التعلم الآلي في مخصصات الخسائر
بقلم Jonas Mohamed Osman Abdelghafour
لم يتأخر تخصص المخصصات عن التسعير بسبب المحافظة. الأسباب هيكلية — وهي تخبرك بأي الطرق الجديدة ستنجح وأيها لن ينجح.
بقلم Jonas Mohamed Osman Abdelghafour.
تعليق على برنامج أوراق المخصصات لعام 2026 التابع للجمعية الاكتوارية للحوادث (CAS) حول المنهجيات والتقنيات المحسنة للمخصصات، وعلى مجموعة بيانات مخصصات الخسائر الموسعة Schedule P التي أصدرتها CAS في عام 2026. التفاصيل متاحة لدى CAS.
فتحت CAS برنامج أوراق بحثية لعام 2026 حول المنهجيات والتقنيات المحسنة للمخصصات، مشيرة إلى أن التكنولوجيا المتطورة جعلت النمذجة المحسنة أكثر عملية. كما قامت بتحديث مجموعة بيانات مخصصات الخسائر المشتقة من Schedule P لتشمل عشر سنوات حوادث إضافية عبر الخطوط الشخصية والتجارية الرئيسية لشركات تأمين P&C الأمريكية.
هذان الأمران معًا أكثر أهمية من أي منهما بمفرده. فالدعوة المنهجية بدون بيانات تنتج نظرية. والبيانات بدون دعوة تنتج تجارب متفرقة. كلاهما معًا هو كيف يتحرك التخصص فعليًا.
ولكن من الجدير طرح سؤال مسبق تلمح إليه الدعوة دون التصريح به: لماذا تأخر تخصص المخصصات عن التسعير بحوالي خمسة عشر عامًا في تبني التعلم الآلي؟ الإجابة ليست المحافظة، وفهم ذلك بشكل صحيح يخبرك بأي الطرق الجديدة ستنجح وأيها لن ينجح.
أربعة أسباب هيكلية لاختلاف المخصصات
1. وحدة الملاحظة ليست هي وحدة الاهتمام.
في التسعير، لديك مئات الآلاف من الوثائق، ولكل منها نتيجة. هذه مشكلة تعلم بإشراف (supervised learning) في شكلها الطبيعي.
في المخصصات، الوحدة التقليدية هي سنة الحوادث — ولديك ربما عشرين منها فقط. المثلث ليس مجموعة بيانات كبيرة. إنه عشرون ملاحظة مرتبطة ببعضها بشدة لعملية ما، مقدمة في شكل مصفوفة. تطبيق طريقة مصممة للأعداد الكبيرة (large-n) على شيء أعداده تقارب 20 ليس حذرًا محافظًا؛ بل هو حساب بسيط.
إن الانتقال إلى مخصصات المطالبات الفردية يغير هذا بشكل جذري، ولهذا السبب هو التطور الهيكلي الأكثر أهمية في هذا المجال. بمجرد أن تصبح الوحدة هي المطالبة، يصبح لديك مئات الآلاف من الملاحظات مرة أخرى.
2. الهدف لا يمكن ملاحظته.
تتنبأ نماذج التسعير بخسارة تحدث في النهاية ويمكن التحقق منها. تتنبأ نماذج المخصصات بالقيمة النهائية (ultimate) — وهي كمية لا تُلاحظ لسنوات، وبالنسبة للخطوط طويلة الأجل ربما لعقد أو أكثر.
هذا يكسر حلقة تطوير التعلم الآلي في أساسها. لا يمكنك التكرار بسرعة مقابل مجموعة تحقق لن توجد حتى عام 2034. يساعد الاختبار الخلفي (backtesting) مقابل المثلثات التاريخية، ولكن كل اختبار خلفي ملوث: فقد أثرت المخصصات التاريخية على معالجة المطالبات، وسلوك التسوية، وكفاية مخصصات الحالات التي ولدت البيانات التي تختبرها.
3. مخرج المخصصات هو بند في البيانات المالية.
