CC BY
0DOI 10.47576/2949-1878_2023_11_49 УДК 336:368
ОЦЕНКА СРЕДСТВ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ, СВЯЗАННЫХ С ФОРМИРОВАНИЕМ ОБОСНОВАННОГО СТРАХОВОГО ПОРТФЕЛЯ ДОМОХОЗЯЙСТВ
Степанова Марина Николаевна,
кандидат экономических наук, доцент, доцент кафедры финансов и финансовых институтов, Байкальский государственный университет, Иркутск, Россия, [email protected]
Гавриленко Жанна Алексеевна,
магистрант, Байкальский государственный университет, Иркутск, Россия, [email protected]
В статье содержится оценка преимуществ применения отдельных методов прогнозирования и классификации решений, адаптируемая под задачи страхового предприятия. Раскрываются возможности метода построения дерева решений, представлен результат кластеризации домохозяйств в соответствии с видами преобладающих рисков и вариантами страховой защиты. Высокие потребительские риски при ограниченности бюджетных параметров домохозяйств и нестабильности внешней среды актуализируют потребность в средствах принятия решений, направленных на формирование страховых портфелей, учитывающих индивидуальные характеристики страхователей и объектов страховой защиты, следовательно, и в методах прогнозирования рынка, учитывающих работу со слабо связанными данными.
Ключевые слова: страхование домохозяйств; методы прогнозирования; методы классификации; страховой портфель домохозяйства; принятие решений в страховании; средства поддержки решений.
UDC 336:368
ASSESSMENT OF DECISION SUPPORT TOOLS RELATED TO THE FORMATION OF A SOUND HOUSEHOLD INSURANCE PORTFOLIO
Stepanova Marina N.,
candidate of economics, associate professor associate professor of the department of finance and financial institutions, Baikal State University, Irkutsk, Russia, [email protected]
Gavrilenko Zhanna А.,
Master's student, Baikal State University, Irkutsk, Russia, [email protected]
The work contains an assessment of the advantages of using separate methods of forecasting and classification of solutions adapted to the tasks of an insurance company. The possibilities of the decision tree construction method are revealed, the result of household clustering in accordance with the types of prevailing risks and insurance protection options is presented. High consumer risks with limited household budget parameters and instability of the external environment actualize the need for decision-making tools aimed at forming insurance portfolios that take into account the individual characteristics of policyholders and objects of insurance protection, and consequently, in market forecasting methods that take into account work with loosely coupled data.
Keywords: household insurance; forecasting methods; classification methods; household insurance portfolio; adoption.
В настоящее время практически любое предприятие рынка товаров и услуг стремится к внедрению интеллектуальных систем, автоматизирующих большинство бизнес-процессов и позволяющих выбрать лучшее решение из максимального количества возможных вариантов или, как минимум, сократить их число. Такое стремление в большей степени направлено на максимизацию прибыли и достаточно часто приводит к росту потребительских рисков. В рамках данного исследования изучается один из ключевых сегментов финансового рынка - рынок страховых услуг, и делается это с ориентиром на страхователей - частных лиц, так как в средствах поддержки принятия решений относительно формирования страховой защиты нуждается именно потребитель страхового продукта. Выбор страховых программ, особенно в индивидуальном личном страховании, в большинстве случаев носит интуитивный характер, не опирается на оценку рисков, расчеты бюджетных параметров домохозяйства и финансовое планирование, что связывается с низким уровнем финансовой компетентности населения и указывает на необходимость развития инструментов поддержки принятия решений в данной области.
Отечественные страховые компании, как правило, используют для прогнозирования объема продаж линейные модели, ориентируясь на опыт зарубежных страховщиков [1]. Одним из основных преимуществ линейных моделей является простота и скорость работы, что позволяет их использовать для анализа больших объемов данных. Кроме того, линейные модели могут быть улучшены и расширены, например, путем добавления в модель новых переменных или использования более сложных методов обучения. Так, в настоящее время с помощью математических моделей страховые компании создают «портреты» потенциальных страхователей и макеты их страховых портфелей, но принимая во внимание слабую финансовую компетентность населения и допускаемую спонтанность принятия финансовых решений, использование этого метода дает весьма приближенные результаты. Либо строят линейные прогнозные модели освоения определенных сегментов рынка добровольного страхования, что в условиях нестабиль-
ности внешней среды лишает возможности получить достоверный прогноз, тем более основываясь исключительно на данных собственной компании. Эти обстоятельства актуализируют потребность в работе со слабо связанными данными и требуют обращения к иным методам прогнозирования и принятия решений.
Цель работы - представить возможность создания модели классификации как средства поддержки принятия решений для формирования эффективного страхового портфеля частных лиц на примере домохозяйств.
Достижение цели требует оценки преимуществ использования существующих методов прогнозирования и классификации решений, адаптируемого под задачи страхового предприятия [2]. Методы прогнозирования могут помочь прогнозировать спрос на страховые продукты и аффилированные со страхованием услуги, а методы классификации - в анализе данных и принятии решений на основе кластеризации клиентской базы, объектов страховой защиты или портфеля рисков потенциальных страхователей. Каждый из них в большинстве случаев ориентирован на анализ и обработку больших объемов данных.
Методы прогнозирования используются для предсказания будущих событий и трендов на основе анализа накопленных данных, предполагающего построение временных рядов, регрессионный анализ, сбор и обработку экспертных оценок. Так, временные ряды могут применяться для анализа активности домохозяйств на определенных сегментах страхового рынка, прогнозирования количества сделок и набираемого объема страховой ответственности, регрессионный анализ - для анализа взаимосвязи между переменными и прогнозирования значения зависимой переменной на основе значений независимых переменных [3], например для выявления наиболее значимых факторов, оказывающих влияние на активность страхователей в формировании страховой защиты и рост количества заключаемых договоров страхования в определенном сегменте.
Методы классификации решений используются для упорядочивания объектов на основе заданных критериев в рамках определенных управленческих задач, чаще всего предполагая построение дерева решений
или формирование опорных векторов. Деревья решений используются для формирования групп объектов по результатам последовательности решений, приводящих к определенному результату, метод опорных векторов - для классификации объектов на основе определения границы между различными классами.
Несмотря на то что методы прогнозирования и классификации решений служат разным целям применения, они тесно связаны между собой, поскольку классификация ориентирована на задачу распознавания образов, а прогнозирование - на их предсказание. Выбор конкретного метода зависит от поставленных целей и характеристик данных, необходимых субъекту страхования.
Экспертные методы (анкетный метод, метод «Делфи», метод экспертных оценок) -это методы прогнозирования и принятия решений на основе знаний и опыта экспертов в конкретной области страховых отношений. Они позволяют получить данные для анализа в случае недостаточности объективной информации, но при этом требуют участия высококвалифицированных специалистов, что становится проблемой в условиях региональной ограниченности этого ресурса, особенно в страховой отрасли.
Статистические методы (метод временных рядов, регрессионный анализ) позволяют находить скрытые закономерности в больших наборах данных и переносить их на новые данные. Достаточно эффективны при условии применения в относительно стабильной среде и при наличии большого объема информации, подвергаемой математическому анализу. Позволяют выявить закономерности и тенденции, которые можно использовать для прогнозирования будущего или классификации объектов.
Методы искусственного интеллекта (нейронные сети, генетические алгоритмы, сети Байеса, интеллектуальные агенты) обеспечивают высокую точность прогнозов, возможность учета сложных взаимосвязей между отслеживаемыми факторами и непрерывного обновления прогнозов при поступлении новых данных благодаря автоматизации процесса прогнозирования.
Байесовские методы (решающее дерево Байеса, байесовская сеть, полный байесовский классификатор) - подход к решению
задач классификации и прогнозирования на основе использования байесовской теории, позволяющей находить апостериорную вероятность на основе априорной вероятности и вероятности наблюдения при заданных гипотезах. Обеспечивает независимость от объема обучающей выборки и хорошую обобщаемость за счет использования априорной информации.
Согласно экспертным мнениям [4], одним из основных и наиболее популярных в настоящее время методов анализа данных является метод построения дерева решений. Он позволяет решать задачи, в которых отсутствует априорная информация о виде зависимости между исследуемыми данными и наилучшим образом выстроить структуру в условиях неполных или необработанных данных, поскольку не требует их предварительной нормализации или численной обработки [5]. Во-первых, он хорошо справляется с признаками любого типа - числовыми, категориальными, текстовыми и т. д. Во-вторых, предполагает автоматическое определение важности различных признаков и выбор из них наиболее значимых для классификации, что позволяет игнорировать «шум» и излишки в данных, включая аномальные значения выборки. В-третьих, дерево решений удобно для интерпретации, что особенно важно с аналитической точки зрения: благодаря графической наглядности оно помогает понять, какие именно факторы и каким образом влияют на классификацию.
