保險索賠機會欺詐識別研究

周建濤,張睿,周建波

摘要：汽車三責險人傷夸大索賠是一種廣泛存在的機會欺詐，但被社會道德譴責的程度較輕，如果不加以遏制，將對社會產生不良誘導。理論上，基于時間成本、信息搜集成本、道德感等因素建立適合法院判決樣本的機會欺詐模型，針對參數對夸大索賠的影響進行蒙特卡洛模擬。實證上，通過非參數統計和回歸統計，分析肇事者事故責任比例、索賠人失業等影響夸大索賠因素的作用機制，使用決策樹方法識別夸大索賠，發現對較嚴重、額度較大的機會欺詐進行預測效果更優。為此，保險公司應建立明確的賠付規定，減少信息不對稱帶來的不良影響，相關部門要注重憑據規范，使責任劃分更加精細。

關鍵詞：汽車三責險；保險索賠欺詐；法院判決金額；人傷夸大索賠；保險理賠額

中圖分類號：F842.6 文獻標識碼：A文章編號：1007-2101（2023）03-0089-13

一、引言

保險索賠欺詐在全世界范圍內都是一個歷史久遠的問題，具有低風險、高收益的特征［1］，對金融業、社會風氣均有著不小的危害，而且其規模一直以驚人的速度擴張［2］。保險索賠欺詐分為兩類：硬欺詐和軟欺詐，前者指被保險人故意制造保險事故來獲得保險賠償的行為，后者也稱為機會欺詐，指在保險事故發生后，故意夸大保險事故的損害值來獲取高于應該賠付的額外利益的行為。從社會道德判斷的角度看，被保險人故意夸大損害值的行為甚至比小偷小摸更容易被社會接受［3］。由此可見，保險軟欺詐十分普遍。由于我國汽車三責險普及、保險公司理賠過程的粗糙處理以及應對汽車三責險索賠欺詐的不完善，汽車三責險軟欺詐行為也越來越多，成功率也較高［4］。交通事故若涉及到人員傷亡，由于賠付子項繁多，處理起來十分復雜，更是給索賠人夸大索賠提供了機會。

研究保險軟欺詐，無論對于保險公司還是社會均有重要意義。對于保險公司來說，考慮到訴訟成本、客戶資源和聲譽風險等，一般很少起訴涉嫌機會欺詐的索賠人［5］，為了競爭，有的保險公司盲目承保，在理賠時疏于審查又加劇了保險軟欺詐行為的發生。如果索賠人能夠經常從保險軟欺詐中獲利，將會誘發道德風險，動搖保險的根基［6］。保險公司如果能夠識別出哪些因素與保險夸大索賠有著密切的關聯，將會降低識別機會欺詐的成本，并且減少經濟損失。對于社會來說，由于保險機會欺詐得到賠付的時間較短且成功率較高，在一定程度上會加劇道德風險，造成整個社會心態浮躁，給社會風氣帶來不良影響，不利于構建社會主義和諧社會。此外，由于機會欺詐的影響，保險公司的經營成本會上升，引發保費上升，而在無法識別保險機會欺詐行為的情況下，通常由每個投保車主共同分擔。因此，加強對保險機會欺詐的識別，能夠降低每個車主投保汽車三責險的成本，端正社會風氣。

本文主要從如下三個方面進行論述：（1）針對索賠訴訟樣本構建夸大索賠的理論模型，對于汽車三責險人身傷害（以下簡稱人傷）索賠機會欺詐行為具有針對性；（2）使用機會欺詐程度作為因變量，而不是以前研究常使用的保險理賠額（暗含機會欺詐）；（3）使用逐步向后回歸法識別出影響汽車三責險人傷索賠機會欺詐行為的主要因素，并用決策樹方法驗證了這些人傷夸大索賠影響因素的有效性。

二、文獻回顧

國內外關于保險硬欺詐的研究眾多，主要通過保險公司的理賠樣本，識別是否為欺詐以及分析影響欺詐的各種因素。而專門研究夸大索賠或機會欺詐的文獻較少，且多是定性分析，定量研究較少。

（一）保險索賠欺詐的影響因素

1.宏觀經濟的影響。Dionne 和Wang認為欺詐在經濟衰退時更加嚴重，而在經濟擴張時期緩和，這與經濟衰退時期人們道德水平下降有關［7］。Edmark發現，失業率每提高1%，欺詐類犯罪提高0.22%［8］，這反映了宏觀經濟對欺詐的傳導機制：經濟下行導致失業人數增多，這部分人對保險賠付額以外的收益更加看重。Jawadi等發現高失業率會增加非暴力犯罪［9］。Husted發現社會風氣與GDP高度相關［10］。

宏觀經濟對欺詐影響的微觀解釋。Dionne 和Wang認為，如果經濟衰退使得個人的經濟條件下降到貧困水平，即使欺詐被發現，也沒有什么損失［7］。Husted也認為，個人的道德水準與他們的財富正相關，越富有的人越不會冒險去獲得不應得的利益；如果欺詐失敗，較高的道德水準使得他們受到內心的譴責，負面效益較大［10］。Cummins和Tennyson發現，有的失業人員收到了相對高的保險賠付，因為他們可以跟保險公司耗著，幾乎沒有時間成本［11］。而失業人員的心理特征在某種程度上也比較符合欺詐類犯罪的行為特點。例如，Creed發現失業人員比在職者更有耐心，就源自他們較低的時間成本［12］。另外，Hartley發現，失業人員的風險偏好程度相對更高，也與欺詐成功帶來的高效益以及欺詐失敗損失較低的特征相符合［13］。

