Het belang van datakeuze voor effectieve overstromingsverzekering

Een satellietbeeld van het NASA Earth Observatory toont de overstromingen in Rio Grande do Sul, de meest zuidelijke staat van Brazilië, op 27 april 2024. Onderzoekers van de Universiteit van Arizona hebben satellietdata vergeleken met verschillende andere soorten overstromingsobservaties en ontdekten dat het combineren van gegevens de respons en herstel bij rampen kan verbeteren.

In een wereld die vol staat met sensoren en satellieten, is de toegang tot hoogwaardige data die kan helpen bij het oplossen van problemen en het verbeteren van systemen nog nooit zo wijdverspreid geweest. Maar met zo’n overvloed aan informatie, hoe weten we dan zeker dat we de juiste data kiezen en deze correct gebruiken?

Onderzoekers van de Universiteit van Arizona hebben deze vraag onderzocht in de context van overstromingsverzekeringen, en hun bevindingen kunnen gevolgen hebben voor de respons en het herstel na rampen. In een onlangs gepubliceerde studie in het tijdschrift Earth’s Future gebruikten de onderzoekers een gesimuleerd overstromingsverzekeringsprogramma in Bangladesh om echte overstromingsgegevens van vijf verschillende bronnen te vergelijken. Het team ontdekte dat het type gebruikte data niet alleen de nauwkeurigheid en snelheid van uitbetalingen beïnvloedt, maar ook de mate van zekerheid bij het anticiperen op toekomstige verzekeringsuitbetalingen, wat direct invloed heeft op de kosten van het programma.

Alex Saunders, de hoofdauteur van het onderzoek en Ph.D.-kandidaat aan de U of A School of Geography, Development & Environment, werkte samen met een team van experts, waaronder Kevin Anchukaitis, directeur van het Laboratorium voor Boomringonderzoek, en professor in de aardwetenschappen; Andrew Bennett, assistent-professor in hydrologie en atmosferische wetenschappen; en Beth Tellman, voormalig assistent-professor. Het team bestond ook uit onderzoekers van Virginia Tech, de Bangladesh University of Engineering and Technology en het Bangladesh Water Development Board.

Saunders gelooft dat hun bevindingen voordelen kunnen bieden voor bewoners in overstromingsgevoelige gebieden over de hele wereld door verzekeraars te laten zien hoe het selecteren van de meest geschikte data uit een breed scala aan opties de respons op rampen en financiële bescherming kan verbeteren.

“Elk jaar komen er steeds meer overstromingen voor, en dat leidt tot een toename van de totale schade,” zegt hij. “In het geval van verzekeringen kan het creëren van een nauwkeuriger hulpmiddel dat mensen helpt om tijdiger uitbetalingen te ontvangen, hen helpen om door enkele van de moeilijkste tijden in hun leven heen te komen.”

Overheden, non-profitorganisaties en industrieën zoals landbouw, verzekeringen en energie vertrouwen steeds meer op gegevens van de aarde: informatie verzameld van satellieten, vliegtuigen en grondgebaseerde sensoren die de planeet monitoren. Experts gebruiken deze data om duurzaam middelenbeheer te begeleiden, milieuwijzigingen te voorspellen en te reageren op natuurrampen.

In het geval van overstromingsverzekeringen vertrouwen bedrijven steeds vaker op proxies—indirecte indicatoren van schade, zoals neerslagniveaus of rivierhoogtes—in plaats van schade rechtstreeks te beoordelen in verzekeringsclaims, wat kostbaar kan zijn in zowel kosten als de tijd die het kost. Deze proxies worden gecombineerd in indexen, numerieke drempels die uitbetalingen activeren zodra ze worden overschreden. Ondanks hun groeiende gebruik merkte Saunders op dat fundamentele aspecten van dit systeem, zoals welke gegevensbronnen zijn opgenomen in de verzekeringsindexen, vaak niet grondig zijn getest.

Om dat probleem aan te pakken, bestudeerden Saunders en zijn collega’s de moessonseizoenen in Bangladesh tussen 2004 en 2023. Ze analyseerden neerslagdata, rivierstanden en overstromingskaarten van de nationale overstromingsautoriteit, samen met twee soorten satellietdata om de waterbedekking te meten. Een satellietmethode gebruikte traditionele oppervlaktewatermetingen, terwijl de andere afhankelijk was van een kunstmatig intelligentiemodel dat speciaal was ontworpen om de moessonoverstromingspatronen in Bangladesh te volgen.

