Mémoire d'actuariat

Etude des comportements des assureurs et prédiction du taux de reversement des recours dans le cadre de la convention IRSA
Auteur(s) YOON Sang-hoon
Société AXA France
Année 2017
Confidentiel jusqu'au 22/11/2019

Résumé
Ce mémoire propose une analyse des stratégies des assureurs dans le cadre des recours forfaitaires de la convention IRSA. Cette étude s'appuie tout d'abord sur la mise en évidence des comportements atypiques qui causent un déséquilibre de la balance finale. Pour cela, on a envisagé la classification des assureurs selon les densités des dommages réels des sinistres en utilisant le modèle de mélange gaussien et la méthode de k-moyennes. D'autre part, pour répondre à l'insuffisance d'une simple catégorisation des assureurs, on montre l'existence des états cachés qui décrivent les assureurs d'une manière plus précise en utilisant un modèle probabiliste: modèle de Markov caché. Cela permet de vérifier l'influence des comportements cachés sur le traitement des recours à l'assureur. Enfin, afin de minimiser le risque de perte financière due aux recours forfaitaires, on propose de créer un modèle de scoring de la réussite d'une contestation d'un recours avec des méthodes d'apprentissage statistique.

Abstract
This master thesis is an analysis of insurer’s strategy of subrogations under IRSA convention. First, this study highlights abnormal behaviors that unbalance the final result of subrogations between insurance companies. To accomplish that, we classified insurers depending on the density of real damage of claims by using the Gaussian mixture model and the k-mean method. On the other hand, since the classification of insurers by category was too simple, we found hidden state that described better insurance companies’ behaviors by using a probabilistic model: hidden Markov model. This model enables to explain how subrogations are treated, depending on the hidden state of the insurer. Hence, in order to minimize the financial loss risk linked to subrogations, we created a scoring model on the success of subrogation’s contestation with statistical learning methods.