论文部分内容阅读
摘 要：本文在利用泊松双线性模型对我国未来人口死亡率曲线进行预测的基础上，采用长寿风险模型预测了我国养老金个人账户的财务平衡状况以及最佳退休年龄和投资收益率的匹配组合。结论认为，养老金个人账户压力较大的是女性群体，因此应首先考虑提高女性劳动者的退休年龄。另外，男性和女性在不同的投资收益率下有最佳退休路径可选择。
关键词：长寿风险；个人账户；精算平衡；投资收益率
中图分类号：F830.5 文献标识码：A 文章编号：1674-2265（2015）06-0003-07
一、引言
在过去的100年里，人类的平均寿命每10年提高2.5岁，呈现出显著的人口死亡率降低趋势。人口寿命延长体现了社会发展水平的提高，但也带来了长寿风险，即人口死亡率的超预期降低所带来的风险。长寿风险对社会不同层面都产生一定影响。举例来说，人口寿命增加给社会保障体系带来巨大压力，政府必须为未来的预期寿命延长建立足够的战略储备资金；同样，对于持有诸多生存保险保单的保险公司来说，也面临着预期寿命延长所带来的年金给付增加的压力。对于许多金融机构来说，人口预期寿命的延长也带来了构建新型衍生品和创新金融产品的机会。近些年，国际上关于长寿风险的研究沿着定量化的视角逐步深入，许多死亡率模型不断被提出，这些模型可以有取舍地借鉴到我国的长寿风险研究中。
和世界其他国家一样，我国养老体系也因长寿风险而面临巨大压力：人口死亡率的下降和预期寿命的延长使得老龄人口增加、预期余命延长，这一长寿风险加大了基本养老保险统筹部分的给付压力，特别是使得个人账户的支付年限延长。根据现行支付安排，个人账户的收支缺口由统筹部分承担。故在现行政策下，收不抵支的个人账户数量将增加，且个人收支缺口呈扩大趋势。为了应对老龄化冲击和日益加大的养老金给付压力，我国政府不得不将改变多年的“个人账户空账运行”逐步做实。
很显然，长寿风险将对该个人账户的“做实”带来重大影响。在人口死亡率超预期降低的条件下，个人账户按照现在人口情况进行“做实”将产生“亏空”，导致个人账户“财务”不平衡。为了弥补这种亏空，使个人账户达到平衡，学者们从不同角度进行了深入的探讨，并提出了不同建议。如王积全（2005）利用兰州市抽样数据，对国家、企业和个人的养老负担比例进行了深入分析，并首次在模型中引入了收缴率和工资比率等参数，基于此给出了相应的缩减缺口的政策措施。 罗良清（2005）总结并完善了我国个人账户支付模型，使其更适合于现行养老制度的月度缴纳和实际支付方式。潘春雷（2007）评估了在退休年龄、就业比例、工资水平等方面的性别差异对养老基金精算收支平衡的影响。顾文（2010）预测了未来几十年基本养老保险制度下在职人员和退休人员的人口数据，对基本养老保险基金平衡、隐性债务规模等问题进行了测算。黄顺林、王晓军（2010）利用基于出生年效应的Lee-carter模型对中国男性人口死亡率进行了拟合，并将其预测结果对养老年金系数进行估计，发现中国现行城镇职工养老保险的年金系数被严重低估，这将给未来基本养老保险个人账户带来很大的偿付压力。张宁（2015）利用非线性时间序列分析中的希尔伯特-黄变换对死亡率进行了不同风险层次的划分，并基于此提出了“长寿风险分级基金”来应对个人账户和统筹账户的“老龄化”压力。
本文借鉴现有国内外研究成果，尝试运用国外研究中应用较为广泛的Lee-Carter模型的改进版——泊松对数双线性模型和随机模拟方法，在对未来人口死亡率曲线进行预测的基础上，分析不同退休年龄和投资收益率的最佳组合。泊松对数双线性模型的优点是能够预测出在一定概率下未来人口死亡率的区间估计，从而可以更好地评估个人账户收支在未来面临的不确定性，并且量化不同政策或假定对于账户缺口的影响程度，给出特定缺口水平下的参数设定水平。
二、长寿风险模型与数据来源
1992年提出的Lee-Carter模型是长寿风险模型的重要开端，该模型通过时间和年龄两个角度来拟合中心死亡率的对数：
[μx（t）=exp（αx+βxkt）] （1）
在上述模型（1）中，[αx]代表不同年龄在所有时间的对数死亡率平均，反映了年龄对死亡率的影响；[kt]代表了时间对死亡率的影响；[βx]描述了不同年龄的人群对时间影响的敏感程度，即斜率。
该模型对美国以及加拿大的死亡率拟合较好，但也存在许多问题，例如高龄拟合以及共线性等问题。对此也有一些相应的改进模型，例如引入世代效应的APC模型，利用非线性序列分析方式，或者利用长寿风险指数进行测度。其中有一种改进方法被普遍使用，即通过引入泊松假设，假设死亡人口服从泊松分布，可以基于Lee-Carter模型建立泊松双线性模型（Possion log-bilinear）：
