← Összes podcast
2020/1. lapszám · Pénzügy, adózás, számvitel Vezércikk

A gépjármű-biztosítási csalások felderítésére használt mutatók rangsorolása

Benedek Botond

Megjelent: 2020 · Közgazdász Fórum, 2020/1. lapszám · Oldalak: 3–19

„Hogyan buknak le a biztosítási csalók, és melyik jel a legárulkodóbb?”

Meghallgatom a podcastot

Bővebb beszélgetés · 9 perc
HU EN A podcast nyelve: magyar · EN: az angol változat még nem készült el
0:00-8:40

Megjelent: 2020 · Közgazdász Fórum, 2020/1. lapszám · Oldalak: 3–19

A teljes cikk HU EN

OJS ↗ A teljes lapszám (PDF) ↗
Közgazdász Fórum · 2020/1. lapszám · 3–19

A gépjármű-biztosítási csalások felderítésére használt mutatók rangsorolása

Absztrakt. A kutatók és a vállalati szakértők a 80-as évek végétől kezdődően próbálják meghatározni a gépjármű-biztosítási csalások felderítésére használt mutatókat, mindazonáltal a mai napig nem létezik egy egységes és széles körben elfogadott lista. Ezért, jelen tanulmányban a szakirodalom alapján összeállítottam a gépjármű-biztosítási csalások felderítésére használt mutatók rangsorát, gyakoriság és szignifikancia szerint. Továbbá egy, a romániai biztosítók körében végzett kérdőíves kutatás alapján összeállítottam a Romániában legtöbbet használt és legfontosabbnak ítélt mutatók listáját. Végül elkészítettem e mutatók aggregált rangsorát. Az eredmények csekély különbségeket mutatnak az aggregált rangsor és a romániai kutatás, illetve a szakirodalom alapján felépített rangsorok között, így az aggregált rangsor jó kiindulópont lehet a jövőbeli kutatásokhoz.

Kulcsszavak: gépjármű-biztosítás, biztosítási csalás, csalások felderítése, csalásjelző mutatók

Bevezető

A gépjármű-biztosítási csalások jelentős hatással vannak a biztosítási ágazatra és a mindennapi életre egyaránt. Amellett, hogy a biztosítási csalások csökkentik az ágazat iránti bizalmat és destabilizálhatják a gazdaságot, jelentős hatással vannak az emberek megélhetési költségeire. Mivel a biztosítótársaságok a biztosítási díjakat a kártérítés-fizetési kötelezettségeik alapján határozzák meg, minél magasabb a jogtalan követelések aránya és ezáltal a kifizetett kártérítések összege, annál magasabb biztosítási díjakat számolnak fel.

A 80-as évek végétől kezdődően a kutatók és a szakértők megkísérelték számszerűsíteni a gépjármű-biztosítási csalások mértékét mind az Amerikai Egyesült Államokban, mind Nyugat-Európában. Mi több, ezek a kutatók és szakértők igyekeztek meghatározni azokat a mutatókat, melyek jelzésértékűek lehetnek egy-egy kártérítési igény jogosságának meghatározásakor. Mindazonáltal a mai napig nem készült el egy olyan lista, amelyet széles körben elfogadnának mind a kutatók, mind a vállalati szakértők. Ennek több oka is van, az egyik legfontosabb, hogy már az sem teljesen egyértelmű, hogy mely kártérítési igények tartoznak a jogtalan követelések kategóriába. Például Derrig és Ostaszewski (1995) kimutatta, hogy több vállalati szakértőkből álló csoport ugyanazt a kártérítési igényt másképp ítélheti meg. Egy másik fontos oka az egységes lista hiányának az, hogy a tudományos kutatás során (de még a vállalati gyakorlatban is) mindenki a számára elérhető mutatókkal dolgozik, függetlenül e mutatók valódi relevanciájától.

A kártérítési igények kapcsán felmerülő jogtalan követelések és ezek jellemzői bizalmas adatok, így a biztosítótársaságok csak kivételes esetben adnak ezekhez hozzáférést a kutatók számára. Mi több, vállalaton belül is csak a legszűkebb szakértői rétegnek van hozzáférése az ilyen jellegű adatokhoz, hiszen ha kitudódik (akár csak szóbeszéd szintjén is) egy biztosítótársaságról, hogy sok esetben nem fizet vagy kisebb összegű kártérítést fizet a biztosítottaknak (még ha teljesen jogos is a csökkentett kártérítés), előfordulhat, hogy az ügyfelek biztosítót váltanak. Éppen ezért sok esetben a biztosítótársaság még akkor is kifizeti a kért kártérítést, ha csalásgyanús az adott kártérítési igény.

