A segunda etapa do processamento dos dados está pautada pela análise das relações entre os potenciais fatores de influência e a intenção de compra (IC). O processamento dos testes está dividido em quatro fases, em consonância com as hipóteses do estudo, e os resultados de cada fase serão apresentados de acordo com a seguinte estrutura: (1) enunciado da hipótese a ser testada; (2) apresentação dos resultados extraídos do programa SPSS e (3) interpretação das significâncias estatísticas e suas implicações.
A primeira fase está relacionada com a hipótese de existência de diferenças significativas na IC nos diferentes cenários de ambiguidade e níveis de risco. Nela, serão testados 6 modelos (3 com diferentes níveis de perda em cada cenário de ambiguidade e 3 com diferentes cenários de ambiguidade em cada nível de perda). A hipótese primeira hipótese a ser testada é:
H1: Há diferença de intenção de compra de seguros de automóveis nos diferentes níveis de ambiguidade (risco, imprecisa ou de conflito) ou risco em diferentes situações de perda (perda total, parcial ou furto).
Como se lê, a hipótese envolve variáveis categóricas relacionadas. Para tal situação, a literatura concernente aos testes não-paramétricos indica a utilização do Teste Q de Cochran (MAROCO, 2010; SIEGEL; CASTELLAN, 2006; FAVERO et al.,2009). Os resultados dos testes de Q de Cochran, para cada modelo de ambiguidade nos diferentes níveis de perda, estão representados na Tabela 7.
Modelo 1 Modelo 2 Modelo 3
0 1 0 1 0 1
Risco_PT 77 18 Ambig_PT 76 19 Conflito_PT 81 14 Risco_PP 73 22 Ambig_PP 73 22 Conflito_PP 77 18 Risco_Furtos 73 22 Ambig_Furtos 80 15 Conflito_Furtos 80 15
N 95 N 95 N 95
Cochran's Q 2,133(a) Cochran's Q 6,167(a) Cochran's Q 2,000(a)
df 2 df 2 df 2
Asymp. Sig. 0,344 Asymp. Sig. 0,046 Asymp. Sig. 0,368
a 1 is treated as a success. a 1 is treated as a success. a 1 is treated as a success.
Tabela 7 - Proporções de IC por cenário de ambiguidade em diferentes níveis de perda Fonte: dados da pesquisa.
Como pode ser observado na Tabela 7, somente a significância do modelo de Ambiguidade Imprecisa ficou abaixo de 5% (Q=6,167; sig=0,046), ou seja, somente nesse cenário de ambiguidade existem diferenças nas proporções para a intenção de compras nos diferentes níveis de perda.
Os resultados indicados na Tabela 8 se referem ao Teste de Cochran para diferenças nas proporções de IC em diferentes cenários de ambiguidade em cada nível de perda. Como pode ser observada, somente a significância do Modelo 5 está abaixo de 5% (Q=8,909;
sig=0,012), ou seja, existem diferenças nas proporções de IC nos diferentes cenários de ambiguidade somente no nível de furto.
Modelo 3 Modelo 4 Modelo 5
0 1 0 1 0 1
Risco_PT 77 18 Risco_PP 73 22 Risco_Furto 73 22 Ambig_PT 76 19 Ambig_PP 73 22 Ambig_Furto 80 15 Confl_PT 81 14 Confl_PP 77 18 Confl_Furto 80 15
N 95 N 95 N 95
Cochran's Q 4,667(a) Cochran's Q 2,133(a) Cochran's Q 8,909(a)
DF 2 df 2 DF 2
Asymp. Sig. 0,097 Asymp. Sig. 0,344 Asymp. Sig. 0,012
a 1 is treated as a success. a 0 is treated as a success. a 0 is treated as a success.
Tabela 8 - Proporções de IC em diferentes cenários ambiguidades por nível de perda Fonte: dados da pesquisa.
Os resultados do teste da Hipótese 1 mostram que não há diferença de intenção de compra de seguros dentre os diferentes tratamentos, exceção feita para o nível de ambiguidade imprecisa e para o nível de perda decorrente de furto, quando os dados são desagregados, conforme mostram os modelos de 1 a 6.
