随着保险行业的蓬勃发展,保险欺诈问题也愈发引人关注.车险欺诈一直是所有保险欺诈中较为严重的一个类别,对保险行业的发展至关重要.因此,车险欺诈识别技术一直是国内外学者所研究的热点问题.鉴于我国对此问题的研究起步较晚,保险欺诈识别的技术还不是十分成熟.但行业人员对此十分重视,近年来出现了许多的研究结果和广泛的实践应用.关于车险欺诈识别模型,传统的方法是逻辑回归模型,近年来机器学习的方法被广泛使用.逻辑回归方法具有较好的解释性.但是随着大数据和互联网的发展,在实际应用中逻辑回归模型因子过多、维度过高、变量之间相依性增强、建模耗时、预测能力下降等缺陷开始凸显.本文引入模糊C均值算法,对车险欺诈相关的多个因素按照与事故相关、与人相关、与其他因素相关的解释变量进行聚类,起到降维作用,然后建立逻辑回归模型,进行欺诈识别.本文基于模糊C均值与逻辑回归模型提出的车险欺诈识别方法,结合了传统广义线性模型方法较强的可解释性和现代机器学习方法处理高维复杂数据的有效性,提高了车险欺诈识别的效率.实例分析结果表明,本文所提的方法在车险欺诈识别方面具有一定的优势.与已有方法相比,本文的创新在于:结合了逻辑回归模型这种传统的方法和机器学习这种现代方法,给车险欺诈识别的研究提供了一个新的思路,提高识别效率.本文的结构安排如下:首先介绍了车险欺诈的背景与研究意义,说明了识别车险欺诈是有深刻现实意义的.然后简述了本文使用的模糊C均值法和逻辑回归模型的概念与原理.接下来选取Kaggle网站中的一组车险欺诈相关数据进行实证研究,结果表明本文的方法使得模型因子更加显著,预测准确性更高.最后总结全文,并展望未来的工作.