林 源,李連友

(1.湖南大學(xué)金融與統(tǒng)計學(xué)院,湖南長沙410082; 2.懷化學(xué)院經(jīng)濟系,湖南懷化418008)

中國商業(yè)財產(chǎn)保險欺詐損失度量實證研究

林 源1,2,李連友1

(1.湖南大學(xué)金融與統(tǒng)計學(xué)院,湖南長沙410082; 2.懷化學(xué)院經(jīng)濟系,湖南懷化418008)

應(yīng)用貝葉斯馬爾科夫鏈蒙特卡洛(MCMC)方法估計參數(shù),采用分段定義損失強度的損失分布法(PSD-LDA),測算了財產(chǎn)保險欺詐風(fēng)險潛在損失TailVaR、經(jīng)濟資本和純保費,并同超閾值(POT)方法、單一損失分布法等度量結(jié)果進行了比較.研究發(fā)現(xiàn),財產(chǎn)保險欺詐損失尾部風(fēng)險很大,PSD-LDA方法度量財產(chǎn)保險欺詐損失較為合理,為我國保險產(chǎn)品定價和保險欺詐風(fēng)險管理決策提供理論依據(jù).

保險欺詐;廣義Pareto分布;Gibbs抽樣;經(jīng)濟資本

1 引 言

中國保險業(yè)經(jīng)過30年多年的快速增長,已經(jīng)成為國民經(jīng)濟的一個重要支柱.2013年全年實現(xiàn)保費收入1.72萬億元,同比增長11.2%,比上年提高3.2個百分點.其中,財產(chǎn)險保費收入6 212億元,同比增長16.5%1數(shù)據(jù)來源于中國保監(jiān)會網(wǎng)站統(tǒng)計數(shù)據(jù),http://www.circ.gov.cn/web/site0/tab5201/..不過,隨著保險業(yè)的快速發(fā)展,我國保險欺詐案件不斷出現(xiàn).2012年3月以來,保險欺詐報案1千余次,涉案金額1.6億多元;全國保險詐騙立案1 300余件,破案近1 100起,處罰500余人.保險欺詐已引起監(jiān)管部門的高度重視.《歐盟償付能力II》和《中國第二代償付能力監(jiān)管制度體系建設(shè)規(guī)劃》中明確要求建立以風(fēng)險度量為基礎(chǔ)的償付能力監(jiān)管體制,并要求計算操作風(fēng)險資本需求.2012年8月6日保監(jiān)會又發(fā)布了《關(guān)于加強反保險欺詐工作的指導(dǎo)意見》,要求對保險欺詐風(fēng)險進行計量.因此,研究我國商業(yè)保險欺詐風(fēng)險度量問題非常必要.

保險欺詐是指“保單持有人可能不如實報告他們損失的大小,或報告一個從未發(fā)生的事故;保單持有人簽訂保單時,沒有如實告知相關(guān)信息也可能存在欺詐;或故意擴大損失,以擴大索賠.”[1]《歐盟償付能力II》指出,欺詐是保險操作風(fēng)險中的一種,包括內(nèi)部欺詐和外部欺詐.內(nèi)部欺詐主要指故意的不良行為(如雇員盜竊、虛構(gòu)索賠等),外部欺詐指未授權(quán)的交易活動(如欺詐索賠、偽造索賠資料)等.我國保監(jiān)會指出,保險欺詐是指利用或假借保險合同謀取不法利益的行為[2].

