あなたの洪水保険料は1987年の地図で決まっている。それを置き換えるべきものとは。

昨年、私は南東部の中堅損害保険会社(P&C)のベテラン・アンダーライターと向かい合って座っていた。彼の背後の壁には地図が留められていた――文字どおり画鋲で留められていて――彼のチームが多くの契約を引き受けている沿岸部の郡のFEMA洪水ゾーンを示していた。私は、その地図が最後に更新されたのはいつかと尋ねた。

彼は笑った。「あの地図は、うちのアナリストの大半より年季が入っているよ。」

彼は誇張していたわけではない。その地図は1992年のものだった。そして彼はそれを使って――ざっくりした郵便番号単位の平均値と併せて――ある地域の何千戸もの住宅の洪水リスクを価格設定していた。その地域では3つの大型ハリケーンが海岸線を作り変え、新しい宅地開発が湿地をアスファルトで覆い、排水インフラはもはや現実を反映しない降雨強度を想定して設計されていた。

あの会話は私の頭を離れなかった。そのアンダーライターが無能だったからではない――彼は鋭く、経験豊富で、この問題を深く認識していた。そうではなく、彼が使える手段は別の気候時代のものであり、業界にはそれらを置き換える明確な道筋がなかったからだ。

それが、私のVeriPrajnaのチームが数か月をかけて、私たちが今「ディープAI」と呼ぶものを洪水アンダーライティング向けに研究するきっかけとなった――コンピュータビジョン、衛星レーダー、そして物理情報付き機械学習の融合であり、郵便番号単位ではなく個々の建物のレベルで洪水リスクを評価できるものだ。私はここに研究全体のインタラクティブな概説を書いたが、深く掘り下げれば掘り下げるほど、これが「あれば便利」程度のアップグレードではないという確信を強めていった。これは支払能力(ソルベンシー)の問題なのだ。

あなたに嘘をつく地図

FEMA洪水地図について、多くの人々――多くの保険専門家を含む――が十分に理解していない点がある。それらはそもそもアンダーライティングのツールとして設計されたものではないのだ。

全米洪水保険プログラム(NFIP)全体の基盤となる「100年洪水」という概念は、洪水が起こる年間確率1%を表す。稀に聞こえる。しかし、その確率を30年の住宅ローン期間にわたって適用すると、ローンの存続期間中に「100年洪水」を経験する確率は26%になる。それはテールリスクではない。それはやや分の良いコイントスだ。

地図そのものは、概念よりもさらにひどい。FEMA洪水地図のおよそ75%は5年以上前のものだ。中には1970年代や1980年代までさかのぼるものもある。それらは排水パターンを変えた新しい建設を考慮していない。降雨を激化させる気候変動を考慮していない。そしてそれらは、私が「崖効果」と呼び始めたものを生み出す――ある二値的な線であり、特別洪水危険区域(SFHA)の内側30センチにある住宅は義務的な保険のために何千ドルも払う一方、外側30センチにある住宅は最小リスクに分類されるのだ。

水は地図上の線など気にしない。

洪水被害報告のおよそ68%は、FEMAが指定する高リスク洪水ゾーンの外で発生している。地図は単に時代遅れなだけではない――体系的に人を誤らせているのだ。

その結果は、誤った情報の上に築かれた市場だ。アメリカの住宅所有者のうち洪水保険に加入しているのは4%未満だ。彼らが無謀だからではなく、地図が彼らに安全だと告げたからだ。

なぜ洪水被害の68%は「洪水ゾーン」の外で起こるのか?

これは、研究の中で初めて出会ったときに私を凍りつかせた統計だった。データを見る前に推測しろと言われたら、20%、せいぜい30%と答えたかもしれない。だが68%? それは、洪水損失の大半が、それを予測するはずのシステムから見えていないことを意味する。

答えは、水文学の外にいる多くの人が一度も耳にしたことのない言葉だ。すなわち都市型洪水(内水氾濫)だ。

FEMA地図は、河川がその堤防を越えて氾濫すること(河川氾濫による洪水)と沿岸部の高潮をモデル化している。あらゆる私道、駐車場、屋根が不透水面である住宅街に、2時間で15センチの雨が降ったときに何が起こるかはモデル化していない。水には行き場がない。それは溜まる。それは最も低い場所を見つける――それは最寄りの川から5キロ離れた誰かの掘り下げた居間かもしれない。

私は、遅い時間の通話でチームがこれについて言い争ったのを覚えている。都市水文学の文献に深く通じていた研究者の一人が、微地形――道路のわずかな傾斜、私道がガレージに向かって下っているか離れて下っているか――が、内水氾濫の事象については川への近さよりも重要だ、と主張し続けた。私は反論した。ポートフォリオ規模で意味を持つには、あまりにも細かすぎるように思えた。

彼はハリケーン・ハーヴィー後のヒューストンの被害データを引っ張り出した。街区ごとに、損失は極めてばらついていた。同じ通り、同じ郵便番号、同じFEMA区分の住宅で――一方は浸水し、もう一方はしなかった。その違いはしばしば数センチの標高差や、隣家の擁壁だった。

そのとき私は理解した。郵便番号単位の平均化は、単に不正確なだけではない。それは洪水リスクにとって根本的に誤った分析単位なのだ。

20センチの革命

洪水が単なる厄介事で済むか、それとも大惨事になるかを決める単一の変数があるとすれば、それは一階床高(First Floor Elevation)――地面と建物の最も低い居住可能な床との間の垂直距離だ。

ここでの数値は驚異的だ。住宅の一階床を基準洪水位より、わずか30センチ高くするだけで、年間平均損失(Average Annual Loss)をおよそ90%削減できる。30センチだ。それが、時限爆弾のような物件と、極めて保険に適した物件との違いなのだ。

それにもかかわらず、この数値がアンダーライターのファイルに含まれていることはほとんどない。公的な税務記録はそれを捉えていない。標高証明書(Elevation Certificate)は高価な手作業の書類だ。旧来のモデルはただ推測するだけだ――たとえば、ある地域のすべての住宅が標準的な30センチの床下空間を持つと仮定して。

ここでコンピュータビジョンがすべてを変える。

私のチームは、ニューラルネットワークがGoogleストリートビューの画像から一階床高をどのように抽出できるかを、数週間かけて研究した。そのプロセスは、私を驚かせるほど洗練されている。畳み込みニューラルネットワークが住宅の街路レベルの写真を見て、地面の線、玄関ドアの敷居、階段を特定する。カメラからファサードまでの奥行きを推定する。そして基本的な三角法――カメラの高さ、俯角、ピクセル位置――を適用して、路面より上の入口の物理的な高さを計算する。

さらに美しくシンプルな予備手段まである。すなわち階段を数えることだ。建築基準は、標準的な蹴上げの高さを約18センチと定めている。玄関まで6段? それはおよそ一階床高107センチだ。CVモデルは、誰もデスクを離れることなく、数百万件の物件にわたって階段を数えられる。

最も低い床の標高推定のために訓練されたニューラルネットワークは、わずか0.218メートル――約21.6センチ――という平均誤差を達成している。それはセンチメートル単位の精度であり、大陸規模で、現地調査を一度も行うことなく実現される。

その誤差幅を初めて見たとき、私は二度見した。車が走り過ぎながら撮影した写真から導き出された、平均21.6センチの誤差だ。ある郵便番号内のすべての住宅が同じ標高プロファイルを持つと仮定する旧来の手法と比べてみてほしい。もはや同じ競技ですらない。

雲を透かして見えるとしたら、何が起こるのか?

洪水アンダーライティングには残酷な皮肉がある。地上で何が起きているかを最も見たい瞬間――洪水の最中――こそが、まさに光学衛星が目を失う瞬間なのだ。洪水には雲と雨が伴う。カメラはそのどちらも透かして見ることができない。

合成開口レーダーは雲を気にしない。

SAR衛星はマイクロ波パルスを送信する。それは雲、煙、豪雨を透過し、その後、跳ね返ってくるエネルギーを測定する。静穏な水面は鏡のように働く――レーダー信号を衛星から逸らすように反射し、画像内で暗いピクセルとして現れる。乾いた地面は信号を散乱させて戻し、明るく現れる。そのコントラストが、あらゆる天候で、昼夜を問わず、洪水地図を与えてくれる。

認めるが、初めてSARデータに出会ったとき、私にはそれが異質に感じられた。それは写真のようには見えない。粒状で、斑点があり、直感に反する。しかし、それが何を示しているのかを一度理解すれば、それは驚異的だ――全天候型の眼であり、事象のピークから数時間以内に洪水の正確な範囲を地図化できるのだ。

複雑さは都市部で生じる。都市洪水は「ダブルバウンス(二重反射)」と呼ばれる現象を生み出す――レーダーが水面に当たり、建物の壁で跳ね返り、高い強度で衛星に戻ってくる。単純なアルゴリズムには、これが乾いた地面のように見える。都市の浸水を正しく識別するには、これらの干渉パターンに特化して訓練された深層学習モデルが必要だ。従来の閾値ベースの手法は、ここでは一貫して失敗する。

SARを光学データと融合させると――全天候カバーにレーダーを、スペクトルによる確認に光学画像を用いる――複雑な都市景観においてさえ、分類精度は92%を超える。

なぜ標準的なAIは洪水を予測できないのか?

