Varying risk exposure in auto insurance: a weighted tweedie framework for experience rating an cancellation penalties

Each language version is independently generated for its own context, not a direct translation.

🚗 핵심 비유: "영화관 티켓과 반납 수수료"

상상해 보세요. 여러분이 1 년짜리 영화관 연간 패스를 샀다고 칩시다. 가격은 10 만 원입니다.

기존 방식 (전통적 접근):
- 만약 6 개월 만에 영화를 그만 보고 패스를 반납하면, 보험사 (영화관) 는 "6 개월 썼으니 5 만 원만 환불해 드릴게요"라고 말합니다.
- 문제점: 하지만 실제로는 6 개월 동안 영화를 많이 본 '성실한 고객'보다, 1 개월 만에 사고를 내고 차를 바꾸느라 계약을 끊은 '문제 있는 고객'이 더 많을 수 있습니다. 기존 방식은 이 '문제 있는 고객'에게 너무 관대하게 대접을 해주는 꼴이 됩니다.
이 논문의 제안 (새로운 접근):
- "아니요, 1 개월 만에 끊으셨다면 5 만 원이 아니라 8 만 원은 내셔야 합니다. 그리고 1 년을 다 채우신 분에게는 10 만 원 대신 7 만 원만 받으시죠."
- 핵심 아이디어: 계약을 중도에 끊는 것은 단순히 '사용 기간'이 짧은 문제가 아니라, 위험한 행동 (사고 등) 을 했을 가능성이 높다는 신호일 수 있습니다. 따라서 중도 해지자에게는 **'해지 수수료 (페널티)'**를 더 많이 받고, 그 대신 1 년을 다 채운 성실한 고객에게는 할인을 해주는 것입니다.

🧐 왜 이런 변화가 필요한가요? (데이터가 말해주는 진실)

논문의 저자들은 캐나다의 실제 자동차 보험 데이터를 분석했습니다. 결과는 놀라웠습니다.

사고를 많이 낸 사람 (위험한 운전자): 계약을 1 년 채우기 전에 끊는 경우가 훨씬 많았습니다. (예: 차가 총손해가 나거나, 보험사를 바꾸려고 함)
성실한 사람 (안전한 운전자): 1 년 내내 계약을 유지했습니다.

기존 보험 모델은 "사용한 시간만큼만 요금을 내면 된다"고 생각해서, 위험한 운전자가 중도에 끊을 때 너무 적은 금액만 내게 했습니다. 하지만 이 논서는 **"아니야, 너는 위험해서 계약이 짧아진 거잖아? 그래서 더 많은 비용을 부담해야 해"**라고 말합니다.

🛠️ 어떻게 해결할까요? (세 가지 도구)

저자들은 이 문제를 해결하기 위해 수학적 도구인 **'트위디 (Tweedie) 모델'**을 개량했습니다. 이를 쉽게 설명하면 다음과 같습니다.

1. 유연한 요금제 (Flexible Approach)

기존에는 "시간이 1/2 이면 요금도 1/2"이라고 딱 잘랐습니다. 하지만 저자들은 **"시간과 요금의 관계는 곡선이다"**라고 주장합니다.

비유: 커피를 마실 때, 첫 10 분에 마신 커피의 '가치'나 '비용'이 그다음 10 분과 다를 수 있듯이, 보험 기간의 초반과 후반의 위험도 다릅니다. 그래서 시간 (t) 에 따라 요금이 선형이 아니라 유연하게 변하는 함수 (γ(t)) 를 사용합니다.

2. 가중치 조절 (Weighting)

데이터를 분석할 때, 모든 고객의 기록을 똑같이 취급하지 않습니다.

비유: 시험을 볼 때, 1 년 내내 공부한 학생의 성적과 1 달만 공부하고 시험을 망친 학생의 성적을 똑같이 평균 내면 안 되죠? 위험한 고객 (중도 해지자) 의 데이터에 더 높은 '가중치'를 두어, 그들의 위험을 더 정확히 반영합니다.

3. 페널티 구조 (Cancellation Penalty)

중도 해지 시 부과할 '수수료'를 수학적으로 설계합니다.

규칙:
1. 계약 기간이 길어질수록 환불 금액은 줄어야 합니다 (당연하죠).
2. 하지만 중도 해지 시 내야 하는 총액은, 기존에 예상했던 '사용 기간에 비례한 요금'보다 적어도 같거나 더 많아야 합니다. (보험사가 손해를 보지 않게)
효과: 이 페널티를 통해 보험사는 중도 해지자에게서 더 많은 돈을 받아, 그로 인해 발생한 큰 사고 비용의 일부를 충당할 수 있습니다.

🏆 이 방법이 가져오는 이점

이 새로운 방식을 도입하면 보험사와 고객 모두에게 이득이 됩니다.

보험사의 이득 (전략적 우위):
- 위험한 고객 (중도 해지자) 들로부터 더 많은 '해지 수수료'를 받아 손실을 메꿀 수 있습니다.
- 그 덕분에 1 년 내내 성실하게 보험을 유지하는 고객들에게는 보험료를 더 낮게 책정할 수 있습니다. (할인 효과)
고객의 이득 (공정성):
- "나는 1 년 내내 사고 없이 잘 지냈는데, 왜 위험한 사람들과 똑같은 보험료를 내야 하지?"라는 불만이 사라집니다.
- 성실한 운전자는 더 저렴한 보험료를, 위험한 운전자는 더 높은 비용을 지불하게 되어 공정한 시장이 만들어집니다.
경쟁력:
- 보험사 A 는 "우리는 1 년 유지 고객에게 더 저렴하게 해드립니다"라고 광고할 수 있게 되어 시장에서 더 경쟁력이 생깁니다.

💡 결론: "중도 해지는 단순한 해지가 아니다"

이 논문은 단순히 "계약 기간을 계산하는 방법"을 고치는 것을 넘어, 고객의 행동 (중도 해지) 이 가진 '위험 신호'를 읽어내는 새로운 보험 문화를 제안합니다.

기존: "사용한 만큼만 내세요." (비효율적, 성실한 고객 불만)
새로운 방식: "위험한 행동을 하고 계약을 끊으면 더 내세요. 대신 성실하게 1 년을 채우면 더 싸게 드릴게요." (공정함, 보험사 수익성 확보)

마치 헬스장 멤버십이나 스마트폰 약정처럼, 보험도 '초기 비용'과 '해지 비용'을 더 현실적으로 설계함으로써, 보험사와 고객 모두에게 더 합리적인 시스템을 만들 수 있다는 것이 이 논문의 핵심 메시지입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 문제 제기 (Problem Statement)

중도 해지의 빈번성과 복잡성: 자동차 보험 계약은 일반적으로 1 년 단위이지만, 차량 매각, 차량 도난/전손 후 교체, 다른 보험사로의 이전 등 다양한 이유로 계약 기간 중 해지 (중도 해지) 가 빈번하게 발생합니다.
기존 모델의 한계: 전통적인 요율 산정 모델은 기대 손실 비용이 위험 노출 기간 ( $t$ ) 에 비례한다고 가정합니다 ( $\mu = t \times \exp(x^\top \beta)$ ). 즉, 중도 해지 시 비례하여 환불 (pro-rata refund) 을 주는 방식을 전제로 합니다.
실증적 모순: 캐나다 보험사의 실제 데이터를 분석한 결과, 중도 해지 계약 (XO) 과 만기까지 유지된 계약 (XX) 간의 청구 경험에 현저한 차이가 있었습니다. 특히 중도 해지 계약은 청구 빈도 (frequency) 와 심각도 (severity) 가 모두 더 높았으며, 이는 중도 해지가 단순한 행정적 절차가 아니라 위험 프로필과 밀접하게 연관되어 있음을 시사합니다.
전략적 필요성: 중도 해지 시 발생하는 행정 비용 회수뿐만 아니라, 중도 해지를 유발한 중대 사고 (전손 등) 에 대한 비용의 일부를 해지 수수료 (penalty) 를 통해 간접적으로 회수할 수 있는 메커니즘이 필요합니다.

2. 방법론 (Methodology)

저자는 전통적인 비례 가정을 완화하고, 노출 기간 ( $t$ ) 과 기대 손실 간의 관계를 유연하게 모델링하기 위해 **가중 Tweedie 분포 (Weighted Tweedie Framework)**를 확장했습니다.

2.1 유연한 평균 함수 (Flexible Mean Function)

기존의 선형 관계 $\mu = t \exp(x^\top \beta)$ 대신, 다음과 같은 유연한 함수를 도입합니다:
$\mu = \gamma(t) \exp(x^\top \beta)$
여기서 $\gamma(t)$ 는 매끄러운 함수 (스플라인 기반) 로, 노출 기간에 따른 비선형적인 손실 패턴을 포착합니다. 이를 추정하기 위해 **일반화 가법 모델 (GAM, Generalized Additive Models)**을 사용합니다.

2.3 가중치 구조 (Weighting Schemes)

Tweedie 분포의 가중치 매개변수 $w$ 를 어떻게 설정하느냐에 따라 세 가지 모델을 비교합니다:

상수 가중치 모델 (CWM): $w=1$ (오프셋 접근법의 일반화). 모든 관측치에 동일한 가중치 부여.
감마 가중치 모델 (GWM): $w = \gamma(t)^{p-1}$ . 비율 접근법 (ratio approach) 을 일반화한 것으로, 노출이 Poisson 성분 (청구 빈도) 에 영향을 준다는 가정 하에 유도됨.
노출 가중치 모델 (EWM): $w = t^{p-1}$ 을 유지하면서 평균 함수는 유연하게 설정. 기존 비율 접근법의 유연한 평균 구조 버전.

2.4 해지 벌금 구조 및 제약 조건 (Penalty Structure & Constraints)

중도 해지 시 보험사가 부과하는 벌금 $\rho(t)$ 를 다음과 같이 정의합니다:
$\rho(t) = \pi_{Flex}(t) - t\pi_{Flex} = \pi_{Flex}(\gamma(t) - t)$
실제 운영을 위해 두 가지 핵심 제약 조건을 모델에 부과합니다:

(C1) 단조성 (Monotonicity): $\gamma(t)$ 는 $t$ 에 대해 증가해야 함 (계약이 길어질수록 환불 금액은 줄어듦).
(C2) 비음수성 (Non-negativity): $\rho(t) \ge 0$ (중도 해지 시 전통적인 비례 환불보다 더 많은 금액을 청구하거나 최소한 동일해야 함).

이러한 제약 하에서 모델의 일관성을 유지하기 위해 반복적 추정 알고리즘을 사용하거나, 제약 조건을 만족하도록 $\gamma(t)$ 를 변환 ( $\gamma_{con}(t)$ ) 한 후 재추정합니다. 또한, 벌금의 강도를 조절하는 매개변수 $a$ 를 도입하여 ( $\gamma_{adj}(t, a) = a\gamma_{con}(t) + (1-a)t$ ) 보험사의 전략적 선택을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

이론적 확장: 전통적인 Tweedie 모델의 비례 가정을 완화하고, 노출을 유연한 함수 $\gamma(t)$ 로 대체하여 중도 해지 현상을 통계적으로 정교하게 모델링하는 프레임워크를 제시했습니다.
모델 비교 및 선택 기준: 편차 (Deviance), 로렌츠 곡선과 집중 곡선 사이의 면적 (ABC/Area criterion), 그리고 Bregman 우세에 기반한 머피 다이어그램 (Murphy diagrams) 을 활용하여 모델의 통계적 적합도와 예측 성능을 다각도로 평가했습니다.
실무적 적용 가능성: 통계적 최적성과 실무적 실행 가능성 (제약 조건 준수) 사이의 균형을 맞추는 방법을 제시했습니다. 특히, 중도 해지 벌금을 통해 중대 사고의 비용을 간접적으로 회수하고, 이를 통해 만기 유지 고객에게 더 낮은 연간 프리미엄을 제공할 수 있는 경쟁 우위를 입증했습니다.
위험 프로필 기반 세분화: BMS (Bonus-Malus Scale) 수준에 따라 다른 스플라인 함수를 적용하여, 위험도가 높은 고객군 (신규 고객 또는 과거 청구 이력 보유자) 에게 더 높은 해지 패널티를 부과하는 차별화된 요율 산정 가능성을 탐구했습니다.

4. 결과 (Results)

데이터 분석: 캐나다 보험사 데이터 (200 만 건 이상) 분석 결과, 중도 해지 계약 (XO) 은 만기 유지 계약 (XX) 에 비해 청구 빈도와 심각도가 유의미하게 높았습니다. 특히 BMS 점수가 중간 정도인 고객 (신규 또는 최근 청구자) 에서 중도 해지 비율이 높게 나타났습니다.
모델 성능: 제안된 유연한 모델 (CWM, GWM, EWM) 은 전통적인 비율 접근법보다 편차 (Deviance) 가 낮고, 집중 곡선과 로렌츠 곡선 사이의 면적 (Area) 이 작아 더 우수한 예측 성능을 보였습니다. 특히 **EWM (Exposure-Weighted Model)**이 가장 좋은 성능을 기록했습니다.
과적합 부재: 훈련 세트와 테스트 세트 간의 편차 차이가 작아 모델이 과적합되지 않았음을 확인했습니다.
벌금 및 수익성:
- 제안된 모델은 중도 해지 계약자로부터 전통적 모델 대비 약 15% 더 많은 프리미엄을 회수했습니다.
- 이는 중도 해지 패널티를 통해 중대 사고 비용을 간접적으로 충당할 수 있음을 의미합니다.
- 동시에, 중도 해지 패널티를 강화하면 만기 유지 고객의 연간 프리미엄을 최대 25% 까지 낮출 수 있어 보험사의 경쟁력을 높일 수 있습니다.
BMS 기반 세분화: BMS 수준 (95-99 vs 100-104) 에 따라 다른 해지 패널티 곡선을 적용할 경우, 통계적으로 유의미한 차이가 확인되었으며, 이는 위험 프로필에 따른 차별화된 요율 산정의 타당성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 보험 요율 산정 분야에서 중도 해지 행동을 단순한 행정적 사건이 아닌, 위험의 중요한 지표로 재정의했습니다.

공정성과 수익성의 조화: 중도 해지 패널티를 통해 위험이 높은 고객 (중도 해지 유발자) 에게 더 많은 비용을 부과함으로써, 저위험 고객 (만기 유지자) 에 대한 보상을 가능하게 하여 공정한 요율 산정을 실현합니다.
전략적 경쟁 우위: 보험사는 중도 해지 패널티 구조를 최적화하여 전체 포트폴리오의 손실 비용을 줄이고, 그 혜택을 만기 유지 고객에게 낮은 연간 프리미엄으로 전가함으로써 시장 경쟁력을 강화할 수 있습니다.
향후 연구 방향: 패널티 함수를 BMS 외에도 운전 경력, 차량 유형 등 다양한 공변량에 의존하도록 확장하여 더 정교한 위험 분류 시스템을 구축할 수 있음을 시사합니다.

결론적으로, 제안된 가중 Tweedie 프레임워크는 중도 해지라는 복잡한 보험 현상을 통계적으로 엄밀하게 모델링할 뿐만 아니라, 보험사의 수익성 관리와 고객 세분화 전략에 실질적인 통찰을 제공하는 혁신적인 접근법입니다.