ยินดีต้อนรับสู่โลกของความรุนแรง (Severity)!
ในบท "แบบจำลองความรุนแรง ความถี่ และผลรวม" (Severity, Frequency, and Aggregate Models) ของการสอบ Exam FAM เราไม่ได้แค่ดูว่ามีการเคลมเกิดขึ้นกี่ครั้ง (นั่นคือ ความถี่ หรือ Frequency) แต่เรากำลังดูว่าการเคลมเหล่านั้น "มีมูลค่าเท่าไหร่" ซึ่งเราเรียกสิ่งนี้ว่า ความรุนแรง (Severity)
ในบทนี้ เราจะเรียนรู้วิธีการอธิบาย "พฤติกรรม" ของมูลค่าการเคลมเหล่านี้โดยใช้ โมเมนต์ (Moments) และ เปอร์เซ็นไทล์ (Percentiles) ให้ลองจินตนาการว่าสิ่งเหล่านี้เปรียบเสมือน DNA ของการแจกแจงความน่าจะเป็น มันบอกเราว่าจุดศูนย์กลางอยู่ที่ไหน ข้อมูลกระจายตัวอย่างไร และเราควรคาดหวัง "แรงกระแทก" ครั้งใหญ่ต่อระบบบ้างหรือไม่? ไม่ต้องกังวลหากตอนนี้จะรู้สึกว่าเป็นเรื่องนามธรรม เพราะเราจะค่อยๆ ย่อยไปทีละส่วน!
1. โมเมนต์ดิบ (Raw Moments): การวัด "ขนาด"
วิธีที่ง่ายที่สุดในการอธิบายการแจกแจงคือการใช้ โมเมนต์ดิบ (Raw Moments) ซึ่งก็คือค่าคาดหมาย (Expected Value) ของมูลค่าการเคลมที่ยกกำลังค่าหนึ่ง
นิยาม: โมเมนต์ดิบอันดับที่ \(k\) ของตัวแปรสุ่ม \(X\) เขียนแทนด้วย \(E[X^k]\) (บางครั้งเขียนว่า \(\mu'_k\))
โมเมนต์ดิบอันดับที่ 1: ค่าเฉลี่ย (Mean)
โมเมนต์ดิบอันดับที่ 1 (\(k=1\)) คือตัวที่รู้จักกันดีที่สุด นั่นคือ ค่าเฉลี่ย (Mean) หรือ \(\mu\) ซึ่งแสดงถึงมูลค่าการเคลม "เฉลี่ย" ที่คุณคาดว่าจะได้รับในระยะยาว
\(E[X] = \int_{0}^{\infty} x \cdot f(x) \, dx\) (สำหรับตัวแปรต่อเนื่อง)
\(E[X] = \sum x \cdot p(x)\) (สำหรับตัวแปรไม่ต่อเนื่อง)
โมเมนต์ดิบอันดับที่สูงขึ้น
เมื่อ \(k\) มีค่ามากขึ้น (\(E[X^2], E[X^3]\)) เรากำลังให้ "น้ำหนัก" กับมูลค่าการเคลมที่สูงขึ้น นี่คือเหตุผลว่าทำไมโมเมนต์อันดับที่สูงขึ้นถึงมีความอ่อนไหวต่อ "หาง" (tail) ของการแจกแจง (ซึ่งก็คือพวกการเคลมขนาดใหญ่มากๆ)
สรุปสั้นๆ:
- โมเมนต์ที่ 1 = จุดศูนย์กลาง (ค่าเฉลี่ย)
- โมเมนต์ที่ 2 = ช่วยในการวัดการกระจายตัว (ความแปรปรวน)
2. โมเมนต์กลาง (Central Moments): การวัด "การกระจายตัว"
ในขณะที่โมเมนต์ดิบดูระยะห่างจากศูนย์ แต่ โมเมนต์กลาง (Central Moments) จะดูระยะห่างจาก ค่าเฉลี่ย ซึ่งบอกเราว่าการเคลมจริงมีความผันผวนไปจากค่าเฉลี่ยมากน้อยเพียงใด
นิยาม: โมเมนต์กลางอันดับที่ \(k\) เขียนแทนด้วย \(E[(X - \mu)^k]\) (บางครั้งเขียนว่า \(\mu_k\))
ความแปรปรวน (Variance - \(\sigma^2\))
โมเมนต์กลางอันดับที่ 2 คือ ความแปรปรวน (Variance) มันบอกเราว่ามูลค่าการเคลมนั้น "คาดเดาไม่ได้" แค่ไหน
\(\text{Var}(X) = E[(X - \mu)^2] = E[X^2] - (E[X])^2\)
ข้อผิดพลาดที่ควรหลีกเลี่ยง: นักเรียนมักสับสนระหว่าง \(E[X^2]\) กับ \((E[X])^2\) จำไว้ว่า: ค่าเฉลี่ยของกำลังสอง ไม่เท่ากับ กำลังสองของค่าเฉลี่ย!
ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation - \(\sigma\))
เนื่องจากความแปรปรวนอยู่ในหน่วย "กำลังสอง" (เช่น ดอลลาร์ยกกำลังสอง) เราจึงต้องถอดรากที่สองเพื่อให้กลับมาเป็นหน่วยเดิม
\(\sigma = \sqrt{\text{Var}(X)}\)
สัมประสิทธิ์ความผันแปร (Coefficient of Variation - CV)
นี่คือตัวชี้วัดที่ยอดเยี่ยมใน "โลกแห่งความเป็นจริง" เพราะใช้วัดความเสี่ยงสัมพัทธ์
\(CV = \frac{\sigma}{\mu}\)
เปรียบเทียบ: การเปลี่ยนแปลง $100 จากการเคลม $1,000 (CV = 0.1) ถือว่า "เสถียร" แต่การเปลี่ยนแปลง $100 จากการเคลม $50 (CV = 2.0) ถือว่า "คาดเดาไม่ได้เลย!"
ประเด็นสำคัญ: โมเมนต์กลางช่วยให้เราเข้าใจถึง ความเสี่ยง (Risk) และ ความผันผวน (Volatility) ของมูลค่าการเคลม
3. ความเบ้ (Skewness) และความโด่ง (Kurtosis): "รูปทรง" ของความเสี่ยง
การเคลมประกันแทบจะไม่เป็น "การแจกแจงแบบปกติ" (Normal) เลย โดยทั่วไปมักมีการเคลมขนาดใหญ่เพียงไม่กี่ครั้งและการเคลมขนาดเล็กจำนวนมาก เราจึงใช้ ความเบ้ (Skewness) และ ความโด่ง (Kurtosis) เพื่ออธิบายความไม่สมมาตรนี้
ความเบ้ (Skewness)
ความเบ้วัดความไม่สมมาตร
- ความเบ้เป็นบวก (Positive Skew / Right-skewed): การแจกแจงของประกันส่วนใหญ่อยู่ในกลุ่มนี้! คือมีหางยาวทางด้านขวาซึ่งหมายถึงการเคลมขนาดใหญ่มาก
- ความเบ้เป็นศูนย์: มีความสมมาตรอย่างสมบูรณ์ (เหมือนการแจกแจงแบบปกติ)
ความโด่ง (Kurtosis)
ความโด่งวัดว่า "หาง" หนาแค่ไหน ค่าความโด่งสูงหมายความว่า "เหตุการณ์รุนแรง" (black swans) เกิดขึ้นบ่อยกว่าที่การแจกแจงปกติจะคาดการณ์ไว้
รู้หรือไม่? นักคณิตศาสตร์ประกันภัยให้ความสำคัญกับความเบ้มาก เพราะการเคลมจากเฮอริเคนหรือไฟป่าเพียงครั้งเดียวที่รุนแรง อาจมีมูลค่ามากกว่าการเคลมเล็กๆ รวมกันนับพันครั้ง "ความเสี่ยงที่หาง" (tail risk) นี่เองที่ทำให้งานประกันภัยมีความท้าทาย!
