陳若愚，張 瑩，石洪波

（1.安徽財經(jīng)大學(xué)金融學(xué)院，安徽蚌埠233000；2.中央財經(jīng)大學(xué)金融學(xué)院，北京100081）

隨著保險知識的普及和保險意識的增強，越來越多的人們開始意識到保險對于人身安全和財產(chǎn)安全的重要性。截至2019年7月，我國當(dāng)年度機動車輛保險原保費收入4 579億元，已達到總財產(chǎn)險原保費收入7 672億元的59.68%。除了交通管理部門強制要求的交強險以減輕交通事故帶來的嚴重損失之外，車損險、意外險、盜搶險等商業(yè)車險產(chǎn)品的保費收入也在逐年遞增（見圖1）。

圖1 交強險和商業(yè)車險純保費收入

然而，根據(jù)銀保監(jiān)會數(shù)據(jù)公布，2018年我國機動車輛保險理賠糾紛投訴28 820件，占財產(chǎn)保險公司理賠糾紛投訴總量的74.20%。投訴主要反映保險機構(gòu)承保時未充分說明保險義務(wù)、責(zé)任免除、定損金額、理賠時效等問題而引發(fā)的理賠爭議。其中，很大的原因在于車險前端銷售服務(wù)過程中的專業(yè)性匱乏，更有甚者，保險業(yè)務(wù)員對于客戶風(fēng)險等級及承受能力的定位模糊，反而以變相的車險回扣作為物質(zhì)利誘條件，為客戶推薦高費用的保險產(chǎn)品，一味追求保單成交量以達到業(yè)績目標，漠視車險產(chǎn)品風(fēng)險保障職能的本質(zhì)。因此，為保證潛在車險客戶更加詳細地了解保費定價的影響因素，以選擇出適合自身的車險產(chǎn)品，避免出現(xiàn)銷售誤導(dǎo)情況，減少不必要的保險合同理賠糾紛，同時為便于保險代理人在簡要了解客戶實際情況之后，客觀定位客戶人群并為其選擇合適的車險產(chǎn)品，從而提高服務(wù)質(zhì)量，促進車險行業(yè)正本清源，探討商業(yè)車險保費大小與各影響因素間的定量關(guān)系并給出相關(guān)建議是很有必要的。

一、文獻綜述

Rothschild和Stiglitz（1976）在經(jīng)典保險市場逆向選擇理論模型中提到，保險市場存在嚴重的信息不對稱現(xiàn)象。因保險人難以準確評估單個客戶的風(fēng)險等級，無法根據(jù)“一車一險一價”的保費收取標準為其提供等價的保障，只能根據(jù)風(fēng)險均值與出險概率設(shè)置相應(yīng)的費率系數(shù)。對于風(fēng)險系數(shù)小、出險概率低的客戶來說，其在保險市場上充當(dāng)了為高風(fēng)險、易出險客戶分攤風(fēng)險的角色。長此以往高價收費而低風(fēng)險的客戶就會遠離商業(yè)車險市場，出現(xiàn)典型的逆向選擇效應(yīng)，將直接導(dǎo)致車險賠付率上升，造成理賠困難的現(xiàn)象。

郭振華［1］從行為保險學(xué)的角度提出，人們不愿意購買保險導(dǎo)致保險市場供求不平衡的主要原因在于忽略小概率風(fēng)險和過度短視。對于車險市場上不易出現(xiàn)交通事故或者厭惡風(fēng)險的人群來說，他們往往傾向于低估自身行駛風(fēng)險，不購買商業(yè)車險或者選擇保額較低、保費較少等不適合自身實際情況的車險產(chǎn)品。該理論認為消費者低估自身風(fēng)險是保障型車險市場供給失靈的原因所在。

正因為車險市場的逆向選擇以及消費者的風(fēng)險低估，造成優(yōu)質(zhì)客戶資源稀缺且難以甄別，各大保險機構(gòu)不得不采用價格競爭和夸大宣傳等方式奪取客戶。其中，市場返傭、給予額外物質(zhì)利益的現(xiàn)象層出不窮。王鵬［2］認為目前車險產(chǎn)品同質(zhì)化嚴重，保險業(yè)務(wù)員返傭、贈送禮品吸引潛在客戶的違規(guī)現(xiàn)象還會持續(xù)很長一段時間。這無疑嚴重阻礙了車險市場費率化改革的進程和長遠健康的發(fā)展。

