風險管理學報 第十一卷 第一期 2009年6月Journal of Risk Management June 2009pp. 63-94保戶投資型保險購買決策之預測Forecasting Policyholder’s Purchase Decision ofInvestment-linked Insurance∗許可達（Ker-Tah Hsu）摘 要對壽險公司而言，從現有的保戶篩選出投資型保險的潛在客群，是極為有效的行銷策略。本文試圖利用遺傳演算法，找出最佳的羅吉斯迴歸模型，預測現有保戶對投資型保險的購買決策。由於投資型保險的保戶必須自行承擔投資的風險，其風險態度應為影響其購買行為的重要變數。本文同時考慮了財務風險態度與一般風險態度。另外，對於保戶風險態度的分類，除了傳統的平均數標準差法，灰色統計提供了另一個可能的選擇。本文發現：灰統計較適合結合基因演算法的羅吉斯迴歸模型；平均數標準差法較適合結合逐步羅吉斯迴歸模型。最後，財務風險顯然是保戶在購買投資型保險時所相關的。ᙯᔣෟ：購買決策、投資型保險、風險態度、灰色統計、基因演算法 ∗ 通訊作者，國立台中教育大學國際企業學系助理教授，聯絡地址：台中市西區民生路140號，電話：04-22183934，E-mail：kthsu@。Assistant Professor, Department of International Business,National Taichung University. 作者感謝林兆欣教授與匿名審查人所提供的寶貴意見。
64保戶投資型保險購買決策之預測AbstractFor life insurance companies, selecting the potential buyers of investment-linked insurance out of the existing policyholders is an effective and economicstrategy. We try to use logistic regression model combined with geneticalgorithms and grey clustering statistic to forecast the policyholder’s purchasedecision of investment linked Insurance. Because policyholder of unit linkedinsurance bears the investment risk, their risk attitude should have a great impacton their purchase decision of investment-linked insurance. We take general riskattitude and financial risk attitude into account at the same time. Grey clusteringstatistic offers an alternative to the traditional methods of classification for riskattitude. We find that grey clustering statistic is more suitable for GA-basedlogistic regression; the mean-and-standard-deviation method is more suitable forstepwise logistic regression. Finally, financial risk attitude is more relevant forpolicyholders’ purchase decision than general risk : purchase decision, investment-linked insurance, risk attitude, greyclustering statistic, genetic algorithms
風險管理學報65第十一卷 第一期 2009年ٛ6月1. 緒論投資型保險的保戶必須自行承擔風險。投資型保險之特性在於將保險商品與投資工具連結，即責任準備金係依保戶選擇投資於分離帳戶，此帳戶與保險公司資產分開管理，保單價值準備金直接反應投資績效，由保戶享有投資收益並承擔投資風險，保險公司並不保證最低解約金或保單價值準備金（Schrager and Plesser,2004）。台灣由於市場利率持續走低，以及壽險業資金運用投資報酬不易的大環境下，過去所銷售的高預定利率的保單在此時已面臨龐大的利差損失，長期下來將會危及壽險業經營的穩健，於是壽險公司乃將商品轉向能將風險大部分轉移給保單持有人並讓其分享大部份投資利得的投資型保險。張文武、林政緯（2007）以1999年至2004年間國內25家人壽保險公司之實証結果發現：在控制其他變數之下，壽險公司經營投資型保險對公司經營績效有正面助益，且投資型保險市場佔有率越高，公司績效越好。這表示：壽險公司視投資型保險為解決利差損的重要工具。以行銷策略而言，如能將行銷的資源導向重度使用者（heavy user），至少可以減少無謂的資源浪費，此一策略的理論基礎可以追溯到Twedt (1964)。引申而言，在此經營環境轉換之際，壽險公司如能從現有的保戶篩選出投資型保險的潛在客群，或是促使現有保戶將其現有傳統型保單轉為投資型保險，對其經營將有極大的助益。而成功的市場導向行銷策略必須奠基於有效的市場區隔（marketsegmentation）的技術上。基於此背景，本文試圖建立預測模型，對於壽險公司現有保戶是否會購買投資型商品的決策結果加以預測。壽險公司可以利用此類模型作為區隔市場的工具，協助他們確定哪些現有的保戶是可能的投資型保險的購買者。本文的反應變量，購買投資型保險與否，為二元變數，即只有購買或是不購買兩種可能性。對於二元的反應變量應用較廣的傳統的方法為羅吉斯迴歸模型（logistic regression）。遺傳演算法（genetic algorithms, GA）是人工智慧中的一種技術，它特別適用於求解空間很大、非線性、複雜、可能有雜訊的問題。因此，本文試圖利用遺傳演算法，在求解空間中發揮其搜尋能力，找出最佳的羅吉斯迴歸模型 ，用以預測現有保戶對投資型保險的購買決策。購買投資型保險的行為應是遵循著一般購買者行為模式，並受到購買者特徵的影響。根據Kolter (2003)，購買者特徵包括文化、社會、個人、與心理等因素。
66保戶投資型保險購買決策之預測根據財務理論，經濟個體的風險態度會影響其資產組合配置（Copeland, Weston, andShastri, 2005）。由於投資型保險的保戶必須自行承擔投資的風險，其風險態度應為影響其購買行為的重要變數，本文因此選取風險態度作為心理因素的代表。其餘各項特徵則選取相應的變數為代表。金寶玲、陳嘉惠、張淑芬（2003）將消費者分為四群不同的投資理財群集，即「積極型」、「保守型」、「隨興型」、「理性型」，並分析各群對投資型保險商品的知悉度、了解度、購買動機、評估準則與購買意願的異同。但此分類方式與財務理論中對於投資人的風險態度的分類與基本假設並不相同。以問卷衡量受測者的風險態度，其設計卻有多個可能方向。本文將WeissRatings’ Mutual Fund Investor Profile Quiz為代表的量表所衡量者稱為財務風險態度，Pearson, Goldman, Orav, Guadagnoli, Gracia, Johnson and Lee (1995) 所發展出來的量表為代表的量表所衡量者稱為一般風險態度。如何利用這兩個變數作為投入變數，也是本文研究的目的之一。傳統上對於問卷的受測者進行分類時，大多是根據受測者的答案所被賦予的分數，使用分數的加總，接著給予各類別相應的分數區間，對受測者加以分類；或是求出所有受測者的平均分數，接著將受測者平均分數加減標準差來對受測者加以分類。但傳統的方式卻未必適當，灰色統計聚類提供了另一個可能的選擇。本文研究的目的因此在於：探討如何以灰聚類分析對保戶的風險態度加以分類，此種分類方法是否比傳統的平均數標準差方法優良；結合灰聚類分析、基因演算法與羅吉斯迴歸模型，建立預測模型，對於壽險公司現有保戶是否會購買投資型商品的決策結果加以預測。本文之內容結構如下：第二節文獻回顧，簡介重度使用者與市場區隔、購買者行為模式、灰色統計聚類與遺傳演算法；第三節為研究設計，說明變數定義與問卷設計、灰色統計聚類的分析步驟以及遺傳演算法之運算方式與參數設定；第四節為結果分析；第五節為結論。2. 文獻回顧 重度使用者與市場區隔Twedt (1964) 發現：在大多數的商品中，重度使用者（heavy user）的購買量是輕度使用者的購買量的九倍。將所有購買者依購買量由大而小加以排列，以中位數加以區隔，購買量較大的半部稱為重度使用者，購買量較小的半部稱為輕度
