Risiko Bencana Alam 2026: AI Bantu Kurangkan Volatiliti

Kerugian akibat bencana alam (natural catastrophe atau nat cat) semakin sukar dijangka—bukan semata-mata kerana ribut, banjir atau kebakaran hutan makin kerap diperkatakan, tetapi kerana pendedahan risiko (exposure) kita sendiri sedang berubah pantas. Bandar membesar, aset bernilai tinggi berkumpul di kawasan yang dulu “ok”, dan infrastruktur baharu dibina untuk mengejar permintaan tenaga. Hasilnya: satu kejadian yang sama boleh menghasilkan bil tuntutan yang jauh lebih besar berbanding sedekad lalu.

Satu angka yang patut buat pengunderait dan pengurus risiko berhenti sekejap: sekitar 60% kerugian nat cat global tahun lalu berpunca daripada “peril sekunder”—bukan bencana besar klasik seperti taufan tropika atau gempa bumi. Peril sekunder seperti hujan lebat bandar, kebakaran hutan, atau ribut konvektif teruk (severe convective storms, SCS) sedang menjadi pemacu kerugian yang konsisten, dan ini mengubah cara kita patut memodelkan risiko untuk 2026.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat perkembangan ini sebagai satu pengesahan yang jelas: AI bukan aksesori analitik. AI ialah alat kerja utama untuk menilai risiko yang makin bersifat mikro, pantas berubah, dan mudah “terlepas” oleh model tradisional.

Kenapa risiko nat cat 2026 dijangka terus volatile

Jawapan ringkasnya: kerugian nat cat dipacu oleh gabungan bahaya (hazard) dan pendedahan (exposure) yang sama-sama berubah. Apabila kedua-duanya bergerak serentak, volatiliti akan naik.

Pakar bahaya semula jadi dan analitik data, Dr. Melanie Fischer (HDI Global) menjangkakan trend kerugian nat cat akan meneruskan corak beberapa tahun kebelakangan ini: kerugian ekonomi global kekal di atas purata, dan faktor sosioekonomi kekal sebagai pemacu utama kerugian yang diinsuranskan.

Berikut realitinya:

• Peril primer (taufan tropika, gempa) masih mampu mencetus “single-event loss” yang sangat besar—ia penyumbang utama spike kerugian.
• Peril sekunder pula lebih kerap, lebih meluas, dan lebih sukar dikesan awal dalam skala underwriting harian—ia penyumbang utama kerugian yang “menitis tapi tak berhenti”.

Bagi syarikat insurans, gabungan ini mewujudkan dua tekanan serentak:

1. keperluan menghadapi tahun puncak kerugian (seperti 2017), dan
2. keperluan membetulkan harga serta terma polisi untuk kerugian yang berlaku berulang-ulang.

Urbanisasi: punca “senyap” yang membesarkan bil tuntutan

Urbanisasi bukan sekadar lebih ramai tinggal di bandar; ia mencipta pengumpulan aset bernilai tinggi di zon bahaya. Ini yang membesarkan kerugian insurans walaupun intensiti hazard tidak berubah banyak.

Asia dan Afrika dijangka mencatat peningkatan urbanisasi yang besar. Apabila populasi bandar naik, dua perkara berlaku serentak:

1. Aset berkumpul dalam radius kecil

   • Kompleks perumahan bertingkat, pusat data, gudang logistik, hospital, dan pusat membeli-belah wujud berdekatan.
   • Satu kejadian banjir kilat bandar boleh memberi kesan multi-policy dalam satu kawasan poskod.

2. Pembangunan masuk ke kawasan terdedah

   • Tanah “selamat dan strategik” cepat habis.
   • Pembangunan mula bergerak ke dataran banjir, kawasan cerun, atau pinggir bandar yang sistem saliran belum matang.

3. Infrastruktur tenaga dan air makin mahal, dan sering berada di lokasi berisiko

   • Keperluan tenaga meningkat membawa kepada projek seperti empangan hidro dan grid baharu.
   • Infrastruktur begini biasanya berbilion nilai penggantian dan boleh berada di kawasan hazard-prone.

Apa maksudnya kepada underwriting dan pengurusan risiko?

