Econométrie de l’assurance de non-vie

Maud Thomas

24 mars 2023

Table des matières

1 Introduction 2
1.1 Bases de l’assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Première limite : hétérogénéité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Deuxième limite : provisionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Buts de ce cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Tarification a priori 4
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Rappels sur les modèles linéaires gaussiens . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Familles exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Modèles linéaires généralisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.2 Normalisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4.4 Propriétés asymptotiques de βb . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4.5 Régions de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.6 Test de Wald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.7 Sélection de modèles (Déviance) . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Exemples numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 GLM Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 GLM gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Tarification a posteriori 17
3.1 Théorie de la crédibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.2 Crédibilité bayésienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.3 Crédibilité linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.4 Extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Systèmes Bonus-Malus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.2 L’approche markovienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.3 Equilibre du système Bonus-Malus . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.4 Hunger for bonuses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1
4 Provisionnement technique 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Méthodes déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.1 Méthode de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.2 Méthode London chain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2.3 Méthode de London pivot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Méthodes stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Méthode de Mack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.2 Méthodes des GLM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

5 Gestion du risque 44
5.1 Loi pour R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Introduction à la théorie des valeurs extrêmes . . . . . . . . . . . . . . . . . . . . . . 45
5.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2.2 Méthode des maxima par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2.3 Méthode PoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

1 Introduction
1.1 Bases de l’assurance
Une police d’assurance non-vie est un accord entre une compagnie d’assurance et un assuré selon
lequel l’assureur s’engage à l’indemniser pour certaines pertes imprévisibles sur une période contre
une cotisation.
Considérons un sinistre dont le coût est très élevé pour un assuré seul. En général, la probabilité
d’occurrence de ce sinistre est très faible, mais s’il se produit il a des conséquences dramatiques pour
l’assuré. Par exemple, un incendie de maison ou un grave accident de voiture. L’assureur accepte
de lui donner de l’argent si le sinistre se produit pour l’aider. En retour, l’assuré paye une certaine
prime d’assurance dont le montant est beaucoup plus petit que le préjudice causé par le sinistre.
La clé de ce système est la mutualisation. Un coût impossible à payer pour un assuré seul peut
être assumé par une collectivité telle qu’une compagnie d’assurance.
Soit Xi le coût d’un tel sinistre pour l’assuré i (avec Xi = 0 si le sinistre ne s’est produit pas).
Si la compagnie d’assurance a n assurés, et si on suppose que les Xi , i = 1, . . . , n sont i.i.d., par la
loi des grands nombres
n
1X
Xi −→ E [X1 ] p.s.
n n→∞
i=1

Ainsi, si n est suffisamment grand, le coût pour l’assureur est approximativement nE[X1 ], donc
si chaque assuré paye individuellement une prime π := EX1 , appelée prime pure, la compagnie
d’assurance devrait pouvoir payer en cas de sinistre.

Limites évidentes
— N’inclut pas les frais administratifs : gestion des sinistres
— Variance ? (Théorème central limite)
— Extrêmes ? (Théorie des valeurs extrêmes)

2
 — Erreurs de modélisation
— Assurés non i.i.d.
— Primes impayées
En général, les assurés payent donc une prime légèrement supérieure à π.
La difficulté en assurance est l’inversion de la chaîne de production. Dans un commerce
traditionnel, le produit destiné à la vente est fabriqué avant d’être vendu. Le vendeur connaît donc
son coût de production, tous les frais engendrés et donc la marge unitaire qu’il réalisera lors de la
vente. En assurance, ce cycle est inversé, l’assuré paye une prime et ne reçoit la prestation qu’a
posteriori. La prestation, constituée principalement de paiements pour des sinistres et de frais,
n’est pas connue lors du paiement de la prime, elle ne peut être évaluée qu’approximativement par
des méthodes statistiques. Cette inversion du cycle rend impossible la détermination exacte de la
richesse d’une société d’assurance à un instant donné puisqu’elle ne connaît pas exactement ses
engagements.

1.2 Première limite : hétérogénéité

Les assurés d’une compagnie d’assurance n’ont pas tous le même profil de risque, c’est-à-dire la
probabilité d’avoir un sinistre.
Exemple 1.1. Un automobiliste âgé, ayant une forte consommation d’alcool, avec une vue basse,
qui a eu 17 accidents ces trois dernières années a plus de risques qu’un jeune automobiliste qui ne
boit que du jus d’orange et qui connaît le code de la route par cœur.
La compagnie d’assurance a donc intérêt à utiliser le plus d’informations possible pour identifier
les assurés « à risque faible » des assurés « à risque élevé ». L’idée est donc de se débarrasser des
assurés à risque élevé (ou de les faire payer suffisamment) et de garder ceux à risque faible.
Que se passe-t-il si on ne différencie pas les assurés à risque faible de ceux à risque élevé ?
— Les assurés à risque faible payent plus que ce qu’ils devraient et les assurés à risque élevé
moins ;
— Les assurés à risque faible iraient donc dans une autre compagnie d’assurance et les assurés
à risque éleve resteraient ;
— Même si la prime était suffisante pour couvrir tous les assurés du portefeuille, la compagnie
d’assurance aura un moins bon résultat que prédit. En effet, les estimations et les
prédictions auront été faites sur toute la population alors que seulement une partie risque
de se désassurer (les risques faibles) et il ne restera que les risques élevés.

1.3 Deuxième limite : provisionnement

Déterminer quelle devrait être la valeur de la prime ne suffit pas. En effet, dans le portefeuille
d’une compagnie d’assurance les primes payées, à une data donnée, les frais administratifs et les
sinistres déjà payés sont relativement bien connus. En revanche, les paiements pour des sinistres
qui se seront déclarés après cette date sont mal connus. Cette partie inconnue représente les
engagements de l’assureur envers l’assuré. Il faut donc mettre de l’argent de côté pour pouvoir
honorer cet engagement, on parle de provisionnement, en anglais, de claim reserving. Il faut donc
évaluer le plus précisément possible les provisions afin de pouvoir
— finir de payer les sinistres en cours ;
— payer les prochains sinistres ;
— payer les sinistres déjà survenus mais non déclarés (IBNR = incurred but not reported).

3
Augmenter la prime pour compenser les mauvais résultats n’est pas toujours une option, puisque
les provisions reflètent les engagements passés de l’assureur.

1.4 Buts de ce cours

1. Tarification Comment utiliser des méthodes statistiques pour avoir une meilleure idée de la
prime que l’assuré doit payer.
i) Tarification a priori : comment utiliser les caractéristiques d’un assuré pour déterminer
sa prime (Chapitre 2.) ;
ii) Tarification a posteriori : comment tirer profiter de ce que l’on a appris sur l’assuré au
cours des dernières années (le nombre et le montant des différents sinistres) ?
,→ Théorie de la crédibilité (Chapitre 3.), Systèmes Bonus-Malus (Chapitre 4.) ;
2. Provisionnement (Chapitre 5.)
i) Méthodes déterministes vs méthodes stochastiques ;
ii) Gestion du risque.

2 Tarification a priori
2.1 Introduction
Lorsqu’un client souhaite souscrire à un nouveau contrat d’assurance, l’assureur doit déterminer la
prime que l’assuré devra payer en fonction de certaines caractéristiques. Cette prime reflète le coût
d’un assuré au cours d’une certaine période ; elle doit être à la fois suffisamment élevée pour que la
compagnie d’assurance puisse prendre en charge un éventuel sinistre, dont le coût peut être élevé,
subi par l’assuré et à la fois suffisamment basse pour que l’assuré accepte de signer le contrat et
qu’il ne parte pas dans une autre compagnie d’assurance.
Comme nous l’avons vu dans l’introduction, le coût d’un assuré n’est pas connu au moment du
calcul de la prime. Il faut donc utiliser des méthodes statistiques pour essayer d’estimer ce coût au
mieux en s’appuyant sur certaines caractéristiques de l’assuré. Le but de la tarification a priori est
donc de trouver un modèle statistique permettant d’estimer cette prime Par exemple l’assurance
d’une voiture pendant un an en fonction de la valeur de la voiture, l’ancienneté de la voiture et
l’âge des conducteurs.
D’un point de vue statistique, estimer la prime revient à effectuer une régression d’une variable
réponse Y, représentant le coût de l’assuré, sur un ensemble de variables explicatives X,
représentant les caractéristiques de l’assuré.
Dans les modèles de tarification a priori, les variables explicatives considérées seront toutes
qualitatives (les variables quantitatives étant regroupées en classes). Par exemple,
— Sexe : 0,1 ;
— Âge : 18-25, 25-30, 30-50, . . . ;
— De façon générale, pour la partition d’une variable en k classes, elle est codée par
— 0 pour la classe de référence ;
— un vecteur de longueur k − 1 (0, . . . , 0, 1, 0, . . . , 0) où le 1 est en (i − 1)e position si
l’assuré appartient à la classe i.

4
Le principe de la régression est de modéliser E[Y | X] comme une fonction g des variables
explicatives X, soit
E[Y | X] = g(X) .
La variable Y s’écrit alors
Y = g(X) + ε
où ε est un bruit aléatoire. Il représente l’écart entre Y et son espérance conditionnelle, soit
l’erreur que l’on commet lorsque l’on remplace Y par son espérance conditionnelle.
Supposons que nous disposons d’un échantillon de taille n de (p + 1)-uplets (X, Y ), le but est donc
de retrouver la fonction g. Le modèle le plus simple, le modèle linéaire gaussien, suppose que g est
linéaire et que le bruit est gaussien.
On peut voir deux problèmes
— La forme linéaire de g peut être trop restrictive ;
— Le cadre gaussien (du bruit) n’est peut être pas adapté aux données.
Le but des modèles linéaires généralisés est de relâcher ces deux restrictions.
Avantages des GLM
— Ils permettent de conserver la simplicité des modèles linéaires tout en autorisant une forme
plus générale ;
— Les coefficients du modèle sont estimés par maximisation d’une vraisemblance qui provient
d’une famille exponentielle de lois (qui peuvent ne pas être gaussiennes).
Inconvénients des GLM
— La procédure d’estimation n’est efficace que si la vraie loi conditionnelle appartient à cette
famille exponentielle ;
— Il y a une liberté sur le choix de la forme de E [Y | X] à travers la fonction de lien. Mais, ce
choix est souvent imposé par un certain choix canonique correspondant à la famille
exponentielle choisie ;
— Utiliser une famille exponentielle impose de ne pas avoir de valeurs extrêmes.

2.2 Rappels sur les modèles linéaires gaussiens

Les modèles linéaires gaussiens sont un cas particulier des modèles linéaires généralisés.
Dans toute la suite, notons
— Y = (Y1 , . . . , Yn )0 le vecteur colonne représentant les variables réponses ;
— Xi = (Xi,1 , . . . , Xi,p )0 le vecteur colonne représentant les variables explicatives pour la
variable réponse Yi ;
— X la matrice de taille n × p dont les lignes sont les vecteurs lignes Xi0 ;
— β = (β1 , . . . , βp )0 le vecteur colonne correspondant aux p paramètres du modèle ;
— ε le terme d’erreur, c’est-à-dire ε = Y − E[Y | X].
Un modèle est un modèle linéaire gaussien s’il écrit sous la forme

Y = Xβ + ε

et s’il vérifie les hypothèses suivantes :

(H1 ) la matrice X est de plein rang, soit rang(X) = p ;
(H2 ) le bruit ε est gaussien centré et ses éléments sont non corrélés,

ε ∼ Np (0, σ 2 I)

5
On observe la variable réponse Y et la matrice des variables explicatives X. En revanche, le terme
d’erreur ε n’est pas observé ni β le vecteur des paramètres qui est à estimer en fonction des
observations (Y, X). Sous les hypothèses précédentes, on peut appliquer la méthode des moindres
carrés pour estimer β par
βb = arg minp ||Y − Xβ||2
β∈R

βb est unique, sans biais et donné par la formule

βb = (X 0 X)−1 X 0 Y

et un estimateur sans biais de la variance σ 2 est donné par

1
b2 =
σ b 2 .
||Y − X β||
n−p
Dans le modèle linéaire gaussien, on peut montrer que

σ2
(n − p)b
βb ∼ Np (0, σ 2 (X 0 X)−1 ) et ∼ χ2n−p
σ2

Cependant, la loi de βb dépend de σ qui est en inconnu en pratique. Or, d’après le théorème de
b2 sont indépendants. Ainsi, par la définition de la loi de Student,
Cochran, βb et σ

βbj − βj
p ∼ Tn−p pour tout 1 ≤ j ≤ p
b [(X 0 X)−1 ]j,j
σ

Ce résultat permet de construire des intervalles de confiance et des tests d’hypothèses.

Validation du modèle Une fois que les paramètres ont été estimés, il est important de vérifier
que le modèle reflète bien la réalité et qu’il est valide. En effet, en effectuant une régression
linéaire, nous avons supposé que les données provenaient d’un modèle linéaire et qu’elles vérifiaient
les hypothèses. Ainsi, toute régression linéaire doit être suivie d’une étape de validation du modèle
afin de s’assurer de la pertinence de l’étude.
Pour valider un modèle linéaire, il faut s’interroger sur différents aspects. D’abord, il faut s’assurer
que les hypothèses du modèle, notamment celles sur le bruit, sont satisfaites. Vérifier que la
matrice X est bien de plein rang est immédiat. Quant aux hypothèses sur le bruit, il est clair qu’il
est centré dès que X contient une colonne de 1. Pour les autres hypothèses, on effectue une
analyse des résidus. Il est également important d’analyser les observations individuellement afin de
repérer des observations atypiques. Dans un jeu de données, il peut y avoir une ou plusieurs
observations atypiques qui peuvent être en désaccord avec le modèle considéré. Il est important de
les détecter et de comprendre leur nature. L’observation i peut être une valeur aberrante,
c’est-à-dire que sa réponse est mal expliquée par le modèle. C’est le cas si l’observation i est très
erronée par exemple suite à une erreur lors de l’acquisition des données. Dans ce cas, il est
approprié de supprimer l’observation i, mais tout en restant prudent. L’observation i peut aussi
être une valeur isolée, c’est-à-dire que les valeurs des variables explicatives Xi sont relativement
éloignées de toutes les autres variables explicatives. Il est possible que le modèle linéaire ne soit
valide que localement. Il faut alors se demander si le modèle local est suffisant.