A romániai és magyarországi szakirodalmat vizsgálva szintén elmondható, hogy nem létezik a csalás jelzésére szolgáló mutatók egységes listája. Mi több, a két országban gyakorlatilag nem létezik a gépjármű-biztosítási csalásokra vonatkozó szakirodalom sem. Általánosan, a pénzügyi és biztosítási csalások terén vannak ugyan kutatások (Achim–Borlea 2020; Safta et al. 2020), de kimondottan a gépjármű-biztosítási csalások kapcsán csak leíró jellegű, a témát és az egyes csalástípusokat bemutató cikkeket publikáltak (Gavriletea–Pleșcan 2008; Lakatos 2016), és teljes mértékben hiányoznak a statisztikailag megalapozott, szofisztikált ökonometriai vizsgálatokon alapuló kutatások.

Jelen tanulmány célja rangsorolni a gépjármű-biztosítási csalások jelzésére szolgáló mutatókat.

A cikk felépítése a következő: először röviden bemutatom a gépjármű-biztosítási csalásokra vonatkozó szakirodalmat, majd ismertetem a jogtalan kártérítési igények jelzésére használt mutatókat, illetve ezek különböző rangsorait. Ezt követően, figyelembe véve a bemutatott rangsorokat, felépítek egy aggregált rangsort. Végül összegzem a legfontosabb kutatási eredményeket.

A gépjármű-biztosítási csalások szakirodalmának rövid áttekintése

Az egyik első kutatást a gépjármű-biztosítási csalások feltárása során használt mutatók kapcsán Weisberg és Derrig (1991) végezte. A szerzőpáros megkísérelt összeállítani egy listát, amely tartalmazza a követelések jogosságának megállapítása során figyelembe vett mutatókat. Mintegy 600 anyagi károkkal és testi sérülésekkel járó kártérítési igényt tanulmányoztak, 1985-ből, 1986-ból és 1989ből. A vizsgált követelések alapján egy 65 elemből álló listát határoztak meg.

A 65 lehetséges csalást jelző mutató közül statisztikailag szignifikánsan 18 mutatóról sikerült bebizonyítani, hogy valóban jelzésértékűek a követelések jogosságának megállapítása során.

Az ezt követő években a Weisberg és Derrig (1991) által felvetett 65 mutatót különböző kutatások más és más irányból vizsgálták. Derrig és Ostaszewski (1995) például rámutatott, hogy a különböző biztosítási szakértők, illetve szakértői csoportok megítélése nagymértékben változik. Míg egyes szakértők bizonyos kártérítési igényeket jogosnak ítéltek, addig mások ugyanezeket a kártérítési igényeket részben vagy teljesen jogtalannak ítélték. 1998-ban Weisberg és Derrig egy újabb cikket közölt (Weisberg–Derrig 1998), melyben a korábban azonosított mutatók alkalmazhatóságát és a vizsgálati technikák hatékonyságát próbálták számszerűsíteni. Két évvel később Belhadji és szerzőtársai (2000) bemutattak egy olyan módszert, amely a csalási mutatók szisztematikus alkalmazásával segíthet a biztosítótársaságoknak a csalás elleni küzdelemben. A szerzők olyan eljárást javasoltak, amely képes kiválasztani a legfontosabb csalást jelző mutatókat.

A következő időszakban a csalást jelző mutatók kutatása kissé háttérbe szorult, és megjelentek az adatbányászaton és a mesterséges intelligencián alapuló döntéstámogató rendszerek, vagyis az olyan számítógép-vezérelte algoritmusok és szabályrendszerek, melyek nagy valószínűséggel meg tudják állapítani egy kártérítési igény jogosságát. Természetesen a végső döntést egy szakértő vagy szakértői csoport hozza meg, de a számítógép jelezni tudja, hogy mely kártérítési igényeket érdemes az adott szakértőnek alaposan megvizsgálnia. E kutatások közé sorolhatjuk Artı́s et al. (1999), Artís et al. (2002), Viaene et al. (2002), Pérez et al. (2005) és Bermúdez et al. (2008) munkáit is.

Egy, a 2010-es évek elejére jellemző pangást követően az utóbbi években ez a fajta, adatbányászaton és mesterséges intelligencián alapuló megközelítés ismét a kutatók érdeklődési körébe kerül, elsősorban a különböző hibrid rendszerek elterjedése miatt (Sundarkumar et al. 2015; Sundarkumar–Ravi 2015; Hassan–Abraham 2016; Nian et al. 2016; Subudhi–Panigrahi 2017; Wang–Xu 2018; Majhi et al. 2019).

A mesterséges intelligencián és adatbányászaton túl a kétezres években megjelent egy, a csalási folyamatok feltárása kapcsán felmerülő költségekre alapuló irányzat is. Ennek lényege, hogy a teljes csalásfeltárási folyamatot pénzügyi szempontból közelíti meg, és azt vizsgálja, hogy mikor és milyen környezetben érdemes az egyes kártérítési igények jogosságát vizsgálni. Mi több, a kutatók bizonyos esetekben azt is megvizsgálják, hogy egy bizonyos döntéstámogató rendszer működtethető-e gazdaságosan a valós vállalati gyakorlatban. E téren csak néhány tanulmány született az elmúlt évtizedekben, ezek közül a legfontosabbak Phua et al. (2004), Viaene et al., (2007) és Zelenkov (2019) munkái.

Mivel jelen tanulmány a csalás jelzésére szolgáló mutatókat vizsgálja, így ennél részletesebben itt nem kívánom tárgyalni az adatbányászaton és mesterséges intelligencián alapuló döntéstámogató rendszerekhez, valamint a csalásfelderítéssel kapcsolatos költségeken alapuló megközelítésekhez kapcsolódó kutatásokat.

A kutatás módszertana

Kutatásom célja rangsorolni a gépjármű-biztosítási csalások tényének jelzésére szolgáló mutatókat. Ezért, első lépésként, a szakirodalom alapján összeállítottam a gépjármű-biztosítási csalások felderítésére használt mutatók rangsorát, gyakoriság és szignifikancia szerint. Minden olyan, 1991 és 2019 között megjelent és a Web of Science adatbázis által indexelt kutatást vizsgáltam, amelyet a gépjármű-biztosítási témában publikáltak. Ez konkrétan 33 folyóiratban és nyolc konferenciakötetben megjelent cikket jelent.

Ezen felül, egy kérdőíves kutatás segítségével összeállítottam a Romániában legtöbbet használt és legfontosabbnak ítélt mutatók listáját. A kérdőíves kutatást romániai vállalati szakemberek körében végeztem, akiket arra kértem, hogy rangsorolják a szakirodalomban beazonosított mutatókat fontosságuk alapján, valamint egészítsék ki a listát olyan mutatókkal, amelyeket a mindennapi gyakorlatban használnak. A kérdőív 22 kérdést tartalmazott és a Romániai Biztosító és Viszontbiztosító Társaságok Egyesületén2 keresztül eljuttattam a gépjárműbiztosításokat forgalmazó biztosítótársaságokhoz. A 13 érintett biztosítóból hét, a román piac 70%-át lefedő, biztosító képviselője töltötte ki a kérdőívet.

Végül elkészítettem e mutatók aggregált rangsorát. Ennek érdekében első lépésben két kérdéskört kellett tisztázni. Az első nem más, mint hogy az egyes mutatókat milyen súllyal veszem figyelembe. A másik pedig, hogy miként tudom kiküszöbölni a különböző hosszúságú rangsorok torzításait, hiszen amíg a nemzetközi rangsor 1 és 22, a romániai pedig 1 és 28 között rangsorolja a mutatókat, addig a szignifikancia szerinti rangsor csak 8 helyezést különböztet meg. 2

Uniunea Națională a Societăților de Asigurare și Reasigurare din România (UNSAR).

A problémakört és a hozzá kapcsolódó metodológiát többen részletesen bemutatták (Ennas et al. 2015; Bornmann et al. 2018; Lichtenthaler 2018). Jelen tanulmányban Bornmann et al. (2018) és Zimmermann (2013) alapján számoltam ki az egyes rangsorok besorolásai közötti relatív távolságot, vagyis minden mutató esetén a rangsorban elért helyezést elosztottam a maximális helyezéssel, így megkapva az adott mutató relatív pontszámát az adott rangsorban. Ezt követően pedig egyszerű számtani átlagot számoltam az egyes mutatók által a három rangsorban elért relatív pontszámok alapján.

Annak érdekében, hogy ellenőrizni tudjam, hogy mindhárom rangsor statisztikailag szignifikánsan befolyásolja az aggregált rangsort, kiszámoltam az aggregált rangsor és az egyes rangsorok közötti Kendall-féle rangkorrelációt. A jogtalan kártérítési igények azonosítására használt mutatók rangsorolása Az anyagi károk kapcsán felmerülő csalások jelzésére használt mutatók Ebben a fejezetben a szakirodalomban fellelhető, illetve a romániai biztosítótársaságok csalásellenes osztályán dolgozó szakértők által figyelemmel követett azon mutatókat tekintem át, melyek a kártérítési folyamat korai szakaszában elérhetők és jelzésértékűek lehetnek egy-egy kártérítési igény jogosságának vizsgálata során.

Az elmúlt évtizedek során a kutatók és vállalati szakemberek e mutatók igen széles skáláját azonosították és vizsgálták (1. táblázat). Az egyik első tanulmányt, amely a potenciális mutatókat és ezek relevanciáját vizsgálta, 1991-ben publikálták (Weisberg–Derrig 1991). A szerzők 65 lehetséges mutató relevanciáját vizsgálták. Ebben a tanulmányban még nem különítették el az anyagi károk és a testi sérülések kapcsán felmerülő lehetséges mutatókat, azonban a potenciális csalást jelző mutatók szempontjából ez képezi az alapját az évtized többi kutatásának.

