Cat Bonds & Insurans Risiko Fizikal: AI Perkukuh Adaptasi Iklim

84% pelabur institusi masih optimistik tentang pelaburan mampan—dan apabila topik adaptasi iklim makin mendesak, instrumen yang paling banyak disebut bukan panel solar atau EV, tetapi catastrophe bonds (cat bonds) dan kontrak insurans risiko fizikal. Itu dapatan tinjauan Morgan Stanley terhadap lebih 900 pelabur institusi.

Bagi ramai pengurus risiko dan pemain insurans, isyarat ini jelas: pasaran sedang beralih daripada “cerita ESG” kepada ketahanan (resilience) yang boleh diukur—banjir, ribut, kebakaran hutan, gelombang haba, dan kenaikan paras laut yang benar-benar mengganggu operasi dan aliran tunai.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat trend ini sebagai bukti mudah: produk insurans yang berkait risiko bencana tak boleh lagi bergantung pada model statik. Bila corak bahaya berubah, underwriting, pemodelan bencana, dan harga risiko perlu bergerak lebih pantas. Di sinilah AI untuk pemodelan risiko iklim mula jadi keperluan, bukan aksesori.

Kenapa cat bonds dan insurans risiko fizikal jadi pilihan utama?

Jawapan ringkasnya: pelabur mahu pendedahan yang lebih “langsung” kepada tema adaptasi iklim—iaitu instrumen yang membayar (atau rugi) berdasarkan kejadian fizikal seperti taufan, gempa, banjir, atau kebakaran.

Cat bonds dan insurans risiko fizikal bukan sekadar “produk kewangan”. Kedua-duanya ialah mekanisme pemindahan risiko yang membantu komuniti dan perniagaan pulih lebih cepat selepas bencana. Dalam konteks adaptasi iklim, pemulihan cepat itu sama penting dengan usaha mitigasi.

Ada dua sebab mengapa dua instrumen ini kerap naik ke radar pelabur institusi:

1. Risiko fizikal makin kerap dan mahal — bukan hanya di satu negara atau satu musim. Apabila ketidakpastian meningkat, pihak yang mampu menilai risiko dengan tepat akan memiliki kelebihan harga.
2. Kepelbagaian portfolio (diversification) — cat bonds dan pelaburan berkaitan insurans (insurance-linked investments) kadang-kadang mempunyai korelasi yang berbeza berbanding ekuiti atau bon tradisional, kerana pencetusnya ialah peristiwa bencana, bukan semata-mata kitaran ekonomi.

Bunyi menarik? Ya. Tetapi realitinya keras: semuanya bergantung pada kualiti model risiko.

Cat bonds 101: apa yang pelabur sebenarnya beli?

Cat bond ialah bon di mana pelabur menerima kupon, tetapi boleh kehilangan sebahagian atau keseluruhan prinsipal jika berlaku peristiwa bencana tertentu (mengikut struktur perjanjian). Dari sudut penaja (biasanya penanggung insurans/penanggung insurans semula), cat bond ialah cara memindahkan risiko bencana kepada pasaran modal.

Bagaimana cat bond “membayar” atau “memotong” prinsipal

Struktur pencetus (trigger) biasa termasuk:

• Indemnity trigger: berdasarkan kerugian sebenar penaja.
• Parametric trigger: berdasarkan parameter fizikal (cth kelajuan angin, magnitud gempa).
• Industry loss trigger: berdasarkan anggaran kerugian industri.

Setiap satu ada kompromi. Indemnity paling dekat dengan kerugian sebenar tetapi memerlukan data tuntutan yang teliti. Parametrik pula lebih cepat dan telus, tetapi wujud risiko basis risk—parameter berlaku, tetapi kerugian sebenar pihak yang diinsuranskan tak sepadan.

