Los fenómenos climáticos extremos representan una amenaza constante para la actividad agrícola y han impulsado la búsqueda de mecanismos que permitan reducir las pérdidas económicas de los productores. En ese contexto, el seguro agrícola paramétrico surge como una alternativa basada en variables objetivas para compensar los efectos de determinados eventos climáticos. Por ello, es importante comprender el funcionamiento real y los beneficios de este tipo de cobertura.

¿Qué significa que un seguro sea paramétrico?

El diccionario de la Real Academia Española (RAE) define el término “paramétrico” como un adjetivo que significa ‘perteneciente o relativo a un parámetro’. Es un calificativo que se aplica a todo aquello que depende, se basa o contiene parámetros (variables o factores fijos para analizar una situación o ecuación).

Bajo esta definición, existen dos interpretaciones del seguro paramétrico. Una interpreta el parámetro como la variable que afecta la condición de un cultivo y, por lo tanto, las potenciales pérdidas del asegurado, por ejemplo, la temperatura ambiental. Otra se sustenta en que el análisis actuarial no involucra un ajuste in situ, como sucede con los seguros indemnizatorios, sino que se realiza con base en la función de densidad de probabilidades de la variable que afecta la condición de un cultivo. Como estas funciones son complejas en términos matemáticos, el análisis suele recurrir a dos parámetros: la media y la desviación estándar. De ahí proviene el adjetivo paramétrico. Considero que ambas interpretaciones son válidas.

El seguro paramétrico cubre al asegurado por la pérdida de sus ingresos a raíz de la caída del rendimiento agrícola por debajo de un promedio predeterminado y causada por una variable particular, que suele ser climática. Por ejemplo, si la caña de azúcar en una región necesita al menos 1500 mm de lluvia anual para desarrollarse de forma adecuada, la póliza del seguro paramétrico podría estipular que habrá un pago compensatorio si se registra una lluvia acumulada anual que sea inferior a los 1500 mm. En este ejemplo, a diferencia del seguro indemnizatorio, el análisis actuarial no considera en absoluto la serie de tiempo del rendimiento agrícola, sino tan solo la de precipitación pluvial.

Primero debe confirmarse la correlación entre las series estadísticas de las variables en cuestión, ya sea que el análisis se realice por series temporales, de sección transversal o datos en panel (que incluye ambas series). Pese a que la ciencia agronómica puede establecer una definitiva y hasta una evidente correlación entre la precipitación pluvial y el rendimiento agrícola de un cultivo, es menos evidente que exista dicha correlación entre las series estadísticas utilizadas para el estudio. Esto responde al hecho de que los datos pueden haber sido recolectados o procesados de manera incorrecta y que, en el ínterin, se haya perdido la correlación.

¿Por qué la calidad de los datos es clave para este tipo de seguro?

Supongamos que tenemos datos del rendimiento de la caña de azúcar y de la precipitación pluvial en una cierta región productora en un periodo de veinte años, y que la correlación entre estas dos series de tiempo es de 70%, adecuada para el análisis de un seguro paramétrico. Para corroborar dicha correlación es estable en el largo plazo, se requiere de un análisis estadístico previo.

Tyler Vigen, en su libro Correlaciones espurias, establece correlaciones espurias extravagantes como un coeficiente de correlación de 99.3 % entre el consumo per cápita de margarina y la tasa de divorcio en el estado de Maine (EEUU); uno de 94.7 % entre el consumo de yogurt congelado y la tasa de crímenes violentos, o uno de 92.5 % entre la popularidad del nombre Sunny y la generación de energía solar en Egipto. El punto es que puede hallarse una correlación numérica entre variables que no parecen estar vinculadas y viceversa.

Lo anterior se explica mejor con un ejemplo de series de tiempo de dos variables que parecen no estar relacionadas:

• y_t es el número de personas que mueren por caerse de la cama en Estados Unidos.
• x_t corresponde al gasto de Estados Unidos en ciencia y tecnología (millones de dólares).

La regresión con los datos disponibles en la que y_t es la variable dependiente y x_t , la variable independiente arrojó un modelo razonable en términos matemáticos, pero sin sentido lógico. Lo contrario podría suceder si la variable independiente fuera la precipitación pluvial y la variable dependiente el rendimiento agrícola, en el caso de que los datos no hubiesen sido obtenidos o procesados de forma adecuada.

