ยินดีต้อนรับสู่เรื่องแบบจำลองความรุนแรง (Severity Models)!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ยินดีต้อนรับเข้าสู่เนื้อหาที่นำไปใช้งานได้จริงและน่าสนใจที่สุดส่วนหนึ่งของหลักสูตร ASTAM ในขณะที่ ความถี่ (Frequency) บอกเราว่าเคลมเกิดขึ้นบ่อยแค่ไหน ความรุนแรง (Severity) จะบอกเราว่าเคลมเหล่านั้นมีมูลค่าเท่าไหร่ ลองคิดแบบนี้ดูนะ: ความถี่คือจำนวนครั้งที่คุณทำโทรศัพท์ตก ส่วนความรุนแรงคือมูลค่าบิลค่าซ่อมของคุณนั่นเอง!

ในบทนี้ เราจะได้เรียนรู้วิธีการอธิบายและเปรียบเทียบ "รูปร่าง" ของมูลค่าเคลมในแบบต่างๆ เคลมบางอย่างมีขนาดเล็กและคาดการณ์ได้ง่าย (เช่น กระจกหน้ารถแตก) ในขณะที่บางอย่างอาจมหาศาลและเกิดขึ้นได้ยาก (เช่น ความเสียหายจากพายุเฮอริเคน) การเข้าใจลักษณะเฉพาะเหล่านี้จะช่วยให้เรากำหนดราคาประกันได้อย่างเป็นธรรม และทำให้มั่นใจได้ว่าบริษัทจะมีเงินเพียงพอที่จะจ่ายให้กับ "เซอร์ไพรส์ใหญ่ๆ" เหล่านั้น

ถ้ารู้สึกว่ามันยากในตอนแรก ไม่ต้องกังวลนะ! เราจะค่อยๆ เจาะลึกไปทีละขั้นตอน ตั้งแต่นิยามพื้นฐานไปจนถึงแนวคิดขั้นสูงเรื่อง "หางของข้อมูล (Tail weight)" ซึ่งเป็นสิ่งที่ SOA ชอบออกสอบมาก

1. ฟังก์ชันพื้นฐาน (The Fundamental Functions)

ก่อนที่เราจะวิเคราะห์การแจกแจงได้ เราต้องมีเครื่องมือพื้นฐานเสียก่อน คุณอาจจะจำสิ่งเหล่านี้ได้จาก Exam FAM แต่พวกมันมีความสำคัญมากในวิชานี้เช่นกัน

ฟังก์ชันการแจกแจงสะสม (Cumulative Distribution Function - CDF): \(F(x)\)
ฟังก์ชันนี้บอกความน่าจะเป็นที่เคลม \(X\) จะมีค่าไม่เกินจำนวนหนึ่ง \(x\)
\(F(x) = P(X \le x)\)

ฟังก์ชันการอยู่รอด (Survival Function): \(S(x)\)
ในเรื่องความรุนแรง เรามักสนใจความน่าจะเป็นที่ความสูญเสีย เกิน จำนวนหนึ่ง (เช่น ค่าเสียหายส่วนแรกหรือ Deductible) มากกว่า
\(S(x) = 1 - F(x) = P(X > x)\)

ฟังก์ชันความหนาแน่นของความน่าจะเป็น (Probability Density Function - PDF): \(f(x)\)
คืออนุพันธ์ของ CDF ซึ่งแสดง "ความเป็นไปได้" ที่เคลมจะมีค่าเท่ากับค่าใดค่าหนึ่งพอดี
\(f(x) = F'(x) = -S'(x)\)

อัตราความเสี่ยง (Hazard Rate หรือ Failure Rate): \(h(x)\)
นี่คือแนวคิดสำคัญของ ASTAM เลย มันแสดงถึงความน่าจะเป็น "ขณะใดขณะหนึ่ง" ที่เคลมจะเกิดขึ้นในทันที โดยที่ยังไม่เคยเกิดขึ้นมาก่อน ในเรื่องความรุนแรง มันช่วยให้เราเห็นว่า "ความอันตราย" ของการเกิดเคลมขนาดใหญ่ขึ้นเปลี่ยนแปลงอย่างไรเมื่อขนาดของเคลมเพิ่มขึ้น
\(h(x) = \frac{f(x)}{S(x)}\)

