论文部分内容阅读
【摘 要】基于OBD技术确定的驾驶行为分析影响因子为：疲劳驾驶、变速行驶、转弯行驶，同时根据驾驶行为指标选取的系统、可操作、客观、和独立四大原则。又选取了与驾驶人安全意识、道路交通法规相关的两个变量。用层析分析法对五个变量进行权重分析。应用SPSS寻找与附件一提供的NCD的对应关系。
【关键词】AHP;车联网保险UB1保费;
1.引言
本文针对A HP中判断矩阵排序的行和归一化方法进行了灵敏度分析，给出了在某一准则下，任意两个方案排序位置不变的情况下判断矩阵中各个元素变化范围的计算公式，可以看出，所得到的理论分析结果较为完美，计算公式简单，这为今后进-一步研究基于AHP的排序稳定性以及群组决策分析等问题打下了坚实的基础，也可以看到，虽然本文给出的仅仅是基于行和归一化方法的灵敏度分析，但它给出了有关类似研究的一个重要思路。
2.AHP法分析车联网保险
（1）评价指标的建立
驾驶习惯信息与电商的销售效率密切相关，以驾驶习惯信息作为目标层，结合第一阶段选取的五个指标作为方案层，精神状态、安全意识、道路交通法规等条件作为准则层。首先，建立AHP模型，计算疲劳驾驶、分心驾驶、变速行驶、转弯行驶、抢时驾驶这五种因素对于驾驶行为的权重。然后，筛选出权重最大的三种因素疲劳驾驶、分心驾驶、抢时驾驶作为可提供的客户驾驶习惯信息。在运用模糊综合评价法，计算出三种因素得分。最后，画出驾驶行为得分与历史出现次数的散点图，直观看出，评分越高，车辆出险次数越少，验证了三种因素的重要性。
利用SPSS软件对附件一提供的数据信息进行处理。为了实例化评定驾驶行为安全等级，确定驾驶行为指标和分值下的若干备选选项是在先前的动态评分机制进行安全等级评分工作基础上的。通过对数据进行整合、去除异常及无效数据后，选取100名客户的驾驶行为数据信息分析和处理后作为本文驾驶行为评分的数据依据。
图2中给出了10名驾驶员的驾驶行为数据信息经过驾驶行为评分模型后的得分情况，图中红色部分表示得分情况低于60分的有14名，其中有一名驾驶员的驾驶行为习惯非常不好，得分情况高于90分的有6名，大部分驾驶行为评分在70-90分之间。该100名驾驶员行车行为表现通过驾驶行为评分等级进行量化，为车联网保险UB1保费差异化定价奠定了基础。
驾驶行为识别算法的基础上，提出了一种针对确定驾驶行为评分因子权重值的算法，该算法不是单纯结合了层次分析法和熵权法两种方法，而是对两种方法的中间计算过程进行结合。最后通过随机抽取附件一提供的100名车主的驾驶行为数据信息进行分析和统计，得出对应驾驶行为事件数目，然后输入到驾驶行为评分机制中得出相应编号的驾驶员的评分结果。
为检验本文提出的驾驶行为评分模型的是否具有合理性，利用SPSS 软件对驾驶行为评分结果进行评价。将这100名驾驶员在过去的一年里面出险理赔情况统计次数与本文中驾驶行为评分机制所得的驾驶评分进行对应，分析驾驶员出险情况与本文提出的UBI驾驶行为评分间的相关性。图表示的是100名编号客户的驾驶行为评分与历史出险次数对照，从图可以看出，驾驶行为评分低于60分的编号客户基本上都出现过历史出险理赔情况，而驾驶行为评分高于80分的编号司机基本上没有出险理赔现象发生。
上图是驾驶行为得分与历史出险次数的散列图，该图中表明大多数车主的驾驶行为得分超过60分，且驾驶行为得分主要集中在60分到85分之间，虽然有少量的驾驶行为得分大于60分的车主也存在一次、两次的出险理赔事件，但大部分的车主几乎没有历史出险理赔事件记录。另外，从图4中我们还可以看出，随着驾驶行为得分的增加，车主的出险理赔事件有了明显降低的趋势。驾驶行为得分在80分以上的出现次数几乎为零，这表明驾驶行为评分越高，该驾驶员的驾驶行为安全等级越高，行车风险越小，因而出险次数越少。所以从图4中可以得出本文提出的驾驶行为评分机制是合理的，符合实际规律的。
