陸蘋 向佳 陳蓉蓉 杜昊天 沈晏全

摘 要：在日趨多樣化的市場經(jīng)濟體制下，機動車輛保險產(chǎn)品大一統(tǒng)的形式存在諸多弊端?，F(xiàn)有的車險種類過于單一，難以滿足日益增長的車輛保有率下投保人的保險多樣性需求。在現(xiàn)有的費率厘定條件下，是否可以將駕駛人的駕齡、性別、年齡、駕駛里程、所處地區(qū)因素等作為新的車險費率厘定影響因子將機動車輛保險實行差異化，在目前保險市場，保險服務人員在推薦時很少會綜合投保人的各方面因素來對投保人推薦最適合的保險類型，或在相應情況下并沒有一個完整的劃分體系以至于細化程度不夠而導致投保人的利益損失;并且在全國范圍內已經(jīng)開始實施互聯(lián)網(wǎng)+車險，使得對于投保人的風險預測更加有準確性，在理賠服務方面也方便了投保人的售后處理過程的簡化。因此在現(xiàn)階段對車輛保險進行差異化細分有一定的遠期可行性。

關鍵詞：中國差異化定價

第一章 緒論

1.1研究的背景和意義

1.1.1研究背景

在國民經(jīng)濟快速發(fā)展的同時，保險行業(yè)也在穩(wěn)步發(fā)展，人民生活水平的提高所帶來的機動車使用需求的提升，在另一方面也增加了對機動車保險的關注度。機動車輛保險，簡稱車險，是指對機動車輛由保險事故所造成的財產(chǎn)損失或人身傷亡負賠償責任的一種運輸工具保險。擁有各種機動交通工具的法人和自然個人都可以進行投保。長期以來，車險一直在財產(chǎn)保險行業(yè)占有舉足輕重的地位。車險覆蓋面不斷拓寬，風險保障能力逐步提升，在維護道路交通安全、服務社會經(jīng)濟建設等方面發(fā)揮了不可替代的重要作用。

2019年上半年，財產(chǎn)險公司累計實現(xiàn)車險保費收入3966億元，同比增長4.55%，6月當月，實現(xiàn)車險保費收入650.06億元，同比增長9.13%。

從圖1-1中可以看出歷年我國車險保費收入成穩(wěn)步增長趨勢，同時相關的汽車保險及其配套服務也越發(fā)顯得重要。從公安部交管局了解到，截至2019年6月，全國機動車保有量達3.4億輛，其中汽車2.5億輛;機動車駕駛人4.2億人，其中汽車駕駛人3.8億人。機動車、駕駛人總量及增量均居世界第一，據(jù)統(tǒng)計，截至2019年6月，全國66個城市汽車保有量超過100萬輛，其中29個城市汽車保有量超過200萬輛，11個城市超過300萬輛。北京、成都汽車保有量超過500萬輛。如此龐大的一個汽車市場，汽車產(chǎn)業(yè)政策要產(chǎn)生社會效益和經(jīng)濟效益，要成為中國經(jīng)濟發(fā)展的原動力，離不開汽車保險與之配套服務。

目前，我國正處于車險市場化費改的重要階段，國內汽車行業(yè)也在也在不斷發(fā)展演變，例如新能源汽車的推廣，是否在將來也需出臺相關的費率條款？人們對于車險產(chǎn)品也有了越來越高的要求。因此，車險個性化、差異化的設計就顯得尤為重要。但是，如何進行車險險種差異化？如何實現(xiàn)理賠服務差異化？如何利用大數(shù)據(jù)細化定價模型？都是目前所待解決的主要問題。

1.1.2研究的意義

基于我國汽車保險類型相對較少，條款設置不夠精細的問題。本項目按照里駛員情況、車型等因素將車險劃分為不同的等級，通過差異化交通保險對車險進行細化，可以使得投保人根據(jù)自身的需求選擇對自己更適宜的保險，選擇更加靈活。對車險產(chǎn)品定價的準確性、公平性具有重要的研究價值，可將以上變量作為影響因素進行定價開發(fā)具有自身優(yōu)勢的車險產(chǎn)品;對車主來說，車險保費與行駛里程數(shù)之間的正相關關系的車險產(chǎn)品，可以為被保險人提供一種選擇權，投保者可根據(jù)各自特點選擇最優(yōu)的車險保費水平。

參考車輛變量的車險定價方式相比傳統(tǒng)車險定價方式而言，不僅保險人風險分類更加準確，信息不對稱現(xiàn)象相對減少，而且還會激勵投保人選擇社會最優(yōu)的行駛里程，規(guī)范自身的駕駛行為，減少發(fā)生保險事故的風險，從而提高車險市場效率和社會福利?；谲囕v變量的車險業(yè)務研究，無論對行業(yè)費率體系建設還是公司經(jīng)營管理均具有重要意義，可以有效提升車險行業(yè)創(chuàng)新服務能力，推動車險費率市場化改革進程。確定不同類別的保險費率理論計算方法，實現(xiàn)交通保險差異化，減輕投保人的保險費負擔，提高投保人滿意度，同時有利于保險公司防災防損，減少災害事故損失從而增大社會效益。

