Analyse Et Évaluation de La Méthode de Tarificatio A
Analyse Et Évaluation de La Méthode de Tarificatio A
Analyse Et Évaluation de La Méthode de Tarificatio A
MÉMOIRE
PRÉSENTÉ
DE LA MAÎTRISE EN MATHÉMATIQUES
PAR
JUIN 2018
UNIVERSITÉ DU QUÉBEC À MONTRÉAL
Service des bibliothèques
Avertissement
La diffusion de ce mémoire se fait dans le respect des droits de son auteur, qui a signé
le formulaire Autorisation de reproduire et de diffuser un travail de recherche de cycles
supérieurs (SDU-522 - Rév.1 0-2015) . Cette autorisation stipule que «conformément à
l'article 11 du Règlement no 8 des études de cycles supérieurs, [l'auteur] concède à
l'Université du Québec à Montréal une licence non exclusive d'utilisation et de
publication de la totalité ou d'une partie importante de [son] travail de recherche pour
des fins pédagogiques et non commerciales . Plus précisément, [l'auteur] autorise
l'Université du Québec à Montréal à reproduire , diffuser, prêter, distribuer ou vendre des
copies de [son] travail de recherche à des fins non commerciales sur quelque support
que ce soit, y compris l'Internet. Cette licence et cette autorisation n'entraînent pas une
renonciation de [la] part [de l'auteur] à [ses] droits moraux ni à [ses] droits de propriété
intellectuelle. Sauf entente contraire , [l'auteur] conseNe la liberté de diffuser et de
commercialiser ou non ce travail dont [il] possède un exemplaire .»
f
REMERCIEMENTS
Ce mémoire est la conclusion d 'une étape d 'ét udes de ma vie qui a duré à p eu
près trois ans et demi . Il a été possible grâce au soutien de plusieurs personnes à
qui je voudrais adresser mes sincères remerciements.
Tout d 'abord , je veux remercier mon épouse madame Marceline De Mello, qu1
m 'a donné to ut le support familial, et mon enfant Oliver De Mello Koetz, qui m 'a
donn é la motivation pour continuer et finaliser ce travail.
Enfin , j 'adresse mes plus sincères remerciements à mes parents Carlos Tacleu Koetz
et Angela Lizete Rostand Koetz, qui m 'ont accompagné, aidé, soutenu et encou-
ragé tout au long de la réalisation de ce mémoire.
TABLE DES MATIÈRES
RÉS UMÉ . .. . x
I TRODUCTIO 1
CHAPITRE I
LES FO DEME TS DE LA TARIFICATIO ET LA BASE DE DO NNÉES 4
1.1 La prime pure . . 4
1.2 La segm entation 6
1.3 La base de données 8
CHAPITRE II
LA TARIFICATION AVEC LES DON NÉES TRANSVERSALES . 19
2.1 Les modèles linéaires généralisés . 19
2 .1.1 Les modèles linéaires 20
2.1.2 La théorie des GLMs 21
2.2 La tarification par expérience et le système Bonus-Malus (SBM) 25
2.2.1 Les limitations des modèles de classification et l'historique de
sinistre comme prédicteur 25
2.2.2 Historique des SBMs 26
2.2.3 L'obj ectif des SBMs 27
2.2.4 Les types de SBMs 28
2.2.5 Le SBM en détail . 29
2.3 La structure mathématique d 'un SBM standard 30
2.3.1 La structure d 'un SBM . . . . . . . . . . 30
2.3.2 Le parcours des assurés d ans le système 31
2.3.3 Les règles de transition . . . . . . . . . . 32
lV
Tableau Page
3.7 Calcul de la prime de base de l'ass uré avec le profil de base pour
chaque modèle . . . . . . . . . . 68
4.3 Les coeffi cients de variation globaux des modèles , sans le modèle
de classification a priori . . . . . . . . . . . . . . . . . . . . . . . 82
4.4 Les coeffi cients de variation globaux des modèles avec et sans la
segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
V ll
4.8 Comparaison entre les RMS des nos modèles et les RMS calculés
par (Lemaire, 1995) .. 88
4.16 Distribution des assurés par bande prime et par modèle pour l'an-
née 1 pour ceux qui ont changé d 'un modèle à l'autre . . . . . . . . 101
4.18 Distribution des primes par bande de prime et par modèle pour
l'année 1 pour les assurés qui ont décidé de changer un modèle par
l'autre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.20 Distribution des sinistres par bande de prime et par modèle pour
l'année 1 pour les assurés qui ont décidé de rester dans la même
compagme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
V lll
Figure P age
308 Comparaison du niveau d 'ent rée estimé pour les deux modèles 74
Le modèle proposé par (Boucher et Inoussa, 2014) marque une évolution des
modèles courants dans le domaine de l'actuariat . Les auteurs proposent d 'ut iliser
une combinaison des deux méthodes : l'incorporation d 'un modèle « a posteriori »,
par exemple un système Bonus- Malus (noté SB M), dans un modèle de tarification
par classification « a priori », par exemple en utilisant un GLM - « Generalized
Linear Mod els », afin de réduire l'hétérogénéité résiduelle à l'intérieur de chaque
classe. Dans leur proposit ion, les paramètres des deux part ies sont touj ours estimés
ensemble, c'est-à-dire qu 'ils ne sont pas faits un à la fois. L'élément clé de cette
méthode est l'utilisation des données de panel au lieu des données t ransversales .
En pratique, ainsi que dans une b onne part ie de la littérature actuelle, la modéli-
sation de ce type de structure de tarification est différente de ce qui a été proposé
par les auteurs, soit l'estimation simultanée des paramètres des modèles « a priori
2
Pour atteindre nos objectifs, nous passerons en revue les notions qui constituent
la base du modèle dans les chapitres 1 et 2. Dans le chapitre 3, nous analyserons
plus en détails l'article de (Boucher et Inoussa, 2014). Plus précisement, nous
examinerons le modèle proposé ainsi que les résultats obtenus suite à l'application
de ce modèle sur la base de données utilisée. Nous mènerons notre étude avec le
modèle de contrôle. ous estimons tous ses paramètres et sa structure optimale.
Ainsi, le chapitre 3 peut être vu comme la réplication du modèle de (Boucher et
Inoussa, 2014) , avec tous les détails que nous avons utilisé pour y contruire.
Dans le chapitre 4, nous appliquerons les outils actuariels et statistiques afin d 'éva-
luer l'effi cacité des deux modèles étudiés. Pour mieux comprendre comment l'ajout
de la contrainte légale affecte l'effi cacité du modèle de (Boucher et Inoussa, 2014) ,
nous introduisons un modèle de compétition afin d 'observer le comportement des
modèles quand ces deux cherchent à attirer les assurés à leur portefeuille. Ce
chapitre 4 réprésent notre contribution académique par rapport au article étudié.
CHAPITRE I
De nos jours, une des plus importantes tâches de l'act uaire est de bien tarifier le
risque que les compagnies d 'ass urance assument . En pas ant des plus simples aux
plus complexes, diverses techniques ont été développées afin de mieux estimer ces
risques. Le sinistre est défini par :
(1.1)
5
Si nous supposons que N et R sont indépendantes et que les Ri sont des variables
aléatoires i.i.d. 1 , nous pouvons déterminer l'espérance du sinistre comme :
N
E [S] = E[I: Ri], (1.2)
i= l
Cette équation est connue comme l'équ ation de la prime pure et elle est la base
de la t héorie du risque 2 . Celle-ci s'exprime comme sui t :
dans laquelle :
- E [S] est l'espérance des sinistres ,
- E[JV] est l'espérance du nombre de sinistres (fréquence) , et
- E[R] est l'espérance du coût d 'un sinistre (sévérité).
Dans la modélisation tradit ionnelle, nous pouvons choisir de modéliser la prime
pure (E[S]) ou chacune de ses composantes, soit E [JV] et soit E[R], pour ensuite les
combiner. Le modèle présenté assure la complète solidarité entre tous les ass urés
du portefeuille car il n 'y a pas de différence entre les primes payées par chacun
des ass urés. La solidarité pure est adéquate lorsque nous sommes en présence d 'un
groupe ayant des caractéristiques fortement homogènes ou d ans les ass urances
sociales.
Pour une compagnie d 'assurances, il n 'est pas avantageux d 'aj outer une totale so-
lidarité dans les modèles de tarification. L'assureur doit plutôt charger une prime
adéquate à chacun des assurés en fon ction du risque qu 'il représente. Étant donné
2. Voir (Klugman et al., 2008 ) ou (Newton L. Bowers et al., 1997) pour plus de détails.
6
qu 'il n 'existe pas de modèle qui capte parfaitement les caractéristiques du risque
avec une quantité raisonnable de variables , l'ass ureur t ravaille avec des estima-
tions. Ainsi, nous ne pouvons pas éliminer complètement les différences entre la
prime calculée et les sinistres survenus. Comme nous segmentons notre por te-
feuille, dans l'esprit de créer des classes d'assurés les plus homogènes possible,
nous réduisons la crédibilité de to utes nos estimations car nous utilisons moins
de données pour chaque tranche de segmentation. Il faut décider quel serait le
niveau de crédibilité et de segmentation que nous voulons inclure dans nos cal-
culs. Concernant ce niveau , il existe une balance ent re la précision du modèle et
sa crédibili té . Beaucoup de jugement de l'analyste est nécessaire pour mettre en
place une structure de tarification d 'a surance qui soit raisonnable.
1. 2 La segmentation
possède des caractéristiques différentes comp ortant certains risques. Afin d 'évi-
ter le déséquilibre ent re le montant que chaque assuré paye en prime et le risque
que chacun représente pour la compagnie, un ajustement doit être fait. En consé-
quence, il faut ajuster la prime selon les caractéristiques de chaque ass uré et le
risque qui l'accompagne.
La mut ualisation et la solidarité sont touj ours présentes entre les assurés même
dans un univers segmenté. Les act uaires sont capables de prévoir avec une certaine
précision la quantité et la valeur des pertes, mais ils ne sont pas capables de dire
quels individus subiront des sinistres . Malgré la segmentation, la mut ualisation et
la solidarité j ouent un rôle fondamental.
Nous supp osons qu 'un potent iel assuré fait son choix uniquement en se basant sur
la valeur de la prime d 'assurance. Regardons les conséquences de la segmentation
pour chacun des assureurs A et B. L'assureur A attire vers son portefeuille les
assurés 3 et 4, tandis que 1 et 2 vont auprès de B. Ce dernier a fait le calcul suivant :
Pl = E[Si]· L'assureur A collecte 500 $CA en prime, alors qu 'il débourse 850 $CA
en sinistre. Il est évident qu 'il fait du déficit. De l'aut re côté, l'assureur B recueille
150 $CA en primes et déb ourse les mêmes 150 $CA en sinistres. Contrairement
8
3
à l'assureur A, sa sit uation n 'est pas déficitaire. Le sommaire de ce mouvement
est disponible dans le Tableau 1.1.
Tableau 1.1 Distribu tion des primes ent re les assureurs et le choix de compagnie
par l'assuré
1. 3 La base de données
Nous présenton dans cette section la base de données utilisée pour la tarification
actuarielle de ce t ravail. ous nous concent rons sur l'exploration des variables
de cette base pour avoir une meilleure vision de la composition de ces éléments .
Chaque observation dans la base de données représente l'information annuelle
d 'une police d 'assurances liée à un assuré. Chaque police peut avoir jusqu'à six
ans d 'informations.
Dans les textes actuariels, on suppose que les polices d 'assurance sur plusieurs an-
nées d 'un même ass uré sont indépendantes. Nous elisons que la base de données est
en coupe transversale. Lorsque nous supposons une dépendance entre les contrats
d 'un même assuré, nous parlons de données de panel. Cette approche est utilisée
dans ce travail et cela a été un des éléments clés du modèle présenté par (Boucher
et Inoussa, 2014) dans leur article. Heureusement , la base de données que nous
possédons est la même que celle que (Boucher et Inoussa, 2014) ont utilisée. Cela
nous permet d'avoir plus de certitude quant à la reproduction de leurs résultats.
La base de données est composée de 167 859 observations réparties sur six ans d 'ex-
position. Nous y retrouvons 57 037 ass urés ayant des informations individuelles
pour chacune des années. Ces informations s'appelent les « caractéristiques du
risque ». Elles se regroupent en 11 variables binaires (le vecteur pour l'assuré i au
temps t Xi,j ,t = (x i) ,t, xi, 2 ,t, ... , xi,n ,t)) faisant référence à six caractéristiques du
risque, à savoir l'âge de l'assuré, l'âge du véhicule, la possession d 'une maison, le
nombre de conducteurs, le statut mat rimonial et les infractions mineures de l'as-
suré. Le Tableau 1.2 présente une descript ion détaillée de chac une des variables.
Cette base de données provient d 'une compagnie d 'ass urances canadienne et les
informations couvrent de la province de l'Ontario. En général, les bases de données
développées par des compagnies d 'assurances ont des centaines de variables. C'est
pourquoi une présélection est touj ours accomplie afin de garder les variables les
plus significatives statistiquement . Bien que cela soit intéressant , nous ne nous
occupons pas de la sélection de variables dans cette recherche. En conséquence,
nous supposons que ces variables binaires sont statistiquement significatives et
10
La base de données présente une cont rainte : il n'y a pas de nouveaux arrivants
dans la matrice, c'est-à-dire qu 'il n 'existe pas d 'ass urés qui intègrent le portefeuille.
Par cont re, la sort ie des assurés est possible. Pour cette raison, nous avons une
réduction considérable d'ass urés et d 'exp osition durant la période d 'observation.
Nous disons alors que la base de données est dans un environnement semi-fermé
dans lequel l'entrée des ass urés n 'est pas possible mais leur départ l'est.
Étant donné que le nombre de polices d'assurances varie annuellement , nous avons
4. Il est imp ortant de noter que le but de ce travail n 'est pas d 'analyser quelles variables
sont les plus significatives dans un modèle quelconque, comme un GLM, mais plutôt d 'utiliser la
même base de données que (Boucher et Inoussa, 2014) ont utilisé afin d 'est imer les paramètres
des modèles que nous étudions dans ce travail.
11
travaillé avec des informations relatives , ce qui est approprié lorsque nous tra-
vaillons avec des données dynamiques dans le temps. Nous présentons dans le
Tableau 1.3 le nombre de polices actives ainsi que l'exposition annuelle.
Analysons brièvement les variables afin de mieux les comprendre avant de les uti-
liser dans un modèle. Pour chacun des assurés, le vecteur avec les caractéristiques
varie d'une année à l'autre. Alors, nous sommes intéressés à la distribution de
chaque caractéristique et à son impact sur les paramètres du modèle au fil des
années. Notons que l'année 2008 est une année d'exposition résiduelle de l'an-
née 2007. Par le fait même, elle n'est pas crédible et elle peut avoir beaucoup de
variabilité.
Nous avons observé deux tendances par rapport au changement de l'âge des as-
surés dans le graphique 1.1. La première tendance est relative à la réduction de
12
100.0%
9.8"/o 12.0% 14.5% 17.5%
~0.0'.0
21.5% 23 .0%
80.ol~
iOJJ%
= 60.0%
·::0 6Jms .,.pl!u
:1
.D ;o.O>~
•t: 83 . 00;~ Oe lll i.60 i!lli
83 .1%
.E 81.9%
SO.:% De 16 i.l ; am
0 40.0"~ 7 6 . 9~..~
~6.3%
JO Ji%
20.0!~
1 0.~
deux groupes d 'assurés : les jeunes et le bloc intermédiaire. La deuxième est l'aug-
mentation de la classe des assurés plus âgés.
La variable « âge du véhicule » est illustrée dans le graphique 1.2. Elle possède
une importante caract éristique : la valeur peut changer librement de catégorie
puisqu'elle n'est pas liée aux caractéristiques intrinsèques de l'assuré. Elle varie
selon le désir de l'assuré, car nous observons souvent un changement de véhicule
13
100.0%
90.0%
o:; 60 .0'~
0 6..,.oupb•
·c
!:1
.,..
-'l 50.0% 7.7%, 19.4%
De4 ! S am
Cl 1 9.~% 19.4% De 1 a3 iUl5
.::~
Cl 40.0%
18.9% :Veo.Jf
20.8%
chez les assurés. Ce phénomène est d'ailleurs bien illustré dans le graphique 1.2.
Sous toute réserve, nous remarquons une tendance du vieillissement des véhicules.
De toute façon , ces changements ne sont pas majeurs.
~~
90%
80%
70% 57%
69%
=
0
·o
60~· 78%
81% 84%
::>
89%
.,...
