CC BY
73
УДК 303.732.4
ПРОГНОЗИРОВАНИЕ РИСКОВ АВТОСТРАХОВАНИЯ КАСКО С ПРИМЕНЕНИЕМ СИСТЕМНОКОГНИТИВНОГО АНАЛИЗА
Луценко Евгений Вениаминович д. э. н., к. т. н., профессор
Кубанский государственный аграрный университет, Краснодар, Россия
Коржаков Валерий Евгеньевич к. т. н., доцент
Адыгейский государственный университет Адыгея, Россия
В статье описывается применение системнокогнитивного анализа и его программного инструментария системы "Эйдос" для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО и использования этой модели для прогнозирования сумм страховых выплат.
Ключевые слова: ПРОГНОЗИРОВАНИЕ РИСКОВ, Key words: PROGNOSIS OF RISKS, CAR АВТОСТРАХОВАНИЕ КАСКО, СИСТЕМНО- INSURANCE KASKO, SYSTEMIC-COGNITIVE
КОГНИТИВНЫЙ АНАЛИЗ СИСТЕМА "ЭЙДОС". ANALYSIS, SYSTEM “AIDOS”.
С одной стороны, существуют так называемые "факторы риска", которые несут для страховой компании информацию о том, что данный клиент попадает в определенные "группы риска", например, имеет повышенную вероятность совершения дорожно-транспортного происшествия (ДТП), причем не обязательно он при этом формально будет виновен в его совершении. С другой стороны, согласно действующему законодательству РФ, страховая компания не имеет права отказать клиенту в заключении страхового договора, т.е. в любом случае обязана заключить с ним такой договор. Страховая компания, стараясь создать для себя выгодные условия страхования, имеет право изменять расчетную стоимость страхового договора в зависимости от прогнозируемой величины риска и, соответственно, прогнозируемой суммы страховой выплаты.
UDC 303.732.4.
PROGNOSIS OF RISKS OF CAR INSURANCE KASKO WITH THE APPLICATION OF SYSTEMIC-COGNITIVE ANALYSIS
Lutsenko Evgeny Veniaminovich
Dr. Sci. Econ., Cand. Tech. Sci., professor
Kuban State Agrarian University, Krasnodar, Russia
Korzhakov Valery Evgenievich Cand. Tech. Sci., assistant professor
Adygh State University, Adygheya, Russia
Application of systemic-cognitive analysis and its programming set of instruments of the system “AIDOS” for synthesis of a semantic informational model, taking into account the influence of different factors on sums of insurance payments of car insurance KASKO and use of this model for prognosis of insurance payments sums is described in the article.
Однако информационные технологии, обеспечивающие подобное прогнозирование, доступны далеко не всем страховым компаниям, особенно не столичным (провинциальным). Тем же компаниям, которым они доступны, они часто доступны по неоправданно завышенной (монопольной) цене. Качество же прогнозирования при этом, как правило, оказывается значительно ниже, чем в столичных регионах. Это обусловлено двумя основными причинами, связанными с тем, что эти технологии созданы столичными разработчиками:
- на основе прецедентов из своих регионов, а в провинции зависимости между факторами риска и принадлежностью страховых случаев к группам риска отличаются, иногда весьма существенно, от имеющих место в столицах;
- они созданы достаточно давно и за это время в столь динамичной предметной области, как рынок автострахования, многое изменилось, в том числе и структурный состав автопарка, и подготовка и возраст водителей, и объективные условия вождения.
Эти две причины говорят о том, что для повышения эффективности использования столичных методик прогнозирования в провинции необходимы локализация этих методик к условиям конкретного региона и их периодическая адаптация для отслеживания динамики предметной области. Однако ни то, ни другое на практике в настоящее время не делается.
Поэтому основной проблемой, решаемой автостраховой компанией в провинции при заключении договора страхования КАСКО, является достоверное прогнозирование рисков страхования и сумм страховых выплат с целью определения прибыльной стоимости договора.
Авторами предлагается радикальное решение: не просить столичных разработчиков локализовать и периодически адаптировать их разработки, т.к. стоимость этих работ такова, что вполне может обанкротить практически любую провинциальную страховую компанию, а разработать собст-
венную эксклюзивную технологию, решающую эту проблему, тем более что для успеха этого начинания есть все необходимые предпосылки. В частности, уже созданы технологии применения системно-когнитивного анализа (СК-анализ) для прогнозирования рисков автострахования ОСАГО (андерайтинг) [13], прогнозирования рисков кредитования физических лиц (скоринг) [6-12], а также для прогнозирования в других областях [1-5]1, в частности экономике, психологии и педагогике, социологии, агрономии, причем, как правило, созданы совершенно или практически бесплатно.
Данная статья посвящена описанию технологии и методики синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО, и использования этой модели для прогнозирования самого факта необходимости выплат и конкретных величин сумм страховых выплат. Для решения поставленной проблемы использована уже хорошо отработанная и положительно зарекомендовавшая себя технология СК-анализа. Эта технология позволяет также периодически или по мере необходимости решать задачи локализации и адаптации методики прогнозирования.
Была использована база данных прецедентов по Краснодарскому краю, содержащая 7194 страховых случая, из которых 1506 не совершили ДТП, а 5688 совершили и по этим случаям были произведены различные страховые выплаты в сумме от 236 до 1000000 рублей. Эта база данных была получена официально для проведения научного исследования и не включает каких-либо данных, позволяющих идентифицировать личности участников (таблица 1).
Таблица 1 - ИСХОДНАЯ БАЗА ДАННЫХ СТРАХОВЫХ СЛУЧАЕВ (ФРАГМЕНТ)
№ Summa Stag Marka Marka model Color God vipuska
1 6000 39 ВАЗ 1111 Светло-серый (оттенки светло-серого и серебристого) 2003
2 7502,5 12 ВАЗ 2106 Красный (оттенки красного) 1987
1 http://ej.kubagro.ru/a/viewaut.asp?id=11 http://lc.kubagro.ru/aidos/
3 3830,45 39 ВАЗ 21099 Розовый (оттенки розового) 2000
4 3663,24 41 ВАЗ 2101 Хамелеон или несколько цветов без преобладания любого 2004
б 7018,04 38 ВАЗ 2107 Голубой (оттенки голубого) 2000
6 19845,62 28 ВАЗ 2106 Бордовый(оттенки бордового и вишневого) 2006
7 9953,65 8 ВАЗ 2106 Голубой (оттенки голубого) 1986
8 35778,82 13 ВАЗ 2106 Красный (оттенки красного) 1996
9 6958,73 23 ВАЗ 2106 Тёмно-зеленый (оттенки тёмно-зеленого) 2000
10 38215,31 29 Москвич 412 Белый (оттенки белого) 1993
№ Summa Stag Магка Marka model Color God vipuska
11 269835,46 15 ВАЗ 2106 Белый (оттенки белого) 2000
12 73732 30 ВАЗ 2121 Хамелеон или несколько цветов без преобладания любого 2005
13 17844,35 30 ГАЗ 3302 Фиолетовый (оттенки фмолетового) 1980
14 14920,39 14 ВАЗ 2106 Красный (оттенки красного) 2002
15 91573 23 ВАЗ 2112 Розовый (оттенки розового) 2006
16 8233 30 ВАЗ 2106 Тёмно-Серый (оттенки тёмно-серого) 1999
17 6045,14 27 ГАЗ 3302 Синий (оттенки синего) 2000
18 3784 0 ВАЗ 2106 Бежевый (оттенки бежевого и светло-золотистого) 2000
19 28220,91 33 ГАЗ 3302 Тёмно-зеленый (оттенки тёмно-зеленого) 2000
20 13569,22 39 ГАЗ 3302 Синий (оттенки синего) 2000
21 7260,34 1 ВАЗ 2109 Бордовый(оттенки бордового и вишневого) 2000
22 23140 13 ВАЗ 2106 Сиреневый (оттенки сиреневого) 2000
23 54203,33 19 Ford FOCUS Бордовый(оттенки бордового и вишневого) 2000
24 16645,9 16 ВАЗ 2106 Сиреневый (оттенки сиреневого) 2000
25 65958,15 42 ВАЗ 2105 Светло-серый (оттенки светло-серого и серебристого) 2000
26 66615,08 18 ГАЗ 3110 Белый (оттенки белого) 2000
27 24678,41 19 ВАЗ 2106 Фиолетовый (оттенки фмолетового) 2000
28 13620,3 26 Volkswagen PASSAT Белый (оттенки белого) 2000
29 53805,1 3 Ford ESCORT Голубой (оттенки голубого) 2000
30 15188,87 30 ВАЗ 2110 Красный (оттенки красного) 2000
31 6876,12 25 ВАЗ 2106 Голубой (оттенки голубого) 2000
32 77103,24 35 ВАЗ 2107 Жёлтый (оттенки жёлтого и светлозолотистого) 2000
В качестве классов для прогнозирования были выбраны следующие (таблица 2).
Таблица 2 - СПРАВОЧНИК КЛАССОВ (ФРГАМЕ НТ)
Код Наименование
1 СОВЕРШИЛ ЛИ ДТП - НЕТ
2 СОВЕРШИЛ ЛИ ДТП - ДА
3 СУММА ВЫПЛАТЫ {0.00, 1000.00}
4 СУММА ВЫПЛАТЫ {1000.00, 2000.00}
б СУММА ВЫПЛАТЫ {2000.00, 3000.00}
6 СУММА ВЫПЛАТЫ {3000.00, 4000.00}
7 СУММА ВЫПЛАТЫ {4000.00, 5000.00}
8 СУММА ВЫПЛАТЫ {5000.00, 6000.00}
9 СУММА ВЫПЛАТЫ {6000.00, 7000.00}
10 СУММА ВЫПЛАТЫ {7000.00, 8000.00}
11 СУММА ВЫПЛАТЫ {8000.00, 9000.00}
12 СУММА ВЫПЛАТЫ {9000.00, 10000.00}
*** ***************************************************
996 СУММА ВЫПЛАТЫ {993000.00, 994000.00}
997 СУММА ВЫПЛАТЫ {994000.00, 995000.00}
998 СУММА ВЫПЛАТЫ {995000.00, 996000.00}
999 СУММА ВЫПЛАТЫ {996000.00, 997000.00}
1000 СУММА ВЫПЛАТЫ {997000.00, 998000.00}
1001 СУММА ВЫПЛАТЫ {998000.00, 999000.00}
1002 СУММА ВЫПЛАТЫ {999000.00, 1000000.00}
В качестве факторов, влияющих на вероятность совершения ДТП и величину ущерба были, выбраны следующие (таблица 3).
Таблица 3 - ФАКТОРЫ, ВЛИЯЮЩИЕ НА СУММЫ СТРАХОВЫХ ВЫПЛАТ ________________И ИХ ЗНАЧЕНИЯ (ФРАГМЕНТ)_____________
Код Наименование фактора и его значения
[ 1] СТАЖ ВОДИТЕЛЯ
1 СТАЖ ВОДИТЕЛЯ {0.00, 4.00}
2 СТАЖ ВОДИТЕЛЯ {4.00, 8.00}
3 СТАЖ ВОДИТЕЛЯ {8.00, 12.00}.
4 СТАЖ ВОДИТЕЛЯ {12.00, 16.00}
5 СТАЖ ВОДИТЕЛЯ {16.00, 20.00}
6 СТАЖ ВОДИТЕЛЯ {20.00, 24.00}
7 СТАЖ ВОДИТЕЛЯ {24.00, 28.00}
8 СТАЖ ВОДИТЕЛЯ {28.00, 32.00}
9 СТАЖ ВОДИТЕЛЯ {32.00, 36.00}
10 СТАЖ ВОДИТЕЛЯ {36.00, 40.00}
11 СТАЖ ВОДИТЕЛЯ {40.00, 44.00}
[ 2] МАРКА А/М
12 МАРКА А/М-.
13 МАРКА А/М-Alfa-Romeo.
14 МАРКА А/М-Asia.
15 МАРКА А/М-Audi.
*** ***************************************************
[ 3] МАРКА-МОДЕЛЬ А/М
83 МАРКА-МОДЕЛЬ А/М--.
84 МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-156
85 МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-2106.
86 МАРКА-МОДЕЛЬ А/М-Asia-2106.
87 МАРКА-МОДЕЛЬ А/М-Audi-100
88 МАРКА-МОДЕЛЬ А/М-Audi-2106.
89 МАРКА-МОДЕЛЬ А/М-Audi-80.
90 МАРКА-МОДЕЛЬ А/М-Audi-90.
91 МАРКА-МОДЕЛЬ А/М-Audi-A4.
92 МАРКА-МОДЕЛЬ А/М-Audi-A6.
93 МАРКА-МОДЕЛЬ А/М-Audi-A8.
*** ***************************************************
[ 4] ЦВЕТ А/М
482 ЦВЕТ А/М-не указан
483 ЦВЕТ А/М-Бежевый (оттенки бежевого и светло-золотистого).
484 ЦВЕТ А/М-Белый (оттенки белого)
485 ЦВЕТ А/М-Бордовый(оттенки бордового и вишневого).
486 ЦВЕТ А/М-Голубой (оттенки голубого)
487 ЦВЕТ А/М-Жёлтый (оттенки жёлтого и светлозолотистого)
488 ЦВЕТ А/М-Зеленый (оттенки светло-зеленого).
489 ЦВЕТ А/М-Коричневый (оттенки коричневого)
490 ЦВЕТ А/М-Красный (оттенки красного)
491 ЦВЕТ А/М-Оранжевый (оттенки оранжевого)
492 ЦВЕТ А/М-Розовый (оттенки розового)
Код Наименование фактора и его значения
493 ЦВЕТ А/М-Светло-серый (оттенки светло-серого и серебристого).
494 ЦВЕТ А/М-Синий (оттенки синего)
495 ЦВЕТ А/М-Сиреневый (оттенки сиреневого)
496 ЦВЕТ А/М-Тёмно-Серый (оттенки тёмно-серого)
497 ЦВЕТ А/М-Тёмно-зеленый (оттенки тёмно-зеленого)
498 ЦВЕТ А/М-Фиолетовый (оттенки фиолетового)
499 ЦВЕТ А/М-Хамелеон или несколько цветов без преобладания любог
500 ЦВЕТ А/М-Чёрный
[ 5] ГОД ВЫПУСКА А/М
501 ГОД ВЫПУСКА А/М-Ог.в.
502 ГОД ВЫПУСКА А/М-1953г.в
503 ГОД ВЫПУСКА А/М-1954г.в
504 ГОД ВЫПУСКА А/М-1964г.в
*** ***************************************************
545 ГОД ВЫПУСКА А/М-2006г.в
546 ГОД ВЫПУСКА А/М-2007г.в
547 ГОД ВЫПУСКА А/М-2008г.в
548 ГОД ВЫПУСКА А/М-не указан
Страховые случаи, представленные в таблице 1, закодированы с использованием справочников из таблиц 2 и 3, в результате чего получена обучающая выборка, представленная в таблице 4.
Таблица 4 - ОБУЧАЮЩАЯ ВЫБОРКА (БАЗА ПРЕЦЕДЕНТОВ), ФРА
Код Наименование Коды классов Коды значений факторов
1 2 3 1 2 3 4 5 6
1 1 2 8 9 10 65 388 493 542
2 2 2 10 3 4 65 394 490 526
3 3 2 6 10 65 398 492 539
4 4 2 6 11 65 389 499 543
5 5 2 10 10 65 395 486 539
6 6 2 22 7 8 65 394 485 545
7 7 2 12 2 3 65 394 486 525
8 8 2 38 4 65 394 490 535
9 9 2 9 6 65 394 497 539
10 10 2 41 8 77 463 484 532
11 11 2 272 4 65 394 484 539
МЕНТ
ї2 ї2 2 76 8 65 406 499 544
їЗ їЗ 2 20 8 67 429 498 5ї9
ї4 ї4 2 ї7 4 65 З94 490 54ї
ї5 ї5 2 94 6 65 40ї 492 545
ї6 ї6 2 її 8 65 З94 496 5З8
ї7 ї7 2 9 7 67 429 494 5З9
ї8 ї8 2 6 ї 65 З94 48З 5З9
ї9 ї9 2 Зї 9 67 429 497 5З9
20 20 2 ї6 ї0 67 429 494 5З9
Формирование справочников классов (таблица 2), факторов и их значений (таблица 3) и обучающей выборки (4) производится из исходной базы данных (таблица 1) автоматически с применением стандартного программного интерфейса между системой "Эйдос" и внешней базой данных (рисунок 1).
h :\WINDOWSVs ystem3Z\cmd.exe
14:02744|
ПРОГРАММНЫЙ ИНТЕРФЕЙС ИМПОРТА ДАННЫХ ИЗ ОВР-ФАИЛА СТАНДАРТА проф. А.Н.ЛЕБЕДЕВА
=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИИ === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ===
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ (ВЫХОД ИЗ диалога - 0)
СУММАРНОЕ КОЛИЧЕСТВО ШКАЛ И ГРАДАЦИИ, СИМ: 1002 (кл) X 548 (пр)
Числовые
текстовые
ВСЕГО:
Кл ас с ифи каци он н ые
Шкалы Град. Гр/шк
1000 1000
2
1002
Описательные
Шкалы Град. Гр/шк
11
537
548
Прошло : 0: 0:46 Осталось: 0: 0:20 Генерация обучающей выборки
Рисунок 1 - Экранная форма одного из 7 стандартных программных интерфейсов системы ” Эйдос” с внешними базами данных
На рисунке 2 приводится экранная форма, объясняющая как пользоваться данным программным интерфейсом (Help).
После формализации предметной области с помощью приведенного программного интерфейса сразу осуществляется синтез семантической информационной модели (СИМ). В результате этой операции формируется частотное распределение страховых случаев по классам прогнозирования-
ми по значениям факторов. Нами это частотное распределение было проанализировано, в результате чего выяснилось, что оно крайне неравномерно: есть классы и значения факторов, встретившиеся в базе прецедентов сотни и даже тысячи раз, а есть встретившиеся менее десяти раз или даже вообще отсутствующие.
Рисунок 2 - Экранная форма HELP данного программного интерфейса системы "Эйдос" с внешними базами данных
Основным принципом выявления зависимостей в эмпирических данных, на котором основан СК-анализ, я является многопараметрическая типизация. При этом действительно существующие зависимости возможно отличить от случайных только при наличии некоторой статистики. Поэтому нами стандартными средствами системы "Эйдос", предназначенными для этой цели, были удалены из справочников все классы и значения факторов, встретившиеся менее 10 раз. При этом размерность справочников понизилась с 1002 х 548, до 95 х 181. После этого повторно была создана СИМ, которая затем была исследована на достоверность прогнозирования страховых случаев. В результате была получены следующие результаты (рисунок 3).
С' h:\WINDOWSVsystemJZ\cmd.exe _ " X
Универсальная когнитивная аналитическая система. 15:01 (с) НПГ
Подсистема анализа. Измерение адекватности семантической информационной модели
всего анкет физических (объектов расп-и выборки): 7194 логических:
% верно идентифицированных лог.анк: 85.114% Ошиб.не идент.лог.анк:
% верно не идентифицированных лог.анк: 67.980% Ошибочн.идент.лог.анк:
14521
14.886*
32.018
СОВЕРШИЛ ЛИ ДТП-НЕТ
Среднее Среднее
Достов. сходство сходство
идентиф. лог.анк. лог.анк.
лог.анк. правиль. ошибочно
Код с учетом отнесенных не отнесен
класса Наименование класса сходства к классу к классу
ШІ СОВЕРШИЛ ЛИ ДТП-НЕТ 0.831 0. 326 0. 211
|2 СОВЕРШИЛ ЛИ ДТП-ДА 1.787 2.317 0.270
з СУММА ВЫПЛАТЫ: {0.00, 1000.00} 0. 576 0.366 0.170
4 СУММА ВЫПЛАТЫ: {1000.00, 2000.00} 3.191 0.035 0.001
СУММА ВЫПЛАТЫ: {2000.00, 3000.003- 6.18 5 0.030 0.029
1 6 СУММА ВЫПЛАТЫ: {3000.00, 4000.00} 4.036 0.060 0.048
РІГенерация отчетаР2СортировкаРЗПечатьР4ПоискР8Расч.внешней валид.РЭУдал.классов
Рисунок 3 - Экранная форма режима измерения адекватности СИМ
Из рисунка 3 видно, что в среднем по всей выборке более 85 % страховых случаев были отнесены моделью к тем классам, к которым они действительно относятся, и при этом почти 68 % не были отнесены системой к классам, к которым они на самом деле и не относятся. Более подробные данные об адекватности модели приведены ниже.
