人身保險公司反欺詐風險預警模型研究

楊　拯中國人壽保險股份有限公司劉　云　中國人壽保險股份有限公司廣西省分公司

?

人身保險公司反欺詐風險預警模型研究

楊拯中國人壽保險股份有限公司
劉云中國人壽保險股份有限公司廣西省分公司

一、引言

保險欺詐是保險業自誕生以來從未徹底治愈的一個頑疾，嚴重威脅了保險公司的健康發展。據國際保險監督官協會的測算，全球每年約有20%～30%的保險賠款涉嫌保險欺詐。美國反保險欺詐聯盟公布的資料顯示，1969年到1998年期間，美國有44家保險公司因為保險欺詐而破產，占同期保險公司破產總數的7%；僅1996年這一年，保險欺詐就給美國保險行業帶來853億美元的損失（國際保險監督官協會，《預防、發現和糾正保險欺詐指引》，2006年）。

近年來，隨著我國保險事業的發展，保險領域的違法犯罪案件也呈上升態勢，嚴重擾亂了保險市場秩序，侵害了誠實投保人的合法權益，威脅著保險行業的健康發展，識別與防范欺詐風險成為保險業日益關注的一個重要問題。2012年，中國保險監督管理委員會印發了《關于加強反保險欺詐工作的指導意見》，明確了保險業今后一段時期反欺詐工作的指導思想、基本原則和目標任務，并規劃了行業反欺詐工作的具體內容，有力地推動了行業反欺詐工作的進步，國內保險公司聯手打擊保險欺詐的聲勢越來越大，范圍也越來越廣。

然而，囿于當前我國社會信用體系建設尚不完備、保險欺詐識別與防控行業技術標準缺失以及人身保險行業數據共享程度低等原因，目前我國尚未完全形成“政府主導、執法聯動、公司為主、行業協作”四位一體的反保險欺詐工作體系，人身保險欺詐風險的防范與控制很大程度上需要各保險公司立足自身管理來研究相應的對策。本文結合人身保險公司反保險欺詐工作的實踐經驗，通過對欺詐案件風險特征的分析，研究人身保險切實可行的欺詐防范方法和反欺詐策略，并對構建人壽保險欺詐風險預警數據模型進行了初步探索。

二、人身保險欺詐風險特征淺析

截至目前，我國保險行業尚無全行業詳細的保險欺詐數據統計，筆者將以國內某大型人身保險公司的保險欺詐數據為標的，對人身保險欺詐的特征進行分析。

（一）人身保險欺詐行為分布特征

我國保險業尚無官方制定的保險欺詐行為識別與定性標準，《刑法》第一百九十八條列舉了保險詐騙罪的五種情形，但細化程度略有不足，且第1種和第4種情形僅適用于財產保險。為更好地研究人身保險欺詐的特征和規律，筆者根據業界長期以來積累的反欺詐工作實踐數據，進一步細化了人身保險欺詐行為的分類。機構、團體或個人存在以下情形的，可以視為具有人身保險欺詐嫌疑：

1.故意編造未曾發生的保險事故。如未發生保險事故謊稱發生保險事故，并以虛假證明材料進行佐證。

2.出險后再投保。但部分團體保險業務中符合“追溯生效日規則”的除外。

3.偽造、變造證明材料和其他證據，或者指使、唆使、收買他人提供虛假證明資料騙取保險金。如偽造變造身份證明材料、醫療證明材料、死亡證明材料，開具虛假發票等。

4.編造虛假的事故原因。如出險原因本為疾病而謊稱意外，自然死亡偽稱意外事故死亡，非約定意外事故謊稱約定意外（從事危險活動造成意外謊稱一般性意外）等。

5.故意制造保險事故。如投保人故意造成被保險人死亡、傷殘或者疾病，被保險人自殘等，但被保險人投保2年內自殺是否認定為欺詐應視具體情況確定。

6.故意不履行如實告知義務。如被保險人帶病投保、重大風險事項故意不如實告知等。

7.夸大損失程度。如虛報傷殘等級、虛增醫療費金額、掛床套取醫療津貼等。

8.冒名頂替。如冒用他人身份證明，篡改、套用他人醫療證明材料等。

9.其他違反法律、法規和契約精神的保險欺詐行為。

根據以上標準定性保險欺詐，我國某大型人身保險公司2014年度共查獲涉嫌保險欺詐的案件7536件，總計涉案金額約為3.21億元，各類保險欺詐行為分布情況如圖1所示。

