پایان نامه پیش بینی تقاضا برای بیمه عمر در ایران با استفاده از شبکه های عصبی مصنوعی

پایان نامه جهت اخذ درجه کارشناسی ارشد

رشته صنایع – مدیریت سیستم و بهره وری

زمستان 1392

چکیده

بیمه عمر را می‌توان یکی از هوشمندانه ترین ابداعات بشر در راستای تامین امنیت و آرامش محسوب کرد. با توجه به اینکه بیمه عمر یکی از مولفه های تولید ناخالص داخلی است، پیش بینی مقدار آن با استفاده از متغیرهای اقتصادی کلان برای سیاستگذاران حائز اهمیت است.

 در این تحقیق از الگوی پیش بینی ساختاری و با بهره‌گیری از دو روش شبکه عصبی مصنوعی و رگرسیون خطی و با استفاده از داده‌های سالانه مربوط به سالهای 1317 تا 1385 هجری شمسی به پیش بینی حق بیمه‌های عمر با استفاده از متغیرهای توضیحی" تولید ناخالص داخلی" ، " تورم" و "مصوبه مجلس شورای اسلامی مبنی بر اجباری شدن بیمه عمر کارکنان دولت" پرداختیم.

بدین منظور ابتدا تعدادی شبکه عصبی با معماری‌ها و الگوریتم‌های آموزشی مختلف و با استفاده از معیارهای میانگین خطا به توان دو و ضریب تعیین مورد مقایسه قرار گرفتند و در نهایت شبکه عصبی پیش‌خور 3 لایه با الگوریتم آموزشی لونبرگ مارکواردت انتخاب شد. در ادامه به پیش بینی با رگرسیون خطی با روش حداقل مربعات معمولی پرداختیم و نتایج حاصل از آن با خروجی شبکه عصبی مصنوعی منتخب مورد بررسی قرار گرفت. در آخر مشخص شد که با توجه به هر دو معیار فوق الذکر، شبکه عصبی مصنوعی دارای عملکرد بهتری می‌باشد.

واژگان کلیدی : بیمه عمر، شبکه عصبی مصنوعی، رگرسیون خطی

فصل اول

کلیات  تحقیق

1-1مقدمه

پیش‌بینی، به معنی برآورد موقعیت‌های ناشناخته است. درسالهای اخیر، پیش‌بینی با توجه به اینکه درکی از آینده در اختیار مدیران قرار می‌دهد، به ابزاری بسیار کارآمد برای مدیران تبدیل شده است و در زمینه های اقتصادی، بازرگانی، سیاسی و... پیش‏بینی به عنوان یکی از شاخه‏های مهم علمی مطرح شده است و روزبه‏روز توسعه و پیشرفت می‏نماید. به دلیل وجود تعداد زیاد از متغیرهای تأثیرگذار در عملکرد سیستم، مدیران سعی در روی آوردن به روش‏هایی در پیش‏بینی دارند که به واسطه آنها تخمیمن‏هایشان به واقعیت نزدیک و خطایشان بسیار کمتر باشد. علاوه براین موارد، پیش‌بینی نقش مؤثری در سیاست‌گذاری‌های دولت دارد چرا که دولت‌ها سیاست‌های خود را نه صرفاً برمبنای وضع موجود، بلکه برمبنای پیش‌بینی‌های کوتاه وبلند مدت از متغیرهای کلیدی اقتصادی از جمله میزان سرمایه‌گذاری تدوین نموده و به مورد اجرامی‌گذارند. بدیهی است که میزان صحت پیش‌بینی از جمله رموز موفقیت این سیاست‌ها می‌تواند به شمار آید. در سالهای اخیر و با پیدایش روش‌های نوین در پیش‌بینی مانند شبکه‌های عصبی مصنوعی و منطق فازی، چالش جدیدی در علم پیش‌بینی مطرح شده است و آن انتخاب روش مناسب پیش‌بینی است که با ارزیابی عملکرد هر یک از روش‌های پیش‌بینی عملی می‌باشد.