6
Enfin, il faut étudier la pertinence du modèle de façon globale. Pour cela, on peut considérer
essentiellement deux questions. Premièrement, travaille-t-on avec les bonnes variables
explicatives ? Sont-elles toutes significatives ? Faut-il ajouter des variables ? Pour tester la
significativité d’une variable, on peut effectuer le test de nullité du coefficient correspondant soit
βk = 0 contre βk 6= 0. Pour tester la significativité de plusieurs variables simultanément, il existe
des différentes méthodes de sélection de variables. Le but est de chercher un modèle parcimonieux
assurant un bon équilibre entre la qualité de l’ajustement et la variance des paramètres afin de
minimiser le risque empirique. Pour cela, on peut utiliser les méthodes dites exhaustives ou
méthodes pas à pas (ascendante, descendante ou progressive) de sélection de variables. Pour
chacune de ces méthodes, il faut décider d’un choix de critère de sélection (Cp, AIC, BIC).
Deuxièmement, il faut vérifier que la liaison entre Y et X est bien linéaire. Sinon il faut adapter le
modèle par exemple en considérant des modèles linéaires généralisés.
Pour les détails, je vous renvoie à votre cours sur les modèles linéaires.

2.3 Familles exponentielles

Définition 2.1. Un modèle statistique (Ω, F, (Pθ,φ )θ∈Θ,φ>0 ) est appelé famille exponentielle si les
probabilités Pθ,φ admettent une densité f par rapport à une mesure dominante avec
 
yθ − a(θ)
fθ,φ (y) = cφ (y) exp .
φ

— θ s’appelle le paramètre canonique et φ le paramètre de dispersion, souvent considéré comme

un paramètre de nuisance ( un paramètre de nuisance est un paramètre qui n’est pas d’un
intérêt immédiat mais qui doit être pris en compte dans l’analyse des paramètres d’intérêt) ;
— a(θ) est de classe C 2 et convexe ;
— cφ (y) ne dépend pas de θ.

Attention ! ! Comme la définition d’une famille exponentielle fait intervenir une mesure
dominante, les lois discrètes peuvent être des familles exponentielles.

Proposition 2.2. Si Y est distribuée selon une loi appartenant à une famille exponentielle, alors

E [Y ] = a0 (θ) et Var[Y ] = φa00 (θ) .

Démonstration. Comme f appartient à une famille exponentielle, elle est de la forme

 
yθ − a(θ)
f (y) = cφ (y) exp .
φ

On commence par dériver f deux fois par rapport à θ

∂f y − a0 (θ)
= f (y)
∂θ φ
∂2f y − a0 (θ) 2 a00 (θ)
 
= f (y) − f (y) .
∂θ2 φ φ

7
Puis, on intègre de chaque côté par rapport à y. On a d’une part,
Z Z
∂f ∂
dy = f dy = 0
y ∂θ ∂θ y
Z 2
∂2
Z
∂ f
2
dy = f dy = 0 .
y ∂θ ∂θ2 y
D’autre part,
y − a(θ) EY − a(θ)
Z
f (y) dy =
y φ φ
!
y − a(θ) 2 a00 (θ) Var[Y ] a00 (θ)
Z  
f (y) − f (y) dy = − .
y φ φ φ2 φ

En résumé, on a bien
E [Y ] = a0 (θ) et Var[Y ] = φa00 (θ) .

Exemple 2.3. Distributions appartenant à une famille exponentielle

— Loi normale de paramètres m et σ 2 , σ 2 connu

θ = m a(θ) = θ2 /2 φ = σ 2 ;

— Loi exponentielle ou gamma de paramètres k et λ, avec k connu

θ = −1/λ a(θ) = −k log(−θ) φ = 1 ;

— Loi de Poisson de paramètre λ

θ = log λ a(θ) = eθ φ = 1;

— Loi de Bernoulli ou binomiale de paramètres n et p, avec n connu

θ = log(p/(1 − p)) a(θ) = n log(1 + eθ ) φ = 1 ;

— Loi binomiale négative de paramètres p et r, avec r connu

θ = log(1 − p) a(θ) = −r log(1 − eθ ) φ = 1 .

Distributions n’appartenant pas à une famille exponentielle

— Loi de Cauchy ;
— Loi de Pareto ;
— Loi Log-normale.
Détails calcul pour la loi normale On considère une loi normale de moyenne m et de variance
σ 2 (que l’on suppose connue). Alors
(y − m)2
 
1
f (y) = √ exp −
2πσ 2 2σ 2
2 2
e−y /(2σ ) my − m2 /2
 
= √ exp .
2πσ 2 σ2

8
 θ2
Donc θ = m, φ = σ 2 , a(θ) = 2 et
2 2
e−y /(2σ )
cφ (y) = √ .
2πσ 2
On peut vérifier que

E[Y ] = a0 (θ) = θ = m et Var[Y ] = φa00 (θ) = φ = σ 2 .

2.4 Modèles linéaires généralisés

2.4.1 Définition
Reprenons les mêmes notations que pour les modèles linéaires gaussiens et notons également
µ(X) = E[Y | X]

Définition 2.4. Un modèle est un modèle linéaire généralisé s’il vérifie les hypothèses suivantes
1. Y | X = x ∼ Pθ,φ appartient à une famille exponentielle ;
2. g(µ(X)) = g(E[Y | X]) = Xβ pour une certaine fonction g bijective, appelée fonction de lien.

Exemple 2.5. Dans le cadre des modèles linéaires gaussiens,

1. Y | X = x suit une loi gaussienne (qui appartient à une famille exponentielle) ;
2. µ(X) = E[Y | X] = Xβ, donc la fonction g est égale à la fonction identité.
Comme µ(X) = E[Y | X] = a0 (θ) (Proposition 2.2), 2. se réécrit

g(µ(X)) = g(a0 (θ)) = Xβ .

Donc en choisissant comme fonction de lien g = (a0 )−1 (fonction de lien canonique), 2. se réécrit
encore
θ = Xβ .
Remarque 2.6. Certains auteurs considèrent qu’un modèle est un GLM quand seulement 2. est
vérifiée.
Exemple 2.7. Exemples de fonctions de lien canoniques
— pour la loi normale,
g(µ) = µ
— pour la loi de Poisson,
g(µ) = log(µ)
— pour la loi gamma,
1
g(µ) =
µ
— pour la loi de Bernoulli,  
µ
g(µ) = logit(µ) = log
1−µ

2.4.2 Normalisation des données

Il est important de normaliser les données.

9
Exemple sur données discrètes Prenons un exemple avec des données discrètes. Soit Yi le
nombre de sinistres en Île de France au cours de l’année i et Xi des caractéristiques définissant
l’environnement de l’Île de France au cours de l’année i. On considère un GLM Poisson avec sa
fonction de lien canonique (g = log), ce qui signifie
1. Yi | Xi = xi suit une loi de Poisson ;
2. log(µ(Xi )) = log(E[Yi | Xi ]) = Xi0 β.
Soit ωi l’exposition en Île de France au cours de l’année i, c’est-à-dire le nombre d’assurés vivant
en Île de France pendant l’année i. Plus ωi est grand, plus Yi a de chances de l’être aussi. Il est
donc plus raisonnable de supposer que
 
Yi
µ(Xi ) = E Xi .
ωi
On change alors un peu le modèle
 
E[Yi | Xi ]
log = Xi0 β
ωi
ce qui peut se réécrire
log(E[Yi | Xi ]) = log(θ(Xi )) = log ωi +Xi0 β .
| {z }
offset
L’offset peut être vu comme une nouvelle variable du modèle de régression avec un coefficient β
constant égal à 1.
log(E[Yi | Xi ]) = (Xi∗ )0 β ∗
avec Xi∗ = (log ωi , Xi0 )0 et β ∗ = (1, β 0 )0 .

Exemple sur données continues Prenons maintenant un exemple avec des données continues.
Yi désigne le montant total des sinistres en Ile de France au cours de l’année i, Xi et ωi restent
inchangés. On considère maintenant un GLM gamma avec sa fonction de lien canonique
(g(t) = 1/t), ce qui signifie
1. Yi | Xi = xi suit une loi gamma ;
2. 1/(µ(Xi )) = 1/E[Yi | Xi ] = Xi0 β.
Comme dans l’exemple précédent, plus ωi est grand plus Yi a des chances de l’être aussi. On
change alors un peu le modèle
ωi
= Xi0 β
E[Yi | Xi ]
ce qui, dans ce cas précis, peut se réécrire
1 1 X0
= = iβ.
E[Yi | Xi ] θ(Xi ) ωi
L’offset peut être vu comme une normalisation des variables explicatives.
1
= (Xi∗ )0 β
E[Yi | Xi ]
avec Xi∗ = Xi /ωi .

10
2.4.3 Estimation
Les paramètres à estimer sont β et φ.
Estimation de φ
φ est un paramètre de nuisance, donc son estimation est considérée comme secondaire. Ici, sa
valeur n’influence pas la maximisation de la vraisemblance en β, donc on ne s’attardera pas sur ce
point. Si besoin, φ peut être estimé par maximum de vraisemblance.
Estimation de β
β est estimé par maximum de vraisemblance.

0
ηi = Xi β

µi = E[Yi | Xi ] = g −1 (Xi0 β) = g −1 (ηi )

θi = (a0 )−1 (µi ) = (a0 )−1 (g −1 (Xi0 β)) = (a0 )−1 (g −1 (ηi )) .


La log-vraisemblance s’écrit
n n  
X X Yi θi − a(θi )
`(β) = log f (Yi ; β, φ) = log cφ (Yi ) + .
φ
i=1 i=1 | {z }
:=`i (θi )

où l’on a supposé que les Yi étaient indépendants.

Considérons l’EMV de βj .
n n
∂` X ∂`i (θi ) X ∂`i ∂θi
= = .
∂βj ∂βj ∂θi ∂βj
i=1 i=1
D’une part,
∂`i Yi − a0 (θi ) Yi − µ i
= = .
∂θi φ φ
D’autre part, comme ηi = Xi0 β, on peut écrire
∂θi ∂θi ∂ηi ∂θi
= = xi,j
∂βj ∂ηi ∂βj ∂ηi
où xi,j est la j e coordonnées de Xi0 .
Enfin,
 −1
∂θi ∂ηi
=
∂ηi ∂θi
et
∂ηi ∂ηi ∂µi
= = g 0 (µi )a00 (θi ) .
∂θi ∂µi ∂θi
Ainsi,
n
∂` 1 X xi,j (Yi − µi )
= .
∂βj φ g 0 (µi )a00 (θi )
i=1
1
Soit D la matrice diagonale dont les coefficients sont égaux à g 0 (µi )a00 (θi ) alors

∂`
=0 pour tout j = 1, . . . , p ⇐⇒ X 0 D(Y − µ) = 0
∂βj

11
et donc l’EMV βb est solution de

X 0 D(Y − g −1 (Xβ)) = 0 .

Remarque 2.8. — Si on considère une loi gaussienne, alors la matrice D est égale à l’identité.
Sous les conditions d’identifiabilité, la matrice X 0 X est inversible. On retrouve donc

βb = (X 0 X)−1 X 0 Y

l’estimateur du maximum de vraisemblance dans les modèles linéaires gaussiens.

— Dans le cas général, on ne sait pas résoudre explicitement cette équation. L’estimateur du
maximum de vraisemblance est calculé numériquement, souvent grâce l’algorithme de
Newton-Ramphson.
Lien avec l’estimateur des moindres carrés pondérés
On peut réécrire l’équation ci-dessus afin de faire un lien avec l’estimateur des moindres carrés
pondérés. Soit G la matrice diagonale dont les entrées sont les g 0 (µi ) et W la matrice diagonale
dont les entrées sont g0 (µi )21a00 (θi ) . Alors

∂`
=0 pour tout j = 1, . . . , d ⇐⇒ X 0 W G(Y − µ) = 0 . (2.9)
∂βj

Attention ! ! La matrice W dépend de θ et donc de β.

D’après la formule de Taylor,
g(Yi ) ≈ g(µi ) + g 0 (µi )(Yi − µi )
soit
G(Y − µ) ≈ g(Yi ) − Xi0 β


1≤i≤n
= g(Y ) − Xβ .
En remplaçant dans (2.9),
X 0 W g(Y ) − X 0 W Xβ ≈ 0 .
Remarque 2.10. Cette approximation est exacte si g est la fonction de lien égale à l’identité.
On peut en déduire que βb peut être approché par la solution d’un problème de moindres carrés
pondérés avec comme poids W .

2.4.4 Propriétés asymptotiques de βb

Définition 2.11 (Score et information de Fisher). Soit Un (β) = (u1 , . . . , up )0 où
n
X ∂
uj = `i (θi ) .
∂βj
i=1

On dit que Un (β) est le vecteur des scores. L’information de Fisher est définie par

In (β) = E[Un (β)Un (β)0 ] .

Proposition 2.12.
n  
X ∂
E[Un (β)] = 0 et In (β) = Var `i (θi )
∂βj
i=1

12
Théorème 2.13. [Consistance et normalité asymptotique] Sous des hypothèses de régularité
(β ∈ Θ ouvert, convexe, g deux fois continûment différentiable, conditions sur X pour que In (β)
soit définie positive)
1. βb existe et est consistant ;
2. βb est asymptotiquement normal
 
L
In (β)1/2 βb − β −−−→ Np (0, Ip ) .
n→∞

2.4.5 Régions de confiance

Le théorème 2.13 donne la loi asymptotique de β, b mais la variance de celle-ci dépend de β. Afin de
pouvoir construire des régions de confiance (et des tests d’hypothèses), nous avons besoin de
connaître de la loi limite de βb lorsque dans la variance asymptotique nous remplaçons β par β.b
p
Par exemple, nous pouvons nous ramener à R. Soit h : R → R continûment différentiable et de
dérivée de rang plein telle que :

b − h(β) L
h(β)
−−−→ N1 (0, 1)
Sb n→∞

où q
Sb = ∇h(β)I
b n (β)∇h(
b b0 .
β)
Ainsi,
b ± Φ−1 (1 − α/2)S]
[h(β) b

où Φ est la fonction de répartition de la loi N (0, 1), est un intervalle de confiance pour h(β) de
coefficient de niveau α.

2.4.6 Test de Wald

Pour bâtir un test asymptotique, on peut s’appuyer sur le résultat de normalité asymptotique
lorsque p = 1 ou sur la convergence vers une loi du Khi-deux pour tout p

b βb − β) −−L−→ χ2 (p) .
(βb − β)0 In (β)(
n→∞

Si nécessaire, on combine ces résultats avec la delta-méthode.