小结
在驾驶行为识别算法的基础上，提出了一种针对确定驾驶行为评分因子权重值的算法，该算法不是单纯结合了层次分析法和熵权法两种方法，而是对两种方法的中间计算过程进行结合。然后借鉴前人的研究工作以及在本人在研究生期间的研究成果基础上，依据-AHP算法得出驾驶行为相关指标的权重值，并以此设定对应指标在驾驶行为评分机制中所占分值情况。最后通过随机抽取附件一提供的100名车主的驾驶行为数据信息进行分析和统计，得出对应驾驶行为事件数目，然后输入到驾驶行为评分机制中得出相应编号的驾驶员的评分结果。利用SPSS软件对本文车联网保险UB1中的驾驶行为评分机制进行验证，通过驾驶行为得分和历史出险次数之间斯皮尔曼相关系数表明两者之间存在显著的负相关性，最后通过驾驶行为得分和历史出险次数散列图表明驾驶行为得分越高，出行越安全，行车风险越小。从而验证了本章节中驾驶行为选区的三种因素的合理性。
参考文献：
[1]戴建国，& 陈欣然.基于UBI减少车险信息不对称问题的研究.常州工学院學报，28（1）.（2015）.
[2] 张嫣.掘金UBI车险.经营者：汽车商业评论（12），208-211.（2015）.
[3] 朱仁栋.UBI车险实践与思考.当代金融家（Z1），114-117.（2016）.
[4]朱仁栋.UBI车险实践与思考.当代金融家（Z1），114-117.（2016）.
[5] 陈文书.大数据视角下共享汽车保险定价机制研究——与UBI车险对比论证.中国商论，No.758（19），14-15.（2018）.
[6] 孟生旺，& 黄一凡.驾驶行为保险的风险预测模型研究.保险研究（8），21-34.（2018）.
作者简介：
姓名：杨金永，性别：男，出生年月：1998年4月，民族：满，籍贯：河北省易县，学历：大学本科，学校：华北理工大学，学校邮编：063210，专业：电气工程及其自动化
（作者单位：华北理工大学电气工程学院）
【关键词】AHP;车联网保险UB1保费;
1.引言
本文针对A HP中判断矩阵排序的行和归一化方法进行了灵敏度分析，给出了在某一准则下，任意两个方案排序位置不变的情况下判断矩阵中各个元素变化范围的计算公式，可以看出，所得到的理论分析结果较为完美，计算公式简单，这为今后进-一步研究基于AHP的排序稳定性以及群组决策分析等问题打下了坚实的基础，也可以看到，虽然本文给出的仅仅是基于行和归一化方法的灵敏度分析，但它给出了有关类似研究的一个重要思路。
2.AHP法分析车联网保险
（1）评价指标的建立
驾驶习惯信息与电商的销售效率密切相关，以驾驶习惯信息作为目标层，结合第一阶段选取的五个指标作为方案层，精神状态、安全意识、道路交通法规等条件作为准则层。首先，建立AHP模型，计算疲劳驾驶、分心驾驶、变速行驶、转弯行驶、抢时驾驶这五种因素对于驾驶行为的权重。然后，筛选出权重最大的三种因素疲劳驾驶、分心驾驶、抢时驾驶作为可提供的客户驾驶习惯信息。在运用模糊综合评价法，计算出三种因素得分。最后，画出驾驶行为得分与历史出现次数的散点图，直观看出，评分越高，车辆出险次数越少，验证了三种因素的重要性。
利用SPSS软件对附件一提供的数据信息进行处理。为了实例化评定驾驶行为安全等级，确定驾驶行为指标和分值下的若干备选选项是在先前的动态评分机制进行安全等级评分工作基础上的。通过对数据进行整合、去除异常及无效数据后，选取100名客户的驾驶行为数据信息分析和处理后作为本文驾驶行为评分的数据依据。
图2中给出了10名驾驶员的驾驶行为数据信息经过驾驶行为评分模型后的得分情况，图中红色部分表示得分情况低于60分的有14名，其中有一名驾驶员的驾驶行为习惯非常不好，得分情况高于90分的有6名，大部分驾驶行为评分在70-90分之间。该100名驾驶员行车行为表现通过驾驶行为评分等级进行量化，为车联网保险UB1保费差异化定价奠定了基础。
驾驶行为识别算法的基础上，提出了一种针对确定驾驶行为评分因子权重值的算法，该算法不是单纯结合了层次分析法和熵权法两种方法，而是对两种方法的中间计算过程进行结合。最后通过随机抽取附件一提供的100名车主的驾驶行为数据信息进行分析和统计，得出对应驾驶行为事件数目，然后输入到驾驶行为评分机制中得出相应编号的驾驶员的评分结果。
为检验本文提出的驾驶行为评分模型的是否具有合理性，利用SPSS 软件对驾驶行为评分结果进行评价。将这100名驾驶员在过去的一年里面出险理赔情况统计次数与本文中驾驶行为评分机制所得的驾驶评分进行对应，分析驾驶员出险情况与本文提出的UBI驾驶行为评分间的相关性。图表示的是100名编号客户的驾驶行为评分与历史出险次数对照，从图可以看出，驾驶行为评分低于60分的编号客户基本上都出现过历史出险理赔情况，而驾驶行为评分高于80分的编号司机基本上没有出险理赔现象发生。
上图是驾驶行为得分与历史出险次数的散列图，该图中表明大多数车主的驾驶行为得分超过60分，且驾驶行为得分主要集中在60分到85分之间，虽然有少量的驾驶行为得分大于60分的车主也存在一次、两次的出险理赔事件，但大部分的车主几乎没有历史出险理赔事件记录。另外，从图4中我们还可以看出，随着驾驶行为得分的增加，车主的出险理赔事件有了明显降低的趋势。驾驶行为得分在80分以上的出现次数几乎为零，这表明驾驶行为评分越高，该驾驶员的驾驶行为安全等级越高，行车风险越小，因而出险次数越少。所以从图4中可以得出本文提出的驾驶行为评分机制是合理的，符合实际规律的。
小结
在驾驶行为识别算法的基础上，提出了一种针对确定驾驶行为评分因子权重值的算法，该算法不是单纯结合了层次分析法和熵权法两种方法，而是对两种方法的中间计算过程进行结合。然后借鉴前人的研究工作以及在本人在研究生期间的研究成果基础上，依据-AHP算法得出驾驶行为相关指标的权重值，并以此设定对应指标在驾驶行为评分机制中所占分值情况。最后通过随机抽取附件一提供的100名车主的驾驶行为数据信息进行分析和统计，得出对应驾驶行为事件数目，然后输入到驾驶行为评分机制中得出相应编号的驾驶员的评分结果。利用SPSS软件对本文车联网保险UB1中的驾驶行为评分机制进行验证，通过驾驶行为得分和历史出险次数之间斯皮尔曼相关系数表明两者之间存在显著的负相关性，最后通过驾驶行为得分和历史出险次数散列图表明驾驶行为得分越高，出行越安全，行车风险越小。从而验证了本章节中驾驶行为选区的三种因素的合理性。
参考文献：
[1]戴建国，& 陈欣然.基于UBI减少车险信息不对称问题的研究.常州工学院學报，28（1）.（2015）.
[2] 张嫣.掘金UBI车险.经营者：汽车商业评论（12），208-211.（2015）.
[3] 朱仁栋.UBI车险实践与思考.当代金融家（Z1），114-117.（2016）.
[4]朱仁栋.UBI车险实践与思考.当代金融家（Z1），114-117.（2016）.
[5] 陈文书.大数据视角下共享汽车保险定价机制研究——与UBI车险对比论证.中国商论，No.758（19），14-15.（2018）.
[6] 孟生旺，& 黄一凡.驾驶行为保险的风险预测模型研究.保险研究（8），21-34.（2018）.
作者简介：
姓名：杨金永，性别：男，出生年月：1998年4月，民族：满，籍贯：河北省易县，学历：大学本科，学校：华北理工大学，学校邮编：063210，专业：电气工程及其自动化
（作者单位：华北理工大学电气工程学院）