趙 亮

(中國社會科學(xué)院研究生院，北京 102488)

一、從軍事偵察模式之爭比較兩種數(shù)據(jù)應(yīng)用路徑的特征

二戰(zhàn)時期，航空偵察可以準(zhǔn)確及時查明敵人兵力部署、戰(zhàn)略資源布局以及戰(zhàn)時計劃與企圖，為各國戰(zhàn)地指揮機構(gòu)快速準(zhǔn)確決策起著至為關(guān)鍵的作用。為此，軸心國與盟國都高度關(guān)注航空偵察，但二者的發(fā)展路徑卻不相同。以德軍為代表的軸心國部隊主要通過研發(fā)更為先進(jìn)的偵察飛機和高焦距的拍照相機，提升自身的信息偵察能力，即照片質(zhì)量是第一位的，不斷提升圖像數(shù)據(jù)的清晰度和豐富性,而對于圖片的信息處理則交給稍經(jīng)培訓(xùn)的普通軍士；以英軍為代表的盟軍部隊則主要聘用了大量軍工及數(shù)學(xué)、物理等專家，對現(xiàn)有照片進(jìn)行深度挖掘，雖然有些圖像并不清晰，但專家具有豐富的專業(yè)知識與行業(yè)經(jīng)驗，依然可以大體判斷或還原照片中呈現(xiàn)的信息，為盟軍的軍事決策提供有力支持。

當(dāng)年德軍和英軍的做法孰優(yōu)孰劣，大部分歷史學(xué)家或評論者傾向于肯定盟軍的做法。事實上，對軍事信息的偵察和處理本質(zhì)上是要減少敵方策略的不確定性，直至準(zhǔn)確把握對手的真實意圖。如同前述案例，在資源投入有限的前提下，提升數(shù)據(jù)預(yù)測的準(zhǔn)確性可以有兩種路徑：一是將資源投入到數(shù)據(jù)信息的獲取和處理環(huán)節(jié)，降低數(shù)據(jù)分析難度及資源需求，以此提升數(shù)據(jù)預(yù)測的準(zhǔn)確度；二是將資源投入到數(shù)據(jù)分析環(huán)節(jié)，通過科學(xué)方法依然能夠有效評估有限和不完善的數(shù)據(jù)，評估精度能夠匹配相應(yīng)的需求。

表1 兩種風(fēng)險數(shù)據(jù)應(yīng)用模式成本—收益比較

二、以保險精算為基礎(chǔ)的風(fēng)險評估及定價模式

(一)風(fēng)險的不確性與保險的可保性

戰(zhàn)爭中敵方的行動往往難于判斷，存在高度的不確定性，依靠航空偵察和分析是戰(zhàn)爭中風(fēng)險評估與預(yù)測的主要手段之一。同樣，保險面對的是保險標(biāo)的的不確定性，也是通過數(shù)據(jù)(信息)的獲取和分析對風(fēng)險進(jìn)行評估與定價?？偟膩碚f，保險學(xué)中針對的風(fēng)險是未來發(fā)生損失的可能性，不確定性既包括盈利的不確定性，也包括損失的不確定性。在純粹風(fēng)險的范疇內(nèi)，保險的可保性體現(xiàn)在以下幾個方面：一是損失發(fā)生的隨機性，即不能由于任何一方的故意使得損失發(fā)生或嚴(yán)重增大發(fā)生的可能性。二是損失發(fā)生的明確性，包含兩個層面，損失發(fā)生的事件必須是明確的，損失的金額也必須是明確的。三是損失金額界定于合理的范圍內(nèi)，即損失金額太小，將缺乏保險的必要性；而損失金額過大，則將降低保險理賠的可能性[注]針對重大自然災(zāi)害的巨災(zāi)保險以及相關(guān)再保險機制等內(nèi)容暫不在本文討論。。這也可以從雙方在合同權(quán)利與義務(wù)的界定來理解，顯失公平的合同在法律上是無效的。四是損失在客觀上不能危害公眾利益，也不應(yīng)存在違法性。五是損失的頻率和金額是可以預(yù)測的，這是保險公司定價風(fēng)險、運營風(fēng)險與管理風(fēng)險的基礎(chǔ)。

