The article proposes an integral model for assessing the digital maturity of an insurance organization based on principal component analysis, the Fishburn rule and additive convolution. The model is tested on data of the Russian insurance market for 2014–2025: six significant factors are selected out of seven initial digitalization indicators with a cumulative explained variance of 93.84 %, an integral indicator is calculated that grew from 0.196 to 1.000, and Brown's method yields forecast values of 1.071 and 1.155 for 2026 and 2027. The results are applied to PJSC Renaissance Insurance Group to identify priority areas of digital transformation.

Keywords: digital maturity, insurance organization, integral indicator, principal component analysis, Fishburn rule, additive convolution, Brown's method, digital transformation, InsurTech.

Цифровая трансформация изменила страховую отрасль глубже, чем простая автоматизация документооборота, и сделала уровень цифровизации страховщика самостоятельным фактором его конкурентоспособности. Проникновение искусственного интеллекта, телематики, роботизации процессов и анализа больших данных перестроило все этапы жизненного цикла договора страхования, от тарификации до урегулирования убытков [1]. Управлять этим процессом, не измеряя его, затруднительно, поэтому перед менеджментом встает задача количественной оценки достигнутой цифровой зрелости.

Существующие инструменты оценки решают эту задачу лишь частично. Международные индексы вроде DESI, BCG e-Intensity и индекса развития ИКТ создавались для сопоставления стран и оперируют инфраструктурными показателями национального масштаба, поэтому к отдельной компании напрямую неприменимы [2]. Спуск на организационный уровень приводит к универсальным моделям MIT и Capgemini, Forrester 4.0, Acatech, однако они опираются на экспертные баллы и дают качественную картину, динамику которой во времени отслеживать неудобно. Попытка учесть отраслевую специфику выводит к рейтингам цифровой зрелости страховщиков, но и те охватывают преимущественно клиентские каналы, оставляя в стороне внутренние операционные процессы. Так обнаруживается методологический пробел: формализованного и воспроизводимого инструмента, учитывающего специфику именно страхового бизнеса, в литературе недостает.

Настоящая статья представляет интегральную модель оценки цифровой зрелости страховой организации, построенную средствами прикладной статистики и апробированную на данных российского страхового рынка за 2014–2025 годы с приложением результатов к ПАО «Группа Ренессанс Страхование». Новизна подхода состоит в том, что отбор факторов, их взвешивание и свертка опираются на объективные статистические процедуры, а не на экспертные суждения, и это обеспечивает воспроизводимость оценки и возможность прогнозировать ее на коротком ряде данных.

Методический подход

Логика модели задается последовательностью, в которой каждый следующий шаг обусловлен результатом предыдущего. Исходное множество показателей цифровизации избыточно и взаимно коррелировано, поэтому первым действием выступает снижение размерности методом главных компонент (МГК), выделяющим из набора коррелированных переменных меньшее число некоррелированных компонент, упорядоченных по убыванию объясненной дисперсии [3].

Число удерживаемых компонент определяется критерием Кайзера, сохраняющим лишь компоненты с собственным значением выше единицы, а матрица факторных нагрузок показывает, насколько тесно каждая исходная переменная связана с ведущим фактором, и тем самым позволяет отбросить переменную с наименьшим вкладом [4].

Отобранные показатели измеряются в разных единицах, и прямое их сложение исказило бы результат в пользу величин с большим разбросом, поэтому следующим шагом становится приведение к единой шкале. Из распространенных способов выбрана абсолютная нормализация, при которой каждое значение делится на максимум показателя за период:

Kij(норм) = Kij / max(Kij), (1)

где Kij обозначает значение i-го показателя в j-й период, а max(Kij) есть его наибольшее значение за весь горизонт наблюдения.

Деление на максимум переводит все переменные в безразмерный диапазон от нуля до единицы, сохраняет пропорции исходных различий и не требует допущений о характере распределения, чем абсолютная нормализация выгодно отличается от z-стандартизации [5].

Приведенные к общей шкале показатели по-прежнему неравноценны по значимости, и эту неравноценность нужно выразить числом. Веса определяются по правилу Фишберна на основе ранжирования показателей по убыванию факторных нагрузок:

vi = 2(n − i + 1) / [n(n + 1)], (2)

где n есть число сохраненных показателей, а i соответствует рангу значимости, причем первый ранг присваивается наиболее значимому показателю [6].

Правило Фишберна задает монотонно убывающие веса и, в отличие от экспертного метода или метода анализа иерархий, не привлекает внешних оценщиков, поскольку ранжирование берется из результатов факторного анализа.

Взвешенные нормализованные значения агрегируются в единый индекс методом аддитивной свертки, наиболее прозрачным способом обобщения в задачах многокритериальной оценки [7]:

I = Σ (Yij · vj), (3)

где Yij есть нормализованное значение j-го показателя в i-й период, а vj соответствует его весу.

Значение индекса лежит в диапазоне от нуля до единицы, и более высокая величина отвечает большей цифровой зрелости. Аддитивная форма допускает взаимозамещение факторов, когда низкое значение одного компенсируется высоким значением другого, что требует содержательной проверки итогов, но взамен дает интерпретируемость и контроль промежуточных расчетов.

Завершает модель прогнозный блок. Короткий временной ряд исключает применение моделей семейства ARIMA, которым нужны десятки наблюдений, поэтому выбран метод экспоненциального сглаживания Брауна, приспособленный к малым выборкам и выделяющий локальную тенденцию [8]. Линейная форма метода описывается выражением

Ŷ(t + τ) = a0(t) + a1(t) · τ, (4)

в котором a0(t) оценивает текущий уровень ряда, a1(t) задает текущий тренд, а τ соответствует горизонту прогноза.

Коэффициенты пересчитываются адаптивно по мере поступления новых наблюдений через экспоненциальные средние первого и второго порядка, а параметр сглаживания подбирается минимизацией среднеквадратичной ошибки на ретроспективе [8].

Система показателей и отбор факторов

Информационной базой послужили данные о состоянии российского страхового рынка за 2014–2025 годы, собранные из обзоров Банка России, статистики Российского союза автостраховщиков, исследований агентства SDI360 и рейтингового агентства «Эксперт РА» [9; 10]. 12 годовых наблюдений задают минимально достаточный объем для факторного анализа. Показатели отбирались по содержательной релевантности, статистической доступности и измеримости, чтобы каждый отражал существенную сторону цифровизации и при этом поддавался числовому выражению.

Сформированная система из семи показателей охватывает звенья жизненного цикла договора и включает долю онлайн-продаж и число электронных полисов е-ОСАГО на входе в договор, долю ИТ-расходов в валовых премиях как инфраструктурную основу, долю безналичных выплат, число загрузок мобильных приложений, долю автоматизированных урегулирований убытков и число InsurTech-стартапов как меру зрелости инновационной среды. Система показателей приведена в таблице 1.

Таблица 1

Система показателей цифровизации страховой организации

Составлено автором

Перед факторным анализом переменные стандартизированы к нулевому среднему и единичному стандартному отклонению средствами пакета Statistica. Анализ собственных значений корреляционной матрицы показал, что критерию Кайзера удовлетворяют только две первые компоненты: первая с собственным значением 5,482 объясняет 78,31 % суммарной дисперсии, вторая добавляет еще 15,53 %, а их сумма достигает 93,84 %, что говорит о высокой степени сжатия информации. Распределение собственных значений приведено в таблице 2.

Таблица 2

Собственные значения и объясненная дисперсия

Рассчитано автором в пакете Statistica

Извлеченная для двухкомпонентного решения матрица факторных нагрузок показала, что пять показателей связаны с ведущим фактором теснее всего, с нагрузками выше 0,96, тогда как доля онлайн-продаж держится несколько ниже из-за скачкообразного роста 2022 года, а число InsurTech-стартапов обнаруживает наименьшую нагрузку по первому фактору и наибольшую по второму. Содержательно последний показатель описывает инвестиционный климат вокруг отрасли, а не цифровизацию самих страховщиков, и его провал в 2022 году вызван внешними факторами, поэтому из дальнейших расчетов он исключен. В модели сохранены 6 показателей, ранжированных по убыванию факторной нагрузки, и этот порядок задает их значимость при взвешивании. Нагрузки сохраненных переменных и присвоенные им веса по правилу Фишберна сведены в таблице 3.

Таблица 3

Факторные нагрузки сохраненных показателей и весовые коэффициенты

Рассчитано автором

Распределение весов воспроизводит содержательную иерархию направлений цифровизации. Наибольший вес получает доля ИТ-расходов, и это закономерно, поскольку без инвестиций в информационные технологии не реализуется ни одно прикладное направление. Следом идет автоматизация урегулирования убытков как самый ресурсоемкий и технологически сложный процесс страховщика, опирающийся на уже созданную инфраструктуру. Наименьший вес достается доле онлайн-продаж, потому что она зависит не столько от технологий, сколько от поведения страхователей и маркетинговой политики, а значит, хуже отражает собственно цифровую зрелость.

Расчет интегрального показателя и прогнозирование

Нормализация по формуле (1) дала для каждого показателя максимум в 2025 году, что само по себе подтверждает поступательный характер цифровизации рынка. Умножение нормализованных значений на веса и их суммирование по формуле (3) сформировали ряд интегрального показателя за 2014–2025 годы, представленный в таблице 4.

Таблица 4

Значения интегрального показателя цифровой зрелости, 2014–2025 гг.

Рассчитано автором

Динамика индекса образует устойчивый восходящий тренд: значение выросло с 0,196 в 2014 году до 1,000 в 2025 году, увеличившись более чем впятеро. Рост нелинеен и заметно ускоряется в 2020–2022 годах, когда среднегодовой прирост поднялся примерно с 0,055 до 0,090 пункта; всплеск совпал с пандемией и последующей геополитической турбулентностью, форсировавшими переход страховщиков в дистанционные каналы. После 2023 года темп прироста стабилизировался около 0,082–0,097 пункта в год, и это можно прочитать как переход от экстенсивного наращивания цифровых каналов к их интенсивному освоению.

Примечательно, что построенный на отраслевых индикаторах показатель обнаруживает выраженный тренд, тогда как интегральные индексы, собранные из макроэкономических факторов, нередко колеблются без явного направления [11]. Объяснение содержательно: цифровизация страхования находится на этапе активного роста и еще не достигла насыщения.

Прогноз на 2026–2027 годы получен методом Брауна в среде MS Excel. Оптимальный параметр сглаживания, минимизирующий среднеквадратичную ошибку на ретроспективе, составил 0,4, что уравновешивает чувствительность модели к свежим наблюдениям и устойчивость к случайным колебаниям. Для базового 2025 года оценки параметров составили a0 = 0,987 и a1 = 0,084 при среднеквадратичной ошибке аппроксимации 0,021. Точечный прогноз дает 1,071 на 2026 год и 1,155 на 2027 год, а интервальные границы при доверительной вероятности 95 % приведены в таблице 5.

Таблица 5

Прогнозные значения интегрального показателя, 2026–2027 гг.

Рассчитано автором, доверительная вероятность 95 %

Превышение прогнозными значениями единицы не является ошибкой нормировки. Поскольку масштаб задавался максимумами ретроспективного периода, значения выше единицы означают лишь, что отдельные частные показатели в прогнозном году превзойдут свои исторические максимумы 2025 года, что естественно для продолжающейся цифровизации. Расширение доверительного интервала с удалением горизонта закономерно для адаптивных моделей и ограничивает разумную глубину прогноза одним-двумя шагами [8].

Практическое приложение и выводы

Применение модели к ПАО «Группа Ренессанс Страхование» опирается на ту же структуру весов. Сопоставление компании со среднерыночными значениями показывает ее опережение по ряду параметров: доля онлайн-продаж страховщика по экспертным оценкам превышает 30 % против среднерыночных 17,5 % в 2025 году, схожее опережение наблюдается по автоматизации урегулирования и проникновению мобильного приложения [12]. Резерв роста при этом сохраняется, и веса модели подсказывают, в каком порядке его осваивать.

Поскольку наибольший вес несет доля ИТ-расходов, отправной точкой становится консолидация разрозненных источников данных в единую платформу с аналитическими модулями, без которой остальные инициативы лишены общей основы. На созданную платформу опирается следующий по значимости шаг, то есть доведение урегулирования убытков до сквозной автоматизации на базе компьютерного зрения и обработки естественного языка, где у компании пока остается разрыв с лидерами рынка. Когда внутреннее ядро укреплено, расширяется клиентский контур: мобильное приложение дополняется телематикой и сервисами интернета вещей, превращаясь из инструмента покупки полиса в платформу управления рисками клиента. Накопленная инфраструктура позволяет наконец масштабировать встроенное страхование через открытую партнерскую API-экосистему, и каждая новая интеграция возвращает данные на исходную платформу, замыкая цикл взаимного усиления цифровых инициатив.

Предложенная модель переводит оценку цифровой зрелости страховой организации из плоскости экспертных суждений в область воспроизводимого расчета. Отбор факторов методом главных компонент, взвешивание по правилу Фишберна и аддитивная свертка дают прозрачный интегральный показатель, а метод Брауна продлевает его динамику даже на коротком ряде. Апробация на данных российского рынка за 2014–2025 годы выявила устойчивый рост цифровой зрелости с ускорением в пандемийный период и последующей стабилизацией темпа, тогда как приложение результатов к ПАО «Группа Ренессанс Страхование» показало, как структура весов задает приоритетность управленческих решений. Основное ограничение подхода связано с опорой на усредненные отраслевые данные при характеристике отдельной компании, и его преодоление через накопление внутрифирменной статистики цифровизации намечает направление дальнейших исследований.

Литература:

1. Калайда, С. А. Практическое применение современных цифровых технологий на этапах жизненного цикла договора страхования / С. А. Калайда, А. А. Фаизова // Вопросы инновационной экономики. — 2020. — Т. 10, № 4. — С. 2217–2236.
2. Мерзлов, И. Ю. Методы оценки цифровой зрелости: обзор международной практики / И. Ю. Мерзлов // Креативная экономика. — 2022. — Т. 16, № 2. — С. 579–594.
3. Айвазян, С. А. Прикладная статистика. Основы эконометрики: в 2 т. / С. А. Айвазян, В. С. Мхитарян. — 2-е изд. — Москва: ЮНИТИ-ДАНА, 2001. — Т. 1. — 656 с.
4. Харман, Г. Современный факторный анализ / Г. Харман; пер. с англ. В. Я. Лумельского. — Москва: Статистика, 1972. — 486 с.
5. Мерзлов, И. Ю. Комплексная методика оценки цифровой зрелости организаций / И. Ю. Мерзлов, Е. В. Шилова, И. О. Бабкина // Экономика, предпринимательство и право. — 2020. — Т. 10, № 9. — С. 2373–2392.
6. Фишберн, П. Теория полезности для принятия решений / П. Фишберн; пер. с англ. — Москва: Наука, 1978. — 352 с.
7. Кини, Р. Л. Принятие решений при многих критериях: предпочтения и замещения / Р. Л. Кини, Х. Райфа; пер. с англ. — Москва: Радио и связь, 1981. — 560 с.
8. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю. П. Лукашин. — Москва: Финансы и статистика, 2003. — 416 с.
9. Обзоры ключевых показателей деятельности страховщиков за 2014–2025 гг. [Электронный ресурс] // Банк России. — URL: https://www.cbr.ru/analytics/insurance/overview_insurers/ (дата обращения: 31.03.2026).
10. Ежегодное исследование цифровой зрелости страховых компаний — 2023 [Электронный ресурс] / Агентство цифрового аудита SDI360. — 2024. — URL: https://sdi360.ru/insurance_2023 (дата обращения: 31.03.2026).
11. Гилева, Т. А. Цифровая зрелость предприятия: методы оценки и управления / Т. А. Гилева // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. — 2019. — № 1 (27). — С. 38–52.
12. ИТ в страховых компаниях: фактор развития и технологии будущего: аналитическое исследование [Электронный ресурс] / Эксперт РА. — 2024. — URL: https://raexpert.ru/researches/insurance/it_ins_2024/ (дата обращения: 04.04.2026).