નફો:
- કૃત્રિમ બુદ્ધિમત્તાના સમર્થન સાથે નુકસાન વિકાસ ત્રિકોણ, IBNR (ખર્ચ થયેલ પરંતુ બિન-અહેવાલ થયેલ નુકસાન) અને સાંકળ-સીડી પદ્ધતિ સ્થાપિત કરવાની ક્ષમતા અને વિકાસના પરિબળોનું અર્થઘટન
- બોર્નહ્યુટર-ફર્ગ્યુસન અને મેક જેવી વૈકલ્પિક પદ્ધતિઓ સાથે પરિણામોની તુલના કરવાની ક્ષમતા અને કૃત્રિમ બુદ્ધિ સાથે અનામત અનિશ્ચિતતા (પરિવર્તનશીલતા, આત્મવિશ્વાસ અંતરાલ) સમજાવવાની ક્ષમતા
- કૃત્રિમ બુદ્ધિમત્તા દ્વારા ગણતરી કરાયેલ જોગવાઈનો આંકડો ડ્રાફ્ટ છે, અંતિમ નથી અને વિકાસ પરિબળ અને ન્યાયિક સુધારણાની પસંદગી જવાબદાર એક્ચ્યુરીની છે તે જાળવવામાં સક્ષમ હોવાને કારણે.
જ્યારે વીમા કંપની આજે નુકસાન માટે ચૂકવણી કરે છે, ત્યારે તે વાસ્તવમાં ભૂતકાળમાં વેચાયેલી પોલિસીનું દેવું ચૂકવે છે. પરંતુ દરેક નુકસાનની તાત્કાલિક જાણ કરવામાં આવતી નથી અને નોંધાયેલ દરેક નુકસાનની સંપૂર્ણ ચુકવણી તરત જ કરવામાં આવતી નથી. આજે ટ્રાફિક અકસ્માત થાય છે, કંપનીને ત્રણ મહિના પછી સૂચિત કરવામાં આવે છે, કોર્ટ પ્રક્રિયામાં બે વર્ષ લાગે છે, અને અંતિમ ચુકવણી ચાર વર્ષ પછી સ્પષ્ટ થાય છે. તેથી, કંપનીએ નુકસાની માટે આજે નાણાં અનામત રાખવા જ જોઈએ કે જે હજુ સુધી સંપૂર્ણ ચૂકવવામાં આવ્યા નથી અથવા હજુ સુધી જાણ કરવામાં આવી નથી. આ નાણાંને અનામત કહેવામાં આવે છે, અને તેની સચોટ ગણતરી એ વીમા કંપનીનું સૌથી મહત્વપૂર્ણ એક્ચ્યુરિયલ કાર્ય છે. જો તે ઓછું છોડશે, તો કંપની નાદારીમાં જશે; જો ખૂબ જ ફાળવવામાં આવે છે, તો મૂડી નિરર્થક રીતે બાંધવામાં આવે છે અને નફો છુપાવવામાં આવે છે.
આ એકમમાં, અમે જોગવાઈ એકાઉન્ટિંગના કેન્દ્રમાં ત્રણ ખ્યાલોને આવરી લઈશું: નુકસાન વિકાસ ત્રિકોણ, IBNR અને સાંકળ-સીડી પદ્ધતિ. પછી અમે વૈકલ્પિક પદ્ધતિઓ (બોર્નહુએટર-ફર્ગ્યુસન, મેક) અને અનિશ્ચિતતા પર વિચાર કરીશું. AI આ ગણતરીઓ માટે કોડ લખે છે, ત્રિકોણ ભરે છે, પરિબળોની ગણતરી કરે છે અને પરિણામ સમજાવે છે; પરંતુ વિકાસ પરિબળની પસંદગી, ન્યાયિક સુધારણા અને અંતિમ જોગવાઈના આંકડાની જવાબદારી જવાબદાર એક્ચ્યુરીની છે.
નુકસાન વિકાસ ત્રિકોણ શું છે?