کلمه «بیمه» از زبان اردو گرفته شده و به معنای«ضمانت» است و به معنی عام « ضمانت جان یا مال» نیز به شمار می‌رود. در صنعت بیمه، افراد با پرداخت مبلغی، مسئولیت کالا، سرمایه و جان خود را به عهده دیگری می گذارند تا در هنگام بروز حادثه و زیان، شخص بیمه کننده، زیان وارده را جبران کند. بنابراین می‌توان در تعریف بیمه چنین عنوان کرد: «بیمه عملی است که به موجب آن بیمه‌گر در مقابل دریافت مبلغی به نام "حق بیمه" و به موجب مقررات خاص، خسارات را جبران می کند و بدین ترتیب بیمه، باعث نوعی اطمینان در مقابل خطرهای احتمالی تلقی می‌گردد. زندگی روزمره بشری همواره دستخوش تحولات و حوادث غیر قابل پیش‌بینی است که در برخی موارد این حوادث چنان خسارتی بار می آورند که زندگی عادی انسان و جریان معمول فعالیت‌های اقتصادی و اجتماعی را با اختلال مواجه می سازد و ممکن است در سطوح خرد و کلان صدمات اساسی را وارد سازد. در این جاست که صنعت بیمه، می‌تواند نقش تعیین کننده‌ای در جهت رفع این مشکلات در سطح خرد یعنی در خانواده و در سطح کلان یعنی در بخش‌های اداری، موسسات تولیدی، خدماتی و اقتصادی داشته باشد.  بنابراین بیمه، با ایجاد آرامش، اطمینان و امید به زندگی و فعالیت کم‌خطر برای شهروندان و فعالان اقتصادی از یک سو و تجهیز منابع سرمایه‌گذاری از سوی دیگر، نقش قابل ملاحظه‌ای در رشد و توسعه اقتصادی جوامع ایفا میکند.جایگاه بیمه در قانون اساسی ایران نیز حایز اهمیت است به طوری که مطابق اصل ۲۹ قانون اساسی: بر خورداری از تامین اجتماعی از نظر باز نشستگی ، بیکاری، پیری ، از کارافتادگی ، بی سرپرستی ، در راه‌ماندگی ، حوادث و سوانح و نیاز به خدمات بهداشتی و درمانی و مراقبت‌های پزشکی بصورت بیمه و غیره حقی است همگانی . دولت مکلف است طبق قوانین از محل درآمدهای عمومی و درآمدهای حاصل از مشارکت مردم ، خدمات و حمایت‌های مالی فوق را برای یک یک افراد کشور تامین کند. از طرفی با تقسیم بندی انواع پس‌انداز در دو دسته مالی و غیر مالی بیمه عمر را می‌توان جزو دسته پس‌اندازهای غیر مالی در نظر گرفت که دارای قابلیت تحریک بازار سرمایه و تامین نیاز های مالی برنامه‌های توسعه می‌باشد. مطالعات نشان می‌دهد که نسبت پس‌انداز به تولید ناخالص ملی در 14 کشور از 20 کشوری که دارای بیشترین رشد اقتصادی بودند بالغ بر 25 در صد بوده است.در ابلاغیه سیاست‌های کلی برنامه پنجم بر رشد مناسب اقتصادی با تأکید بر تحقق رشد «مستمر و پرشتاب» اقتصادی به میزان «حداقل 8 درصد نرخ رشد سالیانه تولید ناخالص داخلی» اشاره شده است که این مهم بر اساس چند محور از جمله توسعه سرمایه‌گذاری از طریق کاهش شکاف پس‌انداز – سرمایه‌گذاری با حفظ نسبت پس‌انداز به تولید ناخالص داخلی حداقل در سطح 40 درصد و جذب منابع و سرمایه‌های خارجی باید صورت پذیرد.(کربلایی، 88) لذا سرمایه‌گذاری  بیمه عمر با داشتن خاصیت غیرمالی بودن می‌تواند یکی از ارکان نیل به این هدف باشد و شکاف بین میزان پس‌انداز و سرمایه‌گذاری را کاهش دهد.

