Mémoires d'Actuariat
Provisionnement des sinistres d’arrêts de travail avec des méthodes d’apprentissage automatique – Impacts en termes de gestion des risques
Auteur(s) OLYMPIO E.
Société AG2R La Mondiale
Année 2022
Confidentiel jusqu'au 20/01/2024
Résumé
Les organismes assureurs sont tenus réglementairement de provisionner les prestations futures d’un sinistre d’arrêt de travail en cours d’indemnisation jusqu’à la fin de l’arrêt. L’approche classique utilisée est basée sur les triangles de Chain Ladder pour les provisions pour sinistres à payer et le calcul paramétrique pour les provisions mathématiques. Toutefois, face à la sinistralité importante d’un contrat, il est opportun d’envisager des méthodes alternatives de calcul des provisions. L'objectif du mémoire est d'évaluer la pertinence des méthodes d'apprentissage automatique pour challenger les méthodes de provisionnement usuelles. La modélisation mise en avant s’inspire de l’article de recherche « Tree-based censored regression with applications to insurance » de Lopez et al. (2015) qui propose une méthode de provisionnement en présence d’observations censurées. Elle s’appuie sur des données historiques réelles d’arrêts de travail pour lesquels la charge ultime est disponible. L’application à des données nouvelles a permis de poser un regard critique tant sur le provisionnement que sur la tentative d’explication de la sinistralité élevée du portefeuille. Une application opérationnelle illustre l’apport du modèle prédictif et explicatif en termes de gestion des risques. D’une part, la fonction Gestion des Risques et plus particulièrement la Fonction Actuarielle induites par la directive de Solvabilité 2 pourront se faire leur propre opinion sur les méthodes actuelles de provisionnement et proposer des améliorations pour le suivi prospectif des arrêts de travail. D’autre part, de nouveaux outils de gestion des arrêts de travail pourraient être envisagés et ouvrir la voie à un pilotage approprié de l’absentéisme.
Abstract
Insurers are required, by regulation, to fund future benefits payments for a work interruption during compensation until its end. The traditional approach used is based on the Chain Ladder method for claims in course of settlement reserving and the parametric calculation of mathematical actuarial reserves. However, faced with a high loss experience of a contract, it is advisable to consider alternative methods of reserving calculation. The purpose of the master thesis is to define the implementation of machine learning algorithms to challenge current reserving methods. The modeling is based on the research article “Tree-based censored regression with applications to insurance” by Lopez and al. (2015) which presents a reserving method including censored data. Built from real historical data of work interruption for which the ultimate cost is available, the implementation carried out with new data made it possible to take a critical look at both the reserving and the attempt of explanation of the high loss experience. An operational application illustrates the contribution of the predictive and explanatory model in terms of risk management for targeted monitoring of the contract. On the one hand, the Risk Management function and more particularly the Actuarial Function induced by the Solvency 2 directive will be able to form their own opinion on current reserving methods and suggest improvements for the prospective monitoring of work interruptions. On the other hand, faced with a first overview of absences related to work interruption, new monitoring tools could be considered and pave the way for an efficient absenteeism management policy.
Mémoire complet
Auteur(s) OLYMPIO E.
Société AG2R La Mondiale
Année 2022
Confidentiel jusqu'au 20/01/2024
Résumé
Les organismes assureurs sont tenus réglementairement de provisionner les prestations futures d’un sinistre d’arrêt de travail en cours d’indemnisation jusqu’à la fin de l’arrêt. L’approche classique utilisée est basée sur les triangles de Chain Ladder pour les provisions pour sinistres à payer et le calcul paramétrique pour les provisions mathématiques. Toutefois, face à la sinistralité importante d’un contrat, il est opportun d’envisager des méthodes alternatives de calcul des provisions. L'objectif du mémoire est d'évaluer la pertinence des méthodes d'apprentissage automatique pour challenger les méthodes de provisionnement usuelles. La modélisation mise en avant s’inspire de l’article de recherche « Tree-based censored regression with applications to insurance » de Lopez et al. (2015) qui propose une méthode de provisionnement en présence d’observations censurées. Elle s’appuie sur des données historiques réelles d’arrêts de travail pour lesquels la charge ultime est disponible. L’application à des données nouvelles a permis de poser un regard critique tant sur le provisionnement que sur la tentative d’explication de la sinistralité élevée du portefeuille. Une application opérationnelle illustre l’apport du modèle prédictif et explicatif en termes de gestion des risques. D’une part, la fonction Gestion des Risques et plus particulièrement la Fonction Actuarielle induites par la directive de Solvabilité 2 pourront se faire leur propre opinion sur les méthodes actuelles de provisionnement et proposer des améliorations pour le suivi prospectif des arrêts de travail. D’autre part, de nouveaux outils de gestion des arrêts de travail pourraient être envisagés et ouvrir la voie à un pilotage approprié de l’absentéisme.
Abstract
Insurers are required, by regulation, to fund future benefits payments for a work interruption during compensation until its end. The traditional approach used is based on the Chain Ladder method for claims in course of settlement reserving and the parametric calculation of mathematical actuarial reserves. However, faced with a high loss experience of a contract, it is advisable to consider alternative methods of reserving calculation. The purpose of the master thesis is to define the implementation of machine learning algorithms to challenge current reserving methods. The modeling is based on the research article “Tree-based censored regression with applications to insurance” by Lopez and al. (2015) which presents a reserving method including censored data. Built from real historical data of work interruption for which the ultimate cost is available, the implementation carried out with new data made it possible to take a critical look at both the reserving and the attempt of explanation of the high loss experience. An operational application illustrates the contribution of the predictive and explanatory model in terms of risk management for targeted monitoring of the contract. On the one hand, the Risk Management function and more particularly the Actuarial Function induced by the Solvency 2 directive will be able to form their own opinion on current reserving methods and suggest improvements for the prospective monitoring of work interruptions. On the other hand, faced with a first overview of absences related to work interruption, new monitoring tools could be considered and pave the way for an efficient absenteeism management policy.
Mémoire complet
