプのアクティブ及び非アクティブなリスクドライバの好適な実施例の変形を示す。 図２７は、パス図による責任タイプのアクティブ及び非アクティブなリスクドライバの好適な実施例の変形を示す。 図２８は、パス図による責任法のアクティブ及び非アクティブなリスクドライバの好適な第１実施例の変形を示す。 図２９は、パス図による責任法のアクティブ及び非アクティブなリスクドライバの好適な第１実施例の変形を示す。 図３０は、パス図による責任法のアクティブ及び非アクティブなリスクドライバの好適な第２実施例の変形を示す。 図３１は、パス図による責任法のアクティブ及び非アクティブなリスクドライバの好適な第２実施例の変形を示す。 図３２は、頻度及び重大性に対する損失回避スコアの効果を示す図を示す。

図１は、独立して実行される責任リスク要因３１１〜３１３を用いた少なくとも１つの測定可能な責任エクスポージャ３１を有する複数の動作ユニット３０の欠くリスクの将来損失及び損失分布に関する頻度を予測し、制御ユニットであるコントローラ１０を用いた損失決定ユニット又は自動保険ユニット４０の関連する自動処理のためのシステム及び方法の実施例の可能な実現のためのアーキテクチャを概略的に示す。損失ユニット２０〜２６において損失が発生した場合、測定パラメータが測定され、制御ユニットであるコントローラ１０に送信され、責任リスク要因３１１〜３１３に動的に割り当てられる。損失決定ユニット４０の処理は、自動化された保険ユニット４０と損失決定ユニット４０とにより発生した損失を決定するコントロールユニットであるコントローラ１０によって自動調整される。システムは、損失決定ユニット４０と、少なくとも１つの測定可能な責任エクスポージャ３１を有する動作ユニット３０、すなわち、物理的パラメータによって又は適切な物理的パラメータに基づき測定可能なリスクに晒される動作ユニット３０との間の責任リスクにより駆動されるインタラクション制御システムを操作するためのコントロールユニットであるコントローラ１０を有する責任リスクにより駆動される保険システムとして実現可能である。図１において、参照番号１０はコントロールユニットであるコントローラを表す。コントロールユニットであるコントローラ１０は、基礎となる電子コンポーネント、信号生成モジュールなどとして操作コード及び相互作用するインタフェース装置、又は損失決定ユニット４０と複数の動作ユニット３０との間の適切な信号生成により電子的にやりとりする他のモジュールに基づき実現される。本発明のシステムは、特にコントロールユニットであるコントローラ１０に関連して、単一の機能的に相互接続されたコンポーネント相互作用システムに組み合わせることによって、少なくとも測定装置２０１，．．．，２６１、損失ユニット２０〜２６、動作ユニット３０及び損失決定ユニット４０との間で相互作用する独立して動作するエクスパートシステムとして実現可能である。特に、エクスパートシステムは、測定装置２０１，．．．，２６１を用いて測定パラメータを動的にスキャンするコントロールユニットであるコントローラ１０により機能的に明らかになる。測定装置２０１，．．．，２６１又は損失ユニット２０〜２６における新たな測定確率は、コントロールユニットであるコントローラ１０により動的にキャプチャされ、適切な責任リスクドライバ３１１〜３１３が生成され、システムにより現在測定されるパラメータに割り当てられる。測定装置２０１，．．．，２６１は、特にすべてのタイプのセンサ及びデータキャプチャリング又はフィルタリング装置である、すべてのタイプの物理的又は解析的測定装置から構成可能である。損失ユニット２０〜２６の測定装置２０１，．．．，２６１の技術的なセットアップは、予め知らされている必要はなく、又はコントロールユニットであるコントローラ１０の設定に対して静的に保持される必要もないが、実際には、測定装置２０１，．．．，２６１は、コントロールユニットであるコントローラ１０により動的にスキャン及びモニタされ、コントロールユニットであるコントローラは、現在割り当てられている責任リスクドライバ３１１〜３１３の動作設定を自己適応化する。同様に、現在利用されている責任リスクドライバ３１１〜３１３の構成は、現在スキャンされている測定パラメータに基づき適切な責任リスクドライバ３１１〜３１３を生成及び割り当てることによって、コントロールユニットであるコントローラ１０により適応化される。損失決定ユニット４０は、何れかのタイプの損害リカバリモジュール及び／又は自動修復ノードを有し、特に損失を補償するための電子会計、課金及び他の取引のための適切な手段を有する自動保険ユニットとして実現可能である。損害リカバリモジュールはまた、動作ユニット３０により引き起こされた損失を有する損失ユニット２０〜２６に電子的に割り当てられる金銭ベースの損害補償を有することが可能である。損失決定ユニット４０はまた、損失のケースにおいて損失ユニット２０，．．．，２６の動作を維持し、損失をリカバリするための自動的又は半自動的システムを有する専用の修復ノードを有することが可能である。保険業界の多くの技術的適用のため、メンテナンスプログラム又は責任システムは、顧客などのセキュリティ上の理由又はプロテクションのためしばしば法定的なものであることが述べられる必要がある。動作ユニット３０は、例えば、デバイスコントローラ、バルブ、ポジショナー、スイッチ、送信機（温度、圧力及びフローレートセンサなど）又は他の何れかの技術的装置など、すべてのタイプの動作又はフィールド装置から構成可能である。修復フローは、損失、技術的不具合又は機能不調を修復又は置換するため、上述されるような動作ユニット３０により引き起こされる損失ユニット２０〜２６の責任損失によおてトリガ又は開始される処理フローから構成される。修復フローは、損失決定ユニット４０、動作ユニット３０又はコントロールユニットであるコントローラ１０によって制御される専用の自動修復装置の利用から構成可能である。修復フローはまた金銭的補償から構成することも化膿であり、例えば、損失の直接的な技術的修復又は置換は不可能になり、又は専用の修復装置の利用が他の理由のため可能でないなどである。このような責任のケースをカバーするため、修復ノードはまた、金銭的補償のためのデータ送信を開始するための手段を有することが可能である。修復装置が損失ユニット２０，．．．，２６上の損失のトラッキングシステムを有するか、又はアクセス可能であることが有用となりうる。通常、動作ユニット３０は、ユーザ又は企業に割り当てられるか、又は少なくともユーザ又は企業を表す。しかしながら、各動作ユニット３０は、損失ユニット２０〜２６に責任を生じさせるための少なくとも１つの測定可能なリスク又はエクスポージャを有する。

コントロールユニットであるコントローラ１０は、１以上のデータ処理ユニット、ディスプレイ、及びキーボード及び／又はコンピュータマウス又は他のポインティング装置などの他の動作要素を有することが可能である。図１に概略的に示されるように、コントロールユニットであるコントローラ１０は、動作ユニット３０と損失決定ユニット４０と共に、信号生成送信１１１のためのシグナリングモジュール１１、中央処理装置１３、信号伝送インタフェース１４／３２／４１、ドライバ選択手段１５、データストレージ１７／１８及び／又は責任リスクドライバ３１１〜３１３などの機能モジュールを有する。当業者は、明細書を参照することによって、これらの機能モジュールが少なくとも部分的にハードウェアコンポーネントとして実現されることを理解するであろう。しかしながら、当業者また、機能モジュールが専用のソフトウェアモジュールを用いて少なくとも部分的に実現可能であることを理解するであろう。

図１をさらに参照して、参照番号１４／３２／４１は、データ伝送ネットワークに直接接続可能であるか、又は当該ネットワークを介し接続可能な信号伝送インタフェースを表す。従って、コントロールユニットであるコントローラ１０、動作ユニット３０、損失決定ユニット４０、損失ユニット２０〜２６及び／又は測定装置２０１，．．．，２６１が、信号伝送のためネットワークを介し接続可能である。ネットワークは、例えば、インターネット、ＧＳＭ（登録商標）（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）ネットワーク、ＵＭＴＳ（Ｕｎｉｖｅｒｓａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）ネットワーク、ＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ｒｅｇｉｏｎ Ｎｅｔｗｏｒｋ）、ＰＳＴＮ（Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ）及び／又は専用のポイント・ツー・ポイント通信ラインなどの有線又は無線ネットワークとして通信ネットワークなどから構成可能である。コントロールユニットであるコントローラ１０、動作ユニット３０、損失決定ユニット４０、損失ユニット２０〜２６及び／又は測定装置２０１，．．．，２６１がまた、伝送規格又はプロトコルに従って通信ネットワークに接続するための複数のインタフェースを有することが可能である。

少なくとも１つの測定可能な責任エクスポージャ３１が、複数の動作ユニット３０のそれぞれに割り当てられる。各責任エクスポージャ３１は、責任リスクドライバ３１１〜３１３を用いて表すことが可能である。図１では、参照番号３１は、“実際の世界”の責任エクスポージャを示し、参照番号３１’は、コントロールユニットであるコントローラ１０により生成されるリスクドライバ３１１〜３１３に基づく責任エクスポージャを表す。責任リスクドライバ３１１〜３１３は、コントロールユニットであるコントローラ１０の信号生成と電子的にやりとりするハードウェア及び／又はソフトウェアベースの機能モジュールである。コントロールユニットであるコントローラ１０は、動作ユニット３０によって引き起こされた損失ユニット２０，．．．，２６において損失が生じた場合、損失決定ユニット４０を起動する手段を有し、損失決定ユニット４０は、損失を決定する自動損害リカバリ手段を有する。責任リスクドライバ３１１〜３１３に関連する測定パラメータが測定され、コントロールユニットであるコントローラ１０の中央処理装置１３に送信され、動作的インタラクションが中央処理装置１３により適応化される。コントロールユニットであるコントローラ１０は、測定パラメータのために損失ユニット２０，．．．，２６に割り当てられた測定装置２０１，．．．，２６１をスキャンし、コントロールユニットであるコントローラ１０を用いて少なくとも１つの責任リスクドライバ３１１〜３１３の処理の動的及び静的特性をキャプチャ又は部分的にキャプチャする測定可能な測定パラメータを選択するためのトリガモジュールを有する。

図３は、エクスポージャと予想損失との間の関係を概略的に示す。図４はさらに、システムとドライバ選択手段１５とによる一例となるリスクドライバの割当てを示す図を示す。選択されたリスクドライバは、機能モジュールに割り当てられる。選択されたリスクドライバのインジケータの定量化は、リスクドライバを表す測定可能な数量をトレースし、当該数量を測定又は推定する方法を検出することによって実現される。さらに、選択されたリスクドライバの影響の定量化は、例えば、マーケット値などからモデルパラメータを決定し、残りのパラメータを過去のエクスポージャ及び損失データに適合させることによって（リスクドライバを表す測定可能な数量なしに）、実現可能である。各国の生計費などの直接には測定できないいくつかの測定パラメータは、他のソースから取得可能である。シナリオクラスの基礎重大性などの他のパラメータが、過去の損失経験とモデル予測とを比較することによって取得できる。図４が示すように、少なくとも１つの損失経験は、他のソースから取得されない各パラメータのシステム予測と比較される必要がある（実際の世界のリスク駆動性質）。これを実現するため、損失経験は、例えば、位置（国）、基礎となるリスク（リスク対象／活動及び災害）及び／又は損失コンポーネントなどによって分割可能である。システムへのモジュールベースの拡張は、例えば、保険リスク移転後の予想損失の生成を可能にする。モジュールの拡張などのシンプルなシステム構成からのスタートは、実現するのが容易である。イベントセットベースのシミュレーションを用いたリスク資産要求の決定は、追加的なパラメータを必要とすることなく可能である。

システムの技術的な実現のため、コントロールユニットであるコントローラ１０の機能ユニットは、図５に示されるように、管理可能なモジュールに分割可能である。本実施例の変形では、システムは、シナリオ生成手段１３１、価格タグエンジン１３２、調整エンジン１３３、複数の損失シナリオ（損失モデル）、約款フィルタ１３４及び集約手段（図５を参照）を有する。これらのモジュールの動作は、例えば、（１）潜在的な損失の原因と結果（シナリオ生成手段１３１）、（２）潜在的な損失の効果のコスト（価格タグエンジン１３２）、（３）損失コストに対する各種ファクタの影響（調整エンジン１３３）、（４）潜在的な損失の保険カバレッジ（約款フィルタ１３４）、（５）合計予想損失（集約手段１３５）のシーケンスを反映するためチェーン化可能である。従って、このサブ構成は、コントロールユニットであるコントローラ１０を用いて損失シナリオ表現によって互いに割り当てられる５つのモジュールを有する。５つのコンポーネントのそれぞれは、多数のリスクドライバ３１１〜３１３を有し、損失シナリオとエクスポージャから入力情報を取得する。損失シナリオは修正され、次のモジュールにわたされる。この構成を介して、各モジュールは特定の質問セットに割り当てられる。図５によると、シナリオ生成手段１３１は、（ｉ）潜在的な損失の原因は何か？（ｉｉ）潜在的な損失の効果は何か？（ｉｉｉ）誰に影響が及ぶか？という概念的なオブジェクトに割り当てることができ、価格タグエンジン１３２は、（ｉ）潜在的な損失のコストの結果はいくらか？（ｉｉ）潜在的な損失の結果に対するエクスポージャは何か？に割り当てることができ、調整エンジン１３３は、（ｉ）保険に関する何れのファクタが損失の頻度又は重大性に影響を与えるか？（ｉｉ）経済的、法的又は社会的環境の影響に関する何れのファクタが損失の頻度又は重大性に影響を与えるか？に割り当てることができ、約款フィルタ１３４は、（ｉ）損失の何れの部分が保険によってカバーされるか？に割り当てることができ、集約手段１３５は、（ｉｉ）エクスポージャに対応する合計予想損失がどのなるかに割り当てることができる。図６は、シナリオ生成手段１３１の可能な構成をより詳細に概略的に示す。

