Skadeprediksjoner basert på ECHAM4 klimamodelldata

Transkript

1 Skadeprediksjoner basert på ECHAM4 klimamodelldata Notatnr Forfattere SAMBA/29/09 Elisabeth Orskaug Ola Haug Dato 28. oktober 2009

2 Norsk Regnesentral Norsk Regnesentral (NR) er en privat, uavhengig stiftelse som utfører oppdragsforskning for bedrifter og det offentlige i det norske og internasjonale markedet. NR ble etablert i 1952 og har kontorer i Informatikkbygningen ved Universitetet i Oslo. NR er et av Europas største miljøer innen anvendt statistikk. Det jobbes med svært mange forskjellige problemstillinger slik som estimering av torskebestanden, finansiell risiko, beskrivelse av geologien i petroleumsreservoarer og overvåking av klimaendringer. NR er også ledende i Norge innen utvalgte deler av informasjons- og kommunikasjonsteknologi. Problemstillinger kan være å overvåke inntrengning i datasystemer, e-læring i skole og næringsliv, bruk av datateknologi i markedsanalyser samt anvendelser av multimedia på forskjellige plattformer. NRs visjon er forskningsresultater som brukes og synes.

3 Tittel Forfattere Skadeprediksjoner basert på ECHAM4 klimamodelldata Elisabeth Orskaug Ola Haug Dato 28. oktober 2009 Publikasjonsnummer SAMBA/29/09 Sammendrag Forsikringsbransjen er gjennom store deler av sin virksomhet sårbar overfor mulige klimaendringer. Innen både skade- og livsforsikring tilbys produkter som vil bli berørt. Inneværende studie tar for seg vannskader på private bygninger. Skadematerialet er avgrenset til frekvensskader som er den typen skader som selskapene selv står ansvarlige for. Dette er gjerne skader som kan knyttes til lokale værforhold, for eksempel nedbør og smeltevann. Gjennom bruk av skademodeller som ble etablert i Haug et al. (2008) har vi anslått skadenivået i fremtiden for utvalgte klimascenarioer. ene tallfester den statistiske sammenhengen mellom vannskader og ulike sider ved været: Nedbør, temperatur, avrenning og vanninnhold i snøen. Vi har brukt klimamodelldata fra modellen ECHAM4 kjørt ved Max Planck instituttet i Tyskland for utslippsscenarioene IS92a og B2. IS92a-kjøringen dekker perioden med kontrollperiode , mens tilsvarende perioder for B2-kjøringen er og I tillegg til ECHAM4-kjøringene er resultater fra Hadleysenterets HadAm3H-modell fra Haug et al. (2008) utvidet og fremstilt på samme form for sammenligningsformål. Skadenivået totalt i Norge vil øke under alle utslippsscenarioene. For ECHAM4-modellen antyder B2 en sterkere økning enn IS92a. Dette er rimelig siden B2 ligger lenger unna i tid enn IS92a. For vestlands- og midtlandsfylkene, samt fylkene i Nord-Norge antyder ECHAM4-kjøringene høyere vekst i utbetalingene enn HadAm3H-kjøringene. For sørlandsfylkene antyder Ha- dam3h A2 og B2 en sterkere økning enn ECHAM4-kjøringene, og B2 gir den sterkeste økningen. Østlandsfylkene gir litt mer vekslende resultater, men ECHAM4 B2 og HadAm3H B2 antyder de største økningene her. På landsbasis antyder ECHAM4 IS92a en økning av total utbetaling på 10% fra kontroll- til scenarioperioden, HadAm3H-kjøringene med A2 og B2 anslår en økning på henholdsvis 15% og 20%, mens ECHAM4 B2 antyder den sterkeste økningen med hele 30%. 3

4 Resultatene fra denne studien vil være et bidrag til forståelsen av effekter av klimaendringer i forsikringsbransjen. Først og fremst skjer dette gjennom å antyde endringer i skadeutbetalingene, men også ved å identifisere de geografiske områdene som er mest utsatt. Antydningen til økning av skadeprognose i Norge styrkes ved å se på to forskjellige klimamodeller. De to ulike klimamodellene ECHAM4 og HadAm3H peker imidlertid på ulike geografiske områder som de mest sårbare. Forsidebilde: Emneord Målgruppe Tilgjengelighet Prosjekt Vannskader, ECHAM4 klimamodell, HadAm3H klimamodell, kalibrering, klimascenarioer, skadeprediksjoner Gjensidige Forsikring Konfidensiell Skadeprediksjoner basert på ECHAM4 klimamodelldata Prosjektnummer Satsningsområde Finans, forsikring og råvaremarkeder Antall sider 36 Copyright Norsk Regnesentral 4 Skadeprediksjoner basert på ECHAM4 klimamodelldata

5 Innhold 1 Innledning Data Værdata Klimamodelldata Kalibrering av klimamodelldataene Motivasjon Tilpassing av regresjonslinje Justerte datasett Prediksjon av fremtidig skadenivå Prediksjon av antall skader Resultater Prediksjon av skadestørrelse Resultater Prediksjon av total utbetaling Resultater Oppsummering A Appendiks Referanser Skadeprediksjoner basert på ECHAM4 klimamodelldata 5

6

7 1 Innledning Arbeidet i denne rapporten beskriver en direkte oppfølging av et stort prosjekt innenfor klima og forsikring utført av Norsk Regnesentral for Gjensidige Forsikring, se Haug et al. (2008). Den gang ble det utarbeidet skadeprediksjoner for fremtida med utgangspunkt i klimascenarioer fra UK Met Office Hadley Centre. I etterkant ønsker Gjensidige også å lage prediksjoner basert på klimamodelldata fra Max Planck instituttet i Tyskland. Ved å sammenligne ulike kombinasjoner av klimamodell, tidshorisont og utslippsscenarioer for CO 2 og andre klimagasser, kan man danne seg et bilde av spennvidden i mulige fremtidsscenarioer. Idéen er at skademodellene, som er etablert ut fra sammenhengen mellom historiske skader og ulike værelementer, ligger fast og kan brukes til å lage skadeprediksjoner for fritt valgte vær- og klimamodelldata. De ulike stegene som leder frem til skadeprediksjonene er omtalt i Haug et al. (2008) og oppsummert i Figur 1. Kontrollperiode Prediksjonsperiode tid Vannskader, observert Vannskader, predikert Prediksjon av skader Statistisk modell Prediksjon av skader Kalibrering: Klimamodelldata mot observasjoner Meteorologiske observasjoner Klimamodelldata, kontrollperiode Klimamodelldata, scenarioperiode Kalibrerte klimamodelldata, kontrollperiode Kalibrerte klimamodelldata, scenarioperiode Figur 1. Skjematisk bilde av koblinger mellom de ulike datasettene og arbeidsmodulene i klimaprosjektet. Vi har sett på klimamodelldata fra Max Planck instituttets ECHAM4-klimamodell under to ulike utslippsscenarioer for CO 2 og andre klimagasser (IS92a og B2). Kjøringene har forskjellige kontroll- og scenarioperioder. ECHAM4-klimamodelldata fra hver av kontrollperiodene er kalibrert mot observerte værdata før prediksjon av fremtidige skader, se Figur 1. Prediksjonene er denne gangen begrenset til kun å omfatte produktområdet Privat. Vi ser på kommunevise endringer i skadebildet fra en kontrollperiode til en fremtidig scenarioperiode. Det er utarbeidet både punktestimater og tilhørende intervaller som angir estimeringsusikkerheten. Resultatene er fremstilt grafisk i form av tematiske kart og intervallplott. Skadeprediksjoner basert på ECHAM4 klimamodelldata 7

8 2 Data Datamaterialet i prosjektet er todelt hvor en del, kalt værdata, tar utgangspunkt i meteorologiske observasjoner, og den andre, kalt klimamodelldata, baserer seg på den globale ECHAM4-modellen operert av Max Planck instituttet i Tyskland. HadAm3H-modellen som ble studert i Haug et al. (2008) er også inkludert for å sammenligne med ECHAM4- modellen. Data foreligger for alle fylker i Norge utenom Svalbard, og samtlige data har oppløsning på kommunenivå. 2.1 Værdata Med værdata forstår vi her meteorologiske og hydrologiske størrelser som er basert på historiske observasjoner av værelementer. Værdataene som er brukt er det samme datasettet som ble benyttet i Haug et al. (2008), og er levert av Meteorologisk institutt og Norges vassdrags- og energidirektorat (NVE). Vi minner om at dette datasettet inneholder døgnverdier for fire fysiske størrelser (såkalte elementer), jfr. Tabell 1. Element Beskrivelse Enhet R t Nedbør registrert dag t (mesteparten akkumulert over dag t 1) T t Middeltemperatur dag t C mm/døgn avr t Avrenning dag t mm/døgn swe2 t Vanninnhold i snøen dag t mm Tabell 1. Værelementer tilgjengelig i observasjonsdata og klimamodelldata levert av Meteorologisk institutt og NVE. Med avrenning menes den totale vannmengden som renner ut av et område, enten som overflateavrenning eller som grunnvannsavrenning. Forutsatt at endringer i magasinert vannvolum er lik null, er den lik differansen mellom nedbør og fordampning. Avrenning betegner her den gjennomsnittlige mengde vann som renner til elver fra de områdene i en kommune der folk i det alt vesentlige bor. Døgnverdier for de fire fysiske størrelsene fra Tabell 1 foreligger for alle landets 431 kommuner i årene En nærmere beskrivelse av hvordan kommuneseriene for de ulike værelementene er konstruert, er gitt i kapittel 3.2 i Haug et al. (2008). 2.2 Klimamodelldata De nye klimamodelldataene foreligger fra Max Planck instituttets ECHAM4-modell, mens HadAm3H-klimamodelldataene studert i Haug et al. (2008) er kjørt ved UK Met Office Hadley Centre. For ECHAM4-modellen er det levert kjøringer for utslippsscenarioene IS92a og B2, mens for HadAm3H har vi kjøringer for utslippsscenarioene A2 og B2. For ECHAM4-modellen er det levert kjøring for fremtidig scenarioperiode IS92a for , med tilhørende kontrollperiode For scenarioperiode B2 er den fremtidige scenarioperioden , med tilhørende kontrollperiode Vi minner om at fremtidsscenarioene for HadAm3H med utslippsscenarioene A2 og B2 var begge 8 Skadeprediksjoner basert på ECHAM4 klimamodelldata

9 for perioden , med tilhørende kontrollperioder En oversikt over de ulike klimascenarioene med tilhørende kontrollperioder er vist i Tabell 2. Utslippsscenario Scenarioperiode Tilhørende kontrollperiode ECHAM4 IS92a ECHAM4 B HadAm3H A HadAm3H B Tabell 2. Oversikt over klimamodelldata brukt i prosjektet. IS92a, A2, B2: Ulike utslippsscenarioer. Utslippsscenarioene IS92a, A2 og B2 som ligger til grunn for klimascenarioene, er uttrykk for ulik utvikling i sosioøkonomiske forhold i tiden fremover. Idéen er at slike forhold påvirker konsentrasjonsutviklingen for CO 2 og andre klimagasser. Noe forenklet kan utslippsscenarioene beskrives som følger (kilde: CICERO senter for klimaforskning og Canadian Climate Impacts Scenarios): A2: Delt verden med høy befolkningsvekst og mindre bekymring for rask økonomisk utvikling. 15 milliarder mennesker i IS92a: Forholdsvis høy økonomisk vekst. Miks av fornybar energi og fossilt brensel anslås milliarder mennesker i B2: Lokale løsninger på økonomisk og sosial bærekraftighet. Vekt på miljøvern. 10 milliarder mennesker i Figur 2 viser hvordan befolkningsveksten vil være fra år 1990 til 2100 i følge de tre ulike utslippsscenarioene. Utviklingen i CO 2 -utslipp til atmosfæren som følge av utslippsscenarioene fra år 2000 til 2100 er vist i Figur 3. A2 viser den kraftigste veksten i CO 2 -utslipp og den største økningen i befolkningsvekst av de tre utslipsscenarioene, mens B2 følger den mest moderate banen. Utslippsscenario IS92a legger seg på et nivå mellom A2 og B2, både i befolkningsvekst og i CO 2 -utslipp. Klimamodelldataene foreligger på døgnnivå for alle landets 431 kommuner for de samme værelementene som i Tabell 1. Beregningene er gjort med basis i globale og regionale klimamodeller kombinert med et gitt utslippsscenario. Som nevnt i Haug et al. (2008) er disse klimamodellene ikke ment å skulle gi et korrekt bilde av været verken slik det har vært en bestemt dag tilbake i tid (kontrollperioden) eller slik det kommer til å bli en bestemt dag i fremtiden (scenarioperioden). Selv om klimamodellene hadde vært perfekte (hvilket de ikke er), ville kun utvalgte statistiske momenter, for eksempel månedsgjennomsnitt, være like for klimamodelldata og virkelig observert vær sett over en viss periode. Gjennom bruk av globale modellkjøringer som randbetingelser har Meteorologisk institutt etablert regionale klimamodelldata via dynamisk nedskalering. Denne nedskaleringen foregår via forenklede værvarslingsmodeller. Skadeprediksjoner basert på ECHAM4 klimamodelldata 9

10 Figur 2. Utviklingen i befolkningsvekst fra år 1990 til 2100 for de ulike utslippsscenarioene. Kilde: Utgangspunkt i figur hentet fra IPCC (Intergovernmental Panel on Climate Change). Figur 3. Utvikling i CO 2 som følge av de ulike utslippsscenarioene fra år 2000 til Kilde: Utgangspunkt i figur hentet fra For ytterligere å øke representativiteten er klimamodelldataene kalibrert mot observasjoner av temperatur og nedbør. Denne kalibreringen er foretatt av Meteorologisk institutt og foregår på litt ulike måter for ECHAM4- og HadAm3H-dataene. Vi understreker at kalibreringen som omtales nedenfor er noe annet enn den som diskuteres i kapittel Skadeprediksjoner basert på ECHAM4 klimamodelldata