[Dxt～Poisson（Extux（t））]，[μx（t）=exp（αx+βxkt）] （2）
该模型和Lee-Carter模型有同样的参数限制，以确定唯一的参数。
[tkt=0]，[xβx=1] （3）
同时，由于引入了泊松分布，我们用最大似然估计来代替Lee-Carter模型的SVD求解方法。
[L（α，β，k）=（x，t）[Dxt（αx+βxkt）-Extexp（αx+βxkt）]+constant]
（4）
在模型（4）中，constant表示常数，[kt] 反映了每个年龄的中心死亡率随时间变化的趋势。未来的死亡率可以通过如下方式进行估计，同时可以用Bootstrap方法来进行区间估计：
[Mx（tn+s）=exp（αx+βxktn+s）] （5）
本文使用的数据是1994—2010年的人口死亡率数据，数据来源是中国人口统计年鉴。分组方式是每个年龄一组，同时设定最高年龄组为90+。由于1996年、2005年和2010年的数据一直延伸到100+，为了保持一致，将90岁以上的数据合并，形成90+的年龄组数据。 分组后，我们首先获得不同年龄和性别的死亡人数以及年中人口数据 ，这些数据形成了两个矩阵。同时我们还获得死亡率数据 。这里，男性年龄x范围为60，61，…，90+；女性年龄x范围为55，56，…，90+；而时间t为1994，1996，…，2010。由于1995年数据缺失且1994年抽样时间较晚，故时间维度没有考虑1995年。
本文所使用的软件是R软件，该软件是奥克兰大学两位学者开发的免费开源软件，提供了跨平台的数学计算环境，世界各地的开发者为它开发了多种免费软件包；正是由于其免费开源特征，R软件已经成为学术界和数据处理领域最广泛使用的软件之一。
三、未来中国人口死亡率预测
下面，我们基于泊松双线性模型（2），用最大似然估计（4）来拟合中国人口死亡率数据（1994—2010），可以得到对应的[α]、[β]、[k]三个参数，其结果如图1所示。其中左侧为男性拟合后的参数计算结果，右侧为女性拟合后的参数计算结果。
从拟合后计算的参数结果来看，无论是男性还是女性， 参数[k]在16年里整体上呈现下降的趋势。由于其在一定程度上代表了人口整体的平均死亡率，因此可以说人口死亡率呈现下降趋势，中国社会存在长寿风险，其下降的斜率代表了长寿风险的严重程度。同时，由于参数[β]表示了年龄范围对长寿风险的作用，从图1中（第二行两张图）可以看出，人口死亡率的降低主要体现在80岁以上的人口中，这说明我国超老龄人口的健康状况改善程度要超过普通老龄人口。除了趋势之外，我们可以在图中看到结果的波动，这是由于人口抽样所带来的干扰：我国人口死亡率数据一般采取百分之一人口抽样，而不是100%的人口普查。
图2给出了拟合后的死亡率数据情况，其中左列为男性，右列为女性。第一行是对数据曲面的拟合情况（R2=0.92），第二行是时间维度不同年龄的死亡率情况（R2=0.97），第三行是年龄维度不同时间的死亡率（ R2=0.95）。
从R2看，拟合结果整体较好。特别地，对于不同年龄的时间维度拟合效果相对较弱，这是受数据集的影响，因为2010年和2000年为普查数据，而其他时间样本为抽样数据，抽样数据获得的模型参数对普查数据的拟合有一定偏差 ，曲面拟合也受到此原因影响，这是本文需要进一步改进的地方。
从图2中可以看到，随着时间的增加，各年龄段的死亡率整体上呈现下降趋势（第二行图），同时随着年龄的增加，死亡率上升，同时死亡率最高的年代时间是1994年和1996年（第三行图）。
为了更好地度量长寿风险并对未来死亡率进行预测，我们需要对死亡率[kt]进行时间序列建模并预测，这里我们采用的时间序列模型是ARIMA（0，1，0）。具体的区间预测结果如图3所示。
上图2中给出死亡率逐渐降低的过程，并根据其结果，重新利用双线性模型，能够得到未来人口在2011—2020年的死亡率预测，该结果如图4所示。
需要特别提到的是，在我们使用的数据中，2000年和2010年的数据是通过人口普查得到的，其他年份的数据是通过百分之一人口抽样调查获得的，很显然普查数据比抽样数据更可靠，这也表现在数据拟合时，结果会有一定的波动。如何利用普查数据进行抽样数据调整，这是本文需要进一步完善的地方。
从预测结果看，各年龄段的人口死亡率都呈现了逐步降低的过程，而且这种降低的趋势并没有减缓，这也预示着长寿风险将长期存在。具体到各年龄段可以发现，死亡率降低水平在不同年龄人群之间存在差别，例如青少年人群（10—19岁）死亡率改善情况相对老年人（50—60岁）要低一些，而高龄老人（80岁以上）的死亡率改善则呈现很大波动性。
四、退休年龄与投资收益率分析
为了对个人账户平衡进行计算，我们用泊松Bootstrap方法来产生1000个未来死亡率样本并利用这些样本来模拟未来死亡率，该模拟包括所有年龄（男性是60—90岁，女性是55—90岁），时间是2011—2050年。泊松Bootstrap是一种随机再抽样方法。表1给出了60岁的人口未来预期余命的变化。
从表1可以看到，在2011年60岁男性的余命为24.18岁，但是到了2020年，余命变为25.74岁，该结果比历史数据总结出来的要快，这正是长寿风险中风险的含义。同样对于女性来说，60岁人口在2011年的平均余命为26.05岁，但到了2020年为27.18岁，从中还可以看到男女预期余命的差距在缩小。
在确定收益模式（DB）下，个人账户的平衡公式由（6）给出。
[PVactual=DB?splanωb-1t=0∞tpbvt=k=0b-a-1cω（1+g）k（1+i）b-a-kkpa]
（6）
在这里，a为进入养老年金系统的年龄；b为退休年龄；[splan]为退休后个人账户的替代率；[ωb-1]为在年龄b-1时候的工资；c为贡献率；g为工资增长率；i为投资收益率。根据当前的中国养老金现状，我们设定的参数为：c=8%，g=10%，i=4%，a=25， b=60（男性），b=55（女性）。
这样，通过Bootstrap方式得到的1000个死亡率抽样样本，我们可以计算出不同退休年龄下的替代率的点估计和区间估计（95%置信度），结果如表2所示。
从表2可以看到，在当前的状态下（当前参数设定下），个人账户在退休时候的替代率仅仅8%左右。为了进一步计算最佳退休年龄，我们设定特定的替代率，并由此计算对应的退休年龄。
同时，我们还注意到，如果个人账户替代率达到预定的10%，那么退休年龄至少要66岁，也就是说，在2015年如果男性退休年龄为66岁的话，个人账户的替代率满足10%左右的要求。
在考虑退休年龄的同时，我们也可以从另外一个角度分析，即研究公式中表示投资收益率的i，如果投资收益率上升的话，其退休后领取的年金增加，也可以提高替代率，因此投资收益率和退休年龄密切相关。下面我们将根据上述计算，设定替代率为10%左右，用Bootstrap方式模拟，来得到对应的关系。 首先设定投资收益率i为5%，来看一下男性在不同时间（年代）的退休年龄。结果如表3所示，此时个人账户替代率将保持在10%左右。
接下来设定投资收益率i为6%，计算结果如表4所示。可以看到，到2020年前，男性退休年龄无须提高，也能保持替代率为10%。
表5和表6分别给出了女性当投资收益率在5%和6%时的退休路径。
从表5、表6可以看到，如果在投资收益率为5%的情况下，女性的退休年龄大幅度增加，比目前的55岁提升了10岁多，只有这样才能保持个人账户的10%替代率。而即使在投资收益率变为6%的时候，退休年龄也需要从2013年开始调整，并从61岁开始。
如果要维持当前的女性退休年龄，我们可以计算出投资收益率大约为7%，表7给出了此时的女性退休年龄情况以及个人账户替代率。
由此可以看到，长寿风险给个人账户带来的压力方面，女性要比男性大得多。
当前我们实行的是男女统筹，在这种情况下，通过进行不同的退休年龄匹配，并考虑当前的政策环境，我们得到了比较合理的投资收益率是6.1%，其退休年龄和投资收益率的关系如表8所示。
综合计算和模拟结果，可以得出如下结果：
（1）当我们保持个人账户替代率为10%的目标的时候，男性可以在5%的投资收益率下，提升退休年龄到63岁（2020年）。该投资收益率与当前市场情况符合，可以认为此退休路径是可行的。
（2）女性的个人账户压力较大。当我们维持5%的投资收益率的时候，女性的退休年龄已经达到了65岁。如此快速的提升是不可行的。对此，只有提升投资收益率来进行弥补，计算表明投资收益率达到7%的时候，女性退休年龄可以逐步提升到56岁 。尽管这个结果与现在情况衔接较好（女性工人50岁退休，女性干部55岁退休），但该投资收益率已经超过市场险资的平均投资收益率（2015年，5%左右），综合考虑目前的货币政策，会有一定的实现难度。
（3）为了减少女性个人账户的压力，可以考虑男女统筹计算，我们进一步的计算表明，此时需要维持投资收益率在6.1%左右。与此相配合，男性退休年龄逐步过渡到62岁，而女性逐步过渡到60岁。
五、结论