(二)保險精算與精算理論依據(jù)

在保險實務(wù)中，風(fēng)險評估所需足夠量級的數(shù)據(jù)通常難以獲取，或者說成本過于昂貴。因此，傳統(tǒng)保險業(yè)通常會選擇“盟軍路徑”來提升數(shù)據(jù)預(yù)測質(zhì)量，即聘用專業(yè)的精算師，通過構(gòu)建精算模型來評估擬承保風(fēng)險，主要應(yīng)用于費率厘定和保險定價、保險公司償付能力測算及準(zhǔn)備金的計提以及再保險測算等領(lǐng)域。

保險精算理論的基礎(chǔ)在于獨立同分布數(shù)據(jù)風(fēng)險波動的可測性與趨穩(wěn)性。在精算理論中，度量風(fēng)險水平的兩個常用指標(biāo)為方差和變異系數(shù)。其中，方差反映風(fēng)險的絕對水平，而變異系數(shù)反映風(fēng)險的相對水平。假定個體風(fēng)險的隨機損失均值為E(x)，對于個體風(fēng)險而言，其風(fēng)險的方差為Var(x)，變異系數(shù)CV=Var(x)/E(x)。在單次單人的保險交易中，被保險人通過支付固定費率，期望損失E(x)來讓保險人承擔(dān)隨機損失X及相應(yīng)風(fēng)險，方差為Var(x)，變異系數(shù)為Var(x)/E(x)。在個體風(fēng)險的交換中，保險人與投保人的風(fēng)險交換與其說是“交易價格上的不公平”，不如說是“發(fā)生潛在不公平的波動性過大”，因為投保人不出險或出險較大賠付的情況都可能出現(xiàn)，即在期望損失相似的前提下，由于方差較大而存在最終賠付額的較大波動性。考慮保險成本核算是由純保費、風(fēng)險加權(quán)成本與管理費用構(gòu)成，會出現(xiàn)因單個風(fēng)險的風(fēng)險加權(quán)成本難以測算而造成保險的成本及費率厘定難以確定的局面。

當(dāng)構(gòu)成風(fēng)險集合的元素不再是單個的個體風(fēng)險，而是達(dá)到一定規(guī)模量的相互獨立且具有相同損失特征的個體風(fēng)險，在風(fēng)險集合構(gòu)成同樣的期望損失條件下，即期望損失仍為E(x)，單個個體風(fēng)險的變異系數(shù)CV=Var(x)/E(x),則新的風(fēng)險集合的變異系數(shù)為

在“大數(shù)原則”基礎(chǔ)上，精算師分別根據(jù)原有歷史數(shù)據(jù)進(jìn)行賠付額分布和索賠次數(shù)分布。在賠付額分布方面，應(yīng)注意賠付額不等于損失額，在保險公司應(yīng)用諸如免賠額或無賠款優(yōu)惠應(yīng)用系統(tǒng)等鼓勵政策的背景下，理性投保人往往會在損失額較小的情況下，對自擔(dān)損失和保險賠付進(jìn)行經(jīng)濟性比較，并作出不申請賠付的決策，這樣賠付額往往要低于損失額。在索賠次數(shù)方面，精算師最常見的精算假設(shè)是，假定風(fēng)險集合的保單具有同質(zhì)性，即集合內(nèi)的保單對應(yīng)的標(biāo)的具有相同的索賠頻率，各自相互獨立，且在每一時間區(qū)間內(nèi)發(fā)生的索賠次數(shù)只與時間長度有關(guān)而與時間起點無關(guān)，在該同質(zhì)性假定成立的前提下，索賠頻率服從參數(shù)為λ的泊松分布[注]泊松分布與時間起點無關(guān)的假設(shè)，不符合壽險實踐，因壽險的給付是在約定年齡時段發(fā)生的。。在對風(fēng)險集合的風(fēng)險個體特征進(jìn)行調(diào)整與細(xì)化分組后，不同質(zhì)的保單組合也可以服從泊松分布，并以負(fù)二項式分布、逆高斯分布以及離散型分布等結(jié)構(gòu)函數(shù)作為索賠次數(shù)模型的數(shù)理基礎(chǔ)。

