10

Размещено на http://www.allbest.ru

УДК 303.732.4

ПРОГНОЗИРОВАНИЕ РИСКОВ ОСАГО (АНДЕРАЙТИНГ)

С ПРИМЕНЕНИЕМ СИСТЕМНО-КОГНИТИВНОГО АНАЛИЗА

(по данным ООО Росгосстрах-ЮГ Краснодарского края)

Луценко Е.В., - д.э.н., к.т.н., профессор

Подставкин Н.А., - студент-дипломник

Кубанский государственный аграрный университет

В статье описываются результаты применения системно-когнитивного анализа для прогнозирования рисков совершения дорожно-транспортных происшествий и сумм страховых выплат в системе обязательного автострахования

риск дорожный транспортный страховой выплата автострахование

Ключевые слова: АНДЕРАЙТИНГ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ПРОГНОЗИРОВАНИЕ РИСКОВ ДТП СУММ СТРАХОВЫХ ВЫПЛАТ ОБЯЗАТЕЛЬНОЕ АВТОСТРАХОВАНИЕ

В соответствии с действующим законодательством страховая компания, оказывающая услуги обязательного автострахования, обязана оказывать эти услуги всем обращающимся за этим клиентам и не может отказать кому-либо из них, при условии, что клиент предоставил все необходимые документы. Вместе с тем компания имеет ряд законных способов повлиять на контингент обращающихся к ней клиентов. Среди этих способов необходимо отметить прежде всего целенаправленную рекламу, ориентированную на определенные группы населения, а также маркетинговые мероприятия. В результате использования подобных технологий страховая компания уже сейчас может повлиять на приоритеты и механизм принятия решений различных категорий потенциальных клиентов в таком направлении, которое приведет к относительному увеличению доли желательных клиентов и уменьшения доли нежелательных. Кроме того возможно в будущем страховые компании получат большие права по отбору клиентов. Уже сегодня компании имеют право уменьшать оплату за автострахования безаварийным водителям и повышать для водителей, совершивших дорожно-транспортные происшествия (ДТП), повлекшие страховые выплаты со стороны компании.

В связи со всем этим, когда в страховую компанию обращается очередной клиент то возникает резонные вопросы о том:

1. Какова вероятность совершения ДТП этим водителем или владельцем автотранспортного средства (конкретно именно этим водителем и конкретно именно на данном автотранспортном средстве).

2. Какова возможная тяжесть этого ДТП и наиболее вероятная сумма соответствующей страховой выплаты.

В теории и практике страхования эта задача получила название "андерайтинг". Обладание технологией решения этой задачи уже сегодня позволило бы компании существенно уменьшить риски автострахования и соответственно, уменьшить страховые выплаты и увеличить свою прибыль. По-видимому, в перспективе возможность решения этой задачи в реальном времени непосредственно во время приема клиента на начальной стадии оформления документов будет играть еще большую роль.

Однако, проблема состоит в том, что не смотря на все эти достаточно очевидные выгоды и преимущества в реальной практике большинства страховых компаний системы андерайтинга не применяются.

На наш взгляд это обусловлено следующими обстоятельствами:

1. Эти системы недостаточно технологичны для их применения в реальном времени, непосредственно во время обслуживания клиента.

2. Существующие системы разработаны за рубежом или в мегаполисах (в основном в Москве и Санкт-Петербурге) и очень слабо отражают региональную специфику (т.е. нелокализованы), вернее вообще ее практически не отражают, из-за чего и имеют очень низкую достоверность прогнозирования, близкую и статистически незначимо отличающуюся от вероятности случайного угадывания без использования этих систем или другой априорной информации.

3. Эти системы не обладают адаптивностью и не учитывают динамику предметной области, которая чрезвычайно высока, особенно в Южном Федеральном Округе (ЮФО). В результате даже первоначально хорошо работающие системы очень быстро теряют адекватность модели и качество прогнозов.

4. Стоимость этих систем настолько высока, что их приобретение и использование чаще всего мало или вообще нерентабельно.

Целью данной работы является решение поставленной проблемы путем разработки адаптивной методики прогнозирования рисков автострахования и сумм страховых выплат, и, на этой основе, поддержки принятия решений в страховой компании.

Для достижения поставленной цели был выбран метод системно-когнитивного анализа (СК-анализ). Этот выбор был обусловлен тем, что данный метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы, т.е. измеряемых в различных единицах измерения. Для метода СК-анализа разработаны и методика численных расчетов, и соответствующий программный инструментарий, а также технология и методика их применения. Они прошли успешную апробацию при решении ряда задач в различных предметных областях [1-33]. Наличие инструментария СК-анализа (базовая система "Эйдос") позволяет не только осуществить синтез семантической информационной модели (СИМ), но и периодически проводить адаптацию и синтез ее новых версий, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую адекватность модели в изменяющихся условиях. Важной особенностью СК-анализа является возможность единообразной числовой обработки разнотипных по смыслу и единицам измерения числовых и нечисловых данных. Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые: на первых двух этапах СК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики); на третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А.Харкевича, сопоставляются количественные величины (имеющие смысл количества информации в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для СК-анализа).

В работах [5, 6] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез модели и исследование модели объекта управления. Учитывая эти этапы СК-анализа выполним декомпозицию цели работы в последовательность задач, решение которых обеспечит ее поэтапное достижение:

1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных.

2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных).

3. Разработка стандартной Excel-формы для представления исходных данных.

4. Преобразование исходных данных из исходных баз данных в стандартную электронную Excel-форму.

5. Контроль достоверности исходных данных и исправление ошибок.

6. Разработка и использование программного интерфейса для преобразования исходных данных из стандартной Excel-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) - универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").

7. Синтез семантической информационной модели (СИМ).

8. Оптимизация СИМ.

9. Измерение адекватности СИМ.

10. Задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат.

11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле".

12. Задача 3: "Разработка методики поддержки принятия решений по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования".

13. Разработка принципов оценки экономической эффективности разработанных технологий при их применении в реальной страховой компании.

14. Исследование ограничений разработанной технологии и перспектив ее развития.

Кратко рассмотрим решение этих задач.

1. Когнитивная структуризация предметной области это 1-й этап формальной постановки задачи, на котором решается, какие параметры будут рассматриваться в качестве причин, а какие - следствий. На этом этапе было решено в качестве следствий, т.е. классов, рассматривать: безаварийность, аварийность, сумму страховой выплаты, а в качестве причин: марку и модель автотранспортного средства, его цвет, Российское или иностранное производство автомобиля, водительский стаж владельца.

На этапе формальной постановки задачи, исходя из результатов когнитивной структуризации, было осуществлено проектирование структуры и состава исходных данных.

2. Затем исходные данные запланированного состава были получены в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных). В нашем случае этой организацией выступила компания ООО Росгосстрах-ЮГ Краснодарского края. Здесь необходимо отметить, что в полученной базе данных представлено 65535 примеров (это максимальное количество строк в листе Excel) застрахованных автотранспортных средств, из которых 540 участвовали в различного рода ДТП и по этим случаям были произведены страховые выплаты. Этого было более чем достаточно для целей данной работы, за что авторы благодарны руководству данной страховой компании.

3. Была разработана стандартная Excel-форма для представления исходных данных (см. рис. 1).

4. Исходные данные из Excel-формы, представленной на рис.1, были преобразованы средствами Excel в стандартную для программного интерфейса системы "Эйдос" электронную Excel-форму (см. рис. 2).



Рисунок 1. Excel-форма с исходными данными

Рисунок 2. Excel-форма, стандартная для программного интерфейса системы "Эйдос"

5. На этапе контроля достоверности исходных данных было обнаружено, что в исходной базе данных мощность двигателя у некоторых особо престижных моделей автомобилей доходила до 728690 л.с. В данной работе было принято решение не использовать в модели этот параметр, а не исправлять его. Хотя в принципе зная марку и модель автотранспортного средства можно было бы точно узнать и мощность его двигателя, и колесную формулу. Но для целей данной работы этого не требовалось и сделано не было.

6. Затем Excel-форма, приведенная на рисунке 2 средствами Excel была записана в стандарте DBF-4, dBASE IV (*.dbf), разработан и использован программный интерфейс для преобразования исходных данных из стандартной Excel-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) - универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").

