根據聯合國減少災害風險辦公室（2025年）的資料，自然災害的年均成本從1970年至2000年的700-800億美元飆升至2001年至2020年的1800-2000億美元。英國精算師學會和世界自然基金會等組織的報告強調，保險業需適應這一快速變化的形勢，制定超越償付能力II等審慎監管的一年期視野的中長期戰略。
本文提出了一種基於條件生成對抗網路（Conditional GAN）的人工智慧框架，用於生成氣候指數的未來時空軌跡。該研究聚焦於土壤溼度指數（SWI），這是法國評估乾旱嚴重程度的關鍵指標。乾旱約佔法國自然災害保險計劃賠償金的30%。
提出的模型名為SwiGAN，可針對法國一個特別容易遭受乾旱風險的地區，模擬至2050年的合理乾旱傳播模式。透過生成逼真的SWI地圖序列，SwiGAN揭示了氣候變化情景下的乾旱動態，併為設計適應性風險管理和保險策略提供了見解。該方法論還可推廣至其他氣候相關災害和經濟情景生成等精算應用。
SwiGAN的架構基於Wasserstein GAN，這是一種改進的生成對抗網路，透過使用Wasserstein距離作為損失函式，解決了傳統GAN訓練不穩定的問題。該模型能夠生成高解析度、時空一致的SWI地圖序列，從而捕捉乾旱在空間上的擴散和隨時間演變的規律。研究團隊使用歷史氣候資料訓練模型，並透過對比觀測資料驗證了生成結果的合理性。
在應用方面，SwiGAN可幫助保險公司評估未來不同情景下的乾旱風險暴露，從而最佳化資本配置和再保險策略。例如，模型可以模擬在中等排放路徑（RCP4.5）和高排放路徑（RCP8.5）下，法國關鍵農業區域的乾旱發生頻率和強度變化。這些資訊對於制定長期保險產品和定價模型至關重要。
除了保險業，SwiGAN的方法論還適用於其他領域，如農業風險評估、水資源管理和城市防災規劃。其核心優勢在於能夠生成多種可行的氣候情景，而非單一預測，為決策者提供更全面的風險視野。