大多数洪灾损失都发生在洪水分区之外——正悄悄拖垮你的赔付率
我第一次真正明白洪水承保有多么失灵，是在盯着航拍地图上的一栋房子时。
得克萨斯州哈里斯县的一栋独户住宅。建于 2004 年，采用平板地基，室内地面不高于室外地坪。这块地有 85% 是不透水地面——混凝土车道、露台、一座独立车库——而最近的雨水管在 400 英尺之外，属于一套三十年前按十年一遇降雨事件设计的市政系统。FEMA 将它划为 X 区。洪水危害极小。无强制投保要求。
费率引擎给这栋房子的报价是每年 450 美元的洪水保费。而财产级分析测算出它的预期年度损失为 8,400 美元。
这道差距——在一处地图坚称安全的房产上，几乎达到二十比一——正是洪水风险承保在单个地块上暴露出的全部问题所在。而这并非罕见的地块。美国超过三分之二的洪灾损失，据北卡罗来纳州立大学和 First Street 的研究占 68.3%，都发生在 FEMA 高风险区域之外。如果你的费率方案仍以 AE 区对比 X 区作为锚点，那么你在这条界线的两侧都定错了价：对区内地势较高的房屋收费过高，同时又悄悄把区外那栋平板地基的房屋拱手送出。
洪水分区地图不是风险模型。它只是一条监管边界，却被业内其他人误当成了风险模型。
我想带你梳理一下，当我们试图解决这个问题时的发现，包括我们的第一版方案在监管者面前碰壁的那一段——因为正是那次失败，决定了我们最终做出来的东西是今天这个样子。
为什么大多数洪灾损失发生在洪水分区之外？
先从地图为何出错说起，因为情况比“地图过时”要严重得多。
FEMA 大约 75% 的洪水地图已有五年以上历史，其中相当一部分可追溯到上世纪七八十年代。它们主要是为河流型和沿海型洪水绘制的——河水漫过堤岸、风暴潮从海岸涌来。它们从未被设计用来捕捉降雨型内涝：降雨速度超过地面和雨水管道的排放能力。降雨型内涝是全美增长最快的损失驱动因素，而它在 FEMA 图幅上几乎是隐形的。
哈里斯县那栋房子的淹水属于降雨型内涝。每小时四英寸的降雨落在一块 85% 不透水的地块上，产生的径流是周边邻居的两倍以上，而排入的却是一套按一英寸半设计的系统。这些在地图上都看不到，因为地图根本没在问这个问题。
后果并非纸上谈兵。哈维飓风过后，70% 的洪水理赔来自 FEMA 高风险区域之外——来自那些被各家费率引擎当作事后附加项随手报价的 X 区房屋。仅哈里斯县就有 120 万处房产位于 X 区。那些标记出潮湿房产的承保方，早在那场风暴来临之前就这么做，那一年他们的巨灾赔付率明显更轻——按我亲眼看到的账本估算，大致在个位数偏高到两位数偏低之间。其余的人则是在收到第一份出险通知时才发现。
而且结构性压力还在不断累积。房主险业务线正跑出2025 年预计 106.1% 的综合成本率——即每收取一美元保费，就要为损失和费用支出超过一美元——而 AM Best 预计更广泛的财产及意外险综合成本率将在 2026 年攀升至 96.9 附近。在全球范围内，已投保的自然巨灾损失达到了2025 年 1,070 亿美元。在所有灾害中，洪水正是“实际发生”与“已定价”之间差距最大的那一种：在大约五年间全球 3,250 亿美元的洪水经济损失中，仅约 700 亿美元投了保。
你无法用一张在这片社区浇筑混凝土之前就画好的地图，去弥合 106% 的综合成本率。
我最初的错判
下面是我并不引以为傲的部分。
当我的团队最初深入研究时，答案看似显而易见。市场上到处都是拥有真正优秀模型的财产情报供应商。ZestyAI 基于航拍影像和建筑许可构建计算机视觉评分——Z-FLOOD、Z-FIRE、Z-WIND——而且他们签约承保方的速度很快：仅在 2026 年第一季度，他们就新增了得州的 Logic Underwriters、佛罗里达的 Southern Oak、Harford Mutual、Horace Mann 等多家。这些评分是有效的。承保方网络也是真实存在的。
所以我们的第一版方案很简单：授权引入一个供应商的洪水评分，作为新因子接入费率引擎，然后上线。不过是一个周末的集成活儿，被包装成了一款产品。
我们把它拿去做州级费率报备。审查员的回复，只在我们那个崭新亮眼的洪水因子旁边留了一句批注：“解释这个因子。”