Model zon risiko statik (contoh: peta banjir lama + faktor poskod) makin cepat lapuk. Saya kerap lihat organisasi masih bergantung pada “kitaran kemas kini” tahunan, sedangkan perubahan pendedahan boleh berlaku dalam beberapa bulan.

Di sinilah AI memberi nilai paling ketara: AI boleh menggabungkan data pembangunan baharu, perubahan guna tanah, dan imejan satelit untuk mengesan pertumbuhan pendedahan lebih awal—sebelum portfolio anda “terlebih kumpul” (over-accumulate) di lokasi tertentu.

Peril sekunder naik: kenapa AI lebih sesuai daripada model tradisional

Peril sekunder memerlukan analitik yang lebih granular—berdasarkan corak, konteks setempat, dan gabungan faktor kecil. AI sangat kuat dalam kerja begini.

Dr. Fischer menekankan peril sekunder semakin dominan, termasuk:

• Kebakaran hutan (contoh kejadian besar di Southern California, dan “Black Summer” Australia 2019/20)
• Banjir (terutamanya banjir bandar akibat hujan lebat)
• SCS (ribut konvektif teruk yang meningkat di AS dan dilaporkan juga di Jepun)

Banjir bandar: masalah “kapasiti sistem” yang selalu dipandang ringan

Banjir bandar bukan hanya isu paras air sungai. Selalunya ia isu:

• kapasiti saliran,
• permukaan berturap yang tinggi,
• halangan aliran (binaan, longkang tersumbat), dan
• kelajuan aliran yang mengejutkan.

Banyak bandar “nampak baik” di atas kertas, tetapi gagal bila hujan lebat berlaku dalam tempoh singkat. Sistem perlindungan banjir boleh overwhelmed, dan kerugian jadi besar.

AI boleh membantu melalui pemodelan mikro-banjir: menggabungkan data topografi resolusi tinggi, imejan satelit, sejarah hujan setempat, serta data tuntutan untuk mengenal pasti hotspot banjir di skala kejiranan—bukan sekadar daerah.

SCS: kerugian besar, kekerapan tinggi, dan sukar dijangka

SCS melibatkan kombinasi hujan lebat, angin kencang, kilat, dan kadang-kadang hujan batu. Ia sering menghasilkan:

• kerosakan bumbung,
• kerosakan kenderaan,
• gangguan operasi perniagaan,
• tuntutan kecil-berjumlah-besar bila dikumpulkan.

Dalam dunia pricing, ini mengganggu kerana tuntutan nampak “biasa” satu persatu, tetapi portfolio boleh terjejas ketara bila corak SCS menjadi lebih kerap di kawasan tertentu.

AI sesuai untuk mengesan perubahan corak ini—contohnya melalui pattern recognition pada data cuaca, data radar, serta sejarah tuntutan untuk membina amaran awal dan pelarasan kadar yang lebih tepat.

Ketidakpastian iklim: masalah sebenar ialah pembezaan punca

Perubahan iklim dan variabiliti iklim semula jadi wujud serentak—dan memisahkan kesannya memang rumit. Dr. Fischer menegaskan “attribution” iklim sangat kompleks.

Untuk organisasi insurans, debat punca bukan yang paling kritikal dalam operasi harian. Yang kritikal ialah:

• Kekerapan kejadian meningkat
• Magnitud kejadian meningkat
• Kejadian berlaku di lokasi “tak dijangka” atau intensiti luar biasa

Contoh yang menonjol dari beberapa tahun kebelakangan ini ialah kejadian banjir besar di kawasan yang lazimnya tidak dikaitkan dengan banjir berskala besar. Ini mesejnya: peta jangkaan lama tidak semestinya relevan untuk 2026.

AI boleh membantu dengan pendekatan yang lebih pragmatik: bukan “membuktikan punca”, tetapi mengemaskini risiko secara berterusan apabila data baharu masuk—cuaca, pembangunan bandar, perubahan guna tanah, dan isyarat awal anomali.

Cara praktikal guna AI untuk underwriting nat cat (yang benar-benar berkesan)

AI paling bernilai apabila ia disambungkan terus kepada keputusan underwriting, pengurusan akumulasi, dan strategi reinsurans. Berikut pendekatan yang saya cadangkan jika anda mahu hasil yang jelas dalam 90–180 hari.

