非寿险费率厘定的索赔频率预测模型及其应用  

Predictive Modeling of Claim Frequency in Non-Life Insurance Ratemaking

作　　者：孟生旺[1] 徐昕[2] 

机构地区：[1]中国人民大学应用统计研究中心,北京100872 [2]首都经济贸易大学金融学院,北京100070

出　　处：《统计与信息论坛》2012年第9期14-19,共6页Journal of Statistics and Information

基　　金：教育部重点研究基地重大项目<随机效应模型及其在非寿险风险管理中的应用>(12JJD790025);国家自然科学基金项目<考虑风险相依的非寿险精算模型研究>(71171193);中国人民大学科学研究基金项目(中央高校基本科研业务费专项资金资助)<非寿险定价的精算统计模型及其应用研究>(10XNI001)

摘　　要：在非寿险分类费率厘定中,泊松回归模型是最常使用的索赔频率预测模型,但实际的索赔频率数据往往存在过离散特征,使泊松回归模型的结果缺乏可靠性。因此,讨论处理过离散问题的各种回归模型,包括负二项回归模型、泊松-逆高斯回归模型、泊松-对数正态回归模型、广义泊松回归模型、双泊松回归模型、混合负二项回归模型、混合二项回归模型、Delaporte回归模型和Sichel回归模型,并对其进行系统比较研究认为:这些模型都可以看做是对泊松回归模型的推广,可以用于处理各种不同过离散程度的索赔频率数据,从而改善费率厘定的效果;同时应用一组实际的汽车保险数据,讨论这些模型的具体应用。Poisson regression model is the most popular predictive model of claim frequency in non--life insurance ratemaking. As the practical claim frequency often appears to be over--dispersed, the Poisson regression model may not produce credible result. The paper systematically analyzes and compares several over--dispersed regression models, including Negative Binomial regression, Poisson--inverse Gaussian regression, Poisson--Lognormal regression, generalized Poisson regression, double Poisson regression, mixed negative binomial regression, mixed binomial regression, Delaporte regression and Sichel regression. All these models extend Poisson regression model and may be used to cope with different kinds of over--dispersed claim frequency data and to improve ratemaking. At the end, the paper applies these models to an practical claim frequency data.

关 键 词：非寿险 费率厘定 索赔频率 过离散 

分 类 号：O212[理学—概率论与数理统计]