張育儒

摘要：隨著人們生活水平的提高，汽車行業(yè)飛速發(fā)展，我國機(jī)動車保有量逐漸增加，但是近幾年我國道路交通事故不斷發(fā)生，不僅造成大量的經(jīng)濟(jì)損失，而且這也給機(jī)動車輛保險欺詐提供了機(jī)會。文章從反欺詐角度出發(fā)，對機(jī)動車第三者責(zé)任風(fēng)險及保險進(jìn)行了研究，使其更加個性化，給予人們更大的保障。首先，文章分析了發(fā)生事故以后肇事者對第三者所承擔(dān)的民事賠償責(zé)任，從造成賠償責(zé)任的原因出發(fā)，對其與交強(qiáng)險進(jìn)行區(qū)分。其次，從人的因素、車輛因素和環(huán)境因素三個方面進(jìn)行理賠風(fēng)險識別，查找欺詐因子。再次，根據(jù)風(fēng)險識別的因素確定研究所需的自變量，然后根據(jù)自變量建立回歸模型。最后，運(yùn)用回歸分析的方法進(jìn)行風(fēng)險評價和預(yù)測，設(shè)計(jì)承保方案，并運(yùn)用實(shí)例進(jìn)行驗(yàn)證。

關(guān)鍵詞：機(jī)動車三者險;風(fēng)險分析;保險欺詐;Probit回歸;責(zé)任限額

隨著經(jīng)濟(jì)的飛速發(fā)展，我國的機(jī)動車保有量一直急速增長。據(jù)統(tǒng)計(jì)，截至2019年，我國機(jī)動車保有量達(dá)3.4億輛。隨著汽車數(shù)量的快速增加，道路交通事故的發(fā)生也隨之增加，由于事故的增多，第三者責(zé)任險作為在事故中承擔(dān)對事故第三方賠償?shù)淖饔蔑@得非常重要。近幾年發(fā)展以來，以商業(yè)第三者責(zé)任險為主的汽車保險已經(jīng)成為保險業(yè)的主流。

然而，隨著中國機(jī)動車保險行業(yè)快速發(fā)展，各種風(fēng)險事件也呈增多之勢，其中最突出的就是保險欺詐。機(jī)動車三者險經(jīng)營狀況直接影響著財險保險公司的穩(wěn)定性，而車險是保險欺詐的重災(zāi)區(qū)，不僅影響著誠實(shí)投保人的利益，而且給保險公司帶來巨大的經(jīng)濟(jì)損失，甚至為了索賠，故意制造事故現(xiàn)場，危害了公共安全。因此，亟需多角度分析理賠風(fēng)險，識別欺詐因子，運(yùn)用回歸分析方法對風(fēng)險進(jìn)行評價和預(yù)測，從而以反欺詐的角度優(yōu)化機(jī)動車三者險承保方案，提高機(jī)動車保險發(fā)展質(zhì)量。

目前，我國機(jī)動車三者險等車險的反欺詐研究主要包括理論層面和實(shí)證層面。在理論層面，主要是是運(yùn)用信息經(jīng)濟(jì)學(xué)理論或博弈理論對其形成原因進(jìn)行剖析（宗國富和周文杰，2014），在實(shí)證層面，通過使用Logistic二元選擇模型和BP神經(jīng)網(wǎng)絡(luò)模型分別對我國江浙滬地區(qū)的機(jī)動車保險索賠案例樣本進(jìn)行分析（葉明華，2010、2011）。應(yīng)用 Logistic回歸方法對廣東車險市場進(jìn)行分析（劉坤坤，2012）。基于泊松計(jì)數(shù)方法的回歸模型，研究敏感性特征比例與協(xié)變量之間的相關(guān)性。（吳琴，劉寅和田國梁，2019）建立以深度學(xué)習(xí)技術(shù)為基礎(chǔ)的車險欺詐識別模型，采用PCA算法對數(shù)據(jù)進(jìn)行降維處理，最后將數(shù)據(jù)應(yīng)用到不同的模型。（徐徐，王正祥和王牧群，2019）。但是，上述方法沒有從現(xiàn)有的保險事故現(xiàn)場分析機(jī)動車保險欺詐問題。而且，我國現(xiàn)有的機(jī)動車三者險承保方案呈現(xiàn)標(biāo)準(zhǔn)化、單一化的特點(diǎn)，很難針對不同客戶制定不同的適合客戶的個性化方案。在反欺詐的角度下，承保方案要根據(jù)投保人近幾年的出險理賠情況綜合分析，因人而異的制定承保方案。