Do ponto de vista de seguradora, pode-se pensar que talvez sejam importantes fatores para decisão de compra a apresentação de um nível impreciso de ambiguidade e com o cenário de que as possibilidades de ocorrência do furto bem como de recuperação do veículo (cujo montante depende do estado do veículo) são totalmente imprevistas.
Esses resultados são diferentes dos obtidos por Cabantous et al. (2011), no aspecto de cenário: precificadores tendem a super valorizar a precificação no cenário de ambiguidade de conflito, mais do que o de ambiguidade imprecisa. Por outro lado, tendem a valorizar a precificação em cenários catastróficos, cujo montante de perda é totalmente imprevisível, à semelhança da perda decorrente de furto, para o proprietário do veículo. Corrobora com o
presente estudo o trabalho de Cabantous et al. (2011), no qual as diferenças encontradas só foram identificadas quando os dados foram desagregados.
Os achados são coerentes com a Teoria do Prospecto Kahneman e Tversky (1979),
quando se discute que a forma de apresentação da situação sobre a qual se decide pode modificar a resposta do sujeito.
A segunda fase está pautada pela análise da relação entre a Intenção de Compra e as variáveis de auto-risco enunciada na segunda hipótese do estudo a saber:
H2. A percepção de autorrisco influencia a intenção de compra de seguros de automóveis em diferentes cenários com diferentes níveis de perda.
As pessoas têm um nível de risco que é estimado pela seguradora a partir de séries históricas sobre sinistros. Conhecer esse nível de risco pessoal (autorrisco) é essencial para a seguradora. Sob o ponto de vista econômico, quanto melhor a estimativa do perfil do segurado, melhor se garante a perpetuidade do negócio. No caso de seguro de automóveis, os potenciais consumidores, por vezes, adotam medidas preventivas (como fazer revisões periódicas, alinhamento de pneus, troca de bateria), considerando que essas eliminem o risco de ocorrência de sinistro. Na verdade, é como o seguro probabilístico: paga-se por algo que
pode reduzir a probabilidade, mas que não elimina o risco (KAHNEMAN; TVERSKY, 1979).
O autorrisco pode ser parte dos fatores que o sujeito considera ao avaliar a compra de um seguro. Pode impactar na sua decisão de compra, porque pode ser considerado como um sujeito de baixo risco e estender essa percepção a fatores externos a ele, como possibilidade de furto ou mesmo de sofrer acidente (como segundo, não o causador).
Neste estudo, não foram levantados aspectos culturais relacionados à visão das pessoas sobre sinistros, como religião, costumes étnicos, dentre outros, conforme discutido por Khalid et al. (2010). São aspectos interessantes que merecem uma investigação específica. Nesta fase, a estatística de Regressão Logística será utilizada e processada pelo método Enter, conforme recomendam Favero et al.(2009), Hair et al.(2009) e Maroco (2010), por tratar-se de relação de dependência entre uma variável dicotômica (Intenção de Compra) e as diversas variáveis categóricas métricas e não-métricas da percepção de autorrisco (Cobertura, Extremamente Cuidadoso, Respeito as Leis, Grupo Direção Perigosa, Uso
Celular, Dirijo Alcoolizado, Faço Revisão Periódica, Tempo Revisão Periódica, Curso de direção Defensiva, Omissão Informações).
O modelo logístico da intenção de compra será testado levando-se em consideração os diversos os cenários de ambiguidade e níveis de perdas conjuntamente, assumindo-se um ponto de corte de 23%, uma vez que essa é a proporção de sucesso estimada para a intenção de compra. Contudo, a Regressão Logística requer a verificação de outliers e medidas de erro que podem influenciar os coeficientes do modelo. Para tal, empreendeu-se a análise gráfica dos resíduos padronizados ao nível de significância 5% (Studentized 1,96 e dfBeta<2) e o
diagnóstico de casos influentes, tomando-se como referência a Distância de Cook (Cook’s
distance<1).
