西南财经大学-lw-基于UBI理念探讨车险精准定价策略.docVIP

基于UBI理念探讨车险精准定价策略 ——以车米云图为例 西南财经大学 张计宇1，王泽鹏2，龙思璇，王永佳，杨丽 （1．， 2． 陈隆近 副教授 中文摘要：关键词 基于UBI理念探讨车险精准定价策略 ——以车米云图为例 引言：UBI意涵与渊源 车险是我国财产保险的主要模块，但车险业务快速发展和财险业务规模过度依赖车险导致了激烈的行业竞争和理赔成本加大，整个车险行业几乎全线亏损。现行车险费率厘定主要依据车辆和车主的自然属性，而非基于对客户的全面风险评估，尤其是忽视了车主的驾驶行为特征。随着信息物理系统和数据挖掘技术迅猛发展，基于OBD或预装Telematics的细粒度数据渐次累积，为传统上依赖简单事件计数的车主风险状况评估奠定了技术基础，寻求新的车险业态和定价机制是车险浴火涅槃的紧要环节。 UBI车险（User-behavior Insurance），意味着基于车主驾驶行为实现车险差异化精准定价。已有的基于车主驾驶行为的车险费率定价研究往往偏重质性的探讨。William（1968）提出在传统年付保费方式下，费率与行车里程无关，汽车保费没有反映事故的外部成本，也缺乏车主调整驾驶习惯的激励，倡导保险费应与汽油或轮胎捆绑销售[]。Patrick Butler（1989）认为现有保费缺乏精算公平性和商业诚信，理当由驾驶习惯和行使里程决定投保人的汽车保险费[]。Lemaire（1995）也质疑保费精算公平，认为所有风险因素（人、车和环境）都应被测量且引入到费率系统[]。Finger（2006）将车险费率厘定方法判分为一般费率厘定法、分类风险费率厘定法和个体风险费率厘定法三类，其中分类风险费率法将风险类似（损失预期相同）的投保人划分为一类，通过厘定不同类别的投保人的车险费率来增强车险定价的科学性和可靠性[]。Ippisch（2010）依托近1600位意大利车主的车联网保险数据分析发现车主在出现事故后会明显改善其驾驶行为，平均驾车次数减少11.4%，行驶里程减少13.9%，平均行驶速度降低7.5%[]。Tooth（2012）倡议藉由车联网技术引导保险公司对车主驾驶行为安全等级水平开展有效评估，并以此建立奖励机制，从而激励投保人提高驾驶技能和安全意识[]。 2015年肇始，我国已经着手推行车险费率市场化改革，即在监管部门制定的基准费率基础上，保险公司可以参照其他因素来自主厘定车险费率。初始厘定方案只考虑从车因素（车型、用车性质、车龄等），而后纳入部分从人因素（车主基本信息、索赔记录等）。新一轮的车险费率改革将在很大程度上将车险条款和费率的制定权下放给各保险公司，鼓励符合资质条件的保险公司设计开发新的车险条款和费率，实现产品和服务创新，满足市场多元化的需求。基于UBI理念探讨车险精准定价策略，将能够为车险业态的变革带来诸多裨益。 在国内，UBI车险业态仍然处于非常初步的试验阶段，其中尤以车米云图最为典型。当前车米云图主要依靠委托保险供应商提供车险产品，并实行配套赠予车米产品的战略措施，通过捆绑保险公司的车险产品与车米车载智能终端而建立起来的合作关系更多地体现为服务关系。数据的集成业已实现，衍生车险业务的构想也比较清晰，但其实际业态还未能真正展开，一方面是业务成本和发展战略的困局，而另一方面，其OBD数据还未能在合作保险公司的费率厘定中真正发挥作用。可以认为，在国内还尚未形成一套行之有效的UBI车险费率厘定策略，而既有的欧美企业UBI定价策略在估计精度和实施难度上仍值得商榷和修正。车米云图公司的UBI车险业务是由其OBD业务衍生而来，后台集成的数据基本是CAN总线数据，即表征着车辆引擎启动、排气等技术状况，而尚未与车主驾驶行为具体比照对应，成为真正切实可行的User-behavior分析数据。我们的工作就始于此。 基于User Behavior的车险精准定价策略构建 1.方法概述 传统车险费率一直依照保监会厘定方案采纳基础费率定价方法。随着数据粒度细化和数据挖掘的发展，可以依据更精细审慎的统计方法甄别和筛选更多优质的刻绘分析指标。在此我们采纳基础费率和差别费率相结合的方法，以期实现更为精准的车险费率差异化定价。 我们将车辆技术状况检测数据整理为对应的车主驾驶行为数据，将车主驾驶行为归属为不同方面，从而甄别不同驾驶行为在行车风险中的影响程度。以改进的E-AHP方法集成赋权，即结合熵值法和AHP方法赋车主行为以一定权重，构建车主驾驶行为习惯的安全计分。在此基础上，经由挂钩模型参照安全计分来确定差别风险浮动系数，最后在监管层所制定的基础费率上确定其最终车险费率。改进的E-AHP集成赋权法缓解了惯例上将AHP法和熵值法所得最底层指标权重径直综合起来的方法，避免了综合权重失调以致无法表征指标实际重要程度的缺点。 本文研究数据来自车米云图的后台采集样本。经由