CN109685557A - 基于大数据的保险定价方法、装置、设备及可读存储介质 - Google Patents
基于大数据的保险定价方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109685557A CN109685557A CN201811529252.8A CN201811529252A CN109685557A CN 109685557 A CN109685557 A CN 109685557A CN 201811529252 A CN201811529252 A CN 201811529252A CN 109685557 A CN109685557 A CN 109685557A
- Authority
- CN
- China
- Prior art keywords
- special medicine
- per capita
- insurance
- year
- city
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于大数据的保险定价方法、设备、装置及可读存储介质，在接收到定价请求时，确定目标城市和赔付方案，并确定目标城市的参考城市；获取特药在参考城市的历史人均年费用，并根据历史人均年费用获取特药人均年费用；根据特药人均年费用和赔付方案测算预计人均年赔付；根据预计人均年赔付、适用症发病率和特药使用率测算年风险保费；根据年风险保费和预设运营方案测算特药保险计划的人均年毛保费。本发明结合特药使用费用及费用变化趋势、用药率率、运营成本等多个影响因素计算特药保险计划的毛保费，以大数据分析处理的方式对特药保险计划进行了定价，从而更全面地考虑了特药保险计划价格影响因素，提高了定价的合理性和准确性。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种基于大数据的保险定价方法、装置、设备及可读存储介质。
背景技术
随着医学技术的发展，市场上特药(针对某一疾病进行特殊治疗，具有高科学含量，技术难度高的药品)逐渐增多，如安立生坦片(凡瑞克)、芦可替尼片(捷恪卫)等；但市场上的特药价格较为昂贵。为了减轻患者负担，一些保险机构提出以将特药的医药费用纳入至保险报销范围内；而在目前对特药保险计划进行定价时，目前主要由专家进行人工分析和确定，而这定价人为因素大，且并未考虑特药的费用变化情况，这降低了特药保险计划定价的准确性。
发明内容
本发明的主要目的在于提供一种基于大数据的保险定价方法、装置、设备及可读存储介质，旨在提高特药保险定价的准确性。
为实现上述目的，本发明提供一种基于大数据的保险定价方法，所述基于大数据的保险定价方法包括：
在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；
获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；
根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；
获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；
根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。
可选地，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述根据所述历史人均年费用和预设费用预测模型获取所述特药的人均年费用的步骤包括：
基于预设拟合规则对所述历史人均年费用和所述历史人均年费用对应的时间进行曲线拟合，得到费用与时间的关系拟合曲线；
通过所述关系拟合曲线预测所述特药在所述特药保险计划的保险周期内的特药人均年费用。
可选地，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述根据所述历史人均年费用和预设费用预测模型获取所述特药的人均年费用的步骤包括：
根据至少两个不同历史年度内的历史人均年费用测算年费用均值；
根据所述年费用均值测算所述特药的特药人均年费用。
可选地，所述城市数据库包括至少两个样本城市、及各样本城市各自的样本属性组，所述样本属性组至少包括两个元素，所述样本属性组的元素形式为数值，
所述基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市的步骤包括：
获取所述目标城市的城市属性信息，并根据预设转译规则将所述城市属性信息转译为对应的目标属性组，其中所述目标属性组与所述样本属性组具有相同数量的元素，所述目标属性组的元素形式为数值；
根据预设差异度公式计算分别计算所述目标属性组与各样本属性组的属性差异度，并根据所述属性差异度在所述样本城市中确定参考城市。
可选地，所述预设差异度公式为：
其中，V1为所述目标属性组，V2为所述样本属性组；
d(V1,V2)为所述目标属性组与所述样本属性组的属性差异度；
v1i为所述目标属性组的第i个元素，v2i为所述样本属性组的第i个元素元素，i＞0。
可选地，所述预设运营方案包括预设人均运营成本、预设税费比例和预设利润率，
所述根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费的步骤包括：
根据所述年风险保费、所述预设人均运营成本、所述预设税费比例、所述预设利润率和预设毛保费公式计算得到所述特药保险计划的人均年毛保费，其中所述预设毛保费公式为：
其中，F为所述人均年毛保费；
R为所述年风险保费，R＞0；
C为所述预设人均运营成本，C＞0；
T为所述预设税费比例，0＜T＜1；
pr为所述预设利润率，0＜pr＜1。
可选地，所述根据所述年风险保费和预设运营方案获取所述特药保险计划的人均年毛保费的步骤之后，还包括：
获取预设报告模板，并根据定价过程的定价数据和所述预设报告模板生成对应的定价报告。
此外，为实现上述目的，本发明还提供一种基于大数据的保险定价装置，所述基于大数据的保险定价装置包括：
参考城市确定模块，用于在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；
年费用获取模块，用于获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；
年赔付获取模块，用于根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；
风险保费获取模块，用于获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；
毛保费获取模块，用于根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。
此外，为实现上述目的，本发明还提供一种基于大数据的保险定价设备，所述基于大数据的保险定价设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的保险定价程序，其中所述保险定价程序被所述处理器执行时，实现如上述的基于大数据的保险定价方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有保险定价程序，其中所述保险定价程序被处理器执行时，实现如上述的基于大数据的保险定价方法的步骤。
本发明通过参考与目标城市相似的参考城市的具体特药情况，并结合特药使用费用及其费用变化趋势、疾病用药率、运营成本等多个影响因素计算特药保险计划的毛保费，以大数据分析处理的方式对特药保险计划进行了定价，从而更全面地考虑了特药保险计划价格影响因素，使得定价结果能够更符合保险机构的真实运营状况和特药的市场需求，提高了定价的合理性和准确性，还有利于降低保险计划的运营成本。
附图说明
图1为本发明实施例方案中涉及的基于大数据的保险定价设备的硬件结构示意图；
图2为本发明基于大数据的保险定价方法第一实施例的流程示意图；
图3为本发明基于大数据的保险定价装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例涉及的基于大数据的保险定价价方法主要应用于基于大数据的保险定价设备，该基于大数据的保险定价设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图1，图1为本发明实施例方案中涉及的基于大数据的保险定价设备的硬件结构示意图。本发明实施例中，基于大数据的保险定价设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及保险定价程序。在图1中，网络通信模块可用于连接定价终端，与定价终端进行数据通信；而处理器1001可以调用存储器1005中存储的保险定价程序，并执行本发明实施例提供的基于大数据的保险定价方法。
本发明实施例提供了一种基于大数据的保险定价方法。
参照图2，图2为本发明基于大数据的保险定价方法第一实施例的流程示意图。
本实施例中，所述基于大数据的保险定价方法包括以下步骤：
步骤S10，在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市。
随着医学技术的发展，市场上特药(针对某一疾病进行特殊治疗，具有高科学含量，技术难度高的药品)逐渐增多，如安立生坦片(凡瑞克)、芦可替尼片(捷恪卫)等；但市场上的特药价格较为昂贵。为了减轻患者负担，一些保险机构提出以将特药的医药费用纳入至保险报销范围内；而在目前对特药保险计划进行定价时，目前主要由专家进行人工分析和确定，而这定价人为因素大，且并未考虑特药的费用变化情况，这降低了特药保险计划定价的准确性。对此，本实施例中提出一种基于大数据的保险定价方法，结合特药使用费用及其变化情况、疾病发病率、运营成本等多个影响因素计算特药保险计划的毛保费，以大数据分析处理的方式对特药保险计划进行了定价，从而更全面地考虑了特药保险计划价格影响因素，使得定价结果能够更符合保险机构的真实运营状况和特药的市场需求，提高了定价的合理性和准确性，有利于降低保险计划的运营成本。