Bár a további kutatások során a szerzők kisebb mértékben módosították/bővítették a mutatók listáját, az első igazán nagy változtatást 2004-ben publikálták (Phua et al. 2004). Ebben a tanulmányban a szerzők nem csak a jogtalan követeléseket jelző mutatókat és módszereket vizsgálták, hanem a teljes kártérítési és csalásfeltárási folyamatot pénzügyi szempontból közelítették meg, azt vizsgálva, hogy a különböző megközelítések mennyire költséghatékonyak. Ennek érdekében csak azokat a mutatókat használták, amelyek az anyagi jellegű kártérítési igényekkel kapcsolatosak és a kártérítési folyamat kezdeti fázisában már rendelkezésre állnak. A mesterséges intelligencia és az adatbányászat térhódításának köszönhetően sok tanulmány (a vizsgált 41 tanulmány közül tíz) használta az általuk javasolt 31 potenciális mutatót.3 Az ezt követő években további mutatókat és csalásfeltárási módszereket is vizsgáltak, így az általam áttekintett 41 tudományos publikációban 77 különböző mutatót lehet beazonosítani. E mutatók előfordulási gyakoriság szerinti rangsora megfigyelhető az 1. táblázat második oszlopában. Abban az esetben, ha több mutató előfordulási gyakorisága azonos, úgy tekintettem, hogy a mutatók azonos helyezést értek el a rangsorban. Emiatt, a szakirodalmi gyakoriság szerinti rangsorban a 77 elemzett mutató 1 és 21 közötti besorolást kapott. Ugyanakkor az 1. táblázat 4. oszlopában megfigyelhető ugyanezen mutatók szignifikancia szerinti rangsora is, azaz hogy hány alkalommal bizonyultak statisztikailag szignifikánsnak. Itt hangsúlyoznám, hogy bizonyos adatbányászaton vagy mesterséges intelligencián alapuló algoritmusok nem mérik a felhasznált mutatók szignifikanciáját. Éppen ezért a legtöbbször statisztikailag szignifikánsnak bizonyuló mutatóról (a korábbi kártérítési igények száma) is csupán nyolc alkalommal mondható el, hogy az alkalmazott módszertan bebizonyította a szignifikanciáját. Értelemszerűen ennek következtében a rangsor ez esetben 1 és 8 között változik.

Az 1. táblázat utolsó 15 sorában azok a mutatók kaptak helyet, amelyeket a romániai vállalati szakemberek a kérdőívemre adott válaszaikban megjelöltek, mint további olyan mutatókat, amelyek jelezhetik a potenciális jogtalan követeléseket, ezért figyelembe vehetők a kártérítési igény jogosságának megállapítása során. A harmadik oszlopban látható a szakirodalom alapján azonosított 77 mutató és a romániai vállalati szakemberek által javasolt további 15 mutató együttes rangsora a romániai vállalati szakemberek válaszai alapján.

Elemezve az 1. táblázatban fellelhető mutatók rangsorait, legtöbb esetben csak kisebb eltérést figyelhetünk meg. Például a baleset rövid idővel a biztosítási szerződés megkötése után vagy pár nappal annak lejárta előtt történt mutató a romániai rangsorban első helyen szerepel, míg a szakirodalmi rangsorban a második helyen. Hasonlóképpen a baleset és a kártérítési igény benyújtása között eltelt idő a román rangsorban ötödik, míg a szakirodalmi rangsorban harmadik helyen szerepel.

A mutatók népszerűségében fontos szerepet játszhatott, hogy a Phua et al. (2004) által felhasznált adatbázis könnyen és olcsón elérhető.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Korábbi kártérítési igények száma

A baleset rövid idővel a biztosítási szerződés megkötése után vagy pár nappal annak lejárta előtt történt A baleset és a kártérítési igény benyújtása között eltelt idő Szemtanúk jelenléte A baleset helyszínének kockázati besorolása A balesetben érintett járművek száma A biztosítási szerződés típusa (felelősségbiztosítás, CASCO stb.) A járművezető / biztosított életkora Címmel kapcsolatos problémák: postafiók, motel, hamis cím, barátokkal él stb.

A jármű kora

Létezik-e rendőrségi jelentés a balesetről?

Az első vezetői engedély megszerzése óta eltelt évek száma Önrészes szerződés A biztosított jármű típusa: szedán, sport, terepjáró, kisteherautó stb.

A jármű márkája

A járművezető neme

A baleset dátuma és időpontja

A biztosított elfogadta, hogy a saját hibájából történt a baleset A jármű értéke A kártérítési igényhez kapcsolódó dokumentumok száma (rendőrségi jelentés, fotók, vagyonvesztési igény, vezetői engedély stb.) A baleset okozója: biztosított személy vagy harmadik fél A kártérítési igényt feldolgozó (belső) személy azonosítója A járművezető családi állapota (hajadon, házas, özvegy, elvált) Új és drága járműmodell Ellentmondásos / különböző beszámolók a balesetről A biztosított nem hajlandó válaszolni a balesetet érintő kérdésekre / nehéz kapcsolatba lépni vele / nem együttműködő A biztosított egyéni vállalkozó vagy egy családtagjának alkalmazottja Bérelt jármű

