Chương 1. LÝ DO CHỌN ĐÈ TÀI Hiện nay xe ô tô ngày càng được sử dụng nhiều bởi những ưu thế so với các phương tiện vận tải khác, tuy nhiên bên cạnh đó vẫn còn tồn tại những nhược điểm trong quá trình di chuyển bằng ô tô. Đó là những thiệt hại do ô tô gây ra không hề nhỏ, phần lớn những tai nạn giao thông nghiêm trọng xảy ra đều có sự góp mặt của ô tô. Tai nạn giao thông đường bộ xuất hiện ở khắp mọi nơi không trừ một quốc gia nào ké cả những nước có hệ thống hạ tang giao thông hiện đại.
Ở nước ta, cùng với đà tăng lên về số lượng ô tô cũng là sự tăng lên của số vụ tai nạn giao thông đường bộ và mức độ thiệt hại. Các chủ xe luôn phải đối mặt với không ít những nguy cơ khác nhau trong quá trình vận chuyên như rủi ro về tài sản, về trách nhiệm pháp lý, về nguồn nhân lực,. Những rủi ro trên đã gây ra nhiều khó khăn cho chủ xe, gây mat mát tài sản, ngưng trệ quá trình sản xuất kinh doanh, anh hưởng lớn đến nguôn tài chính của họ. Một trong các biện pháp giúp chủ xe có thé giảm thiểu ton thất đó chính là mua bảo hiểm xe ô tô.
Việc mua bảo hiểm chính là việc chủ xe chuyền giao rủi ro của họ cho doanh nghiệp bảo hiểm và doanh nghiệp bảo hiểm sẽ có trách nhiệm bồi thường cho họ những ton thất thuộc phạm vi bao hiểm. Rui ro tai nan là rủi ro bất ngờ không thé biết trước do đó bảo hiểm 6 tô chính là tâm lá chăn đôi với chủ xe. Yêu cầu bồi thường bảo hiểm là một trong những yếu tố quan trọng trong lĩnh vực bảo hiểm. Mức độ nghiêm trọng của yêu cầu dé cập đến sé tiền phải chi để sửa chữa thiệt hại.
Số tiền yêu cầu bảo hiểm chịu ảnh hưởng của nhiều yếu t6. Trong ngành bảo hiểm, điều cần thiết là định giá sản phẩm trước khi biết chi phi của nó, cần có một phương pháp hiệu qua dé xác định rủi ro mà tài xế gây ra cho công ty bảo hiểm. Từ đó các công ty bảo hiểm sẽ điều chỉnh giá bảo hiểm một cách công bằng theo khả năng của người lái xe và thông tin cá nhân có liên quan, phù hợp với từng đối tượng khách hàng. MỤC TIÊU CUA DE TÀI Đề tài được viết với mục tiêu chính là ứng dụng các mô hình học máy nhằm dự báo khả năng xảy ra khiếu nại bảo hiểm ô tô đối với từng khách hàng, việc này sẽ hỗ trợ các công ty bảo hiểm đưa ra mức phí phù hợp cho mỗi khách hàng.
Mục tiêu cụ thé: - _ Xác định các yêu tô ảnh hưởng đên khả năng xảy ra khiêu nại 11190649 — Lê Thị Ngọc Anh 7 Chuyên đề thực tập chuyên ngành Toán Kinh Tế Thu thập và xử lý dữ liệu có sẵn nhằm giúp mô hình có kết quả khả quan nhất Phân tích thống kê và sử dụng các mô hình học máy dé đưa ra dự báo 1. DOI TƯỢNG VÀ PHAM VI NGHIÊN CỨU Dữ liệu bảo hiểm xe hơi hàng năm của một công ty bảo hiểm tại Mỹ được công khai tại trang web kaggle. PHƯƠNG PHÁP NGHIÊN CỨU Phương pháp định tính: Tìm hiểu bước đầu về nội dung nghiên cứu, tên dé tài và các tài liệu tham khảo liên quan đối với phần cơ sở lý thuyết thông qua sách báo, internet và tham khảo ý kiến cũng như các tài liệu nhận được từ giáo viên hướng dẫn nghiên cứu. Phương pháp định lượng: phân tích bộ dữ liệu, sử dụng mô hình học máy dé dự báo kết quả.