.Q
50% Nec
0 Oœ
~ 40%
30~ii
20% ~ 3%
3 1 °{~
10% 22~ê
19% 1 6~ .
11%
0%
2003 2001 1005 2006 2007 10CG
An
IOO.OO'ib
6.38% 8.08% 9.66% 10.95% 11.58%
90.00% 15.83%
SO.OO%
31.-li':o
34.3 9° o
36.22%
0.00'1. 3U 5' '. 19.72%
= OO.OO'ib
0
4 i.4S%
'0 T rai s ..:~ u plus
:>
·c... so.001•
.tl
D=
-~ Un
p 40.00%
30.00'1> 62.15%
57.54% 54.12% 50.90% 48.69%
2.0.00'1(,
36.69%
10.00',0
0.00%
20<E 10{)1 2005 1006 20(J7 200!
An
Il existe diverses raisons pour lesquelles ces assurés décident de quitter la compa-
gnie. Toutefois, l'explication la plus probable est la surcharge ou la pénalit é sur
la prime d'assurances payée , ce qui peut les inciter à quitter le portefeuille pour
16
IOQOO%
90.00%
80.00%
70.00%
68.90% 7Ll 5% 72.98% 4.78% 75.26% 78.42%
·c=
60.00%
0
M Mle
:1
.,..
,l) 50.00% Dtw.·orce
d
Cêllb11tatre
i5 40.00%
30.00%
6.1 5° ~
5.&9% 5.7s:,o 5 . ~0~ 5.66%
20.00% 5 ::'6~-o
Une autre variable fondamentale dans ce travail est le nombre d'années depuis
l'obtention du permis de conduire ( AP). Cette dernière est utilisée comme va-
riable clé pour évaluer le niveau d'entrée de chaque assuré dans les modèles.
Dans le graphique 1.7, nous constatons qu'il existe une concentration d 'environ
80% des assurés ayant entre 6 et 38 ans d'expérience de conduite. Le plus grand
NAP observé est de 74 ans. Pour la modélisation , nous avons un seuil au NAP = 6.
Plus précisément, au Canada, il est possible de consulter un historique de sinistre
pour les six dernières années. 11,6% des assurés ont 6 ans ou moins d'expérience
depuis l'obtention du permis de conduire et 88,4% ont 7 ans ou plus.
17
18
1,800
1,6()()
1,400
"' 1,200
1>1)
"'
~ 1,000
0
u
800
400
200
0
' · ~ ~0 , ~ ~~~ ~~ ~ ~ ~ ~~ 0~~ ~~ ~~~
!\ombre d'années de permis (N..IJ')
CHAPITRE II
Dans ce chapit re nous présentons la base t echnique et les modèles qui font partie
du modèle principal, appelé modèle de base , et du modèle de cont rôle utilisés dans
ce t ravail. Cet te base technique est composée des modèles linéaires généralisés, de
la famille exponentielle linéaire et des systèmes de bonus-malus.
Les modèles linéaires généralisés, aussi appelés « Gen eralized Linear M odels »
(GLM), sont le résul tat d'un t ravail de généralisation de la t héorie des modèles
linéaires. Les GLMs ont été présentés pour la première fois dans les t ravaux de
( eider et Wedderburn , 1972) . Suite à leur appari tion et dû à l'augmentation
rapide de la puissance compu tationnelle, beaucoup de progrès ont été observés
dans divers champs d'études. L'actuariat en est un bon exemple.
En act uariat , les GL Ms sont utilisés pour résoudre les questions liées à la tarifica-
tion en ass urances, à l'évaluation des portefeuilles, à l'analyse du comp ortement
des ass urés et à l'évaluation des réserves. Nous les utilisons souvent pour estimer
la fréquence, la sévéri té et la prime pure. Pour chacun de ces éléments , certaines
spécificités du GLM sont ut ilisées.
est-ce que le nombre de sinistres par année d 'un ass uré est relié à l'âge? Au sexe?
Au type de voiture ou à l'emplacement du stationnement? Ainsi, les GLMs font
la liaison entre les variables explicatives , ce que nous appelons les caractéristiques
du risque, et le nombre de sinistres par année d 'un ass uré, ce qui correspond à
ce que nous appelons variable réponse, à travers un modèle quelconque. 1 ous
les utilisons afin de différencier les assurés dans un modèle de classification « a
priori» . Toutefois , il faut se rappeler que même si les GLMs sont des modèles
performants, le jugement de l'analyste est primordial afin d 'évaluer les limites de
1'interprétation.
Selon la théorie des modèles linéaires , le vecteur réponse des variables aléatoires
Y= (Y1 , Y2 , ... , Yn) "' N est lié aux variables explicatives de la façon suivante :
Y = X T{3 + E, (2.1)
où X est la mat rice des variables explicatives. Pour un assuré i, nous supposons
que Yi "' N(p,i, Œ 2 ) sont indépendants et identiquement distribués. {3 sont le
paramètres du modèle à estimer et le terme d 'erreur E est gaus ien. De plus ,
E[Yi] = I-Li = X[ {3 .
(2 .2)
(2.3)
21
Comme les présente (Boland , 2007) , les prédicteurs linéaires nous permett ent de
lier les variables explicatives aux variables réponses :
(2 .5)
Selon (Boland , 2007) , le désavantage de la t héorie linéaire est que i}i E ( -oo, + oo) ,
ce qui permet d 'avoir des valeurs négatives et positives sans aucune limite supé-
rieure ou inférieure. Pour bien modéliser les variables d 'intérêt en ass urances , il
faut avoir plus d 'options comme variables réponses. C'est ainsi que les GLMs sont
préférables aux modèles linéaires. En effet, le modèle linéaire classique est un cas
particulier de GLMs 1 .
La t héorie des GLMs dispose d 'outils très importants pour l'actuariat . L'essence
de la généralisation d 'un modèle linéaire est fait e à travers une fon ction g qui
décrit la relation entre la moyenne f.1 de la variable aléatoire Y et la combinaison
linéaire des variables explicatives /3 0 + x 1 /3 1 + · · · + xp/3p- Dans cette théorie, nous
faisons une liaison entre la moyenne f.1·i et les observations Yi comme sui t :
p
La structure de la moyènne n 'est plus uniquement linéaire car celle-ci est une
combinaison linéaire additive des variables explicatives à l'intérieur d 'une fon c-
tion. Grâce à cette distinction , les GLMs deviennent un outil très puissant. Selon
1. Pour plus de détails sur la théorie linéaire classique, voir (Fox , 2008) .
22
Nous pouvons résumer certains att ribu ts des GLMs en trois t raits caractéristiques :
- la relation ent re la moyenne /-Li de la variable aléatoire Yi et les variables expli-
catives xil, . .. , x·ip est faite en fonction de g( p,.i) = (30 + x 1 (31 + · · · + xrf3r,
- la variance dépend de la moyenne : Var(Yi ) = ;!;V( p,i), où cjJ est le paramètre
de dispersion , wi est le poids et V (p,i) est la fonction de la variance qui indique
la relation ent re la moyenne et la variance, et
- la distribu tion de la variable réponse Y peut suivre n 'importe quelle distribu t ion
de la famille exponent ielle.
L'équation caractéristique de cette famille se t raduit de cette façon :
2. Toutes les démonstrations et dérivations des résultats sont présentées dans (DeJ ong et
Helier , 2008).
23
forme canonique. Le tableau 2.1 présente les principales distribu t ions et leurs
caractéristiques.
Puisque t ravailler avec une fonction multiplicative est complexe, nous utilisons le
logarit hme de l'équation (2.8) . Les valeurs de e et ifJ sont celles qui maximisent la
fonction de vraisemblance et de logvraisemblance :
n
(2 .9)
i= l
En assurances, il arrive souvent qu'un contrat cesse avant la fin prévue. La vente
de la voiture ou l'annulation unilatérale du contrat en sont des exemples. Alors,
lorsque nous appliquons le modèle GLM , il faut considérer ces éventualités. Il
existe ce que nous app elons une variable « Offset » pour considérer la fin du
contrat avant la date prévue. Elle prend en considération l'exposition au risque
de chaque observation dans la base de données.
g ( ~ ) = x'f3, (2 .10)
ln(~) = x'f3
ln f-l = ln n + x' f3
f-l = n exp(x'f3 ), (2 .11)
où ln n est le terme d '« Offset », cette variable peut être vue comme un au tre
régresseur avec f3 = 1.
Il faut à présent introduire la distribution Poisson dans les GLMs. Cette distri-
bution est utilisée pour prendre en considération une variable de comptage avec
y"' P (f.-l ) et g(f.-l) = x'f3 . Sa forme canonique est logarithmique :
où P, = exp (x' /J) > O. La distribu t ion de P oisson est habit uellement utilisée comme
point de départ par un assureur p our modéliser le nombre de sinistres car il est as-
sez simple de la manipuler et elle possède des propriét és statistiques assez direc tes
d 'interpréter et d 'utiliser.
Dans cette section, nous abordons différents aspects de la tarification par expé-
rience et du système de bonus-malus. Nous voyons d 'abord les limites du modèle
de classification « a priori ». Ensuite , nous survolons l'histoire du SBM pour
ensuite définir ses obj ectifs, ses types et son détail.
études ont déjà démontré que le nombre de sinistres dans le passé est une va-
riable plus importante que d 'aut res telles que l'âge, le sexe ou l'usage du véhicule.
(Boland , 2007) a affirm é que, s'il fallait utiliser une seule variable pour tarifier,
nous devrions mettre en place un système de tarification par expérience basé sur
le nombre de sinistres observés.
De façon générale, les systèmes de tarification par expérience donnent des pénali-
tés , une augmenta tion de la prime, à la sui te d 'un e réclamation pour un sinistre et
des rabais pour ceux qui n'en font pas. Ainsi, la valeur de la prime d 'assurance est
révisée annuellement par rapport au nombre de sinistres déclarés. Ces systèm es
peuvent être utilisés seuls ou en complément avec d 'aut res systèmes de t arification
par classification , ce qui réduit l'hétérogénéité résiduelle à l'intérieur des classes .
La tarification par expérience est apparue afin de combler les lacunes de la tari-
fication « a priori ». L'u tilisation de la t arification par expérience n 'est pas une
nouveauté en act uariat. Son apparition est jumelée avec le développ ement de la
Théorie de la Crédibilité , pratiquement au même moment que la formation de la
« Casualty Actuarial S oci ety » (CAS) en 1914.
Les systèmes bonus-malus sont apparus un p eu plus tard , sui te aux demandes
faites par les assureurs aux actuaires de l'époque. Selon (Denui t et Charpent ier ,
2005), les premières études sont apparues en France au début des années 1960.
Fréchet (1959) , Delaporte (1959) et Thépaut (1 95 9) ont été les premiers à présenter
des travaux à ce suj et.
Selon (Denui t et al., 2007) et (Boland , 2007), une des principales raisons d 'adop-
ter les SB Ms , cont rairement à la Théorie de la Crédibili té , est son accessibilité :
le grand public comprend le fonctionnement des SB Ms. De ce t te façon , les dé-
27
partements commerciaux des assureurs ont été très séduits par l'idée. Il est plus
complexe d 'expliquer le changement d 'une prime d 'ass urance d 'une année à l'autre
en utilisant les équations de la Théorie de la Crédibilité. Même si la partie ma-
thématique d 'un SBM est aussi complexe que la mathématique de la Théorie de
la Crédibilité, l'application des rabais ou surcharges sur la prime devient plus in-
tuitive , car les règles sont définies au préalable. Ainsi , les assurés sont en mesure
de mieux comprendre que les primes d 'assurance varient selon l'expérience des
sinistres d 'une année à l'autre.
L'obj ectif principal d 'un SBM , comme celui des autres méthodes et des modèles
de tarification d 'assurance, est de déterminer la prime d 'assurance. Les SBMs
utilisent le nombre de sinistres passés de chaque assuré pour corriger la prime
d 'assurance déterminée par les modèles de tarification « a priori ». En ce sens,
selon (Denuit et Charpentier, 2005) , la fonction d 'un SBM est de répartir le coût
entre les bons et les mauvais conducteurs le plus équitablement possible.
Selon (Denuit et Charpentier, 2005) , les SBMs ont trois buts principaux :
Selon (Denuit et al., 2007), tous ces objectifs devraient être conciliés avec un
28
D 'après (Denuit et Charpentier , 2005) , les deux types de SBMs les plus courants
sont le système à classes (SBM traditionnel) et le système « à la fr ançaise », aussi
appelé par (Boland , 2007) « No Claim Discount System (NCD) ». Les principa les
différences entre le N CD et le SBM sont :
1. Dans les NCDs, les ass urés joignent le système en payant une prime élevée.
Au fil des années , ils reçoivent des rabais annuels s'ils ne font pas de récla-
m ation. Dans un SBM , le niveau d 'entrée dans le système est un des niveaux
au milieu de l'échelle. Ainsi , l'assuré paye plus s'il fait des réclamations.
3. Le SBM fon ctionne sous le format des relativités appliquées à une prime de
base , tandis que le NCD est basé sur la prime maximale, ou complète, s ur
laquelle des rabais prédéfini s sont appliqués.
Si nous détaillons cette dernière différence, nous retrouvons les équations simpli-
fi ées suivantes pour les SBM et pour les NCD.
PlSBJ\1 = rl X
p SBM
entree (2. 13)
Pj N CD = (1 - D j ) X
p SBM
compl et e> (2. 14)
Selon (Boland , 2007) , le CD est un bon modèle pour l'assurance auto une fois
qu 'il int roduit de façon systémat ique des rabais sur la prime. Ce système récom-
pense les bons conducteurs avec des rabais considérables et décourage les assurés
de réclamer de petits montants , ce qui réduit fort ement les coûts administratifs
des sinistres. Il faut noter, toutefois, que tous ces arguments sont aussi valables
pour les SBMs.
(2 .1 5)
3. Voir (Lemaire, 1995) pour une exception de SBM avec un nombre d 'états non fini s.
30
SBM. Selon (Denuit et al., 2007) , la difficul té réside dans l'estimation des relati-
vités quand un système de tarification « a priori » est utilisé. De plus, les auteurs
mentionnent que la classification « a priori » et les corrections « a posteriori »
obtiennent des primes plus homogènes. Nous aurons toujours un jeu entre ce que
les systèmes de classification p euvent absorb er et l'hétérogénéité résiduelle que
le SBM peut corriger. Ainsi , en ajoutant plus de variables significatives dans le
système de classification « a priori », plus l'effet est faible du SBM et vice-versa.
après avoir défini le nombre de classes, le niveau d 'entrée et les règles de transition ,
les relativités optim ales peuvent être calculées en minimisant l'écart quadratique
moyen entre l'espérance du sinistre et la prime.
Comme les SBMs contiennent des grandes différences entre le nombre de para-
m ètres nécessaires pour trouver le meilleur modèle selon certains types de tests ,
nous allons proposer une structure de modèle très semblable à la structure du
modèle de contrôle présenté dans le chapitre 3. La structure est la suivante :
4. Cette approche est devenue la méthode classique de calcul des relativités par les actuaires .
31
l'échelle. Le parcours est modélisé par les variables aléatoires (L 1 , L 2 , ... ) dont les
valeurs varient entre l = (1 , ... , 10) étant donné le niveau occupé Lk par l'assuré
d ans l'intervalle de temps (k , k + 1). Comme l'intervalle de temps est une année ,
l'assuré peut uniquement changer de niveau au temps k + 1. Le changement de
niveau est mis en place dans l'intervalle de temps (k + 1, k + 2) , par rapport au
nombre de sinistres Nk déclarés à la compagnie d 'assurance dans l'intervalle de
temps (k, k + 1). De plus, nous définissons (pour l'exemple) L 0 = l6 .
max[Lk- 1, 0] si Nk = 0
L k+l =
{ min [Lk + Nk x pen , s] si Nk 2': 1
1 si Nk 2: 1
h=
{ 0 sinon .
Le parcours de chaque ass uré dép end uniquement de l'état act uel du nombre de
sinistres déclarés et de la règle de transition du SB M. Ce parcours est indépendant
des niveaux occupés dans le passé. Cette propriété de l'indépendance condition-
nelle fait partie des chaînes de Markov 5 . Les chaînes de Markov sont l'outil de
base pour construire l'échelle d'un SB M. Selon (D enui t et al., 2007) , si le nombre
de sinistres d 'une année à l'autre est indépendant, le parcours de l'assuré da ns
l'échelle du SB M est composé par une chaîne de Markov.
