CN112668842A - 车险理赔风险因子评价方法及装置、电子设备、介质 - Google Patents
车险理赔风险因子评价方法及装置、电子设备、介质 Download PDFInfo
- Publication number
- CN112668842A CN112668842A CN202011480863.5A CN202011480863A CN112668842A CN 112668842 A CN112668842 A CN 112668842A CN 202011480863 A CN202011480863 A CN 202011480863A CN 112668842 A CN112668842 A CN 112668842A
- Authority
- CN
- China
- Prior art keywords
- weight
- determining
- risk factor
- comprehensive
- risk
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000010998 test method Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 25
- 239000002131 composite material Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 239000002671 adjuvant Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及车险理赔领域，具体而言，涉及一种车险理赔风险因子评价方法及装置、电子设备、介质。所述车险理赔风险因子评价方法包括以下步骤：根据层次分析法，以及决策试验和评价试验法，确定主观权重；根据主观权重，确定风险因子触发量数据；根据熵权法和风险因子触发量数据，确定客观权重；根据主观权重和客观权重，确定综合权重；根据综合权重，确定车险案件综合评分。该方法可以采用技术手段在初次风险因子权重的制定中，规避人工经验产生的偏差；同时可根据保险公司日常生产产生的数据对风险因子的权重进行修改，判定出保险公司制定的无效风险规则，从而获得贴合保险公司日常生产需要的风险规则和风险权重。
Description
技术领域
本发明涉及车险理赔领域，具体而言，涉及一种车险理赔风险因子评价方法及装置、电子设备、介质。
背景技术
保险公司通过对人工经验的总结，建立简单的风险管控规则，通过半自动的条件筛选方式，实现风险预警、辅助核保、核赔等人工判断。这种方式主要面临以下几方面的困难，首先，保险公司在风险权重方面主要依靠人工经验去判定，缺乏合理的科学依据；其次，现有的风险权重的确定无法根据保险公司的实际业务去修正，不能贴合保险公司实际的业务需求；最后，无法判定保险公司制定的风险规则中的无效风险规则。
有鉴于此，特提出本发明。
发明内容
本发明的目的在于提供一种车险理赔风险因子评价方法及装置、电子设备、介质，可以采用技术手段在初次风险因子权重的制定中，规避人工经验产生的偏差；同时可根据保险公司日常生产产生的数据对风险因子的权重进行修改，判定出保险公司制定的无效风险规则，从而获得贴合保险公司日常生产需要的风险规则和风险权重。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种车险理赔风险因子评价方法，包括以下步骤：
根据层次分析法，以及决策试验和评价试验法，确定主观权重；
根据主观权重，确定风险因子触发量数据；
根据熵权法和风险因子触发量数据，确定客观权重；
根据主观权重和客观权重，确定综合权重；
根据综合权重，确定车险案件综合评分。
作为进一步优选的技术方案，在根据综合权重，确定车险案件综合评分之后，还包括：
根据车险案件综合评分，确定风险因子触发量数据，所述风险因子触发量数据被应用于确定客观权重当中。
作为进一步优选的技术方案，所述根据层次分析法，以及决策试验和评价试验法，确定主观权重，包括：
根据层次分析法，确定初始权重；
根据决策试验和评价试验法，确定影响权重；
根据初始权重和影响权重，确定主观权重。
作为进一步优选的技术方案，所述根据决策试验和评价试验法，确定影响权重，包括：根据决策试验和评价试验法，确定影响度和被影响度；根据影响度和被影响度，确定影响权重。
作为进一步优选的技术方案，所述根据初始权重和影响权重，确定主观权重，包括：将初始权重和影响权重相乘，然后归一化处理，得到主观权重。
作为进一步优选的技术方案，所述根据主观权重和客观权重，确定综合权重，包括：将主观权重和客观权重相乘，然后归一化处理，得到综合权重。
作为进一步优选的技术方案，所述根据综合权重，确定车险案件综合评分，包括：根据综合权重和综合权重对应的风险因子的触发分值，计算车险案件综合评分。
第二方面，本发明提供了一种车险理赔风险因子评价装置，包括：
主观权重确定模块，用于根据层次分析法，以及决策试验和评价试验法，确定主观权重；
风险因子触发量数据确定模块，用于根据主观权重，确定风险因子触发量数据；
客观权重确定模块，用于根据熵权法和风险因子触发量数据，确定客观权重；
综合权重确定模块，用于根据主观权重和客观权重，确定综合权重；
车险案件综合评分确定模块，用于根据综合权重，确定车险案件综合评分。
