Generalized age–period–cohort (GAPC) models are mortality models that incorporate stochasticity, which can be represented in a generalized linear or non-linear context. By fitting the data to either mortality model, one can make forecasts for the future under the extrapolation framework. Previous research indicates that tree-based machine learning (ML) methods are suitable for improving the forecasting ability of such mortality models using different training/testing time periods. However, there is no consensus about generalizing this phenomenon to the improvement of fitted/forecasted mortality rates without depending on a particular mortality model or the model’s training/testing period. Furthermore, GAPC models assume symmetry of the interaction between the features and the mortality rates. Tree-based ML methods can capture asymmetric relationships within demographic data and complement the rigid assumption of symmetry of stochastic mortality models. The objective in our study is to re-estimate the mortality rates obtained from each mortality model by applying tree-based machine learning (ML) methods within a procedure that creates a suitable environment to improve the forecasting accuracy of each GAPC model. By combining mortality models with tree-based methods, both the interpretability of the parameters of mortality models and the features used within machine learning methods can be ensured. In the application carried out in this study for Denmark and Sweden, the results show that all tree-based ML-integrated models reduced the error (root mean squared error) compared to each pure mortality model. This study shows that if the proper procedure is applied, the forecasting ability of each mortality model can be improved.

Many optimal reinsurance studies in the literature only take into consideration the insurer. However, there are two parties in reinsurance contracts. The aim of the study is to contribute to the optimal reinsurance literature by considering the interests of both the insurer and the reinsurer. A reasonable compromise between their interests is desired. Then, we examine the optimal retention problem that minimizes the absolute value of the difference between the insurer’s and the reinsurer’s profits under stop-loss and excess-of-loss reinsurance arrangements. With a non-negative random variable, we incorporate the stochastic essence of the aggregate loss for the reinsurer’s and insurer’s profits into the model. For reinsurance premium calculation we use two different premium principles and for aggregate loss we use exponential, Pareto and lognormal distributions. The results of the studies only deal with the benefits of the insurer and the studies consider both the benefits of the insurer and reinsurer are compared. Our findings can be helpful for insurance companies and reinsurer companies in their decision making task. For simulation studies in the model MATLAB programming language is used.

Beklenen yaşam sürelerinin artması ve doğurganlık hızının azalması, dünya genelinde yaşlı nüfus oranının giderek artmasına sebep olmaktadır. Bu durum sosyal güvenlik sistemleri, sigortacılık sektörü ve ekonomik politikalar üzerinde olumsuz etkiler oluşturmaktadır. Bu çalışmada Türkiye’de ileri yaş ölümlülüğü için Gompertz, Makeham-Gompertz, Perks, Weibull, Beard ve Kannisto ölümlülük modelleri karşılaştırılmış ve en uygun model tespit edilmiştir. 80-98 yaş aralığındaki ölüm hızları pürüzsüzleştirilmiş (smoothing) ve 99-120 yaşları için uzatma işlemleri yapılarak 2009-2022 yıllarını kapsayan ileri yaş hayat tabloları oluşturulmuştur. En uygun modelin Kannisto olduğu belirlenmiş ve elde edilen ölüm hızları Lee-Carter yöntemi yardımıyla 2025, 2030, 2035, 2040, 2045 ve 2050 yılları için tahmin edilmiştir. Sonuçlar ilerleyen yıllarda ileri yaşlarda ölüm hızlarındaki artışın azalacağına ve bununla birlikte beklenen yaşam sürelerinde artış trendi olacağına işaret etmektedir. Toplumdaki ileri yaş nüfusunun artması ekonomik ve sosyal politikalarda düzenlemeler gerektirmektedir. Bu nedenle ileri yaş nüfusunun incelenmesi ve modellenmesi önem arz etmektedir.

Gelişmiş ve gelişmekte olan birçok ülkenin temel sorun alanlarından birisi işsizliktir. İşsizlik, sonuçları itibarıyla hem bireyi hem de toplumsal huzuru ve ekonomik dengeleri önemli ölçüde etkileyebilir. İşsizlik sorununun çözümüne ilişkin aktif ve pasif istihdam politikaları uygulanabilmektedir. İşsizliğin neden olduğu olumsuzlukları en aza indirgemek amacıyla uygulanan en önemli sosyal güvenlik politikalarından birisi pasif istihdam politikalarından biri olan işsizlik sigortasıdır. Bu çalışmada sosyal devlet olmanın bir gereği olarak 2000 yılından bu yana Türkiye’de fiilen uygulanan işsizlik sigortasının şartları ve uygulama yöntemi incelenmiş ve Türkiye’deki mevcut durum ele alınmıştır. İşsizlik Sigortası Fonu, temel amacı olan işsizlik ödeneği sağlamasının yanında son yıllarda istihdamın artırılmasını teşvik eden düzenlemelere de önemli ölçüde kaynak sağlamaktadır. Çalışmada, Fonun nakit akış dengesinin mevcut uygulamalar ve mevzuat altında politika değişikliğine gidilmeden ve olası politika değişiklerinin uygulanması durumlarında uzun vadede nasıl şekillenebileceğine ilişkin tahminlerde bulunulmuştur. Çalışmanın sonuçlarına göre, istihdam teşviki yüklerinin kanuni süresi içerisinde sonlandırılması ve Fona mevcut uygulamalarına ek olarak harcama programı getirilmemesi durumunda Fon gelir-gider fazlası vermeye devam etmektedir. Asgari ücret desteğinin Fondan karşılanmaya devam edilmesi durumunda Fonun mali olarak sürdürülebilir durumda olmayacağı görülmektedir.

Generalized Age-Period-Cohort (GAPC) models are mortality models incorporates stochasticity which can be represented in generalized linear or non-linear context. By fitting the data to either mortality model, one can make forecasts for the future under the extrapolation framework. Previous research indicates that the machine learning techniques can be applied to improve forecasting ability of such mortality models using different training/testing time periods. However, there is no consensus about generalizing this phenomenon on the improvement of fitted/forecasted mortality rates without depending on particular mortality model or models’ training/testing period. The idea in this study is to re-estimate the mortality rates obtained from each mortality models by applying tree-based machine learning methods within a procedure that creates suitable environment for integrating machine learning models for each GAPC models. This study shows that if the proper procedure is applied, the forecasting ability of each mortality model can be improved.