保險(xiǎn)反欺詐識(shí)別模型研究

吳景泰 張育儒

摘要：本文從反欺詐角度出發(fā)，對(duì)意外險(xiǎn)風(fēng)險(xiǎn)進(jìn)行了研究。首先，分析了意外險(xiǎn)保險(xiǎn)欺詐的現(xiàn)狀、成因和分類。其次，運(yùn)用Logistic回歸與k-means聚類分析從種類特征和個(gè)體特征兩個(gè)方面進(jìn)行理賠風(fēng)險(xiǎn)識(shí)別，查找欺詐因子。再次，根據(jù)風(fēng)險(xiǎn)識(shí)別的因素確定研究所需的自變量，然后根據(jù)自變量建立決策樹(shù)分類處理模型。最后，運(yùn)用實(shí)例進(jìn)行驗(yàn)證。

關(guān)鍵詞：意外傷害險(xiǎn);風(fēng)險(xiǎn)分析;保險(xiǎn)欺詐;Logistic回歸;決策樹(shù)

中圖分類號(hào)：F062.9 文獻(xiàn)識(shí)別碼：A文章編號(hào)：2096-3157（2020）26-0152-03

保險(xiǎn)欺詐是指僅投保人、被保險(xiǎn)人、保險(xiǎn)受益人違反保險(xiǎn)最大誠(chéng)信原則，隱瞞保險(xiǎn)標(biāo)的的真實(shí)情況，利用雙方信息不對(duì)稱來(lái)騙取巨額保險(xiǎn)金的行為。意外險(xiǎn)保險(xiǎn)欺詐不僅給保險(xiǎn)企業(yè)造成重大經(jīng)濟(jì)損失，增加誠(chéng)信投保人的投保成本，擾亂市場(chǎng)經(jīng)濟(jì)秩序，而且欺詐行為的出現(xiàn)會(huì)導(dǎo)致人員傷亡，保險(xiǎn)欺詐日益成為危害社會(huì)公共安全和經(jīng)濟(jì)穩(wěn)定的因素。意外險(xiǎn)經(jīng)營(yíng)狀況直接影響著壽險(xiǎn)保險(xiǎn)公司的穩(wěn)定性，是保險(xiǎn)欺詐的嚴(yán)打區(qū)，為了索賠，故意制造事故，不僅影響著誠(chéng)實(shí)投保人的利益，給保險(xiǎn)公司帶來(lái)巨大的經(jīng)濟(jì)損失，而且危害公共安全。精準(zhǔn)分析理賠風(fēng)險(xiǎn)、識(shí)別欺詐因子，具有極為重要的意義。

一、意外傷害事故特征指標(biāo)

經(jīng)研究，事故的特征指標(biāo)分為事故總類特征指標(biāo)和個(gè)體特征指標(biāo)。

1.事故總類特征指標(biāo)

（1）承保信息提取指標(biāo)：投保人和被保人姓名、投保人性別、投保人年齡、投保渠道、投保人近期投保次數(shù)、保單總批改次數(shù)、已有索賠次數(shù)、保費(fèi)、保險(xiǎn)金額、被保人年齡、被保人性別、被保人工作性質(zhì)、被保人與投保人關(guān)系、家庭收入債務(wù)情況、被保人身體狀況，依次分別用xi（i=1，2，…，15）表示。

（2）出險(xiǎn)信息提?。罕槐Ｈ藗銮闆r、報(bào)警時(shí)間、警察開(kāi)具的事故現(xiàn)場(chǎng)勘查報(bào)告和事故性質(zhì)認(rèn)定書(shū)、報(bào)案時(shí)間、是否第一現(xiàn)場(chǎng)報(bào)案、保單與事故的時(shí)間間隔、出險(xiǎn)時(shí)間、事故現(xiàn)場(chǎng)方位概貌情況、事故的形式類型、事故現(xiàn)場(chǎng)痕跡，依次分別用xi（i=16，17，…，25）表示。

（3）理賠信息提取：是否閃賠、是否自動(dòng)核賠、索賠類型、索賠金額、是否集中一次賠付、是否多家索賠、是否急于索賠，依次分別用xi（i=26，27，…，32）表示。

