一、UBI定價已成為車險定價新趨勢
1.1 傳統車險定價存在三個主要問題：
（1） 車險費率結構不合理、不公平：低風險客戶費率偏高，保費與其風險狀況不相匹配；現在豪車投保和一般車輛沒有本質差別，保障內容也沒有本質差別。現行的車險費率模型對個別豪車定價不合理，無法反映風控的真實成本。豪車車險定價不合理，多數保險公司不敢保豪車。
（2） 車險定價方案同質化嚴重：車險市場惡性競爭激烈，保險公司缺乏產品創新、同質化嚴重，完全只是搞價格戰，車險訂單爭奪主要靠贈品等來吸引客戶。基於車型、駕駛者、駕駛行為等的個性化定製保險方案缺乏，難以滿足客戶的個性化需求。
（3） 車險定價維度單一：現有車險定價模型從車因子多，而從人因子過少，但70%的交通事故是由人為引起。車險價格不應只是因車而異，更應當因人而異。
1. 2 UBI新模式能有效解決傳統車險定價的問題與不足
UBI(Usage Based Insurance：是一種基於駕駛行為的保險，通過車聯網、智能手機和OBD等聯網設備將駕駛者的駕駛習慣、駕駛技術、車輛信息和周圍環境等數據結合起來，建立人、車、路多維度模型進行定價。
UBI模式的優點： 與傳統車險相比，UBI車險的優勢在於將風險前置，保險公司能通過用戶數據更早估算出保險成本；其次還能更好的管控理賠欺詐風險，通過實時動態判斷理賠真假；把定價權交給保險公司，把選擇權交給消費者，通過差異化產品和精準風險控制。
UBI模式的價值： 從消費者角度來說，他們得到了一款他們認為更加公正且能夠更好控制自身保費的產品，並得到了為其自身和家庭提供安全和保障的附加增值服務；從保險公司角度來說，直接檢測和評估駕駛行為將使其從中受益，降低其賠付成本。
1.3 UBI在車險行業已成為新主流
如今，商車費改已經建立起“車型定價＋風險保費”的定價方向，這將成為中國UBI車險發展的最大動力。2015年出臺的《中國保監會關於深化商業車險條款費率管理制度改革的意見》中，明確提出鼓勵和引導財產保險公司為保險消費者提供多樣化、個性化、差異化的商業車險保障和服務，為UBI車險在我國保險市場的發展提供了政策法規基礎。實現車型定價和風險保費與UBI車險的核心邏輯即車險從“車”到從“人”，根據人的駕駛行為做出定價不謀而合。
據普華永道思略特此前發表的關於2020車險的展望報告稱，中國UBI市場將在2020年出現爆發式增長。報告預測，未來五年，車險市場規模由於新車銷量增長放緩將保持10%的增速，到2020年整個車險市場規模約為9420億元。若車險費率市場化完全放開，同時伴隨著車聯網50%的新車滲透率預期，保守估計UBI 的滲透率在2020 年可以達到10%-15%，UBI 保險面臨著1400億元的市場空間。
二、構建UBI車險定價模型
廣義線性模型是一種非線性的迴歸模型，它能反映連續變量、離散變量、屬性變量等信息對因變量的影響，找出我們所關心的風險因子，實現風險分類和差別定價。這對保險公司風險管理工作有著重要的價值。廣義線性模型不僅為深入研究索賠次數、索賠調節中的程度差異、索賠特徵和等級變量(損傷程度)等問題提供了具體可行的方法，而且我們可以基於廣義線性模型風險建模識別更多的風險因子，區分優質客戶和劣質客戶。
2.1 UBI車險定價模型的基本思路與原理
UBI車險定價模型的基本思想是在匯聚人、車、駕駛行為等方面數據的基礎上，引入廣義線性模型的算法進行分析和處理，從而得到我們需要的賠付概率、賠付強度、自主核保係數等。
2.2 UBI車險定價模型的實現步驟
