عباس راد

پیشینه و اهداف: یکی از چالش های مهم شرکت های بیمه تعیین نرخ بهینه بیمه نامه های اموال مانند خودرو و آتش سوزی است. اگر شرکت بیمه بتواند امکان وقوع خسارت را در یک بیمه نامه تشخیص دهد، تصمیمات مؤثر و بهتری در تعیین نرخ بیمه ، میزان تخفیف اختصاص یافته به بیمه نامه یا تصمیم گیری درباره تمدید آن بیمه نامه خواهد داشت. شرکت های بیمه و خبرگان رشته صدور و خسارت ، به دنبال روش های جدیدی برای ارزیابی ریسک مشتریان و بیمه نامه ها از طریق پیش بینی وقوع خسارات احتمالی در این رشته هستند. روش های سنتی مانند مدل های خطی عمومی (GLMs) غالباً در شناسایی الگوهای پیچیده در داده های بیمه ناکام اند. یادگیری عمیق با توانایی شناسایی روابط غیرخطی و الگوهای پیچیده می تواند این محدودیت ها را رفع کند. در این مقاله روشی برای بهبود عملکرد یادگیری عمیق با استفاده از تکنیک های رگرسیون عمیق ترتیبی ارائه شده است. رویکرد پیشنهادی ترکیبی از یادگیری عمیق و مدل های ترتیبی است. از شبکه های حافظه طولانی کوتاه مدت (LSTM)   برای مدل سازی داده های سری زمانی استفاده می شود. روش شناسی: در این مقاله از داده های 7 سال اخیر صدور و خسارت بیمه آتش سوزی شرکت بیمه البرز برای بررسی و پیش بینی خسارت در این رشته استفاده شده است. در این مقاله با تمرکز بر پیش پردازش داده ها و استخراج ویژگی های برتر برای ارائه بهترین نتیجه و پس از اعمال روش های مختلف استخراج ویژگی، در نهایت از مجموع 40 ویژگی، 20 ویژگی انتخاب و سپس با استفاده یادگیری عمیق آموزش داده شد. رویکرد پیشنهادی، ترکیبی از یادگیری عمیق و مدل های ترتیبی با استفاده از شبکه های حافظه طولانی کوتاه مدت (LSTM) برای مدل سازی داده های سری زمانی استفاده می کند. یافته ها : در این مقاله با بررسی روش های مختلف یادگیری ماشینی روی داده های صدور و خسارت شرکت بیمه ، این نتیجه به دست آمد که مدل رگرسیون عمیق ترتیبی نسبت به روش های سنتی عملکرد بهتری دارد. بهبود دقت پیش بینی، قابلیت اطمینان بالاتر و تأکید بر اهمیت ویژگی های زمانی از نتایج اصلی اند. نتیجه گیری: بهینه سازی فرایندهای ارزیابی ریسک و خسارت از طریق مدل های یادگیری عمیق می تواند به ارائه نرخ های حق بیمه دقیق تر و کاهش ضررهای ناشی از پرداخت های نامناسب منجر شود. همچنین، استفاده از این مدل ها می تواند به شرکت های بیمه کمک کند تا استراتژی های مدیریت ریسک بهتری اتخاذ کنند و فرایندهای کشف تقلب را بهبود بخشند. این موضوع به ویژه در بیمه های آتش سوزی، که خسارت های مالی سنگینی به همراه دارند، از اهمیت بالایی برخوردار است.

زنجیره تأمین هوشمند گندم به عنوان یکی از ارکان اصلی امنیت غذایی و توسعه پایدار دارای نقشی بی بدیل در ارتقای بهره وری، کاهش ضایعات و بهینه سازی مصرف منابع طبیعی بوده و استقرار موفق آن مستلزم شناسایی و مدیریت نظام مند چالش های زیست محیطی، اجتماعی و اقتصادی مؤثر بر فرآیند تحول دیجیتال در کشاورزی است. در پژوهش حاضر، با هدف شناسایی و اولویت بندی چالش های استقرار زنجیره تأمین هوشمند گندم در ایران، از ترکیبی از روش های پژوهش کیفی و تصمیم گیری چندمعیاره فازی بهره گرفته شد. ابتدا با استفاده از روش فراترکیب، چالش های اساسی از منابع علمی معتبر استخراج و سپس، با بهره گیری از روش دلفی فازی و اخذ نظرات خبرگان دانشگاهی، دولتی و صنعتی، این چالش ها اعتبارسنجی شدند. در ادامه، به روش فوکام فازی، اولویت بندی چالش ها بر اساس میزان اهمیت و تأثیرگذاری آنها صورت گرفت. نتایج پژوهش نشان داد که مصرف بالای انرژی، فقدان نظام های مؤثر بازیافت تجهیزات دیجیتال، کمبود شایستگی های دیجیتال و فناورانه در میان ذی نفعان، ضعف سیاست های حمایتی، هزینه های بالای فناوری های نوین و موانع ناشی از تحریم های بین المللی از جمله چالش های کلیدی و بازدارنده به شمار می روند. برای مواجهه مؤثر با این چالش ها، در سطح کلان، تشکیل «ستاد ملی کشاورزی هوشمند»، تدوین نقشه راه جامع، طراحی مشوق های مالی برای استفاده از انرژی های تجدیدپذیر، گسترش زیرساخت های ارتباطی و داده محور و تقویت تولید داخلی فناوری های کشاورزی پیشنهاد می شود. در سطح اجرایی نیز توسعه آموزش های مهارتی متناسب با فناوری های نوین، ایجاد مراکز تخصصی بازیافت تجهیزات دیجیتال، بهره گیری از مدل های اقتصادی نوآورانه نظیر «همه چیز به عنوان خدمت» و حمایت هدفمند از کسب وکارهای فناورانه کشاورزی ضرورت دارد. یافته های پژوهش حاضر می تواند ضمن ارتقای ادبیات علمی حوزه زنجیره تأمین هوشمند، مبنایی برای تدوین سیاست های دقیق، توسعه ظرفیت های فناورانه بومی و تحقق توسعه پایدار در زنجیره های تأمین کشاورزی کشور فراهم آورد.