Ниже приводится исходный текст программы данного программного интерфейса, работающий с получившимся dbf-файлом:

******************************************************

* ФОРМИРОВАНИЕ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ **

******** И ОБУЧАЮЩЕЙ ВЫБОРКИ ИЗ DBF-Excel-файла ***

******** Подставкин Н.А. 05/22/07 11:49am ************

PARAMETERS File_name

***** БЛОК-1. ОТОБРАЖЕНИЕ ИНФОРМАЦИИ О ФУНКЦИЯХ ПРОГРАММНОГО ИНТЕРФЕЙСА **********************

scr23 = SAVESCREEN(0,0,24,79)

SET CURSOR OFF

SET DATE ITALIAN

SET DECIMALS TO 15

SET ESCAPE On

FOR J=0 TO 24

@J,0 SAY REPLICATE("-",80) COLOR "gb+/N"

NEXT

SHOWTIME(0,60,.F.,"rg+/n",.F.,.F.)

FOR J=0 TO 24

@J,0 SAY REPLICATE("-",80) COLOR "gb+/N"

NEXT

**** ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ ***

COPY FILE ("Card.dbf") TO ("Card_sh.dbf")

CLOSE ALL

USE Object EXCLUSIVE NEW;ZAP

USE Priz_ob EXCLUSIVE NEW;ZAP

USE Priz_per EXCLUSIVE NEW;ZAP

USE Card EXCLUSIVE NEW

USE Card_sh EXCLUSIVE NEW;ZAP

APPEND BLANK

APPEND BLANK

APPEND BLANK

SELECT Card

N_Rec = RECCOUNT()

M_KodKl = 0

M_KodSh = 0

M_KodGr = 0

N_Grad = 10

* Структура базы данных: card.dbf 01.05.07 08:56:20

* ===================================================

* | N | Имя поля | Тип | Ширина | Дес. | Примечание |

* ====================================================

* | 1 | SUMMA | N | 10 | 2 | |

* | 2 | STAG | N | 3 | 0 | |

* | 3 | POWER | N | 8 | 0 | |

* | 4 | PROIZVODST | C | 9 | 0 | |

* | 5 | MARKA | C | 11 | 0 | |

* | 6 | MARKA_MODE | C | 31 | 0 | |

* | 7 | COLOR | C | 51 | 0 | |

* ====================================================

* В С Е Г О длина записи: 124 байтов. |

* ====================================================

A_FNRus := {}

AADD(A_FNRus,"Сумма страховой выплаты: ")

AADD(A_FNRus,"Стаж владельца")

AADD(A_FNRus,"Мощность двигателя (л.с.)")

AADD(A_FNRus,"Производство")

AADD(A_FNRus,"Марка")

AADD(A_FNRus,"Марка и модель")

AADD(A_FNRus,"Цвет")

@24,0 SAY REPLICATE("-",80) COLOR "rb/n"

FOR ff=1 TO 7 && Начало цикла по полям Card.dbf

*** Числовые столбцы

IF 1 <= ff .AND. ff <= 3

SELECT Card

INDEX ON STR(999999999-FIELDGET(ff),10) TO Mrk_funi UNIQUE

DBGOTOP()

F_MaxSH = FIELDGET(ff)

DBGOBOTTOM();DBSKIP(-1)

F_MinSH = FIELDGET(ff) && Не брать 0, т.к. для него отдельный класс

Delta = (F_MaxSH-F_MinSH)/N_Grad

SELECT Card_sh

DBGOTO(1);FIELDPUT(ff,F_MaxSH)

DBGOTO(2);FIELDPUT(ff,F_MinSH)

DBGOTO(3);FIELDPUT(ff,Delta)

** Классы

IF ff = 1

SELECT Object

APPEND BLANK

F_MinGR = 0

F_MaxGR = 0

M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

REPLACE Kod WITH ++M_KodKl

REPLACE Name WITH M_Name

SELECT Object

APPEND BLANK

F_MinGR = F_MinSH

F_MaxGR = F_MaxSH

M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

REPLACE Kod WITH ++M_KodKl

REPLACE Name WITH M_Name

SELECT Object

FOR gr = 1 TO N_Grad

SELECT Object

APPEND BLANK

F_MinGR = F_MinSH+(gr-1)*Delta

F_MaxGR = F_MinSH+(gr )*Delta

M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

REPLACE Kod WITH ++M_KodKl

REPLACE Name WITH M_Name

NEXT

ENDIF

** Признаки числовые столбцы

IF ff = 2 && Только стаж, а мощность не берем, т.к. у нее бредовые значения

SELECT Priz_ob

APPEND BLANK

REPLACE Kod WITH ++M_KodSh

REPLACE Name WITH A_FNRus[ff]

