Mémoires d'Actuariat
Estimation de la charge à l'ultime pour les Evènements climatiques de Grande Ampleur
Auteur(s) NDOUR M. M.
Société Axa France
Année 2022
Résumé
Les changements climatiques et l’atypisme lié à ceux-ci représentent des enjeux de plus en plus importants aujourd’hui. D’après le rapport de France Assureurs sur l’impact du changement climatique sur l’assurance à horizon 2050, les indemnisations cumulées par les assureurs d’ici 2050 avoisineraient les 143 Mds d’euros contre 74,1 Mds d’euros en 2019. Ainsi, sur les 30 prochaines années, on pourrait voir le montant des sinistres climatiques quasiment doubler. Compte tenu des enjeux financiers que cela représente, l’actuaire doit être à même d’estimer correctement ces évènements. L’étude réalisée dans le cadre de ce mémoire tourne autour de la prédiction de la charge à l’ultime spécifiquement sur les Évènements climatiques de Grande Ampleur (EGA). Ainsi, dans un premier temps, il nous sera important de bien définir la notion d’Évènements de grande ampleur. Il a fallu dans un premier temps constituer une base consolidée et plus exhaustive d’évènements en utilisant des algorithmes de détection d’anomalies. Nous avons construit cette nouvelle base à partir de la base historique de données d’AXA qui est à une maille sinistres. On a pu ainsi créer une nouvelle base de détection d’anomalies constituée de zones ayant été touchées par un EGA. Afin de prédire au mieux la charge à l’ultime, plusieurs méthodes de Machine Learning et de MLG sont testées. La méthode actuelle utilisée au sein d’AXA se base sur une détermination de l’évènement "le plus proche" de celui à estimer duquel on déduit le volume de sinistres et le coût moyen à l’ultime. Les modèles que nous avons testés et qui nous permettent d’obtenir les meilleurs résultats sont le gradient boosting pour le calcul du volume et le Modèle Linéaire Généralisé avec la loi log-normale pour le calcul du coût moyen. Nous confrontons ces résultats au modèle d’AXA en appliquant sur l’exemple de la tempête Eunice.
Abstract
Climate change and the atypicality linked to it represent increasingly important issues today. According to the France Assureurs report on the impact of climate change on insurance by 2050, the cumulative indemnities paid by insurers by 2050 will be close to 143 billion euros, compared to 74.1 billion euros in 2019. Hence, over the next 30 years, we could see the amount of climate-related claims almost double. Given the financial stakes involved, the actuary must be able to correctly estimate these events. The study carried out within the framework of this dissertation revolves around the prediction of the ultimate cost specifically on Large-Scale climatic Events (LSE). Thus, at first, it will be important to define the concept of Large Scale Events. Until now, all large-scale events were grouped together on two separate bases. It was therefore necessary to create a consolidated and more exhaustive database of events by using anomaly detection algorithms. We built this new database from the historical database that we have at the level of claims within AXA. We were thus able to create a new anomaly detection database made up of areas that had been affected by an EGA. In order to best predict the ultimate cost, several Machine Learning and GLM methods are tested. The current method used at AXA is based on the determination of the "closest" event to the one to be estimated, from which we deduce the volume of claims and the average final cost. The models that we have tested and that allow us to obtain the best results are the gradient boosting for the calculation of the volume and the Generalized Linear Model (GLM) with log-normal law for the calculation of the average cost. We will compare these results with AXA’s model by applying them to the example of the Eunice storm.
Mémoire complet
Auteur(s) NDOUR M. M.
Société Axa France
Année 2022
Résumé
Les changements climatiques et l’atypisme lié à ceux-ci représentent des enjeux de plus en plus importants aujourd’hui. D’après le rapport de France Assureurs sur l’impact du changement climatique sur l’assurance à horizon 2050, les indemnisations cumulées par les assureurs d’ici 2050 avoisineraient les 143 Mds d’euros contre 74,1 Mds d’euros en 2019. Ainsi, sur les 30 prochaines années, on pourrait voir le montant des sinistres climatiques quasiment doubler. Compte tenu des enjeux financiers que cela représente, l’actuaire doit être à même d’estimer correctement ces évènements. L’étude réalisée dans le cadre de ce mémoire tourne autour de la prédiction de la charge à l’ultime spécifiquement sur les Évènements climatiques de Grande Ampleur (EGA). Ainsi, dans un premier temps, il nous sera important de bien définir la notion d’Évènements de grande ampleur. Il a fallu dans un premier temps constituer une base consolidée et plus exhaustive d’évènements en utilisant des algorithmes de détection d’anomalies. Nous avons construit cette nouvelle base à partir de la base historique de données d’AXA qui est à une maille sinistres. On a pu ainsi créer une nouvelle base de détection d’anomalies constituée de zones ayant été touchées par un EGA. Afin de prédire au mieux la charge à l’ultime, plusieurs méthodes de Machine Learning et de MLG sont testées. La méthode actuelle utilisée au sein d’AXA se base sur une détermination de l’évènement "le plus proche" de celui à estimer duquel on déduit le volume de sinistres et le coût moyen à l’ultime. Les modèles que nous avons testés et qui nous permettent d’obtenir les meilleurs résultats sont le gradient boosting pour le calcul du volume et le Modèle Linéaire Généralisé avec la loi log-normale pour le calcul du coût moyen. Nous confrontons ces résultats au modèle d’AXA en appliquant sur l’exemple de la tempête Eunice.
Abstract
Climate change and the atypicality linked to it represent increasingly important issues today. According to the France Assureurs report on the impact of climate change on insurance by 2050, the cumulative indemnities paid by insurers by 2050 will be close to 143 billion euros, compared to 74.1 billion euros in 2019. Hence, over the next 30 years, we could see the amount of climate-related claims almost double. Given the financial stakes involved, the actuary must be able to correctly estimate these events. The study carried out within the framework of this dissertation revolves around the prediction of the ultimate cost specifically on Large-Scale climatic Events (LSE). Thus, at first, it will be important to define the concept of Large Scale Events. Until now, all large-scale events were grouped together on two separate bases. It was therefore necessary to create a consolidated and more exhaustive database of events by using anomaly detection algorithms. We built this new database from the historical database that we have at the level of claims within AXA. We were thus able to create a new anomaly detection database made up of areas that had been affected by an EGA. In order to best predict the ultimate cost, several Machine Learning and GLM methods are tested. The current method used at AXA is based on the determination of the "closest" event to the one to be estimated, from which we deduce the volume of claims and the average final cost. The models that we have tested and that allow us to obtain the best results are the gradient boosting for the calculation of the volume and the Generalized Linear Model (GLM) with log-normal law for the calculation of the average cost. We will compare these results with AXA’s model by applying them to the example of the Eunice storm.
Mémoire complet
