خدیجه پورزال

توانگری مالی به‌عنوان یکی از شاخص‌های کلیدی پایداری و تاب‌آوری شرکت‌های بیمه، بیانگر توانایی این سازمان‌ها در ایفای تعهدات بلندمدت و حفظ تداوم فعالیت در شرایط متغیر اقتصادی است. هدف این مقاله بررسی توانگری مالی در شرکت‌های بیمه و شناسایی عوامل کلیدی مؤثر بر آن با بهره‌گیری از الگوریتم‌های یادگیری ماشین بود. در این راستا، داده‌های مالی و عملکردی شرکت‌های بیمه طی چند سال اخیر گردآوری و مورد پردازش قرار گرفت. ابتدا داده‌ها با استفاده از روش‌های پاک‌سازی و نرمال‌سازی آماده‌سازی شدند و سپس با به‌کارگیری چندین الگوریتم یادگیری ماشین از جمله Random Forest، Gradient Boosting، Support Vector Machine (SVM) و شبکه‌های عصبی مصنوعی (ANN) مدل‌های پیش‌بینی توانگری مالی توسعه یافتند. ارزیابی عملکرد مدل‌ها با معیارهایی همچون دقت ، ضریب تعیین و مساحت زیر منحنی انجام شد تا بهترین الگوریتم شناسایی شود. نتایج نشان داد که مدل‌های مبتنی بر Gradient Boosting و Random Forest بالاترین دقت پیش‌بینی را در طبقه‌بندی شرکت‌ها بر اساس سطح توانگری مالی به دست آوردند و در مقایسه با روش‌های سنتی تحلیل مالی عملکرد بهتری ارائه کردند. همچنین، تحلیل اهمیت متغیرها نشان داد که عواملی نظیر نسبت توانگری سرمایه، سودآوری عملیاتی، نسبت خسارت به حق بیمه و نقدینگی بیشترین تأثیر را بر توانگری مالی دارند. این پژوهش علاوه بر ارائه مدلی کارآمد برای پیش‌بینی توانگری مالی، نشان می‌دهد که استفاده از الگوریتم‌های پیشرفته یادگیری ماشین می‌تواند به مدیران و تصمیم‌گیران صنعت بیمه در شناسایی ریسک‌ها، پیشگیری از بحران‌های مالی و بهبود پایداری سازمان کمک شایانی کند. دستاوردهای تحقیق حاضر می‌تواند مبنایی برای توسعه سیستم‌های هوشمند ارزیابی توانگری مالی در صنعت بیمه کشور باشد و زمینه را برای مطالعات آینده در حوزه به‌کارگیری هوش مصنوعی در مدیریت مالی شرکت‌های بیمه فراهم آورد.