關于失業人員的構成，Guijarro指出，女性和老年人是結構性失業的核心，常被排除在就業復蘇之外，但這也不能斷定女性、老年人更有索賠欺詐的動機［14］。Kish-Gephart等指出，性別是一個長期穩定的風險指標，可能與性別不同產生不同的風險厭惡程度有關［15］；Schubert 等發現女性的風險厭惡程度更高，顯然與失業人員風險偏好較高的特征截然相反［16］。同樣，Brown也發現，老年人的風險厭惡程度更高［17］；Gallos、Graddy和Pistaferri還發現，女性、老年人的談判成本更高［18-19］。Doerpinghaus等發現，女性司機承擔更大過錯責任［20］；進一步，Doerpinghaus等發現，女性司機理賠額低于男性，可能均源于女性較高的風險厭惡程度和談判成本［21］。這些分析顯示，性別和年齡成為影響保險欺詐的因素，即女性、老年人既存在因為失業而造成的低時間成本，又有著較高的風險厭惡程度和談判成本。

2.事故本身特征對索賠硬欺詐的影響。葉明華發現，已有索賠次數、出險車的使用年限、出險時間、出險地點、事故責任認定、索賠人是否為車主等因素與車險索賠欺詐有顯著的關系，這對汽車三責險人傷夸大索賠也有重要參考價值［22］。例如出險時間可能與交通費密切相關：如果是白天，交通費相對透明，商討（機會欺詐）空間比較小。再如出險地點，由于城鎮居民的收入水平和消費水平要比農村居民高一些，無論考慮誤工損失還是死亡傷殘賠償金，城鎮戶口的居民會收到相對更高的賠償，這也造成了夸大索賠的難易程度不同。

綜合考慮以上文獻中各種影響保險硬欺詐的因素和理賠樣本包含的信息，本文采用表1的影響因素對汽車三責險人傷夸大索賠進行研究。

（二）保險欺詐的研究方法

有些文獻使用logistic模型［23］以及改進得到的AGG模型［24］，通過各種因素來判斷是否存在保險欺詐；有的文獻通過特定模型對出險時的現場狀況進行還原，使用貝葉斯網絡等方法識別保險欺詐的相關因素［25］。通過這些二元方法，可以很簡單地識別出影響保險欺詐的因素，而且具有計算量小、不受多重共線性影響等優勢。但是二元模型不太適合夸大索賠問題研究，因為機會欺詐不僅是判斷“是否存在夸大索賠”問題，更重要的是，索賠人可能在應得賠付額的基礎上添加一定數額，也可能完全無中生有地要求賠償。因此，如果要識別汽車三責險人傷索賠是否夸大，應該使用連續變量而非二元變量。

針對機會欺詐的理論和實證研究相對較少。理論研究方面，劉軼、董捷認為，索賠人與保險公司是否起訴是個博弈過程，建議法院對索賠額高于應得賠償的那部分按照一定比例收取罰金[26]。實證研究方面，有的文獻使用統計回歸模型，以機會欺詐的嚴重程度為因變量，通過回歸分析識別顯著的影響因素[27]；還有文獻深入剖析某個保險索賠案例，判斷各索賠子項的軟欺詐程度差異，認為軟欺詐比值（軟欺詐額/判決額）比軟欺詐金額更能準確地反映索賠人夸大索賠的程度[28]。

三、適合法院判決樣本的夸大索賠理論模型

（一）夸大索賠理論模型的構建

本文借鑒Doerpinghaus等［21］理論模型的框架，構建適合法院判決樣本的夸大索賠模型，并將不同人群的時間成本、道德感等因素加入到模型中。一般而言，汽車三責險人傷理賠過程可分為三個階段：事故發生階段、保險公司查勘定損階段、雙方協商與起訴階段。

1.事故發生階段。道路交通事故發生，交警部門認定事故責任。索賠人在保額內實際傷害值，即保險公司應賠付金額已經確定，設為L。索賠人作為當事人，清楚自己的真實傷害值為多少，同時也會對保險公司賠付有一個期望值Y0。根據常理，Y0≥L，即索賠人在較大概率上不會只期望保險公司賠付一個無法彌補其傷害的數額。如果Y0=L，沒有軟欺詐心理；而如果Y0>L，不一定就是機會欺詐，可能是索賠人對保險金額等條款不熟悉，或者對傷害值的核定標準不了解，從而對保險賠付例如精神損害撫慰金等存在不切實際的想法。不過這個階段，畢竟只是索賠人內心的期望值，還未涉及保險公司。

2.保險公司查勘定損階段。索賠人向保險公司報案，保險公司查勘。設鑒定傷害值為X0，一般來說，保險公司根據索賠人提出的各項憑證估計理賠數額，但由于信息不對稱，索賠人可能提供一些虛假憑證，也可能無法準確提供一些信息，導致保險公司無法準確地確定L，或者由于保險公司惜賠等因素導致X0與L并不相等，即存在X0>L或者X0L，視為有軟欺詐心理；Y1=L，則沒有軟欺詐心理。

軟欺詐金額（Y1-L） 是衡量機會欺詐程度的重要指標，但可能掩蓋不同索賠子項在傷害程度、索賠金額、判決金額等方面的本質差異。周建濤等認為，軟欺詐額與實際傷害的比例［（Y1-L）/L］更能反映出索賠人機會欺詐程度[28]。所以，本文在理論模型中采取QZ=（Y1-L）/L作為因變量。

