1. 项目概述从一道赛题看保险定价的数理逻辑2011年认证杯数学建模C题题目“你的爱车入保险了吗”对于很多初次接触数学建模的同学来说可能觉得这只是一个关于保险的简单应用题。但当你真正深入进去会发现它像一把钥匙打开了一扇通往精算科学、风险量化和商业决策的大门。这道题的核心远不止于计算一个保费数字而是要求我们构建一个模型去模拟和量化“风险”这个既抽象又极其关键的概念。风险如何定价保险公司凭什么给不同的车、不同的人定出不同的保费这背后是一整套基于概率论、统计学和数据分析的严谨逻辑。通过SPSS或类似的SPSSPRO这类工具我们可以将现实世界中杂乱无章的出险数据转化为清晰的数学语言和决策依据。这篇文章我就结合自己多年指导建模和数据分析的经验来深度拆解这道经典赛题的全过程不仅还原解题步骤更重点剖析其背后的商业逻辑和建模思想让你下次遇到类似的风险评估、定价优化问题时能有一个清晰的解决框架。2. 第一阶段赛题核心需求与问题拆解拿到赛题第一步永远是仔细审题明确我们要解决的具体是什么问题。2011年这道C题通常会给出一段背景描述和一些具体的数据可能是模拟的或简化的真实数据其核心需求一般围绕车险定价的几个关键要素展开。2.1 核心问题解析题目不会直接让你去查现在的保险费率表而是会提供一个数据集。这个数据集通常包含多辆样本车辆的属性信息以及它们在过去一段时间比如一年内的出险记录。属性可能包括但不限于车辆本身属性车龄、车型家用轿车、SUV等、新车购置价。车主/使用属性驾驶员年龄、驾龄、年行驶里程、主要行驶区域城市、郊区。历史风险记录上一年度出险次数、累计赔付金额。基于这些数据题目要求我们完成的任务可能包括风险因子分析与量化找出哪些因素车龄、驾驶员年龄等与车辆出险的概率或赔付金额显著相关。这是建模的基础需要用到统计检验如卡方检验、t检验、方差分析和相关分析。建立风险预测模型构建一个数学模型用于预测一辆给定属性的车辆在未来一年内发生保险事故的概率出险概率以及一旦出险预期的平均损失金额案均赔款。纯保费计算根据“纯保费 出险概率 × 案均赔款”的基本原理计算每辆样本车或新车的理论纯保费。纯保费是用于覆盖未来预期赔款的成本不含保险公司运营费用和利润。费率厘定与方案设计在纯保费的基础上考虑附加费用如运营成本、佣金、税费和合理利润设计一个分级费率表。例如如何根据风险评分对不同风险等级的车主收取差异化的保费。模型评估与优化评估你所建模型的预测准确性并可能提出优化建议。例如如何引入新的变量或者如何处理数据中的异常值比如一年内出险5次的高风险车辆。注意实际题目表述可能略有不同但万变不离其宗核心就是“数据 - 风险分析 - 预测模型 - 保费计算”这条主线。我们的所有工作都必须紧密围绕这条主线展开。2.2 解题总体思路与工具选型面对这样的问题一个清晰的解题思路至关重要。我的建议是采用“分步推进、验证迭代”的策略。第一步描述性统计分析。在建模前先用SPSS对数据进行“体检”。看看各个变量的分布情况频率、均值、标准差通过交叉表、分组箱线图直观感受不同群体如年轻司机 vs. 老司机的出险率差异。这一步能帮助我们形成初步假设比如“车龄越老出险频率可能越高”。第二步单因素风险分析。使用统计检验方法逐一验证每个潜在风险因子与出险结果是否出险、赔付金额之间是否存在显著关联。例如对于分类型变量如车型、区域可以使用卡方检验分析其与“是否出险”二分类变量的独立性。对于连续型变量如车龄、行驶里程与出险概率的关系可以先将其分组再用卡方检验或者直接使用逻辑回归的系数显著性进行判断。对于连续型变量与连续型赔付金额的关系可以使用相关分析或方差分析。第三步多因素建模预测。这是核心环节。我们需要建立一个综合模型同时考虑多个因素的影响。对于出险概率预测因变量是“是否出险”0或1这是一个典型的二分类问题。最合适的模型是逻辑回归Logistic Regression。SPSS中的二元Logistic回归过程可以很好地完成这项工作它能给出每个因素对出险概率的影响程度优势比OR值并计算出每辆车的预测出险概率。对于案均赔款预测因变量是“赔付金额”连续正值且可能有很多0值因为没出险的车赔付为0。这里需要小心。直接对所有数据包括赔付为0的做线性回归可能不合适。常见的处理方法是先对“出险车辆”的子集即赔付金额0的记录建立模型如广义线性模型GLM假设赔付金额服从伽马分布或逆高斯分布通常比正态分布更符合实际。