趙 亮

(中國社會科學院研究生院，北京 102488)

一、從軍事偵察模式之爭比較兩種數據應用路徑的特征

二戰(zhàn)時期，航空偵察可以準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)地指揮機構快速準確決策起著至為關鍵的作用。為此，軸心國與盟國都高度關注航空偵察，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，即照片質量是第一位的，不斷提升圖像數據的清晰度和豐富性,而對于圖片的信息處理則交給稍經培訓的普通軍士；以英軍為代表的盟軍部隊則主要聘用了大量軍工及數學、物理等專家，對現(xiàn)有照片進行深度挖掘，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。

當年德軍和英軍的做法孰優(yōu)孰劣，大部分歷史學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上是要減少敵方策略的不確定性，直至準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，提升數據預測的準確性可以有兩種路徑：一是將資源投入到數據信息的獲取和處理環(huán)節(jié)，降低數據分析難度及資源需求，以此提升數據預測的準確度；二是將資源投入到數據分析環(huán)節(jié)，通過科學方法依然能夠有效評估有限和不完善的數據，評估精度能夠匹配相應的需求。

表1 兩種風險數據應用模式成本—收益比較

二、以保險精算為基礎的風險評估及定價模式

(一)風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)爭中風險評估與預測的主要手段之一。同樣，保險面對的是保險標的的不確定性，也是通過數據(信息)的獲取和分析對風險進行評估與定價。總的來說，保險學中針對的風險是未來發(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。在純粹風險的范疇內，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，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]針對重大自然災害的巨災保險以及相關再保險機制等內容暫不在本文討論。。這也可以從雙方在合同權利與義務的界定來理解，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，也不應存在違法性。五是損失的頻率和金額是可以預測的，這是保險公司定價風險、運營風險與管理風險的基礎。

(二)保險精算與精算理論依據

在保險實務中，風險評估所需足夠量級的數據通常難以獲取，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”來提升數據預測質量，即聘用專業(yè)的精算師，通過構建精算模型來評估擬承保風險，主要應用于費率厘定和保險定價、保險公司償付能力測算及準備金的計提以及再保險測算等領域。

保險精算理論的基礎在于獨立同分布數據風險波動的可測性與趨穩(wěn)性。在精算理論中，度量風險水平的兩個常用指標為方差和變異系數。其中，方差反映風險的絕對水平，而變異系數反映風險的相對水平。假定個體風險的隨機損失均值為E(x)，對于個體風險而言，其風險的方差為Var(x)，變異系數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)來讓保險人承擔隨機損失X及相應風險，方差為Var(x)，變異系數為Var(x)/E(x)。在個體風險的交換中，保險人與投保人的風險交換與其說是“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、風險加權成本與管理費用構成，會出現(xiàn)因單個風險的風險加權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。

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

在“大數原則”基礎上，精算師分別根據原有歷史數據進行賠付額分布和索賠次數分布。在賠付額分布方面，應注意賠付額不等于損失額，在保險公司應用諸如免賠額或無賠款優(yōu)惠應用系統(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，對自擔損失和保險賠付進行經濟性比較，并作出不申請賠付的決策，這樣賠付額往往要低于損失額。在索賠次數方面，精算師最常見的精算假設是，假定風險集合的保單具有同質性，即集合內的保單對應的標的具有相同的索賠頻率，各自相互獨立，且在每一時間區(qū)間內發(fā)生的索賠次數只與時間長度有關而與時間起點無關，在該同質性假定成立的前提下，索賠頻率服從參數為λ的泊松分布[注]泊松分布與時間起點無關的假設，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。。在對風險集合的風險個體特征進行調整與細化分組后，不同質的保單組合也可以服從泊松分布，并以負二項式分布、逆高斯分布以及離散型分布等結構函數作為索賠次數模型的數理基礎。

綜合賠付額分布和索賠次數分布，精算師會利用計算機模擬卷積計算，將上述分布合成為復合分布，并以索賠次數的名稱定義復合分布的名稱，如復合泊松分布或復合負二項式分布，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。同時，還將運用極值理論(如Expected Shortfall)對分布尾部進行測算，形成安全附加費的測算基礎。這樣，由純保費、安全附加費構成的風險保費，再加上經營管理、傭金等營運費用，就形成了保費厘定的測算基準。當然，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險評估與定價來說，這可以認為是最核心的精算內容。