苗力［3］認為隨著數(shù)字經(jīng)濟時代的到來，消費者對于保險產(chǎn)品的差異化、個性化、場景化提出了更高的要求，保險機構(gòu)的企業(yè)運營模式也應(yīng)由以企業(yè)為主導(dǎo)轉(zhuǎn)向以利益相關(guān)者（即銷售人員與用戶）為主導(dǎo)。在保險機構(gòu)銷售人員方面，陳賢［4］明確指出，缺乏服務(wù)場景和用戶黏性的銷售渠道依靠傭金差生存的局面將很快被打破；業(yè)務(wù)員身為產(chǎn)品銷售的主力軍，以消費者為中心優(yōu)化車險服務(wù)是保險公司長遠競爭的終極武器。在潛在保單客戶方面，陳秉正［5］認為，相對于廣大人民群眾日益增長的保險需求，車險產(chǎn)品有效供給明顯不足。其中，一大重要原因在于銷售過程中客戶難以明確定價機制、無法選擇出合適的產(chǎn)品。姚睿［6］等人也提出保險機構(gòu)的前、中、后臺人員需要了解精算定價模型的邏輯和使用方法，為公司打造統(tǒng)一的對話平臺。但學(xué)者們在一針見血地提出該問題之后，并未為保險公司銷售人員以及準車險客戶分析影響車險保費大小的因素，客戶仍然難以在購買洽談期間選擇合適的保險產(chǎn)品，問題并未得到實際解決。

特別值得注意的是，大多數(shù)學(xué)者都是基于車險費率精算研究車險定價因素，并改進定價模型的。孟生旺［7］選取了車輛年行駛里程、車型、行駛地區(qū)、NCD系數(shù)為影響因子，采用廣義線性回歸模型并選取對數(shù)聯(lián)結(jié)函數(shù)對索賠頻率、次均賠款及純保費進行了擬合。康萌萌、劉素春［8］在前者的基礎(chǔ)上認為廣義線性模型低估了參數(shù)的標準差，應(yīng)采用廣義估計方程進行建模分析。蒲適、陳秉正［9］引入“索賠頻率、索賠類型、索賠額”結(jié)構(gòu)代替“索賠頻率、索賠額”結(jié)構(gòu)的多元個體損失模型進行聚類分析，以更公平地實現(xiàn)車險純保費差異化定價。然而，卻鮮有學(xué)者從前端的保險產(chǎn)品銷售環(huán)節(jié)出發(fā)，為承保過程中的個體雙方提供便于理解的定價模型。因此，為解決這一問題，本文從前端銷售入手，以車險保費的“從人”定價標準為準則，旨在通過車險保費影響因素的定性分析以及模型的定量說明，為產(chǎn)品銷售雙方的客戶定位和產(chǎn)品選擇提供參考。

二、多因子影響因素的機制分析

（一）車輛因素

近年來，隨著商車費改的不斷推進，行業(yè)精算的不斷發(fā)展，粗放式的僅根據(jù)車輛型號、車輛價值來確定保費的定價模式顯然是極度不科學(xué)的。但投保車輛的基本情況對于車險保費的影響是必不可少的。不同品牌、不同型號、不同性能的車輛對應(yīng)的價值和出險概率也大不相同。諸如新車購置價、車輛使用用途、車輛座位數(shù)情況等是反映車輛特征的基本因素。其中，關(guān)于新車購置價方面，有學(xué)者提出以車輛現(xiàn)值作為計量因素更為科學(xué)。但由于銷售面談過程中的車輛現(xiàn)值確認困難，后文選用新車購置價作為車輛影響因素較為便捷實際。

（二）駕駛?cè)艘蛩?/h3>

1.性別

張圓等人［10］研究指出，女性駕駛員的交通事故死亡率低于男性駕駛員，但事故發(fā)生率高于男性駕駛員。由于性別常常決定著性格差異，男性駕駛員在駕駛過程中，超速、超車、酒后駕駛、不使用安全駕駛工具的行為時有發(fā)生。女性駕駛員因生理、心理等方面的因素，在行車過程中較為平穩(wěn)謹慎，但由于技術(shù)的限制，小摩擦事故比男性頻發(fā)。因此，有必要將性別因素納入基于風(fēng)險分類的保費影響因素分析體系之中。

2.年齡

由于家庭組成情況、人生閱歷以及責(zé)任感強度的差異，年齡較小的駕駛?cè)送谲囕v行駛過程中更加隨心所欲，而年齡較大者更趨向于平穩(wěn)駕駛。裴玉龍等人［11］通過采集不同年齡駕駛?cè)说哪X電信號的研究結(jié)果表明，青年人較于中年人更容易出現(xiàn)駕駛疲勞的生理情況，這在一定程度上增加了年齡較小駕駛?cè)说某鲭U概率。當(dāng)然，老年人因其反應(yīng)能力、精神精力的衰退，出險概率應(yīng)高于青年和中年駕駛?cè)?。通常認為，行車風(fēng)險與年齡大小呈現(xiàn)U字形分布。［2］

3.立案件數(shù)