風險管理學報67第十一卷 第一期 2009年ٛ6月使用者。Twedt (1964) 原來的目的在提出以購買量取代傳統的人口統計變數作為市場調查的變數。但從重度使用者的概念隱含企業在行銷時應該將行銷的資源鎖定重度使用者。欲鎖定重度使用者首先必須能夠將重度使用者從其他的經濟個體中區分出來，也就是市場區隔。市場區隔的概念早於1956年就由Wendell (1956) 所提出。由於Chamberlin與Robinson壟斷性競爭理論的提出，商品的異質性已經被納入個體經濟理論中，但在行銷的實務上，商品的差異化（product differentiation）與市場區隔仍然沒有受到應有的重視，所以Wendell (1956) 將二者提出，作為普及化行銷策略以外的可能選擇。依Wendell (1956)，市場區隔是一種廣告行銷的技巧，代表利用產品的差異化滿足不同群組消費者的特定需求。但是除此之外，市場區隔也可以增加企業的獲利能力，如果市場區隔成本小於其所帶來的額外利潤的話。成功的市場區隔也可以讓企業更有效的選擇銷售的管道以及技巧（Chiu,Chen, Kuo and Ku, 2009）。在界定各個區隔市場之前，必須先決定區隔的標準。最容易得到的資料而且直覺的區分標準為人口變數，使用人口變數作為市場區隔的前提是：人口變數與消費相關（Assael and Poltrack, 1993）。研究廠商購買媒體廣告的選擇標準時，Assaeland Cannon (1979) 發現：間接以人口變數作為選取標準其有效程度只有直接以購買行為作為選取標準時的一半。稍後，Barwise and Ehrengerg (1988) 認為：導至這個結果的原因是，電視媒體的訴求是極為大眾化的，所以人口變數無法作為區隔的標準。在其後的研究中，Assael and Poltrack (1991; 1993) 比較人口變數與購買行為作為選取購買電視節目時段的選取標準，也發現：人口變數不足以作為購買行為的代理變數。但Assael and Poltrack (1994) 發現：對某些商品而言，重度使用者的人口統計變數可以有效的作為區隔的標準。為求找出重度使用者的人口統計變數，本文利用Kolter (2003) 所提出的購買者行為模式中的變數作為市場區隔的標準，因為到目前為止的主要文獻所提出的變數均不出其包含的範圍。 購買者行為模式購買投資型保險的行為應是遵循著一般購買者行為模式。根據Kolter (2003)，購買者行為模式係探討行銷刺激因素與環境刺激因素，究竟如何影響購買者意識，然後依購買者的特徵與決策過程進而產生消費者決策。購買者行為模式主要包含四個部分：行銷刺激與其他刺激、購買者特徵、決策過程以及購買者決策。本文重點在從已知的購買者特徵預測未知的購買者決策。購買者決策過程受到購買者特徵的影響。根據Kolter (2003)，購買者特徵包
68保戶投資型保險購買決策之預測括文化、社會、個人、與心理等因素。文化是個人慾望及行為的基本決定因素。每種文化皆包含許多更小的次文化，提供其成員更明確的認同感與社會化過程。次文化可區分為國家、宗教、種族、地理區域。本文以潛在購買者所居住的地理區域為解釋變數。這是因為在本文研究的地區-台灣，並沒有國家、宗教、種族等差異，而且它是一個易於取得的人口統計變數。社會因素指的是個人的參考群體、家庭、社會角色及地位等因素。婚姻狀況、性別為易於取得的人口統計變數，故選取為解釋變數。個人因素包括年齡與生命週期階段、職業與經濟狀況、生活型態、人格及自我觀念。其代表的變數如年齡、學歷、職業與所得為易於取得的人口統計變數，故選取為解釋變數。另外，保戶對於的購買決策應與其經濟狀況有重要相關，故增加投資金額、已購買保單張數、年所得與資產市值等做為解釋變數。心理因素包括動機、認知、學習及信念。其中，認知指經濟個體選擇、組織與解釋外來資訊，以產生其內心世界有意義事物之過程。由於投資型保險的保戶必須自行承擔投資風險，其風險態度應該會對他們的購買決策影響甚深，本文因此選取風險態度作為心理因素的代表。目前風險態度的衡量以預期效用理論（expected utility theory）以及其變型為基礎。預期效用理論的變型主要以期望理論（prospect theory）為代表（Kahneman and Tversky, 1979）。根據預期效用理論，對於投資人的風險態度有三種可能的假設：風險趨避、風險中立與風險愛好。這三種風險態度可以用公平賭局的觀念加以定義。在財務學理論中，經常假定投資人是風險趨避的。這表示投資人會拒絕一個公平的賭局，因為得到相同預期報酬的效用小於失去此預期報酬的負效用（Markowitz, 1959;Copeland, Weston, and Shastri, 2005）。在效用理論及期望理論的架構下，風險態度等同於經濟個體效用函數形狀的名稱，而效用函數的形狀則是由經濟個體在一系列風險性選擇的結果來導出。但是以風險態度作為一種個人特質，卻可能產生兩個問題。首先，以不同的方法來衡量經濟個體的效用可能產生不同的分類。其次，經濟個體在不同的領域與情況下，即使以相同的方法衡量，其風險態度並非是一致的（Weber, Blais and Betz, 2002）。根據預期效用理論，可以利用經濟個體對事件發生機率之偏好問項，作風險態度的衡量，例如Bas, Melenberg and van Soest (1997) 與Warneryd (1996)。但是根據預期效用理論設計的問卷，除了以上所言的兩個問題之外，他們假設經濟個體必須具有基本機率的概念，回答此類量表需要很高的時間成本，而且必須在控制良好的實驗環境。對於基金公司或是壽險公司而言，使用此類問卷對投資人分類，進行市場區隔，擬定不同的銷售策略，成本將極為昂貴而且不切實際。基金
風險管理學報69第十一卷 第一期 2009年ٛ6月公司或是保險公司用於衡量投資人的風險態度所使用的問卷形式與內容可以Weiss Ratings’ Mutual Fund Investor Profile Quiz (Weiss Ratings, Inc., 2000) 作為代表，因此本文採用Weiss Ratings’ Mutual Fund Investor Profile Quiz為基礎，另行參考台灣壽險公司所使用的理財性向測驗量表，設計本文的量表來對保戶的風險態度分類。此種量表所衡量的風險態度為經濟個體在面對財務風險時所有的風險偏好，故命名此種風險態度為財務風險態度。另一方面，Weber, Blais and Betz (2002)提及：風險承擔的行為是針對風險的內容的（content-specific）。易言之，如果風險的內容不同，經濟個體的風險態度就會有所差異。為了證實這一觀點，本文採用Pearson, Goldman, Orav, Guadagnoli, Gracia, Johnson and Lee (1995) 所發展出來的量表作為對照，此一量表也被Allison, Kiefe, Cook, Gerrity, Orav and Centor (1998)與Fiscella, Zwanziger, Sorbero and Willians (2000) 進一步加以運用，此一量表所衡量的風險態度將命名為一般風險態度。 灰色統計聚類傳統上對於問卷的受測者進行分類時，大多是根據受測者的答案所被賦予的分數，使用分數的加總，接著給予各類別相應的分數區間，對受測者加以分類；或是求出所有受測者的平均分數，接著將受測者平均分數加減標準差來對受測者加以分類。這樣的分類程序應用在保戶的風險態度分類上卻可能產生幾個問題。首先，由於受測者所提供的答案受到其生理與心理因素的影響，其風險趨避程度或是風險容忍程度並非是隨著所有答案的總分增加而增加。其次，以上所言的分類方式都是將受測者依照研究者所預定的類別數目來加以分類，但是研究者預定的類別數目可能是獨斷而隨意的。灰色系統理論中的灰色統計聚類方法提供了以上分類問題的一種解決方法。灰色系統理論由Deng (1982) 所提出。主要是適用於系統模型中資訊不明確性的情況時，進行系統中的關聯分析及模型建構，與預測未來趨勢。灰色統計方法是指根據白化權函數將統計對象歸到各統計灰類類別之方法。它計算方法簡單且易於操作。另外，利用灰色統計聚類，除了可以很客觀的給定高、中、低標的數值分類之外，也可以得到每個標準下的百分比分布範圍（Wen and Huang, 2004）。Lee, Lin and Hsiao (2007) 運用灰統計分析與灰關聯分析對資訊服務型供應鏈++進行績效指標的篩選與偏好分析。Wen and Huang (2004) 則以C語言作為設計軟體，發展灰色統計分析之電腦工具箱，並實際使用於學生學習測驗成績之分類上。Wen (2008) 使用Matlab發展基於灰色聚類與模糊綜合評估（fuzzy comprehensionevaluation method）之電腦工具箱，使用於學生學習測驗成績之分類上。
