מחיר ביטוח ההצפה שלך מבוסס על מפה משנת 1987. הנה מה שצריך להחליף אותה.
בשנה שעברה ישבתי מול חתם בכיר בחברת ביטוח רכוש ונזק (P&C) בינונית בדרום-מזרח ארצות הברית. על הקיר מאחוריו הייתה תלויה מפה — תלויה במלוא מובן המילה, עם נעצים — שהציגה את אזורי ההצפה של FEMA עבור מחוז חופי שהצוות שלו ביטח בהיקף נרחב. שאלתי מתי המפה עודכנה לאחרונה.
הוא צחק. "המפה הזו מבוגרת מרוב האנליסטים שלי."
הוא לא הגזים. המפה הייתה משנת 1992. והוא השתמש בה — לצד ממוצע גס לפי מיקוד — כדי לתמחר סיכון הצפה עבור אלפי בתים באזור שבו שלושה הוריקנים גדולים עיצבו מחדש את קו החוף, שבו שכונות חדשות ריצפו באספלט אזורי ביצה, ושבו תשתית הניקוז תוכננה לעוצמת גשם שכבר אינה משקפת את המציאות.
השיחה הזו רדפה אותי. לא משום שהחתם היה חסר יכולת — הוא היה חד, מנוסה ומודע עמוקות לבעיה. אלא משום שהכלים שעמדו לרשותו היו מעידן אקלימי אחר, ולתעשייה לא היה מסלול ברור להחליף אותם.
זה מה שהוביל את הצוות שלי ב-VeriPrajna להקדיש חודשים לחקר מה שאנחנו מכנים כיום "Deep AI" לחיתום הצפות — התכנסות של ראייה ממוחשבת, מכ"ם לוויני ולמידת מכונה מבוססת-פיזיקה שמסוגלת להעריך סיכון הצפה ברמת המבנה הבודד, לא ברמת המיקוד. כתבתי סקירה אינטראקטיבית של המחקר המלא כאן, וככל שהעמקתי בו, כך השתכנעתי יותר שאין מדובר בשדרוג של "נחמד שיהיה". זו שאלת כושר פירעון.
המפה שמשקרת לך
הנה העניין לגבי מפות ההצפה של FEMA שרוב האנשים — כולל אנשי ביטוח רבים — אינם מעריכים במלואו: הן מעולם לא תוכננו להיות כלי חיתום.
מושג "הצפת ה-100 שנה", שהוא עוגן של כל תוכנית ביטוח ההצפות הלאומית (NFIP), מייצג סיכוי שנתי של 1% להצפה. נשמע נדיר. אבל אם מריצים את ההסתברות הזו על משכנתה של 30 שנה מקבלים סיכוי של 26% לחוות "הצפת 100 שנה" במהלך חיי ההלוואה. זה אינו סיכון קצה. זו הטלת מטבע עם סיכויים מעט טובים יותר.
המפות עצמן גרועות אף יותר מהמושג. כ-75% ממפות ההצפה של FEMA בנות יותר מחמש שנים. חלקן מתוארכות לשנות ה-70 וה-80. הן אינן מביאות בחשבון בנייה חדשה ששינתה את דפוסי הניקוז. הן אינן מביאות בחשבון את שינוי האקלים שמעצים את עוצמת הגשמים. והן יוצרות את מה שהתחלתי לכנות "אפקט הצוק" — קו בינארי שבו בית הנמצא רגל אחת בתוך אזור סכנת ההצפה המיוחד (SFHA) משלם אלפי דולרים על ביטוח חובה, בעוד שבית הנמצא רגל אחת מחוץ לו מסווג כבעל סיכון מינימלי.
המים לא אכפת להם מקווים על מפה.
כמעט 68% מדיווחי נזקי ההצפה מתרחשים מחוץ לאזורי ההצפה בסיכון גבוה שהוגדרו על ידי FEMA. המפות אינן רק מיושנות — הן מטעות באופן שיטתי.
התוצאה היא שוק הבנוי על מידע שגוי. פחות מ-4% מבעלי הבתים האמריקנים מחזיקים בביטוח הצפה. לא מפני שהם רשלנים, אלא מפני שהמפות אמרו להם שהם בטוחים.
מדוע 68% מנזקי ההצפה מתרחשים מחוץ ל"אזורי הצפה"?
