趙恩有

摘要：基于我國發(fā)展車輛保險(xiǎn)的重要性，研究車輛保險(xiǎn)市場(chǎng)是非常有必要的。本文基于2004-2015年的數(shù)據(jù)，來研究車輛保險(xiǎn)市場(chǎng)的成長(zhǎng)情況，通過灰色模型與神經(jīng)網(wǎng)絡(luò)的結(jié)合的灰色神經(jīng)網(wǎng)絡(luò)模型去擬合車輛保險(xiǎn)營(yíng)業(yè)額與解釋變量的關(guān)系，之后再用遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)，最后通過模型結(jié)果的對(duì)比，知基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型有更好的預(yù)測(cè)效果。

Abstract： Based on the importance of developing vehicle insurance in China， it is very necessary to study the vehicle insurance market. Based on the data of 2004-2015， this paper studies the growth of vehicle insurance market， and uses the gray neural network model combined with gray model and neural network to fit the relationship between vehicle insurance turnover and explanatory variables， and then uses genetic algorithm to optimize the gray neural network. Finally， through the comparison of the model results， we know that the gray neural network model based on genetic algorithm has a better prediction effect.

關(guān)鍵詞：車輛保險(xiǎn)市場(chǎng)；灰色模型；遺傳算法；灰色神經(jīng)網(wǎng)絡(luò)

Key words： vehicle insurance market；gray model；genetic algorithm；gray neural network

中圖分類號(hào)：F713.58 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）03-0208-03

1 車輛保險(xiǎn)市場(chǎng)的影響因素

影響車輛保險(xiǎn)市場(chǎng)的因素有經(jīng)濟(jì)因素、風(fēng)險(xiǎn)因素、社會(huì)文化因素、法律和政策因素等[1-6]。但是在實(shí)際生活中還有很多的其他的因素影響車輛保險(xiǎn)市場(chǎng)的成長(zhǎng)，比如：人的性別差異，地區(qū)文化差異等。為了建模的分析，要忽略一些影響車輛保險(xiǎn)市場(chǎng)的定性因素即難量化的影響因素，選擇全國經(jīng)濟(jì)、風(fēng)險(xiǎn)、文化等方面對(duì)車輛保險(xiǎn)市場(chǎng)影響顯著的因素。

1.1 經(jīng)濟(jì)因素

經(jīng)濟(jì)因素包括國內(nèi)生產(chǎn)總值、居民可支配收入、汽車數(shù)量、汽車保險(xiǎn)價(jià)格、財(cái)產(chǎn)保險(xiǎn)公司數(shù)量。其中汽車保險(xiǎn)價(jià)格選用車輛保險(xiǎn)賠款/車輛保險(xiǎn)費(fèi)收入來做指標(biāo)，汽車數(shù)量選用民用汽車擁有量來反映，財(cái)產(chǎn)保險(xiǎn)公司數(shù)量是統(tǒng)計(jì)中國保監(jiān)會(huì)監(jiān)督統(tǒng)計(jì)的財(cái)產(chǎn)保險(xiǎn)公司。

1.2 風(fēng)險(xiǎn)因素

風(fēng)險(xiǎn)因素包括道路交通狀況和交通事故數(shù)。道路交通狀況一般由路況和道路人均道路面積來體現(xiàn)，路況越差，那么發(fā)生車禍的風(fēng)險(xiǎn)概率就會(huì)越大。我國每個(gè)省車險(xiǎn)價(jià)格之所以不一樣，其中路況是重要的決定因素之一。交通事故能夠增強(qiáng)人民的生命安全意識(shí)和投保意愿，使得人民的保險(xiǎn)需求增加。

1.3 社會(huì)文化因素

社會(huì)文化因素包括受教育程度和城鎮(zhèn)人口比重。受教育程度選取人口中大專及以上學(xué)歷所占比例作為受教育程度的指標(biāo)，城鎮(zhèn)人口比重選取城鎮(zhèn)人口與農(nóng)村人口之比作為城鎮(zhèn)人口比重指標(biāo)。

2 基于遺傳算法優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)

2.1 灰色模型

灰色系統(tǒng)理論是由華中理工大學(xué)鄧聚龍教授與1982年提出并加以發(fā)展的，是通過少量的、不完全的信息建議起來的模型進(jìn)行預(yù)測(cè)的?；疑Ｐ途褪峭ㄟ^累加或是其它的方法去減弱離散數(shù)據(jù)的隨機(jī)性，使其得到的數(shù)據(jù)具有一定的規(guī)律，再建立微分方程形式的模型，去展現(xiàn)原始數(shù)據(jù)中的一些隱藏的信息并加以研究和描述。

2.2 灰色神經(jīng)網(wǎng)絡(luò)模型

灰色神經(jīng)網(wǎng)絡(luò)是有效的將灰色模型和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的模型，先通過灰色模型對(duì)原始數(shù)據(jù)進(jìn)行處理（1-AGO）之后，使處理后的數(shù)據(jù)呈現(xiàn)出一定的規(guī)律，再通過建立微分方程的方式使其數(shù)據(jù)進(jìn)入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行擬合和預(yù)測(cè)。與其神經(jīng)網(wǎng)絡(luò)的結(jié)合就是把微分方程經(jīng)過處理得到時(shí)間相應(yīng)方程映射進(jìn)神經(jīng)網(wǎng)絡(luò)中去求出方程的系數(shù)。

2.3 基于遺傳算法優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)[7-10]

遺傳算法是受到生物學(xué)家達(dá)爾文進(jìn)化論的啟發(fā)，借鑒生物進(jìn)化過程而提出的一種啟發(fā)式搜索算法，與其他的算法不同的是，它基本上不依賴搜索空間的知識(shí)或?qū)?shù)等其它輔助信息，僅用適應(yīng)度函數(shù)值來評(píng)估個(gè)體，來進(jìn)行遺傳的操作。由于灰色神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值是隨機(jī)初始化得到的，并且在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的過程中容易陷入局部最優(yōu)，而遺傳算法優(yōu)化了灰色神經(jīng)網(wǎng)絡(luò)模型連接權(quán)值和閾值的隨機(jī)性，又能加快網(wǎng)絡(luò)計(jì)算的收斂速度，得到全局最優(yōu)解。

遺傳算法的運(yùn)算過程有編碼、初始群體的生成、適應(yīng)度值評(píng)價(jià)檢測(cè)、選擇、交叉、變異、終止條件判斷七個(gè)步驟，可以獲得最優(yōu)的權(quán)值和閾值，再經(jīng)過灰色神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測(cè)結(jié)果。

3 實(shí)證分析

3.1 數(shù)據(jù)搜集

本文主要從中國統(tǒng)計(jì)年鑒、國家統(tǒng)計(jì)局、中國保險(xiǎn)年鑒、中國保險(xiǎn)監(jiān)督管理委員會(huì)等找取2004-2015年相關(guān)的數(shù)據(jù)，數(shù)據(jù)的變量有機(jī)動(dòng)車輛保險(xiǎn)營(yíng)業(yè)額、汽車保險(xiǎn)價(jià)格、國內(nèi)生產(chǎn)總值、城鎮(zhèn)居民可支配收入、民用汽車擁有量、居民消費(fèi)價(jià)格指數(shù)、財(cái)產(chǎn)保險(xiǎn)公司數(shù)量、交通事故發(fā)生數(shù)、人均城市道路面積、受教育程度、城鎮(zhèn)人口比重。

3.2 歸一化數(shù)據(jù)處理endprint

本文原始數(shù)據(jù)的各個(gè)因素有著不同的量綱和量綱單位，如果用原始數(shù)據(jù)進(jìn)行分析，那么將使預(yù)測(cè)結(jié)果失真。為了消除指標(biāo)之間的量綱影響，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使影響因素處于同一數(shù)量級(jí)上，以便進(jìn)行綜合對(duì)比評(píng)價(jià)。本文采用min-max標(biāo)準(zhǔn)化的方法，通過線性變化把原始數(shù)據(jù)映射到0-1之間，即轉(zhuǎn)化函數(shù)為：

3.3 基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

首先我們先對(duì)遺傳算法中的運(yùn)行參數(shù)設(shè)置為：編碼串長(zhǎng)度l=11，種群規(guī)模M=11，交叉概率pc=0.8，變異概率pm=0.1，迭代次數(shù)T=500。

遺傳算法中a，b1，b2，…，b10初始值定義在[-1，1]之間，通過遺傳算法得到灰色神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始值為

a=3.5738，b1=-0.6847，b2=1.0000，b3=-0.7151，b4=1.0000，b5=1.0000，b6=0.0810，b7=0.3731，b8=0.9124，b9=0.8330，b10=-0.5213

再把遺傳算法得到的最優(yōu)解輸入到灰色神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，通過MATLAB程序，把訓(xùn)練數(shù)據(jù)進(jìn)行100次的迭代，得到訓(xùn)練誤差隨著進(jìn)化的次數(shù)在不斷的減少，而在進(jìn)化50次的時(shí)候誤差基本上已經(jīng)不再發(fā)生變化了，對(duì)于訓(xùn)練最后的是誤差是理想的，可以說訓(xùn)練數(shù)據(jù)得到了很好的訓(xùn)練，可以用來做預(yù)測(cè)。通過灰色神經(jīng)網(wǎng)絡(luò)算出微分方程系數(shù)是：

3.4 對(duì)比分析

對(duì)比四種預(yù)測(cè)模型，GM（1，1）模型相對(duì)誤差比較大，GM（1，N）模型研究擬合的效果不好，灰色神經(jīng)網(wǎng)絡(luò)模型是灰色模型與神經(jīng)網(wǎng)絡(luò)的結(jié)合，得到結(jié)果效果是比較好的，而基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)是用遺傳算法去優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型，得到的結(jié)果精度提高了1.3%，相對(duì)誤差為-3.91%。所以用基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度是很高的，可以去預(yù)測(cè)車輛保險(xiǎn)市場(chǎng)的成長(zhǎng)情況。

4 結(jié)論

車輛保險(xiǎn)市場(chǎng)預(yù)測(cè)是政府、公司對(duì)車輛保險(xiǎn)市場(chǎng)調(diào)控和決策的重要依據(jù)，而且通過車輛保險(xiǎn)市場(chǎng)的預(yù)測(cè)可以掌握未來發(fā)展的趨勢(shì)情況，利于做出相應(yīng)的對(duì)策來解決即將面臨的問題。本文基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型對(duì)車輛保險(xiǎn)市場(chǎng)成長(zhǎng)的研究和預(yù)測(cè)，通過模型預(yù)測(cè)精度的對(duì)比，知這種研究方法是非常理想的，中國車輛保險(xiǎn)市場(chǎng)的成長(zhǎng)預(yù)測(cè)，不僅僅可以幫助國家更好的宏觀調(diào)控，也有助中國保險(xiǎn)監(jiān)督管理委員會(huì)對(duì)中國車輛保險(xiǎn)市場(chǎng)更好的監(jiān)控，更有利于財(cái)產(chǎn)保險(xiǎn)公司對(duì)中國車輛保險(xiǎn)的研究，制定有效的發(fā)展戰(zhàn)略，使得中國的車輛保險(xiǎn)市場(chǎng)健康穩(wěn)定迅速的發(fā)展。因此，對(duì)車輛保險(xiǎn)市場(chǎng)的成長(zhǎng)研究是非常有意義的。

參考文獻(xiàn)：

[1]何雪華.我國機(jī)動(dòng)車輛保險(xiǎn)需求模型的實(shí)證分析[J].保險(xiǎn)職業(yè)學(xué)院學(xué)報(bào)，2011：25-29.

[2]武紅先.我國汽車保險(xiǎn)市場(chǎng)需求的影響因素分析[J].蘇州大學(xué)，2011：128-133.

[3]劉璐，張博江.我國機(jī)動(dòng)車輛保險(xiǎn)市場(chǎng)發(fā)展的需求拉動(dòng)因素研究[J].保險(xiǎn)研究，2012（8）：83-88.

[4]劉志翔.基于BP神經(jīng)網(wǎng)絡(luò)的汽車保險(xiǎn)需求預(yù)測(cè)研究[D]. 廣東：暨南大學(xué)經(jīng)濟(jì)學(xué)碩士論文，2015：4-24.

[5]Frank D. Lewis. Dependents and Demand for Life Insurance[J].The American Economic Review，2002，79：452-467.

[6]S.Travis Pritchett and Benjamin Y.Brewster，Jr.，Comparison of Ordinary Life Operating Expense Ratios for Agency and Nonagency Insurers，2000，67：73-90.

[7]吳亞雄，謝敏.基于BP神經(jīng)網(wǎng)絡(luò)灰色回歸組合模型的年最大負(fù)荷預(yù)測(cè)[J].南方能源建設(shè)，2017（2）：46-57.

[8]楊帆，謝洋洋.遺傳灰色神經(jīng)的衛(wèi)星鐘差預(yù)報(bào)模型[J].導(dǎo)航定位學(xué)報(bào)，2017（2）：107-134.

[9]李國勇，閆芳，郭曉峰.基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J].控制工程，2013（5）：934-937.

[10]林勤.基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的浙江省公路客運(yùn)量預(yù)測(cè)模型[D].湖北：華中師范大學(xué)運(yùn)籌學(xué)與控制論碩士論文，2013：3-40.endprint