O mercado de seguros brasileiro teve um crescimento bastante surpreendente nos últimos anos, mantendo-se em alta mesmo em cenários de crise política e econômica. O segmento rural acompanhou esta tendência, apresentando um aumento na emissão dos prêmios diretos de seguro no período de 1997 e 2017, com apenas dois períodos apresentando uma queda no valor corrente.
Diante deste cenário, tornou-se atrativo o estudo do comportamento deste mercado, especialmente com o intuito de estabelecer relações entre as variações nos valores de prêmios emitidos e as diversas variáveis macroeconômicas que afetam a economia do país. Isso levou a estudos por parte de acadêmicos, empresas e orgãos públicos, que formularam alguns modelos teóricos, e consequentemente foram capazes de perceber algumas dessas relações.
O uso da linguagem de programação R torna acessível o uso de métodos estatísticos cuja formulação matemática é complexa. Com esta ferramenta, há a possibilidade de implementar pacotes que conseguem extrair variáveis de bases públicas, ou capazes de treinar modelos de aprendizado de máquina e regressão em poucas linhas.
A aplicação dos modelos por meio desta ferramenta foi suficiente para replicar as relações encontradas pelos estudos anteriores. A partir de um teste F de adequação de modelo, pôde-se demonstrar que há uma relação entre o PIB, IPCA, produção de alimentos e saldo de crédito rural e os prêmios diretos. Além disso, testes de hipótese revelam que a relação sazonal e autoregressiva indicada pelo estudo de Adami e Ozaki (2012) se mantiveram mesmo diante de uma base histórica diferente.
Após a etapa em que os modelos foram ajustados em seus devidos parâmetros, foi possível também de realizar um teste envolvendo dados novos, para garantir a capacidade preditiva dos métodos. A partir destes, percebe-se que ainda que um modelo seja o mais indicado por meio da etapa de treino, não necessariamente será capaz de manter esta capacidade durante a etapa de testes. Isto ocorreu com o modelo SVM, que se apresentou como o melhor entre os outros três durante a primeira etapa, porém teve os piores resultados durante a comparação com o novo período.
Além disso, é possível de se concluir que a escolha do modelo depende da necessidade deste e para quais fins será utilizado. Enquanto o modelo de redes neurais se aproximou mais do valor anual dos prêmios de seguro em 2017, os valores de seus erros variaram mais do que o modelo SARIMA ao longo dos meses. Sendo assim, no caso de uma previsão mensal, o segundo modelo provavelmente seria o mais indicado.
Outro ponto interessante foi a proximidade que os modelos tiveram em relação a realidade. Com a exceção do modelo SVM, que obteve uma taxa de erro de 10,4%, os outros três mantiveram-se abaixo de 10%, sendo o melhor deles o de redes neurais, com -3,3%.
É importante de se ressaltar que novos testes podem ser efetuados, seja com períodos diferentes de prêmios, ou com a inclusão e exclusão de variáveis. É também possível que os parâmetros dos modelos de aprendizado de máquina sejam ainda mais refinados, levando a previsões com maior precisão.
O campo de estudo de previsões de séries temporais por meio de modelos de aprendizado de máquina e de regressões clássicas está em constante desenvolvimento, e o surgimento de novas descobertas e ferramentas é frequente. Por ser um campo em expansão, oportunidades para novos estudos e melhorias em relação aos existentes são constantes, e devem ser devidamente exploradas.
Referências Bibliográficas
ADAMI, A., OZAKI, V.. Modelagem estatística dos prêmios do seguro rural. Revista de Política Agrícola, n.1, p. 60-75, 2012. Disponível em: <https://seer.sede.embrapa.br/index.php/RPA/article/view/73/60>. Acesso em: 08 abr. 2018
BACEN. Banco Central do Brasil. Disponível em: <https://tinyurl.com/y7m5fsbj>. Acesso em: 31 jul. 2018 _______. Banco Central do Brasil. Disponível em: <https://www3.bcb.gov.br/sgspub>. Acesso em: 31 jul. 2018 BUANAIN, A.; SILVEIRA, R.. Manual de Avaliação de Riscos na Agropecuária - Um guia metodológico. Rio de Janeiro: Funenseg, 2017. Disponível em: <https://tinyurl.com/y9hvzucm>. Acesso em: 16 jun. 2018
CALDAS, G.; CURVELLO, R.; RODRIGUES, A.. Contabilidade dos Contratos de Seguro. Rio de Janeiro: Funenseg, 2016. Disponível em: <http://www.ens.edu.br/arquivos/contabilidadedoscontratosdeseguro.pdf>. Acesso em: 16 jun. 2018
CNseg. Mercado Segurador Brasileiro - 2016/15. Brasil: CNSEG, 2017. Disponível em: <https://tinyurl.com/ybjl897w>. Acesso em: 08 abr. 2018
______. Mercado Segurador Brasileiro - 2015/14. Brasil: CNSEG, 2016. Disponível em: <https://tinyurl.com/y77mda79>. Acesso em: 08 abr. 2018
______. Projeção de Arrecadação do Mercado Segurador. Brasil: CNSEG, 2016
CORTES, C.; VAPNIK, V.. Support-Vector Networks. Boston: Kluwer Academic Publishers, p. 273- 297, 1995. Disponível em: <http://image.diku.dk/imagecanon/material/cortes_vapnik95.pdf>. Acesso em: 06 jul. 2018 FERNEDA, E.. Redes neurais e sua aplicação em sistemas de recuperação de informação. Revista Ciência da Informação, v. 35, n.1, p. 25-30, 2006. Disponível em: <http://www.scielo.br/pdf/ci/v35n1/v35n1a03.pdf>. Acesso em: 06 jul. 2018
FILGUEIRAS, P.. Regressão por Vetores de Suporte Aplicado na Determinação de Propriedades Físico-Químicas de Petróleo e Biocombustíveis. Tese (Doutorado em Química) – Instituto de Química. Universidade Estadual de Campinas. 2014. Disponível em: <https://tinyurl.com/y8sns3a7>. Acesso em: 22 jul. 2018
GUJARATI, D.; PORTER, D.. Econometria Básica. Tradução Denise Durante; Mônica Rosemberg; Maria Lúcia Rosa. 5 ed. Brasil: AMGH, 2011.
