2024年美国大学生数学建模竞赛E题财产保险的可持续性解题全过程文档及程序

2024年美国大学生数学建模竞赛

E题 财产保险的可持续性

原题再现：

  极端天气事件正在成为财产所有者和保险公司的危机。近年来，全世界"遭受了 1000 多起极端天气事件造成的超过1万亿美元的损失"。“保险业 2022年的自然灾害理赔额比 30 年的平均水平增加了"115%”。叫由于洪水、飓风、气旋、干旱和野火等恶劣天气相关事件造成的损失可能会增加，预计情况会变得更糟。保险费正在迅速上涨，预计到 2040年，气候变化将使保险费上涨 30%-60%。
  财产保险不仅越来越贵，而且越来越难找，因为保险公司改变了他们愿意承保的方式和地点。与天气有关的事故导致财产保险费的上涨，这取决于您所处的地理位置。此外，全世界的保险保障缺口平均为 57%，而且还在不断扩大。"]这凸显了该行业的两难处境–保险公司的盈利能力和财产所有人的经济承受能力正在出现危机。
  中国大洋协会的巨灾保险建模人员(ICM)对财产保险业的可持续性很感兴趣。由于气候变化增加了发生更多恶劣天气和自然灾害的可能性，ICM 希望确定现在如何对财产保险做出最好的定位，从而使该系统具有抵御未来索赔成本的能力，同时确保保险公司的长期健康发展。如果保险公司在太多情况下不愿承保，它们就会因客户太少而倒闭。反之，如果保险公司承保的保单风险过高，则可能会支付过多的赔款。保險公司應在甚麼情况下承保?什么时候应该选择承担风险?业主是否可以做些什么来影响这一决定?为保险公司建立一个模型，以确定他们是否应该在极端天气事件不断增加的地区承保。使用位于不同大洲的两个发生极端天气事件的地区来演示您的模型。
  展望未来，社区和房地产开发商需要扪心自问，如何以及在何处进行建设和发展。随着保险环境的变化，未来的房地产决策必须确保房地产具有更强的抗灾能力，并经过深思熟虑，包括为不断增长的社区和人口提供适当服务的可行性。如何调整您的保险模式，以评估在何处、如何以及是否在某些地点进行建设?
  在某些社区，您的保险模式可能建议不承保当前或未来的财产保险。这可能会导致社区领导者对具有文化或社区意义的财产做出艰难的决定。例如，北卡罗来纳州外滩的哈特拉斯角灯塔被迁移，以保护这座历史悠久的灯塔以及以其为中心的当地旅游业。B作为社区领导者，您如何识别社区中的建筑?
  由于其文化、历史、经济或社区意义而应得到保存和保护的建筑?开发一个保护模式，供社区领导人使用，以确定他们应在多大程度上采取措施保护社区内的建筑物。选择一个历史地标(不是哈特拉斯角灯塔)，该地标所在位置会遭遇极端天气事件。运用您的保险和保护模式来评估这个地标的价值。根据您从保险和保护模型结果中获得的洞察力，撰写一封一页纸的信，向社区建议一个计划、时间表和成本提案，以保护他们珍爱的地标。

整体求解过程概述(摘要)

  在全球气候变化的背景下，极端天气事件日益频繁，给财产保险业带来重大挑战。这项研究提出了一个全面的分析框架，解决财产保险部门在极端天气条件下的可持续性。首先，我们采用多尺度地理加权回归（MGWR）模型，综合气候数据、地理位置和保险理赔数据，分析极端天气对保险赔付的影响。模型结果表明，考虑空间异质性可以更准确地预测保险理赔金额，为保险公司提供科学的风险评估工具。例如，我们观察到在某些高风险地区，保险赔付与极端环境事件发生概率之间存在显著正相关。
  针对第一个问题，我们提出了一种基于风险的保险定价策略，该策略平衡了保险公司的长期健康状况和业主的财务负担。通过引入人道主义调整系数和盈利能力调整系数，我们的模型为不同风险水平的保险产品定价，实现了社会责任和经济效率之间的平衡。例如，我们的模型预测2023年加州（一个高风险地区）的保险金额为209.94万美元，到2034年预计将增加到3100.54万美元。
  关于第二个问题，我们制定了社区建设和发展战略，以适应气候变化带来的风险。通过数据标准化、熵计算和加权，我们为业主提供了影响保险公司决策的策略，从而降低了保险成本。例如，我们建议社区可以通过提高人均GDP、控制人口密度、提高医疗质量和支持教育发展来降低保险成本。
  在处理第三个问题时，我们侧重于保护历史地标，特别是自由女神像。利用MGWR模型，结合建筑物保护优先事项，我们评估了自由女神像的保护需求。我们的详细保护计划为社区提供了缓解极端天气对这一文化符号的潜在影响的措施。例如，拟议的保护措施包括结构加固、环境监测系统安装和应急响应规划，估计每年投资约250万美元。
  总之，本研究为保险公司在极端天气条件下承保提供决策支持，并为社区和遗产保护提供切实可行的策略。我们的框架强调科学分析、社区参与和多目标优化的重要性，提出了应对气候变化挑战的综合方法。

