商业医疗保险损失分析:基于广义线性模型的实证研究

本文使用广义线性模型对商业医疗保险损失进行建模,并用某商业保险公司的医疗保险赔付数据进行了实证检验,结果表明,在影响医疗保险损失的诸多因素中,住院天数、医院级别、地区、保障档次等都是显著的因素,而性别和小于60岁以下年龄段内年龄则并不是显著因素,这些结论给医疗保险的经营和风险控制带来实际的意义.     

我国大病保险最优补偿分段方式与区间数量研究

我国大病保险补偿方案制定中,分段的方式以及区间的数量尤为重要.本文在区间等分、等比递增和等比递减三种分段方式下,分别建立以区间数量为自变量,以大病保险补偿额度为因变量的理论模型.以期望补偿比例作为衡量大病保险补偿水平的标准,在不低于95%的期望补偿比例下,理论结果显示:(i)区间等分、等比递增和等比递减三种分段方式对应的最佳区间数量分别为3个、3个和5个;(ii)在设定前述最优区间数量时,区间等比递增模式的补偿水平最高,其次为区间等比递减模式,区间等分模式的补偿水平最低,但是三者相差不大.接着,基于2015年的CHARLS数据为实证,计算三种区间分段方式下,家庭灾难性医疗支出发生率依次为7.13%、7.26%和7.69%,与理论的结果一致.     

健康保险短期聚合风险模型下理赔参数的半参数经验似然估计

合理的保费厘定对于保险公司至关重要。保费厘定通常可根据理赔的历史数据进行动态调整。在聚合风险模型下,基于可用的个险数据和团险数据,传统的平均理赔额估计方法存在模型假设太强或数据利用不充分等弱点。本文采用基于半参数密度比模型的经验似然估计方法,兼顾非参数模型的灵活稳健性和参数模型的有效性,充分利用历史索赔数据,同时对个险和团险的平均理赔额和条件理赔额进行估计。数值模拟和某公司健康险的真实数据分析表明,相比传统的经验估计,本文采用的经验似然估计具有更小的均方误差,因而更加可靠。     

我国大病保险最优补偿分段方式与区间数量研究

我国大病保险补偿方案制定中,分段的方式以及区间的数量尤为重要.本文在区间等分、等比递增和等比递减三种分段方式下,分别建立以区间数量为自变量,以大病保险补偿额度为因变量的理论模型.以期望补偿比例作为衡量大病保险补偿水平的标准,在不低于95%的期望补偿比例下,理论结果显示:(i)区间等分、等比递增和等比递减三种分段方式对应的最佳区间数量分别为3个、3个和5个;(ii)在设定前述最优区间数量时,区间等比递增模式的补偿水平最高,其次为区间等比递减模式,区间等分模式的补偿水平最低,但是三者相差不大.接着,基于2015年的CHARLS数据为实证,计算三种区间分段方式下,家庭灾难性医疗支出发生率依次为7.13%、7.26%和7.69%,与理论的结果一致.