4. 非寿险精算核心

非寿险精算与寿险精算最大的区别在于：寿险的保险事件（死亡、生存）相对稳定且可长期预测，而非寿险面对的是随机性更强、频率与强度都高度不确定的损失事件。因此，非寿险精算的核心任务可以概括为一句话：在不确定的损失世界中，找到可定价、可分类、可储备、可转移的风险规律。本节围绕五个核心模块展开——损失分布、风险分类、费率厘定、准备金评估与再保险精算，它们共同构成非寿险精算的完整闭环。

一、损失分布：非寿险精算的起点

损失分布描述的是“一次事故造成多大损失”以及“一段时间内发生多少次事故”的统计规律。精算上通常把损失拆成两个维度：损失频率（单位时间内出险次数）与损失强度（每次出险的赔付金额）。频率常用泊松分布、负二项分布刻画；强度则常用伽马分布、对数正态分布、帕累托分布等右偏、厚尾分布来拟合。

为什么厚尾如此重要？因为非寿险的极端巨灾、责任险长尾赔案往往落在分布尾部，尾部估计偏差会直接导致资本金不足。实务中常用拟合优度检验（K-S检验、A-D检验）与尾部指数判断分布是否合适。下面是一段典型的损失分布拟合参数示例：

频率模型: 负二项分布
  mean = 0.85 次/年
  variance = 1.32
强度模型: 对数正态分布
  mu = 8.6 (对数均值)
  sigma = 1.45 (对数标准差)
  E[X] = exp(mu + sigma^2/2) ≈ 15,600 元
  VaR_99.5% ≈ 210,000 元

二、风险分类：把异质风险拆成同质分组

如果对所有投保人收取相同费率，低风险客户会补贴高风险客户，最终导致逆向选择——低风险者退出，池子质量恶化。风险分类的目的就是依据可观测的风险因子，把保单划分成相对同质的风险组，使各组费率更贴近其真实期望损失。

常见风险因子包括：年龄、性别、车型、行驶里程、职业类别、历史赔付记录、信用评分、地区等。分类方法从传统的广义线性模型（GLM），到如今的梯度提升树（GBDT）与神经网络。GLM因可解释性强、监管接受度高，仍是车险与健康险定价的主流工具。

• 风险因子筛选：单变量分析 + 相关性检验，避免多重共线性。
• 模型选择：泊松回归拟合频率，伽马回归拟合强度，Tweedie回归直接拟合纯保费。
• 分类平滑：对样本量小的组进行信度补足，防止费率剧烈波动。
• 合规约束：性别、种族等敏感变量在多地受严格限制。

三、费率厘定：从纯保费到商业保费

费率厘定的基本公式为：保费 = 纯保费 + 费用附加 + 利润与安全附加。纯保费等于期望损失频率乘以期望损失强度；费用附加覆盖佣金、管理、税费；安全附加用于应对参数不确定性与资本成本。

常用方法包括纯保费法与损失率法。纯保费法直接由损失数据推导费率；损失率法则基于实际损失率与目标损失率的比值调整现行费率，适合经验数据不足时使用。费率厘定还需考虑信度理论，在自身经验与行业经验之间加权。

四、准备金评估：为已发生但未结案的赔案留足钱

准备金是非寿险公司最大的负债项，评估偏差会直接冲击偿付能力。准备金分为未决赔款准备金（已发生已报案、已发生未报案IBNR）与未到期责任准备金。核心方法是链梯法（Chain-Ladder），通过历史赔案进展因子推算最终赔款。

链梯法的基本逻辑是：假设各事故年的赔案进展模式稳定，用已发展年的累计赔款除以进展因子，外推至最终赔款。实务中还需结合Bornhuetter-Ferguson法，在数据不足时引入先验损失率，避免链梯法对早期数据的过度敏感。

五、再保险精算：风险的二次分配

再保险是保险公司将部分风险转移给再保险人的机制，分为比例再保险（成数、溢额）与非比例再保险（险位超赔、事故超赔、赔付率超赔）。再保险精算的核心是：确定自留额、分保比例与再保费，使分出公司的风险调整后资本回报最优。

再保险定价常用损失分布法：先拟合原保险的损失分布，再对再保层进行期望损失与风险边际计算。例如，事故超赔层“100万以上至500万”的期望损失，等于损失分布在该层的积分。再保险精算还需评估再保人的信用风险与恢复保费条款的影响。

六、案例与复盘：一次车险费率改革中的五模块联动

某中型财险公司在车险综合改革后，发现赔付率上升、准备金出现缺口。精算团队按五模块逐一排查：

1. 损失分布：发现原模型用对数正态拟合强度，但小额赔案占比上升，尾部估计偏薄，改用伽马与对数正态混合分布。
2. 风险分类：引入行驶里程与夜间行驶比例两个新因子，GLM显示二者显著，但样本量小的组费率波动大，加入信度补足。
3. 费率厘定：纯保费上升约8%，但费用率下降，最终费率上调4.5%，避免客户流失。
4. 准备金评估：链梯法进展因子受疫情期异常影响，改用BF法并单独评估大案，准备金缺口收窄。
5. 再保险精算：调整事故超赔层自留额，将100万以上层分出比例提高，资本占用下降，ROE改善。