AI能否修复洪水保险定价？

问题

近68.3%的水灾损失报告发生在FEMA标注为高风险的区域之外。这意味着大多数洪水损失袭击的是承保人告诉房主安全无虞的房产。您的洪水保险定价所依赖的地图，在许多情况下已沿用数十年。研究显示，约75%的FEMA洪水地图已过期超过五年。令人担忧的是，11%的地图可追溯到20世纪70年代和80年代。这些地图绘制时，整片郊区尚不存在，气候模式尚未改变，今天我们所见的暴风雨更是无从想象。

结果是一种危险的安全错觉。一处位于指定洪泛区外一英尺的房产被贴上“最低风险”标签；一英尺之内则被强制投保。但水并不尊重地图上的界线。它循着重力、路面和您家车道坡度流动。全美只有不到4%的房主购买了洪水保险——部分原因正是过时的地图告诉他们不需要。如果贵组织从事承保、以不动产发放贷款或为房产提供保险，那么您正在依据发布之时就已陈旧的信息作出数十亿美元级别的决策。

为什么这对您的业务至关重要

这不仅仅是一个地图问题。它是一种从多个方向冲击您资产负债表的财务风险敞口。

屋主保险综合成本率（combined ratio）——衡量承保业务盈亏的基本指标——近年来平均为101.5%，并在2023年达到110.5%的峰值。综合成本率高于100%意味着支出超过收入。每超出100%一个百分点，都在侵蚀您的资本。

损失集中在以下几个方面：

• **逆选择正在掏空您的风险池。**当您按邮编为洪水风险定价时，山坡上的住宅与低洼地带的住宅适用相同费率。深谙自家地下室会积水的精明买家会抢购这种定价过低的保障；低风险房主则因平均保费显得过于昂贵而离开。您的业务组合悄然充斥着劣质风险。
• **平均每次洪水索赔接近$34,000。**当您的模型无法区分哪些房产真正会被淹时，这个数字会在整个业务账册上迅速累积。
• **再保险公司在密切关注。**它们日益要求了解您业务组合底层质量的透明度。如果您无法证明房产级风险数据，您将面临更差的分保条件与更高的资本要求。
• **监管压力正在加大。*州保险监管部门正就AI驱动的定价决策如何作出提出更尖锐的问题。如果您的模型无法解释保费为何*变化，您将面临合规风险。

保障缺口——总经济损失与实际投保金额之间的差额——仍在不断扩大。采用精细化风险模型的竞争对手会挑走您最好的风险，把最差的留给您。

表象之下的真实机制

不妨把传统的洪水承保想象成根据学校的平均考试分数给每个学生打分：尖子生和从不来上学的学生得到同样的分数。这就是按邮编定价对洪水风险所做的事情。

核心失败有三个层面。

**第一，地图完全忽略了降雨型洪水。**传统FEMA地图模拟河流泛滥和沿海风暴潮，却不模拟雨洪内涝——即暴雨淹没街道、停车场和雨水管网时积聚的水。在城市里，车道上的微小凹陷或街道的坡度就决定了一栋房子是否被淹。按邮编取平均彻底抹平了这些差异。

**第二，最重要的变量在您的数据中缺失。**这个变量是首层地面高程（First Floor Elevation, FFE）——最低可居住楼层高出地面的高度。仅将房产的FFE抬高到基准洪水位以上一英尺，即可将年均损失降低约90%。但公共税务记录几乎从不记录FFE。高程证书费用不菲，且仅在特定区域内要求提供。于是大多数承保模型只能靠猜——而猜错意味着保单定价严重失准。

**第三，传统洪水模拟太慢，无法用于实时定价。**标准物理模型模拟单一流域可能需要数小时甚至数天。这对学术研究没问题，但在您需要数秒内出报价时毫无用处。

什么有效（什么无效）

在给出解决方案之前，先看什么解决不了这个问题：

• **更频繁地更新FEMA地图：**即便全新的地图仍是二元的——要么在洪泛区内、要么在外——忽略了水流连续变化的本质。
• **添加更多历史索赔数据：**过去的索赔是滞后指标。气候波动意味着未来十年不会重演过去十年。更多同质数据修不好一个坏掉的模型。
• **在邮编数据上运行标准AI：**用粗粒度输入训练的纯数据驱动机器学习模型只会产出粗粒度的结果。更糟的是，它可能生成物理上不可能的预测——比如凭空出现的水源不明的积水。

真正有效的，是一个融合观测、物理与可解释性的三层架构：

**1. 计算机视觉提取您的数据缺失的信息。**AI模型分析街景与航拍影像，远程测量首层地面高程（FFE）。系统识别楼梯、大门、地基等建筑特征，并运用几何学计算高度。为此项任务训练的神经网络已将平均误差降至0.218米（约8.5英寸）。这样的精度可以在无需一次现场勘察的情况下覆盖数百万处房产。同一技术还能检测地下室、不透水面以及高架暖通空调机组等防洪减灾设施。

**2. 卫星雷达穿透云层，验证究竟何处被淹。**合成孔径雷达（SAR）——一种利用微波信号穿透风暴云观测地面的卫星技术——提供准实时的洪水范围数据，通常在灾害峰值后24小时内即可获得。您可以将这一洪水足迹叠加到业务组合上，即时估算损失、只向确认受灾区域派遣理赔员，并在卫星数据显示某房产保持干燥时标记欺诈性索赔。

**3. 物理信息AI在数秒内模拟未来情景。**物理信息神经网络（PINN）——将流体力学真实定律内嵌于数学之中的AI模型——充当缓慢的传统模拟的快速替身。由于这些模型强制遵守质量守恒与动量守恒，它们不可能幻觉出不存在的情景。它们可以为特定房产实时运行数千个气候情景。这意味着您的定价引擎可以生成反映该确切位置真实风险状况的保费，而不是某个区域的平均值。

审计轨迹优势对您的合规团队意义重大。由于PINN植根于明确的物理方程，其输出可解释、可在监管者面前自辩。您可以向州保险监管部门证明：某次保费上调可以追溯到具体的、经物理建模的水力风险——而非不透明的算法相关性。这正是该系统成为“玻璃箱”而非黑箱的原因。