Exemple 2.14. Pour tester la significativité d’une variable explicative, on veut tester pour un
j ∈ {1, . . . , p}
H0 : βj = 0 contre H1 : βj 6= 0 .
b −1 . On a sous des hypothèses adaptées
Notons vnj le j e terme diagonal de la matrice In (β)

βbj − βj L
√ −−−→ N (0, 1)
vnj n→∞

d’où on obtient la p-valeur !!

|βbj |
2 1−Φ √ .
vnj

13
Remarque 2.15. A partir de β,
b on peut en déduire un estimateur pour µ(X)

b(X) = g −1 (X β)
µ b .

Grâce aux résultats précédents, on peut en déduire des régions de confiance et des tests pour µ
b(X).

2.4.7 Sélection de modèles (Déviance)

Comme pour les modèles linéaires, une fois que les paramètres ont été estimés, il est important de
vérifier que le modèle reflète bien la réalité et qu’il est valide. Cependant, dans le cas des modèles
linéaires généralisés, on a peu d’information sur les résidus. En particulier, ils n’ont aucune raison
d’avoir la même variance et on ne connaît pas leur distribution.
Une façon classique pour les modèles linéaires généralisés de procéder est de comparer le modèle
que l’on a ajusté M à un modèle plus général qui a autant de paramètres que de variables
réponses : le modèle saturé M.f C’est un modèle linéaire généralisé avec la même distribution et la
même fonction de lien que le modèle M. Si on dispose de n observations Y1 , . . . , Yn , alors le
modèle saturé est décrit avec n paramètres en supposant que X est de rang n.
Notons βe l’EMV de β sous le modèle saturé, nous savons qu’il est solution de l’équation suivante.

X 0 D(Y − g −1 (Xβ)) = 0 .

Or, dans le modèle saturé, la matrice X 0 est inversible, car elle est de rang n, donc l’EMV βe est tel
que
Y − g −1 (X β)
e = 0.

Ainsi, pour tout i,

Yi = g −1 (Xi0 β)
e = Yei

où Yei est la valeur ajustée dans le modèle saturé. Chaque valeur ajustée est alors égale à une
observation et le modèle saturé est donc parfaitement ajusté.
Notons, `e la vraisemblance du modèle saturé et `b la vraisemblance du modèle estimé M. Une
façon classique de comparer ces deux modèles à partir de leur vraisemblance est de faire un test de
rapports de vraisemblance. Notons alors

log(λ) = `e − `b.

Des grandes valeurs de log(λ) suggèrent que le modèle estimé décrit mal les données par rapport
au modèle saturé. Pour déterminer ce que signifie grandes valeurs de log(λ), il faut définir une
région critique et pour cela, nous avons besoin de la loi, éventuellement asymptotique, de λ.
D’après le théorème de Wilks, 2 log(λ), appelé déviance, peut être approchée par une loi du χ2n−p
où p est le nombre de paramètres à estimer dans le modèle estimé.

Définition 2.16. La déviance est définie comme

∆ = 2 log(λ) = 2(`e − `)
b

c’est-à-dire  
n Yi θ
X ei − θbi + a(θei ) − a(θbi )
∆=2 .
φ
i=1

14
On définit également les déviances résiduelles (« deviance residuals ») δi par
q
δi = sign(yi − µi ) δi2

où  
Yi θei − θbi + a(θei ) − a(θbi )
δi2 = 2 .
φ
Théorème 2.17 (Théorème de Wilks). Si les hypothèses du modèle GLM sont vérifiées, alors
L
∆ −−−→ χ2n−p
n→∞

avec p le nombre de paramètres à estimer.

Remarque 2.18. 1. Ainsi, comparer le modèle estimé au modèle saturé revient à comparer la
déviance à une loi du χ2 au bon nombre de degrés de liberté.
2. On a
n
X
∆= δi2
i=1

δi correspond à la racine carrée de la contribution de l’observation i sur la déviance. Si un

des δi est trop grand, cela signifie que l’assuré i contribue au fait que la déviance soit grande.
Comme l’espérance de ∆ est n − p, on peut s’attendre à ce que chaque δi2 vaut
approximativement (n − p)/n ≈ 1. Une valeur de δi2 éloignée de 1 indique que l’observation i
contribue au mauvais ajustement.

2.5 Exemples numériques

On considère le jeu de données disponible sur le lien suivant
[Link] qui présente le nombre de sinistres et le
coût moyen des sinistres de 128 assurés d’une compagnie d’assurance en Grande-Bretagne en 1975,
en fonction de l’âge du conducteur, du modèle de la voiture et de l’âge de la voiture. Les variables
explicatives sont réparties en classes
— l’âge du conducteur : 17-20, 21-24, 25-29, 30-34, 35-39, 40-49, 50-59, 60+ (8 classes) ;
— le modèle de la voiture : A, B, C, D (4 classes) ;
— l’âge de la voiture : 0-3 , 4-7, 8-9, 10+ (4 classes).

2.5.1 GLM Poisson

On souhaite étudier le nombre de sinistres en fonction de ces trois variables explicatives. On note
donc Yi le nombre de sinistres de l’assuré i et on considère un GLM Poisson, ce qui signifie que
— Yi | Xi suit une loi de Poisson ;
— log(E[Yi | Xi ]) = Xi0 β.
Afin de mieux comprendre les sorties R de l’ajustement de ce GLM sur les données, écrivons le
haut de la matrice X qui est de taille 128 × 17 et le vecteur des paramètres β de dimension 17.

15
  
1 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0
1 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
 
1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
 
1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1
X=
1

 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0

 .. .. .. 

 . . . 

.. .. ..
. . .
et  
µ
α1 
 
 .. 
.
 
α8 
 
 γ1 
β= . 
 
 .. 
 
 γ4 
 
 η1 
 
 .. 
.
η4
où αj , j = 1, . . . , 8 correspondant l’effet de la classe d’âge, γk , k = 1, . . . , 4 correspondant l’effet de
la classe du modèle de la voiture, η` , ` = 1, . . . , 4 correspondant l’effet de la classe de l’âge de la
voiture.
Pour obtenir l’identifiabilité du modèle, on introduit des contraintes (les mêmes que dans R)

α1 = 0 γ1 = 0 η1 = 0 .

Une fois les paramètres estimés, on sait que

Ybi = E[Yi | Xi ] = exp(Xi0 β) .

Prenons un exemple, considérons un assuré qui a entre 21 et 24 ans avec une voiture du modèle A
et qui a entre 8 et 9 ans. Il faut donc regarder les estimations des coefficients des classes qui
correspondent soit α2 = 1.42, γ1 = 0 et η3 = −1.61 ainsi que la moyenne globale µ = 1.76, nous
obtenons donc
Ybi = E[Yi | Xi ] = exp(µ + α2 + γ1 + η3 ) ≈ 4.8 .
Ainsi, cet assuré aura en moyenne 4.8 sinistres.

2.5.2 GLM gamma

On souhaite étudier le montant moyen (en livres) des sinistres en fonction de ces trois variables
explicatives. On note donc Yi le montant moyen des de sinistres de l’assuré i et on considère un
GLM gamma, ce qui signifie que
— Yi | Xi suit une loi gamma ;
— 1/E[Yi | Xi ]) = Xi0 β.

16
La matrice X et le vecteur β restent inchangés.
Pour obtenir l’identifiabilité du modèle, on introduit des contraintes (les mêmes que dans R)

α1 = 0 γ1 = 0 η1 = 0 .

Une fois les paramètres estimés, on sait que

1
Ybi = E[Yi | Xi ] = .
Xi0 β

Reprenons le même exemple, un assuré qui a entre 21 et 24 ans avec une voiture du modèle A et
qui a entre 8 et 9 ans. Il faut donc regarder les estimations des coefficients des classes qui
correspondent soit α2 = 0.0006, γ1 = 0 et η3 = 0.002 ainsi que la moyenne globale µ = 0.003, nous
obtenons donc
1
Ybi = E[Yi | Xi ] = ≈ 178 .
µ + α2 + γ1 + η3
Ainsi, le montant moyen des sinistres de cet assuré sera £178.

2.6 Conclusion
Ce qu’il faut retenir des modèles linéaires généralisés
— Ils sont simples à utiliser ;
— Ils offrent plus de flexibilité que les modèles linéaires : choix de la loi appartenant à une
famille exponentielle et choix de la fonction de lien ;
— En pratique, le choix de la loi est dicté par les données
— Montants de sinistres = loi gamma ;
— Nombre de sinistres = loi de Poisson, loi binomiale négative ;
— Le choix de la fonction de lien est souvent la fonction de lien canonique parce que dans ce
cas là les calculs sont faciles.

3 Tarification a posteriori
3.1 Théorie de la crédibilité
3.1.1 Introduction
Considérons une compagnie d’assurance.
— Sans distinction entre les assurés, ils paieraient tous une certaine prime commune πcol (une
certaine valeur moyenne du risque). Dans ce cas, les « bons » risques partent, car ils paient
une prime trop chère.
— Si on ne tient compte que de l’expérience acquise sur les assurés (précédents sinistres),
chaque assuré payerait une prime individuelle πind . Mais a-t-on suffisamment d’expérience
sur chaque assuré pour avoir une bonne idée de leur prime individuelle πind ?
L’idée est donc de trouver un compromis entre les deux : estimer une prime de crédibilité πcred qui
reflète la confiance que l’on a sur l’expérience acquise sur chaque assuré. Plus on a une grande
confiance sur l’expérience plus la prime de crédibilité est proche de πind , sinon elle est proche de
πcol . La théorie de la crédibilité bayésienne permet de répondre à ce problème.
Dans toute la suite, nous noterons :

17
 — I le nombre d’assurés dans la compagnie d’assurance ;
— ni le nombre d’années d’observations pour l’assuré i ;
— Xi,j le montant des sinistres de l’année j de l’assuré i ;
— X = (Xi,j )j=1,...,ni ,i=1,...,I ;
— θi ∈ Θ le profil de risque de l’assuré i.
Remarque 3.1. Pour fixer les idées, supposons par exemple que le portefeuille de la compagnie
d’assurance est homogène, alors tous les assurés ont le même profil de risque et Θ est réduit à un
singleton.
En pratique, θ est inconnu. Cependant, l’assureur dispose d’informations sur la structure collective
du risque. Par exemple, la plupart des conducteurs sont des bons risques qui ont rarement un
accident et un petit nombre a fréquemment des sinistres.
Formellement, ceci peut être décrit avec une terminologie bayésienne : le profil de risque θ est une
variable aléatoire distribuée de loi T , appelée loi a priori, et conditionnellement à θi , les variables
aléatoires Xi,j sont i.i.d. de fonction de répartition Fθi . La loi de θi sachant les Xi,j est appelée loi
a posteriori. Ainsi, la prime individuelle πi est égale à l’espérance de la loi conditionnelle des Xi,j
sachant θi , la prime collective à l’espérance des Xi,j (non conditionnellement à θi ), elle correspond
à l’espérance des sinistres de tout le portefeuille. Et, la prime de crédibilité est égale à l’espérance
conditionelle de Xi,n+1 sachant Xi,1 , . . . , Xi,n .
Par conséquent, nous supposerons que θ est une variable aléatoire sur l’espace Θ et que pour tout
i = 1, . . . , I, Xi,j , j = 1, . . . , ni sont des variables aléatoires i.i.d. sur R+ de fonction de répartition
Fθi .

Définition 3.2 (Lois a priori, a posteriori).

1. On appelle loi a priori la loi T de θi sur Θ
2. Pour tout i = 1, . . . , I, la loi de θi sachant les Xi,j , j = 1, . . . , ni est appelée loi a posteriori.

Définition 3.3 (Prime collective). La prime collective πcol d’un portefeuille est définie comme le
montant moyen des sinistres sur l’ensemble du portefeuille, soit

πcol = E[X] .

Définition 3.4 (Prime individuelle). Pour un assuré donné i, on définit sa prime individuelle
πind,i comme
πind,i = E[Xi,ni +1 | θi ] .

3.1.2 Crédibilité bayésienne

Cadre Considérons un assuré i et les montants de ses sinistres des années précédentes
(Xi,1 , . . . , Xi,j , . . . , Xi,ni ).

Définition 3.5 (Modèle de crédibilité bayésienne). Soit g = gt la densité d’une loi de paramètre t.
On dit qu’un modèle est un modèle de crédibilité bayésienne si les conditions suivantes sont
vérifiées
1. θi ∼ T où T est la loi a priori, c’est une loi sur le paramètre de la loi g ;
2. Conditionnellement à θi = t, (Xi,j )j sont i.i.d. de loi commune gt .

18
Rappelons qu’en pratique, θi qui représente le profil de risque de l’assuré i n’est pas observé.
Le but est de prédire Xi,ni +1 , c’est-à-dire le coût moyen de l’assuré i pour l’année ni + 1 à partir
de l’information des années précédentes, c’est-à-dire sa prime de crédibilité bayésienne.
Définition 3.6 (Prime crédibilité bayésienne). Pour un assuré donné i, -sa prime de crédibilité
πcred,i pour l’année ni + 1 est définie comme la meilleure approximation du montant moyen de ses
sinistres à partir des montants de ses sinistres des années passées, soit par

πcred,i = E[Xi,ni +1 | Xi,1 , . . . , Xi,ni ].

