论文部分内容阅读
摘 要：在日趋多样化的市场经济体制下，机动车辆保险产品大一统的形式存在诸多弊端。现有的车险种类过于单一，难以满足日益增长的车辆保有率下投保人的保险多样性需求。在现有的费率厘定条件下，是否可以将驾驶人的驾龄、性别、年龄、驾驶里程、所处地区因素等作为新的车险费率厘定影响因子将机动车辆保险实行差异化，在目前保险市场，保险服务人员在推荐时很少会综合投保人的各方面因素来对投保人推荐最适合的保险类型，或在相应情况下并没有一个完整的划分体系以至于细化程度不够而导致投保人的利益损失;并且在全国范围内已经开始实施互联网+车险，使得对于投保人的风险预测更加有准确性，在理赔服务方面也方便了投保人的售后处理过程的简化。因此在现阶段对车辆保险进行差异化细分有一定的远期可行性。
关键词：中国差异化定价
第一章 绪论
1.1研究的背景和意义
1.1.1研究背景
在国民经济快速发展的同时，保险行业也在稳步发展，人民生活水平的提高所带来的机动车使用需求的提升，在另一方面也增加了对机动车保险的关注度。机动车辆保险，简称车险，是指对机动车辆由保险事故所造成的财产损失或人身伤亡负赔偿责任的一种运输工具保险。拥有各种机动交通工具的法人和自然个人都可以进行投保。长期以来，车险一直在财产保险行业占有举足轻重的地位。车险覆盖面不断拓宽，风险保障能力逐步提升，在维护道路交通安全、服务社会经济建设等方面发挥了不可替代的重要作用。
2019年上半年，财产险公司累计实现车险保费收入3966亿元，同比增长4.55%，6月当月，实现车险保费收入650.06亿元，同比增长9.13%。
从图1-1中可以看出历年我国车险保费收入成稳步增长趋势，同时相关的汽车保险及其配套服务也越发显得重要。从公安部交管局了解到，截至2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆;机动车驾驶人4.2亿人，其中汽车驾驶人3.8亿人。机动车、驾驶人总量及增量均居世界第一，据统计，截至2019年6月，全国66个城市汽车保有量超过100万辆，其中29个城市汽车保有量超过200万辆，11个城市超过300万辆。北京、成都汽车保有量超过500万辆。如此庞大的一个汽车市场，汽车产业政策要产生社会效益和经济效益，要成为中国经济发展的原动力，离不开汽车保险与之配套服务。
目前，我国正处于车险市场化费改的重要阶段，国内汽车行业也在也在不断发展演变，例如新能源汽车的推广，是否在将来也需出台相关的费率条款？人们对于车险产品也有了越来越高的要求。因此，车险个性化、差异化的设计就显得尤为重要。但是，如何进行车险险种差异化？如何实现理赔服务差异化？如何利用大数据细化定价模型？都是目前所待解决的主要问题。
1.1.2研究的意义
基于我国汽车保险类型相对较少，条款设置不够精细的问题。本项目按照里驶员情况、车型等因素将车险划分为不同的等级，通过差异化交通保险对车险进行细化，可以使得投保人根据自身的需求选择对自己更适宜的保险，选择更加灵活。对车险产品定价的准确性、公平性具有重要的研究价值，可将以上变量作为影响因素进行定价开发具有自身优势的车险产品;对车主来说，车险保费与行驶里程数之间的正相关关系的车险产品，可以为被保险人提供一种选择权，投保者可根据各自特点选择最优的车险保费水平。
参考车辆变量的车险定价方式相比传统车险定价方式而言，不仅保险人风险分类更加准确，信息不对称现象相对减少，而且还会激励投保人选择社会最优的行驶里程，规范自身的驾驶行为，减少发生保险事故的风险，从而提高车险市场效率和社会福利。基于车辆变量的车险业务研究，无论对行业费率体系建设还是公司经营管理均具有重要意义，可以有效提升车险行业创新服务能力，推动车险费率市场化改革进程。确定不同类别的保险费率理论计算方法，实现交通保险差异化，减轻投保人的保险费负担，提高投保人满意度，同时有利于保险公司防灾防损，减少灾害事故损失从而增大社会效益。
保险市场的车险费率改革历程证明车险费改是世界保险市场的趋势，其过程应循序渐进，稳扎稳打，同时费率厘定应更加人性化12。充分参考借鉴这些改革历程的经验教训可以在差异化交通保险的发展道路上少走很多弯路345。
1.2研究思路与方法
在本项目开展之前，项目组研究成员通过充分调研相关知识，搜集与查阅文献资料，对机动车辆保险的险种、费率的厘定，发达国家和地区的车险改革经验进行了梳理。同时在车辆保险相关理论的基础上，对比分析当前主要几种车辆保险方法的优缺点以及驾驶情况的差异性，结合保险公司车险业务自身特点，对采用数学模型对机动车辆保险差异化评价的可行性及实用性进行了分析，提出财险公司机动车辆保险差异化研究的构建思路。
本文对传统保险方式进行了思考，提出新的保險计算模式，将投保人进行更为细致的分类，有助于保险公司做出正确的合理的理赔方案，也有利于投者根据各自特征选择最优的车险保费水平，二者的实现可以极大的促进保险市场的发展。除了利用常规的数学模型，分析方式，本项目运用了数据挖掘的方法，利用了它的优势，将数据分析变得更精准，更合理。
创新点在于从保费计算、险种分类、条款方面详细阐述分析新一轮费改的变化，并汇总整理了各地车险费改版本的亮点。明确费改方案，将有助于保险公司创新产品，车主规范驾驶行为，厂商调整营销策略。只有各利益主体都选择最优的应对措施，才能助推车险费率市场化改革，从而明确下一步的改革方向。
本文共分为五章，旨在对现有车险市场险种种类单一、厘定影响因子较少的等问题进行分析，探索解决这些问题具体的方案，各章节的具体内容安排如下;
第一章，绪论。
第二章，我国车险情况运行情况分析。
第三章，交通事故风险因素组成。 第四章，风险细分下得车险定价模型。
第五章，结论及展望。
第二章 我国车险情况运行情况分析
我国的汽车保险业务的发展经历了一个曲折的历程。从1950年创建不久的中国人民保险公司开办汽车保险，又到1955年停办汽车保险业务;再到我国保险业恢复之初的1980年，中国人民保险公司逐步全面恢复了汽车保险业务，以适应国家公路交通运输业的迅速发展;再随着改革开放形势的形成，机动车辆得到迅速普及，与此同时，车辆保险行业也迅速发展，并在此后的20年机动车险在财产保险内充当着越来越重要的角色。6
2.1车险市场运行现状
我国车险市场在经过两轮改革后，系统逐渐趋于稳定。截至2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆;机动车驾驶人4.2亿人，其中汽车驾驶人3.8亿人。随着机动车保有量持续增长，机动车驾驶人数量也呈现同步增长趋势，2019年上半年全国新领证驾驶人数量达1408万人。截至6月，全国机动车驾驶人数量达4.22亿人，与去年同期相比，增加2576万人。在全国汽车保有率快速增长的同时，车险行业也在蓬勃发展。2019年上半年，财产险公司累计实现车险保费收入3966亿元，同比增长4.55%，6月当月，实现车险保费收入650.06亿元，同比增长9.13%。从险种看，车险保额223.32万亿元，同比增长19.79%。费率改革的逐步推行和市场深入，使得行业效益有所提升，但在快速发展的现代社会，随着费改的全面实施，车险行业费率厘定、行业价格战等方面的弊端也日益显现。
保险行业百家争鸣，目前我国车险存在以下几个问题：
（1）险种可供选择种类过少。
（2）车险费率统一。
（3）理赔服务质量参差不齐。
所以互联网+汽车保险成为行业发展主要路径。互联网财产险市场业务数据显示，上半年互联网车险业务保费收入147.66亿元，同比负增长18.12%;非车险业务保费收入233.86亿元，同比增长60.12%。非车险业务规模首次超越车险业务，有望成为互联网财产险下一个竞争前沿。在调研过程中，多家公司提高车联网，可以很好的统计投保人的各方面的信息，对投保人的风险分析更加准确，有助于提高其可信度。对于互联网车险平台来说，车险的销售渠道不再单一化，在一定程度上降低了公司的资金透入。在理赔服务方面也可以很好的提高业务效率，无论对于保险公司，还是投保人来说，都极大的节约了事件处理的时间。可以使得整个车险行业服务的标准统一化，在目前市场上，各公司的服务体系各式各样，在调查问卷中了解到，大多数车主对于车险条款并不是很了解，在理赔过程中还有可能被保险公司百般推脱，但互联网车险平台的推行，能够有效的解决这方面的问题。使得行业的服务更加标准统一。
第三章 交通事故风险因素组成
3.1 交通事故风险因子组成
要想实现差异化车辆保险首先就得清楚客户之间的差异性在哪，这些差异性就体现在每个客户可能发生交通事故的严重程度以及影响因素上。简而言之，在客户购买车辆保险时，如果我们知道了该客户未来可能发生的交通事故的严重程度，那么我们就可以给该客户推荐相应的保险，这样可以使客户的损失降到最小，所以分析交通事故的影响因素显得十分必要。通过采集交通事故的大量数据，运用统计建模分析这些数据，便可发现数据之间的相关性，从而发现隐藏在数据背后的内容。
影响交通事故的风险因子可从人车路和环境等方面进行分析，见下表。
3.2 交通事故严重程度影响因素