我們採用廣義線性模型進行保險定價。廣義線性模型[generalize linear model]是線性模型的擴展，它通過聯結函數建立響應變量的數學期望值與線性組合的預測變量之間的關係。其特點是不強行改變數據的自然度量，數據可以具有非線性和非恆定方差結構。是線性模型在研究響應值的非正態分佈以及非線性模型簡潔直接的線性轉化時的一種發展。
UBI車險定價的廣義線性模型按以下步驟實現：
STEP1：數據採集與整理
車聯網大數據是UBI模型的基礎，本次我們提取數據主要分為三大類：
車的數據：發動機排氣量、核定噸位、裝備重量、進口/國產車標誌（進口、國產、合資）、馬力、車輛購置價、防抱死系統、防盜系統、車齡、座位數、車型（車型、車系、品牌）、使用性質、使用年限、行駛里程等；
人的數據：性別、年齡、婚姻、駕駛行為、人的社會信息等
擴展數據：違章次數、油耗/里程/車速數據、緊急制動/啟動數據、轉彎行為數據、駕駛者行為數據、網上行為等
本次我們提取的樣本量為10萬，取數週期為1年。
STEP2：單因子分析
進行單因子分析時，根據屬性或者經驗判斷預先確定某一變量的風險級別，然後計算各個風險級別的指標（如索賠頻率、索賠強度、風險保費等），最後根據對這些指標的進一步分析，最終確定較為合理的風險級別。
STEP3：廣義模型構建
索賠頻率：索賠次數是非負的離散隨機變量，模型中採用泊松分佈來擬合。泊松分佈的生產機理：
1）在很小的時間區間(t, t + Dt)內，發生一次索賠的概率與時間區間的長度近似成正比，即近似為 lDt。
2）在很小的時間區間(t, t + Dt)內，發生兩次及其以上索賠的概率幾乎為零。
3）在不相交的兩個時間區間發生的索賠次數相互獨立。
索賠強度：索賠強度的數據通常為右偏的，模型使用伽瑪分佈來擬合。
連接函數：連接函數描述了廣義線性模型中系統成分和隨機期望之間的函數關係。在保險實務中，連接函數的選擇主要取決於對實際問題的理解和對應用的方便性。在車險定價研究中常用的連接函數為對數函數，這種形式的連接函數結構比較簡單，而且當前我國汽車保險廣泛採用加法和乘法模型，對數函數很容易實現這種變換。
STEP4：模型檢驗
擬合效果檢驗：模型中使用偏差統計量和皮爾遜卡方擬合優度統計量來評價。它們都是利用估計值和觀察值之差來衡量模型與實際數據的吻合程度。它們的值越小越好。如果它們和自由度的比值比1大很多，則認為存在過度離勢。
迴歸方程係數顯著性檢驗：模型設定的顯著性值為0.05，由此判定模型擬合效果的擬合優度。（在實際情況中可能有的因子我們認為是很重要的，所以我們可以將自變量按重要性分為幾類，重要性較高的設置較低的擬合優度門檻）。對於模型中不顯著的因子，我們可以捨棄。對於不顯著的風險級別可以與相近的風險級別合併。然後重新對模型進行擬合，最終得到較優的結果。
STEP5：模型診斷
多重共線性問題：通過迴歸方程的係數顯著性檢驗我們可以發現多重共線性問題。解決的方法有兩種：
（1） 通過逐步迴歸刪除冗餘變量。
（2） 增加樣本容量。
異常點問題：通過殘差分析，判斷該點是否為異常點，異常點的殘差比其它點相對大很多。
STEP6：結論輸出
風險解釋能力：
車險費率表：
回測效果：
#回測效果
fre_1
sev_1
premium
premium$sev[is.na(premium$sev)]
premium$premiumnew
rate1
from premium")
模型賠付率 實際賠付率
0.3356435 0.3375848
通過模型我們可以得出各家保險公司自己的風險保費表，通過與基準純風險保費進行對比，得到個性化保險公司的費率調整係數，通過差異化定價實現了有效的風險控制。
