Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của hệ thống giao thông vận tải hiện đại, xe ô tô ngày càng được sử dụng phổ biến nhờ tính tiện dụng và khả năng vận chuyển vượt trội. Tuy nhiên, sự gia tăng số lượng phương tiện cũng kéo theo nhiều rủi ro về tai nạn giao thông, thiệt hại tài sản, trách nhiệm pháp lý và sức khỏe con người. Những tổn thất phát sinh không chỉ ảnh hưởng trực tiếp đến nguồn lực tài chính của chủ sở hữu phương tiện mà còn gây gián đoạn hoạt động kinh doanh. Để giảm thiểu các nguy cơ này, việc tham gia bảo hiểm ô tô được xem là công cụ chuyển giao rủi ro từ chủ xe sang các doanh nghiệp bảo hiểm.

Yêu cầu bồi thường (claim) là yếu tố cốt lõi trong hoạt động kinh doanh bảo hiểm phi nhân thọ. Do đặc thù sản phẩm bảo hiểm phải được định giá trước khi biết rõ chi phí thực tế phát sinh, việc xác định chính xác mức độ rủi ro của từng tài xế đóng vai trò quyết định trong việc định phí công bằng và cá nhân hóa mức phí bảo hiểm. Chuyên đề thực tập tốt nghiệp ngành Toán Kinh Tế tại Trường Đại học Kinh tế Quốc dân của sinh viên Lê Thị Ngọc Ánh (hướng dẫn bởi TS. Nguyễn Quang Huy, hoàn thành năm 2022) tập trung giải quyết bài toán dự báo rủi ro này bằng các thuật toán học máy (Machine Learning).

Mục tiêu nghiên cứu của đề tài gồm:

  1. Xác định các yếu tố ảnh hưởng đến khả năng xảy ra khiếu nại bồi thường bảo hiểm xe ô tô của khách hàng.
  2. Thu thập và xử lý bộ dữ liệu thực tế nhằm tối ưu hóa đầu vào cho các mô hình học máy.
  3. Phân tích thống kê và ứng dụng các mô hình học máy để đưa ra dự báo chính xác về xác suất khách hàng yêu cầu bồi thường.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hành vi yêu cầu bồi thường bảo hiểm xe ô tô của khách hàng dựa trên các thông tin nhân khẩu học, lịch sử lái xe và đặc điểm phương tiện.
  • Phạm vi dữ liệu: Bộ dữ liệu hàng năm về bảo hiểm xe hơi của một công ty bảo hiểm tại Mỹ được công bố công khai trên nền tảng Kaggle, gồm 10.000 bản ghi với 17 trường thông tin.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết bảo hiểm và tổng quan nghiên cứu

Về mặt lý luận, bảo hiểm là thỏa thuận trong đó bên tham gia đóng một khoản phí bảo hiểm định kỳ để được doanh nghiệp bảo hiểm cam kết bồi thường tổn thất khi rủi ro thuộc phạm vi bảo hiểm xảy ra. Trong bảo hiểm ô tô, phạm vi chi trả bao gồm: bảo hiểm thiệt hại vật chất phương tiện (hư hỏng, mất cắp), bảo hiểm trách nhiệm dân sự đối với bên thứ ba (chi phí tài sản, y tế) và bảo hiểm tai nạn cho người ngồi trên xe.

Nghiên cứu tổng quan các công trình quốc tế cho thấy xu hướng chuyển dịch rõ rệt từ các mô hình định phí truyền thống sang phương pháp tiếp cận dựa trên dữ liệu lớn và học máy:

