道路运输车辆运行动态数据在车辆保险中的应用

赵维祖，陈邦举，刘利静

（中国交通通信信息中心，北京100011）

1 引言

车联网是由车辆车载终端、数据传输链路和监控服务平台组成的信息交互网络。通过在车辆上安装的车载终端采集当前速度、正北方向夹角、经度、纬度、油量、发动机状态、急转弯、急刹车、加速度、行驶里程、车内外视频图像等车辆动态信息，然后通过无线信号将这些数据传输到监管服务平台，根据不同的功能需求对汽车进行实时管理，以便于相关产业提供多样化的服务。

随着商用车车联网的不断发展，通过对联网数据的不断应用，逐步产生了一些新的商业价值，比如：通过分析车辆行驶数据对用户进行信用评分，不断优化金融风控能力和水平；通过分析司机的驾驶数据，挖掘司机经常行驶的路线，有效融合货源地地理分布，实现智能化的车祸自动匹配；通过分析车辆在不同区域的运行热力分布，结合车辆投入市场的区域分布，分析不同车型车辆在不同时段供需关系的空间分布特征；通过分析车辆行驶数据，结合车辆检验检测数据，帮助车企改进优化车辆设计；通过分析车辆是否安全驾驶，挖掘车辆行驶风险因子，开发UBI 商业保险模型。

2 行业发展背景

2009年，交通运输部以上海世博会安全保障为契机，整合全国道路运输行业现有营运车辆动态监控资源，统一车辆动态数据采集终端、车辆动态监控平台以及终端与平台间数据传输标准，建设了全国重点营运车辆联网联控系统，全面接入全国跨市运行的班线客车、旅游客车、包车客车以及危险品运输车辆（即“两客一危”车辆）的实时动态位置数据，为实现道路运输车辆跨区域、跨部门联合监管提供了有效的技术支撑。我国营运的普通货物运输车辆保有量超过1100 万辆，占机动车保有量的5.5%。据不完全统计，2010年货车的万车事故率比同期全国交通事故万车事故率高出1 倍多，大货车尤其是车货总重超过12 吨的大货车，是道路运输行业安全管理的重中之重。2011年，国家大力推动我国自主知识产权的卫星导航系统——中国北斗卫星导航系统（BeiDou Navigation Satellite System，缩写BDS）的民用产业化。交通运输部借助北斗导航系统民用应用的有利时机，积极推动北斗/GPS 双模车载定位终端在重载普通货运车辆上的应用，建立了全国道路货运车辆公共监管与服务平台。该平台可为个体货运车辆及小型货运企业提供动态监控服务，也可为大中型货运企业的监控平台提供所属车辆的动态数据接入服务，是实现重载普通货运车辆数据汇总、信息交互和第三方监管的公益性平台。目前，全国重点营运车辆联网联控系统已经全面接入全国“两客一危”车辆和重载普通货运车辆，成为了全国乃至全世界最大的道路运输车辆“车联网”，可实时掌握车辆的基本信息和运行动态信息，不仅能够为行业管理提供有效的数据支撑，同时也能为行业服务、社会公益服务提供更加安全、智能、高效的信息服务，让老百姓出行更加安全便捷，物流运行更加智能高效。

3 车辆保险应用分析与设计

正如业内专家所言，通过深入挖掘分析道路运输车辆“车联网”数据，能够在车辆保险前定价、保险中管控、出险后理赔等车辆保险的全生命周期中都有的极大的应用需求，能够有效地实现从以往的“从车”“从人”因子向“从用”因子转变，使保险公司可以在承保前自动识别风险、承保后有效管控风险、理赔时全面降低骗保风险等方面有效降低保险运行成本。

基于“车联网”车辆动态数据在车辆保险中的应用，最关键的保险因子定义，不仅包含传统意义上的保险定价因子，比如车辆的载重，长宽高，发动机型号，品牌，驱动形式等，更注重的是要加入大量的车辆驾驶行为特征因子、车辆行驶环境因子等。例如：车辆的驾驶行为特征因子里面有车辆的行驶里程、每趟次行驶时长、总行驶时长，以及结合电子地图计算车辆在不同类型道路上行驶的里程、计算车辆在不同类型的道路上有没有超过道路限制速度（行业平均运行速度）、计算车辆在不同省市（特定区域）行驶的里程、计算车辆常跑区域及常跑路线，结合当地的气象数据分析车辆在各种气象特征下行驶的里程、时间等。

