Mémoire d'actuariat

Open Data et responsabilité civile corporelle automobile
Auteur(s) DUBERT Gaspard - HILPERT Thibaut
Société Generali France
Année 2018
Confidentiel jusqu'au 04/07/2020

Résumé
La dérive du coût des sinistres corporels graves est un enjeu majeur pour les assureurs Automobile français : l’indemnité moyenne des sinistres graves (supé- rieurs à 1 Me) a presque doublé au cours des dix dernières années. Ce constat, qui résulte principalement d’évolutions juridiques et réglementaires, impose aux sociétés d’assurance, et notamment à leurs fonctions Indemnisation, Provision- nement et Réassurance, de développer et d’approfondir leur connaissance de la sinistralité corporelle automobile. Face à ce défi, le développement des techno- logies numériques et de politiques volontaristes dans le domaine de l’open data (politiques d’ouverture des données consistant à les rendre publiques et à en ga- rantir un accès et une utilisation libres) permettent une profusion de nouvelles données accessibles et exploitables pour les assureurs. De plus, les progrès des performances de calcul des machines favorisent l’essor de nouvelles techniques statistiques d’analyse prédictive regroupées sous le terme de machine learning. Ce mémoire propose une illustration de ces évolutions : à partir de la base de données des accidents de la route de l’Observatoire National de la Sécurité Rou- tière (ONISR) disponible en open data, nous réalisons une analyse comparative de différents modèles prédictifs de la gravité des accidents corporels, reposant sur des techniques statistiques classiques ou de machine learning. Puis nous illustrons concrètement comment ces données et résultats peuvent être exploités par les différents métiers de l’assurance pour mieux anticiper, évaluer, gérer et prévenir les sinistres corporels automobiles.

Abstract
The steady increase in cost of serious bodily injury claims has become a key issue for French Motor insurers : the average severe bodily injury claim cost (ie. more than 1 Me) almost doubled in the last decade. This trend, mainly coming from legal and regulatory developments, has pushed the insurers, and especially their Claim, Provisionning and Reinsurance departments, to develop and strenghten their expertise in bodily injury claims. To face this challenge, the latest technology developments and the open data movement (referring to initiatives launched in order to share, spread and allow everyone to use the previously proprietary data) are bringing material and new ways to exploit it. Moreover, the rise in computing capabilities is now allowing the use of statistical techniques of predictive analysis often referred to as machine learning. The purpose of this thesis is therefore to highlight these evolutions on a specific case : using the national database gathering all the road accidents involving an injured person (published by the Observatoire National de la Sécurité Routière - ONISR) and free to use as an open data ressource, we perform a comparative analysis of the different predictive models used to forecast the severity of bodily injury claims, basing our study on both traditionnal and machine learning statistical techniques. Finally, we specifically present how these data and results can be integrated in the different fields of expertise to better anticipate, forecast, manage and prevent the bodily injury motor claims.