图数据库在识别重大疾病保险团伙式欺诈中的应用研究

发布时间：2021-11-27 23:23

　　随着中国经济的快速发展和保险市场的日益成熟,重大疾病保险已逐步成为国民选择的热门保险产品。然而重大疾病保险相关的保险欺诈问题却屡见不鲜,并且呈现团伙化、专业化的趋势,传统方法已经无法有效识别重大疾病保险的团伙式欺诈行为。本文运用图数据库方法,针对某大型寿险公司近10年的赔付信息进行分析,探索并验证图数据库技术在识别重大疾病保险团伙式欺诈中的应用可行性。分析表明,图数据库技术可以有效识别重大疾病保险相关的团伙式保险欺诈行为。建议在图数据库技术的应用过程中,严格把控数据质量,建立数据共享机制,以保证图数据库识别工具的有效运行,加强公司保险欺诈风险防控能力。 

【文章来源】：保险研究. 2020,(09)北大核心CSSCI

【文章页数】：13 页

【部分图文】：

图数据库构建设计图

如果认为正常的保单和赔案是离散的个体,仅因业务员产生关联,那么当一“赔案保单”节点与很多节点共用信息并处于团体中的重要位置时,该赔案很有可能存在保险欺诈行为。表1 GBDT对内部欺诈的预测模型中部分变量的重要性水平 特征 含义 重要性水平 ClosenessCentrality 中介中心性 0.3049 numNodes 关联节点个数 0.2154 agentCPs 负责该业务的业务员负责的赔案保单个数总数 0.1487 cpInCommunity 社区中节点个数 0.1430 EigenVector 特征向量中心性 0.1075 Group 组别 0.0468 EVminusDC 邻居相对重要性 0.0165 DegreeCentrality 度中心性 0.0122 centrality_numNodes 中介中心性/关联节点个数 0.0017 BetweennessCentrality 中介中心度 0.0013 centrality_cpInCommunity 中介中心性/同社区节点个数 0.0007 numPhone 赔案保单电话个数 0.0006 centrality_agentCPs 中介中心性/同业务员赔案保单个数 0.0005

其次,由同一名(或同几名)涉案人员实施的一组内部欺诈沿业务员推荐链聚集(如图4中两例)。在实践中,不仅应对欺诈的聚集中心所涉及的赔案保单进行检查,同时也可借助推荐的一度关系、双向延长推荐链来尝试解释欺诈组团形成原因,并通过关系网定位高风险的业务员。图4 内部欺诈沿业务员推荐链聚集

【参考文献】：
期刊论文
[1]互联网背景下的保险欺诈与反欺诈探讨[J]. 侯旭华,谢冬青.  会计之友. 2020(01)
[2]人工智能反保险欺诈的私法效果和路径选择[J]. 董敏,吕红平,刘轶.  金融教育研究. 2019(06)
[3]基于图数据库的知识图谱管理系统构建研究[J]. 杨勇,任鸽.  信息与电脑(理论版). 2019(22)
[4]运用探索性数据分析（EDA）和梯度提升决策树（GBDT）识别人身保险欺诈的方法探讨[J]. 王飞跃,黄涛,黄磊.  上海保险. 2019(09)
[5]解锁全球反保险欺诈技能[J]. 李忠东.  检察风云. 2019(17)
[6]保险欺诈防范方法之二:实地调查法[J]. 卫新江.  中国保险. 2006(02)

博士论文
[1]中国健康保险欺诈的理论分析与实证研究[D]. 李聪.青岛大学 2015

硕士论文
[1]基于机器学习算法的互联网金融风控模型研究[D]. 范晶晶.杭州电子科技大学 2019



本文编号：3523242