Koninklijk Actuarieel Genootschap PROGNOSE - TAFEL AG 2018
PROGNOSETAFEL AG2018 12 september 2018 1
colofon Uitgave Koninklijk Actuarieel Genootschap, Groenewoudsedijk 80, 3528 BK Utrecht telefoon: 030 686 61 50, website: www.ag-ai.nl Vormgeving Stahl Ontwerp, Nijmegen Druk Selection Print & Mail, Woerden Prognosetafel AG2018 2
1 VOORWOORD De levensverwachting in Nederland is de laatste 50 jaar gestaag toegenomen. Deze tendens heeft grote impact op de samenleving. Voor pensioenfondsen en levensverzekeraars is het van belang continu inzicht te hebben in deze ontwikkeling om gedane beloften na te kunnen komen. Het Koninklijk Actuarieel Genootschap (AG) ziet het als zijn rol de financiële sector inzicht te verschaffen in deze ontwikkelingen met behulp van prognosetafels. De nieuwe Prognosetafel AG2018 is gebaseerd op hetzelfde model dat de basis vormde voor de Prognosetafel AG2016. Het is een volledig transparant model met een beperkt aantal parameters zodat het goed uitlegbaar en exact na te bouwen is. Dit sluit aan bij de doelstelling van het AG om kennis beschikbaar te stellen én toepasbaar te maken voor de financiële sector. In deze publicatie gaat de AG-Commissie Sterfte Onderzoek (CSO) nader in op de totstandkoming en uitkomsten van de Prognosetafel AG2018. Als voorzitter van het AG ben ik veel dank verschuldigd aan de leden van de CSO en aan de leden van de Werkgroep Prognosetafels voor het vele goede werk dat is verricht. Namens het bestuur van het AG, drs. Ron van Oijen AAG voorzitter Prognosetafel AG2018 Voorwoord 3
Prognosetafel AG2018 4
2 VERANTWOORDING Commissie Sterfte Onderzoek Het volgen van de ontwikkeling van sterfte in Nederland en het prognosticeren hiervan, is sinds jaar en dag een belangrijke taak van het AG. Dit komt tot uiting in de lange reeks van periode- en prognosetafels die het AG heeft gepubliceerd. In 2011 heeft het bestuur van het Koninklijk Actuarieel Genootschap (AG) de Commissie Sterfte Onderzoek (CSO) ingesteld met de opdracht tweejaarlijks een nieuwe prognosetafel uit te brengen voor de inschatting van de toekomstige levensverwachting van de Nederlandse bevolking. In 2014 is een model geïmplementeerd dat, naast de sterfteprognose, ook de onzekerheid daarin weergeeft (een zogenaamd stochastisch model). Dit leidde tot de publicatie Prognosetafel AG20141. De Prognosetafel AG2016 is gebaseerd op hetzelfde model als de Prognosetafel AG2014 met een aantal wijzigingen in de gebruikte data en de schattingsmethode. In het bijzonder werd rekening gehouden met de correlatie tussen de sterfteontwikkelingen van mannen en vrouwen. Na het verschijnen van de Prognosetafel AG2016 is een aantal zaken nader onderzocht, maar dit heeft niet geleid tot aanpassingen in het model. De CSO bestaat uit leden met een wetenschappelijke achtergrond, leden uit de pensioenen verzekeringssector met een technische achtergrond en leden uit deze sectoren met een beleidsmatige achtergrond. De CSO bestaat medio 2018 uit de volgende leden: B.L. de Boer AAG, voorzitter drs. C.A.M. van Iersel AAG CERA, secretaris prof. dr. B. Melenberg drs. J. de Mik CFA AAG dr. H.J. Plat AAG RBA drs. E.J. Slagter FRM prof. dr. ir. M.H. Vellekoop ir. R.E.J.M. Waucomont AAG ir. drs. M.R. van der Winden AAG MBA Werkgroep Prognosetafels De CSO heeft eind 2012 de AG-werkgroep Prognosetafels ingesteld met de opdracht de CSO te ondersteunen bij het ontwikkelen van de prognosetafels. De werkgroep bestaat medio 2018 uit de volgende leden: W.G. Ouburg MSc AAG FRM (voorzitter) F. van Berkum PhD drs. K.K. Keijzer AAG M.J.A. Klein MSc AAG ir. drs. J.H. Tornij W. van Wel MSc M. van der Werf MSc AAG M.A. van Wijk MSc AAG K. Wittekoek MSc 1 – Prognosetafel AG2014 van 9 september 2014. Prognosetafel AG2018 De werkgroep heeft in het kader van haar opdracht diverse analyses uitgevoerd om tot de Prognosetafel AG2018 te komen. Deze analyses hebben het inzicht vergroot, maar niet tot aanpassingen in het model geleid. De CSO heeft de Prognosetafel AG2018, zoals vastgesteld door de werkgroep, gevalideerd. Verantwoording 5
Prognosetafel AG2018 6
3 INHOUDSOPGAVE 1 Voorwoord –3 2 Verantwoording –5 3 Inhoudsopgave –7 4 Samenvatting –8 5 Inleiding Prognosetafel AG2018 –10 5.1 Waarom maakt het AG een projectiemodel van sterftekansen? – 10 5.2 Hoe werkt het model? – 10 5.3 Wat is er gebeurd sinds het verschijnen van Prognosetafel AG2016? – 11 5.4 Definities van de levensverwachting – 11 5.5 Publicatie prognosetafels op de website van het AG – 11 6 Sterftedata en modelaannames –12 6.1 Nederlandse en Europese sterftedata – 12 6.2 Modelaannames – 15 6.3 Onderzoek – 17 6.4 Samenvatting wijzigingen en onderzoek Prognosetafel AG2018 – 18 7 Onzekerheid –19 7.1 Onzekerheid in parameters – 19 7.2 Effect van modelkeuze – 20 7.3 Alternatieve parametrisering van het model – 21 7.4 Tijdsconsistentie – 21 8 UITKOMSTEN –22 8.1 Waarnemingen ten opzichte van Prognosetafel AG2016 – 22 8.2 Van AG2016 naar AG2018 – 23 8.3 Toekomstige cohortlevensverwachting – 24 8.4 Prognose in perspectief – 24 8.5 Koppeling levensverwachting op 65 jaar en pensioenleeftijd in 1e en 2e pijler – 25 8.6 Effecten op voorzieningen – 27 9 Toepassingen van het model –29 9.1 Simulaties voor de levensverwachting – 30 9.2 Simulaties voor de verplichtingen – 31 9.3 Simulaties voor de levensverwachting over 1-jaars horizon – 33 9.4 Simulaties voor de best estimate over 1-jaars horizon – 35 10 Appendices –37 Appendix A – Technische beschrijving van het model – 38 Appendix B - Modelportefeuille – 47 Appendix C – Literatuur en gehanteerde data – 49 Appendix D – Verklarende woordenlijst – 51 Prognosetafel AG2018 Inhoudsopgave 7
4 SAMENVATTING Met de publicatie van de Prognosetafel AG2018 presenteert het AG zijn meest recente inschatting van de toekomstige sterfte voor de Nederlandse bevolking. Deze inschatting is gebaseerd op zowel Nederlandse sterftedata als sterftedata van Europese landen met een vergelijkbare welvaart als in Nederland. De Prognosetafel AG2018 vervangt de Prognosetafel AG2016. De belangrijkste kenmerken van de Prognosetafel AG2018 zijn: • De Prognosetafel AG2018 is gebaseerd op een stochastisch model, waardoor het voor pensioenfondsen en levensverzekeraars mogelijk is ook de onzekerheid rondom de prognose in te schatten. Dit is belangrijk bij de prijsstelling van financiële derivaten en de bepaling van aan te houden buffers in relatie tot sterfteonzekerheid. • De Prognosetafel AG2018 is, naast de historische sterfte in Nederland, ook gebaseerd op de sterfte in een aantal Europese landen met een vergelijkbare welvaart. Deze combinatie van data zorgt voor een stabiel model dat minder gevoelig is voor incidentele Nederlandse afwijkingen in een bepaald jaar. • Met de Prognosetafel AG2018 kan een inschatting van de sterfte worden gegeven die ver in de toekomst ligt. Het is mogelijk in de berekening van levensverwachtingen en voorzieningen rekening te houden met de verwachte toekomstige ontwikkeling van de sterfte. Omdat de specificatie van het model niet is gewijzigd, is de verandering in Prognosetafel AG2018 ten opzichte van Prognosetafel AG2016 geheel het gevolg van het toevoegen van nieuwe sterftedata voor Nederland en Europa. De afgelopen twee jaren lieten met name de hogere leeftijden meer sterfte zien dan verwacht op basis van Prognosetafel AG2016. Dit verklaart de afname van de verwachte stijging van de levensverwachting op basis van Prognosetafel AG2018 in vergelijking met Prognosetafel AG2016. Levensverwachting bij geboorte in 2019 Periodelevensverwachting Cohortlevensverwachting op basis van AG2016 Cohortlevensverwachting op basis van AG2018 Afname Tabel 4.1 Levensverwachting bij geboorte Conclusie is dat Nederlanders nog steeds ouder worden, maar dat de verwachte toename is afgenomen in vergelijking met Prognosetafel AG2016. Op basis van de laatste inzichten bedraagt de levensverwachting van een meisje, dat in 2019 wordt geboren, 92,5 jaar en Prognosetafel AG2018 Samenvatting 8 man 80,6 90,4 90,0 0,4 vrouw 83,9 93,3 92,5 0,8
van een in 2019 geboren jongen, 90,0 jaar. Dit zijn zogenaamde cohortlevensverwachtingen; deze houden rekening met verwachte toekomstige sterfteontwikkelingen. Naar verwachting stijgt de levensverwachting van jongens en meisjes die over 50 jaar worden geboren verder met circa 4 jaar. De afname van de levensverwachting, zoals vermeld in tabel 4.1, ligt binnen aanvaardbare statistische grenzen van de Prognosetafel AG2016 en is niet extreem. Dat Nederlanders steeds ouder worden is ook te zien aan de cijfers in tabel 4.2. Levensverwachting in 2019 op basis van Prognosetafel AG2018 0-jarige 65-jarige verschil mannen 90,0 85,3 4,7 vrouwen 92,5 88,1 4,4 Tabel 4.2 Cohortlevensverwachting voor leeftijden 0 en 65 op basis van AG2018 De verwachting is dat een nu 0-jarige jongen 4,7 jaar ouder wordt dan een nu 65-jarige man. Voor vrouwen bedraagt het verschil 4,4 jaar. Pensioenfondsen en verzekeringsmaatschappijen kunnen de Prognosetafel AG2018 gebruiken voor het vaststellen en toetsen van hun technische voorzieningen en premies. De effecten zullen niet voor alle portefeuilles hetzelfde zijn. Met name de samenstelling naar leeftijd en geslacht bepaalt de effecten voor een specifieke portefeuille. In zijn algemeenheid kan worden gesteld dat bij een rekenrente van 3% bij portefeuilles met relatief veel mannen, de technische voorzieningen eind 2018 ongeveer 0,9% zullen afnemen en dat bij portefeuilles met relatief veel vrouwen de technische voorzieningen ongeveer 1,2% zullen afnemen. Op geaggregeerd niveau is de Prognosetafel AG2018 in termen van voorzieningen lichter dan de Prognosetafel AG2016. Indien de Prognosetafel AG2018 gebruikt zou worden voor de eerstvolgende vaststelling (eind 2018) van de AOW-leeftijd voor het jaar 2024, dan is op basis van de huidige wetgeving de verwachting dat de AOW-leeftijd in 2024 ongewijzigd blijft op 67 jaar en 3 maanden, maar in de jaren erna door zal stijgen tot 68 jaar in 2029. Prognosetafel AG2018 Samenvatting 9
