Оптимизация и моделирование процесса формирования прибыли страховой компании "Индиго" - Формирование прибыли и доходов страховых компаний

Для повышения эффективности управления страховыми операциями страховые компании должны осуществлять мероприятия, которые стимулировали бы страховую деятельность, увеличивали объем реализации страховых услуг и обеспечивали бы их доходность.

Ряд страховых компаний использует в своей деятельности метод научного управления, в основу которого положены экономико-математические методы. Это позволяет с помощью математических формул выразить цель, преследуемую страховой компании на конкретном этапе ее развития в увязке с ограничениями и требованиями, предъявляемыми или устанавливаемыми клиентами и законодательством Украины.

Однако вопросы прогнозирования в страховании освещены недостаточно. Поэтому не представляется возможным воспользоваться готовой математической моделью. Другая сложность прогнозирования развития страхования - невозможность использовать длинные временные ряды. Это стало невозможным или трудно достижимым в связи с происшедшими за последние время крупными геополитическими изменениями в стране, а также финансово-экономическими динамическими изменениями, большим уровнем инфляции и т. д. Конечно, можно попытаться составить приведенный ряд, но при этом неизбежно снижение точности прогнозирования вследствие внесения помех. Поэтому прогнозирование приходится проводить на коротком временном ряду. Однако не все модели позволяют добиться достаточно высокой точности на коротких временных рядах. Особенно актуальным этот вопрос становится при долгосрочном прогнозировании. Определенные сложности возникают также при наличии в коротких временных рядах значительной случайной составляющей. Это приводит к тому, что задача синтеза моделей долгосрочного прогнозирования становится некорректной.

Показатель объема страховых платежей имеет синтетический характер и формируется под влиянием целого ряда факторов, в том числе факторов первого и второго порядка. Практика страхового дела показывает, что динамические ряды показателей, выражающих эти факторы, довольно устойчивы. Устойчивость динамических рядов (стабильность темпов роста и прироста показателей) представляет собой объективную основу для планирования объема каждого из факторов, а затем и синтетического показателя объема платежей. На этих закономерностях построена в принципе вся методика планирования поступления страховых платежей.

В процессе прогнозирования и планирования важно помнить, что страховая организация может в своей работе использовать как типовые договоры, рассчитанные на массового потребителя, так и договоры с индивидуально разработанными условиями и страховой премией. В первом случае проявляется действие закона больших чисел, хорошо видны статистические закономерности, на основе анализа которых проводится планирование. Во втором случае планирование проводится по каждому договору в отдельности, с учетом его срока и особенностей.

Следует отметить, что страховой портфель, состоящий в основном из крупных индивидуализированных договоров, как правило, неустойчив и требует перестрахования, что предполагает дополнительные затраты. Требования повышения финансовой устойчивости подталкивают страховые организации к наращиванию количества договоров. Рост количества договоров, с одной стороны, и рационализация труда персонала страховой организации, с другой стороны, приводят к появлению элементов типизации договоров, а с ней и проявления закона больших чисел. В связи с этим портфель достаточно развитой страховой организации всегда поддается планированию.

Перспективный анализ предназначен для исследования финансово-хозяйственной деятельности СК с целью определения путей ее дальнейшего развития. Расчет основных параметров, характеризующих явления и процессы финансово-хозяйственной деятельности СК, с позиций будущего, позволяет осуществить проекцию постоянных элементов предыдущих периодов и, определить их следующие значения. Количественная оценка значений выбранных параметров СК помогает очертить прогнозное пространство, которое заполняется путем детализации предварительно определенных показателей.

Одним из методов прогнозирования финансовых показателей деятельности СК является прогнозирование на основе зависимости между объемом привлеченных СК средств от страховых операций и такими его финансовым показателям, как страховые премии, страховые выплаты и финансовый результат (прибыль). Есть разные способы оценивания параметров такой зависимости.

Одним из примеров может служить расчет зависимости показателей деятельности СК и объема от результатов страховых операций и отображения на ее основе линейной регрессионной математической модели. Описание модели и расчет представлены в п. 3.3.

Одним из методов прогнозирования финансовых показателей деятельности СК является прогнозирование на основе зависимости между объемом привлеченных СК средств от страховых операций и такими его финансовым показателям, как страховые премии, страховые выплаты и финансовый результат (прибыль). Есть разные способы оценивания параметров такой зависимости.

Одним из примеров может служить расчет зависимости показателей деятельности СК и объема валовых расходов и валовых доходов отображения на ее основе линейной регрессионной математической модели.

На основе имеющихся статистических данных за предыдущие отчетные периоды времени определить регрессионные модели для определения формирования финансового результата СК.

Модели зависимости финансового результата от валовых расходов и валовых доходов СК представлена ниже:

ЧП= а0+а1*Х1+а2*Х2,

Где Х1 - валовые расходы СК

Х2 - валовые доходы СК

А0, а1 - неизвестные параметры модели

Далее с помощью имеющихся исходных данных необходимо решить систему линейных уравнений:

После определения коэффициентов уравнения регрессии необходимо рассчитать коэффициент множественной корреляции R, который характеризует тесноту связи между факторными и результативным признаками. Коэффициент множественной корреляции определяется по формуле

Чем ближе его величина к 1, тем более тесная связь между изучаемыми показателями.

