基于K-Means和SEM的消費者互聯網保險購買意愿研究
——以TPB和TAM為分析框架

譚 征

(1.四川廣播電視大學， 成都 610073; 2.四川華新現代職業學院， 成都 610107)

近年來，“互聯網+”顛覆和重塑著中國經濟，互聯網保險借此浪潮快速發展起來。根據曲速資本發布的《2016互聯網保險行業研究報告》，互聯網保險歷經20年的蛻變，目前正處于全面爆發的前夜[1]?？傮w而言，伴隨著中國網民和手機移動端用戶的擴增，中國互聯網保險先后經過了萌芽期、起步期、探索期、積累期、發展期和爆發前期，正醞釀一場“現象級”經濟熱潮，如圖1所示。

圖1 中國互聯網保險發展階段

2011—2016年互聯網保險公司數量、保費收入及占比如表1所示[1-2]。2015年，互聯網保費占總保費的9.20%，2016年互聯網保險公司數量占行業總機構數量的58%?；ヂ摼W保險的種類也越來越多元化，從最初的理財險、人身險、車險等傳統品種，到大量涌現的銀行卡安全險、支付寶安全險、退貨險等依托電子商務而開展的保險品種，再到搖號險、鞭炮險等五花八門的創新險種，無不彰顯互聯網保險的興盛和開放。

深入挖掘互聯網經濟的潛力是促進我國經濟結構轉型、保障我國經濟可持續發展的重要的支撐點。消費者的購買意愿是進一步挖掘互聯網保險市場潛力的直接推動因素，以消費者的視角研究互聯網保險，合理引導消費者作出購買決策對于互聯網保險的發展具有十分重要的意義，而且，互聯網中的“長尾效應”對互聯網保險依然有效。通過對“長尾人群”的特征研究，分析互聯網保險客戶的特征分布，有利于保險機構對保險產品的精細化設計和進行差異化的精準營銷。目前在學術界，互聯網保險作為一個新興的領域，大多數研究仍處在案例研究、對比研究等初步階段，實證研究乏善可陳。本文擬結合計劃行為模型(TPB)和技術接受模型(TAM)，在一個較綜合的框架下建立互聯網保險購買意向模型，并利用K-Means聚類技術對客戶進行細分，利用結構方程模型驗證影響互聯網保險客戶購買意愿的主要因素。

表1 2011—2016年互聯網保險發展概況

1 文獻綜述

目前，學術界關于“互聯網保險”的定義和類型劃分出現分歧?？傮w趨勢是：它的概念邊界和類型不斷延伸、補充。學者最早提出的是較為狹義的定義，認為互聯網保險就是“通過互聯網銷售保險”[3]。這種觀點與互聯網保險完整的業務體系相違背，遭到學者批評。后來有學者將其定義拓展為“保險公司或者保險中介機構借助互聯網為客戶提供產品及相關服務信息，實現網上投保、承保、保全和理賠等保險業務，完成保險產品的在線銷售及服務，同時借助第三方機構來實現保險相關費用的電子支付等經營管理活動”[4]。在此基礎上，何麗新等[5]又將因互聯網而生的“互聯網信息安全保險”納入其中，將互聯網保險劃分為“互聯網信息安全保險”、“O2O保險業務”、“網銷保險業務”3種類型，拓展了互聯網保險的概念內涵。關于互聯網保險的商業模式，在互聯網保險發展初期，已有學者對其商業模式進行了設計，如Adam Klauber[6]提出了4個戰略業務模型，分別是互聯網保險交易平臺、職域營銷、保險業務處理和創新型保險產品。何德旭等[7]劃分了3個模式：官方網站模式、第三方電子商務平臺模式(又可劃分為綜合電商平臺和保險中介電商平臺)以及專業互聯網保險公司模式，并認為隨著保險經營的本質與互聯網特性的深度融合，商業模式將面臨新的變革，促使金融市場重塑新格局[7]。中國保險行業協會在2014年發布的《互聯網保險行業發展報告》，對互聯網保險模式進行總結后劃分為5類，如表2所示[8]。