從上述統計數據可以看出，故意不履行如實告知義務、出險后投保、編造虛假的事故原因和冒名頂替，是該保險公司2014年度查獲的保險欺詐案件中欺詐行為占比最多的四種類型，合計占比達85.9%，這提示了人身保險公司反欺詐的關注重點和工作方向，應重點就這四類保險欺詐行為特征進行定向和定量的分析。

（二）人身保險欺詐的險種分布特征

2014年度，該人身保險公司查獲的保險欺詐案件的險種分布情況（險種分類依照中國保監會統計信息系統產品四級分類規則，結合人身保險業務實踐特點進行劃分）如圖2所示。

從人身保險欺詐案件的險種分布情況來看，短期健康險、重大疾病保險和意外險是欺詐風險的多發區，這三類險種涉案數量合計占比達全部欺詐案件總量的86.16%，反映出射幸性強的險種更容易發生保險欺詐。

（三）人身保險欺詐的案件金額分布特征

從該公司人身保險各類險種欺詐案件的涉案金額分布來看，與案件險種分布情況呈高度趨同的特點，重大疾病保險、意外險、短期健康險三類險種涉案金額較大，占全部欺詐案件涉案金額總和的85.74%，具體分布情況如圖3所示。

進一步分析可以發現，2014年該人身公司全部欺詐案件的總體件均涉案金額為4.24萬元，該數字較2013年增長5.74%，近年來呈逐步增長態勢。從各類險種的件均涉案金額來看，重大疾病保險、年金保險、定期壽險和兩全保險等人壽保險的件均涉案金額相對較高，皆高于總體件均涉案金額；而意外險件均涉案金額略低于總體件均涉案金額，短期健康險則最低，件均涉案金額僅1.3萬元。這些數據說明，人壽保險欺詐案件呈多發且案值高的特點，而短期健康險欺詐則呈多發但案值較低的特征。

從上述分析我們可以看出，信息不對稱帶來的博弈地位巨大差異和保險本身的強射幸性是保險欺詐難以禁絕的重要原因，保險欺詐的行為分布特征和險種分布特征都佐證了這一點。由于射幸性是保險的天然屬性，因此，盡可能地消除保險公司與投保人、被保險人之間的信息不對稱便成為了防范與控制保險欺詐的主要途徑。

由于我國公民信息管理較為碎片化，社會信用體系建設也相對滯后，保險公司為消除這種信息不對稱需要付出較大的努力。一般來說，通過商業調查的方式來消除信息不對稱雖然效果較好，但投入大、耗時長、成本高，不宜作為一種普遍方式應用于每一單業務，故而保險公司需要探索一條高效低廉的方式進行全業務風險掃描，篩選出高風險業務加以重點防控。因此，構建保險欺詐風險預警模型是保險公司必要并且現實的一個選擇。

圖1　某大型人身保險公司2014年查獲之人身保險欺詐行為分布情況

圖2　保險欺詐案件險種分布情況

圖3　保險欺詐案件各類險種涉案金額分布情況

圖4　保險欺詐案件中各類險種件均涉案金額分布情況

三、人壽保險欺詐風險預警模型構建

（一）因子分析法在保險欺詐風險預警上的應用

人壽保險是《保險法》賦予人身保險公司特許經營的業務，而短期健康險和意外險人身保險公司與財產保險公司均可經營，但從運營和風險管理的內在規律看，人壽保險與健康保險、意外傷害保險具有較大的差異。為使構建的欺詐風險預警模型更加科學和準確，應將人壽保險與健康保險、意外傷害保險區別開來分別建模。同時，前文的分析顯示，人壽保險的欺詐呈案件多發且件均案值高的特點，是現階段我國人身保險公司反欺詐工作的主要矛盾。因此，為強化模型的指向性和應用性，本文以人壽保險作為研究對象，嘗試基于因子分析構建人壽保險欺詐風險預警模型。

大量的經驗數據顯示，各類人壽保險欺詐風險雖然在表現形式、欺詐手段上有所不同，但本質規律是趨同的，并且欺詐行為的發生與保險業務各項要素之間呈現出較強的相關性。因此，通過對各類型欺詐案件進行要素分解和風險細分，找到理賠案件信息中隱藏的風險因子對其分類量化，并將欺詐風險因子研究成果應用于風險預警，可以更快速準確地定位高風險案件并加以重點調查取證，從而提升保險公司風控資源的使用效率和效果。

（二）基于因子分析的欺詐風險模型構建

農村土地確權可以讓廣大農民的權益得到有效保障，這是因為農民本身是農村土地的使用者以及支配者，在農村土地的權屬得到明確的基礎上，農民的維權需求也在提升。農村土地確權的完成讓農民以往在土地使用上的弱勢地位得到改善，并能使農民群眾在對土地進行使用時結合自身的情況，實現對土地的合理分配。現階段在土地征收的實際工作中，政府對農村土地確權是大力支持的，農民可以結合農村土地確權維護自身的權益，避免在土地被征后由于沒有足夠的生活技能無法維持生計。

