2. 精算模型基础

在进入对账与异常诊断之前，必须先建立一套关于精算模型的共同语言。所谓精算模型，是指以保险合同、人口、经济与经验假设为输入，通过确定性或随机性计算，输出未来现金流、准备金、利润等关键财务与风险指标的数学与逻辑框架。它既是定价与评估的工具，也是后续对账时判断“结果是否合理”的基准。理解模型的分类与输出指标的业务含义，是诊断异常的第一道防线。

一、核心原理：模型是假设与现金流的映射器

精算模型的本质可以概括为一个映射关系：输入假设 → 计算引擎 → 输出指标。输入包括保单信息（年龄、性别、保额、缴费期）、人口假设（死亡率、发病率、退保率）、经济假设（利率、费用率、通胀）以及再保安排。计算引擎则依据产品条款与监管规则，逐期推演现金流。输出指标并非孤立数字，而是这些假设在时间轴上的累积结果。因此，当某个输出指标出现异常时，诊断方向往往要回溯到对应的假设或计算逻辑。

二、精算模型的常见分类

按不同维度，精算模型可分为以下几类，分类的目的是帮助我们在对账时快速定位模型类型与差异来源。

• 按确定性划分：确定性模型（给定假设得到唯一结果）与随机模型（引入概率分布，输出结果分布或分位数）。
• 按用途划分：定价模型、评估模型（准备金）、资本模型（偿付能力）、经验分析模型、再保模型。
• 按时间维度划分：静态模型（单期快照）与动态模型（多期投影，如现金流预测）。
• 按颗粒度划分：逐单模型（保单级）与聚合模型（分组或整体）。
• 按监管口径划分：法定评估模型、会计评估模型（如IFRS 17）、内含价值模型。

对账时，首先要确认双方使用的是否为同一分类下的模型。例如，逐单模型与聚合模型在退保处理、费用分摊上可能存在系统性差异，这本身就是常见的对账差异来源。

三、常见输出指标及其业务含义

精算模型的输出指标众多，但对账与诊断中最常关注的是准备金、保费、赔付率等。下表列出核心指标及其业务含义与对账关注点。

输出指标	业务含义	对账关注点
准备金	为未来赔付与费用预留的负债，反映未了责任	评估方法、折现率、假设版本是否一致
保费	投保人支付的费用，含风险保费与附加费用	费率表、折扣、缴费期与口径差异
赔付率	赔付支出与已赚保费之比，衡量承保质量	赔付口径、已赚保费计算、时间窗口
退保率	保单失效或退保的比例，影响现金流与准备金	退保假设、实际退保数据口径
费用率	获取与维持费用占保费的比例	费用分摊方式、固定与变动费用划分
利润/价值	如内含价值、新业务价值，反映长期盈利能力	折现率、投资回报假设、税项处理

以准备金为例，其业务含义是“未来责任的现值”。若对账中发现准备金差异，需依次检查：评估方法（如净保费法 vs 毛保费法）、折现率曲线、死亡率表版本、退保假设以及再保抵扣。赔付率异常则可能源于赔付数据延迟、已赚保费计算错误或大额赔案集中。

四、案例场景：一次准备金对账差异的诊断

假设某寿险公司月末对账时，发现逐单模型与聚合模型的准备金相差约0.8%。初步排查流程如下：

1. 确认两模型使用的死亡率表版本是否一致，发现聚合模型仍使用上一季度版本。
2. 检查退保假设，逐单模型按保单实际缴费期处理，聚合模型按平均缴费期简化。
3. 核对折现率曲线，两者均使用同一曲线，排除。
4. 定位差异主要来自高年龄段的终身寿险保单，因死亡率表版本差异被放大。

最终结论：差异由假设版本与颗粒度简化共同导致，属于可解释差异，需统一假设版本后重新对账。这个案例说明，对账不是简单比数字，而是比假设、比口径、比逻辑。

五、误区与复盘

初学者常陷入以下误区：

• 只看结果不看假设：准备金差异未必是计算错误，可能是假设不同。
• 混淆口径：赔付率中的“赔付”是否含未决赔款，已赚保费是否含再保，都会导致不可比。
• 忽视时间维度：静态快照与动态投影的输出不可直接对比。
• 过度依赖单一指标：准备金异常可能由退保率、费用率或折现率共同驱动，需多指标交叉验证。

六、模型输入与输出的关系示意

下图展示精算模型从输入假设到输出指标的核心映射关系，帮助理解对账时应追溯的路径。