Застосування інтелектуального аналізу еколого-економічних даних у системі пенсійного страхування та для прогнозування витрат на соціальний захист і соціальне забезпечення
DOI:
https://doi.org/10.32347/2411-4049.2024.3.161-176Ключові слова:
витрати на соціальний захист та соціальне забезпечення, забруднення повітря, мережа Байєса, метод головних компонентів, система актуарних розрахунківАнотація
Стаття присвячена актуальній науково-прикладній проблемі – розробці методики застосування математичних моделей та методів інтелектуального аналізу даних для актуарних розрахунків у системі загальнообов’язкового державного пенсійного страхування. В роботі описано методику моделювання зміни контингенту одержувачів пенсій за урахування впливу екологічних чинників, зокрема забрудненості повітря. Основу пропонованої методики становить багатомодельний підхід, особливістю якого є поєднання інтелектуального аналізу даних та ймовірнісних моделей у формі мереж Байєса, застосування яких є доцільним в умовах статистичної, параметричної та структурної невизначеності. Пропонований підхід описує зміну контингенту одержувачів пенсій, зокрема по інвалідності та по втраті годувальника, під впливом екологічних чинників – зміни забруднення повітря органічними та неорганічними сполуками. Науковою новизною роботи є застосування ансамблю моделей, до якого входять ймовірнісно-статистичні моделі у формі мереж Байєса та регресійні моделі, у системі актуарних розрахунків загальнообов’язкового державного пенсійного страхування. В роботі розглянуто декілька сценаріїв впливу забруднюючих речовин на зростання контингенту одержувачів пенсій. В якості цільової змінної досліджуваного процесу обрано показник частки видатків на соціальний захист та соціальне забезпечення населення у валовому національному продукті. Математичні моделі виявилися адекватними обраному для моделювання процесу, помилка класифікації мереж Байєса становить близько 20%. Структуру моделі побудовано в системі моделювання Genie 2.0. Для зменшення розмірності даних застосовано метод головних компонент. Пропонована методика може бути застосована і для інших задач прогнозування витрат на соціальний захист та соціальне забезпечення.
Посилання
Dubinina, S.V., & Bidiuk, P.I. (2017). Zastosuvannya metodiv intelectualnogo analizu danyh intelectualnogo analizu do rozv’azannya zadach aktuarnogo modeluvannya ta otzinuvannya finansovyh ryzykiv. Systemny doslidgenya ta infornatsiyni tehnologii, 1, 49–64. https://doi.org/10.20535/SRIT.2308-8893.2017.1.04 [in Ukrainian].
Czernicki, D. How cloud computing transforms actuarial modeling infrastructure. Retrieved from: https://www.ey.com/en_us/insights/insurance/cloud-computing-implications-for-actuarial-modeling
Larochelle, J.-P., Carlson, P., Cote, V. C., Lu, Y., Shapiro, N., Tam, A., Thusu, V., & Zhang, A. (2023). Predictive Analytics and Machine Learning. Practical Applications for Actuarial Modeling (Nested Stochastic). Schaumburg: Society of Actuaries. Research Institute. Retrieved from https://www.soa.org/49ae74/globalassets/assets/files/resources/research-report/2023/predictive-analytics-and-machine-learning.pdf
Iyer, S. (2008). Stochastic Actuarial Modelling of a Defined-Benefit Social Security Pension Scheme: An Analytical Approach. Annals of Actuarial Science, 3(1-2), 127-185. https://doi.org/10.1017/S174849950000049X
McCrea, R., King, R., Graham, L., & Börger, L. (2023). Realising the promise of large data and complex models. Methods in Ecology and Evolution, 14(1), 4-11. https://doi.org/10.1111/2041-210X.14050
Frees, E.W. (2010). Regression Modeling with Actuarial and Financial Applications. New York: Cambridge University Press.
Gupta, R.Y., Mudigonda, S.S., Baruah, P.K., & Kandala, P.K. (2020). Implementation of Correlation and Regression Models for Health Insurance Fraud in Covid-19 Environment using Actuarial and Data Science Techniques. International Journal of Recent Technology and Engineering (IJRTE), 9(3), 699-706. https://doi.org/10.35940/ijrte.C4686.099320
Karaeva, N.V. (2018). Metodologichny aspekty ta programni zasoby orzinky riziku zdorov’u naselennya pry nespriyatlyvomu vplivy daktoriv navkolyshnyogo seredovysa. Systemy upravlinnya, navigatzii ta zv’yazku, 1(47), 164-169. https://doi.org/10.26906/SUNZ.2018.1.164 [in Ukrainian].
Estill, Ya. Vplyv na zdorov’ya ta sotzialny vytraty, pov’yazany iz zabrudnennyam povitrya u velykyh mistah Ukrainy. United Nations Development Programme. Report. Retrieved from: https://www.undp.org/sites/g/files/zskgke326/files/2023-03/Health%20impacts%20and%20social%20costs%20associated%20with%20air%20pollution%20in%20larger%20urban%20areas%20of%20Ukraine%20%28UA%29.pdf [in Ukrainian].
Proekt «Vsesvitniy index yakosti povitrya». Retrieved from: https://aqicn.org and https://waqi.info [in Ukrainian].
González Parra, G., & Arenas, A.J. (2014). A mathematical model for social security systems with dynamical systems. Ingeniería Y Ciencia, 10(19), 33–53. https://doi.org/10.17230/ingciencia.10.19.2
Iyer, S. (1999). Actuarial mathematics of social security pensions. International Labour Organization. Retrieved from: https://www.issa.int/sites/default/files/documents/publications/2Actuarial_mathematics_of_ss_pensions_en-29172.pdf
Lähderanta, T., Salonen, J., Möttönen, J., & Sillanpää, M.J. (2022). Modelling old-age retirement: An adaptive multi-outcome LAD-lasso regression approach. International Social Security Review, 75(1), 3-29. https://doi.org/10.1111/issr.12287
Black, E., Lattyak, C.G., Chairperson, V., & Stone, L.K. (2023). Senior Pension Fellow Modeling – for Pension Actuaries. Washington: The American Academy of Actuaries. Retrieved from: https://www.actuary.org/sites/default/files/2023-01/Modeling_Practice_ Note.pdf
Global Burden of Disease. Retrieved from: https://www.healthdata.org/research-analysis/gbd
Postanova Kabinetu Ministriv Ukrainy vid 16 grudnya 2004 r. № 1677 «Metodyka provedennya aktuarnyh rozrahunkiv u systemi zagaknoobov’yazkovogo derzavnogo pebsiynogo strahuvanya». Retrieved from: https://www.kmu.gov.ua/npas/10301286
Trofymchuk, O., Bidiuk, P., Terentiev, O., & Prosyankina-Zharova, T. (2019). Decision Support Systems for Modelling, Forecasting and Risk Estimation. Riga: LAP Lambert Academic Publishing.
Shapovalenko, N. (2021). A Suite of Models for CPI Forecasting. Visnyk of the National Bank of Ukraine, 252, 4-36. https://doi.org/10.26531/vnbu2021.252.01
Bidiuk, P.I., Romanenko, V.D., & Tymoszhuk, O.L. (2013). Analyz chasovyh ryadiv. Kyiv: NTUU KPI [in Ukrainian].
Seber, G.A.F., & Wild, C.J. (1989). Nonlinear Regression. New York: John Wiley & Sons, Inc.
Hurvich, C.M., Simonoff, J.S., & Tsai, C.L. (1998). Smoothing parameter selection in nonparametric regression using an improved Akaike information criterion. Journal of the Royal Statistical Society, 60(2), 271–293.
Fahrmeir, L., Kneib, T., Lang, S., & Marx, B.D. (2021). Regression Models, Methods and Applications. Berlin: Springer-Verlag. https://doi.org/10.1007/978-3-662-63882-8
Abubakari, A.G. (2022). Actuarial Measures, Regression, and Applications of Exponentiated Fr´echet Loss Distribution. International Journal of Mathematics and Mathematical Sciences, 2022, 1-17. https://doi.org/10.1155/2022/3155188
Thrane, C. (2020). Applied Regression Analysis Doing, Interpreting and Reporting. New York: Taylor & Francis Group. https://doi.org/10.4324/9780429443756
Grygorkiv, M.V. (2020). Dynamichny modely ekologo-ekonomichnyh system v umovah sotzialno-ekonomichnoi klasteryzatzii: monographia. Ternopil: «Ekonomichna dumka. TNEU» [in Ukrainian].
Pearl, J. (2000). Causality: models, reasoning, and inference. Cambridge University Press.
Jensen, F.V. (2001). Bayesian networks and decision graphs. New York: Springer. https://doi.org/10.1007/978-1-4757-3502-4
Spiegelhalter, D., Dawid, P., Lauritzen, S., & Cowell, R. (1993). Bayesian analysis in expert systems. Statistical Science, 8 (3), 219–247.
Lauritzen, S. L., & Spiegelhalter, D.J. (1988). Local computations with probabilities on graphical structures and their application to expert systems. Journal Royal Statistics Society, series B (Methodology), 50 (2), 157-194.
Spirtes, P., Glymour, C., & Scheines, R. (1993). Causation, Prediction and Search. Part of the book series: Lecture Notes in Statistics (LNS, vol. 81). Berlin: Springer Verlag. https://doi.org/10.1007/978-1-4612-2748-9
Spirtes, P., Glymour, C., & Scheines, R. (1991). From probability to causality. Philosophical Studies, 64, 1–36. https://doi.org/10.1007/BF00356088
Zgurovs'kyj, M.Z., Bidjuk, P.I., Terent'jev, O.M., & Prosjankina-Zharova, T.I. (2015). Bajjesivs'ki merezhi u systemah pidtrymky pryjnjattja rishen'. Kyi'v: TOV «Vydavnyche Pidpryjemstvo «Edel'vejs» [in Ukrainian].
Derzavna sluzba statystyky Ukrainy. Navkolyshnye pryrodne seredovyshe. Retrieved from: https://www.ukrstat.gov.ua [in Ukrainian].
Shodenny ta shomisyachni sposteregenya za zabrudnennyam atmosfernogo povitrya. Retrieved from: https://diia.data.gov.ua/ [in Ukrainian].
Chugaevska, S.V., & Kovtun, N.V. (2022). Osnovy statystychnogo modeluvannya: navch. posibnyk. Gytomyr: Vydavnytstvo PP "Ruta" [in Ukrainian].
Genie 2.0. Retrieved from https://www.bayesfusion.com/genie/
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 О.Б. Зарудний
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Збірник «Екологічна безпека та природокористування» працює у рамках міжнародної ліцензії Creative Commons Attribution («із зазначенням авторства») 4.0 International (CC BY 4.0).
Ліцензійна політика журналу сумісна з переважною більшістю політик відкритого доступу та архівування матеріалів.
