فهرست مطالب
پژوهشنامه بیمه
سال سی و هشتم شماره 4 (پاییز 1402)
- تاریخ انتشار: 1402/07/05
- تعداد عناوین: 6
-
-
صفحات 251-264پیشینه و اهداف
بیمه آتش سوزی نوعی بیمه است که از خسارت مالی به اموال محافظت می کند. معمولا حوادثی مانند آتش سوزی، سرقت و خسارت های مربوط به آب وهوا را پوشش می دهد و می تواند به جبران هزینه های تعمیر یا جایگزینی اموال آسیب دیده کمک کند. شرکت های بیمه و علاقه مندان به توسعه خدمات بیمه آتش سوزی به دنبال استفاده از روش های تحلیلی مدرن برای تجزیه وتحلیل بیمه نامه ها، ارزیابی و پیش بینی خسارت احتمالی آن ها برای مدیریت ریسک هستند. پیش بینی ادعای خسارت، معیاری حیاتی برای پیش بینی خسارت های آتی در شرکت های بیمه است. براساس نظریه ریسک، پیش بینی خسارت عنصری مهم در کسب وکار بیمه آتش سوزی برای ارزیابی حداکثر خسارت احتمالی است.
روش شناسی:
در این پژوهش سه معیار پیش بینی خسارت (احتمال وقوع، شدت، زمان بروز) با تهیه مجموعه داده، یادگیری و مقایسه الگوریتم های مختلف توصیف می شوند. در ابتدا، تجزیه وتحلیل داده های اکتشافی برای انتخاب ویژگی های مورد نیاز انجام شد و در نهایت 44 قلم اطلاعاتی از اطلاعات بیمه نامه و خسارت پرداختی رشته آتش سوزی انتخاب گردید. ابعاد مجموعه داده ها توسط روش حذف بازگشتی ویژگی ها کاهش یافته و برای هر الگوریتم، مجموعه مختلفی از فیلدهای اطلاعاتی موثر انتخاب شده است. ما بیش از 780،000 رکورد بیمه نامه و حدود 70،000 رکورد مرتبط خسارت پرداختی را برای یک بازه ده ساله (ابتدای 1390 تا ابتدای 1400) از بانک اطلاعاتی عملیاتی سامانه آتش سوزی بیمه ایران انتخاب کرده ایم. مدل های یادگیری رگرسیونی برتر مانند رگرسیون خطی، رگرسیون جنگل تصادفی، رگرسیون بردار پشتیبان و شبکه عصبی عمیق برای هر سه الگوریتم پیش بینی خسارت پیاده سازی شد. سپس دقت الگوریتم ها با مقدار میانگین مربعات خطا و مقدار میانگین خطای مطلق مقایسه شد.
یافته هانتایج پیش بینی مدل نشان داد که بهترین الگوریتم برای هر سه معیار، یادگیری عمیق و مشخصا شبکه عصبی چندلایه پرسپترون است. پس از تنظیم فراپارامترها و چندین بار اجرا، بهترین الگوریتم یادگیری عمیق با کمترین خطا با مقادیر 0.117 (احتمال وقوع)، 0.042 (شدت خسارت)، 0.106 (زمان بروز خسارت) حاصل شد. پیش بینی نتایج مدل نوآورانه ما در داده های آزمایشی، به این نتیجه رسید که مدل هوشمند ارایه شده دقت مناسبی دارد. شرکت های بیمه به شدت علاقه مند پیش بینی آینده اند و پیش بینی خسارت فرصتی برای کاهش زیان مالی برای شرکت فراهم می کند. به کارگیری یادگیری عمیق در پیش بینی خسارت آتش سوزی و پیش بینی زمان بروز خسارت، علاوه بر احتمال و شدت، نوآوری های مدل هستند.
نتیجه گیرییادگیری ماشین می توانند به شرکت ها کمک کنند تا خدمات خود را با دقت بیشتری بهینه کنند، مدیریت ریسک را تقویت و در نتیجه ابزارهایی برای تصمیم گیری بهتر فراهم نمایند. به کارگیری یادگیری عمیق در پیش بینی خسارت بیمه می تواند به صورت کاربردی جایگزین فرایند دستی پیچیده، زمان بر و نادقیق موجود در شرکت های بیمه شود و سرآغار توسعه نوین در مدیریت ریسک، مدیریت اتکایی و بهبود نرخ گذاری بیمه آتش سوزی باشد.
کلیدواژگان: ارزیابی ریسک، بیمه آتش سوزی، پیش بینی خسارت، نظریه ریسک، یادگیری عمیق -
صفحات 265-282پیشینه و اهداف
ضریب نفوذ بیمه عمر به عنوان یک محصول مهم بیمه ای و برنامه ریزی مالی در ایران بسیار پایین است و یکی از دلایل آن بازخرید بیمه نامه هاست. هدف این مقاله بررسی تاثیر مشخصه های فردی و قراردادی بیمه نامه هاست که بر بازخرید بیمه نامه های عمر به شرط فوت اثر می گذارند.
روش شناسی:
برای این منظور از داده های آماری و اطلاعات ثبتی 35171 خریدار بیمه نامه های عمر و مستمری یک شرکت بیمه ای در مقطع سال 1400 بهعنوان پایلوت استفاده شد. برای تجزیه و تحلیل نیز از داده کاوی و الگوریتم های یادگیری عمیق و شبکه عصبی که دقت بسیار بالایی در پیش بینی دارند استفاده شد.
یافته هامدل از دقت مطلوب 74 درصد در پیش بینی هر دو نوع بیمه نامه های عدم بازخرید و بازخرید شده برخوردار است. البته در پیش بینی عدم بازخرید بیمه نامه ها عملکرد بسیار بهتر بوده اما چون موضوع اصلی مقاله پیش بینی بیمه نامه های بازخرید شده است، در تفسیر نتایج بیشتر به آن توجه شد. نتایج بدست آمده با وجود مشکل نامتوازن بودن داده ها مطلوب است. در داده ها مورد بررسی نسبت بیمه نامه های بازخریدی به عدم بازخرید 3 به 100 است که این عدم توازن موجب می شود فرآیند یادگیری به سمت پیش بینی طبقه با بیشترین فراوانی سوگیری پیدا کند. با این وجود، شاخص پوشش 59 درصدی بدست آمده نشان داد که از مجموع 244 بیمه نامه بازخرید شده در مجموعه داده تست، شبکه توانسته اغلب آنان یعنی 145 مورد را به درستی در طبقه بیمه نامه های بازخریدی پیش بینی و طبقه بندی کند.
نتیجه گیرینشان داده شد که از مشخصه های جمعیت شناختی متغیرهای سن، جنسیت زن، اضافه نرخ پزشکی، نرخ خطر حادثی و از مشخصه های قرارداد نیز مدت بیمه نامه، مدت زمان سپری شده از شروع بیمه نامه، شیوه پرداخت حق بیمه با اقساط بلندمدت تر، بالاتر بودن ضرایب افزایش سالانه سرمایه و حق بیمه و کمتر بودن تعداد موارد پوشش و سرمایه فوت با بازخرید اثر عکس داشته و احتمال آن را کاهش می دهند. با بازخرید بیمه نامه بصورت عکس مرتبط هستند. نسبت بیمه گذار و بیمه شده نیز تاثیرگذار بوده و نشان داده شد که بازخرید وقتی بیمه گذار بیمه نامه عمر را برای خود بخرد در حداقل و با دور شدن نسبت خویشاوندی احتمال بازخرید افزایش می یابد.
کلیدواژگان: بازخرید، بیمه عمر به شرط فوت، پیش بینی، مدل شبکه عصبی -
صفحات 283-298پیشینه و اهداف
ذخیره خسارت که برای سودآوری و پرداخت بدهی بیمه گر حیاتی است، پیش بینی مبلغی است که بیمه گر باید برای خسارت های آینده بپردازد. در سال های اخیر، بسیاری از پژوهشگران وابستگی های بین چند مثلث تاخیر را برای تعیین ذخایر زیان در نظر گرفته اند. هدف اصلی این مقاله پیش بینی خسارت های معوق در مثلث های تاخیر وابسته با استفاده از مدل های تصادفی است که در آن ها وابستگی بین مثلث ها و وابستگی بین خسارت های معوق پرداختی در یک سال تقویمی در هر مثلث تاخیر در نظر گرفته می شود.
