yasin ghasemi
-
پوشش بیمه سازمان تامین اجتماعی برای حرف و مشاغل آزاد به صورت اختیاری در سه نرخ 12، 14 و 18 درصد ارایه می شود اما نگاه به آمار نشان می دهد که تقاضای این بیمه نامه ها بسیار پایین است. این پژوهش با استفاده از داده کاوی و با به کارگیری دو الگوریتم یادگیری ماشین یعنی درخت تصمیم و جنگل تصادفی به بررسی مشخصه های خریداران این نوع بیمه نامه ها پرداخته و با ارایه یک مدل طبقه بندی، رفتار آن ها را پیش بینی می کند تا از این طریق به سازمان تامین اجتماعی در جهت بهبود مدیریت ارتباط با مشتری کمک کند. برای این منظور، از اطلاعات 1286174 نفر از خریداران انواع بیمه نامه های حرف و مشاغل آزاد سال 1399 استفاده شد که مشخصه های سن، جنسیت، متوسط درآمد ماهانه، میزان سابقه کار و نوع بیمه نامه خریداری شده را در بر می گیرد. نتایج به دست آمده نشان می دهند که زنان به طور عمده متقاضی بیمه نامه با نرخ 12 درصد هستند در حالی که مردان به دلیل بر عهده داشتن بار تکفل خانواده عمدتا تمایل به خرید بیمه نامه های با نرخ 14 و 18 درصدی دارند. همچنین، در مردان با افزایش سن، درآمد و سابقه، تقاضای بیمه های با نرخ 14 و 18 درصد افزایش می یابد، اما چنین روندهایی برای زنان وجود ندارد. طبق نتایج به دست آمده متغیرهای میزان سابقه کار و پس از آن جنسیت در انتخاب نوع بیمه نامه تعیین کننده هستند، به گونه ای که طبق پیش بینی مدل افراد با سابقه کار کمتر از 5/4 سال متقاضیان قطعی بیمه نامه 12 درصدی شناخته شده اند. با توجه به نتایج و انگیزه پایین زنان و جوانان برای انتخاب بیمه های با خدمات گسترده تر، سازمان تامین اجتماعی می-تواند ازطریق ارایه مشوق ها یا خدمات کوتاه مدت، جذابیت این نوع بیمه نامه با خدمات گسترده تر را در بین این گروه خاص افزایش دهد.
کلید واژگان: بیمه بازنشستگی حرف و مشاغل آزاد, سازمان تامین اجتماعی, داده کاوی, یادگیری ماشین, طبقه بندیThe pension coverage of the Iranian Social Security Organization for self-employed workers is offered at three contribution rates of 12, 14 and 18 percent, but looking at the statistics shows that the demand for these types of insurances is low. This research investigates the characteristics of these insured groups by using data mining and applying two machine learning algorithms, decision tree and random forest, and predicts their behavior by providing a classification model. This will help the Social Security Organization to improve customer relationship management. For this purpose, the information of 1286174 insured persons of self-employed in 2020 was used, which includes the characteristics of age, gender, average monthly income, the years of service, and the type of self-employed pension scheme. The obtained results show that women mainly apply for the scheme with 12 percent contribution, while men tend to be covered by schemes with contribution rates of 14 and 18 percent due to the burden of supporting the family. Also, for men, the demand for schemes of 14 and 18 percent increases with the increase of age, income and years of service, but there are no such trends for women. According to the obtained results, years of service and then gender are decisive in choosing the type of pension scheme in such a way that according to the prediction of the model, people with less than 4.5 years of service are known as definite applicants for 12 percent self-employed pension scheme.
Keywords: Pension Insurance of self-employed, Social Security Organization, Data mining, Machine learning, Classification -
در این پژوهش مدل گارچ-میداس با این هدف به کار گرفته می شود که کاستی مدل های گارچ، یعنی اتکا به تقارن در زمینه های تواتر داده ها را جبران کند. از همین روی، مزیت و افزوده این مدل به مدل های گارچ و دیگر مدل های سری زمانی، ترکیب داده هایی است که تواتر متفاوت دارند. بدین منظور، بازدهی سهام بر اساس ترکیبی از داده های روزانه با هفتگی، مدل سازی می شود. اما مدل کوانتایل نیز از جمله مدل های جدیدی است که در عوض تواتر متفاوت، بر کل توزیع تمرکز دارد و رگرسیون را بر اساس توزیع کل داده ها انجام می دهد و مبتنی بر خصوصیت توزیع نرمال نیست. مسیله تحقیق حاضر از همین تفاوت میان مدل گارچ-میداس و کوانتایل، شکل گرفت و سازمان دهی تحقیق بر اساس آن انجام شد. یافته های تحقیق نشان داد که مدل گارچ-میداس نسبت به مدل کوانتایل، برازش بهتری دارد و از قابلیت مدل سازی و پیش بینی بهتری برای نوسان در بازدهی سهام، برخوردار است.کلید واژگان: نوسان بازدهی, بازدهی سهام, مدل گارچ-میداس, مدل کوانتایل, پیش بینی نوسانThis research is carried out to the GARCH-MIDAS model which is used with the aim of compensating for the shortcoming of conventional GARCH models; i.e., relying on symmetry in data frequency. Therefore, the advantage of GARCH-MIDAS model to GARCH models and of course other time series models is the combination of data that have different frequencies. For this purpose, stock returns are modeled based on a combination of daily and weekly volatility. Besides, the Quantile model is also one of the new models that focuses on the entire distribution instead of different frequencies, thereby does regression based on the distribution of the entire data and is not based on the characteristic of the normal distribution. The problem of the current research was formed from this difference between Garch-Midas and Quantile model, and the organization of the research was formed based on it. After describing the problem and assumptions in the first chapter, a review of the theoretical and empirical literature of the research was carried out, and in the third and fourth chapters, the research model, its description and regression were estimated. The findings of the research showed that the Garch-Midas model has a better fit than the quantile model and has a better modeling and forecast capability for the fluctuation in stock returns.Keywords: : yield fluctuation, Stock returns, Garch-Midas model, Quantile model, Fluctuation prediction
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.