ยินดีต้อนรับสู่การคาดการณ์อัตราการเสียชีวิต (Mortality Projection)!
สวัสดีครับ! ยินดีต้อนรับเข้าสู่หนึ่งในบทที่น่าสนใจ (และสำคัญที่สุด) ในเส้นทาง CS2 ของคุณ ในบทที่ผ่านมาของเรื่อง "โมเดลการอยู่รอด" (Survival Models) เราได้เรียนรู้วิธีคำนวณความน่าจะเป็นที่คนเราจะเสียชีวิต ณ อายุที่กำหนดไปแล้ว แต่มีจุดหนึ่งที่ต้องระวังคือ: อัตราการเสียชีวิตไม่ใช่ค่าคงที่
หากคุณลองดูบันทึกเมื่อ 100 ปีก่อน คนอายุ 60 ปีมีโอกาสเสียชีวิตสูงกว่าคนอายุ 60 ปีในปัจจุบันมาก เหตุผลน่ะเหรอ? ก็เพราะการแพทย์ที่ดีขึ้น น้ำสะอาดขึ้น และผู้คนสูบบุหรี่น้อยลงนั่นเอง! ในบทนี้ เราจะเรียนรู้วิธี "มองไปในอนาคต" เพื่อทำนายว่าอัตราการเสียชีวิตเหล่านี้จะเปลี่ยนแปลงไปอย่างไร ซึ่งเป็นเรื่องสำคัญมากสำหรับกองทุนบำเหน็จบำนาญและบริษัทประกัน เพื่อให้มั่นใจว่าพวกเขาจะมีเงินเพียงพอสำหรับจ่ายคืนให้แก่ผู้ที่อายุยืนยาวเกินกว่าที่คาดไว้
1. ทำไมเราต้องคาดการณ์อัตราการเสียชีวิต?
เราต้องคาดการณ์อัตราการเสียชีวิตเพราะ ความเสี่ยงด้านอายุยืน (Longevity Risk) ซึ่งคือความเสี่ยงที่ผู้คนมีอายุยืนยาวกว่าที่เราคาดการณ์ไว้ หากคุณเป็นนักคณิตศาสตร์ประกันภัยของกองทุนบำเหน็จบำนาญ แล้วสมาชิกของคุณมีอายุยืนยาวกว่าที่คุณวางแผนไว้ 5 ปี คุณก็ต้องจ่ายเงินบำนาญเพิ่มอีก 5 ปี ซึ่งนั่นหมายถึงค่าใช้จ่ายมหาศาลเลยล่ะ!
แนวคิดสำคัญ: การปรับปรุงอัตราการเสียชีวิต (Mortality Improvement)
เมื่อเวลาผ่านไป แรงดึงดูดของการเสียชีวิต (force of mortality) \(\mu_x\) โดยทั่วไปจะลดลง หมายความว่า \(q_x\) (ความน่าจะเป็นที่จะเสียชีวิต) เป็นฟังก์ชันของทั้ง อายุ (x) และ เวลา (t) เราจึงเขียนแทนด้วย \(q(x, t)\)
2. สามแนวทางในการคาดการณ์
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ ทั้งสามวิธีนี้เป็นเพียงมุมมองที่ต่างกันในการแก้ปัญหาเดียวกัน ลองจำง่ายๆ ว่าเป็น "หลักการ 3 E":
• Expectation (ความคิดเห็นของผู้เชี่ยวชาญ): เราถามความเห็นจากแพทย์ นักวิทยาศาสตร์ และนักประชากรศาสตร์ว่าพวกเขาคิดว่าจะเกิดอะไรขึ้น ตัวอย่าง: "เราคาดว่าจะมีวิธีรักษาโรคมะเร็งบางชนิดได้ภายใน 20 ปี"
• Explanation (การอธิบายเชิงเหตุผล): เราวิเคราะห์สาเหตุการเสียชีวิต (การสูบบุหรี่, โรคหัวใจ) แล้วสร้างโมเดลจากความเสี่ยงเหล่านั้น ตัวอย่าง: "ถ้าอัตราการสูบบุหรี่ลดลง 10% อัตราการเสียชีวิตก็น่าจะลดลง X%"
• Extrapolation (การคาดการณ์จากแนวโน้มในอดีต): เราดูข้อมูลย้อนหลัง 50 ปีแล้วสมมติว่ารูปแบบนั้นจะดำเนินต่อไปเรื่อยๆ นี่เป็นวิธีที่พบบ่อยที่สุดในข้อสอบ CS2 ครับ