اقتصاد کشور و صنعت بیمه رابطه‌ای دوسویه دارند که تقویت هر کدام موجب بهبود دیگری می‌شود. از طرفی با توسعه اقتصادی و افزایش قدرت خرید افراد یک کشور تقاضا برای محصولات بیمه‌ای افزایش می‌یابد و از طرف دیگر افزایش فروش محصولات بیمه و تابع آن افزایش ذخایر فنی ناشی از آن موجب افزایش بهره‌وری افراد جامعه، توسعه سرمایه‌گذاری و درنتیجه توسعه اقتصادی کشور می‌شود. علیرغم رشد نسبت سهم حق بیمه‌های عمر به کل حق بیمه‌های دریافتی در دنیا این شاخه از بیمه در ایران پیشرفت قابل توجهی نداشته است.بیمه‌های زندگی شامل بیمه عمر به شرط فوت، بیمه‌های عمر به شرط حیات، بیمه حوادث خانواده و حوادث انفرادی می باشد که چندین سال است که در ایران توسط شرکتهای بیمه ارائه می‌گردد. در تحقیق حاضر حق بیمه‌های زندگی یا عمر را که شامل تمامی موارد فوق می‌شود در نظر می‌گیریم.

در این تحقیق سعی داریم با کاربست تکنیک‌های هوش مصنوعی از جمله شبکه‌های عصبی مصنوعی به تبیین هرچه بهتر رابطه متغیرهای اقتصادی اجتماعی و میزان تقاضا برای بیمه‌های عمر بپردازیم. بدون شک پیش‌بینی درست باعث بهبود تصمیم گیری و متعاقب آن برنامه ریزی درست و در نهایت افزایش اثربخشی می‌شود. در مطالعات پیشین اغلب محققان با استفاده از مدل‌های اقتصادی و اقتصادسنجی کلاسیک،از جمله رگرسیون ، سری های زمانی و تابع تقاضای ریاضی پیش‌بینی‌هایی را انجام داده‌اند و در یک مورد تنها از شبکه‌های عصبی مصنوعی برای پیش‌بینی استفاده شده است.

شبکه عصبی مصنوعی نامی نه‌چندان نوین در علوم مهندسی است که به‌طور ابتدایی و آغازین درسال 1962 توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال 1986 توسط رومل‌هارت و مک‌کلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد. این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون‌های موجود در مغز انسان سعی می‌کند تا از طریق توابع تعریف شده ریاضی رفتار درون‌سلولی نرون‌های مغزرا شبیه‌سازی کند و از طریق وزن‌های محاسباتی موجود در خطوط ارتباطی نرون‌های مصنوعی ، عملکرد سیناپسی را در نرون‌های طبیعی به مدل درآورد. ماهیت و ذات تجربی و منعطف این روش باعث می‌شود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آن‌ها مشاهده می‌شود و از رفتاری غیرخطی برخوردار هستند، به خوبی قابل استفاده باشد  (بلوچیان و بلوچیان، 1391).

دراین تحقیق بااستفاده ازاطلاعات سالنامه های آماری بیمه و بانک مرکزی، به پیش‌بینی تقاضا برای بیمه عمر با استفاده ازشبکه‌های عصبی مصنوعی با رویکرد ساختاری و مدل‌های خطی رگرسیون پرداخته میشود. اطلاعات مربوط به نرخ تورم و تولید ناخالص داخلی و مصوبه مجلس درباره اجباری شدن بیمه عمر برای کارکنان دولت به عنوان اطلاعات ورودی استفاده می‌شوند. درانتها به‌منظور بررسی بیشتر توانایی این سیستمهای هوشمند، نتایج حاصل ازآنالیزرگرسیون با نتایج شبکه‌های عصبی مقایسه می‌گردند. به منظور پیش‌بینی تقاضا برای بیمه عمر با استفاده ازشبکه‌های عصبی از الگوریتم پس‌انتشارخطا جهت آموزش و تست و اعتبار سنجی شبکه بهره برده می‌شود. همچنین ساختارهایی با توپولوژی‌ها و الگوریتم‌های یادگیری مختلف نیز به کار برده می‌شوند تا بتوان بهترین الگوی تطبیق داده شده با شرایط موجود را انتخاب کرد. درپیش‌بینی تقاضای بیمه عمر همچنین از مدل‌های خطی رگرسیون استفاده می‌شود. درنهایت نتایج حاصل از کلیه مدلها با استفاده از معیار های [1]MSE،[2]R(ضریب تعیین) مقایسه می‌گردند. دراین ‌تحقیق‌ به منظور پیاده‌سازی شبکه‌های عصبی ازمحیط MATLAB استفاده میشودکه نرم‌افزار جامعی برای برنامه نویسی الگوریتم‌ها و قوانین شبکه‌های عصبی می باشد و نرم‌افزار تحلیل رگرسیون SPSS می‌باشد.