Di mana AI masuk dalam cat bonds

Cat bonds ialah “produk data” sebelum ia jadi “produk kewangan”. AI boleh menguatkan beberapa titik kritikal:

• Pemodelan bahaya (hazard) yang lebih dinamik: model tradisional bergantung pada sejarah panjang; AI boleh menggabungkan data satelit, radar hujan, data laut, dan corak cuaca terkini untuk mengemas kini kebarangkalian.
• Anggaran kerugian (loss estimation) lebih pantas: selepas peristiwa, pembelajaran mesin boleh mempercepat anggaran kerosakan berdasarkan imej udara, laporan lapangan, dan data IoT.
• Pengesanan anomali portfolio: AI boleh menandakan pendedahan yang “terlalu tertumpu” di zon berisiko walaupun kelihatan seimbang pada kertas.

Satu pendirian yang saya pegang: pasaran cat bond akan semakin memihak kepada penerbit dan pelabur yang telus tentang data dan metodologi model. AI membantu—tetapi hanya jika tadbir urus model (model governance) kuat.

Insurans risiko fizikal: dari “setahun sekali” kepada pemantauan berterusan

Insurans risiko fizikal (physical risk insurance) merujuk kepada perlindungan yang fokus pada kerosakan atau gangguan akibat bahaya fizikal iklim: banjir kilat, ribut, kebakaran hutan, tanah runtuh, gelombang haba yang memecahkan peralatan, dan sebagainya.

Jawapan mudah: produk ini akan berkembang kerana pelanggan kini mahukan perlindungan yang lebih spesifik, lebih pantas, dan lebih selari dengan realiti lokasi aset mereka.

Underwriting moden: AI sebagai enjin penilaian risiko lokasi

Underwriting yang relevan pada 2025 menuntut resolusi data yang tinggi—bukan sekadar “poskod” atau “daerah”. AI dalam underwriting insurans boleh menyokong:

• Geocoding aset + peta bahaya resolusi tinggi: menilai jarak ke sungai, kecerunan tanah, sejarah genangan, dan perubahan guna tanah.
• Skor risiko iklim per aset: skor yang dikemas kini berkala, bukan statik setahun sekali.
• Simulasi senario: contohnya, apa jadi pada premium dan had perlindungan jika kekerapan banjir 1-dalam-100 tahun berubah menjadi 1-dalam-30 tahun.

Tuntutan dan penipuan: AI bukan sekadar automasi

Dalam bencana besar, volum tuntutan memuncak. AI untuk pengurusan tuntutan membantu membezakan antara tuntutan sah yang perlu dibayar cepat dan tuntutan bermasalah.

Contoh aplikasi yang praktikal:

• Triaging tuntutan: mengutamakan kes yang berisiko tinggi (cth kerosakan struktur kritikal) untuk lawatan segera.
• Computer vision: menilai kerosakan daripada foto pelanggan atau imej dron.
• Pengesanan penipuan: mengesan corak tuntutan berulang, metadata imej yang meragukan, atau dokumen yang dijana.

Satu perkara yang ramai terlepas pandang: ketika bencana, “kelajuan bayar” ialah sebahagian daripada adaptasi. Komuniti pulih lebih cepat bila tuntutan diproses dalam hari, bukan bulan.

Kenapa pemodelan risiko iklim tak boleh lagi statik

Jawapan terus: kerana iklim tidak lagi “stabil” seperti andaian model sejarah. Bila taburan kebarangkalian berubah, model yang hanya bergantung pada data lampau akan ketinggalan.

Ini isu besar untuk cat bonds dan insurans risiko fizikal kerana kedua-duanya menilai risiko peristiwa jarang tetapi berimpak tinggi.

Masalah “model drift” dan data baharu

Dalam AI, kita panggilnya model drift: apabila hubungan data-ramalan berubah dari masa ke masa.

Untuk risiko iklim, drift berlaku kerana:

• perubahan guna tanah (bandar makin padat, saliran berubah)
• infrastruktur bertambah (nilai terdedah meningkat)
• perubahan corak ribut dan hujan
• kebakaran hutan dipacu gelombang haba dan kekeringan

Jika organisasi masih menilai risiko seperti 10–20 tahun lalu, harga premium dan struktur cat bond boleh tersasar—sama ada terlalu murah (bahaya kepada solvency) atau terlalu mahal (peluang hilang dan perlindungan jadi tidak mampu milik).

