《汽車(chē)保險(xiǎn)費(fèi)率厘定中的風(fēng)險(xiǎn)因素探討14000字》

[19]。泊松回歸模型的結(jié)構(gòu)如下（連接函數(shù)為對(duì)數(shù)函數(shù)）：(11)泊松回歸混合效應(yīng)模型結(jié)構(gòu)如下（連接函數(shù)為對(duì)數(shù)函數(shù)）：(12)伽馬回歸模型的結(jié)構(gòu)如下（連接函數(shù)為對(duì)數(shù)函數(shù)）：(13)伽馬回歸混合效應(yīng)模型結(jié)構(gòu)如下（連接函數(shù)為對(duì)數(shù)函數(shù)）(林怡寧,劉錦程,2020)：(14)4實(shí)證分析4.1數(shù)據(jù)描述性分析本研究采用的是某家財(cái)產(chǎn)保險(xiǎn)公司的汽車(chē)保險(xiǎn)數(shù)據(jù)，數(shù)據(jù)包含12873個(gè)案例，9個(gè)變量，type（保單類(lèi)型）5類(lèi)，gender（駕駛?cè)诵詣e）兩類(lèi)，vage（車(chē)齡）10類(lèi)，ageg（駕駛?cè)四挲g分組）7類(lèi)，region（車(chē)輛所處地區(qū)）5類(lèi)，age（駕駛?cè)四挲g），ee（車(chē)年數(shù)），num（索賠次數(shù)），cost（累積賠付總額）。為將駕駛?cè)四挲g做分類(lèi)變量處理，將其分組得到駕駛?cè)四挲g分組(呂思維,孫楠楠,2020)。這在某種程度上傳達(dá)接下來(lái)對(duì)變量進(jìn)行介紹：（1）type（保單類(lèi)型）表4-1Type頻率百分比索賠次數(shù)總和車(chē)年數(shù)總和賠付額總和ABCDE379149133982668252529.43.826.420.719.6542234509433954179531532971324.88056839.21949590.82327083.94925804.834108063056.96111333835.1768466549.4031430831.1624919370.74圖3表4-1展示了數(shù)據(jù)中保單類(lèi)型的基本情況，可以看出A類(lèi)占比29.4%，B類(lèi)占比3.8%，C類(lèi)占比26.4%，D類(lèi)占比20.7%，E類(lèi)占比19.6%，樣本占比情況A類(lèi)>C類(lèi)>D類(lèi)>E類(lèi)>B類(lèi)(葉子璇,陳浩然,2020)。圖3是保單類(lèi)型不同類(lèi)型下的索賠頻率和索賠強(qiáng)度分布圖，可以看出不同的保單類(lèi)型對(duì)索賠頻率和索賠強(qiáng)度的影響程度都不同，其中B類(lèi)保單的索賠頻率和索賠強(qiáng)度最高，從這些反應(yīng)可以察覺(jué)說(shuō)明選擇B類(lèi)保單的更容易發(fā)生保險(xiǎn)索賠，依次是A類(lèi)、C類(lèi)、D類(lèi)、E類(lèi)。（2）gender（駕駛?cè)诵詣e）表4-2Gender頻率百分比索賠次數(shù)總和車(chē)年數(shù)總和賠付額總和FM5515735842.857.25000611654769374.36161269.30102396601.71241817041.72圖4表4-2展示了駕駛員性別的樣本占比情況，女性（F）占比42.8%，男性（M）占比57.2%。圖3是性別變量的索賠頻率和索賠強(qiáng)度分布圖，在這種狀態(tài)下可以看出不同的性別對(duì)索賠頻率和索賠強(qiáng)度的影響不同，可以看出無(wú)論是索賠頻率還是索賠強(qiáng)度，男性的出險(xiǎn)率都高于女性(唐佳怡,戴銘杰,2020)。本研究有效地將理論與實(shí)際相結(jié)合，為所研究的問(wèn)題提供了穩(wěn)固的解答，并為后續(xù)研究開(kāi)拓了新的探索空間和思考維度。通過(guò)實(shí)證分析、案例分析及多樣研究手段，本文不僅驗(yàn)證了理論預(yù)設(shè)的合理性，還揭示了實(shí)踐中的核心要素及其作用路徑。這一結(jié)合不僅提升了本文對(duì)問(wèn)題本質(zhì)的認(rèn)知深度，也為相關(guān)領(lǐng)域的學(xué)者提供了可借鑒的研究范式和框架。