《British Actuarial Journal》：The Big Pitch 2026: shaping the future of health and care research
编辑推荐：
摘要：本内容暂无摘要。鉴于可获取本内容，本页提供完整 HTML 内容。也可通过“Save PDF”操作按钮获取本内容的 PDF 版本。
说明性注释：本讨论稿是 IFoA（Institute and Faculty of Actuaries，精算师协会）于 20
摘要：本内容暂无摘要。鉴于可获取本内容，本页提供完整 HTML 内容。也可通过“Save PDF”操作按钮获取本内容的 PDF 版本。
说明性注释：本讨论稿是 IFoA（Institute and Faculty of Actuaries，精算师协会）于 2026 年 3 月 18 日星期三在伦敦 Staple Inn 举行的“Big Pitch”活动的记录。该年度活动中，IFoA 会员提出大胆、前瞻性的想法，以应对健康与护理领域的最大挑战。同一活动上宣读了 3 篇独立论文，每篇论文后均设有 Q&A（问答）环节。这些论文分别发表于 British Actuarial Journal。
论文解读：The Big Pitch 2026 健康与护理研究
研究背景方面，Nicky Draper（Hon. F.I.A.）指出，英国国家卫生服务（National Health Service, NHS）正面临庞大改革压力。至少四分之一人口患有一种长期健康问题，该群体约占 NHS 支出的三分之二；需求不仅增加，而且集中并持续。人们期望护理更加数字化、连续化，但结果并未同步改善。Covid 19 对人口健康及卫生系统产生深远影响。英国卫生支出已达到经济合作与发展组织（Organisation for Economic Co-operation and Development, OECD）平均水平，但结果总体恶化。NHS 占日常政府支出高达 38%，预计未来接近 40%。政府以 Darzi Review 提出的三个方向为核心：从治疗疾病转向预防，从医院转向社区，从模拟系统转向数字系统，并期望三者在 2035 年前共同、规模化发生。NHS 计划多次提及精算能力，特别是人群风险建模、长期财务可持续性、预防健康投资及数据科学与预测分析。三个报告分别探讨预测与解释、今天与明天、理性假设与人类行为之间的平衡。
研究人员开展的研究包括三项。Ankit Nanda 提出以行为经济学为基础的预防干预评估框架；Paul Klumpes 以代际会计评估 NHS Trusts 的长期可持续性；Michiel Luteijn、Jacky Tam 与 Fiona Fan 则倡导用机器学习增强传统精算模型。其结论是：长期、跨人群的风险视角对健康与护理决策至关重要，精算方法可将复杂且难以观察的不确定性转化为决策信息。
关键技术方法（不超过250字）：Nanda 使用行为经济学原则与行为调整因子（Behavioural Adjustment Factor, BAF）四组件框架，引用美国疾病管理研究、生活方式管理研究以及 Better Blood Pressure 研究；Klumpes 使用 Laurence Kotlikoff 等提出的代际会计（Generational Accounting）模型，按英格兰区域、性别和年龄建模，样本为 Manchester 与 Newcastle 的 NHS Trusts，使用当前年度运营现金流和净资产，采用风险调整成本资本率，设置五个代际 cohort，并做 50 年投影，人口数据至 2048；ML 组使用美国精算师协会 Individual Life Experience Committee 维护的公开数据集，含超过 25 万条寿险索赔，以广义线性模型（generalised linear model, GLM）与 XGBoost 构建混合模型，并使用 SHapley Additive exPlanations（SHAP）。Leicestershire NHS Mental Health Trust 参与 Klumpes 研究讨论。
研究结果方面，首先在“核心行为原则”中，Nanda 指出三种可被利用的行为偏差：现时偏差、损失厌恶和现状偏差。在“覆盖-效能前沿”中，奖励型干预覆盖率高，可达约 90%，但撤销激励后效果明显下降；押金型干预参与率较低但效能高；价值导向保险设计（Value-Based Insurance Design, VBID）共付额降低可实现 100% 自动覆盖并降低非依从性；疾病管理对糖尿病、哮喘等慢性病有效；英国孕妇吸烟者代金券研究显示激励可显著降低风险。在“疾病管理 vs 生活方式管理”中，美国一项接近随机对照试验（Randomised Controlled Trial, RCT）的倾向匹配研究发现，疾病管理投资回报率（return on investment, ROI）接近 4:1，而生活方式管理 ROI 不成立。在“BAF 框架”中，BAF 由 reach、efficacy、translation、durability 四部分构成，采用乘法结构；某一部分为零则整体失效。在“3 年规则与耐久性”中，研究人员认为索赔下降需要时间，过短时间窗口可能产生假阴性。