11 Tilnærmingen som ble brukt for HadAm3H er beskrevet i kapittel 3.2 i Haug et al. (2008). I korthet går prosedyren ut på å justere klimamodelldata mot observervasjonsdata i lokalitetene hvor Meteorologisk institutt har sine målestasjoner. Dette gjøres basert på tidsperioden som overlapper både kontrollperioden til klimamodelldataene og perioden hvor det foreligger faktiske målinger. Representative arealserier for alle værelementene inkludert avrenning og snøens vannekvivalent beregnes så via NVEs vannbalansemodell gjennom en vektet midling av de justerte klimamodelldataene fra målestasjonene. Utgangspunktet for kalibreringen av ECHAM4-dataene er nedskalerte klimamodelldata med en bedre oppløsning enn hva som var tilfellet for HadAm3H-dataene i Haug et al. (2008). Den regionale modellen, HIRHAM, som brukes i den dynamiske nedskaleringen har i dette tilfellet flere lag i vertikalplanet (31 mot 16), og en bedret romlig oppløsning ( km 2 mot tidligere km 2 ). Når det gjelder selve kalibreringen, skiller denne seg fra tidligere ved at de nedskalerte klimamodelldataene først interpoleres videre til et rutenett på 1 1 km 2. Dette er det samme rutenettet som brukes for interpolasjon av observasjonsdata fra målestasjonene, se kapittel 3.2 i Haug et al. (2008). Kalibreringen gjøres deretter på ECHAM4-dataene mot observasjonsdata for nedbør- og temperaturseriene innenfor hver slik gridrute etter mal fra Engen-Skaugen (2007) og Engen-Skaugen et al. (2007). Til slutt lages representative kommuneserier gjennom NVEs vannbalansemodell ved å inkludere de av gridrutene som ligger innenfor den enkelte kommunes grenser og som har en viss bebyggelse, se kapittel 3.2 i Haug et al. (2008). Tilsvarende skaleringer som ble etablert for hver av kontrollperiodene, er også benyttet på tilhørende scenarioperiode. På denne måten er det konsistens mellom klimamodelldata fra kontroll- og scenarioperiodene både når det gjelder modellopphav (NVE vannbalansemodell) og romlig representativitet (de samme gridrutene er brukt for begge periodene). Vi minner om at det er viktig å være klar over at korreksjonen som er foretatt gjennom den empiriske justeringen av klimamodelldataene kun kompenserer gjennomsnitt og standardavvik, og kun i målepunktene. På en bestemt dag vil det fremdeles være avvik mellom klimamodell og observasjoner. Dessuten er det brukt ulike algoritmer ved romlig interpolasjon for både ECHAM4- og HadAm3H-modellene, samt for værdataene. Generelt vil det derfor være uoverensstemmelser mellom de endelige klimamodelldataene og værdataene på kommunenivå også for gjennomsnitt og standardavvik. Dette vil vi korrigere for ved ytterligere å kalibrere klimamodellene, beskrevet i kapittel 3. Skadeprediksjoner basert på ECHAM4 klimamodelldata 11

12 3 Kalibrering av klimamodelldataene 3.1 Motivasjon Meteorologisk institutt har justert klimamodelldataene slik at de er bedre tilpasset det historiske været i en rekke målepunkter landet over (Engen-Skaugen og Beldring (2007a)). En sammenfattet redegjørelse for dette er beskrevet i kapittel 2.2. I prosjektet beskrevet i Haug og Aldrin (2007) viste det seg at det var uoverensstemmelser mellom observasjonsdataene og HadAm3H-klimamodelldataene fra Meteorologisk institutt/nve, slik at det var behov for ytterligere kalibrering av klimamodelldataene. Tilsvarende undersøker vi om det er behov for ytterligere kalibrering også for ECHAM4- klimamodelldataene. Det har blitt estimert gjennomsnitt, standardavvik og variasjonskoeffisient for de fire værelementene R t, T t, avr t og swe2 t på års- og månedsnivå for kontrollperiodene tilhørende ECHAM4 IS92a og B2 for hver kommune, samt for de observerte værdataene. Beregninger er gjort for den tidsperioden det er overlapp mellom hver av kontrollperiodene og de observerte værdataene, dvs. for periodene for kontrollperiode tilhørende ECHAM4 IS92a og for kontrollperiode tilhørende ECHAM4 B2. Månedsverdier er beregnet fra samtlige døgnverdier i den aktuelle måneden over hver av kontrollperiodene, mens årsverdier er beregnet fra alle dagene i hver av periodene. For å illustrere hvordan beregningene er brukt, er noen plott fra Sogn og Fjordane lagt ved i Appendiks A. Figur A.1 viser månedsgjennomsnittet av nedbørsvariabelen, R t, for kontrollperiode tilhørende ECHAM4 IS92a. Hver sirkel representerer en kommune i fylket. Hvis de beregnede verdiene fra klimamodelldataene og de observerte dataene hadde stemt fullstendig overens, så ville alle ligget på den diagonale, heltrukne linjen. I Figur A.1 faller punktene i snitt under diagonalen for noen måneder, mens de ligger i snitt over diagonalen for andre måneder. Når punktene faller under diagonalen sier vi at klimamodelldataene underestimerer regnmengden, og når de faller over sier vi at klimamodelldataene overestimerer regnmengden. Månedsgjennomsnittet av nedbørsvariabelen, R t, for kontrollperioden tilhørende ECHAM4 B2 er gitt i Figur A.3. Vi ser at også her underestimerer klimamodelldataene regnmengden i noen måneder, mens den overestimerer i andre. Totalt sett overestimerer ECHAM-modellen regnmengden i de fleste fylkene for begge kontrollperiodene. For temperatur, T t, er det en liten grad av totalt sett underestimering av klimamodelldataene for begge kontrollperiodene. 3.2 Tilpassing av regresjonslinje Ved å korrigere nivået på klimamodelldataene gjennom multiplikasjon med en passende faktor, kan både gjennomsnittet og standardavviket trekkes i riktig retning samtidig som variasjonskoeffisienten forblir uendret. Vi har brukt samme regresjonsmodell som i prosjektet Haug et al. (2008) for å finne en passende korreksjonsfaktor β for klimamodelldataene i ECHAM4-modellene, dvs. en en- 12 Skadeprediksjoner basert på ECHAM4 klimamodelldata

