ذخیره خسارت

شرکتهای بیمه ای در اظهارنامه های مالی اغلب از روش نردبان زنجیره ای برای پیشگویی ذخیره خسارتها استفاده می کنند. روش نردبان زنجیره ای بر اساس داده های انباشته شده و سالهای توسعه ادعاها در مثلث تعهدات آتی است. این مثلث خلاصه ای از مجموعه داده های مربوط به ادعاهای تکی است. در این مقاله، از چارچوب فرایند پواسون نشان دار وابسته به وضعیت، و ابزارهای آماری برای پیشامد های بازگشتی در ادعاهای تکی برای روشی از ذخیره سازی تحت عنوان ذخیره خسارتهای تصادفی سطح خرد استفاده می شود. جزئیات اطلاعات مربوط به زمان رخداد خسارت، زمان تأخیر در گزارش خسارت، زمانهای بین پرداختها و مقادیر پرداختهای صورت گرفته، و اطلاعات زمان تسویه نهایی ادعاها در محاسبه ذخیره سطح خرد به کار گرفته می شود. برای ارزیابی مدل جدید، مجموعه داده های مربوط به یک شرکت بیمه ایرانی در نظر گرفته شده است؛ با استفاده از این مجموعه داده ها و شبیه سازی ذخیره خسارتها با مدل سطح خرد، نشان داده شد که استفاده از مدل ذخیره خسارتهای تصادفی سطح خرد، برآورد نزدیکی با مقدار واقعی ذخیره خسارت مورد نیاز برای سالهای آتی دارد.

هدف: این پژوهش با هدف پیشگویی ذخیره خسارت با استفاده از رویکرد تصادفی و مقایسه آن با روش قطعی پیشنهادی در دستورالعمل روش برآورد و کنترل کفایت ذخایر فنی رشته بیمه شخص ثالث اتومبیل بیمه مرکزی انجام شده است. روش شناسی : این پژوهش از نظر هدف توسعه ای-کاربردی از نوع مطالعات تحلیلی محسوب می شود. از روش های تصادفی و قطعی جهت محاسبه ذخیره خسارت استفاده شده است. برای ارزیابی مدل، مجموعه داده های خسارت یک شرکت بیمه ایرانی در بازه 1390 تا 1398 درنظر گرفته شده و با استفاده از این مجموعه داده ها و همچنین طراحی یک الگوریتم تولید مثلث خسارت، ذخیره خسارت بر اساس مدل های مورد بررسی به وسیله نرم افزار R تحلیل گردیده است. الگوریتم تولید مثلث خسارت طراحی شده قابلیت تولید مثلث خسارت دوگانه (تولید مثلث های تعداد و مبلغ خسارت) به صورت همزمان را دارد. در این مقاله، علاوه بر استفاده از روش های رایج پس آزمون کردن نتایج، راهکاری جهت انتخاب بهترین مدل ذخیره گیری بر اساس محاسبه عدم اطمینان مثلث های متوالی پیشنهاد شده که به بیمسنج ها کمک می کند تا بهترین روش ذخیره گیری را بر اساس الگوی خسارت شرکت بیمه انتخاب کنند. یافته ها: باتوجه به قطعی بودن مدل های پیشنهادی بیمه مرکزی، استفاده از رویکردهای تصادفی در این مقاله مورد تأکید قرار گرفت. در رویکرد بیمه مرکزی امکان محاسبه CDR و MSEP وجود ندارد. این دو معیار در پاسخ به عدم توانگری مالی و نظارت مبتنی بر ریسک شرکت بیمه بسیار ارزشمند می باشد. همچنین، از چند روش ذخیره گیری استفاده شد تا نشان داده شود به چه طریق می توان بهترین روش را برای ذخیره گیری خسارت انتخاب کرد. رویکرد تصادفی پویای مورد استفاده در این مقاله موجب می شود که شرکت های بیمه بتوانند علاوه بر برآورد نقطه ای ذخیره، فاصله اطمینانی نیز برای آن تعیین کنند و بدین ترتیب سرمایه کافی جهت ایفای تعهدات خود ذخیره نمایند. نتیجه گیری: روش مبتنی بر نسبت خسارت اریبی زیادی دارد و نتایج آن برای شرکت های بیمه قابل اتکا نیست. نتایج شبیه سازی نیز مؤید نامناسب بودن روش مبتنی بر نسبت خسارت (دستورالعمل) می باشد. لذا، نمی توان یک روش ثابت و واحد را برای تمامی شرکت ها توصیه نمود و این وظیفه بیم سنج شرکت بیمه است که مناسب ترین روش را برای شرکت خود پیدا و به نهاد ناظر معرفی کند. طبقه بندی موضوعی : G22, C13, C53.

