預(yù)測(cè)是機(jī)器學(xué)習(xí)算法最重要的一個(gè)研究方向。眾多保險(xiǎn)公司利用機(jī)器學(xué)習(xí)算法為他們的客戶建立預(yù)測(cè)模型。其中，車禍預(yù)測(cè)模型是眾多模型里面最難建立的。

車禍發(fā)生的影響因素多種多樣，變化多端，著實(shí)讓人摸不著頭腦。

與其他商品不同的是，車禍保單的最終成本在初始銷售時(shí)是未知的。因此，建立一個(gè)合理的定價(jià)機(jī)制是非常具有挑戰(zhàn)的。有些保險(xiǎn)公司嘗試使用統(tǒng)計(jì)方法來解決這一問題：預(yù)測(cè)每個(gè)客戶的未來風(fēng)險(xiǎn)。

例如，非常經(jīng)典的汽車保險(xiǎn)。大部分的保險(xiǎn)公司確定的保險(xiǎn)風(fēng)險(xiǎn)因素有司機(jī)的年齡、他的汽車配置相關(guān)以及汽車發(fā)生事故的歷史情況。這也是為什么保險(xiǎn)公司會(huì)在成交汽車保險(xiǎn)之前需要客戶提供的詳細(xì)信息的原因。

下載地址：

https://arxiv.org/abs/1904.05270

波蘭華沙大學(xué)經(jīng)濟(jì)科學(xué)系的Kinga Kita-Wojciechowska和斯坦福大學(xué)生物工程系的?ukasz Kidziński利用谷歌Google街景收集相對(duì)應(yīng)的房屋圖像，通過標(biāo)釋房屋的特征：例如年齡、類型以及其它條件。然后與目前最先進(jìn)的保險(xiǎn)風(fēng)險(xiǎn)模型相比，最后發(fā)現(xiàn)用谷歌街景數(shù)據(jù)建立的模型，能夠有效地改進(jìn)了汽車事故風(fēng)險(xiǎn)預(yù)測(cè)。

作者通過對(duì)谷歌街景數(shù)據(jù)的研究，發(fā)現(xiàn)下列結(jié)論?

房子的特征與居民的發(fā)生車禍風(fēng)險(xiǎn)相關(guān)，

與谷歌街景的其他研究用途相比，此模型數(shù)據(jù)特征來自于地址，并不是按照郵政編碼或地區(qū)進(jìn)行匯總，可能存在更為精細(xì)的劃分；

從地址中提取的數(shù)據(jù)(房屋的圖像)可用于保險(xiǎn)和其他行業(yè)；

現(xiàn)代數(shù)據(jù)收集和科技技術(shù)允許對(duì)個(gè)人數(shù)據(jù)進(jìn)行前所未有的利用，可能會(huì)超過立法的發(fā)展速度，并增加個(gè)人隱私威脅。

建模數(shù)據(jù)收集方法與特點(diǎn)

保險(xiǎn)公司之前進(jìn)行的風(fēng)險(xiǎn)建模和定價(jià)，通常只使用郵政編碼這一特征。然而匯總到郵政編碼的索賠數(shù)據(jù)仍然太不穩(wěn)定，所以還需要進(jìn)一步地調(diào)整。

另一方面，對(duì)于一些“外人”來說，保險(xiǎn)公司客戶的信息數(shù)據(jù)很難獲得。本文使用的谷歌街景數(shù)據(jù)可以從來自Google街景的公開圖像信息中提取出來。

圖1.位于同一郵政編碼中不同房屋的示例，根據(jù)當(dāng)前保險(xiǎn)公司的模型，這些房屋的居民具有相同的預(yù)期索賠頻率。

此數(shù)據(jù)集包含20，000條記錄的汽車保險(xiǎn)數(shù)據(jù)集，數(shù)據(jù)來源于2012年1月至2015年12月期間收集到在波蘭的保險(xiǎn)投資組合的隨機(jī)樣本。

其中每項(xiàng)記錄均涵蓋汽車發(fā)動(dòng)機(jī)第三方責(zé)任(MTPL)保險(xiǎn)單的特點(diǎn)，包括投保人的地址、風(fēng)險(xiǎn)敞口(定義為一小部分有效年份在2013-2015年期間的保單)以及2013-2015年間發(fā)生的財(cái)產(chǎn)損壞索賠的統(tǒng)計(jì)數(shù)量。保險(xiǎn)公司還提供了這些保單的財(cái)產(chǎn)損失索賠的預(yù)期頻率，是根據(jù)他們目前最好的風(fēng)險(xiǎn)模型進(jìn)行估計(jì)的，是根據(jù)客戶的郵政編碼進(jìn)行分區(qū)的。

