• صفحه اصلی
  • طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوی با استفاده از قوانین انجمنی

اشتراک گذاری

آدرس مقاله


کد مقاله : 140304021123403 بازدید : 218 صفحه: 271 - 284

https://doi.org/10.71837/jhce.2024.1123403

نوع مقاله: پژوهشی

طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوی با استفاده از قوانین انجمنی

محورهای موضوعی : توانمندسازی سرمایه انسانی

بهمن بابازاده بلوچی 1 , کامبیز شاهرودی 2 , سیدمظفر میربرگ کار 3

1 - دانشجوی دکتری، مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
2 - دانشیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
3 - استادیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

تاریخ دریافت : 1403/04/02 تاریخ پذیرش : 1403/05/17 تاریخ انتشار : 1403/05/29

کلید واژه: مدل خرید, پرتفوی, داده کاوی, قوانین انجمنی,

چکیده مقاله :

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن(به لحاظ محاسبانی) این نرم افزار می شود.

چکیده انگلیسی:

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن(به لحاظ محاسبانی) این نرم افزار می شود.

منابع و مأخذ:

 واردی، سیده شایسته؛ طبری، مجتبی و فقیه علی آبادی، فاطمه. (1395). بهینه سازی پرتفوی سرمایه گذاری یک شرکت بیمه ای با رویکرد شارپ. پژوهشنامه بیمه، 3 (پیاپی 123)، 111-128.
 آرمیان، سارا، (1397). بررسی حد بهینه پرتفوی سرمایه گذاری شرکت های بیمه با استفاده از مدل برنامه ریزی خطی کنو (مطالعه موردی شرکت بیمه ایران). هفتمین کنفرانس بین المللی اقتصاد،مدیریت، حسابداری با رویکرد ارزش آفرینی، شیراز، موسسه آموزشی مدیران خبره نارون.
 کوهبنانی نژاد، سیده فرناز؛ فرید، داریوش و صادقی، حجت الله. (1397). انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی. مطالعات مدیریت صنعتی، 16(48)، 131-151.
 محبی، نگین و نجفی، امیرعباس. (1397). بهینه سازی سبد سرمایه گذاری چنددوره ای با رویکرد برنامه ریزی پویا. مطالعات مدیریت صنعتی، 16(50)، 1-26.
 امیریان، سعید؛ احمدی، علی محمد؛ عصاری آرانی، عباس و عباسیان، عزت اله، 1400، شناسایی عوامل تعیین کننده ریسک سیستماتیک در شرکتهای فعال در صنعت گردشگری پزشکی ایران، دوفصلنامه مطالعات اجتماعی گردشگری، سال نهم، شماره هفدهم، بهار و تابستان 1400، صص 297-320
 فتحی سحر و فرهاد غفاری.(1398). ساختار وابستگی و ریسک پرتفوی در بازار مبادلات ارز در ایران با روشGARCH-EVT- COPULA. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 11(42)، 332 – 302.
 Ameur H.Ben & Prigent J.-L.(2018). Risk management of time varying floors for dynamic portfolio insurance. European Journal of Operational Research, https ://doi .org/10.1016/j.ejor.2018.01.041
 Angrisani Marco, AtellaVincenzo, Brunetti Marianna.(2018). Public health insurance and household portfolio Choices: Unravelling financial “Side Effects” of Medicare. Journal of Banking & Finance. https://doi.org/10.1016/ j.jbankfin .2018 .05 .001.
 Baltuttis Dennik, Töppel Jannick , Tränkler Timm,Wiethe Christian.(2021). Managing the risks of energy efficiency insurances in a portfolio context: An actuarial diversification approach. International Review of Financial Analysis,https: //www .sciencedirect.com/science/article/abs/pii/S1057521918305131
 Bohnert, A., Gatzert, N. and Jørgensen, P.L. (2015). On the management of life insurance company risk by strategic choice of product mix, investment strategy and surplus appropriation schemes. Insurance: Mathematics and Economics, 60, pp.83-97.
 Briggs, J. and Tonetti, C. (2019). Risky Insurance: Insurance Portfolio Choice with Incomplete Markets. Society for Economic Dynamics. 1-43.
 Ceylan Ozgan.(2020), Time-Varying Risk Aversion and its Macroeconomic and Financial Determinants A Comparative Analysis in the U.S. and French Financial Markets, Finance Research Letters,15(20), 1- 27.
 Dong Yinghui & Zheng Harry.(2019). Optimal investment of DC pension plan under short-selling constraints and portfolio insurance, Insurance: Mathematics and Economics, https://www.sciencedirect.com /science /article/ abs/ pii/ S016766871 8303755.
 Girardi Giulio, W.Hanley Kathleen, Nikolova Stanislava, PelizzonLoriana, Sherman Mila Getmansky.(2021). Portfolio similarity and asset liquidation in the insurance industry.https://www.sciencedirect.com /science /article /abs/pii /S030440 5X21002440
 Guambe, C. and Kufakunesu, R. (2020). Optimal investment-consumption and life insurance with capital constraints. Communications in Statistics - Theory and Methods, 49(3), 1-22.
 Hata, H. (2020). Optimal investment-consumption-insurance with partial information. Japan Journal of Industrial and Applied Mathematics, 37, 309–338.
 Hata, H. and Sheu, S.J. (2018). An optimal consumption and investment problem with partial information. Adv. Appl. Probab. 50(1), 131–153
 Heidari, H. and Neshatizadeh, L. (2018). Stock Portfolio-Optimization Model by Mean-Semi-Variance Approach Using of Firefly Algorithm and Imperialist Competitive Algorithm. International Journal of Business and Development Studies, 10(1), 115-143.
 Hopkin, P. (2018). Fundamentals of risk management: understanding, evaluating and implementing effective risk management. Kogan Page Publishers.
 Katsikis Vasilios N. , Mourtas Spyridon D. , Stanimirović Predrag S.Cao Shuai Li Xinwei .(2021). Portfolio similarity and asset liquidation in the insurance industry. Journal of Financial Economics, https://www.sciencedirect.com /science /article /abs/pii /S0304405X 21002440.
 Koijen, R.S. and Yogo, M. (2017). Risk of life insurers: Recent trends and transmission mechanisms (No. w23365). National Bureau of Economic Research.
 Lee Yong-Ki., Kim Soon-Ho., Seo Min-Kyo., & Hight S. Kyle (2018). "Market orientation and business performance: Evidence from franchising industry", International Journal of Hospitality Management, 44 , 28–37.
 Li, Y. (2010). Asset liability management in a life insurance company (Doctoral dissertation).
 Qazi, M., Tollas, K., Kanchinadam, T., Bockhorst, J. and Fung, G. (2020). Designing and deploying insurance recommender systems using machine learning. WIREs Data Mining and Knowledge Discovery, 10(3), 1-33.
 Racicot François-Éric, Théoret Raymond & Greg Gregoriou.(2021). The response of hedge fund higher moment risk to macroeconomic and illiquidity shocks, International Review of Economics & Finance,14(26), 289 – 318.
 Romaniuk Katarzyna.(2021).Pension insurance schemes and moral hazard: The Pension Benefit Guaranty Corporation should restrict the insured pension plans’ portfolio policy.The Quarterly Review of Economics and Finance .https://www.sciencedirect.com /science /article /abs/pii/S1062976921001150.
 Rudoy Melanie Beth, 2021, "Multistage Mean-Variance Portfolio Selection in Cointegrated Vector Autoregressive Systems", Department of Electrical Engineering and Computer Science
متن کامل:
مجله توانمندسازی سرمایه انسانی، دوره 2، شماره1، بهار 1398

مجله توانمندسازی سرمایه انسانی

دوره 7، شماره 3، پاییز 1403

صص. 271- 285

 

        

 

طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوی با استفاده از قوانین انجمنی

بهمن بابازاده­بلوچی1، کامبیز شاهرودی*2، سیدمظفر میربرگ­کار3، فرزین فرحبد4

 

 

تاریخ دریافت: 02/04/1403

تاریخ پذیرش: 17/05/1403

 

چكيده 

 

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و  داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. ماهیت این پژوهش داده محور یوده و مبنای اصلی پژوهش بر کشف دانش از پایگاه داده شرکت بیمه تعاون است. از این رو از مدل فرآیندی داده کاوی بر اساس استاندارد جهانی جهت اجرای فرآیند پژوهش استفاده شده است. در این تحقیق از تکنیک قوانین انجمنی استفاده شده و الگوریتمی که بیشترین تعداد قانون را با دقت بالا ارائه داده، انتخاب شده است.در این پژوهش از مجموعه روش های تحلیل داده ها، طراحی و پیاده سازی مدل استفاده نمودیم. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم  Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم  Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که  Aprioriدر  مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن (به لحاظ محاسبانی) این نرم افزار می شود. این الگوریتم جهت ذخیره سازی به حافظه گسترده ای نیاز دارد که این امر به عنوان یک مشکل ضروری محسوب می شود، زیرا مشکلاتی را برای بیمه تعاون ایجاد می کند که در نتیجه تعداد تبادلات کمتری را می­توان محاسبه کرد و این عامل نقطه ضعف بزرگی محسوب می شود.