本発明のシステムでは、責任リスクドライバ構成はシナリオに基づく。損失シナリオは、機能構成を形成するため、責任リスクドライバ３１１〜３１３を接続するコントロールユニットであるコントローラ１０のシステム変数である。以下において、上述された実施例の変形のコントロールユニットであるコントローラ１０のコンポーネント間の関係と損失シナリオとが確立される。シナリオは、特定のセットアップであり、イベント又は発生系列内で流れる。従って、シナリオ又はシナリオの記述データ及び機能は、“何が損失を生じさせるか”及び“何が潜在的な損失の効果となるか”という質問に対する回答を、“それはどこで生じうるか”及び“誰が影響を受けうるか”という質問に対する回答と共に有する。時間の大きさは、コントロールユニットであるコントローラ１０において明示的に構成される。シナリオは、災害、リスク対象／活動、損失機構、影響を受ける主体のタイプ、及び位置のカテゴリによって特定されるエンティティとしてみなすことができる。これらのシナリオは潜在的な損失のクラスであり、個別の損失はそれらのインスタンスである。シナリオを生成する技術的な目的は、少なくとも３つある。すなわち、（１）シナリオが、リスク展望の直感的な解析を可能にする、（２）シナリオがリスクをリスクドライバが独立して動作するコンポーネントに分解することを可能にする、及び（３）シナリオがリスクの累積値の推定を可能にするイベントセットに基づく単一の損失セットのシミュレーションを可能にする。シナリオは、以下のカテゴリにより特定可能である。（ｉ）災害：潜在的な損失の原因の一部、（ｉｉ）リスク活動又はリスク対象：潜在的な損失の原因の一部、（ｉｉｉ）シナリオクラス（損失機構）：潜在的な損失の効果である。さらに、以下のカテゴリが、リスクをリスクドライバ３１１〜３１３が独立して動作するコントロールユニットのコントローラ１０のシステムコンポーネントに分解するのに妥当である。すなわち、（ｉｖ）第三者の責任：損失決定ユニット４０により規定される（製品責任又は企業総合責任）、（ｖ）潜在的な損失の場所：製品責任のケースでは国、企業総合責任のケースでは製品が販売された市場、製造場所である。本実施例の変形では、“未知”又は“汎用的”というパラメータ値は、コントロールユニットであるコントローラ１０の上述されたコンポーネントによって受け入れ可能であるだけでなく、各カテゴリの重要な価値となりうる。例えば、影響を受けた損失ユニット２０〜２６又は動作ユニット３０の各タイプについて関連性のないすべての高頻度／低重大性の損の原因となる背景シナリオが存在する。背景シナリオは、未知の災害、未知のリスク活動又は対象、未知の機構であるが、既知のタイプの影響を受けた主体によって特定される。本実施例の変形では、損失シナリオは正規化されず、シナリオ生成手段１３１の正規化された表現から生成される。以降の金銭的な損失は、暗黙的には、例えば、身体の傷害に従う金銭的な損失など、コントロールユニットであるコントローラ１０の各コンポーネントの一部である。潜在的な損失の場所は保険対象の損失決定ユニット４０の位置と異なってもよいことは明らかであり、第三者の永続的な位置は、特定の実施例の変形に基づく。一例として、特定の実施例の変形について、製品責任について輸出市場の各場所と、企業総合責任についての製造場所が想定できる。さらに、損失の頻度は、イベントの頻度とイベント毎の損失数の分布とから生成される必要がある可能性がある。コントロールユニットであるコントローラ１０の構成は、システムの動作においてこのような仮定を容易に組み込むことを可能にする。

関連する各シナリオについて、１以上の損失も出るがある。これらの損失モデルは、損失シナリオと呼ばれ、コントロールユニットであるコントローラ１０のすべてのコンポーネント１３１〜１３５に共通のものとすることが可能である。コンポーネント１３１〜１３５は、以下の動作インタラクションを有することが可能である。１．シナリオ生成手段１３１（ソース）：入力されたモデルのエクスポージャ情報に基づき、シナリオ生成手段１３１がシナリオを生成する。生成された各シナリオについて、損失も出るが生成される。２．リスクドライバエンジン：リスクドライバエンジンは、これらの損失も出る又はその一部の値の表現を変更する。３．集約手段１３５（デスティネーション）：損失モデルのデスティネーションは、予想損失を計算する集約手段１３５である。シナリオは１つの次元として導入された時間を明示的に有し、損失シナリオは時間ｔに依存する。極めて低い重大性の損失は頻繁であるが、控除可能又は自己保険対象の保持のため、又はその結果として報告されないため、損失決定ユニット４０に関係しない。従って、金額としての一般的な超過ポイントは、すべての損失モデルの一部である。好適な実施例の変形では、一般的な超過ポイントは０であるが、信頼性の閾値はない。エクスポージャボリュームに対する頻度分布の関係は非線形であり、当該ボリュームは異なるシナリオ、異なる市場などに分割される必要があるため、頻度分布はボリュームに独立している。シナリオ生成手段１３１は、エクスポージャ値の影響を生成する。一実施例の変形では、集約手段１３５は、各シナリオの実際のエクスポージャを考慮することができる。

さらに、各損失シナリオと各損失モデルは、通常はちょうど１つの頻度分布関数が割り当てられている。シナリオ生成手段１３１により考慮されると、複数の損失が同一のイベントによって引き起こされてもよい。これらのイベントは独立している（従属性は、リスクドライバエンジンの間のフィードバックループを用いてコントロールユニットであるコントローラ１０に明示的に構成可能である）。従って、損失シナリオ頻度分布は、１次モーメントにより特徴付けされるポワソン分布である。すべての外部リスクドライバの指標は時間に依存する。しかしながら、それらの値はすべてシステムによりレーティングされるコントラクトパラメータの予想される有効期間に従って選択される。これは、純粋なアクシデントイヤーベースのトレンド処理に対応する。他の実施例の変形では、システムは長期のビジネスラインについて意図され、責任リスクドライバシステムの構成は、損失の時間的進展の明示的な処理を有するよう設計可能である。時間的進展は３つの段階に分割される。すなわち、潜在的な損失の特性に依存したシナリオ展開と、潜在的な損失の動作環境の特性に依存した請求展開と、最後に潜在的な請求者それらの動作環境との特性に依存した支払処理とである。しかしながら、他の実施例の変形として、頻度分布は本発明の構成を通じて好適な参照ボリュームに関するものとすることができる。ボリュームと損失頻度との間の関係がボリュームの全体範囲について線形になると仮定することはできないため、真のボリュームのみが１つの損失モデルへの集約中に異なるシナリオに配分される。

システムの頻度計算のフレームワークでは、シナリオｉｋｌ，λ（位置λで発生する、ｉ：潜在的な損失の原因、ｋｌ：潜在的な損失の効果頻度）に関連する潜在的な損失の頻度λ_{ｉｋｌ，λ}は、

である。ここで、Ｒ_ｉλ，ｌＲｐ_ｉｐ_ｉλ；ｌは、取得（ｌが製品に等しい場合）又は製造（ｌが施設に等しい場合）した製品／活動ｉによる収入であり、ｆ_ｉｋｌ＝Ｆ_ｉａ_ｉ，ｋｌが産業セグメントｉにおけるリファレンスボリュームの単位毎のシナリオｉｋｌの頻度である。本実施例の変形では、利用されるパラメータは、Ｒ合計収入、ｐ_ｉ産業セグメントｉにより分割されるエクスポージャ（ボリューム）、ｐ_ｉλ；ｌ影響を受けた主体ｌ（製品又は施設）の位置（国）λによって産業セグメントｉに分割されたエクスポージャ（ボリューム）である。さらに、利用されるパラメータは、Ｆ_ｉ基礎頻度、すなわち、産業セグメントｉにおけるリファレンスボリュームの単位の毎年の潜在的なイベント数、ａ_ｉ，ｋｌ原因ｉに対する効果ｋｌの割当てパーセンテージ、すなわち、原因ｉによるすべての潜在的なイベントにおける効果ｋｌによる潜在的なイベントの割合、及びＲ_０リファレンス収入（毎年１億ユーロなど）である。この責任リスクドライバシステムのフレームワークは、企業の売上（又は収入）と損失頻度との間の線形従属性を意味する。

システムの他の実施例の変形では、頻度生成は、製品及び一般責任損失の観察された頻度が収入（売上）にサブ比例（ｓｕｂｐｒｏｐｏｒｔｉｏｎａｌ）し、ゆっくり変動するプリファクタによる平方根に従うという事実に基づく。

ここで、Ｆは損失頻度であり、ｂ及びβは、例えば、１００万ユーロから１０億ユーロまでの収入に対して有効な経験的定数である。本実施例の変形の当該要件を充足するため、位置λにおいて発生するシナリオｉｌｋｍ（ｉｌ：潜在損失の原因、ｋｍ：潜在損失の効果）に関連する潜在損失の頻度λ_{ｉｌｋｍ，λ}は、

である。

ここで、ｆ_ｉｌｋｍ＝Ｆ_ｉｌａ_{ｉｌ，ｋｍ}はＬＲＤボリュームの１単位についてのすべてのシナリオｉｌｋｍの頻度であり、φ_ｉλ；ｌ＝Φｐ_ｉｐ_ｉλ；ｌは収入分割依存するボリュームファクタであり、Φ＝ａｌｎ^β（Ｒ_ｌｏｇｖ）ｖ^ｂは合計ボリュームファクタであり（相対ボリュームｖのサイズ訂正）、

はプリファクタである。本実施例の変形の実現される変数は、ｖ相対ボリューム（責任リスクドライバユニットにおいて測定される責任リスクドライバボリュームｖ）、ｐ_ｉ産業セグメントｉにより分割されるエクスポージャ（ボリューム）、ｐ_ｉλ；ｌ影響を受けた主体ｌ（製品又は施設）について位置（国）λによる産業セグメントｉにおいて分割されたエクスポージャ（ボリューム）である。利用される以下のさらなるパラメータは、Ｆ_ｉｌ基礎頻度、すなわち、影響を受けた主体ｌについて産業セグメントｉにおけるリファレンスボリュームの単位と毎年の潜在的なイベント数、ａ_{ｉｌ，ｋｍ}原因ｉｌに対する効果ｋｍの割当てパーセンテージ、すなわち、原因ｉｌを有するすべての潜在的なイベントにおける効果ｋｍを有する潜在的なイベントの割合である。ｂは、経験的な収入の冪乗であり、例えば、０．５などに設定可能である。βは、経験的なログの冪乗であり、例えば、２などに設定可能であり、ログ係数としてのＲ_ｌｏｇは、例えば、１０^８などに設定可能である。

相対ボリュームｖの生成のため、以下のパラメータが実現される。すなわち、収入定数（例えば、１億ユーロ／年など）Ｒ_０、ｒ_λ（ｔ）時間（年）ｔにおける位置（国）λの相対リファレンス収入である。２つの実施例の変形の生成関係の異なる様相にもかかわらず、企業の収入パラメータがリファレンス収入パラメータに等しく、基礎頻度が影響を受けた主体から独立している場合、責任リスクドライバシステムの第２実施例の変形の頻度は、対応するパラメータを用いて第１実施例の変形により生成された頻度に等しいことに留意することが重要である。

各シナリオと各損失も出るとは、複数の損失コンポーネントを有することが可能である。重大性分布関数は、各損失モデルの各損失コンポーネントの重大性を特徴付ける。複数のコンポーネントに負担される損失の分割は、以下への分離について不可欠である。すなわち、（ｉ）医療コストなどのファクタに依存しない損失（けがした人など）の重大性と、損失の結果は自然単位（けがした人の人数など）で表現され、（ｉｉ）基礎となるリスクに依存する損失の重大性のコスト（けがした人の回復に費やされる金銭など）とに分離される。さらに、特に長期のビジネスでは、損失コンポーネントは、基本的に異なる時間の進展を有する。コントロールユニットであるコントローラ１０のさらなるモジュールを用いて、製品責任又は企業総合責任の請求を導く可能性のある典型的なシナリオセットについて一例として選択される所定の具体的なシナリオセットについて、予想損失負担をいくつかの損失コンポーネントに配分することが可能である。上述された方法で取得された情報は、各シナリオについて損失コンポーネントのパラメータを生成するのに十分である。以下のテーブルは、それらの自然単位と重大生徒に関してコンポーネントの具体例を与える。しかしながら好適な実施例の変形では、コストパラメータはさらなるコンポーネントとして構成可能である。

実施例の変形として、コントロールユニットであるコントローラ１０は、スタートポイントとしてこのようなテーブルを利用可能である。それは処理について完成されておらず、完成されている必要もないが、処理中にコントロールユニットであるコントローラ１０により自動的に完成及び適応化される。例えば、平均的な建物は自然単位としては明らかに不十分である。これは、所与のタイプの他の何れか平均的な建物と同様に、平均的な建物は当然には所与の単位でなく、建物、車両、消費財及び農産物などのコストの間のレシオは市場から独立したものでないためである。しかしながら、異なるスケールは、コントロールユニットであるコントローラ１０のコンポーネント１３１〜１３５が小さな消費財と摩天楼などの異なるタイプの資産への自然単位のカウントに関する資産損害損失負担の分割を防ぐ。この条件化の問題は、例えば、資産の損害をそれのコストにより規定することによって解決できる。資産損害の有効なコンポーネントがシステムによって以降に追加される。身体的な傷害の各サブコンポーネントが身体的な傷害から直接的に発生したコストの時間の進展と異なる時間の進展を有する移行の金銭的な損失コンポーネントを暗黙的に含むことなどを生じさせる何れかの不整合性が、他のシステムによって別々に解消される必要があり、最適化中にコントロールユニットであるコントローラ１０により解消される。

本実施例の変形では、損失コンポーネントの重大性は、責任リスクドライバ３１１〜３１３の異なる位置において異なる単位により表現される。すなわち、（ａ）自然単位：シナリオ生成手段１３１から出発した後、シナリオに与えられた損失の重大性はけがをした人々の人数などの自然単位により表現される。区別するため、自然単位で表現された損失コンポーネントの重大性は、シナリオ損失重大性コンポーネントと呼ばれる。（ｂ）金銭ベースの単位：価格タグエンジン１３２を出発した後、各シナリオの各損失コンポーネントは、金額に関して自らの重大性の分布によって特徴付けされる。このような重大性は、ここではシナリオ損失重大性コンポーネントと呼ばれる。全体的な重大性はしばしば単調減少する確率密度関数などの既知の性質を有するが（ある観察ポイントの上方のパレート分布）、１つのシナリオの１つのシナリオ損失重大性コンポーネントの分布関数の関数形態は、一般には知られていない。代わりに、コントロールユニットであるコントローラ１０を用いて、シナリオ損失重大性コンポーネントは、対数正規分布を仮定すると、それの平均値と標準偏差とによって特徴付けされる。しかしながら、これは、すべての実施例の変形のケースであることは厳密には必要とされない。特徴付けはまた平均値と標準偏差とでなく、平均値と変動係数とによって与えることも可能である。好適な実施例の変形では、この実現は、損失機構に依存した貢献及び／又は位置に依存した貢献である。実施例の変形では、責任リスクドライバシステムの生成のためのシナリオ損失重大性コンポーネントＮ_ｊαと重大性コンポーネントＳ_ｊαλと同様に、位置（国）λにおいてタイプｊの損害のための経済的な補償Ｃ_ｊλ（再起不能なけがをした人又は死亡した人などの損失コンポーネント）は、それらのサイズを特徴付ける各自の平均値

