汽车保险定价与利率厘定模型.docxVIP

汽车保险定价与利率厘定模型 改革开放后，中国经济显著增长。“中国奇迹”是中国经济发展模式的实践结果, 后者的形成又离不开改革开放战略的实施。我国从2001年开始实施第一轮车险费率市场化改革, 回顾这十二年车险改革的艰难起伏历程, 车险费率市场化工作做起来颇为费神费力, 其真正得以全面实现还有很长一段路要走。核保技术、精算技术和理赔技术是车险费率市场化改革得以顺利进行所必备的三大技术, 其中, 精算技术是保证车险费率市场化顺利进行的核心内容。因为实行条款费率市场化意味着各保险财险公司要自行制定费率, 根据投保人和被保险人的不同风险状况, 进行差别化定价, 而各公司制定的个性化费率都应建立在科学合理的精算假设基础上。广义线性模型 (Generalized linear models, 简称GLMs) 在汽车保险定价中得到了广泛应用, 因为该定价方法能综合考虑影响车险定价的多种因素, 如从人因素 (年龄、性别、驾龄、职业、是否固定驾驶员、违章肇事记录、影响安全驾驶的因素等) 、从车因素 (车辆理赔记录、车辆使用性质、类型、厂牌型号、核定载客数、车身颜色、制造年月、是否固定停放、事故记录等) 、环境因素和地域因素等。然而, 研究已表明, GLMs在某些方面仍存在一定缺陷,(1)为此保险界研究进行了各种扩展, 增加了如广义线性混合模型、广义可加模型等方面的探讨。 一、 glmms的相关研究 在我国, 结合车险费率市场化改革的大背景, 保险财险公司精算师在借鉴国外先进精算技术的基础上, 逐渐开始在GLMs框架下, 使用索赔频率和索赔额的最优估计来计算风险纯保费。在非寿险精算领域, 已有的非寿险定价和索赔准备金评估的文献大多数集中于传统的广义线性模型方面。伴随着精算理论研究的发展和解决新问题的需要, 近年来, 广义线性混合模型已经开始在非寿险精算中受到关注, 用以分析有层次性和相关性的保险数据。在统计学中对于处理有相关性的数据, 较早的模型是线性混合模型 (Linear mixed models, 简称LMMs) , 之后出现了广义线性混合模型 (Generalized linear mixed models, 简称GLMMs) 、分层广义线性模型 (Hierarchical generalized linear models, 简称HGLMs) 。在这些模型的线性预测项中引入随机效应, 随机效应不但决定了同一个组内的观测量之间相关性的结构, 而且也考虑了不同组内的来自未观测到的特征导致的非同质性。对有关GLMMs方面的研究进行梳理:Williams (1982) 证实了对于二项分布中存在的过离散问题, 可以用广义线性混合模型来解释。Laird和Ware (1982) , Stiratelli等 (1984) 及Zeger和Karim (1991) 对于纵向数据中变量之间的相依关系的模型建立, 均涉及了GLMMs。较早的GLMMs模型研究还包括Gilmour和Anderson等 (1985) 、Schall (1991) 、Breslow和Clayton (1993) 、Wolfinger和O’Connell (1993) 。McCulloch等 (2001) 、Hedeker (2005) 分别对广义线性混合模型进行了详细的介绍;Kelvin等 (2003) 采用SAS Enterprise Miner database (1998) 的数据, 利用GLM与GLMM进行了索赔频率的建模研究并对比了结果, 指出了GLMM较具优势;Antonio和Beirlant (2007) 将广义线性混合模型应用于信度理论和费率厘定中, 结合贝叶斯推断方法给出了各种数据的预测分布。Guszcza (2008) 研究了广义线性混合模型在索赔准备金评估中的应用;Klinker (2011) 首先引入线性混合效应模型和广义线性模型, 继而研究了广义线性混合模型在Buhlmann-Straub信度模型理论上的应用。虽然国外对GLMMs在理论层面和实践应用中的研究成果颇多, 但国内对GLMMs的研究却只是近几年的事情。在保险精算领域, 卢志义、刘乐平 (2007) 介绍了广义线性混合模型在非寿险精算应用中的最新动态;贺宝龙、唐湘晋 (2009) 在因变量服从泊松分布的假设下, 用广义线性混合模型进行信度保费厘定;在贺宝龙、唐湘晋 (2009) 的基础上, 康萌萌 (2010) 将响应变量的分布拓展到泊松、过离散泊松和负二项分布;姬文鸽 (2011) 研究了广义线性混合模型的三种参数估计方法和推断预测, 并将其运用到未决赔款准备金的评估中。汇总已有的研究发现, 国内对GLMMs技术在保险领域的研究基本处于起步阶段。考虑到GLMMs在处理连续型解释变量上的优势, 相