Die Minderung von Datenknappheit bei der Bewertung von Ernteversicherungen anhand räumlicher Informationen: Ein Propagation-Separations-Ansatz

• Antragsteller: Dr. Zhiwei Shen
• Fachliche Zuordnung: Agrarökonomie, Agrarpolitik, Agrarsoziologie
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 317461038

Im Hinblick auf die schnelle weltweite Verbreitung von Ernteversicherungen ist ein fundierter und exakter Bewertungsansatz von Versicherungsverträgen von größter Bedeutung, um nachhaltige und praktikable Lösungen des Risikomanagements für Produzenten, Versicherer und Regierungen bereitzuhalten. Im Gegensatz zu den meisten Versicherungsformen, bei denen ausreichend Informationen vorliegen, um die Verlustverteilung und die Versicherungsprämie zuverlässig zu schätzen, leidet die Prämienfestsetzung bei Agrarversicherungen unter der Tatsache, dass Erntedaten räumlich korreliert und knapp sind, in der Regel höchstens 50 Beobachtungen. Der Mangel an historischen Daten kann falsche Schätzungen der Verlustverteilungen zur Folge haben und erweitert das Entscheidungsproblem des Versicherers um ein neues Modellrisiko. Ein in der Versicherungsbranche gängiger Ansatz, mit Datenknappheit umzugehen, ist die Verwendung räumlich nahe gelegener Daten, um die begrenzten historischen Beobachtungen zu ergänzen. Die Berücksichtigung solcher Ertragsdaten erfolgt jedoch häufig ad hoc, ohne einen formalen, mathematisch fundierten Ansatz. Die Vermischung ungleicher Verteilungen würde zu Negativauslese-Problemen führen. Deshalb hat dieses Forschungsprojekt das Ziel, einen formalen und gründlichen Rahmen zu entwickeln, um räumliche Informationen zur Linderung von Datenknappheit bei der Bewertung von Ernteversicherungen zu verwenden. Insbesondere werden wir die adaptive-lokale-Glättungs-Modell verwenden (auch als Propagation-Separations-Ansatz bezeichnet). Sie ermöglicht es, lokal homogene Regionen zu bestimmen und die Parameter der gemeinsamen Verteilung flexibler und effizienter zu schätzen. Des Weiteren wird das Projekt einen umfassenden Vergleich verschiedener statistischer Methoden sowie empirische Anwendungen beinhalten, um die Bedingungen herauszuarbeiten, unter denen räumliche Informationen am hilfreichsten sind.

• DFG-Verfahren: Sachbeihilfen