数据宝在“中国车险超级分享会”上的演讲实录分享

2023年3月25日，由保险一哥主办的2023中国车险超级分享会成功举办，数据宝保险首席精算师李晓红现场分享数据宝数据产品在车险领域的应用与实践，现场嘉宾反响强烈。

车险是目前中国保险市场中较重要的业务之一，由于个性化需求的不断增加，车险产品的种类和数量也越来越多。在这样一个市场中，传统的保险产品已经不能完全满足人们的需求，因此需要革新。数据宝作为数据要素市场化服务商，致力于提供先进的数据产品和解决方案，帮助保险公司实现数字化转型。以下是李晓红现场分享实录，以供参考。

各位保险公司及科技公司的领导、同仁，大家下午好，我是数据宝的精算师李晓红，今天由我代表数据宝就车辆动态数据在车险上的应用做简单汇报。

我的汇报主要分4个部分进行，第1部分是数据宝公司介绍；第2部分是我们的主打产品小货车模型介绍；第3部分是我们研究时间比较长的其他车辆动态产品介绍；第4部分是对我们车险相关车辆动态产品的总结。

先给大家介绍一下数据宝。数据宝是行业领先的数据要素市场化服务商，我们有幸对接了公安、运营商等50多个部委的数据，覆盖人、车、路、企、环、能六大维度数据，是属于大数据“国家队”。

横向来说，我们已经承建国数通交易管理平台，代运营华东江苏大数据交易中心。

纵向来说，我们已在政务、保险、物流、汽车等行业近百个应用场景形成1000多个商品化数据指标、20余个数据模型产品、8个平台级数据产品。

其中保险是我们未来重要的服务领域之一。

接下来给大家介绍一下我们的小货车车险风险评分模型这个产品。

首先我们模型中的小货车是指5吨以下小货车，包括营业货车和非营业货车。

我们知道，货车的风险相对私家车来说是比较高的，传统的定价因子一般采用是否仓栅式或者厢式货车，NCD，吨位数，动力类型等，甚至有些主体是没有定价模型的，业务筛选一般都是传统维度截尾处理。只采用静态因子建模，或者较粗犷的方式筛选业务，势必会误砍误伤一些优质业务，同时也会导致一些高风险业务成为漏网之鱼。这时，车辆动态因子的加入，能够更清晰精准地刻画车辆的驾驶行为，能够为模型和业务筛选提供更精确的定位。

前面说到了车辆动态数据为车险定价助力，这一部分给大家讲一下我们车辆动态数据的来源及特点。我们把车辆动态数据整理成动态因子，加入到我们的小货车模型。这些动态因子包括时间类，行驶范围类，速度类，驾驶环境类，以及货车特有的因子。同时我们也会把一些车辆属性相关的静态因子加入我们的模型进行训练。

以这些车辆动态因子为依托，我们建了纯动态模型和静动态模型两套风险评分模型。如果保险公司只输入车辆标识信息，则我们的模型输出纯动态模型评分。如果保险公司同时输入车辆标识信息及静态因子信息，则我们的模型会输出更精准的静动态模型评分。

为方便展示，我们把评分分为10个等级，等级从低到高风险逐渐上升。浅蓝色的线是行业实际赔付率，我们可以看到，模型的提升效果是很好的，高低分值之间是有很高的区分度的，大部分的业务在中间分值段。保险公司可以根据评分等级对差业务做截尾筛选，重点关注低分值业务，或可以按照不同的分值对业务做差异化定价。

我们做因子筛选的时候会同时关注因子的提升效果，及因子之间的相关性。以山东的非营业货车行驶里程因子为例，横轴是行驶里程分位点，纵轴是行业赔付率，我们可以看到，赔付率随着行驶里程的上升而上升，因子效果很显著。

前面主要给大家讲了我们的小货车评分模型，包括数据来源、因子分类、产品形态、模型效果，接下来给大家介绍一下我们的车辆动态因子产品，及我们小货车模型的升级和产品规划。

下面具体给大家介绍一下我们各个分类中具体有哪些因子和指标。首先，第1类是时间分布类的指标，我们可以区分到每1小时标的车的行程数、行驶时长、行驶里程，以及由此延伸出来的疲劳驾驶分析指标、疲劳度、工作日驾驶行为、节假日驾驶行为、早晚高峰驾驶行为、夜间驾驶行为等。以疲劳度这个指标为例，我们会考虑疲劳度上升与连续行驶时长的关系，疲劳度衰减与在服务站停留时长的关系等，综合评估标的车的疲劳度曲线与驾驶时间的关系。