顯而易見，保險人在給車輛承保過程中，應(yīng)十分清晰地了解該車輛之前嚴重的交通事故發(fā)生情況。車輛立案件數(shù)在一定程度上反映了車輛性能，究其立案原因，也能反映出駕駛?cè)说鸟{駛行為習(xí)慣。對于立案件數(shù)多的客戶，保險人所承擔(dān)理賠的風(fēng)險也愈大，相應(yīng)地所收保費也會相對較高。而對于無立案件數(shù)甚至連續(xù)多年無出險記錄的客戶，保險公司會為其提供優(yōu)惠策略，將風(fēng)險與責(zé)任相匹配。

4.已決賠款

已決賠款能反映客戶前期的駕駛行為導(dǎo)致的賠付率情況，除了便于保險公司判別客戶的風(fēng)險等級之外，也有利于保險業(yè)務(wù)員為其推薦合適保額大小的車險產(chǎn)品。對于事故頻發(fā)、已決賠款高的客戶來說，提高保額是理性的選擇。同時，保額的提高和NCD系數(shù)的上升也會導(dǎo)致客戶所交保費的增加。

三、實證分析

（一）數(shù)據(jù)來源及處理

本文保單數(shù)據(jù)均來自于數(shù)學(xué)中國網(wǎng)站。為了便于研究，本文在上萬條保單數(shù)據(jù)中將缺失客戶信息的空白數(shù)據(jù)剔除，根據(jù)控制變量原則，保證除需研究的因子之外其他影響因素的一致性，以盡量消除其他因子對研究帶來的偏差影響，從而選取出2018年購買商業(yè)車險的省內(nèi)（即僅在省內(nèi)駕駛出行）家庭自用汽車個人客戶的數(shù)據(jù)。

（二）變量選取和控制

對商業(yè)車險保費大小進行多因子分析時，選取簽單保費為被解釋變量并設(shè)置為Y，根據(jù)各因子之間以及與被解釋變量的線性相關(guān)系數(shù)分析，選取新車購置價、被保險人年齡及已決賠款為解釋變量并依次設(shè)置為X1、X2、X3。然后使用控制變量法設(shè)置其他相關(guān)變量為一固定值，如控制車險保額為30萬元、針對車輛為家庭自用型、客戶類別為個人而非機構(gòu)以及對于車輛損失、盜竊、搶劫、車上人員均進行投保等，以減少其他因素對實證研究造成的影響。除此之外，本文將不可忽視的車輛事故立案件數(shù)和被保險人性別設(shè)置為虛擬變量的形式，以便進行更好的定量分析。變量選取和設(shè)置如表1所示。

（三）實證方法

運用計量經(jīng)濟學(xué)軟件Eviews9.0對篩選處理后的因素和數(shù)據(jù)進行相關(guān)分析及回歸分析，并通過相關(guān)系數(shù)檢驗、拉格朗日檢驗（LM檢驗）、布羅斯-帕甘-戈弗雷檢驗（BG檢驗）分別判定回歸模型的多重共線性、自相關(guān)性以及異方差性。

首先，通過添加虛擬變量，不斷重新設(shè)置和調(diào)整虛擬變量的斜率式和截距式的模型形式，最終選擇混合式回歸模型：

從而得到較為優(yōu)化的回歸模型結(jié)果。然后，需要對初步得到的回歸模型進行檢驗。居于首位的計量檢驗是多重共線性的檢驗，根據(jù)各因子間的相關(guān)系數(shù)大小以及方差膨脹因子

其次，通過DW檢驗判別準則以及LM檢驗構(gòu)建殘差的輔助回歸模型的方法來檢驗?zāi)Ｐ偷淖韵嚓P(guān)性。當(dāng)DW準則檢驗一階自相關(guān)性而落在不可判別的區(qū)域內(nèi)時，默認LM檢驗的滯后期為2，借助輔助回歸模型的顯著程度間接判定原模型的自相關(guān)性。

最后，除了殘差分布圖的變化趨勢，借助BG檢驗構(gòu)建殘差平方的輔助回歸模型及受約束的F統(tǒng)計量和LM統(tǒng)計量的方法［10］，采用P值檢驗法亦可檢驗原回歸模型的異方差性。

表1 變量設(shè)置表

（四）實證檢驗

1.模型的多重共線性檢驗

從表2的相關(guān)系數(shù)可知，各解釋變量之間不存在嚴重的多重共線性。為進一步準確檢驗，筆者建立了輔助回歸模型，采用最小二乘估計法（OLS）建立每個解釋變量對其余解釋變量的輔助回歸方程，所得三個輔助回歸模型均未通過統(tǒng)計意義上的t檢驗、F檢驗和R2可決系數(shù)的檢驗，且各輔助模型的方差膨脹因子都顯著地小于10，說明商業(yè)車險保費的多因子回歸模型并不存在多重共線性。

