Прогнозирование рисков рынка транспортного страхования в России с использованием машинного обучения

Цель исследования — разработка и апробация модели прогнозирования возможных убытков по полису ОСАГО с использованием методов машинного обучения. Актуальность темы обусловлена значимостью роли, которую играет рынок страхования и, в частности, транспортного страхования в развитии российской экономики. Актуальность исследования подкрепляется высоким коэффициентом убыточности для данного вида страхования и необходимостью оптимизации параметров рынка. Объектом исследования является российский рынок транспортного страхования. Предмет исследования — методы машинного обучения, позволяющие прогнозировать убытки обязательного страхования автогражданской ответственности (ОСАГО) в зависимости от входных параметров, характеризующих данные о страхователе и его транспортном средстве. В работе проведено сравнение эффективности ансамблевых методов машинного обучения с традиционным методом обобщенной линейной модели при прогнозировании убытка ОСАГО. Используется разделение способов возмещения убытка ОСАГО на традиционный и прямой. Показано, что эффективность применения бустинговых моделей машинного обучения выше, чем при прогнозировании с использованием традиционных методов и моделей бэггинга. Выделены значимые факторы, влияющие на частоту и серьезность страхового случая: количество средней тяжести ДТП на транспортном средстве, количество водителей, коэффициент «бонус-малус»; минимальный стаж водителя в полисе, мощность транспортного средства, тип населенного пункта. Сделаны выводы о том, что на рост прогнозируемого убытка положительное влияние оказывает количество ДТП, количество водителей в полисе, низкий стаж и низкий возраст водителей. Выделяется влияние гендерного состава водителей: рост количества женщин-водителей приводит к снижению страховых рисков по полису ОСАГО.

1. Щербанин Ю.А. Транспорт и экономический рост: взаимосвязь и влияние. Евразийская экономическая интеграция. 2011;(3):65-78.

2. Нижегородцев Р.М., Горидько Н.П., Рослякова Н.А. Взаимосвязь между объемом ВРП и развитием транспортной инфраструктуры: опыт кластеризации регионов России. Региональная экономика: теория и практика. 2013;(33):19-24.

3. Васильева Т.С. Актуальные вопросы развития регионального рынка страхования и его роль в экономике. Проблемы развития территории. 2020;(3):103-115. DOI: 10.15838/ptd.2020.3.107.7

4. Прокопьева Е.Л. Современный страховой рынок России: проблемы и потенциал развития. Финансы и кредит. 2019;25(1):177-195. DOI: 10.24891/fc.25.1.177

5. Рыбаков С.И. Оценка экономической эффективности транспортного страхования в Российской Федерации. ЭТАП: экономическая теория, анализ, практика. 2022;(4):135-167. DOI: 10.24412/2071-6435-2022-4-135-167

6. Шанихина Н.Н., Окунева А.А. Проблемы и перспективы развития автострахования в РФ. International Journal of Advanced Studies. 2018;8(1):169-179. DOI: 10.12731/2227-930X-2018-1-169-179

7. Комарова Н.В. Основные тенденции развития современного российского страхового рынка. Вестник Санкт-Петербургского университета. Экономика. 2013;(1):91-99.

8. Туленты Д.С. Эффективность автострахования в Российской Федерации. Имущественные отношения в Российской Федерации. 2022;(9):54-65. DOI: 10.24412/2072-4098-2022-9252-54-65

9. Цыганов А.А., Брызгалов Д.В. Цифровизация страхового рынка: задачи, проблемы и перспективы. Экономика. Налоги. Право. 2018;11(2):111-120. DOI: 10.26794/1999-849X-2018-11-2-111-120

10. Шарапова С.А. Концептуальные вопросы функционирования и проблемы развития вертикально интегрированных сбытовых систем страхования. Вестник МГПУ. Серия: Экономика. 2018;(2):43-53.

11. Котлобовский И.Б., Саган А.И. Государственное регулирование страхового рынка России в условиях вступления в ВТО. Финансы. 2012;(12):47-53.

12. Бекетнова Ю.М. Сравнительный анализ методов машинного обучения при идентификации признаков вовлеченности кредитных организаций и их клиентов в сомнительные операции. Финансы: теория и практика. 2021;25(5):186-199. DOI: 10.26794/2587-5671-2020-25-5-186-199

13. Abdelhadi S., Elbahnasy K., Abdelsalam M. A proposed model to predict auto insurance claims using machine learning techniques. Journal of Theoretical and Applied Information Technology. 2020;98(22):3428-3437.

14. Hsu Y.-C., Chou P.-L., Shiu Y.-M. An examination of the relationship between vehicle insurance purchase and the frequency of accidents. Asia Pacific Management Review. 2016;21(4):231-238. DOI: 10.1016/j.apmrv.2016.08.001

15. Яркова О.Н., Федорова П.С. Математическое моделирование финансовых показателей страховой компании по договорам автострахования. Удалов Ф.Е., Бондаренко В.В., ред. Повышение управленческого, экономического, социального и инновационно-технического потенциала предприятий, отраслей и народно-хозяйственных комплексов. Сб. ст. XIII Междунар. науч.-практ. конф. (Пенза, 19–20 мая 2022 г.). Пенза: РГАУ; 2022: 334-337.

16. Макаренко Е.А. Использование инструментария моделирования для прогнозирования банкротства страховых компаний. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2021;(2):43-50. DOI: 10.6060/ivecofin.2021482.533

17. Цыганов А. А., Языков А. Д., Яненко Е. А., Грызенкова Ю. В. Опыт обоснования изменения коэффициента возраста и стажа водителя в ОСАГО. Финансы: теория и практика. 2020;24(4):31-46. DOI: 10.26794/2587-5671-2020-24-4-31-46

18. Харламов А.В. Модели прогнозирования в страховании. Трансформация страховой индустрии для устойчивого развития в новых условиях. Сб. тр. XXII Междунар. науч.-практ. конф. (Москва, 2–3 июня 2021 г.). М.: Всероссийский союз страховщиков; 2021:231-236.

19. Yeo A.C., Smith K.A., Willis R.J., Brooks M. Clustering technique for risk classification and prediction of claim costs in the automobile insurance industry. Intelligent Systems in Accounting, Finance and Management. 2001;10(1):39-50. DOI: 10.1002/isaf.196

20. Babii A., Ghysels E., Striaukas J. Machine learning time series regressions with an application to nowcasting. Journal of Business & Economic Statistics. 2022;40(3):1094-1106. DOI: 10.1080/07350015.2021.1899933

21. Ball R.T., Ghysels E. Automated earnings forecasts: Beat analysts or combine and conquer? Management Science. 2018;64 (10):4936-4952. DOI: 10.1287/mnsc.2017.2864

22. Hanafy M., Ming R. Machine learning approaches for auto insurance Big Data. Risks. 2021;9(2):42. DOI: 10.3390/risks9020042

23. Zanke P., Sontakke D. Leveraging machine learning algorithms for risk assessment in auto insurance. Journal of Artificial Intelligence Research. 2021;1(1):21-39.

24. Breiman L. Random forests. Machine learning. 2001;45(1):5-32. DOI: 10.1023/A:1010933404324

25. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: Unbiased boosting with categorical features. In: Bengio S., et al., eds. Proc. 32nd Conf. on neural information processing systems (NeurIPS 2018). (Montreal, December 3-8, 2018). San Diego, CA: Neural Information Processing Systems Foundation; 2018:75-90. (Advances in neural information processing systems. Vol. 31).

26. Dorogush A.V., Ershov V., Gulin A. CatBoost: Gradient boosting with categorical features support. arXiv preprint. 2018. DOI: 10.48550/arXiv.1810.11363