Mémoire d'actuariat

Elaboration d\'un véhiculier en assurance automobile
Auteur(s) RUIMY Magali
Société AXA France
Année 2017
Confidentiel jusqu'au 24/11/2019

Résumé
Dans un contexte actuel de marché \"hyperconcurrentiel\" et en constante évolution, les assureurs auto doivent procéder à une sophistication de leur tarif afin de se démarquer d\'une part en termes de prix et d\'autre part en termes d\'innovation. De manière générale, cette sophistication passe par une modélisation précise de la prime technique des assurés permettant d\'affiner la segmentation des risques. L\'élaboration d\'un véhiculier, qui fait l\'objet de ce mémoire, s\'inscrit alors dans ce projet à plus grande échelle. Il vise à approfondir l\'analyse du risque sous-jacent aux véhicules en utilisant des techniques innovantes empruntées au machine learning pour classer au mieux les véhicules dans des groupes de risques homogènes. N\'existant pas aujourd\'hui de méthodologie type, une des problématiques au cœur de cette étude réside dans la manière d\'estimer le risque lié aux véhicules. En découle la question suivante : le risque sous-jacent aux véhicules dépend-il uniquement des attributs de véhicules ou existe-il d\'autres facteurs pouvant impacter sa variabilité ? Pour y répondre, deux approches distinctes ont été mises en place. La première, inspirée des méthodes de zonage utilisant le lissage spatial, est essentiellement basée sur les caractéristiques de véhicule pour décrire le risque qu\'ils portent. Quant à la seconde, elle prend principalement en compte le comportement du conducteur pour expliquer la sinistralité liée à un véhicule. A l\'issue de cette étude, les résultats des deux approches seront confrontés afin de conclure sur la meilleure méthode, c\'est-à-dire celle qui apportera le plus d\'information supplémentaire au modèle une fois le véhiculier intégré.

Abstract
The French motor insurance market is rapidly evolving and highly competitive. In order to differentiate themselves from other insurers, motor insurance companies must make their pricing both competitive and innovative. Broadly speaking, one of the main ways they can achieve this sophistication is through precise and segmented modeling of their policyholders\' burning cost. The topic of this thesis: that of creating a vehicle classification is one way of doing this. We seek to use machine learning techniques to improve insurers\' knowledge of the underlying variations in risk from vehicle model to vehicle model. This is done by attempting to group vehicle models together into homogeneous risk types. As there is currently no widely accepted best practice for classifying vehicles, one of the key questions this thesis attempts to answer is whether the disparity in risk between vehicle models is linked entirely to their attributes or whether other factors also come into play. In order to do this, we implement two separate approaches to vehicle classification. The first is based on common zoning methods and spatial smoothing, and primarily involves using a vehicle\'s attributes to describe that vehicle\'s risk. The second tries to classify models by risk according to the standard behavioural profile of those models\' drivers. We will conclude by comparing the two approaches and try and quantify which brings the greatest enhancement in predictiveness once it is added to an existing burning cost model.