本实施例中的基于大数据的保险定价方法是由基于大数据的保险定价设备实现的，该基于大数据的保险定价设备以定价服务器为例进行说明；而对于需要进行定价的特药保险计划所针对的特药对象，则以安立生坦片(凡瑞克)进行说明；其中，安立生坦片(凡瑞克)是一种适用于治疗有WHOⅡ级或Ⅲ级症状的肺动脉高压患者的药品(片剂)。本实施例中，保险机构的定价人员在需要对特药保险计划进行定价时，可在定价终端(如个人电脑PC、笔记本电脑、手机、平板电脑等)上进行信贷操作，定价终端则根据定价人员的操作向定价服务器发送对应的特药保险计划的定价请求。
定价服务器在接收到该定价请求时，首先需要确定本次定价过程所针对的特药种类、以及该特药保险计划的销售区域；其中该销售区域在本实施例中是以“城市”作为一个标准的计算区域，为描述方便，在后续描述中该特药保险计划的销售区域以“目标城市”进行说明。
对于定价过程所针对的特药种类、以及目标城市，可以是服务器在接收到该定价请求时向定价终端发送询问信息，以使定价人员根据该询问信息在定价终端中手动录入对应的回复内容(或者是通过选择菜单选项的方式)并发送至服务器；当然也可以是定价人员在通过定价终端进行操作时直接手动录入相关内容，由定价终端将该特药种类和目标城市添加至定价请求中一起发送至服务器。此外，定价服务器还需要获取到特药保险计划的赔付方案，该赔付方案为发生赔付事件时保险机构的赔付标准和说明(或计划、金额等)。例如，赔付方案包括赔付比例表，具体如下表1所示。
表1赔付比例表
| 支出金额(万) | 赔付比例 |
| 不超过1万的 | 95％ |
| 超过1万至3万的部分 | 95％ |
| 超过3万至5万的部分 | 95％ |
| 超过5万的部分 | 95％ |
当确定被保人在发生赔付事件时的事件支出(购买安立生坦片的支出)时，定价服务器即可根据该支出及上述赔付比例表计算赔付金额。当然，在具体实施中，赔付方案可以是以其它方式进行表示。
本实施例中，定价服务器进行定价时，还需要确定特药保险计划中的特药的费用情况，即购买安立生坦片的费用情况；对于该费用情况，考虑到特药疗程、使用方法等因素，本实施例中以人均年费用进行表征，即安立生坦片的适用症患者每人每年为购买安立生坦片的支出。对于该安立生坦片的人均年费用，本实施例中是参考了其它城市的已知城市历史数据进行确定；又由于不同城市的气候、地形、消费水平等属性都有所区别，而这些属性又可能会对安立生坦片的适用症发病率和/或人均年费用等数据产生影响，因此为了保证其数据的准确性，本实施例中是参考了与目标城市具有相似城市属性的参考城市的相关数据进行确定。其中，对于该城市属性，可以是通过多个纬度进行定义，例如可以包括经纬度、气候、地形、消费水平(一定时期该城市居民用于满足自身日常生活费用各项支出的总和)、人群特征(人口数量)等。本实施例中，定价服务器在确定目标城市时，可进一步确定目标城市的相关城市属性信息，然后基于预设相似城市模型在城市数据库中确定该目标城市的参考城市；其中，城市数据库中包括有至少两个样本城市、以及每个样本城市各自的样本属性(即样本城市的城市属性，为描述方便，称为“样本属性”)，当然，城市数据库中还包括特药安立生坦片在该样本城市的历史人均年费用数据。
可选地，由于属性本身特点的影响，对于城市的属性值(即元素)可以统一用数字字符进行表示(当然对于不同类型的属性值，数值范围可以有所区别)，对于不同类型的属性值，不同的数值范围则可以代表不同的特征，如此可提高城市属性的表现精度，例如对于气候而言，11-20为亚热带气候，21-30为温带气候，31-40为寒带气候；其中若某个城市的属性值越逼近某个数值范围的下限或上限，则可认为该城市的属性越与另一数值段的属性相似，例如，气候属性值为21的城市A，虽然属于温带气候，但也可认为较趋向与亚热带气候；此外，若两个城市某类属性值相差越大，则可认为两个城市在该属性上相差越大并结合相关的差异度算法计算城市之间的差异度，进一步提高城市相似性分析的准确性。具体的，城市数据库包括至少两个样本城市、及各样本城市各自的样本属性组，每个样本属性组至少包括两个元素，且每个元素形式均为数值；定价服务器获取确定目标城市时，还需要获取目标城市上述5个属性的属性信息，然后根据各属性的字符类型以及各属性类型的字符含义，将该属性转译为对应的数值型属性元素，从而得到目标属性组，该目标属性组中具有与各样本属性组同样数量和类型的元素(即目标属性组包括相同类型和数量的属性数据)；然后定价服务器分别将目标城市的目标属性组与其它各样本城市的样本属性组代入至预设差异度公式中计算目标属性组与样本属性组的属性差异度，并以该属性差异度来表征目标城市与样本城市差异，属性差异度越小，目标城市与样本城市差异越小，也即两者越相似，定价服务器可将属性差异度最小的样本城市作为参考城市。而预设的差异度公式可以为：
其中，V1为目标属性组，V2为所述样本属性组，d(V1,V2)为目标属性组与样本属性组的差异度；v1i为所述目标属性组的第i个元素，v2i为所述样本属性组的第i个元素元素，i＞0。
当然，对于上述差异度公式，是将所有的所有属性元素赋予了同样的计算比重(比重均为1)；而在实际中，对于不同的属性元素，也可以根据实际情况设置不同的计算比重，以表征其对城市相似性分析的影响程度，从而使得该分析能够更贴合实际的需要。
步骤S20，获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用。