Wang和Xu發現，保險欺詐占美國保險理賠金額的17%～20%[29]。在保險公司的理賠數據庫中，只能得到索賠人索賠數據Y1和保險公司賠付數據X1，而無法得到索賠人應該獲得的賠付L，以此進行保險欺詐分析可能存在某些偏差。本文采用的樣本來源于法院判決書，可以得到索賠人索賠的數據Y1和應得賠付數據L，但無法得到起訴前保險公司提出的理賠數額X0，甚至樣本中約有20%的保險公司選擇不出席法庭，直接等待法院公正判決的賠付額L。這使得我們只能單方面研究索賠人機會欺詐行為，而無法了解保險公司在協商階段的一些特征。

3.雙方協商與起訴階段。當Y1>X0時，索賠人可能與保險公司協商，使得保險公司在與索賠人協商時長T后提出新的理賠數額X1，協商時長T可視為由索賠人單方面決定，之后由索賠人決定是否起訴。索賠人最終的實際凈獲利P如式（1）所示：

P=max{X1，L}-L-C1（Y1-L）2-C2T（1）

在式（1）中，max{X1，L}表示索賠人在判斷是否起訴后獲得的賠付額，如果X1≥L，索賠人接受保險公司的賠付，而如果X1

X1=X0+λ（Y1-X0）（2）

在式（2）中，0≤λ≤1，λ為變量，其分布受時間T影響，具體影響滿足式（3）—（5）：

dμλdT>0（3）

d2μλdT2<0 （4）

limT→∞μλ=1（5）

μλ對T的一階偏導數大于0，對T的二階偏導數小于0，即認為索賠人與保險公司拖延時間越長，保險公司為了避免時間和聲譽損失，會適當根據索賠人提供的憑據逐步增加理賠數額，隨著協商時間的增長，理賠數額向索賠人期望值靠近的速度會減慢，但也不排除保險公司完全妥協而賠付索賠人期望值的可能，即Y1=X1，λ=1。在不考慮保險公司起訴索賠人的情況下，保險公司認為索賠人如果真的能夠不計成本地堅持到足夠久的時間，就會按照索賠額賠付。協商過程中保險公司可能多次逐步提高理賠數額，在理論模型中簡化為隨時間變動X1。在計算實際凈獲利P帶來的期望效益EU（P）時，考慮索賠人的風險厭惡，即獲得收益的方差Var（P）越大，索賠人獲得的效益越低。同時，考慮到實施機會欺詐對于有道德感的個人來說會受到一些負面影響，而這種負面效用也是邊際遞減的，可以使用dY1-L來表示，其中d表示道德感系數，認為道德感帶來的負面效果與索賠人自知的軟欺詐額度（Y1-L）呈正相關關系，計算如式（6）所示：

EU（P）=EP-rVar（P）-dY1-L （6）

在式（6）中，r表示索賠人的風險厭惡系數。

（二）蒙特卡洛模擬分析

考慮到max{X1，L}的期望和方差不僅與X1的期望和方差有關，還和X1的分布密切相關。且如果使用解析的方法求解最優的索賠額Y1，難度極大，故考慮使用蒙特卡洛模擬，通過各種參數變化對最優索賠額的影響來判斷機會欺詐與哪些因素相關。在進行蒙特卡洛模擬之前，需要對各個參數的分布進行比較精確的定義。

首先，對于λ，假設其服從正態分布λ～N（μλ，σλ），且當隨機產生λ時，如果產生出大于1或者小于0的值，按照1和0來計算。其中，對于μλ，根據假設的等式（3）—（5）認為其服從等式（7）：

μλ（T）=1-e-kT （7）

在式（7）中，k表示保險公司的妥協程度，保險公司的妥協程度越高，在相同時間內，對于索賠人的讓步也更多（見圖1）。

其次，對各參數進行適當設置，使得各類參數都比較適中，最終在這種特定的情況下，軟欺詐程度QZ與獲得的效益期望值EU之間的關系見圖2。

圖2顯示，對于時間成本和信息搜集成本適中，風險厭惡、道德感適中的人，隨著軟欺詐程度升高，期望效益由零變為負數，再逐漸增大，達到最高值后又持續下降到零以下的狀態。

為了弄清楚圖2的形成原因以及各類參數變化會對曲線產生什么樣的影響，本文對各類參數進行一些調整，并與圖2的曲線進行對比。

圖3顯示，在較低軟欺詐程度區間，時間成本較高的人一般不會實施低程度的機會欺詐，因為一旦實施軟欺詐，如果不付出時間，就得白白承受一個信息搜集成本以及道德感帶來的負效用；如果付出很高的時間成本換取較高的賠付，又感覺得不償失。而在較高軟欺詐程度區間，每付出單位時間的收益可能會超過時間成本，但是如果時間成本足夠高，也能夠抑制較高機會欺詐程度的實施。而當時間成本不夠高時，其最優的機會欺詐程度甚至可能高于一般人。相比之下，無時間成本的失業人員，從低程度到高程度的機會欺詐中，期望效益都比有時間成本的人更高，而且最優的軟欺詐程度也高于有時間成本的人。

圖4顯示，與時間成本相似，道德感在低軟欺詐程度階段也有一定的抑制效果，但不如高時間成本好。可以認為，較高的時間成本對于低軟欺詐程度是一次性抑制，而道德感的抑制效果則是比較緩慢的過程。相比于時間成本，道德感對于最優的軟欺詐程度來說，影響更加顯著，且一個極高的道德水準也能夠達到杜絕機會欺詐的效果。

