Mémoires d'Actuariat
Provisionnement ligne à ligne en Responsabilité Civile corporelle automobile
Auteur(s) CHEHABI K.
Société Allianz France
Année 2021
Résumé
Les sinistres corporels, ayant un temps de développement long, peuvent atteindre des seuils de gravité considérables, notamment pour l’indemnisation de soins récurrents jusqu’à la fin de la vie de la victime. Il est donc primordial de bien les provisionner. Les méthodes utilisées pour provisionner sont en général agrégées en considérant l’évolution passée des charges. Ces méthodes estiment les charges futures sans autres facteurs explicatifs. Dans un contexte où l’information est plus que jamais omniprésente et disponible, les assureurs non-vie cherchent à développer de nouvelles méthodes de provisionnement qui utilisent des données jusqu’alors peu exploitées. Ce mémoire propose une méthode de provisionnement ligne à ligne par l’application des algorithmes de réseaux de neurones. Il explore les possibilités que peuvent apporter les grandes quantités de données afin d’expliquer le développement de charges. Cela permettrait d’estimer des réserves précises pour des sinistres corporels et, ainsi, obtenir une meilleure interprétation des tendances observées que par le biais de méthodes classiques agrégées. Mots clefs : Sinistres corporels, assurance IARD, responsabilité civile, réseaux de neurones, provisionnement ligne à ligne
Abstract
Bodily injury claims have a long development time and can reach a high severity level, in particular the compensation for recurrent care in the victim’s life. That’s why it is necessary to compute the reserves for those claims correctly. The commonly-used and abundant methods to assess the ultimate cost of claims are based on the aggregation of past payments without other explanatory factors. In times where data is ever more omnipresent and available, non-life insurers are searching for new reserving methods capable of using data that is not commonly used. This dissertation proposes an individual claim reserving through neural network algorithms. It explores the opportunities offered by Big Data to explain the variation of claims and consequently to estimate precise reserves for bodily injuries and to give better interpretations of the observed trends than by means of conventional aggregated methods. Keywords: Bodily injury claims, Property and casualty insurance, liability insurance, neural network, individual provisioning
Mémoire complet
Auteur(s) CHEHABI K.
Société Allianz France
Année 2021
Résumé
Les sinistres corporels, ayant un temps de développement long, peuvent atteindre des seuils de gravité considérables, notamment pour l’indemnisation de soins récurrents jusqu’à la fin de la vie de la victime. Il est donc primordial de bien les provisionner. Les méthodes utilisées pour provisionner sont en général agrégées en considérant l’évolution passée des charges. Ces méthodes estiment les charges futures sans autres facteurs explicatifs. Dans un contexte où l’information est plus que jamais omniprésente et disponible, les assureurs non-vie cherchent à développer de nouvelles méthodes de provisionnement qui utilisent des données jusqu’alors peu exploitées. Ce mémoire propose une méthode de provisionnement ligne à ligne par l’application des algorithmes de réseaux de neurones. Il explore les possibilités que peuvent apporter les grandes quantités de données afin d’expliquer le développement de charges. Cela permettrait d’estimer des réserves précises pour des sinistres corporels et, ainsi, obtenir une meilleure interprétation des tendances observées que par le biais de méthodes classiques agrégées. Mots clefs : Sinistres corporels, assurance IARD, responsabilité civile, réseaux de neurones, provisionnement ligne à ligne
Abstract
Bodily injury claims have a long development time and can reach a high severity level, in particular the compensation for recurrent care in the victim’s life. That’s why it is necessary to compute the reserves for those claims correctly. The commonly-used and abundant methods to assess the ultimate cost of claims are based on the aggregation of past payments without other explanatory factors. In times where data is ever more omnipresent and available, non-life insurers are searching for new reserving methods capable of using data that is not commonly used. This dissertation proposes an individual claim reserving through neural network algorithms. It explores the opportunities offered by Big Data to explain the variation of claims and consequently to estimate precise reserves for bodily injuries and to give better interpretations of the observed trends than by means of conventional aggregated methods. Keywords: Bodily injury claims, Property and casualty insurance, liability insurance, neural network, individual provisioning
Mémoire complet