刘昕宇7用CHAID决策树方法对多分类的影响因素建立了预测模型，研究容易造成严重伤害交通事故的影响因素。研究表明"雨天"与"夜晚（无照明）"是最容易导致严重伤害事故的因素。刘军8对交通事故分析系统进行需求分析，建立了一套基于 J2EE 的交通事故数据挖掘系统，利用改进的 DBSCAN 算法构建交通事故黑點鉴别模型与交通事故数据多维分析模型，识别交通事故多发点段。江山9等人运用灰色关联分析与关联规则的Apriori算法相结合的方法发现交通事故普遍都是一般事故，事故的发生与路面状况为占道施工和天气为雨、正常有很强的联系，有积水的县乡道路容易发生一般事故。车拥有量和城市人口与交通事故直接财产损失呈正相关，而交通死亡人数和交通投资呈负相关10。马倩楠11等人针对车辆 道路环境、交通条件建立Ordinal Logistic 模型并对模型进行了平行线检验、似然比检验。结果表明，车辆载重、车辆拖挂和事故发生时的特殊条件对货车交通事故严重程度有显著影响。张宝12利用统计分析法、道路轮廓线缓冲分析法、核密度估计法以及二元逻辑回归分析法等研究方法与理论，对所研究高速公路交通事故进行时间分布规律分析、空间分布规律分析以及相关影响因素的关联分析，发现10 月，是该高速公路交通事故的高发月份，晴天天气条件下发生的交通通事故比雪天和雨天条件下发生的事故更多，而且路表干燥状态下发生的交通事故比路表潮湿、积水和冰雪条件下的交通事故更多，这与人们以往的认知恰恰相反。Wu13研究了交通事故严重程度与事故特征、道路环境、驾驶行为之间的关系，结果表明：碰撞原因（超速）、工作日、碰撞位置（非交叉口位置）、碰撞点（迎面）是影响致命碰撞和非致命碰撞的重要变量。Yau14将伤害严重程度分为“致死性/严重性”和“轻微性”，对数据集采用逐步logistic回归模型，发现分区、事故发生时间、驾驶员性别、车辆类型、道路类型、限速、车辆数量是影响伤害严重程度的重要因素。陈艳艳15等人 基于二元logistic回归模型， 提出交通事故影响因素辨识方法， 研究结果表明：道路横断面位置、交通信号方式、道路物理隔离、能见度、照明条件、时间及天气对交通事故严重程度有显著性影响。
3.3 结论
交通事故风险组成因素众多，其中，交通事故比较严重的影响因素有：雨天、夜晚（无照明）、占道施工、有积水的县乡道路、车辆载重、超速、道路物理隔离等。 所以可以把交通事故严重程度的影响因素和费率结合起来，根据每个驾驶员的特性以及驾驶员所在地区的道路设施条件和环境组成因素制定不同的费率，这样便可以实现差异化交通保险，避免经济重大损失，实现经济效益最大化。
第四章 风险细分下的车险定价模型
保险的作用是规避风险，对保险公司进行风险细分，将保单条款改进完善，分别确定不同风险等级下的保费费率，可以使得保费费率厘定更加合理、公平，进而避免“高保低赔”的缺失公平性的现象。而定价是否充足合理，保险产品能否满足广大消费者的实际需求，直接影响到财险公司产品竞争力和公司盈利水平，本章将从风险等级划分及车险定价两方面进行分析。
晋颖，田晓丽（2011）16从供给、需求和监管角度找出在车险费率市场化过程中存在的主要问题，对我国未来车险费率市场化发展趋势进行了展望;孟生旺（2012）17基于一组实际的车险损失数据，对索赔频率的各种广义线性模型与神经网络模型和回归树模型进行了比较，得出神经网络模型的拟合效果优于广义线性模型的结论;王新军，王亚娟（2013）18采用广义线性模型对我国车险的分类费率厘定进行了研究，得出索赔次数的广义线性模型在负二项分布的假设下拟合效果相对较好、索赔强度的广义线性模型在伽玛分布的假设下拟合效果相对较好的结论;胡伊（2016）19从多源数据下进行了车辆风险分析与保险定价研究;许译芝（2019）20以广义线性模型的相关理论为基础，采取分别对索赔强度及索赔频率建模的方法，实现对车联网保险费率厘定的实证研究 。
4.1风险等级划分
保险公司承保的每一笔车辆保险业务在未来都会存在潜在风险，因此保险公司在计算车险费率之前需要对潜在的风险因素进行事先分析。如第三章所述，国际车险市场通常将“人”、“车”、“环境”作为主要考虑的风险因素，根据已经确定好的风险因素，对所采集数据进行整理，然后按照风险因素选取准则，对其进行风险等级划分。
4.1.1人、车、环境风险等级简述
保险公司在对承保车辆进行核保时，无法直接分析出驾驶人员的综合能力，仅能依靠某些指标来客观分析驾驶人员的综合能力，例如驾驶人的性别、年龄、婚姻状况、职业、驾龄、事故记录等。
车辆自身的安全性也会直接导致交通事故的产生，保险公司在对投保人的车辆进行核保时，无法直接对投保车辆进行安全性检测，而是通过一些较易获得的指标来衡量车辆风险，主要包括车辆的种类、使用性质、车龄、车价、行驶里程、型号、厂商等。
环境的风险因素主要分为地理环境风险因素和社会环境风险因素，地理环境风险因素主要包括地域的气候环境、地形地貌和路面状况等方面，社会环境风险因素主要包括治安环境和法制环境两方面，上述两大类环境风险因素分别对车辆自身行驶及司机的驾驶心理产生一定影响进而导致不同的风险因素。
4.1.2车险定价相关因素总结
上述列举人、车、环境风险因素在车险费率厘定中所占权重不同，实际定价中选择标准也不尽相同，根据前文风险描述及选择标准的介绍，对各国车险定价选择标准进行分类汇总，与我国保险市场现行标准进行比较，具有一定的借鉴意义，结果如表4-1所示：
4.1.3根据风险等级进行差别定价
差别定价，也叫价格歧视，就是企业按照两种或两种以上不反映成本费用的差异价格来销售某种产品或劳务。差别定价主要有四种形式：
1、顾客差别定价
企业按照不同的价格把同一种产品或劳务卖给不同的顾客。在保险公司里，同一保险按不同的价格卖给不同的客户：按目标价格把某种保险卖给顾客A，同时按照较低价格此保险卖给顾客B。这种价格歧视表明，顾客的需求强度和商品知识有所不同。
2、产品形式差别定价
企业对不同型号或形式的产品分别制定不同的价格，但不同型号或形式產品的价格之间的差额与成本费用之间的差额并不成比例：不同形式的保险定价不同，销售价格不同。
3、产品部位差别定价
企业对于处在不同位置的产品或服务分别制定不同的价格，即使这些产品或服务的成本费用没有任何差异：不同环境、地理位置的保险由于其风险等级不同而定价不同。
4、销售时间差别定价
企业对于不同季节、不同时期甚至不同时间段的产品或服务，分别制定不同的价格。
4.2车险定价模型
为针对具体的风险等级划分进行车险定价分析，需要了解车险定价的基本条件与流程，在此引入相关内容的介绍。
4.2.1车险定价基本概述
首先考虑手续费影响，车险在销售时有一定额度的手续费，而在不同经营范围的保险公司中其手续费有很大的差异，车险的销售模式在很大程度上依赖于中介渠道，所以手续费价格的高低直接关系到企业的经营效益，合理控制手续费在一定的价格浮动内，对车险行业的良好风气有一定的推进作用，同时对企业的成本也有一定程度上的降低，减轻了消费者的负担。
其次是利润率，即剩余价值与全部预付资本的比率，是剩余价值率的转化形式，是同一剩余价值量不同的方法计算出来的另一种比率。
利润率反映企业一定时期利润水平的相对指标，利润率指标既可考核企业利润计划的完成情况，又可比较各企业之间和不同时期的经营管理水平，提高经济效益。相关计算公式主要有：
成本利润率=利润÷成本×100%
销售利润率=利润÷销售×100%
4.2.2车险厘定过程
4.2.2.1车辆保险的理赔方式
出险-报案-查勘-定损-核价-核损-核赔-支付
4.2.2.2公式
保险赔款
=损失金额×（保险金额÷出险时保险财产的实际价值） =损失金额*投标比例
商业车险保费
=基准纯风险保费/（1-附加费用率）×無赔款优待系数×交通违法系数×自主核保系数×自主渠道系数
若汽车发生了全部损失，则计算公式为：
全损赔款=车辆核定损失x按责任分担损失的比例x（1-免赔率）
具体又分为以下两种情况：
（1）若保险金额低于或等于出险时车辆的实际价值，则按照保险金额计算。
计算公式为：车险理赔款=（保险金额-残值）x事故责任比例x（1-免赔率）。
（2）若保险金额高于出险时车辆的实际价值，则按照出险时的实际价值计算。计算公式为：车险理赔款=（实际价值-残值）x事故责任比例x（1-免赔率）。
4.2.3传统费率厘定模型
营业保险费率（也称执行保险费率或实际保险费率），由纯保险费率和附加保险费率两部分组成。纯保险费率也称净费率，是保险费率的主要部分，它是根据损失概率确定的，纯保费用于保险事故发生后对被保险人进行赔偿和给付;附加保险费率是保险费率的次要部分，它是以保险人的营业费用为基础计算的，用于保险人的业务费用支出、手续费支出以及提供部分保险利润等。
目前，在车险业务中关于费率的确定，普遍采用加法模型和乘法模型22，二者的相同点是将选定的每个风险分类变量都分为离散的若干个级别，每一个级别都对应一个级别相对数，通过级别相对数的组合来确定每一个风险单元的费率;区别则为级别相对数的组合方式不同，加法模型采用级别相对数相加的方式，而乘法模型则采用级别相对数相乘的方式。
若利用符号系统来表示，则加法模型可表示为：
而乘法模型可表示为：
对乘法模型和加法模型的求解一般采用边际总和法，对于任意一个风险分类因素下的任意一个级别，同在这个级别下的所有个体的纯保费总额，应该等于它们的实际损失总额。
这两个线性模型的形式十分简单，但模型本身和估计参数用的边际总和法存在着一些问题：第一，边际总和法的适用性存在问题。通过一个风险因素分类的结果往往是非常粗略的，不足以将所有的被保险人分为风险同质的群体;第二，这两个模型都假设损失变量是连续随机的并且服从正态分布，实际上这一假设往往不成立;第三，通过加法模型和乘法模型拟合的结果往往并不一致，特别是当损失的分布很不均匀时，对于较大幅度偏离总体平均损失水平的那些风险单元，两种方法求得的费率结果差别可能会更大。