我们解释不了。至少达不到他们的标准。一份供应商的模型说明卡——那种一页纸、“模型大致会考虑哪些因素”的文档——能让供应商的市场团队满意，却满足不了科罗拉多或纽约的审查员，他们要的是精算备忘录、差别性影响研究，以及在 AI 衍生的费率因子生效之前的一整套可解释性佐证链。NAIC 的《AI 模型公告》已在 24 个以上的州获得采纳，而纽约 DFS 的 2024-7 号通函明确要求对差别性影响进行测试。房产状况与收入相关；一个把“维护滞后”读作风险的计算机视觉评分，可能悄悄地把某种被监管者称为“蓝线歧视”（bluelining）的东西编码进去。让供应商评分易于购买的那种不透明性，恰恰正是让它难以报备。
我们并没有构建出一种承保能力。我们只是买来了一个自己无法辩护的数字。
那次报备被打回，是发生在我们身上最有用的事，因为它重新定义了整个问题。2026 年洪水风险承保的难点，不在于拿到一个评分。市面上有的是优秀的评分可买。真正的难点，是把一个评分变成监管者会批准的费率因子——而这是没有任何供应商会替你做的工程与文档工作，因为他们卖的是评分，不是你的费率方案。
每家供应商只解决其中一小片。没有人去解决那道接缝。
一旦你这样看待它，整个格局就重新排列开来。每家供应商都只掌握全景中的一片，而把接缝留给了你。
ZestyAI 提供的是锐利的财产级计算机视觉，但它的评分在很大程度上是静态的——它不会对那块哈里斯县地块底下的雨水管排放能力建模，也不会在实际灾害正在发生时触发。ICEYE 运营着全球最大的合成孔径雷达卫星星座——30 多颗卫星，能够穿透云层看到洪水范围，并在灾害期间每六小时更新一次热力图，这正是 Munich Re 和 AXA 在 2026 年把它接入自家平台的原因。First Street 的 Flood Factor 会给美国每一处房产打出 1 到 10 分，而且关键在于，它确实纳入了降雨型内涝危害——但它只是一个危害图层，而不是结构脆弱性模型，也不被接受为监管层面的费率因子。如今隶属于 Swiss Re 的 Fathom，构建了五万年的概率性事件集，用于前瞻性气候情景极为出色，可一旦你的再保险对象不是 Swiss Re 就会很别扭。Verisk 的 Flood Score 3.0 拥有最深厚的保险监管机构（DOI）熟悉度，以及最慢的创新周期。
我就不给你念完整份名单了。重点在于这个模式：财产情报层、卫星层、危害层，以及你自己的理赔历史，各自待在不同的孤岛里，而没有任何一家供应商会把它们缝合成一个站得住脚的因子——因为那样做就意味着要在你的报备材料里记录一个竞争对手的模型。
钱正是在这道接缝里。承保方要的不是六块仪表盘；它要的是一个把 ZestyAI 的结构解读、ICEYE 的灾害实况、First Street 或 Fathom 的降雨内涝危害，以及承保方自身的损失经验融合在一起的费率因子——外加一份向审查员解释这一切的精算备忘录。这种融合正是我们决定去构建的，如今也位于我们洪水风险情报层的核心：它不是又一个评分，而是把各个单点方案变成一份获批费率方案的那种连接组织和文书工作。
卫星能告诉你哪里将会被淹吗？
我犯的第二个错，是以为卫星数据是那个唾手可得的胜利。
SAR 确实像魔法——一种能穿透云层和黑暗的雷达，逐栋建筑地告诉你水淹到了多深。演示很诱人。于是我们拉取了 ICEYE 的原始数据流，开始把它们接入一条理赔分流管线，指望着把洪水范围叠加到一册五万张保单上，并自动调派定损员。
然后现实来了。SAR 属于只观测型——它告诉你什么被淹了，却不告诉你什么将要被淹——而且在密集的城市地形中，它大约带有±15 厘米的深度不确定性，源自雷达在墙面和路面上的二次反射。原始 SAR 并不是一套理赔工作流。它是一段充满噪声的信号，需要一条定制管线：清除二次反射造成的伪影，把水深与每张保单的一楼层高融合起来，判断在五万张保单中定损员该先打给哪 30 张，并标记出报案损失与观测到的水情对不上的那些。那条管线才是产品。卫星只是一个输入。
而一楼层高——也就是居住空间高出室外地坪多少——原来才是整个结构性问题的枢纽，而且它可以从影像中估算，误差约为0.218 米，这来自宾夕法尼亚州立大学的研究。哈里斯县那栋房子由计算机视觉推导出的一楼层高为零。前门就在地面高度。没有任何地图会把这一点编码进去；而视觉模型可以。
“你们为什么不直接买 ZestyAI 就好了？”
