GLM v nezgodnih zavarovanjih: Napovedovanje škod z natančnostjo

Uvod v Posplošene Linearne Modele (GLM) v aktuariatu

V zavarovalništvu se nenehno srečujemo z izzivom natančnega določanja premij in rezervacij, kar je še posebej zahtevno pri nezgodnih zavarovanjih, kjer se soočamo z visoko stopnjo nepredvidljivosti. Kot oseba z 20-letnimi izkušnjami na tem področju, sem prepričana, da posplošeni linearni modeli (GLM) ponujajo robusten in fleksibilen okvir za obvladovanje te kompleksnosti. GLM niso le statistično orodje; so most med teoretičnimi koncepti in praktično aplikacijo, ki nam omogoča, da z manjšo negotovostjo ocenimo prihodnje škodne zahtevke.

GLM predstavljajo razširitev klasičnih linearnih regresijskih modelov, ki pa so omejeni na predpostavko normalno porazdeljene odvisne spremenljivke. V aktuariatu pa se pogosto srečujemo z odvisnimi spremenljivkami, kot so število škod (števila) ali višina škod (pozitivne, asimetrične vrednosti), ki ne sledijo normalni porazdelitvi. GLM nam omogočajo, da obravnavamo različne porazdelitve znotraj eksponencialne družine (npr. Poisson, Gamma, inverzna Gaussova), kar bistveno poveča njihovo uporabnost in natančnost pri modeliranju zavarovalniških podatkov.

Razumevanje GLM je ključno za vsakega aktuarskega strokovnjaka, saj omogoča ne le boljšo napovedovanje, temveč tudi globlje razumevanje dejavnikov, ki vplivajo na škodne zahtevke. S pravilno uporabo GLM lahko zavarovalnice optimizirajo svoje premijske modele, izboljšajo upravljanje s tveganji in zagotovijo stabilnejše poslovanje, kar v končni fazi koristi tudi zavarovalcem. To je področje, kjer se prepletajo matematika, statistika in poslovna strategija.

Teoretične osnove GLM: Eksponencialna družina porazdelitev in vezna funkcija

Srce posplošenih linearnih modelov leži v dveh ključnih konceptih: eksponencialni družini porazdelitev in vezni funkciji. Eksponencialna družina porazdelitev vključuje številne porazdelitve, ki se pogosto pojavljajo v aktuariatu, kot so Poissonova za število dogodkov (npr. število škod), binomska za verjetnost dogodka (npr. verjetnost nezgode), Gaussova (normalna) za zvezne podatke, in še posebej pomembni Gamma ter inverzna Gaussova porazdelitev za modeliranje višine škod. Vsaka izmed teh porazdelitev ima specifične lastnosti, ki omogočajo modeliranje različnih tipov zavarovalnih podatkov z večjo natančnostjo kot klasična linearna regresija.

Vezna funkcija (ang. link function) pa je tisti element, ki povezuje linearni prediktor kovariat (npr. starost, poklic) z povprečjem odvisne spremenljivke. Izbira vezne funkcije ni trivialna in mora biti usklajena z izbrano porazdelitvijo. Tipične vezne funkcije so logaritemska vezna funkcija za Poissonovo in Gamma porazdelitev, ki zagotavlja, da so napovedane vrednosti pozitivne, ter identitetna vezna funkcija za Gaussovo porazdelitev. Na primer, za Poissonovo porazdelitev je naravna vezna funkcija logaritmična funkcija, saj zagotavlja, da so napovedane vrednosti števila škod vedno pozitivne. Za višino škode, kjer uporabljamo porazdelitve kot je Gamma ali inverzna Gaussova, je prav tako pogosto uporabljena logaritemska vezna funkcija ali identitetna funkcija, odvisno od specifik podatkov.

Pravilna izbira obeh komponent – porazdelitve in vezne funkcije – je fundamentalna za konstrukcijo robustnega in interpretabilnega GLM modela. Ta odločitev ni vedno enostavna in pogosto zahteva preizkušanje različnih možnosti ter analizo prileganja modela podatkom. Pomembno je upoštevati naravo podatkov in namen modela, da zagotovimo kar največjo napovedno moč in aktuarsko zanesljivost.

