楊金永 梁鈞奉 陳慧思

【摘 要】基于OBD技術(shù)確定的駕駛行為分析影響因子為：疲勞駕駛、變速行駛、轉(zhuǎn)彎行駛，同時(shí)根據(jù)駕駛行為指標(biāo)選取的系統(tǒng)、可操作、客觀、和獨(dú)立四大原則。又選取了與駕駛?cè)税踩庾R(shí)、道路交通法規(guī)相關(guān)的兩個(gè)變量。用層析分析法對(duì)五個(gè)變量進(jìn)行權(quán)重分析。應(yīng)用SPSS尋找與附件一提供的NCD的對(duì)應(yīng)關(guān)系。

【關(guān)鍵詞】AHP;車聯(lián)網(wǎng)保險(xiǎn)UB1保費(fèi);

1.引言

本文針對(duì)A HP中判斷矩陣排序的行和歸一化方法進(jìn)行了靈敏度分析，給出了在某一準(zhǔn)則下，任意兩個(gè)方案排序位置不變的情況下判斷矩陣中各個(gè)元素變化范圍的計(jì)算公式，可以看出，所得到的理論分析結(jié)果較為完美，計(jì)算公式簡(jiǎn)單，這為今后進(jìn)-一步研究基于AHP的排序穩(wěn)定性以及群組決策分析等問題打下了堅(jiān)實(shí)的基礎(chǔ)，也可以看到，雖然本文給出的僅僅是基于行和歸一化方法的靈敏度分析，但它給出了有關(guān)類似研究的一個(gè)重要思路。

2.AHP法分析車聯(lián)網(wǎng)保險(xiǎn)

（1）評(píng)價(jià)指標(biāo)的建立

駕駛習(xí)慣信息與電商的銷售效率密切相關(guān)，以駕駛習(xí)慣信息作為目標(biāo)層，結(jié)合第一階段選取的五個(gè)指標(biāo)作為方案層，精神狀態(tài)、安全意識(shí)、道路交通法規(guī)等條件作為準(zhǔn)則層。首先，建立AHP模型，計(jì)算疲勞駕駛、分心駕駛、變速行駛、轉(zhuǎn)彎行駛、搶時(shí)駕駛這五種因素對(duì)于駕駛行為的權(quán)重。然后，篩選出權(quán)重最大的三種因素疲勞駕駛、分心駕駛、搶時(shí)駕駛作為可提供的客戶駕駛習(xí)慣信息。在運(yùn)用模糊綜合評(píng)價(jià)法，計(jì)算出三種因素得分。最后，畫出駕駛行為得分與歷史出現(xiàn)次數(shù)的散點(diǎn)圖，直觀看出，評(píng)分越高，車輛出險(xiǎn)次數(shù)越少，驗(yàn)證了三種因素的重要性。

利用SPSS軟件對(duì)附件一提供的數(shù)據(jù)信息進(jìn)行處理。為了實(shí)例化評(píng)定駕駛行為安全等級(jí)，確定駕駛行為指標(biāo)和分值下的若干備選選項(xiàng)是在先前的動(dòng)態(tài)評(píng)分機(jī)制進(jìn)行安全等級(jí)評(píng)分工作基礎(chǔ)上的。通過對(duì)數(shù)據(jù)進(jìn)行整合、去除異常及無(wú)效數(shù)據(jù)后，選取100名客戶的駕駛行為數(shù)據(jù)信息分析和處理后作為本文駕駛行為評(píng)分的數(shù)據(jù)依據(jù)。

圖2中給出了10名駕駛員的駕駛行為數(shù)據(jù)信息經(jīng)過駕駛行為評(píng)分模型后的得分情況，圖中紅色部分表示得分情況低于60分的有14名，其中有一名駕駛員的駕駛行為習(xí)慣非常不好，得分情況高于90分的有6名，大部分駕駛行為評(píng)分在70-90分之間。該100名駕駛員行車行為表現(xiàn)通過駕駛行為評(píng)分等級(jí)進(jìn)行量化，為車聯(lián)網(wǎng)保險(xiǎn)UB1保費(fèi)差異化定價(jià)奠定了基礎(chǔ)。

駕駛行為識(shí)別算法的基礎(chǔ)上，提出了一種針對(duì)確定駕駛行為評(píng)分因子權(quán)重值的算法，該算法不是單純結(jié)合了層次分析法和熵權(quán)法兩種方法，而是對(duì)兩種方法的中間計(jì)算過程進(jìn)行結(jié)合。最后通過隨機(jī)抽取附件一提供的100名車主的駕駛行為數(shù)據(jù)信息進(jìn)行分析和統(tǒng)計(jì)，得出對(duì)應(yīng)駕駛行為事件數(shù)目，然后輸入到駕駛行為評(píng)分機(jī)制中得出相應(yīng)編號(hào)的駕駛員的評(píng)分結(jié)果。