روش شناسی:
استفاده از وابستگی بین خسارت های معوق متناظر در مثلث های تاخیر مربوط به چند رشته بیمه ای ممکن است در افزایش دقت پیش بینی خسارت های معوق تاثیرگذار باشد. همچنین، در یک مثلث تاخیر مربوط به یک رشته بیمه ای، علاوه بر عوامل سال وقوع خسارت و تعداد سال های تاخیر پرداخت خسارت معوق، سال تقویمی پرداخت خسارت هم می تواند در میزان پرداخت خسارت برای سال های وقوع خسارت متفاوت تاثیرگذار باشد. بنابراین در نظر گرفتن وابستگی تقویمی بین خسارت هایی که در یک سال تقویمی پرداخت می شوند، می تواند دقت پیش بینی در مثلث های تاخیر را بهبود بخشد. بنابراین، در مدل بندی توام خسارت های معوق چند مثلث تاخیر، دو نوع وابستگی بین مثلثی و درون مثلثی وجود دارد. در این مقاله، از دو روش برای مدل بندی این دو نوع وابستگی استفاده می شود. در روش نخست، با در نظر گرفتن توزیع چندمتغیره برای خسارت های معوق در سلول های متناظر مثلث های تاخیر، وابستگی بین مثلث ها مدل بندی می شود. در این روش، وابستگی تقویمی بین خسارت های معوق در هر مثلث تاخیر با استفاده از اضافه کردن عامل اثر سال تقویمی در مدل میانگین توزیع خسارت های معوق در نظر گرفته می شود. در روش دوم، یک توزیع چندمتغیره برای خسارت های معوق پرداختی سال های تقویمی متناظر مثلث های تاخیر در نظر گرفته می شود که در این صورت هر دو نوع وابستگی با استفاده از توزیع چندمتغیره مدل بندی می شود. برای برآورد پارامترهای مدل، در هر دو روش، از رهیافت بیزی و روش نمونه گیری مونت- کارلوی همیلتونی استفاده می شود.
یافته هادر این مقاله، داده های خسارت های معوق در دو رشته بیمه بدنه و بیمه شخص ثالث اتومبیل یک شرکت بیمه ایرانی در بازه سال های 1392 تا 1395 که به صورت فصلی ثبت شده است، استفاده می شود. با استفاده از توزیع آمیخته- مقیاس چندمتغیره با توزیع های حاشیه ای نرمال و وابستگی مفصلی، دو روش مدل بندی وابستگی تقویمی مقایسه می شوند. برای این منظور، از معیار میانگین قدرمطلق خطای درصدی برای اندازه گیری دقت پیش بینی دو روش استفاده می شود. برای داده های مورد استفاده، مشاهده می شود که میانگین قدرمطلق خطای درصدی استفاده از توزیع چندمتغیره برای مدل بندی وابستگی تقویمی کمتر است از زمانی که از عامل اثر سال تقویمی در مدل میانگین توزیع خسارت های معوق استفاده شود.
نتیجه گیریبا توجه به یافته های به دست آمده با استفاده از داده های یک شرکت بیمه ایرانی، نتیجه می گیریم که مدل بندی وابستگی تقویمی بین خسارت های معوق در مثلث های تاخیر با استفاده از توزیع چندمتغیره به پیش بینی دقیق تر ذخایر مربوط به خسارت های معوق نسبت به استفاده از عامل اثر سال تقویمی در مدل میانگین توزیع خسارت های معوق منجر می شود.
کلیدواژگان: تحلیل کواریانس، تحلیل واریانس، خسارت معوق، روش بیزی، مفصل گاوسی -
صفحات 299-316پیشینه و اهداف
پژوهش حاضر با هدف مدل سازی ریسک های سیستماتیک و غیرسیستماتیک و ژیوپلیتیک بر توانگری مالی در صنعت بیمه و رویکردی جدید به مد ل های میانگین گیری در ایران انجام شده است.
روش شناسی:
این پژوهش از نظر هدف توسعه ای- کاربردی و از نظر روش توصیفی- پیمایشی است. بازه زمانی تحقیق داده های فصلی 1390 تا 1400 در یک بازه 11 ساله بوده است. اطلاعات مورد نیاز به روش کتابخانه ای جمع آوری شده اند. برای این منظور، اطلاعات شاخص های 33 ریسک موثر بر توانگری مالی شرکت های بیمه با استفاده از مدل های BMA، TVP-DMA و TVP-DMS و BVAR بررسی شد.
یافته هابراساس میزان خطا، مدل BMA از بالاترین دقت برخوردار بود. پس از برآورد مدل، 11 متغیر اصلی شناسایی شد که عبارت اند از: رشد اقتصادی، نااطمینانی تورم، نرخ ارز، تحریم، شاخص KOF، بازده سرمایه در گردش، نسبت کفایت نقد، نسبت کل بدهی به ارزش ویژه، ضریب خسارت، شاخص هرفیندال- هیرشمن و ریسک ژیوپلیتیک. کاملا از نتایج مشهود است که ریسک های متعددی بر توانگری مالی در صنعت بیمه اثرگذارند و این امر پیش بینی این وضعیت را با مشکلات متعددی روبه رو می سازد. در نتیجه برای طراحی مدل های پیش هشداردهنده این متغیر لازم است از یک مدل جامع و سیستمی که ابعاد مختلف این شاخص را بررسی می کند، بهره گرفته شود.
نتیجه گیریدر این مطالعه از طریق بررسی ارتباطات تجربی نشان دادیم که با توجه به احتمالات مختلف محاسبه شده بین مدل های جایگزین، اعتماد به یک مدل مفهومی منفرد در فرایند مدل سازی توانگری مالی به ایجاد پیش بینی های غیرصحیح منجر شده، در نهایت تصمیمات مدیریتی در رابطه با آن مدل با خطر شکست در پیش بینی مواجه خواهد شد. براساس نتایج تعدد عوامل موثر بر توانگری مالی، در مدیریت شرکت بیمه لازم است از یک دیدگاه سیستمی بهره برد و صرفا در نظر گرفتن یک مدل مشخص یا یک سلسله متغیر مشخص نمی تواند دیدگاه جامعی در راستای تعیین مدل بهینه توانگری مالی در این صنعت ارایه کند.
کلیدواژگان: بیمه، توانگری مالی، ریسک های غیرشکننده، مدل های بیزین -
صفحات 317-330پیشینه و اهداف
دولت ها همواره برای اداره جامعه، نظام حمایتی- رفاهی داشته اند که در راستای سیاست های رفاهی تعیین شده از سوی آن ها عملیاتی می شود. بخش عمده این حمایت ها که مشتمل بر «مساعدت اجتماعی»، «بیمه های اجتماعی» و «سیاست بازار کار» است، محصول سیاست های رفاهی است. هدف مقاله حاضر، تحلیل گفتمان سیاست رفاهی در «قانون کار» و «طرح بیمه بیکاری ایام کرونا» است.
روش شناسی:
روش تحلیل گفتمان (به شیوه تحلیل گفتمان لاکلاو و موفه)، روش پژوهش انتخابی در این نوشتار است. به این منظور، متن «قانون کار» و «طرح بیمه بیکاری ایام کرونا» به عنوان جامعه هدف پژوهش، مبنای بررسی و تحلیل قرار گرفت.
