商业车险改革

刘艳

[摘要]车联网是汽车物联网的简称，是一种汽车信息服务。在车辆保险中推广应用车联网保险模式，不仅能够使保险经营走向更加科学和规范的轨道，更重要的是，这种模式能够很好地发挥保险的正外部性特征。与此同时，在车辆保险领域推广应用车联网技术也能够有力推动我国车联网产业的发展，继而推动相关领域的技术进步。

[关键词]车联网 保险

车联网是以驾乘者的体验为服务核心，运用汽车制造、无线通信技术、数据分析、物联网和互联网等技术，将驾乘者与周围环境有机联系起来，以实现整个系统综合广泛的应用，从而构成网络生态系统。

在车辆保险的发展过程中，定价模式一直是推动车辆保险进步的重要因素。按照发展阶段的不同，车辆保险的定价方式主要有保额定价、车型定价及使用定价三类。我国目前仍处于保额定价阶段，并正在向半保额、半车型定價过渡。而从国外发达保险市场的情况看，车辆保险已经开始进入使用定价（UBI）阶段。

无论是保额定价还是车型定价，在这些传统的定价模式中，定价因子包括从车、从地、从用和从人等因素。车联网和大数据技术的出现，给我们破解传统定价模式局限带来可能，基于UBI技术的车联网保险模式应运而生。在UBI定价模式中，“用”和“人”更多是指动态概念。车联网保险除了在定价方面将破解从前面临的难题外，还能在防止盗窃风险和保险欺诈方面发挥很好的作用。

一、传统车险定价模型及问题

车险实务中，对于费率的确定，比较广泛采用的模型是加法模型和乘法模型。二者的本质思想类似：将选定的每个风险分类变量都分为离散的若干个级别，每一个级别对应一个级别相对数，通过级别相对数的组合来确定每一个风险单元的费率。二者的区别在于级别相对数的组合方式不同：加法模型采用级别相对数相加的方式，而乘法模型则采用级别相对数相乘的方式。

以上两种传统的线性模型的形式十分简单，采用的边际总和法的方法也比较容易。但无论是模型本身，还是估计参数用的边际总和法，都存在着一定的问题。

第一：边际总和法的适用性存在问题。经验表明，通过一个风险因素分类的结果是粗略的，远不足以将所有的被保险人分为风险同质的群体。对于一个风险异质性较大的群体，大数法则是不适用的。因此，假设经过一个因素的分类，就可以使各类的实际损失与理论损失严格相等，其条件是不充分的。

第二：这两个模型都假设损失变量是连续随机的并且服从正态分布，实际上这一假设往往不成立。

第三，通过加法模型和乘法模型拟合的结果并不一致，特别是当损失的分布很不均匀时，对于较大幅度偏离总体平均损失水平的那些风险单元，两种方法求得的费率结果差别可能会很大。

第四：这两种方法的准确性难以衡量。因为缺乏相应的统计检验手段，这使得我们无法比较哪一个模型对实际数据的拟合程度更高；同时，亦无法鉴别所选用的风险分级变量是否合适，因此，对于风险分类变量的选取以及风险分级的确定，很大程度上需要依赖于主观的判断。

二、车联网保险的总体框架

车联网保险的基本特征是基于使用定价，即UBI模式，可将其准确表述为将与使用相关的风险因子纳入定价模型，其中最重要的部分是驾驶行为。

车辆保险的定价原理是将车辆“纯风险损失”进行分解，首先是出险率和案均损失，其次是分析与这两个因素有关的因子，最后是寻求不同因子之间的函数关系。从传统定价模式看，由于存在数据获取方面的局限性，因此，人们更多的是使用“从车”因子，如车辆的价值、类型、使用性质等，而在“从人”因子方面，也大都采用一些相对静态的类属因子，如性别、年龄、职业和婚姻状态等。尽管人们知道影响“出险率”最大和最直接的因子应当是与人的驾驶行为相关的因子，同时，人们也知道根据实际使用情况确定价格才是最合理的。但苦于没有一种技术手段能够解决数据采集问题，而车联网技术的出现，给这个问题的解决提供了可能。