綜合賠付額分布和索賠次數(shù)分布，精算師會利用計算機模擬卷積計算，將上述分布合成為復(fù)合分布，并以索賠次數(shù)的名稱定義復(fù)合分布的名稱，如復(fù)合泊松分布或復(fù)合負(fù)二項式分布，從而測算一個保險組合的期望賠付成本，或者說給定概率下的總賠付成本，并由此形成純保費的測算基礎(chǔ)。同時，還將運用極值理論(如Expected Shortfall)對分布尾部進(jìn)行測算，形成安全附加費的測算基礎(chǔ)。這樣，由純保費、安全附加費構(gòu)成的風(fēng)險保費，再加上經(jīng)營管理、傭金等營運費用，就形成了保費厘定的測算基準(zhǔn)。當(dāng)然，這并不是保險定價的全部，因為保險定價還將綜合考慮市場競爭環(huán)境、公司營銷戰(zhàn)略等因素，但是對于保險精算的風(fēng)險評估與定價來說，這可以認(rèn)為是最核心的精算內(nèi)容。

三、大數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)應(yīng)用模式的比較與分析

以大數(shù)據(jù)、云計算、深度學(xué)習(xí)算法等新興信息技術(shù)的廣泛應(yīng)用為標(biāo)志，保險業(yè)對數(shù)據(jù)分析與預(yù)測不確定性開始進(jìn)入人工智能時代。大數(shù)據(jù)以其“4V標(biāo)準(zhǔn)”，即海量的數(shù)據(jù)規(guī)模(volume)、高速的數(shù)據(jù)流轉(zhuǎn)(velocity)、多樣化的數(shù)據(jù)類型(variety)以及高性價比的輸出價值(value)的特征，將數(shù)據(jù)管理和分析提升至一個新的高度(見表2)。相比于傳統(tǒng)數(shù)據(jù)應(yīng)用模式，大數(shù)據(jù)技術(shù)無論在“量”還是“質(zhì)”上都有顯著的提升與革新，主要體現(xiàn)在數(shù)據(jù)獲取、傳輸、存儲、分析及展示五個方面。傳統(tǒng)的數(shù)據(jù)庫軟件正是在這五個方面進(jìn)行數(shù)據(jù)集合的工具。而大數(shù)據(jù)應(yīng)用模式是在傳統(tǒng)數(shù)據(jù)應(yīng)用模式的基礎(chǔ)上，在數(shù)據(jù)應(yīng)用的各個流程上實現(xiàn)了技術(shù)上的突破和理念上的革新。

表2 大數(shù)據(jù)應(yīng)用模式和傳統(tǒng)數(shù)據(jù)應(yīng)用模式的區(qū)別與比較

(一)在數(shù)據(jù)獲取方面，數(shù)據(jù)融合程度不斷加強，不斷接近實現(xiàn)“全量數(shù)據(jù)”效應(yīng)

傳統(tǒng)的數(shù)據(jù)獲取模式是基于業(yè)務(wù)系統(tǒng)和交易系統(tǒng)產(chǎn)生，如傳統(tǒng)保險公司的數(shù)據(jù)庫來源于客戶資料信息的收集和報案資料信息的累積，保險定價主要基于保險公司或相關(guān)機構(gòu)的內(nèi)部數(shù)據(jù)庫進(jìn)行精算分析。然而，大數(shù)據(jù)的信息獲取方式在于數(shù)據(jù)的廣自發(fā)與數(shù)據(jù)的大融合。所謂數(shù)據(jù)的大融合是指在人工智能時代下，獲取、識別、整合和聚合各種自發(fā)但分散的數(shù)據(jù)。隨著手機、相機、攝像頭乃至可穿戴設(shè)備等各種移動終端設(shè)備的應(yīng)用，無論是文字、數(shù)字、聲音、圖像乃至氣味，各種感官可接收的各種格式數(shù)據(jù)一方面不斷地被大量個體創(chuàng)造和釋放，另一方面又被強大的社會數(shù)據(jù)設(shè)備收集、存儲和快速聯(lián)結(jié)。2007年，微軟工程師阿爾卡斯利用Flicker網(wǎng)站上成千上萬普通拍攝者的照片，重建了一座虛擬的巴黎圣母院大教堂，人們可以在網(wǎng)上以不同角度感受教堂，甚至可以放大、細(xì)賞建筑外墻上的具體部位。阿爾卡斯在演講中稱：“從每個人那里得到數(shù)據(jù)——從人類對地球的集體視覺記憶中得到數(shù)據(jù)——然后把它們聯(lián)結(jié)在一起。”無獨有偶，2014年10月8日，世界多地發(fā)生月全食，全球各地天文愛好者拍攝月全食照片，上傳至云端，呈現(xiàn)出不同地點、不同拍攝角度的月全食景象。天文研究者意識到，如果整合起來，其對研究工作的意義可能比一臺超級天文望遠(yuǎn)鏡還要重大[1]。海量數(shù)據(jù)的收集、傳輸與存儲在硬件設(shè)備上實現(xiàn)了質(zhì)的突破，這些基礎(chǔ)數(shù)據(jù)呈幾何倍數(shù)的增長，從根本上改變了原有數(shù)據(jù)處理模型和分析的固有模式。隨著新科技的不斷突破以及應(yīng)用的普及，數(shù)據(jù)整合的功能將不斷完善，“全量數(shù)據(jù)”效應(yīng)將日益顯現(xiàn)。

傳統(tǒng)數(shù)據(jù)應(yīng)用模式下的保險定價與開發(fā)模式存在諸多局限。如在壽險方面，我國現(xiàn)行的生命表主要依據(jù)占保險市場份額80%的6家保險公司保單數(shù)據(jù)，由于高年齡段投保人數(shù)較少，造成案例數(shù)據(jù)過少，高年齡段的死亡率初始估計并不確切，必須基于初始估計，結(jié)合先驗觀點對初始估計值進(jìn)行修正得到[2]。這也反映了保險精算定價的一個理論缺陷是精算模型的左尾數(shù)據(jù)缺失。通常情況下高額賠付的統(tǒng)計數(shù)據(jù)十分有限，使得對左尾均值的預(yù)測穩(wěn)定性和可信度降低，即使采用了Conditional Var或Expected Shortfall等極值評估方法作為補充，精算模型的模型風(fēng)險在尾部評估方面仍然較高。因此，保險公司要么選擇不開發(fā)相關(guān)風(fēng)險產(chǎn)品，要么在保險精算中加入過高的風(fēng)險補償附加費，這種對可保風(fēng)險評估的扭曲和誤判直接影響了保險的本質(zhì)意義與社會效益，也不符合保險業(yè)監(jiān)管的核心要求。

在大數(shù)據(jù)時代下，數(shù)據(jù)的可獲取性增強，乃至全量數(shù)據(jù)效應(yīng)將使精算模型在尾部損失數(shù)據(jù)的計量上更加精準(zhǔn)，而且數(shù)據(jù)的動態(tài)更新將更加及時。如通過構(gòu)建數(shù)據(jù)融合與管理平臺，生命表的編制不僅會豐富高齡投保人的生命率數(shù)據(jù)，也會實時維護與更新“動態(tài)生命表”。此外，數(shù)據(jù)采集與存儲的社會性，如專屬醫(yī)療用途的云存儲和云計算的社會數(shù)據(jù)采集與共享，使保險公司將更加集中投入到保險產(chǎn)品的設(shè)計與開發(fā)，而不是將精力耗費在前端數(shù)據(jù)庫的構(gòu)建與維護上。

(二)數(shù)據(jù)處理與分析的多維化，實現(xiàn)大數(shù)據(jù)“關(guān)聯(lián)效應(yīng)”

借助人工智能技術(shù)的發(fā)展，大型計算機和云計算在數(shù)據(jù)挖掘及智能計算能力的深度與速度上都得到了代際性的提升。在大數(shù)據(jù)時代，數(shù)據(jù)的多維化成為數(shù)據(jù)分析與展示的主要發(fā)展特征。