保險市場的車險費率改革歷程證明車險費改是世界保險市場的趨勢，其過程應循序漸進，穩(wěn)扎穩(wěn)打，同時費率厘定應更加人性化12。充分參考借鑒這些改革歷程的經(jīng)驗教訓可以在差異化交通保險的發(fā)展道路上少走很多彎路345。

1.2研究思路與方法

在本項目開展之前，項目組研究成員通過充分調研相關知識，搜集與查閱文獻資料，對機動車輛保險的險種、費率的厘定，發(fā)達國家和地區(qū)的車險改革經(jīng)驗進行了梳理。同時在車輛保險相關理論的基礎上，對比分析當前主要幾種車輛保險方法的優(yōu)缺點以及駕駛情況的差異性，結合保險公司車險業(yè)務自身特點，對采用數(shù)學模型對機動車輛保險差異化評價的可行性及實用性進行了分析，提出財險公司機動車輛保險差異化研究的構建思路。

本文對傳統(tǒng)保險方式進行了思考，提出新的保險計算模式，將投保人進行更為細致的分類，有助于保險公司做出正確的合理的理賠方案，也有利于投者根據(jù)各自特征選擇最優(yōu)的車險保費水平，二者的實現(xiàn)可以極大的促進保險市場的發(fā)展。除了利用常規(guī)的數(shù)學模型，分析方式，本項目運用了數(shù)據(jù)挖掘的方法，利用了它的優(yōu)勢，將數(shù)據(jù)分析變得更精準，更合理。

創(chuàng)新點在于從保費計算、險種分類、條款方面詳細闡述分析新一輪費改的變化，并匯總整理了各地車險費改版本的亮點。明確費改方案，將有助于保險公司創(chuàng)新產(chǎn)品，車主規(guī)范駕駛行為，廠商調整營銷策略。只有各利益主體都選擇最優(yōu)的應對措施，才能助推車險費率市場化改革，從而明確下一步的改革方向。

本文共分為五章，旨在對現(xiàn)有車險市場險種種類單一、厘定影響因子較少的等問題進行分析，探索解決這些問題具體的方案，各章節(jié)的具體內容安排如下;

第一章，緒論。

第二章，我國車險情況運行情況分析。

第三章，交通事故風險因素組成。

第四章，風險細分下得車險定價模型。

第五章，結論及展望。

第二章 我國車險情況運行情況分析

我國的汽車保險業(yè)務的發(fā)展經(jīng)歷了一個曲折的歷程。從1950年創(chuàng)建不久的中國人民保險公司開辦汽車保險，又到1955年停辦汽車保險業(yè)務;再到我國保險業(yè)恢復之初的1980年，中國人民保險公司逐步全面恢復了汽車保險業(yè)務，以適應國家公路交通運輸業(yè)的迅速發(fā)展;再隨著改革開放形勢的形成，機動車輛得到迅速普及，與此同時，車輛保險行業(yè)也迅速發(fā)展，并在此后的20年機動車險在財產(chǎn)保險內充當著越來越重要的角色。6

2.1車險市場運行現(xiàn)狀

我國車險市場在經(jīng)過兩輪改革后，系統(tǒng)逐漸趨于穩(wěn)定。截至2019年6月，全國機動車保有量達3.4億輛，其中汽車2.5億輛;機動車駕駛人4.2億人，其中汽車駕駛人3.8億人。隨著機動車保有量持續(xù)增長，機動車駕駛人數(shù)量也呈現(xiàn)同步增長趨勢，2019年上半年全國新領證駕駛人數(shù)量達1408萬人。截至6月，全國機動車駕駛人數(shù)量達4.22億人，與去年同期相比，增加2576萬人。在全國汽車保有率快速增長的同時，車險行業(yè)也在蓬勃發(fā)展。2019年上半年，財產(chǎn)險公司累計實現(xiàn)車險保費收入3966億元，同比增長4.55%，6月當月，實現(xiàn)車險保費收入650.06億元，同比增長9.13%。從險種看，車險保額223.32萬億元，同比增長19.79%。費率改革的逐步推行和市場深入，使得行業(yè)效益有所提升，但在快速發(fā)展的現(xiàn)代社會，隨著費改的全面實施，車險行業(yè)費率厘定、行業(yè)價格戰(zhàn)等方面的弊端也日益顯現(xiàn)。

