今日的驾驶员,未来的乘客 理解各类保险风险,准备迎接自动驾驶的未来 SwissRe今日的驾驶员,未来的乘客3 前言4 我们对机动车风险的观点6 逐渐脱离传统风险模型7 车联网技术的作用9 车辆风险10 瑞再的车辆风险评估方法10 瑞再ADAS风险评分11 瑞再EV风险评分15 关于驾驶员、车辆和环境风险的整体看法16 从新的风险模型到新的业务模型18 从驾驶员转变为乘客:自动驾驶汽车将如何影响风险格局19 总评22 4SwissRe今日的驾驶员,未来的乘客 前言 尊敬的读者: 社会的变革和发展要素持续对汽车行业带来重大影响。这些要素包括政府对新能源动力车辆的大力倡导、新冠疫情及随之而来的经济后果(例如芯片和原材料短缺)、战争、社会人口结构变化和技术进步。 因而,保险公司的车险业务也面临着诸多变化。瑞士再保险的研究1表明: 到 2040年,全球汽车保费预计将翻一番,达到将近 1.4万亿美元。 虽然保费在增长,但汽车板块在总风险池中的占比预 计将会减少,从目前占全球行业保费的42%,预计下降到2040年的32%。这种发展可归因于两个因素:第一,在气候风险变化的推动下,财产险业务增长最快;第二,经济发展推动了其他财产和意外保险业务的增长,例如水险、航空险、信用保证保险等特殊险种。 新兴市场预计将与更多人休戚相关;来自这些市场的汽车保费份额预计将从2020年的26%上升到2040年的46%。 1https://www.swissre.com/institute/research/sigma-research/sigma-2021-04.htmlhttps://www.swissre.com/institute/research/sigma-research/sigma-2021-04/sigma4-in-5-charts.html SwissRe今日的驾驶员,未来的乘客5 预 计会出现从个险到团险的转变。一方面,团险的保 这是保险公司跟上车险业务变化步调的关键时刻。因 费增长率预计将从2020年的23%增加到2040年的27%;另一方面,由于共享经济模式的推广,以及安全技术进步带来的事故频率/车均理赔成本降低,个险的增长预计将会放缓。 新技术可能会使汽车变得更加复杂。普遍认为高级辅助驾驶系统(ADAS)功能可以减少事故率和赔付成本,现代汽车产生的数据在风险选择和定价方面的重要性将与日俱增。 此,我们希望通过多年来在全球层面积累的技能、专业知识和解决方案来支持这一转变。. 本文总结了我们过去的经验、现在为止积累的知识,以及对机动车风险未来的愿景。瑞士再保险的车险解决方案团队及其车联网公司Movingdots汇集了世界各地的专家。他们都为这份见解深刻的作品做出了卓越贡献,为您呈现全面、周详、深入的机动车风险洞察与见解。 希望您喜爱本出版物,也希望借此激发一些有关汽车行业未来发展的宝贵讨论。 此致 AndreaKeller 车险解决方案主管 动态 我们对机动车风险的观点 图1: 机动车风险多维视图 人机交互 车联网 车联网 车联网 传统风险模型 位置评分 车辆评分 静态 驾驶员驾驶环境驾驶工具 数十年来,车险一直是财产和意外险之中的支柱型细分领域之一,有着低风险、规模大的特点。因此,保险公司之间的竞争非常激烈,这个领域的任何新事物,只要对其产品组合的业绩指标有轻微影响,都值得去深入探究,最终也会成为必要考量因素。 为了在竞争中占据优势,保险公司需要充分考虑汽车行业的技术进步以评估其产品和风险模型,并及时利用一切可以获得的额外数据源。这一动机对近期发展的刺激最大,并引出了以下观点:整体而言,车险风险是与在特定环境下使用特定车辆的特定驾驶员相关的风险。保险公司在核保时应能够估计这些风险因素。为实现这一目标,保险公司应考虑尽可能详细地描述这些因素的变量 (即指标): 1.驾驾驶员风险由描述掌控方向盘者的驾驶行为的一组变量表示 2.车辆风险由描述车辆降低事故风险能力的一组变量表示 3.环环境风险由描述可能以某种方式影响事故风险的环境特征(例如路况、天气、位置等)的一组变量表示 用于此类估计的数据性质可为静态、动态或二者的组合。 说到静态数据,我们通常指的是驾驶员、环境和/或车辆的与时间无关的特征 (提供某变量在某时点的快照)。这些特征在特定时间范围内(从保单生效日期到保单失效日期)不会发生变化,或者记录频率非常低(通常是在每次生成保单或续签保单时记录),并且/或者通常采用在长时间内不随时间变化的信息形式(如:邮政编码、职业、驾驶执照验证日期)。 另一方面,由定义可知,动态数据会经常发生变化(例如,加速计数据每秒变化10次以上)。此类信息用于识别基于加速的事件,例如急刹车、超速、手机移动和屏幕交互;可通过专用装置(例如手机应用、硬件设备)收集,也可由车辆本身直接产出。后一种方案的吸引力在不断提升,因为由此得到的数据具有更高的质量、精细度和采集频率,可能带来更准确的风险预测(请参阅关于车联网的部分)。 在本出版物中,我们会向读者介绍机动车风险的各个方面,如图1所示。我们将首先阐释如何基于车联网技术,利用动态数据了解驾驶员和环境风险,从而提升传统风险模型的能力。然后,我们将阐释新兴车辆技术在改善机动车安全(并因此对保险理赔产生重大影响)方面的重要性。最后,我们会总结对机动车风险进行评估建模的最佳实践,本质上可以动态地综合考虑所有风险维度。随着交通自动化程度的逐渐提升,这样的方法将变得格外适用。 驾驶工具 环境 驾驶员 传统风险模型 车联网 位置评分 车联网 车辆评分 车联网 静态动态 逐渐脱离传统风险模型 人机交互 传统上,车险模型依赖一组主要描述驾驶员特征(例如年龄、职业、历史理赔经验)的变量,试图根据这些特征推断其行为。其他一些基本变量描述与车辆位置相关(例如邮政编码)的特征,主要涉及到泊车位置。依赖这些变量的模型,其主要优势是历来就为保险行业所接受,这主要是由多年来积累的大量理赔相关数据决定(或导致)的。这一因素允许建立统计学意义上合理且稳健的风险模型。 尽管如此,我们已经证明(见关于ADAS的图4),这些变量已不足以全面刻画这样一个快速发展的行业复杂的风险特征。瑞再ADAS风险评分、瑞再车辆特征评分、瑞再车睿驾和MotorMarketAnalyser(MMA)等专属解决方案可提升传统保险模型的预测能力,我们稍后将会对其进行介绍。它们有这种效果,是因为它们都能捕捉到有意义的额外风险解释变量,并将其转化为保险相关术语和应用方式。 深入了解瑞再MotorMarketAnalyzer(MMA) MMA风险模型可以预测位于给定地理区域的驾驶员的平均事故风险。基于高度细化的基础数据(见下文图2a和b),影响事故风险的大量因素被提炼,从而得到较高的稳健性。同时,在地理区域维度上,无论事故频率和损失强度指标,MMA风险模型都表现出较高的准确性。 我们在多个市场对模型预测进行了测试,结果(图2c)显示,风险预测维度精细度提升100倍,与基于传统地区评级因素的模型相比提升度翻倍。 图2: 瑞士再保险MotorMarketAnalyzer方案 使用精算建模技术将事故风险模型整合到定价模型中。 风险因子数据 Elevation Streets Rain 高精细度数据输入 道路网络人口天气夜间光密度海拔高度土地使用 根据风险因子变量以及事故和车辆统计数据校准事故风险模型 损失强度事故频率 可就以下目标变量精准预测: 事故频率损失强度或以下组合风险管理级别(县、邮政编码)或 2 风险模型驾驶员数据车辆数据 没有风险模型的定价有风险模型的定价 效果翻倍 2 0 12345678910 指数化的每十分位数估计损失成本 瑞士再保险在数据整合期间提供支持和咨询 静态动态 车联网技术的作用 驾驶员 传统风险模型 车联网 位置评分 车联网 车辆评分 车联网 从最广泛的意义上说,车联网涉及两门科学:电信和信息学。