1-2 تعریف مساله و سئوالات اصلی تحقیق

در راستای پیش‌بینی تقاضا برای بیمه عمر در ایران با استفاده از شبکه‌های عصبی سئوالات زیر مطرح است:

< >ساختار، محتوا و الگوریتم آموزشی مناسب برای پیش‌بینی کدام است؟آیا در فرآیند نیازی به پیش پردازش داده ها داریم؟ روش مناسب در صورت لزوم کدام است؟در پیش‌بینی تقاضا برای بیمه عمر از چه متغیرهایی به عنوان متغیر ورودی می‌توانیم استفاده کنیم؟کدام یک از روش‌ها برای پیش‌بینی تقاضا برای بیمه عمر مناسب تر است؟فرضیه‌های تحقیق :1-3-1 فرضیه اصلی

با توجه به قابلیت‌های به اثبات رسیده شبکه‌های عصبی در زمینه‌های مرتبط، فرض ما این است که شبکه‌های عصبی می‌توانند به‌عنوان ابزار مناسبی در پیش‌بینی تقاضا برای بیمه عمر در ایران به‌کار گرفته شوند.

1-3-2 فرضیه های فرعی

< >تولید ناخالص داخلی بر (حق بیمه‌های عمردریافتی) تاثیر معنی داری دارد.تورم  بر (حق بیمه‌های عمردریافتی) تاثیر معنی داری دارد.مصوبه مجلس مبنی بر اجباری شدن بیمه عمر کارکنان دولت بر (حق بیمه‌های عمردریافتی) تاثیر معنی داری دارد.1-4اهداف تحقیق

1-4-1اهداف اصلی تحقیق

اصلی‌ترین هدف این تحقیق بررسی قدرت شبکه‌های عصبی مصنوعی در پیش‌بینی تقاضا برای بیمه عمر است.

هدف دیگری که در این تحقیق دنبال می‌شود شناسایی شبکه عصبی مناسب برای پیش‌بینی تقاضا برای بیمه عمر در ایران است.

1-4-2 اهداف فرعی تحقیق

بررسی رابطه بین رگرسورهای تحقیق و متغیر وابسته است.

1-5روش تحقیق

روش انجام تحقیق به صورت علی و توصیفی از طریق مطالعه طرح‌ها و روش‌های مختلف موجود در راستای موضوع تحقیق و نیز به صورت تطبیقی از طریق مقایسه با روش‌های مرتبط موجود خواهد بود. لازم بذکر است که تحقیق حاضر از نوع تحقیقات کاربردی می باشد.

Abstract

Life insurance could be considered as one of the most important human creation in line with safety and relaxation.Considering life insurance is one of the GDP component،forecasting its amount macroeconomics variable is very important for legislators.In this research we have used two schema structural forecasting method and utilization of artificial nervation and line regression based on achieved data between the years 1317 to 1385.so at first some artificial neuralnetwork were chosen with different architecture and educational algorithm with using mean square error and R_Squared and final choice was neural network  with 3 layers and  levenberg-marquardt algorithm for neural network training.in continue we dealed about prediction with line regression with OLS  andresults were inspected with artificial neural network .finally we understood neural network has better function based on mentioned criterias

Key words: Articial Neural Network، Linear Regression، Life Insurance، Prediction

منابع:

ابریشمی، ح. غنیمی فرد، ح. احراری، م و رحیمی، ز. (1389). الگوسازی و پیش‌بینی آثار تغییرات قیمت نفت خام بر GDP کشورهای آمریکا و انگلستان. مطالعات اقتصاد بین الملل، تهران 21(2)،ص‌ص.23-42

احمدی، م. (1380). خود آموز بیمه.تهران: انتشارات محقق.

