商業車險改革

劉艷

[摘要]車聯網是汽車物聯網的簡稱，是一種汽車信息服務。在車輛保險中推廣應用車聯網保險模式，不僅能夠使保險經營走向更加科學和規范的軌道，更重要的是，這種模式能夠很好地發揮保險的正外部性特征。與此同時，在車輛保險領域推廣應用車聯網技術也能夠有力推動我國車聯網產業的發展，繼而推動相關領域的技術進步。

[關鍵詞]車聯網 保險

車聯網是以駕乘者的體驗為服務核心，運用汽車制造、無線通信技術、數據分析、物聯網和互聯網等技術，將駕乘者與周圍環境有機聯系起來，以實現整個系統綜合廣泛的應用，從而構成網絡生態系統。

在車輛保險的發展過程中，定價模式一直是推動車輛保險進步的重要因素。按照發展階段的不同，車輛保險的定價方式主要有保額定價、車型定價及使用定價三類。我國目前仍處于保額定價階段，并正在向半保額、半車型定價過渡。而從國外發達保險市場的情況看，車輛保險已經開始進入使用定價（UBI）階段。

無論是保額定價還是車型定價，在這些傳統的定價模式中，定價因子包括從車、從地、從用和從人等因素。車聯網和大數據技術的出現，給我們破解傳統定價模式局限帶來可能，基于UBI技術的車聯網保險模式應運而生。在UBI定價模式中，“用”和“人”更多是指動態概念。車聯網保險除了在定價方面將破解從前面臨的難題外，還能在防止盜竊風險和保險欺詐方面發揮很好的作用。

一、傳統車險定價模型及問題

車險實務中，對于費率的確定，比較廣泛采用的模型是加法模型和乘法模型。二者的本質思想類似：將選定的每個風險分類變量都分為離散的若干個級別，每一個級別對應一個級別相對數，通過級別相對數的組合來確定每一個風險單元的費率。二者的區別在于級別相對數的組合方式不同：加法模型采用級別相對數相加的方式，而乘法模型則采用級別相對數相乘的方式。

以上兩種傳統的線性模型的形式十分簡單，采用的邊際總和法的方法也比較容易。但無論是模型本身，還是估計參數用的邊際總和法，都存在著一定的問題。

第一：邊際總和法的適用性存在問題。經驗表明，通過一個風險因素分類的結果是粗略的，遠不足以將所有的被保險人分為風險同質的群體。對于一個風險異質性較大的群體，大數法則是不適用的。因此，假設經過一個因素的分類，就可以使各類的實際損失與理論損失嚴格相等，其條件是不充分的。

第二：這兩個模型都假設損失變量是連續隨機的并且服從正態分布，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很大。

第四：這兩種方法的準確性難以衡量。因為缺乏相應的統計檢驗手段，這使得我們無法比較哪一個模型對實際數據的擬合程度更高；同時，亦無法鑒別所選用的風險分級變量是否合適，因此，對于風險分類變量的選取以及風險分級的確定，很大程度上需要依賴于主觀的判斷。

二、車聯網保險的總體框架

車聯網保險的基本特征是基于使用定價，即UBI模式，可將其準確表述為將與使用相關的風險因子納入定價模型，其中最重要的部分是駕駛行為。

車輛保險的定價原理是將車輛“純風險損失”進行分解，首先是出險率和案均損失，其次是分析與這兩個因素有關的因子，最后是尋求不同因子之間的函數關系。從傳統定價模式看，由于存在數據獲取方面的局限性，因此，人們更多的是使用“從車”因子，如車輛的價值、類型、使用性質等，而在“從人”因子方面，也大都采用一些相對靜態的類屬因子，如性別、年齡、職業和婚姻狀態等。盡管人們知道影響“出險率”最大和最直接的因子應當是與人的駕駛行為相關的因子，同時，人們也知道根據實際使用情況確定價格才是最合理的。但苦于沒有一種技術手段能夠解決數據采集問題，而車聯網技術的出現，給這個問題的解決提供了可能。

