فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: یکی از چالش‌های مهم شرکت‌های بیمه‌ تعیین نرخ بهینة ‌بیمه‌نامه‌های اموال مانند خودرو و آتش‌سوزی است. اگر شرکت بیمه بتواند امکان وقوع خسارت را در یک ‌بیمه‌نامه تشخیص دهد، تصمیمات مؤثر و بهتری در تعیین نرخ بیمه‌، میزان تخفیف اختصاص‌یافته به ‌بیمه‌نامه یا تصمیم‌گیری دربارة تمدید آن ‌بیمه‌نامه خواهد داشت. شرکت‌های بیمه و خبرگان رشتة صدور و خسارت‌، به‌دنبال روش‌های جدیدی برای ارزیابی ریسک مشتریان و ‌بیمه‌نامه‌ها از طریق پیش‌بینی وقوع خسارات احتمالی در این رشته هستند. روش‌های سنتی مانند مدل‌های خطی عمومی (GLMs) غالباً در شناسایی الگوهای پیچیده در داده‌های بیمه ناکام‌اند. یادگیری عمیق با توانایی شناسایی روابط غیرخطی و الگوهای پیچیده می‌تواند این محدودیت‌ها را رفع کند. در این مقاله روشی برای بهبود عملکرد یادگیری عمیق با استفاده از تکنیک‌های رگرسیون عمیق ترتیبی ارائه شده است. رویکرد پیشنهادی ترکیبی از یادگیری عمیق و مدل‌های ترتیبی است. از شبکه‌های حافظة طولانی کوتاه‌مدت (LSTM)  برای مدل‌سازی داده‌های سری زمانی استفاده می‌شود.روش‌شناسی: در این مقاله از داده‌های 7 سال اخیر صدور و خسارت بیمة آتش‌سوزی شرکت بیمة البرز برای بررسی و پیش‌بینی خسارت در این رشته استفاده شده است. در این مقاله با تمرکز بر پیش‌پردازش داده‌ها و استخراج ویژگی‌های برتر برای ارائة بهترین نتیجه و پس از اعمال روش‌های مختلف استخراج ویژگی، در نهایت از مجموع 40 ویژگی، 20 ویژگی انتخاب و سپس با استفاده یادگیری عمیق آموزش داده شد. رویکرد پیشنهادی، ترکیبی از یادگیری عمیق و مدل‌های ترتیبی با استفاده از شبکه‌های حافظة طولانی کوتاه‌مدت (LSTM) برای مدل‌سازی داده‌های سری زمانی استفاده‌ می‌کند.یافته‌ها: در این مقاله با بررسی روش‌های مختلف یادگیری ماشینی روی داده‌های صدور و خسارت شرکت بیمه‌، این نتیجه به دست آمد که مدل رگرسیون عمیق ترتیبی نسبت به روش‌های سنتی عملکرد بهتری دارد. بهبود دقت پیش‌بینی، قابلیت اطمینان بالاتر و تأکید بر اهمیت ویژگی‌های زمانی از نتایج اصلی‌اند.نتیجه‌گیری: بهینه‌سازی فرایندهای ارزیابی ریسک و خسارت از طریق مدل‌های یادگیری عمیق می‌تواند به ارائة نرخ‌های ‌حق‌بیمه دقیق‌تر و کاهش ضررهای ناشی از پرداخت‌های نامناسب منجر شود. همچنین، استفاده از این مدل‌ها می‌تواند به شرکت‌های بیمه کمک کند تا استراتژی‌های مدیریت ریسک بهتری اتخاذ کنند و فرایندهای کشف تقلب را بهبود بخشند. این موضوع به‌ویژه در بیمه‌های آتش‌سوزی، که خسارت‌های مالی سنگینی به همراه دارند، از اهمیت بالایی برخوردار است.