06 de fevereiro de 2026
Correlação entre séries temporais econômicas e o seguro prestamista no Brasil
Elisabete Apis Oliani; Gian Carlo Decarli
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Este trabalho objetivou identificar e quantificar o impacto das variações do Índice de Preços ao Consumidor Amplo (IPCA) e da taxa de desocupação sobre a evolução dos prêmios do seguro prestamista no Brasil, de janeiro de 2014 a outubro de 2024. A investigação buscou determinar a existência, as escalas temporais e as defasagens dessa relação, analisando a sensibilidade do setor a choques econômicos. A pesquisa se justifica pela relevância do seguro prestamista como mitigador de risco, tornando a compreensão de seus determinantes crucial para as decisões estratégicas de seguradoras e instituições financeiras.
O seguro prestamista é um mecanismo de proteção financeira que garante a quitação de dívidas em eventos como desemprego, invalidez ou falecimento. Segundo a Confederação Nacional das Seguradoras (CNseg, 2024), essa modalidade reduz o risco de inadimplência para credores e proporciona segurança ao tomador de crédito. Sua importância foi evidenciada na pandemia de COVID-19, quando se consolidou como instrumento contracíclico em um cenário de incerteza econômica e queda de renda, mitigando o risco de crédito para o sistema financeiro (Silva e Vasconcelos, 2022).
O contexto macroeconômico brasileiro, com oscilações inflacionárias e flutuações no mercado de trabalho, pressiona a saúde financeira das famílias. A expansão do crédito à pessoa física, ao mesmo tempo que impulsiona o consumo, aumentou a fragilidade dos domicílios a choques econômicos (Montani Martins, 2025). A elevação do custo do crédito e a compressão da renda afetam a capacidade de adimplência e a percepção de risco do consumidor. A taxa de desemprego é uma variável estratégica, pois seu aumento pode, teoricamente, estimular a busca por seguros que cubram a perda de renda, uma hipótese que difere de estudos focados apenas na sinistralidade, como o de Silva e Chan (2015).
A análise de séries temporais econômicas apresenta desafios como não estacionariedade e autocorrelação de longo alcance, que limitam a eficácia de métodos de correlação tradicionais como o coeficiente de Pearson (Morettin e Toloi, 2018). Para superar essas limitações, esta pesquisa emprega técnicas de econofísica: a Análise de Flutuação sem Tendência (DFA) e a Análise de Correlação Cruzada sem Tendência (DCCA). A DFA, proposta por Peng et al. (1994), quantifica a memória de longo prazo em uma única série. A DCCA, uma extensão de Podobnik e Stanley (2008), analisa a covariância entre duas séries não estacionárias. Para quantificar a força e a direção da relação, utiliza-se o coeficiente ρDCCA (Zebende, 2011), que normaliza a covariância e varia de -1 a +1. A combinação dessas ferramentas permite uma investigação robusta das interdependências entre as variáveis estudadas.
A pesquisa adota uma abordagem quantitativa, com análise de séries temporais via DFA, DCCA e ρDCCA, adequadas para dados não estacionários (Zebende, 2011; Podobnik e Stanley, 2008). O estudo seguiu as etapas do processo CRISP-DM (Chapman et al., 2000). As fontes de dados foram o IPCA (API do Banco Central do Brasil), a taxa de desocupação (PNAD Contínua/IBGE) e a receita de prêmios diretos do seguro prestamista (SUSEP). Todas as séries cobrem o período de janeiro de 2014 a outubro de 2024, totalizando 130 observações mensais. A preparação dos dados envolveu a harmonização das séries, sem valores ausentes identificados. A modelagem aplicou as funções DFA e DCCA, considerando defasagens de um, três e seis meses para as variáveis macroeconômicas, a fim de investigar o tempo de resposta do mercado. A implementação foi realizada em Python (versão 3.10.12) no Google Colaboratory, com bibliotecas como Pandas e NumPy e funções personalizadas para DFA, DCCA e ρDCCA.
Para normalizar a medida de correlação, Zebende (2011) introduziu o coeficiente ρDCCA, definido como a razão entre a função de covariância DCCA e o produto das funções de flutuação de cada série individual, obtidas via DFA. O valor de ρDCCA(n) varia entre -1 e +1; valores próximos de zero indicam ausência de correlação, valores positivos indicam correlação direta e negativos, correlação inversa. Para a interpretação da intensidade, este estudo adotou a classificação de Zebende et al. (2018): correlações fracas para valores de ρDCCA entre 0 e ±0,333, médias entre ±0,333 e ±0,666, e fortes acima de ±0,666.
