Keuntungan:
- Kemampuan untuk menetapkan segitiga perkembangan kerusakan, IBNR (kerusakan yang terjadi tetapi tidak dilaporkan) dan metode tangga berantai dengan dukungan kecerdasan buatan dan menafsirkan faktor-faktor perkembangan
- Kemampuan untuk membandingkan hasil dengan metode alternatif seperti Bornhuetter-Ferguson dan Mack dan menjelaskan ketidakpastian cadangan (variabilitas, interval kepercayaan) dengan kecerdasan buatan
- Mampu menjaga bahwa angka ketentuan yang dihitung dengan kecerdasan buatan merupakan rancangan, belum final, dan pilihan faktor pengembangan dan koreksi peradilan berada di tangan aktuaris yang bertanggung jawab.
Ketika perusahaan asuransi membayar kerusakan hari ini, sebenarnya perusahaan tersebut melunasi hutang polis yang dijualnya di masa lalu. Namun tidak semua kerusakan segera dilaporkan dan tidak semua kerusakan yang dilaporkan segera dibayar lunas. Kecelakaan lalu lintas terjadi hari ini, perusahaan diberitahu tiga bulan kemudian, proses pengadilan memakan waktu dua tahun, dan pembayaran akhir menjadi jelas setelah empat tahun. Oleh karena itu, perusahaan harus menyisihkan uang saat ini untuk ganti rugi yang belum dibayar lunas atau bahkan belum dilaporkan. Uang ini disebut cadangan, dan perhitungan akuratnya merupakan tugas aktuaria paling penting bagi perusahaan asuransi. Jika ia menyisakan lebih sedikit, perusahaan akan bangkrut; Jika terlalu banyak yang dialokasikan, maka modal terikat dengan sia-sia dan keuntungannya disembunyikan.
Dalam unit ini, kita akan membahas tiga konsep yang mendasari akuntansi provisi: segitiga perkembangan kerusakan, IBNR, dan metode tangga rantai. Kemudian kita akan mempertimbangkan metode alternatif (Bornhuetter-Ferguson, Mack) dan ketidakpastian. AI menulis kode untuk perhitungan ini, mengisi segitiga, menghitung faktor dan menjelaskan hasilnya; namun tanggung jawab pemilihan faktor pengembangan, koreksi peradilan dan angka ketentuan akhir berada pada aktuaris yang bertanggung jawab.
Apa segitiga perkembangan kerusakan?
Dasar perhitungan penyisihan adalah segitiga pembangunan/segitiga limpasan. Baris menunjukkan periode terjadinya kerusakan (tahun kecelakaan), dan kolom menunjukkan jumlah yang dibayarkan untuk kerusakan tersebut (tahun pengembangan). Bunyinya begini: 4 juta dibayarkan pada tahun pengembangan pertama tahun kecelakaan 2021, kumulatif 6,2 juta dibayarkan pada tahun ke-2, dan 7 juta dibayarkan pada tahun ke-3. Tahun-tahun kecelakaan yang lama telah matang (hampir seluruh pembayaran telah dilakukan), sedangkan tahun-tahun baru masih terus berkembang. Makanya nama segitiganya: pojok kanan bawah kosong, karena belum terjadi perkembangan tahun baru selanjutnya. Tugas aktuaris adalah memperkirakan sudut kosong ini.
IBNR (Incurred But Not Reported) justru merupakan bagian dari kesenjangan ini: biaya klaim di masa depan yang telah terjadi namun belum dilaporkan kepada perusahaan. Ada juga IBNER (perkembangan tambahan dari klaim yang dilaporkan tetapi kurang dicadangkan). Dalam praktiknya, metode segitiga memperkirakan total provisi yang dibutuhkan (dibayar + pengembangan di masa depan); Bila Anda mengurangi porsi yang dibayarkan, sisa provisi tetap ada, termasuk IBNR.
Tip: Anda dapat mengatur segitiga pada dua dasar yang berbeda: "kerusakan yang dibayarkan" dan "kerusakan yang terjadi (dibayar + cadangan yang diketahui)". Meneliti keduanya bersama-sama akan membantu Anda menangkap perubahan dalam perilaku pemesanan tim klaim.
Tangga rantai selangkah demi selangkah
Tangga rantai adalah metode respons yang paling umum, dan logikanya intuitif: jika kerugian di masa lalu rata-rata meningkat pada tingkat tertentu dari satu tahun pembangunan ke tahun berikutnya, maka tahun-tahun baru akan tumbuh dengan tingkat yang sama. Langkah-langkah:
- Siapkan segitiga kumulatif. Urutkan klaim kumulatif yang dibayarkan untuk setiap kecelakaan dari tahun ke tahun perkembangannya.
- Hitung faktor perkembangan. Untuk setiap kolom yang dilewati: jumlah kolom berikutnya / jumlah kolom saat ini (hanya menggunakan baris dengan kedua kolom terisi). Misalnya, faktor 1→2 adalah 1,45; Faktor 2→3 bisa jadi 1,12. Faktor ini disebut faktor usia ke usia.
- Temukan faktor kumulatif (bertumpuk). Mengalikan faktor-faktor yang tersisa untuk mencapai final setiap tahun.
- Isi sudut yang kosong. Perkirakan kerusakan akhir dengan mengalikan nilai terakhir yang diketahui dari setiap tahun kecelakaan baru dengan faktor-faktor yang tersisa.
- Hitung responsnya. Kerusakan akhir − dibayar sampai saat ini = provisi yang harus dibayar di masa depan (termasuk IBNR).
Tabel berikut adalah contoh kecilnya (kerusakan kumulatif yang dibayarkan, juta TL):
tahun kecelakaan
Ayolah. 1
Ayolah. 2
Ayolah. 3
Ayolah. 4
2021
4.0
6.0
6.8
7.0
2022
4.4
6.5
7.3
?
2023
4.8
7.0
?
?
2024
5.2
?
?
?
Dalam segitiga ini, faktor 1→2 kira-kira 1,47; 2→3 sekitar 1,12; 3→4 sama dengan sekitar 1,03. Final 2024 5,2 × 1,47 × 1,12 × 1,03 ≈ 8,82 juta; Karena jumlah yang dibayarkan adalah 5.2, provisinya adalah ≈ 3.62 juta TL. AI melakukan aritmatika ini dalam hitungan detik, tetapi aktuaris memutuskan apakah faktor-faktor tersebut masuk akal.
Metode alternatif dan ketidakpastian
Tangga rantai saja tidak cukup karena faktor pembangunan sangat sensitif terhadap fluktuasi kecil karena hanya ada sedikit data dalam beberapa tahun terakhir; Satu kerusakan besar dapat menghancurkan keseluruhan perkiraan. Itu sebabnya metode Bornhuetter-Ferguson (BF) digunakan: BF memperkirakan bagian yang belum dikembangkan dengan menggunakan informasi rasio kerugian eksternal yang diharapkan dan dengan demikian menghaluskan volatilitas. Tangga rantai lebih disukai pada tahun-tahun matang, BF lebih disukai pada tahun-tahun baru dan belum matang; Bersama-sama mereka memberikan perkiraan yang seimbang.
Untuk mengukur ketidakpastian, metode Mack digunakan: metode ini secara analitis memberikan kesalahan standar (variabilitas) dari estimasi tangga rantai. Selain itu, distribusi probabilitas penuh dari respons dapat dihasilkan dengan bootstrap (simulasi dengan pengambilan sampel data berulang kali); Hal ini menjawab pertanyaan (penting bagi Solvabilitas II) yaitu “apa tanggapan kita jika terjadi skenario terburuk?” AI sangat kuat dalam menghasilkan kode dan membandingkan metode-metode ini.
Perhatian: Pemilihan faktor pertumbuhan tidak bersifat mekanis. Dalam satu tahun, perubahan peraturan perundang-undangan, gelombang besar tuntutan hukum, atau perubahan tingkat pembayaran klaim dapat mengganggu faktor-faktor tersebut. Pilihan "rata-rata sederhana, rata-rata tertimbang, 3 tahun terakhir" bersifat yudisial dan harus dapat dibenarkan.