کلید واژه­ها: مدل خرید، بیمه گذاران، پرتفوی بیمه گذاران، داده کاوی، قوانین انجمنی، بیمه تعاون

 

 

 

مقدمه

شرکت‎های بیمه همه‌ساله با سپرده‎گذاري، در اندیشه افـزایش اعتبـار مـالی و ارائه خدمات مطلوب‌تر به مردم و بیمه‌گذاران است (امیریان و همکاران، 1400). بیمه در مدیریت شرکت‌ها، مؤسسات واسطه‌گری، مدیریت بدهی و آسیب‌پذیری ناشی از تغییر قیمت سهام کارساز و تأمین‌کننده است. بیمه ضمن تعهد پرداخت خسارت، چون موقعیت مالی بیمه‌گذار را تثبیت می‌کند لذا به‌صورت غیرمستقیم اعتبار او را در برابر افراد مورد معامله‌اش تقویت می‌کند. بنابراین بیمه با تأمین اطمینان و کاهش خطراتی که سرمایه‌گذاری‌ها را تهدید می‌کند موجبات ارتقاء سرمایه‌گذاری‌ها را فراهم می‌کند (واردی و همکاران، 1395). عمده مطالعات در حوزه بهینه‌سازی پرتفوی از جمله پرتفوی بهینه، متمرکز بر تابع حداکثر سازی بازده یا حداکثرسازی عملکرد است. مهم‌ترین ضعف این روش‌ها، عدم توجه به جریانات نقدی موردنیاز در مدل‌سازی است. در صنعت بیمه، فلسفه اصلی در سرمایه‌گذاری علاوه بر بازده، بر جریانات نقدی نیز متمرکز است که مدل‌های متعارف قادر به پاسخگویی به این موضوع نیستند. روش‌های متعارف بهینه‌سازی پرتفوی، دوره بهینه‌سازی سرمایه‌گذاری عمدتاً تک دوره‌ای است که عملاً با تصمیمات دنیای واقعی سازگار نمی‌باشد. این رویکرد برای سرمایه‌گذاری در شرکت‌ها و صندوق‌های سرمایه‌گذاری که هدف اصلی آن‌ها افزایش ثروت در بلندمدت است، مناسب می‌باشد؛ اما در سایر فعالیت‌های مالی از جمله بیمه کارایی ندارد، زیرا سرمایه‌گذاری در بیمه‌ها سرمایه‌گذاری مبتنی بر بدهی است (حیدری و نشاطی‌زاده5، 2018).

کسب و کار بیمه از دو بخش اساسی شامل، قیمت‌گذاری، فروش و جمع‌کردن حق بیمه و همچنین مدیریت و سرمایه‌گذاری حق بیمه‌ها تشکیل شده می‎باشد. با این حال، برخلاف کسب و کارهای تولیدی و بانکی، هزینه تمام شده خدمات فروخته شده در صنعت بیمه نامشخص است. بدین معنی که شرکت بیمه قیمت محصولات خود را بر اساس برآوردهای اکچوئرال قیمت‌گذاری می‌کند و بعد از فروش و وقوع حوادث قیمت واقعی آن قابل ارزیابی است. در این شرایط، در بیمه‌های عمر که دوره بین 5 تا 30 سال دارا هستند، با شرایط عدم اطمینان بالاتری در سرمایه‌گذاری‌ها روبرو هستند و اثر عوامل سرمایه‌گذاری در محاسبات اکچوئرال در این گروه از بیمه‌ها به مراتب بیش از بیمه‌های اموال و مسئولیت است (هاپکین6، 2018). بر اساس مطالب ذکر شده یکی از مسائل اساسی در سرمایه‌گذاری در صنعت بیمه، کسب بازده مناسب در مقایسه با بازده تضمین شده است. همچنین هدف اصلی مدیریت شرکت بیمه کسب بازده مناسب برای سهامداران است (بوهنرت و همکاران7، 2015). از اهداف اصلی در تبیین تابع هدف در شرکت‌های بیمه در اختیار داشتن نقدینگی لازم برای ایفا تعهدات است. این موضوع حتی در رضایت مشتریان و بازاریابی شرکت‌های بیمه نیز مؤثر است. با این حال، سرمایه‌گذاری در دارایی‌ها با نقدشوندگی بالا، سبب کاهش بازده مورد انتظار می‌گردد و در مقابل ریسک تأخیر یا عدم ایفا تعهدات را از بین می‌برد (کویجن و یوگو8، 2017). در نتیجه بایستی برای بهینه‌سازی پرتفوی سرمایه‌گذاری شرکت‌های بیمه از یک چارچوب مدیریت دارایی و بدهی استفاده شود (لی9، 2010).

یک مشکل اساسی در بیمه سرمایه‌گذاری مشتریان بیمه با توجه به درآمد در دسترس آنها است. استراتژی‌های سرمایه‌گذاری مصرف‌کنندگان بیمه بدون استفاده از اطلاعات فرآیندهای عاملین بیمه، فقط با استفاده از اطلاعات گذشته درباره دارایی‌های پرخطر انتخاب می‌شود (هاتا و شیو10، 2018؛ هاتا11، 2020). هدف از پیش‌بینی و ارائه محصولات و خدمات بیمه‎ای مربوطه به مشتریان ارائه بازدهی و سرمایه‌گذاری یکسان برای افراد در پرتفوی آنها می‎باشد. این امر می‌تواند هم برای مشتریان اصلی و هم برای مشتریان بالقوه انجام گردد. مشتریان به‌طور پیوسته در حال تغییر روش انتخاب خرید بیمه هستند، و نمی‌توان فرض کردکه مشتریان همیشه برای این منظور با نمایندگان و کارشناسان بیمه ارتباط برقرار کنند. سطح دانش متفاوت هر یک از عاملین بیمه برای ارائه محصولات مختلف می‌تواند بر تجربه مشتری در انتخاب تأثیر بگذارد. از اطلاعات مربوط به پرتفوی مشتری فعلی بیمه می‌توان برای پیش‌بینی محصولات و خدمات جدید کامل‌تر یا انتخاب بهتر برای مشتری استفاده نمود. برای مشتریان جدید، می‌توان به داده‌های خارجی و داده‌هایی که اخیراً جمع‌آوری‌شده اعتماد شود تا مجموعه جدیدی از محصولات و خدمات برای پرتفوی مشتریان پیش‌بینی شود (قازی و همکاران12، 2020). تنوع انواع مختلف محصولات و خدمات در صنعت بیمه، بیمه‌گذاران را با مشکلات و مسائل عدیده‌ای  در انتخاب نوع سرمایه‌گذاری بهینه مواجه ساخته است. و مسئله دیگر در ایران این است که بسیاری از بیمه‌گذاران پرداخت‎های ناشی از بیمه را هزینه می‌دانند و به چشم یک سرمایه‌گذاری مطلوب به آن نمی‌نگرند. لذا ارائه یک مدل مطلوب از سبد سرمایه‌گذاری و ارائه آن به بیمه‌گذاران و مدیران صنعت بیمه ممکن است بسیاری از مسائل مطرح‌شده در این ارتباط را حل نماید. لذا مسئله اصلی تحقیق حاضر طراحی یک مدل مطلوب خرید پرتفوی بیمه‎گزاران در صنعت بیمه با استفاده از هوش مصنوعی است و سوال اصلی به این صورت مطرح شده است که مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی چگونه است؟از این رو این مقاله در چند بخش کلی تدوین شده است که در بخش اول مقدمه ی مقاله ارائه گردیده و در ادامه  به مرور ادبیات نظری پژوهش پرداخته شده است. به دنبال آن روش اجرای پژوهش مورد بررسی قرار می گیرد. در بخش یافته های تحقیق به تشریح مراحل و گام های تحلیل پرداخته شده است. در انتهای مقاله نیز به بحث و نتیجه گیری ارائه گردید.

 

چهارچوب نظری پژوهش

سرمایه‌گذاری‌ها، دارایی‌هایی هستند که براي کسب سود نگهـداري می‌شوند و داراي یک فرایند دو بعدي ریسک و بازده می‌باشند. سرمایه‌گذار به‌منظور کـاهش ریسـک و افزایش بازده، مبادرت به نگهداري انواع مختلفی از دارایی‌ها با ریسک و بازده متفاوت می‌نماید. به ترکیب مناسب از سهام یا سایر دارایی‌ها که سرمایه‌گذار انتخاب کرده، سبد یا پرتفوي سرمایه‌گذاری می‎گویند. هـدف از انتخـاب یـک پرتفوی، تنوع‌بخشی در سرمایه‌گذاری‌ها و داشتن دارایی‌های گوناگون در یـک سـبد سرمایه‌گذاری اسـت، به صورتی که بازده یا ارزش پرتفوي حداکثر شده و ریسک آن حداقل گردد (هاتا و شیو13، 2018؛ هاتا14، 2020).  بیمه نیز به‌منزله یک منبع مهـم تـأمین مالی و سرمایه‌گذاری نقـش مهمـی در اقتصـاد کشـور ایفـا می‌کند. به‌این‌ترتیب سرمایه‌گذاری از محل سرمایه و ذخایر فنی، یکی از وظـایف مهـم شرکت‌های بیمـه است. سرمایه‌گذاری، شرکت‌های بیمه را قادر می‌سازد تا زیان‌های تعهدشـده احتمـالی خود را پوشش داده و سودي قابل‌ملاحظه کسب کنند. صنعت بیمه، گذشته از عملکرد ویژه خود یعنی تأمین و جبران خسارت می‌تواند به‌صورت یک منبع تأمین مالی و سرمایه‌گذاری، نقش مهمی در اقتصاد ایفا کند. در این مؤسسات انتخاب طرح‌های سرمایه‌گذاری، اهمیت بسیاري دارد؛ زیرا تصمیم‌گیری در زمینۀ سرمایه‌گذاری، تابع عوامل پیچیده‌ای است (هاتا و شیو15، 2018؛ هاتا16، 2020).

در محیط پویا و رقابتی کنونی، موفقیت هر سازمانی جهت افـزایش و حفـظ سـهم بازار و بهبود وضعیت رقابتی در گرو شناسایی عواملی است که باعث ایجاد مزیت رقابتی می‌گردند. کسب توانمندی‌های رقابتی در جهان امروز به یکی از چالش‌های اصلی صنایع مختلف تبدیل‌شده اسـت (رودی17؛ 2021). طی چند سال گذشته صنعت بیمه (در جهان) دستخوش مجموعه‌ای تغییرات ناشـی از اصلاحات مالی، پیشرفت‌های فناوري اطلاعات و ارتباطات، جهـانی شـدن خـدمات مالی و توسعۀ اقتصادي شده است. این تغییـرات اثـر قابل‌توجهی بـر کـارایی، تغییـر بهره‌وری، ساختار بازار و عملکرد صنعت بیمه داشته است. انتظار می‌رود که اعمـال سیاسـت آزادسازي، خصوصی‌سازی و افزایش تعداد شرکت‌های بیمه موجب افزایش کارایی، افزایش قدرت رقابتی بنگاه‌های اقتصادي و درنهایت با افزایش کارایی اقتصـادي و رشد اقتصادي پایدار، موجب رفاه اقتصادي عامه مردم گـردد. در چنـین شـرایطی، رقابت در شرکت‌های بیمه براي ارائۀ خدمات خود به مشتریان افزایش‌یافته و نیـاز است که این شرکت‌ها براي حفظ و جذب مشتریان، هزینه‌های خود را کاهش داده و کیفیت خدمات خود را بهبود بخشند.صنعت بیمه نیز از جملۀ صنایعی است که از توجه به این امر دور نمانده است. شرکت‌های بیمه براي کسب سهم بیشتر از بازار هدف، نمایندگی‌های خود را به‌طور فزاینده‌ای افزایش می‌دهند. لذا سطح توانمندي نمایندگی‌ها در سودآوري بسیار تعیین‌کننده است. مدیریت بیمه در راستاي ارتقاي این صنعت، به سرمایه‌گذاری روي منابع مختلف اهتمام ویژه داشته است (راکیکوت و همکاران18؛ 2021).صنعت بیمه به سبب تـوان بالقوه‌ای کـه در فـراهم سـاختن زمینه‌های مناسب براي سرمایه‌گذاری‌ها دارد، در حفظ حقوق بیمه‌گذاران و در نیل به رشد و توسعۀ اقتصادي کشور اهمیت فراوان دارد. در حـال حاضر، شرکت‌های بیمه در وضعیت رقـابتی و پیچیده ناشـی از جهانی‌شدن بازارهـا، مشتري مداري، معرفی فناوری‌های جدید و غیره قرارگرفته‌اند (سیلان19؛ 2020). از طرفی، فشار ناشی از جهانی‌شدن، انقلاب ارتباطـات و فنـاوري اطلاعـات، بالا رفتن سطح انتظارات مشتریان و تغییر الگوي رفتاري آنان در مواجهۀ بـا شرکت‌های بیمه و همچنین افزایش در تعداد رقبا در عصر کنونی، مفهوم رقابت‌پذیری و تلاش در جهت کسب مزیت رقابتی را براي شرکت‌های بیمه بـه یـک مسئلۀ ضـروري و حیـاتی تبدیل کرده است. بنابراین شرکت‌های بیمه، باید راه‌هایی بیابند که بتوانند استراتژی‌های متمایزي را نسـبت بـه دیگـران بـراي ارائۀ خـدمات و سرمایه‌گذاری بـه مشتریان و کسب مزیت رقابتی اتخاذ کنند.در ادامه به بررسی سوابق پژوهش های انجام شده در این حوزه و همچنین تکنیک های مورد استفاده در پژوهش های مربوطه اشاره شده است:

جدول 1.  خلاصه ای از سوابق پژوهش

ردیف

پژوهشگر

عنوان پژوهش

نتیجه

1

محبی و نجفی (1397)

بهینه‌سازی سبد سرمایه‌گذاری چند دوره‌ای با رویکرد برنامه‌ریزی پویا با در نظر گرفتن افق چند دوره‌ای و هزینه معاملاتی

در بهینه‌سازی مدل ارائه شده در این پژوهش، تأثیر عواملی نظیر حدود تعیین شده برای متغیرهای تصمیم و نیز تعداد دارایی‌های موجود در پرتفوی، مورد بررسی قرار گرفته و نتایج حاصل گویای آن است که مدل ارائه شده دارای عملکرد مناسبی بوده و نتایج حاصل از آن با تئوری موضوع کاملاً سازگاری دارد.

2

آرمیان (1397)

بررسی حد بهینه پرتفوی سرمایه‌گذاری شرکت‌های بیمه با استفاده از مدل برنامه‌ریزی خطی کنو (مطالعه موردی شرکت بیمه ایران)

نتایج به دست آمده از این مدل نشان داد که نحوه سرمایه‌گذاری به تفکیک موارد ریسکی و بدون ریسک عبارت است از: سهم سرمایه‌گذاری در سپرده‌گذاری کوتاه-مدت بانکی 13%، سپرده‌گذاری بلندمدت بانکی 45%، گواهی سپرده بانکی و اوراق مشارکت 8%، سهام شرکت‌های بورسی 15%، سهام شرکت‌های غیربورسی 13%، سایر شامل وام مسکن به کارکنان بیمه، اعطای تسهیلات به نمایندگی‌ها، خرید اموال غیرمنقول، سایر ابزارهای مالی و ساختمان 6 درصد.

3

کوهبنانی نژاد و همکاران

 (1397)

انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ارزیابی سهام

نتایج ارزیابی عملکرد پرتفوی‌های تشکیل شده برای سه حالت سرمایه‌گذار ریسک گریز، ریسک خنثی و ریسک‌پذیر، نشان می‌دهد که عملکرد پرتفوی پیشنهادی مثبت بوده و عملکرد مناسبی را نشان می‎دهد، اما در مقیاسی  دقیق‌تر  پرتفوی تشکیل شده برای سرمایه‌گذار ریسک گریز در وضعیت مطلوب‌تری قرار دارد.

4

فتحی و غفاری

 (1398)

ساختار وابستگی ریسک پرتفوی در بازار مبادلات ارز در ایران با روش کاپیولا- گارچ- تئوری مقدار حدی

نتایج پژوهش نشان می دهد که تابع تی- استیودنت بهترین مدل برازش شده کاپیولا برای بررسی ساختار وابستگی می باشد، همچنین نرخ های ارز دارای وابستگی دنباله بالایی و پایینی یکسانی هستند، بر این اساس در بازارهای رونق (مثت شدید) و رکود (منفی شدید)، وابستگی بین هر دو نرخ ارز یکسان است.

5

فلاح پور و همکاران (1398)

بهینه سازی فعال سبد سهام با استفاده از ارزش در معرض ریسک شرطی

نتایج پژوهش حاکی از آن است که قید ریسک کل پرتفوی براساس ارزش در معرض ریسک شرطی، موجب کارایی بهتر در بهینه سازی فعال سبد سهام براساس رویکرد پس آزمایی وزن دهی مجدد و محاسبه ارزش انباشت سبد سهام می گردد.

6

مظلومي و ناطقي (1398)

ارائه مدلي براي ريسک هاي موجود در صنعت بيمه ايران به شناسايي و ارائه مدلي کاربردي از موانع موفقيت مديريت استراتژيک در صنعت بيمه ايران

در نتيجه کدگذاري باز مصاحبه ها، 97 مفهوم شناسايي شد که پس از طبقه بندي، ريسک هاي مديريت استراتژيک صنعت بيمه ايران در قالب: ريسک هاي تجاري (محيطي)، ريسک هاي سازماني، ريسک هاي عملياتي (فرايندي)، ريسک هاي فني، ريسک هاي دانشي، ريسک هاي منابع انساني و ريسک هاي رويدادي شناسايي شدند. از طريق مدلسازي معادلات ساختاري نيز اعتبار مدل طراحي شده مورد تأييد قرار گرفت.

7

نجفی و امین پور (1399)

بررسی تأثیر کرونا بر عملکرد بیمه و راهکار رهایی برای تحقق بخشیدن به بودجه و تولید پرتفو بیمه به بررسی اثر کرونا بر عملکرد بیمه

نتایج حاصل نشان داد این ویروس اثر خود را بدون شک برصنعت بیمه همانند سایر سازمانها و صنعت گذاشته است؛ و جهان متاثر ازکارکرد این ویروس است. به منظور بررسی وضعیت میانگین شاخص های مورد بررسی از نظر پاسخ دهندگان، از آزمون T یک نمونه‌ای (One-Sample T-Test) استفاده شد. برای این منظور میانگین نسبت به عدد 3 (میانگین طیف لیکرت مورد استفاده در پرسشنامه) در سطح اطمینان %95 مورد بررسی قرار گرفت.

8

لی20

 (2018)

اثرات پوشش بیمه سلامت بر پرتفوی مالی خانوار: شواهدی از قانون مراقبت مقرون به صرفه

ما عملکرد هر استراتژی را ابتدا به عنوان یک ابزار سرمایه گذاری خالص و سپس به عنوان یک ابزار متنوع سازی برای شاخص S&P500 ارزیابی می کنیم. در شبیه‌سازی نمونه فرعی، تمام استراتژی‌های بیمه پرتفوی کاملاً از کف آن محافظت می‌کنند. در شبیه سازی نمونه کامل، میانگین روزانه بازده استراتژی بیمه پرتفوی همگی بیشتر از معیار است.استراتژی بیمه پرتفوی نیز یک ابزار متنوع سازی خوب برای شاخص S&P500 است.

9

آمور و پریگنت21 (2018)

مدیریت ریسک طبقات مختلف زمانی برای بیمه پرتفوی پویا

با استفاده از تخمین پارامتر، شبیه‌سازی نمونه کارها را ارائه می‌کنیم و عملکرد مربوطه آنها را با استفاده از نسبت‌های شارپ و امگا اندازه‌گیری می‌کنیم. ما همچنین استراتژی‌ها را با استفاده از روش پنجره کشویی برای تخمین پویا پارامترهای مدل‌ها بر اساس بازده هفتگی دو سال آخر آزمایش می‌کنیم. نتایج ما بر مزایای معرفی طبقات با زمان متغیر از هر دو نقطه نظر تئوری و عملیاتی تأکید دارد.

10

آنگری سانی و همکاران22

 (2018)

بیمه سلامت عمومی و انتخاب های پرتفوی خانوار: آشکار شدن «عوارض جانبی» مالی

ما متوجه شدیم که قبل از واجد شرایط بودن مراقبت درمانی، خانوارهایی که از نظر سلامت ضعیف هستند و با خطر بیشتری از هزینه های پزشکی مواجه هستند، نسبت به همتایان سالم تر خود احتمال کمتری برای نگهداری سهام دارند. با این حال، این شکاف بیشتر توسط مراقبت درمانی از بین می رود. قابل ذکر است که این جبران در درجه اول توسط خانوارهایی که سلامت ضعیفی دارند و بیمه درمانی خصوصی ندارند در طول دوره مشاهده تجربه می شود.

11

دانگ و ژنگ23

 (2019)

سرمایه گذاری بهینه طرح بازنشستگی تحت محدودیت های فروش کوتاه مدت و بیمه پرتفوی

از روش کنترل دوگانه برای حل مشکل استفاده می‌کنیم و بازنمایی‌های فرآیند ثروت بهینه و استراتژی‌های معاملاتی را از نظر فرآیند کنترل‌شده دوگانه و تابع ارزش دوگانه استخراج می‌کنیم. ما همچنین آزمایش‌های عددی را انجام می‌دهیم و نشان می‌دهیم که چگونه ابزار S شکل، محدودیت‌های فروش کوتاه مدت و بیمه پرتفوی بر ثروت بهینه پایانه تأثیر می‌گذارند.

12

بریجز و همکاران24

 (2019)

ریسک بیمه: انتخاب پرتفوی بیمه با بازارهای ناقص به بررسی و مستند کردن ریسک ادراک‌شده سالانه در بیمه عمر و بیمه‌های درمان بلندمدت

نتایج نشان داد که ریسک عدم پرداخت به‌طور معناداری مالکیت محصول بیمه را پیش‌بینی می‌کند. اگر محصولات بدون ریسک تلقی شوند، ارزش بازارهای سالانه بیمه تقریباً دو برابر خواهند بود. همچنین ریسک‌ها به‌طور قابل‌توجهی تقاضای بیمه را کاهش می‌دهد و در نتیجه هزینه‌های اوراق بهادار زیرمجموعه بیمه کاهش می‌یابد.

13

گوامبی و کوفاکنسو25

 (2020)

سرمایه‌گذاری بهینه مصرف‌کننده و بیمه عمر با محدودیت سرمایه به حل مشكل سرمایه‌گذاری، مصرف و مصرف بهینه در صورت محدود بودن سرمایه‌گذار در تضمین سرمایه

این تحقیق در یک بازار ناقص با یک مدل نوسانات تصادفی انجام شد. در این تحقیق با استفاده از روش مارتینگاله، وجود استراتژی بهینه و اندازه‌گیری بهینه اثبات شد و راه‌حل‌های صریح و روشن را برای توابع سرمایه‌گذاری به دست آمد.

14

قازی و همکاران (2020)

طراحی و به‌کارگیری سیستم‌های پیشنهادی بیمه با استفاده از هوش مصنوعی

در این تحقیق بر اساس یک رویکرد مبتنی بر یادگیری عمیق به مشتری‌ها (مشتری بالقوه) توصیه‌هایی ارائه شد که در آن زمان فقط داده‌های بازاریابی خارجی پیش‌بینی انجام گردد.

15

هیلاریت و لوپز26

 (2021)

انتشار حوادث سایبری در سبد بیمه: فرآیندهای شمارش همراه با مدل‌های اپیدمیولوژیک مجزا به پیش‌بینی تأثیر حمله سایبری گسترده به پرتفوی بیمه

رویکرد تحقیق شامل تفکیک پویایی جهانی رویداد سایبری (که می‌تواند از طریق مدل‌های اپیدمیولوژیک مجزا توصیف شود)، تأثیرگذار بر پرتفوی و استراتژی پاسخگویی بود. این چارچوب کلی اجازه داد تا تقریب‌های گاوسی در ارتباط با فرآیندهای مربوطه به دست آید و برای اطمینان از ضررهای حاشیه‌ای اطمینان زیادی به دست آید.

16

رومانیک27

 (2021)

طرح‌های بیمه بازنشستگی و خطر اخلاقی: شرکت ضمانت‌کننده مزایای بازنشستگی باید سیاست پرتفوی طرح‌های بازنشستگی بیمه‌شده را محدود کند

ما استدلال می‌کنیم که در مورد یک شرکت حامی در مشکلات مالی که دارای یک برنامه بازنشستگی با بودجه کم است، به محدودیت پورتفولیو نیاز است. ما ثابت می کنیم که محدودیت باید به هدف پوشش بدهی پاسخ دهد. نتایج تخمین نشان می دهد که استراتژی پورتفولیوی مربوطه یک سیاست کم خطر است.

در ادامه نیز در جدول (2) نیز به بررسی تکنیک های مورد استفاده در پژوهش های انجام شده پرداخته می­شود.

جدول 2. بررسی روش ها و تکنیک های تجزیه و تحلیل اطلاعات در پژوهش های انجام شده

ردیف

پژوهشگر

عنوان پژوهش

نوع داده ها

نرم افزار

تکنیک تجزیه و تحلیل

1

محبی و نجفی (1397)

بهینه‌سازی سبد سرمایه‌گذاری چند دوره‌ای با رویکرد برنامه‌ریزی پویا با در نظر گرفتن افق چند دوره‌ای و هزینه معاملاتی

سری زمانی

متلب

برنامه‌ریزی پویا

2

آرمیان (1397)

بررسی حد بهینه پرتفوی سرمایه‌گذاری شرکت‌های بیمه با استفاده از مدل برنامه‌ریزی خطی کنو (مطالعه موردی شرکت بیمه ایران)

سری زمانی

لینگو

برنامه‌ریزی خطی

3

کوهبنانی نژاد و همکاران (1397)

انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ارزیابی سهام

سری زمانی

متلب

برنامه ریزی خطی عدد صحیح ترکیبی و منطق فاری

4

فتحی و غفاری (1398)

ساختار وابستگی ریسک پرتفوی در بازار مبادلات ارز در ایران با روش کاپیولا- گارچ- تئوری مقدار حدی

سری زمانی

متلب

کاپیولا و گارچ

5

فلاح پور و همکاران (1398)

بهینه سازی فعال سبد سهام با استفاده از ارزش در معرض ریسک شرطی

سری زمانی

ایویوز

ارزش در معرض خطر

6

مظلومي و ناطقي (1398)

ارائه مدلي براي ريسک هاي موجود در صنعت بيمه ايران به شناسايي و ارائه مدلي کاربردي از موانع موفقيت مديريت استراتژيک در صنعت بيمه ايران

مقطعی

ماکس کیودا و لیزرل

روش گراندد و مدلسازی معادلات ساختاری

7

نجفی و امین پور (1399)

بررسی تأثیر کرونا بر عملکرد بیمه و راهکار رهایی برای تحقق بخشیدن به بودجه و تولید پرتفو بیمه به بررسی اثر کرونا بر عملکرد بیمه

مقطعی

اس پی اس اس

آزمون تی تک نمونه ای

8

آمور و پریگنت28 (2018)

مدیریت ریسک طبقات مختلف زمانی برای بیمه پرتفوی پویا

سری زمانی

متلب

شبیه‌سازی‌

9

آنگری سانی و همکاران29

 (2018)

بیمه سلامت عمومی و انتخاب های پرتفوی خانوار: آشکار شدن «عوارض جانبی» مالی

مقطعی

متلب

روش های آماری

10

دانگ و ژنگ30

 (2019)

سرمایه گذاری بهینه طرح بازنشستگی تحت محدودیت های فروش کوتاه مدت و بیمه پرتفوی

مقطعی

متلب

مدلسازی ریاضی و آزمایش های عددی

11

بریجز و همکاران31

 (2019)

ریسک بیمه: انتخاب پرتفوی بیمه با بازارهای ناقص به بررسی و مستند کردن ریسک ادراک‌شده سالانه در بیمه عمر و بیمه‌های درمان بلندمدت

سری زمانی

ایویوز

رگرسیون چندمتغیره

12

گوامبی و کوفاکنسو32

 (2020)

سرمایه‌گذاری بهینه مصرف‌کننده و بیمه عمر با محدودیت سرمایه به حل مشكل سرمایه‌گذاری، مصرف و مصرف بهینه در صورت محدود بودن سرمایه‌گذار در تضمین سرمایه

سری زمانی

متلب

مدل نوسانات تصادفی

13

قازی و همکاران (2020)

طراحی و به‌کارگیری سیستم‌های پیشنهادی بیمه با استفاده از هوش مصنوعی

سری زمانی

متلب

هوش مصنوعی

14

هیلاریت و لوپز33 (2021)

انتشار حوادث سایبری در سبد بیمه: فرآیندهای شمارش همراه با مدل‌های اپیدمیولوژیک مجزا به پیش‌بینی تأثیر حمله سایبری گسترده به پرتفوی بیمه

سری زمانی

متلب

مدلسازی ریاضی و تقریب‌های گاوسی

15

رومانیک34

 (2021)

طرح‌های بیمه بازنشستگی و خطر اخلاقی: شرکت ضمانت‌کننده مزایای بازنشستگی باید سیاست پرتفوی طرح‌های بازنشستگی بیمه‌شده را محدود کند

مقطعی

متلب

مدلسازی ریاضی 

 

روش­شناسی پژوهش

این تحقیق با توجه به دسته بندی تحقیقات بر حسب هدف در دسته ی تحقیقات کاربردی با توجه به دسته بندی تحقیقات بر حسب نحوه ی گردآوری داده ها در دسته ی تحقیقات توصیفی قرار دارد. داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده است که مربوط به خرید33671 مشتری است. ماهیت این پژوهش داده محور یوده و مبنای اصلی پژوهش بر کشف دانش از پایگاه داده شرکت بیمه تعاون است.از این رو از مدل فرآیندی داده کاوی بر اساس استاندارد جهانی جهت اجرای فرآیند پژوهش استفاده شده است.در این تحقیق از تکنیک قوانین انجمنی استفاده شده و الگوریتمی که بیشترین تعداد قانون را با دقت بالا ارائه داده، انتخاب شده است.در این پژوهش از مجموعه روش های تحلیل داده ها، طراحی و پیاده سازی مدل استفاده نمودیم. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. داده های این پژوهش از دیتاشیت این فروشگاه زنجیره ای جمع آوری شدند که خرید انواع خدمات بیمه ای است که به منظور کشف و بررسی هر چه بهتر الگوهای پنهان سبد خرید و بررسی عملکرد الگوریتم های داده کاوی خواهیم پرداخت.جهت انجام این امر از نرم افزار داده کاوی رپیدماینر استفاده خواهیم نمود. مجموعه داده های به کار رفته در این پژوهش، متعلق به فروشگاه زنجیره ای است. هدف این مجموعه داده ها خوشه بندی خدمات و کاوش قوانین انجمنی تراکنش ها و پیاده سازی الگوریتم های مربوطه و تحلیل های دیگر با توجه به ویژگی های خدمات است.در بخش تجزیه و تحلیل داده ها به چگونگی انجام فرآیندهای داده کاوی با رویکرد تعیین سبد خرید، با استفاده از الگوریتمهای قواعد وابستگی پرداخته می شود. در حقیقت روش تجزیه و تحلیل داده ها در این پژوهش، همان فرایند داده کاوی است که دارای شش مرحله است: گام شناخت سیستم (درک تجارت (،گام شناخت داده ها )درک داده ها (، گام آماده سازی داده ها، گام مدلسازی، گام ارزیابی، گام توسعه و اجرا (گسترش). 

با توجه به قابلیت نرم افزار رپیدماینر در حوزه تحلیل های داده کاوی، یادگیری ماشین، تجزیه وتحلیل و پیش بینی و تحلیل فعالیت های مختلف سازمانی و همچنین کاربردهای آن در امور تجاری و کسب و کار و هم در کارهای پژوهشی و آموزشی قصد بر این است تا تمام گام های موردنیاز از آماده سازی داده های اولیه تا مشاهده سازی نتایج، ارزیابی و اعتبار سنجی و سایر مراحل را در نرم افزار رپیدماینر نسخه 7.1 استفاده کنیم. در گام اول مهمترین بخش مربوط به استخراج اطلاعات در هر کار تحقیقاتی، اجرای پیش پردازش بر روی مجموعه اطلاعات است.

یکی از اصلی ترین گام ها در پیش پردازش داده ها، نحوه برخوردی است که با داده های مورد نظر انجام می شود،زیرا بیشتر مدل ها از اجرای اطلاعاتی که مقادیر از درست رفته35 دارند، چشم پوشی می کنند. یکی از مهمترین گام های ضروری مرتبط با اطلاعات، نظارت بر مقادیر از گمشده است که پاک کردن بخش هایی از آن است و شامل دو جز است:1) حذف یا جایگزینی داده های گمشده 2)نرمالسازی. باید به این مسئله توجه نمود که اگر در برخی از کاراکترها مقادیر از درست رفته ی زیادی وجود داشته باشد،  مدلسازی را با خطا مواجه کرده و جایگزین کردن آن با معیارهای دیگر از جمله میانگین اطلاعات، میانه ی اطلاعات و یا سایر ویژگی ها مدل سازی را تحت تاثیر خود قرار می دهد و این عامل می تواند نتیجه مدلسازی را دچار خطا نماید. نکته قابل توجه این است که اطلاعات از دست رفته در اثر اشتباهاتی مانند اشتباه عملیاتی یا اشتباه تایپی وارد شده اند و در نتیجه می توانند مدل سازی پژوهش را تحت تاثیر قرار دهند. از این رو باید در این مرحله به مجموعه داده توجه شود تا با تاکید بر آن، رویکرد مناسب مواجه شدن با اطلاعات را انتخاب نموده و از رویکردی استفاده نمود که ویژگی مدل اصلی مورد حفاظت قرار گیرد.در فرآیند پیش پردازش داده ها این مسئله مهم است که آگاه باشیم کدام خصوصیت را حذف کرده و یا جایگزینی برای آن در نظر بگیریم. اگر بخواهیم تمامی کاراکترهایی را که دارای مقادیر گمشده هستند را حذف کنیم و یا از آنها چشم پوشی کنیم و یا حتی کاراکترهای موردنظر را با موارد جایگزین کنیم، به طور حتم مدل سازی دستخوش اشتباه می شود. از این رو باید توجه شود که تعداد مقادیر از دست رفته در هر مجموعه ای از اطلاعات نسبت به کل اطلاعات در هر خصوصیت به چه صورت است تا پژوهشگر بتواند، بهترین تصمیم را اتخاذ کرده و بهینه ترین نوع مدل سازی را داشته باشد. لازم به ذکر است که نرمال سازی اطلاعات یکی از مهمترین بخش های پاکسازی اطلاعات محسوب می شود.گام های مربوط به پیش پردازش و آماده سازی اطلاعات عبارت است از: تمیز کردن اطلاعات، گسسته کردن اطلاعات و تبدیل فرمت اطلاعات به فرمت متناسب با الگوریتم مورداستفاده و ایجاد ویژگی و در پایان در نظر گرفتن نقش برای خصوصیات مورد نظر.این امر باعث دستیابی به خروجی باکیفیت، مطلوب تر و بهینه تر می شود. در شکل (1) مدل پیش پردازش اطلاعات بر روی دیتاشیت مشتریان بیمه تعاون در برنامه رپیدماینر قابل مشاهده است تا در مرحله بعد، مجموعه اطلاعات موردنظر برای گام های مدلسازی آماده باشد و از این طریق کیفیت مدل سازی را بتوان افزایش داد.

img0 

                                             

شکل 1. مدل پیش پردازش داده ها

در این بخش فرآیند پیش پردازش اطلاعات به پایان رسیده است و مجموعه اطلاعات در دسترس، پاک سازی شده و برای اجرای الگوریتم های قوانین انجمنی آمده هستند.

 

یافته‌های پژوهش

k-Means و k-Medoid را می توان به عنوان مهمترین الگوریتم های غیرنظارتی نام برد که از آن جهت دسته بندی محصولات استفاده کرد. از این رو  بعد از مرحله ی پیش پردازش داده ها جهت دسته بندی محصولات بیمه تعاون از عملگرهای این دو الگوریتم استفاده شده ست تا خوشه بندی محصولات با دقت بیشتری انجام شود. در این الگوریتم ها به دنبال این هستیم که چه بیمه هایی از محصولات بیمه تعاون با هم در ارتباط بوده و وابستگی بین محصولات مورد به صورت بصری قابل مشاهده باشد. فرآیند کار در شکل (2) مشخص شده است.

img0 

شکل 2. الگوریتم خوشه بندی k-Means و k-Medoid

با مشخص شدن مقدار K، تعداد خوشه های مورد نظر پژوهشگر تعیین شده، که براساس مقدار  K ویژگی انتخابی به خوشه های متعدد تقسیم گردید که خروجی آن در شکل (3) قابل مشاهده است.

 

 

img0 

شکل 3. خوشه های معین شده در الگوریتم k-Medoid

در خروجی که از این مدل به دست آمده است، می توان خوشه های به دست آمده را با به صورت جزئی تر مشاهده نمود و می توان جزئیات مربوط به محصولات بیمه تعاون را مشاهده نمود. شکل (4) نیز نشان دهنده ی خوشه بندی محصولات بیمه تعاون در قالب نمودار است که می توان محصولات موجود در هر یک از خوشه های انتخابی را در سمت راست این پنجره مشاهده کرد.

img0 

شکل 4. نمودار حاصل از k-Medoid

در این بخش از تحقیق، عملیات طبقه بندی با استفاده از درخت تصمیم انجام خواهد شد و همچنین جهت محاسبه مقادیر پشتیبانی محصولات، هم می توان از الگوریتم نایو بایس36 و به منظور نمایش قوانین هم میتوان از الگوریتم معرفی قوانین37 استفاده نمود. جهت انجام این عملیات متفاوت از مدل ارائه شده  در شکل (5) استفاده کرده ایم. از این رو می توان به ارتباط، وابستگی محصولات و مشتریان و سایر اطلاعات دست یافت.

img0 

شکل 5. انجام فرآیند موردنظر در زمینه تحلیل سبد خرید

جهت بررسی دقت مدل درخت تصمیم گیری از عملگرهای موردنظر استفاده شده است که این مقادیر در جدول (3) ارائه گردیده و نتیجه به دست آمده نشان می دهد مدلی که در مجموعه داده ها مورد استفاده قرار گرفته است، از دقت بالایی برخوردار است و نشان دهنده ی قوانین مفید حاصل از این تحقیق است. در شکل (6) جریان کار در نرم افزار رپیدماینر قابل مشاهده است.

img0 

شکل 6. جریان کار اعمال الگوریتم درخت تصمیم گیری و بررسی دقت مدل

جدول 3. بررسی دقت مدل درخت تصمیم گیری

Decision tree

Cross –Validation

Full Training Set

 

83.06%

89.79%

Accuracy

0.83

0.898

Kappa

برای بهبود کارایی مدل های موردنظر در مجموعه داده ها در پژوهش های مختلف از روش بوستینگ38 نام برده شده است که از عملگر درخت تقویت کننده گرادیان39 جهت دقت و کارایی بیشتر مدل به کار برده شده در مقایسه با الگوریتم درخت تصمیم استفاده شده است که در شکل (7) جریان کار در نرم افزار رپیدماینر مشاهده می شود و جهت مشاهده دقت مدل در عملگر درخت تقویت کننده گرادیان به جدول (4) توجه کنید.

