Assurance Credit Pour Tous Web

Run$off$en$assurance$construction 0$
REMERCIEMENTS
En préambule, je souhaite adresser mes remerciements les plus sincères aux personnes qui ont contribué à
l'élaboration de ce mémoire en m’apportant leur aide.
Je tiens à remercier sincèrement Monsieur Emmanuel Figuereau, mon directeur de mémoire, sans qui ce
mémoire n’aurait pas vu le jour, pour son inspiration, ses encouragements et sa disponibilité.
Mes remerciements s’adressent également à Mademoiselle Aurélie Bisson pour le temps qu’elle m’a accordé
malgré ses charges professionnelles. J'exprime ma gratitude à Messieurs Askenov Nikita et Soutiras Pierrick qui
ont accepté de répondre à mes questions avec gentillesse. Je n'oublie pas le reste de l’équipe de Willis Gras
Savoye Ré pour leur soutien.
Enfin, j'adresse mes plus sincères remerciements à Monsieur Stéphane Loisel qui m’a suivie pendant toute
l’élaboration de ce mémoire.
Merci à tous et à toutes.
Introduction
Sommaire
Résumé 4
Abstract 5
Introduction 6
I - Assurance construction 9
1.Les fondements du régime de l'assurance construction 9
o 1.1 Historique 9
o 1.2 Garantie Tous Risques Chantier 10
o 1.3 Garantie de Parfait Achèvement 10
o 1.4 Garantie de Bon Fonctionnement 11
o 1.5 Garantie Dommages Ouvrage 11
o 1.6 Garantie Responsabilité Civile Décennale 12
o 1.7 Garantie Responsabilité Civile Générale 13
2.Le marché actuel 14
o 2.1 Un passage difficile 14
o 2.2 Un marché redynamisé 14
o 2.3 Les principaux assureurs 15
3.Les données 15
II -Méthodes 19
1.Chain Ladder 19
2.Approche D3istribution 24
o 2.1 Idée génératrice 25

o 2.2 Lien entre les fonctions de répartition 28
o 2.3 Trois dimensions 30
o 2.4 Validations 32
3.Utilisation 42
o 3.1 Méthode horizontale 42

o 3.2 Méthode as ifage (développement par décalage) 43
o 3.3 Méthode globale première colonne 44
o 3.4 Méthode globale dernière diagonale 44
o 3.5 Méthode coefficients stochastiques 45
o 3.6 Méthode stochastique intrégale 47
4.Problématique des fréquences 49

5.Problématique de la corrélation des données 50
6.Résumé des hypothèses et tests du modèle 53
7.Conclusion 59
Introduction
III -Applications et résultats 60
1.Provisionnement 60
2.Réassurance 70
o 2.1 Les traités concernés 70

o 2.2 Mise en place de la réassurance 72
o 2.3 Idée d'achat de couverture de run off 74
3.Solvabilité 2 83
o 3.1 Les principes généraux 83

o 3.2 Risque de contrepartie 86
o 3.3 Nos possibilités 89
VI - Conclusion 92
Bibliographie 93
Annexes 95
Annexe I - Définitions et abréviations 96
Annexe II - Triangle des fréquences 98
Annexe III - Ajustement de deux fonctions de répartition 99
Annexe IV - Résultats des coefficients 104
Annexe V - Résultats des R2 105
Annexe VI - Table de Shapiro Wilk 106
Annexe VII - Liste des tableaux et graphiques numérotés 107
Introduction
Mots clés : assurance construction, liquidation, provisionnement, réassurance, Responsabilité

Civile Décennale, solvabilité, fonctions de répartition, branche longue, sinistralité.
Résumé
L’objectif de ce mémoire est de liquider les exercices passés en assurance construction et plus
particulièrement les sinistres issus de la branche longue : garantie Responsabilité Civile
Décennale.
La garantie RCD présente la particularité suivante : le sinistre peut être déclaré jusqu’à 10 ans
après son apparition et le coût ultime du sinistre n’est en général connu que des années plus
tard. Cette particularité pose un certain nombre de problèmes aux actuaires, parmi lesquels
nous pouvons citer : un risque de dérive de sinistralité accru avec les années mais
difficilement quantifiable, un besoin de données fiables sur un historique au moins aussi long
que les développements des sinistres et des risques de changements économiques, juridiques
ou règlementaires.
Liquider une branche longue constitue un enjeu important pour les assureurs qui souhaitent
maîtriser leurs risques. Pour développer les exercices passés nous avons utilisé une approche
fréquence-coût dans laquelle nous avons mis l’accent sur la modélisation des coûts.
L’approche que nous avons baptisée « L’approche D3istribution » se base sur la comparaison
des fonctions de répartitions empiriques des coûts des sinistres et induit des changements de
variables qui permettront de développer les triangles de liquidation.
Des applications sur le provisionnement, la réassurance et solvabilité 2 illustreront notre
approche et permettront la mise en exergue de ses avantages.
Introduction
Key words : run off, construction insurance, construction defect, settlement, reinsurance,
solvency, cumulative distribution function, long tail, claims, reserving.
Abstract
This report aims to establish an effective method of ultimate loss amount estimation for the
long tail construction liability claims.
The construction defect warranty is specific in the way that claims can be declared until 10
years after their occurrence date and even then the ultimate cost is known only years after.
This peculiarity can be a serious difficulty for actuaries. There is an increasing risk of claims
drift over the years but hard to quantify, a need for reliable data with a history as long as the
claim development is and there is an economic, a legal or a regulatory change risk.
Long tail development is an important issue for insurance companies who want to control
their risks. In order to settle past claims, we use a frequency-severity approach in which we
put the emphasis on severity modelling. Our approach, called « The D3istribution approach »
is based on empirical distribution functions comparison and lead to the random variable
change which allows developing the claims triangles.
Applications on the reserve account, the reinsurance and solvency 2 are going to illustrate our
approach and highlight its advantages.
Introduction
Introduction
Aujourd’hui le logement est le second élément le plus important influant sur le bien être d’un
individu, juste après la famille1. La propriété est devenue un signe de réussite personnelle.
Tant que le rêve ne se transforme pas en cauchemar. Les risques de ne pas être en sécurité
chez soi sont nombreux: constructeurs malhonnêtes, permis de construire accordés
hâtivement, problèmes de voisinage, défauts de construction. C’est pourquoi l’Homme a mis
en place des règles, pour ne pas que la liberté des uns empiète sur celle des autres, et des
assurances, afin de mutualiser les risques qu’il ne pourrait affronter seul.
Voici en quelques mots les fondations de la création de l’assurance construction, une
assurance créée contre les risques de défauts de construction.
Ce travail intitulé « Run off en assurance construction » traitera du développement des

exercices passés jusqu’à l’ultime, c’est-à-dire de la projection du coût des exercices dont les
sinistres ont déjà eu lieu mais ne sont pas nécessairement tous connus ou stabilisés.
Ce mémoire utilise « L’approche D3istribution », une modélisation innovante des triangles de

liquidation des coûts des sinistres, afin de développer les exercices passés jusqu’à leur ultime
dans le cadre d’une branche d’assurance dite « longue ». Une branche est dite longue lorsque
les sinistres sont à déroulement long, c’est-à-dire lorsque les sinistres de la branche ne sont
indemnisés que de nombreuses années après la perception de la prime. Dans les branches
longues se retrouvent notamment toutes les branches liées à la Responsabilité Civile dans
lesquelles un sinistre n’est découvert que des années après son apparition et qu’il n’est réglé
entièrement qu’après un long développement, nécessaire à sa correcte évaluation par des
experts après d’éventuelles aggravations et décisions de justice statuant de la responsabilité
mise en cause.
Les branches longues sont un véritable défi notamment pour les actuaires, en raison de
l’évolution rapide des normes, des changements de décisions de justice, de l’inflation des
coûts, des comportements humains et du nombre de données nécessaires à toute étude
statistique.
1
Senk P. Tout ce que ma maison dit de moi, Psychologies. Disponible en ligne sur
http://www.psychologies.com/Moi/Se-connaitre/Personnalite/Articles-et-Dossiers/Ma-maison-c-est-moi/Tout-ce-que-ma-maison-dit-de-moi
Introduction
Les possibles raisons d’une dérive de la sinistralité sont multiples et peuvent pénaliser de
nombreux exercices avant d’être découvertes et traitées efficacement. Ainsi de la fin des
années 1970 jusqu’au début des années 1990, l’assurance construction californienne a connu
une crise sans précédent due à l’accroissement de la population et du besoin de logement,
encourageant les entreprises de construction à employer du personnel peu qualifié et des
matériaux peu robustes pour répondre le plus rapidement possible à la demande. Les sinistres
causés par ces défauts de construction n’ont, comme tous les sinistres de cette branche, été
découverts que des années plus tard. Cette dérive a contaminé près de 15 ans d’exercices, son
coût ultime n’est pas encore fixé et de nombreux experts travaillent toujours sur ce thème afin
d’anticiper les pertes des assureurs et réassureurs.
Les actuaires se doivent de questionner tous les risques quitte à ce que les résultats nécessitent
de la pédagogie afin d’être valorisés dans une approche de « risk management ».
Le rôle du provisionnement est de déterminer le montant qui doit être porté au bilan pour
pouvoir faire face aux engagements, c’est-à-dire aux futurs règlements de sinistres.
Provisionner convenablement un risque est fondamental en assurance, puisque ces provisions
ont un intérêt comptable, fiscal, et règlementaire avec la directive Solvabilité 1 et bientôt
Solvabilité 2 qui incitera les assureurs à une meilleure gestion de leurs risques. Le
provisionnement a une importance stratégique dans les résultats des entreprises.
Plus que jamais dans le contexte économique actuel la maîtrise des risques est présente à tous
les niveaux. L’assureur doit pouvoir contrôler ses risques, contenir ses expositions aux
risques, ses incertitudes et justifier de ses choix.
L’objectif de ce mémoire est d’exposer une approche complète permettant la maîtrise de ces
risques et des incertitudes liées à cette opération d’assurance.
Les illustrations portent sur la garantie Responsabilité Civile Décennale (RCD), pour autant
ce travail est appliqué également aux autres garantie construction (en particulier les garanties
Dommages Ouvrage (DO) et Responsabilité Civile Générale (RCG) ont été étudiées avec la
même méthodologie). Nous reviendrons sur ces notions en première partie de ce mémoire.
Une modélisation robuste des coûts étant considérée comme prioritaire aux vues du Marché
passé et actuel de la construction en France, la problématique des fréquences ne sera que peu
traitée, celle-ci pourrait faire partie d’une étude plus approfondie ultérieurement.
Notre travail portera exclusivement sur des exercices passés non encore entièrement
développés, en imitant une situation de « run off » dans laquelle, donc, l’assureur ne
souscrirait aucun autre risque dans le futur. Cependant, nous pouvons de la même façon
développer des exercices futurs; Willis fait ce travail notamment dans un but de
renouvellement des traités de réassurance.
Introduction
Ce mémoire s’articule en trois parties :
La première partie concerne l’assurance construction.

Elle expose les fondements du régime, relate l’histoire de l’assurance construction et les
principales garanties présentes sur le Marché, puis cerne le Marché actuel de la construction et
de l’assurance construction et enfin délimite les données dont nous disposons pour ce travail.
La deuxième partie traite de notre approche du risque.

Après une brève approche par la méthode de Chain Ladder, cette partie vise à expliquer notre
démarche, la théorie sous jacente, la validation des hypothèses, du modèle lui-même et les
utilisations que nous en ferons. Notre démarche est une modélisation de la fréquence d’une
part et des coûts d’autre part. L’approche des coûts, baptisée, « l’approche D3istribution »,
compare les fonctions de répartitions des coûts des sinistres en considérant trois dimensions :
l’effet comptable, l’effet développement et enfin l’effet inflation. Six méthodes seront
exposées, toutes se basant sur notre approche des coûts, afin de développer les exercices
passés. Enfin, nous aborderons brièvement la problématique des fréquences et la manière dont
nous avons répondu à ce sujet par une loi de poisson.
La troisième partie aborde différentes applications de notre travail.

Notamment une application immédiate pour le provisionnement, puis une application en
réassurance, touchant aux différents traités et proposant de nouvelles solutions de
réassurance, enfin une application Solvabilité 2 dans laquelle nous poserons les bases de la
directive Solvabilité 2, ferons une application pour le risque de contrepartie des réassureurs
puis exposerons les différentes questions auxquelles notre approche peut répondre.
Assurance Construction
I - Assurance construction
Avis aux lecteurs non expérimentés en assurance construction, les abréviations et définitions
de base de l’assurance construction se trouvent en annexe I, n’hésitez pas à vous y reporter si
besoin.
1. Les fondements du régime de l’assurance construction
• Historique
La construction d’un habitat est l’un des premiers besoins de l’Homme. Garantir la réparation
des dommages qui se produiraient du fait d’un mauvais ouvrage apparaît très tôt dans
l’histoire. Ainsi la toute première responsabilité professionnelle naquit dans le code
d’Hammourabi (1750 av JC). Dans ce texte l’effondrement d’une maison qui causerait la mort
de ses occupants entraînerait la mort de l’architecte.
La responsabilité en construction réapparaît en France en 1804 dans le code civil :

• L’article 1792 du Code Civil pose les fondements de la responsabilité civile
décennale sans introduire l’assurance responsabilité ;
• L’article 1788 du Code Civil dispose que l’ensemble des risques de la
construction (y compris ceux relevant de la force majeure) pèse sur le
constructeur de l’ouvrage.
Il faudra attendre 1928 pour qu’apparaisse la police globale de chantier : il s’agissait alors
d’une assurance de chose pour un chantier déterminé pour une durée de dix ans. Et le 31
décembre 1940 la première loi obligeant un constructeur à s’assurer est promulguée, dite « loi
sur l’architecture » puisque par constructeur il fallait ici principalement considérer les
architectes.
En 1967 l’article 1792 du Code Civil est amendé pour y introduire une différenciation selon
gros ou menus ouvrages, avec une durée de responsabilité différente : dix ou deux ans.
Cependant, un tournant considérable est amorcé avec la loi du 4 janvier 1978 (dite loi
Spinetta). Cette loi est la source principale du droit positif en matière de responsabilité des
constructeurs, de contrôle technique et d’assurance construction. Elle est entrée en vigueur le
1er janvier 1979.
Elle instaure l’obligation pour le particulier de souscrire un contrat de dommages ouvrage
(DO) lors de la construction d’un ouvrage neuf et pour le constructeur de se couvrir en
Responsabilité civile Décennale (RCD).
Cette loi modifie les conditions de mise en oeuvre des garanties pesant sur les constructeurs,
décennale et biennale (qui devient garantie de bon fonctionnement), et met à leur charge une
nouvelle garantie dite de parfait achèvement.
Enfin, elle précise et consacre la notion de réception des travaux pour en faire le point de
départ unique des garanties et responsabilités mises à la charge des constructeurs.
En effet, en 1968 l’assurance responsabilité n’étant obligatoire que pour les architectes, 40 %
des entreprises et 50 % des maîtres d’ouvrage n’avaient pas d’assurance. Ceci posait un réel
problème en cas de sinistre puisque les recherches de responsabilité étaient sans fin, du fait du
nombre d’intervenants sur le chantier notamment. Ainsi les victimes n’obtenaient quasiment
jamais de réparations pour le préjudice. D’autre part les couvertures d’assurance n’étaient pas
toujours suffisantes, de nombreux plafonds appliqués étant trop bas et de nombreuses
exclusions étaient appliquées par le marché.
Depuis les années 50 un changement dans la société par rapport à l’accès à la propriété s’était
également amorcé, et les français étaient de plus en plus nombreux à faire construire leur
résidence. Il devenait urgent de régulariser les pratiques du marché. La loi Spinetta a été la
réponse à ces problèmes et l’assurance DO est devenue une assurance d’ordre public.
Je vais maintenant dresser le portrait des garanties proposées par les assureurs en matière
d’assurance construction. 2
• Garantie Tous Risques Chantier (TRC)

L’assurance « Tous Risques Chantier » couvre les dommages accidentels subis par les
ouvrages de bâtiments, de travaux publics ou de génie civil qui surviennent au cours de leur
construction, y compris les matériaux entreposés.
Les garanties des polices TRC portent sur les évènements suivants :
• Incendie, explosion ;
• Vol ;
• Attentats, émeutes, vandalisme, mouvement populaire, terrorisme,
sabotages ;
• Chute, choc, affaissement ou collision des équipements de montage ;
• Phénomènes naturels (gel, inondations, crues de cours d’eau, avalanches,
glissement de terrain, éboulement, tempête, grêle, tremblement de terre) ;
• Catastrophes naturelles.
Cette assurance n’est pas obligatoire sur les constructions soumises à l’assurance DO.
Pour autant le maître d’ouvrage est habituellement le souscripteur de cette garantie afin de
pouvoir bénéficier d’une indemnité en cas d’insuffisance d’assurance des constructeurs ou
d’insolvabilité de ces derniers.
• Garantie de parfait achèvement

Mise en place par la loi Spinetta, la garantie de parfait achèvement couvre les réparations des
vices apparents ayant fait l’objet de réserves de la part du maître de l’ouvrage à la réception
du chantier ou des vices apparus après réception et notifiés par ce dernier au constructeur dans
l’année de la réception.
2
Centre d’Etudes d’Assurance. Base documentaire : les risques et garanties lies a l’acte de construire.
Disponible en ligne sur http://www.cea-assurances.fr/ .
• Garantie de bon fonctionnement

La garantie de bon fonctionnement couvre les « éléments d’équipement dissociables » de
l’ouvrage et leur bon fonctionnement comme par exemple le système de chauffage, les divers
revêtements de sols ou de murs.
Cette garantie court sur 2 ans à compter de la réception du chantier.
• Garantie Dommages Ouvrage (DO)

