Mémoires d'Actuariat
Impact des défaillances d’entreprises sur la tarification de la branche Construction dans un monde d’inflation et de crise économique
Auteur(s) FALL N. A.
Société AXA FRANCE IARD
Année 2024
Confidentiel jusqu'au 25/03/2026
Résumé
L’objectif de ce mémoire est d’évaluer l’impact des défaillances d’entreprises sur la tarification de la garantie Décennale dans un contexte d'inflation et de crise économique. Une hausse considérable des défaillances a été observée en Construction dès 2022. Ce mémoire traite de la Responsabilité Civile Décennale (RCD), une garantie obligatoire de l'assurance Construction. Cette dernière est principalement caractérisée par un déroulement long et son principe de double détente : Responsabilité Civile Décennale (Abonnement) et Dommages-Ouvrage (Chantier). Dans le secteur BTP, les entreprises défaillantes ou en difficulté financière pourraient avoir une sinistralité en moyenne plus élevée que les entreprises en bonne santé. De plus, pour les entreprises défaillantes, l’assureur RCD pourrait perdre la franchise, en raison de l'insolvabilité du constructeur. Pour toutes ces raisons, il est nécessaire de pouvoir anticiper la défaillance pour baisser la sinistralité dans la mesure du possible, mais encore plus de pouvoir l’évaluer dans la tarification RCD. Ainsi, le double enjeu de ce mémoire est la prédiction de l’événement de défaillance à horizon un an et l’évaluation de l'impact de ces défaillances dans la tarification. Pour ce faire, différents modèles de prédictions sont mis en place, notamment des modèles de régression logistique prenant en compte des variables financières et des variables de risque en RCD. La dernière étape est l'évaluation de l’impact des défaillances sur la prime RCD. Pour ce faire, un GLM intégrant la défaillance est modélisé puis ses résultats sont challengés à l’aide d’un modèle de machine learning, le XGBOOST. L'impact des défaillances à travers ce modèle est par la suite analysé via les SHAP Values.
Abstract
The objective of this thesis is to assess the impact of business failures on Third Part Liability (RCD) pricing in a context of inflation and economic crisis. A significant increase in failures has been observed in Construction since 2022. This paper deals with the Third Part Liability (RCD), a mandatory coverage in Construction insurance. The latter is defined by a lengthy process and its double trigger principle: Third Part Liability (RCD) guarantee and Construction Defects guarantee (DO). In the construction sector, failing or financially troubled companies may have, on average, higher claim rates than healthy companies. Furthermore, for failing companies, the RCD insurer could lose the deductible due to the insolvency of the builder. For all these reasons, it is necessary to anticipate failure in order to reduce claims as much as possible, and even more so, to evaluate it in the Third Part Liability (RCD) pricing model. Thus, the dual challenge of this thesis is predicting the failure event within one year and evaluating the impact of these failures on pricing. To achieve this, various prediction models are implemented, including logistic regression models using financial variables and risk variables. The last step is assessing the impact of failures on the RCD premium, a Generalized Linear Model (GLM) incorporating failure is modeled, and its results are challenged using a machine learning model, XGBOOST. The impact of failures through this model is subsequently analyzed using SHAP Values.
Auteur(s) FALL N. A.
Société AXA FRANCE IARD
Année 2024
Confidentiel jusqu'au 25/03/2026
Résumé
L’objectif de ce mémoire est d’évaluer l’impact des défaillances d’entreprises sur la tarification de la garantie Décennale dans un contexte d'inflation et de crise économique. Une hausse considérable des défaillances a été observée en Construction dès 2022. Ce mémoire traite de la Responsabilité Civile Décennale (RCD), une garantie obligatoire de l'assurance Construction. Cette dernière est principalement caractérisée par un déroulement long et son principe de double détente : Responsabilité Civile Décennale (Abonnement) et Dommages-Ouvrage (Chantier). Dans le secteur BTP, les entreprises défaillantes ou en difficulté financière pourraient avoir une sinistralité en moyenne plus élevée que les entreprises en bonne santé. De plus, pour les entreprises défaillantes, l’assureur RCD pourrait perdre la franchise, en raison de l'insolvabilité du constructeur. Pour toutes ces raisons, il est nécessaire de pouvoir anticiper la défaillance pour baisser la sinistralité dans la mesure du possible, mais encore plus de pouvoir l’évaluer dans la tarification RCD. Ainsi, le double enjeu de ce mémoire est la prédiction de l’événement de défaillance à horizon un an et l’évaluation de l'impact de ces défaillances dans la tarification. Pour ce faire, différents modèles de prédictions sont mis en place, notamment des modèles de régression logistique prenant en compte des variables financières et des variables de risque en RCD. La dernière étape est l'évaluation de l’impact des défaillances sur la prime RCD. Pour ce faire, un GLM intégrant la défaillance est modélisé puis ses résultats sont challengés à l’aide d’un modèle de machine learning, le XGBOOST. L'impact des défaillances à travers ce modèle est par la suite analysé via les SHAP Values.
Abstract
The objective of this thesis is to assess the impact of business failures on Third Part Liability (RCD) pricing in a context of inflation and economic crisis. A significant increase in failures has been observed in Construction since 2022. This paper deals with the Third Part Liability (RCD), a mandatory coverage in Construction insurance. The latter is defined by a lengthy process and its double trigger principle: Third Part Liability (RCD) guarantee and Construction Defects guarantee (DO). In the construction sector, failing or financially troubled companies may have, on average, higher claim rates than healthy companies. Furthermore, for failing companies, the RCD insurer could lose the deductible due to the insolvency of the builder. For all these reasons, it is necessary to anticipate failure in order to reduce claims as much as possible, and even more so, to evaluate it in the Third Part Liability (RCD) pricing model. Thus, the dual challenge of this thesis is predicting the failure event within one year and evaluating the impact of these failures on pricing. To achieve this, various prediction models are implemented, including logistic regression models using financial variables and risk variables. The last step is assessing the impact of failures on the RCD premium, a Generalized Linear Model (GLM) incorporating failure is modeled, and its results are challenged using a machine learning model, XGBOOST. The impact of failures through this model is subsequently analyzed using SHAP Values.
