บทนำ: ก้าวข้ามผ่านเรื่อง "เป็นหรือตาย"

ยินดีต้อนรับ! จนถึงตอนนี้ในวิชา CM1 คุณคงได้ใช้เวลาส่วนใหญ่ไปกับการดูโมเดลอย่างง่ายที่มีแค่สถานะ "ยังมีชีวิตอยู่" หรือ "เสียชีวิต" ใช่ไหมล่ะ แต่ชีวิตจริงมันไม่ได้เรียบง่ายขนาดนั้นหรอกนะ? ผู้คนอาจล้มป่วยแล้วรักษาหาย อาจเกษียณอายุ หรือย้ายไปมาระหว่างระดับการดูแลที่ต่างกัน

ในบทนี้ เราจะมาสำรวจ โมเดลหลายสถานะ (Multiple State Models) กัน ให้ลองคิดว่ามันเหมือน "แผนที่" ของการเดินทางในชีวิตคนเรา เราจะได้เรียนรู้วิธีการคำนวณมูลค่ากระแสเงินสดที่ขึ้นอยู่กับ "สถานะ" ที่บุคคลนั้นอยู่ (เช่น การรักษาตัวในโรงพยาบาล) หรือการย้ายระหว่างสถานะ (เช่น ช่วงเวลาที่คนๆ หนึ่งเกษียณอายุ) ไม่ต้องกังวลไปนะถ้ามันดูซับซ้อนกว่าที่คุณเคยเรียนมา เราจะค่อยๆ เจาะลึกไปทีละขั้นเอง!

1. พื้นฐาน: โมเดลหลายสถานะคืออะไร?

ลองจินตนาการถึงเกมกระดานที่คุณสามารถเดินหมากไปมาระหว่างช่องต่างๆ ในทางคณิตศาสตร์ประกันภัย ช่องเหล่านั้นก็คือ สถานะ (States) และกฎในการเดินหมากก็คือ การเปลี่ยนสถานะ (Transitions) นั่นเอง

ตัวอย่างที่พบบ่อยคือ โมเดลสุขภาพ-ความเจ็บป่วย (Health-Sickness Model):

  • สถานะ 0: สุขภาพดี
  • สถานะ 1: เจ็บป่วย
  • สถานะ 2: เสียชีวิต

ในโมเดลนี้ คนๆ หนึ่งสามารถย้ายจากสุขภาพดีไปป่วย แล้วกลับมาสุขภาพดีอีกครั้ง หรือย้ายไปสู่สถานะเสียชีวิตจากสถานะใดก็ได้
คำสำคัญ: สถานะที่คุณไม่สามารถย้ายออกไปได้อีก (เช่น "เสียชีวิต") เรียกว่า สถานะดูดซับ (Absorbing State) ส่วนสถานะที่คุณสามารถย้ายออกไปได้เรียกว่า สถานะชั่วคราว (Transient State)

คุณสมบัติมาร์คอฟ (The Markov Property)

เพื่อให้คณิตศาสตร์จัดการได้ง่ายขึ้น เรามักจะสมมติให้เกิด คุณสมบัติมาร์คอฟ ซึ่งเป็นวิธีเรียกเก๋ๆ ว่า: "อนาคตขึ้นอยู่กับว่าตอนนี้คุณอยู่ที่ไหนเท่านั้น ไม่ใช่ว่าคุณมาถึงตรงนี้ได้อย่างไร หรือคุณอยู่ที่นี่มานานแค่ไหนแล้ว"
เปรียบเทียบ: เหมือนกับจุด Save ในวิดีโอเกม ไม่สำคัญว่าคุณจะผ่านมอนสเตอร์มา 100 ตัวหรือ 0 ตัวกว่าจะมาถึงจุดนี้ เมื่อคุณโหลดเกม ข้อมูลตัวเลือกสำหรับเลเวลถัดไปของคุณก็จะเหมือนเดิมเป๊ะๆ

ทบทวนสั้นๆ:

  • สถานะ (State): สถานะความเป็นอยู่ของชีวิต (เช่น ทำงานอยู่, เกษียณแล้ว)
  • การเปลี่ยนสถานะ (Transition): การเคลื่อนย้ายจากสถานะหนึ่งไปยังอีกสถานะหนึ่ง
  • คุณสมบัติมาร์คอฟ (Markov Property): เฉพาะสถานะปัจจุบันเท่านั้นที่มีผลต่อความน่าจะเป็นในอนาคต

2. อัตราการเปลี่ยนสถานะ (Transition Intensities): "ความเร็ว" ของการเปลี่ยนแปลง

เพื่อให้สามารถประเมินมูลค่ากระแสเงินสดได้ เราจำเป็นต้องรู้ว่ามีโอกาสแค่ไหนที่คนๆ หนึ่งจะย้ายระหว่างสถานะ เราจะใช้ อัตราการเปลี่ยนสถานะ (Transition Intensities) ซึ่งแทนด้วย \( \mu_{x+t}^{jk} \)