Al aplicar el concepto de cointegración, podemos analizar la relación de largo plazo entre dos series de tiempo (procesos). Es decir, podemos determinar que la relación de largo plazo de dos procesos (justificada por razones económicas) se encuentra en equilibrio. Estos procesos no necesitan estar en equilibrio todo el tiempo, pero sí es una condición necesaria que las diferencias temporales (y_t - y_t-1) sean estacionarias. Si lo son, existe una tendencia al equilibrio en el largo plazo.

Se dice que una serie temporal es estacionaria si la esperanza matemática (media) y la varianza son constantes en el tiempo, y su auto covarianza es independiente del tiempo. Si las series de tiempo no son estacionarias, su comportamiento no puede generalizarse a otro periodo de tiempo y, por lo tanto, tiene poco valor práctico. Las series de tiempo no estacionarias pueden generar regresiones espurias.

Si ambos procesos son integrados con grado uno (devienen en estacionarios después de una diferenciación temporal) y existe una combinación lineal significativa de la siguiente forma:

z_t = β₁y_t + β₂x_t 

de manera que z_t sea integrada de orden cero (estacionaria), entonces los procesos y_t y x_t son cointegrados. La cointegración ocurre si las tendencias estocásticas de y_t y x_t son las mismas, es decir, las dos series de tiempo tienen una tendencia común. La cointegración entre dos series de tiempo puede determinarse a través de pruebas como la de Johansen, la de Phillips-Ouliaris, la de Phillips-Ouliaris-Hansen o la de Engle-Granger. 

¿Cómo se calcula la prima de un seguro agrícola paramétrico?

La correlación entre las dos variables antes mencionadas requiere mucha atención debido a que, en el histograma de frecuencias, una variable climática como la precipitación pluvial puede ajustarse a múltiples funciones de densidad de probabilidades conocidas, ya sea con sesgo a la izquierda, como la distribución Valor Extremo Mínimo; a la derecha, como la distribución Gamma, o sin sesgo alguno, como la distribución Normal. Sin embargo, la teoría indica que, para los rendimientos agrícolas, es más probable una distribución con sesgo a la izquierda porque, en un año catastrófico, el rendimiento podría caer a valores cercanos a cero, mientras que en un año excepcionalmente bueno no se espera que el rendimiento se aleje de la media de una manera dramática.

Una vez confirmada la correlación entre el rendimiento agrícola y la precipitación pluvial, se puede desestimar la primera variable para trabajar de forma actuarial solo con la segunda. Mientras se cuente con más datos de la serie de tiempo de la variable paramétrica, el ajuste de la serie a una función de distribución de probabilidades conocida será más exacto y así lo será también el análisis actuarial. Con la función de distribución de probabilidades así definida, se puede predecir la probabilidad de que la precipitación pluvial sea mayor o menor que un cierto valor, lo que afectará el rendimiento agrícola y, en consecuencia, el ingreso del productor agrícola. Esta es la base para determinar la prima pura del seguro agrícola paramétrico.

Una consideración importante es la granularidad de los datos. Cuanto más agregados sean los datos, menor será su exactitud. Por ejemplo, los datos de precipitación pluvial de una región entera son menos exactos que aquellos de una estación meteorológica dedicada a una finca. Por lo tanto, puede realizarse un mejor análisis actuarial para la finca que para la región en su totalidad. Esto responde al hecho de que la finca está expuesta de manera más uniforme a un fenómeno climático que la región.

La toma, la recopilación y el procesamiento de los datos granulares también suelen ser procesos más consistentes que los de una región de mayor área donde puede existir diversidad en los equipos de medición y en los procesos para la recolección y el procesamiento de información. En las regiones extensas, suele trabajarse con promedios, mientras que en áreas relativamente pequeñas se manejan datos directos y procesados de forma consistente.

¿Cómo se diseñan las coberturas?

Un reto importante en el seguro agrícola paramétrico es el diseño de la cobertura que protegerá al asegurado. Existen infinitas posibilidades y aquí voy a mencionar algunos ejemplos. Si seguimos con la precipitación pluvial, puede diseñarse un seguro paramétrico tanto por exceso como por defecto. El ejemplo antes mencionado se refiere a falta de suficiente lluvia para que la caña de azúcar crezca y se desarrolle de manera adecuada. Así, podría crearse una cobertura en la que el gatillador sea los 1500 mm de lluvia y se pague de forma incremental bajo una función lineal hasta el límite de la cobertura, digamos 1000 mm de lluvia. Si llueve en exceso, el cultivo puede ahogarse y, por lo tanto, el productor podría necesitar una cobertura por exceso de lluvia, similar pero inversa a la antes mencionada.

