ยินดีต้อนรับสู่โลกของการสร้างแบบจำลองหลายสถานะ (Multi-State Modeling)!
สวัสดีว่าที่นักคณิตศาสตร์ประกันภัย! หากคุณมาถึงจุดนี้ได้ นั่นหมายความว่าคุณผ่านการสอบ ALTAM มาได้ไกลแล้ว และคงรู้จักพื้นฐานของการประกันชีวิต (แบบจำลอง "ยังมีชีวิต vs เสียชีวิต") เป็นอย่างดี แต่ในโลกแห่งความเป็นจริง ชีวิตไม่ได้มีแค่สองสถานะเสมอไป ผู้คนอาจล้มป่วย หายป่วย เข้าสถานดูแลผู้สูงอายุ หรือทุพพลภาพ ก่อนที่จะเสียชีวิตในท้ายที่สุด
ในบทนี้ เราจะมาสำรวจ ตัวแปรสุ่มมูลค่าปัจจุบันของประกันภัยและเงินบำนาญที่ขึ้นอยู่กับสถานะ (State-dependent insurance and annuity present value random variables) เราจะได้เรียนรู้วิธีการคำนวณมูลค่าของผลิตภัณฑ์ประกันภัยที่การจ่ายเงินขึ้นอยู่กับว่าบุคคลนั้นอยู่ใน "สถานะ" ใด ไม่ต้องกังวลหากดูเหมือนว่าความยากจะเพิ่มขึ้น เราจะค่อยๆ ย่อยมันทีละขั้นตอนโดยใช้การเปรียบเทียบที่คุณคุ้นเคยอยู่แล้ว!
1. ภาพรวม: ตัวแปรที่ขึ้นอยู่กับสถานะคืออะไร?
ลองจินตนาการว่าแบบจำลองหลายสถานะเป็นเหมือน GPS สำหรับสุขภาพของคนคนหนึ่ง ณ เวลาใดเวลาหนึ่ง บุคคลนั้นจะอยู่ใน "ตำแหน่ง" (สถานะ) เฉพาะเจาะจง:
- สถานะ 0: สุขภาพดี
- สถานะ 1: ทุพพลภาพ
- สถานะ 2: เสียชีวิต
คำศัพท์สำคัญที่ต้องจำ:
การเปลี่ยนสถานะ (Transitions): คือการย้ายจากสถานะหนึ่งไปยังอีกสถานะหนึ่ง (เช่น จากสุขภาพดีไปสู่ทุพพลภาพ) ผลประโยชน์ที่ผูกกับการเปลี่ยนสถานะมักจะเป็น เงินก้อน (lump sum)
การอยู่ในสถานะ (Occupancy): คือการที่คนคนหนึ่งยังคงอยู่ในสถานะใดสถานะหนึ่งเป็นระยะเวลาหนึ่ง ผลประโยชน์ที่ผูกกับการอยู่ในสถานะมักจะเป็น เงินบำนาญ (annuities) (ไม่ว่าจะเป็นการจ่ายแบบต่อเนื่องหรือแบบไม่ต่อเนื่อง)
ทบทวนสั้นๆ: ในวิชา FAM-L คุณได้ศึกษาแบบจำลอง "Double Decrement" มาแล้ว ในวิชา ALTAM นี้เราจะต่อยอดโดยอนุญาตให้บุคคลสามารถ ย้ายสถานะไปมาได้ (เช่น การหายป่วยจากโรค)
2. ผลประโยชน์ประเภทเงินบำนาญ (Occupancy)
ลองจินตนาการถึงกรมธรรม์ที่จ่ายเงินให้คุณ 100 ดอลลาร์ต่อเดือน ตราบเท่าที่คุณยังอยู่ในสถานะ "ทุพพลภาพ" นี่คือ ผลประโยชน์ที่ขึ้นอยู่กับการอยู่ในสถานะ (occupancy-based benefit)
ตัวแปรสุ่มมูลค่าปัจจุบันสำหรับเงินบำนาญในสถานะ \(j\) สำหรับบุคคลที่ปัจจุบันอยู่ในสถานะ \(i\) จะแทนด้วย \(Y\) เพื่อหา มูลค่าปัจจุบันทางคณิตศาสตร์ประกันภัย (APV) เราจะใช้สูตรดังนี้:
\(E[Y] = \bar{a}_x^{ij} = \int_0^\infty v^t \cdot {}_tp_x^{ij} dt\)
เจาะลึกสูตรนี้:
