Data-driven detection of seismic anomalies and their impacts on the insurance sector: the case of Turkey

Öz

Turkey's high seismic risk profile transforms the detection of anomalies in earthquake data into a vital financial security issue for the insurance sector. This study aims to detect seismic anomalies and reveal the dimensions of the "Tail Risk" they create on insurance balance sheets from a Solvency II perspective. In analyses conducted on 7.632 earthquake records   covering the 1900-2025 period and a quarter-century of compulsory carthquake insurance data, it was determined that machine learning algorithms fell short due to data imbalance, whereas Benford's Law successfully detected deviations in data integrity with a 100% success rate. The financial dimension of the study proved the devastating economic impact of these statistical deviations. While compensation payments increased approximately 400-fold during anomaly periods, Solvency II stress tests demonstrated that the sector faces a risk of "technical insolvency." The loss ratio, typically hovering at 1.78% under normal conditions, surged to 235.41% during anomaly periods, creating a value at risk  burden of approximately 30.35 Billion TL on the sector. In summary, this study reveals that Benford anomalies are not random data deviations, but concrete financial threats that directly erode the capital adequacy of insurance companies and necessitate dynamic risk modeling within the scope of Solvency II. 

Anahtar Kelimeler

• Benford's Law
• Compulsory Earthquake Insurance
• Seismic Anomaly
• Solvency II
• Tail Risk
• Value at Risk (VaR).

Sismik anomalilerin veri odakli tespiti ve sigorta sektörü üzerindeki etkileri: Türkiye örneği

Öz

Türkiye’nin yüksek sismik risk yapısı, deprem verilerindeki anomalilerin tespitini sigorta sektörü için hayati bir finansal güvenlik meselesine dönüştürmektedir. Bu çalışma, sismik anomalilerin tespiti ve bu anomalilerin sigorta bilançolarında yarattığı kuyruk riskinin boyutlarını Solvency II perspektifiyle ortaya koymayı amaçlamaktadır. 1900-2025 dönemine ait büyüklüğü ( 3,5 üzerinde olan 7,632 deprem kaydı ve çeyrek asırlık zorunlu deprem sigortası verileri üzerinde yürütülen analizlerde; makine öğrenmesi algoritmalarının veri dengesizliği nedeniyle yetersiz kaldığı, buna karşın Benford Kanunu’nun veri bütünlüğündeki bozulmaları %100 başarıyla tespit ettiği belirlenmiştir. Çalışmanın finansal boyutu ise istatistiksel sapmaların yıkıcı ekonomik karşılığını belirlemiştir. Anomali dönemlerinde tazminat ödemeleri yaklaşık 400 kat artarken, Solvency II stres testleri sektörün teknik iflas riskiyle karşı karşıya kalabileceğini göstermiştir. Normal şartlarda %1,78 seviyesinde seyreden hasar/prim oranı anomali dönemlerinde %235,41’e yükselmiş ve sektör üzerinde yaklaşık 30,35 Milyar TL’lik bir riske maruz değer yükü oluşmuştur. Özetle bu çalışma, Benford anomalilerinin rastlantısal veri sapmaları olmadığını; aksine sigorta şirketlerinin sermaye yeterliliğini doğrudan etkileyen ve Solvency II kapsamında dinamik risk modellemesini gerekli kılan finansal tehditler olduğunu ortaya koymaktadır.

Anahtar Kelimeler

• Benford Kanunu
• Kuyruk Riski
• Sismik Anomali
• Riske Maruz Değer (VaR)
• Solvency II
• Zorunlu Deprem Sigortası.

Kaynakça

1. Afet ve Acil Durum Yönetimi Başkanlığı (AFAD). (2025). Ulusal Deprem Gözlem Ağı Deprem Kataloğu. https://deprem.afad.gov.tr adresinden 06.06.2025 tarihinde erişilmiştir.
2. Aggarwal, C. C. (2017). Outlier analysis (2nd ed.). Springer International Publishing.
3. Barnett, V., & Lewis, T. (1994). Outliers in statistical data (3rd ed.). John Wiley & Sons. Benford, F. (1938). The law of anomalous numbers. Proceedings of the American Philosophical Society, 78(4), 551–572.
4. Boğaziçi Üniversitesi Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü (KRDAE). (2025). Türkiye ve Yakın Çevresi Deprem Kataloğu. https://www.koeri.boun.edu.tr/ adresinden 01.06.2025 tarihinde erişilmiştir.
5. Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93-104.
6. Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys (CSUR), 41(3), 1–58.
7. Coburn, A. W., & Spence, R. J. S. (2002). Earthquake protection (2nd ed.). John Wiley & Sons.
8. Cummins, J. D., & Mahul, O. (2009). Catastrophe risk financing in developing countries: Principles for public intervention. World Bank Publications.

9. DASK. (2023). 2023 Yılı Faaliyet Raporu. Doğal Afet Sigortaları Kurumu.
10. Daykin, C. D., Pentikäinen, T., & Pesonen, M. (1993). Practical risk theory for actuaries. Chapman and Hall/CRC.
11. Dikbaş, Ü., & Ebegil, M. (2025a). Makine öğrenmesi ile kentsel kiralık bisiklet verilerinde anomali tespiti: Konya ili örneği. The Journal of International Scientific Researches, 10(3), 496-509.
12. Dikbaş, Ü., & Ebegil, M. (2025b). Denetimli makine öğrenmesi teknikleri ile anomali tespiti: Shuttle uzay verisi örneği. Savunma Bilimleri Dergisi, 21(2), 291-308.
13. Dobrovolsky, I. P., Zubkov, S. I., & Miachkin, V. I. (1979). Estimation of the size of earthquake preparation zones. Pure and Applied Geophysics, 117(5), 1025-1044.
14. Gurenko, E. N. (Ed.). (2004). Catastrophe risk and reinsurance: A country risk management perspective. World Bank Publications.
15. Gutenberg, B., & Richter, C. F. (1954). Seismicity of the earth and associated phenomena. Princeton University Press.
16. Karakavak, H. N., & Kadılar, G. Ö. (2025). Hava kirlilik düzeylerindeki anomali tespitinde Benford Kanunu ve Genelleştirilmiş Uç Değer Dağılım: Ankara ili örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 29(1), 176-188.
17. Keilis-Borok, V. (2002). Earthquake prediction: State-of-the-art and emerging possibilities. Annual review of earth and planetary sciences, 30(1), 1-33.
18. Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764-766.
19. Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422. IEEE.
20. McKenzie, D. (1972). Active tectonics of the Mediterranean region. Geophysical Journal International, 30(2), 109-185.
21. Michel-Kerjan, E. O. (2010). Catastrophe insurance and risk financing: A global perspective. The Journal of Risk and Insurance, 77(3), 733–747.
22. Palm, R., & Hodgson, M. E. (1992). After a California earthquake: Attitude and behavior change. University of Chicago Press.
23. Raschky, P. A., Schwarze, R., Schwindt, M., & Zahn, F. (2013). Uncertainty of governmental relief and the crowding out of flood insurance. Environmental and Resource Economics, 54(2), 179-200. Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the median absolute deviation. Journal of the American Statistical Association, 88(424), 1273-1283.
24. Saradjian, M. R., & Akhoondzadeh, M. (2011). Thermal anomalies detection before strong earthquakes (M > 6.0) using interquartile, wavelet and Kalman filter methods. Natural Hazards and Earth System Sciences, 11(4), 1099–1108.
25. Schölkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443-1471.
26. Şengör, A. M. C., Tüysüz, O., İmren, C., Sakınç, M., Eyidoğan, H., Görür, N., ... & Rangin, C. (2005). The North Anatolian fault: A new look. Annu. Rev. Earth Planet. Sci., 33(1), 37-112.
27. Taymaz, T., Jackson, J., & McKenzie, D. (1991). Active tectonics of the north and central Aegean Sea. Geophysical Journal International, 106(2), 433-490.
28. Taymaz, T., Jackson, J., & Westaway, R. (1990). Earthquake mechanisms in the Hellenic Trench near Crete. Geophysical Journal International, 102(3), 695-731.
29. Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
30. Yörübulut, S., & Özcan, U. E. (2025). Hava Kirliliği Düzeylerindeki Anomalilerin İstatistiksel ve Makine Öğrenmesi Yöntemleri ile Tespiti: Kırıkkale İli Örneği. European Journal of Engineering and Applied Sciences, 8(2), 53-62.
31. Wooldridge, J. M. (2016). Introductory econometrics: A modern approach (6th ed.). South-Western Cengage Learning.
32. Xie, Y., Sichani, M. E., Padgett, J. E., & DesRoches, R. (2020). Machine learning applications in earthquake engineering: Literature review and case studies. Earthquake Spectra, 36(1), 462-494.