Мировой финансовый сектор охватывает множество различных типов операций в таких областях, как недвижимость, потребительские кредиты, банковское дело и страхование.

Банки хранят и приумножают значительную часть своего капитала, используя постоянное страхование жизни, участвуя в крупных проектах, покупая акции компаний, выдавая крупные кредиты и участвуя в арендных отношениях.

Дистанционное зондирование имеет в финансовой сфере свою, пока ещё не окрепшую нишу с перспективой на развитие, но уже доказавшую свою состоятельность.

Так, направления мировой экономики, как экология, сельское хозяйство, риски и потери при чрезвычайных ситуациях в современном цифровом аспекте существования уже невозможны без применения методов дистанционного зондирования, особенно актуальном картировании ситуации.

К 2030 году глобальный пул годовых доходов банков, связанных с экологическими, социальными и управленческими продуктами и услугами, достигнет 295 миллиардов евро или 300 миллиардов долларов, и почти половина этой суммы пойдёт на пользу банкам в Европе и Северной Америке. Экологические меры уже оказывают положительное влияние на прибыльность банков. Недавнее исследование Roland Berger, в ходе которого оценивались финансовые показатели более 200 европейских банков в период с 2007 по 2016 год, показало, что банки, внедрившие значительные экологические дистанционные методы, продемонстрировали положительное влияние на рентабельность собственного капитала в среднем на 0,3 процентных пункта в течение одного-трёх лет. Этому способствовали новые возможности для бизнеса в области кредитования, инвестирования и услуг, а также повышение эффективности и улучшение управления рисками. Ожидается, что страховщики в Северной Америке пострадают от увеличения расходов, связанных с экологическими катастрофами, такими как ураганы и лесные пожары без дистанционного анализа. Они также столкнутся с проблемами, связанными с ростом процентных ставок и снижением доходности инвестиций в их портфели.

К тому же, оценка привлекательности рынка, на котором работают филиалы, с использованием ГИС (векторная основа геопространства дистанционного зондирования) может помочь банкам принять решение о сокращении своего присутствия на этом рынке и оценить сопутствующие риски. Множество преимуществ, которых не могут достичь другие типы данных.  

Финансовые учреждения используют этот тип данных о клиентах, а банки могут делать все, от отслеживания конкурентов до оценки лояльности клиентов. Приобретая данные о местоположении, поставщики финансовых услуг могут извлекать больше пользы из своих данных. Банки работают не с изображениями, а с информацией, в практике - ГИС.

Им нужна наглядная с рыночными показателями, табличная и текстовая информация с выводами как поступить, сколько денег выделить, когда возврат денег, например, по кредитам, займам, арендах и т.п.

Будущее банковского дела совместно с использованием дистанционных методов зондирования Земли будет выглядеть совсем иначе, чем сегодня. Столкнувшись с меняющимися потребительскими ожиданиями, новыми технологиями и новыми бизнес-моделями, банкам необходимо начать внедрять стратегии уже сейчас, чтобы подготовиться к банковскому обслуживанию в 2030 году.

Интерфейс платформы Banking Salesforce Customer 360
Рис.1 Интерфейс платформы Banking Salesforce Customer 360

Цифровизация, новые формы риска и новые требования клиентов радикально меняют страховую отрасль, обещая более низкие цены и более качественные продукты для потребителей и более прибыльный бизнес для страховщиков. Компании должны адаптироваться к этому новому миру и создавать устойчивые бизнес-модели на следующее десятилетие.

В зависимости от приложений банковский рынок цифровизации ДЗЗ, например, с/х делится на:

  • дистанционный мониторинг урожайности,
  • разведку урожая,
  • картографирование поля,
  • применение переменной нормы,
  • отслеживание и прогнозирование погоды,
  • управление запасами,
  • управление сельскохозяйственным трудом,
  • финансовый менеджмент,
  • другие (прогнозирование спроса, управление клиентами, кредиторская и дебиторская задолженность).

В отрасли точного земледелия сектор мониторинга урожайности представлял наибольшую долю рынка по приложениям до 2030 года. Ожидается, что на Азиатско-Тихоокеанский регион будет приходиться наибольшая доля мирового рынка цифрового сельскохозяйственного рынка ДЗЗ.