С учетом поставленной цели определяющим фактором при выборе определенного метода стала возможность интерпретации полученного результата: при решении задачи классификации с помощью, например, функции логистической регрессии результатом является класс, но пути решения отследить невозможно, вместе с тем построение дерева решений позволяет интерпретировать результат благодаря наличию вопросов, приводящих к нужному результату, - эта возможность делает его отличной основой для формирования экспертной аналитической базы.
В страховании применение метода построения дерева решений может связываться с решением задачи формирования оптимального частного страхового портфеля, для которого при выборе страховых продуктов
ориентируются на карту рисков конкретного домохозяйства, а при определении объема передаваемой на страхование ответственности - на параметры бюджета, лимитируемые необходимостью сохранения финансовой безопасности домашнего хозяйства. Это способствует обеспечению страховой защиты, наиболее полно соответствующей потребностям страхователей, и позволяет избежать лишних затрат на страхование, поскольку исключает покупку страховых программ, включающих маловероятностные или неактуальные риски. Другой решаемой задачей может являться формирование страховыми компаниями комплексных страховых программ, определяемых сегментацией клиентской базы по различным признакам.
Модель может строиться на данных, характеризующих социально-экономическое положение домохозяйства: структуру доходов и расходов, материальное благосостояние, экономическую занятость, инвестиционное поведение, состояние здоровья, вопросы планирования семьи и образовательное поведение и т. п. В отдельных случаях их источ -ником могут служить общедоступные результаты лонгитюдных исследований. Данные необходимы для дальнейшего разделения собранных объектов датасета на классы, определяющие типы подверженности домо-хозяйств разного рода рискам, потенциально возможным для трансферта страховщику. При этом, чем шире охват признаков, тем больше шансов обнаружить взаимосвязи между неочевидными показателями. В процессе анализа часть данных, показывающих низкое влияние на результирующий показатель, отбрасывается.
Далее, задача сводится к кластеризации, то есть разделению набора полученных данных на группы (кластеры) таким образом, чтобы объекты внутри каждого кластера были максимально похожи друг на друга, а объекты из разных кластеров были максимально различны [6]. Кластеризация не требует наличия меток или заранее определенных классов в данных. Вместо этого кластеризация использует только структуру данных для разделения объектов на группы. В качестве эксперимента нами было проведено три кластерных разбиения на 4, 6 и 8 классов. Однако, основываясь на оценке возможностей страхового рынка в части
страхования личных рисков, принимаемых в настоящее время к управлению страховым компаниям, было принято решение остановиться на 8-разрядном кластерном разбиении.
Обобщение отдельных признаков позволило дать следующую характеристику классам домохозяйств, полученным кластеризацией по типам преобладающих рисков, а также представить соответствующие варианты выбора приоритетных страховых продуктов (безусловно, окончательные рекомендации по формированию страхового портфеля могут быть даны лишь при ознакомлении с правилами страхования конкретной страховой организации, особенно в части трактовки принимаемых на страхование рисков):
1. Первая группа домохозяйств характеризуется стабильностью доходной базы, отсутствием долгов, положительной субъективной оценкой профессионального потенциала экономически активных членов домашнего хозяйства. Вместе с тем ее представители не имеют возможности сберегать часть дохо -дов на крупные покупки или выездной отдых; в пенсионном возрасте планируют получать только государственную пенсию; отягощены повышенным риском заболеваний. Данной группе не рекомендуется прибегать к инвестиционному страхованию жизни, в большей мере актуально накопительное страхование, особенно при наличии иждивенцев в семье, любой вид рискового личного страхования, предусматривающий обеспечение на случай потери кормильца, а также добровольное пенсионное страхование, как вариант накопления денежных средств на период постоянной нетрудоспособности, связанной с достижением пенсионного возраста [7].
