7. Bố cục luận văn
2.2. ĐÁNH GIÁ RỦI RO XE CƠ GIỚI
2.2.1. Khái niệm rủi ro
Rủi ro là khái niệm đầu tiên cần đề cập khi nói về bảo hiểm vì rủi ro và bảo hiểm gắn liền với nhau như hình với bóng, có rủi ro mới có bảo hiểm. Vậy rủi ro là gì?
Rủi ro là một điều không may mắn, không lường trước được về khả năng xảy ra, về thời gian và không gian xảy ra, cũng như mức độ nghiêm trọng và hậu quả của nó [6].
Rủi ro được xem là sự không may mắn, sự tổn thất mất mát về tài sản hay là sự giảm sút lợi nhuận thực tế so với lợi nhuận dự kiến. Rủi ro còn được hiểu là những bất trắc ngoài ý muốn xảy ra trong quá trình kinh doanh, sản xuất của doanh nghiệp, tác động xấu đến sự tồn tại và phát triển của một doanh nghiệp. Tóm lại, theo quan điểm này thì rủi ro là những thiệt hại, mất mát, hoặc các yếu tố liên quan đến nguy hiểm, khó khăn có thể xảy ra cho con người.
2.2.2. Khái niệm về đánh giá rủi ro
Mọi công việc đều tiềm ẩn những rủi ro trong đó. Chúng ta muốn công việc tiến hành một cách hiệu quả và an toàn thì nên tiến hành thực hiện công tác đánh giá rủi ro cho chính công việc đó.
Đánh giá rủi ro là quá trình tìm hiểu những rủi ro có thể và sẽ liên quan tới công việc của bạn. Hãy chỉ ra cụ thể những rủi ro có thể gặp. Xây dựng những biện pháp kiểm soát để thực thi công việc một cách hiệu quả nhất, an toàn nhất, nhằm tránh gây tai nạn cho con người, hư hại tài sản, thiết bị và tổn thương môi trường.
Đánh giá rủi ro là một trong những nhiệm vụ hết sức quan trọng trong công tác quản lý rủi ro. Có làm tốt công việc đánh giá rủi ro thì mới có thể thực hiện được công tác quản lý rủi ro. Đối với người khai thác bảo hiểm việc đánh giá rủi ro sẽ giúp họ quyết định có nhận bảo hiểm hay không, mức phí bao nhiêu. Nếu việc điều tra đánh giá rủi ro được thực hiện một cách đầy đủ, kỹ lưỡng, kết hợp với những công cụ, chương trình tính phí bảo hiểm thì cán bộ khai thác hoàn toàn có thể tính toán ngay được một cách chính xác tỷ lệ phí. Điều này giúp cho việc chủ động, nhanh chóng trong khai thác, tránh được tình trạng phải tham khảo, hỏi han, tốn kém mất thời gian.
2.2.3. Phạm vi bảo hiểm
Phạm vi bảo hiểm là phạm vi giới hạn những rủi ro mà theo thoả thuận nếu những rủi ro đó xảy ra thì nhà bảo hiểm sẽ chịu trách nhiệm bồi thường cho chủ phương tiện. Cũng như các nghiệp vụ bảo hiểm khác, bảo hiểm vật chất xe cơ giới cũng chỉ nhận bảo hiểm cho những rủi ro ngẫu nhiên, bất ngờ gây thiệt hại phần vật chất thân xe. Thông thường, những rủi ro được bảo hiểm bao gồm:
+ Tai nạn do đâm va, lật đổ;
+ Cháy, nổ, bão lụt, sét đánh, động đất, mưa đá; + Mất cắp toàn bộ xe;
+ Tai nạn do rủi ro bất ngờ khác gây nên.
2.2.4. Quy trình đánh giá rủi ro trong bảo hiểm xe cơ giới
Quy trình tác nghiệp đòi hỏi cán bộ thẩm định vừa phải có trình độ chuyên môn nghiệp vụ cao, vừa phải có nhiều kinh nghiệm thực tiễn. Kết quả đánh giá rủi ro tốt sẽ làm giảm thiểu chi phí bồi thường tổn thất đồng thời nâng cao hiệu quả trong khai thác bảo hiểm xe cơ giới [6][7].
Tại Công ty Cổ phần Bảo hiểm AAA tại Quảng Ngãi, việc phân tích và đánh giá rủi ro xe cơ giới được quy định thực hiện tối đa trong vòng 2 tiếng kể từ lúc nhận hồ sơ của khách hàng.
2.2.5. Các yếu tố ảnh hưởng đến rủi ro trong bảo hiểm xe cơ giới
Cùng với sự phát triển kinh tế của đất nước, số lượng xe ô tô ngày càng tăng mạnh trong khi cơ sở hạ tầng giao thông chưa phát triển theo kịp dẫn đến rủi ro tai nạn
giao thông ngày càng tăng. Bên cạnh đó, nhiều phương tiện tham gia giao thông không đáp ứng được yêu cầu kỹ thuật và ý thức chấp hành pháp luật của người điều khiển phương tiện chưa cao cũng là những nguyên nhân chính góp phần gia tăng tai nạn.
Mặt khác, mức độ rủi ro của xe cơ giới còn bị tác động bởi các yếu tố sau: - Mục đích sử dụng xe;
- Phạm vi địa bàn hoạt động; - Thời gian sử dụng;
- Độ tuổi, kinh nghiệm của lái xe.
2.3. PHÂN TÍCH HIỆN TRẠNG
2.3.1. Chỉ số trong lĩnh vực kinh doanh bảo hiểm xe cơ giới
Trong lĩnh vực kinh doanh bảo hiểm xe cơ giới, chúng ta cần quan tâm đến những chỉ số sau:
- Tổng doanh thu: Tổng số tiền thu về từ phí bảo hiểm.
- Bồi thường: Tổng số tiền chi trả cho khách hàng khi có tổn thất xảy ra.
- Hoa hồng: Số tiền phải trích lại cho môi giới hoặc đại lý. Theo quy định của Bộ Tài chính, số tiền hoa hồng cho nghiệp vụ là 7% doanh thu.
- Chi phí tiếp thị: Số tiền bỏ ra cho các hoạt động quảng cáo, hội nghị khách hàng… chi phí này chiếm 15% doanh thu.
- Chi phí quản lý: Số tiền để thanh toán các khoản chi phí cố định như điện, nước, văn phòng phẩm, lương nhân viên,… chiếm tỉ lệ là 20% tổng doanh thu.
Như vậy, lợi nhuận sẽ là số tiền còn lại sau khi lấy tổng doanh thu trừ các khoản chi phí nêu trên.
Bảng 2.1. Số liệu kinh doanh tại chi nhánh Quảng Ngãi
Thông số Năm 2012 Năm 2013 Năm 2014
Doanh thu 2.774.376.445 2.974.376.445 3.798.373.525 Bồi thường 1.979.779.201 1.895.379.001 1.783.179.423 Hoa hồng 106.206.750 195.250.770 231.830.142 Tiếp thị 306.156.467 306.156.467 407.093.843 Quản lý 306.156.467 345.745.725 701.276.973 Lợi nhuận 106.471.563 231.844.482 674.993.144
Bảng 2.2. Thống kê tình hình bồi thường tổn thất
Hồ sơ Năm 2012 Năm 2013 Năm 2014
Hợp đồng bảo hiểm 1075 1462 1824
Tổng hồ sơ bồi thường 505 562 657
Ta nhận thấy rằng tỉ lệ bồi thường tổn thất cao, nó sẽ là nguyên nhân trực tiếp ảnh hưởng đến lợi nhuận của toàn công ty. Vì thế, để tăng lợi nhuận thì phải đẩy mạnh doanh thu đồng thời giảm chi phí.
Để giảm chi phí xuống thì chúng ta phải làm tốt công tác đánh giá rủi ro để giảm thiểu chi phí bồi thường. Ngoài ra, phải tiết kiệm tối đa các khoản chi phí cố định, cắt giảm nhân sự…
Chính vì những lý do đó, việc sử dụng hệ thống trợ giúp đánh giá rủi ro trong bảo hiểm xe cơ giới sẽ giúp chi nhánh tiết kiệm được thời gian, nhân sự, hạn chế chi phí bồi thường góp phần tăng hiệu quả kinh doanh.
2.3.2. Giải pháp xây dựng hệ thống trợ giúp đánh giá rủi ro trong bảo hiểm xe cơ giới hiểm xe cơ giới
Với một khối lượng dữ liệu lớn về hoạt động kinh doanh trong bảo hiểm xe cơ giới trong các năm qua, chúng ta cần có một phương pháp phân tích dữ liệu một cách khoa học, trên cơ sở đó đưa ra những dự đoán về mức độ rủi ro của xe cơ giới. Từ đó, người quản lý sẽ cân đối được giữa doanh thu và bồi thường để đưa ra quyết định nhằm đảm bảo hiệu quả kinh doanh.
Giải pháp sử dụng cây quyết định rất phù hợp để xây dựng hệ thống trợ giúp đánh giá rủi ro trong bảo hiểm xe cơ giới. Nó có thể xử lý được khối lượng lớn dữ liệu với tốc độ tính toán nhanh. Việc học tập và phân loại của cây quyết định rất đơn giản, nhanh chóng và có độ chính xác cao.
2.4. ỨNG DỤNG RỪNG NGẪU NHIÊN MỜ 2.4.1. Phân tích dữ liệu 2.4.1. Phân tích dữ liệu
Có rất nhiều yếu tố ảnh hưởng đến tỉ lệ rủi ro trong bảo hiểm xe cơ giới như đã nêu ở trên. Tuy nhiên ở đây, chúng tôi chú trọng phân tích các tập thuộc tính với các yếu tố chính trong bảng dữ liệu sau:
- Thuộc tính Giới tính là loại thộc tính Nominal có giá trị [Nam: 1, Nữ: 0].
Thông thường khi mới lái xe (kinh nghiệm lái xe =< 3 năm), thì nguy cơ rủi ro của nữ thường là cao hơn so với nam.
- Thuộc tính Mục đích sử dụng là loại thộc tính Nominal có giá trị [kinh doanh:1 , không kinh doanh: 0, chuyên dụng: 2]
+ Xe kinh doanh: Là xe có cấp Giấy phép kinh doanh vận tải bằng xe ô tô, thường dùng trong các doanh nghiệp vận tải và chuyên chở khách…
+ Xe không kinh doanh: Là xe sử dụng cá nhân trong cá hộ gia đình, các doanh nghiệp tư nhân…
+ Xe chuyên dụng: Là xe sử dụng trong các lĩnh vực đặc thù như xe trong các cơ qua nhà nước, cứu thương, cứu hỏa…
- Thuộc tính Thời gian sử dụng là loại thuộc tính Numeric. Xe sản xuất càng lâu năm thì nguy cơ rủi ro càng cao.
- Thuộc tính Kinh nghiệm lái xe là loại thuộc tính Numeric. Nếu kinh nghiệm lái xe càng lâu năm, thì nguy cơ rủi ro càng thấp. Ngược lại kinh nghiệm lái xe càng ít thì nguy cơ rủi ro càng cao.
- Thuộc tính Bảo dưỡng định kỳ là loại thộc tính Nominal có giá trị [Có: 1,
Không: 0]. Nếu chủ xe thường xuyên bảo dưỡng, kiểm tra định kỳ, thì chắc chắn sẽ giảm thiểu được rủi ro.
