区域风险分类是财产险（尤其是车险）定价的核心环节。传统方法将区域（如邮政编码）作为分类变量纳入广义线性模型，或使用经纬度样条函数拟合地理风险，但存在明显局限：区域过多时数据稀疏导致估计不可靠，且无法利用区域间的空间关系（邻接性、交通连通性、地理屏障等）。
该研究创新性地将图论引入车险费率制定，以比利时第三方责任险数据（beMTPL97，162,231条观测）为样本，将每个邮政编码区域视为图节点，区域间的邻接关系、共享边界长度、质心距离等作为边，构建区域关系图。研究比较了五种模型：省份分类模型、经纬度样条模型、图特征模型（使用度中心性、介数中心性、PageRank等图指标）、图神经网络嵌入模型、以及端到端GNN预测模型。
核心发现： GNN模型在Gini系数（衡量风险区分能力）上达0.215，远超省份模型（0.103）和样条模型（0.078），表明图结构信息显著提升了风险排序能力。特征重要性分析显示，介数中心性对预测的贡献远大于传统的质心距离，说明区域在交通网络中的“枢纽”地位比地理远近更影响风险。t-SNE聚类揭示了传统地理划分无法识别的风险同质区域，可用于优化费率分区。
精算实务价值： 图方法能有效“借用”相邻区域信息，提升数据稀疏区域的费率可信度；图神经网络产生的区域嵌入可为传统GLM提供高价值特征；通过图消息传递，模型自然实现了区域间的平滑过渡，缓解了传统费率分区“边界突变”问题。尽管GNN训练计算成本较高，但其推理效率已满足运营部署需求。
该研究为财产险区域定价提供了从“地理驱动”向“关系驱动”转变的方法论突破，尤其适用于区域划分复杂、数据稀疏的车险、家财险等险种。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6943.html
微信扫一扫 
