تحديث مخصصات الخسائر: من السلم المتسلسل إلى التعلم الآلي

بقلم Jonas Mohamed Osman Abdelghafour، خبير اكتواري وخبير في المخاطر الكمية.

تقع مخصصات الخسائر عند تقاطع الرقم الأكثر أهمية في الميزانية العمومية لشركة التأمين غير الحياة وأكثر ركن في الممارسة الاكتوارية إثارة للآراء. لقد غيّر العقد الماضي مجموعة الأدوات بشكل كبير — ولكنه لم يجعل الأساليب الكلاسيكية عتيقة، على عكس ما يروج له بعض المسوقين في المؤتمرات. ما تغير هو المكان الذي يجب أن تحتله كل طريقة في "هيكل" المخصصات، ومقدار المعلومات التي يمكن للخبير الاكتواري الحديث استخلاصها من البيانات التي تتجاهلها المثلثات التقليدية.

توضح هذه المذكرة الحالة الحالية للممارسة كما أستخدمها مع العملاء، بدءاً من طريقة السلم المتسلسل وصولاً إلى نماذج التعلم الآلي للمطالبات الفردية، مع التركيز على متى تكون كل منها قابلة للدفاع ومتى لا تكون كذلك.

لماذا لا يزال المثلث يفوز في معظم الأوقات

تظل طريقة السلم المتسلسل لـ Mack وأشباهها هي العمود الفقري للصناعة لسبب ما. فهي تتطلب القليل من البيانات، وتتسم بالشفافية، وتنتج متوسطاً وتباينًا تحت افتراضات محددة، والأهم من ذلك — أنها تجمع المعلومات التي تمتلكها الشركة فعلياً: المبالغ المدفوعة والمتكبدة حسب فترة التطوير. بالنسبة للخطوط ذات مزيج المطالبات وأنماط الدفع المستقرة إلى حد معقول، يصعب التغلب عليها في الأداء خارج العينة.

الاعتراضات الكلاسيكية معروفة جيداً. فالمثلثات تتجاهل المعلومات على مستوى المطالبة. وتفترض صيغة تباين Mack استقلالية سنة التقويم، وهو ما لا يتحقق أبداً تقريباً عندما يتجه التضخم نحو الارتفاع. وتفترض عوامل التطوير ضمناً أن مزيج المطالبات التي يتم تسويتها في كل فترة مستقر. كل واحدة من هذه الاعتراضات حقيقية، ولكن لا يبرر أي منها التخلي عن الطريقة — بل يبرر استخدامها كمعيار وتشخيص أين تؤثر افتراضاتها.

إن أي عملية مخصصات جادة أوافق عليها تتضمن دائماً تقديراً قائماً على المثلث. إنه الرقم الذي يمكن لكل مراجع ومدقق ومنظم إعادة إنتاجه، وهو الرقم الذي يجب على كل طريقة أكثر تعقيداً أن تبرر وجودها مقارنة به.

طريقة Bornhuetter-Ferguson وأين تستحق مكانتها

تقوم طريقة Bornhuetter-Ferguson (BF) بشيء واحد لا تستطيع طريقة السلم المتسلسل القيام به: فهي تسمح للخبير الاكتواري بحمل رؤية مسبقة (prior view) إلى سنوات الحوادث الحديثة غير الناضجة حيث لا يملك المثلث أي إشارة تقريباً. في الخطوط طويلة الأجل مثل المسؤولية العامة، حيث تحتوي فترة التطوير الأولى على جزء صغير من الخسائر النهائية، تمنع طريقة BF السلم المتسلسل من المبالغة في رد الفعل تجاه عدد قليل من المطالبات المبكرة الكبيرة أو الصغيرة.

هناك نمطان شائعان للفشل. الأول هو الرؤية المسبقة القديمة — حيث تم تحديد نسبة الخسارة المسبقة منذ دورتين رخويتين ولم يقم أحد بتحديثها. والثاني هو التطبيق الميكانيكي الذي يعطي وزناً لطريقة BF حتى في السنوات الناضجة حيث تكون إشارة السلم المتسلسل قوية. تعالج بدائل Cape Cod و Benktander المرجحة بالمصداقية المشكلة الثانية، وتستحق التعلم إذا كنت لا تزال تطبق BF الصرفة بعد فترة التطوير الثالثة أو الرابعة.