在“BAF 置信区间”中，疾病管理 BAF 区间为 0.79–0.93，戒烟区间不跨越 1，生活方式 wellness 区间为 0.95–1.05、中位数为 1，故若以 ROI 为目标则后者不达标。在“工作示例：高血压”中，Better Blood Pressure 研究覆盖约 90%，依从性从 34% 升至 71%，但索赔未显著下降，说明 translation 参数关键。伦理框架强调透明与分层 BAF 报告；金融行为监管局（Financial Conduct Authority, FCA） duty 被提及。试点路线图为：6 个月可行性阶段，成本 40,000–60,000 英镑；阶段 2–4 为单一保险人试点、多保险人 consortium 和长期随访。局限性包括美国来源数据、耐久性不确定性、RCT 样本可能不代表性、乘法结构简化及选择偏差。未来研究拟使用英国索赔数据并推动 IFoA 专业指南。Nanda 还提到美国 Centers for Medicare & Medicaid Services（CMS）趋势率中医疗约 4–5%，Rx 约 10.7%，并认为心理健康与预防是下一前沿。
Klumpes 的研究以“代际账户”为核心。NHS England 绩效指标被指偏短期操作、可被操纵且分数方向相反。代际会计方程左侧为现有世代和/或未来世代索取者，右侧为政府资助服务及未来现金流投影。样本 Manchester 与 Newcastle 均为大学医院 Trusts，均有净赤字，位于绩效指标中段，并面临年龄相关护理需求和社会剥夺。在“预测老年抚养比”中，东北部高于全国平均，西北部低于全国平均。在“按现有代际 cohort 的代际失衡”中，老年 cohort 为负账户，Gen X、Gen Y、Gen Z 为净贡献；Manchester 与 Newcastle 均呈负账户，当前世代消耗 42% 和 46%，未来世代支付更多，显示 NHS Trusts 不可持续。研究贡献包括：用标准分析模型提供数字背景、引入代际公平、推导社会投资回报（Social Return on Investment, SROI）指标。建议包括扩展会计与问责、采用代际账户、推动 SROI、关注代际公共政策；研究人员曾试图推动 Taskforce on Inequality and Social-related Financial Disclosures（TISFD），但未获 Sustainability Board 同意。Q&A 中，Klumpes 指出 NHS 养老金基金严重资金不足，每年缴款仅为所需约 50%；认为 NHS Trusts 应接受正式精算评估以验证持续经营假设；还指出模型未考虑区域迁移，技术变革影响外生且模糊，NHS Trusts 缺乏可靠人口数据，且 50 年投影受数据限制。
Luteijn、Tam 与 Fan 的报告围绕“打破黑箱”。Luteijn 引用 Leo Breiman 提出的两种数据建模文化：数据建模文化使用 GLM、Cox 生存模型等；算法建模文化使用黑箱模型并追求预测精度，但透明度下降。其主张使用树基模型增强 GLM，并认为在表格数据上梯度提升树可优于神经网络。研究使用美国精算师协会 Individual Life Experience Committee 的公开寿险数据集，目标为死亡率，并以生命年暴露量作 offset。在“混合建模谱”中，Tam 介绍三种方法：自动化混合工作流为 GLM 加 XGBoost 残差模型；半自动化方法由 XGBoost 检测交互项，再由精算判断纳入；手动混合工作流为 XGBoost 引导的传统 GLM，并使用 SHAP。在“完全透明——交互重要性”中，XGBoost 检测出 11 个交互项，可排序并纳入模型。在“完全透明——部分依赖”中，按 duration 与 face amount 观察到，保额低于 100,000 时风险随 duration 增加更慢。在“混合谱”中，Tam 提出五个选择因素：life exposure、stationarity、claim frequency、data richness、regulatory scrutiny；监管审查越高越应选择手动方法。Fiona Fan 指出当前健康数据更高频、高维、混乱、非结构化，来自可穿戴设备、聚合平台和 NHS 医院数据；体重指数（Body Mass Index, BMI）和 NHS 等待时间等呈非线性。她将传统 GLM 比作经典汽车，黑箱模型比作无人驾驶汽车，混合模型比作混合动力汽车：保留建模者选择，治理与文档基本不变，完全透明并节省时间。结论是研究人员“可以拥有蛋糕并吃掉它”，即用 ML 增强而非取代 GLM。
讨论部分及结论翻译：Q&A 涉及 BAF 中 translation 的测量困难、发表偏倚、筛查与过度诊断、跨 Trust 迁移、健康技术、NHS 养老金、持续经营、代际行为差异、50 年与 10 年时间框架、区域分配公式以及 NHS 数据可及性。活动结束时，观众以微弱优势投票支持 Ankit Nanda 的第一篇报告为最值得进一步研究的话题。投票十分接近，主持人表示这反映了三篇报告的高质量。他感谢所有报告人的辛勤工作和回答问题。