第三方面，本发明提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
第四方面，本发明提供了一种介质，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行上述的方法。
与现有技术相比，本发明的有益效果为：
本发明提供的车险理赔风险因子评价方法通过层次分析法以及决策试验和评价试验法(简称AHP-DEMATEL)客观的获得主观权重，再根据主观权重，确定风险因子触发量数据后，通过熵权法对车险案件中的风险因子触发量数据进行实时计算分析，获得风险因子客观权重；将主观权重和客观权重结合在一起，以主观权重为基础，利用客观权重实时修正，得到科学、准确的车险风险因子综合权重，最后根据该综合权重，确定车险案件综合评分。
该车险理赔风险评价方法通过技术手段的支持，可根据保险公司日常生产产生的数据对风险因子的权重进行修改，判定出保险公司制定的无效风险规则，从而获得贴合保险公司日常生产需要的风险规则和风险权重。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例1提供的车险理赔风险因子评价方法的流程图；
图2是本发明实施例2提供的车险理赔风险因子评价方法的流程图；
图3是本发明实施例3提供的车险理赔风险因子评价装置的结构示意图；
图4是本发明实施例4提供的电子设备的结构示意图。
图标：301-主观权重确定模块；302-风险因子触发量数据确定模块；303-客观权重确定模块；304-综合权重确定模块；305-车险案件综合评分确定模块；401-处理器；402-存储器；403-输入装置；404-输出装置。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例1
图1是本实施例提供的一种车险理赔风险因子评价方法的流程图，本实施例适用于在车险理赔过程中的车险理赔风险因子评价。该方法可以由车险理赔风险因子评价装置来执行，该装置可以由软件和/或硬件构成，并一般集成在电子设备中。
如图1所示，本实施例提供了第一种车险理赔风险因子评价方法，包括以下步骤：
S110、根据层次分析法，以及决策试验和评价试验法，确定主观权重。
优选地，所述根据层次分析法，以及决策试验和评价试验法，确定主观权重，包括：
(a)根据层次分析法，确定初始权重。
可选地，在根据层次分析法确定初始权重之前，还包括通过调查问卷获取基础数据的步骤。
层次分析法是将要解决的问题系统的、有层次的分解成多个指标，并建立层次结构，进行有效的定性和定量分析的决策方法。根据层次分析法，确定初始权重的具体计算步骤如下：
构建层级结构模型，分析目标问题，将有关的各个因素按照不同属性进行分层，同层因素对上层因素有影响或受到下层因素影响，且层内因素相互独立。
构建判断矩阵，以调查问卷的方式，由50位车险专家填写问卷并统计来获取基础数据，对每层各元素指标相互比较确定其重要性，构建出判断矩阵。
计算判断矩阵元素的乘积：
计算Mi的方根：
归一化处理：
则
为所求的特征向量，即对应的初始权重。
计算最大特征根：
一致性校验，计算一致性比例CR＝CI/RI,其中RI可通过RI对应值表得到，当CR<0.1时，认为一致性是可以接受的。
其中，CR是检验系数，CI是一致性指标，RI是随机一致性指标。
表1 RI对应值
(b)根据决策试验和评价试验法，确定影响权重。
决策试验和评价试验法(简称DEMATEL)，通过系统中各要素之间的逻辑关系和直接影响矩阵，可以计算出每个要素对其它要素的影响度以及被影响度，从而计算出每个要素的原因度与中心度，作为构造模型的依据，从而确定要素间的因果关系和每个要素在系统中的地位，具体计算步骤如下：
构建直接影响矩阵，基于调查问卷获得的基础数据，确定各要素两两比较的重要性，并构建直接影响矩阵M。
规范直接影响矩阵M，规范后得到直接影响矩阵N。
计算得到综合影响矩阵T，其中I为单位矩阵，(I-N)-1为I-N的逆矩阵。
T＝N(I-N)-1 (6)
计算影响度Di，被影响度Ci，中心度Mi＝Di+Ci，原因度Ri＝Di-Ci。
结合影响度和被影响度计算出影响权重w2，利用公式d＝DT×C得到关于影响度和被影响度的关系矩阵，取矩阵对角线元素组成影响影响程度向量di＝Di×Ci，即影响权重。按照公式(9)进行规范化，从而得到影响权重w2，且0≤w2≤1。
(c)根据初始权重和影响权重，确定主观权重。
将初始权重和影响权重按公式w＝w1w2进行计算并进行归一处理得到主观权重W1。
S120、根据主观权重，确定风险因子触发量数据。
所述根据主观权重，确定风险因子触发量数据，包括：将主观权重赋值到车险风险因子权重中，运行得到风险因子触发量数据。
S130、根据熵权法和风险因子触发量数据，确定客观权重。
优选地，所述根据熵权法和风险因子触发量数据，确定客观权重，包括：
构建风险因子决策矩阵：
式中xij表示在风险因子j＝1,2,…,m在月份i＝1,2,…,n中的案件触发量。
计算贡献度
表示第i个月份中风险因子j的贡献度。
计算贡献总量：
式中常数K＝1/ln(m)，这样可以保证0≤Ej≤1，即Ej最大为1。
由此可以得出当某风险因子中各月份的贡献度趋于一致时，即Ej趋于1，也就可以不考虑该风险因子在决策中的作用，此时该风险因子的权重为0。
计算差异量：dj＝1-Ej式中dj表示风险因子j上各月份之间的差异化程度。
计算客观权重：
