보험 사기 분석의 주요 문제 중 하나는 사기 방법 및 범위에 대한 시스템 정보가 부족하다는 것입니다. 청구인은 보험사들에게 그들이 어떻게 보험 회사를 사기에 성공했는지 알려주지 않을 것이며, 보험사들은 반사기 방면에서 약해지기를 원하지 않으며, 심지어 동료들과 더 많은 반사기 정보를 공유하고 싶지 않다. 이는 자신의 정보 우세를 드러낼 수 있기 때문이다. 이러한 상태는 사기 청구의 빈도를 측정하고 사기 손실의 금액을 평가하는 데 많은 어려움을 가져왔다. 따라서 다양한 사기 방지 기술 및 방법의 효과를 더 잘 평가할 수 있도록 이 분야에 대한 연구가 필요합니다. 사기 인정의 문제는 사실 배상 분류의 문제이다. 배상은 가장 간단한 범주, 즉 사기 배상과 합법적인 배상으로 나눌 수 있기 때문이다. 효과적인 청구 분류 메커니즘을 찾는 것은 보험회사가 보험 사기를 식별하는 가장 근본적인 방법이다. 이 데이터 분석 프로세스는 다음 단계로 나눌 수 있습니다.
(1) 데이터 수집
통계 분석 기술을 사용하기 전에 보험회사가 가장 먼저 직면한 문제는 보험 사고 (운전자, 차량, 시간, 장소, 목격자, 경찰 보고 등) 를 포함한 사기 데이터를 수집하는 것이다. ), 청구인 (성별, 나이, 실업, 클레임 역사 등. ), 청구 정보, 상해 및 의료 조건. 데이터가 없으면 다음 프로세스는 불가능하다고 할 수 있습니다.
(2) 사기 지표 선택 (붉은 깃발이라고도 함).
부정행위 지표는 부정행위의 특징을 설명하고 분류 모델에서 변수를 해석하는 측정 가능한 정보 포인트입니다. 예를 들어, 미국 매사추세츠주 PIP (인신상해 보호) 의 수많은 사기 특징에서 10 의 통계적 중요도를 가진 식별점을 선별했습니다 (표 1 참조). 보험 환경, 보험종류에 따라 사기 지표가 다를 수 있다. 통계적 차원 감소 기술 (예: 점진적인 회귀, PRIDIT) 을 전문가의 의견과 결합하여 효과적인 사기 지표를 식별하고 비용과 정보 수집의 시간차를 주의해야 합니다.
⑶ 통계 방법을 사용하여 모델을 수립한다.
위의 두 단계를 기반으로 다음 모델링 및 분석 프로세스에는 다음 단계가 있습니다.
I. 동질성을 보장하기 위해 청구 데이터를 클러스터링하기 위해서는 지정된 샘플이 분류되지 않은 경우에 매우 적합한 감독되지 않은 방법을 사용해야 합니다.
둘. 전문가 평가. 경험 많은 전문가는 청구 데이터를 사기와 합법으로 나누었다. 여기서 문제는 주관적이고 전문가의 의견은 반대일 수 있지만 모델링 과정이 전문가의 의견과 역사적 경험을 흡수한다는 점이다.
셋. 분류 샘플을 사용하면 안내 도구를 통해 범주와 사기 지표 사이에 분류를 모델링할 수 있습니다. 모델의 예측 능력 외에도 최적의 분류 모델의 경우 모델링의 비용과 모델의 실현 가능성을 고려해야 합니다.
넷. 결과를 감시하다. 모델의 안정성 검사: 하나 이상의 샘플에서 모델의 예측 결과가 I 및 ii 와 일치하는지 확인합니다. 모델의 동적 테스트: 실시간으로 모델을 조정하여 모델의 인식 기능을 실시간으로 최적화합니다.
실제로 이상 값을 식별할 수 있는 모든 통계 방법을 사용하여 위의 모델링에 대한 사기 데이터를 식별할 수 있습니다. 데이터 마이닝, 퍼지 클러스터링, 단순 회귀 모델 등 Logistic 회귀 모델, probit 모델, PRIDIT 주성분 분석, 다원신경 네트워크 방법 및 전자 사기 탐지 기술 (EFD) 은 위에서 설명한 모델링 프로세스 사고와 유사합니다. 이러한 방법들은 그림 2 와 같이 클레임 분류에서 이론적 틀이 일치한다.