目前學(xué)界對于保險欺詐風(fēng)險的度量研究還比較缺乏,保險操作風(fēng)險度量的研究仍然處于起步階段,主要借鑒銀行操作風(fēng)險度量方法來研究.Tripp等[3]探討了極值理論(Extreme Value Theory)在非壽險行業(yè)操作風(fēng)險度量的應(yīng)用,認(rèn)為模型的參數(shù)估計非常關(guān)鍵.Dexter等[4]在Tripp等的研究基礎(chǔ)上,借鑒《巴塞爾II》,進一步研究了損失分布法等方法在壽險公司操作風(fēng)險資本計量中的應(yīng)用,并構(gòu)建了操作風(fēng)險資本評價框架.因數(shù)據(jù)缺乏,這些研究僅是理論探討,缺乏實證分析.Paudel[5]采用損失分布法、貝葉斯方法度量保險公司的操作風(fēng)險,并發(fā)現(xiàn)保險操作風(fēng)險的厚尾特征.Lambrigger等[6]在《巴塞爾II》和《歐盟償付能力II》的框架下,用貝葉斯方法計算保險操作風(fēng)險VaR和ES.Perez[7]根據(jù)《歐盟償付能力II》,應(yīng)用極值理論和VaR方法估算了西班牙兩家保險公司汽車責(zé)任保險償付能力資本要求.Bolance等[8]以VaR為工具,采用非參數(shù)方法度量汽車保險外部欺詐損失.Morales等[9]用損失分布法和蒙特卡洛模擬法估算哥倫比亞保險行業(yè)汽車欺詐風(fēng)險(盜竊)損失VaR值及償付能力資本要求.另外,針對極值風(fēng)險的度量,周孝華等[10]提出基于EVT-POT-SV-GED的動態(tài)VaR模型.由于EVT存在只能測量低頻高損事件而忽略高頻低損事件損失的缺陷,為了測度全面的風(fēng)險資本,King[11]應(yīng)用Delta-EVT法綜合測量高頻低損與低頻高損事件的損失VaR,有效彌補了GPD的缺陷.Li[12]采用PSD-LDA法度量銀行操作風(fēng)險資本,與基本指標(biāo)法比較,發(fā)現(xiàn)PSD-LDA法較優(yōu).針對保險巨額損失,王麗珍等[13]利用VaR等方法提出基于償付能力的最優(yōu)保險策略.前述文獻對風(fēng)險度量的研究主要以VaR方法為主,而VaR方法不滿足風(fēng)險度量一致性原則,而且未考慮超過VaR水平的尾部風(fēng)險[14],因而存在一定的不足.目前國內(nèi)對保險欺詐的定量研究主要集中在應(yīng)用信息經(jīng)濟學(xué)理論分析保險欺詐行為[15,16],實證研究主要是利用數(shù)據(jù)挖掘技術(shù)識別保險欺詐索賠行為[17,18],尚未見到有關(guān)我國保險欺詐風(fēng)險度量的研究.

本文在前述研究的基礎(chǔ)上,運用分段定義損失強度分布的損失分布法(PSD-LDA)和滿足風(fēng)險度量一致性原則的TailVaR(以下簡稱TVaR)方法計量我國商業(yè)財產(chǎn)保險欺詐風(fēng)險及其經(jīng)濟資本.考慮到樣本較小,引入基于Gibbs抽樣的Bayesian MCMC(Markov chain Monte Carlo)方法估計參數(shù).

2 財產(chǎn)保險欺詐損失度量模型

首先假定:欺詐風(fēng)險損失頻率和損失強度相互獨立;不同類型的欺詐風(fēng)險損失強度相互獨立,即高頻低損欺詐損失與低頻高損欺詐損失相互獨立.

2.1 損失頻率分布

在損失分布法中,通常假定操作風(fēng)險事件發(fā)生頻率服從Poisson分布、負(fù)二項分布或二項分布.由于不同的損失強度分布導(dǎo)致?lián)p失值產(chǎn)生較大差異,而不同損失頻率分布對損失值的影響無顯著差異[19].因此,假定財產(chǎn)保險欺詐風(fēng)險損失事件發(fā)生頻率服從Poisson分布.

如果每年欺詐風(fēng)險發(fā)生次數(shù)N服從Poisson分布,則有Pr(N=n)=e?λλn/n!.其中λ可以通過每年發(fā)生次數(shù)的均值估計.Leadbetter等[20]證明,對于足夠大的閾值u,超額數(shù)X序列逐漸收斂于一個強度為λu(λu>0)的泊松過程.因此假定高頻低損的欺詐風(fēng)險損失頻率服從Po(λ1),低頻高損欺詐風(fēng)險損失頻率服從Po(λ2),那么每年欺詐風(fēng)險損失頻率服從Po(λ1+λ2),即有

參數(shù)λ1、λ2可以分別通過閾值u之下和之上每年發(fā)生欺詐次數(shù)的均值獲得.

2.2 損失強度分布

財產(chǎn)保險欺詐損失具有“高頻低損”和“低頻高損”的特征(見第3部分),因此采用兩階段分布模型擬合.即在選取合適的閾值后,閾值右側(cè)的低頻高損數(shù)據(jù)用廣義Pareto分布(GPD)擬合,閾值左側(cè)的高頻低損數(shù)據(jù)用對數(shù)正態(tài)分布擬合.于是財產(chǎn)保險欺詐損失分布為

其中對數(shù)正態(tài)分布密度函數(shù)為

廣義Pareto分布密度函數(shù)為

其分布函數(shù)為

這里y=x?u,β>0為尺度參數(shù).當(dāng)ξ>0時,y>0;當(dāng)ξ<0時,06y6?β/ξ.ξ為形狀參數(shù),當(dāng)ξ>0時,GPD是厚尾的;ξ=0時,為指數(shù)分布;ξ<0時為薄尾型的Pareto分布.