જોગવાઈની ગણતરીનો આધાર વિકાસ ત્રિકોણ / રન-ઓફ ત્રિકોણ છે. પંક્તિઓ એ સમયગાળો દર્શાવે છે કે જેમાં નુકસાન થયું હતું (અકસ્માતનું વર્ષ), અને કૉલમ બતાવે છે કે તે નુકસાન (વિકાસ વર્ષ) માટે કેટલી ચૂકવણી કરવામાં આવી હતી. તે આના જેવું વાંચે છે: 2021 અકસ્માત વર્ષના 1લા વિકાસ વર્ષમાં 4 મિલિયન ચૂકવવામાં આવ્યા હતા, 2જા વર્ષમાં સંચિત 6.2 મિલિયન ચૂકવવામાં આવ્યા હતા, અને 3જા વર્ષમાં 7 મિલિયન ચૂકવવામાં આવ્યા હતા. જૂના અકસ્માતના વર્ષો પરિપક્વ થયા છે (લગભગ તમામ ચૂકવણી કરવામાં આવી છે), જ્યારે નવા વર્ષ હજુ પણ વિકાસશીલ છે. તેથી ત્રિકોણનું નામ: નીચેનો જમણો ખૂણો ખાલી છે, કારણ કે નવા વર્ષોનો વધુ વિકાસ હજી થયો નથી. એક્ચ્યુરીનું કામ આ ખાલી ખૂણાનો અંદાજ કાઢવાનું છે.
IBNR (ખર્ચ કરેલ પરંતુ જાણ કરેલ નથી) ચોક્કસપણે આ ગેપનો એક ભાગ છે: દાવાની ભાવિ કિંમત જે આવી છે પરંતુ કંપનીને હજુ સુધી જાણ કરવામાં આવી નથી. IBNER (અહેવાલિત પરંતુ ઓછા અનામત દાવાઓનો વધારાનો વિકાસ) પણ છે. વ્યવહારમાં, ત્રિકોણ પદ્ધતિઓ કુલ જરૂરી જોગવાઈનો અંદાજ કાઢે છે (ચૂકવેલ + ભાવિ વિકાસ); જ્યારે તમે ચૂકવેલ ભાગને બાદ કરો છો, ત્યારે IBNR સહિતની બાકીની જોગવાઈ રહે છે.
ટીપ: તમે બે અલગ-અલગ આધારો પર ત્રિકોણ સેટ કરી શકો છો: "નુકસાન ચૂકવેલ" અને "નુકસાન થયું (ચૂકવેલ + જાણીતું અનામત)". બંનેને એકસાથે તપાસવાથી તમને ક્લેઈમ ટીમના બુકિંગ વર્તનમાં ફેરફાર કેપ્ચર કરવામાં મદદ મળે છે.
સાંકળ-નિસરણી પગલું દ્વારા
સાંકળની સીડી એ સૌથી સામાન્ય પ્રતિભાવ પદ્ધતિ છે, અને તેનો તર્ક સાહજિક છે: જો ભૂતકાળમાં નુકસાન એક વિકાસ વર્ષથી બીજા વર્ષમાં સરેરાશ ચોક્કસ દરે વધ્યું હોય, તો નવા વર્ષો સમાન દરે વધશે. પગલાં:
- સંચિત ત્રિકોણ સેટ કરો. વિકાસના વર્ષ દ્વારા દરેક અકસ્માત વર્ષ માટે સંચિત ચૂકવણી દાવાઓને સૉર્ટ કરો.
- વિકાસ પરિબળોની ગણતરી કરો. દરેક કૉલમ પાસ માટે: આગલી કૉલમનો સરવાળો / વર્તમાન કૉલમનો સરવાળો (બંને કૉલમ કબજે કરેલી પંક્તિઓનો ઉપયોગ કરીને). ઉદાહરણ તરીકે, પરિબળ 1→2 એ 1.45 છે; પરિબળ 2→3 1.12 હોઈ શકે છે. આ પરિબળને વય-થી-વય પરિબળ કહેવામાં આવે છે.
- સંચિત (સ્ટૅક્ડ) પરિબળો શોધો. દરેક વર્ષની ફાઇનલમાં પહોંચવા માટે બાકી રહેલા પરિબળોનો ગુણાકાર.
