پیش بینی بازخرید بیمه نامه های زندگی به شرط فوت با استفاده از شبکه های عصبی عمیق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیشینه و اهداف: ضریب نفوذ بیمه عمر به عنوان یک محصول مهم بیمه ای و برنامه ریزی مالی در ایران بسیار پایین است و یکی از دلایل آن بازخرید بیمه نامه هاست. هدف این مقاله بررسی تأثیر مشخصه های فردی و قراردادی بیمه نامه هاست که بر بازخرید بیمه نامه های عمر به شرط فوت اثر می گذارند. روش شناسی: برای این منظور از داده های آماری و اطلاعات ثبتی 35171 خریدار بیمه نامه های عمر و مستمری یک شرکت بیمه ای در مقطع سال 1400 به عنوان پایلوت استفاده شد. برای تجزیه و تحلیل نیز از داده کاوی و الگوریتم های یادگیری عمیق و شبکه عصبی که دقت بسیار بالایی در پیش بینی دارند استفاده شد. یافته ها: مدل از دقت مطلوب 74 درصد در پیش بینی هر دو نوع بیمه نامه های عدم بازخرید و بازخرید شده برخوردار است. البته در پیش بینی عدم بازخرید بیمه نامه ها عملکرد بسیار بهتر بوده اما چون موضوع اصلی مقاله پیش بینی بیمه نامه های بازخرید شده است، در تفسیر نتایج بیشتر به آن توجه شد. نتایج بدست آمده با وجود مشکل نامتوازن بودن داده ها مطلوب است. در داده ها مورد بررسی نسبت بیمه نامه های بازخریدی به عدم بازخرید 3 به 100 است که این عدم توازن موجب می شود فرآیند یادگیری به سمت پیش بینی طبقه با بیشترین فراوانی سوگیری پیدا کند. با این وجود، شاخص پوشش 59 درصدی بدست آمده نشان داد که از مجموع 244 بیمه نامه بازخرید شده در مجموعه داده تست، شبکه توانسته اغلب آنان یعنی 145 مورد را به درستی در طبقه بیمه نامه های بازخریدی پیش بینی و طبقه بندی کند. نتیجه گیری: نشان داده شد که از مشخصه های جمعیت شناختی متغیرهای سن، جنسیت زن، اضافه نرخ پزشکی، نرخ خطر حادثی و از مشخصه های قرارداد نیز مدت بیمه نامه، مدت زمان سپری شده از شروع بیمه نامه، شیوه پرداخت حق بیمه با اقساط بلندمدت تر، بالاتر بودن ضرایب افزایش سالانه سرمایه و حق بیمه و کمتر بودن تعداد موارد پوشش و سرمایه فوت با بازخرید اثر عکس داشته و احتمال آن را کاهش می دهند. با بازخرید بیمه نامه بصورت عکس مرتبط هستند. نسبت بیمه گذار و بیمه شده نیز تأثیرگذار بوده و نشان داده شد که بازخرید وقتی بیمه گذار بیمه نامه عمر را برای خود بخرد در حدأقل و با دور شدن نسبت خویشاوندی احتمال بازخرید افزایش می یابد.Predicting term life insurance surrender using deep neural networks
BACKGROUND AND OBJECTIVES: Life insurance has a very low adoption rate in Iran, mainly due to policy surrender. This research aims to analyze the individual characteristics and insurance contract features that influence the surrendering of term life insurance policies. METHODS: The study utilizes a pilot database of 35,171 policy-holders and pensioners registered by an Iranian insurance company in 2021. Data mining, deep learning, and neural network algorithms are used for analysis due to their high accuracy in prediction: FINDINGS: The model demonstrates desirable performance based on evaluation metrics with a 74 percent accuracy in predicting both types of surrendered and non-surrendered insurance policies. The model performs better in predicting non-surrendered insurance policies more attention is given to interpreting those results. Despite imbalanced data, the model still performs well. In the dataset, surrendered policies make up only 3 percent of the total, leading to bias towards predicting the majority class. Nonetheless, the model accurately predicts and categorizes most surrendered policies, covering 59 percent of the total 244 cases. CONCLUSION: The results indicate that certain demographic characteristics, such as age, female gender, health surcharge, and accident risk rate, as well as specific contract characteristics, including policy term, time since start date, longer premium payment methods, higher annual increase in capital and premium, fewer covered risks, and lower benefits, are negatively correlated with policy surrender. Furthermore, the results suggest that if the insured person is the policy surrender themselves, the probability of surrender is minimized. On the other hand, if the insured person is someone else, especially distant relatives, the probability of surrender increases.
تبلیغات