本实施例中，定价服务器在确定目标城市的参考城市时，将会获取特药保险计划的特药(安立生坦片)在参考城市的历史人均年费用(历史数据)，以根据该历史人均年费用得到安立生坦片的特药年费用。而对于安立生坦片在参考城市的历史人均年费用，则可以是根据安立生坦片的在参考城市的历史销售数据、参考城市的人口数量、以及安立生坦片的指导单价综合计算得出。例如，定价服务器的目标城市为NB市，其参考城市为SZ市，定价服务器将会获取SZ市2015年度的安立生坦片年度销量X；同时，服务器还将获取SZ市2015年度的人口数量N、以及安立生坦片的指导单价P，其中安立生坦片的指导单价可以是从安立生坦片的说明书信息中获得，也可以是从相关的药物管理系统(如药监局系统等)获得；在得到安立生坦片年度销量X、人口数量N和指导单价Z时，定价服务器即可计算得到SZ市2015年度的安立生坦片的历史人均年费用P(P＝X*Z/N)。
进一步的，对于上述SZ市2015年度的安立生坦片的历史人均年费用P，其是表征某个历史年度的安立生坦片费用情况，而当前和将来对于安立生坦片的需求以及价格情况有可能会随着经济和社会的发展发生较大的变化，为了使得后续计算能够更加符合实际情况，本实施例还可以是根据两个以上(此处“以上”包括本数，下同)的不同历史年度的历史人均年费用Pi来预测得到安立生坦片的特药人均年费用。
可选地，定价服务器首先可以是通过上述方法分别获取安立生坦片在参考城市多个不同历史年度的历史人均年费用Pi(如2013年、2014年、2015年等)，然后再将多个历史年度的历史人均年费用Pi以及其对应的时间(年份)代入至预设拟合规则中进行曲线拟合，通过曲线拟合的方式构造出历史人均年费用Pi与时间(年度)的关系拟合曲线(其中时间为自变量，历史人均年费用为因变量)，也即构造出历史人均年费用随时间的函数关系式；在得到该关系拟合曲线(或历史人均年费用与时间的函数关系式)时，定价服务器可根据该关系拟合曲线(或函数关系式)预测特药保险计划的保险周期内(如2020年)的特药人均年费用。当然，对于该预设拟合规则中可以预先设置好曲线类型(或函数形式)，例如该曲线可以是线性曲线(一次函数)，也可以是非线性曲线(如二次函数、幂函数等)等；也可以是预设拟合规则中预先设置好多种曲线类型，由定价人员通过定价终端自行选择并将对应的选择指令发送至定价服务器，再由该定价服务器参照执行。
可选地，对于药物而言，其费用情况虽然会在一定范围内波动，但一般情况下依然可看作相对稳定的；对此，定价服务器也可以通过历史均值的方式获取安立生坦片的特药人均年费用，从而减少数据计算量。具体的，定价首先可以分别获取安立生坦片在参考城市多个不同历史年度的历史人均年费用Pi(如2013年、2014年、2015年等)，然后再计算这些多个历史年度的历史人均年费用Pi的均值，并将该均值作为安立生坦片的特药人均年费用。当然，定价服务器还可以根据实际情况将该均值乘以一个市场变化系数(表征市场变化或其它因素对特药费用的影响)后，再将该结果作为安立生坦片的特药人均年费用。
步骤S30，根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付。
本实施例中，定价服务器在得到安立生坦片的特药人均年费用时，即可根据该特药人均年费用和步骤S10中的赔付方案获取安立生坦片的预计人均年赔付(即被保人年度特药支出为特药人均年费用时可得到的年赔付额)。例如，对于赔付方案，可以包括如上述表1所示的赔付比例表，而安立生坦片的特药人均年费用为202061元，则
预计人均赔付＝(10000-0)*0.95+(30000-10000)*0.95+(50000-30000)*0.95+(202060-50000)*0.95＝191957(元)。
步骤S40，获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费。
本实施例中，服务器在得到安立生坦片的预计人均年赔付时，可根据安立生坦片的预计人均年赔付计算特药保险计划的风险保费；对于风险保费，是指正好用以支付赔款的金额；而对于上述的预计人均年赔付，是发生赔付事件被保人支出人均年费用时所要支付的金额，若要计算风险保费，还需要先获取赔付事件发生的概率，即被保人使用安立生坦片的概率。该概率可根据安立生坦片的适用症发病率、以及发病时安立生坦片的使用率确定，也即根据预计人均年赔付、适用症发病率和安立生坦片使用率获取年风险保费，即：
年风险保费＝预计人均赔付*适用症发病率*特药使用率
其中，对于适用症发病率和特药使用率，同样可以是根据参考城市的疾病记录和用药记录得到的；其中疾病记录包括WHOⅡ级或Ⅲ级症状的肺动脉高压发病率等，用药记录包括安立生坦片的用药率；当然，对于适用症发病率和特药使用率，也可以定价服务器从相关药品商城网站、疾病百科网站等站点查询(或通过爬虫技术等其它手段)得到。
步骤S50，根据所述年风险保费和预设运营方案测算述特药保险计划的人均年毛保费。