圖5顯示，風險厭惡程度主要對高軟欺詐程度有較大的影響。當風險厭惡程度較高時，最優的機會欺詐程度明顯降低，而當索賠人是一個風險喜好者，其機會欺詐程度就會非常高。

索賠人搜集虛假的損害憑證成本對軟欺詐程度的影響類似于風險厭惡，都十分顯著。圖6顯示，如果索賠人的搜集成本很低，其軟欺詐程度可以達到很高的水平，而搜集成本較高的話，則會顯著降低索賠人的軟欺詐程度，以至于直接杜絕機會欺詐行為的發生。

圖7顯示，傷害嚴重程度對于最優軟欺詐程度的影響十分顯著。如果索賠人在交通事故中傷害不太嚴重，那么其軟欺詐程度比較大，這也與劉坤坤［22］提到的小案件欺詐比較多的特征相符合。而且從軟欺詐獲得的效益數值來看，在傷害嚴重的情形下，實施機會欺詐所獲得的最大收益也是略微低于傷害較輕的情形，這源于索賠人的風險厭惡水平。在其他條件相同的情況下，一個較嚴重的傷害，或者說保險公司應賠付數額較大，相同軟欺詐程度帶來最后賠付額的波動程度，肯定要大于一個較輕傷害，這本身也就對索賠人軟欺詐有了一定的限制作用。

圖8顯示，保險公司態度的不確定性對索賠人軟欺詐行為有一定影響，尤其是在方差比較高時，索賠人最優的機會欺詐程度下降得比較快。從圖9來看，保險公司態度非常強硬時，索賠人完全沒有機會欺詐的可能性；而當其態度比較妥協時，則會遭受較大的軟欺詐額度，但對索賠人軟欺詐程度影響不大。

（三）理論模型的結論

通過上述理論模型的構建及模擬分析，可以得出以下5個結論：（1）時間成本較高的索賠人不會實施軟欺詐程度很低的夸大索賠行為。因為當軟欺詐程度較低時，付出的成本尤其是時間成本，不能被軟欺詐的得利覆蓋。如果決定承擔各種成本以及風險實施軟欺詐，一般會有比較大的軟欺詐程度。理性的索賠人不會提出遠超過實際傷害的索賠額，因為巨大的時間成本以及風險厭惡會使其最終效益為負。（2）索賠人道德因素對其軟欺詐程度的影響類似于時間成本。如果其道德感較低，軟欺詐程度會有所增加，而較高道德感則可以降低機會欺詐程度。（3）索賠人風險厭惡程度對其軟欺詐程度有著顯著的影響，尤其是當索賠人喜好風險時，軟欺詐程度可能非常高。（4）傷害嚴重程度與索賠人機會欺詐程度有著明顯的反向相關關系，而且軟欺詐額的數值也會隨著傷害嚴重程度的增大而減小。（5）如果保險公司協商態度十分強硬，不能給索賠人一個“耗時間就能擴大收益”的預期，那么索賠人就會降低機會欺詐程度。

四、北京市汽車三責險人傷訴訟樣本的夸大索賠實證分析（一）樣本獲取

本文實證分析的樣本來源于北京市道路交通事故的法院判決書①，提取其中的索賠人、肇事者、保險金額、事故等信息以及索賠和賠付金額數據，共得到2 933例樣本。以往保險軟欺詐識別多使用保險公司的理賠樣本，由于未經過法院判決程序，賠付額由保險公司和索賠人商議而得，有高估“機會欺詐”之嫌；而本文使用的法院判決樣本，索賠人實際傷害值用法院判決的“保險公司應賠付金額”表示，可以更客觀地判別夸大索賠，進一步準確地測定索賠人機會欺詐程度。如果認為索賠人在協商初始并不清楚保險公司的賠付是否能夠達到自己的期望值，而是單純按照上文描述的理論模型索賠，那么可以認為這些經過法院判決的索賠人是從所有索賠人中隨機抽取出來的，具有一定的代表性。

（二）描述性統計與非參數統計

在一些案例中，索賠人提出索賠額但法院判決額為零，即軟欺詐程度無窮大，故實證分析中使用軟欺詐額與索賠額的比值。

根據法院判決書數據集，索賠總額、判決總額均包含對應各個子項的索賠額和判決賠付額。先對二者相減得到的軟欺詐額進行基本的描述性統計，再對軟欺詐程度以及可能影響軟欺詐程度的一些因素進行匯總統計，結果見表2。統計發現，總軟欺詐程度的均值達到33%，這意味著索賠人平均索賠額超出實際應賠數額50%左右，可見機會欺詐不僅十分普遍而且較為嚴重。

為進一步刻畫軟欺詐程度，本文對總軟欺詐程度進行描述性統計，如圖10所示。

由圖10可知，總軟欺詐程度的頻率隨軟欺詐程度的增大而逐漸減小，總軟欺詐程度離散程度較高，分布在各個水平區間，因此，難以確定一個具體數值來劃分機會欺詐的嚴重程度。而后，依據各狀態變量對數據進行分類，計算得到對應的總軟欺詐程度的均值，同時計算分類之后各類狀態變量的頻數、平均秩，使用非參數統計Mann-Whitney對分類后樣本的軟欺詐程度分布進行檢驗，結果見表3。表3顯示，9個因素通過了Mann-Whitney 檢驗，分別為另購買商業險、索賠人已婚、索賠人年輕人、索賠人失業、律師參與、軟組織傷、白天、肇事者男性、肇事者轎車。同時發現，另購買商業險的軟欺詐程度均值為31.52%，而未購買商業險的軟欺詐程度均值為39.28%，差異較大。相同的事故，如果購買了商業險，保障范圍以及額度均比未購買商業險更寬、更大，故應賠付數額更大，進而反向影響索賠人軟欺詐程度。