Страховщики также важны для банков как источники акционерного капитала и финансирования. Страховые компании инвестируют большие суммы средств в долговые и фондовые рынки.

Банковское страхование — это отношения между банком и страховой компанией, при которых страховая компания использует каналы продаж банка для продажи страховых продуктов, соглашение, в котором банк и страховая компания договариваются о том, что страховая компания может продавать свои продукты клиентов банка. Страховые компании и банки являются финансовыми посредниками. Однако они не всегда сталкиваются с одними и теми же рисками и регулируются разными органами.

Известное сочетание в финансовой сфере Bancassurance — это отношения между банком и страховой компанией, направленные на предложение страховых продуктов или страховых выплат клиентам банка. В этом партнёрстве сотрудники банка и страховой компании становятся точкой продаж и контактным лицом для клиента.

В моделях банковского страхования банки получают безрисковый доход за счёт комиссионных от страховых компаний. Основным и единственным носителем риска является страховщик, а банки получают стабильный доход, просто облегчая и размещая страховой бизнес со своими клиентами.

Сегмент страхования с включением методов ДЗЗ обширен.

Применение дистанционного зондирования для устойчивого страхования

Применение дистанционного зондирования для устойчивого страхования
Рис.2 Применение дистанционного зондирования для устойчивого страхования

Какие задачи решает ДЗЗ:

  • Банковские кредиты, займы, аренда и пространственные проекты, после оценки объектов, территорий и клиентов дистанционными методами. Например, получение льготного кредита фермеру в Европе на топливо и удобрения, после представления данных ДЗЗ и прогнозу урожая на свой сельскохозяйственный участок.
  • Страхование городского планирования, сельского хозяйства, изменения климата и предотвращения наводнений, создаёт потребность в ML/AI для данных дистанционного зондирования. Наиболее продвинутым направлением в банковской и страховой сфере, где дистанционное зондирование узаконено, как достоверный, юридически подтверждённый метод представления финансовых услуг, является сельское хозяйство. Владельцы мелких ферм производят огромную часть продуктов питания в мире, и им потребуется до 180 миллиардов долларов оборотного капитала и кредитов, чтобы продолжать кормить мир. Интересно, что эти владельцы мелких ферм составляют около 31% населения мира, у которых нет финансовых записей в банках, что делает практически невозможным для них получение поддержки от финансовых учреждений.
  • Пространственно-временной анализ и метод ML/AI на основе изучения спутниковых изображений до и после определённого события и с их помощью получение представления о том, какие районы были затронуты событием, интенсивность материального ущерба и размер ущерба для страховщиков.
  • Изучение наводнений. Страховые компании могут использовать ДЗЗ чтобы оперативно получить представление о пострадавших регионах, а затем эффективно прогнозировать расчётную сумму требования для отдельных объектов.
  • Развёртывание и масштабирование таких решений в масштабе предприятия требует, чтобы страховщики учитывали различия в качестве данных в разных регионах. Для конкретных рынков, возможно, придётся учитывать различные климатические зоны, режимы выпадения осадков и разнородные источники данных на местах. Районы с большим количеством частных и индивидуальных домов могут быть более подходящими для оценки потерь с использованием технологии дистанционного зондирования. В городских районах вмешательство высотных зданий может иногда вызывать проблемы при получении изображений затопления, хотя разрабатываются методы для решения этих проблем. Например, страховщики могут дополняющим образом использовать данные дистанционного зондирования и гидрологические данные. Спутниковые изображения, например, могут обеспечивать видимость речного стока и поймы в районах с гидрологическими данными, в то время как гидрологические данные в режиме реального времени могут решить проблему времени повторного посещения спутника во время пиковых паводков и помех сигналам в городских районах.
  • Прогнозируемая модель производительности отрасли. Она основана на анализе данных ДЗЗ и визуализации, предоставляемых ГИС для определения показателей отрасли (доходы, управляемые фонды, зарегистрированные клиенты).
  • Использование геопространственных данных и спутниковых снимков для оценки ущерба и определения приоритетности рассмотрения претензий, что позволяет страховым агентам проверять претензии, сравнивая изображения, сделанные до и после инцидентов.
  • Оценка риска. Анализировать изображения с высоким разрешением, сделанные в различных погодных условиях, чтобы точно оценить риски вокруг объекта.
  • Стратегия премий. Спутниковые снимки, та информация, которая поможет определить стратегию ценообразования и страховые взносы.

