Mémoires d'Actuariat
Évaluation de l'impact du changement climatique sur le risque inondation en France métropolitaine
Auteur(s) BOYEAU C.
Société GROUPAMA
Année 2022
Résumé
Mots clés : inondations, changement climatique, modèles CAT, GLM, machine learning, taux de destruction, données externes Les inondations dévastatrices de juillet 2021 qui ont affecté l’Europe de l’Ouest avec un bilan humain de plus de 200 morts et près de 11 milliards d’euros de dommages assurés nous rappellent le danger de telles catastrophes et nous amènent à nous interroger sur l’évolution de leur sévérité face au changement climatique. Le but de ce mémoire est d’évaluer la sensibilité des territoires au risque inondation en développant une vision suffisamment robuste permettant d’identifier les risques les plus vulnérables que ce soit aussi bien au climat actuel qu’au climat futur. Pour acquérir cette robustesse dans les modélisations, le seul historique sinistre ne suffit pas et il a été nécessaire de passer par des modèles catastrophes naturelles basés aussi bien sur l’historique que sur la simulation d’évènements fictifs. Cependant, la création de tels modèles en interne étant relativement complexe, il a fallu utiliser ceux provenant d’agences de modélisations externes. Une telle approche implique de n’avoir aucune mainmise sur le modèle et empêche toute étude d’impact du changement climatique. C’est pourquoi il a été décidé de réaliser un modèle en interne basé sur des modèles linéaires généralisés, ainsi que sur des méthodes de machine learning, en s’entraînant directement sur les résultats du modèle catastrophe naturelle fourni par le modélisateur. Ces modélisations internes ont préalablement nécessité un grand travail d’enrichissement du portefeuille avec des données externes potentiellement explicatives du risque inondation, telles que la distance au cours d’eau, l’altitude, les précipitations, l’imperméabilité du sol ou encore le coefficient de pente. Les indicateurs de précipitations renseignés en entrée de notre modèle nécessitent à la fois de disposer d’une vision historique, mais également de projections climatiques futures. De cette manière, il est ainsi possible d’étudier à la fois l’état historique du risque inondation en utilisant en entrée du modèle les précipitations actuelles puis d’étudier l’évolution de la sinistralité en faisant varier les indicateurs de précipitations selon différents horizons de temps et différents scénarios de changement climatique
Abstract
Keywords: floods, climate change, CAT model, GLM, machine learning, destruction rate, external data The devastating floods of July 2021 that affected Western Europe with more than 200 deaths and nearly 11 billion euros in insured damages reminds us of the dangers of such disasters and leads us to question the evolution of their severity with respect to climate change. The aim of this thesis is to evaluate the sensitivity of territories to flood risk by developing a sufficiently robust vision to identify the most vulnerable risks of both the current and future climate. To acquire this robustness in the modeling, the loss history alone is not sufficient, and it was necessary to use natural catastrophe models based on both historical and simulated fictitious events. However, as the creation of such in-house models is relatively complex, it was necessary to use models from external modeling agencies. With such an approach, we have no control over the model itself, which is not suitable for studying the impact of climate change. Therefore, it was decided to build an in-house model based on generalized linear models, as well as machine learning methods, by directly training these models on the results of the CAT model provided by the modeler. These in-house models required extensive work to enrich the portfolio with external data, such as distance to the river, altitude, precipitation, soil impermeability or the slope coefficient, that could potentially explain the flood risk. The precipitation indicators entered in our model require both a historical vision and future climate projections. As such, it is possible to study both the historical state of flood risk by using current precipitation as an input to the model, then to study the evolution of losses by varying the precipitation indicators according to different time horizons and different climate change scenarios.
Mémoire complet
Auteur(s) BOYEAU C.
Société GROUPAMA
Année 2022
Résumé
Mots clés : inondations, changement climatique, modèles CAT, GLM, machine learning, taux de destruction, données externes Les inondations dévastatrices de juillet 2021 qui ont affecté l’Europe de l’Ouest avec un bilan humain de plus de 200 morts et près de 11 milliards d’euros de dommages assurés nous rappellent le danger de telles catastrophes et nous amènent à nous interroger sur l’évolution de leur sévérité face au changement climatique. Le but de ce mémoire est d’évaluer la sensibilité des territoires au risque inondation en développant une vision suffisamment robuste permettant d’identifier les risques les plus vulnérables que ce soit aussi bien au climat actuel qu’au climat futur. Pour acquérir cette robustesse dans les modélisations, le seul historique sinistre ne suffit pas et il a été nécessaire de passer par des modèles catastrophes naturelles basés aussi bien sur l’historique que sur la simulation d’évènements fictifs. Cependant, la création de tels modèles en interne étant relativement complexe, il a fallu utiliser ceux provenant d’agences de modélisations externes. Une telle approche implique de n’avoir aucune mainmise sur le modèle et empêche toute étude d’impact du changement climatique. C’est pourquoi il a été décidé de réaliser un modèle en interne basé sur des modèles linéaires généralisés, ainsi que sur des méthodes de machine learning, en s’entraînant directement sur les résultats du modèle catastrophe naturelle fourni par le modélisateur. Ces modélisations internes ont préalablement nécessité un grand travail d’enrichissement du portefeuille avec des données externes potentiellement explicatives du risque inondation, telles que la distance au cours d’eau, l’altitude, les précipitations, l’imperméabilité du sol ou encore le coefficient de pente. Les indicateurs de précipitations renseignés en entrée de notre modèle nécessitent à la fois de disposer d’une vision historique, mais également de projections climatiques futures. De cette manière, il est ainsi possible d’étudier à la fois l’état historique du risque inondation en utilisant en entrée du modèle les précipitations actuelles puis d’étudier l’évolution de la sinistralité en faisant varier les indicateurs de précipitations selon différents horizons de temps et différents scénarios de changement climatique
Abstract
Keywords: floods, climate change, CAT model, GLM, machine learning, destruction rate, external data The devastating floods of July 2021 that affected Western Europe with more than 200 deaths and nearly 11 billion euros in insured damages reminds us of the dangers of such disasters and leads us to question the evolution of their severity with respect to climate change. The aim of this thesis is to evaluate the sensitivity of territories to flood risk by developing a sufficiently robust vision to identify the most vulnerable risks of both the current and future climate. To acquire this robustness in the modeling, the loss history alone is not sufficient, and it was necessary to use natural catastrophe models based on both historical and simulated fictitious events. However, as the creation of such in-house models is relatively complex, it was necessary to use models from external modeling agencies. With such an approach, we have no control over the model itself, which is not suitable for studying the impact of climate change. Therefore, it was decided to build an in-house model based on generalized linear models, as well as machine learning methods, by directly training these models on the results of the CAT model provided by the modeler. These in-house models required extensive work to enrich the portfolio with external data, such as distance to the river, altitude, precipitation, soil impermeability or the slope coefficient, that could potentially explain the flood risk. The precipitation indicators entered in our model require both a historical vision and future climate projections. As such, it is possible to study both the historical state of flood risk by using current precipitation as an input to the model, then to study the evolution of losses by varying the precipitation indicators according to different time horizons and different climate change scenarios.
Mémoire complet