Os resultados do processamento indicaram que as observações (1, 2, 172, 191, 192, 362, 381, 382, 552, 644, 666, 667 e 854) apresentaram resíduos padronizados acima de 1,96, contudo esses valores não influenciaram significativamente os coeficientes do modelo, uma vez que nenhuma das medidas dfBeta foi superior a 2 (0 dfBeta 0,80) e que a Distância de
Cook ficou abaixo de 1 (0 Cook’s distance 0,16). Esses resultados podem ser conferidos no
Apêndice B.
O processamento da Regressão Logística pelo método Enter produziu os valores Qui- Quadrado para a estatística Wald, utilizada para testar a hipótese nula de que os coeficientes estimados da Regressão Logística são iguais a zero. Os resultados estão na Tabela 9.
Tabela 9 - Coeficientes do modelo de regressão logística da intenção de compra Fonte: dados da pesquisa.
-,843 ,240 12,379 1 ,000 ,431 1,121 ,241 21,591 1 ,000 3,069 -,042 ,165 ,066 1 ,798 ,959 -,301 ,104 8,376 1 ,004 ,740 ,523 ,151 12,052 1 ,001 1,687 -,362 ,153 5,572 1 ,018 ,696 -,042 ,025 2,958 1 ,085 ,959 ,569 ,214 7,091 1 ,008 1,767 ,848 ,200 18,043 1 ,000 2,335 -1,423 ,753 3,573 1 ,059 ,241 Cuidadoso Respeito Dir_Perigosa Uso_Celular Alcoolizado Revisão T p_Revisão Curso Omissão Constant Step 1a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Cuidadoso, Respeito, Dir_Perigosa, Uso_Celular, Alcoolizado, Revisão, T p_Revisão, Curso, Omissão.
Os resultados indicam que todas as variáveis de autorrisco apresentaram significâncias
inferiores a 5%, exceto as variáveis Dir_Perigosa ( 2Wald=0,066; sig=0,799) e Tp_ Revisão
( 2Wald = 2,958; sig=0,085). Portanto, excetuando-se essas duas variáveis, todas as demais
influenciam significativamente a Intenção de Compra de seguros de automóveis.
As seguradoras não têm a informação de autorrisco, estimado com base em histórico de ocorrência de sinistros. Regressões são feitas geralmente sobre dados demográficos dos sujeitos para estimar o potencial autorrisco. Os resultados do presente estudo sinalizam que talvez seja interessante desenvolver questionários de perfil do segurado que sejam mais
detalhados de modo a tentar captar o autorrisco (embora o sujeito possa “mentir”) ou fazer
campanhas focadas para prevenção de tipos específicos de autorrisco.
A terceira fase está orientada ao teste da relação de dependência entre a Intenção de Compra e as variáveis demográficas dos respondentes. Conforme se discutiu, as seguradoras detêm informações sobre o perfil demográfico dos segurados e tomam decisões de precificação, estratégia de atuação, busca de público alvo, dentre outras, baseadas nos dados de que dispõem. Para se verificar a influência desses perfis, considerando-se os cenários de ambiguidade e os níveis de perda, testou-se a Hipótese 3:
H3. As variáveis demográficas influenciam a intenção de compra de seguros em diferentes cenários com diferentes níveis de perda.
Por tratar-se de uma relação de dependência entre uma variável dicotômica (Intenção de Compra) e as diversas variáveis demográficas categóricas métricas e não-métricas (Idade, Gênero, Estado Civil, Filhos, Número de Filhos, Renda, Formação, Trabalha, Segmento, Tempo de CNH, Tempo que Dirige, Tempo Primeiro Carro, Tempo Carro Atual, Possui Seguro, Valor do Prêmio do Seguro, Sinistro, Tipo de Sinistro e Cobertura), a relação será testada por meio do processamento da Regressão Logística pelo método Enter, levando-se em consideração os diversos cenários de ambiguidade e níveis de perdas.