Преимущества использования ДЗЗ

  • Поскольку банки продолжают интегрировать спутниковые и БПЛА технологии и технологии дистанционного зондирования в свой рабочий процесс, у владельцев, например, малых фермерских хозяйств появится возможность получить финансовую помощь. Это придаст банкам уверенности в работе с этой демографической группой.
  • Данные со спутников полезны не только фермерам. Финансовые учреждения также могут использовать эти данные для доступа к урожайности сельскохозяйственных культур и удалённой оценки стоимости полей. Это помогло бы им оценить риски, чтобы иметь возможность давать кредиты мелким фермерам.
  • Точная оценка рисков методами ДЗЗ является одной из самых больших проблем, с которыми сталкиваются банки при кредитовании. Им необходимо знать, сможет ли владелец бизнеса или небольшой компании погасить кредит. Таким образом, банкам необходимо изучить все необходимые документы и понять, насколько окружающая обстановка подвержена рискам. Это относится и к районам с высокой оценкой чрезвычайных ситуаций: землетрясения, наводнения, пожары, химическое производство, НПЗ и т.п.
  • Для проверки информации в документах, предоставленных фермерами, банкам необходимо физически направлять выездных агентов на фермы. Этот процесс может быть ресурсоёмким с точки зрения времени и труда. Однако с помощью спутниковых изображений и других технологий дистанционного зондирования эту задачу можно выполнять удалённо. Используя платформы мониторинга урожая, финансовые учреждения имеют лёгкий доступ к историческим данным о фермах, индексам вегетации, продуктивности ферм и т. д. Это придаст им уверенности в работе с фермерами. Это беспроигрышная ситуация, сокращающая затраты с обеих сторон.
    Оценка страховых убытков с использованием ДЗЗ
    Рис.3 Оценка страховых убытков с использованием ДЗЗ
  • Альтернативный кредитный скоринг - люди с низким доходом, проживающие, например, в сельской местности и малых городах, как правило, не имеют хорошей кредитной истории, что затрудняет для банков оценку их стоимости и предоставление им кредитов. Однако эту проблему можно решить просто с помощью спутниковых снимков. Они предоставляют банкам исторические данные о сельскохозяйственных угодьях, участках под застройку, которые банки могут использовать для оценки стоимости.
  • Дистанционное зондирование было признано эффективным инструментом и показателем для извлечения социально-экономических показателей, таких как размер здания, расстояние между домами, ширина улиц и нехватка деревьев/зелени (вегетативный показатель). Показатели вместе с несколькими критериями ГИС и взвешенным наложением использовались для поиска подходящих мест хранения продовольственных банков.
  • Отсутствие прозрачности – некоторые клиенты способны предоставить поддельные или фальшивые документы о своей прибыли и доходах только для того, чтобы получить кредиты в банках. Недостаточно данных для проведения надлежащей оценки — банки могут не только просматривать документы, чтобы оценить стоимость владельцев мелких компаний. Им нужно отправить агентов для проверки реальной ситуации в компании, что может отнять много времени и ресурсов.
  • Потребность в современных технологиях анализа рисков — традиционные средства оценки рисков необходимо заменить цифровыми способами, чтобы не отставать от постоянных изменений в финансовой отрасли.
  • Промышленные финансы. Заводы, склады, магазины и склады крупных промышленных предприятий, финансируемых банком, могут иметь геотеги. Должны проводиться периодические обследования с использованием БПЛА и мобильных 3D-камер, которые должны отображать фактические физические запасы, имеющиеся на месте. Если будут замечены какие-либо серьёзные несоответствия между выходными данными и отчётами о запасах, представленными заёмщиками, контроллеры могут заказать детальную проверку объекта. Такие обследования также могут проводиться до и после выплаты крупных сумм со счета для обеспечения надлежащего конечного использования предоставленных средств.
  • Инфраструктурное финансирование. Для мониторинга крупных финансируемых инфраструктурных проектов, таких как дороги, шахты, порты, телекоммуникации, электроэнергетика, жилищное строительство и т. д. 3D модели по спутниковым снимкам проектных площадок, дополненные съёмками с помощью БПЛА, помогут измерить и оценить фактический физический прогресс с течением времени. ко времени, скажем, к километрам, добавленным при строительстве дорог, общей площади и объёму добычи, возведённым новым опорам телекоммуникаций/электропередач, количеству жилых единиц, завершённых в рамках проекта жилищного строительства, и т. д.
  • Прогнозирование доходов. Отсутствие продовольственной безопасности распространено во многих развивающихся странах, которые в значительной степени зависят от дождевого земледелия для производства продуктов питания. Изменение климата подвергло их большему риску из-за постоянной угрозы засух и наводнений, которые часто приводят к снижению урожайности. Однако с помощью дистанционного зондирования эксперты могут получить точные оценки урожайности, что позволит правительствам выиграть время, чтобы отреагировать и решить проблему нехватки продовольствия. Эти оценки также могут использоваться банками, чтобы узнать, будут ли фермы достаточно урожайными, чтобы погасить кредиты.
  • Применение ГИС в банковской сфере. Данные ГИС можно использовать для создания диаграмм, карт и 3D-моделей земной поверхности. Сюда входят холмы, горы, оползни, деревья, здания, улицы, реки и т. д. ГИС обеспечивает визуальное представление данных, показывает связь между местоположениями и может помочь определить наилучшее местоположение для определённых мест размещения, таких как новый розничный магазин, торговый центр по отношению к другим магазинам и наличие клиентов.
  • Спутниковая съёмка позволяет многим организациям принимать более обоснованные решения, повышать устойчивость и лучше управлять рисками в меняющемся мире.

