以人为本，驭险有术-全球汽车网

在近期召开的主题为“洞见当下风险”2024国际保险科技创新和应用论坛上，律商联讯风险信息（以下简称“律商风险”）数据科学负责人单翔先生发表了“以人为本，驭险有术”的主题演讲，与车险行业的参会嘉宾共同探讨了从人因子在中国车险市场应用的效果、挑战和解决方案，强调以驾驶员为中?采集数据要素，以更为?阔的信息视野评估和管理车险?险，律商风险致力于将各类数据有机融合，为保司提供增量价值。

车之驾险，驭者之责重焉

“车之驾险，驭者之责重焉”，单翔先生表示，驭?、驭?，变化的是驾驶对象，但亘古不变的是驾驶员的责任。这与大会的主题“洞见当下风险”不谋?合，以?为本，认知驾驶员在交通安全与?险事故中的重要性，可以更好的识别和管控?险。

“美国：94%的道路交通碰撞事故，归因于驾驶员”单翔先生分析道，根据美国国家公路交通安全管理局的统计（NHTSA），在历时三年抽样调查的?辆事故中，导致碰撞事故发?的原因主要原因包括：驾驶员、?辆和环境。其中，起到决定性作?的是驾驶员，占??达94%。将近因主要归纳为四类，分别是：识别错误、决策错误、操作错误和?操作错误。识别错误是指驾驶员未能准确觉察驾驶环境，占?约41%，包括驾驶员分?，如查看?机等；决策错误占?约33%，强调驾驶员决策判断准确的重?性，例如并线时，错误判断周边?辆位置、速度等；操作错误和?操作错误，分别占?11%和7%。操作错误指在应急情况下未能冷静处理，反应过度，例如?天轮胎打滑，?向盘操作不当；典型的?操作错误包括开?犯困等。数据分析表明，驾驶员?为在交通安全事故中的重要性。认知驾驶员，就是为更好的认知?险。

“中国车险定价仍处于‘重车轻人’的阶段。”单翔先生表示，监管发布的基准费率中，定价因?的构成覆盖从?、从?和从环境，缺少从?因?。保险?主定价模型中，各类因?的重要性，主要围绕年龄和性别的从?因?，重要性占?约11%。整体??，中国?险定价依然处于“重?轻?”的阶段。与之相反，美国?泛使?从?因?，处于“??并重”的阶段。在美国，私家?投保时，消费者最为关注的影响费率的10个因?中，与驾驶员相关的从?因?占据4个。除了传统的性别、年龄，信?记录、教育背景、职业等从?因?被?泛使?。

“在中国，从人因子对车险风险细分起重要作用”单翔先生分析道，律商风险基于中国车险风险研究了典型从人因子对风险的区分能力。对比美国市场，典型从人因子在中国市场呈现相似风险趋势。

从人评分在新能源、二手车、

疑似营运等场景“大有可为”

单翔先生在大会上表示，单个的从人因子对风险的区分具有显著效果，将这些从人因子整合形成从人评分，从人评分在新能源、二手车、疑似营运等场景“大有可为”。

首先，伴随中国新能源?销量的快速增?，新能源?在新?中的渗透率已超过40%。新能源??险识别是当下保险公司关注的重点领域。律商?险结合中国市场和美国市场的共同研究，发现驾驶燃油?的司机在切换新能源?时，他们需要平均在10个??12个?，去适应电动?驾驶变化。具体适应快慢，会因??异。

其次，新能源?的新?、次新?占?要显著?于燃油?。?临“从?信息断层或储备不?”。与之相反，?的信息，天然具备连续性和延续性。不会因为购买新?或换?，失去从?信息对?险的预测?。以二手车为例，结合从?信息，E类??险是A类低?险赔付率的1.58倍。

最后，研究中还发现，即便从?信息暴露充分，如续保?辆掌握历史NCD等级或者近?年的累积?程等动态信息，从?评分依然能稳定提供额外的?险区分度。识别疑似营运?场景，从?数据所识别出的营运?辆，出险率要?平均?平?出1.35-1.5倍。

