保險(xiǎn)索賠機(jī)會(huì)欺詐識(shí)別研究

周建濤,張睿,周建波

摘要：汽車三責(zé)險(xiǎn)人傷夸大索賠是一種廣泛存在的機(jī)會(huì)欺詐，但被社會(huì)道德譴責(zé)的程度較輕，如果不加以遏制，將對(duì)社會(huì)產(chǎn)生不良誘導(dǎo)。理論上，基于時(shí)間成本、信息搜集成本、道德感等因素建立適合法院判決樣本的機(jī)會(huì)欺詐模型，針對(duì)參數(shù)對(duì)夸大索賠的影響進(jìn)行蒙特卡洛模擬。實(shí)證上，通過非參數(shù)統(tǒng)計(jì)和回歸統(tǒng)計(jì)，分析肇事者事故責(zé)任比例、索賠人失業(yè)等影響夸大索賠因素的作用機(jī)制，使用決策樹方法識(shí)別夸大索賠，發(fā)現(xiàn)對(duì)較嚴(yán)重、額度較大的機(jī)會(huì)欺詐進(jìn)行預(yù)測(cè)效果更優(yōu)。為此，保險(xiǎn)公司應(yīng)建立明確的賠付規(guī)定，減少信息不對(duì)稱帶來的不良影響，相關(guān)部門要注重憑據(jù)規(guī)范，使責(zé)任劃分更加精細(xì)。

關(guān)鍵詞：汽車三責(zé)險(xiǎn)；保險(xiǎn)索賠欺詐；法院判決金額；人傷夸大索賠；保險(xiǎn)理賠額

中圖分類號(hào)：F842.6 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-2101（2023）03-0089-13

一、引言

保險(xiǎn)索賠欺詐在全世界范圍內(nèi)都是一個(gè)歷史久遠(yuǎn)的問題，具有低風(fēng)險(xiǎn)、高收益的特征［1］，對(duì)金融業(yè)、社會(huì)風(fēng)氣均有著不小的危害，而且其規(guī)模一直以驚人的速度擴(kuò)張［2］。保險(xiǎn)索賠欺詐分為兩類：硬欺詐和軟欺詐，前者指被保險(xiǎn)人故意制造保險(xiǎn)事故來獲得保險(xiǎn)賠償?shù)男袨椋笳咭卜Q為機(jī)會(huì)欺詐，指在保險(xiǎn)事故發(fā)生后，故意夸大保險(xiǎn)事故的損害值來獲取高于應(yīng)該賠付的額外利益的行為。從社會(huì)道德判斷的角度看，被保險(xiǎn)人故意夸大損害值的行為甚至比小偷小摸更容易被社會(huì)接受［3］。由此可見，保險(xiǎn)軟欺詐十分普遍。由于我國汽車三責(zé)險(xiǎn)普及、保險(xiǎn)公司理賠過程的粗糙處理以及應(yīng)對(duì)汽車三責(zé)險(xiǎn)索賠欺詐的不完善，汽車三責(zé)險(xiǎn)軟欺詐行為也越來越多，成功率也較高［4］。交通事故若涉及到人員傷亡，由于賠付子項(xiàng)繁多，處理起來十分復(fù)雜，更是給索賠人夸大索賠提供了機(jī)會(huì)。

研究保險(xiǎn)軟欺詐，無論對(duì)于保險(xiǎn)公司還是社會(huì)均有重要意義。對(duì)于保險(xiǎn)公司來說，考慮到訴訟成本、客戶資源和聲譽(yù)風(fēng)險(xiǎn)等，一般很少起訴涉嫌機(jī)會(huì)欺詐的索賠人［5］，為了競(jìng)爭(zhēng)，有的保險(xiǎn)公司盲目承保，在理賠時(shí)疏于審查又加劇了保險(xiǎn)軟欺詐行為的發(fā)生。如果索賠人能夠經(jīng)常從保險(xiǎn)軟欺詐中獲利，將會(huì)誘發(fā)道德風(fēng)險(xiǎn)，動(dòng)搖保險(xiǎn)的根基［6］。保險(xiǎn)公司如果能夠識(shí)別出哪些因素與保險(xiǎn)夸大索賠有著密切的關(guān)聯(lián)，將會(huì)降低識(shí)別機(jī)會(huì)欺詐的成本，并且減少經(jīng)濟(jì)損失。對(duì)于社會(huì)來說，由于保險(xiǎn)機(jī)會(huì)欺詐得到賠付的時(shí)間較短且成功率較高，在一定程度上會(huì)加劇道德風(fēng)險(xiǎn)，造成整個(gè)社會(huì)心態(tài)浮躁，給社會(huì)風(fēng)氣帶來不良影響，不利于構(gòu)建社會(huì)主義和諧社會(huì)。此外，由于機(jī)會(huì)欺詐的影響，保險(xiǎn)公司的經(jīng)營成本會(huì)上升，引發(fā)保費(fèi)上升，而在無法識(shí)別保險(xiǎn)機(jī)會(huì)欺詐行為的情況下，通常由每個(gè)投保車主共同分擔(dān)。因此，加強(qiáng)對(duì)保險(xiǎn)機(jī)會(huì)欺詐的識(shí)別，能夠降低每個(gè)車主投保汽車三責(zé)險(xiǎn)的成本，端正社會(huì)風(fēng)氣。

本文主要從如下三個(gè)方面進(jìn)行論述：（1）針對(duì)索賠訴訟樣本構(gòu)建夸大索賠的理論模型，對(duì)于汽車三責(zé)險(xiǎn)人身傷害（以下簡(jiǎn)稱人傷）索賠機(jī)會(huì)欺詐行為具有針對(duì)性；（2）使用機(jī)會(huì)欺詐程度作為因變量，而不是以前研究常使用的保險(xiǎn)理賠額（暗含機(jī)會(huì)欺詐）；（3）使用逐步向后回歸法識(shí)別出影響汽車三責(zé)險(xiǎn)人傷索賠機(jī)會(huì)欺詐行為的主要因素，并用決策樹方法驗(yàn)證了這些人傷夸大索賠影響因素的有效性。

二、文獻(xiàn)回顧

國內(nèi)外關(guān)于保險(xiǎn)硬欺詐的研究眾多，主要通過保險(xiǎn)公司的理賠樣本，識(shí)別是否為欺詐以及分析影響欺詐的各種因素。而專門研究夸大索賠或機(jī)會(huì)欺詐的文獻(xiàn)較少，且多是定性分析，定量研究較少。

（一）保險(xiǎn)索賠欺詐的影響因素

1.宏觀經(jīng)濟(jì)的影響。Dionne 和Wang認(rèn)為欺詐在經(jīng)濟(jì)衰退時(shí)更加嚴(yán)重，而在經(jīng)濟(jì)擴(kuò)張時(shí)期緩和，這與經(jīng)濟(jì)衰退時(shí)期人們道德水平下降有關(guān)［7］。Edmark發(fā)現(xiàn)，失業(yè)率每提高1%，欺詐類犯罪提高0.22%［8］，這反映了宏觀經(jīng)濟(jì)對(duì)欺詐的傳導(dǎo)機(jī)制：經(jīng)濟(jì)下行導(dǎo)致失業(yè)人數(shù)增多，這部分人對(duì)保險(xiǎn)賠付額以外的收益更加看重。Jawadi等發(fā)現(xiàn)高失業(yè)率會(huì)增加非暴力犯罪［9］。Husted發(fā)現(xiàn)社會(huì)風(fēng)氣與GDP高度相關(guān)［10］。