Dans la sit uation illustrée , les règles de transition sont déjà définies: -1 /+ X. Nous
pouvons formaliser la règle de la façon suivante :
Ainsi, T (Nk) est une matrice pour chaque Nk 2: 0 composée par des zéros et d es
uns. Chaque ligne a l'un (1) à l'endroit où il est permis de se déplace r pour chaqu
5. Pour plus d 'information à propos des propriétés des chaînes de Markov , voir (Ross, 2014) .
34
35
(2 .18)
!~l~Àl
0 0 0 0 exp(->.) 0 0 0 Àexp( ->. )
0 0 0 0 0 exp(->.) 0 0 0
0 0 0 0 0 0 exp(- ,\) 0 0 1 - e xp - >..
0 0 0 0 0 0 0 exp( ->.) 0 1 -exp -)..
u 0 0 0 0 0 0 0 exp(->.) 1 -exp -À
1, 2, ... ) 6 :
).2
"'""'
L....-1 = "'""'
L....-2 = '"""
L..., 3
= 1- exp(->.) (1+>.+-)
2
'"""
L...- 4 = "'""'
L...- 5 = '"""
L..., 6 = 1- exp( - >.)(1 +À).
Pour les lignes i = 7, ... , 10, l'équation est directe et elle est présentée dans sa
propre matrice.
Le comportement à long terme de la plupart des SBMs est basé sur la propriété
d'ergodicité des chaînes de Markov. Une chaîne de Markov qui inclut une matrice
de transition P est ergodique s'il existe quelque n 0 2': 1 pour lequel toutes les com-
posantes de p no sont strictement positives. En d 'autres mots , nous disons qu 'une
36
m atrice est ergodique si tous les états de la chaîne de Markov sont accessib les
à part ir de n 'imp or te quel état ini t ia l da ns un nombre fini d'étapes 6. Si nous
ut ilisons notre modèle illustratif avec À = 0.10, nous obtenons :
0.9048~7 0 u 0 .090484 0 0 0 .004524 0 0 0 .0001 55
0 .9048~7 0 0 0 0.090484 0 0 0 .004524 0 0 .000155
0 0.904837 0 0 0 0 .090484 0 0 0.004524 0 .000 155
0 0 0.904837 0 0 0 0 .090484 0 0 0 .004G79
0 0 0 .904837 0 0 0 0 .090484 0 0.004679
P (,\ = 0.1) 0 0 0 0.904837 0 0 0 0.090484 0 .004679
0 0 0 0 0 .904 8:!7 0 0 0 0 .095 163
0 0 0 0 0 0 .904837 0 0 0 .095 163
0 0 0 0 0 0 0 .90483 7 0 0.095 163
0 0 0 0 0 0 0 0.904 83 7 0 .095 163
et
0 . 673~08 0.070812 0 .078260 0.086,191 0.028256 0 .024146 0 .018860 0 .008828 0 .006577 0 .004'162
(
O.G7~~08 0.070812 0.0782GO 0.08G491 0.028250 0 .024140 0 .018860 0.008828 0.006577 0.004402 )
0.67330 0.070812 0 .0782GO 0.08G491 0 .02825G 0 .02414G 0.0188GO 0 .008828 O.OOG577 0 .0044G2
0 .67330 0.070812 0 .078260 0 .086491 0.02 256 0 .024146 0.01 8860 0 .0088 2 8 0 .0065 77 0.004462
P 70 ( /\\ -
-
0 · 1) -- 0 .673308
O.G73308
0 .070812
0 .070812
0 .078260
0 .078200
0.086491
0.086491
0.028256
0.028256
0 .024146
0 .024146
0.01 8860
0.018860
0 .008828
0 .008828
0 .0065 77
0 .0005 77
0.004462
0.004462
0 .673 ~0 8 0.070812 0.0782GO 0.086491 0 .028256 0 .02414G 0.018860 0 .00882 0 .0065 77 0 .004402
0.673308 0 .0 70812 0.078260 0 .086491 0 .028256 0 .024146 0.01 8860 0 .008828 0 .006577 0.004462
0.673308 0.070812 0 .078260 0 .086491 0.028256 0 .024146 0 .018860 0 .008828 0 .006577 0.004462
0 .67330 0 .070812 0 .078260 0 .0 86,191 0 .028256 0 .024146 0 .01 8860 0.00 8828 0 .0065 77 0 .00 4 46 2
Nous pouvons voir que toutes les lignes sont égales. E n plus,
(2. 19)
pour tous les ent iers k 2: 70 , avec une précision de six décimales. Cela veut dire
que, peu imp orte la distribu t ion init iale du portefeuille, nous aurons à long terme
la distribut ion suivante :
p k(À = 0. 1) = (o .6 n3o s 0 .070812 o .o7R260 o .0 86 49 1 o .0282.5 6 0.024146 o.0 18860 o.008828 o .006577 o.004462 ) .
À long te rme, nous u tilisons annuellement la distribut ion stationnaire à deux fin s
d 'abord , nous l'employons pour pla nifier le paiement des sinistres et la collecte d es
primes . Ensui te, pour évaluer la prime de base, les relativités et l'équilibre fin ancier
du système.
2.3.6 Relativités
La relativité rt s'applique aux assurés qui sont au niveau l. L' idée est de considérer
les rt comme un homologue à un facte ur de risque 8 d 'un ass uré choisi au hasard
dans le portefeuille. L'ajustement est généralement évalué par l'espérance au carré
de la différence entre 8 et rt. Ainsi, il faut minimiser E [( 8 - rt) 2 ] . La solution
générale est donnée par l'équation :
(2.21)
(2.22)
Pour plus de détails sur le développement de ces équations, voir (Denuit et al. ,
2007) pages 184 à 215.
7. Pour plus de détails à propos de toutes les dérivations des équations, voir (Denuit et al.,
2007) , (Denuit et Charpentier, 2005) et (Nor berg, 1976) .
38
prime plus élevée , basée sur leurs caract éri tiques. De plus, il y a une fort e proba-
bilité qu 'ils se déplacent vers les niveaux plus élevés , ce qui traduit une mauvaise
expérience de sinistre. Pour les ass urés à faible risque, la situation est l'inverse
et ils sont doublement avantagés . Quand nous estimons tous les paramètres du
système de classification a priori et du SBM ensemble, nous réduisons ce double
effet généré quand nous estimons les deux parties séparément.
CHAPITRE III
Les données de panel, aussi appelées données longitudinales , sont constit uées de
l'observation d 'un même ass uré durant plusieurs périodes. Dans le cas de l'as-
surance, nous observons l'assuré sur plusieurs cont rats annuels. Une d épendance
ent re le nombre de réclamations des cont rats annuels d 'un même assuré peut donc
être supposée. ous sortons ainsi de l'environnement plus classique des données
t ransversales où les nombres de réclamations provenant de chacun des cont rats
d 'assurance d 'un seul assuré sont considérés indépendants . Malgré l'ajout d' une
dépendance entre le nombre de réclamations des cont rats d 'un même assuré, nous
supposons touj ours une indépendance entre les différents assurés. Plus formelle-
ment , nous avons ainsi des vecteurs de variables aléatoires représentant toutes les
réclamations d 'un assuré i au cours de Ti années : Ni = { Ni ,l , Ni ,2 , . .. , Ni,r.}.
otre intérêt est donc de modéliser la distribu tion jointe P r [Ni,l , .. . , Ni ,rJ Il faut
aussi comprendre que les assurés ne sont pas tous observés durant le même nombre
de cont rats : certains assurés restent dans la même compagnie plusieurs années ,
alors que d 'aut res quittent après seulement une année. Mais, pour simplifier la
notation, nous utiliserons T au lieu de ~.
De nombreuses méthodes ont été proposées pour modéliser les données de panel
de comptage. Nous pouvons nous référer à (Molenberghs et Verb eke, 2005) pour
40
3. 1 Le modèle proposé
Les techniques employées par les ac tuaires en tarification l ARD ont subi une
évolution considérable au fil des ans. Un des facteurs les plus importants ayant
grandement contribué à cette évolution est le développement des outils informa-
tiques. En utilisant ces out ils, les techniques actuarielles sont devenues beaucoup
plus puissantes et précises .
J II
(
T Pr[Ni,L =
t= l
ni,tiBi , x i,d )
Dist. conditi on nell e
~ (~)
Dis t. effet a léato ire
avec ni,• = ~~= 1 ni,t· E n estimant le paramètre a de la loi gamma, les techniques
classiques des SB Ms pourraient, semble-t-il, être utilisées. Toutefois, on peut voir
plus clairement l'erreur que cette approche générerait en analysant plus en détails
l'équation de la distribution jointe de probabilité du nombre annuel de réclama-
tions de tous les cont rats de 1'assuré i :
(3.3)
par E [Ni ,t lni,l , ... , ni.t- I , Xi,t], correspondant fin alement à une prime d 'assurance
utilisant les réclamations passées , est directement considérée et utilisée dans la
distribut ion conj ointe . Cela signifie qu 'une tarification a posteriori utilisant l'ex-
périence de sinistres est déjà supp osée dans la tarification avec les données lon-
git udinales et que les paramètres du modèles (donc les /3 de la classification a
priori ) sont estimés selon cette cont rainte.
ous voyons, de plus, que les SBMs et les relativités bonus-malus ne sont pas
utilisés , et il n 'est pas clair de savoir comment les inclure dans notre modèle
sans le modifier substantiellement . Comme notre obj ectif est d 'utiliser une prime
42
L'obj ectif principal de (Boucher et Inoussa, 2014) est de proposer une technique de
calcul qui effectue la tarification a priori et a posteriori simultanément. Jusqu 'à
présent , la technique présentée dans la littérature ac tuarielle propo e de la fa ire
en deux étap e . La première étape est de modéliser la partie de tarification par
classification (ou a priori ) et dans la deuxième étape de t ravaill r la partie de
tarification par expérience (ou a posteriori ) en considérant l'historique de sinistres.
Généralement dans cette dernière étape c est où est placé le facte ur cl 'ajustement
si nécessaire (off-balance fa ctor).
Pour inclure les pénali tés d 'un SE M dans un modèle de données de panel, nou
commençons par conditionner sur un niveau cl 'ent rée l 1 . Pour des fin s de simplifica-
tions, nous ignorons le X i,t (le vecteur des caractéristiques de l'as uré i au te mps
t ) pour présenter la distribu tion conj ointe avec l'inclusion d 'une telle structure
bonus-malu . L'équation peut s'exprimer par :
s
Pr (Ni.l, Ni,2, . .. , Ni,T) = L Pr (Ni,l , Ni,2, . . . , Ni,ri L (1) = h )P r( L (1) = h ),
lJ= l
(3. 4)
où L(t) est le niveau occupé par l'ass uré au temps t , l1• est le niveau bonus-malus
au temps t et est le nombre de niveaux du SE M, avec t = 1, ... , T . l1 est le
niveau d 'entrée de l'assuré. Connaissant la structure de pénalité du SE M, le niveau
43
pour un ass uré n'ayant que 2 cont rats d 'assurance, nous avons :
= Pr (N.i,1IL (l ) = h)
s
= Pr (Ni,I [L (l ) = h)
s
Dans le premier passage de ligne, nous conditionnons la probabilité sur Ni,l = ni,l o
Dans le deuxième, nous décomposons P r(Ni,2 [Ni,l = ni,1, L (l ) = h) en considé-
rant toutes les possibilités de niveaux en L(2) , c'est-à-dire to us les niveaux y = l2
en sachant h et ni,lo Finalement , une seule possibilité démeure, soit que la com-
binaison de l 1 et ni,l donne un seul niveau possible Ni,2o
résultat suivant :
T
Pr( Ni,l , Ni,2, ... , Ni.rJL( 1) = l1) = IJ Pr( Ni,t.IL(t) = lt) , (3.5)
t= l
Comme la structure d 'un SBM est maintenant incluse dans la distribution jointe
du nombre de réclamations pour l'assuré i, il est aussi possible d 'inclure les re-
lativités SBM . En supposant une distribution Poisson , nous pouvons intégrer les
relativités rl directement dans le paramètre de moyenne :
(À r )ne- >-i,t1't
Pr( N; ,t = nJL(t) = l, X.;,t) = _;__t,'-t_;,l_ __ (3.6)
n!
1. La distribution Poisson ;
Dan leur article , les auteurs ont se concentré en aj uster un modèle avec surdisper-
sion. Dans ce cas , ils ont sélectionné la distribution Binomiale Négative (de type
45
Tous nous retrouvons ainsi avec la distribution Poisson utilisant un lien loga-
rithmique pour lier le score des régresseurs et la moyenne. Plus précisément, en
incluant les r elativités des SBM telles qu 'exprimées dans l'équation (3.7) , nous
pouvons écrire :
(3.8)
Pour construire le modèle, comme nous pouvons le voir avec l'équation (3.7) ,
nous avions cond itionné sur un niveau d 'entrée l1 . Pour compléter le modèle
et définir correctement Pr (Ni.l , Ni,2 , ... , Ni,r ), il nous faut donc la distribution
Pr (L (l ) = h) , ou, en d 'autres mots , trouver le niveau d 'entrée de chaque assuré.
Il pourrait être simple de supposer que le SBM que nous étudions implique un
niveau d 'entrée unique pour tous les ass urés étudiés dans la base de données.
Ce ne serait to utefois pas réaliste. Le premier contrat d 'un assuré dans la base
de données n 'est pas for cément le premier contrat d 'assurance de ce conducteur.
46
Comme la majorité des ass urés ont déjà un historique de conduite, capturé par
la variable NAP indiquant le nombre d 'années depuis l'obtention du permis de
conduire, nous proposons de le prendre en considération pour bien classer ces as-
surés. De plus, notons qu 'au Canada il est possible de consulter un historique des
six dernières années pour tous les assurés. Par conséquent , un as uré changeant de
compagnie d 'assurance n 'est pas considéré comme un nouveau conducteur et l'as-
sureur a la possibilité de consulter les six dernières années du dossier de conduite.
La base de données utilisée pour notre analyse po sède cette information. Ainsi,
nous sommes en mesure de retourner jusqu 'à six ans avant la date d 'entrée dans la
base de données de la compagnie et d 'utiliser cette information. Deux situations
sont possibles :
1. Le premier cas, présente la situation d 'un assuré ayant 6 ans ou moins d 'ex-
2. L'aut re cas, plus complexe, t raite de to us les aut res assurés, soit les assurés
ayant un permis de conduire depuis plus de six ans, c'est-à-dire un NAP >
6. Un problème est que nous ne pouvons pas savoir à quel niveau bonus-
malus était un ass uré durant les années antérieures à l'historique. Pendant
cette période pour lequelle on ne possède aucune donnée accessible, il est
possible qu 'un tel assuré ait été un mauvais conducteur ayant fait plusieurs
réclamations, mais il est aussi possible qu 'il n'ait j amais eu de réclamations.
(Boucher et Inoussa, 201 4) ont proposé une solut ion pour déterminer le
niveau de classement probable de chaque ass uré jusqu 'au moment où l'his-
torique des sinistres est disponible, ce que nous identifions comme t = -6,
solu tion qu 'il convient d 'étudier en détails.
La solu tion proposée par (Boucher et Inoussa, 2014) consiste à ut iliser la distri-
bution du niveau bonus-malus compte tenu du nombre d 'années d 'expérience de
l'assuré depuis l'obtention du permis de conduire ( AP ), soit 6 ans de moins que
la valeur NAP inscrite au premier contrat de l'assuré dans la base de données.
La distribution du niveau bonus-malus probable à être occupé par un assuré se
fait en utilisant la matrice de t ransition élevée à une puissance égale a u NAP de
l'assuré six ans avant de rejoindre la compagnie d 'assurance.
La mat rice de transition est calculée en introd uisant une variante à la matrice
de transition générale expliquée dans la sous-section 2.3.4. Cette transformation
inclut le Ài,t qui représente la probabilité d 'avoir un sinistre de l'ass uré i au temps
tet les r 1, l = 1, ... , s qui sont les relativités à être estimées par le SBM. En effet,
les probabilités de transition sont calculées en utilisant :
Nous remarquons que les probabilités sit uées sur une même rangée dépendent
toutes de la même valeur de relativité. Par contre, elles sont différentes d 'une
rangée à l'autre. Dans ce modèle, la probabilité qu 'un assuré, qui est au niveau
li, change à n 'imp orte quel autre niveau dépend de la relativité du niveau qu 'il
occupe (ri dans cet exemple). No us compr nans que les probabili tés d 'avoir des
sinistres sont reliées à la condition actuelle de l 'ass uré et que cette condition change
selon plusieurs facteurs, comme l'acquisition de plus d 'expérience de conduite à
travers le temps. Cette proposition est différente de la proposit ion classique en
act uariat dans laquelle il est supposé que la probabilité d 'une personne d 'avoir un
sinistre est reliée à un effet aléatoire 8 invariant à travers le temps. Cela ve ut dire
que cette personne est née et va mourir avec cet effet aléatoire. Les distributions
classiques , comme la Binomiale Négative (du type 2) et la MVNB , utilisent cette
dernière hypothèse dans leur constructions .
(3.10)
Nous introduisons p 1 (,\t) qui est le vecteur de probabilité au temps t = 1 et qui est
utilisé pour exprimer la condition d 'entrée dans le système. Il est rempli de zéros
à l'exception du niveau d 'entrée où la valeur est égale à un . Plus généralement,
nous pouvons le présenter pour un J( quelconque comme :
T
Pr [L(K , -\.t) = 1]
Pr [L(K , Ài,t ) = 2]
(3.11)
Pr[L(K, Ài,t) = s]
L'idéal serait d 'obtenir toutes les informations X i,t pour chacun des assurés i, pour
t = 1, .. . , N AP - 6. Toutefois, ce n 'est pas possible. Ainsi, nous ne savons pas
où l'assuré habitait , quel type de véhicule il conduisait ou combien de kilomètres
il a parcouru . Dans leur article, (Boucher et Inoussa, 2014) ont proposé une sim-
plification dans la construction de la matrice de transition (3.9) en calculant un
À moyen pour tous les assurés . C'est à dire , À.i,t = .>.. pour tous i = 1, . .. , n et
t= 1, ... , 7j_ .
(3.12)
le niveau probable d 'ent rée de l'assuré qui possède plus de 6 ans d 'exp érience de
conduite, nous appliquons la règle suivante :
(3.1 4)
Au chapit re 2, nous avons vu que les SBM t radi tionnels donnaient la possibilité
de générer une valeur de r 1 pour chaque niveau du SB M. Dans le modèle que nous
proposons, cela signifierait de devoir estimer s paramètres supplémentaires. En
plus d 'êt re coûteux en paramètres, cet te approche fait apparaît re des situations
incohérentes où la relativité bonus-malus estimée pourrait être plus élevée pour
des niveau SBM plus bas, par exemple des i:i > rj pour un i < j. Cette évent ualité
est à éviter : aucun assureur n 'appliquerait un tel résultat , qui impliquerait une
augmentation de primes à certains assurés n 'ayant pas de réclamation et une
diminution de primes à certains ass urés ayant des réclamations.
Ainsi, une structure linéaire p our les relativités a été sélectionnée afin de lisser un
quelconque type d 'anomalie dans le cas de l'estimation statistique. De cet te façon ,
les valeurs des relativités par rapp or t aux niveaux dép endron t de paramètres c5
et Sundt , 1989).
1 si l = 1
(3 .15)
Tt = { 6 + T(l - 1) sinon.
Notons que t ou tes les relativités peuvent être vues comme des rapports entre le
niveau occupé par l'assuré et le niveau 1, qui possède le plus gros rabais ou la
relativité égale à un. Ces rapp orts sont des ajustements qui sont appliqués à la
prime d 'ass urance pour la calibrer en fon ction de l'historique de réclamations de
l'assuré.
Il est imp ortant de noter que la contrainte décrite ci-dessus est une imposition
légale clans la province de l'Ontario. No us croyons que les assurés ayant des si-
nistres non responsables sont , dans une certaine mesure, aussi dangereux que les
assurés ayant des sinistres responsables . Dans certains cas , nous avons des assurés
avec plusieurs sinistres non responsables dans leur dossier. Par exemple, un as-
suré n 'est pas responsable, mais il génère des conditions pour un environnement
favorable aux sinistres. Ainsi, nous pensons que les sinistres non responsables sont
aussi prédictifs que les sinistres responsables. Comme actuaire, il faut comprendre
53
Dans l'estimation de chaque modèle, nous avons testé toutes les possibilités de
pénalités + XX (de 1 à 10) . Au préalable, il faut toujours avoir un niveau d 'entrée
fixe pour tous les assurés. Pour chaque combinaison de pénalité + XX et de niveau
d 'entrée , nous avons obtenu un résultat de /3 (f3n et f3NR pour le modèle de base
et /3 pour le modèle de contrôle), T et 'Y (pour chaque structure de relativité de
chaque modèle) qui a maximisé la logvraisemblance. Ainsi, nous sélectionnons
l'ensemble avec la logvraisemblance maximale parmi toutes les possibilités testées
pour chacun des modèles. Également , un des résultats de cette sélection est la
structuration du niveau d'entrée estimé par chaque modèle pour les assurés avec
un NAP plus grand que 6. Les graphiques 3.4 et 3.7 présentent cette règle d 'entrée
pour le modèle de base et celui de contrôle. Ils sont montrés et expliqués un p eu
plus tard dans ce chapitre.
Par ailleurs, dan le processu d 'estimation , nou nous limitons à une échelle SBM
de 10 niveaux , au maximum + XX = 10, et le niveau initial d 'entrée est fix é de 1
à 10. En conséquence, nou aurions pu tester plu de niveaux, mais la rareté de
l'information sur les assurés ayant un plus grand nombre de réclamations limit e
l'obtention de résultats plus stables et plus précis. De plus, (Boucher et Inoussa,
2014) ont également fixé 10 niveaux et, comme l'un de nos objectifs était de
reproduire ce travail , nous supposons que le choix est adéquat.
Pour être capable d'estimer tous les paramètres des modèles, nous avons bâti des
équations qui nous permettent de maximiser la logvraisemblance et qui contiennent
tous les éléments spécifiques de chaque modèle. Nous commençons par l'équation
de la logvraisemblance elu modèle de base, qui contient la restriction légale sur les
55
~R ~NR
rn
'"""" ( ( Ai
\ R)nR
t e -(AR)
tt
) ( (A\ iNR)n
l NRe-(ÀNR)
'1 )
l(f3 , f3 , T , 6) = L ln R! + ln N R! , (3.16)
i= l
n . n .
(3.17)
et
Les variables Tet 6 estimées dans l'équation (3.16) sont à l'intérieur de la structure
des relativités, r[it)' comme présenté dans l'équation (3.15).
L'équation du modèle de contrôle est similaire, mais sans la restriction légale. Il n 'y
a qu 'un seul ensemble de paramètres sinistres, puisqu 'il n'y a pas de distinction
entre les réclamations responsables et non responsables. Nous la présentons ci-
dessous :
(3.19)
Le Àit est structuré comme dans l'équation (3.8). Il possède la composante pour
l'exposition de chaque assuré , dit , et la composante de position dans l'échelle du
56
(3.20)
Pour illustrer plu concrètement le fon ctionnement des deux modèles , nous ob-
servons le parcours d 'un assuré selon son expérience de sinistres. Pour ce faire,
nous avo ns utilisé l'assuré numéro 1 d la base de données. Comme chacun des
- - - - - - - - - - - - - - - - - - - - - - - -- - - - - - - - - - - - -
57
modèles a ses propres règles, nous pourrons voir ses déplacements dans l'échelle
bonus-malus.
Comme il a son permis de conduire depuis 36 ans (NAP= 36), nous en déduisons
que cet assuré avait 30 ans d'expérience de conduite il y a 6 ans, au moment où
nous sommes capable de vérifier son historique de sinistres. Nous lui assignons le
niveau 2 1 pour la construction de son historique de bonus-malus à t = -6 ou
lorsque l'assuré avait un NAP= 30.
1. Voir la section 3.5.1 pour l'explication au suj et de l'assignation du niveau 2 dans ce cas-ci.
2. Nous tenons à souligner que l'année t = 0 n 'existe pas, ce n 'est qu 'un instant dans le temps
et non une année qui est dénombrable. Ainsi, l'assuré va de t = -1 à t = + 1 directement. P ar
analogie, nous avons utilisé avant le Christ et après le Christ, où il n 'y a pas d 'année 0, mais 1
avant le Christ et 1 après le Christ.
58
1 EB 1
Resp: 0 Resp: 0 Resp: Resp: 0
Non-R: 1 Non-R: 0 INon-R: 2 Non-R: 0
Chang: 0 Chang: -1 Chang: 2 Chang: - 1
Dans la figure 3.1 , les niveaux SBM de l'assuré sont présentés dans les carrés en
gras. La trajectoire (en rouge) représente l'expérience de l'assuré au fil des ans. Le
sommaire de cette expérience est présenté en dessous des flèches rouges . À l'année
t = -6, l'assuré n'a pas eu de sinistre responsable, mais il a subi un sinistre
non responsable. Cela signifie qu'il restera au même niveau bonus-malus pendant
l'année t = - 5 3 . L'année suivante, il n'a eu aucun sinistre responsable ou non
responsable, et une réduction de niveau lui est garantie. Pour l'année t = -4,
l'assuré a eu un sinistre responsable et deux sinistres non responsables. Dans ce
cas-ci, le sinistre responsable le pénalise, et la règle du changement de niveau est
déterminée par la multiplication du nombre de sinistres responsables par deux.
Ainsi, il passe du niveau 1 au niveau 3. À l'année t = -1 , nous voyons que, malgré
l'absence de sinistre, l'assuré ne change pas de niveau, car il a atteint le plus bas
du système.
Passé Présent
Temps-> t=-6 t=-5 t=-4 t = -3 t = -2 t=-1 t= + l t= + 2
Nombre de sinistres 1 0 3 0 0 0 0 0
Comme dans le modèle de base, nous lui assignons le niveau 2 4 . Le tableau 3.2
illustre le même nombre d'années que le 3.1. Son parcours y est aussi.
nous présentons l'estimation des (3, les écarts-types des estimateurs, les intervalles
de confiance (aussi utilisés mésurer la signifiance statistique des estimateurs à tra-
vers le Test de Wald) et la logvraisemblance de ce modèle. Le jeu de paramètres
que nous avons estimé contient les (3s de la distribution Poisson, un vecteur pour
les sinistres responsables et un autre pour les sinistres non responsables .
Niveau l relativité r1
1 1.000
2 1.374
3 1.457
4 1.541
5 1.625
6 1.708
7 1.792
8 1.875
9 1.959
10 2.043
Par ailleurs, la figure 3.3 nous mont re le résul tat de l'estimation de la matrice de
transition en utilisant la structure du modèle de base. Comme la probabilité de
transition dépend des caractéristiques individuelles du risque et que nous n 'avons
pas construi t une matrice pour chaque assuré, nous avons utilisé un À moyen
pour chaque type de sinistres dans la distribu tion Poisson pour construire une
seule mat rice. Nous avons calculé les estimateurs des Às moyens pour les sinistres
responsables et non responsables en utilisant la fr équence totale de la base de
données. De cette faço n, nous avons estimé le ~R = 0.02873627 pour les sinistres
responsables , avec un intervalle de confiance à 95% de (0.027887395; 0.029585 143),
et le À NR = 0.03740854 pour les sinistres non responsables, avec un intervalle
de confiance à 95% de (0.036430; 0.038387). Nous avons utilisé la t héorie de la
moyenne d 'échant illon comme es timate ur comme présenté par (?) pages 448 à
453 pour construire les intervalles de confiance et nous voyons qu 'ils sont st atisti-
quement différentes.
63
Une fois que la matrice de transition a été construite, nous pouvons déterminer
le niveau d'entrée des assurés qui ont plus de 6 ans de NAP. Nous utilisons la
méthode développée au point 3.2.2, la matrice de transition et le NAP pour classer
chaque assuré à son niveau probable d'ent rée. Le graphique 3.4 résume le résultat
du calcul du niveau d'entrée probable des assurés avec un NAP supérieur à six
dans le modèle de base.
Pour les assurés avec un NAP ~ 6, nous pouvons accéder à l'historique complet
des réclamations et reproduire avec exactit ude le parcours de l'assuré jusqu'à la
date de l'adhésion à la compagnie. Par exemple, lorsqu'un assuré potentiel appelle
la société pour souscrire à une assurance, nous pouvons accéder rapidement à son
historique de sinistres et déterminer le niveau exact auquel l'assuré entrerait.
Cependant, dans le cas où l'assuré a un NAP supérieur à 6, nous n 'avons aucun
moyen de déterminer son niveau d'entrée dans la compagnie avec précision. De
cet te façon, nous utilisons les résultats du graphique 3.4 pour déterminer le niveau
probable d'ent rée de l'assuré. Par exemple, si une personne assurée potentielle avec
NAP = 10 appelle la société pour souscrire à l'assurance, nous ne pouvons pas
savoir exactement quel est son niveau d'ent rée, puisqu 'elle a un NAP plus grand
que 6. De cette façon, nous obtenons NAP - 6 (10 - 6 = 4) et nous utilisons
64
la fonction décrite dans le graphique 3.4 du modèle de base pour lui assigner
un niveau de départ. Nous pouvons donc déterminer le niveau probable d'entrée
6 ans avant que l'assuré rejoigne la compagnie et, à partir de ce point, utiliser
l'historique des sinistres disponible pour compléter le parcours et déterminer le
niveau d 'entrée de l'assuré dans la compagnie. Notez que cc niveau a été établi
sur la base d'une estimation et d'informations précises.
Figure 3.4 iveau d'entrée estimé des assurés pour le modèle de base
!0
0
6 9 LO ll 8 19 20
l\AP -6
Tout d'abord, nous constatons que le niveau d 'ent rée pour les personnes assurées
avec un NAP supérieur à 6 n'est pas linéaire. Deux éléments soutiennent cette
constatation. D'une part, la méthode choisie pour déterminer le niveau d'entrée
utilise une règle par rapport à la relativité moyenne selon le NAP-6 et les relativités
estimées pour le modèle.
De plus, nous vérifions que les deux premières années après NAP-6 sont considérés
comme similaires en termes de risque, puisqu 'elles sont classées au niveau 10. ous
avons observé une diminution du niveau d 'entrée du AP-6 de 2 à 6. Les niveaux
65
6 et 7 sont également classés et nous voyons une réduction jusqu 'au NAP - 6 =
10. À partir de NAP- 6 supérieur à 10, le niveau d 'entrée assigné aux assurés est
le 2.
Maintenant que nous avons estimé les /3 des deux modèles, nous pouvons compa-
rer comment le modèle de classification a priori pondère les caractéristiques de
l'assuré et de son véhicule. Pour procéder à cette comparaison, il fau t introduire le
profil de base . Cet assuré est celui où tous les Xi = 0 à l'exception de X 0 = 1. Cela
veut dire que le .\ ,t = exp(f3oXo + /3rXr + /32X2 + ... ) devient Ài,t = exp(f3oXo)
pour un cas générique. Généralement , cet assuré de base représente le profil avec
la plus grosse exposition parmi tous les profils de la base de données. Si nous
regardons le tableau 1.2, nous pouvons structurer ce profil en déterminant le com-
plément des informa tions qui y sont fournies. Ainsi, le tableau 3.6 présente les
caractéristiques de l'ass uré avec le profil de base. Il est à noter que ce profil de
base est le même pour les deux modèles , car ils utilisent tous deux la même base
de données et les mêmes X i .
66
Tableau 3.6 Description du profil de l'assuré de base pour les deux modèle
D escription du profil
Âgé 61 ans ou plus .
Véhicule est âgé de 6 ans ou plus.
L'assuré n 'a pas de maison.
Il y a 3 conducteurs ou plus.
L'assuré est marié.
Il a reçu de infractions mineures.
67
Nous commençons par incorp orer ces informations dans chacun des modèles et
d'extraire la prime de base de chacun . Les équ ations liées à ce calcul sont simi-
laires mais ne sont pas égales. Pour le modèle de base, la prime est calculée sous
forme agrégée puisqu 'elle comporte deux composantes : Prime = )..R + ).. NR =
exp (/3{!) + exp(f3(;1R). P our le modèle de contrôle, le calcul est direct : Prime
= exp(/30 ). Rapp elons qu 'à ce stade du travail , nous nous intéressons uniquement
à la comparaison entre les modèles de classification a priori et nous ne prenons
pas en compte les relativités des SB M de chacun. Le tableau 3.7 mont re les détails
du calcul.
Cette comparaison mont re que, même si les pénalités sont plus sévères, le modèle
de cont rôle a une prime de base inférieure à celle du modèle de base, ce qui suscite
une plus grande attractivité de la part des assurés à faible risque.
non responsables) . Il sera donc nécessaire d 'agréger les résul tats des f3 R et f3N R
pour les comparer aux f3 du modèle de cont rôle. Lorsque chacun des modèles est
utilisé en tarification , nous pouvons calculer le pourcentage de changement de
prime selon chaque caractéristique (ou variable X 1 , X 2 , ... , X 10 ) par rappor t à
l'assuré de base . Ainsi, le tableau 3.8 montre les f3 des deux modèles et l'effet de
chaque régresseur.
Dans la structure même du modèle de base , nous voyons déj à comment les deux
types de sinistres ajustent différemment la prime de base. L' âge de l'assuré est le
meilleur exemple. Dans le cas des réclamations responsables, l'âge de l'assuré ne
semble pas avoir d 'importance parce que les surcharges appliquées sont minimes
ou nulles. Cependant, en ce qui concerne les réclamations non responsables, l'âge
a un poids important dans l'ajustement de la prime de base, en appliquant des
surcharges de 23% ou 28% selon le group e d 'âge. Cette différence de traitement
dans le modèle de base apparait également quand on prend en compte l'âge du
véhicule, la possession d 'une propriété, l'état civil de l'assuré et les infractions
mmeures .
70
modèle de contrôle, ce qui génère des primes extrêmes . P ar exemple, dans le modèle
de contrôle, l'escompte maximum est de 30% et la surcharge maximale s'élève à
31%, tandis que, dans le modèle de base, nous avons une réduction maximale de
66% et une surcharge maximale de 68%.
À noter que cette comparaison des surcharges ou rabais par variable est fait pour
connaît re l'impact réel de l'application concrète des modèles en tarification. L'ob-
jectif n 'est pas de mesurer la différence statistique entre les estimateurs. Cette
approche est plus axé pour ré oudre les problèmes de décision qui les actuaires
ont clans les compagnies d 'assurance pour choisir des variables et des modèles à
utiliser pour construire leurs tarifs .
Enfin , nous arrivons aux relativités du modèle de contrôle. Le tableau 3.9 présente
les résultats de l'estimation , en ut ilisant les estimés de b = 1.13735056 et f =
0.10002584.
Les relativités des niveaux 2 à 10 du modèle de contrôle sont 0.10 plus élevées
à chac un de ces niveaux . Du niveau 1 au niveau 2, cette distance est légèrement
71
Niveau l relativité rl
1 1.000
2 1.237
3 1.337
4 1.437
5 1.537
6 1.637
7 1.738
8 1.838
9 1.938
10 2.038
supérieure, elle atteint près de 24%. Si nous comparons les relativités des deux
modèles, le modèle de base a des relativités égales ou supérieures au modèle de
contrôle à tous les niveaux. Les niveaux extrêmes sont égaux ou extrêmement
proches. Cela se produit, car le modèle de base est moins sévère et doit donc
trouver des moyens de compenser ce manque de séverité de -1/ 0/+2 par rapport
à -1 /+3 du modèle de contrôle.
2.1 00
1.900
l.ïOO
-
~ 1.500
1.300
LI OO
0.900
2 d 6 9 10
Niveau
10
1 4 5 6 9 10 Il 12 13 14 15 16 1ï 18 19 20
NAP-6
Figure 3.8 Comparaison du ruveau d'entrée estimé pour les deux modèles
10
0
4 6 S 9 10 Il 13 14 15 16 17 lS 19 20
1\AP- 6
CHAP ITRE IV
L'analyse proposée a comme but comprendre l'influence des accidents non res-
ponsables dans la tarification en assurance automobile. Les évaluations et les
comparaisons des deux modèles sont effectuées sous deux axes. Le premier axe
d 'analyse utilise certains outils statistiques, telles que la logvraisemblance et le
critère d 'information d 'Akaike , et certaines unités de mesure proposées par l'ou-
vrage de (Lemaire, 1995) sur les bonus-malus. Le deuxième angle d 'analyse est
basé sur l'équilibre actuariel entre primes et sinistres pour chac un des modèles, à
savoir ce qui se passerait si le modèle de contrôle et le modèle de base étaient en
compétition dans un marché fermé. Nous comparons des profils d 'assurés et nous
identifions le modèle qui surpasse l'autre dans la course à la clientèle. Nous sup-
posons un environnement fermé, c'est-à-dire qu 'il n'y a pas de clients provenant
de l'extérieur. Seuls les ass urés présents dans la base de données au moment de
76
La logvraisemblance est l'un des outils les plus utilisés pour évaluer l'ajustement
des modèles. (Boucher et Inoussa, 2014) l'ont d 'ailleurs utilisée comme instrument
de comparaison entre les modèles qu 'ils ont développés. Au chapitre précédent ,
nous y avons fait recours pour déterminer le type de paramétrisation offrant le
meilleur ajustement statistique pour chaque modèle. En effet, pour obtenir la
valeur des paramètres des modèles , nous avo ns essayé toutes les combinaisons
possibles des niveaux de pénalité par sinistre déclaré, et to us les niveaux d 'entrée
possibles . Le modèle choisi demeure celui qui possède la combinaison qui génère
la meilleure logvraisemblance .
Toutefois, cette statistique d 'ajustement n 'est pas compara ble d 'un modèle à
l'aut re. Le modèle de base modélise les deux types de sinistres séparément. Cela
veut elire que ce modèle calcule la logvraisemblance pour la omme des deux
modèles de probabilités , un pour chaque type de sinistre. Si nous utilisons une
no tation simplifiée, nous avons :
(4.1)
(4.2)
avec S = JVR + JVNR. Pour que les deux soient comparables , le modèle de contrôle
devrait modéliser la probabilité de toutes les combinaisons possibles qui donnent
77
S, ce qu 'il ne fait pas. Il faut donc d 'autres outils pour évaluer et comparer ces
deux modèles. Ces outils sont présentés dans ce qui suit .
t
V:t (J pri m e
C pTiTne = - - -t - ' (4.3)
p
avec
" 'nt pt
-pt = 0 i= l i
(4.4)
" ' nt Et·
0 ,=1 '
Les primes individuelles par année sont calculées comme suit :
(4.5)
(4.6)
78
et
t
"""' nt
L..... 2=l
(Pt_
2
P')2
(Jpr ·i me (4.7)
(4.8)
avec
(4.9)
et
"""'6 """'nt (Pt _ Pt)2
L..... t=l L.....t= l 2
(4. 10)
Le CV est une statistique connue, simple et facile à in terpréter parce que , entre
aut res, elle n'a pas d 'unité de mesure. Ces avantages facilitent son ut ilisation et
son implémentation. Si nous nous fions à (Lemaire , 1995), nou concluons que le
modèle le plus pénalisant est celui qui possède le CV le plus élevé.
Tableau 4.1 Les coeffi cients de variation globaux des deux modèle
modèle CV Global
Base 0,4509332
Contrôle 0,4687446
Le tableau 4.1 présente les coeffi cients de variation globaux des deux modèles à
l'étude . No us observons que le modèle de contrôle est plus sévère que le modèle
de base, car la valeur de son coefficient de variation global est plus élevée.
79
1. Les modèles utilisés dans (Lemaire, 1995) sont évidemment différents des
nôtres , (Lemaire, 1995) ayant utilisé la calibration classique des SBMs (voir
section 3.2.7).
2. P armi les différences entre les SBMs de (Lemaire, 1995) et les nôtres est le
fait que l'auteur a ut ilisé une prime de base unique pour tous les ass urés du
modèle, tandis que nous avons segmenté la prime de chaque ass uré selon ses
caractéristiques.
Comme nous pouvons voir dans le tableau 4.2 , nos modèles sont situés dans le
haut du classement. Cela signifie que nos modèles permettent d 'offrir des primes
fort ement différentes entre les assurés.
Il faut noter que dans les modèles que nous avons développés, une partie de la dif-
férentiation des primes provient des relativités bonus-malus , mais une autre partie
provient de la segmentation a priori. De cette façon, pour pouvoir comparer de
manière cohérente les résultats , nous avons calculé de nouveau le CV des modèles
en éliminant la segmentation a priori. Il faut cependant indiquer que nous n 'avons
pas estimé de nouveau tous les paramètres des modèles : nous avo ns utilisé toute
80
7 Sruod<' 0,3769
8 Pays Bas 0,3523
.Japon (11011V<'a 11 ) 0.32 3
10 Taï\\'an 0.3162
Il ]\Ja laisic 0.3075
12 Dcuamark 0.30 17
13 S11isse (vi<·11 x) 0.2 700
1-1 FiulandP (vie11x) 0.2570
15 Allcmag1w (nou,·caux) o.253G
16 Houg Kong 0.2518
17 R oya tlnJ r - U ui (sam; protC'C't iou) 0 .2~1 9
la structure déjà développée, mais nous avons enlevé l'impact des caractéristiques
du risque. Le tableau 4.3 nous présente les résultats de ce nouveau calcul.
Après la correction du CV, il est possible de voir dans le tableau 4.3 que les
coeffi cients de variation des modèles sont réduits . ous nous y attendions. Ce
qui est le plus important est la démonstration de la classification des modèles.
os modèles demeurent dans la partie supérieur du tableau. Cela signifie que les
modèles à l'étude sont capables de bien différencier la prime d 'assurance.
Dans le cas sans segmentation a priori, le nouveau SBM de la Suisse est le plus
sévère et il différencie le plus les primes. Or, si nous ajoutons la segmentation a
priori pour différentier davantage les primes de nos modèles, comme nous pouvons
le voir dans le tableau 4.2, le modèle de contrôle est plus sévère que celui de la
Suisse. Notons que le modèle de base , même avec l'ajout d 'une segmentation a
priori , n'est pas encore aussi sévère que celui de la Suisse. Selon cet outil , le modèle
de base différencie davantage la prime d 'assurance comparativement aux autres
pays , mais il est inférieur que le modèle de contrôle.
Dans le tableau 4.4, nous avons apparié les coefficients de variation de nos mo-
dèles avec l'inclusion d 'une segmentation a priori et sans celle-ci. Une différence
d 'environ 11 % des CVs est due à cette segmentation .
Le résultat le plus important de cette analyse est que les modèles proposés sont
encore classés dans la partie la plus haute des tableaux. Cela nous assure qu 'ils
distinguent davantage les primes d 'assurance. Dans le tableau 4.4, il est évident
que le modèle de contrôle performe mieux que le modèle de base. Toutes les
statistiques sont favorables et démontrent que le modèle de base est pénalisé par
l'inclusion de la contrainte légale. Commençons maintenant à évaluer le CV par
modèle. Dans le tableau 4.5, nous présentons les CVs du modèle de base.
82
Tableau 4.3 Les coefficients de variation globaux des modèles , sans le modèle de
classification a priori
R a ng Pays (ou systè m e ) Le coe fficien t d e variation
Suiss<' (uo\1\'Pau ) IU oD5
2 modèle d e contr ôle 0 ,422 1
3 modèle d e base 0 ,4070
Nur vrg<' (v i<' IIX) 0.3900
5 l\c•nya 0.3835
6 Fi ulanri P (nouvea u) 0.383-1
7 Surd r 0.3769
8 Pays Bas 0,3523
D .J apo n (nou,·ra u) 0.3283
lO Taïwau 0.3162
11 ~da l ais i e 0.30 ï 5
L2 Qpuamark 0.301 7
13 Suisse (,·i•·nx) 11 .2700
1-1 Fin land<• (,·ipux) 0.25711
15 A ll <·magm· ( noii Vt'illl x) 0.2536
16 l loug l(nug 11,25 1
17 Roya n111 r-U ni (sa ns prorce tiou) 0.2-11 9
18 Luxr111bomg (nou,·ra u) 0.2 1-17
19 Belgiq ue (nouvea u) 0.2128
20 Fraun• 0.20-1 9
21 Norvège (uo uvca u) 0.20-1 9
22 Portugal 0.19oG
23 Th aïlaud <• 0. 1925
24 Espagn<' 0, 1533
25 Currl' du Suri 0.127 1
26 .la pon (\· ir11x) 0. 126 1
27 Royau111c-U ni (protege) 11.12GO
28 Lu xcluhourg (vü•u x) 0. 1075
29 lr a lif' (nonvra 11 ) 0.093-1
311 Bc lgiq11r (d !'ux) 0.0586
31 Brésil 0.0311-1
32 ltal ir (vieux) 0. 00-16
83
Tableau 4.4 Les coefficients de variation globaux des modèles avec et sans la
segmentation
année
Statistique 1 2 3 4 5 6
Prime moyenne 0,0687 0,0659 0,0633 0,061 5 0,0599 0,0605
L'écart-type 0,0325 0,0248 0,0236 0,0231 0,0504 0,0527
Coefficient de variation 0,4730 0,3768 0,3738 0,3759 0,8416 0,8705
Au préala ble, il faut noter que les deux dernières années d 'exposition sont forte-
ment réduites et cela génère des résultats hors des attentes. Dans le tableau 4.5,
nous pouvons observer que les statistiques CV diminuent durant les quatre pre-
mières années, années durant lesquelles les bases de données ont une exposition
crédible. Cette réduction illust re la tendance qu 'ont les primes de se rapprocher
et de réduire l'écart entre elles. Quand le temps passe, les assurés changent de
niveaux dans le système et la majorité migrent aux positions ayant des primes
moins chères. Cela garantit un rapprochement des valeurs des primes au fi l des
années.
Le tableau 4.6 nous présente les CVs du modèle de contrôle. Nous pouvons voir que
les CVs du modèle de contrôle se comportent de façon similaire à ceux qui ont été
observés dans le modèle de base. Dans les deux cas, nous constatons que les assurés
vont aux niveaux inférieurs du système au fi l du temps. Cette concentration dans
les niveaux plus bas du système réduit l'écart de la valeur des primes . Pour mieux
84
année
Statistique 1 2 3 4 5 6
Prime moyenne 0,0688 0,0661 0,0628 0,0609 0,0591 0,0593
L'écart-type 0,0334 0,0264 0,0249 0,0245 0,0502 0,0516
Coefficient de variation 0,4856 0,3988 0,3970 0,4014 0,8489 0,8699
analyser toutes les informations à propos des coefficients de variation des modèles,
nous avons élaboré le graphique 4.1.
Figure 4.1 Comparaison entre les coefficients de variation des deux modèles
0 950
o_s;o
Q
.9 O.i 50
.~ - ....... - C\· - ~ l cdèle de comrO!e - - CV · Modè.lë d: hl se
~(lJ
-o 0 650
ê:
(lJ
(j
li3
(lJ
0 llO
0
u
O.JlO
0.3 l 0
Année
Si nous utilisons le CV comme outil de base pour choisir le meilleur modèle entre
les deux, nous pouvons nous baser sur ce que (Lemaire, 1995) nous indique : celui
qui a le CV le plus élevé est le modèle qui distingue davantage les primes, ce qui
le rend le meilleur modèle. Avec une meilleure différenciation, il est possible de
85
proposer des primes plus adaptées au risque de chaque assuré, de garantir plus
de compétitivité des tarifs et d 'attirer de meill eurs assurés en terme de risques
pour le portefeuille. À long terme , cela augmenterait les chances de solvabilité de
la compagnie d 'assurance . Suite à cette constatation, le modèle de contrôle est
meilleur que le modèle de base.
Selon les mots de (Lemaire, 1995), le niveau relatif moyen stationnaire (NRMS)
mesure la position du conducteur moyen, une fois que le SBM a atteint un état
stable, sans définir ce qui est un état stable. ous considérons alors que cet état
stable signifie que le portefeuille est assez grand , inclut des assurés de toute sorte
d 'expérience de condui te (diverses valeurs de NAPs), et que les ass urés sont distri-
bués dans tous les niveaux du modèle. Nous retrouvons cette stabilité dans notre
étude.
Une statistique NRMS plus élevée suggère une meilleure répartition des assurés
dans les niveaux du SBM . En fait , plus ce nombre est faible, plus la concentration
d 'assurés dans les classes à rabais est élevée. Plus ce nombre est élevé, meilleur est
le modèle, puisqu 'il est capable de mieux répartir les assurés entre les niveaux et
permet une plus grande variation des primes d 'assurance. (Lemaire , 1995) a ex-
pliqué que cette statistique est comparable à des SBMs qui ont différents types de
structures , différents nombres de niveaux et différentes structures de pénalisation.
Le NRMS est calculé selon l'équation suivante :
N RM S = Niveau Moyen Stationnaire - Niveau Minimal
(4. 11)
iveau Maximal - iveau Minimal
NNIS =71'S (4 .1 2)
86
où 1r est la ligne de la mat rice stationnaire IT, basée sur les matrices de transitions
T et T c, dans les fi gures 3.3 et 3.6. Ces deux matrice sont utilisées pour estimer
les vraies matrices de transition des deux modèles , car elles sont con truites d 'une
façon aussi approximative et avec les données de t- 6 jusqu'à t + 6, et elles sont
utilisées pour parcourir ce qui se passe avec les ass urés avant t - 6. Le vecteur-
colonne s est une séquence numérique de 1 à 10 : s = (1, 2, ... , 10).
Le NRMS est toujours compris entre 0 et 1. Si la valeur est pro che de zéro , il existe
une t rès grosse concentration de assurés dans les classes de primes moins chère.
À l'inverse, si la valeur est près de 1, il existe une concentration des ass urés proche
du niveau de prime le plus chèr du système. Une valeur de NRMS plus au centre
peut indiquer une meilleure distribution des assurés dans les niveaux du SBM.
(Lemaire, 1995) a remarqué que pour tous les systèmes, il existe une tendance :
il y a une réduction des prime au cours des années et une for te concent ration
des assurés se retrouve dans les classes les moins chères. Il explique que cette
sit uation génère des indices généraux à la baisse, c'est-à-dire, la classe moyenne
que les assurés occupaient est proche du niveau le plus bas du système.
Dans le tableau 4.7, nous présentons les NRMS du modèle de base et de contrôle.
La méthode n 'utilise que trois éléments pour faire son calcul : le ). , la mat rice
de t ransition et la structure du SBM. Aucune relation avec les données n 'est
nécessaire pour obtenir le résul tat.
modèle NRMS
Base 1,22%
Cont rôle 7,80%
Le tableau 4.7 précise que le modèle de contrôle distribue mieux les ass urés dans les
87
niveaux du SB M et permet une plus grande diversification des primes d 'as urance,
ce qui est préférable. P lus précisément , cette différence majeure ent re les deux
modèles est due à la structure de pénalisation de chac un. Le modèle de base
distingue les deux types de sinistres et il bouge l'ass uré faut if seulement s'il est
responsable de l'accident . Si l'ass uré est considéré comme non responsable de
l'accident, il ne change pas de niveau. De cette façon, le modèle de base garde une
partie des assurés qui participent d 'accidents dans les niveaux plus bas du système,
tandis que le modèle de contrôle les envoie tous aux niveaux plus élevés du SB M.
Cela se reflète dans les matrices de transitions T et T c, qui sont une des variables
de la statistique NRMS. Ainsi, cette statistique démontre que le modèle de contrôle
est meilleur que le modèle de base par rapport à la distribu t ion des ass urés clans
les niveaux du système. À titre de comparaison , le tableau 4.8 présente l'insert ion
des statistiques RMS de nos modèles dans celles calculées par (Lemaire, 1995).
Nous vérifions à t ravers les résul tats elu tableau 4.8 que nos deux modèles ont des
statistiques TR MS insérées avec celles des modèles testés par (Lemaire, 1995).
Comme le calcul ne dépend que de t rois éléments , la façon dont ils interagissent
entre eux fait une différence significative . Le SB M le plus sévère est celui du
Kenya où le conducteur est envoyé au niveau le plus élevé elu système s'il fait une
réclamation.
Quand les actuaires font la tarification en assurance non-vie, leur premier obj ectif
est cl 'avoir un modèle qui puisse récolter le montant nécessaire pour payer les si-
nistres chaque année, ce que nous app elons un équilibre actuariel. Cette analyse se
fait selon un scénario libre de compétition . L' évaluation de ce rapport est appelée :
ratio sinistre 1 prime.
Plus en détail , nous avons calculé la prime pour chaque assuré par modèle et par
88
Tableau 4.8 Comparaison entre les NRMS des nos modèles et les NRMS calculés
par (Lem aire, 1995)
année . ous avons évalué ces primes et nous les avons comparées avec les sinistres.
Le Tableau 4.9 présente le sommaire de ces résultats et il inclu t le ratio sinistre 1
prime pour chaque cas.
Tableau 4.9 Sommaire de primes et sinistres avec le ratio sinistre 1 prime par
modèle
année
1 2 3 4 5 6 Global
Sinistres totaux ($) 1 752 1 263 830 556 224 2 4 627
Prime - Base ($) 1 616,2 1 276 ,7 881,2 595 ,7 220 ,1 1,8 4 591,9
r és ultat - Base ($) -135 ,8 13,7 51,2 39,7 -3,9 -0 ,2 -35 ,1
Ratio sinistre 1 prime - Base (%) 108,4% 98 ,9% 94 ,2% 93 ,3% 101 ,8% 108,3% 100,8%
Prime- contrôle ($) 1 616 ,8 1 279 ,3 875 ,0 589 ,3 216 ,6 1,8 4 578,8
résultat - contrôle ($) -1 35 ,2 16,3 45 ,0 33,3 -7,4 -0 ,2 -48 ,2
Ratio sinistre 1 prime - Contrôle (%) 108,4% 98 ,7% 94 ,9% 94 ,3% 103,4% 108,5% 101 ,1%
En observant les résultats du tableau 4.9, nous avons vérifié que les deux modèles
se sont comportés comme prévu . Il existe des variations positives et négatives
de ce rapport par année . Ces oscillations sont to uj ours attendues. Celles-ci sont
observées dans le marché d 'assurances. Ainsi, sans être en compétition, les modèles
sont capables d 'amasser suffisamment d 'argent pour payer les réclamations. Le
ratio sinistre 1 prime nous aide à comprendre qu 'avant d 'entrer en comp étition,
les modèles sont autonomes. Aut rement dit , chacun peut survivre fin ancièrement
s'il n 'y a pas de concurrence. Dans la section suivante, nous examinerons comment
les modèles de base et de contrôle se comportent lorsqu 'ils sont mis en compétition
pour attirer les assurés. Lequel des deux survit? Quel type d 'assuré est attiré par
chaque modèle? Comment se comportent les primes et les sinistres à travers le
temps entre les deux modèles?
90
Nous pensons qu 'il existe une autre manière d 'évaluer et de comparer l'efficacité
entre les deux modèles de tarification : à travers la simulation d'une compétit ion
de marché où chaque modèle représente une compagnie d 'assurances. ous croyons
que cet approche test aussi la capacité prédictive des modèles face à un environ-
nement non parfait, c'est-à-dire face à un environnement non contrôlé et absent
de compétiteurs. À notre connaissance, ce type d 'évaluation des tarifications n 'a
jamais été utilisée ni étudiée clans la littérature act uarielle.
Comme nous l'avons remarqué jusqu 'à présent , les deux modèles sont en mesure
de déterminer les primes d 'assurance suffisantes pour faire face au paiement des
sinistres . Chaque modèle se comporte différemment en raison de ses spécificités et
de ses contraintes . Dans un scénario de concurrence, ce qui est le plus important
pour une compagnie d'assurance est de pouvoir attirer les personnes qui offrent
moins de risques d 'accident , de réduire ou d 'éliminer l'antisélection et de contrac-
ter le montant le plus approprié de prime d 'ass urances par rapport au type de
risque. D'une part , dans un modèle avec moins de restrictions, comme dans le cas
elu modèle de contrôle, il est possible d 'avoir une prime d 'assurance plus personna-
lisée et plus adaptée au type de risqu e. D'autre part , lorsqu'il existe une restriction
légale, comme dans le cas elu modèle de base, la valeur de la prime d 'assurance
de chaque personne assurée est moins précise par rapport au risque. Une certaine
forme de compensation est nécessaire pour que le modèle puisse ramasser le mon-
tant nécessaire afin d 'honorer ses engagements. La façon dont le modèle de base
se comporte consiste à reéquilibrer les primes d 'assurances en fact urant un p eu
plus les ass urés moins risqués pour compenser la restriction liée à l'impossibilité
d 'augmenter les primes des assurés qui ont des réclamations non responsables.
91
Jusqu 'à présent , le modèle de contrôle est plus sévère par rapport à la structure
des pénalisations que le modèle de base sur deux aspects :
1. Le modèle de cont rôle a la possibilité de pénaliser les ass urés qui ont des ac-
cidents non responsables. À l'inverse, le modèle de base, dû à une cont rainte
légale, ne peut pas utiliser les réclamations non responsables p our augmenter
la prime d 'ass urance;
Deux autres éléments font varier la valeur des primes d 'assura nce : le profil de
l'assuré à travers la structure de tarification a priori et la relativité de chacun
des modèles . Les deux se complètent et t ravaillent ensemble pour déterminer la
meilleure prime d 'assurance pour un assuré. La valeur totale correspond approxi-
mativement à la même quant ité d 'argent récolté par le modèle de cont rôle. Comme
nous avons vu dans la section précédente, les deux modèles sont suffisamment ca-
pables d 'être en équilibre act uariel dans un scénario sans compétit ion.
Pour mettre en place le système de comp étition, nous avons émis une hypothèse
de base : les ass urés achètent toujours le produit d 'ass urance chez la compagnie
d'assurance qui offr e la prime la plus basse selon leurs caractéristiques du risque et
leur niveau bonus-malus. ous supposons a ussi que les couvertures d 'assurances ,
le marketing ou le niveau des services offerts par les deux compagnies , sont les
mêmes. Du moins, ils ne sont pas considérés par les assurés lor qu 'ils choisissent
leur compagnie. Chaque année, p our chaque assuré ayant un profil d 'assurances
précis et un historique de sinistre connu , nous étudierons le mouvement des assurés
en vérifiant quel modèle offre la prime la plus basse. Nous ne considérerons que
ces deux compagnies . Le marché est ainsi fermé, car il ne comprend que deux
92
Tous commençons not re analyse par les résul tats globaux de ce modèle de compé-
tition. Le tableau 4.10 présente la synt hèse de la comparaison des deux modèles.
En analysant les résul tats du tableau 4.10 , nous constatons que la société 1 n 'est
pas en mesure de payer la totalité des réclamations avec les primes d 'assurance
qu 'elle recueille auprès de ses assurés. À l'inverse , la société 2 est en mesure d 'hono-
rer ses engagements avec un certain profit. Ce fait se produit dans toutes les années
analysées. Le marché est défi citaire et cela est dû aux résultats de chaque compa-
gnie. Il appartient à l'ent reprise d 'adapter ses primes afin de retrouver l'équilibre
et d 'obtenir un profit . Dans une sit uation réelle, après un an avec un ratio sinistre
1 prime de 316%, la société 1 aurait deux options : soit modifier radicalement ses
tarifs et être supportée fin ancièrement par ses partenaires, soit déclarer la faillite
et quitter le marché. Dans le premier cas , le résul tat d 'une reprise fin ancière est in-
certain. La société peut se rétablir ou avoir encore un déficit à la deuxième année.
Dans le deuxième cas , comme le marché est fermé, les assurés qui se trouvaient
dans la société 1 migreraient à la société 2 sans avoir le choix. La compétition
disparue, cette société pourrait modifier ses tarifs sans avoir de contrainte. En
quelque sorte, la compagnie 2 évaluerait son éq uilibre fin ancier sur le long terme
et le marché passerait du déficit au profit.
Si par hasard la concurrence dure toutes les six années , nous voyons clairement
que la société 1 a été déficitaire avec un ratio sinistre 1 prime 322% et la société
2 a réalisé un gros bénéfice de 54% avec un ratio de sinistre 1 prime de 46%.
Le marché affichait un défi cit total de 9% (ratio sinistre 1 prime de 109%). Ce
déficit était mesuré en fon ction de la combinaison des activités des deux sociétés.
93
Tableau 4 .10 Sommaire de la comp étition entre les deux modèles/ compagnies
Nombre d 'assurés Prime S inistre r és ultat Rapport
année modè le Nombre (% ) ($) ($) ($) Sinis tre/Prime (% ) Condition
111 121 131 141 151 161 171 151-161 111 161/ 151 191
année 3 Base 5 710 18% 335 ,9 1 124 ,0 -788,1 335% Défi cit
cont rôle 25 365 82% 1 298,1 558,0 740,1 43% Profit
marché 31 075 1 634.0 1 682 ,0 -48,0 103% Déficit
année 4 Base 3 725 17% 209.2 794 ,0 -584,8 380% Défi cit
contrôle 18 330 83% 903,7 368,0 535,7 41% Profi t
marché 22 055 1 112,9 1 162 .0 -49,1 104% Défi cit
an née 5 Base 2 288 15% 70,9 312 ,0 -24 1,1 440% Défi cit
contrôle 12 638 85% 339.7 133.0 206,7 39% Profit
marché 14 926 410.6 445,0 -34,4 108% Défi cit
Nous concluon que, dans un contexte de concurrence, que si l'ent reprise 1 utilise
une cont rainte légale dans sa tarification , elle se place dans une sit uation de désa-
vantage concurrentiel, car, pour incorp orer cette contrainte , elle doit changer la
relation entre la valeur de la prime qu 'elle charge et le risque qu 'elle acqui t pour
chaque individu . Il en résul te des prix qui ne correspondent pas au vrai risque
assumé par l'ass ureur. Toutefois, une compagnie ne vais pas décider de inclure
une telle cont rainte dans son système de tarification sans une raison. ous éta-
blissons un parallèle ent re cette cont rainte légale et les primes qui pardonnent .
Ils travaillent de la même manière et, dans ce cas, l'ent reprise inclut ce dernier
dans son système de tarification pour pardonner et retenir les assurés qui ont des
réclamations.
Tout d 'abord, le modèle de cont rôle possède environ 78% des assurés au début
de la comp étition. Cela signifie généralement que la prime d 'assurance offerte par
le modèle de cont rôle à chaque assuré est plus avantageuse que celle du modèle
de base pour la première année analysée . Ensui te, il y a plus de tit ulaires de
polices d 'assurances de la compagnie 1 qui passent à la compagnie 2 que l'inverse
pendant toute la période. Dans notre modèle de compétit ion , la règle est claire,
l'assuré choisit l'entreprise avec.: la prime d 'assurance la plus basse. S'il y a un
changement plus significatif des assurés qui passent du modèle de base au modèle
de cont rôle, c'est parce que le prix du modèle de cont rôle est plus bas. Puis, le
taux de renouvellement des cont rats d 'assurance est plus grand dans le modèle de
95
contrôle que dans le modèle de base, car il offre des primes plus avantageuses à
ses ass urés à fin qu 'ils restent dans son portefeuille.
Étant donné que nous ne travaillons pas avec des données provenant d 'un réel
marché de compétition , mais plutôt avec des données d 'un réel assureur , nous
devons ajuster l'effet produit par le départ de certains assurés. Les lignes 6 et
7 du tableau 4.11 représentent ces personnes qui sortent de la base de données
utilisée. Comme cela ne fait pas partie des nos hypothèses, nous avons décidé de
corriger cet effet et d 'ajuster les indices en conséquence. De cette façon, nous avons
produit le tableau 4. 12, où nous présentons les résultats corrigés. Chaque année,
nous utilisons uniquement les données des assurés qui changent ou qui restent de
compagnie dans le scénario de compétition .
Ta ux d e changement basr po ur co nt rôle 11 61 IIOI 1 llOI + 11 41 19 ,8% 36.3% 26.3% 251% 27 ,1%
Ta ux Uc t hangenl{'ll t coutrôh• pou r base 11 71 II·II 1 I!OI + IJII 7.3% 5.0% 4.7% 3,8% 5,2%
Taux dr rcnom·cllelllcnt à pru t ir du modèle dr base 1LSI 1111 1 1111 + 11 51 80.2% 63.7% 73.7% 7<1.2% 73 .0%
Ta ux dr rc uo uvc llctn c nt à par t ir dn tn od<"'c de co nt rôle 1101 11 51 1 Il ti "" 11 51 92.7% 95.0% 95.3% 96.2% 94.8%
96
Nous avons observé qu'en moyenne 27,1% des ass urés passent du modèle de base
au modèle de contrôle et que seulement 5,2% font l'inverse. Cela démontre à quel
point le modèle de contrôle est plus att rayant et à quel point il est plus apte
à retenir les t it ulaires de police. Selon nos estimations, 94,8% des t itulaires de
polices restent dans le modèle de contrôle chaque année alors que seulement 73 %,
demeurent dans le modèle de base. Cela confirme que le modèle de contrôle est plus
effi cace à fid éliser et à attirer les assurés que le modèle de base. En conséquence,
cela ass ure plus de clients dans le portefeuille, ce qui représente une plus grande
stabilité finan cière parce qu 'il y a un plus grand nombre de personnes assurées
qui paient une prime d 'assurance. Cela influence grandement la réduction de la
flu ctuation du ratio sinistre 1 primes , ainsi que la précision des sinistres prévus.