Cuando se cubre al productor de cultivos más delicados, como las frutas, el diseño de las condiciones del seguro puede tomar diversas formas de acuerdo con el riesgo específico. Por ejemplo, un productor de uvas podría necesitar una cobertura que lo proteja del exceso de lluvia en un periodo corto de tiempo, pero también del nivel de precipitación acumulado durante el crecimiento del fruto. Si llueve más de 15 mm en un día, el seguro paga, pero también si llueve más de 500 mm en un periodo de tres meses. Otra variante de esta cobertura podría considerar, por ejemplo, el acumulado de tres días consecutivos en vez de la precipitación diaria.

Otra opción es diseñar coberturas mediante el uso de la temperatura como parámetro. Por ejemplo, se sabe que las condiciones ideales para la inducción floral del mango Kent son temperaturas nocturnas iguales o inferiores a 16 °C. En consecuencia, puede estructurarse una cobertura de seguro que compense al asegurado si la temperatura promedio diaria en ciertos meses del año no caiga por debajo de 16 °C. Incluso podría considerarse el uso de la temperatura promedio registrada, digamos, entre las 6 p. m. y las 5 a. m. del día siguiente.

La cobertura también puede enfocarse en mitigar el impacto del fenómeno de El Niño, es decir, el calentamiento de las aguas superficiales del océano Pacífico (zonas 4 y 5) que crea severas anomalías climáticas en el Perú. Si se quiere ser más efectivo, puede centrarse en el Niño costero, es decir, un seguro que pague si la temperatura anómala de las aguas superficiales frente a la costa peruana (zonas 1 y 2) supera los +3°C, por mencionar una opción.

¿Qué retos plantea el seguro agrícola paramétrico?

Un desafío adicional es que el diseño del seguro agrícola paramétrico sea tal que exista una equidad técnica entre los pagos indemnizatorios y las pérdidas en el sector agrícola. Este balance es necesario porque el seguro solo debe compensar eventos devastadores de gran envergadura. De lo contrario, su costo podría no justificar su aplicación.

Como se aprecia, para estructurar una cobertura de seguro agrícola paramétrico no solo es necesario contar con capacidades actuariales, sino también con un profundo conocimiento agronómico que permita crear productos de seguro que protejan de verdad al asegurado a precios de mercado asequibles para los interesados. El mayor reto puede presentarse si el propósito es realizar la cobertura en una región donde se cultivan diversos productos.

En este caso, es probable que algunos productores se vean afectados por el riesgo de base, situación en la que el asegurado sufre pérdidas legítimas causadas por el parámetro del seguro (e.g. temperatura), pero el seguro no se activa porque el índice no ha alcanzado su valor crítico y, por lo tanto, no existe pago compensatorio.

Otros factores importantes son las fuentes y el procesamiento de los datos. Las fuentes de datos pueden ser públicas o privadas, pueden tomarse de estaciones automáticas o no, pueden provenir de satélites o drones, y pueden ser de acceso pagado o gratuito. Para regiones extensas, puede usarse una combinación de fuentes de datos que pueden promediarse para cubrir a la región en su totalidad, o los datos de todas y cada una de las fuentes pueden aplicarse a sus respectivas áreas aledañas.

Las partes involucradas también deben convenir en fuentes de datos que no solo tengan una serie histórica suficiente, sino que se prevea que pueden entregar datos en el futuro, sobre todo en el año-póliza. Las consideraciones relativas al uso de los datos quedan a criterio de los diseñadores del seguro paramétrico, pero una adecuada elección puede ser de crucial importancia en la eficiencia de la cobertura.

El diseño, la estructuración y la implementación de un seguro agrícola paramétrico requiere la participación de expertos en varias ramas del conocimiento científico y de un organismo central de administración y dirección que asuma su rol de manera acertada. Estos esfuerzos serían bienvenidos en el Perú porque la actividad agrícola crece en valor, pero aún enfrenta riesgos que no han sido mitigados de forma adecuada.

Aprende más sobre este y otros temas participando en los programas de Agronegocios de ESAN.