位置大數據在車輛保險風險管理中的應用

張澄，趙晨

1.中國聯合網絡通信有限公司江蘇省分公司，江蘇 南京 210029；

2.深圳般若計算機系統股份有限公司，廣東 深圳 518008；

3.南京般若金科信息技術有限公司，江蘇 南京 210062

位置大數據在車輛保險風險管理中的應用

張澄1，趙晨2,3

1.中國聯合網絡通信有限公司江蘇省分公司，江蘇 南京 210029；

2.深圳般若計算機系統股份有限公司，廣東 深圳 518008；

3.南京般若金科信息技術有限公司，江蘇 南京 210062

隨著我國商業(yè)車險市場的深化改革，保險公司擁有了自主定價的權利，這就要求保險公司提升對標的風險精細化分析和管理的能力。從位置大數據應用的角度，就通過手機定位的車輛位置信息（指L B S）在車輛保險風險管理中的應用問題進行了探討。提出了以網格方式進行風險劃分和計算的方法，并結合保險承保和理賠的不同應用需求給出了實施路徑和應用建議。

車輛保險；基于位置的服務；位置大數據；風險管理

1 引言

2015年2月，中華人民共和國保險監(jiān)督管理委員會印發(fā)《關于深化商業(yè)車險條款費率管理制度改革的意見》[1]，要求商業(yè)車險費率市場化，保險公司將擁有自主擬定商業(yè)車險費率的權力。保險公司可以依據消費者駕駛行為、違規(guī)（章）記錄、車輛零配件價格、維修成本、歷史出險記錄等一系列因子，對每張保單進行差異化定價。目前與之相對應的保險形式是基于駕駛行為的保險——UBI[2]。

對于UBI的定義，通常有兩種解釋：一種是usage based insurance，即按車輛使用里程數付費的保險；另一種是user behavior insurance，即按駕駛人行為來設計的保險[3]。簡單的UBI項目根據車輛實際的里程數收取保費，而更先進的UBI項目則根據使用車輛的時間、位置以及個人駕駛習慣計算風險暴露[4]。UBI的傳統實現方式依賴于OBD（on board diagnostics，車載診斷系統）對車輛各方面數據的讀取技術，但OBD使用功能單一、涉及用戶隱私問題，用戶缺少使用驅動力，在國內私家車用戶中推廣尤其緩慢。如今隨著智能手機的普及和4G通信的迅速鋪開，可以通過車主手機實現車輛位置信息的實時傳輸，從而可以對車主習慣的駕駛區(qū)域和路線進行客觀風險分析，這將對車險相關的定價、理賠以及后續(xù)服務提供支持[2]。

本文主要就通過手機定位的車輛位置信息在車輛保險風險管理中的應用問題進行了討論，介紹了位置數據的概念；分析討論了位置大數據在車輛保險風險管理中的應用，并給出了應用方法路徑；最后對位置大數據在保險行業(yè)的應用前景進行了展望。

2 位置數據

本文討論的位置數據涉及位置場景構畫和標的軌跡定位兩個方面，分別如下。

（1）地理信息數據

地理信息數據即GIS（geographic information system，地理信息系統）數據。該數據是關于地球表面特定位置的信息，包括地理要素的空間位置信息（經緯度、海拔高度、相對位置等）、屬性信息（公路、房屋、田地等）和時域特征信息（記錄地理數據采集或地理現象發(fā)生的時刻或時段）。地理信息數據是場景構畫的基礎，也是定位信息得以應用的核心。

（2）氣象數據

氣象條件是道路交通事故成因中影響最大的因素之一[5]。對行車安全造成影響的天氣條件主要有雨、雪、霧、大風、陰、沙塵、高低溫等，其中雨、雪、霧是造成交通事故的主要氣象災害[6]。氣象數據包括氣象要素信息（降水強度、風力、溫度等）、時間維度和區(qū)域信息。氣象數據與地理信息數據結合可以對不同時間和區(qū)域的客觀風險環(huán)境進行構畫和展現。

（3）定位數據

本文討論的定位數據特指通過移動通信運營商提供的基于位置的服務（location based service，LBS）[7,8]得到的定位信息。LBS起源于20世紀90年代的美國，旨在通過手機定位技術向廣大移動通信用戶提供與地理位置相關的服務。目前國內三大運營商都可以提供準實時的LBS，一般以經緯度坐標的形式提供位置信息數據。定位數據是對標的位置軌跡構畫的基礎，同時，同一區(qū)域和時刻通過定位信息統計人流量也是對場景構畫的有效補充。

3 在車輛保險風險管理中的應用

3.1 位置大數據在車輛保險風險管理中的作用

車輛保險主要承保在各類自然災害、交通事故以及偷盜、搶劫等犯罪活動中車輛遭受的風險損失以及對第三方造成的風險損失。車輛保險的風險管理工作涉及人、車、環(huán)境三大方面，保險管理中將其分解為眾多的風險因素[9,10]，位置大數據在車輛保險風險管理中屬于外部環(huán)境類影響因素。通過對車輛事故發(fā)生時的位置信息和位置場景的分析，得到位置因素對車輛出險的影響，可以為車輛保險的承保和理賠工作提供精細化的決策依據[11,12]。另外，這些分析結果還可以作為道路和交通管理部門進行道路管理優(yōu)化的參考資料。

國內對于位置數據在車輛保險方面的應用目前還主要集中在理賠端，基于3G網絡的移動車險查勘方法及系統[13,14]通過為理賠人員配備相關GPS設備對其進行定位，提高了查勘調度響應速度，同時通過3G技術實現前后臺同步的理賠作業(yè)提升了理賠效率。人保財險、太平洋財險等眾多保險公司都已在生產中應用了3G快速理賠系統。位置數據在承保端的應用，目前已經有各類基于衛(wèi)星定位技術的駕駛習慣分析系統[15,16]，但由于需要在車輛上加裝信息采集設備，車主接受度較差，尚未能普及應用。

國外車輛保險的承保和理賠模式與國內不同，其位置數據在保險方面的成熟應用目前多為財產險和農業(yè)保險方面，如對颶風等災害性天氣引起財產損失的實時追蹤和評估、對財產險標的風險環(huán)境的評估（建筑物材質、周圍警局、消防栓分布、地區(qū)犯罪率等）①http://www.esri.com/library/ bestpractices/ insurance.pdf、理賠服務最優(yōu)響應策略和輔助定損等②http://www.esri.com/library/ whitepapers/ pdfs/gis-forinsuranceclaims-process.pdf。近年來也有學者對車輛出險情況與天氣、行政區(qū)域進行關聯分析研究。Perrels A等人[17]對惡劣天氣下，芬蘭各個地區(qū)交通事故的情況進行了關聯分析，得到惡劣天氣對不同地區(qū)（不同道路設施條件下）的交通事故發(fā)生數量的影響；Samuel R K[18]通過車險賠案與人口數量、警局分布的關聯分析，繪制了肯尼亞首都內羅畢各城區(qū)的車輛出險頻度分布地圖，用于指導在不同地區(qū)實施差異化的車險費率。但這些研究選取的分析維度比較寬泛，地域跨度也較大，還不能滿足保險公司自主定價所需的精細化風險分析要求。LBS數據的引入并結合氣象數據，可以有效提高風險分析的精細化程度，為保險公司自主定價和理賠服務提供決策支撐③http://www.tcs.com/ resources/ white_papers/ Pages/Potentiallocation-data-GIS-Insurance.aspx。

3.2 位置大數據在車輛保險風險管理中的應用思路

根據地理信息數據和氣象數據構建場景信息，結合出險車輛的位置信息進行關聯分析，對不同時間段、不同氣象條件和不同地理環(huán)境下的事故發(fā)生位置進行風險計算，對城市各個地段的事故發(fā)生率進行評級和預測，分析結果作為保險公司實施UBI的風險因子和優(yōu)化理賠資源配置的決策依據使用（如圖1所示）。

考慮到我國幅員遼闊、地理環(huán)境多樣，甚至同一個行政區(qū)內的地理環(huán)境和道路建設情況也會有很大差異，筆者采用將地理區(qū)域以網格劃分的形式進行風險劃分和計算，即按風險分析需求以不同的網格精度（如5 km×5 km、1 km×1 km等）將待分析區(qū)域進行劃分，以每個網格為單位進行數據采集、場景構畫和軌跡定位，計算每個網格的風險暴露等級。

圖1 位置大數據在車輛保險應用思路

4 車輛出險位置風險評估

車輛出險位置風險評估是在將地理信息數據進行網格化處理的基礎上，對每一個網格進行風險評估，基本的評估流程如圖2所示。

圖2 風險評估流程

4.1 數據處理階段

（1）地理區(qū)域網格化

將待分析的地理區(qū)域進行網格化。網格的精度（如5 km×5 km、1 km×1 km等）應根據待分析區(qū)域的人口密度、城市化建設程度等情況進行選擇。原則上人口密度越大、城市化建設程度越高的區(qū)域，網格精度應越高。

