현실적인 손실함수를 이용한 자동차보험 예측 모형

Abstract

2023년 상반기 국내 주요 손해보험사들의 자동차보험 손해율이 70%대를 기록하며 하반기에 자동차보험료를 추가로 인하해야 한다는 목소리가 커지고 있다. 또한 디지털 보험사들도 여러가지 특약이 적용된 상품을 출시하면서 국내 자동차보험은 경쟁은 더욱 심해질 것으로 보인다. 그러므로 손보업계는 경쟁력 있는 보험상품을 위하여 국민의 자동차 보험료 부담을 최소화하는 동시에 현 손해율을 유지할 수 있는 정확한 자동차보험 예측모형이 반드시 필요하다. 이러한 흐름에 맞게 자동차보험에 특화된 손실함수를 제작하였다. 예측 손해액을 기반으로 보험료를 산출할 때 손해액을 실제보다 작게 예측한다면 회사는 보험료를 과소평가하여 예상치 못한 손실을 감당해야 하기 때문에 실제 자동차 손해액의 합보다 예측 손해액의 합이 크다는 조건 하에서 최적의 값을 찾는 손실함수를 제작하였다. 그리고 이 손실함수를 다섯가지 머신러닝 모델에 적용하여 결과를 살펴보았다. 그 결과, 자동차보험에 특화된 맞춤형 손실함수를 적용하여 산정한 보험료가 기존 산정 보험료 대비 총 보험료의 합을 현저히 줄여 경쟁력 있는 보험의 장점을 갖출 수 있게 되었다.;Major domestic non-life insurers' auto insurance loss ratio hit the 70% range in the first half of 2023, raising calls for additional cuts in auto insurance premiums in the second half of 2023. In addition, as digital insurers release products with various special agreements, competition in domestic auto insurance is expected to intensify. Therefore, the non-life insurance industry must have an accurate automobile insurance prediction model that can minimize the burden of automobile insurance premiums on the people and maintain the current loss ratio for competitive insurance products. In line with this trend, a loss function specialized for automobile insurance was produced. If the amount of damage is predicted smaller than the actual amount when calculating the insurance premium based on the estimated amount of damage, the company must underestimate the premium and bear unexpected losses, so a loss function was created to find the optimal value under the condition that the sum of the predicted amount of damage is greater than the sum of the actual amount of car damage. And the results were examined by applying this loss function to five machine learning models. As a result, insurance premiums calculated by applying a customized loss function specialized in automobile insurance significantly reduced the sum of total premiums compared to the existing calculated insurance premiums, enabling them to have the advantage of competitive insurance.