(3.238.7.202) 您好!臺灣時間:2021/03/02 01:22
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:孫其怡
研究生(外文):Chi Yi Sun
論文名稱:應用類神經網路探討火災保險風險評估之研究--以T公司工商火災保險為例
論文名稱(外文):Study of the Application of Artificial Neural Network Research on the Risk Assessment on the Fire Insurance:Case Study
指導教授:陳春盛陳春盛引用關係
指導教授(外文):Chun Sung Chen
學位類別:碩士
校院名稱:國立交通大學
系所名稱:工學院碩士在職專班產業安全與防災組
學門:環境保護學門
學類:環境防災學類
論文種類:學術論文
論文出版年:2007
畢業學年度:96
語文別:中文
論文頁數:107
中文關鍵詞:火災保險火災風險評估類神經網路
外文關鍵詞:fire insurancefire risk assessmentartificial neural network
相關次數:
  • 被引用被引用:10
  • 點閱點閱:833
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:255
  • 收藏至我的研究室書目清單書目收藏:3
摘 要
全世界各國產險市場發展的趨勢已逐漸走向費率自由化,在產物保險發展的現況中,費率自由化便成為保險監理的既定政策,未來火災保險因費率自由化,各公司將會面臨更多的挑戰,尤其是對風險的評估能力更是重要,是否有一套完善的風險評估標準,來決定是否承保或者是以什麼條件來承保,實在是各產險公司火險核保部門或是風險評估部門的當務之急。
本研究藉由人工智慧中的類神經網路(Artificial Neural Network, 簡稱ANN)建立火災保險風險評估模型,來輔助產險核保風險評估決策。本研究主要彙集前人的研究與相關評價模式,再利用保險公司承保資料與以往客戶出險的紀錄,進而建立火災保險風險評估的項目,以期能建立一套適用於本土化的風險評估原則。
研究的實驗結果摘要如下:
1.最佳化參數選擇:透過多次的參數敏感度實驗,以神經元個數 = 10、學習率 = 0.6、慣性因子 = 0.6 所建構倒傳遞類神經網路,可訓練出整體正確率最高且失誤偵測個數相對較低的權重值,以此權重與參數值來建構倒傳遞類神經網路,作為未來測試樣本之模組。
2.正確率:本研究之訓練樣整體正確率可達到 85.50%;測試樣本的整體正確率可達到 82.42 %,可以推斷該類神經網路結果應具有一般性與可信度。
Abstract
The current trend of products insurance market is towards open competition instead of tariff rate in the world. In domestic products insurance market moves towards competition market gradually. In the future, all insurance companies will face more challenges in fire risk assessment especially. All insurance companies should have a set of perfect risk assessment or standard whether or not.
The paper tries to establish the fire insurance risk assessment model by the artificial neural network (ANN). The purpose of the research is to assist us in fire risk assessment decision-making. This paper mainly collects predecessor's research and the items of the correlation appraisal models. Furthermore, using customers’data of some insurance company to establish fire insurance risk assessment model. We want to establish a model to suit for the localization risk assessment principle.
The research experimental result is as follows:
1.Optimization parameters choicing:
While we experiment with parameters using try and error method to try finding optimization parameters. We get optimization parameters to establish a model by the neuron numbers of the hidden layer = 10, the learning rate = 0.6, the momentum factor = 0.6.The model may prepare for testing samples in the future.
2.Accuracy rate:
In the model, we use the training samples to achieve 85.50% accuracy rate.
Using the testing sample overall accuracy rate may achieve 82.42%. We may infer the artificial neural network to establish the model supposed to have its generality and confidence level.
目 錄

中文摘要............................................................................................................... i
英文摘要............................................................................................................... ii
謝誌....................................................................................................................... iii
目錄....................................................................................................................... iv
圖目錄................................................................................................................... vii
表目錄................................................................................................................... viii
第一章 緒論........................................................................................ 1
1.1 研究動機....................................................................................... 1
1.2 研究目的....................................................................................... 3
1.3 研究架構與流程........................................................................... 4
第二章 相關法令與文獻回顧........................................................... 5
2.1 現行火災保險費率規章之風險評估項目............................... 5
2.1.1 現行火災保險費率規章................................................... 5
2.1.2 火災保險簽單費率之計算............................................... 6
2.1.3 建築等級說明.................................................................. 11
2.1.4 同一危險範圍.................................................................. 13
2.1.5 火災保險現況分析.......................................................... 14
2.2 火災風險評估因素的相關文獻................................................. 15
2.3 以類神經網路進行預測的相關文獻......................................... 18
第三章 理論基礎.............................................................................. 23
3.1 風險評級介紹.............................................................................. 23
3.1.1 風險評級說明.................................................................. 23
3.1.2 風險評級基本原理......................................................... 24
3.1.3 各公司風險評級項目說明............................................. 25
3.1.4 選用適當的風險評級項目............................................. 31
3.2 類神經網路................................................................................. 31
3.2.1 類神經網路介紹與原理................................................. 31
3.2.2 類神經網路基本架構..................................................... 33
3.2.3 倒傳遞類神經網路模式................................................. 34
3.2.4 倒傳遞類神經網路架構................................................. 36
3.2.5 倒傳遞類神經網路演算法............................................. 37
3.2.6 倒傳遞類神經網路計算流程及步驟............................. 41
第四章 研究方法............................................................................... 43
4.1 研究範圍與限制......................................................................... 43
4.1.1 研究範圍......................................................................... 43
4.1.2 研究限制......................................................................... 43
4.2 研究資料..................................................................................... 43
4.2.1 研究變數與編碼............................................................. 43
4.2.2 訓練與測試資料............................................................. 57
4.2.3 資料正規化..................................................................... 58
4.2.4 輸入順序隨機化............................................................. 58
4.2.5 樣本平衡......................................................................... 58
4.3 網路建構..................................................................................... 59
4.3.1 隱藏層層數..................................................................... 59
4.3.2 隱藏層中神經元的個數................................................. 60
4.3.3 權重初始化..................................................................... 61
4.3.4 學習循環次數................................................................. 61
4.3.5 目標函數與訓練停止標準............................................. 62
4.3.6 活化函數......................................................................... 62
4.3.7 學習率............................................................................. 63
4.3.8 慣性因子......................................................................... 63
4.4 輸出值分析說明....................................................................... 64
4.4.1 出險機率分組與網路預測正確率................................. 64
4.4.2 最佳參數選擇 ............................................................... 65
第五章 研究結果與討論..................................................................... 70
5.1 測試樣本分類結果與分析........................................................ 70
5.2 網路輸入單元對輸出單元的相對重要度................................ 71
5.3 網路輸入單元對輸出單元的敏感度分析................................ 74
第六章 研究結論與未來研究方向與建議.......................................... 84
6.1 研究結論.................................................................................... 84
6.2 未來研究方向與建議建議........................................................ 86
參考文獻......................................................................................................... 87
附錄................................................................................................................... 91
參考文獻
【1】 陳光漢、鐘有裕,(2003),「半導體廠房損害防阻簡介」,科技廠房防災知識管理研討會論文集,國立台北科技大學。
【2】 羅壽銘,「高層建築火災危險與核保對策之研究」,銘傳大學,經濟學系研究所,碩士論文,2004年。
【3】 黃建華,「建築物火災財務損失影響因素及解釋模式之研究」,國立中央警察大學,消防科學研究所,碩士論文,2002年。
【4】 黃崑鏜,「火災特性與土地使用、空間結構之關連性探討—以台北市78 至80 年之建築物火災案例為對象」,國立台灣大學,建築與城鄉研究所,碩士論文,1993年。
【5】 陳建志,「區劃空間火災結構抗火失敗機率之預測-以住宅用途為例」,國立中央警察大學,消防科學研究所,碩士論文,2001年。
【6】 呂和樹,「建築物火災人命危險度之評估-以居室住宅用途為例」,國立中央警察大學,消防科學研究所,碩士論文,2000年。
【7】 Sardqvist S. and Holmstedt G., (2000), “Correlation between Firefighting Operation and Fire Area: Analysis of Statistics,” Fire Technology, 36, pp.109-121.
【8】 Lie, T. T., (1972), “Optimal Fire Resistance of Structures,” Journal of the Structural Division, Proceedings of the American Society of Civil Engineering, 98(ST1), pp.215-232.
【9】 Lie T. T., (1979), “Safety Factor for Fire Loads,” Canadian Journal of Civil Engineering, 6, pp.617-628.
【10】 Gross D., (1983), “Aspects of Stochastic Modeling for Structural Firesafety,” Fire Technology, pp103-114.
【11】 林銘祥,「類神經網路於建築火災災害預估模式之應用」,國立成功大學,土木工程所,碩士論文,1999年。
【12】 廖昱善,「應用類神經網路於企業資料庫之資料探索與決策—以人身壽險核保為例」,國立台灣大學,資訊管理所,碩士論文,1996年。
【13】 鍾凱如,「資訊再造核保業務—以火災保險為例」,國立高雄第一科技大學,保險營運系,碩士論文,1999。
【14】 陳敬聰,「信用卡信用風險評估之研究」,國立雲林科技大學,資訊管理技術系,碩士論文,1997年。
【15】 黃怡華,「應用類神經網路與關聯法則於銀行消費性貸款」,國立成功大學,資訊管理研究所,碩士論文,2003年。
【16】 楊啟洲,「以倒傳遞類神經網路作為授信風險預測之研究」,中華大學,科技管理研究所,碩士論文,2001年。
【17】 蔡金豐,「類神經網路於台灣股市預測之應用」,國立高雄第一科技大學,電腦與通訊工程研究所,碩士論文,2001年。
【18】 莊文慶,「總體經濟因素與股價關聯性之行為分析-類神經網路模型之應用」,國立交通大學,資訊管理學程研究所,碩士論文,2001年。
【19】 王淑慧,「類神經網路應用於道路邊坡落石坍方預測之可行性研究-以阿里山公路為例」,國立台北科技大學,材料及資源工程系,碩士論文,1999年。
【20】 Jablonowski M., (1998), “Automating the Risk Assessment Process,” Society of Chartered Property and Casualty Underwriters, CPCU Journal, 51(2), pp.101-105.
