Поддержка принятия решений в прогнозно-аналитической страховой системе
Работая с сайтом, я даю свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта обрабатывается системой Яндекс.Метрика
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Поддержка принятия решений в прогнозно-аналитической страховой системе

idКалач А.В., idМатыцина И.А., idЗолотарев Ю.Н., idЗдольник В.В.

УДК 004.8:368
DOI: 10.26102/2310-6018/2026.62.11.010

  • Аннотация
  • Список литературы
  • Об авторах

В статье рассматриваются особенности разработки прогнозно-аналитической системы для оценки страховых рисков. Традиционные методы систем оценки рисков и надежности потенциальных клиентов часто не справляются с точностью расчетов. Существующие исследования опираются на небольшие или синтетические наборы данных, что приводит к получению существенно завышенных результатов. В статье представлено описание особенностей использования больших анонимизированных массивов данных в прогнозно-аналитической страховой системе для повышения точности предсказания убытков без увеличения операционных расходов. Цель исследования – повышение эффективности оценки страховых случаев за счет внедрения системы прогнозирования убытков без увеличения операционных расходов. Для достижения поставленной цели была предложена архитектура системы поддержки принятия решений на основе прогнозной аналитики в страховании, включающая семь слоев: от безопасной загрузки сырых данных до финального модуля интерпретации результатов. Безопасность данных обеспечивали путем шифрования по протоколу SHA-256 и использования необратимых хеш-функций, что исключает восстановление исходной персональной информации при утечке. В основе математического аппарата больших анонимизированных массивов данных в прогнозно-аналитической страховой системе находились ансамблевые методы машинного обучения. Для сглаживания весов признаков использовали Ridge-регрессию и для решения задач классификации, регрессии и ранжирования данных применяли XGBoost.

1. Acciarini Ch., Cappa F., Boccardelli P., Oriani R. How can organizations leverage big data to innovate their business models? A systematic literature review. Technovation. 2023;123:102713. https://doi.org/10.1016/j.technovation.2023.102713

2. Dwivedi Y.K., Sharma A., Rana N.P., Giannakis M., Goel P., Dutot V. Evolution of artificial intelligence research in Technological Forecasting and Social Change: Research topics, trends, and future directions. Technological Forecasting and Social Change. 2023;192:122579. https://doi.org/10.1016/j.techfore.2023.122579

3. Jaiswal R., Gupta Sh., Tiwari A.K. Big data and machine learning-based decision support system to reshape the vaticination of insurance claims. Technological Forecasting and Social Change. 2024;209:123829. https://doi.org/10.1016/j.techfore.2024.123829

4. Каширская Л.В., Тургаева А.А. Внутренний контроль в страховых компаниях. Легко и надежно. Москва: Русайнс; 2021. 355 с.

5. Chen T., Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2016), 13–17 August 2016, San Francisco, CA, USA. New York: ACM; 2016. P. 785–794. https://doi.org/10.1145/2939672.2939785

6. Овсянников А.В., Барашко О.Г. Оценка эффективности программных математических средств технической поддержки принятия решений. В сборнике: Организационно-техническое управление в межотраслевых комплексах: Материалы Международной научно-технической конференции, 28–29 октября 2004 года, Минск, Беларусь. Минск: Белорусский государственный технологический университет; 2004. С. 244–245.

7. Зиатдинова З.Л. Математика страхования: расчет страховых взносов. В сборнике: Проблемы развития малого и среднего бизнеса в сельском хозяйстве в условиях цифровой экономики: Материалы III Международной научно-практической конференции: Том 2, 20–21 мая 2025 года, Казань, Россия. Казань: Казанский государственный аграрный университет; 2025. С. 98–103.

8. Кондрашов А.А., Курашов М.М., Лоскутова Е.Е. Использование данных медицинских информационных систем для разработки персонализированных продуктов лекарственного страхования: моделирование архитектурной концепции. Вестник Смоленской государственной медицинской академии. 2025;24(1):253–261. https://doi.org/10.37903/vsgma.2025.1.36

9. Степанова М.Н., Гавриленко Ж.А. Оценка средств поддержки принятия решений, связанных с формированием обоснованного страхового портфеля домохозяйств. Журнал прикладных исследований. 2023;(11):49–54.

10. Кувайскова Ю.Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта. Известия Самарского научного центра РАН. 2021;23(1):111–114. https://doi.org/10.37313/1990-5378-2021-23-1-111-114

11. Марнадзе Е.И. Цифровизация андеррайтинга: обзор скоринговых систем и методов машинного обучения в личном страховании. Индустриальная экономика. 2025;(S2):125–132. https://doi.org/10.47576/2949-1886.2025.9.9.019

Калач Андрей Владимирович
Доктор химических наук, профессор

ORCID |

Воронежский институт ФСИН России

Воронеж, Российская Федерация

Матыцина Ирина Александровна
Кандидат технических наук

ORCID |

Воронежский институт ФСИН России

Воронеж, Российская Федерация

Золотарев Юрий Николаевич
Доктор технических наук, доцент

ORCID |

Воронежский институт ФСИН России

Воронеж, Российская Федерация

Здольник Владимир Вячеславович
Кандидат технических наук, доцент

ORCID |

МИРЭА – Российский технологический университет

Москва, Российская Федерация

Ключевые слова: прогнозная аналитика, ансамблевые методы машинного обучения, принятие решений, оценка страховых рисков, прогнозирование убытков

Для цитирования: Калач А.В., Матыцина И.А., Золотарев Ю.Н., Здольник В.В. Поддержка принятия решений в прогнозно-аналитической страховой системе. Моделирование, оптимизация и информационные технологии. 2026;14(11). URL: https://moitvivt.ru/ru/journal/article?id=2665 DOI: 10.26102/2310-6018/2026.62.11.010

© Калач А.В., Матыцина И.А., Золотарев Ю.Н., Здольник В.В. Статья опубликована на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NS 4.0)
54

Полный текст статьи в PDF

Скачать JATS XML

Поступила в редакцию 10.09.2026

Поступила после рецензирования 09.11.2026

Принята к публикации 18.11.2026