1.建模可行性

因子分析是從研究變量內部相關的依賴關系出發，把一些具有錯綜復雜關系的變量歸結為少數幾個綜合因子的一種多變量統計分析方法。它的基本思想是通過對變量的相關系數矩陣或協方差矩陣內部結構的研究，找出能控制所有變量的少數幾個隨機變量去描述多個變量之間的相關關系，然后化繁為簡，通過數據的回歸建模用直觀簡潔的數學公式對復雜的問題進行分析和解釋。因子分析的主要步驟包括：①對數據樣本進行標準化處理；②計算樣本的相關矩陣R；③求相關矩陣R的特征根和特征向量；④根據系統要求的累積貢獻率確定公因子的個數；⑤計算因子載荷矩陣；⑥確定因子模型。本文選取某人身保險公司G省轄區2012年至2014年全部人壽保險理賠案件數據為樣本，將拒絕賠付和協議給付案件作為高欺詐嫌疑風險案件，對其數據分布的偏態與峰度進行分析。利用偏態函數SKEW計算出拒絕賠付和協議給付數據偏態系統SK= 4.55，認為該數據為高度右偏分布，利用函數KURT計算峰度系數K=18.75，數據呈現尖峰分布特征，數據分布集中，表明開展分析建模研究可行。

表1　提取公因子后原始指標的變量共同度

表2　因子旋轉后公因子對14個原始變量的載荷矩陣

2.指標因子選擇

該人身保險公司G省全轄2012年至2014年的全部人壽保險理賠案件共26024件，其中，拒絕賠付和協議給付案件1098件。本文從客戶層、保單層、銷售層和行為層四個特征角度，從理賠案件信息中共選取了14個指標作為原始自變量進行風險因子分析，分別為：

客戶層：投保年齡、職業代碼、性別、出險年齡。此特征角度均指被保險人。

保單層：險種代碼、累交保費、保險金額、保額保費比。

銷售層：管理機構、銷售渠道、業務員。

行為層：保后出險天數、預估賠付金額、出險原因。

因“管理機構、險種代碼、銷售渠道、業務員、職業代碼、性別、出險原因”等7項指標為非數值型數據，為便于比較分析，用類比法對原始數據進行標準化處理，規則如下：

用類似的方法對管理機構、銷售渠道、業務員、職業代碼、出險原因進行標準化處理，得到：

管理機構標準化值=（該機構理賠案件總量/全轄理賠案件總量+該機構拒絕賠付和協議給付案件數量/該機構理賠案件總量）/2

銷售渠道標準化值=（該銷售渠道理賠案件總量/所有銷售渠道理賠案件總量+該銷售渠道拒絕賠付和協議給付案件數量/該銷售渠道理賠案件總量）/2

業務員標準化值=（該業務員理賠案件總量/所有業務員理賠案件總量+該業務員拒絕賠付和協議給付案件數量/該業務員理賠案件總量）/2

職業代碼標準化值=（該職業代碼被保險人理賠案件總量/理賠案件總量+該職業代碼被保險人拒絕賠付和協議給付案件數量/該職業代碼被保險人理賠案件總量）/2

出險原因標準化值=（該類出險原因的理賠案件總量/理賠案件總量+該類出險原因拒絕賠付和協議給付案件數量/該類出險原因理賠案件總量）/2

對“性別”指標的標準化處理方式略有差異，規則如下：性別指標原始數據為保單被保險人性別。數據顯示，樣本期（三年）內26024件理賠案件中，被保險人為男性的案件有13357件，占比51.33%；樣本期（三年）內1098件拒絕給付和協議給付案件中，被保險人為男性的有676件，占比61.57%。因此，視男性被保險人為相對高風險類別，對指標賦值為1；視女性被保險人為相對低風險類別，對指標賦值為0。

3.原始數據整理和風險因子提煉

（1）檢驗待分析的原始變量是否適合做因子分析。運用SPSS軟件對26024個案件的14個指標共364336個數據進行分析，通過相關系數矩陣和Bartlett球體檢驗判斷數據是否適合作因子分析。運行結果顯示，相關系數矩陣中存在許多比較高的相關系數，且相關系數顯著性檢驗的P值中存在大量的小于0.05的值，說明原始變量之間存在較強的相關性，具有進行因子分析的必要性。然后同步進行Bartlett球形度檢驗，檢驗結果P值為0，進一步說明數據比較適合進行因子分析。

