AI能否修復洪水保險定價？

問題

近68.3%的水災損失報告發生在FEMA標註為高風險的區域之外。這意味著大多數洪水損失襲擊的是承保人告訴屋主安全無虞的房產。您的洪水保險定價所依賴的地圖，在許多情況下已沿用數十年。研究顯示，約75%的FEMA洪水地圖已過期超過五年。令人憂心的是，11%的地圖可追溯到1970年代與1980年代。這些地圖繪製時，整片郊區尚不存在，氣候模式尚未改變，今天我們所見的暴風雨更是無從想像。

結果是一種危險的安全錯覺。位於指定洪氾區外一英尺的房產被貼上「最低風險」標籤；一英尺之內則被強制投保。但水並不尊重地圖上的界線。它循著重力、路面與您家車道坡度流動。全美只有不到4%的屋主購買洪水保險——部分原因正是過時的地圖告訴他們不需要。如果貴組織從事承保、以不動產放款或為房產提供保險，那麼您正在依據發布當下就已陳舊的資訊，作出數十億美元等級的決策。

為什麼這對您的業務至關重要

這不只是一個地圖問題。它是一種從多個方向衝擊您資產負債表的財務風險敞口。

住宅保險綜合成本率（combined ratio）——衡量承保業務盈虧的基本指標——近年來平均為101.5%，並於2023年達到110.5%的高峰。綜合成本率高於100%意味著支出超過收入。每超出100%一個百分點，都在侵蝕您的資本。

損失集中在以下幾個方面：

• **逆選擇正在掏空您的風險池。**當您按郵遞區號為洪水風險定價時，山坡上的住宅與低窪地帶的住宅適用相同費率。深知自家地下室會積水的精明買家會搶購這種定價過低的保障；低風險屋主則因平均保費顯得過於昂貴而離開。您的業務組合悄然充斥著劣質風險。
• **平均每次洪水理賠接近$34,000。**當您的模型無法區分哪些房產真正會被淹沒時，這個數字會在整本業務帳冊上迅速累積。
• **再保險公司密切關注中。**它們日益要求了解您業務組合底層品質的透明度。如果您無法證明房產級風險數據，您將面臨更差的分保條件與更高的資本要求。
• **監管壓力正在加大。*州保險監理機關正就AI驅動的定價決策如何形成提出更尖銳的問題。如果您的模型無法解釋保費為何*變動，您將面臨合規風險。

保障缺口——總經濟損失與實際投保金額之間的差額——仍在持續擴大。採用精細化風險模型的競爭對手會挑走您最好的風險，把最差的留給您。

表象之下的真實機制

不妨把傳統的洪水承保想像成根據學校的平均考試分數給每個學生打分：資優生和從不來上學的學生得到同樣的分數。這就是按郵遞區號定價對洪水風險所做的事情。

核心失敗有三個層面。

**第一，地圖完全忽略了降雨型洪水。**傳統FEMA地圖模擬河川泛濫與沿海暴潮，卻不模擬雨洪內澇——即暴雨淹沒街道、停車場與雨水下水道時積聚的水。在城市裡，車道上的微小凹陷或街道的坡度就決定了一棟房子是否被淹。按郵遞區號取平均徹底抹平了這些差異。

**第二，最重要的變數在您的資料中缺席。**這個變數是首層地面高程（First Floor Elevation, FFE）——最低可居住樓層高出地面的高度。僅將房產的FFE抬高到基準洪水位以上一英尺，即可將年均損失降低約90%。但公共稅務紀錄幾乎從不記錄FFE。高程證明費用不菲，且僅在特定區域內要求提供。於是大多數承保模型只能靠猜——而猜錯意味著保單定價嚴重失準。

**第三，傳統洪水模擬太慢，無法用於即時定價。**標準物理模型模擬單一流域可能需要數小時甚至數天。這對學術研究沒問題，但在您需要數秒內出報價時毫無用處。

什麼有效（什麼無效）

在給出解方之前，先看什麼解決不了這個問題：

• **更頻繁地更新FEMA地圖：**即便全新的地圖仍是二元的——要麼在洪氾區內、要麼在外——忽略了水流連續變化的本質。
• **添加更多歷史理賠資料：**過去的理賠是落後指標。氣候波動意味著未來十年不會重演過去十年。更多同質資料修不好一個壞掉的模型。
• **在郵遞區號資料上執行標準AI：**以粗粒度輸入訓練的純資料驅動機器學習模型只會產出粗粒度的結果。更糟的是，它可能生成物理上不可能的預測——比如憑空出現、水源不明的積水。

真正有效的，是一個融合觀測、物理與可解釋性的三層架構：

**1. 電腦視覺提取您的資料缺失的資訊。**AI模型分析街景與航拍影像，遠端測量首層地面高程（FFE）。系統辨識樓梯、大門、地基等建築特徵，並運用幾何學計算高度。為此項任務訓練的神經網路已將平均誤差降至0.218公尺（約8.5英吋）。這樣的精度可以在無需任何現場勘察的情況下覆蓋數百萬處房產。同一技術還能偵測地下室、不透水面以及高架暖通空調機組等防洪減災設施。

**2. 衛星雷達穿透雲層，驗證究竟何處被淹。**合成孔徑雷達（SAR）——一種利用微波訊號穿透暴風雲觀測地面的衛星技術——提供準即時的洪水範圍資料，通常在災害高峰後24小時內即可取得。您可以將這一洪水足跡疊加到業務組合上，即時估算損失、只向確認受災區域派遣理賠人員，並在衛星資料顯示某房產保持乾燥時標記詐欺性理賠。

**3. 物理資訊AI在數秒內模擬未來情境。**物理資訊神經網路（PINN）——將流體力學真實定律內嵌於數學之中的AI模型——充當緩慢的傳統模擬的快速替身。由於這些模型強制遵守質量守恆與動量守恆，它們不可能幻構出不存在的情境。它們可以為特定房產即時運算數千個氣候情境。這意味著您的定價引擎可以生成反映該確切位置真實風險輪廓的保費，而不是某個區域的平均值。

稽核軌跡優勢對您的合規團隊意義重大。由於PINN植基於明確的物理方程式，其輸出可解釋、可在監管者面前自辯。您可以向州保險監理機關證明：某次保費上調可以追溯到具體的、經物理建模的水力風險——而非不透明的演算法相關性。這正是該系統成為「玻璃箱」而非黑箱的原因。