表2 互聯網保險商業模式

圍繞著互聯網保險，目前學者的研究以定性為主，主題涉及互聯網保險的發展狀態(發展速度、產業規模、品種設計等)、與其他國家或地區(美、英、日、臺灣等)的對比分析、對傳統保險業的影響以及存在問題(法律問題、監管問題等)的研究。具體而言，陳秀芬等[9]在大數據背景下分析了我國互聯網保險的現狀，但仍然受安全性缺失、產業結構單一、傳統行業制約、新產品收益低等方面的限制。李亞光等[10]分析了我國互聯網保險的發展基礎、過程與邏輯。王洋[11]借鑒日本、英國、美國互聯網保險行業的監管經驗，結合我國國情提出促進我國互聯網保險行業健康有序發展的建議。與此類似，池騁等[12]從法制的視角從臺灣地區獲得經驗啟示，擬通過有效的法律規則分散、消除互聯網保險運營過程中的法律風險。為了研究互聯網保險對傳統保險業的沖擊，劉遠翔以7家財產保險公司和7家人壽保險公司為樣本，運用SFA(stochastic frontier approach)進行實證研究，發現互聯網保險業務對傳統保險企業成本效率與利潤效率都有積極影響[13]。何麗新等[5]以類型化分析為視角，研究了互聯網保險對于傳統保險法律規則的沖擊與重塑。在問題與風險方面，何德旭等[7]將互聯網保險的風險劃分為技術風險、金融風險、系統性風險3類，而崔宇清等[14]基于最大誠信原則梳理了我國互聯網保險的法律風險并提出相應對策?？傮w而言，目前研究大多處在初步階段，不系統、不深入，案例研究較多，基本都是定性的方法。有關消費者對互聯網保險購買意愿的研究非常少，實證檢驗更是一片空白?；ヂ摼W保險若想長足發展，就必須重視消費者的購買心理和購買行為，如何引導消費者做出購買決策便成為一項重要課題。

2 基于RFM和K-Means聚類的互聯網保險客戶特征分析

2.1 數據選取與分析流程

本文實證數據為ZH財險公司開展的互聯網保險業務中的車險客戶數據。之所以選擇車險客戶數據，一是由于車輛保險在機動車持有量持續增長態勢下發展迅猛；二是由于在ZH財險公司的互聯網保險業務中，互聯網車險占比最大，很大程度上可反映出整體客戶特征，在和傳統保險的對比研究中也更有意義。由于此次調研數據來自車險承保系統、車險理賠系統、核心系統、電子商務系統等多個業務系統數據庫，這些系統采用了DB2、Oracle等多種數據庫，給數據遷移帶來一定難度。為此，本文利用ETL工具Kettle[注]Kettle中文名為“水壺”，是一款國外開源的ETL工具，純java編寫，可以在WindowLinuxUnix上運行，數據抽取高效穩定。完成數據遷移，并建立完整的數據倉庫，數據流向如圖2所示。Kettle 是Pentaho開源商業智能套件中的一個ETL組件，具有開源、高效、設計界面易用且功能強大的特點。

圖2 獲取實證數據

為保證此次客戶特征分析更為科學，選取保險周期在2015-2016年內的客戶數據，這樣既能保證數據時效性，又能保證在分析賠付率等指標時的有效性。由于研究內容涉及客戶特征分析與客戶購買行為意愿，因此本文采用的客戶數據均為投保人數據。在研究客戶特征時，分析流程如圖3所示。

圖3 互聯網保險客戶特征分析流程

2.2 數據預處理與客戶基本特征對比分析

ZH財險自2004年開始信息化建設，逐步啟用包括車險承保系統在內的八大業務系統。由于在系統建設初期沒有形成以客戶為中心的認知，ZH財險客戶數據質量較差，在正式分析前需要進行大量預處理工作。這些工作主要包括：

1) 數據規范。修改不符合規范的數據，包括去除空格、字母大小寫轉換、去除字段中的特殊符號等；

2) 客戶唯一性識別。將身份證號碼作為客戶唯一性識別標識，并通過身份證校驗位完成對身份證的校驗，刪除未通過校驗的無效數據；

3) 缺失值補充。僅用刪除方法處理缺失數據會造成樣本量不足或評估結果偏差，因此借鑒喬麗華[15]、鄧銀燕[16]、龐新生[17]等學者的研究結論，采用多重填補法對缺失數據進行科學填補。

