خلاصة:
پیشینه و اهداف پژوهش حاضر با هدف مدل سازی ریسک های سیستماتیک و غیرسیستماتیک و ژیوپلیتیک بر توانگری مالی در صنعت بیمه و رویکردی جدید به مد ل های میانگین گیری در ایران انجام شده است. روش شناسی: این پژوهش از نظر هدف توسعه ای- کاربردی و از نظر روش توصیفی- پیمایشی است. بازه زمانی تحقیق داده های فصلی 1390 تا 1400 در یک بازه 11 ساله بوده است. اطلاعات مورد نیاز به روش کتابخانه ای جمع آوری شده اند. برای این منظور، اطلاعات شاخص های 33 ریسک موثر بر توانگری مالی شرکت های بیمه با استفاده از مدل های BMA، TVP-DMA و TVP-DMS و BVAR بررسی شد. یافته ها براساس میزان خطا، مدل BMA از بالاترین دقت برخوردار بود. پس از برآورد مدل، 11 متغیر اصلی شناسایی شد که عبارت اند از: رشد اقتصادی، نااطمینانی تورم، نرخ ارز، تحریم، شاخص KOF، بازده سرمایه در گردش، نسبت کفایت نقد، نسبت کل بدهی به ارزش ویژه، ضریب خسارت، شاخص هرفیندال- هیرشمن و ریسک ژیوپلیتیک. کاملا از نتایج مشهود است که ریسک های متعددی بر توانگری مالی در صنعت بیمه اثرگذارند و این امر پیش بینی این وضعیت را با مشکلات متعددی روبه رو می سازد. در نتیجه برای طراحی مدل های پیش هشداردهنده این متغیر لازم است از یک مدل جامع و سیستمی که ابعاد مختلف این شاخص را بررسی می کند، بهره گرفته شود. نتیجه گیری در این مطالعه از طریق بررسی ارتباطات تجربی نشان دادیم که با توجه به احتمالات مختلف محاسبه شده بین مدل های جایگزین، اعتماد به یک مدل مفهومی منفرد در فرایند مدل سازی توانگری مالی به ایجاد پیش بینی های غیرصحیح منجر شده، در نهایت تصمیمات مدیریتی در رابطه با آن مدل با خطر شکست در پیش بینی مواجه خواهد شد. براساس نتایج تعدد عوامل موثر بر توانگری مالی، در مدیریت شرکت بیمه لازم است از یک دیدگاه سیستمی بهره برد و صرفا در نظر گرفتن یک مدل مشخص یا یک سلسله متغیر مشخص نمی تواند دیدگاه جامعی در راستای تعیین مدل بهینه توانگری مالی در این صنعت ارایه کند.
BACKGROUND AND OBJECTIVES: This research aims to develop a new approach to modeling
systematic and unsystematic risks as well as geopolitical risks, in financial solvency within the
insurance industry in Iran. The objective is to improve the accuracy of prediction models used
in the industry.
METHODS: The research follows developmental-practical approach and unilizes a descriptivesurvey
method. Data from 2011 to 2021, covering an 11-year period, were collected and
analyzed. A total of 33 risk indicators affecting the financial solvency of insurance companies
were examined using BMA, TVP-DMA, TVP-DMS, and BVAR models.
FINDINGS: The BMA model demonstrated the highest accuracy based on error rate. Through
the analysis, 11 main variables were identified as significant factors influencing financial
solvency including economic growth, inflation uncertainty, exchange rate, sanctions, KOF
index, return on working capital, cash adequacy ratio, total debt-to-equity ratio, loss factor,
Herfindahl-Hirschman index, and geopolitical risk. The results The results highlight the complex
nature of financial solvency prediction in the insurance industry, emphasizing the need for a
comprehensive and systematic approach.
CONCLUSION: This study emphasizes the limitations of relying on a single conceptual model in
financial solvency modeling and decision-making. The multiplicity of factors influencing financial
solvency requires a systemic perspective in managing insurance companies. Additionally, it is
important to consider a wide range of variables rather than relying on a specific model or set of
variables to ensure a comprehensive understanding of financial solvency in the industry.