ค่านี้แสดงถึงแรงกระทำต่อชีวิตที่มีอายุ \(x+t\) เพื่อเปลี่ยนจากสถานะ \(j\) ไปยังสถานะ \(k\) มันคล้ายกับ "อัตราการตาย" (force of mortality) ที่คุณเคยเรียนมาแล้ว เพียงแต่ขยายขอบเขตให้ครอบคลุมเหตุการณ์ชีวิตด้านอื่นๆ ด้วย

ความน่าจะเป็นที่จะอยู่ที่เดิม
ความน่าจะเป็นที่บุคคลซึ่งปัจจุบันอยู่ในสถานะ \(j\) จะ ยังคง อยู่ในสถานะ \(j\) หลังจากเวลาผ่านไป \(t\) จะเขียนแทนด้วย \( {}_t p_x^{\overline{jj}} \)
สูตรอาจดูน่ากลัว แต่มันก็แค่การขยายความจากความน่าจะเป็นในการมีชีวิตรอดที่คุณรู้จักดี: \( {}_t p_x^{\overline{jj}} = \exp \left( -\int_{0}^{t} \sum_{k \neq j} \mu_{x+s}^{jk} ds \right) \)

ทำไมต้องมีการบวก? เพราะการที่จะยังคงอยู่ในสถานะ \(j\) ได้ คุณต้องหลีกเลี่ยงเส้นทางการออกไปสู่สถานะ \(k\) อื่นๆ ให้ได้ทั้งหมด

3. การประเมินมูลค่าผลประโยชน์ (กระแสเงินสดจ่ายออก)

ในงานด้านคณิตศาสตร์ประกันภัย เราจำเป็นต้องหา มูลค่าปัจจุบันที่คาดหวัง (Expected Present Value - EPV) ของผลประโยชน์ ในโมเดลหลายสถานะ ผลประโยชน์มักแบ่งเป็นสองประเภท:

ก. ผลประโยชน์ที่จ่ายขณะอยู่ในสถานะ (เงินรายปี - Annuities)

ตัวอย่าง: กรมธรรม์ทุพพลภาพที่จ่ายเงิน 1,000 บาทต่อเดือนตราบเท่าที่ผู้เอาประกันยังอยู่ในสถานะ "เจ็บป่วย"
ในการประเมินมูลค่านี้ เราจะดูความน่าจะเป็นที่บุคคลจะอยู่ในสถานะ \(s\) ณ ทุกๆ ช่วงเวลา คิดลดมูลค่ากลับมาเป็นปัจจุบัน แล้วทำการอินทิเกรต: \( EPV = \int_{0}^{n} e^{-\delta t} \cdot {}_t p_x^{as} \cdot B_t dt \)

โดยที่:

  • \( e^{-\delta t} \) คือตัวคูณคิดลด (Discount factor)
  • \( {}_t p_x^{as} \) คือความน่าจะเป็นที่บุคคลซึ่งปัจจุบันอยู่ในสถานะ \(a\) จะไปอยู่ในสถานะ \(s\) ณ เวลา \(t\)
  • \( B_t \) คืออัตราการจ่ายผลประโยชน์

ข. ผลประโยชน์ที่จ่ายทันทีเมื่อมีการเปลี่ยนสถานะ (เงินก้อน - Lump Sums)

ตัวอย่าง: ผลประโยชน์กรณีเสียชีวิตที่จ่ายทันทีเมื่อคนๆ หนึ่งย้ายจาก "สุขภาพดี" ไปสู่ "เสียชีวิต"
การคำนวณนี้ต้องอาศัย 3 สิ่งที่เกิดขึ้น ณ เวลา \(t\): 1. บุคคลนั้นต้องอยู่ในสถานะเริ่มต้น \(j\) 2. บุคคลนั้นต้องเปลี่ยนสถานะไปสู่ \(k\) ณ ขณะนั้นพอดี 3. เราต้องคิดลดการจ่ายนั้นกลับมาที่เวลา 0

\( EPV = \int_{0}^{n} e^{-\delta t} \cdot {}_t p_x^{aj} \cdot \mu_{x+t}^{jk} \cdot S_t dt \)

โดย \( S_t \) คือจำนวนเงินเอาประกันภัยที่จ่ายเมื่อเปลี่ยนสถานะ

ประเด็นสำคัญ: - ใช้ \( {}_t p_x^{jk} \) สำหรับผลประโยชน์รูปแบบ เงินรายปี (การอยู่ในสถานะใดสถานะหนึ่ง) - ใช้ \( {}_t p_x^{aj} \cdot \mu_{x+t}^{jk} \) สำหรับผลประโยชน์รูปแบบ เงินก้อน (การย้ายระหว่างสถานะ)