应用于机动车辆保险时,它意为数据收集、数据融合,以及利用先进的机器学习算法来提取融合数据中的有效信息,并应用精算知识,使有效信息具有可靠的统计学意义。 环境 人机交互 通过硬件设备、黑盒技术或移动应用等电信设备(我们将在单独的章节中讨论车内数据的使用),可以捕获大量车辆数据。这些数据通常是高频动态数据,代表驾驶员在方向盘后的行为和/或车辆行驶环境。对这些数据的分析和使用可以补充传统风险模型,一览更真实的实时驾驶员表现,同时将该表现与环境结合分析。 驾驶工具 因此,理解这些信息后,保险公司就可以制定基于用车行为的保险(UBI)计划,例如PAYD(按里程/时长付费)和PHYD(按驾驶行为付费)。 按里程/时长付费遵循“我只为我行驶的里程付费”原则。长时间停放的车辆通常比经常在路上行驶的车辆更少发生事故。对于不经常使用车辆的用户,这种产品非常有吸引力。它还会鼓励人们使用其他交通方式,如公共交通或自行车。可以认为PAYD是最简单的车联网形式,主要存在于车联网服务处于萌芽期的市场中。 按驾驶行为付费会向客户收取与其驾驶行为风险相关的保费,这通常意味着如果驾驶员安全习惯更好,则享受更低保费。这能有效激励驾驶员改善其驾驶行为,与结构化的培训项目联用时效果尤佳。这使车联网服务提供商或保险公司能够就驾驶员的驾驶技能及改进方式提供建设性反馈。 基于PHYD(按驾驶行为付费)的保险模型通常建立在以下信息的基础之上:手机使用、速度(例如超过限速的频率)、操作类型(例如急刹车、急转弯)以及环境信息(例如天气情况、路况、交通密度、事故多发地段,以及有关车辆行驶区域的其他事故相关信息)。 瑞士再保险车联网产品:瑞再车睿驾 风险预防是瑞再车联网解决方案瑞再车睿驾的核心价值主张。通过该解决方案,我们的客户可以为投保人提供保险产品,以提升驾驶员对自身驾驶风险的感知力。意识到潜在的危险驾驶习惯,是预防事故的首要关键步骤。 瑞再车睿驾可以识别多种驾驶操作,例如加速、制动、转弯、急转弯、绕行环岛、路口转向以及掉头。一切都基于底层 的加速度计数据和从驾驶员智能手机内置传感器直接收集的 GPS信号。 为了得出瑞再驾驶员评分,瑞再车睿驾不仅会检测危险驾驶行为,还会考虑其他风险因素,例如分心驾驶、超速和驾 驶环境。瑞再驾驶员评分可帮助驾驶员了解如何从保险角度对其驾驶行为进行评分,并对比他们对自身驾驶技能的看法提升安全驾驶意识。 瑞再车睿驾的评分算法不仅可使用手机应用生产的数据,还可直接使用车联网数据。借助这种创新方法,我们能够提供不需要独立智能手机应用的解决方案,在车载屏幕上直接与驾驶员互动。 静态动态 车辆风险 驾驶员 传统风险模型 车联网 位置评分 车联网 车辆评分 车联网 当今车辆在道路上的驾驶风险主要来自驾驶员。因此,不可否认的是,对驾驶员驾驶行为(静态或动态)的准确描述及其保险表征,仍在当前的车险风险评估和定价模型中发挥着重要作用。 环境 人机交互 随着车辆技术的快速发展,其能够在多种驾驶情景中辅助驾驶员,或在预定义的关键情况下进行干预;我们应将这种能力充分反映在定价模型中,因为这会对避免和减弱事故方面产生重大影响,从而影响赔付分布。然而,当下并未充分做到。 驾驶工具 各种新型车辆技术可提高客户舒适度和车内整体体验(例如信息娱乐)、减少碳排放(例如电动和混合动力车辆),控制其动力学和悬架性能,最重要的是提高其安全性。 对于保险公司而言,重要的是研究和量化这些新技术对风险的实际影响,以便能够更好地细分风险,提高保单定价的盈利能力和竞争力。概括和评估此类技术性能方式并不唯一,因为这通常取决于技术类型、成熟度和数据可用性。 瑞再的车辆风险评估方法 从汽车动力系统的类型、悬架的类型,到车上安装的安全系统,车辆技术日益多样化;这意味着与具体车辆相关的风险也理应有显著差异。车险风险特征随着网联化、智能化、共享化