1. 课程导论：赔付率异常归因模型在非寿险精算中的核心价值、课程目标与学习路径
1.1 为什么赔付率异常归因是精算师的“硬核技能”？
在非寿险精算实务中，赔付率（Loss Ratio）是衡量承保利润最直接的仪表盘。当赔付率出现异常波动——无论是月度环比跳升、同比偏离预算，还是分险种/分渠道的显著分化——精算师必须在最短时间内回答三个问题：
- “是否真异常？” —— 排除随机波动与季节性因素。
- “异常在哪里？” —— 定位到险种、渠道、区域、时段或理赔环节。
- “为什么异常？” —— 量化费率、责任准备金、大额赔案、费用分摊等驱动因素的贡献。
传统的手工报表堆叠与经验判断已无法满足监管时效与精细化管理要求。基于精算模型与数据科学的赔付率异常归因框架，能够将“模糊的直觉”升级为“可追溯、可验证、可复用的量化归因结论”。
核心价值总结： 归因模型不是事后解释，而是将赔付率波动拆解为可行动的归因因子，直接支撑费率调整、再保安排、理赔管控与预算修正。
1.2 赔付率异常归因模型的核心价值矩阵
| 价值维度 | 具体体现 | 典型应用场景 |
|---|---|---|
| 监管合规 | 满足偿二代/IFRS 17对赔付率变动的可解释性要求 | 精算假设回溯测试、准备金充足性分析 |
| 经营决策 | 快速定位亏损险种/渠道，支持承保策略调整 | 车险分渠道赔付率异常诊断、健康险区域定价 |
| 风险预警 | 提前识别赔付率恶化趋势，触发早期干预 | 大额赔案集中度监控、巨灾损失归因 |
| 绩效评价 | 剥离外部环境与内部管理对赔付率的影响 | 分支机构考核、核保政策效果评估 |
| 模型迭代 | 为费率厘定与损失分布模型提供反馈闭环 | GLM 残差分析、机器学习特征工程 |
1.3 课程目标：从“看懂报表”到“构建归因流水线”
本课程面向具备基础精算知识的数据分析师、精算师与风控工程师，旨在帮助你建立一套完整的赔付率异常归因实战能力。完成本课程后，你将能够：
- 理解归因框架 —— 掌握赔付率拆解的基本公式与因子层级（费率、风险暴露、赔案频率、案均赔款、IBNR 等）。
- 构建归因模型 —— 使用 Python 实现从数据清洗、因子计算到归因贡献量化的全流程。
- 可视化归因结果 —— 生成瀑布图、热力图、桑基图等精算报告级图表。
- 落地生产环境 —— 将归因逻辑封装为可重复执行的模块，支持自动化月报/季报。
学习建议： 本课程每章均配有可运行的 Jupyter Notebook 示例代码。建议你在阅读理论后，立即动手运行代码并修改参数，观察归因结果的变化。
1.4 学习路径与章节地图
课程按“基础 → 方法 → 实战 → 部署”四阶段递进，共 30 章。下图展示了核心知识模块与学习路径：
1.5 预备知识与工具栈
为获得最佳学习体验，建议你提前熟悉以下内容与工具：
| 类别 | 具体要求 | 推荐资源 |
|---|---|---|
| 精算基础 | 理解赔付率、已赚保费、已发生赔款、IBNR 等基本概念 | 《非寿险精算》教材前两章 |
| 编程能力 | Python 基础语法、Pandas 数据处理、Matplotlib 绘图 | Python for Data Analysis (Wes McKinney) |
| 统计知识 | 描述性统计、假设检验、线性回归基础 | StatQuest 系列视频 |
| 工具环境 | Jupyter Notebook / VS Code + Python 3.9+ | Anaconda 发行版 |
重要提示： 本课程所有代码均基于 Python 3.9+ 与 Pandas 1.4+。如果你使用较旧版本，请先升级环境，避免因 API 差异导致代码报错。
1.6 本章小结与行动清单
本章作为课程导论，为你建立了赔付率异常归因模型的整体认知框架。在进入下一章之前，请完成以下行动项：
- ✅ 确认 Python 环境已安装 Pandas、NumPy、Matplotlib、Seaborn 等核心库。
- ✅ 下载课程配套数据集（位于
data/目录下）。 - ✅ 快速浏览第2章内容，了解赔付率标准公式的拆解逻辑。