- Thuộc tính Khu vực để xe là loại thộc tính Nominal có giá trị [Gara: 1,
Không: 0]. Đây cũng là yếu tố ảnh hưởng đến mức độ rủi ro của xe tham gia bảo hiểm. Vì nếu xe không có gara, thì nguy cơ va quẹt xe nơi đậu đỗ là rất cao
- Thuộc tính Số tiền bồi thường là loại thuộc tính Numeric. Là tỉ lệ % của số tiền bồi thường so với tổng phí bảo hiểm của năm trước đó. Nếu tỉ lệ này trên 50% có nghĩa là hợp đồng này trước đó có tại nang, đồng nghĩa với tỉ lệ rủi ro cao.
- Thuộc tính Phạm vi hoạt động là loại thộc tính Nominal có giá trị [Trong
tỉnh: 1, Ngoài tỉnh: 0]. Nếu xe hoạt động trên địa bàn càng rộng (ngoài tỉnh). Thì khả năng gặp rủi ro càng cao. Ngược lại nếu xe hoạt động trong tỉnh, thì nguy cơ rủi ro là thấp, thường chỉ va chạm vỏ xe là chủ yếu.
Trong đó:
+ Numeric: Là các giá trị số hay giá trị liên tục.
+ Nominal: Là các giá trị định danh hay giá trị không liên tục.
Các yếu tố trên chính là các tập thuộc tính, dựa vào tập thuộc tính này ta sẽ dự đoán giá trị cho thuộc tính đích Rủi ro. Đây là thuộc tính phân loại. Thuộc tính rủi ro có các giá trị [Thấp: 1, Trung bình: 2, Cao: 3].
Bảng 2.3. Mẫu dữ liệu 10 khách hàng
2.4.2. Mờ hóa dữ liệu
- Thuộc tính Giới tính, chúng tôi sử dụng hàm membership cho Nữ và Nam
lần lượt là a0(x) và a1(x) được xác định như sau:
0 1 0 ( ) 0 1 khi x a x khi x 1 1 1 ( ) 0 0 khi x a x khi x
-Thuộc tính Mục đích kinh doanh, chúng tôi sử dụng hàm membership cho
Không kinh doanh, Kinh doanh và Chuyên dụng lần lượt là b0(x), b1(x) và b2(x) được xác định như sau:
0 1 0 ( ) 0 1, 2 khi x b x khi x ; 1 1 1 ( ) 0 0, 2 khi x b x khi x ; 2 1 2 ( ) 0 0,1 khi x b x khi x
- Thuộc tính Phạm vi hoạt động, chúng tôi sử dụng hàm membership cho
Ngoại tỉnh và Trong tỉnh lần lượt là a0 và a1.
- Thuộc tính Bảo dưỡng định kì, chúng tôi sử dụng hàm membership cho
- Thuộc tính Khu vực đỗ xe, chúng tôi sử dụng hàm membership cho Không
có gara và Có gara lần lượt là a0 và a1.
- Thuộc tính Thời gian sử dụng, Số tiền bồi thường và Kinh nghiệm lái xe, mỗi thuộc tính chúng tôi phân thành 3 mức: Thấp, Trung bình, Cao.
+ Đối với mức Thấp, chúng tôi sử dụng hàm membership Z-shaped curve xác định như sau: 2 2 1 1 2 2 ( ) 2 2 0 khi x a x a a b khi a x b a zmf x x b a b khi x b b a khi x b
+ Đối với mức Trung bình, chúng tôi sử dụng hàm membership Gaussian curve xác định như sau:
2 2 ( ) 2 ( ) x m Gausmf x e
+ Đối với mức Cao, chúng tôi sử dụng hàm membership S-shaped curve xác định như sau: 2 2 0 2 2 ( ) 1 2 2 1 khi x b x a b c khi b x c b smf x x c b c khi x c c b khi x c
Từ phân tích dữ liệu của 1957 khách hàng chúng tôi ước lượng các tham số a, b và c của hàm zmf x( ) và smf x( ) như sau:
Thời gian sử dụng Số tiền bồi thường Kinh nghiệm lái xe
a 0 0 0
b 9.953 17.733 8.255
Ước lượng tham số m với của hàm Gausmf x( ) như sau:
Thời gian sử dụng Số tiền bồi thường Kinh nghiệm lái xe
m 9.953 17.733 8.255
3.178 11 2.648
Hình 2.1. Đồ thị của hàm membership
2.4.3. Xây dựng cây ngẫu nhiên mờ
Bước 1: Tạo mẫu bootstrap 1.
Bước 2. Tạo cây quyết định mờ với dữ liệu bootstrap 1.
Chọn ngẫu nhiên 3 thuộc tính trong 8 thuộc tính; ở đây ta chọn 3 thuộc tính sau: Giới tính, Phạm vi hoạt động, Kinh nghiệm lái xe.
Tính độ lợi thông tin cho 3 thuộc tính ta được:
f
G (S, Giới tính) = 0.4129
f
G (S, Phạm vi hoạt động) = 0.6030
f
G (S, Kinh nghiệm lái xe) = 0.3027
Phạm vi hoạt động có độ lợi thông tin lớn nhất nên được chọn làm nút góc để tách cây.
Bảng 2.4. Giá trị hàm membership của 10 dữ liệu khách hàng
Bảng 2.5. Mẫu bootstrap 1 của 10 khách hàng
Tiếp tục như trên cho đến khi điều kiện dừng được thỏa mãn ta sẽ được cây quyết định mờ.
2.5.4. Mô hình tổng quát
Hình 2.3. Mô hình tổng quát của Fuzzy Random Forest để phân lớp
2.4.5. Ước tính độ chính xác của mô hình
Ước tính độ chính xác của mô hình bằng cách sử dụng k-fold crops validation với k=10.
Tập dữ liệu ban đầu được chia ngẫu nhiên thành 10 tập con (fold) có kích thước xấp xỉ nhau S1, S2, …, S10. Quá trình học và kiểm tra dữ liệu được thực hiện 10 lần. Tại lần lặp thứ 10, S10 là tập dữ liệu kiểm tra, các tập còn lại hợp thành tập dữ liệu đào tạo go ̣i là R10
Độ chính xác là toàn bộ số phân lớp đúng từ 10 lần lặp chia cho tổng số mẫu của tập dữ liệu ban đầu.
Fold 1:
Hình 2.4. Fold 1 với CSDL 1957 bảng ghi của khách hàng
Fold 2:
Fold 10:
Hình 2.6. Fold 10 với CSDL 1957 bảng ghi của khách hàng
Độ chính xác của mô hình = trung bình độ chính xác của 10 foldhoặc đô ̣ chính xác của mô hình = tổng dự đoán chính xác của 10 fold / tổng số mẫu của dữ liệu ban đầu.
KẾT CHƯƠNG 2
Trong chương này, tôi đã phân tích hiện trang và các yếu tố ảnh hưởng đến rủi ro trong bảo hiểm xe cơ giới.
So sánh kết quả phân lớp giữa 2 thuật toán Random Forest và Fuzzy Random Forest. Phân tích đã trình bày chi tiết quá trình tính toán, chọn lựa các thuộc tính nhằm xây dựng một cây quyết định trực quan có khả năng phân loại đúng đắn tập dữ liệu cho trước để xây dựng hệ thống hỗ trợ đánh giá rủi ro trong bảo hiểm xe cơ giới.
Chương tiếp theo, chúng tôi sẽ trình bày phương pháp xây dựng, cài đặt và sau đó tiến hành kiểm thử ứng dụng.
CHƯƠNG 3
XÂY DỰNG VÀ THỬ NGHIỆM ỨNG DỤNG 3.1. CHỨC NĂNG HỆ THỐNG
3.1.1. Phân tích yêu cầu
a. Biểu đồ ca sử dụng
Dựa vào các yêu cầu chức năng về hệ thống, ta có biểu đồ ca sử dụng tổng