通常我们在处理一些数据问题时,会遇到泊松模型、二项模型或负二项模型等传统计数统计模型无法解决的数据。例如在样本点0、1处膨胀的数据样本。这样的数据在保险、遗传学、心理学和生物医学上都时有出现,在非寿险精算中,车险的索赔次数数据就是典型的此类数据,若在分析中没有充分考虑过多的零点与一点,将导致信息短缺,从而无法为非寿险产品获得准确的费率。零膨胀泊松（ZIP）回归模型常被用来处理零膨胀计数数据,而对于在零点与一点都膨胀的计数数据,零一膨胀泊松（ZOIP）回归模型则被认为是更好的模型选择。然而,最近的研究表明,人工神经网络（ANN）模型也可以较好地处理膨胀计数数据。为了比较不同模型在处理膨胀计数数据时的差异,本文利用多种模型评价标准,通过模拟研究与实例研究分析了 ZOIP回归模型与ANN模型在小样本情况与大样本情况下对膨胀计数数据处理时的优劣。模拟研究发现,在小样本情况下,ZOIP回归模型是处理零膨胀与零一膨胀计数数据的较好模型,而在大样本情况下,ANN模型则给出了更好的表现。在实例研究中,本文先对实例数据进行了膨胀数据的假设检验,根据检验结果说明了 ZOIP回归模型与ANN模型的优劣,进一步,多种评价标准比较表明当样本量较小时,ZOIP回归模型的拟合预测能力优于ANN模型,而当样本量较大时,ANN模型的效果更好。