宏觀經(jīng)濟(jì)對(duì)欺詐影響的微觀解釋。Dionne 和Wang認(rèn)為，如果經(jīng)濟(jì)衰退使得個(gè)人的經(jīng)濟(jì)條件下降到貧困水平，即使欺詐被發(fā)現(xiàn)，也沒有什么損失［7］。Husted也認(rèn)為，個(gè)人的道德水準(zhǔn)與他們的財(cái)富正相關(guān)，越富有的人越不會(huì)冒險(xiǎn)去獲得不應(yīng)得的利益；如果欺詐失敗，較高的道德水準(zhǔn)使得他們受到內(nèi)心的譴責(zé)，負(fù)面效益較大［10］。Cummins和Tennyson發(fā)現(xiàn)，有的失業(yè)人員收到了相對(duì)高的保險(xiǎn)賠付，因?yàn)樗麄兛梢愿ｋU(xiǎn)公司耗著，幾乎沒有時(shí)間成本［11］。而失業(yè)人員的心理特征在某種程度上也比較符合欺詐類犯罪的行為特點(diǎn)。例如，Creed發(fā)現(xiàn)失業(yè)人員比在職者更有耐心，就源自他們較低的時(shí)間成本［12］。另外，Hartley發(fā)現(xiàn)，失業(yè)人員的風(fēng)險(xiǎn)偏好程度相對(duì)更高，也與欺詐成功帶來的高效益以及欺詐失敗損失較低的特征相符合［13］。

關(guān)于失業(yè)人員的構(gòu)成，Guijarro指出，女性和老年人是結(jié)構(gòu)性失業(yè)的核心，常被排除在就業(yè)復(fù)蘇之外，但這也不能斷定女性、老年人更有索賠欺詐的動(dòng)機(jī)［14］。Kish-Gephart等指出，性別是一個(gè)長(zhǎng)期穩(wěn)定的風(fēng)險(xiǎn)指標(biāo)，可能與性別不同產(chǎn)生不同的風(fēng)險(xiǎn)厭惡程度有關(guān)［15］；Schubert 等發(fā)現(xiàn)女性的風(fēng)險(xiǎn)厭惡程度更高，顯然與失業(yè)人員風(fēng)險(xiǎn)偏好較高的特征截然相反［16］。同樣，Brown也發(fā)現(xiàn)，老年人的風(fēng)險(xiǎn)厭惡程度更高［17］；Gallos、Graddy和Pistaferri還發(fā)現(xiàn)，女性、老年人的談判成本更高［18-19］。Doerpinghaus等發(fā)現(xiàn)，女性司機(jī)承擔(dān)更大過錯(cuò)責(zé)任［20］；進(jìn)一步，Doerpinghaus等發(fā)現(xiàn)，女性司機(jī)理賠額低于男性，可能均源于女性較高的風(fēng)險(xiǎn)厭惡程度和談判成本［21］。這些分析顯示，性別和年齡成為影響保險(xiǎn)欺詐的因素，即女性、老年人既存在因?yàn)槭I(yè)而造成的低時(shí)間成本，又有著較高的風(fēng)險(xiǎn)厭惡程度和談判成本。

2.事故本身特征對(duì)索賠硬欺詐的影響。葉明華發(fā)現(xiàn)，已有索賠次數(shù)、出險(xiǎn)車的使用年限、出險(xiǎn)時(shí)間、出險(xiǎn)地點(diǎn)、事故責(zé)任認(rèn)定、索賠人是否為車主等因素與車險(xiǎn)索賠欺詐有顯著的關(guān)系，這對(duì)汽車三責(zé)險(xiǎn)人傷夸大索賠也有重要參考價(jià)值［22］。例如出險(xiǎn)時(shí)間可能與交通費(fèi)密切相關(guān)：如果是白天，交通費(fèi)相對(duì)透明，商討（機(jī)會(huì)欺詐）空間比較小。再如出險(xiǎn)地點(diǎn)，由于城鎮(zhèn)居民的收入水平和消費(fèi)水平要比農(nóng)村居民高一些，無論考慮誤工損失還是死亡傷殘賠償金，城鎮(zhèn)戶口的居民會(huì)收到相對(duì)更高的賠償，這也造成了夸大索賠的難易程度不同。

綜合考慮以上文獻(xiàn)中各種影響保險(xiǎn)硬欺詐的因素和理賠樣本包含的信息，本文采用表1的影響因素對(duì)汽車三責(zé)險(xiǎn)人傷夸大索賠進(jìn)行研究。

（二）保險(xiǎn)欺詐的研究方法

有些文獻(xiàn)使用logistic模型［23］以及改進(jìn)得到的AGG模型［24］，通過各種因素來判斷是否存在保險(xiǎn)欺詐；有的文獻(xiàn)通過特定模型對(duì)出險(xiǎn)時(shí)的現(xiàn)場(chǎng)狀況進(jìn)行還原，使用貝葉斯網(wǎng)絡(luò)等方法識(shí)別保險(xiǎn)欺詐的相關(guān)因素［25］。通過這些二元方法，可以很簡(jiǎn)單地識(shí)別出影響保險(xiǎn)欺詐的因素，而且具有計(jì)算量小、不受多重共線性影響等優(yōu)勢(shì)。但是二元模型不太適合夸大索賠問題研究，因?yàn)闄C(jī)會(huì)欺詐不僅是判斷“是否存在夸大索賠”問題，更重要的是，索賠人可能在應(yīng)得賠付額的基礎(chǔ)上添加一定數(shù)額，也可能完全無中生有地要求賠償。因此，如果要識(shí)別汽車三責(zé)險(xiǎn)人傷索賠是否夸大，應(yīng)該使用連續(xù)變量而非二元變量。

針對(duì)機(jī)會(huì)欺詐的理論和實(shí)證研究相對(duì)較少。理論研究方面，劉軼、董捷認(rèn)為，索賠人與保險(xiǎn)公司是否起訴是個(gè)博弈過程，建議法院對(duì)索賠額高于應(yīng)得賠償?shù)哪遣糠职凑找欢ū壤杖×P金[26]。實(shí)證研究方面，有的文獻(xiàn)使用統(tǒng)計(jì)回歸模型，以機(jī)會(huì)欺詐的嚴(yán)重程度為因變量，通過回歸分析識(shí)別顯著的影響因素[27]；還有文獻(xiàn)深入剖析某個(gè)保險(xiǎn)索賠案例，判斷各索賠子項(xiàng)的軟欺詐程度差異，認(rèn)為軟欺詐比值（軟欺詐額/判決額）比軟欺詐金額更能準(zhǔn)確地反映索賠人夸大索賠的程度[28]。

三、適合法院判決樣本的夸大索賠理論模型

（一）夸大索賠理論模型的構(gòu)建

本文借鑒Doerpinghaus等［21］理論模型的框架，構(gòu)建適合法院判決樣本的夸大索賠模型，并將不同人群的時(shí)間成本、道德感等因素加入到模型中。一般而言，汽車三責(zé)險(xiǎn)人傷理賠過程可分為三個(gè)階段：事故發(fā)生階段、保險(xiǎn)公司查勘定損階段、雙方協(xié)商與起訴階段。

1.事故發(fā)生階段。道路交通事故發(fā)生，交警部門認(rèn)定事故責(zé)任。索賠人在保額內(nèi)實(shí)際傷害值，即保險(xiǎn)公司應(yīng)賠付金額已經(jīng)確定，設(shè)為L(zhǎng)。索賠人作為當(dāng)事人，清楚自己的真實(shí)傷害值為多少，同時(shí)也會(huì)對(duì)保險(xiǎn)公司賠付有一個(gè)期望值Y0。根據(jù)常理，Y0≥L，即索賠人在較大概率上不會(huì)只期望保險(xiǎn)公司賠付一個(gè)無法彌補(bǔ)其傷害的數(shù)額。如果Y0=L，沒有軟欺詐心理；而如果Y0>L，不一定就是機(jī)會(huì)欺詐，可能是索賠人對(duì)保險(xiǎn)金額等條款不熟悉，或者對(duì)傷害值的核定標(biāo)準(zhǔn)不了解，從而對(duì)保險(xiǎn)賠付例如精神損害撫慰金等存在不切實(shí)際的想法。不過這個(gè)階段，畢竟只是索賠人內(nèi)心的期望值，還未涉及保險(xiǎn)公司。