ทบทวนด่วน: 3 E
Expectation = ใช้สมองของผู้เชี่ยวชาญ
Explanation = เจาะลึกต้นตอของสาเหตุ
Extrapolation = ประวัติศาสตร์จะซ้ำรอยเดิม
3. ตัวคูณลดทอนอัตราการเสียชีวิต (Mortality Reduction Factors)
วิธีคาดการณ์ที่ง่ายที่สุดคือการใช้ ตัวคูณลดทอน (Reduction Factor) ซึ่งเป็นตัวเลข (มักจะน้อยกว่า 1) ที่เรานำไปคูณกับอัตราการเสียชีวิตของปัจจุบัน เพื่อให้ได้อัตราการเสียชีวิตในอนาคต
สูตรคือ: \(q(x, t) = q(x, 0) \times RF(x, t)\)
โดยที่:
\(q(x, 0)\) คืออัตราการเสียชีวิตในปัจจุบัน
\(RF(x, t)\) คือตัวคูณลดทอนสำหรับอายุ \(x\) ณ เวลา \(t\)
\(q(x, t)\) คืออัตราการเสียชีวิตที่คาดการณ์ไว้ในอนาคต
เปรียบเทียบ: หากร้านค้าลดราคาสินค้า 10% ทุกปี ราคาสินค้าในปีหน้าจะเป็น 0.90 เท่าของปีนี้ ตัวคูณลดทอนก็ทำงานในลักษณะเดียวกันกับอัตราการเสียชีวิตครับ!
4. โมเดล Lee-Carter
นี่คือโมเดล "ระดับซุปเปอร์สตาร์" ของการคาดการณ์อัตราการเสียชีวิต และเป็นโมเดลที่คุณมีโอกาสเจอในข้อสอบมากที่สุด โดยใช้การ Extrapolation เพื่อคาดการณ์อัตราการเสียชีวิตแบบรวม (central death rates) \(m_{x,t}\)
สูตร:
\(\ln(m_{x,t}) = a_x + b_x \kappa_t + \epsilon_{x,t}\)
ลองมาแกะสูตรเป็นภาษามนุษย์กันครับ:
• \(a_x\): "ค่าเฉลี่ย" ของอัตราการเสียชีวิตที่อายุ \(x\) ซึ่งบอกรูปร่างทั่วไปของอัตราการเสียชีวิตในแต่ละช่วงอายุ
• \(\kappa_t\): "ดัชนีเวลา" บอกแนวโน้มทั่วไปของอัตราการเสียชีวิตเมื่อเวลาผ่านไป โดยปกติค่านี้จะลดลงเมื่อปีผ่านไป
• \(b_x\): "ความไว" บอกว่าคนอายุ \(x\) มีปฏิกิริยาต่อแนวโน้มของเวลาอย่างไร บางช่วงอายุอาจมีการปรับปรุงที่ดีขึ้นเร็วกว่าช่วงอายุอื่น
• \(\epsilon_{x,t}\): "ค่าความคลาดเคลื่อน" สิ่งเล็กๆ น้อยๆ ที่แบบจำลองอธิบายไม่ได้
ข้อผิดพลาดที่พบบ่อย: นักเรียนมักสับสนระหว่าง \(b_x\) กับ \(\kappa_t\) ให้จำไว้ว่า: k มาจาก Kalendar (เวลา/ปฏิทิน) และ b มาจาก Behavior (พฤติกรรมเฉพาะของอายุนั้นๆ)
ข้อกำหนด (Constraints) ใน Lee-Carter
เนื่องจากโมเดลมีตัวแปรหลายตัว เราจึงต้อง "ล็อก" ค่าบางอย่างเพื่อให้โมเดลหาคำตอบได้ โดยข้อกำหนดมาตรฐานของ IFoA คือ:
1. ผลรวมของ \(b_x\) ทั้งหมดต้องเท่ากับ 1: \(\sum b_x = 1\)
2. ผลรวมของ \(\kappa_t\) ทั้งหมดต้องเท่ากับ 0: \(\sum \kappa_t = 0\)
5. โมเดล Age-Period-Cohort (APC)
บางครั้งการดูแค่อายุและปีก็ไม่เพียงพอ เราจำเป็นต้องดูด้วยว่าบุคคลนั้น เกิดเมื่อไหร่ นี่คือ อิทธิพลของรุ่นปีเกิด (Cohort Effect)
ตัวอย่าง: คนที่เกิดหลังสงครามโลกครั้งที่ 2 (Baby Boomers) อาจมีพฤติกรรมสุขภาพที่ต่างจากคนที่เกิดในช่วงภาวะเศรษฐกิจตกต่ำครั้งใหญ่ (Great Depression) อิทธิพลจาก "รุ่นปีเกิด" นี้จะติดตัวพวกเขาไปตลอดชีวิต
สูตรของโมเดล APC:
\(\ln(m_{x,t}) = a_x + \kappa_t + \gamma_{t-x}\)
โดยที่ \(\gamma_{t-x}\) คือ อิทธิพลของรุ่นปีเกิด (เพราะ \(ปีปัจจุบัน - อายุ = ปีเกิด\))
6. โมเดล CBD (Cairns-Blake-Dowd)
โมเดล Lee-Carter นั้นยอดเยี่ยมมาก แต่อาจจะมีปัญหาเมื่อใช้กับกลุ่มผู้สูงอายุ โมเดล CBD จึงถูกออกแบบมาเพื่อกลุ่มผู้สูงอายุโดยเฉพาะ (ผู้รับบำนาญ)
แทนที่จะจำลองค่า \(m_{x,t}\) โมเดลนี้จะใช้ฟังก์ชัน logit ของอัตราการเสียชีวิต \(q_{x,t}\)
ฟังก์ชัน logit คือ: \(logit(p) = \ln(\frac{p}{1-p})\)
สูตร:
\(logit(q_{x,t}) = \kappa^{(1)}_t + \kappa^{(2)}_t (x - \bar{x})\)
ในโมเดลนี้:
• \(\kappa^{(1)}_t\): เลื่อนเส้นอัตราการเสียชีวิตทั้งหมดขึ้นหรือลง (Parallel shift)
• \(\kappa^{(2)}_t\): เปลี่ยนความชันของเส้น (Rotational shift)
• \(\bar{x}\): คืออายุเฉลี่ยในชุดข้อมูล
ประเด็นสำคัญ: CBD สมมติว่า ณ เวลาใดๆ \(t\), ค่า logit ของอัตราการเสียชีวิตจะเป็น เส้นตรง เมื่อเทียบกับอายุ
7. สรุปและข้อจำกัดที่สำคัญ
การคาดการณ์อัตราการเสียชีวิตไม่ใช่ศาสตร์ที่แม่นยำ 100% นี่คือสิ่งผิดพลาดที่อาจเกิดขึ้นได้ (และมักจะเป็นประเด็นในข้อสอบ):
1. Model Risk: เลือกใช้ Lee-Carter ทั้งที่จริงๆ แล้ว CBD เหมาะกับข้อมูลชุดนั้นมากกว่า
2. Parameter Risk: สูตรถูกต้องแล้ว แต่การประมาณค่า \(a_x\) หรือ \(b_x\) ของคุณอาจจะคลาดเคลื่อนเล็กน้อย
3. Random Variation: ต่อให้โมเดลสมบูรณ์แบบ แต่อัตราการเสียชีวิตจริงอาจผันผวนได้ในแต่ละปี
4. Catastrophes: โมเดลที่อิงจากแนวโน้มในอดีตไม่สามารถทำนายเหตุการณ์กะทันหันอย่างโรคระบาด (เช่น COVID-19) หรือความก้าวหน้าทางการแพทย์ที่คาดไม่ถึงได้
รายการทบทวนก่อนจบ:
• คุณอธิบายได้ไหมว่าทำไมเราต้องคาดการณ์อัตราการเสียชีวิต? (Longevity Risk!)
• คุณรู้จักหลักการ 3 E (Expectation, Explanation, Extrapolation) หรือยัง?
• คุณเขียนสูตร Lee-Carter จากความจำได้ไหม?
• คุณเข้าใจไหมว่า CBD ออกแบบมาเพื่อผู้สูงอายุและใช้แนวคิดเส้นตรงของ logit?
• คุณจำข้อกำหนดหลัก 2 ข้อของ Lee-Carter (\(\sum b_x=1, \sum \kappa_t=0\)) ได้ไหม?
ไม่ต้องกังวลถ้าสูตรมันดูน่ากลัว! โจทย์ข้อสอบส่วนใหญ่มักจะให้คุณอธิบายความหมายของตัวแปรหรือคำนวณง่ายๆ จากสูตรที่ให้มา ฝึกฝนการจำแนกส่วนประกอบของสูตรให้ได้ว่าตรงไหนคือ "อายุ", "เวลา" และ "รุ่นปีเกิด" แล้วคุณจะทำข้อสอบได้แน่นอนครับ!