已婚索賠人的軟欺詐程度均值為31.86%，而未婚索賠人的軟欺詐程度均值為34.97%，高于前者。已婚索賠人承擔養家糊口責任，風險規避意識更強，時間成本相對較高。另外，已婚索賠人的年齡也比未婚索賠人更大一些，受道德約束更大，故更傾向于不進行機會欺詐。

索賠人未成年人的機會欺詐程度均值達到44.50%，而其他年齡組均值為33.04%，差別懸殊。首先，保險公司出于“保護弱勢未成年人”考慮，妥協程度要大些。其次，未成年人受傷牽涉到父母監護人的住院護理費、誤工損失，以及未成年人的精神損害撫慰金，可商討余地更大，索賠人搜集傷害證據的成本更低。而且，針對這幾點進行非參數統計，住院護理費、誤工費以及精神損害撫慰金均通過了Mann-Whitney 檢驗。

索賠人失業的軟欺詐程度均值為37.21%，而索賠人在職的軟欺詐程度均值為30.86%，前者明顯高于后者。失業人員多沒有工資收入，時間成本較低，如果跟保險公司協商較長時間，不會受到太大損失，反而能夠獲得更高收益，故會提出相對更高的索賠額。另外，失業人員的風險偏好程度多高于其他人，多數是風險愛好者，這將大大增加其機會欺詐程度。

律師參與的機會欺詐程度均值僅為29.47%，而無律師參與的機會欺詐程度均值高達40.56%，相差甚大。這主要源于律師有過硬的專業知識以及較高的職業道德。律師深受職業操守約束，自動遏制其機會欺詐動機；律師對于保險條款以及理賠的把握更加專業，加上其掌握索賠人傷害詳細信息，故比索賠人本人更加清楚保險公司應該賠付的合理金額，從而準確地擠出不合理的夸大索賠部分。

軟組織傷的平均機會欺詐程度為37.57%，明顯高于非軟組織傷的均值31.18%，主要源于信息搜集成本較低。軟組織傷不同于傷殘，難以鑒定，雖然索賠人便于提供軟組織傷證據，但較難被法官采信，導致更高機會欺詐程度。

晚上的平均軟欺詐程度為35.02%，而白天則為32.96%。差別不算太大，但經Mann-Whitney 檢驗，二者差異顯著。類似于軟組織傷，也是源于信息搜集成本較低。晚上發生交通事故，無論傷害鑒定還是醫療費用花費都不如白天透明、準確，雖然索賠人可以提供各種鑒定、費用證據，但較難被法官采信。

肇事者男性的平均軟欺詐程度為32.75%，而女性司機的平均機會欺詐程度為38.05%，差異明顯。首先，社會對女性司機有“車技較差”的刻板印象。本文肇事者男性的事故責任比例均值為88%，而女性司機的事故責任比例均值則為92%，經Mann-Whitney 檢驗，差異顯著，這也說明：雖然女性司機較為謹慎，發生事故的概率較男性司機小，但事故責任高于男性司機，保險公司處理此類事故時，妥協程度更大一些，也就造成了索賠人更大的機會欺詐程度。其次，女性司機駕車較為謹慎，造成索賠人傷害也更小，經Mann-Whitney 檢驗，也是顯著的，而傷害較小事故的軟欺詐程度相對較大。

肇事者轎車的平均機會欺詐程度為33.94%，而非轎車為31.96%，些許差別可能源于轎車、非轎車的商業險購買比例不同。非轎車另購買商業險的比例為83%，而轎車另購買商業險的比例為72%，二者之間的差異經非參數統計檢驗也是顯著的。

（三）統計回歸分析

根據非參數統計的分析結果，各類因素之間可能存在相關性，如肇事者轎車和另購買商業險之間存在一定的相關性。現有研究大多站在保險公司角度，使用可能包含軟欺詐成分的索賠額作為自變量。本文從索賠人視角，使用法院判決的賠付額作為自變量，相比保險公司的理賠樣本而言更加客觀、公正。

1.以軟欺詐程度為因變量的回歸。以軟欺詐程度作為因變量，以各類影響因素作為自變量，采用逐步向后回歸法，依次排除最不顯著的變量，直至所有因素全部通過檢驗。統計回歸結果見表4，其中“ln賠付總額”是對賠付總額取對數處理。

表4顯示，由于多重共線性，原本經過非參數統計檢驗顯著的5個因素被剔除，包括另購買商業險、索賠人已婚、律師參與、軟組織傷、肇事者轎車，其中，前文已分析另購買商業險、律師參與、肇事者轎車這3個影響因素的多重共線性原因。軟組織傷與傷殘等級存在顯著的相關性；索賠人已婚則與索賠人未成年人之間也存在顯著的相關性。而新增加模型中的3個變量，即肇事者事故責任比例、傷殘等級、賠付總額的對數形式，均對索賠人機會欺詐程度存在負面影響。

賠付總額的系數為負值，符合理論模型“較嚴重傷害，機會欺詐程度較輕”的判斷。肇事者事故責任比例的系數為負值，反映肇事者責任越大，索賠人機會欺詐程度反而越小，也許與索賠人心態以及商討空間有關。如果肇事者全責，應由其保險公司完全賠付“法院判決金額”，無商討余地。如果肇事者是部分責任，索賠人會盡量提供更多的傷害證據，想盡可能多地彌補傷害，也可能據此和保險公司談判，甚至到法庭，旨在盡量擴大得利。本文不是某一方全責的案例，索賠人聘請律師的比例更高，也反映商討空間對索賠人心態的影響。

