In insurance rate-making, the use of statistical machine learning techniques such as artificial neural networks (ANN) is an emerging approach, and many insurance companies have been using them for pricing. However, due to the complexity of model specification and its implementation, model explainability may be essential to meet insurance pricing transparency for rate regulation purposes. This requirement may imply the need for estimating or evaluating the variable importance when complicated models are used. Furthermore, from both rate-making and rate-regulation perspectives, it is critical to investigate the impact of major risk factors on the response variables, such as claim frequency or claim severity. In this work, we consider the modelling problems of how claim counts, claim amounts and average loss per claim are related to major risk factors. ANN models are applied to meet this goal, and variable importance is measured to improve the model’s explainability due to the models’ complex nature. The results obtained from different variable importance measurements are compared, and dominant risk factors are identified. The contribution of this work is in making advanced mathematical models possible for applications in auto insurance rate regulation. This study focuses on analyzing major risks only, but the proposed method can be applied to more general insurance pricing problems when additional risk factors are being considered. In addition, the proposed methodology is useful for other business applications where statistical machine learning techniques are used.

中文翻译：

---

提高用于汽车保险费率监管的人工神经网络中主要风险因素的可解释性

在保险费率制定中，使用人工神经网络 (ANN) 等统计机器学习技术是一种新兴方法，许多保险公司已将其用于定价。然而，由于模型规范及其实施的复杂性，模型可解释性对于满足保险定价透明度的费率监管可能至关重要。这一要求可能意味着在使用复杂模型时需要估计或评估变量的重要性。此外，从制定费率和费率监管的角度来看，调查主要风险因素对响应变量（例如索赔频率或索赔严重程度）的影响至关重要。在这项工作中，我们考虑了索赔如何计算的建模问题，索赔额和每项索赔的平均损失与主要风险因素有关。应用 ANN 模型来实现这一目标，并且由于模型的复杂性，测量变量重要性以提高模型的可解释性。比较从不同变量重要性测量获得的结果，并确定主要风险因素。这项工作的贡献是使先进的数学模型在汽车保险费率监管中的应用成为可能。本研究仅侧重于分析主要风险，但当考虑其他风险因素时，所提出的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。由于模型的复杂性，测量变量重要性以提高模型的可解释性。比较从不同变量重要性测量获得的结果，并确定主要风险因素。这项工作的贡献是使先进的数学模型在汽车保险费率监管中的应用成为可能。本研究仅侧重于分析主要风险，但当考虑其他风险因素时，所提出的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。由于模型的复杂性，测量变量重要性以提高模型的可解释性。比较从不同变量重要性测量获得的结果，并确定主要风险因素。这项工作的贡献是使先进的数学模型在汽车保险费率监管中的应用成为可能。本研究仅侧重于分析主要风险，但当考虑其他风险因素时，所提出的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。比较从不同变量重要性测量获得的结果，并确定主要风险因素。这项工作的贡献是使先进的数学模型在汽车保险费率监管中的应用成为可能。本研究仅侧重于分析主要风险，但当考虑其他风险因素时，所提出的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。比较从不同变量重要性测量获得的结果，并确定主要风险因素。这项工作的贡献是使先进的数学模型在汽车保险费率监管中的应用成为可能。本研究仅侧重于分析主要风险，但当考虑其他风险因素时，所提出的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。但是当考虑额外的风险因素时，建议的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。但是当考虑额外的风险因素时，建议的方法可以应用于更一般的保险定价问题。此外，所提出的方法对于使用统计机器学习技术的其他业务应用程序也很有用。