本实施例中，当计算得到年风险保费时，即得到了保险特药计划在被保人赔付方面的支出数据，而对于特药保险计划定价，还需要考虑保险机构的运营支出和利润等因素。具体的，定价服务器还需要获取预设运营方案，根据预设运营方案和年风险保费获得特药保险计划的人均年毛保费；该预设运营方案可以是预先设置在财务系统或业务系统中的数据，也可以是定价人员在通过定价终端发送定价请求时即时录入并发送至定价服务器的。其中，预设运营方案可以包括预设人均运营成本、预设税费比例、和预设利润率；人均运营成本为每个被保人提供保险服务时的运营成本(包括系统费用、人力成本等)；预设税费比例为保费的纳税比例；预设利润率则表征保险机构预计的利润情况。在得到年风险保费、预设人均运营成本、预设税费比例和预设利润率时，定价服务器可将其带入至预设毛保费公式中，计算得到特药保险计划的人均年毛保费，预设毛保费公式为：
其中，F为所述人均年毛保费；R为所述年风险保费，R＞0；C为所述预设人均运营成本，C＞0；T为所述预设税费比例，0＜T＜1；pr为所述预设利润率，0＜pr＜1。
本实施例中，定价服务器在计算得到安立生坦片保险计划的人均年毛保费时，可将该人均年毛保费反馈至对应的定价终端(或投保人终端)，以使得定价人员根据该毛保费进行报价(或使得投保人进行缴费)。
进一步的，定价服务器在得到特药保险计划的人均年毛保费之后，还可以生成对应的定价报告，以供相关人员进行查看。具体的，定价服务器中预先存储有报告模板；定价服务器在定价的过程中会将相关的定价数据进行记录；其中定价数据包括输入数据(如特药种类、赔付方案)、数据来源(如历史数据)、中间数据(如历史人均年费用、特药人均年费用、预计人均年赔付)和输出数据(如人均年毛保费)进行记录；在定价完成时，定价服务器将提取该报告模板，并将这些数据填充至报告模板中，得到定价报告，并将该定价报告进行存储，或是将该定价报告发送至定价终端，又或者时将该定价报告发送至相关的业务安全终端，以供相关的业务安全人员对业务安全进行监控。
本实施例中，在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。通过以上方式，本实施例通过参考与目标城市相似的参考城市的具体特药情况，并结合特药使用费用及其费用变化趋势、疾病用药率、运营成本等多个影响因素计算特药保险计划的毛保费，以大数据分析处理的方式对特药保险计划进行了定价，从而更全面地考虑了特药保险计划价格影响因素，使得定价结果能够更符合保险机构的真实运营状况和特药的市场需求，提高了定价的合理性和准确性，还有利于降低保险计划的运营成本。
此外，本发明实施例还提供一种基于大数据的保险定价装置。
参照图3，图3为本发明基于大数据的保险定价装置第一实施例的功能模块示意图。
本实施例中，所述基于大数据的保险定价装置包括：
参考城市确定模块10，用于在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；
年费用获取模块20，用于获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；
年赔付获取模块30，用于根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；
风险保费获取模块40，用于获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；
毛保费获取模块50，用于根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。
其中，上述基于大数据的保险定价装置的各虚拟功能模块存储于图1所示基于大数据的保险定价设备的存储器1005中，用于实现保险定价程序的所有功能；各模块被处理器1001执行时，可实现特药保险计划的智能定价功能。
进一步的，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述年费用获取模块20，包括：
曲线拟合单元，用于基于预设拟合规则对所述历史人均年费用和所述历史人均年费用对应的时间进行曲线拟合，得到费用与时间的关系拟合曲线；
费用预测单元，用于通过所述关系拟合曲线预测所述特药在所述特药保险计划的保险周期内的特药人均年费用。
进一步的，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述年费用获取模块20，包括：
均值计算单元，用于根据至少两个不同历史年度内的历史人均年费用测算年费用均值；根据所述年费用均值测算所述特药的特药人均年费用。
进一步的，所述城市数据库包括至少两个样本城市、及各样本城市各自的样本属性组，所述样本属性组至少包括两个元素，
所述参考城市确定模块10包括：
信息转译单元，用于获取所述目标城市的城市属性信息，并根据预设转译规则将所述城市属性信息转译为对应的目标属性组，其中所述目标属性组与所述样本属性组具有相同数量的元素，所述目标属性组的元素形式为数值；
城市确定单元，用于根据预设差异度公式计算分别计算所述目标属性组与各样本属性组的属性差异度，并根据所述属性差异度在所述样本城市中确定参考城市。
进一步的，所述预设差异度公式为：
其中，V1为所述目标属性组，V2为所述样本属性组；
d(V1,V2)为所述目标属性组与所述样本属性组的属性差异度；
v1i为所述目标属性组的第i个元素，v2i为所述样本属性组的第i个元素元素，i＞0。
进一步的，所述预设运营方案包括预设人均运营成本、预设税费比例和预设利润率，