在式(2)中,閾值u的選取非常關(guān)鍵.選取過高,會導(dǎo)致超額數(shù)據(jù)過少,參數(shù)估計的方差很大;選取過低,則不能保證超額分布收斂,導(dǎo)致估計產(chǎn)生較大偏差.閾值u的選取采用超額均值函數(shù)(mean excess function, MEF)方法.

對于給定的樣本,樣本超額均值函數(shù)的定義為

其中Nu表示超過閾值的樣本個數(shù).當(dāng)閾值充分大時,點(u,e(u))構(gòu)成的曲線e(u)近似線性.當(dāng)x>u時, e(u)斜率為正,說明數(shù)據(jù)遵循形狀參數(shù)為正的GPD.據(jù)此選取恰當(dāng)?shù)拈撝?使得當(dāng)x>u時,為近似線性函數(shù)且向上傾斜,說明數(shù)據(jù)遵循厚尾的GPD.

閾值選取后,對于閾值之上的低頻高損數(shù)據(jù),用廣義Pareto分布擬合.為解決低頻高損數(shù)據(jù)不足帶來的誤差,使用基于Gibbs抽樣的貝葉斯MCMC方法估計GPD的參數(shù)(見文獻[21]),本文采用Openbugs軟件計算.因高頻低損部分樣本數(shù)據(jù)相對較多,故對數(shù)正態(tài)分布的參數(shù)估計采用極大似然方法.

2.3 財產(chǎn)保險欺詐損失的純保費估計

理論上,純保費等于期望年索賠額.設(shè)SN為某個時期內(nèi)(年)總欺詐索賠額,N是該期內(nèi)的欺詐索賠次數(shù),Xi表示第i次欺詐索賠額,N,X1,X2,...,XN是相互獨立的隨機變量,且X1,X2,...,XN具有相同分布,則有

于是,財產(chǎn)保險欺詐損失純保費為

即保險欺詐損失純保費等于年欺詐索賠次數(shù)的均值和欺詐索賠額均值的乘積.結(jié)合式(1)和式(2),有

2.4 財產(chǎn)保險欺詐損失度量

采用PSD-LDA方法度量財產(chǎn)保險欺詐損失.在得到財產(chǎn)保險欺詐損失頻率和損失強度分布函數(shù)后,總損失分布通過蒙特卡洛模擬實現(xiàn),具體步驟見文獻[22].本文采用Matlab R2012b計算,模擬10 000次,得到各置信水平下的VaR、TVaR估計值,取其估計值的10次均值作為最終估計結(jié)果.

另外,根據(jù)PSD-LDA方法計算得到VaR、TVaR估計值后,可將其與極值理論的POT模型等的計算結(jié)果進行比較.根據(jù)文獻[23],設(shè)X為一隨機損失變量,u為一閾值(一般較大),則超額損失X?u近似服從廣義帕累托分布.給定置信水平α,于是有

《歐盟償付能力II》建議用置信水平99.5%、時間周期為1年的VaR值來計量保險操作風(fēng)險償付能力資本要求(SCR).考慮到VaR的不足及“欺詐暗數(shù)”的存在,為了穩(wěn)健,選取置信水平99.9%、時間周期為1年的TVaR值來計提財產(chǎn)保險欺詐風(fēng)險經(jīng)濟資本.

3 實證分析

3.1 數(shù)據(jù)描述分析

目前國內(nèi)還沒有保險欺詐損失數(shù)據(jù)庫,因此,從“中國保險網(wǎng)”等媒體公開報道中收集保險欺詐損失事件1見:中國保險網(wǎng)-保險案例-保險與欺詐,http://www.china-insurance.com/case/..按照欺詐(案發(fā))時間、涉案險種、損失金額、欺詐主體及類型等內(nèi)容進行整理,得到1989–2012年間財產(chǎn)保險欺詐損失數(shù)據(jù)178個.通過對損失數(shù)據(jù)進行分析,可以了解目前我國財產(chǎn)保險欺詐現(xiàn)狀:

1)從涉案險種來看:機動車保險占74.3%,貨運險、企財險和責(zé)任險等占25.7%;

2)從欺詐類型來看:隱瞞標(biāo)的信息占4.3%,夸大損失占4.8%,虛構(gòu)保險事故占37.1%,故意制造保險事故占47.0%.可見,財產(chǎn)保險欺詐以故意制造保險事故和虛構(gòu)保險事故為主;

3)從欺詐主體來看:投保方欺詐占51.6%,團伙職業(yè)性欺詐占34.8%,內(nèi)部職員欺詐占10.1%;

