생명보험 언더라이팅 시 개인신용정보의 활용 효과 분석
  • 분야
  • 저자
  • 발행기관
  • 간행물정보
  • 파일형식
  •  
  • 구매가격
  • 적립금
이메일 발송  스크랩 하기
자료 다운로드  네이버 로그인
국문초록
본 연구에서는 국내 특정 생명보험사의 상해보험 및 건강보험 신청자를 대상으로 실제 데이터를 활용하여 개인신용정보와 생명보험상품의 사고율 간에 어떠한 상관관계가 있는지를 계량적으로 살펴보았다. 즉, 현재 생명보험사가 내부적으로 활용하고 있는 기존의 언더라이팅 요소에 개인신용정보를 추가로 고려할 경우 보험사고 예측에 어느 정도의 한계효용 효과가 나타나는지를 단계적으로 실증 분석하였다. 먼저 개인신용등급(1~10등급)을 상·중·하로 재구성하여 분석한 결과, 개인신용등급 수준이 낮을수록 보험사고율이 높아진다는 사실이 통계적으로 검증되었다. 다음으로 정보활용 범위(즉, 보험사 고유정보만을 활용한 “모형 1”, 보험사고유정보와 KFB 정보를 활용한 “모형 2”, 보험사 고유정보와 KFB 정보 및 KCB 정보를 활용한 “모형 3”)에 따라 사고율 예측을 위한 3개의 로지스틱 회귀모형을 각각 도출하였다. 마지막으로 3개 예측모형의 비교를 통해 보험사고 예측에 있어 개인신용정보 활용효과를 비교 분석한 결과, 사고개선율 효과가 “모형 3” > “모형 2” > “모형 1”의 순으로 나타났다. 이는 생명보험사가 사고율 예측모형을 통해 고위험군을 대상으로 보험인수조건을 강화하고자 할 경우, 보험사 고유정보만 고려한 경우보다는 외부의 개인신용정보를 활용했을 때 보험사고율 개선효과가 전반적으로 향상될 수 있음을 의미한다. 결론적으로 생명보험사가 언더라이팅 시 개인신용정보를 적극적으로 활용할 경우 전반적인 사고율 감소에 따른 경영개선 효과를 기대할 수 있을 것으로 보인다.
영문초록
Using accident and illness insurance applicants` data of a domestic life insurance company for a certain time period (2009. 1~7), we empirically examine if there exists a certain relation between individual credit information and accident rate. In other words, we analyze, step by step, the marginal effects of using individual credit information as an underwriting factor, in addition to existing internal underwriting criteria of an life insurance company, on the accuracy of accident rate forecasting. As a first step, we statistically prove that, the higher the individual credit rating (in terms of high-level, medium-level, and low-level) is, the lower the accident rate is. Second, to measure and compare the effects of predicting accident rate, we primarily derive three different logistic stepwise regression models, based on the scope of data employed (that is, “model 1”-a life insurer`s internal data only; “model 2”-data compiled by the KFB, in addition to a life insurer`s internal data; “model 3”-data compiled by the KCB, in addition to a life insurer`s internal data as well as data compiled by the KFB). First, on “model 1,” all the five variables from internal data have been safely selected. Those are gender, age, risk class, current number of policies owned, number of previous claim payments. Second, on “model 2,” two variables from KFB data have been selected additionally, along with five variables from insurance company`s internal data. Those two from KFB data are loan amount in banks and time since oldest credit opened. Third, on “model 3,” four variables from KCB data have been selected additionally, along with five variables from insurance company`s internal data, while any variables from KFB data have not been selected. Those four from KCB data are secured loan amount, percent of lump sum payment used in last one year, total number of delinquency substitute payment, and income. In the mean time, the unique direction of each selected variables was maintained in three dif- ferent models, and all the selected variables turned out to be statistically significant. Finally, we compares the results of accident improvement in each model to the bottom 2%, 5%, and 10% of high-risk group respectively. Our result shows the ranking as an order of “model 3” > “model 2” > “model 1” in terms of improving the accuracy of accident rate forecasting. It implies that a life insurer may have positive effects of reducing the accident rate by using individual credit information as an underwriting factor, thus eventually improving management efficiency.
사업자등록번호 220-87-87785 대표.신현웅 주소.서울시 서초구 방배로10길 18, 402호 대표전화.070-8809-9397
개인정보책임자.박정아 통신판매업신고번호 제2017-서울서초-1765호 이메일 help@reportshop.co.kr
copyright (c) 2009 happynlife. steel All reserved.