范廣哲 劉瑾雯

【摘要】 隨著保險(xiǎn)欺詐（Insurance Fraud）向全球蔓延，研究方法開(kāi)始由定性研究向?qū)嵶C研究過(guò)渡。然而現(xiàn)有分類器的設(shè)計(jì)都是基于類分布大致平衡這一假設(shè)的，針對(duì)現(xiàn)實(shí)世界中廣泛存在不平衡數(shù)據(jù)這一事實(shí)，本研究對(duì)美國(guó)機(jī)動(dòng)車保險(xiǎn)機(jī)構(gòu)提供的車險(xiǎn)索賠非平衡大數(shù)據(jù)，運(yùn)用隨機(jī)森林（Random Forest）對(duì)欺詐進(jìn)行識(shí)別預(yù)測(cè)，為構(gòu)建我國(guó)保險(xiǎn)欺詐識(shí)別模型提出建議。

【關(guān)鍵詞】 保險(xiǎn)欺詐 識(shí)別模型 隨機(jī)森林

國(guó)內(nèi)外保險(xiǎn)欺詐（Insurance Fraud）識(shí)別研究 早期的識(shí)別模型主要是以 Logit 模型為主。Artis、Ayuso 和 Guillen 建立了 AAG 欺詐識(shí)別模型。Caudill、Ayuso、Guillen 建立多項(xiàng)分對(duì)數(shù)模型。

Ridit模型通過(guò)建立標(biāo)準(zhǔn)組，將其他組的數(shù)據(jù)與之做對(duì)比來(lái)計(jì)算 R 值。我國(guó)學(xué)者葉明華1，運(yùn)用 Logit 回歸分析對(duì)識(shí)別因子進(jìn)行精煉，將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用在車險(xiǎn)欺詐識(shí)別中，得到了更高的準(zhǔn)確率。

然而，在實(shí)際操作過(guò)程中，可能會(huì)因兩方面因素影響，導(dǎo)致準(zhǔn)確率偏差：一是數(shù)據(jù)樣本小，缺乏對(duì)于現(xiàn)實(shí)中包含微弱信息的大型數(shù)據(jù)庫(kù)的數(shù)據(jù)分析。二是以理想的數(shù)據(jù)平衡狀態(tài)作為研究背景，脫離實(shí)際。

研究數(shù)據(jù) 研究樣本為美國(guó)車輛保險(xiǎn)機(jī)構(gòu)提供的車險(xiǎn)索賠數(shù)據(jù)，共包含 11336 項(xiàng)記錄。其中 94 年的數(shù)據(jù)為訓(xùn)練集（6141 條），95 年的數(shù)據(jù)為測(cè)試集（5195 條）。共有包括“車輛品牌”、“事故發(fā)生地”等在內(nèi)的 31 個(gè)自變量，一個(gè)應(yīng)變量“欺詐與否”，誠(chéng)實(shí)索賠為 0，欺詐索賠為 1，正類樣本只占樣本總量的 6%，為兩分類非平衡大數(shù)據(jù)。

評(píng)價(jià)準(zhǔn)則

目前分類算法常見(jiàn)的評(píng)價(jià)準(zhǔn)則主要有：

（1） 準(zhǔn)確率（Precision ）： Precision= TP / （ TP + F P ） ）

（2） 查全率（Recall）： Recall = TP / （ TP + FN ））

此外，人們從醫(yī)療分析領(lǐng)域引入了一種新的評(píng)判方法—ROC分析，其橫坐標(biāo)是將負(fù)例錯(cuò)分為正例的概率（FPR），縱坐標(biāo)是將正例分對(duì)的概率（TPR），通常采用ROC曲線下面積AUC來(lái)代替ROC曲線對(duì)分類器的性能進(jìn)行定量評(píng)估。在眾多現(xiàn)實(shí)分類任務(wù)中AUC已經(jīng)替代準(zhǔn)確率成為分類算法的性能評(píng)價(jià)指標(biāo)。

本研究選取AUC作為分類器性能評(píng)價(jià)準(zhǔn)則。 保險(xiǎn)欺詐識(shí)別中的隨機(jī)森林（Random Forest）應(yīng)用 Leo Breiman2將統(tǒng)計(jì)學(xué)理論中的數(shù)據(jù)分析分為數(shù)據(jù)建模文化（The Data Modeling Culture），例如線性回歸，邏輯回歸，Cox 模型等；算法建模文化（The Algorithmic Modeling Culture），典型模型是 Leo Breiman 在決策樹(shù)基礎(chǔ)上建立的隨機(jī)森林3。

