3. 现金流预测概述
养老金负债现金流预测，是把精算模型、人口数据和宏观经济假设组织成一条可审计的“现金流出时间轴”。它回答的不是“现在欠多少钱”，而是“未来每一年、每一月需要支付多少养老金，以及这些支付在什么条件下会发生变化”。贴现实战的前提，正是先得到一条可信的现金流序列，再选择贴现曲线与风险调整方法。因此，本节从预测目的、时间范围、人口模型、经济假设和数据需求五个维度，建立后续章节的共同语言。
一、预测目的：决定模型精度与输出粒度
现金流预测的目的不同，模型边界和输出粒度差异极大。常见目的包括：法定精算估值、会计披露（如 IAS 19 或 ASC 715）、偿付能力监测、ALM 资产配置、计划终止或买断定价、以及压力测试与情景分析。若用于年度会计披露，通常只需年度汇总现金流和单一贴现率；若用于 ALM 或动态偿付能力，则需要月度现金流、分年龄/分性别拆分，并叠加通胀、工资增长和死亡率改善情景。
二、时间范围：从封闭期到长期尾端
养老金负债具有超长尾特征。一个覆盖在职与退休人员的计划，其现金流可能延伸 60 至 80 年。实务中通常将时间范围划分为三个阶段：
- 近期（0–5 年）：用于流动性管理与短期缴款决策，要求月度或季度粒度，假设相对确定。
- 中期（5–20 年）：退休高峰与缴款期交错，是 ALM 再平衡的关键区间，通常按年度预测。
- 长期（20 年以上）：受死亡率改善、通胀累积和最后生存者效应主导，需设置显式尾端处理，如封闭式尾端或终极趋势假设。
时间范围并非越长越好。超过数据可信边界的预测，应通过敏感性分析而非虚假精度来呈现。常见做法是设置“显式预测期 + 尾端汇总值”，并在报表中披露尾端占比。
三、人口模型：从个体状态到群体现金流
人口模型是现金流预测的发动机。它把计划参与人按状态（在职、离职保留、退休、遗属、伤残）和属性（年龄、性别、工龄、工资、账户余额）组织起来，逐年模拟状态转移。核心转移率包括：死亡率、离职率、退休率、伤残率、以及退休后生存率。对于 DB 计划，还需叠加服务年限与最终平均工资的给付公式；对于 DC 计划，则需模拟账户积累与年金化选择。
四、经济假设：把名义现金流转换为可贴现序列
经济假设决定现金流的“量级”和“贴现基础”。关键假设包括：通胀率、工资增长率、贴现率、投资收益率、医疗成本趋势率。它们之间存在一致性约束：若工资增长率长期高于贴现率，缴费流入会被高估；若通胀假设与给付指数化条款不匹配，退休金支付会被系统性低估。
| 假设类别 | 典型参数 | 对现金流的影响方向 | 常见校验 |
|---|---|---|---|
| 通胀率 | 2.0%–2.5% | 指数化给付上升，流出增加 | 与央行目标、历史区间比对 |
| 工资增长率 | 3.0%–4.0% | 缴费基数与最终工资上升 | 与通胀差、生产率假设一致 |
| 贴现率 | 3.5%–5.5% | 负债现值反向变动 | 与资产配置、久期匹配 |
| 死亡率改善 | 1.0%–1.5%/年 | 支付期延长，尾端流出增加 | 与最新生命表、人口趋势比对 |
| 医疗趋势率 | 4.0%–6.0% | 退休医疗给付显著上升 | 与行业趋势、政策调整比对 |
五、数据需求与质量检查
数据是预测的输入边界。最低数据需求包括：成员名册（出生日期、性别、入职日期、状态）、工资与缴费记录、给付公式参数、历史死亡率与离职率经验、资产市值与配置。数据缺失时，应使用分组均值或行业表替代，并明确标注替代假设。
数据质量检查清单（示例）
1. 出生日期缺失率 < 1%
2. 入职日期与工龄逻辑一致
3. 工资记录覆盖最近 12 个月
4. 状态字段无未知值
5. 退休人员给付额与公式复核差异 < 2%
6. 死亡率经验数据样本量 > 1000 人年
7. 资产市值与托管报表一致
综上，现金流预测概述的核心是建立“目的—范围—人口—经济—数据”五要素闭环。目的决定粒度，范围界定尾端，人口模型生成支付事件，经济假设赋予量级与贴现基础，数据质量决定结论可信度。只有这五者一致，后续的贴现与 ALM 分析才有意义。