綜上所述，本文旨在通過對我國機(jī)動車第三者責(zé)任保險風(fēng)險分析，從保險事故為出發(fā)點(diǎn)，分析引起各種保險事故的風(fēng)險因素，選擇合適的風(fēng)險評價的方法對該險種進(jìn)行風(fēng)險評估，設(shè)計(jì)出合理的機(jī)動車商業(yè)三者險的承保方案，為以后保險發(fā)展和完善起到借鑒作用。

一、機(jī)動車三者險與交強(qiáng)險的區(qū)分

交強(qiáng)險實(shí)施后，保險公司對法定業(yè)務(wù)部分不能以高風(fēng)險為由拒?；蜃兿嗑鼙?，而必須遵循強(qiáng)制汽車責(zé)任保險的特殊原則予以承保。無疑增加了保險公司的經(jīng)營風(fēng)險。

（一）基本概念的界定

1. 交強(qiáng)險

交強(qiáng)險的全稱是“機(jī)動車交通事故責(zé)任強(qiáng)制保險”，是由保險公司對被保險機(jī)動車發(fā)生道路交通事故造成受害人的人身傷亡、財產(chǎn)損失，在責(zé)任限額內(nèi)予以賠償?shù)膹?qiáng)制性責(zé)任保險。

2. 機(jī)動車三者險

機(jī)動車三者險的含義是指被保險人或其允許的合法駕駛?cè)藛T在使用被保險車輛過程中發(fā)生的意外事故，致使第三者遭受人身傷亡或財產(chǎn)直接損毀，依法應(yīng)當(dāng)由被保險人承擔(dān)經(jīng)濟(jì)責(zé)任，保險公司負(fù)責(zé)賠償。自從交強(qiáng)險出臺后，機(jī)動車三者險已成為非強(qiáng)制性的保險，可作為交強(qiáng)險的補(bǔ)充。

（二）交強(qiáng)險與機(jī)動車三者險區(qū)別

機(jī)動車三者險采取的是保險公司根據(jù)被保險人在交通事故中所承擔(dān)的事故責(zé)任，來確定其賠償責(zé)任;而交強(qiáng)險實(shí)行的是“無過錯責(zé)任”原則，即無論被保險人是否在交通事故中負(fù)有責(zé)任，保險公司均將在責(zé)任限額內(nèi)予以賠償。機(jī)動車三者險規(guī)定了較多的責(zé)任免除事項(xiàng)和免賠率;而交強(qiáng)險的保險責(zé)任幾乎涵蓋了所有道路交通風(fēng)險，且不設(shè)免賠率和免賠額。機(jī)動車三者險是以盈利為目的，屬于商業(yè)保險業(yè)務(wù);交強(qiáng)險則不以盈利為目的，無論盈虧，均不參與公司的利益分配，公司實(shí)際上起了一個代辦的角色。

二、機(jī)動車三者險理賠風(fēng)險識別

（一）人的因素

在有欺詐嫌疑的交通事故中，駕駛員的不安全操作占了較大比重。

1. 駕駛員的心理和生理因素

人的可靠性一般都是很差的，在制造意外交通事故時，人的生理性節(jié)奏和各種生理性指標(biāo)也是隨著某個周期變化的，這種變化導(dǎo)致的不穩(wěn)定性也會在事故發(fā)生的前后有明顯的表現(xiàn)。

2. 駕駛員的年齡因素

汽車發(fā)生事故在不同年齡的人中發(fā)生的概率是不一樣的。正常情況下，25歲以下的年輕人，非常容易導(dǎo)致惡劣的交通事故;55歲以上的老年人，也容易發(fā)生交通事故，但一般都是小事故;25～55歲之間的中青年人，這些人發(fā)生交通事故較少。

3. 駕駛員的性別因素

就整體情況而言，男性駕駛員造成重大事故的概率要比女性高，并且在涉嫌保險欺詐的交通事故中，男性駕駛員要遠(yuǎn)多于女性駕駛員，其比例比例為4.29%，遠(yuǎn)遠(yuǎn)大于女性的1.69%。

4. 駕駛員的駕駛經(jīng)驗(yàn)因素

駕駛員的駕駛經(jīng)驗(yàn)主要是由駕齡體現(xiàn)的。駕齡的長短和事故發(fā)生率有一定的關(guān)系，一般說來，駕齡越長，肇事概率相對要低，風(fēng)險也就越低。

5. 駕駛員的學(xué)歷因素

駕駛員的文化素質(zhì)高低與事故發(fā)生率有一定關(guān)系。高學(xué)歷駕駛員的風(fēng)險要比低學(xué)歷駕駛員的風(fēng)險要低。