img0 

شکل 7. انجام عملیات طبقه بندی و محاسبه کارایی مدل با الگوریتم درخت تقویت کننده گرادیان40

جدول 4.  بررسی دقت مدل الگوریتم درخت تقویت کننده گرادیان

Decision tree

Cross –Validation

Full Training Set

 

94.92%

99.49%

Accuracy

0.950

0.995

Kappa

 

الگوریتم قوانین انجمنی FP-Growth و Apriori

در این تحقیق برای شناسایی الگوهای نهفته از دو الگوریتم قوانین انجمنی FP-Growth و Apriori در محیط نرم افزار رپیدماینر نسخه 9.1 استفاده شده است که روند بکارگیری این دو الگوریتم را مورد بررسی قرار می دهیم. بکارگیری الگوریتم FP-Growth نیاز به یک ورودی دارد که میزان حداقل مقدار پشتیبانی به صورت درصد به عنوان یک شاخص ارزیابی در نظر گرفته می شود و حداقل حضور آیتم را در مجموعه تبادلات مشخص می کند. لازم به یادآوری است که اگر مجموعه اقلام، کمترین میزان پشتیبانی را حمایت نکند و پوشش ندهد، از فهرست اقلام مکرر حذف می شود. فرآیند کار در شکل (8) قابل مشاهده است.

img0 

شکل 8. جریان کار اعمال الگوریتم FP-Growth

 

تحلیل سبد خرید مشتریان

در این مرحله از تحقیق، هدف بر این است که که تبادلات موجود در پایگاه داده را به سبدهای خرید مجزای هر شخص تبدیل کرده تا از این طریق این امکان حاصل شود که سبدهای خرید مرتبط با هر مشتری تجزیه و تحلیل شود. در محیط نرم افزاری رپیدماینر برای انجام این کار می توان تحلیل وسیع تری را ارائه نمود،به این صورت که در ابتدا مشخص می کنیم در سبد خرید مرتبط با هر مشتری چه تعداد محصولات از بیمه خریداری شده و مجموع خرید هر مشتری از محصول چه مقدار است و یا به عبارتی در مجموع خریدهای صورت گرفته توسط مشتری، سود بدست آمده چه مقدار است. همچنین می توان مشخص نمود که در هر سبد خرید مشتری چه محصولاتی موجود هستند که در راستای آن نیز می توان به قوانین انجمن و الگوهای پنهان مشتریان و محصولات خریداری شده پی برد که پیاده سازی این مدل در نرم افزار رپیدماینر در شکل (9) قابل مشاهده است.

img0 

شکل 9. مدل تحلیل سبد خرید مشتریان

در این مرحله از تجزیه وتحلیل داده ها، از نرم افزار رپیدماینر، ویژگی هایی را که قصد داریم بر روی آنها قوانینی ایجاد کنیم، در این قسمت معین می سازیم و با استفاده از عملگر Generate Aggregate می توان قوانین و سیاست ها و خط مشی­های لازم را جهت مشخص کردن مشتریان سودآور تعیین نمود.

 

 

بحث و نتیجه گیری

با توجه به نتایج بدست آمده عملکرد الگوریتم  Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن (به لحاظ محاسبانی) این نرم افزار می شود. این الگوریتم جهت ذخیره سازی به حافظه گسترده ای نیاز دارد که این امر به عنوان یک مشکل ضروری محسوب می شود، زیرا مشکلاتی را برای بیمه تعاون ایجاد می کند که در نتیجه تعداد تبادلات کمتری را می توان محاسبه کرد و این عامل نقطه ضعف بزرگی محسوب می شود.

جدول 5. محاسبه زمان لازم جهت کشف الگوها برمبنای مقدار Confidence در الگوریتم های Apriori و Fp-growth

Excecution Time (in Secs)

Confidence

Fp-growth Algorithm

Apriori Algorithm

0.9

49.2

0.02

1.6

49.1

0.05

1.1

54.2

0.03

1.1

55.8

0.07

1.7

63

0.1

1.4

54

0.4

1.2

47.9

0.5

0.8

45.3

0.6

0.9

46.6

0.7

0.8

46.6

1

در ادامه برای تجزیه و تحلیل بیشتر تصمیم گرفتیم تا مدت زمان اجرای عملکرد الگوریتم Apriori و Fp-growth با توجه به تعداد نمونه ها نیز مورد ارزیابی قرار گیرد که الگوریتم Apriori در تعداد نمونه های کوچکتر سرعت مناسبی دارد، به طوری که از نظر سرعت با الگوریتم Fp-growth مساوی است، اما در تعداد نمونه های بزرگتر نسبت به الگوریتم Fp-growth دارای سرعت پایین تری می باشد. 

جدول 6. محاسبه زمان لازم جهت شناسایی الگوها برمبنای تعداد تراکنش ها در الگوریتم های Apriori و Fp-growth

Excecution Time (in Secs)

No. of Instances

Fp-growth Algorithm

Apriori Algorithm

0.2

0.4

50

0.4

0.6

109

0.6

0.9

250

1.5

5.1

1445

1.6

33.2

4101

1.6

38.3

5000

در این گام از تحقیق با وارد کردن مقدار کمترین حمایت مختلف در مجموعه داده های بیمه تعاون،به مقایسه بیشتر دو الگوریتم Apriori و Fp-growth  پرداخته شده است و نتایج به دست آمده در این تحقیق نشان داد که استفاده از دو الگوریتم Apriori و Fp-growth  نتایج بسیار مناسبی را پدید می آورد و در نتیجه به الگوهای مناسبی دست یافته ایم. پیشنهاد می گردد مدیران بیمه نسبت به اعمال سلایق مشتری در طراحی خدمات بیمه ای حداکثر دقت را بعمل آورند، تا خدمات طراحی شده منطبق با نیازهای مشتریان باشد. همچنین بیمه های مورد مطالعه در مقابل تعهدات داده شده طبق برنامه ي زمانبندي عمل كند و نسبت به تسهیل در فرایند اداری برای خدمت رسانی اقدام نماید. بنابراين مدیران بیمه با تقويت اين بخش مي تواند، تعهد خود را نسبت به کیفیت خدمات متمایز تقویت کنند. در این راستا شرکت های بیمه باید به صورت دوره ای روش های اجرایی و دستورالعمل های خود را که مطابق با سیستم های مدیریت کیفیت تدوین شده است، مورد بازبینی قرار دهند. مدیران ارشد بیمه های مورد مطالعه در استراتژی های تبلیغاتی خود به عملکرد متمایز خود در زمینه ی خدمات و تسهیلات  نسبت به سایر بیمه ها اشاره کنند، تا از این طریق باعث افزایش آگاهی در ذهن مشتریان شوند. پیشنهاد می‌شود مدل ارائه شده در این پژوهش در جوامع آماری مشابه (سایر بیمه ها به ویژه های شرکت های بیمه دولتی) نیز آزمون شود و نتیجه بدست آمده با نتیجه‌ی این پژوهش مقایسه شود. پیشنهاد می‌شود در تحقیقات آتی با استفاده از سایر روش‌های هوش مصنوعی در این پژوهش با مقوله‌ها و مفاهیم جدید توسعه داده شود. با توجه به اینکه بیمه تعاون به عنوان یک بیمه ی خصوصی است از این رو ممکن نتیجه ی داده کاوی برای مدل پژوهش در سایر جوامع آماری با تغییراتی در سبد خرید همراه باشد. در این پژوهش از رویکرد داده کاوی به عنوان یکی از ابزارهای هوش مصنوعی استفاده شده است و ممکن است در صورت استفاده از سایر روش های هوش مصنوعی تغییراتی در سبد خرید صورت گیرد. در نهایت باید به این نکته اذعان نمود که هر پژوهش با توجه به بافت جامعه آماری و تکنیک های مورد استفاده دارای محدودیت هایی است. از این رو تلاش شده تا با شناسایی محدودیت ها، پیشنهادهایی به پژوهشگران آتی ارائه شود. محدودیت اول پژوهش این است که در این پژوهش از یکی از روش های هوش مصنوعی یعنی داده کاوی استفاده شده است. از این رو پیشنهاد می شود در پژوهش های آتی از سایر روش های هوش مصنوعی مانند روش های یادگیری ماشین استفاده شود. محدودیت دیگر پژوهش مربوط به جامعه آماری است که ممکن است نتایج پژوهش در مورد سایر جوامع آماری مشابه با تغییراتی همراه باشد، از این رو پیشنهاد می شود به روش مورد استفاده در پژوهش در جوامع آماری بیمه های معلم، ایران نیز پیاده سازی شده و نتایج بدست آمده با نتیجه این پژوهش مقایسه شود.