70保戶投資型保險購買決策之預測 遺傳演算法遺傳演算法由Holland (1975) 所提出。它是根據生物系系統演化過程所開發出來的，模擬生物與生物之間「適者生存，不適者淘汰」的機制，是以機率準則為基礎所發展的最佳演算法，具有強固性（Robustness）與領域獨立性（domainindependence）。強固性指問題的限制條件降到最低，並提高系統的容錯能力；領域的獨立性則指遺傳演算法可以適用於多種不同性質領域的問題。遺傳演算法利用平行運算由一組等距不連續點，同時運算搜尋目標，這種處理方式使它不易陷入局部最佳解（local optimum）的困境，而會朝整體最佳解（global optimum）收歛。因此遺傳演算法特別適用於求解空間很大、非線性、複雜、可能有雜訊的問題，這些問題是傳統決定性最佳化方法（deterministic optimization）所無法解決的（Lin, Chen and Lin, 2000）。以遺傳演算法求解時，問題的可能解或是參數可以是二元數、整數、實數或是符號表示。遺傳演算法使用一組編碼化的字串來表示個體的特徵集合，稱為染色體（chromosome）。編碼的方法可以是二進位、整數、實數與文字，最廣為使用的方式是二進位編碼。根據染色體計算對環境的適應值（fitness value）。適應函數是用以評估每一條染色體是否有能力存活到下一代的目標函數，其極值就是遺傳演算法所尋求的解答。進化過程中，每個基因都以適應函數評估其適應值，決定其特徵集合遺傳到下一代族群的機率多寡。各個染色體在每一代以隨機方式進行交配（crossover）與突變（mutation）產生下一代，接著根據其染色體計算對環境的適應值，決定其特徵集合遺傳到下一代族群的機率多寡。每一代染色體的集合稱為族群（population），透過族群的更新與迭代搜尋總體最適解，族群的更新與迭代是透過選擇、交配與突變完成，此三者也是遺傳演算法的基本運算（Lin, Chenand Lin, 2000）。遺傳演算法在財務上的應用日益受到重視。它可應用於發展交易策略與法則（Bauer, 1994），如Allen and Karlajainen (1999) 以1928年到1998年的S&P500指數作為研究樣本，以移動平均線、最高價、最低價以及成交量作為輸入變數，並運用遺傳演算法產生技術性買進、賣出時點交易法則。Korcazk and Roger (2002)則由法國股市CAC40指數中選出24支股票，研究期間選定為1997年至1999年11月10日，以4種技術指標結合遺傳演算法搜尋報酬率最大的最佳交易策略。它也可與類神經網路結合，發展發展交易策略與法則，如Lien and Yeh (2008)，採用台灣股價加權指數及成交量所轉換的18個價量技術指標為輸入參數。以期末資金最大化為適應函數，利用遺傳演算法建構買賣決策類神經網路。Chiu and
風險管理學報71第十一卷 第一期 2009年ٛ6月Hsu (2008) 結合遺傳演算法與法則式類神經網路，針對台積電、聯電與鴻海三支個股來進行買賣時點的探討，並與買入持有法及倒傳遞類神經網路法進行比較。遺傳演算法也可用於建構最適投資組合，如Lin, Chen and Lin (2000) 應用遺傳演算法，利用使用者對產業及公司財務比率的偏好，發展一套投資組合選擇模型，提供投資人依個人不同需求挑選出最適組合。或是用於預測企業的違約風險（Back,Laitinen, Sere, 1996; Ko and Lin, 2006）。截至目前為止，遺傳演算法用於行銷之市場區隔，文獻極少。Tsai and Chiu(2004) 曾經應用遺傳演算法與市場區隔變數的建立上，他們利用消費者購買的商品件數以及消費金額作為市場區隔的標準，而遺傳演算法則加強其分類的能力，保證在同一群組中的消費者有最相似的消費模式。換句話說，在Tsai and Chiu (2004)中，遺傳演算法的作用與本文中的灰色統計聚類相似。在方法上與Tsai and Chiu(2004) 不同的是，本文將以遺傳演算法篩選出適合進入羅吉斯回歸模型的變數，使模型能達到最佳的預測結果。3. 研究設計 變數定義與問卷設計本文以居住地區來代表文化的特徵；以婚姻狀況、性別作為社會因素的代表；保戶的年齡、學歷、職業、投資金額、已購買保單張數、年所得與資產市值則作為個人因素的代表；風險態度則作為心理因素的代表。各投入變數之操作型定義如下：(1)Y：購買與否，1表示購買投資型保險；2表示未購買投資型保險。(2)X：居住地區，1表示居住地區為都會區；2表示居住地區為鄉鎮區。11(3)X：婚姻狀況，1表示已婚，設為虛擬變數X；2表示未婚，設為虛擬變數222X；3為其它狀況。2(4)X：性別，1表示男性；2表示女性。3(5)X：年齡，1表示20至25歲；2表示26至30歲；3表示31至35歲；4表4示36至40歲；5表示41至45歲；6表示46至50歲；7表示51至55歲；8表示56至60歲；9表示60歲以上。(6)X：學歷，1表示國中以下；2表示高中；3表示專科；4表示大學；5表示5研究所以上。
72保戶投資型保險購買決策之預測1(7)X：職業，1表示企業負責人，設為虛擬變數X；2表示企業職員，設為虛6623擬變數X；3表示自由業，設為虛擬變數X；4表示勞工，設為虛擬變數6645X；5表示家管學生無業，設為虛擬變數X；6表示軍公教，設為虛擬變數666X；7表示其他。6(8)X：每月投資金額，1表示0；2表示1～2,999；3表示3,000～5,999；4表7示6,000～9,999；5表示10,000～14,999；6表示15,000～19,999；7表示20,000～49,999；8表示50,000以上。(9)X：年所得，1表示30萬以下；2表示30～50萬；3表示50～100萬；4表8示100～200萬；5表示200萬以上。(10)X：總資產市價，1表示總資產市價在50萬元新台幣以下；2表示總資產市9價在50萬至100萬元新台幣之間；3表示總資產市價在100萬至200萬元新台幣之間；4表示總資產市價在200萬至500萬元新台幣之間；5表示總資產市價在500萬至1,000萬元新台幣之間；6表示總資產市價在1,000萬元新台幣以上。(11)X：已購人身保險保單張數，1表示0張；2表示1～2張；3表示3～4張；104表示5～6張；5表示7張以上。(12)X：理財風險趨避程度，1表示有低度風險趨避；2表示中度風險趨避；311表示高度風險趨避。(13)X：一般風險趨避程度，1表示有低度風險趨避；2表示中度風險趨避；312表示高度風險趨避。包括所有的虛擬變數，本文的投入變數因此總計有18個。衡量財務風險態度的量表根據問題所表示的風險忍受程度高低主觀分別給予1- 5分不等的權重分數，風險忍受程度越高者得分越高。其中第1、2和4題為風險程度高低順序與其他各題相反之題目。衡量財務風險態度的量表以下問題：(1)您如何吸收理財資訊？：每天都會去瀏覽網站上的投資理財資訊，得5分；只看電視上的財經新聞，得3分；根本不會看，得1分。(2)您認為自己的投資知識如何？：能夠自行分析研究，得5分；有一些基本知識，得3分；對於投資完全不懂，也沒經驗，得1分。(3)您對投資報酬的期望為何？：不賠最重要，得1分；比銀行定存高一點就可以，得3分；不管風險如何賺越多越好，得5分。(4)如果您的投資標的1天內大漲10％，一個月重挫50％，您會如何處理？：相信自己的判斷，加碼並持續持有，得5分；按兵不動，等待績效回春，得3
