Mémoires d'Actuariat
Zonier technique de sinistres graves en assurance Habitation à l'aide des données externes à l'adresse
Auteur(s) NANA J. M. E.
Société PACIFICA
Année 2022
Confidentiel jusqu'au 09/09/2024
Résumé
La problématique du risque grave est à la fois un sujet historique et toujours d’actualité, que les assureurs IARD tentent de résoudre continuellement. La rareté d’occurrence de ces sinistres, de même que leur forte variabilité, contraignent à rendre d’emblée difficile leur modélisation de manière correcte. Cependant, en raison de la charge importante associée à la survenance de ces sinistres extrêmes, ceux-ci constituent un levier tarifaire majeur. Une vision plus précise du risque grave pourrait être atteinte par l’intégration d’une vision géographique du risque. L’émergence des Open Data offre aux assureurs une solution pour prendre en compte la discrimination de cette dernière. Dans ce contexte, ce mémoire d’actuariat explore la construction d’un zonier technique en assurance Habitation pour les sinistres graves en commençant par la caractérisation de ces derniers. Les données externes (dont certaines sont définies à l’adresse) sont employées comme variables explicatives de prédiction par un modèle XGBoost à partir des résidus d’un GLM sur la fréquence grave. Le processus de construction du zonier technique se poursuit par un lissage spatial du signal géographique résiduel par la méthode du Krigeage, permettant de tenir compte de la structure de dépendance spatiale des observations. Un regroupement en classes de risques homogènes s’en suit et abouti ainsi à l’obtention finale du zonier technique de sinistres graves.
Abstract
High severity claims are a long-standing issue that property and casualty insurers are attempting to address in the long run. The rarity of these claims, as well as their high variability, make effective modeling challenging. However, these exceptional claims represent a considerable pricing lever due to the high costs connected with their occurrence. By incorporating a geographical view of the risk, a more specific understanding of the substantial risk might be attained. On that ground, the introduction of Open Data provides insurers with a means to account for the latter’s discrimination. In this regard, this actuarial thesis investigates, beginning with the characterization of the latter, the establishment of a technical zoning in home insurance for high severity claims. External data, including some that are defined at the address, is used as a predictive explanatory variable in an XGBoost model that is built from the residuals of a GLM on the low frequency. The technical zoning creation process proceeds with a spatial smoothing of the residual geographical signal using the Kriging method, allowing the structure of spatial dependency of the data to be taken into account. Following a categorization into homogeneous risk classes, the technical zoning of high severity claims is ultimately attained.
Auteur(s) NANA J. M. E.
Société PACIFICA
Année 2022
Confidentiel jusqu'au 09/09/2024
Résumé
La problématique du risque grave est à la fois un sujet historique et toujours d’actualité, que les assureurs IARD tentent de résoudre continuellement. La rareté d’occurrence de ces sinistres, de même que leur forte variabilité, contraignent à rendre d’emblée difficile leur modélisation de manière correcte. Cependant, en raison de la charge importante associée à la survenance de ces sinistres extrêmes, ceux-ci constituent un levier tarifaire majeur. Une vision plus précise du risque grave pourrait être atteinte par l’intégration d’une vision géographique du risque. L’émergence des Open Data offre aux assureurs une solution pour prendre en compte la discrimination de cette dernière. Dans ce contexte, ce mémoire d’actuariat explore la construction d’un zonier technique en assurance Habitation pour les sinistres graves en commençant par la caractérisation de ces derniers. Les données externes (dont certaines sont définies à l’adresse) sont employées comme variables explicatives de prédiction par un modèle XGBoost à partir des résidus d’un GLM sur la fréquence grave. Le processus de construction du zonier technique se poursuit par un lissage spatial du signal géographique résiduel par la méthode du Krigeage, permettant de tenir compte de la structure de dépendance spatiale des observations. Un regroupement en classes de risques homogènes s’en suit et abouti ainsi à l’obtention finale du zonier technique de sinistres graves.
Abstract
High severity claims are a long-standing issue that property and casualty insurers are attempting to address in the long run. The rarity of these claims, as well as their high variability, make effective modeling challenging. However, these exceptional claims represent a considerable pricing lever due to the high costs connected with their occurrence. By incorporating a geographical view of the risk, a more specific understanding of the substantial risk might be attained. On that ground, the introduction of Open Data provides insurers with a means to account for the latter’s discrimination. In this regard, this actuarial thesis investigates, beginning with the characterization of the latter, the establishment of a technical zoning in home insurance for high severity claims. External data, including some that are defined at the address, is used as a predictive explanatory variable in an XGBoost model that is built from the residuals of a GLM on the low frequency. The technical zoning creation process proceeds with a spatial smoothing of the residual geographical signal using the Kriging method, allowing the structure of spatial dependency of the data to be taken into account. Following a categorization into homogeneous risk classes, the technical zoning of high severity claims is ultimately attained.