Примеры применения:

Дистанционное зондирование и ГИС для продовольственных банков

Благотворительные организации, занимающиеся сбором пищевых продуктов от производителей и поставщиков и передачей их нуждающимся (далее - Продовольственные банки) играют важную роль в обеспечении устойчивости экономики и социальной сплочённости (сохранение продуктов питания, сокращение отходов).

Задача: продемонстрировать, как дистанционное зондирование Земли (ДЗЗ) и географическая информационная система (ГИС) могут быть использованы для решения социальных и экологических проблем стоящих перед продовольственными банками.

Решение: во многих случаях социально-экономические данные собираются с помощью выборочных качественных опросов/интервью и не имеют пространственной привязки. Более того, даже эти данные могут быть недоступны для исследователей в том же виде, что и в данном исследовании. Дистанционное зондирование оказалось эффективным инструментом для получения социально-экономических показателей, таких как размер зданий, расстояние между домами, ширина улиц и недостаток деревьев/зелени (растительный показатель). Эти показатели вместе с многокритериальным и взвешенным наложением ГИС были использованы для поиска подходящих мест расположения продовольственных банков. Исследование соответствует задачам устойчивого развития ООН № 2, 11 и 12. Бенефициарами данного исследования могут быть благотворительные организации, производители/потребители продуктов питания (рестораны, гостиницы, частные лица) и экологические службы (водоснабжение, энергетика, отходы).

Результат: Подходящие места для размещения продовольственных банков выделены по косвенных показателях. Считается, что перепись населения на уровне квартала является более точной, хотя данное исследование основано на уровне района. Экспатрианты меняют место жительства в зависимости от многих факторов, таких как аренда, изменение места работы или потребность в большем доме. Это создаёт проблему при создании базы данных ГИС для пользователей продовольственных банков (изменение в пространстве и времени). Результаты исследования могут быть использованы для спасения окружающей среды, экономии денег и реализации целей ООН в области устойчивого развития (нулевой голод, устойчивые города и сообщества, ответственное потребление и производство).

Потенциальные районы для размещения продовольственных банков
Рис.4 Потенциальные районы для размещения продовольственных банков
Рейтинг районов для размещения продовольственных банков размещения
Рис.5 Рейтинг районов для размещения продовольственных банков размещения

Финансирование мелких фермеров

Использовать новые технологии для удалённого сбора и анализа данных о потенциальных клиентах. Поставщики финансовых услуг, которые видят возможность охватить финансово изолированных людей в сельской местности, могут использовать новые технологии для удалённого сбора и анализа данных о потенциальных клиентах.

Задача: создание алгоритмов кредитного скоринга, облегчающих финансирование мелких фермеров. Определить, можно ли использовать информацию, полученную из спутниковых данных, в качестве предикторов факторов риска, таких как урожайность и доход.