اسدی، م و پورکاظمی، م.(1388). پیش بینی پویای قیمت نفت خام با استفاده از شبکه های عصبی مصنوعی و با به کارگیری ذخیره سازی های نفتی کشورهایOECD.تهران،فصلنامه تحقیقات اقتصادی(88)،ص‌ص 25-46.

اشلقی، ع و حق دوست، ش. (1386). مدل سازی پیش‌بینی قیمت سهام با  استفاده از شبکه عصبی و مقایسه آن با روشهای پیش‌بینی ریاضی. پزوهشنامه اقتصادی. تهران، 3(1)،ص‌ص 19-42.

امینی،ص.(1389). پیش بینی حق بیمه عمر از طریق شبکه های عصبی و مدل های ARIMA، فصلنامه صنعت بیمه، تهران، 1(2)،ص‌ص 16-32 .

بلوچیان، ح و بلوچیان، س. (1391). مدل‌سازی فرایند پیش‌بینی تردد و سرعت در یک مسیر جاده ای به کمک شبکه عصبی مصونی. فصلنامه راهور،تهران، 19(سال نهم)،ص‌ص 1-10.

رضایی پور، م. ذوالفقاری، م. دیندارلویوسفی، م و نجارزاده، ا. (1392). مقایسه عملکرد مدل های خطی و غیرخطی در توضیح سیستم تقاضای تقریبا ایده آل. مدلسازی اقتصادی، تهران، 2(22)،ص‌ص 83-99.

پیرهادی، م. (1378-88). بررسی دلایل عدم توسعه بیمه عمر و ارائه راهکارهای پیشنهادی. (کارشناسی ارشد)، دانشگاه آزاد، تهران مرکز.  

ثبات، غ. (1377). انجمن بیمه‌گران بریتانیایی - آشنائی با بیمه. تهران: بیمه مرکزی ایران.

جعفرزاده، ع. (1376). بررسی آثار تورم بر بیمه زندگی. پژوهشنامه بیمه، تهران، 12(1)، ص‌ص 85-100.

خرمی، ف. (1376). عوامل مؤثر بر رشد بیمه‌های زندگی. صنعت بیمه، تهران، (47)،ص‌ص 1-26.

دستباز، ه. (1372). اصول و کلیات بیمه‌های اشخاص،تهران: دانشگاه علامه طباطبائی.

فتحی‌زاده، ح. (1376). بررسی عوامل‌ موثر بر بازار بیمه‌ اشخاص‌ در ایران‌. (کارشناسی ارشد)، دانشگاه‌ مازندران‌، دانشکده‌ علوم‌ انسانی و اجتماعی، مازندران.  

حیدری زارع، ب و کردلویی، ح. (1389). پیش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی. پژوهشگر (مدیریت)،تهران، 7(17)،ص‌ص 49-56.

شکیبایى، ع. نظام آبادى پور، ح و حسینى،س. (1388). پیش بینی عرضه نفت خام در یازده کشور تولیدکننده با استفاده از شبکه هاى عصبی و رگرسیون خطی. دانش و توسعه، تهران، 16(27)،ص‌ص 119-198.

صالحی، ج. (1377). حقوق زیان دیدگان و بیمه شخص ثالث. تهران: دانشکده مدیریت دانشگاه تهران

عزیزی، ف. (1384). رابطه میان متغیرهای کلان اقتصادی و تقاضا برای بیمه عمر در ایران . فصلنامه مدرس علوم انسانی زمستان. ویژه نامه مدیریت.تهران، 4(49)، ص‌ص 135-150.

فلاحی، م. خالوزاده، ح و حمیدی علمداری، س. (2006). الگوسازی غیرخطی و پیش‌بینی درآمدهای مالیات بر مشاغل دراقتصاد ایران (کاربردهای شبکه‌های عصبی مصنوعی). تحقیقات اقتصادی-دانشگاه تهران، 18(3)، ص‌ص 24-41.