Cara menggunakan AI dalam akuntansi cadangan
1) Kode tangga rantai:
Tulis kode komentar dengan Python yang menghitung tangga rantai. Input: segitiga kerusakan berbayar kumulatif (daftar daftar, sel yang hilang Tidak ada). 1) Hitung faktor usia tertimbang volume untuk setiap lintasan kolom. 2) Temukan faktor kumulatifnya. 3) Isilah sudut yang kosong dan perkirakan kerusakan akhir untuk setiap tahun kecelakaan. 4) Menghitung dan menjumlahkan kompensasi (final - dibayar). Cetak setiap langkah perantara ke layar; jangan membuat perpustakaan, gunakan Python dasar.
2) Perbandingan metode:
Jelaskan kepada aktuaris perbedaan antara tangga rantai dan Bornhuetter-Ferguson.- Mana yang lebih dapat diandalkan dalam situasi apa?- Mengapa BF lebih disukai pada tahun-tahun kecelakaan yang baru (belum matang)?- Bagaimana cara menentukan 'tingkat kerusakan yang diperkirakan' yang diperlukan untuk BF? Ringkaslah pro/kontranya dalam sebuah tabel.
3) Pemeriksaan faktor yang masuk akal:
Saya memiliki faktor usia ke usia berikut: 1->2: 1,47; 2->3: 1,12; 3->4: 1,03; 4->5: 1,45.Faktor 4->5 terlihat aneh dibandingkan dengan yang lain.- Apa kemungkinan alasan lompatan ini (peraturan, kerusakan besar, kesalahan data)?- Pemeriksaan apa yang harus saya lakukan untuk memverifikasi?Pengambilan keputusan; Beri saya daftar periksa.
4) Interpretasi ketidakpastian:
Ketentuan tebakan terbaik tangga rantai saya adalah 42 juta TL, kesalahan standar Mack adalah 5,3 juta. Bagaimana saya menjelaskan hal ini kepada manajer dan regulator? - Jelaskan dengan bahasa sederhana apa arti level 75% dan 99,5%. - Bagaimana cara menyampaikan pesan 'kisaran, bukan angka tunggal'?
Perintah lemah / Perintah kuat
Perintah yang lemah:
Hitung upahku.
Tidak ada segitiga, tidak ada metode, tidak ada data. AI cocok dengan kesenjangan tersebut.
Perintah yang kuat:
Peran Anda: asisten pemesanan. Saya akan memberi Anda segitiga klaim berbayar kumulatif (anonim, juta TL):2021: [4.0, 6.0, 6.8, 7.0]2022: [4.4, 6.5, 7.3]2023: [4.8, 7.0]2024: [5.2]Tugas:1) Hitung faktor usia tertimbang, setiap pertunjukan.2) Isilah sudut yang kosong, tuliskan kerugian akhir setiap tahun.3) Hitung total provisi (final - dibayar).4) Tahun 2024 sangat baru; Jadi jelaskan mengapa perkiraan Anda lebih tidak pasti. Tunjukkan nomor perantaranya sehingga saya dapat memverifikasinya secara manual. Gunakan saja data yang saya berikan kepada Anda.
tiga kasus mini
Kasus 1 – Penyediaan yang tidak memadai. Sebuah perusahaan menghitung dua tahun kecelakaan terakhir dalam portofolio lalu lintasnya yang berkembang pesat dengan menggunakan tangga rantai lurus. Karena faktor tahun baru rendah, ketentuannya diperkirakan mencapai 31 juta TL. Ketika aktuaris memeriksa BF dan menggunakan tingkat kerusakan yang diharapkan, respons realistisnya adalah 44 juta TL. Selisih 13 juta dikonfirmasi dengan kerusakan nyata setahun kemudian. Hikmahnya: di tahun-tahun baru, rantai belaka menipu tangga.
Kasus 2 — Faktor yang rusak. Seorang asisten aktuaris melihat faktor 3→4 sebesar 1,42 pada segitiga yang dihasilkan AI; sedangkan rata-rata historisnya adalah 1,05. Jika hal ini disahkan tanpa adanya pertanyaan, respons yang diberikan akan meningkat sekitar 30 persen. Investigasi mengungkapkan bahwa dua tahun kecelakaan bergeser karena kesalahan pemuatan data. AI tidak menghasilkan kesalahan, tetapi tidak menyadarinya; Pemeriksaan kewajaran aktuaris berhasil dilakukan.
