ارزیابی خسارت در رشته های بیمه
ایمان رئیسی وانانی؛ محمدتقی تقوی فرد؛ بابک سهرابی؛ مرتضی امیرحسینی
چکیده
پیشینه و اهداف: بیمة آتش‌سوزی نوعی بیمه است که از خسارت مالی به اموال محافظت می‌کند. معمولاً حوادثی مانند آتش‌سوزی، سرقت و خسارت‌های مربوط به آب‌وهوا را پوشش می‌دهد و می‌تواند به جبران هزینه‌های تعمیر یا جایگزینی اموال آسیب‌دیده کمک کند. شرکت‌های بیمه و علاقه‌مندان به توسعة خدمات بیمة آتش‌سوزی به‌دنبال استفاده از روش‌های ...
بیشتر
پیشینه و اهداف: بیمة آتش‌سوزی نوعی بیمه است که از خسارت مالی به اموال محافظت می‌کند. معمولاً حوادثی مانند آتش‌سوزی، سرقت و خسارت‌های مربوط به آب‌وهوا را پوشش می‌دهد و می‌تواند به جبران هزینه‌های تعمیر یا جایگزینی اموال آسیب‌دیده کمک کند. شرکت‌های بیمه و علاقه‌مندان به توسعة خدمات بیمة آتش‌سوزی به‌دنبال استفاده از روش‌های تحلیلی مدرن برای تجزیه‌وتحلیل بیمه‌نامه‌ها، ارزیابی و پیش‌بینی خسارت احتمالی آن‌ها برای مدیریت ریسک هستند. پیش‌بینی ادعای خسارت، معیاری حیاتی برای پیش‌بینی خسارت‌های آتی در شرکت‌های بیمه است. براساس نظریة ریسک، پیش‌بینی خسارت عنصری مهم در کسب‌وکار بیمة آتش‌سوزی برای ارزیابی حداکثر خسارت احتمالی است.روش‌شناسی: در این پژوهش سه معیار پیش‌بینی خسارت (احتمال وقوع، شدت، زمان بروز) با تهیة مجموعه داده، یادگیری و مقایسة الگوریتم‌های مختلف توصیف می‌شوند. در ابتدا، تجزیه‌وتحلیل داده‌های اکتشافی برای انتخاب ویژگی‌های مورد نیاز انجام شد و در نهایت 44 قلم اطلاعاتی از اطلاعات بیمه‌نامه و خسارت پرداختی رشتة آتش‌سوزی انتخاب گردید. ابعاد مجموعه داده‌ها توسط روش حذف بازگشتی ویژگی‌ها کاهش یافته و برای هر الگوریتم، مجموعة مختلفی از فیلدهای اطلاعاتی مؤثر انتخاب شده است. ما بیش از 780،000 رکورد بیمه‌نامه و حدود 70،000 رکورد مرتبط خسارت پرداختی را برای یک بازة ده‌ساله (ابتدای 1390 تا ابتدای 1400) از بانک اطلاعاتی عملیاتی سامانة آتش‌سوزی بیمة ایران انتخاب کرده‌ایم. مدل‌های یادگیری رگرسیونی برتر مانند رگرسیون خطی، رگرسیون جنگل تصادفی، رگرسیون بردار پشتیبان و شبکة عصبی عمیق برای هر سه الگوریتم پیش‌بینی خسارت پیاده‌سازی شد. سپس دقت الگوریتم‌ها با مقدار میانگین مربعات خطا و مقدار میانگین خطای مطلق مقایسه شد.یافته‌ها: نتایج پیش‌بینی مدل نشان داد که بهترین الگوریتم برای هر سه معیار، یادگیری عمیق و مشخصاً شبکة عصبی چندلایة پرسپترون است. پس از تنظیم فراپارامترها و چندین بار اجرا، بهترین الگوریتم یادگیری عمیق با کمترین خطا با مقادیر 0.117 (احتمال وقوع)، 0.042 (شدت خسارت)، 0.106 (زمان بروز خسارت) حاصل شد. پیش‌بینی نتایج مدل نوآورانة ما در داده‌های آزمایشی، به این نتیجه رسید که مدل هوشمند ارائه‌شده دقت مناسبی دارد. شرکت‌های بیمه به‌شدت علاقه‌مند پیش‌بینی آینده‌اند و پیش‌بینی خسارت فرصتی برای کاهش زیان مالی برای شرکت فراهم می‌کند. به‌کارگیری یادگیری عمیق در پیش‌بینی خسارت آتش‌سوزی و پیش‌بینی زمان بروز خسارت، علاوه‌بر احتمال و شدت، نوآوری‌های مدل هستند.نتیجه‌گیری: یادگیری ماشین می‌توانند به شرکت‌ها کمک کنند تا خدمات خود را با دقت بیشتری بهینه کنند، مدیریت ریسک را تقویت و در نتیجه ابزارهایی برای تصمیم‌گیری بهتر فراهم نمایند. به‌کارگیری یادگیری عمیق در پیش‌بینی خسارت بیمه می‌تواند به‌صورت کاربردی جایگزین فرایند دستی پیچیده، زمان‌بر و نادقیق موجود در شرکت‌های بیمه شود و سرآغار توسعة نوین در مدیریت ریسک، مدیریت اتکایی و بهبود نرخ‌گذاری بیمة آتش‌سوزی باشد.