A análise gráfica dos resíduos padronizados ao nível de significência 5% (Studentized
1,96 e dfBeta<2) e o diagnóstico de casos influentes pela Distância de Cook (Cook’s
distance<1) revelaram que as observações (514, 644, 854, 120, 328, 310, 138, 348 e 158)
apresentaram resíduos padronizados acima de 1,96. Contudo, somente a observação 514
dessa observação resultou numa pequena variação da estatística -2LL (que passou de 501,00 para 479,90) e uma variação de 2,3% da estatística Nagelkerke R square (que passou de 0,520 para 0,543). Considerando-se a pequena melhoria reunida ao modelo, resolveu-se manter a observação no processamento. A análise gráfica dos resíduos pode ser conferida no Apêndice E. O processamento do modelo de Regressão Logística da IC com as variáveis demográficas pelo método Enter produziu os coeficientes e as significâncias estatísticas indicadas na Tabela 10.
Tabela 10 - Coeficientes Regressão Logística da IC com as variáveis demográficas Fonte: dados da pesquisa.
Os resultados indicam que todas as variáveis demográficas incluídas na análise influenciam significativamente a Intenção de Compra de seguros de automóveis em diferentes
cenários de ambiguidade e níveis de perda, exceto a variável “Filhos” ( 2
Wald= 0,139; ,268 ,036 54,629 1 ,000 1,307 1,217 1,403 -,979 ,343 8,126 1 ,004 ,376 ,192 ,737 34,911 3 ,000 17,182 13397,556 ,000 1 ,999 28977547,8 ,000 . 19,791 13397,556 ,000 1 ,999 393631069 ,000 . 13,077 13397,556 ,000 1 ,999 478058,685 ,000 . ,182 ,487 ,139 1 ,709 1,199 ,461 3,116 69,224 3 ,000 6,127 ,925 43,860 1 ,000 458,101 74,723 2808,454 ,799 ,539 2,199 1 ,138 2,222 ,773 6,386 -1,296 ,482 7,237 1 ,007 ,274 ,106 ,703 39,836 3 ,000 -8,285 1,505 30,296 1 ,000 ,000 ,000 ,005 1,142 ,784 2,121 1 ,145 3,133 ,674 14,575 -3,527 ,727 23,545 1 ,000 ,029 ,007 ,122 -3,398 1,057 10,322 1 ,001 ,033 ,004 ,266 7,987 2 ,018 ,889 ,384 5,357 1 ,021 2,432 1,146 5,163 -,832 ,569 2,134 1 ,144 ,435 ,143 1,329 -,093 ,068 1,861 1 ,172 ,911 ,798 1,041 ,174 ,043 16,088 1 ,000 1,190 1,093 1,296 -,130 ,037 12,144 1 ,000 ,878 ,816 ,945 ,303 ,119 6,450 1 ,011 1,354 1,072 1,710 4,005 ,632 40,182 1 ,000 54,850 15,901 189,200 -2,118 ,627 11,393 1 ,001 ,120 ,035 ,411 19,713 2 ,000 3,718 ,869 18,311 1 ,000 41,193 7,502 226,182 1,617 ,436 13,787 1 ,000 5,039 2,146 11,832 16,850 2 ,000 1,245 ,385 10,441 1 ,001 3,473 1,632 7,391 1,965 ,504 15,214 1 ,000 7,133 2,658 19,143 -1,454 ,321 20,523 1 ,000 ,234 ,125 ,438 -31,438 13397,556 ,000 1 ,998 ,000 Idade Genero(1) EstadoCivil EstadoCivil(1) EstadoCivil(2) EstadoCivil(3) Filhos(1) Renda Renda(1) Renda(2) Renda(3) Formação Formação(1) Formação(2) Formação(3) T rabalha(1) Segmento Segmento(1) Segmento(2) CNH Dirige Prim_Carro Car_Atual Seguro(1) Sinistro(1) T ipoSinistro T ipoSinistro(1) T ipoSinistro(2) Cobertura Cobertura(2) Cobertura(3) nFilhos Constant Step 1a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: Idade, Genero, EstadoCivil, Filhos, Renda, Form ação, Trabalha, Segm ento, CNH, Dirige, Prim _ Carro, Car_Atual, Seguro, Sinistro, TipoSinistro, Cobertura, nFilhos.
sig=0,709) e a variável “CNH” ( 2
Wald=1,861; sig=0,172), que apresentaram significâncias
superiores a 5%.