本文利用泊松双线性模型来度量中国长寿风险，该方法比较好地避免了Lee-Carter模型所带来的共线性等问题；利用该模型，我们基于Bootstrap方法模拟未来的死亡率曲线，从而对个人账户平衡进行了计算，由此分析了不同退休年龄与投资收益率的组合。
从组合情况看，当我们维持5%的投资收益率，男性可以逐步延迟退休到63岁（到2020年）；而对女性来说，5%的收益率不足以抵消死亡率改善的效果，即使投资收益率达到7%，女性退休年龄仍然需要在2020年提升到56岁。
如果将男女统一起来解决女性个人账户压力，则需要维持的投资收益率为6.1%。如果考虑养老金未来入市，投资收益率达到6%以上，那么这个方案是可行的。
参考文献：
[1]Lee R D，and Carter L R.1992.Modeling and Forecasting US Mortality.Journal of the American Statistical Association，87（419）.
[2]Wilmoth J.R. 1993.Computational methods for fitting and extrapolating the Lee-Carter model of mortality change. Berkeley：Technical report.
[3]Alho J.M. Discussion of Lee. 2000.North American Actuarial Journal，4（1）.
[4]Renshaw A E，Haberman.2006. A cohort-based extension to the Lee-Carter model for mortality reduction factors. Insurance：Mathematics and Economics，41.
[5]Zhang Ning.2012. The modified mortality decomposition model and its application in the China longevity risk analysis，ICCIA12.
[6]Zhang Ning.2012. Introduction and computation of longevity risk index based on mortality rate decomposition model，Springer Communications in Computer and Information，289.
[7]Zhang Ning.2010. Research about option’s risk and price in China stock market based on non-linear HHT signal analysis in Matlab，ITMS Signal process.
[8]Renshaw，A E，Haberman.2008. On simulation-based approaches to risk management in mortality with specific reference to Poisson Lee-Carter modeling. Insurance：Mathematics and Economics，42.
[9]Brouhns N，Denuit M.，Vermunt J.K. 2002. A Poisson log-bilinear approach to the construction of projected life tables[J].Insurance：Mathematics and Economics，31（3）.
[10]Brouhns N，Denuit M.，Keilegom Van I.2005. Bootstrapping the Poisson log-bilinear model for mortality forecasting[J].Scandinavian Actuarial Bulletin，2.
[11]王积全. 基本养老保险个人账户基金缺口实证研究[J].甘肃社会科学，2005，（3）.
[12]罗良清，王茶香.个人账户中养老金给付精算分析[J].统计与决策， 2005，（5）.
[13]潘春雷.性别差异对我国基本养老保险基金平衡影响的精算分析[D].吉林大学硕士论文，2007.
[14]顾文.人口老龄化背景下我国养老保险体系的精算测评[D].复旦大学硕士论文，2010.
