Describe and use methods of projecting and valuing expected cashflows that are contingent upon multiple decrement events

ยินดีต้อนรับสู่แบบจำลองการลดจำนวนหลายสาเหตุ (Multiple Decrement Models)!

ในการเดินทางสายคณิตศาสตร์ประกันภัยที่ผ่านมา คุณคงใช้เวลาส่วนใหญ่ไปกับการดูแบบจำลองที่เหตุการณ์มีเพียงอย่างเดียวคือ: การเสียชีวิต แม้ว่าแบบจำลอง "การลดจำนวนสาเหตุเดียว" (Single Decrement) จะมีประโยชน์ แต่ในโลกความเป็นจริงนั้นซับซ้อนกว่านั้น! เช่น ในกองทุนบำเหน็จบำนาญ สมาชิกอาจออกจากกองทุนเพราะเกษียณอายุ เพราะเสียชีวิต หรือเพราะลาออกจากงานไปทำที่อื่น แต่ละเหตุการณ์คือ "ทางออก" (Exit) ที่แตกต่างกันจากกองทุน

บทนี้จะพาคุณไปเรียนรู้วิธีติดตาม "ทางออก" เหล่านั้น และที่สำคัญกว่านั้นคือ การประเมินมูลค่ากระแสเงินสด ที่ขึ้นอยู่กับว่าสมาชิกคนนั้นออกไปจากกองทุนด้วยเหตุผลใด ไม่ต้องกังวลหากดูซับซ้อนกว่าตารางชีพที่คุณเคยเรียนมา เพราะเราจะค่อยๆ ย่อยไปทีละขั้นตอน!

1. แบบจำลองการลดจำนวนหลายสาเหตุ (Multiple Decrement Model) คืออะไร?

แบบจำลองการลดจำนวนหลายสาเหตุ อธิบายสถานการณ์ที่บุคคลอยู่ในสถานะ "ยังคงทำงานอยู่" (Active) และสามารถออกจากสถานะนี้ได้ด้วยหลายเหตุผล (สาเหตุการลดจำนวน หรือ Decrements) เมื่อออกจากสถานะไปแล้ว จะไม่มีการกลับเข้ามาอีก (นี่คือข้อแตกต่างสำคัญระหว่างแบบจำลองนี้กับแบบจำลองหลายสถานะ หรือ Multi-state models)

การเปรียบเทียบกับ "ถังน้ำรั่ว":
ลองจินตนาการถึงถังน้ำที่มีรูรั่วที่ก้น 3 รู รูหนึ่งแทน "การเสียชีวิต" อีกรูแทน "การเกษียณ" และรูที่สามแทน "การลาออก" น้ำ (ซึ่งเปรียบเสมือนคน) สามารถรั่วไหลออกไปจากรูไหนก็ได้ เพื่อที่จะเข้าใจว่าเหลือน้ำเท่าไหร่ คุณจำเป็นต้องรู้อัตราการไหลของน้ำ แต่ละรู และรู้ว่ามันทำงานร่วมกันอย่างไร

คำศัพท์สำคัญที่ต้องจำ:
- Decrement: สาเหตุเฉพาะที่ทำให้สถานะสิ้นสุดลง (เช่น การเสียชีวิต, ทุพพลภาพ, การลาออก)
- Dependent Probability \( q_x^{(j)} \): ความน่าจะเป็นที่บุคคลอายุ \( x \) จะออกจากกลุ่มภายในหนึ่งปีด้วยสาเหตุ \( j \) โดยเฉพาะ ภายใต้เงื่อนไขที่มีสาเหตุอื่นๆ เข้ามาเกี่ยวข้องด้วย
- Total Probability of Exit \( q_x^{\tau} \): ความน่าจะเป็นที่บุคคลอายุ \( x \) จะออกจากกลุ่มด้วย เหตุผลใดก็ตาม ภายในหนึ่งปี ซึ่งก็คือผลรวมของความน่าจะเป็นเชิงพึ่งพาของทุกสาเหตุ: \( q_x^{\tau} = \sum q_x^{(j)} \)

ทบทวนสั้นๆ: ในตารางการลดจำนวนหลายสาเหตุ (MDT) เราใช้ \( l_x^{\tau} \) แทนจำนวนผู้ที่ยังคงอยู่ในสถานะปกติที่อายุ \( x \) และจำนวนคนที่ออกจากกลุ่มด้วยสาเหตุ \( j \) จะเขียนแทนด้วย \( d_x^{(j)} \)

2. แรงของการลดจำนวน (Forces of Decrement)

เช่นเดียวกับที่เรามีแรงของการเสียชีวิต \( \mu_x \) เราก็มี แรงของการลดจำนวน สำหรับแต่ละสาเหตุด้วย โดยเราเขียนแทนแรงของการลดจำนวนสำหรับสาเหตุ \( j \) ที่อายุ \( x \) ว่า \( \mu_x^{(j)} \)

แรงรวมของการลดจำนวน \( \mu_x^{\tau} \) คือผลรวมของแรงจากแต่ละสาเหตุ:
\( \mu_x^{\tau} = \mu_x^{(1)} + \mu_x^{(2)} + ... + \mu_x^{(m)} \)

ความน่าจะเป็นในการมีชีวิตอยู่ต่อ (Survival Probability):
ความน่าจะเป็นที่บุคคลจะยังคงอยู่ในสถานะปกติเป็นเวลา \( t \) ปี คือ:
\( _{t}p_x^{\tau} = \exp( -\int_{0}^{t} \mu_{x+s}^{\tau} ds ) \)

เดี๋ยวก่อน! สาเหตุหนึ่งมีผลต่ออีกสาเหตุหรือไม่?
ในแบบจำลองนี้ เราสมมติว่าแรงต่างๆ กระทำพร้อมกัน หากใครบางคนเสียชีวิต เขาก็จะไม่สามารถเกษียณอายุได้อีกต่อไป นี่คือเหตุผลที่เราเรียกว่าความน่าจะเป็นแบบ "พึ่งพา" (Dependent) เพราะโอกาสในการเกษียณขึ้นอยู่กับว่าบุคคลนั้นยังคงมีชีวิตอยู่รอดจากความเสี่ยงอื่นๆ เช่น การเสียชีวิตหรือไม่!

3. อัตราเชิงพึ่งพา (Dependent) vs อัตราอิสระ (Independent)

จุดนี้มักเป็นเรื่องที่นักศึกษาคิดว่ายาก แต่มีวิธีทำความเข้าใจง่ายๆ ดังนี้

อัตราเชิงพึ่งพา (Dependent Rates - โลกแห่งความเป็นจริง)

ดังที่กล่าวไป คือความน่าจะเป็นที่เราสังเกตเห็นในกลุ่มที่สาเหตุการออกทุกอย่างเกิดขึ้นพร้อมกัน สัญลักษณ์คือ: \( q_x^{(j)} \)

อัตราอิสระ (Independent Rates - โลกสมมติ "ถ้าหากว่า...")

หรือเรียกว่า Associated Single Decrement Rates คือโลกสมมติที่มีสาเหตุการออก เพียงอย่างเดียว เช่น "โอกาสที่คนคนนี้จะลาออกจะเป็นเท่าไหร่ หากสมมติว่าเขาไม่มีทางเสียชีวิตหรือเกษียณได้เลย?" สัญลักษณ์คือ: \( q_x^{'(j)} \)

ข้อผิดพลาดที่ควรหลีกเลี่ยง:
ห้ามนำอัตราอิสระ \( q_x^{'(j)} \) มาบวกกันเพื่อหาค่ารวมเด็ดขาด คุณจะบวกได้เฉพาะอัตรา เชิงพึ่งพา \( q_x^{(j)} \) เท่านั้น เพื่อให้ได้ความน่าจะเป็นรวมในการออกจากกลุ่ม

เทคนิคการจำ:
ให้คิดว่าอัตรา เชิงพึ่งพา คือการ "แข่งขันกัน" สาเหตุการออกทุกอย่างกำลังวิ่งแข่งกันเพื่อ "คว้าตัว" คนนั้นไปก่อน

4. การแปลงอัตราไปมา (ข้อสมมติ)