所謂大數(shù)據(jù)分析，是一種新的商業(yè)處理技術(shù)，主要特點為對商業(yè)數(shù)據(jù)庫中的大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和模型化處理，從中提取輔助于商業(yè)決策的有效信息[3]。大數(shù)據(jù)的“大”不僅僅指向數(shù)據(jù)的絕對數(shù)量，其深層含義還包括處理數(shù)據(jù)所使用的“大模式”。大數(shù)據(jù)分析的實質(zhì)是完整數(shù)據(jù)和綜合數(shù)據(jù)，進(jìn)行數(shù)據(jù)挖掘以實現(xiàn)數(shù)據(jù)增值。大數(shù)據(jù)分析對象的基本單位是數(shù)據(jù)集，在每一個數(shù)據(jù)集中可以有若干個數(shù)據(jù)對象，這些數(shù)據(jù)對象可以理解為是數(shù)據(jù)集的基本元素，可以由一組描述其特征的屬性來確定，這種數(shù)據(jù)對象的屬性數(shù)量也被稱為數(shù)據(jù)集密度。數(shù)據(jù)對象的屬性在數(shù)據(jù)特征方面可以分為標(biāo)稱屬性、序數(shù)屬性、區(qū)間屬性和比率屬性四類。其中，前兩類數(shù)據(jù)屬性屬于定性判定，無法進(jìn)行數(shù)據(jù)的數(shù)學(xué)性運算；后兩類數(shù)據(jù)屬性屬于定量判定，具有數(shù)據(jù)的數(shù)學(xué)運算性質(zhì)，可以進(jìn)行加減乘除的運算處理。此外，數(shù)據(jù)對象的屬性還可以依據(jù)數(shù)據(jù)區(qū)間內(nèi)可以取值的個數(shù)，分為離散屬性和連續(xù)屬性。

與傳統(tǒng)保險定價模型相比，大數(shù)據(jù)保險數(shù)據(jù)多維效應(yīng)的優(yōu)勢在于以下幾個方面：

第一，可以增強對風(fēng)險數(shù)據(jù)的保險評估模型的可靠性。一般來說，數(shù)據(jù)集中的數(shù)據(jù)對象的屬性數(shù)量越豐富，數(shù)據(jù)集密度越高，其數(shù)據(jù)分析統(tǒng)計的自由度越大，數(shù)據(jù)分析的可靠性就越顯著。大數(shù)據(jù)技術(shù)條件下，可以對數(shù)據(jù)集中的數(shù)據(jù)對象進(jìn)行規(guī)模性的屬性細(xì)分，屬于同類細(xì)分屬性的數(shù)據(jù)對象特征更為相似，概率估算的可信度將大大增強。經(jīng)驗數(shù)據(jù)是固化的，不同時期的數(shù)據(jù)特征存在偏差，風(fēng)險損失的特性會隨著時間的變化而改變，大數(shù)據(jù)下的數(shù)據(jù)獲取是實時更新的，動態(tài)數(shù)據(jù)雖然在性質(zhì)上仍然是截面數(shù)據(jù)，但是可以在很大程度上避免數(shù)據(jù)沉淀帶來的評估偏差，降低模型風(fēng)險[4]。

第二，數(shù)據(jù)集的多維化，即數(shù)據(jù)集密度越高，數(shù)據(jù)間的關(guān)聯(lián)性就越易發(fā)覺，可以形成更多細(xì)分場景下的風(fēng)險數(shù)據(jù)評估模型。在傳統(tǒng)數(shù)據(jù)模式下，保險定價主要基于公司內(nèi)部數(shù)據(jù)庫中的經(jīng)驗數(shù)據(jù)，由于計算機處理和展示能力的限制，一些大型復(fù)雜的數(shù)據(jù)模型無法實現(xiàn)應(yīng)用。正如1988年施樂公司的科學(xué)家韋澤提出“普適計算”，預(yù)測人類的第三股計算浪潮將是“萬物皆聯(lián)網(wǎng)，無處不計算”。在大數(shù)據(jù)時代下，互聯(lián)網(wǎng)保險的風(fēng)險評估與保險定價主要基于關(guān)聯(lián)數(shù)據(jù)。通過對數(shù)據(jù)多維屬性的細(xì)分，可以進(jìn)一步梳理風(fēng)險數(shù)據(jù)，排除數(shù)據(jù)噪音，突出風(fēng)險數(shù)據(jù)背后的風(fēng)險因子映射關(guān)系。借助大型計算機的復(fù)雜算法，互聯(lián)網(wǎng)模式下的海量多維數(shù)據(jù)可以通過深度的數(shù)據(jù)挖掘，找尋更為精準(zhǔn)的風(fēng)險相關(guān)邏輯和風(fēng)險估算模型，在提高風(fēng)險定價精度的同時，還可以根據(jù)市場的場景化保險需求快速報價、核保與理賠。如國內(nèi)純互聯(lián)網(wǎng)保險公司眾安保險在業(yè)務(wù)流程中將精算環(huán)節(jié)放入前端，使精算師承擔(dān)起“半個產(chǎn)品經(jīng)理”的角色，在業(yè)務(wù)洽談之初積極介入，客戶的需求能夠直接面對面?zhèn)鬟f給精算師，讓精算師在定價時能充分考慮風(fēng)險因素，并最大限度地貼近實際情況進(jìn)行精準(zhǔn)定價[5]。