FOR gr=1 TO N_Grad

SELECT Priz_per

APPEND BLANK

F_MinGR = F_MinSH+(gr-1)*Delta

F_MaxGR = F_MinSH+(gr )*Delta

M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

REPLACE Kod WITH ++M_KodGr

REPLACE Kod_ob_pr WITH M_KodSh

REPLACE Name WITH M_Name

SELECT Priz_ob

FIELDPUT(gr+2,M_KodGr)

NEXT

ENDIF

ENDIF

** Признаки текстовые столбцы

IF 4 <= ff .AND. ff <= 7

SELECT Card

INDEX ON FIELDGET(ff) TO Mrk_funi UNIQUE

** Признаки

SELECT Priz_ob

APPEND BLANK

REPLACE Kod WITH ++M_KodSh

REPLACE Name WITH A_FNRus[ff]

SELECT Card

SET ORDER TO 1

DBGOTOP()

gr = 0

DO WHILE .NOT. EOF()

M_Name = A_FNRus[ff]+"-"+ALLTRIM(FIELDGET(ff))

SELECT Priz_per

APPEND BLANK

REPLACE Kod WITH ++M_KodGr

REPLACE Kod_ob_pr WITH M_KodSh

REPLACE Name WITH M_Name

SELECT Priz_ob

FIELDPUT(++gr+2,M_KodGr)

SELECT Card

DBSKIP(1)

ENDDO

ENDIF

NEXT

*WAIT

CLOSE ALL

*** ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ *******************************************************

CLOSE ALL

USE Object EXCLUSIVE NEW

INDEX ON Name TO Obj_name

CLOSE ALL

USE Priz_per EXCLUSIVE NEW

INDEX ON Name TO Prpe_nam

CLOSE ALL

USE Object INDEX Obj_name EXCLUSIVE NEW

USE Priz_per INDEX Prpe_nam EXCLUSIVE NEW

USE Card EXCLUSIVE NEW

USE Card_sh EXCLUSIVE NEW

USE ObInfZag EXCLUSIVE NEW;ZAP

USE ObInfKpr EXCLUSIVE NEW;ZAP

N_Rec = RECCOUNT()

DBGOTOP()

@24,0 SAY REPLICATE("-",80) COLOR "rb/n"

M_KodIst = 0

SELECT Card

N_Rec = RECCOUNT()

Num = 0

DBGOTOP()

DO WHILE .NOT. EOF()

SELECT Card_sh

DBGOTO(1);F_MaxSH = FIELDGET(1)

DBGOTO(2);F_MinSH = FIELDGET(1)

****** База заголовков

SELECT Card

M_NameIst = STR(FIELDGET(1),15,2)

***** Формирование массива кодов классов из БД Card

A_Obj := {}

M_Summa = FIELDGET(1)

F_MinGR = 0

F_MaxGR = 0

IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR

M_Name = A_FNRus[1]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)

IF T

IF ASCAN(A_Obj, Kod) = 0

AADD(A_Obj, Kod)

ENDIF

ENDIF

ENDIF

F_MinGR = F_MinSH

F_MaxGR = F_MaxSH

IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR

M_Name = A_FNRus[1]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)

IF T

IF ASCAN(A_Obj, Kod) = 0

AADD(A_Obj, Kod)

ENDIF

ENDIF

ENDIF

SELECT Card_sh

DBGOTO(1);F_MaxSH = FIELDGET(1)

DBGOTO(2);F_MinSH = FIELDGET(1)

Delta = (F_MaxSH-F_MinSH)/N_Grad

FOR gr=1 TO N_Grad

F_MinGR = F_MinSH+(gr-1)*Delta

F_MaxGR = F_MinSH+(gr )*Delta

IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR

M_Name = A_FNRus[1]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)

IF T

IF ASCAN(A_Obj, Kod) = 0

AADD(A_Obj, Kod)

ENDIF

ENDIF

ENDIF

NEXT

SELECT ObInfZag

APPEND BLANK

REPLACE Kod_ist WITH ++M_KodIst

REPLACE Name_ist WITH M_NameIst

FOR jj=1 TO LEN(A_Obj)

FIELDPUT(jj+2,A_Obj[jj])