Modeliranje frekvence škod: Poissonova in negativna binomska porazdelitev

Pri nezgodnih zavarovanjih je modeliranje števila škodnih zahtevkov (frekvenca škod) ključnega pomena za določanje premije. Najpogostejša porazdelitev za ta namen je Poissonova porazdelitev. Predpostavlja, da so škodni dogodki neodvisni in se pojavljajo z določeno povprečno hitrostjo. Njena glavna prednost je preprostost in dober vpogled v proces. Vendar pa Poissonova porazdelitev predpostavlja, da sta povprečje in varianca enaki, kar v praksi, še posebej pri zavarovalniških podatkih, pogosto ne drži – pojavlja se t.i. prekomerna disperzija (varianca je večja od povprečja).

Kadar se soočamo s prekomerno disperzijo, je negativna binomska porazdelitev pogosto bolj primerna alternativa. Negativna binomska porazdelitev omogoča, da je varianca večja od povprečja, s čimer bolje zajame heterogenost in kompleksnost škodnih dogodkov. Na primer, pri nezgodnih zavarovanjih se lahko pri določenih skupinah (npr. poklici z visokim tveganjem) zgodi bistveno več škod, kot bi jih napovedovala Poissonova porazdelitev, kar negativna binomska porazdelitev učinkoviteje obravnava. Izbira med tema dvema modeloma je torej odvisna od analize disperzije in prileganja podatkom.

Oba modela se običajno uporabljata z logaritemsko vezno funkcijo, saj s tem zagotovimo, da so napovedane frekvence škod vedno pozitivne. Interpretacija koeficientov nam nato pokaže, kako sprememba določene kovariate (npr. starosti, poklica) vpliva na logaritem pričakovane frekvence škod. Razumevanje teh vplivov je temelj za diferenciacijo premij in ustrezno upravljanje s tveganji.

Modeliranje višine škod: Gamma in inverzna Gaussova porazdelitev

Poleg frekvence škod je izjemno pomembno tudi napovedovanje višine posamezne škode (ang. severity). V nasprotju s frekvenco, ki so diskretne vrednosti, so višine škod zvezne, pozitivne in pogosto močno asimetrično porazdeljene (mnogo majhnih škod in nekaj zelo velikih). Klasična normalna porazdelitev je v tem primeru neprimerna, zato se zatekamo k porazdelitvam, kot sta Gamma in inverzna Gaussova porazdelitev.

Gamma porazdelitev je pogosta izbira za modeliranje višine škod zaradi svoje fleksibilnosti in sposobnosti zajemanja asimetričnih podatkov. Vedno napoveduje pozitivne vrednosti, kar je logično za višino škode. Običajno se uporablja z logaritemsko vezno funkcijo, kar omogoča robustno modeliranje in enostavno interpretacijo koeficientov kot multiplikativnih faktorjev. To pomeni, da povečanje določene kovariate za enoto povzroči multiplikativno spremembo pričakovane višine škode.

Inverzna Gaussova porazdelitev je še ena močna alternativa, še posebej primerna za podatke, ki kažejo daljši rep in večjo asimetrijo kot tisti, ki bi jih dobro zajela Gamma porazdelitev. Prav tako zagotavlja pozitivne napovedi in se pogosto uporablja z logaritemsko vezno funkcijo. Izbira med Gamma in inverzno Gaussovo porazdelitvijo je odvisna od empiričnega prileganja podatkom in analize repov porazdelitve. Pomembno je temeljito preučiti lastnosti podatkov in preizkusiti različne modele, da najdemo optimalnega, ki bo zanesljivo napovedoval prihodnje višine škod.

Izbor vezne funkcije in interpretacija koeficientov

Izbor vezne funkcije ni zgolj tehnična odločitev, temveč ima pomembne implikacije za interpretacijo rezultatov modela. Kot sem že omenila, vezna funkcija povezuje linearni prediktor (linearno kombinacijo kovariat in njihovih koeficientov) s pričakovano vrednostjo odvisne spremenljivke. Pri porazdelitvah z logaritemsko vezno funkcijo, kot sta Poissonova in Gamma, koeficienti ne predstavljajo aditivnega vpliva na odzivno spremenljivko, temveč multiplikativnega na njeno pričakovano vrednost. Na primer, koeficient 0.1 za določeno kovariato pri logaritemski vezni funkciji pomeni, da se pričakovana vrednost odzivne spremenljivke poveča za faktor e^0.1 (približno 1.105) ob spremembi te kovariate za enoto, ob ostalih nespremenjenih pogojih.