風險管理學報73第十一卷 第一期 2009年ٛ6月分；趕緊賣出，以免損失更慘，得1分。(5)您安排了前景看好的投資組合，然而卻在半年後下跌了20％，您會有何反應？：全部賣出，得1分；長期持有、靜觀其變，得3分；愈跌愈買，在低點將成本降低，得5分。(6)假設您投資了一筆錢，您最願意接受下列那一個投資組合的表現？：A組合：賺5％賠2％，得1分；B組合：賺20％賠10％，得2分；C組合：賺45％賠25％，得3分；D組合：賺80％ 賠50％，得4分；E組合：賺120％ 賠80％，得5分。(7)您對投資風險的忍受程度為何？：我不喜歡有風險，避免虧損比創造較高的報酬更重要，得1分；我只能忍受適當程度的風險，雖然投資報酬只是普普通通，得3分；不論風險多大，我要最佳的投資報酬，得5分。(8)請問您的投資經驗：我有興趣從事任何投資（包含基金、股票），得1分；我目前沒有任何投資，我對投資風險覺得擔心，得2分；我已經放一小部份錢在投資，希望在有限風險下賺得利潤，得3分；我已經將我儲蓄的一半以上拿來投資，得4分；我曾經投資過期貨、選擇權或一些非常高風險的商品，得5分。衡量一般風險態度的量表採用李克特式尺度來衡量，從「非常不同意」到「非常同意」，分為六個尺度，風險忍受程度越高者得分越高。其中題號第2、4及6題為反向計分方式。衡量一般風險態度的量表包含以下問題：(1)我樂於冒險。(2)我會設法迴避可能發生不確定性結果的情況。(3)假如獲利可能性非常高時，我不會擔憂冒險。(4)我認為安全是日常生活中很重要的因素。(5)有人認為我很喜歡冒險。(6)當沒有冒險的必要時，我不會去冒險。 分析架構本文之分析架構主要分為三個部份：變數資料處理程序、預測程序與模型評估程序。在變數資料處理程序中，我們以將保戶的理財風險態度與一般風險態度作分類，使用的方法為灰色統計聚類或是傳統的平均數標準差法。在預測程序中，則以遺傳演算法篩選出變數建立最適羅吉斯迴歸模型或是以逐步迴歸建立最適羅吉斯迴歸模型，對保戶的投資型保險購買決策做預測。在模型評估程序中，則以
74保戶投資型保險購買決策之預測正確率與誤判成本作為預測績效的比較標準，其中逐步羅吉斯迴歸模型的績效則作為比較的基準。由於在資料處理程序與預測程序中採用的方法不同，本文將以4個模型預測保戶的購買決策：模型1在變數資料處理程序中採用灰色統計，在預測程序中，採用遺傳演算法篩選出變數建立最適羅吉斯迴歸模型；模型2變數在資料處理程序中採用平均數標準差法，在預測程序中，採用遺傳演算法篩選出變數建立最適羅吉斯迴歸模型；模型3在資料處理程序中採用灰色統計，在預測程序中，採用逐步羅吉斯迴歸分析；模型4在資料處理程序中採用平均數標準差法，在預測程序中，採用逐步羅吉斯迴歸分析。 灰色統計聚類灰色統計聚類的分析步驟可以說明如下(Deng, 1989;Wen and Huang, 2004 )：令fx為x的單調線性函數，x為灰量且fx∈0,1，fx稱為x的白化()()[]()權函數(grey whiteness function)，其中fx=1寫為f，即f=1，一般分為高、()maxmax中及低三種形式。首先定義a,a,a,..,a為統計對象，b,b,b,...,b為統計指標，123m123nf,f,f,...,f為給定灰數的白化權函數，實數d為第i個統計對象對第j個統計123lij指標的樣本數值，其中m,n,l,i,j∈N，1≤i≤m，1≤j≤n。其次定義D為以d為元素之矩陣。ijdd...d⎡⎤11121n⎢⎥dd...d21222nD= (1)............⎢⎥dd...d⎣m1m2mn⎦接著定義F為一映射，op⎡fd⎤為fd之運算，()()kijkij⎣⎦F:op⎡⎤fd→σ∈0,1, k∈N, 1≤i≤m, 1≤j≤n (2)[]()kijjk⎣⎦得到σ=σ,σ,σ,.,σ， 1≤j≤n (3)()jj1j2j3jlσ稱為權向量序列，F稱為灰統計。灰色統計的運算過程可以如下描述（Wenjand Huang, 2004）：
風險管理學報75第十一卷 第一期 2009年ٛ6月步驟1：主觀給定白化權函數f,f,f,...,f的數值。123l步驟2：計算統計指標j對所有給定白化權函數的對應值：fd。()kijmf=fd+fd+fd+...+fd()()()()∑111j12j13j1mji=1mf=fd+fd+fd+...+fd()()()()∑221j22j23j2mji=1m (4)f=fd+fd+fd+...+fd()()()()∑331j32j33j3mji=1..............................................................................mf=fd+fd+fd+...+fd()()()()∑ll1jl2jl3jlmji=1步驟3：計算所有給定白化權函數的對應值的總和f。∑mmmm f=f+ff+...+f (5)∑∑∑∑∑123li=1i=1i=1i=1步驟4：計算在統計指標j之下各個統計指標相對於給定白化權函數之權向量σ。jmmmmffff∑∑∑∑123li=i=1i=1i=1σ,σ,σ,...,σ (6)j1j2j3jlffff∑∑∑∑步驟5：取權向量σ之最大值，即為該統計對象相對之統計灰類。jmaxσ=maxσ,σ,σ,...,σ (7)()()jj1j2j3jl步驟6：重複(1)到(5)的步驟，依此類推可以求出其他統計對象之統計灰類類別。步驟7：由統計灰類的結果中，可以得知各個灰類在全體中所佔的百分比。本文中計算權向量所使用的程式為溫坤禮、張簡士琨、葉鎮愷、王建文、林慧珊（2006）所發展的。
76保戶投資型保險購買決策之預測 遺傳演算法編碼機制（encoding mechanism）的決定取決於問題的性質。針對本文所研究問題，我們以一個字串代表一個染色體，以二進位方式編碼，每一格代表一個bit，而每一個bit代表變數是否被選入羅吉斯迴歸模型。本文所選取的變數有居住地、婚姻狀況、性別、年齡、學歷、職業、每月投資金額、年所得、總資產市價、已購人身保險保單張數及風險趨避程度。由於婚姻與職業均為名義尺度，且分類數大於2，故設定虛擬變數，每個變數均以第一個類別為參考類別，婚姻有兩個虛擬變數，職業有六個虛擬變數。染色體的長度因此為18個bits，0代表變數沒有被選取，1代表變數被選取。適應函數的設計在求預測錯誤次數極小化，定義適應函數ffv如下式：ffv==Φforecast,real()∑iii=1其中，E為預測錯誤次數；Φ為錯誤預測函數，其功能是將預測值（forecast）與實際值（real）做互斥運算。Holland (1975) 所提出最基本演算法則，稱為simple genetic algorithm (SGA)，其運算方式可以如下表示（Srinvias and Patnaik, 1994）：步驟1：隨機設定初始族群。步驟2：計算染色體的適應值。步驟3：選擇好的染色體。步驟4：進行染色體間的突變與交配。步驟5：計算染色體的適應值。步驟6：如果沒有達到終止條件，例如特定世代或是特定計算時間，重複進行步驟3到步驟5。SGA採用的選擇機制（selection mechanism）為輪盤法（roulette wheelselection）。輪盤法的缺點為在演化初期，整個族群都只具有較低的適應值，適應值相對較高的幾個染色體因此容易獲得數量較多的子代，使得演化提早收歛，可能無法求得整體最佳解；在演化的後期，則由於整個族群已經收斂，所有的染色體都分配到數量相差不多的子代，使族群失去尋找較佳染色體的動力。競爭法（tournament selection）則可以克服這兩個問題（Srinvias and Patnaik, 1994）。傳統上，SGA的交配機制（crossover mechanism）為單點交配（one-point
