AIで洪水保険の価格設定は改善できるのか?

問題点

洪水被害報告の約68.3%は、FEMA(米国連邦緊急事態管理庁)が高リスクと指定するゾーンの外側で発生しています。つまり、ほとんどの洪水損失は、引受担当者が住宅所有者に「安全だ」と伝えてきた物件を襲っているのです。洪水保険の価格設定が依拠している地図は、多くの場合、数十年前のものです。調査によれば、FEMAの洪水地図の約75%は5年以上前から更新されておらず、驚くべきことに11%は1970年代および1980年代にまで遡ります。これらの地図は、郊外がまるごと形成される以前、気候パターンが変化する以前、そして今日私たちが目にする暴風雨が想像すらされていなかった時期に描かれたものです。

その結果が、危険な「安全の幻想」です。指定洪水ゾーンからわずか1フィート(約30センチ)外側にある物件は「最小リスク」と見なされ、1フィート内側にある隣接物件には保険加入が義務づけられます。しかし、水は地図上の線を尊重しません。水は重力と舗装路面、そして玄関前車道の勾配に従って流れます。全国的に洪水保険に加入している住宅所有者は4%未満です。その一因は、時代遅れの地図が「入る必要はない」と思い込ませていることにあります。もし貴社の組織が引受を行い、不動産を担保に融資し、または保険を引き受けているなら、公表された時点ですでに陳腐化していた情報をもとに、数十億ドル規模の意思決定を下していることになります。

なぜこの問題が貴社のビジネスに重要なのか

これは単なる地図の問題ではありません。複数の方向から貴社のバランスシートを直撃する財務エクスポージャーです。

住宅所有者保険のコンバインド・レシオ — 引受が黒字か赤字かを測る基本指標 — は、近年101.5%で推移しました。2023年には110.5%でピークに達しています。コンバインド・レシオが100%を超えるということは、回収額を上回る支払いを行っていることを意味します。100%を超えるポイントぶんだけ資本が毀損されていきます。

損害が集中する箇所は次のとおりです:

• 逆選択が貴社のリスクプールを蝕んでいます。 郵便番号単位で洪水リスクを価格設定すると、高台の家にも低地の窪みにある家にも同じ料率を課すことになります。自宅の地下室が浸水すると知り尽くした買い手は、過小価格の補償を買い漁ります。低リスクの住宅所有者は、平均的な保険料を高すぎると感じて市場から去っていきます。貴社のポートフォリオは、不良リスクで静かに埋まっていくのです。
• 洪水保険金の平均支払額は1件あたり34,000ドル近くに達します。 リスクモデルがどの物件が実際に浸水するかを判別できないとき、この数字は引受帳簿全体で急速に積み上がります。
• 再保険会社は注視しています。 再保険会社は、ポートフォリオの根底にある品質に関する透明性をますます要求しています。物件レベルのリスクデータを提示できなければ、より厳しい再保険契約条件と、より高い資本要件を課されることになります。
• 規制圧力が強まっています。 州保険当局は、AI駆動の価格決定がどのように下されるのかについて、より鋭い質問を投げかけています。モデルが保険料がなぜ変更されたのかを説明できなければ、コンプライアンスリスクに直面します。

プロテクションギャップ、すなわち経済損失総額と実際に保険でカバーされる額との差は、拡大し続けています。きめ細かなリスクモデルを導入する競合は、貴社の最良のリスクを拾い上げ、最悪のリスクだけを貴社に残していくでしょう。

内部で実際に何が起きているのか

従来型の洪水引受を、学校の平均テスト点数ですべての生徒を採点することだと考えてみてください。最優秀な生徒も、ほとんど登校しない生徒も、同じ評価を受けます。郵便番号レベルの価格設定が洪水リスクに対して行っていることは、まさにこれです。

この根源的な失敗には、3つの層があります。

第一に、地図は降雨性洪水をまったく考慮していません。 従来のFEMA地図は河川氾濫と沿岸高潮をモデル化しますが、プルービアル・フロッディング(降雨性洪水)— 豪雨が道路・駐車場・雨水排水路の容量を超えたときに溜まる水 — はモデル化していません。都市部では、車道のわずかな窪みや街路の勾配が、その家が浸水するか否かを決定します。郵便番号単位の平均化は、こうした差異を完全に消し去ります。

第二に、最重要の単一変数が貴社のデータに欠けています。 その変数とは、First Floor Elevation(FFE、最下居住階の地上高)— 建物の最低居住階が地面からどれだけ高い位置にあるかという値です。建物のFFEを基準洪水位よりわずか1フィート(約30センチ)高くするだけで、年平均損失(AAL)を約90%削減できます。しかし、公開税務記録にFFEが記録されていることはほとんどなく、標高証明書は費用がかかり、特定のゾーンでしか義務づけられていません。そのため、ほとんどの引受モデルは推測に頼っており、推測を誤れば保険料は甚だしくミスプライシングされます。

第三に、従来型の洪水シミュレーションは、リアルタイムの価格設定に使えるほど速くありません。 標準的な物理ベースモデルが1つの流域をシミュレートするのに、数時間から数日かかることがあります。学術研究ならそれで構いません。数秒で見積もりが必要な場面では役に立ちません。

有効な対策(と無効な対策)

解決策の前に、この問題を解決しないものを示します:

• FEMA地図をより頻繁に更新すること: 更新されたばかりの地図であっても、「ゾーンに入るか外れるか」という二値のままにとどまり、水の流れの連続的な性質を無視しています。
• 過去の保険金請求データを追加すること: 過去の請求は遅行指標です。気候の変動性を考えれば、次の10年は前の10年と同じにはなりません。同種のデータを増やしても、壊れたモデルは治りません。
• 郵便番号データで標準的なAIを実行すること: 粗い入力で訓練された純粋にデータ駆動型の機械学習モデルは、粗い出力しか生み出しません。さらに悪いことに、水源なしに水が現れるといった物理的に不可能な予測を生成することがあります。

実際に機能するのは、観測と物理と説明可能性を組み合わせた3層アーキテクチャです:

1. コンピュータビジョンが、データに欠けている情報を抽出します。 AIモデルはストリートレベルおよび航空画像を解析し、First Floor Elevation(FFE)を遠隔測定します。システムは階段・扉・基礎といった建築的特徴を識別し、幾何学を用いて高さを算出します。このタスク向けに訓練されたニューラルネットワークは、平均誤差が0.218メートル(約8.5インチ)まで下がることを実証しています。この精度レベルは、現地訪問を一度も行わずに数百万件の物件へスケールします。同一の技術は、地下室、不浸透表面、高所設置の空調ユニット(HVAC)といった洪水緩和設備も検出します。

2. 衛星レーダーは雲を透かして、実際に何が浸水したかを検証します。 合成開口レーダー(SAR)— 嵐の雲の下でも地面を捉えられるマイクロ波信号を用いる衛星技術 — は、多くの場合、事象のピーク後24時間以内に準リアルタイムの浸水域データを提供します。この洪水フットプリントをポートフォリオに重ねれば、損失を即座に概算し、確認された洪水ゾーンにのみ査定人を派遣し、衛星データが物件が乾燥していたことを示す場合は不正請求にフラグを立てられます。

3. 物理情報型AIは将来シナリオを数秒でシミュレートします。 物理情報ニューラルネットワーク(PINNs)— 流体力学の実際の法則をその数学に組み込んだAIモデル — は、低速な従来シミュレーションの高速な代替として機能します。これらのモデルは質量と運動量の保存則を強制するため、不可能なシナリオを生成することはありません。特定の物件について数千の気候シナリオをリアルタイムで実行できます。つまり貴社のプライシングエンジンは、ゾーン平均ではなく、その正確な場所の真のリスクプロファイルを反映した保険料を生成できるのです。

監査証跡の利点は、貴社のコンプライアンスチームにとって極めて重要です。PINNsは明示的な物理方程式に立脚しているため、その出力は解釈可能であり、規制当局に対して防御可能です。州保険当局に対して、保険料引上げが不透明なアルゴリズム相関ではなく、具体的に物理モデリングされた水理リスクに由来することを示せます。これこそが、このシステムをブラックボックスではなく「ガラスボックス」たらしめるものです。