Mémoires d'Actuariat
Environmental performance of companies in an insurance portfolio and impact on its profitability
Auteur(s) KOAGNE FONGUIENG F.
Société SCOR
Année 2023
Confidentiel jusqu'au 09/11/2025
Résumé
La responsabilité sociétale des entreprises (RSE) constitue un facteur important pour la préservation et le bien-être des générations actuelles et futures. Son importance pour le développement durable n’est plus à démontrer et elle s’évalue à travers des critères environnementaux, sociaux et de gouvernance (ESG). La performance ESG d’une entreprise est évaluée à partir des notations ESG établies par des agences de notation ESG indépendantes, qui jusqu’ici couvrent principalement les grandes entreprises. Ces notations sont élaborées pour différentes parties prenantes et servent entre autres à la sélection des investissements socialement responsables (ISR). Conscients de l’importance de bonnes pratiques ESG pour la pérennité de leur activité, les assureurs mettent en œuvre des politiques ESG axées sur l’environnement, afin d’atteindre leurs objectifs de réduction des émissions de gaz à effet de serre (GES). L’objectif de cette étude est d’étendre les notations environnementales aux entreprises non notées et d’évaluer l’effet de l’intégration de ces notations dans la politique de souscription sur un indicateur de rentabilité, à savoir le ratio combiné. Sur la base d’un portefeuille de marché de plus de 84 000 entreprises notées et non notées de l’univers ESG de ISS, nous proposons un modèle d’apprentissage automatique (ML) semi supervisé, à savoir un modèle catBoost entraîné et optimisé pour prédire les notations environnementales. Les entreprises appartiennent à 11 secteurs GICS, 30 groupes d’industries et 89 industries, et sont situées dans 168 pays localisés dans toutes les régions du monde, principalement en Amérique du Nord, en Europe et en Asie. Nous disposons également d’indicateurs financiers ainsi que des émissions de GES. En amont de ce modèle, nous estimons les intensités d’émissions de GES pour les entreprises dont les valeurs sont manquantes à partir d’un modèle catBoost entraîné en utilisant l’industrie GICS et le pays d’incorporation comme prédicteurs. Pour prédire la notation d’une entreprise située dans un pays non couvert par ISS ou avec une couverture de moins de 10 entreprises, une calibration hors géographie est réalisée, consistant à multiplier la notation obtenue à partir du modèle semi-supervisé par un coefficient de correction calculé par pays. En utilisant des indicateurs de performance tels que le coefficient de détermination R2, l’erreur absolue moyenne (MAE) et l’erreur quadratique moyenne (RMSE), nos résultats sont comparés à ceux de l’étude menée par Moody’s Analytics. Cet outil est utilisé pour estimer les notations d’un portefeuille d’assurance construit à partir du portefeuille de 2021 de SCOR P&C assurance directe, sur lequel sont calculés les ratios de sinistralité, de dépenses et combiné. Ces ratios sont ensuite soumis à une analyse de sensibilité dans trois scénarios excluant les entreprises mal notées de ce portefeuille. Mots clés : ISS, ESG, notation environnementale, émissions de GES, portefeuille de marché, P&C, assurance directe, ML semi supervisé, catBoost, R2, MAE, RMSE, ratio combiné.
Abstract
Corporate Social Responsibility (CSR) is an important factor in the preservation and well-being of present and future generations. Its importance to sustainable development is well established, and is assessed through environmental, social and governance (ESG) criteria. A company’s ESG performance is assessed on the basis of ESG ratings drawn up by independent ESG rating agencies, which until now have mainly covered large companies. These ratings are drawn up for various stakeholders, notably institutional investors, and are used, among other things, to select Socially Responsible Investments (SRI). Aware of the importance of good ESG practices in sustaining their business, insurers are implementing ESG policies with a focus on the environment, in order to achieve the greenhouse gas (GHG) emissions reduction targets they have set themselves. The aim of this study is to extend the coverage of environmental ratings to unrated companies, and to assess the effect of integrating these ratings into underwriting policy on a profitability indicator, namely the combined ratio. Based on a market portfolio of over 84,000 rated and unrated companies from the ISS ESG universe, we propose a semi-supervised machine learning model, i.e. catBoost model trained and optimized to predict environmental ratings. The companies are from 11 GICS sectors, 30 industry groups and 89 industries, and are located in 168 countries in all regions of the world, mainly North America, Europe and Asia. For these companies, we also have financial metrics, as well as GHG emissions in absolute values and intensities. Upstream of this model, we estimate GHG emissions intensities for companies with missing values from a trained catBoost model, using GICS industry and country of incorporation as predictors. In order to predict the rating of a company located in a country not covered by ISS or with a coverage of less than 10 companies, an out-of-geography calibration is performed, consisting in multiplying the rating obtained from the semi-supervised model for this company by a scaling factor calculated per country. Using performance indicators such as the coefficient of determination R2, the Mean Absolute Error (MAE) and the Root Mean Squared Error (RMSE), our results are compared with those of the study conducted by Moody’s Analytics. This tool is used to estimate the ratings of an insurance portfolio built from the 2021 SCOR’s P&C direct insurance portfolio, on which the loss, expenses and combined ratios are calculated. These ratios are then subjected to a sensitivity analysis in three scenarios, excluding low-rated companies from this portfolio. Key words: ISS, ESG, environmental rating, GHG emissions, market portfolio, P&C, direct insurance, machine learning, semi-supervised learning, catBoost, R2, MAE, RMSE, combined ratio.
