赵恩有

摘要：基于我国发展车辆保险的重要性，研究车辆保险市场是非常有必要的。本文基于2004-2015年的数据，来研究车辆保险市场的成长情况，通过灰色模型与神经网络的结合的灰色神经网络模型去拟合车辆保险营业额与解释变量的关系，之后再用遗传算法优化灰色神经网络，最后通过模型结果的对比，知基于遗传算法的灰色神经网络模型有更好的预测效果。

Abstract： Based on the importance of developing vehicle insurance in China， it is very necessary to study the vehicle insurance market. Based on the data of 2004-2015， this paper studies the growth of vehicle insurance market， and uses the gray neural network model combined with gray model and neural network to fit the relationship between vehicle insurance turnover and explanatory variables， and then uses genetic algorithm to optimize the gray neural network. Finally， through the comparison of the model results， we know that the gray neural network model based on genetic algorithm has a better prediction effect.

關键词：车辆保险市场；灰色模型；遗传算法；灰色神经网络

Key words： vehicle insurance market；gray model；genetic algorithm；gray neural network

中图分类号：F713.58 文献标识码：A 文章编号：1006-4311（2018）03-0208-03

1 车辆保险市场的影响因素

影响车辆保险市场的因素有经济因素、风险因素、社会文化因素、法律和政策因素等[1-6]。但是在实际生活中还有很多的其他的因素影响车辆保险市场的成长，比如：人的性别差异，地区文化差异等。为了建模的分析，要忽略一些影响车辆保险市场的定性因素即难量化的影响因素，选择全国经济、风险、文化等方面对车辆保险市场影响显著的因素。

1.1 经济因素

经济因素包括国内生产总值、居民可支配收入、汽车数量、汽车保险价格、财产保险公司数量。其中汽车保险价格选用车辆保险赔款/车辆保险费收入来做指标，汽车数量选用民用汽车拥有量来反映，财产保险公司数量是统计中国保监会监督统计的财产保险公司。

1.2 风险因素

风险因素包括道路交通状况和交通事故数。道路交通状况一般由路况和道路人均道路面积来体现，路况越差，那么发生车祸的风险概率就会越大。我国每个省车险价格之所以不一样，其中路况是重要的决定因素之一。交通事故能够增强人民的生命安全意识和投保意愿，使得人民的保险需求增加。

1.3 社会文化因素

社会文化因素包括受教育程度和城镇人口比重。受教育程度选取人口中大专及以上学历所占比例作为受教育程度的指标，城镇人口比重选取城镇人口与农村人口之比作为城镇人口比重指标。

2 基于遗传算法优化的灰色神经网络

2.1 灰色模型

灰色系统理论是由华中理工大学邓聚龙教授与1982年提出并加以发展的，是通过少量的、不完全的信息建议起来的模型进行预测的。灰色模型就是通过累加或是其它的方法去减弱离散数据的随机性，使其得到的数据具有一定的规律，再建立微分方程形式的模型，去展现原始数据中的一些隐藏的信息并加以研究和描述。

2.2 灰色神经网络模型

灰色神经网络是有效的将灰色模型和神经网络模型相结合的模型，先通过灰色模型对原始数据进行处理（1-AGO）之后，使处理后的数据呈现出一定的规律，再通过建立微分方程的方式使其数据进入到神经网络中进行拟合和预测。与其神经网络的结合就是把微分方程经过处理得到时间相应方程映射进神经网络中去求出方程的系数。

2.3 基于遗传算法优化的灰色神经网络[7-10]

遗传算法是受到生物学家达尔文进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法，与其他的算法不同的是，它基本上不依赖搜索空间的知识或导数等其它辅助信息，仅用适应度函数值来评估个体，来进行遗传的操作。由于灰色神经网络连接权值和阈值是随机初始化得到的，并且在神经网络学习的过程中容易陷入局部最优，而遗传算法优化了灰色神经网络模型连接权值和阈值的随机性，又能加快网络计算的收敛速度，得到全局最优解。

遗传算法的运算过程有编码、初始群体的生成、适应度值评价检测、选择、交叉、变异、终止条件判断七个步骤，可以获得最优的权值和阈值，再经过灰色神经网络模型得到预测结果。