  • Hultkrantz và cộng sự (2012) nhấn mạnh tính tất yếu của việc cá nhân hóa phí bảo hiểm theo khả năng lái xe.
  • Guillen và cộng sự (2019), Roel và cộng sự (2017), Gao & Wüthrich (2018, 2019) nghiên cứu việc tích hợp dữ liệu hành vi lái xe từ hệ thống viễn thông (Telematics) để dự báo tần suất và mức độ rủi ro.
  • Báo cáo của McKinsey & Company (Columbus, 2017) chỉ ra các doanh nghiệp ứng dụng trí tuệ nhân tạo có thể gia tăng tỷ suất lợi nhuận từ 3% đến 15%.
  • Nhiều nghiên cứu thực nghiệm đã so sánh các thuật toán phân lớp trên dữ liệu bảo hiểm như: Smith và cộng sự (2000) với Decision Tree và Neural Networks; Weerasinghe & Wijegunasekara (2016); Jing và cộng sự (2018) với Bayesian Network; Kowshalya & Nandhini (2018) với Random Forest, J48 và Naive Bayes; Pesantez-Narvaez và cộng sự (2019) so sánh XGBoost với Logistic Regression trên 2.767 quan sát; Abdelhadi và cộng sự (2020) so sánh XGBoost, J48, ANN, Naive Bayes trên 30.240 quan sát và kết luận XGBoost cho kết quả vượt trội nhất.

Phương pháp nghiên cứu và hệ thống thuật toán

Tác giả kết hợp phương pháp nghiên cứu định tính (tổng thuật tài liệu, hệ thống hóa cơ sở lý thuyết) và phương pháp nghiên cứu định lượng (khám phá dữ liệu, tiền xử lý, huấn luyện mô hình và đánh giá hiệu năng).

Sáu thuật toán học máy có giám sát (Supervised Learning) phục vụ bài toán phân loại nhị phân được đưa vào triển khai:

  1. Logistic Regression (LR): Mô hình hồi quy sử dụng hàm kích hoạt Sigmoid để ánh xạ kết quả tuyến tính về khoảng xác suất $[0, 1]$, phân lớp theo ngưỡng 0.5.
  2. K-Nearest Neighbors (KNN): Thuật toán học dựa trên cá thể (Instance-based), phân loại nhãn điểm dữ liệu mới thông qua việc bỏ phiếu đa số hoặc tính trọng số theo khoảng cách của $K$ điểm lân cận gần nhất.
  3. Decision Tree (DT): Cây quyết định phân cấp theo các nút điều kiện và nút lá, sử dụng các chỉ số độ tinh khiết như Gini hoặc Entropy để phân tách dữ liệu.
  4. Random Forest (RF): Thuật toán học kết hợp (Ensemble Learning) dạng đóng bao (Bagging), xây dựng nhiều cây quyết định độc lập từ các mẫu dữ liệu và tập thuộc tính ngẫu nhiên (Bootstrap Aggregating) để giảm thiểu hiện tượng quá khớp (overfitting) và giảm phương sai (variance).
  5. Gradient Boosting Machine (GBM): Kỹ thuật Boosting tuần tự, xây dựng các cây quyết định mới để khắc phục sai số (residual errors) của các cây đứng trước nhằm tối thiểu hóa hàm mất mát.
  6. Extreme Gradient Boosting (XGBoost): Phiên bản cải tiến tối ưu của GBM do Tianqi Chen phát triển (2016), tích hợp tính toán song song, cơ chế kiểm soát chính quy hóa (Regularization) chống quá khớp, thuật toán cắt tỉa cây tự động (tree pruning) và xử lý dữ liệu thưa/khuyết thiếu (sparsity-aware split finding).

Thước đo đánh giá mô hình

Hiệu năng phân loại được đo lường thông qua ma trận nhầm lẫn (Confusion Matrix) gồm bốn đại lượng: Đúng dương (TP), Sai dương (FP), Đúng âm (TN), Sai âm (FN). Các chỉ số đánh giá được tính toán gồm:

  • Độ chính xác tổng thể (Accuracy): $\frac{TP + TN}{TP + FP + TN + FN}$
  • Độ chuẩn xác (Precision): $\frac{TP}{TP + FP}$
  • Độ thu hồi (Recall): $\frac{TP}{TP + FN}$
  • Chỉ số F1 (F1-score): Trung bình điều hòa giữa Precision và Recall: $2 \times \frac{Precision \times Recall}{Precision + Recall}$
  • Đường cong ROC và diện tích dưới đường cong (AUC): Đánh giá năng lực phân loại tổng quát của mô hình ở các ngưỡng cắt khác nhau.

