对于后者，我们仅使用HMD的数据进行计算，并使用HFD数据校正HMD数据。随着数据的变化，我们观察到指标的波动性降低 对于一些队列，尤其是1940年初出生的女性 第二次世界大战期间，即2015年为70至75岁。老年人（在两次世界大战期间出生的老年人）之间的差别很小，而1945年后出生的老年人几乎没有差别。0%5%10%15%20%60 70 80 90 100死亡率死亡率-1955年出生的法国女性-HMD基数-HMD+HFD SCR-HMD SCR-HMD+HFD25图19-寿命SCR对2015年出生的法国女性队列预期寿命的影响1925年至1975年间，为了计算最终影响，本研究使用的投资组合来自法国、德国和意大利三个国家，包括各种产品。在法国，这是一家由个人和团体产品组成的储蓄和退休业务，年金阶段的平均年龄在65/70左右。对德国来说，这些是个人投资和储蓄产品，投保人的平均年龄在47岁左右。对于意大利来说，这些产品是投资和储蓄产品（62%）和长期护理产品（38%）。这三个国家的储蓄和退休业务是普通账户、各种担保利率和积累阶段的单位挂钩产品的组合。长期护理是一种纯粹的普通帐户产品。使用完整的内部模型方法和与其他风险的聚合，一方面使用HMD数据，另一方面使用HFD校正HMD数据，我们观察到校正会导致寿命SCR的小幅度降低（图20）。

图20–对寿命趋势的影响SCR该负面影响与之前在指标上发现的结果一致:  几个队列中非必要波动的消除导致寿命SCR的降低。与德国和意大利投资组合相比，法国投资组合的情况更为明显，因为法国投资组合包含更多年龄接近70-75岁的年金受益人，在这一年龄段，非必要波动性的减少最为强烈。0%2%4%6%8%10%12%1925年1930年1935年1940年1945年1950年1955年1960年1965年1970年1975指标影响队列预期寿命SCR对队列预期寿命的影响-法国女性HMD HMD+HFD-2.87%-0.84%-0.92%-3.00%-2.00%-1.00%0.00%法国-德国-意大利对寿命趋势的影响SCR26现在看看这些实体的总寿命SCR以及其他风险和多样化在使用内部模型方法计算的这些风险中，对总寿命SCR的影响是负面的，但几乎不显著（图21），即使寿命STEC大致代表20%的寿命STEC预多样化。图21–对寿命SCR的影响即使定量影响非常温和，使用HFD数据库处理HMD数据对数据质量有积极影响，因此对寿命风险评估有积极影响，因为未来死亡率假设的波动性较低。3.6.  寿命风险评估的稳定性寿命风险评估从一年到另一年的稳定性可以通过观察寿命趋势SCR死亡率改善对投资组合队列预期寿命的影响的演变来粗略估计，即保单持有人在年龄上的差异 年内:   以及它在t和t+1之间的演化。该指标是根据整个投资组合计算的。

同样，最佳估计值没有改变，但SCR死亡率的改善会改变，因为我们考虑到使用HMD数据校准的改善，以及使用HFD数据重新校准HMD的改善。如图22所示，2015年至2016年间，再治疗为法国和意大利带来了更为稳定的长寿风险评估，但对德国则没有，尤其是女性。总的来说，寿命SCR冲击随时间的波动性降低。图22–2015年至2016年基线和寿命SCR趋势之间队列预期寿命差距的演变-0.38%~0.02%~0.04%~0.40%~0.30%~0.20%~0.10%~0.00%France Germany ItalyImpact on Life SCRFrance Germany Italy-2.31%~0.40%~1.01%~0.26%~1.35%~0.06%HMD dataHMD+HFD dataEvolution with SCR scenario from 27 4。结束语用漫画来说明这一点，即使从技术角度来看，内部模型是最可靠的模型，也能完美地适应公司的固有风险，在全球监管需求不断增加的背景下，尤其是在数据质量方面，使用这种方法来改进外部提供者的数据，就像人类死亡率数据库一样，是关键。该数据库被视为保险市场的一个参考，以获得大量国家的国家死亡率数据，各国采用类似的人口统计学方法。因此，实施所述方法来纠正数据异常可以帮助保险市场。因此，可以更好地捕捉、评估和监控风险。

研究结论和实际应用表明，寿命评估保持稳定，因为对测试投资组合的全球影响不显著，但指标有所改善；随着数据质量的提高，来自这些特殊群体的波动性降低，影响也降低了，这稍微降低了资本要求。这种数据库清理显然受到欢迎，可以帮助人口统计学家和精算师更好地监控寿命和死亡风险。今后，重要的是继续跟踪和纠正目前死亡率表中可能包含的其他类型的错误。参考Boumezoued，A.2016。利用HFD生育率数据改进HMD死亡率估计。刊登在《北美精算杂志》（长寿12特刊）。可用位置：https://hal.archives-ouvertes.fr/hal-01270565Boumezoued，A.和Devineau，L.，2017年。在国民餐桌的建造过程中，必须遵守法律。L\'精算师，2017年1月。Cairns，A.J.、Blake，D.、Dowd，K.2006        不确定度：理论和校准。《风险与保险杂志》，73（4），687-718。Cairns，A.J.、Blake，D.、Dowd，K.、Coughlan，G.D.、Epstein，D.、Ong，A.、Balevich，I.2009年。使用英格兰、威尔士和美国的数据对随机死亡率模型进行定量比较。《北美精算杂志》，13（1），1-35。Cairns，A.J.、Blake，D.、Dowd，K.、Kessler，A.R.2016年。幽灵永远不会死：生活在不可靠的人口数据中。皇家统计学会杂志：A辑（社会统计），179（4），975-1005。

- 附录B《长寿风险校准分析Currie，I.D.（2006年）。用P样条曲线平滑和预测死亡率。在精算师协会发表的演讲。Dowd，K.、Cairns，A.J.、Blake，D.、Coughlan，G.D.、Epstein，D.、Khalaf Allah，M.2010年。评估随机死亡率模型的拟合优度。保险：数学与经济学，47（3），255-265。人类生育数据库。马克斯·普朗克人口研究所（德国）和维也纳人口研究所（奥地利）。（数据于2016年7月下载）可访问www.humanfertility。org28人类死亡率数据库。加利福尼亚大学伯克利分校（美国）和马克斯·普朗克人口研究所（德国）。（数据于2015年9月1日下载）可访问www.detairation。org或www.humandetairation。de Lee，R.D.，&Carter，L.R.1992。建模和预测美国死亡率。《美国统计协会杂志》，87（419），659-671。Quashie，A.，&Denuit，M.2005年。卢旺天主教大学统计学院精算师。伦肖，A.E.，和哈伯曼，S.2006。基于队列的Lee扩展死亡率降低因子的卡特模型。保险：数学与经济学，38（3），556-570。Richards，S.J.2008年。利用有限的数据检测出生年份死亡率模式。《皇家统计学会杂志》，A辑，171（1）：279-298。Wilmoth J.R.、K.Andreev、D.Jdanov和D.A.Glei。人类死亡率数据库的方法协议。加州大学伯克利分校和罗斯托克马克斯·普朗克人口研究所。URL：http://mortality.org[2007年5月31日版本]。