پژوهشنامه بیمه (صنعت بیمه سابق)

پیشینه و اهداف: صنعت بیمه درمانی در پیش بینی هزینه های بیمه افراد که براساس پارامترهای پیچیده ای مانند سن و ویژگی های فیزیکی است، با چالش مهمی مواجه است. شرکت های بیمه برای مدیریت ریسک و جلوگیری از زیان احتمالی، بیمه گذاران را به دو گروه پرخطر و کم خطر دسته بندی می کنند. بااین حال، برآورد دقیق هزینه ها برای هر فرد می تواند کار سختی باشد. برای مقابله با این چالش، ما رویکردی مبتنی بر علم داده و یادگیری ماشین را پیشنهاد می کنیم که از یادگیری جمعی برای پیش بینی افراد پرخطر و کم خطر استفاده می کند.روش شناسی: روش پیشنهادی شامل مراحل مختلفی از جمله پیش پردازش داده ها، مهندسی ویژگی ها و اعتبارسنجی متقابل برای ارزیابی عملکرد مدل است. در مرحله اول، داده ها را با پاک کردن، مدیریت مقادیر ازدست رفته و رمزگذاری متغیرهای طبقه بندی، پیش پردازش می کنیم. در مرحله دوم، ما ویژگی های جدیدی را با استفاده از روش های مهندسی ویژگی ها مانند مقیاس بندی، نرمال سازی و کاهش ابعاد تولید می کنیم. این روش ها به استخراج اطلاعات معنادار از داده ها و بهبود عملکرد مدل کمک می کند. در مرحله بعد، ما از یادگیری جمعی برای ترکیب روش های رگرسیون متعدد، مانند رگرسیون لجستیک، شبکه های عصبی، ماشین های بردار پشتیبانی، جنگل های تصادفی، LightGBM و XGBoost استفاده می کنیم. هدف از ترکیب این روش ها این است که از نقاط قوت آن ها استفاده کنیم و نقاط ضعف آن ها را به حداقل برسانیم تا به دقت پیش بینی بهتری دست یابیم. در نهایت، عملکرد مدل را با استفاده از روش اعتبارسنجی متقاطع k-fold ارزیابی می کنیم. این روش به اعتبارسنجی دقت مدل و جلوگیری از برازش بیش از حد کمک می کند.یافته ها: رویکرد پیشنهادی ما به AUC برابر با 73/0 دست می یابد که اثربخشی آن را در پیش بینی افراد پرخطر و کم خطر نشان می دهد.نتیجه گیری: با استفاده از علم داده و روش های یادگیری ماشین، شرکت های بیمه می توانند دقت برآورد هزینه خود را بهبود بخشند و ریسک را بهتر مدیریت کنند. این رویکرد می تواند به شرکت های بیمه کمک کند تا پوشش بیمه ای و قیمت گذاری دقیق تری را برای افراد ارائه دهند که به رضایت بیشتر مشتریان و کاهش زیان های مالی منجر می شود.

پیشینه و اهداف: ارزیابی صحیح و علمی ریسک صدور بیمه نامه یکی از حساس ترین و مهم ترین مراحل ارزیابی ریسک است و انجام آن باعث شناسایی مشتریان پرریسک و تعیین نرخ بیمه نامه، متناسب با ریسک مشتریان و در نتیجه پوشش مناسب خسارت های مالی ادعاشده به وسیله حق بیمه های دریافتی می شود. در این پژوهش روشی جدید برای تبیین دقیق تر و کاربردی تر از ریسک فاکتور ارائه شده است. در این روش که مبتنی بر الگوریتم بدون نظارت خوشه بندی است، ابتدا بازه های مختلف هر عامل مؤثر بر خسارت بررسی و با توجه به میزان تأثیرگذاری بر سطوح خسارت مشتریان به چند ریسک فاکتور تقسیم می شوند. سپس با توجه به میزان ارتباط آن با بازه دیگر عوامل، از لحاظ ایجاد سطوح خسارت مشابه در مشتریان، با آن ها ترکیب می شود و پکیجی شامل بازه های عوامل تأثیرگذار بر سطوح مختلف خسارت را تشکیل می دهد. به این ترتیب به جای یک ریسک فاکتور، پکیج های مختلفی ایجاد می شود که هرکدام از آن ها یک عامل ریسک یا همان ریسک فاکتور در نظر گرفته می شوند.