Mémoires d'Actuariat
Modélisation des hypothèses de calcul des passifs sociaux
Auteur(s) PIERRON B.
Société Secoia
Année 2021
Confidentiel jusqu'au 30/09/2023
Résumé
Mots clés : Norme IAS19, passifs sociaux, indemnités de fin de carrière, Machine Learning, hypothèses de calcul, modèle linéaire généralisé, R Les passifs sociaux d’une entreprise, correspondant à la dette de l’employeur envers ses salariés en termes d’avantages, peuvent constituer des montants assez conséquents. Leur évaluation « au plus juste » est alors primordiale. Ce mémoire a été réalisé dans le cadre de mes missions chez Secoia au sein de l’équipe passifs sociaux. Secoia est un cabinet d’actuariat basé à Lyon et Paris et spécialisé dans le domaine des évaluations d’engagements sociaux. Secoia souhaitait à travers cette étude, mettre à profit les données à sa disposition afin de proposer des axes d’amélioration dans le calcul des engagements sociaux. Riche de ces enseignements, l’étude s’est portée sur la mise en place d’un modèle permettant le calibrage des hypothèses de calcul ainsi que le calcul de l’engagement lui-même. Dans ce mémoire, nous avons donc étudié les hypothèses d’un portefeuille d’une dizaine d’entreprises afin de les calibrer au mieux à l’aide d’une part de modèles non-paramétriques issus du machine learning et de modèles paramétriques à l’aide de modèles linéaires généralisés, d’autre part. Il convenait, dans une première partie, de revenir sur la norme IAS19 régissant la comptabilisation des avantages aux personnels. Ensuite, une étude de sensibilité de ces hypothèses fut menée afin d’identifier les plus impactantes sur l’engagement final de l’entreprise. L’étude s’est donc axée sur la modélisation du turn-over et la modélisation de l’évolution des salaires. Après l’implémentation des modèles sous R, la sélection du modèle le plus performant pour chacune de nos hypothèses s’est faite à l’aide des critères de performances adaptés à chacune des problématiques : la classification binaire pour le turn-over et la régression pour la modélisation des salaires. Enfin, le calcul de l’engagement à l’aide des différents modèles permet de mettre en évidence la pertinence de la mise en place d’une telle approche dans le calcul de l’engagement.
Abstract
Key words : IAS19, social liabilities, leaving service indemnities, Machine Learning, Hypothesis, generalized linear model, R The company’s social liabilities, representing what the employer owes its employees in terms of benefits, can constitute sizeable amounts for the company. Their evaluation as accurately as possible is therefore essential. This dissertation was produced as part of my assignments at Secoia within the social liabilities team. Secoia, an actuarial firm based in Lyon and Paris, is specialized in the evaluation of social liabilities. Secoia, through this paper, wanted to profit its data in order to propose areas for improvement in the evaluation of liabilities. This study focused on the implementation of a model allowing the calibration of the assumptions for the evaluation of the liabilities as well as the calculation of the liabilities itself. In this dissertation, we have therefore studied the hypotheses of a portfolio of ten companies in order to calibrate them as best as possible using non-parametric models through machine learning on the one hand and parametric models using generalized linear models on the other hand. In the first part, it was necessary to come back to the IAS19 standard governing the recognition of employee benefits. Then, a sensitivity study of these hypotheses was carried out in order to identify the most impacting on the company’s final liability. The study therefore focused on the modelling of the tun-over and the modelling of the evolution of wages. After implementing the models under R, the selection of the best performing model for each of our hypotheses was made using performance criteria adapted to each of the problematics : binary classification for the turn-over and regression for the wages modelization. Finally, the calculation of the liability using the different models makes it possible to highlight the relevance of the implementation of such an approach in the calculation of social liabilities.
Mémoire complet
Auteur(s) PIERRON B.
Société Secoia
Année 2021
Confidentiel jusqu'au 30/09/2023
Résumé
Mots clés : Norme IAS19, passifs sociaux, indemnités de fin de carrière, Machine Learning, hypothèses de calcul, modèle linéaire généralisé, R Les passifs sociaux d’une entreprise, correspondant à la dette de l’employeur envers ses salariés en termes d’avantages, peuvent constituer des montants assez conséquents. Leur évaluation « au plus juste » est alors primordiale. Ce mémoire a été réalisé dans le cadre de mes missions chez Secoia au sein de l’équipe passifs sociaux. Secoia est un cabinet d’actuariat basé à Lyon et Paris et spécialisé dans le domaine des évaluations d’engagements sociaux. Secoia souhaitait à travers cette étude, mettre à profit les données à sa disposition afin de proposer des axes d’amélioration dans le calcul des engagements sociaux. Riche de ces enseignements, l’étude s’est portée sur la mise en place d’un modèle permettant le calibrage des hypothèses de calcul ainsi que le calcul de l’engagement lui-même. Dans ce mémoire, nous avons donc étudié les hypothèses d’un portefeuille d’une dizaine d’entreprises afin de les calibrer au mieux à l’aide d’une part de modèles non-paramétriques issus du machine learning et de modèles paramétriques à l’aide de modèles linéaires généralisés, d’autre part. Il convenait, dans une première partie, de revenir sur la norme IAS19 régissant la comptabilisation des avantages aux personnels. Ensuite, une étude de sensibilité de ces hypothèses fut menée afin d’identifier les plus impactantes sur l’engagement final de l’entreprise. L’étude s’est donc axée sur la modélisation du turn-over et la modélisation de l’évolution des salaires. Après l’implémentation des modèles sous R, la sélection du modèle le plus performant pour chacune de nos hypothèses s’est faite à l’aide des critères de performances adaptés à chacune des problématiques : la classification binaire pour le turn-over et la régression pour la modélisation des salaires. Enfin, le calcul de l’engagement à l’aide des différents modèles permet de mettre en évidence la pertinence de la mise en place d’une telle approche dans le calcul de l’engagement.
Abstract
Key words : IAS19, social liabilities, leaving service indemnities, Machine Learning, Hypothesis, generalized linear model, R The company’s social liabilities, representing what the employer owes its employees in terms of benefits, can constitute sizeable amounts for the company. Their evaluation as accurately as possible is therefore essential. This dissertation was produced as part of my assignments at Secoia within the social liabilities team. Secoia, an actuarial firm based in Lyon and Paris, is specialized in the evaluation of social liabilities. Secoia, through this paper, wanted to profit its data in order to propose areas for improvement in the evaluation of liabilities. This study focused on the implementation of a model allowing the calibration of the assumptions for the evaluation of the liabilities as well as the calculation of the liabilities itself. In this dissertation, we have therefore studied the hypotheses of a portfolio of ten companies in order to calibrate them as best as possible using non-parametric models through machine learning on the one hand and parametric models using generalized linear models on the other hand. In the first part, it was necessary to come back to the IAS19 standard governing the recognition of employee benefits. Then, a sensitivity study of these hypotheses was carried out in order to identify the most impacting on the company’s final liability. The study therefore focused on the modelling of the tun-over and the modelling of the evolution of wages. After implementing the models under R, the selection of the best performing model for each of our hypotheses was made using performance criteria adapted to each of the problematics : binary classification for the turn-over and regression for the wages modelization. Finally, the calculation of the liability using the different models makes it possible to highlight the relevance of the implementation of such an approach in the calculation of social liabilities.
Mémoire complet
