作者：陳星(中央財經大學統計與數學學院，北京)

潘蕊(中央財經大學統計與數學學院，北京）

黃亮(彩虹無線(北京)新技術有限公司，北京)

摘要：本文的研究內容為UBI車險業務。本文通過車輛前裝裝置採集駕駛行為資料，並與同期車輛出險情況建立Logistic迴歸模型，通過該模型挖掘對車輛出險情況具有顯著影響的駕駛行為變數，並對其影響程度進行分析。根據分析結果，本文對其在行程打分與車險保費定價兩部分業務的實施進行了分析，並對其預期效果與可能存在的問題展開了進一步討論。

關鍵詞：車聯網大資料；駕駛行為；Logistic 迴歸模型；UBI車險

一、業務介紹

（一）車聯網行業介紹

車聯網（Internet of Vehicles）是指由車輛位置、速度和路線等資訊構成的巨大互動網路。車聯網主要依託行動通訊與資訊科學技術，通過無線通訊技術(例如 GSM, GPRS等通訊方式)、地理位置定位技術(例如 GPS,LBS定位)、汽車感測器技術(汽車匯流排 CAN-bus) 以及行車記錄儀技術等完成車輛行駛狀態與周邊環境的採集、資料的傳輸與處理工作[6]。車聯網行業目前處於飛速發展階段。根據中國產業資訊網的車聯網行業分析報告，車聯網使用者數在2005年至2013年由5萬增至600萬，且將隨著我國汽車保有量的增加而進一步增長，其市場規模將從130億元增長到665億元，並將保持30%到50%之間的高速連續增長。

車聯網的發展為其行業創造了海量資料，而該行業的主要價值也將基於其資料的資訊價值體現。其可以收集車與人、車與車、車與路的屬性資訊和靜、動態資訊,從而形成一個極為龐大的資料庫,為使用車聯網的行業提供其所需要的資料資訊[2]。車聯網資料可應用於廣告投放、智慧交通、車輛維修保養以及車輛保險等多個領域。在廣告投放方面，可通過車聯網資料在雲端的整合，發現司機青睞的車輛維修網店，加油站等，從而能夠有針對性的對使用者實現廣告的精準投放；在智慧交通方面，其可通過分析預測交通狀況，預警交通擁堵路段，及時協助交通管理部門發現問題並制定相應的交通分流、疏導方案；在車輛維修保養方面，基於車聯網裝置提供的各項車輛實時指標情況，從而幫助車主發現車況問題，併為車輛維修保養機構提供問題原因以及解決方案。

（二）車險行業介紹

隨著道路交通行業的持續發展，我國民用汽車保有量呈現逐年快速增長的趨勢，近10年年增長率均超過15%。截止至2015年底，我國民用汽車保有量已達到16273萬輛，具體情況如圖1所示1  。汽車行業的繁榮為車險行業提供了蓬勃發展的平臺，從而使得車險產品具有廣闊的發展空間。傳統的車險已經成為我國財產保險業務的第一大險種，其主要產品由中國人保，太平洋保險和中國平安三家保險公司提供。傳統車險產品主要通過從車因素、從人因素、從環境因素三個方面衡量被保險人的風險水平，從而確定其保費。其中從車因素指車輛種類、型號、用途、車齡、行駛區域以及生產廠商等因素；從人因素指駕駛人年齡、性別、駕齡、婚姻狀況、職業以及肇事記錄等因素；從環境因素指氣候、地貌、路況等地理環境風險因素以及治安、法制情況等社會環境風險因素。儘管傳統車險產品考慮因素眾多，但在競爭日益激烈的市場環境下，仍存在產品單一、費率條款粗放以及準備金低估等問題[1]，這類問題反映出車險產品對風險把控的不足。因此僅根據上述三方面因素確定保費將低估風險，從而導致保費無法與風險合理匹配，造成車險行業經營效率低下。
A4F6.tmp 圖1中國民用汽車保有量與年增長率時間序列圖

除了上述因素之外，司機的駕駛行為也是衡量風險的重要因素，對車險保費定價有指導作用。然而傳統車險行業未通過司機駕駛行為進行保費定價，其主要原因有以下幾方面：①缺乏駕駛行為的資料支援；②缺乏相應的資料處理技術；③缺乏相應的政策支援。目前，隨著移動通訊行業的發展，車聯網大資料已可實現實時採集，為基於司機駕駛行為的分析提供了資料支援；隨著軟硬體技術的發展，該類車聯網資料可通過分散式叢集、雲端計算等方法進行建模分析，並通過其與傳統保險精算方法的結合實現保費的定價，從而解決了資料處理問題；同時，保險大資料公司的誕生與車險費率改革制度的出臺也推動著新的車險定價模式的誕生。這種新型車險就是UBI（Usage Based Insurance），即基於駕駛人行為的車險。

（三）UBI業務背景

1、業務定義

UBI模式車險是基於駕駛行為以及使用車輛相關資料相結合的個性化保險產品。保險公司通過與車廠合作，通過遠端資訊處理技術獲取車輛行駛資訊，並將其上傳到公司伺服器。該類資訊包括車輛行駛過程中的里程、油耗、時速等資料，保險公司結合時間、路況與車輛狀況，計算得出司機各類駕駛行為的發生情況，通過大資料處理與分析技術評估車主駕車行為的風險等級,通過風險等級指數為其提供個性化保單，從而實現風險與保費定價的匹配。UBI模式車險作為大資料時代的新型車險,其具備科技與方法二者的創新。UBI的核心概念在於給予具有安全駕駛行為的司機保費優惠，其推廣不僅能夠使保險公司強化車險定價能力，還可以產生良好的個人與社會效應，引導司機形成良好的駕駛習慣。

2、業務發展現狀

UBI模式車險業務在國際上的發展已經較為成熟。在美國保險市場，UBI業務代表公司為progressive保險公司，該公司於1994年首度提出PAYD（pay as you drive）保險概念[3]，之後又陸續推出autograph、tripsense等幾代UBI產品，並於2009年正式推出引入駕駛員急剎車次數、夜間行車次數等資料的UBI保險產品Snapshot。美國State Farm保險公司其後推出In-Drive保險產品，該產品根據司機駕駛行為提供了高達50%的車險費率折扣。在歐洲保險市場，英國保險合作社Cooperative Insurance Society、Insure The Box保險公司，德國、荷蘭、義大利等國保險公司先後推出各類基於駕駛行為折扣保費的UBI保險產品。在亞洲保險市場，日本愛和誼日生同和保險公司於2005年與豐田合作在日本推出了類似UBI的車險產品PAYD，該產品僅針對累計里程折扣保費，而未加入其它駕駛行為資料。

國內的UBI模式車險業務尚處於市場探索階段，但其已具備推出基礎：保險大資料公司的成立與車險費率改革制度的釋出為中國UBI車險業務提供了政策支援，大資料、雲端計算、車聯網技術的成熟為該業務提供了技術支援，前裝與後裝市場以及智慧APP的出現則為該業務提供了豐富的資料基礎，從而為中國UBI業務的啟動創造了空間。

3、業務目標

UBI業務的相關群體主要為保險公司與投保人。對於保險公司，其短期業務目標為領先推出UBI產品，搶佔客戶資源。其長期業務目標為通過客戶反饋，深入瞭解客戶需求，不斷更新與改進車險產品，建立更完整的產品體系，在留住老客戶的基礎上不斷吸引新客戶，從而獲得更大市場份額。對於投保人，UBI業務將實時向投保人反饋各段行程中駕駛行為以及保費變動情況，幫助投保人瞭解其行車過程中存在的不安全駕駛行為，並通過保費激勵投保人改善其駕駛行為，從而減少交通事故發生頻率。

（四）研究方法

本文將通過車載前裝裝置採集行車資料，根據該資料計算每輛車全年各類駕駛行為變數，並根據司機在資料採集週期內出險情況與駕駛行為變數建立廣義線性模型。通過變數選擇獲取對車輛出險有顯著影響的駕駛行為，並得到駕駛行為變數對出險概率的影響程度。該模型可協助保險公司發掘影響車輛出險的重要行為，從而對司機保費進行差異化定價[4]。

