張旭升

摘 要： 近些年，保險(xiǎn)行業(yè)得到迅猛發(fā)展，同時(shí)，保險(xiǎn)欺詐活動(dòng)應(yīng)運(yùn)而生。面對(duì)保險(xiǎn)欺詐，很多保險(xiǎn)公司往往一籌莫展，導(dǎo)致騙賠猖獗。如何從以往的拒賠案件信息中，抽取有效識(shí)別欺詐案件的模式，促進(jìn)保險(xiǎn)業(yè)持續(xù)健康發(fā)展，成為保險(xiǎn)行業(yè)研究的關(guān)鍵。數(shù)據(jù)挖掘在處理大批量數(shù)據(jù)，挖掘潛在關(guān)系方面具有無可比擬的優(yōu)勢(shì)。本文提出利用神經(jīng)網(wǎng)絡(luò)算法，從歷史賠案信息中訓(xùn)練出識(shí)別欺詐案件的模型，并抽取賠案數(shù)據(jù)進(jìn)行模型效果測(cè)試。實(shí)驗(yàn)證明，通過此模型篩選出的高理賠用戶群具有較高準(zhǔn)確率，此數(shù)據(jù)對(duì)保險(xiǎn)工作人員具有一定的指導(dǎo)作用。

關(guān)鍵詞： 高風(fēng)險(xiǎn)理賠 神經(jīng)網(wǎng)絡(luò)算法 數(shù)據(jù)挖掘

1.引言

目前，我國(guó)保險(xiǎn)業(yè)正處在發(fā)展的重要時(shí)期。一方面，保險(xiǎn)業(yè)務(wù)和保險(xiǎn)產(chǎn)品在社會(huì)上有一定量的需求，保險(xiǎn)業(yè)已經(jīng)成為國(guó)家的一個(gè)重要行業(yè)，并正處于朝氣蓬勃的發(fā)展階段。另一方面，保險(xiǎn)業(yè)的發(fā)展出現(xiàn)諸多問題，尤其是保險(xiǎn)欺詐問題日益嚴(yán)重。在過去十多年中，各種各樣的保險(xiǎn)欺詐案急劇上升。據(jù)《中國(guó)保險(xiǎn)報(bào)》報(bào)道，某些保險(xiǎn)險(xiǎn)種因被欺詐導(dǎo)致的賠款支出最高可達(dá)保費(fèi)收入的50%，全部業(yè)務(wù)被欺詐導(dǎo)致的賠款支出估計(jì)約為10%～30%[1]。中國(guó)人民大學(xué)統(tǒng)計(jì)分析和數(shù)據(jù)挖掘和商業(yè)智能應(yīng)用研究小組就某保險(xiǎn)公司1998～2002年的理賠數(shù)據(jù)分析，高危人群理賠率為12.73%，遠(yuǎn)遠(yuǎn)大于總體比例的受理賠率3.66%[2]。面對(duì)日益猖獗的保險(xiǎn)欺詐，我國(guó)部分商業(yè)保險(xiǎn)公司還沒有采取行之有效的措施。他們把研究該問題的關(guān)鍵集中在擴(kuò)大保險(xiǎn)費(fèi)收入總量上，沒有意識(shí)到保險(xiǎn)欺詐給保險(xiǎn)公司及當(dāng)事人帶來的嚴(yán)重危害。處理海量數(shù)據(jù)時(shí)，數(shù)據(jù)挖掘技術(shù)具有無可比擬的優(yōu)勢(shì)。近年來，國(guó)內(nèi)外很多文章從多方面專門探討數(shù)據(jù)挖掘在不同保險(xiǎn)行業(yè)中的應(yīng)用。

從一個(gè)全新角度切入，數(shù)據(jù)挖掘技術(shù)為保險(xiǎn)公司提供可以處理海量信息的方法，將收集到的海量數(shù)據(jù)通過該技術(shù)，了解擁有的客戶的具體類型，以及其中什么特征的客戶存在高風(fēng)險(xiǎn)。由數(shù)據(jù)挖掘結(jié)果可以更清楚地知道未來目標(biāo)客戶群在哪里，針對(duì)該客戶群推薦保險(xiǎn)理賠產(chǎn)品進(jìn)而獲得更大效益。

我國(guó)壽險(xiǎn)行業(yè)經(jīng)過近二十年的發(fā)展，積累了大量客戶數(shù)據(jù)及大量理賠用戶數(shù)據(jù)。

本文引入神經(jīng)網(wǎng)絡(luò)算法，分析大量理賠用戶數(shù)據(jù)，把這些高危理賠人員分離出來，集中分析，同時(shí)找到保單中風(fēng)險(xiǎn)較大的區(qū)域，從而得到一些實(shí)用的控制風(fēng)險(xiǎn)的規(guī)則，以便對(duì)保險(xiǎn)公司的工作起到指導(dǎo)作用。

