中国金融保险行业正处于快速发展时期，“做大做强保险事业”是今年保险业的主题。发展保险业的宗旨是利国利民，力求能够广泛地为生产生活提供安全保障，因而保险业的安全经营于国于民都是很重要的。目前，行业监管部门已经加大对整个行业安全方面的监管，其中很重要的方面就是对责任准备金的监管。只有在保险公司提取了充分的责任准备金后，才能应对责任事故发生后所属责任的及时给付，这也是公司安全长期经营的必要的条件。　　责任准备金包括很多类型，本文对IBNR责任准备金进行了单独讨论。IBNR责任准备金是已发生未决赔款，是由于理赔延迟造成的。保险公司必须准确估计已经签发保单的未来时间内可能的赔付情况，然后才能提取充足的合理的责任准备金。　　关于理赔数据一般是根据发生年和延展年进行记录，形成了流量三角形。本文的问题就是根据这个已知流量三角形的数据去估计为未来的理赔数据。　　关于IBNR责任准备金的估计方法有逐案法和统计方法。在统计方法中，保险公司常用链梯法。链梯法的原理是假设隔年理赔数据的比例系数是固定不变的，由此，可以先根据历史的理赔数据估计出相隔年的比例系数，然后再根据这些系数估计未来的理赔数据。　　链梯法是常用方法，但也有其局限性。它可能涉及的参数比较多（视比例系数为参数），不能进行统计意义上的分析（如不可找到其估计的置信区间等），另外，链梯法也经常低估了责任准备金。　　为了克服链梯法在估计责任准备金方面的缺陷，本文采用了统计上的回归分析的方法。在方法上这是一个很大的突破。　　回归分析方法是假定理赔数据和理赔事件的发生年和延展年之间存在着函数关系，根据历史数据确定了函数方程的参数，然后去估计未来时间的理赔数据。本文模型是一个关于理赔数据和发生年和延展年之间的对数线性带有误差项尺度参数的模型，其中关于误差项所服从的函数作了不同形式的假设（包括正态分布，对数正态分布，Weibull分布，loglogistic分布等），并分别进行回归分析。　　在参数的回归过程中，不仅要考虑已经知道的数据，也要考虑未知数据的情况（这部分称之为失效数据），因而本文采用了失效数据的回归方法——LIFEREG过程。　　LIFEREG过程是对失效时间数据拟和参数模型，参数估计是用了极大似然函数法（考虑到失效数据的似然函数）。回归过程使用SAS程序做的。　　本文的另一创新之处是对模型用MCMC模拟（马尔科夫链蒙特卡洛模拟）进行参数分析。MCMC模拟是现在广泛应用的计算机模拟技术。它采用了一种吉布斯采样的条件分布的迭代方式，经过上百万次的迭代后，参数的拟合效果相对比较不错。模拟过程使用Winbugs14软件.　　为了验证各种方法在估计IBNR责任准备金方面的优劣，文中通过一个实例进行了说明。在实例的结果分析中，从四个角度进行了解释，它们分别是AIC原则，、误差项尺度参数的大小、实例预测结果的分析、统计意义上的分析.结果表明所用的创新方法还是能显示出一定的优势的。　　另外，作为IBNR责任准备金的估计本质上是数据处理和预测的过程。为了对数据进行更有效的预测，一般会对数据进行预处理。本文尝试了从单调性角度对数据进行预处理的一个过程.　　文章的结构安排如下:　　第二章主要介绍了IBNR责任准备金和常用的链梯法。　　IBNR是一类特殊的责任准备金，是由于理赔延迟原因造成的。为了估计IBNR，保险的索赔数据会做一个特殊的处理安排，流量三角形方式是常用的。作为常用的估计IBNR的方法是链梯法，本章将对链梯法的原理作简单的介绍。　　第三章主要通过实例介绍了链梯法的具体应用和lifereg失效数据回归分析的应用。链梯法的原理中是假设相隔年的理赔数据遵循固定的流量模式，以此来估计未来的理赔数据。失效数据回归分析认为理赔数据和发生时间存在一定的函数关系，根据已知理赔数据估计参数并对将来数据进行预测。具体失效数据回归分析的原理和应用结果将在本章中介绍。（软件是SAS）　　第四章主要介绍了mcmc模拟的应用。　　Lifereg的方法采用的是极大似然函数原理进行回归分析。马尔柯夫链蒙特卡洛模拟法（mcmc模拟）采用特殊迭代原理进行回归分析，可以进行上万次的模拟，因而拟合效果相对比较好。本章对马尔科夫链蒙特卡洛模拟的具体原理和其在实例中的应用作了介绍。（软件是winbugs14）　　第五章从几个不同角度评价各种估计IBNR的方法的优劣。　　每种对IBNR估计的方法都是各有其利弊的。　　本文将从不同的角度对以上三种方法的估计结果做出评价，这些角度分别是AIC原则、关于误差项尺度系数的分析、以及关于预测结果的分析、统计角度等。　　另外，实际在对IBNR估计之前经常对数据作一个预处理，合理的预处理过程是必要的且有效的，本章也作了一个简单的尝试，将数据按照单调性进行调整后再按以上提到的三种方法进行估计。