اکبر پیله ور سلطان احمدی

این مطالعه با هدف پیش بینی ذخایر خسارت های واقع شده ولی گزارش نشده، در رشته های مختلف بیمه ای، از مدل های یادگیری ماشین پیشرفته و تحلیل داده های سانسورشده و بریده شده استفاده کرده است. داده ها شامل اطلاعات تاریخ های وقوع و گزارش حادثه در پنج رشته بیمه ای، شامل ثالث مالی، بدنه، ثالث جانی و حوادث راننده، آتش سوزی و مسئولیت بوده و روش ها شامل رگرسیون خطی چندگانه (MLR)، مدل خطی تعمیم یافته (GLM)، مدل افزایشی تعمیم یافته (GAM)، جنگل تصادفی (RF)، شبکه عصبی (MLP) و حافظه کوتاه مدت و بلندمدت (LSTM) در دوره زمانی 1400 تا 1401 در شرکت بیمه ایران می باشند. با سانسور کردن و برش داده ها در مقاطع مختلف، بر حسب روزهای تعطیل، روزهای شلوغ سال و دوره های رونق ساخت و ساز، ویژگی های اثرگذار داده ها، براساس نوع رشته بیمه ای مدل سازی شد. نتایج نشان داد که مدل های LSTM و RF در پیش بینی تاخیرها عملکرد بسیار بهتری نسبت به مدل های خطی داشتند؛ به طور خاص، مدل RF در رشته های بدنه و ثالث مالی با خطا به ترتیب 64/10 و 02/11 و مدل LSTM با خطا به ترتیب 83/9 و 72/10، دقت بالاتری نسبت به سایر مدل ها داشته اند. این مدل ها در شناسایی الگوهای پیچیده موجود در داده ها توانمند بوده و نشان دادند که با توجه به تأثیرگذاری عواملی مانند تعطیلات آخر هفته ها و نوع ترکیب داده ها می توانند الگوهای پیچیده تری را در داده های بیمه ای شناسایی کنند. این نتایج تأکید دارد که مدل های LSTM و جنگل تصادفی به طور چشمگیری قابلیت بهبود دقت پیش بینی را دارا بوده و ابزار مناسبی برای ارزیابی ریسک و تخصیص بهینه ذخایر مالی در صنعت بیمه محسوب می شوند.

تمرکز صنعتی که یکی از خصوصیات ساختاری بخش کسب و کار است، به نحوه توزیع بازار بین بنگاه های تولیدی صنایع مختلف اشاره می کند. ازاین رو، این مطالعه تأثیر تمرکز جغرافیایی صنایع و ضریب جینی سطح تحصیلات (به عنوان شاخص کیفیت آموزشی) بر بهره وری نیروی کار بخش صنعت، در دوره زمانی 1390-1379 را به صورت استانی و با استفاده از داده های پانل پویا بررسی می کند.  ابتدا، شاخص های موردنظر محاسبه شده و نرخ رشد آن ها تجزیه وتحلیل شده است.. همچنین، استان های کشور برحسب درجه تمرکز صنایع و شکاف آموزشی رتبه بندی شده و درنهایت، مدل اقتصادسنجی به روش آرلانو و باند برآورد شده است. نتایج برآورد نشان می دهد که متغیر دستمزد سرانه نیروی کار بیشترین تأثیر را بر بهبود بهره وری نیروی کار بخش صنعت دارد. همچنین، درجه تمرکز صنعتی رابطه معنی دار و مثبتی با متغیر وابسته دارد. ضریب جینی آموزش نیز رابطه معنی دار و منفی با بهره وری نیروی کار دارد که نشان دهنده لزوم به کارگیری سیاست کاهش پراکندگی سطح تحصیلات نیروی کار برای بهبود بهره وری است.

بیمارستان ها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینه های سلامت را به خود اختصاص می دهند. شواهد حاکی از آن است که چشم انداز وسیعی برای ارتقاء و اعتلای منابع بیمارستان ها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدمات رسانی در حوزه سلامت را تا حد زیادی تضمین می نماید. هدف اصلی این مطالعه بررسی مدل های خطی (ARIMA) و غیرخطی (شبکه عصبیMLP) در پیش بینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازه های زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخش های مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکه ی عصبی مصنوعی مبتنی بر الگوریتم MLP، دارای عملکرد بهتری در پیش بینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیش بینی های دقیق تری نسبت به مدل ARIMA ارائه دهد. مدل شبکه عصبی MLP  با متوسط درصد خطای 96/24% نسبت به مدل ARIMA با متوسط درصد خطای کل 73/26% دارای قدرت پیش بینی بالایی می باشد. همچنین نتایج پیش بینی های بخش کودکان و نوزادان نشان می دهد که مدل خطی ARMA دارای قدرت پیش بینی بالاتری نسبت به مدل غیرخطی شبکه عصبی MLP می باشد که دلیل این ناسازگاری با فرضیه های تحقیق را می توان در واریانس پایین داده های این بخش جستجو کرد.