2、归因分析基础：归因分析的定义、归因分析在保险风控中的作用、归因分析常用方法概述
2.1 归因分析的定义
归因分析（Attribution Analysis）是一种系统性的统计与逻辑推理方法，旨在将观测到的结果（如保单亏损、赔付率上升、坏样本率异常）拆解并分配给不同的驱动因素或贡献来源。在保险精算语境下，归因分析的核心目标是回答“为什么”的问题——为什么某个业务线的赔付率从 65% 跃升至 82%？为什么某个渠道的保单逾期率是其他渠道的 3 倍？
核心公式： 总效应 = 结构效应 + 行为效应 + 随机效应
归因分析区别于简单的描述性统计，它要求建立可解释的因果链路或贡献度分配规则。常见的归因粒度包括：
- 时间维度： 月度、季度、年度同比/环比变化归因
- 业务维度： 渠道、产品线、地区、代理人团队
- 风险维度： 承保端、理赔端、运营端、外部环境
2.2 归因分析在保险风控中的作用
在保险风控体系中，归因分析扮演着“诊断工具”与“决策锚点”的双重角色。没有归因，风控模型只能告诉你“坏样本来了”，却无法告诉你“坏样本从哪里来”。下表总结了归因分析在保险风控中的五大关键作用：
| 作用领域 | 具体描述 | 典型场景 |
|---|---|---|
| 风险溯源 | 定位导致赔付率/逾期率恶化的核心变量 | 某地区车险赔付率飙升，归因发现是暴雨频次增加导致 |
| 策略评估 | 量化风控策略调整对坏样本率的真实影响 | 收紧核保规则后，归因分析区分“策略效果”与“自然波动” |
| 资源分配 | 识别高贡献度风险因子，指导风控资源投入 | 发现 20% 的代理人贡献了 80% 的欺诈案件，优先治理该渠道 |
| 模型监控 | 解释评分卡或机器学习模型预测偏差的来源 | 模型 PSI 指标异常，归因到某个特征分布偏移 |
| 合规解释 | 满足监管对风控决策可解释性的要求 | 向监管说明拒保率上升是由于外部经济环境而非歧视性定价 |
精算视角： 归因分析是连接“精算定价”与“风控执行”的桥梁。定价模型假设的风险分布与实际承保结果之间的偏差，必须通过归因分析来校准。
2.3 归因分析常用方法概述
归因分析方法根据数据形态、业务场景和解释需求的不同，可分为三大类：统计分解法、模型驱动法和规则逻辑法。下表对比了各类方法的适用场景与优缺点：
| 方法类别 | 代表技术 | 适用场景 | 优点 | 局限 |
|---|---|---|---|---|
| 统计分解法 | 结构分解分析（SDA）、指数分解、夏普利值分解 | 赔付率变化、费用率变化、利润波动 | 数学严谨、可重复、不依赖模型 | 无法处理非线性交互、变量多时计算复杂 |
| 模型驱动法 | 线性回归系数、SHAP、LIME、树模型特征重要性 | 坏样本预测、评分卡偏差、个体预测解释 | 可处理高维数据、捕捉非线性关系 | 依赖模型质量、部分方法计算成本高 |
| 规则逻辑法 | 决策树规则、业务规则引擎、分层下钻 | 渠道对比、地区差异、人工审核归因 | 可解释性强、业务人员易理解 | 主观性强、难以处理复杂交互 |
在实际的保险精算坏样本归因项目中，通常采用“统计分解 + 模型驱动”的混合策略：先用统计分解法从宏观上拆解总效应，再用模型驱动法对特定效应进行微观归因。
2.4 归因分析在坏样本归因中的特殊要求
与通用归因分析不同，保险精算领域的坏样本归因面临三个特殊挑战：
- 样本不平衡： 坏样本（欺诈、逾期、高赔付）通常占比极低（<5%），传统归因方法容易偏向多数类。
- 时间滞后性： 保险业务从承保到出险存在时间差，归因时必须考虑“承保期”与“出险期”的匹配。
- 多因素交织： 同一坏样本可能同时受核保宽松、理赔欺诈、外部经济下行等多重因素影响，需要区分“直接归因”与“间接归因”。
⚠️ 常见误区： 不要将相关性直接当作归因结论。例如，观察到“雨天出险率高”就归因为“雨天导致驾驶风险上升”，但实际可能是“雨天时高风险驾驶人群出行比例更高”——这是选择偏差，而非因果归因。