これは私が絶えず受ける質問であり、機械学習にできることとできないことについての根本的な誤解を露呈している。

過去の洪水データで訓練された標準的な深層学習モデルは、パターンを学習する。川の近くの物件のほうが浸水しやすいこと、特定の土壌型がより高い損失と相関すること、春が秋より悪いこと、などを学ぶかもしれない。そして訓練データに似た事象については、まずまずの性能を発揮する。

しかし洪水は、過去に前例のない形で悪化している。純粋にデータ駆動型のモデルが、これまで見たことのない暴風雨の強度に遭遇すると、大きく外挿するか、保守的で誤った何かに落ち着くかのどちらかになる。さらに悪いことに、物理的に不可能な予測を生成するかもしれない――水源なしに水が現れたり、上り坂を流れたり。

500年に一度の暴風雨を見たことのないニューラルネットワークは、それに遭遇したとき幻覚を起こす。物理は幻覚を起こさない。

だからこそ、物理情報付きニューラルネットワーク――PINN――は、洪水モデリングにおける最も重要なアーキテクチャ上の進歩を表している。PINNは単に過去のデータに一致するよう訓練されるだけではない。それは同時に、流体力学の法則に従うようにも訓練される。すなわち、質量保存(水はどこからともなく現れない)と運動量保存(水は重力と摩擦を尊重して下り坂を流れる)だ。

その技術的な実装は、概念上は一見単純だ。ネットワークの損失関数には2つの要素がある。すなわち、観測データにどれだけよく一致するか、そして支配的な物理方程式をどれだけひどく破っているかだ。訓練中に物理法則の違反にペナルティを課せば、データに基づくと同時に物理的に制約されたモデルが得られる。

実用上の見返りは膨大だ。PINNは、物理方程式が解空間を制約するため、はるかに少ない訓練データで済む。そしてそれらは前例のない事象にも一般化する。なぜなら根底にある物理は変わらないからだ――500年に一度の暴風雨は、10年に一度の暴風雨と同じ流体力学に従い、ただ入力が異なるだけだ。

これらのアーキテクチャがどのように連携するかの完全な技術的解説――水文学的な流路計算のためのグラフニューラルネットワークの背後にある数学を含む――については、私たちの研究論文をお勧めする。しかしアンダーライティングにとっての重要な洞察はこうだ。すなわち、代理モデルとして訓練されたPINNは、特定の物件について何千もの気候シナリオをリアルタイムでシミュレートできる。静的な「ゾーンAE」レートの代わりに、その特定の景観を通ってその特定の建物へと流れる水の実際の物理を反映した、動的で確率的なリスクプロファイルが得られるのだ。

支払能力(ソルベンシー)の論拠

私は技術的な論拠を述べてきたが、ここでビジネス上の論拠を述べさせてほしい。なぜなら、切迫感が宿るのはここだからだ。

住宅所有者保険のコンバインド・レシオ――保険会社がアンダーライティングで儲かっているか損しているかを示す基本的な指標――は、最近平均で101.5%となり、ピークでは2023年に110.5%に達した。100%を超えるということは、損をしているということだ。業界は出血している。

逆選択が保険会社を生きたまま食い尽くしている。洪水リスクを郵便番号単位で価格設定すると、丘の上の住宅と窪地の住宅を平均して一緒くたにしてしまう。窪地の住宅所有者――大雨のたびに地下室が浸水すると知っている――は、平均された価格で喜んで加入する。丘の上の住宅所有者は、その価格を自分の実際のリスクに対して高すぎると正しく認識し、去っていく。あなたのリスクプールは静かに悪いリスクを集中させ、損害率は次の大きな事象が来るまで表面化しない形で悪化していく。

ディープAIはこの力学を逆転させる。「高リスク」ゾーンの住宅が実際には基準洪水位より1.2メートル高い場所にあり、洪水通気口が設置され、空調システムがかさ上げされていると知っている保険会社は、旧来の競合他社が手を出さないレートで、その契約を採算よく引き受けられる。それはいいとこ取りではない――正確な価格設定だ。そしてそれは双方向に働く。すなわち、「低リスク」ゾーンにある、掘り下げたガレージと四方を不透水面に囲まれた住宅は、実際にそうであるものとして価格設定される。

1980年代の紙の地図と郵便番号単位の平均値に基づいて洪水リスクを引き受ける時代は、事実上終わった。問題は、どの保険会社がこれを最初に認識するかだ。

ここには再保険の観点もある。再保険会社――保険会社を保険する会社――は、元受保険会社の裏にあるポートフォリオへの透明性をますます要求している。ピクセル単位の標高データで引き受けられ、衛星レーダーで監視される契約群は、FEMAゾーンに基づいて価格設定されたものとは根本的に異なるリスク提案だ。より良いデータはより良い再保険条件を意味し、それはより良い資本効率を意味し、それは競争優位を意味する。それは複利で膨らんでいく。

「だが、それを規制当局に説明できるのか?」

人々はいつも私にこれを尋ねる。そして、それは正しい質問だ。AIが、人が自宅に住み続けられるかどうかを左右する価格設定の判断の中心になるにつれ、規制上の精査は――そして精査されるべきであり――強まっていくだろう。

実はここでこそ、物理情報付きモデルはブラックボックス型の深層学習に対して予想外の優位性を持つ。PINNの予測は明示的な物理方程式に根ざしている――流体力学のサン・ヴナン方程式、質量保存、運動量保存だ。州の保険局がなぜ保険料が上がったのかと尋ねたとき、保険会社は具体的で、物理的にモデル化された水理リスクを指し示せる。すなわち「この流域からの水は、これらの降雨条件下で、これらの標高測定とこの排水トポロジーに基づき、この深さでこの物件に到達する」と。

それは不透明なアルゴリズム上の相関ではない。それは工学だ。規制当局は工学を理解する。

私はこれを「グラスボックスAI」と呼び始めた――その推論が透明なモデルであり、なぜなら単に学習された統計的パターンではなく、既知の物理に根ざしているからだ。それは、高い賭け金の判断におけるAIについて誰もを不安にさせるブラックボックス問題の対極にある。

この先に向かう道

私が最も魅力的――そして最も破壊的――だと感じる概念は、私が「生きた」リスクモデルと呼ぶものだ。今日、洪水リスクは契約開始時に評価され、おそらく更新時に見直される。それはスナップショットだ。しかしリスクは連続的だ。

SAR衛星がある地域で地盤沈下を検知すれば、影響を受ける物件のリスクスコアは更新されるべきだ。隣人が透水性の芝生をアスファルトで覆えば、その微小流域全体の地表流出特性が変わる。自治体が雨水排水管を改良すれば、その排水域内のすべての物件が恩恵を受ける。

生きたモデルは、保険会社を保険金の支払者から、より一層リスクのパートナーに近い何かへと変える。期中の調整。予防的な警告。保険会社が航空画像を通じて実際に検証できる緩和策への保険料割引――洪水通気口の設置、空調のかさ上げ、透水性表面の維持など。

これはまた、洪水に対するパラメトリック保険をも可能にする――衛星が被保険の座標において洪水の深さが閾値を超えたことを確認したとき、自動的に支払われる保険だ。査定人の訪問はない。数か月に及ぶ請求手続きもない。人々が最も必要とするときに、即座の流動性が得られる。

私は、壁に1992年の地図を貼っていたあのアンダーライターのことをずっと考えている。彼が問題だったのではない。彼は業界が与えたもので仕事をしていた。問題は、気候が先へ進み、データが先へ進み、技術が先へ進んだことを――アンダーライティングのインフラが壁に画鋲で留められたままである一方で――業界が認識するのが遅かったことだ。

コンピュータビジョン、合成開口レーダー、そして物理情報付き機械学習の融合は、単に洪水アンダーライティングを改善するだけではない。それを初めて可能にするのだ。これ以前のすべては、意味を持つには粗すぎる解像度での知識に基づく推測だった。次に来るのは測定だ――建物ごと、30センチごと、暴風雨ごとに――洪水リスクを、予測不能な大惨事から、実際に価格設定できる何かへと変える精度で。

これを最初に理解した保険会社は、単により良い損害率を得るだけではない。彼らこそが、筋の通る唯一の損害率を持つことになる。