[15]黄顺林，王晓军.加入出生年效应的死亡率预测及其在年金系数估计中的应用[J].统计与信息论坛，2010，（5）.
[16]张宁.死亡率分解模型及其在长寿分级基金构建中的应用[J].保险研究，2015，（2）.
关键词：长寿风险；个人账户；精算平衡；投资收益率
中图分类号：F830.5 文献标识码：A 文章编号：1674-2265（2015）06-0003-07
一、引言
在过去的100年里，人类的平均寿命每10年提高2.5岁，呈现出显著的人口死亡率降低趋势。人口寿命延长体现了社会发展水平的提高，但也带来了长寿风险，即人口死亡率的超预期降低所带来的风险。长寿风险对社会不同层面都产生一定影响。举例来说，人口寿命增加给社会保障体系带来巨大压力，政府必须为未来的预期寿命延长建立足够的战略储备资金；同样，对于持有诸多生存保险保单的保险公司来说，也面临着预期寿命延长所带来的年金给付增加的压力。对于许多金融机构来说，人口预期寿命的延长也带来了构建新型衍生品和创新金融产品的机会。近些年，国际上关于长寿风险的研究沿着定量化的视角逐步深入，许多死亡率模型不断被提出，这些模型可以有取舍地借鉴到我国的长寿风险研究中。
和世界其他国家一样，我国养老体系也因长寿风险而面临巨大压力：人口死亡率的下降和预期寿命的延长使得老龄人口增加、预期余命延长，这一长寿风险加大了基本养老保险统筹部分的给付压力，特别是使得个人账户的支付年限延长。根据现行支付安排，个人账户的收支缺口由统筹部分承担。故在现行政策下，收不抵支的个人账户数量将增加，且个人收支缺口呈扩大趋势。为了应对老龄化冲击和日益加大的养老金给付压力，我国政府不得不将改变多年的“个人账户空账运行”逐步做实。
很显然，长寿风险将对该个人账户的“做实”带来重大影响。在人口死亡率超预期降低的条件下，个人账户按照现在人口情况进行“做实”将产生“亏空”，导致个人账户“财务”不平衡。为了弥补这种亏空，使个人账户达到平衡，学者们从不同角度进行了深入的探讨，并提出了不同建议。如王积全（2005）利用兰州市抽样数据，对国家、企业和个人的养老负担比例进行了深入分析，并首次在模型中引入了收缴率和工资比率等参数，基于此给出了相应的缩减缺口的政策措施。 罗良清（2005）总结并完善了我国个人账户支付模型，使其更适合于现行养老制度的月度缴纳和实际支付方式。潘春雷（2007）评估了在退休年龄、就业比例、工资水平等方面的性别差异对养老基金精算收支平衡的影响。顾文（2010）预测了未来几十年基本养老保险制度下在职人员和退休人员的人口数据，对基本养老保险基金平衡、隐性债务规模等问题进行了测算。黄顺林、王晓军（2010）利用基于出生年效应的Lee-carter模型对中国男性人口死亡率进行了拟合，并将其预测结果对养老年金系数进行估计，发现中国现行城镇职工养老保险的年金系数被严重低估，这将给未来基本养老保险个人账户带来很大的偿付压力。张宁（2015）利用非线性时间序列分析中的希尔伯特-黄变换对死亡率进行了不同风险层次的划分，并基于此提出了“长寿风险分级基金”来应对个人账户和统筹账户的“老龄化”压力。
本文借鉴现有国内外研究成果，尝试运用国外研究中应用较为广泛的Lee-Carter模型的改进版——泊松对数双线性模型和随机模拟方法，在对未来人口死亡率曲线进行预测的基础上，分析不同退休年龄和投资收益率的最佳组合。泊松对数双线性模型的优点是能够预测出在一定概率下未来人口死亡率的区间估计，从而可以更好地评估个人账户收支在未来面临的不确定性，并且量化不同政策或假定对于账户缺口的影响程度，给出特定缺口水平下的参数设定水平。
二、长寿风险模型与数据来源
1992年提出的Lee-Carter模型是长寿风险模型的重要开端，该模型通过时间和年龄两个角度来拟合中心死亡率的对数：
[μx（t）=exp（αx+βxkt）] （1）
在上述模型（1）中，[αx]代表不同年龄在所有时间的对数死亡率平均，反映了年龄对死亡率的影响；[kt]代表了时间对死亡率的影响；[βx]描述了不同年龄的人群对时间影响的敏感程度，即斜率。
该模型对美国以及加拿大的死亡率拟合较好，但也存在许多问题，例如高龄拟合以及共线性等问题。对此也有一些相应的改进模型，例如引入世代效应的APC模型，利用非线性序列分析方式，或者利用长寿风险指数进行测度。其中有一种改进方法被普遍使用，即通过引入泊松假设，假设死亡人口服从泊松分布，可以基于Lee-Carter模型建立泊松双线性模型（Possion log-bilinear）：
[Dxt～Poisson（Extux（t））]，[μx（t）=exp（αx+βxkt）] （2）