Apa yang “baik” untuk dilakukan sekarang

Untuk pasukan insurans, reinsurans, atau pelaburan yang menilai instrumen adaptasi iklim, saya cadangkan kerangka ringkas ini:

1. Audit data: data pendedahan (exposure) sering lebih lemah daripada data bahaya. Betulkan inventori aset dahulu.
2. Gabung model tradisional + AI: model bencana (cat models) kekal penting; AI menguatkan kemas kini dan resolusi.
3. Uji stres senario: bukan satu senario—sekurang-kurangnya 3 (asas, buruk, ekstrem).
4. Tadbir urus model: dokumentasi, pemantauan prestasi, dan semakan berkala.
5. Rangka kerja etika & pematuhan: ketelusan keputusan underwriting supaya boleh dipertahankan.

Satu ayat yang patut melekat: “Model risiko yang tak dikemas kini akan menjadi liabiliti kewangan.”

Soal jawab ringkas yang biasanya ditanya pasukan risiko

“Adakah cat bonds sesuai untuk semua pelabur?”

Tidak. Cat bonds sesuai untuk pelabur yang memahami risiko peristiwa bencana, sanggup menerima potensi principal loss, dan mahu diversifikasi. Ia bukan produk “simpanan selamat”.

“Kenapa pelabur institusi suka tema adaptasi iklim sekarang?”

Kerana adaptasi berkait rapat dengan kesinambungan operasi. Bila aset fizikal terjejas, pendapatan, kredit, dan nilai syarikat turut terjejas. Adaptasi ialah perlindungan aliran tunai.

“AI benar-benar membantu, atau sekadar hype?”

AI membantu apabila ada tiga perkara: data berkualiti, proses yang jelas, dan kawalan (governance). Tanpa itu, AI cuma menambah kelajuan kepada keputusan yang salah.

Apa maksud trend ini untuk organisasi di Malaysia dan rantau ini

Jawapan paling praktikal: organisasi patut mula mengukur risiko fizikal pada tahap aset, bukan pada tahap umum.

Malaysia dan Asia Tenggara terdedah kepada banjir, ribut tropika, tanah runtuh, dan gangguan rantaian bekalan. Banyak syarikat juga bergantung pada lokasi gudang, pelabuhan, dan jalan utama—semua ini ialah “titik lemah” bila bencana berlaku.

Jika anda berada dalam pengurusan risiko, insurans korporat, kewangan, atau pelaburan, ini langkah yang realistik untuk 90 hari akan datang:

• Kenal pasti 20 aset paling kritikal (kilang, gudang, data center, cawangan utama)
• Skor risiko banjir/ribut/gelombang haba per aset
• Semak semula struktur perlindungan: had, deduktibel, tempoh gangguan perniagaan
• Bina pelan data: imej aset terkini, sensor jika perlu, dan rekod penyelenggaraan

Bila anda buat kerja asas ini, perbincangan tentang cat bonds, parametric insurance, atau kontrak risiko fizikal jadi lebih matang—dan lebih mudah untuk mendapat kelulusan pihak pengurusan.

Penutup: adaptasi iklim kini memacu reka bentuk produk insurans

Dapatan Morgan Stanley tentang minat tinggi terhadap cat bonds dan insurans risiko fizikal menunjukkan pasaran sedang memilih instrumen yang terus menangani risiko iklim yang nyata. Untuk industri insurans, ini menuntut satu perkara: pemodelan risiko yang lebih tepat, lebih pantas, dan lebih telus.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat AI sebagai pemecut kepada amalan baik: underwriting berasaskan lokasi, pemodelan bencana yang dikemas kini, pengurusan tuntutan yang cekap, dan pengesanan penipuan yang lebih tahan uji—semuanya menyokong ketahanan kewangan.

Jika organisasi anda sedang menilai strategi adaptasi iklim, persoalan yang patut dibawa ke mesyuarat seterusnya bukan “perlu AI atau tidak”. Persoalannya: data apa yang kita perlukan supaya keputusan insurans dan pelaburan kita kekal betul bila corak risiko berubah?