Mémoires d'Actuariat
Impact du changement climatique sur le risque d'inondation : Analyse de l'évolution d’indicateurs d'intensité selon différents scénarios
Auteur(s) BOUSSIM I.
Société Deloitte Conseil
Année 2024
Confidentiel jusqu'au 11/07/2026
Résumé
Le secteur de l'assurance fait face à des défis accrus liés à l'intensification des risques naturels, notamment les inondations, en raison du changement climatique. Ces phénomènes, qui menacent la sécurité des populations et la stabilité économique, nécessitent une adaptation des modèles de risque. Ce mémoire se concentre sur l'analyse des risques d'inondation, en utilisant les scénarios climatiques RCP 4.5 et RCP 8.5 du GIEC. L'objectif est de modéliser des indicateurs tels que le taux de destruction et la hauteur de submersion, afin de prévoir les effets locaux et saisonniers à travers des zones géographiques homogènes. L'étude s'appuie sur des données de sinistralité du National Flood Insurance Program (NFIP) des États-Unis, couplées à des projections climatiques jusqu'en 2050, et utilise des modèles de machine learning pour analyser l'influence de variables spécifiques. Ces modèles permettent de projeter l'évolution des indices de vulnérabilité, contribuant ainsi à mieux anticiper les effets du changement climatique sur les risques d'inondation et à fournir aux assureurs des outils supplémentaires pour mieux gérer ces risques futurs.
Abstract
In a world where climate change is becoming increasingly acute, the insurance sector is faced with unprecedented challenges, marked by an increase in natural risks such as flooding. These phenomena, intensified by climate variations, pose a threat both to the safety of populations and to the economic stability of the affected areas. In the face of these developments, the regulatory framework is transforming, prompting insurers to incorporate these new realities into their risk models. This study is positioned at the heart of this issue and analyses the evolution of flood risks affecting insured properties, referring to the RCP 4.5 and RCP 8.5 scenarios of the Intergovernmental Panel on Climate Change (IPCC). The goal is to model vulnerability indicators such as destruction rates and submersion heights with enough precision to capture local and seasonal effects, predicting them by Homogeneous Geographic Zone (HRG) and by day. To this end, the study uses claims and exposure data provided by the United States' National Flood Insurance Program (NFIP), enriched with climate projections up to 2050. These data, previously transformed to meet the study's precision and feasibility objectives, form the basis for training machine learning models. These models were chosen for their ability to model complex relationships between various types of information on large databases, while allowing the evaluation of the influence of specific variables. Once the appropriate model is selected and the influence of different factors analysed, it is used to project vulnerability indices over time and evaluate their evolution. The ultimate ambition is to analyse the impact of climate change on flood risks and thus provide the insurance sector with tools to better understand and manage these risks in an uncertain future. Keywords: flood, climate change, machine learning, destruction rates, submersion height, open access data
Auteur(s) BOUSSIM I.
Société Deloitte Conseil
Année 2024
Confidentiel jusqu'au 11/07/2026
Résumé
Le secteur de l'assurance fait face à des défis accrus liés à l'intensification des risques naturels, notamment les inondations, en raison du changement climatique. Ces phénomènes, qui menacent la sécurité des populations et la stabilité économique, nécessitent une adaptation des modèles de risque. Ce mémoire se concentre sur l'analyse des risques d'inondation, en utilisant les scénarios climatiques RCP 4.5 et RCP 8.5 du GIEC. L'objectif est de modéliser des indicateurs tels que le taux de destruction et la hauteur de submersion, afin de prévoir les effets locaux et saisonniers à travers des zones géographiques homogènes. L'étude s'appuie sur des données de sinistralité du National Flood Insurance Program (NFIP) des États-Unis, couplées à des projections climatiques jusqu'en 2050, et utilise des modèles de machine learning pour analyser l'influence de variables spécifiques. Ces modèles permettent de projeter l'évolution des indices de vulnérabilité, contribuant ainsi à mieux anticiper les effets du changement climatique sur les risques d'inondation et à fournir aux assureurs des outils supplémentaires pour mieux gérer ces risques futurs.
Abstract
In a world where climate change is becoming increasingly acute, the insurance sector is faced with unprecedented challenges, marked by an increase in natural risks such as flooding. These phenomena, intensified by climate variations, pose a threat both to the safety of populations and to the economic stability of the affected areas. In the face of these developments, the regulatory framework is transforming, prompting insurers to incorporate these new realities into their risk models. This study is positioned at the heart of this issue and analyses the evolution of flood risks affecting insured properties, referring to the RCP 4.5 and RCP 8.5 scenarios of the Intergovernmental Panel on Climate Change (IPCC). The goal is to model vulnerability indicators such as destruction rates and submersion heights with enough precision to capture local and seasonal effects, predicting them by Homogeneous Geographic Zone (HRG) and by day. To this end, the study uses claims and exposure data provided by the United States' National Flood Insurance Program (NFIP), enriched with climate projections up to 2050. These data, previously transformed to meet the study's precision and feasibility objectives, form the basis for training machine learning models. These models were chosen for their ability to model complex relationships between various types of information on large databases, while allowing the evaluation of the influence of specific variables. Once the appropriate model is selected and the influence of different factors analysed, it is used to project vulnerability indices over time and evaluate their evolution. The ultimate ambition is to analyse the impact of climate change on flood risks and thus provide the insurance sector with tools to better understand and manage these risks in an uncertain future. Keywords: flood, climate change, machine learning, destruction rates, submersion height, open access data
