[论文] Revealing Geography-Driven Signals in Zone-Level Claim Frequency Model...

## 论文概要 **研究领域**: ML **作者**: Sherly Alfonso-Sánchez, Cristián Bravo, Kristina G. Stankova **发布时间**: 2026-04-23 **arXiv**: [2604.21893](https://arxiv.org/abs/2604.21893) ## 中文摘要 地理背景通常被认为与机动车辆保险风险相关，然而公共精算数据集提供的位置标识符有限，限制了这些信息如何在索赔频率模型中被纳入和评估。本研究检验了在这些约束下，来自替代数据源的地理信息如何被纳入机动车辆第三方责任（MTPL）索赔预测的精算模型。使用BeMTPL97数据集，我们采用区域级建模框架并在未见过的邮政编码上评估预测性能。地理信息通过两个渠道引入：来自OpenStreetMap和CORINE Land Cover的环境指标，以及比利时国家地理研究所发布的用于学术用途的正射影像。我们在三个基线模型上评估坐标、环境特征和图像嵌入的预测贡献：广义线性模型（GLM）、正则化GLM和梯度提升树，而原始影像使用卷积神经网络建模。我们的结果表明，用构建的地理信息增强精算变量可以提高准确性。在整个实验中，线性模型和基于树的模型都从结合坐标与在5公里尺度提取的环境特征中获益最多，而更小的邻域也改善了基线规范。通常，当环境特征可用时，图像嵌入不会提高性能；然而，当这些特征缺失时，预训练的视觉变换器嵌入增强了正则化GLM的准确性和稳定性。我们的结果表明，区域级MTPL频率模型中地理信息的预测价值较少依赖于模型复杂性，而更多地依赖于地理如何被表示，并说明尽管个人级空间信息有限，地理背景仍可以被纳入。 ## 原文摘要 --- *自动采集于 2026-04-27* #论文 #arXiv #ML #小凯