זו הייתה הסטטיסטיקה שהקפיאה אותי במקום כשנתקלתי בה לראשונה במחקר. אם היו מבקשים ממני לנחש לפני שראיתי את הנתונים, אולי הייתי אומר 20%, אולי 30%. אבל 68%? המשמעות היא שרוב אובדני ההצפה בלתי נראים למערכת שאמורה לחזות אותם.
התשובה היא מילה שרוב האנשים מחוץ לתחום ההידרולוגיה מעולם לא שמעו: הצפה גשמית (pluvial).
מפות FEMA ממדלות נהרות הגולשים מגדותיהם (הצפה נהרית) וגאות סערה חופית. הן אינן ממדלות את מה שקורה כאשר שישה אינץ' של גשם יורדים בשעתיים על שכונה שבה כל שביל גישה, מגרש חנייה וגג הם שטח אטום. למים אין לאן ללכת. הם נאגרים. הם מוצאים את הנקודה הנמוכה ביותר — שעשויה להיות סלון שקוע של מישהו, שלושה מייל מהנהר הקרוב ביותר.
אני זוכר את הצוות שלי מתווכח על כך בשיחה מאוחרת בלילה. אחד החוקרים שלנו, ששקע עמוק בספרות ההידרולוגיה העירונית, התעקש שוב ושוב שמיקרו-טופוגרפיה — השיפוע העדין של רחוב, האם שביל גישה משתפל לכיוון המוסך או ממנו — חשובה יותר מהקרבה לנהר עבור אירועים גשמיים. התנגדתי. זה נשמע גרנולרי מכדי להיות משמעותי בקנה מידה של תיק ביטוח.
הוא הציג נתוני נזק מיוסטון לאחר הוריקן הארווי. בלוק אחר בלוק, האובדנים היו בלתי אחידים בפראות. בתים באותו רחוב, באותו מיקוד, עם אותה הגדרת FEMA — אחד הוצף, אחד לא. ההבדל היה לעתים קרובות כמה אינצ'ים של גובה או קיר תמך של שכן.
אז הבנתי: מיצוע לפי מיקוד אינו רק בלתי מדויק. זוהי יחידת ניתוח שגויה מיסודה עבור סיכון הצפה.
מהפכת שמונת האינצ'ים
אם קיים משתנה יחיד שקובע אם הצפה תהיה מטרד או אסון, זהו גובה הקומה הראשונה (First Floor Elevation) — המרחק האנכי בין הקרקע לרצפה המאוכלסת הנמוכה ביותר של מבנה.
המספרים כאן מדהימים. הגבהת הקומה הראשונה של בית ברגל אחת בלבד מעל גובה ההצפה הבסיסי יכולה להפחית את האובדן השנתי הממוצע (AAL) בכ-90%. רגל אחת. זה ההבדל בין נכס שהוא פצצת זמן מתקתקת לבין נכס שניתן לבטח בקלות.
ובכל זאת, המספר הזה כמעט אף פעם אינו נמצא בתיק החתם. רשומות מס ציבוריות אינן לוכדות אותו. תעודות גובה (Elevation Certificates) הן מסמכים ידניים יקרים. מודלים ותיקים פשוט מנחשים — בהנחה, למשל, שלכל בית באזור מסוים יש חלל זחילה סטנדרטי בגובה רגל אחת.
כאן ראייה ממוחשבת משנה הכול.
הצוות שלי הקדיש שבועות ללימוד כיצד רשתות עצביות יכולות לחלץ את גובה הקומה הראשונה מתמונות Google Street View. התהליך אלגנטי באופן שהפתיע אותי. רשת עצבית קונבולוציונית מסתכלת על תצלום ברמת הרחוב של בית ומזהה את קו הקרקע, את מפתן הדלת הקדמית, את המדרגות. היא מעריכה את העומק מהמצלמה אל החזית. לאחר מכן היא מיישמת טריגונומטריה בסיסית — גובה המצלמה, זווית הנטייה, מיקום הפיקסל — כדי לחשב את הגובה הפיזי של הכניסה מעל מפלס הרחוב.
יש אפילו שיטת גיבוי פשוטה להפליא: ספירת מדרגות. תקני בנייה מגדירים גובה רום סטנדרטי של כ-7 אינץ'. שש מדרגות עד דלת הכניסה? זה בערך 42 אינץ' של גובה קומה ראשונה. מודל ראייה ממוחשבת יכול לספור מדרגות ברחבי מיליוני נכסים מבלי שאיש יקום מכיסאו.
רשתות עצביות שאומנו להערכת גובה הרצפה הנמוכה ביותר השיגו שגיאות ממוצעות של 0.218 מטר בלבד — כ-8.5 אינץ'. זו דיוק ברמת הסנטימטרים, בקנה מידה יבשתי, ללא ביקור אתר בודד.
כשראיתי לראשונה את שולי השגיאה הזו, הסתכלתי שוב בתדהמה. שמונה אינץ' וחצי של שגיאה ממוצעת, שנגזרת מתצלום שצולם על ידי מכונית שחלפה על פני המקום. השוו זאת לגישה הוותיקה של הנחה שלכל בית באזור מיקוד יש אותו פרופיל גובה. אלה אפילו לא אותו ענף ספורט.
מה קורה כשאפשר לראות דרך העננים?
לחיתום הצפות יש אירוניה אכזרית: הרגע שבו הכי צריך לראות מה קורה על הקרקע — בזמן הצפה — הוא בדיוק הרגע שבו לוויינים אופטיים מתעוורים. הצפות מגיעות עם עננים וגשם. מצלמות אינן יכולות לראות דרך אף אחד מהם.
מכ"ם צמצם מפתח סינתטי לא אכפת לו מעננים.
לוויני SAR משדרים פולסים של מיקרוגל שעוברים דרך כיסוי עננים, עשן וגשם כבד, ואז מודדים את האנרגיה המוחזרת. מים רגועים פועלים כמו מראה — הם מחזירים את אות המכ"ם הרחק מהלוויין, ומופיעים כפיקסלים כהים בתמונה. יבשה יבשה מפזרת את האות בחזרה, ומופיעה כבהירה. הניגוד מעניק לך מפת הצפה, דרך כל מזג אוויר, ביום או בלילה.
אודה שכשנתקלתי לראשונה בנתוני SAR, הם נראו לי חייזריים. זה לא נראה כמו תצלום. זה גרגירי, מנומר ולא אינטואיטיבי. אבל ברגע שמבינים מה זה מראה, זה יוצא דופן — עין כל-מזגית שיכולה למפות את טביעת הרגל המדויקת של הצפה תוך שעות משיא האירוע.
המורכבות מגיעה בערים. הצפות עירוניות יוצרות תופעה הנקראת "קפיצה כפולה" — המכ"ם פוגע בפני המים, קופץ מקיר של מבנה, וחוזר ללוויין בעוצמה גבוהה. עבור אלגוריתם נאיבי, זה נראה כמו יבשה יבשה. נדרשים מודלים של למידה עמוקה שאומנו במיוחד על דפוסי ההפרעה הללו כדי לזהות נכון הצפה עירונית. גישות מסורתיות מבוססות-סף נכשלות כאן באופן עקבי.
כאשר משלבים SAR עם נתונים אופטיים — בשימוש במכ"ם לכיסוי כל-מזגי ובתמונות אופטיות לאישור ספקטרלי — דיוק הסיווג עולה על 92% אפילו בנופים עירוניים מורכבים.
מדוע AI סטנדרטי אינו יכול פשוט לחזות הצפות?
זו שאלה שאני מקבל כל הזמן, והיא חושפת אי-הבנה מהותית לגבי מה שלמידת מכונה יכולה ואינה יכולה לעשות.
מודל למידה עמוקה סטנדרטי שאומן על נתוני הצפה היסטוריים לומד דפוסים. הוא עשוי ללמוד שנכסים ליד נהרות מוצפים יותר, שסוגי קרקע מסוימים מתואמים עם אובדנים גבוהים יותר, שהאביב גרוע מהסתיו. ולגבי אירועים הדומים לנתוני האימון, הוא מתפקד באופן סביר.
אך ההצפות מחריפות בדרכים שאין להן תקדים היסטורי. מודל מונע-נתונים גרידא הנתקל בעוצמת סערה שמעולם לא ראה יבצע אקסטרפולציה פרועה או ייסוג לתשובה שמרנית ושגויה. גרוע מכך, הוא עלול לייצר תחזיות בלתי אפשריות פיזית — מים המופיעים ללא מקור, או זורמים במעלה גבעה.
רשת עצבית שמעולם לא ראתה סערת 500 שנה תהזה כאשר תיתקל באחת כזו. הפיזיקה אינה מהזה.
זו הסיבה שרשתות עצביות מבוססות-פיזיקה (Physics-Informed Neural Networks) — PINNs — מייצגות את ההתקדמות הארכיטקטונית החשובה ביותר במידול הצפות. PINN אינה מאומנת רק להתאים לנתונים היסטוריים. היא מאומנת בו-זמנית לציית לחוקי דינמיקת הזורמים: שימור מסה (מים אינם מופיעים משום מקום) ושימור תנע (מים זורמים במורד, תוך כיבוד כוח הכבידה והחיכוך).