反应从各月份差异化程度进行考量，风险因子j在所有风险因子中的重要性，即熵权，也就是所求的客观权重。
S140、根据主观权重和客观权重，确定综合权重。
S150、根据综合权重，确定车险案件综合评分。
其中n为车险理赔案件中该类风险因子的触发分值，0≤n≤100。
案件风险等级分为无风险(0分-30分)、低风险(30分-50分)、中风险(50分-70分)和高风险(70分-100分)。
在具体实施过程中，可采用以下方式进行：
1.构建车险复合事件风险评分指标
梳理车险理赔流程的风险点及现状，构建车险理赔风险因子评分体系。
车险复合事件风险评分体系
2.计算初始权重
利用建立好的评分体系，构建二级指标层B对一级指标层A对的判断矩阵
二级指标层B对一级指标层A的判断矩阵
最大特征值λmax＝3.009，CI＝0.0046，CR＝CI/RI＝0.088<0.1，满足一致性检验。
构建各三级指标层对二级指标层的判断矩阵。
三级指标层C对二级指标层B1的判断矩阵
最大特征值λmax＝5.1113，CI＝0.0278，CR＝CI/RI＝0.0248<0.1，满足一致性检验。
三级指标层C对二级指标层B2的判断矩阵
最大特征值λmax＝3.0092，CI＝0.0046，CR＝CI/RI＝0.088<0.1，满足一致性检验。
三级指标层C对二级指标层B3的判断矩阵
最大特征值λmax＝6.5518，CI＝0.1104，CR＝CI/RI＝0.0876<0.1，满足一致性检验。
由此可以得出车险理赔风险因子评分体系初始权重。
车险理赔风险因子评分体系初始权重
3.计算影响权重
应用DEMATEL方法构建车险复合事件风险评分体系直接影响矩阵N对其规范后得到进行计算得到综合影响矩阵T。
直接影响矩阵N
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | |
| 1 | 0 | 1 | 0 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 2 |
| 2 | 1 | 0 | 1 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 2 |
| 3 | 3 | 4 | 0 | 2 | 3 | 0 | 3 | 1 | 4 | 2 | 2 | 1 | 1 | 3 |
| 4 | 1 | 0 | 1 | 0 | 1 | 2 | 3 | 1 | 3 | 0 | 0 | 0 | 0 | 2 |
| 5 | 1 | 0 | 0 | 0 | 0 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 3 |
| 6 | 0 | 2 | 0 | 1 | 2 | 0 | 4 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 7 | 0 | 1 | 2 | 2 | 1 | 2 | 0 | 1 | 4 | 1 | 1 | 1 | 2 | 1 |
| 8 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 3 | 2 | 1 | 1 | 2 | 3 |
| 9 | 0 | 0 | 3 | 0 | 3 | 3 | 2 | 3 | 0 | 4 | 2 | 2 | 1 | 1 |
| 10 | 2 | 0 | 1 | 0 | 2 | 2 | 2 | 2 | 2 | 0 | 2 | 1 | 1 | 0 |
| 11 | 1 | 2 | 1 | 0 | 1 | 1 | 0 | 1 | 1 | 1 | 0 | 1 | 1 | 1 |
| 12 | 1 | 0 | 1 | 0 | 2 | 2 | 0 | 1 | 1 | 3 | 2 | 0 | 2 | 1 |
| 13 | 1 | 3 | 1 | 0 | 2 | 1 | 2 | 1 | 1 | 2 | 1 | 1 | 0 | 4 |
| 14 | 3 | 2 | 3 | 3 | 2 | 2 | 1 | 3 | 4 | 1 | 2 | 2 | 3 | 0 |
综合影响矩阵T
计算影响度Di，被影响度Ci，中心度Mi＝Di+Ci，原因度Ri＝Di-Ci，影响权重w2。
车险理赔风险因子评分体系影响权重
4.计算主观权重得到结果
主观权重结果
5.计算客观权重
1)根据保险公司使用所产生的车险理赔风险因子触发量构建车险风险因子触发量评分体系。
构建车险风险因子触发量评分体系
2)基于构建的车险风险因子触发量评分体系，构建车险风险因子决策矩阵。
车险风险因子决策矩阵
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | |
| 1 | 0.1807 | 0.1299 | 0.1905 | 0.1786 | 0.1958 | 0.1516 | 0.1290 | 0.1558 | 0.1357 | 0.1483 | 0.1921 | 0.1572 | 0.1589 | 0.1527 |
| 2 | 0.1355 | 0.1269 | 0.1609 | 0.1714 | 0.1640 | 0.1721 | 0.1355 | 0.1709 | 0.1438 | 0.1493 | 0.1706 | 0.1510 | 0.1813 | 0.1833 |