2. Вторая группа домохозяйств характеризуется отсутствием стабильности в части формирования доходной базы и низкой субъективной оценкой профессионального потенциала. Ее представители не могут позволить себе сбережения на случай крупных трат, в большинстве случаев являются получателями государственного социального обеспечения. Особенно актуально страхование финансовых рисков (особенно страхование на случай потери работы) и личное рисковое страхование, ориентированное на покрытие крупных расходов, вызванных рисками заболеваний или утратой трудоспособности.
3. Третья группа домохозяйств характеризуется стабильностью доходной базы, отсутствием долгов, но имеет риск возможных сложностей в быстрой замене текущей работы на новую. Члены группы не отягощены проблемами со здоровьем, могут позволить себе сберегать часть доходов на крупные траты; в пенсионном возрасте планируют получать только государственную пенсию. Самая нейтральная группа по подверженности рискам нетрудоспособности, для которой неактуально рисковое личное страхование с незначительным объемом покрытия, но рекомендовано страхование финансовых рисков, инвестиционное страхование жизни и страхование на случай длительного ухода [8].
4. Четвертая группа домохозяйств характеризуется стабильностью доходной базы, отсутствием долгов, но имеет риск возможных сложностей в быстрой замене текущей работы на новую и не может позволить себе сберегать часть доходов на крупные траты. Члены группы отягощены проблемами со здоровьем, обусловленными плохими привычками и влиянием вредных факторов производства. Для них актуально страхование на случай потери работы, страхование на случай критических заболеваний, страхование от несчастных случаев и болезней, позволяющее покрывать расходы на лечение и компенсировать доходы, утрачиваемые домохозяйством в результате нетрудоспособности кормильца или его смерти.
5. Пятая группа домохозяйств формируется по признаку неофициальной трудоустро-енности, определяющей отсутствие финансовой стабильности и возможности делать крупные сбережения. Представители данной группы планируют работать в пенсионном возрасте, поскольку не могут рассчитывать на должное пенсионное государственное обеспечение. Как правило, ведут здоровый образ жизни, в связи с чем практически не имеют проблем со здоровьем. Для них недоступно большинство программ по страхованию финансовых рисков ввиду ориентированности на официально трудоустроенных граждан, в связи с этим становится актуальным рисковое личное страхование, косвенно покрывающее утрату доходов и непредвиденные расходы, связанные с утратой трудоспособности и смертью кормильца, а также накопительное и пенсионное страхование.
6. Шестая группа домохозяйств характеризуется стабильностью в части доходов, но имеет долги в виде невыполненных обязательств по кредитным договорам и не может позволить сбережения, в связи с чем в будущем может рассчитывать только на государственное пенсионное обеспечение. Согласно субъективным оценкам, видит проблемы в замене текущей работы на новую в случае увольнения, фиксирует проблемы со здоровьем, предопределяющие регулярные траты на лекарства. Актуализировано добровольное медицинское страхование, а также страхование на случай долговременного ухода и страхование жизни с рисковой компонентой, предлагающее компенсацию в случае преждевременного ухода кормильца из жизни.
7. Седьмая группа домохозяйств отличается наличием возможности резервировать часть дохода на случай непредвиденных ситуаций, наряду с самострахованием используя механизм негосударственного пенсионного страхования, характеризуется стабильностью трудового статуса экономически активных членов домашнего хозяйства (многие из группы занимаются индивидуальным предпринимательством) и отсутствием у них проблем со здоровьем. Для данной группы не актуально ни классическое рисковое личное страхование, ни накопительное страхование, но при наличии существенного имущественного базиса страхование жизни может рассматриваться в ракурсе сохранения и передачи активов, как помощь наследникам в переходный период.
8. Восьмая группа домохозяйств характеризуется стабильностью доходной базы, отсутствием долгов, возможностью создания пенсионных накоплений и резервирования части средств на крупные покупки. Представители таких домохозяйств уверены в возможности быстрого трудоустройства в случае возникновения такой необходимости и не высказывают беспокойств по поводу состояния здоровья. Страхование рассматривается только в контексте диверсификации инвестиционных инструментов и возможности создания дополнительных пенсионных накоплений [9].
