科学研究

学术观点

您当前的位置: 科学研究 >学术观点
孟生旺教授:车联网大数据分析与汽车保险定价
时间:2017-03-24

        基于车联网数据可以提取出与风险相关的七类指标共156个因子,如车辆行驶里程,行驶区域面积,车辆使用时间,分段行程信息,行驶速度信息,道路类型信息,以及在不同时间段和道路类型上驾驶时间的分布等。

        通过对上述指标进行描述性统计分析发现,行驶里程数是统计意义上与风险和损失相关最高的指标。行程里程数随着出险次数的增加而线性增加,这种正相关性表明,可以把行程里程数作为汽车保险的风险基础和定价基础,替代当前使用的车年数。行驶里程数表示行驶的距离,行驶区域则反映活动的范围。行驶区域面积和风险之间也是高度相关的,行驶区域面积增加时出险的频率也在增加,不同的出险次数对应的行驶区域面积直线上升。行驶时间与行驶距离相关,出险的次数越高,驾驶的时间越长。急加速和急减速的次数与车损险的出险次数有关。超速与出险频率有密切关系。道路类型对出险次数有一定影响。汽车的平均速度与风险的关系微乎其微。

        从损失次数、损失金额的角度来分析签单保费与风险的相关性可以发现,签单保费不随损失次数的增加而改变,说明传统的定价结果与风险的关联度很低,签单保费与风险的匹配度很低。就损失金额而言,损失金额与上述重要风险因子之间的相关性都很低。

        将基于车联网数据建立损失预测模型求得的预测保费与签单保费、经验损失金额数据进行对比,发现预测保费和经验损失之间的相关系数达到37%,而签单保费和经验损失之间的相关系数只有2%,表明签单保费不能准确反映风险的大小。基于模型的分析结果还可以发现,车联网指标对于传统的定价因子具有比较强的替代作用。

        由于目前的数据中存在信息缺失、样本量较小的问题,出险频率模型有待进一步优化、提升。出险频率与损失金额影响因素不同。建立损失金额模型将面临更大挑战。如果在现有车联网数据的基础上,纳入天气和交通路况等信息,可以进一步提高汽车保险定价的准确性。