Mémoires d'Actuariat
Utilisation du smart contract pour la gestion des complémentaires santé collectives
Auteur(s) SAFAIE T.
Société Axa France
Année 2024
Confidentiel jusqu'au 26/01/2026
Résumé
L’objectif de ce mémoire est de mener une réflexion sur une possible amélioration du système de gestion des complémentaires santé françaises en utilisant une technologie blockchain: le smart contract. Nous présenterons, dans un premier temps, le périmètre de frais de soins en France, dans le but de comprendre l’importance du marché ainsi que la pertinence du périmètre des complémentaires santé collectives pour le choix du déploiement initial du projet. Cela nous permettra d’expliquer, notamment, les besoins en paramétrages et qualités d’adaptabilité et de souplesse que doit présenter notre projet de gestion. L’analyse se poursuivra par l’explication des avantages et inconvénients que peut présenter cette gestion smart contract pour les différents acteurs du marché que constituent la Sécurité sociale, l’assureur, l’assuré ou ayant droit, l’entreprise souscriptrice et le professionnel de santé. La faisabilité opérationnelle du projet sera traitée avant d’analyser sa faisabilité économique. Le coût d’une gestion smart contract dépend, entre autres, des frais nécessaires pour le déclenchement du paiement de chaque prestation ainsi que du nombre de prestations effectuées dans l’année. L’estimation des frais liés au déclenchement des prestations se fera, en déployant, en annexe de ce mémoire, les smart contracts de notre projet présentant des caractéristiques de sécurité et de fonctionnement minimales. Nous continuerons notre étude par la construction d’un modèle de prédiction de fréquence de sinistralité afin d’estimer le nombre de prestation inhérent au contrat. Des données d’entreprise seront alors utilisées pour mettre en place un modèle de prédiction de fréquence de sinistralité par regroupement de garanties. Nous utiliserons une méthode stochastique d’estimation de fréquence, le Modèle Linéaire Généralisé, que nous complèterons par une approche de Machine Learning : le Réseau de Neurones. Le modèle sera ensuite validé en utilisant une large base de données, différentes de celle utilisée pour sa construction, afin de comparer nos prédictions avec la sinistralité réellement observée sur ce périmètre de test. Ce mémoire nous aura permis d’étudier la pertinence de l’adoption du projet, de déployer concrètement une première version de smart contracts pouvant être utilisée, et de mettre en place un modèle de prédiction du coût de gestion smart contract. Ce modèle permettra, au cours d’un appel d’offre, d’ajuster les frais de gestion du prospect à la maille de son contrat. Nous verrons également dans quelles mesures les réformes liées aux smart contract ont pour vocation à faire baisser la tarification du contrat. Mots clés : Complémentaires santé, Sécurité sociale, Entreprise souscriptrice, Professionnel de santé, Assuré, Ayant droit, Gestion, Smart contract, Blockchain, Modèles Linéaires Généralisés, Machine Learning, Réseaux de neurones.
Abstract
The aim of this dissertation is to consider a possible improvement to the management system for supplementary health insurance in France using a blockchain technology: the smart contract. We will begin by presenting the scope of healthcare costs in France, with the aim of understanding the size of the market and the relevance of the scope of group supplementary healthcare for the choice of initial project deployment. This will enable us to explain, in particular, the configuration requirements and the adaptability and flexibility that our management project must offer. The analysis will go on to explain the pros and cons of smart contract management for the various players in the market: the social security system, the insurer, the insured or entitled party, the subscribing company and the healthcare professional. The operational feasibility of the project will be discussed before analysing its economic feasibility. The cost of smart contract management depends, among other things, on the fees required to trigger payment for each service and the number of services provided during the year. The costs associated with triggering benefits will be estimated by deploying the smart contracts from our project, which have minimal security and operating characteristics, as an appendix to this report. We will continue our study by building a claims frequency prediction model in order to estimate the number of benefits inherent in the contract. Company data will then be used to set up a claims frequency prediction model by grouping cover. We will use a stochastic frequency estimation method, the Generalised Linear Model, which we will complement with a Machine Learning approach: the Neural Network. The model will then be validated using a large database, different from the one used for its construction, in order to compare our predictions with the claims experience actually observed within the test perimeter. This dissertation will have enabled us to study the relevance of adopting the project, to concretely deploy an initial version of smart contracts that can be used, and to set up a smart contract management cost prediction model. This model will make it possible, during a call for tenders, to adjust the prospect's management costs to the size of its contract. We will also look at the extent to which smart contract reforms are designed to reduce contract pricing. Key words: Supplementary health insurance, Social security, Subscribing company, Healthcare professional, Policyholder, Entitled party, Management, Smart contract, Blockchain, Generalised Linear Models, Machine Learning, Neural networks.
