2019年认证杯SPSSPRO杯数学建模C题(第二阶段)保险业的数字化变革全过程文档及程序

2019年认证杯SPSSPRO杯数学建模

基于统计建模的车险业数字变革研究

C题 保险业的数字化变革

原题再现:

  车险,即机动车辆保险。保险自身是一种分散风险、消化损失的经济补偿制度,车险即为分散机动车辆在行驶过程中可能发作的未知风险和损失的一种保障机制。
  目前国际车险分为国家强制的交强险和商业险,商业险中的根本险种有第三者责任事故险和车辆损失险。除此之外还有玻璃独自破碎险、车上人员责任险、全车盗抢险、自燃损失险和不计免赔特约条款等附加险种。
  近年来,国际保险行业稳步开展,机动车辆保险在我国的财险保费中所占比重最大,以千亿元计。并且,由于我国汽车保有辆的继续增加和相关车险的政策出台,投保率也呈继续上升趋向。
  车险一般可占财险公司业务的 70% 到 80%,所以车险市场历来是财险公司的兵家必争之地。以往,财险公司为了赢得市场,往往采取低价、折扣来争抢客户。但是激烈的市场竞争也带来了利润率的下降,甚至有些企业在亏本经营。大多数车企为了提高利润率开始重视承保车辆的质量。重投保车辆质量的做法,其实是险企科学发展的重要体现,是市场竞争下的企业合理行为。
  中国目前的车险费率制度,大多数符合“从车主义”。即车险保费多少,主要取决于这辆车本身的各项情况,如车的购置价、座位数、排量、购车年限等,根据这些数据计算出一个基本的车险保费价格,再根据这辆车的上年理赔次数来打不同的折扣。这就导致了中国的车险定价模式非常的单调,相似情况的车型,保费也都差不多。
  可以预见未来车险行业的几大发展趋势:
  1. 车险价格与驾驶行为密切相关
  未来的车险定价将逐渐转变为“从人主义”。车险的定价因素将直接与驾驶人的驾驶习惯与行驶里程挂钩,通过驾驶行为来判定车险价格,可能会使车险由原来的一年买一次变成可以一个月买一次。一个具有良好驾驶习惯的车主,可能只需要支付原本保费的 30% 左右,而驾驶习惯不佳的车主,则会在原本保费的基础上继续上涨。
  2. 同价位车型车险价格完全不同
  国内传统的汽车保险定价,通常是以车型和其购置价为主要依据。未来中国车险业,同样的一款车,不同的人开,保费价格会完全不同。这个不同可能是取决于投保人本身的驾驶行为,还可能会以投保人本身的年龄、职业、家庭状况等信息为标准。
  信息时代的到来,为车险企业提供了一个更加有力的武器,可以通过数字化技术来更加精准地了解客户,制定营销和服务方案。
  第二阶段问题:
  1. 考虑到渠道和代理商为了保护自身利益,经常隐瞒一些客户信息,所以很多保险公司开始大力推进电销和网销,这样可以直接面对客户,获取一手信息。为了能够提高销售效率,降低客户等待时间,每次销售只能搜集客户三个方面的驾驶习惯信息。请结合第一阶段问题建立数学模型,讨论我们应该搜集哪三个方面的信息(当然是客户愿意提供的)?
  2. 很多时候出险后的数据对于评价客户非常重要,简单地根据出险保费的额度来进行保费的调整显然缺少灵活性。如果我们在出险时能够抓住机会详细了解客户的驾驶习惯,势必更有价值。请结合前面的问题设计调查问卷,并建立数学模型阐述如何利用这个问卷的数据来提高续保概率。
  3. 给保险公司的 CEO 写一封 1–2 页长短的信,陈述你对车险业在大数据环境下应如何发展的建议(与论文独立)。

整体求解过程概述(摘要)

