علم داده، هوشمندی و تحلیل‌های آینده نگر
یعقوب احمدلو؛ علیرضا پورابراهیمی؛ جعفر تنها؛ علی رجب زاده قطری
چکیده
موارد کلاهبرداری در سال‌های اخیر به ویژه در زمینه‌های مهم و حساس مالی و بیمه‌ای افزایش یافته است. از این رو، برای مقابله با این‌گونه کلاهبرداری‌ها نیاز به اقدامات متفاوتی نسبت به روش‌های بازرسی سنتی وجود دارد. بیمه کشاورزی نیز با توجه به ماهیت و گستردگی وسیع آن از این تهدید مستثنا نبوده و سالانه هزینه‌‌های زیادی صرف پرداخت به ...
بیشتر
موارد کلاهبرداری در سال‌های اخیر به ویژه در زمینه‌های مهم و حساس مالی و بیمه‌ای افزایش یافته است. از این رو، برای مقابله با این‌گونه کلاهبرداری‌ها نیاز به اقدامات متفاوتی نسبت به روش‌های بازرسی سنتی وجود دارد. بیمه کشاورزی نیز با توجه به ماهیت و گستردگی وسیع آن از این تهدید مستثنا نبوده و سالانه هزینه‌‌های زیادی صرف پرداخت به خسارت‌‌های ساختگی می‌شود. این پژوهش با هدف ارائه مدلی برای کشف ادعاهای خسارت غیرواقعی در بیمه کشاورزی با بکارگیری تکنیک‌های داده کاوی و یادگیری ماشین ارائه شد. برای ساخت مدل یادگیری عمیق مورد استفاده قرار گرفت. داده‌‌های مورد استفاده از صندوق بیمه کشاورزی اخذ شد و مربوط به بیمه‌‌نامه‌‌های گندم آبی و دیم استان خوزستان بود که در سال زراعی 1399-1398 برای آنها غرامت پرداخت شده بود. بعد از آماده‌‌سازی و پیش‌‌پردازش داده‌ها، با استفاده از یادگیری عمیق نسبت به کشف موارد غیرعادی اقدام و نتایج توسط کارشناسان صندوق بیمه کشاورزی مورد ارزیابی قرار گرفت. بعد از تحلیل نتایج مشخص شد یک درصد از خسارت‌‌های پرداختی مربوط به درخواست‌های غیرواقعی بوده و در پرداخت خسارت بایستی دقت و بررسی بیشتری انجام شود. دقت مدل در تشخیص موارد غیرعادی برای گندم آبی و دیم به ترتیب برابر با 53/53 و 63/37 درصد بدست آمد. در بررسی نتایج مشخص شد 5 دسته رفتار غیرعادی منجر به پرداخت خسارت غیرواقعی شده‌اند که رفتار عدم ارائه مستندات خسارت فراوانی بیشتری نسبت به بقیه داشت.