模型假设：

  为了简化我们的模型并消除复杂性，我们在本文献中做出以下主要假设。所有假设在构建模型时使用后将再次强调：

  1、数据完整性和质量：官方数据集包含研究所需的所有必要信息，无需补充数据。该数据集全面覆盖了所需变量，质量高，保证了分析的可靠性。
  2、极端天气事件的空间异质性：极端天气事件对不同地理位置保险赔付的影响存在显著的空间异质性。多尺度地理加权回归（MGWR）模型可以有效地捕捉这种异质性，从而实现更准确的保险定价和风险评估。
  3、社会经济因素与保险需求的相关性：人均GDP、人口密度、受教育程度等社会经济因素与保险需求、风险评估存在显著相关性。这支持了使用熵权法确定人道主义调整系数（HAC）的有效性，突出了这些因素在制定保险策略中的重要性。

问题重述：

  问题1：气候变化下的保险承保策略：开发一个模型，帮助保险公司决定是否在受极端天气事件影响日益严重的地区承保，这是一个复杂的挑战。这种模式必须平衡保险公司的长期健康和财产所有者的财务负担。

  问题2：面临气候风险的社区建设和发展：适应不断变化的保险环境需要采用细致入微的方法来评估在特定地点建设和发展的风险。面对这些风险，确保财产弹性和可持续社区发展至关重要。

  问题3：在气候威胁下保护历史地标：选择历史地标并应用保险和保护模型评估其价值是一个独特的挑战。对于社区而言，这涉及到提出一个全面的保护计划，其中包括建议的措施、时间表和相关费用，以保护这些文化宝藏免受极端天气的破坏。

模型的建立与求解整体论文缩略图

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

代码：(文档not free)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
data = pd.read_csv("insurance_data.csv")

# 划分特征和标签
X = data.drop("should_underwrite_policy", axis=1)
y = data["should_underwrite_policy"]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练随机森林分类器模型
clf = RandomForestClassifier()
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率：", accuracy)

from sklearn.tree import DecisionTreeClassifier
import pandas as pd

# 加载数据集
data = pd.read_csv("property_development_data.csv")

# 划分特征和标签
X = data.drop("construction_decision", axis=1)
y = data["construction_decision"]

# 建立决策树分类模型
model = DecisionTreeClassifier()
model.fit(X, y)

# 输入新的地点信息，预测建设决策
new_location = [[geo_feature1, geo_feature2, climate_feature1, climate_feature2, historical_disaster_data]]
decision = model.predict(new_location)

print("建设决策：", decision)

# 建立多因素评分模型
def protection_model(building):
    score = 0
    # 根据建筑的文化价值、历史意义、经济贡献、社区认同等方面进行评估
    if building.cultural_value == "high":
        score += 3
    elif building.cultural_value == "medium":
        score += 2
    else:
        score += 1
    
    if building.historical_significance == "high":
        score += 3
    elif building.historical_significance == "medium":
        score += 2
    else:
        score += 1
    
    if building.economic_contribution == "high":
        score += 3
    elif building.economic_contribution == "medium":
        score += 2
    else:
        score += 1
    
    if building.community_identity == "high":
        score += 3
    elif building.community_identity == "medium":
        score += 2
    else:
        score += 1
    
    return score

# 示例建筑类
class Building:
    def __init__(self, cultural_value, historical_significance, economic_contribution, community_identity):
        self.cultural_value = cultural_value
        self.historical_significance = historical_significance
        self.economic_contribution = economic_contribution
        self.community_identity = community_identity

# 示例建筑
building = Building(cultural_value="high", historical_significance="high", economic_contribution="medium", community_identity="high")

# 使用保护模型评估建筑重要性
importance_score = protection_model(building)
print("建筑重要性评分：", importance_score)

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可