该模型和Lee-Carter模型有同样的参数限制，以确定唯一的参数。
[tkt=0]，[xβx=1] （3）
同时，由于引入了泊松分布，我们用最大似然估计来代替Lee-Carter模型的SVD求解方法。
[L（α，β，k）=（x，t）[Dxt（αx+βxkt）-Extexp（αx+βxkt）]+constant]
（4）
在模型（4）中，constant表示常数，[kt] 反映了每个年龄的中心死亡率随时间变化的趋势。未来的死亡率可以通过如下方式进行估计，同时可以用Bootstrap方法来进行区间估计：
[Mx（tn+s）=exp（αx+βxktn+s）] （5）
本文使用的数据是1994—2010年的人口死亡率数据，数据来源是中国人口统计年鉴。分组方式是每个年龄一组，同时设定最高年龄组为90+。由于1996年、2005年和2010年的数据一直延伸到100+，为了保持一致，将90岁以上的数据合并，形成90+的年龄组数据。 分组后，我们首先获得不同年龄和性别的死亡人数以及年中人口数据 ，这些数据形成了两个矩阵。同时我们还获得死亡率数据 。这里，男性年龄x范围为60，61，…，90+；女性年龄x范围为55，56，…，90+；而时间t为1994，1996，…，2010。由于1995年数据缺失且1994年抽样时间较晚，故时间维度没有考虑1995年。
本文所使用的软件是R软件，该软件是奥克兰大学两位学者开发的免费开源软件，提供了跨平台的数学计算环境，世界各地的开发者为它开发了多种免费软件包；正是由于其免费开源特征，R软件已经成为学术界和数据处理领域最广泛使用的软件之一。
三、未来中国人口死亡率预测
下面，我们基于泊松双线性模型（2），用最大似然估计（4）来拟合中国人口死亡率数据（1994—2010），可以得到对应的[α]、[β]、[k]三个参数，其结果如图1所示。其中左侧为男性拟合后的参数计算结果，右侧为女性拟合后的参数计算结果。
从拟合后计算的参数结果来看，无论是男性还是女性， 参数[k]在16年里整体上呈现下降的趋势。由于其在一定程度上代表了人口整体的平均死亡率，因此可以说人口死亡率呈现下降趋势，中国社会存在长寿风险，其下降的斜率代表了长寿风险的严重程度。同时，由于参数[β]表示了年龄范围对长寿风险的作用，从图1中（第二行两张图）可以看出，人口死亡率的降低主要体现在80岁以上的人口中，这说明我国超老龄人口的健康状况改善程度要超过普通老龄人口。除了趋势之外，我们可以在图中看到结果的波动，这是由于人口抽样所带来的干扰：我国人口死亡率数据一般采取百分之一人口抽样，而不是100%的人口普查。
图2给出了拟合后的死亡率数据情况，其中左列为男性，右列为女性。第一行是对数据曲面的拟合情况（R2=0.92），第二行是时间维度不同年龄的死亡率情况（R2=0.97），第三行是年龄维度不同时间的死亡率（ R2=0.95）。
从R2看，拟合结果整体较好。特别地，对于不同年龄的时间维度拟合效果相对较弱，这是受数据集的影响，因为2010年和2000年为普查数据，而其他时间样本为抽样数据，抽样数据获得的模型参数对普查数据的拟合有一定偏差 ，曲面拟合也受到此原因影响，这是本文需要进一步改进的地方。
从图2中可以看到，随着时间的增加，各年龄段的死亡率整体上呈现下降趋势（第二行图），同时随着年龄的增加，死亡率上升，同时死亡率最高的年代时间是1994年和1996年（第三行图）。
为了更好地度量长寿风险并对未来死亡率进行预测，我们需要对死亡率[kt]进行时间序列建模并预测，这里我们采用的时间序列模型是ARIMA（0，1，0）。具体的区间预测结果如图3所示。
上图2中给出死亡率逐渐降低的过程，并根据其结果，重新利用双线性模型，能够得到未来人口在2011—2020年的死亡率预测，该结果如图4所示。
需要特别提到的是，在我们使用的数据中，2000年和2010年的数据是通过人口普查得到的，其他年份的数据是通过百分之一人口抽样调查获得的，很显然普查数据比抽样数据更可靠，这也表现在数据拟合时，结果会有一定的波动。如何利用普查数据进行抽样数据调整，这是本文需要进一步完善的地方。
从预测结果看，各年龄段的人口死亡率都呈现了逐步降低的过程，而且这种降低的趋势并没有减缓，这也预示着长寿风险将长期存在。具体到各年龄段可以发现，死亡率降低水平在不同年龄人群之间存在差别，例如青少年人群（10—19岁）死亡率改善情况相对老年人（50—60岁）要低一些，而高龄老人（80岁以上）的死亡率改善则呈现很大波动性。
四、退休年龄与投资收益率分析