NEXT

****** Формирование массива кодов признаков из БД Card

M_KodPr = {}

FOR jj=2 TO 7 && Начало цикла по полям БД Card

SELECT Card

Fv =FIELDGET(jj)

*IF 2 <= jj .AND. jj <= 3

IF jj = 2 && берем только стаж, т.к. у мощности бредовые значения

SELECT Card_sh

DBGOTO(1);F_MaxSH = FIELDGET(jj)

DBGOTO(2);F_MinSH = FIELDGET(jj)

Delta = (F_MaxSH-F_MinSH)/N_Grad

FOR gr=1 TO N_Grad

F_MinGR = F_MinSH+(gr-1)*Delta

F_MaxGR = F_MinSH+(gr )*Delta

IF F_MinGR <= Fv .AND. Fv <= F_MaxGR

M_Name = A_FNRus[jj]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"

SELECT Priz_per;SET ORDER TO 1;T=DBSEEK(M_Name)

IF T

IF ASCAN(M_KodPr, Kod) = 0

AADD(M_KodPr, Kod)

ENDIF

ENDIF

ENDIF

NEXT

ENDIF

IF jj > 3

M_Name = A_FNRus[jj]+"-"+FIELDGET(jj)

SELECT Priz_per;SET ORDER TO 1;T=DBSEEK(M_Name)

IF T

IF ASCAN(M_KodPr, Kod) = 0

AADD(M_KodPr, Kod)

ENDIF

ENDIF

ENDIF

NEXT

******* Запись массива кодов признаков из БД &Fns в БД ObInfKpr

SELECT ObInfKpr

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FOR jj=1 TO LEN(M_KodPr)

IF k <= 12

FIELDPUT(k++,M_KodPr[jj])

ELSE

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FIELDPUT(k ,M_KodPr[jj])

ENDIF

NEXT

p=++Num/N_Rec*100;p=IF(p<=100,p,100)

@24,0 SAY STR(p,3)+"%" COLOR "w+/r+"

@24,4 SAY REPLICATE("-",0.76*p) COLOR "rg+/n"

SELECT Card

DBSKIP(1)

ENDDO

@24,0 SAY REPLICATE("-",80) COLOR "gb+/n"

Mess = " ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! "

@24,40-LEN(Mess)/2 SAY Mess COLOR "rg+/rb"

INKEY(0)

RESTSCREEN(0,0,24,79,scr23)

CLOSE ALL

QUIT

В результате работы данного программного интерфейса автоматически получаются исходный справочник классов распознавания, справочник признаков, а также обучающая выборка, представляющая собой закодированные в соответствии с этими справочниками страховые случаи (см. таб.1, таб.2, таб.3):

Таким образом данным программным интерфейсом полностью автоматизируется этап СК-анализа, называемый "Формализация предметной области".

7. Затем стандартными средствами системы "Эйдос" (режим: _235) был выполнен синтез семантической информационной модели (СИМ).

8. В системе "Эйдос" реализовано много различных методов оптимизации модели: это и исключение из модели статистически малопредставленных классов и факторов (артефактов), и исключение незначимых факторов, и ремонт (взвешивание) данных, что обеспечивает не только классическую, но и структурную репрезентативность исследуемой выборки по отношению к генеральной совокупности, и итерационное разделение классов на типичную и нетипичную части. Последний метод и был использован для оптимизация СИМ. В результате категории были разделены на типичные и нетипичные части и был получен следующий справочник классов (таблица 4):

При этом средняя по всей выборке объемом 65535 страховых случаев вероятность правильного отнесения страхового случая к тем классам, к которым он действительно относится, на 2-й итерации составила 88,953% (на 1-й итерации она составляла всего 23,692%). При дальнейших итерациях эта величина стабилизировалась, поэтому в этот процесс был остановлен. Достигнутая степень адекватности (достоверности) модели оценивается нами как довольно высокая и достаточная для того, чтобы исследование этой модели считать исследованием самой моделируемой предметной области, и выводы, полученные путем исследования модели считать относящимися к самой предметной области.