ทบทวนสั้นๆ: อัตราความเสี่ยง (Hazard Rate)

ถ้า \(h(x)\) มีค่า ลดลง (decreasing) แสดงว่ายิ่งเคลมมีขนาดใหญ่ขึ้น "อัตรา" ของการจบลงของเคลม (การที่มูลค่าหยุดเพิ่ม) จะช้าลง ซึ่งนี่เป็นสัญญาณของการแจกแจงที่มี หางหนา (heavy-tailed) (หมายความว่ามีโอกาสเกิดเคลมขนาดใหญ่มากได้)

2. โมเมนต์และสิ่งที่เกี่ยวข้อง

โมเมนต์ช่วยให้เราสรุปภาพรวมของการแจกแจงได้ด้วยตัวเลขเพียงไม่กี่ตัว

โมเมนต์ดิบ (Raw Moments) หรือ โมเมนต์อันดับที่ \(k\)

โมเมนต์ดิบอันดับที่ \(k\) เขียนแทนด้วย \(E[X^k]\)
\(E[X^k] = \int_{0}^{\infty} x^k f(x) dx\)

เทคนิคสำหรับนักคณิตศาสตร์ประกันภัย: สำหรับการแจกแจงความรุนแรงที่เป็นค่าบวกเสมอ (ซึ่งส่วนใหญ่ก็เป็นแบบนั้น!) คุณสามารถคำนวณค่าเฉลี่ยโดยใช้ฟังก์ชันการอยู่รอดได้ด้วย:
\(E[X] = \int_{0}^{\infty} S(x) dx\)

ความแปรปรวน (Variance), ความเบ้ (Skewness) และความโด่ง (Kurtosis)

  • ความแปรปรวน (Variance): วัดการ "กระจายตัว" ถ้าค่าสูง แสดงว่าขนาดของเคลมมีความแตกต่างกันมาก
  • ความเบ้ (Skewness): วัดความไม่สมมาตร การแจกแจงความรุนแรงส่วนใหญ่จะ เบ้ขวา (positively skewed) ซึ่งหมายความว่ามีหางที่ยาวมากสำหรับเคลมที่มีมูลค่าสูงๆ
  • ความโด่ง (Kurtosis): วัดความ "ยอดแหลม" และความหนาของหาง ถ้าค่าสูงมักหมายถึงมีค่าที่ "สุดโต่ง" (หางหนา) มากกว่า

รู้หรือไม่? ในโลกการประกันภัย เราแทบจะไม่เห็นการแจกแจงแบบ "Normal Distribution" ในเรื่องความรุนแรงเลย เพราะมูลค่าเคลมติดลบไม่ได้ และมักจะมีเคลมที่ "หลุดขอบ (outlier)" ขนาดใหญ่มากซึ่ง Normal distribution รับมือไม่ได้!

3. ความหนาของหาง (Tail Weight): การแจกแจงนี้ "อันตราย" แค่ไหน?

นี่คือแนวคิดที่สำคัญที่สุดในบทนี้สำหรับ ASTAM เลยก็ว่าได้ ความหนาของหาง (Tail weight) อธิบายว่าเรามีโอกาสมากแค่ไหนที่จะได้เห็นเคลมขนาดใหญ่มากๆ

การเปรียบเทียบการแจกแจง

SOA มักจะถามคุณว่าการแจกแจงไหนมี "หางที่หนากว่ากัน" การแจกแจงที่มีหางหนากว่าย่อมมีความเสี่ยงต่อผู้รับประกันมากกว่า นี่คือ 3 วิธีในการตรวจสอบ:

วิธีที่ 1: การมีอยู่ของโมเมนต์ (Existence of Moments)
หากการแจกแจง A มีโมเมนต์ครบทุกอัน (เช่น Exponential หรือ Gamma) แต่การแจกแจง B มีแค่โมเมนต์ 2 อันแรก (เช่น Pareto บางตัว) แสดงว่า การแจกแจง B มีหางที่หนากว่า ถ้าโมเมนต์สำหรับ \(k\) ค่ามากๆ ไม่มีอยู่จริง แสดงว่าหางนั้น "หนา"

วิธีที่ 2: อัตราส่วนของฟังก์ชันการอยู่รอด (Ratio of Survival Functions)
เปรียบเทียบสองการแจกแจงโดยดูลิมิตของอัตราส่วนฟังก์ชันการอยู่รอด:
\(\lim_{x \to \infty} \frac{S_1(x)}{S_2(x)}\)
ถ้าลิมิตนี้เข้าสู่ \(\infty\) การแจกแจงที่ 1 จะมีหางหนากว่า ถ้าเข้าสู่ 0 การแจกแจงที่ 2 จะหนากว่า

วิธีที่ 3: พฤติกรรมของอัตราความเสี่ยง (Hazard Rate Behavior)
การมี อัตราความเสี่ยงแบบลดลง (Decreasing Hazard Rate - DHR) บ่งบอกถึงหางที่หนา ถ้า \(h(x) \to 0\) เมื่อ \(x \to \infty\) แสดงว่าเป็นหางที่หนามาก (เช่น Pareto) ถ้า \(h(x) \to c\) (ค่าคงที่) แสดงว่าเป็นแบบปานกลาง (Exponential) ถ้า \(h(x) \to \infty\) แสดงว่าเป็นหางบาง

สรุปความหนาของหาง (จากบางที่สุดไปหนาที่สุด)
  1. หางบาง (Light Tails): Normal, Gamma (ที่มี \(\alpha > 1\)) พวกนี้ "ปลอดภัย"
  2. หางปานกลาง (Medium Tails): Exponential เป็นค่ามาตรฐานของเรา
  3. หางหนา (Heavy Tails): Lognormal, Pareto, Burr พวกนี้คือสิ่งที่ทำให้นักคณิตศาสตร์ประกันภัยนอนไม่หลับ!

4. อายุขัยคงเหลือเฉลี่ย (Mean Residual Life - MRL)

ฟังก์ชัน Mean Residual Life หรือ \(e(x)\) คือค่าคาดหมายของมูลค่าที่ เพิ่มขึ้นมา ของเคลม โดยกำหนดว่าเคลมนั้นเกินจำนวน \(x\) ไปแล้ว

สูตร: \(e(x) = E[X - x | X > x] = \frac{\int_{x}^{\infty} S(t) dt}{S(x)}\)

ทำไม MRL ถึงสำคัญ:

  • ถ้า \(e(x)\) เป็น ค่าคงที่: นี่คือการแจกแจงแบบ Exponential (คุณสมบัติ "ไร้ความจำ" หรือ Memoryless) ไม่ว่าเคลมจะใหญ่แค่ไหน ค่าคาดหมายของมูลค่าที่ เพิ่มขึ้น ก็ยังเท่าเดิม
  • ถ้า \(e(x)\) มีค่า เพิ่มขึ้น (increasing): นี่คือการแจกแจงแบบหางหนา (เช่น Pareto) ยิ่งเคลมใหญ่ขึ้น เราก็ยิ่งคาดหมายว่าจะมีมูลค่า เพิ่มขึ้น ตามไปด้วย!
  • ถ้า \(e(x)\) มีค่า ลดลง (decreasing): นี่คือการแจกแจงแบบหางบาง

