优化中国人口老龄化的风险计算

现代数学如何帮助政策制定者和保险公司把中国零散的人口数据连接起来
就像英文谚语“每朵乌云都镶着银边”所言,保险公司非常善于在风险中找到机遇。隨着生育率一再低于世代更替,人口老龄化已成为许多政府亟待解决的问题;但同时,人们对保险和年金产品的需求急增这一现象背后也蕴含着巨大的商机。
中国是老龄化速度最快的国家之一,根据波士顿咨询公司 2024 年的报告,中国的个人保险市场预计将从 2021 年的 4 万亿元人民币(约合 5530 亿美元)扩大到 2035 年的 6.6 万亿元至 12.6 万亿元人民币。其养老保险市场份额预计将从 1% 激增至 20%,健康保险预计将从 27% 增长至超过35%。
另外,中国政府也鼓励商业保险、基本养老保险、企业年金和理财基金作为战略投资者参与上市公司的定向增发。此举是吸引长期资本、增强中国金融市场稳定性所制定的宏观战略的一部分。
尽管空气中似乎弥漫着乐观情绪,但一个根本性的挑战可能会打破人们的预期。香港中文大学(中大)商学院金融学系谭炳照精算学教授李兆恒说: “中国的死亡率数据有着不同的来源和采集方法,因此欠缺一致性。 ”
除出生率和迁移率外,死亡率也是决定人口规模和年龄结构的基本要素之一。跟其他可提供更广泛社会趋势信息的人口统计指标相比,死亡率预测具有更直接的金融和精算影响,因为它使保险公司和养老基金能够对人寿保险产品、年金和养老金进行适当定价,并确保维持充足的准备金。

取得精确的死亡率预测显然是当务之急,但目前只有少数人尝试建立可靠的预测模型。因此,李教授和同系荣誉教授陈伟森、助理教授朱霄白,滑铁卢大学副教授周千,以及香港大学副教授陈伟汉,共同进行了题为《以贝叶斯方法建立中国的随机死亡率模型》的研究。
“贝叶斯(Bayesian)是一个专业术语,这种方法可通过整合尽可能多的信息源,以克服因数据来源不同而产生的挑战,” 李教授说。“保险和金融行业需要这样的一个模型来应对数据不齐全的问题。”
稳健死亡率模型的三个标准
正如研究论文所述,中国缺乏1981 年以前按年龄及性别区分的死亡率数据,1981 年到 2014 年的数据也部分或完全缺失。除了1981 年、1989 年、2000 年和 2010 年的数据是来自全国人口普查,其余年份的数据则来自全国人口抽样调查,因此很难准确预测人口趋势。
许多其他国家也可能存在类似的数据问题。然而,李教授指出,中国的独特性在于其庞大的人口基数。一个可靠的死亡率模型是推动养老金政策创兴和健康的龄化策略的必要条件,这对当前的人口结构转型至关重要。
要衡量一个死亡率模型是否具有稳健性,李教授强调了三个基本标准。第一个标准是最大化整合数据资源,使模型可以充分吸纳所有可用信息。第二个标准是模型需适当预测不确定性,因为模型不仅应考虑最佳估计值,还要考虑该估计值可能出现的偏差或不确定性。

这里的不确定性指的是模型产出的变异程度,旨在量化由于来源差异和数据样本局限性导致的预测死亡率偏离预期的程度。“对于精算师和保险公司来说,预期寿命的预测值固然重要,但围绕该预测值的不确定性可能更具关键意义,” 李教授补充说: “有了贝叶斯方法,我们就可以对不确定性进行量化。”
第三个标准是精炼性和生物合理性。由于该模型基本上是现实的近似值,因此,精炼性要求模型既能捕捉必要的细节,又不会过分复杂。生物学上的合理性是指模型输出需符合生命规律,,例如老年人的死亡率应高于年轻人的死亡率。
在市场中的广泛应用
由于最初的研究提出了一个针对全国人口死亡率的模型,李教授和他在中大的同事们另开发了一个针对中国不同地区的进阶版本。
这一进阶版模型已获保险公司在上海、北京、广州、厦门等地实践应用于建立“持续照料退休社区”(Continuing Care Retirement Community , CCRC)。CCRC 是为老年人提供住宿、医疗保健、安全保障、社交活动、膳食、家政服务和健康计划的社区。这一概念在欧美已有一个多世纪的历史,近年来开始进入中国。
李教授补充指:“我们的模型现在新增地域适配性分析功能,可以用来预测中国不同城市对 ‘持续照料退休社区’ 的需求,以及估算人们在这些社区的居住周期。”
他认为,进阶版死亡率模型对再保险(Reinsurance)业务同样具有重要价值。销售了大量年金和其他保险产品的保险公司通过向再保险公司购买保单来分担风险。跟原保险公司相比,再保险公司的风险池自然较大。李教授举例指,风险池遍及中国不同地方的再保险公司可以借助他的模型来更好地分散风险。
李教授目前正在持续优化他的模型,计划通过纳入更多可能影响预期寿命的因素,如吸烟率、生活方式和生活条件等,以提高预测的准确性。