Pour calculer πcred,i , il faut connaître la loi a posteriori de θi , c’est à dire la loi de θi
conditionnellement aux Xi,1 , . . . , Xi,ni . En effet,

πcred,i = E [Xi,ni +1 | Xi,1 , . . . , Xi,ni ]

Z
= xfXi,ni +1 |Xi,1 ...,Xi,ni (x)dxn+1
Zx Z
= x fXi,n+1 ,θi |Xi,1 ...,Xi,ni (x, t)dtdx
Zx Z t
= xgt (x)fθi |Xi,1 ...,Xi,ni (t)dtdx .
x t

On peut alors remarquer que

Z
πcred,i = E [Xi,ni +1 | θi = t] fθi |Xi,1 ...,Xi,ni (t)dt .
t

Il reste donc à calculer la loi a posteriori de θi . Par définition des densités conditionnelles, on a
fXi,1 ,...,Xi,ni ,θi (x1 , . . . , xni , t)
fθi |Xi,1 =x1 ,...,Xi,ni =xni (t) = .
fXi,1 ,...,Xi,ni (x1 , . . . , xni )

D’une part,

fXi,1 ,...,Xi,ni ,θi (x1 , . . . , xni , t) = fXi,1 ,...,Xi,ni |θi =t (x1 , . . . , xni )fθi (t)
= gt (x1 ) . . . gt (xni )fθi (t) .

car (Xi,j )j sont i.i.d. de loi commune gt conditionnellement à θi = t. D’autre part,

Z
fXi,1 ,...,Xi,ni (x1 , . . . , xni ) = fXi,1 ,...,Xi,ni ,θi (x1 , . . . , xni , t)dt
Zt
= gt (x1 ) . . . gt (xni )fθi (t)dt .
t

D’où,
gt (x1 ) . . . gt (xni )fθi (t)
fθi |Xi,1 =x1 ,...,Xi,ni =xni (t) = R .
s gs (x1 ) . . . gs (xni )fθi (s)ds
R
Remarque 3.7. Le dénominateur s gs (x1 ) . . . gs (xni )fθi (s)ds joue le rôle d’une constante de
normalisation pour assurer que gt (x1 ) . . . gt (xni )fθi (t) est bien une densité de probabilité. En
pratique, on calcule le numérateur et on essaye de reconnaître une loi usuelle pour éviter de
calculer l’intégrale.

19
Proposition 3.8. Sous les hypothèses 3.5, la prime de crédibilité bayésienne est égale à
Z
πcred,i = E [Xi,ni +1 | θi = t] fθi |Xi,1 ...,Xi,ni (t)dt
t

et la loi a posteriori est donnée par

gt (x1 ) . . . gt (xni )fθi (t)
fθi |Xi,1 =x1 ,...,Xi,ni =xni (t) = R .
s gs (x1 ) . . . gs (xni )fθi (s)ds

Exemple : mélange Poisson-gamma Considérons un contrat d’assurance dont le montant de

tous les sinistres est fixé, par exemple, égal à 1. Dans ce cas, Xi,j représente le nombre de sinistres
de l’assuré i au cours de l’année j.
Supposons que conditionnellement à θi , Xi,j est distribué selon une loi de Poisson de paramètre θi
avec θi ∼ Γ(k, λ). On rappelle que la densité de la loi Γ(k, λ) est donnée par

λk k−1 −λt
fθi (t) = t e 1t≥0
Γ(k)
Soit un assuré i, calculons sa prime de crédibilité bayésienne.
1. Loi a posteriori
Commençons par déterminer la loi a posteriori de θi . D’après la proposition 3.8, elle est donnée par
gt (X1 ) . . . gt (Xni )fθi (t)
fθi |Xi,1 ...,Xi,ni (t) = R
gs (X1 ) . . . gs (Xni )fθi (s)ds
n
λk k−1 −λt Yi
et tXi,j
= C(Xi,1 , . . . , Xi,ni ) t e
Γ(k) Xi,j !
j=1
P ni
−(λ+ni )t u+ j=1 Xi,j −1
= C 0 (Xi,1 , . . . , Xi,ni )e t

Ainsi, θi | Xi,1 , . . . , Xi,ni ∼ Γ(k + Si,ni , λ + ni ) où Si,ni = nj=1

P i
Xi,j .
2. Prime de crédibilité bayésienne
Par la proposition 3.8,
Z
πcred,i = E [Xi,ni +1 | θi = t] fθi |Xi,1 ...,Xi,ni (t)dt
Zt
= tfθi |Xi,1 ...,Xi,ni (t)dt
t
= E [θi | Xi,1 . . . , Xi,ni ] .

Ainsi, la prime de crédibilité bayésienne est égale à l’espérance d’une loi gamma de paramètres
k + Si,ni et λ + ni .

k + Si,ni
πcred,i = .
λ + ni
Or, en pratique k et λ sont inconnus, il faut donc les estimer à partir des Xi,j pour j = 1, . . . , ni et
i = 1, . . . , N . Pour cela, calculons l’espérance et la variance des Xi,j en fonction de k et λ. Ainsi,
par la méthode des moments, nous pourrons proposer des estimateurs de k et λ.

20
3. Calcul de l’espérance et de la variance de Xi,j
Calculons l’espérance de Xi,j pour j = 1, . . . , ni et i = 1, . . . , I.

E [Xi,j ] = E [E [Xi,j | θi ]]
= E [θi ] car Xi,j | θi ∼ P(θi )
k
= car θi ∼ Γ(k, λ) .
λ
De même,

Var [Xi,j ] = E [Var [Xi,j | θi ]] + Var [E [Xi,j | θi ]]

= E [θi ] + Var [θi ] car Xi,j | θi ∼ P(θi )
k k
= + 2 car θi ∼ Γ(k, λ) .
λ λ
Soit m
b la moyenne empirique et σb2 la variance empirique du nombre de sinistres de la population
globale. On approche donc l’espérance de Xi,j par m b2 :
b et sa variance par σ
(
b = λk
m
b2 = λk + λk2
σ

et donc (
b2
m
k=
b
b2 −m
σ b
m
λb=
σ 2
b −m
b
b
Ainsi, on peut estimer πcred,i par π
bcred,i

k + Si,ni
b
π
bcred,i = .
λ
b + ni

Interprétation On peut réécrire π k par λ

bcred,i en remplaçant b bmb

λ
bmb + Si,ni
π
bcred,i = =
λ
b + ni
   
ni Si,ni ni
= + 1− m
b .
ni + λb ni ni + λ
b

Il y a deux comportements limites importants de la prime bayésienne de crédibilité

1. Si on a beaucoup d’informations sur l’assuré i, c’est-à-dire que ni est grand, alors
Si,ni
bcred,i ≈
π ≈ πind,i
ni
b → 1. π
car ni /(ni + λ) bcred,i devient de proche de la prime individuelle πind,i , qui est la prime
fondée sur l’historique de l’assuré i. Cela est dû au fait que l’on a une grande confiance sur
notre expérience de l’assuré.

21
 2. Si on a peu d’information sur l’assuré i, c’est-à-dire que ni est petit, alors

bcred,i ≈ m
π b ≈ πcol

π
bcred,i devient proche de la prime collective πcol .
Remarque 3.9. On peut calculer la loi de Xi,j (non conditionnelle à θi )
1
Xi,j suit une loi négative binomiale de paramètres r = k et p = λ+1

Démonstration. La loi des Xi,j , 1 ≤ j ≤ ni conditionnellemnt à θi est donnée par

e−t tl
P {Xi,j = l | θi = t} =
l!
Ainsi, la loi jointe de Xi,j et de θi s’écrit

P {Xi,j = l, θi = t} = P {Xi,j = l | θi = t} fθi (t)

e−t tl λk k−1 −λt
= t e 1t≥0
l! Γ(k)
λk l+k−1 −(λ+1)t
= t e 1t≥0
l!Γ(k)

et donc la loi de Xi,j

Z
P {Xi,j = l} = P {Xi,j = l, θi = t} dt
t
∞
λk l+k−1 −(λ+1)t
Z
= t e dt
0 l!Γ(k)
Z ∞
λk l+k−1 Γ(l + k) (λ + 1)k+l l+k−1 −(λ+1)t
= t t e dt
l!Γ(k) (λ + 1)l+k 0 Γ(k + l)
| {z }
=1
 k  l
Γ(k + l) λ 1
=
l!Γ(k) λ+1 λ+1
 l  k
Γ(k + l) 1 1
= 1−
l!Γ(k) λ+1 λ+1

Fonction de perte générale Nous venons de voir comment prédire le coût moyen d’un assuré i
pour la prochaine année en fonction des années précédentes et nous avons défini sa prime de
crédibilité bayésienne comme

πcred,i = E [Xi,ni +1 | Xi,1 , . . . , Xi,ni ]

Or, l’espérance conditionnelle peut être vue la projection orthogonale de Xi,ni +1 sur l’espace
engendré par les variables Xi,1 , . . . , Xi,ni ; et donc comme l’argmin sur les toutes fonctions π
(Xi,1 , . . . , Xi,n )-mesurables du risque quadratique de Xi,n+1 .

22
Plus généralement, on peut avoir envie de trouver une prime qui minimise une autre fonction de
perte
πcred,i = arg min E [l(π, Xi,ni +1 )]
π
où l est une certaine fonction de perte et où l’argmin est pris sur toutes les fonctions mesurables
de Xi,1 , . . . , Xi,ni .
Exemple 3.10.
— Perte quadratique = l(x, π) = (x − π)2 (cas précédent, le plus courant).

πcred,i = E [Xi,ni +1 | Xi,1 , . . . , Xi,ni ]

— Perte L1 = l(x, π) = |x − π|
,→ πcred,i est la médiane de la loi de Xi,ni +1 conditionnellement aux Xi,j .
— l(x, π) = ρτ (x − π) avec ρτ (u) = (τ − 1u≥0 )
,→ πcred,i est le quantile d’ordre τ de la loi de Xi,ni +1 conditionnellement aux Xi,j .
Le problème fondamental de la théorie de la crédibilité est le choix de la loi a priori. Souvent le
choix est guidé par la possibilité de calculer la loi a posteriori plutôt par des questions de
modélisation. Par exemple dans le cas de la loi de Poisson, on ne sait pas obtenir des formules
explicites de πcred,i si la loi a priori n’est pas la loi gamma. On dit alors que la loi gamma est la
conguguée de la loi de Poisson.
Un autre problème est l’hypothèse i.i.d. des Xi,j qui peut évidemment ne pas être vérifée : cela
signifierait que le paramètre θi dépendrait du temps.

3.1.3 Crédibilité linéaire

La difficulté en théorie de crédibilité bayésienne est donc de calculer la prime, sauf si on impose
des conditions fortes sur la loi a priori. Trouver la prime bayésienne revient à trouver une fonction
de (Xi,1 . . . , Xi,ni ) qui réalise une certaine perte optimale. Bülhmann propose de chercher cette
fonction dans une classe de fonctions plus petite : les fonctions linéaires. Autrement dit, Bühlmann
impose que la prime soit de la forme
ni
X
πc = αi,0 + αi,j Xi,j .
j=1

Modèle de Bühlmann
Hypothèses 3.11 (Modèle de Bühlmann). Soit θi un facteur de risque non observé intrinsèque à
l’assuré i. Alors,
Xi,j = µ + ξi + εi,j
avec
1. ξi = E[Xi,j | θi ] − µ et Var [ξi ] = a2
2. E [ξi ] = E [εi,j ] = 0
3. (εi,j ) i.i.d. avec Var [εi,j | θi ] = σ 2 .
Remarque 3.12. On a
1. E[Xi,j ] = µ la moyenne globale du portefeuille ;

23
 2. ξi est le shift par rapport à la moyenne globale du portefeuille dû à θi . Donc
Xi,j = E[Xi,j | θi ] + εi,j ;
3. a2 représente la variance « inter-risque », c’est-à-dire la variance entre les moyennes des
montants des sinistres de chaque assuré conditionnellement à son profil de risque ;
4. σ 2 représente la variance « intra-risque », c’est-à-dire la variance des montants des sinistres
d’un assuré i. L’hypothèse « σ 2 ne dépend pas de i » est donc très restrictive. On verra un
peu plus loin un modèle plus général : le modèle de Bühlmann-Straub (utilisé le plus
souvent). Néanmoins, le modèle de Bühlmann permet de mieux comprendre les idées de la
théorie de la crédibilité linéaire.
5. On a
Var[Xi,j ] = Var[E[Xi,j | θi ]] + E[Var[Xi,j | θi ]] = a2 + σ 2
En effet,
Var[E[Xi,j | θi ]] = Var[ξ + µ] = a2
et

E[Var[Xi,j | θi ]] = E[Var[εi,j + E[Xi,j | θj ] | θi ]]

  2 
= E E εi,j + E[Xi,j | θj ] − E [εi,j + E [Xi,j | θj ] | θi ] | θi
  2 
= E E εi,j − E[εi,j | θi ] | θi

= E[Var[εi,j | θi ]] = σ 2

Exemple 3.13 (Mélange Poisson-gamma dans le cadre de Bühlmann). On suppose donc que
Xi,j ∼ P(θi ) et θi ∼ Γ(k, λ), et soit m la moyenne de la population globale et σ 2 la variance. Avec
les notations du modèle de Bühlmann, on a

µ = m
ξi = θi − m, car E[Xi,j | θi ] = θi
a 2
= Var [θi ] = kλ−2 car Var[E[Xi,j | θi ]] = Var[θi ]
Var [εi,j | θi ] = θi car Var[εi,j | θi ] = Var[Xi,j | θi ] = θi

La dernière égalité montre que Var[εi,j | θi ] dépend de i. Donc l’hypothèse d’homoscedasticité du

modèle de Bühlmann n’est pas vérifiée.
h i
La prime de Bühlmann est la prime qui minimise E (Xi,ni +1 − π)2 sous les hypothèses du
modèle.
Proposition 3.14 (Prime de Bühlmann). La prime de Bühlmann, à partir de Xi,1 , . . . , Xi,ni , est
donnée par
ni
ci X
πB,i = (1 − ci )µ + Xi,j
ni
j=1

avec ci , appelée facteur de crédibilité, défini par

ni a2
ci =
σ 2 + ni a2

24
Lemme 3.15. On a les égalités suivantes
1. pour tout j 6= k
E [Xi,k Xi,j ] = a2 + µ2
2. pour tout k  2 
E Xi,k = a2 + µ 2 + σ 2
Preuve du lemme 3.15.
Preuve de 1.
E [Xi,k Xi,j ] = E [E [Xi,k Xi,j | θi ]]
= E [E [Xi,k | θi ] E [Xi,j | θi ]]
h i
= E E [Xi,1 | θi ]2
= Var [E [Xi,1 | θi ]] + E [Xi,1 ]2
= a2 + µ2
Preuve de 2.
 2    2 
E Xi,k = E E Xi,k | θi
h i
= E [Var [Xi,1 | θi ]] + E E [Xi,1 | θi ]2
= σ 2 + a2 + µ 2

Démonstration. On cherche π de la forme

ni
X
π = αi,0 + αi,j Xi,j
j=1

qui minimise E (Xi,ni +1 − π)2 .