2.神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由多個(gè)簡(jiǎn)單處理單元彼此按某種方式相互連接而形成的一種計(jì)算機(jī)系統(tǒng)，通過對(duì)連續(xù)或斷續(xù)式的輸入做狀態(tài)響應(yīng)，該系統(tǒng)能夠進(jìn)行信息處理。盡管每個(gè)神經(jīng)元的結(jié)構(gòu)和功能相對(duì)比較簡(jiǎn)單，但由大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)的行為豐富多彩和相當(dāng)復(fù)雜。研究發(fā)現(xiàn)該算法具有以下優(yōu)點(diǎn)：非線性映射逼近能力、高強(qiáng)的容錯(cuò)能力、對(duì)信息的并行分布式綜合優(yōu)化處理能力、對(duì)學(xué)習(xí)結(jié)果的泛化能力和自適應(yīng)能力、便于集成實(shí)現(xiàn)和計(jì)算模擬等[3]。

3.模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)算法模型構(gòu)建具體過程一般需要四步：

第一步：數(shù)據(jù)收集，從而獲取建模所需的客戶數(shù)據(jù)，其中數(shù)據(jù)項(xiàng)的選擇等工作直接決定了最終建立的模型是否與研究目標(biāo)一致；

第二步：預(yù)處理數(shù)據(jù)，對(duì)初始客戶數(shù)據(jù)進(jìn)行預(yù)處理，因?yàn)槌跏伎蛻魯?shù)據(jù)并不一定符合我們的建模要求，其中會(huì)有數(shù)據(jù)噪聲等多種問題存在，所以對(duì)其進(jìn)行預(yù)處理是保證建模結(jié)果準(zhǔn)確的必然要求；

第三步：根據(jù)收集的特定的一群數(shù)據(jù)，通過訓(xùn)練這些數(shù)據(jù)，得出該數(shù)據(jù)群的特征，存入特征數(shù)據(jù)集合中；

第四步：有特征集合和分類算法，構(gòu)造分類器；如圖1所示。

建立好神經(jīng)網(wǎng)絡(luò)算法模型，對(duì)于新加入的用戶數(shù)據(jù)，可以通過圖2進(jìn)行檢測(cè)，首先將待檢測(cè)的用戶信息向量化，讓其符合特定格式，通過分類器進(jìn)行分類，通過比較得出結(jié)論。

4.實(shí)例分析

經(jīng)過幾十年發(fā)展，保險(xiǎn)行業(yè)已經(jīng)積累了海量理賠數(shù)據(jù)，足夠我們構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)算法模型。

第一步：將大量理賠數(shù)據(jù)資料進(jìn)行預(yù)處理，提取出我們需要的向量（編號(hào)，年齡，收入水平，可信度），將這些作為訓(xùn)練數(shù)據(jù)；第二步：將訓(xùn)練數(shù)據(jù)按照分類算法得到分類規(guī)則，將分類規(guī)則放入特征集合中，如圖3所示；

建立好分類算法模型后，當(dāng)保險(xiǎn)公司發(fā)現(xiàn)可疑用戶時(shí)，可以利用建立好的分類算法模型進(jìn)行測(cè)試，提取用戶信息，按照得到特征集合中的分類規(guī)則進(jìn)行分類，判斷該用戶屬于哪一類。

5.結(jié)語

對(duì)保險(xiǎn)公司而言，其很希望每個(gè)人都買保險(xiǎn)，但是不要出事故，但是對(duì)于每個(gè)人而言，由于生活中各種各樣的不確定性因素，甚至?xí)霈F(xiàn)騙取保險(xiǎn)的現(xiàn)象。如何有效且準(zhǔn)確地識(shí)別出這些人群，對(duì)保險(xiǎn)公司具有重要意義。本文采用神經(jīng)網(wǎng)絡(luò)算法，篩選出高理賠的用戶群，并舉例對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，從而給予保險(xiǎn)公司有益的改善意見。

參考文獻(xiàn)：

[1]唐紅祥.投保方保險(xiǎn)欺詐問題研究[J].廣西財(cái)政高等?？茖W(xué)校學(xué)報(bào)，2004，17（3）：42-55.

[2]張健，馮建華.數(shù)據(jù)頇處理在保險(xiǎn)理賠預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程，2005.9：2537-2539.

[3]謝承泮.神經(jīng)網(wǎng)絡(luò)發(fā)展綜述[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2006，16（12）：148-149.

[4]陳永強(qiáng)，胡雷芳.數(shù)據(jù)挖掘技術(shù)在人壽保險(xiǎn)CRM系統(tǒng)中的應(yīng)用研究[J].現(xiàn)代生產(chǎn)與管理技術(shù)，P39-42.

[5]黃晶晶.數(shù)據(jù)挖掘技術(shù)在醫(yī)院醫(yī)保費(fèi)用分析屮的研究與應(yīng)用[D].廣州：南方科技大學(xué)，2009.