10多年前，气象指数保险和巨灾指数保险在我国开始逐渐落地实施，比如2011年开始福建龙岩烟草低温霜冻和洪涝指数保险，比如2016年开始实施的广东多城市的台风和强降雨巨灾指数保险（通常称为巨灾指数保险，本质还是气象指数保险），等等。就我国而言，天气指数保险是目前各种指数保险（比如遥感指数保险、地力指数保险、地震指数保险、价格保险、产量保险、收入保险等）中最广泛落地的指数保险类型，这是因为其指标清晰、便于观测、获得难度相对较低等因素所致。气象指数保险在广泛落地过程中，为农业保险的扩品、城市巨灾风险的平滑等提供保障，但同时存在不少需要回顾思考和优化改进之处，本文只在技术层面选取三个典型实务问题，做简单介绍。

一、基差风险问题：保险产品在金融机制上看，本质是一种（看跌）期货产品。基差风险（Basis Risk）作为期货市场的概念，是指保值工具与被保值商品之间价格波动不同步所带来的风险。基差(Basis)即现货成交价格与交易所期货价格之间的差，在指数保险场景下，就是指被保人实际损失和依据指数保险赔付公式计算出的赔付之间的差。我国指数保险应用广泛，尤其是在农业保险领域，在种养林皆有广泛落地，设计被保险品类、尤其是各地特色农业品类众多，比如陕西苹果、四川花椒、山东蔬菜、广东岭南水果、湖北小龙虾、江浙绿茶等等。农业品种千变万化，其生长演变和环境因素紧密相关，各品类有其自身的成长成熟阶段，对于不同气象风险抵抗能力不一，其价值、易损性也会在不同成长阶段发生变化，是一个很复杂过程。气象数据作为气象指数保险的“指标”原材料，其重要性毋庸置疑，也广为关注。另一方面，气象指数产品最终的指向是损失风险，气象致灾因子到损失，涉及农作物品类、环境、时间（生长阶段）、位置（生于淮南则为橘，生于淮北则为枳）等诸多因素，在整个致损链条中，瓶颈在哪里，是精准的、高分辨率气象数据，还是环境数据、或者是缺乏科学的农业品类易损性函数？我们目前落地的一些气象指数产品，对于这些品类的易损性研究考虑并不充分，甚至缺失，导致经常发生赔付和实际损失极度不一致的情况。我们在未来指数保险的研发和优化过程中，是否应该和农业专家共同合作，加强品类本身易损性的研究？

二、数据颗粒度的问题：气象指数产品的研发设计过程中，保司常常会提出一个疑问 – 国家基础站点数据通常一个区县1-2个站点，颗粒度是否不够？通常的解决办法是寻求地方气象部门的支持，增加大量自动站点数据作为产品研发支撑。但这里有两个问题需要保司进一步思考：1）自动站点的广泛建设起于大约10-15年前，数据积累时间跨度还非常有限，作为产品精算依据是否充足？2）自动站点的数据质量如何保证？尤其是如果自动站点数据参与作为理赔依据的时候，有无机制保证数据的可靠性？3）如果无法获得大量自动站点数据情况下（这是常见情况），能否研发出较为可靠的、科学的气象指数产品？关于以上三个问题，我们的想法是：1）自动站点在精算过程中作为模式的研究是有价值的，但需要预先做数据的检查和对敏感性分析（尤其是奇异点的敏感性分析）。2）很多气象指数保险对于气象数据依赖性非常灵敏，自动站点作为理赔依据，尤其是单点自动站点作为理赔依据，需要慎之又慎。3）我们认为，目前市场上落地的大量气象指数保险的瓶颈未必在于气象数据的颗粒度，我们在研发上的精力是否有更有价值的落脚点？比如是否可以充分利用巨灾模型方法科学弥补数据不住、同时结合易损性分析上开发全局优化的指数保险产品？

三、风险分担问题：气象指数保险因为是创新性保险产品，直保公司通常都会有再保需求。目前我们市场上直保公司可能处于简单、易测的考虑，通常倾向于通过成数分保的方式，将风险按比例分给再保险公司，但专业再保险公司可能会倾向于通过超赔方式，承担直保公司的超额风险。这种情况下，如果要安排好再保险，需要对于极端风险做出科学判断。这会引出两个问题，需要我们解决：1）对极端风险(比如百年一遇灾害事件)的概率评估需要用到巨灾建模方法，对极端情况做科学的数值模拟，这可能超出了一般气象指数设计的工作范畴。2）超赔合约的定价对于风险量化（包括保司业务发展）的敏感性非常高，如何对风险量化本身的不确定性给出判断，从而为保司和再保险公司的定价和核保决策做指引，也是一个挑战。

气象指数保险蓬勃发展，为保险创新做出了很好的示范。在十多年的发展中，也碰到很多问题和挑战，本文只是举其一二，提出的问题多于给出的答案，仅供同仁共斟酌。