论文部分内容阅读
机动车保险业务是财产类保险的重要险种之一,随着我国居民机动车拥有量的逐年增加,机动车保险业务的发展也呈现上升态势,建立一个精确、合理的机动车费率厘定体系也成为各大保险公司的首要任务之一。保险费率厘定的首要步骤就是建立索赔频数分布,一般保险公司假定索赔数的分布服从泊松分布或负二项分布。而在对机动车险索赔数据进行分析的实际问题中,经常会出现零索赔数据过多的现象,这种零膨胀现象会导致计数数据不服从泊松分布或负二项分布。如果对此类零膨胀数据再应用泊松分布或负二项分布进行参数估计和统计推断就可能会得到有偏的结论。
含零过多的计数数据广泛的存在于在各个研究领域,也有很多学者对如何处理此类数据进行了研究。其中,Zero Inflated Poisson(ZIP)模型(Lambert,1992)是较常用的处理含零过多的计数数据的模型之一,郭念国于2010年对ZIP模型中零信息的处理部分进行了改良,提出了Ajusted Zero Inflated Poisson(AZIP)模型,但并未考虑有自变量因素影响的回归分析。
本文主要将泊松模型,ZIP模型以及AZIP模型分别应用到保险领域中的机动车保险业务,对一组机动车险索赔数据考虑多个影响因素进行回归分析。使用R软件和Matlab软件进行数据处理,实现参数估计和统计推断。在应用ZIP模型进行回归的过程中,分别考虑了logit(p)部分有无协变量影响的两种情况,发现对logit(p)部分考虑协变量要比不考虑协变量拟合度更好,并给出了影响零膨胀部分的合理解释。驾驶评分记录、驾驶区间、车型、车的用途、被保险人的婚姻情况、收入与性别都是影响log(λ)部分的显著因素,可以作为考虑影响机动车险索赔数的重要参考因素;学历和是否吊销过驾驶执照这两个因素对零膨胀的部分具有显著影响,为保险精算提供了有意义的参考依据。ZIP模型和AZIP模型的拟合效果要优于泊松回归模型,AZIP模型在拟合程度上优于ZIP模型,且在零点上提供了更多的信息。
通过本文的具体研究,建立了更合适的机动车险索赔数据模型,给出了影响索赔数的显著因素,为保险精算费率厘定提供了更好的解决方案。