La garantie Dommages Ouvrage couvre, en dehors de toute recherche de responsabilité, les
réparations des dommages subis, à condition que ces dommages compromettent la solidité de
la construction ou rendent la construction impropre à sa destination.
Elle permet donc un remboursement rapide des frais de réparation pour le maître d’ouvrage
ou les propriétaires successifs de la construction. L’assurance DO se chargera ensuite lui-
même des recours contre l’assureur Responsabilité Civile Décennale si la responsabilité est
imputée au constructeur.
L’article L 243-1-1 du code des assurances a adopté une liste exhaustive d’exceptions pour
lesquelles l’assurance DO n’est pas obligatoire :
o Les ouvrages maritimes, lacustres, fluviaux ;

o Les ouvrages de traitement de résidus urbains, de déchets industriels ;
o Les voiries, ouvrages piétonniers ;
o Les parcs de stationnement ;
o Les réseaux divers ;
o Les canalisations, lignes ou câbles et leurs supports ;
o Les ouvrages de transports, production et stockage d’énergie ;
o Les ouvrages de télécommunication ;
o Les ouvrages sportifs non couverts ;
o L’assurance DO a été rendue obligatoire à toutes les autres constructions
d’ouvrages par la loi Spinetta.
La garantie Dommages Ouvrage prend effet à partir de la réception du chantier et ce pendant

une période de 10 ans d’après l’article L 242-1 du code des assurances.
La période entre l’ouverture du chantier et la réception du chantier étant couverte par les
garanties Tous Risques Chantier (TRC) et Responsabilité Civile du maître d’ouvrage, la
garantie DO ne peut pas prendre effet pendant cette période. Pourtant, certaines situations
particulières peuvent faire intervenir la DO avant la réception effective du chantier. Par
exemple lorsque le contrat d’ouvrage, conclu avec un entrepreneur, est résilié pour
inexécution par l’entrepreneur de ses obligations, cette situation équivaut à apprécier les
travaux comme ayant été fictivement réceptionnés. Si un sinistre intervient, il sera alors à la
charge de la garantie DO.
Il en est de même pour les réserves qui peuvent être émises par le maître d’ouvrage à
l’occasion de la réception du chantier (dépendant théoriquement de la garantie de parfait
achèvement). Ces dernières ne seront prises en charge par la garantie DO qu’à condition que
la victime ait essayé en vain d’en obtenir réparation au titre de la garantie de parfait
achèvement.
• Garantie Responsabilité Civile Décennale (RCD)

La Responsabilité Civile Décennale garantit le paiement des travaux de réparation de
l’ouvrage à la réalisation duquel l’assuré (le constructeur) a contribué lorsque la responsabilité
de ce dernier est engagée.
Ces dommages sont de types décennaux, cela signifie qu’ils doivent compromettre la solidité
de l’ouvrage ou le rendre impropre à sa destination. Cela inclus également : les travaux de
réparation, les travaux de démolition, les travaux de déblaiement, les travaux de dépose ou
démontage éventuellement nécessaires et les dommages futurs mais certains.
Les dommages immatériels sont quant à eux exclus de la garantie ainsi que les dommages
mineurs et dont l’expertise certifie qu’il n’y a aucune certitude qu’ils rendent dans le futur
l’ouvrage impropre à sa destination.
Le constructeur non responsable peut s’exonérer de sa responsabilité dans trois conditions

suivantes uniquement :
o La force majeure et le cas fortuit : en cas d’évènement imprévisible, irrésistible
et extérieur ;
o Le fait d’un tiers : le constructeur est responsable de ses sous-traitants, mais
pourra engager un recours contre ces derniers si leur responsabilité est avérée ;
o La faute de la victime : dans le cas où le maître d’ouvrage s’immisce
notoirement dans la conception ou la réalisation de l’ouvrage et qu’il est réputé
compétent. Le constructeur pourra prouver que le vice de construction provient
d’une cause extérieure.
Les garanties DO et RCD sont les deux garanties rendues obligatoires par la loi Spinetta.
Le graphique 1 représente le principe de mise en œuvre de l’assurance « à double détente » en

cas de sinistre, mise en place par la loi Spinetta.
Assurance à double détente de la loi Spinetta3
graphique 1
3
Moniteur. (22/09/2000). Tableaux synoptiques des responsabilités et assurances des constructeurs. Le Moniteur
N°5052. Disponible en ligne sur le site
http://www.groupe-cea.com/upload/doc_doc/Document_fr/3/tab1.pdf .
• Garantie Responsabilité Civile Générale (RCG)

La Responsabilité Civile Générale couvre le patrimoine du maître d’ouvrage en cas de mise
en cause au titre de sa responsabilité civile du fait de la réalisation des travaux qu’il
entreprend ou fait entreprendre.
Le graphique 2 illustre les périodes de couverture des différentes garanties existantes en

assurance construction et expliquées ci-dessus.
Périodes de couverture des différentes garanties4
graphique 2
4
Audit des assurances. (12/01/2010). L’Assurance de la construction. Disponible en ligne sur http://www.audit-des-
assurances.com/lassurance-de-la-construction-partie-1.html/2 .
2. Le marché actuel
• Un passage difficile5
Entre 1999 et 2008 les mises en chantiers augmentèrent et dépassèrent le nombre de 400 000
en 2005 et 2006. Cet accroissement du nombre de mises en chantiers s’est accompagné depuis
1995 de fortes augmentations tarifaires pratiquées par les assureurs pour tenter de réduire le
déficit de cette branche. Cette remontée a permis de retrouver l’équilibre comptable du risque
en 1999 et de le conserver jusqu’en 2002.
Malheureusement les mauvais résultats de la bourse en 2002 ont provoqué une nouvelle chute
des résultats des assureurs construction qui a perdurée jusqu’en 2005 sans toutefois atteindre
les niveaux catastrophiques des années 90.
Cependant la crise économique n’a pas laissé ce secteur indifférent. Alors qu’en 2007 le
nombre de logements construits était de 466 000, l’année 2010 tout comme l’année 2009 a
connu une forte baisse et le nombre de logements construits en 2010 n’était que de 340 000.
A noter que les besoins sont estimés à 500 000 logements par an.
Les encaissements quant à eux ont baissé de 4,5% en 2010 après une baisse de 17% en 2009
ramenant l’encaissement global de la branche à 2,2 Milliards d’euros en 2010.
• Un marché redynamisé6
Cependant le secteur est confiant quant à l’avenir. Les prévisions laissent entrevoir une
stabilisation de l’activité pour 2011, après trois années de baisses consécutives.
Sous l’impulsion du Grenelle de l’environnement, le secteur entame sa révolution écologique

à travers deux nouvelles normes : les bâtiments à basse consommation (BBC) mis en place
dès 2012 et les bâtiments à énergie positive (Bepos) pour 2020.
Selon le ministère de l’écologie, le bâtiment consomme 42,5 % de l’énergie produite en
France, ce qui en fait le secteur le plus gourmand. Les BBC sont des bâtiments dont la
consommation ne devra pas dépasser les 50 kwh par mètre carré, contre 240 en moyenne
actuellement. Tous les équipements et immeubles publics doivent être construits selon ce
nouveau standard depuis 2011. Pour les logements neufs du parc privé, l’échéance a été fixée
à 2012. L’ancien sera aussi progressivement mis aux normes.7
De nouvelles perspectives s’offrent au marché de la construction et par répercussion aux

assureurs, tenus de suivre le mouvement.
5
Coe Rexecode. (16/04/2010). Situation et perspectives de la construction en France. Disponible en ligne sur
http://www.coe-rexecode.fr/public/Analyses-et-previsions/Reunion-Construction-immobilier/Situation-et-perspectives-de-la-construction-au-
printemps-2010/Situation-et-perspectives-de-la-construction-en-France .
6
Agence France Presse. (29/03/2011). La construction de logements neufs retrouve presque son niveau d’avant
crise. Disponible en ligne sur http://www.lemainelibre.fr/actualite/article_-La-construction-de-logements-neufs-retrouve-presque-
son-niveau-d-avant-crise_19533-34_actualite.Htm#sondage2744 .
7
Dessuet P. (29/10/2010). Les nouveaux défis de l’assurance construction. L’Argus de l’Assurance. Disponible
en ligne sur http://www.argusdelassurance.com/actualites/les-nouveaux-defis-de-l-assurance-construction.46413 .
Les principaux assureurs

•
En assurance construction, 60 % des encaissements sont effectués par trois assureurs. Dix
assureurs représentent 90 % des encaissements, comme le montre le tableau 3 (chiffres de
2008) ci-dessous :
Les acteurs de l’assurance construction8
tableau 3
3. Les données
• La base de données
Dans un souci de confidentialité les données présentées ont été modifiées et les échelles
effacées de façon à ne pas modifier la pertinence des résultats obtenus par nos méthodes.
Les données utilisées dans ces travaux regroupent les sinistres survenus depuis 1969 des
garanties DO, RCG et RCD de MAF et ce depuis les inventaires de 1980. MAF est une
mutuelle spécialiste des risques constructions depuis plus de 75 ans. La base dispose
également d’informations complémentaires parmi lesquelles nous intéressent particulièrement
l’année de survenance des sinistres, la Déclaration Règlementaire d’Ouverture de Chantier
(DROC) ainsi que la garantie concernée.
La DROC est un élément fondamental puisqu’elle renseigne la date d’ouverture du chantier
qui sera le point de départ de nombreuses couvertures d’assurance.
A noter que les données ne sont fournies de façon certaine que lorsque l’évaluation du
montant du sinistre dépasse le seuil de 152 500 €, ce qui créé une troncature à gauche dans les
données.
Enfin, par montant du sinistre, nous considérerons la charge connue du sinistre, soit les
paiements déjà effectués ainsi que l’évaluation des provisions restantes à payer au titre de ce
sinistre. Ces provisions ne sont que des estimations dossier-dossier et contiennent donc une
8
Fédération Française des Sociétés d’Assurances (FFSA), Assurance construction. Disponible en ligne sur
http://www.ffsa.fr/sites/jcms/fn_7359/assurance-construction .
part d’incertitude importante, toutefois ce mémoire a pour but de liquider les exercices
jusqu’à ce que la charge soit définitive, ainsi la méthode d’estimation des provisions n’a que
peu d’importance, seule la stabilité de cette méthode doit être vérifiée pour que notre modèle
ait un sens. Notre cédante nous a confirmé ce point.
Les différentes garanties n’ayant pas les mêmes particularités, les développements des
sinistres ne sont pas homogènes dans les différentes garanties. Ce mémoire se focalise sur les
résultats de la garantie RCD.
La première étape consiste donc à isoler les sinistres résultant de la garantie RCD. Il faut
alors mettre en évidence les éventuelles lignes multigaranties puis regrouper les sinistres
principaux.
o Lignes multigaranties
Les lignes des sinistres individuels en multigaranties on été identifiées. Il s’agit des sinistres
ayant les mêmes années de survenance, le même code population du sinistre, le même numéro
de sinistre individuel et la même DROC, mais qui se différencient par leurs garanties
sinistrées. La garantie retenue est la garantie sinistrée indiquée pour le dernier inventaire
connu ou encore nous respectons la règle suivante :
- La RCD prime sur la DO et la RCG
- La DO prime sur la RCG
L’année de survenance retenue est la plus ancienne.
o Regroupement en sinistres principaux
Notre modélisation se base sur les regroupements de sinistres en gestion commune par
sinistres principaux. En effet, il arrive que plusieurs sinistres soient dus à une seule et même
cause. Un sinistre principal est alors désigné et les sinistres secondaires sont rattachés à ce
principal.
Nous utilisons les mêmes règles que pour le regroupement des sinistres en multigaranties.
Ainsi, la garantie retenue est la garantie sinistrée indiquée pour le dernier inventaire connu.
Pour le regroupement, nous respectons la règle suivante :
- La RCD prime sur la DO et sur la RCG,
- La DO prime sur la RCG
L’année de survenance retenue est la plus ancienne.
Les sinistres en gestion commune, c'est-à-dire regroupés autour du même principal, sont
nécessairement rattachés à une seule et même DROC, celle du sinistre principal.
Ce sinistre principal est une information Client directement implémenté dans nos données.
Les retraitements effectués ne concernent que les garanties, afin d’homogénéiser cette
garantie au sein des groupes.
Le portefeuille contient 23 285 sinistres regroupés en 18 512 sinistres principaux pour la

garantie RCD.
• Les Triangles9
A partir des données de notre cédante, nous avons pu construire différents triangles de
développement représentant l’évolution des sinistres connus.
En fonction de la garantie sous-jacente (RCD, DO ou RCG) les triangles ne doivent pas être
construits de la même manière.
o D’une part, les sinistres résultant de la garantie RCD et DO sont traités par
DROC, c'est-à-dire que le triangle doit représenter le développement des
sinistres en regroupant les sinistres par DROC ;
o D’autre part, les sinistres résultant de la garantie RCG sont traités par année de
survenance, c'est-à-dire que le triangle doit représenter le développement des
sinistres en regroupant les sinistres par années de survenance.
Le tableau suivant présente une partie du triangle des fréquences de la garantie RCD, entre les
DROC 1991 et 2009 jusqu’au décalage 19.
Fréquence Développement
Principaux 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1991 1 2 3 7 12 22 26 27 32 36 43 50 54 58 59 64 66 68 69
1992 1 83 12 14 17 21 22 24 26 32 34 34 35 37 38 39
1993 1 1 41 7 12 13 12 16 17 20 25 25 25 26 26 27
1994 2 5 77 10 12 15 18 22 25 31 32 34 40 44 49
1995 53 6 6 13 13 19 20 24 29 27 29 30
1996 3 73 5 8 8 8 10 16 19 22 22 26
1997 2 4 67 9 11 20 27 30 35 35 38 39
1998 4 6 118 14 19 21 26 27 32 36 40
1999 1 11 4 16 19 27 33 34 34
DROC 2000 63 10 14 19 22 23 35
2001 2 66 12 13 17 23 28
2002 2 65 13 18 20 27
2003 1 62 7 14 25
2004 2 86 15 21
2005 2 119 16
2006 1 93
2007 4 7
2008 3
2009 1
total 13 38 77 108 152 200 233 251 262 274 268 268 235 212 194 176 131 107 69
Tout d’abord, notons que le « 3 » présent en DROC 2008 Développement 2 signifie qu’à
l’année comptable 2010 (soit 2008+2), 3 sinistres sont présents dans la base, rattachés à des
chantiers dont l’année de DROC était 2008. Nous noterons Fréquencei,j la fréquence de la
DROC i au développement j, soit par exemple Fréquence2008,2 la fréquence de la DROC 2008
au Développement 2. Le développement est aussi appelé « décalage ».
9
Denuit M., Charpentier A. [2005] Mathématiques d l’assurance non-vie, Paris : Economica
Enfin, remarquons que ce triangle des fréquences illustre précisément la problématique des
branches longues comme la RCD. En effet nous remarquons que le nombre de sinistres entre
le décalage 10 et le décalage 19 double, et que les premiers décalages sont très pauvres en
nombre de sinistres.
Pour autant nous remarquons que la quantité de données fournies par notre cédante est
importante : le total général du nombre des sinistres est suffisant pour développer une
approche statistique viable et ce dès les premiers décalages. Nous verrons dans la seconde
partie de ce mémoire l’importance de la qualité de ces données et notamment des totaux par
colonnes.
Notons par ailleurs que le tableau des coûts des sinistres se présente de la même façon, à
l’exception près qu’il représente la charge connue (en euros) des sinistres présents dans la
base et que dans notre approche D3istribution nous ne nous intéresserons pas aux montants
agrégés mais aux charges individuelles des sinistres dans chaque case.
Par exemple, en lieu et place du « 3 » présent en DROC 2008 Développement 2 du triangle
des fréquences, nous considérerons les trois charges individuelles des sinistres connus. Ces
charges individuelles d’une même case du triangle nous permettront de construire des
fonctions de répartitions. Nous noterons Xi,j la variable aléatoire représentant la charge connue
des sinistres rattachés à la DROC i et Décalage j. X2008,2 sera la variable aléatoire suivant la
fonction de répartition construite à partir des charges individuelles des 3 sinistres présents en
2010 et rattachés à la DROC 2008.
• Problématique
Le but de ce mémoire est de liquider les exercices passés, c'est-à-dire d’estimer la charge
future des sinistres des exercices passés.
Nous avons développé séparément chaque garantie (RCD, DO et RCG). En effet comme
expliqué dans le paragraphe précédent, les garanties décennales et non décennales ne peuvent
être mélangées. De plus la garantie DO est liquidée plus rapidement que la garantie RCD
puisqu’il n’y a pas de recherches de responsabilité.
Cependant nous n’illustrerons les résultats qu’avec la garantie RCD dans un souci de
concision.
La garantie RCD est une garantie décennale, au contraire de la RCG, plus typique et plus
subtile que la DO sur laquelle nous n’avons que peu de données.
La notion de « branche longue » a un double sens ici : d’une part les sinistres mettent
longtemps à se déclarer, mais également ils mettent plus longtemps à se liquider. Il y a donc
un double intérêt actuariel à s’intéresser à cette garantie en particulier.
Dans notre approche fréquence-coût nous ne détaillerons que peu l’approche fréquence (voir
page 49 pour l’approche sur les fréquences). Dans notre approche basée sur les coûts, nous
chercherons à développer les Xi,j présentés ci-dessus jusqu’à l’ultime.
Méthodes
II - Méthodes
1. Chain Ladder
• Méthode de Chain Ladder
La méthode de Chain Ladder est une méthode déterministe permettant d’estimer les réserves
des sinistres à partir d’un triangle de données.
Soit Cik le montant, cumulé jusqu’en l’année de développement k, des sinistres survenus en
année de DROC i. Les montants Cik sont connus pour la partie supérieure du triangle et nous
cherchons à estimer les valeurs Cik pour la partie inférieure du triangle et en particulier les
valeurs à l’ultime (notées Cin)
La méthode de Chain Ladder estime les montants inconnus Cik par :

Cik = Ci,n+k-i * fn+1-i * …* fk-1 pour i+k>n+1
Les fk sont appelés les facteurs de développement et donnent une mesure de l’évolution des
prestations cumulées.
Idéalement tous les facteurs d’une même colonne devraient être égaux pour que nous
puissions les appliquer aux données du passé.
Toutes les hypothèses à vérifier avant l’utilisation de la méthode de Chain Ladder sont les
suivantes :
o Indépendance des DROC : {Ci1,…,Cin} et {Cj1,…,Cjn} pour i différent de j ;
o Les années de développement sont les variables explicatives du comportement des

sinistres futurs ;
o Les facteurs d’une même colonne doivent être égaux. Un autre moyen de vérifier
cette hypothèse est de constater que quelque soit j, les (Cij,Ci,j+1) pour tous i,
forment une droite.
Méthodes
Après la validation des hypothèses et l’application de la méthode, le montant ultime des

sinistres de la DROC i est estimé par :
Cin=Ci,n+1-i*fn+1-i*…*fn-1
La réserve pour la DROC i, c’est à dire ce qui reste à payer pour les sinistres de la DROC i,
est définie par :
Ri=Ci,n+1-i*(fn+1-i*…*fn-1 -1)
• Application à notre portefeuille
o Validation des hypothèses
Comme nous l’avons énoncé précédemment, il y a différentes hypothèses sous jacentes à

l’utilisation de la méthode de Chain Ladder.
Il faut d’abord que les DROC soient indépendantes, c'est-à-dire que les sinistres survenus au
cours d’une DROC donnée n’aient aucune influence sur les sinistres pouvant survenir lors de
la DROC suivante.
Cette propriété est supposée vérifiée.
Il faut également que les années de développement soient les variables explicatives du
comportement des sinistres futurs, c'est-à-dire que la seule explication de l’évolution du
montant des sinistres au cours d’une DROC soit la durée de ce développement.
Cette propriété est discutable mais sera acceptée pour l’utilisation de Chain Ladder et sera
remise en cause dans la suite de ce mémoire.
Il faut que les facteurs d’une même colonne soient égaux, afin que nous puissions appliquer le
même fk. S’ils sont trop différents, l’hypothèse que les années de développement sont les
seules variables explicatives ne pourra pas être retenue.
Nous vérifions cette hypothèses en traçant les graphiques pour chaque j, (Cij,Ci,j+1) pour tout i,
et en constatant que ces points forment bien une droite passant par l’origine (de type
Cij=a*Ci,j+1), ainsi le coefficient de passage de Cij à Ci,j+1 est bien le même.
Pour les illustrations suivantes nous avons pris l’exemple de la DROC 1995. Toutefois les
résultats sont similaires pour les autres DROC, nous noterons donc l’année de la DROC N.
Méthodes
Stabilité des facteurs de développement en N+11
graphique 4
Les graphiques montrent que les points forment approximativement une droite, cependant les
premiers décalages ne vérifient pas cette hypothèse, notamment du fait du peu de données et
de la volatilité des premiers décalages. D’où la difficulté de projeter les derniers exercices à
partir des chiffres constatés.
Stabilité des facteurs de développement en N+1
graphique 5
Ce type de graphique s’obtient jusqu’au décalage 7. Nous ne pouvons donc pas appliquer la
méthode de Chain Ladder pour les DROC dont le dernier décalage connu est inférieur au
décalage 7.
o Résultats
Méthodes
Nous appliquerons tout de même la méthode de Chain Ladder à partir de N+7 (entre N et
N+7, les résultats sont peu probants), malgré ces défauts, dans un souci de comparaison avec
les méthodes que nous utiliserons dans la suite de ce mémoire.
Cependant, lors de l’utilisation de cette méthode, les prévisions divergent pour les années de
développement les plus récentes, en effet les Cij sont très volatils lors des premiers
développements, ce qui change considérablement les résultats lors des développements par
Chain Ladder.
Méthodes
o Limites de la méthode de Chain Ladder
De nombreux facteurs peuvent influer la cadence des paiements, en plus des années de
développement. On peut citer les changements de procédure dans la gestion des sinistres, la
survenance d’évènements exceptionnels ou un changement de jurisprudence.
Pour identifier l’incertitude liée à ce modèle, des méthodes stochastiques ont été introduites.
Elles supposent que les montants agrégés cumulés ou incrémentaux sont des variables
aléatoires. Le modèle de Mack permet en particulier d’expliciter les hypothèses utilisées dans
la méthode de Chain Ladder et de déterminer des intervalles de confiance. Ce type d’approche
s’est développé avec l’introduction des modèles linéaires généralisés. Dans le cadre de ces
modèles, les montants incrémentaux sont supposés indépendants et distribués selon une loi de
probabilité de la famille exponentielle.
Cependant, ces modèles présentent certaines limites et reposent toujours sur le modèle de
Chain Ladder classique.
Dans ce mémoire, nous choisissons d’étudier un autre modèle, il permet de travailler sur des
données détaillées, de revenir au sinistre individuel et de relâcher l’hypothèse que la seule
variable explicative est l’année de développement.
Pour finir, notons que la méthode de Chain Ladder ne permet de développer que des DROC
pour lesquelles il y a déjà des sinistres connus. Or, travaillant en branche longue, il peut se
passer plusieurs années avant qu’un seul sinistre ne soit connu pour une DROC. Ceci signifie
que la méthode de Chain Ladder ne permet pas d’estimer la moindre charge pour la DROC
avant que plusieurs années ne soient écoulées. Les méthodes présentées dans la suite de ce
mémoire permettent de s’affranchir de ce problème.
Méthodes
2. L’approche D3istribution
Nous allons présenter une méthode baptisée «L’approche D3istribution».
En effet nous approcherons le triangle des liquidations en utilisant trois dimensions et
développerons ces dimensions grâce aux fonctions de répartitions des sinistres composant les
« cases » du triangle des liquidations.
• Fonction de répartition
Dans un premier temps, nous allons faire quelques rappels sur les fonctions de répartitions.
Définition :
La fonction de répartition caractérise la loi suivie par une variable aléatoire.
Ainsi, soit x un nombre réel, la fonction de répartition de la variable aléatoire X est la fonction
FX telle que :
FX(x)=P(X≤x)
Propriétés d’une fonction de répartition :

La fonction de répartition est une fonction :
- croissante,
- continue à droite,
- lim −∞ FX ( x) = 0 et
- lim +∞ FX ( x) = 1.
Lorsque la variable aléatoire, X, est discrète, soit S son support (S est fini ou dénombrable),
soit ps=P(X=s) alors : FX ( x) = ∑ p s 1[s , +∞ [ ( x)
s∈S
Avec 1S la fonction indicatrice de l’ensemble S.
Définissons maintenant le cas particulier de la fonction de répartition empirique qui sera plus
spécifiquement utilisée dans ce mémoire
Fonction de répartition empirique :

Lorsque l’on dispose de montants de sinistres X1,…,Xn, la fonction de répartition empirique
Fn(x) est défini comme :
1 n
Fn ( x) = ∑ 1 ]−∞ , x ] ( X i )
n i =1
Celle-ci s’adapte à ce mémoire puisqu’en prenant comme variables Xi les coûts des n sinistres
connus, il s’agira de calculer le nombre de sinistres connus inférieurs à un montant x divisé
par n afin d’obtenir la fonction de répartition empirique.
Fn est une fonction en escalier. Cependant, par interpolation entre les points connus, voire par
extrapolation au-delà de ces points, nous pouvons en déduire une fonction continue que nous
définirons comme la fonction de répartition de la variable aléatoire des coûts des sinistres.
Ainsi, connaissant les coûts des sinistres apparus, nous en déduirons la loi de la variable
aléatoire représentant le montant des sinistres.
Pour en déduire la fonction de répartition continue, F, à partir de la fonction de répartition

empirique, Fn, nous utiliserons, dans ce mémoire, une interpolation linéaire entre les points
connus. Cette interpolation sera utilisée dans la suite de ce mémoire par exemple lors du test
de Kolmogorov Smirnov, voir le paragraphe validation.
Méthodes
Propriétés asymptotiques :
Par la loi forte des grands nombres, Fn(x) converge presque sûrement vers F(x) pour tout x.
En d’autres termes, Fn(x) est un estimateur non biaisé de la fonction de répartition F(x).
Par le théorème de la limite centrale, n (Fn ( x) − F ( x)) converge en loi vers une loi normale
N(0,F(x)*(1-Fx)) pour un x fixé.
• Idées génératrices
La première idée de cette approche est de partir du Chain Ladder standard, puis de se
demander : au lieu de n’avoir que les montants des sinistres au global dans chaque case du
triangle, ne peut on pas être plus précis et connaître la part de chaque sinistre individuel dans
ce global ?
C'est-à-dire ne peut on pas connaître les fonctions de répartition de ces sinistres dans chaque
case du triangle ?
En effet, nous avons pu constater dans la partie précédente que les hypothèses d’utilisation de
Chain Ladder sont très contraignantes et ne correspondent pas toujours à la réalité des
données. C’est pourquoi nous avons imaginé qu’au lieu de révéler une évolution stable en
terme de coût entre les années, peut-être y aurait il plutôt une évolution stable en terme de
fonctions de répartition des coûts des sinistres.
Une seconde approche classique serait de faire correspondre la loi empirique à une des lois
théoriques usuelles.
Fonctions de répartition et ajustements de lois
graphique 6
Cependant, cela ne nous indique rien concernant l’avenir or nous cherchons précisément des
méthodes pour développer les fonctions de répartitions dans le futur. Il faudrait chercher une
Méthodes
évolution dans les paramètres des lois. Cette démarche inclurait deux risques de modèles : le
premier serait le choix de la loi usuelle théorique et le second serait le choix de l’évolution
dans les paramètres des lois pour en déduire l’avenir.
De plus, il y a souvent un problème au-delà d’un seuil et si un modèle correspond aux

données pour les valeurs faibles de montants, cela n’assure pas que le modèle restera bon pour
les évènements extrêmes aux montants élevés.
C’est ainsi que nous souhaiterons déduire la loi pour les cases futures en partant des lois
empiriques des cases passées, sans avoir besoin de spécifier la loi des cases passées.
Prenons deux cases du triangle. Nous pouvons constater avec le graphique ci-dessous que les
répartitions des coûts des sinistres ne sont pas tout à fait identiques.
Distribution des coûts
graphique 7
Pour autant, ne pourrait-il pas exister un lien entre ces distributions qui nous permettrait de les
déduire l’une de l’autre sans avoir à préciser une loi?
Notre approche répond à cette question et fournit un degré de détail permettant par la suite de
déterminer les distributions des coûts pour les « cases » inconnues du triangle. Les
ajustements permettant de passer d’une fonction de répartition à une autre ressembleront à des
coefficients type « Chain Ladder » dans le sens où les facteurs de développement de Chain
Ladder seront remplacés par des ajustements sur les fonctions de répartition.
Notons que par coût nous entendons dans ce mémoire la charge des sinistres.
Méthodes
Distribution des coûts et ajustement
graphique 8
Nous chercherons donc dans cette approche un ajustement qui permettra tout d’abord de
passer des fonctions de répartition des cases passées aux fonctions de répartition d’autres
cases passées en utilisant des QQ plot et des tests statistiques pour valider les ajustements.
Le QQ plot (Quantile-Quantile Plot) est un graphique permettant de comparer graphiquement

les distributions de deux échantillons en traçant les quantiles d’une distribution par rapport
aux quantiles de la seconde distribution. Si les points sont alignés, les deux distributions sont
similaires.
Ci-dessous le QQ plot de deux fonctions de répartition montrant l’ajustement entre les deux
distributions :
Q-Q plot
graphique 9
Méthodes
• Lien entre les fonctions de répartition
A l’aide d’une base de données conséquente, nous étudions les évolutions des sinistres en
comparant les fonctions de répartition dans le but d’estimer un ajustement permettant de
justifier d’un changement de variable.
A titre d’exemple, dans le triangle suivant, X et Y peuvent représenter respectivement la

variable aléatoire des coûts des sinistres empiriques de la DROC 4 décalage N et la variable
aléatoire des coûts des sinistres empiriques de la DROC 4 décalage N+1.
A partir de la variable aléatoire des coûts des sinistres de départ (ici X), le changement va
permettre de déduire la variable aléatoire des coûts des sinistres d’arrivée (ici Y).
L’outil teste différents ajustements possibles, fait les régressions linéaires nécessaires à
l’estimation des « a » et trace les QQplot correspondants.
Soit un nombre réel a, inconnu, qui sera à déterminer.
Plusieurs ajustements sont testés :
• Soit un changement de variable linéaire (type Y= a*X) ;
• Soit un changement de variable logarithme (type ln(Y)=a*ln(X)).
Y et X représentant
• Soit les variables aléatoires des coûts des années de départ et d’arrivée bruts ;
• Soit les variables aléatoires des coûts des années sans seuil, c’est-à-dire que
nous retranchons le seuil de 152 500 € aux coûts.
Pour chaque ajustement, deux régressions sont proposées : avec et sans ordonnée à l’origine.
Nous testons donc 8 ajustements différents.
Méthodes
Les 8 ajustements ont été testés. Pour en choisir un, nous retenons les critères suivants :
• L’ajustement en logarithme devrait être meilleur puisque nous étudions une

branche longue et que le logarithme permet de réduire l’asymétrie des données.
• L’ajustement sans seuil a notre préférence. En effet, nous avons une troncature
à gauche dans les données, dû à ce seuil, et nous n’étudierons que les sinistres
dépassant le seuil de 152 500 € ;
• L’ajustement sans ordonnée à l’origine est privilégié puisque nous souhaitons

que les fonctions de répartition commencent en 0. En effet nous souhaitons
qu’un sinistre valant à l’origine 0, reste égal à 0 après notre ajustement.
Ainsi, le changement de variable de préférence sera l’ajustement sans seuil, logarithmique et

sans ordonnée à l’origine.
En plus de ces justifications théoriques nous remarquerons que cet ajustement a plusieurs
avantages parmi lesquels nous remarquons le fait que lors de la mise en « as if » (nous verrons
comment faire avec cette méthode dans la suite du mémoire), l’inflation dans les données ne
se fera pas de la même façon pour les petits sinistres que pour les grands sinistres.
Ce fait, bien connu en pratique, est rarement mis en relief par les modèles.
Dans notre modèle logarithme, le coefficient « a » multiplicatif devient en fait une puissance :
Ln(Y)=a*ln(X) Y= X ^ a
Méthodes
Ainsi, l’ajustement n’aura pas le même effet sur les sinistres de coût faible que sur les
sinistres de coût plus important.
Par exemple, un coefficient « a » de 1.01 :
• Pour des sinistres de 200 000€ (x=200 000 €), fera augmenter
approximativement de 2 % les sinistres (y=xâ=x*(1+2 %)) ;
• Pour des sinistres de 1 000 000€ (x=1 000 000 €), fera augmenter
approximativement de 12 % les sinistres (y=xâ=x*(1+12 %)).
Un exemple chiffré détaillé vous est donné dans l’annexe III.
• Les trois dimensions
Cette évolution en terme de fonctions de répartitions peut se faire de plusieurs manières :

horizontalement, verticalement par arrêté, verticalement par décalage :
• Evolution horizontale (H) : pour chaque sinistre, l’évolution au fil des

inventaires donnera au global un changement de variable à appliquer à chaque
DROC pour déterminer l’évolution de la fonction de répartition des sinistres.
Cette évolution permet d’étudier l’effet vieillissement ;
• Evolution verticale par arrêté (VA) : pour chaque arrêté, elle représente
l’évolution des sinistres au fil des DROC. Cela représente alors l’effet
comptable ;
• Evolution verticale par décalage (VD) : pour chaque décalage, elle représente
l’évolution des sinistres au fil des DROC. Cela représente alors l’effet inflation
des coûts ;
Nous remarquerons qu’en utilisant tout d’abord le changement de variable H, puis le

changement de variable VA, on obtient le changement de variable VD. Ainsi de deux
changements de variable, nous pouvons en déduire le troisième. Cette propriété se vérifie en
pratique aisément.
Méthodes
L’illustration précédente peut également s’illustrer en changeant les colonnes et en ne les

classant plus en décalage mais par arrêtés (ainsi nous constatons la cohérence de l’appellation
«VA »).
Nous utiliserons donc dans la suite du mémoire plutôt les H et les VD, des résultats similaires
se retrouvent pour les VA par la propriété énoncée précédemment.
Ainsi nous avons trois façons de développer les exercices :
• En utilisant les évolutions Horizontales (H) sur les triangles donnant les
DROC par décalages ou les DROC par arrêtés. Nous pouvons évaluer la
nouvelle fonction de répartition des coûts et en y ajoutant un modèle pour les
fréquences (que nous verrons plus loin dans ce mémoire) nous pouvons
développer chaque exercice horizontalement.
• En utilisant les évolutions verticales sur les triangles donnant les DROC par
décalages (VD). Nous pouvons évaluer la nouvelle fonction de répartition des
coûts et en y ajoutant un modèle pour les fréquences (que nous verrons plus
loin dans ce mémoire) nous pouvons développer chaque exercice
verticalement.
• En utilisant les évolutions verticales par arrêtés (VA) : sur les triangles donnant
les DROC par arrêtés, Nous pouvons évaluer la nouvelle fonction de
répartition des coûts et en y ajoutant un modèle pour les fréquences (que nous
verrons plus loin dans ce mémoire) nous pouvons développer chaque arrêté
verticalement.
Pour utiliser les H, les VD ou les VA il convient tout d’abord d’étudier le lien entre les
fonctions de répartitions des différentes DROC aux différents décalages ou arrêtés.
Méthodes
• Validations
• QQ plot
Nous rappelons que le QQ plot (Quantile-Quantile Plot) permet de comparer graphiquement
les distributions de 2 échantillons pour savoir si elles sont identiques. Si les points sont
alignés, les 2 échantillons ont des distributions similaires, sinon elles ne le sont pas.
Q-Q Plot
graphique 9
Nous pouvons constater que les points sont alignés sur la droite linéaire tracée.
Deux points en bas à gauche ne sont pas alignés avec la droite cependant il n’est pas très
grave que l’ajustement n’explique pas entièrement ces points puisqu’ils sont de coûts faibles.
Des tableaux partiels de résultats de ces ajustements (les tableaux des « a ») sont fournis dans
les Annexes.
Ces ajustements nous donneront des changements de variables qui, s’ils sont stables (entre les
décalages ou stables entre les années ou stables par arrêtés), nous permettront d’estimer les
fonctions de répartition des coûts pour la partie inférieure inconnue du triangle :
Méthodes
• Tests d’adéquation10
Le QQ plot obtenu nous permet d’aller plus loin dans notre démarche. Dès lors, il convient de
faire quelques tests statistiques afin de valider les ajustements et ainsi valider le changement
de variable qui sera appliqué dans le futur.
Les lois des variables X et Y ne sont pas précisées, cependant nous pouvons comparer les
fonctions de répartition empirique des variables.
Par exemple, pour valider l’ajustement Y=a*X, il suffira de comparer les fonctions de
répartition empiriques des variables Y et a*X tout comme nous avons fait pour tracer les QQ
plot précédemment.
Pour ce faire différents tests existent, nous allons en présenter quelques uns :
o Test de Mann-Whitney Wilcoxon
Le test de Mann-Whitney Wilcoxon est un test non paramétrique (pas d'hypothèse sur la
distribution sous-jacente) qui permet de tester si deux échantillons ont même moyenne.
Exemple d’utilisation sous R 11:

Soit douze et treize les distributions des décalages 12 et 13 respectivement, si l’on a déterminé
le choix de variable ln(Y)=a*ln(X) avec X et Y sans seuil, alors il convient tout d’abord
d’enlever le seuil aux données douze et treize, de passer au log puis de multiplier le ln(X) par
le coefficient « a » estimé par la régression.
Le résultat donne une p-value du test grande, ce qui signifie que si l’on rejette l’hypothèse
d’égalité des moyennes, on aura 92 % de chance de rejeter à tort.
Il n’est cependant pas très puissant puisqu’il ne compare que les moyennes des deux
distributions.
10
AI Access. Test d’Adéquation. Disponible en ligne sur
http://www.aiaccess.net/French/Glossaires/GlosMod/f_gm_adequation.htm#Kolmogorov .
11
Alea. (14/01/2011). Tests statistiques avec R. Disponible en ligne sur
http://alea.fr.eu.org/post/2011/01/14/Tests-statistiques-avec-R .
Méthodes
o Test de Kolmogorov-Smirnov
En général le test de Kolmogorov-Smirnov est basé sur la distribution de l'écart maximal entre
la fonction de répartition empirique Fn et la fonction de répartition théorique choisie F. Ici
nous utiliserons la fonction de répartition empirique du changement sur X (par exemple a*X
pour l’ajustement Y=a*X) comme fonction de répartition théorique F.
La statistique du test est la plus grande valeur absolue de la différence entre les deux fonctions
de répartition :
Dn = sup|Fn(x) - F(x)|
Pour valider l’hypothèse d’égalité des deux fonctions de répartition il convient que la valeur
de Dn soit faible. Il est donc nécessaire de calculer la probabilité que la valeur de Dn soit
faible.
La distribution asymptotique de Dn est connue et ne dépend pas de F, plus précisément d’après

le théorème de Kolmogorov Smirnov :
∞
{ }
lim P n Dn ≤ y = 1 − 2∑ (−1) i −1 exp(−2i 2 y 2 )
n →∞
i =1
Démontrons que la loi de Dn ne dépend pas de F :

En effet,
i −1 i
sup|Fn(x) - F(x)| = max i ( − F ( X (i ) ) , − F ( X (i ) ) )
n n
Or F(Xi) suit la loi uniforme sur [0,1] et comme F est croissante F(X(i))1≤i≤n a même loi qu’un
échantillon réordonné de variables aléatoires indépendantes et identiquement distribuée de loi
uniforme sur [0,1]. Donc Dn a la même loi que :
i −1 i
n max i ( − U (i ) , − U (i ) )
n n
Nous avons utilisé ce test sous le logiciel R : (avec les mêmes notations que dans l’exemple
précédent)
Ici encore la p-value est très élevée, ce qui signifie que l’hypothèse d’égalité des fonctions de
répartition ne peut pas être rejetée.
Cependant, le test de Kolmogorov Smirnov présente une limite notable puisqu’il ne prend en
compte que savoir l’écart maximal entre les deux fonctions de répartition. Il semblerait plus
Méthodes
efficace de mesurer la différence entre les deux fonctions de répartition en comparant ces
fonctions sur l’intégralité de leur domaine.
Par ailleurs, notons que nous ne disposons pas d’assez de sinistres pour construire une
fonction de répartition qui rejetterait l’hypothèse d’égalité des fonctions de répartition selon le
test de Kolmogorov-Smirnov. En effet, plus il y a de points dans la fonction de répartition et
plus le couloir d’acceptation se resserre.
Le graphique suivant illustre le couloir d’acceptation à 0.5% pour l’ajustement entre les
distributions des coûts des sinistres des décalages 12 et 13.
Ajustement et test de Kolmogorov Smirnov
graphique 10
Afin de mesurer la différence entre les deux fonctions de répartition en comparant ces
fonctions sur l’intégralité de leur domaine, l’idée première serait d’utiliser la statistique la
plus simple, basée sur l’intégrale du carré de la différence entre les deux fonctions de
répartition :
+∞
S = ∫ ( Fn ( x) − F ( x))2 dx
−∞
Cependant, cette statistique n’est pas utilisée puisque son calcul est très compliqué, voire
impossible.
o Test de Cramer-von Mises
La statistique du test de Cramer-von Mises applique un facteur de pondération de sorte que :

+∞
W 2 = n ∫ ( Fn ( x) − F ( x)) 2 dF ( x)
−∞
L’intégrale peut alors être calculée plus facilement en ne faisant intervenir que F :
n
2i − 1 2 1
W 2 = ∑ ( F ( x(i ) ) − ) +
i =1 2n 12n
Méthodes
o Test d’Anderson-Darling
Anderson-Darling se base également sur la statistique S mais propose une nouvelle fonction
de pondération permettant de donner plus d’importance aux observations extrêmes puisque là
se trouve la faiblesse de la statistique de Cramer-von Mises.
La statistique d’Anderson-Darling est donnée par :
+∞
A = n ∫ ( Fn ( x) − F ( x)) 2 [ F ( x)(1 − F ( x))] −1 dx
2
−∞
Encore une fois l’intégrale est facilement calculable en ne faisant intervenir que F :
2 1 n
A = −n − ∑ (2i − 1)[log F ( x(i ) ) + log(1 − F ( x( n +1−i ) ))] i
n i =1
Si nous testons ces statistiques, nous validons largement à chaque fois les hypothèses
d’égalité des fonctions de répartition.
Cependant, il convient d’être vigilant car les distributions des statistiques dépendent de n qui
est la taille de l’échantillon et dans notre étude les tailles ne sont pas toujours significatives.
En effet, les premiers décalages par exemple ont toujours peu de sinistres.
Il est important de garder ce problème à l’esprit.
• Stabilité des coefficients
Après avoir choisi un changement de variable à appliquer pour les H et les VD, il convient de
vérifier la stabilité des coefficients du changement de variable afin d’appliquer le même
changement pour le futur ou d’estimer une tendance s’il y en a une, dans l’évolution des
coefficients.
• Pour les coefficients des évolutions Horizontales (H)
Méthodes
Il faudra étudier l’évolution des coefficients verticalement afin de répondre à la question :

« est-ce que les coefficients des changements de variables pour passer du décalage n au
décalage n+1 sont les mêmes quelque soit la DROC considérée, ou y a-t-il une tendance dans
l’évolution de ces coefficients nous permettant d’en déduire les coefficients futurs à appliquer
pour passer du décalage n au décalage n+1 ? » ; et ce pour chaque n.
• Pour les coefficients des évolutions verticales par décalages (VD)
Il faudra étudier l’évolution des coefficients horizontalement afin de répondre à la question :

« est-ce que les coefficients des changements de variables pour passer de l’année x à l’année
x+1 sont les mêmes quelque soit le décalage considéré, ou y a-t-il une tendance dans
l’évolution de ces coefficients nous permettant d’en déduire les coefficients futurs à appliquer
pour passer de l’année x à l’année x+1 ? » ; et ce pour chaque x.
Nous chercherons donc à déterminer s’il existe :
• Une certaine stabilité des coefficients Hij et VDij ;
• Une tendance dans les coefficients Hij et VDij ;
• Un effet comptable : par exemple dans les Hij peut être retrouve-t-on les mêmes
formes d’évolutions des coefficients mais avec un an d’écart ;
• Un effet retard : peut-être peut-on remarquer des compensations entre des

coefficients qui seraient faibles une année et pour compenser plus élevés les
années suivantes.
Méthodes
A noter que nous garderons les coefficients sous forme de nombre à 3 décimales. En effet
puisque nous utiliserons l’ajustement ln(Y)=a*ln(X) un changement minime dans le
coefficient « a » peut entraîner un grand changement dans les résultats du fait de l’importance
des montants de sinistres (même si l’on retranche 152500 €).
Par exemple entre un coefficient de 1 et un coefficient de 1,01, un coût de 1 000 000 € sera
augmenté de 12,40 % et un coût de 2 000 000 € sera augmenté de 14,34 %.
Cependant entre un coefficient de 1,003 et un coefficient de 1,002, un coût de 1 000 000 €

sera augmenté de 1,17 % et un coût de 2 000 000 € sera augmenté de 1,35%. Cet écart nous
semble acceptable.
Le graphique ci-dessous illustre l’impact du paramètre « a » sur une fonction de répartition.

La courbe « a=1 » représente la fonction de répartition initiale de la variable X. Les courbes
« a=1.01 », « a=1.02 » et « a=1.019 » illustrent les fonctions de répartition résultantes du
changement de variable Y=Xa avec les différents « a » considérés.
Fonction'de'répartition'des'sinistres'en'fonction'de'paramètre'"a"
100%
90%
80%
70%
eé
l 60%
u
m
u
c-
ét 50%
ili
b
a
b40%
o
r
P
30%
a=1
20%
a=1.019
10% a=1.01
a=1.02
0%
152,500--- 352,500--- 552,500--- 752,500--- 952,500--- 1,152,500--- 1,352,500--- 1,552,500---
Montants-des-sinistres
Nous constatons que l’écart entre les fonctions de répartition « a=1.01 » et « a=1.02 » est très
important : il débute à 1,4% et tend vers 40% lorsque les montants de sinistres augmentent. A
contrario, l’écart entre les fonctions de répartition « a=1.019 » et « a=1.02 » est faible : de
0,15% à 3,4% selon les montants des sinistres. Cet écart nous semble acceptable.
Par ailleurs, obtenir un paramètre plus précis, à 4 chiffres après la virgule par exemple, ne
serait pas d’une grande utilité pour la suite de cette étude. En effet, puisque les paramètres
obtenus sur les années précédentes sont moyennés afin d’obtenir un paramètre pour la
projection, une trop grande précision sur les paramètres observés n’entraînerait pas
nécessairement une précision plus importante sur les paramètres moyennés.
Méthodes
Par exemple :
o Pour les VD
Le graphique ci-dessous représente pour la DROC 1981 l’évolution des coefficients « a »

relatifs au changement de variable logarithmique sans ordonnée à l’origine et sans seuil :
ln(Y)=a*ln(X).
Facteurs de passage de la DROC 1981

à 1982 par décalage
graphique 11
Remarquons tout d’abord que le premier point représente le coefficient du changement de

variable permettant le passage entre la DROC 1981 et la DROC 1982 pour le décalage 9 : soit
le coefficient 0,883. Ce décalage représente le premier décalage pour lequel les deux DROC
1981 et 1982 ont plus de 5 sinistres (lorsque le nombre de sinistres est inférieur à 5, le
changement de variable n’est pas testé par manque d’information).
Nous constatons que les premiers décalages sont assez loin des autres décalages, ceci étant en
fait dû aux manques d’informations sur ces décalages. En effet, en 1981 au décalage 9 il n’y a
que 10 sinistres et 14 pour l’année 1981, l’estimation est donc moins sûre. A partir du
décalage 12, les coefficients sont plus stables et ainsi relativement proches.
Nous aurons donc l’idée d’utiliser la moyenne des dernières années pour déterminer le futur
coefficient à appliquer, ou encore d’utiliser une loi Normale de paramètres µ: la moyenne des
dernières années et σ: la variance empirique des coefficients des dernières années, pour
déterminer le futur coefficient à appliquer.
Nous remarquons que, conformément à ce qui a été annoncé précédemment, une précision à 3
chiffres après la virgule est bien suffisante pour obtenir un bon compromis entre stabilité des
coefficients et précision.
Par ailleurs il est possible de calculer l’intervalle de confiance du paramètre « a » choisi. En
choisissant « a » comme la moyenne des coefficients plus stables (appelons les VDi, i=1 à n),
alors l’intervalle de confiance à 95% du paramètre « a » est donné par :
Méthodes
σ (VD)
a = VD ± 1.96 ×
n
1 n
Avec VD = ∑ VDi
n i =1
Notons que ceci est vrai uniquement si l’on suppose que la variable aléatoire des VD suit une
loi normale (nous le vérifierons dans quelques pages dans ce mémoire).
Ainsi, pour les VD présentés ci-dessus, l’intervalle de confiance à 95% est :
a ∈ [0.956642;0.95763]
Nous vérifions ainsi qu’une précision du paramètre choisi à 3 chiffres après la virgule est un
bon compromis entre stabilité et précision. Nous choisissons pour ce changement de variable,
un paramètre de 0,957.
o Pour les H
Le graphique ci-dessous représente pour un décalage, l’évolution des coefficients « a » relatifs

au changement de variable logarithmique sans ordonnée à l’origine et sans seuil :
ln(Y)=a*ln(X).
Nous remarquons encore une fois une certaine stabilité dans les coefficients, même s’il y a
quelques points exceptionnels.
Facteurs de passage au décalage suivant

par DROC
graphique 12
Méthodes
Nous en déduirons des ajustements passés, les ajustements à utiliser pour développer l’avenir.
Cette approche a de nombreux avantages parmi lesquels :
• Pas de choix de modèle précis pour les lois ;
• Nous disposerons de plus de détails dans les résultats qu’en utilisant les
approches classiques puisque nous disposerons des fonctions de répartition des
sinistres, ce qui nous permettra de répondre à de nombreuses problématiques,
comme nous le verrons dans la suite de ce mémoire en applications ;
• Nous n’effectuons aucune manipulation dans les données et nous conservons

tout l’échantillon des données ;
• Nous vérifierons les propriétés a posteriori dans les résultats plutôt que nous ne
les affirmerons a priori. Cette approche considère que toutes les informations
se trouvent dans les données et retire ces informations des données ;
• Nous pourrons étudier les différents effets qui influent sur l’évolution des
sinistres, à savoir : l’effet inflation des coûts, l’effet vieillissement des sinistres,
et l’effet comptable, comme nous allons le voir dans le paragraphe suivant. Ces
effets se combinent et sont souvent difficiles à traduire avec les approches
classiques ;
• Nous pourrons également mettre en lumière des époques de changement de

politique tarifaire, des époques de forte inflation monétaire, ou encore des
époques de changement technique dans le calcul des réserves.
Méthodes
3. Utilisation
Après avoir déterminé les changements de variables à appliquer et déterminé la façon

d’utiliser les H et les VD déterminés par les ajustements, nous devons choisir comment nous
allons utiliser notre approche pour développer les exercices passés.
La problématique est la suivante : nous pouvons partir de n’importe quelle case du triangle et
il suffit d’appliquer des changements de variable pour déterminer la fonction de répartition de
n’importe quelle autre case du triangle de liquidation. La question est : quelle case voulons-
nous évaluer et de quelle case doit-on partir pour ce faire ?
A partir de notre approche, une infinité de possibilités s’offrent à nous pour développer les
triangles.
Nous allons ici présenter les 6 méthodes différentes que nous avons mises en œuvre.
• Méthode horizontale :
Cette méthode est la méthode la plus immédiate et se développe de la même façon que le
Chain Ladder classique, c'est-à-dire horizontalement.
Partant du dernier décalage connu de la DROC souhaitée, nous développons la nouvelle
fonction de répartition en utilisant les changements de variables successifs estimés
préalablement par les H.
Nous avons ici choisi d’estimer les coefficients « a » de façon identique pour un même
décalage quelque soit la DROC considérée. Les coefficients correspondant à une moyenne des
coefficients précédemment estimés par les régressions linéaires, à laquelle nous avons enlevé
les éventuelles valeurs jugées aberrantes.
Notons que le coefficient « a » correspond à la moyenne entre les coefficients H11, H21, H31
et H41 de la partie précédente (revoir page 35). De même le coefficient « b » correspond à la
moyenne entre les coefficients H12, H22 et H32. Enfin, le coefficient « c » correspond à la
moyenne entre les coefficients H13 et H23.
Méthodes
• méthode as ifage : développement par décalage
Cette méthode est la seconde méthode immédiate et se développe de la même manière que la
méthode précédente, mais verticalement. C’est-à-dire en partant de la dernière DROC pour
laquelle le décalage voulu est développé, nous développons la nouvelle fonction de répartition
en utilisant les changements de variables successifs estimés préalablement par les VD.
Nous avons ici choisi d’estimer les coefficients « a » de façon identique pour chaque DROC
quelque soit le décalage considéré. Les coefficients correspondant à une moyenne à laquelle
nous avons enlevé les éventuelles valeurs jugées aberrantes.
Notons que le coefficient « a » correspond à la moyenne entre les coefficients VD10, VD11,
VD12 et VD13 de la partie précédente (revoir page 36). De même le coefficient « b »
correspond à la moyenne entre les coefficients VD20, VD21 et VD22. Enfin, le coefficient
« c » correspond à la moyenne entre les coefficients VD30 et VD31.
A noter que ce schéma n’est qu’une illustration et que bien entendu, les évaluations
intermédiaires sont importantes également.
Bien que ces méthodes de développement soient intuitives, elles ont un certain nombre de
faiblesses. Nous allons tenter d’utiliser de nouvelles méthodes afin d’améliorer ces deux
méthodes précédentes.
Nous utiliserons maintenant la seconde méthode (utilisation des VD) pour la mise en « As if »
des valeurs, à savoir d’actualiser les valeurs du passé en considérant l’inflation des coûts.
Ainsi, au lieu de n’utiliser la base de donnée que pour les calculs des H et des VD puis
d’estimer une moyenne des coefficients, nous allons utiliser un plus large éventail des
données présentes dans notre base
Il serait dommage d’avoir une base de données si conséquente et de n’en utiliser qu’une petite
partie.
Méthodes
• méthode globale première colonne :
o Tout d’abord nous mettons en « As if » les sinistres passés comme dans la

méthode précédente. Ces sinistres mis en « As if » vont ainsi grossir la base de
l’année à développer. Ainsi, pour chaque décalage nous mélangeons les
sinistres (mis en as if) de toutes les années connues.
o Ensuite nous réétudions un ajustement afin d’estimer des H globaux (un seul H
global par décalage) qui seront meilleurs que de prendre des moyennes des H.
Enfin à l’aide des H globaux nous développons la DROC voulue en partant du dernier
décalage connu de la DROC souhaitée, mis en as if et en appliquant les H globaux successifs
comme dans la première méthode. évaluation recherchée
A noter que ce schéma n’est qu’une illustration et que bien entendu, les évaluations
intermédiaires sont importantes également.
• Méthode globale dernière diagonale :
Cette méthode est une amélioration de la méthode précédente.

