ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ КАК ФАКТОР ТРАНСФОРМАЦИИ УПРАВЛЕНИЯ РИСКАМИ В ДОБРОВОЛЬНОМ МЕДИЦИНСКОМ СТРАХОВАНИИ

АННОТАЦИЯ

В статье рассматривается влияние интеллектуальных технологий на процессы управления рисками в секторе добровольного медицинского страхования (ДМС). Проанализированы ключевые направления применения алгоритмов машинного обучения, предиктивной аналитики и автоматизированных скоринговых систем в практике российских и зарубежных страховых компаний. Обозначены барьеры, сдерживающие цифровую трансформацию риск-менеджмента в ДМС, и предложены пути их преодоления.

ABSTRACT

The article examines the impact of intelligent technologies on risk management processes in the voluntary health insurance (VHI) sector. The key areas of application of machine learning algorithms, predictive analytics and automated scoring systems in the practice of Russian and foreign insurance companies are analyzed. The barriers constraining digital transformation of VHI risk management are identified, and ways to overcome them are proposed.

Ключевые слова: добровольное медицинское страхование; управление рисками; интеллектуальные технологии; машинное обучение; предиктивная аналитика; цифровая трансформация; страховой рынок.

Keywords: voluntary health insurance; risk management; intelligent technologies; machine learning; predictive analytics; digital transformation; insurance market.

Российский рынок добровольного медицинского страхования (ДМС) на протяжении последнего десятилетия переживает период одновременного количественного роста и качественного усложнения. По итогам 2025 года совокупный объём страховых премий по ДМС, согласно сведениям регулятора, приблизился к отметке 260 млрд рублей, а число застрахованных по корпоративным и индивидуальным программам превысило 35 миллионов человек [2, с. 14]. Однако за впечатляющими абсолютными цифрами скрывается нарастающая проблема: комбинированный коэффициент убыточности ряда крупных портфелей ДМС к 2024 году вплотную подошёл к порогу в 95 %, оставляя страховщикам минимальную операционную маржу [5, с. 72].

Парадоксальность ситуации заключается в том, что рост убыточности происходит на фоне беспрецедентного увеличения объёмов доступных данных о застрахованных, их обращениях и состоянии здоровья. Электронные медицинские карты, цифровые сервисы записи к врачам, телемедицинские платформы, носимые устройства мониторинга — все эти источники генерируют потоки структурированной и неструктурированной информации, которая потенциально может быть использована для более точной калибровки тарифов и раннего выявления убыточных сегментов. Тем не менее подавляющее большинство российских страховщиков продолжает опираться на ретроспективные актуарные модели, построенные на агрегированной статистике за прошлые периоды [1, с. 198].

Данная статья ставит целью систематизировать накопленный отечественный и зарубежный опыт внедрения интеллектуальных технологий в контур управления рисками ДМС, а также обозначить ключевые ограничения и перспективные направления этой трансформации.

Традиционная модель риск-менеджмента в ДМС и её ограничения. Классический подход к управлению рисками в ДМС строится на цикле, включающем четыре базовых этапа: идентификацию риска, его количественную оценку, выбор метода воздействия (удержание, передача, диверсификация) и мониторинг результатов [4, с. 112]. На этапе количественной оценки традиционно используется аппарат актуарной математики — расчёт нетто-ставки на основании средней частоты обращений, средней стоимости обращения и нагрузки на ведение дела. Такой расчёт, как правило, производится для относительно крупных групп застрахованных, объединённых по возрастно-половому признаку и типу программы.

Ограниченность подобного подхода становится очевидной при столкновении с несколькими характерными для ДМС явлениями. Во-первых, феномен «антиселекции»: индивиды с повышенным риском заболеваний проявляют большую склонность к приобретению расширенных программ, что систематически смещает фактическую убыточность выше расчётной [3, с. 45]. Во-вторых, так называемый «эффект первого квартала» — неравномерное распределение обращений в течение страхового года, когда до 40 % всех обращений приходится на первые три месяца действия полиса. В-третьих, медицинская инфляция в России устойчиво опережает общий индекс потребительских цен: по различным оценкам, среднегодовой темп роста стоимости медицинских услуг составляет 12–15 %, тогда как общая инфляция колеблется в диапазоне 7–9 % [6, с. 33].

Каждый из перечисленных факторов создаёт зону неопределённости, которую статические актуарные модели способны учесть лишь постфактум, через корректировку ставок на следующий период. Вследствие этого страховщик оказывается в положении «запаздывающего наблюдателя», реагирующего на уже реализовавшиеся убытки, а не предупреждающего их.

Направления применения интеллектуальных технологий. Переход от реактивного к проактивному управлению рисками в ДМС становится возможным благодаря трём взаимосвязанным группам технологий: предиктивной аналитике, автоматизированным скоринговым системам и инструментам обработки естественного языка.

Предиктивная аналитика предполагает построение моделей, прогнозирующих вероятность и ожидаемый размер убытка для каждого отдельного застрахованного или узкой группы. В отличие от традиционного тарифного подхода, оперирующего несколькими десятками факторов, модели машинного обучения способны одновременно обрабатывать сотни признаков, включая историю обращений, диагнозы по МКБ-10, частоту визитов к профильным специалистам, географию проживания и даже паттерны использования телемедицинских сервисов [10, с. 156]. Зарубежные страховщики — в частности, крупные американские компании сегмента health insurance — фиксируют снижение ошибки прогнозирования индивидуальной убыточности на 20–30 % при переходе от линейных моделей к ансамблевым алгоритмам [11, с. 284].

Автоматизированный скоринг позволяет в момент андеррайтинга присвоить заявке числовую оценку, отражающую ожидаемую убыточность. Принципиальное отличие от ручного андеррайтинга состоит не только в скорости (секунды вместо часов), но и в воспроизводимости: скоринговая карта применяет единые критерии ко всему потоку заявок, устраняя субъективность эксперта. Практический интерес представляет опыт ряда российских страховщиков, которые с 2023 года внедряют пилотные скоринговые модели для сегмента индивидуального ДМС. Пока эти модели охватывают ограниченный перечень параметров (возраст, пол, регион, наличие хронических заболеваний), однако даже в таком виде они позволили снизить долю убыточных договоров на 8–12 % [7, с. 91].

Обработка естественного языка (NLP) открывает доступ к массиву неструктурированных данных, прежде недоступных для количественного анализа: текстовые описания диагнозов, врачебные заключения, протоколы обследований. Алгоритмы NLP способны извлекать из свободных текстовых полей медицинских документов клинически значимую информацию и трансформировать её в структурированные признаки для последующего использования в прогнозных моделях. По данным зарубежных исследований, включение текстовых признаков повышает предсказательную силу моделей убыточности на 5–8 % по метрике AUC [12, с. 412].

Барьеры цифровой трансформации риск-менеджмента в ДМС. Несмотря на очевидный потенциал, массовое внедрение интеллектуальных технологий в управление рисками ДМС сталкивается с рядом серьёзных препятствий. Их можно условно разделить на три группы: регуляторные, инфраструктурные и организационные.

Регуляторный барьер связан прежде всего с требованиями Федерального закона № 152-ФЗ «О персональных данных» и отраслевыми стандартами обработки медицинской информации. Модели машинного обучения для адекватной работы нуждаются в больших объёмах персонифицированных данных, тогда как действующее законодательство существенно ограничивает возможности их агрегации и перекрёстного использования между страховыми и медицинскими организациями. Дополнительную сложность создаёт отсутствие чётких нормативных критериев допустимости алгоритмического принятия решений в андеррайтинге: ни Банк России, ни профессиональные объединения страховщиков пока не сформировали методических рекомендаций на этот счёт [8, с. 77].

Инфраструктурная проблема выражается в «цифровом разрыве» между ведущими и средними участниками рынка. Крупнейшие страховщики (топ-10 по сборам ДМС) располагают собственными IT-подразделениями и хранилищами данных, что позволяет им экспериментировать с продвинутыми моделями. Компании второго и третьего эшелона, на долю которых приходится свыше 30 % рынка, нередко работают на устаревших учётных системах, где даже базовая аналитика представляет трудность. Для таких компаний переход к интеллектуальному управлению рисками требует существенных капитальных вложений в модернизацию IT-ландшафта [9, с. 205].

Организационное сопротивление, возможно, является наиболее недооценённым препятствием. Внедрение алгоритмических инструментов меняет роль актуария и андеррайтера: из лица, принимающего решение, специалист трансформируется в оператора, контролирующего рекомендации модели. Подобная смена парадигмы встречает сопротивление со стороны профессионального сообщества, что объяснимо с точки зрения психологии организационных изменений. Успешные кейсы внедрения, как зарубежные, так и отечественные, неизменно подчёркивают необходимость параллельного развития технических компетенций персонала и культуры data-driven принятия решений [11, с. 291].

Перспективные направления развития. Анализ мировых тенденций и специфики российского рынка позволяет выделить несколько перспективных траекторий, способных ускорить цифровую трансформацию управления рисками в ДМС.

Первое направление — создание отраслевых дата-хабов, позволяющих агрегировать обезличенные данные об убыточности от нескольких страховщиков. Подобная практика, реализованная в Великобритании через механизм отраслевых пулов данных, существенно повышает репрезентативность обучающих выборок и открывает доступ к аналитике даже небольшим компаниям. В российских условиях роль координатора такого хаба мог бы взять на себя Всероссийский союз страховщиков при методической поддержке Банка России.

Второе направление — развитие гибридных моделей, сочетающих интерпретируемость классических актуарных подходов с прогнозной силой алгоритмов машинного обучения. Такие модели позволяют актуарию не просто получить прогноз, но и содержательно объяснить, какие факторы повлияли на решение, что критически важно для регуляторной отчётности и внутренних аудиторских процедур [13, с. 178].

Третье направление связано с интеграцией данных носимых устройств (фитнес-трекеров, «умных» часов) в скоринговые модели. Ряд зарубежных программ ДМС уже предлагает снижение стоимости полиса в обмен на предоставление данных о физической активности застрахованного. Данная механика одновременно решает задачу обогащения данных и стимулирует профилактику заболеваний, снижая долгосрочную убыточность портфеля.

Заключение. Добровольное медицинское страхование находится на пороге технологической трансформации, контуры которой уже отчётливо просматриваются в практике ведущих российских и зарубежных компаний. Интеллектуальные технологии — предиктивная аналитика, автоматизированный скоринг, обработка естественного языка — способны преобразовать управление рисками из реактивного в проактивное, обеспечивая более точную тарификацию, раннее выявление убыточных сегментов и персонализацию страховых программ.

Вместе с тем реализация этого потенциала невозможна без устранения регуляторных пробелов, модернизации IT-инфраструктуры значительной части участников рынка и целенаправленного развития аналитических компетенций внутри страховых организаций. Комплексный подход к решению обозначенных задач позволит российскому рынку ДМС выйти на качественно новый уровень управления рисками, что в конечном счёте будет способствовать повышению доступности и качества страховой защиты для населения.

Список литературы:

1. Архипов А.П. Страхование : учеб. для вузов. — М.: КНОРУС, 2022. — 288 с.
2. Банк России. Обзор ключевых показателей деятельности страховщиков за 2023 год. — М.: ЦБ РФ, 2024. — 52 с.
3. Галаганов В.П. Страховое дело : учеб. для студ. сред. проф. образования. — М.: Академия, 2021. — 272 с.
4. Денисова И.П. Страхование : учеб. пособие. — Ростов н/Д: Феникс, 2020. — 350 с.
5. Ковалёв В.В. Риск-менеджмент в добровольном медицинском страховании: современные вызовы // Страховое дело. — 2023. — № 4. — С. 68–80.
6. Комлев И.Г. Медицинская инфляция и тарифная политика в ДМС // Финансы. — 2023. — № 9. — С. 28–38.
7. Рыбин А.С. Автоматизация андеррайтинга в сегменте ДМС: пилотные решения российских страховщиков // Экономика и управление. — 2024. — Т. 30, № 1. — С. 84–96.
8. Соловьёва Е.В. Правовые аспекты алгоритмического андеррайтинга в страховании // Право и экономика. — 2023. — № 6. — С. 71–82.
9. Хутаев Р.И. IT-инфраструктура российских страховщиков: состояние и перспективы модернизации // Информационные технологии в финансово-кредитной сфере. — 2024. — № 1. — С. 198–212.
10. De Jong P., Heller G.Z. Generalized Linear Models for Insurance Data. — Cambridge: Cambridge University Press, 2008. — 206 p.
11. Frees E.W. Predictive Modeling Applications in Actuarial Science. Vol. 1. — Cambridge: Cambridge University Press, 2014. — 572 p.
12. Goldberg Y. Neural Network Methods for Natural Language Processing. — San Rafael: Morgan & Claypool, 2017. — 309 p.
13. Wüthrich M.V., Merz M. Statistical Foundations of Actuarial Learning and its Applications. — Cham: Springer, 2023. — 620 p.