13 kel lineær regresjon uten konstantledd, y = βx. (1) For hver måned og for hele året under ett tilpasses en regresjonskoeffisient β på data fra hver av de to kjøringene ECHAM4 IS92a og B2. Dette gjøres for hvert værelement i hvert fylke i begge tilfeller. I Figur A.1 vil dette si at det tilpasses en regresjonslinje i alle plottene unntatt det nederste til høyre. De tilpassede regresjonslinjene er inntegnet som stiplede linjer. Responsvariabelen y representerer klimamodelldataene for kontrollperioden (og er gjennomsnittsverdien til et værelement over en gitt måned for hver kommune beregnet fra klimamodelldataene.) Forklaringsvariabelen x representerer observasjonene og er på tilsvarende måte gjennomsnittsverdi for disse. For å belyse fremgangsmåten er de estimerte regresjonskoeffisientene vist i Tabell A.1 og Tabell A.2 i Appendiks for henholdsvis kontrollperiodene tilhørende ECHAM4 IS92a og B2 for Sogn og Fjordane fylke. Her ser vi at det er estimert to ulike sett av regresjonskoeffisienter, et for hver av kontrollperiodene. 3.3 Justerte datasett Klimamodelldataene for hver av kontrollperiodene tilhørende ECHAM4 IS92a og B2 kalibreres ved å multiplisere daglige verdier av værelementene med den inverse av regresjonskoeffisienten, 1/β, estimert for dette værelementet for gjeldende kontrollperiode, fylke og måned. Som nevnt i kapittel 3.1 vil en slik multiplikasjon ikke berøre variasjonskoeffisienten. Eksempler på resultat av kalibreringen for nedbør i Sogn og Fjordane er vist i figurene A.2 og A.4 for henholdsvis ECHAM4 IS92a og B2. Disse plottene tilsvarer dem i figurene A.1 og A.3, men med kalibrerte data i kontrollperioden. Vi ser at for Sogn og Fjordane samsvarer de justerte dataene i gjennomsnitt bedre med de observerte dataene for værelementet R t. Dette er også den dominerende tendensen for samtlige værelementer i alle fylkene for begge kontrollperiodene. For snøens vannekvivalent, swe2 t, og avrenning, avr t, er situasjonen litt annerledes enn for regnmengde, R t, og temperatur, T t. I måneder med lite eller ingen snø (typisk sommer og høst) hender det at regresjonskoeffisienten blir veldig liten eller veldig stor for swe2 t. Førstnevnte situasjon påvirker klimamodelldataene ved å gi enorme utslag ved multiplikasjon av swe2 t med 1/β. For fylket Sogn og Fjordane er dette tilfellet, se Tabell A.1 og Tabell A.2 i Appendiks. Regresjonskoeffisienten for avr t blir også stor i noen måneder. For å unngå dette har vi i stedet justert swe2 t og avr t i klimamodelldataene ut fra β tilpasset på årlige gjennomsnittsverdier for swe2 t og avr t. Ved å benytte de estimerte regresjonskoeffisientene, β, fra Tabell A.1, kalibreres ECHAM4- klimamodelldata med utslippsscenario IS92a for perioden for Sogn og Fjor- Skadeprediksjoner basert på ECHAM4 klimamodelldata 13

14 dane fylke. Tilsvarende kalibreres ECHAM4-klimamodelldata med utslippsscenario B2 for perioden for Sogn og Fjordane fylke ut fra de estimerte regresjonskoeffisientene i Tabell A.2. ECHAM4-klimamodelldata for IS92a og B2 for de resterende fylkene kalibreres på tilsvarende måte med regresjonskoeffisienter tilpasset deres tilhørende kontrollperiode. 14 Skadeprediksjoner basert på ECHAM4 klimamodelldata

15 4 Prediksjon av fremtidig skadenivå Det er estimert forventede skadetall (antall skader, skadestørrelse og total utbetaling) for ECHAM4-kjøringene ECHAM IS92a og B2 for produktområdet Privat. Skademodellene som er brukt for å estimere skadetall ble etablert i Haug et al. (2008), og vi ser på ECHAM4-utslippsscenarioene IS92a og B2. Skademodellene gir kun uttrykk for skadefølsomheten overfor værelementene slik den har vært i perioden Dette betyr at disse modellene ligger fast selv om man ønsker å lage skadeprognoser for et nytt klimascenario. Vi vil bruke kjøringer for kontrollperiodene som et referansenivå for scenarioperiodene. Spesielt endringer i skadenivå fra kontroll- til scenarioperiodene vil være fokus. En vurdering av skadeutviklingen gjør vi ved å estimere forventede skadetall for hver dag i kontroll- og scenarioperiodene for ECHAM IS92a og B2. Så aggregerer vi til representative verdier på kommune- og fylkesnivå, og ser på endringen fra kontroll- til scenarioperiode. Dette gir et bilde på hva som forventes av endringer fra nåtid til fremtid. Vi betrakter antall skader, skadestørrelse og total utbetaling separat, og fremstiller forholdstall mellom estimater for scenarioperiodene IS92a og B2 og de tilhørende kontrollperiodene. Vi angir både punktestimater og tilhørende usikkerhetsintervaller, jfr. kapitlene 2.5 og 2.7 i Haug et al. (2008). Scenarioperiode B2 ( ) ligger langt frem i tid, og spørsmålet er hva som vil skje med skadenivået fra i dag og frem til denne perioden. Betrakter vi midtpunktene i kontroll ( )- og scenarioperiode B2 (henholdsvis 1975 og 2085), snakker vi om utviklingen over en periode på 110 år. Dette betyr at vi per i dag er omlag 30% på vei. Scenarioperiode IS92a ( ) derimot er nærmere frem i tid. Betrakter vi midtpunktene i kontroll ( )- og scenarioperiode IS92a (henholdsvis 1995 og 2035), snakker vi om utviklingen over en periode på 40 år. Her er vi per i dag ca 35% på vei. Forenkler vi bildet og antar en lineær skadeutvikling over årene fra midtpunktene i kontroll- til scenarioperiodene for ECHAM IS92a og B2, skulle det tilsi at vi allerede har tatt høyde for henholdsvis 35% og 30% av eventuelle skadeøkninger gjennom dagens premienivå. Det er imidlertid et stort hvis her: Forutsetningen om linearitet i skadeutviklingen er neppe holdbar; konsekvensen av ekstremvær er sannsynligvis høyst ikke-lineær. I motsetning til hva som ble gjort i Haug et al. (2008) (100 simuleringer), er det nå blitt utført 1000 simuleringer for å kunne benytte et 95% konfidensnivå på intervaller i stedet for 80%. Usikkerhetsintervallene er angitt ved 2.5% og 97.5% kvantilene blant prediksjonsverdiene. Et intervall på 95% konfidensnivå vil være bredere enn et intervall på 80% konfidensnivå, og vil bety at det estimerte skadenivået vil havne innenfor intervallet i 95 av 100 simuleringer gitt at modellen som er brukt er sann. For å kunne sammenligne med HadAm3H-klimamodelldataene fra Haug et al. (2008), er også disse prediksjonene simulert 1000 ganger for å lage et 95% konfidensintervall også for HadAm3H-kjøringene i Tabell 2. Skadeprediksjoner basert på ECHAM4 klimamodelldata 15

