Exposure enrichment from imagery
Models extract roof type, building footprint and vegetation proximity from aerial and satellite imagery to fill gaps in exposure data, with accuracy measured against inspected properties.
GRA · Insurance Nexus
空间金融资本与危害、风险暴露和转型的交汇之处
保险中的机器学习
Artificial intelligence and machine learning are used in insurance to read images and documents, detect fraud, triage claims, enrich exposure data and segment risk. On this platform they are treated both as methods and as a source of risk to be governed, tested and explained.
02申请
人工智能与机器学习在此处的作用。
Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In insurance and catastrophe, climate and hazards and health and biosecurity, machine learning can scale detection and forecasting across interconnected 系统. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.
Fraud and claims triage
Classifiers score claims for complexity or fraud indicators to route them for review, with false positive rates, appeal outcomes and group disparities monitored beside detection.
Fairness testing of pricing models
Pricing and underwriting models are tested for disparate outcomes and proxy effects across groups, and less discriminatory alternatives are compared for predictive performance.
03损失模型
损失超越、年均损失和可能最大损失。
处于覆盖范围内的投资组合每年预期损失，以及保险公司和贷款机构定价所依据的 1/100 和 1/250 水平下的预期损失，均来自每个 巨灾模型 所用的同样三个模块。教学模型，所用数值为注明的示意值，并非预测。
控制措施
- 典型年度危害强度（所在地）
- 1.00 强度指数
- 极端值的扩散（尺度）
- 强度指数 0.80
- 损失一半价值时的强度
- 4.00 强度指数
- 脆弱性的离散程度
- 0.55
- 危害足迹中的价值占比
- 40%
- 防护标准（重现期）
- 50 年
读数
- 年均损失
- 占价值的 0.51%
- 百年一遇（1/100）的损失
- 占价值的 24.5%
- 250 年一遇（1/250）的损失
- 占价值的 28.4%
- 百年一遇（1/100）的强度
- 强度指数 4.68
数字、方法与来源
| 重现期（年） | 强度（强度指数） | 损失（占价值的 %） |
|---|---|---|
| 1 | 0.09 | 0.00 |
| 2 | 1.27 | 0.00 |
| 4 | 1.91 | 0.00 |
| 7 | 2.47 | 0.00 |
| 13 | 3.00 | 0.00 |
| 24 | 3.51 | 0.00 |
| 44 | 4.02 | 0.00 |
| 82 | 4.53 | 23.55 |
| 154 | 5.03 | 26.44 |
| 287 | 5.53 | 28.87 |
| 536 | 6.03 | 30.88 |
| 1,000 | 6.53 | 32.53 |
方法
- Gumbel 极值危害 Gumbel (1958), Statistics of Extremes, Columbia University Press
- 对数正态易损性（脆弱性） FEMA (2003), HAZUS-MH Technical Manual
- 超越概率曲线与年均损失 Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- 堤防效应 Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- 不确定性扇形图（参数蒙特卡罗） Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- 单因素敏感性（龙卷风图） Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
数据
The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:
- 河流 Natural Earth
- 城市范围 Natural Earth
- 城市 Natural Earth
- 过去一周 M4.5+ 地震（USGS） 美国地质调查局 · 登记 usgs.earthquake.summary-feeds
- 降雨率，最近半小时（IMERG） NASA GPM IMERG Early · 登记 nasa.gibs.context-live-layers
- 河流流量预报，30 天及范围（GloFAS via Open-Meteo） Open-Meteo.com（CC BY 4.0）、Copernicus GloFAS · 登记 open-meteo.public-pages
- 建成区与居民点范围，2010 年（HBASE，Landsat） CIESIN/Columbia、NASA SEDAC HBASE · 登记 sedac.context-urban-layers
贯穿六大支柱，由 Nexus Consortium 牵头
| 数据 | 角色 | 标签 |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | 观测 |
| Labelled claims histories | Training and testing | 已报告 |
| Property inspection records | Ground truth for imagery models | 观测 |
| Demographic reference data | Fairness testing | 估算 |
05风险暴露、损失与资本
What machine learning in insurance means for exposure, loss and capital.
风险官、监管者或财政部会要求的风险暴露、损失、情景和资本视图，以及它们据以报告的框架。结构遵循监管和精算实务。数值为说明性：绝非价格、评级或建议。
各重现期的风险暴露与损失
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| 重现期 | 年概率 | 总损失 | 净损失 | 净额，资本 = 100 |
|---|---|---|---|---|
| 1/10（10 年一遇） | 0.10 | 14 | 10 | 10 |
| 1/50（50 年一遇） | 0.02 | 33 | 21 | 21 |
| 1/100（100 年一遇） | 0.01 | 46 | 27 | 27 |
| 1/250（250 年一遇） | 0.004 | 68 | 39 | 39 |
| 年均损失 | 3.1 | 2.2 | 2.2 |
NGFS 气候情景 · 央行与监管机构绿色金融网络IFRS S2 气候相关披露 · ISSBTCFD 建议 · 金融稳定理事会 TCFD有效管理气候相关金融风险的原则 · 巴塞尔银行监管委员会
06验证
结果如何核查。
模型在尊重空间、时间与群体结构的留出数据上进行评估。在测试准确性的同时，也测试稳健性、校准与公平性。
| 核查 | 如何开展 |
|---|---|
| Temporal and held-out validation | Models are tested on later periods and unseen regions, not only on random splits |
| Calibration and drift monitoring | Predicted probabilities are compared with outcomes over time, and drift triggers recalibration |
| Fairness and explainability review | Outcome disparities and explanations are reviewed before deployment and periodically after |
| 人工监督 | Decisions adverse to customers have a documented human review and an appeal route |
当部署条件与训练数据不同时，性能会下降。模型可能固化偏见，并在罕见事件上毫无明显预警地失效。
09已关联
本页在整个联合体中通向何处。
10问题
问题与解答。
在该领域，人工智能与机器学习有哪些局限？
当部署条件与训练数据不同时，性能会下降。模型可能固化偏见，并在罕见事件上毫无明显预警地失效。
结果如何核查？
模型在尊重空间、时间与群体结构的留出数据上进行评估。在测试准确性的同时，也测试稳健性、校准与公平性。
本页面上的数值是真实的吗？
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
该方法还应用于何处？
维持社会运转的各个 规范方法页面 列出应用该方法的每个平台。
报告贡献
从本页贡献证据。
报告 is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
全球风险联盟（Global Risks Alliance）Insurance Nexus金融与保险准备度全球部门风险与韧性
- 电子邮件门户 GW-GRA从本页发送证据、更正、案例、方法、审查、翻译或概况投稿。它会带上本页标签送达，由负责的编辑接收。
- Zenodo开放存缴存缴并提交到社区用您的 ORCID iD 在 Zenodo 上发布您自己的记录，然后提交到那里的 Reports 社区。由策展人审核；DOI 仍归您所有。
- 报告全球风险联盟（Global Risks Alliance）查看所有贡献方式贡献类型、各自的评审方式、您获得的署名、许可协议，以及绝不接受的内容。
切勿发送个人数据、敏感基础设施细节或您无权分享的任何内容。贡献在使用前会经过审查；发送贡献不赋予署名权或编辑权，赞助也绝不能换取研究结论。
法律
法律文件。
本网站上的地图、数据和图表仅作为背景和一般信息展示。它们不是建议、预测或预警；信息的局限见免责声明和数据说明。