と、それらの相対的な不確実性を特徴付ける変動係数

（標準偏差と平均値との間の比）とによって特徴付けされる。しかしながら、他の実施例の変形として、特に少数のシナリオしか利用可能でない単一の産業セグメントにおける様相損失の予測における精度を向上させるための以下の変更が可能である。すなわち、（ｉ）損失重大性コンポーネントの変動係数ｖ_ｊα ^（２）はもはやシステムの制約でなく、損失コンポーネントｊとシナリオαの損失機構ｍ（α）とに依存する。（ｉｉ）経済的補償γ_ｊλ ^（２）の変動係数はもはや位置（国）λのみに依存せず、損失コンポーネントｊにもまた依存する。それらは、モデル毎のデフォルトγ^（２）に対して優先する。（ｉｉｉ）リスクドライバは、賞金予測可能性を説明する責任法則を用いて実現され、これに応じて不確実性を増大させる。調整手段ｆ_ｊαλ ^ｒａｔは、損失コンポーネントに依存してもよいし、そうでなくてもよい。上述されるように、変動係数の組み合わせのための式は、Ｎ及びＣの分布関数に依存する。それらは知られていないため、変動係数が加えられる（平均値の周りの級数展開に基づき）。位置（国）λにおける各シナリオ損失モデルαの各損失コンポーネントｊについて、不確実性が計算される。すなわち、（ｉ）シナリオ生成手段１３１が損失重大性の不確実性を決定し、

（ｉｉ）価格タグエンジン１３２が１つの自然単位の経済的補償の不確実性を決定する

価格タグエンジン１３２は、潜在的な損失の経済的な補償の不確実性を生成するため、上記２つの不確実性を合成する。

（ｉｉｉ）調整エンジン１３３は、潜在的な損失σ_ｊαλ ^{（２），ｍｏｄ}の重大性の不確実性を取得するため、不確実性

を増加させる。さらなる他の実施例の変形では、標準偏差と平均値との間の比は、固定されたモデルワイドパラメータとして設定可能である。自然単位と金銭単位との間の変換はコンポーネント単位で行われるため、本実施例の変形では、対数正規分布が自然単位と金額との双方について利用可能である。他方、何れの非乗算演算もまた他の分布を利用することを必要にするであろう。以下のテーブルは、以下のコンポーネントによって表されるコントロールユニットであるコントローラ１０を用いて生成される一例となる損失子成りを示す。

以下のテーブルは、コントロールユニットであるコントローラ１０を用いて生成される一例となる損失シナリオとしての他の実施例の変形を示す。本実施例の変形では、損失シナリオは以下のコンポーネントによって表される。

この実施例の変形では、損失シナリオの損失は正規化されず、シナリオ生成手段１３１において正規化された表現から生成される。以降の金銭的損失は、暗黙的に身体的傷害の各コンポーネントの一部である。潜在的な損失の位置は、損失決定ユニット４０の位置、保険対象の位置及び第三者の永続的な位置と異なるものであってもよい。実施例の変形について、これは、例えば、製品責任の輸出市場のため及び／又は企業総合責任の製造の代わりに仮定できる。損失の頻度がイベントの頻度とイベント毎の損失数の分布とから生成されることが妥当である可能性がある。

情報データのエクスポージャは、責任リスクドライバ３１１〜３１３の入力パラメータの１つとすることができる。図５の一例となる構成に関して、エクスポージャ情報データは、コントロールユニットであるコントローラ１０の以下のコンポーネントにおいて利用される。すなわち、（ｉ）シナリオ生成手段１３１：対応するエクスポージャを有するシナリオのみがシナリオ生成手段１３１において生成される。（ｉｉ）集約手段１３５：ボリューム分割手段が、例えば、集約手段１３５の一部などとして実現可能である。エクスポージャは、（ｉ）時間（年）、（ｉｉ）合計ボリューム（金額データとすることが可能である）、（ｉｉｉ）基礎となるリスク（リスク対象／活動、影響を受ける主体、潜在的な損失の位置）によるボリューム分解から構成される合計ボリューム及び最終的な分解によって表すことができる。（ｉｖ）リスク駆動性質は、保険対象と最終的には保険約款とを表す。いくつかの実施例の変形では、システムの所与のシーケンスを用いて基礎となるリスクの複数のカテゴリによって合計エクスポージャを各コンポーネントに分解することが妥当である。エクスポージャ分解データは、通常はシステムによって正規化される。損失ユニット２０〜２６は、いくつかの所定のリスク駆動性質によって適格化されてもよい。コントロールユニットであるコントローラ１０に対するこれらの性質の利用性は、一般により低い損失頻度及び重大性をもたらす。同様に、保険約款は、いくつかのリスク駆動性質によって適格化されてもよい。これらの性質の利用性はまた、一般により低い損失頻度及び重大性をもたらす。

図５によると、シナリオ生成手段１３１は、（ｉ）潜在的な損失の原因は何か？、（ｉｉ）潜在的な損失の効果は何か？（ｉｉｉ）誰が影響を受けるか？という概念的なオブジェクトに割当て可能である。図６は、シナリオ生成手段１３１の構成の可能な実現をより詳細に概略的に示す。シナリオ生成手段１３１は、基礎となるリスク（潜在的な損失の原因：災害とリスク対象／活動との組み合わせ）、機構（潜在的な損失の効果）及び保険種類のカバレッジ（製品又は企業総合責任）を選択肢、それらを自然単位により表される重大性分布により損失シナリオに組み合わせることによって、出力に関連する損失シナリオを生成する。シナリオ生成手段１３１のシナリオ選択基準は、影響を受ける主体及び保険種類のリスク対象及び／又はタイプから構成可能である。損失シナリオは、自然単位により表現される。一実施例の変形として、ドライバ選択手段１５を用いて特定及び選択される以下の責任リスクドライバ３１１〜３１３（ＬＲＤ）は、例えば、シナリオ生成手段１３１などにおいて利用可能である。

本例では、保険対象の製品ポートフォリオは、保険対象の動作ユニット３０により販売される製品に固有のリスクを表す。製品のタイプは、保険対象により製造される製品のタイプを規定する。シナリオ生成手段１３１への入力数量のソースとして、リファレンスボリュームのシナリオ基礎頻度、リファレンスボリューム及びシナリオ基礎重大性が、入力パラメータとして利用可能である。シナリオ生成手段１３１の出力として、シナリオ生成手段１３１は、１．回復可能／軽微な傷害、２．身体障害／回復不可な傷害、３．死亡、４．財産損害、及び５．事業停止である損失モデルコンポーネントに対する作用について動作する。各基礎リスク（時間は産業セグメントのみについて）は、それぞれが自らの基礎重大性を有する１以上のシナリオクラスをトリガしてもよい。シナリオ生成手段１３１はさらに、単一の損失コンポーネントの自然単位による損失シナリオの頻度と重大性とを生成する処理モジュールを有する。好適な実施例の変形では、測定パラメータは、製品及び一般責任損失の観察された頻度が収入（売上）にサブ比例する点で、上述した責任リスクドライバ３１１〜３１３において実現される。従って、好適な実施例の変形では、それは、ゆっくり変化するプリファクタを有する平方根に従う。

ただし、Ｆは損失頻度であり、ｂ及びβは１００万〜１０億ユーロなどの収入に対して有効な経験的定数である。責任リスクシステムの上記要件を充足するため、位置λにおいて発生するシナリオｉｌｋｍ（ｉｌ：潜在的な損失の原因、ｋｍ：潜在的な損失の効果）に関する潜在的な損失の頻度λ_{ｉｌｋｍ，λ}は、

である。ここで、ｆ_ｉｌｋｍ＝Ｆ_ｉｌａ_{ｉｌ，ｋｍ}はＬＲＤボリュームの１単位のすべてのシナリオｉｌｋｍの頻度であり、φ_ｉｋ；ｌ＝Φｐ_ｉｐ_ｉλ；ｌは収入分割に依存したボリュームファクタであり、Φ＝ａｌｎ^β（Ｒ_ｌｏｇｖ）ｖ^ｂは合計ボリュームファクタ（相対ボリュームｖのサイズ訂正）であり、

はプリファクタである。使用される変数は、相対ボリュームＶ（責任リスクドライバユニットにより測定される責任リスクドライバボリュームＶ）、産業セグメントｉにより分割されるエクスポージャ（ボリューム）ｐ_ｉ、及び影響を受ける主体Ｉ（製品又は施設）について位置（国）λにより産業セグメントｉにおいて分割されるエクスポージャ（ボリューム）ｐ_ｉλ；ｌである。使用されるパラメータは、基礎頻度、すなわち、影響を受ける主体Ｉについて産業セグメントにおけるリファレンスボリュームの単位及び年毎の潜在的なイベント数Ｆ_ｉｌ、原因ｉｌに対する効果ｋｍの割当てパーセンテージ、すなわち、原因ｉｌを有するすべての潜在的なイベントにおける効果ｋｍを有する潜在的なイベントの割合ａ_{ｉｌ，ｋｍ}、経験的な収入の冪乗ｂ（０．５など）、経験的な対数の冪乗β（２など）、及び対数係数Ｒ_ｌｏｇ（１０^８など）である。相対ボリュームｖの生成のため、使用されるパラメータは、収入定数Ｒ_０（１億ユーロ／年など）及び時間（年）ｔにおける位置（国）λの相対リファレンス収入ｒ_λ（ｔ）である。

他の実施例の変形では、測定パラメータは、

に従う上述された責任リスクドライバ３１１〜３１３において関連する。

ここで、Ｆ_ｉは損失シナリオの損失ｉｋの産業セグメントｉの基礎頻度であり、ｆ_ｉｋは損失シナリオｉｋ（出力）の頻度であり、Ｓ_ｋはシナリオクラスｋの基礎重大性であり、ａ_ｉｋはリスク対象ｉに対するシナリオクラスｋの割当てパーセンテージであり、ｐ_ｋｊはシナリオクラスｋの自然単位による重大性コンポーネントｊのパーセンテージであり、ｓ_ｊｋはシナリオクラスｋ（出力）の損失コンポーネントｊの自然単位による重大性である。図６は、図示されたコンポーネントに基づくシナリオ選択及びアセンブリカスケードの実施例を示す。本例では、基礎となるリスクは、リスク対象（製品のタイプ）と未知の災害とによって特定される。損失の原因ｉ（基礎となるリスク）、損失の効果ｋ（シナリオクラス）及び影響を受ける主体のタイプ／（保険種類）の可能なすべての組み合わせのうち、（ｉ）基礎となるリスクｉ、（ｉｉ）保険種類／エクスポージャ情報のマッチング、及び非ゼロの割当てパーセンテージａ_ｉｋを有するシナリオクラスｋを有するもののみが選択される。シナリオ損失重大性コンポーネントの平均値とシナリオ頻度の平均値との定式化のための式が、リスクドライバＩにより与えられる。

図５によると、価格タグエンジン１３２は、以下の概念的なオブジェクト、すなわち、潜在的な損失のコストの結果はいくらであるか、及び潜在的な損失の結果に対するエクスポージャはどうかというオブジェクトに割り当てることができる。それは、責任リスクドライバを用いることによって、自然単位から金銭単位へシナリオ損失モデルの重大性を変換する変換手段を有する。図７は、価格タグエンジン１３２の構成の可能な実現をより詳細に概略的に示す。価格タグエンジン１３２は、傷害を受けた人の人数から傷害を受けた人の損失コストなど、損失結果から損失コストを生成する。重大性の自然単位による損失シナリオは、生計費、賃金などの市場値を用いて金銭単位の損失シナリオに変換できる。エクスポージャ（ボリューム）は、基礎となるリスクに対する分割に従って価格タグエンジン１３２により損失シナリオに配分される。エクスポージャ（ボリューム）市場分割に応じて、複数の損失シナリオが、価格タグエンジン１３２によって１つの入力損失シナリオに対して生成されてもよい。価格タグエンジン１３２の入出力パラメータは、（ａ）自然単位により表される入力パラメータと、金銭単位により表される出力パラメータとによる上述された損失シナリオ、及び（ｂ）国によるエクスポージャ（ボリューム）パラメータと基礎となるリスクによるエクスポージャ（ボリューム）パラメータと共に当該モジュールに含まれるエクスポージャリスクドライバである。価格タグエンジン１３２は、（ｉ）基礎となるリスクによって分割されたエクスポージャによる異なる入力される損失シナリオへのエクスポージャ（ボリューム）の割当ての機能ステップを少なくとも有する。一例となる実施例として、入力パラメータは自然単位により表現可能であり、出力パラメータは価格タグエンジン１３２により金銭単位により表現可能である。（ｉｉ）入力された損失シナリオが異なる位置（国など）におけるエクスポージャ（ボリューム）を有する場合、価格タグエンジン１３２は、各位置について同一の損失シナリオを生成し、これに従ってエクスポージャ（ボリューム）を配分する。（ｉｉｉ）各損失シナリオの各損失コンポーネントの予想コスを決定する。本例では、以下の責任リスクドライバ３１１〜３１３（ＬＲＤ）が、価格タグエンジン１３２において利用されるため、ドライバ選択手段１５により特定及び選択される。

本例では、以下の追加的な責任リスクドライバ３１１〜３１３が、価格タグエンジン１３２を機能させるため選択される。

追加的なリスクドライバ３１１〜３１３は、“生計費”として参照されるリスクドライバにより指定されるような各損失コンポーネントの合計予想損失コストに対する生計費コンポーネントと組み合わされる。この場合、経済環境は、製品が販売又は製造される経済環境に関するリスクを表す。経済環境の表現としてコントロールユニットであるコントローラ１０により選択される生計費責任リスクドライバは、支払請求時のベンチマーク化を可能にするため、各国における耐久財及び非耐久財のバスケットを比較する。当該リスクドライバを測定するためコントロールユニットであるコントローラ１０により選択される測定パラメータは、欧州家計の平均消費に対応する製品バスケットを含む、ニューヨークの１００等により測定された都市ベースインデックスである。ある国が測定不可である場合、コントロールユニットであるコントローラ１０は、同じ地域の各国の平均などを利用可能である。最も低い都市インデックスが、ある国が複数の都市により表現可能な場合に利用される。実施例の変形として、ある損失コンポーネントαの合計コスト損失額が苦痛、医療費、収入喪失コストコンポーネントなどに生計費リスクドライバのコストに関する追加的なコストコンポーネントを加えた測定パラメータを有することが仮定できる。適切な測定パラメータにより測定される生計費とこれらに関する有効なコストコンポーネントとの間の関係を確定するため、生計費をコストコンポーネントにスケーリングするファクタを求める。生計費は国に固有のものであるため、第１ステップでは、スケーリングファクタが国から独立していることを仮定することが妥当でありうる。本例では、各損失コンポーネントαについて、パラメータはコントロールユニットであるコントローラ１０を用いた以下の関係式に基づき結合可能である。

