近年來，許多保險公司推出基于駕駛行為的保險（usage based insurance，簡稱“ubi”）作為用戶理賠率及保險費用的判斷依據。在現在廣泛流行的ubi的估價模型中，保險公司通過車載診斷系統或行車應用app 來記錄每臺車的車載數據，來監測司機的駕駛行為，為其行車風險進行打分，進而將該風險系數輸入下一步精算定價模型，不過這種估價模型忽略了將司機駕駛行為習慣結合實際道路環境下司機對不同情況反應處理進行風險評估考量。在這一點上，將更注重對駕駛實時環境的數據監測的adas技術應用到傳統保險行業的解決方案為后ubi時代人工智能和adas技術為汽車保險帶開了跨界新局面。本文將介紹歐美相對成熟的ubi產品及我國正在起步階段的ubi嘗試，覆蓋基于傳統基于車載數據的ubi以及利用adas的ubi。

作者 | 言青佳

一

ubi車險市場現狀簡述

目前 ubi 用戶主要集中在歐美國家。統計數據門戶statista的數據顯示全球車輛ubi市場預計將在2027年達到1050億美元的規模。而2018年這一指標只是150億美元。而市場調查公司global market insights提供了類似的數據，預計2026年全球該市場規模達到1150億美元。意大利是 ubi 滲透率最高的國家。而從 ubi 保單數量來看，美國年保單量位居全球之首。現階段中國 ubi 產品市場處于探索期，根據普華永道思略特的預測，若車險費率市場化完全放開，同時伴隨著車聯網 50% 的新車滲透率預期，保守估計 ubi 的滲透率在 2020 年可以達到 10%-15%，ubi保險面臨著 1400 億元的市場空間。

二

ubi車險中的人工智能技術

邊緣計算：在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務。其應用程序在邊緣側發起，產生更快的網絡服務響應，滿足行業在實時業務、應用智能、安全與隱私保護等方面的基本需求。

機器學習：機器學習是一門多學科交叉專業，涵蓋概率論知識，統計學知識，近似理論知識。是人工智能的核心，是使計算機具有智能的根本途徑。機器學習常見算法包括決策樹，支持向量機，隨機森林，神經網絡等。

廣義線性模型：是線性模型的擴展，通過聯結函數建立響應變量的數學期望值與線性組合的預測變量之間的關系。其特點是不強行改變數據的自然度量，數據可以具有非線性和非恒定方差結構。是線性模型在研究響應值的非正態分布以及非線性模型簡潔直接的線性轉化時的一種發展。

計算機視覺：是用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖像處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。當作為一個工程學科，計算機視覺尋求基于相關理論與模型來建立包括過程控制在內的計算機視覺系統，可應用于無人駕駛汽車。，查看相應選項。

三

人工智能在ubi車險中的應用分布

四

人工智能在ubi車險中的應用案例

progressive 于 1994 年首度提出 payd（payas you drive）保險，之后又陸續推出 autograph、tripsense 等幾代 ubi 產品，并于 2009 年正式推出引入駕駛員急剎車次數、夜間行車次數等數據的 ubi 保險產品 snapshot。其使用h20.ai開源機器學習平臺 利用機器學習算法基于從司機客戶收集的數據進行預測性定價，實現一人一車一家的定價模式。其遠程通信技術（融合了通信和it技術通過網絡實施遠程遙控）應用snapshot已經收集了140億英里的駕駛數據。

state farm 于2016年在數據競賽平臺kaggle發起了一項根據包括司機照片在內的數據集對司機駕駛行為進行打分的競賽，最終排名第一的成績達到87%的準確率。該公司已推出in-drive產品，根據司機駕駛行為提供可高達50%的車險費率折扣。同時該公司另有也同為ubi的hiroad計劃。

metromile 提供正好與行駛里程相匹配的基于使用情況的保險定價策略，即先設定一個每月基礎費用，再設定一個每英里的費用率。metromile通過無線通信車載設備metromile pulse——一個可以插進汽車診斷端口的小型電子器件——來搜集行駛數據，其不同點在于它承諾不考慮你的駕駛行為，只考慮你的駕駛距離。

鼎然科技成立于深圳，將成熟的國際ubi精算定價模型與國內車險市場需求相結合，滿足國內市場結構優化及監管需求的產品。北美海歸精算師帶領的精算師團隊通過借鑒美國ubi經驗，結合國內市場情況和數據，打磨出一套本土化的ubi大數據精算模型，并隨著行車數據的不斷積累而迭代更新。同時，鼎然科技自主研發為ubi數據采集“路比”系列車載智能設備。

好好駕駛以 adas 切入 ubi 數據領域，自主研發基于多種傳感器融合的“駕駛行為分析系統”，從人、車、路多維度出發，實現了按行程、每日、每月為駕駛員進行打分的功能，能夠時時監控駕駛員的駕駛行為，識別潛在的駕駛行為風險，降低車險滿期賠付率。公司現擁有人工智能、云計算、駕駛行為評分模型、ubi 指數模型等多項技術，傾力打造國際領先的基于adas的ubi汽車大數據公司。

五

人工智能在ubi車險領域的局限性

數據風險：ubi必然要求收集車主駕駛及車輛行駛的各方面的數據，同時可能會伴隨著對車輛地理位置的追蹤。這帶來了非常敏感的安全性和隱私保護方面的考量。在本地進行數據處理的邊緣計算是降低數據泄漏風險的一個辦法。若需要進行聯網數據傳輸，那么加密或是不可逆操作的數據處理方法則顯得非常重要。

模型的非普適性：歐美的ubi模型在中國落地面臨著水土不服的問題。概因海內外車主駕駛風格有異、風險因素偏重不同，以及城市中車輛密度所帶來的風險系數差別等原因，國外成熟的模型應用在國內的數據上需要進行不少本土化的嘗試。

六

人工智能在ubi車險領域的發展趨勢

風險側重差異化：隨著自動駕駛技術的發展，駕駛風險側重將從司機轉向汽車制造廠商以及設計智能技術的公司。

產業鏈數據完整化：如今互聯網大廠擁有數據和模型，專業數據公司未必能獲得市場規模和信任，保險公司體量巨大并不十分在乎車險的創新。伴隨市場接受程度的提升，產業鏈將逐步成熟，保險領域數據行業將由分散趨向完整。

定價監管智能化：在個性化定價起步階段市場出現各種隨意修改或變相修改條款、費率水平的現象。但過于嚴厲的監管可能會限制車險產品的創新。而伴隨保監機構同樣在采用智能化技術，其監管條例的制定也將更加靈活和智能化。

* 本文為「智周」系列報告「核心版」，相應「深度版」的推出計劃將在后續公布，敬請大家關注。針對「人工智能在ubi車險中的應用與展望」這一主題，有哪些方向或主題，你希望在報告深度版中讀到詳細的闡述與分析，歡迎留言，這將成為我們制作報告深度版的重要參考。

原標題：《人工智能與智能駕駛如何推動車險客制化 | 智周報告核心版》