4) 基于RFM的字段選取。首先選取可能對個人態度有顯著影響的客戶基本特征字段，如性別、年齡、收入狀況(機動車購置價)、地區等；然后結合CRM理論中的經典客戶分析模型——RFM模型，選取客戶最近一次的購買時間R(recency)、客戶購買頻度F(frequency)、客戶保費M(monetary)3個指標，如表3所示。

5) 數據集成。將所有指標數據集中在一張表中，最終獲得143 285條有效的互聯網車險客戶信息。

表3 RFM模型指標含義

注：由于數據是2015/2016年度的數據，分析時間點為2017年1月1日

根據搜集數據，運用Excel對互聯網保險客戶的基本特征進行統計分析，并與傳統保險客戶進行對比，其結果如表4所示，可得幾點基本結論：

1) 互聯網保險客戶的評價年齡是37歲，傳統保險客戶的平均年齡是42歲，這說明互聯網保險客戶體現出年輕化的趨勢特征，但并不明顯。而根據《2016中國電商消費行為報告》[18]，26～35歲(80后)年齡段是線上消費的主力軍，保險客戶的年齡明顯偏大。這很好理解，因為機動車保險業務一般限制投保人年齡在16歲以上，且年輕人經濟壓力大、無財富積累、無風險意識，而年長成熟的消費者則樂于通過購買保險管控風險。

2) 車險投保人客戶存在明顯的性別差異。無論是互聯網保險還是傳統保險，男性投保人都占絕大多數，分別達到81.33%和77.24%的比重。

3) 從互聯網車險渠道客戶的地區分別來看，華東地區占比達77.26%，西北地區僅占0.88%，反映出我國各地區在互聯網與互聯網保險的普及方面差異較大，發展不均衡，也反映出華東地區消費者超前的消費模式轉變，特別是“江浙滬”地區的消費者已將網上消費培養成習慣。

表4 互聯網保險客戶與傳統保險客戶的基本特征對比

2.3 基于K-Means的客戶細分

利用clementine12數據挖掘工具中的K-Means模型對ZH財險的148 235條符合研究要求的客戶信息進行聚類分析，從而完成客戶的精確細分。K-Means算法最早由MacQueen提出[19]，因易于描述、時間效率高、適于處理大規模數據等優點，得到廣泛應用[20]。它的基本思想是：使n個數據點{x1,x2,…,xn}到與它最近的聚類中心{a1,a2,…,ak}的距離平方和Wn最小。Clementine中的K-Means模型用歐幾里德距離來計算類內差異和類間差異。歐幾里德距離一般用來測量n維空間中兩點之間的距離。Wn、類內差異、類間差異的公式如下。

目標函數：

(1)

類內差異：

(2)

類間差異：

(3)

圖4 各K值對應的類間評價相似度

K-Means聚類的相關統計量總結在表5中。

表5 K-Means 聚類結果匯總

根據以上聚類結果，ZH財險互聯網車險客戶可以細分為4類：

1) 核心客戶群體——華東地區男性投保人客戶(聚類1)。這部分客戶有82 079條記錄，占全部記錄的55.37%。年齡分布以中年為主，與整體互聯網車險客戶年齡分布基本一致。這部分客戶近期購買次數的平均值為2.067，在4類客戶群體中最高，整體較活躍。

2) 高潛力客戶群體——年輕的女性白領客戶(聚類2)。這部分客戶年齡在26～40年齡段，有28 965條記錄，占全部記錄的19.54%。長期以來，我國男性是駕車主體，男女數量差距較大，但在國外，男女對機動車輛的消費幾乎同步。近年來隨著我國女性駕車比例逐年攀升，女性成為了機動車消費的潛力人群，具有極大的市場空間。女性機動車輛消費的提升勢必引起女性投保人客戶群體的增長。

3) 高價值客戶群體——富裕型女性投保人客戶(聚類3)。這部分客戶的平均保費為4類客戶群體中最高，平均機動車價值也最高，有15 033條記錄，占全部記錄的10.14%。這部分客戶的年齡偏大，基本集中在41～55年齡段，說明這部分客戶具有較好的財富積累，也是ZH財險比較有價值的客戶群體。