| 3 | 0.2258 | 0.1433 | 0.1699 | 0.1321 | 0.2154 | 0.1926 | 0.1548 | 0.1809 | 0.1963 | 0.1875 | 0.1814 | 0.1649 | 0.1609 | 0.1687 |
| 4 | 0.1771 | 0.1940 | 0.1763 | 0.1643 | 0.1530 | 0.1557 | 0.1677 | 0.1910 | 0.2036 | 0.1847 | 0.1480 | 0.1864 | 0.1548 | 0.1567 |
| 5 | 0.1689 | 0.2239 | 0.1647 | 0.1607 | 0.1395 | 0.1680 | 0.1871 | 0.1457 | 0.1599 | 0.1744 | 0.1504 | 0.1726 | 0.1752 | 0.1713 |
| 6 | 0.1120 | 0.1821 | 0.1377 | 0.1929 | 0.1322 | 0.1598 | 0.2258 | 0.1558 | 0.1607 | 0.1558 | 0.1575 | 0.1680 | 0.1690 | 0.1673 |
3)利用车险风险因子决策矩阵计算得到贡献总量、差异量、客观权重。
贡献总量、差异量、客观权重
| 三级指标 | E<sub>j</sub> | d<sub>j</sub> | W<sup>2</sup> |
| 流程风险 | 0.986826 | 0.013174 | 0.19 |
| 人伤风险 | 0.987168 | 0.012832 | 0.18 |
| 车辆风险 | 0.997366 | 0.002634 | 0.04 |
| 第三方风险 | 0.996419 | 0.003581 | 0.05 |
| 案件信息 | 0.991229 | 0.008771 | 0.12 |
| 人员风险 | 0.9982 | 0.0018 | 0.03 |
| 道德风险 | 0.989508 | 0.010492 | 0.15 |
| 技能风险 | 0.997525 | 0.002475 | 0.04 |
| 配件风险 | 0.993713 | 0.006287 | 0.09 |
| 工时风险 | 0.997362 | 0.002638 | 0.04 |
| 辅料风险 | 0.997376 | 0.002624 | 0.04 |
| 低碳风险 | 0.998725 | 0.001275 | 0.02 |
| 残值风险 | 0.999123 | 0.000877 | 0.01 |
| 审核风险 | 0.999005 | 0.000995 | 0.01 |
6.计算综合权重
综合权重
| 风险因子 | 综合权重 |
| 流程风险C11 | 0.046359999 |
| 人伤风险C12 | 0.07621927 |
| 车辆风险C13 | 0.145622205 |
| 第三方风险C14 | 0.011930624 |
| 案件信息风险C15 | 0.060360968 |
| 人员风险C21 | 0.015587342 |
| 道德风险C22 | 0.142335595 |
| 技能风险C23 | 0.012697326 |
| 配件风险C31 | 0.317233272 |
| 工时风险C32 | 0.046217615 |
| 辅料风险C33 | 0.01165242 |
| 低碳风险C34 | 0.010976944 |
| 残值风险C35 | 0.010510403 |
| 审核风险C36 | 0.092296015 |
7.使用计算出的综合权重可进行车险理赔案件的风险评分计算。
通过单一车险案件中的风险因子的触发数据，可以得到风险因子共触发了哪几类型，将单一风险因子触发分值设置成5分，可以得到该类风险因子的触发分值n，然后将风险因子的触发分值与该类风险因子综合权重的乘积进行累加，得到的结果即为本车险案件的风险评分。
实施例2
如图2所示，本实施例提供了第二种车险理赔风险因子评价方法，包括以下步骤：
S210、根据层次分析法，以及决策试验和评价试验法，确定主观权重。
S220、根据主观权重，确定风险因子触发量数据。
S230、根据熵权法和风险因子触发量数据，确定客观权重。
S240、根据主观权重和客观权重，确定综合权重。
S250、根据综合权重，确定车险案件综合评分。
S260、根据车险案件综合评分，确定风险因子触发量数据，然后返回至S230。
与实施例1不同的是，本实施例在步骤S250后，还根据车险案件综合评分，确定风险因子触发量数据，然后返回至步骤S230，即将得到的车险案件综合评分再进一步应用到确定风险因子触发量数据当中，进而再用于确定客观权重，该方法可对客观权重进行实时修正，得到科学的综合权重，进而得到科学的车险案件综合评分。
实施例3
如图3所示，本实施例提供了一种车险理赔风险因子评价装置，包括：
主观权重确定模块301，用于根据层次分析法，以及决策试验和评价试验法，确定主观权重。
风险因子触发量数据确定模块302，用于根据主观权重，确定风险因子触发量数据。
客观权重确定模块303，用于根据熵权法和风险因子触发量数据，确定客观权重。
综合权重确定模块304，用于根据主观权重和客观权重，确定综合权重。
车险案件综合评分确定模块305，用于根据综合权重，确定车险案件综合评分。
优选地，所述装置还包括：风险因子触发量数据确定第二模块，用于根据车险案件综合评分，确定风险因子触发量数据，然后将该风险因子触发量数据应用于确定客观权重当中。