【21】 Kitchens F. L. III, (2000), Using Artificial Neural Networks to Predict Losses in Automobile Insurance, University of Mississippi.
【22】 Gray G., and Larry O., (1993), “Forecasting S&P and Gold Futures Price: An Application of Neural Networks,” The Journal of Futures Market, 13(6), pp. 631-643.
【23】 Mizuno H., Kosaka M., Yajima H. and Komoda N., (1998), “Application of Neural Network to Technical Analysis of Stock Market Prediction,” Studies in Informatics and Control, 7(3), pp.111-120.
【24】 葉怡成,類神經網路模式應用與實作,儒林圖書公司,八版,2006年。
【25】 張斐章、張麗秋,類神經網路,東華書局,初版,2005年。
【26】 Principe J. C., Euliano N. R. and Lefebvre W. C., Neural and Adaptive Systems: Fundamentals through Simulations, John Wiley & Sons, Inc, USA, 1999.
【27】 林文煌,「火災保險自留比例與自留損失相關性分析」,國立政治大學,風險管理與保險研究所,碩士論文,2002年。
【28】 蔡國保,「自動撒水設備水力計算之研究國立中央警察大學」,國立中央警察大學,消防科學研究所,碩士論文,1999年。
【29】 馮俊益,「高架儲存倉庫防火安全設計之研究—以自動撒水設備為例」,國立台北科技大學,土木與防災技術研究所,碩士論文,2001年。
【30】 江好爵,「室內裝修材料與自動撒水設備對火災控制之研究-以人命安全為考量」,國立中央警察大學,消防科學研究所,碩士論文,2000年。
【31】 蔡旭祺,「銅質導線金相分析於電氣火災鑑定應用之研究」,國立中央警察大學,消防學系,碩士論文,1997年。
【32】 Hall J. R., (1993), “The U.S. Experience with Sprinklers? Who Has Them? How Well Do They Work?,” NFPA Journal, 87(6).
【33】 王榮祿,「防爆電氣設備設置現況及其維修保養之研究」,高雄第一科技大學,環境與安全衛生工程所,碩士論文,2006年。
【34】 李致寬、郭祥兆,(1995),「類神經網路分析在財務危機上預測之應用」,台灣經濟金融月刊,Vol.31,No.8,pp.20-28。
【35】 Ravi V., Kurniawan H., Thai P. N. K. and Kumar P. R., (2008), “Soft Computing System for Bank Performance Prediction,” Applied Soft Computing, 8, pp. 305-315.
【36】 Ou Y. Y., Hung H. G. and Oyang Y. J., (2006), “A Study of Supervised Learning with Multivariate Analysis on Unbalanced Datasets,” International Joint Conference on Neural Networks, pp. 2201-2205.
【37】 Mukkamala S. S., A., Ribeiro B. and Vieira A., (2006), “Computational Intelligent Techniques for Financial Distress Detection,” International Journal of Computational Intelligence Research, 2(1), pp.60-65.
【38】 Kwok T. Y. and Yeung D. Y., (1997), “Constructive Algorithms for Structure Learning in Feed-forward Neural Networks for Regression Problems,” IEEE Transactions on Neural Networks, pp.630-645.
【39】 張智星,MATLAB程式設計與應用,清蔚科技,初版,2000年。
【40】 Plaut D. C., Nowlan S. J. and Hinton G. E., (1986), “Experiments on Learning by Back Propagation,” Technical Report CMU-CS-86-126.
【41】 Lin C. T. and Lee C. S. G., Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice-Hall International, USA, 1996.
【42】 Garson G. D., (1991), “Interpreting Neural-network Connection Weights,” AI Expert, 6(4), pp.46-51.
【43】 Goh A. T. C., (1995), “Back-propagation Neural Networks for Modeling Complex Systems,” Artificial Intelligence in Engineering, 9(3), PP.143-151.
【44】 Olden J. D. and Jackson D. A., (2002), “Illuminating the “Black Box”: a Randomization Approach for Understanding Variable Contributions in Artificial Neural Networks,” Ecological Modelling, 154(1-2), pp.135-150.
【45】 Gevrey M., Dimopoulosb I. and Leka S., (2003), “Review and Comparison of Methods to Study the Contribution of Variables in Artificial Neural Network Models,” Ecological Modelling, 160(3), pp.249-264.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