ذخيره سازي خسارتهاي تصادفي براي بيمه عمومي با تأكيد بر سطح خرد

Stochastic Loss Reserving for General Insurance with Emphasis on Micro-Level

شركتهاي بيمه اي در اظهار نامه هاي مالي اغلب از روش نردبان زنجيره اي براي پيشگويي ذخيره خسارتها استفاده مي كنند. روش نردبان زنجيره اي بر اساس داده هاي انباشته شده و سالهاي توسعه ادعاها در مثلث تعهدات آتي است. اين مثلث خلاصه اي از مجموعه داده هاي مربوط به ادعاهاي تكي است. در اين مقاله، از چارچوب فرايند پواسون نشان دار وابسته به وضعيت، و ابزارهاي آماري براي پيشامدهاي بازگشتي در ادعاهاي تكي براي روشي از ذخيره سازي تحت عنوان ذخيره خسارتهاي تصادفي سطح خرد استفاده مي شود. جزئيات اطلاعات مربوط به زمان رخداد خسارت، زمان تاخير در گزارش خسارت، زمانهاي بين پرداختها و مقادير پرداختهاي صورت گرفته، و اطلاعات زمان تسويه نهايي ادعاها در محاسبه ذخيره سطح خرد به كار گرفته مي شود. براي ارزيابي مدل جديد، مجموعه داده هاي مربوط به يك شركت بيمه ايراني در نظر گرفته شده است؛ با استفاده از اين مجموعه داده ها و شبيه سازي ذخيره خسارتها با مدل سطح خرد، نشان داده شد كه استفاده از مدل ذخيره خسارتهاي تصادفي سطح خرد، برآورد نزديكي با مقدار واقعي ذخيره خسارت مورد نياز براي سالهاي آتي دارد.

Insurance companies ‎usually use the chain-ladder method in their financial statements to predict loss reserves‎. ‎ The chain-ladder method is based on aggregated data and development years of claims in run-off triangles‎. ‎This triangle is a summary of an underlying data-set related to the development of individual claims‎. This paper used ‎the framework of Position Dependent Marked Poisson Processes and statistical tools for recurrent events in individual claims for a method of reserve as a micro-level stochastic loss reserve‎. Detailed information concerning damage occurrence time‎s,‎ loss reporting delay times‎, intervals between payments, the values of their payments‎, ‎and the final settlement times of claims are used to calculate the micro-level reserves‎. To validate the new model, ‎the data-set from an Iranian insurance company is considered. Using this data-set and the simulation of micro-level stochastic loss reserving model, it was shown that the use of micro-level stochastic loss reserving model is a close estimate to the real value of the required loss reserve in the future years.