2.保險(xiǎn)公司查勘定損階段。索賠人向保險(xiǎn)公司報(bào)案，保險(xiǎn)公司查勘。設(shè)鑒定傷害值為X0，一般來說，保險(xiǎn)公司根據(jù)索賠人提出的各項(xiàng)憑證估計(jì)理賠數(shù)額，但由于信息不對(duì)稱，索賠人可能提供一些虛假憑證，也可能無法準(zhǔn)確提供一些信息，導(dǎo)致保險(xiǎn)公司無法準(zhǔn)確地確定L，或者由于保險(xiǎn)公司惜賠等因素導(dǎo)致X0與L并不相等，即存在X0>L或者X0L，視為有軟欺詐心理；Y1=L，則沒有軟欺詐心理。

軟欺詐金額（Y1-L） 是衡量機(jī)會(huì)欺詐程度的重要指標(biāo)，但可能掩蓋不同索賠子項(xiàng)在傷害程度、索賠金額、判決金額等方面的本質(zhì)差異。周建濤等認(rèn)為，軟欺詐額與實(shí)際傷害的比例［（Y1-L）/L］更能反映出索賠人機(jī)會(huì)欺詐程度[28]。所以，本文在理論模型中采取QZ=（Y1-L）/L作為因變量。

Wang和Xu發(fā)現(xiàn)，保險(xiǎn)欺詐占美國保險(xiǎn)理賠金額的17%～20%[29]。在保險(xiǎn)公司的理賠數(shù)據(jù)庫中，只能得到索賠人索賠數(shù)據(jù)Y1和保險(xiǎn)公司賠付數(shù)據(jù)X1，而無法得到索賠人應(yīng)該獲得的賠付L，以此進(jìn)行保險(xiǎn)欺詐分析可能存在某些偏差。本文采用的樣本來源于法院判決書，可以得到索賠人索賠的數(shù)據(jù)Y1和應(yīng)得賠付數(shù)據(jù)L，但無法得到起訴前保險(xiǎn)公司提出的理賠數(shù)額X0，甚至樣本中約有20%的保險(xiǎn)公司選擇不出席法庭，直接等待法院公正判決的賠付額L。這使得我們只能單方面研究索賠人機(jī)會(huì)欺詐行為，而無法了解保險(xiǎn)公司在協(xié)商階段的一些特征。

3.雙方協(xié)商與起訴階段。當(dāng)Y1>X0時(shí)，索賠人可能與保險(xiǎn)公司協(xié)商，使得保險(xiǎn)公司在與索賠人協(xié)商時(shí)長(zhǎng)T后提出新的理賠數(shù)額X1，協(xié)商時(shí)長(zhǎng)T可視為由索賠人單方面決定，之后由索賠人決定是否起訴。索賠人最終的實(shí)際凈獲利P如式（1）所示：

P=max{X1，L}-L-C1（Y1-L）2-C2T（1）

在式（1）中，max{X1，L}表示索賠人在判斷是否起訴后獲得的賠付額，如果X1≥L，索賠人接受保險(xiǎn)公司的賠付，而如果X1

X1=X0+λ（Y1-X0）（2）

在式（2）中，0≤λ≤1，λ為變量，其分布受時(shí)間T影響，具體影響滿足式（3）—（5）：

dμλdT>0（3）

d2μλdT2<0 （4）

limT→∞μλ=1（5）

μλ對(duì)T的一階偏導(dǎo)數(shù)大于0，對(duì)T的二階偏導(dǎo)數(shù)小于0，即認(rèn)為索賠人與保險(xiǎn)公司拖延時(shí)間越長(zhǎng)，保險(xiǎn)公司為了避免時(shí)間和聲譽(yù)損失，會(huì)適當(dāng)根據(jù)索賠人提供的憑據(jù)逐步增加理賠數(shù)額，隨著協(xié)商時(shí)間的增長(zhǎng)，理賠數(shù)額向索賠人期望值靠近的速度會(huì)減慢，但也不排除保險(xiǎn)公司完全妥協(xié)而賠付索賠人期望值的可能，即Y1=X1，λ=1。在不考慮保險(xiǎn)公司起訴索賠人的情況下，保險(xiǎn)公司認(rèn)為索賠人如果真的能夠不計(jì)成本地堅(jiān)持到足夠久的時(shí)間，就會(huì)按照索賠額賠付。協(xié)商過程中保險(xiǎn)公司可能多次逐步提高理賠數(shù)額，在理論模型中簡(jiǎn)化為隨時(shí)間變動(dòng)X1。在計(jì)算實(shí)際凈獲利P帶來的期望效益EU（P）時(shí)，考慮索賠人的風(fēng)險(xiǎn)厭惡，即獲得收益的方差Var（P）越大，索賠人獲得的效益越低。同時(shí)，考慮到實(shí)施機(jī)會(huì)欺詐對(duì)于有道德感的個(gè)人來說會(huì)受到一些負(fù)面影響，而這種負(fù)面效用也是邊際遞減的，可以使用dY1-L來表示，其中d表示道德感系數(shù)，認(rèn)為道德感帶來的負(fù)面效果與索賠人自知的軟欺詐額度（Y1-L）呈正相關(guān)關(guān)系，計(jì)算如式（6）所示：

EU（P）=EP-rVar（P）-dY1-L （6）

在式（6）中，r表示索賠人的風(fēng)險(xiǎn)厭惡系數(shù)。

（二）蒙特卡洛模擬分析

考慮到max{X1，L}的期望和方差不僅與X1的期望和方差有關(guān)，還和X1的分布密切相關(guān)。且如果使用解析的方法求解最優(yōu)的索賠額Y1，難度極大，故考慮使用蒙特卡洛模擬，通過各種參數(shù)變化對(duì)最優(yōu)索賠額的影響來判斷機(jī)會(huì)欺詐與哪些因素相關(guān)。在進(jìn)行蒙特卡洛模擬之前，需要對(duì)各個(gè)參數(shù)的分布進(jìn)行比較精確的定義。

首先，對(duì)于λ，假設(shè)其服從正態(tài)分布λ～N（μλ，σλ），且當(dāng)隨機(jī)產(chǎn)生λ時(shí)，如果產(chǎn)生出大于1或者小于0的值，按照1和0來計(jì)算。其中，對(duì)于μλ，根據(jù)假設(shè)的等式（3）—（5）認(rèn)為其服從等式（7）：

μλ（T）=1-e-kT （7）

在式（7）中，k表示保險(xiǎn)公司的妥協(xié)程度，保險(xiǎn)公司的妥協(xié)程度越高，在相同時(shí)間內(nèi)，對(duì)于索賠人的讓步也更多（見圖1）。

其次，對(duì)各參數(shù)進(jìn)行適當(dāng)設(shè)置，使得各類參數(shù)都比較適中，最終在這種特定的情況下，軟欺詐程度QZ與獲得的效益期望值EU之間的關(guān)系見圖2。

圖2顯示，對(duì)于時(shí)間成本和信息搜集成本適中，風(fēng)險(xiǎn)厭惡、道德感適中的人，隨著軟欺詐程度升高，期望效益由零變?yōu)樨?fù)數(shù)，再逐漸增大，達(dá)到最高值后又持續(xù)下降到零以下的狀態(tài)。

為了弄清楚圖2的形成原因以及各類參數(shù)變化會(huì)對(duì)曲線產(chǎn)生什么樣的影響，本文對(duì)各類參數(shù)進(jìn)行一些調(diào)整，并與圖2的曲線進(jìn)行對(duì)比。