  保险的本质是对未来可能发生事故的风险做对冲,以起到分散风险的作用。车险作为保险的一种,它可以分散机动车辆在行驶过程中可能发生的未知风险和损失。现如今,车险已占据保险市场的重要份额,且随着大数据技术的发展,车险行业也开始了新一轮变革。如何利用销售机会和出险时机收集客户的驾驶习惯相关数据,大力推进电销和网销,提高销售效率和减少客户等待时间,进一步提高客户的续保概率就变得越来越重要。因此,本文在研读大量相关文献的基础上,对驾驶习惯信息的研究做了以下工作:
  (1)针对问题一,首先在文献研读的基础上,从汽车使用量、驾驶表现和出行行为三个方面选取出 11 个客户驾驶习惯的指标;然后,基于 R 聚类分析方法对驾驶习惯指标进行分类,并运用 K-W检验方法检验分类的合理性;最后,对各个类别里的指标进行因子分析,建立基于 R 聚类-因子分析的驾驶人车险评价的指标筛选模型,筛选出三个方面的主要驾驶习惯指标,从而更加精准的为客户快速精准的提供相应的保单,增加客户的满意度,有效地提高汽车保险的销售效率。
  (2)针对问题二,首先我们针对出险的客户,根据问题一中三个方面的驾驶习惯指标来设计调查问卷,收集客户的驾驶习惯相关数据,同时,本问卷加入是否愿意续保的问题;然后,通过建立卡方检验模型,对所有问题进行两两相互相关性分析,找出影响保险费率的因子,调整保险费率来进一步调整保费;最后,我们同理分析愿意续保的客户的驾驶习惯特征,通过通过降低保费和精准的找出客户群体两种销售手段来提高客户的续保概率。
  (3)针对问题三,我们通过阅读大量相关文献与经典案例,总结出大数据环境下车险市场存在的问题,并进行详细的分析,对车险公司的 CEO 提出具有针对性的建议。

问题分析:

  随着车联网技术的发展和我国汽车保险费率改革的不断深化调整,有关驾驶行为习惯的保险研究越来越受到关注。如何有效地通过搜集客户少量的驾驶行为习惯信息,使保险公司提高汽车保险销售的效率,同时降低客户等待时间,增加客户的满意度这一问题,已成为汽车保险公司目前所关注的重点。
  近年来,汽车保险业务在财产保险公司中一直占据着十分重要的地位。按照同一车辆购买保险次数可以分为新增保单业务或者续保业务,续保业务有延续性,能够给保险公司带来更多的利益,所以对已购买车险的客户进行续保概率分析就比较重要。由于激烈的市场竞争导致车险业务的经营成本居高不下之外,车险费率厘定结果不够合理,从而导致根据出险的保费额度来进行保费的调整缺少灵活性,需要我们结合客户的驾驶习惯来提高客户的续保概率。针对汽车保险现在存在的现象进行如下分析:
  问题一需要根据汽车保险的实际情况和阅读大量相关文献,结合第一阶段问题的所选取的驾驶习惯因子,利用 R 聚类分析法对涉及的驾驶习惯因子进行分类,再通过因子分析法对选取的驾驶行为习惯因子进行综合评价,建立基于 R 聚类-因子分析的驾驶人车险评价指标筛选模型。
  问题二需要我们在问题一得出客户的驾驶行为习惯因子的基础上,合理设计客户在出险后的问卷调查表,以此来进一步提高客户的续保概率。因此,我们采用大量的文献研究法,设计合理的问卷调查,回收客户的驾驶习惯因子的相关数据,应用卡方检验模型对问卷的问题进行两两相关性分析,并利用建立的卡方检验模型得到影响保险率相关性较强的因子,通过对保费进行调整及精准营销,提高客户的续保率。
  问题三需要我们对保险公司的 CEO 以信的形式,通过分析大数据技术在车险经营中所存在的问题,针对此现状,给出相对应的建议。

模型假设:

  (1)假设所筛选的因子都满足模型建立的前提条件。
  (2)假设筛选后的客户的特征能够反映总样本客户总体特征。

论文缩略图:

在这里插入图片描述
在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

部分程序代码:(代码和文档not free)

