UBI新模式下的汽车保险教学方法探讨

施雯 雷毅 蒋司杨

引 言

汽车保险定价模式发展经历了保费定价、车型定价和使用定价（Use-Based Insurance，UBI）三个阶段。顾名思义，UBI车险定价模式就是根据车主对机动车的实际使用情况评定驾驶员的行车安全分值，再利用行车安全分值来确定保费多少的个性化定价模式。2017年，保监会发布《关于商业车险费率调整和管理等有关问题的通知》，将费率与投保车主的驾驶风险挂钩，为UBI车险定价模式在我国的推广奠定了政策基础。近年来，车载诊断系统（On-Board Diagnostic System，OBD）技术的成熟和智能手机的普及为UBI车险的推广提供了硬件支持；车联网、5G技术、大数据、云端存储技术为UBI车险的推广提供了软件支持。

除了政策、硬件和软件支持外，UBI保险的发展也离不开专业的UBI保险从业者。目前，国内投保人对UBI定价模式的接受程度还比较低，其中有一个重要原因是保险从业者对这一新兴模式不熟悉。当投保人向保险从业者咨询UBI定价模式的相关问题时，保险从业者难以给出准确解答，这会增加投保人对这一保险定价模式的疑虑。因此，UBI新模式下蓬勃发展的汽车保险行业急需专业人才。

《汽车保险与理赔》课程作为汽车相关专业和保险专业学生的必修课程，存在内容跨度较大、实践技术水平要求较高等特点。在实际教学过程中，存在授课缺乏实践性、实训缺乏时效性等问题，这使得学生对课程的兴趣不大，教学效果较差。为了解决以上问题，有专业人士提出了将《汽车保险与理赔》教学与信息化技术相结合的方法。

目前，我国对《汽车保险与理赔》课程的信息化授课方式尚在初步探索中，UBI新模式下的信息化教学手段也不太多。而UBI车险定价模式本就依托信息化技术而生，对此，本文提出了构建虚拟仿真平台，还原车险报给厘定流程的互动教学模式，以期提高汽车保险教学的质量。

UBI保险的硬件基础

UBI车险定价模式的核心是通过车联网OBD设备或者智能手机采集的驾驶员驾驶行为数据和车辆行驶数据，可以说车联网OBD设备和智能手机是实现UBI车险费率定价模式不可或缺的硬件基础。

OBD最初的设计目的是为了方便机修人员检测车辆各部件的气体排放量并以此来检测车辆故障情况。随着技术不断发展，如今的OBD接口能够采集发动机转速、行车里程、油耗、车辆故障码等基本数据。这些数据通过车联网技术上传到保险公司终端，保险公司再利用这些数据进行建模分析就能得到驾驶员的驾驶行为习惯和汽车使用状况。智能手机内置的传感器也可精准记录驾驶员的驾驶行为及车辆使用数据。OBD及智能手机数据处理过程如图1所示。

图1 OBD及智能手机数据处理过程

UBI保险教学的互动模式

在教学中，仅用传统的理论传授，效果并不理想，学生无法充分理解知识。基于此，本文通过构建虚拟仿真平台，还原UBI车险保费厘定的流程，以有效弥补纯理论教学的不足，启发学生对知识的好奇心，使其更加深刻地理解UBI车险。

该实验用角色扮演的方式使学生深度体验UBI车险保费厘定流程。通过学习，学生可以对UBI保险产生深刻认识。在实验中，学生能够理解UBI车险数据的产生、认识驾驶风险因子、熟悉车险定价流程、掌握车险大数据处理方法、学习前沿的算法模型，可将理论知识融入实践，提高自身综合素质。