5 INLEIDING PROGNOSETAFEL AG2018 Met de publicatie van de Prognosetafel AG2018 presenteert het AG een inschatting van de verwachte ontwikkeling van de overlevingskansen en de levensverwachting in Nederland. Deze inschatting is gebaseerd op de meest recente sterftegegevens in Nederland en in Europese landen met een vergelijkbaar welvaartsniveau. Het resultaat is een prognose van sterftekansen per leeftijd per toekomstig jaar voor mannen en vrouwen. Deze inleiding beschrijft waarom en voor wie de prognose wordt gemaakt, hoe het model werkt en welke werkzaamheden zijn uitgevoerd sinds het verschijnen van de Prognosetafel AG2016. 5.1 Waarom maakt het AG een projectiemodel van sterftekansen? Het AG publiceert tweejaarlijks een prognosemodel waarmee de ontwikkeling van de sterftekansen van de Nederlandse bevolking kan worden geprognosticeerd. Dit model is relevant voor pensioenfondsen en levensverzekeringsmaatschappijen. Het prognosemodel is nodig voor de bepaling van de voorzieningen die pensioenfondsen en verzekeraars aanhouden. Zo worden bijvoorbeeld pensioenen uitgekeerd zolang de deelnemer of verzekerde leeft en dan is het van belang te weten hoe lang deze persoon naar verwachting nog zal leven. Het AG bundelt expertise uit de wetenschap en de pensioen- en verzekeringswereld om deze sterfteprognose te kunnen maken. Het AG-model is volledig transparant: op basis van de modeldocumentatie en de gebruikte data kan het model worden nagebouwd en kunnen uitkomsten worden gereproduceerd. Het AG heeft dit model ontwikkeld voor de gehele sector en daarom draagt het model bij aan uniformiteit in de markt. 5.2 Hoe werkt het model? Sinds de publicatie van Prognosetafel AG2014 zijn de prognoses gebaseerd op een stochastisch model. Hierdoor kan een beeld worden gegeven van de onzekerheid in de ontwikkeling van de levensverwachting. Het model maakt eerst een projectie van de Europese sterfte in landen met een welvaart die vergelijkbaar is met de Nederlandse welvaart. Dit gebeurt door Europese trends uit het verleden door te trekken naar de toekomst. Vervolgens wordt een projectie gemaakt van het verschil tussen deze Europese sterfte en de sterfte in Nederland. Door de Europese trend mee te nemen zijn er veel data beschikbaar. Dit zorgt voor een stabiele prognose van de toekomstige levensverwachting. Bij de gekozen aanpak is de huidige inschatting dat in de toekomst de levensverwachting blijft toenemen. De beweging van de levensverwachting is de optelsom van zaken die de levensverwachting (positief of negatief) beïnvloeden. We houden er rekening mee dat er steeds nieuwe ontwikkelingen kunnen zijn die een verdere stijging van de levensverwachting mogelijk maken. Dit kunnen bijvoorbeeld medische en technologische ontwikkelingen zijn, of ontwikkelingen die te maken hebben met levensstijl en de leefomgeving. De sterfteontwikkelingen die we in het verleden hebben gezien hadden ook meerdere oorzaken, zoals bijvoorbeeld wijzigingen in rookgedrag, de verbetering in de behandeling en preventie van hart- en vaatziekten en een toenemende aandacht voor een gezonde levenswijze. Prognosetafel AG2018 Inleiding 10
5.3 Wat is er gebeurd sinds het verschijnen van Prognosetafel AG2016? Het model is niet veranderd: er zijn geen wijzigingen doorgevoerd in de modelspecificatie. De wijzigingen in de prognose AG2018 ten opzichte van AG2016 zijn uitsluitend het gevolg van het toevoegen van sterftedata over de afgelopen twee jaar aan de dataset die de basis vormde voor de Prognosetafel AG2016 en het opschuiven van het startjaar van 2016 naar 2018. Er is wel onderzoek gedaan naar een aantal aannames. Dit onderzoek wordt nader toegelicht in hoofdstuk 6. 5.4 Definities van de levensverwachting Een klassieke definitie van levensverwachting is de zogenaamde periodelevensverwachting. Deze periodelevensverwachting is gebaseerd op de sterftekansen in een bepaalde periode, bijvoorbeeld één kalenderjaar, en gaat ervan uit dat sterftekansen in de toekomst gelijk blijven. Bij de periodelevensverwachting worden voor de sterftekansen die je over 1 en 2 jaar nodig hebt, de sterftekansen van dit moment gebruikt. De periodelevensverwachting houdt dus geen rekening met toekomstige verwachte ontwikkelingen in de sterftekansen. Deze definitie wordt vaak gebruikt om ontwikkelingen in de tijd te kunnen vergelijken, maar kan absoluut niet worden gebruikt om in te schatten hoe lang mensen naar verwachting nog leven. De tweede definitie, de cohortlevensverwachting, houdt daarentegen wel rekening met verwachte toekomstige sterfteontwikkelingen. Wanneer de cohortlevensverwachting bij geboorte wordt berekend, zijn ook de sterftekansen nodig van een nu 0-jarige, een over 1 jaar 1-jarige, een over 2 jaar 2-jarige en zo verder. Bij de cohortlevensverwachting gebruik je voor de sterftekansen die je over 1 en 2 jaar nodig hebt, de sterftekansen die over 1 respectievelijk 2 jaar geprognosticeerd worden. De cohortlevensverwachting is dus gebaseerd op de verwachte ontwikkelingen van de sterftekansen in de komende kalenderjaren. Voor het vaststellen van de cohortlevensverwachting heb je een projectie van sterftekansen nodig. De cohortlevensverwachting is bij een verwachte daling van de sterftekansen dus hoger dan de periodelevensverwachting. Waar in deze publicatie de term levensverwachting staat vermeld, wordt de cohortlevensverwachting bedoeld. Waar nodig wordt expliciet benoemd welke definitie van levensverwachting wordt bedoeld. Op dit moment bedraagt de periodelevensverwachting bij geboorte 80,6 jaar voor mannen en 83,9 jaar voor vrouwen. De cohortlevensverwachting bedraagt 90 jaar voor mannen en 92,5 jaar voor vrouwen, wanneer uit wordt gegaan van de projectie van de sterftekansen op basis van de Prognosetafel AG2018. De cohortlevensverwachting is hoger omdat we verwachten dat de sterftekansen af zullen nemen in de toekomst. De hoogte van de AOW-leeftijd wordt bepaald op basis van een projectie van het CBS. Met de meest recente inzichten vanuit het AG, dat gebruikt maakt van een eigen model en de meest recente beschikbare data, is de verwachting dat in 2029 de AOW-leeftijd 68 jaar zal bedragen. Dat is één jaar eerder dan op basis van de meest recente CBS-prognose kan worden afgeleid (2030). 5.5 Publicatie prognosetafels op de website van het AG Het AG heeft de prognosetafel AG2018, met daarin de technische beschrijving van het prognosemodel, gepubliceerd op haar website, zie www.ag-ai.nl/ActuarieelGenootschap/Publicaties. Ook staan daar Excelsheets met de datasets die gebruikt kunnen worden om de schattingen van de parameters in het model te reproduceren. Prognosetafel AG2018 Inleiding 11
6 STERFTEDATA EN MODELAANNAMES 6.1 Nederlandse en Europese sterftedata Het huidige Prognosemodel AG2018 is gelijk aan het Prognosemodel AG2016. Dit betekent dat, naast de sterfte in Nederland, gebruik wordt gemaakt van gegevens over de sterfteontwikkeling in een aantal andere Europese landen. Vanaf 1970 is duidelijk waar te nemen dat de verschillen in sterftekansen tussen deze Europese landen afnemen. Daarnaast laat de periodelevensverwachting in deze landen decennialang een vergelijkbare stijgende trend zien. Zie hiervoor de grafieken 6.1 en 6.2. Vanwege deze duidelijke overeenkomsten is ervoor gekozen de Nederlandse projectie mede te baseren op de ontwikkelingen in deze Europese landen. Zo wordt voorkomen dat de prognose uitsluitend afhankelijk is van Nederlandse data waarin in het verleden mogelijk specifieke fluctuaties zijn opgetreden die niet noodzakelijkerwijs iets zeggen over toekomstige ontwikkelingen. De inschatting is dat de langetermijntoename van de levensverwachting in Nederland nauwkeuriger te voorspellen is door een bredere Europese populatie mee te nemen. Hierdoor neemt namelijk het aantal waarnemingen sterk toe: van ruim 100.000 overlijdensgevallen per jaar in Nederland tot ruim 2.000.000 overlijdensgevallen per jaar voor de gehanteerde Europese landen. Hierdoor ontstaat een robuuster model. De verwachting is dat de opeenvolgende prognoses stabieler zijn dan wanneer alleen uit zou worden gegaan van Nederlandse data. Europese sterftedata Het prognosemodel maakt gebruik van Europese sterftedata van landen waarvan het Bruto Binnenlands Product (BBP) boven het Europese gemiddelde ligt. Het BBP wordt gezien als een maat voor de welvaart in een land. Er is een positieve relatie tussen welvaart en ouder worden: hoe hoger het welvaartsniveau, hoe ouder men wordt. Nederland behoort tot de landen waar het welvaartsniveau hoog is en waar het BBP boven het Europese gemiddelde ligt. Op grond van dit criterium zijn de sterftedata van de volgende Europese landen meegenomen: België, Denemarken, Duitsland, Finland, Frankrijk, Ierland, IJsland, Luxemburg, Noorwegen, Oostenrijk, Verenigd Koninkrijk, Zweden en Zwitserland. Waar in deze publicatie Europa of West-Europa wordt genoemd, worden de hiervoor genoemde landen bedoeld. Gegevensbereik Vanaf 1970 is een stabiele ontwikkeling te zien in de sterftekansen van zowel mannen als vrouwen (zie ook grafieken 6.1 en 6.2). Voor de modellering worden de gegevens over de waarnemingsperiode 1970 tot en met 2016 gebruikt. Voor Nederland zijn de meest recente sterftekansen uit 2017 beschikbaar en daarom toegevoegd. Met het gekozen tijdvak worden historische gegevens over een periode van 47 jaar (vanaf 1970) gebruikt. Prognosetafel AG2018 Sterftedata en modelaannames 12
Periodelevensverwachting bij geboorte mannen 60 65 70 75 80 85 1950 1960 1970 1980 1990 2000 2010 België Denemarken Frankrijk Nederland Zweden Ierland Noorwegen Zwitserland Duitsland IJsland Oostenrijk Finland Luxemburg Verenigd Koninkrijk Grafiek 6.1 Convergentie van periodelevensverwachting van een aantal Europese landen, 0-jarige mannen Periodelevensverwachting bij geboorte vrouwen 65 70 75 80 85 90 1950 1960 1970 1980 1990 2000 2010 België Denemarken Frankrijk Nederland Zweden Ierland Noorwegen Zwitserland Duitsland IJsland Oostenrijk Finland Luxemburg Verenigd Koninkrijk Grafiek 6.2 Convergentie van periodelevensverwachting van een aantal Europese landen, 0-jarige vrouwen Ten opzichte van de Prognosetafel AG2016 is twee jaar aan extra data aan de dataset toegevoegd. Voor Nederland zijn dat de sterftekansen over de jaren 2016 en 2017. Deze waargenomen sterftekansen in Nederland worden in grafieken 6.3 en 6.4 vergeleken met de destijds verwachte sterftekansen op basis van de Prognosetafel AG2016. De horizontale lijn op niveau 1 geeft de verwachting van het AG weer op basis van de Prognosetafel AG2016. Wanneer sprake is van meer overlijdensgevallen dan verwacht, dan liggen de gerealiseerde waarden boven deze lijn. Is sprake van minder sterfte dan liggen de sterftekansen onder deze lijn. De staafdiagrammen geven de daadwerkelijke aantallen sterftegevallen per leeftijd weer voor de jaren 2016 en 2017. Omdat de aantallen overlijdensgevallen lager zijn voor de lagere leeftijden, zien we daar meer volatiliteit in de uitkomsten. Prognosetafel AG2018 Sterftedata en modelaannames 13