保險行業(yè)百家爭鳴，目前我國車險存在以下幾個問題：

（1）險種可供選擇種類過少。

（2）車險費率統(tǒng)一。

（3）理賠服務質量參差不齊。

所以互聯(lián)網(wǎng)+汽車保險成為行業(yè)發(fā)展主要路徑?；ヂ?lián)網(wǎng)財產(chǎn)險市場業(yè)務數(shù)據(jù)顯示，上半年互聯(lián)網(wǎng)車險業(yè)務保費收入147.66億元，同比負增長18.12%;非車險業(yè)務保費收入233.86億元，同比增長60.12%。非車險業(yè)務規(guī)模首次超越車險業(yè)務，有望成為互聯(lián)網(wǎng)財產(chǎn)險下一個競爭前沿。在調研過程中，多家公司提高車聯(lián)網(wǎng)，可以很好的統(tǒng)計投保人的各方面的信息，對投保人的風險分析更加準確，有助于提高其可信度。對于互聯(lián)網(wǎng)車險平臺來說，車險的銷售渠道不再單一化，在一定程度上降低了公司的資金透入。在理賠服務方面也可以很好的提高業(yè)務效率，無論對于保險公司，還是投保人來說，都極大的節(jié)約了事件處理的時間?？梢允沟谜麄€車險行業(yè)服務的標準統(tǒng)一化，在目前市場上，各公司的服務體系各式各樣，在調查問卷中了解到，大多數(shù)車主對于車險條款并不是很了解，在理賠過程中還有可能被保險公司百般推脫，但互聯(lián)網(wǎng)車險平臺的推行，能夠有效的解決這方面的問題。使得行業(yè)的服務更加標準統(tǒng)一。

第三章? 交通事故風險因素組成

3.1 交通事故風險因子組成

要想實現(xiàn)差異化車輛保險首先就得清楚客戶之間的差異性在哪，這些差異性就體現(xiàn)在每個客戶可能發(fā)生交通事故的嚴重程度以及影響因素上。簡而言之，在客戶購買車輛保險時，如果我們知道了該客戶未來可能發(fā)生的交通事故的嚴重程度，那么我們就可以給該客戶推薦相應的保險，這樣可以使客戶的損失降到最小，所以分析交通事故的影響因素顯得十分必要。通過采集交通事故的大量數(shù)據(jù)，運用統(tǒng)計建模分析這些數(shù)據(jù)，便可發(fā)現(xiàn)數(shù)據(jù)之間的相關性，從而發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的內容。

影響交通事故的風險因子可從人車路和環(huán)境等方面進行分析，見下表。

3.2 交通事故嚴重程度影響因素

劉昕宇7用CHAID決策樹方法對多分類的影響因素建立了預測模型，研究容易造成嚴重傷害交通事故的影響因素。研究表明"雨天"與"夜晚（無照明）"是最容易導致嚴重傷害事故的因素。劉軍8對交通事故分析系統(tǒng)進行需求分析，建立了一套基于 J2EE 的交通事故數(shù)據(jù)挖掘系統(tǒng)，利用改進的 DBSCAN 算法構建交通事故黑點鑒別模型與交通事故數(shù)據(jù)多維分析模型，識別交通事故多發(fā)點段。江山9等人運用灰色關聯(lián)分析與關聯(lián)規(guī)則的Apriori算法相結合的方法發(fā)現(xiàn)交通事故普遍都是一般事故，事故的發(fā)生與路面狀況為占道施工和天氣為雨、正常有很強的聯(lián)系，有積水的縣鄉(xiāng)道路容易發(fā)生一般事故。車擁有量和城市人口與交通事故直接財產(chǎn)損失呈正相關，而交通死亡人數(shù)和交通投資呈負相關10。馬倩楠11等人針對車輛 道路環(huán)境、交通條件建立Ordinal Logistic 模型并對模型進行了平行線檢驗、似然比檢驗。結果表明，車輛載重、車輛拖掛和事故發(fā)生時的特殊條件對貨車交通事故嚴重程度有顯著影響。張寶12利用統(tǒng)計分析法、道路輪廓線緩沖分析法、核密度估計法以及二元邏輯回歸分析法等研究方法與理論，對所研究高速公路交通事故進行時間分布規(guī)律分析、空間分布規(guī)律分析以及相關影響因素的關聯(lián)分析，發(fā)現(xiàn)10 月，是該高速公路交通事故的高發(fā)月份，晴天天氣條件下發(fā)生的交通通事故比雪天和雨天條件下發(fā)生的事故更多，而且路表干燥狀態(tài)下發(fā)生的交通事故比路表潮濕、積水和冰雪條件下的交通事故更多，這與人們以往的認知恰恰相反。Wu13研究了交通事故嚴重程度與事故特征、道路環(huán)境、駕駛行為之間的關系，結果表明：碰撞原因（超速）、工作日、碰撞位置（非交叉口位置）、碰撞點（迎面）是影響致命碰撞和非致命碰撞的重要變量。Yau14將傷害嚴重程度分為“致死性/嚴重性”和“輕微性”，對數(shù)據(jù)集采用逐步logistic回歸模型，發(fā)現(xiàn)分區(qū)、事故發(fā)生時間、駕駛員性別、車輛類型、道路類型、限速、車輛數(shù)量是影響傷害嚴重程度的重要因素。陳艷艷15等人 基于二元logistic回歸模型， 提出交通事故影響因素辨識方法， 研究結果表明：道路橫斷面位置、交通信號方式、道路物理隔離、能見度、照明條件、時間及天氣對交通事故嚴重程度有顯著性影響。

3.3 結論

交通事故風險組成因素眾多，其中，交通事故比較嚴重的影響因素有：雨天、夜晚（無照明）、占道施工、有積水的縣鄉(xiāng)道路、車輛載重、超速、道路物理隔離等。

所以可以把交通事故嚴重程度的影響因素和費率結合起來，根據(jù)每個駕駛員的特性以及駕駛員所在地區(qū)的道路設施條件和環(huán)境組成因素制定不同的費率，這樣便可以實現(xiàn)差異化交通保險，避免經(jīng)濟重大損失，實現(xiàn)經(jīng)濟效益最大化。

