مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

18
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی تعهدهای آتی شرکت های بیمه با استفاده از مدل حافظۀ بلندمدت ـ کوتاه مدت

صفحات

 صفحه شروع 854 | صفحه پایان 879

چکیده

 هدف: این پژوهش به دنبال ارائۀ مدلی برای محاسبۀ تعهدهای آتی شرکت های بیمه است تا به چالش های بالقوۀ موجود در روش سنتی پاسخ مناسبی دهد. به صورت سنتی, شرکت های بیمه از روش زنجیرۀ نردبانی, به عنوان نوعی ابزار آماری, برای پیش بینی روند توسعۀ 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 توسعۀ 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 کووید19 متأثر سازد. محاسبۀ 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. محاسبۀ ذخایر کمتر از تعهدهای آتی, شرکت بیمه را در ایفای تعهدهایش دچار مشکل می کند و از سویی دیگر, محاسبۀ 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 بیمۀ شخص ثالث پیش بینی می کند. خروجی این مدل, یعنی ترکیب تعداد و زمان وقوع حوادث, در محاسبۀ تعهدهای آتی و ذخیرۀ خسارت در این بخش بیمه ای نقش کلیدی دارد. این مدل با کمک داده های تاریخی خسارت بیمه گذاران شرکت بیمۀ کارآفرین, در بخش بیمۀ شخص ثالث آموزش دیده است. این مدل قادر است لایه های پنهان و ارتباطات غیرخطی و پیچیدۀ بین داده های خسارتی را شناسایی کند. در این پژوهش, از الگوریتم شبکۀ عصبی با حافظۀ بلندمدت ـ 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 بازۀ زمانی فروردین 1396 تا شهریور 1400 بوده است.یافته ها: کارایی مدل با بهینه سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه سازی مدل دو رویکرد, یعنی جست‎وجوی 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 فاصلۀ کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست ‎وجوی شبکه ای را نشان می دهد؛ اما در این روش, نتیجۀ 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 روزانۀ حوادث با خسارت های جانی, استفاده از روش جست‎وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکۀ عصبی حافظۀ بلندمدت ـ 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.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button