نوع مقاله : مقاله علمی

نویسندگان

• یعقوب احمدلو ¹
• علیرضا پورابراهیمی ²
• جعفر تنها ³
• علی رجب زاده ⁴

¹ گروه مدیریت فناوری اطلاعات، دانشکدۀ مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

² گروه مدیریت صنعتی، دانشکدۀ مدیریت و حسابداری، دانشگاه آزاد اسلامی، کرج، ایران

³ گروه مهندسی فناوری اطلاعات، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

⁴ گروه مدیریت صنعتی، دانشکدۀ مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران

چکیده

پیشینه و اهداف: شناسایی ادعاهای مشکوک خسارت در بیمۀ کشاورزی با استفاده از روش‌های سنتی، با بهره‌گیری از کارشناسان در میان انبوه ادعاها بسیار دشوار و شاید غیرممکن باشد. در پژوهش حاضر، مدلی برای کشف ادعاهای مشکوک خسارت­ در بیمۀ کشاورزی با استفاده از تکنیک‌های داده‌کاوی ارائه شده است تا به صندوق بیمۀ کشاورزی در شناسایی این‌گونه ادعاها کمک نماید.
روش‌شناسی: روش تحقیق در این پژوهش از نظر هدف، کاربردی و از نظر ماهیت، توصیفی ـ پس‌رویدادی است. یکی از کاربردهای داده‌کاوی، تشخیص ناهنجاری است. در مطالعۀ حاضر، روشی برای تشخیص ناهنجاری‌ها در داده‌ها با استفاده از مدل‌های ترکیبی یادگیری ماشین ارائه شده است. برای اجرای این روش، از داده‌های واقعی خسارت پرداختی به بیمۀ گندم (آبی و دیم) به مدت یک سال در استان خوزستان استفاده شده است. با توجه به تفاوت در روند تعیین خسارت بیمه‌نامه‌های گندم آبی و دیم، تحلیل ناهنجاری آنها به تفکیک انجام شده و برای هر کدام تعداد ادعاهای مشکوک به­صورت جداگانه به دست آمد.
یافته‌ها: تجزیه‌و‌تحلیل نتایج، 5 نوع رفتار مشکوک را در ادعای خسارت نشان داد. نسبت ادعاهای مشکوک به کل (درصد ناهنجاری‌ها) با استفاده از هیستوگرام نمرات ناهنجاری و نظر کارشناسان صندوق بیمه حدود 1.5 درصد برآورد شد. موارد مشکوک و غیرعادی توسط کارشناسان مورد بررسی قرار گرفت و دقت نهایی مدل در تشخیص صحیح موارد مشکوک برای بیمه‌نامۀ گندم آبی و دیم به‌ترتیب 72 و 68 درصد به دست آمد.
نتیجه‌گیری: بر اساس نتایج به دست آمده، می‌توان از مدل ارائه‌شده برای شناسایی ادعاهای مشکوک خسارت در بیمه‌نامه­های گندم آبی و دیم استفاده نمود. از آنجا که بیشتر موارد غیرعادی ناشی از عدم ارائۀ مستندات کافی می‌باشد، علت این موضوع می‌تواند به‌دلیل ارائۀ بیمه‌نامه‌های صوری یا وجود تبانی بین بیمه­گذار، نمایندۀ بیمه­گر یا ارزیاب باشد. بنابراین، بایستی در روند پرداخت خسارت دقت و بررسی بیشتری صورت گیرد. مطالعۀ حاضر بر روی محصول گندم انجام شده و قابل‌استفاده برای سایر محصولات زراعی می­باشد.

کلیدواژه‌ها

• بیمۀ کشاورزی
• تشخیص موارد غیرنرمال
• داده‌کاوی
• یادگیری ترکیبی
• یادگیری ماشینی بدون نظارت

موضوعات

• ارزیابی خسارت در رشته های بیمه

عنوان مقاله [English]

Presenting a hybrid model for identifying claims of suspicious damages in agricultural insurance

نویسندگان [English]

• Y. Ahmadlou ¹
• A. Pourebrahimi ²
• J. Tanha ³
• A. Rajabzadeh ⁴

¹ Department of Information Technology Management, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Department of Industrial Management, Karaj Branch, Islamic Azad University, Karaj, Iran

³ Department of Information Technology Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

⁴ Department of Industrial Management, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran

چکیده [English]

BACKGROUND AND OBJECTIVES: It is very difficult and maybe impossible to identify suspicious damage claims in agricultural insurance using traditional methods and using the opinions of experts among a multitude of claims. In the current research, a model for discovering suspicious damage claims in agricultural insurance using data mining techniques has been presented to help the agricultural insurance fund in identifying such claims.
METHODS: The research method in the present research is applied in terms of intention and descriptive-post-event in terms of quiddity. One of the applications of data mining is anomaly detection. In the present study, a technique for detecting anomalies in the data using ensemble machine learning models is carride out. To enforcement this method, real data on compensation paid for wheat insurance (irrigated and rainfed) for one year in Khuzestan province was used. Because of differences in the process of determining damages of irrigated and rainfed wheat insurance policies, their anomalies were analyzed separately and a number of suspicious claims were acquired for each.
FINDINGS: The analysis of the results showed 5 types of suspicious behavior in claiming damages. The ratio of suspicious claims to the total (percentage of anomalies) was estimated using the histogram of anomalous scores and the opinion of insurance fund experts about 1.5%.  Suspicious and unusual cases were examined by experts and the final accuracy of the model in correctly identifying suspicious cases was 72% for irrigated wheat insurance and 68% for dryland wheat insurance.
CONCLUSION: Based on the obtianed results, the presented model can be used to detecte suspicious claims in wet and dry wheat insurance policies. Since most of the unusual cases are caused by not providing sufficient documentation, it can be due to the presentation of forging insurance policies or the existence of collusion between the insured, the agent or the assessor. Therefore, more care should be taken in the payment process. The present study was conducted on the product and can be used for other crops as well.

کلیدواژه‌ها [English]

• Data mining
• Unsupervised machine learning
• Anomaly detection
• Ensemble learning
• Agricultural insurance