Previsão da sinistralidade em seguros de vida utilizando modelos de séries temporais

Autores

  • Jussiane Nader Gonçalves Universidade Federal de Minas Gerais
  • Amanda Santos Pandolfi Universidade Federal de Minas Gerais

DOI:

https://doi.org/10.22567/rep.v13i1.961

Palavras-chave:

Seguros de Vida, Sinistralidade, Modelos de Séries Temporais

Resumo

A condição de não estaticidade dos seguros em geral se dá por se tratar de uma ciência que depende de fatores sociais e econômicos para se sustentar. O Seguro de Vida, em especial, é impactado por diversos agentes, desde políticas econômicas e culturais, até o desempenho das seguradoras quanto a oferta e demanda do seu produto e aspectos sociodemográficos que influenciam no comportamento do próprio segurado. O conhecimento sobre o risco identificado é fundamental para que a avaliação seja realista e precisa. Para garantir a solvência dessas empresas e assegurar os compromissos futuros, diversas premissas atuariais estão envolvidas no gerenciamento e precificação de riscos, como análise de frequência de sinistros, severidade, risco biométrico, análises de sensibilidade e subscrição, acompanhamento de sinistralidade, entre outras, cabendo ao atuário responsável adequar tais medidas a realidade da instituição de risco. Portanto, este trabalho tem como objetivo avaliar modelos de previsão para uma das premissas atuariais mencionadas, a saber, a sinistralidade, por meio de métodos de regressão e Box-Jenkins. Foram analisados os dados mensais disponíveis no Sistema de Estatísticas (SES) da Superintendência de Seguros Privados (SUSEP), entre os anos de 2011 e 2021, das oito seguradoras com maior volume de prêmio. A capacidade de previsão dos modelos foi avaliada comparando os valores previstos com os dados reais do 1° semestre de 2022. O modelo de regressão foi o mais adequado para a previsão da sinistralidade, embora ambos os métodos tenham apresentado desempenho satisfatório.

Referências

Antunes, J. L. F.; Cardoso, M. R. A. (2015). Uso da análise de séries temporais em estudos epidemiológicos. Epidemiol. Serv. Saúde, Brasília, 24(3), 565-576. <http://scielo.iec.gov.br/pdf/ess/v24n3/v24n3a24.pdf>

Box, G. E.; Jenkins, G. M. (1994). Time Series Analysis: Forecasting and Control. Prentice Hall, Englewood Cliffs.

Carvalho, G. Q. F; Gonçalves, J. N. (2022). Estimação do Índice de Desempenho da Saúde Suplementar (IDSS): Inferência Utilizando a Classe de Modelos GAMLSS. In: Anais do Congresso de Ciências Contábeis e Atuariais da Paraíba - CONCICAT, João Pessoa. <https://www.concicatufpb.com.br/anaisconcicat-2022>

Chaves, M. E. D.; Mataveli, G. A. V.; Justino, R. C. (2014). Uso da modelagem estatística para monitoramento da vegetação no Parque Nacional da Serra da Canastra, Minas Gerais. Caderno de Geografia, 24(1), 120-132. <https://doi.org/10.5752/P.2318-2962.2014v24nespp120>

CNSP. Resolução CNSP Nº 117, de 22 de dezembro de 2004; Resolução CNSP Nº 348, de 25 de setembro de 2017.

Correa, B. (2022). Os impactos causados nas seguradoras do ramo vida pelo aumento da sinistralidade devido a pandemia de Covid-19. UFRGS.

Diniz, H.; Andrade, L. C. M.; Carvalho, A. C. P.; Andrade, M. G. (1998). Previsão de séries temporais utilizando redes neurais artificiais e modelos de Box e Jenkins. In: Anais do Simpósio Brasileiro de Redes Neurais, 173-178.

Gonçalves, J.N., Barreto-Souza, W. (2020). Flexible regression models for counts with high-inflation of zeros. METRON 78, 71-95. <https://doi.org/10.1007/s40300-020-00163-9>

Granger, C. W. J.; Newbold, P. (1974). Spurious Regressions in Econometrics. Journal of Econometrics, 2, 111-120. <https://doi.org/10.1016/0304-4076(74)90034-7>

Guimarães, A. L. S.; Alves, W. O. (2009). Prevendo a insolvência de operadoras de planos de saúde. Revista de Administração de Empresas, 49, 459-471. <https://doi.org/10.1590/S0034-75902009000400009>

Huebner, S. S.; Black, K. J. (1976). El seguro de vida. Madrid: Editorial Mapfre. <https://documentacion.fundacionmapfre.org/documentacion/publico/es/bib/1110.do>

Hyndman, R. J; Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(1), 1-22. <https://www.jstatsoft.org/article/view/v027i03>

Lima, C. A. (2018). A história do seguro. Revista Apólice. <https://revistaapolice.com.br/2018/10/a-historia-do-seguro/>

Machado, M. A. L. (2012). Modelos de previsão aplicados à optimização da gestão das actividades de um Call Center. Universidade de Lisboa, Lisboa. <http://hdl.handle.net/10451/9422>

Morettin, P. A.; Toloi, C. M. C. (2006). Análise de séries temporais. São Paulo: Edgard Blucher.

Mori, F. T. M.; Gonçalves, L. R. (2016). Aplicação da metodologia de séries temporais ao sistema de saúde do Brasil e dos Estados Unidos (2000-2012). Revista Debate Econômico, 4(1). <https://publicacoes.unifal-mg.edu.br/revistas/index.php/revistadebateeconomico/article/view/288>

Nusair, S. (2003). Testing the validity of purchasing power parity for asian countries during the current float. Journal of Economic Development, 28(2), 129-147.

Shumway, R. H., Stoffer, D. S., & Stoffer, D. S. (2000). Time series analysis and its applications, 3, New York: Springer.

SUSEP. Circular SUSEP N° 302, de 19 de setembro de 2005; Circular SUSEP N° 395, de 3 de dezembro de 2009.

SUSEP. Sistema de Estatísticas da Superintendência de Seguros Privados.

Vianna, F. G. (2018). Sinistralidade das operadoras de planos privados de assistências à saúde médico-hospitalar: determinação dos fatores associados a esse índice e seus efeitos. UFMG.

Wooldridge, J. M. (2015). Introductory econometrics: A modern approach. Cengage learning.

Publicado

2024-04-01

Como Citar

Gonçalves, J. N., & Pandolfi, A. S. (2024). Previsão da sinistralidade em seguros de vida utilizando modelos de séries temporais. REVISTA ENIAC PESQUISA, 13(1), 3–28. https://doi.org/10.22567/rep.v13i1.961

Edição

Seção

Artigos