引入从人因子价值：制定更公平的费率，

提升市场竞争力

“精细化分类费率制定，最为重要的价值是：确保投保?获取公平费率，提升保司市场竞争?。”单翔先生在大会上表示，如某保司没有对??险?群（红?）与低?险?群（绿?）实施?险细分，使?平均费率，会进一步加剧?险逆向选择。与之相反，市场其他保司采取了有效策略，制定更公平的费率和?险细分，可以实现业务的有利选择，确保可持续的竞争?和盈利能?。

“引入从人因子价值：挖掘从人信息价值，提升风险细分能力”，单翔先生表示，从信息学的?度看，定价模型需要从实际?险中提炼出可预测成分，即有效信号，?尽可能降低预测不准部分，即噪?。从?因?的引?，可以让我们获取更多的有效信号，降低噪声的?例，提升定价模型的?险细分能?，制定更公平的费率。

“独特价值：风险区分能力——独立于传统定价因子”，单翔先生表示，以下图为例，从?评分的?险区分效果?论是对于?损险还是责任险，能对出险率提供约2倍以上的区分度。律商风险在与某保司研究中发现，如果仅使?保司现有定价模型，实现3倍的赔付率?险区分；如果单独使?从?评分，实现2倍的?险区分；如果将两者融合，经过从?信息增强的定价模型，可以提供3.6倍的赔付率?险区分。

律商风险助力保司：攻克从人落地四大挑战

加速从人赋能车险新质发展

“在中国?险市场，从?信息应?正处于萌芽与萌发的临界点”。单翔先生在大会上表示，突破应用成本、建模落地、隐私安全和可解释性四?挑战，就能加速从?数据赋能?险新质发展。?先，与?相关的信息多样、数据源多样，导致落地应?的成本?；其次，从?变量的?维度（例如常常遇到?千个变量因?）、多?平（例如，职业变量就有上百个分类）和稀疏性，导致建模落地难度?；再次，信息查询主键涉及个?信息，在个?隐私强监管环境下，导致合规要求?。最后，由于从?变量与保险事故之间的弱因果性、弱传递性，导致从?评分被视为“?箱”。

单翔先生在大会上分享了律商?险是如何应对这些挑战的。

首先，构建“两个生态圈”，开源节流，最大化从人解决方案价值。律商风险构建“数据?态圈”和“应??态圈”，节流开源，追求最?化从?信息价值的同时，帮助保司控制数据成本。以数据?态圈为例，对上游各类从?数据的研究，筛选出数据稳定、?险区分效果显著的数据要素，包括信贷、电商、消费?融、App数据等，实现从?数据要素整合。?前，律商?险从?数据已覆盖80%的中国?主?群。在从?信息落地??，探索出“?险筛选”+“精准营销”+“客户运营”的应??式，构建“应??态圈”，以协助保司最?化提取从?数据的信息价值。在?险端，围绕核保筛选和定价模型优化。在营销与客户运营端，注重 “?户画像标签”的挖掘。

其次，领先的建模能力，构建适配稀疏数据的模型算法。在模型??，依托全球数据科学团队与中国本?的专业精算能?，律商风险试图构建适配从?数据稀疏性特征的模型算法。

再次，“联邦学习” + “隐匿查询”，为隐私安全保驾护航。在隐私安全??，通过“联邦学习”和“隐匿查询”等技术?案，为隐私安全保驾护航。

最后，“稳定相关”与“因果挖掘”并重，提升评分结果的可解释性。律商风险将从?信息的底层归纳为四类隐性特征：“精?专注”、“敏捷守规”、“谨慎专业”和“?为规律”。例如，?个信?等级良好的?，按时偿还信贷，遵守规则，他们敏捷守规，更少的触发决策错误；相反，贷款杠杆过?，会导致他们精神焦虑，“精?专注”下降，导致驾驶过程中出现“识别错误”。