面板数据下线性混合模型及其在车险费率厘定中应用.docVIP

面板数据下线性混合模型及其在车险费率厘定中应用 　　摘 要：精算师在进行车险净保费信度厘定时可采用关于面板数据的线性混合模型，本文采用每次交通事故平均损失额和事故发生频率作为车险净保费的计算指标。利用2008～2012年31个省、市、自治区5年的数据，建立面板数据下的线性混合模型，选取人均地区生产总值、每平方公里人口数、民用汽车拥有量作为解释变量，得到每次交通事故平均损失额和事故发生频率的估计模型，进而得到纯保费估计。这一研究可为车险费率市场化提供一定的理论支持和参考。 　　关键词： 面板数据；费率厘定；车险；费率市场化 　　中图分类号：F840.65 文献标识码： A 文章编号：1003-7217（2016）03-0022-08 　　一、引 言 　　在精算学中，一个基本问题是利用关于某个风险的已知历史索赔及相关外部信息来预测该风险的未来索赔，这就是经验费率厘定问题，因为它与信度理论有密切的联系，所以有时也称为信度厘定问题。车险费率厘定应该根据保险标的风险状况来确定，由于车辆类型、车辆使用者、车辆使用范围、长期行驶线路等不同，风险就存在很大的差异。对单个被保险人来说，理论上讲保险公司要考虑到可获得的被保险人信息，如车型、车辆用途、行驶区域、行驶里程数、性别、驾驶人年龄、交通肇事记录及驾驶行为等因素，从中选出合适的费率厘定变量，进而得到车险净保费。 　　当前在国际上广义线性模型已被充分应用于车险定价中。国内学者对车险定价的研究也主要集中在广义线性模型方面，较少探讨线性混合模型在车险费率厘定中的应用。孟生旺（2007）简要分析了传统定价方法存在的缺陷，并通过汽车第三者责任保险的损失数据说明了广义线性模型在非寿险产品定价中的具体应用[1]。曾理斌（2007）指出广义线性模型是在风险等级分类基础上的一种非寿险费率厘定方法，可以考虑到各种已识别的风险因素[2]。赵慧卿、王汉章（2011）从索赔频率和索赔额度两个方面利用广义线性模型估计保险费率，分析了从车、从人、从地三个因素的变动对索赔频率和索赔额度的影响[3]。孙维伟、张连增（2013）采用Frees（2010）中汽车第三者责任保险的一组损失数据，在介绍广义线性模型的定义、算法和模型实现的基础上，讨论零调整逆高斯回归模型在汽车保险定价中的具体应用[4]。孙维伟（2014）分析了广义线性模型和广义可加模型的基础和特点，并从Tweedie类分布的视角分析保险索赔额数据的分布[5]。 　　线性混合模型是线性模型的另一个扩展，尤其适合处理面板数据下的回归问题。一般来说，对面板数据的每个组内，观测量不再有独立性假设。为此通常的线性模型和广义线性模型就不再适用，这就需要采用线性混合模型和广义线性混合模型。因此，线性混合模型与广义线性混合模型在车险定价中的应用研究，必将受到国内外学者的更多关注。 　　二、面板数据下的线性混合模型 　　（一）线性混合模型 　　时间序列数据和截面数据都是一维数据，时间序列是变量按时间先后得到的一组数据，截面数据是变量在给定的时点的一组数据。面板数据兼有时间序列数据与截面数据的特征，可以理解为截面上的个体在不同时点的重复观测数据。与截面数据或时间序列相比，面板数据包含了更多的信息，相应的参数估计更有效；而且在面板数据下，可多层次地分析问题，能够更好地识别出时间序列数据或截面数据不能体现出的特征。 　　（三）面板数据下的信度模型 　　信度模型是非寿险定价中经验费率厘定的理论依据。信度理论充分利用已获得的信息，其中包括先验信息和样本信息。设来自先验信息的估计量为M，来自样本信息的估计量为样本均值，信度估计量是对两者的加权平均，即Pc=ζ+（1-ζ）M，其中ζ是信度因子，ζ越大则样本信息更可信。 　　三、数据来源及模型选定 　　（一）数据来源及描述 　　1.数据来源。 　　本文数据来源于2009～2013年《中国统计年鉴》，样本为我国 2008～2012 年31个省、市、自治区的年度数据。车险费率模型分为两大类：索赔频率模型和索赔金额模型。为了对车险进行费率厘定，选择平均每次事故的损失额（AVE_LOSS）和每辆车每年的出险率（FREQ）为被解释变量，选择人均地区生产总值（PGDP）、民用汽车拥有量（NOC）和人口密度即平均每平方公里人口数（PPSM）作为可供选择的解释变量，每次事故的损失额、人均地区生产总值都与价格指数均有密切联系，因此为了使各年的数据有可比性，绝对数值都以2008年为基年进行了消费指数的平减，剔除了通货膨胀的影响①。 　　2.数据特征。使用R软件的nlme软件包对面板数据进行分析和建模。表1描述了基本的变量随时间变化的特性，可见平均每次事故的损失金额、人均地区生产总值、人口密度、民用汽车拥有量是随时间增长的，每辆汽车发生事