9. Контрольное измерение адекватности СИМ было проведено на тестовой выборке, в которую вошли 2160 страховых случаев, представляющие все классы, в т.ч. все с совершенными ДТП и по остальным классам не более 540 случаев. При этом были получены результаты, представленные ниже:



Из анализа этой формы можно сделать следующие выводы:

- хорошо представленные классы можно использовать при прогнозировании, т.к. достоверность идентификации по этим классам достаточно высокая;

- результаты прогнозирования по слабо представленным классам учитывать в принятии решений нецелесообразно;

- применение модели обеспечивает во много раз более высокую достоверность, чем случайное угадывание или не использование модели;

- общая вероятность достоверной идентификации оказалась несколько ниже, чем по всей выборке, по всей видимости из-за того, что в тестовой выборке не было возможности указать все страховые случаи по которым не было ДТП, из-за огромного количества таких случаев.

10. По сути задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат была решена при синтезе модели на 7-м этапе. Результатом этого этапа и решением 1-й задачи является матрица информативностей, фрагмент которой приводится на рисунке 3:

Рисунок 3. Фрагмент матрицы информативностей

В этой матрице столбцы соответствуют классам распознавания, строки - градациям факторов, а в клетках на их пересечении приведено количество информации в битах, которое содержится в факте обнаружения в страховом случае определенной градации фактора (например, водительского стажа, марки, модели или цвета автомобиля) о том, что этот случай относится к определенному классу. Приведен лишь фрагмент этой матрицы, т.к. в ней 905 строк.

11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле", решается по сути автоматически при синтезе модели на 7-м этапе СК-анализа. В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого страхового случая (представленного в распознаваемой выборке) суммарного количества информации, которое содержится в его признаках о принадлежности данного случая к каждому из классов. Все классы сортируются (ранжируются) в порядке убывания суммарного количества информации, содержащегося в описании страхового случая, о принадлежности к ним. Эта информация представляется в виде экранной формы и файла (см. рис. 4):

Рисунок 4. Пример экранной формы с результатами прогнозирования для тестового страхового случая с номером 174.

На рисунке 4 птичками "" отмечены классы, к которым данный страховой случай действительно относится. Эта же информация приводится и в файле, в котором наименования классов приводятся не в сокращенном варианте:

Если в распознаваемой выборке представлено сразу несколько страховых случаев, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним:

Рисунок 5. Пример карточки идентификации страховых случаев с классом: код 2, "Сумма страховой выплаты: 34-573575 рублей"

По сути этот класс эквивалентен по смыслу классу: "Совершит ДТП".

12. Для решения задачи 3: "Разработка методики поддержки принятия решений по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования", необходимо исследовать модель. Это можно сделать используя как возможности системы "Эйдос", так и просто загрузив матрицу информативности в Excel. В результате получаем следующие формы (см. рис. 5-7):

Рисунок 6. Влияние малого стажа на аварийность

Из этой формы видно, каким образом водительский стаж 1-5 лет обуславливает принадлежность страхового случая к классам оптимизированной модели (таблица 4).

Рассмотрим влияние водительского стажа на безаварийность (рис.7) и цвета автомобиля на безаварийность (рис.8).

Рисунок 7. Влияние водительского стажа на безаварийность

Рисунок 8. Влияние цвета автомобиля на безаварийность

Из рис.7 видно, что обывательское представление о том, что чем больше водительский стаж, тем меньше аварийность, не совсем соответствует действительности. Вернее оно соответствует действительности на интервалах: {1, 22.5} лет и {22.5, 39.7} лет. А вот стаж 22.5-26 лет как это ни парадоксально, несет информацию о том, что водитель не относится к безаварийному классу (как и очень малый стаж от 1 до 5 лет, но в меньшей степени). Правда дальнейшее увеличение стажа до 39.7 лет также постепенно приводит к меньшей аварийности, но стаж 39.7 - 44 года опять говорит о склонности к аварийности. Если причины высокой аварийности при очень малом (до 5 лет) и малом (до 9 лет) стаже понятны: это неопытность и лихачество, то причины аварийности опытных водителей с большим (22-26 лет) и очень большим стажем (39-44 года) видимо кроются в состоянии здоровья, связанном с кризисом среднего возраста и с наступлением старости.

Необходимо отметить, что задача выявления фактически имеющихся зависимостей, и задача содержательного объяснения причин существования именно обнаруженных зависимостей, а не каких-либо других, т.е. задача содержательной интерпретации обнаруженных зависимостей, - это совершенно разные задачи. Авторы считают, что задача интерпретации должна решаться специалистами в моделируемой предметной области, в данном случае - специалистами в области автострахования.