后續(xù)研究可以在此基礎(chǔ)上進(jìn)一步挖掘問(wèn)題的深層次根源、擴(kuò)大應(yīng)用范圍或提出更為精細(xì)化的解決方案，共同促進(jìn)該領(lǐng)域知識(shí)的豐富與發(fā)展。（3）region（車(chē)輛所處地區(qū)）表4-3Region頻率百分比索賠次數(shù)總和車(chē)年數(shù)總和賠付額總和BJCQSHSZTJ3710184928272399208828.814.42218.616.212855260201669397365552171048.0849557.76926759.16913618.7289659.955265931877.0811065762.9934107851.4619448292.8813659859.02圖5表4-3展示了車(chē)輛所處地區(qū)的樣本占比情況，分別為北京（BJ）占比28.8%，重慶（CQ）占比為14.4%，上海（SH）占比為22%，深圳（SZ）占比為18.6%，天津（TJ）占比為16.2%，北京>上海>深圳>天津>重慶。圖5是車(chē)輛所處地區(qū)變量的索賠頻率和索賠強(qiáng)度分布圖，在此類(lèi)場(chǎng)景下可以看出不同的地區(qū)也會(huì)有不同的影響程度，北京地區(qū)的車(chē)輛索賠的頻率最高，依次是深圳、重慶、上海、天津，但是天津地區(qū)的車(chē)輛的索賠強(qiáng)度最高，依次是北京、上海、深圳、重慶(朱晨曦,周雅麗,2020)。（4）vage（車(chē)齡）表4-4Vage頻率百分比索賠次數(shù)總和車(chē)年數(shù)總和賠付額總和12345678910141713031605156815081418127811098857821110.112.512.211.7119.98.66.96.1718012092918066152511216910238842552062531193795723.35631071.30025312.09221550.43716211.39713953.77411455.7427713.1053929.2583723.244171656518.0943826610.1934200050.9727346022.6221482579.7016238376.6014159188.718046392.144163850.493094053.92圖6表4-4展示了車(chē)齡樣本占比情況，車(chē)齡取值為1年至10年，占比較多的為車(chē)齡是3至5年的(郭瑾萱,曾鵬飛,2020)。圖6是車(chē)齡變量的索賠頻率和索賠強(qiáng)度分布圖，可以看出，車(chē)齡為1年和5至6年的索賠頻率較多，在這樣的背景下大體呈下降趨勢(shì)，而索賠強(qiáng)度可以看出隨著車(chē)齡的增大也有下降的趨勢(shì)。為奠定一個(gè)堅(jiān)實(shí)的研究基礎(chǔ)，本文首先廣泛搜集并詳細(xì)審閱了國(guó)內(nèi)外相關(guān)領(lǐng)域的經(jīng)典與最新文獻(xiàn)。這不僅全面梳理了研究問(wèn)題的歷史沿革、理論框架及當(dāng)前研究熱點(diǎn)，還為本文的研究定位提供了清晰的指引。通過(guò)這一步驟，本文識(shí)別出了前人研究的不足之處與待探索的領(lǐng)域，從而明確了本研究的創(chuàng)新點(diǎn)與貢獻(xiàn)所在。同時(shí)，廣泛的文獻(xiàn)審閱還加深了對(duì)相關(guān)理論的認(rèn)知，為后續(xù)理論模型的構(gòu)建、假設(shè)的提出及實(shí)證分析打下了堅(jiān)實(shí)基礎(chǔ)。（5）ageg（駕駛?cè)四挲g分組）表4-5Ageg頻率百分比索賠次數(shù)總和車(chē)年數(shù)總和賠付額總和1234567262994133531513246258812972.07.710.424.525.220.110.11015116823057362535413601662127671197.36213834.54139165.29486006.13161140.50725132.5094167.3613254827.1828732641.7061892827.80126673759.2688438655.6230508019.094712912.78圖7表4-5展示了駕駛?cè)四挲g分組情況，其中取值1表示“age≤20歲”占比2%，2表示“21~25歲”占比7.7%，3表示“26~30歲”占比10.4%，4表示“31~40歲”占比24.5%，5表示“41~50歲”25.2%，6表示“51~60歲”20.1%，7表示“age≥61歲”占比10.1%。