Waargenomen/verwachte sterftekans, mannen 0,75 0,80 0,85 0,90 0,95 1,00 1,05 1,10 1,15 25 30 35 40 45 50 55 60 65 70 75 80 85 90 aantallen overlijdens 2016 realisatie/prognose 2016 2017 2017 Grafiek 6.3 Waargenomen sterfte gedeeld door verwachte sterfte op basis van AG2016, mannen Waargenomen/verwachte sterftekans, vrouwen 0,75 0,80 0,85 0,90 0,95 1,00 1,05 1,10 1,15 25 30 35 40 45 50 55 60 65 70 75 80 85 90 aantallen overlijdens 2016 realisatie/prognose 2016 2017 2017 Grafiek 6.4 Waargenomen sterfte gedeeld door verwachte sterfte op basis van AG2016, vrouwen Grafiek 6.3 laat zien dat bij mannen de waargenomen sterftekansen tussen 65 en 85 jaar lager zijn dan verwacht op basis van de Prognosetafel AG2016. Vanaf 85 jaar zijn deze hoger dan verwacht. Bij vrouwen is er vanaf 60-jarige leeftijd sprake van meer sterfte dan verwacht, zie grafiek 6.4. De hogere sterfte is onder andere het gevolg van meer overlijdensgevallen door griep. Tijdens het griepseizoen van 2016/2017 stierven in Nederland bijna 8.000 personen meer dan verwacht (Teirlinck et al., 2017). Het is waarschijnlijk dat deze ‘oversterfte’ samenhangt met de griep2. 2 – https://www. volksgezondheidenzorg. info/onderwerp/ influenza/cijferscontext/sterfte#nodesterfte-3 3 – https://www. cbs.nl/nl-nl/nieuws/ 2018/07/meersterfgevallen-inwintermaanden Prognosetafel AG2018 Niet alleen in Nederland is de sterfte door griep in recente jaren hoger dan gemiddeld, ook in andere Europese landen is dit het geval3. Een sterke toe- of afname van de sterfte in Nederland valt vaker samen met een sterke toe- of afname in andere Europese landen. Dit is terug te zien in de staafdiagrammen in figuur 6.1. Daarin staan de aantallen overlijdensgevallen per jaar voor Nederland en voor Europa. Te zien is dat voor mannen de sterfte in de jaren 2015 en 2016 in de leeftijdscategorie boven de 65 jaar hoger was dan in de jaren ervoor. Bij vrouwen is dit effect vooral te zien voor Nederland. 1.000 1.500 2.000 2.500 3.000 3.500 4.000 500 0 1.000 1.500 2.000 2.500 3.000 500 0 Sterftedata en modelaannames 14
aantal overlijdens aantal overlijdens Nederland, mannen (1.000) 10 15 20 25 30 35 0 5 0 tot 65 jaar 65 tot 80 jaar 80 t/m 90 jaar aantal overlijdens Europa, mannen (1.000) 100 200 300 400 500 600 700 0 0 tot 65 jaar 65 tot 80 jaar 80 t/m 90 jaar 2012 2013 2014 2015 2016 100 200 300 400 500 600 700 0 0 tot 65 jaar 65 tot 80 jaar 80 t/m 90 jaar Figuur 6.1 Aantallen sterftegevallen in Nederland en Europa voor de jaren 2012 – 2016 Bronnen voor data Voor de data is gebruik gemaakt van de Human Mortality Database (HMD) aangevuld met gegevens van Eurostat voor die jaren en landen waarvoor geen gegevens beschikbaar zijn in de HMD. Voor de Nederlandse data is voor het waarnemingsjaar 2017 gebruik gemaakt van gegevens van het CBS. Waar nodig zijn Eurostat-data aangepast om consistentie met de HMD te waarborgen. Dit speelt in 2016 bij sterftekansen voor overzeese gebieden van Frankrijk, zie appendix C. De informatie uit deze bronnen wordt regelmatig aangevuld en soms ook met terugwerkende kracht aangepast voor eerdere jaren. De gebruikte dataset, in de vorm van sterfteaantallen en exposures voor zowel Nederland als de totale groep van West-Europese landen, is terug te vinden op de website van het AG en bevat in totaal meer dan 100 miljoen overlijdensgevallen. 6.2 Modelaannames Belangrijkste uitgangspunten van het model • De ontwikkeling van de Nederlandse levensverwachting op lange termijn is gebaseerd op de waargenomen ontwikkeling van de levensverwachtingen in Europese landen met een BBP boven het Europees gemiddelde. • Er zijn geen aparte cohorteffecten (waaronder de effecten van rookgedrag) meegenomen, omdat dit de complexiteit van het model aanzienlijk vergroot. • Voor hoge leeftijden worden de sterftekansen geëxtrapoleerd met behulp van de methode van Kannisto. • Er is uitsluitend gebruik gemaakt van publiekelijk beschikbare gegevens. Het Prognosemodel AG2016 is gebruikt, waaraan alleen twee waarnemingsjaren zijn toegevoegd. Het Prognosemodel AG2018 is een multi-populatie sterftemodel zoals voorgesteld door Li en Lee met een tweetrapsaanpak om de benodigde parameters te schatten (zie appendix A). Daarbij wordt eerst per geslacht met het Lee-Carter model de Europese trend geschat. Vervolgens wordt opnieuw het Lee-Carter sterftemodel gebruikt om de afwijking van Nederland ten opzichte van de gezamenlijke trend weer te geven. Door het combineren van data uit verschillende, maar vergelijkbare landen ontstaat een robuuster model met stabielere trends en een geringere gevoeligheid voor de gebruikte Prognosetafel AG2018 Sterftedata en modelaannames 15 2012 2013 2014 2015 2016 10 15 20 25 30 35 0 5 0 tot 65 jaar 65 tot 80 jaar 80 t/m 90 jaar aantal overlijdens Europa, vrouwen (1.000) 2012 2013 2014 2015 2016 Nederland, vrouwen (1.000) 2012 2013 2014 2015 2016
kalibratieperiode. Bovendien houden we bij het schatten expliciet rekening met het feit dat we sterftekansen nooit precies kunnen observeren; we hebben alleen de beschikking over geobserveerde sterftefrequenties. Dit impliceert dus een zekere “meetruis” die we ook wel Poisson-ruis noemen in verband met de verdeling die we voor het aantal geobserveerde overlijdensgevallen veronderstellen. Het model voor de ontwikkeling van de sterftekansen is gebaseerd op vier stochastische processen: a) de ontwikkeling van sterfte in Europa voor mannen; b) de ontwikkeling van de afwijking van Nederlandse sterfte ten opzichte van Europa, voor mannen; c) de ontwikkeling van sterfte in Europa voor vrouwen; d) de ontwikkeling van de afwijking van Nederlandse sterfte ten opzichte van Europa, voor vrouwen. Voor de Europese ontwikkelingen a) en c) wordt een random-walk-met-driftmodel gehanteerd. Voor de Nederlandse afwijkingen b) en d) wordt een eerste orde autoregressief proces zonder constante gebruikt. Dit laatste betekent dat de Nederlandse sterfteontwikkeling naar verwachting op termijn de Europese trend volgt. De vier processen worden gezamenlijk geschat om ook de correlaties tussen de verschillende processen in te schatten. Voor de Europese sterfte zijn data tot en met 2016 beschikbaar, voor de Nederlandse sterfte zijn data tot en met 2017 beschikbaar. Voor het gezamenlijk kunnen schatten van de vier stochastische processen moeten alle processen worden gebaseerd op dezelfde historische dataperiode. Omdat alleen voor Nederland data over 2017 beschikbaar zijn en niet voor de Europese landen, is de Europese ontwikkeling voor 2017 bepaald middels extrapolatie van Europese data tot en met 2016 (zie appendix A). De onderlinge correlaties tussen de vier verschillende grootheden zijn in figuur 6.2 weergegeven. Europese mannen -0,27 (AG2016: 0,45) 0,45 Nederlandse afwijking mannen 0,93 0,40 -0,23 (AG2016: -0,21) Europese vrouwen 0,54 Nederlandse afwijking vrouwen Figuur 6.2 Onderlinge correlaties tussen ontwikkeling Europese sterfte en ontwikkeling Nederlandse afwijking, mannen en vrouwen Voor leeftijden boven de 90 jaar zijn relatief weinig waarnemingen. Dat kan leiden tot grote schommelingen in de schattingen van de sterftekansen. Daarom worden de sterftetafels ‘gesloten’. Hiermee wordt bedoeld dat voor hoge leeftijden de sterftekansen worden bepaald met behulp van een extrapolatiemethodiek. Net als bij de Prognosetafel AG2016 is bij Prognosetafel 2018 gekozen voor de methode van Kannisto. In appendix A is een volledige beschrijving van het gebruikte stochastische model opgenomen, inclusief de methode waarmee het model geschat is. In combinatie met de Prognosetafel AG2018 Sterftedata en modelaannames 16
op de AG-website beschikbaar gestelde dataset kan de Prognosetafel AG2018 exact worden gereconstrueerd. 6.3 Onderzoek 6.3.1 Smoothen van de tijdreeksen De laatst gefitte waarden uit de historische tijdreeksen (zie a) t/m d) in de vorige paragraaf) vormen het vertrekpunt voor de schatting van de Europese trend en de Nederlandse afwijking daarvan. Vooral een wijziging in het vertrekpunt voor de Europese trend is bepalend voor de prognosetafel. Voor verzekeraars en pensioenfondsen kan de impact van een update van de prognosetafel groot zijn. Het doel van smoothen is onnodige schommelingen in de voorzieningen van jaar op jaar te voorkomen. Smoothen van tijdreeksen is zinvol wanneer kan worden aangetoond dat aanpassingen in de prognose van jaar tot jaar een wisselend teken laten zien. Dat zou betekenen dat een stijging in het ene jaar vaak wordt gevolgd door en daling in het volgende jaar en andersom. Een risico van gladstrijken is dat een mogelijke trendbreuk pas op een later moment wordt onderkend. Er is onderzocht of het zinvol is de tijdreeksen te smoothen door een extra term toe te voegen aan de specificatie van de Europese trend. Deze zogenaamde moving average term zorgt ervoor dat de schok in de tijdreeksen voor een bepaald jaar gecorreleerd kan zijn met de schok in een vorig jaar. Daarmee kan ervoor gezorgd worden dat positieve schokken in de trend relatief vaak worden gevolgd door negatieve schokken en vice versa. De parameters voor dit moving average effect bleken zeer dicht bij nul te liggen. Daarom is ervoor gekozen het model niet onnodig complex te maken. Andere methoden om te smoothen zijn statistisch minder goed verdedigbaar. Bovendien moeten dan extra subjectieve keuzes gemaakt worden. De CSO heeft ervoor gekozen dit niet in de Prognosetafel AG2018 te implementeren. 6.3.2 Gevoeligheden model voor wijzigingen in de input De gevoeligheden van het model zijn in kaart gebracht, door te berekenen wat de gevolgen zijn van mogelijke wijzigingen in de input, zoals de invloed van nieuwe sterftedata, de geselecteerde landen en de lengte van de gebruikte dataset. Deze analyses geven geen aanleiding om de eerder gemaakte keuzes te wijzigen. Gevoeligheden model voor wijzigingen in de input – gehanteerde set landen Het blijkt dat de uitkomsten van het model in belangrijke mate worden bepaald door de drie grote landen: Duitsland, Frankrijk en het Verenigd Koninkrijk. Het verwijderen of toevoegen van andere landen heeft slechts een beperkte invloed op de uitkomsten. Gevoeligheden model voor wijzigingen in de input – startjaar 1970 Het startjaar 1970 is gehandhaafd. De redenen zijn: 1. De sterftedata van alle landen die worden betrokken in de modellering, zijn beschikbaar vanaf 1970. 2. Voor mannen lijkt rondom 1970 sprake van een trendbreuk: de sterfte daalt sneller doordat mannen stoppen met roken. Voor vrouwen is dat effect pas later zichtbaar. 3. Mannen en vrouwen worden gezamenlijk geschat, waarbij correlaties tussen mannen en vrouwen worden meegenomen. Voor mannen en vrouwen moet daarom dezelfde waarnemingsperiode gehanteerd worden. 4. Met startjaar 1970 zijn 47 waarnemingsjaren beschikbaar. Door het startjaar later te kiezen, neemt de hoeveelheid beschikbare data af. Prognosetafel AG2018 Sterftedata en modelaannames 17
6.4 Samenvatting wijzigingen en onderzoek Prognosetafel AG2018 Prognosetafel AG2016 Dataset met landen waarvan het BBP boven het Europese gemiddelde ligt. Dataset Europa tot en met 2014, geprognosticeerd voor 2015. Dataset Nederland tot en met 2015. Alle mogelijke correlaties tussen Europa en de Nederlandse afwijking en tussen mannen en vrouwen. Prognosetafel AG2018 Ongewijzigd. Dataset Europa tot en met 2016, geprognosticeerd voor 2017. Dataset Nederland tot en met 2017. Ongewijzigd in systematiek, waarden correlaties wijzigen wel. Prognosetafel AG2018 Sterftedata en modelaannames 18
7 ONZEKERHEID Het prognosemodel dat in deze publicatie gepresenteerd wordt, is gebaseerd op sterftedata uit het verleden. Trends die in de historische gegevens geobserveerd zijn, worden zo goed mogelijk doorgetrokken naar de toekomst. Omdat de toekomst onzeker is, zullen de waarden die in de komende jaren gevonden worden voor de daadwerkelijke sterftecijfers in Nederland afwijken van de best mogelijke inschattingen op dit moment. Het AG kiest ervoor ook die onzekerheid expliciet in kaart te brengen. De modelvergelijkingen in Appendix A nodigen uit niet alleen te werken met een vaste prognosetafel. Actuarissen kunnen ze gebruiken om middels simulatie stochastische scenario’s te genereren. Dat levert een collectie van mogelijke toekomstige paden van sterftekansen op, die vergelijkbaar zijn met scenario’s die gemaakt worden voor toekomstige rentecurven en beleggingsrendementen. Er zijn ook nog andere vormen van onzekerheid. De parameters in het prognosemodel worden geschat aan de hand van geobserveerde overlijdensgevallen, die een beperkte steekproef vormen. Dat impliceert dat er ook onzekerheid zal zitten in de geschatte parameters van het prognosemodel. Naast dit ‘parameterrisico’ besteden we hieronder ook aandacht aan onzekerheid over de juistheid van het gekozen model, het zogenaamde ‘modelrisico’. 7.1 Onzekerheid in parameters We veronderstellen dat het aantal overlijdensgevallen een Poissonverdeling heeft met een gemiddelde dat afhangt van de gemodelleerde trend. De geobserveerde aantallen overlijdensgevallen vormen een steekproef uit die verdeling. Dat roept de vraag op wat het effect is van de beperkte grootte van de steekproef op de te schatten parameters. Via Eurostat, de HMD en het CBS hebben we de beschikking over betrouwbare gegevens over aantallen overlijdensgevallen in het verleden. Omdat de parameters gebaseerd zijn op heel veel waarnemingen over meerdere jaren uit zowel Nederland als de rest van Europa, is de inschatting veel minder onzeker dan wanneer enkel naar een kleinere populatie gekeken zou zijn. Desalniettemin is het wenselijk het effect van het gebruik van een steekproef in kaart te brengen. De statistische methode die daarvoor gebruikt kan worden, de bootstrap, is gebaseerd op een zogenaamde resampling techniek. Daarbij worden voor een gegeven set parameters heel veel mogelijke overlijdensgevallen uit de bijbehorende Poissonverdeling gesimuleerd. Voor elk van die steekproeven wordt gekeken welke parameters gevonden zouden zijn als die steekproef voor de kalibratie van het model gebruikt zou zijn. Dit geeft inzicht in de onzekerheid van de gevonden parameterwaarden. Immers, als voor elk van de mogelijke steekproeven grofweg dezelfde parameters gevonden worden, is de invloed van de steekproef op de parameters gering. Als we juist veel variatie zien in de gevonden parameters die we zo genereren, dan is de parameteronzekerheid groot. Tabel 7.1 toont de resultaten van de bootstrapprocedure voor 10.000 samples voor het AG2018-model. Voor alle parameters zijn de 2,5%, 25%, 50%, 75% en 97,5%kwantielen weergegeven. Prognosetafel AG2018 Onzekerheid 19
Kwantiel ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ M V aM aV C11 C22 C33 C44 C21 C31 C32 C41 C42 C43 2,5% -2,44 -2,48 0,84 0,79 1,33 0,09 1,81 0,90 0,07 1,37 0,05 -0,93 0,10 -1,13 Tabel 7.1 Bootstrapresultaten Met behulp van tabel 7.1 kan een idee verkregen worden van de onzekerheid in de parameters die de tijdreeksen voor de Europese trend en Nederlandse afwijking beschrijven. Omdat deze waarden via simulaties verkregen zijn, kunnen de resultaten bij een nieuwe bootstrap net iets anders uitvallen. Over het algemeen liggen de medianen van de bootstrap resultaten dicht bij de best estimates van de parameters, maar niet altijd. Het valt met name op dat voor de parameters aM en aV, die de dynamica van de Nederlandse afwijking van de Europese trend beschrijven, wat lagere waarden worden gevonden. Parameteronzekerheid en Poisson-ruis zijn niet meegenomen in de betrouwbaarheidsintervallen die getoond worden in hoofdstuk 9. Als dit wel wordt meegenomen, zullen de betrouwbaarheidsintervallen in hoofdstuk 9 breder worden. Om bijvoorbeeld het 2,5% kwantiel van de gecombineerde onzekerheden te bepalen, gebruikt men dan niet de hier getoonde parameterwaarden voor het 2,5% kwantiel. Dat zou namelijk leiden tot een waarde die hoort bij het 2,5% maal 2,5% kwantiel, hetgeen 0,0625% bedraagt. 7.2 Effect van modelkeuze Bij de overgang naar een nieuw stochastisch model in 2014 zijn door de CSO en de werkgroep van destijds veel modellen met elkaar vergeleken. Alle in de actuariële praktijk of wetenschappelijke literatuur gangbare modellen van dat moment die ook maar enigszins plausibel leken, zijn in dit vergelijkend onderzoek meegenomen. Dit heeft geleid tot de keuze voor het huidige model. Het huidige model gaat ervan uit dat de geleidelijke verbeteringen in sterftekansen, die we de afgelopen decennia gezien hebben, zich ook in de toekomst voort zullen zetten en dat er geen plotselinge trendbreuken zullen zijn. Er zijn in de afgelopen decennia aan de ene kant grote successen behaald op medisch gebied en door onze gezondere leefgewoonten, terwijl er aan de andere kant zeer veel extra overlijdensgevallen te betreuren waren als gevolg van roken. Toch zien we ondanks deze belangrijke effecten steeds een relatief geleidelijke doorwerking in de geobserveerde sterftefrequenties. De CSO heeft er daarom voor gekozen om trendbreuken in het model niet expliciet te modelleren. Dit zou het model extra gecompliceerd maken. Bovendien zouden dan veel extra Prognosetafel AG2018 Onzekerheid 20 25,0% -2,20 -2,16 0,91 0,91 1,88 0,15 2,69 1,26 0,18 2,05 0,19 -0,60 0,19 -0,67 50,0% -2,08 -1,99 0,94 0,95 2,23 0,18 3,23 1,47 0,25 2,48 0,27 -0,43 0,24 -0,45 75,0% -1,95 -1,82 0,96 0,97 2,61 0,21 3,85 1,70 0,32 2,95 0,36 -0,28 0,31 -0,25 97,5% -1,70 -1,49 0,99 0,99 3,43 0,29 5,12 2,19 0,47 3,96 0,54 0,01 0,44 0,13
subjectieve aannames gemaakt moeten worden over toekomstige medische en andere mogelijke ontwikkelingen. Tegelijkertijd wijzen we erop dat ons model een stochastische scenariogenerator representeert. Wie extra scenario’s aan het model toe wil voegen om eigen overtuigingen over toekomstige ontwikkelingen mee te nemen, kan dat doen binnen de transparante huidige modelstructuur. De CSO kiest ervoor zich te blijven beperken tot inschattingen die gebaseerd zijn op publiekelijk beschikbare data en waarin geen extreme scenario’s meegenomen worden waar geen consensus over bestaat onder experts. 7.3 Alternatieve parametrisering van het model De modelbeschrijving die wij in appendix A geven, sluit aan bij wat gangbaar is in de actuariële literatuur. Daarbij wordt een unieke specificatie van parameters afgedwongen door te eisen dat de som over alle gefitte K’s en kappa’s gelijk is aan nul en de som over alle gefitte B’s en beta’s gelijk is aan één (1). Beide keuzes zijn historisch zo gegroeid, maar we hadden ook een andere keuze kunnen maken. Als men niet het gemiddelde van de kappa’s maar de eerste kappa nul kiest, leidt dit ook tot een unieke specificatie van parameters, maar dan hoeft men bij toevoeging van nieuwe datapunten niet steeds over een ander aantal punten te middelen. Dan worden waarden van de tijdreeksen over meerdere jaren makkelijker met elkaar te vergelijken. En als men de kwadraatsom van de beta’s gelijk neemt aan één in plaats van de som, hoeft men niet van tevoren aan te nemen dat beta’s altijd positief zijn. We benadrukken dat een andere keuze in deze normalisatiestappen tot parameterwaarden leidt die dezelfde modeluitkomsten beschrijven in ‘andere coördinaten’. Om aan te blijven sluiten bij de bestaande literatuur hebben we daarom de notatie consistent gehouden met die in de vorige publicatie. 7.4 Tijdsconsistentie Wanneer de best estimate voorspellingen van een eenmaal geschat model weinig afwijken van de realisaties die in de daaropvolgende jaren waargenomen worden, verwacht men dat de nieuwe inschatting van parameters weinig af zal wijken van de oude parameterwaarden. Die gewenste eigenschap van een schattingsprocedure wordt wel tijdsconsistentie genoemd. In werkelijkheid zullen ook bij precies uitgekomen best estimate prognoses niet exact dezelfde waarden gevonden worden voor de nieuwe parameters. Er zijn nu immers meer waarnemingen, er zijn extra aannames in onze specificatie van het model (zoals het ontbreken van een constante in het AR-proces voor de Nederlandse afwijking) en we herschalen bovendien de K- en kappa-waarden om ze gemiddeld op nul te houden. Desalniettemin betekent het toepassen van de maximum likelihoodmethode dat we kleine bijstellingen in parameters mogen verwachten wanneer nieuwe waarnemingen dicht bij eerder gemaakte prognoses liggen. Het is dan ook logisch dat de parameterwaarden van Prognosetafel AG2018 dicht bij die van Prognosetafel AG2016 blijken te liggen. Prognosetafel AG2018 Onzekerheid 21
