האם AI יכול לתקן את תמחור ביטוח ההצפות?

הבעיה

כמעט 68.3% מדיווחי נזקי ההצפות מתרחשים מחוץ לאזורים ש-FEMA מסמנת כבעלי סיכון גבוה. המשמעות היא שרוב הפסדי ההצפות פוגעים בנכסים שמנחי ביטוח אמרו לבעלי הבתים שהם בטוחים. המפות שעליהן מסתמך תמחור ביטוח ההצפות שלכם הן, במקרים רבים, בנות עשורים. מחקרים מראים שכ-75% ממפות ההצפות של FEMA מיושנות ביותר מחמש שנים. 11% מדאיגים מתוארכים לשנות ה-70 וה-80. מפות אלה צוירו לפני שפרברים שלמים התקיימו, לפני שדפוסי האקלים השתנו, ולפני שהסערות שאנו רואים כיום היו אפילו בגדר דמיון.

התוצאה היא אשליית ביטחון מסוכנת. נכס הממוקם במרחק רגל אחת מחוץ לאזור הצפה מוגדר מקבל תווית של "סיכון מינימלי". השכן, במרחק רגל אחת בתוך האזור, מחויב בביטוח. אבל מים אינם מתחשבים בקווים על מפה. הם עוקבים אחרי כבידה, משטחי כביש ושיפוע הכניסה לביתכם. פחות מ-4% מבעלי הבתים ברחבי הארץ מחזיקים בביטוח הצפות — חלקית בגלל שמפות מיושנות אומרות להם שאינם זקוקים לו. אם הארגון שלכם עוסק בחיתום ביטוחי, מלווה כנגד בטוחה נדל"נית או מבטח נכסים — אתם מקבלים החלטות בשווי מיליארדים על סמך מידע שהיה מיושן כבר ברגע פרסומו.

מדוע זה חשוב לעסק שלכם

זו איננה רק בעיית מיפוי. מדובר בחשיפה פיננסית שפוגעת במאזן שלכם ממספר כיוונים.

יחס המשולב (combined ratio) של ביטוח הדיור — המדד הבסיסי לשאלה אם אתם מרוויחים או מפסידים כסף על חיתום — עמד בממוצע על 101.5% בשנים האחרונות. הוא הגיע לשיא של 110.5% ב-2023. יחס משולב מעל 100% פירושו שאתם משלמים יותר ממה שאתם גובים. כל נקודה מעל 100% מאכלת את ההון שלכם.

הנה המקומות שבהם הנזק מתרכז:

• בררנות שלילית מרוקנת את מאגר הסיכונים שלכם. כשאתם מתמחרים סיכון הצפות לפי מיקוד, אתם גובים את אותו תעריף מבית על גבעה ומבית בשקע נמוך. קונים מתוחכמים שיודעים שהמרתפים שלהם מוצפים יתפסו במהירות את הכיסוי המתומחר בחסר. בעלי בתים בסיכון נמוך ילכו, שיראו בפרמיה הממוצעת יקרה מדי. תיק הסיכונים שלכם מתמלא בשקט בסיכונים גרועים.
• תביעות הצפות ממוצעות מגיעות כמעט ל-$34,000 לאירוע. המספר הזה מצטבר במהירות על פני תיק עסקים כשהמודלים שלכם אינם מסוגלים להבחין באילו נכסים באמת יוצפו.
• משקיעי המשנה (reinsurers) עוקבים. הם דורשים יותר ויותר שקיפות לגבי האיכות הבסיסית של התיק שלכם. אם לא תוכלו להציג נתוני סיכון ברמת הנכס, תקבלו תנאי אמנה גרועים יותר ודרישות הון גבוהות יותר.
• הלחץ הרגולטורי הולך וגובר. מחלקות הביטוח של המדינות שואלות שאלות קשות יותר על האופן שבו מתקבלות החלטות תמחור מבוססות AI. אם המודלים שלכם אינם יכולים להסביר מדוע פרמיה השתנתה — אתם מתמודדים עם סיכון רגולטורי.

פער ההגנה — ההפרש בין ההפסדים הכלכליים הכוללים לבין מה שמבוטח בפועל — ממשיך להתרחב. מתחרים שיאמצו מודלי סיכון מפורטים יקטפו את הסיכונים הטובים ביותר שלכם וישאירו לכם את הגרועים.

מה שקורה באמת מתחת למכסה המנוע

חשבו על חיתום הצפות מסורתי כמו מתן ציון לכל תלמיד בבית ספר על סמך ממוצע הציונים של בית הספר. התלמיד המצטיין והתלמיד שלא מגיע לעולם מקבלים את אותו ציון. זה מה שתמחור ברמת מיקוד עושה לסיכון הצפות.

לכישלון הליבה שלוש שכבות.

ראשית, המפות מתעלמות כליל מהצפות גשם. מפות FEMA מסורתיות מדמות גאות נהרות וגלי סערה חופיים. הן אינן מדמות הצפות גשם עירוניות — מים שנאגרים כשגשם כבד מציף רחובות, חניונים וניקוז סערות. בערים, השקע קטן בכניסה לבית או שיפוע של רחוב קובעים אם בית יוצף. מיצוע לפי מיקוד מוחק לגמרי את ההבדלים האלה.

שנית, המשתנה החשוב ביותר חסר בנתונים שלכם. המשתנה הזה הוא גובה הקומה הראשונה (First Floor Elevation, FFE) — כמה גבוה רצפת הקומה הנמוכה ביותר הניתנת למגורים מעל הקרקע. הרמת ה-FFE של נכס ברגל אחת בלבד מעל מפלס ההצפה הבסיסי יכולה להקטין את ההפסד השנתי הממוצע בכ-90%. אבל רישומי המס הציבוריים כמעט ולא מתעדים FFE. תעודות גובה עולות כסף ונדרשות רק באזורים מסוימים. לכן רוב מודלי החיתום מנחשים — וניחוש שגוי פירושו תמחור פוליסה שגוי באופן דרמטי.

שלישית, סימולציות הצפות מסורתיות איטיות מכדי להיות שימושיות לתמחור בזמן אמת. מודלים פיזיקליים סטנדרטיים עשויים לקחת שעות או ימים לדמות אגן היקוות אחד. זה בסדר למחקר אקדמי. זה חסר תועלת כשאתם צריכים הצעת מחיר בתוך שניות.

מה עובד (ומה לא)

לפני הפתרון, הנה מה שלא פותר את הבעיה:

• עדכון תדיר יותר של מפות FEMA: גם מפות טריות נותרות בינאריות — בתוך או מחוץ לאזור הצפה — ומתעלמות מהאופי הרציף של זרימת מים.
• הוספת עוד נתוני תביעות היסטוריים: תביעות מהעבר הן מדדים מאחרים. תנודתיות האקלים אומרת שהעשור הבא לא ייראה כמו הקודם. עוד מאותם נתונים לא מתקן מודל שבור.
• הרצת AI סטנדרטי על נתוני מיקוד: מודל למידת מכונה טהור-נתונים שאומן על קלטים גסים יפיק פלטים גסים. גרוע מכך: הוא עלול לייצר תחזיות בלתי אפשריות פיזיקלית — כמו מים שמופיעים ללא מקור.

מה שכן עובד הוא ארכיטקטורה בת שלוש שכבות שמשלבת תצפית, פיזיקה והסבירות:

1. ראייה ממוחשבת חולצת את מה שחסר לנתונים שלכם. מודלי AI מנתחים תמונות ברמת רחוב ותצלומי אוויר כדי למדוד מרחוק את גובה הקומה הראשונה (FFE). המערכת מזהה מאפיינים אדריכליים — מדרגות, דלתות, יסודות — ומחשבת גובה באמצעות גיאומטריה. רשתות נוירונים שאומנו למשימה זו הפגינו שגיאות ממוצעות נמוכות עד כדי 0.218 מטר (כ-8.5 אינץ'). רמת דיוק כזו מתרחבת על פני מיליוני נכסים ללא ביקור שטח אחד. אותה טכנולוגיה מזהה מרתפים, משטחים אטומים ותשתיות מיגון הצפות כמו יחידות HVAC מוגבהות.

2. מכ"ם לווייני רואה דרך עננים כדי לאמת מה מוצף בפועל. מכ"ם מפתח סינתטי (SAR) — טכנולוגיית לוויין המשתמשת באותות מיקרוגל לראות את הקרקע גם דרך ענני סערה — מספק נתוני היקף הצפה כמעט בזמן אמת, לעתים קרובות בתוך 24 שעות משיא האירוע. אפשר להציב את טביעת ההצפה הזו על התיק שלכם כדי להעריך הפסדים מיידית, לשגר סקרי נזקים רק לאזורי הצפה מאומתים ולסמן תביעות מרמה כשנתוני הלוויין מראים שנכס נשאר יבש.

3. AI מונחה-פיזיקה מדמה תרחישים עתידיים תוך שניות. רשתות נוירונים מונחות-פיזיקה (PINNs) — מודלי AI שבמתמטיקה שלהם בנויות החוקים האמיתיים של דינמיקת זורמים — משמשות תחליף מהיר לסימולציות מסורתיות איטיות. מכיוון שהמודלים האלה אוכפים שימור מסה ותנע, הם אינם יכולים להזות תרחישים בלתי אפשריים. הם יכולים להריץ אלפי תרחישי אקלים עבור נכס ספציפי בזמן אמת. זה אומר שמנוע התמחור שלכם יכול לייצר פרמיה המשקפת את פרופיל הסיכון האמיתי של אותו מיקום מדויק — לא ממוצע של אזור.

יתרון שביל הביקורת חשוב מאוד לצוותי הציות שלכם. מכיוון ש-PINNs מבוססות על משוואות פיזיקליות מפורשות, הפלטים שלהן ניתנים לפירוש ולהגנה בפני רגולטורים. אתם יכולים להראות למחלקת ביטוח של המדינה שעליית פרמיה ניתנת לייחוס לסיכון הידראולי ספציפי שמודל פיזיקלית — לא לקורלציה אלגוריתמית אטומה. זה מה שהופך את המערכת ל"קופסת זכוכית" ולא לקופסה שחורה.