保险业务风险分析

《保险业务风险分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于数据挖掘的保险业务风险分析随着我国经济体制改革的深入发展和对外经济开放，全社会的风险意识和保险意识不断增强，保险作为风险管理的重要方法日益受到重视。我国自从1980年年恢复国内保险业务以来，保险业务得到持续高速发展，业务范围不断扩大，业务种类也不断增加。保险公司成功的一个关键因素是要在设置具有竞争力的保险费率和覆盖风险之间选择一种平衡。随着我国加入WTO,保险市场竞争将日趋激烈，设置过高的保险费率意味着会失去市场，而保险费率过低，又会影响公司的赢利甚至导致亏本。对于保险公司来说，保险是一项风险业务。保险公司的一项重要工作就是进行风险评估，它对保险公

2、司的正常运作至关重要。如果保险公司对其保险业务风险有一个准确的科学分析和预测，制定合理的保险费率，就会在市场中立于不败之地。目前保险公司对风险的分析通常是粗略的或根据经验来判断的。本文提出利用数据挖掘技术进行风险分析，在保险公司建立的保单及索赔信息数据库的基础上寻找风险较大的领域，从而得到一些实用的控制风险的规则，指导保险公司的工作。所谓数据挖掘，是指从已构建的大型数据库中高效地提取并发现隐含的、未知的、有潜在应用价值的模式或规则，为企业进行决策提供可靠的理论依据。数据挖掘技术包括关联规则挖掘、分类模型挖掘、特征规则挖掘以及趋势分析预测等，它综合利用统

3、计学、机器学习和人工智能的计算、分析和推理方法，将数据转化为知识（规律）。数据挖掘在一些专门行业已有成功的应用。例如，国外的大型商业企业，使用条码技术可收集存储大量的交易数据，对已发生的交易数据库获得有关客户购买模式的有用信息，并采取与之对应的促销措施，从而显著提高商业决策质量，取得了可观的利润回报。但数据挖掘技术在企业风险管理中的应用，尚不多见。本文以某市医疗保险数据为例，试图在这一方面作些探讨。1＞保险业数据挖掘的过程数据挖掘是扌旨从数据集中识别出规则或模式，它是一个多步骤的处理过程。在保险业务中数据挖掘通常包括以下几个步骤：①.数据准备数据挖掘的

4、处理对象是大量的数据，这些数据一般存储在数据库系统中，是长期积累的结果。但往往不适合直接在这些数据上面进行挖掘，需要做数据准备工作，一般包括数据的选择（选择相关数据）.净化（消除冗余数据八转换（连续型数据与离散型数据之间的转换）＞数据缩减（减少数据量）。如果挖掘的对象是数据仓库，那么这些工作往往在生成数据仓库时已经准备妥当。数据准备是数据挖掘的第一个步骤，也是比较重要的一个步骤。数据准备是否做好将影响数据挖掘的效率和准确度以及最终模式的有效性。本文选用的医疗保险数据库由个人信息表.单位信息表.索赔单据表等数据表组成。各表信息如表1至表3所示。表1:个人

5、信息个人保险号姓名性别出生日期单位编号全年工资投保日期320105430825107Wang男194308250002782550019980630320106641218612Zhang女196412180002781880019980630320103541012503Chen男195410120002791540019980701表2:单位信息单位编号单位名称地区编号单位类别投保LI期000158某市教育局0501（事业单位）19980701000159某市华宁派出所0401（事业单位）19980901000213某市外贸公司0302（企业单位）

6、19980910表3:索赔单据单据编号营业员编号个人保险号索赔金额索赔日期104610102320460580312404278.5019990228104610205320105480208127152.801999022810462010832010662071628083.3019990228在数据准备阶段，根据直观经验去除数据中的冗余信息，例如个人姓名.性别、单位名称.投保日期.营业员编号等，统计一定时间内个人进行医疗保险索赔的次数。在个人信息表的基础上，根据单位编号获取投保人的单位信息；根据个人保险号获取投保人的索赔次数。经过数据整理工作，得

7、到一张描述个人索赔信息的数据表格，如表4所示。个人保险号年龄全年工资单位类别地区编号索赔次数是否索赔320105470420152531500002（企业）0200（否）32010626010810774820001（事业）0321（是）320107381209254627500040181（是）①执行算法，生成知识这是数据挖掘最关键的步骤，也是技术难关所在。根据保险业务的特点，挖掘其关联规则、分类模型，找出索赔过的投保人有什么特征，没有索赔过的投保人有什么特征，进行索赔概率分析及趋势预测，从而提供风险控制规则。②规则模式的评估与解释第②步得到的规则模

8、式，可能没有实际意义或没有实用价值，也可能不能准确反映数据的真实意义，甚至在某些情况下与事实相