這些事件預(yù)示著一些未來(lái)的可能性其中樣本占比較多的駕駛?cè)四挲g集中在在31歲至60歲之間。圖7為這一變量的索賠頻率和索賠強(qiáng)度分布圖，可以看出兩者大體上都隨著駕駛?cè)四挲g的增大而有所下降(何詩(shī)穎,王偉杰,2020)。（6）num（索賠次數(shù)）和cost（累積賠付總額）表4-6統(tǒng)計(jì)numcost平均值12.9426739.19中位數(shù)22762.5眾數(shù)00標(biāo)準(zhǔn)差47.202115357.4方差2228.0231.33E+10偏度12.34212.607偏度標(biāo)準(zhǔn)誤差0.0220.022峰度210.137202.525峰度標(biāo)準(zhǔn)誤差0.0430.043最小值00最大值11812667565從索賠次數(shù)和賠付額的數(shù)據(jù)情況，可以看出索賠頻率和索賠強(qiáng)度的分布情況，首先，從表4-6中可以看出索賠次數(shù)和賠付額的方差也遠(yuǎn)大于零，在此類(lèi)條件下說(shuō)明數(shù)據(jù)分布的離散程度很大，其次，索賠次數(shù)和索賠頻率的偏度明顯大于零，而且平均值都大于中位數(shù)，而中位數(shù)又大于眾數(shù)，在這等情況下這都在說(shuō)明數(shù)據(jù)的分布呈現(xiàn)一個(gè)右偏的狀態(tài)，不符合正態(tài)分布，兩者的峰度也明顯大于正態(tài)分布的峰度（正態(tài)分布的峰度為常數(shù)3），說(shuō)明數(shù)據(jù)分布陡峭，因此在對(duì)數(shù)據(jù)進(jìn)行分布假設(shè)時(shí)就不能假設(shè)其服從正態(tài)分布，可以根據(jù)數(shù)據(jù)特點(diǎn)假設(shè)其服從指數(shù)分布族中的泊松分布、負(fù)二項(xiàng)分布或伽馬分布等等（林澤,王曉宇,2022)。4.2索賠頻率預(yù)測(cè)模型表4-7變量水平typeA、B、C、D、EgenderF、Mvage1、2、3、4、5、6、7、8、9、10ageg1、2、3、4、5、6、7regionBJ、CQ、SH、SZ、TJ表4-7是風(fēng)險(xiǎn)因子的水平示意圖，以前四個(gè)因子建立廣義線性索賠頻率模型，參數(shù)共有5+2+10+7=24個(gè)，模型構(gòu)建如下：(15)其中，λi表示索賠次數(shù)，ei表示車(chē)年數(shù)，β0表示截距，β1。。。β24表示24個(gè)水平的估計(jì)參數(shù)，xi1…xi24表示24個(gè)水平因子(劉雪梅,陳雅婷,2023)。將地區(qū)作為隨機(jī)效應(yīng)構(gòu)建廣義線性混合索賠頻率模型，這在某種程度上傳達(dá)固定效應(yīng)參數(shù)有24個(gè)，隨機(jī)效應(yīng)參數(shù)有5個(gè)，模型構(gòu)建如下(趙雅靜,陳昊然,2021)：(16)其中，λi表示索賠次數(shù)，ei表示車(chē)年數(shù)，β0表示截距，β1。。。β24表示2固定效應(yīng)的估計(jì)參數(shù)，α1…α5表示隨機(jī)效應(yīng)的估計(jì)參數(shù)。用R軟件實(shí)現(xiàn)模型的構(gòu)建，輸出兩個(gè)模型的一系列結(jié)果如下：表4-8模型AICBICmod1mod251963.8950928.5952120.6151092.78在這種狀態(tài)下表4-8中mod1為建立的廣義線性模型，mod2為廣義線性混合模型，可以看出，加入了隨機(jī)效應(yīng)后，模型的AIC值和BIC值都小于廣義線性模型，說(shuō)明這一隨機(jī)效應(yīng)能夠使模型對(duì)數(shù)據(jù)進(jìn)行擬合更為精準(zhǔn)(周彥宏,楊澤華,2021)。