قابلیت های ارزیابی ریسک شرکت های بیمه عمر کارآمد با استفاده از تحلیل های پیش بینی بر اساس سیستم های استنتاج فازی

پیش بینی هزینه بیمه درمانی شخصی به عنوان یکی از مهم ترین جنبه های ارزیابی ریسک در صنعت بیمه عمر مطرح است. دقت در این پیش بینی مستقیما بر تصمیمات پذیره نویسی، تعیین حق بیمه و پایداری مالی شرکت های بیمه تاثیر می گذارد. این مطالعه با هدف افزایش دقت و کارآیی پیش بینی هزینه های پزشکی، یک روش نوین مبتنی بر سیستم عصبی-فازی تطبیقی ممدانی (Mamdani ANFIS) را ارائه می دهد. روش پیشنهادی از دیتاست معروف "Medical Cost Personal Dataset" موجود در پلتفرم Kaggle با ۱۳۳۸ نمونه و شش ویژگی ورودی (سن، جنسیت، شاخص توده بدنی (BMI)، تعداد فرزندان، سیگاری بودن و منطقه مسکونی) استفاده می کند. در مقابل مدل های کلاسیک ANFIS که تعداد قوانین فازی آن ها به صورت نمایی با افزایش ورودی ها رشد می کند، در روش پیشنهادی تعداد قوانین برابر با تعداد توابع تعلق در نظر گرفته شده برای هر ورودی است (L قانون برای d ورودی به جای L^d). این بهینه سازی، پیچیدگی محاسباتی را به شدت کاهش می دهد. پارامترهای بخش مقدم (میانگین و انحراف معیار توابع تعلق گوسی) به صورت تصادفی و فقط یکبار در ابتدا مقداردهی شدند، در حالی که پارامترهای بخش تالی تنها با استفاده از الگوریتم کمترین نرم مربعات خطا (LSM) به صورت دسته ای و بدون نیاز به آموزش پس رو معمول شبکه عصبی، بهینه سازی شدند. نتایج شبیه سازی با اجرای ۵ باره الگوریتم نشان داد که بهترین عملکرد مدل پیشنهادی با ۳۰ تابع تعلق گوسی برای هر ورودی (تولید ۳۰ قانون) حاصل می شود. مقادیر RMSE برای داده های آموزش و تست به ترتیب ۰.۰۷۸۸ و ۰.۰۸۶۲ و مقدار ضریب همبستگی R به ترتیب ۰.۹۱۱۹ و ۰.۸۹۸۳ بدست آمد. این نتایج در مقایسه با مدل های رگرسیون خطی، لاسو، ریج، KNN، RF، XGBoost، ANN و حتی مدل های پیشرفته تری که در مقالات اخیر بر روی همان دیتاست اعمال شده اند، دقت بالاتری و خطای کمتری نشان می دهند. دلیل این بهبود، عدم نیاز به آموزش پارامترهای بخش مقدم و استفاده از الگوریتم LSM برای بهینه سازی دسته ای پارامترهای تالی است که هم سرعت اجرا را افزایش می دهد و هم از افت های احتمالی ناشی از آموزش غیرخطی پارامترهای مقدم جلوگیری می کند. این مطالعه نشان می دهد که سیستم های عصبی-فازی ممدانی با ساختار بهینه شده، می توانند به عنوان یک ابزار قدرتمند، کارآمد و قابل تفسیر برای ارزیابی ریسک در بیمه عمر به کار روند.