意外险骗保：同一受益人短期多保单的巧合，图数据库如何识别？

先算一道概率题。一个成年人一年内遭遇导致伤残的意外事故，概率大致在千分之二上下；如果这个人的配偶在同一年也遭遇同类事故，两个独立事件同时发生的概率是百万分之四。某保险公司在回溯一桩案件时发现，一个三人家庭在十四个月内产生了 4 起意外伤残理赔，涉及 6 家保险公司的 11 份保单，受益人集中在同两个人身上。按独立事件计算，这种事发生的概率不到十亿分之一 ——它当然不是巧合。但在理赔系统里，这 11 份保单分属 6 家公司、11 个承保系统、11 条互不相干的记录，没有任何一个环节能看到完整的 11。受益人这一栏在投保时被填成 "法定" 或一个人的名字，然后就沉进了保单的字段里，再也没有被当作一个可以拿来连接的主体。意外险骗保之所以屡屡得手，正是利用了这一点：它不需要伪造得很高明，只需要分散得够开。而破解这种 "分散"，靠的正是意外险骗保图数据库—— 把散落在各公司的保单、受益人、地址、电话、银行账户当作一个个节点，用关系把看似无关的记录连成一张网，让 "同一受益人背后挂着 11 份保单" 这样的异常，从数据孤岛里浮出来。

一、意外险骗保的四种典型手法

短期密集投保。 在数周内向多家公司投保高额意外险，保费支出相对赔付额微不足道，等待期一过就"出险"。这类手法的关键是分散——单家公司的保额都在核保免检线以下，累计起来却可能高达数百万。由于各公司核保信息不互通，除非主动做行业累计保额查询，否则没人知道这个人在别处还买了多少。

受益人异常集中。 被保险人是不同的人——配偶、父母、子女、甚至朋友——但受益人反复指向同一两个人。这在真实投保中并非不可能（家庭主投保人常指定配偶为受益人），但当被保险人与受益人之间不存在可解释的亲属或利益关系，且多份保单重复这一模式时，就需要警惕。更极端的情形是"被保险人不知情"：被保人签名由他人代签，保单由同一人出资购买。

伤残鉴定套利。 意外险赔付金额高度依赖伤残等级，而伤残等级由鉴定机构认定。同一家鉴定机构、同一批被鉴定人、相似的事故类型、集中在某一等级临界点上的结论——这种分布特征在正常业务里几乎不会出现。医疗记录与鉴定结论之间的不一致也是常见信号：诊断却为软组织挫伤，鉴定却给出十级伤残。

旧伤新报与事故再造。 把投保前就存在的损伤留到保单生效后报案，或对事故时间、地点、经过做技术性修改，使其落入保险责任范围。这类案件材料齐全、流程合规，单看挑不出毛病，异常只体现在时间线与损伤特征的一致性上。

二、为什么这类骗保在核保环节看不见

核保看的是这一份，不是这一堆。 核保规则校验的是年龄、职业、健康状况、保额与收入匹配度、既往理赔史。这些信息都在"这一份保单"的上下文里，跨公司的投保行为不在视野之内。即便做了行业信息查询，通常查的也是理赔史与黑名单，而非"此刻正在生效的累计保额"。

受益人是字段，不是主体。 这是最根本的问题。在关系模型里，受益人挂在保单下，是保单的一个属性；要做"找出所有以某人为受益人的保单"，需要遍历全表并按字符串匹配姓名，姓名重名、同音不同字、曾用名都会让结果失真。实际上几乎没有公司会做这件事。

理赔是第一次看到全貌的时候，但那时已经晚了。 核赔环节能拿到医疗记录、事故证明、鉴定报告，理论上信息最全，但此时赔付义务已经成立，拒赔需要证据而非怀疑，成本极高。

人工抽查覆盖率有限。 反欺诈团队通常按金额或随机抽取案件做深度调查，覆盖率往往不足百分之几。骗保者的应对很简单：把单案金额控制在抽查阈值以下。

三、图谱怎么建：把受益人提升为枢纽节点

建模的第一件事，是把受益人从字段变成节点。 投保人、被保险人、受益人、代理人、鉴定机构、医疗机构、收款账户都作为独立节点，保单作为连接它们的事件节点。这样"同一个人在多少份保单里担任受益人""这些保单的被保险人之间是什么关系"就变成一次遍历，而不是一次全表扫描。

身份识别是这一步的难点。姓名匹配会引入大量误连，因此需要用多要素做实体对齐：证件号、手机号、银行账号、联系地址、设备指纹的组合匹配优于单一姓名；对无法确定的连接，标记为低置信度边，参与连通但不单独作为判定依据。

时序约束同样是剪枝的关键。 在遍历时限定"投保时间在出险时间之前 N 天内"，可以把大量历史路径排除掉，只保留与当前案件相关的时间邻近子图。意外伤害险的等待期通常只有几天到几十天，这个窗口恰好也是骗保行为最集中的区间，因此时间窗既是约束条件，也是识别信号本身。

四、图算法与识别信号清单

一次典型的命中推演：以某受益人为起点展开两跳，图上出现 11 份保单、7 名被保险人、3 家鉴定机构、2 个收款账户。7 名被保险人之间只有两对存在亲属关系，其余五人彼此无关联、不同址、不同职业，却都由同一代理人经手、都指定同一受益人、都在投保后 40 天内出险，且伤残结论全部落在十级。此时判定依据已经不是"某一份保单有问题"，而是"这组投保行为缺乏合理的社会关系解释"。

必须说明的是，结构异常不等于骗保。真实的建筑工人、货车司机、外卖骑手确实会短期购买多份意外险，他们的出险概率也确实高于平均值；一个家庭在同一代理人处分批投保同样常见。可靠的做法是把结构信号与行为证据叠加：投保动机是否可解释、被保险人是否知情、事故是否有客观证据、医疗与鉴定是否一致，四项中至少三项存疑才进入深度调查，避免把高风险职业客户简单地标签化。

五、悦数图数据库的核心能力支撑

针对人身险反欺诈多主体、强时序、跨机构的特点，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量历史保单、被保险人、受益人与机构的关联关系，不做时间截断；动态 Schema 支持新增数据源（如外部医疗记录、行业共享数据）不停机扩展模型；内置图算法库直接提供社区发现、PageRank、子图匹配、相似度计算、时序异常检测等算子，无需自研；CDC 实时同步让新投保与新发理赔在秒级内进入图谱，核保当时就能看到关联提示；配合 Text2nGQL，反欺诈调查人员可以用自然语言查询某个受益人的关联网络，不必先掌握图查询语言。

意外险骗保依赖的不是技术，而是分散——把 11 份保单拆到 6 家公司，让每一家都只看到一个不足为奇的片段。图数据库做的事情并不复杂：把这 11 份重新放回同一张图上，让受益人、时间窗、代理人、鉴定机构这些原本互不照面的要素同时出现在一个视野里。当分散失效，巧合就只能是巧合以外的东西。