律商風險車型風險等級元素周期表

在2023年4季度，律商聯訊風險信息(LexisNexis Risk Solutions，以下簡稱“律商風險”)基于行業內獨有整車庫、乘用車庫及零整比數據庫建模分析，使用車險綜改后千萬級保險數據訓練模型，繪制行業首張乘用車——車型風險等級元素周期表(以下簡稱“風險表”)。該風險表從品牌、車系、車組、車型4個層級對從車靜態物理風險精準量化，滿足保司從承保風險識別到精算定價建模的多層次需求。

車型風險等級概念自20世紀60年代在瑞典提出并在歐洲的英國、德國等國家得到推廣后，已成為全球保險行業車險費率厘定的核心定價因子。例如，在韓國，2007年在行業費率中將車型分為262類，費率因子分組為21個水平(參見《Automobile Insurance in Korea Fact Book 2022》)。在中國，2020年車險綜改將家用車的品牌車系分為約480類，費率因子分組為60個水平。

律商風險的高級數據科學家單翔表示：“正如門捷列夫根據元素原子核電荷數繪制元素周期表，我們依據車輛物理參數特征和易損配件維修價格指數，繪制出行業車型風險等級元素周期表，讓保司從車靜態風險識別的顆粒度精細至車型層級，對常見的約1萬個車型厘定為997個費率因子水平，遠高于行業的480類品牌車系的60個費率因子水平。這一成果將解決行業車險費率大表‘車系風險看不準、車型風險看不清、新車風險看不見’的痛點，也將為保險公司賦能，尤其是中小保險公司，使其具備媲美頭部保司的車型風險細分的能力”。他進一步指出，行業基于品牌車系保有量進行編碼，進行測算風險等級的主流模式存在如下弊端：

一是苦于樣本量受限，中小保司車型風險細分難。通常，行業費率表和主流定價方式，是基于“車系、品牌+車種、進出口+車種、進出口、其他”的已賺車年保有量逐層次篩選進行分類編碼，然后在GLMs模型中測算相對風險水平。對于原本風險相近的車型、車系，由于承保數量不足，容易導致風險分類錯誤，風險錯配，在中小保司精算定價時矛盾尤為凸顯。

表1：即便基于全行業車險數據的體量，仍然無法避免樣本量局限

二是違背對車型風險理解的第一性原理。例如，對于不同品牌或車系的風險差異，不是從車輛尺寸(Exterior Dimensions)、動力性能(Engines)、維修經濟性(Repair Cost Degree)、車身重量與平穩性(Base Curb Weights & Stability)、安全等級(Safety Index)等考慮，而是簡單按照品牌車系名稱分類，確定風險等級。

表2：列舉律商風險車型風險表部分參數下的商業險車均賠款相對系數

三是不能滿足業務擴展的需求。例如，中小保司對于含損業務、高價車原本就謹慎承保，該類業務承保理賠數據儲備不足，導致風險識別難、評估難，含損業務規模拓展難;再如，即便對于大型保司，在面臨新車型的風險計量上缺乏手段，特別是新車推出速度快的新能源車板塊。

表3：AB Test案例：即便使用小樣本建模，律商風險也能充分幫助客戶至少額外提升5.3個百分點的風險區分能力。**

律商風險致力于解決車型風險識別在業界的普遍難題。通過深入分析車輛的物理參數和維修成本的經濟性等核心風險因素，律商風險開發了一套全面的車型風險評估體系——一張表格納盡全行業大約1萬種常見車型的風險等級。這一風險評估表達到了全面的風險覆蓋和量化，突破了傳統方法的局限，為行業內車型風險等級的確定引入了創新的途徑。這不僅打開了評估方法的新篇章，而且顯著提升了車險行業的風險量化能力。(文/律商風險單翔、王軍喜)

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如有侵權行為，請第一時間聯系我們修改或刪除，多謝。