Mémoires d'Actuariat
Provisionnement des sinistres climatiques en Multirisques Habitation : Techniques d’apprentissage statistique par évènement de grande ampleur
Auteur(s) CHAHWANE G.
Société AXA France
Année 2025
Résumé
L’assurance se caractérise par un cycle de production inversé : les primes sont perçues avant la survenance des sinistres, dont le montant n’est pas toujours connu, créant une dette pour l’assureur inscrite au passif du bilan (provisions). Le provisionnement permet de gérer cette incertitude. Les méthodes déterministes, souvent utilisées en assurance non-vie, sont agrégées et ne considèrent pas les caractéristiques de chaque contrat. Leur validité peut être limitée dans un cadre opérationnel, notamment pour des branches volatiles comme les sinistres climatiques en multirisques habitation. Face à l’augmentation des risques liés aux changements climatiques - avec des paiements cumulés qui pourraient passer de 74,1 milliards d’euros en 2019 à 143 milliards d’euros d’ici 2050 selon France Assureurs - il est essentiel d’estimer rapidement et précisément la charge ultime de ces événements. Ce mémoire propose ainsi des méthodes de provisionnement basées sur l’apprentissage statistique pour évaluer dès les premiers jours la charge ultime d’événements climatiques majeurs.
Abstract
Insurance is characterized by an inverted production cycle: premiums are collected before claims occur. Since the value of these claims is not always known in advance, this creates a debt for the insurer, recorded on the balance sheet as reserves. Reserving is therefore used to manage this uncertainty. Deterministic methods, often applied in non-life insurance, are aggregated and do not consider the specific characteristics of each contract. They may be less reliable in practice, especially for volatile LoB such as climate-related property’s insurance claims. With the growing risks linked to climate change - cumulative payouts could rise from €74,1 billion in 2019 to €143 billion by 2050 according to “France Assureurs”- it has become essential to estimate quickly and accurately the ultimate cost of such events. This thesis therefore proposes reserving methods based on Machine Learning to estimate, from the very first days, the ultimate cost of major climate events.
Mémoire complet
Auteur(s) CHAHWANE G.
Société AXA France
Année 2025
Résumé
L’assurance se caractérise par un cycle de production inversé : les primes sont perçues avant la survenance des sinistres, dont le montant n’est pas toujours connu, créant une dette pour l’assureur inscrite au passif du bilan (provisions). Le provisionnement permet de gérer cette incertitude. Les méthodes déterministes, souvent utilisées en assurance non-vie, sont agrégées et ne considèrent pas les caractéristiques de chaque contrat. Leur validité peut être limitée dans un cadre opérationnel, notamment pour des branches volatiles comme les sinistres climatiques en multirisques habitation. Face à l’augmentation des risques liés aux changements climatiques - avec des paiements cumulés qui pourraient passer de 74,1 milliards d’euros en 2019 à 143 milliards d’euros d’ici 2050 selon France Assureurs - il est essentiel d’estimer rapidement et précisément la charge ultime de ces événements. Ce mémoire propose ainsi des méthodes de provisionnement basées sur l’apprentissage statistique pour évaluer dès les premiers jours la charge ultime d’événements climatiques majeurs.
Abstract
Insurance is characterized by an inverted production cycle: premiums are collected before claims occur. Since the value of these claims is not always known in advance, this creates a debt for the insurer, recorded on the balance sheet as reserves. Reserving is therefore used to manage this uncertainty. Deterministic methods, often applied in non-life insurance, are aggregated and do not consider the specific characteristics of each contract. They may be less reliable in practice, especially for volatile LoB such as climate-related property’s insurance claims. With the growing risks linked to climate change - cumulative payouts could rise from €74,1 billion in 2019 to €143 billion by 2050 according to “France Assureurs”- it has become essential to estimate quickly and accurately the ultimate cost of such events. This thesis therefore proposes reserving methods based on Machine Learning to estimate, from the very first days, the ultimate cost of major climate events.
Mémoire complet