В качестве модели классификации для предсказания меток классов объектов отлично подойдет алгоритм случайного леса. Но, если ставить цель использования модели
дерева решений, например, для конструирования базы знаний для экспертной системы, глубину дерева стоит все-таки ограничить. Проанализировать структуру дерева и понять, какие признаки являются наиболее важными для принятия решений, позволяет визуализация улучшенного дерева. Далее
происходит поиск оптимальных гиперпараметров для дерева решений (например, с помощью метода GridSearchCV) и оценивается качество модели на тестовом множестве, что будет представлено в рамках следующей работы.
Список источников _
1. Леонова О. В., Сорокина П. Г Моделирование процессов убытков страховщика с помощью вероятностных распределений на примере страховой компании РОСГОССТРАХ // Baikal Research Journal. 2017. Т. 8, № 4.
2. Хитрова Т. И. Автоматизированная система поддержки принятия решений как инструмент оценки факта страхового мошенничества // Известия Байкальского государственного университета. 2017. Т. 27, № 2. С. 286-291.
3. Селиванов А. С. Математическое, алгоритмическое и программное обеспечение выбора наилучшего варианта железнодорожных пассажирских перевозок : дис. ... канд. техн. наук: 05.13.18. Иркутск, 2017. 151 с.
4. Кузьмин О. В., Мартьянов В. И. Комбинаторно-логические методы анализа иерархических структур и разработка интеллектуальных систем поддержки принятия решений : монография. Иркутск : ИГУ, 2022. 199 с.
5. Padarian J., Minasny B., McBratney A. B. Machine learning and soil sciences: a review aided by machine learning tools // SOIL. 20206. № 1. Рр. 35-52.
6. Komleva N., Zinovatnaya S., Liubchenko V. Methodology of information monitoring and diagnostics of objects represented by quantitative estimates based on cluster analysis // Applied Aspects of Information Technology. 2020. Vol. 3, No. 1. Рр. 376-392.
7. Кузнецова Н. В., Русакова Т. Н. Влияние страхования жизни на устойчивость бюджетов домохозяйств // Global & Regional Research. 2023. Т. 5. № 2. С.13-19.
8. Степанова М. Н. Финансовые аспекты современного этапа конвергенции страхования и системы долговременного ухода за пожилыми и инвалидами на уровне частных домохозяйств // Вестник Астраханского государственного технического университета. Серия: Экономика. 2023. № 1. С. 86-92.
9. Бахматов С. А., Бородавко Л. С., Семенова Е. В. Пенсионное страхование как актуальное направление развития страхования жизни в современных условиях // Baikal Research Journal. 2019. Т. 10, № 1.
References _
1. Leonova O. V., Sorokina P. G. Modeling of insurer's loss processes using probabilistic distributions on the example of ROSGOSSTRAKH insurance company. Baikal Research Journal. 2017. Vol. 8, No. 4.
2. Khitrova T. I. Automated decision support system as a tool for assessing the fact of insurance fraud. Proceedings of the Baikal State University. 2017. Vol. 27, No. 2. Pp. 286-291.
3. Selivanov A. S. Mathematical, algorithmic and software for choosing the best option for railway passenger transportation : dis. ... Candidate of Technical Sciences: 05.13.18. Irkutsk, 2017. 151 p.
4. Kuzmin O. V., Martianov V. I. Combinatorial-logical methods of analysis of hierarchical structures and development of intelligent decision support systems : monograph. Irkutsk : IGU, 2022. 199 p.
5. Padarian J., Minasny B., McBratney A. B. Machine learning and soil sciences: a review aided by machine learning tools. SOIL. 20206. No. 1. Pp. 35-52.
6. Komleva N., Zinovatnaya S., Liubchenko V. Methodology of information monitoring and diagnostics of objects represented by quantitative estimates based on cluster analysis. Applied Aspects of Information Technology. 2020. Vol. 3, No. 1. Pp. 376-392.
7. Kuznetsova N. V., Rusakova T. N. Influence life insurance for the sustainability of household budgets. Global & Regional Research. 2023. Vol. 5. No. 2. Pp. 13-19.
8. Stepanova M. N. Financial aspects of the modern stage of convergence of insurance and the system of long-term care for the elderly and disabled at the level of private households. Bulletin of the Astrakhan State Technical University. Series: Economics. 2023. No. 1. Pp. 86-92.
9. Bakhmatov S. A., Borodavko L. S., Semenova E. V. Pension insurance as an actual direction of life insurance development in modern conditions. Baikal Research Journal. 2019. Vol. 10, No. 1.