第四章 風險細分下的車險定價模型

保險的作用是規(guī)避風險，對保險公司進行風險細分，將保單條款改進完善，分別確定不同風險等級下的保費費率，可以使得保費費率厘定更加合理、公平，進而避免“高保低賠”的缺失公平性的現(xiàn)象。而定價是否充足合理，保險產(chǎn)品能否滿足廣大消費者的實際需求，直接影響到財險公司產(chǎn)品競爭力和公司盈利水平，本章將從風險等級劃分及車險定價兩方面進行分析。

晉穎，田曉麗（2011）16從供給、需求和監(jiān)管角度找出在車險費率市場化過程中存在的主要問題，對我國未來車險費率市場化發(fā)展趨勢進行了展望;孟生旺（2012）17基于一組實際的車險損失數(shù)據(jù)，對索賠頻率的各種廣義線性模型與神經(jīng)網(wǎng)絡模型和回歸樹模型進行了比較，得出神經(jīng)網(wǎng)絡模型的擬合效果優(yōu)于廣義線性模型的結論;王新軍，王亞娟（2013）18采用廣義線性模型對我國車險的分類費率厘定進行了研究，得出索賠次數(shù)的廣義線性模型在負二項分布的假設下擬合效果相對較好、索賠強度的廣義線性模型在伽瑪分布的假設下擬合效果相對較好的結論;胡伊（2016）19從多源數(shù)據(jù)下進行了車輛風險分析與保險定價研究;許譯芝（2019）20以廣義線性模型的相關理論為基礎，采取分別對索賠強度及索賠頻率建模的方法，實現(xiàn)對車聯(lián)網(wǎng)保險費率厘定的實證研究 。

4.1風險等級劃分

保險公司承保的每一筆車輛保險業(yè)務在未來都會存在潛在風險，因此保險公司在計算車險費率之前需要對潛在的風險因素進行事先分析。如第三章所述，國際車險市場通常將“人”、“車”、“環(huán)境”作為主要考慮的風險因素，根據(jù)已經(jīng)確定好的風險因素，對所采集數(shù)據(jù)進行整理，然后按照風險因素選取準則，對其進行風險等級劃分。

4.1.1人、車、環(huán)境風險等級簡述

保險公司在對承保車輛進行核保時，無法直接分析出駕駛人員的綜合能力，僅能依靠某些指標來客觀分析駕駛人員的綜合能力，例如駕駛人的性別、年齡、婚姻狀況、職業(yè)、駕齡、事故記錄等。

車輛自身的安全性也會直接導致交通事故的產(chǎn)生，保險公司在對投保人的車輛進行核保時，無法直接對投保車輛進行安全性檢測，而是通過一些較易獲得的指標來衡量車輛風險，主要包括車輛的種類、使用性質、車齡、車價、行駛里程、型號、廠商等。

環(huán)境的風險因素主要分為地理環(huán)境風險因素和社會環(huán)境風險因素，地理環(huán)境風險因素主要包括地域的氣候環(huán)境、地形地貌和路面狀況等方面，社會環(huán)境風險因素主要包括治安環(huán)境和法制環(huán)境兩方面，上述兩大類環(huán)境風險因素分別對車輛自身行駛及司機的駕駛心理產(chǎn)生一定影響進而導致不同的風險因素。

4.1.2車險定價相關因素總結

上述列舉人、車、環(huán)境風險因素在車險費率厘定中所占權重不同，實際定價中選擇標準也不盡相同，根據(jù)前文風險描述及選擇標準的介紹，對各國車險定價選擇標準進行分類匯總，與我國保險市場現(xiàn)行標準進行比較，具有一定的借鑒意義，結果如表4-1所示：

4.1.3根據(jù)風險等級進行差別定價

差別定價，也叫價格歧視，就是企業(yè)按照兩種或兩種以上不反映成本費用的差異價格來銷售某種產(chǎn)品或勞務。差別定價主要有四種形式：

1、顧客差別定價

企業(yè)按照不同的價格把同一種產(chǎn)品或勞務賣給不同的顧客。在保險公司里，同一保險按不同的價格賣給不同的客戶：按目標價格把某種保險賣給顧客A，同時按照較低價格此保險賣給顧客B。這種價格歧視表明，顧客的需求強度和商品知識有所不同。

2、產(chǎn)品形式差別定價

企業(yè)對不同型號或形式的產(chǎn)品分別制定不同的價格，但不同型號或形式產(chǎn)品的價格之間的差額與成本費用之間的差額并不成比例：不同形式的保險定價不同，銷售價格不同。

3、產(chǎn)品部位差別定價

企業(yè)對于處在不同位置的產(chǎn)品或服務分別制定不同的價格，即使這些產(chǎn)品或服務的成本費用沒有任何差異：不同環(huán)境、地理位置的保險由于其風險等級不同而定價不同。

