| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-13页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究内容及结构 | 第12页 |
| 1.3 创新点 | 第12-13页 |
| 第2章 大数据风控的内涵及文献综述 | 第13-17页 |
| 2.1 大数据风控定义及特征 | 第13-14页 |
| 2.1.1 大数据风控定义 | 第13页 |
| 2.1.2 大数据风控特征 | 第13页 |
| 2.1.3 大数据风控与传统风控的比较 | 第13-14页 |
| 2.2 大数据风控技术相关理论 | 第14-15页 |
| 2.2.1 长尾理论 | 第14-15页 |
| 2.2.2 Logsitic回归模型 | 第15页 |
| 2.3 相关文献 | 第15-16页 |
| 2.4 本章小结 | 第16-17页 |
| 第3章 大数据风控在保险业应用 | 第17-27页 |
| 3.1 保险业引入大数据风控的必要性 | 第17-20页 |
| 3.1.1 大数据背景下保险业风险新特征 | 第18-19页 |
| 3.1.2 新制度的实施促进保险业对风险本身的重视度 | 第19页 |
| 3.1.3 保险企业借助大数据技术的应用场景 | 第19-20页 |
| 3.2 大数据风控体系在保险业中的应用 | 第20-22页 |
| 3.2.1 大数据在保险行业中的应用 | 第20-21页 |
| 3.2.2 大数据风控在保险行业中的应用 | 第21-22页 |
| 3.3 我国保险业在大数据风控中的应用 | 第22-25页 |
| 3.3.1 国内保险公司在大数据风控方面探索 | 第22-23页 |
| 3.3.2 我国保险业建立大数据风控体系存在问题 | 第23-25页 |
| 3.4 美国保险公司在大数据风控中的应用 | 第25页 |
| 3.5 本章小结 | 第25-27页 |
| 第4章 基于实证分析视角下的大数据风控应用 | 第27-45页 |
| 4.1 Logistic回归模型介绍 | 第27-28页 |
| 4.2 保险客户风险模型搭建 | 第28-29页 |
| 4.3 数据描述 | 第29-30页 |
| 4.4 实证结果 | 第30-43页 |
| 4.4.1 美系车的实证结果 | 第30-33页 |
| 4.4.2 德系车的实证结果 | 第33-35页 |
| 4.4.3 韩系车的实证结果 | 第35-37页 |
| 4.4.4 国产车的实证结果 | 第37-40页 |
| 4.4.5 日系车的实证结果 | 第40-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 结论 | 第45-47页 |
| 5.1 本文的主要工作 | 第45页 |
| 5.2 政策建议 | 第45-46页 |
| 5.2.1 监管机构 | 第45页 |
| 5.2.2 保险公司 | 第45-46页 |
| 5.3 展望及不足 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 致谢 | 第49-50页 |
| 个人简历在读期间发表的学术论文与研究成果 | 第50-51页 |