Nội dung chính theo từng chương

Chương 1. Lý do chọn đề tài

Chương này trình bày tính cấp thiết của việc áp dụng mô hình toán - tin học vào định giá và quản trị rủi ro bảo hiểm xe cơ giới. Tác giả xác lập rõ 3 mục tiêu nghiên cứu, đối tượng nghiên cứu (hành vi khiếu nại bồi thường), phạm vi dữ liệu từ Kaggle, phương pháp tiếp cận kết hợp định tính - định lượng, cùng bố cục tổng thể 4 chương của chuyên đề thực tập tốt nghiệp.

Chương 2. Cơ sở lý luận & Tổng quan nghiên cứu

Chương 2 hệ thống hóa các định nghĩa chuyên ngành bảo hiểm phi nhân thọ, lược khảo chi tiết các công trình nghiên cứu quốc tế liên quan đến ứng dụng học máy trong bảo hiểm xe hơi. Tiếp theo, tác giả trình bày bản chất toán học, nguyên lý thuật toán, ưu điểm và hạn chế của 6 mô hình phân loại (Logistic Regression, KNN, Decision Tree, Random Forest, Gradient Boosting, XGBoost) và các chỉ số đo lường hiệu năng của bài toán phân lớp nhị phân.

Chương 3. Phân tích, xử lý dữ liệu

Chương 3 là phần thực nghiệm trọng tâm của đề tài, bao gồm các bước phân tích khám phá, xử lý dữ liệu và huấn luyện mô hình:

1. Mô tả biến dữ liệu

Bộ dữ liệu gồm 10.000 dòng tương ứng với 10.000 khách hàng và 17 thuộc tính:

  • age: Nhóm tuổi (0-25, 26-39, 40-64, 65+).
  • gender: Giới tính (male, female).
  • race: Chủng tộc (majority, minority).
  • driving_experience: Kinh nghiệm lái xe (0-9y, 10-19y, 20-29y, 30y+).
  • education: Trình độ học vấn (high school, university, none).
  • income: Mức thu nhập (poverty, working class, middle class, upper class).
  • credit_score: Điểm tín dụng (biến liên tục).
  • vehicle_ownership: Sở hữu xe (1: có, 0: không).
  • vehicle_year: Năm sản xuất xe (before 2015, after 2015).
  • married: Tình trạng hôn nhân (1: đã kết hôn, 0: chưa kết hôn).
  • children: Con cái (1: đã có con, 0: chưa có con).
  • annual_mileage: Số dặm di chuyển trung bình hàng năm (biến liên tục).
  • vehicle_type: Loại phương tiện (sedan, sports car).
  • speeding_violations: Số lần vi phạm chạy quá tốc độ (biến liên tục).
  • duis: Số lần vi phạm lái xe khi sử dụng rượu bia/chất kích thích (biến liên tục).
  • past_accidents: Số lần xảy ra tai nạn trong quá khứ (biến liên tục).
  • outcome: Biến mục tiêu nhị phân (0: không yêu cầu bồi thường, 1: có yêu cầu bồi thường).

2. Xử lý giá trị khuyết thiếu (Missing Values)

Phân tích dữ liệu phát hiện 2 biến có giá trị khuyết thiếu là credit_score và annual_mileage với tỷ lệ khuyết khoảng 9%. Do đồ thị phân phối của hai biến này xấp xỉ phân phối chuẩn và kích thước mẫu vừa phải, tác giả lựa chọn phương pháp điền khuyết bằng giá trị trung bình (mean) của từng biến để bảo toàn số lượng quan sát.

3. Phân tích tương quan và hành vi rủi ro

  • Phân tích ma trận tương quan Pearson cho thấy hệ số tương quan giữa các biến độc lập đều có giá trị tuyệt đối nhỏ hơn 0.5, xác nhận không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  • Tương quan tuyến tính giữa từng biến độc lập với biến mục tiêu outcome đều ở mức thấp, cho thấy mối quan hệ giữa các biến đầu vào và biến mục tiêu mang tính chất phi tuyến.
  • Phân tích trực quan tần suất yêu cầu bồi thường chỉ ra: nhóm khách hàng thuộc diện nghèo (poverty), nhóm tuổi trẻ (16-25 tuổi) và nhóm có ít kinh nghiệm lái xe (0-9 năm) có tỷ lệ phát sinh khiếu nại bồi thường cao hơn rõ rệt so với các nhóm còn lại.

4. Xử lý mất cân bằng dữ liệu và tối ưu hóa siêu tham số

  • Biến mục tiêu outcome bị mất cân bằng tỷ lệ với 6.867 mẫu nhãn 0 (68.67%) và 3.133 mẫu nhãn 1 (31.33%).
  • Bộ dữ liệu được chia theo tỷ lệ 80% tập huấn luyện (Train) và 20% tập kiểm thử (Test). Tác giả áp dụng kỹ thuật tạo mẫu tổng hợp cho nhóm thiểu số (SMOTE - Synthetic Minority Oversampling Technique) trên tập Train, đưa số lượng mẫu của cả hai lớp về trạng thái cân bằng hoàn toàn (5.500 mẫu cho mỗi lớp).
  • Các biến đầu vào được chuẩn hóa thang đo bằng StandardScaler.
  • Sử dụng công cụ GridSearchCV với kỹ thuật xác thực chéo 10 lần (10-fold Cross-Validation) trên tiêu chí Accuracy để tìm bộ siêu tham số tối ưu cho từng thuật toán.
Mô hình Tham số tìm kiếm Không gian tìm kiếm Giá trị tối ưu
Logistic Regression C
random_state		 [0.5, 0.75, 1.0]
0		 0.5
0
Decision Tree max_depth
min_samples_leaf
random_state		 [2, 3, 4, ..., 9]
[1, 2, 3]
0		 6
2
0
Random Forest criterion
n_estimators
random_state		 ['gini', 'entropy']
[100, 150, 200]
0		 'gini'
100
0
Gradient Boosting max_depth
learning_rate
n_estimators
random_state		 [2, 3, 4, ..., 9]
[0.1, 0.5]
[50, 100, 150, 200]
0		 5
0.1
50
0
XGBoost max_depth
n_estimators
learning_rate		 [2, 3, 4, ..., 9]
[60, 100, 140, 180, 220]
[0.05, 0.1, 0.2]		 6
100
0.1
KNN metric
n_neighbors		 ['euclidean', 'manhattan', 'chebyshev', 'minkowski']
[5, 7, 9, 11]		 'manhattan'
5

Chương 4. Kết luận – Khuyến nghị

Chương 4 tổng kết toàn bộ kết quả thử nghiệm, khẳng định khả năng ứng dụng của mô hình XGBoost trong nghiệp vụ định phí bảo hiểm ô tô cá nhân hóa và quản trị danh mục rủi ro. Tác giả đề xuất các giải pháp nâng cao hiệu quả ứng dụng thực tế cùng các định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Kết quả so sánh hiệu năng các mô hình

Sau quá trình huấn luyện và tinh chỉnh siêu tham số trên tập kiểm thử (2.000 quan sát), kết quả đánh giá cho thấy các mô hình học máy đều đạt hiệu quả phân loại tốt với diện tích dưới đường cong ROC (AUC) đều vượt mức 0.83:

Mô hình phân loại Accuracy (%) AUC
Logistic Regression 81.89 0.895
K-Nearest Neighbors (KNN) 79.50 0.839
Decision Tree 80.25 0.840
Random Forest 82.35 0.877
Gradient Boosting (GBM) 83.10 0.895
XGBoost 84.30 (84.10) 0.894

Thuật toán XGBoost đạt độ chính xác cao nhất (Accuracy đạt 84.30%, AUC đạt 0.894). Chi tiết ma trận nhầm lẫn của mô hình XGBoost trên 2.000 mẫu kiểm thử ghi nhận:

  • Số mẫu Đúng âm (TN - Không yêu cầu bồi thường): 1.356 mẫu.
  • Số mẫu Sai dương (FP): 156 mẫu.
  • Số mẫu Sai âm (FN): 162 mẫu.
  • Số mẫu Đúng dương (TP - Có yêu cầu bồi thường): 471 mẫu.

