白佩華觀點：災害模型AI化─中小企業自建三層架構營運風險模型

企業過去習慣用歷史經驗管理風險，但這套邏輯正在失效。強對流風暴、野火、內陸洪水、颱風路徑變化、缺水、停電與供應鏈中斷，正在讓企業面對一種新的經營環境：風險不是偶發事件，而是持續累積的營運壓力。

Verisk近期對災害模型的發展也開始轉變。它提醒災害模型的目的不是預言災害，而是處理機率、發現不確定性，讓保險公司、再保險公司、企業與社區可以在不確定中更有信心地行動。真正的風險管理差距，不只在於誰買得起最昂貴的模型，而在於誰能及早建立自己的風險視野。

Verisk Analytics（NYSE：VRSK）這家專為全球保險業提供預測模型、風險評估與決策支援的公司發表了On the Edge of Risk and Resilience及Catastrophe Exposure Management: Taking More Ownership of the Risk顯示了模型三大趨勢：

1. 從年度檢討走向持續曝險管理: 災害模型正從歷史經驗走向近即時、前瞻式、開放式模型生態系。企業或保險業者過去只在年度續保、再保安排或風險盤點時才使用災害模型。但現在，災害風險已經進入全年性的承保、資本配置、供應鏈管理、營運持續、保險安排與董事會治理。

這代表災害風險不應只在保險到期或永續報告前被拿出來討論，而應該成為經營管理的一部分。企業不能只問保費多少或保額夠不夠，而要問：主要廠區若停工七天，現金流是否承受得住？關鍵供應商若逢災害意外，是否有替代來源？物流港口若受阻，交期是否違約？保單是否涵蓋營業中斷、供應鏈中斷、洪水、地震或機械故障？若災害發生，保險理賠時間是否能減緩企業現金流壓力？

2. 從單一模型走向多模型生態系。Verisk透過收購Nasdaq Risk Modelling for Catastrophes平台，擴大第三方超過300個模型的使用，這反映出災害風險已複雜到不能只依賴單一模型、單一假設或單一資料來源。

未來的風險管理更像是模型組合管理，不同模型可能使用不同災害資料、氣候假設、工程參數與損失函數。企業要學會比較模型之間的差異，而不是期待模型給出唯一答案。

3. 雲端化、平台化與自動化。災害模型不再只是一份靜態報告，而是逐步變成企業管理節奏中的動態工具。目標是提升災害模型運算的彈性、速度、可擴充性、自動化流程與一致性。這對保險業、再保險業與大型企業都很重要，因為未來的災害風險管理不會是一年一次的模型報告，而是需要不斷更新、反覆測試、快速回應的管理流程。對保險公司而言，這是承保、組合管理與再保決策的工具。對一般企業而言，則可以轉化為廠區曝險、供應鏈韌性、財務壓力測試與保險缺口管理的決策平台。

（相關報導： 鄭兆希觀點：撩虎鬚的代價與紅利─論賴政府出訪史瓦帝尼的外交博弈 ｜ 更多文章 ）

AI的角色不是用來取代Verisk這類大型災害模型，也不是讓企業相信自己可以用一般生成式AI預測下一場颱風、地震或洪水。AI真正的價值，是降低資料整理、文件解讀、情境摘要、異常辨識與管理報告的成本，讓更多企業可以建立自己的風險視野。

大型災害模型需要大量資料，包括地理位置、建築結構、地形、氣候、歷史損失、保險理賠、資產價值、工程參數與財務假設。過去這些資料需要專業團隊整理與解讀，因此模型使用門檻很高。AI出現後，企業至少可以先處理自己可掌握的資料：保單、廠區清單、供應商資料、設備價值、庫存天數、歷史停工紀錄、維修紀錄、營收依賴度、客戶合約與持續營運計畫(BCP)文件。

AI可以協助企業結構化資訊。例如，把保單條款整理成保險缺口表；把供應商地址轉成地區集中度；把歷史災害事件整理成風險提示；把「停工七天、十四天、三十天」轉成營收、毛利、現金流與違約風險情境分析；把BCP文件轉成缺口清單；最後再把這些資訊整理成董事會或經營會議看得懂的一頁式風險儀表板。

AI的定位不是災害預測工具，而是風險智能助理。它不可替企業做最後判斷，但可以幫助企業更快把分散在各部門的資訊整合起來，讓風險不再只是抽象名詞，而是變成可以被管理層討論的營運和決策助理。

對中小企業而言，不可能購買高階災害模型、建立團隊、進行情境模擬與資本模型分析，建立完整災害模型，但不能因此放棄模型思維。

事實上，中小企業需要的不是災害模型(catastrophe model)，而是營運風險模型(business risk model)。它不必模擬所有災害的分布機率和計算；但它至少可以用AI建立一套自己的曝險、衝擊以及行動模型，不須追求精算上的完美，只要適用於管理即可。

中小企業如果要落地，可以採取三層架構。

第一層是曝險資料層。先把自己的資料盤清楚，包括廠區地址、設備價值、產線配置、供應商地點、客戶依賴、庫存天數、物流路線、保單資料、歷史停工記錄、維修時間與現金流緩衝。

第二層是AI輔助分析層。利用AI將資訊文件架構成管理工具，例如前述保險缺口表、供應商地區集中圖，BCP架構分析，以及歷史災害事件的風險警訊。找出哪些風險正在累積，哪些風險被低估。

第三層是情境測試與決策層。企業要把AI分析轉成經營決策。例如設定輕度、中度、重度情境：以停工天數分別估算營收損失、額外成本、保險可回收金額、現金流缺口與必要管理行動。找出應該投資哪一個韌性項目。

這套方法的好處，是成本低、可逐步推進，也可以隨企業規模成長而擴充。第一階段可以從Excel、AI文件整理工具與簡單儀表板開始；再加入地理風險資料、供應鏈資料等；第三階段才進一步串接財務模型、ERP、採購系統或外部災害資料。企業不需要一次建成完整模型，而是要先建立內部的風險資料紀律。

AI自創模型越容易使用，越需要治理。企業必須清楚知道資料來源、模型假設、更新頻率、人工覆核責任與決策邊界。AI輸出不能直接作為最終判斷，重大假設仍要由財務、營運、保險或風控人員確認並且必須連結行動。

風險管理不是為了消除不確定性，而是讓企業在不確定性中仍能做出有紀律的決策。無論是大型災害模型或是AI的風險資訊架構分析，都是為了讓不同規模的企業了解風險方向和衝擊程度，強化企業的韌性。

大型模型讓我們看見風險管理的高度；AI小模型，則可能讓更多中小企業真正開始擁有自己的風險視野。 （相關報導： 鄭兆希觀點：撩虎鬚的代價與紅利─論賴政府出訪史瓦帝尼的外交博弈 ｜ 更多文章 ）

＊作者為鑫友會顧問暨資深企業顧問，本文由鑫友會提供，授權刊載。