ในการคำนวณระหว่างอัตราอิสระ \( q_x^{'(j)} \) และอัตราเชิงพึ่งพา \( q_x^{(j)} \) เรามักต้องใช้ข้อสมมติเกี่ยวกับวิธีการที่การออกเหล่านั้นเกิดขึ้นระหว่างปี

ข้อสมมติที่ 1: การกระจายตัวสม่ำเสมอของเหตุการณ์ (Uniform Distribution of Decrements - UDD)

หากเราสมมติว่าการลดจำนวนแต่ละสาเหตุ \( d_x^{(j)} \) เกิดขึ้นอย่างสม่ำเสมอตลอดทั้งปีใน ตารางการลดจำนวนหลายสาเหตุ เราจะใช้การประมาณการนี้:
\( q_x^{(j)} \approx q_x^{'(j)} [1 - \frac{1}{2} \sum_{k \neq j} q_x^{'(k)} ] \)
หมายเหตุ: สูตรนี้ใช้เมื่อคุณมีอัตราอิสระและต้องการหาอัตราเชิงพึ่งพา

ข้อสมมติที่ 2: แรงของการลดจำนวนคงที่ (Constant Forces of Decrement)

หากเราสมมติว่าแรงของแต่ละสาเหตุคงที่ตลอดทั้งปีที่อายุนั้น ความสัมพันธ์จะเป็นดังนี้:
\( q_x^{(j)} = \frac{\mu^{(j)}}{\mu^{\tau}} \cdot q_x^{\tau} \)
โดยที่ \( \mu^{(j)} / \mu^{\tau} = \ln(1 - q_x^{'(j)}) / \ln(1 - q_x^{\tau}) \)

ประเด็นสำคัญ: อัตราเชิงพึ่งพา \( q_x^{(j)} \) จะ น้อยกว่า อัตราอิสระ \( q_x^{'(j)} \) เสมอ เพราะในโลกความเป็นจริง คนที่ น่าจะ ออกด้วยสาเหตุ \( j \) กลับถูกสาเหตุอื่น "แย่งตัว" ไปก่อน!

5. การคาดการณ์และประเมินมูลค่ากระแสเงินสดคาดหวัง

มาถึงส่วนที่สำคัญที่สุด: การคำนวณมูลค่าของสิทธิประโยชน์ ในวิชา CM1 คุณมักจะถูกถามให้หา มูลค่าปัจจุบันคาดหวัง (Expected Present Value - EPV) ของสิทธิประโยชน์ที่จ่ายเมื่อมีการออกจากกลุ่มด้วยสาเหตุที่กำหนด

สูตรลับทั่วไปสำหรับการหา EPV:
1. หาความน่าจะเป็น: โอกาสที่คนยัง "ทำงานอยู่" ณ เวลา \( t \) และจะออกจากกลุ่มด้วยสาเหตุ \( j \) ในวินาทีนันพอดีคือเท่าใด? \( _{t}p_x^{\tau} \cdot \mu_{x+t}^{(j)} \)
2. ระบุกระแสเงินสด: เงินที่จ่ายคือเท่าไหร่? \( B_{t} \)
3. ระบุดัวคิดลด (Discount Factor): ปรับมูลค่าเงินกลับมาเป็นมูลค่าปัจจุบัน \( v^t \)
4. อินทิเกรต (หรือรวมผล): นำทุกส่วนมารวมกันในช่วงเวลาที่เป็นไปได้

สูตรสำหรับสิทธิประโยชน์มูลค่า 1 ที่จ่ายทันทีเมื่อเกิดเหตุการณ์ \( j \):
\( \bar{A}_x^{(j)} = \int_{0}^{\infty} v^t \cdot _{t}p_x^{\tau} \cdot \mu_{x+t}^{(j)} dt \)

ตัวอย่างในโลกจริง:
นายจ้างจ่ายเงินก้อน 50,000 ดอลลาร์ หากพนักงานเสียชีวิตขณะทำงาน แต่ถ้าลาออกจะไม่จ่ายอะไรเลย ในการประเมินมูลค่านี้ นักคณิตศาสตร์ประกันภัยจะสนใจแค่แรงของการเสียชีวิต \( \mu^{(death)} \) แต่ต้องใช้ความน่าจะเป็นที่ยังอยู่รอดรวม \( _{t}p_x^{\tau} \) เพราะหากพนักงานลาออก สิทธิประโยชน์กรณีเสียชีวิตนั้นย่อมไม่มีโอกาสเกิดขึ้นแล้ว!

