diegosouzapw 新能源货车保险分析
核心功能
专项分析新能源货车（is_new_energy_vehicle=True 且 business_type_category 包含"货车"）的保险业务表现：
- ✅ 多周趋势分析（赔付率、保费规模、案均赔款）
- ✅ 机构风险评级（按赔付率分档）
- ✅ 业务类型深度钻取（车型、险别、续保状态）
- ✅ 异常波动检测（单周暴涨、连续恶化）
立即使用
# 快速分析流程
from analyze_new_energy_trucks import NewEnergyTruckAnalyzer
analyzer = NewEnergyTruckAnalyzer(
data_folder="2025年保单",
start_week=28,
end_week=43
)
# 加载数据
available_weeks, missing_weeks = analyzer.load_data()
# 计算指标
weekly_kpis = analyzer.calculate_weekly_kpis()
# 分析区域
regional_analysis = analyzer.analyze_regional_performance()
# 生成报告
report = analyzer.generate_report(
weekly_kpis,
regional_analysis,
business_analysis,
trend_analysis,
problem_weeks
)
关键指标阈值
| 指标 | 良好 | 关注 | 预警 | 高危 |
|---|---|---|---|---|
| 赔付率 | <60% | 60-70% | 70-80% | >80% |
| 出险率 | <25% | 25-50% | 50-100% | >100% |
| 边际贡献率 | >8% | 4-8% | 0-4% | <0% |
| 案均赔款 | <5k | 5k-8k | 8k-10k | >10k |
分析维度
1. 时间趋势分析
关键指标周度跟踪:
- 赔付率走势（累计值）
- 保费规模增长（周度对比）
- 案均赔款波动（检测突增）
- 出险率变化（风险暴露）
异常检测规则:
# 单周暴涨
if current_loss_ratio > prev_loss_ratio * 1.15:
alert("赔付率单周暴涨>15%")
# 案均突增
if current_avg_claim > period_avg * 1.5:
alert("案均赔款异常")
2. 区域风险评估
机构分档:
- 🟢 低风险: 赔付率 < 70%
- 🟡 中风险: 赔付率 70-80%
- 🟠 高风险: 赔付率 80-100%
- 🔴 极危: 赔付率 > 100%
重点关注条件:
- 赔付率 > 80% 且保费规模 > 50万
- 连续3周赔付率恶化
- 边际贡献率 < -30%
3. 业务类型钻取
车型分类:
- 2吨以下营业货车（主力业务）
- 2-10吨营业货车
- 10吨以上营业货车
- 非营业货车
险别结构:
- 主全险（组合险）
- 交三险（交强险第三者）
- 单独险别
输出报告结构
# 新能源货车分析报告 - {年份}第{X-Y}周
## 一、执行摘要
### 核心结论
### 关键指标
## 二、趋势分析
### 分析周期表现
### 核心发现
### 各周详细指标
## 三、异常周次识别
### 第X周 - [问题描述]
## 四、区域表现分析
### 各机构业务表现
### 高风险机构清单
## 五、战略建议与行动计划
### 🚨 立即行动（24小时内）
### ⏰ 本周内完成（7天）
### 📊 中期优化（1个月内）
### 🎯 长期战略（3个月内）
## 附录：分析说明
实用脚本
快速执行分析
# 运行分析脚本
python3 analyze_new_energy_trucks.py
# 自定义周期
# 修改脚本中的 START_WEEK 和 END_WEEK 变量
数据质量检查
# 检查新能源货车数据量
grep -c "True.*货车" 2025年保单/2025保单第*周*.csv
# 验证数据完整性
ls 2025年保单/2025保单第{28..43}周*.csv 2>/dev/null | wc -l
常见问题
Q1: 赔付率超过100%正常吗？
A: 对于新能源货车，这是常见现象，原因包括：
- 电池更换成本高（占车价30-40%）
- 充电基础设施不完善导致事故增多
- 维修网络稀缺，修理成本高
- 技术不成熟，故障率高
Q2: 如何识别电池相关理赔？
A: 简化识别方法：
# 使用案均赔款作为代理指标
battery_related = df[df['reported_claim_payment_yuan'] > 50000]
# 大于5万元的理赔很可能涉及电池
Q3: 缺失周次如何处理？
A: 脚本自动处理：
- 跳过缺失周次
- 在报告中标注
- 不影响其他周次分析
Q4: 如何对比传统货车？
A: 需要单独分析传统货车数据：
# 筛选传统货车
traditional_trucks = df[
(df['is_new_energy_vehicle'] == False) &
(df['business_type_category'].str.contains('货车'))
]
风险识别规则
立即警报条件
# 机构级别
if loss_ratio > 150:
trigger_alert("极危：机构赔付率>150%")
# 周度波动
if week_over_week_change > 50:
trigger_alert("警告：单周赔付率暴涨>50%")
# 业务质量
if claim_frequency > 100:
trigger_alert("关注：出险率>100%，多次出险")
监控指标清单
- 赔付率 > 80%
- 出险率 > 100%
- 案均赔款 > 10,000元
- 边际贡献率 < 0%
- 单周赔付率增幅 > 20%
- 连续3周恶化趋势
参考资源
详细参考文档：
reference/kpi_definitions.md- KPI定义和计算公式reference/risk_thresholds.md- 风险阈值标准reference/new_energy_insights.md- 新能源车险行业洞察
工具脚本：
scripts/analyze_new_energy_trucks.py- 主分析脚本scripts/data_validator.py- 数据验证工具
更新日志
- v1.0 (2025-11-04): 初始版本
- 基础分析框架
- 周度趋势跟踪
- 区域风险评估
- 自动报告生成