鉴于传统费率厘定方法存在诸多弊端，需要寻找新的定价模型改善其缺点，在此基础上引进广义线性模型厘定费率的方法。
4.3广义线性模型厘定车险费率
4.3.1广义线性模型定义
广义线性模型（简称 GLM） 是在1972 年被Wedderburn和Nelder23提出的，为传统线性模型回归的推广，适用于非正态分布的数据，它使因变量总体均值通过线性连接函数主要取决于线性预测值，同时指数分布族里的任何一种分布都可以作为它的响应概率分布。广义线性模型的结构分为随机成分、系统成分和联结函数三部分：
（3）联结函数
联结函数g单调且可导，它建立了随机成分与系统成分之间的关系，表示为：
4.3.2广义线性模型的特点
广义线性模型是目前测算车险纯保费的主流方法，它可以同时考虑相关的定价因子，并且可以对因子间的相关性和交互作用做出调整，它是传统的线性模型的延伸，可以在承保时对未来的赔付率进行估测，这样可以提高报价的准确性，其总体均值通过一个非线性连接函数依赖于线性预测值，有许多广泛应用的统计模型都属于广义线性模型，它在两个方面对一般线性模型进行了推广：
（1）一般线性模型中要求因变量是连续的且服从正态分布，在广义线性模型中，因变量的分布可扩展到非连续的资料，如二项分布、Poisson分布、负二项分布等。
对于一维正态分布，若随机变量X服从一个位置参数为μ、尺度参数为σ的概率分布，则其概率密度函数为：
这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作X～N（μ，σ2）。当μ=0，σ=1时，正态分布就成为标准正态分布：
（2）一般线性模型中，自变量的线性预测值η就是因变量的估计值μ，而广义线性模型中，自变量的线性预测值η是因变量的函数估计值g（μ）。不同的预测内容可使用不同的模型：
预测索赔次数：泊松分布、负二项分布、泊松—逆高斯回归
预测索赔强度：伽玛分布、逆高斯回归、对数正态回归
纯保费预测：Tweedie回归
多分类：AdaBoost方法
其中泊松分布的概率函数为：
式中参数是单位时间（或单位面积）内随机事件的平均发生次数，泊松分布适合于描述单位时间内随机事件发生的次数。特征函数为：
期望和方差均为λ
其中x>0，μ>0，λ>0。当λ 趋近于无穷时，逆高斯分布逐渐趋近于高斯分布（即正态分布），逆高斯分布有多项类似于高斯分布的特性。“逆”可能容易引起混淆，其实它的含义是高斯分布描述的是在布朗运动中某一固定时刻的距离分布，而逆高斯分布描述的是到达固定距离所需时间的分布。
由此可见，广义线性模型对因变量的预测值是该线性组合的一个函数变换，而不是直接等于自变量的线性组合，其因变量的方差是其均值的函数，非常适合于保险数据。在广义线性模型的应用中，根据保险数据的先验知识选择误差项的分布类型，可以有效改进模型的拟合效果，如果因变量的方差为常数，可以选择正态分布;如果因变量的方差等于其均值，可以选择泊松分布;如果因变量的方差等于其均值的平方，可以选择伽玛分布;如果因变量的方差等于其均值的三次方，可以选择逆高斯分布。 4.3.3广义线性模型的优势
广义线性模型在损失模型预测中有广泛的应用，广义线性混合模型拓展了线性模型，目标通过指定的关联函数与因子和协变量线性相关，其目标可以有非正态分布，而且观测值有可能相关。
在保险公司企业中，建立风险因子模型厘定费率，打造可持续增长模式，完善商业车险制度，优化运营模式，对降低运营成本，提高保险公司的运行效率，提高竞争力有着积极作用。增加了风险等级分类，吸引客户，提高投保数量，也可增加投保金额。
4.4基于广义线性模型的实例分析
4.4.1建模说明
广义线性模型的特点使得它在处理多源数据的车险定价模型上具有其独特的优势。广义线性模型所表达的变量关系更加贴近现实生活，在该模型体系中可以容纳更多来源的数据进行海量分析，且可借助统计手段筛选出更多影响因子。本文将对索赔频率与分类因子之间的关系进行讨论并对车险费率厘定模型进行改进，改进后的模型在精确度和可信度方面得到较大提高，在此基础上厘定的车险费率将会更加合理，从而加快实现现阶段商业车险费率改革中风险细分与费率市场化的目标。
其中索赔频率的广义线性模型表达式为：
式中Yi即索赔频率，Xin是影响出险的各个变量，连接函数g选择对数函数以保证费率因子间的乘积关系。预测模型中假设个体保单索赔次数服从正态分布。
4.4.2数据说明
本章首先利用广义线性模型拟合问卷调查中车险理赔数据，数据来源于小组问卷调查中的车主保险数据，数据包含232份问卷，每一份问卷包含驾驶人、历时驾驶记录等信息，涵盖15个风险分类，本文初步概括为背景因素、人为因素、环境因素三大变量，其中人为因素包含性别、年龄、驾龄等，环境因素包含居住地与经常行驶道路路况，背景因素包含发生事故次数及原因等。将调查结果按数值大小分为“0-5、5-6、6-7、7-8、8-9和大于9”六类，下面将从索赔频率角度对三大变量进行分析。
4.4.3数据分析
利用统计软件对所得数据进行总结，得到结果如下图所示：
由背景因素分布饼状图可以看出，背景因素分数在总分数中比例达到0.3的人数大于50%，因此，背景因素在影响索赔频率上占有较大的比重。
环境因素比例小于0.3的分数占比小于25%，说明环境因素在事故中占的比例较小，索赔频率受外在环境的影响较背景来说影响程度更小。
人为因素影响事故的分布中，比例大于0.3的事故占比大于90%。因此在影响索赔频率的原因中，人为因素占据大部分比重，且较环境因素与背景因素的影响程度更深。
由上图可知，分数介于6-8的人数超过60%，分数大于9分的人数最少，小于5分的人数占比小，即现实生活中发生交通事故的比重很大，而最佳得分应该为4.8，即12*0.3+4*0.3。
考虑三大因素在索赔频率中所占的比重大小，在驾驶员购买保险前，将会对驾驶员进行问卷调查，问卷调查涉及人为因素，环境因素，以及背景因素三个方面的问题，最终采用0.3*人为因素+0.3*环境因素+0.4*背景因素的计算方法得出最后分数，根据分数所处的范围推荐相应的保险。
本研究以问卷调查与走访所获得的具体数据为例，通过建立车辆事故风险评分模型计算得出不同驾驶员的各项具体行车风险因素分数并结合了该机动车辆的历史出险数据，对车辆事故风险评分模型的效果进行了实证检验。由研究结果可知，本文所建立的驾驶行为评分模型符合科学、合理的构建原理，所评价的数据真实有效。
本文发现对风险因子分类比较后进行车险定价的 GLM 模型所预测的结果更加接近真实值而车险产品的定价将根据风险的大小有一定程度的调整。这为保险公司开展车险费率产品差异化、个性化的创新提供更多可以借鉴参考的依据。
基于以上结论及分析，保险公司可以根据驾驶员的人的因素，包括性别年龄驾龄和是否减少保险，进行分类，设计保险，是否减少保险可以根据对象，进行相应的福利政策，增加续保的可能性。其次对环境因素进行分类，包括居住地地势和行驶道路的状况，对全国全省进行分区，根据评测的分数，进行第二轮确定保险。最后对驾驶者的背景，即发生事故的次数和原因，进行第三次评定分析，经过三次评定，最后得出适合每个人不同特点的保险，在保障利益的同时实现差异化节约资源。
第五章 结论及展望
5.1主要结论
目前车险市场化竞争已经到了白热化状态，一方面各市场主体纷纷加入车险市场争夺战当中，都想在汽车销售大发展的环境下，争取市场地位的进一步加大，导致车险经营成本水涨船高;另一方面，受市场监管及保险行业发展趋势影响，保险产品价格进一步走低，与大数据、互联网技术联合发展的进程明显加快。在这种经营环境下，各经营车险公司要做的是不能盲从市场，要根据公司经营特点及竞争策略，找准市场定位，抓住目标市场，走可持续发展的道路。本文在进行风险分类和分析差异化经营的特点基础上，结合本人的思考，得出的主要结论如下：
（1）在目前现有的车辆保险制度下，存在較多的问题：制度的不够完善导致现有的车险种类过于单一，个性化缺少，在投保时不能获得量身定制适合自己的保险;或在相应情况下并没有一个完整的划分体系以至于细化程度不够而导致投保人的利益损失和浪费;或在投保时，产品的过于单一导致投保人缺少可选择性;
（2）为解决上述问题，运用大数据的分析方法，通过细分市场，找到符合个人特点定制保险的市场定位，确定出目标客户特征，进行保险产品的定制和推荐。本文将个人投保时的影响因素初步概括为背景因素、人为因素、环境因素三大变量，其中人为因素包含性别、年龄、驾龄等，环境因素包含居住地与经常行驶道路路况，背景因素包含发生事故次数及原因等。而不是只盯着汽车指导价这一个因素，从而使汽车保险定价更加精确。在投保时可以根据不同投保人的特点，进行量化打分制度来确定最终的保险产品。 （3）为了更多的吸引目标客户的投保，制定差异化的市场竞争策略的同时，也要做好售前、售中、售后的的经营战略和组织保障，实现保险的人性化个性化和差异化。
5.2研究不足和展望
