رویکرد شبکه عصبی MLP برای اعتبارسنجی مشتریان بیمه سلامت در محیط‌های کلان داده
محورهای موضوعی : سامانه های پردازشی و ارتباطی چند رسانه ای هوشمند
سعید شعوری
1
(دانشجوی دکتری، گروه اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران)
علی چشمی
2
(استادیار، گروه اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران)
احمد سیفی
3
(دانشیار گروه اقتصاد ، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد.)
رسول رمضانی
4
(استادیار، گروه اقتصاد، دانشگاه تگزاس، دالاس، آمریکا)
تقی ابراهیمی سالاری
5
(دانشیار، گروه اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران)
کلید واژه: اعتبارسنجی, بیمه سلامت , ریسک مبتنی بر خسارت, شبکه عصبی MLP,
چکیده مقاله :
ارزیابی ناکافی ریسک بیمه‌گذاران یک چالش مهم در صنعت بیمه سلامت است. این تحقیق یک مدل اعتبارسنجی مشتری برای طرح های بیمه سلامت با تمرکز ویژه بر کارکنان شرکت نفت شرق ایران پیشنهاد می‌کند. در این مطالعه، یک شبکه عصبی پرسپترون چندلایه (MLP) مشتمل بر شش مرحله برای اعتبارسنجی مشتری استفاده می‌شود. آموزش وزن‌ها به عنوان گامی حیاتی در پیاده‌سازی شبکه عصبی، تأثیر متغیرهای توضیحی را بر خروجی مدل تعیین می‌کند. سپس مدل آموزش‌دیده برای اعتبارسنجی استفاده می‌شود. نتایج اعتبارسنجی نشان می‌دهد که متغیرهای هزینه پرداختی بیمه سلامت و متغیرهای بیماری خاص بیشترین تأثیر را بر طبقه‌بندی مشتریان ناسالم دارند. نتیجه حائز اهمیت پس از اعتبارسنجی بیانگر این است که حدود 1.8٪ از جمعیت به عنوان "ناسالم" شناسایی شده است. این گروه به ظاهر کوچک، 17.47 درصد کل پرداختی شرکت بیمه بابت مطالبات بیمه درمان را تشکیل می‌دهند این درحالی است که اکنون حق بیمه این افراد برابر افراد سالم می‌باشد. مدل اعتبارسنجی پیشنهادی یک رویکرد عملی برای شرکت‌های بیمه ارائه می‌کند تا پروفایل ریسک مشتری را ارزیابی کرده تا حق بیمه‌ها را بر این اساس تنظیم کنند. این رویکرد سیستم بیمه ای عادلانه تر و پایدارتر را ترویج می‌کند.
Introduction: Inadequate risk assessment of policyholders is a significant challenge in the health insurance industry. This research proposes a customer validation model for health insurance plans, focusing specifically on employees of the East Iran Oil Company.
Method: In this study, a Multi-Layer Perceptron (MLP) neural network with six steps is employed for customer validation. Weight training, a crucial step in neural network implementation, determines the influence of explanatory variables on the model's output. The trained model is then used for validation.
Results: Validation results indicate that health insurance claim variables and specific disease variables have the highest impact on unhealthy customer classification. Notably, the validation process identified approximately 1.8% of the population as "unhealthy." This seemingly small group accounts for a disproportionately high 17.47% of the company's total health insurance claims, despite currently being classified and charged premiums as healthy individuals.
Discussion: The proposed validation model offers a practical approach for insurance companies to assess customer risk profiles and tailor premiums accordingly. This approach promotes a more equitable and sustainable insurance system. JEL classification: C52, I13, C45
[1] European, G. C. A. (2011). Use of age and disability as rating factors in insurance: why are they used and what would be th implications of restricting their use?, position paper.
[2] Feldman, R. (2001). An economic explanation for fraud and abuse in public medical care programs. The Journal of Legal Studies, 30(S2), 569-577.
[3] Behrendt, C. A., Schwaneberg, T., Hischke, S., Müller, T., Petersen, T., Marschall, U., ... & Kriston, L. (2020). Data privacy compliant validation of health insurance claims data: the IDOMENEO approach. Das Gesundheitswesen, 82(S 02), S94-S100.
[4] Lee, G., Kim, W., Oh, H., Youn, B. D., & Kim, N. H. (2019). Review of statistical model calibration and validation—from the perspective of uncertainty structures. Structural andMultidisciplinary Optimization, 60, 1619-1644.