Таблица 3.3 Исходные данные для экстраполяции чистой прибыли

I

II

III

IV

I

II

III

IV

I

II

III

IV

Х1

34353,9

8815,2

22726,7

48884,9

24151,5

981,4

3938,8

10029,4

9654,6

7992,6

8964,3

9152,3

Х2

42438,1

18916,2

32310,9

57492,2

29842,5

7682,6

8953,7

20342,8

16789,4

17284,2

13675,4

14723,6

ЧП

1595,8

1439,9

1369,7

116,2

265,2

943,4

306,1

1279,3

856,18

1114,99

565,33

789,5

Произведем расчет коэффициента корреляции и построим линейную модель множественной регрессии для ЧП

Таблица 3.4 Исходные данные расчета коэффициента корреляции и линейной модели множественной регрессии ЧП

ЧП

X1

X2

1595,8

-34353,9

42438,1

1439,9

-8815,2

18916,2

1369,7

-22726,7

32310,9

116,2

-48884,9

57492,2

265,2

-24151,5

29842,5

943,4

-981,4

7682,6

306,1

-3938,8

8953,7

1279,3

-10029,4

20342,8

856,18

-9654,6

16789,4

1114,99

-7992,6

17284,2

565,33

-8964,3

13675,4

789,5

-9152,3

14723,6

Произведем расчет коэффициента корреляции и построим корреляционную матрицу. Коэффициент корреляции используется для определения наличия взаимосвязи между двумя свойствами.

КОРРЕЛ (массив1; массив2)

Массив 1 -- это ячейка интервала значений.

Массив 2 -- это второй интервал ячеек со значениями.

С помощью программы Excel и функции "КОРРЕЛ" произведем расчет коэффициента корреляции и построим корреляционную матрицу (табл. 3.5).

Таблица 3.5 Корреляционная матрица

ЧП

X1

X2

ЧП

1

X1

0,169869

1

X2

-0,07355

-0,99094

1

Из данной таблицы можно сделать следующие выводы:

В качестве 1 и 2 массива были взяты значения 4-х кварталов за 2009 - 2011 гг.

Чем выше коэффициент, тем связь у параметров банка сильнее (максимально приближенно к 1).

Взаимосвязь между коэффициентами следующая:

    - валовые доходы и валовые расходы достаточно тесно взаимосвязаны друг с другом (0,99094) - связь достаточно сильная, это говорит о том, что уровень расходов зависит от объема доходов. - на объем чистой прибыли (убытка) валовые доходы и валовые расходы оказываю незначительное влияние.

Построим линейную модель множественной регрессии для ЧП. Эмпирические коэффициенты регрессии а0, а1, а2 целесообразно определять с помощью инструмента Регрессия надстройки Анализ данных табличного процессора MS Excel.

Алгоритм определения коэффициентов состоит в следующем: Вводим исходные данные в табличный процессор MS Excel Вызываем надстройку Анализ данных.

Выбираем инструмент анализа Регрессия, Заполняем соответствующие позиции окна Регрессия

Нажимаем кнопку ОК окна Регрессия и получаем протокол решения задачи (см. Приложение Е).

Таким образом, из таблицы Е.1 видно, что эмпирические коэффициенты регрессии соответственно равны: а0 = -259,27510; а1 = 0,188193; а2 = 0,176297. Тогда уравнение множественной линейной регрессии, связывающей величину y x1 и x2, имеет вид: -259,27510 + 0,188193 Х1 + 0,176297 Х2.

При увеличении валовых расходов на 1 д. ед., ЧП уменьшается на 0,188193 при постоянстве объема валовых доходов.

При увеличении валовых доходов на 1 грн.., ЧП увеличивается на 0,176297, при постоянстве объема валовых расходов.

Величина коэффициента множественной корреляции R, который характеризует тесноту связи между факторными и результативным признаками обозначена как множественный R и равна 0,72581. Поскольку теоретически величина данного коэффициента находится в пределах от -1 до +1, то можно сделать вывод о невысокой статистической взаимосвязи между величинами x1, х2 и величиной y.

Параметр R-квадрат, представленный на рисунке, представляет собой квадрат коэффициента корреляции Rxy2 и называется коэффициентом детерминации. Величина данного коэффициента характеризует долю дисперсии зависимой переменной y, объясненную регрессией (объясняющей переменной x). Соответственно величина 1 - Rxy2 характеризует долю дисперсии переменной y, вызванную влиянием всех остальных, неучтенных в эконометрической модели объясняющих переменных. Из рисунка видно, что доля всех неучтенных в полученной эконометрической модели объясняющих переменных приблизительно составляет: 1 - 0,52680= 0,473199, или 47,3 %.

Недостаточно высокая степень точности прогноза получилась за счет низкой автокоррелированности динамического ряда, связанного с его малой длиной. В результате можно сделать следующие выводы и обобщения: в связи с нестабильным характером переходного периода в экономике и существенными геополитическими изменениями, происшедшими в последние время, прогнозирование целесообразно проводить на коротком временном ряду. При построении краткосрочных прогнозов возникает необходимость учитывать колебания цен, уровня инфляции и изменения законодательства. Для решения этих задач были применены следующие методические подходы: учет связи с предысториями и выбор полинома оптимальной степени.

Похожие статьи




Оптимизация и моделирование процесса формирования прибыли страховой компании "Индиго" - Формирование прибыли и доходов страховых компаний

Предыдущая | Следующая