载入中…
公告栏:
当前位置: 中国商业智能网 >> 案例 >> 保险行业 >> 文章正文
国内外保险欺诈研究现状分析
作者:佚名    来源:本站原创    点击数:    时间:2007-4-4
【摘要】        诚信建设对中国保险业的健康稳定发展是很重要的,保险公司一方面要不断完善本身的诚信机制,另一方面也要研究诚信缺失危机的对策。保险索赔欺诈是保险消费者诚信缺失的一种表现形式,对于保险欺诈(insurance ……

        诚信建设对中国保险业的健康稳定发展是很重要的,保险公司一方面要不断完善本身的诚信机制,另一方面也要研究诚信缺失危机的对策。保险索赔欺诈是保险消费者诚信缺失的一种表现形式,对于保险欺诈(insurance fraud)的深入研究无疑将对中国保险业的诚信建设有所帮助。时至今日,保险欺诈已经成为国际保险业非常关注的一个问题,因为保险欺诈不仅侵犯了保险人的权益,而且也是对社会财产和社会安全稳定的侵害,更重要的是保险欺诈所带来的逆选择将慢慢摧毁整个保险业。近20年来很多专家学者对保险索赔欺诈的识别技术和防范措施作了深入的研究,然而国内这方面的定量研究基本处于空白,故本文尝试通过总结介绍国内外保险欺诈研究的现状,以引起我国保险界对保险欺诈定量研究的重视。

  一、国外保险欺诈的研究现状

  (一)国外研究中对保险欺诈的定义及分类

  严格意义上讲,保险业的欺诈行为有两种,因为保险当事人双方都可能构成欺诈:或者使承保人承保不应该承保的风险,或者使保险人付出不应付的赔偿。本文研究的保险欺诈仅限于后者,即投保方(投保人、被保险人和收益人)的索赔欺诈。在保费收入比例较大且索赔频率较高的险种中更容易发生欺诈。

  在国际上保险欺诈没有统一确定的定义。但可以从参考文献中总结出保险欺诈的四个特征:

  ①以图谋诈骗为手段;

  ②以从保险公司的赔偿中得到钱财或其他利益为目的;

  ③欺诈是一种故意而自愿的行为;

  ④是与法律相违背的。

  然而综合这四个特征得到的保险欺诈定义太为严格,不适合进行专业研究,所以很多作者在对保险欺诈作定量研究时会首先给出所要考虑欺诈的相对范畴,例如作者所研究的欺诈定义为索赔人承认骗赔或者保险公司拒赔或者撤销保单。

  根据不同的欺诈定义可以将保险欺诈进行分类,基本上可以概括为如图1所示。


    图1中的“=”表示“又称之为”。

  在参考文献中解释:

  夸大损失:指索赔人或者医务人员试图通过故意夸大人身伤害的程度以得到更大的补偿,一般针对扭伤或拉伤造成的损失。

  机会性欺诈:指在发生意外事故后,投保人才意识到通过伪造受伤或者将以前的事故编入此次事故索赔中等欺骗手段从保险公司获取利益。

  计划性欺诈:指一种故意的犯罪行为,企图通过虚构的不存在的保险事故向保险公司进行索赔。

  机会性欺诈与夸大损失不同之处在于:前者事故发生是真,但有部分索赔所对应的损失要么是伪造的,要么与此次事故无关,而在夸大损失欺诈中事故所导致的损失是真没有虚假成分,但是在进行索赔时损失程度或者医治成本被夸大。机会性欺诈是一种后验意识,而计划性欺诈是一种先验意识。犯罪欺诈和不正当使用(abuse)的区别在于前者是一种犯罪行为要涉及到法律上诉最终由法院宣告有罪,而后者是一种民事违法行为但没有构成犯罪一般由保险公司和被保险人协商解决。

  (二)国外保险欺诈的测量研究

  目前国际上对保险欺诈的定量研究主要有保险欺诈的测量(fraud measurement)、保险欺诈的识别(fraud detection)和保险欺诈的防范(fraud deterrence)。保险欺诈的测量是要衡量保险市场上的欺诈情况,而保险欺诈的识别和防范则是保险公司对待索赔欺诈的两种对策研究,前者主要是基于对索赔数据的统计分析产生能够有效识别欺诈索赔的应用策略;相应后者主要是保险契约的理论研究或者是保险公司资源重新配置(resource relocation)问题,以及对最优审核策略的性质进行预测以制止索赔欺诈的发生。

  1.保险欺诈的测量

  保险欺诈的测量主要是计算保险市场上存在欺诈索赔的百分比,以此来反映该市场上欺诈情况是否恶劣。这个比例与当地的自然状况、社会背景等因素有直接联系。关于欺诈测量的专业性研究,Derrig指出进行欺诈的测量首先应该有有效的欺诈定义,即所要测量的欺诈范围或类型。至于所用的测量方法也不尽相同,利用计数估计法问扣ount data estimator)得到加拿大魁北克省(Quebec)1994年车险欺诈率为9.5%,保险人能发现的欺诈的比例仅为1/3,说明保险人没有有效识别欺诈案例;对保险欺诈的测量作了改进,作者利用logistic模型的确定项(解释变量)中加入一个遗漏错误因子 (omission errors factor)得出西班牙 1993年—1996年的车险中大约至少有5%的合法索赔中含有欺诈成分未被发现。

  分析保险欺诈的一个主要问题是缺乏关于欺诈方式和范围领域的系统性信息。索赔人不会向保险人说出他们是如何向保险公司成功骗保的,而保险人也不愿意在反欺诈这方面示弱甚至也不想和同行分享更多的反欺诈信息,因为这样可以显示他们自己的信息优势。这样的状态给测量欺诈索赔的发生频率和评估欺诈损失额带来很多困难。因此这方面的研究还有待发展以便能够更好地评估各种反欺诈技术方法的效用。


    2.保险欺诈的识别技术

  欺诈的识别问题事实上即是索赔分类问题,因为可以将索赔进行最简单的分类:欺诈索赔和合法索赔,寻找一种有效的索赔分类机制对保险人员来说是识别保险欺诈最根本的方法。这一数据分析过程可以分成以下几步进行:

  (1)数据的搜集

  在用统计分析技术之前保险公司的首要问题是搜集欺诈数据,数据的信息包括所发生的保险事故(涉及到的司机、车辆、时间、地点、证人、警察报告等信息)、索赔人(性别、年龄、失业情况和索赔的历史记录等)、索赔信息、受伤情况和医疗情况。没有数据以下这些过程可以说无从谈起。

  (2)选择欺诈指示因子(fraud indicators也称为red flags)

  欺诈指示因子是指能够刻画欺诈特征的一些可测信息点,在分类模型中充当解释变量。例如,从美国马萨诸塞州的个人伤害防护险(personal injury protection,简称PIP)的大量欺诈特征中筛选出10个统计上比较显著的识别点(见表1)。不同的保险环境不同的险种会有不同的欺诈指示因子,要将统计降维技术(如逐步回归、PRIDIT等方法)和专家意见相结合确定有效的欺诈指示因子,另外还要注意成本和信息得到的时差性。

  (3)利用统计方法建立模型

  有了上两步作基础,接下来建模分析过程有以下几步:

  i.将索赔数据进行聚类,以保证同质性,需要使用五指导性分类工具(unsupervised method),当所给的样本没有分类时这一步很适合。

  ii.专家的评估。有经验的专家对索赔数据分为欺诈和合法两种。这里存在的问题是主观性比较大而且专家之间的观点还可能相悖,但优点是建模过程吸取了专家意见和历史经验。

  iii.有了分类样本即可通过指导性工具在类别和欺诈指示因子之间建立分类模型,最佳的分类模型除了考虑模型的预测能力外建模的成本和模型的可实现性也是必须要想到的。

  iv.对结果的监测。模型的稳定性检验:要检验模型预测的结果与i和ii的结果在一个或多个样本上是否一致;模型的动态性检验:模型的实时调整以使模型的识别能力实时达到最优。

