非平衡大數(shù)據(jù)下的保險欺詐識別研究

范廣哲 劉瑾雯

【摘要】 隨著保險欺詐（Insurance Fraud）向全球蔓延，研究方法開始由定性研究向?qū)嵶C研究過渡。然而現(xiàn)有分類器的設(shè)計都是基于類分布大致平衡這一假設(shè)的，針對現(xiàn)實世界中廣泛存在不平衡數(shù)據(jù)這一事實，本研究對美國機動車保險機構(gòu)提供的車險索賠非平衡大數(shù)據(jù)，運用隨機森林（Random Forest）對欺詐進行識別預(yù)測，為構(gòu)建我國保險欺詐識別模型提出建議。

【關(guān)鍵詞】 保險欺詐 識別模型 隨機森林

國內(nèi)外保險欺詐（Insurance Fraud）識別研究 早期的識別模型主要是以 Logit 模型為主。Artis、Ayuso 和 Guillen 建立了 AAG 欺詐識別模型。Caudill、Ayuso、Guillen 建立多項分對數(shù)模型。

Ridit模型通過建立標準組，將其他組的數(shù)據(jù)與之做對比來計算 R 值。我國學(xué)者葉明華1，運用 Logit 回歸分析對識別因子進行精煉，將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用在車險欺詐識別中，得到了更高的準確率。

然而，在實際操作過程中，可能會因兩方面因素影響，導(dǎo)致準確率偏差：一是數(shù)據(jù)樣本小，缺乏對于現(xiàn)實中包含微弱信息的大型數(shù)據(jù)庫的數(shù)據(jù)分析。二是以理想的數(shù)據(jù)平衡狀態(tài)作為研究背景，脫離實際。

研究數(shù)據(jù) 研究樣本為美國車輛保險機構(gòu)提供的車險索賠數(shù)據(jù)，共包含 11336 項記錄。其中 94 年的數(shù)據(jù)為訓(xùn)練集（6141 條），95 年的數(shù)據(jù)為測試集（5195 條）。共有包括“車輛品牌”、“事故發(fā)生地”等在內(nèi)的 31 個自變量，一個應(yīng)變量“欺詐與否”，誠實索賠為 0，欺詐索賠為 1，正類樣本只占樣本總量的 6%，為兩分類非平衡大數(shù)據(jù)。

評價準則

目前分類算法常見的評價準則主要有：

（1） 準確率（Precision ）： Precision= TP / （ TP + F P ） ）

（2） 查全率（Recall）： Recall = TP / （ TP + FN ））

此外，人們從醫(yī)療分析領(lǐng)域引入了一種新的評判方法—ROC分析，其橫坐標是將負例錯分為正例的概率（FPR），縱坐標是將正例分對的概率（TPR），通常采用ROC曲線下面積AUC來代替ROC曲線對分類器的性能進行定量評估。在眾多現(xiàn)實分類任務(wù)中AUC已經(jīng)替代準確率成為分類算法的性能評價指標。

本研究選取AUC作為分類器性能評價準則。 保險欺詐識別中的隨機森林（Random Forest）應(yīng)用 Leo Breiman2將統(tǒng)計學(xué)理論中的數(shù)據(jù)分析分為數(shù)據(jù)建模文化（The Data Modeling Culture），例如線性回歸，邏輯回歸，Cox 模型等；算法建模文化（The Algorithmic Modeling Culture），典型模型是 Leo Breiman 在決策樹基礎(chǔ)上建立的隨機森林3。

相比數(shù)據(jù)建模文化，算法建模文化可以得到更有效的預(yù)測模型。隨機森林對缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較穩(wěn)健，可以很好地預(yù)測多達幾千個解釋變量的作用，而不需要對解釋變量進行交叉檢驗及精煉，從而避免刪除隱藏的有效信息。此外，隨機森林算法還不容易產(chǎn)生過擬合現(xiàn)象，被譽為當前最好的算法之一。

研究采用 R 軟件的 randomForest 程序包命令對數(shù)據(jù)進行分析。將訓(xùn)練集數(shù)據(jù)（1994 年數(shù)據(jù)）全部輸入，設(shè)置參數(shù)，500 顆樹（ntree），每個節(jié)點選取 5個特征值（mtry），構(gòu)建隨機森林欺詐識別模型。將測試集（1995 年數(shù)據(jù)）輸入模型中，得到欺詐預(yù)測輸出結(jié)果。圖為預(yù)測結(jié)果ROC曲線，得到AUC面積為0.724。用ROC曲線的AUC評價診斷試驗的準確性判斷標準為：AUC在0.5～0.7之間表示診斷價值較低，在0.7～0.9之間表示診斷價值中等，大于0.9則表示診斷價值較高4。

結(jié)論與建議

本文針對現(xiàn)實生活中存在的多為非平衡數(shù)據(jù)這一事實，對獲得的車險索賠大數(shù)據(jù)進行欺詐識別研究?；跀?shù)據(jù)的不平衡特性，選取AUC作為分類器性能的評價指標，利用94年的數(shù)據(jù)對95年的車險欺詐進行預(yù)測，很好的保證了研究樣本的

時間連貫性。 由于國內(nèi)目前的車險欺詐識別研究沒有針對非平衡數(shù)據(jù)的分析，研究結(jié)果沒有準確的比較標準，從醫(yī)療領(lǐng)域利用AUC進行評價的分類器性能研究中可以看到，大多數(shù)預(yù)測研究的AUC都在0.7～0.8之間，且研究樣本也并沒有如此龐大。由此可以看出，本文的研究結(jié)果在可接受范圍內(nèi)。 在進一步的研究中，我們將會進行國內(nèi)保險數(shù)據(jù)的收集和整理，規(guī)避人為的數(shù)據(jù)篩選，保持數(shù)據(jù)的原始性，通過進一步的研究分析，構(gòu)建符合國內(nèi)行情的，立足于現(xiàn)實的保險欺詐識別模型。

參 考 文 獻

[1]葉明華，基于 BP 神經(jīng)網(wǎng)絡(luò)的保險欺詐識別研究[J].保險研究，2011（3）：79-86

[2] Leo Breiman， Statistical Modeling： The Two Cultures[J].Statistical Science，2001，Vol. 16，No. 3： 199–231

[3] Leo Breiman， Random Forests[J].Machine Learning，2001，45（1）：5–32

[4] Bradley A P. The use of the area under the ROC curve in the evaluation of machine learning algorithms[ J ]. Pattern Recognition，1997，30（7）