Dans la méthode précédente nous avons utilisé le dernier décalage connu de la DROC
souhaitée. Nous allons maintenant utiliser le dernier arrêté comme base pour la fonction de
répartition pour tenter d’être plus précis.
Nous partirons donc du dernier décalage connu de l’année, mais également de tous les
derniers décalages connus des années précédentes mis en « As if » (en s’arrêtant au décalage
précédent celui que l’on veut estimer) pour construire la fonction de répartition.
Méthodes
• Méthode coefficients stochastiques
L’idée de la méthode est d’améliorer les méthodes précédentes en introduisant du

stochastique dans les coefficients « a » choisis.
En effet, les graphiques de stabilité des coefficients montrent certe une certaine stabilité mais
également une part de variabilité autour de la moyenne.
Rappel d’un des graphiques vu précédemment dans la partie stabilité des coefficients :
évolution des coefficients estimés des VD pour l’année de DROC 1981 au long des décalages
connus.
Facteurs de passage de la DROC 1981
à 1982 par décalage
graphique 11
Il pourrait être judicieux donc d’estimer ces coefficients de manière stochastique, par exemple
en estimant que les coefficients varient avec une loi Normale autour de la moyenne.
Cette hypothèse a été validée par des tests statistiques comme le test de shapiro.
o Test de shapiro :
Ce test est le plus puissant connu pour vérifier la normalité de données. Nous le calculons de
la façon suivante :
Les n coefficients doivent au préalable être rangés par ordre de valeur croissante : notons les
yi.
Méthodes
Tout d’abord, nous calculons la moyenne de cette série de mesures :
1 n
y= ∑ yi
n i =1
Dans un second temps nous calculons la variance, le nombre Tn défini par :
n
Tn = ∑ ( y i − y ) 2
i =1
Puis les différences suivantes :

d1 = yn - y1
d2 = yn-1 - y2
...............................
di = yn-i+1 - yi
(Remarquons que si n = 2p (n, le nombre de sinistres, pair), on aura p différences et si n = 2p
+ 1 (n impair) on aura aussi p différences, l'observation médiane n'intervenant pas.)
Nous calculons alors le nombre W défini par :
p
(∑ a j d j ) 2
j =1
W=
Tn
où les coefficients aj sont donnés par une table.

Enfin, nous choisissons un risque (5 % ou 1 %) et nous comparons la valeur de W à une
valeur Wcrit, dite valeur critique, lue dans la table de Shapiro et Wilk que vous pouvez
retrouver en Annexe.
La règle du test est alors la suivante :
Si W > Wcrit nous acceptons, au risque choisi, l'hypothèse de normalité de la série de mesure.
Si W < Wcrit nous rejetons l'hypothèse de normalité de la série de mesure.
Cette méthode est une piste pour améliorer les méthodes précédentes mais ne sera pas retenue
dans ce mémoire. Cependant, nous tenions à avancer une méthode qui tenterait d’améliorer
encore nos résultats afin de garder à l’esprit qu’il est toujours possible d’améliorer une
méthode.
Méthodes
• méthode stochastique intrégale :
La théorie sous-jacente à cette méthode se dinstingue des autres méthodes, en effet l’outil des
fonctions de répartition n’est plus ici utilisé que pour la mise en « as if ».
Dans cette méthode, nous n’estimons plus seulement des évolutions globales dans les
fonctions de répartition mais des évolutions individuelles des sinistres composant la fonction
de répartition. Nous décomposons donc entièrement les résultats : Nous sommes en mesure de
donner les fonctions de répartition mais également l’évolution de chaque sinistre au fur et à
mesure des décalages.
L’idée est de mettre en « as if » les montants des sinistres des DROC antérieures (avec les
VD) et d’en déduire des cadences individuelles en faisant un modèle pour la vie des sinistres
déjà apparus et un modèle pour les nouveaux sinistres à l’apparition.
Pour chaque année il y a donc trois simulations à effectuer :
• Fréquence d’appartition des sinistres ;
• Coûts de ces sinistres apparus ;
• Cadences de développement de ces sinistres apparus.
Les cadences représentent un vecteur d’évolution de la charge d’un décalage à l’autre. Il n’y a
pas de modèle pour ces cadences mais nous utilisons des échantillonnages des cadences des
données historiques. A ces cadences nous faisons correspondre également la part des payés
correspondant, ainsi nous gardons une cohérence entre l’évolution de la charge et la part des
payés.
Exemple d’un échantillon de quatre cadences :

apparition n+1 n+2 n+3
Cadence coût 10% 20% 2% -5%
Part payée 90% 75% 7% 75%
Le vecteur de cadence associé sera : (1,1 ; 1,2 ; 1,02 ; 0.95)

Les coûts et les cadences sont tirés dans les coûts historiques mis en « as if » et cadences
historiques en pourcentage.
Méthodes
Ici, le modèle fréquence-coût est original dans le sens où seule une fréquence et un coût à
l’apparition sont à définir. Nous avons choisi pour la fréquence à l’apparition un modèle de
poisson avec un maximum. Il nous a fallu prendre en compte les sinistres disparaissant et
apparaissant afin de retrouver approximativement la même fréquence que dans les méthodes
précédentes.
En effet, il est à noter qu’avec les cadences tirées, certains sinistres disparaissent. Nous
entendons apparition et disparition au sens : apparition au dessus du seuil de 152 500 € et
disparition en dessous du seuil de 152 500 €.
Avantages de cette méthode :
Chaque tirage est indépendant : le coût est indépendant de la fréquence et également

indépendant des cadences tirées. Ainsi, nous représentons de façon la plus juste possible la
variété des cas possibles.
Un second avantage de cette méthode est qu’étant la seule méthode permettant de voir
l’évolution de chaque sinistre individuellement, cette méthode est aussi la seule méthode
permettant de faire fonctionner pleinement les traités de réassurance.
Un exemple d’application des traités de réassurance sur les résultats sera traité dans la partie
suivante de ce mémoire.
Méthodes
4. Problématique des fréquences
Dans la partie précédente nous avons mis l’accent sur la détermination des fonctions de
répartition des coûts. Cependant, dans un modèle fréquence-coût il convient également de
s’intéresser aux fréquences.
Les fréquences ont été traitées de façon plus immédiate que les fonctions de répartition.
Nous avons tout d’abord évalué, sur la base des fréquences historiques, des cadences
moyennes de développement des fréquences, en pourcentage.
Ces cadences moyennes nous ont permis de déterminer la moyenne d’une loi de Poisson
capée. La loi de Poisson étant définie sur R+, nous avons dû nécessairement borner cette loi.
Nous avons borné cette loi de façon à dépasser à peine l’évolution maximale historique des
fréquences pour chaque décalage (ainsi nous ne nous privons pas pour autant de scénarios de
type « construction californienne » où à cause de l’empressement des constructeurs et du peu
de qualification de la main d’œuvre utilisée dans les constructions californienne dans les
années 1980 à 1990, le nombre de sinistres grimpa très fortement). Nous avons également
borné la loi à gauche car historiquement des sinistres apparus ont peu de chances (mais
probabilité non nulle) de disparaître, notre modèle reflètera ce fait.
Cependant, il est possible de s’interroger sur l’utilisation des fréquences historiques : en effet
des sinistres ne dépassant pas le seuil dans les années précédentes et donc non présents dans
notre base de donnée, mis en « as if », pourraient éventuellement dépasser le seuil, et donc
venir grossir le nombre de sinistres dépassant le seuil.
Il faudrait pour palier à ce problème considérer les fréquences dépassant un autre seuil que le
seuil de départ de 152 500 € afin que le nombre de sinistres connus dans le passé mis en « as
if » reflètent à eux seuls la fréquence des sinistres dépassant le seuil dans le présent et le futur.
Concrètement :
Soit le seuil de 152 500 €. Nous ne disposons que des sinistres qui par le passé ont dépassé ce
seuil. Pour autant, les sinistres valant 152 500 €, en considérant l’inflation, ne serait plus
égaux à 152 500 €, mais par exemple à 250 000 €. Dans ce cas la fréquence relative aux
sinistres dépassant 152 500 € dans le passé représente au présent la fréquence relative aux
sinistres dépassant 250 000 €. Nous ne pouvons donc estimer la fréquence présente qu’au
dessus du nouveau seuil de 250 000 € grâce aux fréquences passées.
Pour autant, nous ne considérons pas ce point de vu dans ce mémoire, estimant que la
population des sinistres dépassant 152 500 € aujourd’hui n’est peut-être pas la même que celle
des sinistres dépassant 152 500 € dans le passé, mais sur un plan mathématique cela ne pose
pas de problème et ne remet pas en cause notre évaluation. En effet nous nous intéressons à la
population des sinistres dépassant 152 500 € peu importe que les sinistres en eux-mêmes ne
soient pas les mêmes, seuls leurs montants importent, donc notre population est bien
homogène. De plus, les tendances dans les fréquences des sinistres ne sont pas toujours à la
hausse, ce qui tend à valider en pratique notre démarche.
Méthodes
5. Problématique de la corrélation des données
La méthode fréquence-coûts ne peut s’appliquer qu’en cas d’indépendance des fréquences et

des coûts. Il convient donc de vérifier ce pré-requis. En général, l’indépendance fréquence-
coût est acceptée si le portefeuille est homogène.
Il semble cohérent que le nombre de sinistres d’une année soit corrélé au montant global de
sinistres à payer. En règle général, plus il y a de sinistres et plus le coût global sera élevé.
Cependant, la fréquence est indépendante des coûts individuels des sinistres. Pour preuve, le
graphique suivant montre la répartition temporelle (par date d’inventaire) des sinistres de la
DROC 1998. Nous remarquons que la fréquence n’est pas corrélée aux coûts des sinistres
individuels.
Evolution)des)sinistres)de)la)DROC)1998
3,000,000%%%
2,500,000%%%
2,000,000%%%
1,500,000%%%
1,000,000%%%
500,000%%%
!
2000
2002
2003
2004
2004
2005
2006
2006
2007
2007
2008
2008
2008
2009
2009
2010
2010
2010
1999
2001
2001
2002
2003
2003
2004
2004
2005
2005
2005
2006
2006
2006
2007
2007
2007
2007
2008
2008
2008
2009
2009
2009
2009
2009
2010
2010
2010
2010
2010
Nous constatons qu’à partir de la date d’inventaire 2002, le nombre de sinistres n’influe pas
sur les coûts des sinistres. En effet, tandis que le nombre des sinistres croît, les coûts des
sinistres ne croient pas. Certes les coûts individuels ont une tendance à l’aggravation,
cependant de nouveaux sinistres (de coûts individuels petits ou élevés) apparaissent également
sans que cela ne suive une tendance haussière en relation avec la hausse du nombre des
sinistres.
Notons toutefois que dans les premiers décalages, à l’apparition, les sinistres ne sont pas
entièrement développés. Leur développement a une tendance à l’aggravation du montant des
sinistres, tandis que le temps fait surgir de nouveaux sinistres plus qu’il n’en fait disparaître.
Ainsi donc dans les premiers décalages, l’indépendance entre la fréquence est les coûts est
plus difficile à constater puisque le nombre de sinistres est faible et leur coût individuel l’est
également.
En considérant la corrélation autrement, nous pouvons aussi étudier l’impact de la fréquence

et des coûts non plus sur une même DROC mais par date d’inventaire. Par exemple, le
graphique ci-dessous présente les coûts individuels des sinistres présents à la date d’inventaire
1998 en fonction de leur année de DROC.
Méthodes
Sinistres(présents(en(date(d'inventaire(1998
4,000,000%%%
3,500,000%%%
3,000,000%%%
2,500,000%%%
2,000,000%%%
1,500,000%%%
1,000,000%%%
500,000%%%
!
1969
1970
1971
1972
1972
1973
1973
1974
1975
1975
1992
1995
1969
1970
1971
1972
1973
1973
1974
1974
1975
1975
1976
1976
1976
1977
1977
1977
1977
1978
1978
1979
1979
1980
1981
1981
1981
1982
1983
1983
1984
1985
1985
1986
1987
1987
1987
1988
1988
1988
1989
1989
1989
1990
1990
1991
1991
1993
Bien que les dernières DROCS soient les plus récentes, et donc celles qui ont le moins de
sinistres, cela n’influe en rien le montant individuel de ces sinistres comme nous pouvons le
constater.
Ces analyses graphiques illustrent l’indépendance de la fréquence et des coûts individuels des
sinistres.
Par ailleurs, le coût moyen est soumis à l’inflation alors que la fréquence suit des cycles
complexes. Enfin, nous sommes en branche longue, la fréquence met longtemps à se déclarer,
mais le coût peut être encore plus long à estimer.
Enfin, vérifions l’indépendance entre la fréquence et les coûts moyens numériquement. Pour
ce faire nous avons calculé le coût moyen et la fréquence associée à chaque date d’inventaire
de chaque DROC, puis nous avons calculé le coefficient de corrélation linéaire.
Le coefficient de corrélation linéaire entre X=(X1,..Xn), les fréquences, et Y=(Y1,..,Yn), les

coûts moyens, est donné par la formule suivante :
n
∑ (x
i =1
i − x)( y i − y )
Correl ( X , Y ) =
n n
∑ ( x i − x) 2
i =1
∑(y
i =1
i − y) 2
Un coefficient proche de 0 signifie que les deux vecteurs sont indépendants. Un coefficient de
valeur proche de 1 ou -1 indique de fortes corrélations (positives ou négatives).
Dans le cas présent, le coefficient de corrélation linéaire obtenu est de 0,002591.
Ce résultat nous semble suffisant pour déclarer l’indépendance entre la fréquence et les coûts
moyens de sinistres.
Ceci peut également être vu graphiquement : en traçant les fréquences et les coûts moyens
associés. Le graphique suivant illustre le fait que nous n’obtenons pas de tendance.
Méthodes
Corrélation&fréquence5coût&moyen
652,500&&&
Coûts&moyens 552,500&&&
452,500&&&
352,500&&&
252,500&&&
152,500&&&
10 20 30 40 50 60 70
Fréquences
Notons que dans un souci de clarté du graphique, les fréquences inférieures à 10 ne sont pas
représentées puisqu’elles sont trop volatiles (en effet, un sinistre grave entraîne toute la
moyenne).
Méthodes
6. Résumé des hypothèses et tests du modèle
Ce résumé permet comprendre de façon plus synthétique les principales hypothèses du

modèle fréquence-coût utilisé dans ce mémoire pour l'évaluation du risque RCD. Je
présenterai également les différents tests permettant de valider ces hypothèses. Enfin un back-
testing complet sera présenté afin de valider l'adéquation de l'utilisation de la méthode dans
son ensemble.
Une lecture complète du mémoire, et notamment du chapitre 2, reste toutefois nécessaire afin
de comprendre en détail les notations, l'approche D3istribution, les tests et l'utilisation de
l'approche. Je vous inviterai dans ce résumé à vous reporter à certaines pages pour plus de
détails.
• Hypothèses du modèle
- 1. Indépendance entre la fréquence et le coût des sinistres.
- 2. La fréquence suit une loi de Poisson dont le paramètre diffère pour chaque décalage, mais
sera le même quelque soit la DROC.
Le paramètre est déterminé par moyenne des fréquences historiques du décalage : Soit
Fréquencej le paramètre de la loi de Poisson de la fréquence des sinistres au décalage j, alors
si nous possédons un historique des fréquences des DROCS k, k=1... n, au décalage j, alors :
1 n
Fréquence j = ∑ Fréquencek , j
n k =1
Soit Fréquencei,j la variable aléatoire de la fréquence des sinistres de la DROC i, vue en année
i+j, alors quelque soit i et j :
Fréquencei,j=Fréquencei+1,j
- 3. Soit la variable aléatoire représentant le coût sans seuil des sinistres rattachés à une
DROC i, vue en année i+j : Xi,j.
Nous rappelons que le coût sans seuil représente le coût du sinistre auquel nous retranchons le
seuil de 152 500 euros.
Alors quelques soient i et j, l'hypothèse centrale de l'approche D3istribution est la suivante :
Pour la méthode Horizontale : Xi,j=(Xi,j-1)Hij avec Hij le paramètre que l'on recherche.
Pour la méthode As-Ifage : Xi,j=(Xi-1,j)VDij avec VDij le paramètre que l'on recherche.
- 4. Les paramètres Hj et VDi utilisés dans le développement de la charge des sinistres dans les
méthodes Horizontale et As-ifage sont les moyennes respectives des Hij et VDij estimés sur
l'historique du triangle :
1 n 1 n
H i = ∑ H ij et VD j = ∑ VDij
n j =1 n i =1
Méthodes
• Tests effectués afin de valider ces hypothèses
- Le test d'indépendance de la fréquence et des coûts des sinistres (hypothèse 1) a été

développé pages 50 à 53 du mémoire dans la partie "Problématique de la corrélation des
données".
Pour rappel, j'ai calculé le coefficient de corrélation linéaire entre les fréquences et les coûts
moyens :
n
∑(x − x)(y − y)
i i
i=1
Corr(X,Y ) =
n n
∑(xi − x)2 ∑(y − y)i

2
i=1 i=1
Pour chaque DROC, Xt=(X1,..Xn)t représentant les nombres des sinistres d'une DROC t, entre
les années t et t+n-1 et Yt=(Y1,...,Yn)t les coûts moyens des sinistres de la DROC t entre les
années t et t+n-1.
J’ai considéré ce test suffisant pour conclure à l’indépendance puisque les coefficients de
corrélation linéaire étaient proches de 0 et toujours inférieurs à 10-2.
- La cohérence de l'hypothèse suivant laquelle la fréquence des sinistres suit une loi de
Poisson (hypothèse 2) a été validée par calcul des moyennes historiques des fréquences par
décalage et par calcul de la variance des historiques des fréquences par décalage.
Nous avons calculé la moyenne et la variance des historiques des fréquences par décalage afin
de vérifier que les fréquences historiques étaient comprises dans l'intervalle de confiance à
95% suivant :
(" 1.96 % k " 1.96 % k +

*$1− ' ; $1+ ' -
)# k −1 & N # k −1 & N ,
avec k le nombre de sinistres connus du décalage testé
et N le nombre de DROC connues à ce décalage.
J’ai considéré ce test suffisant pour valider l’adéquation d’une loi de Poisson pour modéliser
les fréquences par décalage puisque les fréquences historiques étaient toutes comprises dans
cet intervalle de confiance.
- La cohérence de l'hypothèse Y=XH ou Y=XVD selon la méthode (hypothèse 3), a été testée à
chaque DROC et chaque décalage, pour chaque estimation d'un paramètre Hi,j et VDi,j par
différentes méthodes présentées entre les pages 32 et 36 :
a) par le calcul du R² pour les différentes régressions illustrées par les QQplot.
Rappelons que le R² est le coefficient de corrélation multiple, il est inclut entre 0 et 1. Si

R²=α% cela signifie que le modèle explique α% des observations.
SCE
R2 =
SCT
avec SCE la somme des carrés expliqués par le modèle
et SCT la somme des carrés totaux du modèle.
Méthodes
Le tableau suivant est un extrait des R² calculés par les méthodes Horizontale (H), As-Ifage
(VD) et VA pour les changements de variables linéaires et logarithmiques, sans seuil et sans
ordonné à l’origine, entre les DROC 1998 et 2007 aux décalages 0 à 9.
Nous constatons que les changements de variables linéaires sont moins bons que les
logarithmiques.
Pour les changements logarithmique sans seuil et sans ordonné à l’origine, un seul des R² est
inferieur à 0,94 dans cet extrait et aucun n’est inférieur à 86%. Ce qui signifie que chaque
changement de variable Xa explique à plus de 86% la variable aléatoire Y.
b) Nous validons ces hypothèses (hypothèse 3 : Y=XH ou Y=XVD selon la méthode) par des
tests d'adéquation notamment le test Mann-Whitney Wilcoxon qui permet de vérifier que la
moyenne de la loi de la variable aléatoire Y est identique à la moyenne de la loi de la variable
aléatoire XH ou XVD selon le cas.
Le test est détaillé page 33.