傷殘等級的系數為負值，意味著傷殘越嚴重機會欺詐程度更大，這與描述性統計“傷害越嚴重，軟欺詐程度越小”相矛盾。傷殘等級取值從1到10：其中10級是最輕傷殘，而1級是最嚴重傷殘。由于無傷殘的傷殘等級參數處理為0，即不存在于方程中。因此，本文又將傷害按是否傷殘進行分類，并作非參數統計檢驗，發現二者存在顯著差異：無傷殘的平均機會欺詐程度為40.32%，而傷殘的平均機會欺詐程度僅為23.28%。因此，可以認為，傷殘嚴重程度遠甚于無傷殘，導致機會欺詐程度的較大差異。但在傷殘中，若傷殘非常嚴重，索賠人家庭受到了較大打擊，其主觀上希望獲得更多的保險賠付，即嚴重傷殘催生機會欺詐動機；尤其是涉及多種傷情的嚴重傷殘：有的傷情符合傷殘10，有的傷情符合傷殘4，還有的傷情符合傷殘2，更便于索賠人搜集傷害證據，即信息搜集成本較低。這也就導致了無傷殘的軟欺詐程度高于傷殘，嚴重傷殘的軟欺詐程度高于較輕傷殘。因此，本文新增加狀態變量“傷殘”繼續回歸，結果見表5，符合上述推論。

2.以軟欺詐額度作為因變量的回歸。保險公司可能還關注機會欺詐額度。本文又以軟欺詐額度為因變量，使用所有采集的自變量進行逐步向后回歸，結果見表6。

比較表5、表6，影響軟欺詐程度、軟欺詐額度相同的因素有6個：肇事者事故責任比例、索賠人失業、白天、肇事者男性、傷殘、ln賠付總額。其中，肇事者事故責任比例、白天、肇事者男性3個因素均為負向影響，而索賠人失業、傷殘2個因素均為正向影響。但ln賠付總額負向影響軟欺詐程度，但正向影響軟欺詐額度，因為軟欺詐總額與賠付總額存在一定的正相關性。

值得注意的是，新增3個影響軟欺詐額度的因素：律師參與、肇事者轎車、索賠人非機動車，其中律師參與、索賠人非機動車的系數均為正值，而肇事者轎車的系數為負值。律師參與也與賠付總額存在較大的正相關性。一般較嚴重的傷害，索賠人會聘請律師，且較嚴重的傷害商討空間變大，也會使得機會欺詐額度增大。若索賠人乘坐非機動車，交警判定肇事者責任更大一些。索賠人乘坐非機動車，肇事者事故責任比例為91%，其他情況平均為81%。假設其他條件相同，肇事者事故責任比例越大，機會欺詐程度會更小，但是由于賠付額更多，相應的軟欺詐額也會更大。肇事者車輛分為兩類：轎車、非轎車（指大卡車或運貨車，除主車外，往往還加1個拖車），二者均購買交強險和商業險。但轎車另買商業險一般為10萬～30萬元，發生交通事故后，多為無傷殘或6～10級較輕傷殘；而非轎車另買商業險一般50萬～100萬元，一旦發生交通事故，往往死亡或1～5級較嚴重傷殘。肇事者轎車由于傷害較輕，且商業保險金額遠低于非轎車，商討空間有限，故軟欺詐額低于肇事者非轎車。

五、基于決策樹的夸大索賠識別

為了檢驗保險機會欺詐影響因素的穩定性，本文繼續使用決策樹方法進行索賠人夸大索賠識別驗證。

（一）機會欺詐的分類

雖然機會欺詐程度能夠更好地刻畫索賠人夸大索賠，但保險公司依舊在意索賠人軟欺詐額度。例如，某索賠人軟欺詐程度較高但夸大額度較小，不值得保險公司費時費力地識別。因此，本文綜合考慮軟欺詐程度和軟欺詐額度兩個指標：軟欺詐程度<5%或者軟欺詐額度<1 000元，視為輕微軟欺詐，記為0類，共363例；而軟欺詐程度>5%且10 000元>軟欺詐額度≥1 000元，視為較嚴重軟欺詐，記為1類，共有1 403例；而軟欺詐程度>5%且軟欺詐額度≥10 000元，視為很嚴重軟欺詐，記為2類，共1 167例。

對于0類機會欺詐者，保險公司與其長時間協商，對軟欺詐的削弱可能不足以彌補識別成本。對于1類機會欺詐者，有必要采取一些措施降低索賠人對于賠付的期望值，例如采取較為強硬的態度等。對于2類機會欺詐者，可以使用很強硬的態度來抑制索賠人的軟欺詐心理，或者保險公司主動建議這類索賠人走訴訟程序，寧可損失一些聲譽，也不愿意和這類索賠人協商。事實上，確實有不少保險公司在汽車三責險人傷索賠額嚴重不合理時，直接讓索賠人走訴訟程序。

（二）基于決策樹的軟欺詐類型識別

決策樹不需要其他假設，能夠處理高維數據，準確率也較高，符合本文使用的樣本特征。

首先是對不平衡樣本的處理。由于決策樹對不平衡樣本的處理效果不佳，因此本文使用隨機復制的方式，將樣本數量不同的三類樣本轉化為平衡樣本。其次是對自變量的選擇。本文在對機會欺詐進行分類時，綜合考慮軟欺詐程度和軟欺詐額度兩個指標，故將二者回歸分析識別為顯著的因素作為決策樹的自變量。需要說明的是，本文回歸分析是站在索賠人的角度來判斷其軟欺詐行為的影響因素，而保險公司很難獲取到由索賠人掌握的實際傷害值，所以本文使用保險公司能夠獲取的索賠額代替實際傷害值作為因變量。

