عباس خندان

هدف: این مقاله به موضوع مهم گسترش پوشش بیمه بیکاری به مشاغل غیراستاندارد، خوداشتغالان و جوانان اختصاص دارد که مورد تأکید قانونی سازمان های بین المللی است. مرور آمار توصیفی نشان می دهد که در ایران در سال 1401 تنها حدود 7 درصد از بیکاران جویای کار تحت پوشش بیمه بیکاری قرار داشته اند، درحالی که نرخ پوشش بیمه بیکاری در کشورهای دیگر به ویژه در میان کشورهای توسعه یافته به مراتب بیشتر است.روش: به منظور امکان سنجی گسترش پوشش، ابتدا به دلیل حذف بسیاری از مشاغل از پوشش توسط قانونگذار استفاده می شود که عمدتاً نگرانی از بروز مشکل کژگزینی و کژمنشی ناشی از عدم تقارن اطلاعات است، سپس به صورت مروری به تلاش هایی پرداخته می شود که در اروپا برای گسترش پوشش بیمه بیکاری صورت گرفته اند.یافته ها: مرور تجربه اروپا در گسترش پوشش بیمه بیکاری نشان می دهد به دلایل ساختاری همچنان پوشش موثر پایین بوده و از این گذشته گسترش پوشش، بار مالی بسیار زیادی دارد. درواقع سیاست ها و اقدامات درون سیستمی برای گسترش پوشش بیمه بیکاری به این گروه ها موفق نبوده اند. در این راستا، برخی کشورهای اروپایی ناگزیر از بازار کمک گرفته اند و گسترش پوشش بیمه بیکاری به مشاغل غیراستاندارد، خوداشتغالی یا جوانان را به صورت مشارکت داوطلبانه فراهم آورده اند.نتیجه گیری: نتیجه مهم اینکه وقتی تعداد زیادی از کشورهای اروپایی باسابقه حدود صدسال در ارائه بیمه های بیکاری دولتی در گسترش پوشش بیمه بیکاری سنتی ناموفق بوده اند و ناگزیر بر انگیزه های شخصی و بازار تکیه می کنند، برای کشورهای درحال توسعه مانند ایران- که سابقه کمتری در اجرای بیمه بیکاری و توان و ظرفیت نهادی کمتری نیز برای نظارت و جلوگیری از کژمنشی و کژگزینی دارند، حتماً نیاز است بر مشارکت فردی و بازاری تکیه بیشتری داشته باشند، البته اگر تمایل به گسترش پوشش به مشاغل غیراستاندارد و خوداشتغالی دارند.

قیمت املاک تجاری برای صاحبان املاک، سرمایه گذاران بخش مسکن و بانک ها دارای اهمیت ویژه است و ممکن است بیانگر بازده سرمایه گذاری های آن ها باشد. از طرف دیگر، افزایش قیمت املاک آثار رفاهی، اقتصادی و اجتماعی زیادی نیز به دنبال دارد و از این نظر نیز همواره مورد توجه سیاست گذاران و برنامه ریزان بوده است؛ اما بررسی قیمت املاک تجاری موضوعی پیچیده است؛ زیرا املاک کالاهایی چندوجهی هستند و متغیرهای متعدد محیطی، فیزیکی و اقتصادی بر قیمت آن ها تأثیر می گذارند. این مقاله با کنار هم قرار دادن یک مدل هدانیک از متغیرهای محیطی و فیزیکی تأثیرگذار و یک سری از متغیرهای اقتصادی، تلاش می کند بررسی جامعی از عوامل تأثیرگذار بر قیمت املاک تجاری انجام دهد. برای این منظور، منطقه ثامن شهر مشهد به عنوان مورد مطالعه انتخاب شد که به دلیل ویژگی های ساختاری، مذهبی و فرهنگی، بعضاً اختلاف قیمتی جالب توجه نسبت به سایر مناطق مشهد دارد و در داخل این منطقه نیز اختلاف کیفی و قیمتی زیادی بین املاک تجاری وجود دارد. در این راستا، یک نمونه تصادفی از 161 ملک تجاری در منطقه ثامن مشهد انتخاب شدند و با استفاده از مدل رگرسیون حداقل مربعات معمولی (OLS)، تأثیر هر یک از عوامل مختلف محیطی و فیزیکی و اقتصادی بر قیمت این املاک در سال 1402 بررسی شد. نتایج به دست آمده نشان می دهد میزان اجاره ملک، نوع سند، فاصله تا حرم مطهر، فاصله تا پارکینگ عمومی و طبقه استقرار ملک در مراکز خرید از مهم ترین متغیرهای تأثیرگذار بر قیمت املاک تجاری هستند.

هدف: شناسایی و طبقه بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت های بیمه، ایجاد توازن در پرداختی حق بیمه و طراحی استراتژی بازاریابی. روش شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز ساده و رگرسیون لجستیک به منظور طبقه بندی مشتریان به دو دسته سود ده و زیان ده استفاده شده است. به این منظور از داده ها و اطلاعات تعداد 2897 بیمه نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده است. یافته ها: این مقاله نشان می دهد که با استفاده از روش های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می توان سود ده یا زیانده بودن آن ها را تا حدود مناسبی پیش بینی کرد. این مقاله نشان می دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می دهد. نتیجه گیری: می توان با استفاده از روش های یادگیری ماشین به درک مناسبی از مشخصه های مشتریان بیمه درمان و نیاز های آنها رسید. پیدا کردن جامعه هدف علاوه بر این که به افزایش سود شرکت بیمه منجر می شود می تواند با تمرکز بر خواسته های مشتریان به افزایش رضایتمندی آن ها نیز منجر شود.

توازن نقدی صندوق های بازنشستگی که بر تعادل بین منابع و مصارف تأکید دارد، یکی از اصول بنیادین حاکم بر نظام های تأمین اجتماعی است. ازجمله موارد اثرگذار بر منابع و مصارف سازمان تأمین اجتماعی تغییرات حدأقل مزد مشمولین قوانین کار و تأمین اجتماعی است که در اجرای ماده 41 قانون کار، همه ساله توسط شورای عالی کار تعیین و به عنوان موضوعی چالشی و مورد اختلاف میان اتحادیه های کارگری، کارفرمایان و مراجع قانونگذار است. افزایش حداقل دستمزد هم منابع حاصل از دریافت حق بیمه سازمان تأمین اجتماعی را افزایش داده و هم موجب افزایش مصارف این سازمان می شود و همیشه این پرسش مطرح بوده که در نهایت تغییرات حدأقل دستمزد چه تأثیری بر توازن نقدی این سازمان دارد. باتوجه به اهمیت موضوع، این مقاله به بررسی اثر افزایش حداقل دستمزد بر منابع حق بیمه، مصارف مستمری، و توازن نقدی صندوق تأمین اجتماعی در طی بازه ی سال های 1340 تا 1401 پرداخته و برای این منظور از مدل اقتصادسنجی سری زمانی خودرگرسیون با وقفه های تأخیری (ARDL) استفاده شده است. نتایج بدست آمده نشان می دهند که افزایش 10 درصدی حداقل دستمزد، منابع حق بیمه سازمان را به میزان 25.6 درصد، مصارف مستمری سازمان را به میزان 23 درصد افزایش می دهد و بر این اساس می توان گفت که مازاد نقدی سازمان به میزان 2.6 درصد بهبود خواهد یافت. این نتیجه که از مقایسه و اختلاف دو ضریب بدست آمده بار دیگر با برآورد رابطه مستقیم بین افزایش حداقل دستمزد و توازن نقدی بررسی گردید و طبق نتایج بدست آمده مشخص شد که افزایش 10 درصدی حدأقل مزد توازن نقدی صندوق تأمین اجتماعی را 3.3 درصد افزایش خواهد داد که مؤید نتیجه قبلی است. در این مطالعه همچنین جمعیت بیمه شده، جمعیت مستمری بگیر (تعداد پرونده مستمری بگیری)، نسبت پشتیبانی، تولید ناخالص داخلی، و متغیرهای دامی تحریم و جنگ مؤثر شناخته شدند.

هدف: این مقاله در نظر دارد تا با تجزیه و تحلیل داده های مرتبط با نیروی کار یک فروشگاه های زنجیره به پیش بینی ترک شغل نیروها و بررسی عوامل فردی و سازمانی (شغلی) موثر بپردازد.  روش شناسی: تعداد 17542رکورد اطلاعاتی منحصر به فرد شامل اطلاعات وضعیت فعالیت فرد (ادامه فعالیت یا ترک شغل) و 12 مشخصه فردی و شغلی در بازه زمانی آبان 1398 الی 1401 بکار گرفته شد و سپس به روش داده کاوی و با استفاده از الگوریتم های یادگیری ماشین درخت تصمیم و ماشین بردار پشتیبان (SVM) به پیش بینی ترک شغل نیروی کار در این فروشگاه زنجیره ای بصورت پایلوت در سراسر کشور پرداخته شد. یافته ها: نتایج بدست آمده نشان دادند که ویژگی ها و مشخصه های شغلی تأثیر بیشتری بر ترک شغل دارند. بطور مشخص، از بین ویژگی های مختلف تعداد جابجایی نیروها، سمت سازمانی (صف یا ستادی)، سنوات خدمت و ساعت کار بیشترین اهمیت و تأثیرگذاری را بر ترک شغل دارند. از میان مشخصه های فردی نیز مشاهده شد که ترک شغل در میان جوانان و افراد کمتر از 30 سال سن بیشتر است. بر اساس این ویژگی ها، مدل های ماشین بردار پشتیبان (SVM) با دقت 91 درصد و امتیاز-F1 بالای 90 درصد و الگوریتم درخت تصمیم نیز با دقت 83 درصد و امتیاز-F1 به همین اندازه از عملکرد مناسبی در دسته بندی و پیش بینی موارد ترک شغل برخوردار شدند. نتیجه گیری: می توان بر اساس مشخصه های فردی و شغلی و با استفاده از روش های داده کاوی و یادگیری ماشینی سیاست هایی در جهت حفظ و نگه داشت منابع انسانی تنظیم کرد که موجب کاهش هزینه ها و همچنین حفظ مزیت های رقابتی و پیشرفت و توسعه بنگاه خواهد شد.