車險經(jīng)驗估費中的客戶風險分級模型與算法設計——基于數(shù)據(jù)挖掘的分析.pdf

1、國務院2003年1月1日起在全國全面實施車險改革。從2003年1月1日起，保監(jiān)會不再制定統(tǒng)一的車險條款費率。由各保險公司總公司自主制定，修改和調(diào)整車險條款費率，報中國保監(jiān)會審批后，向社會公布實施；保險公司法人機構可以授權各地分支機構對機動車輛保險費率進行“微調(diào)”，報所在地保監(jiān)辦審批后向社會公布實施。機動車輛保險費率的改革標志著我國將保險條款費率制定權交給經(jīng)營主體的開始。 機動車險在財產(chǎn)保險業(yè)務中有著十分重要的地位，但現(xiàn)行車險條款

2、、費率管理制度己不能適應當前市場經(jīng)濟發(fā)展的要求，機動車保險費率不能反映真實的風險狀況和市場供求狀況，不利于保險公司經(jīng)營的穩(wěn)定，不利于整個車險市場的健康發(fā)展，不利于充分發(fā)揮市場機制的導向作用。在嚴格監(jiān)管下的費率執(zhí)行過程中，保費水平在扣除業(yè)務費用、所得稅、營業(yè)稅以及分保費之后，只有業(yè)務規(guī)模大的保險公司才可以做到收支平衡。有數(shù)據(jù)顯示，目前國經(jīng)營情況較好的保險公司的車險賠付率在57％左右。所以在進行費率改革時，市場競爭、科學定位、公平定價、合理

3、分類是保險業(yè)發(fā)展的唯一出路。 在車險費率的厘定中，經(jīng)驗估費系統(tǒng)占有重要位置。其思路是：首先使用某些先驗分級變量對被保險人進行分組，形成若干個相對同質的風險集合，并厘定各組的先驗保費；然后在此基礎上根據(jù)被保險人的經(jīng)驗索賠記錄對其每年的續(xù)保保費進行調(diào)整，形成后驗保費。經(jīng)驗費率厘定模型建立在損失數(shù)據(jù)采集和風險分級基礎之上，這就決定了保險人經(jīng)營過程中，如何有效地選擇風險分級變量和建立高效的風險分級模型，將直接影響模型的準確性。

4、本文在第1章介紹了經(jīng)驗費率法，重點談到了NCD制度，并從經(jīng)濟學的角度分析了經(jīng)驗費率的存在區(qū)域，這是本文的創(chuàng)新點之一。此后分析了NCD制度在實際運作中出現(xiàn)的問題及原因，提出科學高效的風險分級是NCD成功的前提，也是保險公司產(chǎn)品創(chuàng)新實現(xiàn)個性化服務的前提。第2章主要是分析傳統(tǒng)的客戶風險分級模型及其缺陷，其中談到了風險分級變量的選擇問題和風險分級模型兩方面。在進行風險分級工作之前，我們必須首先考慮風險分類變量的選擇，這是車險費率厘定的一個重要環(huán)

5、節(jié)。在這里，我們將風險分類定義為：針對相同保險責任的被保險人，基于每一個體的風險特征進行分類并確定不同費率。保險人并不是可以采用它所愿意采用的任何變量為保險標的進行分類。分級變量的選擇必須考慮到各方面的具體要求，如精算的、經(jīng)營的、社會的和法律的。同時分級變量過多，使每個級別的保單數(shù)量相對減少，這將影響到大數(shù)法則的應用。文中簡要分析了單步驟法和非參數(shù)法模型用于風險分級變量選擇的缺陷。傳統(tǒng)的風險分級模型有一維和多維分析、最小偏差法和廣義線性

6、模型。本文在第2章中一一分析了這些風險分級模型，并指出了它們的缺陷。 第3章針對第2章中提出的風險分級變量選擇和風險分級模型的缺陷，引入了基于數(shù)據(jù)挖掘的風險分級變量選擇和風險分級，這部分內(nèi)容是本文的重點。在國外，金融保險業(yè)是數(shù)據(jù)挖掘應用的重要領域之一。已有文獻對于數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術在保險領域的應用做了探討，但專門針對車險業(yè)務的資料并不多，而系統(tǒng)的研究更是少之又少。本文的創(chuàng)新點在于專門針對數(shù)據(jù)挖掘技術在車險業(yè)務中尤其是風險分級

