یک رویکرد مقایسه ای یادگیری ماشینی برای پیش‌بینی داده های ذخایر خسارت‌های واقع‌شده ولی گزارش‌نشده بیمه ای در حضور داده های سانسور شده و بریده شده

الموضوعات : Financial Economics

اکبر پیله ور سلطان احمدی ¹ , کیومرث شهبازی ² , حمزه دیدار ³

1 - علوم اقتصادی، دانشکده اقتصاد، دانشگاه ارومیه، ارومیه/ایران
2 - استاد اقتصاد دانشگاه ارومیه، گروه علوم اقتصادی، دانشگاه ارومیه، ارومیه، ایران
3 - دانشیار حسابداری دانشگاه ارومیه، گروه حسابداری ، دانشگاه ارومیه، ارومیه، ایران

تاريخ الإرسال : 11 الأربعاء , جمادى الأولى, 1446 تاريخ التأكيد : 01 الإثنين , جمادى الثانية, 1446 تاريخ الإصدار : 14 السبت , ربيع الأول, 1447

الکلمات المفتاحية: ذخایر خسارت‌های واقع‌شده ولی گزارش‌نشده, جنگل تصادفی, شبکه عصبی پرسپترون چندلایه, شبکه عصبی با حافظه طولانی کوتاه‌مدت ,

ملخص المقالة :

این مطالعه با هدف پیش‌بینی ذخایر خسارت‌های واقع‌شده ولی گزارش‌نشده، در رشته‌های مختلف بیمه‌ای، از مدل‌های یادگیری ماشین پیشرفته و تحلیل داده‌های سانسورشده و بریده‌شده استفاده کرده است. داده‌ها شامل اطلاعات تاریخ­های وقوع و گزارش حادثه در پنج رشته بیمه‌ای، شامل ثالث مالی، بدنه، ثالث جانی و حوادث راننده، آتش‌سوزی و مسئولیت بوده و روش­ها شامل رگرسیون خطی چندگانه (MLR)، مدل خطی تعمیم‌یافته (GLM)، مدل افزایشی تعمیم‌یافته (GAM)، جنگل تصادفی (RF)، شبکه عصبی (MLP) و حافظه کوتاه‌مدت و بلندمدت (LSTM)  در دوره زمانی 1400 تا 1401 در شرکت بیمه ایران می‌باشند. با سانسور کردن و برش داده­ها در مقاطع مختلف، بر حسب روزهای تعطیل، روزهای شلوغ سال و دوره­های رونق ساخت و ساز، ویژگی­های اثرگذار داده­ها، براساس نوع رشته بیمه ­ای مدل­سازی شد. نتایج نشان داد که مدل‌های LSTM و RF در پیش‌بینی تاخیرها عملکرد بسیار بهتری نسبت به مدل‌های خطی داشتند؛ به‌طور خاص، مدل RF در رشته‌های بدنه و ثالث مالی با خطا به ترتیب 64/10 و 02/11 و مدل LSTM با خطا به‌ترتیب 83/9 و 72/10، دقت بالاتری نسبت به سایر مدل‌ها داشته­اند. این مدل‌ها در شناسایی الگوهای پیچیده موجود در داده‌ها توانمند بوده و نشان دادند که با توجه به تأثیرگذاری عواملی مانند تعطیلات آخر هفته‌ها و نوع ترکیب داده‌ها می‌توانند الگوهای پیچیده‌تری را در داده‌های بیمه‌ای شناسایی کنند. این نتایج تأکید دارد که مدل‌های LSTM  و جنگل تصادفی به‌طور چشمگیری قابلیت بهبود دقت پیش‌بینی را دارا بوده و ابزار مناسبی برای ارزیابی ریسک و تخصیص بهینه ذخایر مالی در صنعت بیمه محسوب می‌شوند.

المصادر:

پورزمانی، زهرا. (۱۳۹۴). کاربرد الگوریتم ژنتیک خطی و غیرخطی در بهبود قدرت پیش‌بینی. مهندسی مالی و مدیریت اوراق بهادار، ۲۴، صص ۸۱-۹۴.
جانفشان، بیتا. (۱۳۸۵). معرفی دو روش برآورد ذخیره خسارت‌های واقع‌شده اما گزارش‌نشده. فصلنامه صنعت بیمه، ۲۱(2)، صص ۳۳-۵۰
شکری، ا.، ایزدی، م. ا.، و خالدی، ب. (۱۴۰۲). مدل‌بندی خسارت‌های معوق در مثلث‌های تأخیر وابسته با در نظر گرفتن وابستگی تقویمی. پژوهشنامه بیمه، ۱۲ (۴)، صص ۲۸۳-۲۹۸
شهبازی، کیومرث، و پیله‌ور سلطان احمدی، اکبر. (۱۳۹۴). معرفی یک سیستم پیش‌بینی مناسب برای برآورد تقاضای درمان در بیمارستان امام رضا (ع) ارومیه. فصلنامه مطالعات اقتصادی کاربردی ایران، ۱۶_(۴)، صص ۲۰۵-۲۳۲
شهریار، بهنام، امدادی، فاطمه، و صیادزاده، علی. (۱۳۹۴). اندازه‌گیری ذخایر خسارت معوق به‌عنوان مهم‌ترین ذخیره فنی شرکت‌های بیمه: رویکرد توانگری II. مجموعه مقالات بیست و دومین همایش ملی و هشتمین همایش بین‌المللی بیمه و توسعه، ۲۲
غلامیان، الهام، و داوودی، سید محمدرضا. (۱۳۹۷). پیش‌بینی روند قیمت در بازار سهام با استفاده از الگوریتم جنگل تصادفی. مهندسی مالی و مدیریت اوراق بهادار، ۹(35)، صص ۳۰۱-۳۲۲
Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. Wiley.
Andersson, D. U. (2023). Optimizing method selection for IBNR-reserve calculation using machine learning (Master's thesis, Stockholm University, Department of Mathematics, Mathematical Statistics). Stockholm, Sweden: Stockholm University.
Antonio, K., & Plat, R. (2014). Micro-level stochastic loss reserving for general insurance. Scandinavian Actuarial Journal, 2014(7), pp. 649–669.
Badescu, A. L., Lin, X. S., & Tang, Q. (2016). A marked Cox model for the number of IBNR claims: Theory. Insurance: Mathematics and Economics, 69, pp. 29–37.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), pp. 5-32.
Calcetero-Vanegas, S., Badescu, A. L., & Lin, X. S. (2023). Claim reserving via inverse probability weighting: A micro-level chain-ladder method. arXiv preprint arXiv:2307.10808.
Chang, W. (2024). Improving the accuracy of IBNR reserve predictions using uniform splines. Scandinavian Actuarial Journal.
Dobson, A. J., & Barnett, A. G. (2018). An Introduction to Generalized Linear Models (4th ed.). Chapman and Hall/CRC.
Farkas, S., & Lopez, O. (2024). Semiparametric copula models applied to the decomposition of claim amounts. Scandinavian Actuarial Journal, 2024(10), pp. 1065-1092.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.
Hiabu, M., Hofman, E. D., & Pittarello, G. (2024). A machine learning approach based on survival analysis for IBNR frequencies in non-life reserving. Retrieved from https://arxiv.org/abs/2312.14549v2
Hiabu, M., Mammen, E., Martínez-Miranda, M. D., & Nielsen, J. P. (2016). In-sample forecasting with local linear survival densities. Biometrika, 103(4), pp. 843–859.
Lee, Y. K., Mammen, E., Nielsen, J. P., & Park, B. U. (2015). Asymptotics for in-sample density forecasting. The Annals of Statistics, 43(2), pp. 620–651.
Lee, Y. K., Mammen, E., Nielsen, J. P., & Park, B. U. (2017). Operational time and in-sample density forecasting. The Annals of Statistics, 45(3), pp. 1312–1341.
Maait, M. A. M. (2023). Estimating Claims Reserves in Insurance Industries: Evidence from the Egyptian Market. Scientific Journal for Financial and Commercial Studies and Research, Faculty of Commerce, Damietta University, 4(1), pp. 967-984.
Mammen, E., Martínez-Miranda, M. D., Nielsen, J. P., & Vogt, M. (2021). Calendar effect and in-sample forecasting. Insurance: Mathematics and Economics, 96, pp. 31–52.
Miranda, M. D. M., Nielsen, J. P., Sperlich, S., & Verrall, R. (2013). Continuous run-off triangles in loss reserving. ASTIN Bulletin, 43(3), pp. 321-349.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.
Nelder, J. A., & Wedderburn, R. W. (1972). Generalized Linear Models. Journal of the Royal Statistical Society: Series A (General), 135(3), pp. 370–384.
Smith, J., & Doe, R. (2020). Machine Learning in Insurance Claims. Journal of Insurance Studies, 45(3), pp. 456-468.
Wood, S. N. (2017). Generalized Additive Models: An Introduction with R (2nd ed.). CRC Press.
Wuthrich, M. (2018). Neural networks applied to Chain–Ladder reserving. European Actuarial Journal, 8(2), pp. 407-436. http://dx.doi.org/10.2139/ssrn.2966126