律商风险车型风险等级元素周期表

在2023年4季度，律商联讯风险信息（LexisNexis Risk Solutions，以下简称“律商风险”）基于行业内独有整车库、乘用车库及零整比数据库建模分析，使用车险综改后千万级保险数据训练模型，绘制行业首张乘用车——车型风险等级元素周期表（以下简称“风险表”）。该风险表从品牌、车系、车组、车型4个层级对从车静态物理风险精准量化，满足保司从承保风险识别到精算定价建模的多层次需求。

车型风险等级概念自20世纪60年代在瑞典提出并在欧洲的英国、德国等国家得到推广后，已成为全球保险行业车险费率厘定的核心定价因子。例如，在韩国，2007年在行业费率中将车型分为262类，费率因子分组为21个水平（参见《Automobile Insurance in Korea Fact Book 2022》）。在中国，2020年车险综改将家用车的品牌车系分为约480类，费率因子分组为60个水平。

律商风险的高级数据科学家单翔表示：“正如门捷列夫根据元素原子核电荷数绘制元素周期表，我们依据车辆物理参数特征和易损配件维修价格指数，绘制出行业车型风险等级元素周期表，让保司从车静态风险识别的颗粒度精细至车型层级，对常见的约1万个车型厘定为997个费率因子水平，远高于行业的480类品牌车系的60个费率因子水平。这一成果将解决行业车险费率大表‘车系风险看不准、车型风险看不清、新车风险看不见’的痛点，也将为保险公司赋能，尤其是中小保险公司，使其具备媲美头部保司的车型风险细分的能力”。他进一步指出，行业基于品牌车系保有量进行编码，进行测算风险等级的主流模式存在如下弊端：

一是苦于样本量受限，中小保司车型风险细分难。通常，行业费率表和主流定价方式，是基于“车系、品牌+车种、进出口+车种、进出口、其他”的已赚车年保有量逐层次筛选进行分类编码，然后在GLMs模型中测算相对风险水平。对于原本风险相近的车型、车系，由于承保数量不足，容易导致风险分类错误，风险错配，在中小保司精算定价时矛盾尤为凸显。

表1：即便基于全行业车险数据的体量，仍然无法避免样本量局限

二是违背对车型风险理解的第一性原理。例如，对于不同品牌或车系的风险差异，不是从车辆尺寸（Exterior Dimensions）、动力性能（Engines）、维修经济性（Repair Cost Degree）、车身重量与平稳性（Base Curb Weights & Stability）、安全等级（Safety Index）等考虑，而是简单按照品牌车系名称分类，确定风险等级。

表2：列举律商风险车型风险表部分参数下的商业险车均赔款相对系数

三是不能满足业务扩展的需求。例如，中小保司对于含损业务、高价车原本就谨慎承保，该类业务承保理赔数据储备不足，导致风险识别难、评估难，含损业务规模拓展难；再如，即便对于大型保司，在面临新车型的风险计量上缺乏手段，特别是新车推出速度快的新能源车板块。

表3：AB Test案例：即便使用小样本建模，律商风险也能充分帮助客户至少额外提升5.3个百分点的风险区分能力。**

律商风险致力于解决车型风险识别在业界的普遍难题。通过深入分析车辆的物理参数和维修成本的经济性等核心风险因素，律商风险开发了一套全面的车型风险评估体系——一张表格纳尽全行业大约1万种常见车型的风险等级。这一风险评估表达到了全面的风险覆盖和量化，突破了传统方法的局限，为行业内车型风险等级的确定引入了创新的途径。这不仅打开了评估方法的新篇章，而且显著提升了车险行业的风险量化能力。（文/律商风险单翔、王军喜）