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

1. táblázat. Az anyagi károk kapcsán felmerülő jogtalan kártérítési

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Egy kisebb ütközés rendkívül magas javítási költségeket eredményezett A két járművezető rokon vagy barát / A biztosított és a másik járművezető családneve azonos A biztosított munkanélküli / szegény vidéken él A biztosított nagyon gyorsan ügyvédet szerzett A baleset típusa (hátsó ütközés, oldalsó ütközés, irányított kereszteződésben történt ütközés, szokatlan manőver stb.) A balesetben érintett egyik járművezető külföldi okmányokkal rendelkezik A baleset éjszaka történt A jármű egy kereskedelmi flotta része A biztosított rendkívül jól ismeri a biztosítási és járműjavítási zsargont és/vagy nagyon jól ismeri a kártérítési eljárást A biztosított túl könnyen elfogadja a baleset miatti felelősséget A biztosított tagadja a szemtanúk balesetről szóló változatát A biztosított nem tudja felmutatni a jármű javításával kapcsolatos számlákat A baleset hétvégén történt Készpénzzel vásárolt jármű A kártérítés összköltsége Az ugyanabból a balesetből származó összes sérült járművet egyazon szerelőműhelybe küldik Külön biztosítás a kiegészítők (speciális fények, motor tuning stb.) számára A baleset és a biztosítási igény bejelentője: a biztosított vagy harmadik fél A szerviz típusa (márkaszerviz, engedélyezett szerviz, helyi szerviz stb.) A biztosítási ügynök még soha nem látta a biztosított járművet A járművet a közelmúltban vásárolták külföldről A gyári garancia megléte A járműben lévő utasok száma a baleset idején

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

A biztosítottat a múltban már elítélték csalásért, vagy követett már el olyan szabálysértéseket, amelyek a csalás lehetőségére utalnak / A biztosított szerepel a bűnügyi nyilvántartásban Az ellopottnak nyilvánított járművet a biztosított találta meg A járművet megjavították, mielőtt a kárfelmérő ellenőrizte volna A biztosított ragaszkodik ahhoz, hogy javítás helyett pénzbeli kártérítést kapjon A biztosított jövedelme és a jármű értéke nincs összhangban A biztosított nagyon ragaszkodik a gyors ügyintézéshez A biztosítási díjat személyesen és készpénzben fizette A járművet egy bevásárlóközpontban lopták el A balesetet egy azonosítatlan harmadik fél okozta Röviddel a baleset előtt a biztosított ellenőrizte ügynökével a fedezet mértékét/érvényességét A biztosított hajlandó elfogadni egy viszonylag kicsi kártérítési összeget, ahelyett, hogy benyújtaná a balesettel kapcsolatos összes dokumentumot Hamis vagy hamisnak tűnő számlák vagy fizetési igazolások A balesettel nem összefüggő / gyanús károk Az ellopottnak nyilvánított járművet rövid időn belül súlyos sérülésekkel találták meg A kivizsgálás során a biztosított zavartnak és idegesnek tűnik A biztosított nagyon agresszív (azzal fenyegetőzik, hogy ügyvédet hív, felveszi a kapcsolatot a hatóságokkal) A biztosított személyes vagy üzleti pénzügyi gondokkal küzd A balesetről készült fényképek száma A baleset súlyos sérülésekkel / halálos áldozatokkal járt Létezik a balesetnek egy szakértő által készített szöveges leírása A jármű színe Kárrendező típusa (belső vagy külső) Nem határozhatók meg a jármű múltbeli tulajdonosai

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

A gépjármű-biztosítási csalások felderítésére használt mutatók rangsorolása jelzésére használt mutatók megnevezése

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Forrás: saját szerkesztés

Azonban vannak olyan mutatók is, amelyek a két rangsor ellentétes végén szerepelnek. Ilyenek például a szemtanúk jelenléte, a baleset helyszínének kockázati besorolása, a balesetben érintett járművek száma, a biztosítási szerződés típusa (felelősségbiztosítás, CASCO stb.), a járművezető/biztosított életkora, az első vezetői engedély megszerzése óta eltelt évek száma, hamis vagy hamisnak tűnő számlák vagy fizetési igazolások, az ellopottnak nyilvánított járművet rövid időn belül súlyos sérülésekkel találták meg, vagy épp a balesettel nem összefüggő/ gyanús károk nevű mutatók. Mint azt már említettem, ezek a rangsorok az egyes kutatók, illetve vállalati szakemberek véleményét tükrözik. Érdekes ugyanakkor maga a tény, hogy egyes mutatókat sokkal fontosabbnak/kevésbé fontosnak ítélnek a romániai szakemberek, mint a külföldi kutatók. Sajnos azonban első ránézésre ezekben a mutatókban semmi közös nincs. Nem mondhatom el például, hogy ezek a mutatók elsősorban a keletkezett kár nagyságát és milyenségét jelzik, vagy azt, hogy a biztosított/járművezető személlyel, esetleg a baleset helyszínével/az útviszonyokkal kapcsolatosak. Éppen ezért annak vizsgálatával, hogy mivel magyarázhatók ezek az eltérések, jelen kutatás nem foglalkozik. Úgy vélem, hogy ez a kérdéskör összetettebb annál, hogy néhány bekezdésben meg lehetne tárgyalni, márpedig a téma megérdemel egy önálló kutatást, mely kifejezetten a különbségekre, illetve ezek okaira fókuszál. Mindazonáltal a fenti példák jól szemléltetik, hogy nincs egyetértés az egyes mutatók fontosságát illetően. Éppen ezért a továbbiakban bemutatok egy aggregált rangsort, melynek célja figyelembe venni a korábban ismertetett mindhárom rangsort (szakirodalmi gyakoriság, szignifikancia és vállalati szakértők szerinti rangsor).

