نظارت هوشمند و داده محور در صنعت بیمه: طراحی چارچوب ترکیبی DEA–ML برای ارزیابی و پیش بینی توانگری مالی

تحولات فناورانه و رشد داده های کلان در صنعت بیمه، الزامی تازه برای بازآفرینی نظام های نظارتی ایجاد کرده است؛ به گونه ای که نهادهای ناظر دیگر نمی توانند صرفا بر گزارش های دوره ای تکیه کنند و ناچارند از ابزارهای داده محور برای پایش بلادرنگ وضعیت شرکت های بیمه استفاده نمایند. در این پژوهش با هدف طراحی و تبیین یک چارچوب هوشمند نظارت و ارزیابی توانگری مالی، روش شناسی بر پایه رویکردی ترکیبی-تحلیلی طراحی شده است که تلفیقی از تحلیل پوششی داده ها به عنوان ابزار ارزیابی کارایی و مدل های یادگیری ماشین توضیح پذیر به عنوان ابزار پیش بینی و هشدار زودهنگام ریسک را به کار می گیرد. در مرحله اول، مدل تحلیل پوششی داده ها برای سنجش کارایی و تاب آوری مالی شرکت های بیمه به کار رفته و تصویری مقایسه ای از نحوه استفاده موثر از منابع ارائه می دهد. در مرحله دوم، خروجی های مدل تحلیل پوششی داده ها به همراه شاخص های مالی و کلان اقتصادی وارد مدل های یادگیری ماشین توضیح پذیر می شوند تا احتمال افت توانگری در افق های زمانی کوتاه مدت پیش بینی گردد. یافته های تحلیلی نشان می دهد که چارچوب DEA–ML قادر است شرکت های پرریسک را با دقت بالا شناسایی کرده و برای ناظر، هشدارهای زودهنگام و تبیین پذیر تولید کند. این رویکرد، ضمن کاهش زمان و هزینه ارزیابی توانگری، می تواند تصمیم گیری نظارتی را از شکل سنتی و پسینی، به نظارت هوشمند، پیش نگر و داده محور ارتقا دهد. نتایج همچنین بر ضرورت ایجاد چارچوب حاکمیت مدل، تقویت زیرساخت های داده ای و توانمندسازی نیروی انسانی ناظر برای استقرار موفق چنین نظامی تاکید دارد. در مجموع، یافته ها بیانگر ظرفیت بالای روش DEA–ML برای تبدیل داده های نظارتی به بینش های سیاستی و تصمیم سازی آینده نگر در صنعت بیمه است.

کلیدواژه ها:

نظارت هوشمند ، تحلیل پوششی داده ها ، یادگیری ماشین ، توانگری مالی