Évaluons plus en détail pourquoi le modèle de base est défi citaire et moins at-
t ractif dans ce scénario concurrentiel par rapport au modèle de contrôle. Tout
d 'abord , nous analysons le comportement des primes , des sinistres et du ratio
sinistre 1 prime selon certains critères. Nous utiliserons les résultats de nos ob-
servations p our étayer nos conclusions. Pour ce faire, nous évaluons la première
année en détails, car elle a le plus grand nombre d 'expo it ions et d 'informatio ns.
ous supposons que les années suivantes auront un comportement similaire. Dans
chaque tableau analysé, nous avons divisé les ass urés en dix sections. Les inter-
valles représentent un dixième de la prime d 'ass urance maximale qu 'un ass uré
peut se permettre tout en tenant compte des deux modèles. Ces intervalles repré-
sentent également des niveaux de risque, c'est-à-dire qu 'un ass uré classé dans la
première section est moins une menace qu'un assuré classé dans la dixième caté-
gorie. Les bandes intermédiaires sont divisées et organisées de manière croissante
par rapport au niveau de risque.
97
La présentation de cette analyse est fait e par bandes incluant une ba nde totale.
E lle comprend la répart it ion des assurés, des primes, des réclam ations et du ratio
sinistre 1 prime. Elle est divisée en :
- Analyse générale : n ous allons vérifier les chiffres généraux.
- Ch angement de modèle : nous vérifierons les numéros des assurés qui ont décidé
de ch anger de modèle.
- Renouvellem ent : nous vérifierons le total d 'assurés qui ont décidé de rester d ans
la même compagnie.
Dans ce qui suit , nous évaluons les chiffres généra ux de la première année de la
compétit ion par bande de prime et par modèle. Nous commençons par la distribu-
t ion des ass urés , ensuite nous approfondissons l'analyse des sinistres . E nfin , nous
comprenons la répart it ion des primes et le ratio sinistre 1 prime. Le tableau 4.13
mont re cette répart it ion .
Nous voyons que la répart it ion des assurés dans les trois premières bandes de
prime est impor tante afin que le modèle puisse générer assez d 'argent pour pou-
voir payer les sinistres. Les assurés moins risqués se concentrent d ans ces t rois
t ranches et c'est la pa rt ie du portefeuille qui est la plus volumineuse. Le modèle
de cont rôle concent re 85 % des assurés dans ces bandes , tandis que le modèle de
base y concent re 75% de ses assurés. Cela nous mont re que le modèle d e base
attire plus d 'assurés à hau t risque à son portefeuille que le modèle de cont rôle.
Le tableau 4. 14 présente la distribu tion des sinistres par bande de prime et par
modèle. L'information fondamentale que nous pouvons extraire de ce tableau est
que la compagnie 2 détient 78% des assurés , mais seulement 34% des réclam ations
98
Tableau 4.13 Distribution des ass urés selon la valeur de la prime et par modèle
pour l'ann' e 1
Tableau 4 .14 Distribution des sinistres selon la prime et le modèle pour la pre-
mière année
mo d èle de base m od èle d e contrôle Total
B a nde d e prime ($) R es p. N on-resp. Total R es p . Non-resp . Total Glo b a l
0,0000 < P :'S 0,0268 Hl 77 96 52 4 56 152
0,0268 < P :'S 0,0537 28 416 444 59 4 63 507
0,0537 < P :'S 0,0805 104 807 911 235 10 245 1 156
0,0805 < P :'S 0,1074 241 311 552 439 37 476 1 028
0,1074 < P :'S 0,1 342 95 96 191 168 84 252 443
0,1342 < P :'S 0,1611 24 26 50 48 22 70 120
0,1611 < P :'S 0,1879 2 6 8 12 6 18 26
0,1879 < P :'S 0,2148 0 2 2 2 0 2 4
0,2148 < P :'S 0,2416 0 0 0 1 0 1 1
0,24 16 < P :'S 0,2685 0 0 0 0 0 0 0
Total 513 1 74 1 2 254 1 016 167 1 183 3 4 37
99
totales 1 , tandis que la compagnie 1 ne compte que 22% des assurés et 66% du
total des sinistres. Nous en concluons que la compagnie représentant le modèle de
base a une for te propension à attirer les ass urés avec plus de risque d 'avoir des
accidents. De plus, même dans les t rois premières tranches de primes, le modèle
de base a plus de sinistres que le modèle de cont rôle. Il est clair qu'il existe une
t rès for te concentration de sinistres non responsables sous le modèle de base, ce
qui nous conduit à affirm er que ce type d 'accident a beaucoup d 'influence sur la
décision du choix de modèle par les ass urés. ous nommons cela de l'antiseléction.
Elle se produit lorsqu'un facteur de risque dans l'assurance est mal calibré et elle
permet l'existence d 'une ass urance dans un déséquilibre technique. Ce déséquilibre
consiste en une prime inférieure à la valeur du risque calculé act uariellement . Dans
le modèle de base, 77% des sinistres sont non responsables et seulement 23% sont
des réclamations responsables. Dans le modèle de contrôle, les statistiques sont
contraires , 85% des réclamations du type responsable et seulement 15% du type
non responsable. Sur le total des sinistres non responsables , 91% sont liés au mo-
dèle de base, alors que 9% proviennent du modèle de contrôle. De toute évidence,
l'absence de contrainte légale dans le modèle de cont rôle a évité l'antisélection
observée dans le modèle de base.
1. Comme nous modélisons la fréquence des sinistres comme le coût total, nous considérons
la quantité totale des sinistres et le coût total des sinistres comme une seule chose.
100
Tableau 4.15 Distribution de primes par bande de prime et par modèle pour la
première année
Prime ($ ) R atio Sinis t r e / Prime (%)
m o d è le de b ase m o d è le d e con t r ô le G r a nd total m o d è le m o d è le To t a l
B a nde de prime ($) S o mme Moye nne S o mme Moye nne S o mme Moye nne d e base de co n t r ô le Glo b a l
x 1000 x 1000 x 1000
0.0000 < P ::; 0.0268 28.8 13.7 93.8 13.2 122.6 13.3 333o/c 60% 124%
0.0268 < P ::; 0.0537 142.7 4-1. 9 7 15.8 45.4 858.5 45 ,3 311 % 9'Yt 59o/t·
0.0537 < P ::; 0.0805 34l.ï 64.7 1 121.5 62.7 l 463.2 63. 1 267% 22o/r 79%
0.0805 < P ::; 0. 1074 136.8 9 1. 5 278,4 911.6 415.2 90.9 403o/r 17 1% 248%
0. 10 74 < P ::; 0.13-12 52.6 117.2 6 1,5 117.2 114 . 1 117.2 363% 4lO'Yr 388%
0. 13-12 < P ::; 0.1611 9.8 142.2 13.2 l-13.3 23. 0 142.8 510% 53 1o/r 522%
0. 1611 < P ::; 0.1 879 1.4 171. 2 3,2 170.1 4.6 170.4 584 % 557~ 565o/r
0. 1879 < P ::; 0.2 1,18 0.2 206 .0 0.4 2113. 1 0.6 204 .1 97l o/t 492'K 653%
0.2 14 < P ::; 0.241 6 0.0 0.0 0.11
0.24 16 < P ::; 0.2685 0.0 0,0 0.0
T otal 714, 0 5 6 ,7 2 28 7 ,9 5 1 ,5 3 0 0 1 ,9 5 2 ,6 3 16 % 52 % 114 %
similaires , le ratio t rès élevé de sinistre 1 prime du modèle de base est dû a ux si-
nistres , qui sont nombreux. Nous confirmons ainsi l'importance des t rois premières
bandes pour la survie fin ancière des modèles, puisqu 'elles soutiennent le profi t du
modèle de cont rôle et permettent au marché d 'êt re légèrement déficitaire. ous
en concluons aussi que le modèle de base provoque l'antisélection et qu 'il assume
la plupart des sinistres non responsables. Ainsi, ce type de réclamations devrait
être pris en considération de la même manière que les réclamations responsables
afin d 'éviter un revers fin ancier du modèle dans un marché concurrentiel.
ous évaluerons maintenant les chiffres des assurés qui ont décidé de changer de
compagnie à la fin de la première année. No u commençons par la di t ribu tion
des ass urés, puis nous approfondissons l'analyse des sinistres et, par la dernière,
nous voyons le ratio sinistre 1 prime. Le tableau 4. 16 présente la répartition des
assurés.
101
Tableau 4.16 Distribution des assurés par bande prime et par modèle pour l'an-
née 1 pour ceux qui ont changé d 'un modèle à l'autre.
91% des personn es qui ont décidé de changer de la compagnie 1 pour la compagnie
2 sont dans les trois premières bandes. 73% font le chemin inverse. De cette faço n ,
il est clair que le modèle de base transfère plus d 'assurés jugés souhaitables, selon
le niveau de risque, qu 'il en reçoit. Cela soutient la te ndance qu 'ont les assurés
moins risqués d 'opter pour le modèle de contrôle.
Tableau 4.17 Distribution des sinistres par bande de prime et par modèle pour
l'année 1 pour les assurés qui ont décidé de changer de compagnie.
modèle d e base modèle d e contrôle Grand
Bande de prime (P) R es p. Non-Resp. Total Res p. Non-Resp. Total Total
0,0000 < P:S 0,0268 0 1 0 0 0 1
0,0268 < P :S 0,0537 0 0 0 0 0 0 0
0,0537 < P :S 0,0805 5 0 5 6 0 6 11
0,0805 < P :S 0,1074 17 3 20 27 1 28 48
0,1074 < P:S 0,1342 9 10 9 6 15 25
0,1342 < P :S 0,1611 2 4 6 3 2 5 11
0,1611 < P :S 0,1879 0 0 0 0 0 0 0
0,18 79 < P :S 0,2148 0 0 0 0 0 0 0
0,2148 < P :S 0,24 16 0 0 0 0 0 0 0
0,2416 < P :S 0,2685 0 0 0 0 0 0 0
Total 34 8 42 45 9 54 96
En ce qui concerne le résultat du tableau 4.17, nous constatons que les réclama-
tions influencent peu la décision de l'assuré par rapport au choix d 'une compagnie
ou d 'une autre. Au total, 4 293 assurés ont changé de société. De ce dernier, nous
ne pouvons observer que 96 sinistres, ce qui représente seulement 2,2% des cas.
Le ratio sinistre / prime des bandes les plus volumineuses est excellent , ainsi que le
ratio total. Conséquemment , il existe peu de liens entre la décision de changer de
compagnie et les réclamations. Nous confirmons que ce ne sont pas les réclamations
qui font échanger les assurés de compagnie, mais plutôt le meilleur prix offert.
103
Tableau 4.18 Distribution des pnmes par bande de pnme et par modèle pour
l'année 1 pour les ass urés qui ont décidé de changer un modèle par l'autre.
Pr ime ($) R atio Sinistre / Prime (% )
modèle d e base modè le d e co nt r ô le Grand tota l modè le m od èle Total
Somme Moyenne Somme Moyenne Somme Moyenne d e base d e contrô le Globa l
B a nde d e prime ($) x 1000 x 1000 x 1000
0,0000 <PS 0.0268 2.3 13,9 3, 1 13.4 5.4 13,6 44o/r Oo/r 18%
0.026 <PS 0.0537 22.2 47.5 18.3 H. 6 ~0 . 6 46 ,1 0% 0% 0%
0,053 7 <PS 0,0805 65,9 64 , 1 ï7 ,7 67,1 143,6 65,7 8% 8o/r 8%
0,0805 <PS 0,1074 12.4 90 ,4 5 1.2 90 .5 63 ,5 90 ,5 16 1% 55% 76%
0, 1074 <PS 0,1342 3.0 115,0 9,7 114.9 12.6 114.9 335% 155% 19 %
0 , 1 3~ 2 <PS O,!Gil 1.3 141.3 0.9 1~~.1 2, 1 1 42 , ~ 472% 578% 515%
0,1611 <PS 0,1879 0,0 0,2 174,2 0.2 174,2 0% 0%
0,1879 <PS 0,214 0.0 0.0 0,0
0.2 148 <PS 0.24 16 0.0 0.0 0,0
0.241G <PS 0.2685 0,0 0,0 0,0
Total 107,0 58,4 161 ,1 65 ,5 268,1 62 ,4 39 % 34% 36 %
Dans cette partie, nous évaluons les chiffres des assurés qui ont décidé de rester
dans la même compagnie après la première année de la compétition. ous abor-
dons la distribution des assurés, des sinistres, des primes et du ratio sinistre /
pnme.
Il est possible de voir dans le tableau 4. 19 que 92% ont décidé de renouveler leur
police d 'assurances auprès du modèle de contrôle. Ces même personnes sont dans
les trois premières bandes de prime. Ce ratio est de 79% pour le modèle de base.
Dans ces bandes , nous avons la plus grande partie des ass urés de chaque modèle.
Cette différence de 13% est donc considérable. Le fait que le modèle de contrôle
retient plus d 'assurés est relié au fait d 'avoir généralement une prime plus basse
par profil dans ces sections. Cela est dû au fait que le modèle de contrôle offre de
primes plus ajustées au risque et cela retient les assurés qui sont moins risqués.
Tableau 4.19 Distribution des assuré par bande de prime et par modèle pour
l'année 1 pour les assurés qui ont décidé de rester dans la même compagnie.
Tableau 4.20 Distribution des sini tre par bande de prime et par modèle pour
l'année 1 pour les ass urés qui ont décidé de rester dans la même compagnie.
modèle d e base modèle d e contrôle Grand
Bande de prime (P) R esp. Non-Resp . Total R es p. Non-Resp . Total Total
0,0000 < P :::; 0,0268 2 20 22 11 0 11 33
0,0268 < P:::; 0,053 7 7 283 290 17 2 19 309
0,0537 < P :::; 0,0805 54 690 744 157 3 160 904
0,0805 < P :::; 0,1074 176 255 43 1 347 20 367 798
0,1074 < P :::; 0,1342 66 84 150 121 55 176 326
0,1342 < P :::; 0,1611 11 15 26 36 13 49 75
0,1611 < PS 0,1879 1 2 3 6 4 10 13
0,1879 < P:::; 0,2148 0 0 0 0 1
0,2148 < P :::; 0,2416 0 0 0 0 0 0 0
0,2416 < P:::; 0,2685 0 0 0 0 0 0 0
Total 317 1 349 1 666 696 97 793 2 459
105
cont rôle a un taux de renouvellement plus élevé. Les ra1sons les plus for tes sont
de deux ordres : il offre des primes plus avantageuses par rapport au modèle
de base pour les trois premières bandes de prime et il p énalise les sinistres non
responsables. Si nous revenons sur la deuxième raison , nous voyons que des 30 91 3
assurés qui sont restés dans le modèle de contrôle d 'une a nnée à l'a utre, seuls 793
avaient des sinistres (2, 6%) . Tandis que, sur les 7 421 ass urés elu modèle de base, 1
666 ont présenté des réclamations, ce qui représente 22 ,5% des réclamations. Ceci
nous montre à quel point le modèle de base at tire les ass urés suscept ibles de faire
des réclamations en raison de la structure de pénalisation de son SB M. De plus, le
modèle de base comporte 1 349 récla mations non responsables alors que le modèle
de cont rôle n 'en comp te que 97. Cela renforce l'antisélection causé par l'inclusion
de la cont rainte légale. De cette faço n, tous les assurés avec haute probabilité
d'avoir des sinistres non responsables migrent au p ortefeuille elu modèle de base .
Finalement , l'inclusion des sinistres non responsabables clans le modèle est aussi
un excellent prédicteur des fu t ures réclamations.
Tableau 4.21 Somme des primes selon la tranche de prime et le modèle pour
l'année 1 pour les assurés qui ont resté dans le même modèle.
