UBI新模式下的汽車保險教學方法探討

施雯 雷毅 蔣司楊

引 言

汽車保險定價模式發展經歷了保費定價、車型定價和使用定價（Use-Based Insurance，UBI）三個階段。顧名思義，UBI車險定價模式就是根據車主對機動車的實際使用情況評定駕駛員的行車安全分值，再利用行車安全分值來確定保費多少的個性化定價模式。2017年，保監會發布《關于商業車險費率調整和管理等有關問題的通知》，將費率與投保車主的駕駛風險掛鉤，為UBI車險定價模式在我國的推廣奠定了政策基礎。近年來，車載診斷系統（On-Board Diagnostic System，OBD）技術的成熟和智能手機的普及為UBI車險的推廣提供了硬件支持；車聯網、5G技術、大數據、云端存儲技術為UBI車險的推廣提供了軟件支持。

除了政策、硬件和軟件支持外，UBI保險的發展也離不開專業的UBI保險從業者。目前，國內投保人對UBI定價模式的接受程度還比較低，其中有一個重要原因是保險從業者對這一新興模式不熟悉。當投保人向保險從業者咨詢UBI定價模式的相關問題時，保險從業者難以給出準確解答，這會增加投保人對這一保險定價模式的疑慮。因此，UBI新模式下蓬勃發展的汽車保險行業急需專業人才。

《汽車保險與理賠》課程作為汽車相關專業和保險專業學生的必修課程，存在內容跨度較大、實踐技術水平要求較高等特點。在實際教學過程中，存在授課缺乏實踐性、實訓缺乏時效性等問題，這使得學生對課程的興趣不大，教學效果較差。為了解決以上問題，有專業人士提出了將《汽車保險與理賠》教學與信息化技術相結合的方法。

目前，我國對《汽車保險與理賠》課程的信息化授課方式尚在初步探索中，UBI新模式下的信息化教學手段也不太多。而UBI車險定價模式本就依托信息化技術而生，對此，本文提出了構建虛擬仿真平臺，還原車險報給厘定流程的互動教學模式，以期提高汽車保險教學的質量。

UBI保險的硬件基礎

UBI車險定價模式的核心是通過車聯網OBD設備或者智能手機采集的駕駛員駕駛行為數據和車輛行駛數據，可以說車聯網OBD設備和智能手機是實現UBI車險費率定價模式不可或缺的硬件基礎。

OBD最初的設計目的是為了方便機修人員檢測車輛各部件的氣體排放量并以此來檢測車輛故障情況。隨著技術不斷發展，如今的OBD接口能夠采集發動機轉速、行車里程、油耗、車輛故障碼等基本數據。這些數據通過車聯網技術上傳到保險公司終端，保險公司再利用這些數據進行建模分析就能得到駕駛員的駕駛行為習慣和汽車使用狀況。智能手機內置的傳感器也可精準記錄駕駛員的駕駛行為及車輛使用數據。OBD及智能手機數據處理過程如圖1所示。

圖1 OBD及智能手機數據處理過程

UBI保險教學的互動模式

在教學中，僅用傳統的理論傳授，效果并不理想，學生無法充分理解知識。基于此，本文通過構建虛擬仿真平臺，還原UBI車險保費厘定的流程，以有效彌補純理論教學的不足，啟發學生對知識的好奇心，使其更加深刻地理解UBI車險。

該實驗用角色扮演的方式使學生深度體驗UBI車險保費厘定流程。通過學習，學生可以對UBI保險產生深刻認識。在實驗中，學生能夠理解UBI車險數據的產生、認識駕駛風險因子、熟悉車險定價流程、掌握車險大數據處理方法、學習前沿的算法模型，可將理論知識融入實踐，提高自身綜合素質。