所述毛保费获取模块40，具体用于根据所述年风险保费、所述预设人均运营成本、所述预设税费比例、所述预设利润率和预设毛保费公式计算得到所述特药保险计划的人均年毛保费，其中所述预设毛保费公式为：
其中，F为所述人均年毛保费；
R为所述年风险保费，R＞0；
C为所述预设人均运营成本，C＞0；
T为所述预设税费比例，0＜T＜1；
pr为所述预设利润率，0＜pr＜1。
进一步的，所述基于大数据的保险定价装置还包括：
报告生成模块，用于获取预设报告模板，并根据定价过程的定价数据和所述预设报告模板生成对应的定价报告
其中，上述基于大数据的保险定价装置中各个模块的功能实现与上述基于大数据的保险定价方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有保险定价程序，其中所述保险定价程序被处理器执行时，实现如上述的基于大数据的保险定价方法的步骤。
其中，保险定价程序被执行时所实现的方法可参照本发明基于大数据的保险定价方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于大数据的保险定价方法，其特征在于，所述基于大数据的保险定价方法包括：
在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；
获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；
根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；
获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；
根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。
2.如权利要求1所述的基于大数据的保险定价方法，其特征在于，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述根据所述历史人均年费用和预设费用预测模型获取所述特药的人均年费用的步骤包括：
基于预设拟合规则对所述历史人均年费用和所述历史人均年费用对应的时间进行曲线拟合，得到费用与时间的关系拟合曲线；
通过所述关系拟合曲线预测所述特药在所述特药保险计划的保险周期内的特药人均年费用。
3.如权利要求1所述的基于大数据的保险定价方法，其特征在于，所述历史人均年费用至少包括两个不同历史年度内的历史人均年费用，
所述根据所述历史人均年费用和预设费用预测模型获取所述特药的人均年费用的步骤包括：
根据至少两个不同历史年度内的历史人均年费用测算年费用均值；
根据所述年费用均值测算所述特药的特药人均年费用。
4.如权利要求1所述的基于大数据的保险定价方法，其特征在于，所述城市数据库包括至少两个样本城市、及各样本城市各自的样本属性组，所述样本属性组至少包括两个元素，所述样本属性组的元素形式为数值，
所述基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市的步骤包括：
获取所述目标城市的城市属性信息，并根据预设转译规则将所述城市属性信息转译为对应的目标属性组，其中所述目标属性组与所述样本属性组具有相同数量的元素，所述目标属性组的元素形式为数值；
根据预设差异度公式计算分别计算所述目标属性组与各样本属性组的属性差异度，并根据所述属性差异度在所述样本城市中确定参考城市。
5.如权利要求4所述的基于大数据的保险定价方法，其特征在于，
所述预设差异度公式为：
其中，V1为所述目标属性组，V2为所述样本属性组；
d(V1,V2)为所述目标属性组与所述样本属性组的属性差异度；
v1i为所述目标属性组的第i个元素，v2i为所述样本属性组的第i个元素元素，i＞0。
6.如权利要求1所述的基于大数据的保险定价方法，其特征在于，所述预设运营方案包括预设人均运营成本、预设税费比例和预设利润率，
所述根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费的步骤包括：
根据所述年风险保费、所述预设人均运营成本、所述预设税费比例、所述预设利润率和预设毛保费公式计算得到所述特药保险计划的人均年毛保费，其中所述预设毛保费公式为：
其中，F为所述人均年毛保费；
R为所述年风险保费，R＞0；
C为所述预设人均运营成本，C＞0；
T为所述预设税费比例，0＜T＜1；
pr为所述预设利润率，0＜pr＜1。
7.如权利要求1至6中任一项所述的基于大数据的保险定价方法，其特征在于，所述根据所述年风险保费和预设运营方案获取所述特药保险计划的人均年毛保费的步骤之后，还包括：
获取预设报告模板，并根据定价过程的定价数据和所述预设报告模板生成对应的定价报告。
8.一种基于大数据的保险定价装置，其特征在于，所述基于大数据的保险定价装置包括：
参考城市确定模块，用于在接收到特药保险计划的定价请求时，根据所述定价请求确定所述特药保险计划对应被保人所在的目标城市和赔付方案，并基于预设相似城市模型在城市数据库中确定所述目标城市的参考城市；