KET CẤU CHUYEN DE Ngoài chương mở dau, chuyên dé gồm 3 chương chính: Chương 2: Cơ sở lý luận và tổng quan nghiên cứu. Chương này sẽ giải thích các khái niệm về bảo hiểm ô tô và các thuật toán, mô hình được sử dụng trong đề tài. Bên cạnh đó là tóm tắt các nghiên cứu cùng chủ đề đã được thực hiện trước đây. Chương 3: Dữ liệu.
Tổng quan về dữ liệu, chi tiết các bước xử lý; phân tích dữ liệu, việc chạy các mô hình sẽ được trình bày trong chương này. Chương 4: chương cuối cùng sẽ trình bày kết luận chung và đưa ra một số khuyến nghị. 11190649 — Lê Thị Ngọc Anh 8 Chuyên đề thực tập chuyên ngành Toán Kinh Tế Chương 2. CƠ SỞ LÝ LUẬN & TONG QUAN NGHIÊN CUU 2.
CƠ SỞ LY THUYET Bảo hiểm là một thỏa thuận trong đó người tham gia thanh toán một khoản tiền theo quy định được gọi là phí bảo hiểm, công ty bảo hiểm đồng ý thanh toán cho chủ hợp đồng hoặc người thụ hưởng một số tiền xác định khi xảy ra một tốn thất cụ thé. Có hai nhóm ngành bảo hiểm: bảo hiểm nhân thọ và bảo hiểm phi nhân thọ. Đề tài này xem xét bảo hiểm phi nhân thọ, đặc biệt là bảo hiểm ô tô. Chủ phương tiện tìm đến các công ty bảo hiểm 6 tô dé mua bảo hiểm đề phòng trường hợp không may xảy ra tai nạn, họ có thé giảm thiêu các chi phí liên quan đến bảo hiểm cho tài sản (thiệt hại hoặc trộm cắp ô tô), trách nhiệm pháp lý (trách nhiệm pháp lý đối với người khác về y tế hoặc chỉ phí tài sản), và y tế (điều trị thương tích).
Yêu cầu bảo hiểm xảy ra khi chủ hợp đồng (khách hàng tạo một yêu cầu chính thức cho công ty bảo hiểm về bảo hiểm hoặc bồi thường một tai nạn. Công ty bảo hiểm phải xác nhận yêu cầu này và sau đó quyết định có thanh toán cho chủ hợp đồng hay không. Một số yếu tố quyết định báo giá bảo hiểm 6 tô. Những yếu tố này có thê xác định số tiền người lái xe sẽ trả cho hợp đồng bảo hiểm của họ.
TỎNG QUAN NGHIÊN CỨU Tam quan trọng của các chính sách bảo hiểm thanh toán theo khả năng lái xe đã được nhấn mạnh bởi Hultkrantz và cộng sự (2012), vì chúng cho phép các công ty bảo hiểm cá nhân hóa chi phí bảo hiểm cho từng khách hàng, do đó tỷ lệ phí bảo hiểm sẽ công bằng. Một số nghiên cứu đã được thực hiện dé cá nhân hóa ước tinh phí bảo hiểm, chang hạn như Guillen et al (2019) va Roel et al (2017), họ đã chứng minh những lợi ích có thé có của việc phân tích thông tin từ hệ thống Telematics khi xác định phí bảo hiểm ô tô. Khả năng dự đoán của các đồng biến thu được từ dữ liệu lái xe của hệ thống Telematics đã được điều tra bởi Gao & Wuthrich (2018) va Gao et al (2019) bang cách sử dụng bản đồ nhiệt tốc độ - gia tốc được đề xuất bởi Wuthrich (2017). Hiện tại, nhiều công ty bảo hiểm đang sử dụng các phương pháp học máy thay vì phương pháp tiếp cận thông thường, phương pháp này mang lại một cách toàn diện hơn dé tạo ra kết quả đáng tin cậy hơn.
