洪水风险智能
超过三分之二的美国洪水损失发生在 FEMA 高风险区之外。如果您的费率引擎仍以 AE 区与 X 区作为锚点，您就在两端都对风险定价失误：对区内地势较高的房屋收费过高，对区外平板基础房屋收费过低。已转向房产级 AI 评分的承保方，正在抢走您最优质的风险。
我们构建洪水风险智能层，将供应商评分、卫星监测与您的理赔数据连接为统一的费率因子，可供您的 DOI 审查官批准。
68.3%
FEMA 高风险区之外的洪水损失
北卡州立大学 / First Street Research
106.1%
预计房主险综合成本率，2025 年
III / AM Best
20% 复合年增长率
私营洪水保单增长，2020-2024 年
Resources for the Future
请设想一个具体场景，它每年在您的业务组合中上演数千次。
位于得克萨斯州哈里斯县的一栋独栋住宅。FEMA X 区（洪水危害极低）。建于 2004 年，平板基础，无任何高出地面的抬升。该地块 85% 为不透水地面（混凝土车道、露台、独立车库）。最近的雨水排水口在 400 英尺之外，且属于一套已有 30 年历史、按 10 年一遇降雨事件设计的市政系统。
X 区。无强制洪水保险要求。如果房主自愿购买洪水保单，将按 NFIP 风险费率 2.0 因子定价，而这些因子并未考虑不透水地面比例、容量不足的排水基础设施，也未考虑该房屋一层楼面零高出地面这一事实。您的系统报价为每年 450 美元。
在得克萨斯州东南部一份 5 万张房主险保单的业务组合中，这种 X 区房产定价失误的模式通常造成每年 280 万至 420 万美元的渗漏。即每次事件有 30-40 处房产产生 7 万至 12 万美元的洪水理赔，而对应的年度保费仅为 450 美元。
这并非假设。哈里斯县有 120 万处房产位于 X 区。哈维飓风过后，70% 的洪水理赔来自 FEMA 高风险区之外。在事件发生前识别出这些房产的承保方，当年将其巨灾损失率降低了 8-12 个百分点。
下方每家供应商都解决了问题的一部分，但没有一家能端到端地解决。真正的挑战在于构建集成与监管文档，将点状解决方案转化为获批的费率方案。
| 供应商 | 他们做什么 | 优势 | 缺口 |
|---|---|---|---|
| ZestyAI | 基于 CV 的房产智能。从航拍影像和建筑许可中生成 Z-FLOOD、Z-FIRE、Z-WIND 评分。 | 已在规模化生产中得到验证。仅 2026 年第一季度就签下 6 家以上承保方合作。多灾种覆盖。 | 无暴雨内涝排水建模。模型内部不透明，使其在科罗拉多州和纽约州等地的 DOI 申报更加困难。评分为静态，无事件触发的监测。 |
| ICEYE | 用于实时洪水监测的 SAR 卫星星座。30 多颗卫星，重访周期低于 24 小时。 | 唯一拥有专有卫星数据的供应商。与 Munich Re 和 AXA 的合作（2026 年）。事件期间每 6 小时更新一次洪水范围。 | 仅为观测，非预测。城市深度不确定性为 ±15 厘米（二次反射）。需要定制流水线才能将原始 SAR 转化为理赔工作流。 |
| First Street | 为每一处美国房产提供洪水因子评分（1-10）。30 年累积风险。免费的消费者数据，机构级 API。 | 最全面的美国洪水风险数据库。公众认知度高。涵盖河流型、海岸型和暴雨内涝型危害。 | 仅为危害模型。不评估结构脆弱性（FFE、建筑材料）。目前尚未被接受为监管费率因子。 |