Решение: создана модель глубокого обучения для прогнозирования урожайности сельскохозяйственных культур в Кении. Поставщики финансовых услуг, обслуживающие мелких фермеров в Кении, могут использовать модели, основанные на спутниковых снимках, для оценки соответствующих показателей, таких как сроки и величина урожая, при низких предельных затратах.

Другие организации в цепочке создания стоимости в сельском хозяйстве - поставщики ресурсов, экспортёры и торговцы - могут использовать подробную информацию о типе и плотности посевов или населения, чтобы помочь им принимать решения о выборе сельскохозяйственных культур для посева, ожидаемой урожайности, расположению складов, прогнозировании цен и др.

Организации по развитию и субъекты государственного сектора (Министерство сельского хозяйства, Агентство экономического развития, и др.) видят потенциал финансовой доступности, и все больше интересуются большими данными и аналитикой с применением геопространственных методов.

Результат: построены модели для автоматического дешифрования cельскохозяйственных культур (кукуруза, бобы и картофель) для сезонов лето и осень (сезоны, для которых было получено достаточное количество снимков). Протестировано 20+ различных моделей с разной степенью успешности. Модель с наилучшими показателями использовала архитектуру сверточной нейронной сети InceptionV3 и красный, зелёный и синий каналы (визуальные активы) для прогнозирования урожайности кукурузы по снимкам, полученным летом 2016 года.

Слитые изображения часто имеют разный цветовой баланс. При использовании алгоритма сопоставления гистограмм входные данные (слева) выглядят более согласованными (справа)
Рис.6 Слитые изображения часто имеют разный цветовой баланс. При использовании алгоритма сопоставления гистограмм входные данные (слева) выглядят более согласованными (справа)"
Иерархия потребностей данных, включая ДЗЗ
Рис.7 Иерархия потребностей данных, включая ДЗЗ

Многомасштабное дистанционное зондирование для поддержки страховых полисов в сельском хозяйстве: от среднесрочных до мгновенных отчислений

Привлекательность зависит от возможности убедить фермеров в необходимости страхового покрытия и от возможности для страховой компании лучше откалибровать (возможно, уменьшить) сборы, применяемые к фермерам.

Задача: поиск новых способов мониторинга посевов, чтобы сделать более привлекательными (для фермеров) страховые полисы, покрывающие потерю урожая.

Решение: разработан методологический подход, направленный на поддержку стратегий страхования, ориентированных на сельское хозяйство, на основе временных рядов бесплатных многоспектральных спутниковых данных. Основная идея - связать урожайность сельскохозяйственных культур в среднесрочной и краткосрочной перспективе для калибровки страховых сборов, учитывая, как временную тенденцию, так и пространственное распределение производства биомассы культурами. Область исследования была выбрана в регионе Пьемонте (северо-запад Италии) в качестве образца для тестирования и представления методологии.

Результат: продукт, предоставляющий 16-дневные составные карты NDVI с геометрическим разрешением 250 м и в диапазоне от 2000 до 2018 г., оказался эффективным для описания среднесрочных тенденций урожайности на как на региональном, так и на макро сельскохозяйственном уровне. Временные ряды карт NDVI, полученные по данным Copernicus Sentinel 2, имеющие более высокое геометрическое разрешение (10 м), позволили детализировать исследования на уровне поля, что позволило уточнить оценку страхового риска и привязать его к локальному состоянию посевов. Предложена простая, но чрезвычайно оперативная математическая модель для калибровки страховых взносов на уровне года и области.

Фермеру могут быть предложены более подходящие договоры страхования, которые побудят его использовать этот тип покрытия для своей деятельности. Другими словами, страховая компания может привлечь новых клиентов, а фермеры могут защитить себя разумными и очевидными ценами. Фермеру могут быть предложены более подходящие договоры страхования, которые побудят его использовать этот тип покрытия для своей деятельности.

