为何「人人同价」行不通
在本阶的前几篇里，你学会了求*整体*费率水平——为一整本业务回答那个最大的问题：我们总体上收得够不够？整体费率指示也许会说，公司明年平均需要再涨 5%。但「平均」二字藏着一个麻烦。一本车险业务并非单一风险；它是一群天差地别的风险被汇集到一处——一年只开 4,000 公里的谨慎退休人士，与一个开着跑车的少年，都坐在这本业务里。倘若你向他们收取一模一样的保费，你就是为两份截然不同的预期成本，定下了同一个价格。
现在看看竞争对手会怎么做。如果你的对手向那位安全的退休人士（其真实预期成本很低）收得*更少*，而向少年收得*更多*，那么退休人士便会弃你而投奔对手，少年则乐得留下。你留住了贵的风险，丢掉了便宜的——这正是你在基础阶见过的那条逆选择螺旋，如今通过价格上演。收取差异化费率不是贪婪；在竞争市场里，这是*生存*。分类费率厘定，就是按预期成本把风险分门别类、再为每一类相应定价的技艺。
基础费率与相对性
可你究竟要怎样为几十个组定价，又不必为每一组单独写一份研究？那个优雅的窍门，是挑出一组作为参照，再把其余每一组都*相对*于它来表达。参照组的价格，就是基础费率（base rate）；其余每一组的乘数，则是一个相对性（relativity）。这正是相对性与基础费率的核心：你不必背一张庞大的「各自独立价格」表，只需带着一个基础费率，加上一小组因子——它们说出每个类别比基础贵或便宜*多少*。
举个具体例子。设参照类的基础费率为 800——比方说，一位住在僻静郊区的 40 岁驾驶人。一个 2.5 的「年轻驾驶人」相对性，意味着年轻驾驶人花费是基础的两倍半；一个 0.85 的低里程折扣，则意味着谨慎的低里程驾驶人只花其 85%。任何单一组的相对性，原则上就是该组的预期纯保费除以基础组的纯保费——*成本相对于成本*。相对性大于 1 意味着「比参照更贵」；小于 1 则意味着「更便宜」。要挑一个人数众多、稳定的组作基础，好让参照本身被估得稳当。
两点告诫能让这件事保持诚实。其一，基础费率承载的是*水平*；相对性承载的只是*形状*。若你重新平衡相对性，就必须重新平衡基础费率，好让整体平均保费仍对得上指示费率水平——相对性是在重新分配那张饼，而非把饼变大变小。其二，一次只看一个变量、天真算出的相对性会骗人，因为变量彼此交叠：年轻驾驶人也往往开着更旧、更便宜的车，于是一个原始的「年轻驾驶人」成本，部分反映的其实是*那辆车*、而非年龄。下一节，正是为此而生的现代解法。
评级变量、地域与分类方案
你用来分拣风险的那些证据，就是评级变量。一个好的评级变量要做到三件事：它要*与损失成本相关*（确实能预测成本）、要*便于*计量与核验、且要*在社会与法律上可接受*。年龄、车型、领照年数、既往理赔、保障限额、地点，在多数市场都合格。整套变量、每个变量内的各个类别、以及每一类别的相对性，被写成一部条理分明的规则书，就是分类方案——这份分类方案把一群杂乱的人，化成一张整整齐齐、各有定价的格子。
地域值得特别一提，因为地点是损失最强的预测因子之一，却也是最嘈杂的之一。单一邮区往往没有足够的理赔可单凭它本身去信任，于是精算师把相邻、风险相近的区域归并成一个个地域——碰撞与盗窃更多的密集市中心，理赔更少的僻静乡村。这种归并本身就是一项建模决策：地域分得太少，便会把真实的城乡差异糊掉；分得太多，每一个又都是统计噪声。划出合理的地域界线自成一门技艺，且它极倚重我们接下来要谈的可信度思想。
可信度安抚稀薄的格子
把一群人切得太细，许多格子便几近空空——某个稀有车型落在某个小地域里，也许只有寥寥几张保单、外加一桩零星理赔，甚或一桩也无。它原始的平均损失成本，于是几乎纯属运气。这恰恰是可信度那一阶解决的问题：一个稀薄、嘈杂的估计，你该信几分？答案便是施于分类费率的可信度：把每个格子自身的经验，与一个更宽、更稳的估计相调和，按格子实际承载的数据多寡来加权。
其算术，就是那个熟悉的可信度调和。某格子的可信度加权相对性，等于 Z 乘以它自身观测到的相对性，加上（1 减 Z）乘以一个补足量——通常是它所属的更宽组的相对性，或是当前费率。这里的 Z，便是你之前见过的可信度因子：格子暴露充裕时近 1，几乎没有时近 0。一个崭新的小地域，也许只拿到约 0.2 的 Z，于是只朝它自身看似狂野的经验挪动五分之一的路；一个庞大、成熟的类别拿到约 0.9 的 Z，便被几乎完全信任。结果，是一份在数据强处灵敏、在数据薄处稳健的费率。
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.
限额、免赔额，与你那份保费的拼装
至此，变量描述的都是*风险*本身。但两位在每一处风险特征上都相同的投保人，仍可能买下*不同的保障*——不同的保单限额、不同的免赔额——而这同样改变着预期成本。选取更高限额所对应的相对性，就是增额限额因子。若一份基础保单把责任限额封顶在 100,000，而客户想要 500,000，这个增额限额因子便把基础保费乘上、比方说 1.4。请注意，尽管限额翻了五倍，这因子却远*低于*五：大多数理赔金额很小，根本碰不到那更高的层；于是为那桩罕见巨灾多买的保障，其代价远不及基础的五倍。
免赔额则反向而行。更高的免赔额意味着被保险人自行吸收更多小额损失，于是保险公司的成本下降、保费随之走低——免赔额相对性低于 1。低多少，径直来自损失阶的损失修正思想：免赔额削去每笔损失底部那一小片，它所消除的损失占总损失之比，就是免赔额的损失消除效应。其相对性因子，大致就是*一减去那被消除的占比*。选一个消除掉 18% 损失的 500 元免赔额，免赔额相对性便约为 0.82。
至此，一切咬合成那套评级算法——报价系统在毫秒间跑完的食谱。从基础费率起步；依次乘以每个评级变量的相对性；乘以增额限额因子与免赔额相对性；再施以任何把费用与利润加载进来的损失成本乘数；最后加上固定费用。走一遍看看：基础 800，年轻驾驶人 2.5，市区地域 1.3，免赔额因子 0.82——800 乘 2.5 乘 1.3 乘 0.82，落在约 2,132（尚未加费用）。这一个数字，就是*你*的保费；而你如今能看清，它从来就不是一个数字，而是一连串诚实、各自有据的零件相乘的积。