8 UITKOMSTEN Dit hoofdstuk geeft de resultaten van de Prognosetafel AG2018. De resultaten worden vergeleken met die van de Prognosetafel AG2016. Aan de hand van een aantal voorbeeldfondsen is het effect op de hoogte van de voorzieningen doorgerekend. Met deze voorbeeldfondsen is het ook mogelijk een inschatting te maken van het effect voor andere pensioenfondsen. Daarnaast wordt de AG2018prognose afgezet tegen de historische ontwikkelingen en vergeleken met de laatste prognose van het Centraal Bureau voor de Statistiek (CBS 2017-2060). 8.1 Waarnemingen ten opzichte van Prognosetafel AG2016 Onderstaand overzicht geeft de AG2016-prognose van de levensverwachtingen voor de jaren 2015, 2016 en 2017 en laat zien hoe deze zich verhouden tot de gerealiseerde levensverwachtingen voor die jaren. Daarnaast geeft de tabel inzicht in de prognose van de levensverwachtingen voor 2017 en 2018. Hiervoor wordt steeds gebruik gemaakt van de periodelevensverwachting, aangezien daarmee vergelijkingen kunnen worden gemaakt tussen de levensverwachtingen in een specifiek waarnemingsjaar. Mannen 2015 2016 2017 2018 2019 Realisatie 79,7 79,9 80,1 AG2016 79,8 80,0 80,2 AG2018 80,1 80,3 80,4 Tabel 8.1 Periodelevensverwachting bij geboorte Mannen 2015 2016 2017 2018 2019 Realisatie 18,2 18,4 18,6 AG2016 18,2 18,4 18,5 AG2018 18,5 18,6 18,8 Tabel 8.2 Periodelevensverwachting op leeftijd 65 De nieuwe waarnemingen na het verschijnen van de Prognosetafel AG2016 laten in het algemeen een beperktere stijging van de periodelevensverwachting zien dan in de Prognosetafel AG2016 was opgenomen. In de volgende grafiek wordt de ontwikkeling van de periodelevensverwachting bij geboorte weergegeven voor de periode tot en met 2050. Tot en met 2017 is de grafiek gebaseerd op gerealiseerde sterftecijfers, voor de periode erna op de AG2018-prognose. Prognosetafel AG2018 Uitkomsten 22 Vrouwen Realisatie 83,1 83,1 83,3 AG2016 83,1 83,3 83,5 AG2018 83,3 83,5 83,6 Vrouwen Realisatie 20,9 21,0 21,1 AG2016 21,0 21,1 21,3 AG2018 21,2 21,3 21,4
90 85 80 Vrouwen 75 Nederland Mannen 70 Europese selectie AG2018 NED AG2018 Europa 65 1970 1980 1990 2000 2010 2020 2030 2040 2050 Grafiek 8.1 Periodelevensverwachting Nederland en geselecteerde Europese landen In grafiek 8.1 is zichtbaar dat de periodelevensverwachting van de Nederlandse vrouwen net als bij de vorige prognoses nog onder de levensverwachting van de vrouwen in de geselecteerde Europese landen ligt. De levensverwachting van de Nederlandse mannen daarentegen ligt net als eerder boven de levensverwachting van mannen in de geselecteerde Europese landen. 8.2 Van AG2016 naar AG2018 Om meer inzicht te geven in de verschillen tussen de oude en de nieuwe prognosetafels, Prognosetafels AG2016 en AG2018, wordt gebruik gemaakt van de cohortlevensverwachting. In de cohortlevensverwachting worden alle toekomstige sterfteontwikkelingen meegenomen. Hierna wordt stapsgewijs de impact getoond op de cohortlevensverwachtingen voor het startjaar 2019 van de verschillende toegevoegde datapunten. Cohortlevensverwachting in 2019 AG2016 ToevoegenEU2015 ToevoegenNL2016 ToevoegenEU2016 ToevoegenNL2017 AG2018 Bij geboorte 93,3 -0,5 -0,2 0 90 Tabel 8.3 Cohortlevensverwachting in 2019 Zichtbaar is dat met name de update van de 2015 waarnemingen van de Europese landen heeft gezorgd voor een neerwaartse bijstelling in de prognose. Dit is goed te begrijpen aan de hand van figuur 6.1 in paragraaf 6.1. Daar is te zien dat het aantal sterftegevallen in 2015 hoger lag dan in 2014, terwijl in het daaropvolgende jaar de aantallen ongeveer hetzelfde bleven of licht daalden. -0,1 92,5 Op leeftijd 65 Mannen Vrouwen Mannen Vrouwen 90,4 -0,4 -0,1 0,1 20,4 -0,1 -0,1 0,1 0 0 20,3 23,5 -0,2 -0,1 0 -0,1 23,1 Prognosetafel AG2018 Uitkomsten 23
8.3 Toekomstige cohortlevensverwachting De Prognosetafel AG2018 biedt de mogelijkheid toekomstige levensverwachtingen te berekenen. In tabel 8.4 worden toekomstige cohortlevensverwachtingen voor de startjaren 2019, 2044 en 2069 weergegeven. Startjaar 2019 2044 2069 Mannen 90,0 92,3 94,0 Bij geboorte Vrouwen 92,5 94,6 96,1 Verschil 2,5 2,3 2,1 Mannen 20,3 23,2 25,6 Op leeftijd 65 Vrouwen 23,1 25,8 28,0 Tabel 8.4 Toekomstige cohortlevensverwachtingen op basis van AG2018 Uit de hiervoor vermelde cijfers blijkt nogmaals dat het model impliceert dat de levensverwachting voor mannen en vrouwen zal blijven stijgen, voor de mannen iets sneller dan voor de vrouwen. Hierdoor daalt het verschil in levensverwachting tussen mannen en vrouwen. 8.4 Prognose in perspectief In grafiek 8.2 worden de ontwikkelingen van de periodelevensverwachting bij geboorte voor AG2016, AG2018 en CBS2017-2060 tegen elkaar afgezet. Zichtbaar is dat de trend van de AG2018-prognose voor Nederlandse vrouwen convergeert naar de trend voor vrouwen in de prognose voor de geselecteerde West-Europese landen en dat de prognose neerwaarts is bijgesteld ten opzichte van AG2016. De AG2018-prognose voor mannen laat een vergelijkbare beweging zien ten opzichte van AG2016; de trend ligt dicht bij de trend van de West-Europese landen, waardoor het verschil in levensverwachting door de tijd redelijk constant blijft. Voor mannen is in de prognose CBS2017-2060 vrijwel dezelfde ontwikkeling van de levensverwachting te zien als bij AG2018. De levensverwachting in 2050 op basis van CBS2017-2060, ligt voor vrouwen iets hoger dan bij AG2018 en voor mannen iets lager. 90 Verschil 2,8 2,6 2,4 85 Vrouwen Nederland 80 Mannen 75 2000 2010 2020 2030 2040 2050 Grafiek 8.2 Ontwikkeling periodelevensverwachting bij geboorte Europese selectie AG2018 NED AG2018 Europa CBS-2017 AG2016 Prognosetafel AG2018 Uitkomsten 24
Grafiek 8.3 toont de ontwikkeling van de periodelevensverwachting op leeftijd 65. 10 12 14 16 18 20 22 24 26 Vrouwen Nederland Mannen Europese selectie AG2018 NED AG2018 Europa CBS-2017 AG2016 1970 1980 1990 2000 2010 2020 2030 2040 2050 Grafiek 8.3 Ontwikkeling periodelevensverwachting op leeftijd 65 De verschillende prognoses voor de levensverwachting op leeftijd 65 voor mannen liggen dicht bij elkaar. Bij vrouwen is de neerwaartse bijstelling ten opzichte van AG2016 duidelijker zichtbaar. In tabel 8.5 staan de cohortlevensverwachtingen vermeld voor AG2016, AG2018 en CBS2017-2060. De verschillen in cohortlevensverwachting op leeftijd 65 tussen AG2018 en CBS2017-2060 zijn beperkt. Startjaar 2019 Prognose AG2016 AG2018 CBS2017 Bij geboorte Mannen 90,4 Vrouwen 93,3 Op leeftijd 65 Mannen 20,4 90,0 92,5 20,3 Niet beschikbaar 20,3 Vrouwen 23,5 23,1 22,8 Tabel 8.5 Levensverwachtingen voor AG2016, AG2018 en CBS2017 8.5 Koppeling levensverwachting op 65 jaar en pensioenleeftijd in 1e en 2e pijler De Wet Verhoging AOW- en Pensioenrichtleeftijd van 12 juli 2012 koppelt de pensioengerechtigde leeftijd in de eerste pijler (AOW) en de pensioenrichtleeftijd in de 2e pijler (werknemerspensioen) aan de periodelevensverwachting. Verhogingen van de AOW-gerechtigde leeftijd geschieden in stappen van drie maanden en zijn afhankelijk van de hoogte van de macro gemiddelde resterende periodelevensverwachting op 65-jarige leeftijd (L) zoals geraamd door het CBS ten opzichte van een waarde van 18,26 én het verschil tussen de tot dan toe geldende AOW-gerechtigde leeftijd en 65 jaar. De referentiewaarde van 18,26 is wettelijk vastgelegd en gebaseerd op waarnemingen van het CBS in de periode 2000-2009. Aangezien eind 2016 voor 2022 werd verwacht dat L groter zou zijn dan 20,51 jaar, was een verhoging van de AOW-leeftijd met een kwart jaar (0,25) noodzakelijk (immers (20,51 – 18,26) – (67 – 65) = 0,25) en aangekondigd in 2016. Voor het jaar 2023 is in 2017 geen verhoging aangekondigd. Prognosetafel AG2018 Uitkomsten 25
Volgens Prognosetafel AG2018 is L in 2024 gelijk aan 20,70 en is een verhoging van de AOW-gerechtigde leeftijd naar 67 jaar en 6 maanden volgens bovenstaand formularium niet nodig. Deze verwachting ligt in lijn met de laatste prognose van het CBS uit 2017. Uiterlijk 1 januari 2019 zal uitsluitsel dienen te volgen ten aanzien van deze verhoging in 2024 op basis van de nieuwe CBS-prognose. Wanneer de macro gemiddelde resterende periodelevensverwachting op 65-jarige leeftijd tevens voor de jaren na 2024 wordt geschat, worden de volgende jaren gevonden waarin de AOW-leeftijd naar verwachting met een vol jaar zal zijn toegenomen4. Verwachte AOW-gerechtige leeftijd 68 69 70 71 CBS 2017-2060 2030 2039 2048 2057 AG2018 2029 2038 2047 2057 Tabel 8.6 Verwachte jaren waarin de AOW-gerechtigde leeftijd een volledig jaar gestegen zal zijn volgens de laatste prognose van CBS en AG De verhoging van de pensioenrichtleeftijd (in stappen van 1 jaar) in de 2e pijler is gebaseerd op dezelfde formule als de AOW-gerechtigde leeftijd, echter volgens de Wet dient eerder te worden geanticipeerd op een verwachte stijging van de levensverwachting. Het is wettelijk voorgeschreven dat een wijziging van de pensioenrichtleeftijd ten minste een jaar voordat deze wijziging plaatsvindt, bekend moet worden gemaakt en dat hiervoor de macro gemiddelde resterende levensverwachting op 65-jarige leeftijd in aanmerking dient te worden genomen die wordt verwacht tien jaar na het kalenderjaar van wijziging. Dit betekent bijvoorbeeld dat een wijziging van de pensioenrichtleeftijd in 2020 uiterlijk 1 januari 2019 bekend dient te worden gemaakt op basis van de macro gemiddelde resterende levensverwachting op 65-jarige leeftijd in 2030. Op basis van de Prognosetafel AG2018 is de verwachting dat L in 2030 niet al dusdanig zal zijn gestegen dat in 2020 een pensioenrichtleeftijd van 69 jaar gaat gelden. Een stijging van de pensioenrichtleeftijd naar 69 jaar wordt pas in 2028 verwacht. De ontwikkeling van de AOW-gerechtigde leeftijd en de pensioenrichtleeftijd op basis van de Prognosetafel AG2018 zijn in grafiek 8.4 samengevat. 4 – Steeds is voor de eenvoud van de berekening de macro gemiddelde resterende levensverwachting bepaald als het ongewogen gemiddelde van de levensverwachting van mannen en vrouwen. In de praktijk wordt mogelijk een exactere weging toegekend waardoor vrouwen een iets hoger gewicht toegekend krijgen. De impact hiervan is beperkt. Prognosetafel AG2018 65 66 67 68 69 70 71 2018 2022 2026 2030 2034 2038 pensioenrichtleeftijd AOW-gerechtigde leeftijd 2042 2046 2050 Grafiek 8.4 Ontwikkeling AOW-gerechtigde leeftijd en pensioenrichtleeftijd op basis van AG2018 Algemeen kan worden gesteld dat de huidige AG-prognoses niet veel afwijken van de prognose van het CBS, waardoor de huidige verwachting is dat verschillen in toekomstige AOW- en pensioenleeftijden ook niet heel groot zullen zijn. Uitkomsten 26 AOW-/pensioenrichtleeftijd
