Прогнозирование рисков автострахования КАСКО с применением системно-когнитивного анализа

Сущность применения системно-когнитивного анализа для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО. Анализ использования этой модели для прогнозирования сумм выплат.

Рубрика Банковское, биржевое дело и страхование
Вид статья
Язык русский
Дата добавления 26.04.2017
Размер файла 1,5 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

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)

Summa

Stag

Marka

Marka

model

Color

God

vipuska

1

6000

39

ВАЗ

1111

Светло-серый (оттенки светло-серого и серебристого)

2003

2

7502,5

12

ВАЗ

2106

Красный (оттенки красного)

1987

3

3830,45

39

ВАЗ

21099

Розовый (оттенки розового)

2000

4

3663,24

41

ВАЗ

2101

Хамелеон или несколько цветов без преобладания любого

2004

5

7018,04

38

ВАЗ

2107

Голубой (оттенки голубого)

2000

6

19845,62

28

ВАЗ

2106

Бордовый(оттенки бордового и вишневого)

2006

7

9953,65

8

ВАЗ

2106

Голубой (оттенки голубого)

1986

8

35778,82

13

ВАЗ

2106

Красный (оттенки красного)

1996

9

6958,73

23

ВАЗ

2106

Тёмно-зеленый (оттенки тёмно-зеленого)

2000

10

38215,31

29

Москвич

412

Белый (оттенки белого)

1993

11

269835,46

15

ВАЗ

2106

Белый (оттенки белого)

2000

12

73732

30

ВАЗ

2121

Хамелеон или несколько цветов без преобладания любого

2005

13

17844,35

30

ГАЗ

3302

Фиолетовый (оттенки фмолетового)

1980

14

14920,39

14

ВАЗ

2106

Красный (оттенки красного)

2002

15

91573

23

ВАЗ

2112

Розовый (оттенки розового)

2006

16

8233

30

ВАЗ

2106

Тёмно-Серый (оттенки тёмно-серого)

1999

17

6045,14

27

ГАЗ

3302

Синий (оттенки синего)

2000

18

3784

0

ВАЗ

2106

Бежевый (оттенки бежевого и светло-золотистого)

2000

19

28220,91

33

ГАЗ

3302

Тёмно-зеленый (оттенки тёмно-зеленого)

2000

20

13569,22

39

ГАЗ

3302

Синий (оттенки синего)

2000

21

7260,34

1

ВАЗ

2109

Бордовый(оттенки бордового и вишневого)

2000

22

23140

13

ВАЗ

2106

Сиреневый (оттенки сиреневого)

2000

23

54203,33

19

Ford

FOCUS

Бордовый(оттенки бордового и вишневого)

2000

24

16645,9

16

ВАЗ

2106

Сиреневый (оттенки сиреневого)

2000

25

65958,15

42

ВАЗ

2105

Светло-серый (оттенки светло-серого и серебристого)

2000

26

66615,08

18

ГАЗ

3110

Белый (оттенки белого)

2000

27

24678,41

19

ВАЗ

2106

Фиолетовый (оттенки фмолетового)

2000

28

13620,3

26

Volkswagen

PASSAT

Белый (оттенки белого)

2000

29

53805,1

3

Ford

ESCORT

Голубой (оттенки голубого)

2000

30

15188,87

30

ВАЗ

2110

Красный (оттенки красного)

2000

31

6876,12

25

ВАЗ

2106

Голубой (оттенки голубого)

2000

32

77103,24

35

ВАЗ

2107

Жёлтый (оттенки жёлтого и светлозолотистого)

2000

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

Таблица 2 - СПРАВОЧНИК КЛАССОВ (ФРГАМЕНТ)

Код

Наименование

1

СОВЕРШИЛ ЛИ ДТП - НЕТ

2

СОВЕРШИЛ ЛИ ДТП - ДА

3

СУММА ВЫПЛАТЫ: {0.00, 1000.00}

4

СУММА ВЫПЛАТЫ: {1000.00, 2000.00}

5

СУММА ВЫПЛАТЫ: {2000.00, 3000.00}

6

СУММА ВЫПЛАТЫ: {3000.00, 4000.00}

7

СУММА ВЫПЛАТЫ: {4000.00, 5000.00}

8

СУММА ВЫПЛАТЫ: {5000.00, 6000.00}

9

СУММА ВЫПЛАТЫ: {6000.00, 7000.00}

10

СУММА ВЫПЛАТЫ: {7000.00, 8000.00}

11

СУММА ВЫПЛАТЫ: {8000.00, 9000.00}

12

СУММА ВЫПЛАТЫ: {9000.00, 10000.00}

996

СУММА ВЫПЛАТЫ: {993000.00, 994000.00}

997

СУММА ВЫПЛАТЫ: {994000.00, 995000.00}

998

СУММА ВЫПЛАТЫ: {995000.00, 996000.00}

999

СУММА ВЫПЛАТЫ: {996000.00, 997000.00}

1000

СУММА ВЫПЛАТЫ: {997000.00, 998000.00}

1001

СУММА ВЫПЛАТЫ: {998000.00, 999000.00}

1002

СУММА ВЫПЛАТЫ: {999000.00, 1000000.00}

В качестве факторов, влияющих на вероятность совершения ДТП и величину ущерба были, выбраны следующие (таблица 3).

