Mémoire d'actuariat

Modélisation du S/P économique sur le risque en incapacité de travail
Auteur(s) TCHOUASSEU NGAMBIA Lionnel Richie
Société Malakoff Médéric
Année 2019
Confidentiel jusqu'au 09/05/2021

Résumé
Le pilotage technique des portefeuilles d'assurance collective de prévoyance se matérialise par le suivi d'indicateurs, tel que l'indicateur sinistre à prime. En effet, à partir de cet indicateur, l'assureur est en mesure de juger de la rentabilité d'un portefeuille ou de discuter des mesures de redressement avec le client. Les assureurs cherchent à améliorer le pilotage de leurs portefeuilles, par un suivi plus accru de tels indicateurs, afin de prendre des décisions adéquates (révision tarifaire, ...), au moment opportun. Cependant, l'estimation de l'indicateur sinistre à prime, des garanties arrêts de travail est instable durant les années qui suivent la fin de l'exercice de survenance, et pose des difficultés de pilotage des portefeuilles, car la valeur de cet indicateur ne reflète pas le véritable niveau de risque de rentabilité. Avec le développement des méthodes d'apprentissage statistique, particulièrement sur les sujets de provisionnement ligne à ligne, nous avons pris le parti d'apporter des solutions orientées vers l'estimation de la durée de maintien en incapacité et la sélection des arrêts en cours, basées sur un modèle d'apprentissage non-paramétrique ; permettant d'utiliser davantage de variables découlant de la gestion de l'arrêt et de l'assuré. Bien que, dans un souci de prudence et d'harmonisation, la réglementation reste stricte sur les méthodes de calcul des provisions mathématiques pour les états financiers, les résultats de cette étude pourraient améliorer l'estimation de la durée de maintien en incapacité et la constitution des listes d'arrêts en cours et ainsi, améliorer le pilotage technique du risque d'un portefeuille d'incapacité de travail dès la fin d'un exercice.

Abstract
The technical management of insurance portfolios is materialized by monitoring indicators, such as loss ratio. Indeed, based on this indicators, the insurer is able to judge the profitability of a portfolio or discuss adjustment measures with the client. Insurers are looking to improve the management of their portfolios by more closely monitoring such indicators in order to make appropriate decisions (tariff review, etc.) at the right time. However, estimation of disability loss ratio is unstable, for years following the coverage period, and raises managerial difficulties, because the value of this indicator does not reflects the true level of risk and profitability of a portfolio. With the development of machine learning methods, particularly on individual claim reserving topics, we have decided to provide solutions oriented towards, the estimation of survival duration and the selection of current disabilty, based on a non-parametric learning model ; allowing to use more variables arising from disability management and insured person. For the sake of prudence and harmonization, the regulation remain strict on the methods to determine mathematical reserves for the financial statements, the results of this thesis could improve the estimation of survival duration for disabiltiy, the constitution of current disabilty lists and thus, improve the technical management of disability guarantees at the end of coverage period.