8.6 Effecten op voorzieningen Om de effecten van de Prognosetafel AG2018 op de technische voorzieningen van pensioenportefeuilles in kaart te brengen, zijn zes fictieve voorbeeldfondsen geconstrueerd. Het betreft drie fondsen met mannelijke deelnemers en drie fondsen met vrouwelijke deelnemers. Per geslacht zijn een jong, een oud en een gemiddeld fonds geconstrueerd. Het laatste fonds is het gemiddelde van de eerste twee fondsen. Deze voorbeeldfondsen zijn mede aan de hand van concrete portefeuilles bepaald. De voorbeeldfondsen bevatten naast een ouderdomspensioen (OP) een latent nabestaandenpensioen en een ingegaan nabestaandenpensioen (NP). In de mannelijke portefeuilles wordt ervan uitgegaan dat uitbetalingen van het ingegane nabestaandenpensioen betrekking hebben op vrouwelijk partners. Voor de vrouwelijke portefeuilles is dat andersom. De gebruikte pensioenvormen zijn een ouderdomspensioen, ingaande op 65 jaar en een nabestaandenpensioen van de vorm ‘onbepaalde partner’ met een partnerfrequentie van 100%. Er wordt uitgegaan van een vast leeftijdsverschil van 3 jaar tussen de mannelijke en de vrouwelijke partner, waarbij aangenomen wordt dat de man ouder is dan de vrouw. De effecten zijn weergegeven voor zowel een rekenrente van 3% als 1%, zodat de effecten vergeleken kunnen worden met de voorgaande publicatie (AG2016). Effect VPV 3% rekenrente OP (65) NP OP+NP 1% rekenrente OP (65) NP OP+NP Jong Mannen Gemiddeld Oud Jong 2,9% Jong Vrouwen Gemiddeld 2,4% Oud -0,8% -0,7% -0,6% -2,0% -1,9% -1,8% -1,2% -1,4% -1,5% 2,2% -0,9% -0,9% -0,9% -1,3% -1,2% -1,2% Gemiddeld Jong Oud 3,5% Gemiddeld 2,8% Oud -1,0% -0,9% -0,8% -2,5% -2,3% -2,2% -1,8% -1,9% -2,0% 2,5% -1,2% -1,2% -1,2% -1,7% -1,6% -1,6% Tabel 8.7 Impact op voorzieningen voor modelportefeuilles van overgang van AG2016 naar AG2018 (verschil AG2018 minus AG2016 uitgedrukt in procenten van AG2016). De afzonderlijke percentages, zoals vermeld bij de pensioenvormen OP en NP, tellen niet op tot de percentages zoals vermeld bij de combinatie OP+NP. Dit komt omdat de voorzieningen van de afzonderlijke pensioenvormen verschillend zijn. Uit de tabel 8.7 valt af te lezen dat de verschillen, in termen van voorzieningen, bij mannen beperkt zijn. Voor een gemiddeld bestand neemt de voorziening met ongeveer 1% af. Bij vrouwen is de impact groter (gemiddeld 1,2% respectievelijk 1,6% afname). Bij een rekenrente van 1% zorgt de lage rente voor een extra toename van de impact. In tabel 8.8 is de impact van AG2016 naar AG2018 in 2 stappen uitgesplitst: • data update naar “AG2017”, namelijk toevoeging EU15 en NL16; • data update naar AG2018, toevoeging EU16 en NL17. Prognosetafel AG2018 Uitkomsten 27
Effect VPV 3% Mannen 1) AG2016 → "AG2017" → AG2016 → Vrouwen rekenrente Jong Gemiddeld Oud Jong Gemiddeld Oud OP (65) -1.0% -0.9% -0.8% -1.7% -1.6% -1.5% NP -0.5% -0.7% -1.0% 2.0% 1.6% 1.4% "AG2017" OP+NP -0.9% -0.9% -0.9% -1.1% -1.1% -1.1% 2) OP (65) 0.2% 0.2% 0.2% -0.3% -0.3% -0.3% NP -0.7% -0.6% -0.6% 0.8% 0.8% 0.8% AG2018 OP+NP 0.0% 0.0% 0.0% -0.1% -0.1% -0.1% 1) + 2) OP (65) -0.8% -0.7% -0.6% -2.0% -1.9% -1.8% NP -1.2% -1.4% -1.5% 2.9% 2.4% 2.2% AG2018 OP+NP -0.9% -0.9% -0.9% -1.3% -1.2% -1.2% Tabel 8.8 Impact op voorzieningen voor modelportefeuilles van overgang van AG2016 naar AG2018, met “AG2017” als tussenstap Hier is zichtbaar dat bij overgang van AG2016 naar “AG2017” de stijging van de sterftekansen een grote impact heeft. Wat opvalt is dat bij mannen voor zowel OP als NP de voorziening veelal daalt, terwijl bij vrouwen de voorziening voor NP juist stijgt. Voor zowel mannen als vrouwen zijn de sterftekansen gestegen. Voor NP betekent dit dat het pensioen gemiddeld eerder ingaat (een verzwaring), maar vervolgens gemiddeld korter moet worden uitgekeerd (een verlichting). De combinatie van beide effecten pakt voor de mannen- en vrouwenportefeuille anders uit want bij de vrouwen is de stijging van de sterftekansen over het algemeen sterker dan bij mannen. Daarnaast moet vermeld worden dat in tabellen 8.7 en 8.8 zowel latent als ingegaan NP is meegenomen en de verandering in de VPV-waarden is dus van beide afhankelijk. Tabel 8.9 toont het effect op de voorziening voor afzonderlijke pensioenvormen voor diverse leeftijden. 3% rekenrente 25 45 65 85 1% rekenrente 25 45 65 85 Mannen Latent OP -1,3% NP Ingegaan NP Vrouwen Latent OP 0,4% -0,5% -2,2% -1,2% -0,3% -0,8% -2,1% -0,5% -1,9% -1,4% -1,4% 0,3% -2,8% -1,5% -1,5% Ingegaan OP Latent NP NP OP -1,5% -0,9% -0,9% -2,6% -1,3% -1,4% -1,3% -2,5% -0,6% -2,6% -1,7% -1,7% 0,3% -3,0% -1,6% -1,6% NP Ingegaan NP 8,4% -0,3% 5,8% -0,5% 4,1% -0,5% 2,6% 0,3% Latent NP Ingegaan NP 8,2% -0,5% 5,7% -0,7% 4,0% -0,6% 2,6% 0,3% Tabel 8.9 Impact op voorzieningen voor afzonderlijke pensioenvormen en leeftijden van overgang van AG2016 naar AG2018 (verschil AG2018 minus AG2016 uitgedrukt in procenten van AG2016) Prognosetafel AG2018 Uitkomsten 28
9 TOEPASSINGEN VAN HET MODEL Het gebruik van een stochastisch model biedt extra mogelijkheden bij het analyseren van sterfterisico’s. In het bijzonder is het mogelijk inzicht te krijgen in de variabiliteit van de waarde van de verplichtingen van verzekeringsportefeuilles. Doordat de Prognosetafel AG2018 is gebaseerd op een stochastisch model kan een uitspraak worden gedaan over de spreiding van toekomstige sterftekansen rondom de best estimates. Het gebruikte model genereert niet alleen best estimate sterfteontwikkelingen, maar kan ook gebruikt worden om de onzekerheid in toekomstige scenario’s in kaart te brengen, op grond van de geobserveerde fluctuaties in de historische waarnemingen. Het is van belang op te merken dat de gepresenteerde onzekerheidsintervallen in dit hoofdstuk geen rekening houden met parameter- of modelonzekerheid. Dat wil zeggen, onze berekeningen nemen het veronderstelde model en de geschatte parameters als uitgangspunt. Hierbij worden alleen sterftekansen gesimuleerd en gaan we ervan uit dat we die sterftekansen precies kunnen observeren. We houden er dus geen rekening mee dat we in de praktijk, omdat we slechts met eindige populaties werken, niet de exacte sterftekansen maar alleen geobserveerde sterftefrequenties tot onze beschikking hebben (de meet- of Poisson-ruis). In dit hoofdstuk worden ter illustratie enkele mogelijke toepassingen van het stochastisch model getoond. De vermelde resultaten in dit hoofdstuk zijn gebaseerd op dezelfde modelportefeuilles als genoemd in hoofdstuk 8 en appendix B. Allereerst laten we in paragraaf 9.1 de met het model vastgestelde betrouwbaarheidsintervallen rond de levensverwachting zien voor de gehele horizon. In paragraaf 9.2 beschouwen we de waarde van de verplichtingen voor alle mogelijke ontwikkelingen van toekomstige sterftekansen. Daar waar de best estimate waarde van de verplichtingen wordt verkregen door gebruik te maken van de best estimate sterftekansen, bekijken we tevens verschillende mogelijke scenario’s voor sterftekansontwikkelingen zoals gegeven door het stochastische model. Dit geeft inzicht in de mogelijke toename van de waarde voor de gehele uitloop van de verplichtingen in bijvoorbeeld het 95% kwantiel. In de praktijk wordt ook vaak gekeken naar de stochastische verdeling van de waarde van de verplichtingen na een schok in het eerste jaar. Hierbij worden eerst mogelijke schokken gedurende het eerste jaar gesimuleerd. Vervolgens wordt per scenario (schok) het model opnieuw gekalibreerd na toevoeging van deze nieuwe (gesimuleerde) observatie aan de oorspronkelijke dataset. Op basis van de per scenario gekalibreerde parameters worden per scenario de best estimate sterftekansen bepaald voor de overige jaren. Paragraaf 9.3 laat zien tot welke betrouwbaarheidsintervallen dit leidt voor een horizon van 1 jaar. Paragraaf 9.4 laat de resultaten zien van de resulterende stochastische verdeling van de waarde van de verplichtingen na een eenjaarsschok en herkalibratie. Prognosetafel AG2018 Toepassingen van het model 29
Bij bovenstaande toepassingen wordt geen uitspraak gedaan over de gevolgen voor de berekening van buffers conform Solvency II. Het baseren van de hoeveelheid aan te houden kapitaal voor sterfterisico op uitsluitend de spreiding die uit het stochastisch model volgt, zou kunnen leiden tot een onderschatting van het benodigde kapitaal, op grond van wat hierboven is vermeld over parameteronzekerheid, modelonzekerheid en Poisson-ruis. 9.1 Simulaties voor de levensverwachting De best estimate sterftekansen zijn te verkrijgen door te veronderstellen dat toekomstige sterftekansen zich ontwikkelen volgens de modelvergelijkingen uit appendix A, waarbij alle storingstermen op nul zijn gezet. Het is ook mogelijk scenario’s te simuleren waarbij de storingstermen worden getrokken uit de daar gespecificeerde multivariate normale verdeling. Op basis hiervan kunnen voor de gehele horizon betrouwbaarheidsintervallen rond de levensverwachting worden bepaald. De 95% betrouwbaarheidsintervallen zijn tot 2050 weergegeven in grafiek 9.1 voor zowel mannen als vrouwen. Periodelevensverwachting bij geboorte 90 85 80 Vrouwen 75 Mannen 70 95% betrouwbaarheidsinterval Waarnemingen Nederland Waarnemingen Europese selectie Prognose Nederland Prognose Europese selectie 65 1970 1980 1990 2000 2010 2020 2030 2040 2050 Grafiek 9.1 Betrouwbaarheidsinterval rondom de best estimate van de periodelevensverwachting voor Nederlandse mannen en vrouwen Grafiek 9.1 laat zien dat de onzekerheid in de prognose van de periodelevensverwachting, zoals verwacht, toeneemt naarmate de prognose verder in de toekomst ligt. Prognosetafel AG2018 Toepassingen van het model 30
