Національний університет "Києво-Могилянська академія", Київ, Україна
У цій роботі розглядається діяльність компаній зі страхування іншого, ніж страхування життя, що функціонували на ринку України у 2019-2020 рр. Зокрема ми використовуємо набір методів кластеризації – класичний алгоритм К-середніх і самоорганізаційні карти Кохонена, щоб дослідити характеристики Роздрібної, Корпоративної, Універсальної (представлена двома кластерами) та Перестрахової бізнес-моделей. Результати кластеризації валідовано за допомогою класичних показників та показника міграції, що забезпечує стабільність кластерів у часі. Ми аналізуємо міграції компаній між виділеними кластерами (зміна бізнес-моделі) протягом досліджуваного періоду та виявляємо значну міграцію між Перестраховою та Корпоративною моделями, а також в рамках Універсальної моделі. Аналіз даних про припинення поточної діяльності страховиків дозволяє зробити висновок, що компанії, які дотримуються універсальної бізнес-моделі, виявляються найбільш фінансово стабільними, а їхні аналоги, об’єднані у Перестраховий кластер, ймовірно, залишаються найменш стабільними. Результати цього дослідження мають бути цінними для страхового нагляду та мати значний вплив на регуляторну політику.
Abbas, S. A., Aslam, A., Rehman, A. U., Abbasi, W. A., Arif, S., Kazmi, S. Z. H. (2020). K-Means and K-Medoids: Cluster analysis on birth data collected in city Muzaffarabad, Kashmir. IEEE Access, 8, 151847-151855. https://doi.org/10.1109/ACCESS.2020.3014021
Abolmakarem, S., Abdi, F., Khalili-Damghani, K. (2016). Insurance customer segmentation using clustering approach. International Journal of Knowledge Engineering and Data Mining, 4(1), https://doi.org/10.1504/IJKEDM.2016.082072
Ahmar, A. S., Napitupulu, D., Rahim, R., Hidayat, R., Sonatha, Y., Azmi, M. (2018). Using K-Means clustering to cluster provinces in Indonesia. Journal of Physics: Conference Series, 1028, 012006. http://doi.org/10.1088/1742-6596/1028/1/012006
Arthur, D., Vassilvitskii, S. (2007). k-means++: the advantages of careful seeding. SODA '07: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms (p./pp. 1027--1035), Philadelphia, PA, USA: Society for Industrial and Applied Mathematics.
Bach, M. P., Vlahović, N., Pivar, J. (2020). Fraud prevention in the leasing industry using the Kohonen self-organising maps. Organizacija, 53(2), 128-145. https://doi.org/10.2478/orga-2020-0009
Caliński, T., Harabasz, J. (1972). A dendrite method for cluster analysis. Communications in Statistics, 3(1), 1-27. https://doi.org/10.1080/03610927408827101
Ferstl, R., Seres, D. (2012). Clustering Austrian banks’ business models and peer groups in the European banking sector. Financial Stability Report, 24, 79-95. Austrian Central Bank. Retrieved from https://www.oenb.at/dam/jcr:9f5fecf1-1624-49ff-8ffd-8a9823115542/fsr_24_special_topics_03_tcm16-252045.pdf
Honkela, T. (1998). Description of Kohonen’s self-organizing map. In Honkela, T. Self-Organizing Maps in Natural Language Processing. Helsinki: Helsinki University of Technology. Retrieved from http://www.mlab.uiah.fi/~timo/som/thesis-som.html
Kaufman, L., Rousseeuw, P. J. (1990). Partitioning around medoids (Program PAM). In Kaufman, L., Rousseeuw, P. J. Finding Groups in Data: An Introduction to Cluster AnalysisFinding Groups in Data, pp. 68-125. John Wiley & Sons. https://doi.org/10.1002/9780470316801.ch2
Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 59–69. https://doi.org/10.1007/BF00337288
Kramarić, T. P., Bach, M. P., Dumičić, K., Žmuk, B., Žaja, M. M. (2017). Exploratory study of insurance companies in selected post-transition countries: Non-hierarchical cluster analysis. Central European Journal of Operations Research, 26(3), 783–807. https://doi.org/10.1007/s10100-017-0514-7
Pedregosa, F., Varoquaux, G., Gramfort, A., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830. Retrieved from http://jmlr.org/papers/v12/pedregosa11a.html
Rashkovan, V., Pokidin, D. (2016). Ukrainian banks’ business models clustering: Application of Kohonen neural networks. Visnyk of the National Bank of Ukraine, 238, 13-38. https://doi.org/10.26531/vnbu2016.238.013
Rousseew, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Tibshirani, R., Hastie, T., Narasimhan, B., Chu, G. (2002). Diagnosis of multiple cancer types by shrunken centroids of gene expression. Proceedings of the National Academy of Sciences of the United States of America, 99(10), 6567-6572. https://doi.org/10.1073/pnas.082099299
Velykoivanenko, H., Beschastna, G. (2018). Analysis of the stability and rating of Ukrainian insurance companies. Modelling and Information Systems in Economics, 95, 65-81. Retrieved from https://ir.kneu.edu.ua:443/handle/2010/30980
Vettigli, G. (2019). MiniSom: Minimalistic and Numpy-Based Implementation of the Self Organizing Map (release 2.1.5. 2019). Retrieved from https://github.com/JustGlowing/minisom
Wang X., Keogh E. (2008) A clustering analysis for target group identification by Locality in motor insurance industry. Soft Computing Applications in Business. Studies in Fuzziness and Soft Computing, 230, 113–127. https://doi.org/10.1007/978-3-540-79005-1_7
Zaqueu, J. R. (2019). Customer Clustering in the Health Insurance Industry by Means of Unsupervised Machine Learning: An Internship Report. University of Lisbon, Information Management School. Retrieved from https://run.unl.pt/bitstream/10362/89468/1/TAA0043.pdf
(тестовий текст) Це звіт із перевірки на плагіат манускрипту.
