Automobile insurance ratemaking in the presence of asymmetrical information
信息不对称下的汽车保险费率制定AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及保险事故计数与费率统计建模，未明确研究资产定价、尾部或系统性风险，因此不套用金融细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
信息不对称下的汽车保险费率制定
- 研究问题
- 在保险人与被保险人信息不对称的多期合同中，如何一致地结合风险分类和经验费率，使保费反映个体信息与事故历史？
- 方法与思路
- 作者使用带回归项的 Poisson 和负二项模型估计事故分布，结合事前与事后信息构建奖惩费率系统，并推导保费表。
- 材料陈述的贡献
- 摘要指出现有两类定价方法的结合可能不一致，提出统一风险分类与经验费率的统计模型，并用驾驶员样本展示结果。
- 阅读关注点
- 核对原有整合方式的不一致如何定义、计数模型及个体信息的处理，以及事故历史、时间和回归变量怎样进入保费表。
- 阅读边界
- 仅据所给 Crossref 摘要，信息不对称机制的识别、模型拟合和费率效果未说明；不能据此断言改善福利或解决逆向选择。
原文摘要
Abstract Automobile insurance is an example of a market where multi‐period contracts are observed. This form of contract can be justified by asymmetrical information between the insurer and the insured. Insurers use risk classification together with bonus‐malus systems. In this paper we show that the actual methodology for the integration of these two approaches can lead to inconsistencies. We develop a statistical model that adequately integrates risk classification and experience rating. For this purpose we present Poisson and negative binomial models with regression component in order to use all available information in the estimation of accident distribution. A bonus‐malus system which integrates a priori and a posteriori information on an individual basis is proposed, and insurance premium tables are derived as a function of time, past accidents and the significant variables in the regression. Statistical results were obtained from a sample of 19,013 drivers.