Таблица 3 - ФАКТОРЫ, ВЛИЯЮЩИЕ НА СУММЫ СТРАХОВЫХ ВЫПЛАТ И ИХ ЗНАЧЕНИЯ (ФРАГМЕНТ)

Код

Наименование фактора и его значения

[ 1]

СТАЖ ВОДИТЕЛЯ

1

СТАЖ ВОДИТЕЛЯ: {0.00, 4.00}

2

СТАЖ ВОДИТЕЛЯ: {4.00, 8.00}

3

СТАЖ ВОДИТЕЛЯ: {8.00, 12.00}.

4

СТАЖ ВОДИТЕЛЯ: {12.00, 16.00}

5

СТАЖ ВОДИТЕЛЯ: {16.00, 20.00}

6

СТАЖ ВОДИТЕЛЯ: {20.00, 24.00}

7

СТАЖ ВОДИТЕЛЯ: {24.00, 28.00}

8

СТАЖ ВОДИТЕЛЯ: {28.00, 32.00}

9

СТАЖ ВОДИТЕЛЯ: {32.00, 36.00}

10

СТАЖ ВОДИТЕЛЯ: {36.00, 40.00}

11

СТАЖ ВОДИТЕЛЯ: {40.00, 44.00}

[ 2]

МАРКА А/М

12

МАРКА А/М-.

13

МАРКА А/М-Alfa-Romeo.

14

МАРКА А/М-Asia.

15

МАРКА А/М-Audi.

[ 3]

МАРКА-МОДЕЛЬ А/М

83

МАРКА-МОДЕЛЬ А/М--.

84

МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-156

85

МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-2106.

86

МАРКА-МОДЕЛЬ А/М-Asia-2106.

87

МАРКА-МОДЕЛЬ А/М-Audi-100

88

МАРКА-МОДЕЛЬ А/М-Audi-2106.

89

МАРКА-МОДЕЛЬ А/М-Audi-80.

90

МАРКА-МОДЕЛЬ А/М-Audi-90.

91

МАРКА-МОДЕЛЬ А/М-Audi-A4.

92

МАРКА-МОДЕЛЬ А/М-Audi-A6.

93

МАРКА-МОДЕЛЬ А/М-Audi-A8.

[ 4]

ЦВЕТ А/М

482

ЦВЕТ А/М-не указан

483

ЦВЕТ А/М-Бежевый (оттенки бежевого и светло-золотистого).

484

ЦВЕТ А/М-Белый (оттенки белого)

485

ЦВЕТ А/М-Бордовый(оттенки бордового и вишневого).

486

ЦВЕТ А/М-Голубой (оттенки голубого)

487

ЦВЕТ А/М-Жёлтый (оттенки жёлтого и светлозолотистого)

488

ЦВЕТ А/М-Зеленый (оттенки светло-зеленого).

489

ЦВЕТ А/М-Коричневый (оттенки коричневого)

490

ЦВЕТ А/М-Красный (оттенки красного)

491

ЦВЕТ А/М-Оранжевый (оттенки оранжевого)

492

ЦВЕТ А/М-Розовый (оттенки розового)

493

ЦВЕТ А/М-Светло-серый (оттенки светло-серого и серебристого).

494

ЦВЕТ А/М-Синий (оттенки синего)

495

ЦВЕТ А/М-Сиреневый (оттенки сиреневого)

496

ЦВЕТ А/М-Тёмно-Серый (оттенки тёмно-серого)

497

ЦВЕТ А/М-Тёмно-зеленый (оттенки тёмно-зеленого)

498

ЦВЕТ А/М-Фиолетовый (оттенки фиолетового)

499

ЦВЕТ А/М-Хамелеон или несколько цветов без преобладания любог

500

ЦВЕТ А/М-Чёрный

[ 5]

ГОД ВЫПУСКА А/М

501

ГОД ВЫПУСКА А/М-0г.в.

502

ГОД ВЫПУСКА А/М-1953г.в

503

ГОД ВЫПУСКА А/М-1954г.в

504

ГОД ВЫПУСКА А/М-1964г.в

545

ГОД ВЫПУСКА А/М-2006г.в

546

ГОД ВЫПУСКА А/М-2007г.в

547

ГОД ВЫПУСКА А/М-2008г.в

548

ГОД ВЫПУСКА А/М-не указан

Страховые случаи, представленные в таблице 1, закодированы с использованием справочников из таблиц 2 и 3, в результате чего получена обучающая выборка, представленная в таблице 4.

