保险欺诈是保险行业中普遍存在的现象。在众多险种中,汽车保险是保险欺诈的高发区之一。目前,随着保险市场的普及以及人们生活水平的提高,国内汽车保有量逐年增加,车险业务快速发展;同时由于国内保险制度的不完善和保险欺诈管理实践的相对滞后,车险欺诈问题也日益突出,成为困扰保险业健康发展的巨大障碍。在这种背景下,车险欺诈识别就成为一个十分重要的话题。本文在现有研究的基础上,将国内某大型保险公司2016年度的58429例车险理赔样本分为三类,即黑色样本(确认欺诈索赔类)、白色样本(确认诚实索赔类)及灰色样本(无法区分的索赔类);然后利用Apriori算法、FP-growth算法对黑色样本集进行关联分析,并将挖掘出的13个频繁项集在白色样本集中验证,结果全部有效,最后得到项集之间的关联规则。结果表明,在每个1-频繁项集下,都存在显著的关联规则;用其结果对灰色样本中的欺诈索赔进行识别,当{20,22}出现时,可以识别的欺诈有8498个,占灰色样本的34.26%;当{10,19,20}出现时,可以识别的欺诈有6325个,占灰色样本的25.50%;而当{19,20,5}出现时,可识别的欺诈有3621个,占灰色样本的14.60%。再将有显著区分度的频繁项集应用于灰色样本集,以预测灰色样本集的欺诈率。由于支持度越高得到的结果越可信,因此论文将频繁项集的支持度及区分度分别取为0.80和0.95,这时灰色样本集的欺诈率预测结果为0.4598,而全部理赔样本中的欺诈率为0.3752。这一结果与现有研究的欺诈率估计值较为接近。由于保险欺诈识别方面的研究十分缺乏,利用数据挖掘技术对这一问题进行研究也刚刚开始,因此本论文的工作尚属探索性研究,其结论有待于进一步验证。但可以肯定的是,利用关联分析寻找欺诈行为特征,进而对欺诈索赔进行识别,将是保险欺诈学术研究与管理实践的重要方向之一。