UBI车险数据生态链该如何构建？

　　据市场数据显示，目前国内42家拥有车险业务的大财险公司中，38家存在车险业务亏损情况，其中亏损额超过1亿元的公司有20家，超过2亿元的有6家。亏损的主要原因是国内车险长期依据新车购置价定价，很不合理。随着商业车险费率市场化改革的展开，UBI车险（Usage Based Insurance，基于驾驶行为而定保费的保险）被认为是改善车险经营现状的重要武器。在保险已经很成熟的欧美市场，传统业务增长往往只有2%—3%，但是UBI车险增长高达20%~30%，在美国（美国UBI车险公司Progressive前进保险）、瑞士（MyMile）、意大利等众多国家均有成功案例可以借鉴。在我国，UBI车险的概念也一直都是热议话题，从OBD、到ADAS、到车机、后视镜，车联网的从业者们越来越重视车联网与UBI的结合。在近期，随着保监会商车费改试点地区再次增加，UBI车险再一次被推上了风口浪尖。

　　2015年至今商车改革状况如下：

　　2015年3月20日，保监会发布了《关于深化商业车险条款费率管理制度改革的意见》， 2015年6月1日起，全国六省市开始改革试点（黑龙江、陕西、山东、重庆、青岛、广西）。2016年1月1日起将再开放 18 个地区进行商业车险市场化改革（包括天津、吉林、内蒙古、河南、安徽、湖北等）。

　　改革的目是把定价权交给保险公司，把选择权交给消费者，通过差异化产品和精准风险控制，以市场手段引导保险业向前发展。政策的利好，为UBI车险在我国的生根发芽带来新的机遇，同时，基于我国的本土国情，也面临着诸多的挑战。

　　图：UBI车险是基于车辆使用和驾驶习惯的保险定价技术

　　UBI数据模型中的组成因子

　　做好UBI车险的关键和难点除了要实时采集有关车辆驾驶情况的诸多数据，还在于建立科学的数据模型和算法，从纷繁复杂的数据中估算出驾驶者的风险系数，然后为保费提供定价依据。

　　UBI数据模型的完善需要两部分数据模型的完整构建。首先，需要通过设备采集到用户的行驶里程、驾驶行为等诸多数据，还要结合上一定的风险数据，再将这些数据按照不同的权重进行划分，通过初步计算，得到驾驶行为分数，也就是构建出的初步分析数据模型;除此之外，还要根据保险公司的实际情况（如保险公司的收入与支出比例等等）构建出标准数据模型。再将前者与后者进行比对，得出最终的分析结果，作为保费定价的依据。

　　那么，采集到的数据都要包含哪些呢？

　　目前市场上最常见的UBI车险模型多是基于行驶里程来构建，对于风险评估的因子单一，无法真正描绘出驾驶者行为这一保险定价中重要的"从人因子"特征;未充分考虑行驶的多种因素，对风险管控的提升比较有限，也不利于个性化保险产品的推出。笔者在从芮锶钶（上海）网络技术有限公司处了解到，该公司正以设定了更多风险因子的计算方法，对于用户出行的每段旅程进行评估，每段旅程结束后都计算出相应的分数，这个分数再乘以不同权重比例，得出最终的累积分数。这能够更为灵活地与数据模型相匹配，准确度更高，同时运算也更为复杂。

　　芮锶钶的数据模型是以国外经过千万车主验证的UBI模型为基础，充分本土化、个性化而来的。在整套数据模型中，驾驶行为、驾驶环境、形式距离……这些数据中再细分出多个子数据因子，这些数据因子按照主要因子、次要因子、辅助因子的分类可组成"用户画像"。主要因子一般包括速度、城市道路、夜间时间、急加速、急刹车五项，这五项主要数据结合车辆单次行程时间和距离以及周边道路限速情况等次要因素，加权计算出相对应的驾驶行为。另外，UBI数据模型中还有一项特殊的分析，即风险数据的评估。驾驶风险评价需要采集驾驶人员属性（年龄、驾龄等）及行为、车辆情况、道路状况、环境因素、管理因素等，这些数据同样根据不同的风险权重比来计算出风险数据。

　　UBI上下游产业链生态的构建

　　车险是硬性需求，市场潜力巨大，能够挖掘出切合保险痛点、满足车主需求、适应移动互联网发展的UBI将成为中国保险行业全新的发展方向与解决方案。这个全新的解决方案需要全产业链合作构建。

虽然国内目前宣称从事UBI的公司很多，但是真正从技术底层和生态层面推进的还不多。以芮锶钶为例，该公司目前正在从事UBI数据模型的构建与研发，与保险公司、主机厂、TSP、汽车后服务供应商等各类企业进行广泛合作。作为以UBI数据模型作为核心技术，着力构建以安全驾驶为核心的开放平台的企业，芮锶钶在与不同的企业对接的过程中，所提供的服务和支撑也并不相同，例如，去年理赔率很高超过了保险的收入，需要控制理赔支出的