Aucune des p-value calculées n'est inférieure à 90%, ce qui signifie que si l'on rejette
l'hypothèse d'égalité des moyennes, nous aurons 90% de chance de rejeter à tort.
c) Nous validons également ces hypothèses (hypothèse 3 : Y=XH ou Y=XVD) par le test de
Kolmogorov Smirnov qui permet de vérifier que la fonction de répartition de la variable
aléatoire Y est proche de la fonction de répartition de la variable aléatoire XH ou XVD selon le
cas.
Méthodes
Le test est détaillé page 34 et 35, nous rappelons que la statistique du test est la suivante :
Dn = sup|Fn(x) - F(x)|
Aucune des p-value calculées n'est inférieure à 95%, ce qui signifie que si l'on rejette
l'hypothèse d'égalité des fonctions de répartition, nous aurons 95% de chance de rejeter à tort.
Des couloirs d'acceptation à 0,5% pour les différents ajustements des distributions des coûts
des sinistres ont été tracés qui valident l'hypothèse d'égalité des fonctions de répartition entre
Y et XH ou Y et XVD selon le modèle, puisque les observations sont inclues dans ces couloirs.
- La stabilité des coefficients Hi,j et VDi,j (hypothèse 4) a été validée pages 40 et 41

graphiquement et des intervalles de confiance ont été estimés pour les paramètres Hj et VDi
retenus pour chaque DROC i et décalages j.
Soit (H1,..Hn)j le vecteur des paramètres H estimés pour la DROC j entre les années j et j+n-1,
et σ ( H 1 ,...H n ) la variance du vecteur, alors l'intervalle de confiance du paramètre Hj est donné
par la formule suivante :
1 n σ ( H 1 ,...H n )
∑ H i , j ± 1.96 ×
n i =1 n
Les moyennes que j'ai retenues pour l'estimation des Hj et des VDi appartiennent aux
intervalles de confiance ainsi estimés, j’ai donc considéré ce test concluant.
• Back testing
J'ai validé par les tests précédents le fait que les hypothèses individuelles du modèle soient
cohérentes sur l'historique des données.
Afin de valider la cohérence de l’espérance des charges obtenues par ce modèle avec les
charges des sinistres observées, j'ai effectué un back-testing.
J'ai utilisé les données historiques jusqu'à l'arrêté 2009 et j'ai estimé grâce aux Hj et aux VDi
les résultats moyens que j'aurais obtenus pour l'arrêté 2010. J'ai ensuite comparé ces résultats
aux sinistres effectivement observés en 2010.
Pour chaque variable aléatoire Xi,j tel que i+j≤2009, nous avons estimé les Hi,j et les VDi,j par
l'approche D3istribution (voir pages 42 et 43 pour la présentation des méthodes Horizontale et
As ifage). Nous avons ensuite estimé les Hj et VDi par moyenne des Hi,j et VDi,j.
Nous avons ensuite estimé les variables aléatoires Xi,jHj et Xi,jVDi d'une part par la méthode
horizontale et d'autre part par la méthode as-ifage.
En effectuant des tirages aléatoires de fréquences par les lois de poisson retenues et de coûts
des sinistres sur ces variables aléatoires nous pouvons obtenir l'espérance de la charge des
sinistres à l'arrêté 2010 pour chaque DROC.
Nous comparons ensuite l'espérance de la charge des sinistres à l'arrêté 2010 pour chaque
DROC avec la charge de sinistre réalisée à l'arrêté 2010.
Par souci de confidentialité, je ne présenterai les résultats des écarts qu'en pourcentage de la
charge globale de sinistre sur chaque DROC.
Méthodes
Soit CHi,j la charge globale des sinistres de la DROC i au décalage i+j et CHi,jHj la charge
globale des sinistres de la DROC i au décalage i+j estimé par la méthode Horizontale, alors le
CH iHj, j − CH i , j
tableau suivant présente .
CH i , j
Les cases jaunes présentent les Xi,j et les cases bleues les Xi,j+1. Notons que par cette méthode
il est impossible d'estimer la charge de l'arrêté comptable 2010 ni la charge de l'arrêté
comptable 2009 puisqu'il n'y avait qu'un seul sinistre observé en 2009.
Ecarts'en'% 2 3 4 5 6 7 8 9 10 11 12 13
1998 2,16%
1999 4,85%
2000 60,99%
2001 7,64%
2002 2,93%
2003 4,55%
2004 9,92%
2005 11,07%
2006 0,54%
2007 5,02%
2008 68,31%
Nous expliquons le fait que les estimations sur les premiers décalages soient moins bonnes
par le fait que d'une part nous possédons moins de coefficients H afin d'estimer les Hj et
d'autre part la charge observée est moins importante aux premiers décalages.
Par ailleurs, notons que nous avons ici comparé des espérances avec des réalisations
observées, il est tout à fait normal que ces réalisations ne soient pas égales aux moyennes des
différents scénarios DROC par DROC. Ainsi, les écarts DROC à DROC ne sont pas
significatifs en tant que tels. Toutefois, toutes DROC confondues, l'année 2010 n'était pas une
année exceptionnelle, notre modèle doit donc être proche des réalisations.
Au global, sur ces DROC, l'écart entre la charge estimée sur l'arrêté des comptes 2010 et la
charge observée en 2010 est de 3% de la charge observée.
Notons toutefois que les écarts sur les DROC les plus anciennes sont moins importants en
pourcentage, ainsi au global, sur les 20 dernières DROC l'écart entre nos estimations et les
réalisations en 2010 ne sont que de 1.6% représentant 4 millions d'euros. Cet écart nous
semble acceptable.
Le back-testing a également été réalisé sur la méthode As-ifage (voir page 43 pour plus de
détails sur cette méthode), les résultats sur les mêmes DROC entre les estimations de l'arrêté
2010 et les réalisations des sinistres à l'arrêté comptable 2010 sont présentés dans le tableau
suivant :
Ecarts'en'% 1 2 3 4 5 6 7 8 9 10 11 12 13
1998 51,35%
1999 52,91%
2000 51,91%
2001 2,82%
2002 2,13%
2003 58,82%
2004 7,81%
2005 7,85%
2006 57,54%
2007 6,50%
2008 11,20%
Méthodes
CH iVDi
, j − CH i , j
Nous rappelons que le tableau précédent présente l'écart suivant :
CH i , j
VDi
où CHi,j présente la charge des sinistres de la DROC i au décalage j, estimée par la
méthode As-ifage.
Au global, l'écart entre la charge observée en 2010 et l'estimation faite par la méthode As-
ifage sur les DROC 1998 à 2008 est de 1,4% et sur les DROC 1990 à 2009 cet écart est de
moins de 1% de la charge observée en 2010, représentant moins de 1 million d'écart. Cet écart
nous semble acceptable.
Une fois encore, les premiers décalages sont les moins stables, d'une part du fait que nous
nous basons sur un nombre moins important de coefficient VD pour obtenir les changements
de variable et d'autre part, par le fait que la charge observée des sinistres est moins
importantes.
Comme nous allons démontrer la convergence des méthodes lors de la projection de deux
DROC jusqu'à l'ultime page 67 de ce mémoire, nous ne présenterons pas les résultats des
back-testing sur les autres méthodes utilisant l'approche puisqu'ils seraient similaires.
Notons que le back-testing sur la l'arrêté 2010 donne des écarts inférieurs par la méthode As-
ifage que par la méthode Horizontale. Cependant, nous ne pouvons pas en conclure que la
méthode As-Ifage donnera toujours des résultats meilleurs. En effet, ce back-testing ne
compare que des espérances aux réalisations de l'arrêté comptable 2010.
Aux vues des résultats des différents tests effectués sur les hypothèses du modèle et du back-
testing, l’erreur induite par notre modélisation nous semble acceptable. Dans chaque test
présenté, la p-value indique une probabilité élevée de rejeter notre hypothèse à tord. Par
ailleurs, le back-testing présenté ci-dessus a produit des résultats dont les écarts avec les
réalisations ne sont que de quelques pourcents. L’approche D3istribution nous semble
représenter de façon satisfaisante le risque RCD du portefeuille.
Méthodes
6. Conclusion
A partir du triangle des données des sinistres par DROC par décalages, nous avons construit
trois triangles de coefficients permettant de développer les fonctions de répartitions de ces
sinistres.
A partir de ce tétraèdre nous avons développé plusieurs méthodes permettant de compléter le

triangle des données.
L’approche que nous venons de vous présenter donne une vision complète du risque, elle peut
donc servir à de nombreuses applications.
Elle permet de recueillir des informations de qualité suffisamment détaillées pour avoir une
vision dynamique de la sinistralité. Nous pouvons en effet étudier l’évolution de la fonction
de répartition de la charge globale mais également avoir des détails, sinistre par sinistre, des
évolutions possibles de la charge et des cadences de règlements.
Nous sommes en mesure d’effectuer des « stress tests » très simplement en appliquant une
plus grande inflation des coûts, en modifiant la fréquence ou encore en modifiant les cadences
de règlements.
Nous allons illustrer cette propriété tout d’abord en appliquant notre approche au
provisionnement, puis à la réassurance et enfin nous illustrerons l’intérêt de l’approche dans
Solvabilité 2.
Applications et Résultats
III. Applications et résultats
1. Provisionnement
L’application la plus immédiate est bien entendu le calcul de l’ultime pour le
provisionnement.
En développant les sinistres jusqu’à l’ultime par les différentes méthodes vues précédemment,
nous aurons non seulement les valeurs possibles de l’ultime mais également les scénarios
optimistes et pessimistes. Nous obtiendrons les distributions des valeurs possibles.
Nous pourrons également appliquer des chocs à ces distributions ou à ces fréquences.
Nous avons appliqué chaque méthode expliquée précédemment pour développer les DROC
jusqu’à l’ultime. Nous avons ainsi pu estimer l’ultime, les scénarios les plus et les moins
avantageux, mais également comparer les méthodes entre elles dans leurs utilisations
pratiques.
Pour exemple nous illustrerons nos propos grâce à deux DROC: une DROC ancienne (donc
peu de décalages à simuler pour arriver à l’ultime), une DROC plus récente (beaucoup de
décalages à simuler avant d’arriver à l’ultime).
Notons tout d’abord quelques points sur chaque méthode qui expliqueront certaines propriétés
des résultats :
• Pour la méthode horizontale
Les résultats sont moins robustes avec les DROC plus récente car :
o Nous disposons de moins en moins de données pour déterminer les H,

c'est-à-dire de moins en moins de coefficients pour prendre l’espérance,
aux décalages élevés ;
o Pour les exercices plus récents, les erreurs sont plus importantes puisqu’il y
avait moins de sinistres pour construire la fonction de répartition et les
coefficients sont parfois moins stables aux premiers décalages de ce fait ;
Notons encore une fois que sur le schéma ci-dessous le coefficient « a » correspond à la
moyenne des coefficients estimés H11, H21, H31 et H41 du schéma ci-dessus. Le coefficient
« b » correspond à la moyenne des coefficients estimés H12, H22 et H32. Enfin, le coefficient
« c » correspond à la moyenne des coefficients estimés H13 et H23.
• Pour la méthode « as ifage » :
Les résultats sont également moins robustes avec les DROC plus récentes car :
o Nous disposons de moins en moins de données pour déterminer les VD (de

moins en moins de coefficients pour prendre l’espérance) pour les années
récentes ;
o Les années prises en compte sont de plus en plus anciennes donc peuvent
être moins fiables ;
o La méthode cumule les erreurs possibles puisque nous cumulons les erreurs
contenues dans les VD pour déterminer la mise en as if des DROC très
anciennes.
Notons encore une fois, que sur le schéma ci-dessus le coefficient « a » correspond à la
moyenne des coefficients estimés VD10, VD11, VD12 et VD13. Le coefficient « b »
correspond à la moyenne des coefficients estimés VD20, VD21 et VD22. Enfin, le coefficient
« c » correspond à la moyenne des coefficients estimés VD30 et VD31.
• Pour la méthode globale première colonne
Nous utilisons des H globaux (rappelons qu’il s’agit de coefficients horizontaux prenant en
compte tout l’historique des coûts des sinistres éventuellement mis en as if), donc ils sont plus
stables et plus sûrs que les H de la méthode horizontale. Cependant nous retrouvons les
problèmes de la méthode as ifage tout de même puisque nous avons utilisé la mise en « as
if ». Si la mise en « as if » est mauvaise, les H globaux seront probablement mauvais
également.
• Pour la méthode globale dernière diagonale
Pour la méthode globale dernière diagonale, non seulement nous utilisons des H globaux,
donc plus stables que les H de la méthode horizontale, mais en plus nous utilisons plus de
sinistres connus pour construire la fonction de répartition, ce qui donne une plus grande
robustesse à la fonction de répartition que dans les méthodes précédentes.
Pour autant les problèmes de la méthode as isfage se posent également puisque si la mise en
« as if » est mauvaise, les H globaux seront probablement mauvais et les sinistres pris en
compte dans la fonction de répartition seront mauvais également. Cependant ce point est à
nuancer car utilisant plusieurs DROC dans la mise en « as if » pour construire la fonction de
répartition, peut-être les erreurs sont elles en quelques sortes « moyennées » de sorte à
diminuer en fait l’erreur commise.
En conclusion, les méthodes globale dernière diagonale et globale première colonne gardent
quelques désavantages des méthodes horizontale et as ifage mais améliorent tout de même la
robustesse de ces méthodes. Leurs résultats sont donc en théorie de meilleure qualité que ceux
des méthodes as isfage et horizontale.
• Pour la méthode stochastique intégrale
La méthode utilise également la mise en « as if », et donc les erreurs éventuelles sont gardées,
cependant nous utilisons la mise en « as if » de toutes les données, donc les potentielles
erreurs sont peut-être « noyées » dans la masse. Les avantages de cette méthode ayant déjà été
listés précédemment, nous n’y reviendrons pas.
• Résultats
L’approche D3istribution nous donne des estimations des fonctions des coûts individuels.
Cette approche nous avons ajouté un modèle pour les fréquences (pour les méthodes autres
que stochastique intégrale car dans la méthode stochastique intégrale le modèle des
fréquences y est intégré). Développer les coûts des sinistres des DROC passées nous est à
présent possible.
Pour les méthodes autre que stochastique intégrale la démarche à suivre est la suivante :
1. Faire une simulation sur le nombre de sinistres du décalage inconnu de la DROC à
développer. Soit n le résultat de ce tirage.
2. Faire n simulations dans la fonction de répartition estimée des coûts individuels des
sinistres du décalage inconnu de la DROC à développer.
3. Faire la somme des coûts de ces n sinistres afin de déterminer la charge globale de ce
décalage de la DROC à développer.
4. Répéter cette opération 10 000 fois afin d’obtenir la fonction de répartition de la
charge globale de ce décalage de la DROC à développer.
Pour la méthode stochastique intégrale, la démarche a été expliquée précédemment, et je

rappelle que nous possédons le développement de chaque sinistre individuellement.
Pour avoir la fréquence d’un décalage particulier il suffit de compter le nombre de sinistres
(ou de compter le nombre de sinistre au départ et pour chaque décalage ajouter le nombre de
sinistre apparus aux décalages précédents et au décalage souhaité).
Pour obtenir la charge globale, il suffit sommer le coût des sinistres présents au décalage
souhaité et répéter la méthode stochastique intégrale 10 000 fois pour obtenir la fonction de
répartition de la charge globale.
• Equations
Mathématiquement, notre approche se base sur des tirages aléatoires et des estimateurs de
fonctions de répartition. Nous allons ici les présenter plus concrêtement.
Prenons tout d’abord l’exemple des méthodes autres que stochastique intégrale.
La démarche est la suivante :
1. Faire une simulation sur le nombre de sinistres du décalage inconnu de la DROC à
développer. Soit n le résultat de ce tirage. (rappel : n tiré selon une loi de Poisson
capée)
2. Faire n tirages dans la fonction de répartition estimée des coûts individuels des
sinistres du décalage inconnu de la DROC à développer.
A noter que la différence entre les méthodes (hors stochastique intégrale) réside dans la
méthode de détermination de la fonction de répartition des coûts individuels des sinistres.
En effet, soit FY la fonction de répartition recherchée de la variable Y (coût individuel, sans

seuil, des sinistres du décalage inconnu recherché).
La différence entre les méthodes tient dans le fait que l’on ne part pas du même FX pour la
détermination du FY.
Rappelons que le modèle se base sur l’hypothèse de X = Ya.
En effet, le X peut représenter les coûts individuels du même décalage mais de la survenance
antérieure, ou les coûts individuels de la même survenance mais d’un décalage précédent.
La mise en équation reste cependant la même dans notre exemple, à savoir :
FY ( y) = FXâ ( y) = P( Xa ≤ y) = P( X ≤ y1/a) = FX ( y1/a)
Imaginons à présent que nous ne cherchons pas nécessairement chaque décalage, mais que
nous nous intéressons uniquement à l’ultime d’une année de survenance donnée. Alors la
mise en équation précédente reste juste.
Prenons un exemple plus concrêt d’une année de DROC ancienne, l’année 1990, laquelle est
développée jusqu’au 20ème décalage. Nous estimons que la charge ultime est atteinte au 22ème
décalage (soit l’année 2012 pour la DROC 1990). Nous avons donc besoin de développer
cette survenance sur deux décalages. Considérons, pour l’exemple, l’utilisation de la méthode
horizontale, soit X0 la charge de sinistre connue de la DROC 1990 à l’arrêté 2010, X1 la
charge de sinistre inconnue de la DROC 1990 à l’arrêté 2011, et X2 la charge de sinistre
inconnue de la DROC 1990 à l’arrêté 2012 qui représentera donc la charge ultime de la
DROC 1990.
Soit a le coefficient calculé par la méthode horizontale pour passer du décalage 20 au 21, b le
coefficient calculé par la méthode horizontale pour passer du décalage 21 au 22.
FX2 ( x) = FX1 ( x1/b) = Fx0 ( ( x 1/b)1/a ) = FX0 ( x 1/(a*b) )
Soit c = a*b, nous retrouvons tout à fait une équation similaire à la précédente,
F X2 ( x) = FX0 ( x1/c )
Un exemple chiffré d’ajustement de fonctions de répartition vous est donné en annexe.
Ainsi nous obtenons la fonction de répartition de la variable Y recherchée.
Faire n (nombre de sinistre) tirages sur cette fonction de répartition nous donnera les coûts des
n sinistres recherchées.
Appelons coûti chaque résultat d’un tirage i sur la fonction de répartition de Y, augmenté du
seuil (puisque nous l’avions déduit pour l’obtention de Y).
3. Faire la somme des coûts de ces n sinistres afin de déterminer la charge des sinistres
de ce décalage de la DROC à développer
n
∑ coût i représente une estimation de la charge de sinistres du décalage