 

منابع

واردی، سیده شایسته؛ طبری، مجتبی و فقیه علی آبادی، فاطمه. (1395). بهینه سازی پرتفوی سرمایه گذاری یک شرکت بیمه ای با رویکرد شارپ. پژوهشنامه بیمه، 3 (پیاپی 123)، 111-128.

آرمیان، سارا، (1397). بررسی حد بهینه پرتفوی سرمایه گذاری شرکت های بیمه با استفاده از مدل برنامه ریزی خطی کنو (مطالعه موردی شرکت بیمه ایران). هفتمین کنفرانس بین المللی اقتصاد،مدیریت، حسابداری با رویکرد ارزش آفرینی، شیراز، موسسه آموزشی مدیران خبره نارون.

کوهبنانی نژاد، سیده فرناز؛ فرید، داریوش و صادقی، حجت الله. (1397). انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی. مطالعات مدیریت صنعتی، 16 (48)، 131-151.

محبی، نگین و نجفی، امیرعباس. (1397). بهینه سازی سبد سرمایه گذاری چنددوره ای با رویکرد برنامه ریزی پویا. مطالعات مدیریت صنعتی، 16 (50)، 1-26.

امیریان، سعید؛ احمدی، علی محمد؛ عصاری آرانی، عباس و عباسیان، عزت اله، 1400، شناسایی عوامل تعیین کننده ریسک سیستماتیک در شرکتهای فعال در صنعت گردشگری پزشکی ایران، دوفصلنامه مطالعات اجتماعی گردشگری، سال نهم، شماره هفدهم، بهار و تابستان 1400، صص 297-320

فتحی سحر و فرهاد غفاری. (1398). ساختار وابستگی و ریسک پرتفوی در بازار مبادلات ارز در ایران با روش GARCH-EVT- COPULA. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 11 (42)، 332 – 302.

Ameur H.Ben & Prigent J.-L. (2018). Risk management of time varying floors for dynamic portfolio insurance. European Journal of Operational Research, https ://doi.org/10.1016/j.ejor.2018.01.041

Angrisani Marco,  AtellaVincenzo,  Brunetti Marianna. (2018). Public health insurance and household portfolio Choices: Unravelling financial “Side Effects” of Medicare. Journal of Banking & Finance. https://doi.org/10.1016/ j.jbankfin.2018.05.001.

Baltuttis Dennik, Töppel Jannick , Tränkler Timm,Wiethe Christian. (2021). Managing the risks of energy efficiency insurances in a portfolio context: An actuarial diversification approach. International Review of Financial Analysis,https: //www.sciencedirect.com/science/article/abs/pii/S1057521918305131

Bohnert, A., Gatzert, N. and Jørgensen, P.L. (2015). On the management of life insurance company risk by strategic choice of product mix, investment strategy and surplus appropriation schemes. Insurance: Mathematics and Economics, 60, pp.83-97.

Briggs, J. and Tonetti, C. (2019). Risky Insurance: Insurance Portfolio Choice with Incomplete Markets. Society for Economic Dynamics. 1-43.

Ceylan Ozgan. (2020), Time-Varying Risk Aversion and its Macroeconomic and Financial Determinants A Comparative Analysis in the U.S. and French Financial Markets, Finance Research Letters,15 (20), 1- 27.

Dong Yinghui  & Zheng Harry. (2019). Optimal investment of DC pension plan under short-selling constraints and portfolio insurance, Insurance: Mathematics and Economics, https://www.sciencedirect.com /science /article/ abs/ pii/ S016766871 8303755.

Girardi Giulio,  W.Hanley Kathleen,  Nikolova Stanislava,  PelizzonLoriana,  Sherman Mila Getmansky. (2021). Portfolio similarity and asset liquidation in the insurance industry.https://www.sciencedirect.com /science /article /abs/pii /S030440 5X21002440

Guambe, C. and Kufakunesu, R. (2020). Optimal investment-consumption and life insurance with capital constraints. Communications in Statistics - Theory and Methods, 49 (3), 1-22.

Hata, H. (2020). Optimal investment-consumption-insurance with partial information. Japan Journal of Industrial and Applied Mathematics, 37, 309–338.

Hata, H. and Sheu, S.J. (2018). An optimal consumption and investment problem with partial information. Adv. Appl. Probab. 50 (1), 131–153

Heidari, H. and Neshatizadeh, L. (2018). Stock Portfolio-Optimization Model by Mean-Semi-Variance Approach Using of Firefly Algorithm and Imperialist Competitive Algorithm. International Journal of Business and Development Studies, 10 (1), 115-143.

Hopkin, P. (2018). Fundamentals of risk management: understanding, evaluating and implementing effective risk management. Kogan Page Publishers.

Katsikis Vasilios N. , Mourtas Spyridon D. , Stanimirović Predrag S.Cao Shuai Li Xinwei . (2021). Portfolio similarity and asset liquidation in the insurance industry. Journal of Financial Economics, https://www.sciencedirect.com /science /article /abs/pii /S0304405X 21002440.

Koijen, R.S. and Yogo, M. (2017). Risk of life insurers: Recent trends and transmission mechanisms (No. w23365). National Bureau of Economic Research.

Lee Yong-Ki., Kim  Soon-Ho., Seo  Min-Kyo., & Hight  S. Kyle (2018). "Market orientation and business performance: Evidence from franchising industry", International Journal of Hospitality Management, 44 , 28–37.

Li, Y. (2010). Asset liability management in a life insurance company (Doctoral dissertation).

Qazi, M., Tollas, K., Kanchinadam, T., Bockhorst, J. and Fung, G. (2020). Designing and deploying insurance recommender systems using machine learning. WIREs Data Mining and Knowledge Discovery, 10 (3), 1-33.

Racicot François-Éric,  Théoret Raymond  & Greg Gregoriou. (2021). The response of hedge fund higher moment risk to macroeconomic and illiquidity shocks, International Review of Economics & Finance,14 (26), 289 – 318.

Romaniuk Katarzyna. (2021).Pension insurance schemes and moral hazard: The Pension Benefit Guaranty Corporation should restrict the insured pension plans’ portfolio policy.The Quarterly Review of Economics and Finance.https://www.sciencedirect.com /science /article /abs/pii/S1062976921001150.

Rudoy Melanie Beth, 2021, "Multistage Mean-Variance Portfolio Selection in Cointegrated Vector

Autoregressive Systems", Department of Electrical Engineering and Computer Science

 

 

 

 

 

[1]  دانشجوی دکتری، مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

[2]  دانشیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

[3]  استادیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

[4]  استادیار، گروه مدیریت دولتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

ایمیل نویسنده مسئول: k­_shahroodi@yahoo.com

[5]  Neshatizadeh

[6]  Hopkin

[7]  Bohnert et al

[8]  Koijen and Yogo

[9]  Li

[10]  Hata and Sheu

[11]  Hata

[12]  Qazi et al

[13]  Hata and Sheu

[14]  Hata

[15]  Hata and Sheu

[16]  Hata

[17]  Rudoy

[18]  Racicot et al

[19]  Ceylan

[20]  Lee

[21]  Ameur & Prigent

[22]  Angrisani et al

[23]  Dong & Zheng

[24]  Briggs et al

[25]  Guambe and Kufakunesu

[26]  Hillairet and Lopez

[27]  Romaniuk

[28]  Ameur & Prigent

[29]  Angrisani et al

[30]  Dong & Zheng

[31]  Briggs et al

[32]  Guambe and Kufakunesu

[33]  Hillairet and Lopez

[34]  Romaniuk

[35]  Loss Data

[36]  Naive Bayes

[37]  Rule induction

[38]  Boosting

[39]  Gradiant Boosting Tree

[40]  Gradiant Boosting Tree


سکوی نشر دانش

سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]