هدف: این پژوهش به دنبال ارائه مدلی برای محاسبه تعهدهای آتی شرکت های بیمه است تا به چالش های بالقوه موجود در روش سنتی پاسخ مناسبی دهد. به صورت سنتی، شرکت های بیمه از روش زنجیره نردبانی، به عنوان نوعی ابزار آماری، برای پیش بینی روند توسعه خسارت ها استفاده می کنند. این روش آماری به دلیل سادگی فرضیه ها و تفسیر روشن، تأیید نهادهای نظارتی در کشورهای مختلف را نیز به همراه دارد. با این حال، وجود فرضیه هایی نظیر ایستایی در ساختار توسعه داده ها و ارتباط خطی بین متغیرها، ممکن است کارایی مدل را در مواجهه با تغییرات ناشی از عوامل داخل و خارج از سازمان، مانند اِعمال سیاست های داخلی یا عوامل خارجی مانند همه گیری کووید۱۹ متأثر سازد. محاسبه نزدیک به واقعیت تعهدهای شرکت های بیمه با توانگری مالی آن ها ارتباط تنگاتنگی دارد. مبلغی که شرکت های بیمه برای پاسخ به تعهدهای آتی خود تخصیص می دهند، به عنوان ذخیره شناسایی می شود. محاسبه ذخایر کمتر از تعهدهای آتی، شرکت بیمه را در ایفای تعهدهایش دچار مشکل می کند و از سویی دیگر، محاسبه بیش از مبلغ مورد نیاز، صورت های مالی شرکت های بیمه را تحت تأثیر قرار می دهد.روش: مدل ارائه شده در این پژوهش با استفاده از یادگیری ماشین و هوش مصنوعی، تعداد حوادث روزانه با خسارت های جانی را در بخش بیمه شخص ثالث پیش بینی می کند. خروجی این مدل، یعنی ترکیب تعداد و زمان وقوع حوادث، در محاسبه تعهدهای آتی و ذخیره خسارت در این بخش بیمه ای نقش کلیدی دارد. این مدل با کمک داده های تاریخی خسارت بیمه گذاران شرکت بیمه کارآفرین، در بخش بیمه شخص ثالث آموزش دیده است. این مدل قادر است لایه های پنهان و ارتباطات غیرخطی و پیچیده بین داده های خسارتی را شناسایی کند. در این پژوهش، از الگوریتم شبکه عصبی با حافظه بلندمدت کوتاه مدت که در سری های زمانی توانایی پیش بینی بیشتری دارد، استفاده شده است. داده های تاریخی مربوط به خسارت های جرحی بیمه گذاران، در بازه زمانی فروردین ۱۳۹۶ تا شهریور ۱۴۰۰ بوده است.یافته ها: کارایی مدل با بهینه سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه سازی مدل دو رویکرد، یعنی جست وجوی شبکه ای و تصادفی برای شناسایی ابرپارامترها با یکدیگر مقایسه شده اند. میانگین مربعات خطا به عنوان شاخص سنجش عملکرد در نظر گرفته شده است. این شاخص برای داده های آموزش، در هر دو مدل با فاصله کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست وجوی شبکه ای را نشان می دهد؛ اما در این روش، نتیجه داده های آزمون از داده های آموزش بهتر بود (22/15 در برابر 33/16) که این امر می تواند نشانه ای از وقوع بیش پردازش باشد.نتیجه گیری: این مقاله برای طراحی مدل پیش بینی تعداد روزانه حوادث با خسارت های جانی، استفاده از روش جست وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکه عصبی حافظه بلندمدت کوتاه مدت پیشنهاد می کند؛ زیرا مدل طراحی شده بر این مبنا، بر مشکل بیش پردازش غلبه می کند و می تواند در کار با داده های ناآشنا عملکرد مناسبی داشته باشد. بیش پردازش زمانی رخ می دهد که مدل بیش از حد از داده های آموزشی تأثیر بگیرد و نه تنها الگوهای واقعی را یاد بگیرد، بلکه نویزها و جزئیات جزئی داده ها را نیز یاد بگیرد. این ممکن است باعث کاهش جامع پذیری مدل شود.