آتوسا گودرزی - رئیس موسسه بیمه اکو
سجاد جنت بابایی - دانش آموخته کارشناسی ارشد علوم محاسبات و برنامه ریزی موسسه آموزش عالی بیمه اکو

  از منظر علوم اقتصادی و با مراجعه به آمار و اطلاعات، تخلفات مالی در صنعت بیمه به صورت فزاینده ای در حال تبدیل شدن به یک مسئله جدی و قابل تامل است. یکی از روش های مناسب جهت ارزیابی و مدل سازی تخلفات و تقلبات، تکنیک های داده کاوی است که می تواند نقش مهمی در کشف و پیش بینی تقلبات مالی ایفا نماید. این شیوه برای آشکار نمودن حقایق پنهان در ورای حجم انبوهی از داده ها بکار گرفته می شود. شرکت های بیمه می توانند الگوی پنهان در داده ها را کشف کرده و با مدل سازی و طراحی الگوهای مناسب اقدامات جدی در راستای کاهش تقلبات، مدیریت ریسک ها و ایفای تعهدات به عمل آورند. در این مقاله، تکنیک های رایج جهت کشف تقلب در بیمه های اتومبیل (شامل رگرسیون لجستیک، درخت تصمیم و دسته بندی بیز ساده) مورداستفاده قرار می گیرد. ابزارهای داده کاوی به طور معمول با هدف تعمیم مدل های کشف ادعاهای تقلبی و ارائه پیش بینی به کار گرفته می شوند. متغیرهای توضیحی که در سه مدل این مطالعه مورداستفاده قرار می گیرند، عبارت اند از: سابقه بیمه ای، تعداد ادعاهای خسارت، تاخیر در اعلان خسارت، سن، جنس، کروکی و مبلغ خسارت (شکوری 1390) داده های موردنیاز از یکی از شرکت های بزرگ بیمه، پس از اخذ مجوزهای لازم، جمع آوری شده است. داده ها به دو بخش تقسیم شده است. از بخش نخست برای ساخت مدل و از بخش دوم برای دسته بندی استفاده شده است. یافته های این مطالعه موید آن است که مدل رگرسیون لجستیک دقت بیشتری برای پیش بینی کل ادعاها(تقلبی و غیر تقلبی) نسبت به دو مدل دیگر، یعنی درخت تصمیم و روش بیز داشته است.

داده کاوی, تقلب, بیمه اتومبیل, درخت تصمیم, بیز ساده, رگرسیون لجستیک