۵-۴ پیشنهاد برای تحقیقات آینده

یکی از کاربست‌های اصلی شبکه‌های عصبی مصنوعی خوشه بندی داد‌ها می‌باشد. به نظر می‌رسد که انجام تحقیقاتی در زمینه‌ دسته بندی افراد از لحاظ رفتار خرید بیمه‌های عمر با بهره گرفتن از شبکه های عصبی مصنوعی، هم به لحاظ کاربردی و هم به لحاظ نوآوری مفید باشد.
ارزیابی ریسک مشتریان بیمه یکی از چالش برانگیزترین دغدغه‌های مدیران و سیاستگذارن این حوزه می‌باشد. با توجه به اینکه این ریسک‌ها عموما در دو دسته جای می‌گیرند؛ دسته اول مرگ بیمه‌گذار و دسته دوم فسخ قراردادهای سودآور و توجه به این مساله که در ایران تحقیقات معدودی در این زمینه صورت گرفته است و ارزیابی این دو ریسک با روش‌های قدیمی انجام می‌شود، لذا به کاربردن تکنیک‌های هوش مصنوعی در ارزیابی این ریسک‌ها را به عنوان یک روش کاربردی و مفید پیشنهاد می‌کنم.
تحقیقات متعددی رابطه بین ویژگی‌های دموگرافیک افراد و مرگ زود‌رس را بررسی کرده‌اند و ریسک‌فاکتور‌های مرگ زودرس را شناسایی کرده‌اند. به نظر اینجانب تحقیق بر روی محاسبه حق بیمه‌ها بر اساس ویژگی‌های دموگرافیک افراد می‌تواند بسیار مفید باشد و فصل تازه را در مقوله محاسبه سریع و دقیق حق بیمه‌های عمر آغاز کند.
منابع:
ابریشمی، ح. غنیمی فرد، ح. احراری، م و رحیمی، ز. (۱۳۸۹). الگوسازی و پیش‌بینی آثار تغییرات قیمت نفت خام بر GDP کشورهای آمریکا و انگلستان. مطالعات اقتصاد بین الملل، تهران ۲۱(۲)،ص‌ص.۲۳-۴۲
احمدی، م. (۱۳۸۰). خود آموز بیمه.تهران: انتشارات محقق.
اسدی، م و پورکاظمی، م.(۱۳۸۸). پیش بینی پویای قیمت نفت خام با بهره گرفتن از شبکه های عصبی مصنوعی و با به کارگیری ذخیره سازی های نفتی کشورهایOECD.تهران،فصلنامه تحقیقات اقتصادی(۸۸)،ص‌ص ۲۵-۴۶٫
اشلقی، ع و حق دوست، ش. (۱۳۸۶). مدل سازی پیش‌بینی قیمت سهام با بهره گرفتن از شبکه عصبی و مقایسه آن با روش های پیش‌بینی ریاضی. پزوهشنامه اقتصادی. تهران، ۳(۱)،ص‌ص ۱۹-۴۲٫
امینی،ص.(۱۳۸۹). پیش بینی حق بیمه عمر از طریق شبکه های عصبی و مدل های ARIMA، فصلنامه صنعت بیمه، تهران، ۱(۲)،ص‌ص ۱۶-۳۲ .
بلوچیان، ح و بلوچیان، س. (۱۳۹۱). مدل‌سازی فرایند پیش‌بینی تردد و سرعت در یک مسیر جاده ای به کمک شبکه عصبی مصونی. فصلنامه راهور،تهران، ۱۹(سال نهم)،ص‌ص ۱-۱۰٫
رضایی پور، م. ذوالفقاری، م. دیندارلویوسفی، م و نجارزاده، ا. (۱۳۹۲). مقایسه عملکرد مدل های خطی و غیرخطی در توضیح سیستم تقاضای تقریبا ایده آل. مدلسازی اقتصادی، تهران، ۲(۲۲)،ص‌ص ۸۳-۹۹٫
پیرهادی، م. (۱۳۷۸-۸۸). بررسی دلایل عدم توسعه بیمه عمر و ارائه راهکارهای پیشنهادی. (کارشناسی ارشد)، دانشگاه آزاد، تهران مرکز.
ثبات، غ. (۱۳۷۷). انجمن بیمه‌گران بریتانیایی - آشنائی با بیمه. تهران: بیمه مرکزی ایران.
جعفرزاده، ع. (۱۳۷۶). بررسی آثار تورم بر بیمه زندگی. پژوهشنامه بیمه، تهران، ۱۲(۱)، ص‌ص ۸۵-۱۰۰٫
خرمی، ف. (۱۳۷۶). عوامل مؤثر بر رشد بیمه‌های زندگی. صنعت بیمه، تهران، (۴۷)،ص‌ص ۱-۲۶٫
دستباز، ه. (۱۳۷۲). اصول و کلیات بیمه‌های اشخاص،تهران: دانشگاه علامه طباطبائی.
فتحی‌زاده، ح. (۱۳۷۶). بررسی عوامل‌ موثر بر بازار بیمه‌ اشخاص‌ در ایران‌. (کارشناسی ارشد)، دانشگاه‌ مازندران‌، دانشکده‌ علوم‌ انسانی و اجتماعی، مازندران.
حیدری زارع، ب و کردلویی، ح. (۱۳۸۹). پیش بینی قیمت سهام با بهره گرفتن از شبکه عصبی مصنوعی. پژوهشگر (مدیریت)،تهران، ۷(۱۷)،ص‌ص ۴۹-۵۶٫
شکیبایى، ع. نظام آبادى پور، ح و حسینى،س. (۱۳۸۸). پیش بینی عرضه نفت خام در یازده کشور تولیدکننده با بهره گرفتن از شبکه هاى عصبی و رگرسیون خطی. دانش و توسعه، تهران، ۱۶(۲۷)،ص‌ص ۱۱۹-۱۹۸٫
صالحی، ج. (۱۳۷۷). حقوق زیان دیدگان و بیمه شخص ثالث. تهران: دانشکده مدیریت دانشگاه تهران
عزیزی، ف. (۱۳۸۴). رابطه میان متغیرهای کلان اقتصادی و تقاضا برای بیمه عمر در ایران . فصلنامه مدرس علوم انسانی زمستان. ویژه نامه مدیریت.تهران، ۴(۴۹)، ص‌ص ۱۳۵-۱۵۰٫
فلاحی، م. خالوزاده، ح و حمیدی علمداری، س. (۲۰۰۶). الگوسازی غیرخطی و پیش‌بینی درآمدهای مالیات بر مشاغل دراقتصاد ایران (کاربردهای شبکه‌های عصبی مصنوعی). تحقیقات اقتصادی-دانشگاه تهران، ۱۸(۳)، ص‌ص ۲۴-۴۱٫
قدیمی، م و مشیری س. (۱۳۸۱). مدل سازی و پیش بینی رشد اقتصادی در ایران با بهره گرفتن از شبکه های عصبی مصنوعی (ANN) . پژوهشهای اقتصادی ایران. تهران، ۴(۱۲)،ص‌ص۹۷-۱۲۵٫
کاردگر،ا. (۱۳۷۶). تعیین عوامل موثر برتقاضای بیمه‌های عمردرصنعت بیمه‌ایران. (کارشناسی ارشد)، دانشگاه شهید بهشتی،تهران.
کربلایی، ر. (۸۸/۰۵/۰۷). الزامات رشد ۸ درصدی اقتصاد، خراسان، تهرانp. 1.
کریمی، آیت. (۱۳۹۱). کلیات بیمه. تهران : پژوهشکده بیمه.
گلچینیان، ع. (۱۳۸۷). کلیات و اصول بیمه‌های بازرگانی، تهران : بیمه مرکزی.
مرزبان، ح. اکبریان، ر و جواهری، ب. (۱۳۸۴). یک مقایسه بین مدل های اقتصاد سنجی ساختاری، سری زمانی و شبکه عصبی برای پیش‌بینی نرخ ارز. تحقیقات اقتصادی، تهران، ۳۴(۲)،ص۱۸۱-۲۱۶٫
مهدوی، غ و ماجد، و. (۱۳۹۰). تحلیل عوامل اقتصادی، اجتماعی و روانشناختی مؤثربر تقاضای بیمه.ی عمر در ایران. فصلنامه تحقیقات مدلسازی اقتصادی، تهران،(۵)،ص۲۱-۴۶٫
مهدوی، غ و بهمنش، م. (۱۳۸۴). طراحی مدل پیش‌بینی قیمت سهام شرکت‌های سرمایه گذاری با بهره گرفتن از شبکه‌های عصبی مصنوعی. پژوهشنامه اقتصادی تهران، ۵(۴)، ص‌ص ۲۱۱-۲۳۴٫
مهرآرا، م و رجبیان، م. (۱۳۸۵). تقاضا برای بیمه عمر در ایران و کشورهای صادر کنننده نفت.فصلنامه تحقیقات اقتصادی، ۷۴،ص‌ص۵۷-۸۱٫

EnglishReferences
Brown, m.j. and Kim,k. (1993). An International Analysis of life insurance demand.The journal of risk and insurance,(60)4, pp 616-634.
Diacon ,S.R.(1980).The demand forUK ordinary life insurance 1946-1968. Geneva papers on risk and insurance, (17),pp3-22
Fortune, P. (1973). A Theory of Optimal Life Insurance: Development and Tests. Journal of Finance, (28) 3, pp587-600.
Hammond, J.D.et al. (1968). Determinants of Household life insurance premium. The Journal of Rrisk and Insurance, 35(3),pp 3997-3408.
Ince, H, and Trafalis, T. B. (2005). A Hybrid Model for Exchange Rate Prediction. Decisin Support Systems, 24(2), pp1054-1062.
Kuan, C & White , H. ( 1994). Artificial Neural Networks:An Econometric Perspective. Econometric Reviews. pp 13, 1-19.
Lim,C.C, and Haberman, S. (2004). Modelling Life InsuranceDemand fromaMacroeconomicPerspective: The Malaysian Case. The 8thInternational Congress on Insurance,Mathematics and Economics, Roma.
Malik, F,& Nasereddin, M. (2006). Forecasting output using oil prices: A cascaded artificial neural network approach. Journal of Economics and Busines, 58,pp 168-180.
Moshiri, S and Norman C. ( 2000). Econometrics Versus ANN Models in Forecasting Inflation. Journal of Forecasting(19)3,pp31-40.