Карта аномалии NDVI в районе: а. Карта аномалий на 2016 год; b. Карта аномалий за 2017 год
Рис.8 Карта аномалии NDVI в районе: а. Карта аномалий на 2016 год; b. Карта аномалий за 2017 год
Карта коэффициента k(x,y,t) (x 100) для 4 исследованных культур (пшеница, кукуруза, райграс и луга). а. k(x,y,t) карты за 2016 год; b. k(x,y,t) карты за 2017 год; c. частотное распределение k(x,y,t) в 2016 г. в интересующей области; d. частотное распределение k(x,y,t) в 2017 году в интересующей области. k(x,y,t) вычисляли на уровне класса культур, а затем составляли мозаику
Рис.9 Карта коэффициента k(x,y,t) (x 100) для 4 исследованных культур (пшеница, кукуруза, райграс и луга). а. k(x,y,t) карты за 2016 год; b. k(x,y,t) карты за 2017 год; c. частотное распределение k(x,y,t) в 2016 г. в интересующей области; d. частотное распределение k(x,y,t) в 2017 году в интересующей области. k(x,y,t) вычисляли на уровне класса культур, а затем составляли мозаику

Технология дистанционного зондирования при оценке претензий: уроки, извлечённые из наводнений на восточном побережье Австралии в 2021 году

Задача: оценка рисков наводнений. Оптимизировать процесс рассмотрения претензий по страхованию имущества.

Решение: спутниковые изображения использовались для обнаружения наводнений и измерения масштабов потерь, объединены данные о глубине воды, площади затопления и продолжительности события. Сюда входят как внутренние (ливневые и речные) наводнения, так и прибрежные (штормовые нагоны) наводнения. Информация о затоплении на уровне улиц использована в качестве исходных данных для более быстрого урегулирования претензий, а также к улучшению кривых уязвимости для моделей риска.

РСА-визуализация облегчила трёхмерную оценку риска наводнения, когда наводнение ещё развивалось. В случае наводнения в Новом Южном Уэльсе использование следов события и наложение их на данные о подверженности портфеля показали, что предполагаемые потери были меньше, чем первоначально предполагалось. Если бы страховая компания полагалась исключительно на общедоступную информацию, оценка, вероятно, была бы консервативной — возможно, в течение более длительного периода.

Результат: оценка последствий наводнения по результатам дешифрирования космических снимков обеспечила реалистичную оценку ущерба в относительно более короткие сроки, а также более высокую уверенность в результатах. Развёртывание и масштабирование таких решений в масштабе предприятия требует, чтобы страховщики учитывали различия в качестве данных в разных регионах. Для конкретных рынков, возможно, придётся учитывать различные климатические зоны, режимы выпадения осадков и разнородные источники данных на местах. Районы с большим количеством частных и индивидуальных домов могут быть более подходящими для оценки потерь с использованием технологии дистанционного зондирования. В городских районах вмешательство высотных зданий может иногда вызывать проблемы при получении изображений затопления, хотя разрабатываются методы для решения этих проблем. Например, страховщики могут дополняющим образом использовать данные дистанционного зондирования и гидрологические данные. Спутники могут обеспечивать видимость речного стока и поймы в районах с гидрологическими данными, в то время как гидрологические данные в режиме реального времени могут решить проблему времени повторного посещения спутника во время пиковых паводков и помех сигналам в городских районах.

Спутники с радаром с синтезированной апертурой (SAR) могут предоставить изображения высокого разрешения, определяющие наличие водных объектов. Цифровые модели рельефа (ЦМР), если они доступны, могут быть использованы для измерения глубины затопления, а полученный результат обогащает данные портфеля с географической привязкой для получения индивидуальных оценок ущерба на уровне риска и помогает получить лучшее представление о кривых уязвимости для моделирования риска затопления
Рис.10 Спутники с радаром с синтезированной апертурой (SAR) могут предоставить изображения высокого разрешения, определяющие наличие водных объектов. Цифровые модели рельефа (ЦМР), если они доступны, могут быть использованы для измерения глубины затопления, а полученный результат обогащает данные портфеля с географической привязкой для получения индивидуальных оценок ущерба на уровне риска и помогает получить лучшее представление о кривых уязвимости для моделирования риска затопления
Трёхмерная оценка риска наводнений с использованием изображений SAR
Рис.11 Трёхмерная оценка риска наводнений с использованием изображений SAR

Нужна консультация?

Оставьте заявку, и мы с вами свяжемся.

Нажимая кнопку «Отправить», я даю свое согласие на обработку моих персональных данных, в соответствии с Федеральным законом от 27.07.2006 года №152-ФЗ «О персональных данных», на условиях и для целей, определенных в Согласии на обработку персональных данных.

Заказчики

Лицензии

Наши партнеры