Mémoire d'actuariat

Mesure de l'écart de performance entre deux réseaux d'experts en assurance automobile
Auteur(s) WABO FOKA Auriol
Société Prim'act
Année 2020
Confidentiel jusqu'au 30/01/2021

Résumé
Un assureur dommage contrôle son ratio combiné pour le maintenir, dans la mesure du possible à un niveau cohérent avec ses objectifs de marge. Dans le cas des assurances de biens faisant intervenir une expertise, comme par exemple les sinistres automobiles matériels, l'expert a une capacité d'action sur le niveau de la charge qu'il va reporter dans son apport. Dans ce contexte, ce mémoire a pour objectif de mesurer l'influence d'un réseau d'experts face à ses concurrents lors de l'évaluation du coût d'un sinistre matériel. Une méthode assez simple pour répondre à cette problématique est de construire un modèle de régression type GLM, et ainsi affecter à chaque variable un coefficient estimé permettant d'évaluer l'influence de cette dernière sur le coût du sinistre. Toutefois, la mesure de l'influence d'une variable, notamment le réseau d'experts sollicité, n'est pas directe avec un modèle type GBM (Gradient Boosting Model), ayant un meilleur pouvoir prédictif parmi tous les modèles prédictifs testés. Il sera alors question de chercher à construire des mesures d'influence pertinentes, associées au Gradient Boosting Model. L'étude se déroulera selon deux approches différentes : la première approche consiste à évaluer des réseaux d'experts sur la base d'une sinistralité identique. Et la seconde approche est basée sur l'utilisation d'une méthode d'interprétation des prédictions nommée Kernel SHapley Additive exPlanation (Kernel SHAP), qui permet d'expliquer une prédiction d'un modèle d'apprentissage automatique, en construisant localement un modèle linéaire autour de cette prédiction.

Abstract
A non-life insurer controls its combined ratio in order to maintain it as long as possible at a consistent level within its margin goals. In the case of property and casualty insurance involving expertise, such as material motor claims, the expert has an ability to act on the level of the expenses he will report. In this context, this master thesis aims to measure the influence of an expert network against its competitors when assessing the cost of a material loss. One way to deal with this issue would be to develop a GLM model regression, that assigns for each feature an estimated regression coefficient in order to measure the influence of the latter on the cost of the loss. Nevertheless, the measure of the inlfuence of a feature, in particular the expert network, is not straightforward with the Gradient Boosting Model (GBM), which turned out to be the model with the best predictive power among all the predictive models tested. Subsequently, our goal would be to establish relevant influence measures associated with the Gradient Boosting Model. The study will be conducted according to two different approaches: the first approach concerns the evaluation of experts networks on the basis of identical claims. And the second approach is based on a predictive explanation method named Kernel SHapley Additive exPlanations (Kernel SHAP), that allows to explain a prediction of a machine learning model, by building locally a linear model around this prediction.