随着我国汽车保险业务量的逐年增加，汽车保险业务占据着我国财险公司总业务量的70%以上，是我国财产保险公司的龙头险种，但由于汽车保险在国内起步较晚，做为一个年轻的险种，发展过程也比较曲折，因而会存在各种各样的问题，比如本文中提的车险行业存在的车险与投保人不适合造成的浪费，车险产品的同质化问题以及产权保护问题等，然后以此出发，介绍目前市场上的车险产品，深入分析了我国车险产品存在的严重同质化问题及其产生根源，结合了调查问卷内容，对致险因子进行了量化分析，研究和探讨了我国车险产品的个性化，并并提出了可行性，提出了对于我国实现车险产品个性化的对策建议。
基于以上本文对于我国车险产品的个性化研究的理论分析，对于未来我国车险产品的个性化发展提出了以下展望：首先，未来可结合互网技术建立与客户的全面可持营销关系;目前，车险市场发展的瓶颈就是缺乏与客户的黏性，保险企业和客户之间的关系纽带仅仅是交易，也仅仅只是一张单纯的缴费保单，缺乏与客户更进一步的联系，
使得保险公司在推荐和指定保险产品时，很难站在投保人和消费者的角度考虑问题，保障公司收益的同时实现投保人的利益最大化，所以说让客户通过互联网享受服务，通过网络进行车险产品的沟通与交流，使得投保人能够真正找到适合自己的保险，同时也能使得公司得到进一步的宣传。其次，公司应该做好线上线下相结合的方式，打造一站式的理赔服务，做好售前、售中、售后的服务。
此外，由于本团队精力不足，理论水平以及实践经验有限，本文还存在一些不足，仍有许多问题值得今后进一步研讨和探讨。本文现阶段对国内外的研究现状了解不够，了解的资料也存在不足，部分观点和看法还存在一定的局限性，另外，由于车辆市场的日新月异，本文提出来的策略随时可能发生变动。
参考文献：
[1]Research on Bonus-Malus System of China's motor insurance JI.Caihong;-School of Economics; Beijing Technology and Business University;2011中国保险与风险管理国际年会论文集
[2]李华.车险差别化定价和精准营销模式研究[D].山东大学，2014.
[3论车险需要差异化经营;刘娜Journal of China College of Insurance Management 2003年05期 ISSN：1003-9074
[4]我国互联网保险的发展现状和前景研究[J].王燕，杨晓明，徐兴泰.经济研究导刊.2015（05）
[5]"Automobile insurance reform in New Jersey： Moving Toward a New Pricing System". Rosenberg M. Journal of insurance regulation . 1992
[6]周唤雄.浅谈我国汽车保险发展历程与现状[J].黑龙江科技信息，2011（32）：132-133.
[7]刘昕宇. 基于数据挖掘的道路交通事故序列模式与严重程度预测研究[D].北京交通大学，2016..
[8]刘军. 基于数据挖掘技术的交通事故信息系统的研究与应用[D].新疆农业大学，2008.
[9]江山，宋柯，谢维成，潘成伟.基于灰色关联与Apriori算法的道路交通事故数据分析[J].公路工程，2019，44（04）：67-73.
[10]孙丽璐，陈甜，赵娟，吴奇，赵辉.我国交通事故损失影响因素及地区特征分析——基于全国31个省市自治区2004-2015年面板数据[J].西南大学学报（自然科学版），2019，41（08）：114-123.
[11]马倩楠. 货车交通事故严重程度影响因素分析[C]. 中国科学技术协会、中华人民共和国交通运输部、中国工程院.2019世界交通运输大会论文集（上）.中国科学技术协会、中华人民共和国交通运输部、中国工程院：中国公路学会，2019：58-66.
[12]张宝. 高速公路交通事故规律分析与影响因素研究[D].中国人民公安大学，2019.
[13]Hany M. Hassan，Hesham Al-Faleh. Exploring the risk factors associated with the size and severity of roadway crashes in Riyadh[J]. Journal of Safety Research，2013，47.
[14]Kelvin K.W. Yau，H.P. Lo，Sherrice H.H. Fung. Multiple-vehicle traffic accidents in Hong Kong[J]. Accident Analysis and Prevention，2006，38（6）.
[15]陳艳艳，李向楠，孙智源，熊杰.基于Logistics回归的道路交通事故影响因素辨识方法[J].交通科技与经济，2018，20（05）：1-5+11.
[16]晋颖， 田晓丽. 从供需角度分析车险费率市场化[J]. 合作经济与科技， 2012（1）：75-77.
[17]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26. [18]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[19]胡伊. 基于多源数据的车辆风险分析与保险定价模型研究[D]. 2016.
[20]许译芝. 基于广义线性模型的车联网保险费率厘定研究[D]. 2019.
[21]粟芳. 机动车辆保险制度与费率[M]. 2005.
[22]王和. 大数据时代保险变革研究[M]. 中国金融出版社， 2014.
[23]J A ， R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.
[24]Research on Bonus-Malus System of China's motor insurance JI.Caihong;-School of Economics; Beijing Technology and Business University;2011中國保险与风险管理国际年会论文集
[25]李华.车险差别化定价和精准营销模式研究[D].山东大学，2014.
[26]论车险需要差异化经营;刘娜Journal of China College of Insurance Management 2003年05期 ISSN：1003-9074
[27]我国互联网保险的发展现状和前景研究[J].王燕，杨晓明，徐兴泰.经济研究导刊.2015（05）
[28]"Automobile insurance reform in New Jersey： Moving Toward a New Pricing System". Rosenberg M. Journal of insurance regulation . 1992
[29]周唤雄.浅谈我国汽车保险发展历程与现状[J].黑龙江科技信息，2011（32）：132-133.
[30]刘昕宇. 基于数据挖掘的道路交通事故序列模式与严重程度预测研究[D].北京交通大学，2016..
[31]刘军. 基于数据挖掘技术的交通事故信息系统的研究与应用[D].新疆农业大学，2008.
[32]江山，宋柯，谢维成，潘成伟.基于灰色关联与Apriori算法的道路交通事故数据分析[J].公路工程，2019，44（04）：67-73.
[33]孙丽璐，陈甜，赵娟，吴奇，赵辉.我国交通事故损失影响因素及地区特征分析——基于全国31个省市自治区2004-2015年面板数据[J].西南大学学报（自然科学版），2019，41（08）：114-123.
[34]马倩楠. 货车交通事故严重程度影响因素分析[C]. 中国科学技术协会、中华人民共和国交通运输部、中国工程院.2019世界交通运输大会论文集（上）.中国科学技术协会、中华人民共和国交通运输部、中国工程院：中国公路学会，2019：58-66.
[35]张宝. 高速公路交通事故规律分析与影响因素研究[D].中国人民公安大学，2019.
[36]Hany M. Hassan，Hesham Al-Faleh. Exploring the risk factors associated with the size and severity of roadway crashes in Riyadh[J]. Journal of Safety Research，2013，47.
[37]Kelvin K.W. Yau，H.P. Lo，Sherrice H.H. Fung. Multiple-vehicle traffic accidents in Hong Kong[J]. Accident Analysis and Prevention，2006，38（6）.
[38]陈艳艳，李向楠，孙智源，熊杰.基于Logistics回归的道路交通事故影响因素辨识方法[J].交通科技与经济，2018，20（05）：1-5+11.
[39]晋颖， 田晓丽. 从供需角度分析车险费率市场化[J]. 合作经济与科技， 2012（1）：75-77.
[40]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[41]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[42]胡伊. 基于多源数据的车辆风险分析与保险定价模型研究[D]. 2016.
