การประยุกต์ใช้การเรียนรู้ของเครื่องในการตรวจจับการเรียกร้องค่าสินไหมทดแทน ประกันภัยรถยนต์ที่ไม่มีการออกสำรวจภัย
คำสำคัญ:
วิธีนาอีฟเบย์, วิธีบูสต์ติงปรับได้, วิธีป่าสุ่ม, การคัดเลือกตัวแปรบทคัดย่อ
การประกันภัยรถยนต์มีการฉ้อฉลมากที่สุดเนื่องจากการเรียกร้องค่าสินไหมทดแทนที่ไม่มีการออกสำรวจภัย หรือเรียกว่า “เคลมแห้ง” ถือเป็นการอ้างสิทธิ์ที่จะนำไปสู่การฉ้อฉลและเกิดจากผู้เอาประกันภัยไม่ได้แจ้งรายละเอียดการเกิดเหตุที่ตรงกับความเป็นจริง การตรวจสอบการฉ้อฉลด้วยวิธีการแบบดั้งเดิมนั้นยากต่อการบริหารจัดการ งานวิจัยนี้ใช้การเรียนรู้ของเครื่องในการแก้ปัญหาข้างต้น ตัวแปรตามที่ใช้ในการศึกษาคือการเรียกร้องค่าสินไหมทดแทน (เคลมแห้ง, เคลมสด) วัตถุประสงค์ของการวิจัยประกอบด้วย 1) ค้นหาปัจจัยที่มีอิทธิพลต่อการเรียกร้องค่าสินไหมทดแทน 2) เปรียบเทียบประสิทธิภาพการทำนายของวิธีการคัดเลือกตัวแปรอิสระ 3 วิธี คือ ไม่มีการคัดเลือกตัวแปรอิสระ วิธีการถดถอยลอจิสติกทีละขั้น และวิธีต้นไม้ตัดสินใจ 3) เปรียบเทียบประสิทธิภาพการทำนายของ 3 อัลกอริทึม คือ วิธีนาอีฟเบย์ วิธีป่าสุ่ม และวิธีบูสต์ติงปรับได้ และ 4) เปรียบเทียบประสิทธิภาพการทำนายของอัลกอริทึมร่วมกับวิธีการคัดเลือกตัวแปรอิสระ ข้อมูลที่ใช้คือรายงานการเรียกร้องค่าสินไหมทดแทนประกันภัยรถยนต์ประเภท 1 จากบริษัทประกันภัยแห่งหนึ่งในประเทศไทย ปี 2564 ผลการศึกษาพบว่าลักษณะการเกิดเหตุ ภูมิภาคที่เกิดเหตุ อายุผู้เอาประกันภัย ประเภทการซ่อม ทุนประกันภัย และจำนวนเงินที่จ่ายรวมทั้งเคลม เป็นปัจจัยที่มีอิทธิพลต่อการเรียกร้องค่าสินไหมทดแทน การคัดเลือกตัวแปรอิสระด้วยวิธีต้นไม้ตัดสินใจมีประสิทธิภาพสูงสุด วิธีป่าสุ่ม วิธีบูสต์ติงปรับได้ และวิธีนาอีฟเบย์เป็นอัลกอริทึมที่มีประสิทธิภาพสูงสุดตามลำดับ และวิธีป่าสุ่มร่วมกับวิธีการคัดเลือกตัวแปรอิสระด้วยวิธีต้นไม้ตัดสินใจมีประสิทธิภาพสูงสุด
References
ชุลีกร แต่โศภาพงษ์. บทบาทของการใช้ข้อมูลเชิงวิเคราะห์ (Data Analytics) ในการตรวจสอบการฉ้อฉลในประกันภัย. วารสารประกันภัย 2558;127:9-14.
Belhadji EB, Dionne G, Tarkhani F. A Model for the Detection of Insurance Fraud. Geneva Pap Risk Insur Issues Pract 2000;25(4):517-38.
Roy R, George KT. Detecting insurance claims fraud using machine learning techniques. In: Proceeding of the 2017 International Conference on Circuit Power and Computing Technologies (ICCPCT), April 20-21, 2017, Kollam, India. Institute of Electrical and Electronics Engineers; 2017. p. 1-6.
สำนักงานคณะกรรมการกำกับและส่งเสริมการประกอบธุรกิจประกันภัย. สรุปผลแบบสำรวจความคิดเห็นต่อสภาวะความเสี่ยงและทิศทางการดำเนินธุรกิจประกันภัยปี 2565 (TIPeR). [อินเตอร์เน็ต]. 2565. [เข้าถึงเมื่อ 30 ธ.ค. 2565]. เข้าถึงได้จาก: https://www.oic.or.th/th/consumer/92762
Kowshalya G, Nandhini M. Predicting Fraudulent Claims in Automobile Insurance. In: Proceedings of the 2nd International Conference on Inventive Communication and Computational Technologies (ICICCT 2018), April 20-21, 2018, Coimbatore, India. Institute of Electrical and Electronics Engineers; 2018. p. 1338-43.
