基于RBF网络的工程保险费率厘定研究

基于RBF网络的工程保险费率厘定研究

论文摘要

我国加入世贸以后,经济不断增长,建筑行业的竞争也愈演愈烈,与此同时每年国家也投入大量资金于基础设施建设。在我国工程建设的愈演愈烈的形势下,工程建设势必会面临高风险,这就迫切地需要利用工程保险来进行风险转移,为工程建设提供经济保障。在国外,工程建设项目都是需要强制保险的,外资企业在中国一般都会进行工程保险;而我国的建设单位参与工程保险的还比较少,这将不利于我国工程建设的健康发展。不仅如此,我国的工程保险理论和实务都相对滞后,特别是在工程保险费率厘定方面。由于对工程风险理论的研究不深,费率比较固定,不能真实反映具体工程的风险大小。工程建设项目不但规模大、周期长,还具有生产的单件性和复杂性等特点,因此,在实施过程中存在着很多不确定因素,比一般产品生产具有更大的风险。而且工程项目的风险错综复杂,即便是两个具有相同结构类型的项目也会由于自然环境和施工方案等因素的不同造成巨大的风险差异。因此,工程风险的特殊性在客观上决定了工程保险费率应根据具体项目的风险大小而定,做到真正的“看衣吃饭,量体裁衣”。目前,在我国的工程保险费率厘定中,一般采用固定费率表来确定保险费率。近年有人提出基于风险系数调整来厘定工程保险费率,主要是依赖专家经验,采用了层次分析法和模糊综合评价(FCE)。针对我国目前工程保险费率厘定一般采用固定费率表,缺乏风险分析,主观判断的现状,本文根据工程保险费率的厘定原理,提出基于神经网络——RBF网络的工程保险费率厘定方法,把人工神经网络、工程风险管理与保险理论相结合用于工程保险费率厘定,为保险公司工程保险费率厘定提供参考工具。本文首先讲述了研究的背景意义和工程保险及费率的国内外研究现状,以及文章的主要内容和路线。其次,学习了工程保险和风险的基本理论以及工程保险费率厘定的一般原理,了解了工程保险和风险的关系。在此基础上提出工程保险费率确定的方法:我们结合参照法和最大损失法,根据工程保险费率的确定原理可知,工程保险费率主要是由历史的损失率(即纯费率)决定的。倘若知道以往工程的损失率就可推算出未知工程的纯费率,因此,可以利用神经网络的预测功能来探讨如何厘定工程保险费率。然后,对工程保险的风险进行识别,建立工程保险风险的评价体系,对其指标进行分析,以获取风险值。第四,对神经网络——BP网络和RBF网络进行了简单的阐述,并分别建立了基于这两种神经网络的工程保险费率模型,采用收集到的样本数据对网络进行学习训练,从而得到稳定的训练结果。分析对比了这两种网络所构造的模型,得出RBF网络模型更适合用于厘定工程保险费率。最后,对实际案例进行了风险分析,得出了各项评价指标的风险值,输入基于RBF网络的工程保险费率模型,得到了该案例的预测保险费率,基本与实际费率吻合,验证了该方法的可行性。但由于作者水平有限和时间的限制,文章中难免出现错误和不妥之错,恳请大家予以批评指正。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 研究背景与意义
  • 1.2 国内外研究综述
  • 1.2.1 工程保险
  • 1.2.2 工程保险费率
  • 1.3 本文主要内容及路线
  • 1.3.1 研究内容
  • 1.3.2 研究的目的
  • 1.3.3 本文的技术路线
  • 1.3.4 拟创新之处
  • 2 基本概念
  • 2.1 工程风险
  • 2.1.1 风险的概念
  • 2.1.2 风险的构成要素
  • 2.1.3 工程项目风险的特点
  • 2.2 工程风险管理概述
  • 2.2.1 工程风险管理的概念
  • 2.2.2 工程风险管理的基本程序
  • 2.3 工程保险
  • 2.3.1 工程保险的基本概念
  • 2.3.2 工程保险的特点
  • 2.3.3 建筑工程一切险的承保范围
  • 2.4 工程保险费率
  • 2.4.1 保险费率的概念
  • 2.4.2 工程保险费率的厘定原则
  • 2.4.3 工程保险费率的影响因素
  • 2.4.4 工程保险费率确定的基本方法
  • 2.5 工程风险与保险的关系
  • 3 工程保险风险的识别及其评价指标体系
  • 3.1 工程风险的识别
  • 3.1.1 风险识别的目的
  • 3.1.2 工程风险识别的方法
  • 3.1.3 风险识别的成果
  • 3.2 工程保险责任范围内的风险识别及分类
  • 3.2.1 可保风险的识别
  • 3.2.2 可保风险的分类
  • 3.3 工程保险风险的评价指标体系
  • 3.3.1 评价指标的初选
  • 3.3.2 评价指标的分析与处理
  • 3.3.3 风险因素的分析
  • 4 基于RBF 网络的工程保险费率确定
  • 4.1 RBF 与BP 神经网络简述
  • 4.1.1 BP 网络简述
  • 4.1.2 RBF 网络简述
  • 4.1.3 RBF 与BP 网络比较
  • 4.2 样本集的确定及处理
  • 4.3 基于神经网络的纯费率确定
  • 4.3.1 网络输入参数的选取
  • 4.3.2 基于BP 神经网络的费率厘定
  • 4.3.3 基于RBF 神经网络的费率厘定
  • 5 工程保险费率厘定的实证研究
  • 5.1 工程项目概况
  • 5.2 工程项目风险分析
  • 5.3 风险评估及其保险费率的确定
  • 5.4 综合评价
  • 6 结论及研究展望
  • 6.1 主要结论
  • 6.2 未来研究展望
  • 致谢
  • 参考文献
  • 附录
  • 相关论文文献

