Mémoires d'Actuariat
Etude de l’apport des données externes pour prédire la survenance de sinistres responsabilité civile corporelle graves
Auteur(s) TEBOUL S.
Société Covea
Année 2023
Confidentiel jusqu'au 04/04/2028
Résumé
En assurance automobile, la garantie responsabilité civile corporelle est la garantie qui peut coûter la plus chère à l'assureur. En effet, un accident responsabilité civile corporelle peut coûter plusieurs millions d'euros, mais ces cas de sinistres extrêmes, aussi appelés graves, sont très rares. Il est donc important pour l'assureur de bien prédire et comprendre les risques par rapport à cette garantie. Traditionnellement, la théorie des valeurs extrêmes est utilisée afin d'ajuster le montant de charge de sinistres à une loi de probabilité connue. Avec cette méthode, on peut estimer le montant de charge pour les sinistres graves, mais on ne peut pas établir un profil d'individu à risque. On va donc utiliser les modèles de machine learning afin d'expliquer la potentielle survenance de ces accidents en fonction de différentes variables. L'assureur ne dispose pas toujours de toutes les informations concernant un sinistre et les données assureur ne suffisent pas pour les caractériser. L'apport de données externes peut donc être un réel atout afin de mieux comprendre la survenance de ces derniers et les différents facteurs qui peuvent les aggraver. Le but de ce mémoire sera, dans un premier temps, d'étudier la contribution des données externes dans la prédiction des sinistres graves pour la garantie responsabilité civile corporelle en automobile. Dans un second temps, on analysera l'information apportée par les données externes pour caractériser ces derniers et créer un score de gravité. Cette étude permettra de mieux comprendre les accidents et les facteurs qui ont pu les aggraver.
Abstract
In car insurance, the civil liability guarantee is one of the most expensive guarantee for the insurer. Indeed, an accident in liability guarantee can cost several millions euros, but those extreme accidents, also called serious disaster, are very rare. Consequently, it is important for the insurer to predict correctly the individuals at risk for this guaranty. Traditionnaly, the theory of extrem value is used to adjust the amount of all disasters to a known probability distribution. Using this method, we are able to make an estimation for the amount of all serious disasters, but we cannot identify individuals at risk. The insurer does not always have all of the data about a disaster, and insurer data are not enought to characterize this disaster. The use of additional external data can be a valuable asset for a better understanding of the occurance of a disaster and different factors which can aggravate them. The objective of this memory thesis will be, in the first instance, to study the external data contribution to predict serious disaster for liablility guarantee. Second, we will analyze the contribution of external data to characterize this disaster and to create a severity score. This study will provide a better understanding of serious disaster and factor that may have aggravated them.
Auteur(s) TEBOUL S.
Société Covea
Année 2023
Confidentiel jusqu'au 04/04/2028
Résumé
En assurance automobile, la garantie responsabilité civile corporelle est la garantie qui peut coûter la plus chère à l'assureur. En effet, un accident responsabilité civile corporelle peut coûter plusieurs millions d'euros, mais ces cas de sinistres extrêmes, aussi appelés graves, sont très rares. Il est donc important pour l'assureur de bien prédire et comprendre les risques par rapport à cette garantie. Traditionnellement, la théorie des valeurs extrêmes est utilisée afin d'ajuster le montant de charge de sinistres à une loi de probabilité connue. Avec cette méthode, on peut estimer le montant de charge pour les sinistres graves, mais on ne peut pas établir un profil d'individu à risque. On va donc utiliser les modèles de machine learning afin d'expliquer la potentielle survenance de ces accidents en fonction de différentes variables. L'assureur ne dispose pas toujours de toutes les informations concernant un sinistre et les données assureur ne suffisent pas pour les caractériser. L'apport de données externes peut donc être un réel atout afin de mieux comprendre la survenance de ces derniers et les différents facteurs qui peuvent les aggraver. Le but de ce mémoire sera, dans un premier temps, d'étudier la contribution des données externes dans la prédiction des sinistres graves pour la garantie responsabilité civile corporelle en automobile. Dans un second temps, on analysera l'information apportée par les données externes pour caractériser ces derniers et créer un score de gravité. Cette étude permettra de mieux comprendre les accidents et les facteurs qui ont pu les aggraver.
Abstract
In car insurance, the civil liability guarantee is one of the most expensive guarantee for the insurer. Indeed, an accident in liability guarantee can cost several millions euros, but those extreme accidents, also called serious disaster, are very rare. Consequently, it is important for the insurer to predict correctly the individuals at risk for this guaranty. Traditionnaly, the theory of extrem value is used to adjust the amount of all disasters to a known probability distribution. Using this method, we are able to make an estimation for the amount of all serious disasters, but we cannot identify individuals at risk. The insurer does not always have all of the data about a disaster, and insurer data are not enought to characterize this disaster. The use of additional external data can be a valuable asset for a better understanding of the occurance of a disaster and different factors which can aggravate them. The objective of this memory thesis will be, in the first instance, to study the external data contribution to predict serious disaster for liablility guarantee. Second, we will analyze the contribution of external data to characterize this disaster and to create a severity score. This study will provide a better understanding of serious disaster and factor that may have aggravated them.