Một nghiên cứu mới liên quan đến trí tuệ nhân tạo và tỷ suất lợi nhuận trong kinh doanh được thực hiện bởi MeKinsey & Company (Columbus 2017). Họ chỉ ra rằng các doanh nghiệp hoàn toàn chấp nhận các dự án trí tuệ nhân tạo đã tạo ra tỷ suất lợi nhuận cao hơn từ 3% đến 15%. 11190649 — Lê Thị Ngọc Anh 9 Chuyên đề thực tập chuyên ngành Toán Kinh Tế Có rất nhiều lý do dé các công ty bảo hiểm 6 tô triển khai các thuật toán học máy trong hoạt động kinh doanh của họ, vì chúng được sử dụng dé theo dõi hiệu suất của người lái xe và phân tích thị trường bảo hiểm. Một số bài báo đã thảo luận về vấn đề dự đoán trong lĩnh vực bảo hiểm bằng cách sử dụng các mô hình học máy, chăng hạn như Smith et al (2000), người đã thử nghiệm một số mô hình học máy như Decision Tree và Neural Networks dé đánh giá xem chủ hợp đồng có gửi yêu cầu bồi thường hay không.
Weerasinghe & Wijegunasekara (2016) đã so sánh ba phương pháp học máy dé dự đoán mức độ nghiêm trọng của khiếu nại. Phát hiện của họ cho thay yếu tố dự đoán tốt nhất là Neural Networks. Một ví dụ khác về giải pháp tương tự và thỏa đáng cho cùng một vấn đề là luận án “Research on Probability-based Learning Application on Car Insurance Data” (Jing et al 2018). Ho chỉ sử dung Bayesian network dé phân loại xác nhận quyền sở hữu hoặc không xác nhận quyền sở hữu.
Kowshalya & Nandhini (2018), dự đoán các khiếu nại gian lận và tính toán số tiền phí bảo hiểm cho các khách hàng khác nhau theo thông tin cá nhân của họ, các kĩ thuật học máy đã được sử dụng, ba bộ phân loại đã được sử dụng dé dự đoán các khiếu nại gian lận và các bộ phân loại này là các thuật toán Random Forest, J48 và Naive Bayes. Các phát hiện chỉ ra rằng thuật toán Random Forest hoạt động tốt hơn các thuật toán còn lại. Ngoài ra, một ví dụ về phân tích thị trường bảo hiểm là một mô hình dự đoán mức độ nghiêm trọng của yêu cầu bồi thường, cũng như số tiền cần thiết để sửa chữa hư hỏng của phương tiện (Dewi et al 2019). Ví dụ này thé hiện cách các nhà cung cấp bảo hiểm xem xét nhiều hình thức áp dụng học máy khác nhau cho dữ liệu khách hàng của họ.
Trong tác phẩm đã đề xuất một hệ thống (Singh và cộng sự 2019), hệ thống này lấy ảnh của chiếc xe bị hư hỏng làm thông tin đầu vào, sau đó dự báo chi phí sửa chữa. Pesantez-Narvaez và cộng sự (2019) sử dụng XGBoost và hồi quy Logistic để dự đoán tần suất yêu cầu bảo hiểm xe cơ giới. Nghiên cứu này cho thấy mô hình XGBoost tốt hơn một chút so với hồi quy Logistic, tuy nhiên họ đã sử dụng cơ sở dữ liệu chỉ bao gồm 2767 quan sát. Sau đó, một mô hình dự đoán yêu cầu bảo hiểm đã được phát triển (Abdelhadi et al 2020), họ đã xây dựng bốn bộ phân loại để dự đoán các xác nhận quyền sở hữu, bao gồm các thuật toán XGBoost, J48, ANN, Naive Bayes.
Kết quả cho thấy XGBoost hoạt động tốt nhất trong số bốn mô hình và họ đã sử dụng cơ sở dt liệu bao gồm 30240 quan sát. CÁC MÔ HÌNH, THUẬT TOÁN ĐƯỢC SỬ DỤNG 2. Logistic Regression 11190649 — Lê Thị Ngọc Anh 10 Chuyên đề thực tập chuyên ngành Toán Kinh Tế Hỏi quy tuyến tinh được sử dụng để ước tính mối quan hệ tuyến tính giữa một biến phụ thuộc và một tập hợp các biến độc lập. Tuy nhiên, hồi quy tuyến tính không phù hợp khi biến mục tiêu là nhị phân.