Future insurance losses for pluvial flooding in Canada and the United States
Notice bibliographique
Résumé
There is mounting pressure on the financial services industry to factor in climate extremes and climate change. As a result, new reporting and regulatory requirements are gradually being enforced on (re)insurers globally. One key requirement is physical risk assessment, that is, quantifying the financial impacts of climate change on the frequency and severity of claims due to weather events such as flooding. This is however a very challenging task for (re)insurers as it requires modelling at the scale of a portfolio and at a high enough spatial resolution to incorporate local climate change effects. \n \nIn this paper, we introduce a data science approach to physical risk assessment of pluvial flooding for insurance portfolios over Canada and the United States. The underlying flood model is focused on quantifying the financial impacts of short-term (12-48 hours) precipitation dynamics over the present (2010-2030) and future climate (2040-2060) using a methodological approach that leverages statistical/machine learning and regional climate models. The flood model is designed for applications that do not require street-level precision as is often the case for scenario and trend analyses. It is performed at the full scale of Canada and the U.S. at 10 to 25 km resolution. \n \nOur models show that climate change and urbanization will typically increase losses over Canada and the U.S., while impacts are strongly heterogeneous from one state or province to another, or even within a territory. Portfolio applications highlight the importance for a (re)insurer to differentiate between future changes in hazard and exposure, as the latter may magnify or attenuate the impacts of climate change on losses. While the overall methodology can be applied to physical risk assessment of various risks, we also provide detailed maps and tables of the impacts of climate change on pluvial flooding for use by researchers and practitioners.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».