洪水風險情報
美國超過三分之二的洪水損失發生在 FEMA 高風險區之外。如果您的費率引擎仍以 Zone AE 與 Zone X 作為定錨，您正在兩端錯估風險：對區內地勢較高的房屋過度收費，對區外平板式地基（slab-on-grade）的房屋收費不足。已轉向以財產層級 AI 評分的保險公司，正在挑走您最優質的風險。
我們打造洪水風險情報層，將供應商評分、衛星監測與您的理賠資料整合為一個統一的費率因子，並可獲得您的 DOI 審查員核准。
68.3%
FEMA 高風險區之外的洪水損失
NC State / First Street Research
106.1%
預估房屋保險綜合成本率，2025 年
III / AM Best
20% 年複合成長率
私營洪水保單成長，2020-2024 年
Resources for the Future
請設想一個具體情境，它每年在您的保單組合中上演數千次。
一棟位於德州哈里斯郡（Harris County）的單戶住宅。FEMA Zone X（極低洪水危害）。建於 2004 年，採平板式地基，無高於地面的抬升。地塊有 85% 為不透水地面（混凝土車道、露台、獨立車庫）。最近的雨水排水口在 400 英尺外，屬於一套設計用於 10 年一遇降雨事件、已有 30 年歷史的市政系統的一部分。
Zone X。無強制洪水保險規定。如果屋主購買自願性洪水保單，其定價依據 NFIP Risk Rating 2.0 因子，而這些因子並未考量不透水地面比例、容量不足的排水基礎設施，也未考量這棟房屋的一樓樓面高度為零（無高於地面的抬升）。您的系統報出每年 $450 的保費。
在一個位於德州東南部、擁有 50,000 份房屋保單的保單組合中，這類錯估的 Zone X 房產通常造成每年 $2.8M-$4.2M 的滲漏。也就是 30-40 棟房產，每次事件產生 $70K-$120K 的洪水理賠，卻只對應 $450 的年保費。
這並非假設情境。哈里斯郡有 120 萬棟房產位於 Zone X。哈維颶風（Hurricane Harvey）過後，70% 的洪水理賠來自 FEMA 高風險區之外。在事件發生前即辨識出這些房產的保險公司，當年將其巨災損失率降低了 8-12 個百分點。
下方每一家供應商都解決問題的一部分，但無一能端到端解決。真正的挑戰在於打造整合與法規文件，將單點解決方案轉化為一份獲核准的費率方案。
| 供應商 | 他們做什麼 | 強項 | 缺口 |
|---|---|---|---|
| ZestyAI | 以電腦視覺為基礎的財產情報。從航空影像與建築許可中產出 Z-FLOOD、Z-FIRE、Z-WIND 評分。 | 已在規模化生產中獲得驗證。光是 2026 年第一季就簽下 6 家以上保險公司合作。多災種承保。 | 無雨洪（pluvial）排水建模。不透明的模型內部運作使得在 CO 與 NY 等州的 DOI 申報更為困難。靜態評分，無事件觸發的監測。 |
| ICEYE | 用於即時洪水監測的 SAR 衛星星座。30 顆以上衛星，重訪週期低於 24 小時。 | 唯一擁有自有衛星資料的供應商。與 Munich Re 及 AXA 的合作（2026 年）。事件期間每 6 小時更新洪水範圍。 | 僅供觀測，非預測性。城市深度不確定性為 +/-15cm（雙重反射）。需要客製化管線才能將原始 SAR 轉化為理賠工作流程。 |
| First Street | 為每一棟美國房產提供 Flood Factor 評分（1-10）。30 年累積風險。免費的消費者資料，以及機構級 API。 | 最全面的美國洪水風險資料庫。強大的公眾認知度。涵蓋河川（fluvial）、海岸與雨洪（pluvial）危害。 | 僅為危害模型。不評估結構脆弱性（FFE、建材）。目前尚未被接受為法規費率因子。 |
