📊 statistics

State-Space Representation of INGARCH Models and Their Application in Insurance

تقدم هذه الورقة إطار نموذج فضاء الحالة الهامشي (M-SSM) لتوفير تمثيل قائم على أسس نظرية لنماذج INGARCH يستوعب بشكل طبيعي المتغيرات المصاحبة والبيانات المفقودة، مع توضيح كيف يسهل هذا النهج اشتقاق تمثيلات فضاء الحالة القائمة على الملاحظة لإثبات الاستقرار الضعيف في تطبيقات التأمين.

المؤلفون الأصليون: Jae Youn Ahn, Hong Beng Lim, Mario V. Wüthrich

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jae Youn Ahn, Hong Beng Lim, Mario V. Wüthrich

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك شركة تأمين تحاول التنبؤ بعدد حوادث السيارات أو حرائق المنازل التي ستحدث في العام المقبل لمجموعة معينة من الأشخاص. لديك سجل من المطالبات السابقة (أعداد الحوادث)، ولكن الموقف معقد:

"من" يتغير: يمتلك الأشخاص مستويات خطر مختلفة (التباين/التغاير).
"متى" يتغير: المخاطر ليست ثابتة؛ فهي تتطور بناءً على التاريخ الحديث (إذا تعرضت لحادث الشهر الماضي، فقد تكون أكثر عرضة لوقوع حادث هذا الشهر).
البيانات غير منظمة: أحياناً لا تتوفر لديك بيانات لسنوات معينة لأن حامل البوليصة لم يكن لديه تغطية في تلك السنة.

تقدم هذه الورقة أداة رياضية جديدة لحل هذه المشكلات. فهي تأخذ طريقة موجودة بالفعل وشائعة تسمى INGARCH (وهي جيدة في تتبع كيفية تأثير الأعداد الماضية على الأعداد المستقبلة) وتقوم بترقيتها عبر وضعها داخل نموذج فضاء الحالة (State-Space Model) (وهو إطار عمل يفصل بين "ما نراه" وبين "ما يحدث فعلياً في الخفاء").

إليك تفصيل ذلك باستخدام تشبيهات بسيطة:

1. المشكلة: معضلة "القبعتين"

في الطريقة القديمة المتبعة (نموذج INGARCH القياسي)، كان على "المتوسط الشرطي" (متوسط عدد المطالبات المتوقع) أن يرتدي قبعتين في آن واحد:

القبعة أ (السائق): كان عليه أن يقود المستقبل، أي يقرر كيف يتطور مستوى الخطر بمرور الوقت بناءً على الماضي.
القبعة ب (المقياس): كان عليه أن يحدد حجم الملاحظة الحالية، مع مراعاة أمور مثل عدد السيارات التي يمتلكها الشخص أو عمره.

التشبيه: تخيل أنك تحاول قيادة سيارة بينما تعمل في الوقت نفسه كخريطة للطريق. إذا كنت بحاجة إلى تغيير خريطة الطريق (لأن السائق أصبح أكبر سناً أو يقود سيارة مختلفة)، فعليك التوقف عن القيادة لإعادة رسم الخريطة. هذا يجعل من الصعب جداً التعامل مع الظروف المتغيرة (المتغيرات المصاحبة) أو ضمان استقرار عملية القيادة بمرور الوقت.

2. الحل: "السائق الخفي" (فضاء الحالة)

يقترح المؤلفون نموذجاً جديداً يفصل بين هاتين الوظيفتين. لقد قدموا حالة كامنة (سائق ظل خفي) يقوم بالقيادة، بينما يحدد معدل مسبق (a priori rate) منفصل (خريطة الطريق) المقياس.

السائق الخفي ( $\Theta_t$ ): هذا هو مستوى الخطر الخفي. وهو يتطور بسلاسة بمرور الوقت بناءً على الحوادث الماضية. وقد أثبت المؤلفون أن هذا السائق الخفي يمكن أن يكون "مستقراً ضعيفاً"، مما يعني أن سلوكه مستقر ويمكن التنبؤ به، حتى لو بدت بيانات العالم الحقيقي فوضوية.
خريطة الطريق ( $\lambda_t$ ): هذا هو "المعدل المسبق". وهو يتعامل مع جميع العوامل الخارجية: عمر السائق، نوع السيارة، المدينة التي يعيش فيها، أو حتى إذا لم يكن لديه سيارة هذا العام (التعرض الصفري).

التشبيه: الآن، يركز السائق الخفي فقط على قيادة السيارة (تطوير الخطر). وتخبره خريطة الطريق: "اليوم، أنت تقود شاحنة في عاصفة ثلجية، لذا عدّل سرعتك وفقاً لذلك". وإذا لم يكن لديه سيارة اليوم (بيانات مفقودة)، فإن خريطة الطريق ببساطة تقول "سرعة صفر"، وينتظر السائق الخفي بصبر دون أن يصاب بالارتباك.

3. لمسة "التوزيع الثنائي السالب" (Negative Binomial)

مطالبات التأمين هي "بيانات عدّ" (لا يمكنك الحصول على 2.5 حادث؛ بل 0، 1، 2، إلخ). تستخدم الورقة تحديداً التوزيع الثنائي السالب.

لماذا؟ بيانات التأمين في العالم الحقيقي تعاني من "تشتت زائد". وهذا يعني أن التباين (انتشار الحوادث) أعلى بكثير من المتوسط. بعض الناس لديهم صفر حوادث لسنوات؛ والبعض الآخر لديهم مجموعة من الحوادث المتتالية. التوزيع الثنائي السالب يشبه "مسطرة مرنة" يمكنها التعامل مع هذا التباين الجامح بشكل أفضل من نموذج "بواسون" القياسي.

4. التعامل مع البيانات المفقودة (خدعة "التعرض الصفري")

أحد أكبر الصداع في التأمين هو عندما يتوقف العميل عن البوليصة لمدة عام.

الطريقة القديمة: يتعين عليك القيام بعمليات حسابية معقدة لـ "ملء الفراغات" أو التكامل عبر الاحتمالات المفقودة.
الطريقة الجديدة: نظرًا لأن النموذج يفصل بين "المقياس" ( $\lambda_t$ ) و"السائق"، فإذا لم يكن لدى العميل بوليصة، يمكنك ببساطة ضبط المقياس على صفر.
النتيجة: الحسابات تعرف تلقائياً أن "التعرض الصفري = صفر مطالبات". يتخطى النموذج الحسابات المعقدة لتلك السنة ويترك "السائق الخفي" يتطور بشكل طبيعي إلى السنة التالية. إنه يشبه إيقاف مؤقت للعبة فيديو دون فقدان تقدمك.

5. الإثبات: الاستقرار والتنبؤ

لم يكتفِ المؤلفون ببناء النموذج فحسب؛ بل أثبتوا نجاحه رياضياً.

الاستقرار (Stationarity): لقد أظهروا أنه على الرغم من تغير بيانات العالم الحقيقي (الناس يكبرون في السن، السيارات تتغير)، فإن "السائق الخفي" يظل مستقراً. وهذا أمر بالغ الأهمية للتأمين لأنك بحاجة إلى معرفة أن نموذج المخاطر الخاص بك لن ينهار بمرور الوقت.
الاختبار في العالم الحقيقي: اختبروا هذا النموذج على بيانات حقيقية من صندوق ويسكونسن للحكومة المحلية للتأمين على الممتلكات (1,234 حكومة محلية على مدار 5 سنوات).
- النتيجة: أدى نموذجهم الجديد أداءً يضاهي (وفي بعض الأحيان يتفوق على) النماذج الموجودة في التنبؤ بالمطالبات المستقبلية.
- الميزة الإضافية: كان أسرع وأسهل في الحساب لأنه لم يتطلب تكاملاً عددياً معقداً للتعامل مع الحالات الخفية.

الملخص

تتعلق هذه الورقة بـ فك عقدة. فهي تأخذ نموذج تنبؤ تأميني معقد، وتفكك "الخطر المتطور" عن "الظروف المتغيرة"، وتغلفها في حزمة مستقرة رياضياً.

للمكتتب (Actuary): يعني هذا أنه يمكنك بسهولة إضافة متغيرات جديدة (مثل قانون جديد أو تغيير في نوع السيارة) دون كسر استقرار النموذج.
للبيانات: إنه يتعامل مع السنوات المفقودة (عدم وجود بوليصة) بكل سهولة.
للرياضيات: إنه يثبت أن "محرك المخاطر" الخفي مستقر، مما يمنح شركات التأمين الثقة في تسعيرها طويل الأجل.

تخلص الورقة إلى أن نموذج "Heterogeneous NB-INGARCH" هذا هو أداة عملية وقوية لتحديد أسعار تأمين عادلة في عالم متغير.

ملخص تقني: تمثيلات فضاء الحالة لنماذج (INGARCH) ذات التوزيع الثنائي السلبي لتسعير التأمين

1. بيان المشكلة

تتناول الورقة قيوداً محددة في نماذج (INGARCH) ذات القيم الصحيحة (Integer-valued Generalized Autoregressive Conditional Heteroskedastic) عند تطبيقها في تسعير التأمين، لا سيما في تأمين الممتلكات والحوادث (P&C). وبينما تحظى نماذج (INGARCH) بشعبية نظراً لسهولة حساب احتمالية (likelihood) الخاصة بها وبنيتها التكرارية الخطية (affine recursion) في نمذجة الاعتماد المتسلسل في السلاسل الزمنية للعدّ، إلا أنها تواجه تحديين رئيسيين في سياقات التأمين:

إدراج المتغيرات المفسرة (Covariates): تُعرف صياغات (INGARCH) القياسية المتوسط الشرطي كتركيبة خطية من الملاحظات الماضية والمتوسطات الشرطية الماضية. إن إدخال متغيرات خارجية (لتجسيد التباين بين حاملي الوثائق) أمر صعب لأن المتوسط الشرطي يجب أن يظل موجباً تماماً. فإضافة حدود المتغيرات الخطية تتطلب قيوداً صارمة على عدم السالبية لكل من المعاملات والمتغيرات، بينما تؤدي بدائل الرابط اللوغاريتمي (log-link) إلى تعطيل البنية الخطية (affine structure) وتفسير المصداقية (credibility interpretation) المرتبط بها.
الاستقرار مقابل التباين (Stationarity vs. Heterogeneity): تتميز لوائح التأمين عادةً بسلاسل زمنية قصيرة (مثلاً $\le 10$ فترات) وخصائص متغيرة بمرور الوقت لحاملي الوثائق. إن افتراضات الاستقرار القياسية للعملية المرصودة تكون غير مناسبة عندما يتغير مقياس الملاحظات بشكل منهجي بمرور الوقت بسبب المتغيرات المفسرة. ومع ذلك، فإن وجود مفهوم مناسب للاستقرار يعد أمراً ضرورياً للتسعير. في نموذج (INGARCH) الكلاسيكي، يلعب المتوسط الشرطي دوراً مزدوجاً: فهو يحكم التطور الزمني ويحدد مقياس الملاحظة، مما يجعل من الصعب فصل هذه الديناميكيات لتعريف الاستقرار عند مستوى كامن (latent level).

2. المنهجية

يقترح المؤلفون نموذج (Heterogeneous Negative-Binomial INGARCH(1,1)) لتسعير التأمين. والابتكار المنهجي الجوهري هو تفكيك المتوسط التنبؤي إلى معدل مسبق (a priori rate) متغير زمنياً ( $\lambda_t$ ) ومتوسط أساسي شرطي ( $M_{t|t-1}$ ).

الخطوات المنهجية الرئيسية:

تفكيك النموذج: يتم تعريف عدد المطالبات المتوقع كـ $E[Z_t | Z_{\le t-1}] = \lambda_t M_{t|t-1}$ $E [Z_{t} ∣ Z_{\leq t - 1}] = λ_{t} M_{t ∣ t - 1}$ .
- $\lambda_t$ : يلتقط التباين المتغير زمنياً عبر المتغيرات الخارجية (مثلاً $\lambda_t = \exp(x_t^\top w)$ ).
- $M_{t|t-1}$ : يتبع تكرار (INGARCH(1,1)) خطي ( $M_{t+1|t} = \beta^{[0]}_t + \beta^{[1]}_t Z_t + \beta^{[2]}_t M_{t|t-1}$ )، مما يحافظ على ديناميكيات حالة المخاطر الأساسية.
تكافؤ فضاء الحالة (M-SSM): يوضح المؤلفون أن نموذج (Heterogeneous NB-INGARCH) المقترح يكافئ نموذج فضاء الحالة الهامشي (M-SSM) مع:
- معادلة الملاحظة: $Z_t | \Theta_t \sim \text{Pois}(\lambda_t \Theta_t)$ .
- التطور الهامشي: $\Theta_{t+1} | Z_{\le t} \sim \text{Gamma}(a_{t+1|t}, b_{t+1|t})$ .
  حيث تمثل $\Theta_t$ حالة المخاطر الكامنة. هذا التكافؤ يسمح للنموذج بالتعامل مع التباين المتغير زمنياً بشكل طبيعي من خلال طبقة الملاحظة، بينما يتم نمذجة الاعتماد المتسلسل من خلال ديناميكيات الحالة الكامنة.
الاستقرار الضعيف عبر الرفع (Weak Stationarity via Lifting): مساهمة نظرية هامة تتمثل في معالجة حقيقة أن نماذج (M-SSMs) تحدد فقط التوزيعات الهامشية الشرطية، مما يترك بنية التباين للعملية غير محددة.
- يوضح المؤلفون أنه تحت قيود معينة للمعلمات (تحديداً فيما يتعلق بمعلمات التطور $\Delta_t$ و $q_t$ )، يمكن "رفع" (M-SSM) إلى نموذج فضاء حالة خطي (LSSM) كامل.
- في عملية الرفع (LSSM) هذه، تحقق الحالة الكامنة $\Theta_t$ تطور متوسط خطي شرطي: $E[\Theta_{t+1} | \Theta_t, Z_{\le t}] = \Delta_t \Theta_t + (1-\Delta_t)$ .
- والأهم من ذلك، يثبت المؤلفون أنه بينما يكون التطور المشترك الكامل (الرفع) غير فريد، فإن بنية التباين للعملية الكامنة محددة بشكل فريد بواسطة مواصفات (M-SSM). بناءً على ذلك، إذا كان $\Delta_t \equiv \Delta \in (0, 1]$ ، فإن عملية الحالة الكامنة تكون مستقرة ضعيفاً، حتى في ظل وجود تباين متغير زمنياً في الملاحظات.

3. المساهمات الرئيسية

صياغة Heterogeneous NB-INGARCH: تقدم الورقة نموذجاً يدمج بنجاح المتغيرات المفسرة المتغيرة زمنياً (التباين) في إطار (INGARCH) دون انتهاك البنية الخطية المطلوبة لتفسيرات المصداقية.
تمثيل M-SSM: تؤسس الورقة تكافؤاً بين نموذج (Heterogeneous NB-INGARCH) ونموذج (Poisson-Gamma M-SSM)، مما يوفر إطاراً موحداً حيث تؤثر المتغيرات المفسرة على مقياس الملاحظة بينما تؤثر الديناميكيات على الحالة الكامنة.
حل مشكلات الاستقرار: تعالج الورقة التعارض بين التباين المتغير زمنياً والاستقرار من خلال صياغة الاستقرار الضعيف على مستوى عملية الحالة الكامنة. كما تثبت أن بنية التباين لهذه العملية محددة وفريدة عبر جميع عمليات رفع (LSSM) المتوافقة، مما يبرر استخدام افتراضات الاستقرار الضعيف في بيانات التأمين ذات السلاسل الزمنية القصيرة.
التعامل مع البيانات المفقودة: تسمح صياغة فضاء الحالة بمعالجة مبدئية للبيانات المفقودة (مثل فترات التعرض الصفرية) عن طريق جعل المعدل المسبق $\lambda_t = 0$ . وهذا يجعل الملاحظة متدهورة عند الصفر، مما يسمح للنموذج بتخطي خطوة الترشيح (filtering) ونشر عدم اليقين حصرياً من خلال معادلة التطور، متجنباً الحاجة إلى التكامل العددي في الاحتمالية (likelihood).

