نوع مقاله : مقاله علمی
نویسندگان
1 گروه اقتصاد امور عمومی، دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران
2 گروه مطالعات عمومی بیمه، پژوهشکدۀ بیمۀ ایران، تهران، ایران
3 گروه بیمههای زندگی، شرکت بیمه دی، تهران، ایران
چکیده
پیشینه و اهداف: ضریب نفوذ بیمه عمر بهعنوان یک محصول مهم بیمهای و برنامهریزی مالی در ایران بسیار پایین است و یکی از دلایل آن بازخرید بیمهنامههاست. هدف این مقاله بررسی تأثیر مشخصههای فردی و قراردادی بیمهنامههاست که بر بازخرید بیمهنامههای عمر به شرط فوت اثر میگذارند.
روششناسی: برای این منظور از دادههای آماری و اطلاعات ثبتی 35171 خریدار بیمهنامههای عمر و مستمری یک شرکت بیمهای در مقطع سال 1400 بهعنوان پایلوت استفاده شد. برای تجزیه و تحلیل نیز از دادهکاوی و الگوریتمهای یادگیری عمیق و شبکه عصبی که دقت بسیار بالایی در پیشبینی دارند استفاده شد.
یافتهها: مدل از دقت مطلوب 74 درصد در پیشبینی هر دو نوع بیمهنامههای عدم بازخرید و بازخرید شده برخوردار است. البته در پیشبینی عدم بازخرید بیمهنامهها عملکرد بسیار بهتر بوده اما چون موضوع اصلی مقاله پیشبینی بیمهنامههای بازخرید شده است، در تفسیر نتایج بیشتر به آن توجه شد. نتایج بدست آمده با وجود مشکل نامتوازن بودن دادهها مطلوب است. در دادهها مورد بررسی نسبت بیمهنامههای بازخریدی به عدم بازخرید 3 به 100 است که این عدم توازن موجب میشود فرآیند یادگیری به سمت پیشبینی طبقه با بیشترین فراوانی سوگیری پیدا کند. با این وجود، شاخص پوشش 59 درصدی بدست آمده نشان داد که از مجموع 244 بیمهنامه بازخرید شده در مجموعه داده تست، شبکه توانسته اغلب آنان یعنی 145 مورد را به درستی در طبقه بیمهنامههای بازخریدی پیشبینی و طبقهبندی کند.
نتیجهگیری: نشان داده شد که از مشخصههای جمعیتشناختی متغیرهای سن، جنسیت زن، اضافه نرخ پزشکی، نرخ خطر حادثی و از مشخصههای قرارداد نیز مدت بیمهنامه، مدت زمان سپریشده از شروع بیمهنامه، شیوه پرداخت حقبیمه با اقساط بلندمدتتر، بالاتر بودن ضرایب افزایش سالانه سرمایه و حقبیمه و کمتر بودن تعداد موارد پوشش و سرمایه فوت با بازخرید اثر عکس داشته و احتمال آن را کاهش میدهند. با بازخرید بیمهنامه بصورت عکس مرتبط هستند. نسبت بیمهگذار و بیمهشده نیز تأثیرگذار بوده و نشان داده شد که بازخرید وقتی بیمهگذار بیمهنامه عمر را برای خود بخرد در حدأقل و با دور شدن نسبت خویشاوندی احتمال بازخرید افزایش مییابد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Predicting term life insurance surrender using deep neural networks
نویسندگان [English]
- A. Khandan 1
- L. Niakan 2
- Z. Fakharinezhad 3
1 Department of Economics of Public Affairs, Faculty of Economics, Kharazmi University, Tehran, Iran
3 Department of Life Insurance, Dey Insurance Company, Tehran, Iran
چکیده [English]
BACKGROUND AND OBJECTIVES: Life insurance has a very low adoption rate in Iran, mainly due to policy surrender. This research aims to analyze the individual characteristics and insurance contract features that influence the surrendering of term life insurance policies.
METHODS: The study utilizes a pilot database of 35,171 policy-holders and pensioners registered by an Iranian insurance company in 2021. Data mining, deep learning, and neural network algorithms are used for analysis due to their high accuracy in prediction:
FINDINGS: The model demonstrates desirable performance based on evaluation metrics with a 74 percent accuracy in predicting both types of surrendered and non-surrendered insurance policies. The model performs better in predicting non-surrendered insurance policies more attention is given to interpreting those results. Despite imbalanced data, the model still performs well. In the dataset, surrendered policies make up only 3 percent of the total, leading to bias towards predicting the majority class. Nonetheless, the model accurately predicts and categorizes most surrendered policies, covering 59 percent of the total 244 cases.
CONCLUSION: The results indicate that certain demographic characteristics, such as age, female gender, health surcharge, and accident risk rate, as well as specific contract characteristics, including policy term, time since start date, longer premium payment methods, higher annual increase in capital and premium, fewer covered risks, and lower benefits, are negatively correlated with policy surrender. Furthermore, the results suggest that if the insured person is the policy surrender themselves, the probability of surrender is minimized. On the other hand, if the insured person is someone else, especially distant relatives, the probability of surrender increases.
کلیدواژهها [English]
- Neural network
- Prediction
- Surrender
- Term life insurance
نامه به سردبیر
سردبیر نشریه پژوهشنامه بیمه، هرگونه پیشنهاد و انتقاد دیگر نویسندگان و خوانندگان را در خصوص نقد و بررسی این مقاله مندرج در سامانه نشریه را ظرف مدت 3 ماه از تاریخ انتشار آنلاین مقاله در سامانه و قبل از انتشار چاپی نشریه، به منظور اصلاح و نظردهی امکان پذیر نموده است.، البته این نقد در مورد تحقیقات اصلی مقاله نمی باشد.
توجه به موارد ذیل پیش از ارسال نامه به سردبیر لازم است در نظر گرفته شود:
[1] نامه هایی که شامل گزارش آماری، واقعیت ها، تحقیقات یا نظریه پردازی ها هستند، لازم است همراه با منابع معتبر و مناسب همراه باشد، اگرچه ارسال بیش از زمان 3 نامه توصیه نمی گردد.
[2] نامه هایی که بجای انتقاد سازنده به ایده های تحقیق، مشتمل بر حملات شخصی به نویسنده باشند، توجه و چاپ نمی شود.
[3] نامه ها نباید بیش از 300 کلمه باشد.
[4] نویسندگان نامه لازم است در ابتدای نامه تمایل یا عدم تمایل خود را نسبت به چاپ نظریه ارسالی نسبت به یک مقاله خاص اعلام نمایند.
[5] به نامه های ناشناس ترتیب اثر داده نمی شود.
[6] شهر، کشور و محل سکونت نویسندگان نامه باید در نامه مشخص باشد.
[7] به منظور شفافیت بیشتر و محدودیت حجم نامه، ویرایش بر روی آن انجام می پذیرد.
ارسال نظر در مورد این مقاله