| Fathom（Swiss Re） | 全球洪水危害数据。Swiss Re 正将其整合进内部巨灾模型（2026 年 1 月）。5 万年概率性事件集。 | 基于物理的建模。最优的前瞻性气候情景。Swiss Re 的背书为其在再保险方面增添可信度。 | 归 Swiss Re 所有，可能对与其他再保险方有合作关系的承保方造成潜在利益冲突。仅为危害层，无房产级脆弱性。 |
| Verisk / AIR | 既有的巨灾建模。用于房产级美国洪水评估的 Flood Score 3.0。用于 AI 理赔估算的 XactGen。 | 最深厚的承保方关系。对监管的熟悉度。被大多数 DOI 接受为标准。 | 传统架构正在改造以加入 AI。创新周期较慢。捆绑定价使得仅使用洪水组件成本高昂。 |
| RMS / Moody's | 巨灾建模平台。正在收购 Cape Analytics 以获得 AI 驱动的地理空间房产智能。 | 深度的保险公司集成。Cape 收购增添了基于 CV 的房产评估。 | Cape Analytics 收购仍在进行中。集成时间线尚不明确。Cape 在风灾/野火方面强于洪水。 |
| Neptune Flood | 拥有专有 Triton 核保引擎的 MGA。API 优先。与 Palomar 合作开展全国性私营洪水业务。 | 最快的私营洪水报价-出单流程。集成 ChatGPT 用于数字化分销。纯洪水专精能力。 | 是竞争对手，而非您可授权使用的工具。其技术栈是专有的，不向其他承保方提供。 |
| 四大 / 大型 SI | Deloitte、Accenture、EY、PwC 提供保险科技咨询与实施服务。 | 品牌知名度。庞大的团队。与承保方高管层的既有关系。 | 他们实施平台，而非构建定制洪水智能。一次 Accenture 的项目起步价为 200 万美元以上，交付的是供应商选型工作，而非一个可运行的评分引擎。无专有的洪水领域专长。 |
供应商格局是被刻意分割的。ZestyAI 销售房产评分。ICEYE 销售卫星数据。Fathom 销售危害层。Verisk 销售巨灾模型。没有任何单一供应商有动机去构建那个整合竞争性数据源的集成层，因为该层会使其各自的产品同质化。那个集成层，加上将其获批为费率方案的监管文档，正是我们所构建的。
每项能力都针对供应商格局中的某个具体缺口。我们与您已购买的评分和数据协同工作，而非与之对立。
我们将 ZestyAI 房产智能、ICEYE SAR 监测、Fathom/First Street 危害层与您的理赔历史融合为一个综合的房产级评分。融合逻辑根据地理位置和灾种组合对每个数据源加权。佛罗里达海岸房产将大量倚重风暴潮模型和 SAR 监测。得克萨斯内陆房产则更高地加权暴雨内涝排水建模和不透水地面比例。
输出：每处房产一个单一费率因子，缓存于 Guidewire Integration Data Manager 或 Duck Creek 的 External Data Call 框架中，可在 50 毫秒以内供内联报价-出单调用。
申报一套 AI 增强的费率算法需要精算备忘录，以展示按十分位的损失率提升、特征重要性排名、针对历史事件的样本外回测，以及在人口普查区粒度上的差异性影响分析。我们为每个州生成完整的申报文件包。
我们已梳理全部 50 个州的要求。科罗拉多州要求逐变量论证。纽约州 DFS 2024-7 号通函要求代理歧视测试。加利福尼亚州要求事先批准并提供完整的模型文档。我们生成的申报文件包是为每个州的具体要求量身定制的，而非一刀切的模板。
当洪水事件触发时，我们激活将原始 ICEYE SAR 数据转化为运营理赔智能的流水线。在首次卫星过境后的数小时内：按险种类型计算您面临风险的 TIV，将定损员仅派往经 SAR 确认的进水房产，通过将 SAR 洪水深度与 CV 推导的一层楼面标高相结合来估算严重程度，并将来自经 SAR 确认的干燥位置的理赔标记给 SIU。
