基于Logistic回归和BP神经网络的机动车辆保险欺诈识别与管理研究.docVIP

基于Logistic回归和BP神经网络的机动车辆保险欺诈识别与管理研究

目录

TOC\o1-9\h\z\u目录 1

正文 2

文1：基于Logistic回归和BP神经网络的机动车辆保险欺诈识别与管理研究 2

一、引言 2

二、机动车辆保险欺诈识别指标说明与初选 2

（一）数据来源与案件说明 2

（二）识别指标说明 2

（三）识别指标间相关性分析 3

（四）多重共线性检验 3

三、机动车辆保险欺诈识别指标的筛选与模型应用 3

（一）机动车辆欺诈识别指标的筛选 3

（二）Logistic回归预测 3

（二）BP神经网络在机动车辆保险欺诈识别中的应用 4

四、基于机动车辆保险欺诈识别的改进与管理启示 4

（一）增加初始的识别指标，寻求更多显著识别指标 4

（二）重点关注显著识别指标，提高欺诈识别的准确性 4

（三）综合运用合理有效的识别方法，提高欺诈识别的正确率 5

（四）时刻扩充识别模型的数据库，使识别模型做到与时俱进 5

文2：基于BP神经网络的结构损伤诊断 5

1结构损伤诊断的特征参数 5

1.1固有频率 6

1.2振型特征 6

1.3刚度矩阵 6

1.4柔度矩阵 6

1.5模态应变能 7

2研究状况与展望 7

（1）误差干扰的影响 7

（2）神经网络输入参数的选择 7

（3）缺乏对复杂结构进行系统损伤检测 8

（1）神经网络技术与遗传算法理论相结合 8

（2）神经网络技术与模糊理论相结合 8

原创性声明（模板） 9

正文

基于Logistic回归和BP神经网络的机动车辆保险欺诈识别与管理研究

文1：基于Logistic回归和BP神经网络的机动车辆保险欺诈识别与管理研究

一、引言

随着我国财产保险公司车险保费收入的快速增长，居高不下的车险赔付率一直困扰着我国财产保险公司。虽然车险相比其它财产保险具有出险频度高的特点，但从我国财产保险实务来看，保险欺诈也是导致车险赔付率居高不下的重要原因，因此对于机动车辆保险欺诈的识别和管理问题亟待解决。

二、机动车辆保险欺诈识别指标说明与初选

（一）数据来源与案件说明

本文随机选择A公司车险部200组已结案件作为研究机动车辆保险欺诈的样本数据，剩余10件已结案件作为检验样本。其中200组已结案件样本有44件被鉴定为欺诈索赔，剩余156件被鉴定为诚实索赔。

（二）识别指标说明

机动车辆保险欺诈的识别既要考虑数据的实用性和特征要求，也要衡量识别标准对于欺诈的权重和显著性要求，并且根据过往欺诈案例得出可能会影响车险欺诈的16项指标。

（三）识别指标间相关性分析

将随机选取的200组出险车辆作为样本，为避免样本向量之间存在多重共线性问题，将200组样本数据进行相关性分析，各指标间相关系数的最大值为0.343，表明16项识别指标间均属于弱相关和低度相关，初步判断不存在多重共线性的问题。

（四）多重共线性检验

通过SPSS22.0进行了共线性检验，并且结合共线性检验的结果和步骤，各维度的特征值不存在约等于0的数，各维度的条件指数也不存在大于10的数，方差比例中也不存在接近1的数，因此各识别指标之间不存在多重共线性。

三、机动车辆保险欺诈识别指标的筛选与模型应用

（一）机动车辆欺诈识别指标的筛选

根据识别指标的选择原则，显著性小于0.05的指标相比于其它指标具有更强的显著性，也就是X1、X4、X5、X6、X8、X11、X12、X13八项识别指标对于车险欺诈识别模型的构建更具有研究意义。

（二）Logistic回归预测

为了检验回归模型对原始数据的拟合度情况，必须对回归模型进行拟合度检验，结果显示，模型的显著性Sig=0.896大于0.5，接受零假设，因此由X1、X4、X5、X6、X8、X11、X12、X13八项识别指标构成的回归模型能够很好地拟合样本数据。模型对诚实和欺诈索赔案件的总正确预测率为92.0%

（二）BP神经网络在机动车辆保险欺诈识别中的应用

输入层为经过显著性检验后八项指标构成的数据，经BP神经网络处理后，可得到输出层结果也就是预测概率。

在样本集和循环迭代次数相同的情况下，通过比较系统总误差来比较具有不同隐含层节点数的BP神经网络的泛化分类能力，从而确定隐含层节点数。

当隐含层数目为5时系统训练实际精度为0.000975，在10组数据中精度最小，而且每组样本的误差率总和为1.886也是最小，也就是最终确定模型的网络结构为8-5-1。测试集样本数据的预测值都能够准确的预测出欺诈案件。

四、基于机动车辆保险欺诈识别的改进与管理启示

（一）增加初始的识别指标，寻求更多显著识别指标

根据每年的欺诈案例