[43]许译芝. 基于广义线性模型的车联网保险费率厘定研究[D]. 2019.
[44]粟芳. 机动车辆保险制度与费率[M]. 2005.
[45]王和. 大数据时代保险变革研究[M]. 中国金融出版社， 2014.
[46]J A ， R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.
关键词：中国差异化定价
第一章 绪论
1.1研究的背景和意义
1.1.1研究背景
在国民经济快速发展的同时，保险行业也在稳步发展，人民生活水平的提高所带来的机动车使用需求的提升，在另一方面也增加了对机动车保险的关注度。机动车辆保险，简称车险，是指对机动车辆由保险事故所造成的财产损失或人身伤亡负赔偿责任的一种运输工具保险。拥有各种机动交通工具的法人和自然个人都可以进行投保。长期以来，车险一直在财产保险行业占有举足轻重的地位。车险覆盖面不断拓宽，风险保障能力逐步提升，在维护道路交通安全、服务社会经济建设等方面发挥了不可替代的重要作用。
2019年上半年，财产险公司累计实现车险保费收入3966亿元，同比增长4.55%，6月当月，实现车险保费收入650.06亿元，同比增长9.13%。
从图1-1中可以看出历年我国车险保费收入成稳步增长趋势，同时相关的汽车保险及其配套服务也越发显得重要。从公安部交管局了解到，截至2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆;机动车驾驶人4.2亿人，其中汽车驾驶人3.8亿人。机动车、驾驶人总量及增量均居世界第一，据统计，截至2019年6月，全国66个城市汽车保有量超过100万辆，其中29个城市汽车保有量超过200万辆，11个城市超过300万辆。北京、成都汽车保有量超过500万辆。如此庞大的一个汽车市场，汽车产业政策要产生社会效益和经济效益，要成为中国经济发展的原动力，离不开汽车保险与之配套服务。
目前，我国正处于车险市场化费改的重要阶段，国内汽车行业也在也在不断发展演变，例如新能源汽车的推广，是否在将来也需出台相关的费率条款？人们对于车险产品也有了越来越高的要求。因此，车险个性化、差异化的设计就显得尤为重要。但是，如何进行车险险种差异化？如何实现理赔服务差异化？如何利用大数据细化定价模型？都是目前所待解决的主要问题。
1.1.2研究的意义
基于我国汽车保险类型相对较少，条款设置不够精细的问题。本项目按照里驶员情况、车型等因素将车险划分为不同的等级，通过差异化交通保险对车险进行细化，可以使得投保人根据自身的需求选择对自己更适宜的保险，选择更加灵活。对车险产品定价的准确性、公平性具有重要的研究价值，可将以上变量作为影响因素进行定价开发具有自身优势的车险产品;对车主来说，车险保费与行驶里程数之间的正相关关系的车险产品，可以为被保险人提供一种选择权，投保者可根据各自特点选择最优的车险保费水平。
参考车辆变量的车险定价方式相比传统车险定价方式而言，不仅保险人风险分类更加准确，信息不对称现象相对减少，而且还会激励投保人选择社会最优的行驶里程，规范自身的驾驶行为，减少发生保险事故的风险，从而提高车险市场效率和社会福利。基于车辆变量的车险业务研究，无论对行业费率体系建设还是公司经营管理均具有重要意义，可以有效提升车险行业创新服务能力，推动车险费率市场化改革进程。确定不同类别的保险费率理论计算方法，实现交通保险差异化，减轻投保人的保险费负担，提高投保人满意度，同时有利于保险公司防灾防损，减少灾害事故损失从而增大社会效益。
保险市场的车险费率改革历程证明车险费改是世界保险市场的趋势，其过程应循序渐进，稳扎稳打，同时费率厘定应更加人性化12。充分参考借鉴这些改革历程的经验教训可以在差异化交通保险的发展道路上少走很多弯路345。
1.2研究思路与方法
在本项目开展之前，项目组研究成员通过充分调研相关知识，搜集与查阅文献资料，对机动车辆保险的险种、费率的厘定，发达国家和地区的车险改革经验进行了梳理。同时在车辆保险相关理论的基础上，对比分析当前主要几种车辆保险方法的优缺点以及驾驶情况的差异性，结合保险公司车险业务自身特点，对采用数学模型对机动车辆保险差异化评价的可行性及实用性进行了分析，提出财险公司机动车辆保险差异化研究的构建思路。
本文对传统保险方式进行了思考，提出新的保險计算模式，将投保人进行更为细致的分类，有助于保险公司做出正确的合理的理赔方案，也有利于投者根据各自特征选择最优的车险保费水平，二者的实现可以极大的促进保险市场的发展。除了利用常规的数学模型，分析方式，本项目运用了数据挖掘的方法，利用了它的优势，将数据分析变得更精准，更合理。
创新点在于从保费计算、险种分类、条款方面详细阐述分析新一轮费改的变化，并汇总整理了各地车险费改版本的亮点。明确费改方案，将有助于保险公司创新产品，车主规范驾驶行为，厂商调整营销策略。只有各利益主体都选择最优的应对措施，才能助推车险费率市场化改革，从而明确下一步的改革方向。
本文共分为五章，旨在对现有车险市场险种种类单一、厘定影响因子较少的等问题进行分析，探索解决这些问题具体的方案，各章节的具体内容安排如下;
第一章，绪论。
第二章，我国车险情况运行情况分析。
第三章，交通事故风险因素组成。 第四章，风险细分下得车险定价模型。
第五章，结论及展望。
第二章 我国车险情况运行情况分析
我国的汽车保险业务的发展经历了一个曲折的历程。从1950年创建不久的中国人民保险公司开办汽车保险，又到1955年停办汽车保险业务;再到我国保险业恢复之初的1980年，中国人民保险公司逐步全面恢复了汽车保险业务，以适应国家公路交通运输业的迅速发展;再随着改革开放形势的形成，机动车辆得到迅速普及，与此同时，车辆保险行业也迅速发展，并在此后的20年机动车险在财产保险内充当着越来越重要的角色。6
2.1车险市场运行现状
我国车险市场在经过两轮改革后，系统逐渐趋于稳定。截至2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆;机动车驾驶人4.2亿人，其中汽车驾驶人3.8亿人。随着机动车保有量持续增长，机动车驾驶人数量也呈现同步增长趋势，2019年上半年全国新领证驾驶人数量达1408万人。截至6月，全国机动车驾驶人数量达4.22亿人，与去年同期相比，增加2576万人。在全国汽车保有率快速增长的同时，车险行业也在蓬勃发展。2019年上半年，财产险公司累计实现车险保费收入3966亿元，同比增长4.55%，6月当月，实现车险保费收入650.06亿元，同比增长9.13%。从险种看，车险保额223.32万亿元，同比增长19.79%。费率改革的逐步推行和市场深入，使得行业效益有所提升，但在快速发展的现代社会，随着费改的全面实施，车险行业费率厘定、行业价格战等方面的弊端也日益显现。
保险行业百家争鸣，目前我国车险存在以下几个问题：
（1）险种可供选择种类过少。
（2）车险费率统一。
（3）理赔服务质量参差不齐。
所以互联网+汽车保险成为行业发展主要路径。互联网财产险市场业务数据显示，上半年互联网车险业务保费收入147.66亿元，同比负增长18.12%;非车险业务保费收入233.86亿元，同比增长60.12%。非车险业务规模首次超越车险业务，有望成为互联网财产险下一个竞争前沿。在调研过程中，多家公司提高车联网，可以很好的统计投保人的各方面的信息，对投保人的风险分析更加准确，有助于提高其可信度。对于互联网车险平台来说，车险的销售渠道不再单一化，在一定程度上降低了公司的资金透入。在理赔服务方面也可以很好的提高业务效率，无论对于保险公司，还是投保人来说，都极大的节约了事件处理的时间。可以使得整个车险行业服务的标准统一化，在目前市场上，各公司的服务体系各式各样，在调查问卷中了解到，大多数车主对于车险条款并不是很了解，在理赔过程中还有可能被保险公司百般推脱，但互联网车险平台的推行，能够有效的解决这方面的问题。使得行业的服务更加标准统一。
第三章 交通事故风险因素组成
3.1 交通事故风险因子组成
要想实现差异化车辆保险首先就得清楚客户之间的差异性在哪，这些差异性就体现在每个客户可能发生交通事故的严重程度以及影响因素上。简而言之，在客户购买车辆保险时，如果我们知道了该客户未来可能发生的交通事故的严重程度，那么我们就可以给该客户推荐相应的保险，这样可以使客户的损失降到最小，所以分析交通事故的影响因素显得十分必要。通过采集交通事故的大量数据，运用统计建模分析这些数据，便可发现数据之间的相关性，从而发现隐藏在数据背后的内容。
影响交通事故的风险因子可从人车路和环境等方面进行分析，见下表。
3.2 交通事故严重程度影响因素
刘昕宇7用CHAID决策树方法对多分类的影响因素建立了预测模型，研究容易造成严重伤害交通事故的影响因素。研究表明"雨天"与"夜晚（无照明）"是最容易导致严重伤害事故的因素。刘军8对交通事故分析系统进行需求分析，建立了一套基于 J2EE 的交通事故数据挖掘系统，利用改进的 DBSCAN 算法构建交通事故黑點鉴别模型与交通事故数据多维分析模型，识别交通事故多发点段。江山9等人运用灰色关联分析与关联规则的Apriori算法相结合的方法发现交通事故普遍都是一般事故，事故的发生与路面状况为占道施工和天气为雨、正常有很强的联系，有积水的县乡道路容易发生一般事故。车拥有量和城市人口与交通事故直接财产损失呈正相关，而交通死亡人数和交通投资呈负相关10。马倩楠11等人针对车辆 道路环境、交通条件建立Ordinal Logistic 模型并对模型进行了平行线检验、似然比检验。结果表明，车辆载重、车辆拖挂和事故发生时的特殊条件对货车交通事故严重程度有显著影响。张宝12利用统计分析法、道路轮廓线缓冲分析法、核密度估计法以及二元逻辑回归分析法等研究方法与理论，对所研究高速公路交通事故进行时间分布规律分析、空间分布规律分析以及相关影响因素的关联分析，发现10 月，是该高速公路交通事故的高发月份，晴天天气条件下发生的交通通事故比雪天和雨天条件下发生的事故更多，而且路表干燥状态下发生的交通事故比路表潮湿、积水和冰雪条件下的交通事故更多，这与人们以往的认知恰恰相反。Wu13研究了交通事故严重程度与事故特征、道路环境、驾驶行为之间的关系，结果表明：碰撞原因（超速）、工作日、碰撞位置（非交叉口位置）、碰撞点（迎面）是影响致命碰撞和非致命碰撞的重要变量。Yau14将伤害严重程度分为“致死性/严重性”和“轻微性”，对数据集采用逐步logistic回归模型，发现分区、事故发生时间、驾驶员性别、车辆类型、道路类型、限速、车辆数量是影响伤害严重程度的重要因素。陈艳艳15等人 基于二元logistic回归模型， 提出交通事故影响因素辨识方法， 研究结果表明：道路横断面位置、交通信号方式、道路物理隔离、能见度、照明条件、时间及天气对交通事故严重程度有显著性影响。
3.3 结论
交通事故风险组成因素众多，其中，交通事故比较严重的影响因素有：雨天、夜晚（无照明）、占道施工、有积水的县乡道路、车辆载重、超速、道路物理隔离等。 所以可以把交通事故严重程度的影响因素和费率结合起来，根据每个驾驶员的特性以及驾驶员所在地区的道路设施条件和环境组成因素制定不同的费率，这样便可以实现差异化交通保险，避免经济重大损失，实现经济效益最大化。
第四章 风险细分下的车险定价模型
保险的作用是规避风险，对保险公司进行风险细分，将保单条款改进完善，分别确定不同风险等级下的保费费率，可以使得保费费率厘定更加合理、公平，进而避免“高保低赔”的缺失公平性的现象。而定价是否充足合理，保险产品能否满足广大消费者的实际需求，直接影响到财险公司产品竞争力和公司盈利水平，本章将从风险等级划分及车险定价两方面进行分析。
晋颖，田晓丽（2011）16从供给、需求和监管角度找出在车险费率市场化过程中存在的主要问题，对我国未来车险费率市场化发展趋势进行了展望;孟生旺（2012）17基于一组实际的车险损失数据，对索赔频率的各种广义线性模型与神经网络模型和回归树模型进行了比较，得出神经网络模型的拟合效果优于广义线性模型的结论;王新军，王亚娟（2013）18采用广义线性模型对我国车险的分类费率厘定进行了研究，得出索赔次数的广义线性模型在负二项分布的假设下拟合效果相对较好、索赔强度的广义线性模型在伽玛分布的假设下拟合效果相对较好的结论;胡伊（2016）19从多源数据下进行了车辆风险分析与保险定价研究;许译芝（2019）20以广义线性模型的相关理论为基础，采取分别对索赔强度及索赔频率建模的方法，实现对车联网保险费率厘定的实证研究 。
4.1风险等级划分
保险公司承保的每一笔车辆保险业务在未来都会存在潜在风险，因此保险公司在计算车险费率之前需要对潜在的风险因素进行事先分析。如第三章所述，国际车险市场通常将“人”、“车”、“环境”作为主要考虑的风险因素，根据已经确定好的风险因素，对所采集数据进行整理，然后按照风险因素选取准则，对其进行风险等级划分。
4.1.1人、车、环境风险等级简述
保险公司在对承保车辆进行核保时，无法直接分析出驾驶人员的综合能力，仅能依靠某些指标来客观分析驾驶人员的综合能力，例如驾驶人的性别、年龄、婚姻状况、职业、驾龄、事故记录等。
车辆自身的安全性也会直接导致交通事故的产生，保险公司在对投保人的车辆进行核保时，无法直接对投保车辆进行安全性检测，而是通过一些较易获得的指标来衡量车辆风险，主要包括车辆的种类、使用性质、车龄、车价、行驶里程、型号、厂商等。
环境的风险因素主要分为地理环境风险因素和社会环境风险因素，地理环境风险因素主要包括地域的气候环境、地形地貌和路面状况等方面，社会环境风险因素主要包括治安环境和法制环境两方面，上述两大类环境风险因素分别对车辆自身行驶及司机的驾驶心理产生一定影响进而导致不同的风险因素。
4.1.2车险定价相关因素总结
上述列举人、车、环境风险因素在车险费率厘定中所占权重不同，实际定价中选择标准也不尽相同，根据前文风险描述及选择标准的介绍，对各国车险定价选择标准进行分类汇总，与我国保险市场现行标准进行比较，具有一定的借鉴意义，结果如表4-1所示：
4.1.3根据风险等级进行差别定价
差别定价，也叫价格歧视，就是企业按照两种或两种以上不反映成本费用的差异价格来销售某种产品或劳务。差别定价主要有四种形式：
1、顾客差别定价
企业按照不同的价格把同一种产品或劳务卖给不同的顾客。在保险公司里，同一保险按不同的价格卖给不同的客户：按目标价格把某种保险卖给顾客A，同时按照较低价格此保险卖给顾客B。这种价格歧视表明，顾客的需求强度和商品知识有所不同。
2、产品形式差别定价
企业对不同型号或形式的产品分别制定不同的价格，但不同型号或形式產品的价格之间的差额与成本费用之间的差额并不成比例：不同形式的保险定价不同，销售价格不同。
3、产品部位差别定价
企业对于处在不同位置的产品或服务分别制定不同的价格，即使这些产品或服务的成本费用没有任何差异：不同环境、地理位置的保险由于其风险等级不同而定价不同。
4、销售时间差别定价
企业对于不同季节、不同时期甚至不同时间段的产品或服务，分别制定不同的价格。
4.2车险定价模型
为针对具体的风险等级划分进行车险定价分析，需要了解车险定价的基本条件与流程，在此引入相关内容的介绍。
4.2.1车险定价基本概述
首先考虑手续费影响，车险在销售时有一定额度的手续费，而在不同经营范围的保险公司中其手续费有很大的差异，车险的销售模式在很大程度上依赖于中介渠道，所以手续费价格的高低直接关系到企业的经营效益，合理控制手续费在一定的价格浮动内，对车险行业的良好风气有一定的推进作用，同时对企业的成本也有一定程度上的降低，减轻了消费者的负担。
其次是利润率，即剩余价值与全部预付资本的比率，是剩余价值率的转化形式，是同一剩余价值量不同的方法计算出来的另一种比率。
利润率反映企业一定时期利润水平的相对指标，利润率指标既可考核企业利润计划的完成情况，又可比较各企业之间和不同时期的经营管理水平，提高经济效益。相关计算公式主要有：
成本利润率=利润÷成本×100%
销售利润率=利润÷销售×100%
4.2.2车险厘定过程
4.2.2.1车辆保险的理赔方式
出险-报案-查勘-定损-核价-核损-核赔-支付
4.2.2.2公式
保险赔款
=损失金额×（保险金额÷出险时保险财产的实际价值） =损失金额*投标比例
商业车险保费
=基准纯风险保费/（1-附加费用率）×無赔款优待系数×交通违法系数×自主核保系数×自主渠道系数
若汽车发生了全部损失，则计算公式为：
全损赔款=车辆核定损失x按责任分担损失的比例x（1-免赔率）
具体又分为以下两种情况：
（1）若保险金额低于或等于出险时车辆的实际价值，则按照保险金额计算。
计算公式为：车险理赔款=（保险金额-残值）x事故责任比例x（1-免赔率）。
（2）若保险金额高于出险时车辆的实际价值，则按照出险时的实际价值计算。计算公式为：车险理赔款=（实际价值-残值）x事故责任比例x（1-免赔率）。
4.2.3传统费率厘定模型
营业保险费率（也称执行保险费率或实际保险费率），由纯保险费率和附加保险费率两部分组成。纯保险费率也称净费率，是保险费率的主要部分，它是根据损失概率确定的，纯保费用于保险事故发生后对被保险人进行赔偿和给付;附加保险费率是保险费率的次要部分，它是以保险人的营业费用为基础计算的，用于保险人的业务费用支出、手续费支出以及提供部分保险利润等。
目前，在车险业务中关于费率的确定，普遍采用加法模型和乘法模型22，二者的相同点是将选定的每个风险分类变量都分为离散的若干个级别，每一个级别都对应一个级别相对数，通过级别相对数的组合来确定每一个风险单元的费率;区别则为级别相对数的组合方式不同，加法模型采用级别相对数相加的方式，而乘法模型则采用级别相对数相乘的方式。
若利用符号系统来表示，则加法模型可表示为：
而乘法模型可表示为：
对乘法模型和加法模型的求解一般采用边际总和法，对于任意一个风险分类因素下的任意一个级别，同在这个级别下的所有个体的纯保费总额，应该等于它们的实际损失总额。
这两个线性模型的形式十分简单，但模型本身和估计参数用的边际总和法存在着一些问题：第一，边际总和法的适用性存在问题。通过一个风险因素分类的结果往往是非常粗略的，不足以将所有的被保险人分为风险同质的群体;第二，这两个模型都假设损失变量是连续随机的并且服从正态分布，实际上这一假设往往不成立;第三，通过加法模型和乘法模型拟合的结果往往并不一致，特别是当损失的分布很不均匀时，对于较大幅度偏离总体平均损失水平的那些风险单元，两种方法求得的费率结果差别可能会更大。
鉴于传统费率厘定方法存在诸多弊端，需要寻找新的定价模型改善其缺点，在此基础上引进广义线性模型厘定费率的方法。
4.3广义线性模型厘定车险费率
4.3.1广义线性模型定义
广义线性模型（简称 GLM） 是在1972 年被Wedderburn和Nelder23提出的，为传统线性模型回归的推广，适用于非正态分布的数据，它使因变量总体均值通过线性连接函数主要取决于线性预测值，同时指数分布族里的任何一种分布都可以作为它的响应概率分布。广义线性模型的结构分为随机成分、系统成分和联结函数三部分：
（3）联结函数
联结函数g单调且可导，它建立了随机成分与系统成分之间的关系，表示为：
4.3.2广义线性模型的特点
广义线性模型是目前测算车险纯保费的主流方法，它可以同时考虑相关的定价因子，并且可以对因子间的相关性和交互作用做出调整，它是传统的线性模型的延伸，可以在承保时对未来的赔付率进行估测，这样可以提高报价的准确性，其总体均值通过一个非线性连接函数依赖于线性预测值，有许多广泛应用的统计模型都属于广义线性模型，它在两个方面对一般线性模型进行了推广：
（1）一般线性模型中要求因变量是连续的且服从正态分布，在广义线性模型中，因变量的分布可扩展到非连续的资料，如二项分布、Poisson分布、负二项分布等。
对于一维正态分布，若随机变量X服从一个位置参数为μ、尺度参数为σ的概率分布，则其概率密度函数为：
这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作X～N（μ，σ2）。当μ=0，σ=1时，正态分布就成为标准正态分布：
（2）一般线性模型中，自变量的线性预测值η就是因变量的估计值μ，而广义线性模型中，自变量的线性预测值η是因变量的函数估计值g（μ）。不同的预测内容可使用不同的模型：
预测索赔次数：泊松分布、负二项分布、泊松—逆高斯回归
预测索赔强度：伽玛分布、逆高斯回归、对数正态回归
纯保费预测：Tweedie回归
多分类：AdaBoost方法
其中泊松分布的概率函数为：
式中参数是单位时间（或单位面积）内随机事件的平均发生次数，泊松分布适合于描述单位时间内随机事件发生的次数。特征函数为：
期望和方差均为λ
其中x>0，μ>0，λ>0。当λ 趋近于无穷时，逆高斯分布逐渐趋近于高斯分布（即正态分布），逆高斯分布有多项类似于高斯分布的特性。“逆”可能容易引起混淆，其实它的含义是高斯分布描述的是在布朗运动中某一固定时刻的距离分布，而逆高斯分布描述的是到达固定距离所需时间的分布。
由此可见，广义线性模型对因变量的预测值是该线性组合的一个函数变换，而不是直接等于自变量的线性组合，其因变量的方差是其均值的函数，非常适合于保险数据。在广义线性模型的应用中，根据保险数据的先验知识选择误差项的分布类型，可以有效改进模型的拟合效果，如果因变量的方差为常数，可以选择正态分布;如果因变量的方差等于其均值，可以选择泊松分布;如果因变量的方差等于其均值的平方，可以选择伽玛分布;如果因变量的方差等于其均值的三次方，可以选择逆高斯分布。 4.3.3广义线性模型的优势
广义线性模型在损失模型预测中有广泛的应用，广义线性混合模型拓展了线性模型，目标通过指定的关联函数与因子和协变量线性相关，其目标可以有非正态分布，而且观测值有可能相关。
在保险公司企业中，建立风险因子模型厘定费率，打造可持续增长模式，完善商业车险制度，优化运营模式，对降低运营成本，提高保险公司的运行效率，提高竞争力有着积极作用。增加了风险等级分类，吸引客户，提高投保数量，也可增加投保金额。
4.4基于广义线性模型的实例分析
4.4.1建模说明
广义线性模型的特点使得它在处理多源数据的车险定价模型上具有其独特的优势。广义线性模型所表达的变量关系更加贴近现实生活，在该模型体系中可以容纳更多来源的数据进行海量分析，且可借助统计手段筛选出更多影响因子。本文将对索赔频率与分类因子之间的关系进行讨论并对车险费率厘定模型进行改进，改进后的模型在精确度和可信度方面得到较大提高，在此基础上厘定的车险费率将会更加合理，从而加快实现现阶段商业车险费率改革中风险细分与费率市场化的目标。
其中索赔频率的广义线性模型表达式为：
式中Yi即索赔频率，Xin是影响出险的各个变量，连接函数g选择对数函数以保证费率因子间的乘积关系。预测模型中假设个体保单索赔次数服从正态分布。
4.4.2数据说明
本章首先利用广义线性模型拟合问卷调查中车险理赔数据，数据来源于小组问卷调查中的车主保险数据，数据包含232份问卷，每一份问卷包含驾驶人、历时驾驶记录等信息，涵盖15个风险分类，本文初步概括为背景因素、人为因素、环境因素三大变量，其中人为因素包含性别、年龄、驾龄等，环境因素包含居住地与经常行驶道路路况，背景因素包含发生事故次数及原因等。将调查结果按数值大小分为“0-5、5-6、6-7、7-8、8-9和大于9”六类，下面将从索赔频率角度对三大变量进行分析。
4.4.3数据分析
利用统计软件对所得数据进行总结，得到结果如下图所示：
由背景因素分布饼状图可以看出，背景因素分数在总分数中比例达到0.3的人数大于50%，因此，背景因素在影响索赔频率上占有较大的比重。
环境因素比例小于0.3的分数占比小于25%，说明环境因素在事故中占的比例较小，索赔频率受外在环境的影响较背景来说影响程度更小。
人为因素影响事故的分布中，比例大于0.3的事故占比大于90%。因此在影响索赔频率的原因中，人为因素占据大部分比重，且较环境因素与背景因素的影响程度更深。
由上图可知，分数介于6-8的人数超过60%，分数大于9分的人数最少，小于5分的人数占比小，即现实生活中发生交通事故的比重很大，而最佳得分应该为4.8，即12*0.3+4*0.3。
考虑三大因素在索赔频率中所占的比重大小，在驾驶员购买保险前，将会对驾驶员进行问卷调查，问卷调查涉及人为因素，环境因素，以及背景因素三个方面的问题，最终采用0.3*人为因素+0.3*环境因素+0.4*背景因素的计算方法得出最后分数，根据分数所处的范围推荐相应的保险。
本研究以问卷调查与走访所获得的具体数据为例，通过建立车辆事故风险评分模型计算得出不同驾驶员的各项具体行车风险因素分数并结合了该机动车辆的历史出险数据，对车辆事故风险评分模型的效果进行了实证检验。由研究结果可知，本文所建立的驾驶行为评分模型符合科学、合理的构建原理，所评价的数据真实有效。
本文发现对风险因子分类比较后进行车险定价的 GLM 模型所预测的结果更加接近真实值而车险产品的定价将根据风险的大小有一定程度的调整。这为保险公司开展车险费率产品差异化、个性化的创新提供更多可以借鉴参考的依据。
基于以上结论及分析，保险公司可以根据驾驶员的人的因素，包括性别年龄驾龄和是否减少保险，进行分类，设计保险，是否减少保险可以根据对象，进行相应的福利政策，增加续保的可能性。其次对环境因素进行分类，包括居住地地势和行驶道路的状况，对全国全省进行分区，根据评测的分数，进行第二轮确定保险。最后对驾驶者的背景，即发生事故的次数和原因，进行第三次评定分析，经过三次评定，最后得出适合每个人不同特点的保险，在保障利益的同时实现差异化节约资源。
第五章 结论及展望
5.1主要结论
目前车险市场化竞争已经到了白热化状态，一方面各市场主体纷纷加入车险市场争夺战当中，都想在汽车销售大发展的环境下，争取市场地位的进一步加大，导致车险经营成本水涨船高;另一方面，受市场监管及保险行业发展趋势影响，保险产品价格进一步走低，与大数据、互联网技术联合发展的进程明显加快。在这种经营环境下，各经营车险公司要做的是不能盲从市场，要根据公司经营特点及竞争策略，找准市场定位，抓住目标市场，走可持续发展的道路。本文在进行风险分类和分析差异化经营的特点基础上，结合本人的思考，得出的主要结论如下：
（1）在目前现有的车辆保险制度下，存在較多的问题：制度的不够完善导致现有的车险种类过于单一，个性化缺少，在投保时不能获得量身定制适合自己的保险;或在相应情况下并没有一个完整的划分体系以至于细化程度不够而导致投保人的利益损失和浪费;或在投保时，产品的过于单一导致投保人缺少可选择性;
（2）为解决上述问题，运用大数据的分析方法，通过细分市场，找到符合个人特点定制保险的市场定位，确定出目标客户特征，进行保险产品的定制和推荐。本文将个人投保时的影响因素初步概括为背景因素、人为因素、环境因素三大变量，其中人为因素包含性别、年龄、驾龄等，环境因素包含居住地与经常行驶道路路况，背景因素包含发生事故次数及原因等。而不是只盯着汽车指导价这一个因素，从而使汽车保险定价更加精确。在投保时可以根据不同投保人的特点，进行量化打分制度来确定最终的保险产品。 （3）为了更多的吸引目标客户的投保，制定差异化的市场竞争策略的同时，也要做好售前、售中、售后的的经营战略和组织保障，实现保险的人性化个性化和差异化。
5.2研究不足和展望
随着我国汽车保险业务量的逐年增加，汽车保险业务占据着我国财险公司总业务量的70%以上，是我国财产保险公司的龙头险种，但由于汽车保险在国内起步较晚，做为一个年轻的险种，发展过程也比较曲折，因而会存在各种各样的问题，比如本文中提的车险行业存在的车险与投保人不适合造成的浪费，车险产品的同质化问题以及产权保护问题等，然后以此出发，介绍目前市场上的车险产品，深入分析了我国车险产品存在的严重同质化问题及其产生根源，结合了调查问卷内容，对致险因子进行了量化分析，研究和探讨了我国车险产品的个性化，并并提出了可行性，提出了对于我国实现车险产品个性化的对策建议。
基于以上本文对于我国车险产品的个性化研究的理论分析，对于未来我国车险产品的个性化发展提出了以下展望：首先，未来可结合互网技术建立与客户的全面可持营销关系;目前，车险市场发展的瓶颈就是缺乏与客户的黏性，保险企业和客户之间的关系纽带仅仅是交易，也仅仅只是一张单纯的缴费保单，缺乏与客户更进一步的联系，
使得保险公司在推荐和指定保险产品时，很难站在投保人和消费者的角度考虑问题，保障公司收益的同时实现投保人的利益最大化，所以说让客户通过互联网享受服务，通过网络进行车险产品的沟通与交流，使得投保人能够真正找到适合自己的保险，同时也能使得公司得到进一步的宣传。其次，公司应该做好线上线下相结合的方式，打造一站式的理赔服务，做好售前、售中、售后的服务。
此外，由于本团队精力不足，理论水平以及实践经验有限，本文还存在一些不足，仍有许多问题值得今后进一步研讨和探讨。本文现阶段对国内外的研究现状了解不够，了解的资料也存在不足，部分观点和看法还存在一定的局限性，另外，由于车辆市场的日新月异，本文提出来的策略随时可能发生变动。
参考文献：
[1]Research on Bonus-Malus System of China's motor insurance JI.Caihong;-School of Economics; Beijing Technology and Business University;2011中国保险与风险管理国际年会论文集
[2]李华.车险差别化定价和精准营销模式研究[D].山东大学，2014.
[3论车险需要差异化经营;刘娜Journal of China College of Insurance Management 2003年05期 ISSN：1003-9074
[4]我国互联网保险的发展现状和前景研究[J].王燕，杨晓明，徐兴泰.经济研究导刊.2015（05）
[5]"Automobile insurance reform in New Jersey： Moving Toward a New Pricing System". Rosenberg M. Journal of insurance regulation . 1992
[6]周唤雄.浅谈我国汽车保险发展历程与现状[J].黑龙江科技信息，2011（32）：132-133.
[7]刘昕宇. 基于数据挖掘的道路交通事故序列模式与严重程度预测研究[D].北京交通大学，2016..
[8]刘军. 基于数据挖掘技术的交通事故信息系统的研究与应用[D].新疆农业大学，2008.
[9]江山，宋柯，谢维成，潘成伟.基于灰色关联与Apriori算法的道路交通事故数据分析[J].公路工程，2019，44（04）：67-73.
[10]孙丽璐，陈甜，赵娟，吴奇，赵辉.我国交通事故损失影响因素及地区特征分析——基于全国31个省市自治区2004-2015年面板数据[J].西南大学学报（自然科学版），2019，41（08）：114-123.
[11]马倩楠. 货车交通事故严重程度影响因素分析[C]. 中国科学技术协会、中华人民共和国交通运输部、中国工程院.2019世界交通运输大会论文集（上）.中国科学技术协会、中华人民共和国交通运输部、中国工程院：中国公路学会，2019：58-66.
[12]张宝. 高速公路交通事故规律分析与影响因素研究[D].中国人民公安大学，2019.
[13]Hany M. Hassan，Hesham Al-Faleh. Exploring the risk factors associated with the size and severity of roadway crashes in Riyadh[J]. Journal of Safety Research，2013，47.
[14]Kelvin K.W. Yau，H.P. Lo，Sherrice H.H. Fung. Multiple-vehicle traffic accidents in Hong Kong[J]. Accident Analysis and Prevention，2006，38（6）.
[15]陳艳艳，李向楠，孙智源，熊杰.基于Logistics回归的道路交通事故影响因素辨识方法[J].交通科技与经济，2018，20（05）：1-5+11.
[16]晋颖， 田晓丽. 从供需角度分析车险费率市场化[J]. 合作经济与科技， 2012（1）：75-77.
[17]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26. [18]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[19]胡伊. 基于多源数据的车辆风险分析与保险定价模型研究[D]. 2016.
[20]许译芝. 基于广义线性模型的车联网保险费率厘定研究[D]. 2019.
[21]粟芳. 机动车辆保险制度与费率[M]. 2005.
[22]王和. 大数据时代保险变革研究[M]. 中国金融出版社， 2014.
[23]J A ， R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.
[24]Research on Bonus-Malus System of China's motor insurance JI.Caihong;-School of Economics; Beijing Technology and Business University;2011中國保险与风险管理国际年会论文集
[25]李华.车险差别化定价和精准营销模式研究[D].山东大学，2014.
[26]论车险需要差异化经营;刘娜Journal of China College of Insurance Management 2003年05期 ISSN：1003-9074
[27]我国互联网保险的发展现状和前景研究[J].王燕，杨晓明，徐兴泰.经济研究导刊.2015（05）
[28]"Automobile insurance reform in New Jersey： Moving Toward a New Pricing System". Rosenberg M. Journal of insurance regulation . 1992
[29]周唤雄.浅谈我国汽车保险发展历程与现状[J].黑龙江科技信息，2011（32）：132-133.
[30]刘昕宇. 基于数据挖掘的道路交通事故序列模式与严重程度预测研究[D].北京交通大学，2016..
[31]刘军. 基于数据挖掘技术的交通事故信息系统的研究与应用[D].新疆农业大学，2008.
[32]江山，宋柯，谢维成，潘成伟.基于灰色关联与Apriori算法的道路交通事故数据分析[J].公路工程，2019，44（04）：67-73.
[33]孙丽璐，陈甜，赵娟，吴奇，赵辉.我国交通事故损失影响因素及地区特征分析——基于全国31个省市自治区2004-2015年面板数据[J].西南大学学报（自然科学版），2019，41（08）：114-123.
[34]马倩楠. 货车交通事故严重程度影响因素分析[C]. 中国科学技术协会、中华人民共和国交通运输部、中国工程院.2019世界交通运输大会论文集（上）.中国科学技术协会、中华人民共和国交通运输部、中国工程院：中国公路学会，2019：58-66.
[35]张宝. 高速公路交通事故规律分析与影响因素研究[D].中国人民公安大学，2019.
[36]Hany M. Hassan，Hesham Al-Faleh. Exploring the risk factors associated with the size and severity of roadway crashes in Riyadh[J]. Journal of Safety Research，2013，47.
[37]Kelvin K.W. Yau，H.P. Lo，Sherrice H.H. Fung. Multiple-vehicle traffic accidents in Hong Kong[J]. Accident Analysis and Prevention，2006，38（6）.
[38]陈艳艳，李向楠，孙智源，熊杰.基于Logistics回归的道路交通事故影响因素辨识方法[J].交通科技与经济，2018，20（05）：1-5+11.
[39]晋颖， 田晓丽. 从供需角度分析车险费率市场化[J]. 合作经济与科技， 2012（1）：75-77.
[40]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[41]孟生旺. 神经网络模型与车险索赔频率预测%Neural Networks and Prediction of Claim Frequency of Auto Insurance[J]. 统计研究， 2012， 029（003）：22-26.
[42]胡伊. 基于多源数据的车辆风险分析与保险定价模型研究[D]. 2016.
[43]许译芝. 基于广义线性模型的车联网保险费率厘定研究[D]. 2019.
[44]粟芳. 机动车辆保险制度与费率[M]. 2005.
[45]王和. 大数据时代保险变革研究[M]. 中国金融出版社， 2014.
[46]J A ， R W M . Generalized Linear Models[J]. Journal of the Royal Statistical Society， 1972， 135（3）：370-384.