相比數(shù)據(jù)建模文化，算法建模文化可以得到更有效的預(yù)測(cè)模型。隨機(jī)森林對(duì)缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較穩(wěn)健，可以很好地預(yù)測(cè)多達(dá)幾千個(gè)解釋變量的作用，而不需要對(duì)解釋變量進(jìn)行交叉檢驗(yàn)及精煉，從而避免刪除隱藏的有效信息。此外，隨機(jī)森林算法還不容易產(chǎn)生過(guò)擬合現(xiàn)象，被譽(yù)為當(dāng)前最好的算法之一。

研究采用 R 軟件的 randomForest 程序包命令對(duì)數(shù)據(jù)進(jìn)行分析。將訓(xùn)練集數(shù)據(jù)（1994 年數(shù)據(jù)）全部輸入，設(shè)置參數(shù)，500 顆樹(shù)（ntree），每個(gè)節(jié)點(diǎn)選取 5個(gè)特征值（mtry），構(gòu)建隨機(jī)森林欺詐識(shí)別模型。將測(cè)試集（1995 年數(shù)據(jù)）輸入模型中，得到欺詐預(yù)測(cè)輸出結(jié)果。圖為預(yù)測(cè)結(jié)果ROC曲線，得到AUC面積為0.724。用ROC曲線的AUC評(píng)價(jià)診斷試驗(yàn)的準(zhǔn)確性判斷標(biāo)準(zhǔn)為：AUC在0.5～0.7之間表示診斷價(jià)值較低，在0.7～0.9之間表示診斷價(jià)值中等，大于0.9則表示診斷價(jià)值較高4。

結(jié)論與建議

本文針對(duì)現(xiàn)實(shí)生活中存在的多為非平衡數(shù)據(jù)這一事實(shí)，對(duì)獲得的車險(xiǎn)索賠大數(shù)據(jù)進(jìn)行欺詐識(shí)別研究?；跀?shù)據(jù)的不平衡特性，選取AUC作為分類器性能的評(píng)價(jià)指標(biāo)，利用94年的數(shù)據(jù)對(duì)95年的車險(xiǎn)欺詐進(jìn)行預(yù)測(cè)，很好的保證了研究樣本的

時(shí)間連貫性。 由于國(guó)內(nèi)目前的車險(xiǎn)欺詐識(shí)別研究沒(méi)有針對(duì)非平衡數(shù)據(jù)的分析，研究結(jié)果沒(méi)有準(zhǔn)確的比較標(biāo)準(zhǔn)，從醫(yī)療領(lǐng)域利用AUC進(jìn)行評(píng)價(jià)的分類器性能研究中可以看到，大多數(shù)預(yù)測(cè)研究的AUC都在0.7～0.8之間，且研究樣本也并沒(méi)有如此龐大。由此可以看出，本文的研究結(jié)果在可接受范圍內(nèi)。 在進(jìn)一步的研究中，我們將會(huì)進(jìn)行國(guó)內(nèi)保險(xiǎn)數(shù)據(jù)的收集和整理，規(guī)避人為的數(shù)據(jù)篩選，保持?jǐn)?shù)據(jù)的原始性，通過(guò)進(jìn)一步的研究分析，構(gòu)建符合國(guó)內(nèi)行情的，立足于現(xiàn)實(shí)的保險(xiǎn)欺詐識(shí)別模型。

參 考 文 獻(xiàn)

[1]葉明華，基于 BP 神經(jīng)網(wǎng)絡(luò)的保險(xiǎn)欺詐識(shí)別研究[J].保險(xiǎn)研究，2011（3）：79-86

[2] Leo Breiman， Statistical Modeling： The Two Cultures[J].Statistical Science，2001，Vol. 16，No. 3： 199–231

[3] Leo Breiman， Random Forests[J].Machine Learning，2001，45（1）：5–32

[4] Bradley A P. The use of the area under the ROC curve in the evaluation of machine learning algorithms[ J ]. Pattern Recognition，1997，30（7）