健康保险分析数据集：整合个体与区域背景变量的西班牙健康保险组合实证研究

《Scientific Data》：A dataset for health insurance analysis: Integrating individual and area-based contextual variables

　　本刊推荐一项旨在解决健康保险领域因数据保密性和竞争性导致真实数据获取困难的研究。研究人员通过构建一个包含2017-2019年西班牙健康保险组合的匿名数据集，整合了27个原始个体变量和15个基于区域的社会经济、人口统计及气候背景变量。该数据集（DOI: 10.17632/386vmj2tbk.4）涵盖超过7万份保单和22.8万条记录，为保险产品设计、风险定价（如Solvency II框架下的应用）及学术教育提供了高质量的真实数据资源，显著推动了保险数据共享与研究透明度。

　　

在保险行业，尤其是健康保险领域，获取真实、高质量的数据一直是一个巨大的挑战。由于严格的隐私保护法规和激烈的市场竞争，保险公司通常将自身数据视为核心商业机密，不愿与外界分享。这种数据壁垒严重制约了学术研究的深入和专业分析的精准性，使得研究人员和从业者难以对保险产品的设计、风险定价模型的有效性以及市场动态进行实证检验。此前，虽有学者尝试发布车险或寿险的匿名数据集，但其适用性有限，无法满足健康保险这一高度敏感且复杂的细分领域的需求。正是在这样的背景下，由西班牙巴伦西亚大学应用经济系的Josep Lledó、Priscila Espinosa和Virgilio Pérez组成的研究团队，在《Scientific Data》上发表了一项重要研究成果，提供了一个全新的、可用于健康保险分析的综合性数据集。

为了打破数据孤岛，研究人员与一家西班牙专业健康保险公司合作，经过严格的知识转移协议和数据匿名化处理，构建了一个静态数据集。该数据集时间跨度为2017年至2019年，包含了超过7万名唯一被保险人的信息，总记录条数超过22.8万行。每一条记录都包含了42个变量，其中27个变量直接来源于保险公司，反映了保单的基本信息、被保险人特征（如年龄、性别）以及经济指标（如保费、理赔成本）。尤为重要的是，研究团队利用被保险人住址的邮政编码（已匿名化处理），巧妙地整合了来自西班牙国家统计局（INE）和西班牙气象局（AEMET）的公开数据，衍生出15个区域背景变量。这些变量涵盖了该区域的人口密度、保险渗透率（如IICIMUN, IICIPROV）、经济水平（收入百分位C_GI, C_II）、教育程度（如C_GE_T, C_IE_T分别表示普通人群和投保人群的高等教育水平百分位）以及气候分区（C_C）等多个维度。

在构建数据集的过程中，研究人员采用了几个关键的技术方法。首先，为了解决邮政编码与人口普查区域空间单元不匹配的问题，他们使用了R语言的sc2sc软件包，采用基于人口加权的区域插值法，将 census section（人口普查区域）层级的社会经济统计数据精确地映射到postal code（邮政编码）区域。其次，对于气候数据，他们利用climaemet R包获取气象站点的原始数据，并通过克里金插值法将离散的气象数据转化为覆盖全国各人口普查区域 centroid（质心）的连续气候表面，再应用K-means聚类算法将西班牙划分为六个明显差异化的气候区域。最后，整个数据集经过了严格的技术验证，包括数据清洗、异常值检测、变量一致性检查等，确保了数据的完整性和可靠性。

数据记录

数据集以结构化宽表形式存储，每个观测代表一个“被保险人-年份”组合。核心的个体变量分为四类：标识变量（如ID, ID_policy）、时间变量（如保单生效日期date_effect_insured、风险暴露时间exposure_time）、保单-被保险人变量（如保单类型type_policy、分销渠道distribution_channel、性别gender、年龄age）和经济变量（如净保费premium、年度理赔成本cost_claims_year、医疗服务次数n_medical_services）。其中，lapse（保单失效）变量编码了保单状态，是分析保单续期和客户流失的关键。

新的变量：社会经济和人口统计环境

通过区域背景变量的引入，数据集的分析维度得到了极大拓展。保险渗透率指数（如IICIMUN）揭示了不同市镇每千名居民的保单集中度。经济环境变量（C_GI, C_II）分别反映了被保险人所处邮政编码在全国收入分布和保险组合内部收入分布中的百分位排名，数据显示健康保险更倾向于被高收入人群购买。教育环境变量（如C_GE_T, C_IE_T）则量化了区域的受教育水平。气候变量（C_C）将西班牙划分为六大气候区（如中央大陆性、地中海气候等），为研究气候与健康护理需求的关系提供了可能。

技术验证

研究团队对数据集进行了多阶段的质量控制。对个体变量，检查了标识符的唯一性、时间逻辑的一致性（如生效日期早于失效日期）、分类变量的正确赋值以及经济变量的合理性（如确保保费和理赔成本非负）。对区域背景变量，则验证了邮政编码的有效性，并确保衍生变量（如百分位）的计算准确无误。无效的邮政编码记录被保留在个体变量集中，但在生成区域变量时被标记为空值，保证了数据质量。

使用说明

该数据集具有广泛的应用前景。在学术研究方面，可用于分析健康保险动态，例如研究不对称信息、评估不同客户细分市场（依据保单类型、分销渠道、年龄性别等）的损失率（Loss Ratio），或者利用机器学习模型进行风险预测和客户流失分析。在教学领域，它为学生提供了真实的数据清洗、统计分析和建模练习平台。在行业实践方面，新进入健康保险市场的公司可将其作为基准数据进行初步定价，再结合自身理赔经验逐步优化模型。此外，数据集支持纵向分析，允许追踪同一被保险人在多年内的保单状态和理赔历史变化。

综上所述，这项研究提供的健康保险数据集成功地整合了微观个体数据和宏观区域背景信息，在确保数据隐私的前提下，为健康保险的学术研究和行业实践提供了宝贵的资源。尽管数据集的时间范围（2017-2019年）和地理范围（西班牙单一保险公司）存在一定的局限性，这与保险数据研究的普遍实践相符。该数据集显著缓解了健康保险领域真实数据稀缺的问题，为更深入、更精准的保险研究奠定了坚实的数据基础，对推动保险科学的透明化和创新发展具有重要意义。