 

Soit
f (αi,0 , . . . , αi,ni ) = E (Xi,ni +1 − π)2
 
 2 
ni
X
= E Xi,ni +1 − αi,0 − αi,j Xi,j  
j=1

Calcul de αi,0
 
ni
X
∂αi,0 f = −2E Xi,ni +1 − αi,0 − αi,j Xi,j 
j=1
ni
X
= EXi,ni +1 − αi,0 − αi,j EXi,j
j=1
 
ni
X
= µ 1 − αi,j  − αi,0
j=1

25
Donc  
ni
X
∂αi,0 f = 0 ⇔ αi,0 = µ 1 − αi,j 
j=1

Calcul de αi,k , k = 1, . . . , ni

  
ni
X
∂αi,k f = −2E Xi,k Xi,ni +1 − αi,0 − αi,j Xi,j 
j=1
ni
X
2
= E[Xi,ni +1 Xi,k ] − αi,0 EXi,k − αi,k EXi,k − αi,j E [Xi,j Xi,k ]
j=1,j6=k
X
= a2 + µ2 − αi,0 − (σ 2 + a2 + µ2 )αi,k − (a2 + µ2 ) αi,j
j6=k

Donc  
a2
P
1− j6=k αi,j
∂αi,k f = 0 ⇔ αi,k =
a2 + σ 2
ce qui donne après calcul,
a2
αi,k = .
σ 2 + ni a2
Finalement,
ni
ni a2 ni a2
 
1 X
πB,i = 1− µ+ 2 Xi,j .
σ 2 + ni a2 σ + ni a2 ni
j=1

Remarque 3.16. 1. Si ni → ∞, ci → 1 et donc

ni
1 X
πB,i ≈ Xi,j ≈ πind,i .
ni
j=1

On a une infinité d’informations sur l’assuré i donc l’idée que l’on se fait de son profil de
risque doit être parfait ;
2. Si ni → 0, ci → 0 et donc
πB,i ≈ µ ≈ πcol .
On n’a pas d’information sur l’assuré i donc sa prime est égale à la prime collective.
3. Si a → 0, ci → 0 et donc
πB,i ≈ µ ≈ πcol .
La variance inter-risque tend vers 0. La variance de θi , soit la moyenne entre les profils de
risque, tend donc vers 0, donc la moyenne globale tend à refléter le risque de chaque assuré.

26
 4. Si a → ∞, ci → 1 et donc
ni
1 X
πB,i ≈ Xi,j ≈ πind,i .
ni
j=1

La variance inter-risque tend vers l’infini. Les fluctuations de la prime individuelle de l’assuré
i autour de la moyenne globale sont infiniment grandes, donc la prime collective ne reflète
pas la prime de l’assuré i.
5. Si σ → ∞, ci → 0 et donc
πB,i ≈ µ ≈ πcol .
La variance intra-risque tend vers l’infini. Les fluctuations autour la moyenne d’un groupe de
même profil de risque, soit la prime individuelle, sont infiniment grandes, elles rendent donc
les effets individuels négligeables.
En pratique, les paramètres a, µ et σ sont inconnus. Il faut donc les estimer. Notons alors
ni
1 X
X i,• = Xi,j la moyenne empirique individuelle pour l’assuré i
ni
j=1
I ni
1 XX
X = Xi,j la moyenne empirique globale du portefeuille.
ni I
i=1 j=1

On estime donc
— la moyenne globale µ par la moyenne empirique globale X ;

2
— la variance intra-risque σ 2 par sa version empirique n1i I Ii=1 nj=1 Xi,j − X i,• ;
P P

2
— la variance inter-risque a2 par n1 Ii=1 X i,• − X .
P

Modèle de Bühlmann-Straub Le modèle de Bühlmann-Straub généralise le modèle de

Bühlmann en relâchant l’hypothèse d’homoscedasticité par l’introduction de poids.
Hypothèses 3.17 (Modèle de Bühlmann-Straub). Soit θi un facteur de risque de l’assuré i. Alors

Xi,j = µ + ξi + εi,j

avec
1. ξi = E [Xi,j | θi ] − µ et Var [ξi | θi ] = a2
2. E [ξi ] = E [εi,j ] = 0
σ2
3. (εi,j ) i.i.d. avec Var [εi,j | θi ] = wi,j .
Remarque 3.18. 1. wi,j représente l’exposition du risque. Par exemple, wi,j est le nombre
d’assurés dans une certaine région.
2. La prime de crédibilité est obtenue de façon similaire, mais en pondérant différemment
chaque observation. Chaque wi,j peut être vu comme un poids attribué à l’observation (i, j).
h i
La prime de Bühlmann-Straub est la prime qui minimise E (Xi,ni +1 − π)2 sous les hypothèses du
modèle de Bühlmann-Straub.

27
Proposition 3.19 (Prime de Bühlmann-Straub). La prime de Bühlmann-Straub, à partir de
Xi,1 , . . . , Xi,ni , est donnée par
ni
ci X
πBS,i = (1 − ci )µ + Pni wi,j Xi,j
k=1 wi,k j=1

avec ci , appelée facteur de crédibilité, défini par

a2 nk=1
P i
w
ci = 2 P i i,k
σ + a2 nk=1 wi,k

En pratique, les paramètres a, µ et σ sont inconnus, on les estime alors par

— Moyenne globale
1 X
µ
b= P wi,j Xi,j
l,k=1 wl,k i,j

— Variance inter-risque
n
2 1 X
2
a = Pn
b wi,j Xi,j − X i
k=1 wi,k j=1

— Variance intra-risque
n
1 X
σ2
b = b)2 .
wi,j (Xi,j − µ
In
i,j

3.1.4 Extensions
Crédibilité hiérarchique La crédibilité hiérarchique correspond à ajouter un niveau de
segmentation dans la population. Considérons trois (ou plus) indices pour décrire un assuré.
Soit Xijt la valeur du sinistre j de l’assuré i dans la cohorte t. On s’intéresse alors à

µ(θi,t , Φt ) = E [Xijt | θi,t , Φt ] .

avec Φt le facteur de risque lié à la cohorte t et θi,t le facteur de risque intrinsèque de l’assuré i
appartenant à la cohorte t. On suppose que

σ 2 (θi,t , Φt )
Var(Xijt | θi,t , Φt ) =
wijt

avec wijt un poids.

Alors
— Moyenne collective m = E [µ(θi,t , Φt)]
— Variance globale s2 = E σ 2 (θi,t , Φt )
— Variance intra-cohorte a2 = E [Var [µ(θi,t , Φt )] | Φt ]
— Variance inter-cohorte b2 = Var [E [µ(θi,t , Φt )] | Φt ]
A nouveau on cherche la prime qui s’exprime linéairement en fonction des Xijt . Pour simplifier les
notations on suppose que wijt = 1 pour tous i, j, t.

28
Proposition 3.20. La prime pour l’assuré (i, t) est définie par

πit = zit X it• + (1 − zit ) πt

où
πt = zt X t•• + (1 − zt ) m
— X it• moyenne des observations pour l’assuré (i, t)
— X t•• : moyenne de la cohorte t
Soit ni,t le nombre d’observations pour l’assuré (i, t) (nombre d’années d’historique). Alors
ni,t
zi,t = 2
ni,t + as2
PI
i=1 zi,t
zt = PI a2
i=1 zi,t + b2

Evolution temporelle Tous les modèles précédents suppose qu’il existe une stabilité du
phénomène au cours du temps. Dans certains cas, on peut avoir besoin d’introduire une tendance :
modèle de Hachemeister :
Xi,j = β0 + β1 j + ξi + εi,j
Autrement dit, la moyenne collective dépend linéairement de j.

Modélisation pour les IBNR On rappelle que IBNR signifie « Incurred But Not Reported »,
soit les sinistres qui se sont déjà produits mais qui n’ont pas encore été déclarés à l’assureur. Le
modèle le plus classique est le modèle de De Vijlder

Xi,j = (m + ξi )dj + εi,j

où
— i = une année où un sinistre s’est produit
— Xi,j = paiement fait l’année i + j soit j années après que le sinistre se soit produit pour des
sinistres survenus l’année i. P
— dj est appelé facteur de développement. En général dj ≤ 1 et est tel que i dj = 1. Il
correspond à une fraction du montant total du sinsitre qui est générallement payé l’année j.
Remarque 3.21. Le package actuar en R permet de faire de l’estimation de crédibilité.

3.2 Systèmes Bonus-Malus

3.2.1 Introduction
Comme dans la théorie de la crédibilité, l’idée est d’utiliser l’information recueillie sur l’assuré
pour déterminer sa prime. L’avantage du système Bonus-Malus est qu’il est facilement
compréhensible par l’assuré. Il est présenté comme un moyen
— d’encourager les assurés à avoir un meilleur comportement (moins de sinistres)
— de combattre l’aléa moral : il est possible que les assurés ne disent pas tout à l’assureur.

29
Ce système peut différer d’un pays à un autre. En France, pour les assurances voitures, cela
consiste à multiplier la prime par un coefficient : bonus de 5% par année sans sinitre. S’il y a un
sinistre un malus de 25% s’applique (ou 12.5% si l’assuré est partiellement responsable). Ainsi, la
prime pour l’année i d’un assuré s’écrit comme πi = αi π0
Exemple 3.22. La prime à l’année 0 d’un assuré est π0 . Si au cours de la première année, il n’a pas
d’accident, alors sa prime pour l’année 1 sera

π1 = 0.95π0 donc α1 = 0.95

Si de nouveau au cours de la deuxième année il n’a pas d’accident, sa prime pour l’année 2 sera

π2 = 0.95π1 donc α2 = 0.95α1 = 0.9025 ≈ 0.90

Disons qu’il a un accident au cours de la troisième année alors sa prime pour l’année sera

π3 = 1.25π2 donc α3 = 1.25α2 = 1.125 ≈ 1.13

Le coefficient multiplicatif reste toujours entre 0.5 et 3.5. Si un assuré à un coefficient supérieur à
1, il revient à 1 après deux ans sans sinistre.
Le fichier AGIRA (Association pour la Gestion des Informations sur le Risque en Assurance)
contient diverses informations sur les automobilistes telles que l’identité des souscripteurs, les
références des contrats, les sinistres passés mais aussi, les résiliations. Il fut créé par les assureurs
en vue de leur permettre de vérifier les informations communiquées par un nouvel assuré sur sa
situation.
Exercice 3.23. Un conducteur avec un bonus à 0.76 à son échéance anniversaire en année N . Quel
est son coefficient multiplicatif pour l’année N + 1 ? Si au cours de l’année N il a un sinistre
responsable, quel est son coefficient multiplicatif pour l’année N + 1 ?
Les systèmes de Bonus-Malus peuvent être décrits comme des processus dont les états décrivent la
prime payée par l’assuré : chaînes de Markov. Si la réglementation n’impose pas certaines règles
sur le système Bonus-Malus, la prime de chaque niveau est calculée à partir de la mesure
stationnaire de la chaîne de Markov et de la connaissance a priori de la loi des facteurs de risque
dans la population. Le comportement de l’assuré peut introduire un biais dans le calcul,
c’est-à-dire que les assurés peuvent adapter leur comportement pour ne pas avoir de malus et avoir
plus de bonus. Par exemple, ne pas déclarer de petits sinistres : hunger for bonuses.

3.2.2 L’approche markovienne

Un exemple simple : bon conducteur vs mauvais conducteur Supposons qu’il existe
deux catégories de conducteurs dans la population : les bons conducteurs et les mauvais.
Soit
— Ni le nombre de sinistres d’un conducteur au cours d’une période i
— θ le facteur de risque, qui prend deux valeurs
— θ = t1 avec probabilité p (bon conducteur)
— θ = t2 > t1 avec probabilité 1 − p (mauvais conducteur).
— On suppose que conditionnellement à θ, (Ni )i sont indépendants et identiquement
distribuées selon une loi de Poisson de paramètre θ.

30
Considérons un système Bonus-Malus à trois niveaux, notés 0,1 et 2.
— Li : le niveau auquel le conducteur se trouve à la période i.
— L0 = 1 : l’assuré entre dans le système au niveau 1.
— S’il a un accident ou plus qu’au cours d’une période, Li augmente de 1.
— S’il n’a aucun accident durant cette période, alors Li diminue de 1.

1
1 − e−tk 1 − e−tk

e−tk
e−tk
e−tk 0 2 1 − e−tk

Considérons un conducteur avec un facteur de risque θ = tk , k = 1, 2 fixé. Sous les hypothèses

précédentes, (Li )1≤i≤n est une chaîne de Markov homogène dont la matrice de transition est
donnée par  
exp(−tk ) 1 − exp(−tk ) 0
 exp(−tk ) 0 1 − exp(−tk ) 
0 exp(−tk ) 1 − exp(−tk )
et mesure initiale ν 0 = (0, 1, 0).

Théorie des chaînes de Markov

Définition 3.24. Une chaîne de Markov homogène (Ln )n∈N est un processus observé à des temps
discrets et qui prend ses valeurs dans un sous-ensemble de N vérifiant les propriétés suivantes
1. Propriété de Markov

P {Ln = `n | Ln−1 = `n−1 , . . . , L0 = `0 } = P {Ln = `n | Ln−1 = `n−1 }

2. Propriété d’homogénéité

P {Ln = ` | Ln−1 = m} = P {L1 = ` | L0 = m}

La loi d’une telle chaîne est déterminée de façon unique par

1. la mesure initiale ν = loi de l’état initial L0
2. La matrice de transition P = (p`,m )(`,m)∈N2 où p`,m = P {L1 = m | L0 = `}, la probabilité
de passer de l’état ` à l’état m.

La loi de L1 est donnée par µ1 = ν 0 P , soit µ1 (`) = P {L1 = `}.

 
(n)
Théorème 3.25 (Théorème de Chapman-Kolmogorov). Soit P (n) = p`,m où

(n)
p(`,m) = P {Ln = m | L0 = `}

Alors
P (n) = P n

31
La loi de Ln est donc donnée par µn = ν 0 P n . Si f : N −→ R (qui peut être identifiée par le vecteur
(f0 , . . . , fn )0 ), alors
E[f (Ln )] = ν 0 P n f

Définition 3.26.
1. On dit que l’état ` communique avec l’état m (noté ` ↔ m) s’il existe deux entiers n1 et n2
(n ) (n )
tels que p`,m1 6= 0 et pm,`2 6= 0. On peut aller de l’état ` à l’état m en au moins n1 coups et de
l’état m à l’état ` en au moins n2 coups.
2. La relation ` ↔ m définit une relation d’équivalence entre les états. Si tous les états
appartiennent à la même classe ont dit la chaîne est irréductible.
3. Un état est dit transient si presque sûrement, il est visité un nombre fini de fois par la
chaîne. Sinon, il est dit récurrent. Un état récurrent est dit récurrent positif si la proportion
du nombre de visites dans cet état ne tend pas vers 0 et sinon, il est dit récurrent nul.

Proposition 3.27.
1. Un état est soit transient soit récurrent
2. Si ` ↔ m, (` et m sont dans la même classe), alors ` et m sont soit tous les deux transients
soit tous les deux récurrents.
3. Si le nombre d’états est fini, alors les états récurrents sont tous récurrents positifs.
4. Une chaîne de Markov homogène irréductible est toujours récurrente.
5. Une chaîne de Markov homogène irréductible avec un nombre d’états fini est toujours
récurrente positive.

Définition 3.28 (Période). La période d’un état est donnée par

n o
(n)
d(`) = pgcd n ∈ N∗ : p`,` 6= 0

Si d(`) = 1, alors on dit que ` est apériodique.

Proposition 3.29. Si ` ↔ m, alors d(`) = d(m)

Définition 3.30. Une chaîne est dite ergodique si elle est irréductible, récurrente positive et
apériodique.

Théorème 3.31 (Théorème ergodique). Soit une chaîne de Markov ergodique (Ln )n∈N , alors il
existe une unique mesure de probabilité ν0 telle que

ν00 P = ν00

On dit que ν0 est invariante.

De plus, Ln converge en loi vers ν0 .

Peu importe l’état initial, si on laisse la chaîne évoluer suffisamment longtemps, elle se stabilisera
naturellement autour d’une loi ν0 : après un temps suffisamment long, la probabilité de trouver Ln
dans l’état ` est approximativement ν0 (`).

32
Pour le modèle Bonus-Malus à trois états, les niveaux de bonus forment une chaîne de Markov
ergodique (en effet, elle est irréductible avec un nombre d’états fini donc elle est récurrente
positive, et elle est apériodique car il y a des boucles). Sa mesure stationnaire est donnée par

!0
1 etk (1 − e−tk ) 1 − e−tk e2tk − etk


ν0,tk = , ,
C C C

où C est une constante de normalisation.

Supposons maintenant que le système ait atteint un certain équilibre et qu’il se soit stabilisé (c’est
à dire Ln ∼ ν0 ). Quelle est la probabilité que le conducteur avec un niveau de bonus Ln soit un
bon ou un mauvais conducteur ? Pour cela, on calcule la loi a posteriori de θ, c’est à dire

P {θ = tk | Ln = `}

avec k ∈ {1, 2} et ` ∈ {0, 1, 2}.

Calcul de la loi a posteriori
On sait que Ln ∼ ν0 donc P {Ln = ` | θ = tk } = ν0,tk (`).

P {Ln = ` | θ = tk } P {θ = tk }
P {θ = tk | Ln = `} =
P{Ln = `}
ν0,tk (`)pk
=
ν0,t1 (`)p1 + ν0,t2 (`)p2

où pk = P {θ = tk }.
Calcul de la prime
Supposons que tous les sinistres ont le même montant (disons 1). Combien le conducteur dans
l’état ` devrait-il payer ? On note N son nombre de sinistres. S’il est dans l’état `, il devrait donc
payer
π` = E[N | Ln = `]
Comme N | θ ∼ P(θ)

π` = E [E [N | θ] | Ln = `]
= E [θ | Ln = `]
= t1 P {θ = t1 | Ln = `} + t2 P {θ = t2 | Ln = `}

Remarque 3.32. 1. Le cadre du système Bonus-Malus utilise uniquement le niveau de bonus

comme information sur les comportements des assurés.
2. Dans l’exemple des bons-mauvais conducteurs, il y a une perte d’informations
— Considérons un premier conducteur qui a eu 30 accidents l’an passé
— Un second conducteur qui en a qu’un seul.
— Ils trouvent tous les 2 au niveau 2 dans le système simple de Bonus-Malus, mais le risque
est plus élevé pour le premier conducteur que pour le deuxième.
3. Pour résoudre ce problème, on peut augmenter le nombre de niveaux et changer les
conditions pour passer d’un état à l’autre. Mais il y aura toujours une perte d’informations.
Faiblesses du modèle

33
 1. Une chaîne de Markov homogène est un modèle confortable mais est-ce que les hypothèses
sont réellement vérifiées ?
2. Supposer que le système devient stationnaire est très optimiste ! Sauf si on suppose que le
système est vérifé depuis la nuit des temps (ce qui rend l’hypothèse d’homogénéité moins
réelle).
3. On a besoin de connaître la loi a priori de θ
4. La loi peut changer au cours du temps.

Cas général On généralise le système précédent en

1. augmentant le nombre de niveaux de bonus
2. en considérant des lois plus compliquées pour le facteur de risque θ.
On suppose toujours que le nombre de sinistres d’un assuré avec facteur de risque θ suit une loi de
Poisson de paramètre θ.
Les règles pour passer d’un état à un autre peuvent être plus ou moins compliquées, mais on
suppose toujours que Ln est une chaîne de Markov homogène.

Guide pour étudier un système de Bonus-Malus

1. Déterminer la matrice de transition P (θ) (elle dépend du facteur de risque)
2. Trouver la loi stationnaire ν0,θ
3. Supposer que la chaîne a atteint son état stationnaire et calculer la densité conditionnelle de
θ sachant Ln = `, notée fθ,`
4. Calculer la prime (lorsque le montant des sinistres vaut 1)

ν` = E [θ | Ln = `]
Z
= θfi (θ)dθ
R
tν0,t (`)u(t)dt
= Rt∈Θ
s∈Θ ν0,s (`)u(s)ds

où on a noté u la densité de la loi a priori de θ.

3.2.3 Equilibre du système Bonus-Malus

Nous venons de voir comment calculer la prime d’un assuré dans un système bonus-malus à partir
de la mesure stationnaire d’une chaîne de Markov ; mais que cela n’était possible si on imposait
des conditions fortes sur la loi a priori du profil de risque. Dans cette subsection, nous allons voir
deux approches qui permettent de calculer la prime sans passer par la mesure stationnaire.

Approches de Norberg et de Gilde et Stundt

34
Approche de Norberg L’approche de Norberg est un moyen de trouver la prime π` qui doit
être payée à chaque niveau de bonus sans passer par la mesure stationnaire. On pose πLn = f (Ln )
la prime payée l’année n. Norberg propose alors de trouver f qui minimise
h i
Qf := E (θ − f (Ln ))2

soit f (Ln ) = E [θ | Ln ]. On retrouve donc la prime calculée à partir de la chaîne de Markov.

L’approche de Norberg est intéressante car le choix optimal de πi est lié à la perte quadratique.

Approche de Gilde and Sundt Le problème lorsque l’on calcule la prime comme
π` = E[θ | Ln = `]
est que la fonction ` −→ π` peut être très irrégulière. Pour des raisons « marketing » il peut être
intéressant d’avoir une liste de primes π` qui est peut être facilement comprise par l’assuré. Le
plus souvent, on utilise une échelle linéaire, on impose donc
π` = α + β`
avec α et β à déterminer.
Gilde et Stundt (1989) ont proposé de choisir α et β tels que
h i
Qα,β = E (θ − α − βLn )2

soit minimal, ce qui donne

λCov(Ln , θ)
β =
Var[Ln ]
α = λ − βE [Ln ]
avec λ = E[θ] = P
E[NR] et
— E [Ln ] = ` P {Ln = ` | θ = t} u(t)dt
P Rpour Var[Ln ]
— Formule similaire
— Cov(Ln , θ) = ` tν0,t (`)u(t)dt − λE[Ln ]

Equilibre financier On suppose que

1. X désigne le coût d’un sinistre avec E[X] = µ
2. N désigne le nombre de sinistres d’un assuré avec E[N ] = λ
3. X est indépendent de N
Sans aucun système de Bonus-Malus, tout le monde paierait la même prime E[X]E[N ] = µλ.
Définition 3.33 (Equilibre financier). On dit que le système de Bonus-Malus a atteint l’équilibre
si
E [πLn ] = µλ
L’espérance est prise par rapport aux mesures stationnaires des chaînes de Markov décrivant les
assurés.
Remarque 3.34. Attention ! ! Le terme équilibre est trompeur : si aucun facteur de majoration
est appliqué, la ruine de la compagnie est presque certaine.

35
Equilibre financier dans l’approche de Norberg Dans l’approche de Norberg,
πLn = E [θ | Ln ]
Donc,
E [πLn ] = E [E [θ | Ln ]]
= E [θ]
= E [N ] car N | θ ∼ P(θ)
= λ
Comme ici µ = 1, l’équilibre est atteint.

Equilibre financier dans l’approche de Norberg On remarque que

πLn = λ + β (Ln − E[Ln ])
Donc E[πLn ] = λ. L’équilibre financier est donc atteint.

3.2.4 Hunger for bonuses

Description du phénomène Le comportement de l’assuré peut introduire un biais dans le
calcul de sa prime. En effet, considérons un assuré qui est victime d’un sinistre d’un montant x.
Deux choix s’offrent à lui
— Soit il le déclare à la compagnie d’assurance qui paye. Il descend alors de niveau de bonus.
— Soit il ne le déclare pas, il paye lui-même et il reste au même niveau de bonus.
Ce phénomène s’appelle hunger for bonuses.
Pourquoi est-ce mauvais pour l’assureur ? Cela empêche l’assureur d’obtenir des informations sur
le facteur de risque de l’assuré.
Pourquoi est-ce bon pour l’assureur ? Trop de petits sinistres peuvent entraîner un grand coût
administratif.

Exemple Reprenons notre système de Bonus-Malus à 3 niveaux. On note µ le coût moyen des
sinistres. Si un assuré est dans un état `, il doit payer π` µ. Pour simplifier, supposons que µ = 1.
Supposons que l’assuré n’aura pas d’autres accidents pendant l’année (dans certaines assurances,
un assuré a jusqu’au 31 décembre pour déclarer son sinsitre, à cette date, l’assureur doit savoir
combien de sinistres sont survenus au cours de l’année).
L’assuré, qui se trouve cette année au niveau 1, a été victime d’un accident d’un montant x.
Doit-il le déclarer ?
Que se passerait-il l’an prochain s’il le déclare ou pas ? Pour les deux prochaines années, il paiera
Pas de sinistre l’an prochain Sinistre l’an prochain
Sinistre non déclaré x + π0 + π0 x + π0 + π1
Sinistre déclaré π2 + π1 π2 + π2
Soit p la probabilité d’avoir au moins d’un sinistre au cours d’une année. Alors, si
p(π2 + π2 ) + (1 − p)(π1 + π2 ) ≥ x + p(π1 + π0 ) + (1 − p)(π0 + π0 )
l’assuré n’a pas intérêt à déclarer son sinistre (s’il a une horizon de deux ans).

36
Remarque 3.35. 1. Ceci n’est qu’une simple discussion si l’assuré est victime d’un accident l’an
prochain, il peut aussi choisir de ne pas le déclarer.
2. Des stratégies optimales peuvent être calculées en considérant des systèmes de Bonus-Malus
plus complexes. Généralement, ils prennent en compte une actualisation des coûts
3. La loi du montant des sinistres joue un rôle crucial dans le phénomène du hunger for bonuses.
— X = µ p.s. (ou très concentré autour de µ), pas de hunger for bonuses (ou presque pas)
— X avec des grandes fluctuations, plus de risque que le montant du sinistre soit inférieur à
la valeur déclenchant le phénomène de hunger for bonuses.

4 Provisionnement technique
4.1 Introduction
Dans les deux chapitres précédents, nous avons vu comment calculer la prime d’un assuré d’une
part à partir de certains de ses caractéristiques et d’autre part à partir de l’information recueillie
sur ses précédents sinistres. Mais, calculer la prime d’un assuré ne suffit pas à assurer le bon
fonctionnement d’une compagnie d’assurance. Il faut également que la compagnie soit sûre de
pouvoir payer les sinistres lorsqu’ils surviennent. Le but du provisionnement technique est donc
d’estimer les réserves ou les provisions que doit faire la compagnie pour être en mesure de faire
face aux paiements des sinistres.
A une date t donnée, une compagnie d’assurance doit faire des provisions pour être en mesure de
payer pour des sinistres survenus avant cette date. Il faut donc pour cela tenir compte,
évidemment des sinistres qui ont déjà été déclarés mais également des sinistres survenus mais non
déclarés (IBNR, Incurred but not Reported). Ici, nous ne tiendrons pas compte des actions que
possède la compagnie ni des éventuelles primes impayéesn mais pour être le plus précis possible, il
faudrait en tenir compte dans l’estimation des provisions.
En général, les paiements des sinistres étant échelonnés, on raisonne par année de survenance et on
suppose qu’il existe une certaine stabilité dans la cadence de paiements. Les estimations sont faites
soit par des méthodes déterministes soit par des méthodes stochastiques. La qualité des données
joue un rôle crucial dans la performance des méthodes.
On notera
— i l’année de survenance, soit l’année où le sinistre est survenue ;
— j l’année de développement, c’est-à-dire le nombre d’années après l’année de survenance où
un paiement est effectué. Si i est l’année de survenance et j l’année de développement alors
un paiement est effectué l’année calendaire i + j ;
— Xi,j le montant du paiements effectué l’année (i + j) pour tous les sinistres survenus
l’année i ;
— Ci,j le montant cumulé des paiements effectués pendant j années depuis l’année i pour tous
les sinistres survenus l’année i, soit
j
X
Ci,j = Xi,h
h=0

et
Xi,j = Ci,j − Ci,j−1

37
On les représente souvent sous forme de triangles.

Devpt 0 Devpt 1 ... Devpt j ... Devpt n − i ... Devpt (n − 1) Devpt n

Surv 0 C0,0 C0,1 ... C0,j ... C0,n−i ... C0,n−1 C0,n
Surv 1 C1,0 C1,1 ... C1,j ... C1,n−i ... C1,n−1 ?
.. .. .. .. .. .. .. ..
. . . . . . . . ? ?
Surv i Ci,0 Ci,1 ... Ci,j ... Ci,n−i ? ? ?
.. .. .. .. .. ..
. . . . . . ? ? ? ?
Surv (n − 1) Cn−1,0 Cn−1,1 ? ? ? ? ? ? ?
Surv n Cn,0 ? ? ? ? ? ? ? ?

