摘要：随着经济的不断发展，机动车辆的不断增加，机动车辆保险已经成为中国财产保险业务中最大的险种，但其居高不下的赔付率一直困扰着我国的财产保险公司，本文基于A公司的210组机动车辆索赔案件进行识别研究，运用相关性分析、多重共线性分析和显著性检验，还有Logistic回归和BP（Back Propagation）神经网络的方法对所有的索赔案件进行识别。对机动车辆保险欺诈识别过程得出改进和管理启示。
关键词：机动车辆保险；保险欺诈；欺诈识别；Logistic回归；BP神经网络
一、引言
随着我国财产保险公司车险保费收入的快速增长，居高不下的车险赔付率一直困扰着我国财产保险公司。虽然车险相比其它财产保险具有出险频度高的特点，但从我国财产保险实务来看，保险欺诈也是导致车险赔付率居高不下的重要原因，因此对于机动车辆保险欺诈的识别和管理问题亟待解决。
二、机动车辆保险欺诈识别指标说明与初选
（一）数据来源与案件说明
本文随机选择A公司车险部200组已结案件作为研究机动车辆保险欺诈的样本数据，剩余10件已结案件作为检验样本。其中200组已结案件样本有44件被鉴定为欺诈索赔，剩余156件被鉴定为诚实索赔。
（二）识别指标说明
机动车辆保险欺诈的识别既要考虑数据的实用性和特征要求，也要衡量识别标准对于欺诈的权重和显著性要求，并且根据过往欺诈案例得出可能会影响车险欺诈的16项指标。
（三）识别指标间相关性分析
将随机选取的200组出险车辆作为样本，为避免样本向量之间存在多重共线性问题，将200组样本数据进行相关性分析，各指标间相关系数的最大值为0.343，表明16项识别指标间均属于弱相关和低度相关，初步判断不存在多重共线性的问题。
（四）多重共线性检验
通过SPSS22.0进行了共线性检验，并且结合共线性检验的结果和步骤，各维度的特征值不存在约等于0的数，各维度的条件指数也不存在大于10的数，方差比例中也不存在接近1的数，因此各识别指标之间不存在多重共线性。
三、机动车辆保险欺诈识别指标的筛选与模型应用
（一）机动车辆欺诈识别指标的筛选
根据识别指标的选择原则，显著性小于0.05的指标相比于其它指标具有更强的显著性，也就是X1、X4、X5、X6、X8、X11、X12、X13八项识别指标对于车险欺诈识别模型的构建更具有研究意义。
期刊文章分类查询,尽在期刊图书馆
（二）Logistic回归预测
为了检验回归模型对原始数据的拟合度情况，必须对回归模型进行拟合度检验，结果显示，模型的显著性Sig=0.896大于0.5，接受零假设，因此由X1、X4、X5、X6、X8、X11、X12、X13八项识别指标构成的回归模型能够很好地拟合样本数据。模型对诚实和欺诈索赔案件的总正确预测率为92.0%。
（二）BP神经网络在机动车辆保险欺诈识别中的应用
输入层为经过显著性检验后八项指标构成的数据，经BP神经网络处理后，可得到输出层结果也就是预测概率。
在样本集和循环迭代次数相同的情况下，通过比较系统总误差来比较具有不同隐含层节点数的BP神经网络的泛化分类能力，从而确定隐含层节点数。
当隐含层数目为5时系统训练实际精度为0.000975，在10组数据中精度最小，而且每组样本的误差率总和为1.886也是最小，也就是最终确定模型的网络结构为8-5-1。测试集样本数据的预测值都能够准确的预测出欺诈案件。
四、基于机动车辆保险欺诈识别的改进与管理启示
（一）增加初始的识别指标，寻求更多显著识别指标
根据每年的欺诈案例更新现有的识别指标，以确保保险公司能快速和准确地定位索赔案件的关键信息。如果不能及时增加和更新初始的识别指标，找到更多的显著识别指标，模型将无法识别出最新型的欺诈类型。
（二）重点关注显著识别指标，提高欺诈识别的准确性
在构建识别模型的过程中，并不是所有的识别指标对模型构建都是有利的，有些指标则会干扰模型的判断，从而影响模型整体的准确性，因此必须先要对识别指标进行筛选，选出有利于模型识别的显著性指标，以提高欺诈识别的准确性。
（三）综合运用合理有效的识别方法，提高欺诈识别的正确率
在运用Logistic回归模型和BP神经网络进行机动车辆保险欺诈识别的过程中，首先必须对欺诈识别指标进行筛选，选出真正对构建模型进而对欺诈案件有效识别的显著性指标。经过了指标的显著性检验进而将显著性指标输入到BP神经网络中进行训练，才能使有效的提高模型对欺诈案件的正确率。
（四）时刻扩充识别模型的数据库，使识别模型做到与时俱进
机动车辆保险逐步完善，与此同时保险欺诈的手段也会随之发生改变，因此为识别更多类型的欺诈案件，必须时刻扩充识别模型的数据库，使识别模型做到与时俱进。
参考文献：
[1]吕振通，张凌云.SPSS统计分析与应用[M].北京：机械工业出版社，2009
[2]榻思杰.A公司机动车辆保险欺诈识别指标研究[D].长沙：湖南大学，2016
[3]叶明华.我国机动车保险欺诈识别的因子分析一基于江、浙、沪机动车保险索赔样本数据[J].华东经济管理，2010，2
[4]晃增.我国车险理赔环节的欺诈问题与对策研究[J].产业与科技论坛，2017，6
[5]王慧卿.中国机动车辆保险反欺诈研究[D].沈阳：辽宁大学，2015
论文作者:袁龙海,张旭
论文发表刊物:《基层建设》2019年第13期
论文发表时间:2019/7/23
标签：指标论文; 模型论文; 车辆保险论文; 样本论文; 神经网络论文; 案件论文; 车险论文; 《基层建设》2019年第13期论文;