| Fathom（Swiss Re） | 全球洪水危害資料。Swiss Re 正將其整合進內部巨災模型（2026 年 1 月）。50,000 年機率性事件集。 | 以物理為基礎的建模。最佳的前瞻性氣候情境。Swiss Re 的支持為其在再保險公司間增添可信度。 | 由 Swiss Re 所有，可能為與其他再保險關係的保險公司帶來利益衝突。僅有危害層，無財產層級的脆弱性。 |
| Verisk / AIR | 既有的巨災建模。用於財產層級美國洪水評估的 Flood Score 3.0。用於 AI 理賠估算的 XactGen。 | 最深厚的保險公司關係。法規上的熟悉度。被多數 DOI 接受為標準。 | 正以 AI 改造的傳統架構。較慢的創新週期。綑綁式定價使得僅使用洪水組件變得昂貴。 |
| RMS / Moody's | 巨災建模平台。正收購 Cape Analytics 以取得 AI 驅動的地理空間財產情報。 | 與保險公司的深度整合。Cape 收購增添了以電腦視覺為基礎的財產評估。 | Cape Analytics 收購仍在進行中。整合時程不明。Cape 在風災／野火方面較洪水更強。 |
| Neptune Flood | 擁有自有 Triton 核保引擎的 MGA。API 優先。與 Palomar 合作提供全國性私營洪水保險。 | 最快的私營洪水報價與綁定流程。整合 ChatGPT 以進行數位通路分銷。純洪水專長。 | 是競爭對手，而非您可授權使用的工具。其技術堆疊為專有，不對其他保險公司開放。 |
| 四大／大型系統整合商 | Deloitte、Accenture、EY、PwC 提供保險科技顧問與導入服務。 | 品牌知名度。龐大的團隊。與保險公司高階主管的既有關係。 | 他們導入平台，而非打造客製化洪水情報。一項 Accenture 委託案起價 $2M 以上，交付的是供應商選型作業，而非可運作的評分引擎。無自有的洪水領域專長。 |
供應商全景的碎片化是刻意設計的結果。ZestyAI 賣財產評分。ICEYE 賣衛星資料。Fathom 賣危害層。Verisk 賣巨災模型。沒有任何單一供應商有動機去打造那個整合層——將相互競爭的資料來源結合起來——因為該層會使其各自的產品商品化。那個整合層，再加上讓它能獲核准為費率方案的法規文件，正是我們所打造的。
每項能力都針對供應商全景中的某個特定缺口。我們與您已經採購的評分與資料協同運作，而非與之對抗。
我們將 ZestyAI 財產情報、ICEYE SAR 監測、Fathom／First Street 危害層，以及您的理賠歷史，融合為一個綜合的財產層級評分。融合邏輯會依據地理與災種組合來為各來源加權。一棟佛羅里達的海岸房產會大量倚重風暴潮模型與 SAR 監測。一棟德州內陸房產則會將雨洪排水建模與不透水地面比例的權重提高。
輸出：每棟房產一個單一費率因子，快取於 Guidewire Integration Data Manager 或 Duck Creek 的 External Data Call 框架中，可在 50ms 內供內嵌式報價綁定使用。
申報一套經 AI 強化的費率演算法，需要精算備忘錄以呈現各十分位的損失率提升、特徵重要性排名、針對歷史事件的樣本外回測，以及人口普查區（census-tract）粒度的差別影響分析。我們為每一州製作完整的申報文件包。
我們已盤點全部 50 州的要求。Colorado 要求逐變數的論證。New York 的 DFS 通函 2024-7 要求代理歧視（proxy discrimination）測試。California 要求事前核准並附完整模型文件。我們製作的申報文件包是針對每一州的特定要求量身打造，而非一體適用的範本。
