依据全量数据实现精确的寿险定价及费用分析

传统的保险精算定价依赖保险行业数据，甚至是保险公司内部的数据。如非寿险精算中重要的定价依据保额损失率，是指单位保险金额的赔偿率，它和保险事故发生的频率、保险事故的损毁率、保险标的的损毁程度、受灾保险标的的平均保险额与全部保险标的平均保险额的比率有关，这些指标和保险公司过往的经验数据密切相关。再如寿险中经常使用的生命表是根据被保险人实际的死亡统计资料编制的经验生命表。采用内部数据固然是考虑了被保险人的特殊性，在一定程度上有利于防止逆向选择的发生，然而在全面互联互通和智能化深入的大数据时代，精算定价的基础可能会发生根本性的变化，就如我们早就知道即使是使用经验生命表，最终被保险人的死亡风险还是会和非被保险人的归于一致。大数据在精算定价中的应用核心就是从样本精算过渡到全量精算。当保险公司承保的范围越来越广，对个体保险标的的信息掌握得越来越多，我们就可以依据全面数据进行更准确的预测。

曾经有人做过研究，以30 岁的人投保不同年限寿险应缴单位净保费为例将传统定价与大数据定价进行比较。这项研究将寿险产品定价所依据的数据扩展到保险公司包括整个业务部门、核保核赔部门等在内的全部部门以及加上了来自《中国人口与就业统计年鉴》的国家统计数据。其中，公司内部数据是经过唯一的ID链接形成的一个海量数据库。研究采用了Lee-Cater以及MDM两种模型进行定价比较，结果两种模型所计算出来的定价结果均低于传统定价。以30 岁人投保1 年期定期寿险应缴单位净保费为例，Lee-Cater、MDM和传统定价分别为0.186 8、0.181 3 和0.253 9。不仅如此，该研究进一步地将数据拓展，在原有数据基础上加入保险公司的健康险数据以及合作医院的跟踪数据。测算出非健康群体的分疾病种类、分年龄段的发病率和死亡率情况。据此可以对非健康群体进行寿险定价。

随着基本的物质生活得到满足，人们对健康越来越重视。社会医疗保险是政府提供的基本医疗风险保障，当参保者患病时给予医疗费用的补贴或报销。社会医疗保险有报销比例，且有报销目录，并非参保者所有的医疗费用都能得到报销。商业健康保险可以作为补充，为患者提供医保以外的经济支持。针对疾病，商业保险有两种常见的支持形式，一种是报销型，一种是给付型。报销型是以实际发生的医疗费用为限，报销医保所未能报销的部分。给付型不考虑实际费用大小，凡是达到规定的疾病条件直接按保险金额给付。对一些重大疾病，患者可能会使用一些疗效更好但不在医保报销范围内的进口药品，以肿瘤类重大疾病为例，医保的报销范围通常不包括现今市场上疗效显著但价格昂贵的靶向型生物制剂。这本为商业保险提供了广阔的发展空间，然而市面上对重大疾病的保险通常是给付型的，报销型的比较少见，原因在于保险公司缺乏治疗重大疾病实际费用的数据，以至于难以对产品进行设计和定价。虽然因重大疾病而产生的医疗费用一般的商业医疗保险也可以报销，但重大疾病花费高，往往大大超过一般疾病的医疗费用。造成的后果是客户如果想要负担起重大疾病所带来的高昂费用，只能选择给付型的重大疾病保险。通过分析挖掘重大疾病相关数据可以帮助保险公司解决这一难题。以乳腺癌为例，乳腺癌的治疗方案与医疗费用可能与癌症的类型、家庭经济状况、患者所在城市等因素有关。调取各个城市关于乳腺癌的病例数据进行全面分析，就可以找到乳腺癌治疗费用的数据分布，找出与费用密切关联的因素。我们会发现与乳腺癌的治疗方案和医疗费用最相关的是癌症的类型：原位癌以手术为主，辅以激素治疗，费用相对较低；Ⅰ—Ⅲ期患者的治疗除手术外需辅以相应的化疗，费用会大大增加；Ⅳ期患者的治疗方案以化疗、放疗为主，所需费用则更高。掌握了重大疾病治疗的费用分布，再结合不同年龄群体的发病率及疾病演变信息，就可以为设计报销型的重大疾病保险打下基础。

只要有足够的数据，就可能实现对被保险人更精准的定价，对以往无法承保的风险进行定价。保险公司在定价上要充分利用所掌握的全部数据，让每个部门的数据都发挥作用，同时还应该加强数据合作，不仅要重视本行业的数据积累，还应挖掘其他行业的数据价值，以获得更大的定价空间。具体来说，保险公司在挖掘数据上要做到以下几个转变：

样本数据到总体数据的转变。传统精算定价的基础是样本数据，选取有代表性的样本来反映被调查对象的特征。这种抽样模式不可避免地会受到抽样者主观的影响，也可能会遗漏一些重要的数据。大数据时代下，获取总体数据具有了可能性。利用总体数据能够无偏地对被调查对象进行分析。(www.xing528.com)

内部数据到外部数据的转变。保险公司的产品定价主要依据承保的风险数据和理赔的损失数据，这些数据多是从保险行业内部累积得来的，然而这些数据对全面观察个体风险是不足的，而外部数据可能提供更丰富的风险视角。将来外部数据在保险精算中可能占据的比例会越来越大，为保险产品的精准定价提供支持。

历史数据到实时数据的转变。在互联网发展起来之前，要想获得实时数据是很困难的，保险精算也依据过往损失数据来进行定价。1980 年我国恢复寿险业务后由于没有过去寿险经营的经验数据可以遵循，在很长一段时间里寿险费率的厘定和责任准备金的计算所用的死亡率都是借助日本的生命表数据。直到1995 年7 月中国人民保险公司才受托编制完成了“中国人寿保险业经验生命表（1990—1993）”，这一张表一直使用到2005 年底“中国人寿保险业经验生命表（2000—2003）”发布。又经过了10 年，我国保险业第三张生命表“中国人身保险业经验生命表（2010—2013）”于2016 年12 月发布。随着人民生活水平、医疗水平的提高，以及保险公司个人保险业务核保制度的完善，寿险业务被保险人群体的死亡率会发生较大的变化，如果不及时更新数据，就会导致定价不准确，要么保险公司面临亏损，要么被保险人遭遇保费不公平。在大数据时代，数据的实时获得得以实现，保险的经营数据也可以得到实时回馈，能够展开更准确的预测和定价。同时，由于数据处理技术的提高，能够保障数据的质量。我国第三张生命表编制时总共收集了3.4 亿张保单、185 万条赔案数据，覆盖了1.8 亿人口，全部理赔数据中95%的清洗工作依靠计算机程序自动完成，准确率高于97%，保证了数据质量和处理效率。

简单数据形态向多维数据形态转变。传统的精算数据主要采用时间序列数据、截面数据或者面板数据等结构化数据，这些简单的数据形态限制了定价的基础。大数据时代下的精算定价可以建立在更加丰富的数据维度上。不仅要考虑时间、空间数据，还要考虑个体行为等非结构化数据。来自互联网上的文字、图片或者视频信息都可能成为定价的依据。有了更丰富的数据维度视角，即使降低数据质量要求，也能更准确地刻画研究对象。