第三，數(shù)據(jù)分析與風(fēng)險定價的低成本與高速率使保險精算更為便捷化，精算適用性更好，場景與假設(shè)條件的更新也更加及時。在大數(shù)據(jù)時代的保險估算模式下，碎片化、細(xì)節(jié)化的保險需求不僅可以實現(xiàn)保險產(chǎn)品的有效供給，并且在運營成本方面實現(xiàn)了商業(yè)可行，在有效的保險精算和風(fēng)險評估基礎(chǔ)上，可以推出更多滿足長尾客戶需求的多樣化、個性化的保險產(chǎn)品，保險核保與理賠程序更快捷，從而推動普惠金融理念在保險行業(yè)的深入和擴展。如眾安保險于2015年推出國內(nèi)首款輪胎意外保障服務(wù)，輪胎因意外造成爆胎和鼓包都能更換。在此之前，國內(nèi)輪胎意外保險尚屬空白領(lǐng)域。輪胎屬于易損物品，意外保障的風(fēng)險在傳統(tǒng)保險模式下存在成本高于收益的“經(jīng)濟不可行”。在傳統(tǒng)保險模式下，一般的車險規(guī)定：如果是車胎和車身一起遭受意外，可按照車損險進(jìn)行賠付；如果是輪胎單獨破損，則不屬于保險責(zé)任范圍。而眾安保險憑借大數(shù)據(jù)保險定價模型以及互聯(lián)網(wǎng)保險的成本集約特點，有效拓展了市場上保險產(chǎn)品可保風(fēng)險的范圍，實現(xiàn)了保險品種的創(chuàng)新。

四、大數(shù)據(jù)保險精算模式革新的影響及與傳統(tǒng)定價模式比較分析

保險定價通常分為兩部分，根據(jù)對風(fēng)險的評估進(jìn)行費率厘定和根據(jù)對市場供需及行業(yè)競爭情況進(jìn)行產(chǎn)品定價。一般商品的成本在出售之前可以通過成本會計的結(jié)轉(zhuǎn)核算予以確定，但保險產(chǎn)品的定價卻存在較大的不確定性，其成本是在產(chǎn)品銷售之后根據(jù)實際的賠付頻率和賠付金額確定。因此，保險定價的準(zhǔn)確性顯得至關(guān)重要。若保險成本估算過高，則保險產(chǎn)品的定價會超出正常合理值，意味著市場的出讓甚至可能不被監(jiān)管機構(gòu)認(rèn)可；而保險成本估算過低，則保險公司面臨潛在巨額的賠付風(fēng)險將會增大，加劇保險機構(gòu)甚至整個保險體系的償付危機。此外，保險定價及涉及后續(xù)核保和理賠的成本也十分重要。若無法進(jìn)行快速和合理及多樣化的定價，可保風(fēng)險的范圍會出現(xiàn)實質(zhì)性的縮小，即便是推出相關(guān)保險產(chǎn)品，其運營成本同樣會以附加費的形式計算在保險成本定價中。從這個意義上來說，保險精算評估可保風(fēng)險的范圍，測度風(fēng)險發(fā)生的可能性與損失規(guī)模，是保險公司設(shè)計保險產(chǎn)品、開展保險業(yè)務(wù)的核心基礎(chǔ)，它體現(xiàn)在保險產(chǎn)品線與業(yè)務(wù)流程的各個方面，如保險產(chǎn)品的設(shè)計與開發(fā)、保險產(chǎn)品定價、對投?？蛻艉蛦螕?jù)的核保以及保險公司準(zhǔn)備金的計提等。因此，保險精算定價的準(zhǔn)確性和成本考核對于保險公司的市場營銷與運營，以及保險利益相關(guān)各方都十分重要。