（2）網格數據采集

以每一個網格為單位進行地理信息數據采集。這里所說的地理信息數據是指網格區(qū)域內的地形、地貌信息以及各類建筑的屬性和分布信息等。

（3）外部數據采集

以每個網格為單位進行外部數據采集。這里所說的外部數據是指氣象及車輛出險信息等。

如圖3所示，3-1為河流，3-2為跨越河流的道路，3-3為旅游風光帶，3-4為居民住宅區(qū)。網格R1包含河流和道路，網格R2包含河流和居民住宅，其對應采集的地理信息數據見表1。

網格的外部數據采集需按問題分析的時間維度進行，表2為月時間尺度的雨季的網格外部數據采集樣例。

4.2 模型分析

4.2.1 網格權重設置

道路的形狀、質量和網絡構成也是造成交通事故的因素之一[19-21]。道路的寬度、視距、坡度、曲線、人車隔離度、連通變化等與交通事故均有密切的關系。隨著道路、視距的增加，相對事故率明顯下降；隨著坡度的增加，相對事故率明顯上升；道路平曲線半徑的大小、橫斷面的縱坡以及變化過度情況等也會導致事故率的上升和車輛擁塞等連帶事故[22,23]。所以，對于本文討論的問題，需根據待分析區(qū)域網格地理空間相關性，即道路網絡分布和道路變化情況等，設定每個網格的事故影響半徑和影響權重，可以根據道路的網絡分布情況先設定網格影響半徑，再根據道路的變化情況設定影響權重。原則上，網格內道路分支越多，其影響半徑越??；道路變化程度越高（多車道變單車道、急彎、陡坡等），影響權重越大。此外，根據不同季節(jié)的氣象數據，結合歷史的車險賠案數據，可以對網絡進行權重的動態(tài)調節(jié)。

圖3 地理區(qū)域網格化示意

表1 網格地理信息采集

表2 網格外部數據采集

如圖4所示，4-1和4-2為相交連通的兩條雙向四車道道路，4-3為與4-1連接雙向兩車道道路。假定本區(qū)域網格影響半徑為一個網格，則R3網格影響以其為中心的周圍一個網格區(qū)域（如圖4中斜線填充區(qū)域所示）。道路從R3網格過渡至R4網格車道減少，道路變窄，如果R3區(qū)域發(fā)生事故，則R4區(qū)域發(fā)生擁塞和連帶事故的幾率將高于其他區(qū)域，即R3網格對R4網格的影響權重要高于影響半徑內的其他網格。

圖4 網格權重示意

4.2.2 設定風險評級標準

對于車輛出險位置的風險評估，應根據應用場景的不同，使用不同的指標體系設定網格對應的風險評級標準。承保端作為費率因子應用，更重視賠付率和純風險保費的高低；理賠端作為資源調配優(yōu)化應用，更重視出險頻率的高低。評級流程為：首先，將通過手機定位的車輛的連續(xù)累積位置信息、承保和理賠信息映射到對應的網格中；其次，根據不同應用場景的需求設定風險評級標準。

表3是在月時間尺度下，承保端和理賠端應用涉及的網格風險評級指標數據字段樣例。保險公司可以根據不同經營階段的風險管理需求來組合字段，設定風險評級指標。例如，承保端：單均保費＜4000元、單均賠付率＞60%的為1級風險；單均保費＞5000元、單均賠付率＞70%的為2級風險。理賠端：日報案數最大值＞3、總報案數＞15的為1級風險；日報案數最大值＞2、總報案數＞10的為2級風險。

4.2.3 模型算法

對于每個網格的風險評估需要根據業(yè)務需求選擇不同的算法，包括廣義線性與聚類等算法。模型的自變量為：網格區(qū)域的地理信息，包括海拔高度、建筑物分布、建筑物屬性、道路等級、道路屬性、網格影響權重等；網格區(qū)域的氣象要素，包括降水強度、風力、溫度等；網格區(qū)域的人流信息，包括人口密度和人員流動數量等。模型的因變量為承保端和理賠端的風險評級指標。

時間尺度以月周期（30天）為例，根據30天內待分析地區(qū)車輛出險位置信息、氣象要素信息、人員流動信息等對車輛出險位置風險進行評估。按應用場景不同分為兩個評估方向：一是對每個網格的車險損失等級進行評級，用于承保端費率因子；二是對每個網格的車輛出險頻度進行評級和預測，用于理賠端資源調配優(yōu)化的依據。

4.3 生產應用

4.3.1 承保端

保險公司在承保車險業(yè)務時，結合被保險人的日常行駛路線、車輛營運性質等信息，通過使用每個網格的車險損失風險評定級別來調節(jié)費率系數與單車保費，保證保費充足度與所承保的風險等級相對應。

4.3.2 理賠端

利用模型對每個網格的車輛出險頻度進行預測，可以指導保險公司對理賠資源進行合理調配和優(yōu)化，還可以對雨季、寒流等惡劣天氣條件以及國慶、春節(jié)等節(jié)假日人員出行較多的情況進行場景分析和預測，為理賠工作提供個性化場景的優(yōu)化服務。

5 結束語

近年來國家對保險業(yè)的發(fā)展越來越重視，鼓勵發(fā)展適合市場需求的個性化、定制化的保險產品。使用大數據分析技術以及“互聯網+”為保險公司精細化風險管理和定制性產品服務是保險業(yè)發(fā)展的趨勢。本文從位置大數據在車輛保險風險管理應用的角度進行了討論，探討了位置大數據在車輛保險業(yè)務中的應用形式。隨著各行各業(yè)數據互通以及智能移動可穿戴設備的普及，保險業(yè)的數據來源將由自有數據擴充為社會各界數據，由歷史數據擴充為實時數據。未來有待通過大數據分析技術挖掘客戶個性化的保險需求、對風險進行預測、實時預警和管理。

表3 網格風險評級字段

[1] 保監(jiān)會.保監(jiān)會關于深化商業(yè)車險條款費率管理制度改革的意見[J].中華人民共和國國務院公報, 2015(15): 122-124.China Insurance Regulatory Commission.Opinions about deepening the reform of commercial auto insurance pricing mechanism articles[J].The Bulletin of the State Council of the People's Republic of China, 2015(15): 122-124.

[2] 彭波, 孫超, 方方, 等.UBI車險2020展望:一場充滿商機的變革[J].中國保險報, 2016(6): 22008.PENG B, SUN C, FANG F, et al.UBI auto insurance forecast 2020: reform with great business opportunities[J].China's Insurance Quote, 2016(6): 22008.

[3] 喬木.大數據語境下UBI發(fā)展現狀及趨勢研究[J].現代商業(yè), 2015(1): 53-54.QIAO M.The developmental stage and trends of UBI under the environment ofbig data[J].Modern Business, 2015(1): 53-54.

[4] 朱仁棟.車聯網保險與商業(yè)車險改革[J].中國金融, 2015(8): 63-64.ZHU R D.Internet of car (IoC) insurance and the reform of commercial auto insurance[J].China Finance, 2015(8): 63-64.

[5] 夏敏潔.氣象條件對道路交通事故的影響分析[D].南京: 南京信息工程大學, 2014.XIA M J.Analysis of the impacts of meteorological conditions on road traffic accidents[D].Nanjing: Nanjing University of Information Science & Technology, 2014.

[6] 敖曼, 翟潤平.氣象條件對道路交通的影響分析[J].公路與汽運, 2011(2): 58-62.AO M, ZHAI R P.The analysis of the impact of meteorological conditions on road traffic[J].Highways & Automotive Applications, 2011(2): 58-62.

[7] 劉成.LBS定位技術研究與發(fā)展現狀[J].導航定位學報, 2013(1): 78-83.LIU C.Research and development status of LBS positioning technology[J].Journal of Navigation and Positioning, 2013(1): 78-83.

[8] 唐科萍, 許方恒, 沈才樑.基于位置服務的研究綜述[J].計算機應用研究, 2012(12): 4432-4436.TANG K P, XU F H, SHEN C L.Survey on location-based services[J].Application Research of Computers, 2012(12): 4432-4436.

[9] 趙明.費率改革背景下商業(yè)車險定價模型研究[D].濟南: 山東大學, 2015.ZHAO M.Study on the pricing model of commercial auto insurance under the background of rates reform[D].Jinan: Shandong University, 2015.

[10] 朱爽.車聯網環(huán)境下基于UBI的車險費率厘定模式與方法研究[D].北京: 北京交通大學, 2015.ZHU S.Research on the automobile insura nce ratemaki ng model and method based on UBI in the internet of vehicles[D].Beijing: Beijing Jiaotong University, 2015.

[11] 王和, 鞠松霖.基于大數據的保險商業(yè)模式[J].中國金融, 2014(15): 28-30.WANG H, JU S L.Insurance business model based on big data[J].China Finance, 2014(15): 28-30.

[12] 尹會巖.保險行業(yè)應用大數據的路徑分析[J].海保險, 2014(12): 10-16.YIN H Y.The analysis of implementation path of big data in insurance industry[J].Shanghai Insurance, 2014(12): 10-16.

[13] 羅昔軍, 費耀平.基于3G網絡的移動車險查勘方法及系統: CN102411763A [P].2012-04-11.LUO X J, FEI Y P.Remote auto insurance investigation methods and system based on 3G network: CN102411763A [P].2012-04-11.

[14] 羅昔軍, 費耀平.基于3G網絡的移動車險查勘系統: CN201789632U [P].2011-04-06.LUO X J, FEI Y P.Remote auto insurance investigation system based on 3G network: CN201789632U [P].2011-04-06.

[15] 黃偉文.一種基于GPS衛(wèi)星定位技術的駕駛習慣分析系統: CN202495152U [P].2012-10-17.HUANG W W.An analytic system of driving behaviors based on GPS technologies: CN202495152U [P].2012-10-17.

[16] 黃偉文, 關照, 李華棠.一種基于北斗衛(wèi)星定位技術的駕駛習慣分析系統: CN202795498U[P].2013-03-13.HUANG W W, GUANG Z, LI H T.An analytic system of driving behaviors based on Beidou GPS technologies: CN202795498U [P].2013-03-13.

[17] PERRELS A, VOTSIS A, NURMI V, et al.Weather conditions, weather information and car crashes[J].ISPRS International Journal of Geo-Information, 2015(4): 2681-2703.

[18] SAMUEL R K.Application of GIS in auto insurance risk segmentation and rating: a case for Nairobi county[D].Nairobi: The University of Nairobi, 2014.

[19] 張鎖, 陳龍, 李永芳.重視道路因素對道路交通安全的影響[J].山西交通科技, 2006(2):63-65, 85.ZHANG S, CHEN L, LI Y F.The impact of road conditions on road traffic safety and security[J].Shanxi Science & Technology of Communications, 2006(2): 63-65, 85.

[20] 梁廣安.道路因素、交通環(huán)境與交通事故[J].交通世界(運輸.車輛), 2015(24): 126-127.LIANG G A.Road conditions, traffic environment and traffic accidents[J].Journal of Highway & Transportation Reseach Andk Development, 2015(24): 126-127.

[21] 張志剛.道路因素、交通環(huán)境與交通事故分析[J].公路交通科技, 2000(6): 56-59.ZHANG Z G.Road conditions, traffic environment and traffic accident analysis[J].Journal of High way and Transportation Research and Development, 2000(6): 56-59.

[22] 馬璐.道路因素對道路交通安全的影響分析[D].西安: 長安大學, 2005.MA L.Analysis of road factor for affecting traffic safety[D].Xian: Chang'an University, 2005.

[23] 鄭艷芳.基于道路及環(huán)境因素的城市交通安全分析研究[D].福州: 福州大學, 2006.ZHENG Y F.Base on road and environment factors urban traffic safety analyze and research[D].Fuzhou: Fuzhou University, 2006.

Applications of location-based big data for auto insurance risk control

ZHANG Cheng1, ZHAO Chen2,3
1.Jiangsu Branch, China United Network Communications Group Co.Ltd., Nanjing 210029, China
2.Shenzhen Prajnasys Co.Ltd., Shenzhen 518008, China
3.Nanjing Prajnasys Co.Ltd., Nanjing 210062, China

Since the authorities conduct deep reform of commercial auto insurance, Chinese insurance companies are able to get more autonomy in product pricing and the insurance companies are required to improve their capabilities of delicacy risk management and risk analysis.The point of location-based big data to discuss applications of mobile positioning methods in auto insurance risk control was proposed.The implementation path and service recommendations to insurance underwriting and claim settlement based on grid-based methods of risk assessment and calculation were given.

auto insurance, LBS, location-based big data, risk control

TP399

A

10.11959/j.issn.2096-0271.2016056

張澄（1979-），男，中國聯合網絡通信有限公司江蘇省分公司互聯網部大數據中心總監(jiān)，有10年以上互聯網創(chuàng)新產品及業(yè)務的設計及運營經驗，對大數據、能力開放、支付金融、游戲運營、后向通信產品等業(yè)務有較深的理解。目前主要主持大數據與能力開放平臺與互聯網及行業(yè)客戶的合作工作。

趙晨（1980-），男，深圳般若計算機系統股份有限公司氣象大數據應用負責人，南京般若金科信息技術有限公司副總經理，主要負責氣象保險應用、客戶需求挖掘和大數據產品的研發(fā)和規(guī)劃工作。

2016-08-20