خلاصة:
صنعت بیمه با توجه به ماهیت خود، مستعد ابتلا به کلاهبرداری و تقلب است. در بیمۀ اتومبیل، بیمهگر کلیۀ خسارتهایی را که بهواسطۀ خودرو یا بار خودرو به اشخاص ثالث وارد میشود، تحت پوشش قرار میدهد. در طی سالهای اخیر با توجه به رشد این نوع بیمه، تشخیص عوامل تأثیرگذار بر روی تصمیمهایی که به جعلیبودن یک ادعای خسارت میپردازد به امری ضروری مبدل شده است. یکی از راههای کشف و مقابلۀ با این نوع تقلبها بررسی اطلاعات موجود در پروندههایی است که از طریق بیمهنامۀ شخص ثالث ادعای خسارت کردهاند. دادهکاوی روش مناسبی برای تعامل با چنین بانکهای اطلاعاتی است و منجر به کشف دانشی ارزشمند از آنها میشود؛ در این تحقیق با بررسی 142 پروندۀ شخص ثالث و 6 متغیر، سعی شده است تا الگوهای تقلب در بیمۀ شخص ثالث کشف شود. نتایج تحقیق نشان میدهد الگوریتم درخت تصمیم و شبکههای عصبی در شناسایی پروندههای تقلبی، غیرتقلبی، و مشکوک نسبت به الگوریتم ماشین بردار پشتیبان عملکرد بهتری داشتهاند.
ملخص الجهاز:
پژوهش حاضر به دنبال یافتن پاسخی برای سؤالهای پیش رو به شرح زیر است : - چگونه میتوان تقلبهای شناساییشده در خسارات بدنی بیمه های اتومبیل را با کمک الگوریتمهای داده کاوی رده بندی کرد؟ - مهم ترین متغیرهای متقلبانه در ادعاهای خسارت بدنی، کدام خصیصه است ؟ - بهترین الگوریتم داده کاوی در شناسایی عوامل کلاهبردارانه کدام است ؟ ٢.
, موافقم ١ , , مخالفم ٠ , مستقل آیا خسارت تقلبی بوده است یا خیر و یا مشکوک است ؟ , جعلی ٣ , مشکوک ٢ , غیرجعلی ١ , وابسته کلاهبرداری به صورت فردی صورت گرفته است یا گروهی؟ , غیرقابل تشخیص ١ , انفرادی ٢ , گروهی ٣ , مستقل در این مقاله ، سه الگوریتم داده کاوی یعنی درخت تصمیم گیری، ماشین بردار پشتیبان (SVMs)١، و شبکه های عصبی مصنوعی برای پیشگویی ادعای خسارت متقلبانه تحلیل شد و بهترین راهکار در پیشگویی این امر شناسایی شد.
دقت مدل در الگوریتم ماشین بردار پشتیبان دسته بندی , آموزشی , آزمایشی نمونه های رده بندیشدة صحیح (دقت مدل ) , 70, 71/43% , 27, 61/36% نمونه های رده بندیشدة نادرست (خطای مدل ) , 28, 28/57% , 17, 38/64% کل , 98, , 44, همان گونه که در شکل ٣ نیز قابل مشاهده است ، متغیرهای پراهمیت در الگوریتم ماشین بردار پشتیبان ، عدم پوشش شخص ثالث ، خسارت مشابه ، صحنه سازی به قصد گرفتن خسارت از شرکت بیمه ، عدم تناسب گواهینامه با وسیلۀ نقلیه ، فاقد گواهینامه بودن راننده و درنهایت جابه جایی راننده است .