年费用获取模块，用于获取所述特药保险计划对应特药在所述参考城市的历史人均年费用，并根据所述历史人均年费用和预设费用预测模型获取所述特药的特药人均年费用；
年赔付获取模块，用于根据所述特药人均年费用和所述赔付方案测算所述特药的预计人均年赔付；
风险保费获取模块，用于获取所述特药在所述参考城市的适用症发病率和特药使用率，并根据所述预计人均年赔付、所述适用症发病率和所述特药使用率测算所述特药的年风险保费；
毛保费获取模块，用于根据所述年风险保费和预设运营方案测算所述特药保险计划的人均年毛保费。
9.一种基于大数据的保险定价设备，其特征在于，所述基于大数据的保险定价设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的保险定价程序，其中所述保险定价程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于大数据的保险定价方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有保险定价程序，其中所述保险定价程序被处理器执行时，实现如权利要求1至7中任一项所述的基于大数据的保险定价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529252.8A CN109685557A (zh) | 2018-12-13 | 2018-12-13 | 基于大数据的保险定价方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529252.8A CN109685557A (zh) | 2018-12-13 | 2018-12-13 | 基于大数据的保险定价方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109685557A true CN109685557A (zh) | 2019-04-26 |
Family
ID=66186739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811529252.8A Pending CN109685557A (zh) | 2018-12-13 | 2018-12-13 | 基于大数据的保险定价方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685557A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111128353A (zh) * | 2019-11-20 | 2020-05-08 | 泰康保险集团股份有限公司 | 定点药店的售药行为监测方法及装置、存储介质 |
| CN111652614A (zh) * | 2020-06-01 | 2020-09-11 | 泰康保险集团股份有限公司 | 数据处理系统、数据处理方法及装置 |
| CN112686703A (zh) * | 2020-12-31 | 2021-04-20 | 长沙市到家悠享网络科技有限公司 | 全国家政行业价格的自动生成及查询方法、电子设备 |
-
2018
- 2018-12-13 CN CN201811529252.8A patent/CN109685557A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111128353A (zh) * | 2019-11-20 | 2020-05-08 | 泰康保险集团股份有限公司 | 定点药店的售药行为监测方法及装置、存储介质 |
| CN111652614A (zh) * | 2020-06-01 | 2020-09-11 | 泰康保险集团股份有限公司 | 数据处理系统、数据处理方法及装置 |
| CN111652614B (zh) * | 2020-06-01 | 2023-08-22 | 泰康保险集团股份有限公司 | 数据处理系统、数据处理方法及装置 |
| CN112686703A (zh) * | 2020-12-31 | 2021-04-20 | 长沙市到家悠享网络科技有限公司 | 全国家政行业价格的自动生成及查询方法、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10049407B2 (en) | Dynamic aggregation of insurance premiums | |
| Carroll et al. | The growing importance of cost accounting for hospitals | |
| US20020147617A1 (en) | Health cost calculator/flexible spending account calculator | |
| US20090204446A1 (en) | Systems and methods for valuation of life insurance policies | |
| US11341555B2 (en) | Creating digital health assets | |
