نوع مقاله : مقاله علمی

نویسندگان

• آتوسا گودرزی ¹
• سید جواد طباطبایی منش ²

¹ گروه آکچوئری، مؤسسۀ آموزش عالی بیمۀ اکو، دانشگاه علامه طباطبائی، تهران، ایران

² گروه آکچوئری، سازمان تأمین اجتماعی، تهران، ایران

چکیده

تقلب در حقوق و مزایای بیمۀ بیکاری همواره یکی از موضوعات حساس و مورد توجه در حوزۀ بیمه‌های اجتماعی است که طبق قوانین، جزو جرائم کیفری بوده و قابل پیگیری است. در حال‌ حاضر بهترین روش به منظور ارزیابی تقلب، کنترل آن در همان مراحل اولیۀ شکل‌گیری و به کمک اطلاعات تقلب‌های کشف‌شدۀ گذشته است. در این مقاله ابتدا مراحل استاندارد کنترل تقلب در تقاضاهای بیمه‌ای مورد بررسی قرار گرفته و سپس با توجه به وجود پایگاه دادۀ مناسب در خصوص مقرری‌بگیران بیمۀ بیکاری سازمان تأمین اجتماعی، از دو روش داده‌کاوی شبکه‌های عصبی و درخت تصمیم به منظور یافتن الگوهایی مناسب استفاده شده است که می‌تواند به‌عنوان ابزاری سودمند همراه با کاهش قابل توجه در وقت و هزینه به ارزیابی به موقع تقلب در تقاضاهای بیمۀ بیکاری کمک کند. در فرایند مطالعۀ تجربی، این روش‌ها بر روی داده‌های واقعی شامل اطلاعات 15983 تقاضای جدید و جاری مقرری بیمۀ بیکاری آزمایش و کارایی هر روش سنجیده شده است. روش شبکه‌‌های عصبی با دقت 88 درصد در ارزیابی صحیح متقلبانه یا عادی‌بودن تقاضاها، بهترین کارایی را در مقایسه با روش درخت تصمیم با دقت 84 درصد در برداشته است. بر این اساس، مهم‌ترین متغیرهای مؤثر بر تقاضاهای متقلبانه در روش شبکه‌های عصبی به‌ترتیب، متغیرهای شغل قبلی بیمه‌شده، سابقۀ پرداخت حق بیمه، سن و در روش درخت تصمیم، متغیرهای محل جغرافیایی شعبه، جنسیت، و تعداد افراد تحت تکفل متقاضی هستند.

کلیدواژه‌ها

• ریسک تقلب
• بیمۀ بیکاری
• داده‌کاوی
• شبکه‌های عصبی
• درخت تصمیم
• تأمین اجتماعی

عنوان مقاله [English]

Fraud risk evaluation of the social security organizations' unemployment insurance benefits

نویسندگان [English]

• A. Goudarzi ¹
• S. J. Tabatabaee Manesh ²

¹ Department of Actuarial, Eco Insurance Institute of Higher Education, Allameh Tabatabai University, Tehran, Iran

² Department of Actuarial, Social Security Organization, Tehran, Iran

چکیده [English]

Fraud in unemployment insurance rights and benefits is always one of the sensitive and important issues in the field of social insurance, which according to the laws is a criminal offense and can be prosecuted. Currently, the best method to evaluate fraud is to control it in the initial stages of its formation and with the help of the information of discovered frauds in the past. In this article, first, the standard steps of fraud control in insurance claims are examined, and then, considering the existence of a suitable database regarding unemployment insurance recipients of the Social Security Organization, two data mining methods, neural networks and decision trees, are used in order to find suitable patterns. It has been shown that it can be a useful tool with a significant reduction in time and cost to help in the timely evaluation of fraud in unemployment insurance claims. In the process of the experimental study, these methods have been tested on real data including information on 15,983 new and current unemployment insurance claims and the efficiency of each method has been measured. The neural network method with an accuracy of 88% in assessing whether the demands are correct or normal has achieved the best performance in comparison with the decision tree method with an accuracy of 84%. Based on this, the most important variables affecting fraudulent claims in the neural network method are, respectively, the variables of the insured's previous job, insurance premium payment history, age, and in the decision tree method, the variables of the geographical location of the branch, gender, and number dependents of the applicant.

کلیدواژه‌ها [English]

• Fraud Risk
• Unemployment Insurance
• Data mining
• Neural Networks
• decision tree
• Social security