圖2.使用注釋功能將為數(shù)據(jù)庫中提供的地址，匹配收集谷歌衛(wèi)星視圖和谷歌街景圖像。

對(duì)圖像中可見的房屋中以下特征作了說明：居民的年齡、狀況、財(cái)富以及鄰近地區(qū)其他建筑物的類型。根據(jù)Fleiss’kappa（屬性型測(cè)量分析）統(tǒng)計(jì)數(shù)據(jù)結(jié)果表明，它們之間大多數(shù)是一致穩(wěn)健的。

繼續(xù)注釋剩余的19,371個(gè)地址(還從本研究的范圍中刪除了129個(gè)地址，因?yàn)樗鼈円词橇硗鈪^(qū)域的，要么是Google地圖找不到的)，剩余的都將得到了一組單獨(dú)的、隨機(jī)選擇的地址。

研究者比較了收集到的注釋的分布情況，并在最后對(duì)四個(gè)注釋器進(jìn)行了小的修正，以匹配平均值和標(biāo)準(zhǔn)差。

表1。在進(jìn)行了必要的簡(jiǎn)化后，風(fēng)險(xiǎn)模型中對(duì)7個(gè)新創(chuàng)建的變量進(jìn)行了統(tǒng)計(jì)

建模過程

接下來，估計(jì)一個(gè)廣義線性模型(GLM)來研究新創(chuàng)建的變量對(duì)于風(fēng)險(xiǎn)預(yù)測(cè)的重要性。

假設(shè)索賠的概率模型如下：

頻率為f，定義為索賠次數(shù)除以風(fēng)險(xiǎn)敞口：

其中，MTPL保險(xiǎn)中的一些財(cái)產(chǎn)損失索賠是服從泊松分布的，X是自變量的向量，也是系數(shù)的向量。

為了對(duì)方法所帶來的增加值進(jìn)行評(píng)價(jià)，引入了三個(gè)模型：

模型A(空模型)，其中向量為

模型B(一流保險(xiǎn)商模型)：其中向量為

模型C(研究者使用的模型)：其中向量為

保險(xiǎn)人為數(shù)據(jù)集中的每條記錄提供了模型B的實(shí)現(xiàn)。

該模型是在一個(gè)更大的未對(duì)外披露數(shù)據(jù)集上進(jìn)行估計(jì)的，包含j個(gè)預(yù)測(cè)變量(駕駛員特征、車輛特征、索賠歷史、地理區(qū)域等)。

利用GLMs的特性，可以將模型C分解為兩個(gè)部分：一個(gè)對(duì)應(yīng)于模型B，另一個(gè)則包含新變量。

因此，模型C為：

這些系數(shù)的值是否為非零，將表明研究者構(gòu)造的變量為模型提供了額外的預(yù)測(cè)能力。在本研究中新創(chuàng)建的七個(gè)變量中，有五個(gè)對(duì)于預(yù)測(cè)財(cái)產(chǎn)損壞MTPL索賠頻率模型具有重要意義，而在最好的保險(xiǎn)公司模型中使用的許多其它評(píng)級(jí)變量都是重要的(表1)。

通過觀察a、B、C模型的基尼系數(shù)的顯著變異性，特別是對(duì)于模型A(只包含截距且沒有選擇其他變量的空模型)在20次重采樣試驗(yàn)中，其變化范圍為20 ~ 38%。將其解釋為證據(jù)，即所提供的數(shù)據(jù)集非常小(20,000條記錄)，用于構(gòu)建MTPL保險(xiǎn)中的罕見事件，如財(cái)產(chǎn)損失索賠(平均頻率為5%)。

圖3.在20個(gè)自舉試驗(yàn)中獲得的20%的檢驗(yàn)樣本上的基尼系數(shù)(A)，從零模型(A)到最好的保險(xiǎn)公司的模型(B)和研究者新建立的變量模型(C)。

盡管數(shù)據(jù)的波動(dòng)性很大，但將五個(gè)簡(jiǎn)單變量加入到保險(xiǎn)公司的模型中，在20次重新采樣試驗(yàn)中的18次中嘗試，提高了它的性能，并提高了基尼系數(shù)的平均水平。提高系數(shù)接近2個(gè)百分點(diǎn)(從38.2%到40.1%)。

