ยินดีต้อนรับสู่โลกแห่งการตั้งสำรองค่าสินไหม!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! วันนี้เราจะมาเจาะลึกหนึ่งในภารกิจที่สำคัญที่สุดของนักคณิตศาสตร์ประกันภัยประเภทระยะสั้น นั่นก็คือ การประมาณการค่าสินไหมค้างจ่าย (หรือที่เรียกกันว่า การตั้งสำรอง - Reserving)

ลองจินตนาการว่าบริษัทประกันภัยเปรียบเสมือนงานปาร์ตี้ขนาดใหญ่ ที่มีคนเดินเข้างานมาเรื่อยๆ (คือการแจ้งเคลมเข้ามา) และเดินออกจากงาน (คือการจ่ายค่าสินไหม) ในทุกๆ ช่วงเวลา บริษัทจำเป็นต้องรู้ว่าต้องเตรียมเงินสำรองไว้เท่าไหร่เพื่อจ่ายให้แขกที่ยังอยู่ในงาน หรือคนที่ยังไม่ได้เดินเข้างานมาด้วยซ้ำ!

ถ้าอ่านแล้วรู้สึกว่ามันดูซับซ้อนในตอนแรก ไม่ต้องกังวลนะ เพราะเราจะมาย่อย 5 วิธีการหลักที่คุณต้องใช้สอบ ASTAM ให้กลายเป็นเรื่องที่เข้าใจง่ายและนำไปใช้ได้ทันที มาเริ่มกันเลย!

1. วิธี Expected Loss Ratio (ELR)

วิธี Expected Loss Ratio (ELR) เป็นวิธีการที่เรียบง่ายที่สุด โดยวิธีนี้จะไม่ได้ดูว่าเคลมแต่ละตัวมีพัฒนาการอย่างไร แต่จะมองภาพรวมทั้งหมดโดยอิงจากสิ่งที่เราคาดการณ์ไว้ตั้งแต่ตอนออกกรมธรรม์

หลักการทำงาน

เราสมมติว่าสัดส่วนหนึ่งของ เบี้ยประกันภัยรับ (Earned Premium) จะกลายเป็นค่าสินไหมจ่ายในท้ายที่สุด
สูตรคำนวณคือ:
\( \text{Estimated Ultimate Losses} = \text{Earned Premium} \times \text{Expected Loss Ratio} \)

สำหรับการหา เงินสำรอง (Reserve) ที่เราต้องกันไว้ ก็แค่เอาผลลัพธ์นี้ไปลบด้วยจำนวนเงินที่เราจ่ายไปแล้ว:
\( \text{Reserve} = \text{Estimated Ultimate Losses} - \text{Paid Losses to Date} \)

เปรียบเทียบกับชีวิตจริง

ลองนึกภาพว่าคุณกำลังจัดงานแต่งงานและคาดการณ์งบค่าอาหารไว้ที่หัวละ 100 ดอลลาร์ ถ้ามีแขก 100 คน "ค่าใช้จ่ายรวมทั้งหมด (Ultimate Loss)" ของคุณก็คือ 10,000 ดอลลาร์ หากคุณจ่ายค่าจัดเลี้ยงไปแล้ว 4,000 ดอลลาร์ "เงินสำรอง" ที่คุณต้องเตรียมไว้คือ 6,000 ดอลลาร์ คุณไม่จำเป็นต้องสนใจว่าค่าออเดิร์ฟแต่ละจานราคาเท่าไหร่ คุณแค่ยึดตามแผนงบประมาณเดิมของคุณก็พอ

เมื่อไหร่ที่ควรใช้

วิธีนี้เหมาะสำหรับ ธุรกิจประเภทใหม่ (New lines of business) ที่เรายังไม่มีข้อมูลย้อนหลังมากนัก หรือสำหรับ ธุรกิจที่ไม่เสถียร จนข้อมูลปัจจุบันอาจทำให้เข้าใจผิดได้

ประเด็นสำคัญ: วิธี ELR จะไม่สนใจรูปแบบการพัฒนาของเคลมจริง แต่จะพึ่งพาการคาดการณ์ล่วงหน้าทั้งหมด

2. วิธี Chain-Ladder (CL)

วิธี Chain-Ladder (หรือที่เรียกว่า Loss Development Method) เป็นเครื่องมือที่โด่งดังที่สุดในคลังอาวุธของนักคณิตศาสตร์ประกันภัย โดยตั้งสมมติฐานว่า อนาคตจะเกิดขึ้นเหมือนกับอดีต

หลักการทำงาน (ทีละขั้นตอน)