היישום הטכני פשוט למראית עין ברמת הרעיון. לפונקציית האובדן של הרשת יש שני רכיבים: עד כמה היא תואמת לנתונים הנצפים, ועד כמה בחומרה היא מפרה את משוואות הפיזיקה השולטות. הענש את הפרות הפיזיקה במהלך האימון, ותקבל מודל שהוא גם מונחה-נתונים וגם מוגבל פיזית.
התמורה המעשית עצומה. PINNs זקוקות להרבה פחות נתוני אימון משום שמשוואות הפיזיקה מגבילות את מרחב הפתרונות. והן מכלילות לאירועים חסרי תקדים משום שהפיזיקה הבסיסית אינה משתנה — סערת 500 שנה מצייתת לאותה דינמיקת זורמים כמו סערת 10 שנה, רק עם קלטים שונים.
לקבלת הפירוט הטכני המלא של האופן שבו ארכיטקטורות אלה עובדות יחד, כולל המתמטיקה שמאחורי רשתות עצביות מבוססות-גרף (Graph Neural Networks) לניתוב הידרולוגי, אני מפנה אתכם למאמר המחקר שלנו. אך התובנה המרכזית לחיתום היא זו: PINN המאומנת כמודל תחליפי יכולה לדמות אלפי תרחישי אקלים עבור נכס ספציפי בזמן אמת. במקום תעריף סטטי של "Zone AE", מקבלים פרופיל סיכון דינמי והסתברותי המשקף את הפיזיקה האמיתית של מים הזורמים דרך אותו נוף ספציפי אל אותו מבנה ספציפי.
טיעון כושר הפירעון
הצגתי את הטיעון הטכנולוגי, אך הרשו לי להציג את הטיעון העסקי, כי כאן שוכנת הדחיפות.
יחס משולב של ביטוח בעלי בתים — המדד הבסיסי לשאלה אם מבטח מרוויח או מפסיד כסף מחיתום — עמד בממוצע על 101.5% לאחרונה, והגיע לשיא של 110.5% בשנת 2023. מעל 100% פירושו שאתם מפסידים כסף. התעשייה מדממת.
בחירה שלילית (adverse selection) טורפת את המבטחים חיים. כשמתמחרים סיכון הצפה ברמת המיקוד, ממצעים יחד בית על גבעה עם בית בשקע. בעל הבית בשקע — שיודע שהמרתף שלו מוצף בכל גשם כבד — קונה בשקיקה במחיר הממוצע. בעל הבית על הגבעה, שתופס נכונה את המחיר כגבוה מדי ביחס לסיכון האמיתי שלו, מסתלק. מאגר הסיכון שלכם מתרכז בשקט בסיכונים גרועים, ויחס האובדן שלכם מידרדר בדרכים שאינן מתגלות עד האירוע הגדול הבא.
Deep AI הופך את הדינמיקה הזו. מבטח שיודע שבית באזור "בסיכון גבוה" יושב למעשה ארבע רגל מעל גובה ההצפה הבסיסי, עם פתחי ניקוז מותקנים ומערכת מיזוג מוגבהת, יכול לחתום את הפוליסה הזו ברווחיות בתעריף שמתחרים ותיקים לא ייגעו בו. זה אינו בירור דובדבנים — זה תמחור מדויק. וזה עובד בשני הכיוונים: הבית באזור "בסיכון נמוך" עם מוסך שקוע ושטחים אטומים מכל צדדיו מתומחר לפי מה שהוא באמת.
עידן חיתום סיכון ההצפה המבוסס על מפות נייר משנות ה-80 וממוצעי מיקוד הגיע למעשה לקצו. השאלה היא אילו מבטחים יכירו בכך ראשונים.
יש כאן גם היבט של ביטוח משנה. מבטחי משנה — החברות המבטחות את המבטחים — דורשים יותר ויותר שקיפות אל תיקי הביטוח הבסיסיים של מבטחים ראשוניים. תיק עסקים שנחתם עם נתוני גובה ברמת הפיקסל ומנוטר באמצעות מכ"ם לוויני הוא הצעת סיכון שונה מהותית מתיק המתומחר על סמך אזורי FEMA. נתונים טובים יותר פירושם תנאי ביטוח משנה טובים יותר, שפירושם יעילות הון טובה יותר, שפירושה יתרון תחרותי. זה מצטבר.