3 实证分析

3.1 数据搜集

本文主要从中国统计年鉴、国家统计局、中国保险年鉴、中国保险监督管理委员会等找取2004-2015年相关的数据，数据的变量有机动车辆保险营业额、汽车保险价格、国内生产总值、城镇居民可支配收入、民用汽车拥有量、居民消费价格指数、财产保险公司数量、交通事故发生数、人均城市道路面积、受教育程度、城镇人口比重。

3.2 归一化数据处理endprint

本文原始数据的各个因素有着不同的量纲和量纲单位，如果用原始数据进行分析，那么将使预测结果失真。为了消除指标之间的量纲影响，对数据进行归一化处理，使影响因素处于同一数量级上，以便进行综合对比评价。本文采用min-max标准化的方法，通过线性变化把原始数据映射到0-1之间，即转化函数为：

3.3 基于遗传算法的灰色神经网络模型预测

首先我们先对遗传算法中的运行参数设置为：编码串长度l=11，种群规模M=11，交叉概率pc=0.8，变异概率pm=0.1，迭代次数T=500。

遗传算法中a，b1，b2，…，b10初始值定义在[-1，1]之间，通过遗传算法得到灰色神经网络的最优初始值为

a=3.5738，b1=-0.6847，b2=1.0000，b3=-0.7151，b4=1.0000，b5=1.0000，b6=0.0810，b7=0.3731，b8=0.9124，b9=0.8330，b10=-0.5213

再把遗传算法得到的最优解输入到灰色神经网络中进行训练，通过MATLAB程序，把训练数据进行100次的迭代，得到训练误差随着进化的次数在不断的减少，而在进化50次的时候误差基本上已经不再发生变化了，对于训练最后的是误差是理想的，可以说训练数据得到了很好的训练，可以用来做预测。通过灰色神经网络算出微分方程系数是：

3.4 对比分析

对比四种预测模型，GM（1，1）模型相对误差比较大，GM（1，N）模型研究拟合的效果不好，灰色神经网络模型是灰色模型与神经网络的结合，得到结果效果是比较好的，而基于遗传算法的灰色神经网络是用遗传算法去优化灰色神经网络模型，得到的结果精度提高了1.3%，相对误差为-3.91%。所以用基于遗传算法的灰色神经网络模型预测精度是很高的，可以去预测车辆保险市场的成长情况。

4 结论

车辆保险市场预测是政府、公司对车辆保险市场调控和决策的重要依据，而且通过车辆保险市场的预测可以掌握未来发展的趋势情况，利于做出相应的对策来解决即将面临的问题。本文基于遗传算法的灰色神经网络模型对车辆保险市场成长的研究和预测，通过模型预测精度的对比，知这种研究方法是非常理想的，中國车辆保险市场的成长预测，不仅仅可以帮助国家更好的宏观调控，也有助中国保险监督管理委员会对中国车辆保险市场更好的监控，更有利于财产保险公司对中国车辆保险的研究，制定有效的发展战略，使得中国的车辆保险市场健康稳定迅速的发展。因此，对车辆保险市场的成长研究是非常有意义的。

参考文献：

[1]何雪华.我国机动车辆保险需求模型的实证分析[J].保险职业学院学报，2011：25-29.

[2]武红先.我国汽车保险市场需求的影响因素分析[J].苏州大学，2011：128-133.

[3]刘璐，张博江.我国机动车辆保险市场发展的需求拉动因素研究[J].保险研究，2012（8）：83-88.

[4]刘志翔.基于BP神经网络的汽车保险需求预测研究[D]. 广东：暨南大学经济学硕士论文，2015：4-24.

[5]Frank D. Lewis. Dependents and Demand for Life Insurance[J].The American Economic Review，2002，79：452-467.

[6]S.Travis Pritchett and Benjamin Y.Brewster，Jr.，Comparison of Ordinary Life Operating Expense Ratios for Agency and Nonagency Insurers，2000，67：73-90.

[7]吴亚雄，谢敏.基于BP神经网络灰色回归组合模型的年最大负荷预测[J].南方能源建设，2017（2）：46-57.

[8]杨帆，谢洋洋.遗传灰色神经的卫星钟差预报模型[J].导航定位学报，2017（2）：107-134.

[9]李国勇，闫芳，郭晓峰.基于遗传算法的灰色神经网络优化算法[J].控制工程，2013（5）：934-937.

[10]林勤.基于遗传算法优化灰色神经网络的浙江省公路客运量预测模型[D].湖北：华中师范大学运筹学与控制论硕士论文，2013：3-40.endprint