本实施例中的装置用于执行实施例1或实施例2所述的车险理赔风险因子评价方法，因而至少具有执行实施例1或实施例2相应的功能模块和效果。
实施例4
如图4所示，本实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。该电子设备中的至少一个处理器能够执行上述方法，因而至少具有与上述方法相同的优势。
可选地，该电子设备中还包括用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI(Graphical UserInterface，图形用户界面)的的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的车险理赔风险因子评价方法对应的程序指令/模块(例如，车险理赔风险因子评价装置中的主观权重确定模块301、风险因子触发量数据确定模块302、客观权重确定模块303、综合权重确定模块304和车险案件综合评分确定模块305)。处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的车险理赔风险因子评价方法。
存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器402可进一步包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
实施例5
本实施例提供了一种介质，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行上述的方法。该介质上的计算机指令用于使计算机执行上述方法，因而至少具有与上述方法相同的优势。
本发明中的介质，可以采用一个或多个计算机可读的介质的任意组合。介质可以是计算机可读信号介质或者计算机可读存储介质。介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解的是，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种车险理赔风险因子评价方法，其特征在于，包括以下步骤：
根据层次分析法，以及决策试验和评价试验法，确定主观权重；
根据主观权重，确定风险因子触发量数据；
根据熵权法和风险因子触发量数据，确定客观权重；
根据主观权重和客观权重，确定综合权重；
根据综合权重，确定车险案件综合评分。
2.根据权利要求1所述的车险理赔风险因子评价方法，其特征在于，在根据综合权重，确定车险案件综合评分之后，还包括：
根据车险案件综合评分，确定风险因子触发量数据，所述风险因子触发量数据被应用于确定客观权重当中。
3.根据权利要求1所述的车险理赔风险因子评价方法，其特征在于，所述根据层次分析法，以及决策试验和评价试验法，确定主观权重，包括：
根据层次分析法，确定初始权重；
根据决策试验和评价试验法，确定影响权重；
根据初始权重和影响权重，确定主观权重。
4.根据权利要求3所述的车险理赔风险因子评价方法，其特征在于，所述根据决策试验和评价试验法，确定影响权重，包括：根据决策试验和评价试验法，确定影响度和被影响度；根据影响度和被影响度，确定影响权重。
5.根据权利要求3所述的车险理赔风险因子评价方法，其特征在于，所述根据初始权重和影响权重，确定主观权重，包括：将初始权重和影响权重相乘，然后归一化处理，得到主观权重。
6.根据权利要求1所述的车险理赔风险因子评价方法，其特征在于，所述根据主观权重和客观权重，确定综合权重，包括：将主观权重和客观权重相乘，然后归一化处理，得到综合权重。
7.根据权利要求1-6任一项所述的车险理赔风险因子评价方法，其特征在于，所述根据综合权重，确定车险案件综合评分，包括：根据综合权重和综合权重对应的风险因子的触发分值，计算车险案件综合评分。
8.一种车险理赔风险因子评价装置，其特征在于，包括：
主观权重确定模块，用于根据层次分析法，以及决策试验和评价试验法，确定主观权重；
风险因子触发量数据确定模块，用于根据主观权重，确定风险因子触发量数据；
客观权重确定模块，用于根据熵权法和风险因子触发量数据，确定客观权重；
综合权重确定模块，用于根据主观权重和客观权重，确定综合权重；
车险案件综合评分确定模块，用于根据综合权重，确定车险案件综合评分。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种介质，其特征在于，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480863.5A CN112668842A (zh) | 2020-12-16 | 2020-12-16 | 车险理赔风险因子评价方法及装置、电子设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480863.5A CN112668842A (zh) | 2020-12-16 | 2020-12-16 | 车险理赔风险因子评价方法及装置、电子设备、介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668842A true CN112668842A (zh) | 2021-04-16 |
Family
ID=75404957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011480863.5A Pending CN112668842A (zh) | 2020-12-16 | 2020-12-16 | 车险理赔风险因子评价方法及装置、电子设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668842A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724091A (zh) * | 2021-08-13 | 2021-11-30 | 健医信息科技(上海)股份有限公司 | 一种保险理赔的方法以及装置 |
-
2020
- 2020-12-16 CN CN202011480863.5A patent/CN112668842A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724091A (zh) * | 2021-08-13 | 2021-11-30 | 健医信息科技(上海)股份有限公司 | 一种保险理赔的方法以及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230275817A1 (en) | Parallel computational framework and application server for determining path connectivity | |
| US11985037B2 (en) | Systems and methods for conducting more reliable assessments with connectivity statistics | |
| US9922134B2 (en) | Assessing and scoring people, businesses, places, things, and brands | |
| US11720825B2 (en) | Framework for multi-tenant data science experiments at-scale | |
| US20170372389A1 (en) | Adaptive and tunable risk processing system and method | |
| US10198400B1 (en) | Data set selection using multi-source constraints | |
| US8819442B1 (en) | Assessing risk associated with a computer technology | |
| CN112037007A (zh) | 针对小微企业信贷审批的方法及电子设备 | |
| CN112686499A (zh) | 车辆信息安全水平评价方法及装置、电子设备、介质 | |
| CN111581258A (zh) | 一种安全数据分析方法、装置、系统、设备及存储介质 | |
| CN111210109A (zh) | 基于关联用户预测用户风险的方法、装置和电子设备 | |
| CN113191828A (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
| CN115329338A (zh) | 基于云计算服务的信息安全风险分析方法及分析系统 | |
| CN104022899A (zh) | 一种网络管理系统的三维评估方法及系统 | |
| CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
| CN112668842A (zh) | 车险理赔风险因子评价方法及装置、电子设备、介质 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| CN115422202A (zh) | 业务模型的生成方法、业务数据查询方法、装置及设备 | |
| CN112613732A (zh) | 一种金融机构监管评级的方法和装置 | |
| CN113393331A (zh) | 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统 | |
| Pereira et al. | An approach to characterize the security of open-source functions using lsp | |
| Dingle et al. | Service level agreement specification, compliance prediction and monitoring with performance trees | |
| CN109743203A (zh) | 一种基于量化信息流的分布式服务安全组合系统及方法 | |
| US20240184812A1 (en) | Distributed active learning in natural language processing for determining resource metrics |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |