提升保险反欺诈管理能力的优化方法

保险交易的基础是诚信，诚信的缺失不仅会影响保险公司的正常运作，最终也会伤害到其他被保险人的利益。保险欺诈与保险业相伴而生，主要指投保人利用保险谋取不正当利益。保险欺诈会影响保险行业的经营效益，破坏市场秩序。

1.国外保险反欺诈情况

国际保险监督官协会的经验数据表明：全球保险欺诈损失占保险赔款总额的10% ～20%，有的业务领域甚至高达50%。1969—1990 年在倒闭的302 家美国保险公司中，就有30%是由于保险反欺诈工作不力造成的。不仅如此，保险欺诈还会带来严重的社会问题，在美国，保险欺诈已经成为仅次于偷逃税的第二大犯罪领域。因此，保险公司会花大力气在处理理赔上，据统计，保险公司费用的三分之二都花在了理赔处理和赔款支付上。

令人惊讶的是民众对保险欺诈的态度相比其他欺诈行为要宽容得多。美国的一项调查表明有25%的人可以接受欺诈保险公司，无独有偶，英国有关保险欺诈的调查也显示有三分之一左右的接受调查人可以接受夸大保险索赔或虚构保险索赔。随着保险欺诈日益猖獗，保险行业开始重视反欺诈工作。一些政府也开始参与打击保险欺诈的行动：如美国成立国家保险犯罪局，统筹全国范围内的保险反欺诈工作，又设立全美反保险欺诈联盟，联合政府、执法机构、保险公司和消费者共同开展保险反欺诈工作。英国也设立了保险反欺诈管理局和国家反欺诈委员会。保险反欺诈工作不仅需要政府的重视，明确界定保险欺诈、向民众进行保险反欺诈的宣传、出台对欺诈行为惩处的法律法规，还需要从技术手段上实现对保险欺诈的打击，如多维度累积欺诈相关数据、共享数据信息等。Santam是南非最大的短期险供应商，它所面临的欺诈损失曾经占到每年保费的6% ～10%。欺诈导致的成本最终只能以更高保费的形式转嫁到客户身上。同时，为了尽可能地识别出欺诈，理赔的速度也被迫放缓，通常的索赔至少需要3 个工作日才能完成。这些都严重影响了Santam 的客户服务声誉。为了改变这一状况，Santam采用先进的大数据分析解决方案来尽早发现欺诈，具体做法是依据已经确定的风险因素评估每个索赔案件，并且将索赔划分成不同的风险类别，对不同的风险采取不同的方式处理。借助这种方法，理赔人员只需运用数据分析结果进行对比，就可以轻松对每个理赔案件进行欺诈预警，并快速将理赔案件进行分类，对于欺诈可能性低的快速支付理赔金，对欺诈可能性高的进一步查勘。这样不仅节省了欺诈损失增加的成本，给客户更优惠的费率条件，而且还显著提升了理赔处理的效率，绝大多数低风险的索赔案件不到1 小时便可处理完成。

2.我国保险反欺诈工作的外部支持

我国的保险欺诈问题自20 世纪80 年代开始呈现逐年上升的趋势。在保险业务快速发展的地区，保险欺诈的情况更为严重。江苏省是全国保费收入率先突破千亿元大关的省份之一，2008 年江苏省灌南县就曾发生过一起骗赔大案，舒某分别向18 家保险公司购买了近1 000 万元的人身意外伤害保险，后将自己的左手食指剁断以期获得保险赔偿。后来在江苏保监局、江苏省保险行业协会和连云港市公安局的共同配合下，此案才得以告破。2009年，保监会开展了专项治理工作，重点治理“假机构、假保单和假赔案”，有力地打击了保险欺诈活动。与此同时，各地保监局陆续成立保险反欺诈专门机构，组织和协调保险行业与公检法等部门的协作。2011 年11 月20 日，我国首家反保险欺诈中心在江苏成立，反欺诈中心主要实施五项举措，即协作办案、信息交换、业务指导、信息共享和宣传教育。江苏反保险欺诈中心联合多部门形成“大监管”格局，运用大数据技术对保险欺诈进行防控。自成立以来，指导行业协会以大数据为基础研发反欺诈信息系统，并且向行业发布保险欺诈高风险信息和涉嫌诈骗的线索，为行业减损2 000 多万元。2012 年和2013 年我国保监会又分别下发《关于加强反保险欺诈工作的指导意见》和《关于进一步做好车险反欺诈工作的通知》，奠定了我国保险反欺诈工作的制度化和规范化的基础。