| US20080288298A1 (en) | Method and system for providing low-cost life insurance | |
| US7769606B2 (en) | Interactive health insurance system | |
| US20160321412A1 (en) | Cost, Quality and Distance Based Method and System for Health Care Referrals | |
| CN109685557A (zh) | 基于大数据的保险定价方法、装置、设备及可读存储介质 | |
| Shamu et al. | Who benefits from public health financing in Zimbabwe? Towards universal health coverage | |
| Cookson | Analysing the economic justification for the reforms to social welfare and family law legal aid | |
| Carlson et al. | Economics at the FTC: Physician acquisitions, standard essential patents, and accuracy of credit reporting | |
| US11955215B2 (en) | Data processing system for processing network data records transmitted from remote, distributed terminal devices | |
| US20190114719A1 (en) | Dynamic balance adjustment estimator engine | |
| Jorgensen et al. | The impact of the home care reforms on the older person, the aged care workforce and the wider health system | |
| US11475499B2 (en) | Backend bundled healthcare services payment systems and methods | |
| US11501352B2 (en) | Backend bundled healthcare services payment systems and methods | |
| Ingber | Implementation of risk adjustment for Medicare | |
| CN109636638A (zh) | 基于大数据的保险定价方法、装置、设备及可读存储介质 | |
| Thorpe et al. | Medicare+ Choice: Current Role And Near-Term Prospects: If M+ C were eliminated, nearly one-third of its members would end up with Medicare coverage only, lacking supplemental benefits entirely. | |
| De Jongh et al. | A critical review of the Basel margin of conservatism requirement in a retail credit context | |
| Goroshko et al. | Can people afford to pay for health care? New evidence on financial protection in Ukraine | |
| Tomini et al. | Can people afford to pay for health care?: new evidence on financial protection in Albania | |
| Lucarelli et al. | Measuring welfare and the effects of regulation in a government-created market: The case of Medicare Part D plans | |
| CN109658263A (zh) | 基于大数据的保险定价方法、装置、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220601 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
| RJ01 | Rejection of invention patent application after publication |