HOPPE, K.. The Value of Insurance to Society. Risk Management, n. 51, p. 1–4, 2012. Disponível em: <https://tinyurl.com/y863nc6h>. Acesso em: 29 mai. 2018
IBGE. Instituto Brasileiro de Geografia e Estatística. Disponível em: <https://tinyurl.com/y8bffybe>. Acesso em: 31 jul. 2018
KUGLER, M.; OFOGHI, R.. Does Insurance Promote Economic Growth? Evidence from the UK. University of Southampton Working Paper, p. 1–28, 2005. Disponível em: <https://tinyurl.com/ybfavmtl>. Acesso em: 05 mai. 2018
LORENA, A.; DE CARVALHO, A.. Uma introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 1–25, 2007. Disponível em: <https://tinyurl.com/y8g44zst>. Acesso em: 31 jul. 2018
OZAKI, V.. Em busca de um novo paradigma para o seguro rural no Brasil. Revista de Economia e Sociologia Rural, v. 46, n. 1, p. 97–119, 2008. Disponível em: <https://tinyurl.com/yyo9cqqv>. Acesso em: 08 abr. 2018 _________. Qual o custo governamental do seguro agrícola?. Revista de Economia e Sociologia Rural, v. 51, n. 1, p. 123–136, 2013. Disponível em: <https://tinyurl.com/y2ndhej9>. Acesso em: 05 mai. 2018
PINHEIRO, F., DE MEDEIROS, J.. Origem de seguro e seguridade social. Anais do EVINCI - UniBrasil, v. 2, n. 1, 2016. Disponível em: <https://tinyurl.com/yyru6fxz>. Acesso em: 05 mai. 2018
RAMOS, R.. O seguro rural no Brasil: origem, evolução e proposições para aperfeiçoamento. Informações Econômicas, v. 39, n. 3, p. 5–16, 2009. Disponível em: <https://tinyurl.com/y4xrzvsl>. Acesso em: 08 abr. 2018 RAO, S.. A course in Time Series Analysis. Disponível em: <https://tinyurl.com/y24kg869>. Acesso em: 06 jul. 2018
RITO, F.. Função Social nos Contratos de Seguro: a Nova Ordem Contratual e sua Implicação para os Contratos de Seguro à Luz do CDC e do Código Civil. Rio de Janeiro: Funenseg, 2010. Disponível em:
<https://tinyurl.com/y3gbos78>. Acesso em: 16 jun. 2018
SMOLA, A.; SCHÖLKOPF, B.. A Tutorial on Support Vector Regression. Statistics and Computing, v. 14 , p. 199–222, 2004. Disponível em: <https://tinyurl.com/y6xuw5f9>. Acesso em: 08 abr. 2018
SOUZA, R.. Algoritmos Online Baseados em Vetores Suporte para Regressão Clássica e Ortogonal. 2013. 69f. Dissertação de Mestrado – Instituto de Ciências Exatas, Universidade Federal de Juiz de Fora, Juiz de Fora, 2013. Disponível em: <https://tinyurl.com/y5cc7dsk>. Acesso em: 22 jul. 2018
SUSEP. Seguro Rural. Disponível em: <https://tinyurl.com/y4jtbw8q>. Acesso em: 08 abr. 2018
______. Superintendência de Seguros Privados. Disponível em: <https://tinyurl.com/y3mefwfs>. Acesso em: 08 abr. 2018
HAUETER, N. A History of Insurance. Zurique: Swiss Re Corporate History, 2013. Disponível em: <https://tinyurl.com/y4zntnww>. Acesso em: 08 abr. 2018
WILLMOTT, C.; MATSUURA, K.. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, v. 30, p. 79–82, 2005. Disponível em: <https://tinyurl.com/y3w5za5o>. Acesso em: 31 jul. 2018
WOOLDRIDGE, J.. Introductory Econometrics: A modern approach. 5 ed. Ohio: South Western Cengage Learning, 2012.