3.我国保险反欺诈工作的内部建设(www.xing528.com)

从技术上来看，大数据可以帮助保险反欺诈工作有效地展开。以大数据为基础建立起保险欺诈识别模型，核保、理赔人员就可以利用这一模型判定欺诈风险。要建立模型，筛选出与保险欺诈高度相关的风险识别因子是第一步。保险公司需要通过大量数据的挖掘来找到相关因子。保单数据是分析保险外部欺诈风险的首要数据来源。在挖掘数据之前，需要对数据进行清洗：填充遗漏数据、降噪错误数据、更正不一致的数据。在利用特征选择算法从众多保单数据中筛选出风险识别因子。特征选择算法可以帮助剔除不相关的特征，从而减少特征个数，提高模型的精准性。筛选出风险识别因子后，再根据所采集的欺诈客户及其理赔的大量数据信息进行分析，根据关联规则将客户的行为记录抽象为数据表，再对用户行为特征参数按重要度进行排序，建立正常行为的频繁模式库，通过偏差检测技术，从海量的数据中寻找出异常数据，比对正常行为参照值，可以发现保险欺诈通常会表现出的一些特征，从而建立起保险欺诈识别模型。例如在个人伤害的欺诈识别中，“没有受伤的客观证明”“没有警方的现场报告”“索赔人精通索赔知识”等识别点在过往的欺诈行为中出现的频率非常高，如果新的索赔案件携带有这些因素，那就要高度警惕欺诈的可能性。

支付宝作为快捷支付手段，其安全性一直是用户比较关心的话题，支付宝账户安全险应运而生。由于出险的概率低，一年只需花2 元钱保费便可保障100 万元的账户资金盗用的风险，并且在保障期内不限索赔次数。温某因赌博欠下巨款，了解到支付宝账户安全险后便打起了歪主意。投保该险种后，温某拨打支付宝客服电话声称自己的账号“被盗”，“盗贼”在5 个月内多次使用自己的支付宝账号购买了900 多次游戏点卡，总计金额超过70 万元，要求保险公司进行赔偿。同时，温某还向当地警方报了警。保险公司接到索赔后立即展开调查，在理赔过程中发现案件疑点较多，也向警方报警。警方与支付宝联系，支付宝通过人工智能及大数据技术对温某账户近几个月的交易进行了深入分析。证据显示，所谓的“盗刷”行为与温某的日常使用习惯相当符合，被盗可能性极低，本人操作的可能性极大。接着警方通过走访发现温某曾经有赌博的习惯并欠下巨款。通过线上大数据的分析和线下的群众走访，警方最终确认温某的行为属于骗保。

除了通过保险欺诈识别模型判别欺诈风险之外，在对锁定的可疑案件进行查勘时也可以运用到大数据技术找到正确的追查方向。现在的摄像头遍布大街小巷，居民随身携带的手机也可以随时拍摄记录，通过这些影像记录很容易还原事故发生时的情景，同时可以配合调查信用记录、消费记录等，查清事实真相的概率较以往会大大提高。曾经有一起豪车索赔案，车主声称由于飞鸟遮挡视线而导致车辆坠湖，保险公司的资深诈骗核查专家通过偶然发现的优酷视频揭穿了索赔者的骗局，因为这段视频正好清晰地显示了当时豪车坠湖的过程中根本没有出现过飞鸟。

即便是已经结案，通过数据挖掘和对比技术，仍然可以对可疑案件进行排查，特别是对那些屡次作案的诈骗团体尤为有效。目前对结案之后的审查主要包括两部分：一是建立欺诈漏损分析识别模型，二是建立漏损管控系统平台。欺诈漏损分析识别模型可以通过关联分析、异常检测等分析方法识别漏损的高欺诈风险案件。漏损管控系统能够对欺诈漏损分析识别模型所识别到的高风险案件进行稽查。通过设计稽查流程、规范稽查工作，能够对高风险案件稽查工作的开展和管理提供有力的保障。

不管是外部欺诈还是内部欺诈，保险公司都可以利用大数据建立起类似的识别模型。随着科技的进步，保险公司还可以利用指纹识别、人脸识别、虹膜识别和二维码技术等对被保险人所留下的痕迹进行分辨，还原出被保险人的生活轨迹，让欺诈者无所遁形。