  事实上,所有能够识别奇异点(outlier)的统计方法都可用来识别欺诈数据用到上述建模中。如 数据挖掘、模糊集聚类、简单的回归模型。logistic回归模型、probit模型、PRIDIT主成分分析、多元神经网络方法以及思想与上述建模过程类似的电子欺诈识别技术(Electronic fraud de tection简称EFD)等。这些方法在索赔分类中的理论构架是一致的,如图2所示。


    最后,由欺诈识别系统而挽回的索赔额和发现的欺诈索赔数目是度量该系统的基本测度,而对观测到的欺诈索赔进一步的统计分析可以提供保险市场欺诈的比例和存在的欺诈类型。但是完全自动的欺诈识别模型是不存在的,我们需要不断更新欺诈指示变量、随机审核和连续性的跟踪监测来保持欺诈识别系统的持续有效性。

  (三)保险欺诈的防范理论

  保险欺诈的防范从一开始就杜绝欺诈的发生,为此要在保险契约中制定必要的条款防止索赔人欺骗保险公司。在理论研究领域重视的是寻找理赔过程中最佳的审核(audit)策略,主要运用委托—代理人(prineipal-agent)的经济学理论假设保险人在收到任何索赔之前已经设计了审核方案,如此设计的意图是认识到索赔人可能会虚报损失企图使个人的效用达到最大,而保险人会通过审核确定被保险人的真实损失额(有时保险人也会无能为力),但审核是需要成本的,所以保险人要平衡审核成本和索赔额的大小,对于利润上不值得审核的索赔直接赔付,总之保险人的目的是要保证总成本(保险公司的赔偿和审核成本之和)最小,这也是设计最优审核策略的目的之所在。

  目前在理论上主要考虑两种情形下的最佳审核方案:花费成本验证成功(costlystate verification,以下简称CSV)和花费成本无法验证(costly state falsification,以下简称CSF)。在CSV框架下假设事故的实际损失只有被保险人知道,而保险人必须花费一定的成本搜集信息发现真正的损失额,从而消除被保险人的信息优势,此时需要考虑的经济问题是如何设计一个最优的审核方案保证最低成本(包括保险公司的赔偿和审核成本)、最大利益的实施审核技术。相反CSF则假设保险人在合理的审核成本下仍无法成功识别欺诈索赔,被保险人的信息优势不会受到审核的影响,同时假设被保险人会花费一定的成本故意夸大事故的实际损失,在这样一个背景下构造的最优方案要平衡被保险人的利益和被保险人利用保险公司的赔偿进行欺诈的动机这两者之间的关系。另外还有一种情形的研究与 CSF类似,不同的是被保险人通过逃避(有逃避成本)阻止保险人员在审核时得到任何信息致使审核失败。这方面的理论及新发展可以参阅文献。

  作者得到CSV框架下的最优解:对于损失小于m的索赔不进行审核并且均给予同一赔偿额r(r ERPAYMENT),即Ry;另外,除了具有最小损失x和最大可能损失x外的所有索赔人都有虚报损失的现象。最优解图示见下页图4,从图中可以看到赔偿额随索赔额的增长而平缓增长,这是因为在 CSF模型中保险人观测不到被保险人的真正损失额,所以对于欺诈索赔要给予较少的补偿,另一方面也顾及到被保险人的损失额不同和低赔付造成的保险公司名誉损坏。


    二、国内保险欺诈的研究现状

  随着国内保险业的发展,保险欺诈也随之而来并向严重趋势发展。在我国保险欺诈主要表现在车险和健康险。另据中国理赔网的不完全统计,从2005年3月到2006年3月保险欺诈案例共计66例,平均每月5.5起。另据业内专家估计我国保险诈骗金额占赔付总额的20%到30%之间,而全球此比例仅为15%。对此国内保险领域的学者开始研究分析保险欺诈的成因及防范对策,这无疑将对保险业的诚信建设和反欺诈行动提供重要的帮助。