Grafiek 9.2 toont de onzekerheid in de cohortlevensverwachting per leeftijd van Nederlandse mannen en vrouwen in 2018. Levensverwachting Nederlander 2018 105 100 95% betrouwbaarheidsinterval Mannen Vrouwen 95 90 85 80 0 10 20 30 40 50 60 70 80 90 100 Huidige leeftijd Grafiek 9.2 Betrouwbaarheidsinterval rondom de best estimate van de cohortlevensverwachting voor Nederlandse mannen en vrouwen in 2018 Grafiek 9.2 laat zien dat de onzekerheid afneemt naarmate de leeftijd toeneemt. Dit komt omdat het aantal jaren waarvoor een inschatting wordt gemaakt afneemt naarmate de leeftijd toeneemt. Daarnaast is zichtbaar dat de levensverwachting eerst afneemt tot een leeftijd van circa 60 jaar en daarna toeneemt. Twee effecten spelen hier een rol. Iemand die ouder is, heeft al een periode overleefd, waardoor de levensverwachting met het ouder worden toeneemt. Daarnaast zal iemand die jonger is juist meer profiteren van verwachte toekomstige sterfteverbeteringen. Merk op dat we in de getoonde betrouwbaarheidsintervallen alleen onzekerheid in toekomstige sterftekansen meenemen en niet kijken naar een enkel individu. Omdat de sterftekansen voor (bijvoorbeeld) een 90-jarige maar heel weinig veranderen in de tijd, zien we nauwelijks verschillen voor zijn of haar verwachte leeftijd bij overlijden wanneer we allerhande mogelijke toekomstscenario's simuleren met ons model. Maar dat betekent uiteraard niet dat het moment van overlijden voor een individuele 90-jarige nu al vaststaat. Weinig onzekerheid in sterftekansen boven die leeftijd impliceert immers niet dat er weinig onzekerheid is over het daadwerkelijke moment van overlijden voor een enkel individu. 9.2 Simulaties voor de verplichtingen Voor ieder van de in paragraaf 9.1 beschreven scenario’s voor sterftekansen kan de waarde van de verplichtingen vastgesteld worden. Door alle scenario’s samen te beschouwen resulteert dan een verdeling van de waarde van de verplichtingen. Tabel 9.1 geeft, na simulatie van 10.000 van dergelijke scenario’s, het gemiddelde en de kwantielen voor 95%, 97,5% en 99,5% voor de Voorziening Pensioen Verplichtingen (VPV). Hiervoor zijn de gemiddelde modelportefeuilles van mannen en vrouwen gebruikt bij een vaste rekenrente van 3% en 1%. De uitkomsten zijn uitgedrukt in percentages van de best estimate waarden. Prognosetafel AG2018 Toepassingen van het model 31 Levensverwachting
Uitkomsten simulatie VPV (in verhouding tot de best estimate) Rente 3% OP Standaard-afwijking Kwantielen 50% 95% 97,50% 99,5% Mannen NP OP + NP OP Vrouwen NP OP + NP 2,2% 1,7% 1,4% 1,8% 2,1% 1,4% 99,9% 100,0% 100,0% 99,9% 100,0% 99,9% 103,5% 102,8% 102,2% 102,8% 103,5% 102,3% 104,2% 103,4% 102,7% 103,4% 104,2% 102,7% 105,5% 104,4% 103,4% 104,2% 105,6% 103,4% Tabel 9.1 Resultaten simulatie voorzieningen op een rekenrente van 3% voor modelportefeuilles (mannen en vrouwen gemiddeld) Bij 1% rekenrente is de spreiding in de resultaten groter. Uitkomsten simulatie VPV (in verhouding tot de best estimate) Rente 1% OP Standaard-afwijking Kwantielen 50% 95% 97,50% 99,5% Mannen NP OP + NP OP Vrouwen NP OP + NP 2,6% 2,0% 1,7% 2,2% 2,7% 1,8% 99,9% 100,0% 99,9% 99,9% 100,0% 99,9% 104,2% 103,3% 102,8% 103,5% 104,4% 102,9% 105,1% 104,0% 103,3% 104,2% 105,3% 103,5% 106,7% 105,3% 104,3% 105,3% 107,1% 104,4% Tabel 9.2 Resultaten simulatie voorzieningen op een rekenrente van 1% voor modelportefeuilles (mannen en vrouwen gemiddeld) De verdeling die uit de simulaties voortvloeit lijkt sterk op een normale verdeling. Zoals uit bovenstaande tabellen blijkt, ligt de spreiding bij de afzonderlijke pensioenvormen een stuk hoger dan bij de combinatie van OP en NP, vooral bij het ouderdomspensioen voor mannen en het nabestaandenpensioen voor vrouwen. Ter illustratie is in grafiek 9.3 de verdeling van de gesimuleerde waarden voor OP, NP en de combinatie van beide pensioenvormen ten opzichte van de best estimate weergegeven. Het gaat hier om de modelportefeuille mannen gemiddeld en een rekenrente van 3%. Merk op dat de getoonde verdelingen niet helemaal vloeiend zijn als gevolg van de inherente simulatie onzekerheid bij 10.000 simulaties. Prognosetafel AG2018 Toepassingen van het model 32
Verdeling VPV volgens AG2018 Combinatie Nabestaandenpensioen Ouderdomspensioen 85% 90% 95% 100% 105% 110% 115% Grafiek 9.3 Verdeling uitkomsten simulatie voorziening (rekenrente 3%) voor modelportefeuille mannen gemiddeld rondom de best estimate 9.3 Simulaties voor de levensverwachting over 1-jaars horizon De levensverwachting kan ook gesimuleerd worden nadat een schok heeft plaatsgevonden in het eerste jaar, waarbij de impact van die schok op de best estimate voor de overige jaren wordt meegenomen na herkalibratie. Op basis hiervan kunnen voor een horizon van 1 jaar betrouwbaarheidsintervallen rond de levensverwachting worden bepaald. De 95% betrouwbaarheidsintervallen zijn weergegeven in grafiek 9.4 voor zowel mannen als vrouwen op basis van 5.000 scenario’s. Periodelevensverwachting bij geboorte 90 85 80 Vrouwen 75 Mannen 70 95% betrouwbaarheidsinterval Waarnemingen Nederland Waarnemingen Europese selectie Prognose Nederland Prognose Europese selectie 65 1970 1980 1990 2000 2010 2020 2030 2040 2050 Grafiek 9.4 Betrouwbaarheidsinterval rondom de best estimate van de periodelevensverwachting voor Nederlandse mannen en vrouwen, 1-jaars horizon Prognosetafel AG2018 Toepassingen van het model 33
De grafiek laat zien dat de betrouwbaarheidsintervallen aanzienlijk smaller zijn voor een 1-jaars horizon, vergeleken met die voor de gehele uitloop (zie grafiek 9.1). De reden hiervoor is dat voor de 1-jaars horizon alleen de onzekerheid van het 1e prognosejaar wordt meegenomen (inclusief de impact van dit 1e jaar op de parameters), terwijl in grafiek 9.1 de onzekerheid voor de gehele uitloop van de verplichtingen wordt weergegeven. De onderstaande grafiek toont de onzekerheid in de cohortlevensverwachting van Nederlandse mannen en vrouwen in 2018, wederom voor een horizon van 1 jaar. Levensverwachting Nederlander 2018 105 100 95% betrouwbaarheidsinterval Mannen Vrouwen 95 90 85 80 0 10 20 30 40 50 60 70 80 90 100 Huidige leeftijd Grafiek 9.5 Betrouwbaarheidsinterval rondom de best estimate van de cohortlevensverwachting voor Nederlandse mannen en vrouwen in 2018, 1-jaars horizon Ook hieruit blijkt dat de betrouwbaarheidsintervallen aanzienlijk smaller zijn voor een 1-jaars horizon, vergeleken met die voor de gehele uitloop (zie grafiek 9.2). Prognosetafel AG2018 Toepassingen van het model 34 Levensverwachting
9.4 Simulaties voor de best estimate over 1-jaars horizon Voor ieder van de in paragraaf 9.3 beschreven 5.000 scenario’s voor sterftekansen kan de waarde van de verplichtingen vastgesteld worden na herkalibratie, op basis waarvan een verdeling van de waarde van de verplichtingen resulteert voor een 1-jaars horizon. De resultaten hiervan staan vermeld in onderstaande tabellen. Uitkomsten simulatie VPV (in verhouding tot de best estimate) over 1-jaars horizon Rente 3% OP Standaard-afwijking Kwantielen 50% 95% 97,50% 99,5% Mannen NP OP + NP OP Vrouwen NP OP + NP 0,7% 0,8% 0,5% 0,8% 1,1% 0,5% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 101,1% 101,3% 100,8% 101,2% 101,7% 100,8% 101,3% 101,5% 100,9% 101,5% 102,2% 101,0% 101,7% 102,0% 101,2% 101,9% 103,1% 101,3% Tabel 9.3 Resultaten simulatie voorzieningen bij een rekenrente van 3% voor modelportefeuilles (mannen en vrouwen gemiddeld) over 1-jaars horizon Uitkomsten simulatie VPV (in verhouding tot de best estimate) over 1-jaars horizon Rente 1% OP Standaard-afwijking Kwantielen 50% 95% 97,50% 99,5% Mannen NP OP + NP OP Vrouwen NP OP + NP 0,8% 1,0% 0,6% 1,0% 1,3% 0,7% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 101,2% 101,6% 101,0% 101,5% 102,1% 101,1% 101,5% 101,9% 101,1% 101,8% 102,6% 101,2% 101,8% 102,4% 101,5% 102,3% 103,9% 101,6% Tabel 9.4 Resultaten simulatie voorzieningen een rekenrente van 1% voor modelportefeuilles (mannen en vrouwen gemiddeld) over 1-jaars horizon Deze uitkomsten laten zien dat de spreiding voor een 1-jaars horizon, zoals verwacht mag worden op basis van de resultaten in paragraaf 9.3, veel lager ligt dan bij simulatie over alle jaren. De impact op de voorziening van de overgang van AG2016 naar AG2018 is vermeld in tabel 8.7 in hoofdstuk 8. Aangezien bij de overgang van AG2016 naar AG2018 twee jaar aan nieuwe observaties zijn toegevoegd, dient de impact omwille van een zuivere vergelijking opgesplitst te worden in de impact van de overgang van AG2016 naar “AG2017” en van “AG2017” naar AG2018 (zie tabel 8.8 in hoofdstuk 8). Dan is immers sprake van de impact per enkel jaar. Het blijkt dat bij de overgang van AG2016 naar “AG2017” de waargenomen impact bij het ouderdomspensioen voor vrouwen net iets hoger ligt dan het 97,5 percentiel. De overige pensioenvormen liggen binnen het 97,5% betrouwbaarheids-interval. Bij de overgang van “AG2017” naar AG2018 zien we dat bij alle pensioenvormen de uitkomsten dicht bij het 50% kwantiel liggen. We wijzen er nogmaals op dat de berekende 1-jaars onzekerheid alleen onzekerheid in de ontwikkeling van sterftekansen bevat en er geen rekening mee houdt dat de geobserveerde sterftefrequenties niet exact overeen zullen komen met die sterftekansen. Prognosetafel AG2018 Toepassingen van het model 35
Prognosetafel AG2018 36
APPENDICES Prognosetafel AG2018 37
APPENDIX A Prognosemodel AG2018 Technische beschrijving 1 Li, N. and Lee, R. (2005) Coherent Mortality Forecasts for a Group of Populations: An Extension of the Lee-Carter Method. Demography 42(3), pp. 575-594. Prognosetafel AG2018 Appendix A 38