16 Som nevnt i kapittel 6 i Haug et al. (2008) er det viktig å være klar over at anslag for fremtidig skadenivå basert på klimamodelldata vil være grove og kun ment som en pekepinn på utviklingen. Spesielt må man være forsiktig med å tillegge plasseringen av skader geografisk for stor vekt. Lokale prediksjoner av skadeomfanget vil være bestemt av predikerte fremtidige værforhold ut fra en klimamodell for det aktuelle området. Denne har begrenset romlig presisjon. I tillegg vil lokaliseringen av tidligere års regnskyll og skader også ha betydning gjennom tilpassing av skademodellen. Som pekt på i kapittel 5.1 i Haug et al. (2008), vil det til en viss grad være tilfeldig hvorvidt et regnskyll havner i den ene eller andre av to nabokommuner, og dermed vil det samme være tilfellet for plasseringen av skadene lokalt. Punktet om ikke-linearitet og ekstremvær berører også et annet forhold ved skademodellene. Vi skal huske at modellene er tilpasset på et bestemt datamateriale som beskriver vær- og skadeforholdene slik de er observert over en bestemt historisk tidsperiode. Dersom været endrer seg dramatisk, er det ikke lenger gitt at modellene kan brukes til prediksjon av skadenivået. Dette skyldes at vi i tilpassingen av modellen ikke har skadetall som svarer til slike ekstremværsituasjoner, og prediksjoner fra ekstrapolerte værdata får dermed svært høy usikkerhet. Dette kan slå ut både i form av over- og underestimering av det predikerte skadenivået. 4.1 Prediksjon av antall skader Prediksjonene for antall skader bygger på modell (12) i Haug et al. (2008) med innsatte verdier for forklaringsvariablene {x it } p i=1. Vi minner om at begrepet skadefrekvens er definert som antall skader per polise. I tråd med Gjensidiges egen definisjon av skadefrekvens setter vi A t = 100, slik at størrelsen vi ser på er antall skader per 100 poliser per år. Alle kontroll- og scenarioperiodene består av 30 år, og frekvensmålet for hver kommune kan dermed skrives ( N t A t = 100)/30, (2) t hvor t løper over alle dagene i prediksjonsperioden. Ved å bruke det tilpassede koeffisientsettet { β i } p i=0 ved beregning av N t i (2) får vi punktestimater for skadefrekvensen. Intervallberegninger gjøres også fra (2), men da med utgangspunkt i simulerte koeffisientsett {{ β i,l } p i=0 }nsim l=1 slik som beskrevet i kapittel 2.7 i Haug et al. (2008). Som nevnt i kapittel 6.1 i Haug et al. (2008), ble det valgt å trunkere de estimerte døgnverdiene { N t } da noen klimamodelldata ligger langt utenfor de observerte værdataene. Ved å trunkere estimatene blir estimatene mer robuste mot feil i klimamodelldataene. På tilsvarende måte er døgnverdiene også nå trunkert ved 99.5%-kvantilen i hver kommune. Med kontroll- og scenarioperioder på 30 år betyr dette at de omlag 50 døgnene med høyest N t er erstattet med det påfølgende høyeste estimatet i hver av periodene. Nedskaleringen og justeringen av ECHAM4-klimamodelldataene foregår med en høyere oppløsning enn hva som var tilfellet for HaDAm3H-dataene i Haug et al. (2008). I følge 16 Skadeprediksjoner basert på ECHAM4 klimamodelldata

17 Meteorologisk institutt er det grunn til å tro at denne endringen vil redusere problemet med urealistiske verdier på for eksempel nedbør enkelte dager. Vi har likevel valgt å beholde trunkeringen på 99.5% nivå. Skadeutviklingen på fylkesnivå er også anslått som tidligere. Dette gjør vi ved å vekte samlet skadeantall i hver kommune med antall poliser registrert i kommunen på den siste dagen i modelltilpasningsperioden, T (= ). Med basis i uttrykket i (2) og bruk av en kommuneindeks k som løper over alle kommuner i fylke F, kan frekvensmålet på fylkesnivå skrives som N F = 1 k A kt ( N t kt A kt = 100) 30 k A. (3) kt Utregninger gjøres for klimamodelldata fra kontroll- og scenarioperiodene. Vi bruker tidspunktet T for å angi en representativ verdi for antall poliser i kommunen (A kt ). I tilfeller hvor det ikke er registrert noen poliser denne dagen, setter vi A kt = 1. Denne situasjonen opptrer typisk for kommuner med gjennomgående svært få poliser, og hvor det altså (litt tilfeldig) er registrert 0 poliser på dag T. Ved å sette A kt = 1 sørger vi for at kommunen er representert ved beregning av fylkesverdien samtidig som den blir tillagt liten vekt, i tråd med størrelsen den har. Som nevnt innledningsvis i dette kapittelet, er vi spesielt opptatt av endringer i skadeprediksjonene fra kontrollperiode (valgt som referanseperiode) til fremtidig scenarioperiode. Vi betrakter størrelsene i (2) og (3) på aggregert nivå i tid. Siden både kontroll- og scenarioperiodene består av 30 år, kan dette gjøres ved å summere alle døgnverdiene i hver av periodene. Med bakgrunn i uttrykkene i (2) og (3) kan forholdstallene skrives som (k er en kommune) r k (scn, ctr) = t scn N scn t ctr kt A kt = 100 N ctr kt A kt = 100 og k r F (scn, ctr) = A kt ( t scn N scn kt A kt = 100) k A kt ( t ctr N ctr kt A kt = 100), (5) hvor scn henspeiler på et av scenarioene og ctr angir estimater for tilhørende kontrollperiode. Forholdstall større enn 1 indikerer en vekst i antall skader fra kontroll- til scenarioperioden. Det er også laget usikkerhetsintervaller for forholdstallene. Disse fremkommer ved først å beregne forholdstall {r,l (scn, ctr)} nsim l=1 ut fra (4) og (5), og så finne ønskede kvantiler til bruk som usikkerhetsgrenser. Vi har brukt kvantilene 2.5% og 97.5%. Når det gjelder trunkeringsverdiene på fylkesnivå, beregnes disse som et veiet snitt av Trunk -verdiene i kommunene i fylket på tilsvarende måte som for frekvensmålet i (3), k Trunk F = A kt Trunk k k A, (6) kt hvor Trunk k altså er 99.5%-kvantilen til predikert antall skader for alle døgnene i kontrolleller scenarioperiodene. (4) Skadeprediksjoner basert på ECHAM4 klimamodelldata 17

