مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

آینده‌پژوهی بازار بیمه‌های عمر در ایران با رویکرد داده‌محور: تلفیق شاخص‌های عملکرد کسب‌وکار و الگوریتم‌های هوش مصنوعی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
عباس اسلامی 1
منوچهر انصاری 2
عزت اله عباسیان 3
1 دانشجوی دکتری مدیریت بازرگانی، دانشگاه تهران، تهران.
2 دانشیار، گروه مدیریت بازاریابی و استراتژی کسب‌وکار، دانشکدۀ مدیریت کسب‌وکار، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
3 استاد گروه مهندسی مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
10.87453/bumara.2026.373601.4601
چکیده
بازار بیمه‌های عمر در ایران در سال‌های اخیر تحت تأثیر نوسانات اقتصادی، تغییر رفتار مشتریان و الزامات تحول دیجیتال با عدم‌قطعیت‌های فزاینده‌ای مواجه شده است. این پژوهش با هدف آینده‌پژوهی این بازار و ارائه چارچوبی برای تصمیم‌سازی راهبردی، به تحلیل و پیش‌بینی روندهای آتی مبتنی بر شاخص‌های کلیدی عملکرد کسب‌وکار و الگوریتم‌های هوش مصنوعی می‌پردازد. روش پژوهش از نوع آمیخته اکتشافی-پیش‌بین بوده و در دو فاز کیفی و کمی انجام شده است. در بخش کیفی، از طریق مصاحبه نیمه‌ساختاریافته با 15 نفر از خبرگان صنعت بیمه و کدگذاری سه‌مرحله‌ای، شاخص‌های کلیدی استخراج و با استفاده از تحلیل اثرات متقابل، عدم‌قطعیت‌های بحرانی شناسایی و چهار سناریوی آینده تبیین شد. در بخش کمی، داده‌های تاریخی با بهره‌گیری از الگوریتم‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم مدل‌سازی گردید. نتایج نشان داد شبکه عصبی مصنوعی از دقت پیش‌بینی بالاتری برخوردار است. یافته‌ها حاکی از آن است که در سناریوی خوش‌بینانه، رشد قابل‌توجهی در سودآوری، جذب مشتری و فروش (تا حدود 86 درصد) رخ می‌دهد، در حالی که در سناریوهای بدبینانه و رکود دیجیتال، کاهش شدید عملکرد (تا حدود 36- درصد) پیش‌بینی می‌شود. همچنین، شاخص‌هایی نظیر رضایت مشتری، سهم بازار و نسبت خسارت در سناریوهای مختلف رفتار متفاوتی نشان می‌دهند. نتایج این پژوهش بر نقش تعیین‌کننده دیجیتالی‌سازی و کیفیت خدمات در شکل‌دهی آینده بازار تأکید داشته و شواهدی برای ارتقای تصمیم‌گیری‌های راهبردی در صنعت بیمه فراهم می‌آورد. نوآوری پژوهش در تلفیق تحلیل سناریو با مدل‌های هوش مصنوعی برای پیش‌بینی آینده بازار نهفته است.
کلیدواژه‌ها
آینده‌پژوهی
بیمه‌های عمر
هوش مصنوعی
شبکه عصبی مصنوعی
تحلیل سناریو

عنوان مقاله English

Foresight of the Life Insurance Market in Iran Using a Data-Driven Approach: Integrating Business Performance Indicators and Artificial Intelligence Algorithms

نویسندگان English

Abbas Eslami 1
Manouchehr Ansari 2
Ezatollah Abbasian 3
1 PhD Candidate in Business Administration, University of Tehran, Tehran, Iran.
2 Associate Professor, Department of Marketing Management and Business Strategy, School of Business Administration, College of Management, University of Tehran, Tehran, Iran.
3 Professor, Department of Financial Engineering, School of Management, University of Tehran, Tehran, Iran.
چکیده English

The life insurance market in Iran has faced increasing uncertainty in recent years due to economic volatility, shifting customer behavior, and the growing need for digital transformation. This study aims to explore the future of this market and develop a strategic decision-making framework by forecasting future trends based on key business performance indicators and artificial intelligence algorithms. The research adopts a mixed exploratory–predictive approach conducted in two phases. In the qualitative phase, key performance indicators were identified through semi-structured interviews with 15 industry experts and analyzed using three-stage coding. Subsequently, critical uncertainties were determined through cross-impact analysis, leading to the development of four future scenarios. In the quantitative phase, historical data were modeled using artificial neural networks, support vector machines, and decision trees. The results indicate that artificial neural networks provide superior predictive accuracy. Findings reveal that under the optimistic scenario, the market is expected to experience significant growth in profitability, customer acquisition, and sales (up to 86%), whereas pessimistic and digital stagnation scenarios indicate substantial declines (up to −36%). Moreover, indicators such as customer satisfaction, market share, and loss ratio exhibit varying dynamics across scenarios. The results highlight the critical role of digitalization and service quality in shaping the future of the life insurance market. This study contributes by integrating scenario analysis with artificial intelligence techniques to enhance strategic foresight and decision-making in the insurance industry.

کلیدواژه‌ها English

Foresight
Life Insurance
Artificial Intelligence
Artificial Neural Network
Scenario Analysis
پژوهشکده بیمه. (1402). گزارش وضعیت صنعت بیمه کشور. تهران: بیمه مرکزی جمهوری اسلامی ایران.
جعفری، م.، حسینی، ر.، و صادقی، ن. (1402). بررسی چالش‌های پیاده‌سازی هوش مصنوعی در صنعت بیمه ایران. فصلنامه بیمه و توسعه، 39(2)، 45–66.
رستگار، ع.، محمدی، س.، و کریمی، پ. (1400). ارزیابی نظام‌های سنجش عملکرد در شرکت‌های بیمه ایرانی. مجله پژوهش‌های مالی ایران، 18(1)، 77–98.
شیرزادی، ح.، احمدی، م.، و نادری، ف. (1401). اثر متغیرهای کلان اقتصادی بر تقاضای بیمه‌های عمر در ایران. مجله اقتصاد مالی ایران، 25(3)، 101–120.
کاشانی، ر.، مرادی، ک.، و یوسفی، ع. (1401). عوامل مؤثر بر توسعه بیمه‌های عمر در ایران. مجله مدیریت بیمه، 12(4)، 33–52.
محمدی، ا.، رضایی، ف.، و نیکوکار، س. (1402). تحول دیجیتال در صنعت بیمه ایران: فرصت‌ها و چالش‌ها. فصلنامه مدیریت فناوری اطلاعات، 15(2)، 89–110.
Beck, T., & Webb, I. (2021). Economic impact of life insurance development: Evidence from cross-country analysis. World Bank Economic Review, 35(2), 412–430.
Bohnert, A., Fritzsche, A., & Gregor, S. (2020). Artificial intelligence in insurance: Applications and implications. The Geneva Papers on Risk and Insurance, 45(3), 374–392.
Chen, Y., Li, X., & Huang, Z. (2022). Application of artificial intelligence in insurance risk prediction: A systematic review. Expert Systems with Applications, 202(Part A), 117245, pp. 1–14.
Cummins, J. D., & Weiss, M. A. (2021). Systemic risk and the insurance industry: An analysis of performance metrics. Journal of Risk and Insurance, 88(1), 1–28.
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing and insurance services. Journal of the Academy of Marketing Science, 48(1), 24–42.
Eling, M., & Lehmann, M. (2021). The impact of digitalization on the insurance value chain. The Geneva Papers on Risk and Insurance, 46(1), 1–25.
Homburg, C., Jozić, D., & Kuehnl, C. (2020). Customer experience management: Toward implementing an evolving marketing concept. Journal of the Academy of Marketing Science, 48(1), 1–25.
Hwang, J., & Gao, Y. (2021). Predicting consumer behavior in financial services: A generational perspective. Journal of Services Marketing, 35(4), 456–470.
Kumar, V., Dixit, A., Javalgi, R. G., & Dass, M. (2021). Digital transformation of financial services: The role of customer experience. Journal of Business Research, 122, pp. 471–482.
Lemon, K. N., & Verhoef, P. C. (2020). Understanding customer experience across the journey. Journal of Marketing, 84(3), 69–96.
Li, H., Zhang, Y., & Zhao, X. (2021). Forecasting insurance demand using time series and machine learning methods. Insurance: Mathematics and Economics, 99, pp. 1–12.
McKinsey & Company. (2023). Global insurance report: Reimagining life insurance in the digital era. McKinsey Global Institute.
Miller, R. (2020). Transforming the Future: Anticipation in the 21st Century. Routledge, pp. 25–47.
Outreville, J. F. (2020). The economics of insurance: Theory and practice. Springer.
Schoemaker, P. J. H. (2020). Scenario planning: A tool for strategic foresight. California Management Review, 62(4), 1–23.
Swiss Re Institute. (2022). World insurance report 2022: Digital transformation in insurance. Zurich: Swiss Re.
Wang, P., Chen, J., & Liu, Y. (2021). Big data analytics in financial forecasting: A machine learning perspective. Technological Forecasting and Social Change, 173, 121–134.
Wang, Q., Chen, J., & Liu, Y. (2022). Big data analytics and artificial intelligence in the insurance industry: A review and future directions. Technological Forecasting and Social Change, 178, 121–135.
Ward, D., & Zurbruegg, R. (2020). Insurance demand and macroeconomic stability. Journal of Risk and Insurance, 87(3), 567–590.
Zhang, L., Wu, J., & Xu, C. (2023). Key performance indicators and firm performance: Evidence from financial services industry. Sustainability, 15(4), 3456, pp. 1–18.
مدیریت استراتژیک هوشمند

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 12 فروردین 1405