ذخیره‌سازی خسارتهای تصادفی برای بیمۀ عمومی با تاکید بر سطح خرد‎

شرکتهای بیمه‌ای در اظهارنامه‌های مالی اغلب از روش نردبان زنجیره‌ای برای پیشگویی ذخیرۀ خسارتها استفاده می‌کنند. روش نردبان زنجیره‌ای بر اساس داده‌های انباشته‌شده و سالهای توسعۀ ادعاها در مثلث تعهدات آتی است. این مثلث خلاصه‌ای از مجموعه‌داده‌های مربوط به ادعاهای تکی است. در این مقاله، از چارچوب فرایند پواسون نشان‌دار وابسته به وضعیت، و ابزارهای آماری برای پیشامد‌های بازگشتی در ادعاهای تکی برای روشی از ذخیره‌سازی تحت عنوان ذخیرۀ خسارتهای تصادفی سطح خرد استفاده می‌شود. جزئیات اطلاعات مربوط به زمان رخداد خسارت، زمان تاخیر در گزارش خسارت، زمانهای بین پرداختها و مقادیر پرداختهای صورت‌گرفته، و اطلاعات زمان تسویۀ نهایی ادعاها در محاسبۀ ذخیرۀ سطح خرد به‌ کار گرفته می‌شود. برای ارزیابی مدل جدید، مجموعه‌داده‌های مربوط به یک شرکت بیمۀ ایرانی در نظر گرفته شده‌ است؛ با استفاده از این مجموعه‌داده‌ها و شبیه‌سازی ذخیرۀ خسارتها با مدل سطح خرد، نشان داده شد که استفاده از مدل ذخیرۀ خسارتهای تصادفی سطح خرد، برآورد نزدیکی با مقدار واقعی ذخیرۀ خسارت مورد نیاز برای سالهای آتی دارد.

Stochastic Loss Reserving for General Insurance with Emphasis on MicroLevel

Insurance companies ‎usually use the chainladder method in their financial statements to predict loss reserves‎. ‎ The chainladder method is based on aggregated data and development years of claims in runoff triangles‎. ‎This triangle is a summary of an underlying dataset 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 microlevel 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 microlevel reserves‎. To validate the new model, ‎the  dataset from an Iranian insurance company is considered. Using this dataset and the simulation of microlevel stochastic loss reserving model, it was shown that the use of microlevel stochastic loss reserving model is a close estimate to the real value of the required loss reserve in the future years.