2.事故個(gè)體特征指標(biāo)

（1）交通事故：制動(dòng)拖印長(zhǎng)度、剎車時(shí)間、整體分離痕跡、事故發(fā)生的第一接觸點(diǎn)、附著物、車輛與人的狀態(tài)、姿勢(shì)、拋出物距離。

（2）高墜事故：高墜起點(diǎn)高度、血跡面積、物品或工具的散落范圍、著地點(diǎn)與起點(diǎn)的水平距離、承痕客體擦劃痕跡。

（3）煤氣中毒：HbCO%飽和度、尸斑顏色、安定含量、煤氣管道是否泄漏、現(xiàn)場(chǎng)通風(fēng)情況。

（4）溺水事故：現(xiàn)場(chǎng)足跡數(shù)量、肺中積水量、口鼻部有無(wú)泡沫、落水點(diǎn)有無(wú)跌倒滑蹬痕跡、手中是否抓有異物。

（5）火災(zāi)爆炸事故：起火點(diǎn)個(gè)數(shù)、起火源、起火物、口腔內(nèi)有無(wú)煙灰炭末、炸點(diǎn)形狀、爆炸殘留物種類、拋出物距離。

（6）觸電事故：觸電方式、電流斑個(gè)數(shù)、有無(wú)皮膚電擊紋、絕緣物體有無(wú)破損漏電痕跡、用電導(dǎo)電設(shè)備有無(wú)分離痕跡。

二、意外傷害險(xiǎn)反欺詐識(shí)別模型

1.欺詐案件總體指標(biāo)相關(guān)性分析模型

本文釆用的是二元Logistic回歸分析方法，模型為：

2.反欺詐識(shí)別模型構(gòu)建

3. 個(gè)體特征指標(biāo)相關(guān)分析

個(gè)體特征指標(biāo)相關(guān)分析采用的是k-means聚類分析。數(shù)據(jù)點(diǎn)x和y間的歐氏距離是兩個(gè)點(diǎn)的k個(gè)變量值之差的平方和的平方根，數(shù)學(xué)公式為：

選擇k個(gè)觀測(cè)量作為初始的聚類中心點(diǎn)，根據(jù)距離最小的原則將各個(gè)實(shí)測(cè)量分配到這k個(gè)類中。在所有類的實(shí)測(cè)量中計(jì)算變量均值并形成新的k個(gè)聚類中心點(diǎn)。依此不斷迭代，直到收斂或達(dá)到分析者的要求為止。

4.意外傷害險(xiǎn)反欺詐判斷模型

決策樹(shù)模型是基于數(shù)據(jù)挖掘算法的機(jī)器學(xué)習(xí)推理模型，提供一系列確定什么條件下得什么值的規(guī)則并對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程。決策樹(shù)分類器就像判斷模塊和終止塊組成的流程圖，通過(guò)詢問(wèn)方式區(qū)分是否屬于某些組的一系列問(wèn)題的結(jié)果來(lái)進(jìn)行預(yù)測(cè)。意外險(xiǎn)欺詐因子數(shù)據(jù)輸入變量為分類、數(shù)值混合變量且為多叉樹(shù)，輸出變量為“是否欺詐”二分類變量，因此，本文選擇C 5.0決策樹(shù)算法。

三、實(shí)證分析

本文選用30個(gè)樣本進(jìn)行分析。將樣本數(shù)據(jù)代入式（1）進(jìn)行Logistic回歸分析，得出各欺詐因子變量與保險(xiǎn)欺詐之間的相關(guān)顯著性大小，剔除掉顯著性為0的無(wú)效指標(biāo)，再將樣本數(shù)據(jù)代入式（1）進(jìn)行回歸分析，得出結(jié)果（見(jiàn)表1）。

