A novel Bayesian Pay-As-You-Drive insurance model with risk prediction and causal mapping
Notice bibliographique
Résumé
The modern vehicle insurance industry is increasingly adopting Pay-As-You-Drive (PAYD) insurance models, aligning premium costs with driving behavior. Our study introduces a Bayesian approach to PAYD insurance, leveraging the strengths of Naive Bayes classifiers and Bayesian Networks to handle uncertainty and integrate prior knowledge in risk assessment. The Naive Bayes model achieved an 87.5% accuracy in predicting risk partitions. With the Bayesian Network providing insights into causal relationships through a Directed Acyclic Graph (DAG), we also address the challenges of traditional actuarial models — low interpretability of intra-factor relationships and thus hard to plan for risk management for both provider and policyholder. Our research contributes to optimizing insurance pricing strategies. Still, the causal mapping also dismisses the meaningfulness of using geographic grouping in insurance pricing (discriminatory or not). It reassures the theoretical advantage of the PAYD model over the traditional model, facilitating access to affordable coverage for policyholders. • Use Bayesian models to Pay-As-You-Drive insurance for more accurate risk assessment. • Train Naive Bayes that achieves 87.5% accuracy in predicting risk. • Apply domain expertise to provide “prior” in Bayesian Network causal modeling. • Utilize DAGs to model causal links between risk factors and insurance claims. • Build dynamic causal maps of driving behaviors to guide interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».