[5] Huber, L. (2023). Validation of computerized analytical systems. CRC Press.
[6] Dionne, G., & Rothschild, C. (2014). Risk classification and health insurance. Encyclopedia of Health Economics, 3, 272-280.
[7] Mariner, wendy k. (2013). The affordable care act and Health promotion: The role of insurance in defining of responsibility for health risks and costs, Boston University school of law public law and Legal Research paper no, pp:10-13.
[8] Hadian, M., Ghaderi, H., & Moeini, M. (2007). Estimating Demand Function for Supplementary Health Insurance Case Study: Iran Insurance Corporation.
[9] DAGHIGHI, A. A. R., FAGHIH, N. M., & AGHASSI, K. S. (2010). Estimating Demand Function of Supplementary Health Insurance in Iranian Insurance Industry.
[10] Abbasi, E., Taghiabadi, M. (2011). The effect of economic factors on the demand for supplementary medical insurance. Insurance Journal, 104(26), 57-80.
[11] Nakhaei Aghimuni, M., & Kamuei, M. (2010). Estimating demand function of private insurance in urban states of Iran: Tobit analysis. Insurance Industry, 25(3), 3-28.
[12] Ebrahimzadeh, J., Mohammad, A. R. A. B., & Emamgholipour, S. (2015). Determinants of supplementary health insurance demand: case study of Iran. Iranian journal of public health, 44(11), 1563-1565.
[13] Nosratnejad, S. H., Purreza, A., Moieni, M., & Heydari, H. (2014). Factors affecting the demand for private health insurance in Tehran. Hospital, 13(2), 37-44.
[14] Vafaee Najar, A., Karimi, I. R. A. J., & Seydnowzadi, M. (2007). A comparative study between complementary health assurance structure and content in selected countries and presenting a paradigm for Iran. Journal of Health Administration, 10(28), 57-64.
[15] Gol-Alizadeh, E., Pirouzian, A., & Jabbari, M. R. (2018). Improving supplemental health insurance in Iran and how to achieve it. Iran J Health Insur, 1(1), 2-12.
[16] Mohebi, T. (2018). Critique of health insurance configuration in developing countries. Iranian Journal of Health Insurance, 1(1-2), 1-2.
[17] Riahifar, M., 2015. Designing a risk management model for medical insurance for Iran. Insurance industry quarterly, year 21, number 4, 119-155.
[18] Choudhry, N. K. (2017). Randomized, controlled trials in health insurance systems. New England Journal of Medicine, 377(10), 957-964.
[19] Olivieri, A., & Pitacco, E. (2015). Introduction to insurance mathematics: technical and financial features of risk transfers. Springer.
[20] Ritacco, E. (2014). Health insurance. Basic Actuarial Models, Cham, Switzerland: Springer Verlag.
[21] Lima Ramos, P. (2017). Premium calculation in insurance activity. Journal of Statistics and Management Systems, 20(1), 39-65.
[22] Boucher, J. P., & Inoussa, R. (2014). A posteriori ratemaking with panel data. ASTIN Bulletin: The Journal of the IAA, 44(3), 587-612.
[23] Koh, H. C., & Tan, G. (2011). Data mining applications in healthcare. Journal of healthcare information management, 19(2), 65.
[24] Rizal, A., & Hartati, S. (2016). Recurrent neural network with Extended Kalman Filter for prediction of the number of tourist arrival in Lombok. In Proceedings of the International Conference on Informatics and Computing (ICIC). Academic Press; . doi:10.1109/IAC.2016.7905712.
[25] Manry, M. T., Chandrasekaran, H., & Hsieh, C. H. (2018). Signal processing using the multilayer perceptron. In Handbook of Neural Network Signal Processing (pp. 2-1). CRC Press.
[26] Delashmit, W. H., & Manry, M. T. (2005, May). Recent developments in multilayer perceptron neural networks. In Proceedings of the seventh annual memphis area engineering and science conference, MAESC (Vol. 7, p. 33).
[27] Yang, Z. R., Platt, M. B., & Platt, H. D. (1999). Probabilistic neural networks in bankruptcy prediction. Journal of business research, 44(2), 67-74.
[28] Jaworeck, S. (2022). A New Approach for Constructing a Health Care Index including the Subjective Level. International Journal of Environmental Research and Public Health, 19(15), 9686.
[29] Vujović, Ž. (2021). Classification model evaluation metrics. International Journal of Advanced Computer Science and Applications, 12(6), 599-606.
[30] Powers, D. M. (2020). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. arXiv preprint arXiv:2010.16061.