由此，列出欺詐因子變量（見(jiàn)表2）。

以交通事故為例進(jìn)行k-means聚類分析，其最終聚類中心表如表3所示。

案例A：有一投保人李某出險(xiǎn)，性別女，年齡21歲，傍晚6點(diǎn)20分在市區(qū)購(gòu)物后步行回家，被機(jī)動(dòng)車撞成輕度身殘。經(jīng)檢驗(yàn)，現(xiàn)場(chǎng)機(jī)動(dòng)車剎車時(shí)間1.6秒，制動(dòng)拖印長(zhǎng)度15米，事故現(xiàn)場(chǎng)與事故類型相符。案例B：有一投保人王某出險(xiǎn)，性別男，年齡49歲，夜晚10點(diǎn)30分在郊區(qū)鄉(xiāng)道步行回家，被機(jī)動(dòng)車撞成身亡。經(jīng)檢驗(yàn)，現(xiàn)場(chǎng)機(jī)動(dòng)車剎車時(shí)間1.1秒，制動(dòng)拖印長(zhǎng)度5米，事故現(xiàn)場(chǎng)與事故類型不符。將2個(gè)案例的識(shí)別指標(biāo)代入決策樹(shù)模型，計(jì)算欺詐可能性等級(jí)。

四、結(jié)語(yǔ)

通過(guò)實(shí)證運(yùn)用，本文的結(jié)論是意外險(xiǎn)反欺詐識(shí)別模型的整體識(shí)別效果好，整體預(yù)測(cè)準(zhǔn)確率為97.82%，但應(yīng)盡可能地增大分析樣本，這樣才能推廣使用。本文的識(shí)別指標(biāo)應(yīng)進(jìn)一步完善，特征也應(yīng)更突出，算法也應(yīng)進(jìn)一步優(yōu)化，這樣才能不斷完善我國(guó)意外險(xiǎn)反欺詐識(shí)別體系的構(gòu)建。

參考文獻(xiàn)：

[1]崔松，欒菩菩.關(guān)于保險(xiǎn)欺詐的研究綜述[J].經(jīng)濟(jì)研究導(dǎo)刊，2013，（06）：112～113.

[2]周建濤，秦炳山，迪麗，等.健康、意外保險(xiǎn)惜賠識(shí)別[J].新疆社會(huì)科學(xué)，2013，（03）：47～52.

[3]Cowell R G， Verrall R J，Yoon Y K.Modeling Operational Risk With Bayesian Networks[J].The Journal of Risk and Insurance，16 November 2007.

[4]張偉偉.基于Tobit回歸的健康保險(xiǎn)欺詐識(shí)別研究[D].青島：青島大學(xué)，2016.

[5]賈蘭.我國(guó)機(jī)動(dòng)車保險(xiǎn)欺詐及識(shí)別問(wèn)題研究[D].石家莊：河北經(jīng)貿(mào)大學(xué)，2019.

[6]劉軼.保險(xiǎn)欺詐風(fēng)險(xiǎn)與分類監(jiān)管對(duì)策[J].征信，2018，36（02）：68～74.

[7]Warren D ?E，Schweitzer M ?E.When weak sanctioning systems work：Evidence from auto insurance industry fraud investigations[J].Organizational Behavior and Human Decision Processes，2019.

[8]Müge Demir，Zeynep nder.Financial connectivity and excessive liquidity：Benefit or risk？[J].Journal of International Financial Markets，Institutions & Money，2019.

[9]Chun Yan，Meixuan Li，Wei Liu，Man Qi.Improved adaptive genetic algorithm for the vehicle Insurance Fraud Identification Model based on a BP Neural Network[J].Theoretical Computer Science，2019.

[10]Michal Reid，Humberto K.Choi，Xiaozhen Han，Xiaofeng Wang，Sanjay Mukhopadhyay，Lei Kou，Usman Ahmad，Xiaoqiong Wang，Peter J.Mazzone.Development of a Risk Prediction Model to Estimate the Probability of Malignancy in Pulmonary Nodules Being Considered for Biopsy[J].Chest，2019，156（2）.

作者簡(jiǎn)介：

1.吳景泰，沈陽(yáng)航空航天大學(xué)教授，博士;碩士生導(dǎo)師;研究方向：安全經(jīng)濟(jì)學(xué)。

2.張育儒，沈陽(yáng)航空航天大學(xué)碩士研究生;研究方向：系統(tǒng)安全及保險(xiǎn)。