4. เปอร์เซ็นไทล์ (Percentiles) และควอนไทล์ (Quantiles)
บางครั้งเราไม่ได้ต้องการค่าเฉลี่ย แต่ต้องการทราบว่า "มูลค่าการเคลมที่ไม่เกินค่านี้ ใน 95% ของกรณีคือเท่าไหร่?" นี่คือหน้าที่ของ เปอร์เซ็นไทล์
นิยาม: เปอร์เซ็นไทล์ที่ \(p\) (หรือ \(100p\)-th percentile) คือค่า \(x_p\) ที่ทำให้ความน่าจะเป็นของการเคลมที่มีค่าน้อยกว่าหรือเท่ากับ \(x_p\) มีค่าเท่ากับ \(p\)
\(F(x_p) = P(X \le x_p) = p\)
VaR (Value at Risk): ในโลกการเงินและประกันภัย เปอร์เซ็นไทล์ที่ \(p\) มักถูกเรียกว่า VaR ตัวอย่างเช่น 99% VaR คือมูลค่าการเคลมที่เราคาดว่าจะเกินเพียงแค่ 1% ของกรณีเท่านั้น
ตัวอย่าง: ถ้าเปอร์เซ็นไทล์ที่ 95 ของการเคลมประกันรถยนต์คือ $10,000 หมายความว่า 95% ของการเคลมทั้งหมดมีมูลค่าไม่เกิน $10,000 และมีเพียง 5% เท่านั้นที่มากกว่า $10,000
5. ค่าคาดหมายจำกัด (Limited Expected Value - LEV)
นี่คือแนวคิดที่ สำคัญมาก (CRITICAL) สำหรับ Exam FAM ในโลกความจริง บริษัทประกันมักมี "วงเงินจำกัด" (\(u\)) สำหรับการจ่ายเงินในแต่ละครั้ง
นิยาม: ค่าคาดหมายจำกัด \(E[X \land u]\) คือค่าคาดหมายของมูลค่าการเคลม หากเราจำกัดเพดานการจ่ายที่ค่า \(u\)
\(E[X \land u] = \int_{0}^{u} x \cdot f(x) \, dx + u \cdot [1 - F(u)]\)
วิธีคิด:
1. สำหรับการเคลมที่ น้อยกว่า วงเงินจำกัด ผู้รับประกันจ่ายตามจริง (\(x\))
2. สำหรับการเคลมที่ มากกว่า วงเงินจำกัด ผู้รับประกันจ่ายเท่ากับวงเงินจำกัดพอดี (\(u\))
เทคนิคจำ: ให้มองว่า LEV คือ "มูลค่าเฉลี่ยที่บริษัทประกันต้องรับผิดชอบจริงๆ หากพวกเขามีการกำหนดเพดานการจ่ายเงินไว้"
6. ตารางสรุปเพื่อทบทวนอย่างรวดเร็ว
ค่าเฉลี่ย (\(\mu\)): \(E[X]\) - มูลค่าการเคลมเฉลี่ย
ความแปรปรวน (\(\sigma^2\)): \(E[X^2] - \mu^2\) - การกระจายตัวของการเคลม
CV: \(\sigma / \mu\) - ความผันผวนสัมพัทธ์
เปอร์เซ็นไทล์ (\(x_p\)): \(F(x_p) = p\) - จุด "ตัด" ของความน่าจะเป็น
LEV (\(E[X \land u]\)): มูลค่าการเคลมเฉลี่ยเมื่อถูกจำกัดเพดานที่ \(u\)
คำแนะนำสุดท้าย
แบบจำลองความรุนแรงอาจดูเหมือนเต็มไปด้วยแคลคูลัสและสูตรในตอนแรก ไม่ต้องกังวลถ้ามันดูยากในตอนแรก! เคล็ดลับในการเชี่ยวชาญบทนี้คือการทำความเข้าใจว่าโมเมนต์และเปอร์เซ็นไทล์เป็นเพียงวิธีที่แตกต่างกันในการอธิบาย "กลุ่มก้อนของการเคลม" เดียวกัน ฝึกฝนบ่อยๆ ด้วยการแจกแจงแบบต่างๆ ที่อยู่ใน เอกสารสูตร Exam FAM (Exam FAM Formula Sheet) ของคุณ (เช่น การแจกแจงแบบ Gamma, Pareto และ Exponential) เพราะสูตรเหล่านั้นถูกพิสูจน์มาให้คุณแล้ว ซึ่งจะช่วยประหยัดเวลาในการสอบได้มหาศาล!