當洪水事件觸發時，我們啟用將原始 ICEYE SAR 資料轉化為可操作理賠情報的管線。在首次衛星掠過後數小時內：依保障類型計算您處於風險中的 TIV、僅將理賠人員調派至經 SAR 確認進水的房產、結合 SAR 洪水深度與由電腦視覺推導的一樓樓面高度來估算嚴重程度，並將來自經 SAR 確認乾燥地點的理賠標記送交 SIU。
該管線在事件期間以託管服務形式運行。在事件之間，您僅為監視衛星任務觸發的監測層付費。典型的理賠人員部署效率提升：減少 40-60% 的無效現場勘查。
這是多數供應商錯失的缺口。雨洪（rainfall 淹沒排水系統）造成多數已投保的洪水損失，然而多數商業模型聚焦於河川與海岸風暴潮。我們以 1 公尺解析度、由 LiDAR 推導的數位高程模型、每地塊由電腦視覺估算的不透水地面比例，以及市政雨水基礎設施資料（管徑、年齡、設計容量）來打造財產層級的雨洪模型。
該模型回答一個特定問題：在給定的降雨強度下，這棟房產前門處的積水有多深？答案取決於 500 公尺範圍內的微地形，而非 FEMA 分區。
隨著 24 州以上採行 NAIC AI 模型公告，對 AI 驅動定價進行獨立的公平性測試已不再是選項。我們針對您經 AI 強化的費率，對照人口普查區的人口統計資料執行差別影響分析，辨識哪些輸入特徵帶有人口統計訊號（屋頂狀況與不透水地面最為常見），並判定其預測力在獨立於相關性的前提下是否具精算正當性。
交付成果是滿足最嚴苛標準（New York DFS 通函 2024-7）的文件包，這意味著它在其他所有地方也都能通過。無論您是使用我們的評分引擎，或來自 ZestyAI、Cape Analytics 或任何其他供應商的第三方評分，這都同樣適用。
四個階段。階段 1 是一項獨立交付成果。如果我們未在您的保單組合中找到可採取行動的滲漏，您就到此為止。
我們依據財產層級的洪水風險資料分析您目前的保單組合。對每一份保單，我們將您所收取的保費與 AI 估算的預期損失進行比較。輸出是一張錯估定價的熱力圖：哪些地理區、哪些建築型態、哪些 FEMA 分區，在您所收取的與您所賠付的之間有最大的落差。
在一個典型的 $200M 已簽保費 P&C 保單組合中，此分析揭露每年 $2-5M 的逆選擇滲漏。那個數字，連同財產層級的細節，就是您推動其餘階段的商業論證。
我們打造針對您特定保單組合調校的多來源評分引擎。這意味著選取並加權對您各地理區具關鍵意義的資料來源、為您的重點市場訓練雨洪微觀模型，以及打造帶有預先評分快取層的 Guidewire 或 Duck Creek 整合。
我們依據您的歷史理賠驗證模型。測試很簡單：相較於您目前的費率方案，模型的風險排序是否能更好地預測哪些保單在過去 5 年內提出了洪水理賠？
我們為您的優先州別製作 DOI 申報文件包。每一份文件包都包含精算備忘錄、模型驗證報告（針對歷史事件的回測、樣本外測試）、差別影響分析，以及說明模型費率因子如何與實體洪水風險相關聯的可解釋性文件。
申報時程因州而異。「申報即用」（File and use）州（多數東南部州）讓您一經申報即可立即部署。「事前核准」（Prior approval）州（California、New York）要求在部署前先經審查員審核，這會增加 60-120 天。
在第一個續保週期以經 AI 強化的費率上線。我們監控損失率表現、保費充足度與保戶留存。第一個續保週期至關重要：您會看到部分保單不續保，因為被錯估的風險首度得到正確定價。目標是離去的高風險保單所損失的保費，能被理賠減少的金額充分抵銷而有餘。
如果您同時部署 SAR 理賠分流管線，我們會以平行軌道啟用它，並在下一個颶風季之前，針對您保單組合中的一個歷史事件進行桌面推演。
回答關於您目前洪水核保能力的 8 個問題。獲得一份附評分的評估，內含針對您處境的具體缺口與後續步驟。