為評估上述方法對于機會欺詐類別的預測效果，隨機使用平衡處理前的500例樣本作為測試集，剩下的樣本平衡處理后作為訓練集，通過訓練集得到的路徑信息對測試集的樣本進行預測，決策樹分析結果見表7。

表7顯示，訓練集中對于2類機會欺詐的預測準確率最高，將近80%，對于1類機會欺詐的預測準確率約為70%，而對于0類機會欺詐的預測準確率不到50%。由此可見，最容易識別的是2類（最嚴重）機會欺詐，對1類機會欺詐也有相當的識別預測效果，但對于0類（程度較低或者額度較小）機會欺詐，識別較為困難，因為這些輕微機會欺詐普遍發生在各種特征的事故中。而通過訓練集的決策樹路徑對檢驗集進行預測時，對2類機會欺詐的預測也能達到將近80%，對1類機會欺詐的預測準確率則略微低于訓練集，而對0類機會欺詐的預測準確率只有33.82%，比訓練集49.70%的準確率還要低。可以認為，在訓練集中得到的識別0類欺詐的決策樹路徑在檢驗集中基本無效。這也就表明，本文雖然可以比較穩定且比較準確地識別軟欺詐程度較高且軟欺詐額度較大的事故，但是對于小額或較低程度的機會欺詐識別預測效果不盡如人意，尚存在一些其他的影響因素，有待進一步深入研究。

六、討論及政策建議

（一）討論

本文探討汽車三責險人傷夸大索賠的影響因素。在理論上，基于信息搜集成本、時間成本、風險厭惡、道德感等因素建立適合法院判決樣本的夸大索賠模型。法院判決機制的存在，使得索賠人有獲得保底賠付的期望。進一步對各種導致索賠人機會欺詐程度的情況進行蒙特卡洛模擬，例如信息搜集成本的提高，能夠有效降低索賠人機會欺詐的收益，而道德感僅起到一次性抑制作用。在實證上，基于汽車三責險人傷索賠的法院判決樣本，首先，通過非參數檢驗，發現索賠人失業、肇事者另購買商業險等均對索賠人機會欺詐程度有顯著影響。其次，進行逐步回歸，識別出另一些影響因素，例如索賠人傷殘等級等，同時也對逐步回歸中排除的經非參數統計檢驗顯著的因素與其他因素具有相關性的原因進行了分析，例如肇事司機性別與交通事故責任認定之間存在一定相關性。最后，使用決策樹方法預測索賠人軟欺詐的類別。預測結果顯示，對于軟欺詐程度較高且軟欺詐額度較大的索賠人機會欺詐識別效果更優，能達到接近80%的準確率。

（二）相關政策建議

基于上述研究，本文對保險公司提出以下建議：在保險公司核準索賠/賠付總額的各個子項金額時，可將姓名、性別等隱私信息適當處理后進行公開，以減少信息不對稱引起的不良影響。另外，保險公司應建立一套明確的賠付制度，如明確哪些單據有效，在發生交通事故后，要嚴格按照制度規定，公開、公正地進行流程化處理。同時也要注意，本文識別汽車三責險人傷索賠機會欺詐的方法，可以為保險公司在交通事故發生后判斷索賠人是否有機會欺詐嫌疑時提供參考，但不宜在確定汽車三責險保費時就根據客戶的性別、年齡等人口統計學特征對其進行區別對待。

對于有關部門，本文給出以下建議：保險監管部門應使保險賠付的各項憑據規范化，例如，對于醫療機構出具的軟組織傷鑒定、傷殘醫療費用明細均應給出明確規定。交通管理部門在勘查事故現場時，要詳細地記錄事故各個方面的特征，使責任劃分盡可能精細化。司法機關在作出判決時，對于提出過高的、明顯超出實際傷害的索賠人，可判其支付罰金作為懲罰。

（三）不足之處及后續研究方向

本文不足之處在于，無法準確識別程度較低或額度較小的機會欺詐，可能源于這類機會欺詐十分普遍。同時，回歸R2值較低，也說明本文使用的影響機會欺詐因素不足以對其進行有效的識別。因此，尋找新的機會欺詐影響因素就是后續研究的方向。

注釋：

①法院判決書來源于北京法院審判信息網（https：//bjcourt.gov.cn）。

參考文獻：

［1］NAGRECHA S， JOHNSON R A， CHAWLA N V. FraudBuster： Reducing fraud in an auto insurance market［J］. Big Data， 2018， 6（1）： 3-12.

［2］RIBEIRO R， SILVA B， PIMENTA C， et al. Why do consumers perpetrate fraudulent behaviors in insurance？［J］. Crime， Law and Social Change， 2020， 73： 249-273.

［3］BRINKMANN J， LENTZ P. Understanding insurance customer dishonesty： Outline of a moral-sociological approach［J］. Journal of Business Ethics， 2006， 66（2-3）： 177-195.

［4］陳曉.汽車保險理賠欺詐行為分析及教學中的德育滲透［J］.汽車實用技術，2019（24）：199-200+225.

［5］董敏，呂紅平，劉軼.人工智能反保險欺詐的私法效果和路徑選擇［J］.金融教育研究， 2019（6）： 12-20.

［6］樊啟榮.保險事故與被保險人過錯之關系及其法律調整模式——兼評我國《保險法》第27條第2款及相關規定［J］.法學評論， 2002（5）： 43-51.