4)從損失結(jié)果來看:車損險欺詐導(dǎo)致財險欺詐損失55.7%,企財險、貨運險和責(zé)任險等共占44.3%.外部欺詐導(dǎo)致?lián)p失占84.5%(其中團伙職業(yè)性欺詐占63%(主要針對車損險),投保方欺詐占21.5%),內(nèi)部欺詐(職員及代理人)致?lián)p15.5%.可見,財產(chǎn)保險欺詐損失主要是外部欺詐造成;

5)損失數(shù)據(jù)的特征:受保險金額的限制,每次欺詐造成的損失有限,欺詐呈現(xiàn)“低損失”的特點.由于職業(yè)性欺詐團伙通過故意制造或虛構(gòu)大量保險事故騙取保險金,欺詐次數(shù)具有“高頻”特點,因此保險欺詐損失

具有“高頻低損”特征.另外,和保險相關(guān)的假機構(gòu)、假保單、假賠案、貪污保費或退保費以及利用保險單證進行合同詐騙、非法集資等保險欺詐行為,由于脫離了保險公司核保、理賠環(huán)節(jié)的控管,不受保險金額的限制,盡管相對于前一種情況這些欺詐行為發(fā)生頻率很低,但其造成的損失相當(dāng)嚴(yán)重,損害巨大,因此財產(chǎn)保險欺詐又呈現(xiàn)“低頻高損”的特征.

考慮到1989–2000年間欺詐損失數(shù)據(jù)較少(損失數(shù)據(jù)11個,共損失986.8萬元),因此,應(yīng)用模型分析時主要采用2001–2012年的數(shù)據(jù)共167個.財產(chǎn)保險欺詐損失數(shù)據(jù)及強度描述見表1、表2.

圖1 欺詐損失金額直方圖Fig.1 Histogram of fraud loss

圖2 Q-Q圖Fig.2 Q-Q fgure

表1 財產(chǎn)保險欺詐損失數(shù)據(jù)1為了簡化,沒有考慮通貨膨脹等因素,即未對數(shù)據(jù)進行折算,以當(dāng)年報道的實際發(fā)生的金額為準(zhǔn).Table 1 Property insurance fraud loss data

表2 財產(chǎn)保險欺詐損失強度描述Table 2 Property insurance fraud losses severity description

由表2,偏度系數(shù)遠(yuǎn)大于0,峰度系數(shù)遠(yuǎn)大于3.可以初步判斷,財產(chǎn)保險欺詐損失分布為尖峰厚尾分布.圖1給出了損失金額直方圖,圖2是經(jīng)驗分布指數(shù)QQ圖.從圖1和圖2可看出損失數(shù)據(jù)存在嚴(yán)重的厚尾現(xiàn)象.

表3 財產(chǎn)保險欺詐損失強度分布擬合(顯著性水平5%)Table 3 Property insurance fraud losses severity distribution ftting

遵循一般方法,用Lognormal、Weibull、Gamma、Exponential、廣義Pareto等分布直接擬合財產(chǎn)保險欺詐損失數(shù)據(jù),參數(shù)估計都采用極大似然方法,并用KS法對擬合效果進行檢驗(見表3).

圖3 超額均值函數(shù)圖Fig.3 Mean Excess Function fgure

圖4 Hill圖Fig.4 Hill fgure

由表3可知,K-S檢驗拒絕了數(shù)據(jù)呈正態(tài)分布的假設(shè),只有廣義帕累托分布和對數(shù)正態(tài)分布的擬合通過檢驗.因此,采用分段定義來擬合欺詐損失分布,即用對數(shù)正態(tài)分布擬合高頻低損數(shù)據(jù),GPD擬合低頻高損數(shù)據(jù).

3.2 財產(chǎn)保險欺詐損失分布的擬合

首先,根據(jù)超額均值函數(shù)圖結(jié)合Hill圖來選取閾值.

從超額均值函數(shù)圖(圖3)可以看出,閾值在75以后圖形近似線性并向上傾斜;Hill圖(圖4)顯示在超額數(shù)27附近時Hill圖開始穩(wěn)定.結(jié)合來看,選擇閾值u=75,對應(yīng)超額數(shù)為27個.

其次,估計參數(shù)并檢驗.給定閾值,用基于Gibbs抽樣的貝葉斯MCMC模擬法得到GPD參數(shù)估計,結(jié)果見表4.表4中還給出其他閾值及極大似然法參數(shù)估計(MLE)結(jié)果以進行比較.

表4 GPD參數(shù)估計1說明:使用Openbugs軟件進行10萬次迭代,濾去前2萬次,將剩下的8萬次作為目標(biāo)后驗分布的樣本,得到參數(shù)估計值.Table 4 GPD parameter estimation

由表4可知:第一,Bayes方法和MLE方法得到的參數(shù)估計值比較接近,但略大于MLE方法的結(jié)果,標(biāo)準(zhǔn)差也較大.這是由于Bayes方法中把參數(shù)看成了隨機變量,增加了模型的不確定性的結(jié)果,因而更加符合實際情況[24];第二,當(dāng)超額數(shù)小于5個時,形狀參數(shù)的MLE估計值變?yōu)樨?fù)數(shù),已經(jīng)背離了厚尾特性.說明在小樣本的情況下,貝葉斯MCMC方法的估計結(jié)果明顯優(yōu)于MLE方法,因此選用貝葉斯方法估計GPD參數(shù).

在得到GPD參數(shù)估計值后,對閾值u=62,u=75,u=80對應(yīng)的低頻高損數(shù)據(jù)是否服從廣義Pareto分布進行KS檢驗,檢驗的P值分別為0.086 0,0.086 6,0.080 7,均大于0.05,其中u=75對應(yīng)的P值0.086 6最大.綜合考慮,選取u=75(對應(yīng)超額數(shù)Nu=27)作為閾值.此時,超額數(shù)個數(shù)占樣本總數(shù)的16.2%左右,滿足閾值選取對應(yīng)超額數(shù)占樣本總數(shù)10%左右的要求[25].

另外,u=75時,從其GPD擬合圖(圖5)、殘差的指數(shù)QQ圖(圖6)看,擬合的效果較好,進一步驗證了閾值選取的正確性.

圖5 GPD分布擬合圖Fig.5 Generalized Pareto distribution ftting fgure

圖6 殘差指數(shù)Q-Q圖Fig.6 Residuals Index Q-Q fgure

圖7 欺詐風(fēng)險損失擬合分布圖Fig.7 Fraud loss distribution ftting fgure

圖8 Q-Q圖Fig.8 Q-Q fgure

最后,擬合高頻低損分布函數(shù).針對高頻低損序列,即閾值左側(cè)x675的140個樣本數(shù)據(jù),用指數(shù)分布、伽馬分布、對數(shù)正態(tài)分布、Weibull分布等進行擬合,擬合分布見圖7,擬合檢驗結(jié)果見表5.

表5 擬合分布K-S檢驗結(jié)果Table 5 Results of K-S test of Fitting distributions

由表5可知,對數(shù)正態(tài)分布的擬合效果最優(yōu)(p=0.323 3).圖8Q-Q圖（已取對數(shù)）顯示對數(shù)正態(tài)分布擬合效果較好.因此,選擇對數(shù)正態(tài)分布近似概率分布函數(shù).由MLE法可得其參數(shù)μ=2.175 0,σ=1.213 4.

另外,給出了不同閾值對應(yīng)的PSD-LDA模型的參數(shù)估計(見表6).

3.3 財產(chǎn)保險欺詐損失純保費估計

u=75時,把表6中相關(guān)參數(shù)代入式(3)，可得保險欺詐風(fēng)險損失的純保費為E(SN)=7 028萬元.事實上,由于“欺詐暗數(shù)”的存在,實際的欺詐損失純保費值肯定高于該數(shù)值.Caron和Dionne[26]研究證實“保險人能發(fā)現(xiàn)的欺詐比例僅為三分之一”.可見,欺詐提高了保險產(chǎn)品的價格.

3.4 財產(chǎn)保險欺詐損失度量及經(jīng)濟資本的測定

u=75時,根據(jù)PSD-LDA方法和蒙特卡洛模擬步驟得到估計結(jié)果(見表7).把表6中相關(guān)參數(shù)分別代入式(4)和式(5),可得POT極值法估計的結(jié)果(表7).表7還給出了損失分布法中運用單一對數(shù)正態(tài)分布和單一GPD分布擬合損失強度的估計結(jié)果.表8給出了閾值u=62,80時PSD-LDA模型的度量結(jié)果.

表6 兩階段損失序列參數(shù)估計(n=167)Table 6 Parameter estimation of PSD-LAD(n=167)

表7 不同度量方法下欺詐損失的VaR值與TVaR值(萬元)Table 7 VaR value and TVaR value of fraud losses under different measurement methods

表8 貝葉斯估計下不同閾值的度量結(jié)果(萬元)Table 8 Measurement results under different thresholds by Bayesian estimation

由表7可知:1)根據(jù)PSD-LDA方法的度量結(jié)果,給定置信水平99.5%,我國財產(chǎn)保險業(yè)在1年內(nèi)欺詐風(fēng)險最大損失值VaR為4.131 7億元,損失超過該VaR值后的平均潛在損失為17.027 9億元.給定置信水平99.9%,在1年內(nèi)欺詐風(fēng)險最大損失值為18.948 1億元,損失超過18.948 1億元后的平均潛在損失為52.426 3億元;2)相同方法、同一置信水平下的TVaR值遠(yuǎn)大于VaR值,高置信水平(99.9%)下的TVaR值、VaR值明顯高于低置信水平下(95%)下的TVaR值、VaR值,說明財產(chǎn)保險欺詐損失尾部風(fēng)險很大;3)不同方法度量結(jié)果不同,比較而言,PSD-LDA方法最優(yōu).POT模型在置信水平較低時,相應(yīng)的VaR、TVaR較低,如VaR95=313.2,TVaR95=9 545.8;當(dāng)置信水平較高時,VaR,TVaR顯著增高,如VaR99.9=15 197,TVaR99.9=415 090,表明POT模型只適用于度量尾部風(fēng)險.另外,POT模型僅對少量超閾值數(shù)據(jù)擬合,造成大量的數(shù)據(jù)浪費,從而丟失許多有用的信息.單一對數(shù)正態(tài)分布法各置信水平下TVaR值、VaR值相差不大,在高置信水平下低估了欺詐風(fēng)險損失,如TVaR99.9僅為14 131,與其他三種方法計算結(jié)果相差甚遠(yuǎn).該法對擬合樣本數(shù)據(jù)主體較好,但不能捕獲欺詐風(fēng)險厚尾特點,對尾部風(fēng)險估計較低.單一GPD損失分布法,各置信水平下的TVaR值(如TVaR99.9=515 791.4)與PSD-LDA方法(如TVaR99.9=524 262.9)非常接近,不過該法估計的置信水平95%和99%的VaR值很低,如VaR95值僅為620,VaR99=2 890.該法對尾部估計較好,對樣本數(shù)據(jù)的主體部分?jǐn)M合效果較差.可見,在對財產(chǎn)保險欺詐風(fēng)險損失的度量中,如果僅采用單一的傳統(tǒng)損失分布法或單一的POT極值法,對損失分布的主體和尾部特征的捕捉會顧此失彼.PSD-LDA結(jié)合了對數(shù)正態(tài)分布和GPD分布的優(yōu)點,并且是針對全部樣本數(shù)據(jù)建模,同時考慮“低頻高損”與“高頻低損”風(fēng)險,因而既能對損失數(shù)據(jù)主體有較好的擬合,又能很好地描述分布的厚尾特點,這可從表7中PSD-LDA方法度量的各置信水平下的TVaR和VaR值的結(jié)果得到反映.圖9給出了表7中各種分布對原始數(shù)據(jù)經(jīng)驗分布的擬合情況,由圖9可知,PSD-LDA方法對原始數(shù)據(jù)擬合最好.因此,采用PSD-LDA法對財產(chǎn)保險欺詐損失進行度量較其他方法更為合理精確.

另外,由表8可知,閾值選擇不同對經(jīng)濟資本(TVaR99.9)的估計有一定影響.比如,閾值從62萬元到75萬元變化了21%,但欺詐風(fēng)險經(jīng)濟資本變化了13.4%,閾值從75萬元到80萬元變化了6.7%,但欺詐風(fēng)險經(jīng)濟資本變化了23.2%.因此,閾值的選擇應(yīng)當(dāng)慎重.

采用置信水平為99.9%、時間為一年的TVaR值計提財產(chǎn)保險欺詐風(fēng)險經(jīng)濟資本.假定財產(chǎn)保險公司對欺詐風(fēng)險預(yù)期損失通過純保費的方式在定價中已經(jīng)體現(xiàn),根據(jù)PSD-LDA方法,整個財產(chǎn)保險行業(yè)需要計提的欺詐風(fēng)險經(jīng)濟資本EC=TVaR99.9?E(SN)=51.723 5億元,能抵御千年一遇的巨額財產(chǎn)保險欺詐風(fēng)險.2011年底,我國財產(chǎn)保險業(yè)總資產(chǎn)7 917.4億元,因此需計提6.53‰的經(jīng)濟資本以抵御欺詐風(fēng)險. 2004?2012年,財險年均保費收入2 871.941 9億元,其中機動車保費收入1 820.34億元,占63.4%,因此欺詐風(fēng)險經(jīng)濟資本占年均保費收入的18‰,占機動車保費收入28.4‰.可見欺詐風(fēng)險比較嚴(yán)重.