整合的挑戰不在於 API 呼叫本身，而更在於快取與備援架構。對外部評分服務的一次原始 API 呼叫需耗時 200-400ms，這會吃掉您內嵌式報價的大部分延遲預算。我們打造一個預先評分層，每晚依據最新的衛星影像與財產情報資料源，批次處理您的有效保單組合，並將評分儲存於 Guidewire 的 Integration Data Manager 中。當報價請求進來時，費率引擎可在 50ms 內提取快取的評分。
對於尚未進入快取的新案件，我們採用非同步增補模式：報價先以基於可取得的 FEMA 分區與高程資料的初步評分進行，隨後完整的 AI 評分在數分鐘內回填。轉介佇列會攔截初步評分與完整評分顯著分歧的任何案件。
此模式使您的報價綁定流程維持在 500ms 以下，同時確保每一份保單最終都能獲得完整的多來源風險評估。對 Duck Creek 而言，架構相似，但使用他們的 External Data Call 框架，而非 Integration Data Manager。
ZestyAI 的 Z-FLOOD 評分在財產層級的結構脆弱性方面表現強勁，特別是屋頂狀況、建材與鄰水程度。但它有一些對洪水而言至關重要的特定盲點。首先，Z-FLOOD 並不建模市政排水容量。兩棟具有相同 Z-FLOOD 評分的房產，可能因其微集水區內的雨水排水網絡是設計用於 10 年一遇或 100 年一遇事件，而具有截然不同的雨洪曝險。
其次，ZestyAI 並未納入即時 SAR 監測，因此您得到的是靜態風險評分，卻沒有事件觸發的保單組合警示。第三，也就是申報問題：當您將 Z-FLOOD 作為費率變數提交給某州 DOI 時，審查員會詢問其底層的特徵重要性與各十分位的損失率提升。ZestyAI 提供一份模型卡，但在 Colorado 與 New York 等州，審查員想看到的是在您特定保單組合上執行的分析，而非通用的全產業驗證。
我們打造這個包裝層，將 ZestyAI 財產情報、ICEYE SAR 監測、雨洪排水建模，以及您自己的理賠歷史結合為一個綜合評分。接著我們製作 DOI 申報文件，說明各組件如何具體在您的保單組合上促成預測準確度。
NAIC AI 模型公告（現已於 24 州以上採行）要求保險公司證明 AI 驅動的定價不會產生不公平歧視的結果。具體就洪水而言，風險在於以電腦視覺為基礎的財產評估與社區所得相關。位於較低所得地區的房產，可能呈現延宕的維護、較低的屋頂狀況評分以及更多的不透水地面——這些都正當地預測了洪水損失嚴重程度，但同時也代理（proxy）了受保護特徵。
分析始於地理差異測試：我們將您經 AI 強化的費率對照人口普查區的人口統計資料（種族、所得、年齡），並比較費率分布。如果 AI 模型在控制實際洪水危害後，仍在少數族裔為多數的普查區系統性地產生較高費率，那就是一個警訊。接著，我們以 SHAP 值執行特徵歸因分析，辨識哪些輸入特徵驅動了該差異。往往是單一變數，例如屋頂狀況評分或不透水地面比例，承載了大部分的人口統計訊號。
解決之道並非移除該變數，而是證明該變數對洪水損失的預測力在獨立於其人口統計相關性的前提下具有精算正當性。我們製作的文件包會呈現：這是差異所在、這是它何以具精算正當性，以及這些是我們所實施的控管。New York 的 DFS 通函 2024-7 是最嚴苛的標準。如果您的文件能通過 New York，它就能通過任何地方。
當洪水事件觸發時，ICEYE 的星座會開始對受影響區域調派衛星任務。您會在尖峰淹沒後 12-24 小時內取得第一張洪水範圍圖，以相容 GIS 的 shapefile 格式交付，解析度為 30 公尺。隨著額外的衛星掠過，更新的範圍每 6 小時送達一次。