Từ ma trận nhầm lẫn, tỷ lệ phân loại chính xác trên nhóm đa số (lớp 0) đạt: $$\text{Tỷ lệ đúng lớp 0} = \frac{1356}{1356 + 156} = 88.59%$$ Tỷ lệ phân loại chính xác trên nhóm thiểu số (lớp 1 - khách hàng có khiếu nại bồi thường) đạt: $$\text{Tỷ lệ đúng lớp 1} = \frac{471}{162 + 471} = 74.41%$$

Phân tích mức độ quan trọng của thuộc tính (Feature Importance) từ mô hình XGBoost cho thấy thứ tự tác động của 16 biến đầu vào đến khả năng yêu cầu bồi thường lần lượt là: gender (quan trọng nhất), tiếp theo là annual_mileage, vehicle_type, age, vehicle_year, speeding_violations, education, duis, married, race, income, vehicle_ownership, past_accidents, driving_experience, children và credit_score.

Đóng góp của đề tài

  • Về mặt kỹ thuật: Thiết lập hoàn chỉnh quy trình xử lý dữ liệu bảo hiểm mất cân bằng bằng phương pháp SMOTE kết hợp chuẩn hóa và tối ưu hóa siêu tham số bằng GridSearchCV 10-fold cross validation.
  • Về mặt thực tiễn: Cung cấp cơ sở định lượng chứng minh tính ưu việt của thuật toán XGBoost trong việc phân biệt các hồ sơ khách hàng có rủi ro cao; xác định các biến nhân khẩu học và vận hành phương tiện chủ chốt (gender, annual_mileage, vehicle_type) giúp doanh nghiệp bảo hiểm thiết lập chính sách phí linh hoạt, công bằng theo mức độ rủi ro thực tế của từng khách hàng.
  • Về mặt quản lý: Đề xuất định hướng cho các công ty bảo hiểm ứng dụng các kỹ thuật phân tích dữ liệu tiên tiến để tối ưu hóa chiến lược tiếp thị, nâng cao doanh thu và kiểm soát chi phí bồi thường.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Dữ liệu nghiên cứu là dữ liệu thứ cấp từ một công ty bảo hiểm tại Mỹ lấy trên Kaggle, chưa được kiểm chứng trực tiếp trên thị trường bảo hiểm Việt Nam.
  • Bộ dữ liệu có tỷ lệ khuyết thiếu và mức độ mất cân bằng giữa các lớp dữ liệu cao.
  • Nghiên cứu chỉ giới hạn ở các thuật toán học máy truyền thống và học kết hợp (Ensemble Learning), chưa mở rộng sang các kiến trúc mạng nơ-ron tích hợp sâu.

Hướng nghiên cứu tiếp

  • Thực hiện thêm các nghiên cứu so sánh đối chiếu với các mô hình học sâu (Deep Learning) trên cùng bộ dữ liệu.
  • Mở rộng phạm vi phân tích và kiểm chứng mô hình trên các tập dữ liệu thực tế tại các chi nhánh bảo hiểm khác nhau hoặc thị trường bảo hiểm phi nhân thọ tại Việt Nam để đánh giá tính khái quát hóa và độ ổn định của thuật toán XGBoost.

Giá trị tham khảo

Chuyên đề thực tập tốt nghiệp này có giá trị tham khảo thiết thực cho các nhóm đối tượng:

  • Sinh viên và học viên: Chuyên ngành Toán Kinh Tế, Khoa học Dữ liệu, Thống kê Ứng dụng, Phân tích Kinh doanh và Quản trị Bảo hiểm có thể tham khảo đề tài như một mẫu nghiên cứu thực nghiệm ứng dụng học máy hoàn chỉnh từ bước khám phá dữ liệu, xử lý mất cân bằng nhãn đến xây dựng pipeline đánh giá mô hình.
  • Chuyên viên phân tích dữ liệu bảo hiểm (Actuary/Data Analyst): Tham khảo quy trình áp dụng kỹ thuật SMOTE và mô hình XGBoost nhằm cải thiện độ chính xác trong việc dự báo tần suất khiếu nại bồi thường và xây dựng khung tính phí cá nhân hóa.
  • Tài liệu tham khảo mã nguồn: Phụ lục chuyên đề cung cấp mã nguồn Python chi tiết sử dụng các thư viện phổ biến (pandas, scikit-learn, imblearn, xgboost), giúp người nghiên cứu dễ dàng tái lập quy trình thực nghiệm.

Câu hỏi thường gặp

1. Bộ dữ liệu nghiên cứu có quy mô như thế nào và tỷ lệ phân bổ của biến mục tiêu ra sao?

Bộ dữ liệu gồm 10.000 dòng quan sát và 17 thuộc tính. Biến mục tiêu (outcome) phân bổ không cân bằng với 6.867 khách hàng không yêu cầu bồi thường (chiếm 68.67%) và 3.133 khách hàng có yêu cầu bồi thường (chiếm 31.33%).

2. Tác giả đã xử lý vấn đề giá trị khuyết thiếu và dữ liệu mất cân bằng như thế nào?

  • Giá trị khuyết thiếu: Hai biến credit_score và annual_mileage có tỷ lệ khuyết khoảng 9%, do có phân phối gần chuẩn nên được điền khuyết bằng giá trị trung bình (mean) của từng biến.
  • Mất cân bằng dữ liệu: Tác giả áp dụng kỹ thuật SMOTE trên 80% tập dữ liệu huấn luyện để nhân bản tổng hợp nhóm thiểu số, đưa số lượng mẫu của cả hai lớp về mức bằng nhau là 5.500 quan sát mỗi lớp.

3. Thuật toán nào đạt kết quả tốt nhất và bộ siêu tham số tối ưu là gì?

Thuật toán XGBoost đạt hiệu năng cao nhất với độ chính xác Accuracy đạt 84.30% (84.10%) và AUC đạt 0.894. Bộ siêu tham số tối ưu qua tìm kiếm lưới (GridSearchCV) gồm: n_estimators = 100, max_depth = 6, learning_rate = 0.1.

4. Ba thuộc tính nào có mức độ ảnh hưởng lớn nhất đến năng lực dự đoán của mô hình?

Theo phân tích Feature Importance của mô hình XGBoost, ba biến quan trọng nhất ảnh hưởng đến khả năng yêu cầu bồi thường bảo hiểm là gender (giới tính), annual_mileage (số dặm di chuyển hàng năm) và vehicle_type (loại phương tiện).

5. Khả năng dự đoán cụ thể của mô hình XGBoost trên tập kiểm thử ra sao?

Trên tập kiểm thử gồm 2.000 quan sát, mô hình XGBoost phân loại chính xác 1.356/1.512 trường hợp không yêu cầu bồi thường (đạt tỷ lệ 88.59%) và phân loại chính xác 471/633 trường hợp có yêu cầu bồi thường (đạt tỷ lệ 74.41%).

Kết luận

Chuyên đề thực tập tốt nghiệp "Ứng dụng Machine Learning trong dự báo khả năng khách hàng yêu cầu bồi thường bảo hiểm xe ô tô" của sinh viên Lê Thị Ngọc Ánh đã xây dựng thành công quy trình xử lý dữ liệu và so sánh 6 thuật toán học máy phổ biến trên tập dữ liệu 10.000 quan sát. Kết quả thực nghiệm khẳng định mô hình XGBoost với các siêu tham số được tinh chỉnh qua GridSearchCV cho hiệu năng dự báo vượt trội nhất với độ chính xác đạt 84.30% và AUC đạt 0.894. Công trình là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho bài toán quản trị rủi ro và cá nhân hóa định phí trong ngành bảo hiểm phi nhân thọ.