یافته هادر طول چهار دهه پس از پیروزی انقلاب، همواره ایران دارای سیاست ها و برنامه های رفاهی بوده، اما جایگاه سیاست رفاهی در حوزه بیمه بیکاری در گفتمان های سیاسی و اجتماعی دولت های پس از انقلاب یکسان نبوده است و در ترسیم فضای گفتمانی هر دولت، با توجه به دال مرکزی آن، سازوکارهای سیاست رفاهی در حوزه رفع بیکاری و اشتغال آفرینی متفاوت بوده و در ضمن مفصل بندی گفتمان حاکم بر قانون کار و طرح بیمه بیکاری ایام کرونا تاحدودی متمایز بوده است. بدین ترتیب که دال شناور «سیاست رفاهی در حوزه رفع بیکاری» در قانون کار را بر مبنای دال مرکزی «سیاست اجتماعی اشتغال کامل» می توان تعریف کرد، اما در طرح بیمه بیکاری ایام کرونا دال شناور «سیاست رفاهی در حوزه بیکاری» بر مبنای دال مرکزی «اعمال سیاست حمایتی جامع» قابل تعریف است.
نتیجه گیریفصل مشترک رویکردهای گفتمانی در خصوص بیکاری و حمایت های مربوطه در ایران — و مشخصا در قالب دو متن قانونی مذکور — تمرکز بر «عدالت استحقاقی» در بهره مندی از خدمات کوتاه مدت تامین اجتماعی در قالب بیمه بیکاری است؛ بدین معنا که صرفا مشمولان قانون تامین اجتماعی و قانون کار، مستحق برخورداری از حمایت بیمه ای تلقی می شوند و آن دسته از بیکاران که فاقد چنین مشخصاتی باشند، خارج از حوزه حمایتی قرار گرفته اند؛ چنین تلقی و رویکردی، در تعارض با سیاست مندرج در اصل 29 قانون اساسی است، زیرا تاکید این ماده قانونی بر این است که تامین اجتماعی یک حق همگانی است که دولت ها مکلف اند آن را از طریق به کارگیری درآمدهای عمومی و یا استفاده از منابع حاصل از مشارکت مردم، برای آحاد جامعه تامین کنند؛ این اصل دقیقا اشاره به لزوم رعایت «نگاه حمایتی و جامع (مبتنی بر عدالت توزیعی)» دارد.
کلیدواژگان: بیمه بیکاری، تحلیل گفتمان، سیاست رفاهی، طرح بیمه بیکاری ایام کرونا، قانون کار -
صفحات 331-346پیشینه و اهداف
امروزه توسعه بازارهای مالی نوین به منظور افزایش سرمایه گذاری مولد مورد توجه محققان و سیاست گذاران رشد و توسعه اقتصادی قرار گرفته است. در چند دهه اخیر نوآوری فناورانه محرک اصلی تحول صنایع مختلف در جهان بوده و صنعت بیمه هم جزء این صنایع است. توسعه این بازارها که با ظهور فناوری های نوظهور و برافکن بوده، کسب و کارهای نوپا را ایجاد کرده است که در کشورهای در حال توسعه با چالش هایی مواجه اند. این مطالعه با هدف شناسایی چالش های موجود برای شکل گیری اینشورتک در شرکت های بیمه ای در ایران انجام شده است.
روش شناسی:
روش پژوهش کیفی و گردآوری اطلاعات به دو روش مطالعه مبانی نظری و پیشینه و مصاحبه عمیق با خبرگان انجام شده است. برای تحلیل اطلاعات گردآوری شده از روش تحلیل محتوای کیفی و نرم افزار مکس کیودا استفاده شد. به منظور بررسی اعتبار نتایج حاصل از تحلیل محتوا از اعتبار معطوف به داده استفاده شد. جامعه آماری این پژوهش تمامی مدیران کسب و کارهای اینشورتکی کشور است، اما به دلیل عدم امکان شناسایی همه آن ها، نمونه برداری قضاوتی هدفمند انجام شد.
یافته هایافته ها نشان داد سطح اجماع برای موضوع خاصی که از طریق مصاحبه به دست آمد، به عنوان مبنایی برای تفکیک نتایج برای تخمین شدت رابطه استفاده شد. پس از مرحله کدگذاری باز 52 شاخص اولیه استخراج و در کدگذاری محوری 21 مولفه فرعی و 12 مولفه اصلی شناسایی و به منظور بررسی اعتبار کدگذاری از آزمون کاپا استفاده شد که نشان داد کدگذاری از اعتبار بالایی برخوردار است، که این ابعاد و مقوله ها شامل فرهنگ سازی، یکپارچگی، آموزش، تضاد منافع، مشکلات مالی، ساختار مدیریتی، زیرساخت ها، قوانین، بی توجهی به نوآوری و محصولات جدید، عدم سرمایه گذاری، مالیات و قراردادهاست. خبرگان قوی ترین اجماع بین تضاد منافع، ساختار مدیریتی، قوانین، زیرساخت ها، فرهنگ سازی و آموزش پیش بینی کردند که نشان می دهد آن ها عناصر اصلی چارچوب پیشنهادی هستند.
