近年来,随着我国车险业务的不断发展,车险已经成为我国财产保险的主要险种。同时车险市场也存在很多问题,国家针对这些问题多次进行商业车险改革。目前银保监会最新出台的关于《实施车险综合改革的指导意见》已经实施。此次改革在交强险和商业车险,费率和条款等诸多方面均有涉及,此次改革带来的影响是会使商业车险的基准保费价格在原来价格的基础上大幅降低。此次改革对于保险公司来说是一次难得的机遇与挑战,对于保险公司的精准定价保费的能力有了更高的要求,保险公司的自主定价能力已成为其在市场中的核心竞争力。本文研究的主要目标是构建预测车险纯保费的精算模型,提高车险纯保费预测模型的预测精度,为保险公司提供更精准的车险费率厘定方法,进一步拓宽保险公司的费率厘定方法。目前,国内外学者主要应用两种方法于车险定价模型上,一个是广义线性模型,一个是机器学习算法。对于广义线性模型在车险定价中的研究,学者致力于在传统的广义线性模型基础上进行改善,以使模型假设分布更符合实际损失数据的分布情况。对于机器学习算法在车险定价中的研究,学者致力于比较不同的机器学习算法在车险定价中的预测精度,以选取预测能力最好的机器学习算法。同时也致力于将机器学习算法与广义线性模型结合,一起应用于车险定价的预测过程中。结合目前学者的研究背景,本文进行了以下的工作。本文基于一组实际的车险损失数据,分别建立了传统的Tweeide分布下的广义线性模型和深层前馈神经网络模型,对车险纯保费进行预测。同时应用可解释的人工智能方法识别出上述建立的深层前馈神经网络模型中包含的具有交互效应的解释变量,然后将Tweedie回归模型的拟合值与具有交互效应的解释变量作为输入,再一次结合神经网络模型,构建CANN（Combined actuarial neural network approach）模型,预测精算纯保费。最后比较上述建立的Tweedie回归模型,深层前馈神经网络模型以及CANN模型的预测精度,同时作为补充,比较了 CANN模型与Tweedie回归模型在模型解释性上的差异,进一步证明本文构建的CANN模型在车险定价中的适用性。经过数据拟合验证,得出了以下结论:第一,在车险定价中,相较于广义线性模型,应用深层前馈神经网络模型对车险损失数据拟合会得到更高的损失预测精度。神经网络具有复杂的模型结构,使其相较于广义线性模型具有更高的预测精度。第二,可解释的人工智能技术应用到车险定价中,可以对构建的复杂精算模型进行解释。深层前馈神经网络模型的“黑匣子”特性,使其在车险定价中的应用受到了限制。目前可以通过可解释的人工智能技术将深层前馈神经网络模型的模型结构可视化,克服这一缺点。第三,考虑无偏性,泛化能力及模型解释合理性方面,构建的CANN模型都可作为精算模型应用于车险定价中。CANN模型的无偏性使其预测的纯保费处于平均水平。CANN模型中包含的非乘法形式的交互效应更符合各风险特征影响关系的实际情况,故其具有更高的车险损失预测精度。同时,CANN模型在解释性方面也具有合理性,进一步说明了其在车险定价中的适用性及优势性。本文有两个创新点:一是,结合Tweedie回归模型与深层前馈神经网络,构建预测车险纯保费的精算模型。本文借鉴其他学者的思想,进一步将Tweedie回归模型与深层前馈神经网络模型结合直接用来预测车险纯保费,提高了车险纯保费的预测精度。二是,在车险精算模型中,应用可解释的人工智能技术,识别神经网络中风险特征间的交互效应。用可解释的人工智能方法识别深层前馈神经网络模型的模型结构,克服神经网络模型“黑匣子”的缺点,进一步扩大神经网络在车险定价中的应用。