圖3顯示，在較低軟欺詐程度區(qū)間，時(shí)間成本較高的人一般不會(huì)實(shí)施低程度的機(jī)會(huì)欺詐，因?yàn)橐坏?shí)施軟欺詐，如果不付出時(shí)間，就得白白承受一個(gè)信息搜集成本以及道德感帶來的負(fù)效用；如果付出很高的時(shí)間成本換取較高的賠付，又感覺得不償失。而在較高軟欺詐程度區(qū)間，每付出單位時(shí)間的收益可能會(huì)超過時(shí)間成本，但是如果時(shí)間成本足夠高，也能夠抑制較高機(jī)會(huì)欺詐程度的實(shí)施。而當(dāng)時(shí)間成本不夠高時(shí)，其最優(yōu)的機(jī)會(huì)欺詐程度甚至可能高于一般人。相比之下，無時(shí)間成本的失業(yè)人員，從低程度到高程度的機(jī)會(huì)欺詐中，期望效益都比有時(shí)間成本的人更高，而且最優(yōu)的軟欺詐程度也高于有時(shí)間成本的人。

圖4顯示，與時(shí)間成本相似，道德感在低軟欺詐程度階段也有一定的抑制效果，但不如高時(shí)間成本好。可以認(rèn)為，較高的時(shí)間成本對(duì)于低軟欺詐程度是一次性抑制，而道德感的抑制效果則是比較緩慢的過程。相比于時(shí)間成本，道德感對(duì)于最優(yōu)的軟欺詐程度來說，影響更加顯著，且一個(gè)極高的道德水準(zhǔn)也能夠達(dá)到杜絕機(jī)會(huì)欺詐的效果。

圖5顯示，風(fēng)險(xiǎn)厭惡程度主要對(duì)高軟欺詐程度有較大的影響。當(dāng)風(fēng)險(xiǎn)厭惡程度較高時(shí)，最優(yōu)的機(jī)會(huì)欺詐程度明顯降低，而當(dāng)索賠人是一個(gè)風(fēng)險(xiǎn)喜好者，其機(jī)會(huì)欺詐程度就會(huì)非常高。

索賠人搜集虛假的損害憑證成本對(duì)軟欺詐程度的影響類似于風(fēng)險(xiǎn)厭惡，都十分顯著。圖6顯示，如果索賠人的搜集成本很低，其軟欺詐程度可以達(dá)到很高的水平，而搜集成本較高的話，則會(huì)顯著降低索賠人的軟欺詐程度，以至于直接杜絕機(jī)會(huì)欺詐行為的發(fā)生。

圖7顯示，傷害嚴(yán)重程度對(duì)于最優(yōu)軟欺詐程度的影響十分顯著。如果索賠人在交通事故中傷害不太嚴(yán)重，那么其軟欺詐程度比較大，這也與劉坤坤［22］提到的小案件欺詐比較多的特征相符合。而且從軟欺詐獲得的效益數(shù)值來看，在傷害嚴(yán)重的情形下，實(shí)施機(jī)會(huì)欺詐所獲得的最大收益也是略微低于傷害較輕的情形，這源于索賠人的風(fēng)險(xiǎn)厭惡水平。在其他條件相同的情況下，一個(gè)較嚴(yán)重的傷害，或者說保險(xiǎn)公司應(yīng)賠付數(shù)額較大，相同軟欺詐程度帶來最后賠付額的波動(dòng)程度，肯定要大于一個(gè)較輕傷害，這本身也就對(duì)索賠人軟欺詐有了一定的限制作用。

圖8顯示，保險(xiǎn)公司態(tài)度的不確定性對(duì)索賠人軟欺詐行為有一定影響，尤其是在方差比較高時(shí)，索賠人最優(yōu)的機(jī)會(huì)欺詐程度下降得比較快。從圖9來看，保險(xiǎn)公司態(tài)度非常強(qiáng)硬時(shí)，索賠人完全沒有機(jī)會(huì)欺詐的可能性；而當(dāng)其態(tài)度比較妥協(xié)時(shí)，則會(huì)遭受較大的軟欺詐額度，但對(duì)索賠人軟欺詐程度影響不大。

（三）理論模型的結(jié)論

通過上述理論模型的構(gòu)建及模擬分析，可以得出以下5個(gè)結(jié)論：（1）時(shí)間成本較高的索賠人不會(huì)實(shí)施軟欺詐程度很低的夸大索賠行為。因?yàn)楫?dāng)軟欺詐程度較低時(shí)，付出的成本尤其是時(shí)間成本，不能被軟欺詐的得利覆蓋。如果決定承擔(dān)各種成本以及風(fēng)險(xiǎn)實(shí)施軟欺詐，一般會(huì)有比較大的軟欺詐程度。理性的索賠人不會(huì)提出遠(yuǎn)超過實(shí)際傷害的索賠額，因?yàn)榫薮蟮臅r(shí)間成本以及風(fēng)險(xiǎn)厭惡會(huì)使其最終效益為負(fù)。（2）索賠人道德因素對(duì)其軟欺詐程度的影響類似于時(shí)間成本。如果其道德感較低，軟欺詐程度會(huì)有所增加，而較高道德感則可以降低機(jī)會(huì)欺詐程度。（3）索賠人風(fēng)險(xiǎn)厭惡程度對(duì)其軟欺詐程度有著顯著的影響，尤其是當(dāng)索賠人喜好風(fēng)險(xiǎn)時(shí)，軟欺詐程度可能非常高。（4）傷害嚴(yán)重程度與索賠人機(jī)會(huì)欺詐程度有著明顯的反向相關(guān)關(guān)系，而且軟欺詐額的數(shù)值也會(huì)隨著傷害嚴(yán)重程度的增大而減小。（5）如果保險(xiǎn)公司協(xié)商態(tài)度十分強(qiáng)硬，不能給索賠人一個(gè)“耗時(shí)間就能擴(kuò)大收益”的預(yù)期，那么索賠人就會(huì)降低機(jī)會(huì)欺詐程度。

四、北京市汽車三責(zé)險(xiǎn)人傷訴訟樣本的夸大索賠實(shí)證分析（一）樣本獲取

本文實(shí)證分析的樣本來源于北京市道路交通事故的法院判決書①，提取其中的索賠人、肇事者、保險(xiǎn)金額、事故等信息以及索賠和賠付金額數(shù)據(jù)，共得到2 933例樣本。以往保險(xiǎn)軟欺詐識(shí)別多使用保險(xiǎn)公司的理賠樣本，由于未經(jīng)過法院判決程序，賠付額由保險(xiǎn)公司和索賠人商議而得，有高估“機(jī)會(huì)欺詐”之嫌；而本文使用的法院判決樣本，索賠人實(shí)際傷害值用法院判決的“保險(xiǎn)公司應(yīng)賠付金額”表示，可以更客觀地判別夸大索賠，進(jìn)一步準(zhǔn)確地測(cè)定索賠人機(jī)會(huì)欺詐程度。如果認(rèn)為索賠人在協(xié)商初始并不清楚保險(xiǎn)公司的賠付是否能夠達(dá)到自己的期望值，而是單純按照上文描述的理論模型索賠，那么可以認(rèn)為這些經(jīng)過法院判決的索賠人是從所有索賠人中隨機(jī)抽取出來的，具有一定的代表性。

（二）描述性統(tǒng)計(jì)與非參數(shù)統(tǒng)計(jì)

在一些案例中，索賠人提出索賠額但法院判決額為零，即軟欺詐程度無窮大，故實(shí)證分析中使用軟欺詐額與索賠額的比值。

根據(jù)法院判決書數(shù)據(jù)集，索賠總額、判決總額均包含對(duì)應(yīng)各個(gè)子項(xiàng)的索賠額和判決賠付額。先對(duì)二者相減得到的軟欺詐額進(jìn)行基本的描述性統(tǒng)計(jì)，再對(duì)軟欺詐程度以及可能影響軟欺詐程度的一些因素進(jìn)行匯總統(tǒng)計(jì)，結(jié)果見表2。統(tǒng)計(jì)發(fā)現(xiàn)，總軟欺詐程度的均值達(dá)到33%，這意味著索賠人平均索賠額超出實(shí)際應(yīng)賠數(shù)額50%左右，可見機(jī)會(huì)欺詐不僅十分普遍而且較為嚴(yán)重。