实验共分为三个环节：驾驶行为数据的获取、数据的分析处理、驾驶风险建模及优化。这三个环节环环相扣，学生可在交互式的体验中逐步掌握UBI车险的运作流程。

1.驾驶行为数据的获取

在该环节中，学生可熟悉UBI车险数据的产生过程，获知车辆速度、驾驶时长、道路位置坐标、方向盘转角等驾驶行为信息。

该环节首先需搭载虚拟仿真平台。由于车辆的运行环境由人、车、路和环境融合而成，人的年龄、驾龄及驾驶行为等因素，车的车型、车龄等因素，道路的拥堵情况和道路状况（上下坡、泥泞坑洼路段、夜间无路灯路段）等因素，以及环境状况（雾霾、雨雪、晴天）及地形情况（平原或山地）等因素均对可能对车辆的出险情况造成影响，进而影响车险索赔，所以，搭载虚拟仿真平台时应在系统内置不同的车型、道路及环境。该系统为每个学生创建不同的ID，用于身份识别。

平台应尽可能地还原真实驾驶的体验感，在该平台下，学生扮演驾驶人的角色，驾驶车辆行驶在虚拟道路中。显示屏上可实时显示车辆的速度、位置及驾驶时长等信息。在实验中，系统实时采集驾驶行为相关数据，采样频率为10Hz。每次实验结束，系统都会自动生成驾驶行为相关的原始数据，学生提取该数据，初步了解驾驶行为数据的构成，理解数据的产生，为后续实验做好准备。

2.数据的分析处理

在该环节中，学生进行原始数据的分析处理，并提取特征向量，创建特征集，掌握UBI车险大数据处理的方法。该环节可与某保险公司合作，获取其若干份某段时期内的车险保单承保信息和出险信息，以及这其间的驾驶行为原始数据（包括时间、车速、方向盘转角和行驶里程等）。

拿到原始数据后，学生应先对数据进行描述性统计分析，分析数据的均值、方差、中位数、最大值、最小值等。在了解数据基本情况的同时，查看哪些数据是不合理的，即有无异常点、噪音等情况。清洗不合理数据，再进行特征提取，提取出与UBI车险相关的变量信息，如急加速次数、急减速次数、急转弯次数、急刹车次数、行驶里程、夜间行驶时间和平均车速等。学生可根据以往的知识积累和自己对驾驶风险的理解，选择可能对驾驶风险有影响的特征，创建新的数据集，为风险建模做准备。

3.驾驶风险建模及优化

在该环节中，学生学习使用精算模型进行车险保费的厘定。

目前，广义线性模型（GLM）在车险保费厘定领域的应用极为广泛。例如通过逻辑回归模型分析出险的概率，通过泊松回归预测出险的频次，通过伽马回归分析每次出险的索赔强度，还可以通过Tweedie类分布分析预测用户出险的纯保费等。

因而，实验系统内置有GLM模型。该模型的生成需要学生自由设置变量选择、分布选择和连接函数选择三大模块。其中，变量选择包括驾驶人属性、车辆属性、驾驶行为属性；分布选择包括泊松分布、二项分布、正态分布、逆高斯分布、伽马分布等；连接函数选择包括identity连接、log连接、logit连接等。在不同模块选择不同的变量和参数，即可实现对出险概率、索赔频率、索赔强度及车险纯保费的预测。

学生也可以调整上述参数以优化模型。在进行特征参数优化时，学生可分析用户身份及其驾驶行为信息与出险概率、索赔频率、索赔强度及车险纯保费之间是否存在显著关系，剔除不显著的特征，再重新拟合，进一步优化模型。

基于预测的纯保费，学生可实现UBI保费的定价，然后随机挑选若干投保用户来验证定价策略的合理性与可行性。在检验合理性时可发现，索赔金额越高的用户，其驾驶行为有出险的更大可能性，预测纯保费相对较高，相应的UBI保费价格也较高；与此相反，未发生车险索赔的用户，其驾驶行为习惯相对安全，预测纯保费较低，相应的UBI保费价格也较低。

结 语

物联网、大数据等新兴技术快速发展的今天，基于驾驶行为的UBI车险定价正逐渐成为汽车保险行业的主流。在此背景下，汽车保险教学的内容及方法也应不断发展以适应行业需求。本文通过构建虚拟仿真平台，用三个实验环节真实还原UBI车险保费厘定的流程，使学生在实践中逐步掌握UBI车险的相关知识，并培养学生自主学习、团队协作和实践动手的能力，促进了教学一体化，满足了高等院校对教学质量的要求。