2020年9月3日银保监会发布《关于实施车险综合改革的指导意见》,提出要完善行业纯风险保费测算机制,健全商业车险条款费率市场化形成机制。2018年以来,我国车险赔付率高达56%以上,车险业务存在车险费率厘定不合理、经营状况不佳的状态。寻找合理有效的方法进行定价已成为保险公司和学界研究的重要内容。为了更好的反映保费计算过程中索赔频率和索赔强度之间的相依关系,本文使用索赔概率-频率-强度方法,考虑车险索赔频率与索赔强度的相依性关系,用Pearson相关系数和Spearman秩相关系数对纯保费的计算进行调整。从以下四个方面作出比较研究:（1）数据上,使用国内外不同的两个数据集进行实证研究。（2）模型上,应用广义线性模型分别对索赔概率、索赔频率和索赔强度建模,并与机器学习算法中的回归树、随机森林回归、mboost回归和人工神经网络回归进行对比,分析同一个研究对象的模型差异。（3）内容上,从各个模型中分析风险因子影响特点,对比国内外风险因子影响的特点的异同。（4）最后,用索赔概率-频率-强度方法估计纯保费,比较三种纯保费计算方法:本文提出的相依关系计算方法、条件相依模型、copula相依模型。比较研究出纯保费预测效果更好的模型,并对纯保费的计算有所启示。通过层层对比研究可以得出如下结论:（1）在我国往往是高风险人群购买车险,国内车险索赔发生概率远远高于国外车险发生概率,而国外风险意识较强、汽车保险普及率高。（2）国内外两个数据集分析出的风险变量影响略有不同,数据集的共性包括男性驾驶人发生索赔造成的损失比女性驾驶人高,以及驾驶人年龄对索赔频率和索赔强度呈现负向影响。（3）机器学习回归模型普遍都优于广义线性模型预测效果,其中mboost与其他机器学习模型相比表现更为突出。（4）索赔频率和索赔强度存在一定的相依性,这种相依性有可能是正相依也可能呈现负相依关系。通过检验发现,本文使用的数据集索赔频率和索赔强度的相依关系均是显著的,本文将非线性相关系数引入到纯保费计算公式进行调整,有效提升优化了纯保费的预测效果。