📚 课程目录第2章车险与驾驶行为基础

2. 车险与驾驶行为基础

在进入驾驶轨迹与道路风险因子建模之前，必须先建立对车险业务与驾驶行为数据的基本认知。车险定价与风险建模并非孤立的技术问题，它根植于保险产品结构、监管规则、数据采集方式与业务目标之中。本节从车险类型出发，逐步过渡到UBI车险、驾驶行为评分，最后落到风险因子的分类与建模业务背景，为后续轨迹建模与风险因子工程奠定概念基础。

一、车险类型与定价逻辑

车险通常分为交强险与商业险两大类。交强险是法定强制保险，保障第三方人身伤亡与财产损失，费率由国家统一制定，浮动空间有限。商业险则包含车损险、第三者责任险、车上人员责任险、盗抢险、玻璃险、划痕险等，是保险公司自主定价与风险筛选的主要战场。

传统商业车险定价主要依赖从人、从车、从地三类静态因子：从人因子包括年龄、性别、驾龄、历史理赔记录；从车因子包括车价、车型、车龄、安全配置；从地因子包括使用性质、停放区域、行驶区域。这些因子在承保时即可获得，但无法反映投保后的真实驾驶风险。正是这一局限，催生了UBI车险。

二、UBI车险：从静态因子到动态行为

UBI（Usage-Based Insurance，基于使用行为的保险）的核心思想是：保费应与实际驾驶行为挂钩，而非仅由静态标签决定。UBI通常分为三类：

PAYD（Pay-As-You-Drive）：按行驶里程计费，开得少付得少。
PHYD（Pay-How-You-Drive）：按驾驶行为计费，急加速、急刹车、超速等行为直接影响保费。
混合模式：同时考虑里程与行为，是当前主流方向。

UBI的数据来源主要包括车载OBD设备、手机传感器（加速度计、陀螺仪、GPS）以及车联网T-Box。这些设备以不同频率采集速度、加速度、转向角、位置等信号，形成驾驶轨迹与行为事件流。

关键认知：UBI不是简单的“装个设备打折”，而是将驾驶行为数据转化为可定价的风险特征，其技术链条为：数据采集 → 轨迹重建 → 行为事件识别 → 评分建模 → 保费映射。

三、驾驶行为评分：从原始信号到风险分数

驾驶行为评分是UBI定价的核心中间层。它把连续的轨迹与事件数据压缩为若干可解释的评分维度，常见包括：急加速评分、急刹车评分、急转弯评分、超速评分、疲劳驾驶评分、里程评分。每个维度由事件频次、严重程度、持续时间等指标加权得到。

评分建模通常遵循以下流程：

数据清洗：剔除GPS漂移、设备异常、重复记录。
轨迹重建：将离散点序列还原为连续行驶路径。
事件识别：基于阈值或模型检测急加速、急刹车等事件。
特征聚合：按行程、按日、按月聚合事件率与里程。
评分映射：将特征映射为0–100分或风险等级。
验证与校准：用理赔数据验证评分与出险率的单调关系。

下面是一个简化的评分参数配置示例，用于说明事件阈值与权重如何组织：

{
  "scoring_version": "v2.1",
  "dimensions": {
    "harsh_accel": { "threshold": 2.5, "unit": "m/s^2", "weight": 0.20 },
    "harsh_brake": { "threshold": -3.0, "unit": "m/s^2", "weight": 0.25 },
    "sharp_turn":  { "threshold": 1.8, "unit": "rad/s", "weight": 0.15 },
    "speeding":    { "threshold": 0.15, "unit": "ratio", "weight": 0.25 },
    "fatigue":     { "threshold": 4.0, "unit": "hours", "weight": 0.15 }
  },
  "normalization": "per_100km",
  "score_range": [0, 100]
}

四、风险因子分类与建模业务背景

风险因子是建模的输入变量。按来源可分为四类：从人因子、从车因子、从环境因子、从行为因子。从行为因子正是UBI与轨迹建模的交汇点。下表给出一个典型的风险因子分类清单，便于后续特征工程对照使用。

因子类别	典型变量	数据来源	建模角色
从人因子	年龄、性别、驾龄、历史理赔	投保信息	基础风险分层
从车因子	车价、车型、车龄、安全配置	车辆档案	静态风险修正
从环境因子	道路类型、天气、时段、区域	地图与气象	场景风险调节
从行为因子	急加速率、急刹车率、超速率、里程	OBD/手机/车联网	动态风险核心

建模业务背景需要回答三个问题：预测什么（出险概率、理赔金额、赔付率）、用什么预测（上述因子）、预测结果怎么用（定价、核保、续保、理赔反欺诈）。在UBI场景中，行为因子往往与轨迹强相关：同样的急刹车事件，发生在高速匝道与城市拥堵路段，其风险含义完全不同。因此，轨迹与道路风险因子建模的价值在于为行为事件提供空间上下文，使评分更精准。

业务提示：评分模型上线后，必须持续监控评分分布漂移与理赔相关性。若某维度评分与出险率失去单调关系，说明阈值或权重需要重新校准。

五、常见误区与复盘

在车险与驾驶行为建模的早期实践中，常见以下误区：

唯设备论：认为装了OBD就能准确评分，忽视数据质量与轨迹重建误差。
阈值一刀切：对所有道路类型使用同一急刹车阈值，导致高速与市区事件率不可比。
评分即定价：直接把行为评分当作保费折扣，忽略从人从车因子的交互作用。
忽视监管：UBI定价需符合费率报备与消费者权益保护要求，不能随意调整。

复盘时应回到业务闭环：数据是否可靠、事件是否可解释、评分是否稳定、定价是否合规。只有这四个环节都成立，驾驶轨迹与风险因子建模才能真正服务于车险经营。