Prime ($) Rat io Sinist re / Prime ( % )
modèle d e base modèle d e co nt r ô le Grand t ota l m o d èle m o d èle Total
So mme Moyenne Somme M oyenne So mme Moyenne d e base d e con t rô le Glo bal
B a nde d e prime ($ ) x 1000 x 1000 x 1000
0.0000 < P ~ 0,0268 10.0 1-1,2 35 ,n 13.5 45.9 13.7 220% 31'!\ 72'/(
0,0268 < p :'0 0,0537 78.0 46.4 536.8 46 . 614.7 47 3ï2o/r 4o/c 50o/c
0.0537 < P :'O 0,0 05 227.6 64.9 894.2 62 ,2 1 121 ,8 63 327'){ l o/t 8 1%
0.0805 < P ~ 0,107-1 103.5 91.7 180,8 911 .5 284.3 91 416% 203% 281 %
0,1074 < P ~ 0. 1342 4 1,5 11 7.3 39 ,0 11 7.4 80.5 117 36 1% 452% 405%
0.1342 < P :'O 0. 1611 6.2 142.0 lll.l 142.9 16.-1 143 4 16% 4 3% 457%
0. 161 1 < p :'0 0. 1879 o. 169 ,9 2.0 167.7 2.9 168 353% 49ïo/c 45,1%
0. 1879 < P ~ 0,2148 0.0 0.0 0,0
0.21-18 < P :'O 0.24 16 Il. Il ().1) 0.0
0.24 16 <PS 0.2685 0.0 0.0 0,0
Total 4 67 ,7 63 ,0 1 698,8 55 ,0 2 166 ,5 57 3 56 % 47 % 11 4%
106
Nous commençons l'analyse de éléments elu tableau 4.22 par la valeur moye nne
des primes à chaque t ranche. Ensuite, nous analyserons la valeur moyenne totale.
D'abord , nous notons qu 'il n 'y a pa de valeur clans les deux dernières bandes
puisqu 'il n 'y a pas d 'exposition. Les valeurs moyennes sont croissante cl ans les
bandes de 1 à 8. La valeur moye nne des primes de la tranche 8 est environ 15
fois sup érieure à celle de la première bande. Ainsi, le marché répartit le niveau de
risque entre les bandes et celles-cisont distinctes entre elles. La prime moyenne du
marché se situe entre les tranches 2 et 3, ce qui est prévisible puisqu 'il y a une
107
Dans l'analyse des primes et des sinistres moyennes , il est possible de comprendre
pourquoi le marché a un résultat déficitaire. La réclamation moyenne est supé-
rieure à la prime moyenne, ce qui entraîne un manque de ressources p our couvrir
les coûts. De plus, en observant le ratio sinistre / prime du marché, nous remar-
quons que les bandes 2 et 3 présentent un résultat positif, mais qu 'elles ne sont
108
pas en mesure de compenser le résul tat négatif présent dans les autres bandes.
ous no tons également que plus le niveau de risque est élevé , plus la perte est
importante.
Il est possible de reformuler ce que nous avo ns observé dans ce modèle en une
explication plus form elle portant sur l'équilibre actuariel dans un environnement
de concurrence. L'équilibre actuariel est atteint lorsque la somme des primes est
égale (ou supérieure) aux sinistres. Comme nous l'avons vu , le marché de ce modèle
de concurrence est déficitaire, et nous avons pu identifier les causes de ce déficit.
Alors, que pouvons-nous conclure de toute cette analyse empirique? Comment
pouvons-nous systématiser les résultats?
Pour form aliser les résul tats observés, utilisons un scénario hypothètique repré-
senté par le graphique 4.2. Ce graphique montre ce qui suit :
dans les catégories à faible risque pour compenser le montant plus modeste
facturé aux catégories à risque élevé.
]
"
v
Cl
80 80,000 .0
la
"' o.
~ .j']
::! 60 60,000 ~
"""...
.§
"'"'
Exposition - - Modèle de base - - Modèle de contrôle - - - - Prime sèlectionèe par les assures
Lorsque nous comparons les lignes bleues et vertes, nous faisons l'inclusions des
deux modèles dans un marché concurrentiel. Ainsi, le modèle illustré par la ligne
110
bleue offre une prime hyp othètique moyenne plus favorable pour les assurés dans
les classes de risque 5 à 10, tandis que le modèle représenté par la ligne verte
présente une meilleure prime hypothètique moyenne pour les classes de risque 1 à
3. Les primes hypothètiques moyennes des deux modèles sont semblables pour la
classe 4. De cette façon, le premier modèle attirera davantage de personnes sus-
ceptibles de faire des réclamations, alors que le deuxième attirera plus d 'individus
moins susceptibles de faire des réclamations.
Le modèle illustré par la ligne verte concentre plus d 'assurés dans les bandes 1
à 3, car il offre un meilleur prix pour le consommateur. Cela assure un revenu
adéquat pour le risque que ces assurés représentent, il aura un résultat fin ancier
nul (équilibre) ou positif (profi t). Le modèle représenté par la ligne bleue concentre
plus d'assurés dans les tranches 5 à 10. En considérant que la prime prélevée
par ce modèle sur ces bandes est insuffisante par rapport au risque supporté par
l'assureur, il favorise l'ant isélection . Un résultat défi citaire est attendu puisqu 'il
ne mobilise pas suffisamment de fonds pour rembourser les sinistres à payer.
4.3.5 Décision
- La structure du modèle de cont rôle est plus puissante pour pénaliser les assurés :
elle impose un changement de trois niveaux (+ XX = + 3) pour to us ty pes de
sinistres . En revanche, la structure du modèle de base varie de deux (+ xx = + 2)
pour des sinistres responsables et de zéro pour des sinistres non responsables.
Le modèle de base p énalise insuffisament en cas d 'accident . La p erformance de
la structure du modèle de cont rôle évi te l'antisélection .
- La prime de l'assuré de base du modèle de contrôle est inférieure à celle du
111
Cet outil illustre sans aucun doute que la restriction légale imposée par la province
de l'Ontario, présente dans le modèle de base , compromet le pouvoir prédictif
de ce modèle. La restriction légale cache le fait que les réclamations du type
non responsables sont fond amentales pour la bonne structuration et l'es timation
du modèle. Elles sont autant prédictives que les réclamations responsables. De
plus, le fait de ne pas considérer ces types de réclamations provoque to uj ours
de l'antisélection , c'est-à-dire, ce modèle attire les assurés les plus risqués à son
portefeuille.
112
Pour la question de l'évaluation de l'effi cacité du modèle de base, il est clair que
la restriction doit être toujours fait e par le régulateur d 'assurance de façon équi-
table pour tous les assureurs. C 'est en effet la seule manière de garder l'équilibre
technique du marché et de garantir qu 'il n 'y a pas un assureur en avantage ou
en désavantage. Cela démontre clairement que l'inclusion de la contrainte légale
réduit l'effi cacité du modèle de base.
Une t endan ce act uelle, dans le marché d 'assurances au Canada, est la police qui
pardonne un certain nombre de réclamations de l'assuré et qui n 'augmente pas
sa prime par la suite. Ces réclamations sont des deux types. Cette manoeuvre à
la mode n 'est rien d 'autre que la contrainte légale mise en place par l'assureur.
Ainsi, comme la contrainte légale, cette offre commerciale réduit l'effi cacité des
modèles et peut engendrer des résultats finan ciers négatifs .
CONCLUSIO
L'actuariat évolue grâce à des modèles, des méthodes et des techniques reliés
au suj et de la tarification lARD . Au cours des dernières décennies, deux volets
majeurs ont conduit la majorité des méthodes : la tarification « a priori » et « a
posteriori ». La première ut ilise touj ours les informations disponibles au moment
du calcul des paramètres du modèle de chaque assuré, tandis que la deuxième se
base sur les informations fu t ures des sinistres de chacun des assurés. L'utilisation
des informations disponibles au moment du calcul sert à estimer la prime la plus
personnalisée possible, tandis que l'emploi des informations fu t ures sert à corriger
la prime d 'assurances déjà en place. La combinaison de ces deux volets en une
seule structure et l'est imation des paramètres du modèle en une seule étape sont
récentes dans la littérature. Cela commence à être exploré, étudié et ut ilisé par
les actuaires pour tarifier.
dans la province de l'Ontario. Cet te loi contraint les ass ureurs à ne pas augmenter
la prime d 'assuranc s suite à un accident non responsable.
D 'abord , nous avons présenté da ns le premier cha pitre t outes les notions concer-
nant la prime pure et la segmentation , ainsi qu 'une analyse de la base de données
ut ilisée . Cette base est celle que les auteurs ont ut ilisée dans leur recherche. Ces
notions fondent la t héorie des modèles de tarification de ce mémoire. E nsuite , dan
le de uxième chapitre nous avons présenté la technique retenue pour modéliser la
classification a prior-i du modèle, soit les G LMs. P ar la sui te , nous avons appro-
foncli la notion de tarification par expérience, tarification a posteriori. Nous avons
introduit la technique des SBMs ut ilisée. P our fin aliser les fondements t héoriques,
nous avons exploré la base mathématique des SBMs, car une bonne part ie du
travail de (Boucher et Inoussa, 2014) est concentré sur ces techniques.
Lorsque nous avons exploré en détail chacune des parties de leur modèle, nous
avons dû faire des estimations des paramètres, telles que les j3s de la partie de
classifi cation « a priori », les relativités du SBM, la structure de pénalisation
et le niveau d'entrée des assurés selon le nombre d 'années de permis de conduire
(NAP) . Nous avons utilisé la logvraisemblance pour sélectionner le meilleur modèle
de base. À l'intérieur de la structure du modèle de base, il y a l'inclusion de la
contrainte légale. Cette contrainte imp ose qu 'un ass uré qui a subi des sinistres du
type non responsable ne peut voir sa prime augmenter, toutefois elle n 'indique
pas qu 'il faut avoir une réduction non plus. Ainsi, les auteurs ont fait une série
d 'ajustements pour l'intégrer dans leur modèle, et nous avons expliqué et reproduit
son fonctionnement. Pour être capable de mesurer l'effet de cette contrainte, nous
avons bâti un modèle de cont rôle sans aucun type de restriction. Pour le construire,
nous avons utilisé la même pro cédure que pour le modèle de base, à l'exception
de la contrainte.
Nous avons observé différents comportements des deux modèles . La structure op-
timale du modèle de base est du type -1 / 0/+ 2 et celui du modèle de cont rôle est
-1 / + 3. Ce dernier modèle est plus sévère et pénalise plus que le premier, car il
déplace l'assuré de trois niveaux par sinistre, alors que l'aut re, de deux niveaux
seulement si le sinistre est du type responsable. 1 ous avons aussi constaté que
pour compenser cette différence dans la structure de pénalisation , les relativités
du modèle de contrôle sont égales ou inférieures que celles du modèle de base :
rf :::; rf, pour l = (1, 2, ... , 10), où « b » pour le modèle de base et « c » pour le
modèle de cont rôle. Cette compensation ent re la structure de pénalisation et les
116
valeurs des relativités est toujours mise en relief dans la littérature et est cohérent
avec ce que nous avons observé dans les deux modèles . Si la structure p énalisation
était moins sévère, la valeur des relativités devrait être plus élevée et vice-versa.
De plus , nous avons constaté que le modèle de contrôle est plus conservateur en ce
qui concerne l'assignation du niveau d 'entrée des assurés qui ont six ans ou plus
d 'expérience de conduite lorsqu'ils deviennent clients de la compagnie. De plus, la
prime de base du modèle de contrôle est moins chère que celui du modèle de base.
Cela est possible parce que la structure de pénalisation du modèle de contrôle
est plus sévère et ce modèle p eut offrir une prime de base plus attrayante qui
compense pour sa structure plus sévère. Quand un ass uré déclare un sinistre, sa
prime est ajustée à la hausse davantage dans le modèle de contrôle que dans l'autre
modèle. Nous avons aussi constaté que les facteurs de la section de classification
« a priori » du modèle de base ont de valeurs plus extrêmes. Cela veut dire que
les rabais et les surcharges que le modèle de base apporte aux primes d 'ass urances
sont plus importants que celles du modèle de contrôle.
Dans le quatrième chapit re, nous avons intro duit deux out ils act uariels-statistiques
qui nous ont guidé dans l'évaluation de l'effi cacité du modèle de base. Pour ce faire,
nous avons considéré les résultats de l'ouvrage de (Lemaire, 1995) comme base de
comparaison des résultats obtenus pour les modèles de base et de cont rôle. Le
premier outil, le coeffi cient de variation (CV) , nous a montré que le modèle de
contrôle différencie davantage la prime d 'assurance que le modèle de base . En
comparaison avec les modèles d 'autres pays , les deux modèles se sont montrés
plus performants que ceux des autres. Le deuxième outil , le niveau relatif moyen
stationnaire (NRMS) , nous a indiqué que le modèle de contrôle est capable de
mieux distribuer les assurés dans son échelle que le modèle de base. Ce dernier
modèle a mal performé même contre les SBMs des autres pays . Il était placé comme
un des modèles qui dis t ribue moins les assurés dans l'échelle, ce qui signifie qu 'il
117
n 'est pas assez sévère pour bien distribuer les assurés. Les ré ultats des outils
actuariels-statistiques employés dans l'analyse ne sont pas surprenants, toutefois
ces résultats nous ont confirmé que le modèle de contrôle est plus effic ace que le
modèle de base. Nous en concluons que l'ajout de la contrainte légale a affecté
l'effi cacité du système.
Nous avons aussi présenté le rapport sinistre / prime pour chacun des modèles
dans le quatrième chapitre. Ce type de rapport sert à nous assurer que les primes
calculées par les modèles sont suffisantes pour payer tous les sinistres. Les résultats
sont comme attendus : les deux modèles sont en mesure d 'honorer leurs obliga-
t ions auprès ses assurés et ils sont bien ajustés par rapport aux données utilisés.
Cela veut dire qu 'ils sont en équilibre actuarielle. Pour compléter toutes les ana-
lyses, après nous être assurés que les deux modèles sont en équilibre t echnique,
quand isolés, nous avons proposé une nouvelle façon d 'évaluer la contrainte légale
à l'intérieur du modèle de base : une compétition de marché entre les modèles
pour voir lequel est plus profitable. L'hypothèse sous-jacent est que les assurés
vont s'assurer avec la compagnie qui offre la prime la plus baisse et que cela a été
le seul élément considéré dans leur choix .
De plus, la pnme calculée par le modèle de base est moins précise, car cette
prime utilise un ajustement pour compenser la non inclusion des sinistres non
responsables . Cette compétion démont re que le modèle de contrôle est plus effi cace
et plus puissant que le modèle de base, car il a fait du profi t pendant toute la
p ériode de compétition. Le modèle de base a eu un déficit dans la même période.
Le marché, composé de la combinaison des deux compagnies, a eu un déficit.
Après toutes les analyses empiriques, nous avons élaboré une proposition form elle
sur le comportement du marché et des assurés. Dans notre généralisation , les assu-
rés plus risqués choisissent la compagnie qui utilise le modèle de base et les assurés
les moins risqués séectionnent la compagnie qui utilise le modèle de contrôle. En
conséquence, le marché n'atteint pas son équilibre, car le total perçu en primes
demeure toujours inférieur au minimum nécessaire pour payer tous les sinistres
générés par les assurés. Ainsi, le marché est en déficit , même si une des compagnies
est profitable.
Finalement , après toutes les analyses et évaluations du mod ' le de base , nous
pouvons conclure que l'inclusion de la contrainte légale, provenant de la province
de l'Ontario, a affecté l'effi cacité et la performance de ce modèle face à un modèle
libre de cette contrainte. Tous les résultats l'indiquent. Pour les recherches futur es,
il est important d 'inclure d 'autres outils act uariels-statistiques pour l'évaluation
de l'effi cacité elu modèle de base par rapport à d 'autres aspects tels que la quantité
des niveaux , les contraintes des différentes juridictions et le modèle de classification
« a priori ». Des analyse plus approfondi es en utilisant la comp étition des modèles
peut nous amener à de nouvelles méthodes d 'évaluation et à de nouveaux modèles
de tarification. Nous pouvons aussi examiner d 'autres variations du modèle de
(Boucher et Inoussa, 2014) ou , encore, l'améliorer.
RÉFÉRENCES
DeJong, P. et Helier, G . Z. (2008). Gen eralized L inear Models for Insurance Data .
Cambridge University Press.
FSCO (201 7). Fsco - fi nancial services commission of ontario - aft er an a uto
accident : Understanding the daims process. Récupéré de https : 1/www . fsco .
gov . on.ca/en/auto/brochures/pages / brochure_claims . aspx
Molenberghs, G. et Ver beke, G . (2005) . M odels for Dis crete Longitudinal Data.
Springer-Verlag New York.
Nor berg, R. (1976) . A credibility t heory for a utomobile bonus systems. S candi-
navian A ctuariat Journal, 1976(2) , 92- 107.
Pesonen , M. (1963) . A numerical method of finding a sui ta ble bonus scale. ASTIN
B ulletin, 1963(2), 102- 108.
Ro , S. M. (201 4). Introdu ction to Pro bability Models (onzième éd. ). Academie
Press .
Taylor , G. (1997). Setting a bonus-malus scale in the presence of ot her rat ing
fac t ors. ASTIN B ulletin , 27, 319- 327.