AI가 홍수 보험 가격 책정을 고칠 수 있을까?

문제

침수 피해 신고의 약 68.3%가 FEMA가 고위험으로 분류한 구역 밖에서 발생합니다. 즉, 대부분의 침수 손실은 보험 인수자가 주택 소유자에게 안전하다고 말했던 재산에 닥칩니다. 여러분의 홍수 보험 가격 책정이 의존하는 지도는 많은 경우 수십 년 전의 것입니다. 연구에 따르면 FEMA 홍수 지도의 약 75%가 5년 이상 낡았으며, 놀랍게도 11%는 1970년대와 1980년대로 거슬러 올라갑니다. 이 지도들은 교외 전체가 존재하기도 전에, 기후 패턴이 바뀌기 전에, 오늘날 우리가 보는 폭풍이 상상조차 되기 전에 그려진 것입니다.

그 결과는 위험한 안전의 환상입니다. 지정된 침수 구역 밖 1피트에 있는 재산에는 "최소 위험" 라벨이 붙습니다. 1피트 안에 있는 이웃 재산에는 가입이 의무화됩니다. 그러나 물은 지도 위의 선을 존중하지 않습니다. 물은 중력과 포장 도로와 진입로의 경사를 따릅니다. 전국 주택 소유자 중 홍수 보험에 가입한 사람은 4% 미만입니다 — 부분적으로는 낡은 지도들이 가입할 필요가 없다고 알려주기 때문입니다. 여러 조직이 인수를 하거나, 부동산을 담보로 대출을 하거나, 부동산 보험 인수를 한다면, 이미 발표되던 시점에 낡았던 정보로 수십억 달러의 결정을 내리고 있는 것입니다.

비즈니스에 중요한 이유

이것은 단순한 지도 문제가 아닙니다. 여러 방향에서 대차대조표를 때리는 재무 노출입니다.

주택 보험 종합손익률(combined ratio) — 인수에서 돈을 벌고 있는지 잃고 있는지를 보여주는 기본 지표 — 은 최근 몇 년간 평균 101.5%를 기록했습니다. 2023년에는 110.5%로 정점을 찍었습니다. 100%를 넘는 종합손익률은 수입보다 지출이 많다는 뜻입니다. 100%를 초과하는 매 포인트가 자본을 잠식합니다.

손실이 집중되는 곳은 다음과 같습니다:

• 역선택이 위험 풀을 배수시키고 있습니다. 우편번호별로 홍수 위험을 가격 책정하면 언덕 위 집과 저지대 웅덩이에 있는 집에 같은 요율을 부과하게 됩니다. 지하실이 침수된다는 것을 아는 정통한 구매자들은 과소 가격 책정된 보장을 사들이겠지요. 저위험 주택 소유자들은 평균 보험료가 너무 비싸다고 여기며 떠납니다. 여러분의 포트폴리오는 조용히 나쁜 위험들로 채워집니다.
• 평균 홍수 청구액은 건당 약 $34,000에 이릅니다. 모델이 어떤 재산이 실제로 침수될지 구분하지 못하면 이 숫자는 사업 포트폴리오 전반에서 빠르게 누적됩니다.
• 재보험사들이 지켜보고 있습니다. 그들은 포트폴리오의 근본적인 품질에 대한 투명성을 점점 더 요구합니다. 재산 수준의 위험 데이터를 입증하지 못하면 더 나쁜 조약 조건과 더 높은 자본 요건을 감수해야 합니다.
• 규제 압력이 커지고 있습니다. 주 보험 당국은 AI 기반 가격 책정 결정이 어떻게 이루어지는지 더 어려운 질문을 던지고 있습니다. 모델이 보험료가 왜 변경되었는지 설명하지 못하면 규제 준수 리스크에 직면합니다.

보호 격차 — 총 경제적 손실과 실제로 보험에 가입된 금액의 차이 — 는 계속 벌어지고 있습니다. 정교한 위험 모델을 도입하는 경쟁자들은 최고의 위험들을 골라 가져가고 최악의 위험들은 여러분에게 남깁니다.

후드 아래서 실제로 일어나고 있는 일

레거시 홍수 인수를 한 학교의 평균 시험 점수로 모든 학생을 채점하는 것에 비유해 보십시오. 최우수 학생이나 거의 등교하지 않는 학생이나 같은 점수를 받습니다. 우편번호 수준의 가격 책정이 홍수 위험에 하는 일이 바로 이것입니다.

핵심 실패는 세 층위로 이루어져 있습니다.

첫째, 지도는 강우성 홍수를 전혀 고려하지 않습니다. 전통적인 FEMA 지도는 강 범람과 해안 폭풍 해일을 모델링합니다. 하지만 우천성 홍수 — 폭우가 거리, 주차장, 빗물 배수관을 압도할 때 고이는 물 — 는 모델링하지 않습니다. 도시에서는 진입로의 미세한 움푹함이나 거리의 경사가 집의 침수 여부를 결정합니다. 우편번호 평균화는 이런 차이를 완전히 지워버립니다.

