بهینه سازی مدیریت ریسک بیمه کشتی با فناوری نظارتی و مدل های یادگیری ماشین

مدیریت ریسک خسارت در بیمه بدنه کشتی در ایران با چالش های نظارتی روبه روست. این پژوهش با هدف توسعه ی چارچوبی داده محور برای پیش بینی ریسک خسارت و پشتیبانی از نظارت فناورانه (SupTech) در صنعت بیمه ایران انجام شده است. روش شناسی، بر تحلیل ۵٬۹۸۰ رکورد بیمه نامه و ۶۳ پرونده ی خسارت شرکت بیمه البرز (۱۳۹۹-۱۴۰۳) با تلفیق داده های ساختاری و متنی فارسی استوار است. در بخش متنی، شرح حادثه با مدل ParsBERT به بردارهای معنایی تبدیل شد و ویژگی های حاصل با الگوریتم های یادگیری ماشین مدل سازی شدند. نتایج نشان داد مدل گرادیان بوستینگ (XGBoost) با دقت ۰٫۹۲ و AUC=۰.۹۴ عملکرد برتری در پیش بینی وقوع خسارت دارد. مدل شدت خسارت نیز عملکرد قابل قبولی (R²=۰.۸۱) در برآورد پیامدها نشان داد. تحلیل SHAP تایید کرد که متغیرهای تعداد خدمه، سابقه خسارت، و واژگان مرتبط با عیب فنی و تصادم بیشترین تاثیر را در ریسک دارند. علاوه بر آن، تحلیل ناهنجاری (Anomaly Analysis) حدود ۴٫۸٪ از پرونده های پرریسک با الگوی غیرمعمول را شناسایی کرد. نوآوری این چارچوب ترکیبی، ارائه ی الگویی تعمیم پذیر برای توسعه ی سامانه های SupTech و تنظیم گری هوشمند است که ریسک را در ابعاد «احتمال وقوع، شدت پیامد و ناهنجاری» مدیریت می کند.

کلیدواژه ها:

نظارت فناورانه (SupTech) ، بیمه بدنه کشتی ، یادگیری ماشین ، ParsBERT ، مدل سازی ریسک خسارت