10

Размещено на http://www.allbest.ru

УДК 303.732.4

ПРОГНОЗИРОВАНИЕ РИСКОВ АВТОСТРАХОВАНИЯ КАСКО С ПРИМЕНЕНИЕМ СИСТЕМНО-КОГНИТИВНОГО АНАЛИЗА

Луценко Евгений Вениаминович

Коржаков Валерий Евгеньевич

В статье описывается применение системно-когнитивного анализа и его программного инструментария системы "Эйдос" для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО и использования этой модели для прогнозирования сумм страховых выплат.

Ключевые слова: ПРОГНОЗИРОВАНИЕ РИСКОВ, АВТОСТРАХОВАНИЕ КАСКО, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ СИСТЕМА "ЭЙДОС".

С одной стороны, существуют так называемые "факторы риска", которые несут для страховой компании информацию о том, что данный клиент попадает в определенные "группы риска", например, имеет повышенную вероятность совершения дорожно-транспортного происшествия (ДТП), причем не обязательно он при этом формально будет виновен в его совершении. С другой стороны, согласно действующему законодательству РФ, страховая компания не имеет права отказать клиенту в заключении страхового договора, т.е. в любом случае обязана заключить с ним такой договор. Страховая компания, стараясь создать для себя выгодные условия страхования, имеет право изменять расчетную стоимость страхового договора в зависимости от прогнозируемой величины риска и, соответственно, прогнозируемой суммы страховой выплаты.

Однако информационные технологии, обеспечивающие подобное прогнозирование, доступны далеко не всем страховым компаниям, особенно не столичным (провинциальным). Тем же компаниям, которым они доступны, они часто доступны по неоправданно завышенной (монопольной) цене. Качество же прогнозирования при этом, как правило, оказывается значительно ниже, чем в столичных регионах. Это обусловлено двумя основными причинами, связанными с тем, что эти технологии созданы столичными разработчиками:

- на основе прецедентов из своих регионов, а в провинции зависимости между факторами риска и принадлежностью страховых случаев к группам риска отличаются, иногда весьма существенно, от имеющих место в столицах;

- они созданы достаточно давно и за это время в столь динамичной предметной области, как рынок автострахования, многое изменилось, в том числе и структурный состав автопарка, и подготовка и возраст водителей, и объективные условия вождения.

Эти две причины говорят о том, что для повышения эффективности использования столичных методик прогнозирования в провинции необходимы локализация этих методик к условиям конкретного региона и их периодическая адаптация для отслеживания динамики предметной области. Однако ни то, ни другое на практике в настоящее время не делается.

Поэтому основной проблемой, решаемой автостраховой компанией в провинции при заключении договора страхования КАСКО, является достоверное прогнозирование рисков страхования и сумм страховых выплат с целью определения прибыльной стоимости договора.

Авторами предлагается радикальное решение: не просить столичных разработчиков локализовать и периодически адаптировать их разработки, т.к. стоимость этих работ такова, что вполне может обанкротить практически любую провинциальную страховую компанию, а разработать собственную эксклюзивную технологию, решающую эту проблему, тем более что для успеха этого начинания есть все необходимые предпосылки. В частности, уже созданы технологии применения системно-когнитивного анализа (СК-анализ) для прогнозирования рисков автострахования ОСАГО (андерайтинг) [13], прогнозирования рисков кредитования физических лиц (скоринг) [6-12], а также для прогнозирования в других областях [1-5], в частности экономике, психологии и педагогике, социологии, агрономии, причем, как правило, созданы совершенно или практически бесплатно.

Данная статья посвящена описанию технологии и методики синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО, и использования этой модели для прогнозирования самого факта необходимости выплат и конкретных величин сумм страховых выплат. Для решения поставленной проблемы использована уже хорошо отработанная и положительно зарекомендовавшая себя технология СК-анализа. Эта технология позволяет также периодически или по мере необходимости решать задачи локализации и адаптации методики прогнозирования.

Была использована база данных прецедентов по Краснодарскому краю, содержащая 7194 страховых случая, из которых 1506 не совершили ДТП, а 5688 совершили и по этим случаям были произведены различные страховые выплаты в сумме от 236 до 1000000 рублей. Эта база данных была получена официально для проведения научного исследования и не включает каких-либо данных, позволяющих идентифицировать личности участников (таблица 1). страховой выплата сумма автострахование

Таблица 1 - ИСХОДНАЯ БАЗА ДАННЫХ СТРАХОВЫХ СЛУЧАЕВ (ФРАГМЕНТ)

В качестве классов для прогнозирования были выбраны следующие (таблица 2).

Таблица 2 - СПРАВОЧНИК КЛАССОВ (ФРГАМЕНТ)

На рисунке 2 приводится экранная форма, объясняющая как пользоваться данным программным интерфейсом (Help).

После формализации предметной области с помощью приведенного программного интерфейса сразу осуществляется синтез семантической информационной модели (СИМ). В результате этой операции формируется частотное распределение страховых случаев по классам прогнозированиями по значениям факторов. Нами это частотное распределение было проанализировано, в результате чего выяснилось, что оно крайне неравномерно: есть классы и значения факторов, встретившиеся в базе прецедентов сотни и даже тысячи раз, а есть встретившиеся менее десяти раз или даже вообще отсутствующие.

Рисунок 2 - Экранная форма HELP данного программного интерфейса системы "Эйдос" с внешними базами данных

Основным принципом выявления зависимостей в эмпирических данных, на котором основан СК-анализ, я является многопараметрическая типизация. При этом действительно существующие зависимости возможно отличить от случайных только при наличии некоторой статистики. Поэтому нами стандартными средствами системы "Эйдос", предназначенными для этой цели, были удалены из справочников все классы и значения факторов, встретившиеся менее 10 раз. При этом размерность справочников понизилась с 1002 548, до 95 181. После этого повторно была создана СИМ, которая затем была исследована на достоверность прогнозирования страховых случаев. В результате была получены следующие результаты (рисунок 3).

Рисунок 3 - Экранная форма режима измерения адекватности СИМ

Из рисунка 3 видно, что в среднем по всей выборке более 85 % страховых случаев были отнесены моделью к тем классам, к которым они действительно относятся, и при этом почти 68 % не были отнесены системой к классам, к которым они на самом деле и не относятся. Более подробные данные об адекватности модели приведены ниже.

Всего физических анкет: 7194 (100 % для п.15)

Всего логических анкет: 14521

4. Средняя достоверность идентификации логических анкет с учетом сходства : 2.729 %

5. Среднее сходство логических анкет, правильно отнесенных к классу : 0.996 %

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу : 0.162 %

7. Среднее сходство логических анкет, ошибочно отнесенных к классу : 0.615 %

8. Среднее сходство логических анкет, правильно не отнесенных к классу : 2.509%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 48.314 %

10. Среднее количество физических анкет, действительно относящихся к классу: 2593.172 (100 % для п.11 и п.12)

Среднее количество физических анкет, действительно не относящихся к классу: 4600.828 (100 % для п.13 и п.14)

Всего физических анкет: 7194.000 (100% для п.15)

11. Среднее количество и % логических анкет, правильно отнесенных к классу: 2207.159, т.е. 85.114 %

12. Среднее количество и % логических анкет, ошибочно не отнесенных к классу: 386.013, т.е. 14.886 %

13. Среднее количество и % логических анкет, ошибочно отнесенных к классу: 1473.071, т.е. 32.018 %

14. Среднее количество и % логических анкет, правильно не отнесенных к классу: 3127.647, т.е. 67.980 %

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 36.046

16. Средневзвешенная эффективность применения модели по сравнению со случайным угадыванием (раз): 32.251

Особенно обратим внимание на то, что использование семантической информационной модели для прогнозирования повышает вероятность правильного отнесения страхового случая к классу, по сравнению со случайным угадыванием, более чем в 32 раза. Из статистики известно, что если эта вероятность выше случайной даже всего в 2,5 раза, то это уже позволяет с достоверностью 95 % утверждать, что в в модели выявлены реальные зависимости.