風險管理學報77第十一卷 第一期 2009年ٛ6月crossover）或是兩點交配（two-point crossover），兩點交配的進一步改進則是多點交配（multipoint crossover）。這些方法都是決定交配點以後，將染色體中的某些段交換。均勻分布（scattered）的交配方式則是以亂數決定一個向量，向量中的元素決定交換哪些位元。由有關初始族群大小與交配方法的交互作用的研究發現，兩點交配方式較適合於大的族群，均勻分配方式則適合於較小的族群（Srinviasand Patnaik, 1994）。突變的作用在導入演化過程中遺失的位元，使遺傳演算法有機會跳脫局部解至總體最適解，但它在SGA中只扮演次要角色。初始族群大小、交配率與突變率稱為SGA的控制變數。傳統上，SGA設定的初始族群大小在30至200之間；交配率在到之間；突變率則設定在到之間。遺傳演算法的效能決定於控制參數的適當選擇，但是這必需考慮到遺傳演算法各個機制的交互作用，而且取決於目標函數的性質。雖然沒有標準的最適參數設定，但是基本上有個原則：較小的族群搭配較大的突變率與交配率；較大的族群搭配較小的突變率與交配率。Srinvias and Patnaik (1994) 因此建議以下兩個控制參數組合：族群大小為100時，交配率為，突變率為；族群大小為30時，交配率為，突變率為。在試跑程式時，發覺初始族群設為100並沒有使預測的準確率有效提升，但增加運算時間，所以設定初始族群大小為30。選擇機制設為競爭法；交配機制採均勻交配；突變機制採均勻分配；交配率為；突變率為。要使SGA停止執行，必須設定終止條件。本文設定的終止條件為100代後終止，或是50代以−6後，適應值累積的變化量低於函數容忍值，1*10。上述的參數設定列於下表。ܑ1ā็ႊზڱણᇴనؠ控 制 變 定 值Population size30Chromosome size18Selection methodTournamentCrossover methodScatteredCrossover methodUniformMutation . of generation100Stall generation limit 50Function tolerance1e-006
78保戶投資型保險購買決策之預測 羅吉斯迴歸模型本文的反應變量，購買投資型保險與否，為二元變數，即只有購買或是不購買兩種可能性。要找出其影響因素，可以將問題修正為購買比例受哪些因素的影響。對於二元的反應變量應用較廣的方法為羅吉斯迴歸模型。如果將購買與否類比於事件成功與不成功，令P為購買機率，且X=(X,X,X..X)為觀察值之屬123k性，假設其會影響購買機率，則P與X的關係滿足f(x)eP= (8)f(x)1+e1其中f(x)=β+βx+...+βx。因此，不購買機率1−P=。定義優011kkf(x)1+ePf(x)勢比〈odd ratio〉為=e，將優勢比取對數後得1−PPln()=f(x)=β+βx+...+βx (9)011kk1−P我們可以根據上式對優勢比取對數，再對X作多項式迴歸，稱為羅吉斯迴歸模型〈Hair, 1998〉。本文中有關遺傳演算法及羅吉斯迴歸模型計算所使用的程式改寫自林萍珍（2008）。 績效比較標準傳統文獻多以模型的預測正確率作為績效比較的標準。由於初始族群為隨機設定，加以突變與交配的影響，這使得遺傳演算法在求解時，並沒有固定解。因此以預測正確率作為績效比較標準，就會有困難。本文以拔靴法（bootstrap）作為此困難之解決之道。拔靴法最早由Efron (1979) 所提出，為一種蒙地卡羅模擬方法（Monte Carlosimulations），但對母體的參數並沒有作任何的假設。它將抽取的原始樣本視同擬似母體（pseudo-population）或是母體之估計值（an estimate of population），接著ˆ從此擬似母體隨機重複抽樣，建構與原始樣本數相同的新樣本。當我們使用F作***為擬似母體，接著從原始樣本x=x,...,x抽取新樣本x=x,...,x，以()()1n12*bx,=1,...,B代表第B次抽取的樣本（Efron and Tibshirani, 1993）。此種方法可以有效解決樣本數不足的問題。
風險管理學報79第十一卷 第一期 2009年ٛ6月由於遺傳演算法在計算時，十分耗費時間，因此不可能產生足夠的樣本數來進行傳統的統計推論。本文將以遺傳演算法計算出的結果作為擬似母體，以拔靴法隨機重複抽樣，估計其平均數，標準差及信賴區間。估計信賴區間時可以有拔靴法標準信賴區間（bootstrap standard confidence interval），拔靴法t信賴區間（bootstrap-t confidence interval）與拔靴法百分位信賴區間（bootstrap percentileinterval）。當估計量為常態分配時，可以使用拔靴法標準信賴區間；拔靴法t信賴區間適用於平均數或是百分位等估計量，但其準確性則較為不足；拔靴法百分位信賴區間比拔靴法t信賴區間更為穩定，而且具有理論上較佳的收斂性（Efron andTibshirani, 1993），因此本文將採用拔靴法百分位信賴區間。以總正確率作為績效評估的基準，雖然計算方便，但卻忽略了預測錯誤成本的高低。Boritz and Kenndy (1995) 因此以誤判成本（misclassification costs）來衡量模型因誤判而產生的損失程度，進而比較預測模型的優劣。對壽險公司而言，本文中的型I誤差為將實際會購買投資型保險的保戶誤判為不會購買；型II誤差是指將實際沒有購買投資型保險的保戶誤判為會購買。對壽險公司而言，型I誤差產生的成本是應該可收取而沒有收取的保費收入，型II誤差產生的成本是爭取無效客戶所產生的費用。誤判成本的定義如下：誤判成本=A+BC()其中，A=型I誤差百分比*購買投資型保險保戶佔保戶總數比例*成本率；B=型II誤差百分比*非購買投資型保險保戶佔保戶總數比例；C=購買投資型保險保戶佔保戶總數比例*成本率+非購買投資型保險保戶佔保戶總數比例。本文將在3個有關成本率的情境下，以誤判成本比較預測模型的優劣。3個假設分別設為：成本率為、1與20。成本率20()代表型I（型II）誤差的成本為型II（型I）誤差成本的20倍。成本率為1代表型I誤差的成本等於型II誤差成本。4.結果分析 樣本結構本文以台灣某人壽保險公司之保戶為樣本，問卷採隨機發放，此次發放問卷共有900份問卷，回收765份問卷，回收率為85％；其中有效問卷佔526份，無效問卷佔239份，有效問卷率為％。
80保戶投資型保險購買決策之預測樣本結構如下：購買投資型保險者410人，未購買者116人；居住於都會區者250人，非都會區者276人；已婚者323人，未婚者195人，其他婚姻狀態者8人；男性224人，女性302人；20～25歲54人，26～30歲92人，31～35歲112人，36～40歲88人，41～45歲100人，46～50歲52人，51～55歲18人，56～60歲18人，61歲以上4人；國（初）中及以下28人，高中（職） 194人，專科135人，大學142人，研究所以上27人；企業負責人72人，企業職員242人，自由業37人，勞工32人，家管學生無業者62人，軍公教16人，其他65人；每月其它商品投資金額為0者38人，在0到2,999新台幣之間者41人，3,000到5,999新台幣之間者1,175人，6,000到9,999新台幣之間者87人，10,000到14,999元新台幣之間者94人，15,000到19,999元新台幣之間者36人，20,000 到49,999元新台幣之間者37人，超過50,000元新台幣者18人；年所得在30萬以下者87人，在30萬至50萬之間178人，在50至100萬之間171人，在100至200萬之間71人，200萬以上者19人；總資產市價在50萬元新台幣以下151人，50萬至100萬元新台幣之間119人，100萬至200萬元新台幣之間68人，200萬至500萬元新台幣之間95人，500萬至1,000萬元新台幣之間63人，1,000萬元新台幣以上30人；已購人身保險保單張數0張有34人，1～2張有267人，3～4張有152人，5～6張有48人，7張以上有25人。 灰統計聚類分析結果財務風險態度量表計算出的Cronbach’s α為，信度良好，符合內部一致性的要求。以下以編號1的保戶為例，說明如何運用灰色統計聚類計算出其所屬的統計灰類類別。8個問題的答案為統計對象，編號1的保戶為統計指標；統計灰類設為高標、中標及低標三類；相對的白化權函數以答案的分布為準則，分為f（高1標），f（中標）及f（低標）。23步驟1：計算統計指標1對所有給定白化權函數的對應值。8f∑1i=1=f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)111121131141151161171181=0+0+0+0+0+0+0+0=