二、資料描述

（一）資料來源

駕駛行為資料指車輛執行過程中描述車輛行駛狀況的資料,該類資料在車輛執行過程中實時採集。該類資料的採集方式有三種，①前裝，即在汽車出廠前已將資料採集裝置作為車輛的一部分安裝在車上；②後裝，即通過OBD（車載自診斷系統）裝置，通過車上配有的終端介面在車輛使用過程中自行安裝；③手機APP，即通過手機軟體對資料進行採集。以上三種資料採集發生各有利弊：前裝裝置的優勢在於其使得廠商配套生產相對容易，從而更能夠保證資料的完整性。但其進入門檻相對較高，需要與各類車輛車廠達成合作關係方可獲取，且由於其裝置作為車輛的一部分，安裝後將難以取下。後裝OBD裝置具有進入門檻低，生產成本低等優勢。但其存在說服成本較大，不同品牌終端競爭激烈，同時存在一定安全隱患，這將使得使用者在安裝後可能更換品牌或放棄使用，導致資料收集難以持續進行，對後續的資料分析和挖掘來說有很大限制。而手機APP則具有安裝容易，產品更新方便等優勢。然而其存在資料精度較低、且客戶更換產品成本較低導致客戶容易流失等問題。

本文采用的資料為前裝資料,通過對接車內感測器及車機，在車輛執行過程中獲取車輛狀況與行駛狀況。每個車輛在駕駛過程中，以秒為採集頻率生成一條記錄，每條記錄包含車輛資訊、時間資訊、車況資訊、駕駛資訊以及地理位置資訊等多種型別的資料。出險情況資料指觀測車輛在駕駛行為觀測週期內是否發生交通事故並向保險公司申請保險索賠的資料。該批出險情況資料包含車輛標示VIN碼與是否出險兩個變數，將用於對司機駕駛風險進行評估。

（二）資料概述

原始資料為兩千餘輛已識別是否出險的車輛於2014年7月至2015年6月共計12個月產生的資料。資料共包含8個變數，囊括四類資訊，①標識資訊，包括車架號（VIN），為車輛的唯一標識編號。②時間資訊，包括資料上傳時間，代表資料由車輛上傳到資料庫的時間。③位置資訊，包括經度與緯度，可反映車輛實時所處位置，本文在目前的研究中尚未使用該資料。④行駛資訊，包括累積里程，瞬時油耗，瞬時車速與瞬時發動機轉速。各個變數的具體情況見表1。
AB4F.tmp

（三）建模變數

在生成建模所需要的變數前，本文首先對車輛行程進行劃分。本文通過車輛行駛過程中較長時間的熄火狀態將車輛的執行劃分為多段路，其中每段路稱為一個行程。本文基於以行程為單位的變數計算得到建模所用的車輛變數資料，下文將對該類建模變數的選擇進行詳細說明。

本文基於原始變數計算得到10個建模變數，其中包括累計值類變數，平均值類變數，標準差類變數，極值類變數與比例類變數。①累計值變數為年化累計里程，它反映出一輛車一整年行駛的里程數，該變數在UBI模型中為一個重要變數。②平均值類變數包括日均行程數、平均時速、平均油耗與平均發動機轉速。平均值類變數反映出司機駕駛行為整體上的集中趨勢。日均行程數代表一輛車平均每天行駛的行程個數，其通過一輛車一年的行程總數與其出行天數相除所得。平均時速表示車輛一年行駛的平均速度，其衡量了司機在整體上的行駛速度。平均油耗與平均發動機轉速則是對其的側面補充。③標準差類變數包括時速的標準差，其反映了司機駕駛時速的變化程度，能夠體現司機駕駛的平穩性。④極值類變數包括最大時速，為司機全年行駛時速的最大值，反映了司機時速的極端情況。⑤比例類變數包括早、晚高峰與夜間出行的佔比，該類變數反映了司機是否經常在非常時間段出行，該類時間的出行將對車輛出險有較強影響。本文下文的描述性分析與資料建模均基於本部分得到的建模變數。

三、資料建模

（一）描述性分析

本文進行建模分析的資料包含10個數值型自變數，1個0-1型因變數。我們對10個數值型自變數進行了簡單的描述性分析2  。

在累計值類變數方面：從年化累積里程變數可看出，平均每位司機一年行車約1萬4千公里，平均每日約行駛40公里。多數車輛一年內累計里程在2萬公里以內，這類車輛可能主要用於代步，行駛範圍相對集中。少數車輛一年行駛里程非常長，可能存在長途或疲勞駕駛等情況。針對這類車輛，其出險概率可能將有所上升。年化累積里程在不同司機間存在較大差距，在PAYD等車險模式中其為對車險保費定價具有重要影響的變數，故本文在建模分析中將更加關注該變數對出險情況的影響。一般而言，駕駛更多里程的司機有更大可能出險。