傳統(tǒng)保險精算模型的特征是，在有限的樣本數(shù)據(jù)獲取條件下，精算師進(jìn)行數(shù)據(jù)分布與特征分析，通過泊松分布等歷史概率推算，或?qū)︼L(fēng)險數(shù)據(jù)的頻次與規(guī)模進(jìn)行模擬和卷積，從而形成風(fēng)險定價的核心依據(jù)。大數(shù)據(jù)保險精算模式則通過獲取全量數(shù)據(jù)，并通過人工智能進(jìn)行數(shù)據(jù)挖掘，找尋多維數(shù)據(jù)間的關(guān)聯(lián)，并且降低了后續(xù)核保和理賠的操作難度，從而可以開發(fā)和拓展更多的保險需求及相關(guān)產(chǎn)品。根據(jù)人工智能等保險科技發(fā)展的趨勢，在相同的數(shù)據(jù)獲取與分析成本條件下，大數(shù)據(jù)保險精算的準(zhǔn)確度會更高。而在大數(shù)據(jù)共享機制逐漸形成，外溢效應(yīng)開始顯現(xiàn)的背景下，在相同的估算精度要求下，大數(shù)據(jù)保險精算的成本會更低。

當(dāng)然，兩種模型并不是天然對立的。從現(xiàn)實情況來看，大數(shù)據(jù)保險精算模式剛剛起步，無論是數(shù)據(jù)獲取與處理的硬件設(shè)施開發(fā)，還是基于大數(shù)據(jù)的智能估算模型及業(yè)務(wù)流程的設(shè)計，仍處于概念探討和初步應(yīng)用階段。即便是大數(shù)據(jù)保險估算體系能夠發(fā)展至成熟階段，并不意味著傳統(tǒng)的保險精算定價模型被淘汰， 相反精算模型和大數(shù)據(jù)分析模型將相互結(jié)合，以大數(shù)據(jù)、云計算和機器學(xué)習(xí)等保險科技賦能傳統(tǒng)保險業(yè)務(wù)模式，改進(jìn)和完善保險定價模型才是未來保險定價模式發(fā)展的主流。大數(shù)據(jù)保險定價模型將會建立更多數(shù)據(jù)維度場景下的風(fēng)險估算，從平臺化的數(shù)據(jù)采集到場景化的數(shù)據(jù)挖掘，到服務(wù)化的數(shù)據(jù)更新，再到個性化的數(shù)據(jù)應(yīng)用，大數(shù)據(jù)分析將全面滲透至保險行業(yè)各個業(yè)務(wù)環(huán)節(jié)。同時，傳統(tǒng)保險精算可以對大數(shù)據(jù)精算模式進(jìn)行比對和檢驗，進(jìn)一步防范模型風(fēng)險。

最終，融合兩種模式的保險精算體系可以根據(jù)業(yè)務(wù)需求和監(jiān)管要求，進(jìn)行風(fēng)險精算模式的優(yōu)化匹配。如對低頻高損的風(fēng)險估算更加精準(zhǔn)，以滿足監(jiān)管對賠付準(zhǔn)備金及增強保險機構(gòu)風(fēng)險防控的要求，而對高頻低損的風(fēng)險估算降低成本，簡化風(fēng)險賠付流程，以滿足長尾客戶多樣化、個性化的場景式保險需求，擴大風(fēng)險產(chǎn)品開發(fā)范圍，減少保險產(chǎn)品免賠額，簡化賠付流程和理賠時限，防范系統(tǒng)性金融風(fēng)險，回歸保險本質(zhì)，真正提高全社會的總體效用和福利。