4、銷售時間差別定價

企業(yè)對于不同季節(jié)、不同時期甚至不同時間段的產(chǎn)品或服務，分別制定不同的價格。

4.2車險定價模型

為針對具體的風險等級劃分進行車險定價分析，需要了解車險定價的基本條件與流程，在此引入相關內容的介紹。

4.2.1車險定價基本概述

首先考慮手續(xù)費影響，車險在銷售時有一定額度的手續(xù)費，而在不同經(jīng)營范圍的保險公司中其手續(xù)費有很大的差異，車險的銷售模式在很大程度上依賴于中介渠道，所以手續(xù)費價格的高低直接關系到企業(yè)的經(jīng)營效益，合理控制手續(xù)費在一定的價格浮動內，對車險行業(yè)的良好風氣有一定的推進作用，同時對企業(yè)的成本也有一定程度上的降低，減輕了消費者的負擔。

其次是利潤率，即剩余價值與全部預付資本的比率，是剩余價值率的轉化形式，是同一剩余價值量不同的方法計算出來的另一種比率。

利潤率反映企業(yè)一定時期利潤水平的相對指標，利潤率指標既可考核企業(yè)利潤計劃的完成情況，又可比較各企業(yè)之間和不同時期的經(jīng)營管理水平，提高經(jīng)濟效益。相關計算公式主要有：

成本利潤率=利潤÷成本×100%

銷售利潤率=利潤÷銷售×100%

4.2.2車險厘定過程

4.2.2.1車輛保險的理賠方式

出險-報案-查勘-定損-核價-核損-核賠-支付

4.2.2.2公式

保險賠款

=損失金額×（保險金額÷出險時保險財產(chǎn)的實際價值）

=損失金額*投標比例

商業(yè)車險保費

=基準純風險保費/（1-附加費用率）×無賠款優(yōu)待系數(shù)×交通違法系數(shù)×自主核保系數(shù)×自主渠道系數(shù)

若汽車發(fā)生了全部損失，則計算公式為：

全損賠款=車輛核定損失x按責任分擔損失的比例x（1-免賠率）

具體又分為以下兩種情況：

（1）若保險金額低于或等于出險時車輛的實際價值，則按照保險金額計算。

計算公式為：車險理賠款=（保險金額-殘值）x事故責任比例x（1-免賠率）。

（2）若保險金額高于出險時車輛的實際價值，則按照出險時的實際價值計算。計算公式為：車險理賠款=（實際價值-殘值）x事故責任比例x（1-免賠率）。

4.2.3傳統(tǒng)費率厘定模型

營業(yè)保險費率（也稱執(zhí)行保險費率或實際保險費率），由純保險費率和附加保險費率兩部分組成。純保險費率也稱凈費率，是保險費率的主要部分，它是根據(jù)損失概率確定的，純保費用于保險事故發(fā)生后對被保險人進行賠償和給付;附加保險費率是保險費率的次要部分，它是以保險人的營業(yè)費用為基礎計算的，用于保險人的業(yè)務費用支出、手續(xù)費支出以及提供部分保險利潤等。

目前，在車險業(yè)務中關于費率的確定，普遍采用加法模型和乘法模型22，二者的相同點是將選定的每個風險分類變量都分為離散的若干個級別，每一個級別都對應一個級別相對數(shù)，通過級別相對數(shù)的組合來確定每一個風險單元的費率;區(qū)別則為級別相對數(shù)的組合方式不同，加法模型采用級別相對數(shù)相加的方式，而乘法模型則采用級別相對數(shù)相乘的方式。

若利用符號系統(tǒng)來表示，則加法模型可表示為：

而乘法模型可表示為：

對乘法模型和加法模型的求解一般采用邊際總和法，對于任意一個風險分類因素下的任意一個級別，同在這個級別下的所有個體的純保費總額，應該等于它們的實際損失總額。

這兩個線性模型的形式十分簡單，但模型本身和估計參數(shù)用的邊際總和法存在著一些問題：第一，邊際總和法的適用性存在問題。通過一個風險因素分類的結果往往是非常粗略的，不足以將所有的被保險人分為風險同質的群體;第二，這兩個模型都假設損失變量是連續(xù)隨機的并且服從正態(tài)分布，實際上這一假設往往不成立;第三，通過加法模型和乘法模型擬合的結果往往并不一致，特別是當損失的分布很不均勻時，對于較大幅度偏離總體平均損失水平的那些風險單元，兩種方法求得的費率結果差別可能會更大。

鑒于傳統(tǒng)費率厘定方法存在諸多弊端，需要尋找新的定價模型改善其缺點，在此基礎上引進廣義線性模型厘定費率的方法。

4.3廣義線性模型厘定車險費率

4.3.1廣義線性模型定義

廣義線性模型（簡稱 GLM） 是在1972 年被Wedderburn和Nelder23提出的，為傳統(tǒng)線性模型回歸的推廣，適用于非正態(tài)分布的數(shù)據(jù)，它使因變量總體均值通過線性連接函數(shù)主要取決于線性預測值，同時指數(shù)分布族里的任何一種分布都可以作為它的響應概率分布。廣義線性模型的結構分為隨機成分、系統(tǒng)成分和聯(lián)結函數(shù)三部分：

（3）聯(lián)結函數(shù)

聯(lián)結函數(shù)g單調且可導，它建立了隨機成分與系統(tǒng)成分之間的關系，表示為：

4.3.2廣義線性模型的特點

廣義線性模型是目前測算車險純保費的主流方法，它可以同時考慮相關的定價因子，并且可以對因子間的相關性和交互作用做出調整，它是傳統(tǒng)的線性模型的延伸，可以在承保時對未來的賠付率進行估測，這樣可以提高報價的準確性，其總體均值通過一個非線性連接函數(shù)依賴于線性預測值，有許多廣泛應用的統(tǒng)計模型都屬于廣義線性模型，它在兩個方面對一般線性模型進行了推廣：

（1）一般線性模型中要求因變量是連續(xù)的且服從正態(tài)分布，在廣義線性模型中，因變量的分布可擴展到非連續(xù)的資料，如二項分布、Poisson分布、負二項分布等。

對于一維正態(tài)分布，若隨機變量X服從一個位置參數(shù)為μ、尺度參數(shù)為σ的概率分布，則其概率密度函數(shù)為：

這個隨機變量就稱為正態(tài)隨機變量，正態(tài)隨機變量服從的分布就稱為正態(tài)分布，記作X～N（μ，σ2）。當μ=0，σ=1時，正態(tài)分布就成為標準正態(tài)分布：

（2）一般線性模型中，自變量的線性預測值η就是因變量的估計值μ，而廣義線性模型中，自變量的線性預測值η是因變量的函數(shù)估計值g（μ）。不同的預測內容可使用不同的模型：

預測索賠次數(shù)：泊松分布、負二項分布、泊松—逆高斯回歸

預測索賠強度：伽瑪分布、逆高斯回歸、對數(shù)正態(tài)回歸

純保費預測：Tweedie回歸

多分類：AdaBoost方法

其中泊松分布的概率函數(shù)為：

式中參數(shù)是單位時間（或單位面積）內隨機事件的平均發(fā)生次數(shù)，泊松分布適合于描述單位時間內隨機事件發(fā)生的次數(shù)。特征函數(shù)為：

期望和方差均為λ

其中x>0，μ>0，λ>0。當λ 趨近于無窮時，逆高斯分布逐漸趨近于高斯分布（即正態(tài)分布），逆高斯分布有多項類似于高斯分布的特性。“逆”可能容易引起混淆，其實它的含義是高斯分布描述的是在布朗運動中某一固定時刻的距離分布，而逆高斯分布描述的是到達固定距離所需時間的分布。

由此可見，廣義線性模型對因變量的預測值是該線性組合的一個函數(shù)變換，而不是直接等于自變量的線性組合，其因變量的方差是其均值的函數(shù)，非常適合于保險數(shù)據(jù)。在廣義線性模型的應用中，根據(jù)保險數(shù)據(jù)的先驗知識選擇誤差項的分布類型，可以有效改進模型的擬合效果，如果因變量的方差為常數(shù)，可以選擇正態(tài)分布;如果因變量的方差等于其均值，可以選擇泊松分布;如果因變量的方差等于其均值的平方，可以選擇伽瑪分布;如果因變量的方差等于其均值的三次方，可以選擇逆高斯分布。

4.3.3廣義線性模型的優(yōu)勢

廣義線性模型在損失模型預測中有廣泛的應用，廣義線性混合模型拓展了線性模型，目標通過指定的關聯(lián)函數(shù)與因子和協(xié)變量線性相關，其目標可以有非正態(tài)分布，而且觀測值有可能相關。

在保險公司企業(yè)中，建立風險因子模型厘定費率，打造可持續(xù)增長模式，完善商業(yè)車險制度，優(yōu)化運營模式，對降低運營成本，提高保險公司的運行效率，提高競爭力有著積極作用。增加了風險等級分類，吸引客戶，提高投保數(shù)量，也可增加投保金額。

4.4基于廣義線性模型的實例分析

4.4.1建模說明

廣義線性模型的特點使得它在處理多源數(shù)據(jù)的車險定價模型上具有其獨特的優(yōu)勢。廣義線性模型所表達的變量關系更加貼近現(xiàn)實生活，在該模型體系中可以容納更多來源的數(shù)據(jù)進行海量分析，且可借助統(tǒng)計手段篩選出更多影響因子。本文將對索賠頻率與分類因子之間的關系進行討論并對車險費率厘定模型進行改進，改進后的模型在精確度和可信度方面得到較大提高，在此基礎上厘定的車險費率將會更加合理，從而加快實現(xiàn)現(xiàn)階段商業(yè)車險費率改革中風險細分與費率市場化的目標。

其中索賠頻率的廣義線性模型表達式為：

式中Yi即索賠頻率，Xin是影響出險的各個變量，連接函數(shù)g選擇對數(shù)函數(shù)以保證費率因子間的乘積關系。預測模型中假設個體保單索賠次數(shù)服從正態(tài)分布。

4.4.2數(shù)據(jù)說明

本章首先利用廣義線性模型擬合問卷調查中車險理賠數(shù)據(jù)，數(shù)據(jù)來源于小組問卷調查中的車主保險數(shù)據(jù)，數(shù)據(jù)包含232份問卷，每一份問卷包含駕駛人、歷時駕駛記錄等信息，涵蓋15個風險分類，本文初步概括為背景因素、人為因素、環(huán)境因素三大變量，其中人為因素包含性別、年齡、駕齡等，環(huán)境因素包含居住地與經(jīng)常行駛道路路況，背景因素包含發(fā)生事故次數(shù)及原因等。將調查結果按數(shù)值大小分為“0-5、5-6、6-7、7-8、8-9和大于9”六類，下面將從索賠頻率角度對三大變量進行分析。

4.4.3數(shù)據(jù)分析

利用統(tǒng)計軟件對所得數(shù)據(jù)進行總結，得到結果如下圖所示：

由背景因素分布餅狀圖可以看出，背景因素分數(shù)在總分數(shù)中比例達到0.3的人數(shù)大于50%，因此，背景因素在影響索賠頻率上占有較大的比重。

環(huán)境因素比例小于0.3的分數(shù)占比小于25%，說明環(huán)境因素在事故中占的比例較小，索賠頻率受外在環(huán)境的影響較背景來說影響程度更小。

人為因素影響事故的分布中，比例大于0.3的事故占比大于90%。因此在影響索賠頻率的原因中，人為因素占據(jù)大部分比重，且較環(huán)境因素與背景因素的影響程度更深。

由上圖可知，分數(shù)介于6-8的人數(shù)超過60%，分數(shù)大于9分的人數(shù)最少，小于5分的人數(shù)占比小，即現(xiàn)實生活中發(fā)生交通事故的比重很大，而最佳得分應該為4.8，即12*0.3+4*0.3。

考慮三大因素在索賠頻率中所占的比重大小，在駕駛員購買保險前，將會對駕駛員進行問卷調查，問卷調查涉及人為因素，環(huán)境因素，以及背景因素三個方面的問題，最終采用0.3*人為因素+0.3*環(huán)境因素+0.4*背景因素的計算方法得出最后分數(shù)，根據(jù)分數(shù)所處的范圍推薦相應的保險。

本研究以問卷調查與走訪所獲得的具體數(shù)據(jù)為例，通過建立車輛事故風險評分模型計算得出不同駕駛員的各項具體行車風險因素分數(shù)并結合了該機動車輛的歷史出險數(shù)據(jù)，對車輛事故風險評分模型的效果進行了實證檢驗。由研究結果可知，本文所建立的駕駛行為評分模型符合科學、合理的構建原理，所評價的數(shù)據(jù)真實有效。

本文發(fā)現(xiàn)對風險因子分類比較后進行車險定價的 GLM 模型所預測的結果更加接近真實值而車險產(chǎn)品的定價將根據(jù)風險的大小有一定程度的調整。這為保險公司開展車險費率產(chǎn)品差異化、個性化的創(chuàng)新提供更多可以借鑒參考的依據(jù)。

基于以上結論及分析，保險公司可以根據(jù)駕駛員的人的因素，包括性別年齡駕齡和是否減少保險，進行分類，設計保險，是否減少保險可以根據(jù)對象，進行相應的福利政策，增加續(xù)保的可能性。其次對環(huán)境因素進行分類，包括居住地地勢和行駛道路的狀況，對全國全省進行分區(qū)，根據(jù)評測的分數(shù)，進行第二輪確定保險。最后對駕駛者的背景，即發(fā)生事故的次數(shù)和原因，進行第三次評定分析，經(jīng)過三次評定，最后得出適合每個人不同特點的保險，在保障利益的同時實現(xiàn)差異化節(jié)約資源。

第五章 結論及展望

5.1主要結論

目前車險市場化競爭已經(jīng)到了白熱化狀態(tài)，一方面各市場主體紛紛加入車險市場爭奪戰(zhàn)當中，都想在汽車銷售大發(fā)展的環(huán)境下，爭取市場地位的進一步加大，導致車險經(jīng)營成本水漲船高;另一方面，受市場監(jiān)管及保險行業(yè)發(fā)展趨勢影響，保險產(chǎn)品價格進一步走低，與大數(shù)據(jù)、互聯(lián)網(wǎng)技術聯(lián)合發(fā)展的進程明顯加快。在這種經(jīng)營環(huán)境下，各經(jīng)營車險公司要做的是不能盲從市場，要根據(jù)公司經(jīng)營特點及競爭策略，找準市場定位，抓住目標市場，走可持續(xù)發(fā)展的道路。本文在進行風險分類和分析差異化經(jīng)營的特點基礎上，結合本人的思考，得出的主要結論如下：

（1）在目前現(xiàn)有的車輛保險制度下，存在較多的問題：制度的不夠完善導致現(xiàn)有的車險種類過于單一，個性化缺少，在投保時不能獲得量身定制適合自己的保險;或在相應情況下并沒有一個完整的劃分體系以至于細化程度不夠而導致投保人的利益損失和浪費;或在投保時，產(chǎn)品的過于單一導致投保人缺少可選擇性;

（2）為解決上述問題，運用大數(shù)據(jù)的分析方法，通過細分市場，找到符合個人特點定制保險的市場定位，確定出目標客戶特征，進行保險產(chǎn)品的定制和推薦。本文將個人投保時的影響因素初步概括為背景因素、人為因素、環(huán)境因素三大變量，其中人為因素包含性別、年齡、駕齡等，環(huán)境因素包含居住地與經(jīng)常行駛道路路況，背景因素包含發(fā)生事故次數(shù)及原因等。而不是只盯著汽車指導價這一個因素，從而使汽車保險定價更加精確。在投保時可以根據(jù)不同投保人的特點，進行量化打分制度來確定最終的保險產(chǎn)品。

[18]孟生旺. 神經(jīng)網(wǎng)絡模型與車險索賠頻率預測%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 統(tǒng)計研究， 2012， 029（003）：22-26.

[19]胡伊. 基于多源數(shù)據(jù)的車輛風險分析與保險定價模型研究[D]. 2016.

[20]許譯芝. 基于廣義線性模型的車聯(lián)網(wǎng)保險費率厘定研究[D]. 2019.

[21]粟芳. 機動車輛保險制度與費率[M]. 2005.

[22]王和. 大數(shù)據(jù)時代保險變革研究[M]. 中國金融出版社， 2014.

[23]J A ，? R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.

[24]Research on Bonus-Malus System of China's motor insurance JI.Caihong;-School of Economics; Beijing Technology and Business University;2011中國保險與風險管理國際年會論文集

[25]李華.車險差別化定價和精準營銷模式研究[D].山東大學，2014.

[26]論車險需要差異化經(jīng)營;劉娜Journal of China College of Insurance Management 2003年05期 ISSN：1003-9074

[27]我國互聯(lián)網(wǎng)保險的發(fā)展現(xiàn)狀和前景研究[J].王燕，楊曉明，徐興泰.經(jīng)濟研究導刊.2015（05）

[28]"Automobile insurance reform in New Jersey： Moving Toward a New Pricing System". Rosenberg M. Journal of insurance regulation . 1992

[29]周喚雄.淺談我國汽車保險發(fā)展歷程與現(xiàn)狀[J].黑龍江科技信息，2011（32）：132-133.

[30]劉昕宇. 基于數(shù)據(jù)挖掘的道路交通事故序列模式與嚴重程度預測研究[D].北京交通大學，2016..

[31]劉軍. 基于數(shù)據(jù)挖掘技術的交通事故信息系統(tǒng)的研究與應用[D].新疆農業(yè)大學，2008.

[32]江山，宋柯，謝維成，潘成偉.基于灰色關聯(lián)與Apriori算法的道路交通事故數(shù)據(jù)分析[J].公路工程，2019，44（04）：67-73.

[33]孫麗璐，陳甜，趙娟，吳奇，趙輝.我國交通事故損失影響因素及地區(qū)特征分析——基于全國31個省市自治區(qū)2004-2015年面板數(shù)據(jù)[J].西南大學學報（自然科學版），2019，41（08）：114-123.

[34]馬倩楠. 貨車交通事故嚴重程度影響因素分析[C]. 中國科學技術協(xié)會、中華人民共和國交通運輸部、中國工程院.2019世界交通運輸大會論文集（上）.中國科學技術協(xié)會、中華人民共和國交通運輸部、中國工程院：中國公路學會，2019：58-66.

[35]張寶. 高速公路交通事故規(guī)律分析與影響因素研究[D].中國人民公安大學，2019.

[36]Hany M. Hassan，Hesham Al-Faleh. Exploring the risk factors associated with the size and severity of roadway crashes in Riyadh[J]. Journal of Safety Research，2013，47.

[37]Kelvin K.W. Yau，H.P. Lo，Sherrice H.H. Fung. Multiple-vehicle traffic accidents in Hong Kong[J]. Accident Analysis and Prevention，2006，38（6）.

[38]陳艷艷，李向楠，孫智源，熊杰.基于Logistics回歸的道路交通事故影響因素辨識方法[J].交通科技與經(jīng)濟，2018，20（05）：1-5+11.

[39]晉穎， 田曉麗. 從供需角度分析車險費率市場化[J]. 合作經(jīng)濟與科技， 2012（1）：75-77.

[40]孟生旺. 神經(jīng)網(wǎng)絡模型與車險索賠頻率預測%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 統(tǒng)計研究， 2012， 029（003）：22-26.

[41]孟生旺. 神經(jīng)網(wǎng)絡模型與車險索賠頻率預測%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 統(tǒng)計研究， 2012， 029（003）：22-26.

[42]胡伊. 基于多源數(shù)據(jù)的車輛風險分析與保險定價模型研究[D]. 2016.

[43]許譯芝. 基于廣義線性模型的車聯(lián)網(wǎng)保險費率厘定研究[D]. 2019.

[44]粟芳. 機動車輛保險制度與費率[M]. 2005.

[45]王和. 大數(shù)據(jù)時代保險變革研究[M]. 中國金融出版社， 2014.

[46]J A ，? R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.