该流水线在事件期间作为托管服务运行。在事件之间，您仅为监视卫星任务触发的监测层付费。典型的定损员部署效率提升：减少 40-60% 的无效现场走访。
这是大多数供应商遗漏的缺口。暴雨内涝（降雨压垮排水系统）造成了大多数已投保的洪水损失，然而大多数商业模型聚焦于河流型和海岸型涌浪。我们使用 1 米分辨率的 LiDAR 推导数字高程模型、逐地块的 CV 估算不透水地面比例，以及市政雨水基础设施数据（管径、年限、设计容量），构建房产级暴雨内涝模型。
该模型回答一个具体问题：在给定的降雨强度下，这处房产的前门积水有多深？答案取决于 500 米范围内的微观地形，而非 FEMA 区划。
随着 24 个以上的州采纳 NAIC AI 模型公告，对 AI 驱动定价进行独立的公平性测试已不再是可选项。我们针对人口普查区人口统计数据，对您 AI 增强的费率运行差异性影响分析，识别哪些输入特征带有人口统计信号（屋顶状况和不透水地面是最常见的），并判定其预测能力在与该相关性无关的前提下是否具有精算上的合理性。
交付物是满足最严苛标准（纽约州 DFS 2024-7 号通函）的文档文件包，这意味着它在其他任何地方都能通过。无论您使用的是我们的评分引擎，还是来自 ZestyAI、Cape Analytics 或任何其他供应商的第三方评分，这一点都适用。
四个阶段。第一阶段是独立交付物。如果我们未在您的业务组合中发现可付诸行动的渗漏，您就在此止步。
我们将您当前的业务组合与房产级洪水风险数据进行对比分析。对于每张保单，我们将您所收取的保费与 AI 估算的预期损失进行比较。输出是一张定价失误的热力图：哪些地区、哪些建筑类型、哪些 FEMA 区划在您所收取与所赔付之间存在最大的差距。
在一份典型的 2 亿美元承保保费的财产险（P&C）业务组合中，此项分析揭示出每年 200 万至 500 万美元的逆向选择渗漏。该数字连同房产级细节，构成您推进余下各阶段的商业论证。
我们构建针对您特定业务组合调校的多源评分引擎。这意味着选择并加权对您各地区至关重要的数据源，为您的重点市场训练暴雨内涝微模型，并构建带有预评分缓存层的 Guidewire 或 Duck Creek 集成。
我们针对您的历史理赔验证模型。测试很简单：相比您当前的费率方案，模型的风险排序是否能更好地预测哪些保单在过去 5 年中提出了洪水理赔？
我们为您的重点州生成 DOI 申报文件包。每个文件包包含精算备忘录、模型验证报告（针对历史事件的回测、样本外测试）、差异性影响分析，以及说明模型费率因子如何与物理洪水风险相关联的可解释性文档。
申报时间线因州而异。“申报即用”州（东南部大部分地区）允许您在申报后立即部署。“事先批准”州（加利福尼亚、纽约）要求在部署前经审查官审核，这会增加 60-120 天。
在第一个续保周期以 AI 增强的费率上线。我们监测损失率表现、保费充足性和投保人留存率。第一个续保周期至关重要：随着定价失误的风险首次获得正确定价，您会看到部分保单不再续保。目标是离场的高风险保单所损失的保费，能被减少的理赔所充分抵消。
如果您同时部署 SAR 理赔分流流水线，我们会在并行轨道上将其激活，并在下一个飓风季之前，针对您业务组合中的一个历史事件进行桌面推演。
回答关于您当前洪水核保能力的 8 个问题。获得一份带评分的评估，包含针对您具体情况的明确缺口和后续步骤。
