1. 课程导入

欢迎进入《寿险生存模型与死亡风险分层实战》。在正式进入建模与分层技术之前，本章先解决三个基础问题：我们研究的对象是什么、学完之后能做什么、整门课如何组织。只有把这三个问题对齐，后续的精算公式、统计模型与业务落地才不会变成孤立的工具堆砌。

一、核心定义：生存模型与死亡风险分层

寿险生存模型是描述被保险人或人群从某一时点起，存活、死亡或发生其他退出事件的时间规律的数学与统计表达。它通常以生存函数 S(t)、死亡力 μ(x)、风险率 h(t) 或生命表 q_x 等形式呈现，回答的是“在给定年龄、性别、健康状况等条件下，未来一段时间内死亡或存活概率是多少”。

死亡风险分层则是在生存模型基础上，把人群按死亡风险高低划分为若干可解释、可运营的组别，例如优选体、标准体、次标准体、拒保体，或按评分卡分为 A—E 五档。分层的本质不是“贴标签”，而是用可观测变量把异质性风险显性化，从而支持定价、核保、准备金评估与客户经营。

二、学习目标：从看懂到能做

本课程面向精算、核保、风控、数据科学与保险科技从业者，目标是让学员完成从“知道概念”到“能建、能评、能用”的跨越。具体包括：

• 概念层：准确区分生存函数、风险率、生命表、Cox 模型、参数生存模型与机器学习生存模型，理解各自假设与适用边界。
• 方法层：掌握 Kaplan-Meier 估计、Log-rank 检验、Cox 比例风险回归、加速失效时间模型、离散时间生存模型与评分卡构建流程。
• 数据层：能处理删失、截断、竞争风险、时间依赖变量等寿险数据典型问题，识别数据泄漏与样本偏差。
• 业务层：能把模型输出转化为核保规则、费率因子、风险分级与干预策略，并评估其公平性、稳定性与合规性。
• 复盘层：能通过校准度、区分度、AUC、C-index、校准曲线与决策曲线判断模型是否真正可用。

三、整体课程框架：六段式推进

30 章内容按“基础—建模—分层—验证—落地—复盘”六段式组织，避免一开始就陷入公式细节。整体结构如下表所示：

阶段	章节范围	核心任务	关键产出
基础认知	第1—4章	定义、数据形态、生存函数与生命表	风险语言统一
建模方法	第5—12章	KM、Cox、参数模型、离散模型、机器学习	可运行模型
风险分层	第13—18章	变量筛选、评分卡、分箱、阈值与分组	分层规则
验证评估	第19—23章	区分度、校准、稳定性、公平性	评估报告
业务落地	第24—27章	核保、定价、准备金、客户经营	业务方案
综合复盘	第28—30章	端到端案例、常见误区、迭代机制	实战闭环

可以看到，课程不是“先讲完所有数学再讲业务”，而是每进入一个新方法，就同步讨论它在寿险场景中的输入、输出与限制。这样安排的原因是：寿险生存建模的难点往往不在算法本身，而在数据质量、业务约束与合规要求。

四、实战价值：为什么现在必须掌握

过去寿险风险分类主要依赖年龄、性别和少量核保变量，分层颗粒度粗。随着可穿戴设备、健康问卷、体检指标与理赔数据积累，保险公司具备了更细粒度分层的条件，但也面临更严格的监管与公平性审查。掌握生存模型与死亡风险分层，能直接带来四类价值：

1. 定价更精准：识别低风险与高风险人群，减少交叉补贴，提升产品竞争力。
2. 核保更高效：用评分卡替代部分人工判断，缩短承保周期，降低逆选择。
3. 准备金更稳健：基于分层死亡率假设，改善负债评估的准确性。
4. 经营更主动：对高风险组设计健康干预，对低风险组设计留存与加保策略。

五、核心原理可视化：从个体风险到分层决策

下图展示本课程最核心的逻辑链：个体特征进入生存模型，输出风险评分，再经阈值切分形成风险组，最终进入定价、核保与经营决策，并通过经验数据回流迭代。请重点观察“模型输出”与“业务动作”之间的映射关系，而不是只关注算法框。

六、常见误区与开篇复盘

在正式进入第2章之前，先建立三个“防坑意识”：

• 误区一：把生存模型等同于生命表。生命表是生存模型的一种离散表达，但生存模型还包括连续时间模型、回归模型与机器学习模型，适用场景不同。
• 误区二：分层越细越好。组数过多会导致每组样本不足、经验波动大、监管沟通困难。分层粒度要与数据量、业务动作和合规要求匹配。
• 误区三：只看区分度，不看校准。AUC 高不代表预测概率准确。定价与准备金对校准度极其敏感，必须同时评估。

本章作为导入，已经明确了研究对象、学习目标、课程框架与实战价值。接下来将从寿险数据的形态与生存分析的基本语言开始，逐步搭建可运行、可评估、可落地的生存模型与死亡风险分层体系。