我們打造的分流管線會用這些資料做四件事。第一，保單組合套疊：將 SAR 洪水覆蓋區與您保戶的地理編碼地址相交，以計算處於風險中的可保總價值（Total Insurable Value），並按保障類型與保單限額拆分。您的理賠主管會在第一通 FNOL 來電之前就取得這份報告。第二，理賠人員調度：僅將外勤理賠人員調派至經 SAR 確認進水的房產，這通常可減少 40-60% 的無效現場勘查。第三，嚴重程度估算：透過結合每棟房產經 SAR 推導的洪水深度與經電腦視覺估算的一樓樓面高度，我們計算估算的進水深度，這直接對應到 FEMA Hazus 模型的損害曲線。
第四，詐欺標記：任何來自 SAR 資料顯示在事件期間為乾燥房產的 FNOL 理賠，都會自動送交 SIU。SAR 資料中的城市雙重反射問題，意味著您在密集都市區會出現偽陰性，約占房產的 15%。我們以光學衛星交叉比對來處理此問題（在雲層散去時，通常為事件後 48-72 小時）。該系統在事件期間以託管服務形式運行，在事件之間則處於休眠，因此您不必為閒置的基礎設施付費。
多數商業洪水模型，包括您今天可採購的供應商評分，本質上都是回顧過去的。它們以歷史損失資料與衛星觀測進行訓練，這意味著它們建模的是過去的氣候，而非未來的氣候。對一份 1 年期的保單而言，這是可以接受的。但對保單組合策略、準備金充足度與再保險合約協商而言，這是一個真實的缺口。
技術上的答案是物理資訊神經網路（physics-informed neural networks）。一個 PINN 不純粹以歷史洪水事件進行訓練，而是將聖維南方程式（Saint-Venant equations，流體流動的質量與動量守恆）直接嵌入損失函數中。這意味著模型無法預測水在沒有來源的情況下出現，或往上坡流動。當您餵給它一個超越歷史紀錄中任何事件的合成降雨情境時，物理約束會使輸出維持在物理上合理的範圍。
Swiss Re 將 Fathom 資料整合進 50,000 年機率性事件集，正是業界朝此方向邁進的展現。我們打造財產層級的代理模型，在毫秒內近似完整的水動力模擬。這些模型在今天尚不足以用於即時費率的正式生產。但它們對巨災情境分析、準備金充足度測試，以及需要展示您保單組合對尚未發生事件之曝險的再保險提交而言，是不可或缺的。我們會與供應商評分並用：以 ZestyAI 處理今日的風險，以物理資訊模型處理明日的風險。
一個典型的委託案在四個階段內歷時 16-24 週。階段 1（3-4 週）是保單組合診斷：我們分析您目前的保單組合、辨識您的定價在何處偏離財產層級風險，並量化逆選擇曝險。此階段通常在一個 $200M 已簽保費的保單組合上揭露每年 $2-5M 的滲漏，這筆金額足以支應其餘的委託案。
階段 2（6-8 週）是模型開發：打造多來源評分引擎、為您重點地理區建立雨洪微觀模型，以及 Guidewire／Duck Creek 整合。階段 3（4-6 週）是法規準備：差別影響分析、精算備忘錄，以及為您優先州別準備的 DOI 申報文件包。階段 4（3-6 週）是正式上線部署，以及以經 AI 強化費率進行的第一個續保週期。
預算取決於範圍。一個聚焦於一州一災種的委託案（例如佛羅里達的私營洪水）約需 $350K-$500K。一個涵蓋洪水、風災與野火、附完整 DOI 申報支援的多州多災種計畫，約需 $800K-$1.5M。對 MGA 而言，數字通常較低，因為保單組合較小，且您申報的州別較少。我們將委託案設計成讓階段 1 成為一項獨立交付成果。如果保單組合診斷未找到可採取行動的滲漏，您就到此為止。
這個解決方案頁面背後的技術基礎。
用於以電腦視覺為基礎的 FFE 萃取、SAR 洪水監測管線，以及在保險核保中進行水動力模擬之物理資訊神經網路的技術架構。
保單組合診斷歷時 3-4 週，並透過辨識藏匿於您保單組合中被錯估的 Zone X 房產，使其自身得以回本。
保單組合診斷歷時 3-4 週。如果我們未找到可採取行動的滲漏，您就到此為止。如果我們找到了，財產層級 AI 評分的商業論證就會不言自明。