A análise dos resultados iniciou-se com a observação da evolução histórica de cada série. O IPCA exibiu alta volatilidade, com picos mensais de 1,62% (março de 2022) e episódios de deflação, como -0,68% (julho de 2022), caracterizando um processo com flutuações rápidas. Em contraste, os prêmios do seguro prestamista demonstraram clara tendência ascendente, passando de aproximadamente R$ 600 milhões mensais em 2014 para mais de R$ 1,6 bilhão em 2024. A taxa de desocupação apresentou um padrão cíclico em “U” invertido, partindo de cerca de 7% em 2014, atingindo um pico de aproximadamente 14% em 2017 e retornando a níveis próximos de 7% em 2024, revelando um ciclo de médio prazo.
A aplicação da análise DFA revelou as estruturas de dependência temporal internas de cada série. Para o IPCA, a função de flutuação F(n) cresceu de forma acelerada em escalas intermediárias (30 a 90 meses), confirmando que a série possui memória de longo prazo. Para os prêmios do seguro prestamista, a função F(n) apresentou crescimento exponencial contínuo, indicando forte tendência de crescimento e memória temporal pronunciada. A taxa de desocupação também mostrou um avanço consistente das flutuações com o aumento da escala, refletindo a natureza gradual dos ajustes no mercado de trabalho e a presença de ciclos prolongados.
A análise de correlação cruzada (ρDCCA) entre o IPCA e os prêmios do seguro prestamista mostrou-se praticamente nula em escalas de curto prazo (até 24 meses). Em escalas intermediárias (36 a 84 meses), emergiu uma correlação positiva de intensidade fraca a moderada, com o coeficiente ρDCCA atingindo um pico de aproximadamente 0,40 em escalas entre 90 e 102 meses. A análise de defasagem revelou que a associação mais forte ocorre com um lag de três meses. Este resultado sugere que a inflação persistente, ao impactar o custo de vida, pode influenciar positivamente a demanda por proteção, mas a relação não é imediata. A queda do coeficiente em escalas muito longas (acima de 114 meses) pode ser atribuída a efeitos de borda da metodologia ou à agregação de diferentes regimes macroeconômicos. A inflação, portanto, parece atuar mais como um fator de contexto do que como um driver principal das vendas.
A correlação entre a taxa de desocupação e os prêmios do seguro prestamista também se revelou nula em escalas de curto prazo. Uma correlação positiva surgiu em escalas intermediárias, mas a intensidade foi consistentemente fraca, com um pico de ρDCCA em torno de 0,33 (limítrofe entre as classificações de fraca e média) em escalas entre 90 e 102 meses. A análise de defasagem indicou que a associação se torna mais visível com lags de três a seis meses. Esse tempo de resposta mais longo é coerente com a cadeia de eventos econômicos; mudanças no mercado de trabalho influenciam a confiança do consumidor e as políticas de crédito. A correlação positiva, ainda que fraca, sugere que períodos de aumento do desemprego podem estimular a procura por proteção, mas outros fatores, como a oferta de crédito, provavelmente desempenham um papel mais dominante.
A leitura integrada dos resultados demonstra que o seguro prestamista, no período analisado, exibiu baixa sensibilidade a choques mensais de inflação e desemprego. As relações com essas variáveis só se tornam estatisticamente visíveis em horizontes de médio a longo prazo (acima de três anos) e, mesmo assim, a intensidade da correlação permanece no campo de fraca a moderada. Isso sugere que a trajetória de crescimento dos prêmios é sustentada por dinâmicas mais estruturais do mercado de crédito e do setor segurador, como a expansão da base de clientes e estratégias comerciais, com as condições macroeconômicas atuando como um pano de fundo modulador, mas não determinante.
Do ponto de vista metodológico, o estudo confirmou a adequação das técnicas DFA e DCCA para analisar séries temporais não estacionárias, identificando relações que seriam obscurecidas por métodos tradicionais. A capacidade de avaliar correlações em múltiplas escalas de tempo e com diferentes defasagens forneceu uma visão granular das interações. A pesquisa contribui para a literatura ao aplicar metodologias de econofísica ao setor segurador brasileiro, oferecendo uma nova perspectiva sobre os determinantes da demanda por seguro prestamista.
As conclusões desta pesquisa indicam que a influência direta da inflação e do desemprego sobre a evolução dos prêmios do seguro prestamista no Brasil, entre 2014 e 2024, foi limitada, manifestando-se principalmente em horizontes de tempo mais longos e com defasagens. A associação positiva, de fraca a moderada intensidade, sugere que as condições macroeconômicas atuam como um fator contextual, mas não como o principal motor da dinâmica do setor. A trajetória de crescimento do seguro prestamista parece ser mais influenciada por fatores intrínsecos ao mercado de crédito e à indústria de seguros. Como limitação, o estudo se concentrou em apenas duas variáveis macroeconômicas. Investigações futuras poderiam incorporar outras variáveis, como a taxa de juros (Selic), a inadimplência do consumidor e a oferta de crédito, ou segmentar a análise por diferentes ramos de seguro.
