運(yùn)用探索性數(shù)據(jù)分析（EDA）和梯度提升決策樹（GBDT）識別人身保險(xiǎn)欺詐的方法探討

王飛躍 黃 濤 黃 磊 中國太平洋人壽保險(xiǎn)股份有限公司

《反保險(xiǎn)欺詐指引》實(shí)施以來，要求保險(xiǎn)公司建立欺詐風(fēng)險(xiǎn)識別機(jī)制，通過欺詐因子篩選、要素分析、風(fēng)險(xiǎn)調(diào)查等方法，發(fā)現(xiàn)風(fēng)險(xiǎn)因素。如何對欺詐風(fēng)險(xiǎn)進(jìn)行及時(shí)識別，是保險(xiǎn)行業(yè)實(shí)踐中亟待探討解決的問題和挑戰(zhàn)。本文通過探討綜合運(yùn)用探索性數(shù)據(jù)分析（EDA）和梯度提升決策樹（GBDT）方法，在已知問題賠案數(shù)據(jù)較少的情況下，可以較為有效地識別人身保險(xiǎn)領(lǐng)域欺詐案件，為行業(yè)和同業(yè)公司保險(xiǎn)欺詐風(fēng)險(xiǎn)識別提供參考。

一、引言

保險(xiǎn)欺詐（Insurance Fraud）是指故意制造保險(xiǎn)事故、謊稱發(fā)生保險(xiǎn)事故或夸大索賠以騙取保險(xiǎn)金的行為，它以不當(dāng)?shù)美麨槟康?，?yán)重?fù)p害保險(xiǎn)公司利益。欺詐導(dǎo)致的額外成本最終將通過后續(xù)保費(fèi)上漲轉(zhuǎn)嫁給誠實(shí)投保人，嚴(yán)重侵蝕保險(xiǎn)市場賴以運(yùn)作的公平保費(fèi)理論。近年來，保險(xiǎn)欺詐團(tuán)伙化、專業(yè)化、職業(yè)化特點(diǎn)愈發(fā)突出，不僅損害誠實(shí)守信的保險(xiǎn)消費(fèi)者利益，侵蝕保險(xiǎn)公司經(jīng)營成本，甚至影響保險(xiǎn)業(yè)的健康穩(wěn)定發(fā)展及社會誠信體系的構(gòu)建。《反保險(xiǎn)欺詐指引》第二十六條明確要求，保險(xiǎn)機(jī)構(gòu)應(yīng)建立欺詐風(fēng)險(xiǎn)識別機(jī)制，對關(guān)鍵業(yè)務(wù)單元面臨的欺詐風(fēng)險(xiǎn)進(jìn)行收集、發(fā)現(xiàn)、辨識和描述，形成風(fēng)險(xiǎn)清單。其中包括通過欺詐因子篩選、要素分析、風(fēng)險(xiǎn)調(diào)查等方法，發(fā)現(xiàn)風(fēng)險(xiǎn)因素。如何對人身保險(xiǎn)欺詐領(lǐng)域開展有效的識別和預(yù)警，是保險(xiǎn)公司保險(xiǎn)欺詐研究的核心內(nèi)容。

目前保險(xiǎn)公司傳統(tǒng)的反欺詐分析依賴相關(guān)人員的經(jīng)驗(yàn)和其能獲取數(shù)據(jù)的程度。受人力、物力所限，保險(xiǎn)欺詐案件大多憑借理賠人員和風(fēng)險(xiǎn)監(jiān)測人員的直覺從大量的案件中抽取出來進(jìn)行分析。識別規(guī)則主要依靠一些固定標(biāo)準(zhǔn)和人員的長期經(jīng)驗(yàn)篩選可疑案例，調(diào)查的質(zhì)量主要依賴于理賠人員的個(gè)人素質(zhì)以及與業(yè)內(nèi)其他公司、部門的個(gè)人關(guān)系。在保險(xiǎn)業(yè)信息化發(fā)展的大背景下，客戶各種信息的數(shù)字化、業(yè)務(wù)電子商務(wù)化、理賠流程系統(tǒng)化、事故現(xiàn)場的影像化，一方面為保險(xiǎn)公司積累了大量的數(shù)據(jù)，另一方面也使傳統(tǒng)的以實(shí)物為基礎(chǔ)的反保險(xiǎn)欺詐模式受到極大的挑戰(zhàn)，因此迫切需要建立以大數(shù)據(jù)為基礎(chǔ)的反保險(xiǎn)欺詐的新模式，提高對保險(xiǎn)欺詐風(fēng)險(xiǎn)識別的技術(shù)水平。

二、方法及選擇

反保險(xiǎn)欺詐的大數(shù)據(jù)分析流程主要包括五個(gè)層面的工作流程：風(fēng)險(xiǎn)分析、構(gòu)建規(guī)則模型、篩選可疑數(shù)據(jù)、進(jìn)行驗(yàn)證核實(shí)、后續(xù)優(yōu)化等，形成完整的、閉環(huán)運(yùn)作的反保險(xiǎn)欺詐數(shù)據(jù)分析體系。關(guān)于模型選擇目前存在定性分析法、決策樹/風(fēng)險(xiǎn)樹、評分卡、復(fù)制模型、人工智能和知識圖譜等方法，但都難以單獨(dú)解決在已知較小樣本基礎(chǔ)上準(zhǔn)確識別未知欺詐案件。