與傳統的車險數據采集系統不一樣，車聯網技術能夠獲得人、車、環境三方面的信息，信息量大、數據準確性高。從車聯網數據的整體來看主要有以下三個顯著特點：

第一：數據類型多。保險市場的不確定性受到許多因素的影響。數據的類型既有數值型的也有非數值型的。傳統的基于統計學的粗略地分析，往往都是分析人員對大量統計數據憑經驗做出決策，因而受分析者主觀因素比較大，分析結果也非常粗略。傳統的數據采集系統設計的風險因素也比較簡單，主要涉及投保人的年齡、性別、歷史賠付數據等，沒有考慮更能準確反映風險水平的因素，而這正是車聯網保險數據所具備的最主要的特點。

第二：數據動態性強。保險數據中特別是保險期限較短的財產保險所包含的規律的時效性非常強。利用車聯網系統收集的數據更新周期會大大縮短，甚至每月所交保費會在很大程度上受到近幾個月的駕駛情況的影響，數據具有很強的動態性。

第三：數據量大。保險領域的數據量非常龐大，基于車聯網技術所涉及的數據則種類更加廣泛，類型更加細致。車聯網的一個目標是通過數據更加準確地反映投保人的風險水平，從而制定出更加切合事實的保費。

如下三類數據影響著車輛風險水平。

一：駕駛行為數據。駕駛行為是決定駕駛員風險水平的最關鍵因素。基于車聯網系統的數據采集會涉及行駛里程數、平均行駛速度、每百公里急加速/減速次數、平均轉向速度、每次出行時段以及每百公里最佳車速駕駛里程等，這些信息會隨著車輛的使用而不斷產生新的數據，從而豐富保險公司識別的基礎，以便于對保費作出及時的修正。

二：車輛狀況數據?；谲嚶摼W的車輛數據具有更大的動態性，即隨著保單的進行，數據會隨時更新。其中，數據包括發動機轉速、平均油耗等。

三：環境數據。車輛的行駛環境也是一個至關重要的因素。環境數據包括但不限于：居住地環境、每百公里夜間行車占比、溫度、濕度、車輛懸掛壓力、每百公里山路行車里程。

在收集了各種維度和結構的數據之后，我們應當采取一個合理的模型來對收集的數據進行處理，以達到對車險產品進行定價、對其準備金進行評估等目的。作為傳統線性模型的推廣的廣義線性模型（GLM）在理論和實務界都受到了越來越多的關注。GLM的核心思想為：用風險等級變量的線性組合的某個函數，可以解釋損失變量的期望值水平。采用符號系統表示，GLM的核心表達式為

其中，表示因變量（可以是損失次數、損失強度等變量），g（.）是聯結函數，為自變量（即風險分類變量）組成的向量，為參數向量（即各個風險分類變量的系數向量）。模型假定服從某一指數族分布，并且該分布的方差可依據其期望來確定，從而整個分布也可以被確定。GLM的模型參數通過最大似然法確定。我們只需在確定模型和數據后，通過參數估計、模型檢驗和模型診斷三個步驟對模型進行求解，最終便可使用模型進行預測。

三、結論

本文通過對現有的車險定價模型進行分析，指出目前的車險定價方法中數據收集和分析處理、模型建立與預測方面均存在不足，同時車聯網保險的數據類型進行詳細解讀，其數據復雜性、大量性和強動態性的論證證明了在大數據時代車聯網保險的實施有其現實基礎。在未來大數據時代背景之下，在車輛保險中推廣應用車聯網保險模式，不僅能夠精準定價，推動保險經營水平提升，還能夠促進綠色出行和安全駕駛，給和諧交通和環境保護作出貢獻。但是我們在開展車聯網保險的過程中，應當處理好隱私保護的問題，這樣才能得到消費者的認可，使得車聯網保險能更好的推廣開來，發揮保險的社會功能。endprint