    • [1].基于RBF神经网络的绞吸挖泥船施工产量预测研究及分析[J]. 中国港湾建设 2019(12)
    • [2].基于RBF神经网络的船舶自适应区域到达控制[J]. 计算机测量与控制 2020(04)
    • [3].采空区移动变形的径向基函数神经网络概率积分法(RBF)反演[J]. 矿产与地质 2020(01)
    • [4].RBF网络的船舶电子信息设备状态识别[J]. 舰船科学技术 2020(16)
    • [5].基于多变量相空间重构和RBF神经网络的光伏功率预测方法[J]. 电子测量与仪器学报 2020(08)
    • [6].基于RBF神经网络的车内声品质预测及分析[J]. 控制工程 2019(11)
    • [7].基于RBF网络的手势识别装置设计[J]. 信息技术 2019(12)
    • [8].基于RBF神经网络知识的智能故障诊断系统研究与实践[J]. 科技资讯 2016(34)
    • [9].基于RBF神经网络在转炉炼钢终点预报中的应用研究[J]. 无线互联科技 2017(04)
    • [10].基于RBF神经网络的网络安全态势预测方法[J]. 西安邮电大学学报 2017(02)
    • [11].基于粗糙集RBF神经网络村镇山洪灾害损失预测研究——以神农架林区为例[J]. 灾害学 2017(02)
    • [12].中央制冷空调冷冻水系统模糊RBF控制研究[J]. 电机与控制学报 2017(05)
    • [13].基于RBF的模糊积分多传感器数据融合的刮板输送机电机故障诊断[J]. 西安科技大学学报 2016(02)
    • [14].基于RBF的安徽省资源环境压力动态预警[J]. 中国农学通报 2015(01)
    • [15].基于RBF神经网络的高校数字图书馆服务质量评价[J]. 金融理论与教学 2015(02)
    • [16].基于RBF神经网络间接求取运动学逆解的研究[J]. 机床与液压 2019(23)
    • [17].RBF神经网络拟合高程异常的探讨[J]. 黑龙江科技信息 2017(15)
    • [18].基于RBF神经网络的短期负荷预测方法[J]. 自动化应用 2017(10)
    • [19].改进RBF鲁棒控制的机器人轨迹跟踪[J]. 科技创新与应用 2017(31)
    • [20].无刷直流电机RBF磁场定向控制及监控系统设计[J]. 现代电子技术 2016(20)
    • [21].基于RBF网络曲线拟合的研究[J]. 黑龙江工程学院学报 2015(01)
    • [22].基于RBF模型的广东省土地生态安全时空演变预警研究[J]. 水土保持研究 2015(03)
    • [23].基于多重线性回归P值检验的RBF神经网络模型在城市需水预测中的应用[J]. 水资源研究 2014(01)
    • [24].基于RBF的湖南省土地生态安全动态预警[J]. 地理学报 2012(10)
    • [25].基于免疫聚类的RBF网络在说话人识别中的应用[J]. 声学技术 2010(02)
    • [26].改进粒子群优化RBF神经网络在短期电力负荷预测上的研究[J]. 电子测试 2020(03)
    • [27].汇率双向波动增强后的跨境资金流动风险评估与预测方法研究——基于RBF神经网络模型[J]. 区域金融研究 2020(S1)
    • [28].基于RBF神经网络的企业运营双层动态成本控制研究[J]. 武汉商学院学报 2020(01)
    • [29].粗糙集-RBF神经网络的青岛地铁施工风险评价模型研究[J]. 青岛理工大学学报 2020(04)
    • [30].基于粒子群算法的RBF径向基神经网络教学质量评价模型[J]. 现代计算机 2020(19)

    标签:;  ;  ;  

    基于RBF网络的工程保险费率厘定研究
    下载Doc文档

    猜你喜欢