機動車商業三者險在反欺詐下的承保模式研究

張育儒

摘要：隨著人們生活水平的提高，汽車行業飛速發展，我國機動車保有量逐漸增加，但是近幾年我國道路交通事故不斷發生，不僅造成大量的經濟損失，而且這也給機動車輛保險欺詐提供了機會。文章從反欺詐角度出發，對機動車第三者責任風險及保險進行了研究，使其更加個性化，給予人們更大的保障。首先，文章分析了發生事故以后肇事者對第三者所承擔的民事賠償責任，從造成賠償責任的原因出發，對其與交強險進行區分。其次，從人的因素、車輛因素和環境因素三個方面進行理賠風險識別，查找欺詐因子。再次，根據風險識別的因素確定研究所需的自變量，然后根據自變量建立回歸模型。最后，運用回歸分析的方法進行風險評價和預測，設計承保方案，并運用實例進行驗證。

關鍵詞：機動車三者險;風險分析;保險欺詐;Probit回歸;責任限額

隨著經濟的飛速發展，我國的機動車保有量一直急速增長。據統計，截至2019年，我國機動車保有量達3.4億輛。隨著汽車數量的快速增加，道路交通事故的發生也隨之增加，由于事故的增多，第三者責任險作為在事故中承擔對事故第三方賠償的作用顯得非常重要。近幾年發展以來，以商業第三者責任險為主的汽車保險已經成為保險業的主流。

然而，隨著中國機動車保險行業快速發展，各種風險事件也呈增多之勢，其中最突出的就是保險欺詐。機動車三者險經營狀況直接影響著財險保險公司的穩定性，而車險是保險欺詐的重災區，不僅影響著誠實投保人的利益，而且給保險公司帶來巨大的經濟損失，甚至為了索賠，故意制造事故現場，危害了公共安全。因此，亟需多角度分析理賠風險，識別欺詐因子，運用回歸分析方法對風險進行評價和預測，從而以反欺詐的角度優化機動車三者險承保方案，提高機動車保險發展質量。

目前，我國機動車三者險等車險的反欺詐研究主要包括理論層面和實證層面。在理論層面，主要是是運用信息經濟學理論或博弈理論對其形成原因進行剖析（宗國富和周文杰，2014），在實證層面，通過使用Logistic二元選擇模型和BP神經網絡模型分別對我國江浙滬地區的機動車保險索賠案例樣本進行分析（葉明華，2010、2011）。應用 Logistic回歸方法對廣東車險市場進行分析（劉坤坤，2012）。基于泊松計數方法的回歸模型，研究敏感性特征比例與協變量之間的相關性。（吳琴，劉寅和田國梁，2019）建立以深度學習技術為基礎的車險欺詐識別模型，采用PCA算法對數據進行降維處理，最后將數據應用到不同的模型。（徐徐，王正祥和王牧群，2019）。但是，上述方法沒有從現有的保險事故現場分析機動車保險欺詐問題。而且，我國現有的機動車三者險承保方案呈現標準化、單一化的特點，很難針對不同客戶制定不同的適合客戶的個性化方案。在反欺詐的角度下，承保方案要根據投保人近幾年的出險理賠情況綜合分析，因人而異的制定承保方案。

綜上所述，本文旨在通過對我國機動車第三者責任保險風險分析，從保險事故為出發點，分析引起各種保險事故的風險因素，選擇合適的風險評價的方法對該險種進行風險評估，設計出合理的機動車商業三者險的承保方案，為以后保險發展和完善起到借鑒作用。

一、機動車三者險與交強險的區分

交強險實施后，保險公司對法定業務部分不能以高風險為由拒保或變相拒保，而必須遵循強制汽車責任保險的特殊原則予以承保。無疑增加了保險公司的經營風險。

（一）基本概念的界定

1. 交強險

交強險的全稱是“機動車交通事故責任強制保險”，是由保險公司對被保險機動車發生道路交通事故造成受害人的人身傷亡、財產損失，在責任限額內予以賠償的強制性責任保險。

2. 機動車三者險

機動車三者險的含義是指被保險人或其允許的合法駕駛人員在使用被保險車輛過程中發生的意外事故，致使第三者遭受人身傷亡或財產直接損毀，依法應當由被保險人承擔經濟責任，保險公司負責賠償。自從交強險出臺后，機動車三者險已成為非強制性的保險，可作為交強險的補充。