- ખાલી ખૂણો ભરો. દરેક નવા અકસ્માત વર્ષના છેલ્લા જાણીતા મૂલ્યને બાકીના પરિબળો દ્વારા ગુણાકાર કરીને અંતિમ નુકસાનનો અંદાજ કાઢો.
- પ્રતિભાવની ગણતરી કરો. અંતિમ નુકસાન - તારીખ સુધી ચૂકવેલ = ભવિષ્યમાં ચૂકવવાપાત્ર જોગવાઈ (IBNR સહિત).
નીચેનું કોષ્ટક એક નાનું ઉદાહરણ છે (સંચિત ચૂકવેલ નુકસાન, મિલિયન TL):
અકસ્માત વર્ષ
આવો. 1
આવો. 2
આવો. 3
આવો. 4
2021
4.0
6.0
6.8
7.0
2022
4.4
6.5
7.3
?
2023
4.8
7.0
?
?
2024
5.2
?
?
?
આ ત્રિકોણમાં, પરિબળ 1→2 લગભગ 1.47 છે; 2→3 લગભગ 1.12; 3→4 લગભગ 1.03 બરાબર છે. 2024 અંતિમ 5.2 × 1.47 × 1.12 × 1.03 ≈ 8.82 મિલિયન; ચૂકવેલ રકમ 5.2 હોવાથી, જોગવાઈ ≈ 3.62 મિલિયન TL છે. AI આ અંકગણિત સેકન્ડોમાં કરે છે, પરંતુ એક્ચ્યુરી નક્કી કરે છે કે પરિબળો વાજબી છે કે નહીં.
વૈકલ્પિક પદ્ધતિઓ અને અનિશ્ચિતતા
સાંકળની સીડી જ પર્યાપ્ત નથી કારણ કે વિકાસના પરિબળો નાના વધઘટ માટે અત્યંત સંવેદનશીલ હોય છે કારણ કે તાજેતરના અકસ્માત વર્ષોમાં બહુ ઓછો ડેટા છે; એક મોટું નુકસાન સમગ્ર અંદાજને ઉડાવી શકે છે. તેથી જ બોર્નહ્યુટર-ફર્ગ્યુસન (BF) પદ્ધતિનો ઉપયોગ કરવામાં આવે છે: BF બાહ્ય અપેક્ષિત નુકશાન ગુણોત્તર માહિતીનો ઉપયોગ કરીને અવિકસિત ભાગનો અંદાજ કાઢે છે અને આ રીતે અસ્થિરતાને સરળ બનાવે છે. પરિપક્વ વર્ષોમાં સાંકળની સીડી પસંદ કરવામાં આવે છે, નવા અને અપરિપક્વ વર્ષોમાં BF પસંદ કરવામાં આવે છે; સાથે મળીને તેઓ સંતુલિત અંદાજ આપે છે.
અનિશ્ચિતતાને માપવા માટે, મેક પદ્ધતિનો ઉપયોગ કરવામાં આવે છે: તે વિશ્લેષણાત્મક રીતે સાંકળની સીડીના અંદાજની પ્રમાણભૂત ભૂલ (પરિવર્તનક્ષમતા) આપે છે. વધુમાં, પ્રતિભાવની સંપૂર્ણ સંભાવના વિતરણ બુટસ્ટ્રેપ દ્વારા ઉત્પન્ન કરી શકાય છે (ડેટાના વારંવાર નમૂના લઈને સિમ્યુલેશન); આ પ્રશ્નનો જવાબ આપે છે (સોલ્વન્સી II માટે મહત્વપૂર્ણ) "સૌથી ખરાબ પરિસ્થિતિમાં આપણો પ્રતિભાવ શું હશે?" AI કોડ જનરેટ કરવામાં અને આ પદ્ધતિઓની સરખામણીમાં ખૂબ જ શક્તિશાળી છે.
સાવધાન: વૃદ્ધિ પરિબળની પસંદગી યાંત્રિક નથી. એક વર્ષમાં, કાયદામાં ફેરફાર, મુકદ્દમોની મોટી લહેર અથવા દાવાની ચુકવણીના દરમાં ફેરફાર પરિબળોને વિક્ષેપિત કરી શકે છે. "સરળ સરેરાશ, ભારિત સરેરાશ, છેલ્લા 3 વર્ષ" ની પસંદગી ન્યાયિક છે અને તે ન્યાયી હોવી જોઈએ.
રિઝર્વ એકાઉન્ટિંગમાં AI નો ઉપયોગ કેવી રીતે કરવો
1) સાંકળ સીડી કોડ:
Python માં ટિપ્પણી કરેલ કોડ લખો જે સાંકળ-સીડીની ગણતરી કરે છે. ઇનપુટ: સંચિત ચૂકવેલ નુકસાન ત્રિકોણ (સૂચિઓની સૂચિ, ખૂટતા કોષો કોઈ નહીં). 1) દરેક કૉલમ પાસ માટે વોલ્યુમ-વેઇટેડ વય પરિબળની ગણતરી કરો. 2) સંચિત પરિબળો શોધો. 3) ખાલી ખૂણો ભરો અને દરેક અકસ્માત વર્ષ માટે અંતિમ નુકસાનનો અંદાજ કાઢો. 4) ગણતરી કરો અને વળતરનો સરવાળો કરો (અંતિમ - ચૂકવેલ). દરેક મધ્યવર્તી પગલાને સ્ક્રીન પર છાપો; પુસ્તકાલય બનાવશો નહીં, મૂળભૂત પાયથોનનો ઉપયોગ કરો.
2) પદ્ધતિ સરખામણી:
એક્ચ્યુરીને સાંકળની સીડી અને બોર્નહ્યુટર-ફર્ગ્યુસન વચ્ચેનો તફાવત સમજાવો.- કઈ પરિસ્થિતિમાં વધુ વિશ્વસનીય છે?- નવા (અપરિપક્વ) અકસ્માત વર્ષોમાં BF શા માટે પસંદ કરવામાં આવે છે?- BF માટે જરૂરી 'અપેક્ષિત નુકસાન દર' હું કેવી રીતે નક્કી કરી શકું? કોષ્ટકમાં ગુણદોષનો સારાંશ આપો.
3) પરિબળ બુદ્ધિગમ્યતા તપાસ:
મારી પાસે નીચેના વય-થી-વયના પરિબળો છે: 1->2: 1.47; 2->3: 1.12; 3->4: 1.03; 4->5: 1,45. 4->5 પરિબળ અન્યની તુલનામાં વિચિત્ર લાગે છે.- આ જમ્પ (નિયમનકારી, મોટું નુકસાન, ડેટા ભૂલ) માટે સંભવિત કારણો શું હોઈ શકે?- ચકાસવા માટે મારે શું તપાસ કરવી જોઈએ? નિર્ણય લેવો; મને એક ચેકલિસ્ટ આપો.
4) અનિશ્ચિતતા અર્થઘટન:
મારી ચેઇન લેડર શ્રેષ્ઠ અનુમાન જોગવાઈ 42 મિલિયન TL છે, મેક સ્ટાન્ડર્ડ એરર 5.3 મિલિયન છે. મેનેજર અને રેગ્યુલેટરને હું આ કેવી રીતે સમજાવું?- 75% અને 99.5% સ્તરનો અર્થ શું થાય છે તે સાદી ભાષામાં સમજાવો.- હું 'સિંગલ નંબરને બદલે રેન્જ' સંદેશ કેવી રીતે આપી શકું?
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
મારા ઈનામની ગણતરી કરો.
ત્યાં કોઈ ત્રિકોણ નથી, કોઈ પદ્ધતિ નથી, કોઈ ડેટા નથી. AI અંતરને બંધબેસે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: બુકિંગ સહાયક. હું તમને સંચિત પેઇડ દાવાઓનો ત્રિકોણ (અનામી, મિલિયન TL) આપીશ:2021: [4.0, 6.0, 6.8, 7.0]2022: [4.4, 6.5, 7.3]2023: [4.8, 7.0]2024: [5.2]-વજન-તથ્ય પ્રમાણે, દરેકની ઉંમર પ્રમાણે ગણતરી show.2) ખાલી ખૂણો ભરો, દરેક વર્ષનું અંતિમ નુકસાન લખો.3) કુલ જોગવાઈની ગણતરી કરો (અંતિમ - ચૂકવેલ).4) 2024 ખૂબ નવું છે; તો સમજાવો કે શા માટે તમારો અંદાજ વધુ અનિશ્ચિત છે. મને મધ્યવર્તી નંબરો બતાવો જેથી હું તેને મેન્યુઅલી ચકાસી શકું. હું તમને જે ડેટા આપું છું તેનો જ ઉપયોગ કરો.