為進(jìn)一步刻畫軟欺詐程度，本文對(duì)總軟欺詐程度進(jìn)行描述性統(tǒng)計(jì)，如圖10所示。

由圖10可知，總軟欺詐程度的頻率隨軟欺詐程度的增大而逐漸減小，總軟欺詐程度離散程度較高，分布在各個(gè)水平區(qū)間，因此，難以確定一個(gè)具體數(shù)值來劃分機(jī)會(huì)欺詐的嚴(yán)重程度。而后，依據(jù)各狀態(tài)變量對(duì)數(shù)據(jù)進(jìn)行分類，計(jì)算得到對(duì)應(yīng)的總軟欺詐程度的均值，同時(shí)計(jì)算分類之后各類狀態(tài)變量的頻數(shù)、平均秩，使用非參數(shù)統(tǒng)計(jì)Mann-Whitney對(duì)分類后樣本的軟欺詐程度分布進(jìn)行檢驗(yàn)，結(jié)果見表3。表3顯示，9個(gè)因素通過了Mann-Whitney 檢驗(yàn)，分別為另購買商業(yè)險(xiǎn)、索賠人已婚、索賠人年輕人、索賠人失業(yè)、律師參與、軟組織傷、白天、肇事者男性、肇事者轎車。同時(shí)發(fā)現(xiàn)，另購買商業(yè)險(xiǎn)的軟欺詐程度均值為31.52%，而未購買商業(yè)險(xiǎn)的軟欺詐程度均值為39.28%，差異較大。相同的事故，如果購買了商業(yè)險(xiǎn)，保障范圍以及額度均比未購買商業(yè)險(xiǎn)更寬、更大，故應(yīng)賠付數(shù)額更大，進(jìn)而反向影響索賠人軟欺詐程度。

已婚索賠人的軟欺詐程度均值為31.86%，而未婚索賠人的軟欺詐程度均值為34.97%，高于前者。已婚索賠人承擔(dān)養(yǎng)家糊口責(zé)任，風(fēng)險(xiǎn)規(guī)避意識(shí)更強(qiáng)，時(shí)間成本相對(duì)較高。另外，已婚索賠人的年齡也比未婚索賠人更大一些，受道德約束更大，故更傾向于不進(jìn)行機(jī)會(huì)欺詐。

索賠人未成年人的機(jī)會(huì)欺詐程度均值達(dá)到44.50%，而其他年齡組均值為33.04%，差別懸殊。首先，保險(xiǎn)公司出于“保護(hù)弱勢(shì)未成年人”考慮，妥協(xié)程度要大些。其次，未成年人受傷牽涉到父母監(jiān)護(hù)人的住院護(hù)理費(fèi)、誤工損失，以及未成年人的精神損害撫慰金，可商討余地更大，索賠人搜集傷害證據(jù)的成本更低。而且，針對(duì)這幾點(diǎn)進(jìn)行非參數(shù)統(tǒng)計(jì)，住院護(hù)理費(fèi)、誤工費(fèi)以及精神損害撫慰金均通過了Mann-Whitney 檢驗(yàn)。

索賠人失業(yè)的軟欺詐程度均值為37.21%，而索賠人在職的軟欺詐程度均值為30.86%，前者明顯高于后者。失業(yè)人員多沒有工資收入，時(shí)間成本較低，如果跟保險(xiǎn)公司協(xié)商較長(zhǎng)時(shí)間，不會(huì)受到太大損失，反而能夠獲得更高收益，故會(huì)提出相對(duì)更高的索賠額。另外，失業(yè)人員的風(fēng)險(xiǎn)偏好程度多高于其他人，多數(shù)是風(fēng)險(xiǎn)愛好者，這將大大增加其機(jī)會(huì)欺詐程度。

律師參與的機(jī)會(huì)欺詐程度均值僅為29.47%，而無律師參與的機(jī)會(huì)欺詐程度均值高達(dá)40.56%，相差甚大。這主要源于律師有過硬的專業(yè)知識(shí)以及較高的職業(yè)道德。律師深受職業(yè)操守約束，自動(dòng)遏制其機(jī)會(huì)欺詐動(dòng)機(jī)；律師對(duì)于保險(xiǎn)條款以及理賠的把握更加專業(yè)，加上其掌握索賠人傷害詳細(xì)信息，故比索賠人本人更加清楚保險(xiǎn)公司應(yīng)該賠付的合理金額，從而準(zhǔn)確地?cái)D出不合理的夸大索賠部分。

軟組織傷的平均機(jī)會(huì)欺詐程度為37.57%，明顯高于非軟組織傷的均值31.18%，主要源于信息搜集成本較低。軟組織傷不同于傷殘，難以鑒定，雖然索賠人便于提供軟組織傷證據(jù)，但較難被法官采信，導(dǎo)致更高機(jī)會(huì)欺詐程度。

晚上的平均軟欺詐程度為35.02%，而白天則為32.96%。差別不算太大，但經(jīng)Mann-Whitney 檢驗(yàn)，二者差異顯著。類似于軟組織傷，也是源于信息搜集成本較低。晚上發(fā)生交通事故，無論傷害鑒定還是醫(yī)療費(fèi)用花費(fèi)都不如白天透明、準(zhǔn)確，雖然索賠人可以提供各種鑒定、費(fèi)用證據(jù)，但較難被法官采信。

肇事者男性的平均軟欺詐程度為32.75%，而女性司機(jī)的平均機(jī)會(huì)欺詐程度為38.05%，差異明顯。首先，社會(huì)對(duì)女性司機(jī)有“車技較差”的刻板印象。本文肇事者男性的事故責(zé)任比例均值為88%，而女性司機(jī)的事故責(zé)任比例均值則為92%，經(jīng)Mann-Whitney 檢驗(yàn)，差異顯著，這也說明：雖然女性司機(jī)較為謹(jǐn)慎，發(fā)生事故的概率較男性司機(jī)小，但事故責(zé)任高于男性司機(jī)，保險(xiǎn)公司處理此類事故時(shí)，妥協(xié)程度更大一些，也就造成了索賠人更大的機(jī)會(huì)欺詐程度。其次，女性司機(jī)駕車較為謹(jǐn)慎，造成索賠人傷害也更小，經(jīng)Mann-Whitney 檢驗(yàn)，也是顯著的，而傷害較小事故的軟欺詐程度相對(duì)較大。

肇事者轎車的平均機(jī)會(huì)欺詐程度為33.94%，而非轎車為31.96%，些許差別可能源于轎車、非轎車的商業(yè)險(xiǎn)購買比例不同。非轎車另購買商業(yè)險(xiǎn)的比例為83%，而轎車另購買商業(yè)險(xiǎn)的比例為72%，二者之間的差異經(jīng)非參數(shù)統(tǒng)計(jì)檢驗(yàn)也是顯著的。

（三）統(tǒng)計(jì)回歸分析

根據(jù)非參數(shù)統(tǒng)計(jì)的分析結(jié)果，各類因素之間可能存在相關(guān)性，如肇事者轎車和另購買商業(yè)險(xiǎn)之間存在一定的相關(guān)性。現(xiàn)有研究大多站在保險(xiǎn)公司角度，使用可能包含軟欺詐成分的索賠額作為自變量。本文從索賠人視角，使用法院判決的賠付額作為自變量，相比保險(xiǎn)公司的理賠樣本而言更加客觀、公正。

1.以軟欺詐程度為因變量的回歸。以軟欺詐程度作為因變量，以各類影響因素作為自變量，采用逐步向后回歸法，依次排除最不顯著的變量，直至所有因素全部通過檢驗(yàn)。統(tǒng)計(jì)回歸結(jié)果見表4，其中“l(fā)n賠付總額”是對(duì)賠付總額取對(duì)數(shù)處理。