เปรียบเทียบ: ลองจินตนาการว่าคุณกำลังซ่อมบ้านเก่าหลังหนึ่ง ถ้า "ความรุนแรงในการซ่อม" มี MRL ที่ เพิ่มขึ้น หมายความว่าทุกครั้งที่คุณพบปัญหาแล้วซ่อมมันไป คุณคาดการณ์ได้เลยว่าปัญหาที่ซ่อนอยู่ข้างในที่เหลือจะยิ่งแพงขึ้นไปอีก! (นั่นคือฝันร้ายของหางหนาเลยล่ะ)

5. การแจกแจงความรุนแรงที่สำคัญที่ควรรู้

แม้คุณจะมีแผ่นสูตร แต่คุณควรจำ "บุคลิก" ของการแจกแจงเหล่านี้ให้ได้:

1. Exponential: "ทางสายกลาง" มีอัตราความเสี่ยงคงที่และ MRL คงที่
2. Gamma: ยืดหยุ่นได้ ถ้าพารามิเตอร์รูปร่าง \(\alpha > 1\) จะเป็นหางบาง ถ้า \(\alpha < 1\) จะหนากว่า Exponential
3. Pareto: ต้นแบบของ หางหนา ใช้สำหรับเคลมภัยพิบัติขนาดใหญ่ มีอัตราความเสี่ยงลดลงและ MRL เพิ่มขึ้น
4. Weibull: ยืดหยุ่นเช่นกัน ความหนาของหางขึ้นอยู่กับพารามิเตอร์รูปร่าง \(\tau\)
5. Lognormal: ตัวเลือกยอดนิยมสำหรับประกันภัยหลายประเภท หางหนากว่า Gamma แต่โดยทั่วไปจะบางกว่า Pareto

6. ข้อผิดพลาดที่พบบ่อย

  • สับสนระหว่าง \(f(x)\) กับ \(h(x)\): จำไว้ว่าอัตราความเสี่ยง \(h(x)\) คือ อัตราส่วน ต่อให้ PDF \(f(x)\) กำลังเข้าใกล้ศูนย์ แต่อัตราความเสี่ยงอาจจะพุ่งไปถึงอนันต์ก็ได้
  • มองข้ามขอบเขตของข้อมูล (Support): ตรวจสอบเสมอว่าการแจกแจงเริ่มที่ 0 หรือค่าอื่น (เช่น การแจกแจงแบบถูกตัดตอนหรือ Truncated)
  • สลับการเปรียบเทียบหาง: เมื่อใช้ลิมิต \(\frac{S_1(x)}{S_2(x)}\) ต้องแน่ใจว่าคุณหาลิมิตเมื่อ \(x \to \infty\) ไม่ใช่ \(x \to 0\)

สรุปหัวใจสำคัญสำหรับการสอบ

1. Hazard Rate: อัตราความเสี่ยงลดลง = หางหนา, ค่าคงที่ = Exponential
2. Mean Residual Life: MRL เพิ่มขึ้น = หางหนา มีประโยชน์ในการกำหนดราคาประกันภัยต่อแบบเกินส่วน (Excess-of-loss reinsurance)
3. การมีอยู่ของโมเมนต์: ถ้าโมเมนต์อันดับสูงๆ ไม่มีอยู่จริง แสดงว่าคุณกำลังเจอการแจกแจงแบบหางหนาที่ "อันตราย"
4. การเปรียบเทียบ: ใช้ลิมิตของฟังก์ชันการอยู่รอดหรืออัตราความเสี่ยงเพื่อจัดลำดับความเสี่ยงของการแจกแจง

สู้ต่อไปนะ! ลักษณะเฉพาะของความรุนแรงคืออิฐก้อนสำคัญสำหรับโมเดลที่ซับซ้อนขึ้นที่คุณจะได้เจอใน ASTAM เช่น การปรับเปลี่ยนความคุ้มครอง (ค่าเสียหายส่วนแรกและวงเงินจำกัด) ขอให้เข้าใจ "รูปร่าง" เหล่านี้ให้แม่น แล้วเนื้อหาที่เหลือของวิชานี้จะง่ายขึ้นเยอะเลย!