%macro consistn(where,part);
%let
var_list=dpt\sex_age\model\channel\ncd_renew\PL\seat1\accyr\combination
1;
data var(drop=va i);
va="&var_list.";
i=1;
do while (scan(va , i , "\")^="");
var=scan(va , i , "\");
call symputx(catt('var',i),var);
output;
i+1;
end;
i=i-1;
call symputx('var_num',i);
run;
proc summary data=temp&where. nway missing;
var EE ult_loss1 ep eg claimcount1;
output out=result(drop=_type_ _freq_)
sum=;
run;
data total;
set result;
format class $50.;
class= "Total";
format line_name $30. ;
line_name = "&line_list.";
call symputx("RP_TOTAL", ult_loss1/EE);
call symputx("LR_TOTAL", ult_loss1/ep);
call symputx("GR_TOTAL", ult_loss1/eg);
run;
%macro line(var_number);
data &line_list.;
set _null_;
run;
%do j=1%to&var_number.;
proc summary data=temp&where. nway missing;
class &&var&j;
var EE eg claimcount1 ult_loss1 ep;
output out=&&var&j (drop=_type_ _freq_)
sum=;
run;
data &&var&j;
format class $50.;
format class1 $50.;
set &&var&j;
class1=&&var&j;
class= "&&var&j";
drop &&var&j;
run;
data &line_list.;
set &line_list.&&var&j;
run;
%end;
proc sort data=&line_list. out=allfactor;
by class class1;
quit;
%mend line;
%line(&var_num.)
procgenmoddata=temp&where.ORDER=FREQ;
class&var_list_fre./desc;
model frequency = &var_list_fre. /dist=poisson link=log Type1Type3
SCALE=deviance ;
odsoutput parameterEstimates=frequency
ModelFit=aic_fre
type1 = type1_fre
type3 = type3_fre;
weight EE;
run;
procgenmoddata=temp&where.ORDER=FREQ;
class&var_list_sev./desc;
model severity = &var_list_sev. /dist=Gamma link=log Type1Type3
SCALE=deviance ;
odsoutput parameterEstimates=severity
ModelFit=aic_sev
type1 = type1_sev
type3 = type3_sev;
weight claimcount1 ;
run;
procexport data=frequency
dbms=excel2000 replace
OUTFILE="&path.\1117glm_result_&Vehicle_type..xls ";
sheet=" &line_list.fre_est&part. ";
run;
procexport data=severity
dbms=excel2000 replace
OUTFILE="&path.\1117glm_result_&Vehicle_type..xls ";
sheet=" &line_list.sev_est&part. ";
run;
data frequency(keep=class class1 frequency_opt frequency_low
frequency_high);
set frequency;
format class1 $50.;
format class $50.;
class=parameter;
class1=level1;
frequency_opt=exp(Estimate);
frequency_low=exp(LowerWaldCL);
frequency_high=exp(UpperWaldCL);
drop parameter level1;
if class="Intercept"then class="AA_Intercept";
run;
data severity(keep=class class1 severity_opt severity_low severity_high);
set severity;
format class1 $50.;
format class $50.;
class=parameter;
class1=level1;
severity_opt=exp(Estimate);
severity_low=exp(LowerWaldCL);
severity_high=exp(UpperWaldCL);
drop parameter level1;
if class="Intercept"then class="AA_Intercept";
run;
procsortdata=frequency;
by class class1;
quit;
procsortdata=severity;
by class class1;
quit;
全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/633539.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Vue】Vue 路由的配置及使用

目录捏 前言一、路由是什么?1.前端路由2.后端路由 二、路由配置1.安装路由2.配置路由 三、路由使用1.route 与 router2. 声明式导航3. 指定组件的呈现位置 四、嵌套路由(多级路由)五、路由重定向1.什么是路由重定向?2.设置 redire…

奇安信天擎 rptsvr 任意文件上传漏洞复现

0x01 产品简介 奇安信天擎是奇安信集团旗下一款致力于一体化终端安全解决方案的终端安全管理系统(简称“天擎”)产品。通过“体系化防御、数字化运营”方法,帮助政企客户准确识别、保护和监管终端,并确保这些终端在任何时候都能可信、安全、合规地访问数据和业务。天擎基于…

C++类与对象【友元】

🌈个人主页:godspeed_lucip 🔥 系列专栏:C从基础到进阶 🎄1 友元🥑1.1 全局函数做友元🥑1.2 类做友元🥑1.3 成员函数做友元 🕮2 总结 🎄1 友元 生活中你的家…

ContentNegotiationManagerFactoryBean 内容协商

一.什么是内容协商 简单点说,就是同一资源,可以有多种表现形式,比如xml、json等,具体使用哪种表现形式,是可以协商的。 这是RESTfull的一个重要特性,Spring Web MVC也支持这个功能。 1.Spring MVC REST是如何决定采用…

深入了解性能优化(web应用)

影响一个系统性能的方方面面 一个 web应用不是一个孤立的个体,它是一个系统的部分,系统中的每一部分都会影响整个系统的性能 一.常用的性能评价/测试指标 1.响应时间 提交请求和返回该请求的响应之间使用的时间,一般比较关注平均响应时间。 常用操作的响应时间列表: 操作 响应…

深入理解Scrapy中XPath的`following-sibling`选择器

什么是XPath? 在深入following-sibling选择器之前,先简单了解一下XPath。XPath是一种在XML文档中查找信息的语言。它同样适用于HTML文档,因为HTML是XML的一种形式。XPath使用路径表达式在XML文档中进行导航。在网络爬虫框架Scrapy中&#xf…

探索 2024 年新副业:无人饮品机的新风向

随着科技的迅猛发展,无人饮品机作为一种全新的商业模式,正逐渐成为 2024 年副业的新风向。如果你还没有了解过这种全新的副业,那么现在是时候深入了解一下了。 D咖无人饮品机的优势在于其 24 小时不间断的营业模式,它可以在你睡觉…