i =1
4. Répéter cette opération 10 000 fois afin d’obtenir la fonction de répartition de la

charge des sinistres de ce décalage de la DROC à développer.
Ainsi, si coûti représente le coût du sinistre i de la DROC au dernier décalage (à l’ultime), la

charge ultime moyenne de la DROC développée est la suivante :
n
1 10000 j
∑∑ coût i
10.000 j =1 i =1
Cependant, nous ne nous intéressons que peu à la charge moyenne d’une seule DROC,
l’intérêt de notre méthode résultant en le fait que l’on obtient 10 000 charges possibles de la
DROC. Avec ces 10 000 charges de la DROC, nous construisons une fonction de répartition
empirique de la charge de la DROC, appelons-là FDROC.
1 10000
FDROC ( x) = ∑1 n
10.000 j =1 (( ∑ coûti ) j ≤ x )
i =1
Cette fonction de répartition, nous permet d’obtenir les quantiles souhaités de la charge ultime
de la DROC, par exemple.
5. La charge globale est la moyenne de la somme des charges de chaque DROC
2010 10000 n
1
Ch.globale = ∑ ∑ (∑ coûti ) jk
10.000 k =1980 jk =1 i =1
Si nous nous intéressons à la fonction de répartition de la charge globale, il suffit de
considérer les variables aléatoires de charges de chaque DROC.
30
FTOTAL ( x) = P(∑ X DROC ≤ x)
i
i =1
Avec FTOTAL la fonction de répartition de la charge globale, XDROCi la variable aléatoire
représentant la charge de sinistre de la DROC i dont la fonction de répartition est de la forme
FDROC définie précédemment.
Etudions maintenant les équations de la méthode stochastique intégrale.
La méthode stochastique intégrale a quelques spécificités cependant, ainsi la charge d’un

n
décalage n’est pas uniquement ∑ coût i puisque les décalages se basent également sur les
i =1
tirages effectués pour les décalages précédents.
Reprenons l’exemple de la DROC 1990, dont nous connaissons les sinistres jusqu’à l’arrêté
2010 et dont nous cherchons la charge ultime, soit la charge à l’arrêté 2012.
Soit n20 le nombre de sinistres connus au décalage 20 de la DROC 1990, n21 le nombre de
sinistres qui vont apparaître au décalage 21 et n22 le nombre de sinistres qui vont apparaître
au décalage 22. Ainsi n20+n21+n22 représente le nombre de sinistres à l’ultime.
Coûtj et coûtk représentent les coûts des sinistres j et k respectivement à leur apparition. Ils
ont été tiré aléatoirement dans la fonction de répartition des coûts des sinistres individuels
pour les décalages 21 et 22 respectivement.
Coûti représente quant à lui le coût du sinistre i, connu puisque les sinistres du décalage 20 de
la DROC 1990 sont connus.
Enfin cadencei représente la cadence de développement du sinistre i. Rappelons que la

cadence de développement est un vecteur représentant l’évolution du montant du sinistre.
A noter que cette cadence de développement est un vecteur, puisqu’il y a autant de
coefficients dans cette cadence que d’année de développement restant jusqu’au décalage
ultime.
Ainsi notons par exemple cadencei,21 la cadence de développement du sinistre i au décalage
21.
n 20 n 21 n 22
Ch.ultime1990 = ∑ coûti * (1 + cadencei , 21 ) * (1 + cadencei , 22 ) +∑ coût j * (1 + cadence j , 22 ) + ∑ coûtk
i =1 j =1 k =1
A partir des charges ultimes des sinistres de chaque DROC, la méthode est la même que
précédemment, à savoir : 10 000 réalisations de charges ultimes de chaque DROC nous
permettront d’obtenir les fonctions de répartitions des charges de sinistres des DROC, puis de
la charge ultime globale du risque RCD.
1 10000
FDROC ( x) = ∑1((Ch.ultimeDROC ) j ≤x)
10.000 j =1
30
FTOTAL ( x) = P(∑ X DROC ≤ x)
i
i =1
Vous trouverez sur la page suivante des exemples de résultats pour deux DROC (1998 et
2005) au fur et à mesure de leur décalage jusqu’à l’ultime (estimé comme étant le décalage
22).
Les résultats sont donnés en moyenne sur chaque méthode appliquée et des cônes à 95% et à
5% dans le meilleur et dans le pire des cas ont également été tracés.
Année récente développée
graphique 13
Année moyenne développée
graphique 14
Nous constatons différentes choses :
o Pour les premiers décalages, les méthodes sont très proches. Ceci s’explique
par le fait qu’à ces petits décalages nous avons plus de données car nous
disposons de beaucoup de sinistres de DROC connus à ces décalages ;
o Plus les décalages sont élevés et plus les méthodes s’éloignent, tout en restant
relativement proches malgré tout ;
o Les méthodes: globale première colonne, globale dernière diagonale et

stochastique intégrale, les méthodes les plus robustes, sont proches entre elles
(au maximum 15 % de différences entre les résultats moyens dans ces
exemples). Il y a toujours le même schéma : les montants des charges des
méthodes sont de la forme : « as ifage>globale dernière diagonale>globale
première colonne »et stochastique intégrale proche des globales (globale
première colonne et globale dernière diagonale) ;
o Les méthodes horizontale et as ifage, qui sont les méthodes les moins robustes,
sont toujours plus éloignées des autres méthodes ;
o On retrouve le même type de résultats en considérant différents quantiles plutôt

que les moyennes des méthodes.
Si nous souhaitons être plus prudent, il faudrait privilégier la méthode globale dernière
diagonale à la méthode globale première colonne puisqu’elle donne des résultats plus élevés
à l’ultime.
Cependant, pour avoir une bonne idée du risque encouru par la cédante, nous garderons les
méthodes globale première colonne, dernière diagonale et stochastique intégrale afin d’avoir
une vue plus large.
2. Réassurance
En tant que courtier en réassurance, nous nous intéressons à la mise en place de traités de
réassurance. Comme énoncé précédemment seule la méthode stochastique intégral peut
s’appliquer à la réassurance.
• Les traités de réassurance concernés
Nous allons tout d’abord étudier les traités déjà en place sur les exercices passés et leur
efficacité.
o Quote part
Le premier traité à appliquer aux sinistres est un traité Quote Part.

Le traité Quote Part a un fonctionnement simple : la cédante choisi le pourcentage de
rétention et cède le reste (de sinistres comme de primes) au réassureur.
Selon les années, le pourcentage de rétention n’est pas strictement identique. A titre
d’exemple, sur l’activité construction du client en 2010 le pourcentage de rétention était de 83
% alors qu’en 2005 il était de 87 %.
L’application de ce traité peut se faire aussi bien au global que sinistre par sinistre. Dans le
cas d’un traité sinistre par sinistre, le pourcentage est alors identique d’un sinistre à l’autre.
o XS
Le second traité à appliquer est un excédent de sinistres (XS) sur rétention du Quote Part.
C’est-à-dire que l’on part de la rétention après l’application du traité Quote Part.
Le traité XS fonctionne selon le shéma ci-dessous :
Le réassureur prend en charge la partie des sinistres comprise entre la priorité et la portée. Le
reste est à la charge de la cédante.
Selon les années, les portées et les priorités ne sont pas les mêmes. Elles s’ajustent chaque
année en fonction de l’inflation passée.
Pour appliquer ce traité, il faut disposer des sinistres individuels à l’ultime.
o Clause de stabilité
La RCD étant une branche longue, il se passe longtemps avant que les sinistres soient connus
de l’assureur, mais il se passe également longtemps avant que les sinistres apparus ne soient
stabilisés. De ce fait découle immédiatement que les paiements eux aussi s’échelonnent dans
le temps. Pour les sinistres payés dans les années futures, il y aura eu une inflation dans les
coûts certainement. Cette inflation (mesurée par la variation d’un indice de référence) sera
donc partagée entre le réassureur et la cédante pour « effacer » l’effet paiements retardés.
L’exemple suivant donne la méthode de calcul à suivre lorsque la clause d’indexation vient à
être applicable :
La clause de stabilité a moins d’impact sur les sinistres payés rapidement que sur les sinistres
dont les paiements sont retardés dans le temps.
L’indice utilisé pour cette clause de stabilité est un indice composite : composé à 75 % de
l’indice BT 01 et à 25 % de l’indice insee construction.
L’indice BT01 est la référence officielle de révision des prix de la construction, cet indice
mesure l’évolution du coût des facteurs de production dans le bâtiment.
L’indice insee construction est la référence du coût de la construction.
Pour appliquer cette clause dans la réassurance a priori, il convient de connaitre la part payée
dans chaque sinistre et également l’évolution de l’indice de référence.
La méthode stochastique intégrale est la seule méthode nous permettant d’avoir l’évolution de
chaque sinistre simulé au fur et à mesure des années et donc d’avoir l’évolution des paiements
pour chaque sinistre au fur et à mesure des années. Les autres méthodes ne donnant que des
résultats globaux, dans lesquels nous pouvons retrouver, grâce à la fonction de répartition, les
sinistres, mais pas leur évolution individuelle. La méthode stochastique intégrale est donc la
seule qui permet de simuler le fonctionnement de la clause de stabilité.
Pour l’estimation de l’évolution future de l’indice de référence nous avons choisi de le fixer à
3 % par an. Bien entendu, nous serions en mesure de faire varier cet indice pour un test de
sensibilité.
• Mise en place de la réassurance sur ce portefeuille
Comparons les résultats à l’ultime bruts et nets de réassurance, c'est-à-dire avant et après
avoir fait jouer les traités de réassurance Quote Part et XS sur rétention avec clause de
stabilité sur une DROC donnée (1998 pour l’exemple).
Comparaison des résultats bruts et nets à l’ultime
graphique 15
Il se produit une translation des courbes vers la gauche, ce qui est naturel, car la réassurance
permet de diminuer le coût des sinistres pour la cédante.
Nous constatons également une réduction de l’écart type, la réassurance fait bien diminuer la
volatilité des résultats.
Pour autant, il reste de la volatilidans les résultats. Nous allons donc étudier à présent
quelques idées afin de réduire encore cette volatilité.
• Commutation
La commutation est le rachat, par la cédante, des engagements pris par le réassureur.
Notre étude peut permettre de négocier les conditions d’une commutation puisqu’elle permet
de visualiser l’évolution de la charge de la réassurance.
Prenons l’exemple de la DROC 1998 et regardons l’évolution de la charge du réassureur pour
plusieurs décalages.
Evolution de la charge du réassureur

au fur et à mesure des décalages
graphique 16
Ce graphique nous montre qu’une charge de réassurance au décalage 15, se verra surement
augmenter au fur et à mesure des années jusqu’à l’ultime. En effet, de nouveaux sinistres vont
apparaître, et les montants des sinistres connus ont tendance à se dégrader.
Ce fait est très important pour les commutations, puisqu’un réassureur va devoir vendre ses
engagements, mais ses engagements présents ne sont pas nécessairement égaux aux
engagements finaux.
Afin de trouver le prix juste de la commutation, il faut tenir compte de cette augmentation
probable de la charge de réassurance.
• Idées d’achat de couverture de run off
Grâce aux méthodes développées dans la partie précédente, nous pouvons réfléchir à de
nouvelles couvertures de réassurance afin de réduire encore la volatilité de la charge net de
réassurance. La première idée sera une Couverture de Développement Défavorable (ADC :
Adverse Development Cover) supposée couvrir les branches d’une dérive du run off, nous
développerons ensuite une technique courante consistant à couvrir plusieurs exercices.
o Couverture de développement défavorable (ADC : Adverse Development Cover)
Une ADC sert à protéger les exercices passés mais non encore déroulés entièrement d’une
branche donnée contre une dérive non prévue de la charge à l’ultime. Ce type de couverture
trouve notamment son utilité pour les branches longues puisque l’incertitude est plus
importante.
Evolution de la charge nette de réassurance
par décalages selon les scénarios
graphique 17
Ainsi la charge moyenne, nette de réassurance, à l’ultime ne représente que 50 % de la charge
ultime maximale dans le pire scénario avec une probabilité de 99 %.
Cependant, dans cet exemple, nous n’avons pris qu’une seule DROC et il paraît peu probable
de ne couvrir qu’une seule DROC en ADC.
o Couvrir plusieurs exercices
L’idée que nous développons est de réassurer plusieurs exercices (plusieurs DROC en
l’occurrence) dans le même traité.
Nous supposons tout d’abord les exercices indépendants.
Fonctions de répartition de deux années

et de la somme des deux années
graphique 18
La volatilité est un peu diminuée de cette façon. Par exemple la médiane représente 36 % du
quantile à 95 % pour l’année 1, 30 % pour l’année 2 et seulement 23 % pour la somme des
deux années.
Nous pouvons cependant nous demander si l’hypothèse d’indépendance des DROC que nous
avons utilisée est vérifiée en pratique.
N’ayant pas un historique de cent ans, il se pourrait qu’aucune corrélation ne soit visible
mais qu’elle existe toute de même. Par exemple, par un effet de cycle, par un changement de
législation ou par un environnement défavorable rappelant éventuellement les évènements de
type californiens12 (où la très forte demande en construction s’est traduit par des constructions
de moins bonnes qualités et des contentieux plus fréquents et plus élevés), il se pourrait que
les DROC ne soient pas indépendantes.
Plusieurs méthodes actuarielles permettent de corréler des variables aléatoires : l’utilisation de
lois conditionnelles, des copules, ou des modèles à choc commun.
Puisque la corrélation n’est pas visible dans nos données mais que nous estimons qu’elle peut
tout de même intervenir, nous ne pouvons la paramétrer précisément. Nous avons donc choisi
d’effectuer des tests de sensibilité de dépendance.
12
Ronald T. Kozlowki, (2008), Contractors General liability and construction defects, 2008 CAS Ratemaking
Seminar, Towers Perrin. Disponible en ligne sur http://www.casact.org/education/ratesem/2008/handouts/Kozlowski.pdf
• Copules
Les fonctions copules permettent une mesure de la dépendance entre les risques.
Nous nous intéresserons aux copules en dimension 2, permettant de corréler deux DROC
différentes. Bien entendu, si nous cherchons à couvrir plus de deux DROC dans le même
traité, il convient d’utiliser une copule de la dimension du nombre de DROC que l’on veut
corréler.
Le théorème de Sklar (1959) définit la copule de la façon suivante :

Soit X et Y variables aléatoires,
Alors C une fonction [0,1]*[0,1] [0,1] telle que
F(X,Y](x,y)=C(Fx(x),FY(y)) pour tout x,y dans R*R.
C est la fonction copule décrivant la dépendance entre les variables X et Y.
Il existe différentes familles de copules, la plus simple d’utilisation est la copule Gaussienne
de la famille des copules elliptique.
Densité de la copule Gaussienne
graphique 19
Cependant nous n’utiliserons pas cette copule car elle a le désavantage d’être symétrique
comme le montre le graphique précédent. 13
Or une symétrie dans la corrélation suppose que les « petits » sinistres sont corrélés de la
même façon que les « grands » sinistres, ce qui ne nous semble pas pertinent. Nous estimons
que les « grands » sinistres sont plus corrélés que les « petits », en quelques sortes « les
13
Thorsten Schmidt (2006),coping with copultas, copula from theory to applications in Finance, disponible en
ligne sur http://www.math.uni-leipzig.de/~tschmidt/TSchmidt_Copulas.pdf
maladies sont contagieuses mais pas la bonne santé ». De plus cela nous semble plus
important de corréler les « grands » sinistres pour notre application à la réassurance qui porte
sur les évènements extrêmes.
• Copule de Gumbel
Nous avons donc choisi la copule de Gumbel puisqu’elle présente l’avantage d’être
asymétrique, d’avoir une dépendance forte des extrêmes en haut de distribution et facilement
simulable puisqu’elle ne dépend que d’un seul paramètre.
Densité de la copule de Gumbel
graphique 20
La copule de Gumbel est une copule archimédienne. 14

Soit ϕ une fonction décroissante convexe sur [0,1] [0, ∞ [ telle que
ϕ (1)=0 et ϕ (0)= ∞ .
On appelle copule Archimédienne de générateur ϕ la copule définie par pour tout u et v dans
[0,1]:
C (u, v) = ϕ -1 (ϕ (u) + ϕ (v)) si ϕ (u)+ ϕ (v)< ϕ (0)
C(u,v)=0 sinon
Soit θ > 0, u et v dans [0,1] alors la copule de Gumbel de paramètre θ est définie par :
C (u, v) = exp[−((− ln u) −θ + (− ln v) −θ ) −1/ θ ] .
Le graphique 21 reproduit la fonction de répartition de la somme des deux DROC en
supposant l’indépendance et en supposant une dépendance décrite par la copule de Gumbel de
14
Charpentier A. disponible en ligne sur http://perso.univ-rennes1.fr/arthur.charpentier/copules-charpentier-chapitre.pdf
paramètre 2. Nous avons choisi ce paramètre pour l’exemple et nous le ferons varier par la
suite.
Nous remarquons que les fortes valeurs arrivent plus souvent ensemble (puisque la somme est
plus élevée lorsque les montants des deux DROC sont élevés) dans la cas de la dépendance de
type copule de Gumbel. Nous remarquons également qu’avant la probabilité de 75 %, la
copule de Gumbel donne des montants plus faibles que dans le cas de l’indépendance.
Somme des deux DROC :

cas indépendant et corrélation par la copule de Gumbel
graphique 21
Cela s’explique par le fait que soit la valeur de la somme sera très élevée car élevée pour les
deux DROC, soit aucune des deux DROC ne sera vraiment élevée (car si l’une l’est, la
probabilité que l’autre le soit sera importante) donc la somme sera moins élevée dans ce cas là
que dans le cas d’indépendance.
Nous remarquons également que la copule induit une plus grande volatilité des résultats.
Pour donner des ordres de grandeur, la moyenne de la somme en considérant le cas

corrélation par copule de Gumbel de paramètre 2 est inférieure de 5 % à la moyenne dans le
cas indépendance. Le quantile à 95 % dans le cas de la copule est supérieur de 6 % au quantile
à 95 % dans le cas de l’indépendance et le quantile à 99 % dans le cas de la copule est
supérieur de 11 % au quantile à 99 % dans le cas de l’indépendance.
• Application : tests de sensibilité
Puisqu’il nous est difficile de choisir un paramètre pour la copule grâce à nos données, nous
avons choisi de faire des tests de sensibilité pour étudier l’impact de la copule et l’impact du
paramètre de la copule sur les résultats. Nous illustrerons avec trois paramètres différents:
θ =1,25, θ =2 et θ =5. Les graphiques ci-dessous nous montrent l’impact de ces paramètres
sur la simulation de la copule.
Simulation de la copule de Gumbel de paramètre 1,25
Simulation de la copule de Gumbel de paramètre 2
Simulation de la copule de Gumbel de paramètre 5
graphiques 22
Nous constatons sur les graphiques précédents qu’une augmentation du paramètre, augmente
également la dépendance.
En effet, pour la copule de Gumbel, le tau de Kendall, qui est une mesure de corrélation, est
θ −1
donné par : τ = .
θ
Rappelons quelques définitions :