風險管理學報81第十一卷 第一期 2009年ٛ6月8f∑2i=1=f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)2112212312412512612712811−11−11−11−11−11−11−12−1=+++++++3−13−13−13−13−13−13−13−1=∑3i=1=f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)+f(d)3113213313413513613713812−3=1+1+1+1+1+1+1+1−3=步驟2：計算所有給定白化權函數的對應值的總和。f=0++=8∑步驟3：計算在統計指標1之下，每個統計指標對於給定白化權函數之權向量σ。σ==0，σ，==σ==步驟4：取權向量σ之最大值，即為該統計對象相對之統計灰類。jmaxσ=,,=σ（低標）()()j13編號1的保戶的答案經由灰統計聚類的分類結果與答案分布之白化權函數顯示如圖1；而所有保戶經由灰統計聚類的分類結果與答案分布之白化權函數顯示如圖2。
82保戶投資型保險購買決策之預測ဦ1āϨ̼ᝋבᇴᄃበཱི1ܲ͗நੑࢲᐍၗޘ۞ѷࢍ̶ᙷඕڍဦ2āϨ̼ᝋבᇴᄃٙѣܲ͗நੑࢲᐍၗޘ۞ѷࢍ̶ᙷඕڍ
風險管理學報83第十一卷 第一期 2009年ٛ6月本文以低標為高度風險趨避（低度風險容忍）；中標為中度風險趨避（中度風險容忍）；高標為低度風險趨避（高度風險容忍），故將編號1的保戶歸類為高度風險趨避，類別編號為3。另一方面，編號1的保戶之總分加總為9，依傳統平均數標準差法的區間歸類為高度風險趨避，類別編號為3。雖然在這個例子，兩種分類方法並無差異，但是並非在所有的例子均無差異。下圖顯示出兩種分類方法在所有樣本的異同，圖中的group-org表示平均數標準差法的分類結果；group-grey表示灰統計分析法的分類結果。ဦ3āπӮᇴᇾमڱᄃѷࢍ̶ژдੑચࢲᐍၗޘ̶ᙷ̝ளТ一般風險態度量表計算出的Cronbach’s α為，信度良好，符合內部一致性的要求。基於一般風險態度量表的答案所作的灰統計聚類，其步驟與理財風險態度完全相同。所有保戶經由灰統計聚類的分類結果與答案分布之白化權函數顯示如圖4。
84保戶投資型保險購買決策之預測ဦ4āϨ̼ᝋבᇴᄃٙѣܲ͗˘ਠࢲᐍၗޘ۞ѷࢍ̶ᙷඕڍ平均數標準差法與灰統計分析在一般風險態度分類之異同則顯示於下圖，圖中的group-org表示平均數標準差法的分類結果；group-grey表示灰統計分析法的分類結果。ဦ5āπӮᇴᇾमڱᄃѷࢍ̶ژд˘ਠࢲᐍၗޘ̶ᙷ̝ளТ
風險管理學報85第十一卷 第一期 2009年ٛ6月從上述的圖中也可看出：平均數標準差法與灰統計分析在一般風險態度分類上的差異大於二者在財務風險態度分類上的差異。 結合灰聚類、遺傳演算法的羅吉斯回歸模型預測結果本文之總樣本數為526，設定訓練樣本、驗證樣本與測試樣本的百分比為50％、20％與30％，因此將所有樣本以亂數隨機抽取263個為訓練樣本數；105個為驗證樣本數；158個為測試樣本數。驗證樣本作為計算適應函數內的測試資料之用；訓練樣本是作為適應函數內代入羅吉斯迴歸模型估計係數之用。實驗結果為對測試樣本的預測結果，預測正確率因此是對測試樣本的預測正確率。由於在以遺傳演算法計算出10個結果時，已經有特定的預測正確率數次出現，因此決定以此10個預測正確率為擬似母體。實驗結果簡述於表2：ܑ2āሀݭ۞ീϒቁதᄃᄱҿјώ誤 判 成 本模型型I誤差型II誤差預測正確率成本率 = 成本率 = 1成本率 =
86保戶投資型保險購買決策之預測接著，以拔靴法對擬似母體進行隨機重複抽樣，估計其平均數，標準差及拔靴法百分位信賴區間。在估計平均數與標準差時，進行隨機重複抽樣200次；在進行估計平均數與標準差時，進行隨機重複抽樣1,000次。估計拔靴法百分位信賴區間，採用的信賴水準為90％。ܑ3āሀݭ1ᄃሀݭ2۞٥ڱҤࢍඕڍ誤 判 成 本模 型預測正確率成本率 = 成本率 = 1成本率 = 20估計平均數估計標準差拔靴法百分(, )(, )(, )(, )位信賴區間估計平均數估計標準差拔靴法百分(, )(, )(, )(, )位信賴區間首先，表2與表3的結果顯示，在90％的信賴水準之下，模型3與模型4的預測正確率顯著高於模型1與模型2。以預測正確率而言，逐步迴歸模型應為預測保戶購買決策的較佳模型。其次，以誤判成本而言，只有在成本率= 時，模型3與模型4的誤判成本均顯著高於模型1與模型2的誤判成本，在其他假設的成本率時，模型1與模型2的誤判成本則顯著高於模型3與模型4的誤判成本，這些結果顯示：雖然在預測正確率上，逐步羅吉斯迴歸模型優於結合基因演算法的羅吉斯迴歸模型，但如果型II誤差成本顯著高於型I誤差成本，則有可能結合基因演算法的羅吉斯迴歸模型的預測績效優於逐步羅吉斯迴歸模型。以本文的研究對象而言，型I誤差成本是應該可收取而沒有收取的保費收入，型II誤差成本是爭取無效客戶所產生的費用。在正常狀況下，型I誤差成本應該高於型II誤差成本。因此，成本率為20應為較合理的假設，以誤判成本而言，逐步迴歸模型應為預測保戶購買決策的較佳模型。模型1預測正確率之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（, ）；模型2預測正確率之估計平均數為，
風險管理學報87第十一卷 第一期 2009年ٛ6月估計標準差為，拔靴法百分位信賴區間為（, ）。以獨立樣本T檢定檢定模型1與模型2之預測正確率之估計平均數差異，t 值為，顯著性為，模型2的預測正確率顯著高於模型1。在成本率為的假設下，模型1之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（, ）；模型2之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（,）。以獨立樣本T檢定檢定模型1與模型2之誤判成本之估計平均數差異，t 值為，顯著性為，模型2的誤判成本顯著高於模型1。在成本率為1的假設下，模型1之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（, ）；模型2之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（,）。以獨立樣本T檢定檢定模型1與模型2之誤判成本之估計平均數差異，t 值為，顯著性為，模型1的誤判成本顯著高於模型2。在成本率為20的假設下，模型1之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（, ）；模型2之誤判成本之估計平均數為，估計標準差為，拔靴法百分位信賴區間為（,）。以獨立樣本T檢定檢定模型1與模型2之誤判成本之估計平均數差異，t 值為，顯著性為，模型1的誤判成本顯著高於模型2。模型2的預測正確率顯著高於模型1，且由於成本率為20應為較合理的假設，因此模型1之誤判成本應顯著高於模型2。這表示：結合平均數標準差法的遺傳羅吉斯迴歸模型可以獲得比結合灰統計聚類的遺傳羅吉斯迴歸模型較佳的績效，但差距並不大。此一較佳的績效卻是以較大的標準差為代價，在所有情況下，模型1的標準差都小於模型二。這表示：結合灰統計聚類的遺傳羅吉斯迴歸模型較為穩定。模型4的預測正確率高於模型3，其次，以誤判成本而言，模型4在3個情境下，其誤判成本均低於模型3。這些結果顯示：結合平均數標準差法的逐步羅吉斯迴歸模型可以獲得比結合灰統計聚類的逐步羅吉斯迴歸模型較佳的績效。如果檢視各個模型所選取的變數，可以獲得更進一步的結論。模型1與模型2所選取的變數與次數如表4與表5所示。模型1選取財務風險態度的次數達10次，一般風險態度只有1次；而模型2選取財務風險態度的次數達5次，一般風險態度達有10次。這表示：財務風險態度較適合於作為結合灰統計聚類的遺傳羅吉斯迴歸模型的投入變數；一般風險態度則適合於作為結合平均數標準差法的遺傳羅吉斯迴歸模型的投入變數。
88保戶投資型保險購買決策之預測ܑ4āሀݭ1Ᏼפ۞តᇴᄃѨᇴ變 數次數變 數次數變 數次數居住地0職業15投資金額4婚姻16職業21年所得5婚姻24職業38資產市值5性別4職業48保單數3年齡7職業57財務風險態度10學歷0職業63一般風險態度1ܑ5āሀݭ2Ᏼפ۞តᇴᄃѨᇴ變 數次數變 數次數變 數次數居住地1職業13投資金額5婚姻17職業23年所得9婚姻29職業38資產市值5性別6職業46保單數9年齡5職業58財務風險態度5學歷1職業67一般風險態度10表6與表7列出模型3與模型4選取的變數。進一步檢視模型3與模型4選取的變數，可以發現二者均只選取財務風險態度。4個最適模型均選取財務風險態度作為自變數，只有模型2選取一般風險態度作為自變數。這些結果顯示：財務風險態度較一般風險態度更適合作為預測模型的投入變數。ܑ6āሀݭ3Ᏼפ۞តᇴᄃܼᇴ變 數係 數變 數次 數變 數係 數居住地職業1unselected投資金額unselected婚姻1unselected職業年所得unselected婚姻2unselected職業3unselected資產市值unselected性別職業4unselected保單數年齡職業5unselected財務風險態度學歷unselected職業6unselected一般風險態度unselected
風險管理學報89第十一卷 第一期 2009年ٛ6月ܑ7āሀݭ4Ᏼפ۞តᇴᄃܼᇴ變 數係 數變 數次 數變 數係 數居住地職業1unselected投資金額婚姻1unselected職業年所得unselected婚姻2unselected職業3unselected資產市值unselected性別職業4unselected保單數年齡unselected職業5unselected財務風險態度學歷unselected職業6unselected一般風險態度unselected如果以預測正確率較高與誤判成本較低的模型4而言，從其選取的變數及其係數可以得到幾個發現。首先，壽險公司在選取投資型保險的重度使用者時，可以利用其居住地、性別、職業2、投資金額、購買的保單數以及保戶的財務風險態度作為市場區隔的標準，這些結果也反映出投資型保險的重度使用者之人口統計特徵為何，而且也反映出其影響的方向。居住地的係數為負，表示鄉鎮地區保戶較有可能購買投資型保險；性別的係數為正，表示男性較有可能購買投資型保險；職業2的係數為負，表示企業職員的保戶較有可能購買投資型保險；投資金額的係數為正，表示每月投資在其他金融工具的金額較低的保戶較有可能購買投資型保險；保單數的係數為正，表示購買保單數目較低的保戶較有可能購買投資型保險；財務風險態度的係數為負，表示高度風險趨避的保戶較有可能購買投資型保險。5. 結論本文企圖結合灰聚類分析、基因演算法與羅吉斯迴歸模型作為壽險公司作為區隔市場的工具，協助他們鎖定重度使用者，以確定哪些現有的保戶是可能的投資型保險的購買者。在確定市場區隔變數時，選取的過程奠基於一般購買者模式。問卷的設計適合於大量發放且所需成本較低。簡言之，本文希望將具實用價值的模型奠基在理論的基礎上，且在此提出的模型可能為首次的嘗試。結合基因演算法的羅吉斯迴歸模型在預測正確率與誤判成本上並未能優於傳統的逐步羅吉斯迴歸模型。雖然如此，本文發現了具有方法論意涵的結果。我們發現：結合平均數標準差法的遺傳羅吉斯迴歸模型可以獲得比結合灰統計聚類的遺傳羅吉斯迴歸模型較佳的績效，但差距並不大，另一方面，結合灰統計聚類的
90保戶投資型保險購買決策之預測遺傳羅吉斯迴歸模型較為穩定；結合平均數標準差法的逐步羅吉斯迴歸模型可以獲得比結合灰統計聚類的逐步羅吉斯迴歸模型較佳的績效；財務風險態度較適合於作為結合灰統計聚類的遺傳羅吉斯迴歸模型的投入變數；一般風險態度則適合於作為結合平均數標準差法的遺傳羅吉斯迴歸模型的投入變數。我們也發現：財務風險態度較一般風險態度更適合作為預測模型的投入變數。此一結果符合Weber,Blais and Betz (2002) 所提的：風險承擔的行為是針對風險的內容的（content-specific）。財務風險量表所衡量的風險內容顯然是保戶在購買投資型保險時所相關的。以投資型保險的市場區隔而言，本文的結果也發現：可以利用其居住地、性別、職業2、投資金額、購買的保單數以及保戶的財務風險態度作為市場區隔的標準。其中，以有關保戶的財務風險態度的引申討論最具意義。行政院金融監督管理委員會為確保投資型人壽保險商品具有一定之保險成分比重，於民國96年10月1日起實施「投資型人壽保險商品死亡給付對保單帳戶價值之最低比率規範」。利用此規範實施前之資料所作的研究，如許可達、蘇文斌、王言（2008）之結果顯示：保戶的風險趨避程度越低，購買投資型保險的可能性越大。這個結果隱含：保戶並不重視投資型保險的保險功用，反而有可能將其視為較具風險性的標的。值得注意的是，本文的結果與上述結果相左，即高度風險趨避的保戶較有可能購買投資型保險。這是由於本文所使用的資料是限定於規範實施之後。兩相對照，可以得知：金管會所實施的「投資型人壽保險商品死亡給付對保單帳戶價值之最低比率規範」發揮了其應有的導正效果。總言之，上述所提具有方法論意涵與風險態度理論意涵的結果是本文的主要貢獻，但在有關投資型商品行銷的政策管理上，本文也意外帶出了可以值得一提的結論。
風險管理學報91第十一卷 第一期 2009年ٛ6月參考文獻1.金寶玲、陳嘉惠、葉淑芬，投資型保險商品購買行為之研究-以消費者投資理財態度為中心之實証分析，壽險季刊，第130期，2003年，27-42。2.林萍珍，投資分析：含Matlab應用、類神經網路與遺傳演算法模型，臺北：新陸書局，2008年。3.張文武、林政緯，壽險公司經營投資型保單對經營績效之影響，保險專刊，第23卷，第1期，2007年，17-36。4.許可達、蘇文斌、王言, 環境刺激因素、保戶特徵與投資型保險購買決策，朝陽商管評論，第7卷，第3期，2008年，73-92。5.溫坤禮、張簡士琨、葉鎮愷、王建文、林慧珊，MATLAB在灰色系統理論的應用，臺北:全華圖書公司，2006年。, F. and R. Karlajainen, 1999, Using Genetic Algorithms to fine TechnicalTrading Rules, Journal of Financial Economics, 51, 2, , J., . Kiefe, E. Cook, . Gerrity, . Orav, and R. Centor, 1998,The Association of Physician Attitudes about Uncertainty and Risk Taking withResource Use in a Medicare HMO, Medicine Decision Making, 18, , H. and H. Cannon, 1979, Do Demographics Help in Media Selection?,Journal of Advertising Research, 19, 6, , H. and D. Poltrack, 1991, Using Single Source Data to Select TV ProgramsBased on Purchasing Behavior, Journal of Advertising Research, 31, 4, , H. and D. Poltrack, 1993, Using Single Source Data to Select TV Programs:Part II, Journal of Advertising Research, 33, 1, , H. and D. Poltrack, 1994, Can Demographic Profiles of Heavy Users Serveas A Surrogate for Purchase Behavior in Selecting TV Programs, Journal ofAdvertising Research, 34, 1, , B., T. Laitinen, and K. Sere, 1995, Neural Networks and Genetic Algorithmsfor Bankruptcy predictions, Expert Systems with Applications, 9, , P. and A. Ehrenberg, 1988, Television and Its Audience, London: , D., B. Melenberg, and A. van Soest, 1997, Estimating Risk Attitudes UsingLotteries: A Large Sample Approach, Discussion Paper, 12, Tilburg University,