圖9 不同度量方法對經(jīng)驗分布的擬合效果Fig.9 Different metrics ftting effect on the empirical distribution fgure

4 結(jié)束語

本文采用PSD-LDA方法，通過Monte Carlo模擬得到財產(chǎn)保險欺詐損失VaR和TVaR值,并測算了其經(jīng)濟資本和損失純保費.研究結(jié)果表明:1)財產(chǎn)保險年欺詐純保費為7 028萬元,欺詐提高了保險產(chǎn)品價格;保險行業(yè)為應(yīng)對欺詐風(fēng)險,必須計提經(jīng)濟資本達52億元,占總資產(chǎn)的6.53‰,占年均保費收入的18‰,嚴(yán)重影響了保險公司經(jīng)營效率.因此,應(yīng)加大對保險欺詐的防范與打擊力度;2)財產(chǎn)保險欺詐風(fēng)險損失具有嚴(yán)重的厚尾分布,尾部損失的風(fēng)險很大,因此應(yīng)重點防范尾部風(fēng)險的發(fā)生;3)PSD-LDA方法克服了單一損失分布法或單獨使用POT方法度量欺詐風(fēng)險的缺陷,既能對損失主體有較好的擬合,又能對分布的“厚尾”特點給以很好的描述,因此采用這種方法度量欺詐風(fēng)險比較合理.研究結(jié)果對于我國建立商業(yè)保險欺詐風(fēng)險準(zhǔn)備金制度、逐步建立以經(jīng)濟資本為核心的欺詐風(fēng)險管理體系、欺詐風(fēng)險監(jiān)測預(yù)警機制以及完善保險產(chǎn)品定價機制具有重要的應(yīng)用價值.

[1]Picard P.Economic analysis of insurance fraud[C]//Dionne G.Handbook of Insurance.New York:Springer,2013:315–316.

[2]中國保監(jiān)會.關(guān)于加強反保險欺詐工作的指導(dǎo)意見[EB].http://www.circ.gov.cn/tabid/5171/InfoID/219312/frtid/5225/Default.aspx,2012-08-06/2013-05-08.

China Insurance Regulatory Commission.Guiding Opinions on Strengthening the Work of Anti-insurance Fraud[EB]. www.circ.gov.cn/tabid/5171/InfoID/219312/frtid/5225/Default.aspx,August 6,2012/May 8,2013.(in Chinese)

[3]Tripp M H,Bradley H L,Devitt R,et al.Quantifying operational risk in general insurance companies[J].British Actuarial Journal, 2004,10(5):919–1026.

[4]Dexter N,Ford C,Jakhria P,et al.Quantifying operational risk in life insurance companies[J].British Actuarial Journal,2007,13(2): 257–337.

[5]Paudel Y.Quantifying operational risk in insurance companies[J].Actuarial Sciences,2008,58(1):24–29.

[6]Lambrigger D D,Shevchenko P V,Wuthrich M V.Data combination under Basel II and Solvency II:Operational risk goes Bayesian[J].French Actuarial Bulletin,2008,8(16):4–13.

[7]Perez M J.Analyzing solvency with extreme value theory:An application to the Spanish motor liability insurance market[J].Journal of Innovar,2010,20(36):35–48.

[8]Bolance C,Ayuso M,Guillen M.A nonparametric approach to analyzing operational risk with an application to insurance fraud[J]. Journal of Operational Risk,2012,7(1):57–75.

[9]Morales R,Anibal J,Hurtado M.Estimation of operative risk for fraud in the car insurance industry[J].Global Journal of Business Research,2012,6(3):73–83.

[10]周孝華,董耀武,姜 婷.基于EVT-POT-SV-GED模型的極值風(fēng)險度量研究[J].系統(tǒng)工程學(xué)報,2012,27(2):152–159.

Zhou Xiaohua,Dong Yaowu,Jiang Ting.Extreme risk measurement based on EVT-POT-SV-GED model[J].Journal of Systems Engineering,2012,27(2):152–159.(in Chinese)

[11]King J L.Operational Risk Measurement and Modeling[M].New York:Wiley,2001:87–113.

[12]Li Jianping,Feng Jichuang,Chen Jianmin.A piecewise-defned severity distribution-based loss distribution approach to estimate operational risk:Evidence from Chinese national commercial banks[J].International Journal of Information Technology and Decision Making,2009,8(4):727–747.

[13]王麗珍,李秀芳.基于償付能力的最優(yōu)再保險策略[J].系統(tǒng)工程學(xué)報,2012,27(1)：44–51.

Wang Lizhen,Li Xiufang.The optimal reinsurance strategy based on maximal possible claims principle[J].Journal of Systems Engineering,2012,27(1):44–51.(in Chinese)

[14]Basak S,Shapiro A.Value-at-Risk-based risk management:Optimal policies and asset prices[J].Review of Financial Studies,2001, 14(2):371–405.