三、大數據與傳統(tǒng)數據應用模式的比較與分析

以大數據、云計算、深度學習算法等新興信息技術的廣泛應用為標志，保險業(yè)對數據分析與預測不確定性開始進入人工智能時代。大數據以其“4V標準”，即海量的數據規(guī)模(volume)、高速的數據流轉(velocity)、多樣化的數據類型(variety)以及高性價比的輸出價值(value)的特征，將數據管理和分析提升至一個新的高度(見表2)。相比于傳統(tǒng)數據應用模式，大數據技術無論在“量”還是“質”上都有顯著的提升與革新，主要體現(xiàn)在數據獲取、傳輸、存儲、分析及展示五個方面。傳統(tǒng)的數據庫軟件正是在這五個方面進行數據集合的工具。而大數據應用模式是在傳統(tǒng)數據應用模式的基礎上，在數據應用的各個流程上實現(xiàn)了技術上的突破和理念上的革新。

表2 大數據應用模式和傳統(tǒng)數據應用模式的區(qū)別與比較

(一)在數據獲取方面，數據融合程度不斷加強，不斷接近實現(xiàn)“全量數據”效應

傳統(tǒng)的數據獲取模式是基于業(yè)務系統(tǒng)和交易系統(tǒng)產生，如傳統(tǒng)保險公司的數據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機構的內部數據庫進行精算分析。然而，大數據的信息獲取方式在于數據的廣自發(fā)與數據的大融合。所謂數據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)但分散的數據。隨著手機、相機、攝像頭乃至可穿戴設備等各種移動終端設備的應用，無論是文字、數字、聲音、圖像乃至氣味，各種感官可接收的各種格式數據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據設備收集、存儲和快速聯(lián)結。2007年，微軟工程師阿爾卡斯利用Flicker網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，人們可以在網上以不同角度感受教堂，甚至可以放大、細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據——從人類對地球的集體視覺記憶中得到數據——然后把它們聯(lián)結在一起?！睙o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鏡還要重大[1]。海量數據的收集、傳輸與存儲在硬件設備上實現(xiàn)了質的突破，這些基礎數據呈幾何倍數的增長，從根本上改變了原有數據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用的普及，數據整合的功能將不斷完善，“全量數據”效應將日益顯現(xiàn)。

傳統(tǒng)數據應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占保險市場份額80%的6家保險公司保單數據，由于高年齡段投保人數較少，造成案例數據過少，高年齡段的死亡率初始估計并不確切，必須基于初始估計，結合先驗觀點對初始估計值進行修正得到[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據缺失。通常情況下高額賠付的統(tǒng)計數據十分有限，使得對左尾均值的預測穩(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)相關風險產品，要么在保險精算中加入過高的風險補償附加費，這種對可保風險評估的扭曲和誤判直接影響了保險的本質意義與社會效益，也不符合保險業(yè)監(jiān)管的核心要求。

在大數據時代下，數據的可獲取性增強，乃至全量數據效應將使精算模型在尾部損失數據的計量上更加精準，而且數據的動態(tài)更新將更加及時。如通過構建數據融合與管理平臺，生命表的編制不僅會豐富高齡投保人的生命率數據，也會實時維護與更新“動態(tài)生命表”。此外，數據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據采集與共享，使保險公司將更加集中投入到保險產品的設計與開發(fā)，而不是將精力耗費在前端數據庫的構建與維護上。

(二)數據處理與分析的多維化，實現(xiàn)大數據“關聯(lián)效應”

借助人工智能技術的發(fā)展，大型計算機和云計算在數據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。在大數據時代，數據的多維化成為數據分析與展示的主要發(fā)展特征。

所謂大數據分析，是一種新的商業(yè)處理技術，主要特點為對商業(yè)數據庫中的大量業(yè)務數據進行抽取、轉換、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]。大數據的“大”不僅僅指向數據的絕對數量，其深層含義還包括處理數據所使用的“大模式”。大數據分析的實質是完整數據和綜合數據，進行數據挖掘以實現(xiàn)數據增值。大數據分析對象的基本單位是數據集，在每一個數據集中可以有若干個數據對象，這些數據對象可以理解為是數據集的基本元素，可以由一組描述其特征的屬性來確定，這種數據對象的屬性數量也被稱為數據集密度。數據對象的屬性在數據特征方面可以分為標稱屬性、序數屬性、區(qū)間屬性和比率屬性四類。其中，前兩類數據屬性屬于定性判定，無法進行數據的數學性運算；后兩類數據屬性屬于定量判定，具有數據的數學運算性質，可以進行加減乘除的運算處理。此外，數據對象的屬性還可以依據數據區(qū)間內可以取值的個數，分為離散屬性和連續(xù)屬性。

與傳統(tǒng)保險定價模型相比，大數據保險數據多維效應的優(yōu)勢在于以下幾個方面：

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

第二，數據集的多維化，即數據集密度越高，數據間的關聯(lián)性就越易發(fā)覺，可以形成更多細分場景下的風險數據評估模型。在傳統(tǒng)數據模式下，保險定價主要基于公司內部數據庫中的經驗數據，由于計算機處理和展示能力的限制，一些大型復雜的數據模型無法實現(xiàn)應用。正如1988年施樂公司的科學家韋澤提出“普適計算”，預測人類的第三股計算浪潮將是“萬物皆聯(lián)網，無處不計算”。在大數據時代下，互聯(lián)網保險的風險評估與保險定價主要基于關聯(lián)數據。通過對數據多維屬性的細分，可以進一步梳理風險數據，排除數據噪音，突出風險數據背后的風險因子映射關系。借助大型計算機的復雜算法，互聯(lián)網模式下的海量多維數據可以通過深度的數據挖掘，找尋更為精準的風險相關邏輯和風險估算模型，在提高風險定價精度的同時，還可以根據市場的場景化保險需求快速報價、核保與理賠。如國內純互聯(lián)網保險公司眾安保險在業(yè)務流程中將精算環(huán)節(jié)放入前端，使精算師承擔起“半個產品經理”的角色，在業(yè)務洽談之初積極介入，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險因素，并最大限度地貼近實際情況進行精準定價[5]。

第三，數據分析與風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，場景與假設條件的更新也更加及時。在大數據時代的保險估算模式下，碎片化、細節(jié)化的保險需求不僅可以實現(xiàn)保險產品的有效供給，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險評估基礎上，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年推出國內首款輪胎意外保障服務，輪胎因意外造成爆胎和鼓包都能更換。在此之前，國內輪胎意外保險尚屬空白領域。輪胎屬于易損物品，意外保障的風險在傳統(tǒng)保險模式下存在成本高于收益的“經濟不可行”。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，可按照車損險進行賠付；如果是輪胎單獨破損，則不屬于保險責任范圍。而眾安保險憑借大數據保險定價模型以及互聯(lián)網保險的成本集約特點，有效拓展了市場上保險產品可保風險的范圍，實現(xiàn)了保險品種的創(chuàng)新。

四、大數據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，根據對風險的評估進行費率厘定和根據對市場供需及行業(yè)競爭情況進行產品定價。一般商品的成本在出售之前可以通過成本會計的結轉核算予以確定，但保險產品的定價卻存在較大的不確定性，其成本是在產品銷售之后根據實際的賠付頻率和賠付金額確定。因此，保險定價的準確性顯得至關重要。若保險成本估算過高，則保險產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)管機構認可；而保險成本估算過低，則保險公司面臨潛在巨額的賠付風險將會增大，加劇保險機構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。若無法進行快速和合理及多樣化的定價，可保風險的范圍會出現(xiàn)實質性的縮小，即便是推出相關保險產品，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險的范圍，測度風險發(fā)生的可能性與損失規(guī)模，是保險公司設計保險產品、開展保險業(yè)務的核心基礎，它體現(xiàn)在保險產品線與業(yè)務流程的各個方面，如保險產品的設計與開發(fā)、保險產品定價、對投?？蛻艉蛦螕暮吮Ｒ约氨ｋU公司準備金的計提等。因此，保險精算定價的準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，在有限的樣本數據獲取條件下，精算師進行數據分布與特征分析，通過泊松分布等歷史概率推算，或對風險數據的頻次與規(guī)模進行模擬和卷積，從而形成風險定價的核心依據。大數據保險精算模式則通過獲取全量數據，并通過人工智能進行數據挖掘，找尋多維數據間的關聯(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產品。根據人工智能等保險科技發(fā)展的趨勢，在相同的數據獲取與分析成本條件下，大數據保險精算的準確度會更高。而在大數據共享機制逐漸形成，外溢效應開始顯現(xiàn)的背景下，在相同的估算精度要求下，大數據保險精算的成本會更低。

當然，兩種模型并不是天然對立的。從現(xiàn)實情況來看，大數據保險精算模式剛剛起步，無論是數據獲取與處理的硬件設施開發(fā)，還是基于大數據的智能估算模型及業(yè)務流程的設計，仍處于概念探討和初步應用階段。即便是大數據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據分析模型將相互結合，以大數據、云計算和機器學習等保險科技賦能傳統(tǒng)保險業(yè)務模式，改進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。大數據保險定價模型將會建立更多數據維度場景下的風險估算，從平臺化的數據采集到場景化的數據挖掘，到服務化的數據更新，再到個性化的數據應用，大數據分析將全面滲透至保險行業(yè)各個業(yè)務環(huán)節(jié)。同時，傳統(tǒng)保險精算可以對大數據精算模式進行比對和檢驗，進一步防范模型風險。

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