为了对个人账户平衡进行计算，我们用泊松Bootstrap方法来产生1000个未来死亡率样本并利用这些样本来模拟未来死亡率，该模拟包括所有年龄（男性是60—90岁，女性是55—90岁），时间是2011—2050年。泊松Bootstrap是一种随机再抽样方法。表1给出了60岁的人口未来预期余命的变化。
从表1可以看到，在2011年60岁男性的余命为24.18岁，但是到了2020年，余命变为25.74岁，该结果比历史数据总结出来的要快，这正是长寿风险中风险的含义。同样对于女性来说，60岁人口在2011年的平均余命为26.05岁，但到了2020年为27.18岁，从中还可以看到男女预期余命的差距在缩小。
在确定收益模式（DB）下，个人账户的平衡公式由（6）给出。
[PVactual=DB?splanωb-1t=0∞tpbvt=k=0b-a-1cω（1+g）k（1+i）b-a-kkpa]
（6）
在这里，a为进入养老年金系统的年龄；b为退休年龄；[splan]为退休后个人账户的替代率；[ωb-1]为在年龄b-1时候的工资；c为贡献率；g为工资增长率；i为投资收益率。根据当前的中国养老金现状，我们设定的参数为：c=8%，g=10%，i=4%，a=25， b=60（男性），b=55（女性）。
这样，通过Bootstrap方式得到的1000个死亡率抽样样本，我们可以计算出不同退休年龄下的替代率的点估计和区间估计（95%置信度），结果如表2所示。
从表2可以看到，在当前的状态下（当前参数设定下），个人账户在退休时候的替代率仅仅8%左右。为了进一步计算最佳退休年龄，我们设定特定的替代率，并由此计算对应的退休年龄。
同时，我们还注意到，如果个人账户替代率达到预定的10%，那么退休年龄至少要66岁，也就是说，在2015年如果男性退休年龄为66岁的话，个人账户的替代率满足10%左右的要求。
在考虑退休年龄的同时，我们也可以从另外一个角度分析，即研究公式中表示投资收益率的i，如果投资收益率上升的话，其退休后领取的年金增加，也可以提高替代率，因此投资收益率和退休年龄密切相关。下面我们将根据上述计算，设定替代率为10%左右，用Bootstrap方式模拟，来得到对应的关系。 首先设定投资收益率i为5%，来看一下男性在不同时间（年代）的退休年龄。结果如表3所示，此时个人账户替代率将保持在10%左右。
接下来设定投资收益率i为6%，计算结果如表4所示。可以看到，到2020年前，男性退休年龄无须提高，也能保持替代率为10%。
表5和表6分别给出了女性当投资收益率在5%和6%时的退休路径。
从表5、表6可以看到，如果在投资收益率为5%的情况下，女性的退休年龄大幅度增加，比目前的55岁提升了10岁多，只有这样才能保持个人账户的10%替代率。而即使在投资收益率变为6%的时候，退休年龄也需要从2013年开始调整，并从61岁开始。
如果要维持当前的女性退休年龄，我们可以计算出投资收益率大约为7%，表7给出了此时的女性退休年龄情况以及个人账户替代率。
由此可以看到，长寿风险给个人账户带来的压力方面，女性要比男性大得多。
当前我们实行的是男女统筹，在这种情况下，通过进行不同的退休年龄匹配，并考虑当前的政策环境，我们得到了比较合理的投资收益率是6.1%，其退休年龄和投资收益率的关系如表8所示。
综合计算和模拟结果，可以得出如下结果：
（1）当我们保持个人账户替代率为10%的目标的时候，男性可以在5%的投资收益率下，提升退休年龄到63岁（2020年）。该投资收益率与当前市场情况符合，可以认为此退休路径是可行的。
（2）女性的个人账户压力较大。当我们维持5%的投资收益率的时候，女性的退休年龄已经达到了65岁。如此快速的提升是不可行的。对此，只有提升投资收益率来进行弥补，计算表明投资收益率达到7%的时候，女性退休年龄可以逐步提升到56岁 。尽管这个结果与现在情况衔接较好（女性工人50岁退休，女性干部55岁退休），但该投资收益率已经超过市场险资的平均投资收益率（2015年，5%左右），综合考虑目前的货币政策，会有一定的实现难度。
（3）为了减少女性个人账户的压力，可以考虑男女统筹计算，我们进一步的计算表明，此时需要维持投资收益率在6.1%左右。与此相配合，男性退休年龄逐步过渡到62岁，而女性逐步过渡到60岁。
五、结论
本文利用泊松双线性模型来度量中国长寿风险，该方法比较好地避免了Lee-Carter模型所带来的共线性等问题；利用该模型，我们基于Bootstrap方法模拟未来的死亡率曲线，从而对个人账户平衡进行了计算，由此分析了不同退休年龄与投资收益率的组合。