表4顯示，由于多重共線性，原本經(jīng)過非參數(shù)統(tǒng)計(jì)檢驗(yàn)顯著的5個(gè)因素被剔除，包括另購買商業(yè)險(xiǎn)、索賠人已婚、律師參與、軟組織傷、肇事者轎車，其中，前文已分析另購買商業(yè)險(xiǎn)、律師參與、肇事者轎車這3個(gè)影響因素的多重共線性原因。軟組織傷與傷殘等級(jí)存在顯著的相關(guān)性；索賠人已婚則與索賠人未成年人之間也存在顯著的相關(guān)性。而新增加模型中的3個(gè)變量，即肇事者事故責(zé)任比例、傷殘等級(jí)、賠付總額的對(duì)數(shù)形式，均對(duì)索賠人機(jī)會(huì)欺詐程度存在負(fù)面影響。

賠付總額的系數(shù)為負(fù)值，符合理論模型“較嚴(yán)重傷害，機(jī)會(huì)欺詐程度較輕”的判斷。肇事者事故責(zé)任比例的系數(shù)為負(fù)值，反映肇事者責(zé)任越大，索賠人機(jī)會(huì)欺詐程度反而越小，也許與索賠人心態(tài)以及商討空間有關(guān)。如果肇事者全責(zé)，應(yīng)由其保險(xiǎn)公司完全賠付“法院判決金額”，無商討余地。如果肇事者是部分責(zé)任，索賠人會(huì)盡量提供更多的傷害證據(jù)，想盡可能多地彌補(bǔ)傷害，也可能據(jù)此和保險(xiǎn)公司談判，甚至到法庭，旨在盡量擴(kuò)大得利。本文不是某一方全責(zé)的案例，索賠人聘請(qǐng)律師的比例更高，也反映商討空間對(duì)索賠人心態(tài)的影響。

傷殘等級(jí)的系數(shù)為負(fù)值，意味著傷殘?jiān)絿?yán)重機(jī)會(huì)欺詐程度更大，這與描述性統(tǒng)計(jì)“傷害越嚴(yán)重，軟欺詐程度越小”相矛盾。傷殘等級(jí)取值從1到10：其中10級(jí)是最輕傷殘，而1級(jí)是最嚴(yán)重傷殘。由于無傷殘的傷殘等級(jí)參數(shù)處理為0，即不存在于方程中。因此，本文又將傷害按是否傷殘進(jìn)行分類，并作非參數(shù)統(tǒng)計(jì)檢驗(yàn)，發(fā)現(xiàn)二者存在顯著差異：無傷殘的平均機(jī)會(huì)欺詐程度為40.32%，而傷殘的平均機(jī)會(huì)欺詐程度僅為23.28%。因此，可以認(rèn)為，傷殘嚴(yán)重程度遠(yuǎn)甚于無傷殘，導(dǎo)致機(jī)會(huì)欺詐程度的較大差異。但在傷殘中，若傷殘非常嚴(yán)重，索賠人家庭受到了較大打擊，其主觀上希望獲得更多的保險(xiǎn)賠付，即嚴(yán)重傷殘催生機(jī)會(huì)欺詐動(dòng)機(jī)；尤其是涉及多種傷情的嚴(yán)重傷殘：有的傷情符合傷殘10，有的傷情符合傷殘4，還有的傷情符合傷殘2，更便于索賠人搜集傷害證據(jù)，即信息搜集成本較低。這也就導(dǎo)致了無傷殘的軟欺詐程度高于傷殘，嚴(yán)重傷殘的軟欺詐程度高于較輕傷殘。因此，本文新增加狀態(tài)變量“傷殘”繼續(xù)回歸，結(jié)果見表5，符合上述推論。

2.以軟欺詐額度作為因變量的回歸。保險(xiǎn)公司可能還關(guān)注機(jī)會(huì)欺詐額度。本文又以軟欺詐額度為因變量，使用所有采集的自變量進(jìn)行逐步向后回歸，結(jié)果見表6。

比較表5、表6，影響軟欺詐程度、軟欺詐額度相同的因素有6個(gè)：肇事者事故責(zé)任比例、索賠人失業(yè)、白天、肇事者男性、傷殘、ln賠付總額。其中，肇事者事故責(zé)任比例、白天、肇事者男性3個(gè)因素均為負(fù)向影響，而索賠人失業(yè)、傷殘2個(gè)因素均為正向影響。但ln賠付總額負(fù)向影響軟欺詐程度，但正向影響軟欺詐額度，因?yàn)檐浧墼p總額與賠付總額存在一定的正相關(guān)性。

值得注意的是，新增3個(gè)影響軟欺詐額度的因素：律師參與、肇事者轎車、索賠人非機(jī)動(dòng)車，其中律師參與、索賠人非機(jī)動(dòng)車的系數(shù)均為正值，而肇事者轎車的系數(shù)為負(fù)值。律師參與也與賠付總額存在較大的正相關(guān)性。一般較嚴(yán)重的傷害，索賠人會(huì)聘請(qǐng)律師，且較嚴(yán)重的傷害商討空間變大，也會(huì)使得機(jī)會(huì)欺詐額度增大。若索賠人乘坐非機(jī)動(dòng)車，交警判定肇事者責(zé)任更大一些。索賠人乘坐非機(jī)動(dòng)車，肇事者事故責(zé)任比例為91%，其他情況平均為81%。假設(shè)其他條件相同，肇事者事故責(zé)任比例越大，機(jī)會(huì)欺詐程度會(huì)更小，但是由于賠付額更多，相應(yīng)的軟欺詐額也會(huì)更大。肇事者車輛分為兩類：轎車、非轎車（指大卡車或運(yùn)貨車，除主車外，往往還加1個(gè)拖車），二者均購買交強(qiáng)險(xiǎn)和商業(yè)險(xiǎn)。但轎車另買商業(yè)險(xiǎn)一般為10萬～30萬元，發(fā)生交通事故后，多為無傷殘或6～10級(jí)較輕傷殘；而非轎車另買商業(yè)險(xiǎn)一般50萬～100萬元，一旦發(fā)生交通事故，往往死亡或1～5級(jí)較嚴(yán)重傷殘。肇事者轎車由于傷害較輕，且商業(yè)保險(xiǎn)金額遠(yuǎn)低于非轎車，商討空間有限，故軟欺詐額低于肇事者非轎車。

五、基于決策樹的夸大索賠識(shí)別

為了檢驗(yàn)保險(xiǎn)機(jī)會(huì)欺詐影響因素的穩(wěn)定性，本文繼續(xù)使用決策樹方法進(jìn)行索賠人夸大索賠識(shí)別驗(yàn)證。

（一）機(jī)會(huì)欺詐的分類

雖然機(jī)會(huì)欺詐程度能夠更好地刻畫索賠人夸大索賠，但保險(xiǎn)公司依舊在意索賠人軟欺詐額度。例如，某索賠人軟欺詐程度較高但夸大額度較小，不值得保險(xiǎn)公司費(fèi)時(shí)費(fèi)力地識(shí)別。因此，本文綜合考慮軟欺詐程度和軟欺詐額度兩個(gè)指標(biāo)：軟欺詐程度<5%或者軟欺詐額度<1 000元，視為輕微軟欺詐，記為0類，共363例；而軟欺詐程度>5%且10 000元>軟欺詐額度≥1 000元，視為較嚴(yán)重軟欺詐，記為1類，共有1 403例；而軟欺詐程度>5%且軟欺詐額度≥10 000元，視為很嚴(yán)重軟欺詐，記為2類，共1 167例。