4) 其他地區男性投保人群體(聚類4)。這部分客戶近期保費M(monetary)均值和近期投保次數F(frequency)均值在4類客戶中均最低，客戶價值有限，但客戶數量有一定占比(14.95%)，因此不能忽視。

3 消費者互聯網保險購買意愿的模型構建與實證檢驗

3.1 模型的理論依據與構思

前面探究了互聯網保險客戶群體的基本特征，這些特征因素在一定程度上決定了消費者互聯網保險的購買行為意愿。但是，影響購買意愿的因素是多方面的，尤其是心理因素，本文擬綜合計劃行為理論(theory of planned behavior,TPB)和技術接受模型(technology acceptance model,TAM)，運用結構方程模型進行相關探究。

所謂意愿，是指個人從事特定行為的主觀概率，購買意愿即消費者愿意采取特定購買行為的幾率，是購買行為的預測因素。雖然學術界對購買意愿是否能有效預測購買行為這一問題上尚未達成一致，但多數研究支持用購買意愿研究購買行為。在研究購買意愿方面，計劃行為理論是主流理論之一，認為意愿是由消費者對于事物的態度(attitude)、反映社會環境影響的主觀規范(subjective norm)和感知到的難易程度——感知行為控制(perceived behavior control,PBC)3個方面共同決定。行為主體對某一行為的態度越趨向于正面，感知到的社會環境壓力越大，執行行為的信心越足，對待該行為的意向表現得越強烈[21]。已有文獻中，計劃行為理論對可持續生產產品的購買意愿、家電下鄉產品的購買意愿、倫理購買決策機制、延遲購買偏好反轉等均有很強的解釋力[22-24]。

除了計劃行為理論，也有學者關注信息技術的采納和使用。Davis從行為科學的視角，在理性行為理論(TRA)的基礎上提出了技術接受模型。該模型指出有兩個因素影響著行為主體是否愿意或能夠使用信息技術，分別是感知有用性(perceived usefulness,PU)和感知易用性(perceived ease of use,PEOU)[25]。感知有用性是體現用戶感覺或者意識到使用某一具體的信息技術系統對其工作、生活提高的程度大??；感知易用性反映用戶感知到其使用一種系統的難易程度。TPB和TAM模型分別從不同視角進行了考慮，整合這兩種視角，可獲得更全面、完整的模型。

基于此，本文提出如圖5所示模型。

圖5 模型構思

本文構思的模型涉及感知有用性、感知易用性等共6個變量，針對各個變量的測量，學術界均已開發出成熟的量表。在設計調查問卷時，為了保證測量的內容效度，本文使用這些成熟的量表(參見表6)，且均為李克特七級(完全不同意—完全同意)量表[26-29]。

表6 各預測變量測量題項與依據

3.2 結構方程模型的實證分析

筆者通過問卷調查的方式獲取數據，在正式發放問卷前，先通過偶遇抽樣(accidental sample)方法，在高校周圍進行預調查。由于互聯網保險概念較新，因此在問卷中添加對互聯網保險的解釋。預調查共回收45份問卷，通過填寫反饋情況，結合專家意見，對部分題項進行修整，編制出正式調查問卷。正式問卷通過兩種途徑發放：一是紙質問卷現場發放，二是委托專業調查平臺——問卷星(http://www.sojump.com)進行網絡發放。最終，共發放問卷300份，回收問卷277份，進一步剔除數據缺失、前后矛盾以及明顯規律性作答的無效問卷后，剩余有效問卷263份，有效回收率87.67%。

1) 信效度檢驗

首先進行信效度檢驗。運用SPSS 19.0，以Cronbach’s α 系數作為信度的判斷標準，0.5以上符合基本要求，0.7以上說明信度良好。信度檢驗結果如表7所示?？梢姡凶兞康男哦认禂稻?.5以上，最高信度值達0.93，整體量表的信度值為0.867，說明信度狀態較好，通過了信度檢驗。

