4. 频率模型入门
频率建模是赔付成本定价的第一根支柱。它回答一个看似简单却极难精确的问题：在给定风险暴露下，单位时间内会发生多少次赔案？频率模型的质量直接决定纯保费中“出险次数”部分的准确性，也影响后续严重度模型是否建立在合理的样本基础上。本节从计数数据的分布假设出发，逐步建立频率建模的完整工作流。
一、核心原理：为什么频率需要专门的分布
赔案次数是典型的计数型随机变量，取值非负整数，且往往呈现“大量零、少数大值”的长尾特征。直接用正态分布或线性回归会违反方差假设，导致预测失真。频率建模的本质，是为计数数据选择一个能够刻画其均值与方差关系的概率分布。
泊松分布是最基础的假设：若赔案发生相互独立，且单位暴露内的平均发生率为 λ，则次数 N 服从泊松分布，其关键性质是均值等于方差（E[N]=Var[N]=λ）。泊松分布适合风险同质、事件稀疏且独立的场景，例如小规模车险组合的碰撞索赔。
负二项分布则放松了均值等于方差的限制。当数据存在过度离散（方差显著大于均值）时，负二项分布通过引入一个额外的离散参数，使方差可以大于均值。过度离散通常来源于未观测到的风险异质性——不同保单的真实风险水平不同，混合后整体方差被放大。实务中，车险、健康险的赔案次数大多呈现过度离散，因此负二项分布比泊松分布更常用。
零膨胀模型针对的是另一类特殊结构：数据中零的比例远高于标准泊松或负二项分布所能解释的水平。这通常意味着存在两类群体——一类是“结构性零”，即某些保单在观察期内根本不可能出险（如长期停放车辆）；另一类是“随机零”，即本可能出险但恰好未出险。零膨胀泊松（ZIP）或零膨胀负二项（ZINB）通过两个子模型分别刻画“是否属于结构性零群体”和“出险次数”，从而更准确地拟合零值过多的数据。
二、暴露量：频率建模的分母
频率不是单纯的次数，而是“次数/暴露量”。暴露量定义了风险的时间或规模基准，常见形式包括：车险的车年、健康险的人年、责任险的销售额或工时。暴露量选择错误，频率模型就会系统性偏移。
暴露量需要满足三个条件：与风险规模成正比、可观测可记录、在保单期间内可累积。例如，一份车险保单在年中生效，当年只覆盖6个月，则暴露量为0.5车年，而非1车年。若忽略暴露量差异，直接对赔案次数建模，会把“观察期长短”误判为“风险高低”。
频率 = 赔案次数 / 暴露量
示例：
保单A：观察12个月，出险2次 → 频率 = 2 / 1.0 = 2.0 次/车年
保单B：观察6个月，出险1次 → 频率 = 1 / 0.5 = 2.0 次/车年
若忽略暴露量，A=2次、B=1次，会误判A风险更高。三、频率建模流程
频率建模不是“选一个分布然后拟合”这么简单，而是一个从数据准备到模型验证的闭环流程。以下清单给出可落地的步骤：
- 定义建模单元与暴露量：明确每行数据代表什么（保单、保单-年、还是保单-月），并计算对应暴露量。
- 探索性数据分析：统计零值占比、均值、方差、最大值，绘制次数分布直方图，初步判断过度离散与零膨胀。
- 选择候选分布：根据EDA结果，在泊松、负二项、ZIP、ZINB之间选择2~3个候选。
- 纳入风险因子：将车型、地区、驾驶人年龄、历史赔付等作为自变量，建立GLM或GAM。
- 参数估计与拟合：使用最大似然估计，得到回归系数与离散参数。
- 模型诊断：检查残差、AIC/BIC、预测值与实际值的校准曲线，特别关注零值预测是否合理。
- 业务验证与部署：与业务经验对照，确认系数方向合理，输出频率预测用于纯保费计算。
| 分布 | 均值-方差关系 | 适用场景 | 关键参数 |
|---|---|---|---|
| 泊松 | 均值 = 方差 | 同质风险、事件独立稀疏 | λ（发生率） |
| 负二项 | 方差 > 均值 | 过度离散、未观测异质性 | λ、离散参数k |
| 零膨胀泊松 | 零值过多，其余部分均值=方差 | 存在结构性零群体 | π（零膨胀概率）、λ |
| 零膨胀负二项 | 零值过多且过度离散 | 结构性零 + 异质性并存 | π、λ、k |
四、案例与误区复盘
假设某车险公司对10万份保单进行频率建模。初步统计发现：零赔案保单占比68%，整体均值为0.42次/车年，方差为0.91。方差约为均值的2.2倍，说明存在明显过度离散。若直接使用泊松分布，模型会低估高赔付群体的频率，导致纯保费不足。
进一步检查零值占比：泊松分布下零值概率约为 e-0.42≈65.7%，而实际零值占比68%，差距不大。因此优先选择负二项分布，而非零膨胀模型。拟合后负二项模型的AIC比泊松低约1200，离散参数k显著，验证了过度离散的存在。
- 忽略暴露量：把不同观察期的保单直接比较次数，导致频率估计偏差。
- 盲目使用泊松：未检验均值-方差关系，在过度离散数据上强行拟合，标准误被低估，显著性检验失效。
- 过度使用零膨胀：零值多并不一定意味着结构性零。若泊松或负二项已能解释零值比例，强行加入零膨胀组件会增加模型复杂度而不提升预测力。
- 只关注AIC：统计指标优的模型未必业务可解释。系数方向与业务逻辑冲突时，应优先排查数据质量与变量定义。
频率模型是赔付成本定价的起点。只有把“发生多少次”刻画准确，后续的严重度模型才能在正确的样本基础上估计“每次赔多少”。下一阶段的工作，是在频率模型输出的基础上，进一步处理赔案金额的厚尾特征与巨灾影响。