Всего физических анкет: 7194 (100 % для п.15) Всего логических анкет: 14521
4. Средняя достоверность идентификации логических анкет с учетом сходства : 2.729 %
5. Среднее сходство логических анкет, правильно отнесенных к классу : 0.996 %
6. Среднее сходство логических анкет, ошибочно не отнесенных к классу : 0.162 %
7. Среднее сходство логических анкет, ошибочно отнесенных к классу : 0.615 %
8. Среднее сходство логических анкет, правильно не отнесенных к классу : 2.509%
9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 48.314 %
10. Среднее количество физических анкет, действительно относящихся к классу: 2593.172 (100 % для п.11 и п.12)
Среднее количество физических анкет, действительно не относящихся к классу: 4600.828 (100 % для п.13 и п.14)
Всего физических анкет: 7194.000 (100% для п.15)
11. Среднее количество и % логических анкет, правильно отнесенных к классу: 2207.159, т.е. 85.114 %
12. Среднее количество и % логических анкет, ошибочно не отнесенных к классу: 386.013, т.е. 14.886 %
13. Среднее количество и % логических анкет, ошибочно отнесенных к классу: 1473.071, т.е. 32.018 %
14. Среднее количество и % логических анкет, правильно не отнесенных к классу: 3127.647, т.е. 67.980 %
15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 36.046
16. Средневзвешенная эффективность применения модели по сравнению со случайным угадыванием (раз): 32.251
Особенно обратим внимание на то, что использование семантической информационной модели для прогнозирования повышает вероятность правильного отнесения страхового случая к классу, по сравнению со случайным угадыванием, более чем в 32 раза. Из статистики известно, что если эта вероятность выше случайной даже всего в 2,5 раза, то это уже позволяет с достоверностью 95 % утверждать, что в в модели выявлены реальные зависимости.
Это довольно высокие показатели адекватности модели, которые говорят о том, что:
- ее вполне оправданно применять на практике (в промышленном варианте);
- исследование этой модели можно с высокой степенью достоверности считать исследованием самой предметной области.
В частности, из созданной модели можно получить информацию о том, какие характеристики автотранспортного средства являются "факторами риска", а какие, наоборот, (рисунки 4 и 5).
С' h:\WINUOWS\syslemJ^Vcmd.exe
Универсальная когнитивная аналитическая система.
15:16 (с) НПП *ЭИДОС*
Подсистема типологического анализа. Информационный портрет класса:
1СОВЕРШИЛ ЛИ ДТП-НЕТ
АРКА-МОДЕЛЬ А/М АРКА-МОДЕЛЬ А/М-УАЗ-ЗЗОЗ
Наименование
признака
Инф-ть
(Бит)
МАРКА-МОДЕЛЬ А/М-УАЗ-ЗЗОЗ МАРКА-МОДЕЛЬ А/М-ЗИЛ-2106 МАРКА-МОДЕЛЬ A/M-Honda-2106 МАРКА-МОДЕЛЬ А/М-КамАЗ-2106 ГОД ВЫПУСКА А/М-2008Г.В. МАРКА А/М-ЗИЛ МАРКА А/М-УАЗ МАРКА-МОДЕЛЬ A/M-BMW-318 МАРКА-МОДЕЛЬ A/M-Ford-SIERRA МАРКА-МОДЕЛЬ A/M-Peugeot-206 МАРКА А/М-
0.66427
0.54424 0.51698 0.51698 0.51698 0.49305 0.39356 0.36320 0.33033 0.33033 0.32048
РІГенерация портретаР2Сорт.РЗПечатьР4ПоискР5ДиаграммаР6ФильтрацияР7Интерпретация
Рисунок 4 - Информационный портрет страхового случая "Не совершит ДТП” (без фильтра по видам факторов)
h:\WINDOWS\s ystem«\cmd.exe
Универсальная когнитивная аналитическая система.