Таблица 4 - ОБУЧАЮЩАЯ ВЫБОРКА (БАЗА ПРЕЦЕДЕНТОВ), ФРАГМЕНТ

Код

Наименование

Коды классов

Коды значений факторов

1

2

3

1

2

3

4

5

6

1

1

2

8

9

10

65

388

493

542

2

2

2

10

3

4

65

394

490

526

3

3

2

6

10

65

398

492

539

4

4

2

6

11

65

389

499

543

5

5

2

10

10

65

395

486

539

6

6

2

22

7

8

65

394

485

545

7

7

2

12

2

3

65

394

486

525

8

8

2

38

4

65

394

490

535

9

9

2

9

6

65

394

497

539

10

10

2

41

8

77

463

484

532

11

11

2

272

4

65

394

484

539

12

12

2

76

8

65

406

499

544

13

13

2

20

8

67

429

498

519

14

14

2

17

4

65

394

490

541

15

15

2

94

6

65

401

492

545

16

16

2

11

8

65

394

496

538

17

17

2

9

7

67

429

494

539

18

18

2

6

1

65

394

483

539

19

19

2

31

9

67

429

497

539

20

20

2

16

10

67

429

494

539

Формирование справочников классов (таблица 2), факторов и их значений (таблица 3) и обучающей выборки (4) производится из исходной базы данных (таблица 1) автоматически с применением стандартного программного интерфейса между системой "Эйдос" и внешней базой данных (рисунок 1).

Рисунок 1 - Экранная форма одного из 7 стандартных программных интерфейсов системы "Эйдос" с внешними базами данных

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


Подобные документы

  • Что такое каско и страхование наземного транспорта. Возникновение автострахования в России. Различие каско и ОСАГО. Транспортные средства, которые можно застраховать по полису каско. Факторы, влияющие на стоимость страхования. Спецпредложения по каско.

    реферат [428,0 K], добавлен 29.05.2019

  • Характеристика основных видов страхования автомобильного транспорта - КАСКО, ДГО, ОСАГО, "Зеленая карта". Статистика дорожно-транспортных происшествий в России за 2010-2013 гг. Проблемы и перспективы развития автострахования в Российской Федерации.

    курсовая работа [156,9 K], добавлен 29.08.2014

  • Классификация видов автострахования. Специфика организации системы автострахования в США. Рынок автострахования США: современное состояние и тенденции развития. Специфические черты российской системы автострахования, проблемы и перспективы ее развития.

    дипломная работа [2,4 M], добавлен 02.06.2015

  • Порядок проведение факторного анализа страховых взносов и страховых выплат. Расчет абсолютных и относительных показателей роста и прироста страховых взносов и страховых выплат; определение взаимосвязи между полученным количественным характеристикам.

    контрольная работа [156,1 K], добавлен 24.09.2008

  • Автострахование - вид имущественного страхования. Классификация автострахования, его нормативно-правовая база. Анализ состояния рынка автострахования в Российской Федерации. Факторы развития рынка. Направления совершенствования деятельности страховщиков.

    курсовая работа [546,8 K], добавлен 20.04.2015

  • Анализ развития страхования автотранспортных средств в Российской Федерации. Рассмотрение места страхования КАСКО в премиях и выплатах в стране в целом и в Приволжском федеральном округе. Проблемные вопросы и сравнение условий автостраховых компаний.

    курсовая работа [907,0 K], добавлен 02.03.2014

  • Страхование в Казахстане: состояние и перспективы, объективная необходимость. Анализ убыточности страховых сумм, расчет ставок. Определение тарифной нетто-ставки и учет страховых рисков. Управление предприятиями и совершенствование страховых выплат.

    дипломная работа [262,9 K], добавлен 06.07.2015

  • История развития и правовые основы автострахования в России. Анализ российского рынка страхования транспортных средств за 2007-2009 гг. Анализ обязательного и добровольного автострахования. Проблемы и перспективы развития автострахования в России.

    дипломная работа [1,0 M], добавлен 27.07.2010

  • Понятие и общие признаки договора добровольного имущественного автострахования КАСКО. Нормативно-правовое регулирование страхования транспортных средств. Краткий обзор судебной практики по рассмотрению споров по договорам добровольного страхования.

    дипломная работа [85,3 K], добавлен 17.05.2017

  • Понятие и предмет договора страхования, его основные признаки. Характеристика некоторых видов автострахования. Сравнительный анализ особенностей отдельных договоров автострахования, наиболее острые проблемы правоприменительной практики их реализации.

    дипломная работа [90,5 K], добавлен 14.06.2011

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.