Auteur(s) SAFAIE T.
Société Axa France
Année 2024
Confidentiel jusqu'au 26/01/2026
Résumé
L’objectif de ce mémoire est de mener une réflexion sur une possible amélioration du système de gestion des complémentaires santé françaises en utilisant une technologie blockchain: le smart contract. Nous présenterons, dans un premier temps, le périmètre de frais de soins en France, dans le but de comprendre l’importance du marché ainsi que la pertinence du périmètre des complémentaires santé collectives pour le choix du déploiement initial du projet. Cela nous permettra d’expliquer, notamment, les besoins en paramétrages et qualités d’adaptabilité et de souplesse que doit présenter notre projet de gestion. L’analyse se poursuivra par l’explication des avantages et inconvénients que peut présenter cette gestion smart contract pour les différents acteurs du marché que constituent la Sécurité sociale, l’assureur, l’assuré ou ayant droit, l’entreprise souscriptrice et le professionnel de santé. La faisabilité opérationnelle du projet sera traitée avant d’analyser sa faisabilité économique. Le coût d’une gestion smart contract dépend, entre autres, des frais nécessaires pour le déclenchement du paiement de chaque prestation ainsi que du nombre de prestations effectuées dans l’année. L’estimation des frais liés au déclenchement des prestations se fera, en déployant, en annexe de ce mémoire, les smart contracts de notre projet présentant des caractéristiques de sécurité et de fonctionnement minimales. Nous continuerons notre étude par la construction d’un modèle de prédiction de fréquence de sinistralité afin d’estimer le nombre de prestation inhérent au contrat. Des données d’entreprise seront alors utilisées pour mettre en place un modèle de prédiction de fréquence de sinistralité par regroupement de garanties. Nous utiliserons une méthode stochastique d’estimation de fréquence, le Modèle Linéaire Généralisé, que nous complèterons par une approche de Machine Learning : le Réseau de Neurones. Le modèle sera ensuite validé en utilisant une large base de données, différentes de celle utilisée pour sa construction, afin de comparer nos prédictions avec la sinistralité réellement observée sur ce périmètre de test. Ce mémoire nous aura permis d’étudier la pertinence de l’adoption du projet, de déployer concrètement une première version de smart contracts pouvant être utilisée, et de mettre en place un modèle de prédiction du coût de gestion smart contract. Ce modèle permettra, au cours d’un appel d’offre, d’ajuster les frais de gestion du prospect à la maille de son contrat. Nous verrons également dans quelles mesures les réformes liées aux smart contract ont pour vocation à faire baisser la tarification du contrat. Mots clés : Complémentaires santé, Sécurité sociale, Entreprise souscriptrice, Professionnel de santé, Assuré, Ayant droit, Gestion, Smart contract, Blockchain, Modèles Linéaires Généralisés, Machine Learning, Réseaux de neurones.
Abstract
The aim of this dissertation is to consider a possible improvement to the management system for supplementary health insurance in France using a blockchain technology: the smart contract. We will begin by presenting the scope of healthcare costs in France, with the aim of understanding the size of the market and the relevance of the scope of group supplementary healthcare for the choice of initial project deployment. This will enable us to explain, in particular, the configuration requirements and the adaptability and flexibility that our management project must offer. The analysis will go on to explain the pros and cons of smart contract management for the various players in the market: the social security system, the insurer, the insured or entitled party, the subscribing company and the healthcare professional. The operational feasibility of the project will be discussed before analysing its economic feasibility. The cost of smart contract management depends, among other things, on the fees required to trigger payment for each service and the number of services provided during the year. The costs associated with triggering benefits will be estimated by deploying the smart contracts from our project, which have minimal security and operating characteristics, as an appendix to this report. We will continue our study by building a claims frequency prediction model in order to estimate the number of benefits inherent in the contract. Company data will then be used to set up a claims frequency prediction model by grouping cover. We will use a stochastic frequency estimation method, the Generalised Linear Model, which we will complement with a Machine Learning approach: the Neural Network. The model will then be validated using a large database, different from the one used for its construction, in order to compare our predictions with the claims experience actually observed within the test perimeter. This dissertation will have enabled us to study the relevance of adopting the project, to concretely deploy an initial version of smart contracts that can be used, and to set up a smart contract management cost prediction model. This model will make it possible, during a call for tenders, to adjust the prospect's management costs to the size of its contract. We will also look at the extent to which smart contract reforms are designed to reduce contract pricing. Key words: Supplementary health insurance, Social security, Subscribing company, Healthcare professional, Policyholder, Entitled party, Management, Smart contract, Blockchain, Generalised Linear Models, Machine Learning, Neural networks.