روش شناسی: با استفاده از روش خوشه بندی کا-میانگین، بیمه گذاران به خوشه هایی با ریسک همگن که در واقع ریسک پکیج های متناظر با میزان پرخطر بودن مشتریان هستند، تقسیم شده اند. براساس ساختار الگوریتم کا-میانگین تعداد خوشه های مورد نظر باید از پیش تعیین شود. این موضوع چالش اصلی استفاده از الگوریتم مزبور است. در همین راستا دو رویکرد اصلی اعتبارسنجی سایه نما (ضریب سیلوئت) و روش آرنج برای حل این مشکل ارائه شده است.یافته ها: با توجه به نمودار آرنج و ضریب سیلوئت و همچنین در نظر گرفتن نیاز شرکت های بیمه به ارزیابی کاربردی و منطبق بر واقعیت، 4 خوشه به دست آمد که با توجه به اینکه خوشه 2 و 3 در یک طیف نزدیک به هم و در نتیجه قابل پیوستن به یکدیگر هستند و خوشه با سطح ریسک متوسط را تشکیل می دهند، 3 خوشه به عنوان بهترین خروجی دسته بندی بیمه گذاران لحاظ شد.نتیجه گیری: از بررسی ویژگی های به دست آمده در 3 خوشه مطرح شده می توان پکیج های ریسک ذیل را معرفی کرد.افراد با سنین بالا، متوسط و پایین (چگال در بازه 30 تا 58 سال) با ماشین ارزان قیمت و دارای جنسیت مرد را می توان به عنوان بیمه گذاران با بالاترین سطح ریسک معرفی کرد.افراد با سنین متوسط و بالا (چگال در بازه 32 تا 53 سال) با ارزش ماشین متوسط و بالا را می توان بیمه گذاران دارای ریسک های متوسط در نظر گرفت.افراد با سنین متوسط به بالا (چگال در بازه 51 تا 63 سال) با ماشین گران قیمت را می توان بیمه گذاران با پایین ترین سطح ریسک در نظر گرفت.

پیشینه و اهداف: استفاده از شیوه های نوین بازاریابی در کسب وکارهای امروزی به شدت مورد نیاز تمام سازمان هاست. یکی از مسائل مهم در حوزه حفظ و نگهداشت مشتری ارزش طول عمر مشتری است. ارزش طول عمر مشتری تأثیر زیادی در بهینه سازی عملکردهای شرکت ها، از جمله شرکت های بیمه دارد. هدف از اجرای این پژوهش، شناسایی عوامل اثرگذار بر افزایش ارزش طول عمر مشتری شرکت های بیمه است.روش شناسی: این پژوهش از نوع پژوهش های آمیخته با رویکرد کیفی و کمّی است که از نظر هدف، کاربردی و از لحاظ نحوه گردآوری داده، از نوع مطالعات پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان شرکت ها و سازمان های بیمه، خبرگان و اساتید دانشگاهی بودند که با استفاده از روش نمونه گیری گلوله برفی انتخاب شدند. در بخش کیفی ابزار گردآوری اطلاعات، مصاحبه و در بخش کمّی پرسش نامه بود که برای شناسایی مقوله ها، از مصاحبه نیمه ساختاریافته و از پرسش نامه به منظور اعتباریابی الگو استفاده شد. در بخش کیفی روش تحلیل داده ها، رویکرد نظریه داده بنیاد با روش استراوس و کوربین بود که با استفاده از نرم افزار MAXQDA و با استفاده از روش کدگذاری تدوین شد و در بخش کمّی، روش تحلیل بر مبنای آزمون همبستگی کندال بود. به منظور بررسی روایی پژوهش بخش کیفی، از مدل کرسول به همراه روایی محتوایی و پایایی درون کدگذار و میان کدگذار و در بخش کمّی به منظور آزمون روایی پژوهش از روایی اعتبار محتوا و بازآزمون بهره گرفته شد.یافته ها: در پژوهش حاضر پس از تجزیه وتحلیل داده های به دست آمده در فرایند پژوهش در آخر تعداد 9 عامل علّی، 3 عامل راهبردی، 4 عامل مداخله گر، 3 عامل زمینه ای و در نهایت پیامدهای افزایش ارزش ویژه مشتری در صنعت بیمه شناسایی شدند.نتیجه گیری: پژوهش شامل ارائه مدلی مشتمل بر شرایط علّی، زمینه ای و مداخله گر، به همراه معرفی پدیده محوری و ارائه راهبردهای افزایش ارزش طول عمر مشتری و شناسایی پیامدهای آن است.