18 4.1.1 Resultater Prognoser for endringer i antall skader for punktestimater på kommunenivå for begge ECHAM4-klimascenarioene IS92a og B2 fra deres respektive kontrollperiode er vist på norgeskart i Figur 4, sammen med endringer for HadAm3H-kjøringene som ble studert i Haug et al. (2008). På fylkesnivå er det laget usikkerhetsintervaller på 95% konfidensnivå for alle endringene i både ECHAM4- og HadAm3H-klimamodelldataene, se Figur 7. Vi ser at det er overensstemmelse mellom figurene 4 og 7, der et fylke med høyt/lavt utslag i skadefrekvens i mange kommuner innad i fylket resulterer i et stort/lite utslag i skadefrekvens for fylket. Det er en tendens til signifikant økning i skadehyppigheten i de fleste fylkene for alle klimascenarioene. ECHAM4-kjøringene har en signifikant økning i skadefrekvens fra kontroll- til scenarioperiode i alle fylker unntatt Telemark og Aust-Agder for IS92a der punktestimatene anslår en nedgang, og Oslo og Aust-Agder for B2 der punktestimatene anslår en økning, men hvor usikkerhetsintervallene tilsier at økningen ikke er signifikant på 5% nivå. Merk at det er kun Aust-Agder for ECHAM4-kjøring med utslippsscenario IS92a som antyder en signifikant nedgang på 5% nivå. Til sammenligning har også HadAm3H-klimamodelldataene signifikant økning i skadefrekvens for nesten alle fylker. Unntaket er Oslo, Aust-Agder og Møre og Romsdal for A2, og Møre og Romsdal for B2 hvor punktestimatene anslår en økning, men hvor usikkerhetsintervallene ikke tilsier at økningen er signifikant på 5% nivå. Merk at Oslo kom ut med signifikant økning for HadAm3H A2 i Haug et al. (2008) siden vi der så på 80% konfidensintervaller. For ECHAM4-kjøring med utslippscenario B2 varierer endringen i punktestimatene fra en økning i skadefrekvens på 4% i Aust-Agder til en økning på 33% i Finnmark. Det er en tendens til at økningen i skadefrekvens blant samtlige scenarioer er størst for ECHAM4 B2, med unntak av sørlandsfylkene Aust-Agder, Vest-Agder, Telemark og Vestfold, der HadAm3H B2 anslår størst økning. Endringen i punktestimatene for ECHAM4 IS92a varierer fra en nedgang i skadefrekvens på 4% i Aust-Agder til en økning på 13% i Finnmark. Generelt har ECHAM4 IS92a minst økning i skadefrekvens i forhold til de tre andre kjøringene, og usikkerhetsintervallene er også kortere enn for de tre andre kjøringene. Dette er rimelig da scenarioperioden for IS92a er kortest frem i tid; , mens de tre andre kjøringene har alle en scenarioperiode fra Samtidig må vi huske på at kontrollperioden for ECHAM4 IS92a er fra , mens kontrollperiodene for de øvrige kjøringene er fra Tidsintervallet mellom kontroll- og scenarioperiode for IS92a er da 40 år når man ser på midtpunktene i periodene, mens det er 110 år for de øvrige kjøringene. Det er signifikant forskjell fra ECHAM4 IS92a til de øvrige kjøringene for flere av fylkene. Blant annet Akerhus, Oppland, Vestfold, Telemark, Vest-Agder og Sør-Trøndelag, samt også prognosene for endring i hele landet viser en signifikant endring fra ECHAM4 IS92a til alle de tre andre kjøringene. I tillegg er punktestimatene for ECHAM4 IS92a mindre enn for de tre andre kjøringene for alle fylkene, med unntak av Hedmark, Hordaland og Sogn og 18 Skadeprediksjoner basert på ECHAM4 klimamodelldata

19 Fjordane der punktestimatet for HadAm3H A2 er mindre. ECHAM4-kjøringene antyder dermed at skadehyppigheten får en økning fra dagens nivå til og vil fortsette å øke til perioden i de fleste fylker. I gjennomsnitt for hele landet antyder ECHAM4 IS92a en økning på 8% fra kontroll- til scenarioperioden, HadAm3H A2 og B2 anslår henholdsvis en økning på 12% og 16%, mens ECHAM4 B2 foreslår den sterkeste økningen på 22%. 4.2 Prediksjon av skadestørrelse Prediksjonene for skadestørrelse bygger på modellen (13) i Haug et al. (2008), med innsatte verdier for forklaringsvariablene. I prediksjonene bruker vi den estimerte GLMmodellen (21) i Haug et al. (2008). I prediksjonene for skadestørrelse beregnes en forventet gjennomsnittlig skadestørrelse (utbetaling per skade) for hver dag i kontroll- og scenarioperiodene. Et mål som oppsummerer en hel periode er den totale utbetalingen, tatt over alle dagene i perioden, delt på det totale antall skader i perioden. Dette målet kan skrives t ( St N t ) ( N t A t = 100) N = t t A t = 100 ξ t t p t t p, (7) t hvor t løper over alle dagene i prediksjonsperioden. Uttrykket i (7) kan dermed også oppfattes som en vekting av forventet skadestørrelse med sannsynligheten for skade. Beregningene av (7) er foretatt for alle landets kommuner og fylker. På tilsvarende måte som for N t i kapittel 4.1 er det valgt å trunkere estimatene for gjennomsnittlig skadestørrelse, { ξ t }, på både kommune- og fylkesnivå. På denne måten reduserer vi uheldige utslag av outliers i klimamodelldataene. Også for { ξ t } har vi trunkert ved 99.5%-kvantilen og erstattet alle verdier høyere enn denne med kvantilen selv. Forholdet for skadestørrelsen mellom kontroll- og scenarioperiodene blir også sammenlignet ved å se på forholdene t scn ξ scn t t scn N scn ( N scn t A t = 100 t A t = 100) / t ctr = ( t scn ( t ctr ξ ctr t t ctr ξ scn t ξ ctr t N ctr ( t A t = 100) N ctr t A t = 100 p scn t )( t ctr pctr t ) p ctr t )( t scn pscn t ), (8) hvor scn betegner et av scenarioene, mens ctr angir estimater for tilhørende kontrollperiode. Usikkerhetsintervaller for forholdene i (8) er laget på samme måte som for antall skader (avsnitt 4.1) med kvantiler på 2.5% og 97.5% Resultater Prognoser for endringer i gjennomsnittlig skadestørrelse på kommunenivå for begge ECHAM4-klimascenarioene (IS92a og B2) fra deres respektive kontrollperiode er vist på Skadeprediksjoner basert på ECHAM4 klimamodelldata 19