實驗共分為三個環節：駕駛行為數據的獲取、數據的分析處理、駕駛風險建模及優化。這三個環節環環相扣，學生可在交互式的體驗中逐步掌握UBI車險的運作流程。

1.駕駛行為數據的獲取

在該環節中，學生可熟悉UBI車險數據的產生過程，獲知車輛速度、駕駛時長、道路位置坐標、方向盤轉角等駕駛行為信息。

該環節首先需搭載虛擬仿真平臺。由于車輛的運行環境由人、車、路和環境融合而成，人的年齡、駕齡及駕駛行為等因素，車的車型、車齡等因素，道路的擁堵情況和道路狀況（上下坡、泥濘坑洼路段、夜間無路燈路段）等因素，以及環境狀況（霧霾、雨雪、晴天）及地形情況（平原或山地）等因素均對可能對車輛的出險情況造成影響，進而影響車險索賠，所以，搭載虛擬仿真平臺時應在系統內置不同的車型、道路及環境。該系統為每個學生創建不同的ID，用于身份識別。

平臺應盡可能地還原真實駕駛的體驗感，在該平臺下，學生扮演駕駛人的角色，駕駛車輛行駛在虛擬道路中。顯示屏上可實時顯示車輛的速度、位置及駕駛時長等信息。在實驗中，系統實時采集駕駛行為相關數據，采樣頻率為10Hz。每次實驗結束，系統都會自動生成駕駛行為相關的原始數據，學生提取該數據，初步了解駕駛行為數據的構成，理解數據的產生，為后續實驗做好準備。

2.數據的分析處理

在該環節中，學生進行原始數據的分析處理，并提取特征向量，創建特征集，掌握UBI車險大數據處理的方法。該環節可與某保險公司合作，獲取其若干份某段時期內的車險保單承保信息和出險信息，以及這其間的駕駛行為原始數據（包括時間、車速、方向盤轉角和行駛里程等）。

拿到原始數據后，學生應先對數據進行描述性統計分析，分析數據的均值、方差、中位數、最大值、最小值等。在了解數據基本情況的同時，查看哪些數據是不合理的，即有無異常點、噪音等情況。清洗不合理數據，再進行特征提取，提取出與UBI車險相關的變量信息，如急加速次數、急減速次數、急轉彎次數、急剎車次數、行駛里程、夜間行駛時間和平均車速等。學生可根據以往的知識積累和自己對駕駛風險的理解，選擇可能對駕駛風險有影響的特征，創建新的數據集，為風險建模做準備。

3.駕駛風險建模及優化

在該環節中，學生學習使用精算模型進行車險保費的厘定。

目前，廣義線性模型（GLM）在車險保費厘定領域的應用極為廣泛。例如通過邏輯回歸模型分析出險的概率，通過泊松回歸預測出險的頻次，通過伽馬回歸分析每次出險的索賠強度，還可以通過Tweedie類分布分析預測用戶出險的純保費等。

因而，實驗系統內置有GLM模型。該模型的生成需要學生自由設置變量選擇、分布選擇和連接函數選擇三大模塊。其中，變量選擇包括駕駛人屬性、車輛屬性、駕駛行為屬性；分布選擇包括泊松分布、二項分布、正態分布、逆高斯分布、伽馬分布等；連接函數選擇包括identity連接、log連接、logit連接等。在不同模塊選擇不同的變量和參數，即可實現對出險概率、索賠頻率、索賠強度及車險純保費的預測。

學生也可以調整上述參數以優化模型。在進行特征參數優化時，學生可分析用戶身份及其駕駛行為信息與出險概率、索賠頻率、索賠強度及車險純保費之間是否存在顯著關系，剔除不顯著的特征，再重新擬合，進一步優化模型。

基于預測的純保費，學生可實現UBI保費的定價，然后隨機挑選若干投保用戶來驗證定價策略的合理性與可行性。在檢驗合理性時可發現，索賠金額越高的用戶，其駕駛行為有出險的更大可能性，預測純保費相對較高，相應的UBI保費價格也較高；與此相反，未發生車險索賠的用戶，其駕駛行為習慣相對安全，預測純保費較低，相應的UBI保費價格也較低。

結 語

物聯網、大數據等新興技術快速發展的今天，基于駕駛行為的UBI車險定價正逐漸成為汽車保險行業的主流。在此背景下，汽車保險教學的內容及方法也應不斷發展以適應行業需求。本文通過構建虛擬仿真平臺，用三個實驗環節真實還原UBI車險保費厘定的流程，使學生在實踐中逐步掌握UBI車險的相關知識，并培養學生自主學習、團隊協作和實踐動手的能力，促進了教學一體化，滿足了高等院校對教學質量的要求。