人身保險業中的健康數據分析
文/國泰人壽健康智庫/精算一部 專案經理 林民浩博士
人身保險業是以健康數據分析為核心的產業，但過往卻鮮少有公共衛生專業投入該產業。事實上，人身保險業主要獲利來源有三－死差、費差和利差，其中，死差（或稱給付差），即是在商品銷售前所預定的疾病發生率與實際銷售後疾病發生率的差。然而，要在商品銷售前即能瞭解銷售對象的健康狀態、推估合理的預期發生率，並在銷售後持續追蹤、分析保戶的實際發生率，對屬於金融專業的保險業而言極具挑戰性。但對公共衛生專業而言，使用健康數據與流行病學分析，掌握保戶之健康狀態和健康事件之分布，從而設算和追蹤保戶的發生率，可說是熟門熟路。本文著眼於此，先向讀者介紹人身商品的類型，再說明健康數據分析於產業核心業務的應用與價值。
人身商品的類型
人身保險是以人的生命或身體為標的，當發生生存、死亡、疾病、事故傷害等事件時，給予保險金補償。依照保險法的分類，人身保險商品包括四大類：
1、 人壽保險：以生存或死亡為保障標的，若是屆期仍生存給予給付者，稱為生存保險，這類商品儲蓄意涵較高；若是保險有效期間死亡者給予給付，即為傳統所說的壽險，保障成分較重。
2、 健康保險：因疾病或遭受意外傷害事故而在門診、住院或外科手術醫療時給予給付，則是通稱的醫療險。市面上常見包括：依照住院天數給付理賠金額的住院日額保險、依照手術方式給予固定理賠金額的手術定額險、依實際醫療費用給付的實支實付險。另外，還有罹患癌症、重大傷病、認知功能障礙或失能……等，以罹患特定疾病為標的，給予保險金額保障的健康保險商品。
3、 傷害保險：特指當保戶發生「非由疾病引起之外來突發事故」，給予保險保障的商品類型。
4、 年金保險：指在保險有效期間，保險公司自約定時日起，每屆滿一定期間即給付保險金。這類商品通常會設計成活得越久領得越多，假如保戶活到超乎預期的長壽時，這類商品就能填補收入或儲蓄不足的情形，因此又常被稱為養老金保險。
上述商品的定價核心，高度依賴流行病學指標－死亡率與發生率來做決定。假定保險公司和一群保戶約定，如果在保單生效一年內不幸死亡，則給予100萬的身故保險金；若預估這群保戶一年內的死亡機率為0.001632，預定利率6%、附加費用率10%，則應該收取的保費為：
(0.001632 X 100萬 X (1+6%)-1/2) X (1+10%)=1744元
上述問題看似是數學問題，但誠如文章開頭段落所言，在保險商品沒有賣出之前，如何能知道將來購買的保戶的實際死亡率呢？這就是健康數據與流行病學分析的議題了。
健康數據分析於人身保險的應用場景
商品設計與定價：人身保險產品的開發，需要奠基於合適的健康與醫療統計資料，並針對預期購買的客群特質（如性別、年齡、健康狀況…等）以及健康政策與科技的發展，精算合理的發生率，並綜合公司過往的經驗與風險承受能力加以定價。其實保險公司所謂的參考過往經驗，即是依照預期銷售客群的流行病學特徵加以修正，力求精準的發生率估計，因為設算出過高的發生率，將使商品在市場上缺乏競爭力；過低的發生率，則會使商品虧損、甚至是產生財務壓力。尤其保險業將於2026年接軌國際財務報導準則第17號公報(IFRS17)，源自發生率估計造成的損益將直接反映在財報上，將使業者更加重視對發生率的掌握。
危險分類：商品訂定後，接下來則是將保戶分類到合適的商品。許多人會誤以為核保是為了選擇健康的保戶，但事實上，是將保戶分類到其所屬的風險類型的商品，讓一個健康的保戶去買弱體商品、或是讓有體況的保戶購買健康者的商品，都會使保戶風險與對價不符，而讓保險無法發揮風險分擔的效果，或者讓保戶承受不公平的費率。透過流病與健康數據分析，則能計算出具有特定體況的保戶之相對危險性(relative risk, RR)供核保人員評估。相對危險性的估計同樣需力求精確，不論是高估保戶風險而加以拒保，或是低估保戶風險加以承保，皆會減損商品的收益。
上述的場景，配合近年持續發展的人工智慧 (artificial intelligence, AI)與金融科技(FinTech)議題，對於保戶健康狀態的探索，開始有別於傳統的流行病學調查與分析模式，而更強調與保戶建立互動關係，例如建立健康促進平台、消費導購平台、金融服務整合平台…等，在客戶的授權下，從穿戴裝置、生活習慣、購物偏好、金融消費行為…等資訊中，透過數據分析的轉換，擘畫出保戶的健康樣態，再進一步結合適合的商品行銷或服務流程推薦。
結語
本文雖然受限於篇幅，無法深入說明更多健康數據分析應用的細節與價值，但在人身保險業中，需仰賴健康數據分析與流行病學專業的議題不斷萌發，像是防疫險、外溢保單、商業保險協同健保……等議題，也帶動產業正視對相關背景的人才需求。對應來說，公共衛生專業也可思索在教學、服務與研究，乃至於職涯發展上，如何呼應人身保險業的需求、深入耕耘產業新藍海。
分享到:
