免費科普

你買的那塊地會不會淹？現在只有再保險公司知道

這個問題極難查。

而它決定的東西比坪數大得多——它決定你的保費會不會漲、決定銀行願不願意給你三十年房貸、決定你未來要賣的時候有沒有人敢買。

這個資訊不是不存在。它存在，但在別人手上。

全球的再保險公司花了幾十年、幾十億美元建立氣候風險模型。他們知道。專業的商業資料商也知道，價格通常是六位數美元起跳的年費。

買得起的人知道，買不起的人不知道。而買不起的人，通常正是風險曝露最大的那一群。

這是什麼

先講三個詞

氣候災害風險——特定地點在未來遭遇洪水、極端高溫、乾旱、野火、風暴的機率與嚴重度。

降尺度——把解析度很粗的氣候模式輸出，推估到「你家那塊地」的尺度。

知識圖譜與鏈結資料——把來自不同來源、不同格式的資料，用「實體與關係」的方式串起來，讓它們可以被一起查詢。

生活場景：同一塊地的兩份地圖

想像同一塊地，有兩份地圖。

第一份在再保險公司手上。上面有：歷史洪水紀錄、地形高程、排水系統容量、上游集水區、氣候模式的降雨推估、土地利用變遷——以及它們彼此的交互作用。

第二份是一般人查得到的：一張行政區級的淹水潛勢圖。解析度粗、更新慢，而且不告訴你三十年後會怎樣。

現在是關鍵的一句：兩份地圖的差別，不在於資料存不存在。

因為多數的原始資料其實是公開的——氣象紀錄、衛星影像、地形資料、氣候模式輸出，很多都由政府機構免費釋出。

差別在於有沒有人把它們整合起來。

上面那四份資料多半是政府免費釋出的。資訊不對稱不是因為資料稀缺，是因為中間那一步很貴。

貴的不是資料，是整合。

機制拆解：整合到底難在哪

普林斯頓校友創辦的 Hydronos Labs 做的系統叫 TerraCognos，它把幾類資料接在一起：衛星觀測、地面感測網、氣候再分析、水文模式，以及從短期到季節尺度的預報。

這裡有三個技術選擇，各自在解不同的問題：

一、只用公開資料。 這是能做到「低價」的前提——如果原始資料要花錢買，這個商業模式從一開始就不成立。

二、用機器學習做降尺度。 氣候模式的網格通常很粗，而你要問的是一塊地。降尺度就是把粗的推估細化到地點層級。

三、用知識圖譜把異質資料串起來。 這一項最容易被低估。 氣候資料的痛苦不在演算法，在資料工程——不同機構的格式各異、座標系不同、時間解析度不同、命名不一致。

把它們接起來，本身就是產品。

一句話總結

這門生意賣的不是資料，是「把公開資料變得可用」——而它的客戶，是那些過去因為買不起而只能不知道的人。

為什麼重要

為什麼是現在？ 三個結構性的變化，把需求方從「大機構」擴散到「所有持有實體資產的人」：

一、保險在退出。 部分高風險地區的保險公司開始拒保或大幅漲價。當保險不再吸收風險，風險就回到屋主與地方政府身上——他們被迫要自己知道。

二、揭露變成義務。 各國陸續要求企業揭露氣候相關財務風險，把風險評估從自願變成必做。

三、資產在重新定價。 房地產、基礎建設、農地的價值，開始被納入氣候風險的折價。

而這家公司選的客群，是小型企業、州與地方政府、個人、研究者與非營利組織——那些「知道自己需要、但買不起」的人。大型金融機構早就有供應商了，那個市場競爭激烈、銷售週期長。

這是一個商業模式的選擇，不是技術的選擇。 值得記住這個區分。

順帶一提，這篇讓我們照了一次鏡子

這個題目跟我們自己在做的事，結構上一模一樣。

我們的原料是公開的研究資訊——論文、技轉公告、基金名單，都在網路上；問題不是資訊稀缺，是沒有人在讀、在翻譯；而我們的讀者，是買不起機構研究的人。

兩邊共同的賭注是：資訊不對稱不是因為資訊稀缺，是因為整合成本高。

而共同的風險也一樣——如果整合變便宜了（比方說 AI 讓任何人都能做），這種護城河會消失。 我們把這句話寫在自己的免費文章裡，因為它是真的。

比喻到此為止

兩份地圖的比喻在兩個地方失效：

一、★ 地圖描述的是現在，氣候風險描述的是未來——而未來有不確定性。

這是最重要的失效點。一張地圖給你一個數字，你會把它當成一個事實。但風險評估是一個模型的輸出，帶有巨大的不確定性：不同氣候模式之間本來就有分歧、降尺度會放大誤差、極端事件的統計本來就難估。

二、地圖畫錯了可以更正，風險評估錯了會造成實際損害。 如果一個平台告訴你「這裡低風險」，而它淹了，責任在誰？這是這門生意的法律風險，而且沒有簡單答案。

還沒定案的事

一、★ 虛假的精確度，是這個領域最大的問題。

給出「洪水風險 7.3 分」比說「我們不確定」更好賣，但未必更誠實。氣候降尺度的不確定性，經常大於它呈現出來的樣子。一個負責任的產品應該呈現不確定性區間，而多數產品不這麼做——因為使用者不喜歡。

這一條我們看得比商業表現還重。 一個氣候風險平台如果只給你一個分數、不呈現區間，那它在做的事，跟那些把一整年的不確定濃縮成一個小數點後一位的財經預測是同一件事：用精確的外觀，掩蓋實質的不確定。

二、差異化在商業模式，不在技術。 這是一個競爭激烈的市場——大型商業資料商、非營利的地址級評分平台、再保險公司的自建模型都在。而商業模式比技術容易被模仿。

三、「服務買不起的人」有一個共同陷阱：服務小型客戶的獲客成本，可能高於客戶的終身價值。這是所有「把某某民主化」型商業模式都要面對的算術。

四、我們查不到這家公司的募資與營收。 查得到的是：2020 年成立、2025 年初獲得紐澤西州一項食農研發的種子補助、客戶橫跨農業與保險金融。除此之外沒有公開數字，我們就照實說沒有。

延伸閱讀

這篇講的是為什麼「資料公開」和「資訊可得」是兩件事。

台灣其實有一個很好的對照：國家災害防救科技中心與各縣市都有災害潛勢圖資，公開程度不差。但同樣的落差存在——資料是公開的，整合與白話化是缺的。買房的人不會去下載 GIS 圖層。

如果你想知道這門生意為什麼是「我們自己商業模式的一面鏡子」（包括我們對那個共同風險的答案）、開放核心模式歷史上卡在哪一步、以及我們寫下了哪五條「到期就回來對帳」的判定條件——其中一條盯的是誠信而不是商業——那些在研究筆記〈你買的那塊地會不會淹？現在只有再保險公司知道〉裡。

來源

Princeton Innovation（2025-07-01），Hydronos Labs aims to 'democratize' access to climate hazard risk insights — 連結
NJEDA／CSIT（2025-01-03），CSIT Awards Grant Funding to Seven Innovative Startups Aiming to Strengthen NJ's Food Security Efforts——TerraCognos 整合衛星觀測、地面感測、氣候模式與預報的描述出自此篇 — 連結
Crunchbase，Hydronos Labs 公司檔案 — 連結
Princeton Hydrometeorology — 連結

本文為科學技術之教育性資訊，不構成任何投資建議。