Как по VIN-номеру можно выявить страховых мошенников? Новые способы борьбы с «подставными» ДТП Автомобильный портал 5 Колесо

По официальным данным ежегодные убытки страховых компаний от аферистов в России приближается к планке в десяток миллиардов рублей. Однако недавно один американский стартап предположил, что VIN-номера автомобилей могут помочь обнаруживать мошеннические схемы. Результаты оказались неоднозначными — рассказываем, какие есть мнения по этому поводу.

VIN против мошенников

VIN — это уникальный 17-значный код, содержащий данные о производителе, модели и годе выпуска автомобиля. Как правило, его указывают в документах при оформлении дорожно-транспортного происшествия. Вполне вероятно, что конкретные требования по этому поводу зависят от особенностей регулирования в каждой отдельно взятой стране, но даже в России идентификационный номер ТС (при его наличии) является одним из обязательных к заполнению полей при оформлении Европротокола.

Сотрудники американского стартапа Matrisk AI, который развивает интеллектуальную систему для поиска ответов на вопросы в сфере страхования, предположили, что VIN-номера (в силу своей уникальности и «обязательности») могут служить индикатором возможного страхового мошенничества.

Чтобы проверить эту гипотезу, в Matrisk AI собрали 15 млн записей о ДТП: по открытым источникам и от страховых партнеров. В то же время из выборки исключили происшествия, в которых фигурировал алкоголь (и другие запрещенные вещества). Исследователи предположили, что люди не занимаются мошенничеством в нетрезвом виде. 

Далее специалисты занялись подсчетом: как часто один и тот же VIN-номер фигурировал в авариях за последние 6–12 месяцев и как часто владелец каждого конкретного автомобиля менял страховую компанию. Они также искали повторяющиеся паттерны: одиночные столкновения, ночные аварии и запросы на выплаты за травмы. На основе этих факторов для каждого идентификационного номера специалисты производили оценку риска и вычисляли так называемый «коэффициент склонности к мошенничеству» (propensity score).

В итоге Matrisk AI выделили список ключевых признаков, которые могли указывать на возможные махинации: множественные аварии: VIN фигурирует в двух и более ДТП за полгода, более трех переходов между страховыми компаниями за последние шесть месяцев, оформление полиса за 1–2 дня до дорожного происшествия, ночные аварии без свидетелей, частые запросы на получение выплат за травмы.

В целом авторы исследования пришли к выводу, что учет VIN-номеров может быть полезным для страховщиков — еще один параметр, на который можно ориентироваться при скоринге. Подобная аналитика не может служить прямым доказательством мошенничества, однако подход потенциально способен сэкономить страховым компаниям крупные суммы, «подсвечивая» подозрительные случаи.

Мнения и оговорки

Исследование привлекло внимание англоязычного сообщества и вызвало оживленную дискуссию в соцсетях. Один из комментаторов отметил, что частота аварий в принципе не может служить надежным индикатором мошенничества. Например, житель города Тарту в Эстонии за несколько лет стал участником тридцати ДТП. Причем в большинстве инцидентов он был не виноват, они произошли из-за невнимательности других водителей и были результатом стечения обстоятельств.

Другой пример — Келли Андерсон из США, ставшая виновницей семи аварий с 2019 по 2022 год (включая две со смертельным исходом). Женщина болеет эпилепсией, страдает от судорог и регулярно теряла сознание за рулем. Как ей разрешили водить (и продолжить водить после первого инцидента) — отдельный вопрос, но кейс показывает, что регулярные ДТП вполне могут быть нормой в некоторых странах.

Тем не менее, однотипные ситуации такого рода — это «красный флаг» для страховщиков. По данным Российского союза автостраховщиков (РСА), около 20% выплат по ОСАГО и каско связаны с латентным мошенничеством — это выплаты, в которых страховая компания могла подозревать «нечестную игру», но не смогла собрать достаточную доказательную базу для обращения к правоохранителям. Число заявлений в органы, когда страховщикам все же удается предоставить доказательства, составляет всего несколько процентов. Например, так было в истории с «невезучим» водителем из Подмосковья, который за пару лет попал в 10 однотипных аварий. Со временем страховщики заподозрили, что дорожные происшествия были подставными.

Еще участники обсуждения отметили, что исследователям из Matrisk AI не следовало исключать из выборки ДТП, связанные с пьяным вождением. В отчете ФБР, на который ссылаются сами исследователи, приведена история про мошенническую группу из Коннектикута. Её участники умышленно устраивали аварии, при этом находясь под воздействием алкоголя и запрещенных веществ. Такие случаи показывают, что исключение подобных аварий все-таки может оставить без внимания часть мошеннических схем.

Ну и стоит учитывать, что VIN-номер не отражает всей истории автомобиля — и смену владельца, в частности. Без подробной информации о прошлом авто сложно выстроить полную картину происходящего.

Как еще борются с мошенничеством в страховании

В сфере автострахования компании активно полагаются на технические решения. Но кроме классических моделей скоринга, позволяющих отсечь потенциальных мошенников еще на этапе подписания договора, развиваются и другие инструменты. В частности, существует множество научных работ, посвященных решениям для выявления страхового мошенничества на базе машинного обучения.

Одним из них может быть метод с применением «мультимодального машинного обучения» (AIML). Его разработали в Китае ученые Университета Цинхуа в 2021 году для анализа страховых заявлений. Алгоритм проверяет счета, описания аварий и фото повреждений, чтобы найти несостыковки. Например, подозрительной может выглядеть заявка на крупную выплату при незначительных повреждениях. В тестах на почти 5 тыс. заявлений (3613 легальных и 1333 мошеннических) метод AIML показал точность на 46% выше, чем ручная проверка. Однако у технологии есть ограничения: она менее эффективна при работе с некачественными фотографиями или неполными данными — например, при отсутствии информации о погодных условиях в момент ДТП.

Аналогичное решение предложила группа итальянских исследователей совместно со специалистами одной из крупнейших европейских страховых компаний — Assicurazioni Generali. Они разработали систему, направленную на борьбу с мошенничеством, для отдела специальных расследований страховой компании. Для каждого запроса на выплату система анализирует фотографии транспорта и извлекает базовую информацию об автомобиле. Затем изображения используются для идентификации повреждений деталей кузова и проверки того, не фигурировали ли они в предыдущих заявках на получение компенсации.

Другой интересный подход предложили ученые из Тегеранского университета. Их метод обнаруживает подозрительные связи между водителями, которые часто попадают в аварии друг с другом, формируя «кольца» (например, водитель А сталкивается с Б, Б — с В, а В — с А). В выборке из 1,85 млн ДТП и 2,3 млн автомобилистов система выявила группу из 20 человек, неоднократно участвовавших в таких столкновениях, что указывало на возможный сговор. Метод эффективен против группового мошенничества, но требует обширных точных данных и хуже справляется с выявлением одиночных афер. 

Как бы то ни было, разработки по выявлению страхового мошенничества не стоят на месте, поэтому некоторые преступные схемы рано или поздно уйдут в прошлое. Остается надеяться, что с уменьшением выплат за латентное мошенничество честным страхователям станет проще получать законное возмещение.

Материал подготовил Михаил Михеев, страховой эксперт компании Insurance Team

Источник: 5koleso.ru