Interpretacija koeficientov je srce razumevanja GLM. Predstavljajo kvantifikacijo vpliva posameznih dejavnikov tveganja na frekvenco ali višino škode. Na primer, pozitiven koeficient za 'starost' pri modelu frekvence škod bi pomenil, da se s povečanjem starosti poveča pričakovano število škod. Negativen koeficient za 'varnostne ukrepe' pri modelu višine škode pa bi kazal na zmanjšanje pričakovane višine škode z implementacijo teh ukrepov. Pomembno je upoštevati tudi statistično značilnost koeficientov, da ugotovimo, ali so ti vplivi statistično pomembni ali zgolj naključni.

Razumevanje vezne funkcije in interpretacije koeficientov omogoča aktuarskemu strokovnjaku, da ne samo napoveduje, ampak tudi pojasnjuje vzroke za določene trende v škodnih zahtevkih. To je ključnega pomena za oblikovanje premijskih tarif, razvoj novih produktov in učinkovito upravljanje s tveganji. Prav tako omogoča transparentno komunikacijo z upravljalci in regulatorji, saj lahko natančno pojasnimo, zakaj so določene tarife takšne, kot so.

Vpliv kovariat: Starost, poklic, spol in drugi dejavniki tveganja

Kovariate so neodvisne spremenljivke, ki jih vključujemo v GLM model, da bi pojasnili variabilnost v frekvenci ali višini škod. Pri nezgodnih zavarovanjih so tipične in izjemno pomembne kovariate starost, poklic, spol, kraj bivanja, tip dejavnosti (npr. šport), zdravstveno stanje, in celo življenjski slog. Vsaka od teh kovariat lahko pomembno vpliva na izpostavljenost posameznika tveganju in s tem na verjetnost in/ali obseg škode. Na primer, oseba, ki opravlja fizično zahteven poklic, ima statistično višjo verjetnost za določene vrste nezgod kot pisarniški delavec.

Modeliranje teh kovariat v GLM nam omogoča diferenciacijo tveganja med različnimi skupinami zavarovancev. Na primer, pri modeliranju frekvence škod, bi lahko ugotovila, da ima kategorija 'gradbeni delavec' znatno višji koeficient kot 'administrativni delavec', kar neposredno vpliva na višjo premijo za prvo skupino. Podobno, starostna skupina '18-25 let' se lahko izkaže kot bolj tvegana za določene vrste nezgod kot '40-50 let'. Spol lahko prav tako igra vlogo, čeprav je njegova interpretacija kompleksnejša in se mora vedno opirati na statistično analizo in ne na splošne predpostavke.

Pomembno je, da so kovariate izbrane smiselno in da obstajajo teorijske ali empirične podlage za njihovo vključitev v model. Prekomerno število kovariat (overfitting) lahko vodi do modela, ki se sicer dobro prilega obstoječim podatkom, a slabo napoveduje prihodnje. Zato je ključno preizkusiti različne kombinacije kovariat in oceniti stabilnost modela. Kvaliteten GLM model ne le kvantificira vpliv teh dejavnikov, ampak tudi zagotavlja podlago za pošteno in aktuarsko utemeljeno določanje premij, v skladu z zakonodajo kot je Zakon o zavarovalništvu (ZZavar-1).

Obravnava heterogenosti podatkov in validacija modela

Zavarovalniški podatki so po naravi pogosto heterogeni, kar pomeni, da se lastnosti populacije spreminjajo. Ta heterogenost se lahko kaže v različnih povprečnih frekvencah ali višinah škod med različnimi skupinami (npr. geografskimi regijami, poklicnimi skupinami, starostnimi kategorijami). Ključno je, da GLM model to heterogenost zajame, saj bi sicer lahko prišlo do podcenjevanja ali precenjevanja tveganja za določene segmente. Eden izmed načinov za obravnavo heterogenosti je vključitev interakcijskih členov med kovariatami (npr. starost * poklic), kar omogoča, da vpliv ene kovariate variira glede na vrednost druge. Uporabimo lahko tudi fiksne ali naključne efekte, še posebej pri panelnih podatkih, kjer se isti zavarovanci opazujejo skozi čas, čeprav je to že korak proti splošnim mešanim modelom (GLMM).

