導言：為什麼人並不只是數字

在精算科學的世界裡，我們經常談論「總體人口」，但現實中，沒有兩個人是完全一樣的。如果你要為一份人壽保單定價，你不會向一名 20 歲的奧運選手和一名 80 歲且煙癮極重的老人收取相同的保費，對吧？本章將探討異質性（Heterogeneity，即我們之間的差異）、選擇（Selection，即特定群體如何進入我們的數據中），以及這些因素如何影響我們在模型中使用的死亡率（Mortality）和發病率（Morbidity）假設。

理解這些概念至關重要，因為如果我們的假設錯誤，定價就會出錯，公司可能會虧損，或者無法履行對持份者（Stakeholders）的責任。

異質性：大雜燴中的差異

異質性 (Heterogeneity) 是一個用來描述「多樣性」或「差異」的專業術語。在精算語境下，它意味著一個群體是由許多不同的子群體組成的，每個子群體都有其自身的風險水平。

為什麼異質性很重要

如果我們把一個多樣化的群體視為所有人都是「平均水平」，就會遇到問題。例如，如果我們對吸煙者和非吸煙者使用相同的死亡率，那麼對於非吸煙者來說，這個費率就太高了（他們可能會去別處尋找更便宜的報價）；而對於吸煙者來說，這個費率又太低了（他們會因為我們低估了其風險而湧向我們）。這就是為什麼精算師的目標是實現同質性 (Homogeneity)——將相似的風險分組在一起。

導致差異的因素

有幾個因素會導致人口中的死亡率（死亡）和發病率（生病）出現差異：

  • 地區： 一個人的居住地會因為氣候、當地的污染水平或醫療系統的質量而影響其健康。
  • 社會和經濟環境： 這包括收入、教育和職業等因素。一般來說，高社會經濟階層的人往往擁有更好的健康狀況，這歸功於更好的飲食、更低的壓力以及更容易獲得醫療服務。
  • 生活方式： 例如吸煙、飲酒習慣和運動量等。

小貼士：在設定假設時，精算師必須決定要創建多少個「分桶」（Buckets）。分桶過多會導致每個分桶內的數據量太少，無法可靠參考；分桶過少則會導致定價不公平。

選擇：群體的篩選

當包含在特定組別中的生命不能代表一般大眾時，就會發生選擇 (Selection)。在 CP1 中，我們重點關注幾種特定類型的選擇。

1. 暫時性初期選擇 (Temporary Initial Selection, TIS)

這發生在人們最初投保時。因為他們通常必須通過體檢或回答健康問題（即核保 Underwriting），所以他們通常比同齡的平均人士更健康。然而，隨著新疾病的出現，這種「健康優勢」會隨時間而消失。

我們將 \(t\) 年前加入、現年 \(x\) 歲的人的死亡率表示為 \(q_{[x]+t}\)。方括號 \([x]\) 表示他們被選中（加入）時的年齡。

2. 類別選擇 (Class Selection)

當一個群體由某種與其風險相關的特定特徵定義時，就會發生這種情況。例如，購買「優質生命」(Preferred Lives) 保單的人，實際上是把自己選入了一個死亡率通常低於一般公眾的組別。

3. 死亡率趨同 (Mortality Convergence)

隨著時間的推移，「被選中」群體與一般人口之間的差異開始消失。這被稱為死亡率趨同。最終，你在 30 年前通過了體檢這一事實，並不會讓你比今天同齡的其他人在健康上更有優勢。大自然規律最終會趕上每一個人！

4. 減損的選擇性效應 (The Selective Effect of Decrements)

減損 (Decrement) 只是某人離開數據集的一種方式（例如：死亡、撤保或退保）。減損對留在數據集中的人會產生「選擇性效應」。
例子： 如果所有健康的人都因為在別處找到了更便宜的方案而「撤保」（取消保單），那麼留在保險池裡的人將是那些因為病太重而無法在其他地方獲得保險的人。這會使剩餘群體的死亡率遠高於預期。

風險分類：解決問題的方法

為了應對異質性和選擇問題，精算師使用風險分類 (Risk Classification)。這是將具有相似特徵的風險進行分組的過程，以確保公平性和財務穩定性。

為什麼我們需要不同的死亡率表？

你不能對每種產品都使用相同的死亡率表。例如：

  • 人壽保險： 我們需要基於「受保生命」（經過核保的人）的表格。這些人的死亡率通常低於一般公眾。
  • 領取退休金人士： 我們需要為已達到退休年齡的人準備表格。這些人通常死亡率較低（壽命較長），因為他們活得夠久才能退休，且往往來自較高的社會經濟背景。

重點總結： 對特定的受保生命群體使用「一般人口」表是一個常見錯誤。你必須將表格與正在建模的特定生命類別相匹配。

常見陷阱及如何避免

如果覺得這些內容很難兼顧，請不要擔心。以下是考試中需要記住的幾點：

  • 混淆異質性與選擇： 請記住，異質性是指世界上既存的差異，而選擇是指將特定人群帶入你的數據集的過程。
  • 忽視「健康參與者」效應： 始終考慮你數據集中的人是否可能比平均水平更健康（例如，因為他們有工作或負擔得起保險）。
  • 數據分組： 如果你的數據組太小，結果將會非常「波動」（跳動很大）。目標是實現「最佳同質性」——在群體相似性與群體規模足以令人信賴之間取得最佳平衡。

快速複習清單

異質性 (Heterogeneity)： 人口內部的差異（年齡、性別、地區、吸煙狀況）。
暫時性初期選擇 (Temporary Initial Selection)： 由於核保，新受保人士在健康狀況上看到的暫時性提升。
類別選擇 (Class Selection)： 基於人的類別（如社會階層）而產生的風險差異。
減損 (Decrements)： 如撤保等事件，可能會改變剩餘群體的健康特徵。
趨同 (Convergence)： 不同群體的死亡率隨年齡增長最終會匯合的過程。

註：如需進一步了解這些假設如何應用於更廣泛的精算流程，請參閱「設定假設」(Setting assumptions) 和「負債評估」(Valuation of liabilities) 章節。