為什麼單因素表格會悄悄重複計數
在上一篇裡，你用老派的方法搭出了一份分類費率方案：把每個費率變數輪流拿出來，按它的各個級別把損失經驗排開，再讀出一個相對度——年輕駕駛人是基準的 1.4 倍，跑車是基準的 1.3 倍，依此類推。這叫單因素分析，因為你一次只順著一個變數往下看。它直觀，而且數十年來就是這門手藝的全部。可它也有一個藏在明面上的毛病。
毛病在於費率變數彼此重疊。假設年輕駕駛人確實更容易出事——可年輕駕駛人偏偏又格外愛開快車。當你做年齡表時，你歸咎於年輕的那些高損失，有一部分其實是他們恰好擁有的那些車造成的；當你做車型表時，你歸咎於跑車的那些高損失，又有一部分是恰好擁有它們的年輕人造成的。每一張單因素表，都吸走了另一張表裡的一部分效應。對一個年輕駕駛人，按年齡收 1.4、再按車型收 1.3，你就把同一份底層的「壞」計了兩遍——這位客戶被多收了錢，而一個精明的對手會把他挖走。
這不過是費率變數之間的相關性，正是你在統計裡遇過的那個小妖怪，如今換了一身定價的戲服。單因素表看不見它，因為它從不把兩個變數放在一起看。你真正想要的，是在固定車型的前提下年齡的效應、以及在固定年齡的前提下車型的效應——也就是在其他變數都先說完話之後，每個變數真正的那份貢獻。
廣義線性模型一次解開所有變數
解決這個問題的工具，你早就見過了。在統計那一階，你認識了廣義線性模型：它就是迴歸那套各因素的加權求和，配上一個貼合保險資料的分布、和一個把每個因子變成乘數的對數連結。它用於定價時，有一項不動聲色的超能力。GLM 是同時估計所有變數的相對度的，於是每一個係數，自動就是「在模型已經把其他所有變數都考慮進去之後」那個變數的效應。重複計數隨之溶解；留下來的，是每個因素對風險真正的、邊際的那份貢獻。
具體來說，現代的做法是在同一份多變數資料上擬合兩個 GLM，呼應那個頻率—強度拆分：一個卜瓦松模型管理賠多久來一次，一個伽馬模型管它有多大。每個變數在每個模型裡都得到一份公平的相對度，與它的鄰居們彼此解開。把頻率預測乘以強度預測，你就為風險特徵的任意一種組合算出了一個純保費——也就是期望損失成本——而不只是那些你恰好觀測得很多的單元。
從模型到費率方案：損失成本乘數
GLM 給你的是純保費——也就是期望損失——可客戶帳單上的錢不只是損失。回想那個基本保險等式：保費還必須支付各項費用和一份公平的利潤。從模型給出的損失成本通向最終價格的那座橋，就是損失成本乘數（LCM）。它是一個數，把純保費向上放大，以覆蓋損失之外的一切；如此一來，搭模型的精算師和往上加費用的公司，便能各自獨立地工作。
這點算術不大，卻值得一看。假設固定費用佔保費的 10%，佣金和其他變動費用再佔 15%，公司還想要 5% 的承保利潤。那麼損失就必須塞進每一塊保費裡剩下的 70%——這 70% 就是允許損失率。損失成本乘數，無非就是 1 除以這個比例，1 ÷ 0.70 ≈ 1.43。每一塊錢的建模損失成本，都會變成大約 1.43 元的保費。
Permissible loss ratio = 1 - 0.10 - 0.15 - 0.05 = 0.70 Loss-cost multiplier = 1 / 0.70 = 1.4286 RATING ALGORITHM (one policy) Base loss cost 300 x Age relativity (driver 22) x 1.35 x Vehicle relativity (sports) x 1.20 x Territory relativity (urban) x 1.10 = Modelled loss cost 300*1.35*1.20*1.10 = 534.6 x Loss-cost multiplier x 1.4286 = Indicated premium = 763.7 + Policy fee + 25 = Final premium = 788.7
這條序列就是費率演算法：那一組精確、有序的乘法、加法、封頂與下限，把一個基準費率變成客戶續保通知上的那個數字。GLM 提供各項相對度；費率演算法則是把它們組裝起來的方式，再加上 GLM 不去建模的那些部分——固定保單費、為更高保額準備的增額限額因子、免賠額折扣，以及「任何保費都不得低於某個底線」的規則。整份方案——每一個基準費率、每一個因子、每一條規則——就是保險公司向監管機構申報的東西。
公平、充足、且可解釋
一份更鋒利的費率方案，不會自動就是更好的方案。有三條標準伴隨著每一個費率，你也已經認識它們了：它必須充足（足以賠付並維持償付能力）、不過高（沒有敲竹槓）、且不構成不公平歧視。最微妙的是最後這一句——費率公平並不意味著對所有人收一樣的錢，而是意味著價格的差異必須建立在真實的、被允許的成本差異之上。一個 GLM，因為跑車確實更貴保而對它多收錢，是公平的；而若因為一個法律禁止的變數、或一個僅僅替代了被禁變數的變數而多收錢，就不公平。
正是在這裡，替代變數問題咬了上來。把種族這樣一個被禁的變數從模型裡刪掉，你未必就移除了它的影響——一個被允許的變數，比如郵區或職業，可能悄悄替它把這份影響帶了進來，只因這份資料生成於一個這些東西彼此相關的社會裡。一個模型，可以在數學上完全客觀，卻仍舊編入了它從資料中學來的某段歷史不公。這恰恰就是統計那一階裡那條資料品質與倫理的警告，如今繫上了真金白銀和活生生的人。一個變數究竟是公平的成因、還是不公平的替代，這個問題的歸屬是精算師，而不是演算法。
透明，是入場的門票。在大多數市場，保險公司必須透過費率與條款申報把方案遞上去，並向監管者為之辯護——而監管者可以駁回它。這正是為什麼可解釋的 GLM、而非準確度更高的黑箱，至今仍是申報費率的行業主力。監管者可以讀一張相對度表，並追問為什麼 25 歲以下的駕駛人要付 1.35；卻沒有人能用同樣的方式去盤問一個神經網路。你解釋不了的準確度，或者藏著一個不公平替代的準確度，是你用不了的準確度。
這場軍備競賽，以及精算師立於何處
這一切背後有一份競爭優勢，值得把它直說出來。如果你的對手用多變數定價、而你用單因素定價，他們就能識別出你正在向哪些客戶多收錢，並報給那些人更低的價；同時把那些你正在少收錢的客戶留給你。日子久了，你留下的都是壞風險、失去的都是好風險——這正是從最最開頭那一階就出現的逆向選擇漩渦，如今由「誰的模型更好」所驅動。細分，曾經是一種精修，如今已成了一項生存技能。
至此，「費率釐定與定價」這一階就收尾了。你從那個基本保險等式出發——保費 = 損失 + 費用 + 利潤——在通往總體指示的純保費法與損失率法這兩條路之間做了選擇，把原始歷史經過趨勢化與進展處理、變成對未來的一份公平看法，再按類別把費率拆開，而如今你已看到，現代定價如何把這些類別重新編織成一份連貫、多變數、可申報的方案。通回統計的那條線索如今已清晰無誤：費率釐定就是被職業判斷所治理的、應用化了的機率與迴歸。接下來，階梯將轉向再保險——一家保險公司在為自己的風險定完價之後，如何把其中一部分風險再傳遞出去。