نوع مقاله : مقاله علمی
نویسندگان
1 گروه مدیریت عملیات و فناوری اطلاعات، دانشکدة مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
2 گروه مدیریت فناوری اطلاعات، دانشکدة مدیریت و حسابداری، دانشگاه تهران، تهران، ایران
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 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.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Designing an intelligent evaluation system for predicting fire insurance claims using deep learning
نویسندگان [English]
- I. Raeesi Vanani 1
- M. Taghavifard 1
- B. Sohrabi 2
- M. Amirhosseini 1
1 Department of Operations and Information Technology Management, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran
2 Department of Information Technology Management, Faculty of Management, University of Tehran, Tehran, Iran
کلیدواژهها [English]
- Deep learning
- Fire insurance
- Loss prediction
- Risk evaluation
- Risk theory
BACKGROUND AND OBJECTIVES: Fire insurance is a type of insurance that provides financial protection against property damage caused by events such as fire, theft, and weather-related damage. The use of modern analytics methods in analyzing policies and predicting potential losses is of great interest to insurance companies and those involved in property insurance services. Claim prediction is a crucial measure for predicting future losses in insurance companies, particularly in property insurance, where it helps evaluate the Probable Maximum Loss (PML) based on risk theory.
METHODS: This study focuses on developing claim prediction models for occurrence probability, severity, and time by creating a dataset, training various algorithms, and comparing their performance. Exploratory Data Analysis (EDA) is conducted to select relevant features, resulting in the selection of 44 fields from insurance policy and claim information. Recursive Field Elimination (RFE) is used to reduce the dataset dimensions, and informative fields are selected for each prediction model. The dataset consists of over 780,000 policy records and approximately 70,000 loss payments from the Iran Insurance Company's actual fire application database spanning 10 years (2011-2021). Linear regression, random forest regression (RFR), support vector regression (SVR), and deep neural network algorithms are implemented for each prediction model. The accuracy of the algorithms is evaluated using mean squared error (MSE) and mean absolute error (MAE) values.
FINDINGS: The results of the prediction models show that the deep multi-layer perception (MLP) algorithm performs the best. After hyperparameter tuning and multiple runs, the final MSE values are determined as 0.117 for occurrence probability prediction, 0.042 for loss severity prediction, and 0.106 for claim time prediction. The comparison of the innovative model results with test data demonstrates that intelligent models provide more accurate predictions. Accurate prediction is highly valuable for insurance companies as it allows them to mitigate financial losses. The use of deep learning in loss time prediction, in addition to severity and probability prediction, is a significant innovation in this research.
CONCLUSION: Machine learning techniques, such as deep learning, can help insurance companies optimize their services with higher accuracy, strengthen risk management practices, and provide tools for better decision-making. The application of deep learning in loss prediction can replace complex and inaccurate manual processes in insurance, leading to advancements in risk management, reinsurance management, and improvement of fire insurance pricing.
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