對(duì)于0類機(jī)會(huì)欺詐者，保險(xiǎn)公司與其長(zhǎng)時(shí)間協(xié)商，對(duì)軟欺詐的削弱可能不足以彌補(bǔ)識(shí)別成本。對(duì)于1類機(jī)會(huì)欺詐者，有必要采取一些措施降低索賠人對(duì)于賠付的期望值，例如采取較為強(qiáng)硬的態(tài)度等。對(duì)于2類機(jī)會(huì)欺詐者，可以使用很強(qiáng)硬的態(tài)度來抑制索賠人的軟欺詐心理，或者保險(xiǎn)公司主動(dòng)建議這類索賠人走訴訟程序，寧可損失一些聲譽(yù)，也不愿意和這類索賠人協(xié)商。事實(shí)上，確實(shí)有不少保險(xiǎn)公司在汽車三責(zé)險(xiǎn)人傷索賠額嚴(yán)重不合理時(shí)，直接讓索賠人走訴訟程序。

（二）基于決策樹的軟欺詐類型識(shí)別

決策樹不需要其他假設(shè)，能夠處理高維數(shù)據(jù)，準(zhǔn)確率也較高，符合本文使用的樣本特征。

首先是對(duì)不平衡樣本的處理。由于決策樹對(duì)不平衡樣本的處理效果不佳，因此本文使用隨機(jī)復(fù)制的方式，將樣本數(shù)量不同的三類樣本轉(zhuǎn)化為平衡樣本。其次是對(duì)自變量的選擇。本文在對(duì)機(jī)會(huì)欺詐進(jìn)行分類時(shí)，綜合考慮軟欺詐程度和軟欺詐額度兩個(gè)指標(biāo)，故將二者回歸分析識(shí)別為顯著的因素作為決策樹的自變量。需要說明的是，本文回歸分析是站在索賠人的角度來判斷其軟欺詐行為的影響因素，而保險(xiǎn)公司很難獲取到由索賠人掌握的實(shí)際傷害值，所以本文使用保險(xiǎn)公司能夠獲取的索賠額代替實(shí)際傷害值作為因變量。

為評(píng)估上述方法對(duì)于機(jī)會(huì)欺詐類別的預(yù)測(cè)效果，隨機(jī)使用平衡處理前的500例樣本作為測(cè)試集，剩下的樣本平衡處理后作為訓(xùn)練集，通過訓(xùn)練集得到的路徑信息對(duì)測(cè)試集的樣本進(jìn)行預(yù)測(cè)，決策樹分析結(jié)果見表7。

表7顯示，訓(xùn)練集中對(duì)于2類機(jī)會(huì)欺詐的預(yù)測(cè)準(zhǔn)確率最高，將近80%，對(duì)于1類機(jī)會(huì)欺詐的預(yù)測(cè)準(zhǔn)確率約為70%，而對(duì)于0類機(jī)會(huì)欺詐的預(yù)測(cè)準(zhǔn)確率不到50%。由此可見，最容易識(shí)別的是2類（最嚴(yán)重）機(jī)會(huì)欺詐，對(duì)1類機(jī)會(huì)欺詐也有相當(dāng)?shù)淖R(shí)別預(yù)測(cè)效果，但對(duì)于0類（程度較低或者額度較小）機(jī)會(huì)欺詐，識(shí)別較為困難，因?yàn)檫@些輕微機(jī)會(huì)欺詐普遍發(fā)生在各種特征的事故中。而通過訓(xùn)練集的決策樹路徑對(duì)檢驗(yàn)集進(jìn)行預(yù)測(cè)時(shí)，對(duì)2類機(jī)會(huì)欺詐的預(yù)測(cè)也能達(dá)到將近80%，對(duì)1類機(jī)會(huì)欺詐的預(yù)測(cè)準(zhǔn)確率則略微低于訓(xùn)練集，而對(duì)0類機(jī)會(huì)欺詐的預(yù)測(cè)準(zhǔn)確率只有33.82%，比訓(xùn)練集49.70%的準(zhǔn)確率還要低。可以認(rèn)為，在訓(xùn)練集中得到的識(shí)別0類欺詐的決策樹路徑在檢驗(yàn)集中基本無效。這也就表明，本文雖然可以比較穩(wěn)定且比較準(zhǔn)確地識(shí)別軟欺詐程度較高且軟欺詐額度較大的事故，但是對(duì)于小額或較低程度的機(jī)會(huì)欺詐識(shí)別預(yù)測(cè)效果不盡如人意，尚存在一些其他的影響因素，有待進(jìn)一步深入研究。

六、討論及政策建議

（一）討論

本文探討汽車三責(zé)險(xiǎn)人傷夸大索賠的影響因素。在理論上，基于信息搜集成本、時(shí)間成本、風(fēng)險(xiǎn)厭惡、道德感等因素建立適合法院判決樣本的夸大索賠模型。法院判決機(jī)制的存在，使得索賠人有獲得保底賠付的期望。進(jìn)一步對(duì)各種導(dǎo)致索賠人機(jī)會(huì)欺詐程度的情況進(jìn)行蒙特卡洛模擬，例如信息搜集成本的提高，能夠有效降低索賠人機(jī)會(huì)欺詐的收益，而道德感僅起到一次性抑制作用。在實(shí)證上，基于汽車三責(zé)險(xiǎn)人傷索賠的法院判決樣本，首先，通過非參數(shù)檢驗(yàn)，發(fā)現(xiàn)索賠人失業(yè)、肇事者另購買商業(yè)險(xiǎn)等均對(duì)索賠人機(jī)會(huì)欺詐程度有顯著影響。其次，進(jìn)行逐步回歸，識(shí)別出另一些影響因素，例如索賠人傷殘等級(jí)等，同時(shí)也對(duì)逐步回歸中排除的經(jīng)非參數(shù)統(tǒng)計(jì)檢驗(yàn)顯著的因素與其他因素具有相關(guān)性的原因進(jìn)行了分析，例如肇事司機(jī)性別與交通事故責(zé)任認(rèn)定之間存在一定相關(guān)性。最后，使用決策樹方法預(yù)測(cè)索賠人軟欺詐的類別。預(yù)測(cè)結(jié)果顯示，對(duì)于軟欺詐程度較高且軟欺詐額度較大的索賠人機(jī)會(huì)欺詐識(shí)別效果更優(yōu)，能達(dá)到接近80%的準(zhǔn)確率。

（二）相關(guān)政策建議

基于上述研究，本文對(duì)保險(xiǎn)公司提出以下建議：在保險(xiǎn)公司核準(zhǔn)索賠/賠付總額的各個(gè)子項(xiàng)金額時(shí)，可將姓名、性別等隱私信息適當(dāng)處理后進(jìn)行公開，以減少信息不對(duì)稱引起的不良影響。另外，保險(xiǎn)公司應(yīng)建立一套明確的賠付制度，如明確哪些單據(jù)有效，在發(fā)生交通事故后，要嚴(yán)格按照制度規(guī)定，公開、公正地進(jìn)行流程化處理。同時(shí)也要注意，本文識(shí)別汽車三責(zé)險(xiǎn)人傷索賠機(jī)會(huì)欺詐的方法，可以為保險(xiǎn)公司在交通事故發(fā)生后判斷索賠人是否有機(jī)會(huì)欺詐嫌疑時(shí)提供參考，但不宜在確定汽車三責(zé)險(xiǎn)保費(fèi)時(shí)就根據(jù)客戶的性別、年齡等人口統(tǒng)計(jì)學(xué)特征對(duì)其進(jìn)行區(qū)別對(duì)待。

對(duì)于有關(guān)部門，本文給出以下建議：保險(xiǎn)監(jiān)管部門應(yīng)使保險(xiǎn)賠付的各項(xiàng)憑據(jù)規(guī)范化，例如，對(duì)于醫(yī)療機(jī)構(gòu)出具的軟組織傷鑒定、傷殘醫(yī)療費(fèi)用明細(xì)均應(yīng)給出明確規(guī)定。交通管理部門在勘查事故現(xiàn)場(chǎng)時(shí)，要詳細(xì)地記錄事故各個(gè)方面的特征，使責(zé)任劃分盡可能精細(xì)化。司法機(jī)關(guān)在作出判決時(shí)，對(duì)于提出過高的、明顯超出實(shí)際傷害的索賠人，可判其支付罰金作為懲罰。

（三）不足之處及后續(xù)研究方向

本文不足之處在于，無法準(zhǔn)確識(shí)別程度較低或額度較小的機(jī)會(huì)欺詐，可能源于這類機(jī)會(huì)欺詐十分普遍。同時(shí)，回歸R2值較低，也說明本文使用的影響機(jī)會(huì)欺詐因素不足以對(duì)其進(jìn)行有效的識(shí)別。因此，尋找新的機(jī)會(huì)欺詐影響因素就是后續(xù)研究的方向。

注釋：

①法院判決書來源于北京法院審判信息網(wǎng)（https：//bjcourt.gov.cn）。

參考文獻(xiàn)：

［1］NAGRECHA S， JOHNSON R A， CHAWLA N V. FraudBuster： Reducing fraud in an auto insurance market［J］. Big Data， 2018， 6（1）： 3-12.

［2］RIBEIRO R， SILVA B， PIMENTA C， et al. Why do consumers perpetrate fraudulent behaviors in insurance？［J］. Crime， Law and Social Change， 2020， 73： 249-273.

［3］BRINKMANN J， LENTZ P. Understanding insurance customer dishonesty： Outline of a moral-sociological approach［J］. Journal of Business Ethics， 2006， 66（2-3）： 177-195.

［4］陳曉.汽車保險(xiǎn)理賠欺詐行為分析及教學(xué)中的德育滲透［J］.汽車實(shí)用技術(shù)，2019（24）：199-200+225.

［5］董敏，呂紅平，劉軼.人工智能反保險(xiǎn)欺詐的私法效果和路徑選擇［J］.金融教育研究， 2019（6）： 12-20.

［6］樊啟榮.保險(xiǎn)事故與被保險(xiǎn)人過錯(cuò)之關(guān)系及其法律調(diào)整模式——兼評(píng)我國《保險(xiǎn)法》第27條第2款及相關(guān)規(guī)定［J］.法學(xué)評(píng)論， 2002（5）： 43-51.

［7］DIONNE G， WANG K C. Does insurance fraud in automobile theft insurance fluctuate with the business cycle？［J］. Journal of Risk and Uncertainty， 2013， 47（1）： 67-92.

［8］EDMARK K. Unemployment and crime： Is there a connection？［J］. Scandinavian Journal of Economics， 2005， 107（2）： 353-373.

［9］JAWADI F， MALLICK S K， CHEFFOU A I， et al. Does higher unemployment lead to greater criminality？ Revisiting the debate over the business cycle［J］. Journal of Economic Behavior & Organization， 2021， 182： 448-471.

［10］HUSTED B W. Wealth， culture， and corruption［J］.Journal of International Business Studies， 1999， 30（2）： 339-359.

［11］CUMMINS J D， TENNYSON S. Moral hazard in insurance claiming： Evidence from automobile insurance［J］. Journal of Risk and Uncertainty， 1996， 12（1）： 29-50.

［12］CREED P A. Personality characteristics in unemployed Australian males： Implications for “drift” hypothesis in unemployment［J］. Psychological Reports， 1999， 84（2）： 477-480.

［13］HARTLEY J F. The personality of unemployed managers： myths and measurement［J］. Personnel Review， 1980， 9（3）： 12-18.

［14］GUIJARRO F. Characteristics of Unemployed People， Training Attendance and Job Searching Success in the Valencian Region （Spain）［J］. Data， 2018， 3（4）： 1-12.

［15］KISH-GEPHART J J， HARRISON D A， TREVIO L K. Bad apples， bad cases， and bad barrels： Meta-analytic evidence about sources of unethical decisions at work［J］. Journal of Applied Psychology， 2010， 95（1）： 1-31.

［16］SCHUBERT R， BROWN M， GYSLER M， et al. Financial decision-making： Are women really more risk-averse？ ［J］. American Economic Review， 1999， 89（2）： 381-385.

［17］BROWN D P. Multiperiod financial planning［J］. Management Science， 1987， 33（7）： 848-875.

［18］GALLOS J V. Women's experiences and ways of knowing： Implications for teaching and learning in the organizational behavior classroom［J］. Journal of Management Education， 1993， 17（1）： 7-26.

［19］GRADDY K， PISTAFERRI L. Wage differences by gender： Evidence from recently graduated MBAs［J］. Oxford Bulletin of Economics and Statistics， 2000， 62： 837-854.

［20］DOERPINGHAUS H I， SCHMIT J T， Yeh J J H. Personal bias in automobile claims settlement［J］. Journal of Risk & Insurance， 2003， 70（2）： 185-205.

［21］DOERPINGHAUS H I， SCHMIT J T， YEH J J H. Age and gender effects on auto liability insurance payouts［J］. Journal of Risk and Insurance， 2008， 75（3）： 527-550.

［22］葉明華.我國機(jī)動(dòng)車保險(xiǎn)欺詐識(shí)別的因子分析——基于江、浙、滬機(jī)動(dòng)車保險(xiǎn)索賠數(shù)據(jù)［J］.華東經(jīng)濟(jì)管理， 2010 （2）： 84-86.

［23］劉坤坤.車險(xiǎn)保險(xiǎn)欺詐識(shí)別和測(cè)量模型實(shí)證研究——基于廣東省車險(xiǎn)歷史索賠數(shù)據(jù)［J］. 暨南學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）， 2012（8）： 89-93.

［24］ARTS M， AYUSO M， GUILLN M. Detection of automobile insurance fraud with discrete choice models and misclassified claims［J］. Journal of Risk and Insurance， 2002， 69（3）： 325-340.

［25］COWELL R G， VERRALL R J， YOON Y K. Modeling operational risk with Bayesian networks［J］. Journal of Risk and Insurance， 2007， 74（4）： 795-827.

［26］劉軼，董捷.保險(xiǎn)欺詐風(fēng)險(xiǎn)的關(guān)鍵因素及法律規(guī)制［J］.金融理論探索， 2018 （4）： 60-70.

［27］Zhou J， Wang S， Zhou J， et al. Measurement of the severity of opportunistic fraud in injury insurance： Evidence from China［J］. Emerging Markets Finance and Trade， 2017， 53（2）： 387-399.

［28］周建濤， 韓桃， 張?zhí)?車險(xiǎn)人身傷害軟欺詐識(shí)別［J］. 中國保險(xiǎn)， 2015（8）： 31-35.

［29］Wang Y， Xu W. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud［J］. Decision Support Systems， 2018， 105： 87-95.

責(zé)任編輯：李金霞

Research on Identification of Opportunity Fraud in Insurance Claims

——Sample Based on Exaggerated Claims for Bodily Injury in Automobile Third-party Liability Insurance

Zhou Jiantao1， Zhang Rui1， Zhou Jianbo2

（1.School of Economics and Management， Beihang University， Beijing 100191，China；

2.School of Economics， Peking University， Beijing 100871，China）

Abstract：The exaggerated claims for bodily injury in automobile third-party liability insurance is a widespread opportunity fraud， which is less condemned by social morality. If it is not curbed， it will produce adverse inducement to society. Theoretically， this paper establishes an opportunity fraud mode suitable for the court decision samples based on time cost， information collection cost， moral sense and other factors， and also conducts Monte Carlo simulation on the impact of the above parameters on exaggerated claims. Empirically， nonparametric statistics and regression statistics are used to analyze the mechanism of factors that affect exaggerated claims， such as the proportion of accident responsibility of the perpetrators and the unemployment of claimants. The decision tree method is used to identify exaggerated claims， and it is found that the prediction effect is better for more serious and large amount of opportunity fraud. To this end， insurance companies should establish clear compensation regulations and reduce the adverse effects caused by information asymmetry， relevant departments should pay attention to the standardization of credentials and make the division of responsibilities more detailed.

Key words：automobile third-party liability insurance; insurance claims fraud; amount of court decision; exaggerated claims for bodily injury; insurance claim settlement