1) Bina “peta pendedahan dinamik” untuk akumulasi

Masalah utama banyak insurer bukan “tak ada model hazard”, tetapi tak nampak akumulasi portfolio bila bandar berkembang.

Gunakan AI untuk:

• menggabungkan data polisi + geokod tepat,
• mengesan kluster nilai tinggi,
• mensimulasikan senario banjir bandar atau SCS di skala kecil.

Hasil yang anda patut sasarkan: had akumulasi yang lebih spesifik (contoh: per grid 1km², bukan hanya per poskod).

2) Gunakan analitik tuntutan untuk mengesan peril sekunder lebih awal

Peril sekunder biasanya muncul dalam data tuntutan sebelum ia “diakui” dalam pelaporan industri.

Apa yang AI boleh buat dengan baik:

• mengklasifikasikan punca kerugian daripada nota adjuster,
• mengesan lonjakan tuntutan mengikut masa dan lokasi,
• membezakan trend sebenar vs “noise” bermusim.

Hasil yang anda patut sasarkan: pelarasan harga/terma yang lebih cepat—bukan tunggu semakan tahunan.

3) Automasi “triage risiko” untuk kelajuan quoting tanpa mengorbankan ketepatan

Bila volatiliti naik, tekanan pasaran biasanya dua: nak cepat keluarkan sebut harga dan pada masa sama nak elak underprice.

AI boleh menyokong:

• skor risiko awal (pre-underwriting),
• cadangan dokumen tambahan (contoh: pelan mitigasi banjir, bahan bumbung),
• rujukan automatik ke underwriter senior untuk risiko tertentu.

Hasil yang anda patut sasarkan: masa tindak balas lebih pantas sambil mengekalkan kawalan risiko.

4) Uji strategi reinsurans dengan senario yang lebih realistik

Jika peril sekunder menjadi pemacu utama, struktur perlindungan yang hanya fokus pada “big one” boleh jadi tidak seimbang.

AI membantu dengan:

• simulasi agregat kerugian berulang,
• ujian sensitiviti (contoh: hujan lebat + bandar berturap tinggi),
• anggaran tail risk untuk gabungan peril.

Hasil yang anda patut sasarkan: keputusan reinsurans yang lebih selari dengan profil kerugian sebenar.

Soalan lazim yang patut dijawab sebelum melabur AI nat cat

Jika anda tak jelas pada tiga perkara ini, projek AI biasanya terhenti di peringkat “pilot”.

Adakah AI menggantikan model cat tradisional?

Tidak. AI melengkapkan model tradisional dengan data baharu (imejan satelit, data bandar, teks tuntutan) dan kemas kini yang lebih kerap.

Data apa paling kritikal untuk mula?

Mulakan dengan tiga set data yang hampir semua insurer ada:

• data polisi (lokasi, nilai, jenis binaan),
• data tuntutan (punca, kos, masa),
• data hazard asas (banjir, angin, kebakaran) daripada vendor atau sumber dalaman.

Berapa cepat boleh nampak ROI?

Untuk kes penggunaan seperti triage risiko dan pengesanan peril sekunder, organisasi yang bersedia biasanya boleh nampak kesan dalam 3–6 bulan melalui:

• penurunan leakage,
• pelarasan harga yang lebih tepat,
• pengurangan akumulasi tidak sedar.

Apa yang patut dibuat sekarang untuk bersedia ke 2026

Risiko nat cat 2026 bukan sekadar “lebih banyak bencana”. Ia lebih banyak ketidakpastian kerana urbanisasi, akumulasi aset, dan peril sekunder yang semakin dominan. Dalam keadaan begini, saya percaya pendekatan paling selamat ialah yang paling adaptif.

Jika anda mengurus underwriting, risiko perusahaan, atau portfolio reinsurans, langkah seterusnya jelas: jadikan AI sebagai enjin kemas kini risiko yang berterusan, bukan projek sekali siap. Mulakan kecil, tapi pilih masalah yang betul—akumulasi bandar, peril sekunder, dan triage underwriting.

Akhirnya, persoalan yang patut dibawa ke mesyuarat pengurusan minggu ini: bila risiko mula muncul di lokasi “tak dijangka”, adakah model dan proses anda mampu mengesan perubahan itu dalam minggu—atau hanya selepas setahun bila kerugian sudah pun masuk buku?