中国男女性别人口死亡率联合预测——基于Li-Lee模型与Lee-Carter模型的比较研究

充分利用男女性别人口死亡率数据的有效信息,联合预测男女人口死亡率,能够提升死亡率建模方法的科学性和预测结果的合理性。选取国家统计局公布的分年龄、分性别人口死亡率数据,采用多人口Li-Lee模型对男女性别人口死亡率进行联合预测,并将预测结果与单人口Lee-Carter模型进行比较,以探寻适合中国人口死亡率预测的模型方法。研究表明,相对于Lee-Carter模型,Li-Lee模型在中国男女性别人口死亡率拟合与预测中具有较好的表现,全样本拟合值的绝对百分比误差平均降低了0.23%,且短期预测值精确度相对较高。同时,Li-Lee模型预测的人口死亡率性别比在长期中能够进入合理区间,避免了出现Lee-Carter模型预测结果中的异常数值,并通过补充中国台湾省人口死亡率数据,进一步验证了Li-Lee模型长期预测结果的稳健性。研究结论能够为我国积极应对人口老龄化、落实人口中长期均衡发展战略提供基础性支撑信息。

有限数据下Lee-Carter模型在人口死亡率预测中的应用

Lee-Carter模型是当今世界上最流行的死亡率预测模型,传统的Lee-Carter模型在样本量很大时才能得到较好的效果,而中国的死亡率数据量较少,且部分年限的数据缺失,难以达到较好的预测效果。本文基于Li等(2004)提出的有限数据死亡率建模方法,同时考虑样本量不足的影响,采用韩猛等(2010)提出的"双随机过程"建模,构建了有限数据下中国人口死亡率的预测模型,并用于对未来死亡率变动趋势和人口寿命的预测,最后将预测结果与保险公司采用的死亡率改善因子以及社会养老保险个人账户中采用的计发月数进行对比分析,给出了相关结论和有关死亡率风险管理的建议。

封闭人群生存人数整体预测——以Lee-Carter模型为例

由不同组别人群组成封闭人群整体生存人数的预测是相关经济、社会问题研究的基础。现有文献在研究相关问题时,使用的方法为:首先根据动态死亡率模型对其中具有相同特征不同部分的生存人数进行预测,之后通过加总得到整体人数的预测(简称现有方法)。由于现有方法忽略了不同特征人群死亡率变动间相关性的影响,会低估生存人数的波动性。本文使用Lee-Carter模型,在将封闭人群按性别分组的基础上,给出了构建生存人数整体预测模型的过程和实例。并通过理论分析和数值模拟两个视角对现有方法和新方法做了比较。比较结果指出:在死亡率波动具有广泛相关性的现实世界中,只有在均值预测时,现有方法才可以达到预期效果,因此笔者建议在对整体人数(特别是涉及方差和分布函数)预测时,使用本文介绍的整体生存人数预测模型。

城市供水管网漏损动态预测的Bootstrap-Lee-Carter模型

为对某城市供水片区的不同管径和管材的管道漏点率进行动态预测,考虑城市供水管网漏损时变特征,采用Bootstrap方法估计Lee-Carter参数模型。针对供水管网漏点率进行经典Lee-Carter模型预测,并通过残差等高线图及其同方差性质检验,比较分析最小二乘法和加权最小二乘法估计Lee-Carter模型参数的拟合效果;考虑供水管网漏损时变引起的模型参数不确定性扰动,利用残差Bootstrap方法抽样模拟Lee-Carter模型参数置信区间和模型改进后的供水管网漏损预测结果。结果表明:Bootstrap-Lee-Carter模型相比经典Lee-Carter模型具有更高的预测精度。

Lee-Carter模型外推预测死亡率及偏差纠正

Lee-Carter模型是人口死亡率预测的常用模型,泊松最大似然估计法是该模型参数估计广为采纳的方法,模型中与时间相关的因子可建立时间序列模型并进行外推,进而实现死亡率的预测。由于时间因子与死亡率之间的非线性性,简单的外推会带来死亡率预测的低估偏差。这个偏差可以通过对数正态分布的性质进行纠正或者随机模拟方法进行无偏预测。

基于Copula方法的Lee-Carter模型的长寿互换风险定价研究

针对已有的长寿互换产品在考虑人口死亡率相依性方面不足的问题,引入Copula函数,建立具有相依性的Lee-Carter模型,并应用Sharpe比率定价法对长寿互换定价。首先,根据中国1994—2017年的数据进行实证分析,发现改进后的死亡率模型对总体的长寿风险刻画更符合实际,优于原有模型;其次,应用蒙特卡罗模拟方法预测未来的死亡率,通过Sharpe比率定价法给出退休人口的长寿风险定价,使得定价更趋于合理,同时发现,女性进行长寿互换所需的风险溢价要高于男性;最后,分析了样本周期、起始时间、Sharpe比率及长寿互换的期限对长寿互换定价的影响,发现各因素对长寿互换定价的影响均显著,进一步验证了Sharpe比率法对长寿互换的有效性。利用本方法对长寿风险进行定价更趋于现实。

基于机器学习的Lee-Carter模型死亡率预测方法研究

世界各国人口死亡率不断降低,预期寿命变得难以预测。改进死亡率预测方法,准确预测未来人口的数量变化有着重要意义。传统的Lee-Carter模型通过年龄组平均死亡率、时间项以及年龄因子随时间变化的敏感度这三个参数来刻画死亡率的变化,模型中的时间项采用ARIMA方法进行预测。但该方法并不能解决死亡率数据具有长记忆性的问题,并且现有研究很少将传统人口学方法与大数据背景下机器学习方法相结合。因此本文引入LSTM(长短期记忆深度学习神经网络)和分数布朗运动驱动的O-U过程来对死亡率预测进行改进。由于中国大陆有关死亡率的数据样本量少且不完整,选用中国香港男性分年龄组死亡率数据,分别采用时间序列ARIMA方法、时间序列与机器学习相结合的ARIMA-LSTM方法以及分数O-U过程来拟合和预测模型中的时间项,通过残差图和三种评价指标值来比较三种方法的短期预测效果。结果表明,ARIMA-LSTM方法的短期预测效果最好,证明了引入机器学习方法对死亡率预测方法改进的可行性,为政府预测未来死亡率提供新思路,也为相关机构研究长寿风险提供依据。

基于Lee-Carter模型和王变换方法的长寿债券定价研究

本文利用lee-carter模型和王变换方法,研究了基于中国人口死亡率数据的长寿债券定价问题,阐释了长寿风险从投保者到寿险公司、SPV,最终到资本市场投资者的转移机制,提出长寿债券能够通过资本市场有效地转移长寿风险,实现多赢局面。

Lee-Carter模型中各随机成分的性质分析及应用

文章讨论了Lee-Carter模型估计与预测中随机性的三个来源:模型残差、时间因子和模型参数,对来源于这三部分的随机性的性质与作用进行了理论分析与基于中国数据的建模。研究表明:Lee-Carter模型的残差不同于普通回归模型中的残差,一般不直接应用于预测,主要用于模型评价;一般情况下,时间因子是模型随机预测中要首先考虑的主要的随机成分;如果要全面度量模型估计与预测中的随机性,通常要运用bootstrap方法同时考虑时间因子和模型参数的随机性。最后根据中国人口普查和抽查数据建立Lee-Carter模型,数据建模所得结果与理论分析相一致。

基于数据差异的Lee-Carter模型的估计与应用

Lee-Carter模型是死亡率预测中最常用的模型,鉴于我国人口死亡率数据的来源差异,在Lee-Carter模型的参数估计中纳入数据质量因子,对不同数据质量的数据分配不同的权重,然后利用极大似然法得到各参数的估计值.在此基础上,对中国男性人口死亡率的Lee-Carter模型各参数进行估计与预测.

Lee-Carter模型在新农保中的应用

在Lee-Carter模型的基础上,提出了改进的双误差模型来预测未来中国农村人口死亡率,并得到了动态生命表。从统计角度出发,构建新农保的净支出模型,最后结合动态生命表预测未来国家在新农保中的支出情况。根据数据分析可知,中国农村未来人口死亡率有所改善,并且随着补缴人群的增多,国家在新农保中的支出也会增多。

中国男性人口死亡率动态预测的方法比较——基于Lee-Carter模型与贝叶斯分层模型的研究

选取中国国家统计局公布的全国男性分年龄人口死亡率,采用Lee-Carter模型和贝叶斯分层模型对男性人口死亡率进行动态预测,并将结果进行比较,探寻更加适合中国男性人口死亡率的预测方法。研究表明,Lee-Carter模型和贝叶斯分层模型在男性人口死亡率预测中各有优劣,长短期可搭配使用;Lee-Carter模型具有更佳的拟合优度和短期预测效果,但预测区间的范围较窄,且死亡率改善速度为常数的假设不符合人类生物规律;贝叶斯分层模型适合长期预测,预期寿命服从逻辑斯蒂分布的假设较为合理,然而通过模型生命表将预期寿命转换为年龄别死亡率,将会损失死亡率的年龄信息。

Lee-Carter模型在死亡率预测中的应用

人口死亡率变化对社会保障系统有一定影响,它是时变的动态随机变量。基本养老保险的给付须遵从人口动态死亡率变化规律。本文利用Lee-Carter模型对未来人口死亡率变动趋势进行预测。对未来时间因子κt的预测时,用广义差分模型预测。并与ARIMA模型比较,结果广义差分模型预测效果较好。

基于Lee-Carter模型的互助养老年金研究

基于经典的双线性随机Lee-Carter模型,采用经济学的协整理论,对中国大陆男性人口死亡率进行预测,克服了ARIMA模型预测的局限性.在随机利率和Lee-Carter模型的基础上度量退休年金和生命年金的长寿风险,并为此提出应对策略,引入由消费者承担系统长寿风险、年金池承担个体长寿风险的群体自助养老年金(GSA),然后对其进行实证分析发现,与普通年金相比,GSA模型分担模式拥有较高的给付额.

