Previsão de prêmio e a ocorrência de sinistros no mercado de seguro agrícola brasileiro

• Ano de defesa: 2019
• Autor(a) principal: Mota, Arthur Augusto Lula
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Claims; Crop insurance; Prediction; Prêmio; Premium; Previsão; Seguro agrícola; Séries de tempo; Sinistro; Time series
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/11/11132/tde-19112019-181327/

Um dos maiores desafios do produtor agrícola é lidar com uma diversidade de riscos, sendo eles exógenos ou endógenos a sua atividade. O que estão em alcance do produtor são tratados com tecnologia, mas há ainda aqueles riscos exógenos, sobretudo ligado a acontecimentos climáticos. O seguro agrícola serve para abordar tais riscos, por meio da transferência dos custos para um agente econômico, a seguradora. O prêmio e a ocorrência de sinistros são variáveis de máxima importância para os participantes desse mercado, sendo de interesse das seguradoras a sua previsão para a possibilidade de um melhor planejamento financeiro. O presente trabalho teve por objetivo avançar nessas duas frentes: na primeira frente, o prêmio do seguro agrícola regional foi alvo de modelagem para sua predição. As séries de tempo do volume de prêmio do seguro agrícola regional foram projetadas com modelos SARIMA, Neural Network Autoregressive (NNAR), Multiple Aggregation Prediction Algorithm (MAPA), Trigonometric Box-Cox Transformation, ARMA Errors, Trend And Seasonal Components (TBATS) e o Extreme Learning Machine (ELM), além de uma variável mensal derivada do volume de subvenção anual ao prêmio do seguro agrícola. O modelo SARIMA mostrou melhor desempenho de previsão na região Sul, Centro-Oeste e Nordeste ao passo que o ELM registrou melhor previsão para a região Sudeste. Por sua vez, na segunda frente foi tratado o problema da ocorrência de sinistro, que é o evento de maior saída de dinheiro das seguradoras. Utilizou-se os algoritmos Random Forest (RF), Support Vector Machine (SVM) e k-Nearest Neighbors (k-NN) para o treinamento e teste de uma base de dados contendo mais de 70 mil contratos de seguro agrícola. Com o objetivo de projeção da ocorrência de sinistro no contrato, o método RF mostrou a melhor performance em termos de redução do Erro Quadrático Médio (MSE), tanto durante o treinamento quanto no conjunto de teste, sendo que o último contém exclusivamente os contratos do ano de 2017.