吳景泰 張育儒

摘要：本文從反欺詐角度出發(fā)，對意外險風險進行了研究。首先，分析了意外險保險欺詐的現(xiàn)狀、成因和分類。其次，運用Logistic回歸與k-means聚類分析從種類特征和個體特征兩個方面進行理賠風險識別，查找欺詐因子。再次，根據(jù)風險識別的因素確定研究所需的自變量，然后根據(jù)自變量建立決策樹分類處理模型。最后，運用實例進行驗證。

關(guān)鍵詞：意外傷害險;風險分析;保險欺詐;Logistic回歸;決策樹

中圖分類號：F062.9 文獻識別碼：A文章編號：2096-3157（2020）26-0152-03

保險欺詐是指僅投保人、被保險人、保險受益人違反保險最大誠信原則，隱瞞保險標的的真實情況，利用雙方信息不對稱來騙取巨額保險金的行為。意外險保險欺詐不僅給保險企業(yè)造成重大經(jīng)濟損失，增加誠信投保人的投保成本，擾亂市場經(jīng)濟秩序，而且欺詐行為的出現(xiàn)會導致人員傷亡，保險欺詐日益成為危害社會公共安全和經(jīng)濟穩(wěn)定的因素。意外險經(jīng)營狀況直接影響著壽險保險公司的穩(wěn)定性，是保險欺詐的嚴打區(qū)，為了索賠，故意制造事故，不僅影響著誠實投保人的利益，給保險公司帶來巨大的經(jīng)濟損失，而且危害公共安全。精準分析理賠風險、識別欺詐因子，具有極為重要的意義。

一、意外傷害事故特征指標

經(jīng)研究，事故的特征指標分為事故總類特征指標和個體特征指標。

1.事故總類特征指標

（1）承保信息提取指標：投保人和被保人姓名、投保人性別、投保人年齡、投保渠道、投保人近期投保次數(shù)、保單總批改次數(shù)、已有索賠次數(shù)、保費、保險金額、被保人年齡、被保人性別、被保人工作性質(zhì)、被保人與投保人關(guān)系、家庭收入債務情況、被保人身體狀況，依次分別用xi（i=1，2，…，15）表示。

（2）出險信息提取：被保人傷亡情況、報警時間、警察開具的事故現(xiàn)場勘查報告和事故性質(zhì)認定書、報案時間、是否第一現(xiàn)場報案、保單與事故的時間間隔、出險時間、事故現(xiàn)場方位概貌情況、事故的形式類型、事故現(xiàn)場痕跡，依次分別用xi（i=16，17，…，25）表示。

（3）理賠信息提?。菏欠耖W賠、是否自動核賠、索賠類型、索賠金額、是否集中一次賠付、是否多家索賠、是否急于索賠，依次分別用xi（i=26，27，…，32）表示。

2.事故個體特征指標

（1）交通事故：制動拖印長度、剎車時間、整體分離痕跡、事故發(fā)生的第一接觸點、附著物、車輛與人的狀態(tài)、姿勢、拋出物距離。

（2）高墜事故：高墜起點高度、血跡面積、物品或工具的散落范圍、著地點與起點的水平距離、承痕客體擦劃痕跡。

（3）煤氣中毒：HbCO%飽和度、尸斑顏色、安定含量、煤氣管道是否泄漏、現(xiàn)場通風情況。

（4）溺水事故：現(xiàn)場足跡數(shù)量、肺中積水量、口鼻部有無泡沫、落水點有無跌倒滑蹬痕跡、手中是否抓有異物。

（5）火災爆炸事故：起火點個數(shù)、起火源、起火物、口腔內(nèi)有無煙灰炭末、炸點形狀、爆炸殘留物種類、拋出物距離。

（6）觸電事故：觸電方式、電流斑個數(shù)、有無皮膚電擊紋、絕緣物體有無破損漏電痕跡、用電導電設備有無分離痕跡。

二、意外傷害險反欺詐識別模型

1.欺詐案件總體指標相關(guān)性分析模型

本文釆用的是二元Logistic回歸分析方法，模型為：

2.反欺詐識別模型構(gòu)建

3. 個體特征指標相關(guān)分析

個體特征指標相關(guān)分析采用的是k-means聚類分析。數(shù)據(jù)點x和y間的歐氏距離是兩個點的k個變量值之差的平方和的平方根，數(shù)學公式為：

選擇k個觀測量作為初始的聚類中心點，根據(jù)距離最小的原則將各個實測量分配到這k個類中。在所有類的實測量中計算變量均值并形成新的k個聚類中心點。依此不斷迭代，直到收斂或達到分析者的要求為止。

4.意外傷害險反欺詐判斷模型

決策樹模型是基于數(shù)據(jù)挖掘算法的機器學習推理模型，提供一系列確定什么條件下得什么值的規(guī)則并對數(shù)據(jù)進行分類的過程。決策樹分類器就像判斷模塊和終止塊組成的流程圖，通過詢問方式區(qū)分是否屬于某些組的一系列問題的結(jié)果來進行預測。意外險欺詐因子數(shù)據(jù)輸入變量為分類、數(shù)值混合變量且為多叉樹，輸出變量為“是否欺詐”二分類變量，因此，本文選擇C 5.0決策樹算法。

三、實證分析

本文選用30個樣本進行分析。將樣本數(shù)據(jù)代入式（1）進行Logistic回歸分析，得出各欺詐因子變量與保險欺詐之間的相關(guān)顯著性大小，剔除掉顯著性為0的無效指標，再將樣本數(shù)據(jù)代入式（1）進行回歸分析，得出結(jié)果（見表1）。

由此，列出欺詐因子變量（見表2）。

以交通事故為例進行k-means聚類分析，其最終聚類中心表如表3所示。

案例A：有一投保人李某出險，性別女，年齡21歲，傍晚6點20分在市區(qū)購物后步行回家，被機動車撞成輕度身殘。經(jīng)檢驗，現(xiàn)場機動車剎車時間1.6秒，制動拖印長度15米，事故現(xiàn)場與事故類型相符。案例B：有一投保人王某出險，性別男，年齡49歲，夜晚10點30分在郊區(qū)鄉(xiāng)道步行回家，被機動車撞成身亡。經(jīng)檢驗，現(xiàn)場機動車剎車時間1.1秒，制動拖印長度5米，事故現(xiàn)場與事故類型不符。將2個案例的識別指標代入決策樹模型，計算欺詐可能性等級。

四、結(jié)語

通過實證運用，本文的結(jié)論是意外險反欺詐識別模型的整體識別效果好，整體預測準確率為97.82%，但應盡可能地增大分析樣本，這樣才能推廣使用。本文的識別指標應進一步完善，特征也應更突出，算法也應進一步優(yōu)化，這樣才能不斷完善我國意外險反欺詐識別體系的構(gòu)建。

參考文獻：

[1]崔松，欒菩菩.關(guān)于保險欺詐的研究綜述[J].經(jīng)濟研究導刊，2013，（06）：112～113.

[2]周建濤，秦炳山，迪麗，等.健康、意外保險惜賠識別[J].新疆社會科學，2013，（03）：47～52.

[3]Cowell R G， Verrall R J，Yoon Y K.Modeling Operational Risk With Bayesian Networks[J].The Journal of Risk and Insurance，16 November 2007.

[4]張偉偉.基于Tobit回歸的健康保險欺詐識別研究[D].青島：青島大學，2016.

[5]賈蘭.我國機動車保險欺詐及識別問題研究[D].石家莊：河北經(jīng)貿(mào)大學，2019.

[6]劉軼.保險欺詐風險與分類監(jiān)管對策[J].征信，2018，36（02）：68～74.

[7]Warren D ?E，Schweitzer M ?E.When weak sanctioning systems work：Evidence from auto insurance industry fraud investigations[J].Organizational Behavior and Human Decision Processes，2019.

[8]Müge Demir，Zeynep nder.Financial connectivity and excessive liquidity：Benefit or risk？[J].Journal of International Financial Markets，Institutions & Money，2019.

[9]Chun Yan，Meixuan Li，Wei Liu，Man Qi.Improved adaptive genetic algorithm for the vehicle Insurance Fraud Identification Model based on a BP Neural Network[J].Theoretical Computer Science，2019.

[10]Michal Reid，Humberto K.Choi，Xiaozhen Han，Xiaofeng Wang，Sanjay Mukhopadhyay，Lei Kou，Usman Ahmad，Xiaoqiong Wang，Peter J.Mazzone.Development of a Risk Prediction Model to Estimate the Probability of Malignancy in Pulmonary Nodules Being Considered for Biopsy[J].Chest，2019，156（2）.

作者簡介：

1.吳景泰，沈陽航空航天大學教授，博士;碩士生導師;研究方向：安全經(jīng)濟學。

2.張育儒，沈陽航空航天大學碩士研究生;研究方向：系統(tǒng)安全及保險。