人们不断以各种版本问我这个问题，通常是这样表述的：评分已经存在，卫星已经在飞，为什么还有什么东西需要去构建？
因为评分不是费率方案，而费率方案也不是部署上线。夹在它们之间的，才是真正的工作。
先从监管者说起。为一个 AI 增强的费率算法做报备，意味着要拿出 NAIC 公告和纽约 DFS 所要求的精算备忘录、差别性影响分析和可解释性文档——而且是为一个融合了多家供应商输入的模型。供应商递给你的是评分；他们不会递给你可直接用于报备的文档，而《欧盟 AI 法案》将于 2026 年 8 月落地的可审计文档要求，只会让这道鸿沟更加尖锐。
接着是管道工程，这一块残酷得具体。如果洪水评分来得太晚，对核保人来说就一文不值。我看过一条从报价到出单的调用链，其中洪水评分的 API 调用耗时 480 毫秒——而低于 500 毫秒就是那道墙。一旦越过它，评分就不会被调取，核保人便按旧因子报价，而你那昂贵的情报层就成了没人用的一个开支项。把模型输出接入 Guidewire 或 Duck Creek，并配上恰当的缓存、回退处理以及那点延迟预算，是一项专门的工作。保险业更广泛的 agentic AI 转向让回报显而易见——Hiscox 把报价到出单从三天压缩到三分钟，降幅 99.4%——但只有当数据管道撑得住时，你才能到达那一步。
而且，哪怕是一个快速、经得起辩护的评分，也必须契合你的业务组合。现成的模型是拿所有人的数据训练出来的。一家承保佛罗里达沿海房主险的中型承保方，和一家承保得州内陆商业险的承保方，损失模式完全不同——在商业业务里，一座装卸平台齐地面的 X 区仓库，就能以上百笔零散房主理赔永远做不到的方式，把一整年拖垮——而一个对二者都没调校过的模型，对两边都会表现平庸。那些正在领先的承保方，都是针对他们自己的业务组合来训练模型。
任何人都能花一份合同的价钱买到那个评分。你买不到的，是那个能扛过审查员、能压进 500 毫秒预算、并且契合你实际承保的那册业务的部分。
市场已经在没有你的情况下重新定价
如果说这件事有什么紧迫性，那也是竞争层面的，而非监管层面的。
私营洪水保险市场一直在以2020 至 2024 年 20% 的复合年增长率增长，其中140 多家私营保险公司如今都在承保洪水，且大约有5 亿美元的私人住宅保费，这是 2024 年的数字。这种增长并非偶然——而是精明的承保方利用财产级模型来撇脂挑优。他们识别出那些在 Risk Rating 2.0 下被 NFIP 定价过高的真正低风险房屋（如今有 77% 的投保人要多付钱，且 2026 年 2 月的一封国会信函敦促 FEMA 叫停该项目），以盈利的方式承保这些房屋，把逆向选择后剩下的那部分留在身后。
这种不对称，应该让任何仍按分区给洪水定价的承保方感到担忧：撇脂挑优者拿走的并不是你的坏风险。他们拿走的，是你的优质那一批——那些地势高、排水好、被你粗放费率高估了的房屋——留给你的，则是一册越来越集中于你定价过低的潮湿 X 区房屋的业务。你不会把它感受为糟糕的某一天。你感受到的，是一个每逢续保就朝错误方向漂移的赔付率，与此同时你还纳闷，为什么偏偏是那些你最想失去的保单，续保率却最高。
当我拿一册五万张得州东南部房主保单来建模时，仅仅是被错误定价的 X 区这一种模式，就大致算出每年 280 万到 420 万美元的保费漏损——30 到 40 处房产，每处只收 450 美元保费，却各自产生六位数的理赔。这就是地图出错的代价，年年如此，直到下一场哈维飓风到来之前。
我现在真正的看法
我起初以为洪水承保是个数据问题——拿到更好的数据，就能得到更好的价格。走到最后，我确信它其实是一个接缝问题。数据是存在的。卫星在飞。计算机视觉能把一楼层高读到八英寸以内的误差。真正不存在、无法现成买到的，是那样一种东西：它把这些输入融合成单一因子，在 500 毫秒内把它送进费率引擎，并递给州审查员一份能扛过“解释这个因子”那句批注的备忘录。
那才是值得构建的一层，也正是我们为什么把我们自己的这一层围绕集成与文档来构建，而不是再去围绕又一个评分打转。
地图会继续标注 X 区。那栋平板地基、地块 85% 不透水、雨水管排量又不足的房子，照样会一次次被淹。唯一的问题是：你的费率引擎能不能在水之前就分辨出其中的差别——还是说，你会像哈维飓风之后所有人那样，从那些出自地图说安全之处的理赔里，才发现真相。