Получены также функции влияния на аварийность и безаварийность марки и модели автомобиля, но эти формы не приводятся из-за большой размерности (т.е. очень большого количества моделей и марок). Отметим лишь, что из этих форм следует гипотеза о том, чем дороже автомобиль, тем больше (при всех прочих равных условиях) вероятность обращения в страховую компанию при участии в ДТП.

На рисунке 9 приведем форму, показывающую влияние того, произведен ли автомобиль в России или за рубежом на принадлежность к новым категориям (таб.4).

Рисунок 9. Влияние российского (ряд 3) и зарубежного (ряд 1) производства автомобиля на принадлежность к классам оптимизированной модели (таб.4)

13. Основной принцип оценки экономической эффективности разработанной методики (при условии ее применения в деятельности реальной страховой компании) состоит в том, что данная методика позволяет создать научно обоснованный образ желаемого клиента (как и образ нежелаемого) и это, в сочетании с методами формирования контингента клиентов, позволяют улучшить состав портфеля договоров автострахования, уменьшив в нем долю убыточных и увеличив долю прибыльных договоров, повысив таким образом рентабельность и прибыль компании.

14. При планировании данного исследования авторы ставили цель лишь оценить возможность применения технологии СК-анализа для решения задачи андерайтинга. Данное исследование показало, что это возможно и перспективно. Но для того, чтобы иметь основания сделать этот вывод не было необходимости проводить полномасштабное научное исследование. Поэтому, естественно, что представленный в работе вариант имеет ряд ограничений и недостатков, в преодолении которых и состоит перспектива ее развития.

В частности можно было бы увеличить объем обучающей выборки, взять значительно большее количество параметров, характеризующих как автотранспортное средство, так и его владельца, а также локализовать задачу для других регионов. Например, можно было бы учитывать является ли автомобиль переднеприводным, заднеприводным или полноприводным, мощность его двигателя, год изготовления, более детально можно было бы учитывать страну-производитель и т.д. Владельца вообще можно было бы исследовать как личность, как это делается в транспортной психологии, например применив подход, описанный в статьях: [8-15]. Но для достижения целей данной работы этого не требовалось и не делалось.

Таким образом, на основе исследования разработанного упрощенного варианта подсистемы айдерайтинга можно сделать вывод о возможности полномасштабного решения этой задачи методом системно-когнитивного анализа.

Литература

1. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.

2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

3. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с.

4. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с.

5. 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.

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

7. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография. - Краснодар: КубГАУ. 2005. - 480 с.

8. Луценко Е.В., Лаптев В.Н., Третьяк В.Г. Прогнозирование качества специальной деятельности методом подсознательного (подпорогового) тестирования на основе семантического резонанса В сб.: "Проблемы совершенствования систем защиты информации, энергоснабжения военных объектов и образовательных технологий подготовки специалистов". Материалы II межвузовской научно-технической конференции. - Краснодар: КВИ, 2001. - С. 127-128.

9. Луценко Е.В., Третьяк В.Г., Александров С.Г. Модель профессионально-значимых качеств личности сотрудников ОВД Вестник учебного отдела КЮИ МВД РФ. -2001. - №1. - С. 37-40.

10. Луценко Е.В., Третьяк В.Г. Анализ профессиональных траекторий специалистов с применением системы "Эйдос" Личность и ее бытие (социально-психологические аспекты бытия личности в местном сообществе): сборник научных работ / Под.ред. З.И.Рябикиной. - Краснодар: КубГУ, 2002. -С. 43-49.

11. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: постановка задачи Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №04(6). - Режим доступа: http://ej.kubagro.ru/2004/04/20/p20.asp.

12. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: описание эксперимента Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №04(6). - Режим доступа: http://ej.kubagro.ru/2004/04/21/p21.asp.

13. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №04(6). - Режим доступа: http://ej.kubagro.ru/2004/04/22/p22.asp.

14. Луценко Е.В., Лебедев А.Н. Диагностика и прогнозирование профессиональных и творческих способностей методом АСК-анализа электроэнцефалограмм в системе "Эйдос" Межвузовский сборник научных трудов, том 1. - Краснодар: КВИ, 2003. - С. 227-229.

15. Луценко Е.В., Наприев И.Л., Синтез многоуровневых семантических информационных моделей активных объектов управления в системно-когнитивном анализе Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №04(28). - Режим доступа: http://ej.kubagro.ru/2007/04/pdf/11.pdf

Размещено на Allbest.ru

...