مدیریت ریسک مالی و مدیریت بیمه های عمرانی در پروژه های شهری با استفاده از هوش مصنوعی

در حوزه بیمه های عمرانی، مدیریت ریسک به عنوان یکی از ارکان اساسی عملکرد پایدار و سودآوری شرکت های بیمه، نیازمند دقت، پیش بینی و تحلیل عمیق از الگوهای خسارت است. با این حال، بیشتر شرکت های بیمه در ایران به ویژه در حوزه پروژه های عمرانی شهری هنوز بر پایه روش های سنتی مبتنی بر تجربه فنی و تحلیل های توصیفی عمل می کنند. این رویکرد منجر به پرداخت های نادرست، بیمه گذاری ناکارآمد، و عدم تطبیق ارزش بیمه با واقعیت ریسک می شود. شهرداری اراک، به عنوان یکی از بزرگ ترین مالکان پروژه های عمرانی در منطقه غرب کشور، هر ساله با خسارات متعددی در پروژه های بازسازی معابر، نگهداری آبرسانی و احداث فضاهای عمومی مواجه است خساراتی که بیش از ۶۰٪ آن ها از سوی شرکت های بیمه پرداخت می شود. این پژوهش با هدف توسعه یک مدل پیش بینانه هوشمند برای تحلیل الگوهای خسارت و پیش بینی ریسک در بیمه های عمرانی مرتبط با پروژه های شهری اراک، با استفاده از مدل های یادگیری ماشین تفسیرپذیر به ویژه XGBoost و SHAP انجام شده است. داده های تاریخی شامل ۳۱۲ پرونده خسارت بیمه ای در پروژه های عمرانی اراک در دوره ۱۳۹۷ تا ۱۴۰۳ جمع آوری شدند که شامل متغیرهای کمی (مانند میزان خسارت، نوع پروژه، مدت اجرا، بودجه، تعداد تغییرات طرح) و کیفی (مانند نوع پیمانکار، شرایط آب وهوایی، موقعیت جغرافیایی، تاریخچه نظارتی) بودند. پس از پیش پردازش داده ها، مدل های XGBoost، Random Forest و Logistic Regression برای پیش بینی دو خروجی کلیدی پرداخت خسارت بیش از ۱۰۰ میلیون ریال و تکرار خسارت در یک پروژه آموزش داده شدند. نتایج نشان می دهد که مدل XGBoost با دقت ۹۳.۷٪، حساسیت ۹۱.۲٪ و AUC ۰.۹۶۸ عملکرد برتری نسبت به سایر مدل ها داشته است. مهم ترین متغیرهای تاثیرگذار شناسایی شده عبارتند از: تعداد تغییرات طرح (SHAP value: ۰.۴۱)، سابقه خسارت پیمانکار (SHAP value: ۰.۳۶)، وضعیت نظارتی شهرداری (SHAP value: ۰.۲۸)، و تاریخچه آب وهوایی منطقه (SHAP value: ۰.۲۱). تحلیل کیفی نیز نشان داد که شرکت های بیمه از داده های تاریخی پروژه های شهری به صورت سیستماتیک استفاده نمی کنند و ارزیابی ریسک بر اساس گزارش های کلی و اسناد اولیه انجام می شود. در نتیجه، این پژوهش چارچوبی عملیاتی را پیشنهاد می کند که شامل: ایجاد سامانه هوشمند پیش بینی ریسک بیمه ای (INSURAI-MUNI)، یکپارچه سازی داده های پروژه های عمرانی شهرداری با سامانه های بیمه ای، آموزش کارشناسان بیمه در علوم داده، و استفاده از تفسیرپذیری مدل های XGBoost برای ارائه گزارش های قابل توجیه به کمیته های بیمه است. این چارچوب نه تنها به کاهش خسارات غیرمنطقی و افزایش دقت بیمه گذاری کمک می کند، بلکه با ایجاد شفافیت ریسک محور و پاسخگویی دیجیتال، به سمت تحقق اهداف توسعه پایدار (SDG ۹: صنعت، نوآوری و زیرساخت) و اصول حکمرانی خوب در بخش بیمه گام برمی دارد.

کلیدواژه ها:

هوش مصنوعی ، بیمه عمرانی ، مدیریت ریسک ، XGBoost ، تفسیرپذیری مدل ، SHAP ، پیش بینی خسارت ، شهرداری اراک ، بیمه گذاری ریسک محور ، داده محوری در بیمه