6. 駕駛員肇事記錄因素

違章多的駕駛員，其事故發(fā)生率也就會高。對于那些幾乎沒有發(fā)生過什么違章，但卻發(fā)生交通事故的駕駛員，以及經(jīng)常發(fā)生事故，申請理賠的駕駛員，勘查他們的事故現(xiàn)場時要特別關(guān)注。

7. 事故第三者與被保險人的關(guān)系

機(jī)動車三者險的被保險人可以指定為與車主有關(guān)聯(lián)的任意一人，被保險人、事故第三者及駕駛員都有可能是策劃一起車險欺詐案件的主謀，因此，弄清一起車險索賠案件其中的人員關(guān)系也可能成為判斷該案件真假的依據(jù)。

8. 是否當(dāng)天報案

在機(jī)動車發(fā)生交通事故時，正常情況事故雙方協(xié)商后就會決定是否報案，獨(dú)立事故更會及時報案，而不法分子會延緩報案時間或偽造成當(dāng)天報案策劃并實(shí)施保險欺詐行為。

9. 是否第三方報案

當(dāng)事人實(shí)施保險欺詐時，可能會讓他人代替其索賠。這里所指的“第三方報案”是指車險報案人非被保險人、車主或駕駛員中的任何一者，即指車險索賠案件是由該起交通事故的第三方人員或事故無關(guān)人員報案。

（二）車的因素

車的因素是指發(fā)生交通事故并向保險公司索賠的被保險車輛的信息。

1. 汽車品牌

對于調(diào)查交通事故而言，汽車的操穩(wěn)性和緊急制動性至關(guān)重要，整體而言，排列狀況為：美系、歐系車<日系車<韓系車<國系車。因此，可以根據(jù)事故現(xiàn)場的信息識別事故車輛與保險車輛的同一性。

2. 排氣量

排氣量代表的是汽車的動力性能。動力性能越好，速度越快，對輪胎的要求也越高，根據(jù)事故現(xiàn)場的車轍痕跡判斷事故車輛，避免“貍貓換太子”式的保險欺詐行為。

3. 車齡

車齡是指最初車輛購置之日起至投保之日的年限。通常情況下，通過故意制造重大交通事故實(shí)施車險欺詐的被保險車輛均為使用年限較長的老舊車輛。

4. 行駛區(qū)域

車輛行駛區(qū)域是指車輛行駛的地域范圍。車輛的行駛區(qū)域受車輛用途影響，車輛用途分為非營運(yùn)、出租客運(yùn)和貨運(yùn)三種，整體而言，隨著行駛區(qū)域的擴(kuò)大，風(fēng)險程度也就越大。省內(nèi)行駛<國內(nèi)行駛<出入境行駛。

5. 保單生效時間

保險索賠時間與之保單生效時間的間隔可以作為判斷一起保險索賠案件是否為欺詐案件的因素。通常情況下，車險案件索賠時間與保單生效時間的間隔越短，該案件是欺詐案件的可能性越大。

6. 已有索賠次數(shù)

國內(nèi)外既有文獻(xiàn)大多數(shù)將索賠車輛以往的索賠次數(shù)作為識別機(jī)動車保險欺詐的重要指標(biāo)之一。尤其是短期內(nèi)在多家保險公司投保并索賠的人員應(yīng)加大審查力度。

（三）環(huán)境因素

因?yàn)闄C(jī)動車交通事故都是發(fā)生在行駛過程中，因此受天氣環(huán)境、地理環(huán)境、社會環(huán)境因素的共同影響。

1. 天氣環(huán)境

風(fēng)、雨、雪及霧霾、沙暴等天氣不僅會加大交通事故的發(fā)生概率，而且會損壞原有的事故現(xiàn)場，加大現(xiàn)場調(diào)查難度，為不法分子進(jìn)行保險欺詐提供了條件。因此，查勘人員不但要快速趕往事故現(xiàn)場，還要留意外圍相關(guān)現(xiàn)場，從而認(rèn)定事故的真?zhèn)涡浴?/p>

2. 地理環(huán)境

這里的地理環(huán)境指的是事故發(fā)生地點(diǎn)即出險地點(diǎn)的地理環(huán)境。主要包括地域地貌、路面狀況和出險地段。通常故意制造保險事故和隱瞞真實(shí)事故經(jīng)過而進(jìn)行保險欺詐索賠的案件發(fā)生在相對落后人流量較小的地貌復(fù)雜、路況較差的偏僻地段。

