Lévy-Regularized Bayesian Neural Networks for Fair Reserve Estimation under Solvency II

تواجه شركات التأمين على الحياة عملية توازن مستمرة وعالية المخاطر؛ إذ يتعين عليها تخصيص أموال اليوم للوفاء بوعود تم قطعها قبل عقود، وهو مبلغ يُعرف بالاحتياطي. تعتمد هذه الحسابات على التنبؤ بمدى طول أعمار الناس وقيمة تلك المدفوعات المستقبلية. ولأكثر من قرن، استخدم الخبراء الاكتواريون جداول رياضية لتقدير فترات الأعمار هذه، بافتراض أن معدلات الوفيات تتغير ببطمء وبشكل يمكن التنبؤ به، مثل مد وجزر هادئ في محيط ساكن. ومع ذلك، فإن العالم ليس هادئاً دائماً؛ ففعاليات مثل الأوبئة العالمية يمكن أن تسبب ارتفاعات مفاجئة وعنيفة في معدلات الوفيات، مما يحطم الأنماط السلسة التي تتوقعها النماذج التقليدية. وعند حدوث مثل هذه الصدمات، غالباً ما تفشل الصيغ القديمة، مما يترك شركات التأمين باحتياطيات إما منخفضة بشكل خطير أو مرتفعة بشكل غير ضروري، وكلاهما يهدد استقرار النظام المالي وعدالة الأقساط التي يدفعها حاملو البوالص.

وللتنقل عبر حالة عدم اليقين هذه، ظهر نهج جديد يعامل المستقبل ليس كمسار واحد سلس، بل كمشهد مليء بالقفزات المفاجئة وغير المتوقعة. هذا المنظور يقر بأنه بينما تسير الحياة عادةً في مسار ثابت، إلا أنها قد تتعرض للمقاطعة من خلال أحداث نادرة ومتطرفة. ويكمن التحدي في بناء نظام يمكنه التعلم من البيانات التاريخية للتنبؤ بالأمور العادية، مع الحفاظ في الوقت نفسه على المرونة الكافية للتعرف على ما يحدث عندما تقع الأحداث الاستثنائية والتكيف معها. علاوة على ذلك، يجب أن يضمن هذا النظام أن تكون تكلفة الحماية عادلة، مما يعني أن سعر الشخص يجب أن يعتمد على مخاطره الفعلية، وليس على جنسه أو منطقته أو غيرها من الخصائص الشخصية التي ليس لها علاقة حقيقية بمدة بقائه على قيد الحياة.

في دراسة حديثة، طور باحثون نظاماً حاسوبياً متطوراً مصمماً لحل هذه المشكلات في آن واحد. لقد أنشأوا نوعاً من الذكاء الاصطناعي يعمل كخبير اكتواري رقمي، قادر على تقدير الأموال اللازمة لاحتياطيات التأمين على الحياة حتى عند وقوع جائحة. وخلافاً للبرامج الحاسوبية القياسية التي قد ترتبك أو تتعطل عند مواجهة بيانات لا تشبه ما تدربت عليه، فقد بُني هذا النظام الجديد بـ "شبكة أمان" رياضية محددة. فهو يتضمن طريقة لمحاكاة الصدمات الثقيلة والنادرة، مما يسم يسمح له بتعلم كيفية الاستجابة عندما تقفز معدلات الوفيات بشكل غير متوقع. اختبر الباحثون هذا النظام باستخدام بيانات اصطناعية تحاكي القواعد الصارمة التي يستخدمها المنظمون الأوروبيون لضمان سلامة شركات التأمين. وأظهرت النتائج أنه عندما وقعت جائحة محاكاة، كان نموذجهم الجديد أكثر دقة بكثير من الطرق التقليدية المستخدمة اليوم، حيث قلل الخطأ في تنبؤاته بنسبة ستة وستين بالمائة.

يكمن جوهر هذا الابتكار في كيفية تعلم الحاسوب؛ فبدلاً من مجرد حفظ الأنماط الماضية، صُمم النظام لفهم الهيكل الأساسي للمخاطر. إنه يستخدم تقنية تسمح له بحقن "ضجيج" عشوائي ذي ذيول ثقيلة في حساباته. تخيل نموذج طقس يتنبأ عادةً بأمطار خفيفة، ولكنه مبرمج أيضاً لاستيعاب إعصار ضخم بشكل مفاجئ؛ هذا النظام يفعل الشيء نفسه بالنسبة لمعدلات الوفيات. يمكنه التعامل مع التغيرات السلسة واليومية في توقعات الحياة، مع الاستعداد أيضاً للارتفاعات الحادة والمفاجئة التي تحدث أثناء الأزمات. ومن خلال القيام بذلك، يتجنب الفخ الشائع للنماذج القديمة التي تفترض أن المستقبل سيبدو دائماً مثل الماضي. وقد وجد الباحثون أن هذا النهج لم يحسن الدقة أثناء الأزمات فحسب، بل حافظ أيضاً على دقة عالية خلال الأوقات العادية، مما يثبت أن النموذج يمكن أن يكون قوياً ضد الكوارث وموثوقاً في أوقات السلم في آن واحد.

بعيداً عن الدقة، تناولت الدراسة مصدر قلق أخلاقي بالغ الأهمية: العدالة. لطالما عانت تسعير التأمين من قضية التحيز، حيث قد تُفرض رسوم أعلى على مجموعات معينة ببساطة بسبب خلفيتهم الديموغرافية بدلاً من مخاطرهم الفعلية. قام الباحثون بدمج أداة استدلال سببي مباشرة في عملية تعلم نموذجهم الحاسوبي. تعمل هذه الأداة كمرشح (فلتر)، حيث تجرد التأثير الخاص بالخصائص المحمية مثل الجنس أو الموقع، مما يضمن أن السعر النهائي يتحدد فقط بناءً على عوامل المخاطر المشروعة. وفي اختباراتهم، قللت هذه الطريقة من التفاوت غير العادل في الأقساط بنسبة أربعين بالمائة مقارنة بنماذج الصناعة القياسية. حقق النظام درجة عدالة تقع ضمن الحدود الصارمة التي وضعها المنظمون، مما أثبت إمكانية بناء نموذج يتسم بالدقة العالية والإنصاف العميق في آن واحد.

كما عالج الباحثون الأسس الرياضية لكيفية إجراء هذه التنبؤات. لقد ابتعدوا عن المتوسطات البسيطة واستخدموا بدلاً من ذلك إطاراً أكثر صرامة يعامل عدم اليقين المالي والمخاطر الديموغرافية كقوتين منفصلتين ولكن مرتبطتين. وهذا يسمح للنموذج باستيعاب الطريقة المعقدة التي تتفاعل بها التغيرات الاقتصادية والأزمات الصحية. ومن خلال ضمان احترام المنطق الداخلي للحاسوب لهذه القواعد الرياضية، ضمن الباحثون أن النموذج لن ينتج نتائج غير منطقية أو غير مستقرة، حتى عند تغذيته ببيانات متطرفة. وتعد هذه الاستقرارية أمراً حيوماً للمنظمين، الذين يحتاجون إلى الثقة في أن الأرقام التي تنتجها شركة التأمين سليمة، بغض النظر عن المناخ الاقتصادي أو الصحي.

ولإثبات أن نظريتهم تعمل في الواقع، أطلق الفريق حزمة برمجية مفتوحة المصدر ومجانية تتيح للخبراء الآخرين اختبار واستخدام أساليبهم. وعندما قاموا بتشغيل هذا البرنامج على نفس البيانات المستخدمة في دراستهم، نجح في إعادة إنتاج النتائج المثيرة للإعجاب، مظهرًا انخفاضًا بنسبة ستة وخمسين بالمائة في الخطأ خلال سيناريوهات الجائحة. وتدعو هذه الشفافية المجتمع الأوسع من الخبراء الاكتواريين والمنظمين لفحص العمل والتحقق منه والبناء عليه. ويشير الباحثون إلى أن إطار عملهم يمكن أن يساعد شركات التأمين في نهاية المطاف على حساب المبلغ الدقيق لرأس المال الذي يحتاجون للاحتفاظ به كاحتياطي، مما قد يقلل من الأموال المرتبطة بـ "هوامش الأمان" دون المساس بالسلامة. ويمكن أن يؤدي هذا إلى أسواق أكثر كفاءة وأسعار أكثر عدلاً للمستهلكين، مع الحفاظ على المعايير الصارمة المطلوبة لحماية حاملي البوالص.

تخلص الدراسة إلى أن مستقبل نمذجة التأمين يكمن في الجمع بين مرونة الذكاء الاصطناعي الحديث والانضباط الصارم للنظرية الرياضية والعدالة الأخلاقية. ومن خلال تعليم الحواسيب توقع غير المتوقع وتجاهل التحيزات غير ذات الصلة، نجح الباحثون في إنشاء أداة أفضل ملاءمة لعالم متقلب. ويشير عملهم إلى أننا لم نعد مضطرين للاختيار بين نموذج دقيق في الأوقات العادية وآخر قوي في الأزمات، ولا بين نموذج دقيق ونموذج عادل. بدلاً من ذلك، ومن خلال التصميم الدقيق والفهم العميق للمخاطر الأساسية، من الممكن بناء أنظمة تتفوق في جميع هذه المجالات، مما يوفر أساساً أكثر مرونة وعدلاً للحماية المالية للمجتمع.