Mémoire d'actuariat

Méthode d'estimation de la charge ultime en RC corporelle automobile basée sur des données individuelles
Auteur(s) QUIQUET Julius
Société MMA
Année 2019

Résumé
L'objectif de ce mémoire est de proposer une méthode d'estimation de la charge ultime des sinistres en Responsabilité Civile Corporelle (RCC) automobile basée sur des données individuelles, c'est-à-dire propres aux sinistres étudiés. L'idée principale est donc d'intégrer un maximum d'informations sur les sinistres dans le but d'affiner la prédiction du coût ultime. Cette méthode individuelle vise à challenger l'utilisation des méthodes agrégées (de type Chain Ladder) très largement plébiscitées par les assureurs pour des problématiques de projection de la charge sinistre à l'ultime au sens large. A partir des sinistres issus du marché des professionnels de l'automobile et du périmètre des particuliers, la base d'étude est enrichie à l'aide de données comptables et des informations sur les victimes. De plus, une étude de Text Mining est réalisée afin d'intégrer des données non structurées relatives aux circonstances des sinistres. Après avoir présenté la méthode de projection individuelle développée dans ce mémoire, deux algorithmes de Machine Learning, à savoir les forêts aléatoires (Random Forest) et le Gradient Boosting Machine (GBM), sont proposés pour l'implémenter. Les résultats obtenus sont ensuite comparés avec Chain Ladder, la méthode de référence pour estimer le coût ultime des sinistres. Enfin, un backtesting est réalisé en comparant ces deux méthodes aux coûts des sinistres réellement observés. Cet exercice nous permet de conclure sur les avantages et inconvénients relatifs à l'utilisation des méthodes individuelles. D'un point de vue opérationnel, cette méthode vise à mieux appréhender la sinistralité corporelle en Responsabilité Civile automobile dans le cadre du pilotage et de la rentabilité du marché des professionnels de l'automobile.

Abstract
The purpose of this study is to propose a method for estimating the ultimate cost of bodily injury claims in Motor Third Party Liability (MTPL) based on individual data, i.e specific to the claims studied. The main idea is therefore to integrate a maximum of information on the claims in order to refine the prediction of the ultimate cost. This individual method aims to challenge the use of aggregated methods (e.g Chain Ladder) very widely favored by insurers in the context of ultimate cost estimation in the broad sense. Based on claims from the automotive professionals and personal automobile insurance market, the study data base is enriched with accounting data and information on victims. Moreover, a Text Mining study is performed to integrate unstructured data related to the circumstances of the claims. After presenting the individual projection method developed in this study, two Machine Learning algorithms, namely (Random Forest) and Gradient Boosting Machine (GBM), are proposed for the implementation. Then, the results obtained are compared with Chain Ladder, the reference method for estimating the ultimate cost of claims. Finally, a backtesting is carried out by comparing these two methods to the costs of the claims actually observed. This exercise allows us to conclude on the advantages and disadvantages of using the individual methods. From an operational point of view, this method aims to better understand the bodily injury claims in Motor Third Party Liability (MTPL) for steering the results and profitability of the automotive professionals market.

Mémoire complet