1. \(v^t\): นี่คือ ปัจจัยคิดลด (discount factor) ซึ่งใช้เปลี่ยนมูลค่าเงินในอนาคตให้เป็นมูลค่าในวันนี้
2. \({}_tp_x^{ij}\): นี่คือ ความน่าจะเป็นที่จะอยู่ในสถานะ (occupancy probability) คือความน่าจะเป็นที่บุคคลอายุ \(x\) ซึ่งเริ่มจากสถานะ \(i\) จะอยู่ในสถานะ \(j\) ณ เวลา \(t\)
3. อินทิกรัล (\(\int\)): คือการนำความน่าจะเป็นที่คิดลดแล้วทั้งหมดในช่วงเวลามารวมกัน
การเปรียบเทียบในโลกจริง: การสมัครสมาชิก Netflix
ลองคิดว่านี่เหมือนกับ "Netflix แบบย้อนกลับ" แทนที่คุณจะเป็นคนจ่ายให้ Netflix พวกเขาจะเป็นคนจ่ายให้คุณตราบเท่าที่คุณยัง "ใช้งาน" (Active) ในสถานะที่กำหนด วิธีหามูลค่าก็แค่รู้ความน่าจะเป็นที่คุณจะยัง "Active" ณ วันที่กำหนดในอนาคต แล้วคิดลดเงินเหล่านั้นกลับมาเป็นมูลค่าปัจจุบัน
หัวใจสำคัญ: ผลประโยชน์ประเภทเงินบำนาญขึ้นอยู่กับว่า คุณอยู่ที่ไหน ณ เวลา \(t\)
3. ผลประโยชน์ประเภทประกันภัย (Transitions)
คราวนี้ลองจินตนาการถึงกรมธรรม์ที่จ่าย เงินก้อน 10,000 ดอลลาร์ ทันทีที่คุณได้รับวินิจฉัยว่าเป็น "โรคร้ายแรง" (ย้ายจากสุขภาพดีไปสู่สถานะป่วย) นี่คือ ผลประโยชน์ที่ขึ้นอยู่กับการเปลี่ยนสถานะ (transition-based benefit)
สูตรสำหรับ APV ของเงินก้อนที่จ่ายเมื่อมีการเปลี่ยนสถานะจาก \(j\) ไปยัง \(k\) คือ:
\(\bar{A}_x^{ik} = \int_0^\infty v^t \cdot {}_tp_x^{ij} \cdot \mu_{x+t}^{jk} dt\)
เดี๋ยวครับ \(\mu\) คืออะไร?
\(\mu_{x+t}^{jk}\) คือ ความเข้มข้นของการเปลี่ยนสถานะ (transition intensity) หรือแรงของการเปลี่ยนสถานะ มันแทน "ความเร็วทันที" ในการย้ายจากสถานะ \(j\) ไปยัง \(k\)
ตรรกะทีละขั้นตอน:
1. คุณต้องอยู่ในสถานะ \(i\) ตอนเริ่มต้น (เวลา 0)
2. คุณต้องอยู่ในสถานะ \(j\) ณ เวลา \(t\) (\({}_tp_x^{ij}\))
3. คุณต้อง "กระโดด" ไปยังสถานะ \(k\) ณ จังหวะนั้นพอดี (\(\mu_{x+t}^{jk}\))
4. คิดลด "การกระโดด" นั้นกลับมาเป็นมูลค่าวันนี้ (\(v^t\))
การเปรียบเทียบแบบ "กับดัก" (Tripwire)
ถ้าเงินบำนาญเหมือนการสมัครสมาชิก ผลประโยชน์ประกันภัยก็เหมือนกับ ลวดสะดุด (tripwire) คุณจะไม่ได้รับเงินแค่เพราะเดินเฉียดไปเฉียดมา แต่คุณจะได้รับเงินก็ต่อเมื่อคุณสะดุดลวดนั้น (เปลี่ยนสถานะ) ในเสี้ยววินาทีนั้นพอดี
หัวใจสำคัญ: ผลประโยชน์ประเภทประกันภัยขึ้นอยู่กับ การกระทำของการย้าย ระหว่างสถานะ
4. ตัวแปรสุ่มมูลค่าปัจจุบันรวม
กรมธรรม์ส่วนใหญ่ในชีวิตจริงมักจะเป็นแบบ "ชุดคอมโบ" ตัวอย่างเช่น กรมธรรม์ การดูแลระยะยาว (Long-Term Care - LTC) อาจจ่าย:
- เงินก้อนเมื่อคุณเริ่มทุพพลภาพครั้งแรก (Transition)
- รายได้รายเดือนตราบเท่าที่คุณยังทุพพลภาพอยู่ (Occupancy)
PVRV รวม ก็คือผลรวมของ PVRV ผลประโยชน์แต่ละรายการ
\(Z_{total} = Z_{insurance} + Y_{annuity}\)
ข้อควรระวัง: เวลาคำนวณความแปรปรวน (variance) ของ PVRV รวม คุณ ไม่สามารถ นำความแปรปรวนของส่วนประกันภัยและเงินบำนาญมาบวกกันตรงๆ ได้ ทำไมนะหรือ? เพราะมันมักจะมีความสัมพันธ์กันสูงมาก! หากคุณอยู่ในสถานะ "ทุพพลภาพ" (ได้รับเงินบำนาญ) ก็มีโอกาสสูงมากที่คุณเพิ่งจะเปลี่ยนสถานะเข้ามา (ได้รับเงินก้อน)
5. ความแปรปรวนและ "กฎแรงสองเท่า"
บางครั้งข้อสอบจะถามหา ความแปรปรวน ของตัวแปรสุ่มเหล่านี้ เทคนิคที่นิยมใช้สำหรับตัวแปรที่ขึ้นอยู่กับสถานะ (โดยเฉพาะสำหรับการจ่ายเงินครั้งเดียว) คือ "กฎแรงสองเท่าของอัตราดอกเบี้ย" (Rule of Double Force of Interest)
หากคุณต้องคำนวณ \(E[Z^2]\) สำหรับการจ่ายเงิน 1 หน่วย:
- ใช้สูตร APV เดิมที่คุณเคยใช้
- เปลี่ยนแรงของอัตราดอกเบี้ย \(\delta\) ให้เป็น \(2\delta\)
- ส่วนค่าความเข้มข้นของการเปลี่ยนสถานะ (\(\mu\)) และความน่าจะเป็น (\(p\)) ให้ใช้ค่าเดิมทั้งหมด
เทคนิคช่วยจำ: "เบิ้ล \(\delta\) สองเท่า ส่วนที่เหลือคงเดิม รับรองว่าโจทย์ความแปรปรวนนี้ผ่านฉลุย!"
6. สรุปและทบทวนอย่างรวดเร็ว
ก่อนจะไปบทต่อไป ตรวจสอบให้มั่นใจว่าเข้าใจแนวคิดเหล่านี้แม่นยำแล้ว:
กล่องทบทวน:
• การอยู่ในสถานะ (\(\bar{a}_x^{ij}\)): ใช้สำหรับผลประโยชน์ประเภท "ขณะที่อยู่ในสถานะ..." อาศัยค่า \( {}_tp_x^{ij} \)
• การเปลี่ยนสถานะ (\(\bar{A}_x^{ij}\)): ใช้สำหรับผลประโยชน์ประเภท "เมื่อเข้าสู่..." อาศัยค่า \( {}_tp_x^{ij} \cdot \mu_{x+t}^{jk} \)
• การคิดลด: ใช้ \(v^t = e^{-\delta t}\) เสมอสำหรับแบบจำลองต่อเนื่อง
• การอินทิเกรต: ถ้าความเข้มข้นของการเปลี่ยนสถานะและอัตราดอกเบี้ยเป็น ค่าคงที่ ผลลัพธ์มักจะลดรูปเหลือเป็นเศษส่วน (เช่น \(\frac{1}{\mu + \delta}\)) มองหาทางลัดเหล่านี้ให้ดี!
คุณทราบหรือไม่? โครงสร้างหลายสถานะนี้เป็นคณิตศาสตร์ชุดเดียวกันกับที่วิศวกรใช้ทำนายการเสียของเครื่องจักร และที่นักวิทยาศาสตร์ข้อมูลใช้ทำนายว่าเมื่อไหร่ลูกค้าจะ "เลิกใช้งาน" (churn) บริการ!
กำลังใจทิ้งท้าย: ตัวแปรที่ขึ้นอยู่กับสถานะอาจดูเหมือนตัวอักษรภาษาอังกฤษเต็มไปหมดจากตัวห้อยหรือตัวยก (\(i, j, k\)) แต่แค่จำไว้ว่า: \(i\) คือจุดเริ่มต้น, \(j\) คือจุดที่คุณอยู่, และ \(k\) คือจุดหมายที่คุณกำลังจะไป คุณทำได้แน่นอน!