探索性數(shù)據(jù)分析（EDA）是指對現(xiàn)有數(shù)據(jù)（特別是調(diào)查或觀察得來的原始數(shù)據(jù)）在盡量少的先驗(yàn)假定下進(jìn)行探索，通過作圖、制表、方程擬合、計(jì)算特征量等手段探索數(shù)據(jù)的結(jié)構(gòu)、規(guī)律或異常值的一種數(shù)據(jù)分析方法。梯度提升決策樹（GBDT）是一種集成學(xué)習(xí)的方法，通過集成多個(gè)學(xué)習(xí)器來構(gòu)建最終預(yù)測模型，即對于一個(gè)復(fù)雜任務(wù)來說，將多個(gè)學(xué)習(xí)器（專家）的判斷進(jìn)行適當(dāng)綜合所得出的判斷，比其中任何一個(gè)學(xué)習(xí)器（專家）單獨(dú)做出的判斷要好。梯度提升決策樹算法經(jīng)過多輪迭代，每次迭代生成一棵新的決策樹，并將新的決策樹添加到模型中匯總，不斷提升預(yù)測模型的精度，并形成最終的模型。本次已知問題賠案數(shù)量較少，共28條，待檢查的賠案數(shù)據(jù)為4000條。因此，擬首先運(yùn)用探索性數(shù)據(jù)分析（EDA）對已知人身保險(xiǎn)欺詐案件特征進(jìn)行分析；其次運(yùn)用梯度提升決策樹（GBDT）建立大數(shù)據(jù)分析模型，通過對比各個(gè)賠案的評分，分析評分相近的賠案，對比賠案之間的特征，發(fā)現(xiàn)疑似案件；最后通過現(xiàn)場復(fù)勘評估風(fēng)險(xiǎn)識別的準(zhǔn)確性。

三、規(guī)則梳理

以賠案號為唯一標(biāo)識將“問題賠案數(shù)據(jù)”和“待核實(shí)賠案數(shù)據(jù)”兩部分?jǐn)?shù)據(jù)進(jìn)行整合。結(jié)合保險(xiǎn)欺詐案件的常規(guī)特征和本次問題賠案的特點(diǎn)，初步選擇出一些典型的字段，并通過分析，明確字段對應(yīng)的規(guī)則。從業(yè)務(wù)的角度對選取字段和規(guī)則的合理性進(jìn)行初步驗(yàn)證。

?表1 字段、規(guī)則、業(yè)務(wù)場景梳理結(jié)果

四、探索性數(shù)據(jù)分析（EDA）

運(yùn)用探索性數(shù)據(jù)分析方法對整合數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)問題賠案的特征變量與待核實(shí)賠案有顯著差別，包括保費(fèi)、賠款總額、賠款總額與保費(fèi)比例、被保險(xiǎn)人年齡、被保人身份證所在地區(qū)與銷售地點(diǎn)等特征變量等，最終確定將保費(fèi)總額、賠款總額、被保險(xiǎn)人年齡、醫(yī)院、疾病、賠款總額與保費(fèi)比例、被保人身份證所在地區(qū)與銷售地點(diǎn)是否一致等作為用于后續(xù)測算的特征變量。分析方法如下：

（一）利用關(guān)系網(wǎng)絡(luò)進(jìn)行分析，發(fā)現(xiàn)業(yè)務(wù)員、上級主管、醫(yī)院和疾病之間存在關(guān)聯(lián)關(guān)系。在圖1中，線條的粗細(xì)代表關(guān)聯(lián)關(guān)系的強(qiáng)弱。在問題賠案中，有多個(gè)業(yè)務(wù)員的上級主管均為“石XX”，而“石XX”和醫(yī)院“A省B市醫(yī)院”有非常強(qiáng)的關(guān)聯(lián)關(guān)系；醫(yī)院“A省B市醫(yī)院”和兩種疾病“腦梗塞”和“腔隙性腦梗塞”有較強(qiáng)的關(guān)聯(lián)性（詳見圖1）。

（二）問題賠案的保費(fèi)多集中在1000—4000元之間，而待核實(shí)賠案的保費(fèi)主要集中在1400—7000元之間，并且問題賠案的保費(fèi)普遍較低（詳見圖2）。

（三）問題賠案的賠款總額多集中在25000—60000元之間，而待核實(shí)賠案的賠款總額主要集中在0—35000元之間，并且問題賠案的賠款總額更為集中（詳見圖3）。

?圖1 業(yè)務(wù)員、上級主管、醫(yī)院及疾病的關(guān)系網(wǎng)絡(luò)圖

（四）問題賠案的賠款總額與保費(fèi)比例趨勢線（紅線）呈上升趨勢，即問題賠案的賠款總額與保費(fèi)比例隨著賠款總額的上升而上升，主要由于問題賠案的保費(fèi)較低、繳費(fèi)次數(shù)較少，且不隨賠款總額的變化而變化（詳見圖4）。