A quarta fase de processamento está relacionada com o teste da influência do conhecimento a respeito da legislação sobre a intenção de compra de seguros para automóveis, enunciada na quarta hipótese do estudo:
H4. O conhecimento da regulamentação de seguros influencia a intenção de compra de
seguros de automóveis nos cenários de risco, para todas as situações de perda.
Novamente, por tratar-se da relação de dependência entre uma variável dicotômica Intenção de Compra - IC) e uma variável independente não-métrica policotômica
(Conhecimento da Regulamentação – Lei4), a quarta hipótese será testada com o
processamento da Regressão Logística, considerando três modelos de intenção de compra definidos segundo os níveis de perda (Perda Total, Perda Parcial e Furto). A variável
Conhecimento da Legislação foi operacionalizada a partir do número de acertos obtidos em
cinco questões de legislação de seguros e categorizada da seguinte forma: 0 e 1 baixo; 2 e 3 moderado; 4 e 5 elevado.
A análise gráfica dos resíduos padronizados revelou que, no nível de significância 5%, as observações (4, 26, 56, 289, 311, 340, 341, 348, 596 e 626) apresentaram resíduos padronizados acima de 1,96, mas esses valores não distorcem significativamente os coeficientes estimados de regressão logística do Modelo1, uma vez que em nenhuma delas a
distância de Cook foi superior a 1 (0,001 Cook’s distance 0,094), conforme pode ser
verificado no Apêndice F. Os resultados do processamento da Regressão Logística pelo método Enter são apresentados na Tabela 11.
B S.E. Wald df Sig. Exp(B) 95,0% C.I.for EXP(B) Lower Upper Step 1(a) Lei4 6,071 2 ,048 Lei4(1) 1,105 ,532 4,319 1 ,038 3,018 1,065 8,554 Lei4(2) ,863 ,384 5,046 1 ,025 2,371 1,116 5,037 Constant -2,116 ,335 39,970 1 ,000 ,120
Tabela 11- Intenção de compra e conhecimento legislação de seguros ao nível de perda total Fonte: dados da pesquisa.
a Variable(s) entered on step 1: Lei4.
Como pode ser observada na Tabela 11, a estatística de Wald ( 2Wald= 6,071;
sig=0,048) indica que ao nível de perda total existe influência significativa do conhecimento da legislação sobre a intenção de compra de seguros de automóveis
Os mesmos procedimentos estatísticos utilizados no processamento do Modelo 1 foram adotados para processar o Modelo 2, no qual a relação entre a intenção de compra e o conhecimento da legislação de seguros foi testada para o nível de perda parcial.
A análise gráfica dos resíduos padronizados revelou que, ao nível de significância 5%, as observações (99, 121, 150, 151, 158, 384, 406, 436, 669, 691, 721, 725) apresentaram resíduos padronizados acima de 1,96 e que a distância de Cook não foi superior a 1
(0,001 Cook’s distance 0,073), logo essas observações não distorcem significativamente os
coeficientes do modelo conforme pode ser verificado no Apêndice G.
O resultado do processamento da Regressão Logística pelo método Enter indica que a
significância da estatística de Wald ( 2Wald= 8,277; sig=0,016) ficou baixo de 5%, logo o
conhecimento da legislação influencia a intenção de compra de seguros de automóveis. .
B S.E. Wald df Sig. Exp(B) 95,0% C.I.for EXP(B) Lower Upper Step 1(a) Lei4 8,277 2 ,016 Lei4(1) 1,363 ,489 7,766 1 ,005 3,908 1,498 10,192 Lei4(2) ,761 ,360 4,473 1 ,034 2,140 1,057 4,332 Constant -1,910 ,309 38,110 1 ,000 ,148
Tabela 12 - Intenção de compra e conhecimento lei ao nível de perda parcial Fonte: dados da pesquisa.
a Variable(s) entered on step 1: Lei4.
A análise gráfica dos resíduos padronizados do Modelo 3 de Regressão Logística da intenção de compra pelo conhecimento da legislação para o nível de perda roubo revelou que as observações (194, 216, 246, 501, 531, 786, 816 e 820) apresentaram resíduos padronizados acima de 1,96, ao nível de significância 5%, conforme pode ser verificado no Apêndice G, mas os valores da distância de Cook não excederam patamar de referência igual a 1
(0,001 Cook’s distance 0,115), portanto essas observações foram mantidas no modelo.
