Modelagem da ocorrência de sinistros de veículos para o Estado de Minas Gerais via inferência bayesiana

Autores/as

DOI:

https://doi.org/10.23925/2446-9513.2022v9id58647

Palabras clave:

Inferência paramétrica, Níveis de risco, Perda total

Resumen

Modelagens de ocorrência de sinistros são comumente realizadas com a regressão logística, mas podem falhar em situações de desbalanceamento dos dados. Como alternativa, modelos de regressão que lidem com excesso de zeros, como distribuições zero infladas ou zero ajustadas, podem ser utilizados. Objetiva-se modelar a ocorrência de sinistros do tipo colisão com perda total em veículos no estado de Minas Gerais no ano de 2019. Foi utilizada a regressão Binomial Zero Ajustada (ZABI) com inferência via abordagem Bayesiana, inserindo covariáveis relacionadas às características do segurado. Como resultado, verifica-se que os perfis de risco dos segurados caracterizados pelas variáveis sexo e idade se associaram significativamente ao sinistro. Sugerindo redução da probabilidade de ocorrência do sinistro em segurados do sexo feminino, quando comparado ao sexo masculino. Sob a abordagem Bayesiana, o modelo adotado permite a inserção do conhecimento prévio do atuário em relação ao evento analisado com uso de prioris informativas.

Citas

CHIVERS, Corey. MHadaptive: general markov chain monte carlo for Bayesian inference using adaptive Metropolis-Hastings sampling. [S.l.], 2015. Disponível em: <https://cran.r-project.org/web/packages/MHadaptive/MHadaptive.pdf>. Data do acesso: 20 mai. 2022.

GEWEKE, John F. Evaluating the accuracy of sampling based approaches to the calculation of posterior moments. [S.l.], 1991. Disponível em: <https://ideas.repec.org/p/fip/fedmsr/148.html>. Data do acesso: 20 mai. 2022.

IBGE - INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Frota de veículos. [s.l.], 2021. Data do acesso: <https://cidades.ibge.gov.br/brasil/mg/pesquisa/22/28120?tipo=ranking&ano=2020&indicador=28120>. Data de acesso: 14 jun. 2022.

MOTA, Arthur Lula; MIQUELLUTI, Daniel Lima; OZAKI, Vitor Augusto. Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina. Economia Aplicada, v. 24, n. 4, p. 533-554, 2020.

PALA, Luiz Otávio de Oliveira; CARVALHO, Marcela Marillac; GUIMARÃES, Paulo Henrique Sales; SÁFADI, Thelma. Vehicle claims in the south of Minas Gerais: an approachusing classification models. Semina: Exact and Technological Sciences, v. 41, n. 1, p. 79-86, 2020.

PLUMMER Martyn; BEST Nicky; COWLES Kate; VINES Karen. Coda: Output Analysis and Diagnostics for MCMC.[s.l.], 2020. Disponível em: <https://cran.r-project.org/web/packages/coda/index.html> . Data do acesso: 01 jun. 2022.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2021. Disponível em: <https://www.R-project.org/>. Data do acesso: 14 jun. 2022.

RAFTERY, Adrian E.; LEWIS, Steven M. The number of iterations, convergence diagnostics and generic metropolis algorithms. Practical Markov Chain Monte Carlo, v. 7, n.98, p. 763–773, 1995. Data do acesso: 20 mai. 2022.

SPEDICATO, Giorgio Alfredo; DUTANG, Christophe; PETRINI, Leonardo. Machine learning methods to perform pricing optimization. A comparison with standard GLMs. Variance, v. 12, n. 1, p. 69-89, 2018.

SOA - SOCIETY OF ACTUARIES. Actual Total Loss. [s.l.], 2022. Disponível em: <https://actuarialtoolkit.soa.org/tool/glossary/actual-total-loss> . ata do acesso: 14 jun. 2022.

SUSEP - SUPERINTENDÊNCIA DE SEGUROS PRIVADOS. Circular SUSEP No 145 de Novembro de 2.000. Dispõe sobre a estruturação mínima das Condições Contratuais e das Notas Técnicas Atuariais dos Contratos exclusivamente de Seguros de Automóvel [. . . ]. Rio de Janeiro: SUSEP, 2000. Disponível em: <http://www2.susep.gov.br/bibliotecaweb/docOriginal.aspx?tipo=1&codigo=9058> . Data do acesso: 18 jan. 2022.

______. Susep simplifica seguro auto a partir de 1º de setembro. [s.l.], 2021. Disponível em: <http://novosite.susep.gov.br/noticias/susep-simplifica-seguro-auto-a-partir-de-1o-de-setembro/> . Data do acesso: 14 jun. 2022.

______. Sistema de Estatísticas da SUSEP. [s.l.], 2022a. Disponível em: <https://www2.susep.gov.br/menuestatistica/SES/premiosesinistros.aspx?id=54> . Data do acesso: 26 jun. 2022.

______. O que é questionário de avaliação do risco?. [s.l.], 2022b. Disponível em: <http://www.susep.gov.br/setores-susep/cgpro/coseb/duvidas-dos-segurados-sobre-seguro-de-automoveis/o-que-e-questionario-de-avaliacao-do-risco> . Data do acesso: 26 jun. 2022.

______. AuToseg: sistema de estatísticas de automóveis da Susep. [s.l.], 2022c. Disponível em: <http://www2.susep.gov.br/menuestatistica/Autoseg/principal.aspx>. Data do acesso: 10 jan. 2022.

Publicado

2022-07-25

Cómo citar

Pala, L. O. de O., Gonçalves, D. O., & Silva, B. da C. (2022). Modelagem da ocorrência de sinistros de veículos para o Estado de Minas Gerais via inferência bayesiana. Redeca, Revista Eletrônica Do Departamento De Ciências Contábeis &Amp; Departamento De Atuária E Métodos Quantitativos, 9, e58647. https://doi.org/10.23925/2446-9513.2022v9id58647

Número

Sección

Artigos