  然而,国内在保险欺诈的研究仅限于定性描述,基本集中在保险欺诈的特征表现、成因和防范对策三个方面。如文章总结出国内保险欺诈的主要表现:

  ①制造假象,将无端“损失”转化成保险损失

  ②超额保险

  ③重复保险

  ④伪造或夸大损失

  ⑤伪造投保和出险时间

  产生保险欺诈的原因也很多,例如社会对保险欺诈的普遍容忍,投保方缺乏诚信,保险企业内部经营管理制度存在问题以及保险法律法规体系不完善等等。针对原因,学者们也提出种种防范对策,诸如提到的社会性防范:引导消费者对保险欺诈危害性进行正确认识、成立全国性的专门反保险欺诈机构、加强反保险欺诈的法制建设和执法力度,而对企业内部需要转变经营模式重视保险风险的防范、加强同业合作全面打击保险欺诈、健全保险企业的经营管理制度和内部监控管理机制、完善保险条款剔除欺诈责任。近来通过借鉴国外先进的反欺诈技术有学者提出更为具体的防范措施。

  三、我国防范保险欺诈加强诚信建设的建议

  国内保险领域的学者对保险欺诈所作的定性分析以及各种防范方法为国内保险企业的反欺诈行动明确了宏观方向,对于保险诚信建设很有意义。然而,我们应该看到现今是一个让数据说话的时代,从数据中挖掘出的信息会为保险业的决策提供重要的帮助,正如挪威著名保险学家卡尔·H.博尔奇指出:“一般来说,过去的赔款记录对于预测未来几年的赔款支出具有重要作用。而且,不同的保险人之间对于这些预测有着高度的一致性。”由此可见保险历史数据对未来预测和启示作用是至关重要的。因此我们认为我国要在保险欺诈研究领域有显著的成果出现还需注意以下几点:

  保险公司应该对欺诈案例进行认真分析,从中提取有用的欺诈标识字段建立保险欺诈案例数据库。这些数据信息应该为所有保险公司共享。

  保险公司应该增加具备反欺诈研究分析的人才,这些人员要具备人力资源、数据挖掘技术、保险外部顾问、统计分析技术和监测系统等方面的知识和能力,能够利用计算机软件、预设变量、统计学、数学分析技术和地理数据绘图等方法建立自动识别模型以在保险公司制定赔偿决策和反欺诈方面发挥作用。

  从社会角度讲应该建立学术界和保险实务界的沟通渠道,做到产、学、研相结合。卡尔· H.博尔奇在《保险经济学》中说到:“由于保险统计资料的缺乏,保险学研究中无法发挥金融学中常见到的理论和实证研究相得益彰的相互促进作用。”保险数据信息的匮乏是导致我国保险欺诈研究比较薄弱的原因之一。

责任编辑:朱莉   
 
  • 上一个方案:

  • 下一个方案:
  • 发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口
    ChinaBI版权、投稿与免责申明:
    1)凡本网署名文字、图片和音视频稿件,版权均属中国商业智能网所有。任何媒体、网站或个人未经本网协议授权不得转载、链接、转贴或以其他方式复制发表。已经本网协议授权的媒体、网站,在下载使用时必须注明稿件来源:中国商业智能网,违者本网将依法追究责任。
    2)本网注明“本站来源处不写本站原创”的文章均为转载稿,本网转载出于传递更多信息之目的。如本网转载稿涉及版权等问题,请作者速来电或来函与本网联系。
      网友评论:(只显示最新10条。评论内容只代表网友观点,与本站立场无关!)
    最新热点
    最新推荐
    网站合作、内容监督、商务咨询、投诉建议 电话:0512-62861389  邮箱:chianbi@126.com
    Copyright 2004-2014 中国商业智能网版权所有   |    苏 ICP 备 13004727 号