精算基础设施11 张表
精算底表
生命表、发生率表、折现曲线、暴雨重现期等 11 张表。每张都是平台里的数据集，能画图、能下载，智能体直接取。
- 精算底表
- 11 张
- 数据行
- 69,102
- 真实数据
- 9 张
行业标准表
生命表、发生率表、折现曲线、暴雨重现期、台风登陆。精算定价和评估直接用的表。
01人身保险业经验生命表
经验生命表
保险公司承保的人群里，每个年龄的人一年内死亡的比例。这是 2010—2013 年的经验，第三套行业生命表。
按表号和性别画 qx 随年龄的曲线（对数刻度）。用来算生存概率、年金和寿险的精算现值。
数据出处 中国精算师协会《中国人身保险业经验生命表（2010—2013）》。表值取自美国精算师协会（SOA）生命表数据库 mort.soa.org 第 3375 至 3380 号表（提供方为中国精算师协会，2018 年 7 月认证）
636 行在数据目录打开
- 男（CL1）
- 女（CL2）
- 30 岁男性的 qx
- 0.000797
- 一年内每 1 万人约死亡 8 人
- 60 岁男性的 qx
- 0.00916
- 60 岁女性比男性低
- 52%
数据预览前 8 行，共 636 行
| 表号table_code | 版本edition | 业务类别business | 性别sex | 年龄age | 死亡率qx | SOA 表号soa_table_id | 年龄组（5 岁）age_group |
|---|---|---|---|---|---|---|---|
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 0 | 0.000867 | 3375 | 0-4 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 1 | 0.000615 | 3375 | 0-4 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 2 | 0.000445 | 3375 | 0-4 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 3 | 0.000339 | 3375 | 0-4 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 4 | 0.00028 | 3375 | 0-4 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 5 | 0.000251 | 3375 | 5-9 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 6 | 0.000237 | 3375 | 5-9 |
| CL1 | 2010-2013 | 非养老类业务一表 | 男 | 7 | 0.000233 | 3375 | 5-9 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query insured-life-mortality --where "table_code = CL1" --fields age,qx --limit 200
02第四套人身保险业生命表
经验生命表（第四套）
最新一套行业生命表：养老类、非养老类一表、非养老类二表、单一生命体 4 张表，男女分开，每个年龄一年内死亡的比例。
按表号和性别画 qx 随年龄的曲线（对数刻度）。2026 年起评估法定准备金用它，新的计算默认用它。
数据出处 中国精算师协会《中国人身保险业经验生命表（2025）》；使用规则见国家金融监督管理总局《关于做好〈中国人身保险业经验生命表（2025）〉发布使用有关事项的通知》（金规〔2025〕21号）数据更新 2025/10/29
848 行在数据目录打开
- 第四套 2025（CL2）
- 第三套 2010—2013（CL1）
- 30 岁男性的 qx
- 0.000587
- 第三套 0.000797
- 60 岁男性的 qx
- 0.00795
- 第三套 0.00916
- 60 岁的死亡率下降
- 13%
数据预览前 8 行，共 848 行
| 表号table_code | 版本edition | 业务类别business | 性别sex | 年龄age | 死亡率qx | 千分死亡率qx_per_mille | 年龄组（5 岁）age_group |
|---|---|---|---|---|---|---|---|
| CL1 | 2025 | 养老类业务表 | 男 | 0 | 0.000204 | 0.204 | 0-4 |
| CL1 | 2025 | 养老类业务表 | 男 | 1 | 0.000167 | 0.167 | 0-4 |
| CL1 | 2025 | 养老类业务表 | 男 | 2 | 0.000138 | 0.138 | 0-4 |
| CL1 | 2025 | 养老类业务表 | 男 | 3 | 0.000115 | 0.115 | 0-4 |
| CL1 | 2025 | 养老类业务表 | 男 | 4 | 0.000097 | 0.097 | 0-4 |
| CL1 | 2025 | 养老类业务表 | 男 | 5 | 0.000083 | 0.083 | 5-9 |
| CL1 | 2025 | 养老类业务表 | 男 | 6 | 0.000075 | 0.075 | 5-9 |
| CL1 | 2025 | 养老类业务表 | 男 | 7 | 0.00007 | 0.07 | 5-9 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query insured-life-mortality-2025 --where "table_code = CL2" --where "sex = 男" --fields age,qx --limit 200
