“律商風險不搬運數(shù)據(jù)，而是演奏數(shù)據(jù)樂章……”

律商聯(lián)訊風險信息（LexisNexis Risk Solutions，以下簡稱“律商風險”）作為全球領先，深耕中國，為保險行業(yè)提供數(shù)據(jù)和技術解決方案的公司，致力于將各類數(shù)據(jù)有機融合，為客戶提供增量價值。律商風險形象地將各類數(shù)據(jù)視為“音符”，通過專業(yè)分析建模與產品設計能力，最終把“音符”譜成了優(yōu)美的旋律。

以律商風險“動靜合一”模型為例，首先將基于靜態(tài)物理參數(shù)所建立的“車型風險等級元素周期表”作為音符（Notes），緊接著融合動態(tài)從用數(shù)據(jù)形成波音（Mordent），進一步在靜態(tài)數(shù)據(jù)錨定風險等級的基礎上差異化風險，完成風險精準定位，圖1形象刻畫了這一過程。

圖1：動靜合一評分模型原理示例

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

動態(tài)信息的融入，讓原本風險區(qū)分能力優(yōu)異的車型靜態(tài)評分（車型風險等級元素周期表中的具體風險值）得以加強，使得模型在高低風險兩極獲得更好的風險識別能力，參見圖2。律商風險高級數(shù)據(jù)科學家單翔表示，“車輛動態(tài)從用數(shù)據(jù)對賠付率的影響，本質是通過影響出險率來間接影響賠付率。應客觀理解與分析動態(tài)從用數(shù)據(jù)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(shù)據(jù)價值，以確保風險細分結果具有良好信度（穩(wěn)定性）與效度（區(qū)分度）”。三大特征具體如下：

圖2：在靜態(tài)物理參數(shù)評分基礎上，融入動態(tài)信息能夠有效拉升兩極高低風險區(qū)分度

一是相變性。賠付率是由出險率、案均和車均保費三要素共同決定，而動態(tài)從用數(shù)據(jù)主要與出險率相關。在實踐中，可觀測到動態(tài)信息與賠付率之間的關系圖呈現(xiàn)相變性的特點。以年化行駛里程為例（如圖3所示），當里程低于0.1分位點或高于0.9分位點時，賠付率會呈現(xiàn)明顯變化，而在中間區(qū)域的變化則相對平坦。這些分位點，被稱為賠付率相變點。這種現(xiàn)象可以類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，水才會結冰；而在溫度高于100攝氏度時，水才會沸騰。當溫度介于兩個相變點之間時，很難從視覺上觀測到水的明顯變化。動態(tài)數(shù)據(jù)的相變性現(xiàn)象同樣表明，動態(tài)數(shù)據(jù)雖然可以提升對兩級賠付率的區(qū)分度，但在中間區(qū)域的區(qū)分效果平坦，甚至容易波動。因此，脫離車輛物理屬性靜態(tài)信息的動態(tài)評分，往往在評分中間區(qū)域對賠付率風險區(qū)分乏力。

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

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

圖4：以高速數(shù)據(jù)為例，約有50%的車輛動態(tài)從用信息暴露不充分

三是多維性。動態(tài)從用數(shù)據(jù)對風險的影響可以從兩個層次來理解：一方面基于行駛里程、行程數(shù)等信息的行駛暴露類基準風險。簡單地說，車輛使用越頻繁，其風險暴露越高；另一方面則反映相對風險水平，例如通過百公里超車次數(shù)，百公里急加急減次數(shù)等數(shù)據(jù)來衡量。最終，基準風險與相對風險共同決定從用風險。就相對風險而言，又可以細分為：“超車/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”，“行駛時間偏好信息”，以及“GIS信息”等維度。這些維度共同構成刻畫相對風險的多維數(shù)據(jù)立方體。所以，即便能夠獲取到相同的動態(tài)信息源，能否科學、系統(tǒng)地衍生出多維數(shù)據(jù)立方體，形成相對正交的動態(tài)特征空間，是衡量挖掘動態(tài)數(shù)據(jù)價值潛能能力的關鍵。

圖5：動態(tài)數(shù)據(jù)多維解析與特征結構

律商風險產品經(jīng)理李莉將“動靜合一評分“總結為“查得率行業(yè)最高，靜態(tài)最全，動態(tài)精準”。

圖6：律商風險動靜合一評分流程圖

律商風險不是數(shù)據(jù)的搬運工，而是數(shù)據(jù)價值的演奏者。正是基于對律商風險行業(yè)獨有車輛物理參數(shù)靜態(tài)庫的深耕，以及對動態(tài)從用數(shù)據(jù)三大特征的深刻理解，構建出具有獨特優(yōu)勢的動靜合一風險評分。

作者：律商風險 單翔、李莉