在平均值類變數方面：司機平均一年的駕駛速度不到25公里/小時，這在城市中為一個相對較慢的速度，但考慮到車輛起步、等待紅綠燈以及擁堵等怠速行駛情況，該速度相對合理。平均時速最小的車輛時速不到12公里/小時，其長期處於極度擁堵狀態。

在極值類和比例類變數方面：平均最高時速超過120公里/小時，已超過最高限速，說明有較多司機存在有較大安全隱患的超速行駛行為。司機處在高峰期的時間約佔三分之一，其中司機更多在晚高峰出行。高峰出行最多的司機一年中超過一半的時間處在高峰期，而最少的基本不在高峰出行，說明司機在出行時間的選擇上存在差異。平均而言，司機僅有2%的時間在夜間出行。

（二）模型設定

由於因變數為0-1型分類變數，本文應採用分類方法對資料進行建模預測。常用的分類方法有Logistic迴歸，決策樹，隨機森林，神經網路等。本文采用Logistic迴歸對資料進行建模分析，其原因有以下幾點：①Logistic迴歸能通過迴歸方程展現因變數與自變數關係。本文建立模型的目標是為UBI車險提供定價基礎，其需要挖掘對車輛出險情況有顯著影響的駕駛行為並得到其影響程度。因此，本文需要得到能夠反映各個自變數對因變數影響程度的模型，在上述分類模型中，僅Logistic迴歸能夠滿足要求。②Logistic迴歸能夠進行變數選擇。其它幾類模型通過全部自變數對因變數空間進行劃分，因而無法剔除對因變數影響程度較小的自變數，而Logistic迴歸則能在全變數基礎上通過AIC資訊準則進行變數選擇，得到對因變數有顯著影響的自變數。③Logistic迴歸計算量較小，運算速度較快。由於隨機森林、神經網路等演算法涉及多次迭代，其運算成本較高，而Logistic迴歸運算相對較快，在未來車輛進一步增多，資料量加大的情況下將降低運算成本。

本文采用Logistic迴歸進行建模，模型如下所示：

P(Y=1|x)=1/(1+e −g(x) ) ，

其中，g(x)=β 0 +β 1 x 1 +β 2 x 2 +⋯+β 10 x 10  。本文通過極大似然估計對β 引數進行求解，之後通過似然比檢驗對引數顯著性進行檢驗。求解後，本文通過AIC資訊準則進行變數選擇，得到本文最終的UBI車險模型。

本文在建模前首先對資料進行標準化處理。由於自變數量綱不同，不同自變數間數值差距較大，為使得自變數直接具有可比性，本文對全部自變數進行對數變換，之後對其進行標準化。

（三）模型結果

Logistic迴歸通過AIC進行變數選擇後的變量回歸係數符號與顯著性水平如表2所示，變數影響程度如圖5所示3  。根據表2結果，在累計值類變數中，年化累積里程對出險情況有顯著影響，其引數估計結果為正，說明隨著里程數量的增加，車輛有更大可能出險，這與PAYD車險的規律相同。在UBI模型中，累計里程同樣是衡量保費定價的重要標準，因此針對開車更多的司機，應相對多收取保費，而對行駛較少甚至不開車的司機，應給予其保費優惠。在均值類變數方面，日均行程數與平均時速變數皆顯著。日均行程數變量回歸係數為負，這說明，在給定相同的行駛里程的條件下，每天出行次數越多的司機，出險概率越低。平均時速變數同樣迴歸係數為負，說明行車速度越快的司機越不易出險，其可能原因有兩點，第一，駕駛技術較熟練的司機可能對路況把控更到位，因此能夠以相對較快的速度行駛且保證行車安全。第二，在相對擁堵導致時速較慢的路段行車比在正常執行的路段更容易發生交通事故。根據圖2所示結果，在變數影響程度方面，年化累積里程變數對車輛出險情況影響最大，其次為日均行程數，之後為平均時速。
1089.tmp

四、業務實施

（一）實施方案

本文在獲得基於駕駛行為預測車輛出險情況的模型後，根據模型結果對兩部分業務的實施進行了分析，第一部分為分段行程打分業務；第二部分為UBI車險保費定價業務。

行程打分的目的是向司機提供一個完整的駕駛行為反饋系統，在司機結束一段行程後，對其駕駛情況進行合理評價，對其潛在的高風險駕駛行為進行提醒，從而引導司機改善不良駕駛習慣。本文將在模型基礎上計算每段行程得分，具體可分為以下幾步：①建立分數與出險概率的對映關係。由於出險概率取值範圍為0到1，而行程得分取值範圍為0到100，因此應對模型進行線性變化，使因變數取值範圍由1到0對映到0到100之間。②建立重點指標反饋體系。本文將建立易於解釋且更為關鍵的重點指標體系，有針對性的對司機反饋其行車過程中的高風險駕駛行為。③建立得分排行榜與使用者交流平臺。目前許多行車軟體均已有相應的行程評價，本文認為應在其基礎上將其與社交圈相結合，在每天結束時向司機反饋當天駕駛得分，並構建安全駕駛排行榜，利用司機的好奇心理與比較心理促進其規範駕駛行為，安全行車。同時，該使用者交流平臺將給司機帶來較強的參與感，使客戶接觸增加，從而增強了公司的客戶粘性。

UBI車險保費業務為本文要討論的重點業務，本文建模分析的主要目標即為該部分提供資料分析支援。UBI車險業務的目標為建立一種全新的基於駕駛習慣與行駛里程對保費定價的車險產品，從而實現對客戶的細分，提升保險公司的風險區分能力[7]。UBI車險模型能幫助保險公司根據司機駕駛行為識別其風險等級，對高風險司機將通過保費懲罰給予其經濟激勵，使其減少不良駕駛行為；對低風險司機將為其提供更具有吸引力的價格與服務。通過對風險的合理掌控，保險公司將降低賠付成本，從而使得公司盈利空間上升。UBI車險保費的定價將參照本文建模結果，並根據保險精算方法制定合理的保費優惠與懲罰策略。本文認為保費應實時浮動，而浮動的範圍則分為幾檔，分別對應不同的行程得分。在每段行程結束後，基於上述模型結果對該段行程打分，如果行程得分較高，則對司機給予保費獎勵，反之，若該段行程出現較多高風險駕駛行為，導致得分較低，則應對司機給予保費懲罰。在UBI車險進入市場初期，本文認為保險公司需採取低價策略增強新產品的吸引力[5]，提高保險公司知名度，迅速開拓市場，爭取佔得較大市場份額；在市場發展期，保險公司應在客戶群基礎上，對保費水平進行調整，逐漸由擴充套件型戰略轉向盈利型戰略，同時，根據使用者反饋對產品功能進行改進，從而獲得穩定的客戶群體；在市場成熟期，保險公司應已具備一定使用者量，之後可通過產品口碑，通過老使用者吸引新使用者加入，在保持盈利的基礎上進一步擴大客戶群體。

（二）預期效果

根據行程打分業務需要公司對司機的駕駛行為進行評價與反饋。該部分的實施首先可以幫助司機發現行駛中的高風險駕駛行為，在發現的基礎上，利用司機的比較心理，通過得分與評比督促司機反思與改善其駕駛行為，從而獲取更高得分。隨著該評分體系的普及，將有更多司機加入其中，從而相互促進謹慎行車，在整體上減少社會交通事故的發生。

與行程打分業務相比，UBI車險保費定價業務將成為一個盈利性核心業務，本文對該類車險進入市場後在產品發展、保險公司經營與投保人使用的預期效果進行了分析。在產品發展方面，保險公司通過使用者的反饋不斷對保費定價做出調整，從探索階段逐步走向成熟，從以吸引使用者的低價車險逐步發展為通過市場決定的均衡價格；在保險公司經營方面，公司從通過融資進行保險市場擴張，逐漸提高使用者粘性與滿意度，從而逐步轉型為通過UBI車險盈利，並在此基礎上不斷改進產品，從而獲取更大市場份額；在投保人使用方面，投保人通過該類車險的經濟激勵規範駕駛行為，安全駕駛［2］，隨著投保人數量的增多，該車險將培養個體的優秀駕駛行為，從而促進社會交通向安全駕駛方向發展，創造更加良好的社會交通環境。

