Mémoires d'Actuariat
Prise en compte de la censure dans la liquidation des provisions pour sinistres à payer de la responsabilité civile des professions réglementées
Auteur(s) MEGHAZI C.
Société MMA - Covea
Année 2023
Confidentiel jusqu'au 04/07/2025
Résumé
Les professions réglementées du chiffre et du droit (avocats, experts-comptables, mandataires judiciaires, …) sont soumises à une obligation de souscrire une assurance de responsabilité civile professionnelle. La judiciarisation importante des sinistres fait de la responsabilité civile professionnelle des professions du chiffre et du droit une branche longue avec une liquidation des sinistres de plusieurs années. La provision pour sinistres à payer (PSAP) est, en assurance de dommages et de responsabilités, la provision technique la plus significative en termes de montant. Ce mémoire s’inscrit dans une problématique de tarification via une approche ligne à ligne pour prédit le montant final des sinistres en cours. Ce mémoire s’articule autour de deux axes. Le premier axe vise à améliorer la méthode existante mettant en œuvre des modèles de régression en introduisant un modèle de Machine Learning. Cette première partie a pour objectif de démontrer l’intérêt de ces modèles de Machine Learning en appliquant la méthode de manière iso i.e. sur la base des sinistres clos uniquement. La méthode existante présente des limites : elle ne permet pas d’inclure les sinistres en cours dans la modélisation, qui sont pourtant porteurs d’informations non-négligeables. De plus, on remarque un lien direct entre l’ancienneté du sinistre et son montant final. La prise en compte des dossiers en cours depuis plusieurs années devient alors nécessaire pour avoir une vision exhaustive de la sinistralité. On introduit donc dans le second axe une méthode tenant compte des sinistres en cours et donc plus généralement permettant de gérer la censure à droite en modifiant l’algorithme classique des arbres CART à l’aide de poids calculés à l’aide de l’estimateur de Kaplan-Meier.
Abstract
The regulated legal and accounting professions (lawyers, chartered accountants, judicial representatives etc.) are required to take out professional liability insurance. Due to the high number of claims coming to courts, professional liability insurance for the legal and accounting professions is a long-term guaranty, with claims settling over several years. The provision for reported but not settled claims (RBNS) is the most significant technical provision in property and liability insurance in terms of amount. This dissertation addresses the problem of pricing using an individual approach to predict the final amount of open claims. This dissertation is structured around two axes. The first aims to improve the existing method which uses regression models by introducing a Machine Learning model. The aim of this first part is to demonstrate the benefits of these Machine Learning models by applying the method in a similar manner, i.e., based on settled claims only. The existing method has several limitations: it does not allow open claims to be included in the modelling, even though they provide non-negligible information. In addition, there is a direct link between the age of the claim and its final amount. It is therefore necessary to consider claims that have been in progress for several years to have an exhaustive view of the claims experience. In the second section, I therefore introduce a method that takes into account current claims and, more generally, makes it possible to manage right censoring by modifying the classic CART tree algorithm using weights calculated with Kaplan-Meier estimator.
Auteur(s) MEGHAZI C.
Société MMA - Covea
Année 2023
Confidentiel jusqu'au 04/07/2025
Résumé
Les professions réglementées du chiffre et du droit (avocats, experts-comptables, mandataires judiciaires, …) sont soumises à une obligation de souscrire une assurance de responsabilité civile professionnelle. La judiciarisation importante des sinistres fait de la responsabilité civile professionnelle des professions du chiffre et du droit une branche longue avec une liquidation des sinistres de plusieurs années. La provision pour sinistres à payer (PSAP) est, en assurance de dommages et de responsabilités, la provision technique la plus significative en termes de montant. Ce mémoire s’inscrit dans une problématique de tarification via une approche ligne à ligne pour prédit le montant final des sinistres en cours. Ce mémoire s’articule autour de deux axes. Le premier axe vise à améliorer la méthode existante mettant en œuvre des modèles de régression en introduisant un modèle de Machine Learning. Cette première partie a pour objectif de démontrer l’intérêt de ces modèles de Machine Learning en appliquant la méthode de manière iso i.e. sur la base des sinistres clos uniquement. La méthode existante présente des limites : elle ne permet pas d’inclure les sinistres en cours dans la modélisation, qui sont pourtant porteurs d’informations non-négligeables. De plus, on remarque un lien direct entre l’ancienneté du sinistre et son montant final. La prise en compte des dossiers en cours depuis plusieurs années devient alors nécessaire pour avoir une vision exhaustive de la sinistralité. On introduit donc dans le second axe une méthode tenant compte des sinistres en cours et donc plus généralement permettant de gérer la censure à droite en modifiant l’algorithme classique des arbres CART à l’aide de poids calculés à l’aide de l’estimateur de Kaplan-Meier.
Abstract
The regulated legal and accounting professions (lawyers, chartered accountants, judicial representatives etc.) are required to take out professional liability insurance. Due to the high number of claims coming to courts, professional liability insurance for the legal and accounting professions is a long-term guaranty, with claims settling over several years. The provision for reported but not settled claims (RBNS) is the most significant technical provision in property and liability insurance in terms of amount. This dissertation addresses the problem of pricing using an individual approach to predict the final amount of open claims. This dissertation is structured around two axes. The first aims to improve the existing method which uses regression models by introducing a Machine Learning model. The aim of this first part is to demonstrate the benefits of these Machine Learning models by applying the method in a similar manner, i.e., based on settled claims only. The existing method has several limitations: it does not allow open claims to be included in the modelling, even though they provide non-negligible information. In addition, there is a direct link between the age of the claim and its final amount. It is therefore necessary to consider claims that have been in progress for several years to have an exhaustive view of the claims experience. In the second section, I therefore introduce a method that takes into account current claims and, more generally, makes it possible to manage right censoring by modifying the classic CART tree algorithm using weights calculated with Kaplan-Meier estimator.
