فهرست نشریات علمی دسترسی آزاد ایران

هدف: این پژوهش به‌دنبال ارائۀ مدلی برای محاسبۀ تعهدهای آتی شرکت‌های بیمه است تا به چالش‌های بالقوۀ موجود در روش سنتی پاسخ مناسبی دهد. به‌صورت سنتی، شرکت‌های بیمه از روش زنجیرۀ نردبانی، به‌عنوان نوعی ابزار آماری، برای پیش‌بینی روند توسعۀ خسارت‌ها استفاده می‌کنند. این روش آماری به‌دلیل سادگی فرضیه‌ها و تفسیر روشن، تأیید نهادهای نظارتی در کشورهای مختلف را نیز به همراه دارد. با این حال، وجود فرضیه‌هایی نظیر ایستایی در ساختار توسعۀ داده‌ها و ارتباط خطی بین متغیرها، ممکن است کارایی مدل را در مواجهه با تغییرات ناشی از عوامل داخل و خارج از سازمان، مانند اِعمال سیاست‌های داخلی یا عوامل خارجی مانند همه‌گیری کووید۱۹ متأثر سازد. محاسبۀ نزدیک به واقعیت تعهدهای شرکت‌های بیمه با توانگری مالی آن‌ها ارتباط تنگاتنگی دارد. مبلغی که شرکت‌های بیمه برای پاسخ به تعهدهای آتی خود تخصیص می‌دهند، به‌عنوان ذخیره شناسایی می‌شود. محاسبۀ ذخایر کمتر از تعهدهای آتی، شرکت بیمه را در ایفای تعهدهایش دچار مشکل می‌کند و از سویی دیگر، محاسبۀ بیش از مبلغ مورد نیاز، صورت‌های مالی شرکت‌های بیمه را تحت تأثیر قرار می‌دهد.روش: مدل ارائه شده در این پژوهش با استفاده از یادگیری ماشین و هوش مصنوعی، تعداد حوادث روزانه با خسارت‌های جانی را در بخش بیمۀ شخص ثالث پیش‌بینی می‌کند. خروجی این مدل، یعنی ترکیب تعداد و زمان وقوع حوادث، در محاسبۀ تعهدهای آتی و ذخیرۀ خسارت در این بخش بیمه‌ای نقش کلیدی دارد. این مدل با کمک داده‌های تاریخی خسارت بیمه‌گذاران شرکت بیمۀ کارآفرین، در بخش بیمۀ شخص ثالث آموزش دیده است. این مدل قادر است لایه‌های پنهان و ارتباطات غیرخطی و پیچیدۀ بین داده‌های خسارتی را شناسایی کند. در این پژوهش، از الگوریتم شبکۀ عصبی با حافظۀ بلندمدت ـ کوتاه‌مدت که در سری‌های زمانی توانایی پیش‌بینی بیشتری دارد، استفاده شده است. داده‌های تاریخی مربوط به خسارت‌های جرحی بیمه‌گذاران، در بازۀ زمانی فروردین ۱۳۹۶ تا شهریور ۱۴۰۰ بوده است.یافته‌ها: کارایی مدل با بهینه‌سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه‌سازی مدل دو رویکرد، یعنی جست‎وجوی شبکه‌ای و تصادفی برای شناسایی ابرپارامترها با یکدیگر مقایسه شده‌اند. میانگین مربعات خطا به‌عنوان شاخص سنجش عملکرد در نظر گرفته شده است. این شاخص برای داده‌های آموزش، در هر دو مدل با فاصلۀ کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست‌‎وجوی شبکه‌ای را نشان می‌دهد؛ اما در این روش، نتیجۀ داده‌های آزمون از داده‌های آموزش بهتر بود (22/15 در برابر 33/16) که این امر می‌تواند نشانه‌ای از وقوع بیش‌پردازش باشد.نتیجه‌گیری: این مقاله برای طراحی مدل پیش‌بینی تعداد روزانۀ حوادث با خسارت‌های جانی، استفاده از روش جست‎وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکۀ عصبی حافظۀ بلندمدت ـ کوتاه‌مدت پیشنهاد می‌کند؛ زیرا مدل طراحی‌شده بر این مبنا، بر مشکل بیش‌پردازش غلبه می‌کند و می‌تواند در کار با داده‌های ناآشنا عملکرد مناسبی داشته باشد. بیش‌پردازش زمانی رخ می‌دهد که مدل بیش از حد از داده‌های آموزشی تأثیر بگیرد و نه تنها الگوهای واقعی را یاد بگیرد، بلکه نویزها و جزئیات جزئی داده‌ها را نیز یاد بگیرد. این ممکن است باعث کاهش جامع‌پذیری مدل شود.