ત્રણ નાના કેસો
કેસ 1 - અપૂરતી જોગવાઈ. એક કંપનીએ તેના ઝડપથી વિકસતા ટ્રાફિક પોર્ટફોલિયોમાં છેલ્લા બે અકસ્માત વર્ષોની ગણતરી સીધી સાંકળની સીડી વડે કરી છે. નવા વર્ષના પરિબળો ઓછા હોવાથી, જોગવાઈ 31 મિલિયન TL અંદાજવામાં આવી હતી. જ્યારે એક્ચ્યુરીએ BF સાથે તપાસ કરી અને અપેક્ષિત નુકસાન દરનો ઉપયોગ કર્યો, ત્યારે વાસ્તવિક પ્રતિસાદ 44 મિલિયન TL હતો. એક વર્ષ પછી વાસ્તવિક નુકસાન સાથે 13 મિલિયનના તફાવતની પુષ્ટિ કરવામાં આવી હતી. પાઠ: નવા વર્ષોમાં, માત્ર સાંકળ સીડીને છેતરે છે.
કેસ 2 - દૂષિત પરિબળ. એક સહાયક એક્ચ્યુરીએ AI દ્વારા ઉત્પાદિત ત્રિકોણમાં 1.42 નું 3→4 પરિબળ જોયું; જ્યારે ઐતિહાસિક સરેરાશ 1.05 હતી. જો તે પ્રશ્ન કર્યા વિના પસાર થઈ ગયો હોત, તો પ્રતિભાવ લગભગ 30 ટકા વધ્યો હોત. તપાસમાં જાણવા મળ્યું છે કે ડેટા લોડિંગ ભૂલને કારણે બે અકસ્માત વર્ષ બદલાયા હતા. AI એ ભૂલ પેદા કરી નથી, પરંતુ તેણે તેની નોંધ લીધી નથી; એક્ચ્યુરીની વ્યાજબીતાની તપાસ પકડાઈ.
કેસ 3 - અનિશ્ચિતતાની સાચી રજૂઆત. એક જવાબદાર એક્ચ્યુરીએ મેનેજમેન્ટને માત્ર એટલું જ કહ્યું કે "જોગવાઈ 42 મિલિયન છે." મેનેજમેન્ટે આ નિશ્ચિત માન્યું અને નફો વહેંચ્યો. પછીના વર્ષે, જ્યારે વાસ્તવિક આંકડો 48 મિલિયન હતો, ત્યારે કટોકટી ઊભી થઈ. આગળની મુદત, એક્ચ્યુરીએ મેક અને બુટસ્ટ્રેપ સાથે શ્રેણી ઓફર કરી કે "શ્રેષ્ઠ અનુમાન 42 છે, પરંતુ 75% સ્તર 46 છે, 99.5% સ્તર 55 મિલિયન છે"; મેનેજમેન્ટે તે મુજબ નિર્ણય લીધો હતો. તેનાથી AI બુટસ્ટ્રેપ કોડ અને ચાર્ટ તૈયાર કરવામાં ઘણો સમય બચ્યો.
સામાન્ય ભૂલો
- અકસ્માતોના તાજેતરના વર્ષોમાં ફક્ત સાંકળની સીડીનો ઉપયોગ કરવો. ઓછો ડેટા એટલે અસ્થિર પરિબળ; BF સાથે સંતુલન.
- વિકાસના પરિબળોને વ્યાજબીતાના નિયંત્રણને આધીન નથી. એક ભ્રષ્ટ પરિબળ સમગ્ર પ્રતિભાવને ઉડાડી દે છે; ઐતિહાસિક પેટર્ન સાથે સરખામણી કરો.