3.1 数据采集

道路运输车辆“车联网”中的车辆动态数据基于交通运输部发布的JT/T 808《道路运输车辆卫星定位系统终端通讯协议及数据格式》、JT/T 809《道路运输车辆卫星定位系统平台数据交换》等平台与主机之间、平台与平台之间进行数据传输交换的行业标准进行采集，采集的主要信息除车辆厂牌型号、发动机型号、车辆外廓尺寸、车辆类型等静态数据之外，还包括车辆当前速度、正北方向夹角、经度、纬度、疲劳驾驶报警、超速行驶报警等行驶动态数据。

3.2 数据分析框架设计

由于道路环境、气象条件、车载终端质量等多种因素的影响，将会导致卫星定位数据存在一定的质量问题，因此，要精确应用这些数据，首要任务就是要保证数据质量。

将实时接收的车辆动态数据存入大数据综合分析平台，对数据进行降噪处理后，关联车辆的静态数据，关联电子地图的路网、兴趣点（Point of Interest，即POI）、行政区划数据，并叠加气象数据，统计分析车辆的驾驶行为数据和驾驶周边数据，例如：车辆的行驶里程、行驶时间、高速行驶里程、国道行驶里程、疲劳超速违章情况、危险路段经过次数、拐弯速度等特征；关联保险理赔数据，构建保险精算模型；通过保险精算模型，预测车辆的案均赔款、出险次数；有针对性地制定保险价格；保险中实时提醒、降低理赔风险。

3.3 多维度分析

根据道路运输行业特点，结合电子地图、气象数据、路况数据、时间维度等，可以从以下12 个方面对车辆的驾驶行为数据和驾驶周边数据进行多维度、多角度数据挖掘和融合分析，为建立更加高效的车辆保险模型提供必要的保险因子计算数据。多维度的数据模型主要包括：①车辆行驶道路的等级状况，普通公路、高等级公路、高速公路等不同等级的道路所面临的安全风险等级也不一样；②车辆活动范围所处的区域，城市与乡村、高海拔地区、临水临涯地区，不同的区域所面临的安全风险等级不同；③车辆在相同道路行驶速度与该道路行业平均运行速度的差异，比行业平均运行速度高出越多，存在的安全风险越大；④车辆危险道路行驶次数；⑤车辆路口通行情况，如通过十字路口不停车次数，路口左转次数、直行次数、右转次数；⑥车辆行驶路线，什么路线（干线运输、支线车辆、城市配送），路线是否固定；⑦车辆停靠点，停靠点类型（客运站、农村客运招呼站、港口码头、物流集散中心、高速路服务区、维修站），停靠次数（如维修站的停靠次数）；⑧车辆行驶里程，日均行驶里程、最大行驶里程、高速行驶里程、国道行驶里程等；⑨每趟次驾驶车辆的司机数量；⑩车辆疲劳驾驶、超速行驶等违章情况；11○车辆行驶期间天气情况，包括天气类型、温度、湿度、能见度、风力等级等对安全风险的影响；12○车队属性，包括车队规模、组织形式、车队主营业务等。

3.4 保险建模

传统的保险精算理论难以处理大量且多维度的数据，尝试使用人工智能、深度学习理论重塑传统保险的精算理论，对车辆保险因子进行建模，形成完整的车队＆车辆画像，采用单因子分析、哑变量分析、因子间相关性分析、广义线性回归分析等数据分析方法，生成精算费率模型，不仅可以预测车辆的案均赔款、出险次数，还可有针对性地制定保险价格，为保险运营提质增效。

4 结语

保险业要实现持续盈利，需要降低损失率和减少损失发生的程度，运用大数据工具分析、整合挖掘有价值的信息，将道路运输车辆运行动态数据应用于车辆保险，重塑车险精算模型，能够减少理赔成本，改善驾驶员的行为和意识，进一步减少理赔的频率和损失的幅度。运用道路运输车辆运行动态数据建立的保险模型，可以使保险公司更有效地预测车辆的赔付率。在驾驶行为不利于车辆安全行驶时，可以实时提醒司机注意行车安全，有效地降低车辆事故风险，并且对部分保险骗保的行为进行有效识别。