表2 相關(guān)系數(shù)檢驗表

2.模型的自相關(guān)性檢驗

根據(jù)上述多因子模型的估計結(jié)果可知

DW=1.557 147，取 α=0.05，結(jié)合統(tǒng)計量臨界值和DW決策規(guī)則得到dL=1.10＜DW=1.557147＜du=1.66，（n=24，k=3），落在無法判定的區(qū)域內(nèi)，則進行LM檢驗。根據(jù)表3結(jié)果可知，LM檢驗輔助回歸模型et=b0+b1x1t+ … +bkxkt+ρ1et-1+ρ2et-2+ … +ρpet-p+υt的參數(shù)統(tǒng)計量LM（2）=nr2=1.345 021＜（2）=5.99 147，其臨界概率P=0.510 4＞0.05，即表明殘差輔助回歸模型不顯著，原模型不存在自相關(guān)性。

3.模型的異方差性檢驗

表3 LM檢驗表（Breusch-Godfrey Serial Correlation LM Test）

BG檢驗結(jié)果如表4所示，輔助回歸模型e2t=a0+a1x1t+a2x2t+…+akxkt+υt的 LM（2）=nr2=16.363 95＞（2）=5.991 47，且取 a=0.05，F(xiàn) 統(tǒng)計量的臨界概率 P=0.004 1＜0.05，說明殘差平方的輔助回歸模型是顯著的，則原模型存在異方差性。

表 4 BG 檢驗表（Heteroskedasticity Test：Breusch-Pagan-Godfrey）

4.模型修正

對于存在異方差性的回歸模型，采用加權(quán)最小二乘法對原模型予以矯正。加權(quán)的基本思想是：在采用最小二乘法時，對較小的殘差平方賦予較大的權(quán)數(shù)，對較大的殘差平方賦予較小的權(quán)數(shù)，對殘差進行校正，提高參數(shù)的精度［12］8。本文通過生成權(quán)數(shù)變量w=估計模型，得到如下回歸結(jié)果：

通過比較，引入權(quán)數(shù)變量w=1/et2得到的模型解釋能力更強，參數(shù)精度更高，且再一次進行異方差性的檢驗，顯示矯正后的模型已經(jīng)不存在異方差性。

四、結(jié)果分析

由表5可知，新車購置價和已決賠款對于簽單保費的決定程度不受研究中虛擬變量的影響。新車購置價越高，車輛因出險事故的維修成本也越高，保險公司理賠承壓，因而簽單保費均較高。已決賠款總額越高，說明出險次數(shù)較多或者事故嚴重程度較大，客戶的總體風(fēng)險評級偏向于高風(fēng)險，對于保費大小起到一定的正向影響。但在不同性別和立案件數(shù)情況下，駕駛?cè)说哪挲g對于簽單保費具有不同的影響，甚至影響方向都大有差異。

表5 各因子對于保費大小的影響

五、相關(guān)建議

本文通過對新車購置價、被保險人的年齡、性別、已決賠款、立案件數(shù)五個因素的分析，確定了其對于保費大小的邊際影響程度，這對車險產(chǎn)品的定位銷售和精細服務(wù)提供了部分價值。據(jù)此，可以提出以下建議：

首先，由于基于精算式的車險產(chǎn)品費率厘定過于復(fù)雜，無法在前端銷售時滿足保險業(yè)務(wù)員和投保人實際的疑問需求，因此，保險機構(gòu)業(yè)務(wù)員在為潛在保單客戶推薦車險產(chǎn)品時，可以從客戶的個人實際情況出發(fā)，根據(jù)以上研究為客戶專業(yè)細致地分析影響其所需繳納保費的因素，評估其風(fēng)險水平，為客戶選取合適的車險產(chǎn)品，減少車險銷售糾紛和理賠爭議，以充分發(fā)揮財產(chǎn)保險的經(jīng)濟補償職能，更好地維護長期客戶，提高續(xù)保概率。

其次，準車險客戶在選擇和組合商業(yè)車險的時候，亦可以根據(jù)被保險人的年齡、性別、已決賠款、立案件數(shù)、平時的駕駛習(xí)慣等因素自行評估自身風(fēng)險，結(jié)合車險保費大小的多因子模型及自身現(xiàn)實情況了解所需車險種類，提前獲悉可接受的保費承擔(dān)范圍，實現(xiàn)成本最小、所獲經(jīng)濟保障最大的車險險種組合。

有別于傳統(tǒng)的親緣銷售、回扣銷售、誤導(dǎo)銷售模式，在這種信息不對稱現(xiàn)象減弱的專業(yè)化銷售模式下，潛在客戶對于產(chǎn)品定價和格式條款的了解不斷加深，這對保險推銷員提出了硬技能上的要求。隨著產(chǎn)品定價的信息披露力度加大，前端銷售雙方相互促進相互監(jiān)督，我國保險行業(yè)有望加速走上規(guī)范化、專業(yè)化、精細化的發(fā)展道路。