- પારસ્પરિકને એક ચોક્કસ સંખ્યા તરીકે રજૂ કરવું. પ્રતિભાવ એક અનુમાન છે; અનિશ્ચિતતા શ્રેણી (મેક, બુટસ્ટ્રેપ) વિના તેને પ્રસ્તુત કરવું ભ્રામક છે.
- ચૂકવેલ અને અનુભૂતિ ત્રિકોણને મૂંઝવણમાં મૂકે છે. બે અલગ અલગ વસ્તુઓ માપે છે; એક આધાર પર સતત કામ કરો અથવા સભાનપણે બેની તુલના કરો.
- ફુગાવા અને નિયમનકારી વિરામને અવગણવું. ભૂતકાળમાં વિકાસની પેટર્ન ભવિષ્યમાં સમાન ન રહી શકે; માળખાકીય ફેરફારને પણ ધ્યાનમાં લો.
સારાંશમાં
અનામત એ ભવિષ્યની જવાબદારીનો વર્તમાન અંદાજ છે અને તે વીમા કંપનીની સૌથી મહત્વપૂર્ણ એક્ચ્યુરિયલ ગણતરી છે. ભૂતકાળની ચુકવણી પેટર્ન વિકાસ ત્રિકોણ સાથે જોવામાં આવે છે; સાંકળની સીડી વય-દર-વયના પરિબળો સાથે ખાલી ખૂણાને ભરે છે અને IBNR સહિત અંતિમ નુકસાન અને વળતરનો અંદાજ કાઢે છે. નવા વર્ષોમાં, BF વધુ સ્થિર છે; અનિશ્ચિતતા મેક અને બુટસ્ટ્રેપ દ્વારા માપવામાં આવે છે. AI ત્રિકોણમાં ભરે છે, કોડ લખે છે અને પદ્ધતિઓની તુલના કરે છે; પરંતુ પરિબળની પસંદગી, વ્યાજબીતાની તપાસ અને અંતિમ આંકડો જવાબદાર એકચ્યુરીના ચુકાદા અને હસ્તાક્ષર પર આધારિત છે.
એપ્લિકેશન કાર્ય
સંચિત પેઇડ દાવાઓનો એક અનામી લઘુ ત્રિકોણ બનાવો (4 અકસ્માત વર્ષ × 4 વિકાસ વર્ષ સુધી). AI ને સાંકળની સીડી વડે સમકક્ષ ગણતરી કરવા કહો. મેન્યુઅલી ઉંમર-દર-વયના પરિબળો અને 2 વર્ષનું અંતિમ ચકાસો. પછી AI ને પૂછો કે "BF એ સૌથી તાજેતરના વર્ષ માટે કેવી રીતે અલગ પરિણામ આપ્યું હશે" અને બે પદ્ધતિઓની તુલના કરો. સભાનપણે એક પરિબળને વિકૃત કરો (ઉદાહરણ તરીકે, કોષને 10 ગણો વધારવો) અને અવલોકન કરો કે AI નો પ્રતિભાવ કેવી રીતે બદલાય છે અને કેવી રીતે બુદ્ધિગમ્યતા તપાસ આને પકડી લેશે.
ચેકલિસ્ટ
- [ ] શું મેં ચૂકવેલ નુકસાન અથવા થયેલા નુકસાનના આધારે ત્રિકોણ સેટ કર્યું છે તે અંગે હું સુસંગત છું?
- [ ] શું મેં ઐતિહાસિક પેટર્ન સાથે વય-વયના પરિબળોની તુલના કરીને બુદ્ધિગમ્યતા તપાસી છે?
- [ ] શું મેં નવા/અપરિપક્વ વર્ષો માટે BF સાથે ક્રોસ-ચેક કર્યું છે?
- [ ] શું મેં પ્રતિભાવને એક નંબરને બદલે અનિશ્ચિતતા શ્રેણી સાથે રજૂ કર્યો છે?
- [ ] શું મેં સ્વતંત્ર રીતે અંતિમ નુકસાન અને પ્રતિ અંકગણિતની પુન: ગણતરી કરી છે?
- [ ] શું મેં મારા પરિબળની પસંદગી (સરેરાશ પ્રકાર, અવધિ) માટે લેખિતમાં સમર્થન આપ્યું છે?