خلاصة:
بیمه عمر به عنوان یکی از محصولات صنعت بیمه،نقش مهمی در تعیین و تضمین آتیه خانوادهها دارد.طبیعی است که در چنین شرایطی پیشبینی حقبیمه عمر میتواند برنامهریزان و سیاستگذاران را در دستیابی به اهداف و برنامهها یاری کند.در این پژوهش جهت پیشبینی حقبیمه دریافتی در بیمه عمر از روش شبکههای عصبی و از روش باکس-جینکنیز استفاده شده است.نتایج حاصل از پیشبینی درون نمونهای برای سالهای 831-3831 نشان داد که باتوجه به معیار RMSE ،بهترین مدل برای پیشبینی حقبیمه عمر،مدل شبکههای عصبی است. بعد از آن به پیشبینی برون نمونهای برای سالهای 3931-8831 از حقبیمه عمر دریافتی با استفاده از دو روش باکس جینکنز و شبکههای عصبی پرداخته شده است.
ملخص الجهاز:
"در این پژوهش جهت پیشبینی حقبیمه دریافتی در بیمه عمر از روش شبکههای عصبی و از روش باکس-جینکنیز استفاده شده است.
بعد از آن به پیشبینی برون نمونهای برای سالهای 3931-8831 از حقبیمه عمر دریافتی با استفاده از دو روش باکس جینکنز و شبکههای عصبی پرداخته شده است.
Hannan Quinn Criterion(HQ) مدل را شناسایی نموده و به تخمین آن پرداخته میشود،بعد از تخمین مدل و تثبیت آن به عنوان مدل نهایی اقدام به پیشبینی مدل میگردد که باتوجه به زمان به دو حالت پویا و ایستا و باتوجه به دوره زمانی مورد پیشبینی به دو حالت درون نمونهای و برون نمونهای تقسیم میشود (Granger Newbold,1986) ،از آنجایی که این نوع پیشبینی پیشتر در صنعت بیمه استفاده شده است(امینی و فخر حسینی،8831)بنابراین به این توضیحات کلی در مورد مدلهای ARIMA بسنده میشود.
2. پیشبینی حقبیمه عمر با استفاده از شبکههای عصبی و ARIMA روش انجام این پژوهش به صورت توصیفی و با تجزیه و تحلیل آماری بوده است،در ادامه نتایج حاصل از تجزیه و تحلیل آماری آورده شده است.
پیشبینی درون نمونهای از روش باکس-جنیکنز(میلیون ریال) (به تصویر صفحه مراجعه شود) نتایج حاصل از پیشبینی درون نمونهای و برون نمونهای در روش باکس-جینکنز نشان میدهد که میانگین مجذور مربعات خطا در روش ایستا در اینجا کمتر از روش پویاست(مقایسه 41821 با 26281)و باتوجه به جدول 1 هر دوی این خطاها از خطای پیشبینی شبکههای عصبی بیشتر است،بنابراین انتظار بر این است که شبکههای عصبی برای پیشبینی حقبیمه عمر مقادیر دقیقتری را ارائه کنند."