رائه یک مدل پیش بینی با استفاده از یادگیری ماشین در تجزیه و تحلیل اطلاعات خسارت رشته شخص ثالث به منظور کشف تقلبات بیمه ای
- رشته تحصیلی
- بيم سنجي
- مقطع تحصیلی
- کارشناسی ارشد
- ساعت دفاع
- چکیده
-
فعالیت‌های متقلبانه در بخش بیمه چالش‌های قابل توجهی برای بیمه‌گران و بیمه‌گزاران ایجاد می‌کند که منجر به زیان‌های مالی، افزایش حق‌بیمه و مدیریت ناکارآمد منابع می‌شود (Severino & Peng ۲۰۲۱, ) تقلب در بیمه به‌طور کلی به عنوان هرگونه اقدام عمدی با هدف فریب به منظور کسب سود مالی غیرقانونی تعریف می‌شود. در میان انواع مختلف تقلب، تقلب در بیمه شخص ثالث به‌ویژه در ایران شایع است، جایی که بیمه شخص ثالث اجباری و پرکاربرد است.
این مطالعه با بهره‌گیری از چارچوب‌های قوی و مقیاس‌پذیر یادگیری ماشین (ML)، بر حل این مشکلات در بیمه شخص ثالث تمرکز دارد. برخلاف سیستم‌های سنتی تشخیص تقلب مبتنی بر قواعد، الگوریتم‌های یادگیری ماشین می‌توانند با الگوهای پیچیده و در حال تحول تقلب سازگار شوند و از این رو ابزارهای برتری برای این منظور محسوب می‌شوند (Dhieb و همکاران، ۲۰۲۰) این پروژه با استفاده از داده‌های تاریخی خسارات، به دنبال پر کردن شکاف مهمی در تحقیقات مربوط به تقلب در بیمه است و اثربخشی مدل‌های یادگیری ماشین را در شناسایی مطالبات متقلبانه در بازار بیمه شخص ثالث ایران ارزیابی می‌کند. - Abstract
-
Fraudulent activities in the insurance sector present significant challenges for both insurers and clients, resulting in financial losses, higher premiums, and resource mismanagement (Severino & Peng, ۲۰۲۱). Fraud is broadly defined as any intentional act of deception performed to achieve unlawful financial gain. Among various forms of fraud, third-party insurance fraud is particularly prevalent in Iran, where third-party insurance is both mandatory and widely utilized.
This study focuses on addressing these issues in third-party insurance byleveraging robust and scalable machine learning (ML) frameworks. Unlike traditional rule-based fraud detection systems, ML algorithms can adapt to complex and evolving fraud patterns, making them superior tools for this purpose (Dhieb et al., ۲۰۲۰). The project aims to fill a critical gap in insurance fraud research by utilizing historical claims data to evaluate the effectiveness of ML models in detecting fraudulent claims in the Iranian third-party insurance market.