第2类是活动范围类指标，包括一定距离内的行程数、时长、行驶里程分布，通行路线的离散度、弯曲程度、常跑路线、活动半径等，车辆常驻地、车籍归属地、承保地及相应的异地通行分析。举个例子，假设销售人员拿来一个大车队的业务给业管，需求是需要一个比较高的费用政策来着支持，原因是，这个车队的行驶路线是市内，风险很低。面对销售人员的需求，如果没有其他动态信息接入的话，保司很难判定这块业务的赔付情况，也就很难定价，只能以销售人员所谓的市场调研为依据。但如果有这个车队的常跑路线等驾驶行为信息，就可以精准地定位这辆车的风险情况，进而制定合理的定价策略。再比如，常驻地及常驻地外的异地分析，可以帮助保险公司区分出真正的异地车业务。

第3类是驾驶环境类指标，包括繁忙/拥堵道路分析，所遇高风险行驶车辆的数量、频次、时长分析，跟车、超车、超速行为分析等。这些指标可以更直观地刻画出标的车辆的高风险行为。

第4类是货车特有的驾驶行为指标，如货源地分析指标、载货率相关指标、超载行为分析等。当然，前面讲的三大类指标对货车同样适用，前面我们已经有了常住地、承保地、货源地及其异地对应的分析指标，对货车来说，我们还可以分析货源地及货源地外异地的通行情况作分析。货源地这个指标的定义，我们是通过车辆动态出入口的车货总重计算得出的。

以这些车辆动态数据为基础，我们还有很多车辆动态类产品，不限于模型，这是给大家举一些例子，如订阅类产品、支付类产品、运力指数排名类产品、驾驶行为类产品、驾驶环境类产品等。

同样以这些车辆动态数据为基础，我们后续会进一步对车辆动态数据做挖掘，同时也会加入其他类型的数据，对我们的模型做优化升级。我们模型和界面的优化升级主要分三大块：

第一，是我们分省建模正在进行，预计4月底会完成大部分的省份模型；同时由于同一个省份不同城市赔付率差异较大，如山东的鲁东沿海地区和鲁西平原地区，赔付率差异很大，目前我们正在探索把城市这个因子加入模型做训练。

除小货车模型升级外，围绕车险风控，数据宝正在计划建设这样的产品矩阵：小货车模型是目前我们花了较大精力去做和推的模型，所以这类模型我们力求精细和完善，在此基础上，我们会以车辆动态数据为依托，建立大货车定价模型，经研究，大货车有些稳定且显著的车辆动态因子，是可以用来建模和定价的。同时我们会打通车队数据，对车队不同车辆种类风险及车队整体风险情况做评估。私家车模型目前市场已经很成熟，且私家车赔付率整体相对较低，但部分省份的赔付率可能相对较高，所以私家车我们暂时没有建模计划，而是希望车辆动态因子、违章因子等因子可以为保险公司的定价模型提供助力。

除了模型和因子外，我们还会同时推出这些增值服务，主要包括三部分，第1部分是对模型提升曲线、业务分布特征、因子等的监控及相关监控报告，如果出现异常，则会尽快对模型作调整或产品升级。第2部分是我们会从车辆动态的维度去做一些定价或展业参考建议，并对执行中的过程数据做收集分析，帮助保险公司找到较优策略。第3部分是我们会做一些行业洞察或趋势类的分析。举个例子，假设全行业都不承保高分值业务，那这部分业务可能会造成行业无法消化，但实际上这部分业务不会一直处在风险高位，或许出险后驾驶习惯变好，风险会下移，我们会以行业数据为基础，建立风险转移矩阵，做行业趋势预判和洞察。

接下来总结一下我们车险相关产品的特点

目前我们的模型产品有5吨以下营业小货车和非营小货车模型，大货车模型，保司在用的有私家车和面包车车辆动态因子产品。

我们的产品优势有下面几个方面，首先我们的车辆动态数据是T+1更新的，查得率接近100%；我们模型的训练数据是全行业赔付率；目前小货车模型我们已经建了全国模型4个，及22个省份的分省模型，共计92个模型。

我的汇报就到这里，欢迎各位保险公司及行业同仁和我们一起探索更多数据在保险领域的应用，谢谢。最后，再次感谢主办方，感谢各位的关注和捧场！