Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа

Игонина Татьяна Романовна; Кесельман Владимир Михайлович; Джиоева Мария Ивановна; Воронов Геннадий Борисович

doi:10.55186/2413046X_2026_11_5_67

УДК

368 519.86

ВАК

5.2.3

МОДЕЛИРОВАНИЕ ТАРИФНОЙ ПОЛИТИКИ СТРАХОВЫХ КОМПАНИЙ НА ОСНОВЕ КЛАСТЕРНОГО И РЕГРЕССИОННОГО АНАЛИЗА Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа

АА Аа

Опубликовано в Московский экономический журнал · Страницы 125–145 · Рубрика: Региональная и отраслевая экономика

DOI: https://doi.org/10.55186/2413046X_2026_11_5_67 · EDN: YQVDUI

Получено: 20.04.2026 Одобрено: 08.06.2026 Опубликовано: 09.06.2026 Язык публикаций: ENG

Авторы

ИГ

Игонина Татьяна Романовна

КЕ

Кесельман Владимир Михайлович

ДЖ

Джиоева Мария Ивановна

ВО

Воронов Геннадий Борисович

ИГ

Игонина Татьяна Романовна

Ученая степень: кандидат физико-математических наук

Федеральное государственное бюджетное образовательное учреждение высшего образования «МИРЭА – Российский технологический университет» доцент · Кафедра высшей математики · Россия · Москва

КЕ

Кесельман Владимир Михайлович

Федеральное государственное бюджетное образовательное учреждение высшего образования «МИРЭА – Российский технологический университет» доцент · кафедра высшей математики · Россия · Москва

ДЖ

Джиоева Мария Ивановна

Ученая степень: кандидат физико-математических наук

ВО

Воронов Геннадий Борисович

Ученая степень: кандидат технических наук

АННОТАЦИЯ

Цель исследования заключается в разработке методики формирования оптимальной стоимости страховых услуг на основе методов кластерного и регрессионного анализа. Актуальность работы обусловлена необходимостью повышения точности тарифной политики страховых компаний в условиях усиления конкуренции и роста неопределенности страхового рынка. В качестве факторов, определяющих стоимость страхового полиса, использованы процент урегулированных убытков и средняя сумма страховых выплат. Методологическую основу исследования составили методы многомерной статистики, иерархический кластерный анализ и эконометрическое моделирование. На основе стандартизированных данных выполнена кластеризация страховых компаний с использованием метода дальнего соседа и метрики «блок». Для каждой выделенной группы построены линейные и нелинейные регрессионные модели, описывающие зависимость стоимости полиса от ключевых показателей страховой деятельности. В результате анализа выявлены три устойчивых кластера страховых компаний, различающихся по структуре выплат и уровню урегулирования убытков. Установлено, что характер зависимости стоимости полиса от исследуемых факторов является неоднородным: для отдельных кластеров наилучшие результаты демонстрируют линейные модели, тогда как для других более высокой точностью обладают нелинейные зависимости. Полученные модели обеспечивают высокий уровень объясняющей и прогностической способности. Практическая значимость исследования заключается в возможности использования разработанного кластерно-регрессионного подхода для обоснования тарифной политики, прогнозирования стоимости страховых услуг и повышения эффективности управления страховым портфелем. Предложенная методика обладает универсальным характером и может быть адаптирована к различным видам страхования при наличии соответствующих статистических данных.

КЛЮЧЕВЫЕ СЛОВА

страхование, страховой полис, ценообразование, кластерный анализ, регрессионное моделирование, эконометрика, тарифная политика, прогнозирование

Текст

Текст (PDF)

Читать Скачать

1. Jamotton C., Hainaut D., Hames T. Insurance Analytics with Clustering Techniques. Risks. 2024; 12(9): 141. DOI:https://doi.org/10.3390/risks12090141.

2. Wilson A.A., Nehme A., Dhyani A., Mahbub K. A Comparison of Generalised Linear Modelling with Machine Learning Approaches for Predicting Loss Cost in Motor Insurance. Risks. 2024; 12(4): 62. DOI:https://doi.org/10.3390/risks12040062.

3. Boylan J., Meyer D., Chen W.S. A Systematic Review of the Use of In-Vehicle Telematics in Monitoring Driving Behaviours. Accident Analysis & Prevention. 2024; 199: 107519. DOI:https://doi.org/10.1016/j.aap.2024.107519.

4. Hodula M., Janků J., Časta M., Kučera A. On the Macrofinancial Determinants of Life and Non-Life Insurance Premiums. The Geneva Papers on Risk and Insurance. 2021. DOI:https://doi.org/10.1057/s41288-021-00249-z.

5. Meng S., Gao Y., Huang Y. Actuarial Intelligence in Auto Insurance: Claim Frequency Modeling with Driving Behavior Features and Improved Boosted Trees. Insurance: Mathematics and Economics. 2022; 106: 115–127. DOI:https://doi.org/10.1016/j.insmatheco.2022.06.001.

6. Henckaerts R., Côté M.-P., Antonio K., Verbelen R. Boosting Insights in Insurance Tariff Plans with Tree-Based Machine Learning Methods. North American Actuarial Journal. 2021; 25(2): 255–285. DOI:https://doi.org/10.1080/10920277.2020.1745656.

7. Zinyoro T., Aziakpono M.J. Performance Determinants of Non-Life Insurance Firms: A Systematic Review of the Literature. Cogent Business & Management. 2024; 11(1): 2345045. DOI:https://doi.org/10.1080/23311975.2024.2345045.

8. Bryzgalov D.V., Gryzenkova Yu.V., Tsyganov A.A. Consumer Limitations on the Digitalization of the Insurance Market and Ways to Overcome Them. Studies on Russian Economic Development. 2022; 33(5): 539–546. DOI:https://doi.org/10.1134/S1075700722050057.

9. Tulenty D.S. К вопросу об адекватности цен и маржинальности в ОСАГО. Имущественные отношения в Российской Федерации. 2020;(10): 40–51. DOI:https://doi.org/10.24411/2072-4098-2020-11002.

10. Clemente C., Guerreiro G.R., Bravo J.M. Modelling Motor Insurance Claim Frequency and Severity Using Gradient Boosting. Risks. 2023; 11(9): 163. DOI:https://doi.org/10.3390/risks11090163.

11. Poufinas T., Gogas P., Papadimitriou T., Zaganidis E. Machine Learning in Forecasting Motor Insurance Claims. Risks. 2023; 11(9): 164. DOI:https://doi.org/10.3390/risks11090164.

12. Usman F., Chan J.S.K., Makov U.E., Wang Y., Dong A.X.D. Claim Prediction and Premium Pricing for Telematics Auto Insurance Data Using Poisson Regression with Lasso Regularisation. Risks. 2024; 12(9): 137. DOI:https://doi.org/10.3390/risks12090137.

13. Deng M. Inference for the Parameters of a Zero-Inflated Poisson Model: Bayesian and Frequentist Approaches. Risks. 2024; 12(7): 104. DOI:https://doi.org/10.3390/risks12070104.

14. Siopi E., Poufinas T. Impact of Internal and External Factors on the Profitability and Financial Strength of Insurance Groups. International Advances in Economic Research. 2023; 29(3): 129–149. DOI:https://doi.org/10.1007/s11294-023-09873-y.

15. Xin X. Antidiscrimination Insurance Pricing: Regulations, Fairness and Practical Approaches. North American Actuarial Journal. 2024. DOI:https://doi.org/10.1080/10920277.2023.2190528.

16. Мхитарян В.С., Архипова М.Ю., Сиротин В.П. Эконометрика М.: ЕАОИ, 2008

17. Математическое моделирование аномальных доходностей криптовалют под воздействием инфоповодов / А. А. Сидоров, Т. А. Бурцева, Е. С. Дарда, О. Р. Параскевопуло // Московский экономический журнал. – 2026. – Т. 11, № 2. – С. 204-241. – DOIhttps://doi.org/10.55186/2413046X_2026_11_2_27. – EDN ZESDHX.

18. Сидоров, А. А. Сравнительный анализ двух комбинаторных методов вычисления математического ожидания наилучшего ранга в задаче о размещении / А. А. Сидоров, Р. У. Астафьев // Оптические технологии, материалы и системы (Оптотех - 2025) : Международная научно-техническая конференция, Москва, 08–12 декабря 2025 года. – Москва: МИРЭА - Российский технологический университет, 2026. – С. 1125-1131. – EDN ACIABJ.

19. Астафьев, Р. У. Имитационное моделирование сложных иерархических систем / Р. У. Астафьев // НАУКА XXI ВЕКА: ВЫЗОВЫ, СТАНОВЛЕНИЕ, развитие: сборник статей XXIV Международной научно-практической конференции, Петрозаводск, 24 ноября 2025 года. – Петрозаводск: Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.), 2025. – С. 287-291. – EDN QTROAE.

PDF Текст JATS XML

Председатель редколлегии

Фомин Александр Анатольевич

e-science@list.ru

Выпускающий редактор

Сямина Екатерина Игоревна

e-science@list.ru

761

загрузка

ГОСТ

Игонина Т. Р., Кесельман В. М., Джиоева М. И., Воронов Г. Б. Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа // Московский экономический журнал. 2026. №. 5. С. 125-145. DOI: https://doi.org/10.55186/2413046X_2026_11_5_67. EDN: YQVDUI. (дата обращения: 07.09.2026).

MLA

Игонина Татьяна Романовна, Кесельман В. М., Джиоева М. И., Воронов Г. Б.. "Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа." Московский экономический журнал 11.5 (2026): 125-145. DOI: https://doi.org/10.55186/2413046X_2026_11_5_67. EDN: YQVDUI.

APA

Игонина Т. Р., Кесельман В. М., Джиоева М. И., Воронов Г. Б. (2026). Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа. Московский экономический журнал, 11(5), 125-145. https://doi.org/10.55186/2413046X_2026_11_5_67 EDN: YQVDUI.

Chicago

Игонина Татьяна Романовна, Кесельман В. М., Джиоева М. И., Воронов Г. Б.. "Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа." Московский экономический журнал 11, no. 5 (2026): 125-145. https://doi.org/10.55186/2413046X_2026_11_5_67. EDN: YQVDUI.

WIKI

{{cite journal | author = Игонина Т. Р., Кесельман В. М., Джиоева М. И., Воронов Г. Б. | title = Моделирование тарифной политики страховых компаний на основе кластерного и регрессионного анализа | journal = Московский экономический журнал | year = 2026 | volume = 11 | issue = 5 | pages = 125-145 | doi = 10.55186/2413046X_2026_11_5_67 }} EDN: YQVDUI

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение