中交兴路联合中银保信重载货车保险风险评测模型震撼升级

2018年11月，中交兴路与中国银行保险信息技术管理有限责任公司（以下简称中银保信）联合推出了基于车联网大数据的第一代重载货车保险风险评测模型。在该风险评测模型推出两年半时间的时间内，模型的实际使用效果得到行业广泛认可。

数据显示，接口查询量持续上升，2021年前5个月同比上涨40%。该模型评分让整个车险行业第一次清楚地认识到车联网大数据在提升保险风险预测能力方面的巨大价值，对全行业来说具有里程碑式的重要意义。

在此基础上，经过持续不断的探索研发，中交兴路和中银保信于2021年6月19日凌晨正式上线第二代重载货车保险风险评测模型（以下简称新版模型）。新版模型在老版模型的基础上做了全方位的优化升级。

新版模型的优势有四

使用更大规模的数据量训练模型

基于中交兴路全国全量的重载货车车联网数据，以及中银保信保险行业全量的车险承保理赔数据，双方强强联合， 新版模型的建模数据量较老版模型更大，超过200万，覆盖全国所有省份。

更多驾驶行为为相关从人因素对未来风险的预测能力更强

老版模型更多使用行驶里程、运营时长、高速公路行驶里程占比、夜间行驶里程占比等与运营特征、路况条件等相关的从用因素，而新版模型则更强调对司机驾驶行为的分析，更多使用包括超速行驶、疲劳驾驶、低速行驶、路口超速、急转弯、驾驶平稳度、刹车灵敏度等从人因素，对未来风险的预测能力更强。

对自卸、渣土、混凝土搅拌等特殊运营类型车辆单独建模

不同运营类型的车辆，其风险特征有很大区别，导致风险发生的因素也各不相同。比如长途专线运输车辆的出险频率较低，但案均赔款很高，而市内短途自卸、渣土运输车辆的出险频率很高，案均赔款却往往较低。对此，新版模型采用对不同类型车辆分别建模的方式，有效提高了模型的适用范围和预测效果。

模型算法迭代升级

老版模型采用的是GAM算法（Generalized Additive Model，广义可加模型）。新版模型在GAM的基础上，新增了在当前机器学习领域备受推崇的XGBoost（extreme Gradient Boosting，极端梯度提升模型）和GAMM（Generalized Additive Mixed Model，广义可加混合模型）算法。

具体做法是采用分层建模的方式。首先，对一些显著性较高的重要数据因子应用GAM算法，分别建立出险频率和案均赔款模型；然后，再将第一层模型预测结果作为一个新增的数据因子，与其它因子放到一起，通过XGBoost算法建立第二层模型；最后，再用GAMM算法，将第二层模型结果与车辆类型、所属省份、地市等静态数据因子相结合，得到最终的赔付率预测模型。经过实际测试，此方法能够充分挖掘利用车联网数据因子的价值，达到理想的模型预测效果。

提高评分的方法

目前，由于我们提供的模型评分已经逐渐成为保险业承保重载货车的行业标准，主流保险公司都已经习惯于使用模型评分制定承保、定价政策。越来越多的司机、车主、车队管理者、保险销售员等行业相关人员向我们询问提高评分的方法。对此，我们专门开发了对模型评分的解释功能，引导用户有针对性的改善驾驶行为、降低发生道路交通事故的风险，从而提高模型评分，能够以较优惠的价格买到保险。

首先，我们将影响车辆行驶风险的因素分驾驶风险、运营风险、道路风险三大类共20个维度。比如，驾驶风险包括疲劳驾驶、超速行驶、低速行驶、路口超速、急转弯、驾驶平稳度、刹车灵敏度等；运营风险包括运营时长、行驶里程、运营频次、夜间行驶等；道路风险包括高速公路行驶里程占比、经过的危险路段、危险路口次数等。

然后，对于每个维度，根据风险大小分成A(优秀)、B(良好)、C(正常)、D(轻危)、E(危险)、F(高危)等6个风险等级。用户查询时，我们会返回每个维度的风险等级，并针对风险较高的维度，给出具体改善建议。

模型评分是根据车辆过去长期以来的驾驶行为去预测未来的风险，因此，改善驾驶行为、提高模型评分需要持之以恒、坚持不懈的努力，不能一蹴而就。

作为重载货车道路运输监管与服务行业的引领者，中交兴路始终把提高道路交通安全管理水平作为首要任务。我们将继续牢记使命、不忘初心，为广大物流货运行业相关人员提供更优质的产品和服务。