둘째, 가장 중요한 변수가 데이터에 없습니다. 그 변수는 1층 바닥 높이(First Floor Elevation, FFE) — 가장 낮은 거주 가능한 바닥이 지면에서 얼마나 높은지 — 입니다. 재산의 FFE를 기준 홍수 위보다 단 1피트만 높여도 연평균 손실을 약 90% 줄일 수 있습니다. 그러나 공공 세금 기록은 거의 FFE를 담지 않습니다. 표고 인증서는 비용이 들며 특정 구역에서만 요구됩니다. 그래서 대부분의 인수 모델은 추측합니다 — 그리고 잘못 추측하면 보험증권 가격이 극적으로 어긋납니다.

셋째, 전통적인 홍수 시뮬레이션은 실시간 가격 책정에 쓸 만큼 빠르지 않습니다. 표준 물리 기반 모델은 하나의 유역을 시뮬레이션하는 데 몇 시간 또는 며칠이 걸릴 수 있습니다. 학술 연구에는 괜찮습니다. 몇 초 안에 견적이 필요할 때는 쓸모가 없습니다.

효과가 있는 것 (그리고 없는 것)

해결책에 앞서, 이 문제를 해결하지 못하는 것들입니다:

• FEMA 지도를 더 자주 업데이트하기: 새 지도도 여전히 이분법적입니다 — 침수 구역 안이거나 밖이거나 — 물 흐름의 연속적인 성격을 무시합니다.
• 더 많은 과거 청구 데이터 추가하기: 과거 청구는 후행 지표입니다. 기후 변동성 때문에 다음 10년은 지난 10년과 같지 않을 것입니다. 같은 데이터를 더 많이 모은다고 깨진 모델이 고쳐지지 않습니다.
• 우편번호 데이터에 표준 AI 돌리기: 성긴 입력으로 훈련된 순수 데이터 기반 머신러닝 모델은 성긴 출력을 냅니다. 더 나쁘게는 물리적으로 불가능한 예측을 생성할 수 있습니다 — 출처 없이 나타나는 물처럼.

효과가 있는 것은 관측, 물리, 설명 가능성을 결합한 3계층 아키텍처입니다:

1. 컴퓨터 비전이 데이터에 없는 것을 추출합니다. AI 모델은 거리 수준 및 항공 이미지를 분석하여 1층 바닥 높이(FFE)를 원격으로 측정합니다. 시스템은 계단, 문, 기초 같은 건축 특징을 식별하고 기하학으로 높이를 계산합니다. 이 작업을 위해 훈련된 신경망은 평균 0.218미터(약 8.5인치)까지 낮은 오차를 보였습니다. 이 수준의 정밀도는 현장 방문 없이 수백만 건의 재산에 확장됩니다. 같은 기술이 지하실, 불투수 표면, 고가로 설치된 HVAC 장치 같은 홍수 완화 설비도 감지합니다.

2. 위성 레이더는 구름을 뚫고 실제로 무엇이 침수되었는지 확인합니다. 합성개구레이더(SAR) — 폭풍 구름 사이로도 지표를 볼 수 있는 마이크로파 신호를 사용하는 위성 기술 — 는 이벤트 정점 후 흔히 24시간 이내에 거의 실시간 침수 범위 데이터를 제공합니다. 이 침수 범위를 포트폴리오에 겹쳐 손실을 즉시 추정하고, 확인된 침수 구역에만 손해사정인을 파견하고, 위성 데이터가 재산이 건조하게 유지되었음을 보여줄 때 사기성 청구를 표시할 수 있습니다.

3. 물리 정보 AI는 몇 초 만에 미래 시나리오를 시뮬레이션합니다. Physics-Informed Neural Networks(PINNs) — 유체 역학의 실제 법칙이 수학에 내장된 AI 모델 — 는 느린 전통 시뮬레이션의 빠른 대역 역할을 합니다. 이 모델들은 질량과 운동량 보존을 강제하기 때문에 불가능한 시나리오를 환각할 수 없습니다. 특정 재산에 대해 수천 개의 기후 시나리오를 실시간으로 실행할 수 있습니다. 즉, 가격 책정 엔진이 구역 평균이 아니라 그 정확한 위치의 실제 위험 프로필을 반영하는 보험료를 생성할 수 있습니다.

감사 추적(audit trail)의 이점은 규제 준수 팀에게 매우 중요합니다. PINNs는 명시적인 물리 방정식에 기반하기 때문에 출력이 해석 가능하고 규제기관 앞에서 방어 가능합니다. 보험료 인상이 불투명한 알고리즘 상관관계가 아니라 특정하고 물리적으로 모델링된 수리학적 위험에서 비롯됨을 주 보험 당국에 보여줄 수 있습니다. 이것이 시스템을 블랙박스가 아닌 "유리 상자"로 만드는 것입니다.