| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究动态 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.2.3 简要评价 | 第15-16页 |
| 1.3 研究思路与方法 | 第16-18页 |
| 1.3.1 研究思路 | 第16-17页 |
| 1.3.2 研究方法 | 第17页 |
| 1.3.3 技术路线图 | 第17-18页 |
| 第2章 互联网车险的现状及其风险分析 | 第18-27页 |
| 2.1 互联网车险的界定 | 第18-19页 |
| 2.1.1 互联网车险的含义 | 第18页 |
| 2.1.2 互联网车险的优势 | 第18-19页 |
| 2.2 互联网车险的发展现状 | 第19-21页 |
| 2.2.1 国外互联网车险的发展现状 | 第19-20页 |
| 2.2.2 我国互联网车险的发展现状 | 第20-21页 |
| 2.3 互联网车险的优势分析 | 第21-23页 |
| 2.3.1 成本低运营效率高 | 第21-22页 |
| 2.3.2 透明度与客户忠诚度提高 | 第22页 |
| 2.3.3 场景化销售提升消费主动性 | 第22页 |
| 2.3.4 客户数据采集便利 | 第22-23页 |
| 2.4 互联网车险各环节风险 | 第23-26页 |
| 2.4.1 基础风险 | 第23-24页 |
| 2.4.2 承保环节风险 | 第24-25页 |
| 2.4.3 保险期间风险 | 第25页 |
| 2.4.4 理赔环节风险 | 第25-26页 |
| 2.5 传统车险风险控制模式存在的问题 | 第26-27页 |
| 2.5.1 风险识别精准度低 | 第26页 |
| 2.5.2 效率低 | 第26页 |
| 2.5.3 模型实时更新差 | 第26-27页 |
| 第3章 互联网车险风险控制的技术分析 | 第27-36页 |
| 3.1 可用于风险控制的技术 | 第27-28页 |
| 3.1.1 机器学习与大数据 | 第27页 |
| 3.1.2 传输层安全性协议 | 第27-28页 |
| 3.1.3 OAuth认证技术 | 第28页 |
| 3.1.4 推送技术 | 第28页 |
| 3.2 数据采集技术 | 第28-30页 |
| 3.2.1 网销平台 | 第28-29页 |
| 3.2.2 网络征信平台 | 第29页 |
| 3.2.3 车载智能设备 | 第29页 |
| 3.2.4 移动客户端应用 | 第29页 |
| 3.2.5 与第三方厂商合作 | 第29-30页 |
| 3.3 机器学习运用于风险控制的可行性分析 | 第30-34页 |
| 3.3.1 运用大数据与机器学习技术 | 第30-31页 |
| 3.3.2 通过BigQuery建立数据集 | 第31-32页 |
| 3.3.3 通过Tensorflow建立机器学习模型 | 第32-34页 |
| 3.3.4 通过机器学习模型进行预测 | 第34页 |
| 3.4 基于机器学习的风险评估 | 第34-36页 |
| 3.4.1 基于机器学习的风险识别 | 第34-35页 |
| 3.4.2 基于机器学习的风险度量 | 第35-36页 |
| 第4章 互联网车险的风险控制措施 | 第36-48页 |
| 4.1 基础风险控制措施 | 第36-37页 |
| 4.1.1 法律监管风险防范 | 第36页 |
| 4.1.2 技术风险防范 | 第36-37页 |
| 4.2 承保端风险的识别与控制 | 第37-42页 |
| 4.2.1 投保基本流程 | 第38页 |
| 4.2.2 风险指标选取 | 第38-42页 |
| 4.2.3 承保端风险的控制 | 第42页 |
| 4.3 保险期间风险的识别与控制 | 第42-44页 |
| 4.3.1 风险指标选取 | 第42-43页 |
| 4.3.2 保险期间的风险控制 | 第43-44页 |
| 4.4 理赔风险的识别与控制 | 第44-48页 |
| 4.4.1 风险指标选取 | 第44-45页 |
| 4.4.2 理赔端的风险控制 | 第45-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 附录A 在学期间的成果及发表的学术论文清单 | 第53页 |