03重大疾病经验发生率表
重大疾病经验发生率表
保险公司承保的人群里，每个年龄的人一年内得重大疾病的比例，另有因重疾死亡的比例和轻症与重症之比。
选一张重疾表，按性别画发生率随年龄的曲线（对数刻度）。重疾险的纯保费用它。
数据出处 中国银保监会《关于使用〈中国人身保险业重大疾病经验发生率表（2020）〉有关事项的通知》（银保监发〔2020〕51号）。表值按精算后花园的转载页录入，不是官方的数值文件；整理时和网上流传的附件 PDF 核对，全部一致数据更新 2020/11/05
2,394 行在数据目录打开
- 男
- 女
- 40 岁男性
- 0.00197
- 每 1 万人约 19.7 人
- 40 岁女性
- 0.00254
- 每 1 万人约 25.4 人
- 60 岁男性
- 0.0136
- 每 1 万人约 136 人
数据预览前 8 行，共 2,394 行
| 表号table_code | 表名table_name | 指标measure | 疾病范围disease | 疾病定义版本definition | 适用地区scope | 参考表reference_only | 适用的发生率表applies_to | 性别sex | 年龄age | 年龄段终点age_to | 发生率或比例rate | 原表数值value_as_printed | 原表单位unit_as_printed | 年龄组（5 岁）age_group |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 0 | 0 | 0.000313 | 0.313 | 1/1000 | 0-4 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 1 | 1 | 0.000269 | 0.269 | 1/1000 | 0-4 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 2 | 2 | 0.000231 | 0.231 | 1/1000 | 0-4 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 3 | 3 | 0.000198 | 0.198 | 1/1000 | 0-4 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 4 | 4 | 0.000171 | 0.171 | 1/1000 | 0-4 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 5 | 5 | 0.00015 | 0.15 | 1/1000 | 5-9 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 6 | 6 | 0.000136 | 0.136 | 1/1000 | 5-9 |
| CI1 | 6病种（2007版定义）经验发生率表（CI1） | 发生率 | 6种重大疾病 | 2007版 | 全国 | false | — | 男 | 7 | 7 | 0.000131 | 0.131 | 1/1000 | 5-9 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query critical-illness-incidence-2020 --where "table_code = CI3" --fields sex,age,rate --limit 300
04意外伤害经验发生率表
意外伤害经验发生率表
一年里每个年龄的人因意外身故的比例，意外伤残和身故之比，以及不同职业风险等级的系数。
按性别画意外身故发生率随年龄的曲线（对数刻度），旁边列伤残系数和职业系数。意外险的赔付测算用它。
数据出处 中国精算师协会、中国保险行业协会、中国银行保险信息技术管理有限公司《关于发布〈中国保险业意外伤害经验发生率表（2021）〉的通知》（中精协发〔2021〕14号）。表值按精算后花园的转载页录入，不是官方的数值文件，没有和官方文件核对数据更新 2021/09/01
280 行在数据目录打开
- 男
- 女
- 30 岁男性
- 0.000242
- 女性 0.0000614
- 45 岁男性
- 0.000464
- 女性 0.00015
- 10 岁男性
- 0.0000891
- 女性 0.0000445
数据预览前 8 行，共 280 行
| 表号table_code | 表名table_name | 指标measure | 业务business | 性别sex | 年龄age | 年龄段终点age_to | 职业风险等级occupation_class | 发生率或系数rate | 原表数值value_as_printed | 原表单位unit_as_printed | 年龄组（5 岁）age_group |
|---|---|---|---|---|---|---|---|---|---|---|---|
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 0 | 0 | — | 0.00015352 | 1.5352 | 1/10000 | 0-4 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 1 | 1 | — | 0.00013395 | 1.3395 | 1/10000 | 0-4 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 2 | 2 | — | 0.00011724 | 1.1724 | 1/10000 | 0-4 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 3 | 3 | — | 0.00010343 | 1.0343 | 1/10000 | 0-4 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 4 | 4 | — | 0.00009253 | 0.9253 | 1/10000 | 0-4 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 5 | 5 | — | 0.00008426 | 0.8426 | 1/10000 | 5-9 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 6 | 6 | — | 0.00007928 | 0.7928 | 1/10000 | 5-9 |
| CA1 | 分年龄分性别个人普通意外身故发生率表（0-105）（CA1） | 身故发生率 | 个人普通意外 | 男 | 7 | 7 | — | 0.00007719 | 0.7719 | 1/10000 | 5-9 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query accident-incidence-2021 --where "table_code = CA1" --fields sex,age,rate --limit 300
05中国国债收益率曲线
准备金折现曲线
国债在 3 个月到 30 年各个期限上的到期收益率。
选一天画 9 个期限的收益率曲线，和它的 750 日移动平均。用来给保险负债折现。
数据出处 财政部发布的中国国债收益率曲线（中央国债登记结算有限责任公司编制），取自中债信息网 yield.chinabond.com.cn 的财政部曲线页面。750 日移动平均由平台计算，不是官方发布的准备金计量基准曲线数据更新 2026/11/12
46,593 行在数据目录打开
- 当日收益率
- 750 日移动平均
- 当月末收益率
- 750 日移动平均
数据预览前 8 行，共 46,593 行
| 日期date | 期限（年）tenor_years | 期限tenor_label | 收益率yield_pct | 750日移动平均ma750_pct | 年份date_year |
|---|---|---|---|---|---|
| 2006-03-01 | 0.25 | 3个月 | 1.505 | — | 2006 |
| 2006-03-01 | 0.5 | 6个月 | 1.5891 | — | 2006 |
| 2006-03-01 | 1 | 1年 | 1.68 | — | 2006 |
| 2006-03-01 | 2 | 2年 | 1.85 | — | 2006 |
| 2006-03-01 | 3 | 3年 | 2.0052 | — | 2006 |
| 2006-03-01 | 5 | 5年 | 2.364 | — | 2006 |
| 2006-03-01 | 7 | 7年 | 2.65 | — | 2006 |
| 2006-03-01 | 10 | 10年 | 2.9 | — | 2006 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query treasury-yield-curve --where "date = 2026-11-12" --fields tenor_label,yield_pct,ma750_pct
06县级暴雨重现期
县级暴雨重现期表
每个县多少年一遇的暴雨，一天会下多少毫米。
选一个县画重现期和日降水的曲线。巨灾测算的暴雨危险性用它。
数据出处 平台计算。降水来自 CHM_PRE 中国逐日格点降水数据集（Han 等，2022，平台数据集 grid-annual-extreme-precipitation）；县界来自 2019—2021 年全国县级行政区划矢量（网盘资源，出处待核实）
2,899 行在数据目录打开
广东省云浮市云城区445302
纵轴：日降水（毫米），Gumbel 分布
毫米 150：县的个数 537
纵轴：县的个数，每 25 毫米一档
- 10 年一遇
- 121.0 毫米
- 100 年一遇
- 167.6 毫米
- 全国 2,899 个县里排第 544
- 拟合优度
- 0.987
- 越接近 1 越好 · 县内 6 个格点 · 1961–2022 年
数据预览前 8 行，共 2,899 行
| 行政区划代码region_code | 省province | 地级市city | 县区county | 格点数grid_cells | 年数years_used | 开始年份first_year | 结束年份last_year | 位置参数gumbel_mu | 尺度参数gumbel_beta | 2年一遇rl_2y_mm | 5年一遇rl_5y_mm | 10年一遇rl_10y_mm | 20年一遇rl_20y_mm | 50年一遇rl_50y_mm | 100年一遇rl_100y_mm | 格点最大100年一遇rl_100y_max_cell_mm | 拟合优度ppcc_median | 方法method | 行政区划代码（现行）region_code_current |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 110101 | 北京市 | 北京市 | 东城区 | 0 | 62 | 1961 | 2022 | 56.97 | 24.11 | 65.8 | 93.1 | 111.2 | 128.6 | 151 | 167.9 | 167.9 | 0.9696 | Gumbel，L 矩法，格点参数取县内中位数；县内没有格点，用最近的格点 | 110101 |
| 110102 | 北京市 | 北京市 | 西城区 | 0 | 62 | 1961 | 2022 | 54.41 | 22.39 | 62.6 | 88 | 104.8 | 120.9 | 141.8 | 157.4 | 157.4 | 0.9589 | Gumbel，L 矩法，格点参数取县内中位数；县内没有格点，用最近的格点 | 110102 |
| 110105 | 北京市 | 北京市 | 朝阳区 | 4 | 62 | 1961 | 2022 | 55.11 | 23.28 | 63.6 | 90 | 107.5 | 124.2 | 145.9 | 162.2 | 172 | 0.9729 | Gumbel，L 矩法，格点参数取县内中位数 | 110105 |
| 110106 | 北京市 | 北京市 | 丰台区 | 4 | 62 | 1961 | 2022 | 55.62 | 23.29 | 64.2 | 90.6 | 108 | 124.8 | 146.5 | 162.8 | 174 | 0.9508 | Gumbel，L 矩法，格点参数取县内中位数 | 110106 |
| 110107 | 北京市 | 北京市 | 石景山区 | 1 | 62 | 1961 | 2022 | 62.59 | 28.73 | 73.1 | 105.7 | 127.3 | 147.9 | 174.7 | 194.8 | 194.8 | 0.9717 | Gumbel，L 矩法，格点参数取县内中位数 | 110107 |
| 110108 | 北京市 | 北京市 | 海淀区 | 5 | 62 | 1961 | 2022 | 53.14 | 21.83 | 61.1 | 85.9 | 102.3 | 118 | 138.3 | 153.6 | 173.4 | 0.9679 | Gumbel，L 矩法，格点参数取县内中位数 | 110108 |
| 110109 | 北京市 | 北京市 | 门头沟区 | 16 | 62 | 1961 | 2022 | 49.04 | 18.34 | 55.8 | 76.6 | 90.3 | 103.5 | 120.6 | 133.4 | 179.8 | 0.9644 | Gumbel，L 矩法，格点参数取县内中位数 | 110109 |
| 110111 | 北京市 | 北京市 | 房山区 | 20 | 62 | 1961 | 2022 | 52.56 | 20.54 | 60.1 | 83.4 | 98.8 | 113.6 | 132.7 | 147.1 | 229.1 | 0.9505 | Gumbel，L 矩法，格点参数取县内中位数 | 110111 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query county-rainstorm-return-period --where "region_code = 445302" --fields county,rl_10y_mm,rl_50y_mm,rl_100y_mm,ppcc_median
- 登陆次数
- 839 次
- 1949–2021 年
- 每年平均
- 11.5 次
- 最多的一年
- 1961 年
- 25 次
登陆最多的省：广东省 259 次，海南省 157 次，台湾省 142 次，福建省 121 次，浙江省 52 次。同一个台风多次登陆时各算一次。
数据预览前 8 行，共 839 行
| 台风编号typhoon_no | 当年序号year_seq | 中文名typhoon_name | 登陆日期landfall_date | 登陆序号landfall_seq | 登陆地点landfall_place | 行政区划代码region_code | 登陆时强度等级intensity | 省代码province_code | 省province | 市代码city_code | 地级市city | 登陆年份landfall_year |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4904 | 4 | — | 1949-07-10 | 1 | 香港 | 344 | TS | 344 | 中国香港 | — | 香港 | 1949 |
| 4906 | 6 | — | 1949-07-24 | 1 | 浙江普陀 | 330903 | TY | 330000 | 浙江省 | 330903 | 普陀区 | 1949 |
| 4906 | 6 | — | 1949-07-25 | 2 | 浙江平湖-上海金山 | 310116 | TY | 310000 | 上海市 | 310116 | 金山区 | 1949 |
| 4906 | 6 | — | 1949-07-26 | 3 | 山东乳山 | 371083 | STS | 370000 | 山东省 | 371083 | 乳山市 | 1949 |
| 4908 | 8 | — | 1949-07-28 | 1 | 台湾屏东-高雄 | 710000 | STS | 710000 | 台湾省 | — | 高雄 | 1949 |
| 4911 | 11 | — | 1949-08-08 | 1 | 海南万宁 | 469006 | TD | 460000 | 海南省 | 469006 | 万宁 | 1949 |
| 4911 | 11 | — | 1949-08-09 | 2 | 广东台山 | 440781 | TD | 440000 | 广东省 | 440781 | 台山市 | 1949 |
| 4913 | 13 | — | 1949-08-09 | 1 | 福建福鼎 | 350982 | TD | 350000 | 福建省 | 350982 | 福鼎市 | 1949 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query typhoon-landfall --where "province = 广东省" --fields landfall_date,typhoon_name,landfall_place,intensity --limit 500
人口死亡率参照
人口普查和死因监测里全体人口的死亡率。它不是保险公司承保人群的经验表，用来和生命表比较、看死亡率的长期变化、做死亡率预测。
08人口普查分年龄死亡率
人口普查分年龄死亡率
第七次全国人口普查里，每个单岁年龄的人在一年里死亡的比例（中心死亡率 m_x），分城乡和性别。
选城乡，按性别画 m_x 随年龄的曲线（对数刻度）；再和第四套生命表同性别的 q_x 比，看被保险人群和全人口的差别。定价和准备金评估的人口死亡率参照。
数据出处 国务院第七次全国人口普查领导小组办公室、国家统计局《中国人口普查年鉴-2020》表 6-4（全国）、6-4a（城市）、6-4b（镇）、6-4c（乡村）。按国家统计局网站的原表图片逐格录入，未修匀、未做漏报调整；mx 由平台计算数据更新 2020/10/31
1,212 行在数据目录打开
- 男
- 女
- 60 岁男性的 m_x
- 0.00864
- 女性 0.00374
- 80 岁男性的 m_x
- 0.0608
- 女性 0.042
- 60 岁男女之比
- 2.31 倍
和第四套生命表比：被保险人和全人口的死亡概率
人口普查给的是中心死亡率 m_x（一年里的死亡数 ÷ 平均人口）。生命表给的是死亡概率 q_x（年初活着的人一年内死亡的比例）。 假设一年里的死亡均匀分布，q_x = m_x ÷ (1 + m_x / 2)，换算以后再比。0 岁的死亡集中在出生后不久，这个换算偏粗。100 岁及以上是开口组，不换算，不参加比较。
- 全人口（普查 m_x 换算）
- CL1 养老类业务表
- CL2 非养老类业务一表
- 40 岁：CL2 是全人口的几成
- 84%
- CL1 57%
- 60 岁：CL2 是全人口的几成
- 92%
- CL1 49%
- 80 岁：CL2 是全人口的几成
- 113%
- CL1 55%
数据预览前 8 行，共 1,212 行
| 普查年份year | 城乡urban_rural | 性别sex | 年龄age | 年龄写法age_label | 开口年龄组is_open_age | 平均人口avg_population | 死亡人口deaths | 死亡率（‰）death_rate_per_mille | 中心死亡率 mxmx | 年龄组（5 岁）age_group |
|---|---|---|---|---|---|---|---|---|---|---|
| 2020 | 城乡合计 | 合计 | 0 | 0岁 | false | 13629879 | 20822 | 1.53 | 0.0015276731363499266 | 0-4 |
| 2020 | 城乡合计 | 合计 | 1 | 1岁 | false | 14644039 | 5682 | 0.39 | 0.00038800770743645246 | 0-4 |
| 2020 | 城乡合计 | 合计 | 2 | 2岁 | false | 16630267 | 4383 | 0.26 | 0.0002635556001596366 | 0-4 |
| 2020 | 城乡合计 | 合计 | 3 | 3岁 | false | 19182135 | 3841 | 0.2 | 0.00020023839890606545 | 0-4 |
| 2020 | 城乡合计 | 合计 | 4 | 4岁 | false | 16026750 | 2901 | 0.18 | 0.00018100987411671113 | 0-4 |
| 2020 | 城乡合计 | 合计 | 5 | 5岁 | false | 18446977 | 2874 | 0.16 | 0.00015579788493258272 | 5-9 |
| 2020 | 城乡合计 | 合计 | 6 | 6岁 | false | 17821500 | 2566 | 0.14 | 0.00014398339084813286 | 5-9 |
| 2020 | 城乡合计 | 合计 | 7 | 7岁 | false | 19169898 | 2554 | 0.13 | 0.00013322971254202813 | 5-9 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query census-age-mortality --where "urban_rural = 城乡合计" --where "sex = 男" --fields age,avg_population,deaths,mx --limit 200
09死因监测分年龄死亡率
死因监测分年龄死亡率
全国死因监测点每年各年龄组的监测人口、死亡数和死亡率（每 10 万人），分城乡、东中西部和性别。
选年份、城乡和地区，按性别画各年龄组的死亡率（对数刻度）；再看 2004—2021 年粗死亡率和年龄标准化死亡率的变化。死亡率预测（Lee-Carter、CBD）可以用它。
数据出处 中国疾病预防控制中心慢性非传染性疾病预防控制中心、国家卫生健康委统计信息中心《中国死因监测数据集》2004—2021 年各册第 2、3 章。按慢病中心网站公开的原书表格整理，未做漏报调整数据更新 2021/12/31
12,960 行在数据目录打开
- 男
- 女
- 60–64 岁男性
- 1,095 / 10 万
- 女性 489.5 / 10 万
- 80–84 岁男性
- 8,028 / 10 万
- 女性 5,562.1 / 10 万
- 0 岁男性
- 197.5 / 10 万
- 女性 172.7 / 10 万
2004—2021 年：粗死亡率和年龄标准化死亡率（全国城乡合计）
粗死亡率是全部死亡数 ÷ 全部监测人口，人口变老它就会升高。年龄标准化死亡率用同一个年龄结构加权各年龄组的死亡率，去掉了人口变老的影响： 标准人口是 2020 年人口普查的全国人口（城乡合计、男女合计），按监测的 19 个年龄组加总。 2013 年监测点从 161 个扩大到 605 个，前后两段不完全可比。
- 粗死亡率
- 年龄标准化死亡率
- 2004 年标准化死亡率
- 963.3 / 10 万
- 粗死亡率 605.6
- 2021 年标准化死亡率
- 642.7 / 10 万
- 粗死亡率 709.8
- 标准化死亡率的变化
- -33%
- 2004—2021 年
数据预览前 8 行，共 12,960 行
| 年份year | 监测系统surveillance_system | 城乡urban_rural | 地区region_group | 性别sex | 年龄组age_group | 年龄组起点age_from | 年龄组终点age_to | 监测人口数population | 死亡数deaths | 死亡率（1/10万）death_rate_per_100k | 人口死亡数为相加counts_derived |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 合计 | — | — | 71173205 | 430994 | 605.56 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 0 | 0 | 0 | 688115 | 7903 | 1148.5 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 1-4 | 1 | 4 | 3030920 | 2468 | 81.43 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 5-9 | 5 | 9 | 4604931 | 1532 | 33.27 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 10-14 | 10 | 14 | 6443682 | 1843 | 28.6 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 15-19 | 15 | 19 | 5900624 | 3150 | 53.38 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 20-24 | 20 | 24 | 5467254 | 3857 | 70.55 | false |
| 2004 | 全国疾病监测系统（2004—2012） | 城乡合计 | 全国 | 合计 | 25-29 | 25 | 29 | 6299615 | 4633 | 73.54 | false |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query surveillance-age-mortality --where "year = 2021" --where "urban_rural = 城乡合计" --where "region_group = 全国" --fields sex,age_group,population,deaths,death_rate_per_100k --limit 100
公开样例数据
损失三角形的公开样例和平台的演示数据，用来演示准备金的算法。
10损失三角形公开样例
行业损失三角形（公开样例）
同一批事故的赔款，随着时间一年一年报上来，排成一张三角形。
选一张三角形，按事故年和发展期排成三角形。准备金评估用它。国外公开样例，不是中国市场的数据。
公开样例数据出处 Python 开源库 chainladder 0.10.1（MPL-2.0 许可）自带的样例数据：RAA 出自 Mack（1993）；Taylor-Ashe 出自 Taylor 和 Ashe（1983）；附表 P 出自北美产险精算学会（CAS）发布的损失准备金数据库（Meyers 和 Shi，2011）
165 行在数据目录打开
累计已报案赔款，单位千美元。颜色越深，这一格离这一行最后的值越近（发展得越充分）。
| 事故期 \ 发展期 | 12 个月 | 24 个月 | 36 个月 | 48 个月 | 60 个月 | 72 个月 | 84 个月 | 96 个月 | 108 个月 | 120 个月 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1981 | 5,012 | 8,269 | 10,907 | 11,805 | 13,539 | 16,181 | 18,009 | 18,608 | 18,662 | 18,834 |
| 1982 | 106 | 4,285 | 5,396 | 10,666 | 13,782 | 15,599 | 15,496 | 16,169 | 16,704 | |
| 1983 | 3,410 | 8,992 | 13,873 | 16,141 | 18,735 | 22,214 | 22,863 | 23,466 | ||
| 1984 | 5,655 | 11,555 | 15,766 | 21,266 | 23,425 | 26,083 | 27,067 | |||
| 1985 | 1,092 | 9,565 | 15,836 | 22,169 | 25,955 | 26,180 | ||||
| 1986 | 1,513 | 6,445 | 11,702 | 12,935 | 15,852 | |||||
