基于大数据的精准车险定价分析

俞蕾

【摘要】在国外广泛采用精准车险定价产品后，国内车险行业也掀起了学习的热潮。以驾驶行为为基础进行研究分析，精准车险定价对风险的分析不局限于车辆自身，而是综合考虑“从人”、“从车”因素，全面分析风险因素，加深定价内容与风险的契合度，追求更为精准的定价体系。

【关键词】机动车辆保险 大数据 精准车险定价

一、引言

机动车辆保险是财产保险中最普及也是最主要的险种之一，是财产保险中最主要的业务来源，在财险公司业务经营中具有极重要的地位。受益于欣欣向荣的汽车市场，我国车险市场保费一直维持着稳定增速。2016年，我国车险保费总额同比增长10.25%，达到6834.55亿元。尽管当前车险市场从整体来看发展良好，但从盈利结构来看，承保亏损的财险公司占据八成，且均为中小型财险公司。由此可见，我国机动车辆保险市场已出现问题，亟待改革。

近年来大数据应用在各行各业盛行起来，也让车险行业注意到了其在车险定价方面的应用价值。传统车险的定价模式只考虑车型、车辆价格等基本因素，不论投保车辆的出险情况如何，保险公司都遵循统一定价进行保险赔偿，这导致了保险公司的车险业务经常处于濒临亏损的状态。同时，仅考虑车辆基本特性的保险定价常使得驾驶习惯良好的投保人为驾驶习惯较差的驾驶员的出险事故买单。

在国外广泛采用精准车险定价产品后，国内车险行业也掀起了学习的热潮。以驾驶行为为基础进行研究分析，精准车险定价对风险的分析不局限于车辆自身，而是综合考虑“从人”、“从车”因素，全面分析风险因素，加深定价内容与风险的契合度，追求更为精准的定价体系。

二、精准车险定价综述

1、国外研究综述

（1）基于车辆行驶里程

Vickrey（1968）指出，传统车险定价模式以年为单位，不论行车里程多少，投保人都需要按年缴纳保费，这种定价费率与车辆行驶里程无关，无法起到促使驾驶员减少驾驶的目的。研究发现减少平均行驶里程会相应减少理赔成本，他认为应该根据车辆的轮胎寿命或国家征收的汽油税进行分类定價。在此基础上，他提出了PATP定价理论，即将保险费用以燃油费附加形式表现。

Lemaire（1995）认为仅根据偶发事件导致的交通事故的出险次数来进行费率厘定是缺乏严谨性和公平性的，并指出基于车辆行驶里程的车险费率厘定有助于促使驾驶员减少车辆的使用，进一步提出了基于车联网的车险定价模式。Litman（2001）从大量交通事故和保险理赔数据中发现车辆行驶里程和交通事故发生率、保险理赔之间呈正向相关的关系。也就是说，如果减少车辆的行驶里程，行车事故的发生概率也将减少一定比例。

（2）基于驾驶员驾驶行为

国外学者对驾驶行为因素分析主要包括酒后驾车、超速行驶、随意超车等，不是将目光局限于车辆的行驶里程，而是通过分析多重因素综合评价驾驶行为，并以此为费率厘定因子之一进行车险定价。

Vickrey（1968）指出，传统定价模型没有根据驾驶行为对其潜在风险进行评估，进而厘定费率，此定价方法无法促使驾驶培养良好驾驶习惯，也无法降低交通事故的发生几率。

Reason（1990）在研究异常驾驶行为后得出事故原因模型（ACM）并开发了一套驾驶行为问卷。此类理论为后续研究驾驶行为对交通事故的影响因子奠定了基础。Ippisch通过对大量驾驶员进行研究，发现驾驶员意识到由于自身的驾驶行为而导致交通事故后，会约束并改善自己的驾驶行为，减小事故风险率。Paefgen（2014）利用十一种变量组合（变量包括行车时间、平均速度等）使用logistic回归等，对驾驶员在当前驾驶行为下是否会发生事故进行分类研究。

以上学者通过对驾驶行为分析，得出驾驶员的驾驶行为和交通事故发生几率的联系，并逐渐将驾驶行为应用到车险定价当中，作为车险费率厘定因子之一。

2、国内研究综述

张尧庭（1995）和陈希孺（2002）曾经将广义线性模型应用在机动车辆保险定价中。王丽萍和马林茂（2002）首次提出了运用广义线性模型对车辆保险定价进行求解的方法。郝演苏（2002）指出在设计车险条款的时候需要考虑投保人的选择，从而构建车险精算体系，促使科学厘定费率。张茵（2011）对车险定价进行分析时加入了“人”的因素，从车和环境两个方面对其进行风险预估分析。

