2. 保险定价基础

在构建保险定价API与实时报价服务之前，必须先理解保险产品的价格是如何被“算出来”的。与普通商品不同，保险价格不是成本加利润的简单叠加，而是基于风险分类与大数法则对未来的损失进行预估。本节将拆解保险费率的构成、定价因子的作用、风险分类的逻辑，以及纯保费与附加保费的计算路径，为后续API中的参数建模打下基础。

一、保险费率的构成：纯保费与附加保费

保险费率通常由两部分组成：纯保费和附加保费。纯保费对应未来赔付的期望成本，附加保费则覆盖运营费用、渠道佣金、税费以及利润。用公式表达：

毛保费 = 纯保费 + 附加保费
纯保费 = 预期赔付金额 / 保险金额 × 风险单位数
附加保费 = 费用附加 + 安全附加 + 利润附加

其中，纯保费是定价的核心，它反映的是“风险本身值多少钱”。例如，某类健康险的住院发生率为3%，平均住院费用为8000元，则每份保单的纯保费约为240元。附加保费则根据公司运营效率、渠道成本、监管要求和目标利润率浮动。在API设计中，纯保费通常由风险模型输出，附加保费则通过配置参数动态叠加。

二、定价因子：风险分类的输入变量

定价因子是进入定价模型的变量，它们决定了投保人属于哪一类风险群体。常见的定价因子包括：

• 年龄与性别：影响死亡率、疾病发生率。
• 职业类别：影响意外险、寿险的赔付概率。
• 健康状况：体检指标、既往病史。
• 地域：不同地区的医疗成本、交通事故率差异。
• 保额与免赔额：影响赔付频率与金额。
• 历史理赔记录：用于动态调整风险等级。

这些因子在API中通常以rating_factors对象传入，例如：

{
  "age": 35,
  "gender": "male",
  "occupation_class": 3,
  "region_code": "310100",
  "sum_insured": 500000,
  "deductible": 10000
}

定价引擎会根据这些因子查表或调用模型，得到对应的风险系数，再与基准纯保费相乘。

三、风险分类：从个体到群体的映射

风险分类的本质是将投保人划分到不同的风险池中，使同一池内的个体具有相近的预期损失。分类过粗会导致“逆向选择”——低风险人群补贴高风险人群，最终低风险人群退出；分类过细则可能违反监管公平性原则，或导致数据稀疏、模型不稳定。

在实时报价服务中，风险分类通常以费率表或评分卡形式实现。例如，职业类别1-6类对应不同的意外险费率系数：

API在接收到职业代码后，会映射到对应的类别，再乘以基准纯保费。这种“查表+系数”的方式计算速度快，适合实时报价场景。

四、纯保费与附加保费的计算逻辑与案例

下面以一个简化的定期寿险为例，演示从定价因子到最终报价的完整计算链路。

场景：30岁男性，保额100万元，保险期间1年，职业类别2类，无吸烟史。

1. 查生命表，得到该年龄段的年度死亡率 q = 0.001。
2. 纯保费 = 保额 × 死亡率 = 1,000,000 × 0.001 = 1000元。
3. 职业系数为1.0，无吸烟折扣，风险调整后纯保费 = 1000元。
4. 附加保费率设为纯保费的30%，则附加保费 = 300元。
5. 毛保费 = 1000 + 300 = 1300元。

在API中，这一过程可以抽象为：

def calculate_premium(base_rate, factors, expense_ratio):
    pure_premium = base_rate
    for factor, coefficient in factors.items():
        pure_premium *= coefficient
    loading = pure_premium * expense_ratio
    gross_premium = pure_premium + loading
    return {
        "pure_premium": round(pure_premium, 2),
        "loading": round(loading, 2),
        "gross_premium": round(gross_premium, 2)
    }

五、常见误区与复盘

复盘时，应重点检查：定价因子是否覆盖主要风险维度、费率表是否定期更新、附加保费参数是否与财务口径一致。只有基础定价逻辑正确，后续的API化与实时报价才有意义。