SPSS中的GENLIN过程可以处理。第四步纯保费计算与费率厘定。将第二步得到的“预测出险概率”与第三步对出险车辆子集得到的“预测案均赔款”相乘即可得到每辆车的预测纯保费。然后我们可以根据预测纯保费的高低将所有车辆划分为若干个风险等级为每个等级设定一个基准费率。最后在基准费率上乘以一个附加费用率比如35%得到最终的商业保费报价。工具选择题目明确提到了SPSSPRO这可能是某个简化版或教学版的SPSS。其核心功能与SPSS类似。我们主要会用到它的“分析”菜单下的功能描述统计交叉表卡方检验相关回归 - 二元Logistic广义线性模型GENLIN整个过程中SPSS更像是一个强大的计算器和可视化工具而真正的灵魂在于我们对于保险精算原理的理解和建模策略的设计。3. 核心环节实现与SPSS实操详解接下来我们假设拥有一份模拟数据包含Car_ID车辆IDAge_of_Car车龄年Driver_Age驾驶员年龄Mileage年里程万公里Car_Type车型1经济型2中型3豪华型Claim_Flag是否出险0否1是Claim_Amount赔付金额元未出险为0。3.1 数据准备与探索性分析首先将数据导入SPSS。检查缺失值对于关键变量如出险标志的缺失通常考虑删除该记录或使用适当方法填补。然后开始探索。操作1描述性统计。路径分析 - 描述统计 - 频率。将Claim_Flag放入变量框可以立刻看到整体出险率比如15%的车辆出险。再将Age_of_Car,Driver_Age,Mileage放入描述框计算均值、标准差了解大致范围。操作2可视化与单因素分析。车龄与出险率我们可以将车龄分组如0-3年新车4-7年8年以上。路径转换 - 重新编码为不同变量创建新变量Age_Group。然后分析 - 描述统计 - 交叉表行放Age_Group列放Claim_Flag。在“统计”按钮中勾选“卡方”点击确定。输出结果中如果皮尔逊卡方的显著性Sig.小于0.05则说明不同车龄组的出险率有显著差异。同时交叉表本身就能直观看出哪组出险率高。驾驶员年龄与出险率同样可以将驾驶员年龄分组如25 25-35 35-50 50然后进行交叉表和卡方检验。经验上我们预期年轻驾驶员25和老年驾驶员65风险可能更高。车型与赔付金额对于已经出险的车辆筛选Claim_Flag1我们可以比较不同车型的案均赔款。路径数据 - 选择个案 - 如果条件满足 - Claim_Flag 1。然后分析 - 比较均值 - 均值因变量列表放Claim_Amount自变量列表放Car_Type。可以查看均值差异并进一步用分析 - 比较均值 - 单因素ANOVA进行方差分析看不同车型的赔付金额均值是否显著不同。实操心得探索性分析阶段不要怕做图。箱线图图形 - 旧对话框 - 箱图非常适合比较不同组别的赔付金额分布能一眼看出中位数、四分位数和异常值那些赔付额极高的个案。这些异常值在后续建模时可能需要特别处理如缩尾处理或单独建模。3.2 逻辑回归模型构建预测出险概率现在我们构建核心的预测模型。首先预测出险概率。操作步骤确保使用全部数据取消任何个案筛选。路径分析 - 回归 - 二元Logistic。因变量将Claim_Flag选入“因变量”框。协变量自变量将我们认为可能影响出险的风险因子选入例如Age_of_Car,Driver_Age,Mileage 以及Car_Type需要将其设置为分类变量在“分类”按钮中指定SPSS会自动生成虚拟变量。方法选择“输入”或“向前LR”逐步回归。初次建模建议用“输入”把所有变量都放进去看整体效果如果变量多且存在共线性可以尝试逐步回归筛选变量。选项勾选“Exp(B)的CI”以获得优势比的置信区间。在“保存”按钮中勾选“预测值”下的“概率”这将为数据集中每条记录生成一个新的变量如PRE_1即模型预测的该车辆出险的概率。结果解读关键点模型整体检验看“模型系数综合检验”表格卡方检验的显著性应小于0.05说明模型整体有效。霍斯默-莱梅肖检验这个检验的Sig.值最好大于0.05说明模型的拟合优度良好预测概率与实际观测值之间没有显著差异。分类表看模型对出险/未出险的预测准确率。注意如果数据中未出险车辆占大多数如85%那么模型即使全部预测为“未出险”准确率也有85%。因此要同时关注灵敏度正确预测出险的比例和特异度正确预测未出险的比例。变量系数B与优势比Exp(B这是核心。对于连续变量Age_of_Car如果其B值为正且Sig.0.05说明车龄越大出险概率越高优势比Exp(B)1。对于分类变量Car_Type会以某一类为参照比如经济型给出其他类型相对于它的风险比较。例如如果豪华型的Exp(B)1.8且显著说明豪华型车出险的概率是经济型车的1.8倍。一个重要技巧连续变量的处理。有时连续变量如驾驶员年龄与出险概率并非线性关系。比如25岁以下和65岁以上风险高中间段风险低。此时直接将连续年龄放入模型可能效果不好。更好的做法是将连续变量转换为分类变量或引入多项式项。在SPSS中我们可以先通过“可视分箱”功能转换 - 可视分箱将驾驶员年龄分成几个有业务意义的区间生成一个新分类变量再放入逻辑回归。3.3 赔付金额模型构建预测案均赔款这一步只针对出险车辆Claim_Flag1的数据子集。操作步骤先筛选出险车辆数据 - 选择个案 - 如果条件满足 - Claim_Flag 1。路径分析 - 广义线性模型 - 广义线性模型。类型在“响应”选项卡中将Claim_Amount选为因变量。在“分布”下拉菜单中选择“伽马”或“逆高斯”。保险赔付金额通常具有右偏、正值的特点伽马分布是常用选择。链接函数可以选择“对数”这意味我们建模的是赔付金额的对数。预测变量在“预测变量”选项卡中将可能影响赔付金额的因子选入如Car_Type分类Age_of_Car 甚至可以考虑加入Driver_Age也许年轻司机出险时碰撞更猛烈。模型在“模型”选项卡中指定主效应。保存在“保存”选项卡中可以勾选“预测响应值”这将生成对每辆出险车辆赔付金额的预测值注意这个预测值是在对数尺度上可能需要指数转换回原始尺度。为什么用GLM而不是普通线性回归普通线性回归要求残差服从正态分布且方差齐性。保险赔付数据严重偏离正态通常呈现长尾分布大部分小额赔付少数几笔巨额赔付。伽马分布能更好地拟合这种正偏态数据。使用对数链接函数也保证了预测值始终为正数。得到预测值后我们得到了两个关键的预测结果对整个数据集所有车辆的出险概率预测值P_claim。对出险车辆子集的赔付金额预测值E_amount已转换回原始金额单位。3.4 纯保费计算与费率表设计计算个体纯保费对于数据集中每一辆车其预测纯保费Pure_Premium P_claim * E_amount。 这里有一个细节对于未出险的车辆我们也有一个E_amount吗是的我们的赔付金额模型是基于出险车辆建立的但我们可以用这个模型去预测所有车辆如果出险其可能的赔付金额。也就是说E_amount代表了该车辆的风险特征所对应的“潜在损失严重程度”。因此对所有车辆我们都可以用其自身的属性代入赔付金额模型得到一个预测的E_amount。在SPSS中我们可以这样操作先对所有数据不筛选运行赔付金额的GLM模型并保存预测值。这样SPSS会为所有记录包括未出险的都生成一个预测赔付金额Pred_Amount。对于未出险的记录这个值代表“如果它出险我们预计要赔多少钱”。然后利用之前逻辑回归保存的预测概率PRE_1。使用转换 - 计算变量创建一个新变量Pure_Premium PRE_1 * Pred_Amount。设计分级费率表现在我们有每辆车的风险评分即纯保费。接下来可以设计一个简单的费率表。对计算出的Pure_Premium进行排序或聚类分析分析 - 分类 - K-均值聚类将其划分为N个风险等级比如5个等级低风险、中低风险、中等风险、中高风险、高风险。计算每个风险等级内所有车辆纯保费的平均值作为该等级的基准纯保费。在基准纯保费上乘以一个附加费用率例如假设公司运营成本、利润等需要附加35%得到每个等级的标准商业保费。计算公式商业保费 基准纯保费 * (1 附加费用率)例如低风险组平均纯保费为800元附加费用率35%则该组客户的标准保费为 800 * 1.35 1080元。这样我们就得到了一个基于风险分级的差异化费率表。新客户投保时只需根据其车辆和驾驶员属性由我们的模型计算出其预测纯保费找到对应的风险等级即可套用该等级的保费。4. 模型评估、优化与常见问题排查一个模型建好绝不能直接投入使用必须经过严格的评估和可能的优化。4.1 模型预测性能评估逻辑回归模型评估ROC曲线与AUC值这是评估二分类模型区分能力的黄金标准。在SPSS逻辑回归的“保存”选项中可以勾选“预测值”下的“组成员概率”然后在分析 - ROC曲线中将保存的概率变量作为检验变量Claim_Flag作为状态变量。AUC值越接近1模型区分风险高低的能力越强。通常AUC0.7认为有一定区分能力0.8表示模型很好。提升图与增益图在商业场景中非常有用。它告诉我们如果只对模型预测风险最高的前X%的客户进行干预如提高保费、加强核保能抓住多大比例的实际出险客户。这需要将数据按预测概率从高到低排序后分组计算。赔付金额模型评估残差分析检查GLM模型的残差图看其是否随机分布有无明显的模式。这可以在GENLIN过程的“统计”选项卡中请求残差图。预测值与实际值对比将预测赔付金额与实际赔付金额进行散点图对比。理想情况下点应围绕对角线分布。可以计算均方根误差RMSE或平均绝对百分比误差MAPE来量化预测误差。4.2 建模过程中的常见陷阱与优化方向数据不平衡问题车险数据中绝大多数车辆可能超过85%在一年内不出险。这会导致逻辑回归模型倾向于预测所有车都为“不出险”从而获得很高的整体准确率但灵敏度检出出险车辆的能力极低。应对方法使用AUC和提升图作为主要评估指标它们对类别不平衡不敏感。在建模时调整分类阈值默认阈值是0.5我们可以根据业务需求如希望捕捉更多潜在风险将阈值降低比如0.3。考虑使用过采样/欠采样技术如SMOTE但这在SPSS中实现稍复杂可能需要借助Python或R。共线性问题自变量之间可能存在高度相关例如“车龄”和“车辆现值”高度相关。这会导致逻辑回归或GLM的系数估计不稳定标准误增大。应对方法在SPSS的线性回归过程中有共线性诊断VIF方差膨胀因子但逻辑回归中没有直接提供。一个实用的方法是先做一次线性回归即使因变量不合适查看自变量的VIF。通常VIF10认为存在严重共线性。解决办法是移除相关性高的变量之一或使用主成分分析PCA先降维。交互效应风险因子之间可能存在交互作用。例如年轻驾驶员高风险开高性能车高风险其风险可能不是简单相加而是倍增。应对方法在逻辑回归或GLM的“模型”设定中除了加入主效应变量A变量B可以手动添加交互项A*B。如果交互项的系数显著说明存在交互效应需要在模型中保留。异常值处理赔付金额数据中常有极端大额赔案如涉及人伤的严重事故这些点会对GLM模型的参数估计产生巨大影响。应对方法缩尾处理将赔付金额最高如99分位数以上的值用该分位数的值替代。这能减少极端值的影响。分模型处理将小额赔案和大额赔案分开建模。例如用一个模型预测“是否发生小额赔案”另一个模型预测“是否发生大额赔案”再结合一个模型预测“大额赔案的金额”。这更精细但也更复杂。4.3 赛题作答呈现要点在完成所有分析后如何将你的工作清晰、专业地呈现在论文中问题重述与假设清晰定义问题并列出建模过程中做出的合理假设如“假设历史数据能代表未来风险”、“假设各风险因子相互独立”等。符号说明对文中用到的主要变量、符号进行列表说明。模型建立这是核心部分。分小节阐述你的分析步骤、选择的模型、模型公式。例如4.1 数据预处理与描述性统计附上关键图表4.2 单因素风险分析附上卡方检验等结果表4.3 出险概率预测模型逻辑回归模型及结果解读4.4 赔付金额预测模型GLM模型及结果解读4.5 纯保费计算与费率表设计给出计算公式和最终的费率表示例模型求解与结果分析展示SPSS的关键输出截图如ROC曲线、模型系数表并对结果进行业务解读。例如“模型显示驾驶员年龄小于25岁是显著的高风险因子其出险概率是35-50岁基准组的2.5倍。”模型评价与推广客观评价自己模型的优缺点如AUC值多少预测误差如何并提出可能的改进方向如引入更多数据、尝试更复杂的机器学习模型等。参考文献与附录引用关键的统计学或精算学文献将主要数据、程序代码如SPSS语法放在附录。最后一个至关重要的建议在比赛或实际应用中模型的稳定性和可解释性往往比单纯的预测精度更重要。一个系数符号符合业务直觉如车龄越大风险越高、结构简单的逻辑回归模型可能比一个精度略高但像个黑箱的复杂机器学习模型更受保险精算师的青睐。因为前者便于监管沟通、费率报备和业务解释。这道2011年的赛题正是训练我们这种“用简洁模型解决复杂商业问题”思维的绝佳案例。通过它你学到的不仅仅是如何操作SPSS的几个菜单更是一种基于数据驱动进行风险评估和商业决策的完整方法论。