للحصول على معالجة أوسع لأماكن تعطل طرق المخصصات، راجع مذكرة شرح مخصصات الخسائر. وتغطي مقالة فخاخ التحقق من صحة LGD و EAD فخاخ معايرة مماثلة في جانب الائتمان.

النماذج الخطية المعممة (GLMs): لا تزال غير مستغلة بما يكفي

تعيد النماذج الخطية المعممة (GLMs) من نوع Poisson و Gamma المشتتة بشكل مفرط على المدفوعات المتزايدة إنتاج طريقة السلم المتسلسل كحالة خاصة وتعممها في اتجاهات مفيدة. فهي تسمح بتقدير تأثيرات سنة التقويم (التضخم، الإصلاح القانوني، تغييرات معالجة المطالبات) بشكل مشترك مع التطوير، وتنتج توزيعاً تنبؤياً كاملاً، وتسمح للخبير الاكتواري بتضمين متغيرات التعرض التي لا يستطيع المثلث استخدامها.

السبب العملي الرئيسي لعدم استخدام GLMs بشكل كافٍ ليس إحصائياً — بل لأن معظم برامج المخصصات تجعل ملاءمتها أمراً صعباً، وغالباً ما لا يكون الخبير الاكتواري للمخصصات هو نفس الشخص الذي يقوم بملاءمة GLMs للتسعير. عندما يمتلك نفس الفريق كلاهما، يصبح استخدام GLM للمخصصات أمراً مباشراً ويؤتي ثمار الاستثمار من خلال تشخيصات سنة التقويم التي تنبه إلى تأثيرات التضخم والإصلاح قبل أن يفعل المثلث الكلاسيكي ذلك.

مخصصات المطالبات الفردية: التحول الحقيقي

إن التغيير الأكثر جوهرية في العقد الماضي ليس التعلم الآلي في حد ذاته — بل هو الانتقال من المخصصات على مستوى المثلث إلى مستوى المطالبة. تقدر نماذج المطالبات الفردية، لكل مطالبة مفتوحة، توزيع مدفوعاتها المستقبلية كدالة لخصائص المطالبة (الخط، السبب، الولاية القضائية، مؤشرات الخطورة، الوقت منذ الوقوع، المخصص الحالي، علامات مسوي المطالبات) بدلاً من المتوسط عبر المجموعة بأكملها.

المزايا كبيرة. يتم التعامل مع تغييرات مزيج المحفظة بشكل طبيعي لأن النموذج يتنبأ بكل مطالبة بناءً على ميزاتها الخاصة. ويمكن فصل ديناميكيات الخسائر الكبيرة عن ديناميكيات الاستهلاك دون تعديلات لاحقة. وتصبح عمليات تقوية المخصصات قابلة للتدقيق على مستوى المطالبة بدلاً من تسويتها على مستوى المثلث.

العيوب حقيقية أيضاً. تتطلب النماذج تنظيفاً أكبر بكثير للبيانات، ويصعب التحقق من صحتها، ويمكن أن تكون غامضة للمراجعين الذين يتقنون Mack ولكن ليس لديهم خبرة في تعزيز التدرج (gradient boosting). وهنا تبرز أهمية انضباط التفسير — راجع مذكرة النمذجة التنبؤية في التأمين للصورة الأوسع وخدمة النمذجة التنبؤية والتسعير التي أقدمها لمعرفة كيف أقوم بهيكلتها للعملاء.

التعلم الآلي: أين يساعد فعلياً

يقدم التعلم الآلي في المخصصات قيمة حقيقية في ثلاثة أماكن محددة، بينما يمثل ضجيجاً في أماكن أخرى.

التنبؤ بالمدفوعات على مستوى المطالبة. تتناسب الأشجار المعززة بالتدرج (Gradient-boosted trees) والغابات العشوائية مع توزيعات المدفوعات على مستوى المطالبة بشكل أفضل من GLMs البارامترية عندما تكون هناك تفاعلات غير خطية بين ميزات المطالبة. ويكون التحسن طفيفاً على مستوى المحفظة ولكنه ملموس في ذيول المطالبات الكبيرة.

كفاية مخصص الحالة (Case reserve). تعد النماذج الخاضعة للإشراف التي تتنبأ بالدفع النهائي للمطالبة المفتوحة، باستخدام مخصص الحالة الحالي كأحد المدخلات، أداة تشخيصية قوية. تشير الانحرافات المنتظمة إما إلى تحول في فلسفة المخصصات أو إلى تغيير في مزيج المطالبات الذي لم تستوعبه عملية مخصص الحالة بعد.

تقدير أنماط التطوير للخطوط الجديدة. عندما تكون المحفظة غير ناضجة للغاية بحيث لا تسمح بوجود مثلث مستقر، فإن نهج تعلم النقل (transfer-learning) الذي يستمد القوة من الخطوط ذات الصلة يتفوق على افتراضات BF البسيطة، بشرط أن تكون المحفظة التناظرية قابلة للمقارنة حقاً.

حيث لا يساعد التعلم الآلي — وحيث رأيت أنه يضر بعمليات المخصصات — هو كبديل "صندوق أسود" لطبقة الحكم الاكتواري. فالنموذج الذي ينتج مخصصاً أقل من المثلث دون سبب يمكن تشخيصه لا ينبغي اعتماده، بغض النظر عن درجة التحقق المتبادل (cross-validation). وسيرفضه مراجعو المخصصات والمدققون والمنظمون (وبحق).

مخاطر النماذج والتحقق من الصحة

تعد نماذج المخصصات من بين أهم النماذج التي تديرها شركة التأمين، والأكثر إثارة للجدل وقت التدقيق. التحقق المستقل ليس اختيارياً. يجب أن يقارن برنامج التحقق كل طريقة بديلة بالمثلث، ويحلل الفرق إلى تأثيرات مزيج المحفظة، وتأثيرات سنة التقويم، وتأثيرات خطورة المطالبات، ويتطلب سرداً محدداً لأي انحراف مادي.

الإطار الذي أستخدمه موضح في خط خدمة التحقق من صحة النماذج، وتغطي مقالة معالجة مخاطر النماذج كيفية تدفق النتائج إلى خطط مرئية لمجلس الإدارة.

هيكل المخصصات متعدد الطبقات

بالنسبة لمعظم محافظ التأمين غير الحياة، يبدو هيكل المخصصات الذي أدافع عنه اليوم كما يلي:

1. التقدير القائم على المثلث (Mack أو Poisson GLM المشتت بشكل مفرط) كمرتكز.
2. تراكب BF أو Cape Cod لسنوات الحوادث غير الناضجة.
3. نموذج المطالبات الفردية للمحافظ التي تدعم جودة بياناتها ذلك، ويُستخدم للتحقق من المثلث وتخصيص المخصصات بدقة المطالبة لأغراض إعادة التأمين و IFRS 17.
4. تشخيصات التعلم الآلي لكفاية مخصص الحالة وديناميكيات الخسائر الكبيرة.
5. طبقة حكم الخبراء، موثقة، توفق بين الطبقات وتتخذ قرار التوقيع النهائي.

لا تكفي أي من الطبقات وحدها. ولكن جميعها معاً، عند تطبيقها بأمانة، تكفي.

خاتمة

العقد القادم للمخصصات لن يتخلص من طريقة السلم المتسلسل. بل سيبقي المثلث كمرتكز شفاف، ويضيف نماذج التعلم الآلي على مستوى المطالبة حيث تدعم البيانات ذلك، ويجعل طبقة الحكم أكثر وضوحاً مما اعتادت عليه المهنة تقليدياً. لقد تحركت الأساليب، لكن الالتزام بشرح الرقم لمجلس إدارة غير اكتواري لم يتغير.

إذا كنت تراجع عملية المخصصات لديك، أو تخطط لبناء IFRS 17، أو تحدد نطاق مشروع مخصصات المطالبات الفردية، راجع خدمات التأمين والعمل الاكتواري أو اتصل بي مباشرة.