Educational Codeforces Round 161 (Rated for Div. 2)补题

Tricky Template(Problem - A - Codeforces) 题目大意:现有三个模板字串a,b,c,都由小写字母组成,问能否找到一个字串s,使s与a,b匹配,与c不匹配,匹配的条件如下: 如果s的某位为小写…

边缘计算和联邦学习的联系

1. 什么是边缘计算? 边缘计算(Edge Computing)是一种计算模型,其主要思想是将计算、存储和数据处理能力推送到离数据源近的边缘设备,而不是依赖于远程的云服务器。这样做的目的是减少数据传输延迟、提高响应速度&…

web前端项目-中国象棋【附源码】

中国象棋 【中国象棋】是一款历史悠久、深受人们喜爱的策略类游戏。在Web前端技术中,我们可以使用HTML、CSS和JavaScript等语言来制作一款中国象棋游戏。玩家使用棋子(帅/相/士/炮/马/车/炮/卒)在棋盘上相互对弈,将对手的“帅”棋…

工作流管理框架airflow-安装部署教程

1 概述 Airflow是一个以编程方式编写,用于管理和调度工作流的平台。可以帮助你定义复杂的工作流程,然后在集群上执行和监控这些工作流。 Airflow计划程序在遵循指定的依赖项,同时在一组工作线程上执行任务。丰富的命令实用程序使在DAG上执行复杂的调度…

国产开源模型标杆,能力比肩ChatGPT!书生·浦语2.0发布,支持免费商用

1月17日,新一代大语言模型书⽣浦语2.0(InternLM2)正式发布并开源。 2种参数规格、3种模型版本,共计6个模型,全部免费可商用。 它支持200K超长上下文,可轻松读200页财报。200K文本全文范围关键信息召回准确…

Android13预装APP到data分区

修改步骤与Android11是差不多的,只是有部分代码所在位置不一样。 Android 11内置APP到data/app Android 8(O)预置APP到data/app 默认内置应用到data会出错 1970-01-01 08:03:54.499 1177-1177/system_process I/PackageManager: /data/app/xx changed; collecting…

Springboot日志框架logback与log4j2

目录 Springboot日志使用 Logback日志 日志格式 自定义日志格式 日志文件输出 Springboot启用log4j2日志框架 Springboot日志使用 Springboot底层是使用slf4jlogback的方式进行日志记录 Logback日志 trace:级别最低 debug:调试级别的&#xff0c…

Windows平台反调试技术学习

前言 前俩天的学习记录Windows上面的反调试学习,主要是参考《恶意代码实战分析》和《加密与解密》里面的,给每个小技术都写了程序示例,自己编译反调试了一遍。对于加解密一书是还有很多不理解的地方的,目前只能记录到这了&#x…

Nodejs 问题排查

前言 用于记录在使用 node 过程中遇到的问题,并尝试寻求解决方案。 问题 问题1 问题描述 访问前端页面时,页面返回 502/504。查看日志后发现,在一些出现问题的时间节点,会出现以下日志: epoll_wait() reported t…

自己动手写数据库系统:解释执行 update 和 delete 对应的 sql 语句

在上一节我们完成了 select 语句的解释执行,本节我们看看 Update 和 Delete 对应的语句如何解释执行,当然他们的实现原理跟我们前面实现的 select 语句执行大同小异。无论是 update还是 delete 都是对数据表的修改,因此他们的实现方法基本相同…

建筑类中级工程师职称证明业绩材料有哪些?

三、建筑类中级工程师职称造价类工程业绩材料 1.合同:证明项目合作关系的凭证。 2.预(结)算报告等(重点是体现封面有你的名字和执业印章等) 3.单位证明或任命书(本人在项目中的职务聘书) 4.工程获奖证明:项目获得市优的证书、省优…

Ubuntu 22.04.1 LTS VirtualBox7.0 解决虚拟机窗口失去焦点一段时间后,虚拟机显示不刷新问题

故障描述: virtualbox安装在ubuntu系统上,虚拟机内安装了windows操作系统。使用中发现,当linux系统窗口被激活,如firefox浏览器,虚拟机的显示一段时间后会暂停刷新,鼠标划入虚拟机窗口后,才会立…

分布式概念

文章目录 一、CAP定理和BASE定理1.1 CAP定理1.2 CAP取舍1.3 BASE定理 二、分布式事务2.1 柔性事务2.2 两阶段提交协议2.3 三阶段提交协议 三、分布式ID3.1 数据库自增ID3.2 数据库多主模式3.3 号段模式3.4 雪花算法3.5 Leaf3.6 使用Redis生成ID 四、限流算法4.1 固定窗口计数器…