（二）交強險與機動車三者險區別

機動車三者險采取的是保險公司根據被保險人在交通事故中所承擔的事故責任，來確定其賠償責任;而交強險實行的是“無過錯責任”原則，即無論被保險人是否在交通事故中負有責任，保險公司均將在責任限額內予以賠償。機動車三者險規定了較多的責任免除事項和免賠率;而交強險的保險責任幾乎涵蓋了所有道路交通風險，且不設免賠率和免賠額。機動車三者險是以盈利為目的，屬于商業保險業務;交強險則不以盈利為目的，無論盈虧，均不參與公司的利益分配，公司實際上起了一個代辦的角色。

二、機動車三者險理賠風險識別

（一）人的因素

在有欺詐嫌疑的交通事故中，駕駛員的不安全操作占了較大比重。

1. 駕駛員的心理和生理因素

人的可靠性一般都是很差的，在制造意外交通事故時，人的生理性節奏和各種生理性指標也是隨著某個周期變化的，這種變化導致的不穩定性也會在事故發生的前后有明顯的表現。

2. 駕駛員的年齡因素

汽車發生事故在不同年齡的人中發生的概率是不一樣的。正常情況下，25歲以下的年輕人，非常容易導致惡劣的交通事故;55歲以上的老年人，也容易發生交通事故，但一般都是小事故;25～55歲之間的中青年人，這些人發生交通事故較少。

3. 駕駛員的性別因素

就整體情況而言，男性駕駛員造成重大事故的概率要比女性高，并且在涉嫌保險欺詐的交通事故中，男性駕駛員要遠多于女性駕駛員，其比例比例為4.29%，遠遠大于女性的1.69%。

4. 駕駛員的駕駛經驗因素

駕駛員的駕駛經驗主要是由駕齡體現的。駕齡的長短和事故發生率有一定的關系，一般說來，駕齡越長，肇事概率相對要低，風險也就越低。

5. 駕駛員的學歷因素

駕駛員的文化素質高低與事故發生率有一定關系。高學歷駕駛員的風險要比低學歷駕駛員的風險要低。

6. 駕駛員肇事記錄因素

違章多的駕駛員，其事故發生率也就會高。對于那些幾乎沒有發生過什么違章，但卻發生交通事故的駕駛員，以及經常發生事故，申請理賠的駕駛員，勘查他們的事故現場時要特別關注。

7. 事故第三者與被保險人的關系

機動車三者險的被保險人可以指定為與車主有關聯的任意一人，被保險人、事故第三者及駕駛員都有可能是策劃一起車險欺詐案件的主謀，因此，弄清一起車險索賠案件其中的人員關系也可能成為判斷該案件真假的依據。

8. 是否當天報案

在機動車發生交通事故時，正常情況事故雙方協商后就會決定是否報案，獨立事故更會及時報案，而不法分子會延緩報案時間或偽造成當天報案策劃并實施保險欺詐行為。

9. 是否第三方報案

當事人實施保險欺詐時，可能會讓他人代替其索賠。這里所指的“第三方報案”是指車險報案人非被保險人、車主或駕駛員中的任何一者，即指車險索賠案件是由該起交通事故的第三方人員或事故無關人員報案。

（二）車的因素

車的因素是指發生交通事故并向保險公司索賠的被保險車輛的信息。

1. 汽車品牌

對于調查交通事故而言，汽車的操穩性和緊急制動性至關重要，整體而言，排列狀況為：美系、歐系車<日系車<韓系車<國系車。因此，可以根據事故現場的信息識別事故車輛與保險車輛的同一性。

2. 排氣量

排氣量代表的是汽車的動力性能。動力性能越好，速度越快，對輪胎的要求也越高，根據事故現場的車轍痕跡判斷事故車輛，避免“貍貓換太子”式的保險欺詐行為。

3. 車齡

車齡是指最初車輛購置之日起至投保之日的年限。通常情況下，通過故意制造重大交通事故實施車險欺詐的被保險車輛均為使用年限較長的老舊車輛。

4. 行駛區域

車輛行駛區域是指車輛行駛的地域范圍。車輛的行駛區域受車輛用途影響，車輛用途分為非營運、出租客運和貨運三種，整體而言，隨著行駛區域的擴大，風險程度也就越大。省內行駛<國內行駛<出入境行駛。

