趙恩有

摘要：基于我國發(fā)展車輛保險的重要性，研究車輛保險市場是非常有必要的。本文基于2004-2015年的數(shù)據(jù)，來研究車輛保險市場的成長情況，通過灰色模型與神經(jīng)網(wǎng)絡(luò)的結(jié)合的灰色神經(jīng)網(wǎng)絡(luò)模型去擬合車輛保險營業(yè)額與解釋變量的關(guān)系，之后再用遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)，最后通過模型結(jié)果的對比，知基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型有更好的預(yù)測效果。

Abstract： Based on the importance of developing vehicle insurance in China， it is very necessary to study the vehicle insurance market. Based on the data of 2004-2015， this paper studies the growth of vehicle insurance market， and uses the gray neural network model combined with gray model and neural network to fit the relationship between vehicle insurance turnover and explanatory variables， and then uses genetic algorithm to optimize the gray neural network. Finally， through the comparison of the model results， we know that the gray neural network model based on genetic algorithm has a better prediction effect.

關(guān)鍵詞：車輛保險市場；灰色模型；遺傳算法；灰色神經(jīng)網(wǎng)絡(luò)

Key words： vehicle insurance market；gray model；genetic algorithm；gray neural network

中圖分類號：F713.58 文獻標識碼：A 文章編號：1006-4311（2018）03-0208-03

1 車輛保險市場的影響因素

影響車輛保險市場的因素有經(jīng)濟因素、風險因素、社會文化因素、法律和政策因素等[1-6]。但是在實際生活中還有很多的其他的因素影響車輛保險市場的成長，比如：人的性別差異，地區(qū)文化差異等。為了建模的分析，要忽略一些影響車輛保險市場的定性因素即難量化的影響因素，選擇全國經(jīng)濟、風險、文化等方面對車輛保險市場影響顯著的因素。

1.1 經(jīng)濟因素

經(jīng)濟因素包括國內(nèi)生產(chǎn)總值、居民可支配收入、汽車數(shù)量、汽車保險價格、財產(chǎn)保險公司數(shù)量。其中汽車保險價格選用車輛保險賠款/車輛保險費收入來做指標，汽車數(shù)量選用民用汽車擁有量來反映，財產(chǎn)保險公司數(shù)量是統(tǒng)計中國保監(jiān)會監(jiān)督統(tǒng)計的財產(chǎn)保險公司。

1.2 風險因素

風險因素包括道路交通狀況和交通事故數(shù)。道路交通狀況一般由路況和道路人均道路面積來體現(xiàn)，路況越差，那么發(fā)生車禍的風險概率就會越大。我國每個省車險價格之所以不一樣，其中路況是重要的決定因素之一。交通事故能夠增強人民的生命安全意識和投保意愿，使得人民的保險需求增加。

1.3 社會文化因素

社會文化因素包括受教育程度和城鎮(zhèn)人口比重。受教育程度選取人口中大專及以上學歷所占比例作為受教育程度的指標，城鎮(zhèn)人口比重選取城鎮(zhèn)人口與農(nóng)村人口之比作為城鎮(zhèn)人口比重指標。

2 基于遺傳算法優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)

2.1 灰色模型

灰色系統(tǒng)理論是由華中理工大學鄧聚龍教授與1982年提出并加以發(fā)展的，是通過少量的、不完全的信息建議起來的模型進行預(yù)測的?；疑Ｐ途褪峭ㄟ^累加或是其它的方法去減弱離散數(shù)據(jù)的隨機性，使其得到的數(shù)據(jù)具有一定的規(guī)律，再建立微分方程形式的模型，去展現(xiàn)原始數(shù)據(jù)中的一些隱藏的信息并加以研究和描述。

2.2 灰色神經(jīng)網(wǎng)絡(luò)模型

灰色神經(jīng)網(wǎng)絡(luò)是有效的將灰色模型和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的模型，先通過灰色模型對原始數(shù)據(jù)進行處理（1-AGO）之后，使處理后的數(shù)據(jù)呈現(xiàn)出一定的規(guī)律，再通過建立微分方程的方式使其數(shù)據(jù)進入到神經(jīng)網(wǎng)絡(luò)中進行擬合和預(yù)測。與其神經(jīng)網(wǎng)絡(luò)的結(jié)合就是把微分方程經(jīng)過處理得到時間相應(yīng)方程映射進神經(jīng)網(wǎng)絡(luò)中去求出方程的系數(shù)。

2.3 基于遺傳算法優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)[7-10]

遺傳算法是受到生物學家達爾文進化論的啟發(fā)，借鑒生物進化過程而提出的一種啟發(fā)式搜索算法，與其他的算法不同的是，它基本上不依賴搜索空間的知識或?qū)?shù)等其它輔助信息，僅用適應(yīng)度函數(shù)值來評估個體，來進行遺傳的操作。由于灰色神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值是隨機初始化得到的，并且在神經(jīng)網(wǎng)絡(luò)學習的過程中容易陷入局部最優(yōu)，而遺傳算法優(yōu)化了灰色神經(jīng)網(wǎng)絡(luò)模型連接權(quán)值和閾值的隨機性，又能加快網(wǎng)絡(luò)計算的收斂速度，得到全局最優(yōu)解。

遺傳算法的運算過程有編碼、初始群體的生成、適應(yīng)度值評價檢測、選擇、交叉、變異、終止條件判斷七個步驟，可以獲得最優(yōu)的權(quán)值和閾值，再經(jīng)過灰色神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測結(jié)果。

3 實證分析

3.1 數(shù)據(jù)搜集

本文主要從中國統(tǒng)計年鑒、國家統(tǒng)計局、中國保險年鑒、中國保險監(jiān)督管理委員會等找取2004-2015年相關(guān)的數(shù)據(jù)，數(shù)據(jù)的變量有機動車輛保險營業(yè)額、汽車保險價格、國內(nèi)生產(chǎn)總值、城鎮(zhèn)居民可支配收入、民用汽車擁有量、居民消費價格指數(shù)、財產(chǎn)保險公司數(shù)量、交通事故發(fā)生數(shù)、人均城市道路面積、受教育程度、城鎮(zhèn)人口比重。

3.2 歸一化數(shù)據(jù)處理endprint

本文原始數(shù)據(jù)的各個因素有著不同的量綱和量綱單位，如果用原始數(shù)據(jù)進行分析，那么將使預(yù)測結(jié)果失真。為了消除指標之間的量綱影響，對數(shù)據(jù)進行歸一化處理，使影響因素處于同一數(shù)量級上，以便進行綜合對比評價。本文采用min-max標準化的方法，通過線性變化把原始數(shù)據(jù)映射到0-1之間，即轉(zhuǎn)化函數(shù)為：

3.3 基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測

首先我們先對遺傳算法中的運行參數(shù)設(shè)置為：編碼串長度l=11，種群規(guī)模M=11，交叉概率pc=0.8，變異概率pm=0.1，迭代次數(shù)T=500。

遺傳算法中a，b1，b2，…，b10初始值定義在[-1，1]之間，通過遺傳算法得到灰色神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始值為

a=3.5738，b1=-0.6847，b2=1.0000，b3=-0.7151，b4=1.0000，b5=1.0000，b6=0.0810，b7=0.3731，b8=0.9124，b9=0.8330，b10=-0.5213

再把遺傳算法得到的最優(yōu)解輸入到灰色神經(jīng)網(wǎng)絡(luò)中進行訓練，通過MATLAB程序，把訓練數(shù)據(jù)進行100次的迭代，得到訓練誤差隨著進化的次數(shù)在不斷的減少，而在進化50次的時候誤差基本上已經(jīng)不再發(fā)生變化了，對于訓練最后的是誤差是理想的，可以說訓練數(shù)據(jù)得到了很好的訓練，可以用來做預(yù)測。通過灰色神經(jīng)網(wǎng)絡(luò)算出微分方程系數(shù)是：

3.4 對比分析

對比四種預(yù)測模型，GM（1，1）模型相對誤差比較大，GM（1，N）模型研究擬合的效果不好，灰色神經(jīng)網(wǎng)絡(luò)模型是灰色模型與神經(jīng)網(wǎng)絡(luò)的結(jié)合，得到結(jié)果效果是比較好的，而基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)是用遺傳算法去優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型，得到的結(jié)果精度提高了1.3%，相對誤差為-3.91%。所以用基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度是很高的，可以去預(yù)測車輛保險市場的成長情況。

4 結(jié)論

車輛保險市場預(yù)測是政府、公司對車輛保險市場調(diào)控和決策的重要依據(jù)，而且通過車輛保險市場的預(yù)測可以掌握未來發(fā)展的趨勢情況，利于做出相應(yīng)的對策來解決即將面臨的問題。本文基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)模型對車輛保險市場成長的研究和預(yù)測，通過模型預(yù)測精度的對比，知這種研究方法是非常理想的，中國車輛保險市場的成長預(yù)測，不僅僅可以幫助國家更好的宏觀調(diào)控，也有助中國保險監(jiān)督管理委員會對中國車輛保險市場更好的監(jiān)控，更有利于財產(chǎn)保險公司對中國車輛保險的研究，制定有效的發(fā)展戰(zhàn)略，使得中國的車輛保險市場健康穩(wěn)定迅速的發(fā)展。因此，對車輛保險市場的成長研究是非常有意義的。

參考文獻：

[1]何雪華.我國機動車輛保險需求模型的實證分析[J].保險職業(yè)學院學報，2011：25-29.

[2]武紅先.我國汽車保險市場需求的影響因素分析[J].蘇州大學，2011：128-133.

[3]劉璐，張博江.我國機動車輛保險市場發(fā)展的需求拉動因素研究[J].保險研究，2012（8）：83-88.

[4]劉志翔.基于BP神經(jīng)網(wǎng)絡(luò)的汽車保險需求預(yù)測研究[D]. 廣東：暨南大學經(jīng)濟學碩士論文，2015：4-24.

[5]Frank D. Lewis. Dependents and Demand for Life Insurance[J].The American Economic Review，2002，79：452-467.

[6]S.Travis Pritchett and Benjamin Y.Brewster，Jr.，Comparison of Ordinary Life Operating Expense Ratios for Agency and Nonagency Insurers，2000，67：73-90.

[7]吳亞雄，謝敏.基于BP神經(jīng)網(wǎng)絡(luò)灰色回歸組合模型的年最大負荷預(yù)測[J].南方能源建設(shè)，2017（2）：46-57.

[8]楊帆，謝洋洋.遺傳灰色神經(jīng)的衛(wèi)星鐘差預(yù)報模型[J].導航定位學報，2017（2）：107-134.

[9]李國勇，閆芳，郭曉峰.基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J].控制工程，2013（5）：934-937.

[10]林勤.基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的浙江省公路客運量預(yù)測模型[D].湖北：華中師范大學運籌學與控制論碩士論文，2013：3-40.endprint