三、精准定价研究成果分析

1、国内研究成果分析（以UBI车险为例）

UBI（Usage Based Insurance）车险是指基于驾驶行为及车辆使用数据定价的车辆保险。车险费改后，国内保险公司开始尝试引人UBI车险，但总体上，我国的UBI车险仍处于探索的阶段。较为早期的UBI项目中，众安保险推出的“保骉”是国内首个互联网车险品牌。此后都邦保险推出按照驾驶里程付费的“里程保”车险产品，人人保公司推出了有关安全驾驶的OBD盒子，车宝。

人人保公司为车主免费提供OBD盒子以采集数据，通过处理上传到服务器的车辆数据，对车辆的安全指数进行评估。驾驶行为好的车主会得到保险公司的礼品，或是在车险购买时得到相应的保费折扣。保险公司和人人保公司签订合约，由车宝采集数据，人人保公司对数据进行分析处理，进而将处理结果反馈给出资的保险公司。

保险公司依靠数据结果对投保人的风险进行分级定价，有效地控制理赔成本。车宝则通过手机APP平台，为保险公司吸引客户，从中获取一定利润。截止到2017年4月，车宝公司已经拥有80万手机UBI在线联网客户，超过18万OBD在线联网客户，降低赔付率近30%。

2、国内精准车险定价的不足

（1）定价因子不够多元化

在基于驾驶行为的UBI车险模式中，研究者通常研究车辆行驶过程中的行驶里程、出行时间、车辆速度这几类数据，数据范围较小，无法对驾驶员的个人特征进行分析处理，例如酒驾情况、使用手机情况等。而这些数据，可以通过采集驾驶员的面部特征信息，统计驾驶员眯眼、打呵欠、捕捉不到正脸等情况的次数，来分析驾驶员的精神集中情况，作为风险评估因子。

（2）噱头营销

国内保险公司相继推出的UBI车险引起了了众多投保人的兴趣，但有业内人士指出，目前国内多数的UBI车险属于噱头营销，打着UBI定价模式的噱头，实际的产品并没有真正通过获取相应数据进行分析定价。事实上，这些所谓的UBI产品价格，最终和投保人按照传统定价模式购买的车险保费没有差别。

四、大数据精准车险定价的SWOT分析

1、S—优势

运用大数据进行精准车险定价，除了车险原始定价模式考虑到的车的因素之外，还将人的因素纳入了考虑范围，使车辆保险的定价与风险更加匹配，也使保险公司赢得了车险定价的自主权，提高保险公司对风险预估的准确性。越注重安全、驾驶习惯良好的车主，其风险越低，能够享受更优惠的车险报价，相应地，广大车主也会主动调整自己的不良习惯，有利于降低风险发生率。

精准车险定价对风险的分析更为细致准确，让保险公司把握一定程度的控价自主权。在增值服务方面也更具针对性，不仅是对车而言，而是因人而异，使其与风险更具匹配性，一定程度上降低了保險公司的出险率，相应降低了成本。

2、W—劣势

现行车险定价虽然尝试加入了大数据定价因子，例如平安车险提出的道路熟悉度、客户在互联网上的消费、娱乐、投资等信息，但在这些因素在车险定价方面难以明确投保人的风险几率。保险公司无法准确通过客户的消费、娱乐信息对其驾驶行为作出评估分析，难以实现大数据精准车险定价的目的。

3、O—机会

2017年5月31日，中保协起草的《保险业车型识别编码规则》列入国标委2017年第一批国家标准制修订计划，成为我国财产保险领域首个推荐性国家标准项目。此前，我国与相关行业层面均无同统一的命名标准和编码规则，车型命名混乱。同一车型的车险管理方法难以统一，管理风险较大，影响服务质量。汽车车型编码规则为各类车型的风险分析提供了统一的第一手支持，巩固加强了精准车险定价的技术基础。

2017年5月底，蚂蚁金服保险数据科学实验室发布“车险分”技术，对车主进行精准画像和风险分析，大地保险成为首批合作保险商之一。“车险分”增加了人的维度，成功将人的因素纳入考虑范围，可以反映人的风险情况，是对车险精准定价的另一大助攻。

4、T—威胁

虽然精准险定价的预期良好，但是因为传统车险定价模式考虑的是“车”的因素，保险行业的各个数据也是与车相关，与人相关的数据少之又少。在一定程度上来说，利用大数据对人的因素进行技术分析从而完善车险定价依然处于摸石头过河的阶段，仅通过已有的少量数据进行统计分析，还很难准确完成“千人千面”的定价，数据的匮乏是精准车险定价目前最大的威胁。

五、结语

随着经济不断发展，投保人对于车辆保险提出了更高的要求，传统车险产品难以适配不同投保人的情况。基于大数据的车险精准定价将“从人”、“从车”等定价因素加以整合，相较传统“从车”定价模式而言，更能实现车险因人而异的要求，针对不同投保人调整相应的保费及保险产品，促进车险行业不断改革发展。