نموذج التسعير الذي يخطئ ينتج أسعارًا غير مثالية، وفي النهاية تجربة مصححة. أما نموذج المخصصات الذي يخطئ فينتج ميزانية عمومية محرفة، وإعادة عرض للقوائم، وربما استنتاجًا رقابيًا سلبيًا. ويوقع الخبير الاكتواري المعين رأيًا عليه.
لذلك فإن التسامح مع غموض المنهجية أقل فعليًا، وبشكل مناسب. هيمنة السلم المتسلسل ليست قصورًا ذاتيًا — بل لأن السلم المتسلسل يمكن شرحه للمدقق في عشر دقائق وتدقيقه عن طريق إعادة التنفيذ في فترة ما بعد الظهر.
4. التغييرات في العملية تبطل البيانات.
تفترض طرق المخصصات أن الماضي يتنبأ بنمط التطور المستقبلي. كل تغيير في معالجة المطالبات، أو فلسفة مخصصات الحالات، أو استراتيجية التسوية، أو البيئة القانونية، أو مزيج المنتجات يكسر هذا الافتراض. يقضي خبراء اكتواريو المخصصات ذوو الخبرة الكثير من وقتهم في اكتشاف هذه الانكسارات والتكيف معها.
يتعلم نموذج التعلم الآلي المدرب على التطور التاريخي بيئة التشغيل التاريخية، بما في ذلك جميع ممارسات المعالجة. وسيقوم باستقراء نمط تسوية بثقة يكون قد انتهى بالفعل بسبب تغيير في استراتيجية المطالبات. يتطلب اكتشاف ذلك بالضبط الحكم الذي لا يستطيع النموذج توفيره — والأسوأ من ذلك، أن ثقة النموذج تحجب الحاجة إليه.
ما الذي ينجح فعليًا
بالنظر إلى تلك القيود، فإن الطرق التي اكتسبت مكانتها تشترك في خاصية مشتركة: أنها تضيف تفصيلاً أو هيكلاً دون التخلي عن الإطار الاكتواري.
مخصصات المطالبات الفردية. نمذجة التطور على مستوى المطالبة باستخدام خصائص المطالبة — نوع الإصابة، حالة التقاضي، الولاية القضائية، عمر المطالب، مسار العلاج. هذا يعالج مباشرة مشكلة الأعداد الصغيرة (small-n) ويسمح بنمذجة المحافظ غير المتجانسة دون فقدان ناتج عن التجميع. إنه التقدم الأكثر جوهرية في المجال وهو يقترن بشكل طبيعي باستخراج خصائص المطالبة المعتمد على LLM من الوثائق السردية، وهو ما تموله CAS أيضًا.
النماذج المختلطة والهرمية. التجميع الجزئي عبر القطاعات — استعارة القوة من القطاعات ذات الصلة مع السماح بوجود الاختلافات الحقيقية. هذا هو الحل المبدئي إحصائيًا لمشكلة المخصصات الدائمة المتمثلة في القطاعات الصغيرة جدًا بحيث لا يمكن نمذجتها بمفردها والمختلفة جدًا بحيث لا يمكن دمجها. تعكس دراسة CAS الأخيرة حول النماذج المختلطة العملية للخبراء الاكتواريين اعترافًا في وقته بأن هذا ينتمي إلى مجموعة الأدوات القياسية.
المخصصات العشوائية بنطاقات معقولة. ليست جديدة، ولكنها غير مستخدمة بشكل كافٍ. تطلب مجالس الإدارة والمنظمون بشكل متزايد نطاقات للمخصصات بدلاً من التقديرات النقطية، ويتطلب النطاق القابل للدفاع عنه نموذج عدم يقين صريح بدلاً من هامش تقديري.
التعلم الآلي للتشخيص بدلاً من التقدير. التطبيق الذي سأضعه في المقام الأول لمعظم الشركات: استخدام التعلم الآلي لاكتشاف التغييرات في عملية المطالبات، وتحديد أنماط التطور الشاذة، وتحديد القطاعات التي تنهار فيها افتراضات الطريقة التقليدية. النموذج لا ينتج المخصص — بل يخبر الخبير الاكتواري أين ينظر. هذا يعمل مع اتجاه القيود الأربعة بدلاً من العمل ضدها، وهو المكان الذي رأيت فيه باستمرار أفضل عائد في الممارسة العملية.
ما الذي تمكنه بيانات Schedule P الموسعة
تعد إضافة عشر سنوات حوادث إلى مجموعة بيانات CAS Schedule P مهمة لأسباب محددة.
نوافذ تطور أطول للخطوط طويلة الأجل. يتطلب اختبار طريقة مخصصات على المسؤولية التجارية ملاحظة التطور إلى شيء يقترب من النهائي. تحول عشر سنوات حوادث إضافية عدة خطوط من "غير كافية للتقييم" إلى "قابلة للتقييم".
الاختبار عبر الدورات. تتصرف طرق المخصصات بشكل مختلف في الأسواق المتشددة والمنفتحة، وفي التضخم المنخفض مقابل المرتفع. تسمح مجموعة البيانات التي تغطي المزيد من الدورات باختبار الطرق من حيث المتانة عبر الأنظمة المختلفة بدلاً من اختبارها داخل نظام واحد فقط — وهو بالضبط نمط الفشل الذي يبطل نماذج المخصصات في الممارسة العملية.
المقارنة المعيارية الحقيقية. تسمح مجموعة البيانات العامة المشتركة بمقارنة الطرق المتنافسة على بيانات متطابقة، وهي الآلية التي تحقق بها المجالات المنهجية تقدمًا فعليًا. وبدون ذلك، تبلغ كل ورقة عن نتائج قوية على بيانات ملكية لا يستطيع أي شخص آخر الوصول إليها.
تحذير واحد يستحق الذكر: Schedule P هي بيانات صناعة مجمعة. وهي ممتازة لاختبار سلوك الطرق ومقارنة النهج. ولا يمكن استخدامها لتطوير طرق مخصصات المطالبات الفردية، التي تحتاج إلى بيانات على مستوى المطالبة. إن الجبهة المنهجية الأكثر أهمية هي تلك التي لا يمكن لهذه المجموعة من البيانات دعمها بشكل مباشر.
خمس توصيات لفرق المخصصات
ابدأ بالتشخيص وليس التقدير. إن أسرع قيمة يمكن الدفاع عنها من التعلم الآلي في المخصصات هي اكتشاف تغيير العملية. ابنِ ذلك أولاً، وأثبته، ثم فكر في التوسع.
تعامل مع مخصصات المطالبات الفردية كبرنامج بيانات أولاً. الطريقة ليست هي القيد — جودة البيانات واتساقها وتاريخها على مستوى المطالبة هي القيد. تحتاج معظم الشركات إلى ثمانية عشر شهرًا من العمل على البيانات قبل أن يصبح سؤال النمذجة واقعيًا.
حافظ على تشغيل الطريقة التقليدية بالتوازي، إلى أجل غير مسمى. ليس كترتيب انتقالي، بل كرقابة دائمة. التباين الجوهري بين نموذج تفصيلي وسلم متسلسل هو معلومة، وتفقدها في اللحظة التي تتوقف فيها عن استخدام المعيار المرجعي.
وثق انكسارات الافتراضات بشكل صريح ودائم. يجب تسجيل كل تغيير في معالجة المطالبات، أو فلسفة مخصصات الحالات، أو استراتيجية التسوية مع تاريخه وتأثيره المتوقع، في سجل يحتفظ به فريق المخصصات. هذه هي المعرفة المؤسسية التي تجعل أي طريقة تنجح، وهي تخرج من الباب مع الموظفين ذوي الخبرة.
اجعل النطاق، وليس الرقم النقطي، هو المخرج الأساسي. الرقم الواحد يدعو إلى دقة زائفة ولا يوفر أي أساس لمناقشة عدم اليقين الذي يهم مجلس الإدارة فعليًا. هذا تغيير في التواصل أكثر منه تغييراً منهجياً، وقد طال انتظاره.
الخيط الناظم
الخيط الناظم في كل هذا هو أن مقاومة تخصص المخصصات للطرق الجديدة لم تكن أبدًا محافظة. بل كانت استجابة صحيحة لأربع ميزات هيكلية حقيقية للمشكلة.
الطرق التي تنجح الآن هي التي تعالج تلك الميزات مباشرة — التفصيل لحل مشكلة الأعداد الصغيرة، والهيكل الهرمي لحل مشكلة التقسيم، والتشخيص لحل مشكلة انكسار الافتراضات — وليست الطرق التي تستورد تقنية من التسعير وتأمل ألا تنطبق القيود.
هذا اختبار مفيد لأي طريقة مخصصات جديدة: أي من الأربعة تحل فعليًا؟
الوجبات الرئيسية
- تأخر تخصص المخصصات عن التسعير في تبني التعلم الآلي لأربعة أسباب هيكلية: حجم العينة الفعال الصغير، والأهداف غير الملحوظة، وعواقب البيانات المالية، وتغييرات العملية التي تبطل البيانات التاريخية.
- تعد مخصصات المطالبات الفردية التقدم الأكثر جوهرية لأنها تحل مباشرة مشكلة الأعداد الصغيرة، وتقترن بشكل طبيعي باستخراج خصائص المطالبة المعتمد على LLM.
- توفر النماذج المختلطة والهرمية حلاً مبدئيًا للقطاعات الصغيرة جدًا بحيث لا يمكن نمذجتها بمفردها والمختلفة جدًا بحيث لا يمكن دمجها.
- التطبيق المبكر الأعلى عائدًا للتعلم الآلي في المخصصات هو التشخيص — اكتشاف تغيير العملية وانهيار الافتراضات — بدلاً من التقدير.
- تمكن بيانات CAS Schedule P الموسعة من نوافذ تطور أطول، واختبار المتانة عبر الدورات، والمقارنة المعيارية الحقيقية، ولكنها لا يمكن أن تدعم تطوير مخصصات المطالبات الفردية.
الأسئلة الشائعة
لماذا يعتبر التعلم الآلي أقل رسوخًا في المخصصات منه في التسعير؟ لأن وحدة الملاحظة التقليدية في المخصصات تعطي حجم عينة فعال صغير جدًا، والكمية المستهدفة لا تلاحظ لسنوات، والمخرج هو بند في القوائم المالية موقع من خبير اكتواري، والتغييرات في معالجة المطالبات تبطل الأنماط التاريخية التي تتعلم منها النماذج. هذه قيود هيكلية وليست محافظة مهنية.
ما هي مخصصات المطالبات الفردية؟ نمذجة تطور الخسائر على مستوى المطالبة الفردية، باستخدام خصائص المطالبة مثل نوع الإصابة وحالة التقاضي والولاية القضائية، بدلاً من التجميع في مثلثات سنوات الحوادث. وهو يزيد بشكل كبير من حجم العينة الفعال ويسمح بنمذجة المحافظ غير المتجانسة دون فقدان التجميع.
هل يجب على الشركات استبدال السلم المتسلسل بطرق التعلم الآلي؟ بشكل عام لا يتم الاستبدال — بل التشغيل بالتوازي. تظل الطريقة التقليدية رقابة دائمة قيمة، والتباين بين نموذج تفصيلي وسلم متسلسل هو معلومة تشخيصية. تحصل معظم الشركات على قيمة مبكرة أكبر من استخدام التعلم الآلي لاكتشاف انهيار الافتراضات بدلاً من استخدامه لإنتاج التقدير.
Jonas Mohamed Osman Abdelghafour هو مؤسس Quantica Risk Model، التي تقوم ببناء نماذج المخصصات ورأس المال والتسعير لشركات التأمين وتوفر التحقق المستقل من النماذج. هذا المقال هو تعليق على برامج أبحاث CAS المتاحة للجمهور.