Auteur(s) KOAGNE FONGUIENG F.
Société SCOR
Année 2023
Confidentiel jusqu'au 09/11/2025
Résumé
La responsabilité sociétale des entreprises (RSE) constitue un facteur important pour la préservation et le bien-être des générations actuelles et futures. Son importance pour le développement durable n’est plus à démontrer et elle s’évalue à travers des critères environnementaux, sociaux et de gouvernance (ESG). La performance ESG d’une entreprise est évaluée à partir des notations ESG établies par des agences de notation ESG indépendantes, qui jusqu’ici couvrent principalement les grandes entreprises. Ces notations sont élaborées pour différentes parties prenantes et servent entre autres à la sélection des investissements socialement responsables (ISR). Conscients de l’importance de bonnes pratiques ESG pour la pérennité de leur activité, les assureurs mettent en œuvre des politiques ESG axées sur l’environnement, afin d’atteindre leurs objectifs de réduction des émissions de gaz à effet de serre (GES). L’objectif de cette étude est d’étendre les notations environnementales aux entreprises non notées et d’évaluer l’effet de l’intégration de ces notations dans la politique de souscription sur un indicateur de rentabilité, à savoir le ratio combiné. Sur la base d’un portefeuille de marché de plus de 84 000 entreprises notées et non notées de l’univers ESG de ISS, nous proposons un modèle d’apprentissage automatique (ML) semi supervisé, à savoir un modèle catBoost entraîné et optimisé pour prédire les notations environnementales. Les entreprises appartiennent à 11 secteurs GICS, 30 groupes d’industries et 89 industries, et sont situées dans 168 pays localisés dans toutes les régions du monde, principalement en Amérique du Nord, en Europe et en Asie. Nous disposons également d’indicateurs financiers ainsi que des émissions de GES. En amont de ce modèle, nous estimons les intensités d’émissions de GES pour les entreprises dont les valeurs sont manquantes à partir d’un modèle catBoost entraîné en utilisant l’industrie GICS et le pays d’incorporation comme prédicteurs. Pour prédire la notation d’une entreprise située dans un pays non couvert par ISS ou avec une couverture de moins de 10 entreprises, une calibration hors géographie est réalisée, consistant à multiplier la notation obtenue à partir du modèle semi-supervisé par un coefficient de correction calculé par pays. En utilisant des indicateurs de performance tels que le coefficient de détermination R2, l’erreur absolue moyenne (MAE) et l’erreur quadratique moyenne (RMSE), nos résultats sont comparés à ceux de l’étude menée par Moody’s Analytics. Cet outil est utilisé pour estimer les notations d’un portefeuille d’assurance construit à partir du portefeuille de 2021 de SCOR P&C assurance directe, sur lequel sont calculés les ratios de sinistralité, de dépenses et combiné. Ces ratios sont ensuite soumis à une analyse de sensibilité dans trois scénarios excluant les entreprises mal notées de ce portefeuille. Mots clés : ISS, ESG, notation environnementale, émissions de GES, portefeuille de marché, P&C, assurance directe, ML semi supervisé, catBoost, R2, MAE, RMSE, ratio combiné.
Abstract
Corporate Social Responsibility (CSR) is an important factor in the preservation and well-being of present and future generations. Its importance to sustainable development is well established, and is assessed through environmental, social and governance (ESG) criteria. A company’s ESG performance is assessed on the basis of ESG ratings drawn up by independent ESG rating agencies, which until now have mainly covered large companies. These ratings are drawn up for various stakeholders, notably institutional investors, and are used, among other things, to select Socially Responsible Investments (SRI). Aware of the importance of good ESG practices in sustaining their business, insurers are implementing ESG policies with a focus on the environment, in order to achieve the greenhouse gas (GHG) emissions reduction targets they have set themselves. The aim of this study is to extend the coverage of environmental ratings to unrated companies, and to assess the effect of integrating these ratings into underwriting policy on a profitability indicator, namely the combined ratio. Based on a market portfolio of over 84,000 rated and unrated companies from the ISS ESG universe, we propose a semi-supervised machine learning model, i.e. catBoost model trained and optimized to predict environmental ratings. The companies are from 11 GICS sectors, 30 industry groups and 89 industries, and are located in 168 countries in all regions of the world, mainly North America, Europe and Asia. For these companies, we also have financial metrics, as well as GHG emissions in absolute values and intensities. Upstream of this model, we estimate GHG emissions intensities for companies with missing values from a trained catBoost model, using GICS industry and country of incorporation as predictors. In order to predict the rating of a company located in a country not covered by ISS or with a coverage of less than 10 companies, an out-of-geography calibration is performed, consisting in multiplying the rating obtained from the semi-supervised model for this company by a scaling factor calculated per country. Using performance indicators such as the coefficient of determination R2, the Mean Absolute Error (MAE) and the Root Mean Squared Error (RMSE), our results are compared with those of the study conducted by Moody’s Analytics. This tool is used to estimate the ratings of an insurance portfolio built from the 2021 SCOR’s P&C direct insurance portfolio, on which the loss, expenses and combined ratios are calculated. These ratios are then subjected to a sensitivity analysis in three scenarios, excluding low-rated companies from this portfolio. Key words: ISS, ESG, environmental rating, GHG emissions, market portfolio, P&C, direct insurance, machine learning, semi-supervised learning, catBoost, R2, MAE, RMSE, combined ratio.