6. ทีละขั้นตอน: การแก้โจทย์การประเมินมูลค่า

หากต้องเจอกับโจทย์คำนวณ ให้ทำตามขั้นตอนดังนี้:

ขั้นตอนที่ 1: ระบุสาเหตุการออกจากกลุ่มที่เป็นไปได้ทั้งหมด (เช่น ตาย, ลาออก)
ขั้นตอนที่ 2: คำนวณ แรงรวม หรือ ความน่าจะเป็นรวมในการมีชีวิตอยู่รอด คุณต้องรู้ความน่าจะเป็นที่บุคคลนั้นยัง "อยู่ในสถานะที่พร้อม" จะเจอกับสาเหตุการออกที่คุณสนใจ
ขั้นตอนที่ 3: ตั้งสมการ EPV สำหรับสิทธิประโยชน์นั้นๆ โดยให้รวมเฉพาะ "แรง" หรือ "อัตรา" สำหรับสาเหตุที่ทำให้เกิดการจ่ายเงินเท่านั้น
ขั้นตอนที่ 4: หากสิทธิประโยชน์นั้นเป็น "สิทธิประโยชน์เมื่ออยู่รอด" (เช่น บำนาญที่เริ่มจ่ายตอนอายุ 65) คุณใช้เพียงความน่าจะเป็นรวมในการมีชีวิตอยู่รอด \( _{t}p_x^{\tau} \) ก็พอ เพื่อดูว่าเขาจะอยู่จนถึงอายุ 65 โดยไม่มีสาเหตุการออกใดๆ เกิดขึ้นได้หรือไม่

คุณรู้หรือไม่?
นักคณิตศาสตร์ประกันภัยกองทุนบำเหน็จบำนาญใช้เวลามากมายไปกับการคำนวณเหล่านี้ พวกเขาต้องตั้งสมมติฐานว่าจะมีคนทำงานจนถึงอายุเกษียณกี่คน เพื่อให้แน่ใจว่าบริษัทเก็บเงินได้เพียงพอสำหรับจ่ายบำนาญ!

สรุปประเด็นสำคัญ

- การลดจำนวนหลายสาเหตุ: ใช้เมื่อมีมากกว่าหนึ่งวิธีในการออกจากสถานะ (เช่น ตาย vs เกษียณ)
- แรงของการลดจำนวน: แรงต่างๆ นำมาบวกกันได้: \( \mu_x^{\tau} = \sum \mu_x^{(j)} \)
- การพึ่งพากัน: ความน่าจะเป็นในการออกด้วยสาเหตุหนึ่ง ขึ้นอยู่กับสาเหตุอื่น เพราะมันต้องแย่งกัน "นำตัว" บุคคลออกจากสถานะ
- EPV: เมื่อประเมินสิทธิประโยชน์สำหรับสาเหตุ \( j \) ให้ใช้ความน่าจะเป็นในการอยู่รอดรวม \( _{t}p_x^{\tau} \) เสมอ ควบคู่ไปกับอัตรา/แรงของสาเหตุ \( j \) นั้น
- ความแม่นยำ: ตรวจสอบให้ดีเสมอว่าโจทย์ให้อัตรา อิสระ หรือ เชิงพึ่งพา มา ก่อนจะเริ่มคำนวณ!

ไม่ต้องกังวลถ้าสัญลักษณ์ต่างๆ ดูเหมือนตัวอักษรที่ปนกันมั่วในตอนแรก ให้โฟกัสที่ตรรกะ: ความน่าจะเป็นที่อยู่รอดจนถึงเวลา \( t \) (โดยใช้รูรั่วทุกรูในถัง) คูณด้วยอัตราการออก ณ เวลา \( t \) (โดยใช้รูเดียวที่ทำให้เกิดการจ่ายเงิน) คุณทำได้แน่นอน!