為何「人人同價」行不通
在本階的前幾篇裡，你學會了求*整體*費率水平——為一整本業務回答那個最大的問題：我們總體上收得夠不夠？整體費率指示也許會說，公司明年平均需要再漲 5%。但「平均」二字藏著一個麻煩。一本車險業務並非單一風險；它是一群天差地別的風險被匯集到一處——一年只開 4,000 公里的謹慎退休人士，與一個開著跑車的少年，都坐在這本業務裡。倘若你向他們收取一模一樣的保費，你就是為兩份截然不同的預期成本，定下了同一個價格。
現在看看競爭對手會怎麼做。如果你的對手向那位安全的退休人士（其真實預期成本很低）收得*更少*，而向少年收得*更多*，那麼退休人士便會棄你而投奔對手，少年則樂得留下。你留住了貴的風險，丟掉了便宜的——這正是你在基礎階見過的那條逆選擇螺旋，如今透過價格上演。收取差異化費率不是貪婪；在競爭市場裡，這是*生存*。分類費率釐定，就是按預期成本把風險分門別類、再為每一類相應定價的技藝。
基礎費率與相對性
可你究竟要怎樣為幾十個組定價，又不必為每一組單獨寫一份研究？那個優雅的竅門，是挑出一組作為參照，再把其餘每一組都*相對*於它來表達。參照組的價格，就是基礎費率（base rate）；其餘每一組的乘數，則是一個相對性（relativity）。這正是相對性與基礎費率的核心：你不必背一張龐大的「各自獨立價格」表，只需帶著一個基礎費率，加上一小組因子——它們說出每個類別比基礎貴或便宜*多少*。
舉個具體例子。設參照類的基礎費率為 800——比方說，一位住在僻靜郊區的 40 歲駕駛人。一個 2.5 的「年輕駕駛人」相對性，意味著年輕駕駛人花費是基礎的兩倍半；一個 0.85 的低里程折扣，則意味著謹慎的低里程駕駛人只花其 85%。任何單一組的相對性，原則上就是該組的預期純保費除以基礎組的純保費——*成本相對於成本*。相對性大於 1 意味著「比參照更貴」；小於 1 則意味著「更便宜」。要挑一個人數眾多、穩定的組作基礎，好讓參照本身被估得穩當。
兩點告誡能讓這件事保持誠實。其一，基礎費率承載的是*水平*；相對性承載的只是*形狀*。若你重新平衡相對性，就必須重新平衡基礎費率，好讓整體平均保費仍對得上指示費率水平——相對性是在重新分配那張餅，而非把餅變大變小。其二，一次只看一個變量、天真算出的相對性會騙人，因為變量彼此交疊：年輕駕駛人也往往開著更舊、更便宜的車，於是一個原始的「年輕駕駛人」成本，部分反映的其實是*那輛車*、而非年齡。下一節，正是為此而生的現代解法。
評級變量、地域與分類方案
你用來分揀風險的那些證據，就是評級變量。一個好的評級變量要做到三件事：它要*與損失成本相關*（確實能預測成本）、要*便於*計量與核驗、且要*在社會與法律上可接受*。年齡、車型、領照年數、既往理賠、保障限額、地點，在多數市場都合格。整套變量、每個變量內的各個類別、以及每一類別的相對性，被寫成一部條理分明的規則書，就是分類方案——這份分類方案把一群雜亂的人，化成一張整整齊齊、各有定價的格子。
地域值得特別一提，因為地點是損失最強的預測因子之一，卻也是最嘈雜的之一。單一郵區往往沒有足夠的理賠可單憑它本身去信任，於是精算師把相鄰、風險相近的區域歸併成一個個地域——碰撞與盜竊更多的密集市中心，理賠更少的僻靜鄉村。這種歸併本身就是一項建模決策：地域分得太少，便會把真實的城鄉差異糊掉；分得太多，每一個又都是統計噪聲。劃出合理的地域界線自成一門技藝，且它極倚重我們接下來要談的可信度思想。
可信度安撫稀薄的格子
把一群人切得太細，許多格子便幾近空空——某個稀有車型落在某個小地域裡，也許只有寥寥幾張保單、外加一樁零星理賠，甚或一樁也無。它原始的平均損失成本，於是幾乎純屬運氣。這恰恰是可信度那一階解決的問題：一個稀薄、嘈雜的估計，你該信幾分？答案便是施於分類費率的可信度：把每個格子自身的經驗，與一個更寬、更穩的估計相調和，按格子實際承載的數據多寡來加權。
其算術，就是那個熟悉的可信度調和。某格子的可信度加權相對性，等於 Z 乘以它自身觀測到的相對性，加上（1 減 Z）乘以一個補足量——通常是它所屬的更寬組的相對性，或是當前費率。這裡的 Z，便是你之前見過的可信度因子：格子暴露充裕時近 1，幾乎沒有時近 0。一個嶄新的小地域，也許只拿到約 0.2 的 Z，於是只朝它自身看似狂野的經驗挪動五分之一的路；一個龐大、成熟的類別拿到約 0.9 的 Z，便被幾乎完全信任。結果，是一份在數據強處靈敏、在數據薄處穩健的費率。
Tiny class, observed relativity = 1.80 (only a few claims) Complement (its parent group) = 1.20 Credibility Z = 0.25 Credibility-weighted relativity = Z * observed + (1 - Z) * complement = 0.25 * 1.80 + 0.75 * 1.20 = 0.450 + 0.900 = 1.35 The noisy 1.80 is pulled most of the way back to a believable 1.35.
限額、自負額，與你那份保費的拼裝
至此，變量描述的都是*風險*本身。但兩位在每一處風險特徵上都相同的投保人，仍可能買下*不同的保障*——不同的保單限額、不同的自負額——而這同樣改變著預期成本。選取更高限額所對應的相對性，就是增額限額因子。若一份基礎保單把責任限額封頂在 100,000，而客戶想要 500,000，這個增額限額因子便把基礎保費乘上、比方說 1.4。請注意，儘管限額翻了五倍，這因子卻遠*低於*五：大多數理賠金額很小，根本碰不到那更高的層；於是為那樁罕見巨災多買的保障，其代價遠不及基礎的五倍。
自負額則反向而行。更高的自負額意味著被保險人自行吸收更多小額損失，於是保險公司的成本下降、保費隨之走低——自負額相對性低於 1。低多少，徑直來自損失階的損失修正思想：自負額削去每筆損失底部那一小片，它所消除的損失占總損失之比，就是自負額的損失消除效應。其相對性因子，大致就是*一減去那被消除的占比*。選一個消除掉 18% 損失的 500 元自負額，自負額相對性便約為 0.82。
至此，一切咬合成那套評級算法——報價系統在毫秒間跑完的食譜。從基礎費率起步；依次乘以每個評級變量的相對性；乘以增額限額因子與自負額相對性；再施以任何把費用與利潤加載進來的損失成本乘數；最後加上固定費用。走一遍看看：基礎 800，年輕駕駛人 2.5，市區地域 1.3，自負額因子 0.82——800 乘 2.5 乘 1.3 乘 0.82，落在約 2,132（尚未加費用）。這一個數字，就是*你*的保費；而你如今能看清，它從來就不是一個數字，而是一連串誠實、各自有據的零件相乘的積。