قدیمی، م و مشیری س. (1381). مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی (ANN) . پژوهشهای اقتصادی ایران. تهران، 4(12)،ص‌ص97-125.

کاردگر،ا. (1376). تعیین عوامل موثر برتقاضای بیمه‌های عمردرصنعت بیمه‌ایران. (کارشناسی ارشد)، دانشگاه شهید بهشتی،تهران. 

کربلایی، ر. (88/05/07). الزامات رشد 8 درصدی اقتصاد، خراسان، تهرانp. 1.

کریمی، آیت. (1391). کلیات بیمه. تهران : پژوهشکده بیمه.

گلچینیان، ع. (1387). کلیات و اصول بیمه‌های بازرگانی، تهران : بیمه مرکزی.

مرزبان، ح. اکبریان، ر و جواهری، ب. (1384). یک مقایسه بین مدل های اقتصاد سنجی ساختاری، سری زمانی و شبکه عصبی برای پیش‌بینی نرخ ارز. تحقیقات اقتصادی، تهران، 34(2)،ص181-216.

مهدوی، غ و ماجد، و. (1390). تحلیل عوامل اقتصادی، اجتماعی و روانشناختی مؤثربر تقاضای بیمه.ی عمر در ایران. فصلنامه تحقیقات مدلسازی اقتصادی، تهران،(5)،ص21-46.

مهدوی، غ و بهمنش، م. (1384). طراحی مدل پیش‌بینی قیمت سهام شرکت‌های سرمایه گذاری با استفاده از شبکه‌های عصبی مصنوعی. پژوهشنامه اقتصادی تهران، 5(4)، ص‌ص 211-234.

مهرآرا، م و رجبیان، م. (1385). تقاضا برای بیمه عمر در ایران و کشورهای صادر کنننده نفت.فصلنامه تحقیقات اقتصادی، 74،ص‌ص57-81.

EnglishReferences

Brown, m.j. and Kim,k. (1993). An International Analysis of life insurance demand.The journal of risk and insurance,(60)4, pp 616-634.

Diacon ,S.R.(1980).The demand forUK ordinary life insurance 1946-1968. Geneva papers on risk and insurance, (17),pp3-22

Fortune, P. (1973). A Theory of Optimal Life Insurance: Development and Tests. Journal of Finance, (28) 3, pp587-600.

Hammond, J.D.et al. (1968). Determinants of Household life insurance premium. The Journal of Rrisk and Insurance, 35(3),pp 3997-3408.

Ince, H, and Trafalis, T. B. (2005). A Hybrid Model for Exchange Rate Prediction. Decisin Support Systems, 24(2), pp1054-1062.

Kuan, C & White , H. ( 1994). Artificial Neural Networks:An Econometric Perspective. Econometric Reviews. pp 13, 1-19.

Lim,C.C, and Haberman, S. (2004). Modelling Life InsuranceDemand fromaMacroeconomicPerspective: The Malaysian Case. The 8thInternational Congress on Insurance,Mathematics and Economics, Roma.

Malik, F,& Nasereddin, M. (2006). Forecasting output using oil prices: A cascaded artificial neural network approach. Journal of Economics and Busines, 58,pp 168-180.

Moshiri, S and Norman C. ( 2000). Econometrics Versus ANN Models in Forecasting Inflation. Journal of Forecasting(19)3,pp31-40.

Moshiri, S,& Brown, L. (2004). Unemployment variability over the Business Cycle: a comparison of Forecasting Models. Proceeding of the first seminar on Nonlinear dynamic and computational Models in Economics. Journal of Forecasting, 24(7), pp 497–511.

Neumann, A, .(1969(. Inflation and saving through life insurance. The Journal of Risk and Insurance, 36(5). pp 567-582

Ward, d. and r. Zurbruegg. (2002). Law ,politics and life insurance consumption in asia. The Geneva papers on risk and insurance, 27(3), PP 395-412.

Outerville. F, 1996, Life Insurance Market in Developing Countries. The Journal of Risk and Insurance. (63)5, pp 263-278.