大數據技術在財產保險反欺詐中的應用研究綜述

張巍巍，吳恒亮

（山東工商學院 管理科學與工程學院，山東 煙臺 264005）

0 引言

據2019 年7 月發布的《財富》世界500 強企業排行榜，我國有9 家保險企業上榜，實現了歷史性新突破。在財富管理背景下，各家保險公司通過產品創新不斷增強其競爭能力，財產保險已從以前單純的保障型產品，被開發成集“保障性、儲蓄性和投資性”于一身的投資型產品，受到保險市場的廣泛關注。但是，財產保險欺詐現象卻呈現出逐年遞增態勢，成為制約我國財產保險行業持續健康發展的重要因素之一。據銀保監會統計，2019 年我國財產保險業務保費收入11649 億元（占比達27%），賠付支出7279 億元。中國人民大學教授孟生旺曾指出，我國保險公司在每年的賠款中，至少有10%～20%的賠付屬于保險欺詐。惡意欺詐行為的存在，一方面給保險公司帶來了巨額經濟損失，另一方面，也會嚴重損害投保人享有的正當權益，必將限制財產保險參與社會管理的功能。當前，財產企業保險數據呈現出海量、多樣和異構等大數據特點，傳統的經驗式、數據式欺詐行為檢測技術和方法已經無法適應新的大數據環境。因此，在大數據背景下開展財產保險反欺詐研究具有重要的現實意義和應用價值。

1 國內外研究的現狀

中國銀保監會2018 年24 號文《反保險欺詐指引》中提出，要充分發揮大數據在保險反欺詐工作中的技術優勢，不斷探索和建立多個險種的保險反欺詐大數據技術平臺，為保險行業提供欺詐風險分析和預警監測等服務。同年，由中國保險學會牽頭，成立了智能保險風險控制實驗室，著力研究云計算、大數據以及人工智能等技術與保險風控的融合問題，重點開展保險行業的反欺詐和反滲漏等相關研究和技術推廣活動。

1.1 財產保險欺詐檢測方法研究

Picard P（2001）在《Handbook of Insurance》中指出，保險欺詐是指保單所有人（Policyowner）未能真實地報告他們所遭受損失的大小，往往通過擴大損失來獲取更多的賠償；或故意偽造了一個從沒有發生的事故索取賠償；或在簽訂保單時，未能如實報告相關的信息等行為。從國外來看，有關財產保險欺詐檢測的文獻比較多，尤其是在歐美一些比較發達的國家，在理論、實證等方面的研究已經比較成熟和完善。其中，理論研究主要圍繞社會心理學、博弈論等領域。在實證方面，早期研究多借助于傳統的統計方法和模型來檢測保險欺詐行為，如Ridit 模型、Probit 模型、AAG 模型和Logistic 模型等。不過，隨著機器學習、人工智能等技術的出現，越來越多的學者開始關注神經網絡、決策樹、模糊聚類等數據挖掘和機器學習方法（如Li 等，2018；Majhi 等，2019），并取得了比較好的欺詐檢測效果。

在國內，定性分析研究比較多，涉及保險欺詐類型、形成原因和防范對策等方面，如葉明華（2007）基于信息不對稱理論，從心理學角度分析了保險投保人和被保險人進行欺詐的主要心理動因及防范對策等問題。相關的定量研究還比較少，如劉軼（2017）通過建立Logistic 模型探索保險欺詐行為的形成和作用機理，并給出了限制保險欺詐行為的具體對策。陳迪紅等（2017）通過構建PSD－LDA 模型對我國保險公司因欺詐類操作風險產生的損失進行了定量分析。近幾年，國內一些學者已開始使用數據挖掘、機器學習等技術進行保險欺詐行為檢測，相關實證研究逐漸增多，如李秀芳等（2019）對不同Bagging 集成算法和學習器組合在保險欺詐檢測中的性能表現進行了實證檢驗，結果表明，機器學習技術與傳統的檢測方法相比，具有良好的甄別效果；同時指出，需要根據不同欺詐檢測場景選取不同的機器學習算法和方法，以提高欺詐識別效果。

