Mémoires d'Actuariat
Construction d’un zonier Tempête pour la tarification MRH – Approfondissement opérationnel du traitement des résidus
Auteur(s) CASSIGNOL B.
Société Covéa - MAAF SA
Année 2024
Confidentiel jusqu'au 17/09/2026
Résumé
La sinistralité, liée aux évènements naturels, devient de plus en plus impactante pour la rentabilité des produits d’assurance IARD. Les projections d’évolution climatique à horizon 2050 réalisées par la Caisse Centrale de Réassurance indiquent que des périls comme la sécheresse et l’inondation auront une importance plus forte les prochaines années. Il devient nécessaire d’avoir un pilotage adapté sur ces risques que ce soit sur la gestion des sinistres engendrés comme sur le tarif à leur appliquer. Les indemnisations des sinistres tempêtes sont majoritaires dans la sinistralité climatique. MAAF a priorisé le traitement de ce péril dans ses plans d’action actuariels. De fait, les travaux menés pour ce mémoire répondent à un besoin de segmentation identifié sur ce risque. La composante géographique étant prégnante sur ce type de risque, la base de modélisation a été enrichie avec des données issues de Météo France. Les analyses multivariées regroupant les corrélations, les GLM et une analyse comparative avec les modèles de type Machine Learning ont permis d’enrichir l’algorithme tarifaire d’une nouvelle variable confidentielle. Le principal résultat de ce projet est la constitution d’un zonier sur le risque tempête pour le produit MRH de la marque MAAF. Mots clés : Tempête, Multirisque Habitation, Modèles linéaires généralisés, Random Forest, Gradient boosting, XGBoost, K-Means, Lissage des résidus 1
Abstract
Claims experience linked to natural events is having an increasing impact on the profitability of property and casualty insurance products. Projections of climate change from now to 2050 by the Caisse Centrale de Réassurance indicate that perils such as drought and flooding will be more significant in the coming years. These risks need to be properly managed, both in terms of the claims incurred and the rates applied. Storm claims account for the majority of climatic claims. MAAF has prioritised the treatment of this peril in its actuarial action plans. In fact, the work carried out for this thesis responds to an identified need for segmentation of this risk. As the geographical component of this type of risk is significant, the modelling database was enhanced with data from Météo France. Multivariate analyses combining correlations, GLMs and a comparative analysis with Machine Learning-type models were used to enrich the pricing algorithm with a new confidential variable. The main result of this project is the creation of a storm risk zone for MAAF's Home insurance product. Keywords : Storm, Home insurance, Generalized linear models, Random Forest, Gradient boosting, XGBoost, K-Means, Residual smoothing
Auteur(s) CASSIGNOL B.
Société Covéa - MAAF SA
Année 2024
Confidentiel jusqu'au 17/09/2026
Résumé
La sinistralité, liée aux évènements naturels, devient de plus en plus impactante pour la rentabilité des produits d’assurance IARD. Les projections d’évolution climatique à horizon 2050 réalisées par la Caisse Centrale de Réassurance indiquent que des périls comme la sécheresse et l’inondation auront une importance plus forte les prochaines années. Il devient nécessaire d’avoir un pilotage adapté sur ces risques que ce soit sur la gestion des sinistres engendrés comme sur le tarif à leur appliquer. Les indemnisations des sinistres tempêtes sont majoritaires dans la sinistralité climatique. MAAF a priorisé le traitement de ce péril dans ses plans d’action actuariels. De fait, les travaux menés pour ce mémoire répondent à un besoin de segmentation identifié sur ce risque. La composante géographique étant prégnante sur ce type de risque, la base de modélisation a été enrichie avec des données issues de Météo France. Les analyses multivariées regroupant les corrélations, les GLM et une analyse comparative avec les modèles de type Machine Learning ont permis d’enrichir l’algorithme tarifaire d’une nouvelle variable confidentielle. Le principal résultat de ce projet est la constitution d’un zonier sur le risque tempête pour le produit MRH de la marque MAAF. Mots clés : Tempête, Multirisque Habitation, Modèles linéaires généralisés, Random Forest, Gradient boosting, XGBoost, K-Means, Lissage des résidus 1
Abstract
Claims experience linked to natural events is having an increasing impact on the profitability of property and casualty insurance products. Projections of climate change from now to 2050 by the Caisse Centrale de Réassurance indicate that perils such as drought and flooding will be more significant in the coming years. These risks need to be properly managed, both in terms of the claims incurred and the rates applied. Storm claims account for the majority of climatic claims. MAAF has prioritised the treatment of this peril in its actuarial action plans. In fact, the work carried out for this thesis responds to an identified need for segmentation of this risk. As the geographical component of this type of risk is significant, the modelling database was enhanced with data from Météo France. Multivariate analyses combining correlations, GLMs and a comparative analysis with Machine Learning-type models were used to enrich the pricing algorithm with a new confidential variable. The main result of this project is the creation of a storm risk zone for MAAF's Home insurance product. Keywords : Storm, Home insurance, Generalized linear models, Random Forest, Gradient boosting, XGBoost, K-Means, Residual smoothing