Это довольно высокие показатели адекватности модели, которые говорят о том, что:

- ее вполне оправданно применять на практике (в промышленном варианте);

- исследование этой модели можно с высокой степенью достоверности считать исследованием самой предметной области.

В частности, из созданной модели можно получить информацию о том, какие характеристики автотранспортного средства являются "факторами риска", а какие, наоборот, (рисунки 4 и 5).

Рисунок 4 - Информационный портрет страхового случая "Не совершит ДТП" (без фильтра по видам факторов)

Рисунок 5 - Информационный портрет страхового случая "Совершит ДТП" (без фильтра по видам факторов)

В системе "Эйдос" имеются многообразные средства анализа СИМ, однако в данной статье мы их не рассматриваем, т.к. это подробно сделано в других статьях и книгах [1-13]. Приведем лишь (рисунок 6) форму, позволяющую автоматически содержательно сравнить информационные портреты двух классов, приведенные на рисунках 4 и 5.

Рисунок 6 - Содержательное сравнение двух прогнозируемых классов

Вывод

Основной вывод, который, как мы считаем, можно обоснованно сделать на основании данной статьи, состоит в том, что системно-когнитивный анализ и его программный инструментарий - система "Эйдос" являются адекватным средством для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО и использования этой модели для прогнозирования сумм страховых выплат, и вполне могут быть применены для решения этих задач на практике.

Список литературы

1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

2. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ. 2004. - 633 с.

3. Луценко Е.В., Коржаков В.Е. Интеллектуализация - генеральное направление развития информационных технологий. Майкоп: Ежеквартальный реферируемый научный журнал «Вестник АГУ», 2006.-№1(20), с.242-244. Режим доступа: http://vestnik.adygnet.ru/files/2006.1/98/lucenko2006_1.pdf

4. Луценко Е.В., Коржаков В.Е. Прогнозирование уровня предметной обученности студентов путем СК-анализа данных об их социальном статусе. Вестник Адыгейского государственного университета: сетевое электронное научное издание, [Электронный ресурс]. - Майкоп: АГУ, 2007. - №21(1). - Режим доступа: http://vestnik.adygnet.ru//files/2007.1/441/lutsenko2007_1.pdf

5. Луценко Е.В., Коржаков В.Е. АСУ вузом как самоорганизующаяся система. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №06(30). - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/08.pdf

6. Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность и идея решения) / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №01(17). - Шифр Информрегистра: 0420600012\0012. - Режим доступа: http://ej.kubagro.ru/2006/01/pdf/13.pdf

7. Лебедев Е.А. Прогнозирование кредитоспособности физических лиц на основе применения АСК-анализа (проблема исследования, ее актуальность и идея решения) / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №05(21). - Шифр Информрегистра: 0420600012\0106. - Режим доступа: http://ej.kubagro.ru/2006/05/pdf/06.pdf

8. Лебедев Е.А. Синтез скоринговой модели методом системно-когнитивного анализа / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0092. - Режим доступа: http://ej.kubagro.ru/2007/05/pdf/14.pdf

9. Лебедев Е.А. Исследование достоверности оптимизированной модели скоринга путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №06(30). - Шифр Информрегистра: 0420700012\0107. - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf

10. Луценко Е.В., Лебедев Е.А. Определение кредитоспособности физических лиц и риска их кредитования. Ж-л Финансы и кредит, №32 (236), 2006. - Режим доступа: http://www.financepress.ru/mag06/fik0632.php

11. Луценко Е.В., Лебедев Е.А. Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эйдос-Tree"). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008.

12. Луценко Е.В., Лебедев Е.А. Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008.

13. Луценко Е.В. Прогнозирование рисков ОСАГО (андерайтинг) с применением системно-когнитивного анализа / Е.В. Луценко, Н.А. Подставкин // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0096.

Размещено на Allbest.ru