4. การประเมินมูลค่าเบี้ยประกันภัย (กระแสเงินสดรับเข้า)

เบี้ยประกันภัยมักจะจ่ายก็ต่อเมื่อผู้เอาประกันยังอยู่ในสถานะที่กำหนดไว้เท่านั้น (เช่น สถานะ "ทำงานอยู่" หรือ "สุขภาพดี") ซึ่งวิธีการประเมินมูลค่าจะเหมือนกับเงินรายปีที่กล่าวไปข้างต้นทุกประการ

สมการแห่งมูลค่า:
เช่นเดียวกับโมเดลที่ง่ายกว่า: EPV ของเบี้ยประกัน = EPV ของผลประโยชน์ + EPV ของค่าใช้จ่าย

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักลืมว่าคนเราสามารถย้ายออกจากสถานะหนึ่งแล้ว ย้ายกลับเข้ามาใหม่ได้ ต้องตรวจสอบให้ดีว่าการเปลี่ยนสถานะนั้นเป็นการ "เกิดขึ้นครั้งเดียวแล้วจบไป" หรือเป็นสถานะที่ "ฟื้นตัวได้" หากสามารถกลับไปยังสถานะเดิมได้ คุณต้องใช้ความน่าจะเป็น \( {}_t p_x^{jk} \) ซึ่งคำนึงถึงทุกเส้นทางที่เป็นไปได้ ไม่ใช่แค่การอยู่นิ่งๆ ในสถานะนั้นอย่างต่อเนื่อง

5. ขั้นตอนสู่การแก้โจทย์การประเมินมูลค่า

หากคุณเจอโจทย์การประเมินมูลค่าแบบหลายสถานะ ให้ทำตามขั้นตอนดังนี้:

ขั้นตอนที่ 1: วาดแผนภูมิสถานะ (State Space) ร่างกล่องและลูกศร วิธีนี้จะช่วยให้เห็นภาพว่ามีการเปลี่ยนสถานะแบบไหนที่เป็นไปได้บ้าง
ขั้นตอนที่ 2: ระบุกระแสเงินสด เป็นการจ่ายเงินสำหรับ การอยู่ใน สถานะ หรือ การย้าย สถานะ?
ขั้นตอนที่ 3: เขียนความน่าจะเป็น ระบุค่า \( {}_t p_x \) หรือค่าความเข้มข้นที่ถูกต้องสำหรับแต่ละกระแสเงินสด
ขั้นตอนที่ 4: ตั้งสมการอินทิกรัล รวมตัวคิดลด ความน่าจะเป็น และจำนวนเงินผลประโยชน์เข้าด้วยกัน
ขั้นตอนที่ 5: แก้โจทย์ (หรือทำให้ง่ายขึ้น) บ่อยครั้งที่โจทย์จะกำหนดให้อัตราการเปลี่ยนสถานะและอัตราดอกเบี้ยคงที่ เพื่อให้การอินทิเกรตง่ายขึ้น

6. สรุปและทบทวนอย่างรวดเร็ว

รู้หรือไม่? โมเดลหลายสถานะคือรากฐานของการประกันภัย "โรคร้ายแรง" ซึ่งการจ่ายเงินจะขึ้นอยู่กับการวินิจฉัยโรคเฉพาะทาง!

ประเด็นสำคัญที่ควรจำ:

  • คุณสมบัติมาร์คอฟ: อดีตไม่สำคัญ สนใจแค่สถานะปัจจุบันเท่านั้น
  • อัตราการเปลี่ยนสถานะ (\(\mu\)): ความเสี่ยง "ในเสี้ยววินาที" ที่จะย้ายสถานะ
  • การประเมินเงินรายปี: อินทิเกรต \( (คิดลด) \times (ความน่าจะเป็นที่อยู่ในสถานะ) \)
  • การประเมินเงินก้อน: อินทิเกรต \( (คิดลด) \times (ความน่าจะเป็นที่อยู่ในสถานะ) \times (อัตราการย้ายออก) \)

ไม่ต้องกังวลถ้าตอนแรกจะรู้สึกว่ามันยาก! สัญลักษณ์เป็นส่วนที่ยากที่สุด พอคุณเข้าใจว่าพวกมันเป็นเพียงเวอร์ชันที่ละเอียดขึ้นของตารางมรณะ (Life Tables) ที่คุณเชี่ยวชาญอยู่แล้ว ตรรกะต่างๆ จะเริ่มคลิกเอง ลองฝึกวาดแผนภาพก่อนเป็นอันดับแรก—มันจะช่วยให้คณิตศาสตร์ชัดเจนขึ้นมาก!