［7］DIONNE G， WANG K C. Does insurance fraud in automobile theft insurance fluctuate with the business cycle？［J］. Journal of Risk and Uncertainty， 2013， 47（1）： 67-92.

［8］EDMARK K. Unemployment and crime： Is there a connection？［J］. Scandinavian Journal of Economics， 2005， 107（2）： 353-373.

［9］JAWADI F， MALLICK S K， CHEFFOU A I， et al. Does higher unemployment lead to greater criminality？ Revisiting the debate over the business cycle［J］. Journal of Economic Behavior & Organization， 2021， 182： 448-471.

［10］HUSTED B W. Wealth， culture， and corruption［J］.Journal of International Business Studies， 1999， 30（2）： 339-359.

［11］CUMMINS J D， TENNYSON S. Moral hazard in insurance claiming： Evidence from automobile insurance［J］. Journal of Risk and Uncertainty， 1996， 12（1）： 29-50.

［12］CREED P A. Personality characteristics in unemployed Australian males： Implications for “drift” hypothesis in unemployment［J］. Psychological Reports， 1999， 84（2）： 477-480.

［13］HARTLEY J F. The personality of unemployed managers： myths and measurement［J］. Personnel Review， 1980， 9（3）： 12-18.

［14］GUIJARRO F. Characteristics of Unemployed People， Training Attendance and Job Searching Success in the Valencian Region （Spain）［J］. Data， 2018， 3（4）： 1-12.

［15］KISH-GEPHART J J， HARRISON D A， TREVIO L K. Bad apples， bad cases， and bad barrels： Meta-analytic evidence about sources of unethical decisions at work［J］. Journal of Applied Psychology， 2010， 95（1）： 1-31.

［16］SCHUBERT R， BROWN M， GYSLER M， et al. Financial decision-making： Are women really more risk-averse？ ［J］. American Economic Review， 1999， 89（2）： 381-385.

［17］BROWN D P. Multiperiod financial planning［J］. Management Science， 1987， 33（7）： 848-875.

［18］GALLOS J V. Women's experiences and ways of knowing： Implications for teaching and learning in the organizational behavior classroom［J］. Journal of Management Education， 1993， 17（1）： 7-26.

［19］GRADDY K， PISTAFERRI L. Wage differences by gender： Evidence from recently graduated MBAs［J］. Oxford Bulletin of Economics and Statistics， 2000， 62： 837-854.

［20］DOERPINGHAUS H I， SCHMIT J T， Yeh J J H. Personal bias in automobile claims settlement［J］. Journal of Risk & Insurance， 2003， 70（2）： 185-205.

［21］DOERPINGHAUS H I， SCHMIT J T， YEH J J H. Age and gender effects on auto liability insurance payouts［J］. Journal of Risk and Insurance， 2008， 75（3）： 527-550.

［22］葉明華.我國機動車保險欺詐識別的因子分析——基于江、浙、滬機動車保險索賠數據［J］.華東經濟管理， 2010 （2）： 84-86.

［23］劉坤坤.車險保險欺詐識別和測量模型實證研究——基于廣東省車險歷史索賠數據［J］. 暨南學報（哲學社會科學版）， 2012（8）： 89-93.

［24］ARTS M， AYUSO M， GUILLN M. Detection of automobile insurance fraud with discrete choice models and misclassified claims［J］. Journal of Risk and Insurance， 2002， 69（3）： 325-340.

［25］COWELL R G， VERRALL R J， YOON Y K. Modeling operational risk with Bayesian networks［J］. Journal of Risk and Insurance， 2007， 74（4）： 795-827.

［26］劉軼，董捷.保險欺詐風險的關鍵因素及法律規制［J］.金融理論探索， 2018 （4）： 60-70.

［27］Zhou J， Wang S， Zhou J， et al. Measurement of the severity of opportunistic fraud in injury insurance： Evidence from China［J］. Emerging Markets Finance and Trade， 2017， 53（2）： 387-399.

［28］周建濤， 韓桃， 張天.車險人身傷害軟欺詐識別［J］. 中國保險， 2015（8）： 31-35.

［29］Wang Y， Xu W. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud［J］. Decision Support Systems， 2018， 105： 87-95.

責任編輯：李金霞

Research on Identification of Opportunity Fraud in Insurance Claims

——Sample Based on Exaggerated Claims for Bodily Injury in Automobile Third-party Liability Insurance

Zhou Jiantao1， Zhang Rui1， Zhou Jianbo2

（1.School of Economics and Management， Beihang University， Beijing 100191，China；

2.School of Economics， Peking University， Beijing 100871，China）

Abstract：The exaggerated claims for bodily injury in automobile third-party liability insurance is a widespread opportunity fraud， which is less condemned by social morality. If it is not curbed， it will produce adverse inducement to society. Theoretically， this paper establishes an opportunity fraud mode suitable for the court decision samples based on time cost， information collection cost， moral sense and other factors， and also conducts Monte Carlo simulation on the impact of the above parameters on exaggerated claims. Empirically， nonparametric statistics and regression statistics are used to analyze the mechanism of factors that affect exaggerated claims， such as the proportion of accident responsibility of the perpetrators and the unemployment of claimants. The decision tree method is used to identify exaggerated claims， and it is found that the prediction effect is better for more serious and large amount of opportunity fraud. To this end， insurance companies should establish clear compensation regulations and reduce the adverse effects caused by information asymmetry， relevant departments should pay attention to the standardization of credentials and make the division of responsibilities more detailed.

Key words：automobile third-party liability insurance; insurance claims fraud; amount of court decision; exaggerated claims for bodily injury; insurance claim settlement