ارزیابی ریسک تقلب در مزایای بیمۀ بیکاری سازمان تأمین اجتماعی

نوع مقاله: مقاله علمی - پژوهشی

نویسندگان

1 رییس موسسه آموزش عالی بیمه اکو/دانشگاه علامه طباطبایی

2 کارشناس ارشد آکچوئری سازمان تأمین اجتماعی (نویسندۀ مسئول)

چکیده

تقلب در حقوق و مزایای بیمۀ بیکاری همواره یکی از موضوعات حساس و مورد توجه در حوزۀ بیمه‌های اجتماعی است که طبق قوانین، جزو جرائم کیفری بوده و قابل پیگیری است. در حال‌ حاضر بهترین روش به منظور ارزیابی تقلب، کنترل آن در همان مراحل اولیۀ شکل‌گیری و به کمک اطلاعات تقلبهای کشف­شدۀ گذشته است. در این مقاله ابتدا مراحل استاندارد کنترل تقلب در تقاضاهای بیمه‌ای مورد بررسی قرار گرفته و سپس با توجه به وجود پایگاه دادۀ مناسب در خصوص مقرری­بگیران بیمۀ بیکاری سازمان تأمین اجتماعی، از دو روش داده‌کاوی شبکه‌های عصبی و درخت تصمیم به منظور یافتن الگوهایی مناسب استفاده شده است که می‌تواند به‌عنوان ابزاری سودمند همراه با کاهش قابل توجه در وقت و هزینه به ارزیابی به موقع تقلب در تقاضاهای بیمۀ بیکاری کمک کند. در فرایند مطالعۀ تجربی، این روشها بر روی داده‌های واقعی شامل اطلاعات 15983 تقاضای جدید و جاری مقرری بیمۀ بیکاری آزمایش و کارایی هر روش سنجیده شده است. روش شبکه‌‌های عصبی با دقت 88 درصد در ارزیابی صحیح متقلبانه یا عادی­بودن تقاضاها، بهترین کارایی را در مقایسه با روش درخت تصمیم با دقت 84 درصد در برداشته است. بر این اساس، مهم­ترین متغیرهای مؤثر بر تقاضاهای متقلبانه در روش شبکه­های عصبی به­ترتیب، متغیرهای شغل قبلی بیمه­شده، سابقۀ پرداخت حق بیمه، سن و در روش درخت تصمیم، متغیرهای محل جغرافیایی شعبه، جنسیت، و تعداد افراد تحت تکفل متقاضی هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Fraud Risk Evaluation of the Social Security Organizations' Unemployment Insurance Benefits

نویسندگان [English]

  • Atousa Goudarzi 1
  • Seyyed Javad Tabatabaee Manesh 2
2 Senior Expert
چکیده [English]

Unemployment Insurance (UI) fraud is an important topic in social insurances which is regarded by law as a penal offense. The best way for fraud evaluation is to prevent and control it at early steps, using previous unfolded fraud documents. In this paper, first of all, the fraud control diagram is depicted, then according to the existence of an appropriate database of social security of UI claimants, two modern data mining techniques have been used for data analysis. The Neural Networks and Decision Tree algorithms create models which have been used for evaluating UI benefits fraud. These obtained models will provide an appropriate opportunity for social insurance authorities to have better conceptual understanding and effective combat against all kinds of insurance fraud, clearly just on time. According to several empirical studies, two obtained models have been applied on real data of 15983 records including new and current UI claimants. The accuracy and efficiency of each model have precisely examined. Indicated results show that the Neural Networks model take the first place by 88% of accuracy and the second place is for Decision Tree model by 84% of accuracy. The most important predictors which build each model for fraud pattern recognition, consist of the insured’s previous occupation, paid premium record and age in Neural Networks and branch’s geographic location, gender and the numbers of sponsorships in Decision Tree.

کلیدواژه‌ها [English]

  • Fraud Risk
  • Unemployment Insurance
  • Data mining
  • Neural Networks
  • decision tree
  • Social security