Mémoires d'Actuariat
Perspectives d'évolution des assurances contre la sécheresse dans l'assurance Multirisques Habitation (MRH) : anticipation et gestion des impacts futurs
Auteur(s) CHOQUER L.
Société WTW
Année 2024
Résumé
Dans un contexte de changement climatique, ce mémoire se penche sur les probables mutations de la sécheresse en France et, plus précisément, sur leurs répercussions dans le secteur de l’assurance. Pour mieux anticiper les impacts de la sécheresse, le domaine de l’assurance utilise divers indices. Présentés en détail dans cette étude, ils permettent d’évaluer l’intensité de la sécheresse, d’identifier les communes pouvant prétendre à la reconnaissance CatNat (catastrophes naturelles), ainsi que d’estimer leur sinistralité à venir et le coût associé pour les assureurs. En exploitant des données climatiques issues du portail DRIAS, l’étude met en évidence une tendance à l’assèchement croissant de certaines régions françaises. Pour anticiper les impacts financiers sur les assureurs, des techniques de machine learning (modèle linéaire généralisé, forêts aléatoires, Gradient Boosting) sont utilisées afin de modéliser la fréquence des sinistres, estimer le nombre de maisons affectées et évaluer les coûts. Ces analyses alimentent les modèles d’évaluation du risque et de solvabilité (ORSA), essentiels pour la gestion des risques. Enfin, une analyse de sensibilité identifie les facteurs influençant la sinistralité, permettant aux assureurs d’adapter leurs stratégies.
Abstract
In the context of climate change, this thesis examines the potential evolution of drought in France and, more specifically, its repercussions on the insurance sector. To better anticipate the impacts of drought, the insurance industry relies on various indices. Detailed in this study, these indices help assess drought intensity, identify municipalities eligible for CatNat (natural disaster) recognition, and estimate future claims as well as the associated costs for insurers. Using climate data from the DRIAS portal, the study highlights an increasing trend of drying in certain French regions. To foresee the financial impacts on insurers, machine learning techniques (generalized linear model, random forests, Gradient Boosting) are used to model claim frequency, estimate the number of affected homes, and assess costs. These analyses feed into risk and solvency assessment models (ORSA), which are essential for risk management. Finally, a sensitivity analysis identifies the key factors influencing claim frequency, enabling insurers to adjust their strategies accordingly.
Mémoire complet
Auteur(s) CHOQUER L.
Société WTW
Année 2024
Résumé
Dans un contexte de changement climatique, ce mémoire se penche sur les probables mutations de la sécheresse en France et, plus précisément, sur leurs répercussions dans le secteur de l’assurance. Pour mieux anticiper les impacts de la sécheresse, le domaine de l’assurance utilise divers indices. Présentés en détail dans cette étude, ils permettent d’évaluer l’intensité de la sécheresse, d’identifier les communes pouvant prétendre à la reconnaissance CatNat (catastrophes naturelles), ainsi que d’estimer leur sinistralité à venir et le coût associé pour les assureurs. En exploitant des données climatiques issues du portail DRIAS, l’étude met en évidence une tendance à l’assèchement croissant de certaines régions françaises. Pour anticiper les impacts financiers sur les assureurs, des techniques de machine learning (modèle linéaire généralisé, forêts aléatoires, Gradient Boosting) sont utilisées afin de modéliser la fréquence des sinistres, estimer le nombre de maisons affectées et évaluer les coûts. Ces analyses alimentent les modèles d’évaluation du risque et de solvabilité (ORSA), essentiels pour la gestion des risques. Enfin, une analyse de sensibilité identifie les facteurs influençant la sinistralité, permettant aux assureurs d’adapter leurs stratégies.
Abstract
In the context of climate change, this thesis examines the potential evolution of drought in France and, more specifically, its repercussions on the insurance sector. To better anticipate the impacts of drought, the insurance industry relies on various indices. Detailed in this study, these indices help assess drought intensity, identify municipalities eligible for CatNat (natural disaster) recognition, and estimate future claims as well as the associated costs for insurers. Using climate data from the DRIAS portal, the study highlights an increasing trend of drying in certain French regions. To foresee the financial impacts on insurers, machine learning techniques (generalized linear model, random forests, Gradient Boosting) are used to model claim frequency, estimate the number of affected homes, and assess costs. These analyses feed into risk and solvency assessment models (ORSA), which are essential for risk management. Finally, a sensitivity analysis identifies the key factors influencing claim frequency, enabling insurers to adjust their strategies accordingly.
Mémoire complet