Het AI-gestuurde model registreerde succesvol de voortgang van het overstromingswater, terwijl de traditionele satellietmethode onbetrouwbare schattingen opleverde bij een hoge mate van bewolking. De onderzoekers testten vervolgens de vijf methoden door te evalueren wanneer de verzekering werd geactiveerd over de periode van 20 jaar, hoe snel die uitbetalingen plaatsvonden en hoe voorspelbaar ze waren.

Hun analyse onthulde dat geen enkele dataset consistent beter presteerde dan de anderen, hoewel de keuze van de data invloed had op de uitkomsten. In sommige gevallen waren de verschillende indexen het oneens over of en wanneer uitbetalingen moesten plaatsvinden. Deze afwijkingen waren nog duidelijker op regionaal niveau, waar lokale variaties bepaalde datasets minder betrouwbaar maakten. Het combineren of vergelijken van meerdere bronnen verbeterde ook het vertrouwen in de beslissingen over uitbetalingen.

“Een stroommeter kan ons vertellen hoe hoog een rivier is, maar dat betekent niet automatisch dat er overstromingen zijn—of dat mensen in de buurt zijn en gevaar lopen,” zei Saunders. “Satellieten kunnen het oppervlak van een hele regio tonen, maar neerslagdata kunnen even nuttig zijn, ook al leidt regen niet altijd tot overstromingen als het water ergens anders heen stroomt. Daarom kan het nodig zijn om meerdere datasets te gebruiken om overstromingen echt te begrijpen.”

Saunders voegde toe dat een van de meest interessante resultaten van de studie afkomstig was van het AI-gestuurde satellietmodel, dankzij de mogelijkheid om overstromingen zelfs tijdens aanhoudende bewolking te detecteren. Vergeleken met de traditionele satellietmethode die de onderzoekers testten, activeerde de AI-benadering uitbetalingen gemiddeld een week eerder. De nieuwere aanpak verlaagde ook de onzekerheid in verwachte uitbetalingen met meer dan 20%, wat de potentiële verzekeringskosten voor klanten verlaagde.

Saunders beveelt aan dat indexgebaseerde overstromingsverzekeringsprogramma’s een breed scala aan gegevensbronnen testen voordat ze worden geïmplementeerd, meerdere indexen opnemen om het risico van gemiste of onnodige uitbetalingen te verkleinen en nieuwe technologieën zoals AI verkennen om nauwkeurigheid en tijdigheid te verbeteren.

“Verzekeringsaanbieders kunnen in hun besluitvorming worden geleid door wat het gemakkelijkst beschikbare data is, maar er zijn een overvloed aan keuzes en meer soorten gegevens via middelen zoals satellietsensoren,” zei Saunders. “Maar alleen omdat een specifieke dataset gemakkelijk beschikbaar is of gebaseerd is op de nieuwste technologie, betekent niet dat het de juiste is voor een bepaalde situatie. Mensen moeten de volledige reeks beschikbare informatie overwegen en vergelijken om naar de beste oplossingen te zoeken.”

De behoefte aan nauwkeurigere verzekeringssystemen is dringend. Tussen 2000 en 2023 was slechts 16% van de $1,77 biljoen aan wereldwijde economische schade door overstromingen verzekerd, waardoor overheden, bedrijven en huishoudens de overgrote meerderheid van de kosten moesten dragen. Verzekeringen en herverzekeringen—de praktijk waarbij verzekeraars risico’s overdragen aan andere verzekeraars—zijn afhankelijk van nauwkeurige en tijdige informatie om effectieve hulp en herstel in gemeenschappen die door overstromingen zijn getroffen te ondersteunen.

Door gebruik te maken van verschillende bronnen van gegevens over de aarde, zei Saunders dat overheden, verzekeraars en andere organisaties cruciale inzichten zouden kunnen krijgen waarmee ze belangrijke, levensveranderende beslissingen kunnen nemen—mits ze die data verstandig gebruiken.