樸素 Bühlmann 裡隱藏的假設
上一篇你結識了 Bühlmann 信度 及其整潔的判決：以權重 Z = n / (n + k) 信任你自己的資料，其中 n 是你擁有的觀測數，k 是組內雜訊與組間訊號之比。然而那個小小的 n 裡悄悄藏著一個假設。它把每個觀測都當作同樣大小來計數——一位司機、一年、一個完全相同的風險單位。對一支由相同司機組成的教科書車隊這沒問題，但對真實業務而言幾乎從不成立。
設想一家保險公司的團體健康計畫組合。一個僱主承保 5,000 條生命；隔壁街角的麵包店只承保 8 條。某一年你承保了九個月，次年承保整整十二個月。建立在 5,000 條生命、整整一年之上的理賠平均是穩健可信的；同樣的統計量若來自 8 條生命、九個月，則形同拋硬幣。樸素 Bühlmann 無從分辨——在它看來兩者都不過是「一個觀測」，都會以同樣方式推動 Z。我們需要一個懂得「更大的觀測更安靜、理應算得更重」的模型。
暴露：衡量大小的正確單位
解藥是誠實地度量大小，而精算師對「大小」的用詞是 暴露：某期間內實際處於風險中的風險單位數量——生命年、車年、薪資金額、保單數。一個承保 5,000 條生命整整一年的計畫攜帶 5,000 生命年的暴露；那家承保九個月的 8 人麵包店則攜帶 8 × 0.75 = 6 生命年。暴露之所以是天然的尺子，是因為平均值的隨機散布隨暴露增長而縮小：生命越多，運氣越少。
Bühlmann-Straub 模型 不過是把 Bühlmann 重建在「暴露」之上、而非天真的計數之上。它做兩件事。第一，當它把一個風險的自身歷史彙總成單一數字時，用的是暴露加權的平均——5,000 生命年的一年比 6 生命年的一年遠更有力地拉動那個平均。第二，它用總暴露 m 替換信度權重中的 n，得到 Z = m / (m + k)，並保留你已熟知的那同一個 k = EPV / VHM。你關於 k 所學的一切原封不動地沿用過來；長大的只是分子上那個數字的含義。
算一筆信度保費
讓我們像精算師真正做的那樣，為一個商業團體釐定明年的費率。假設經驗貝氏那一步已經給了我們 k = 800（以生命年計），以及集合體均值人均 1,000——這是一個毫無自身記錄的全新帳戶的費率。我們這個團體已累積 3,200 生命年的暴露，而在這段歷史裡，它自身暴露加權的平均理賠為人均 1,150。問題一如既往：這 1,150 我們該信幾分？
Z = m / (m + k) = 3200 / (3200 + 800) = 0.80
credibility premium = Z * own + (1 - Z) * collective
= 0.80 * 1150 + 0.20 * 1000 = 1120 per life那個 1,120 就是 信度保費——團體自身 1,150 與集合體 1,000 的暴露加權混合。現在為那家只有 200 生命年的小麵包店做同樣的算術：它的 Z 為 200 / (200 + 800) = 0.20，於是它費率的 80% 來自集合體，僅五分之一來自它稀薄而充滿雜訊的自身記錄。暴露恰恰做到了我們想要的——資訊豐富的大帳戶主要為自己代言，而那個小帳戶被溫和卻堅定地拉向群體。
它真正發揮作用之處：經驗費率
Bühlmann-Straub 是商業帳戶 經驗費率 背後的主力。當一個團體的保單到期續保時，核保人並不憑空編造數字；一台信度引擎把該帳戶自身的損失歷史與其類別的手冊費率混合，而權重由帳戶帶來的暴露多少來決定。一個有三年乾淨記錄的 5,000 人僱主，會看到那份好記錄反映為它真正贏得的折扣。一家因一次離譜理賠而上榜的小店不會因單個倒楣年份而受罰，因為它低低的 Z 讓它仍繫在 類別費率 上。
同一台機器出現在暴露在風險之間、年份之間差異巨大的任何地方：工傷補償的經驗修正係數、團體壽險與健康險的續保，以及再保險——在那裡一份合約的暴露可在帳戶之間劇烈擺動。每一種情形裡，參數 k 與集合體均值都在整個組合上估計一次——即你早先結識的 經驗貝氏 那一步——隨後每個個體風險都依其自身暴露來釐定費率。一個結構模型，許多量身定制的保費。
- 在整個組合上一次性估計結構參數（EPV、VHM，從而 k）與集合體均值。
- 對每個帳戶，彙總其暴露 m，並構造其暴露加權的平均理賠。
- 令 Z = m / (m + k)；帳戶越大，自動獲得越高的 Z。
- 混合：信度保費 = Z × 自身平均 + (1 − Z) × 集合體均值。
誠實的局限
Bühlmann-Straub 倚靠一個值得直說的結構假設：它假定每個風險的過程變異數與其暴露成反比——即乾淨的卜瓦松式縮放，生命數翻倍則平均值的變異數減半。對獨立、同質的風險單位，這成立得很漂亮。但當單位並不獨立時，它便鬆動——一場工廠火災可一次擊中數百條「生命」，所以一個 5,000 人的帳戶並非真有 5,000 次獨立拋硬幣，其真實波動性的縮小比模型假定的要慢。一旦如此，模型就會給一個大帳戶超過它真正應得的信度。
還有兩點誠實的告誡。第一，暴露的度量必須選對——薪資、人頭、銷售額——並被正確度量；若一個帳戶只是紙面上「大」，它高高的 Z 就會信誓旦旦地誤導你。第二，算出來的仍是一筆 信度保費：對預期損失的最佳估計，而非成品價格。在它成為任何人可出售的毛保費之前，仍須加載費用、利潤與風險邊際。信度混合回答的是「這要花多少？」，而非「我們該收多少？」——這是兩個不同的問題。