معمای پیشگیری در صنعت بیمه؛ چالش‌های گذار از جبران خسارت به کنترل ریسک

به گزارش برداشت روز، برای بیش از یک قرن، مدل کسب‌وکار صنعت بیمه بر یک اصل نانوشته استوار بوده است: «ریسک را شناسایی کن، قیمت بگذار و منتظر وقوع خسارت بمان.» اما ورود سامانه‌های پیش‌بینی‌محور و یادگیری ماشین، این موازنه‌ی تاریخی را برهم زده است. هوش مصنوعی دیگر صرفاً ابزاری برای غربالگری و تعیین نرخ نیست؛ بلکه توانایی بازمهندسی و کاهش فعالانه خودِ ریسک را به همراه آورده است. با این حال، چرا بسیاری از شرکت‌های بیمه از استقرار پیشرفته‌ترین فناوری‌های پیشگیری سر باز می‌زنند؟ پاسخ این پرسش در یک گره کور اقتصادی نهفته است؛ جایی که ارائه بهترین ابزار پیشگیرانه، ناخواسته شرکت‌ها را به آهنربایی برای جذب پرریسک‌ترین مشتریان بازار تبدیل می‌کند. مطلب حاضر، خوانشی از پژوهشی علمی است که توسط الکس چان ، پژوهش‌گر دفتر ملی پژوهش‌های اقتصادی، به رشته تحریر در آمده است، چگونگی عبور از این بن‌بست ساختاری را واکاوی می‌کند.

چکیده

سال‌هاست که کارکرد فناوری اطلاعات و الگوریتم‌های محاسباتی در صنعت بیمه به «غربالگری»[1]، «دسته‌بندی ریسک»[2] و «کشف قیمت بهینه بر اساس سوابق مشتری» محدود شده است. با این حال، نسل نوین هوش مصنوعی توانمندی بنیادی‌تری به همراه آورده است: قابلیت کاهش و دگرگون‌سازی مستقیم ریسکِ باقی‌مانده[3] از طریق پیش‌بینی‌های پیشگیرانه. این تحول مفهومی که در ادبیات مدرن اقتصاد بیمه با عنوان «طراحی ریسک»[4] شناخته می‌شود، پارادایم سنتی بیمه‌گری را دگرگون می‌سازد. با این همه، به‌کارگیری این فناوری‌ها بازارهای رقابتی را با چالش نوظهوری روبه‌رو می‌سازد: «انتخاب نامساعد در بستر طراحی محصول». در این مقاله تحلیلی، ضمن تبیین ابعاد نظری این پارادایم، نشان می‌دهیم چرا شرکت‌های بیمه در غیاب سازوکارهای تنظیمی مناسب، تمایلی به ارائه پیشرفته‌ترین خدمات پیشگیرانه ندارند و چگونه پیوند پیش‌بینی با اقدام عملیاتی، نقشه راه عبور از این بن‌بست خواهد بود.

۱. مقدمه: فراتر از نظریات سنتی اطلاعات نامتقارن[5]

در مدل‌های سنتی اقتصاد اطلاعات (از جمله نظریه روتشیلد و استیگلیتز، ۱۹۷۶)[6]، بیمه‌گر همواره ناظر منفعلی تصویر می‌شد که با تکیه بر آمار خسارت‌های گذشته، در جست‌وجوی تفکیک «مشتری کم‌ریسک» از «مشتری پرریسک» است. در این الگو، تنها ابزار بیمه‌گر، اعمال فرانشیز و تعیین نرخ حق‌بیمه بود و احتمال وقوع حادثه، پدیده‌ای از پیش‌تعیین‌شده و برون‌زا قلمداد می‌شد.

اما ورود سامانه‌های یادگیری ماشین و پردازش بی‌درنگ داده‌ها، این فرض بنیادین را به چالش کشیده است. در صنعت بیمه امروز، هوش مصنوعی، ریسک را صرفاً برآورد نمی‌کند، بلکه آن را مجدداً طراحی می‌نماید:

بیمه‌های درمان: الگوریتم‌ها با تحلیل شاخص‌های بیومتریک و آزمایشگاهی، بیماری‌های مزمن (مانند عوارض دیابت یا بیماری‌های قلبی) را پیش‌بینی کرده و با یادآوری دارویی یا ارجاع زودهنگام، مانع بستری‌های پرهزینه می‌شوند.

بیمه‌های سایبری: پویشگرهای خودکار به طور پیوسته آسیب‌های امنیتی شبکه بیمه‌گزار را رصد کرده و بلافاصله وصله‌های امنیتی[7] ارسال می‌کنند.

بیمه‌های وسایل نقلیه و ناوگان (دوراداده‌ورزی)[8]: ثبت الگوهای شتاب و ترمز خودرو، هشدارهای رفتاری بلادرنگ تولید کرده و احتمال وقوع تصادف را به‌طور مستقیم پایین می‌آورد.

بدین ترتیب، محصول بیمه‌ای از یک «قرارداد جبران خسارت مالی پس از حادثه» به یک «بسته خدمات پیشگیری و کنترل خسارت قبل از حادثه» بدل می‌شود.

۲. سازوکار اقتصادی طراحی ریسک: پیشگیری در مقام یک فناوری تولیدی

اگر پیشگیری را یک فرآیند ارزش‌آفرین بدانیم، پیش‌بینی به تنهایی هیچ سودی خلق نمی‌کند، مگر آنکه به یک اقدام عملی متصل شود:

احتمال انجام اقدام اصلاحی مؤثر  ×  دقت الگوریتم در پیش‌بینی بحران  =  ارزش اقتصادی پیش‌بینی

ارزش یک مدل یادگیری ماشین با دقت ۹۹ درصد در تخمین نفوذ سایبری یا سکته قلبی، درصورتی‌که ساختار شرکت، توان ارسال وصله امنیتی یا مداخله پزشکی به‌موقع را نداشته باشد، برابر با صفر است. از منظر بیم‌سنجی، سرمایه‌گذاری بر فناوری پیش‌بینی، تنها زمانی توجیه مالی دارد که هزینه‌های استقرار الگوریتم و اقدامات مداخله‌ای کمتر از ارزش فعلی خسارت‌های پیشگیری‌شده باشد.

۳. پارادوکس بازار رقابتی: چرا بهترین ابزارهای پیشگیری عرضه نمی‌شوند؟

مهم‌ترین دستاورد مدل‌سازی‌های نظری جدید در اقتصاد بیمه، اثبات یک پدیده ضدشهودی[9] است: «شکست بازار در عرضه فناوری‌های پیشگیری به دلیل بازگشت انتخاب نامساعد[10]».

این معضل در سه گام متوالی شکل می‌گیرد:

کشش و تمایل مشتریان بر اساس شدت نیاز: بیمه‌گزارانی که بیشترین استعداد ابتلا به بیماری‌های پرهزینه یا حملات سایبری را دارند، بیش از دیگران خواهان خدمات پیشگیرانه هوشمند هستند. به عنوان مثال، یک سامانه پیشرفته مراقبت قلبی بیش از یک فرد تندرست، برای بیماری با سابقه عارضه قلبی جذابیت دارد.

برهم خوردن ترکیب پرتفوی شرکت پیشرو: اگر شرکتی به تنهایی و بدون پشتوانه مالی مناسب، چنین خدمتی را در کنار فروش بیمه‌نامه خود عرضه کند، این خدمت همچون «آهنربای جذب ریسک‌های نامطلوب» عمل خواهد کرد. در نتیجه، سهم بیمه‌گزاران پرریسک، در پرتفوی آن شرکت به سرعت افزایش می‌یابد.

افت عمدی کیفیت خدمات در تعادل رقابتی[11]: به دلیل آنکه در چارچوب‌های سنتی رقابت، نمی‌توان از این گروه، حق‌بیمه‌ای متناسب با هزینه‌های واقعی دریافت کرد، شرکت‌های بیمه در نقطه تعادل رقابتی تصمیم می‌گیرند عمداً کیفیت خدمات پیشگیرانه خود را تنزل دهند یا اساساً از ارائه آن‌ها خودداری کنند، مبادا که مشتریانِ پرخطر به سوی آن‌ها روانه شوند.

این نتیجه تلخ نشان می‌دهد که حتی با وجود فناوری‌های کاملاً اثربخش و ارزان‌قیمت، ساختار سنتی بازار مانع از بهره‌مندی جامعه از آن‌ها می‌شود.

۴. رفتارهای واکنشی بیمه‌گزاران: تلاقی خود‌مراقبتی و مراقبت هوشمند

بُعد دیگر این موضوع، نحوه تعامل بیمه‌گزار با سامانه‌های هوشمند است. مدل‌سازی‌ها نشان می‌دهند که ورود سامانه‌های پیشگیرانه شرکتی همواره به کاهش مستقیم ریسک نمی‌انجامد، زیرا رفتارهای خود‌مراقبتی، فرد را دستخوش تغییر می‌کند:

اثر جانشینی (تضعیف خود‌مراقبتی): این خطر وجود دارد که بیمه‌گزار با تکیه مفرط بر هشدارهای هوشمند سامانه، هوشیاری و مراقبت فردی خود را کاهش دهد (نوعی کژمنشی رفتاری) [12].

اثر هم‌افزایی (تقویت انگیزه): برای خنثی‌سازی اثر منفی فوق، خدمات پیشگیرانه باید به گونه‌ای با فرانشیز و نرخ‌های تشویقی ترکیب شوند که اجرای هشدارهای سامانه، برای خود بیمه‌گزار، منافع ملموس مادی (نظیر تخفیف نقدی یا افزایش سقف تعهدات) به همراه داشته باشد.

۵. دلالت‌های سیاستی و عملیاتی برای صنعت بیمه

برای گذار از وضعیت انفعالی کنونی و مهار موانع ساختاری، اصلاحات زیر در سطح کلان و خرد، ضروری است:

الف. بازمهندسی نظام تعدیل ریسک[13] توسط نهاد ناظر

ناظر صنعت بیمه باید مدل‌های سنتی نرخ‌گذاری را اصلاح کند. تا زمانی که شرکت‌های بیمه پاداش مالی مدیریت ریسک‌های پرخطر را دریافت نکنند، انگیزه اقتصادی برای سالم‌سازی مشتریان نخواهند داشت. طراحی «سازوکارهای تعدیل ریسک» که در آن به شرکت‌های مهارکننده خسارت در گروه‌های پرریسک، یارانه تعلق گیرد، کلید حل این معمای ساختاری است.

ب. یکپارچه‌سازی سامانه‌های تحلیلی با صف عملیات

سرمایه‌گذاری روی ابزارهای مبتنی بر هوش مصنوعی نباید صرفاً به خرید داشبوردهای مدیریتی یا تیم‌های تحلیل داده خلاصه شود. پیش‌بینی‌ها باید از طریق رابط‌های کاربری خودکار (API)[14] مستقیماً به صدور دستور کار (اعزام کارشناس ایمنی، پشتیبانی تیم امنیتی فناوری اطلاعات یا تماس مشاور پزشکی) منجر شوند.

ج. تفکیک ساختاری اجزای بیمه‌نامه

بیمه‌گران پیشرو باید هزینه خدمات پیشگیری هوشمند را از پوشش پایه خسارت متمایز کنند. ارائه این خدمات در قالب بسته‌های اشتراکی ارزش‌افزوده می‌تواند بدون برهم زدن توازن حق‌بیمه پایه، شفافیت را برای خریدار و فروشنده تضمین کند.

۶. نتیجه‌گیری: قطب‌نمای نسل آینده صنعت بیمه

آینده رقابت در بازارهای پیشرفته بیمه در انحصار شرکت‌هایی نخواهد بود که صرفاً ضریب خسارت دقیق‌تری پیش‌بینی می‌کنند، بلکه به شرکت‌هایی تعلق دارد که بتوانند ریسک مشتری را در طول مدت بیمه‌نامه کاهش دهند. هوش مصنوعی این امکان بی‌نظیر را فراهم کرده است، مشروط بر آنکه مدیران ارشد بیمه دریابند که چالش اصلی این حوزه نه در کمبود قدرت محاسباتی، بلکه در طراحی هوشمندانه قراردادها، شناخت انگیزه‌های رفتاری بیمه‌گزار و تنظیم ساختار مشوق‌های مالی نهفته است.

[1] Screening

[2] Risk Classification

[3] Residual Risk

[4] Risk Design

[5] Asymmetric information

[6] Rothschild, M. and Stiglitz, J. (1976). Equilibrium in competitive insurance markets: An essay on the economics of imperfect information. Quarterly Journal of Economics, 90(4):629–649.

[7] Security Patches

[8] Telematics

[9] Counterintuitive Phenomenon: به پدیده یا نتیجه‌ای گفته می‌شود که برخلاف انتظار اولیه، درک حسی و منطق ظاهری انسان است، اما بررسی‌های علمی، مدل‌سازی‌های ریاضی یا داده‌های آماری درستی آن را اثبات می‌کنند.

[10] Adverse selection

[11] Competitive equilibrium

[12] Adverse behavior

[13] Risk Adjustment

[14] Application Programming Interface