Moon H, Pu Y, Ceglia C. A Predictive Modeling for Detecting Fraudulent Automobile Insurance Claims. Theor Econ Lett 2019;9:1886-900.
กฤษณา ศักดิวรพงศ์. การฉ้อฉลในการใช้สิทธิเรียกร้องค่าสินไหมทดแทนในธุรกิจประกันวินาศภัย. วิทยานิพนธ์นิติศาสตรมหาบัณฑิต สาขาวิชานิติศาสตร์, จุฬาลงกรณ์มหาวิทยาลัย. กรุงเทพฯ; 2551.
พราวนภัส จันทร์วดี. นิติเศรษฐศาสตร์ว่าด้วยการฉ้อฉลประกันภัย: กรณีศึกษา คนเดินเท้าแกล้งก่ออุบัติเหตุเพื่อเรียกร้องค่าสินไหมทดแทน. การค้นคว้าอิสระศิลปศาสตรมหาบัณฑิต สาขานิติเศรษฐศาสตร์การค้าระหว่างประเทศ, คณะนิติศาสตร์และคณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์. ปทุมธานี; 2559.
Wang Y, Xu W. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud. Decis Support Syst 2018;105(1):87-95.
Simmachan T, Manopa W, Neamhom P, Poothong A, Phaphan W. Detecting Fraudulent Claims in Automobile Insurance Policies by Data Mining Techniques. Thailand Stat 2023;(in press).
Abdelhadi S, Elbahnasy K, Abdelsalam MA. Proposed model to predict auto insurance claims using machine learning techniques. J Theor Appl Inf Technol 2020;98(22):3428-37.
Aksoy S, Haralick RM. Feature normalization and likelihood-based similarity measures for image retrieval. Pattern Recognit Lett 2001;22(5):563-82.
Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In: Proceedings of the 32nd International conference on machine learning, July 7-9, 2015, Lille, France. PMLR; 2015. p. 448-56.
Mauša G, Galinac Grbac T, Bašić BD. Multivariate logistic regression prediction of fault-proneness in software modules. In: 2012 Proceedings of the 35th International Convention MIPRO, May 21-25, 2012, Opatija, Croatia. Institute of Electrical and Electronics Engineers; 2012. p. 698-703.
Tom M. Mitchell: Machine Learning. Burr Ridge 1997;45(37):870-7.
Patil TR, Sherekar S. Performance analysis of Naive Bayes and J48 classification algorithm for data classification. Int J Comput Sci Appl 2013;6(2):256-61.
ชาลิสา จิตบุญญาพินิจ, ปราลี มณีรัตน์, นิเวศ จิระวิชิตชัย การพัฒนาแบบจําลองการวิเคราะห์ความรู้สึกบนสื่อสังคมออนไลน์ไทยโดยใช้เทคนิคการเรียนรู้เชิงลึก. ว วิทย เทคโน หัวเฉียวเฉลิมพระเกียรติ 2565;8(2),8-18.
กมล บุษบา, มทนาลัย สุดสายสาคร, ภัณฑิรา เตชะพรสิน, สรัลพร โกมลทองทิพย์. การเปรียบเทียบการทำนายการต่ออายุกรมธรรม์ประกันภัยรถยนต์ ประเภท 1 ระหว่างตัวแบบป่าสุ่มและตัวแบบบูสต์ติงปรับได้. TSTJ 2564;10(2):124-34.
สุภัสสรา สมเจตนา, จารี ทองคำ. การเปรียบเทียบประสิทธิภาพเทคนิคเหมืองข้อมูลในการสร้างแบบจำลองเพื่อจำแนกความคิดเห็นของผู้ปกครองต่อการใช้สมาร์ทโฟนของบุตร. ววท มอบ 2564;23(1):21-30.
Vanishkorn B, Supanich W. Crash Severity Classification Prediction and Factors Affecting Analysis of Highway Accidents. In: Proceedings of the 9th International Conference on Advanced Informatics: Concepts, Theory and Applications (ICAICTA 2022), September 28-29, 2022, Tokoname, Japan. Institute of Electrical and Electronics Engineers; 2022. p. 1-6.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 วารสารวิทยาศาสตร์และเทคโนโลยี หัวเฉียวเฉลิมพระเกียรติ
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
