Cairns–Blake–Dowd模型的改进:引入退休队列趋势的考量

《Journal of Probability and Statistics》:A Novel Modification of the Cairns–Blake–Dowd Model: Consideration for Retirement Cohort Trends

【字体: 大 中 小 】 时间:2026年05月28日 来源:Journal of Probability and Statistics 1.3

编辑推荐:

  该研究对Cairns–Blake–Dowd(CBD)2006随机死亡率模型进行了增量式扩展,通过新增退休队列效应,提升其在寿险组合与养老金计划中的适用性与预测能力。CBD模型在精算科学中广泛用于分析死亡率与长寿趋势,本次扩展纳入了退休后阶段特有的队列因素,捕捉

  
该研究对Cairns–Blake–Dowd(CBD)2006随机死亡率模型进行了增量式扩展,通过新增退休队列效应,提升其在寿险组合与养老金计划中的适用性与预测能力。CBD模型在精算科学中广泛用于分析死亡率与长寿趋势,本次扩展纳入了退休后阶段特有的队列因素,捕捉由既往政策、健康水平及社会经济差异导致的死亡率趋势分化。模型的时间指数κ1(t)与κ2(t)被设定为带漂移的随机游走潜过程,退休队列效应则采用惩罚广义可加模型(Penalized GAMs)进行估计。研究发现,加入退休队列项显著提升了模型对老年群体死亡率趋势的分析能力——该群体中队列效应尤为突出,这对养老金与长寿风险的定价评估具有重要意义。本研究通过将队列特异性效应纳入连贯且实用的框架,推动了死亡率建模的发展。

论文解读

研究背景与意义

在寿险定价、养老金负债评估与公共政策设计中,死亡率趋势的精准预测是核心基础。Cairns–Blake–Dowd(CBD)2006模型因结构简单、仅依赖两个参数即可刻画年龄别死亡率的动态变化,成为随机死亡率建模领域的经典工具,但其原始设定未系统纳入队列效应——即同出生或同经历群体的死亡率异质性。现有证据表明,公共卫生进步、医疗技术革新与 socioeconomic 变迁等因素的影响在不同代际间差异显著,忽略队列效应会导致长寿风险高估或低估,威胁保险组合与养老金体系的财务稳定。尽管已有研究尝试将出生队列纳入模型,但针对退休时点这一关键生命事件引发的队列差异仍缺乏系统性建模。该研究发表于《Journal of Probability and Statistics》,旨在填补这一空白,通过引入退休队列效应改进CBD模型,提升对退休后人群死亡率的解释与预测能力。

关键技术方法

研究基于加纳 Kwame Nkrumah 科技大学大学职员养老基金(KNUST-GUSSS)2005–2024年的退休人口死亡率数据,样本包含死亡人数、暴露人口数与各年份参保人数。核心方法包括:对CBD模型扩展,新增退休队列参数γR(R为退休年份);时间指数κ1(t)(总体死亡率水平)与κ2(t)(老龄化速率)采用带漂移的随机游走建模,通过最大似然估计(MLE)结合牛顿-拉夫逊迭代加权最小二乘法(IRLS)进行参数估计;退休队列效应采用惩罚广义可加模型(Penalized GAMs)拟合,通过立方回归样条基函数展开,以受限最大似然(REML)自动选择平滑参数以平衡拟合优度与过拟合风险;预测阶段对时间指数采用ARIMA(0,1,0)带漂移模型外推,生成95%预测区间;模型比较通过样本内拟合(偏差、AIC、BIC、残差分析)、样本外预测(MAE、RMSE、预测区间覆盖率)与15折交叉验证三个维度完成。

研究结果

样本内拟合评估
扩展模型较原始CBD模型实现显著提升:偏差从2.1499降至1.0025,AIC从-26.70降至-86.66,BIC从-24.71降至-83.68,均表明在控制复杂度后拟合优度大幅改善;平均残差从-0.0656接近0(-0.0015),残差标准差从0.0935降至0.0244,证明模型有效消除系统性偏差并降低波动。
样本外预测精度
以2019–2024年为测试集的预测结果显示,扩展模型的MAE降低约73%(从0.0536至0.0146),RMSE降低超80%(从0.1015至0.0179);预测区间覆盖率从85%提升至90%,更接近名义95%水平,且残差分布更稳定,证实其预测可靠性。
交叉验证稳健性
15折交叉验证中,扩展模型的CV MAE与CV RMSE分别较原始模型降低75%与75%,证明性能提升非样本特异,具有稳定泛化能力。
死亡率指数动态
时间指数κ1(t)在2005–2015年呈下降趋势,反映整体死亡率改善;2020年因新冠疫情出现显著跃升,之后缓慢回落但未恢复至疫情前水平。κ2(t)在2019年前保持稳定,2020年上升体现老年人更高脆弱性,2022年后逐步趋稳,显示年龄别死亡率梯度未发生结构性变化。
退休队列效应
γR呈现非线性平滑轨迹,2005–2024年间经历下降、波动与上升阶段,无随机噪声特征,表明退休时点差异导致系统性死亡率分化,验证了队列效应的存在。
对数死亡率趋势
原始模型的对数死亡率在各年龄组(60–100岁)呈现同步波动,2020年疫情峰值后缓慢回落;加入退休队列效应后,对数死亡率整体抬升,尤其退休于疫情期的群体风险更高,揭示退休时点与宏观冲击的交互影响。
未来预测(2025–2034)
时间指数预测显示κ1(t)与κ2(t)均保持稳定,仅轻微下行,无显著结构性变动,预测区间随时间扩大反映长期不确定性。原始CBD模型的死亡率预测呈平缓下降趋势,而扩展模型因纳入队列效应,呈现更显著的下行轨迹,表明退休队列异质性对未来长寿趋势有重要塑造作用。

讨论与结论

研究证实,退休队列效应是死亡率建模中不可忽视的结构性因素,尤其在高龄群体中影响突出。扩展模型通过捕捉退休时点的代际差异,解决了原始CBD模型对长寿风险估计偏差的问题,为养老金精算估值提供了更可靠的工具。讨论指出,模型的局限性在于对数据质量要求较高,且小样本下随机波动可能干扰趋势识别,更适合描述性分析而非极端长期预测。该研究的意义在于:为精算实务提供更精准的长寿预测框架,支持长寿风险对冲产品设计;其GAMs的半参数设定兼顾灵活性与计算效率,便于融入现有精算系统;未来可进一步纳入社会经济因素并拓展至多国数据集,以提升普适性。最终结论强调,退休队列效应与年龄、时期效应共同构成死亡率动态的核心维度,忽略这一维度将导致对人口老龄化的误判,而该扩展模型为相关风险管理提供了稳健的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号