마지막으로, 사기 인식 시스템에서 회수한 청구 금액과 발견된 사기 청구 수가 측정 시스템의 기본 척도이며, 관찰된 사기 청구에 대한 추가 통계 분석을 통해 보험 시장에서 사기의 비율과 유형을 제공할 수 있습니다. 그러나 아직 완전 자동 부정행위 식별 모델이 없으므로 부정행위 지수 변수, 무작위 감사 및 지속적인 추적 모니터링을 지속적으로 업데이트하여 부정행위 식별 시스템의 지속적인 유효성을 유지해야 합니다. 그러나 우리나라의 보험 사기에 대한 연구는 질적 묘사로 제한되며 보험 사기의 특징, 원인 및 예방 조치에 초점을 맞추고 있다. 예를 들어, 문장 (WHO) 는 국내 보험 사기의 주요 표현을 요약했습니다.
(1) 부당한 "손실" 을 보험 손실로 변환하는 환상을 만듭니다.
② 과도한 보험
③ 이중 보험
④ 손실을 위조하거나 과장한다.
⑤ 사기보험의 원인은 사회 보험 사기에 대한 보편적인 관용, 보험 가입자의 성실성 부족, 보험 기업 내부 관리 제도의 문제, 보험 법률 법규 체계가 미비한 등 다양하다. 원인 에 대해 학자들 도 각종 방범 조치 를 제기 했 다. 예를 들면 사회 방범: 소비자 정확한 인식 보험 사기 의 피해 를 국가 전문 반보험 사기 기구 를 강화 하 고 반보험 사기 의 법제 건설 과 법 집행 을 중시 하 고 보험 위험 의 방범 을 기업 내 의 경영 모델 을 변경 했 다. 최근 일부 학자들은 외국의 선진적인 사기 방지 기술을 참고함으로써 더욱 구체적인 예방 조치를 제시했다.
중국의 보험 사기 예방 및 신용 건설 강화에 대한 제안
국내 보험학자들은 보험 사기에 대한 정성 분석과 각종 예방방법을 통해 국내 보험업체들의 반사기 행위에 대한 거시적인 방향을 분명히 하고 보험 청렴성 건설에 큰 의미를 부여한다. 하지만 오늘은 데이터가 말하는 시대입니다. 데이터에서 발굴된 정보는 칼처럼 보험업계의 결정에 중요한 도움을 줄 수 있습니다. H. Bolch 는 "일반적으로 과거의 배상 기록은 향후 몇 년간의 배상 지출을 예측하는 데 중요한 역할을 한다" 고 지적했다. 게다가, 서로 다른 보험회사들은 이러한 예측에 대해 일관성이 높다. " 보험의 역사적 데이터는 미래의 예측과 계시에 매우 중요하다는 것을 알 수 있다. 따라서 중국이 보험 사기 연구 분야에서 눈에 띄는 성과를 거두려면 다음 사항에 유의해야 한다고 생각합니다.
보험회사는 사기 사건을 면밀히 분석하고, 유용한 사기 식별 필드를 추출하고, 보험 사기 사례 데이터베이스를 구축해야 한다. 이 데이터와 정보는 모든 보험회사가 공유해야 한다.
보험회사는 부정 방지 연구와 분석 인재를 늘려야 한다. 이러한 인력은 인적 자원, 데이터 마이닝 기술, 보험 외부 컨설턴트, 통계 분석 기술, 모니터링 시스템 등에 대한 지식과 능력을 갖추어야 합니다. 컴퓨터 소프트웨어, 사전 설정 변수, 통계, 수학 분석 기술, 지리 데이터 매핑 등을 활용하여 자동 식별 모델을 구축하여 보험회사의 배상 결정과 사기 방지에 역할을 할 수 있습니다.
사회적 관점에서 볼 때, 학술계와 보험 실무계의 소통 경로를 확립하여 생산, 학습, 연구를 결합해야 한다. 칼. H. Bolch 는' 보험경제학' 에서 "보험통계 부족으로 보험연구는 금융에서 흔히 볼 수 있는 이론과 실증 연구의 상호 촉진 작용을 충분히 발휘할 수 없다" 고 말했다. 보험 데이터와 정보의 부족은 우리나라 보험 사기 연구가 약한 이유 중 하나이다. (금융 및 보험)