A jogtalan kártérítési igények jelzésére használt mutatók aggregált rangsora Az aggregált rangsor felállításakor a romániai vállalati szakemberek által javasolt, de a szakirodalomban nem szereplő 15 mutatót a nemzetközi rangsorban a 22. helyre, míg a szignifikancia szerinti rangsorban a 8. helyre soroltam.

Az egyes rangsorok besorolásai közötti relatív távolságok alapján megkaptam a mutatók relatív pontszámát mindhárom rangsorban, ezeket átlagolva határoztam meg az aggregált rangsort (2. táblázat). 2. táblázat. A jogtalan kártérítési igények jelzésére használt mutatók aggregált rangsora Az anyagi károk kapcsán felmerülő jogtalan kártérítési igények jelzésére használt mutatók megnevezése

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Korábbi kártérítési igények száma

A baleset rövid idővel a biztosítási szerződés megkötése után vagy pár nappal annak lejárta előtt történt Létezik-e rendőrségi jelentés a balesetről?

A baleset helyszínének kockázati besorolása

A baleset és a kártérítési igény benyújtása között eltelt idő

Szemtanúk jelenléte jelzésére használt mutatók megnevezése Ellentmondásos / különböző beszámolók a balesetről A két járművezető rokon vagy barát / A biztosított és a másik járművezető családneve azonos A biztosítási szerződés típusa (felelősségbiztosítás, CASCO stb.) A balesetben érintett járművek száma A jármű kora Hamis vagy hamisnak tűnő számlák vagy fizetési igazolások Egy kisebb ütközés rendkívül magas javítási költségeket eredményezett A járművezető / biztosított életkora A balesettel nem összefüggő / gyanús károk A kártérítési igényhez kapcsolódó dokumentumok száma (rendőrségi jelentés, fotók, vagyonvesztési igény, vezetői engedély stb.) A biztosított nem hajlandó válaszolni a balesetet érintő kérdésekre / nehéz kapcsolatba lépni vele / nem együttműködő A baleset éjszaka történt Az ellopottnak nyilvánított járművet rövid időn belül súlyos sérülésekkel találták meg A jármű értéke A biztosított elfogadta, hogy a saját hibájából történt a baleset A baleset típusa (hátsó ütközés, oldalsó ütközés, irányított kereszteződésben történt ütközés, szokatlan manőver stb.) Címmel kapcsolatos problémák: postafiók, motel, hamis cím, barátokkal él stb. A biztosított rendkívül jól ismeri a biztosítási és járműjavítási zsargont, és/vagy nagyon jól ismeri a kártérítési eljárást A kivizsgálás során a biztosított zavartnak és idegesnek tűnik A biztosított túl könnyen elfogadja a baleset miatti felelősséget A baleset dátuma és időpontja A jármű márkája A balesetben érintett egyik járművezető külföldi okmányokkal rendelkezik Önrészes szerződés Az első vezetői engedély megszerzése óta eltelt évek száma A kártérítés összköltsége A biztosítási ügynök még soha nem látta a biztosított járművet A biztosított tagadja a szemtanúk balesetről szóló változatát A biztosított nem tudja felmutatni a jármű javításával kapcsolatos számlákat A baleset okozója: biztosított személy vagy harmadik fél A kártérítési igényt feldolgozó (belső) személy azonosítója A járművet a közelmúltban vásárolták külföldről A biztosított nagyon agresszív (azzal fenyegetőzik, hogy ügyvédet hív, felveszi a kapcsolatot a hatóságokkal)

Aggregált rangsor jelzésére használt mutatók megnevezése A biztosított jármű típusa: szedán, sport, terepjáró, kisteherautó stb. Az ugyanabból a balesetből származó összes sérült járművet egyazon szerelőműhelybe küldik A jármű egy kereskedelmi flotta része A gyári garancia megléte A szervíz típusa (márkaszerviz, engedélyezett szerviz, helyi szerviz stb.) Új és drága járműmodell A baleset hétvégén történt Bérelt jármű A járműben lévő utasok száma a baleset idején A balesetről készült fényképek száma A balesetet egy azonosítatlan harmadik fél okozta A biztosítottat a múltban már elítélték csalásért, vagy követett már el olyan szabálysértéseket, amelyek a csalás lehetőségére utalnak / A biztosított szerepel a bűnügyi nyilvántartásban Az ellopottnak nyilvánított járművet a biztosított találta meg A biztosított személyes vagy üzleti pénzügyi gondokkal küzd Röviddel a baleset előtt a biztosított ellenőrizte ügynökével a fedezet mértékét/ érvényességét Jobbkormányos jármű A járművezető neme A járművet megjavították, mielőtt a kárfelmérő ellenőrizte volna A javítóműhely azonosítója A járművezető családi állapota (hajadon, házas, özvegy, elvált) A biztosított ragaszkodik ahhoz, hogy javítás helyett pénzbeli kártérítést kapjon Készpénzzel vásárolt jármű A baleset helyszíne (forgalom, saját parkoló, bevásárlóközpont parkolója) Külön biztosítás a kiegészítők (speciális fények, motortuning stb.) számára A biztosított jövedelme és a jármű értéke nincs összhangban A biztosított nagyon ragaszkodik a gyors ügyintézéshez A biztosított hajlandó elfogadni egy viszonylag kicsi kártérítési összeget, ahelyett, hogy benyújtaná a balesettel kapcsolatos összes dokumentumot A biztosított munkanélküli / szegény vidéken él A biztosított nagyon gyorsan ügyvédet szerzett A biztosított jármű váratlan / megmagyarázhatatlan manővert hajtott végre A baleset és a biztosítási igény bejelentője: a biztosított vagy harmadik fél A baleset súlyos sérülésekkel / halálos áldozatokkal járt A bejelentett esemény típusa (ütközés, karcolás, tűz, lopás, természeti katasztrófa)

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

A biztosított egyéni vállalkozó vagy egy családtagjának alkalmazottja A biztosítótársasággal kötött első biztosítási szerződés aláírása óta eltelt évek száma A baleset Romániában vagy külföldön történt A biztosítási díjat személyesen és készpénzben fizette A járművezető egyben a biztosítási szerződés tulajdonosa is A biztosított és a biztosítótársaság között aláírt szerződések száma (több jármű esetén) Számos taxi- vagy autóbérléssel kapcsolatos nyugta Útviszonyok (száraz, nedves, fagyos) A biztosított típusa: természetes / jogi személy Létezik a balesetnek egy szakértő által készített szöveges leírása Látási viszonyok (tiszta égbolt, köd, hó, eső) A biztosított foglalkozása A járművezető foglalkozása Az út típusa (aszfalt, köves út, földút) A járművet egy bevásárlóközpontban lopták el A jármű színe Kárrendező típusa (belső vagy külső) Nem határozhatók meg a jármű múltbeli tulajdonosai A biztosított felajánlja, hogy eljön a kártérítésért a biztosítói irodába, mintsem hogy megadja a bankszámlaszámát A jármű még mindig az előző tulajdonos tulajdonaként szerepel

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Forrás: saját szerkesztés

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Forrás: saját szerkesztés

Következtetések

A kutatásom során megvizsgáltam a gépjármű-biztosítási csalások, illetve a gépjármű-biztosítási csalások feltárása és kezelése témakörökben publikált tanulmányokat, illetve az ezekben fellelhető, a potenciális csalás tényének jelzésére szolgáló mutatókat. A kutatás első következtetése, hogy viszonylag kevés tanulmány (41, melyből nyolc konferenciakötetben jelent meg) és még kevesebb kutató/kutatócsoport foglalkozott mélyrehatóan a témával. Ez fokozottan igaz a közép- és kelet-európai régióra. Egy másik fontos következtetés, hogy ennek a viszonylag kevés kutatásnak nagy része a mesterséges intelligencia és adatbányászat szemszögéből vizsgálja a gépjármű-biztosítási csalásokat, nem pedig gazdasági és/vagy pénzügyi szempontból. A jogtalan kártérítési igények jelzésére/felderítésére használt mutatók kapcsán elmondható, hogy nem létezik egy egységes lista. Minden kutatás és minden egyes biztosítótársaság a saját listájával dolgozik. Jelen kutatás során felállítottam egy aggregált rangsort, mely figyelembe veszi mind a szakirodalom által fontosnak ítélt mutatókat, mind a romániai vállalati szakemberek javaslatait. Bár nem egyezik meg teljes mértékben a szakirodalmi vagy a romániai vállalati rangsorral, az aggregált rangsor által legfontosabbnak ítélt mutatók kiemelt helyen szerepelnek mindhárom elemzett rangsorban. Azaz bár országonként és biztosítótársaságokként lehetnek kisebb eltérések, ez az aggregált rangsor jó kiindulópont lehet a jövőbeli kutatásokhoz bármely kutató vagy a téma iránt érdeklődő vállalati szakember számára.

Irodalomjegyzék

Achim, M. V.–Borlea, S. N. 2020. Economic and Financial Crime: Corruption, Shadow Economy, and Money Laundering. Berlin: Springer Nature.

Artıś , M.–Ayuso, M.–Guillen, M. 1999. Modelling different types of automobile insurance fraud behaviour in the Spanish market. Insurance: Mathematics and Economics 24(1–2), 67–81.

Artís, M.–Ayuso, M.–Guillén, M. 2002. Detection of automobile insurance fraud with discrete choice models and misclassified claims. Journal of Risk and Insurance 69(3), 325–340.

Belhadji, E. B.–Dionne, G.–Tarkhani, F. 2000. A model for the detection of insurance fraud. The Geneva Papers on Risk and Insurance-Issues and Practice 25(4), 517–538.

Bermúdez, L.–Pérez, J. M.–Ayuso, M.–Gómez, E.–Vázquez, F. J. 2008. A Bayesian dichotomous model with asymmetric link for fraud in insurance. Insurance: Mathematics and Economics 42(2), 779–786.

Bornmann, L.–Butz, A.–Wohlrabe, K. 2018. What are the top five journals in economics? A new meta-ranking. Applied Economics 50(6), 659–675.

Derrig, R. A.–Ostaszewski, K. M. 1995. Fuzzy techniques of pattern recognition in risk and claim classification. Journal of Risk and Insurance 62(3), 447–482.

Ennas, G.–Biggio, B.–Di Guardo, M. C. 2015. Data-driven journal meta-ranking in business and management. Scientometrics 105(3), 1911–1929.

Gavriletea, M.–Plescan, M. 2008. Fraud in Motors’ insurance – Practical Aspects of Romanian Insurance Market. Theoretical and Applied Economics 12(517/supplement), 50–56.

Hassan, A. K. I.–Abraham, A. 2016. Modeling insurance fraud detection using imbalanced data classification. In: Advances in nature and biologically inspired computing.

Cham: Springer, 117–127.

Lakatos, M. 2016. Casco biztosítási csalások közgazdasági modellje. Biztosítás és Kockázat 3(2), 58–79.

Lichtenthaler, U. 2018. The world’s most innovative companies: a meta-ranking.

Journal of Strategy and Management 11(4), 497–511.

Majhi, S. K.–Bhatachharya, S.–Pradhan, R.–Biswal, S. 2019. Fuzzy clustering using salp swarm algorithm for automobile insurance fraud detection. Journal of Intelligent & Fuzzy Systems 36(3), 2333–2344.

Nian, K.–Zhang, H.–Tayal, A.–Coleman, T.–Li, Y. 2016. Auto insurance fraud detection using unsupervised spectral ranking for anomaly. The Journal of Finance and Data Science 2(1), 58–75.

Pérez, J. M.–Muguerza, J.–Arbelaitz, O.–Gurrutxaga, I.–Martín, J. I. 2005.

Consolidated tree classifier learning in a car insurance fraud detection domain with class imbalance. In: International Conference on Pattern Recognition and Image Analysis. Berlin: Springer, 381–389.

Phua, C.–Alahakoon, D.–Lee, V. 2004. Minority report in fraud detection: classification of skewed data. ACM SIGKDD Explorations Newsletter 6(1), 50–59.

Safta, I. L.–Achim, M. V.–Borlea, S. N. 2020. Manipulation of Financial Statements Through the Use of Creative Accounting. Case of Romanian Companies. Studia Universitatis „Vasile Goldis” Arad –Economics Series 30(3), 90–107.

Subudhi, S.–Panigrahi, S. 2017. Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection. Journal of King Saud University – Computer and Information Sciences 32(5), 568–575.

Sundarkumar, G. G.–Ravi, V. 2015. A novel hybrid undersampling method for mining unbalanced datasets in banking and insurance. Engineering Applications of Artificial Intelligence 37, 368–377.

Sundarkumar, G. G.–Ravi, V.–Siddeshwar, V. 2015. One-class support vector machine based undersampling: Application to churn prediction and insurance fraud detection. In: 2015 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), 1–7.

Viaene, S.–Ayuso, M.–Guillen, M.–Van Gheel, D.–Dedene, G. 2007. Strategies for detecting fraudulent claims in the automobile insurance industry. European Journal of Operational Research 176(1), 565–583.

Viaene, S.–Derrig, R. A.–Baesens, B.–Dedene, G. 2002. A comparison of state‐of‐ the‐art classification techniques for expert automobile insurance claim fraud detection. Journal of Risk and Insurance 69(3), 373–421.

Wang, Y.–Xu, W. 2018. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud. Decision Support Systems 105, 87–95. Weisberg, H. I.–Derrig, R. A. 1991. Fraud and Automobile Insurance: A Report on Bodily Injury Liability Claims in Massachusetts. Journal of Insurance Regulation 9(4), 497–541.

Weisberg, H. I.–Derrig, R. A. 1998. Quantitative methods for detecting fraudulent automobile bodily injury claims. Risques 35(July–September), 75–99.

Zelenkov, Y. 2019. Example-dependent cost-sensitive adaptive boosting. Expert Systems with Applications 135, 71–82.

Zimmermann, C. 2013. Academic rankings with RePEc. Econometrics 1(3), 249– 280.

A szerzők

  • Benedek Botond

A szöveget automatikusan nyertük ki a PDF-ből; a táblázatok, ábrák és a pontos tördelés a lapszám PDF-változatában láthatók.