Validacija modela je nepogrešljiv korak v procesu razvoja GLM. Vključuje oceno, kako dobro se model prilega podatkom in kako zanesljivo napoveduje nevidene podatke. Metod za validacijo je več, od pregleda diagnostičnih grafikonov (npr. grafikon rezidualov) do statističnih testov (npr. test Hosmer-Lemeshow za prileganje) in tehnik navzkrižne validacije. Ključna je delitev podatkov na učno in testno množico; model se natrenira na učni množici, nato pa se njegova napovedna moč oceni na testni množici, ki je model še ni 'videl'.

Pri validaciji modelov za napovedovanje škod v nezgodnih zavarovanjih pogosto uporabljamo tudi aktuarske metrike, kot je Gini koeficient, ki meri sposobnost modela, da razvršča zavarovance glede na tveganje, ali pa analizo odstopanj med napovedanimi in dejanskimi škodami. Pomembno je tudi spremljanje stabilnosti modela skozi čas, saj se lahko dinamika škod spreminja zaradi zunanjih dejavnikov (npr. spremembe v zakonodaji, kot so spremembe v ZZVZZ ali ZPIZ-2, ki lahko vplivajo na interpretacijo poškodb in invalidnosti). Redno rekalibriranje modela je zato nujno za ohranjanje njegove relevantnosti in natančnosti.

Nezgodno zavarovanje: Kaj je krito in kaj ni krito?

Nezgodno zavarovanje je ključna komponenta finančne varnosti, ki zagotavlja kritje v primeru telesnih poškodb, trajnih posledic (invalidnost) ali celo smrti, nastalih kot posledica nesreče. Kriteriji, kaj se šteje za nezgodo in kaj je krito, so natančno določeni v splošnih in posebnih pogojih posamezne zavarovalnice, vedno pa v skladu z Zakonom o zavarovalništvu (ZZavar-1). Med kritja običajno spadajo stroški zdravljenja, bolnišničnega dnevnika, nadomestilo za začasno ali trajno invalidnost, nadomestilo za trajno prizadetost in kritje v primeru smrti zaradi nezgode. Pomembno je poudariti, da pogoji in obseg kritja se med zavarovalnicami lahko bistveno razlikujejo.

Seznam tipičnih kritij vključuje: a) Smrt zaradi nezgode, b) Trajna invalidnost zaradi nezgode (določena v odstotkih glede na tabelo invalidnosti), c) Dnevno nadomestilo za bolnišnično zdravljenje zaradi nezgode, d) Dnevno nadomestilo za začasno nezmožnost za delo zaradi nezgode, e) Kritje stroškov zdravljenja (npr. fizioterapija, rehabilitacija) po nezgodi, f) Zlomi, opekline, izpahi, g) Stroški prevoza in reševanja. To so informativni primeri, natančno kritje je vedno opredeljeno v pogodbi.

Ključno je razumeti tudi izključitve, torej kaj ni krito. Med najpogostejše izključitve spadajo poškodbe, ki nastanejo zaradi bolezni (npr. infarkt med športno aktivnostjo, razen če je izrecno dogovorjeno), poškodbe pod vplivom alkohola ali drog, poškodbe, ki nastanejo pri namernem povzročanju škode, sodelovanju v pretepu (razen samoobramba), samomoru ali poskusu samomora, pri vožnji neregistriranega vozila, pri udeležbi na nevarnih športnih tekmovanjih (razen če je sklenjeno dodatno kritje), ali kot posledica vojnega stanja, terorističnih dejanj ali naravnih katastrof (razen če so kritja razširjena). Vedno si vzamem čas, da mojim strankam podrobno razložim tako kritja kot izključitve, saj je transparentnost temelj zaupanja in zadovoljstva.

Praktični primer: Optimizacija premije za športnike z GLM

Predstavljajte si zavarovalnico, ki želi optimizirati premije za nezgodno zavarovanje za posameznike, ki se ukvarjajo z različnimi športi. Brez GLM bi zavarovalnica morda uporabila preproste povprečne stopnje ali osnovne segmente (npr. vsi športniki vs. ne-športniki). Z uporabo GLM pa lahko modelira tveganje veliko bolj natančno. Moja ekipa je na primer obravnavala podatke za 10.000 zavarovancev, ki so se ukvarjali z različnimi športi, vključno z alpinizmom, kolesarstvom in plavanjem, v obdobju petih let.

Za modeliranje frekvence škod (števila nezgod na zavarovanca na leto) smo uporabili negativno binomsko porazdelitev z logaritemsko vezno funkcijo, saj smo ugotovili prekomerno disperzijo. Kovariate so vključevale starost, spol, poklic in seveda tip športa. Ugotovili smo, da se je s povečanjem starosti povečevala frekvenca nezgod v določenih športih (npr. alpinizem), medtem ko je pri kolesarjenju frekvenca padala po določeni starosti. Za modeliranje višine škod (povprečni strošek nezgode) smo uporabili Gamma porazdelitev z logaritemsko vezno funkcijo. Tu smo odkrili, da imajo poškodbe pri alpinizmu statistično višjo povprečno višino škode kot poškodbe pri plavanju, kar je pričakovano zaradi narave tveganja.

Končni GLM model je omogočil zavarovalnici, da je premije diferencirala na podlagi specifičnih kombinacij starosti, poklica in tipa športa. To ni samo izboljšalo pravičnosti premij – tisti z manjšim tveganjem so plačevali manj – ampak je tudi povečalo konkurenčnost zavarovalnice na trgu. Namesto splošne premije za 'športnike', so sedaj lahko ponudili premije, ki so odražale individualno profil tveganja. Na primer, povprečna premija za 30-letnega pisarniškega delavca, ki plava, je bila informativno 120 EUR, medtem ko je bila za 45-letnega gradbenega delavca, ki se ukvarja z alpinizmom, informativno 450 EUR. Takšna natančnost, ki jo omogočajo GLM, je transformirala njihovo poslovanje.

Napredni koncepti: Regresijski drevesni modeli in interakcije

Čeprav so GLM izjemno močni, se včasih soočamo s kompleksnimi nelinearnimi odnosi med kovariatami in odzivno spremenljivko, ki jih tradicionalni GLM morda ne zajamejo optimalno. V takšnih primerih se lahko dopolnilno uporabijo regresijski drevesni modeli (npr. CART, Random Forests, Gradient Boosting Machines) ali pa se v GLM vključijo interakcijski členi. Interakcijski členi, kot sem že omenila, omogočajo, da vpliv ene kovariate variira glede na vrednost druge. Na primer, vpliv spola na frekvenco škod je lahko različen za različne starostne skupine ali poklice. Vključitev teh interakcij izboljša prileganje modela in omogoča bolj niansirano razumevanje tveganja.

Regresijski drevesni modeli so še posebej koristni pri odkrivanju kompleksnih interakcij in nelinearnosti, ki jih ni vedno enostavno eksplicitno določiti v GLM. Z njimi lahko identificiramo segmente zavarovancev z zelo specifičnimi profili tveganja. Integracija GLM z regresijskimi drevesi (npr. z uporabo napovedi drevesnih modelov kot kovariat v GLM) omogoča izkoriščanje prednosti obeh pristopov: interpretacijo in robustnost GLM ter sposobnost odkrivanja kompleksnih vzorcev drevesnih modelov. To je t.i. hibridni pristop, ki je v zadnjem času pridobil veliko na popularnosti.

Seveda, pri vsakem naprednem modeliranju je ključnega pomena previdnost. Kompleksnejši modeli so bolj nagnjeni k prekomernemu prileganju (overfitting) in so lahko težje interpretirani. Zato je pomembno, da se vsak model, ne glede na njegovo kompleksnost, temeljito validira in da so rezultati preverjeni s strokovnim znanjem aktuarijev in zavarovalniških strokovnjakov. Cilj ni le ustvariti 'najnatančnejši' model, ampak model, ki je tudi robusten, interpretabilen in uporaben v praksi.