| 1987 | 557 | 4,020 | 10,946 | 12,314 | ||||||
| 1988 | 1,351 | 6,947 | 13,112 | |||||||
| 1989 | 3,133 | 5,395 | ||||||||
| 1990 | 2,063 |
数据预览前 8 行，共 165 行
| 三角形编号triangle | 三角形名称triangle_name | 事故年origin_year | 发展月数dev_months | 累计赔款value | 赔款口径value_type | 已赚保费earned_premium |
|---|---|---|---|---|---|---|
| raa | RAA 一般责任险再保险 | 1981 | 12 | 5012 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 24 | 8269 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 36 | 10907 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 48 | 11805 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 60 | 13539 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 72 | 16181 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 84 | 18009 | 累计已报案赔款 | — |
| raa | RAA 一般责任险再保险 | 1981 | 96 | 18608 | 累计已报案赔款 | — |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query loss-triangle-sample --where "triangle = raa" --fields origin_year,dev_months,value
11健康险报案金额三角形
健康险报案金额三角形（演示数据）
同一批事故的赔款，随着时间一个月一个月报上来，排成一张三角形。
按出险月和发展月数排成三角形。用平台的演示数据汇总，不是真实数据。
演示数据，不是真实数据
276 行在数据目录打开
累计报案金额，单位元。演示数据按出险月汇总，只发展到第 3 个月。
| 出险月 \ 发展期 | 第 1 个月 | 第 2 个月 | 第 3 个月 |
|---|---|---|---|
| 2025-04 | 111.9 万 | 219.8 万 | 219.8 万 |
| 2025-05 | 113.5 万 | 234.4 万 | 234.4 万 |
| 2025-06 | 103.6 万 | 203.2 万 | 203.2 万 |
| 2025-07 | 133 万 | 238.3 万 | 238.3 万 |
| 2025-08 | 112.1 万 | 233.5 万 | 233.5 万 |
| 2025-09 | 114.7 万 | 221.4 万 | 221.4 万 |
| 2025-10 | 121.1 万 | 249 万 | 249 万 |
| 2025-11 | 107.4 万 | 222.5 万 | 222.5 万 |
| 2025-12 | 120.9 万 | 225.6 万 | 225.6 万 |
| 2026-01 | 133.6 万 | 255.1 万 | 255.9 万 |
| 2026-02 | 109 万 | 240.7 万 | 240.7 万 |
| 2026-03 | 150.8 万 | 274.5 万 | 274.5 万 |
| 2026-04 | 140.6 万 | 277.4 万 | 277.4 万 |
| 2026-05 | 170 万 | 321.8 万 | 321.8 万 |
| 2026-06 | 180.9 万 | 330.9 万 | 330.9 万 |
| 2026-07 | 216.1 万 | 368.1 万 | 368.1 万 |
| 2026-08 | 190.5 万 | 331.8 万 | |
| 2026-09 | 313.6 万 |
数据预览前 8 行，共 276 行
| 出险月origin_month | 发展月数dev_months | 累计报案件数reported_count | 累计申请赔付reported_amount | 评估日期valuation_date |
|---|---|---|---|---|
| 2019-01 | 1 | 5 | 30543.14 | 2026-09-30 |
| 2019-01 | 2 | 18 | 68763.03 | 2026-09-30 |
| 2019-01 | 3 | 19 | 69037.42 | 2026-09-30 |
| 2019-02 | 1 | 29 | 181978.46 | 2026-09-30 |
| 2019-02 | 2 | 69 | 353646.87 | 2026-09-30 |
| 2019-02 | 3 | 69 | 353646.87 | 2026-09-30 |
| 2019-03 | 1 | 57 | 268664.35 | 2026-09-30 |
| 2019-03 | 2 | 102 | 450084.73 | 2026-09-30 |
智能体怎么取这张表
# 平台的技能里，智能体用这条命令按条件取表python3 scripts/wi.py query health-claim-triangle-demo --fields origin_month,dev_months,reported_amount --limit 300