两位驾驶人支付着相近的保费：一位三年内没有任何违规记录，另一位却多次发生交通违规。
这样的定价，真的合理吗？
一项针对交通违规风险评估体系的研究发现，传统模型仅利用了约三分之二的违规信息。剩余约三分之一的风险信号，可能并未真正进入最终风险评估体系。
这意味着，一些风险较高的驾驶人可能没有被有效识别，而真正低风险的客户，也可能没有获得与其风险水平相匹配的价格优势。
在近期举行的“信任未来：AI与数据驱动决策”大会上，律商联讯风险信息（以下简称“律商风险”）全球保险与医疗健康分析业务高级副总裁 Adam Pichon 分享了这项研究。
研究带来的启示是：行业真正缺少的，或许不是更多数据，而是充分释放现有数据的价值。
01、三分之一的违规信息，
可能尚未被充分利用
为了验证交通违规数据的实际价值，研究团队以一家美国大型保险公司的实际费率模型为基准展开分析。
结果发现，在三年观察周期内，约24%的驾驶人存在至少一次交通违规记录。但传统模型仅利用了约三分之二的违规信息，剩余约三分之一并未进入最终风险评估体系。
从业务角度看，这意味着保险公司已经付出成本获取的数据，未必都被有效转化为风险洞察。
02、风险在变化，
模型却未变
事实上，交通违规数据一直是车险风险评估的重要依据。
过去几十年，保险公司普遍采用“违规积分表（Point Table）”模式进行风险管理。
驾驶人发生某类违规行为后，会被赋予对应积分；多个积分累积后，再作为风险因子纳入费率模型。
这种模式简单、透明，也长期发挥了积极作用。
但问题在于：今天的风险环境，已经不是30年前的风险环境。
近年来，驾驶行为、执法方式以及相关法律法规持续变化。以分心驾驶（Distracted Driving）为例，随着执法力度加强和法规不断完善，这类违规行为的记录数量正在持续增长。
与此同时，不同违规行为对未来理赔风险的预测能力也在变化。
律商风险研究发现，“未保持安全跟车距离”这一违规行为，相比过去，其对未来理赔风险的预测能力提升了15%。
但许多保险公司的积分体系和风险系数却多年未作调整。
风险在变化，模型却未变。这正是问题所在。
03、被忽视的数据，
可能最有价值
很多保险公司关注超速、危险驾驶等传统违规行为。
但研究发现，一些过去很少进入定价模型的数据，同样具有较强的预测价值。
例如安全带违规。
例如在残障车位或消防栓前违规停车。
例如安装测速干扰设备等设备违规行为。
这些行为未必直接导致事故，却可能反映出驾驶人在遵守规则方面的习惯和行为特征。
过去，很多保险公司并不会把这些信息纳入风险评估。而研究表明，被忽视的恰恰可能是最有价值的风险信号之一。
当研究团队将这些数据纳入模型后，结果十分明显。仅通过重新校准传统积分体系，并增加部分非动态交通违规信息，模型预测能力便较行业基准提升41%。
进一步加入违规发生时间、违规频率以及违规间隔等行为上下文信息后，模型表现提升达到55%。
换句话说：
保险公司未必需要更多的数据，但一定需要更充分地利用已有数据。
04、从“积分时代”走向
“评分时代”
如果说过去的定价体系更依赖经验规则，那么未来的风险评估正在变得越来越由数据驱动。
Adam Pichon在演讲中提出了一个有趣的观点：
未来交通违规数据的应用，或许会越来越像信用评分。
模型关注的不再只是驾驶人有多少张罚单。而是综合考虑：
●违规类型
●严重程度
●发生时间
●行为频率
●行为之间的关联关系
最终形成更加精细化的风险评分体系。
这种方式能够更准确地识别真正高风险客户，也能够更精准地发现优质客户。
研究显示，在完全相同的数据基础上，仅采用现代机器学习方法，模型预测能力便较行业基准提升69%。
这也是为什么越来越多保险公司开始重新审视传统风险评估体系。
05、AI能否重新定义风险识别？
更值得关注的是，风险建模可能正在进入新的阶段。
目前，大多数风险模型依然依靠人工构建特征变量。
律商风险正在研究利用Transformer、Embedding等AI技术，学习驾驶人的完整违规行为序列。一次超速、一张罚单或一次违规停车，不再只是孤立的记录，而是构成驾驶行为轨迹的一部分。
通过分析不同事件在时间、类型和严重程度上的关联，模型有望识别传统积分规则难以发现的风险模式。相关探索目前仍处于研究阶段，但它展示了一个值得关注的方向：风险评估正在从统计违规次数，走向理解行为演变。
结语：真正的机会，也许就在现有数据之中
保险行业一直在寻找新的数据、新的模型和新的增长机会。
但这场演讲传递出的一个重要信号是：
价值未必来自新的数据源。
很多时候，机会就隐藏在已经拥有的数据之中。
当三分之一的风险信息仍被忽略，当优质客户仍可能在为高风险客户承担额外成本时，重新认识交通违规数据的价值，或许正是车险风险管理下一阶段的重要课题。