（三）可能存在的問題與解決方案

目前行程打分業務存在的問題有以下兩點：①過低分數引發使用者不滿。當司機在行程中存在較多高風險駕駛行為時，其行程分數可能過低，引發司機的不滿情緒。針對該種情況，本文認為設定使用者可接受的最低得分，從而減少因為對得分不滿而造成的使用者流失。②司機對行程得分與駕駛行為反饋產生質疑。針對該類問題，本文建議對產品建立完善的反饋體系，可以令司機通過簡單操作將其質疑的問題反饋給公司，而公司則建立健全的客戶服務部門及時迴應司機的疑問。

目前UBI車險保費定價業務可能存在以下幾點問題：①投保人對保費懲罰產生質疑。該問題與打分業務的問題②相似，針對該問題，應建立合理的反饋體系，在彌補投保人損失的前提下，給予其補償性優惠。②車險保費盈虧不均衡，導致保險公司虧損。針對該類問題，應在UBI模型基礎上調節對各類駕駛行為的懲罰力度。在運營時，首先通過一段時間的試運營，讓投保人熟悉該類車險，並使公司根據試運營效果調整車險保費模型，從而使得保費合理定價。③隨著UBI車險的出臺，司機駕駛行為發生改變，導致現有模型不再適用。在該UBI車險正式出臺後，階段性的對模型盈利情況重新評估，調整模型，在保證投保人利益的情況下合理制定保費收取情況。

五、總結與討論

本文重點工作為通過駕駛行為資料建立UBI車險模型，挖掘造成車輛出險的不安全駕駛行為以及其對出險概率的影響程度。根據模型結果，本文得到3個對車輛出險概率有顯著影響的變數，其中導致車輛出險概率上升的變數有年化累計里程比；導致車輛出險概率下降的變數有日均行程數，平均時速。本文在模型基礎上探討了其在行程打分與UBI車險保費定價業務上的實施，其中模型在行程打分業務上已有較好的表現，而其在UBI車險保費定價業務上尚未實施，本文對其預期效果與實施過程中可能存在的問題進行了進一步討論。

本文認為目前文章可供改進的方面有以下幾點：①資料的改進。目前資料採用的是司機一整年的駕駛行為資料以及相同時間段的出險情況，該資料有以下幾點問題，第一，無法確定車輛出險發生的具體時間，這將導致未引發車險的駕駛行為被錯誤評估，而實際造成出險的行為被低估；第二，無法保證車主的連續性，由於同一輛車下可註冊多名使用者，這將導致同一輛車的駕駛記錄並非隸屬於一名使用者，從而干擾分析。②方法的改進。本文在建模分析時，僅通過資料探勘方法直觀的探究駕駛行為與出險情況的關係，但未對各類駕駛行為進行細分，即各類變數均為獨立討論，而為引入交叉類駕駛行為，在之後的研究中，本文將對變數進一步將其細分，從而將模型進一步精細化。

本文目前的研究為保險公司的UBI車險業務提供了資料分析基礎，當該業務付諸實踐後，本文將通過實際使用效果進一步對模型進行改進與優化，從多維度而通過UBI車險產品敦促駕駛員改進其駕駛行為，營造安全駕駛的社會氛圍。

注：

1   資料來源：國家統計局

2   由於資料保密性需要，不展示描述分析具體數值細節

3   顯著性水平為0.1

參考文獻

[1] 程菁, 丁偉鵬, 車輝. 中國車險費率發展軌跡及效果分析[J]. 經濟研究導刊, 2014(4), 136–137.

[2] 韓成卉, 趙綽翔, 鄭蘇晉. “行為定價保險”:車險定價與駕駛行為理論[J]. 金融發展研究, 2015(8), 68–74.

[3] 韓雪, 趙綽翔, 鄭蘇晉. 車聯網保險商業模式及案例分析[J]. 上海保險, 2015(11), 50–54.

[4] 彭江琴, 劉南傑, 趙海濤,等. 智慧UBI系統研究[J]. 計算機技術與發展, 2016(1), 142–146.

[5] 王輝. 眾安保險進軍車險市場,探索“網際網路+車險”商業模式[J]. 中國保險, 2015(11), 2–2.

[6] 鬱佳敏. 車聯網大資料時代汽車保險業的機遇和挑戰[J]. 保險研究, 2013(12), 89–95.

[7] 朱仁棟. 車聯網保險與商業車險改革[J]. 中國金融, 2015(8), 63–64.