La gestión de riesgos, asociada al seguro del automóvil, es una cuestión crucial a la que se enfrentan en la actualidad tanto actuarios como profesionales del sector. Es clave seleccionar adecuadamente los factores de riesgos para asignar las tarifas a los asegurados en función del riesgo asociado. Por tanto, el objetivo de este trabajo es comprobar empíricamente la validez de la utilización de los niveles de "bonus-malus" para clasificar adecuadamente a los asegurados a través de dos modelos de ecuaciones estructurales. Los análisis sobre una muestra de 4.365 pólizas automovilísticas españolas descritas a través de 11 factores de riesgo muestran que la variable BM contribuye a mejorar la capacidad explicativa del modelo pero no de manera significativa.

La gestion des risques associés à l'assurance du véhicule est une question cruciale que les actuaires comme les professionnels du secteur confrontent actuellement. Il est essentiel de bien choisir les facteurs de risque pour attribuer les tarifs aux assurés en fonction du risque associé. Par conséquent, le but de cet article est de tester empiriquement la validité de l'utilisation des niveaux de "bonus-malus" afin de classer correctement les assurés à travers deux modèles d'équations structurelles. Les analyses d'un échantillon de 4.365 polices d'assurance automobile espagnoles, décrites par 11 facteurs de risque, montrent que la variable BM contribue à améliorer le pouvoir explicatif du modèle, mais pas de manière significative.

Risk management, associated to car insurance, is a crucial issue currently faced by both actuaries and field professionals. It is essential to adequately choose the risk factors to assign the payment rates to policyholders according to the associated risks. Therefore, the purpose of this work is to demonstrate, in an empirical way, the validity of using "bonus malus" (BM) levels to classify policyholders correctly through two models of structural equations. The analysis of a sample of 4,365 Spanish car insurance policies described through 11 risk factors shows that the variable BM contributes to improving the explaining capacity of the model, though not in a significant way.

A gestão de riscos, associada com o seguro do automóvel, é uma questão crucial à qual se enfrentam, na atualidade, tanto atuários quanto profissionais do setor. É fundamental selecionar adequadamente os fatores de riscos para designar as tarifas aos segurados em função do risco associado. Portanto, o objetivo deste trabalho é comprovar empiricamente a validade da utilização dos níveis de bonus-malus (BM) para classificar adequadamente os segurados por meio de dois modelos de equações estruturais. As análises sobre uma amostra de 4.365 apólices automobilísticas espanholas descritas por meio de 11 fatores de risco mostram que a variável BM contribui para a melhoria da capacidade explicativa do modelo, mas não de maneira significativa.

RESUMO Objetivo: o objetivo deste trabalho é testar a validade do uso de níveis “bonus-malus” (BM) para classificar satisfatoriamente os segurados. Método: A fim de alcançar o objetivo proposto e mostrar a evidência empírica, um método de inteligência artificial, a teoria de Rough Set, foi aplicado. Resultados: A evidência empírica mostra que os fatores de risco comuns empregados pela companhia de seguros são boas variáveis explicativas para classificar políticas dos segurados. Além disso, a variável do nível de BM aumenta ligeiramente o poder explicativo dos fatores de risco a priori. Implicações práticas: Para aumentar a capacidade de previsão do nível de BM, questionários psicológicos poderiam ser usados para medir as características ocultas dos segurados. Contribuições: A principal contribuição é que a metodologia utilizada para realizar a pesquisa, teoria de Rough Set, não foi ainda aplicada a esse problema.

ABSTRACT Objective: The objective of this paper is to test the validity of using ‘bonus-malus’ (BM) levels to classify policyholders satisfactorily. Design/methodology/approach: In order to achieve the proposed objective and to show empirical evidence, an artificial intelligence method, Rough Set theory, has been employed. Findings: The empirical evidence shows that common risk factors employed by insurance companies are good explanatory variables for classifying car policyholders’ policies. In addition, the BM level variable slightly increases the explanatory power of the a priori risks factors. Practical implications: To increase the prediction capacity of BM level, psychological questionnaires could be used to measure policyholders’ hidden characteristics. Contributions: The main contribution is that the methodology used to carry out research, the Rough Set Theory, has not been applied to this problem.

Según las más recientes estadísticas disponibles, los acreedores de empresas con problemas financieros en España recuperan la mitad de la deuda pendiente y solo el 10% de las empresas insolventes sobrevive. La reciente reforma de la Ley Concursal estableció una fase preconcursal cuya finalidad es que las empresas se reorganicen sin la presión de una declaración de concurso obligatorio. Para ello, se requiere un informe de un experto independiente. El objetivo de este artículo es conocer qué indicadores empresariales podrían ayudar a la decisión de ese experto. Con metodologías de inteligencia artificial, hemos obtenido que el sector, el tamaño, pertenecer a un grupo y la rentabilidad económica determinarán el futuro de la empresa.

10% of bankrupt companies survive. The recent reform of the Bankruptcy Act established a pre-bankruptcy phase aimed at the reorganization of the firms without the pressure of a mandatory insolvency statement. To do this, a report from an independent expert is needed. The aim of this paper is to identify the business indicators that could help the decision of such expert. Using artificial intelligence methodologies, we have found that the industry, size, profitability and belonging to a group are factors that determine the future of the company.

De acordo com as últimas estatísticas disponíveis, os credores de empresas com dificuldades financeiras em Espanha recuperam metade da dívida e apenas 10% das empresas insolventes sobrevivem. A recente reforma da Lei Concursal (de Falências) estabeleceu uma fase pré-concur-sal destinada às empresas se reorganizar sem a pressão de uma declaração de insolvência obrigatório. Para fazer isso, é preciso um relatório de um perito independente. O objetivo deste artigo é identificar os indicadores de negócio que puderem ajudar a decisão do perito. Com metodologias de inteligência artificial, temos obtido que o sector, o tamanho, pertencer a um grupo e a rentabilidade determinariam o futuro da empresa.