این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و مهندسی زلزله، جلد ۱۱، شماره ۳، صفحات ۱۰۷-۱۲۲
عنوان فارسی ارزیابی عملکرد صنعت بیمه زلزله با روش‌های آمار فضایی: مطالعه موردی زلزله سرپل‌ذهاب
چکیده فارسی مقاله در این مقاله عملکرد تعدادی از شرکت‌های بیمه در زلزله‌های چند سال اخیر کشور با تأکید بر زلزله آبان 1396 سرپل‌ذهاب در استان کرمانشاه با استفاده از روش‌های دیداری‌سازی و آمار فضایی که همبستگی فضایی میان مشاهدات را در نظر می‌گیرد با دقتی بالاتر از روش‌های کلاسیک بررسی می‌شود. خسارات زمین‌لرزه‌ها و خسارات پرداختی 19 شرکت بیمه برای این زمین‌لرزه‌ها در بیش از یک دهه گذشته به‌خصوص زلزله سال 1396 سرپل‌ذهاب کرمانشاه جمع‌آوری و توزیع پرداخت‌ها بر اساس روش‌های دیداری‌سازی در سال‌ها، استان‌ها و شرکت‌های بیمه استخراج می‌گردد؛ برای زلزله سرپل‌ذهاب، بر اساس اطلاعات یک شرکت بیمه مورد مطالعه، احتمال پرداخت به بیمه‌گذاران ساختمان در موقعیت‌های فضایی با استفاده از پیشگوی فضایی کریگیدن پیش‌بینی می‌شود. بررسی عملکرد شرکت‌های بیمه نشان می‌دهد برخی شرکت‌های بیمه پرداخت‌های قابل توجهی در یک زلزله دارند؛ در برخی سال‌ها تعدادی زیادی زلزله خسارت‌بار رخ داده و پرداخت‌های زیادی از طرف شرکت‌های بیمه انجام شده است. سهم شرکت‌های بیمه در جبران خسارات زمین‌لرزه‌ها در حال افزایش است. در زمین‌لرزه سرپل‌ذهاب، بیشترین احتمال پرداخت خسارت شرکت بیمه مورد مطالعه در شهرستان‌های غرب استان کرمانشاه است. بیمه‌گذاران ساختمان‌ها در مرکز این شهرستان‌ها و اطراف آن‌ها پرداخت بیشتری دریافت می‌کنند.
کلیدواژه‌های فارسی مقاله صنعت بیمه،ساختمان،همبستگی‌ فضایی،رگرسیون لوژستیک،پیشگوی فضایی کریگیدن،زلزله،
عنوان انگلیسی Assessment of Earthquake Insurance Industry's Performance Using Spatial Statistics Methods: A Case Study of the 2017 Sarpol-e Zahab Earthquake
چکیده انگلیسی مقاله Earthquakes are a systemic risk, simultaneously affecting large geographic areas and multiple assets, thereby imposing substantial financial burdens on insurance companies. Understanding the insurance industry’s performance in past earthquakes is crucial for shaping future insurance policies and ensuring financial sustainability. By analyzing historical data and integrating it into advanced risk models, insurance companies can enhance their ability to mitigate future losses while maintaining profitability. The role of the insurance industry in compensating earthquake-induced losses has been a focal point of studies conducted by researchers, governments, and institutions worldwide. However, in Iran, the relatively short history of natural disaster insurance has resulted in a scarcity of comprehensive reports and studies. In addition, existing analyses primarily rely on classical statistical methods, which assume independence among observations. This assumption is often violated in the context of earthquake impacts, where spatial autocorrelation-where geographically proximate observations are more similar-plays a significant role. To address this limitation, spatial statistical methods, which explicitly account for spatial autocorrelation, provide a more robust analytical framework. This study investigates economic losses from earthquakes and the insurance industry’s response between 2007 and 2020 across seismic regions of Iran. Data on economic losses were collected from official government statistics, statements by authorities, provincial government announcements, and news reports. Concurrently, data on insurance payouts and the number of payouts were gathered from 19 insurance companies over the same period. A focused analysis of the 2017 Sarpol-e Zahab earthquake in Kermanshah province was also conducted, examining regional losses and the payout distribution of a specific insurance company. The study employed a two-tiered analysis approach. First, a comprehensive analysis of earthquake losses and insurance payouts was conducted using data visualization techniques to manage the complexity and volume of data. This exploration spanned temporal (annual) and spatial (provincial) dimensions over the past decade. Second, for the Sarpol-e Zahab earthquake, spatial prediction techniques, specifically kriging, were used to predict the probability of insurance payouts. Logistic regression models provided baseline probability prediction, which were refined using spatial residuals to achieve higher accuracy compared to classical statistical methods. The refined spatial models enabled a detailed mapping of insurance payouts at the provincial level. The analysis revealed significant insights into the performance of insurance companies. Over the past decade, certain companies faced substantial financial burdens due to payouts for single, high-impact earthquakes. In years marked by multiple damaging earthquakes, the cumulative payouts by the insurance sector were notably high. Encouragingly, the insurance industry’s contribution to compensating earthquake losses has shown a growing trend. In the case of the Sarpol-e Zahab earthquake, the analyzed insurance company demonstrated the highest probability of payouts in the western counties of Kermanshah province. Higher payouts were observed in central parts of these counties and surrounding areas, reflecting variations in policyholder distribution and building types. The spatial models effectively captured these regional payout distributions with greater accuracy than classical methods. This study underscores the importance of integrating spatial statistics into the analysis of earthquake losses and insurance industry performance. Such approaches not only provide deeper insights into loss distribution and payout patterns but also enhance the precision of risk modeling, paving the way for more resilient insurance frameworks in the face of natural disasters.
کلیدواژه‌های انگلیسی مقاله صنعت بیمه,ساختمان,همبستگی‌ فضایی,رگرسیون لوژستیک,پیشگوی فضایی کریگیدن,زلزله
نویسندگان مقاله مرتضی بسطامی |
دانشیار، پژوهشکده مهندسی سازه، پژوهشگاه بین‌المللی زلزله‌شناسی و مهندسی زلزله، تهران، ایران

مهدی رحمانی قرانقیه |
دانشجوی دکتری مهندسی زلزله، پژوهشکده مهندسی سازه، پژوهشگاه بین‌المللی زلزله‌شناسی و مهندسی زلزله، تهران، ایران

اسماء حمزه |
استادیار، پژوهشکده بیمه، تهران، ایران

نشانی اینترنتی https://www.bese.ir/article_717478_bb829a7e5e28cebe2a3e58087cc8a962.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات