Mémoires d'Actuariat
Génération stochastique de trajectoires climatiques pour la modélisation de la fréquence du risque inondation
Auteur(s) TANNE M.
Société Forsides
Année 2024
Confidentiel jusqu'au 19/09/2026
Résumé
Dans ses récents rapports, le GIEC alerte sur l’augmentation rapide des températures, des catastrophes naturelles et leurs impacts en matière de sinistralité. Dans ce contexte, les assureurs/réassureurs doivent disposer d’outils de modélisation efficaces pour évaluer et anticiper ces risques. Parmi les approches existantes, Forsides a développé un modèle simplifié basé sur des données historiques (inondations, climat, géographie) et une approche machine learning pour estimer le nombre annuel d’inondations par département. Cependant, cette première version, fondée sur un nombre limité de trajectoires climatiques issues du programme DRIAS, nécessite des améliorations. Ce mémoire propose deux méthodologies stochastiques pour générer de nouvelles trajectoires climatiques. Ces méthodes visent deux objectifs distincts : le long terme, pour capter l’évolution de la fréquence des inondations, et le court terme, pour affiner les estimations dans un futur proche. Après une présentation du risque d’inondation dans le contexte assurantiel et des outils de modélisation, le modèle de Forsides sera détaillé (données et algorithme). Les méthodologies de génération stochastique et leurs résultats seront ensuite exposés. Enfin, les projections du nombre d’inondations, basées sur ces deux approches, seront comparées aux valeurs réelles à court terme et aux moyennes historiques à long terme.
Abstract
In its recent reports, the IPCC warns of the rapid rise in temperatures, natural disasters, and their impacts on claims. In this context, insurers and reinsurers must rely on effective modeling tools to assess and anticipate these risks. Among existing approaches, Forsides has developed a simplified model based on historical data (floods, climate, geography) and a machine learning approach to estimate the annual number of floods per department. However, this initial version, based on a limited number of climate trajectories provided by the DRIAS program, requires further enhancement. This study proposes two stochastic methodologies for generating new climate trajectories. These methods address two distinct objectives: long-term projections to capture the evolution of flood frequency trends and short-term projections to refine estimates for the near future. Following an introduction to flood risk in the insurance context and existing modeling tools, the Forsides model will be detailed (data and algorithm). The stochastic generation methodologies and their results will then be presented. Finally, flood projections based on these two approaches will be compared to actual short-term values and historical averages for long-term forecasts.
Auteur(s) TANNE M.
Société Forsides
Année 2024
Confidentiel jusqu'au 19/09/2026
Résumé
Dans ses récents rapports, le GIEC alerte sur l’augmentation rapide des températures, des catastrophes naturelles et leurs impacts en matière de sinistralité. Dans ce contexte, les assureurs/réassureurs doivent disposer d’outils de modélisation efficaces pour évaluer et anticiper ces risques. Parmi les approches existantes, Forsides a développé un modèle simplifié basé sur des données historiques (inondations, climat, géographie) et une approche machine learning pour estimer le nombre annuel d’inondations par département. Cependant, cette première version, fondée sur un nombre limité de trajectoires climatiques issues du programme DRIAS, nécessite des améliorations. Ce mémoire propose deux méthodologies stochastiques pour générer de nouvelles trajectoires climatiques. Ces méthodes visent deux objectifs distincts : le long terme, pour capter l’évolution de la fréquence des inondations, et le court terme, pour affiner les estimations dans un futur proche. Après une présentation du risque d’inondation dans le contexte assurantiel et des outils de modélisation, le modèle de Forsides sera détaillé (données et algorithme). Les méthodologies de génération stochastique et leurs résultats seront ensuite exposés. Enfin, les projections du nombre d’inondations, basées sur ces deux approches, seront comparées aux valeurs réelles à court terme et aux moyennes historiques à long terme.
Abstract
In its recent reports, the IPCC warns of the rapid rise in temperatures, natural disasters, and their impacts on claims. In this context, insurers and reinsurers must rely on effective modeling tools to assess and anticipate these risks. Among existing approaches, Forsides has developed a simplified model based on historical data (floods, climate, geography) and a machine learning approach to estimate the annual number of floods per department. However, this initial version, based on a limited number of climate trajectories provided by the DRIAS program, requires further enhancement. This study proposes two stochastic methodologies for generating new climate trajectories. These methods address two distinct objectives: long-term projections to capture the evolution of flood frequency trends and short-term projections to refine estimates for the near future. Following an introduction to flood risk in the insurance context and existing modeling tools, the Forsides model will be detailed (data and algorithm). The stochastic generation methodologies and their results will then be presented. Finally, flood projections based on these two approaches will be compared to actual short-term values and historical averages for long-term forecasts.