15:16 (с) НПП *ЭИДОС*
Подсистема типологического анализа. Информационный портрет класса:
2СОВЕРШИЛ ЛИ ДТП-ДА
МАРКА-МОДЕЛЬ А/М
МАРКА-МОДЕЛЬ А/М-КамАЗ-53215 180/
■Наименование Инф-ть
[признака (Бит)
МАРКА-МОДЕЛЬ А/М-КамАЗ-53215 МАРКА A/M-Kia МАРКА A/M-VolV0 МАРКА-МОДЕЛЬ A/M-Daewoo-NEXIA МАРКА-МОДЕЛЬ A/M-Honda-ACCORD МАРКА-МОДЕЛЬ A/M-MitSUbi Shi-PAJERO МАРКА-МОДЕЛЬ А/М-МОСКВИЧ-2140 ГОД ВЫПУСКА А/М-1979Г.В. МАРКА-МОДЕЛЬ A/M-Hyundai-ACCENT МАРКА-МОДЕЛЬ A/M-Mazda-626 МАРКА A/M-DaeW00
0.19379
0.14279
0.14279
0.12962
0.11674
0.09179
0.08981
0.08536
0.07879
0.07879
0.07732
РІГенерация портретаР2Сорт.РЗПечатьР4ПоискР5ДиаграммаР6ФильтрацияР7Интерпретация
Рисунок 5 - Информационный портрет страхового случая "Совершит ДТП" (без фильтра по видам факторов)
В системе "Эйдос" имеются многообразные средства анализа СИМ, однако в данной статье мы их не рассматриваем, т.к. это подробно сделано
2
в других статьях и книгах [1-13] . Приведем лишь (рисунок 6) форму, позволяющую автоматически содержательно сравнить информационные портреты двух классов, приведенные на рисунках 4 и 5.
Рисунок 6 - Содержательное сравнение двух прогнозируемых классов
Основной вывод, который, как мы считаем, можно обоснованно сделать на основании данной статьи, состоит в том, что системнокогнитивный анализ и его программный инструментарий - система "Эй-дос" являются адекватным средством для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО и использования этой модели
2 http://ei.kubagro.ru/a/viewaut.asp?id=11 http://lc.kubagro.ru/aidos/
для прогнозирования сумм страховых выплат, и вполне могут быть применены для решения этих задач на практике.
Список литературы
1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
2. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". -Краснодар: КубГАУ. 2004. - 633 с.
3. Луценко Е. В., Коржаков В.Е. Интеллектуализация - генеральное направление
развития информационных технологий. Майкоп: Ежеквартальный реферируемый научный журнал «Вестник АГУ», 2006.-№1(20), с.242-244. Режим доступа:
http://vestnik.adygnet.ru/files/2006.1/98/lucenko2006 1 .pdf
4. Луценко Е. В., Коржаков В.Е. Прогнозирование уровня предметной обученно-
сти студентов путем СК-анализа данных об их социальном статусе. Вестник Адыгейского государственного университета: сетевое электронное научное издание, [Электронный ресурс]. - Майкоп: АГУ, 2007. - №21(1). - Режим доступа:
http://vestnik.adygnet.ru//files/2007.1/441/lutsenko2007 1.pdf
5. Луценко Е.В., Коржаков В.Е. АСУ вузом как самоорганизующаяся система. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. -№06(30). - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/08.pdf
6. Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность и идея решения) / Е.А. Лебедев // Научный журнал КубГ АУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №01(17). - Шифр Информреги-стра: 0420600012\0012. - Режим доступа: http://ej.kubagro.ru/2006/01/pdf/13.pdf
7. Лебедев Е. А. Прогнозирование кредитоспособности физических лиц на основе применения АСК-анализа (проблема исследования, ее актуальность и идея решения) / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №05(21). - Шифр Информрегистра: 0420600012\0106. - Режим доступа: http://ej.kubagro.ru/2006/05/pdf/06.pdf
8. Лебедев Е.А. Синтез скоринговой модели методом системно-когнитивного анализа / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0092. - Режим доступа: http://ej.kubagro.ru/2007/05/pdf/14.pdf
9. Лебедев Е.А. Исследование достоверности оптимизированной модели скорин-га путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели / Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №06(30). - Шифр Информрегистра: 0420700012\0107. - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf
10. Луценко Е.В., Лебедев Е.А. Определение кредитоспособности физических лиц и риска их кредитования. Ж-л Финансы и кредит, №32 (236), 2006. - Режим доступа: http://www.financepress.ru/mag06/fik0632.php
11. Луценко Е. В., Лебедев Е. А. Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эй-дос-Tree"). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008.
12. Луценко Е. В., Лебедев Е. А. Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008.
13. Луценко Е. В. Прогнозирование рисков ОСАГО (андерайтинг) с применением системно-когнитивного анализа / Е.В. Луценко, Н.А. Подставкин // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0096. - Режим доступа: http://ei.kubagro.ru/2007/05/pdf/08.pdf