La valeur de chaque cellule du tableau correspond à Ci,j donc au montant cumulé des paiements
effectués pendant j années depuis l’année i pour tous les sinistres survenus l’année i. Chaque
diagonale représente une année calendaire. Les « ? » représentent les temps auxquels on aimerait
estimer les montants devant être payés. En particulier, la dernière avant les points d’interrogation
correspond à l’année n qui est la dernière année où l’on connaît tous les paiements qui ont été
effectués. Le but du provisionnement est donc de trouver une méthode pour estimer ces paiements
inconnus.
On peut également représenter les paiements échelonnés Xi,j sous forme de triangles mais
attention, en général, les méthodes de provisionnement s’appliquent sur les paiements cumulés.
La provision l’année i correspond à ce qu’il faut mettre de côté pour pouvoir payé les sinistres
survenus l’année i disons en n années. Elle peut donc être estimée par

R bi,n − Ci,n−i
bi = C

c’est à dire ce qu’il doit avoir été payé l’année n pour l’année i moins ce qu’on a déjà payé jusqu’à
l’année n. Comme on ne connaît pas le montant exact des sinistres qui n’ont pas encore été
déclarés, on estime ce qu’il doit être payé. Pour cela, il existe des méthodes déterministes ainsi que
des méthodes stochastiques. La plupart de ces méthodes sont basées sur la méthode de
Chain-Ladder.

4.2 Méthodes déterministes

4.2.1 Méthode de Chain-Ladder
La méthode de Chain-Ladder est une méthode déterministe fréquemment utilisée car elle est facile
à mettre en oeuvre. Elle s’applique aux triangles de paiements cumulés.
C
Les rapports Ci,j+1
i,j
sont appelés les facteurs de développement. La méthode de Chain-Ladder
repose l’hypothèse forte suivante :
Hypothèses 4.1 (Hypothèses pour le Chain-Ladder). Les facteurs de développement sont supposés
indépendants de l’année d’origine i, c’est-à-dire pour j = 0, . . . , n − 1 fixé
Ci,j+1
:= fj pour tout i .
Ci,j

38
Pour valider grossièrement cette hypothèse, on vérifie si approximativement
C0,j+1 C1,j+1 Cn−j−1,j+1
= = ... = = cste .
C0,j C1,j Cn−j−1,j

Dans ce cas, ces rapports devraient approximativement être égaux à

Pn−j−1
Ci,j+1
Pi=0
n−j−1
.
i=0 Ci,j

En effet,
Pn−j−1
Ci,j+1
Pi=0
n−j−1
i=0 Ci,j
C0,j+1 C0,j C1,j+1 C1,j Cn−j−1,j+1 Cn−j−1,j
= Pn−j−1 + Pn−j−1 + ... + Pn−j−1
C0,j i=0 Ci,j C1,j i=0 Ci,j Cn−j−1,j i=0 Ci,j
C0,j C1,j Cn−j−1,j
≈ fj Pn−j−1 + fj Pn−j−1 + . . . + fj Pn−j−1
i=0 Ci,j i=0 Ci,j i=0 Ci,j
Pn−j−1
Ci,j
= fj Pi=0
n−j−1
i=0 Ci,j
= fj .

Ainsi, pour estimer les facteurs de développement on procède de la façon suivante :

1. Calculer pour tout j
Pn−j−1
Ci,j+1
fbj = Pi=0
n−j−1
i=0 Ci,j
2. En déduire une estimation des paiements cumulés, pour tout j = 0, . . . , n

C
bi,j = fbj−1 fbj−2 . . . fbj−i Ci,j−i

En effet, supposons que l’année en cours est l’année n , alors pour l’année i, on connaît les
paiements pour n − i années après. Donc

Ci,j = fj−1 Ci,j−1 = fj−1 fj−2 Ci,j−2 = . . . = fj−1 fj−2 . . . fj−i Ci,j−i

3. Puis, une estimation de la provision pour l’année i

R bi,n − Ci,n−i
bi,n = C

On peut également vérifier que les couples (Ci,j , Ci,j+1 )i=0,...,n−j−1 sont sensiblement alignés sur
une droite passant par l’origine. En effet, pour j fixé, on a supposé qu’il existait un coefficient fj
tel que Ci,j+1 = fj Ci,j .
Exemple 4.2. En 2017, on a recensé les montants suivants pour des sinistres s’étant produits de
2012 à 2017.

39
 Année d’occurrence Montant réel des sinistres
2012 3901
2013 5090
2014 4873
2015 5401
2016 6563
2017 6358

On représente ensuite l’échelonnement des paiements.

0 1 2 3 4 5 Somme
2012 1232 946 520 722 316 165 3901
2013 1469 1201 708 845 461 ? 4984
2014 1652 216 159 554 ? ? 2581
2015 1831 634 124 ? ? ? 2589
2016 1874 119 ? ? ? ? 1993
2017 2434 ? ? ? ? ? 2434

On construit maintenant le tableau pour les paiements cumulés

0 1 2 3 4 5 Somme
2012 1232 2178 2698 3420 3736 3901 3901
2013 1469 2670 3378 4223 4684 ? 4984
2014 1652 1868 2027 2581 ? ? 2581
2015 1831 2465 2589 ? ? ? 2589
2016 1874 1993 ? ? ? ? 1993
2017 2434 ? ? ? ? ? 2434

On calcule ensuite les facteurs de développement

0 1 2 3 4 5
2012 1232 2178 2698 3420 3736 3901
2013 1469 2670 3378 4223 4684 ?
2014 1652 1868 2027 2581 ? ?
2015 1831 2465 2589 ? ? ?
2016 1874 1993 ? ? ? ?
2017 2434 ? ? ? ? ?
1.353 1.164 1.262 1.102 1.044

Par exemple,
3420 + 4223 + 2581
1.262 ≈
2698 + 3378 + 2027
Puis, on estime les paiements cumulés en utilisant les facteurs de développement

40
 0 1 2 3 4 5
2012 1232 2178 2698 3420 3736 3901
2013 1469 2670 3378 4223 4684 4891
2014 1652 1868 2027 2581 2843 2968
2015 1831 2465 2589 3267 3599 3758
2016 1874 1993 2321 2928 3226 3368
2017 2434 3293 3835 4839 5331 5566
1.353 1.164 1.262 1.102 1.044

Finalement, on peut calculer les provisions pour chaque année de survenance en faisant la
différence entre la dernière colonne et la diagonale.

Année Provisions
2013 207
2014 387
2015 1169
2016 1375
2017 3132
Total 6270

4.2.2 Méthode London chain

La méthode London chain est une modification de la méthode Chain-Ladder.
Hypothèses 4.3. On suppose que
Ci,j+1 = fj Ci,j + aj
pour i = 0, . . . , n − j − 1.
Ainsi, les couples (Ci,j , Ci,j+1 )i=0,...,n−j−1 doivent toujours être alignés mais cette fois-ci sur une
droite ne passant plus nécessairement par l’origine.
Les coefficients peuvent être estimés en minimisant l’erreur quadratique
  n−j−1
X
baj , fbj = arg min (Ci,j+1 − a − f Ci,j )2
a,f
i=0

4.2.3 Méthode de London pivot

La méthode de London pivot est un compromis entre la méthode de Chain-Ladder et la méthode
de London Chain.
Hypothèses 4.4. On suppose que
Ci,j+1 = fj (Ci,j + a)
pour i = 0, . . . , n − j − 1.
La différence principale est qu’on décompose l’ordonnée à l’origine en fj a, il y a donc moins de
coefficients à estimer. Pour l’estimation, on introduit la quantité suivante

X n−j−1
n−1 X
∆(a, f0 , . . . , fj , . . . , fn−1 ) = (Ci,j+1 − fj (Ci,j + a))2
j=0 i=0

41
et on estime les coefficients de la façon suivante

(b
a, fb0 , . . . , fbj , . . . , fbn−1 ) = arg min ∆(a, fo , . . . , fj , . . . , fn−1 )
a,f0 ,...,fn−1

4.3 Méthodes stochastiques

4.3.1 Méthode de Mack
La version stochastique de Chain Ladder a été introduite par T. Mack en 1932, qui est simplement
une version stochastique de la méthode de Chain-Ladder. Elle permet notamment une estimation
des erreurs commises lors de l’estimation des provisions par la méthode de Chain Ladder standard.
Elle repose sur les trois hypothèses suivantes
Hypothèses 4.5. On suppose que
1. il y a indépendance entre les années de survenance :
les vecteurs (Ci1 ,j )j=0,...,n et (Ci2 ,j )j=0,...,n sont indépendants pour i1 6= i2 .
2. Il existe des paramètres fj tels que pour tout i

E [Ci,j+1 | Ci,j , Ci,j−1 , . . . , Ci,0 ] = fj Ci,j

3. Pour tous i et j
Var [Ci,j+1 | Ci,j , Ci,j−1 , . . . , Ci,0 ] = σj2 Ci,j

La première hypothèse signifie que les montants cumulés de recouvrement sont indépendants pour
chaque année de survenance. Les hypothèses 2 et 3 permettent de considérer chaque facteur de
développement Ci,j+1 /Ci,j comme une variable aléatoire d’espérance conditionnelle
 
Ci,j+1
E | Ci,j , Ci,j−1 , . . . , Ci,0 = fj
Ci,j

et de variance conditionnelle
σj2
 
Ci,j+1
Var | Ci,j , Ci,j−1 , . . . , Ci,0 =
Ci,j Ci,j

Ainsi, sous les hypothèses précédentes, si on note F la tribu engendrée par l’ensemble des Ci,j tels
que i + j ≤ n (c’est-à-dire ceux qui sont observés)

E [Ci,n | F] = fn−1 . . . fn−i Ci,n−i

En effet,

E [Ci,n | F] = E [Ci,n | Ci,0 , . . . , Ci,n−i ]

= E [E [Ci,n | Ci,0 , . . . , Ci,n−1 ] | Ci,0 , . . . , Ci,n−i ]
= E [fn−1 Ci,n−1 | Ci,0 , . . . , Ci,n−i ]
..
.
= fn−1 . . . fn−i Ci,n−i

42
 bi,n a la même forme que E [Ci,n | F] qui est la même
Ce résultat montre que l’estimateur C
approximation de Ci,n comme fonction de l’information F. Les quantités
Pn−j−1
Ci,j+1
fj = Pi=0
b
n−j−1
i=0 Ci,j

sont des estimateurs sans biais et non corrélés des fj .

En effet, soit Bk = {Ci,j | j ≤ k, i + j ≤ n} pour 1 ≤ k ≤ n. Alors sous les hypothèses 1 et 2,

E [Ci,k+1 | Bk ] = E [Ci,k+1 | Ci,0 , . . . , Ci,k ]

Donc,
Pn−k−1
j=0 E[Cj,k+1 | Bk ]
E[fbk | Bk ] = Pn−k−1 = fk
j=0 Cj,k
ce qui implique
E[fbk ] = E[E[fbk | Bk ]] = fk
De plus, pour j < k

E[fbj fbk ] = E[E[fbj fbk | Bk ]]

= E[fbj E[fbk | Bk ]]
= E[fbj ]fk
= E[fbj ]E[fbk ]

Les (σj2 )j sont estimés par

n−j−1  2
1 X Ci,j+1
bj2
σ = Ci,j − fj
b
n−j Ci,j
i=0

Donc
C
bi,n = fbn−1 . . . fbn−i Ci,n−i

On peut alors calculer l’erreur quadratique moyenne (mean squared error) définie par
 2 
M SE(Cbi,n ) = E C bi,n − Ci,n | F

Comme Ri − R
bi = Ci,n − C
bi,n , (Ri = Ci,n − Ci,n−i )

M SE(R
bi ) = M SE(C
bi,n )

et on a la décomposition biais-variance suivante

h i  h i2
M SE(C
bi,n ) = Var Cbi,n | F + Cbi,n − E Cbi,n | F

Ainsi, un estimateur naturel de l’erreur quadratique de la provision pour l’année i est donné par

43
 n−1
!
h i X bj2
σ 1 1
Md
SE R
bi = C
bi,n + Pn−j−1
j=n−i+1 fb2
j Ci,j
b Ck,j
k=0

La racine carrée de l’erreur standardisée d’un estimateur de l’erreur quadratique moyenne est
définie comme l’erreur standardisée de Rbi .
On définit la provision totale R comme la somme des provisions
X
R= Ri
i

et donc X
R
b= R
bi
i

On peut donc estimer l’erreur sur la provision totale par

n n−1
!
X X X σj2
2b
Md
SE(R)
b = Md
SE(R
bi ) + C
bi,n C
bk,n
b2 n−j Ck,j
P
i k=i+1 j=n−i+1 fj k=1

4.3.2 Méthodes des GLM

L’idée est de modéliser Xi,j (le montant total des paiements pour des sinistres survenus l’année i
faits après j années de développement) par un GLM. Les variables explicatives sont l’année
d’origine i et les années de développement j. On suppose donc que Xi,j suit une loi qui appartient
à une famille exponentielle de paramètres canonique θi,j et de dispersion φ. Souvent On choisit
souvent une loi de binomiale négative ou une loi Gamma et on utilise un offset wi,j égal à 1/Pi où
Pi est le montant total des primes perçues l’année i.
On reprend les notations E[Xi,j | (i, j)] = µi,j et on suppose que la fonction de lien est de la forme

g(µi,j ) = c0 + αi + βj

Par exemple, si g = log, alors

µi,j = exp (c0 + αi + βj )
> L’estimation des paramètres c0 , αi et βj se fait par maximum de vraisemblance. On en déduit
Xbi,j = µ
bi,j pour les années non observées. Puis, on estime C
bi,j et R bi,n − Ci,n−i .
bi = C
On peut déduire de la loi asymptotique des paramètres celle de Ri et donc de construire des
b
intervalles de confiance.
En ce qui concerne le diagnostic du modèle, on procède comme dans la première partie du cours
avec la déviance. Comme précédemment, la puissance des tests est petite dû au fait que l’on
dispose de très peu de données.