集成挑战与其说在于 API 调用，不如说在于缓存与回退架构。对外部评分服务的一次原始 API 调用需要 200-400 毫秒，这会吃掉您内联报价大部分的延迟预算。我们构建一个预评分层，每晚针对最新的卫星影像和房产智能数据源批量处理您的有效保单组合，并将评分存储在 Guidewire 的 Integration Data Manager 中。当报价请求到来时，费率引擎可在 50 毫秒以内拉取缓存的评分。
对于尚未进入缓存的新申请，我们采用异步富集模式：报价先基于可获取的 FEMA 区划和高程数据使用一个初步评分继续进行，随后完整的 AI 评分在数分钟内回填。转介队列会捕获任何初步评分与完整评分显著背离的情形。
这一模式使您的报价-出单流程保持在 500 毫秒以内，同时确保每张保单最终都获得完整的多源风险评估。对于 Duck Creek，架构类似，但使用其 External Data Call 框架而非 Integration Data Manager。
ZestyAI 的 Z-FLOOD 评分在房产级结构脆弱性方面很强，尤其是屋顶状况、建筑材料和临水程度。但它有一些对洪水而言重要的特定盲点。首先，Z-FLOOD 不对市政排水能力建模。两处 Z-FLOOD 评分相同的房产，可能因其微观汇水区内的雨水排水网络是按 10 年一遇还是 100 年一遇事件设计的，而具有截然不同的暴雨内涝洪水暴露。
其次，ZestyAI 未纳入实时 SAR 监测，因此您得到的是一个静态风险评分，却没有事件触发的组合预警。第三，这是申报问题：当您将 Z-FLOOD 作为费率变量提交给某州 DOI 时，审查官会要求提供底层的特征重要性以及按十分位的损失率提升。ZestyAI 提供模型卡，但在科罗拉多州和纽约州等地，审查官希望看到针对您特定业务组合运行的分析，而非通用的全行业验证。
我们构建一个封装层，将 ZestyAI 房产智能与 ICEYE SAR 监测、暴雨内涝排水建模以及您自有的理赔历史结合为一个综合评分。然后我们生成 DOI 申报文档，专门说明每个组件如何针对您的业务组合提升预测准确性。
NAIC AI 模型公告现已在 24 个以上的州采纳，要求保险公司证明 AI 驱动的定价不会产生不公平的歧视性结果。具体到洪水，风险在于基于 CV 的房产评估与社区收入相关。位于较低收入地区的房产可能呈现出延迟的维护、较低的屋顶状况评分和更多的不透水地面，所有这些都合理地预测了洪水损失严重程度，但同时也代理了受保护特征。
分析始于地理差异测试：我们针对人口普查区人口统计数据（种族、收入、年龄）映射您 AI 增强的费率，并比较费率分布。如果在控制了实际洪水危害之后，AI 模型在少数族裔占多数的普查区系统性地产生更高费率，那就是一个警示。接下来，我们使用 SHAP 值运行特征归因分析，以识别哪些输入特征驱动了该差异。通常是诸如屋顶状况评分或不透水地面比例这样的单一变量带有大部分人口统计信号。
解决办法不是移除该变量，而是证明该变量对洪水损失的预测能力在与其人口统计相关性无关的前提下具有精算上的合理性。我们生成的文档文件包将展示：这是差异，这是它具有精算合理性的原因，以及这是我们实施的控制措施。纽约州 DFS 2024-7 号通函是最严苛的标准。如果您的文档能通过纽约州，那它在其他任何地方都能通过。
当洪水事件触发时，ICEYE 的星座开始针对受影响区域调度卫星。您会在峰值淹没后的 12-24 小时内获得首张洪水范围图，以兼容 GIS 的 shapefile 格式交付，分辨率为 30 米。随着更多卫星过境，更新后的范围每 6 小时到达一次。