（2）提取公因子。用SPSS軟件的主成分分析法進行因子篩選，提取了6個公因子；驗證提取公因子后原始指標的變量共同度都較高，說明損失的信息較少（如表1所示）。

進一步驗證提取公因子的特征值和累計方差貢獻率，SPSS軟件的運行結果顯示，提取的6個公因子特征值都大于1，累計方差貢獻率達到71.575%，表明提取6個公因子進行分析建模比較合適。同時再結合碎石圖觀察，因子特征值到第7個公因子時變化相對趨于平穩，進一步確定提取6個公因子加以分析是合適的。

（3）因子載荷分析。測量提取的公因子對14個原始變量的影響程度，形成因子載荷矩陣。通過觀察，提取的6個公因子在各指標變量上的載荷差不大，無法明確解釋各公因子的含義進而命名，因此須進行因子旋轉后進一步觀察。進行因子旋轉后的載荷矩陣見表2。

從旋轉后的因子載荷矩陣可以看出：第一個因子與保險金額、累交保費及預估金額具有較強的相關性，可以歸為一類，命名為額度因子L；第二個因子與投保年齡和出險年齡有較強的相關性，命名為年齡因子A；第三個因子與被保險人職業代碼和業務員有較強的相關性，命名為職業因子O；第四個因子與險種和被保險人性別有關，命名為險種因子I；第五個因子與銷售渠道和保后出險天數有較強的相關性，命名為時間因子T；第六個因子與管理機構和出險原因有較強的相關性，命名為管理因子M。

4.風險預警模型構建

（1）計算因子得分。將管理機構等14個原始變量分別命名為變量運用回歸法測算公因子對各原始變量的影響系數，結果見表3：

表3　公因子對14個原始變量的影響系數

根據以上測算結果可寫出各公因子的數學表達形式，如公因子L為：

其余五個公因子A、O、I、T、M的數學表達式亦可照此寫出，此處不再一一贅述。

（2）數據建模。以F表示一件申請理賠的案件欺詐風險值得分，建立多元線性回歸模型如下：

F=a+bL+cA+dO+eI+fT+gM

其中：a為常數，b、c、d、e、f、g分別為各因子系數。

對提煉的6個公因子得分與拒絕賠付和協議給付案件數據進行回歸建模，擬合回歸方程如下：

F=0.0422-0.0124L + 0.0522A + 0.107O-0.0337I-0.0023T-0.0253M

表4　規模數據驗證欺詐風險預警模型數據統計情況

表5　隨機抽樣驗證欺詐風險預警模型數據統計情況

得到適合于該人身保險公司的人壽保險理賠案件欺詐風險預警模型。

（三）模型有效性驗證及應用

1.模型有效性驗證

對于涉嫌保險欺詐的理賠案件，保險公司在查實相關欺詐證據后一般以拒絕賠付處理，難以充分鎖定證據或僅能鎖定部分證據的情況下多以協議賠付進行處理，因此可以通過觀察每個理賠案件的F值與最終理賠處理結論之間的關系來驗證模型的有效性。

（1）規模數據驗證。規模數據驗證采用歷史數據回溯印證的方法，選取該人身保險公司與G省分公司經濟發展水平、業務結構和管理狀況相近的另一省份H省分公司，提取其轄內2013年和2014年全部19829件人壽保險理賠案件，并逐一計算欺詐風險值（F值），然后根據理賠案件的實際賠付情況對應觀察模型的風險測評效果，結果見表4。

從表4可看到，隨著欺詐風險值F的增長，理賠案件以拒絕賠付和協議賠付進行處理的比例逐漸增大，也就是說案件的欺詐可能性在逐漸增強。當F值小于0時，8982件理賠案件中僅有6件是以拒賠或協議方式處理的，風險程度極低；而當F值大于1時，幾乎所有的理賠案件都是以拒賠或協議方式處理的，風險程度高達97.22%。該統計結果在規模數據層面驗證了模型的有效性。

（2）隨機抽樣個案驗證。隨機抽樣個案驗證采用預測印證的方法，隨機選取H省轄區內5個地市剛剛申請理賠的15個人壽保險理賠案件，用欺詐風險預警模型計算其F值；不管其F值大小如何，均對上述15個理賠案件運用最高程度的風險控制手段，并進行全方位商業調查以證實或證偽各潛在風險點，最終得到的理賠處理結果見表5。

表6　F值各區間段對應風險等級劃分

驗證數據顯示，15個理賠案件中有12件以約定給付處理，其中8件F值小于0，3件介于0~0.1之間，處在模型計算的低風險區域；1件F值介于0.1~0.2之間，處在模型計算的較低風險區域。另外3個理賠案件拒賠2件、協議賠付1件，其中協議賠付處理的1件其F值介于0.1~0.2之間，處在模型計算的較低風險區域，但已接近中等風險區域；2件拒賠處理的其F值介于0.5~1之間，處在模型計算的高風險區域。該驗證結果在個案風險評估層面驗證了模型的有效性。

2.模型在人身保險公司反欺詐實踐中的應用

在保險公司與投保人、被保險人之間的博弈中，保險公司是處于信息弱勢的一方，需要依靠商業調查來消除這種弱勢。但前文已經提到，商業調查成本高、耗時長，不宜也不可能作為一種普遍手段應用于每一單業務，而欺詐風險預警模型正好能夠解決這一關鍵問題。

欺詐風險預警模型在保險公司運營管理中最有價值的應用在于提示風險和發起調查。通過預警模型對全部理賠案件進行風險掃描，測算每件理賠案件潛在的欺詐可能性，并從中篩選出風險程度較高的案件進行重點調查。這樣能夠有效提升保險公司風控資源的使用效率和效果。下面列舉一種簡便易行的應用方式。

（1）根據F值各區間段對應的欺詐概率劃分理賠案件風險等級。以表6有關數據為例，作風險等級劃分。

（2）設定每一風險等級的理賠調查率和調查等級。對絕對風險、高風險2個等級的理賠案件，設定100%的調查率（即每案必調），并設置最高的調查等級，調查核實每一個潛在的風險點；對中等風險的理賠案件，采用隨機抽取或重要特征值抽取的方式，設定40%~60%的調查率，同時設置較高的調查等級，對重要風險點進行一一核實；對較低風險的理賠案件設定10%~20%的隨機抽樣調查率，設置普通調查等級，對關鍵風險點進行核實；低風險案件則不進行調查。

（3）欺詐風險預警模型的系統植入。利用信息技術將欺詐風險預警模型嵌入保險公司的理賠業務處理系統，以IT系統自動化智能發調替代人工審核發調工作，這樣一方面能夠節省大量人力，另一方面又能減少人工介入帶來的各類操作風險。

（4）設置必要的風險管控安全閥。任何模型都不可能是完美的，也不可能全部替代人工作業。對欺詐風險預警模型初篩后定義為低風險的理賠案件，實施一定比例的人工審核發調的風險管控措施，持續觀察該部分案件后續的理賠處理情況，重點觀察模型風險誤判的理賠案件，積累特征值數據，對欺詐風險預警模型定期進行必要的參數修正和模型完善。

從某種意義上說，保險業的發展史同時也是一部反欺詐斗爭史。

四、小結

保險行業本身是一個經營風險的行業，保險欺詐是這個行業誕生和成長過程中形成的伴生體，從某種意義上說，保險行業的發展史同時也是一部反欺詐斗爭史。保險公司應對欺詐的策略，一是通過提高產品定價來彌補欺詐造成的損失，但這種方式較為被動且會損害善良客戶的利益，最終會影響保險公司的市場競爭力；二是通過完善風險管理體系，主動防范和打擊保險欺詐。通常情況下這兩種策略同時被使用，但保險公司天然偏向于后者，特別是市場競爭的加劇和技術手段的發展從兩個角度推動了保險公司做出更有傾向性的選擇。

本文依托于人身保險公司的長期商業實踐，通過對大量數據的統計，分析了人身保險欺詐的行為分布特征、險種分布特征和金額分布特征；并以人壽保險作為建模對象，基于因子分析構建了人壽保險欺詐風險預警模型，通過規模數據回溯印證和隨機抽樣個案預測印證兩方面驗證了模型的有效性，并介紹了實證結果在保險公司反欺詐工作實踐中的應用方法，希望能對我國保險欺詐風險防控提供一定的參考。當然，由于筆者能力有限以及一些客觀條件的限制，本文的研究還存在一些不足的地方，需要在今后的研究中進一步完善：比如，為實現預警模型在實務中的便捷應用，需要對指標體系做進一步的拆分和細化，完善指標體系的覆蓋面和針對性，并盡量簡化指標評價繁復的演算過程，推導基于原始指標的預警函數模型，增強實踐可操作性；此外，還應進一步擴大研究樣本數據容量，使預測模型更加準確、穩定，提高后續基于模型構建風險預警系統的魯棒性(robustness)。

展望未來，相信隨著我國社會征信體系建設的日臻完善和保險大數據研究與應用的發展，反保險欺詐的工具與手段將會更加豐富和完備，為保險業的健康發展營造更為和諧的氛圍。