5 Gestion du risque
Dans les chapitres précédents, nous avons vu qu’il n’était pas suffisant de déterminer la prime d’un
assuré pour éviter la ruine d’une compagnie d’assurance et qu’il était également important de faire
des provisions pour être en mesure de faire face aux paiements en cas de sinistre. Ce dernier

44
chapitre traite de la gestion du risque. Le but est d’estimer le montant des fonds propres de la
compagnie d’assurance afin qu’elle puisse assumer ses engagements envers ses assurés. Après avoir
défini formellement ce qu’est la gestion du risque nous ferons une brève introduction à la théorie
des valeurs extrêmes.
Le but principal de la gestion du risque est de déterminer le capital qui devrait être rassemblé
pour éviter la ruine à l’entreprise. Le problème n’est pas seulement de déterminer la valeur
moyenne des coûts des sinistres mais de garder aussi une marge raisonnable pour prévenir la ruine.
Solvabilité II est une réforme réglementaire européenne du monde de l’assurance. Son objectif est
de mieux adapter les fonds propres exigés des compagnies d’assurance et de réassurance aux
risques que celles-ci encourent dans leur activité. La date d’effet de cette directive est le 1er janvier
2016. Les assureurs et réassureurs seront contraints de mesurer leurs risques et de s’assurer qu’ils
ont suffisamment de fonds propres pour les couvrir. Le niveau de probabilité de 99,5% a été celui
retenu pour assurer que l’assureur (ou le réassureur) puisse assumer ses engagements envers ses
assurés avec une certaine probabilité.
P
Définition 5.1 (Value-at-Risk). Soit R la somme totale des provisions, soit R = i Ri . Alors la
Value-at-Risk est définie comme

V aRα = inf {x : P (R ≤ x) = 1 − α}

La Value-at-Risk d’ordre 99.5% correspond à α = 0.005.

Pour calculer la VaR, il existe au moins trois méthodes
— en proposant une loi pour R
— avec la théorie des valeurs extrêmes
— avec du bootstrap non paramétrique (non traité ici)

5.1 Loi pour R

L’idée est de calculer la V aR comme le quantile associé à une loi de R. Pour cela,
— Soit on suppose que R et R b sont gaussiens et on estime leur variance.
— Soit on utilise une approche GLM et on calcule les quantiles grâce au choix d’une famille
exponentielle.
Dans le cas où il est difficile d’obtenir une formule explicite de la VaR, on peut utiliser des
méthodes de simulations de type Monte Carlo.
Le problème de cette méthode est qu’elle ne permet pas de prendre en compte les événements
extrêmes alors que la VaR correspond en fait à un quantile extrême. Nous allons donc voir
comment la théorie des valeurs extrêmes permet de répondre à cette question.

5.2 Introduction à la théorie des valeurs extrêmes

5.2.1 Introduction
Dans la nuit du 31 janvier au 1er février 1953, une tempête submergea plusieurs centaines de
kilomètres de digues le long de la côte néerlandaise. L’inondation tua 1836 personnes et détruisit
50 000 habitations. A la suite de cette catastrophe, il fut décidé de construire une digue dont la
hauteur devait assurer qu’il n’y ait pas plus d’une inondation tous les 10 000 ans. Les données
disponibles ne couvrant qu’une période de 100 ans, comment déterminer une hauteur de digue qui
ne soit dépassée qu’une fois tous les 10 000 ans ?

45
Pour le statisticien, déterminer la hauteur de la digue, c’est estimer un quantile. Prendre comme
référence la plus haute vague reviendrait à considérer que le pire s’est déjà produit.
La statistique classique a pour but d’utiliser les données disponibles afin d’en retirer le maximum
d’informations et de modéliser au mieux la loi du hasard régissant le phénomène. Les événements
extrêmes, c’est-à-dire un événement qui prend de très petites ou de très grandes valeurs, se prêtent
difficiellement à l’application de la statistique classique puisque les données sont peu nombreuses
voire inexistantes. L’information la plus précise est celle contenue dans les valeurs les plus
extrêmes observées. La théorie des valeurs extrêmes fournit le cadre mathématique probabiliste
rigoureux pour répondre à cette problématique.
La théorie des valeurs extrêmes a pour but d’étudier et de caractériser le comportement des
valeurs extrêmes d’un échantillon de variables aléatoires. Intuitivement, les valeurs extrêmes
peuvent être vues comme les plus grandes observations d’un échantillon ou comme les observations
dépassant un certain seuil. On peut donc s’attendre à ce que leur comportement soit lié à
l’épaisseur de la queue de la loi de l’échantillon.
On souhaite estimer des quantités dont la probabilité d’observation est très faible. Ces quantités
sont en fait des quantiles : on parle de quantile extrêmes lorsque l’ordre du quantile converge vers
0 quand la taille de l’échantillon tend vers l’infini. Ces quantiles extrêmes se trouvent dans la
queue de distribution de la loi de l’échantillon.

Définition 5.2 (Quantile). Le quantile d’ordre 1 − α de la fonction de répartition F est défini par

q(α) = inf {y : 1 − F (y) ≤ α}

avec α ∈ [0, 1].

Définition 5.3 (Quantile extrême). Le quantile extrême d’ordre 1 − αn de la fonction de

répartition F est défini par
q(αn ) = inf {y : 1 − F (y) ≤ αn }
avec αn → 0 quand n → ∞.

Autrement dit, un quantile sera dit extrême si l’on remplace son ordre α par une suite αn qui tend
vers 0 avec n. Le fait que αn tende vers 0 indique que l’information la plus importante pour
estimer des quantiles extrêmes est contenue dans la queue de distribution.

Définition 5.4 (Période de retour, Niveau de retour). On appelle période de retour la fonction T
donnée par
1
T (y) =
1 − F (y)
On définit le niveau de retour q comme la fonction inverse de la période de retour
   
1 ← 1
q = (1 − F )
T T

où F ← est l’inverse généralisé de F .

La période de retour représente le nombre d’observations tel que, en moyenne, il y ait une
observation égale ou supérieure à y. Le niveau de retour représente la valeur qui sera dépassé pour

46
une certaine période de retour (de probabilité : 1/T ). Un niveau de retour à un an revient à
calculer le quantile d’ordre 1/365.25, soit 0.2737%.
Un évément extrême est un événement dont le temps de retour est grand.
Quelle est la probabilité d’observer un événement extrême ayant une valeur plus grand que le
maximum de l’échantillon ? Autrement dit, quelle est la probabilité que le quantile extrême soit
plus grande que le maximum observé ?
On considère n variables aléatoires i.i.d. X1 , . . . , Xn de fonction de répartition F . On considère les
statistiques d’ordre associées X1,n ≥ . . . ≥ Xn,n (Attention, je considère le réarrangement
décroissant des Xi de telle sorte que X1,n représente le maximum et Xn,n le minimum).
Remarquons que les statistiques d’ordre ne sont pas i.i.d. par définition.
Soit αn → 0, alors

P {X1,n ≤ q(αn )} = P {∀i, Xi ≤ q(αn )}

Yn
= P {Xi ≤ q(αn )}
i=1
= F n (q(αn ))
= (1 − αn )n
= exp(n log(1 − αn ))
= exp(−nαn (1 + o(1)))

La probabilité que le quantile extrême soit plus grand que le maximum dépend donc du
comportement asymptotique de nαn . Ainsi, lorsque l’on souhaite estimer des quantiles extrêmes,
on doit faire la distinction entre deux cas.
Premier cas : nαn → ∞, alors P {X1,n ≤ q(αn )} → 0
Dans ce cas, le quantile à estimer se trouve avec grande probabilité dans l’échantillon. Son
estimation requiert donc une interpolation à l’intérieur de l’échantillon : un estimateur naturel est
Xbnαn c,n . Cet estimateur est asymptotiquement gaussien. Remarquons que la condition nαn → ∞
correspond à un temps de retour Tn = 1/αn petit devant n.
Second cas : nαn → 0, alors P {X1,n ≤ q(αn )} → 1
On cherche alors à estimer un quantile qui se trouve en dehors de l’échantillon avec grande
probabilité. Dans ce cas, l’estimateur de q(αn ) ne peut être obtenu en inversant simplement la
fonction de répartition empirique. On est dans le cas où αn converge rapidement vers 0 autrement
dit cela revient à supposer que le quantile q(αn ) tend suffisamment vite vers ∞ quand n → ∞.
Remarquons que la condition nαn → 0 correspond à un temps de retour Tn = 1/αn grand devant
n. Par conséquent, on ne peut pas estimer le quantile de manière empirique. Dans une telle
situation, l’estimation du quantile extrême requiert une extrapolation au-delà de l’échantillon.
En théorie des valeurs extrêmes, il existe deux points de vue différents. La première approche
étudie les limites possibles pour le maximum d’un échantillon et la deuxième les excès par rapport
à un seuil τ préalablement choisi.

5.2.2 Méthode des maxima par blocs

On considère n variables aléatoires i.i.d. X1 , . . . , Xn de fonction de répartition F . On considère les
statistiques d’ordre associées X1,n ≥ . . . ≥ Xn,n (Attention, je rappelle que je considère le
réarrangement décroissant des Xi ). Remarquons que les statistiques d’ordre ne sont pas i.i.d. par

47
définition. Que pouvons-nous dire du comportement du maximum X1,n ? Ce comportement est
caractérisé par F :

P {X1,n ≤ x} = P {∀i, Xi ≤ x}
Yn
= P {Xi ≤ x}
i=1
= F n (x)

Ainsi, (
n 1 si x ≥ xF
lim P {X1,n ≤ x} = lim F (x) =
n→∞ n→∞ 0 si x < xF
où xF = sup {y ∈ R, F (y) < 1} est le point terminal de F . Ce résultat montre que la loi de X1,n
est dégénérée, donc pour obtenir une loi non-dégénérée il faut normaliser X1,n avec des constantes
bien choisies.
Le théorème fondamental de la théorie des valeurs extrêmes identifie la famille de lois limites
possibles pour X1,n
Théorème 5.5. Soit (Xn )n≥1 une suite de v.a. i.i.d. de fonction de répartition F . S’il existe deux
suites normalisantes réelles (an )n≥1 > 0 et (bn )n≥1 ∈ R et une loi non dégénérée de fonction de
répartition Gγ telles que
 
X1,n − bn
lim P ≤ x = lim F n (an x + bn ) = Gγ (x)
n→∞ an n→∞

en tout point de continuité x de Gγ , alors Gγ est de la forme

 
−1/γ
Gγ (x) = exp −(1 + γx)+

avec γ ∈ R et z+ = max(0, z).

Remarque 5.6.
Le cas γ = 0 peut être vu comme le cas limite lorsque γ → 0. On retrouve alors la loi de Gumbel
ayant pour fonction de répartition

G0 (x) = exp (− exp(x))

Quand les hypothèses du théorème sont vérifiées, on dit que F appartient au domaine d’attraction
de Gγ .
Le comportement limite du maximum normalisé est ainsi décrit par la fonction de répartition Gγ
pour la plus grande partie des lois usuelles. Gγ est appelée fonction de répartition de la loi de
valeurs extrêmes généralisées.
Ce théorème affirme que la famille des lois limites du maximum normalisé d’une suite de v.a. i.i.d.
est paramétrée par un seul paramètre γ. Ce paramètre γ est la clé dans l’étude des valeurs
extrêmes. On distingue trois domaines d’attraction selon le signe de γ.
— Si γ > 0, F appartient au domaine de Fréchet. Il contient les lois dont la fonction de survie
est à décroissance polynomiale, c’est-à-dire les lois à queues lourdes. Ex : Pareto, Student,
Fréchet, Cauchy

48
 — Si γ = 0, F appartient au domaine de Gumbel. Il contient les lois dont la fonction de survie
est à décroissance exponentielle, c’est-à-dire les lois à queue légère. Ex : normale,
exponentielle, Gumbel, Gamma
— Si γ < 0, F appartient au domaine de Weibull. Toutes les lois de ce domaine ont un point
terminal xF fini. Ex : Uniforme, Beta
La méthode des maxima par blocs consiste à construire une suite de maxima i.i.d. afin de pouvoir
ajuster une loi de valeurs extrêmes généralisée. Supposons que nous observons X1 , X2 , . . . i.i.d. que
nous avons rangés en m blocs de taille n. Une loi de valeurs extrêmes généralisée est alors ajustée.
Les quantiles extrêmes correspondent alors aux quantiles de la loi ajustée.

5.2.3 Méthode PoT

Cette méthode coniste à ne garder que les observations ayant dépassé un certain seuil.
On considère toujours une suite de v.a. i.i.d. X1 , . . . , Xn et on fixe un seuil u < xF . Soit
Xi1 , . . . , XiNu les Nu variables qui ont dépassé le seuil u. On note alors Zj := Xij − u où
j = 1, . . . , Nu les excès au-delà du seuil u.
Soit Fu la fonction de répartition de l’excès Z au delà du seuil u. La loi des excès est celle de v.a.
admettant pour fonction de répartition Fu (x) = P {Z ≤ x | Z > u} représentant le probabilité que
la v.a. X ne dépasse pas le seuil u de au moins une quantité x sachant qu’elle dépasse u.
Le théorème suivant identifie la famille des lois limites de la loi des excès.

Théorème 5.7. Soit X1 , X2 , . . . une suite de v.a. i.i.d. de fonction de répartition F . Si

F appartient au domaine d’attraction d’une GEV, alors il existe des constantes αu > 0 et βu telles
que
lim Fu (αu x + βu ) = Hσ,γ (x)
x→uF

en tout point de continuité x de Hσ,γ et Hσ,γ est de la forme

 x −1/γ
Hσ,γ (x) = 1 − 1 + γ , x≥0
σ +
Hσ,γ est appelée loi de Pareto généralisée.
Remarque 5.8. — Le cas γ = 0 peut être vu comme la limite lorsque γ tend vers 0, on
retrouve alors la loi exponentielle de paramètre σ.
— On retrouve les mêmes domaines que pour les GEV.
La méthode PoT consiste à fixer un seuil u puis à ajuter une loi de Pareto généralisée sur les excès
au dela de ce seuil u.
Une fois que l’on a appliqué l’une ou l’autre de ces deux méthodes on dispose d’une loi pour le
maximum ou les excès on peut alors en déduire des quantiles extrêmes comme par exemple la VaR.

5.3 Conclusion
La tarification d’un contrat d’assurance non-vie est un équilibre entre la mutualisation et
l’individualisation de la prime. Typiquement, il existe deux méthodes pour l’estimation de la
prime : soit une loi a priori (en utilisant les caractéristiques de l’assuré sans aucune expérience sur
son risque) soit une loi a posteriori (en utilisant l’information dont on dispose sur l’assuré pour

49
comprendre son comportement). Le provisionnement revient à mesurer les engagements de
l’assureur.
Dans ce cours, on a vu uniquement les modèles basiques utilisés en assurance. Ces modèles sont
assez simples, la principale raison pour ne pas utiliser des modèles plus complexes est le manque
de données ou de bases de données appropriées. De plus, ils sont faciles à comprendre et à utiliser
du point de vue opérationnel.

50