“律商風(fēng)險不搬運數據，而是演奏數據樂(lè )章……”

律商聯(lián)訊風(fēng)險信息（LexisNexis Risk Solutions，以下簡(jiǎn)稱(chēng)“律商風(fēng)險”）作為全球領(lǐng)先，深耕中國，為保險行業(yè)提供數據和技術(shù)解決方案的公司，致力于將各類(lèi)數據有機融合，為客戶(hù)提供增量?jì)r(jià)值。律商風(fēng)險形象地將各類(lèi)數據視為“音符”，通過(guò)專(zhuān)業(yè)分析建模與產(chǎn)品設計能力，最終把“音符”譜成了優(yōu)美的旋律。

以律商風(fēng)險“動(dòng)靜合一”模型為例，首先將基于靜態(tài)物理參數所建立的“車(chē)型風(fēng)險等級元素周期表”作為音符（Notes），緊接著(zhù)融合動(dòng)態(tài)從用數據形成波音（Mordent），進(jìn)一步在靜態(tài)數據錨定風(fēng)險等級的基礎上差異化風(fēng)險，完成風(fēng)險精準定位，圖1形象刻畫(huà)了這一過(guò)程。

圖1：動(dòng)靜合一評分模型原理示例

備注：車(chē)型A和車(chē)型B的靜態(tài)評分，分別為450分和400分；考慮每一車(chē)輛（VIN）動(dòng)態(tài)從用數據的差異，動(dòng)靜合一分將圍繞靜態(tài)車(chē)型分上下波動(dòng)。以車(chē)型A為例，某車(chē)輛A1因里程、行程等動(dòng)態(tài)信息相對平均風(fēng)險傾向低風(fēng)險方向，A1動(dòng)靜評分從450分移動(dòng)到350分；而車(chē)輛A2反之，從450分移動(dòng)到660分。圖中僅列示部分靜態(tài)、動(dòng)態(tài)字段；評分越高，風(fēng)險越高。

動(dòng)態(tài)信息的融入，讓原本風(fēng)險區分能力優(yōu)異的車(chē)型靜態(tài)評分（車(chē)型風(fēng)險等級元素周期表中的具體風(fēng)險值）得以加強，使得模型在高低風(fēng)險兩極獲得更好的風(fēng)險識別能力，參見(jiàn)圖2。律商風(fēng)險高級數據科學(xué)家單翔表示，“車(chē)輛動(dòng)態(tài)從用數據對賠付率的影響，本質(zhì)是通過(guò)影響出險率來(lái)間接影響賠付率。應客觀(guān)理解與分析動(dòng)態(tài)從用數據的三大特征——相變性、活躍性和多維性，在此基礎上才能設計出合理的模型結構，充分挖掘數據價(jià)值，以確保風(fēng)險細分結果具有良好信度（穩定性）與效度（區分度）”。三大特征具體如下：

圖2：在靜態(tài)物理參數評分基礎上，融入動(dòng)態(tài)信息能夠有效拉升兩極高低風(fēng)險區分度

一是相變性。賠付率是由出險率、案均和車(chē)均保費三要素共同決定，而動(dòng)態(tài)從用數據主要與出險率相關(guān)。在實(shí)踐中，可觀(guān)測到動(dòng)態(tài)信息與賠付率之間的關(guān)系圖呈現相變性的特點(diǎn)。以年化行駛里程為例（如圖3所示），當里程低于0.1分位點(diǎn)或高于0.9分位點(diǎn)時(shí)，賠付率會(huì )呈現明顯變化，而在中間區域的變化則相對平坦。這些分位點(diǎn)，被稱(chēng)為賠付率相變點(diǎn)。這種現象可以類(lèi)比于水在標準大氣壓的狀態(tài)變化：只有在溫度低于0攝氏度時(shí)，水才會(huì )結冰；而在溫度高于100攝氏度時(shí)，水才會(huì )沸騰。當溫度介于兩個(gè)相變點(diǎn)之間時(shí)，很難從視覺(jué)上觀(guān)測到水的明顯變化。動(dòng)態(tài)數據的相變性現象同樣表明，動(dòng)態(tài)數據雖然可以提升對兩級賠付率的區分度，但在中間區域的區分效果平坦，甚至容易波動(dòng)。因此，脫離車(chē)輛物理屬性靜態(tài)信息的動(dòng)態(tài)評分，往往在評分中間區域對賠付率風(fēng)險區分乏力。

圖3：年化行駛里程分位點(diǎn)與賠付率呈現相變關(guān)系（新能源車(chē)為例），在高、低里程區域賠付率變化明顯，尤其是高里程區域，而約80%中間區域賠付率變化則相對平緩。本圖為基于大樣本量統計結果。

二是活躍性。作為動(dòng)態(tài)信息的第二大特征，具體指所能采集到動(dòng)態(tài)信息暴露的充分程度。以高速數據為例，自疫情結束管控以來(lái)，2023年全國范圍內約有70%的車(chē)輛在過(guò)去一年中曾在高速公路上行駛。而在這些上高速的車(chē)輛中，又約有70%的車(chē)輛在高速公路上行駛相對充分，活躍度高。因此，可以得出結論，大約有一半的車(chē)輛在高速公路上行駛活躍，其動(dòng)態(tài)信息暴露相對充分；而另一半車(chē)輛的動(dòng)態(tài)信息暴露則不夠充分，這導致動(dòng)態(tài)信息對出險率的區分能力不足。特別是對于那些從未在高速公路上行駛的車(chē)輛或新車(chē)來(lái)說(shuō)，將沒(méi)有高速動(dòng)態(tài)信息。這些動(dòng)態(tài)信息活躍度偏低的車(chē)輛能否得到車(chē)輛物理屬性靜態(tài)信息的補充，在風(fēng)險細分上就顯得尤為重要。

圖4：以高速數據為例，約有50%的車(chē)輛動(dòng)態(tài)從用信息暴露不充分

三是多維性。動(dòng)態(tài)從用數據對風(fēng)險的影響可以從兩個(gè)層次來(lái)理解：一方面基于行駛里程、行程數等信息的行駛暴露類(lèi)基準風(fēng)險。簡(jiǎn)單地說(shuō)，車(chē)輛使用越頻繁，其風(fēng)險暴露越高；另一方面則反映相對風(fēng)險水平，例如通過(guò)百公里超車(chē)次數，百公里急加急減次數等數據來(lái)衡量。最終，基準風(fēng)險與相對風(fēng)險共同決定從用風(fēng)險。就相對風(fēng)險而言，又可以細分為：“超車(chē)/超速信息”，“急加/急減信息”，“疲勞駕駛信息”，“行駛路徑分散度信息”，“行駛時(shí)間偏好信息”，以及“GIS信息”等維度。這些維度共同構成刻畫(huà)相對風(fēng)險的多維數據立方體。所以，即便能夠獲取到相同的動(dòng)態(tài)信息源，能否科學(xué)、系統地衍生出多維數據立方體，形成相對正交的動(dòng)態(tài)特征空間，是衡量挖掘動(dòng)態(tài)數據價(jià)值潛能能力的關(guān)鍵。

圖5：動(dòng)態(tài)數據多維解析與特征結構

律商風(fēng)險產(chǎn)品經(jīng)理李莉將“動(dòng)靜合一評分“總結為“查得率行業(yè)最高，靜態(tài)最全，動(dòng)態(tài)精準”。

圖6：律商風(fēng)險動(dòng)靜合一評分流程圖

律商風(fēng)險不是數據的搬運工，而是數據價(jià)值的演奏者。正是基于對律商風(fēng)險行業(yè)獨有車(chē)輛物理參數靜態(tài)庫的深耕，以及對動(dòng)態(tài)從用數據三大特征的深刻理解，構建出具有獨特優(yōu)勢的動(dòng)靜合一風(fēng)險評分。

作者：律商風(fēng)險 單翔、李莉