与传统的车险数据采集系统不一样，车联网技术能够获得人、车、环境三方面的信息，信息量大、数据准确性高。从车联网数据的整体来看主要有以下三个显著特点：

第一：数据类型多。保险市场的不确定性受到许多因素的影响。数据的类型既有数值型的也有非数值型的。传统的基于统计学的粗略地分析，往往都是分析人员对大量统计数据凭经验做出决策，因而受分析者主观因素比较大，分析结果也非常粗略。传统的数据采集系统设计的风险因素也比较简单，主要涉及投保人的年龄、性别、历史赔付数据等，没有考虑更能准确反映风险水平的因素，而这正是车联网保险数据所具备的最主要的特点。

第二：数据动态性强。保险数据中特别是保险期限较短的财产保险所包含的规律的时效性非常强。利用车联网系统收集的数据更新周期会大大缩短，甚至每月所交保费会在很大程度上受到近几个月的驾驶情况的影响，数据具有很强的动态性。

第三：数据量大。保险领域的数据量非常庞大，基于车联网技术所涉及的数据则种类更加广泛，类型更加细致。车联网的一个目标是通过数据更加准确地反映投保人的风险水平，从而制定出更加切合事实的保费。

如下三类数据影响着车辆风险水平。

一：驾驶行为数据。驾驶行为是决定驾驶员风险水平的最关键因素。基于车联网系统的数据采集会涉及行驶里程数、平均行驶速度、每百公里急加速/减速次数、平均转向速度、每次出行时段以及每百公里最佳车速驾驶里程等，这些信息会随着车辆的使用而不断产生新的数据，从而丰富保险公司识别的基础，以便于对保费作出及时的修正。

二：车辆状况数据。基于车联网的车辆数据具有更大的动态性，即随着保单的进行，数据会随时更新。其中，数据包括发动机转速、平均油耗等。

三：环境数据。车辆的行驶环境也是一个至关重要的因素。环境数据包括但不限于：居住地环境、每百公里夜间行车占比、温度、湿度、车辆悬挂压力、每百公里山路行车里程。

在收集了各种维度和结构的数据之后，我们应当采取一个合理的模型来对收集的数据进行处理，以达到对车险产品进行定价、对其准备金进行评估等目的。作为传统线性模型的推广的广义线性模型（GLM）在理论和实务界都受到了越来越多的关注。GLM的核心思想为：用风险等级变量的线性组合的某个函数，可以解释损失变量的期望值水平。采用符号系统表示，GLM的核心表达式为

其中，表示因变量（可以是损失次数、损失强度等变量），g（.）是联结函数，为自变量（即风险分类变量）组成的向量，为参数向量（即各个风险分类变量的系数向量）。模型假定服从某一指数族分布，并且该分布的方差可依据其期望来确定，从而整个分布也可以被确定。GLM的模型参数通过最大似然法确定。我们只需在确定模型和数据后，通过参数估计、模型检验和模型诊断三个步骤对模型进行求解，最终便可使用模型进行预测。

三、结论

本文通过对现有的车险定价模型进行分析，指出目前的车险定价方法中数据收集和分析处理、模型建立与预测方面均存在不足，同时车联网保险的数据类型进行详细解读，其数据复杂性、大量性和强动态性的论证证明了在大数据时代车联网保险的实施有其现实基础。在未来大数据时代背景之下，在车辆保险中推广应用车联网保险模式，不仅能够精准定价，推动保险经营水平提升，还能够促进绿色出行和安全驾驶，给和谐交通和环境保护作出贡献。但是我们在开展车联网保险的过程中，应当处理好隐私保护的问题，这样才能得到消费者的认可，使得车联网保险能更好的推广开来，发挥保险的社会功能。endprint