نتیجه گیرییافته های تحقیق نشان داد چالش ها و موانع استفاده از اینشورتک در ایران را می توان به دو دسته عمده خرد و کلان تقسیم کرد. در سطح کلان موانعی مثل قوانین و مقررات، وجود انحصار و مشکلات مربوط به زیرساخت های کلان وجود دارد که همت و توجه مسیولان دولتی و مدیران صنعت بیمه را می طلبد. در سطح خرد که بیشتر جنبه درون سازمانی دارد، موانعی مثل منافع، فرهنگ سازمانی، ساختار سازمانی، زیرساخت های سازمانی و مسیله آموزش کارکنان است که باید مورد توجه مدیران سازمان ها قرار گیرد. با توجه به ورود فناوری به بیمه در سطح بین الملل، تغییرات مختلفی در عرصه بیمه به وجود آمد. براساس نتایج این تحقیق چنانچه کارکردهایی مانند زیرساخت ها، ساختار مدیریتی، منافع، قوانین، فرهنگ سازی و آموزش در ایران به درستی انجام نشود، زمینه فعالیت اینشورتک ها در ایران به خوبی فراهم نخواهد شد. همچنین چارچوب مطرح شده در این پژوهش به مدیران و سیاست گذاران این عرصه در رفع چالش های موجود کمک خواهد کرد.
کلیدواژگان: اینشورتک، صنعت بیمه، فناوری بیمه، نظریه اسکات
-
Pages 251-264BACKGROUND AND OBJECTIVES
Fire insurance is a type of insurance that provides financial protection against property damage caused by events such as fire, theft, and weather-related damage. The use of modern analytics methods in analyzing policies and predicting potential losses is of great interest to insurance companies and those involved in property insurance services. Claim prediction is a crucial measure for predicting future losses in insurance companies, particularly in property insurance, where it helps evaluate the Probable Maximum Loss (PML) based on risk theory.
METHODSThis study focuses on developing claim prediction models for occurrence probability, severity, and time by creating a dataset, training various algorithms, and comparing their performance. Exploratory Data Analysis (EDA) is conducted to select relevant features, resulting in the selection of 44 fields from insurance policy and claim information. Recursive Field Elimination (RFE) is used to reduce the dataset dimensions, and informative fields are selected for each prediction model. The dataset consists of over 780,000 policy records and approximately 70,000 loss payments from the Iran Insurance Company’s actual fire application database spanning 10 years (2011-2021). Linear regression, random forest regression (RFR), support vector regression (SVR), and deep neural network algorithms are implemented for each prediction model. The accuracy of the algorithms is evaluated using mean squared error (MSE) and mean absolute error (MAE) values.
FINDINGSThe results of the prediction models show that the deep multi-layer perception (MLP) algorithm performs the best. After hyperparameter tuning and multiple runs, the final MSE values are determined as 0.117 for occurrence probability prediction, 0.042 for loss severity prediction, and 0.106 for claim time prediction. The comparison of the innovative model results with test data demonstrates that intelligent models provide more accurate predictions. Accurate prediction is highly valuable for insurance companies as it allows them to mitigate financial losses. The use of deep learning in loss time prediction, in addition to severity and probability prediction, is a significant innovation in this research.
CONCLUSIONMachine learning techniques, such as deep learning, can help insurance companies optimize their services with higher accuracy, strengthen risk management practices, and provide tools for better decision-making. The application of deep learning in loss prediction can replace complex and inaccurate manual processes in insurance, leading to advancements in risk management, reinsurance management, and improvement of fire insurance pricing.
Keywords: Deep learning, Fire insurance, Loss prediction, Risk Evaluation, Risk Theory -
Pages 265-282BACKGROUND AND OBJECTIVES
Life insurance has a very low adoption rate in Iran, mainly due to policy surrender. This research aims to analyze the individual characteristics and insurance contract features that influence the surrendering of term life insurance policies.
METHODSThe study utilizes a pilot database of 35,171 policy-holders and pensioners registered by an Iranian insurance company in 2021. Data mining, deep learning, and neural network algorithms are used for analysis due to their high accuracy in prediction:
FINDINGSThe model demonstrates desirable performance based on evaluation metrics with a 74 percent accuracy in predicting both types of surrendered and non-surrendered insurance policies. The model performs better in predicting non-surrendered insurance policies more attention is given to interpreting those results. Despite imbalanced data, the model still performs well. In the dataset, surrendered policies make up only 3 percent of the total, leading to bias towards predicting the majority class. Nonetheless, the model accurately predicts and categorizes most surrendered policies, covering 59 percent of the total 244 cases.
CONCLUSIONThe results indicate that certain demographic characteristics, such as age, female gender, health surcharge, and accident risk rate, as well as specific contract characteristics, including policy term, time since start date, longer premium payment methods, higher annual increase in capital and premium, fewer covered risks, and lower benefits, are negatively correlated with policy surrender. Furthermore, the results suggest that if the insured person is the policy surrender themselves, the probability of surrender is minimized. On the other hand, if the insured person is someone else, especially distant relatives, the probability of surrender increases.
Keywords: Neural Network, Prediction, Surrender, Term life insurance -
Pages 283-298BACKGROUND and OBJECTIVE
V, a loss reserve is a prediction of the amount an insurer will need to pay for future claims. Researchers have been exploring methods to incorporate dependencies among multiple loss triangles to improve the accuracy of outstanding claim prediction. This study aims to predict outstanding claims in dependent run-off triangles by considering the dependence among the outstanding claims paid in each run-off triangle.
METHODSThe study considers the dependence among corresponding outstanding claims in run-off triangles related to different lines of insurance. It also takes into account the calendar year of payment of claims, in addition to factors such as the year of claim occurrence and the number of years of delay in payment. Two methods are used to model the inter-triangular and intra-triangular dependencies. The first method involves modeling the dependence among triangles by using a multivariate distribution for outstanding claims in the corresponding cells of run-off triangles. The calendar dependence within each run-off triangle is incorporated by adding a calendar year effect factor to the mean of the outstanding claims distribution. The second method uses a multivariate distribution for the outstanding claims of the calendar years corresponding to run-off triangles, capturing both types of dependence. Bayesian approach and Hamiltonian Monte-Carlo sampling methods are employed to estimate model parameters.
FINDINGSThe study utilizes data from an Iranian insurance company on outstanding claims in car body insurance and third-party car insurance from 2012 to 2015. The two methods of calendar dependence modeling are compared using a scale mixture multivariate distribution with normal marginal distributions and copula dependence. The mean absolute percentage error is used to measure the accuracy of the prediction. The results show that using a multivariate distribution for calendar dependence modeling leads to a more accurate prediction compared to adding the calendar year effect factor to the mean model.
CONCLUSIONBased on the findings, it is concluded that modeling the calendar dependence among outstanding claims in run-off triangles using a multivariate distribution improves the accuracy of reserves prediction compared to using the calendar year effect factor. This approach can enhance the prediction of outstanding claims and contribute to the insurer's profitability and solvency.
Keywords: Analysis of covariance, Analysis of variance, Bayesian method, Gaussian copula, Outstanding claim -
Pages 299-316BACKGROUND AND OBJECTIVES
This research aims to develop a new approach to modeling systematic and unsystematic risks as well as geopolitical risks, in financial solvency within the insurance industry in Iran. The objective is to improve the accuracy of prediction models used in the industry..