ここで、α＝損失コンポーネント（回復可能／軽微な傷害、身体障害／回復不可な傷害、死亡）、Ｃ_ｌ ^α＝国ｌ（ｌ＝１，２，．．．，ｎ）における損失コンポーネントαの合計コスト、ｃ_ｌ，ｊ＝国ｌにおける物品グループｊ（ｊ＝１，２，．．．，ｍ）、Ｐ_ｌ＝国ｌにおける苦痛、Ｅ_ｌ＝国ｌにおける収入喪失コスト、及びＨ_ｌ＝国ｌにおける医療費である。各損失コンポーネントαに対するスケーリングファクタの集合Ｗ^αは、関係式を解くことによって決定される。損失コンポーネントαと国ｌとのそれぞれの合計コストＣ_ｌ ^αは、請求部門によって提供される。生計費を表す各物品グループｊと国ｌとのそれぞれのコストｃ_ｌ，ｊは、適切なデータサンプルから抽出可能である。国ｌ毎の苦痛、医療及び収入喪失のコストは、従来技術において利用可能なデータなどから導出可能である。図７は、価格タグエンジン１３２が“ボリューム配分マトリックス誘導手段、”市場分割手段“、”リスク対象ボリューム配分手段“及び”価格タグ決定手段“の機能コンポーネントなどに分解できる。これらのコンポーネントは、測定パラメータに基づきやりとりしている。ボリューム配分マトリックス誘導手段を実現するため、既知の情報データから分割されたエクスポージャ（ボリューム）が必要とされることは明らかである。機能コンポーネントは、価格タグエンジン１３２において独立していない。これらのシーケンスは単に変更可能でない。市場分割手段は、分割されたリスク対象／活動に基づき、入力された損失シナリオに配分されたエクスポージャ（ボリューム）を必要とする。価格タグ決定手段は、損失結果の価格を決定するため、位置を必要とする。

図７によるリスク対象ボリューム配分手段の実現のため、エクスポージャ（ボリューム）がリスク対象／活動によるボリューム分解に従って損失シナリオに分配される。リスク対象／活動を共有する何れかのシナリオには、リスク対象／活動に配分された全額が与えられる。この配分は、

の式に基づく。ここで、Ｖは合計エクスポージャ（ボリューム）であり、Ｖ_ｉｋは入力されたシナリオｉｋに配分されるボリュームであり、ｐ_ｊはリスク対象／活動ｉによるボリュームのパーセンテージであり、ｉはリスク対象／活動であり、ｋは影響を受ける主体のタイプである。

図７による市場分割手段の実現のため、各損失シナリオの位置が、ボリューム位置分解を用いて決定される。損失シナリオが異なる位置（国）におけるエクスポージャ（ボリューム）を有する場合、各位置の同じ損失シナリオが生成され、エクスポージャ（ボリューム）がこれに従って分配される。市場分割手段によるこの決定は、

の式に基づく。ここで、Ｖ_ｉｋは入力されたシナリオｉｋに配分されたボリュームであり、ｐ_ｊは位置ｌによりリスク対象／活動に配分されたボリュームのパーセンテージであり、Ｖ_ｉｋｌは出力されるシナリオｉｋｌに配分されるボリュームであり、ｌは位置である。

一実施例の変形では、頻度生成フレームワークは、

としてシナリオｉｋｌ，λ（位置λにおいて生じる、ｉ：潜在的な損失の原因、ｋｌ：潜在的な損失の効果）に関連する潜在的な損失の頻度λ_{ｉｋｌ，λ}を設定する。

ここで、Ｒ_ｉλ，ｌ＝Ｒｐ_ｉｐ_ｉλ；ｌは取得（ｌが製品に等しい場合）又は製造（ｌが施設に等しい場合）された製品／活動ｉによる収入であり、ｆ_ｉｋｌ＝Ｆ_ｉａ_ｉ，ｋｌは産業セグメントｉにおけるリファレンスボリュームの単位毎のシナリオｉｋｌの頻度である。使用される変数は、合計収入Ｒ、産業セグメントｉにより分割されるエクスポージャ（ボリューム）ｐ_ｉ及び影響を受けた主体ｌ（製品又は施設）の位置（国）λによる産業セグメントｉにおいて分割されたエクスポージャ（ボリューム）ｐ_ｉλ；ｌである。使用されるさらなるパラメータは、基礎頻度、すなわち、産業セグメントｉにおけるリファレンスボリュームの単位及び年毎の潜在的なイベント数Ｆ_ｉ、原因ｉに対する効果ｋｌの割当てパーセンテージ、すなわち、原因ｉを有するすべての潜在的なイベントにおける効果ｋｌを有する潜在的なイベントの割合ａ_ｉ，ｋｌ、及びリファレンス収入Ｒ_０（例えば、１億ユーロ／年など）である。責任リスクドライバシステムにおけるこの生成フレームワークは、企業の売上（又は収入）と損失頻度との間の線形従属性を意味する。

しかしながら、製品及び総合責任損失の測定及び観察された頻度は収入（売上）にサブ比例することに留意されたい。従って、好適な実施例の変形では、ゆっくり変化するプリファクタによる平方根に従うことが実現可能である。

ここで、Ｆは損失頻度であり、ｂ及びβは、１００万〜１０億ユーロなどの収入に対して有効な経験的な定数である。責任リスクドライバシステムを用いてこの要件を充足するため、位置λにおいて生じるシナリオｉｌｋｍ（ｉｌ：潜在的な損失の原因、ｋｍ：潜在的な損失の効果）に関連する潜在的な損失の頻度λ_{ｉｌｋｍ，λ}は、

である。ここで、ｆ_ｉｌｋｍ＝Ｆ_ｉｌａ_{ｉｌ，ｋｍ}は責任リスクドライバボリュームの１単位のすべてのシナリオｉｌｋｍの頻度であり、φ_ｉｋ；ｌ＝Φｐ_ｉｐ_ｉλ；ｌは収入分割に依存したボリュームファクタであり、Φ＝ａｌｎ^β（Ｒ_ｌｏｇｖ）ｖ^ｂは合計ボリュームファクタ（相対ボリュームｖのサイズ訂正）であり、

はプリファクタである。使用される変数は、相対ボリュームＶ（責任リスクドライバユニットにより測定される責任リスクドライバボリュームＶ）、産業セグメントｉにより分割されるエクスポージャ（ボリューム）ｐ_ｉ、及び影響を受ける主体Ｉ（製品又は施設）について位置（国）λにより産業セグメントｉにおいて分割されるエクスポージャ（ボリューム）ｐ_ｉλ；ｌである。さらに使用されるパラメータは、基礎頻度、すなわち、影響を受ける主体Ｉについて産業セグメントにおけるリファレンスボリュームの単位及び年毎の潜在的なイベント数Ｆ_ｉｌ、原因ｉｌに対する効果ｋｍの割当てパーセンテージ、すなわち、原因ｉｌを有するすべての潜在的なイベントにおける効果ｋｍを有する潜在的なイベントの割合ａ_{ｉｌ，ｋｍ}、経験的な収入の冪乗ｂ（０．５など）、経験的な対数の冪乗β（２など）、及び対数係数Ｒ_ｌｏｇ（１０^８など）である。相対ボリュームｖの生成のため、使用されるパラメータは、収入定数Ｒ_０（１億ユーロ／年など）及び時間（年）ｔにおける位置（国）λの相対リファレンス収入ｒ_λ（ｔ）である。

図７による価格タグ決定手段の実現のため、各損失コンポーネントの予想コストが、生計費として参照される上述されたリスクドライバ３１１〜３１３などを用いて、出力される各損失シナリオについて決定される。従って、位置ｌにおける損失コンポーネントαの合計予想コストＣ_ｌ ^αは、生計費リスクドライバを用いて決定される。それは、平均シナリオ損失結果コンポーネントを平均シナリオ損失重大性コンポーネントに変換するのに利用される。価格タグ決定手段を用いたこの決定は、

の式に基づく。ここで、Ｃ_ｌ ^αは位置ｌにおける損失コンポーネントαの１自然単位の予想コストであり、ｓ_ｉｋｌ ^αは出力されるシナリオｉｋｌの平均損失結果コンポーネントα（自然単位）であり、Ｓ_ｉｋｌ ^αは出力されるシナリオｉｋｌの平均損失重大性コンポーネントα（金銭単位）である。上記式は、任意の重大性分布に対して成り立つが、予想コストＣ_ｌ ^αが特定のものになることを意味する（平均より大きなすべてのモーメントがゼロである）ことに留意されたい。実施例の変形として、資産損害の自然単位と金銭的損失コンポーネントとが、例えば、予想損失コストによって身体的傷害コンポーネントの自然単位に結び付けることができる。従って、すべての自然な資産損害と金銭的損失コンポーネントαとの合計予想コストＣ_ｌ ^αは、本例について、例えば、

の式などを与えることによって（ウェイトは、すべてのシナリオに対する影響を受けた人々の人数の重み付けされていない平均パーセンテージである）きていｓ得ることができる。

しかしながら、これは消失することになるため、好適な実施例の変形では、当該式は、

に設定される。

シナリオの質問に対する収集された回答は、そのまま維持されるが、回答を決定する前に、金銭的な数字で与えられるすべての回答は、当該回答が提供された市場における影響を受けた物品の考慮されたカテゴリの規定されている数量の金銭価値に対応する金額によって除される。

図５によると、調整エンジン１３３は、（ａ）保険対象に関する何れのファクタが損失頻度又は重大性に影響を与えるか？、及び（ｂ）経済的、法的又は社会的環境に関する何れのファクタが、損失頻度又は重大性に影響を与えるか？という概念的な対象に割当て可能である。図８は、対応する入出力パラメータによる調整エンジン１３３の可能な実現を概略的に示す。調整エンジン１３３は、責任リスクドライバ３１１〜３１３の影響に従う損失シナリオ頻度及び／又は重大性コンポーネントを変更（調整）するよう実現される。調整モジュール１３３の入出力パラメータは、以下である。（ａ）損失シナリオ：入力損失シナリオと出力損失シナリオとの双方が、金銭単位により表現できる。（ｂ）調整エンジン１３３により構成されるエクスポージャリスクドライバは、例えば、保険対象資産である。ナノ技術などのような保険対象ポートフォリオや従業員による売上。（ｃ）調整エンジン１３３により構成される他のリスクドライバ。上述されるように、調整エンジン１３３は、責任リスクドライバ３１１〜３１３の影響に従って損失シナリオ頻度及び／又は重大性コンポーネントを変更する。

リスクドライバ３１１〜３１３が調整エンジン１３３において損失頻度又は重大性に影響を与える方法は、調整エンジン１３３のリスクドライバ３１１〜３１３が強化数量として処理されることを要求する。一実施例の変形では、リスクドライバ３１１〜３１３の影響に関する知識レベルが増大すると、調整エンジン１３３のリスクドライバ３１１〜３１３の一部がシナリオ生成手段１３１に移動されてもよい。例えば、以下の責任リスクドライバ３１１〜３１３（ＬＲＤ）が、処理中の調整エンジン１３３における利用のため、ドライバ選択手段１５により選択されてもよい。システムにより追跡される測定パラメータは測定可能であるべきであることに留意されたい。

ドライバ選択手段１５は、測定パラメータに従ってリスクドライバ３１１〜３１３を選択する。以下において、ドライバ選択手段１５により調整エンジン１３３に対して選択された上述されたリスクドライバ３１１〜３１３が説明される。“集団訴訟頻度”リスクドライバとして参照されるリスクドライバ３１１〜３１３が、法的システムが集団訴訟システムを介し集団不法行為訴訟を可能にするか否かに対して割り当てられる。それは、地域／国に関するリスク環境を反映する。当該リスクドライバ３１１〜３１３を測定するのに追跡及び選択される数量は、本実施例では、４つのサブファクタの組み合わせであり、それぞれは集団訴訟に関する法的システムにおける一態様を表す。測定パラメータは、地域／国に固有であり、（１）原告団の適格性（当該国において集団訴訟が認められているか否かを示す）、（２）最新の法律（当該国における立法／訴訟の傾向を示す）、（３）ビジネス適格性（集団訴訟がすべてのエリアに適用可能であるか、又は特定のビジネスに限定されるかを示す）、及び（４）成功報酬（弁護士報酬システムがより多くの集団訴訟のインセンティブとなっているかを示す）、という４つのサブファクタの法的な解析の結果である。各サブファクタはさらに、質問に対する回答に応じて、０．９（見込みがある、１０％のリスクディスカウントなど）、１（中立的である、ディスカウント又は付加なし）、１．１１（見込みなし、１１％のリスクの増大）に設定されるさらなる要求又は属性を考慮するよう構成される。これは、割引と割り増しとの間のバランスを実現することを可能にする（０．９×１．１１＝１であり、０．９×１．１＝０．９９）。サブファクタａは、例えば、その他のものと比較して当該サブファクタの相対的な重要性を反映するように、３の冪乗に設定可能である。サブファクタｂ（トレンド）などは、サブファクタａがすでに有利であるときは、有利なものとなりえない。本例のその他のサブファクタは、ａ及びｂから独立し、３つの値をとりうる。サブファクタは、全体的な集団訴訟ファクタ（ＣＡＦ）を取得するため互いに乗算される。コントロールユニットであるコントローラ１０は常に、客観的により測定可能及び比較可能なものにするため、これらの値とサブファクタとを適応させるため、測定パラメータを追跡する。これは、従来システムによっては可能でない。以下のテーブルは、各種損失コンポーネントの損失頻度と重大生徒に対する“集団訴訟頻度”リスクドライバ３１１〜３１３の影響パラメータの一例を示す（キャプション：３＝強い影響；２＝中程度の影響；１＝弱い影響）。

上述された例に対する好適な実施例の変形が、図２４に示されるように、集団訴訟確率のアクティブなリスクドライバのパス図により示される。図２５は、集団訴訟確率の非アクティブなリスクドライバを示すさらなるパス図を示す。

頻度と重大性とに対する影響は、単に上記影響テーブルに従って増減される集団訴訟ファクタである。リスクドライバ３１１〜３１３は、

の式に基づく。ここで、ＣＡ_ｋは検討されている国ｋの集団訴訟ファクタであり、ｆ_ｉはシナリオ損失モデルｉの頻度であり、ｓ_ｉ，ｊは損失コンポーネントｊの重大性であり、χ_{Ｒ，Ａ，Ｇ}は各種損失コンポーネント（強、中、弱の影響）に関する影響指数である。χ_{Ｒ，Ａ，Ｇ}の各値は、損失コンポーネントに対する影響を増減するための経験値である。実施例の変形では、例えば、強についてはχ_{Ｒ，Ａ，Ｇ}＝２であり、中についてはχ_{Ｒ，Ａ，Ｇ}＝１であり、弱についてはχ_{Ｒ，Ａ，Ｇ}＝０．５である。これらの値は、例えば、投票手続のため利用可能である。他の実施例の変形では、これらの値は、強についてはχ_{Ｒ，Ａ，Ｇ}＝１／３、中についてはχ_{Ｒ，Ａ，Ｇ}＝２／３、弱についてはχ_{Ｒ，Ａ，Ｇ}＝１に設定可能である。

次のリスクドライバ３１１〜３１３は、ここでは上記テーブルに従って“責任タイプ”リスクドライバとして参照される。この責任タイプリスクドライバ３１１〜３１３は、例えば、因果関係定理（厳格又は過失）における法機構を参照可能である。厳格な責任は、請求者のみが責任を確定するため損害と因果関係とを証明する必要があることを意味する。請求者は、被告が過失があったことを証明する必要はない。被告は、限定的な責務の可能性しか有さない。厳格な責任に対してしばしばキャップが存在する（例えば、ドイツの薬剤、交通事故、ペット所有者など）。過失は、請求者が原告の損害、因果関係及び過失（又は原告の違法性）を証明する必要があることを意味する。被告は、本来的には責任がない。この責任に対してキャップはほとんどない（例えば、土地所有者責任など）。この例では、“責任タイプ”リスクドライバ３１１〜３１３を測定するため選択される測定パラメータは、Ｂ２Ｂ（Ｂｉｓｕｎｅｓｓ Ｔｏ Ｂｕｓｉｎｅｓｓ）において実現される売上のパーセンテージである。この数量は、ある環境においては厳格な責任／過失の側面を正確に表すものでないかもしれない。この問題が当該ケースとならない場合に特定されたケースは、（１）小売／卸売（この場合、販売された製品はすべてＢ２Ｃであるが、保険対象は自ら製品を製造しなかったという理由により無罪を証明することができる。（２）卸売に販売された最終製品（この場合、販売された製品はすべてＢ２Ｂであるが、保険対象は直接訴えられうる）。従って、入力される測定パラメータの数量のソースは、例えば、（ａ）Ｂ２Ｂにおいて実現される“売上のパーセンテージ”又はＢ２Ｃにより実現される対応する反対のパラメータ“売上のパーセンテージ”である。（ｂ）仲介者それぞれの直接的な償還のパーセンテージ。損失モデルコンポーネントに対するアクションは、このリスクドライバ３１１〜３１３の出力である。以下のテーブルは、各種損失コンポーネント（キャプション：３＝影響；２＝影響；１＝影響）の損失頻度と重大性とに対する“責任タイプ”リスクドライバ３１１〜３１３の影響を示す。

一実施例の変形では、“責任タイプ”リスクドライバ３１１〜３１３は、ｂ２ｂ＝１００％−ｂ２ｃと、

との式に基づく。ここで、ｆ_ｉはシナリオ損失モデルｉの頻度であり、ｓ_ｉ，ｊは損失コンポーネントｊの重大性であり、ｄ_ｂ２ｂは事業のｂ２ｂ部分についての割引であり、ｌ_ｂ２ｃは事業のｂ２ｃ部分についての割増であり、

はｂ２ｂの売上パーセンテージであり、

はｂ２ｃの売上パーセンテージであり、

はｂ２ｂ事業の直接的な償還のパーセンテージであり、

はｂ２ｃ事業の仲介者のパーセンテージであり、χ_{Ｒ，Ａ，Ｇ}は各種損失コンポーネント（強、中、弱の影響）に関する影響指数である。しかしながら、上述した実施例の変形に対する好適な実施例の変形は、図２６に示されるような責任タイプのアクティブなリスクドライバのパス図により示される。図２７は、責任タイプの非アクティブなリスクドライバを示すさらなるパス図を示す。

調整エンジン１３３の選択された第２リスクドライバ３１１〜３１３は、“消費者保護法”リスクドライバ３１１〜３１３として参照される。本例の実施例の変形として、“法律／規則”は、責任リスクドライバ３１１〜３１３（ＬＲＤ）クラスタとして、また法律が国において適用される方法（すなわち、請求を設定するのに適用される状況）であるＬＲＤクラスタの“法律実務”に対するものとして責任が生じる法的根拠である。“消費者保護法”責任リスクドライバは、法システムが消費者を保護する程度を表す。消費者保護法の単なる個数は、法システムを表すものとして考慮されなかった。なぜなら、それは、より関連性のある法律の内容に関して何も表さないためである。このリスクドライバ３１１〜３１３を測定するのに選択される測定パラメータは、指定されたルールに基づく国毎の乗数ファクタである。実現されるルールは、値を測定し、調整された数量を生成するために組み合わされる客観的で測定可能な基準群を生成することを可能にする。入力される数量ソースとして、すなわち、選択された測定パラメータのソースとして、集団訴訟ファクタが測定される。しかしながら、上述した実施例の変形に対して２つの好適な実施例の変形がある。上述された実施例の変形に対する第１の好適な実施例の変形は、図２８に与えられるような責任法のアクティブなリスクドライバのパス図により示される。図２９は、本実施例の変形に対する責任法の非アクティブなリスクドライバのさらなるパス図を示す。上述された実施例の変形に対する第２の好適な実施例の変形は、図３０に与えられるような責任法のアクティブなリスクドライバのパス図により示される。図３１は、本実施例の変形に対する責任法の非アクティブなリスクドライバのさらなるパス図を示す。

以下のテーブルは、各種損失コンポーネント（キャプション：３＝強い影響；２＝中程度の影響；１＝弱い影響）の損失頻度と重大性とに対する“消費者保護法”のリスクドライバ３１１〜３１３の影響を示す。

本例では、頻度と重大性とに対する影響は上述された影響テーブルに従って増減される国ファクタであると仮定できる。“消費者保護法”リスクドライバ３１１〜３１３は、

として測定パラメータに基づき従属性を生成する。ここで、Ｌ_ｋは国ｋの法律ファクタであり、ｆ_ｉはシナリオ損失モデルｌの頻度であり、ｓ_ｉｊは損失コンポーネントｊの重大性であり、χ_{Ｒ，Ａ，Ｇ}は各種損失コンポーネント（強、中、弱の影響）に関する影響指数である。測定パラメータについて、χ_{Ｒ，Ａ，Ｇ}の値は、損失コンポーネントに関する影響を増減するための経験値である。強についてはχ_{Ｒ，Ａ，Ｇ}＝２、中についてはχ_{Ｒ，Ａ，Ｇ}＝１、弱についてはχ_{Ｒ，Ａ，Ｇ}＝０．５である。

“損失回避”として上述されたリスクドライバ３１１〜３１３は、保険対象が自らの第三者の責任請求の頻度と重大性とを減少させるため、代わりに有する何れかの指標を規定する。このリスクドライバ３１１〜３１３を測定するためドライバ選択手段１５により選択される測定パラメータは、本例では、９つのサブファクタの組み合わせであり、それぞれは保険対象のリスク特定及び軽減指標の一態様を表す。例えば、各サブファクタは、保険引受人による評価に応じて０．９（１０％のリスク割引）、１（中立的）、１．１１（１１％のリスク割増）の各値を有することが可能である。この評価は、ある制御及び／又は処理がより有利なスコアに適したものになるようにするのに代わりに必要とされる限り、客観的なものであることが意図される。サブファクタは、全体的な損失回避ファクタを取得するため、互いに乗算される。従って、全体的な損失回避ファクタは、例えば、（０．９）^９＝０．３９から（１．１）^９＝２．５６までの範囲内の値を仮定することができる。すなわち、

である。本例では、９つのサブファクタのそれぞれがバスケット内で等しく重み付けされることが仮定される。調整エンジン１３３の入力パラメータは、この場合、（１）リスクマネージャ、（２）事業継続管理、（３）リコールプラン（製品のみについて）、（４）認証、（５）契約スクリーニング、（６）安全／セキュリティトレーニング、（７）クレーム管理、（８）事件のフォロー、及び（９）環境制御監査のサブファクタに関して測定される。

損失モデルコンポーネントに対するアクションは、リスクドライバ３１１〜３１３の出力である。以下のテーブルは、ドライバ選択手段１５により選択される各種損失コンポーネントの損失頻度と重大性とに関する“損失回避”リスクドライバ３１１〜３１３の影響を示す（キャプション：３＝強い影響；２＝中程度の影響；１＝弱い影響）。

与えられた例では、頻度と重大性とに関する影響は単に上述した影響テーブルに従って増減される回避ファクタであることが仮定できる。“損失回避”リスクドライバ３１１〜３１３は、

として測定パラメータに基づき従属性を生成する。ここで、Ｌは考慮されているリスクの損失回避ファクタであり、ｆ_ｉは損失シナリオｉの頻度であり、ｓ_ｉ，ｊは損失コンポーネントｊの重大性であり、χ_{Ｒ，Ａ，Ｇ}は各種損失コンポーネント（強、中、弱の影響）に関する影響指数である。χ_{Ｒ，Ａ，Ｇ}の測定パラメータの値は、損失コンポーネントに関する影響を増減するための経験値である。好適な実施例の変形では、頻度と重大性とが影響テーブルに従って増減される回避ファクタと単に乗算されるように、仮定が設定される。スコアの前処理生成は、以下の実施例において示される。

図３２は、頻度と重大性とに関する損失回避スコアの効果を示す（ｒ_ｌ＝０．７，ｒ_ｕ＝１．６を仮定）。赤色、黄色及び緑色の曲線は、強、中及び弱の影響のケースを表す（上記の損失回避影響テーブルを参照）。ｒ_ｌ及びｒ_ｒの値は、パラメータ化文書に記載されるような予想損失に対する最大割引及び割増に関する専門家の推定から決定される。Ｌ_Ｓが正規化前の考慮されているリスクの損失回避スコア

であり、Ｌは考慮されているリスクの損失回避ファクタ

であり、Ｃ^ＰＬは製品認証スコアであり、Ｃ^ＧＬは環境認証スコアであり、Ｃ_ｎはサブスコア（ティア２）であり、ｆ_ｉはシナリオ損失モデルｌの頻度であり、ｓ_ｉ，ｊは損失コンポーネントｊの重大性であり、ｌはシナリオ損失モデルｌの影響を受ける主体のタイプであり、ｒ_ｌは頻度と重大性とに関する標準的な影響範囲の下限であり、ｒ_ｕは頻度と重大性とに関する標準的な影響範囲の上限であり、χ_{Ｒ，Ａ，Ｇ}は各種損失コンポーネント（強、中、弱の影響）に関する影響指数であるとき、定量化及び生成式に関する詳細を与えることができる。前処理段階中、損失回避スコアＬＳは、適切な認証スコアから生成可能である。

値生成処理について、Ｌは損失回避ファクタを表し、損失回避スコア

の関数である。

関数Ｌは、損失回避スコアが３に等しい場合、頻度と重大性とに対する効果を有さず、χ_{Ｒ，Ａ，Ｇ}＝１の場合にパラメータｒ_ｌ及びｒ_ｕにより与えられる値の範囲に関する制約を充足するよう構成される。頻度と重大性とに対する効果は、

の生成式により与えることができる。

“保険対象オペレーション／ヒューマンファクタ”として参照されるリスクドライバ３１１〜３１３は、オペレーションが人間によって（マシーンとの比較して）どの程度の影響を受けるかを反映している。このリスクドライバ３１１〜３１３を測定するためコントロールユニットであるコントローラ１０により選択される測定パラメータは、従業員によって売上として測定可能な自動化ファクタである。この測定パラメータは、保険対象の製品開発処理における自動化レベルの指標を与える。本例では、産業毎の平均的な自動化ファクタが利用可能であると仮定される。この仮定によると、リスクは、選択された産業と、それがその産業のベンチマークと比較される場合とに応じて、コントロールユニットであるコントローラ１０により格付け可能である。このリスクドライバの入力された数量ソースとして、従業員の人数と売上とが保険対象の資産であり、システムによって選択される。損失モデルコンポーネントに対するアクションは、リスクドライバ３１１〜３１３の出力である。以下のテーブルは、各種損失コンポーネント（キャプション：３＝強い影響；２＝中程度の影響；１＝弱い影響）の損失頻度と重大性とに関する“ヒューマンファクタ”リスクドライバ３１１〜３１３の影響を示す。

自動化ファクタが特定の産業セグメントの平均値に関して増加するとき、本実施例の変形では、保険対象の動作ユニット３０の自動化の程度は同じであり、より少ない従業員が同じ量の仕事をしていることが仮定される。従って、コントロールユニットであるコントローラ１０は、ヒューマンファクタによるエラーの増加を仮定し、ヒューマンファクタは１より大きい。自動化ファクタのさらなる増加は、自動化の増加を意味し、ヒューマンファクタによるエラーの減少を意味し、ヒューマンファクタが１未満となる。同様に、自動化ファクタが特定の産業セグメントの平均値に関して減少すると、保険対象の動作ユニット３０の自動化の程度は同じであり、より多くの従業員が同じ量の仕事をしていることが仮定できる。従って、ヒューマンファクタによるエラーの減少があり、ヒューマンファクタが１未満であると仮定される。自動化ファクタのさらなる減少は、自動化の減少を意味し、ヒューマンファクタによるエラーが増加し、ヒューマンファクタが１より大きいことを意味する。“保険対象オペレーション／ヒューマンファクタ”リスクドライバ３１１〜３１３は、

として測定パラメータに基づき従属性を生成する。ここで、ｔは自動化ファクタであり、ｔ_ｋは産業セグメントｋの産業に固有のリファレンス自動化ファクタであり、ｆ_ｉはシナリオ損失モデルｉの頻度であり、ｓ_ｉｊは損失コンポーネントｊの重大性である。さらに、

である。

図１２において、ヒューマンファクタＨ_ｋを定量化するのに用いられる式が示される。関数は以下の意味を有する２つのパラメータｄ及びｈ_{Ｒ，Ａ，Ｇ}を利用することに留意されたい。すなわち、ｄ＝自動化ファクタのより大きな値とより小さな値についてそれぞれ割引＞１及び＜１が与えられる自動化ファクタの値の区間である（すなわち、区間［ｔ_ｋ（１−ｄ），ｔ_ｋ（１＋ｄ）］において）。ｈ_{Ｒ，Ａ，Ｇ}＝区間［ｔ_ｋ（１−ｄ），ｔ_ｋ（１＋ｄ）］内で与えられる最大割引量。赤色、黄色及び緑色について、予備的にｈ_{Ｒ，Ａ，Ｇ}＝２０％，１０％，５％を割り当てることが可能である。図１２は、ｔ_ｋ＝１，ｄ＝２０％，ｈ_{Ｒ，Ａ，Ｇ}＝２０％（すなわち、赤色）の曲線を示す。３つの色は、範囲１），２），３）、すなわち、ｔの小さな、中程度の及び大きな値についてＤ_ｋ（ｔ）を表す。

最後に、“新たな危険／ナノ技術”として参照されるリスクドライバ３１１〜３１３は、一部のリスクがまだ実現されていない新たな科学的進歩に基づく製品に固有のリスクを表す。ナノ技術が、ここでは新たな危険とコントロールユニットであるコントローラ１０が測定パラメータを用いてそれをどのように測定するかの具体例として選択された。このリスクドライバ３１１〜３１３を測定するのにコントロールユニットであるコントローラ１０により選択される測定パラメータは、イノベーションファクタである。イノベーションファクタは、売上により除された投資額として与えることができる。イノベーションファクタの指標は、それ自体はナノ技術リスクドライバ３１１〜３１３の指標を超えるものであり、新たな危険クラスタのさらなる指標である。定量化における特定の危険のさらなる詳細さは、追加的な測定パラメータについてトリガすることによって、コントロールユニットであるコントローラ１０の実行中に到達し、売上により除されたナノ技術投資額などの利用可能な測定パラメータのより正確な測定が利用可能である。入力された測定パラメータの数量ソースとして、コントロールユニットであるコントローラ１０は、本実施例において、保険対象の動作ユニット３０の資産として投資額と売上とを選択する。この実施例の変形では、イノベーションファクタのすべての産業の平均は、例えば、４％（期待値）である。第１ステップでは、コントロールユニットであるコントローラ１０は、このリファレンスポイントに関する損失頻度と重大性とに対する影響を生成可能である。しかしながら、薬品、化学、ＩＴなどの特定の産業は、イノベーションにより多くの金銭を投資する。これらは、より高い技術リスクを有している。従って、第２ステップでは、４％の平均値が、例えば、訂正ファクタｃ_ｋなどに従って、各産業セグメントのレベルｋについて訂正可能である。損失頻度と重大性とに対する影響は、より高い詳細さにより増加した情報を利用して再モデル化されるべきである。本実施例の変形では、それは、すべてｋについてｃ_ｋ＝１であることが単に仮定される。

損失モデルコンポーネントに対するアクションは、リスクドライバ３１１〜３１３の出力である。以下のテーブルは、各種損失コンポーネント（キャプション：３＝強い影響；２＝中程度の影響；１＝弱い影響）の損失頻度と重大性とに対する“ナノ技術”リスクドライバ３１１〜３１３の影響を示す。

実施例の変形では、イノベーションファクタへの頻度と重大性との指数的な従属性が仮定される。従属性は、同じであると仮定される。指数的関数のパラメータは、例えば、４％以下のイノベーションファクタの値については影響はなく、イノベーションファクタ＝３０％については損失頻度と重大性と５０％の増加（この値は、イノベーションファクタが想定される可能な値の制限がない場合でさえ、イノベーションファクタの上限としてみなされる）を仮定して決定することができる。

“ナノ技術”リスクドライバ３１１〜３１３は、

として測定パラメータに基づき従属性を生成する。

ここで、Ｉはイノベーションファクタであり、Ｉ_Ａはイノベーションファクタの平均（＝０．０４）であり、ｆ_ｉはシナリオ損失モデルｉの頻度であり、ｓ_ｉｊは損失コンポーネントｊの重大性である。パラメータｂ_Ａ，Ｇの値は、４％以下のイノベーションファクタの値に対しては影響がなく、イノベーションファクタ＝３０％については損失頻度と重大性との５０％及び２５％の増加があると仮定して決定された。この実施例の変形では、イノベーションファクタの３０％の値はイノベーションファクタの上限とみなされることが観察できる（イノベーションファクタが想定する可能な値の制限がなくても）。図１４は、コントロールユニットであるコントローラ１０により生成されるようなイノベーションファクタの特性を示す。図１４に示されるように、取得された値は、ｂ_Ａ，Ｇ＝１．０６４（図１４の黄色）であり、ｂ_Ａ，Ｇ＝１．０３５（図１４の緑色）である。図１４において、乗数ファクタは、

に等しい。

図５によると、約款フィルタ１３４は、損失の何れの部分が保険によってカバーされるかという概念的な対象に割当て可能である。図９は、約款フィルタ１３４の構成の可能な実現をより詳細に概略的に示す。約款フィルタ１３４は、算入、免責及び制限という文言に従って損失シナリオの要素をフィルタリングする。入力される損失シナリオは発生した損失を反映し、出力される損失シナリオは、カバーされる及び請求される可能性のある損失を反映する。約款フィルタ１３４の入出力パラメータは、（ａ）上述された損失シナリオである。入出力双方の損失シナリオが金銭単位により表現される。（ｂ）約款フィルタリング１３４に含まれる保険約款リスクドライバは、制限、免責及び請求／損失トリガである。約款フィルタ１３４の前に上述されたすべてのコンポーネントは、損失決定ユニット４０による可能な介入から独立して潜在的な損失、すなわち、それらの潜在的なカバーを有する。約款フィルタ１３４は、損失シナリオに関する保険条件を明示的に適用可能である。すなわち、（ａ）それは、制限及び免責に従って重大性コンポーネントを調整する。（ｂ）それは、請求トリガ条件に従って頻度を調整する。（ｃ）それはまた、以降のバージョンにおいていくつかの約款免責を考慮する。リスクドライバ３１１〜３１３が約款フィルタ１３４の損失頻度又は重大性に影響を与える方法は、調整エンジン１３３のリスクドライバ３１１〜３１３が強化数量とみなされることを求める。リスクドライバ３１１〜３１３の影響に関するシステムによる知識累積レベルの増加によって、約款フィルタ１３４のリスクドライバ３１１〜３１３のいくつかは、シナリオ生成手段１３１に移動されてもよい。

以下の責任リスクドライバ３１１〜３１３は、例えば、（ｉ）“請求／損失トリガ”及び（ｉｉ）“制限及び免責”としてここで参照される約款フィルタ１３４についてドライバ選択手段１５により追跡及び選択される。本例では、請求／損失トリガとして参照されるリスクドライバ３１１〜３１３は、請求の時間要素がポリシーの下でファイルされるべきかシグナリングするために考慮される機構を反映する。災害業務では普遍的なトリガが用いられる。これらは、（ｉ）約束したアクション、（ｉｉ）発生、（ｉｉｉ）明示、（ｉｖ）行われた請求である。さらに、（ｉ）遡及日、（ｉｉ）サンセット、（ｉｉｉ）延長された報告期間などのバッファ日付／期間がある。これらは、追加的なパラメータとして当該システムにおいて考慮することが可能なポリシーの適用範囲を実質的に変更可能である。

しかしながら、約款フィルタ１３４では、使用される用語はこれらのトリガに限定されず、及び／又はトリガの部分的要素を参照してもよい。これは、言語の不正確さだけでなく、文言が解釈可能であるという事実によるものである。シンプルな具体例は、“行われるフランスの請求”としてしばしば参照されるフランス語の

のケースである。実際、無制限な遡及期間において参照される時間要素は、“発生”であると意図されるが、フランス語の単語“ｆａｉｔ ｄｏｍｍａｇｅａｂｌｅ”は実際には“災害”を意味する。厳密に言うと、このトリガは、遡及日が通常は発生を参照する“行われる請求”に等しくない。従って、約款フィルタ１３４は、このような解釈上の問題を対処できるものである必要がある。コントロールユニットであるコントローラ１０の本実施例の変形では、ポリシーの下でファイルされるべき請求を適正なものにするため、特定の請求特性が属する必要がある複数の時間ウィンドウの組み合わせを介し何れかの請求トリガ（すなわち、すべての時間バッファを含む）が概して正確に表現可能であることが仮定される。例えば、２年間のサンセット条項によりトリガされる発生請求は、損失イベント時間ウィンドウと請求提起ウィンドウとによって表すことができる。各ウィンドウは、（ａ）以降に特性が実行される必要がある最も早い日付であるエントリタブレータ（ｉｎ−ｔａｂ）と、（ｂ）それまでに特性が実行される必要がある最も近い日付であるイグジット他ビュレータ（ｏｕｔ−ｔａｂ）の２つのタブレータにより規定することができる。実施例の変形として、何れかのトリガが、例えば、因果関係（約束されたアクション）、損失イベント（発生）、知識（明示）、提起された請求（行われた請求）の４つの時間要素によって表現できる。図１７〜２０は、本実施例の変形による具体例を示す。上記グラフに基づき、損失負担曲線の形状が決定される。何れかのトリガが４つのａ．ｍ．タブの位置によって示すことが可能であるという同じ原理により、損失負担曲線がトリガに関係なく同じ形状を有するか決定される。時間バー全体の損失負担は、これらがポリシーの下で提起されるのに適したものであるか否かにかかわらず、損失負担曲線は発生するすべての潜在的な請求の合計である。ポリシーの損失負担は、発生し、ポリシーの下で合法的に提起されるすべての潜在的な請求の合計である。時間タブレータを使用することは、時間バー全体の損失負担のテールをカットすることと同様である。請求の時間要素が独立していることが仮定された場合、ポリシーの損失負担は異なる時間要素からのすべての潜在的なものの合計であると言うことができる。すべての要素が考慮される年にあるかもしれないが、ポリシーの下で請求になる前の過去にこれらはある可能性があるため、過去のエクスポージャは因果関係と発生要素とによってのみ表される。同様に、将来のエクスポージャは、これらのみが未来にありうるため、明示と請求が提起された要素とによってのみ表される。

損失負担は、（１）過去の因果関係と損失イベント年との進展の結果である。最も以前の年は最も最近の年より少ない請求しかもたらされず、最近数年はそれらの完全な潜在性を進展させていない。（２）知識と請求が提起されたタブとによって設定される時間ウィンドウに基づき有効な損失イベント年の減衰（期限終了が損失イベントをカットするとき以降の数年間のエクスポージャはない）。以前の数年は、図２１に示されるように図示／加算することが可能である。将来の数年は、有効年と過去数年のテールとの進展の結果である。それは、図２２に示されるように図示できる。概略的な曲線は、図２３に示されるように表すことができる。損失負担は、有効年の進展結果のみである。行われた請求に関する上記のコメントによると、離れた数年はより近い数年より少ない請求しかもたらさず、有効年はそれの完全な潜在性をまだ進展させていない。年数の蓄積はない。すなわち、曲線は、行われた請求について、他のパラメータによって同じ形状を有する。

曲線に関する以下の性質は、“請求／損失トリガ”としてここでは参照される責任リスクドライバ３１１〜３１３により知られている。すなわち、曲線の下方のエリアは、選択されたトリガ（すなわち、タブ）に関係なく損失負担を表し、（ｉｉ）損失負担は無限でないため、それらはｘ^−１より漸近的に速く減少しなければならず、（ｉｉｉ）専門家の判断によると、発生ポリシー（サンセットなしによる、すなわち、時効法を除く将来のカットオフなしによる）は、請求が行われるポリシーより高いリスクをもたらす。左側の曲線は、右側の曲線より速く減少する必要がある。時間要素である因果関係、発生、明示及び提起された請求が以降のものであることは、自明である。損失決定ユニット４０に関連するものとするため、因果関係は発生に間に合い、発生は明示に間に合い、明示は請求に間に合う必要がある。請求／損失トリガの責任リスクドライバ３１１〜３１３の信号処理のため、可能な限り少ないパラメータが曲線を完全に記述するのに利用される。これらのパラメータの値は、時間要素が請求に間に合う時間である進展時間Ｔ_Ｄと１／２の存続期間Ｔ_Ｈとして、コントロールユニットのコントローラ１０を用いて選択される（地理的には、ベルのスタートとピークとの間の距離）。これは、図２４により示される。約款フィルタ１３４の入力の数量ソースとして、責任リスクドライバ３１１〜３１３としての請求／損失トリガは、約款フィルタ１３４に入力される性質である。出力について、請求トリガは、損失シナリオ頻度分布上で直接動作する。重大性に対する効果は間接的である。ｔ_ｍは、有効期間のエンドとタイムフレームｍのインタブ又はアウトタブ（タイムフレームに依存して）との間でシステムによって測定される時間である。リスクドライバ３１１〜３１３は、例えば、

に基づくものとすることができる。

関数Ｆは、Ｔ_Ｄに対するいくつかの制約を受ける基本的な要求を充足する。４つのタイムフレームｍに対する関数Ｆ_ｍ（ｔ_ｍ）は、シナリオ損失モデル頻度と乗算される。図９に示されるように、約款フィルタ１３４は、（ａ）重大性決定手段、（ｂ）重大性制限手段、及び（ｃ）タイムラインプロセッサの３つのコンポーネントに分解できる。重大性決定手段（ａ）は、シナリオ損失モデル重大性コンポーネントをシナリオ毎に１つの全体重大性分布に合成する。この分布は、現在はパレート分布である。重大性決定手段は、集約手段１３５の対応するコンポーネントと同様にして動作する。重大性制限手段（ｂ）は、約款の制限及び免責をシナリオ損失モデル全体重大性分布に適用し、これに従って重大性コンポーネントを修正する。重大性制限手段は、約款の制限及び免責によりカバーされない損失シナリオ全体重大性分布の部分を削除する。それは、結果として得られる重大性コンポーネントの平均値の和と入力される重大性コンポーネントの平均値との間の比がカバーされる重大性と完全に全体的な重大性との間の比に等しくなるように、予想される重大性の範囲の下端と上端とのあるシナリオ損失モデルの重大性コンポーネントを修正する。タイムラインプロセッサ（ｃ）は、請求トリガ条件に従ってシナリオ損失モデル頻度を調整する。タイムラインプロセッサは、請求トリガの文言を４つの（国に固有の）タイムフレームに変換し、当該タイムフレーム内において、損失は（ｉ）因果関係（約束された請求）、（ｉｉ）損失イベント（発生した）、（ｉｉｉ）知識（明示された）、及び（ｉｖ）請求（提起された請求）の時間であったにちがいなく、考慮中の保険ポリシーによりカバーされる損失でなければならない。

図５に示されるように、集約手段１３５は、このシーケンスの分割における最終的な動作ユニットである。集約手段１３５は、予想損失を生成するため、複数の損失シナリオを合成する。図１０は、集約手段１３５の構成の可能な実現をより詳細に概略的に示す。集約手段１３５は、上述されるような複数の損失シナリオから予想損失を生成する。集約手段１３５への入力信号は、約款フィルタ１３４からの（出力される）損失シナリオである。約款フィルタ１３４からの（出力される）これらの損失シナリオは、カバーされ、請求される可能性のある損失を反映する。このとき、集約手段１３５は、すべてのシナリオに対する１つの予想損失を生成するため、これらの損失シナリオを合成する。一般に、集約手段１３５は、（ｉ）各シナリオの割り当てられたボリュームを用いて当該シナリオのポワソン頻度分布の１次モーメントを決定し、（ｉｉ）各シナリオの個々の損失重大性コンポーネントを組み合わせ、当該シナリオの全体的なパレート損失重大性分布を生成し、（ｉｉｉ）ポワソン及びパレート分布を用いて、各シナリオの損失をシミュレートし、（ｉｖ）再保険構成をシミュレートされた損失に適用し、予想損失コストを生成することによって、予想損失を生成する。

一実施例の変形では、特定されたドライバ選択手段１５は、集約手段１３５により使用される以下の責任リスクドライバ３１１〜３１３（ＬＲＤ）を選択した。

“活動の地理的拡張”として参照される責任リスクドライバ３１１〜３１３の数量定義は、国及び／又は地域による活動の拡がりを規定する活動の地理的範囲を有する。以下の数量がヒューマンファクタを特徴付けるのに利用される。すなわち、（ａ）国毎の販売（対応するＰＰＰにより除されたスケールの地理的分割）：この数量は製品責任のケースではエクスポージャ（ボリューム）としてとられる。本実施例の変形では、製品がある国から他の国に販売される可能性があるというリスクは取得されなかった。（ｂ）平均収入における国毎の賃金（当該国の平均収入により除される当該国において支払われる給与額）：この数量は、施設責任のケースにおけるエクスポージャ（ボリューム）としてとられる。平均収入は、国の生計費により生じる歪みを抽出する。調整手段である活動の地理的拡張を記述する数量があり、それはまた調整エンジン１３３に関連するものになりうる。本実施例の変形では、国毎の販売が、企業総合責任のエクスポージャ（ボリューム）として利用される。入力される数量ソースとして、エクスポージャ（ボリューム）がシステムにより利用される。その出力は、損失モデルコンポーネント上のオペレーションを生成する。定義によって、エクスポージャ（ボリューム）は、頻度を直接決定する。エクスポージャ（ボリューム配分に関する技術的なフレームワークは、上述された価格タグエンジン１３２により提供され、ボリューム・頻度関係に関する技術的フレームワークは、集約手段１３５により提供される。

図１０によると、集約手段１３５は、頻度決定手段、重大性決定手段、頻度／重大性モンテカルロシミュレータ、及び損失決定ユニット４０の構成モジュールのコンポーネントを有する。頻度決定手段と重大性決定手段とは、互いに独立して動作する。頻度決定手段は、各シナリオについてポワソンパラメータを決定する。以下において、ＲｅｆＶｏｌ_ｉは、シナリオｉのリファレンスボリュームを表す。リファレンスボリュームは、システムを用いて予め規定できる。ＡｌｌｏｃＶｏｌ_ｉは、シナリオｉの配分されたボリュームを表す。配分されたボリュームは、価格タグエンジン１３２において生成可能である。上述されたリスクドライバ３１１〜３１３は集約手段１３２において利用されないことに留意されたい。しかしながら、それらは、集約手段１３５において利用されるＡｌｌｏｃＶｏｌ_ｉを計算するため、価格タグエンジン１３２において利用される。ε_ｉは、シナリオｉのリファレンスボリュームに基づきシナリオｉの所定の頻度レートを表す。ε_ｉは、シナリオｉのリファレンスボリュームに基づくリファレンスボリュームの単位毎の時間単位毎の請求数である。λ_ｉは、シナリオｉの配分されたボリュームに基づくシナリオｉのポワソンパラメータを表す。λ_ｉは、

として集約手段１３５において関連付けされる。

従って、λ_ｉは配分されたボリュームに比例する。しかしながら、λ_ｉが配分されたボリュームのある種の関数に比例する（すなわち、Ｆ（ＡｌｌｏｃＶｏｌ_ｉ）、ただし、Ｆは関数として表現可能な関係式である）ことを仮定することが適切であろう。非線形なボリューム・頻度関係のケースでは、頻度はさらに当然には与えられないことに留意されたい。本実施例の変形では、線形関数（すなわち、Ｆ（ｘ）＝ｘ）が採用される。頻度決定手段からの出力は、各シナリオについてパラメータλ_ｉを有するポワソン分布である。

図１０によると、重大性決定手段は、シナリオについて１つの全体的な損失重大性分布を生成するため、当該シナリオの損失重大性コンポーネントを合成する。重大性決定手段は、ステージ１とステージ２の２つのステージから構成される。ステージ１について、各シナリオが複数のシナリオ損失重大性コンポーネントを有することに留意されたい。約款フィルタ１３４からの各損失重大性コンポーネントは、金額データに関して自らの重大性分布によって特徴付けされる。この金額は、重大性分布の“平均”である。各シナリオについて、当該シナリオの各損失重大性コンポーネントの“平均”に適用される異なる所定のレシオが存在する。このレシオは、（標準偏差／平均）として定義される。すなわち、レシオと“平均”との乗算は、損失重大性コンポーネントの標準偏差を提供する。実施例の変形として、各損失重大性コンポーネントは、対数正規分布を有すると仮定される。従って、“平均”と“レシオ”とが与えられると、対数正規分布が完全に特定される。しかしながら、対数正規分布以外の分布を仮定することが適切であろう。対数正規分布は、それの数学的な扱いやすさのため、このステージにおいて採用された。さらに、対数正規分布は、重大性分布として採用するのに妥当でない分布ではない。あるシナリオｉの損失重大性コンポーネントを整数１〜ｉ_ｍにより表す。ここで、添え字ｍはシナリオｉにおける損失重大性コンポーネントの総数を示す。ｉｊは、シナリオｉのｊ番目の損失重大性コンポーネントを表す。ｊ≦ｉ_ｍであることに留意されたい。μ_ｉｊをシナリオｉの損失重大性コンポーネントｊの“平均”とする（各シナリオが複数の損失重大性コンポーネントを有しうることに留意されたい）。ξ_ｉは、シナリオｉの所定のレシオを表す。σ_ｉｊは、シナリオｉのシナリオ損失重大性コンポーネントｊの標準偏差を示す。このとき、σ_ｉｊ＝ξ_ｉ×μ_ｉｊである。ステージ１の終了時、対数正規（μ_ｉｊ，σ_ｉｊ）分布が、すべてのｉとｊとの組み合わせについて生成される。ｍが各シナリオについて同じである必要はないことに留意されたい。例えば、シナリオ１について、３つの損失重大性コンポーネントを有することが可能であるが（すなわち、ｍ＝３）、シナリオ２は２つの損失重大性コンポーネントを有することが可能である（すなわち、ｍ＝２）。

ステージ２では、重大性決定手段の目的は、各シナリオについて１つの全体的なパレート分布が生成されるように、対数正規（μ_ｉｊ，σ_ｉｊ）分布を合成することである。すなわち、所与のシナリオｉについて、ステージ２の目的は、ｊ＝１〜ｉ_ｍについて対数正規（μ_ｉｊ，σ_ｉｊ）分布の組み合わせを最も良く記述するパレート分布を決定することである。実施例の変形では、パレートは、それのゆっくり単調減少するテールのため、各シナリオの全体分布として採用できる。これは、重大性シミュレータを利用することによって実現される。シナリオｉが与えられると、シミュレータは、対数正規（μ_ｉｊ，σ_ｉｊ）分布からのすべての損失重大性コンポーネント（ｊ：１〜ｉ_ｍ）にわたって損失をシミュレートする。ｎは、各損失重大性コンポーネントについてシミュレートされた損失の個数を表す。これは、各シナリオについてｎｉ_ｍ（ｎ×ｉ_ｍ）個の合計のシミュレートされた損失があることを意味する。

重大性決定手段の次のステップは、これらシミュレートされた損失を用いて適切なパレート分布を適合させることである。最も良く適合するパレート分布のパラメータは、最尤推定を用いて導出される。Ｘ_１，．．．，Ｘ_ｎｉｍは、シナリオｉからのシミュレートされた損失を表す。ｃ_ｉは、シナリオｉのパレート分布の閾値パラメータを表す。α_ｉは、シナリオｉのパレート分布の形状パラメータを表す。ｃ_ｉの最尤推定量は、

であることを示すことができる。

α_ｉの最尤推定量は、

である。

従って、ステージ２からの出力は、各シナリオについてパラメータ

を有するパレート分布である。重大性シミュレータは、例えば、結果が整合し続けるこを補償するためのシード処理を利用可能である。しかしながら、ユーザは、他のランダムシミュレーションをテストするため、変更又はシード処理することが許容されうる。ユーザはまた、シミュレーションの回数（すなわち、ｎ）を変更することが許容されうる。図１０に示されるように、モンテカルロシミュレータコンポーネントは、各シナリオの複合分布を形成するため、ポワソン（λ_ｉ）分布とパレート（ｃ_ｉ，α_ｉ）分布とを合成する。シミュレータはまず、ポワソン（λ_ｉ）分布からシナリオｉの請求数をシミュレートする。その後、シミュレートされた各請求について、シミュレータは、パレート（ｃ_ｉ，α_ｉ）分布から損失重大性をシミュレートする。この処理が、各シナリオについて繰り返される。実施例の変形として、シミュレータは、結果が整合し続けることを保障するためシード処理を利用可能である。しかしながら、ユーザは、他のランダムシミュレーションをテストするため、変更又はシード処理することが許容されうる。ユーザはまた、シミュレーションの回数を変更することが許容されうる。最後の、図１０による（再）保険構成コンポーネントが最後のコンポーネントである。それは、シナリオレベル及び／又は集約レベル（すべてのシナリオを一緒に加える）において適用される損失決定ユニット４０の（再）保険構成（制限、免責など）を含む。その結果は、（再）保険構成に対する予想損失である。

コントロールユニットであるコントローラ１０は、キャリブレートされる必要がある。この活動は、オーストラリア、ドイツ、スペインなどの１以上のパイロット市場について、例えば、責任リスクドライバ３１１〜３１３によって決定された各種詳細レベルの重大性曲線を用いてシステムにより求められる。図１６に概略的に示されるように、再保険リスク移転後の予想損失の計算を可能にするモデルへの拡張は、本発明のシステムにおいて実現するのに容易である。さらに、例えば、イベントセットベースのシミュレーションを利用したリスク資産要求の計算は、さらなるパラメータ又はモデル再設計を必要とすることなく可能である。これは、従来のシステムでは可能でない。

図２／９は、リスクドライバとリスクドライバのクラスタリングの一例となる認識を示す図を示す。クラスタはシステムにより優先順位付け可能であり、リスクドライバの影響の定量化は、それらの検出された損失頻度と重大性とに基づき実行される。図９の具体例は、ドライバ選択手段１５により優先順位付けされた１１個のリスクドライバのセットに基づく。システムは、５つの機能モジュールに分割可能である。図５の例では、モジュールのチェーンは、（ｉ）潜在的な損失の原因、潜在的な損失の効果（シナリオ生成手段１３１）、（ｉｉ）潜在的な損失の効果のコスト（価格タグエンジン１３２）、（ｉｉｉ）損失コスに対する各種ファクタの影響（調整エンジン１３３）、（ｉｖ）潜在的な損失の保険カバレッジ（約款フィルタ１３４）、（ｖ）合計予想損失（集約手段１３５）のシーケンスを反映する。これらのモジュールは、定義可能なシナリオ損失モデル表現によって結合される。各モジュールは、いくつかのリスクドライバを収容し、シナリオ損失モデル及びエクスポージャから入力情報を取得する。シナリオ損失モデルは変更され、次のモジュールにわたされる。リスクドライバを測定する方法の選択と、それらの頻度及び重大性に対する影響の定量化とは、後述されるシステムを用いて実現される。さらに、システムは、調整される必要がある。この処理は、一例となる地域又は市場に制限された第１ステップにおいて実行可能な各種詳細さのレベルにおける重大性曲線を利用することによって求められる。

損失タイプの定量化は、コントロールユニットであるコントローラ１０又はドライバ選択手段１５によって実現される必要がある。実施例の変形として、これは、損失シナリオのサンプルを生成する上述されたシナリオ生成手段１３１により実現可能である。コントロールユニットであるコントローラ１０は、各シナリオにより生成される合計損失が各種タイプの損失（身体的傷害、資産損害、金銭的損失）においてどのように分布されるかを推定する。次のステップでは、選択可能なリスクドライバが、コントロールユニットであるコントローラ１０又はドライバ選択手段１５によって優先順位付けされる。優先順位付けは、クラスタを優先順位付けし、各クラスタ内の最も重要なリスクドライバを特定することを含む。次のステップでは、コントロールユニットであるコントローラ１０が、所与の損失タイプのセットについて、最上位のリスクドライバの損失頻度と重大性とに対する影響の第１の予備的な推定量を提供する。予備的な選択は、定義可能な閾値の値に基づくものとすることが可能である。予備的な選択は、システムの本発明の適応化及び最適化についてのスタートセットとして利用可能である。図９の例では、この選択は１１個のリスクドライバを有する。

上述されるように、コントロールユニットであるコントローラ１０は、測定パラメータについて損失ユニット２０，．．．，２６に割り当てられた測定デバイス２０１，．．．，２６１をスキャンし、コントロールユニットであるコントローラ１０を用いて少なくとも１つの責任リスクドライバ３１１〜３１３の処理動的及び／又は静的特性をキャプチャ又は部分的にキャプチャする測定可能な測定パラメータを選択するトリガモジュールを有する。すなわち、各リスクドライバについて、システムは、最も典型的な測定可能なインジケータを選択する。一実施例の変形では、システムは、クロスカントリ又はクロスリスクコンシスタンシに基づき、自己テストを実行する。図８は、図２／９による“ヒューマンファクタ”リスクドライバのトリガされた測定可能な数量の一例を示す。リスクドライバを表す測定可能な数量の追跡は、ヒューマンファクタと従業員毎の売上により特徴付けされる測定パラメータとの関係を示す。従業員毎の売上の測定パラメータは、システムによってトリガ又は測定可能である。システムの追跡に基づく曲線は、従業員毎の売上が企業が自動化されたプロセスを有しているかを表すことができる。この曲線はさらに、従業員毎の売上を増加させている企業がより高いレベルの自動化を即座に意味しているとは限らないことを示す。スタッフを減らすことによって、従業員により大きなプレッシャをかけるものと考えることができる。従って、測定パラメータは、この地域のヒューマンファクタの測定についてはっきりとしていない。その増加が十分有意であるときに限って、システムは、当該プロセスの自動化が増加したことをはっきりと測定できる。上述されるように、図９は、リスクドライバと図２と同様にリスクドライバのクラスタリングと他の一例となる認識を概略的に示すブロック図を示す。クラスタはシステムにより優先順位付けされ、リスクドライバの影響の第１の定量化は、それらの検出された損失頻度と重大性とに基づき実行される。第１の予備的な認識は、所与の損失タイプのセットについて最も重要な追跡可能なリスクドライバの損失頻度及び重大性に対する影響を提供するため生成される。本例では、上位のリスクドライバの個数がシステムにより設定される。このリスクドライバのセットは、動的な適応化及び／又は最適化をスタートするため、本ケースにおいて利用される。

上述されたように、図１０は、図９による“ナノ技術ファクタ”リスクドライバのトリガされた測定可能な数量の他の例を示す。リスクドライバは、モジュールへの埋め込みと共にシステムによって配分される。図１０は、測定パラメータ“イノベーションファクタ”が重大性と頻度とにどのような影響を与えるか示す。イノベーションファクタは、“ナノ技術”として参照される責任リスクドライバとのそれの追跡可能な関係によってシステムにより選択される測定パラメータである。測定パラメータイノベーションファクタは、売上のパーセンテージで表される研究開発の投資に等しい。黄色の曲線は中程度の影響のための関係を示し、緑色の曲線は弱い影響のための関係を示す。測定デバイス２０１，．．，２６１は、測定パラメータの変化をトリガし、コントロールユニットであるコントローラ１０に１以上の測定パラメータの検出された変化を送信するトリガモジュールを有することが可能である。さらに、コントロールユニットであるコントローラ１０は、測定パラメータの動的な変化を検出するため、測定パラメータの更新要求を測定デバイス２０１，．．．，２６１に定期的に送信するインタフェースモジュール１４を有することが可能である。実施例の変形として、コントロールユニットであるコントローラ１０は、１以上の測定パラメータがコントロールユニットであるコントローラ１０を用いて動作ユニット３０の責任リスクドライバについて決定可能及び／又はスキャン可能でない場合、データストレージ１７の保存された過去のデータに基づき、セット１６の責任リスクドライバ３１１〜３１３の少なくとも１つの測定パラメータを生成するスイッチユニットを有することが可能である。

コントロールユニットであるコントローラ１０は、動作ユニット３０の責任エクスポージャ３１をパラメータ化する責任リスクドライバ３１１〜３１３のセット１６を選択するドライバ選択手段１５を有する。動作ユニット３０の責任エクスポージャ信号は、測定デバイス２０１，．．．，２６１を用いて選択された測定パラメータの測定に基づき生成される。ドライバ選択手段１５は、定期的な時間レスポンスによって測定された責任エクスポージャ信号に関する責任リスクドライバ３１１〜３１３を変更する責任リスクドライバ３１１〜３１３のセット１６を動的に適応化し、適応化された責任エクスポージャ信号に基づき、損失決定ユニット４０と動作ユニット３０との間の責任リスクにより駆動されるやりとりを調整する手段を有する。損失決定ユニット４０がコントロールユニットであるコントローラ１０により起動される場合、損失決定ユニット４０は、損失ユニット２０，．．．，２６の損失を決定するため、適切な信号生成及び送信により損失決定ユニット４０に割り当てられた自動的な修復ノードをロック解除するスイッチユニットを有することが可能である。生成された責任エクスポージャ信号を重み付けするため、コントロールユニットであるコントローラ１０の専用のデータストレージ１８は、地理的地域に割り当てられた地域に固有の過去のエクスポージャと損失データとを有し、コントロールユニットであるコントローラ１０は、選択された測定パラメータに対応する過去の測定パラメータを生成し、過去の測定パラメータにより生成された責任エクスポージャ信号を重み付けするさらなる手段を有することが可能である。

本責任リスクドリブンシステムは、従来知られているような従来技術のシステムにより実現可能でない以下の課題を充足する。本発明のシステムは、基礎となるリスクのリスク駆動性質を明示的に考慮することができる。法的又は社会的環境のすべてのリスク駆動態様は、システムを用いて明示的及び自動的に搭載される。システムは、将来の拡張に容易に適応可能である（例えば、イベントセットを適用することによるリスク累積のシミュレーションなど）。さらなる効果は、最小限のパラメータセットしか本発明のシステムによって要求されず、特に本発明のシステムはまたシステムの責任リスクドライバ及びドライバ選択手段を用いて、予想損失に対する法的又は社会的変化の効果を予期することが可能であるというものである。さらに、本発明のシステム／方法は、不十分な過去の損失情報と料率がないエリアにおける予想損失に基づき、自動的な信号生成を可能にする。従来技術において知られる他の何れのシステムもこのように説明された課題を実現することはできない。

他の効果は、システムの技術的構造及び構成が外部の世界を反映するということである。それは、システマティック及びエラーに対して容易に検証可能である。従来技術のシステムにおけるアプローチは、（ｉ）過去の損失経験と比較して予想損失はどうか？、（ｉｉ）どのくらいの割増を取得する必要があるか？という質問を解く調査に基づく。本方法は自己適応的であるが、本システムは、（ｉ）何が悪くなる可能性があるか？（ｉｉ）悪くなる可能性はどの程度か？、（ｉｉｉ）悪くなった場合のコストはどの程度か？の質問に基づく。従って、システムははるかにより透過的なものになる。適応化の実行を通じて、損失履歴は、システムパラメータを調整するのに利用される。このようにして、本発明のシステムはまた、システマティック及び／又は滑落データへの脆弱でなくなる。システムは、シンプルな構成からスタートし、徐々にそれを拡張する。より多くのデータが利用可能になると、システムはより詳細になる。すべてのプロセス状態に置いて、システムはモジュール的で透過的なものでありつづける。システムは、適切な場所で適切な変数を自動的に選択する（直接的な変数を意味する）。これはさらに、エラーに対する安定性と等価性とを向上させる。例えば、損失の直接的な結果は、けがをした人々、損害を受けた財産などである。測定パラメータを追跡することによって、システムは、適切な測定パラメータを選択する。これは、従来技術において知られるシステムに対するさらなる大きな効果である。

１０ コントロールユニットであるコントローラ
１１ シグナリングモジュール
１３ 中央処理装置
１４ 信号伝送インタフェース
１５ ドライバ選択手段
１６ 責任リスクドライバセット
１７ 過去のデータを有するデータストレージ
１８ 地域に固有のデータを有するデータストレージ
２０〜２６ 損失ユニット
３０ 動作ユニット
４０ 自動損失決定ユニット

Claims (12)

1. 複数の動作ユニットに関する個別のリスクについて将来の損失に関する頻度及び損失分布を予想する方法であって、前記複数の動作ユニットのそれぞれは少なくとも１つの測定可能な責任エクスポージャを有し、
   当該方法は、
   ハードウェア制御ユニットコントローラが、損失ユニットに割り当てられた測定装置によって送信された測定パラメータ及び測定可能パラメータのサブセットを動的に選択するステップであって、前記測定装置は、前記損失ユニットの少なくとも１つによって損失が発生したとき、複数の責任リスクドライバの少なくとも１つの動的なプロセスと静的な特性との少なくとも１つをキャプチャする前記測定パラメータ及び前記測定可能測定パラメータを動的にスキャンする、選択するステップと、
   前記ハードウェア制御ユニットコントローラが、前記測定パラメータ及び前記測定可能パラメータのサブセットを前記複数の責任リスクドライバの少なくとも１つに動的に割り当てるステップと、
   前記ハードウェア制御ユニットコントローラのドライバ選択手段が、前記複数の動作ユニットの少なくとも１つのための前記少なくとも１つの測定可能な責任エクスポージャをパラメータ化する前記複数の責任リスクドライバのセットを選択し、前記ハードウェア制御ユニットコントローラが、前記選択された測定パラメータ及び測定可能パラメータのサブセットに基づき、前記複数の動作ユニットの少なくとも１つのための責任エクスポージャ信号を生成するステップと、
   前記ドライバ選択手段が、前記生成された責任エクスポージャ信号の周期的な変化に基づき、前記責任リスクドライバを変えることによって前記責任リスクドライバのセットを動的に適応させるステップと、
   前記ハードウェア制御ユニットコントローラが、前記適応された責任リスクドライバのセットに基づき、損失決定ユニットと前記複数の動作ユニットの少なくとも１つとの間の責任リスクドリブンインタラクションを自動的に調整するステップと、
   を有する方法。
2. 前記測定パラメータの１以上がスキャン可能でないとき、前記測定パラメータは、前記ハードウェア制御ユニットコントローラによって、前記複数の動作ユニットの少なくとも１つに関連する前記複数の責任リスクドライバの少なくとも１つについて、データストレージの保存された履歴データに基づき生成される、請求項１記載の方法。
3. 地理的地域に割り当てられた過去のエクスポージャ及び損失データが、地域固有データを含む専用のデータストレージから選択され、過去の測定パラメータが、前記選択された測定パラメータに対応して生成され、前記生成された責任エクスポージャ信号は、前記過去の測定パラメータによって重み付けされる、請求項１又は２記載の方法。
4. 前記測定装置はそれぞれ、前記測定パラメータの変化をトリガし、前記測定パラメータの１以上の検出された変化を前記ハードウェア制御ユニットコントローラに送信するトリガモジュールを有する、請求項１又は２記載の方法。
5. 前記ハードウェア制御ユニットコントローラは、前記測定パラメータの変化を動的に検出するため、測定パラメータの更新に対するリクエストを前記測定装置に定期的に送信する、請求項１又は２記載の方法。
6. 前記損失決定ユニットが前記ハードウェア制御ユニットコントローラによりアクティブ化されると、前記損失決定ユニットは、前記損失ユニットの少なくとも１つが受けた損失を決定するため、指定された信号を生成し、前記指定された信号を送信することによって、前記損失決定ユニットに割り当てられた自動修復ノードをロック解除する、請求項１又は２記載の方法。
7. 複数の動作ユニットの個別のリスクについて将来の損失に関する頻度及び損失分布を予想するシステムであって、前記複数の動作ユニットのそれぞれは少なくとも１つの測定可能な責任エクスポージャを有し、
   測定パラメータを動的にスキャン及び選択し、ハードウェア制御ユニットコントローラに送信する測定装置を有し、前記ハードウェア制御ユニットコントローラは、前記測定された測定パラメータを複数の責任リスクドライバの少なくも１つに動的に割当て、前記ハードウェア制御ユニットコントローラは、
   前記測定パラメータについて前記損失ユニットに割り当てられた前記測定装置をスキャンするトリガモジュールであって、前記測定パラメータは、複数の責任リスクドライバの少なくとも１つの動的なプロセスと静的な特性との少なくとも１つをキャプチャする、トリガモジュールと、
   前記少なくとも１つの測定可能な責任エクスポージャと前記複数の動作ユニットの少なくとも１つとをパラメータ化する前記複数の責任リスクドライバのセットを選択し、前記選択された測定パラメータのサブセットに基づき前記動作ユニットの責任エクスポージャ信号を生成するドライバ選択手段であって、前記ドライバ選択手段は更に、前記生成された責任エクスポージャ信号の周期的な変化に基づき責任リスクドライバを変えることによって、前記責任リスクドライバのセットを動的に適応させ、前記適応した責任リスクドライバのセットに基づき、損失決定ユニットと前記複数の動作ユニットの少なくとも１つとの間の責任リスクドリブンインタラクションを自動的に調整する手段を含む、ドライバ選択手段と、
   を有するシステム。
8. 前記ハードウェア制御ユニットコントローラは更に、前記複数の動作ユニットの少なくとも１つに関連する前記セットにおける前記責任リスクドライバの少なくとも１つについて、前記測定パラメータの１以上がスキャン可能でないとき、データストレージからの保存された履歴データに基づき、前記セットの責任リスクドライバの少なくとも１つの測定パラメータを生成するスイッチユニットを有する、請求項７記載のシステム。
9. 前記ハードウェア制御ユニットコントローラは、地理的地域に割り当てられた地域固有の過去のエクスポージャ及び損失データを有する専用データストレージを有し、前記ハードウェア制御ユニットコントローラは、前記選択された測定パラメータに対応する過去の測定パラメータを生成し、前記過去の測定パラメータにより生成された責任エクスポージャ信号を重み付けする更なる手段を有する、請求項７又は８記載のシステム。
10. 前記測定装置はそれぞれ、前記測定パラメータの変化をトリガし、前記測定パラメータの１以上の検出された変化を前記ハードウェア制御ユニットコントローラに送信するトリガモジュールを有する、請求項７又は８記載のシステム。
11. 前記ハードウェア制御ユニットコントローラは、前記測定パラメータの変化を動的に検出するため、測定パラメータの更新に対するリクエストを前記測定装置に定期的に送信する、請求項７又は８記載のシステム。
12. 前記損失決定ユニットが前記ハードウェア制御ユニットコントローラによりアクティブ化されると、前記損失決定ユニットは、前記損失ユニットの少なくとも１つが受けた損失を決定するため、指定された信号を生成し、前記指定された信号を送信することによって、前記損失決定ユニットに割り当てられた自動修復ノードをロック解除する、請求項７又は８記載のシステム。

Images