损失不等于赔付
在本阶梯里，我们已经搭好了一台干净的两部件机器：一个刻画理赔件数的频率模型，和一个刻画每件理赔金额大小的严重度模型。但这个故事里藏着一个静悄悄的缺口。我们建模的那个数——「自下而上」的损失 X，也就是事故的完整规模——几乎从来不是保险公司真正开支票的那个数。中间隔着一份合同，它在损失抵达保险公司账面之前，先把损失「掰弯」了。
三种合同条款几乎包办了这种「掰弯」。免赔额砍掉每笔损失的底部——保单持有人自己吞下第一块。保单限额封住顶部——保险公司拒绝赔付超过某个上限的部分。而共保把整体按比例缩小——保险公司只赔付剩余部分的一个固定百分比。每一条单独看都是个简单的想法，但合在一起，它们决定了损失穿过保单之后的严重度分布长什么样——而这才是对保险公司钱包唯一要紧的那个分布。
免赔额：砍掉底部
最常见的一种是普通免赔额 d：保险公司赔付损失中高于 d 的部分，低于 d 的部分一概不赔。用符号写，每笔损失的赔付额是 max(X − d, 0)。在 500 的免赔额下，300 的损失分文不赔，1,200 的损失赔 700，而一笔高达 50,000 的巨额损失仍要先扣掉头 500，赔 49,500。免赔额是*永远*要扣的——它不会在大额理赔上凭空消失。最后这一点，初学者总是栽跟头。
它有个棱角更利的「表亲」，即免赔限额（franchise 免赔额）。它是「全有或全无」：在门槛以下你拿到零，但损失一旦越过 d，保险公司就赔付*整笔*损失，连免赔额一起赔。在 500 的免赔限额下，400 的损失赔 0，而 600 的损失赔满 600——不是 100。门槛处那道陡然的跳跃正是它的标志，常见于海运货物险。说句实话，它也滋生一个问题：一笔差一点点的损失会有强烈动机被「往上推」过线，因为越过这条线，赔付就从「一无所有」翻转成「全额到手」。
标题承诺过的那个微妙之处，就在这里。一个免赔额会同时改变*两*件事。它缩小了每一笔赔付的金额（每张支票都少了 d），同时也缩小了赔付的件数——每一笔低于 d 的损失如今都赔零，根本不会变成一件理赔。所以免赔额同时削减了保险公司所看到的严重度和有效频率。如果有 30% 的损失落在免赔额以下，那么在任何一张支票变小之前，保险公司的理赔件数就已经掉了将近三分之一。忘掉这个频率效应，是为免赔额定价时最常见的错误之一。
限额、共保，以及它们如何叠加
如果说免赔额修剪底部，那么保单限额 u 就削去顶部。保险公司赔付损失直到某个上限，再多便不赔：赔付额是 min(X, u)。在 300,000 的限额下，200,000 的损失全额赔付，但 450,000 的损失只赔 300,000——保单持有人自己咽下超出的 150,000。min(X, u) 这个量叫做*限额损失*，它的平均值（限额期望值）正是精算师用来为各责任层定价、并计算递增限额因子的基本构件。要诚实地看待限额所做的事：它并不能让大额损失消失，只是把超过 u 的那一部分退还给被保险人自己承担。
共保又是另一回事——它不砍顶也不砍底，而是把一切按一个比例 alpha 缩放（比如 80% 这样的百分比）。保险公司赔付剩余部分的 alpha 倍，把每一笔损失（无论大小）的另外 20% 留给保单持有人。在纯粹的 80% 共保下，10,000 的损失赔 8,000。在一份分层齐全的真实保单里，这些条款会按一个确定的次序叠加：先取损失，减去免赔额，对剩余部分施加共保比例，再按限额封顶。对于高于 d 的损失，这就给出了 alpha × (min(X, u) − d) 这个「每损失」赔付额。
loss X = 80,000 deductible d = 1,000 coinsurance a = 0.80 limit u = 50,000 step 1 subtract deductible: 80,000 - 1,000 = 79,000 step 2 apply coinsurance: 0.80 * 79,000 = 63,200 step 3 cap at the limit: min(63,200, 50,000) = 50,000 insurer pays 50,000 policyholder bears 80,000 - 50,000 = 30,000
损失消除率
当保险公司在权衡要不要加一道免赔额时，它想要一个诚实的数字：这道免赔额，能为我们省下过去赔付额中的几成？这个数字就是损失消除率，简称 LER。一个免赔额 d 从任何单笔损失中剔除的金额是 min(X, d)——低于 d 的小损失你全数保留，更大的损失则恰好保留 d 那么多。于是 LER 就是「预期被剔除的金额」除以「无免赔额时的预期损失」：E[min(X, d)] ÷ E[X]。
举一个小小的算例。假设平均损失是 2,000，而一道 500 的免赔额平均每笔损失剔除 360（小损失全额退回其大小，较大的损失退回 500，再在整个分布上取平均）。那么 LER 就是 360 ÷ 2,000 = 0.18。这道免赔额剔除了预期损失的 18%，因此保险公司可以把纯保费中*属于损失的那一部分*下调大约 18%。这正是定价委员会可以据以行动的那种干净利落的答案。
解读一笔赔付的两种视角
还有最后一个区分，它把真正理解免赔额的人和只会背公式的人分了开来：每损失与每赔付这两种视角。*每损失*变量审视每一个损失事件，包括那些赔了零的小损失——它就是 max(X − d, 0)，把零也算进去。*每赔付*变量则以「真的开出了一张支票」为条件：它只看高于 d 的损失，也就是「在 X 超过 d 的条件下」的 (X − d)。同一个条款，两个不同的平均值。
每赔付的平均值永远是两者中较大的那个，因为每损失的平均值被那一大堆零赔付稀释了。如果有 30% 的损失落在免赔额以下、分文不赔，那么每损失均值就只有对应的每赔付均值的 70%——两者恰好通过「有赔付发生的概率」联系在一起。你想要哪一个，取决于你要回答的问题：每损失对接总成本和纯保费，而每赔付描述的是理赔部门实际开出的那张支票的平均额。
这个区分藏着一个真实的数据陷阱。理赔数据通常是按*每赔付*记录、并且是左截断的：低于免赔额的损失从未被上报，所以它们干脆从你的档案里消失了，而不是以零的形式躺在那里。如果你把这样的数据当作所有损失的完整图景，去拟合一个严重度分布，你就悄无声息地扔掉了小额的那一端，让每一个估计都产生偏差。搞清楚你的数据到底是每损失还是每赔付，绝非咬文嚼字——它决定了你的严重度模型是否诚实。