Zaključek: GLM kot temelj za strateške odločitve

Uporaba posplošenih linearnih modelov v nezgodnih zavarovanjih ni zgolj aktuarska modna muha, temveč nuja v sodobnem zavarovalništvu. Omogočajo nam, da se odmaknemo od preprostih in pogosto nenatančnih povprečij k bolj niansiranim in podatkovno podprtim analizam. Z razumevanjem eksponencialne družine porazdelitev, veznih funkcij in vpliva posameznih kovariat, lahko zgradimo modele, ki z visoko stopnjo zanesljivosti napovedujejo prihodnje škodne zahtevke.

Kot strokovnjakinja, ki deluje na presečišču teorije in prakse, sem prepričana, da so GLM temelj za vsako zavarovalnico, ki si prizadeva za konkurenčnost in stabilnost. Ne gre samo za zmanjšanje tveganja, temveč tudi za optimizacijo premij, kar zagotavlja pravičnost za zavarovance in donosnost za zavarovalnico. Vse to pa mora biti vedno v skladu z obstoječo zakonodajo (ZZavar-1, ZZVZZ, ZPIZ-2) in internimi predpisi zavarovalnice, ki določajo okvir delovanja.

Če se sprašujete, kako lahko te kompleksne statistične metode vplivajo na vaše zavarovanje ali kako vaša zavarovalnica uporablja podatke za določanje vaše premije, sem vam na voljo za pogovor. Z veseljem vam bom razložila morebitne nejasnosti in pomagala razumeti, kako se znanost in izkušnje prepletajo v svetu zavarovalništva.

Pogosta vprašanja

Kaj so posplošeni linearni modeli (GLM)?

GLM so fleksibilen statistični okvir za modeliranje odvisnih spremenljivk, ki ne sledijo normalni porazdelitvi. Omogočajo obravnavo različnih vrst podatkov, kot so število škod ali višina škod, znotraj eksponencialne družine porazdelitev in z uporabo vezne funkcije za povezavo s kovariatami.

Zakaj so GLM pomembni za nezgodna zavarovanja?

GLM so ključni, ker omogočajo natančno napovedovanje frekvence in višine škod, kar je bistveno za pravilno določanje premij in upravljanje s tveganji. Omogočajo diferenciacijo tveganja med zavarovanci na podlagi številnih dejavnikov, kot so starost, poklic in spol.

Katere porazdelitve se najpogosteje uporabljajo pri GLM za škode?

Za frekvenco škod se pogosto uporabljata Poissonova in negativna binomska porazdelitev. Za višino škod pa sta najpogostejši Gamma in inverzna Gaussova porazdelitev, saj dobro zajemata asimetrično in pozitivno porazdelitev finančnih zneskov.

Kako vezna funkcija vpliva na interpretacijo modela?

Vezna funkcija povezuje linearni prediktor s pričakovano vrednostjo odzivne spremenljivke. Pri logaritemski vezni funkciji, ki je pogosta, koeficienti kažejo multiplikativni vpliv na pričakovano vrednost, ne aditivnega, kar je pomembno za pravilno interpretacijo vpliva kovariat.

Ali se GLM modeli redno posodabljajo?

Da, aktuarski modeli, vključno z GLM, se redno posodabljajo in rekalibrirajo. To je nujno, saj se dinamika tveganja, demografija in ekonomski pogoji spreminjajo, kar lahko vpliva na natančnost napovedi in relevantnost modela.

Viri in reference

• Zakon o zavarovalništvu (ZZavar-1), Uradni list RS, št. 93/2015 s spremembami
• Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ), Uradni list RS, št. 72/2006 s spremembami
• Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2), Uradni list RS, št. 96/2012 s spremembami
• Agencija za zavarovalni nadzor (AZN) – Smernice za aktuarsko funkcijo in upravljanje s tveganji
• McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models. Chapman and Hall/CRC.

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Riziko življenjsko zavarovanje: Natančen izračun zavarovalne vsote za kritje kredita

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Zdravstveni vprašalnik: dolžnost obveščanja in posledice napak

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo

• 
  Primer: Tehnični vpogledi

  Kajenje in življenjski slog: Kako vplivata na premijo in na presojo tveganja