Proyecciones AACH 2021-2022

Proyecciones
Mercado Asegurador 2021/22

MERCADO ASEGURADOR 2021/22
Por medio de este documento, presentamos las

proyecciones del mercado asegurador para los
años 2021 y 2022, calculadas internamente por
la AACH.
En el año 2020, el mercado asegurador decreció

15,0% alcanzando una prima directa total de
UF 269.537.020.
Para el año 2021, se prevé una recuperación de

la prima directa de 2,9%, equivalente a una pri-
ma de mercado de UF 277.465.823 (ver Gráfico
N°1 y Tabla N°1).
Para el año 2022 se estima un crecimiento de

5,7%, llegando así a una prima de mercado de
UF 293.229.061.
2
Proyecciones Mercado Asegurador 2021/22
ÍNDICE
1. 2. 3.
p.4 p.6 p.20
RESUMEN DEL MERCADO SEGUROS DE VIDA: SEGUROS GENERALES:

ASEGURADOR 2021/22 PROYECCIÓN DE LA PROYECCIÓN DE LA
PRIMA DIRECTA PRIMA DIRECTA
4. 5. 6.
p.34 p.36 p.38
CIFRAS DEL MERCADO CIFRAS DEL MERCADO DE ANEXO:

DE SEGUROS DE VIDA: SEGUROS GENERALES: METODOLOGÍA
RESUMEN RESUMEN
3
Gráfico N°1: Mercado Asegurador - Prima Directa en Millones de UF
RESUMEN DEL MERCADO ASEGURADOR 2021/22

GRÁFICO N°1: MERCADO ASEGURADOR - PRIMA DIRECTA EN MILLONES DE UF
Proyección Seguros de Vida Seguros Generales
400
300
91 93 94 101 104
200 83 86 108 111 114
100 166 167 198 222 214 224 213 161 166 180
0
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Var. % Mercado Asegurador

14,4 9,0
1,5 5,1 2,9 5,7
2,1 2,3
15,0
TABLA N°1: EVOLUCIÓN DE LA PRIMA DIRECTA (UF) DEL MERCADO DE SEGUROS (*). PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Seguros de Vida 166.257.282 167.167.144 198.211.199 221.844.245 214.387.720 223.651.659 212.645.438 161.049.151 166.204.468 179.728.321
Seguros Generales 82.623.622 85.533.318 90.848.681 93.219.106 94.154.274 100.677.841 104.313.050 108.487.870 111.261.355 113.500.740
Mercado Seguros 248.880.904 252.700.462 289.059.880 315.063.351 308.541.994 324.329.500 316.958.488 269.537.021 277.465.823 293.229.061
Var. (%) - 1,5% 14,4% 9,0% -2,1% 5,1% -2,3% -15,0% 2,9% 5,7%
PIB (Var. Anual) 4,0% 1,8% 2,3% 1,7% 1,2% 3,7% 0,9% -5,8% 9,0% 2,5%
Fuente: Elaboración propia en base a información FECU, Banco Central y proyecciones.

(*) Valor dólar al 30-12-2020 de $711,24 y UF al 31-12-2020 de $29.070,33.
4 1
TABLA N°2: EVOLUCIÓN DE LA PRIMA DIRECTA (MM US$ DIC-2020) DEL MERCADO DE SEGUROS (*). PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Seguros de Vida 6.795 6.833 8.101 9.067 8.763 9.141 8.691 6.583 6.793 7.346
Seguros Generales 3.377 3.496 3.713 3.810 3.848 4.115 4.264 4.434 4.548 4.639
Mercado Seguros 10.172 10.329 11.815 12.878 12.611 13.256 12.955 11.017 11.341 11.985
Var. (%) - 1,5% 14,4% 9,0% -2,1% 5,1% -2,3% -15,0% 2,9% 5,7%
PIB (Var. Anual) 4,0% 1,8% 2,3% 1,7% 1,2% 3,7% 0,9% -5,8% 9,0% 2,5%
Fuente: Elaboración propia en base a información FECU, Banco Central y proyecciones.

(*) Valor dólar al 30-12-2020 de $711,24 y UF al 31-12-2020 de $29.070,33.
Para el año 2021, se proyecta que los Seguros haría en un 10,0%. Otros ramos con crecimientos Invalidez y Sobrevivencia, las Rentas Vitalicias
Generales crezcan 2,6%; mientras que las primas serían Responsabilidad Civil, Vehículos y Terre- y los Seguros de Salud, con un crecimiento de
totales de Seguros de Vida lo harán en 3,2%. moto con un crecimiento del 6,3%, 5,9% y 2,9%, 6,8%, 4,9%, 3,7% y 0,6%, respectivamente.
Dado lo anterior, para el año 2021 los Seguros respectivamente.
Generales tendrían una participación de 40,1% Los otros dos ramos del segmento Vida, presen-
en la prima directa del mercado asegurador, Por otro lado, los ramos que decrecerían serían tarían disminución respecto al 2020. Los Seguros
equivalente a UF 111.261.355, mientras que los Robo e Incendio, con una caída de 11,3% y 6,5%, de Desgravamen y los Seguros con CUI tendrían
Seguros de Vida representarían el 59,9% restan- respectivamente. una caída de 3,3% y 0,3% respectivamente.
te, equivalente a UF 166.204.468.
El ramo “Otros Seguros Generales”, que inclu- El ramo “Otros Seguros de Vida”, que incluyen
Para los Seguros Generales, se espera que du- yen seguros de Cesantía, Multirriesgos, Fideli- Mixto o Dotal, Rentas Privadas y Otras Rentas,
rante el año 2021 el ramo de Ingeniería sea el dad, Agrícola, Salud, Casco y Otros caería 6,8% Dotal Puro o Capital Diferido, SOAP y Otros, pre-
de mayor crecimiento, con 26,9%; llegando así a el 2021. sentaría una caída del 6,4%.
una prima directa de UF 4.755.218. Luego estaría
Garantía y Crédito, el cual terminaría el año con Para este año, se proyecta que los ramos de Se- Para la elaboración de las proyecciones 2021 y
un alza de 13,9% y una prima de UF 5.067.723. guros de Vida sean los que tengan mayor creci- 2022, se desarrollaron cuatro familias de mode-
Le seguiría el ramo de Accidentes Personales, miento, con una variación positiva del 9,3%. Con los univariados, con series de tiempo trimestrales
con un crecimiento de mercado similar, de 13,8% un crecimiento similar están los Seguros de Acci- desde 1980, los que proyectan el primaje anual.
en su primaje. El ramo SOAP obtendría un cre- dentes Personales con un crecimiento del 8,6%.
cimiento de 11,1%, mientras que transporte lo Luego están los Seguros con APV, el Seguro de
5
De manera complementaria, para el caso de las SEGUROS DE VIDA: Los seguros de Accidentes Personales (Vida) ce-
Rentas Vitalicias se consideró un factor de ajuste rrarían el año con una variación de prima directa
PROYECCIÓN DE LA
asociado al comportamiento del último trimestre. de 8,6%, igual crecimiento que se ha expresado
PRIMA DIRECTA
Así también para el ramo SIS (Seguro de Invali- en el primer semestre de este año
dez y Sobrevivencia) se hizo un tratamiento espe-
Se realizaron proyecciones para los ramos de
cial manteniendo la tendencia de la proyección, Se proyecta un crecimiento para el año 2021 de
Rentas Vitalicias, Seguros con CUI, Seguro de In-
pero aplicando un ajuste por la nueva tasa y el los Seguros con APV de 6,8%, considerando que
validez y Sobrevivencia, Seguros de Salud, Segu-
factor del empleo, en donde se consideró que el el primer semestre acumula un crecimiento del
ros de Desgravamen, Seguros de Vida, Seguros
empleo aumentaría en un 8% el 2021 y 10% el 4,0%.
con APV y Seguros de Accidentes Personales.
2022.
Los restantes ramos de vida se agruparon en el
En el caso de los Seguros de Salud se observaría
ítem Otros Seguros de Vida, el que también se
Por último, para los ramos de Terremoto, Incendio un leve crecimiento del 0,6%.
estimó.
y SOAP se consideró una serie semestral en vez
de trimestral dado su patrón de comportamiento. Por otro lado, de los ramos restantes, los Segu-
Se proyecta que para este año el Mercado de
ros con CUI y los Seguros de Desgravamen des-
Seguros de Vida aumente su prima directa en
cenderían 0,3% y 3,3% respectivamente.
3,2%, lo que se traduce en una prima de UF
166.204.468. En cambio, para el año 2022, se
A continuación, en el Gráfico N°2 se presenta la
proyecta un crecimiento de 8,1%, llegando a una
participación histórica por ramo del primaje en
prima directa de UF 179.728.321. El crecimien-
los Seguros de Vida.
to estimado para el año 2021 en el Mercado de
Seguros de Vida, se explica principalmente por
el aumento en las Rentas Vitalicias y el SIS, ra-
mos que en conjunto tienen una participación del
45,5% del segmento y que presentarían un creci-
miento de 3,7% y 4,9%, respectivamente.
A su vez, el ramo de Vida sería el segmento con

mayor crecimiento, con una variación del 9,3%,
acumulando un primaje de UF 13.239.087.
6
Gráfico N°2:!Prima Directa en Millones de UF
GRÁFICO N°2: PRIMA DIRECTA SEGUROS DE VIDA EN MILLONES DE UF
250
200
Otros Seguros Vida
Accidentes!Personales
APV
150
Vida
Desgravamen
100 Salud
SIS
Seguro CUI
50 Rentas Vitalicias
0
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Fuente: Elaboración propia en base a información FECU y proyecciones.
7
Gráfico N°3: Evolución de la Prima Directa del Mercado de Seguros
Período 2013-2022.
En el Gráfico N°3 se presenta la evolución his- GRÁFICO N°3: EVOLUCIÓN DE LA PRIMA DIRECTA DEL MERCADO DE
tórica de la Prima Directa del Mercado de Segu- SEGUROS DE VIDA. PERÍODO 2013-2022.
ros de Vida. Para las proyecciones de los años
2021-2022, se exhiben intervalos a niveles del Millones de UF Var. % anual
250 50%
50%, 80% y 90% de confianza, con el objetivo
Fuente: Elaboración propia en base a información FECU y

de entregar un rango de proyección para el valor 40%
futuro de la prima.
200
30%
20%
150
10%
0%
100
-10%
Intervalos de
Confianza Intervalos de
-20% Confianza
50 50%
50%
proyecciones.
80% -30% 80%
90%
90%
0 -40%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 2
TABLA N°3: EVOLUCIÓN DE LA PRIMA DIRECTA DEL MERCADO DE SEGUROS DE VIDA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Prima Directa en UF 166.257.282 167.167.144 198.211.199 221.844.245 214.387.720 223.651.659 212.645.438 161.049.151 166.204.468 179.728.321
Índice (2013 = 100) 100,0 100,5 119,2 133,4 128,9 134,5 127,9 96,9 100,0 108,1
Var. (%) 5,5% 0,5% 18,6% 11,9% -3,4% 4,3% -4,9% -24,3% 3,2% 8,1%
8
RENTAS VITALICIAS valos de confianza por la alta volatilidad obser- Cabe señalar que en la presente proyección no se
vada en los últimos dos años a consecuencia de incluyen los potenciales efectos del proyecto de
Las Rentas Vitalicias se componen de los ramos los cambios regulatorios y legales en el sistema ley para mejorar las pensiones y extender el Pilar
de Rentas Vitalicias de Vejez, Invalidez y Sobre- de pensiones (modificaciones en la tasa de retiro Solidario, anunciado por el presidente Sebastián
vivencia. programado, retiros de los fondos de pensiones y Piñera, el 6 de septiembre de 2021.
anticipo de las Rentas Vitalicias).
En el año 2020 la prima directa del ramo de Ren-
Gráfico N°4: Evolución de la Prima Directa de Rentas Vitalicias.
tas Vitalicias se vio fuertemente impactado, con
una caída del 54,7% y una prima directa de UF Período 2013-2022.
39.290.790, la más baja de los últimos 10 años. GRÁFICO N°4: EVOLUCIÓN DE LA PRIMA DIRECTA DE RENTAS VITALICIAS.
Para el año 2021 se espera un crecimiento del PERÍODO 2013-2022.
3,7% con una prima directa de UF 40.738.711.
Concretamente, Vejez es la que impulsaría el cre-
Millones de UF
cimiento con una variación positiva del 7,5%. Por 120 Var. % anual
otra parte, Invalidez y Sobrevivencia descende- 200%

rían en 0,2% y 18,8%, respectivamente.
100 150%
El crecimiento proyectado para el ramo de Ren-
tas Vitalicias se explica por el segmento de Vejez 100%
80
ya que es el único que tendría una variación posi-
tiva. Este crecimiento se viene observando en el
50%
último trimestre (abril-junio). 60
0%
Finalmente, se espera que para el año 2022 haya
una recuperación de un 22,9%, con un primaje 40
Intervalos de
Confianza -50% Intervalos de
de UF 50.062.541, en donde los tres segmentos
Confianza
de rentas verían cambios positivos, siendo el de 50%
20 50%
proyecciones.
Vejez el que tenga el mayor crecimiento con un 80% -100%
80%
30,5%. 90%
90%
0 -150%
Es importante mencionar que la proyección de 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 201
este ramo presenta un amplio rango en los inter-
9
TABLA N°4: EVOLUCIÓN DE LA PRIMA DIRECTA DE RENTAS VITALICIAS. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 92,6 123,2 141,1 123,5 135,3 116,9 52,9 54,9 67,5
Var. (%) 4,2% -7,4% 33,1% 14,5% -12,5% 9,5% -13,6% -54,7% 3,7% 22,9%
TABLA N°5: EVOLUCIÓN DE LA PRIMA DIRECTA DE RENTAS VITALICIAS VEJEZ. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 90,5 128,0 144,2 123,5 138,2 113,7 47,0 50,5 66,0
Var. (%) 10,5% -9,5% 41,4% 12,6% -14,3% 11,9% -17,7% -58,7% 7,5% 30,5%
TABLA N°6: EVOLUCIÓN DE LA PRIMA DIRECTA DE RENTAS VITALICIAS INVALIDEZ. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 99,1 101,1 133,1 128,2 134,7 134,0 81,9 81,7 86,4
Var. (%) -13,2% -0,9% 2,0% 31,6% -3,7% 5,1% -0,5% -38,9% -0,2% 5,7%
TABLA N°7: EVOLUCIÓN DE LA PRIMA DIRECTA DE RENTAS VITALICIAS SOBREVIVENCIA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 98,4 125,6 129,3 113,4 108,7 110,1 46,7 37,9 40,3
Var. (%) -6,1% -1,6% 27,6% 2,9% -12,3% -4,1% 1,2% -57,6% -18,8% 6,2%
10
SEGUROS CON CUENTA ÚNICA
DE INVERSIÓN (CUI)
Corresponde a planes de seguros que combinan

Protección y Ahorro. Pertenece al segmento de Gráfico N°5: Evolución de la Prima Directa de los Seguros con CUI.
ahorro privado. Para el año 2021 se estima una Período 2013-2022.
leve caída en la prima directa del 0,3%, recau- GRÁFICO N°5: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS
dándose UF 20.377.156. Para el 2022 se estima CON CUI. PERÍODO 2013-2022.
una recuperación de 1,2%, llegando a un primaje
de UF 20.612.440. Millones de UF Var. % anual
30 50%
El Seguro con CUI se descompone entre prima de

Primer Pago y de Renovación. En el 2021 estos 40%
25
segmentos tendrían comportamientos contra-
rios, ya que las primas de Primer Pago crecerían 30%
4,0%, mientras que las de Renovación caerían 20
3,8%. Ambos movimientos están alineados con 20%
la variación del primer semestre de este año.
15 10%
0%
10
Intervalos de
Intervalos de
Confianza -10% Confianza
50%
5 50%
proyecciones.
80% -20% 80%
90%
90%
0 -30%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 2016
11
TABLA N°8: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS CON CUI. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 141,1 174,8 197,6 198,6 154,3 142,8 149,3 148,9 150,6
Var. (%) 31,3% 41,1% 23,9% 13,0% 0,5% -22,3% -7,5% 4,6% -0,3% 1,2%
TABLA N°9: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS CON CUI-PRIMER PAGO. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 138,3 171,1 194,0 202,4 156,0 126,0 156,1 162,4 156,3
Var. (%) 125,9% 38,3% 23,8% 13,3% 4,3% -22,9% -19,2% 23,8% 4,0% -3,7%
TABLA N°10: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS CON CUI-RENOVACIÓN. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 143,2 177,6 200,4 195,8 153,0 155,4 144,2 138,7 146,3
Var. (%) -0,3% 43,2% 24,0% 12,8% -2,3% -21,8% 1,6% -7,2% -3,8% 5,5%
12
SEGURO DE INVALIDEZ Y El modelo proyecta que la prima directa aumen- crecimiento sea del 7,3%, alcanzando así un pri-
SOBREVIVENCIA taría en un 4,9% en el año 2021, llegando a UF maje de UF 37.631.365.
34.831.730. Se espera que para el año 2022 el
Gráfico N°6: Evolución de la Prima Directa del Seguro de Invalidez y Sobrevivencia
Desde el año 2009 que el Seguro de Invalidez
y Sobrevivencia (SIS) cambió su funcionamiento
Período 2013-2022.
GRÁFICO N°6: EVOLUCIÓN DE LA PRIMA DIRECTA DEL SEGURO DE
pasando a ser licitado conjuntamente entre todas INVALIDEZ Y SOBREVIVENCIA. PERÍODO 2013-2022.
las AFP. Hasta el año 2020, estas licitaciones se
habían realizado cada dos años. Desde julio del Millones de UF Var. % anual
45 20%
2020, la licitación tiene una vigencia de un año,

junto con una tasa que se ajusta por la siniestra- 40
lidad observada. De esta forma, la tasa de cotiza- 15%
ción a partir de enero de este año fue del 2,3%, 35
en abril bajó a 1,94% y desde julio, con la nueva
licitación, comenzó a regir una tasa de 2,21%. 30 10%
Este tipo de seguro está directamente relacionado 25

con la tasa de empleo formal en el país, la que se 5%
20
ha visto afectada por la pandemia del Covid-19,
aunque ya se ha observado una baja en la tasa de
15 0%
desempleo en lo que va del año. Intervalos de
Confianza
10 50%
En base a lo anterior, en la proyección del primaje -5%
proyecciones.
de este seguro se consideró como factor de ajuste 5 80%
la tasa de empleo, aplicando un aumento al cierre 90%
del 2021 de un 8% y para el año 2022, de 10%. 0 -10%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 20
TABLA N°11: EVOLUCIÓN DE LA PRIMA DIRECTA DEL SEGURO DE INVALIDEZ Y SOBREVIVENCIA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 95,7 95,3 107,9 121,3 133,6 148,8 173,2 181,6 194,8
Var. (%) 0,2% -4,3% -0,4% 13,2% 12,4% 10,2% 11,3% 16,4% 4,9% 7,3%
13
Gráfico N°7: Evolución de la Prima Directa de los Seguros de Salud.
Período 2013-2022.
SEGUROS DE SALUD GRÁFICO N°7: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS
DE SALUD. PERÍODO 2013-2022.
Los Seguros de Salud crecieron 0,7% en el 2020,
Millones de UF Var. % anual
y se espera que este año el ramo crezca 0,6%; al- 25 35%
canzando una prima de UF 21.845.970. Para el

año 2022, se proyecta un crecimiento superior al 30%
de los últimos dos años, obteniendo un alza de 20
1,5%. 25%
15 20%
15%
10
10%
Intervalos de
Confianza 5%
5 50%
proyecciones.
80% 0%
90%
0 -5%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°12: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE SALUD. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 104,4 114,1 120,4 131,7 143,4 146,2 147,2 148,1 150,4
Var. (%) 29,5% 4,4% 9,3% 5,5% 9,4% 8,9% 1,9% 0,7% 0,6% 1,5%
14
Gráfico N°8: Evolución de la Prima Directa de los Seguros de Desgravamen.
Período 2013-2022.
SEGUROS DE DESGRAVAMEN GRÁFICO N°8: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE

DESGRAVAMEN. PERÍODO 2013-2022.
En el año 2015 se revirtió la tendencia a la baja
en este seguro y desde el 2016 ha estado en 25 25%
constante crecimiento. Tal como se anticipó en el
20%

2020, esta tendencia se interrumpiría, principal-
mente debido a la pandemia, con una caída del 20 15%
25,2%.
10%
Para el 2021 se proyecta nuevamente una caída, 5%

15
en este caso del 3,3%. Sin embargo, este cierre 0%
sería más positivo de lo que se viene observando
-5%
en el primer semestre de este año, en donde se
10
acumula una caída cercana al 15%. -10%
Intervalos de
Confianza -15% Intervalos d
Por su parte, para el año 2022, se espera que el Confianza
5 50%
-20%
ramo revierta esta tendencia, mostrando un au- 50%
proyecciones.
80%
mento del primaje de 1,8%. -25% 80%
90%
90%
0 -30%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014
TABLA N°13: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE DESGRAVAMEN. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 95,8 95,2 97,9 99,3 109,8 117,7 88,1 85,2 86,7
Var. (%) -7,7% -4,2% -0,6% 2,8% 1,4% 10,6% 7,2% -25,2% -3,3% 1,8%
15
Gráfico N°9: Evolución de la Prima Directa de los Seguros de Vida.
Período 2013-2022.
SEGUROS DE VIDA GRÁFICO N°9: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE

VIDA. PERÍODO 2013-2022.
Los Seguros de Vida están compuestos por Vida
Entera, Temporal de Vida, Protección Familiar, In- 18 25%
capacidad o Invalidez y Asistencia.

16 20%
En el año 2020, los Seguros de Vida experimen- 15%
14
taron una caída de 19,0%, impactados por la pan-
demia. Para este año se proyecta un cambio en la 10%
12
tendencia, con un crecimiento del 9,3%, obtenien-
5%
do una prima directa de 10
UF 13.239.087. Para el año 2022, nuevamente se 0%
espera un crecimiento, pero del 1,7%. 8
5%
6
Intervalos de 10%
4 Confianza
50% 15%
50%
proyecciones.
80%
2 20% 80%
90%
90%
0 25%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°14: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE VIDA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 100,5 111,5 126,0 129,5 133,2 125,2 101,4 110,8 112,7
Var. (%) 5,8% 0,5% 10,9% 13,0% 2,8% 2,9% -6,0% -19,0% 9,3% 1,7%
16
Gráfico N°10: Evolución de la Prima Directa de los Seguros con APV.
Período 2013-2022.
SEGUROS CON APV GRÁFICO N°10: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS
CON APV. PERÍODO 2013-2022.
En el año 2020, estos seguros cayeron 8,1%, sin
embargo, para el año 2021 se calcula una recu- 16 20% Intervalos de
peración en el primaje del 6,8%, impulsado por Confianza

la recuperación laboral y los retiros del 10%, y se 14 50%
estima que un porcentaje de esos retiros se depo- 15%
80%
sitaron en la cuenta de ahorro de los Seguros con 12
90%
APV ya existentes o generaron nuevas pólizas. 10%
10
Para el año 2022 se proyecta un crecimiento del
5,3%, acumulando un primaje de UF 12.708.285. 8 5%
6
0%
Intervalos de
4 Confianza
50%
-5%
proyecciones.
2 80%
90%
0 -10%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°15: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS CON APV. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 110,4 119,9 130,9 135,6 136,4 141,0 129,5 138,4 145,7
Var. (%) -7,4% 10,4% 8,6% 9,3% 3,5% 0,6% 3,4% -8,1% 6,8% 5,3%
17
Gráfico N°11:
ACCIDENTES PERSONALES Período
GRÁFICO2013-2022.
N°11: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
ACCIDENTES PERSONALES. PERÍODO 2013-2022.
En el año 2020, los Seguros de Accidentes Perso-
nales presentaron una caída del 11,2%. Se estima 7 25%
que para este año se observe una recuperación

de 8,6%, lo que corresponde a un comportamien- 6 20%
to cíclico, más una recuperación del efecto pan-
demia; con una prima directa estimada de UF 15%
5
5.536.376. Para el año 2022 se estima una caída
en el primaje de 0,2%, llegando a un total de UF 10%
5.523.208. 4
5%
3
0%
Intervalos de
2 Confianza Intervalos de
-5% Confianza
50%
50%
1
proyecciones.
80% -10%
80%
90%
90%
0 -15%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°16: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE ACCIDENTES PERSONALES. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 117,0 136,9 138,6 166,7 174,4 190,6 169,4 183,9 183,5
Var. (%) -0,4% 17,0% 17,0% 1,2% 20,3% 4,6% 9,3% -11,2% 8,6% -0,2%
18
Gráfico N°12: Evolución de la Prima Directa de Otros Seguros de Vida.
Período 2013-2022.
OTROS SEGUROS DE VIDA GRÁFICO N°12: EVOLUCIÓN DE LA PRIMA DIRECTA DE OTROS SEGUROS
DE VIDA. PERÍODO 2013-2022.
Los Otros Seguros de Vida consideran todos los
ramos de seguros no detallados anteriormente, 4,5 30%
como seguros Mixto o Dotal, Rentas Privadas y

Otras Rentas, Dotal Puro o Capital Diferido, SOAP 4
y Otros. Estos seguros presentaron una caída de 20%
3,5
9,2% en el año 2020, finalizando así el período
con una prima directa de UF 2.674.034. Para el 3 10%
2021 se estima una interrupción en la tendencia,
con un alza del 6,4%. En cambio, para el 2022 se 2,5
proyecta una leve caída del 0,3%. 0%
2
1,5 -10%
Intervalos de Intervalos de
Confianza Confianza
1 50%
-20% 50%
proyecciones.
0,5 80% 80%
90% 90%
0 -30%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 201
TABLA N°17: EVOLUCIÓN DE LA PRIMA DIRECTA DE OTROS SEGUROS DE VIDA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 105,4 97,2 116,6 97,2 95,5 84,8 77,0 81,9 81,7
Var. (%) 19,3% 5,4% -7,8% 20,0% -16,7% -1,7% -11,2% -9,2% 6,4% -0,3%
19
SEGUROS GENERALES: Sólo dos ramos experimentarían una variación
negativa respecto al 2020. Los Seguros de Robo
PROYECCIÓN DE LA
tendrían la mayor caída, con una disminución del
PRIMA DIRECTA
primaje en 11,3%. Por otra parte, los Seguros de
Incendio tendrían una disminución del 6,5%.
En el grupo de Seguros Generales se proyecta-
ron los ramos de Incendio, Terremoto, Vehículos,
Para el año 2022 se proyecta un incremento de
Garantía y Crédito, Responsabilidad Civil, Robo,
los Seguros Generales de 2,0%; con una prima
Ingeniería, Accidentes Personales, Transporte,
estimada de UF 113.500.740.
SOAP y Otros.
Para el año 2021, se proyecta que los Seguros

Generales crezcan 2,6%, con una prima equiva-
lente a UF 111.261.355.
En el presente año, para el Mercado de Seguros

Generales se espera que los Seguros de Ingenie-
ría sean los que más aumenten, con un crecimien-
to de 26,9%, alcanzando UF 4.755.218 en prima
directa. El segundo ramo con mayor crecimiento
sería el de Garantía y Crédito con un crecimiento
de 13,9%, recaudando un monto de prima direc-
ta de UF 5.067.723. El tercer ramo proyectado
con una variación muy similar es el de Acciden-
tes Personales (Generales), con un alza estimada
de 13,8% y una prima directa de UF 2.376.467.
Los otros ramos proyectados con variación posi-
tiva son SOAP, Transporte, Responsabilidad Ci-
vil, Vehículos y Terremoto con un crecimiento del
11,1%, 10,0%, 6,3%, 5,9% y 2,9%, respectiva-
mente.
20
GRÁFICO N°13: PRIMA DIRECTA EN MILLONES DE UF
Gráfico N°13: Prima Directa en Millones de UF
120
100 Otros Seguros Generales

SOAP
Accidentes Personales
80
Transporte
Ingeniería
60 Robo
Garantía y Crédito
Responsabilidad Civil
40
Vehículos
Terremoto
20
Incendio
0
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
21
Gráfico N°14: Evolución de la Prima Directa del Mercado de Seguros Generale
Período 2013-2022.
En el Gráfico N°14 se presenta la evolución his- GRÁFICO N°14: EVOLUCIÓN DE LA PRIMA DIRECTA DEL MERCADO DE
tórica de la Prima Directa del Mercado de Segu- SEGUROS GENERALES. PERÍODO 2013-2022.
ros Generales. Para las proyecciones de los años
2021-2022 se exhiben intervalos a niveles del 140 8%
Intervalos de
50%, 80% y 90% de confianza, con el objetivo de Confianza
7%

entregar un rango de proyección para el valor fu- 120 50%
turo de la prima. 6%
80%
100 5% 90%
4%
80
3%
2%
60
1%
Intervalos de
40 Confianza 0%
50%
-1%
20
proyecciones.
80%
-2%
90%
0 -3%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 20
TABLA N°18: EVOLUCIÓN DE LA PRIMA DIRECTA DEL MERCADO DE SEGUROS GENERALES. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 103,5 110,0 112,8 114,0 121,9 126,3 131,3 134,7 137,4
Var. (%) 0,8% 3,5% 6,2% 2,6% 1,0% 6,9% 3,6% 4,0% 2,6% 2,0%
22
Gráfico N°15: Evolución de la Prima Directa de Seguros de Incendio.
Período 2013-2022.
SEGUROS DE INCENDIO GRÁFICO N°15: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
INCENDIO. PERÍODO 2013-2022.
Este seguro agrupa todas las coberturas de In-
cendio y Adicionales, a excepción de Terremoto 25 40% Intervalos de
(Incendio Ordinario, Pérdida de Beneficios por Confianza

Incendio, Riesgos de la Naturaleza, Terrorismo y 50%
Otros Riesgos Adicionales Incendio). 30%
20 80%
90%
En el año 2020, los Seguros de Incendio mostra-
20%
ron un crecimiento de 34,7% respecto al 2019.
15
Para el 2021, después del gran crecimiento del
2020, se estima una caída de 6,5%, alcanzando 10%
un primaje de UF 17.821.326. Para el 2022 se es-
10
tima que el ramo crezca en 1,0%, alcanzando una
0%
prima de UF 18.004.629. Intervalos de
Confianza
5 50%
-10%
proyecciones.
80%
90%
0 -20%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°19: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE INCENDIO. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 106,6 115,4 108,6 108,1 114,7 133,8 180,2 168,4 170,1
Var. (%) -3,3% 6,6% 8,3% -5,9% -0,5% 6,1% 16,6% 34,7% -6,5% 1,0%
23
Gráfico N°16: Evolución de la Prima Directa de Seguros de Terremoto.
Período 2013-2022.
SEGUROS DE TERREMOTO GRÁFICO N°16: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE

TERREMOTO. PERÍODO 2013-2022.
En este ramo se agrupan todas las coberturas de
Terremoto (Terremoto y Pérdida de Beneficios 30 25%
Intervalos de
por Terremoto). Confianza

20% 50%
La tendencia en los últimos años ha sido que este
25
80%
ramo esté en constante crecimiento. En el año 15%
90%
2020, los Seguros de Terremoto experimenta- 20
ron un crecimiento de 20,6%. Para el año 2021 10%
se estima que el aumento sea de 2,9%, llegando
a un primaje de UF 25.446.008. A su vez, para el 15 5%
año 2022 se proyecta un crecimiento similar en la
prima, con un aumento de 2,5%, acumulando un 0%
10
primaje de UF 26.094.359. Intervalos de
Confianza -5%
50%
5
proyecciones.
80% -10%
90%
0 -15%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°20: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE TERREMOTO. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 103,0 110,1 114,5 104,4 114,0 120,7 145,6 149,8 153,7
Var. (%) -8,8% 3,0% 6,9% 4,0% -8,8% 9,2% 5,9% 20,6% 2,9% 2,5%
24
Gráfico N°17: Evolución de la Prima Directa de Seguros de Vehículos.
Período 2013-2022.
SEGUROS DE VEHÍCULOS GRÁFICO N°17: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
VEHÍCULOS. PERÍODO 2013-2022.
En este ramo se incluyen los Daños Físicos de
Vehículos Motorizados, además de Responsabi- 40 20% Intervalos de
lidad Civil de Vehículos Motorizados. Este ramo Confianza

ha experimentado un crecimiento constante, sin 35 50%
embargo, en el año 2020 decreció en 7,6% pro- 15%
80%
ducto de la pandemia y las cuarentenas que han 30
90%
generado menos vehículos en las calles. Para el
10%
presente año se estima una recuperación de 5,9% 25
con una prima directa de UF 29.756.876. Para el
año 2022 se estima nuevamente un crecimiento, 20 5%
con un alza de 2,9%.
15
0%
Intervalos de
10 Confianza
50%
-5%
proyecciones.
5 80%
90%
0 -10%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 2016
TABLA N°21: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE VEHÍCULOS. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 101,6 108,2 115,3 123,0 133,1 133,3 123,1 130,4 134,2
Var. (%) 8,7% 1,6% 6,5% 6,6% 6,7% 8,2% 0,1% -7,6% 5,9% 2,9%
25
Gráfico N°18
SEGUROS DE GARANTÍA Y CRÉDITO GRÁFICO N°18: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
GARANTÍA Y CRÉDITO. PERÍODO 2013-2022.
Los Seguros de Garantía y Crédito se componen
de los ramos de seguros de Garantía, Ventas a 6 25%
Plazo, de Crédito a la Exportación y otros seguros

de Crédito.
5 20%
El año 2020 el ramo experimentó una caída de
3,6%. Se estima que para el año 2021 presente 4 15%
una recuperación de 13,9%, con una prima direc-
ta de UF 5.067.723. Para el 2022 se proyecta un
leve crecimiento de 1,0%. 3 10%
2 5%
Intervalos de
Confianza
50%
1 0%
proyecciones.
80%
90%
0 -5%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 2016
TABLA N°22: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE GARANTÍA Y CRÉDITO. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 108,5 134,0 142,3 147,8 150,8 154,0 148,5 169,1 170,8
Var. (%) 19,7% 8,5% 23,6% 6,2% 3,9% 2,1% 2,1% -3,6% 13,9% 1,0%
26
Gráfico N°19: Evolución de la Prima Directa de Seguros de Responsabilidad Civi
Período 2013-2022.
SEGUROS DE RESPONSABILIDAD CIVIL GRÁFICO N°19: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
RESPONSABILIDAD CIVIL. PERÍODO 2013-2022.
Los Seguros de Responsabilidad Civil, en el 2020
crecieron 11,1%. Se estima que en el 2021 se 7 15%
produzca un crecimiento de 6,3%, con una prima

directa estimada de UF 5.668.123. Para el 2022, 6
se estima nuevamente un crecimiento, con una 10%
variación positiva de 4,0%.
5
5%
4
0%
3
-5%
Intervalos de
2 Confianza Intervalos de
Confianza
50%
-10% 50%
1
proyecciones.
80%
80%
90%
90%
0 -15%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 2016
TABLA N°23: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE RESPONSABILIDAD CIVIL. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 108,6 113,0 102,3 103,0 113,3 125,0 138,9 147,7 153,6
Var. (%) 10,2% 8,6% 4,1% -9,5% 0,6% 10,0% 10,4% 11,1% 6,3% 4,0%
27
Gráfico N°20: Evolución de la Prima Directa de Seguros de Robo.
Período 2013-2022.
SEGUROS DE ROBO GRÁFICO N°20: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE

ROBO. PERÍODO 2013-2022.
En el año 2020 el Seguro de Robo experimentó
una caída de 12,9%; y este año se estima nueva- 4,5 40%
mente una variación similar, con un decrecimiento
4

de 11,3% y una prima de UF 3.011.636. Esta va-
30%
riación negativa ya se reflejó en el primer semes-
3,5
tre de este año, en donde acumuló una caída de
20%
21,9%. 3
Para el año 2022 se proyecta que el ramo crez- 2,5 10%

ca 3,5%, con una prima directa estimada de UF
3.116.950. 2 0%
1,5
Intervalos de
Confianza
-10% Intervalos de
1 Confianza
50%
50%
-20%
proyecciones.
0,5 80%
80%
90%
90%
0 -30%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°24: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE ROBO. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 108,0 130,3 125,7 133,7 144,9 148,1 129,0 114,4 118,4
Var. (%) 30,2% 8,0% 20,7% -3,5% 6,4% 8,3% 2,2% -12,9% -11,3% 3,5%
28
Gráfico N°21: Evolución de la Prima Directa de Seguros de Ingeniería.
Período 2013-2022.
SEGUROS DE INGENIERÍA GRÁFICO N°21: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
INGENIERÍA. PERÍODO 2013-2022.
Los seguros de Ingeniería lo componen los ramos
de Equipo Contratista, Todo Riesgo Construcción 7 50% Intervalos de
y Montaje, Avería de Maquinaria y Equipo Elec- Confianza

trónico. 40% 50%
6
80%
En el año 2020 el ramo experimentó un aumento 30%
de 8,6%; y se espera que para el año 2021 este
5 90%
20%
crecimiento sea aún mayor, con 26,9% de aumen-
to en el primaje, cerrando el año con UF 4.755.218. 4 10%
Para el año 2022 se estima que el ramo atenúe su
tendencia, creciendo 0,6%. 3 0%
-10%
Intervalos de
2 Confianza
50% -20%
1
proyecciones.
80% -30%
90%
0 -40%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 201
TABLA N°25: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE INGENIERÍA. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 102,8 86,3 80,1 68,1 82,0 87,8 95,4 121,0 121,7
Var. (%) 8,3% 2,8% -16,0% -7,2% -14,9% 20,3% 7,1% 8,6% 26,9% 0,6%
29
Gráfico N°22: Evolución de la Prima Directa de Seguros de Accidentes Personal
Período 2013-2022.
SEGUROS DE ACCIDENTES PERSONALES GRÁFICO N°22: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
ACCIDENTES PERSONALES. PERÍODO 2013-2022.
Este ramo experimentó una gran caída en el año
2020, con una variación negativa de 30,3%. Para 4 40%
el presente año se espera una recuperación de

13,8%; alcanzando una prima directa total de UF 3,5 30%
2.376.467. Por su parte, para el año 2022 se pro- 20%
yecta un decrecimiento de 10,6%, con una prima 3
directa estimada de UF 2.123.445. 10%
2,5
0%
2 -10%
-20%
1,5
Intervalos de -30%
1 Confianza
50% -40%
50%
proyecciones.
0,5 80%
-50% 80%
90%
90%
0 -60%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°26: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE ACCIDENTES PERSONALES. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 96,5 92,6 101,8 110,6 112,8 95,7 66,7 76,0 67,9
Var. (%) 8,3% 2,8% -16,0% -7,2% -14,9% 20,3% 7,1% 8,6% 26,9% 0,6%
30
Gráfico N°23:!Evolución de la Prima Directa de Seguros de Transporte.
Período 2013-2022.
SEGUROS DE TRANSPORTE GRÁFICO N°23: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE
TRANSPORTE. PERÍODO 2013-2022.
Los ramos de Transporte Terrestre, Marítimo, y
Aéreo integran los Seguros de Transporte. 6 25% Intervalos de
Confianza

En el año 2020 el ramo experimentó un creci- 20% 50%
miento de 8,9%. Se estima que en el 2021 la pri- 5
80%
ma directa crezca 10,0%, llegando a una prima 15%
90%
directa de UF 4.253.466. Para el 2022 se proyec-
4
ta un crecimiento de 2,9%, generando una prima 10%
directa de UF 4.377.446
3 5%
0%
2
Intervalos de
Confianza -5%
50%
1
proyecciones.
80% -10%
90%
0 -15%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015
TABLA N°27: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE TRANSPORTE. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 99,2 108,3 102,2 98,4 106,4 118,6 129,2 142,1 146,2
Var. (%) 4,7% -0,8% 9,2% -5,6% -3,7% 8,1% 11,5% 8,9% 10,0% 2,9%
31
Gráfico N°24: Evolución de la Prima Directa de SOAP.
SOAP Período
GRÁFICO2013-2023.
N°24: EVOLUCIÓN DE LA PRIMA DIRECTA DE SOAP.
PERÍODO 2013-2023.
En el año 2020, este ramo registró una baja de
5,9% debido a la disminución de vehículos en cir- 3 30% Intervalos de
culación y la caída en la venta de autos nuevos. Confianza
25%

Para el presente año se proyecta que crezca el 50%
2,5
ramo en 11,1%, con un primaje de UF 2.003.392. 20% 80%
Para el año 2022, se proyecta nuevamente un
90%
crecimiento de 6,0% en el primaje de este seguro, 15%
2
con una proyección de UF 2.124.414.
10%
1,5 5%
0%
1 Intervalos de -5%
Confianza
50% -10%
0,5
proyecciones.
80%
-15%
90%
0 -20%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 201
TABLA N°28: EVOLUCIÓN DE LA PRIMA DIRECTA DE SOAP. PERÍODO 2013-2023.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 88,8 83,4 75,9 79,1 84,4 84,1 79,2 88,0 93,3
Var. (%) -0,3% -11,2% -6,1% -9,0% 4,2% 6,7% -0,3% -5,9% 11,1% 6,0%
32
Gráfico N°25: Evolución de la Prima Directa Seguros Generales Restantes.
Período 2013-2022.
OTROS SEGUROS GENERALES GRÁFICO N°25: EVOLUCIÓN DE LA PRIMA DIRECTA SEGUROS GENERALES
RESTANTES. PERÍODO 2013-2022.
Los Otros Seguros Generales agrupan seguros de
Cesantía, Multirriesgos, Fidelidad, Agrícola, Sa- 16 40%
lud, Casco y Otros.

14 30%
En el año 2020 hubo una caída de 15,0%. Para
el presente año se estima mantener la tendencia 12 20%
con una caída de un 6,8%, con una prima direc-
ta estimada de UF 11.101.121. Para el siguiente 10 10%
año se estima una leve recuperación, con un cre-
cimiento de 1,2%. 8 0%
6 -10%
Intervalos de
4 -20% Confianza
50%
50%
proyecciones.
2 80% -30%
80%
90%
90%
0 -40%
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2013 2014 2015 201
TABLA N°29: EVOLUCIÓN DE LA PRIMA DIRECTA SEGUROS GENERALES RESTANTES. PERÍODO 2013-2022.
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Índice (2013 = 100) 100,0 107,9 115,3 127,8 135,3 136,6 134,1 114,0 106,3 107,6
Var. (%) -12,4% 7,9% 6,8% 10,9% 5,8% 1,0% -1,8% -15,0% -6,8% 1,2%
33
CIFRAS DEL MERCADO DE SEGUROS DE VIDA: RESUMEN
PRIMA DIRECTA – CIFRAS EN UF
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Rentas Vitalicias 74.210.326 68.731.644 91.448.775 104.731.846 91.672.371 100.407.609 86.746.064 39.290.790 40.738.711 50.062.541
Vejez 55.803.170 50.528.066 71.436.288 80.453.421 68.926.073 77.105.732 63.451.720 26.231.200 28.205.177 36.802.664
Invalidez 12.675.720 12.562.923 12.814.883 16.869.800 16.248.355 17.070.097 16.985.789 10.384.909 10.360.838 10.951.405
Sobrevivencia 5.731.437 5.640.654 7.197.603 7.408.626 6.497.943 6.231.781 6.308.555 2.674.681 2.172.696 2.308.471
Seguro CUI 13.684.297 19.308.331 23.922.428 27.043.413 27.182.530 21.115.793 19.536.236 20.430.482 20.377.156 20.612.440
Primer Pago 5.893.850 8.150.740 10.087.052 11.431.997 11.928.949 9.194.260 7.427.448 9.198.684 9.570.276 9.213.613
Renovación 7.790.447 11.157.591 13.835.376 15.611.416 15.253.581 11.921.534 12.108.788 11.231.798 10.806.880 11.398.827
Sis 19.179.239 18.362.403 18.286.101 20.692.241 23.255.806 25.625.971 28.532.808 33.214.429 34.831.730 37.361.365
Salud 14.745.847 15.390.615 16.822.056 17.753.628 19.418.854 21.143.764 21.551.379 21.706.729 21.845.970 22.172.135
Desgravamen 17.276.269 16.547.213 16.451.121 16.917.803 17.161.105 18.972.620 20.330.819 15.214.757 14.715.248 14.983.001
Vida 11.952.128 12.015.765 13.327.993 15.059.046 15.475.531 15.921.723 14.962.895 12.116.739 13.239.087 13.466.517
Apv 8.723.958 9.627.171 10.456.073 11.423.443 11.826.431 11.895.850 12.300.430 11.301.854 12.074.048 12.708.285
Accidentes Personales 3.010.471 3.522.513 4.120.310 4.171.395 5.019.091 5.250.091 5.739.414 5.099.337 5.536.376 5.523.208
Otros Seguros Vida 3.474.746 3.661.490 3.376.343 4.051.429 3.376.001 3.318.238 2.945.393 2.674.034 2.846.142 2.838.829
Seguros De Vida 166.257.281 167.167.145 198.211.200 221.844.244 214.387.720 223.651.660 212.645.438 161.049.151 166.204.468 179.728.321
34
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Rentas Vitalicias -7,4% 33,1% 14,5% -12,5% 9,5% -13,6% -54,7% 3,7% 22,9%
Vejez -9,5% 41,4% 12,6% -14,3% 11,9% -17,7% -58,7% 7,5% 30,5%
Invalidez -0,9% 2,0% 31,6% -3,7% 5,1% -0,5% -38,9% -0,2% 5,7%
Sobrevivencia -1,6% 27,6% 2,9% -12,3% -4,1% 1,2% -57,6% -18,8% 6,2%
Seguro CUI 41,1% 23,9% 13,0% 0,5% -22,3% -7,5% 4,6% -0,3% 1,2%
Primer Pago 38,3% 23,8% 13,3% 4,3% -22,9% -19,2% 23,8% 4,0% -3,7%
Renovación 43,2% 24,0% 12,8% -2,3% -21,8% 1,6% -7,2% -3,8% 5,5%
SIS -4,3% -0,4% 13,2% 12,4% 10,2% 11,3% 16,4% 4,9% 7,3%
Salud 4,4% 9,3% 5,5% 9,4% 8,9% 1,9% 0,7% 0,6% 1,5%
Desgravamen -4,2% -0,6% 2,8% 1,4% 10,6% 7,2% -25,2% -3,3% 1,8%
Vida 0,5% 10,9% 13,0% 2,8% 2,9% -6,0% -19,0% 9,3% 1,7%
APV 10,4% 8,6% 9,3% 3,5% 0,6% 3,4% -8,1% 6,8% 5,3%
Accidentes Personales 17,0% 17,0% 1,2% 20,3% 4,6% 9,3% -11,2% 8,6% -0,2%
Otros Seguros Vida 5,4% -7,8% 20,0% -16,7% -1,7% -11,2% -9,2% 6,4% -0,3%
Seguros de Vida 0,5% 18,6% 11,9% -3,4% 4,3% -4,9% -24,3% 3,2% 8,1%
35
CIFRAS DEL MERCADO DE SEGUROS GENERALES: RESUMEN
PRIMA DIRECTA – CIFRAS EN UF
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Incendio 10.581.697 11.277.121 12.212.485 11.494.788 11.436.644 12.139.965 14.158.816 19.066.424 17.821.326 18.004.629
Terremoto 16.981.073 17.490.120 18.689.034 19.438.960 17.724.575 19.351.390 20.499.229 24.728.172 25.446.008 26.094.359
Vehículos 22.823.073 23.186.573 24.695.479 26.320.329 28.083.117 30.383.066 30.425.128 28.101.499 29.756.876 30.624.991
Responsabilidad Civil 3.838.275 4.167.592 4.339.088 3.927.605 3.952.056 4.347.193 4.797.504 5.331.423 5.668.123 5.896.912
Garantía y Crédito 2.996.407 3.250.262 4.016.215 4.263.320 4.428.178 4.519.178 4.615.785 4.450.662 5.067.723 5.118.115
Robo 2.632.896 2.842.257 3.429.691 3.309.229 3.520.247 3.813.845 3.898.180 3.396.218 3.011.636 3.116.950
Ingeniería 3.929.319 4.037.760 3.391.148 3.147.615 2.677.074 3.221.002 3.451.141 3.747.180 4.755.218 4.783.635
Transporte 2.993.389 2.969.755 3.242.278 3.059.231 2.945.681 3.185.252 3.550.478 3.867.535 4.253.466 4.377.446
Accidentes Personales 3.128.910 3.019.747 2.896.246 3.183.985 3.459.152 3.528.948 2.994.553 2.087.931 2.376.467 2.123.445
SOAP 2.276.234 2.021.826 1.898.019 1.726.786 1.799.932 1.920.610 1.914.997 1.802.584 2.003.392 2.124.414
Otros Seguros
10.442.349 11.270.305 12.038.998 13.347.258 14.127.618 14.267.393 14.007.239 11.908.241 11.101.121 11.235.845
Generales
Seguros Generales 82.623.622 85.533.318 90.848.681 93.219.106 94.154.274 100.677.842 104.313.050 108.487.869 111.261.355 113.500.740
36
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Incendio 6,6% 8,3% -5,9% -0,5% 6,1% 16,6% 34,7% -6,5% 1,0%
Terremoto 3,0% 6,9% 4,0% -8,8% 9,2% 5,9% 20,6% 2,9% 2,5%
Vehículos 1,6% 6,5% 6,6% 6,7% 8,2% 0,1% -7,6% 5,9% 2,9%
Responsabilidad Civil 8,6% 4,1% -9,5% 0,6% 10,0% 10,4% 11,1% 6,3% 4,0%
Garantía y Crédito 8,5% 23,6% 6,2% 3,9% 2,1% 2,1% -3,6% 13,9% 1,0%
Robo 8,0% 20,7% -3,5% 6,4% 8,3% 2,2% -12,9% -11,3% 3,5%
Ingeniería 2,8% -16,0% -7,2% -14,9% 20,3% 7,1% 8,6% 26,9% 0,6%
Transporte -0,8% 9,2% -5,6% -3,7% 8,1% 11,5% 8,9% 10,0% 2,9%
Accidentes Personales -3,5% -4,1% 9,9% 8,6% 2,0% -15,1% -30,3% 13,8% -10,6%
SOAP -11,2% -6,1% -9,0% 4,2% 6,7% -0,3% -5,9% 11,1% 6,0%
Otros Seguros
7,9% 6,8% 10,9% 5,8% 1,0% -1,8% -15,0% -6,8% 1,2%
Generales
Seguros Generales 3,5% 6,2% 2,6% 1,0% 6,9% 3,6% 4,0% 2,6% 2,0%
Las cifras en Excel se pueden descargar del siguiente link: Proyecciones 2021-2022
37
ANEXO: METODOLOGÍA PROYECCIONES El siguiente documento muestra la metodología elaborada por la Gerencia
de Estudios de la AACH en su versión 2021, cuyo objetivo se enmarca en
2021-2022
encontrar una combinación de modelos univariados, que cumpla supues-
tos probabilísticos mínimos y que presente el mayor nivel de precisión,
Resumen
dentro de una gama de modelos propuestos. Este enfoque metodológico
El siguiente documento detalla el marco metodológico utilizado en la cons-
se encuentra en línea con aquellos estudios elaborados por entidades in-
trucción de las proyecciones de prima directa para el mercado asegurador
ternacionales de seguros e industria bancaria.
chileno, así como para cada uno de los ramos que este mercado contiene.
En la sección 1 se describen los datos a utilizar, las variables que se consi-

En esta versión se optó por desarrollar modelos univariados de series de
deraron en el modelamiento y su justificación; en la sección 2 se describe
tiempo que proyectaron el primaje en seguros para los años 2021 y 2022,
el análisis exploratorio de los datos; en la sección 3 se define el algoritmo
complementado en algunos casos con tendencias por efectos de la pande-
elaborado; en la sección 4 se muestran los modelos utilizados; en la sec-
mia. Los datos utilizados son de carácter público, con periodicidad trimes-
ción 5 se explican los diversos test estadísticos usados e indicadores de
tral desde 19801 . Los modelos considerados para estos efectos fueron los
precisión evaluados, y en la sección 6 se expone tanto la construcción de
siguientes: SARIMA, Redes Neuronales (Neural Networks autoregression
las proyecciones combinadas como de los intervalos de confianza.
en inglés; NNAR), de componentes no observables (Unobserved Compo-
nents Models en inglés; UCM) y LSTAR (Modelos logísticos auto-regresi-

vos de transición suavizada).
Sección 1: Datos
Para recopilar la información sobre prima directa del mercado asegurador
Para llevar a cabo los diversos análisis que se explicitan en este documen-
chileno, así como para cada uno de los ramos, se utilizaron los datos conte-
to, se utilizó el paquete estadístico R.
nidos en los informes financieros de las compañías de seguros2. La unidad
de medida de cada una de las observaciones es en Unidades de Fomento
Introducción
(UF); la periodicidad de la información utilizada fue trimestral, disponiendo
Cada año, la Asociación de Aseguradores de Chile (AACH) elabora un es-
de datos desde 1980 (esto es particular a cada uno de los ramos).
tudio sobre la evolución de la prima directa del mercado asegurador chi-
leno, generando proyecciones sobre el volumen de prima al cierre de año
Variables Exógenas
en curso y para el horizonte de un año y medio. Para estos efectos, se
En el contexto de análisis de información sobre el primaje en seguros se
realiza un modelamiento de tipo estocástico sobre la serie de información
deben tener presente, al menos desde un punto de vista teórico, aquellas
de prima directa y, conforme a ciertos criterios predefinidos de precisión
variables macroeconómicas que impactan en el dinamismo del mercado
y eficiencia, se escoge aquel modelo ad hoc, entregando proyecciones de
asegurador chileno en materia de primaje. Como señala Concha y Taborda
prima con sus respectivos intervalos de confianza.
(2014), “la industria aseguradora juega un rol clave en el sector financiero
1Cabe señalar que no todas las series tienen un inicio desde 1980.
2Específicamente, se utiliza la información de prima directa contenida en los cuadros técnicos de cada compañía desde 1980. Esta información se encuentra disponible en la sección “Informa-
ción Financiera” de cada compañía de seguros en https://www.cmfchile.cl.
38
[…], numerosos estudios han mostrado evidencia empírica de la existencia • Tipos de outliers cuyo efecto es instantáneo (outlier de tipo aditivo, AO);
de una relación positiva entre el sector financiero y crecimiento económico • Tipos de outliers cuyo efecto se extiende más que un cambio instantáneo,
en Latinoamérica”. Si bien el Producto Interno Bruto (PIB) es una variable pero su efecto va desapareciendo gradualmente (cambio temporal, TC);
que incorpora información del crecimiento económico del país, para poder • Tipos de outliers cuyo efecto produce un “quiebre” en la estructura de la
ser utilizada como variable explicativa, es necesario proyectar esta covaria- serie, provocando un cambio de nivel de esta. Este efecto se asume per-
ble, lo que añade una fuente de error y posiblemente conlleve a una menor manente desde ese momento (cambio de nivel, LS).
precisión de los modelos, es por esto que se ha decidido no incorporar co-
variables y solo trabajar con modelos univariados. La detección de este tipo de observaciones puede tener un impacto impor-
tante en la efectividad de la metodología a utilizar. Dentro de las conse-
Sección 2: Análisis exploratorio de los datos cuencias se pueden destacar: problemas de identificabilidad del modelo,
Para cada serie de datos se procedió a realizar una revisión del comporta- problemas en la estimación de los parámetros y en las consecuentes pro-
miento de la misma, en búsqueda de algún patrón de la serie que diera in- yecciones. En el algoritmo que se describe a continuación se detalla cómo
dicio de irregularidad. Si bien esta búsqueda tiene un carácter exploratorio, los outliers detectados se integraron en el proceso de modelamiento.
existen metodologías que presentan principios estadísticos más sólidos.
Es de relevancia, además, poder identificar aquellas irregularidades de las Nota 1: Información adicional sobre seguros de Rentas Vitalicias.
series de datos pues la omisión de ellas tiene una influencia directa en la El ramo de Rentas vitalicias se compone de tres sub ramos, Rentas Vita-
estimación y rendimiento en cuanto a predicción del modelo. A continua- licias de Vejez, Rentas Vitalicias de Invalidez y finalmente Rentas Vitali-
ción, se detalla la metodología usada en este trabajo. cias de Sobrevivencia, para los dos últimos se consideró el resultado de la
proyección realizada con la combinación de los modelos univariados, sin
Detección de Outliers embargo para el primero, Rentas Vitalicias de Vejez, se aplicó un efecto
Las series de datos, generalmente, presentan observaciones con compor- positivo sobre la proyección, otorgando mayor preponderancia al último
tamientos no esperados. Estos comportamientos son causados, por ejem- trimestre informado, asumiendo que este comportamiento positivo puede
plo, por cambios en la normativa vigente, alguna decisión económica de los reflejar de mejor manera el futuro de este ramo. Esto se realizó ya que
gobiernos centrales, entre otras. A este tipo de observaciones las llamare- la caída abrupta del ramo genera un comportamiento extraño en la serie
mos outliers. Para detectar estos comportamientos irregulares se escogió temporal, respondiendo a un acontecer atípico.
la metodología de detección de outliers derivada del trabajo hecho por
Chen y Liu3 (1993), cuya implementación se encuentra desarrollada en el
paquete tsoutliers4 de R. En esta metodología se describen diferentes ti-
pos de outliers, cada uno de ellos con su naturaleza específica. Entre ellos
podemos destacar:
3https://www.jstor.org/stable/2290724?seq=1#page_scan_tab_contents
4https://cran.r-project.org/web/packages/tsoutliers/tsoutliers.pdf
39
Sección 3: Descripción del algoritmo utilizado 2. Testeo. Para cada una de las familias de modelos y cada una de las
Para evaluar la precisión de cada uno de los modelos, se separó la muestra combinaciones paramétricas se realizaron proyecciones sobre la serie de
en dos conjuntos: uno de entrenamiento y otro de testeo. En el primero testeo, obteniéndose así una serie de errores de predicción. Estos errores
se estima el modelo y con este se efectúan proyecciones para la ventana fueron testeados y calculado la precisión de la proyección en base a lo ex-
de testeo. La lógica de este procedimiento radica en el hecho que estas puesto en la sección 5.
proyecciones generarán errores de predicción verdaderos, ya que se utiliza
solo la información conocida en la ventana de entrenamiento. 3. Selección. Con los criterios de selección y medidas de precisión ya cal-
culadas, para cada familia de modelos se genera un subconjunto con aque-
La ventana de entrenamiento se fijó entre el primer trimestre de 1980 y el llas combinaciones paramétricas que aprueben los tests de selección, y
cuarto trimestre del 2017, mientras que la de testeo se fijó entre el primer dentro de estos se escoge al que presente la mejor medida de precisión.
trimestre del 2018 y el segundo trimestre del 2021. Luego las ventanas se
fueron moviendo un trimestre hacia adelante, generando 14 iteraciones. 4. Combinación. Después de escoger un modelo seleccionado por cada
Con esto, se obtuvieron series de errores de predicción de hasta 14 datos. familia, se combinan tres proyecciones en base a lo descrito en la sección 6.
Paso a paso, el algoritmo desarrollado consta de las siguientes etapas: Sección 4: Modelamiento
Las series de tiempo pueden entenderse como una “simplificación” de las
1. Entrenamiento. Cada una de las familias de modelos univariados (des- variables que influyen en un proceso de interés. Por tanto, es importante
critos en la sección 4) fue estimada en la ventana de testeo con diversas considerar que elegir un modelo específico y no explorar otras alternati-
combinaciones paramétricas, en particular: vas de modelamiento conllevaría problemas, por ejemplo, en la predicción.
• SARIMA: primero se encontró aquella combinación de parámetros (re- Dado que cada tipo de modelo utiliza distinta información, cada uno de
zagos autoregresivos y de media móvil, tanto normales como estacio- ellos provee diversos enfoques en el modelamiento. En base a lo anterior,
nales) que entregara el mejor ajuste (medido con un criterio de infor- la combinación de predicciones realizadas por distintos modelos incorpora-
mación). Y en base a esto, se iteró en la cercanía, lo que en la práctica ría información variada, agregando una mayor precisión a las predicciones.
corresponde a probar combinaciones desde -1 a +2 parámetros para En esta metodología se exploraron diversas familias de modelos de series
los componentes autoregresivos y desde -1 a +1 parámetros para los
de tiempo univariado, como son: SARIMA, UCM, NNAR y LSTAR. Poste-
componentes de media móvil, generándose un máximo de 144 combi-
riormente, se combinaron las distintas predicciones generadas.
naciones de parámetros.
• UCM: dentro de las especificaciones de este modelo se probó la in-
SARIMA
clusión/exclusión de transformación box-cox y la inclusión/exclusión de
Los modelos SARIMA incorporan un componente de estacionalidad al tra-
errores ARMA.
• TBATS: se probó la incorporación de transformación box-cox y compo- dicional modelamiento ARIMA, donde este componente es también iden-
nente tendencial. tificado en base a rezagos autoregresivos y de media móvil además de
40
incorporar la diferencia estacional. La serie definida es como sigue: Livera, Hydman & Snyder (2011) queda expresado de la siguiente manera:
ΦP (Ls) Φp (L) (1-L)d(1-Ls)D f(yt)=ΘQ (Ls) θq (L) εt yt=l(t-1)+ Φb(t-1)+ ∑(i=1)

T s(i)
t-m_i+dt
Con ΦP (Ls) el polinomio autoregresivo estacional; Φp (L) el polinomio au- Con l(t-1) el componente de ciclo, b(t-1) el componente de tendencia, s(i)
t el
toregresivo normal; ΘQ (Ls) polinomio de media móvil estacional; θq (L) componente estacional, y dt el componente idiosincrático o error del mo-
polinomio de media móvil normal; (1-L)d operador de diferencias; (1-Ls)D delo.
operador de diferencia estacional; f(yt) transformación aplicada a la serie Dadas las especificaciones anteriores, se realizó el proceso de estimación
(identidad o logarítmica). y selección de modelo utilizando criterios de información. Este proceso se
llevó a cabo en R utilizando la función tbats del paquete forecast.
Modelo de Componentes no Observables (UCM)
Una de las alternativas consideradas en este análisis es la realización del Neural Networks Autoregression
modelamiento de las series de tiempo a través de modelos de componen- Este tipo de modelo es una red de puntos o neuronas organizadas en ca-
tes no observables (UCM), que tiene por objetivo “descomponer” una serie pas, en donde cada neurona interpreta una característica de los datos.
de datos a través de sus componentes estacionales, de tendencia y de ciclo. Las primeras neuronas son los predictores, o variables explicativas (input
Para realizar las estimaciones correspondientes de los parámetros involu- en inglés), las neuronas entremedio son procesamiento de los datos y las
crados, se utilizaron métodos de suavizamiento exponencial, debido a que neuronas finales son los datos de salida (output en inglés) del modelo o
en este tipo de modelos es admisible realizar un cálculo de la función de predicciones.
verosimilitud, logrando con esto derivar intervalos de predicción más con- La capa de neuronas entre los predictores y las predicciones se llama capa
sistentes y realizando una selección de modelo a través de algún criterio oculta (hidden layer en inglés), el dato que ingresa a estas neuronas son
de información (AIC, por ejemplo). La metodología utilizada se denomina combinaciones lineales de los predictores de la forma:
“Exponential smoothing state space model with Box-Cox transformation, N
ARMA errors, Trend and Seasonal components” (TBATS model). zj= bj+ ∑ wi,j*xi
(i=1)
Existen modificaciones al modelo antes mencionado, con el objetivo de si- Donde bj: parámetro definido en la fase de aprendizaje del modelo; wi,j:
tuar el análisis en supuestos más “flexibles”. Uno de estos supuestos es la ponderador o peso asignado a la neurona predictiva i para la neurona j en
no-linealidad, es decir realizar una transformación de la serie original a tra- la capa oculta; xi: el dato proveniente de la neurona predictiva i.
vés de Box-Cox. También, el componente del error del modelo puede ser
definido mediante una estructura ARMA. Otra flexibilización al modelo ori- Luego de una fase de entrenamiento y aprendizaje el modelo define los pa-
ginal es dar una representación trigonométrica al componente estacional rámetros b y w, para luego iterar con los datos, en este caso con las series
basado en series de Fourier. En base a lo anterior, el modelo propuesto en de tiempo y entregar finalmente predicciones para los periodos definidos.
41
Neural Networks Autoregression es un caso particular de los modelos de Sección 5: Criterios de selección del modelo univariado
redes neuronales adaptado para trabajar con series de tiempo. Para asegurar que los modelos utilizados para proyectar presenten carac-
terísticas mínimas, es que se evalúan tres criterios deseables de cualquier
Este proceso se llevó a cabo en R utilizando la función nnetar del paquete proyección: que sea insesgada (esto es que no esté sistemáticamente por
forecast. encima o debajo de los valores reales), que sea eficiente (que la proyección
esté correlacionada con el valor real, o dicho de otro modo, que la proyec-
Modelos Univariados No lineales ción siga los movimientos de la variable), y que el error de proyección sea
En la literatura estadística existen diversas alternativas de modelos no-li- ruido blanco (que no presente una estructura de correlación). El no rechazo
neales para series de tiempo. Esta consideración presenta relevancia, de estos tres tests valida que la proyección esté usando de forma efectiva
puesto que, por causa de factores externos, el fenómeno a modelar podría toda la información suficiente.
presentar un cambio en su estructura dinámica. Esta “no-linealidad” de
la serie es semejante a detectar “regímenes” en el comportamiento de la Sesgo y Eficiencia
serie, y según sea el modelo escogido es que se definirán los pasos entre Para evaluar el sesgo y eficiencia en las predicciones de los modelos,
regímenes. se utilizó como referencia la metodología expuesta en Bank of England
(2015), que evalúa la correlación entre los valores reales y proyectados por
Entre las familias de modelos no-lineales se pueden destacar las siguien- el modelo, utilizando una regresión del tipo “Mincer-Zarnowitz”. La regre-
tes: Modelo de Regime-Switching; extensiones de los modelos AR desa- sión propuesta es de la forma:
rrollados por Chan y Tong (1986) como los “Modelos auto-regresivos de yt=β0+β1 ytt-h+ut
transición suavizada” (STAR) y STAR logístico (LSTAR), entre otros.
La especificación de los modelos no-lineales que se tratarán en este traba- donde ut es el término de error (con media cero); yt es la realización de
jo está dada por la siguiente expresión (Di Narzo, 2008): la variable aleatoria y en el tiempo t y ytt-h es la proyección de la variable
aleatoria y en el tiempo t realizada h períodos atrás.
yt=(Φ1+Φ10 yt-1+...+Φ1pyt-p)(1-G(zt,ζ,c))
+ (Φ2+Φ20 yt-1+...+Φ2p yt-p)G(zt,ζ,c)+et ) Para evaluar el sesgo β0 y correlación entre el dato y la predicción β1, se
debe testear conjuntamente la hipótesis nula:
con zt variable umbral; p número de rezagos; c umbral predefinido; ζ pará-
metro de la función logística. H0:β0=0 ^ β1=1
Para el caso de LSTAR, la función G(.) es la función logística:
G(zt,ζ,c)=(1+exp(-ζ(zt-c)))-1 ζ>0 usando, para estos efectos, un test de Wald para esas especificaciones del
La implementación de este modelo se encuentra en la función lstar del espacio paramétrico y concluir a través del valor-p que arroja el estadístico
paquete tsDyn de R. F de este test (se utilizó una significancia de α=5%).
42
Ruido Blanco Sección 6: Proyección combinada e intervalos de predicción
Para testear la hipótesis de ruido blanco en los residuos, se procedió a Una vez seleccionado el mejor modelo de cada una de las tres familias de
utilizar el test propuesto por Box y Ljung (1978), que plantea la siguiente modelos univariados descritos anteriormente, se efectúa una combinación
hipótesis nula: lineal de los 3 mejores preseleccionados. El método para escoger a los 3
mejores se basa en un ranking en base al menor error cuadrático en la fase
H0: Los errores de predicción no tienen una estructura de auto-correlación de testeo.
El estadístico de testeo derivado de esta hipótesis nula es: Una vez seleccionado el mejor5 modelo de cada una de las tres familias de
modelos univariados consideradas, se efectúa una combinación lineal de
m
̃ (r̂)=n(n+2) ∑ (n-k)-1 r̂ 2 ~ χ 2
Q estos. El combinar proyecciones obedece a la lógica de reducir el “riesgo
k m -p-q,1-α
(k=1)
de modelo”, esto dado que el modelo que genera los datos es desconocido
donde r̂k auto-correlación de los errores de predicción de orden k. y por tanto los modelos estimados pueden estar mal especificados con-
duciendo a errores que pueden ser reducidos al diversificar los modelos
Precisión a utilizar. Además, las especificaciones propuestas en las tres familias de
Los indicadores de precisión utilizados para la elección del modelo fueron modelos recogen de forma distinta la información de la serie a proyectar,
el “Error Promedio Porcentual Absoluto” (Mean Absolute Percentaje Error, por lo que el combinarlas permite considerar toda esta información que es
en inglés) y la “Raíz del Error Cuadrático Medio” (Root Mean Square Error, imposible de capturar mediante un solo modelamiento.
en inglés), los cuales se calcularon para cada horizonte. Estos indicadores
se definen como: Existen varias formas de asignar ponderadores a cada uno de los modelos
√
(véase Timmermann, 2006), sin embargo, muchas de estas metodologías
1 n+p-h Yt+h-Ŷt+h|t 1 n+p-h
MAPEh=(p-h) ∑ ;RMSEh= (p-h) ∑ (Yt+h-Y t+h|t)
̂ 2 requieren estimar los pesos y por tanto agregan otra fuente de error. En
t=n+1 Yt+h
la literatura se ha mostrado empíricamente que el promedio simple de las
donde h es el horizonte de proyección; Yt+h es el valor real de la variable proyecciones, vale decir asignar pesos idénticos a cada modelo, resulta en
dependiente en el horizonte h; Ŷ t+h|t es el valor proyectado para el horizon- una mejora sustantiva de la precisión en contraste a ponderadores estima-
te h que genera el modelo con información hasta t; y p es el tamaño de la dos. En base a esto, la proyección final queda como sigue:
ventana de testeo.
1 +y2 +y3 )/3
y*t+h=(yt+h t+h t+h
en donde se escogieron los 3 mejores modelos de acuerdo con su medida

de error en la fase de prueba, los cuales fueron combinados. Luego de
elaborar la proyección final se calculan los intervalos de predicción para
5Donde mejor es aquel que cumpliendo con los criterios de selección, presenta la mejor medida de precisión
43
acompañar la proyección puntual con el fin de incorporar la incertidumbre Association, Vol. 88, N°421, pp. 284-297.
asociada en términos de que existen fuentes de error como son la incorrec- • De Livera, A M, Hyndman, R J and Snyder, D (2011). “Forecasting Time
ta especificación del modelo (aun cuando mediante combinación esta se Series With Complex Seasonal Patterns Using Exponential Smoothing”.
reduce), la incorrecta estimación de los parámetros, el cambio estructural, Journal of the American Statistical Association, Vol. 106, N°496, pp.
entre otros, que harán que el valor futuro de la variable pueda ser distinto 1513-1527.
al proyectado. Con esto intervalos de predicción, las proyecciones pueden • Diebold, F and Lopez, J (1996). “Forecast Evaluation and Combination”.
ser graficadas en un “fan chart” que muestra de forma simple la distribu- En Maddala and Rao, “Handbook of Statistics”.
ción de probabilidades del error de predicción. • Di Narzo, A F (2008). “Nonlinear autoregressive time series models in R
using tsDyn”, version 0.7. CRAN documentary repository.
Para construir los intervalos se asume una distribución normal del error de • Hamilton, J D (1989). “A New Approach to the Economic Analysis of
predicción (el cual fue testeado utilizando el test de Shapiro-Wilk (Shapiro Nonstionary Time Series and the Business Cycle”. Econometrica, Vol. 57,
and Wilk, 1965)) centrada en cero (dado que ya se testeó que la proyec- N°2, pp. 357-384.
ción fuera insesgada) y simétrica, mediante la siguiente fórmula: • Kapetanios, G, Labhard V and Price, S (2007). “Forecast combination and
the Bank of England’s suite of statistical forecasting models”. Bank of
IC(yt+h ) = yt+h ± zα/2 σhe England, Working Paper N°323.
• Ljung, G M and Box, G (1978). “On a measure of lack of fit in time series
con σhe la desviación estándar del error de predicción en el horizonte h. models”. Biometrika, Vol. 65, N°2, pp. 297-303.
• López-de-Lacalle, J. (2016). Package tsoutliers, version 0.6-3. CRAN do-
cumentation repository.
REFERENCIAS • Timmermann, A (2006). “Forecast Combination”. Capítulo 4 en Elliot and
• Bank of England (2015). “Evaluating forecast performance”. Indepen- Timmermann, “Handbook of Economic Forecasting”.
dent Evaluation Office, Bank of England. • Shapiro, S and Wilk, M (1965). “An analysis of variance test for normality
• Concha, A and Taborda, R (2014). “Insurance use and economic grow- (complete samples)”. Biometrika. 52 (3–4): 591–611
th in Latin America. Some panel data evidence”. Lecturas de Economía,
N°81, pp. 31-55.
• Chan, K S and Tong, H (1986). “On estimating thresholds in autoregres-
sive models”. Journal of Time Series Analysis, Vol. 7, N°3, pp. 179-190.
• Chatfield, C. (2001). “Prediction Intervals for Time-Series Forecasting”.
En Armstrong “Principles of Forecasting”.
• Chen, C and Liu, Lon-Mu (1993). “Joint Estimation of Model Parameters
and Outlier Effects in Time Series”. Journal of the American Statistical
44
aseguradoresdechile
aseguradorescl
@aseguradorescl
@aseguradorescl
Asociación de Aseguradores de Chile
Asociación de Aseguradores de Chile A.G.

La Concepción 322, Oficina 501
Providencia, Santiago
Tel: (56) 22 83 44 900
seguros@aach.cl
www.aach.cl
Asociación Gremial
Publicación Anual 2021

Proyecciones AACH 2021-2022

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proyecciones AACH 2021-2022

Cargado por

Copyright:

Formatos disponibles

Proyecciones

Mercado Asegurador 2021/22

Por medio de este documento, presentamos las

En el año 2020, el mercado asegurador decreció

Para el año 2021, se prevé una recuperación de

Para el año 2022 se estima un crecimiento de

RESUMEN DEL MERCADO SEGUROS DE VIDA: SEGUROS GENERALES:

CIFRAS DEL MERCADO CIFRAS DEL MERCADO DE ANEXO:

RESUMEN DEL MERCADO ASEGURADOR 2021/22

Proyección Seguros de Vida Seguros Generales

Var. % Mercado Asegurador

Fuente: Elaboración propia en base a información FECU, Banco Central y proyecciones.

Fuente: Elaboración propia en base a información FECU, Banco Central y proyecciones.

A su vez, el ramo de Vida sería el segmento con

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Corresponde a planes de seguros que combinan

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Este tipo de seguro está directamente relacionado 25

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

SEGUROS DE DESGRAVAMEN GRÁFICO N°8: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE

Fuente: Elaboración propia en base a información FECU y

Para el 2021 se proyecta nuevamente una caída, 5%

Fuente: Elaboración propia en base a información FECU y proyecciones.

SEGUROS DE VIDA GRÁFICO N°9: EVOLUCIÓN DE LA PRIMA DIRECTA DE LOS SEGUROS DE

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Para el año 2021, se proyecta que los Seguros

En el presente año, para el Mercado de Seguros

100 Otros Seguros Generales

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

TABLA N°19: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE INCENDIO. PERÍODO 2013-2022.

Fuente: Elaboración propia en base a información FECU y proyecciones.

SEGUROS DE TERREMOTO GRÁFICO N°16: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE

Fuente: Elaboración propia en base a información FECU y

TABLA N°20: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE TERREMOTO. PERÍODO 2013-2022.

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

TABLA N°21: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE VEHÍCULOS. PERÍODO 2013-2022.

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

Fuente: Elaboración propia en base a información FECU y

Fuente: Elaboración propia en base a información FECU y proyecciones.

SEGUROS DE ROBO GRÁFICO N°20: EVOLUCIÓN DE LA PRIMA DIRECTA DE SEGUROS DE

Fuente: Elaboración propia en base a información FECU y

Para el año 2022 se proyecta que el ramo crez- 2,5 10%