7、變量選擇和風險分級方面的應用進行了系統(tǒng)的研究，利用模擬數(shù)據(jù)進行了算法設計和分析。保險數(shù)據(jù)具有動態(tài)性、數(shù)據(jù)類型多、數(shù)據(jù)量大等特點，而數(shù)據(jù)挖掘技術對分類數(shù)據(jù)的適應性很強，具備海量數(shù)據(jù)處理能力，對于保險數(shù)據(jù)分析有著很好的效果。數(shù)據(jù)預處理在整個數(shù)據(jù)挖掘過程其實占據(jù)了大部分的工作量，數(shù)據(jù)預處理基于這樣一個事實：現(xiàn)實世界的數(shù)據(jù)是骯臟的。即現(xiàn)實世界中的數(shù)據(jù)庫極易受噪音數(shù)據(jù)、遺漏數(shù)據(jù)和不一致性數(shù)據(jù)的侵擾，存在不完整的、含噪音的和不一致的數(shù)據(jù)是大型的、現(xiàn)

8、實世界數(shù)據(jù)庫或數(shù)據(jù)倉庫的共同特點。臟數(shù)據(jù)造成挖掘過程陷入困惑，導致不可靠的輸出。通過進行預處理，可以提高分類和預測過程的準確性、有效性和可規(guī)模性。常用的預處理技術有：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)規(guī)約、數(shù)據(jù)變換、數(shù)據(jù)離散化。構建數(shù)據(jù)倉庫也是重要的預處理步驟之一，由于它的重要性，所以單獨放在3.1節(jié)進行討論。用于數(shù)據(jù)分析的數(shù)據(jù)可能包含數(shù)以百計的屬性，其中大部分屬性與挖掘任務不相關、弱相關或者是冗余的。遺漏相關屬性或留下不相關屬性是有害的，會導致

9、發(fā)現(xiàn)的模式質量很差。此外，不相關或冗余的屬性增加了數(shù)據(jù)量，可能會減慢挖掘進程。由于傳統(tǒng)的風險分級變量選擇模型存在較大缺陷和主觀性因素，所以在3.3節(jié)利用模擬數(shù)據(jù)分析了基于數(shù)據(jù)挖掘的風險分級變量選擇模型--屬性相關性分析。它能找出最小屬性集合，使得數(shù)據(jù)類的概率分布盡可能接近使用所有屬性的原分布。而且，保險公司還能夠針對不同地區(qū)，不同客戶的風險特點，在經(jīng)驗數(shù)據(jù)的基礎之上選擇最有效的風險分級變量，制定個性化保險產(chǎn)品，具有很大的靈活性、準確性，

10、減少了主觀性。在3.4節(jié)中，分析了基于數(shù)據(jù)挖掘的風險分級算法--判定歸納樹分類。由于受到客戶數(shù)據(jù)的限制，文中以少量虛擬數(shù)據(jù)進行研究，來發(fā)現(xiàn)隱含在客戶行為中的規(guī)則，將抽象的數(shù)據(jù)轉換成用戶可以利用的信息，收到了較好的效果。第4章探討了數(shù)據(jù)挖掘技術在金融、保險領域的應用現(xiàn)狀和發(fā)展前景。目前，中國保險業(yè)數(shù)據(jù)管理應用的普遍現(xiàn)狀是：匯集了大量客戶信息和業(yè)務數(shù)據(jù)，但因為缺乏挖掘數(shù)據(jù)背后隱藏的知識的手段和工具，往往導致“數(shù)據(jù)爆炸但有效信息貧乏”，“信息

11、繁雜但業(yè)務知識孤立”--這種局面若無改觀，保險公司就會長期處于“低智商”的業(yè)務運行狀態(tài)。目前只能提供統(tǒng)一及時的業(yè)務報表，提供集成的客戶信息等，但在很多情況下，這些海量數(shù)據(jù)在原有的作業(yè)系統(tǒng)中無法提煉與升華為有用的信息，從而無法為業(yè)務分析人員與管理決策者提供決策支持。一方面，聯(lián)機作業(yè)系統(tǒng)因為需要保留足夠的詳細數(shù)據(jù)以備查詢而變得笨重不堪，系統(tǒng)資源的投資跟不上業(yè)務擴展的需求。另一方面，管理者和決策者只能根據(jù)固定的、定時的報表系統(tǒng)獲得有限的經(jīng)營與

12、業(yè)務信息，無法適應激烈的市場競爭。而數(shù)據(jù)挖掘技術匯集了統(tǒng)計學、人工智能、數(shù)據(jù)庫等學科的內(nèi)容，是一門新興的交叉學科。這門學科旨在幫助人們從海量數(shù)據(jù)中發(fā)現(xiàn)有價值的信息，利用數(shù)據(jù)挖掘技術不但可以從保險的海量數(shù)據(jù)中發(fā)現(xiàn)隱藏在其后的規(guī)律，而且可以很好地降低保險行業(yè)的風險，因此，數(shù)據(jù)挖掘技術構筑了中國保險業(yè)的競爭優(yōu)勢。 數(shù)據(jù)挖掘技術在保險領域有著廣泛的應用，由于研究時間的限制，本文只針對經(jīng)驗費率法中的風險分級探討了判定樹歸納方法。關于其它數(shù)