METHODSThe research follows developmental-practical approach and unilizes a descriptive-survey method. Data from 2011 to 2021, covering an 11-year period, were collected and analyzed. A total of 33 risk indicators affecting the financial solvency of insurance companies were examined using BMA, TVP-DMA, TVP-DMS, and BVAR models.
FINDINGSThe BMA model demonstrated the highest accuracy based on error rate. Through the analysis, 11 main variables were identified as significant factors influencing financial solvency including economic growth, inflation uncertainty, exchange rate, sanctions, KOF index, return on working capital, cash adequacy ratio, total debt-to-equity ratio, loss factor, Herfindahl-Hirschman index, and geopolitical risk. The results The results highlight the complex nature of financial solvency prediction in the insurance industry, emphasizing the need for a comprehensive and systematic approach.
CONCLUSIONThis study emphasizes the limitations of relying on a single conceptual model in financial solvency modeling and decision-making. The multiplicity of factors influencing financial solvency requires a systemic perspective in managing insurance companies. Additionally, it is important to consider a wide range of variables rather than relying on a specific model or set of variables to ensure a comprehensive understanding of financial solvency in the industry.
Keywords: Insurance, Bayesian models, Financial Solvency, Non-fragile Risks -
Pages 317-330BACKGROUND AND OBJECTIVES
Welfare policies are an essential aspect of government management in societies. This study aims to analyze the discourse of welfare policy in the Labor Law and the Unemployment Insurance Scheme during the Covid-19 pandemic.
METHODSThe research method used in this study is discourse analysis, based on the approach developed by Laclau and Mouffe. The texts of the Labor Law and the Unemployment Insurance Scheme during the Covid-19 pandemic were analyzed.
FINDINGSIran has implemented welfare policies and programs since the 1979 Revolution. However, the discourse surrounding welfare policy in the field of unemployment insurance has varied among different governments. The mechanisms of welfare policy in terms of unemployment relief and job creation have changed over time. The discourse governing the Labor Law emphasizes "full employment social policy," while the discourse surrounding the Unemployment Insurance Scheme during Covid-19 focuses on "applying a comprehensive support policy”.
CONCLUSIONThe discourse approaches to unemployment and related supports in Iran, as reflected in the Labor Law and the Unemployment Insurance Scheme, center around "deserved justice" for accessing short-term social security services. This means that only individuals covered by specific laws are entitled to insurance support, excluding those who do not meet certain criteria. This approach contradicts Article 29 of the Constitution, which emphasizes that social security is a universal right that should be provided for all members of society using public resources. This highlights the need for a more inclusive and comprehensive approach based on distributive justice.
Keywords: Unemployment Insurance, Discourse analysis, Welfare policy, Labor Law -
Pages 331-346Background and Objective
The development of new financial markets, such as insurtech, has become a focus for researchers and policymakers. This study aims to identify the challenges faced by insurance companies in Iran in adopting insurtech.
METHODSThe research method was qualitative and data was collected through theoretical study, literature review, and interviews with experts. Qualitative content analysis was conducted using MAXQDA software. The credibility of the analysis was assessed using data-oriented reliability. The study population included managers of insurtech businesses in Iran.
FindingsThrough interviews, consensus was reached on various challenges. After coding, 52 initial indicators were identified, leading to the identification of 21 subcomponents and 12 main components. The credibility of the coding was confirmed using the Kappa test. The identified dimensions and factors included culture, integration, training, conflict of interests, financial issues, management structure, infrastructure, regulations, neglect of innovation and new products, lack of investment, taxes, and contracts. The experts predicted the strongest consensus among conflict of interests, management structure, regulations, infrastructure, culture, and training.
ConclusionThe challenges and barriers to adopting insurtech in Iran can be categorized into macro and micro levels. At the macro level, there are obstacles related to laws, regulations, monopolies, and infrastructure that require government attention. At the micro level, obstacles include organizational interests, culture, structure, infrastructure, and training that should be addressed by organizational managers. Without proper implementation of these factors, insurtech activities cannot thrive in Iran. The proposed framework can assist managers and policymakers in addressing these challenges.
Keywords: Insurance Industry, Insurance Technology, InsurTech, Scot theory
©2000-2024 magiran.com All Rights Reserved.