Os resultados do processamento da Regressão Logística pelo método Enter, indicam que, no nível de perda de roubo, existe influência significativa do conhecimento da legislação
sobre a intenção de compra de seguros de automóveis ( 2Wald= 6,428; sig=0,040).
B S.E. Wald df Sig. Exp(B) 95,0% C.I.for EXP(B)
Lower Upper Step 1(a) Lei4 6,428 2 ,040 Lei4(1) 1,174 ,568 4,263 1 ,039 3,234 1,061 9,852 Lei4(2) 1,000 ,418 5,719 1 ,017 2,718 1,198 6,168 Constant -2,363 ,370 40,835 1 ,000 ,094
Tabela 13 - Intenção de compra por conhecimento lei em situação de roubo a Variable(s) entered on step 1: Lei4.
Portanto, os três modelos mostram que conhecimento da legislação de seguros influencia a intenção de compra nos diferentes níveis de perda.
No levantamento bibliográfico feito para o estudo, não havia referências para autorrisco ou para o conhecimento da legislação. Esses aspectos representam uma inovação proposta neste estudo, podendo gerar, para a seguradora, oportunidades de desenvolvimento de ações que possam minimizar o autorrisco e que ajustem a precificação de acordo com o autorrisco, além de educar sujeitos para melhor conhecimento da legislação relacionada aos sinistros de automóveis.
Os resultados dos testes de hipótese estão sintetizados no Quadro 6 a seguir.
Hipóteses Técnicas
Estatísticas
Status
H1. Há diferença de intenção de aquisição de seguros de automóveis nos diferentes cenários de ambiguidade (risco imprecisa ou de conflito) em diferentes níveis de
perda (perda total, parcial ou furto).
Teste Q de Cochran
Não houve evidências para suportar a Hipótese
H2. A percepção de auto-risco influencia a intenção de aquisição de seguros em diferentes cenários de
ambiguidade com diferentes níveis de perda.
Regressão Logística
A Hipótese foi suportada
H3. Os dados demográficos influenciam a intenção de aquisição de seguros em diferentes cenários de
ambiguidade com diferentes níveis de perda
A Hipótese foi suportada
H4. O conhecimento da regulamentação de seguros influencia a intenção aquisição de seguros de automóveis
nos diferentes níveis de perda
A Hipótese foi suportada
Quadro 6 - Resumo dos resultados Fonte: o autor da pesquisa.
Diante dos resultados obtidos e da inexistência de suporte estatístico para a Hipótese 1, propõe-se, na Figura 5, um novo modelo para explicar a intenção de compra de seguros a ser testado em estudos posteriores.
Figura 5 - Modelo de intenção de compra reformulado Fonte: elaborado pelo autor.
Esse modelo é suportado pelos testes de hipótese desenvolvidos e pode ser testado em estudos posteriores de modo a se analisar qual o poder de classificação de potenciais compradores a partir do conhecimento das variáveis relacionadas ao autorrisco, conhecimento da legislação e dados demográficos. Colher esse tipo de informação é um desafio para as seguradoras, todavia se elas desenvolverem instrumentos adequados para obtê-los, e se o modelo apresentar um ajuste adequado, o ganho pode ser muito grande.
As seguradoras sempre buscam aumentar sua lucratividade e, para isso, devem mensurar os riscos do negócio, de cada apólice de seguro, por meio de uma precificação que estime todos os possíveis eventos é condição de subsistência. Nesse sentido, a fonte que alimenta a empresa seguradora de forma que tente se precaver e mensurar os possíveis riscos pauta-se basicamente em trabalhar com informação de qualidade. Obtê-la é o grande desafio. Por isso, as seguradoras sempre têm que dispor de mecanismos de busca estruturada de informação de uma forma sistemática, confiável e atualizada. A riqueza extraída das informações, aliada às técnicas estatísticas e à parte analítica dos profissionais de seguro, levam as empresas seguradoras a atuar na gestão dos riscos que aceitam, de forma mais concisa, em busca da acurácia e a lucratividade para um negócio sustentável.