Prognosetafel AG2018 Appendix A 39
2 Brouhns, N., Denuit, M. and Vermunt, J.K. (2002) A Poisson log-bilinear regression approach to the construction of projected lifetables. Insurance: Mathematics and Economics 31, pp. 373-393. Prognosetafel AG2018 Appendix A 40
3 Zie http://www.mortality.org/Public/Docs/MethodsProtocol.pdf Prognosetafel AG2018 Appendix A 41
4 De werkgroep heeft hiervoor gebruik gemaakt van het R package systemfit met de opties method=”SUR” en methodResidCov=”noDfCor”. Prognosetafel AG2018 Appendix A 42
Parameterwaarden Mannen Prognosetafel AG2018 Appendix A 43
Mannen (vervolg) Prognosetafel AG2018 Appendix A 44
Vrouwen Prognosetafel AG2018 Appendix A 45
Vrouwen (vervolg) Covariantie– en Cholesky matrix Prognosetafel AG2018 Appendix A 46
APPENDIX B Modelportefeuille De modelportefeuilles kennen geen andere pensioenvormen dan levenslang oudedagspensioen en levenslang nabestaandenpensioen. Er zijn zes modelportefeuilles met onderscheid in jong/gemiddeld/oud en man/vrouw. Alleen veelvouden van 10 jaar zijn als leeftijden van deelnemers, gepensioneerden en nabestaanden opgenomen. Het gemiddelde bestand is gedefinieerd als het gemiddelde tussen jong en oud. Bij mannen staan de rechten die voortkomen uit mannelijke deelnemers (dus inclusief de weduwen) en bij vrouwen staan de rechten die voortkomen uit vrouwelijke deelnemers (dus inclusief de weduwnaars). De gewogen gemiddelde leeftijd voor de verschillende categorieën is weergegeven in tabel B1. Jong Mannen Actieven en slapers Gepensioneerden Nabestaanden (NP) Vrouwen Actieven en slapers Gepensioneerden Nabestaanden (NP) 49,3 71,7 61,1 40,6 73,3 55,0 50,8 72,9 68,1 46,4 73,3 62,2 53,4 73,7 70,9 49,8 73,3 64,3 Tabel B1 Gewogen gemiddelde leeftijd van modelportefeuilles De verdeling in aantallen is weergeven in tabel B2 en B3. Mannen Jong Mannen Gemiddeld 30 500 350 0 40 1200 840 0 50 2000 1400 150 60 1800 1260 150 70 1500 800 100 80 300 150 50 90 0 0 0 (65) (lat.) (ing.) 300 210 0 Gemiddeld Oud Mannen Oud Lft OP NP NP OP NP NP OP NP NP (65) (lat.) (ing.) (65) (lat.) (ing.) 100 70 0 850 595 0 1400 980 125 1800 1260 175 1650 950 250 550 275 175 50 25 50 Tabel B2 Aantallen deelnemers modelportefeuilles mannen 500 350 0 800 560 100 1800 1260 200 1800 1100 400 800 400 300 100 50 100 Prognosetafel AG2018 Appendix B 47
Vrouwen Jong Vrouwen Gemiddeld Vrouwen Oud Lft OP NP NP OP NP NP OP NP NP (65) (lat.) (ing.) 30 750 525 0 40 1000 700 0 50 500 350 50 60 200 140 50 70 100 50 0 80 50 20 0 (65) (lat.) (ing.) 500 350 0 1000 700 0 1000 700 50 800 560 100 300 200 50 150 50 25 (65) (lat.) (ing.) 250 175 0 1000 700 0 1500 1050 50 1400 980 150 500 350 100 250 80 50 90 000 000 000 Tabel B3 Aantallen deelnemers modelportefeuilles vrouwen De technische voorzieningen voor deze portefeuilles worden berekend door gebruik te maken van de volgende veronderstellingen: • de pensioenleeftijd is 65 jaar; • de betalingswijze is continu; • het nabestaandenpensioen heeft de vorm "onbepaalde partner" tot de pensioendatum, daarna wordt overgegaan op de vorm "bepaalde partner"; • de partnerfrequentie is gelijk aan 100% tot de pensioenleeftijd; • het geslacht van een partner is ongelijk aan dat van de deelnemer; • binnen een partnerschap is de man drie jaar ouder dan de vrouw. Prognosetafel AG2018 Appendix B 48
APPENDIX C Literatuur en gehanteerde data Dit rapport gaat uit van de gegevens zoals die eind mei 2018 beschikbaar waren in de databases van Eurostat, CBS (Statline) en HMD. [1] CBS gegevens uit Statline voor 2017: Exposures-to-Risk (P-waarden); versie van 14 mei 2018. https://opendata.cbs.nl/statline/#/CBS/nl/dataset/37325/table?ts=1530795309853 Observed Deaths (C-waarden en D-waarden); versie van 8 mei 2018: https://opendata.cbs.nl/statline/#/CBS/nl/dataset/37168/table?ts=1530802763004 [2] Eurostat data (data t/m 2016): Exposures to Risk (demo_pjan) versie van 27 februari 2018: http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=demo_pjan&lang=en Observed Deaths (demo_mager en demo_magec) versie van 15 maart 2018: http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=demo_mager&lang=en http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=demo_magec&lang=en [3] HMD-database: http://www.mortality.org/ Tabel C1 geeft per geografisch gebied en per jaar aan welke gegevensbron gehanteerd is als input voor het AG2018 model. De Eurostat definitie van data voor Frankrijk is veranderd eind 2012: die omvat voortaan ook data uit overzeese gebiedsdelen. Daarvoor is gecorrigeerd door het in 2012 waargenomen verschil tussen deze twee definities in 2016 aan de Eurostat data toe te voegen. GEO Austria Belgium Denmark Finland France (metropolitan) Germany (until 1990 former territory of the FRG) Iceland Ireland Luxembourg Netherlands Norway Sweden Switzerland United Kingdom 2013 HMD HMD HMD6 HMD HMD6 HMD HMD6 HMD HMD HMD6 HMD HMD HMD HMD6 2014 HMD HMD HMD6 HMD HMD6 HMD HMD6 HMD HMD HMD6 HMD HMD HMD HMD6 HMD = Human Mortality Database, protocol v5 HMD6 = Human Mortality Database, protocol v6 EUROS = Eurostat Statline = Statline EUROS = Eurostat, aangepast Tabel C1 Databronnen Prognosetafel AG2018 Appendix C 49 2015 EUROS HMD HMD6 HMD HMD6 HMD HMD6 EUROS EUROS HMD6 EUROS HMD EUROS HMD6 2016 EUROS EUROS HMD6 EUROS EUROS EUROS HMD6 EUROS EUROS HMD6 EUROS HMD EUROS HMD6 2017 HMD-version 2015.09.02 2016.08.12 2018.04.23 2016.10.07 2017.09.26 2017.03.29 Statline 2018.03.26 2015.11.20 2015.10.19 2018.05.10 2015.08.28 2017.08.28 2016.05.20 2018.05.08
Literatuur Brouhns, N., Denuit, M. and Vermunt, J.K. (2002) A Poisson log-bilinear regression approach to the construction of projected lifetables. Insurance: Mathematics and Economics 31(3), pp. 373-393. V. Kannisto. (1992). Development of the oldest – old mortality, 1950-1980: evidence form 28 developed countries. Odense University Press. N. Li and R Lee. (2005). Coherent Mortality Forecasts for a Group of Populations: An Extension of the Lee-Carter Method. Demography 42(3), pp. 575-594 Teirlinck, A.C., van Asten, L., Brandsema, P.S., Dijkstra, F., Trab Damsgaard, M., van Gageldonk-Lafeber, A.B., Hooiveld, M., de Lange, M.M.A., Marbus, S.D., Meijer, A., and van der Hoek, W. (2017) Surveillance of influenza and other respiratory infections in the Netherlands: winter 2016/2017, RIVM, Bilthoven. Prognosetafel AG2018 Appendix C 50
APPENDIX D Verklarende woordenlijst AOW-leeftijd Leeftijd waarop een persoon AOW-gerechtigd wordt. Best estimate In deze publicatie: meest waarschijnlijke waarde voor een aan het toeval onderhevige grootheid, zoals een sterftekans, de waarde van een product of portefeuille etc. Cohortlevensverwachting Levensverwachting gebaseerd op een prognosetafel. Dit betekent dat de levensverwachting van een individu gebaseerd is op sterftekansen uit de sterftetafel behorend bij het waarnemingsjaar waarin dat individu een zekere leeftijd heeft. Deterministische prognosetafel Prognosetafel waarin sterftecijfers voor toekomstige jaren zijn vastgesteld op basis van een model waarin geen rekening wordt gehouden met onzekerheden. Daardoor is er 1 (deterministische) uitkomst. Eurostat database De database van Eurostat (het statistische bureau van de Europese Unie) biedt een breed scala aan data aan, die gebruikt kunnen worden door overheden, bedrijven, de onderwijssector, journalisten en het bredere publiek. Human Mortality Database (HMD) Internationale database met populatie- en sterftegegevens uit ruim 35 landen wereldwijd. Ingegaan Nabestaandenpensioen (ingegaan NP) Verzekeringsvorm waarbij de nabestaande (medeverzekerde) van de hoofdverzekerde periodiek een uitkering krijgt, nadat de hoofdverzekerde is overleden. Kannisto sluiting van de tafel Methode om sterftekansen op hoge leeftijden via extrapolatie te bepalen uit sterftekansen op lagere leeftijden. Latent Nabestaandenpensioen (latent NP) Verzekeringsvorm –gekoppeld aan het ouderdomspensioen- waarbij een voorziening wordt opgebouwd om na overlijden van de hoofdverzekerde periodiek aan de nabestaande een uitkering kan worden gedaan, zolang deze in leven is. Levensverwachting In de meeste publicaties wordt met het begrip levensverwachting de verwachte (resterende) levensduur van een 0-jarige bedoeld. De publicatie Prognosetafel AG2014 spreekt van een resterende levensverwachting, omdat dit begrip op elke leeftijd van toepassing is. Er kan sprake zijn van een periodelevensverwachting of een cohortlevensverwachting. Prognosetafel AG2018 Appendix D 51
Ouderdomspensioen (OP) Verzekeringsvorm waarbij de verzekerde deelnemer (hoofdverzekerde) periodiek een uitkering krijgt na het bereiken van de pensioengerechtigde leeftijd en zolang deze in leven is. Periodelevensverwachting Levensverwachting gebaseerd op een periodetafel. Periodetafel Sterftetafel gebaseerd op gerealiseerde sterftecijfers uit een of meerdere waarnemingsjaren. Het AG hanteert voor zijn periodetafels de realisaties van sterftecijfers van 5 voorgaande kalenderjaren. Een periodetafel houdt geen rekening met sterfteontwikkelingen en veronderstelt daarmee gelijkblijvende sterftekansen voor toekomstige jaren. Prognoseperiode Aantal toekomstige jaren waarin – binnen het model – een uitspraak over sterftecijfers wordt gedaan. Prognosetafel Sterftetafel waarin per toekomstig jaar sterftecijfers worden weergegeven. Hierdoor is per combinatie van leeftijd en waarnemingsjaar de sterftekans beschikbaar. Het is hiermee mogelijk voor elke leeftijd en ieder (toekomstig) startjaar een resterende levensverwachting te berekenen. Statline Statline is de openbare databank van het Centraal Bureau voor de Statistiek (CBS) en biedt cijfers over de economie, de Nederlandse bevolking en onze samenleving. Stochastisch model Model waarin toekomstige sterftekansen niet vaststaan maar beschreven worden middels kansverdelingen. Stochastische prognosetafel Prognosetafel die de uitkomst is van het gebruik van een stochastisch model en dus verschillende waarden aanneemt bij verschillende realisaties van de toevalsvariabelen (zoals te zien in simulaties). Prognosetafel AG2018 Appendix D 52
PROGNOSE - TAFEL AG 2018
1 Online Touch