表7 信度檢驗結果

在效度檢驗中，建構效度又分為收斂效度和判別效度。按照吳明隆[30]的觀點，一般以3條標準評估收斂效度：① 標準因子載荷大于0.5，0.7以上更理想；② 組合信度值在0.6以上；③ 平均提煉方差(AVE)大于0.5。運用AMOS21.0得到表8的結果?？梢?，除了個人態度的最小因子載荷略低于0.5(0.477)和感知行為控制的組合信度略低于0.6(0.590)，其他均符合收斂效度的要求，說明收斂效度良好。判別效度檢驗的傳統做法是比較因子本身的AVE值的算術平方根是否大于該因子與其他因子的相關系數。由表8中的AVE值和最大相關系數計算得出，所有變量的判別效度均通過了檢驗。

2) 結構方程分析

以AMOS21.0為工具，進一步探究調查所得的問卷數據和假設模型是否擬合，即進行模型的適配度檢驗，檢驗的指標主要包括X2/df、RMSEA、RMR、CFI、GFI、NFI、RFI、IFI和TLI，如表9所示?？梢?，量表的所有指標均達到適配的標準值要求，模型擬合度好，無需進行模型修正。

表8 效度檢驗結果

表9 互聯網保險購買意愿模型常用擬合指數

結構方程模型共包含7條路徑，各個路徑的模型參數估計總結在表10中?？梢姡薈A←PU(個人態度←感知易用性)沒有通過顯著性檢驗(P=0.109)之外，其他各條路徑均通過顯著性檢驗。而且各個路徑的系數符號均為正，說明各變量對購買意愿的影響均為正向影響；通過標準系數對比，可以發現主觀規范對購買意愿(BI←SN)的影響效果(0.572)以及感知行為控制對購買意愿(BI←PBC)的影響效果(0.644)均明顯大于其他路徑，感知行為控制影響最大。這可能和互聯網保險認知度高有關，且感知有用性和感知易用性均對購買意愿起到顯著正向作用。值得注意的是，根據溫忠麟等[31]的判斷標準，個人態度在感知有用性與購買意愿之間起部分中介作用(BI←CA←PE)，而個人態度在感知易用性與購買意愿之間并未起中介作用。

表10 路徑模型參數估計

注：*代表顯著性水平P<0.05，**代表P<0.01，***代表P<0.001

4 結論與啟示

本文以ZH財險的互聯網車險客戶數據和問卷調查數據進行實證分析，運用K-Means聚類技術完成客戶細分，并綜合TPB和TAM理論構建消費者互聯網保險購買意愿模型，運用結構方程模型檢驗該模型。通過研究得出以下基本結論

1) 通過特征分析與對比，發現互聯網保險客戶在年齡分布和地區分布上與傳統保險客戶存在差異，互聯網保險客戶更為年輕且集中在華東地區；

2) 經過K-Means聚類的客戶細分，發現互聯網車險的核心客戶群體——華東地區男性投保人客戶、高潛力客戶群體——年輕女性百麗客戶、高價值客戶群體——富裕型女性投保人客戶；

3) 通過結構方程模型，證明感知有用性、感知易用性、個人態度、主觀規范、感知行為控制均對互聯網保險購買意愿有顯著的正向影響，個人態度在感知有用性與購買意愿之間起部分中介作用，而且由于消費者普遍對互聯網保險認知度不高，造成對購買意愿影響最大的因素為反映個人掌控能力的感知行為控制因素和反映環境壓力的主觀規范因素。

針對以上結論，本文對互聯網保險經營發展提出以下建議：

1) 在營銷策略上，根據客戶細分結論，重點向華東地區投放廣告；充分利用大數據、云計算等技術挖掘潛在重要客戶，并通過多種渠道進行精準營銷；在投放線下廣告時，重點投放在男性客戶經?；顒拥膮^域，在針對高價值客戶群體營銷時，采用交叉銷售的形式增加客戶續保率。

2) 在產品設計上，重點關注核心客戶群體的保險需求，并提供可定制的個性化保險產品，在照顧核心客戶群體需求的基礎上盡可能擴大產品的受眾。由于互聯網保險購買意愿受感知行為控制影響最大，互聯網保險產品的業務流程設計應注重用戶友好性與操作上的簡易性，保證消費者能夠自如地在線完成投保、承保、核保、保全和理賠等保險業務。

3) 在產品服務上，盡可能大地提升客戶滿意度，因為主觀規范對互聯網保險購買意愿的影響非常顯著，只有讓現有的互聯網保險客戶獲得良好的服務體驗，才能在市場中贏得口碑，在消費者群體中形成羊群效應。