基于驾驶行为分类的UBI费率厘定模型

摘要

我国机动车保险行业规模巨大，然而盈利状况却一直不甚理想，其根本原因在于我国车险定价长期以来都遵从从车因子，忽略了驾驶员的驾驶行为差异。UBI(Usage based Insurance)作为一种欧美发达国家新兴的车辆保险模式，能够根据驾驶员的驾驶行为安全程度个性化地确定保费，从而约束驾驶员不安全驾驶行为，降低事故率，减少理赔。在我国新的费改政策环境下，研究基于我国新费改政策的UBI费率厘定理论与方法具有重要的理论价值与实际意义。
　　因此，本文在UBI国内外研究与应用现状的基础上，提出了基于我国新费改政策的UBI费率厘定模型。首先使用分类算法建立驾驶行为与事故风险的联系，然后根据分类结果确定UBI核保系数，再将UBI核保系数引入新费率政策下的保费计算公式，形成适合我国国情的基于驾驶行为分类的UBI费率厘定模型。
　　论文的主要内容如下:
　　(1)建立基于驾驶行为分类的UBI费率厘定模型。首先介绍了车险费率厘定的理论基础，费率厘定因子和费率厘定方法。分析指出了现有UBI费率厘定理论的不足，即无法对驾驶行为进行客观评价。在此基础上，提出使用数据挖掘的分类技术代替依靠主观赋权法建立的驾驶行为评分体系对驾驶行为进行评估。并在新的费率体系下，建立了基于驾驶行为分类的UBI费率厘定模型，给出了费率厘定公式与厘定步骤。最后将模型应用于保费实例计算，计算过程中证明了驾驶行为分类模型对于事故风险的识别能力确实优于驾驶行为评分模型，可以使UBI费率厘定更加科学、合理。
　　(2)根据车联网数据建立驾驶行为分类模型。以400名驾驶员的实际驾驶行为数据和出险数据作为实验数据，首先使用ExtraTrees算法进行特征选择，然后分别采用决策树、朴素贝叶斯、k-NN、神经网络、SVM分类器进行训练，再根据训练集和测试集上的准确率、测试集上的混淆矩阵和ROC曲线对分类器进行选择，得到分类性能最优的基于SVM分类器的驾驶行为分类模型，并用PSO算法与GA算法对模型参数加以优化。

目录

声明

致谢

摘要

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究应用现状

1．2．1 国内外研究现状

1．2．2 国内外应用现状

1．2．3 研究应用现状总结

1．3 研究内容与创新点

1．3．1 研究内容

1．3．2 创新点

1．4 论文安排

2 车险费率厘定基本理论介绍

2．1 车险费率厘定概述

2．2 车险费率厘定因子

2．2．1 从车因子

2．2．2 静态从人因子

2．2．3 动态从人因子

2．3 传统车险费率厘定方法

2．3．1 单项分析法

2．3．2 迭代法

2．3．3 广义线性模型(GML)

2．3．4 传统车险费率厘定方法简析

2．4 基于车联网的UBI车险费率厘定方法

2．4．1 UBI理论发展概述

2．4．2 UBI车险费率厘定方法分析

2．5 本章小结

3 基于驾驶行为分类的UBI费率厘定模型理论研究

3．1 基于车联网数据的驾驶行为分类

3．1．1 驾驶行为分类特征选择

3．1．2 驾驶行为分类算法选择

3．1．3 分类器性能评估指标选择

3．2 基于驾驶行为分类的UBI费率厘定

3．2．2 驾驶行为分类下UBI费率厘定模型

3．2．3 UBI核保系数计算

3．3 本章小结

4 基于车联网数据的驾驶行为分类模型

4．1 初始实验数据

4．1．1 实验数据来源

4．1．2 数据整合与清洗

4．2 分类特征选择

4．3 分类模型训练及评价

4．3．1 分类器训练及测试结果

4．3．2 分类器性能比较

4．4 模型参数优化

4．4．1 基于PSO的SVM参数寻优

4．4．2 基于GA的SVM参数寻优

4．4．3 模型总结

4．5 本草小结

5 基于驾驶行为分类的UBI费率厘定模型实例计算

5．1 驾驶行为分类

5．2 驾驶行为分类与驾驶行为评分效果对比

5．3 保费计算

5．3．1 基础保费

5．3．2 费率调整系数

5．3．3 最终保费计算

5．4 基于驾驶行为的UBI费率厘定模型保费与原保费对比

5．5 本章小结

6．1 研究工作总结

6．2 研究展望

参考文献

附录

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集