4. النتائج

تتحقق الورقة من صحة النموذج باستخدام بيانات حقيقية من تأمين الممتلكات والحوادث (P&C) من صندوق تأمين الممتلكات للحكومات المحلية في ويسكونسن (LGPIF)، والتي تغطي 1,016 كياناً من عام 2006 إلى 2010، مع مجموعة اختبار خارج النطاق من عام 2011.

الأداء المقارن: تمت مقارنة نموذج (Heterogeneous NB-INGARCH) المقترح بنموذج (Poisson-AR(1)) فضاء الحالة المستقر ونموذج التأثيرات العشوائية (Poisson-Gamma random-effects).
- اللوغاريتم الاحتمالي (Log-Likelihood): حقق النموذج المقترح أعلى لوغاريتم احتمالي خارج العينة (-176.94)، متفوقاً على نموذج (Poisson-AR(1)) (-177.90) ونموذج التأثيرات العشوائية (-179.02).
- متوسط مربع الخطأ (MSE): سجل نموذج (Poisson-AR(1)) أدنى متوسط مربع خطأ (0.184 مقابل 0.193 للنموذج المقترح)، وإن كانت الفروق هامشية.
تقديرات المعلمات: يشير معامل الاستمرار المقدر $\hat{\Delta} \approx 0.925$ (أقل من 1) إلى أن البيانات تدعم التحديث الديناميكي بما يتجاوز هيكل التأثيرات العشوائية البحتة ( $\Delta=1$ )، مما يؤكد ضرورة ديناميكيات (INGARCH).
الكفاءة الحسابية: على عكس نموذج (Poisson-AR(1))، الذي يتطلب تكاملاً عددياً أو ترشيحاً فوق الحالة الكامنة لتقييم الاحتمالية، يوفر نموذج (NB-INGARCH) المقترح توزيعاً تنبؤياً ثنائياً سالباً ذا صيغة مغلقة. وينتج عن ذلك إجراء تقدير أبسط وأسرع.

5. الأهمية والادعاءات

تدعي الورقة أن أهميتها الرئيسية تكمكمن في سد الفجوة بين نماذج (INGARCH) ونماذج فضاء الحالة (SSMs) لتطبيقات التأمين.

القابلية للتفسير: من خلال فصل مقياس الملاحظة (التباين) عن الديناميكيات الكامنة، يقدم النموذج تفسيراً أوضح لتطور المخاطر، مما يتماشى مع نظرية المصداقية الاكتوارية.
القابلية للتطبيق العملي: تم تصميم الإطار خصيصاً لقيود بيانات التأمين: السلاسل الزمنية القصيرة، ضرورة وجود المتغيرات المفسرة، والحاجة إلى مفهوم استقرار يستوعب خصائص حاملي الوثائق المتغيرة زمنياً.
التبرير النظري: توفر الورقة الأساس النظري اللازم (عبر بنية التباين الفريدة لرفع LSSM) لتبرير استخدام افتراضات الاستقرار الضعيف للحالات الكامنة في البيئات المتباينة، وهي ميزة كان من الصعب التوفيق بينها وبين صياغات (INGARCH) القياسية.

يخلص المؤلفون إلى أنه بينما يمكن للأعمال المستقبلية توسيع هذه النتيات لتشمل فئات (INGARCH) أوسع، فإن الإطار المقترح يقدم أداة قوية وفعالة حسابياً وسليمة نظرياً للتحليل التنبؤي في تسعير تأمين الممتلكات والحوادث.