4. 频率建模基础

在车险定价与风险分类中，赔付频率刻画的是“单位风险暴露下发生赔付的次数”。它通常以“每车年赔付次数”为观测单位，取值范围为非负整数：0、1、2……与案均损失相乘后，才构成纯保费的核心。频率模型的选择直接决定了风险因子是否显著、预测是否稳健，以及是否存在系统性高估或低估。本节围绕泊松分布、负二项分布与零膨胀模型三类基础工具，说明它们的统计机理、参数含义、适用边界与建模流程。

一、核心原理：从等分散到过分散

泊松分布是最基础的计数分布。若某保单在单位时间内发生赔付的次数 \(N\) 服从参数为 \(\lambda\) 的泊松分布，则其概率质量函数为：

P(N = k) = exp(-λ) · λ^k / k!,  k = 0, 1, 2, ...
E[N] = λ
Var[N] = λ

泊松分布的关键特征是均值等于方差，即等分散。它适合描述“独立、稀有、无聚集”的事件。在车险中，如果每个被保险人的出险倾向几乎相同，且每次出险互不影响，泊松分布可以作为起点。通过引入风险因子 \(x\) 与对数连接函数，可得到泊松回归：

log(λ_i) = β₀ + β₁x₁ + β₂x₂ + ... + log(暴露量_i)

其中暴露量通常为车年数，作为偏移项进入模型。这样，\(\lambda_i\) 表示第 \(i\) 个风险单位的期望赔付频率。

然而，真实车险数据几乎总会出现过分散：方差明显大于均值。原因包括未观测异质性、驾驶行为差异、区域交通密度差异、保单年度内风险变化等。此时若强行使用泊松回归，标准误会被低估，显著性检验过于乐观，模型选择也可能失真。负二项分布正是为解决过分散而设计的。

负二项分布可视为泊松分布与伽马分布的混合：假设个体风险 \(\lambda\) 本身服从伽马分布，则在给定 \(\lambda\) 下赔付次数服从泊松分布，边际分布即为负二项。其均值与方差为：

E[N] = μ
Var[N] = μ + μ² / θ = μ + αμ²

其中 \(\theta\) 或 \(\alpha\) 为离散参数。当 \(\alpha \to 0\) 时，负二项退化为泊松；\(\alpha\) 越大，过分散越强。负二项回归因此成为车险频率建模的常用基准模型。

第三类问题是零膨胀：数据中零次赔付的比例远高于泊松或负二项所能解释的水平。例如，大量低里程、高龄驾驶员或长期停放车辆可能从未出险。零膨胀模型将过程拆为两部分：一部分是“是否属于结构性零”的逻辑回归，另一部分是“若可能出险，则出险次数服从泊松或负二项”。其典型形式为：

P(N = 0) = π + (1 - π) · f(0)
P(N = k) = (1 - π) · f(k),  k > 0

其中 \(\pi\) 为结构性零概率，\(f(\cdot)\) 为泊松或负二项概率。零膨胀泊松适用于零多且过分散不严重的情形；零膨胀负二项则同时处理零膨胀与过分散。

二、方法流程：从数据到模型选择

频率建模不是直接套用某个分布，而应遵循“探索—拟合—诊断—比较”的闭环。建议流程如下：

1. 定义观测单位与暴露量：明确是“每车年”“每保单年”还是“每责任期”，并确保暴露量作为偏移项进入模型。
2. 描述性统计：计算均值、方差、零比例、最大值与频率分布直方图。若方差/均值明显大于1，提示过分散；若零比例远高于泊松预测，提示零膨胀。
3. 拟合候选模型：至少拟合泊松回归与负二项回归；当零比例异常时，增加零膨胀泊松或零膨胀负二项。
4. 模型诊断：检查残差、离散参数、零膨胀概率的显著性，以及AIC/BIC、对数似然。
5. 业务校验：验证风险因子方向是否符合业务直觉，预测频率是否在合理区间，避免极端值。

三、案例与场景：三类模型的典型落点

假设某保险公司对私家车保单进行频率建模，样本包含约50万条保单年记录。初步统计显示：平均赔付频率为0.12，方差为0.21，零赔付比例为0.89。泊松分布下，若均值0.12，则零概率约为 exp(-0.12)=0.887，与观测0.89接近，但方差0.21明显大于均值0.12，说明存在过分散。此时负二项回归更合适，离散参数 \(\alpha\) 的估计值约为0.6，显著大于0。

进一步按“是否经常长途驾驶”分层后发现：长途驾驶组的零比例为0.72，短途通勤组为0.93。短途组中大量“从未出险”可能并非纯粹随机，而是结构性零。此时可尝试零膨胀负二项模型，将“是否短途通勤”“车龄是否超过10年”等变量放入零膨胀部分，将“驾驶员年龄”“历史出险次数”放入计数部分。模型结果显示，零膨胀部分中“短途通勤”系数显著为正，说明该群体确实存在更高的结构性零概率。

四、误区与复盘：频率建模中最容易踩的坑

误区一：只看AIC选模型。零膨胀负二项通常参数更多，AIC可能更优，但如果零膨胀部分的变量业务含义不清晰，模型可能只是“拟合了噪声”。应结合业务可解释性与稳定性综合判断。

误区二：把零膨胀等同于过分散。零膨胀关注的是零的比例是否异常，过分散关注的是方差是否大于均值。两者可以同时存在，也可以单独存在。若零比例正常但方差很大，优先考虑负二项；若零比例异常但方差接近均值，优先考虑零膨胀泊松。

误区三：忽略暴露量。频率建模中，暴露量是偏移项而非普通自变量。若直接使用赔付次数作为因变量而不加偏移项，相当于假设所有保单的承保时间相同，会导致系统性偏差。

误区四：用频率模型直接预测个体是否出险。频率模型输出的是期望次数，不是“会不会出险”的分类结论。若业务需要判断个体是否属于高风险，应结合零膨胀部分的概率输出，或单独建立分类模型。

复盘来看，频率建模的关键不是追求最复杂的分布，而是让分布假设与数据生成机制相匹配。泊松提供基准与可解释性，负二项处理普遍存在的过分散，零膨胀模型则应对结构性零过多的特殊场景。三者构成车险赔付频率建模的基础工具箱，后续的联合建模与广义线性模型扩展，都建立在对这三类模型边界清晰理解之上。