3. 社會環(huán)境

社會環(huán)境有時對機(jī)動車三者險理賠的風(fēng)險具有很大的影響，具體表現(xiàn)在以下兩個方面。

第一，法制環(huán)境對于機(jī)動車輛風(fēng)險的影響主要有兩個方面：一是被保險人和駕駛員的法制觀念。二是法制環(huán)境良好的地區(qū)，一旦發(fā)生交通事故，對事故的處理都是嚴(yán)格按照法律程序進(jìn)行的。

第二，機(jī)動車輛的風(fēng)險與駕駛?cè)宋沫h(huán)境有著密切的聯(lián)系。相對而言，生活在城市中的人受教育程度和對交通法規(guī)的熟悉程度普遍比生活在農(nóng)村的人高，因而，城市的人文環(huán)境風(fēng)險較低。

三、建立回歸模型

由于本文的被解釋變量是離散型變量，因此模型的估計(jì)使用離散被解釋變量數(shù)據(jù)模型，本文釆用的方法是二元Probit回歸分析方法。二元Probit模型是一種利用累積正態(tài)分布函數(shù)的變形來規(guī)避線性概率模型無界性問題的虛擬被解釋變量模型估計(jì)方法。多元解釋變量的Probit模型為：

式中，Pi表示虛擬變量Yi=1的概率。Zi代表β0+β1x1i+β2x2i，S表示標(biāo)準(zhǔn)化的正態(tài)變量。

整理后的Probit模型為：Zi=?-1（Pi）=β0+β1x1i+β2x2i 式中?-1是標(biāo)準(zhǔn)正態(tài)的累積分布函數(shù)的反函數(shù)。Probit模型是非線性模型，采用極大似然估計(jì)方法對模型中的未知參數(shù)進(jìn)行估計(jì)，其基本思想是如果在一次觀察中某一事件出現(xiàn)了，那么此事件出現(xiàn)的可能性很大，所以得出的估計(jì)應(yīng)當(dāng)有利于該事件的出現(xiàn)，使其出現(xiàn)的概率最大，進(jìn)而估計(jì)出參數(shù)。

（一）研究變量的確定

在二元Probit回歸分析部分，先使用 SPSS 22.0 軟件分析。該分析是為了得出各欺詐因子變量對判斷保險欺詐影響的顯著性大小。目的是通過該檢驗(yàn)分析出上述欺詐因子變量與保險欺詐之間的相關(guān)程度，旨在進(jìn)行Probit分析前剔除無效指標(biāo)。檢驗(yàn)結(jié)果如表 1 所示。

由此，列出欺詐因子變量（見表2）。

（二）研究模型的構(gòu)建

Yi表示第i個投保人是否發(fā)生風(fēng)險，即Yi=1和Yi=0分別代發(fā)生和不發(fā)生欺詐。

對以上研究模型進(jìn)行回歸計(jì)算，得出表3。

四、承保方案設(shè)計(jì)

保險承保是保險人對愿意購買保險產(chǎn)品的投保人所提出的投保申請進(jìn)行審核，做出是否同意接受和如何接受的決策的過程。在反欺詐的角度下，機(jī)動車三者險承保方案會有以下調(diào)整。

（一）責(zé)任限額

從風(fēng)險角度出發(fā)，責(zé)任限額應(yīng)該覆蓋風(fēng)險。機(jī)動車第三者責(zé)任險設(shè)計(jì)的目的就是為了保障被保險人賠償能力，同時進(jìn)一步彌補(bǔ)了受害消費(fèi)者的損失。設(shè)函數(shù) F 為責(zé)任限額，R 為風(fēng)險，c 為修正系數(shù)，L 與 P 分別表示風(fēng)險的損失程度和損失概率二維參數(shù)，則根據(jù)責(zé)任限額與風(fēng)險之間的關(guān)系，建立函數(shù)關(guān)系式：

（二）免賠額

免賠額的設(shè)立可以有效降低小額賠案的數(shù)量，減少保險人小額的賠款支出和人力物力資源的浪費(fèi)，使被保險人與保險人在一定程度上風(fēng)險共擔(dān)，規(guī)避理賠過程中的道德風(fēng)險和保險欺詐。

（三）實(shí)例驗(yàn)證

投保人，李某;性別，女;年齡，21歲，有1年的駕駛年齡，連續(xù)1年未出險。給一輛使用13年的汽車投保機(jī)動車商業(yè)三者險，車輛重置價格為42萬，上次理賠記錄為36000元。

建議該車主投保1年的機(jī)動車商業(yè)三者險，根據(jù)之前的反欺詐回歸方法計(jì)算保費(fèi)，首先計(jì)算可能性等級：

年齡的初始值為18歲，該車主年齡為21歲，年齡因素的回歸值為負(fù)，因此年齡因素得出的發(fā)生風(fēng)險的概率為：100-（21-18）*2.38095%=92.875%。