پیشینه و اهداف: توزیع وایبول که فیزیک دانی سوئدی به نام وایبول معرفی کرد، امروزه رایج ترین مدل مورد استفاده در مطالعات قابلیت اطمینان، طول عمر، کنترل کیفیت و به طور وسیعی در شاخه های مختلف علوم از جمله بیمه، پزشکی و مهندسی استفاده می شود. این توزیع برای الگوسازی داده های مختلف، انعطاف پذیری زیادی دارد. هدف اصلی این پژوهش محاسبه حق بیمه و برآورد پارامترهای توزیع وایبول با استفاده از روش های مختلف برآورد استروش شناسی: در این مقاله به برآورد پارامترهای توزیع وایبول و حق بیمه خالص با استفاده از برآودگرهای گشتاوری، ماکسیمم درست نمایی، کمترین توان های دوم خطا ، کمترین توان های دوم وزنی، صدکی، کرامر– فون– میسز، آمیخته گشتاوری و ماکسیمم درست نمایی در حضور داده های پرت پرداخته شده است. از نرم افزار R برای شبیه سازی و محاسبات عددی و از نرم افزار Easyfit برای برازش توزیع وایبول به داده های مثال واقعی استفاده شد. در پایان دو مثال واقعی برای به دست آوردن برآوردگرهای متفاوت با حق بیمه درصورتی که دو پارامتر β و θ مجهول و α معلوم است، ارائه شده است.یافته ها: در این پژوهش اریبی، میانگین توان دوم خطای حق بیمه خالص و پارامترهای مجهول β و θ با استفاده از برآوردگرهای مختلف برای داده های توزیع وایبول و همچنین واریانس تعمیم یافته پارامترهای مجهول β و θ به دست آمد.نتیجه گیری: در این قسمت به بررسی و مقایسه برآوردگرها با استفاده از داده های واقعی و شبیه سازی شده پرداخته شد که برای داده های واقعی در روش های مختلف k-max متفاوت به دست آمد. برای نمونه، در روش گشتاوری k-max برابر 5 شد که براساس آن حق بیمه خالص 3.37657 است. در داده های شبیه سازی شده نیز با توجه به k (تعداد داده های دورافتاده)، n (حجم نمونه) و مقادیر β و θ، مقادیر اریبی، میانگین توان دوم خطا و واریانس تعمیم یافته حق بیمه و برآوردگرهای مختلف به دست آمد که برای نمونه برای n=10، k=1، β=1.5، θ=3 و70 α= با مقایسه اریبی و واریانس تعمیم یافته برآوردگرها به این نتیجه می رسیم که براساس اریبی، برآوردگر صدکی دارای عملکرد بهتری نسبت به دیگر برآوردگرهاست، یعنی دارای اریبی کمتری است و با توجه به واریانس تعمیم یافته، برآوردگر ماکسیمم درست نمایی دارای عملکرد بهتری نسبت به سایر برآوردگرهاست و برآوردگرها سازگارند (با افزایش حجم نمونه واریانس تعمیم یافته کاهش می یابد). براساس میانگین توان دوم خطا، برآورد گشتاوری دارای عملکرد بهتری نسبت به سایر برآوردگرهاست.

پیشینه و اهداف: سود آوری یکی از مهم ترین شاخص های عملکرد شرکت های بیمه است، زیرا نشان دهنده توانایی بیمه گر (شرکت بیمه) برای سرمایه گذاری و رشد آن است و ناظران با تکیه بر ویژگی های مالی در رابطه با سودآوری، بقای بیمه گر را تعیین می کنند. در سال های اخیر، محققان از روش تحلیل پوششی داده ها (DEA) به طور گسترده ای برای ارزیابی عملکرد انواع مختلف شرکت های بیمه استفاده کرده اند. سودآوری نیز به دلیل کاستی نسبت های مالی متعارف در بسیاری از مطالعات، با روش های تحلیل پوششی داده ها اندازه گیری می شود. با توجه به رشد سریع صنعت بیمه در کشور ایران و ضرورت بررسی بیشتر سودآوری صنعت بیمه اموال (غیرزندگی) در ایران و گسترش تحلیل پوششی، تحقیق حاضر انجام شده است.روش شناسی: این مطالعه به بررسی تحول و عوامل تعیین کننده سودآوری 18 شرکت بیمه پذیرفته شده در بورس اوراق بهادار تهران در سال های 1393 تا 1400 می پردازد، اطلاعات این شرکت ها در دوره پژوهش کامل و در دسترس هستند. در این مطالعه سودآوری به وسیله تحلیل پوششی داده ها اندازه گیری می شود. علاوه بر این، مدل برآوردگر توبیت نیز برای مطالعه و بررسی تأثیر اندازه شرکت، سن شرکت و تنوع محصول بر سودآوری بیمه گران استفاده می شود تا فرضیه ها آزمون و بررسی شود..یافته ها: نتایج تجربی اهمیت ترتیب مناسب هزینه ها و درآمدها برای بیمه گر را نشان می دهد؛ همچنین نتایج نشان می دهد که اندازه شرکت، سن شرکت و تنوع محصول با سودآوری رابطه معناداری ندارند.نتیجه گیری: شرکت های بیمه باید ساختار مخارج و انواع مختلف کسب و کار خود را به درستی ترتیب دهند. ترکیب اشتباه مخارج ورودی و درآمد خروجی به شکست در دستیابی به حداکثر نسبت سود منجر می شود. ازاین رو، ازیک سو، ساختار هزینه های یک شرکت بیمه باید بهینه شود. از سوی دیگر، به جای اتکای بیش از حد بر عملکرد ادغام ریسک و ریسک، باید انواع مختلف کسب و کار را در نظر گرفت. این مطالعه به درک بهتر عملکرد شرکت های بیمه کمک می کند تا موقعیت نسبی سودآوری خود را در صنعت درک کند و نیز راهبردهای هدفمند را تدوین کند، و برای دولت کمک کننده است که درک بهتری از توسعه صنعت داشته باشد و سیاست های مربوطه را تدوین کند.

پیشینه و اهداف: با توجه به رشد روزافزون فنّاوری اطلاعات و کسب وکارهای مبتنی بر داده و روند رو به رشد اطلاعات در پایگاه های داده، صنعت بیمه نیز به عنوان یکی از کسب وکارهای یادشده با حجم انبوهی از اطلاعات ذخیره شده روبه رو است. این حجم انبوه داده ها شرکت های بیمه ای را ملزم می سازد تا با شیوه های داده کاوی، دانش موجود در پایگاه های داده را کشف کنند. ازسوی دیگر توسعه روش های نوین داده کاوی و کشف الگوهای پنهان در پایگاه های داده به سرعت رو به افزایش است.روش شناسی: در این مقاله با هدف بررسی جامع بر کاربرد داده کاوی در صنعت بیمه دنیا، جدیدترین مستندات علمی مربوطه در چهار سناریوی مختلف شامل تحقیقات صنعت بیمه، داده کاوی در بیمه، کشف تخلفات و ریسک در بیمه از وب سایت علمی Web of Science دریافت و با رویکرد علم سنجی تحلیل و بررسی شده است. نتایج به دست آمده نشان می دهد رشد داده های موجود در شرکت های بیمه و شناسایی ریسک و فاکتورهای آن، شرکت های بیمه و پژوهشگران را به بررسی روش های نوین مدیریت پایگاه های داده و داده های بزرگ و همچنین شناسایی ریسک و فاکتورهای آن با استفاده از شیوه های داده کاوی ملزم می سازد.یافته ها: بدین منظور برای تسهیل در تحقیقات پژوهشگران آینده و استفاده از مطالعات پیشین داده کاوی در صنعت بیمه، در این مقاله شبکه هم استنادی کشورهای مختلف و معتبرترین مجلات علمی براساس شاخص ارزیابی استناد به مقالات معرفی شده است.نتیجه گیری: در نتایج این مقاله فهرست مجلات معتبر علمی و موضوعاتی را که در هریک به طور تخصصی به آن پرداخته شده، ارائه کرده ایم تا مرور ادبیات جامع در این مقاه مروری مسیر مطالعات آینده صنعت بیمه را هموارتر سازد. همچنین رتبه بندی برترین کشورهای جهان که متمرکز بر مطالعات داده کاوی در صنعت بیمه بوده است، آورده شده و رتبه ایران در میان سایر کشورها نیز مشخص شده است. استفاده از مطالعات و مجلات علمی معتبر می تواند راه پژوهش های آینده را در پیشرفت این مطالعات در صنعت بیمه ایران را هدفمندتر کند.