[15]劉喜華,金加林.保險欺詐博弈與基于最優(yōu)博弈策略的保險契約[J].系統(tǒng)工程理論與實踐,2004,24(2):19–24.

LiuXihua,JinJialin.Insurancefraudgameandinsurancecontractbasedonoptimalgamestrategies[J].SystemsEngineering:Theory &Practice,2004,24(2):19–24.(in Chinese)

[16]邊文霞.保險欺詐博弈研究[M].北京:首都經(jīng)濟貿(mào)易大學(xué)出版社,2006.

Bian Wenxia.Insurance Fraud Game Research[M].Beijing:Capital University of Economics and Business Press,2006.(in Chinese)

[17]葉明華.基于BP神經(jīng)網(wǎng)絡(luò)的保險欺詐識別研究:以中國機動車保險索賠為例[J].保險研究,2011(3):79–86.

Ye Minghua.Insurance fraud recognition based on BP Neural Networks:A case study in Chinese motor insurance claims[J].Insurance Studies,2011(3):79–86.(in Chinese)

[18]陳 亮.改進的貝葉斯網(wǎng)絡(luò)模型在保險欺詐挖掘中的應(yīng)用[J].河南城建學(xué)院學(xué)報,2012(1):50–53.

Chen Liang.Application of improved Bayesian network to discover insurance fraud[J].Journal of Henan University of Urban Construction,2012(1):50–53.(in Chinese)

[19]ValleD,Giudici P.A Bayesian approach to estimate themarginalloss distributions in operationalrisk management[J].Computational Statistics&Data Analysis,2008,52(10):3107–3127.

[20]Leadbetter M R.On a basis for‘Peaks over Threshold’modeling[J].Statistics&Probability Leters,1991,12(4):357–362.

[21]Bermudez P Z,Turkman M A.Bayesian approach to parameter estimation of the generalized pareto distribution[J].Test:An Offcial Journal of the Spanish Society of Statistics and Operations Research,2003,12(1):259–277.

[22]王宗潤,汪武超,陳曉紅.基于BS抽樣與分階段定義損失強度操作風(fēng)險度量[J].管理科學(xué)學(xué)報,2012(12):58–69.

Wang Zongrun,Wang Wuchao,Chen Xiaohong.Application of LDA based on Bootstrap sampling and piecewise defned severity distribution in operational risk measuremen[J].Journal of Management Sciences in China,2012(12):58–69.(in Chinese)

[23]McNeil A J.Estimating the tails of loss severity distributions using extreme value theory[J].ASTIN Bulletin,1997,27(1):117–137.

[24]Bottolo L,Consonni G,Dellaportas P.A Bayesian analysis of extreme values by mixture modeling[J].Extremes,2003,6(1):25–48.

[25]DuMouchel W H.Estimating the stable indexαin order to measure tail thickness:A critique[J].Annals of Statist,1983,11(4): 1019–1031.

[26]Caron L,Dionne G.Insurance fraud estimation:More evidence from Quebec automobile insurance industry[C]//Laberge C,Dionne G.Automobile Insurance:Road Safety,New Drivers,Risks,Insurance Fraud and Regulation.Massachusetts:Kluwer,1999:175–182.

Empirical study of measuring property insurance fraud loss in China

Lin Yuan1,2,Li Lianyou1
(1.School of Finance and Statistics,Hunan University,Changsha 410082,China; 2.Huaihua University,Huaihua 418008,China)

Based on Bayesian Markov chain Monte Carlo(MCMC)method to estimate parameters,this paper proposes a loss distribution approach based on piecewise-defned severity distribution(PSD-LDA)to calculate the potential losses Tail VaR of property insurance fraud risk,its economic capital,and net premiums.We compare the results derived with other methods such as peaks over threshold(POT)method and single loss distribution approach.Empirical results show that property insurance fraud losses have fat tail risks,and the PSD-LDA model is more rational in measuring its fraud risk,which can provide a theoretical basis for the pricing of insurance products and the decisions of insurance fraud risk management.

insurance fraud;generalized Pareto distribution;Gibbs sampling;economical capital

G22;G32

A

1000?5781(2015)04?0509?10

10.13383/j.cnki.jse.2015.04.008

2013?11?22;

2014?06?16.

國家社會科學(xué)基金資助項目(12BGL091);教育部人文社科基金一般資助項目(12YJAZH069);湖南省軟科學(xué)研究計劃資助項目(2013ZK3049).

林 源(1968—),男,湖南沅陵人,博士,副教授,研究方向:風(fēng)險管理與保險,E-mail:linyuan0011@126.com;

李連友(1965—),男,湖南安鄉(xiāng)人,博士,教授,研究方向:風(fēng)險管理與保險,E-mail:pkuyoully@263.net.