在非寿险中，费率厘定一般分为分类费率厘定和经验费率厘定。在分类费率厘定中，异质的风险保单组合被划分为更加同质的风险类别，每个类收取同样的保费。然而，尽管使用了许多先验变量进行分类，但是，因为不可观测的风险特征，费率单元中的保单还是有异质性。利用个体保单过去的经验索赔数据，能够揭示不可观测的风险特征，进而调整个体保单的保费，得到经验费率。　　信度理论是非寿险精算科学的奠基石，是非常重要的经验费率厘定方法。信度模型可划分为两种不同类型:有限波动信度模型和最精确信度模型。　　经典的信度模型存在一个缺陷。在多数信度保费的研究文献中，通常都假设个体风险之间相互独立，一定程度上这是为了数学上处理的方便。风险之间的相互独立假设只不过是现实中的相依风险在理论研究中的理想化近似。现实中，大多情形风险之间存在相依关系，保险业存在许多违背这种经典独立性假设的重要情景，例如，在夫妻之间寿命具有正相依关系;在房屋保险中，被保险人地域的接近，可能导致暴露于共同的灾害，于是，这种共有的风险因子可能导致被保险个体之间的相依性;在机动车辆保险中，一次保险事故可能牵涉到好几个被保险人，显然，这几个保单的索赔不满足经典独立性假设而具有较强的相依性。　　虽然，已有学者使用公共随机效应（也称作潜变量）或相关矩阵来刻画个体风险之间的相依结构，研究了信度保费，但是，公共随机效应或相关矩阵只不过是相依结构的一种非常特殊的情形，并不能满足日益复杂的风险相依结构，Copula是一个描述多变量之间相依结构的强大工具。Copula方法的本质就是多元随机变量的联合分布函数可以被表达成为各自边缘分布函数的函数，Copula方法的思想就是把多元随机变量的联合分布函数剖分成独立的两部分:一部分仅仅描述变量之间的相依结构(Copula);一部分仅仅描述边缘行为（边缘分布函数）。因此，本文使用Copula来描述个体风险之间的相依结构，研究基于Copula相依结构的信度保费公式。为了数学上处理的方便，本文先只针对FGM Copulas和Normal Copulas相依结构研究信度保费公式。　　目前，信度保费研究往往局限在平方损失函数下，这也是一个不足。平方损失函数对高估和低估给予同样的惩罚。但是，在许多情形下，需要给更多（或更少）惩罚予高估而不是高估和低估给予同样惩罚的损失函数，因此需要考虑平方损失函数之外别的损失函数。在统计决策理论中，指数损失函数（Linex损失函数）也是一个重要损失函数。因此，本文也在指数损失函数下，讨论研究基于Copula相依结构的信度保费公式。　　本文着重研究的问题是:在非寿险经验费率厘定方面，对已有的广义线性混合信度模型进行改进，考虑个体风险之间的相依关系而不是保持独立性假设，并且运用Copula函数(主要是FGM Copulas和Normal Copulas)来描述它们的相依结构，进而推导出此信度模型分别在三种损失函数（平方损失函数、Entropy损失函数和指数损失函数）下的信度保费公式。全文共分七章:第一章是绪论部分，主要介绍了本文选题的背景、意义，国内外相关研究的现状综述，本文的研究内容及创新之处;第二章是信度理论与Copula的概念、理论、方法、应用等基础预备知识的介绍;第三章主要讨论分别在用Copula函数和静态随机效应描述信度模型中同一个体风险不同时间点上索赔观测值之间相依结构时各自的信度保费公式;第四章主要讨论在平方损失函数下用Copula函数描述信度模型中不同个体风险索赔观测值之间相依结构时的信度保费公式;第五章主要讨论研究在指数损失函数下用Copula函数描述信度模型中不同个体风险索赔观测值之间相依结构时的信度保费公式;第六章主要是对第四章和第五章得出的信度保费公式进行模拟分析;第七章结论与展望，给出了本文的研究结论、不足以及今后的研究方向。　　本文的主要创新点:(1) Poisson-Gamma信度模型信度保费公式的推广，以及在平方损失函数、Entropy损失函数和指数损失函数这三种损失函数下信度保费的比较分析;(2)给出了平方损失函数下贝叶斯估计的另一种全新诠释;（3）首次把Copula工具引入信度模型来研究个体风险间的相依性:推广广义线性混合信度模型，引入Copula来描述个体风险之间的相依结构，在平方损失函数下推导出信度保费公式;（4)首次在指数损失函数下给出个体风险Copula相依结构广义线性混合模型的信度保费公式:对基于Copula相依结构的广义线性混合信度模型，在指数损失函数下推导出信度保费公式。　　本文的新见解和创造性成果主要如下:　　1、风险单位数不为1的Poisson-Gamma信度模型在平方损失函数下的贝叶斯信度保费公式。　　Poisson-Gamma信度模型要求每份保单的风险单位数在不同时间点上保持不变，本文给出在不同时间点上风险单位数可任意变化的平方损失函数下的贝叶斯信度保费公式。　　2、指数损失函数下的信度保费比平方损失函数或Entropy损失函数下的信度保费调整幅度小。　　在Poisson-Gamma信度模型中，本文对平方损失函数、Entropy损失函数和指数损失函数下的信度保费进行比较分析。实证分析表明，不管是惩罚还是打折优惠，在指数损失函数且保持财务均衡条件下信度保费的调整幅度都比平方损失函数或Entropy损失函数下的幅度要小。　　3、对于平方损失函数下的贝叶斯估计结论，也可以将其解释为在对高估和低估不给予同样惩罚的损失函数下的贝叶斯估计。　　平方损失函数对高估（这时保险公司面临流失保单）和低估（这时保险公司面临经济损失）给予同样惩罚，这一特点使平方损失函数受到一定的抨击。本文研究发现，Entropy损失函数下的贝叶斯估计与平方损失函数下的贝叶斯估计相同，然而Entropy损失函数具有对高估和低估不给予同样惩罚的特点。　　4、FGM Copula相依结构广义线性混合模型在Poisson-Gamma假设下，分别得到平方损失函数和指数损失函数的贝叶斯信度保费公式。　　本文在广义线性混合模型的Poisson-Gamma假设下，运用FGM Copula刻画个体风险之间的相依结构，分别在平方损失函数和指数损失函数下得出了各自的贝叶斯信度保费公式。公式表达形式具有先验保费与调整系数的乘积形式，或者具有先验保费与调整因子的相加形式。　　5、得到广义线性混合模型在指数损失函数下的线性信度保费公式。　　已有学者对广义线性混合模型在Poisson、Normal、Gamma三种特殊情形下分别给出了平方损失函数的线性信度保费公式。本文在指数损失函数下分别给出Poisson、Normal、Gamma三种情形各自的线性信度保费公式。　　6、对于基于FGM Copula(有时增加考虑Normal Copula)相依结构的广义线性混合模型，分别得到在平方损失函数和指数损失函数下的线性信度保费公式。　　对广义线性混合模型的Poisson、Normal、Gamma三种特殊情形，本文运用FGM Copula(有时增加考虑Normal Copula)刻画个体风险之间相依结构，分别在平方损失函数和指数损失函数下得出了各自的线性信度保费公式。公式的表达形式都比较好。　　7、通过数值模拟分析，发现，本文所得到的Copula相依结构广义线性混合模型的信度保费与独立结构(独立Copula)广义线性混合模型的信度保费差异很明显。　　通过数值模拟发现，即使在不具有很强相依性的FGM Copula相依结构情形，得到的Copula相依结构广义线性混合模型的信度保费与独立结构(独立Copula)广义线性混合模型的信度保费差异很明显。如果在相依性比较强的相依结构风险模型中，可能这种差异会更大更明显。相依性对风险模型的信度保费影响相当明显，所以，在非寿险经验费率厘定中不得不考虑风险的相依性问题，这也体现了在非寿险经验费率厘定中相依性研究的重要性。