肇事索賠次數(shù)的初始值為0，該車主連續(xù)1年未出險，連續(xù)未出險的回歸值為負(fù)，因此肇事索賠次數(shù)因素得出的發(fā)生風(fēng)險的概率為：100-（1-0）*9.4526%=90.5474%。

車齡的初始值為0，該車的車齡為13年，車齡因素的回歸值為正，因此車齡因素得出的發(fā)生風(fēng)險的概率為：（13-0）*5.8824%=76.4712%。

駕齡的初始值為0，該車主的駕齡為1年，駕齡因素的回歸值為負(fù)，因此駕齡因素得出的發(fā)生風(fēng)險的概率為：100-（1-0）*4.3478%=95.6522%。

根據(jù)以上的概率得出可能性概率為67.9347%，其可能性等級為頻繁。之后計(jì)算嚴(yán)重性等級：

安全理賠系數(shù)的初始值為1，該車的安全理賠系數(shù)為1，安全理賠系數(shù)的回歸值為正，因此安全理賠系數(shù)因素得出的嚴(yán)重程度為：1*19.5467%=19.5467%。

理賠金額的初始值為0，該車的上一次理賠金額為36000元，理賠金額的回歸值為正，因此理賠金額因素得出的嚴(yán)重程度為：36*2.6762%=96.3432%。

根據(jù)以上的嚴(yán)重度計(jì)算得出總的嚴(yán)重程度為77.5112%，其責(zé)任限額為82萬元。由此可求出其費(fèi)率R′=R*C=1.47%*1.2=1.764%，其保費(fèi)為820000*1.764%=14464.8元。

五、結(jié)語

為了更科學(xué)的收取保費(fèi)，本文主要分析以下幾個欺詐因子。

駕駛?cè)四挲g對發(fā)生欺詐的影響駕駛?cè)四挲g每增長一歲，其發(fā)生風(fēng)險的概率降低2.3809%，但保險欺詐概率上升。

肇事索賠次數(shù)對發(fā)生欺詐的影響短期多次肇事索賠，其風(fēng)險概率極高，極易發(fā)生欺詐行為。

車齡對發(fā)生欺詐的影響車齡越大，此次交通事故為人為欺詐事故的概率越大。

駕齡對發(fā)生欺詐的影響駕齡越長，駕駛水平越高，發(fā)生風(fēng)險的概率越低，但保險欺詐概率上升。

安全理賠系數(shù)通過對上述欺詐因子的分析，確定機(jī)動車三者險理賠安全性，系數(shù)越高越安全。

理賠金額

根據(jù)有無欺詐嫌疑及責(zé)任限額確定理賠金額。在反欺詐的角度下，先識別欺詐因子，然后根據(jù)其安全理賠系數(shù)，因人而異的制定承保方案。

參考文獻(xiàn)：

[1]吳興剛，胡尚永.保險欺詐行為及對策[J].上海保險，1997（06）：36-38.

[2]李玉泉.論保險欺詐及其對策[J].保險研究，1998（12）：35-38+26.

[3]衛(wèi)新江.保險欺詐防范方法之一：關(guān)鍵指標(biāo)法[J].中國保險，2006（01）：64.

[4]曹紅欣.論汽車保險欺詐及防范[J].管理觀察，2008（22）：207-208.

[5]葉明華.構(gòu)建我國機(jī)動車保險欺詐識別的指標(biāo)體系——基于江、浙、滬機(jī)動車保險索賠樣本數(shù)據(jù)[J].保險研究，2010（04）：83-87.

[6]劉坤坤.車險保險欺詐識別和測量模型實(shí)證研究——基于廣東省車險歷史索賠數(shù)據(jù)[J].暨南學(xué)報（哲學(xué)社會科學(xué)版），2012，34（08）：89-93.

[7]He H，Wang J，Graco W，et al.Application of neural networks to detection of medical fraud[J].Expert Systems with Applications，1997，13（04）：329-336.

[8]Cowell R G，Verrall R J，Yoon Y K.Modeling Operational Risk With Bayesian Networks[J].Journal of Risk & Insurance，2007，74（04）：795-827.

[9]尤冰寧.保險欺詐的風(fēng)險防范及處理——以車輛保險欺詐為路徑[J].上海保險，2018（03）：13-18.

[10]劉軼.基于 Logistic 模型的保險欺詐分析[J].金融經(jīng)濟(jì)，2017（14）：140-141.

（作者單位：沈陽航空航天大學(xué)安全工程學(xué)院）