我们构建的分流流水线用这些数据做四件事。第一，组合叠加：将 SAR 洪水覆盖区与您投保人的地理编码地址相交，以计算面临风险的总可保价值（Total Insurable Value），按险种类型和保单限额细分。您的理赔负责人会在第一通 FNOL 报案到来之前拿到这份报告。第二，定损员派工：现场定损员仅被派往经 SAR 确认的进水房产，这通常可减少 40-60% 的无效现场走访。第三，严重程度估算：通过将每处房产经 SAR 推导的洪水深度与 CV 估算的一层楼面标高相结合，我们计算出估算的进水深度，这直接对应到 FEMA Hazus 模型的损害曲线。
第四，欺诈标记：任何来自 SAR 数据显示在事件期间为干燥的房产的 FNOL 理赔，都会被自动转派给 SIU。SAR 数据中的城市二次反射问题意味着您在密集城区会得到假阴性，约占 15% 的房产。我们通过在云层消散后（通常为事件后 48-72 小时）进行光学卫星交叉比对来处理这一问题。该系统在事件期间作为托管服务运行，在事件之间则休眠，因此您无需为闲置的基础设施付费。
大多数商业洪水模型，包括您如今可以购买的供应商评分，从根本上都是回溯性的。它们在历史损失数据和卫星观测上训练，这意味着它们建模的是过去的气候，而非将来的气候。对于一份 1 年期保单，这是可以接受的。但对于组合策略、准备金充足性和再保险合约谈判而言，这是一个真实的缺口。
技术上的答案是物理信息神经网络。PINN 不是纯粹在历史洪水事件上训练，而是将圣维南方程（流体流动的质量与动量守恒）直接嵌入损失函数。这意味着模型无法预测出无源头出现的水或向上坡流动的水。当您给它输入一个超出历史记录中任何情形的合成降雨情景时，物理约束会使输出保持物理上的可信。
Swiss Re 将 Fathom 数据整合进 5 万年概率性事件集，正是行业朝这一方向迈进。我们构建房产级代理模型，在毫秒级内近似完整的水动力学模拟。这些模型目前尚不能用于实时费率的生产环境。但它们对于巨灾情景分析、准备金充足性测试以及再保险提交至关重要——在这些场景中，您需要证明您的组合对尚未发生的事件的暴露。我们将其与供应商评分并用：ZestyAI 用于当下的风险，物理信息模型用于未来的风险。
一个典型项目历时 16-24 周，跨越四个阶段。第一阶段（3-4 周）是业务组合诊断：我们分析您当前的业务组合，识别您的定价在哪里偏离房产级风险，并量化逆向选择暴露。该阶段通常在一份 2 亿美元承保保费的业务组合中揭示出每年 200 万至 500 万美元的渗漏，从而为项目余下部分提供资金。
第二阶段（6-8 周）是模型开发：构建多源评分引擎、为您的重点地区构建暴雨内涝微模型，以及 Guidewire/Duck Creek 集成。第三阶段（4-6 周）是监管准备：差异性影响分析、精算备忘录，以及为您重点州准备的 DOI 申报文件包。第四阶段（3-6 周）是生产部署以及以 AI 增强费率运行的第一个续保周期。
预算取决于范围。一个聚焦于单一州和单一灾种（例如佛罗里达的私营洪水）的项目，费用为 35 万至 50 万美元。一个涵盖洪水、风灾和野火、并提供完整 DOI 申报支持的多州、多灾种项目，费用为 80 万至 150 万美元。对于 MGA 而言，由于业务组合较小且在更少的州申报，数字通常更低。我们将项目设计为第一阶段是独立交付物。如果业务组合诊断未发现可付诸行动的渗漏，您就在此止步。
支撑本解决方案页面的技术基础。
用于基于 CV 的 FFE 提取、SAR 洪水监测流水线，以及用于保险核保中水动力学模拟的物理信息神经网络的技术架构。
业务组合诊断历时 3-4 周，通过识别隐藏在您业务组合中、定价失误的 X 区房产，使自身物有所值。
业务组合诊断历时 3-4 周。如果我们未发现可付诸行动的渗漏，您就在此止步。如果发现了，房产级 AI 评分的商业论证便不言自明。