1. จัดระเบียบข้อมูล: นำข้อมูลค่าสินไหมมาใส่ในรูปแบบ "สามเหลี่ยม" โดยแบ่งตามปีที่เกิดอุบัติเหตุ (Accident Year) และปีที่เกิดพัฒนาการ (Development Year)
2. คำนวณค่า Age-to-Age Factors (Link Ratios): ในแต่ละปี เราจะดูว่าค่าสินไหมเติบโตขึ้นเท่าไหร่จากช่วงหนึ่งไปสู่อีกช่วงหนึ่ง
\( f_j = \frac{\sum \text{Cumulative Losses at Year } j+1}{\sum \text{Cumulative Losses at Year } j} \)
3. เลือก Development Factors: โดยทั่วไปเราจะใช้ค่าเฉลี่ยของอัตราส่วนเหล่านี้
4. พยากรณ์สู่มูลค่าสุดท้าย (Ultimate): นำค่าสินไหมปัจจุบันมาคูณกับ Cumulative Development Factor (CDF) เพื่อให้ได้ต้นทุนที่ประมาณการไว้ทั้งหมด

ทบทวนสั้นๆ: สะสม (Cumulative) vs. ประจำงวด (Incremental)

Cumulative: ยอดรวมที่จ่าย/รายงานตั้งแต่เริ่มต้นจนถึงปัจจุบัน
Incremental: ยอดที่จ่าย/รายงานในช่วงเวลาเฉพาะเจาะจงนั้นๆ
ข้อผิดพลาดที่พบบ่อย: อย่าลืมตรวจสอบให้แน่ใจว่าสามเหลี่ยมของคุณเป็นแบบสะสมก่อนที่จะคำนวณ Link Ratios!

เปรียบเทียบกับ "เค้กที่กำลังพองตัว"

ลองคิดว่าค่าสินไหมเหมือนเค้กที่อยู่ในเตาอบ ใน 10 นาทีแรก เค้กจะฟูขึ้น 50% และในอีก 10 นาทีต่อมาจะฟูขึ้นอีก 10% ถ้าเรารู้ว่าปกติเค้กแต่ละช่วงจะฟูขึ้นเท่าไหร่ เราก็สามารถมองดูเค้กที่สุกแค่ครึ่งเดียวแล้วทำนายขนาดสุดท้ายของมันได้!

ประเด็นสำคัญ: วิธี Chain-Ladder พึ่งพาข้อมูลพัฒนาการจริง 100% และไม่สนใจการคาดการณ์เดิม

3. วิธี Bornhuetter-Ferguson (BF)

จะเป็นอย่างไรถ้าวิธี ELR แข็งทื่อเกินไป และ Chain-Ladder ผันผวนเกินไป? ขอแนะนำวิธี Bornhuetter-Ferguson (BF) ซึ่งเป็นวิธีที่สมดุลที่สุด โดยเป็นการนำทั้งสองวิธีมาผสมผสานกัน

หลักการทำงาน

วิธี BF บอกว่า: "ฉันจะเชื่อข้อมูลที่เห็นมาแล้ว (Actual) แต่สำหรับอนาคต ฉันจะกลับไปเชื่อแผนการเดิม (ELR)"

สูตรสำหรับเงินสำรองแบบ BF คือ:
\( \text{Reserve} = \text{Earned Premium} \times \text{Expected Loss Ratio} \times (1 - \frac{1}{\text{CDF}}) \)

โดยที่ \( (1 - \frac{1}{\text{CDF}}) \) แทนเปอร์เซ็นต์ของค่าสินไหมที่ยัง ไม่ได้รายงาน หรือ ยังไม่ได้จ่าย

ตัวช่วยจำ: เสียงในหัวสองฝั่ง

ลองจินตนาการว่ามีเสียงสองเสียงในหัวคุณ
เสียง A (Chain-Ladder): "ดูข้อมูลสิ! ข้อมูลคือทุกอย่าง!"
เสียง B (ELR): "ยึดตามงบประมาณสิ! งบประมาณคือทุกอย่าง!"
วิธี BF จะฟังเสียง A สำหรับสิ่งที่เกิดขึ้นแล้วในอดีต แต่จะทำตามเสียง B สำหรับอนาคต

ประเด็นสำคัญ: วิธี BF มีความเสถียรมากกว่า Chain-Ladder เพราะมันจะไม่ "ตื่นตระหนกเกินเหตุ" จากเคลมใหญ่เพียงรายการเดียวที่เข้ามาในช่วงแรกของปี

4. วิธี Bayesian

วิธี Bayesian เปรียบเสมือนพี่ชายสายวิชาการของวิธี BF โดยจะใช้ ทฤษฎีความน่าเชื่อถือ (Credibility Theory) มาตัดสินว่าเราควรจะเชื่อข้อมูลจริงมากน้อยแค่ไหนเมื่อเทียบกับความเชื่อเดิมที่มีอยู่

หลักการทำงาน

ในกรอบของ Bayesian เรามองค่าสินไหมรวมสุดท้ายเป็นตัวแปรสุ่ม เราเริ่มต้นด้วย Prior Distribution (สิ่งที่เราคิดก่อนเห็นข้อมูลจริง) แล้วนำมาปรับปรุงด้วย ข้อมูลจริง (Actual Data) จนได้เป็น Posterior Distribution

ค่าประมาณมักจะเป็นค่าเฉลี่ยถ่วงน้ำหนัก:
\( \text{Estimate} = Z \times (\text{Data-Based Estimate}) + (1-Z) \times (\text{Prior Expectation}) \)

โดยที่ \( Z \) คือ ค่าความน่าเชื่อถือ (Credibility Factor) (ตัวเลขระหว่าง 0 ถึง 1)

คุณรู้หรือไม่?

จริงๆ แล้ววิธี BF เป็นกรณีพิเศษของแนวคิดแบบ Bayesian/Credibility! แม้ว่าคณิตศาสตร์เบื้องหลังการกระจายตัวแบบ Gamma และ Poisson จะซับซ้อน แต่หัวใจสำคัญนั้นเหมือนเดิมเสมอ: จงอัปเดตความเห็นของคุณเสมอเมื่อได้รับข้อมูลเพิ่มมากขึ้น

ประเด็นสำคัญ: วิธี Bayesian ช่วยให้เรานำความไม่แน่นอนทางสถิติและความรู้เดิมมาใช้ในการตั้งสำรองได้อย่างเป็นทางการ

5. วิธี Frequency-Severity

บางครั้งการดูที่ "ยอดเงินรวม" อย่างเดียวอาจไม่พอ วิธี Frequency-Severity จึงแยกปัญหาออกเป็นสองส่วน

สูตรการคำนวณ

\( \text{Ultimate Losses} = (\text{Ultimate Number of Claims}) \times (\text{Ultimate Average Cost per Claim}) \)

ขั้นตอนการทำ

1. พยากรณ์ความถี่ (Frequency): ใช้ Chain-Ladder กับ จำนวนเคลม เพื่อหาว่าสุดท้ายแล้วจะมีเคลมเข้ามาทั้งหมดกี่รายการ
2. พยากรณ์ความรุนแรง (Severity): ดูที่ ต้นทุนเฉลี่ย ต่อเคลม คุณอาจต้องปรับค่านี้สำหรับ ภาวะเงินเฟ้อ ด้วย!
3. คูณรวม: นำจำนวนเคลมที่คาดการณ์ไว้คูณกับต้นทุนเฉลี่ยที่คาดการณ์ไว้

ทำไมต้องใช้วิธีนี้?

มันช่วยให้คุณเข้าใจ เหตุผล ที่เงินสำรองเปลี่ยนแปลงไป เช่น มีอุบัติเหตุเกิดขึ้นมากขึ้น (Frequency) หรือว่าค่ารักษาพยาบาลและค่าซ่อมแซมแพงขึ้นกันแน่ (Severity)? วิธีนี้มีประโยชน์มากสำหรับการอธิบายผลลัพธ์ให้ฝ่ายบริหารเข้าใจ!

ประเด็นสำคัญ: วิธี Frequency-Severity ช่วยให้เห็นภาพรวมของแนวโน้มเคลมที่ลึกซึ้งกว่าวิธีแบบภาพรวม (Aggregate)

สรุปตรวจสอบความเข้าใจ

ควรเลือกใช้วิธีไหน?
• ไม่มีข้อมูล / ธุรกิจใหม่? ใช้ ELR
• ข้อมูลเสถียรและยาวนาน? ใช้ Chain-Ladder
• ข้อมูลผันผวน / อยู่ตรงกลาง? ใช้ Bornhuetter-Ferguson
• อยากเข้าใจแนวโน้มเบื้องลึก? ใช้ Frequency-Severity
• ต้องการใช้ความรู้ทางสถิติดั้งเดิมอย่างเป็นทางการ? ใช้ Bayesian

ไม่ต้องกังวลถ้าสูตรของวิธี Bayesian ดูน่ากลัว ให้จดจ่ออยู่กับตรรกะของการ "ถ่วงน้ำหนัก" และ "การอัปเดตข้อมูล" แล้วคณิตศาสตร์จะค่อยๆ ตามมาเอง! คุณก้าวเข้าใกล้การพิชิตข้อสอบ ASTAM ไปอีกขั้นแล้ว!