③小結。綜上可知，指數分布與帕累托分布都具有較好的擬合效果。若將兩個曲線都表示在同一個坐標係下，其分組方式如前所述。
在損失額小於10時，帕累托曲線高於指數曲線，大致在[10，60]上帕累托曲線低於指數曲線，在損失額大於60時，帕累托曲線高於指數密度曲線。對於非壽險精算問題，一般采取雙參數模型比較合適，且對於帕累托密度曲線，在森林火警部分值偏高，與原數據也正好更加吻合，因此帕累托分布在這裏的擬合要稍優於指數分布的擬合結果。
3.建立受害人工林的損失分布函數。將一次森林火災的受害人工損失量記為I，為了建立其損失分布函數，可以按照以下步驟進行。
（1）選擇分布類型。采用與火場損失麵積T同樣的分析方法，首先作出此時相應的頻率直方圖以及經驗分布曲線。
（2）參數估計。①指數分布的參數估計。
②帕累托分布的參數估計。
（3）擬合優度檢驗。
（三）綜合評述
在損失分布函數的建立過程中，不僅用到了數理統計法、隨機模擬法，也用到了Bayes基本思想。具體體現在，數理統計法用來具體描述分布函數的建立過程，包括經驗分布函數的建立、參數估計、擬合優度檢驗等。隨機模擬法主要用在了總損失的分解，即在分解具體某個損失時，每單次損失的權重是隨機變化的，會隨實驗中產生的隨機數不同而發生變化。然而，這種權重的確定方法是一種比例法（隨機數除以隨機數之和而得到不同權重），顯然這種確定方法並不是唯一的，或者說隨機模擬的方案也不是唯一的，這種確定權重的比例是帶有主觀經驗認識的，因此，這也是Bayes思想在本研究中的具體體現。即使這樣，由於分解損失並不改變總損失大小，因此，采用隨機模擬法分解總損失實際上是對數據的細化，總體上並不改變原數據的分布類型，隻是使對原數據分布類型的參數估計變得更加精確化了，因此，采用這種分解方法是非常有必要的。從參數估計的值來看，分解後的結果也使得參數估計值變得更加穩定了。
三、建立福建省森林火災短期聚合風險模型
（一）火災發生次數的分布類型研究
1.有關風險單位的計量。風險單位（ExposureUnit）的定義：一次事故可能造成的最大損失範圍中保險公司所承擔的責任。森林火災的特殊性：受季節影響大，其損失具有難估性。因此，最佳辦法是選擇一年內全省的森林火災損失額作為森林火災保險的風險單位，這個風險單位是本年度內所有個別損失額之和。假設個別損失額是獨立同分布的，則總損失額等於各項個別損失之和，這樣一來就有必要研究一年來福建省森林火災發生的次數情況，這是一個隨機變量，設其為N。
2.福建省森林火災次數的分布擬合。從1995年以來的國家《林業統計年鑒》上可取得福建省各年的森林火災次數情況。由於本研究是對福建省的森林資源作整體研究，因此假定森林資源在一定時期內數量基本穩定時，則可以認為過去每年森林火災次數的分布類型是完全相同的，並且在未來一定時期內也保持不變。即過去以及未來一定時期內福建省森林火災次數是獨立同分布的。
（二）短期聚合風險模型的建立
1.短期聚合風險模型的假設條件及其參數估計值的推導。若用Ci表示對某類保單的每i次理賠，N表示在單位時間比如一個會計年度內所有這類保單發生理賠的次數，記這一年中對這類保單的理賠總量為S，則有：
N為理賠次數，服從負二項分布，Ci服從帕累托分布，且滿足以下假定條件：