Kasus 3 — Penyajian ketidakpastian yang benar. Seorang aktuaris yang bertanggung jawab hanya mengatakan kepada manajemen bahwa "provisinya adalah 42 juta." Manajemen menganggap ini pasti dan mendistribusikan keuntungan. Tahun berikutnya, ketika angka sebenarnya adalah 48 juta, sebuah krisis muncul. Periode berikutnya, aktuaris menawarkan kisaran dengan Mack dan bootstrap yang mengatakan "tebakan terbaik adalah 42, tetapi level 75% adalah 46, level 99,5% adalah 55 juta"; Manajemen mengambil keputusan yang sesuai. Ini menghemat banyak waktu dalam menyiapkan kode dan bagan bootstrap AI.
Kesalahan umum
- Hanya menggunakan tangga rantai dalam beberapa tahun terakhir kecelakaan. Lebih sedikit data berarti faktor yang mudah berubah; Seimbangkan dengan BF.
- Tidak menundukkan faktor-faktor pembangunan pada kendali kewajaran. Satu faktor korup menghancurkan keseluruhan respons; Bandingkan dengan pola sejarah.
- Menampilkan kebalikannya sebagai satu bilangan eksak. Jawabannya hanyalah sebuah tebakan; Menyajikannya tanpa rentang ketidakpastian (Mack, bootstrap) menyesatkan.
- Membingungkan segitiga berbayar dan realisasi. Keduanya mengukur hal yang berbeda; Bekerjalah secara konsisten berdasarkan satu dasar atau secara sadar bandingkan keduanya.
- Mengabaikan inflasi dan pelanggaran peraturan. Pola pembangunan di masa lalu mungkin tidak akan tetap sama di masa depan; Pertimbangkan juga perubahan struktural.
Singkatnya
Cadangan adalah perkiraan liabilitas masa depan saat ini dan merupakan perhitungan aktuaria paling penting bagi perusahaan asuransi. Pola pembayaran masa lalu terlihat dengan segitiga pembangunan; Tangga rantai mengisi sudut kosong dengan faktor usia dan memperkirakan kerusakan akhir serta kompensasi termasuk IBNR. Di tahun-tahun baru, BF lebih stabil; Ketidakpastian diukur dengan Mack dan bootstrap. AI mengisi segitiga, menulis kode, dan membandingkan metode; namun pemilihan faktor, pemeriksaan kewajaran dan angka akhir bergantung pada penilaian dan tanda tangan aktuaris yang bertanggung jawab.
Tugas aplikasi
Buat segitiga mini anonim dari klaim berbayar kumulatif (4 tahun kecelakaan × hingga 4 tahun pengembangan). Minta AI untuk menghitung ekuivalennya dengan tangga rantai. Verifikasi secara manual faktor usia demi usia dan 2 tahun terakhir. Kemudian tanyakan kepada AI “bagaimana BF bisa menghasilkan hasil yang berbeda dalam beberapa tahun terakhir” dan bandingkan kedua metode tersebut. Secara sadar mendistorsi salah satu faktor (misalnya, memperbesar sel sebanyak 10 kali) dan mengamati bagaimana respons AI berubah dan bagaimana pemeriksaan masuk akal akan menangkap hal ini.
daftar periksa
- [ ] Apakah saya konsisten dalam membuat segitiga berdasarkan kerusakan yang dibayarkan atau kerusakan yang terjadi?
- [ ] Sudahkah saya memeriksa masuk akalnya dengan membandingkan faktor usia-usia dengan pola historis?
- [ ] Apakah saya sudah cross check ke BF untuk tahun baru/belum matang?
- [ ] Apakah saya menyajikan respons dengan rentang ketidakpastian dan bukan angka tunggal?
- [ ] Sudahkah saya secara mandiri menghitung ulang kerusakan akhir dan counter aritmatika?
- [ ] Apakah saya sudah mencantumkan alasan pemilihan faktor saya (tipe rata-rata, titik) secara tertulis?