"אבל האם תוכל להסביר זאת לרגולטור?"
אנשים תמיד שואלים אותי זאת, וזו השאלה הנכונה. ככל שה-AI הופך למרכזי בהחלטות תמחור המשפיעות על השאלה אם אדם יכול להרשות לעצמו לגור בביתו, הפיקוח הרגולטורי יתעצם — וכך צריך להיות.
כאן בעצם למודלים מבוססי-פיזיקה יש יתרון בלתי צפוי על פני למידה עמוקה מסוג "קופסה שחורה". תחזיות של PINN מעוגנות במשוואות פיזיקליות מפורשות — משוואות סן-ונאן (Saint-Venant) של דינמיקת זורמים, שימור מסה, שימור תנע. כאשר מחלקת ביטוח מדינתית שואלת מדוע פרמיה עלתה, המבטח יכול להצביע על סיכון הידראולי ספציפי וממודל פיזית: "מים מאגן הניקוז הזה מגיעים לנכס הזה בעומק הזה בתנאי הגשם האלה, בהתבסס על מדידות הגובה האלה וטופולוגיית הניקוז הזו."
זה אינו מתאם אלגוריתמי אטום. זו הנדסה. רגולטורים מבינים הנדסה.
התחלתי לכנות זאת "Glass Box AI" — מודלים שהחשיבה שלהם שקופה משום שהיא מעוגנת בפיזיקה ידועה, ולא רק בדפוסים סטטיסטיים נלמדים. זהו ההפך מבעיית הקופסה השחורה שמלחיצה את כולם לגבי AI בהחלטות בעלות סיכון גבוה.
לאן זה הולך הלאה
הרעיון שאני מוצא כמשכנע ביותר — ומשבש ביותר — הוא מה שהייתי מכנה מודל סיכון "חי". כיום, סיכון הצפה מוערך בעת פתיחת הפוליסה ואולי נבחן מחדש בעת החידוש. זהו תצלום רגע. אבל סיכון הוא רציף.
אם לוויין SAR מגלה שקיעת קרקע באזור, ציוני הסיכון של הנכסים המושפעים צריכים להתעדכן. אם שכן מרצף באספלט מדשאה חדירה, מאפייני הנגר העילי של כל המיקרו-אגן משתנים. אם רשות מקומית משדרגת את תעלות הניקוז שלה, כל נכס באגן הניקוז נהנה.
מודל חי הופך את המבטח ממשלם תביעות למשהו הדומה יותר לשותף לסיכון. התאמות באמצע התקופה. התראות יזומות. זיכויי פרמיה עבור צעדי מיתון שהמבטח יכול לאמת בפועל דרך תמונות מהאוויר — פתחי ניקוז מותקנים, מיזוג מוגבה, משטחים חדירים מתוחזקים.
זה גם מאפשר ביטוח פרמטרי להצפות — פוליסות המשלמות באופן אוטומטי כאשר לוויין מאשר שעומק ההצפה חוצה סף מסוים בקואורדינטות המבוטחות. ללא ביקורי שמאי. ללא תהליך תביעות ארוך חודשים. נזילות מיידית כשאנשים זקוקים לה ביותר.
אני ממשיך לחשוב על אותו חתם עם מפת 1992 על הקיר שלו. הוא לא היה הבעיה. הוא עבד עם מה שהתעשייה נתנה לו. הבעיה היא שהתעשייה איטית להכיר בכך שהאקלים התקדם, הנתונים התקדמו, והטכנולוגיה התקדמה — בעוד תשתית החיתום נשארה תלויה על הקיר.
ההתכנסות של ראייה ממוחשבת, מכ"ם צמצם מפתח סינתטי ולמידת מכונה מבוססת-פיזיקה אינה רק משפרת את חיתום ההצפות. היא הופכת אותו לאפשרי לראשונה. כל מה שקדם לכך היה ניחוש משכיל ברזולוציה גסה מכדי להיות משמעותית. מה שבא לאחר מכן הוא מדידה — מבנה אחר מבנה, רגל אחר רגל, סערה אחר סערה — בדיוק שהופך סיכון הצפה מאסון בלתי צפוי למשהו שאפשר באמת לתמחר.
המבטחים שיבינו זאת ראשונים לא רק יזכו ביחסי אובדן טובים יותר. יהיו להם יחסי האובדן היחידים שיש בהם היגיון.