Studi ini meneliti asosiasi empiris dan pemodelan prediktif Modal Berbasis Risiko (RBC) untuk 33 perusahaan asuransi jiwa Indonesia selama tahun 2018 hingga 2024, menggunakan regresi data panel triwulanan dan Gaussian Process Boosting (GPBoost). Model Efek Acak mengidentifikasi pengeluaran klaim, ukuran perusahaan, dan suku bunga kebijakan bank sentral sebagai faktor yang berasosiasi negatif dengan RBC, sementara rasio likuiditas menunjukkan asosiasi positif yang konsisten. Pertumbuhan premi dan pertumbuhan PDB tidak menunjukkan efek kontemporer yang signifikan. Pengembalian investasi berasosiasi positif tetapi sensitif terhadap perlakuan outlier. Kontrol periode COVID-19 disertakan dan ditemukan memberikan asosiasi penurunan yang moderat dan sedikit signifikan dengan RBC dalam spesifikasi utama, konsisten dengan tekanan modal periode pandemi di antara perusahaan asuransi yang stabil. GPBoost, yang menggabungkan RBC tertunda untuk menangkap persistensi modal, secara substansial mengungguli model panel dalam memprediksi rasio solvabilitas triwulanan di masa mendatang, mengurangi kesalahan prediksi sekitar 43% pada set uji bersama yang ditahan. Namun, kedua kerangka kerja tersebut menunjukkan generalisasi lintas perusahaan yang terbatas, yang menegaskan bahwa prediktabilitas RBC terutama merupakan fenomena temporal dalam perusahaan yang didorong oleh lintasan modal idiosinkratik masing-masing perusahaan asuransi. Temuan ini mendukung desain kerangka kerja pemantauan solvabilitas peringatan dini yang spesifik untuk perusahaan dan paling langsung berlaku untuk perusahaan asuransi yang mapan dan terus melaporkan, bukan perusahaan yang mengalami kesulitan atau perusahaan pendatang baru.
Trajektori kecukupan modal selama guncangan COVID-19 dari kuartal pertama tahun 2020 hingga kuartal kedua tahun 2023 memiliki relevansi pengawasan langsung yang akan terabaikan jika hanya menggunakan rata-rata tahunan. Studi ini secara langsung mengatasi kesenjangan ini dengan menganalisis data kuartalan dari perusahaan asuransi jiwa di Indonesia dan menggunakan metode ekonometrik panel yang sudah mapan serta pendekatan pembelajaran mesin yang fleksibel yang melonggarkan asumsi linearitas yang tertanam dalam spesifikasi konvensional.
Studi ini menggunakan dua kerangka analitis komplementer yang melayani tujuan inferensial yang berbeda tetapi terkait. Yang pertama adalah regresi data panel, yang memberikan dasar ekonometrik untuk menilai asosiasi statistik antara variabel keuangan dan makroekonomi dengan RBC. Penerapan spesifikasi Common Effect, Fixed Effect, dan Random Effect, yang dipilih melalui uji Chow, Hausman, dan Breusch-Pagan Lagrange Multiplier, memungkinkan identifikasi yang ketat terhadap variabel mana yang menunjukkan asosiasi statistik sistematis dengan solvabilitas sambil mengendalikan heterogenitas tingkat perusahaan yang tidak teramati. Namun, regresi panel memaksakan linearitas pada hubungan yang mungkin secara inheren nonlinier. Dinamika RBC (Responsive Capital Buffer) dalam asuransi dapat menunjukkan perilaku seperti rezim, di mana perusahaan mempertahankan penyangga modal yang stabil hingga ambang batas terlampaui, setelah itu terjadi penurunan yang cepat, suatu pola yang secara struktural tidak dapat diakomodasi oleh model linier. Kerangka kerja kedua adalah Gaussian Process Boosting (GPBoost), yang diperkenalkan oleh Sigrist (2022), yang menggabungkan gradient boosting dengan Gaussian Process dan komponen efek campuran. Hal ini memungkinkan model untuk menangkap interaksi prediktor nonlinier dan efek acak tingkat perusahaan secara simultan. Desain tandem ini disengaja: regresi panel membahas pertanyaan tentang variabel mana yang penting dan ke arah mana, sementara GPBoost membahas apakah hubungan tersebut kuat terhadap nonlinieritas dan apakah akurasi prediktif dapat ditingkatkan secara signifikan untuk aplikasi pengawasan peringatan dini. Sejauh pengetahuan kami, GPBoost belum pernah diterapkan sebelumnya pada pemodelan solvabilitas asuransi, dan kontribusi ini didasarkan pada desain komparatif daripada diklaim sebagai klaim yang berdiri sendiri.
Dengan latar belakang ini, studi ini memberikan tiga kontribusi pada literatur ekonomi asuransi. Pertama, penelitian ini memberikan bukti empiris tentang prediktor dan asosiasi empiris RBC untuk perusahaan asuransi jiwa Indonesia menggunakan data panel triwulanan, granularitas temporal yang jarang ditemukan dalam penelitian yang ada dan yang menangkap dinamika solvabilitas intra-tahun yang relevan dengan praktik pengawasan. Kedua, penelitian ini menguji apakah asumsi linearitas yang tertanam dalam ekonometrika panel standar memadai untuk memodelkan RBC dengan membandingkan model panel dengan GPBoost dan mengukur biaya prediktif dari pembatasan ini. Ketiga, dengan menerapkan GPBoost, penelitian ini menunjukkan bahwa heterogenitas tingkat perusahaan dan interaksi nonlinier antar rasio keuangan menjelaskan sebagian besar variasi dalam RBC yang tidak dijelaskan oleh model linier, sebuah temuan yang memiliki implikasi langsung untuk desain sistem peringatan dini pengawasan berbasis risiko di pasar asuransi yang sedang berkembang.
Penulis: Mohammad Ghani, Ph.D.
Prodi: Teknologi Sains Data
Email: mohammad.ghani@ftmm.unair.ac.id
Fakultas: Teknologi Maju dan Multidisiplin
Tautan Artikel: https://link.springer.com/article/10.1007/s11135-026-02923-7