5. 保單生效時間

保險索賠時間與之保單生效時間的間隔可以作為判斷一起保險索賠案件是否為欺詐案件的因素。通常情況下，車險案件索賠時間與保單生效時間的間隔越短，該案件是欺詐案件的可能性越大。

6. 已有索賠次數

國內外既有文獻大多數將索賠車輛以往的索賠次數作為識別機動車保險欺詐的重要指標之一。尤其是短期內在多家保險公司投保并索賠的人員應加大審查力度。

（三）環境因素

因為機動車交通事故都是發生在行駛過程中，因此受天氣環境、地理環境、社會環境因素的共同影響。

1. 天氣環境

風、雨、雪及霧霾、沙暴等天氣不僅會加大交通事故的發生概率，而且會損壞原有的事故現場，加大現場調查難度，為不法分子進行保險欺詐提供了條件。因此，查勘人員不但要快速趕往事故現場，還要留意外圍相關現場，從而認定事故的真偽性。

2. 地理環境

這里的地理環境指的是事故發生地點即出險地點的地理環境。主要包括地域地貌、路面狀況和出險地段。通常故意制造保險事故和隱瞞真實事故經過而進行保險欺詐索賠的案件發生在相對落后人流量較小的地貌復雜、路況較差的偏僻地段。

3. 社會環境

社會環境有時對機動車三者險理賠的風險具有很大的影響，具體表現在以下兩個方面。

第一，法制環境對于機動車輛風險的影響主要有兩個方面：一是被保險人和駕駛員的法制觀念。二是法制環境良好的地區，一旦發生交通事故，對事故的處理都是嚴格按照法律程序進行的。

第二，機動車輛的風險與駕駛人文環境有著密切的聯系。相對而言，生活在城市中的人受教育程度和對交通法規的熟悉程度普遍比生活在農村的人高，因而，城市的人文環境風險較低。

三、建立回歸模型

由于本文的被解釋變量是離散型變量，因此模型的估計使用離散被解釋變量數據模型，本文釆用的方法是二元Probit回歸分析方法。二元Probit模型是一種利用累積正態分布函數的變形來規避線性概率模型無界性問題的虛擬被解釋變量模型估計方法。多元解釋變量的Probit模型為：

式中，Pi表示虛擬變量Yi=1的概率。Zi代表β0+β1x1i+β2x2i，S表示標準化的正態變量。

整理后的Probit模型為：Zi=?-1（Pi）=β0+β1x1i+β2x2i 式中?-1是標準正態的累積分布函數的反函數。Probit模型是非線性模型，采用極大似然估計方法對模型中的未知參數進行估計，其基本思想是如果在一次觀察中某一事件出現了，那么此事件出現的可能性很大，所以得出的估計應當有利于該事件的出現，使其出現的概率最大，進而估計出參數。

（一）研究變量的確定

在二元Probit回歸分析部分，先使用 SPSS 22.0 軟件分析。該分析是為了得出各欺詐因子變量對判斷保險欺詐影響的顯著性大小。目的是通過該檢驗分析出上述欺詐因子變量與保險欺詐之間的相關程度，旨在進行Probit分析前剔除無效指標。檢驗結果如表 1 所示。

由此，列出欺詐因子變量（見表2）。

（二）研究模型的構建

Yi表示第i個投保人是否發生風險，即Yi=1和Yi=0分別代發生和不發生欺詐。

對以上研究模型進行回歸計算，得出表3。

四、承保方案設計

保險承保是保險人對愿意購買保險產品的投保人所提出的投保申請進行審核，做出是否同意接受和如何接受的決策的過程。在反欺詐的角度下，機動車三者險承保方案會有以下調整。

（一）責任限額

從風險角度出發，責任限額應該覆蓋風險。機動車第三者責任險設計的目的就是為了保障被保險人賠償能力，同時進一步彌補了受害消費者的損失。設函數 F 為責任限額，R 為風險，c 為修正系數，L 與 P 分別表示風險的損失程度和損失概率二維參數，則根據責任限額與風險之間的關系，建立函數關系式：

（二）免賠額

免賠額的設立可以有效降低小額賠案的數量，減少保險人小額的賠款支出和人力物力資源的浪費，使被保險人與保險人在一定程度上風險共擔，規避理賠過程中的道德風險和保險欺詐。

（三）實例驗證

投保人，李某;性別，女;年齡，21歲，有1年的駕駛年齡，連續1年未出險。給一輛使用13年的汽車投保機動車商業三者險，車輛重置價格為42萬，上次理賠記錄為36000元。

建議該車主投保1年的機動車商業三者險，根據之前的反欺詐回歸方法計算保費，首先計算可能性等級：

年齡的初始值為18歲，該車主年齡為21歲，年齡因素的回歸值為負，因此年齡因素得出的發生風險的概率為：100-（21-18）*2.38095%=92.875%。

肇事索賠次數的初始值為0，該車主連續1年未出險，連續未出險的回歸值為負，因此肇事索賠次數因素得出的發生風險的概率為：100-（1-0）*9.4526%=90.5474%。

車齡的初始值為0，該車的車齡為13年，車齡因素的回歸值為正，因此車齡因素得出的發生風險的概率為：（13-0）*5.8824%=76.4712%。

駕齡的初始值為0，該車主的駕齡為1年，駕齡因素的回歸值為負，因此駕齡因素得出的發生風險的概率為：100-（1-0）*4.3478%=95.6522%。

根據以上的概率得出可能性概率為67.9347%，其可能性等級為頻繁。之后計算嚴重性等級：

安全理賠系數的初始值為1，該車的安全理賠系數為1，安全理賠系數的回歸值為正，因此安全理賠系數因素得出的嚴重程度為：1*19.5467%=19.5467%。

理賠金額的初始值為0，該車的上一次理賠金額為36000元，理賠金額的回歸值為正，因此理賠金額因素得出的嚴重程度為：36*2.6762%=96.3432%。

根據以上的嚴重度計算得出總的嚴重程度為77.5112%，其責任限額為82萬元。由此可求出其費率R′=R*C=1.47%*1.2=1.764%，其保費為820000*1.764%=14464.8元。

五、結語

為了更科學的收取保費，本文主要分析以下幾個欺詐因子。

駕駛人年齡對發生欺詐的影響駕駛人年齡每增長一歲，其發生風險的概率降低2.3809%，但保險欺詐概率上升。

肇事索賠次數對發生欺詐的影響短期多次肇事索賠，其風險概率極高，極易發生欺詐行為。

車齡對發生欺詐的影響車齡越大，此次交通事故為人為欺詐事故的概率越大。

駕齡對發生欺詐的影響駕齡越長，駕駛水平越高，發生風險的概率越低，但保險欺詐概率上升。

安全理賠系數通過對上述欺詐因子的分析，確定機動車三者險理賠安全性，系數越高越安全。

理賠金額

根據有無欺詐嫌疑及責任限額確定理賠金額。在反欺詐的角度下，先識別欺詐因子，然后根據其安全理賠系數，因人而異的制定承保方案。

參考文獻：

[1]吳興剛，胡尚永.保險欺詐行為及對策[J].上海保險，1997（06）：36-38.

[2]李玉泉.論保險欺詐及其對策[J].保險研究，1998（12）：35-38+26.

[3]衛新江.保險欺詐防范方法之一：關鍵指標法[J].中國保險，2006（01）：64.

[4]曹紅欣.論汽車保險欺詐及防范[J].管理觀察，2008（22）：207-208.

[5]葉明華.構建我國機動車保險欺詐識別的指標體系——基于江、浙、滬機動車保險索賠樣本數據[J].保險研究，2010（04）：83-87.

[6]劉坤坤.車險保險欺詐識別和測量模型實證研究——基于廣東省車險歷史索賠數據[J].暨南學報（哲學社會科學版），2012，34（08）：89-93.

[7]He H，Wang J，Graco W，et al.Application of neural networks to detection of medical fraud[J].Expert Systems with Applications，1997，13（04）：329-336.

[8]Cowell R G，Verrall R J，Yoon Y K.Modeling Operational Risk With Bayesian Networks[J].Journal of Risk & Insurance，2007，74（04）：795-827.

[9]尤冰寧.保險欺詐的風險防范及處理——以車輛保險欺詐為路徑[J].上海保險，2018（03）：13-18.

[10]劉軼.基于 Logistic 模型的保險欺詐分析[J].金融經濟，2017（14）：140-141.

（作者單位：沈陽航空航天大學安全工程學院）