Mémoire d'actuariat

Evaluation du coût infine des sinistres corporels en assurance Automobile : analyse comparative du modèle linéaire généralisé et d'un modèle par apprentissage supervisé
Auteur(s) ROYER Lucie - VIEU Jean-Sébastien
Société Generali France
Année 2019
Confidentiel jusqu'au 30/09/2021

Résumé
Dans son enquête annuelle sur le marché de l'assurance automobile en 2017, la Fédération Française de l'Assurance a estimé que les sinistres de responsabilité civile corporelle constituent seulement 2% du nombre total des déclarations tandis que leur coût pèse pour plus d'un tiers de la charge des prestations. Ces garanties engendrent des indemnités élevées et des délais de clôture plus longs que les dommages matériels. Le délai de règlement d'un sinistre dont la victime conserve des séquelles est de deux ans en moyenne, et s'allonge d'autant plus que le taux d'incapacité de la victime est important. Pour une compagnie d'assurance couvrant le risque automobile, il s'avère donc primordial d'évaluer et de provisionner les sinistres corporels à leu juste coût au plus vite. Ces sinistres corporels s'inscrivent dans un cadre réglementé, tant d'un point de vue législatif, par la loi du 5 juillet 1985 dite "loi Badinter", que conventionnel, avec la convention IRCA. De plus, l'indemnisation d'une victime s'effectue dans le respect de la nomenclature Dintlhac, établie en juillet 2005, qui définit une classification normalisée des postes de préjudice. L'objectif de ce mémoire est de proposer un modèle statistique permettant à Generali France d'évaluer le coût d'un sinistre corporel, pour les dossiers dont les victimes présentent des séquelles (avec un taux d'atteinte à l'intégrité physique et psychique non-nul). Cette étude s'appuie sur une base de données du marché : le Fichier des Victimes indemnisées, qui recense les prestations versées par les compagnies d'assurance, les mutuelles ou le FGAO aux victimes d'un accident de la circulation. Pour la construction de ce modèle, nous avons comparé la performance de deux méthodes différentes : d'une part, une méthode actuarielle classique, le modèle linéaire généralisé et, d'autre part, une méthode de machine learning, la random forest. Nos travaux nous ont menés à sélectionner le modèle d'apprentissage supervisé basé sur l'algorithme de random forest qui présente de meilleurs résultats que le modèle linéaire généralisé et délivre des prédictions très proches des coûts réels des sinistres. L'outil ainsi élaboré vise à optimiser tant les aspects techniques qu'opérationnels des sinistres corporels chez Generali France : il a d'abord pour but d'améliorer la qualité du provisionnement, et il a également vocation à simplifier et fluidifier le processus de gestion d'un sinistre. L'outil ainsi élaboré vise à optimiser tant les aspects techniques qu'opérationnels

Abstract
In its annual study over the motor insurance market, the French Federation of Insurance assessed that bodily injury claims represent only 2% of the overall number of reported claims whereas their cost weights more than a third of the whole claims' cost. Those warranties lead to high compensations and longer settlement time than material damages. The settlement time of a claim whose victim presents permanent disability is about two years in average, and is getting longer as the disability rate is high. For an insurance company covering motor risk, it turns out to be essential to evaluate the reserves of bodily injury claims at their right price as soon as possible. Bodily injury claims must be dealt within a constraining regulatory framework, both legislatively, through the 5th July law called "Badinter law", and conventionally, with the IRCA convention. Besides, the settlement of a victim has to be done in accordance with the Dintilhac nomenclature, established in July 2005, which defines a normalized classification of heads of damage. The purpose of this thesis is to offer a statistical model which enables Generali France to evaluate the cost of a bodily injury claim, for victims with permanent disabiltiy. This study is based on a market database: the Fichier des Victimes Indemnisées (compensated victims file), which identifies the compensations paid by insurance companies, mutuals or the FGAO to victims of a traffic accident. To build this model, we compared the performance of two different methods: on the one hand, a traditional actuarial method, the generalized linear model, and on the other hand a machine learning method, the random forest algorithm. Our study led us to choose the supervised learning model based on the random forest algorithm, which offers better results than the generalized linear model and delivers predictions very close to real claims' costs. The designed tool aims to optimize both technical and operational aspects of bodily injury claims at Generali France: first it is intended to improve the reserving quality, and then it also allows to facilitate and streamline the management of claims.