Apesar das limitações, os achados oferecem implicações práticas para seguradoras e gestores de risco. A baixa sensibilidade do produto a choques de curto prazo indica resiliência, mas a correlação em horizontes mais longos reforça a necessidade de monitorar o cenário macroeconômico no planejamento estratégico de médio e longo prazo. A compreensão das defasagens temporais pode auxiliar na calibração de modelos de precificação e na antecipação de mudanças na demanda. Conclui-se que o objetivo foi atingido: demonstrou-se que as variações do IPCA e da taxa de desocupação apresentaram correlações de intensidade predominantemente fraca com os prêmios do seguro prestamista, com as associações mais notáveis emergindo apenas em escalas temporais intermediárias e com defasagens de três a seis meses.
Referências:
Banco Central do Brasil. (2024). Índice Nacional de Preços ao Consumidor Amplo [IPCA] Série Histórica. Acesso em 29 de dezembro de 2024, de https://api. bcb. gov. br/dados/serie/bcdata. sgs.433/dados? formato=csv&dataInicial=01/01/2000&dataFinal=29/12/2024
Chapman, P. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.
Confederação Nacional das Seguradoras [CNSEG]. (2024). 10 motivos para você contratar um seguro prestamista. Disponível em: https://cnseg. org. br/conteudos/10-motivos-para-voce-contratar-um-seguro-prestamista. Acesso em: 03 nov. 2024.
Guedes, E. F.; Zebende, G. F. (2019) DCCA cross-correlation coefficient with sliding windows approach. Physica A: Statistical Mechanics and its Applications, Amsterdam.
Instituto Brasileiro de Geografia e Estatística [IBGE]. (2023). Índice Nacional de Preços ao Consumidor Amplo – IPCA. Disponível em: https://www. ibge. gov. br/estatisticas/economicas/precos-e-custos/9256-indice-nacional-de-precos-ao-consumidor-amplo. html?=&t=o-que-e. Acesso em: 07 jan. 2025.
Instituto Brasileiro de Geografia e Estatística [IBGE]. Desemprego. Disponível em https://www. ibge. gov. br/explica/desemprego. php. Acesso em 26 jul 2025.
Martins, N. M. (2025). Household financial fragility in Brazil (2005–2023). Journal of Economic Issues, 59(1), 174–194. https://doi. org/10.1080/01603477.2024.2378744. Acesso em 05 set. 2025.
Morettin, P. A., & Toloi, C. M. (2018). Análise de séries temporais (3ª ed.). Edgard Blücher.
Peng, C.-K., Buldyrev, S. V., Havlin, S., Simons, M., Stanley, H. E., & Goldberger, A. L. (1994). Mosaic organization of DNA nucleotides. Physical Review E, 49(2), 1685–1689. Acesso em: 05 set. 2025.
Podobnik, B., & Stanley, H. E. (2008). Detrended cross-correlation analysis: A new method for analyzing two nonstationary time series. Physical Review Letters, 100(8), 084102. Acesso em: 05 set. 2025.
Sebrae Previdência. (2024). Alta de juros: entenda como ela afeta as finanças. Disponível em: https://www. sebraeprevidencia. com. br/planejar-dicas/156/Alta-de-juros:-entenda-como-ela-afeta-as-fin%C3%A7as. Acesso em: 05 nov. 2024.
Silva, F. L., & Chan, B. L. (2015). Análise da Demanda e Sinistralidade do Seguro Prestamista. In Aportes ao Desenvolvimento da Economia Brasileira (pp. 233-254). Blucher. Disponível em: https://pdf. blucher. com. br/openaccess/9788580391237/12. pdf. Acesso em: 05 nov. 2024.
Silva, R., & Vasconcelos, F. (2022). Crédito e risco em tempos de crise: o papel do seguro prestamista. Revista Brasileira de Risco e Seguro.
Superintendência de Seguros Privados [SUSEP]. (2024). Base de dados de seguros: Prêmios e Sinistro. Disponível em: https://www2. susep. gov. br/menuestatistica/ses/principal. aspx. Acesso em: 24 dez. 2024.
Zebende, G. F. (2011). DCCA cross-correlation coefficient: A new method to measure the cross-correlation of two non-stationary time series. Physica A: Statistical Mechanics and its Applications, 390(4), 614-618.
Zebende, G. F., Brito, A. A., Silva Filho, A. M., & Castro, A. P. (2018). DCCA applied between air temperature and relative humidity: An hour/hour view. Physica A, 494, 17-26. https://www. sciencedirect. com/science/article/pii/S0378437117312748. Acesso em: 05 set. 2025.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:

