Problematika modelování počtu

Mendelova univerzita v Brně Provozně ekonomická fakulta

Problematika modelování počtu pojistných podvodů v ČR Diplomová práce

Vedoucí práce: Mgr. Veronika Blašková, Ph.D.

Bc. Radka Halamíčková

Brno 2012

volna strana pro zadani prace

Děkuji Mgr. Veronice Blaškové, Ph.D. za vedení této diplomové práce a za cenné rady a připomínky.

Prohlašuji, že jsem tuto diplomovou práci vypracovala samostatně pod vedením Mgr. Veroniky Blaškové, Ph.D. s využitím literatury a zdrojů uvedených v seznamu.

V Brně 12. 5. 2012

....................................................

Abstract Halamíčková, R. Problems of modeling the number of insurance frauds in the Czech Republic. Diploma thesis. Lelekovice, 2012. The diploma thesis deals with the problems of insurance frauds in the Czech Republic. This thesis describe historical and current trends in the insurance market and the factors that influence it. It focuses on fraudulent activities, their forms and methods of insurance fraud. The important part is also insurance fraud detection and prevention. Attention is paid to the legislative framework in terms of criminal law in connection with the Insurance Act. The part of the master thesis is also a regression and correlation analysis, which aims to analyze the development of insurance fraud in connection with selected indicators. Finally, the thesis is to confirm or refuse the various hypotheses about insurance fraud depending on the selected factors. Keywords: insurance, insurence fraud, detection of insurance fraud, analysis.

Abstrakt Halamíčková, R. Problematika modelování počtu pojistných podvodů v ČR. Diplomová práce. Lelekovice, 2012. Diplomová práce pojednává o problematice pojistného podvodu v České republice. Práce popisuje jak historické, tak i současné tendence pojistného trhu a faktory, které jej ovlivňují. Zaměřuje se na podvodná jednání, jejich formy a způsoby vzniku pojistného podvodu. Neopomenutelnou součástí je také detekce pojistných podvodů a jejich prevence. Pozornost je věnována i legislativnímu rámci z hlediska trestně právního v souvislosti se zákonem o pojišťovnictví. Součástí diplomové práce je regresní a korelační analýza, která má za cíl rozebrat vývoj pojistných podvodů v souvislosti s vybranými ukazateli. Závěrem diplomové práce je potvrzení či vyvrácení jednotlivých hypotéz o závislosti pojistných podvodů na vybraných faktorech. Klíčová slova pojištění, pojistný podvod, detekce pojistného podvodu, analýza.

5

OBSAH

Obsah 1 Úvod a cíl práce 1.1 Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Cíl práce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Literární rešerše 2.1 Pojistný trh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Celosvětový vývoj pojistného trhu . . . . . . . . . . . . 2.1.2 Pojistný trh České republiky a jeho vývoj od počátku 90. 2.1.3 Ukazatele úrovně pojistného trhu . . . . . . . . . . . . . 2.1.4 Faktory ovlivňující pojistný trh . . . . . . . . . . . . . . 2.1.5 Členění pojistného trhu . . . . . . . . . . . . . . . . . . 2.1.6 Klasifikace pojistných produktů . . . . . . . . . . . . . . 2.1.7 Česká asociace pojišťoven (ČAP) . . . . . . . . . . . . . 2.2 Základní charakteristika a právní klasifikace podvodu . . . . . . 2.2.1 Pojistný podvod . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Regulace pojistného podvodu . . . . . . . . . . . . . . . 2.2.3 Pojistný podvod jako součást pojistných rizik . . . . . . 2.2.4 Formy podvodu v pojišťovnictví . . . . . . . . . . . . . . 2.3 Metodika vyšetřování podvodu . . . . . . . . . . . . . . . . . . 2.3.1 Nejčastější typy pojistných podvodů a jejich indikátory . 2.3.2 Vybrané příklady pojistných podvodů . . . . . . . . . . 2.3.3 Prevence proti pojistným podvodům . . . . . . . . . . . 2.3.4 Odhalování pojistných podvodů . . . . . . . . . . . . . . 3 Materiál a metodika 3.1 Proměnné ekonometrického modelu . . . . 3.1.1 Hrubý domácí produkt . . . . . . . 3.1.2 Míra inflace . . . . . . . . . . . . . 3.1.3 Míra registrované nezaměstnanosti. 3.1.4 Nominální hrubá mzda . . . . . . . 3.2 Metodika statistického zpracování . . . . . 3.2.1 Metodika regresní analýzy . . . . . 3.2.2 Metodika korelační analýzy . . . . 4 Vlastní práce 4.1 Vizuální analýza . . . . . . . . . . . 4.2 Podvodné jednání v pojištění . . . . 4.3 Regresní analýza . . . . . . . . . . . 4.3.1 Jednorozměrný regresní model 4.3.2 Vícerozměrný regresní model . 4.4 Korelační analýza . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

. . . . let . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . .

. . . . . . . .

. . . . . .

8 8 9

. . . . . . . . . . . . . . . . . .

10 10 10 11 12 12 13 13 15 16 17 18 19 20 21 22 25 28 29

. . . . . . . .

33 33 33 34 34 34 35 35 39

. . . . . .

40 40 44 48 48 56 62

6

OBSAH

5 Diskuze

63

6 Závěr

66

7 Literatura

69

8 Přílohy

72

7

1

1 1.1

ÚVOD A CÍL PRÁCE

Úvod a cíl práce Úvod

Pojistné podvody jsou od konce 20. století čím dál tím větším fenoménem dnešní moderní doby. Daly by se označit za kriminalitu konce 20. a počátku 21. století. Jak uvádí (Porada, Pršal, 2001) je rozmach podvodu úzce spojen s vývojem civilizace v západní Evropě. Jejich regionální či národní charakter byl rychle překonán samotným rozvojem společnosti a snahou o vytvoření společné hospodářské a měnové unie. Díky zavedení jednotného vnitřníhu trhu v Evropě došlo k odstranění bariér volného pohybu osob, kapitálu, zboží a služeb, a tím můžeme pojistné podvody řadit do kategorie „nadnárodní kriminalityÿ, přesahující hranice jednotlivých členských států EU, a tak je označit za celosvětový globální problém. Příčiny nárůstu pojistných podvodů spočívají především ve změně mentality směrem ke konzumnímu způsobu života (Porada, Pršal, 2001). Ke značnému nárůstu pojistných podvodů přispěla ekonomická krize a nárůst nezaměstnanosti, které všeobecně posilují názor, že pojišťovnictví, stejně jako další systémy rozdělující určité finanční prostředy, není nečestné napálit nebo „okrástÿ jiný subjekt a tím tak přijít v době ekonomické krize ke snadnému zisku finančních zdrojů. Stejně jako daňový podvod je i pojistný podvod považován za druh určitého „sportuÿ, který přináší značné zisky. (Chmelík a kol., 2005) Pojistné podvody způsobují pojišťovnám milonové škody, které se každým rokem navyšují. Podle České asociace pojišťoven v roce 2011 prošetřovali specializované útvary pojišťoven přes 6500 podezřelých škodných událostí v prokázané hodnotě přesahující 800 milionů Kč. Jen statistiky Policie ČR za rok 2011 evidují 421 osob, které byli stíháni pro pojistný podvod. Se zvyšujícím se počtem páchání pojistných podvodů je zjišťována stále vyšší míra profesionality, jak v technikách při páchání pojistných podvodů, tak i zvyšující se schopnost prevence a odhalování. Každým rokem se zvyšuje úspěšnost objasněných pojistných podvodů a tím i výše ušetřených peněz, které pojišťovny nemusely vyplácet. Ikdyž návratnost vynaložených finančních prostředků na jejich odhalování je pomalá, tak pojišťovny k rozkrývání pojistných podvodů nesmějí být lhostejní. Způsobené škody se negativně promítají jak do hospodářských výsledků pojišťoven, tak do kalkulace pojistného u samotných klientů pojišťoven. Téma diplomové práce jsem si vybrala, protože je aktuální a zajímavé. S touto problematikou jsem se setkala během studia předmětu Pojišťovnictví II. Zaujala mě natolik, že jsem se rozhodla zpracovat ji do podoby diplomové práce. Základním pilířem práce bude zjištění vazeb a vztahů pojistných podvodů s jednotlivými ekonomickými ukazateli, které jsou nyní výrazně ovlivněné ekonomickou krizí. Jelikož žijeme v 21. století, v němž zasahují informační technologie do všech koutů našeho života, je nezbytné zabývat se v této práci i komplexními informačními systémy, sloužící k odhalování a prevenci v oblasti pojistných podvodů.

8

1.2

1.2

Cíl práce

Cíl práce

Cílem této diplomové práce je analyzovat a rozebrat vývoj pojistných podvodů v souvislosti s makroekonomickými ukazateli, které zásadním způsobem ovlivňují český pojistný trh a následné ekonomické zhodocení jejich dopadů. Za pomocí regresní analýzy se pokusíme zjistit do jaké míry je počet pojistných podvodů v České republice ovlivňován počtem nezaměstnaných, vývojem nominální mzdy, inflace a hrubého domácího produktu. Diplomová práce bude obsahovat tyto stěžejní oblasti: • analýzu současného stavu na českém pojistném trhu, • charakteristiku typů, způsobů páchání pojistných podvodů včetně právního prostředí, • zjištění dostupných prostředků pro boj s pojistnými podovdy (detekce pojistných podvodů za pomocí automatizovaných informačních systémů), • analýza vývoje pojistného trhu a pojistných podvodů v České republice, • stanovení a oveření hypotéz o závislostech jednotlivých faktorů na pojistné podvody, • regresní a korelační analýza v souvislosti s vybranými faktory, které jej ovlivňují.

9

2

2 2.1

LITERÁRNÍ REŠERŠE

Literární rešerše Pojistný trh

Pojistný trh je specifickým druhem peněžní služby, kde se uskutečňuje nabídka a poptávka v oblasti přenášení rizika pojištěním. Podle (Ducháčková, Daňhela, 2010) je existence solidního, důvěryhodného pojistného trhu symptomem zdravé, úspěšné ekonomiky a dobrého fungování finanční sféry na daném teritoriu. Pojistný trh má zhruba stejné základní rysy jako jakýkoliv jiný trh. Pro hladké fungování střetu nabídky a poptávky vstupují někdy mezi klienty a pojistitele tzv. zprostředkovatelé pojištění, jakými jsou agenti, makléři, poradci, apod. Předmětem obchodů na pojistném trhu je pojištění a zajištění. Kupující zde platí za službu, o níž neví, zda se v budoucnu realizuje, tj. zda nastane pojistná událost, při níž prodávající poskytne zaplacenou protihodnotu (Vávrová, 2004). S ohledem na to, že pojištění je založeno na principu rezerv, nacházejí se obecně v pojišťovnách dočasně volné peněžní prostředky. Nabídka a poptávka po těchto prostředcích představuje vedle prvoplánového věcného pojistného trhu tzv. investiční pojistný trh, kterým pojistný trh ještě výraznějí prolíná do trhů finančních. Věcný pojistný trh je potom trhem, na kterém převládá nabídka, což určitým způsobem determinuje způsoby prodeje pojistných produktů. (Daňhel a kol., 2006). Tato převládající nabídka je dána soutěživostí jednotlivých pojišťoven a pojišťovacích zprostředkovatelů, které zaměřují svoji činnost na získávání nových a udržení si stávajících klientů. Situace na pojistném trhu se odvíjí jednak od obecných podmínek, ve kterých pojišťovny provozují svojí činnost, tzn. jak ekonomické podmínky, tak podmínky legislativní a jednak od situace na světovém pojistném trhu, a především pak na evropském trhu (Ducháčková, 2009). 2.1.1

Celosvětový vývoj pojistného trhu

Na vývoji pojistného trhu z celosvětového pohledu lze historicky sledovat tři významná světová pojišťovací centra, ke kterým se řadí Severní Amerika, Západní Evropa a Japonsko. Každé ze tří center světového pojišťovnictví má svá specifika a odlišnou strukturu pojišťovnictví. V Japonsku připadá přibližně 80 % pojistného na pojištění životní (ŽP), což vyplývá z obecné preference soukromých forem spoření na stáří a přitom míra úspor domácností je ve srovnání s jinými vyspělými zeměmi vysoce nadprůměrná. Na pojistném trhu USA převažuje naopak pojištění neživotní (NŽP), přitom velký význam zaujímá v USA odpovědnostní pojištění. V zemích Evropské unie je struktura produktů mezi jednotlivými zeměmi odlišná. V některých zemích, jako je např. v Německu, převažuje NŽP, ve Francii a Velké Británii výrazně převažují produkty životního pojištění. Z celosvětového hlediska je rovněž z dlouhodobého pohledu patrný další vývojový trend. Průmyslově vyspělé země (Severní Amerika, Západní Evropa, Japonsko, Hongkong, Singapur, Jižní Korea, Tchaj-wan, Oceánie, Izrael) dominují světovému 10

2.1

Pojistný trh

pojistnému trhu. V posledním období pozvolna vzrůstá podíl na trhu tzv. emerging markets (latinská Amerika, země střední a východní Evropy, jihovýchodní Asie, střední Asie, Turecko, Afrika) vzhledem k vysokým ročním přírůstkům předepsaného pojistného, které v roce 1998 činil 9,3 % a v roce 2007 již 10,2 %. Vývoj na světovém pojistném trhu i v jednotlivých zemích je ovlivněn řadou faktorů, které se odráží v růstu předepsaného pojistného. Předepsané pojistné na světovém pojistném trhu je v jednotlivých zemích ovliňováno celou řadou faktorů, kterými jsou např.: vývoj na finančních trzích, změny ekonomických podmínek, charakter rizik a výskyt nových rizik, změny v technických a technologických přístupech, globalizační tendence, výskyt katastrofických pojistných událostí, aj. (Ducháčková, 2009). 2.1.2

Pojistný trh České republiky a jeho vývoj od počátku 90. let

O pojistném trhu lze obecně říci, že se od roku 1991 vyvíjel stabilně a s rovnoměrnou dynamikou. Každoročně se zvyšoval počet pojišťoven operujících na pojistném trhu na základě licence udělené Ministerstvem financí. Vzrostl ze 3 ke konci roku 1991 na 41 koncem roku 2000. Pojistný trh prokazoval v zásadě finanční stabilitu. V důsledku vážných hospodářských potíží ztratila licenci za celá devadesátá léta pouze jedna pojišťovna — Pojišťovna MORAVA, a.s. (Karfíková, Přikryl a kol., 2010) Ke konci roku 2000 působilo na tuzemském pojistném trhu celkem 41 pojišťoven, konkrétně 40 komerčních pojišťoven a Všeobecná zdravotní pojišťovna, která měla Ministerstvem financí povoleno podnikání pro provozování zdravotního pojištění a připojištění. Podle údajů MF mělo k 31. ledu 2004 uděleno povolení k provozování pojišťovací činnosti v České republice celkem 42 pojišťoven. Čistě životní pojišťovny z tohoto počtu byly pouze tři, neživotních bylo 23, z toho osm mělo povolení podnikat pouze v jednom pojistném odvětví a patnáct ve více než jednom pojistném odvětví. Zbývajících 16 pojišťoven působilo jako pojišťovny univerzální. Také v dalších letech se pojistný trh na území České republiky rovnoměrně vyvíjel. Jeho výsledky, i přes oslabení celého finančního sektoru celosvětovou ekonomickou krizí, vykazují nadále příznivý růst. Pozitivní vývoj lze sledovat jak ve finančním hospodaření pojišťoven, tak v konkurenčním prostředí i v oblasti likvidace škod. Podle údajů České národní banky působilo na území České republiky k 31. 12. 2011 celkem 52 pojišťoven a poboček zahraničních pojišťoven. Z toho počtu je 7 pojišťoven specializovaných na životní pojištění, 30 na neživotní pojištění a 15 pojišťoven je se smíšenou činností. Aktuální stav pojišťoven a poboček působící na českém pojistném trhu je k dispozici na stránkách České asociace pojišťoven. Pokud jde o zajišťovny, působí na území ČR od 18. 8. 2008 jedna zajišťovna, a to VIGRE zajišťovna, a.s. (Karfíková, Přikryl a kol., 2010).

11

2.1

2.1.3

Pojistný trh

Ukazatele úrovně pojistného trhu

Tyto ukazatele jsou nezbytné k hodnocení pojistného trhu. Obecně hodnotí účinnost použití zdrojů a vynaložených protředků. Mezi hlavní ukazatele patří: • předepsané pojistné, • pojistné plnění, • škodovost, • pojištěnost, • koncentrace pojistného trhu, • ostatní. Předepsané pojistné – je pojistné, které je stanoveno na dohodnuté pojistné období. Neuhrazením předepsaného pojistného ve stanovené nebo dohodnuté lhůtě pojištění zaniká a pojišťovna má nárok na dlužné pojistné. Předpis pojistného je účetní seznam všech položek pojistného, které se v daném časovém rozpětí (učetní období) mají hradit pojišťovně. Předepsané pojistné je důležitým ukazatelem výkonnosti každé komerční pojišťovny za příslušné období. Podle jeho výše se komerční pojišťovny seřazují na pojistném trhu v daném regionu či státě. Lze jej dělit na předepsané pojistné životního a neživotního pojištění. Pojistné plnění – představuje peněžité plnění komerční pojišťovny klientovi po vzniku pojistné události na základě pojistné smlouvy. Je vypočítáno pojišťovnou. Pojistné plnění je pojišťovna povinna poškozenému poskytnout za pojistnou událost, která splňuje podmínky dohodnuté v pojistné smlouvě nebo podmínky uvedené v zákoně. Škodovost – je ukazatel, který vyjadřuje poměr mezi výši poskytnutých pojistných plnění a výši přijatého pojistného nebo kmenového pojistného. Udává se v procentech. Člení se opět na škodovost životního a neživotního pojištění. Pojištěnost – představuje nejdůležitější ukazatel rozvoje pojistného trhu tzv. kapacitu trhu. Vyjadřuje poměr předepsaného pojistného k hrubému domácímu produktu v běžných cenách. Koncentrace pojistného trhu – představuje podíl největších komerčních pojišťoven na předepsaném plnění. Většinou se sleduje 5, 10 a 15 největších pojišťoven na daném pojistném trhu. Ostatní – mezi ostatní ukazatele úrovně pojistného trhu lze zařadit např. počet zaměstnanců v pojišťovnictví, počet pojišťoven, počet uzavřených smluv, počet vyřízených pojistných událostí, aj. 2.1.4

Faktory ovlivňující pojistný trh

Pojistný trh je ovlivňován mnoha faktory, které je možné dále členit na vnější a vnitřní. Mezi faktory, které ovlivňují pojistný trh zvenčí můžeme zařadit např. vývoj a objem hrubého domácího produktu, vývoj inflace, nezaměstnanosti, počet obyvatel a jejich věková struktura či střední délka života, peněžní příjmy obyvatelstva, objem výdajů domácností a jejich struktura, situace u ostatních segmentů 12

2.1

Pojistný trh

finančního trhu, aj. Do vnitřních faktorů lze zařadit např. pojišťovací a zajišťovací činnost, regulace pojistného trhu dozorem v pojišťovnictvím, zprostředkovatelská činnost zprostředkovatelů pojištění a činnosti asociace pojišťoven1 , zájem o pojištění ze strany klientů a další faktory. (Čejková, Nečas, 2005) 2.1.5

Členění pojistného trhu

Pojistný trh můžeme členit podle více kriterií. Možná je segmentace podle předmětu činnosti pojistitele, pojistného rizika, předmětu pojištění, pojistných produktů, subjektu pojištění, apod. (Vávrová, 2004) Členění podle předmětu činnosti pojistitele Komerční pojišťovny mohou kromě vlastní pojišťovací a zajišťovací činnosti realizovat i další podnikatelskou činnost, tj. investovat dočasně volné peněžní prostředky spravovaných technických rezerv a zhodnocovat je tak na finančním trhu. Z této skutečnosti vyplývá členění pojistného trhu na dva relativně samostatné segmenty: 1. Věcný pojistný trh = nabídka a poptávka po pojištění a zajištění. 2. Investiční pojistný trh = investování dočasně volných peněžních prostředků pojistitele. Investování na druhém segmentu trhu mohou pojišťovny realizovat především díky tomu, že se na pojistném trhu prodává fiktivní zboží, resp. služba, jejíž realizace se často projeví až po delším období od uzavření obchodu a někdy se dokonce nemusí projevit vůbec. 2.1.6

Klasifikace pojistných produktů

Pojišťovny nabízejí v současné době celou řadu pojistných produktů. Klasifikace a třídění pojištění slouží ke snažší orientaci mezi pojistnými produkty. V literatuře se setkáváme s různým členěním. Klasifikace pojistných produktů podle (Vávrová, 2004): 1. Podle formy pojištění: • Pojištění smluvní, které vzniklo a trvá na základě pojistné smlouvy. Podle stupně volnosti rozhodování o uzavření pojistné smlouvy se dále dělí na: – pojištění dobrovolné, – pojištění povinné. • Pojištění zákonné vzniká a trvá na základě skutečnosti stanovené právním předpisem a vzniká tedy automaticky ze zákona. 2. Podle odvětví – jedná se o členění podle druhu krytých rizik: • odvětví životních pojištění, • odvětví neživotních pojištění. 1

Česká asociace pojišťoven. ČAP je zájmovým sdružením komerčních pojišťoven. Více o České asociaci pojišťoven v podkapitole 2.1.8.

13

2.1

Pojistný trh

3. Podle předmětu pojištění: • Pojištění majetku – pro případ jeho poškození, zničení, ztráty, odcizení atd. • Pojištění osob – pojištění fyzické osoby pro případ jejího tělesného poškození, smrti, dožití určitého věku nebo pro případ jiné pojistné události. • Pojištění odpovědnosti za škodu – vzniklou na životě a zdraví nebo na věci, případě odpovědnost za jinou majetkovou škodu. 4. Podle délky trvání pojištění: • krátkodobé pojištění – sjednáno na dobu kratší než jeden rok, • dlouhodobé pojištění – sjednáno na dobu jednoho roku nebo na dobu delší než jeden rok. 5. Podle způsobu tvorby rezerv: • Pojištění rezervotvorná – pro případ dožití včetně důchodových pojištění, pojištění smíšená a pro případ smrti sjednaná na dobu delší než jeden rok. • Pojištění riziková – všechna ostatní pojištění. 6. Podle způsobu placení pojistného: • Pojištění za jednorázové pojistné – novým produktem je v této podobě např. pojistný certifikát. • Pojištění za běžně placené pojistné – pojistné se platí za dohodnutá pojistná období tj. rok, pololetí, atd. 7. Podle územní platnosti pojištění: • pojištění místně platná, • pojištění platná v rámci republiky, • pojištění platná pro celou Evropu, • pojištění platná po celém světě. 8. Podle způsobu určení výše pojistného plnění: • pojištění sjednaná na novou hodnotu, • pojištění sjednaná na časovou hodnotu, • pojištění sjednaná na modifiovanou hodnotu, • pojištění sjednaná na jinou hodnotu. 9. Podle způsobu určení objektu pojištění: • pojištění věcí individuálně určené, • pojištění souboru věcí – např. pojištěný soubor vybavení domácnosti.

14

2.1

Pojistný trh

10. Podle počtu rizik, která jsou pojištěním kryta: • pojištění jednoho rizika – pojištěním je kryto pouze riziko specifikované v pojistné smlouvě, • pojištění více rizik – takto je sjednávána převážně většina všech pojištění, • pojištění všech rizik – pojištěním je kryta každá událost, pokud není uvedena ve výlukách z pojištění. 11. Podle způsobu sjednání pojistné smlouvy: • pojištění typizované – jedná se o samostatný pojistný produkt na předepsaném tiskopise, • pojištění individuální – např. pro pojištění podnikatelských a průmyslových rizik. 2.1.7

Česká asociace pojišťoven (ČAP)

V podmínkách českého pojistného trhu působí více než 50 komerčních pojišťoven a podobně jako v jiných tržních ekonomikách se sdružují a vytvářejí dobrovolné sdružení tzv. asociace2 . V dubnu 1991 byla založena Česko-slovenská asociace pojišťoven, která byla k 1. lednu 1994 zrušena rozdělením na dvě následnické asociace. 16 zakládajících pojišťovacích subjektů se sdružilo do České asociace pojišťoven nebo–li ČAP. Česká asociace pojišťoven je zájmovým sdružením komerčních pojišťoven. Z 52 subjektů, které mají v současné době povolení k podnikání v pojišťovnictví na území České republiky, je 33 pojišťoven jejími členy. Dceřinou společností ČAP je Certifikační institut ČAP, s.r.o., který se zabývá hodnocením kvality organizací a výrobků v oblasti bezpečnostního průmyslu. Posláním asociace je zastupovat, hájit a prosazovat zájmy pojišťoven i jejich klientů ve vztahu k orgánům státní správy, dalším právním subjektům i ve vztahu k zahraničí a podporovat tak rozvoj pojišťovnictví a pojistného trhu v České republice. Znamená to např. zpracovávat připomínky k právním předpisům týkajícím se pojišťovnictví, pojištění nebo jiných zájmů pojišťoven a prosazovat nezbytné úpravy, působit při odstraňování rozporů mezi členy asociace, dbát na dodržování zásad etického jednání a chování stanovených v Kodexu etiky v pojišťovnictví, zabezpečovat zastoupení asociace v mezinárodních organizacích a jejich orgánech. K základním úkolům ČAP patří: • zastupovat zájmy členských pojišťoven při jednání s orgány státní správy a se zahraničními partnery, • soustředit a vyhodnocovat informace z členských pojišťoven i ze světového pojistného trhu, • poradensko-odborná činnost, • vědeckovýzkumná činnost, 2

Údaje jsou aktualizované a zpracovány na základě zdroje (ČAP, 2012).

15

2.2

Základní charakteristika a právní klasifikace podvodu

• publikační aktivita, • výchovně vzdělávací činnost. ČAP sdružuje 30 řádných členů a 3 členy se zvláštním statutem.3 Podíl členských pojišťoven ČAP na celkovém předepsaném pojistném v ČR přesahuje 98 %. Všichni členové se řídí Stanovami asociace a jsou povinni dodržovat Kodex etiky v pojišťovnictví. V rámci ČAP se pojistným podvodem zabývá Sekce prevence pojistného podvodu. Velkou část své činnosti zaměřuje na zpracování metodiky prevence a represe pojistného podvodu ve všech oblastech pojištění. Usiluje o maximální využití informačních technologií s cílem snížit prostor pro pojistné podvody a tím tak chránit pojistníky členských pojišťoven. ČAP připravovala několik let implementaci projektu SVIPO4 , který spustila v březnu letošního roku (2012).

2.2


Podvod pochází s latinského slova falsum a je jedním z druhů trestných činů spadajících do kategorie majetkové kriminality. Podvody jsou považovány za velmi nebezpečnou formu trestné činnosti pro svoji kvalifikovanost a výskyt jak v oblasti obecné kriminality, tak v oblasti hospodářské kriminality. (Porada, Pršal, 2001) Podvod zahrnuje širokou škálu protiprávních a nepřípustných jednání, pro něž je charakteristické záměrné klamání či uvedení v omyl. V §209 trestního zákoníku je podvod definován: „Kdo sebe nebo jiného obohatí tím, že uvede někoho v omyl, využije něčího omylu nebo zamlčí podstatné skutečnosti, a způsobí tak na cizím majetku škodu nikoli nepatrnou, bude potrestán odnětím svobody až na dvě léta, zákazem činnosti nebo propadnutím věci nebo jiné majetkové hodnoty.ÿ Výší trestu v rozmezí od dvou až osmi let může být pachatel potrestán, který se dopustí trestného činu jako člen organizované skupiny5 . Trestným činem je již i samotná příprava podvodu, využití něčího omylu nebo zamlčení podstatné skutečnosti, při které může dojít k nepatrné škodě na cizím majetku6 . Český institut interních auditů (ČIIA) definuje podvod jako: „Jakákoliv nezákonná činnost, při které dochází k podvodnému jednání, zatajování informací a narušení důvěry. Při této činnosti nemusí dojít k pohrůžce násilím nebo fyzickým násilím. Podvody páchají jednotlivci i společnosti s cílem získat finanční prostředky, majetek nebo služby, vyhnout se platbě za určité služby nebo jejich ztrátě a zajistit si osobní nebo podnikatelské zvýhodnění.ÿ (Dubis, 2011) 3

Výčet jednotlivých členů ČAP je uvedený v příloze. Systém pro výměnu informací o podezdřelých okolnostech. 5 Organizovaná skupina jednotlivců, kteří sdílejí shodné cíle. U pojistných podvodů typické jako spolupachatelství např. se zaměstnancem poškozeného ústavu 6 Výše jednotlivých trestů viz. Zákon č. 40/2009 Sb., hlava pátá, §209/1. Trestní zákoník. 4

16

2.2

2.2.1


Pojistný podvod

Pojistné podvody v posledních letech nabývají čím dál tím více na významu. Důvodů je hned několik. Díky odstranění překážek volného pohybu zboží a služeb spadají pojistné podvody do kategorie nadnárodní kriminality, přesahující hranice jenotlivých států. Nárůst pojistných podvodů je zapříčiněný i změnou životního stylu obyvatelstva. Ekonomická krize a zvyšující se nezaměstnanost byly akcelerátorem změny v mentalitě směrem ke konzumnímu způsobu života, kde se lidé snaží přijít ke snadnému získání finančních prostředků v rámci páchání pojistných podvodů. Tento fakt je u obyvatel umocňován tzv. pseudojistotou, že pojistný podvod ve značné míře nebude odhalen nebo, že v nejhorším případě bude pojistné plnění při škodní události odmítnuto. (Chmelík a kol., 2005) V České republice od 1. 1. 2010 nabyl účinnosti nový Trestní zákon č. 40/2009 Sb., který přinesl změny ve skutkové podstatě pojistného podvodu. Podle prvního odstavce §210 trestního zákoníku se pojistného podvodu dopustí ten, „kdo uvede nepravdivé nebo hrubě zkreslené údaje nebo podstatné údaje zamlčí v souvislosti s uzavíráním nebo změnou pojistné smouvy či v souvislosti s likvidací pojistné události, nebo při uplatnění práva na plnění z pojištění nebo z jiného obdobného plnění, bude potrestán odnětím svobody až na dvě léta, zákazem činnosti nebo propadnutím věci nebo jiné majetkové hodnotyÿ. Potrestán bude stejně ten, „kdo v úmyslu opatřit sobě nebo jinému prospěch vyvolá nebo předstírá událost, s níž je spojeno právo na plnění z pojištění nebo jiné obdobné plnění, nebo stav vyvolaný pojistnou událostí udržuje, a způsobí tak na cizím majetku škodu nikoli nepatrnou7 ÿ. Ve třetím odstavci došlo k první změně, kde zákonodárci doplnili skutkovou podstatu o trestní sazby oproti původnímu Trestnímu zákonu č. 140/1961 Sb., kde stojí „odnětím svobody na šest měsíců až tři léta bude pachatel potrestán, spácháli čin uvedený v odstavci 1 nebo 2 a byl-li za takový čin v posledních třech letech odsouzen nebo potrestánÿ. Doplnění o trestní sazby bylo vítané, protože stíhaní pachatelé nebyli dostatečně potrestáni a většina činů byla páchana opakovaně. Čtvrtý odstavec říká, že „odnětím svobody na jeden rok až pět let nebo peněžitým trestem bude pachatel potrestán, způsobí-li činem uvedeným v odstavci 1 nebo 2 větší škoduÿ. Další změna se uvádí v pátém odstavci §210 Trestního zákona, který uvádí „odnětí svobody na dvě léta až osm let bude pachatel potrestán, spách-li čin uvedený v odstavci 1 nebo 2 jako člen organizované skupiny, nebo spáchá-li takový čin jako osoba, která má zvlášť uloženou povinnost hájit zájmy poškozeného, nebo způsobíli takovým činem značnou škoduÿ. Přičemž organizované skupiny jsou typické pro skupiny jednotlivců se společnými cíli, které jsou typicke pro spolupachatelství se zaměstnancem dané pojišťovny. 7 Trestní zákon v §89 zákona č. 140/1961 Sb. rozlišuje škody na škodu nikoliv nepatrnou, kterou se rozumí škoda překračující částku 5.000,- Kč, větší škodu představující částku vyšší jak 50.000,Kč a značnou škodu, kterou se rozumí částka přesahující hodnotu 500.000,- Kč. Pod pojmem škoda velkého rozsahu se rozumí škoda vyšší jak 5.000.000,- Kč

17

2.2


V předposledním odstavci je uvedeno, „odnětím svobody na pět až deset let bude pachatel potrestán, způsobí-li činem uvedeným v odstavci 1 nebo 2 škodu velkého rozsahu, nebo spáchá-li takový čin v úmyslu umožnit nebo usnadnit spáchání trestného činu vlastizrady (§309), teroristického útoku (§311) nebo teroru (§312)ÿ. Nové je i znění posledního odstavce, a to takové, že i „příprava je trestnáÿ. Rozdíly v právní definici pojistného podvodu se vyvíjí v návaznosti na nové způsoby páchání trestných činu a v důsledku zavádění nových forem trestné činnosti. Hlavní rozdíly mezi původním zněním Trestního zákona č. 140/1961 Sb., a aktuálním zákonem č. 40/2009 Sb., spočívájí v: • trestní odpovědnosti za své činy. Zavádí se zvýšená sazba trestu v případě opakovaného spáchání pojistného podvodu. Odpovědnost se rozšiřuje i na osoby, které mají uloženou povinnost hájit zájmy poškozeného. Nově se zavádí v nejvyšší trestní sazbě i umožnění spáchat díky pojistnému podvodu další trestné činy, a to vlastizrady, teroristického útoku či teroru. • rozšíření okruhu činností, při kterých dochází k uvádění nepravdivých nebo zkreslených údajů, na uzavírání a změnu pojistné smlouvy (dříve bylo jen sjednání pojistné smlouvy). • rozšíření pojmu v souvislosti s likvidací pojistné události a při uplatnění práva na plnění, což je významně širší pojem než dřívější uplatnění nároku na plnění z pojistné smlouvy. (Východský, 2009) • zavedení nového, a zásadního pojmu - spácháním trestného činu podvodu se rozumí nejen dokonání trestného činu samotného, ale i jeho samotná příprava a pokus. 2.2.2

Regulace pojistného podvodu

Mezi právní předpisy související s pojistným podvodem můžeme zařadit jak trestní zákoník, kde je vymezena samotná podstata trestného činu podvodu8 , tak i důležitý zákon o pojišťovnictví č. 277/2009 Sb., ve kterém je vymezena mlčenlivost související s výměnou informací mezi pojišťovnami a tedy i pojistným podvodem. Odstavec 6. v §129 zákona č. 277/2009 Sb., uvádí: „za účelem prevence a odhalování pojistného podvodu a dalšího protiprávního jednání se pojišťovny vzájemně informují a sdílejí informace o skutečnostech týkajících se pojištění fyzických a právnických osob a jeho zprostředkování, včetně informací o zmocněncích účastníků pojištění a dalších osobách zúčastněných na škodné nebo pojistné události, a to i prostřednictvím právnické osoby, která není pojišťovnou, zajišťovnou ani pojišťovacím zprostředkovatelem.ÿ Tedy podle nového zákona o pojišťovnictví z roku 2009, který nabyl učinnosti 1. 1. 2010 je umožněna výměna informací o podezřelých událostech mezi pojišťovnami i bez souhlasu klienta. A jak uvádí (Východský, 2009), tak „pojišťovnám na českém pojistném trhu legislativně již nic nebrání udělat posun v realizaci dalších kroků a nástrojů ve společném boji proti pojistným podovdům napříč celým českým pojistným trhem.ÿ 8

Podrobný popis viz podkapitola výše.

18

2.2


Ustanovení zákona o pojistné smlouvě je další důležitou právní normou, která umožňuje pojišťovně zamítnout vyplacení pojistného plnění. V zákoně č. 37/2004 Sb., o pojistné smlouvě a o změně souvisejících zákonů §24 uvádí: „Nestanoví-li zákon jinak, může pojistitel plnění z pojistné smlouvy odmítnout, jestliže a) příčinou pojistné události byla skutečnost, o které se dozvěděl až po vzniku pojistné události a kterou nemohl zjistit při sjednávání pojištění nebo jeho změně v důsledku úmyslně nebo z nedbalosti nepravdivě nebo neúplně zodpovězených písemných dotazů, a jestliže by při znalosti této skutečnosti v době uzavření pojistné smlouvy tuto smlouvu neuzavřel, nebo ji uzavřel za jiných podmínek, nebo b) oprávněná osoba uvede při uplatňování práva na plnění z pojištění vědomě nepravdivé nebo hrubě zkreslené údaje týkající se rozsahu pojistné události nebo podstatné údaje týkající se této události zamlčí.ÿ Další jednotlivé zákony související s pojistným podvodem doplněny o související zákony a vyhlášky v platném znění jsou následující: • Zákon o ochraně osobních údajů - č. 101/2000 Sb., • Zákon o pojištění odpovědnosti z provozu vozidla - č. 168/1999 Sb., • Zákon o pojišťovacích zprostředkovatelích a samotných likvidátorech pojistných událostí - č. 38/2004 Sb., • Zákon o některých opatřeních proti legalizaci výnosů z trestné činnosti a financování terorismu - č. 253/2008 Sb., 2.2.3

Pojistný podvod jako součást pojistných rizik

Pojišťovnictví je jedna z klíčových oblastí hospodářství státu, která se snaží o hladký chod ekonomiky a snaží se být konkurentem či partnerem bankovního sektoru. Podstatou je pojistná ochrana občana či jiného subjektu na základě přenosu rizika. Pojišťovna se potýká nejen se stejnými riziky (investiční, likvidity, nesolventnosti, aj.) jako je tomu například v bankovním sektoru, ale navíc řídí i pojistné riziko. Musí být schopna tyto rizika identifikovat, kvantifikovat a především řídit. (Vávrová, Homolová, 2009) Pojistné riziko je charakterizováno jako možnost vzniku pojistné události, při níž pojišťovna podle sjednané pojistné smlouvy vyplácí pojistné plnění (Baloun, 2004). Mezi typy pojistných rizik můžeme zařadit např. objektivní, subjektivní, morální, osobní, živelní, dopravní, odcizení a vandalství, šomážní9 , strojní, odpovědnostní, sociálně-politické, obchodně-finanční a moderní rizika jako jsou atomová, ekologická, apod. Jak uvádí (Baloun, 2004), tak každé „výše popsané riziko v podstatě znamená i možnost pokusu o trestnou činnost proti pojišťovnám a tedy dopuštění se pojišťovacího podvodu: tedy předstírání skutečnosti, která měla nastat a nenastala, či naopakÿ. Ovšem pojišťovna se nezabývá jen riziky v rámci své pojišťovací činnosti, kdy přebírá riziko od svých klientů, ale je vystavena i rizikům plynoucím z její vlastní podnikatelské činnosti. Do této skupiny spadájí především provozní rizika, která jsou 9

Pojištění pro případ přerušení provozu.

19

2.2


v rámci Solvency II.10 označované jako rizika operační. Provozní nebo-li operační rizika jsou pro pojišťovny jedny z nejdůležitějších rizik v rámci páchání pojistných podvodů, a to především interních. Převážně se jedná se o lidské selhání, dále o selhání kontrolních či řídících mechanizmů uvnitř pojišťovny samotné. 2.2.4

Formy podvodu v pojišťovnictví

Pojistné podvody lze členit podle mnoha hledisek, přičemž jednotlivé typy podvodů se mohou do značné míry překrývat. Základní členění pojistných podvodů můžeme rozlišovat podle: • druhu pojištění nebo předmětu útoku na podvody spáchané v životním a neživotním pojištění. Takovéto členění je důležité v návaznosti na použité způsoby krytí škod při spáchání pojistného podvodu. Zákon č. 37/2004 Sb., o pojistné smlouvě a o změně souvisejících zákonů rozděluje pojištění na škodové a obnosové.11 Obnosovému typu pojištění odpovídá životní pojištění a pojišťovna při spáchání pojistného podvodu bude vyplácet pojistné plnění v podobě „obnosuÿ, který byl sjednán v pojistné smlouvě. Naopak škodovému typu pojištění odpovídájí smlouvy uzavírané v neživotním pojištění, kde při spáchání pojistného podvodu se výše pojistného plnění odvíjí od výše nastalé škody, avšak maximálně do výše pojistné částky. • osoby pachatele, kde se pojistné podvody dělí na vnitřní a vnější. Pachatelem při spáchání vnějšího pojistného podvodu je obvykle pojištěný nebo pojistník.12 Tito pachatelé nemají většinou žádné spolupachatele mezi zaměstnanci pojišťovny. Pachatele zde uvádějí v omyl nebo využívají něčího omylu ve faktu činnosti či události pojišťovnu při sjednávání pojistné smlouvy, nebo při uplatňování nároku na pojistné plnění vyplývající z této smlouvy, tedy dopouštějí se podvodného jednání. Pachatelem u vnějšího pojistného podvodu může být i poškozená osoba, které vznikl přímý nárok na pojistné plnění v rámci pojistné události likvidované z pojištění odpovědnosti za škody způsobené provozem motorového vozidla, tedy i osoba, která není pojistníkem či pojištěným. U vnitřního pojistného podvodu je pachatelem zaměstnanec pojišťovny, který však má obvykle za spolupachatele pojištěného nebo pojistníka. Pachatelé zde při uvádění v omyl nebo využívání omylu ve faktu činnosti či události využívají 10

Solvency II. je tvořen souborem změn, které jsou podstatné v regulaci a dohledu nad činností pojišťoven. Implementace Solvency II. je plánovaná na leden roku 2013. (Vávrová, 2011) 11 Podle zákona č. 37/2004 Sb., o pojistné smlouvě, hlava první, §3 písmene z, aa. se škodovým pojištěním rozumí soukromé pojištění, jehož účelem je náhrada škody vzniklé v důsledku pojistné události. Obnosovým pojištěním se rozumí soukromé pojištění, jehož účelem je získání obnosu, tj. dohodnuté finanční částky v důsledku pojistné události ve výši, která je nezávislá na vzniku nebo rozsahu škody. 12 Pojištěný či pojistník je osoba jejíž majetek je pojištěn, nebo osoba, která uzavřela s pojistitelem tj. pojišťovnou, pojistnou smlouvu.

20

2.3

Metodika vyšetřování podvodu

tohoto, že dobře znají činnost pojišťovny a při sjednávání pojistné smlouvy, nebo při uplatňování nároku na pojistné plnění vyplývající z této smlouvy, daleko lépe využívají různých nedokonalostí daného pojistného produktu. Nedopouští se tedy podvodného jednání v pravém slova smyslu, ale jejich jednání se přibližuje jednání podobnému zpronevěře, i když i v tomto případě se jedná o podvod nebo pojistný podvod (Porada, Pršal, 2001). Interní podvody můžeme zařadit mezi závažnější podvody než externí, způsobující několikanásobně větší škody. • osobnostních charakteristik, způsobu páchání či předchozích scénáře lze dělit pojistné podvody na náhodilé a organizované. Do skupiny náhodilých nebo–li příležitostných spadají pojistné podvody páchané spíše amatéry podle jejich znalostí a schopností jako podvody ojedinělé nebo individuální. Oproti tomu organizované pojistné podvody jsou páchané profesionálními organizovanými skupinami, které jsou již vědomé, dopředu plánované a s využitím sofistikovaných metod. Vyšetřování organizovaného podvodu jsou obtížnější z hlediska shodnosti hlášených údajů či existujících stop. Jejich vyšetřování vyžaduje větší specializaci na některé druhy pojištění či vyšetřovacích technik a v neposlední řadě vyžaduje širší spolupráci více subjektů, ať už ze strany pojišťoven, tak i ostaních externích subjektů. (Východský, 2009) • místa páchání či jejich dopadu na pojistné podvody vnitrostátní a mezinárodní. Vnitrostátní pojistné podvody jsou páchány pouze na území jednoho států, převážně domovského státu pachatelů. Mezinárodními pojistnými podvody se potom rozumí podvody, které přesahují hranice jednoho či více států, a to jak místem realizace, tak i samotnými pachateli. Tyto podvody jsou převážně páchané organizovanými skupinami, které využívají otevřených hranic Evropské unie v rámci Schengenského prostoru, nestejnorodosti národních právních řádů, častých změn v národních legislativách a využívají i nedostatečné spolupráce mezi jednotlivými pojistnými trhy. Pojištění motorových vozidel tvoří nejpočetnější skupinu mezinárodních pojistných podvodů.

2.3


Způsoby páchání trestných činů podvodů jsou velmi různorodé a rozsach jejich páchání je velmi široký. Pachatel skutkové podstaty trestného činu podvodu vzbuzuje falešné představy, a to ve vztahu k okolnostem za nichž se poškozený rozhoduje uzavřít pojistnou smlouvu s tím, že pojišťuje věc o které již předem ví, že ji prodá nebo zpronevěří. Nebo využívá nesprávných představ poškozeného o určitých okolnostech, zejména při uplatnění nároku na pojistné plnění tím, že pojistnou událost svým jednáním sám vyvolal. (Porada, Pršal, 2001) Způsoby páchání trestného činu podvodu se mohou dělit na následující: • uvedení v omyl nebo využití omylu v osobě, 21

2.3

• • • • • •


uvedení v omyl nebo využití omylu ve vztahu k různým věcem, uvedení v omyl nebo využití omylu ve faktu činnosti či události, uvedení v omyl ve vztahu k příslibům, zamlčení podstatných skutečností, trikové podvody, kombinováním výše uvedených způsobů.

Veškeré výše uvedené způsoby mohou být typickm jednáním pachatelů u pojistného podvodu kromě uvedení v omyl nebo využití omylu v osobě. Podle (Porada, Pršal, 2001) „nelze u pojistného podvodu nalézt neboť pachatel zde poškozeného uvádí v omyl, nebo využívá jeho omylu ve vztahu ke svému společenskému nebo pracovnímu postavení a ani ve vztahu ke své totožnostiÿ. Pojistné plnění musí přijmout konkrétní fyzická nebo právnická osoba, a proto pachatelé téměř nikdy svoji totožnost nezatajují. 2.3.1

Nejčastější typy pojistných podvodů a jejich indikátory

Indikátory jsou představovány souhrnem skutečností, které předznamenávají záměr získat podvodným jednáním určitý neoprávněný majetkový prospěch za využití pojistné smlouvy a nahlášení škodné události. Jsou dány faktory jako jsou např. údaje, profily či příznaky pojistné události, které signalizují, že se s velkou pravděpodobností jedná o pojistný podvod. Naznačují, zda se jedná o pojistný podvod formou izolované události nebo je součástí celého řetězce pojistných podvodů. Identifikace pojistného podvodu se objevuje v jakékoliv fázi pojistné události a existuje mnoho indikátorů, které umožňují, aby pojistná událost byla označena za spornou. Indikátory dělíme podle jejich vztahu k pojistné smlouvě a pojištěnému nebo pojistíkovi. Mezi nejčastější indikátory pojistných podvodů podle (Porada, Pršal, 2001) patří: 1. Indikátory z průběhu pojištění: • několik škod během krátkého období, • absence pojistné historie a minulých pojištění, • přerušení pojištění, • časté změny pojistitelů, • zatajení škodního průběhu, • zatajení dřívějších postihů. 2. Osobní indikátory, mezi které patří jakákoliv neobvyklá nebo krajní chování a postoj, mohou v sobě zahrnovat pokus o pojistný podvod. Tímto chováním může být cokoliv od vyhýbavého či nepřátelského přístupu až k chování prátelskému nebo přespříliš kooperativnímu, jako je například: • pozdní placení pojistného nebo celkové neplacení pojistného, • tlak na rychlou výplatu pojistného plnění v hotovosti, • vzít původně nahlášenou škodu zpět.

22

2.3


3. Dokumentační indikátory: • absence nebo naopak přemíra stvrzenek, • pozměněné dokumenty, • sporná autentičnost dokumentů, • nedávné ohodnocení majetku nebo věcí, • dokumentace pochází z různých zdrojů, ale ty obsahují podobný rukopis, typ písma, popřípadě i stejné pravopisné chyby. Pojistné podvody jsou nejvíce charakteristické zejména pro oblast neživotního pojištění. Tedy další členění identifikátoru pojistných podvodů je podle vybraných druhů neživotního pojištění, kde může být pojistný podvod a jeho identifikace uskutečněna v každé fázi pojistné události. 4. Identifikátory pojištění domácností a budov: • předešlé obdobné škody, • pojištění je sjednáno s minimem výluk, • nemovitost je na prodej, • změna životního prostředí, která ovlivňuje atraktivitu i cenu nemovitosti (v sousedství se staví průmyslový podnik, dálnice, aj.), • nedávno obydlená nemovitost, • pojišťovány staré a nemoderní předměty, • vzniklé škody za náhodných a neobvyklých okolností, • v době škody není přítomna rodina pojištěného ani oblíbená zvířátka, • nadpojištění13 , • pojištěný se vyhýbá kontaktu s pracovníky pojišťovny, • pojištěný horlivě usiluje o kompromis, • nedostatek nebo naopak velké množství svědků, • selhání bezpečnostního zařízení, aj. 5. Identifikátory pojištění podnikatelů: • špatný stav provozovny nebo zařízení, • častá změna vedení podniku, • provozovny nebo zařízení jsou na prodej, • propouštění zaměstnanců, • významná změna v obratu, • nedávné rozšíření pojištění, nové pojištění nebo navýšení pojistných částek, • chybějící dokumentace, • selhání bezpečnostního systému, • značné dluhy nebo problémy s tokem peněz.

13

Pojištění věcí na větší hodnotu než ve skutečnosti mají.

23

2.3


6. Identifikátory pojištění úrazů, nemocí z povolání a odpovědnosti: • nedávný nárůst pojistných částek, • časté změny pojistitele, • existence dalšího pojištění, • chybějící lékařské potvrzení, doklady o zaměstnání, • újma na zdraví neodpovídá příčinám a okolnostem, • sporná zdravotnická dokumentace, • poškozená strana zaměstnává sama sebe, aj. 7. Identifikátory cestovního pojištění: • z pojistné smlouvy: – samotné vycestování z ČR, – datum cesty je v rozporu s dobou platnosti pojistky, – chybějící doklady o cestování, ubytování, • zdravotní: – nekontaktování asistenční služby v době zranění, – škody na zdraví vzniklé v zemi, kde má pojištěný příbuzné, • zrušení zájezdu: – pojištění uzavřené těsně před vycestováním, – objednaná dovolená dlouho před uzavřením pojištěním, – podezřelé storno poplatky za zrušení zájezdu, • odcizení zavazadel: – neodpovídající váha zavazadel s váhou na přepravních dokladech – neodpovídající objem zavazadel – škoda při kátkodobé cestě. 8. Identifikátory pojištění motorových vozidel (havarijní pojištění): V souvislosti s pojištěním motorových vozidel je pácháno nejvíce pojistných podvodů. Od ostatních odvětví pojištění se liší mezinárodním charakterem a tím, že v sobě zahrnuje rizika jako havárie, odcizení, požár, odpovědnost, škody na majetku, denní odškodné, nemocenské dávky, právní ochranu, aj. Pojistitelé musí pozorně sledovat identifikátory pojistného podvodu, ke kterému může dojít v rámci jedné pojistné smlouvy. Takovými identifikátory jsou: • sporné místo škody, • propadlá technická prohlídka či její platnost v blízké době vyprší, • neúplná nebo sporná dokumentace o vozidle, • najetý vysoký počet kilometrů či špatný stav vozidla, • sporné užití vozidla v době pojistné události, • údajné selhání bezpečnostního systému, • relativně nízký věk držitele vozidla, • typ vozidla neodpovídá životnímu stylu pojištěného či jeho potřebám.

24

2.3

2.3.2


Vybrané příklady pojistných podvodů

Pokusy páchání pojistných podvodů se objevují jak u klientů, tak u samotných poskytovatelů pojistné ochrany. Pojistné podvody můžeme rozdělit do dvou základních skupin — podvody v neživotním a životním pojištění. Pojistné podvody v neživotním pojištění Tyto podvody bývají nejčastěji uskutečňované v souvislosti s pojištěním motorových vozidel. Další početnou skupinu pojistných podvodů tvoří pojištění majetku, pojištění podnikatelů a odpovědnosti za škodu, do které můžeme zařadit kupříkladu povinné ručení nebo pojištění odpovědnosti při výkonu povolání (advokáti, notáři, daňoví poradci, aj.). Oblíbenou skupinu pojistných podvodů tvoří podvody v oblasti cestovního pojištění i pojištění léčebných výloh. Pojistné podvody cestovního pojištění v letním období mívají nejrůznější podobu. Pokusy o podvody se objevují jak ze strany poskytovatelů zdravotní péče, tak i ze strany klientů. Pojistné podvody ze strany lékařských zařízení jsou typické zejména v oblasti ambulantních ošetření. Pojišťovny identifikují „prohřeškyÿ jako je předražování výkonů či vykazování ambulantních výkonů, které vůbec nebyly provedeny. Podle (Fuchs, 2008) se jedná zejména o pojistné události v Řecku, Egyptě, Bulharsku a Chorvatsku. Dalším častým podvodem je provizní spolupráce delegátů některých cestovních kanceláří a lékařů působících v cílových destinacích či hotelech. Tyto postupy se často pohybují na hraně etických principů. Lékaři obcházejí klienty a snaží se jich dotazovat, zda jim nic nechybí a zda nepotřebují nějakou péči a přitom se vždy odkazují na bezplatnost služeb, které jsou poté účtovány pojišťovně. Ze strany klientů jde potom nejčastěji o pokusy při ošetření jiné osoby na cizí platnou pojistku, pojistných událostech ztráty zavazadel (z hlediska obsahu ztracených věcí i způsobu ztráty či odcizení) a vykazování pracovních úrazů v rámci pojistných událostí pro turistické pojistky. Neobvyklým způsobem není ani uplatnění jedné pojistné události u více pojistitelů. (Fuchs, 2008) Jako klasický příklad pojistného podvodu může sloužit případ fingované ztráty zavazadel při návratu z dovolené. Podle (Pulchart, 2007) „jako kdyby se do země propadla a prostě na Ruzyňské letiště údajně nedoletělaÿ. Pro potřeby likvidace této pojistné události předal doklady o zakoupení údajně ztracených věcí, mezi nimiž byly doklady o zakoupení zimního oblečení a obuvi, které na letní dovolené u moře určitě nebyly potřeba. Na základě těchto indícií pojišťovna provedla mimo jiné i šetření u ostatních pojistitelů, zda obdobnou škodu již tomuto cestovateli také nelikvidovali. Bylo zjištěno, že mu v minulosti zavazadla na Ruzyňské letiště údajně nedoletěla již ve třech případech, což tedy byla pro něj nepochybně velká smůla a náhoda. Policii se podařilo na základě podkladů zjistit, že tento podvodník svoje podvody praktikoval společne se svou manželkou. Vždy po příletu odvezla jeho manželka zavazadla domů a on počkal na letišti a po určité době šel nahlásit ztrátu zavazadel. Jelikož se letecké společnosti nepodařilo údajně ztracená zavazadla nikdy dohledat,

25

2.3


vznikl pojištěnému nárok na pojistné plnění. A tak tomuto podvodníkovi pojišťovna vždy uhradila převážnou část finančních nákladů, které vynaložil na zakoupení své dovolené. Podle (Pulchart, 2007) bylo na celé věci bylo zarážející zejména to, že tento pachatel byl člověk s vysokoškolským vzděláním, vykonávající společensky velmi uznávané povolání. Případ v souvislosti s údajným vloupáním do bytu a navýšením škody podle (Šulcova, 2007) nahlásila jako pojistnou událost pojištěná, která byla současně majitelkou a provozovatelkou zastavárny a bazaru. Mezi odcizenými věcmi nahlásila zlaté šperky za téměř 500 000 Kč, velké množství oblečení, 5 mobilních telefonů, 3 notebooky, 4 digitální fotoaparáty, 3 videokamery a další věci. Pro potřeby likvidace pojistné události doložila veškeré doklady o nabytí věcí. Avšak šetření poukázalo, že tato „okradenáÿ osoba dodala veškeré stvrzenky ze své zastavárny. V rámci šetření bylo zjištěno, že paragony, ač měly různá data nabytí, byly stejného druhu a pořadová čísla paragonů byly v posloupnosti, data nabytí jednotlivých věcí ale s touto posloupností nesouhlasily. Dokonce vyšlo najevo, že u dvou věcí bylo uvedené datum nabytí až po údajném vloupání do bytu. Když byly porovnány doklady a věci s pokladním deníkem, bylo zjištěno, že obdobné věci sice byly zastavárnou vykoupeny, ale také již dříve prodány. V české republice se nejčastěji podvodníci snaží z pojišťoven vymámit peníze fingováním dopravních nehod. Zdeněk Horáček vedoucího oddělení forenzního auditu ČSOB Pojišťovny uvedl: „Fingované dopravní nehody vozidel, která byla ve skutečnosti poškozena jindy, jinak a jinde a úmyslné nadhodnocování škod – to jsou stále nejčastější příklady pojistných podvodů, s nimiž se střetáváme.ÿ Příklad odhaleného pokusu o pojišťovací podvod fingované nehody na základě upozornění generovaného počítačovým systémem pro detekci pojistných podvodů. Vyšetřovatelé ČSOB Pojišťovny začali zkoumat pozadí vysoce podezřelé pojistné události. Údajně k ní mělo dojít tak, že se řidička vozu VW Multivan vyhýbala zvěři, strhla řízení a sjela do příkopu. Při šetření se však ukázalo, že o den dříve měl nehodu s tímto vozidlem nezletilý syn této řidičky a že tuto nehodu šetřila Policie ČR. Porovnáním fotodokumentace z obou nehod se zjistilo, že rozsah poškození Multivanu byl při nich zcela totožný nehoda vzniklá při údajném vyhýbání se zvěři tak byla fingovaná a účelově nahlášená. Odmítnutím pojistného plnění bylo uchráněno 73 601 korun. (Měšec, 2012) U Generali jsou novinkou případy tzv. „dvojčatÿ. Převážně se jedná o luxusní automobily s pojistnou částkou vyšší než 1 milión korun, která je pro organizované podvodníky již zajímavá, protože se o ni následně chtějí podělit. Modelový příklad jak uvádí (Generali.cz, 2012): Petr z Prahy (36 let) se vypravil do Maďarska rezervovat pobyt v lázních pro svoji matku. V Budapešti nahlásil odcizení „svéhoÿ vozu Audi, který si pojistil na 1,5 milionu korun. Během vyšetřování zjistili, že vozidlo se stejným výrobním identifikačním číslem (VIN) je registrováno v jiné členské zemi EU, kde bylo také řádně zakoupeno a je i v současnosti stále provozováno. V ČR bylo vozidlo přihlášeno na falešné doklady na základě plné moci osobou s vymyšlenou identitou. Pojistné plnění bylo odmítnuto a případ byl předán Policii ČR. Tento 26

2.3


postup podvodníci využívají především pro legalizaci kradených vozidel a jejich další transport do třetích zemí. Dalším množícím se pojistným podvodem jsou úmyslné požáry. Mluvčí Kooperativy Milan Káňa uvedl: „Myslíme si, že tou největší příčinou jsou ekonomické problémy, protože jsme v letošním roce odhalili dost požárů, které se týkaly nejen soukromých osob, ale i podnikatelůÿ. (čt24, 2012) Jako příklad založení úmyslného požáru může posloužit situace, ve které podle (Bubák, 2011) si klient způsobil požár hospodářské budovy. Údajně za 200 tisíc korun koupil zchátralou bývalou hospodářskou usedlost ve východních Čechách a chtěl ji následně se ziskem prodat. To se mu však nepodařilo. Proto objekt pojistil na částku 65 milionů korun a během necelého měsíce budova lehla popelem. Bylo zřejmé, že požár byl založen úmyslně. Případ byl tedy šetřen ve spolupráci s Policií ČR, pachatele se však vypátrat nepodařilo. O účelovosti jednání ze strany klienta hovoří i fakt, že nedlouho po uzavření celé události pojišťovnou, převedl objekt v listu vlastnictví na příslušném katastru nemovitostí na tzv. bílého koně. Pojistné podvody v životním pojištění Pojišťovny se donedávna s podvody páchanými v oblasti životního pojištění moc nesetkávali, ale v posledních letech se jejich počet zvyšuje. Obvykle se jedná o uvádění nepravdivých informací o původu a rozsahu zranění, účelové prodlužování doby léčení a nedodržování léčebného režimu. Životního pojištění se týká jeden z nejzávažnějších odhalených pojistných podvodů, který řešil v loňském roce soud. Dva bratři pojistili svého známého u pěti různých pojišťoven. Celková pojistná částka v případě jeho smrti přesahovala 21 milionů korun. Ve všech případech se jeden z bratrů nechal napsat jako osoba, které v případě nehody připadné plnění od pojišťovny. Pojištěný muž začal pro bratry následně pracovat - jezdil s jejich Avií. Právě na tomto voze mu bratři po několika měsících upravili výfuk tak, že se při jízdě spalovanými plyny udusil. Likvidátoři pojišťoven celý podvod odhalili ještě před výplatou peněz a bratři dostali místo peněz trest za vraždu a pojistný podvod. Byli odsouzení ke třinácti a čtrnácti letům vězení. (Pojistky.hypotekypujcky.cz, 2012) Kuriózní případ ze zahraničí se týká pojistného podvodu, který začal fiktivní smrtí britského poslance a ministra Johna Stonehouse, který se rozhodl vyřešit svojí finanční situaci. Samozřejmě měl uzavřené životní pojištění, které mu zaručovalo vysoké pojistné plnění, pokud by se mu něco stalo. Když se na pláži v Miami našlo jeho oblečení a soukromé věci, tak se policie domnívala, že se politik utopil v moři, když si šel zaplavat. Jeho tělo se nikdy nenašlo a následně byl prohlášen za mrtvého. Když byly vyplaceny peníze fiktivním pozůstalým, byl již politik se svojí milenkou a bývalou sekretářkou v Austrálii, kde začal nový život pod novou identitou. Náhodou byl tamní policií zatčen pro další malý pojistný podvod, přišlo se na fingovanou smrt a byl odsouzen na několik let ve vězení. (Smarteo.cz, 2012)

27

2.3

2.3.3


Prevence proti pojistným podvodům

Při prevenci pojistného podvodu je třeba, aby pojišťovny daly jednoznačně najevo svoji vůli bojovat proti pojistnému podvodu. Základem pojišťovnictví je loajálnost a dobrá víra a každa pojišťovna by pro jejich zachování měla příjmout určitá opatření, která podle (Porada, Pršal, 2001) spočívají v provádění prevence, odhalování pojistných podvodů a udělování sankcí. Pojišťovny investují do prevence a odhalování pojistných podvodů čím dál tím více peněžních prostředků, i když návratnost na jejich odhalování je pomalá, tak pojišťovny při odhalování pojistných podvodů nesmějí být nečinné. Protože škody způsobené pojistnými podvody se negativně promítají, jak do hospodářských výsledků pojišťoven, tak do kalkulace pojistného u většiny poctivých klientů. Mezi nejvíce využívané a nejrozšířenější opatření v boji proti pojistnému podvodu patří dva následující druhy (Porada, Pršal, 2001): Opatření na úrovni pojišťovnen: • používání aktivních kontrolních opatření při uzavírání pojistných smluv a při likvidaci pojistných událostí, • využití postupů externích subjektů jako jsou např. experti, opraváři, apod., • využívání specializovaných vyšetřovatelů uvnitř pojišťovny, • v nezbytných případech zavedení nové koncepce boje proti pojistným podvodům. Opatření na úrovni trhu: • výměna informací a zkušeností mezi pojišťovnami, • zřízení trvalé komise nebo pracovní skupiny pověřené vypracováním koncepce boje proti pojistnému podvodu na trhu, • vytvoření centralizivané informační kartotéky, • navázání spolupráce s ostatními sektory finančních služeb, • navázání kontaktů pro výměnu informací a další spolupráce se státními orgány (policie, justice), • podporování informačních kampaní za účelem vyvolání zájmu nejširší veřejnosti o tuto problematiku, aj. V pojišťovnách je velice důležité vzdělávání pracovníků, kteří uzavírají pojistné smlouvy a likvidují pojistné události. Vzdělávání či školení různých specialistů pojišťoven musí být koncipováno v úzké vazbě na další instituce jako jsou např. policie, hasiči, aj. Klíčovým v odhalování pojistných podvodů je i přístup k informacím a jejich výměna mezi státními orgány a ostatními pojistiteli v rámci různých sdružení. (Porada, Pršal, 2001) V České republice existuje hned několik sdružení, která působí nejen v rámci prevence v boji proti pojistným podvodům. Mezi tato sdružení můžeme zařadit

28

2.3


např. Českou asociaci pojišťoven14 , Českou kancelář pojistitelů, Asociaci českých pojišťovacích makléřů a Českou komoru samostatných likvidátorů pojistných událostí. Mezi mezinárodní organizace zabývající se prevencí patří např. Mezinárodní asociace agentur pro pojistný podvod (IAIFA) a od r. 2012 pod novým názvem působí Insurance Europe (CEA, dříve Evropská federace národních asociací pojistitelů). Mezinárodní asociace agentur pro pojistný podvod Asociace mezinárodní agentury pojišťovacích podvodů byla založena v roce 1985 v Severní Americe a díky tomu, že pojistné podvody neznají téměř žádné hranice, byla rychle rozšířena do celého světa. Každým rokem se členové této mezinárodní organizace scházejí za účelem zlepšení kvality poskytovaných údajů. Jejich snahou je dosáhnout vysoké úrovně integrity v celém pojišťovnictví v rámci sdílení informací a tím tak bojovat proti pojistným podvodům po celém světě. (IAIFA, 2012) Insurance Europe Insurance Europe je federace pojišťoven a zajišťoven skládájící se z 34 národních pojišťovacích asociací. I Česká asociace pojišťoven patří mezi členy Insurance Europe (původně CEA), a to od roku 1998. Jejím posláním je zvýšit povědomí pojistitelů a zajistitelů při poskytování pojistné ochrany, zvýšit výměnu informací a zkušeností v rámci bezpečnosti pojišťoven. Insurance Europe hraje podpůrnou roli ve vztahu ke svým členům, poskytuje jim informace a rady o otázkách týkajících se evropského pojišťovnictví a podporuje důvěru v Evropské pojišťovnictví. (Insurance Europe, 2012) 2.3.4

Odhalování pojistných podvodů

Statistiky České asociace pojišťoven ukazují na rostoucí trend v objemu šetřených pojistných podvodů, resp. jejich prokázaných hodnot. V roce 2011 dosahovaly přes 800 mil. Kč. Narůstající počet šetřených a prokázaných podvodů je dán jednak legislativními úpravami, a to především zákonem o pojišťovnictví, kde pojišťovny mohou využívat vzájemné spolupráce při odhalování pojistných podvodů. Díky vzájemné spolupráci a předavání informací mezi pojišťovnami dochází v jednotlivých pojišťovnách k nasazování různých systémových nástrojů pro podporu vyšetřování. Jedním z nástrojů pro detekci a podporu vyšetřování pojistných podvodů je automatizovaný systém AFMS15 od společnosti ADASTRA, který využívají čtyři přední pojišťovny v ČR – ČSOB Pojišťovna, Allianz pojišťovna, Kooperativa a Česká podnikatelská pojišťovna. AFMS systém je založený na automatickém zpracování dat, který pomáhá identifikovat podezřelé pojistné události, smlouvy, nebo klienty, čímž dává sofistikované podklady pro práci interního auditu (Adastra.cz, 2011). Systém AFMS pravidelně monitoruje a vyhodnocuje nestandardní škodní události. Vstupují do něj data z provozních systémů pojišťovny, např. záznamy o smlouvách, pojištěncích, pojistných událostech a řada dalších. A na základě těchto údajů vytváří 14 15

Více o České asociaci pojišťoven v samostatné kapitole 2.1.7. Adastra Fraud Management System.

29

2.3


AFMS podle přesně definovaných pravidel indikátory, které s vysokou pravděpodobností signalizují nebezpečí pojistného podvodu. Nasazení systému do pojišťovny Kooperativa předčilo jejich očekávání co se týče návratnosti finančních prostředků. Při plánování investice počítali s návratností okolo šesti měsíců, avšak Ing. Josef Voda ředitele interního auditu uvedl: „Úspěšnost nasazení systému však předčila všechna naše očekávání. Díky odhaleným podvodům, které nám systém nahlásil během prvních tří měsíců provozu, se výše uchráněné hodnoty vyšplhala na sumu, která zaplatila celý systém a všechny náklady s ním spojené.ÿ (Businessclanky, 2012) Mezi další „zbraněÿ zabraňující nedbalému vzrůstajícímu trendu pojistných podvodů můžeme zařadit softwarové řešení I–FRAUD vyvinutý společnosti Unicorn. I–FRAUD je komplexním řešením, které zahrnuje jak prevenci podvodů, tak i detekci podvodů a především podporu při jejich vyšetřování. Pomocí modelů a analýz systém zpětně zkoumá data na pojistných smlouvách a ohodnocuje jejich rizikovost a tedy i důvěryhodnost nároků na pojistné plnění, které plynou z pojistné události. Při podpoře vyšetřování prověřuje pojistné smlouvy a jednotlivé události, které byly klasifikovány jako podezřelé. Tato podpora je pro pojišťovny důležitá z hlediska udělování sankcí a vymáhaní škod, které pojišťovně plynou z porušení pojistné smlouvy. (Unicornsystems, 2012) V České republice je nejvíce pojistných podvodů pácháno v oblasti neživotního pojištění, přesněji v souvislosti s pojištěním automobilů či motocyklů. Účinnou zbraní proti tomuto druhu podvodu je speciální program Virtual Crash, který spadá do oblasti umělé inteligence. Tento software vznikl na brněnském pracovišti České pojišťovny a ta ho jako první v České republice začala také používat. Princip spočívá v analýze velkého množství informací, získaných jak od klientů, tak i z místa nehody. Virtual Crash dokáže přesně simulovat průběh havárie a vytvořit její animaci, kterou pak lze sledovat z různých úhlů pohledu. Virtual Crash přišel Českou pojišťovnu na bezmála půl miliónu korun, ale tato investice se ji záhy vyplatila v tzv. uchráněných hodnotách. Ředitel odboru likvidace škod pojištění motorových vozidel České pojišťovny v Brně Pavel Fišer uvedl. „Tím, že jsme v oblasti Virtual Crash soběstační, dokážeme analyzovat podezřelé nehody levněji, rychleji a také přesněji.ÿ (Česká pojišťovna, 2012) Odhalování pojistných podvodů je jednou z priorit České asociace pojišťoven a za tímto učelem vyvinula a provozuje od začátku března roku 2012 systém SVIPO, který slouží pro výměnu a sdílení informací o podezřelých okolnostech. „Cílem SVIPO není nahradit dosud užívané systémy a metody na úrovni jednotlivých pojišťoven, ale systematicky odhalovat podvody, které jsou páchány napříč trhem,ÿ říká výkonný ředitel ČAP Tomáš Síkora. SVIPO systémově identifikuje pojistné události fyzických a právnických osob z pojištění odpovědnosti za škodu způsobenou provozem vozidla a havarijního pojištění motorových vozidel, u nichž existuje vysoká pravděpodobnost, že se jedná o pojistné podvody. Zpravidla to bývají podvody, které jsou připravovány a páchány organizovanými skupinami pachatelů. SVIPO podezřelé okolnosti identifikuje a automaticky předává dotčeným pojiš30

2.3


ťovnám, které podezřelé pojistné události dále prověřují. Například se jedná o pokusy získání pojistného plnění za stejnou škodu u více pojišťoven současně nebo opakovaně. Případy příliš častých škod subjektu nebo předmětu pojištění, pokud jejich četnost překračuje statistickou pravděpodobnost nahodilosti, a nebo případy opakovaného výskytu stejných subjektů v různých škodných událostech. Prozatím tedy umí detekovat podvody v pojištění motorových vozidel, ale do budoucnosti plánuje Česká asociace pojišťoven jeho rozšíření a využívání i v dalších oblastech pojištění. Systému SVIPO se může účastnit každá pojišťovna působící na českém pojistném trhu bez ohledu na členství v České asociaci pojišťoven. (ČAP, 2012) Rychlý růst podvodů, přiměl pojišťovny uvažovat i o zapojení nejmodernějších technolgoii, mezi které poslední dobou patří detektory lži od firmy Retia. Využití analyzátoru již zkoumali přední české pojišťovny a mezi první zájemce, kteří chtějí přistoupit k analýze hlasu patří Allianz pojišťovna. Princip analyzátoru spočívá v tom, že dokáže měřit všechny složky lidské řeči. A v případě, že je v lidském hlase obsažena nějaká indikace o možném pojistném podvodu, lze tento jev indikovat a dále zpracovávat. Ten, kdo nahlásí pojistnou událost a bude žádat o pojistné plnění na základě věty jako je např.: „dobrý den, chtěl bych nahlásit pojistnou událostÿ, tak by měl systém detekovat, jestli žadatel mluví pravdu, či nikoliv. Po zavedení této moderní technologie do běžného provozu si již lidé žádající od pojišťoven peníze budou muset dávat zvýšený pozor na to, co říkají do telefonu. (Boulec, 2011) Každým rokem k ochraně finančních zájmů EU, významně přispívá politika proti pojistným podvodům. Zajišťuje, aby rozpočet EU i vnitrostátní rozpočty byly dobře chráněny, a aby se peníze vynakládaly na zamýšlené účely a dorazily k oprávněným osobám. Jak uvedl komisař pro daně, cla, boj proti podvodům a auditu Algirdas Šemeta: „Podvod poškozující rozpočet EU není trestným činem bez oběti. Týká se všech evropských občanů, neboť jde o peníze všech. Protože EU se nachází v globální finanční krizi, je obzvlášť důležité, abychom chránili své příjmy a zajistili, aby naši občané mohli mít z prostředků EU co největší prospěch.ÿ Na konci roku 2011 Evropská komise přijala návrhy programů Hercule III a Pericles 2020, které jsou právě zaměřené na ochranu EU a národních rozpočtů. Realizace obou programů je plánovaná na období mezi roky 2014—2020, a to s rozpočtem ve výši 110 milionů EUR a 7,7 milionu EUR. K boji proti pojistným podvodům je zaměřen program Hercule III, jehož cílem by mělo být zajištění rovnocenné ochrany v členských státech a ve všech institucích EU. Program Pericles byl založen za účelem posílení ochrany eurobankovek a euromincí jak po celé Evropě, tak i ve světě. Veškeré systémy sloužící pro odhalování pojistných podvodů přináší pojišťovnám výrazně vyšší procento odhalení a objasnění pojistných podvodů a tím uchráněných hodnot. Mezi další přínosy IT systémů můžeme zařadit např. úsporu času vyšetřovatelů, kteří nejsou odváděni od své práce jinou administrativní činností nebo zvýšení rychlosti samotného procesu detekce. To přináší zvýšení procentuální úspěšnosti nalezení pojistné události ještě před provedením pojistného plnění. Pro pojišťovny, které využívají IT systémy pro detekci je důležitá informovanost veřejnosti o využívání komplexního systému pro detekci pojistných podvodů v pojišťovně. Už 31

2.3


samotné zveřejnění takovéto informace působí jako prevence a odstrašení části potenciálních pachatelů. Zajímavým způsobem s pojistnými podvody podle (Baloun, 2004) bojují ve Velké Británii, kde tamní asociace pojišťoven distribuovala výstižný plakát, na němž uvedla telefonní čislo pro oznamování pojistných podvodů. Pojišťovny také kromě vyspělých technologií stále více „sázejíÿ na vlastní síly a zkušenosti. Avšak složitější případy s žádostí o pojistné plnění předávají na prozkoumání profesionálním soukromým detektivům či agenturám jakou je např. CZ EXPERT.

32

3

3

MATERIÁL A METODIKA

Materiál a metodika

Následující část práce je věnována nejen samotnému sběru potřebných dat, ale i metodickému postupu a charakteristice analytických metod, které jsou klíčové pro zpracování diplomové práce a jejich následnou prezentaci. Diplomová práce bude rozdělena na teoretická východiska a vlastní práci. Teoretická část bude řešena deskriptivní metodou, pomocí které bude zpracovávána problematika pojistného trhu v České republice. Nejprve bude zhodnocen pojistný trh z obecného pohledu, od jeho samotného vývoje v České republice až po vývoj celosvětový. Neopomenuty nezůstanou ani jeho ukazatele, faktory a jeho legislativní vymezení. Další kapitola bude věnována problematice pojisného podvodu a jeho celkové charakteristice. Od vymezení definice podvodu až po jeho prevenci a odhalování. Mezi teoretická východiska bude spadat i následující podkapitola, zabývající se analýzou faktorů ovlivňující významným způsobem vývoj pojistných podvodů. Řešení vlastní práce bude rozděleno do čtyř částí. První bude obsahovat vizuální anylýzu vývojových tendencí českého pojistného trhu. Následovat bude analýza pojistných podvodů z hlediska rozdílného nahlížení České asociace pojišťoven a Policie ČR. Třetí část bude bude obsahovat regresní analýzu, která se zaměří na jednorozměrný a vícerozměrný regresní model. Poslední část práce bude zaměřena na korelační analýzu, která přiblíží závislosti mezi vysvětlovanou a vysvětlujícími proměnými.

3.1

Proměnné ekonometrického modelu

V této podkapitole budou popsány jednotlivé proměnné ekonometrického modelu, které by měly mít určitý vliv na vývoj pojistných podvodů. Ke zvoleným proměnným bylo zapotřebí dostatečně velké množství vhodných dat, které byly získány z důvěrohodných serverů jakou jsou např.: České asociace pojišťoven, Policie České republiky, České národní banky, Českého a Evropského statistického úřadu (Eurostat). Pro výpočty byly použity data čtvrtletního charakteru a byla vybrána pro období od roku 2000 do roku 2011. V rámci jednotlivých ekonometrických modelů bude vystupovat objem pojistných podvodů za závisle proměnnou a mezi nezávisle proměnné budou vybrány ukazatele následně popsané. 3.1.1

Hrubý domácí produkt

HDP je peněžním vyjádřením celkové hodnoty statků a služeb nově vytvořených v daném období na určitém území; používá se pro stanovení výkonnosti ekonomiky. Může být definován, resp. vypočten třemi způsoby: produkční, výdajovou a důchodovou metodou. Důchodovou metodou se HDP počítá jako součet prvotních důchodů za národní hospodářství celkem: náhrad zaměstnancům, daní z výroby a z dovozu

33

3.1

Proměnné ekonometrického modelu

snížených o dotace a hrubého provozního přebytku a smíšeného důchodu (resp. čistého provozního přebytku a smíšeného důchodu a spotřeby fixního kapitálu). HDP = Náhrady zaměstnancům + Daně z výroby a z dovozu − Dotace + Čistý provozní přebytek + Čistý smíšený důchod + Spotřeba fixního kapitálu. (czso.cz, 2012) 3.1.2

Míra inflace

K měření inflace v České republice se používá index spotřebitelských cen16 . Nejčastěji bývá vyjádřen přírůstkem indexu spotřebitelských cen k základnímu období (rok 2005=100). Vyjadřuje změnu cenové hladiny sledovaného měsíce příslušného roku proti roku 2005. Při výpočtech platí zásada, že míry inflace jsou vyjádřeny úhrnným indexem spotřebitelských cen za domácnosti celkem. (czso.cz, 2012) 3.1.3

Míra registrované nezaměstnanosti.

Míra registrované nezaměstnanosti hovoří o stavu a vývoji nezaměstnanosti v České republice. Se vstupem ČR do Evropské unie došlo na základě Ministerstva práce a sociálních věcí (MPSV) ke změně metodiky pro výpočet míry nezaměstnanosti. Původní metodika vycházela z přesného počtu uchazečů o zaměstnání, tj. občanů ČR, kteří byli evidovani na úřadech práce v okrese jejich bydliště a z počtu zaměstnaných v národním hospodářství s jediným nebo hlavním pracovním poměrem. Nová metodika nově zahrnuje do výpočtu i uchazeče o zaměstnání ze zemí Evropského hospodářského prostoru, tj. členské státy EU, Norsko, Island, Lichtenštejnsko) a Švýcarska. Výsledky míry nezaměstnanosti je tak od 3. čtvrtleti 2004 možné lépe srovnávat s výsledky členských zemí Evropské unie. (Beránková, 2004) 3.1.4

Nominální hrubá mzda

Průměrná hrubá měsíční mzda jednoho zaměstnance představuje podíl mezd bez ostatních osobních nákladů. Do mezd se zahrnují základní mzdy a platy, příplatky, odměny, náhrady mezd a platů, odměny za pracovní pohotovost a jiné složky mzdy nebo platu, které byly v daném období zaměstnancům zúčtovány k výplatě. Nezahrnují se náhrady mzdy nebo platu za dobu trvání dočasné pracovní neschopnosti nebo karantény placené zaměstnavatelem. Jedná se tedy o hrubé mzdy, tj. před snížením o pojistné na všeobecné zdravotní pojištění a sociální zabezpečení, zálohové splátky daně z příjmů fyzických osob a další zákonné nebo se zaměstnancem dohodnuté srážky. (czso.cz, 2012) 16

Životních nákladů.

34

3.2

3.2

Metodika statistického zpracování


Analýza objemu pojistných podvodů páchaných v České republice bude rozdělena do dvou základních celků. První část bude věnována klasické regresní analýze, která bude zaměřena na jednorozměrný a vícerozměrný model. V jednorozměrném regresním modelu bude zkoumán vliv průměrné nominální hrubé mzdy (NM) na objem pojistných podvodů (OPP) a ve vícerozměrném regresním modelu bude bude zkoumán vliv vybraných proměnných na objem pojistných podvodů. Vysvětlovanou proměnou tedy bude znovu objem pojistných podvodů a mezi vysvětlující proměnné budou zařazeny následující: • hrubý domácí produkt (HDP), • míra inflace (I), • míra registrované nezaměstnanosti (N), • nominální průměrná hrubá mzda (NM). Kromě odhadu parametrů regresního modelu bude taktéž testována významnost jednotlivých parametrů modelu a celková vhodnost modelu. Následovat bude korelační analýza, pomocí které zjistíme vzájemnou těsnost a vztah mezi objemem pojistných podvodů a zvolenými proměnnými pomocí tzv. testu nezávislosti. 3.2.1

Metodika regresní analýzy

Podle (Gujarati, 2009) termín „regreseÿ zavedl Francis Galton, při zkoumání závislosti výšky dětí a rodičů. Analýzou údajů došel k závěru, že nová generace má tendenci se navracet směrem k průměru. Současné pojetí regresní analýzy má sice jen málo společného s původním záměrem Galtona, nicméně myšlenka přístupu k empirickým údajům zůstala zachována (Hebák, 1998). Matematický vztah klasického regresního modelu budeme předpokládat v tom případě, když jedna z proměnných bude závisle proměnnou a další vysvětlující proměnné budou nezávisle proměnné tzv. regresory. Nejprve bude popsán jednoduchý regresní model, který předpokládá jednu vysvětlující proměnnou. Následovat bude vícenásobný regresní model, kerý je vysvětlován dvěma nebo více regresory. (Dougherty, 2007) Klasický lineární model můžeme specifikovat podle (Dougherty, 2007) jako: yi = β1 + β2 xi + ui , kde yi . . . je hodnota závisle proměnná v pozorování i a je složena ze dvou komponent, kterými jsou: • komponenta β1 + β2 xi , kde – β1 + β2 jsou parametry rovnice, – xi je hodnota vysvětlující proměnné v pozorování i, • chybový člen ui .

35

3.2


Podle (Hampel, 2011) lze klasický regresní model zapsat i pomocí maticového vyjádření, které zjednodušuje soustavu n rovnic pro i-té pozorování:      

Y1 Y2 .. . Yn





    

    

=

1 X11 X21 1 X12 X22 .. .. .. . . . 1 X2n X2n

. . . Xk1 . . . Xk2 .. ... .





    ∗    

. . . Xkn

β0 β1 .. .





    ∗    

βk

ε1 ε2 .. .

   ,  

εn

zjednodušeně lze zapsat do formy: y = Xβ + ε, kde y . . . je sloupcový náhodný vektor n pozorování vysvětlované proměnné, X . . . je matice n ∗ p pozorování vysvětlujících proměnných, kde p = k + 1, β. . . je sloupcový vektor k + 1 neznámých parametrů, ε . . . je sloupcový vektor n hodnot nepozorovatelné náhodné složky. Vyjdeme–li při odhadu klasického lineárního modelu z OLS metody, pak pro odhadovou funkci β platí: ˆ kde y = Xβ + e, nebo yˆ = X β, e. . . je vektor n reziduí (e = y − Xβ), yˆ . . . je vektor vyrovnaných hodnot vysvětlované proměnné, βˆ . . . je vektor odhadovaných parametrů regresní funkce. Odhady parametrů metodou nejmenších čtverců (OLS) jsou pak dány vztahem: βˆ = (X T X)−1 X T Y, kde X T X . . .je Fišerova informační matice, (X T X)−1 . . . je matice konstantní. Pro odhad parametrů regresní funkce lze využít i způsob, který vychází z kritéria metody nejmenších čtverců, za předpokladu, že platí Yi − Yî = ei Q=

n X i=1

Kde

n P e2 i=1

i

e2i

=

n X

(Yi − Yî )2 7−→ min.

i=1

je funkcí neznámých parametrů, přičemž požadujeme, aby

n P e2 i=1

i

7→ min.

Řešením je výpočet prvních parcálních derivací podle jednotlivých parametrů, které položíme rovno nule a neznámé parametry regresní funkce vypočítáme.

36

3.2


Předpoklady klasického lineárního modelu Model je správně specifikován v souladu s ekonomickou teorií při splnění následujících požadavků (Hampel, 2011): 1. regresní model je lineární v parametrech, je správně specifikován a má aditivně připojen chybový člen, 2. chybový člen má nulovou střední hodnotu, 3. všechny vysvětlující proměnné nejsou korelované s chybovým členem, 4. pozorování chybového členu jsou nekorelována se sebou samými = NE sériová korelace, 5. chybový člen má konstantní varianci = NE heteroskedasticita, 6. žádná vysvětlující proměnná není perfektní lineární kombinací jiné vysvětlující proměnné = NE perfektní multikolinearita, 7. chybový člen je normálně rozdělen. Gaussův–Markovovův teorém17 říká: Nechť jsou splněny klasické předpoklady 1 až 6, pak OLS odhad parametru βj má minimální rozptyl mezi všemi lineárními nevychýlenými odhady parametru βj , pro j = 0, 1, 2, . . . , k. Při splnění výchozích předpokladů klasického lineárního regresního modelu je odhadová funkce nejmenších čtverců βˆ nestranná a vydatná ve srovnání s ostatními lineárními nestrannými odhadovými funkcemi. Pokud přidáme 7. předpoklad, pak je OLS odhad parametrů tzv. BUE (Best Unbiased Estimator), tj. nejlepší nevychýlený odhad parametrů ze všech možných odhadů. (Hampel, 2011) Testování hypotéz Po odhadu parametrů regresních funkcí můžeme otestovat statistickou významnost podle vypočítaté t-hodnoty. Podle (Zameškal, 2004) lze pro každý regresní parametr zformulovat následující hypotézy: • nulová hypotéza, H0 : βî = 0, • alternativní hypotéza HA : βî 6= 0. Test je prováděn pomocí t-statistiky, přičemž se předpokládá, že tato statistika má Studentovo rozdělení pravděpodobnosti s df-stupni volnosti, βî − 0 , tdf = SEβî kde SEβ i je odhad směrodatné odchylky koeficientu βî . 17

Gaussův–Markovovův teorém je označovaný jako BLUE (Best Linear Unbiased Estimator).

37

3.2


Vyhodnocovací pravidlo je založeno na porovnání dvou parametrů, tvyp , t-statistice vypočtené, odpovídající dané odhadované hodnotě βî , a tkrit , t-kritické, určující percentil t-statistiky na dané úrovni významnosti α. (Zameškal, 2004) βî , tvyp df = SEβî −1 tkrit α/2;df = STdf (α/2), kde

ST. . . je distribuční funkce Studentova rozdělení, STdf−1 ; (α/2) . . . je inverzní funkce na hladině pravděpodobnosti α/2, df . . . jsou stupně volnosti. Oboustrannou pravděpodobnost dosažení hodnoty tvyp udavá: Hodnota Pdf = αvyp (tvyp df ).2. Rozhodovací pravidlo pro oboustranný test lze formulovat takto: • Zamítnutí nulové (přijetí alternativní) hypotézy lze podle (Zameškal, 2004) stanovit děma způsoby. krit Jestliže |tvyp df | > tα/2;df , pak se H0 zamítá. Jesltiže Hodnota Pdf < α, pak se H0 zamítá. • Přijetí nulové (zamítnutí alternativní) hypotézy lze stanovit děma způsoby. krit Jestliže |tvyp df | ≤ tα/2;df , pak se H0 příjmá. Jesltiže Hodnota Pdf ≤ α, pak se H0 příjmá. Zamítnutí nulové hypotézy znamená, že propočtený koeficient leží v kritické oblasti, je statisticky významný a ze statistického pohledu má být zařazen do odhadovaného modelu. Při přijetí nulové hyotézy platí opak. (Zameškal, 2004) K posouzení významnosti modelu jako celku bude využito F-testu (testu dobré shody), který je založený na analýze rozptylu. Přičemž bereme v úvahu, že u nulové hypotézy neexistuje vztah mezi Y a X, který je podle (Dougherty, 2007): • nulová hypotéza, H0 : β1 = β2 = 0, • alternativní hypotéza HA : β1 6= 0 nebo β2 6= 0, přičemž F-statistika má tvar: F =

ESS/(k − 1) , kde RSS/(n − k)

ESS . . . je odhadnutý součet čtverců, RSS je reziduální (zbytkový) součet čtverců, k . . . je počet parametrhu regresní funkce.

38

3.2


Zamítnutí nulové hypotézy znamená, že odhadnutý model je statisticky významný a je potvrzena významná statistická závislost mezi náhodnými Ri a RM . Přijetí H0 znamená opak. (Zameškal, 2004) 3.2.2

Metodika korelační analýzy

Korelační analýzou budeme prověřovat existenci závislosti (vztahu, korelace) mezi zvolenými veličinami a jejich vzájemnou těsnost (míru intenizity). Koeficient korelace je podle (Dougherty, 2007) tradičně označován řeckým písmenem ρ, které je ekvivalentní r (výběrovému koeficientu). Pro proměnné x a y je definován jako: ρXY , ρXY = q ρ2X ρ2Y nebo–li

covXY ρ= q , ρ2X ρ2Y

kde kovariace je podle (Synek, 2012). n P

covxy =

(xi − xˆ)(yi − yˆ)

i=1

n Pro korelační koeficient se interval pohybuje v rozmezí od 1 do -1. Test nezávislosti Pro test významnosti hodnoty korelačního koeficientu musíme zformulovat následující hypotézy (Synek, 2012): • nulová hypotéza, H0 : ρ = 0 (neexistuje závislost), • alternativní hypotéza HA : ρ 6= 0 ( existuje významná závislost). Test je prováděn pomocí výběrového koeficientu korelace ρ nebo–li r-, přičemž pokud je kritická hodnota korelačního keoficientu rk : |r| > rk . . . zamítáme H0 o nezávislosti a předpokládáme závislost mezi x a y. |r| ≤ rk . . . nemůžeme zamítnout H0 a předpokládáme nezávislost mezi x a y.

39

4

4

VLASTNÍ PRÁCE

Vlastní práce

Vlastní práce popisuje analýzu získaných dat. Pro přehlednost je vlastní práce rozdělena do tří částí (analýza pojistného trhu České republiky, statistika počtu pojistných podvodů a korelační a regresní analýza). Pro znázornění dané situace a snažší orientaci jsou jednotlivé části doplněny o tabulky a grafy.

4.1

Vizuální analýza

Současný stav a vývojové tendence základních ukazatelů na českém pojistném trhu vyplývá z následující vizuální analýzy. Během sledovaného období nám nabídne určitou představu o jeho samotném vývoji a postavení, které následně můžeme porovnat s vývojem pojistných podvodů. Struktura trhu podle zaměření pojišťoven Jak můžeme pozorovat v tabulce č. 1 je celková struktura pojišťoven na českém pojistném trhu složena jak z tuzemských pojišťoven (bez ČKP), tak i z poboček pojišťoven EU a třetích států. K 31. 12. 2000 působilo na pojistném trhu 41 pojišťoven. Během sledovaného období vzrostl jejich počet na 52, tj. o 11 pojišťoven. Vyšší nárůst pojišťoven přišel v roce 2005, kdy přibylo 5 nových pojišťoven. V letech 2007–2010 docházelo pouze k určitým změnám ve struktuře a vývoji počtu pojišťoven byl poměrně stabilní. Pro přehlednost je tento vývoj počtu pojišťoven uveden na obrázku č. 9 v příloze. Tabulka č. 1: Struktura trhu podle zaměření pojišťoven. Sledované období Struktura trhu Tuzemské pojišťovny celkem (bez ČKP) neživotní pojištění životní pojištění se smíšenou činností Pobočky pojišťoven z EU neživotní pojištění životní pojištění se smíšenou činností Počet pojišťoven celkem neživotní pojištění životní pojištění se smíšenou činností

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

35

35

35

34

33

33

33

34

35

35

35

x x x

x x x

x x x

16 2 16

15 2 16

15 3 15

15 3 15

16 3 15

17 3 15

17 3 15

17 3 15

6

8

7

8

7

12

16

18

18

17

17

x x x

x x x

x x x

7 1 0

6 1 0

8 2 2

11 3 2

13 3 2

12 4 2

12 4 1

13 4 0

41

43

42

42

40

45

49

52

53

52

52

20 3 18

23 3 17

22 3 17

23 3 16

21 3 16

23 5 17

26 6 17

29 6 17

29 7 17

29 7 16

30 7 15

(Zdroj: Vlastní práce na základě zpráv o výkonu a dohledu ČNB.)

40

4.1

Vizuální analýza

Podle zaměření působí na pojistném trhu 7 pojišťoven specializovaných na nabídku životních pojištění, 30 pojišťoven specializovaných na nabídku pouze neživotních pojištění a 15 pojišťoven je univerzálních, tj. nabízí pojistné produkty v odvětví životních pojištění i v odvětví neživotních pojištění, aj. Kromě tuzemských pojišťoven na českém pojistném trhu působí i jednotlivé pobočky pojišťoven z EU a třetích států (tj. mimo EU/EHP), které na území České republiky podnikají prostřednictvím svých poboček. Během pětiletého období docházelo ke změnám v počtu a jednotlivých názvů poboček zahraničních pojišťoven. Ke konci roku 2010 bylo evidováno 17 poboček pojišťoven z EU a v důsledku přesunu pobočky švýcarské pojišťovny do Francie nejsou v ČR evidovány žádné pobočky pojišťoven ze zemí mimo EU. Nejvíce jsou na českém trhu zastoupeny pobočky pojišťoven z Rakouska (5). Následují pojišťovny z Velké Británie, Německa mající shodně po třech pobočkách. Podle zaměření pojišťovací činnosti převládají mezi pobočkami zahraničních subjektů pobočky zaměřené na oblast neživotního pojištění (13 ze 17 poboček) a čtyři se zaměřují na oblast životního pojištění. Uvedené počty v tabulce č. 1. jsou bez pojišťoven z EU a EHP, které působí v České republice na základě ekonomické svobody dočasně poskytovat své služby, aniž by založili pobočku. Ke konci roku 2010 působilo takových pojišťoven a poboček 658, a to většinou na trhu neživotního pojištění. Obdobně provozovalo takto činnost v zahraničí celkem 21 tuzemských pojišťovacích subjektů. Vývoj počtu zaměstnanců v pojišťovnictví Na obr. č. 1 si je patrné, že vývojové tendence v počtech pojišťoven a zaměstnanců jsou zcela opačná. Ve sledovaném období 2001–2010 se snížil počet zaměstnanců z 15295 o téměř 1500 na 13806. Tento stav může být dán zejména rostoucím zájmem o informační technologie a rostoucím počtem pojišťovacích zprostředkovatelů a likvidátorů pojistných událostí.

Obrázek 1: Vývoj počtu zaměstnanců a zprostředkovatelů pojištění. (Zdroj: Vlastní práce na základě výročních zpráv České asociace pojišťoven.)

41

4.1

Vizuální analýza

Vývoj předepsaného pojistného dle odvětví pojištění Během celého sledovaného období můžeme pozorovat na obrázku č. 2 rostoucí trend předepsaného pojistného, které vzrostlo z 71 mld. Kč v roce 2000 na 156 mld. Kč v roce 2010, což znamená více jak 90 % nárůst. Tzv. motorem růstu celkového pojistného bylo mezi lety 2006–2010 odvětví životního pojištění, které mělo dynamičtější růst než odvětví neživotního pojištění. Jak můžeme pozorovat na obrázku č. 12 v příloze, od roku 2007 docházelo k postupnému snižování tempa růstu celkového předepsaného pojistného, a to z 9 % až na necelé 3 % v roce 2009. Po snižování tempa růstu v letech 2007–2008 došlo v roce 2010 k 8,3 % meziročnímu růstu, a tím i k přiblížení růstové úrovně 9,1 % dosažené v roce 2007. Jak již bylo řečeno, hlavní podíl k dosažení této úrovně mělo odvětví životního pojištění. To v roce 2010 dosahovalo nejvyššího 20 % tempa růstu od roku 2003 a tím tak vyrovnalo téměř nulový růst (0,3 %) v neživotním pojištění. I když se životní pojištění v posledních letech podílelo významným způsobem na celkovém objemu předepsaného pojistného, tak si nelze povšimnout skutečnosti, že na českém pojistném trhu má stále převahu neživotní pojištění nad životním. Podíly životního a neživotního pojištění na HDP v České republice, Velké Británii a zemích EU jsou pro přehlednost uvedeny v příloze na obr. č 10. Můžeme na něm

Obrázek 2: Vývoj pojistného plnění. (Zdroj: Vlastní práce na základě zpráv o výkonu a dohledu ČNB.)

pozorovat, že Češi jsou zaměřeni spíše materiálně na rozdíl od zemí západní Evropy, kde je tomu přesně naopak (viz UK), kde životní pojištění dosahuje v průmru téměř 60 % podílu na celkovém pojištění. Tato skutečnost je dáná tím, že v zemích EU má životní pojištění svou tradici a lidé si váží svého života více než v naší republice, kde lidé mají nesmyslně zafixované, že se o ně někdo vždy postará.

42

4.1

Vizuální analýza

Avšak z grafu si můžeme také povšimnout, že v České republice je v posledních letech velice pozvolný nárůst objemu předepsaného pojistného v oblasti životního pojištění. A zatímco v zahraničí okolnosti kolem ekonomické krize způsobily pokles oblasti životního pojištění, tak v České republice můžeme naopak sledovat jeho nárůst.

Obrázek 3: Vývoj pojistného plnění na HDP. (Zdroj: Vlastní práce na základě zpráv o výkonu a dohledu ČNB.)

Mezi další významné ukazatele pojistného trhu můžeme zařadit podíl předepsaného pojistného na HDP, který je vyobrazen na obrázku č. 3. Celková propojištěnost, tedy podíl hrubého předepsaného pojistného na HDP v běžných cenách, má v celém sledovaném období rostoucí tendenci, a to i přesto, že českou ekonomiku zasáhla recese. Největší nárůst propojištěnosti nastal mezi lety 2009 a 2010, o 0,3 procentního bodu, kdy i přes nižší hodnotu HDP v běžných cenách byl zaznamenán meziroční nárůst předepsaného pojistného o 12 mld. Kč. Podle dohledových zpráv ČNB je však celková propojištěnost českého trhu nižší než v zemích EU. Z obrázku č. 3 vyplývá, že na celkové propojištěnosti se stále více podílí odvětví životního pojištění, které mezi lety 2009 a 2010 zaznamenalo růst o 0,3 procentního bodu. Zatímco odvětví neživotního pojištění se pohybuje mezi 2,2 až 2,3 %. Náklady na pojistná plnění Nedílnou součástí celkových nákladů na pojistná plnění jsou náklady, které jsou spojené s neoprávněným vyplacením z důvodu páchání pojistných podvodů. Převážně jsou tvořeny náklady na pojistná plnění v oblasti neživotního pojištění. Náklady v odvětví neživotního pojištění jsou v České republice nejvíce ovlivněny živelními pohromami, jako byly povodně v letech 2006, 2009 a 2010. Náklady v odvětví životního pojištění v letech 2007 a 2008 byly ovlivněny doběhem krátkodobých jednorázově placených smluv se spořící složkou, které klienti uzavírali na začátku tohoto tisíciletí. Následující tabulka č. 2 ukazuje, že nejvyšší meziroční nárůst nákladů na pojistná plnění byl mezi lety 2007 a 2008, který byl způsoben především vyplácením pojistných plnění v odvětví životního pojištění (doběh krátkodobých jednorázově placených smluv se spořící složkou).

43

4.2

Podvodné jednání v pojištění

Výše uvedenou skutečnost, největší meziroční nárůst nákladů mezi lety 2007 a 2008 v důsledku zvýšení výplat pojistných plnění zaznamenává také obrázek č. 11 v příloze. V roce 2009 náklady na pojistná plnění v neživotním pojištění stouply o téměř 9 % oproti předchozímu roku. Největší podíl na škodách měly v tomto roce povodně. V roce 2010 náklady na pojistná plnění opět stouply oproti předchozímu roku, a to o 8,1 %. V tomto roce se ze živelních pohrom nejvíce podílely povodně nejprve na Moravě a pak Čechách, dále také krupobití. Tabulka č. 2: Struktura nákladů na pojistná plnění v letech 2000–2010. Sledované období Struktura nákladu na pojistná plnění

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

na životní pojištění

x

x

12,4

15,4

23,4

19,7

18,8

25,2

30,5

33,4

36,6

na neživotní pojištění

x

x

47,7

44,7

35,4

34,4

37,9

36,3

38,7

42,4

46,1

34,2

39,2

60,1

60,1

58,8

54,1

56,7

61,5

69,2

75,8

82,7

(v mld. Kč)

celkem

(Zdroj: Vlastní práce na na základě výročních zpráv pojišťoven a ČNB.)

4.2


Na českém pojistném trhu neexistuje žádná metodika na vyčíslení přesného objemu pojistných podvodů. Je tedy velmi důležité, jak se na problematiku pojistného podvodu nahlíží. V České republice existuje rozdílný pohled na pojistný podvod. Jedním z pohledů je hledisko samostatných pojišťoven (ČAP), které na pojistný podvod nahlížejí z čistě technického hlediska. Dalším pohledem je přístup orgánů činných v trestním řízení (Policie ČR), kteří řeší pojistný podvod jako trestný čin. Konečné statistiky v rámci páchání pojistného podvodu jsou u těchto dvou institucí diametrálně odlišné. Tabulka č. 3: Statistika pojistných podvodů v České republice podle ČAP. Počet šetřených případů Obor pojištění

2005

2006

2007

2008

2009

2010

2011

2341

3947

3359

3510

3110

3211

4728

4

14

15

11

28

21

17

Pojištění majetku a odpovědnosti

506

559

654

595

817

967

891

Pojištění osob

480

253

520

690

523

943

1046

3331

4773

4548

4806

4478

5142

6682

Pojištění vozidel Pojištění přepravy

Celkem

(Zdroj: Vlastní práce na základě tiskových zpráv České asociace pojišťoven.)

Pojistné podvody páchané v České republice v letech 2005–2011 jsou uvedeny v tabulkách č. 3 a 4. Tyto statistiky poukazují na počet šetřených případů a jed-

44

4.2


notlivé výše uchráněných hodnot18 , které se podařilo odhalit členským pojišťovnám v ČAP. Všeobecně jsou pojistné podvody páchany více v oblasti neživotního pojištění a významným způsobem se podílejí i na celkovém objemu šetřených pojistných podvodů. Díky tomuto způsobu a vykazování pojistných podvodů členy České asociace pojišťoven jsou pojistné podvody děleny do základních 4 skupin: pojištění vozidel, pojištění přepravy, pojištění majetku a odpovědnosti a pojištění osob. Tabulka č. 4: Uchráněné hodnoty pojišťoven podle ČAP. Výše uchráněných hodnot v tis. Kč Obor pojištění Poj. vozidel

2005

2006

2007

2008

2009

2010

2011

267060

249049

269593

347484

358585

302904

329730

Poj. přepravy

27092

29815

4955

1875

3803

6353

1317

Poj. majetku a odp.

205744

183944

216617

168375

237868

268517

425569

Poj. osob

46094

29918

32803

32919

30672

47213

82461

Celkem

545990

492726

523968

550653

630928

624987

839077


Během sledovaného období je každým rokem (kromě roku 2007 a 2009) pácháno, resp. vyšetřováno čím dál tím více podvodného jednání. Během sedmiletého vývoje se jejich počet více jak zdvojnásobil, tj. z 3331 podvodů v roce 2005 na 6682 podvodů v roce 2011. Uchráněná hodnota pojišťoven se za rok 2011 pomalu přibližila k magické hranici 1 mld. Kč. V průměru se pohybuje přes 600 mil. Kč. Na první pohled si můžeme povšimnout, že nejvíce pojistných podvodů, resp. objemu uchráněné hodnoty (viz. tab. č. 4) je v oblasti pojištění motorových vozidel. Naopak nejméně pojistných podvodů je pácháno v pojištění přepravy. Avšak při porovnání jednotlivých skupin pojištění navzájem, např. pojištění motorových vozidel vs. pojištění majetku a odpovědnosti, můžeme pozorovat, že počet šetřených případů je v těchto dvou skupinách odlišný, ale při pohledu na jejich uchráněné hodnoty můžeme pozorovat relativně stejný objem. Z této skutečnosti vyplývá, že nesmíme neopomenout velikost dopadu jednotlivých případů na výši uchráněných hodnot pojišťovnou (tabulka č. 27 v příloze). Pro pojišťovny není ani tak důležitý absolutní počet páchaných podvodů, ale to, jaký mají tyto podvody dopad na výši uchráněné hodnoty. Tabulka č. 5 nám udává výši uchráněné hodnoty na jednotlivé případy pojistných podvodů. Jak můžeme pozorovat, tak objem uchráněné hodnoty na případ už nekoresponduje s nejvyšším počtem páchaných podvodů u pojištění motorových vozidel. Naopak největší pojistné podvody jsou páchány v oblasti pojištění majetku a odpovědnosti. S největšími pojistnými podvody v oblasti pojištění majetku a odpovědnosti koresponduje i nárůst nákladů na pojistná plnění v důsledku s množícími se živelními pohromami. 18

Pojem uchráněná, nebo–li prokázaná hodnota je používaná v rámci ČAP. Udává objem finančních prostředků, které ušetřily pojišťovny díky včasnému odhalení pojistného podvodu.

45

4.2


Tabulka č. 5: Statistika pojistných podvodů v České republice podle ČAP. Velikost uchráněné hodnoty na případ v tis. Kč. Obor pojištění

2005

2006

2007

2008

2009

2010

2011

Pojištění vozidel

114

63

80

99

115

94

70

Pojištění přepravy

6773

2130

330

170

136

303

77

Pojištění majetku a odpovědnosti

407

329

331

283

291

278

478

Pojištění osob Celkem

96

118

63

48

59

50

79

164

103

115

115

141

122

126


V letech 2009–2011 se zvýšil počet těchto případů, kde se nepoctiví klienti pojišťoven snaží navyšovat škody na majetku. Nezanedbatelnou položkou pro pojišťovny není ani oblast pojištění přepravy, kde je sice odhaleno nejméně podvodů, ale na druhou stranu se jedná o velmi vysoké částky. Závažnost této skupiny podvodů se rok od roku snižuje v návaznosti na zlepšující se organizaci při mezinárodní spolupráci a předávaní informací. Z následujícího obrázku č. 4 je na první pohled patrné, jak se od sebe liší počty šetřených pojistných podvodů v rámci ČAP a Policie ČR. Je tedy nutnost chápat rozdíl v nahlížení na pojistný podvod v rámci těchto dvou institucí.

Obrázek 4: Vývoj počtu pojistných podvodů. (Zdroj: Vlastní práce na základě tiskových zpráv ČAP.)

Rozdílné počty v šetření pojistného podvodu prozrazuje i tabulka č. 6. Můžeme pozorovat, že podle statistik Policie ČR odhalila v roce 2005 téměr 500 podvodů naplňující podstatu trestného činu pojistného podvodu a přitom zabránila škodě přes 86 mil. Kč. Naproti tomu ČAP v ten samý rok odhalila přes 3000 pojistných podvodů a při odmítnutí či krácení pojistného plnění uchránila přes 545 mil. Kč. Počet zjištěných skutků pojistného podvodu od policie ČR je několikanásobně nižší z několika důvodů. Aby Policie ČR mohla vyšetřovat pojistný podvod jako 46

4.2


trestný čin, tak by musel podvodník způsobit škodu přesahující alespoň 5000 Kč (nikoliv nepatrnou škodu). Dalším důvodem mohou být nedostatečné důkazy. Pojišťovnám k odmítnutí či krácení pojistného plnění stačí takové důkazy, které by k pravomocnému rozsudku za trestný čin podvodu nestačily. Pojišťovny dále mohou využívat zákonné možnosti výměny informací o protiprávním jednání a profitovat z implementací moderních technologií pro detekci pojistných podvodů. Tím se jim daří odhalovat celou řadu podvodů, na které by se jim bez této moderní technologie nepodařilo přijít. Této skutečnosti napovídá i statistika podle ČAP, ve které se rok od roku daří pojišťovnám odhalovat čím dál tím více pojistných podvodů. Např. v roce 2011 se pojišťovnám podařilo vyšetřit rekordní počet pojistných podvodů (6682) a tím tak uchránit více jak 800 mil. Kč před neoprávněným vyplácením. Tabulka č. 6: Statistika pojistných podvodů v České republice v tis. Kč. Česká asociace pojišťoven Počet podvodů

Uchráněná hodnota

(PP)

(UH)

2005

3331

545990

164

2006

4773

492726

2007

4548

2008

Policie České republiky Vyšetrováno osob

Škody (Š)

Š/PP

489

589

86205

176

103

496

580

93335

188

523968

115

582

502

74502

128

4806

550653

115

408

468

92409

226

2009

4478

630928

141

429

420

136614

318

2010

5142

624987

122

354

456

102858

291

2011

6682

839077

126

378

421

177270

469

Rok

UH/PP

Počet podvodů (PP)

(Zdroj: Vlastní práce na základě tiskových zpráv České asociace pojišťoven a Policie ČR.)

Na základě výše uvedeného, je pro pojišťovny velice důležitý zákon o pojistné smlouvě, který umožňuje pojišťovnám zamítnout či krátit pojistné plnění a nemusí se rozhodovat až na základě rozhodnutí orgánů v trestním řízení. Tím, že mohou využívat svého práva, tak každoročně ušetří stovky milionu krorun při neoprávněném vyplácení pojistného plnění.

47

4.3

4.3

Regresní analýza

Regresní analýza

Jak je uvedeno v metodické části, regresní analýza je tvořena ze dvou celků. Těmi jsou jednorozměrný a vícerozměrný regresní model. 4.3.1

Jednorozměrný regresní model

V tomto regresním modelu bude zkoumán vliv průměrné nominální hrubé mzdy (NM) na objem pojistných podvodů (OPP) v období od roku 2000 až do roku 2011. V návaznosti na ekonomickou teorii budeme analyzovat následující funkční vztah: OP P = f (N M ) V souvislosti s pojistnými podvody byla ze všech proměnných vybrána jako nejprůkaznější a nejzajímavější proměnná nominální mzda. Protože jedním z důvodů páchání pojistných podvodů je „snadnýÿ způsob získání určitého obnosu finančních prostředků a proto můžeme předpokládat, že s poklesem nominální mzdy bude růst objem pojistných podvodů. Budeme tedy předpokládat negativní vliv nominální mzdy na objem pojistných podvodů. Neboť můžeme uvažovat, že čím více obyvatel bude mít nižší mzdu, tak se mohou dopouštět většího počtu pojistných podvodů a naopak. Můžeme tedy očekávat následující funkční vztah: OP P = f (N¯M ). Pro volbu vhodného klasického regresního modelu a jeho následné aplikaci metody nejmenších čtverců nebo–li OLS metody, bylo využito bodového diagramu, který je vyobrazen na obrázku č. 5.

Obrázek 5: Vývoj OPP s NM na základě bodového diagramu. (Zdroj: Vlastní práce na základě programu Excel.)

Z uvedeného diagramu je patrné, že můžeme uvažovat jak o přímce, parabole (kvadratické funkční formě), tak i hyperbole (inverzní funkční formě). Veškeré vybrané funkční formy jsou vymodelovány na následujícím obrázku č. 6. 48

4.3

Regresní analýza

Obrázek 6: Vývoj počtu pojistných podvodů s nominální mzdou. (Zdroj: Vlastní práce na základě programu Gretl.)

49

4.3

Regresní analýza

Za pomocí metody nejmenších čtverců byly vypočteny odhady parametrů jednotlivých funkčních forem. Následně byly vypočteny i odhady standardních chyb −

jednotlivých parametrů, nezkreslený koeficient determinace (R2 ), Durbin–Watson statistika (DW) a současně t-test významnosti a F-test vhodnosti modelu. Lineární funkční forma – přímka: Yî = 202 − 0, 00415xi Tabulka č. 7: Model 1. podle metody nejmenších čtverců. Lineární funkční forma OLS model Konstanta Nominální mzda (NM)

koeficient

směr. odchylka

t–podíl

p–hodnota

202.238

27,3520

7,394

3,04e−09 ∗ ∗ ∗

-0.00414635

0.00138259

-2.999

0.0044 ∗ ∗ ∗

(Zdroj: Vlastní práce na základě programu Gretl.) −

n = 46

R2 = 0, 150846

F = 8, 993911

DW = 1, 098301

Kvadratická funkční forma – parabola: Yî = −207 + 0, 0395xi − 1, 12e−06 x2i Tabulka č. 8: Model 2. podle metody nejmenších čtverců. Kvadratická funkční forma OLS model Konstanta Nominální mzda (NM) sq nominální mzda

koeficient

směr. odchylka

t–podíl

-206.914

141.378

-1.464

0.1506

0.0395471

0.0149098

2.652

0.0111 ∗ ∗

-2.941

0.0052 ∗ ∗ ∗

-1.12493e

−06

3.82460e

−07

p–hodnota


n = 46

R2 = 0, 276634

F = 9, 604567

DW = 1, 406765

Inverzní funkční forma – inverzní: Yî = 59, 5 + 1, 16e+06 1

x

Tabulka č. 9: Model 3. podle metody nejmenších čtverců. Inverzní funkční forma OLS model Konstanta i nominální mzda (NM)

koeficient

směr. odchylka

t–podíl

59.5350

26.9824

2.206

0.0326 ∗ ∗

495627

2.346

0.0235 ∗ ∗

1.16278e

+06

p–hodnota


n = 46

R2 = 0, 090984

F = 5, 504092

DW = 1, 054281 50

4.3

Regresní analýza

Na základě výše analyzovaných funkčních forem (tab. 7–9) a jejich vypočtených parametrů můžeme konstatovat, že se parabola jeví jako nejvhodnější klasický regresní model. Nezkreslený index determinace dosahuje nejvyšší hodnoty právě u kvadratické funkční formy (0,2766), a proto je vhodný pro další analýzu dat. Ze statistického hlediska můžeme (na základě P-hodnoty) říci, že všechny proměnné jsou statisticky významné na 5 % hladině významnosti. Tabulka č. 10 nám poukazuje na výsledky RESET testu nebo–li Testu specifikace modelu, kde byla stanovena nulová hypotéza H0 : model je správně specifikován. Tabulka č. 10: Test specifikace modelu – RESET test. Test specifikace modelu – RESET test Model

Testová statistika F

p–hodnota

Lineární

5,484355

0,00765

Kvadratický

0,794897

0,458

Inverzní

7,392398

0,00178

(Zdroj: Vlastní práce na základě programu Gretl.)

Z výsledků můžeme pozorovat, že jak při 5 %, tak i při 1 % hladině významnosti byla nulová hypotézá o správné specifikaci modelu u lineární a inverzní funkční formě zamítnuta. Naopak u kvadratické funkční formy nebyla zamítnuta a jako jediná byla přijata, tzn. že kvadratický model je správně specifikován. Došlo k potvrzení předešlému tvrzení na základě adjustovaného koeficientu determinace. Můžeme tedy říci, že klesající nebo rostoucí průběh u lineárního či inverzního modelu není idelální na rozdíl od kvadratického modelu, kde dochází ke zlomu funkce. Pro ucelenost byly sledované funkční formy rovněž porovnány na základě vývoje reziduí — obr. č. 13 uvedený v příloze. Trend ve vývoji reziduí můžeme pozorovat u lineární a inverzní funkční formy. Tento trend potvrzují i nižší hodnoty Durbin– Watson statistiky (1,1), kde poukazují na existenci pozitivní korelace mezi rezidui. Vyšší hodnota DW statistiky u kvadratické funkční formy autokorelaci prvního řádu signalizuje méně a tedy i trend reziduí zde neni tak patrný. Následující tabulka č. 11 srovnává jednotlivé funkční formy na základě provedeného testu linearity, kde byla stanovena nulová hypotéza H0 : proměnné jsou lineární. Z provedeného testu linearity je rovněž patrné, že u kvadratického modelu jako jediného nebyla nulová hypotéza zamítnuta na 1 % hladině významnosti. Pro zbývající dvě funkční formy (lineární a inverzní model) byla nulová hypotéza zamítnuta s p–hodnotou menší jak 0,01.

51

4.3

Regresní analýza

Tabulka č. 11: Test linearity. Test linearity založený na čtvercích hodnot Model

Testová statistika LM

p–hodnota

Lineární

7,7047

0,00550771

Kvadratický

2,15629

0,141987

Inverzní

11,9674

0,000541391


Následující tabulka ANOVA č. 12 zobrazuje analýzu rozptylu provedenou pouze na kvadratické funkční formě, která se na základě výše zjištěných výsledků jevila jako nejvhodnější forma pro další analýzu. Pro provedený rozklad čtverců na regresní, reziduální a celkový byla stanovena nulová hypotéza H0 : model je neprůkazný. Tabulka č. 12: ANOVA. Analýza rozptylu −

M odel Kvadratický

ESS

RSS

T SS

R2

R2

R

19342,4

43298,3

62640,7

0,308783

0,276634

0,555682


Celkovým F-testem průkaznosti modelu a testové statistiky F=9,6046 s p– hodnotou 0,0004 byla nulová hypotéza o neprůkaznosti regresního modelu zamítnuta a model lze považovat za statisticky významný, tzn. je správný. Intervaly spolehlivosti pro regrení parametry modelu regresní přímky pro n=46, τ0,975 (43) = 2, 017 a τ0,995 (43) = 2, 695 jsou uvedeny v následující tabulce č. 13. Tabulka č. 13: Intervaly spolehlivosti parametrů kvadratického modelu. Intervaly spolehlivosti parametrů Parametr

SE

1 - α=0,95

1 - α=0,95

1 - α=0,99

1 - α=0,99

Dolní

Horní

Dolní

Horní

b0 = −206, 914

141,378

-492,030

78,296

-587,942

174,114

b1 = 0, 0395471

0,0149098

0,00947851

0,0696156

-0,00063475

0,0797306

b2 =-1,1249e

−06

3,8240e

−07

−06

-1,89623e

-3,53626e

−07

-2,15570e

−06

-9,41613e−08


Popis intervalů spolehlivosti u kvadratické funkce je složitější než u lineární funkce, protože jednotlivé prarametry máme v kombinaci. Pro znázornění budeme uvažovat jen tu část, která je ovlivněna lineárně (b1 ). Potom nám intervaly spolehlivosti říkají, že s každým navýšením nominální mzdy o jednotku se počet pojistných podvodů nezvýší pouze o 0,04, ale o dolní či horní interval buď při 95 % nebo 99 %. 52

4.3

Regresní analýza

Stejná interpretace je u parametru (b2 ), kde jsou pouze velmi malé hodnoty, které jsou způsobené relativně velkou hodnotou nominální mzdy. Intervaly spolehlivosti nám tedy říkají, kde můžeme očekávat jednotlivé parametry. V tabulce č. 14 jsou uvedeny hodnoty tří testů heteroskedasticity: Whiteův, Breusch–Paganův a Koeckerův, pro které byla stanovena hypotéza H0 : Homoskedasticita chybového členu, nebo–li heteroskedasticita není přítomna. Tabulka č. 14: Test heteroskedasticity. Heteroskedasticita Test


p–hodnota

White

4,908917

0,296772

Breuch–Pagan

4,877770

0,087258

Koenker

4,667744

0,096920


Z výsledků provedených testů můžeme konstatovat, že hypotézu o homoskedasticitě chybového členu u všech tří testů nezamítáme. Breuch–Pagan a Koenker test nezamítáme na 5 % hladině významnosti a Whitův test dokonce nezamítáme ani téměř na 30 % hladině významnosti. Nezamítnutím hypotézy jsme dokázali, že v modelu není přítomna hetoroskedasticita, tzn. že chybový člen v modelu má konstantní rozptyl (konstantní rozptyl reziduí) a u dosavadních výsledků nedošlo k žádnému porušení předpokladů. Přítomnost autokorelace reziduí byla testována v tabulce č. 15 za pomocí nejpoužívanější tzv. Durbin–Watson statistiky, která detekuje autokorelaci prvního řádu a Ljung–Box statistiky, která testuje autokorelaci vyšších řádu. Tabulka č. 15: Testy autokorelace chybového členu. Autokorelace Test

Testová statistika

p–hodnota

Durbin–Watson

1,406765

0,00947279

Ljung–Box

12,9404

0,0736


V našem případě je u autokorelace vyššího řádu testována sed√ √ autokorelace . mého řádu, neboť jsme zaokrouhlili na celý řád nahoru, tj. n = 46 = 7. Pro jednotlivé testy byla stanovena nulová hypotéza H0 : autokorelace chybového členu není přítomna. Výsledky testů autokorelace chybového členů nám potvrdili, že se nám nepodařilo úplně stoprocentně vyrovnat autokorelaci 1. řádu, kde jsme nulovou hypotézu zamítli. Naopak autokorelace není přítomna u vyšších řádů, kde se nám autokorelace vyrovnat podařila. Tzn., že u kvadratické funkční formy není přítomna

53

4.3

Regresní analýza

sezónost, ale vyskytuje se zde kousek nějakého trendu, tedy posun o hodnotu. Tento trend se pokusíme vyrovnat v následujícím vícerozměřném modelu.

Obrázek 7: Korelogram reziduí pro kvadratickou funkční formu. (Zdroj: Vlastní práce na základě programu Gretl.)

K prošetření autokorelace bylo využito i dalšího užitečného nástroje, a to tzv. korelogramu. Na základě korelogremu byli vykresleny vzájemné korelace mezi rezidui až do 12. řádu. Na obrázku č. 7 můžeme pozorovat spočítané hodnoty autokorelace (ACF), tak i parciální autokorelace (PACF), které jsou zobrazeny červeně. Modrými linkami jsou potom vymezeny intervaly spolehlivosti, jejichž překročení signalizuje zamítnutí hypotézy o nulovosti příslušného koeficientu. Hodnoty získané z korelogramu nám potvrdily výsledek Durbin-Watsonova testu, navíc signalizují i výskyt autokorelace druhého řádu u parciální derivace. Pro test normality chybového členu bylo využito pouze dvou testů. Universálního Chí–kvadrát testu a Jarque–Bera testu, který je vhodný právě pro časové řady. Jelikož jsme při testování využívali soubor o velikosti 46 hodnot, tak jsme z nabízených testů museli vyloučit Shapiro–Wilk test, který je vhodný pro malé soubory okolo 10 hodnot. Ve všech uvedených případech byla nulovou hypotézou hypotéza H0 : normalita chybového členu.

54

4.3

Regresní analýza

Tabulka č. 16: Test normality chybového členu. Test normality Test

Testová statistika

p–hodnota

Chí–kvadrát

5,509

0,06363

Jarque–Bera

4,48004

0,106456


Z výsledků testů normality, které jsou uvedeny v tabulce č. 16, můžeme pozorovat, že na 5 % hladině významnosti dochází jak u testu Jarque–Bara, tak i u Chí– kvadrát testu k zamítnutí nulové hypotézy. Můžeme tedy usuzovat, že normalita chybového členu je tedy porušena, ale nikterak významným způsobem. Na základě analyzovaných funkčních forem byl vybrán kvadratický regresní model jako nejvhodnější forma. U vybrané funkční formy dochází v průběhu funkce ke zlomu. Nejprve je objem pojistných podvodů rostoucí s nominální mzdou a od určité úrovně mzdy dochází k poklesu pojistných podvodů, avšak nikdy nedojde k tomu, aby byl počet pojistných podvodů nulový. Kvadratická funkce poukazuje na to, že určitá skupina obyvatelstva s nízkou nominální mzdou na pojistný podvod ani nepřijde. Jinými slovy k pojistnému podvodu ani dojít nemůže, neboť tato skupina lidí preferuje jiné priority a nesjednávají si pojistné smlouvy u pojišťovacích institucí. Bod zlomu, je okamžik, kdy se počet pojistných podvodů s rostoucí mzdou začne snižovat. Důvodem může byt to, že se vlastníkům pojištění podvodná jednání uskutečnovat již nevyplatí. Pojistné podvody s růstem nominální mzdy avšak nikdy nebudou klesat do nuly. Existuje daná skupina obyvatel, která v páchání pojistných podvodů bude vždy vidět jistou příležitost, jak přijít ke snadnému zdroji finančních prostředků. Disponují určitou mentalitou a radějí podstoupí riziko spáchání pojistného podvodu a být za něj (v případě usvědčení) odsouzen až na 10 let, než aby se pojistným podvodům vyhýbali. Pojistné podvody byly a vždy budou, a také proto nikdy nebudou nulové. V určité fázi se pojistné podvody stabilizují a budou s růstem nominální mzdy ve stabilní míře. Z tohoto důvodů nemůžeme potvrdit pouze negativní vliv na objem pojistných podvodů, který byl na základě ekonomické teorie předem stanovený. Na základě výše provedené analýzy byla prokázána autokorelace 1. řádu a tím zjištěný určitý trend, který zkusíme popsat v následující vícerozměrné analýze. Rovněž z ekonomického hlediska nelze uvedený jednorozměrný model považovat za zcela úplný. Nemůžeme uvažovat o tom, že by byl objem pojistného podvodu ovlivňován pouze nominální mzdou. Následující část práce se proto bude zabývat vícerozměrnou regresní analýzou, ve které bude zkoumaný vztah doplněn o další proměné (inflaci, nezaměstnanost, HDP, aj.), jež mohou zásadním způsobem ovlivňovat objem pojistných podvodů.

55

4.3

4.3.2

Regresní analýza

Vícerozměrný regresní model

V této části se zaměříme na tvorbu a analýzu vícerozměrného modelu, který rozšiřuje předchozí jednorozměrný. Pro úplnost bude v tomto modelu zkoumán vliv vybraných proměnných na objem pojistných podvodů ve stejném sledovaném období. Vysvětlovanou proměnou tedy bude objem pojistných podvodů a mezi vysvětlující proměnné budou zařazeny následující kombinace parametrů, které jsou vyjadřené ve čtvrtletích: • • • •

hrubý domácí produkt (HDP), míra inflace (I), míra registrované nezaměstnanosti (N), nominální průměrná hrubá mzda (NM). Pro vícerozměrný regresní model budeme analyzovat následující funkční vztah:

OP P = f (HDP ; I; N ; N M ). Do vícerozměrného regresního modelu byly vybrány výše uvedené proměnné, na základě kterých bylo předpokládáno, že budou mít vliv na objem pojistných podvodů. Předpokládáme, že s rostoucím HDP bude páchání pojistných podvodů klesající, tj. předpoklad negativního vliu HDP na OPP. Naopak pozitivní vliv na objem pojistných podvodů by měla mít míra registrované nezaměstnanosti, tj. že čím více obyvatel příjde o své zaměstnání, tím více se mohou dopouštět pojistných podvodů a naopak. V případě míry inflace, nebo–li růstu cenové hladiny můžeme předpokládat spíše pozitivní vliv na zvyšující se objem pojistných podvodů, a to v rámci všeobecného zdražovaní cen a tedy i snížení jejich dostupnosti. A v neposlední řadě budeme předpokládat negativní vliv na objem pojistných podvodů v závislosti na zvyšující se průměrnou nominální hrubou mzdu. Čím více budou lidé odměňováni za svoji práci přijatelnější mzdou, tím se sklony k páchání pojistných podvodů sníží a tedy se sníží i objem zjištěných pojistných podvodů. Upravený funkční vztah můžeme zapsat následovně: −

+− +

−

OP P = f (HDP ; I ; N ; N M ). Kromě odhadu parametrů regresního modelu bude taktéž testována významnost jednotlivých parametrů modelu a celková vhodnost modelu. A jelikož budeme analyzovat hodnoty vyvýjející se v čase, bude uvažována i možnost přidání do modelu časové proměnné.

56

4.3

Regresní analýza

V tabulce č. 17 jsou zobrazené odhady parametrů, a to včetně odhadů standardních chyb a t-statistik pro vícerozměrný regresní model. Tabulka č. 17: Model 1. podle metody nejmenších čtverců. Inverzní funkční forma OLS model

koeficient

směr. odchylka

t–podíl

312,815

160,631

1,947

Hrubý domácí produkt HDP

-0,000117

0,000188

-0,6245

0,5358

Inflace I

-0,329130

1,98590

-0,1657

0,8692

Nezaměstnanost N

-7,57724

6,62631

-1,144

0,2595

Nominální mzda NM

-0,000445

0,0081899

-0,05437

0,9569

Konstanta

p–hodnota 0,0584 ∗


n = 46

R2 = 0, 117095

F = 2, 492021 P − hodnota(F ) = 0, 0578 DW = 1, 069478

Při testování regresních parametrů vícenásobného regresního modelu č. 1 pro ˆ βj , j = 0, . . . , 5, n=46, τ0,975 (41) = 2, 020 a τ0,995 (41) = 2, 701 můžeme pozorovat, že (kromě konstanty) nebyla na 5 % hladině významnosti prokázána žádná statistická významnost (průkaznost). Také korigovaný index determinace nám říká, že v daném modelu je objem pojistných podvodů ovlivňován na základě vybraných ukazatelů pouze 12 %. Podle nízké hodnoty Durbin–Watson statistiky jsme zjistili, že v modelu existuje i autokorelace 1. řádu. Celkový F -test naznačuje, že model je statisticky neprůkazný a nemělo by tak smysl daný model č. 1 dále analýzovat. Na základě výše uvedené analýzy vidíme, že v daném modelu existuje několik problémů současně. Proměnné vycházejí nevýznamně, veškeré hodnoty jsou velmi málé a model se potýká, stejně jako u jednorozměrného modelu, s existencí autokorelace 1. řádu. Z tohoto důvodů byl základní model upraven a sestaven tak druhý model, ve kterém jsem se pokusili veškeré nedostatky eliminovat. Tabulka č. 18 nám zobrazuje nově zvolený 2. model, který byl analyzován jako přirozený logaritmus původních hodnot objemu pojistných podvodů. Použitím linearizace jsme zkorigovali výkyvy ve vývoji pojistných podvodů a díky ní jsme mohli modelovat namísto absolutních hodnot jejich jednotlivé přírůstky (změny) pojistných podvodů. Další zásadní změnou v modelu bylo přidání časové proměnné, a to z toho důvodu, že se veškeré hodnoty vyvíjí v čase. Už i v dřívějším jednorozměrném modelu bylo vidět, že se úplně stoprocentně nepodařilo vyrovnat trend (byla detekována autokorelace 1. rádu). Abychom tento trend vyrovnali pokusíme se i z tohoto důvodu o přidání časové proměnné.

57

4.3

Regresní analýza

Tabulka č. 18: Model 2. podle metody nejmenších čtverců. Inverzní funkční forma OLS model

koeficient

směr. chyba

t–podíl

15,1278

2,91246

5,194

6,37e−06 ∗ ∗ ∗

-2,61547e−06

1,45452e−06

-1,798

0,0797 ∗

Inflace I

-0,0781454

0,0264436

-2,955

0,0052 ∗ ∗ ∗

Nezaměstnanost N

-0,148528

0,0552851

-2,687

0,0105 ∗ ∗

-0,6856

0,4969

-2,687

0,0105 ∗ ∗ ∗

Konstanta Hrubý domácí produkt HDP

Nominální mzda NM

-4,00092e

Čas

−05

-0,148528

5,83578e

−05

0,0552851

p–hodnota


−

n = 46 R2 = 0.30 R2 kvazi = 0.26 F = 4.784186 P − hodnota(F ) = 0, 0016 DW = 1.297111 Při testování významnosti upravených regresních parametrů pro βˆj , j = 0, . . . , 6 vícenásobného regresního modelu pro n=46, τ0,975 (40) = 2, 021 a τ0,995 (40) = 2, 704 můžeme pozorovat, že na 5 % hladině významnosti (kromě nominální mzdy) byla prokázána statistická významnost pro veškeré parametry. I celkový F-test již naznačuje, že daný model je statisticky průkazný. Avšak korigovaný index determinace dosahuje stále nízké hodnoty 30 %. Z tohoto důvodů byl model č. 2 znovu upraven. Následující 3. model (tab. č. 19) bude uvažovat o nahrazení časové proměnné tzv. diferencí nebo–li umělou proměnou, která bude stanovena pro každé čtvrtletí a umožní nám popsat sezonost. Tabulka č. 19: Model 3. podle metody nejmenších čtverců. Inverzní funkční forma OLS model

koeficient

směr. chyba

t–podíl

11,2325

1,78076

6,309

2,15e−07 ∗ ∗ ∗

-2,45766e−06

1,80062e0−6

-1,365

0,1803

Inflace I

-0,0933763

0,0261729

-3,568

0,0010 ∗ ∗ ∗

Nezaměstnanost N

-0,0763908

0,0502672

-1,520

0,1369

0,000270372

0,00010694

2,534

0,0155 ∗ ∗

dq1

0,772655

0,180489

4,281

0,0001 ∗ ∗ ∗

dq2

0,651836

0,164455

3,964

0,0003 ∗ ∗ ∗

dq3

0,520390

0,189998

2,739

0,0093 ∗ ∗ ∗

Konstanta Hrubý domácí produkt HDP

Nominální mzda NM

p–hodnota


n = 46

R2 = 0, 42

−

R2 kvazi = 0.38 F = 5, 58 DW = 1, 25

P − hodnota(F ) = 0, 0018

58

4.3

Regresní analýza

Při následném testování významnosti výše upravených regresních parametrů βˆj , j = 0, . . . , 8 vícenásobného regresního modelu pro n=46, τ0,975 (38) = 2, 024 a τ0,995 (38) = 2, 712 můžeme pozorovat, že na základě p–hodnoty byla prokázána statistická významnost pro parametry inflace nominální mzdy a u jednotlivých diferencí. Ostatní proměnné jsou na 5 % hladině významnosti statisticky neprůkazné. Celkový F-test rovněž naznačuje, že model je statisticky průkazný. Korigovaný index determinace19 dosahuje již na hodnotu 0,42 a vysvětluje, že zvolené proměnné ovlivňují objem pojistných podvodů ze 42 %. Vybraný model č. 3 byl v následujících tabulkách č. 20 a 21 podroben RESET testu specifikace modelu a testu linearity. Na základě nich byly stanoveny nulové hypotezy H0 : model je správně specifikován a H0 : model je lineární. Tabulka č. 20: Test specifikace modelu – RESET test. Test specifikace modelu – RESET test Model

Testová statistika F

p–hodnota

0.569091

0.571

Lineární

(Zdroj: Vlastní práce na základě programu Gretl.) Tabulka č. 21: Test linearity. Test linearity založený na čtvercích hodnot Model


p–hodnota

7.55707

0.109219

Lineární


Podle výsledků z tabulek č. 20–21 je patrné, že jak hypotéza o správné specifikaci, tak i hypotéza o linearitě modelu na 5 % hladině významnosti zamítnuta nebyla. Hypotéza u RESET testu nebyla zamítnuta ani na 57 % hladině významnosti a můžeme tak říci, že model je jak adekvátní, tak i lineární. Tabulka č. 22: ANOVA. Analýza rozptylu M odel Model č. 3

−

ESS

RSS

T SS

R2

R2

R

1.97726

1.92318

3.90044

0.506933

0.416105

0,712


Tabulka ANOVA č. 22 zobrazuje analýzu rozptylu, která nám bude sloužit pro zjištění celkové vhodnosti modelu. Pro provedený rozklad čtverců na regresní, reziduální a celkový byla stanovena nulová hypotéza H0 : model je neprůkazný. Celkovým 19

Pro srovnání přirozeného logaritmu s ostatními modely (např. modelem č. 1) bylo využito tzv. kvazi nezkresleného indexu determinace, který dosahuje hodnoty 0,376.

59

4.3

Regresní analýza

F-testem průkaznosti modelu a testové statistiky F=5.58 s p–hodnotou 0.0002 byla nulová hypotéza o neprůkaznosti regresního modelu zamítnuta a model můžeme považovat za statisticky významný. Provedený test normality můžeme pozorovat v tabulce č. 23, pro který byla stanovena nulová hypotéza H0 : normalita chybového členu. Tabulka č. 23: Test normality chybového členu. Test normality Test

Testová statistika

p–hodnota

Chí–kvadrát

0.234

0.88955

Jarque–Bera

2,73884

0,254255

Lilliefors

0,12544

0,07


Na základě výše uvedených p–hodnot, můžeme konstatovat, že nedošlo ani u jednoho ze tří testů k zamítnutí nulové hypotézy o normalitě chybového členu na 5 % hladině významnosti . U testu Jarque–Bera nedošlo k zamítnutí ani na 25 % hladině významnosti. Testem normality a především u Jarque–Bera testu, který je vhodný především pro časové řady, jsme si potvrdili správnost přidání umělé proměnné do modelu. Specifikovaný model bylo zapotřebí podrobit i testu autokorelace, který můžeme pozorovat v tabulce č. 24 a testu heteroskedasticity, který je uvedený v tabulce č. 25. Tabulka č. 24: Testy autokorelace chybového členu. Autokorelace Test

Testová statistika

p–hodnota

Durbin–Watson

1.24622

0.00134145

Breusch–Godfrey

3.126202

0.0129


Pro testování autokorelace 1. řádu byl proveden Dubin–Watson test a pro autokorelaci sedmého řádu byl vybrán Breusch–Godfrey test. Nulová hypotéza byla stanovena na H0 : autokorelace není přítomna. Z výsledků testu autokorelace se nám podařilo zjistit, že na 1 % hladině významnosti není přítomna pouze autokorelace vyššího řádu. Hodnoty Durbin–Watson testu nám naznačují výskyt autokorelace 1. řádu, tedy existence dlouhodobé tendence nebo–li trendu. Pro znázornění nám slouží i následující obrázek korelogram reziduí č. 8, kde můžeme pozorovat přítomnost autokorelace 1. řádu, tak i autokorelaci 3. a 4. řádu. Z důvodu přítomnosti autokorelace 1. řádu byl model podroben Prais–Winsten testu, na základě kterého došlo k eliminaci DW statistiky. Následnou úpravou bylo dosáhnuto hodnoty 2,3 a tím došlo i k odstranění autokorelace 1. řádu.

60

4.3

Regresní analýza

Obrázek 8: Korelogram rezidui. (Zdroj: Vlastní práce na základě programu Gretl.)

Při testování heteroskedasticity (tab. č. 25) byla uvažována nulová hypotéza H0 : homoskedasticita chybového členu nebo–li heteroskedasticita není přítomna. Na základě provedeného testu můžeme pozorovat, že nulová hypotéza není zamítnuta na 1 % hladině významnosti u všech provedených testů. Přičemž u Whitova testu nebyla zamítnuta ani na 5 % hladině významnosti. Tabulka č. 25: Test heteroskedasticity. Heteroskedasticita Test White Breuch–Pagan Koenker


p–hodnota

42.752679

0.05

16.7321

0.019208

18.196671

0.011113


Nezamítnutím hypotézy jsme dokázali, že v modelu není přítomna heteroskedasticita, tzn. že chybový člen v modelu má konstantní rozptyl.

61

4.4

4.4

Korelační analýza

Korelační analýza

Korelační analýza nám poslouží k ověření, že vybrané proměnné byly vhodně zvolené a jejich vztahy k pojistným podvodům se daly očekávat. Vzájemnou těsnost a vztah mezi zvolenými proměnnými zobrazuje následující tabulka č. 26. Tabulka sumarizuje výsledky provedeného testu nezávislosti, tj. korelační koeficienty při 5 % hladině významnosti a pro počet pozorování n=46 při stanovené nulové hypotézy: H0 : neexistuje závislost. Tabulka č. 26: Test nezávislosti. Proměnné testu Test

OPP a HDP

OPP a I

OPP a N

OPP a NM

Hladina významnosti α

0,05

0,05

0,05

0,05

Korelační koeficient |r|

| − 0, 3977|

| − 0, 3881|

|0, 1226|

| − 0, 4120|

Kritická hodnota rk

0,2907

0,2907

0,2907

0,2907

Rozhodnutí

r > rk

r > rk

r < rk

r > rk

H0 zamítáme

H0 zamítáme

H0 nelze zam.

H0 zamítáme


Jednotlivé závislosti u vybraných ukazatelů k objemu pojistných podvodů můžeme vyčíst z uvedené tabulky. Jediná kladná korelace panuje u ukazatele nezaměstnanosti, naopak u ostatních ukazatelů můžeme pozorovat korelace záporné. Nejvyšší zápornou korelaci můžeme pozorovat u nominální mzdy (-0,41). O této korelaci můžeme říci, že je průměrně silná a indikuje, že s klesající nominální mzdou roste objem pojistných podvodů. Obdobně průměrně silné záporné korelace panují také u hrubého domácího produktu a u inflace. Korelace nezaměstnanosti je sice kladná, ale jeho hodnota se více přibližuje k nulové hranici (0,12), tzn.: mezi nezaměstnaností a objemem pojistných podvodů můžeme pozorovat slabou lineární závislost. V souvislosti s ekonomickou teorií bylo zvoleno působení jednotlivých ukazatelů na objem pojistných podvodů. Pozitivní vliv byl stanoven u nezaměstnanosti a inflace, přičemž u inflace byla stanovena zároveň i negativní závislost. U zbývajících dvou ukazatelů, tj. HDP a nominální mzdy byla stanovena pouze negativní závislost. Jak můžeme pozorovat z výsledků korelační analýzy, tak statistický model je téměř u většiny20 ukazatelů shodný s ekonomickou teorií. Korelační analýzou jsme si oveřili, že všechny proměnné ve vícerozměrném modelu byly vybrány vhodně a měly v kombinaci s dalšími ukazateli smysl. Zdánlivý nesoulad faktoru nezaměstnananosti u korelační analýzy a vícerozměrného regresního modelu spočívá v tom, že v korelační analýze jsou jednotlivé faktory posuzovány individuálně. Ve vícerozměrném regresním modelu všechny faktory působí současně, a proto ukazatel nezaměstnanosti v kombinaci s dalšími ukazateli již smysl má.

20

Kromně inflace, pro kterou byla zvolena, jak pozitivní, tak i negativní závislost.

62

5

5

DISKUZE

Diskuze

Analýza závislostí byla rozdělena na regresní a korelační analýzu. Nejprve byla provedena regresní analýza, která se zabývala zpracováním jednorozměrného a vícerozměrného regresního modelu. V jednorozměrném modelu byl analyzován vliv nominální mzdy na objem pojistných podvodů v České republice. Na základě ekonomické teorie byl stanoven negativní vliv působení nominální mzdy na objem pojistných podvodů. Z výsledků jednorozměrného modelu bylo zjištěno, že z analyzovaných funkčních forem (lineární, kvadratické a inverzní) nejlépe popisuje empirické hodnoty právě kvadratický model: Yî = −207 + 0, 0395xi − 1, 12e−06 x2i −

n = 46

R2 = 0, 276634

F = 9, 604567 P–hodnota(F)= 0.000356 DW = 1, 406765 Na základě vybraného regresního modelu byl potvrzen nejen negativní vztah nominální mzdy na objem pojistných podvodů. Z ekonomického hlediska daný model nejprve popisuje růst počtu pojistných podvodů s růstem nominální mzdy, avšak od určitého bodu je počet pojistných podvodů klesající. Ze statistického hlediska jsme mohli analyzovaný kvadratický model považovat na základě výsledků regresní analýzy za statisticky průkazný. Parametry i model jako celek byl statisticky průkazný na 5 % hladině významnosti. Za nedostatek jednorozměrného regresního modelu byla považována nízká hodnota korigovaného koeficientu determinace a výskyt autokorelace 1. řádu, kterou naznačovala i nízká hodnota Durbin–Watson statistiky. K odstranění autokorelace 1. řádu, nebo–li vyrovnání trendu bylo využito následující vícerozměrné regresní analýzy. Vícerozměrný regresní model zkoumal vztah mezi objemem pojistných podvodů a vybranými proměnnými. Pro úplnost byly do modelu zvoleny následující proměnné: inflace (I), nominální mzda (NM), míra registrované nezaměstnanosti (N) a hrubý domácí produkt (HDP). Následně byl proveden odhad základního modelu pomocí metody nejmenších čtverců, kde byly získány jak odhady jednotlivých proměnných, tak i hodnoty indexu determinace a celkového F –testu. Z důvodů statistické nevýznamnosti proměnných a celkové nevhodnosti modelu byl základní model č. 1 modifikován. Nadále byl objem pojistných podvodů analyzován jako přirozený logaritmus původních hodnot pojistných podvodů a nově byla přidaná i časová proměnná. Takto zvolený model č. 2 je ve tvaru: lnYî = 15, 13 − 2, 62e−06 HDP − 0, 078I − 0, 15N − 4, 0e−05 N M − 0, 15t −

−

n = 46 R2 = 0.296005 R2 kvazi = 0.26 F = 4.784186 P − hodnota(F ) = 0, 0016 DW = 1.297111 V novém modelu č. 2 jsme mohli pozorovat, že kromě nominální mzdy byla na 5 % hladině významnosti prokázána statistická významnost pro veškeré parametry. Celkový F –test již naznačoval, že modifikovaný model je statisticky průkazný. Avšak na 63

5

DISKUZE

základě stále nízké hodnoty korigovaného indexu determinace byl model č. 2 znovu upraven na následující tvar: lnYî = 11, 23 − 2, 46e−06 HDP − 0, 093I − 0, 076N + 0, 0003N M + +0, 77dq1 + 0, 65dq2 + 0, 52dq3 −

−

F = 5, 58 P − hodnota(F ) = 0, 0018 R2 kvazi = 0.38 DW = 1, 25 Do nově zvoleného modelu byly stanoveny umělé proměnné, pomocí kterých jsme se snažili popsat sezónost v jednotlivých čtvrtletích. Po provedení odhadu modelu pomocí metody nejmenších čtverců se model č. 3 jevil na základě korigovaného indexu determinace jako nejvhodnější. Byla prokázána statistická i celková významnost, a tak byl model podroben další analýze. Na základě nezamítnuté hypotézy bylo prokázáno, že model je jak lineární, tak i dobře specifikován. Model byl dále podroben testu chybového členu a můžeme pozorovat, že rezidua nevykazují ani heteroskedasticitu, ani sériovou korelaci. Zamítnuta nebyla ani hypotéza o normalitě rozdělení chybového členu. Jediné, co se nám nepodařilo odstranit, byla autokorelace 1. řádu. Na základě jejího výskytu byl proveden Prais–Winsten test, který následnou autokorelaci eliminoval. Analyzovaný konečný model č. 3 lze na základě výsledků regresní analýzy považovat za statisticky průkazný. Z ekonomického hlediska model vypovídá o negativním vlivu hrubého domácího produktu, inflace a nezaměstnanosti na objem pojistných podvodů a pozitivním vlivu nominální mzdy. Na základě výše zmíněného působení došlo k potvrzení očekávaného vlivu pouze u proměnné HDP a I. Působení průměrné nominální mzdy a míry registrované nezaměstnanosti již očekávanému vlivu neodpovídají. Ikdyž je průměrná nominální mzda statisticky průkazná na 5 % hladině významnosti, nemůžeme z pohledu ekonomické teorie model stoprocentně příjmout, neboť předpokládá, že k růstu objemu pojistných podvodů bude docházet při současném snížení nezaměstnanosti a zvýšení nominální mzdy. Vysvětlení tohoto rozporu může spočívat v následujícím: zvyšování NM i zaměstnanosti způsobuje, že lidé disponují vyšším obnosem finančních prostředků a následně tedy mohou uzavírat více pojistných smluv i pojistných smluv s výhodnějšími podmínkami. Následně disponují více možnostmi pro spáchání pojistného podvodu. Mohou se dopouštět pojistného podvodu v domnění, že ve velkém množství se na jeden či více malých pojistných podvodů nepříjde. Další část analýzy závislostí byla věnována korelační analýze, která nám pomohla zjistit vzájemnou těstnost a vztah mezi zvolenou vysvětlující proměnnou a vysvětlujícími proměnnými. Zjistili jsme, že mezi objemem pojistných podvodů a zvolenými proměnnými neexistuje žádná významná závislost, avšak pouze průměrně silné negativní korelace, které panují u ukazatele nominální mzdy, hrubého domácího produktu a inflace. Naopak slabá pozitivní závislost (téměř nulová) byla určena u ukazatele registrované nezaměstnanosti. V souvislosti s ekonomickou teorií n = 46

R2 = 0, 42

64

5

DISKUZE

tak můžeme porozovat odlišné výsledky oproti výsledkům provedených u regresní analýzy. Veškeré parametry statistického modelu u korelační analýzy jsou shodné s ekonomickou interpretací. Z celkového hodnocení korelační analýzy byla na základě zamítnuté nulové hypotézy o nezávislosti, prokázána závislost u hrubého domácího produktu, inflace a nominální mzdy. Naopak nulovou hypotézu nebylo možné zámítnout u ukazatele nezaměstnanosti. A tedy podle korelační analýzy je nezaměstnanost jediným (z uvažovaných parametrů) nezávislým ukazatelem na objemu pojistných podvodů.

65

6

6

ZÁVĚR

Závěr

Cílem diplomové práce bylo analyzovat vývoj pojistných podvodů v souvislosti s makroekonomickými ukazateli, které zásadním způsobem ovlivňují český pojistný trh. Byla zjišťována závislost mezi zvolenými proměnnými a objemem pojistných podvodů v České republice za pomoci regresní a korelační analýzy. Nezbytou součástí diplomové práce byla analýza pojistného trhu a analýza páchání pojistných podvodů včetně dostupných prostředků pro boj s pojistnými podvody. Na základě úvodní vizuální analýzy bylo prokázáno, že český pojistný trh má rostoucí tendenci v počtu pojišťoven. Trh se vyvíjel stabilně s rovnoměrnou dynamikou a ke konci roku 2010 působilo na pojistném trhu celkem 52 pojišťoven. V České republice stále dominuje počet pojišťoven se zaměřením na neživotní pojištění, ale v posledních 6 letech zaznamenáváme nárůst životních pojišťoven. Důvodem růstu počtu všech pojišťoven můžeme spatřovat ze zvyšujícího se zastoupení životního pojištění, a také potenciálu podnikání v oblasti nových druhů pojištění, které nabývají na významu se rostoucími globálními riziky (terorismus). Zcela opačná situace nastává ve vývoji počtu zaměstnanců v pojišťovnictví, neboť každým rokem dochází k výraznému snižování. Jejich počet se od roku 2001 do roku 2010 zmenšil téměř o 1500 zaměstnanců. Klesající tendenci můžeme pozorovat v souvislosti se zvyšujícím se zájem o informační technologie, které se nejčastěji využívají k realizaci pojistných obchodů prostřednictvím webových aplikací na Internetu. Mezi další významné důsledky můžeme zařadit rostoucí počet pojišťovacích zprostředkovatelů a likvidátorů pojistných událostí. Rostoucí trend byl zjištěn i u vývoje předepsaného pojistného, u kterého byl během sledovaného období shledán nárůst o více jak 90 %. Tzv. motorem růstu předepsaného pojistného bylo od roku 2006 odvětví životního pojištění, které mělo dynamičtější růst než oblast neživotního pojištění. Objem předepsaného pojistného u životního pojištění, i přes značný nárůst v posledních letech, však stále výrazně zaostává za objemem předepsaného pojistného v neživotním pojištění. V České republice jsou lidé zaměření spíše materiálně na rozdíl od západní Evropy. Tato skutečnost je dána tím, že v zemích EU má životní pojištění svoji tradici a lidé si svého života váží a uvědomují si potřebu větší ochrany. Důvodem může být např. i to, že v České republice je stále pro většinu obyvatel životní pojištění relativně novým produktem. Rovněž zde stále panuje nesmyslná představa, že se o ně stát vždy postará, jako tomu bylo před rokem 1989. Vývoj nákladů na pojistná plnění se shoduje jak s vývojem počtu pojišťoven, tak i s vývojem předepsaného pojistného. Celkové náklady jsou tvořeny převážně náklady na pojistná plnění v oblasti neživotního pojištění, které jsou v České republice nejvíce ovlivněny živelnými pohromami, jako byly například povodně v letech 2006, 2009 a 2010. Nedílnou součástí celkových nákladů jsou i náklady na pojistná plnění, které jsou spojené s neoprávněným vyplacením z důvodů páchání pojistných podvodů. Můžeme se domnívat, že jejich nárůst od roku 2006 byl spojen se zvýše-

66

6

ZÁVĚR

ným počtem pokusů o spáchání pojistných podvodů, a to právě v rámci navyšování částek při hlášených škodách v rámci přírodních katastrof. V návaznosti na vývoj pojistného trhu byly v práci rozebrány podvodná jednání v pojišťovnictví ze dvou zcela odlišných pohledů. Jelikož v České republice neexistuje žádná metodika na přesné vyčíslení pojistných podvodů, byly pojistné podvody analyzovány z pohledu orgánů činných v trestním řízení (Policie ČR) a z pohledu České asociace pojišťoven (ČAP – zájmové sdružení pojišťoven). Česká asociace pojišťoven, na rozdíl od Policie ČR, rozděluje pojistné podvody do čtyř kategorií: pojištění vozidel, pojištění přepravy, pojištění majetku a odpovědnosti a pojištění osob. Během sledovaného období byl zjištěn rostoucí trend v celkovém počtu pojistných podvodů. Podle statistik ČAP se během sedmiletého vývoje jejich počet více jak zdvojnásobil. Pojišťovny během roku 2011 odhalili více než 6800 pojistných podvodů a na pojistném plnění se jim podařilo uchránit téměř 840 mil. Kč. Nejvíce pojistných podvodů, respektive uchráněné hodnoty bylo spácháno v oblasti pojištění motorových vozidel. Naopak nejméně u pojištění přepravy, kde se jejich počet rok od roku snižuje v návaznosti na lepší mezinárodní spolupráci. Avšak největší pojistné podvody, tedy objem pojistných podvodů přepočtený na jeden případ, byly páchány v oblasti pojištění majetku a odpovědnosti. Důvodem růstu u tohoto druhu pojistného podvodu, můžeme shledat v souvislosti s růstem nákladů na pojistná plnění v důsledku živelných pohrom, ve kterých si klienti pojišťoven záměrně navyšují škody na majetku jak je uvedeno výše. Policie České republiky rozděluje pojistné podvody podle jednotlivých krajů, na pojistné podvody spáchané recidivisty a na podvody spáchané ženami a muži. Následnou analýzou pojistných podvodu bylo prokázáno, že Policie ČR odhaluje až desetinásobně méně pojistných podvodů než ČAP. Tento propastný rozdíl má několik příčin. Aby Policie ČR mohla vyšetřovat pojistný podvod jako trestný čin, musela by být způsobena škoda přesahující alespoň 5000 Kč. Další příčnou mohou být nedostatečné důkazy. Pojišťovnám k odmítnutí či krácení pojistného plnění stačí takové důkazy, které by k pravomocnému rozsudku za trestný čin podvodu nestačily. Pojišťovny také mohou využívat zákonné možnosti výměny informací o protiprávním jednání a profitovat z implementací moderních technologií k detekci pojistných podvodů. Pro pojišťovny je velice důležitý zákon o pojistné smlouvě, který umožňuje pojišťovnám zamítnout či krátit pojistné plnění a nemusí se tak rozhodovat až na základě rozhodnutí orgánů v trestním řízení. Tím, že mohou využívat svého práva, tak každoročně ušetří stovky milionů korun. Důležitá změna nastala i v novele Trestního zákona, který rozšiřuje nejen okruh čiností, při kterých může docházet k páchání pojistných podvodů, ale i výši jednotlivých sazeb trestu, aj. Současnou právní úpravu pojistného podvodů můžeme tedy považovat za dostačující, avšak záleží na tom, jak se k trestnému činnu podvodu postaví orgány činné v trestním řízení. Jak pojistný trh, tak i pojistné podvody jsou ovlivňovány nesčetným množstvím faktorů. Pomocí jednorozměrné regresní analýzy byl testován vliv vývoje nominální mzdy na objem pojistných podvodů. Model byl analyzován pomocí tří forem (li67

6

ZÁVĚR

neární, kvadraticé a inverzní). Podle nejvyššího nezkresleného indexu determinace a dalších parametrů byla použita kvadratická funkční forma. Model byl vyhodnocen jako ekonomicky i statisticky průkazný a potvrdil jak pozitivní, tak i negativní závislost těchto dvou veličin (odpovídá průběhu kvadratické funkční formy). V následujícím kroku byla provedena vícerozměrná regresní analýza, která rozšiřovala původní model o další poměnné. Byly vytvořeny tři modely, z nichž byl vybrán nejvhodnější model na základě srovnání korigovaného indexu determinace a tzv. kvazi indexu determinace pro logaritmické modely. Bylo tedy zjištěno, že následující kombinace proměnných modifikovaného modelu ovlivňuje objem pojistných podvodů ze 38 %. Současně se nám podařilo prokázat, že celkový objem pojistných podvodů není závislý jen na nominální mzdě, ale i na inflaci, hrubém domácím produktu, nezaměstnanosti a na čase, který byl vymodelován na základě sezónosti. Pozitivní vliv na objem pojistných podvodů je sledován u průměrné nominální mzdy a u parametrů sezóností. Negativní vlivy jsou patrny u HDP, inflace a nezaměstnanosti. Se zvyšující se nominální mzdou roste počet uzavřených pojistných smluv a tím i počet pojistných podvodů. Nejvyšší nárůst pojistných podvodů je sledován v prvním čtvrtletí každého roku. Lze se domnívat, že tento stav je zapříčiněn uzavřením případů se započatým vyšetřováním v předchozím roce. V poslední části byla provedena korelační analýza, za pomocí které bylo ověřeno, že kromě nominální mzdy existuje mezi objemem pojistných podvodů a proměnnými HDP, inflací a nezaměstnaností jistá závislost. Rovněž bylo zjištěno, že mezi zvolenými proměnnými neexistuje žádná významná závislost, která by výši pojistných podvodů ovlivňovala extrémě. Můžeme tedy říci, že sledované ukazatele nejsou jediné, které nějakým způsobem na velikost pojistných podvodů působí. Pojistné podvody jsou různou měrou závislé i na velkém množství ukazatelů, které je nutné brát v úvahu, avšak do ekonometrického modelu zahrnuty být nemohou. Takovými ukazateli jsou dozajista například mentalita lidí a jejich vyspělost, rozsah, způsoby používání a dostupnost technologií a mnoho dalších. To by však mohlo být zásadním důvodem, proč se nepodařilo vytvořit optimální ekonometrický model. Pojistné podvody, a to nejen v České republice, byly a budou. Díky moderním technologiím, které pojišťovny implementují do své infrastruktury, jsou schopny odhalit pojistné podvody, které by za jiných okolností nezjistily.

68

7

7

LITERATURA

Literatura

Adastra.cz. Podvodníci v Kooperativě neuspějou. [on–line]. Citováno [21. 4. 2011]. Dostupné z: http://www.adastra.cz/69 podvodnici-v-kooperativeneuspeji.aspx. Baloun, V. Finanční kriminalita v ČR. 1. vyd. Praha: Institut pro kriminologii a sociální prevenci 2004. 182 s. ISBN 80-7338-029-3. Beránková, K. MPSV harmonizuje vykazování míry nezaměstnanosti s EU. [on–line]. Citováno [12. 3. 2012]. Dostupné z: http://www.mpsv.cz/files/clanky/272/090804a.pdf. Bouc, F. Pojišťovny mají detektory lži. Kvůli podvodům. [on–line]. Citováno [6. 3. 2012]. Dostupné z: http://byznys.lidovky.cz/pojistovny-maji-detektorylzi-kvuli-podvodum-f48-/firmy-trhy.asp?c=A111110 154719 firmy-trhy apa. Bubák, Z. Pojistné podvody v roce 2011. [on–line]. Citováno [6. 3. 2012]. Dostupné z: http://www.finparada.cz/clanek.aspx?ID=410. Businessclanky. Dokončena implementace řešení pro prevenci a odhalování pojistných podvodů. [on–line]. Citováno [4. 3. 2012]. Dostupné z: http://businessclanky.cz/zpravy/ostatni/adastrakooperativa-dokoncena-implementace-resenipro-prevenci-a-odhalovani-pojistnych-podvodu.htm. Čejková, V, Nečas, S. Pojistný trh. 1. vyd. Brno: Masarykova univerzita v Brně, 2005. 105 s. ISBN 80-210-3661-3. Český statistický úřad. Hrubý domácí produkt – todika. [on–line]. Citováno [12. 3. 2012]. Dostupné http://www.czso.cz/csu/redakce.nsf/i/hruby domaci produkt (hdp).

mez:

Český statistický úřad. Indexy spotřebitelských cen – (metodická příručka pro uživatele. [on–line]. Citováno [12. 3. 2012]. Dostupné z: http://www.czso.cz/csu/redakce.nsf/i/isc metodicka prirucka/File/ manual isc 2011.pdf. Český statistický úřad. Průměrná mzda – metodika. [on–line]. Citováno [12. 3. 2012]. Dostupné z: http://www.czso.cz/csu/redakce.nsf/i/pmz m. Česká asociace pojišťoven. Členové ČAP. [on–line]. Citováno [12. 2. 2012]. Dostupné z: http://www.cap.cz/ZobrazFolder.aspx?folder=Lists,%2fMenu +Verejneho+webu %2f %C4 %8Clenov %C3 %A9. Česká asociace pojišťoven. Systém pro výměnu informací o podezřelých okolnostech. [on–line]. Citováno [5. 3. 2012]. Dostupné z: http://cap.cz/Item.aspx?item=Pojistn%C3%BD+podvod&typ=HTML. Česká pojišťovna. Tisková zpráva. 2009 [on–line]. Citováno [4. 3. 2012]. Dostupné z: http://www.ceskapojistovna.cz/tiskova-zprava?99946ceska pojistovna ziskala novinku, ktera dokaze lepe odhalit . 69

7

LITERATURA

Česká televize. Pojistných podvodů stále přibývá, podvodníci mají nové triky. [on–line]. Citováno [6. 3. 2012]. Dostupné z: http://www.ceskatelevize.cz/ct24/ekonomika/158156-pojistnych-podvodustale-pribyva-podvodnici-maji-nove-triky/. Daňhel, J. a kol. Pojistná teorie. 2. vydaní Praha: Professional Publishing. 338 s. ISBN 80-86946-00-2. Dougherty, Ch. Introduction to econometrics. 3. vyd. Oxford: Oxford University Press, 2007, 464 s. ISBN 978-0-19-928096-4. . Ducháčková, E. Principy pojištění a pojišťovnictví. 3. vyd. Praha: Ekopress. 222 s. ISBN 978-80-86929-51-4. Ducháčková, E, Daňhel, J. Teorie pojistných trhů. 1. vyd. Praha: Professional Publishing. 216 s. ISBN 978-80-7431-015-7. Fuchs, V. Sezóna cestovního pojištění. Pojistný obzor, 2/2008. s.26–27. Generali pojišťovna, a.s. Pojistné podvody jsou sedmkrát vyšší než před krizí. [on–line]. Citováno [7. 3. 2012]. Dostupné z: http://www.generali.cz/tiskovezpravy/pojistne-podvody-jsou-sedmkrat-vyssi-nez-pred-krizi. Gujarati, Damodar, N., Porter, D. C. Basic Econometrics. 5. vyd. Boston: McGraw-Hill Irwin, c2009, 922 s. ISBN 978-007-127625-2. . Dubis, Gregory S. Interní audit a podvod. 1. vyd. Praha: Český institut interních auditorů, 2011, 42 s. ISBN 978-80-86689-45-6. Hampel a kol. Ekonometrie 2. 1. vyd. Brno: Mendelova univerzita v Brně, 2011, 147 s. ISBN 978-80-7375-540-9. . Hebák, P. Regrese. 1. vyd. Praha: Vysoká škola ekonomická v Praze, 1998, 138 s. ISBN 80-7079-909-9. . Chmelík, J. a kol. Rukověť kriminalistiky. 1. vyd. Plzeň: Vydavatelství a nakladatelství Aleš Čeněk, 2005. 532 s. ISBN 80-86898-36-9. International Association of Insurance Fraoud Agencies. History. [on– line]. Citováno [4. 3. 2012]. Dostupné z: http://iaifa.org/History.html. Insurance Europe. About the Insurance Europe. [on–line]. Citováno [4. 3. 2012]. Dostupné z: http://www.insuranceeurope.eu/about-us. Karfíková, M., Přikryl, V. a kolektiv. Pojišťovací právo. 1. vyd. Praha: Leges. 351 s. ISBN 978-80-87212-45-5. Měšec. ČSOB Pojišťovna loni odhalila pojistné podvody za více než čtyřicet milionů korun. [on–line]. Citováno [6. 3. 2012]. Dostupné z: http://www.mesec.cz/tiskove-zpravy/csob-pojistovna-loni-odhalila-pojistnepodvody/.

70

7

LITERATURA

Pojistky.hoptekypujcky.cz Pojistné podvody. [on–line]. Citováno [7. 3. 2012]. Dostupné z: http://www.pojistky.hypotekypujcky.cz/?p=41. Porada, V, Pršal, V. Pojistné rozpravy : pojistně-teoretický bulletin. Vyšetřování trestného činu pojistného podvodu. 1. vyd. Praha: Česká asociace pojišťoven. 2001. ISSN: 0862-6162. Pulchart, V. Pojistné podvody v praxi – ztracená zavazadla. Pojistný obzor, 11/2007. s.16. Rybyšarová, M. Prevence a ochrana proti pojistnému podvodu pojišťovnou. [on–line]. Citováno [27. 1. 2012]. Dostupné z: http://dspace.upce.cz/bitstream/10195/35613/1/RybysyrovaM PrevenceA Ochrana SP FES 2007.pdf. Smarteo.cz Kuriózní pojistné podvody. [on–line]. Citováno [7. 3. 2012]. Dostupné z: http://www.smarteo.cz/novinky/kuriozni-pojistne-podvody. Synek, M. Regresní a korelační analýza.[on–line]. Citováno [5. 4. 2012]. Dostupné z: http://fzp.ujep.cz/ synek/statistika/prednasky/LESS7COR2.DOC. Šulcova, J. Pojistné podvody v praxi – vloupání. Pojistný obzor, 12/2007. s.26. Unicornsystems. Information systems I–FRAUD.[on–line]. Citováno [4. 3. 2012]. Dostupné z: http://unicornsystems.eu/cz/reseni/attachments/ I-FRAUD.pdf. Vávrová, E. Rizika v činnosti pojišťovacích institiucí. Přednáška z předmětu Pojišťovnictví II ze dne 12. 10. 2011. Brno: Mendelova univerzita. Vávrová, E., Doložílková, M., Stuchlík, R. Pojišťovnictví. 1. vyd. Brno: Mendelova zemědělská a lesnická univerzita, 2004. 86 s. ISBN 80-7157-487-2. Vávrová, E, Homolová, P. Vybrané kapitoly z ekonomiky komerčních pojišťoven. 1. vyd. Brno: Mendelova zemědělská a lesnická univerzita v Brně 2009. 128 s. ISBN 978-80-7375-276-7. Východský, P. Pojistný podvod na českém pojistném trhu. Technická univerzita v Liberci. Disertační práce, Liberec 2009. Zameškal, Z.Finanční modely. 2. vyd. Praha: Ekopress 2004. 236 s. ISBN 8086119-87-4.

71

8

8

PŘÍLOHY

Přílohy

Obrázek 9: Vývoj počtu pojišťoven v České republice. (Zdroj: Vlastní práce na základě zpráv o výkonu a dohledu ČNB.)

Obrázek 10: Vývoj počtu předepsaného pjistného na HDP. (Zdroj: Vlastní práce na základě CEA.)

72

8

PŘÍLOHY

Obrázek 11: Vývoj vyplaceného pojistného. (Zdroj: Vlastní práce na základě výročních zprav České asociace pojišťoven.)

Obrázek 12: Vývoj tempa růstu předepsaného pojistného. (Zdroj: Vlastní práce na základě výročních zprav České asociace pojišťoven.)

73

4

Přepravy

480

3331

Osob

Celkem

4773

253

559

14

3947

2006

4548

520

654

15

3359

2007

4806

690

595

11

3510

2008

4478

523

817

28

3110

2009

5142

943

967

21

3211

2010

545990

46094

205744

27092

267060

2005


506

a odpovědnosti

Majetku

2341

2005

Vozidel

Pojištění

Počet šetřených případů

Tabulka č. 27: Statistika pojistných podvodů v České republice.

492726

29918

183944

29815

249049

2006

523968

32803

216617

4955

269593

2007

550653

32919

168375

1875

347484

2008

v tis. Kč

630928

30672

237868

3803

358585

2009

Výše uchráněných hodnot

624987

47213

268517

6353

302904

2010

8 PŘÍLOHY

74

8

PŘÍLOHY

Obrázek 13: Vývoj reziduí pro sledované funkční formy. (Zdroj: Vlastní práce na základě programu Gretl.)

75

8

PŘÍLOHY

Tabulka č. 28: Vstupní data. Vybrané proměnné Období

Vybrané proměnné

OPP

HDP

I

N

NM

2000Q1

x

513855

88.6

9.1

11941

2000Q2

x

571558

88.9

8.8

2000Q3

110

579741

89.9

2000Q4

91

604541

2001Q1

84

2001Q2

Období

OPP

HDP

I

N

NM

2006Q1

138

761086

102.0

7.7

18270

13227

2006Q2

165

831575

102.5

7.3

19300

8.5

12963

2006Q3

101

858497

103.2

7.1

19305

90.3

8.3

14717

2006Q4

92

901441

102.2

6.6

21269

555637

92.2

8.1

13052

2007Q1

140

843399

103.6

5.8

19687

91

615997

93.3

8.1

14391

2007Q2

202

905917

105.0

5.5

20740

2001Q3

84

622539

94.8

8.1

14117

2007Q3

134

935100

105.9

5.1

20721

2001Q4

137

654384

94.2

7.8

15908

2007Q4

106

978157

107.2

5.0

22641

2002Q1

210

588244

95.8

7.4

14083

2008Q1

157

889080

111.3

4.4

21632

2002Q2

202

644988

95.5

7.2

15599

2008Q2

93

970995

112.1

4.4

22246

2002Q3

125

654986

95.5

7.3

15268

2008Q3

83

997237

112.9

4.3

22181

2002Q4

97

679312

94.7

7.4

17133

2008Q4

75

991099

112.2

4.5

24309

2003Q1

142

612939

95.4

7.3

14986

2009Q1

147

888452

113.6

5.5

22108

2003Q2

150

675255

95.6

7.7

16529

2009Q2

88

932655

113.7

6.5

22796

2003Q3

159

687205

95.4

8.0

16088

2009Q3

111

939543

113.0

7.3

23091

2003Q4

166

712708

95.5

8.2

18096

2009Q4

83

978575

112.7

7.4

25418

2004Q1

178

665376

97.6

8.4

16231

2010Q1

107

872980

114.4

7.8

22673

2004Q2

185

730121

98.1

8.4

17223

2010Q2

86

956630

115.1

7.3

23410

2004Q3

130

741602

98.4

8.2

17190

2010Q3

74

959164

115.2

7.1

23528

2004Q4

118

792073

98.4

8.3

19183

2010Q4

87

986463

115.0

7.0

25565

2005Q1

161

712518

99.2

8.1

17067

2011Q1

92

890936

116.4

6.9

23166

2005Q2

116

784468

99.6

8.0

18112

2011Q2

121

966925

117.1

6.9

23956

2005Q3

105

790275

100.2

7.8

18203

2011Q3

89

969777

117.2

6.6

24083

76

998601

117.8

6.7

26067

2005Q4 107 828795 100.7 7.9 19963 2011Q4 (Zdroj: Vlastní práce na základě statistik ČNB a Eurostatu.) Legenda: OPP – objem pojistných podvodů v ks, HDP – hrubý domácí produkt v mil. Kč,

I – index spotřebitelských cen, nebo-li inflace vztažená k průměru roku 2005 = 100, N – průměrná míra registrované nezaměstnanosti, NM – průměrná nominální měsíční mzda.

76

Problematika modelování počtu

Recommend Documents