به كارگيري و مقايسه تكنيك ها و ابزارهاي داده كاوي براي پيشگيري و كشف تقلب در بيمه هاي خودرو

كارشناسي ارشد

صنعت بيمه به عنوان يكي از كليدي‌ترين صنايع، نقش مهم و اثرگذاري در كيفيت و سبك زندگي اقتصادي مردم يك كشور دارد. درصد قابل توجهي از سرمايه‌هاي جاري كشورها، هر ساله به اين صنعت اختصاص مي‌يابد تا در جهت جبران خسارات جاني و مالي مردم، هزينه گردد. در فرآيند‌هاي احراز خسارت‌هاي بيمه‌اي، افراد مختلفي با محوريت شخص زيان‌ديده درگير مي‌باشند و از سوي ديگر ماهيت پوياي راهكارهاي تقلب و كلاهبرداري بيمه‌اي امكان وقوع تقلب را در اين صنعت فراهم آورده است؛ از اين رو، شركت‌هاي بيمه همواره با ريسك تقلب‌هاي بيمه مواجه مي‌باشند، به طوري كه عدم توجه به اين ريسك‌ها، حتي مي‌تواند منجر به ورشكستگي شركت گردد. در سال‌هاي اخير با توسعه‌ي سيستم‌هاي مديريت اطلاعات و ذخيره‌سازي داده هاي مربوط به هر يك از موارد خسارت، امكان استفاده از رويكردهاي مبتني بر داده‌كاوي و هوش‌مصنوعي را جهت شناسايي و كشف تقلب‌ها، ميسر‌تر ساخته است. با وجود ارائه‌ي رويكردهاي مختلف توسط پژوهشگران در اين زمينه، همچنان امكان بررسي، ارزيابي و مقايسه‌ها برخي از روش‌هاي مغفول وجود دارد. با توجه به موارد بيان شده، در اين پژوهش هدف بررسي و ارزيابي برخي از روش‌هاي غيرجمعي و جمعي طبقه‌بندي جهت شناسايي موارد تقلب در صنعت بيمه‌ي اتومبيل مي‌باشد. بدين منظور روش‌هاي انفرادي درخت تصميم، ماشين بردار پشتيبان، رگرسيون لجستيك، كا-نزديكترين همسايگي و همچنين روش‌هاي جمعي آدابوست، لاجيت بوست و آدابوست، به علاوه‌ رويكرد يادگيري عميق مبتني بر شبكه پرسپترون چندلايه مورد بررسي قرار گرفته است. به منظور ارزيابي روش‌هاي اشاره شده، از داده‌هاي برچسب‌گذاري شده‌ي موارد خسارات بيمه‌ي اتومبيل شركت بيمه رازي استفاده شده است. از آنجايي كه داده‌هاي استخراجي، داراي عدم توازن طبقاتي مي‌باشند، از روش SMOTE جهت مواجهه با اين موضوع استفاده شده است و هر يك از روش‌هاي طبقه‌بندي در دو حالت استفاده از اين روش و بدون استفاده از آن مورد ارزيابي قرار گرفته است. در ميان الگوريتم‌هاي غيرجمعي، الگوريتم ماشين¬بردار پشتيبان بالاترين دقت را به خود اختصاص داده است. در ميان الگوريتم‌هاي يادگيري جمعي، الگوريتم‌هاي جنگل تصادفي، آدابوست و آريواس بوست، دقت برابري داشته‌اند. در ميان الگوريتم‌هاي غيرجمعي، الگوريتم ماشين بردار پشتيبان عملكرد بهتري را در معيار تشخيص‌پذيري نسبت به رگرسيون لجستيك و كا نزديكترين همسايگي داشته است. در ميان الگوريتم‌هاي يادگيري جمعي، الگوريتم‌هاي جنگل تصادفي، آدابوست و آريو اس بوست عملكرد يكساني را در اين معيار از خود نشان داده‌اند. الگوريتم يادگيري عميق، عملكرد ضعيف‌تري را در اين معيار نسبت به روش‌هاي يادگيري جمعي و ماشين¬بردار پشتيبان داشته است. در دو معيار F1-Score و G-Mean، الگوريتم‌هاي يادگيري جمعي ‌جنگل تصادفي، آدابوست و آريو اس بوست عملكرد بهتري را از خود نشان داده‌اند. اما در مجموع الگوريتم شبكه عصبي عميق عملكرد بهتري را نسبت به ساير الگوريتم‌ها از خود نشان داده است. در دو معيار F1-Score و G-Mean، عملكرد اين الگوريتم با روش‌هاي يادگيري جمعي مشابه بوده است و در تشخيص¬پذيري، عملكرد بهتري را نسبت به ساير روش‌ها داشته است.

210708

دانشگاه علم و صنعت ايران

رسول نورالسناء

مهندسي صنايع- سيستم‌هاي كلان اقتصادي و اجتماعي

مهدي غضنفري