类神经模糊模式.pptVIP

利用類神經模糊理論預測壽險保單早期失效之研究 朝陽科技大學 保險金融管理系 陳建勝、陳美菁、顏鳳妮 民國95年9月27日 研究動機 民國82年我國壽險公司全面開放，業務人員大量離職，促使壽險保單早期失效率惡化。 根據壽險公會統計資料發現，保單生效後兩年內的失效率最高，過高的保單早期失效率對於壽險公司衝擊最大。 財政部於85年實施「業務經營自律準則暨招攬體制改善計劃」實施至民國88年底止的統計數據顯示，以件數計算之壽險保單第十三個月與第二十五個月的失效率已明顯下降。 本研究根據影響壽險公司的保單早期失效之保戶等因素，利用模糊邏輯的規則庫及利用類神經網路的學習能力對各規則之重要性與參數之大小作調整，將可得到更接近真實狀況之分辨準則，進而更有效地預測保單失效的情況。 研究目的 本研究之研究目的為如何及早發現即將失效的保單，避免原有保戶因業務人員服務品質不佳或不當的話術之影響而輕易解約，將是壽險公司有效地維持高保單繼續率或降低保單失效率的積極方法 研究設計 本研究的樣本資料是以國內某一壽險公司2000年度新生效之長年期壽險契約，共計11,993筆。 為能充分瞭解壽險公司早期保單失效率過高之問題，本研究以第25個月內是否失效為依變數，並將影響保單失效率的可能因素分為保戶特性、保單特性、核保特性及業務員特性等四類 研究變數 變數選取 由於本研究所收集到的自變數多達32個，為避免不重要的變數影響模式之執行結果，故分別利用因素分析及文獻回顧的方式來選取變數。 在因素分析方面，共萃取出4個主成分，由於經因素分析粹取出的成分所包括的變數和本研究所定義的特性一致，因此沿用特性名稱，而不另對因素命名 而另一種變數選取方法則是採用過去文獻所提出的變數，經整理後共選出14個輸入變數來建構模式 因素分析萃取變數 文獻回顧所採用變數 邏輯特分析 本研究以邏輯特迴歸與類神經網路模式建構預測模式，但其實證結果顯示，不論從整體正確率、型I和型II誤差及誤判成本來評估，類神經網路和邏輯特迴歸的準確度都不高，表示兩種模式的預測能力皆不理想。 邏輯特迴歸和類神經網路區別效果不佳的原因為樣本資料夾雜強烈矛盾案例及邏輯特迴歸臨界值設定。 類神經模糊模式 模糊邏輯 模糊邏輯模式之建構即在利用“IF-THEN”規則建立輸入變數與輸出變數間之對應關係，但其輸出入變數並非數值變數而是利用術語來描述的語言變數。模糊邏輯是將人們決策思考的自然語言描述，轉換成數學模式演算法的應用科學(Von Altrock, 1996)，其包括三個主要的處理程序分別為：模糊化(fuzzification)、模糊邏輯推論(inference)和反模糊化(defuzzification)。 語言變數的模糊化 模糊化為將數值變數轉換為語言變數的過程。常用的標準歸屬函數分別為Λ型、Π型、Ζ型及S型等四種模式，本研究則採用Λ型、Ζ型及S型歸屬函數作為實證分析之用 本研究所使用的變數類型包括類別變數和數值變數，由於類別變數本身已是明確的情況，因此，僅針對數值變數予以模糊化。 推論機制的建構 推論機制是由一連串描述輸出入語言變數的IF-THEN規則所構成。 模糊邏輯推論的運算基本上包括對“IF”與“THEN”等兩部分的推論計算。 在類神經模糊的訓練過程中，會自動賦予每一規則一個權重(degree of support, DoS)，代表此規則相對於其他規則之重要性，權重值愈接近1表示規則觸動愈頻繁，即相對於其他規則之重要性愈高。 語言變數反模糊化 輸入變數在經過模糊化以及規則庫之推論後，輸出變數的每一個術語(term)會有其相對應的歸屬程度，而將規則推論的語言結論轉換到數值變數的過程則稱為「反模糊化(defuzzification)」。 由於本研究的輸出變數為保單失效與否，係屬於定性的決策，故選擇最大平均法做為反模糊化的方法。 模式預測能力之衡量 (1/3) Zweig and Campbell(1993)以接受者操作特徵曲線所包含的面積(area under receiver operating characteristic curve；簡稱AUROC)的大小來比較模式在不同臨界值下之分類結果，並評估分類模式的區別效果。 根據定義，明確度(specificity)表示正確分類有效保單之比率，敏感度(sensitivity)表示正確分類失效保單之比率，通常AUROC值介於0到1之間，愈大表示模式的區別效果愈佳 模式預測能力之衡量 (2/3) 就保單失效預測而言，將會失效的保單歸類為不會失效保單(即犯下型I錯誤)對保險公司的資金與業務品質之影響，遠較將會有效的保單歸類為會失效的保單(即犯下型II錯誤)之影響來的嚴重許多。 根據Boritz and Kennedy的定義，型