考虑死亡率组内差异的Lee-Carter模型的改进与应用

文章在经典Lee-Carter模型的基础上,将各个时间、年龄组内的死亡率差异考虑入模型的构建中,提出死亡人口服从负二项分布的Lee-Carter模型改进形式,并运用中国1993～2009年分年龄分性别的死亡率对模型进行了量化分析。分析表明,改进后的模型优于经典泊松分布假设下的模型。模型残差图显示中国人口死亡现象没有队列效应。最后,本文运用改进后模型预测出未来6年内中国分性别分年龄的死亡率。

缺失数据下基于Lee-Carter模型对我国人口死亡率的分析

文章基于1995年-2020年我国人口原始死亡率数据,尝试直接使用一种加权极大似然估计的方法,并将其与通过Coale-Kisker方法拓展得到的高龄人口死亡率数据运用LC模型进行数据比较分析。实验结果表明,该方法对于解决我国人口死亡率数据缺失方面的问题具有更好的实用性及适用性,得到的参数估计结果更加可靠。在此基础上,预测未来人口死亡率。

河南省全民参保人口趋势分析——基于Leslie和Lee-Carter算法模型应用

作为一个人口大国,人口的质量和数量变化是制约中国发展的关键因素。河南是我国的人口大省,按照国家统计局公布的第七次人口普查公报,截至2020年12月,河南人口数为99 365 519人,与2010年第六次人口普查相比增加5 341 952人,全国占比7.04%,仅次于广东、山东,排名全国第三。

中国长寿风险敞口量化分析与预测——基于Lee-Carter死亡率模型的分析

第七次全国人口普查数据显示了我国人口局势的潜在新变化,人口老龄化形势可能产生微妙变化。本文采用ACF(0)模型、多人口Lee-Carter交叉分类可信度模型和单人口Lee-Carter模型预测人口死亡率,结果显示ACF(0)模型预测女性死亡率误差较小,单人口Lee-Carter模型预测男性死亡率的稳健性较好。在死亡率预测的基础上,本文运用人口—发展—环境(PDE)分析模型进行预测,结果显示:2021~2100年我国人口老龄化加剧发展时期呈现三个阶段特征,即2032年将进入超老年社会,2057年人口老龄化程度达到最大化,我国面临较为严峻的人口老龄化问题。现阶段相对宽松的人口政策短期内不能扭转人口老龄化加剧发展的态势,长期内有一定的政策效应,但是人口老龄化在较长时期内呈加剧发展趋势,我国长寿风险敞口巨大,应充分统筹以加强长寿风险管理,防范老龄化程度超常发展给经济社会带来的隐患;未来我国男性人口老龄化风险增长程度高于女性,我国应制定差异化的长寿风险管理策略,加强男性人口老龄化风险管理;我国女性老龄化风险敞口依然较大,老龄化管理策略应向女性人口倾斜。

Lee-Carter模型在中国城市人口死亡率预测中的应用与改进

由死亡率下降带来的长寿风险给社会、政治以及经济带来了新的挑战。为了更加准确地对长寿风险进行评估和管理,需要对未来死亡率趋势进行预测。本文针对我国死亡率数据样本量小以及数据存在缺失的实际情况,对Lee-Carter模型进行了改进,通过一个双随机过程对Lee-Carter模型中的时间项进行建模。在模型中考虑了样本量不足对预测结果造成的影响,使得改进后的Lee-Carter模型更加适合目前中国的人口死亡率预测。

Lee-Carter模型在模型生命表拓展中的应用——以中国区域模型生命表为例

经典Lee—Carter模型将死亡率变化分解为年龄别平均死亡率、年龄别变化速度和时间变化三部分,既考虑了不同人群的死亡率基数,也细分了死亡率未来变化的两个重点,通过调整年龄别的变化速度和时间变化可以生成不同预期寿命水平的年龄别死亡率,在模型生命表由较高水平的预期寿命向更高水平的预期寿命拓展上具有独特优势。不过,该模型在死亡率长期预测上有性别差异扩大和年龄别比值失调等问题。文章对该模型进行了相干改进和倒置改进,修正了该模型在死亡率长期预测上的不足。改进的Lee—Carter模型既可用来预测高预期寿命水平下的年龄别死亡率,也可用来对模型生命表拓展。文章以中国区域模型生命表为例介绍了改进的Lee-Carter模型在中国模型生命表拓展中的应用。