从组合情况看，当我们维持5%的投资收益率，男性可以逐步延迟退休到63岁（到2020年）；而对女性来说，5%的收益率不足以抵消死亡率改善的效果，即使投资收益率达到7%，女性退休年龄仍然需要在2020年提升到56岁。
如果将男女统一起来解决女性个人账户压力，则需要维持的投资收益率为6.1%。如果考虑养老金未来入市，投资收益率达到6%以上，那么这个方案是可行的。
参考文献：
[1]Lee R D，and Carter L R.1992.Modeling and Forecasting US Mortality.Journal of the American Statistical Association，87（419）.
[2]Wilmoth J.R. 1993.Computational methods for fitting and extrapolating the Lee-Carter model of mortality change. Berkeley：Technical report.
[3]Alho J.M. Discussion of Lee. 2000.North American Actuarial Journal，4（1）.
[4]Renshaw A E，Haberman.2006. A cohort-based extension to the Lee-Carter model for mortality reduction factors. Insurance：Mathematics and Economics，41.
[5]Zhang Ning.2012. The modified mortality decomposition model and its application in the China longevity risk analysis，ICCIA12.
[6]Zhang Ning.2012. Introduction and computation of longevity risk index based on mortality rate decomposition model，Springer Communications in Computer and Information，289.
[7]Zhang Ning.2010. Research about option’s risk and price in China stock market based on non-linear HHT signal analysis in Matlab，ITMS Signal process.
[8]Renshaw，A E，Haberman.2008. On simulation-based approaches to risk management in mortality with specific reference to Poisson Lee-Carter modeling. Insurance：Mathematics and Economics，42.
[9]Brouhns N，Denuit M.，Vermunt J.K. 2002. A Poisson log-bilinear approach to the construction of projected life tables[J].Insurance：Mathematics and Economics，31（3）.
[10]Brouhns N，Denuit M.，Keilegom Van I.2005. Bootstrapping the Poisson log-bilinear model for mortality forecasting[J].Scandinavian Actuarial Bulletin，2.
[11]王积全. 基本养老保险个人账户基金缺口实证研究[J].甘肃社会科学，2005，（3）.
[12]罗良清，王茶香.个人账户中养老金给付精算分析[J].统计与决策， 2005，（5）.
[13]潘春雷.性别差异对我国基本养老保险基金平衡影响的精算分析[D].吉林大学硕士论文，2007.
[14]顾文.人口老龄化背景下我国养老保险体系的精算测评[D].复旦大学硕士论文，2010.
[15]黄顺林，王晓军.加入出生年效应的死亡率预测及其在年金系数估计中的应用[J].统计与信息论坛，2010，（5）.
[16]张宁.死亡率分解模型及其在长寿分级基金构建中的应用[J].保险研究，2015，（2）.