（五）經(jīng)過分析對比待核實(shí)賠案中被保險(xiǎn)人身份證所在地區(qū)與銷售網(wǎng)點(diǎn)所在地區(qū)發(fā)現(xiàn)，大部分賠案的被保險(xiǎn)人的身份證與銷售網(wǎng)點(diǎn)在同一地區(qū)（黑色直線劃出部分），同時(shí)也存在被保險(xiǎn)人的身份證與銷售網(wǎng)點(diǎn)不在同一區(qū)域（異地投保）的現(xiàn)象。在異地投保中，有五處較為集中的異地投保區(qū)域包括1號區(qū)域、2號區(qū)域、3號區(qū)域、4號區(qū)域、5號區(qū)域（詳見圖5）。

（六）從被保險(xiǎn)人年齡段來看，35歲—40歲年齡段的問題賠案件數(shù)占比最高，50歲—55歲年齡段的問題賠案件數(shù)最多。在待核實(shí)賠案中，被保險(xiǎn)人年齡超過65歲的賠案有376件（詳見圖6）。

五、梯度提升決策樹（GBDT）分析

?圖2 保費(fèi)對比分析

?圖4 賠款總額與保費(fèi)比例的對比分析

?圖3 賠款總額對比分析

?圖5 被保人身份證所在地區(qū)與銷售地點(diǎn)對比分析散點(diǎn)圖

?圖6 在不同被保險(xiǎn)人年齡段的問題賠案在待核實(shí)賠案中的件數(shù)占比

首先，運(yùn)用梯度提升決策樹方法對特征變量進(jìn)行測算分析并得到對每一個(gè)賠案的評分，發(fā)現(xiàn)醫(yī)院和疾病是兩個(gè)具有顯著影響的特征變量，對本次評分起到?jīng)Q定性作用，賠款總額與保費(fèi)的比例、被保人身份證所在地區(qū)與銷售地點(diǎn)是否一致、保費(fèi)總額、賠款總額和被保險(xiǎn)人年齡等特征變量均會對評分，發(fā)現(xiàn)醫(yī)院和疾病是兩個(gè)具有顯著影響的特征變量，對本次評分起到?jīng)Q定性作用，賠款總額與保費(fèi)比例、被保人身份證所在地區(qū)與銷售地點(diǎn)是否一致、保費(fèi)總額、賠款總額和被保險(xiǎn)人年齡等特征變量均會對評分產(chǎn)生影響。

其次，根據(jù)評分對待核實(shí)賠案進(jìn)行分組，評分結(jié)果相近的分在一組，在每組內(nèi)通過對比問題賠案和待核實(shí)賠案的特征，分析出在待核實(shí)賠案中的疑似問題賠案。通過對比待核實(shí)賠案信息（特征）和問題賠案信息（特征）之間的相似程度，從醫(yī)院、疾病、地域、保費(fèi)、賠付金額等角度進(jìn)行分析，發(fā)現(xiàn)以下賠案與問題賠案高度相似（后稱此類賠案為“疑似問題賠案”）。通過對比各個(gè)賠案的評分，分析評分相近的賠案，對比賠案之間的特征，發(fā)現(xiàn)疑似案件：WUH****00015940、WUH****00015940、 WUH****00015940、WUH****00006798、 WUH****00017324、WUH****00005689、 WUH****00020195、WUH****00006301、WUH****0000526等上述疑似問題賠案的醫(yī)院名、疾病名與問題賠案完全一致，被保險(xiǎn)人身份證所在區(qū)域與部分問題賠案的區(qū)域相同，符合問題賠案保費(fèi)金額低并且賠款總金額不高的特征；其余五個(gè)賠案與問題賠案的醫(yī)院名、疾病名、所在地區(qū)等特征相似（詳見圖7）。

?圖7 疑似問題賠案分析結(jié)果

最后，將上述可疑賠案發(fā)送至分公司進(jìn)行復(fù)勘。經(jīng)核實(shí)，除賠案號WUH****00005260外，其余8件賠案均確認(rèn)為欺詐案件，準(zhǔn)確率為88.9%。

六、結(jié)語

本文探索了在已知問題賠案數(shù)據(jù)較少的情況下對人身保險(xiǎn)領(lǐng)域未知欺詐風(fēng)險(xiǎn)的一種識別方法。首先運(yùn)用探索性數(shù)據(jù)分析（EDA）對已知人身保險(xiǎn)欺詐案件特征進(jìn)行分析，其次運(yùn)用檢驗(yàn)梯度提升決策樹（GBDT）建立大數(shù)據(jù)分析模型，通過對比待核實(shí)賠案信息（特征）和問題賠案信息（特征）之間的相似程度，從醫(yī)院、疾病、地域、保費(fèi)、賠付金額等角度對待核實(shí)欺詐數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)可疑賠案，最后針對重點(diǎn)可疑賠案進(jìn)行復(fù)勘確認(rèn)，得到了較好的識別效果。

?表2 特征變量對篩選問題賠案的貢獻(xiàn)度分析結(jié)果

?表3 疑似問題賠案分析結(jié)果