analyzing-new-energy-trucks

name	analyzing-new-energy-trucks
description	分析新能源货车保险业务数据，识别高风险机构和业务类型。在处理新能源货车承保数据、风险评估报告或制定承保策略时使用。

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