20 norgeskart i Figur 5, sammen med tilsvarende endringer for HadAm3H-kjøringene (A2 og B2) som ble studert i Haug et al. (2008). Merk at fargeskalaene er mindre enn i Figur 4, slik at anslagene for skadestørrelse ikke er så dramatisk som det kan se ut som. Det ble valgt å ha mindre verdi på fargeintervallene i Figur 5 for lettere å kunne skille mellom kommunene, slik at ikke alle fikk omtrent samme farge. På fylkesnivå er det laget usikkerhetsintervaller på 95% konfidensnivå for alle endringene i både ECHAM4- og HadAm3H-kjøringene, se Figur 8. Vi ser at det er overensstemmelse mellom figurene 5 og 8, der et fylke med høyt/lavt utslag i skadestørrelse i mange kommuner innad i fylket resulterer i et stort/lite utslag i skadestørrelse for fylket. Betrakter vi forholdstallene mellom scenario- og kontrollverdier på fylkesnivå, ser vi at tallene er betydelig lavere for skadestørrelse enn for skadefrekvens, og usikkerhetsintervallene er også mindre som vist i figurene 7 og 8. Da temperatur og snøens vannekvivalent er utelatt fra modellene for skadestørrelse (ikke signifikante), er prediksjonene fra de to modellene ikke direkte sammenlignbare. Det er likevel grunn til å tro at den gjennomsnittlige skadestørrelsen er mindre påvirket av værforholdene enn det som er tilfellet for antall skader, slik at vi heller ikke ville forvente så store endringer her. Man kan gjerne tenke seg at mer ekstremvær fører til at skadene som er registrert under dagens værforhold blir mer omfattende. Men det vil trolig også føre til at situasjonen for boliger som så langt ikke har vært utsatt for skade vil endres, slik at helt nye skadetilfeller kommer til. Hovedtyngden av disse vil kanskje gi relativt små utbetalinger, og dermed vil ikke den gjennomsnittlige utbetalingen per skade under et nytt værregime endres så mye. Forskjellene i kontroll- og scenarioverdier for ECHAM4-kjøring med IS92a varierer fra 0% i Aust-Agder til en økning på 5% i Hordaland. Selv om forskjellene er små, er de signifikante på 5% nivå for alle fylker med unntak av Telemark og Aust-Agder, som er de samme fylkene som heller ikke fikk signifikant økning i skadefrekvens, jfr. kapittel For ECHAM4 B2 varierer endringene i skadestørrelse fra en økning på 1% i Aust-Agder til en økning på 10% i Hordaland. I gjennomsnitt for hele landet antyder ECHAM4 B2 en økning på 5% fra kontroll- til scenarioperioden. Forskjellene er signifikante på 5% nivå for alle fylker. I tillegg er forskjellene signifikant større enn for IS92a, med unntak av Oslo, Hedmark, Oppland, Nord-Trøndelag, Nordland og Finnmark, men her er likevel punktestimatet for B2 større enn for IS92a. Endringene for skadestørrelse for ECHAM4-kjøringene i forhold til HadAm3H-kjøringene viser en tendens til minst endring for ECHAM4 IS92a for sør-, øst- og innlandsfylkene, og en størst økning for HadAm3H B2 for de samme fylkene. Vestlandsfylkene skiller seg ut ved at ECHAM4 B2 har størst endring i skadestørrelse, som også er signifikant større enn alle de tre andre kjøringene på 5% nivå. For fylkene i Nord-Norge er det også en tendens til størst økning for ECHAM4 B2, men denne økningen er ikke signifikant forskjellig fra de andre kjøringene. 20 Skadeprediksjoner basert på ECHAM4 klimamodelldata

21 I gjennomsnitt for hele landet antyder ECHAM4 IS92a en økning på 2% fra kontroll- til scenarioperioden, HadAm3H-kjøringene med A2 og B2 anslår en økning på henholdsvis 2% og 4%, mens ECHAM4 B2 antyder den sterkeste økningen på 5%. 4.3 Prediksjon av total utbetaling ene for total utbetaling (utbetaling per polise per år) er gitt av (11) i Haug et al. (2008). Gjennom dette uttrykket er utbetalingen koblet til værelementene via modellene for antall skader og skadestørrelse. Prediksjon av total utbetaling skjer derfor via daglige prediksjonsverdier fra disse modellene. Den multiplikative formen på modellen for total utbetaling fører til spesielt store utslag på dager hvor modellene for antall skader og skadestørrelse begge predikerer store utslag (typisk på dager med mye nedbør). Uttrykket i (14) i Haug et al. (2008) danner grunnlaget for prediksjonene av utbetaling. Daglige verdier for p t og ξ t er allerede beregnet i kapitlene 4.1 og 4.2. Total utbetaling over alle dagene i en periode blir dermed (Ût A t = 100) = 100 t t p t ξ t, (9) hvor t løper over alle dagene i prediksjonsperioden. Beregningene i (9) er gjort for kontrollog scenarioperiodene på både kommune- og fylkesnivå. For utbetaling er trunkering av de høyeste estimatene indirekte utført gjennom trunkering av estimatene for antall skader og skadestørrelse. Spesielt er vi interessert i endringen i skadeutbetalingene mellom de to periodene, og vi betrakter derfor forholdet t scn pscn t t ctr pctr t ξ scn t ξ ctr t, (10) hvor scn betegner et av scenarioene, mens ctr angir estimater for tilhørende kontrollperiode. Usikkerhetsintervaller for forholdene i (10) er laget på samme måte som for antall skader (avsnitt 4.1) ved å benytte 2.5% og 97.5% kvantiler. På kommunenivå viser Figur 6 norgeskart over punktestimater for forholdet i (10) for ECHAM4- og HadAm3H-kjøringene, og Figur 9 viser punkt- og intervallestimater for forholdet i (10) på fylkesnivå Resultater Prognoser for endringer i gjennomsnittlig utbetaling for punktestimater på kommunenivå for begge ECHAM4-klimascenarioene (IS92a og B2) fra deres respektive kontrollperioder er vist på norgeskart i Figur 6, sammen med tilsvarende endringer for HadAm3Hkjøringene (A2 og B2) som ble studert i Haug et al. (2008). Det er laget usikkerhetsintervaller på et 95% konfidensnivå for alle endringene i både ECHAM4- og HadAm3Hkjøringene på fylkesnivå, se Figur 9. Vi ser at det er overensstemmelse mellom figurene Skadeprediksjoner basert på ECHAM4 klimamodelldata 21

22 6 og 9, der et fylke med høyt/lavt utslag i total utbetaling i mange kommuner innad i fylket resulterer i et stort/lite utslag i total utbetaling for fylket. Forholdstallene mellom scenario- og kontrollverdier for utbetaling illustrerer effekten av den multiplikative formen på modellen. Kraftige, samtidige utslag i forholdstallene for både antall skader og skadestørrelse resulterer i ytterligere forsterkede utslag for total utbetaling. Forskjellene i kontroll- og scenarioverdier for ECHAM4 IS92a på fylkesnivå varierer fra en nedgang på 4% i Aust-Agder til en økning på 15% i Hordaland. Økningene i utbetaling for IS92a er signifikant på 5% nivå for alle fylker, med unntak av Telemark og Aust-Agder, noe som antyder en økning i gjennomsnittlig utbetaling fra dagens nivå til perioden Usikkerhetsintervallene er kortere enn for de tre andre kjøringene. ECHAM4 B2 antyder en kraftigere økning i utbetaling, med mellom 9% i Aust-Agder og 45% i Møre og Romsdal. Forskjellene er signifikante for alle fylker på 5% nivå, med unntak av Oslo og Aust-Agder der intervallene så vidt inkluderer verdier under 1. I tillegg er forskjellene signifikant større enn for IS92a, med unntak av Oslo og Finnmark, men her er likevel punktestimatet for B2 større enn for IS92a. ECHAM4-klimamodellen antyder ut fra dette totalt sett en økning i gjennomsnittlig utbetaling fra perioden til perioden For vestlands- og midtlandsfylkene, samt fylkene i Nord-Norge antyder ECHAM4-kjøringene en mer sårbar utbetalingsprognose enn HadAm3H-kjøringene. Dette fordi ECHAM4 IS92a, som ligger nærmere i tid enn begge HadAm3H-scenarioene faktisk antyder en større økning i gjennomsnittlig utbetaling for flere av disse fylkene, og ECHAM4 B2-klimamodellen gir en signifikant større økning enn alle de tilsvarende utslippsscenarioer under HadAm3Hklimamodellen. For sørlandsfylkene antyder HadAm3H A2 og B2 en sterkere økning enn ECHAM4-kjøringene, der HadAm3H B2 antyder den sterkeste økningen. Østlandsfylkene er litt mer vekslende, men ECHAM4 B2 og HadAm3H B2 antyder de største økningene her. På landsbasis antyder ECHAM4 IS92a en økning på 10% fra kontroll- til scenarioperioden, HadAm3H-kjøringene med A2 og B2 anslår en økning på henholdsvis 15% og 20%, mens ECHAM4 B2 antyder den sterkeste økningen med hele 30%. 22 Skadeprediksjoner basert på ECHAM4 klimamodelldata

23 (a) ECHAM4 IS92a (b) ECHAM4 B2 (c) HadAm3H A2 (d) HadAm3H B2 Figur 4. Norgeskart, skilt på kommuner, over endringer i antall skader fra kontroll- til scenarioperiodene (ECHAM4 IS92a- og B2-kjøringene, samt HadAm3H A2- og B2-kjøringene). Fargene viser hvor stor endringen i det predikerte punktestimatet er antatt å være for de ulike kjøringene. Jo sterkere rødfarge, desto sterkere økning i skadefrekvens. Ved hver fargekode for hvert norgeskart er et intervall for endringen i skadefrekvens. Det første og siste intervallet henholdsvis starter på minimum- og slutter på maksimumsverdien for endringen i skadefrekvens for den gitte kombinasjon av kontroll- og scenarioperiode. Prosenttallet i parentes etter hvert intervall angir andelen av 431 kommuner innenfor hvert intervall. Det første intervallet (gul fargekode) angir nedgang i skadefrekvens, mens de resterende intervallene angir økning. Skadeprediksjoner basert på ECHAM4 klimamodelldata 23

24 (a) ECHAM4 IS92a (b) ECHAM4 B2 (c) HadAm3H A2 (d) HadAm3H B2 Figur 5. Norgeskart, skilt på kommuner, over endringer i utbetaling pr skade (skadestørrelse) fra kontroll- til scenarioperiodene (ECHAM4 IS92a- og B2-kjøringene, samt HadAm3H A2- og B2- kjøringene). Fargene viser hvor stor endringen i det predikerte punktestimatet er antatt å være for de ulike kjøringene. Jo sterkere rødfarge, desto sterkere økning i skadestørrelse. Ved hver fargekode for hvert norgeskart er et intervall for endringen i skadestørrelse. Det første og siste intervallet henholdsvis starter på minimum- og slutter på maksimumsverdien for endringen i skadestørrelse for den gitte kombinasjon av kontroll- og scenarioperiode. Prosenttallet i parentes etter hvert intervall angir andelen av 431 kommuner innenfor hvert intervall. Det første intervallet (gul fargekode) angir nedgang i skadefrekvens, mens de resterende intervallene angir økning. 24 Skadeprediksjoner basert på ECHAM4 klimamodelldata

25 (a) ECHAM4 IS92a (b) ECHAM4 B2 (c) HadAm3H A2 (d) HadAm3H B2 Figur 6. Norgeskart, skilt på kommuner, over endringer i utbetaling pr polise (total utbetaling) fra kontroll- til scenarioperiodene (ECHAM4 IS92a- og B2-kjøringene, samt HadAm3H A2- og B2- kjøringene). Fargene viser hvor stor endringen i det predikerte punktestimatet er antatt å være for de ulike kjøringene. Jo sterkere rødfarge, desto sterkere økning i total utbetaling. Ved hver fargekode for hvert norgeskart er et intervall for endringen i total utbetaling. Det første og siste intervallet henholdsvis starter på minimum- og slutter på maksimumsverdien for endringen i total utbetaling for den gitte kombinasjon av kontroll- og scenarioperiode. Prosenttallet i parentes etter hvert intervall angir andelen av 431 kommuner innenfor hvert intervall. Det første intervallet (gul fargekode) angir nedgang i skadefrekvens, mens de resterende intervallene angir økning. Skadeprediksjoner basert på ECHAM4 klimamodelldata 25

26 Ostfold Akershus Oslo Hedmark Oppland Buskerud Vestfold Telemark ECHAM4: IS92a/ctr ECHAM4: B2/ctr HadAm3H: A2/ctr HadAm3H: B2/ctr Aust Agder Vest Agder Rogaland Hordaland Sogn og Fjordane More og Romsdal Sor Trondelag Nord Trondelag Nordland Troms Finnmark Hele landet Forhold Figur 7. Prognoser for endring i antall skader for de to nye ECHAM4-klimascenarioene IS92a og B2 fra deres respektive kontrollperiode, samt endringer for tidligere HadAm3H-kjøringer gjort i Haug et al. (2008). Usikkerhetsintervallene er på 95% konfidensnivå for alle endringene, både for ECHAM4-klimamodelldata og HadAm3H-klimamodelldata. 26 Skadeprediksjoner basert på ECHAM4 klimamodelldata

27 Ostfold Akershus Oslo Hedmark Oppland Buskerud Vestfold Telemark ECHAM4: IS92a/ctr ECHAM4: B2/ctr HadAm3H: A2/ctr HadAm3H: B2/ctr Aust Agder Vest Agder Rogaland Hordaland Sogn og Fjordane More og Romsdal Sor Trondelag Nord Trondelag Nordland Troms Finnmark Hele landet Forhold Figur 8. Prognoser for endring i gjennomsnittlig utbetaling per skade (skadestørrelse) for de to nye ECHAM4-klimascenarioene IS92a og B2 fra deres respektive kontrollperiode, samt endringer for tidligere HadAm3H-kjøringer gjort i Haug et al. (2008). Usikkerhetsintervallene er på 95% konfidensnivå for alle endringene, både for ECHAM4-klimamodelldata og HadAm3H-klimamodelldata. Skadeprediksjoner basert på ECHAM4 klimamodelldata 27

28 Ostfold Akershus Oslo Hedmark Oppland Buskerud Vestfold Telemark ECHAM4: IS92a/ctr ECHAM4: B2/ctr HadAm3H: A2/ctr HadAm3H: B2/ctr Aust Agder Vest Agder Rogaland Hordaland Sogn og Fjordane More og Romsdal Sor Trondelag Nord Trondelag Nordland Troms Finnmark Hele landet Forhold Figur 9. Prognoser for endring i gjennomsnittlig utbetaling per polise (total utbetaling) for de to nye ECHAM4-klimascenarioene IS92a og B2 fra deres respektive kontrollperiode, samt endringer for tidligere HadAm3H-kjøringer gjort i Haug et al. (2008). Usikkerhetsintervallene er på 95% konfidensnivå for alle endringene, både for ECHAM4-klimamodelldata og HadAm3H-klimamodelldata. 28 Skadeprediksjoner basert på ECHAM4 klimamodelldata