92保戶投資型保險購買決策之預測Center for Economic , ., 1994, Genetic Algorithms and Investment Strategies, New York: JohnWiley and , . and . Kennedy, 1995, Effectiveness of Neural Network Types forPrediction of Business Failure, Expert System with Applications, 9, 4, , . and . Hsu, 2008, Investment Decision Model Construction andExploring the Time for Trading Stocks, Journal of Information Management, 15, 1,, , . Chen, . Kuo and . Ku, 2009, An Intelligent MarketSegmentation System Using K-Means and Particle Swarm Optimization, ExpertSystem with Applications, 36, , ., . Weston, and K. Shastri, 2005, Financial Theory and CorporatethPolicy (4 ed.), USA.: Addison-Wesley Publishing Company, , ., 1982, Control Problems of Grey System, System and Control Letters, 5,, ., 1989, Introduction of Grey System Theory, Journal of Grey SystemTheory, 1, 1, , B., 1979, Bootstrap Methods: Another Look at the Jackknife, Annals ofStatistics, 7, 1, , B. and . Tibshirani, 1993, An Introduction to Bootstrap, New York:Chapman and Hall, , K., J. Zwanziger, M. Sorbero, and . Willians, 2000, Risk Aversion andCosts- A Comparison of Physicians and General Internists, The Journal of FamilyPractice, 49, 1, , . JR., . Anderson, . Tatham and . Black, 1998, MultivariatethData Analysis (5 ed.), Upper Saddle River, .: , ., 1975, Adaptation in Natural and Artificial System: An IntroductionAnalysis with Applications to Biology, USA: Control and Artificial Intelligence,University of Michigan , D. and A. Tversky, 1979, Prospect Theory: an Analysis of Decisionunder Risk, Econometrica, 47, , . and . Lin, 2006, An Evolution-based Approach with ModularizedEvaluations to Forecast Financial Distress. Knowledge-Based Systems, 19, 84-91.
風險管理學報93第十一卷 第一期 2009年ٛ6月, J and P. Roger, 2002, Stock Timing Using Genetic Algorithm, AppliedStochastic Models in Business and Industry, 18, , P., 2003, Marketing Management (11 ed.), USA.: Pearson , . and . Yeh, 2008, Building Trading for Taiwan Stock Market UsingGenetic Neural Networks. Journal of Information Management, 15, 1, , ., . Chen, and . Lin, 2000, An Application Genetic Algorithms onUser-oriented Portfolio Selection. Journal of Information Management, 7, 1, , H., 1959, Portfolio Selection, USA: Yale University Press, New Haven,, ., L. Goldman, . Orav, E. Guadagnoli, and . Gracia, , and . Lee, 1995, Triage Decisions for Emergency Department Patientswith Chest Pain: Do Physicians’ Risk Attitudes Make the Difference?, Journal ofGeneral Internal Medicine, 10, 10, , . and . Plesser, 2004, Pricing Rate of Return Guarantees inRegular Premium Unit Linked Insurance, Insurance: Mathematics and Economics,35, , M. and . Patnaik, 1994, Genetic Algorithm: A Survey, Computer, 27,6, , ., 1964, The Current Marketing Question: How Important to MarketingStrategy is the “Heavy User”?, Journal of Marketing, 28, 1, , ., 1996, Risk Attitudes and Risky Behavior, Journal of EconomicPsychology, 17, 6, ., . Stevens and . McConkey, 1990, Using Demographic andLifestyle Analysis to Segment Individual Investors, Financial Analysis Journal, 46,2, 74- , ., . Blais, and . Betz, 2002, A Domain-specific Risk-attitudeScale: Measuring Risk Perceptions and Risk Behavior, Journal of BehavioralDecision Making, 15, Ratings, Inc., 2000, Weiss Ratings’ Mutual Fund Investor Profile Quiz, . and . Huang, 2004, The Development of Grey Statistic Toolbox AndIts Application in The Clustering of Student’s Test Score, Journal of Quantitative
94保戶投資型保險購買決策之預測Management, 1, 2, , ., 2008, A Matlab Toolbox for Grey Clustering and Fuzzy ComprehensiveEvaluation, Advances in Engineering Software, 39, , S., 1956, Product Differentiation and Market Segmentation as AlternativeMarketing Strategies, Journal of Marketing, 21, 1/4, 3-8.
