İflas olasılığının genelleştirilmiş doğrusal modeller ve birleşik aktüeryal yapay sinir ağları için değerlendirmesi: Tamamlayıcı sağlık sigortası uygulaması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Aktuerya Bilimleri A.B.D, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: NERMİN ÖDÜL OKUNAKOL
Danışman: Başak Bulut Karageyik
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Fiyatlandırma, sigorta sektöründe, özellikle de risk değişkenlerinin kapsamlı bir şekilde dikkate alındığı sağlık sigortasında çok önemli bir rol oynamaktadır. Fiyatlandırmanın önemi, sağlıkla ilgili potansiyel olaylarla ilişkili mali yükü doğru bir şekilde değerlendirme ve tahsis etme kabiliyetinde yatmaktadır. Sağlık sigortası fiyatlandırması yaş, önceden var olan koşullar, yaşam tarzı seçimleri ve bölgesel sağlık hizmeti maliyetleri gibi çeşitli risk faktörlerini dikkate alır. Sigorta şirketleri, bu değişkenleri fiyatlandırma modeline dahil ederek, bir bireyin veya grubun sağlık hizmeti ihtiyaçlarını karşılamanın beklenen maliyetini yansıtan primler belirleyebilir. Ayrıca, doğru fiyatlandırma, sigortacıların riski etkin bir şekilde yönetmesine olanak tanıyarak primlerin beklenen talepleri karşılamaya yeterli olmasını ve aynı zamanda kârlılığı sürdürmesini sağlar. Sağlık sigortası poliçelerinin uygun şekilde fiyatlandırılmaması, daha yüksek sağlık riskine sahip bireylerin sigortaya kaydolma olasılığının daha yüksek olduğu ters seçime yol açabilir, bu da hasar maliyetlerinin artmasına ve sigortacı için mali kayıplara neden olur. Bu nedenle, risk değişkenlerine dayalı fiyatlandırma, sağlık sigortası piyasasının istikrarını ve sürdürülebilirliğini korumak için gereklidir ve sonuçta hem sigortacılara hem de poliçe sahiplerine fayda sağlar. Gelişmiş risk değerlendirmesi ve prim hesaplaması için sağlık sigortası alanında Genelleştirilmiş Doğrusal Modeller ve Makine Öğrenimi metodolojilerinin kullanılmasını amaçlanmıştır. Genellikle GLM'lere dayanan geleneksel aktüeryal yaklaşımlar, çeşitli risk faktörleri ve sigorta talepleri arasındaki ilişkiyi modellemek için sağlam bir temel oluşturmaktadır. Bunun yanı sıra, gelişmiş makine öğrenimi tekniklerinin ortaya çıkmasıyla birlikte, sağlık sigortası ortamında tahmin doğruluğunu artırma ve karmaşık modelleri yakalama fırsatı da artmıştır. Bu kapsamda, aktüerlerin sıklıkla sigorta ürünlerinin fiyatlamasında kullandığı GLM'e ek olarak farklı bir yaklaşımla GLM çıktıları makine öğrenmesi algoritmalarından yapay sinir ağlarına yerleştirilerek modelin tahmininin güçlendirilmesi hedeflenmektedir. Tez çalışmasına öncelikle GLM'lerin aktüerya bilimi ve sağlık sigortası alanındaki uygulamalarını vurgulayarak, kapsamlı bir GLM incelemesi ile başlanmaktadır. Daha sonra, GLM'lerin tahmin yeteneklerini tamamlamak ve genişletmek için makine öğrenimi algoritmalarından yapay sinir ağlarının entegrasyonu incelenerek birleşik aktüeryal yapay sinir ağları açıklanmıştır. Bu kapsamda, model ve algoritma birleşiminin, modellerin doğrusal olmayan ilişkileri, değişkenler arasındaki etkileşimleri nasıl etkili bir şekilde ele alabileceğini ve verilerdeki karmaşık kalıpları nasıl yakalayabileceği araştırılmaktadır. Önerilen yaklaşıma ilişkin analiz Türkiye'de faaliyet gösteren bir sigorta şirketine ait gerçek tamamlayıcı sağlık sigortası verisi kullanılarak gerçekleştirilmiştir. Çalışmada, öncelikle veri yapısına bakılmış ve veriyi modellemeye uygun hale getirmek için bazı düzenlemeler yapılmıştır. Hasar sayısına üst sınır belirlenmesi ve bazı sürekli değişkenlerin kategorize edilmesi bu düzenlemelere örnek olarak verilebilmektedir. Klasik risk modeli varsayımı altında, hem frekans hem de şiddet için Birleşik Aktüeryal Yapay Sinir ağları modeli oluşturulmuş ve Genelleştirilmiş Linear Model için anlamlı açıklayıcı değişkenler belirlenerek en uygun modeller saptanmıştır. Elde edilen GLM çıktıları yapay sinir ağları için girdi nöronları olarak, YSA'nın katmanlı yapısına uyum sağlaması sağlanmıştır. Böylece kapalı kutu model olarak adlandırılan yapay sinir ağlarının hem açıklanabilirliği arttırılmış hem de tahmin gücü yükseltilmiştir. Bu işlem frekans ve şiddet modelleri için ayrı ayrı yapılmıştır. Çalışmada ayrıca, tahmin doğruluğu, model yorumlanabilirliği ve dinamik sağlık verilerine uyarlanabilirliği açısından GLM-Makine Öğrenimi birleşiminin geleneksel GLM'lere karşı performansı da değerlendirilmiştir. Makine öğrenimi tekniklerinin yerleşik GLM metodolojileriyle bütünleştirilmesinin etkisinin ölçülmesinde, klasik GLM ile yapılan modelleme ve birleşik aktüeryal yapay sinir ağlarına bağlı tahmin edilen primler hasar tutarını karşılamaları yönünden iflas olasılıkları hesaplanarak karşılaştırılmıştır. Çalışmanın uygulama aşamasında ayrıca, makine öğreniminin aktüeryal iş akışlarına dâhil etmenin etkilerinin, hem teknik yönleri hem de sigorta sektöründeki pratik uygulanabilirliği göz önünde bulundurarak analiz gerçekleştirilmiştir. Çalışma, risk değerlendirme doğruluğunu artırmak ve sağlık sigortası sektöründe daha bilinçli karar verme süreçlerini teşvik etmek için gelişmiş modelleme yaklaşımlarının aksine birleşik aktüeryal yapay sinir ağlarının uygulanabilirliğini araştırmayı amaçlamaktadır.