فهرست نشریات علمی دسترسی آزاد ایران

این مطالعه با هدف پیش‌بینی ذخایر خسارت‌های واقع‌شده ولی گزارش‌نشده ، در رشته‌های مختلف بیمه‌ای، از مدل‌های یادگیری ماشین پیشرفته و تحلیل داده‌های سانسورشده و بریده‌شده استفاده کرده است. داده‌ها شامل اطلاعات تاریخ­های وقوع و گزارش حادثه در پنج رشته بیمه‌ای، شامل ثالث مالی، بدنه، ثالث جانی و حوادث راننده، آتش‌سوزی و مسئولیت بوده و روش­ها شامل رگرسیون خطی چندگانه (MLR) ، مدل خطی تعمیم‌یافته (GLM) ، مدل افزایشی تعمیم‌یافته (GAM) ، جنگل تصادفی (RF) ، شبکه عصبی (MLP) و حافظه کوتاه‌مدت و بلندمدت (LSTM) در دوره زمانی 1400 تا 1401 در شرکت بیمه ایران می‌باشند . با سانسور کردن و برش داده­ها در مقاطع مختلف، بر حسب روزهای تعطیل، روزهای شلوغ سال و دوره­های رونق ساخت و ساز، ویژگی­های اثرگذار داده­ها، براساس نوع رشته بیمه ­ای مدل­سازی شد. نتایج نشان داد که مدل‌های LSTM و RF در پیش‌بینی تاخیرها عملکرد بسیار بهتری نسبت به مدل‌های خطی داشتند؛ به‌طور خاص، مدل RF در رشته‌های بدنه و ثالث مالی با خطا به ترتیب 64/10 و 02/11 و مدل LSTM با خطا به‌ترتیب 83/9 و 72/10، دقت بالاتری نسبت به سایر مدل‌ها داشته­اند. این مدل‌ها در شناسایی الگوهای پیچیده موجود در داده‌ها توانمند بوده و نشان دادند که با توجه به تأثیرگذاری عواملی مانند تعطیلات آخر هفته‌ها و نوع ترکیب داده‌ها می‌توانند الگوهای پیچیده‌تری را در داده‌های بیمه‌ای شناسایی کنند . این نتایج تأکید دارد که مدل‌های LSTM و جنگل تصادفی به‌طور چشمگیری قابلیت بهبود دقت پیش‌بینی را دارا بوده و ابزار مناسبی برای ارزیابی ریسک و تخصیص بهینه ذخایر مالی در صنعت بیمه محسوب می‌شوند .