1.2 大數據技術領域相關研究

近幾年來，大數據科學與工程技術已發展成為科學界最為熱門的研究課題之一，受到學者、政府及業界的高度重視，其應用已深入到金融、工業、醫療、教育等眾多領域。從國外來看，學者們對大數據概念的研究相對比較深入，且將研究重點放在大數據技術上，重點關注大數據分析算法及系統效率等問題（NS Islam 等，2015）。從國內看，學界對大數據概念的研究并不是很充分，往往是引用國外的定義進行闡釋，研究重點多側重于云計算、大數據、數據挖掘、并行計算及分布式處理等技術方面的問題。黃宜華（2015）指出，進入大數據環境，為實現高效的機器學習任務，需要一個同時支持大規模數據處理和機器學習算法的大數據機器學習系統；劉志強等（2015）提出了一個基于Spark R 的并行化分類算法，與Map Reduce 性能相比有大幅度的提升；針對大數據環境下的大規模語義數據存儲和查詢難題，顧榮等（2017）在Spark 分布式計算框架基礎上設計開發了一套Goldfish 原型系統。研究表明，傳統的數據挖掘和機器學習等技術需要加以改進方能適應今天的大數據計算環境，而且在不同的行業和應用領域也需要不斷探索具體的大數據分析技術。

1.3 大數據技術在財產保險反欺詐領域的應用

在財產保險領域，大數據技術已在西方很多國家得到了比較好的運用，涉及財產保險產品的開發、定價、銷售及理賠等多個方面。歐洲保險及再保險聯盟為促使保險公司之間實現信息共享，組建了一個理賠與承保交換網（簡稱CUE），加大對投保和理賠環節的審查力度，從而發現和制止那些惡意投保和潛在的欺詐行為；全美反保險欺詐辦公署則通過大數據分析技術構建欺詐預測模型，并將模型嵌入到索賠評級系統中，根據評級得分高低來判斷索賠是否存在欺詐成分，從而鑒別出保險數據中所隱含的各種欺詐行為。

國內學者對財產保險大數據技術的應用研究起步略微滯后，且以定性研究為主，多涉及大數據給財產保險管理帶來的影響、價值和挑戰等方面。袁幕琴（2015）分析了我國保險行業存在的主要欺詐行為以及表現、產生的原因和危害，在此基礎上提出了利用大數據技術手段應對保險欺詐的相應防范對策。中國人保財產保險公司監察稽查中心梁曉攀（2017）從思維方式、重視程度、數據共享、風險防控體系等多個方面剖析了目前保險行業反欺詐工作存在的問題，提出了大數據分析方法在財險反欺詐中的幾個具體應用場景。實證方面，王海巍（2016）利用大數據Hadoop 技術框架和聚類算法，對財險企業在投保、核保、勘查、理賠等環節產生的業務大數據進行聚類分析建模，識別具有高危道德風險的行為主體。目前從我國財產保險行業實踐來看，大數據技術在欺詐檢測工作中的應用尚處于嘗試和起步階段。2016 年，由保監會組織建設的“車險反欺詐信息平臺”正式投入使用，使得車險欺詐信息在行業內首次實現了交互和共享，力圖利用大數據欺詐識別模型來輔助保險欺詐稽核工作。雖然取得了一定的成效，但與預期目標仍有很大的差距。黨的十九大做出了推動互聯網、大數據和人工智能技術與實體經濟進行深度融合的戰略部署，創新財產保險反欺詐工作模式、提高保險業的大數據反欺詐實戰能力已成為研究的熱點。

2 研究不足及趨勢

總的來看，目前我國各家保險公司在財產保險反欺詐檢測時，主要還是依賴人工經驗、傳統的數據查詢分析以及統計分析等方法，學術界盡管提出了一些基于數據挖掘、機器學習等技術的保險欺詐識別方法，但多數停留在理論和實驗階段，在實踐中應用得非常少。而且，面對海量的財產保險數據（包括大量的非結構化數據），傳統的財產保險欺詐檢測模式、模型和方法，以及既有的研究成果已經很難應對。所以，研究大數據環境下的財產保險欺詐檢測模式和方法是大勢所趨，已經成為保險反欺詐研究領域中的一個新的熱點。但是，就目前來看，在財產保險領域尚缺乏比較成熟的大數據技術方案及可循的經驗，學界和業界對財產保險反欺詐的大數據技術研究還處于起步、探索階段，對具體操作層面的研究明顯不夠，在保險大數據欺詐檢測模式相關問題的研究上比較籠統，也不夠全面和深入。因此，在未來的研究中，學者們應多關注基于大數據技術的財產保險欺詐檢測模式、實施路徑以及欺詐模型構建等關鍵問題。

3 結論

財產保險的反欺詐研究是一個世界性的課題。由于財產保險欺詐行為形式比較多樣，操作又非常隱蔽，有效識別欺詐行為是財產保險反欺詐研究的重點和難點。從傳統的經驗式和數據式欺詐檢測模式，到大數據分析技術的引入和大數據欺詐檢測模式的提出，財產保險欺詐問題的研究在廣度和深度上得到了延伸和拓展。探討大數據環境下的財產保險欺詐檢測模式、具體實施路徑以及大數據欺詐模型等關鍵問題，可為今后開展基于大數據技術的財產保險反欺詐工作奠定理論基礎。