表4-9Anova檢驗(yàn)VariableChisqDfPr(>Chisq)type1292.0364<2.2e-16***gender8.02310.004619**vage592.5319<2.2e-16***ageg523.1436<2.2e-16***注：顯著性0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1，‘*’、‘**’、‘***’代表不同程度的顯著表4-9是廣義線性混合模型的Anova檢驗(yàn)結(jié)果，可以看出保單類(lèi)型、駕駛?cè)诵詣e、車(chē)齡和駕駛?cè)四挲g這四個(gè)因子的P值均小于0.05，從“*”符號(hào)也可以看出四個(gè)因子均有很好的顯著性，代表因子對(duì)模型有統(tǒng)計(jì)意義，因此不需要對(duì)模型進(jìn)行變量的剔除，接下來(lái)輸出模型結(jié)果(高麗娟,唐慧敏,2020)：表4-10隨機(jī)效應(yīng)GroupsNameEstimateVarianceStd.Dev.region(Intercept)0.0089810.09477BJ0.14009253CQ-0.04934012SH-0.06291208SZ0.08100361TJ-0.10859552表4-11固定效應(yīng)VariableEstimateStd.ErrorzvaluePr(>|z|)(Intercept)-0.3274580.053412-6.1318.74e-10***typeB0.0878600.00827910.613<2e-16***typeC-0.1020100.006980-14.614<2e-16***typeD-0.1642230.008958-18.332<2e-16***typeE-0.2878070.009814-29.327<2e-16***genderM0.0152370.0053802.8320.004619**vage20.0191060.0094032.0320.042177*vage30.1100700.01007510.925<2e-16***vage40.1318010.01059612.439<2e-16***vage50.1947700.01138817.103<2e-16***vage60.1586960.01201513.208<2e-16***vage70.1522900.01286811.835<2e-16***vage80.0729170.0155064.7032.57e-06***vage90.0298940.0210791.4180.156134vage10-0.1082890.024186-4.4777.56e-06***ageg20.0131480.0327320.4020.687926ageg3-0.0565760.031936-1.7720.076472.ageg4-0.1144270.031701-3.6100.000307***ageg5-0.1733070.031858-5.4405.33e-08***ageg6-0.1912690.032425-5.8993.66e-09***ageg7-0.1875640.036794-5.0983.44e-07***注：顯著性0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1，‘*’、‘**’、‘***’代表不同程度的顯著從上述結(jié)果輸出了隨機(jī)效應(yīng)和固定效應(yīng)的參數(shù)估計(jì)值，可以看出變量水平vage9、ageg2、ageg3的P值不顯著，對(duì)模型效果沒(méi)有太大的意義，但是其他變量都呈不同水平的顯著，總的來(lái)說(shuō)影響不大，可以采用此模型(趙子墨,孫銘遠(yuǎn),2020)。接下來(lái)進(jìn)行模型的檢驗(yàn)：圖8圖8中右圖橫軸為模型的預(yù)測(cè)值，縱軸為殘差，可以看出大多數(shù)的點(diǎn)是落在零值附近的，左圖為模型的Q-Q圖，在此類(lèi)場(chǎng)景下可以看出其近似服從正態(tài)分布，說(shuō)明模型的擬合效果較好(宋璐瑤,范雨彤,2020)。本文融合了前人對(duì)該主題的研究成果，豐富了研究的維度。首先，通過(guò)對(duì)現(xiàn)有文獻(xiàn)中的關(guān)鍵理論與實(shí)證資料的系統(tǒng)梳理與綜合分析，本文明確了該領(lǐng)域的主要研究趨勢(shì)、爭(zhēng)議議題及亟需解答的問(wèn)題。這一過(guò)程不僅幫助本文構(gòu)建了更為全面的研究藍(lán)圖，還為后續(xù)假設(shè)的提出、變量的定義及研究策略的選擇提供了堅(jiān)實(shí)的理論根基。借助前人的積淀，本文的研究得以更深入地觸及該主題的未知領(lǐng)域，為學(xué)術(shù)界和實(shí)踐界帶來(lái)新的思考和啟示。4.3索賠強(qiáng)度預(yù)測(cè)模型建立索賠強(qiáng)度預(yù)測(cè)模型，以索賠強(qiáng)度即cost與num之比為因變量，假設(shè)其服從伽馬分布，以type（保單類(lèi)型）、gender（駕駛?cè)诵詣e）、vage（車(chē)齡）、ageg（駕駛?cè)四挲g分組）為自變量的廣義線性模型，然后以region（車(chē)輛所處地區(qū)）作為隨機(jī)效應(yīng)加入模型建立廣義線性混合模型(田博文,韓振宇,2020)。廣義線性索賠強(qiáng)度模型構(gòu)建如下：(17)在這樣的背景下其中，μi表示索賠強(qiáng)度，β0表示截距，β1。。。β24表示24個(gè)水平的估計(jì)參數(shù)，α1…α5表示隨機(jī)效應(yīng)參數(shù)，xi1…xi24表示24個(gè)水平因子。將地區(qū)作為隨機(jī)效應(yīng)構(gòu)建廣義線性混合索賠頻率模型，固定效應(yīng)參數(shù)有24個(gè)，隨機(jī)效應(yīng)參數(shù)有5個(gè)，模型構(gòu)建如下(鄧雅芳,羅志強(qiáng),2020)：(18)其中，μi表示索賠強(qiáng)度，β0表示截距，β1。。。β24表示2固定效應(yīng)的估計(jì)參數(shù)，α1…α5表示隨機(jī)效應(yīng)的估計(jì)參數(shù)。用R軟件實(shí)現(xiàn)模型的構(gòu)建，結(jié)果如下：表4-12模型AICBICmod3mod42717963271579827181202715962從表4-10可以看出，這些事件預(yù)示著一些未來(lái)的可能性加入隨機(jī)效應(yīng)后，模型的AIC值和BIC值都有變小，因此模型的效果要比原來(lái)的好一些。表4-13Anova檢驗(yàn)VariableChisqDfPr(>Chisq)type1416.304<2.2e-16***gender212.721<2.2e-16***vage7108.679<2.2e-16***ageg3342.226<2.2e-16***注：顯著性0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1，‘*’、‘**’、‘***’代表不同程度的顯著表4-11中，可以看出四個(gè)因子都顯著，說(shuō)明這四個(gè)因子都不需要再剔除，接下來(lái)輸出模型的結(jié)果：表4-14隨機(jī)效應(yīng)GroupsNameEstimateVarianceStd.Dev.region(Intercept)0.14140.376BJ0.001215542CQ-0.174385225SH-0.013377902SZ-0.020004394TJ0.205341779表4-15固定效應(yīng)VariableEstimateStd.ErrortvaluePr(>|z|)(Intercept)8.0409680.057859138.974<2e-16***typeB0.0889150.00372023.902<2e-16***typeC-0.0062800.003102-2.0250.0429*typeD-0.0796410.003952-20.154<2e-16***typeE-0.0877290.004336-20.234<2e-16***genderM0.0347030.00237914.585<2e-16***vage2-0.0580960.004172-13.925<2e-16***vage3-0.1531150.004454-34.377<2e-16***vage4-0.2030500.004707-43.138<2e-16***vage5-0.2172980.005041-43.102<2e-16***vage6-0.3290020.005302-62.054<2e-16***vage7-0.2727540.005668-48.120<2e-16***vage8-0.3522780.006839-51.508<2e-16***vage9-0.2858210.009327-30.645<2e-16***vage10-0.2876410.010714-26.846<2e-16***ageg2-0.2285960.014483-15.784<2e-16***ageg3-0.3941390.014132-27.890<2e-16***ageg4-0.3574890.014025-25.490<2e-16***ageg5-0.2821010.014090-20.022<2e-16***ageg6-0.4102530.014351-28.587<2e-16***ageg7-0.4939180.016275-30.349<2e-16***注：顯著性0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1，‘*’、‘**’、‘***’代表不同程度的顯著從上述結(jié)果輸出了隨機(jī)效應(yīng)的估計(jì)值，以及固定效應(yīng)的估計(jì)值和顯著性，可以看出，在此類(lèi)條件下每個(gè)因子的不同水平都是顯著的，說(shuō)明模型擬合效果好，可以采用此模型。分析表4-15接下來(lái)進(jìn)行模型的檢驗(yàn)：圖9圖9中右圖橫軸為模型的預(yù)測(cè)值，縱軸為殘差，在此類(lèi)設(shè)置中可以看出大多數(shù)的點(diǎn)是落在零值附近的，說(shuō)明擬合效果較好，左圖為模型的Q-Q圖，可以看出其兩端偏離對(duì)角線，只有中間一部分在對(duì)角線附近，說(shuō)明其對(duì)部分?jǐn)?shù)據(jù)的擬合效果不是很好(鄭志剛,馬興華,2020)。4.4純保費(fèi)預(yù)測(cè)模型純保費(fèi)可以通過(guò)索賠頻率與索賠強(qiáng)度的乘積計(jì)算得出，則純保費(fèi)的參數(shù)估計(jì)如下：表4-16VariableEstimateVariableEstimate(Intercept)7.71351ageg2-0.215448typeB0.176775ageg3-0.450715typeC-0.10829ageg4-0.471916typeD-0.243864ageg5-0.455408typeE-0.375536ageg6-0.601522genderM0.04994ageg7-0.681482vage2-0.03899BJ0.141308072vage3-0.043045CQ-0.223725345vage4-0.071249SH-0.076289982vage5-0.022528SZ0.060999216vage6-0.170306TJ0.096746259vage7-0.120464vage8-0.279361vage9-0.255927vage10-0.39593-5總結(jié)本文分析了汽車(chē)索賠的純保費(fèi)的計(jì)算原理，介紹了廣義線性模型和廣義線性混合模型的結(jié)構(gòu)，以某財(cái)產(chǎn)公司的車(chē)險(xiǎn)數(shù)據(jù)為例，建立了索賠頻率模型、索賠強(qiáng)度模型，通過(guò)建模結(jié)果可以得到以下結(jié)論：（1）以保單類(lèi)型A、駕駛?cè)诵詣e女、車(chē)齡1年、駕駛?cè)四挲g第1組為風(fēng)險(xiǎn)基準(zhǔn)類(lèi)別，在索賠頻率和索賠強(qiáng)度模型中，在這等情況下保單類(lèi)型、駕駛?cè)诵詣e、車(chē)齡、駕駛?cè)四挲g的不同水平均能夠影響索賠頻率和索賠強(qiáng)度，從而影響純保費(fèi)。（2）在索賠頻率預(yù)測(cè)模型中，保單類(lèi)型B、C、D、E對(duì)索賠頻率的影響程度是逐漸減小的，性別對(duì)索賠頻率呈正相關(guān)影響，車(chē)齡對(duì)索賠頻率也呈正相關(guān)影響，其中，車(chē)齡為5年的影響程度最大，從這些反應(yīng)可以察覺(jué)駕駛?cè)四挲g分組中，年齡分組為2和3的顯著性都不高，在50歲至60歲的年齡分段的駕駛?cè)藢?duì)索賠頻率的影響程度最小，在這一階段的駕駛?cè)?，也許是因?yàn)轳{駛經(jīng)驗(yàn)豐富，處事沉穩(wěn)，因而發(fā)生索賠的概率相對(duì)較小。（3）在索賠強(qiáng)度預(yù)測(cè)模型中，除了保單類(lèi)型B和駕駛?cè)诵詣e對(duì)索賠強(qiáng)度的影響是正相關(guān)外，其余變量水平都呈負(fù)相關(guān)，車(chē)齡為8年的對(duì)索賠強(qiáng)度的影響是最小的，駕駛?cè)说哪挲g在60歲以上的對(duì)索賠強(qiáng)度的影響最小。（4）所得的純保費(fèi)模型是由索賠頻率與索賠強(qiáng)度的乘積得到的，由于在模型檢驗(yàn)時(shí)索賠強(qiáng)度的擬合效果不佳，在此類(lèi)場(chǎng)景下會(huì)對(duì)純保費(fèi)模型產(chǎn)生影響，得出得純保費(fèi)模型存在一定誤差。（5）對(duì)模型加入隨機(jī)效應(yīng)后，索賠頻率與索賠強(qiáng)度模型的因子顯著性有明顯提高，參數(shù)效果更為顯著，模型擬合更加精準(zhǔn)，說(shuō)明廣義線性混合模型較廣義線性模型更適合用來(lái)擬合數(shù)據(jù)。參考文獻(xiàn)林澤,王曉宇.中國(guó)保險(xiǎn)汽車(chē)安全指數(shù)分析[J].機(jī)械,2022,47(03):44-50.劉雪梅,陳雅婷.增長(zhǎng)乏力生存空間被擠壓中小險(xiǎn)企如何實(shí)現(xiàn)突圍[N].金融時(shí)報(bào),2023-03-30(010)HabermanS.,RenshawA.E..GeneralizedLinearModelsinActuarialWork[J].JournaloftheStapleInnActuarialSociety,1990,32.MihaelaDavid.AutoInsurancePremiumCalculationUsingGeneralizedLinearModels[J].ProcediaEconomicsandFinance,2015,20.GilenkoEvgeniiV.,MironovaElenaA..Modernclaimfrequencyandclaimseveritymodels:AnapplicationtotheRussianmotorowndamageinsurancemarket[J].CogentEconomics&Finance,2017,5(1).張弘毅,李俊杰.廣義線性模型在汽車(chē)保險(xiǎn)定價(jià)的應(yīng)用[J].數(shù)理統(tǒng)計(jì)與管理,2021,(01):24-29.周彥宏,楊澤華.廣義線性模型在機(jī)動(dòng)車(chē)輛保險(xiǎn)費(fèi)率厘定中的應(yīng)用研究[D].西南財(cái)經(jīng)大學(xué),2021.高麗娟,唐慧敏.基于廣義線性模型的車(chē)險(xiǎn)分類(lèi)費(fèi)率厘定研究[J].保險(xiǎn)研究,2013,(09):43-56+85.趙子墨,孫銘遠(yuǎn).廣義線性模型在車(chē)險(xiǎn)精算定價(jià)中的實(shí)證研究[J].內(nèi)燃機(jī)與配件,2018,(15):184-187.宋璐瑤,范雨彤.廣義線性模型在車(chē)險(xiǎn)索賠頻率預(yù)測(cè)中的應(yīng)用及模型改進(jìn)[J].信息系統(tǒng)工程,2021(12):122-127.田博文,韓振宇.基于廣義線性混合模型的未決賠款準(zhǔn)備金的評(píng)估[D].山東大學(xué),2015.鄧雅芳,羅志強(qiáng).車(chē)險(xiǎn)費(fèi)率厘定的索賠概率預(yù)測(cè)模型及其比較分析[J].河北工業(yè)大學(xué)學(xué)報(bào),2017,46(03):56-62.鄭志剛,馬興華.廣義線性混合模型在保險(xiǎn)索賠中的應(yīng)用及R實(shí)現(xiàn)[J].江西財(cái)經(jīng)大學(xué)學(xué)報(bào),2013(04):48-58.王嘉彭,吳建平.C保險(xiǎn)公司車(chē)險(xiǎn)理賠風(fēng)險(xiǎn)管理研究[D].東北農(nóng)業(yè)大學(xué),2021.李俊熙,陳志恒.基于廣義線性模型的新能源汽車(chē)保險(xiǎn)費(fèi)率厘定研究[D].山東大學(xué),2020.孫宇翔,高雪琴.淺談汽車(chē)保險(xiǎn)費(fèi)率的確定[J].汽車(chē)實(shí)用技術(shù),2018,(24):151-153.張婷文,劉澤洋.線性模型與廣義