UBI车险四问

开篇：润墨网以专业的文秘视角，为您筛选了一篇UBI车险四问范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

ubi在中国方兴未艾，在迈向创新的未来之路上很有想象力，然而确实需要及早理清一些基本问题，以此定好基本方略。UBI的基本方略是“根”，UBI的产品创新是“叶”，根深方能叶茂。

2015年1月22日，笔者受邀参加首届中国UBI车险峰会的一场圆桌讨论。在会上，该场圆桌讨论的主持人、车险无忧公司副总裁窦一平先生围绕“驾驶数据、车险定价、安全驾驶”这一主题向参与讨论的嘉宾提出了几个挺基本、挺实在的问题。就这些问题，会上我谈了自己的看法，会后忍不住又进行了一番思考。UBI在中国方兴未艾，在迈向创新的未来之路上很有想象力，然而确实需要及早理清一些基本问题，以此定好基本方略。UBI的基本方略是“根”，UBI的产品创新是“叶”，根深方能叶茂。

车险真的可以按驾驶行为定价吗？如果可以，比重会是多少呢？

我认为这个比重应该不是固定的，根据具体情况来定。驾驶行为可以作为车险的一个定价因素，但不是全部，所以就涉及一个比重的问题。但比重占多少合适？这不是一个一刀切的问题。UBI车险的核心精神就是个性化定价，那么这个比重针对不同的车主应该也有所不同。简单而言，汽车的风险分为两种，即静态风险与动态风险。静态风险与驾驶行为的关系不是太大，比如偷盗、停车后的意外剐碰等，而动态风险和驾驶行为的关系就比较大。一辆长期不开的汽车和一辆经常驾驶的车，驾驶行为对风险的影响程度显然是不同的，所以在二者的车险定价中，驾驶行为所占的比重也应该不一样。衡量一辆车动态程度的一个重要指标就是车辆的行驶里程。里程的差异实际上就决定了驾驶行为对车险影响程度的差异。在发展UBI的初期可以先依据不同的里程来设计驾驶行为因素在车险定价中的不同比重。对于经常开的车，驾驶行为的比重就应该高一些，对不经常开的车，这个比重就应该小一些。至于具体多少合适，那则需要数据科学家、保险精算团队发挥大智慧。

UBI车险的核心在于数据收集，现在的技术是否成熟到可以收集全面的驾驶数据？

对这个问题的说法本身，我有一些个人看法。首先，我不认为UBI车险的核心在数据收集，或者说数据收集只是核心的一半。UBI车险的核心所在应该还是数据分析，就是从收集的浩瀚数据中分析出价值，准确地预测风险，将用户的诸种驾驶行为与出险概率之间形成有效关联。美国Allstate保险公司UBI项目负责人就将该公司的核心资产归结为数据科学家和分析数据的能力。当然巧妇难为无米之炊，数据科学家和分析数据的能力也必须需要充足的数据做基础。就像对于一家餐厅，卓越的厨师、一流的烹饪能力虽然是它的核心竞争力，但也需要能够低成本、高效率获得大量优质食材的能力。放到UBI上说，采集的数据就是食材。这两者不可偏废，但要说哪个更重要，我觉得还是烹饪能力。毕竟餐厅成其为餐厅，是因为它最终能向顾客提供一流的菜肴和服务，如果仅是在优质食材的供应方面做的超棒，而烹饪水平低下，那么它同一家生鲜超市有多大区别？

其次，对于什么是“全面的驾驶数据”？这个也不好说清楚，因为我觉得很难清晰断定是否已经收集到了全面的驾驶数据。我所理解的全面驾驶数据，它不仅是驾驶人本身所产生的一些数据，比如有多少急刹车、急转弯、急加速之类的不良驾驶行为，而是能影响到驾驶风险的所有数据，比如我们都知道的周遭路况、天气等，另外可能还有一些我们还没想到的因素，它们在特定状况下也会影响驾驶风险。然而我们还不知道这些数据属于驾驶数据，所以就更别说去对它们进行“全面”收集了。

再次，全面数据也不是技术上成熟了，UBI公司想采就能采的，还涉及到一个隐私问题。以UBI发展较早的美国为例。UBI在美国的具体模式主要分两种，一种是基于驾驶人的驾驶里程，即PAYD（Pay As You Drive）。另一种则基于驾驶人的驾驶行为，即PHYD（Pay How You Drive）。目前整体来看，还是第一种UBI模式更受私家车主欢迎，其中一个原因就是它不涉及车辆位置等比较隐私的问题。所以我认为收集全面数据最大的难处不在技术本身，而是如何让更多的私家车主接受数据采集设备。车联网已经发展那么多年了，无论是整车厂，还是汽车后市场，都已经有很多技术手段去收集这些关键数据。目前数据收集最大的难点应该还是如何让更多的车主去接受数据采集设备，进而形成驾驶大数据的数据基石。只有上规模的车主驾驶行为数据做基础，假以时日，后端的数据分析才更有意义，才能在驾驶大数据与出险几率之间建立有效关联。

最后，结合UBI在中国的落地发展来看，我认为做好UBI的关键还不是能否收集到全面的驾驶数据，而是能否处理好已经收集到的关键驾驶数据。可能某家UBI公司只能收集到寥寥几个维度的数据，比如驾驶里程。但如果这家UBI公司通过长期的数据积累和打磨，在驾驶里程和出险几率之间找到了关联，建立了科学的算法和风险评估模型，这就很了不起。根据驾驶里程计算保费，听起来好像挺容易，平时坐出租车不就是这么计费的么，其实没那么简单。要知道在不同的地段、时间、天气等情况下，相等距离的一段驾驶里程与汽车发生风险的关联程度是不一样的。要想知道在雨夜开100公里到底比在艳阳天开100公里高出多少风险，这无疑需要数据的积累和打磨，需要在数据分析上花大功夫。所以现阶段做UBI还不宜追求采集全面的驾驶数据，而是首先要实现对一些关键数据的精准采集，然后把数据分析做好。就像一位餐厅厨师，如果他能把手头仅有的寥寥几道食材做出一流的特色佳肴，对顾客就很有价值。如果这位厨师总是在那儿一味地囤积各种食材，然而每道食材都做的不精，结果开业好长时间都没做出让顾客满意的菜肴。即使厨师还有耐心，顾客早没耐心了。

UBI是否绝对公平？比如上夜班的人必须夜间驾驶，那如果影响保费，公平吗？

绝对公平是不存在的，不仅是对于UBI，很多事情都是这样。如果一个上夜班的人必须夜间驾驶，那应当影响保费，这是公平的。因为不管一位车主夜间开车是主动行为还是被动行为，他客观上的驾驶风险确实要大一些。不能因为他是迫不得已这样做，得到了一个不大优惠的保费，然后就说不公平，这显然不合适。传统车险不管车主是夜间驾驶还是白天驾驶，保费价格一样，可谓“一视同仁”，难道这就是车主想要的公平吗？显然不是。所谓公平一定要针对个体的独特状况，一位车主得到根据其实际情况应该得到的保费，那就是公平。一位车主不能老拿和自己情况不一样的人来比保费。如果两个人都是夜间开车，驾驶行为啥的所有情况都一样，然而一个人的保费比另外一个人高很多，这才叫不公平。而UBI的精髓就是根据不同车主的不同情况来确定适合他的保费，所以UBI是公平的。

说到UBI的公平，我还想谈另外一个问题，那就是如何让用户感受到UBI的公平，这也是UBI在中国发展初期需要解决的问题。传统车险的定价模式虽然不大合理，但是相对比较简单，容易被车主所理解。UBI追求的是更公平的车险价格，这个车险定价的背后综合考虑了一系列数据因素。然而对车主而言，他可能不清楚他的保费是怎么计算出来的。一位车主可能感觉他最近开车比之前更小心了，为什么车费还比之前贵了，觉得不公平，认为UBI的保费是瞎算的，然后就怀疑UBI的科学性和公平性。也许这位车主没考虑到其他影响车辆驾驶风险的因素。比如他最近开车的确更小心了，然而最近天气比较恶劣，而且他还总在人流车流混杂的交通事故高发地段开车，这么一综合计算下来，他整体的出险概率可能更高了。所以怎么让车主感受到UBI的公平，让更多车主从心底里接受UBI，是一个需要解决的大问题。

驾驶数据如何驱动安全驾驶？

驾驶数据驱动安全驾驶主要体现在三个层面：第一个是对车主个体驾驶行为的改善;第二个是对车辆状况的及时维护与优化;第三个则是对于整个城市交通规划与管理的优化。在车主的个体层面，这个很好理解。如果车主的驾驶数据能充分体现出他在安全驾驶，那么车主就会获得更低保费等回报，进而激励他养成更好的安全驾驶习惯。另外一些智能车载设备也会依据驾驶数据及时向车主提供主动安全方面的服务，比如ADAS，这些都能驱动安全驾驶。在车辆状况的层面，一些驾驶数据也包括了对车况信息的实时采集和分析，对于各种隐患会及时发现、及时报修，防患于未然，这本身也有助于安全驾驶。放在城市层面来讲，行驶在一座城市各地车辆的驾驶数据对优化一座城市的交通规划和管理也很有价值。如果大量车辆的驾驶数据显示，在一座城市的某个路段，一些之前驾驶行为还比较规矩的车辆，到了此处经常出现急刹车、急转弯等不良驾驶行为，那或许就说明这个路段的路况或交通管理有问题，需要尽快改善，即使现在没发生事故，出现事故也是早晚的事。实现安全驾驶不仅需要车主个人来努力，也需要城市做好交通规划和管理，而驾驶数据能在这方面发挥很大的作用。

国外一些保险公司已经在通过驾驶数据驱动安全驾驶方面做了一些有益探索。美国Allstate保险公司从2010年开始启动了一个名为Drivewise的UBI项目。截止到2015年年底，Allstate的UBI项目已经大概有了100万活跃用户。目前用户量还在增长，平均每三个新增的Allstate车险用户里就有一人加入UBI项目。对于下载使用Drivewise APP的用户，无论他是否是Allstate的车险用户，如果在安全驾驶上表现比较好，都可以获得积分，在购买一些名牌商品时获得折扣。对于Allstate的车险用户，除了获得商品折扣外，在车险保费上也会获得优惠。南非Discovery保险公司，为鼓励用户安全驾驶，发明了一个新名词“DQ”。Discovery保险公司从2011年开始启动一项名为Vitality Drive的UBI项目。用户驾驶行为越安全，那么他得到的DQ分数就越高，对应的奖励也就越大，包括保费折扣、汽油奖励、汽车配件折扣等。