為檢驗(yàn)本文提出的駕駛行為評(píng)分模型的是否具有合理性，利用SPSS 軟件對(duì)駕駛行為評(píng)分結(jié)果進(jìn)行評(píng)價(jià)。將這100名駕駛員在過去的一年里面出險(xiǎn)理賠情況統(tǒng)計(jì)次數(shù)與本文中駕駛行為評(píng)分機(jī)制所得的駕駛評(píng)分進(jìn)行對(duì)應(yīng)，分析駕駛員出險(xiǎn)情況與本文提出的UBI駕駛行為評(píng)分間的相關(guān)性。圖表示的是100名編號(hào)客戶的駕駛行為評(píng)分與歷史出險(xiǎn)次數(shù)對(duì)照，從圖可以看出，駕駛行為評(píng)分低于60分的編號(hào)客戶基本上都出現(xiàn)過歷史出險(xiǎn)理賠情況，而駕駛行為評(píng)分高于80分的編號(hào)司機(jī)基本上沒有出險(xiǎn)理賠現(xiàn)象發(fā)生。

上圖是駕駛行為得分與歷史出險(xiǎn)次數(shù)的散列圖，該圖中表明大多數(shù)車主的駕駛行為得分超過60分，且駕駛行為得分主要集中在60分到85分之間，雖然有少量的駕駛行為得分大于60分的車主也存在一次、兩次的出險(xiǎn)理賠事件，但大部分的車主幾乎沒有歷史出險(xiǎn)理賠事件記錄。另外，從圖4中我們還可以看出，隨著駕駛行為得分的增加，車主的出險(xiǎn)理賠事件有了明顯降低的趨勢(shì)。駕駛行為得分在80分以上的出現(xiàn)次數(shù)幾乎為零，這表明駕駛行為評(píng)分越高，該駕駛員的駕駛行為安全等級(jí)越高，行車風(fēng)險(xiǎn)越小，因而出險(xiǎn)次數(shù)越少。所以從圖4中可以得出本文提出的駕駛行為評(píng)分機(jī)制是合理的，符合實(shí)際規(guī)律的。

小結(jié)

在駕駛行為識(shí)別算法的基礎(chǔ)上，提出了一種針對(duì)確定駕駛行為評(píng)分因子權(quán)重值的算法，該算法不是單純結(jié)合了層次分析法和熵權(quán)法兩種方法，而是對(duì)兩種方法的中間計(jì)算過程進(jìn)行結(jié)合。然后借鑒前人的研究工作以及在本人在研究生期間的研究成果基礎(chǔ)上，依據(jù)-AHP算法得出駕駛行為相關(guān)指標(biāo)的權(quán)重值，并以此設(shè)定對(duì)應(yīng)指標(biāo)在駕駛行為評(píng)分機(jī)制中所占分值情況。最后通過隨機(jī)抽取附件一提供的100名車主的駕駛行為數(shù)據(jù)信息進(jìn)行分析和統(tǒng)計(jì)，得出對(duì)應(yīng)駕駛行為事件數(shù)目，然后輸入到駕駛行為評(píng)分機(jī)制中得出相應(yīng)編號(hào)的駕駛員的評(píng)分結(jié)果。利用SPSS軟件對(duì)本文車聯(lián)網(wǎng)保險(xiǎn)UB1中的駕駛行為評(píng)分機(jī)制進(jìn)行驗(yàn)證，通過駕駛行為得分和歷史出險(xiǎn)次數(shù)之間斯皮爾曼相關(guān)系數(shù)表明兩者之間存在顯著的負(fù)相關(guān)性，最后通過駕駛行為得分和歷史出險(xiǎn)次數(shù)散列圖表明駕駛行為得分越高，出行越安全，行車風(fēng)險(xiǎn)越小。從而驗(yàn)證了本章節(jié)中駕駛行為選區(qū)的三種因素的合理性。

參考文獻(xiàn)：

[1]戴建國(guó)，& 陳欣然.基于UBI減少車險(xiǎn)信息不對(duì)稱問題的研究.常州工學(xué)院學(xué)報(bào)，28（1）.（2015）.

[2] 張嫣.掘金UBI車險(xiǎn).經(jīng)營(yíng)者：汽車商業(yè)評(píng)論（12），208-211.（2015）.

[3] 朱仁棟.UBI車險(xiǎn)實(shí)踐與思考.當(dāng)代金融家（Z1），114-117.（2016）.

[4]朱仁棟.UBI車險(xiǎn)實(shí)踐與思考.當(dāng)代金融家（Z1），114-117.（2016）.

[5] 陳文書.大數(shù)據(jù)視角下共享汽車保險(xiǎn)定價(jià)機(jī)制研究——與UBI車險(xiǎn)對(duì)比論證.中國(guó)商論，No.758（19），14-15.（2018）.

[6] 孟生旺，& 黃一凡.駕駛行為保險(xiǎn)的風(fēng)險(xiǎn)預(yù)測(cè)模型研究.保險(xiǎn)研究（8），21-34.（2018）.

作者簡(jiǎn)介：

姓名：楊金永，性別：男，出生年月：1998年4月，民族：滿，籍貫：河北省易縣，學(xué)歷：大學(xué)本科，學(xué)校：華北理工大學(xué)，學(xué)校郵編：063210，專業(yè)：電氣工程及其自動(dòng)化

（作者單位：華北理工大學(xué)電氣工程學(xué)院）