通常保險(xiǎn)公司的模型會(huì)運(yùn)用更大的數(shù)據(jù)集，并包含了廣泛的變量選擇(例如駕駛員特征、汽車特征、索賠歷史和基于客戶郵政編碼的地理區(qū)域)，將基尼系數(shù)與空模型從0~30%提高到0~38%，提高了8個(gè)百分點(diǎn)(見圖3)。

創(chuàng)新之處

通常保險(xiǎn)公司的預(yù)測(cè)模型都是以常規(guī)的特征進(jìn)行預(yù)測(cè)的，比如駕駛車輛習(xí)慣，索賠歷史和客戶財(cái)富級(jí)別等特征。

但是文中的模型使用了全新的谷歌街景地圖的特征，比如街景地圖中房屋所在周圍環(huán)境，所在區(qū)域的密度，街景的質(zhì)量和房屋類型年限等特征，評(píng)測(cè)結(jié)果也是比較令人欣慰，三個(gè)模型的基尼系數(shù)變動(dòng)范圍在20%—38%之間，我們能從圖3中看見，經(jīng)過20次的重采樣實(shí)驗(yàn)得到的結(jié)果：具有街景新特征的模型比使用原有的優(yōu)秀傳統(tǒng)模型還要高出接近2個(gè)百分點(diǎn)。

當(dāng)然由于數(shù)據(jù)樣本量比較少，大概只有2萬條左右，所以這也在一定程度上影響了基尼系數(shù)的提升。但是這在預(yù)測(cè)模型的研究方向中，給了我們一個(gè)新的思路，原來街景地圖的特征會(huì)比傳統(tǒng)的特征更加有效。當(dāng)然未來肯定還會(huì)有更加有效的特征出現(xiàn)，來幫助我們提升預(yù)測(cè)準(zhǔn)確度。

譯者注：

基尼系數(shù)通常判定超過60%就是一個(gè)好模型，但是文章中的數(shù)據(jù)量有點(diǎn)少，所以這個(gè)系數(shù)可能沒有60%，但是肯定不能說這個(gè)思路錯(cuò)的，希望大家可以嘗試自己更換數(shù)據(jù)集來做復(fù)現(xiàn)。

總結(jié)

從一張房子的圖像中可見的特征預(yù)測(cè)發(fā)生車禍的風(fēng)險(xiǎn)，而且獨(dú)立于經(jīng)常使用的變量，如年齡或郵政編碼。

這一發(fā)現(xiàn)邁出了一大步。它不僅提供了更為精確的風(fēng)險(xiǎn)預(yù)測(cè)模型，而且還說明了社會(huì)科學(xué)的一種新方法。

在這種方法中，真實(shí)世界中的細(xì)粒度數(shù)據(jù)可以經(jīng)過大規(guī)模收集后進(jìn)行分析。從保險(xiǎn)公司的實(shí)際情況來看，給出的實(shí)驗(yàn)結(jié)果是顯著的。研究者使用的模型中的5個(gè)變量包含了來自不完全注釋的一些偏差，與保險(xiǎn)公司在其最佳風(fēng)險(xiǎn)模型中已經(jīng)使用的眾多變量帶來的8個(gè)百分點(diǎn)的改進(jìn)相比，基尼系數(shù)提高了近2個(gè)百分點(diǎn)。

保險(xiǎn)行業(yè)可能很快就會(huì)被銀行效仿，因?yàn)楸ｋU(xiǎn)風(fēng)險(xiǎn)模型與信用風(fēng)險(xiǎn)之間存在著已被證明的相關(guān)性。從谷歌街景(GoogleStreetView)中提取有價(jià)值信息的方法本身，不僅為金融業(yè)提供了各種機(jī)會(huì)。

此方法和深層次的學(xué)習(xí)技術(shù)可以使它在一個(gè)大規(guī)模自動(dòng)化的模型中進(jìn)行。同時(shí)，這種做法引起了人們對(duì)存儲(chǔ)在公開可用的Google街景、Microsoft Bing Streetside、Mapillary或類似的私有數(shù)據(jù)集中的數(shù)據(jù)隱私的擔(dān)憂。

客戶同意公司存放其地址信息并不一定意味著同意儲(chǔ)存有關(guān)其房屋外觀的信息。特別是房屋的特征可以是種族、宗教或與一個(gè)人的社會(huì)地位有關(guān)的其他特征的代名詞，法律上也禁止將這些特征用于任何歧視，例如某些區(qū)域的價(jià)格歧視。