Mémoires d'Actuariat
Impact du 100% santé : Mesure de l'évolution du recours aux soins et de la sinistralité à l'aide des modèles classiques et exploration des méthodes machine learning
Auteur(s) CHARKI F.
Société Aesio
Année 2022
Confidentiel jusqu'au 09/09/2024
Résumé
Les complémentaires santé comme les autres assureurs évoluent dans un marché très encadré mais en constante transformation. Des transformations qui peuvent être engendrées par l’évolution de la société avec l’émergence de nouveaux besoins par exemple, ou par les réformes réglementaires successives que connaît ce secteur. Selon leurs finalités, certaines de ces réformes peuvent influer le comportement de l’assuré et modifier de ce fait les informations jusqu’alors acquises concernant la sinistralité d’un portefeuille. Dès lors, il devient nécessaire d’assurer une veille afin d’une part, se mettre en conformité et d’autre part, identifier les impacts de ces réformes sur les équilibres techniques. Le travail effectué le long de ce mémoire s’inscrit dans ce cadre et vise à mesurer le coût lié à la réforme du 100% santé qui aspire à favoriser l’accès aux soins et peut potentiellement conduire à une dégradation de la sinistralité. Dans un premier temps, différents tests statistiques seront réalisés pour détecter toute évolution dans la consommation des soins dans un contexte de crise sanitaire. Par la suite, différents modèles seront élaborés pour permettre de mesurer la charge des sinistres de l’exercice 2020. Deux types de modèles seront proposés : des modèles appartenant à la famille GLM souvent utilisés dans le traitement des problématiques liées à la tarification, et des modèles de type machine Learning qui offrent plus de flexibilité et qui sont de plus en plus déployés. Le mémoire s’achèvera avec une analyse critique des différents résultats obtenus
Abstract
Supplementary health insurance companies, like other insurers, operate in a highly regulated market that is constantly changing. These changes can be caused by the evolution of society with the emergence of new needs, for example, or by the successive regulatory reforms that this sector has undergone. Depending on their purpose, some of these reforms can influence the behaviour of the insured and thus modify the information previously acquired concerning the loss experience of a portfolio. It is therefore necessary to monitor the situation in order to comply with the regulations and to identify the impact of these reforms on technical balances. The work carried out in this thesis is part of this framework and aims to measure the cost of the 100% health reform, which aims to promote access to care and could potentially lead to a deterioration in the claims experience. Initially, various statistical tests will be carried out to detect any changes in the consumption of care in a health crisis context. Subsequently, different models will be developed to measure the burden of claims for the year 2020. Two types of models will be proposed: models belonging to the GLM family often used in the treatment of problems related to pricing and models of the machine learning type which offer more flexibility and which are increasingly deployed. The thesis will end with a critical analysis of the different results obtained.
Mémoire complet
Auteur(s) CHARKI F.
Société Aesio
Année 2022
Confidentiel jusqu'au 09/09/2024
Résumé
Les complémentaires santé comme les autres assureurs évoluent dans un marché très encadré mais en constante transformation. Des transformations qui peuvent être engendrées par l’évolution de la société avec l’émergence de nouveaux besoins par exemple, ou par les réformes réglementaires successives que connaît ce secteur. Selon leurs finalités, certaines de ces réformes peuvent influer le comportement de l’assuré et modifier de ce fait les informations jusqu’alors acquises concernant la sinistralité d’un portefeuille. Dès lors, il devient nécessaire d’assurer une veille afin d’une part, se mettre en conformité et d’autre part, identifier les impacts de ces réformes sur les équilibres techniques. Le travail effectué le long de ce mémoire s’inscrit dans ce cadre et vise à mesurer le coût lié à la réforme du 100% santé qui aspire à favoriser l’accès aux soins et peut potentiellement conduire à une dégradation de la sinistralité. Dans un premier temps, différents tests statistiques seront réalisés pour détecter toute évolution dans la consommation des soins dans un contexte de crise sanitaire. Par la suite, différents modèles seront élaborés pour permettre de mesurer la charge des sinistres de l’exercice 2020. Deux types de modèles seront proposés : des modèles appartenant à la famille GLM souvent utilisés dans le traitement des problématiques liées à la tarification, et des modèles de type machine Learning qui offrent plus de flexibilité et qui sont de plus en plus déployés. Le mémoire s’achèvera avec une analyse critique des différents résultats obtenus
Abstract
Supplementary health insurance companies, like other insurers, operate in a highly regulated market that is constantly changing. These changes can be caused by the evolution of society with the emergence of new needs, for example, or by the successive regulatory reforms that this sector has undergone. Depending on their purpose, some of these reforms can influence the behaviour of the insured and thus modify the information previously acquired concerning the loss experience of a portfolio. It is therefore necessary to monitor the situation in order to comply with the regulations and to identify the impact of these reforms on technical balances. The work carried out in this thesis is part of this framework and aims to measure the cost of the 100% health reform, which aims to promote access to care and could potentially lead to a deterioration in the claims experience. Initially, various statistical tests will be carried out to detect any changes in the consumption of care in a health crisis context. Subsequently, different models will be developed to measure the burden of claims for the year 2020. Two types of models will be proposed: models belonging to the GLM family often used in the treatment of problems related to pricing and models of the machine learning type which offer more flexibility and which are increasingly deployed. The thesis will end with a critical analysis of the different results obtained.
Mémoire complet
