Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina

Detalhes bibliográficos
Autor(a) principal: Mota, Arthur Lula
Data de Publicação: 2020
Outros Autores: Miquelluti, Daniel Lima, Ozaki, Vitor Augusto
Tipo de documento: Artigo
Idioma: por
Título da fonte: Economia Aplicada
Texto Completo: https://www.revistas.usp.br/ecoa/article/view/161194
Resumo: Crop insurance has gained greater attention in Brazil since the beginning of the past decade, with the implementation of the Rural Insurance Premium Subvention Program. The present study tested the performance of Machine Learning algorithms for insurers to forecast the occurrence of a claim, using data from policies and climate databases between the years of 2006 and 2017. The Random Forest, Support Vector Machine and k-Nearest Neighbors algorithms were tested. The second method showed a better predictive performance of claims. However, all methods presented a low predictive capacity for the occurrence of claims.
id USP-21_a6aed103476fb894cc003bdb618a843b
oai_identifier_str oai:revistas.usp.br:article/161194
network_acronym_str USP-21
network_name_str Economia Aplicada
repository_id_str
spelling Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquinaForecast of agricultural claims: a comparative approach using machine learningseguro agrícolasinistroprevisãomachine learningcrop insuranceinsurance claimforecastmachine learningCrop insurance has gained greater attention in Brazil since the beginning of the past decade, with the implementation of the Rural Insurance Premium Subvention Program. The present study tested the performance of Machine Learning algorithms for insurers to forecast the occurrence of a claim, using data from policies and climate databases between the years of 2006 and 2017. The Random Forest, Support Vector Machine and k-Nearest Neighbors algorithms were tested. The second method showed a better predictive performance of claims. However, all methods presented a low predictive capacity for the occurrence of claims.O seguro agrícola tem ganho maior atenção no Brasil desde o início da década passada, com a implementação do Programa de Subvenção ao Prêmio do Seguro Rural. O presente estudo testou o desempenho de algoritmos de Machine Learning para as seguradoras anteciparem a ocorrência de sinistro, elaborando previsões por meio de dados de apólices e bases de dados climáticas entre os anos de 2006 e 2017. Foram testados os algoritmos Random Forest, Support Vector Machine e k-Nearest Neighbours. O segundo mostrou melhor performance preditiva de sinistros. No entanto, todos os métodos apresentaram baixa capacidade preditiva para a ocorrência de sinistros.Universidade de São Paulo, FEA-RP/USP2020-12-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://www.revistas.usp.br/ecoa/article/view/16119410.11606/1980-5330/ea161194Economia Aplicada; Vol. 24 No. 4 (2020); 533-554Economia Aplicada; Vol. 24 Núm. 4 (2020); 533-554Economia Aplicada; v. 24 n. 4 (2020); 533-5541980-53301413-8050reponame:Economia Aplicadainstname:Universidade de São Paulo (USP)instacron:USPporhttps://www.revistas.usp.br/ecoa/article/view/161194/169897Copyright (c) 2020 Economia Aplicadahttp://creativecommons.org/licenses/by-nc/4.0info:eu-repo/semantics/openAccessMota, Arthur LulaMiquelluti, Daniel LimaOzaki, Vitor Augusto2021-03-16T06:40:00Zoai:revistas.usp.br:article/161194Revistahttps://www.revistas.usp.br/ecoaPUBhttps://www.revistas.usp.br/ecoa/oai||revecap@usp.br1980-53301413-8050opendoar:2023-09-13T12:17:14.199428Economia Aplicada - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
Forecast of agricultural claims: a comparative approach using machine learning
title Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
spellingShingle Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
Mota, Arthur Lula
seguro agrícola
sinistro
previsão
machine learning
crop insurance
insurance claim
forecast
machine learning
title_short Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
title_full Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
title_fullStr Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
title_full_unstemmed Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
title_sort Predição de sinistros agrícolas: uma abordagem comparativa utilizando aprendizagem de máquina
author Mota, Arthur Lula
author_facet Mota, Arthur Lula
Miquelluti, Daniel Lima
Ozaki, Vitor Augusto
author_role author
author2 Miquelluti, Daniel Lima
Ozaki, Vitor Augusto
author2_role author
author
dc.contributor.author.fl_str_mv Mota, Arthur Lula
Miquelluti, Daniel Lima
Ozaki, Vitor Augusto
dc.subject.por.fl_str_mv seguro agrícola
sinistro
previsão
machine learning
crop insurance
insurance claim
forecast
machine learning
topic seguro agrícola
sinistro
previsão
machine learning
crop insurance
insurance claim
forecast
machine learning
description Crop insurance has gained greater attention in Brazil since the beginning of the past decade, with the implementation of the Rural Insurance Premium Subvention Program. The present study tested the performance of Machine Learning algorithms for insurers to forecast the occurrence of a claim, using data from policies and climate databases between the years of 2006 and 2017. The Random Forest, Support Vector Machine and k-Nearest Neighbors algorithms were tested. The second method showed a better predictive performance of claims. However, all methods presented a low predictive capacity for the occurrence of claims.
publishDate 2020
dc.date.none.fl_str_mv 2020-12-01
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.revistas.usp.br/ecoa/article/view/161194
10.11606/1980-5330/ea161194
url https://www.revistas.usp.br/ecoa/article/view/161194
identifier_str_mv 10.11606/1980-5330/ea161194
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://www.revistas.usp.br/ecoa/article/view/161194/169897
dc.rights.driver.fl_str_mv Copyright (c) 2020 Economia Aplicada
http://creativecommons.org/licenses/by-nc/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2020 Economia Aplicada
http://creativecommons.org/licenses/by-nc/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade de São Paulo, FEA-RP/USP
publisher.none.fl_str_mv Universidade de São Paulo, FEA-RP/USP
dc.source.none.fl_str_mv Economia Aplicada; Vol. 24 No. 4 (2020); 533-554
Economia Aplicada; Vol. 24 Núm. 4 (2020); 533-554
Economia Aplicada; v. 24 n. 4 (2020); 533-554
1980-5330
1413-8050
reponame:Economia Aplicada
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Economia Aplicada
collection Economia Aplicada
repository.name.fl_str_mv Economia Aplicada - Universidade de São Paulo (USP)
repository.mail.fl_str_mv ||revecap@usp.br
_version_ 1800221695980601344

Registros relacionados