Le Tau de Kendall est une mesure de la dépendance entre deux variables aléatoires ; mais à la
différence du coefficient de corrélation linéaire, il ne dépend pas des lois de probabilité des
variables utilisées, mais de leur ordre (c'est-à-dire des rangs des échantillons).
[ Nombre.de. paires.concordantes ] − [ Nombre.de. paires.discordantes ]

τ=
Nombre.total.de. paires
Soit (X1,X2) et (Y1,Y2) deux observations du couple aléatoire (X,Y) représentant les montants
des deux DROC.
Alors la paire est concordante, si et seulement si, (X1-X2)*(Y1-Y2)>0.
Le graphique 23 illustre le domaine de concordance avec le couple (X1,Y1). Instinctivement,

pour qu’il y ait concordance, il faut que les X et Y « aillent dans le même sens ».
Illustration des paires concordantes avec (X1,Y1)

Discordance Concordance
graphique 23
Ainsi lorsque θ =1,25 le tau de Kendall est de 20 %, lorsque θ =2 le tau de Kendall est de
50% et lorsque θ =5 le tau de Kendall est de 80%. Ce qui signifie que si le paramètre de la
copule de Gumbel est de cinq alors 90% des paires sont concordantes.
Le graphique 24 illustre les résultats trouvés pour la somme des deux DROC selon la
dépendance ou non et selon le paramètre de la copule de Gumbel.
Somme des deux DROC

en fonction du paramètre de la copule de Gumbel
graphique 24
Ce graphique montre que plus le paramètre augmente (plus la dépendance augmente) plus la
variabilité augmente. En effet les DROC se compensent de moins en moins, puisqu’une forte
sinistralité de l’une des années entraînera plus probablement une forte sinistralité l’année
suivante si la corrélation est forte.
Les résultats semblent différents en fonction du paramètre choisi, ce qui peut nous poser
quelques problèmes pour déterminer quel paramètre fixer. Cependant, n’oublions pas que
nous cherchons à couvrir la forte sinistralité par de la réassurance. La réassurance s’intéresse
aux derniers quantiles des distributions pour couvrir « le pire » scénario. Or les résultats de la
somme des deux charges des DROC avec des copules de Gumbel de différents paramètres
semblent être très proches dans les hauts quantiles : au quantile 90 % la différence est de 4 %
de la charge, quantile 95 % la différence est de 1,8 % et au quantile 99 % la différente n’est
que de 0,3 %.
Le paramètre de la copule importe donc peu dans la mise en place de la réassurance.

L’important est de garder à l’esprit que bien que la dépendance n’ait pas pu être constatée par
le passé selon notre historique de données, il est possible qu’elle existe, il est donc important
de la modéliser.
Après avoir étudié l’influence de la copule sur la somme de deux charges des DROC, il
convient de s’intéresser à la dépendance de dimension supérieure. En effet, il paraît peu
judicieux d’imaginer un traité ne couvrant que deux DROC, ou seulement deux DROC
corrélées.
Or les copules archimédiennes (donc en particulier les copules de Gumbel) sont associatives,
c'est-à-dire qu’elles vérifient C(C(u,v),w)=C(u,C(v,w))=C(u,v,w).
Ceci se vérifie en repartant de la formule des copules archimédiennes en dimension n:

C (u1 ,..., u n ) = ϕ −1 (ϕ (u1 ) + ... + ϕ (u n )) si ϕ (u1)+..+ ϕ (un)< ϕ (0)
C(u1,…un)=0 sinon
Nous nous sommes attardés sur des illustrations en dimension deux puisque graphiquement il
est difficile d’appréhender plus de deux ou trois dimensions mais notre étude s’est intéressée à
la corrélation de dimension supérieure à deux.
Nous pouvons ainsi pu couvrir plusieurs DROC dans un même traité, déterminer l’incertitude
autour de ses estimations, évaluer le prix d’une telle couverture de réassurance en considérant
une dépendance que nous avons choisi de modéliser par une copule de Gumbel.
3. Solvabilité 2
• Les principes généraux
o Définition
Depuis la loi de saine concurrence au sein de l’Union Européenne, le marché de l’assurance

avait besoin d’une règle unique d’établissement des comptes sociaux. En effet les différences
entre les règlementations nationales entraînaient des distorsions qui pouvaient favoriser
certaines entreprises du fait du pays dans laquelle elles étaient implantées.
C’est ainsi que les réformes de solvabilité européenne ont été crées : afin d’harmoniser les
pratiques prudentielles au sein de l’Union Européenne et de renforcer la transparence de
l’activité et ainsi la compétitivité des assureurs et réassureurs au niveau international.
Solvabilité 1 est en application depuis 1970. Solvabilité 2 entrera en application en 2014 après
avoir été initiée en 2004 par les travaux du CEIOPS (Committee of European Insurance and
Occupational Pensions Supervisors, appelé à présent EIOPA : European Insurance and
Occupational Pensions Authority). Ce dernier aux travers de nombreuses consultations, a peu
à peu esquissé le modèle de la réforme en cours.
Solvabilité 2 est une réforme réglementaire européenne du monde de l’assurance et de la

réassurance. Elle définit de nouvelles exigences en termes de fonds propres dans le but de
mieux couvrir l’ensemble des engagements des compagnies. Elle les encourage à développer
une démarche globale de gestion des risques.
o Les 3 piliers
Solvabilité 2 a pour but de permettre la meilleure représentation possible du risque

économique de l’entreprise et s’articule autour de 3 piliers.
Le premier pilier a pour objectif de définir les normes quantitatives de calcul des provisions
techniques et des fonds propres à mettre en correspondance afin de s’assurer que la
probabilité que l’entreprise ne puisse tenir ses engagements dans l’année soit inférieure à 0.5
%.
Le schéma de base des normes quantitatives

!
Excès&de&Capital&
!
SCR&
&&&&&&&&&&&&&&&&&&&&&&&&&
!
Actifs&couvrant&les& & & & MCR&&&&&&&&&&&&&&&&&&&&&&&&&&&&Estimation&
Actifs
&&&&&&provisions&techniques,& & & & Marge&pour&Risque&&&pour&les&

le&SCR&et&le&MCR& & & & & & &&&&&&&&&risques&non&
! ! ! ! ! ! ! &Best&Estimate&&&&&&&&&&&&couverts&sur&&
! ! ! ! ! ! ! ! !!!!!!!!!!!!!!!!!!!!!!des&marchés& &
Provisions&techniques&
&
Estimation& en& valeur& de& marché& pour& les&
risques&couverts&sur&des&marchés&
graphique 25
Ce pilier se base notamment sur la notion de MCR (Minimum Capital Requirement) et de
SCR (Solvency Capital Requirement).
Le MCR représente le niveau minimum de fonds propres en dessous duquel l’intervention de
l’autorité de contrôle sera automatique ;
Le SCR représente le capital cible nécessaire pour absorber le choc provoqué par un risque
majeur.
A noter que le Best Estimate est défini comme « la meilleure estimation est égale à la
moyenne pondérée par leur probabilité des flux de trésorerie futurs, compte tenu de la valeur
temporelle de l’argent (valeur actuelle probable des flux de trésorerie futurs), déterminée à
partir de la courbe des taux sans risque pertinente. »
Le deuxième pilier a pour objectif de fixer des normes qualitatives de suivi des risques en
interne et de surveillance par l’autorité de contrôle.
Le troisième pilier définit l’ensemble des informations d’une part auxquelles le public devra
pouvoir avoir accès et d’autre part auxquelles l’autorité de contrôle pourra avoir accès dans
l’exercice de son pouvoir de surveillance.
La mise en place de solvabilité 2 représente une transformation de l’entreprise qui va impacter

aussi bien son modèle d’organisation, son système d’information que sa stratégie.
o Formule Standard/Modèle interne
Dans le pilier 1, les entreprises pourront opter pour un mode de calcul du SCR basé sur la
formule standard (proposée par la commission européenne) ou sur un modèle interne (basé sur
leur structure spécifique) ou pour un modèle hybride appelé également modèle interne partiel.
Les modèles internes des entreprises devront être validés par l’autorité de contrôle.
L’approche de la formule standard est actuellement en cours de finalisation et de calibrage au
travers des QIS notamment.
o QIS
Dans l’optique du passage à Solvabilité 2, la commission européenne a demandé au CEIOPS

(appelé à présent EIOPA) d’étudier les répercussions quantitatives du nouveau système par le
biais d’études quantitatives d’impact (QIS : Quantitative Impact Studies). Les QIS permettent
de recueillir des retours quantitatifs et qualitatifs auprès des acteurs du Marché.
Ils ont été au nombre de 5, évoluant et se complexifiant au fur et à mesure.
Le dernier en date, le QIS 5, a déjà fourni ses résultats (publiés le 14 mars 2010 par l’EIOPA).
Bien que quelques changements seront appliqués d’ici 2014, il représente tout de même la
meilleure estimation connue à l’heure actuelle de ce que sera la formule standard.
Dans le QIS 5, la formule standard permet le calcul du SCR en utilisant le diagramme suivant.
Le SCR dans la formule standard
graphique 26
Il s’agit de calculer des SCR pour chaque sous modules (en saumon sur le graphique
précédent, par exemple Lapse, CAT, Premium Reserve). Puis de les agréger pour calculer le
SCR de chaque module (Non-life, Life, Default, Health Market et Intang). Enfin de les
agréger afin de déterminer le BSCR (Basic SCR), d’agréger le BSCR avec le SCR du risque
opérationnel (Op) et des Ajustements (Adj) afin d’obtenir le SCR global.15
15
European Commission. (5/07/2010). QIS 5 technical specifications. Disponible en ligne sur
http://www.ceiops.eu/index.php?option=content&task=view&if=732.
Dans ce mémoire nous allons tout d’abord présenter le risque de défaut des réassureurs et
l’utilisation de notre modèle dans ce sous module et présenter tout ce que notre modèle nous
permet de calculer dans un référenciel Solvabilité 2.
• Risque de défaut des contreparties
Dans le QIS 5, la formule standard pour calculer le SCR du risque de défaut des réassureurs
est la suivante :
' 3* V Si V ≤ 5% * ∑ LGDi $
! i !
! !
SCR = & ∑i LGDi Si 5% * ∑i LGDi ≤ V et ∑i LGDi ≤ 5 * V #
! !
!% 5 * V Sinon !"
avec
LGDi : le Loss Given Default, c’est-à-dire : le montant de la perte sachant qu’il y a défaut du
réassureur.
V : la variance de la perte.
o La Variance
La variance de la perte est calculée de la façon suivante :

V = ∑∑ u j ,k y j y k + ∑ v j z j
j k j
avec i représentant chaque contrepartie

et j représentant chaque notation différente ;
y j = ∑ LGDi
i
z j = ∑ ( LGDi ) 2
i
yj et zj représentent respectivement les sommes des LGD et les sommes des LGD au carré de
chaque contrepartie ayant la notation correspondant à la classe j ;
pi (1 − pi ) p j (1 − p j )
ui, j =
(1 + γ )( pi + p j ) − pi p j
(1 + 2γ ) pi (1 − pi )
vi =
2 + 2γ − pi
γ = 0.25
avec pi représentant la probabilité de défaut de la contrepartie i, donnée, en fonction de sa

notation, par le tableau suivant :
Probabilité de défaut en fonction de la notation
tableau 27
Dans le cas où les réassureurs ne sont pas notés par les agences de notations des risques de
crédit mais que la directive de solvabilité 2 est applicable à ces réassureurs, les probabilités de
défaults sont données par le tableau suivant :
tableau 28
Dans le cas où les réassureurs ne sont pas notés et qu’ils n’appliquent pas solvabilité 2 ou dont
les fonds propres ne sont pas suffisant pour faire face au MCR (Minimum Capital
Requirement), la probabilité de défaut doit être de 10 % ou 30 % respectivement.
o LGD
Le Loss Given Default de la contrepartie i est égale à :
LGDi = Max(50%( Recoverabl esi + RM re,i − Collateral i );0)
avec
Recoverablesi : le Best Estimate des sinistres recouvrables du réassureur i,
Collaterali : un ajustement du risque correspondant à la valeur des collatéraux relatifs aux
arrangements avec le réassureur i,
RMre,i : la Marge de Risque calculée grâce aux parties primes et réserves et catastrophes,
calculé comme ci-dessous:
avec
NLhyp without
cat − NL car : le montant de la part de la contrepartie i dans les traités de réassurance cat
(catastrophes),
et
hyp without
Plob − Plob : la prime de réassurance de cette contrepartie i pour la LoB concernée.
o Applications
Si l’on change la notation des réassureurs, les courbes se translatent, comme le montre le
graphique suivant où l’on a tracé avec la méthode horizontale globale, la fonction de
répartition du SCR contrepartie selon les notations des réassureurs.
Fonction de répartition du SCRcontrepartie

en fonction des notations
graphique 29
A noter que le terme de « fonction de répartition » du SCR n’est pas tout à fait exact.
En effet, le SCR est un nombre et n’a pas de fonction de répartition à proprement parler. Nous
avons imaginé considérer toutes les valeurs possibles des réserves au lieu de la moyenne
pondérée des probabilités.
Il apparaît aux vues du graphique précédent, que la notation des réassureurs change
considérablement le montant du SCR.
Le tableau suivant montre l’évolution du SCR en pourcentage du LGD, selon les notations des
réassureurs (en considérant que tous les réassureurs du risque ont la même notation).
notations %LGD
AAA 1,34%
AA 3%
A 6,71%
BBB 14,68%
BB 54,44%
Ainsi nous pensons qu’il est intéressant de regarder de plus près les réassureurs présents sur
les traités couvrant les DROC anciennes. Leur notation peut avoir évoluée. Ainsi leur notation
actuelle n’est peut-être plus à même de limiter les risques de contreparties notamment dans le
cadre de solvabilité 2, cependant leurs engagements restent élevés puisqu’un nombre
important de sinistres n’ont pas encore été réglés (voire ne sont pas encore connus de
l’assureur).
• Nos possibilités
Dans cette partie nous allons expliquer brièvement d’autres possibilités de notre approche
dans un référentiel solvabilité 2.
En effet, notre approche permet d’obtenir les distributions des résultats possibles de chaque
DROC, de la charge de réassurance, jusqu’à l’ultime, ce qui nous permet très facilement de
calculer le Best Estimate. En effet le Best Estimate est la moyenne pondérée par leur
probabilité des flux de trésorerie futurs compte tenu de la valeur temporelle de l’argent. Il
suffit donc d’actualiser nos résultats pour déterminer immédiatement le Best Estimate.
De même, si l’entreprise opte pour un modèle interne, notre travail peut bien entendu en faire
partie.
Finalement, même si jusqu’à présent nous avons borné nos applications au premier pilier de
solvabilité 2, nos résultats peuvent intervenir dans les autres piliers.
Le second pilier est le pilier central de Solvabilité 2, dans lequel se situe le cœur de la
philosophie de la directive : que les entreprises assurent la maîtrise de leurs risques et veillent
à leur correcte capitalisation. Pour ce faire, les assureurs et réassureurs devront mettre en
place des procédures de contrôles et des méthodes d’évaluation de leurs risques et des besoins
en fonds propres correspondant : l’ORSA (Own Risk and Solvency Assessment).
Ainsi nous pouvons imaginer tester l’influence d’une dégradation de la note des réassureurs
non plus immédiatement mais dans quelques années. En effet les cadences des règlements des
sinistres des réassureurs et le taux d’actualisation peuvent nous permettre l’étude d’une
dégradation des notes des réassureurs dans le futur.
Concrètement, sachant qu’en deux ans, entre le décalage 13 et le décalage 15, pour la DROC
1998, la charge incombant à la réassurance augmente de 25%, si nous imaginons un seul
réassureur noté AAA en 2011 passant à la notation AA en 2013, l’exposition au risque au sens
du SCRcontrepartie pour l’assureur augmente de 180%.
Ce fait est illustré dans les graphiques suivants qui permettent une bonne visualisation du
phénomène de translation des courbes en fonction de la notation d’une part et de
l’accroissement de 180% cité ci-dessus.
Evolution de l’exposition au risque,

réassureur AAA
graphique 30
Evolution de l’exposition au risque,

réassureur AAA dégradé AA au décalage 15
graphique 31
Le graphique 30 illustre l’évolution de l’exposition au risque au sens du SCR lorsque le

réassureur est noté AAA et le graphique 31 représente l’évolution de l’exposition au risque au
sens du SCRcontrepartie lorsque le réassureur noté AAA au décalage 13 est dégradé à partir
du décalage 15 en AA.
Nous pourrions également imaginer un test de sensibilité sur les taux d’actualisation en
considérant les cadences de paiement brutes et nettes de réassurance. Peu importe la méthode
d’actualisation choisie, disposant des cadences de règlements de sinistres individuels bruts et
nets de réassurance, nous sommes en mesure de faire varier chaque hypothèse prise et
notamment l’hypothèse sur les taux d’actualisation. En effet pour la DROC 1998, une
actualisation de 10 ans est nécessaire pour ramener l’ultime en valeur actuelle. Modifier
l’actualisation de 0,5 points (la passant de 2 à 2,5% par exemple) à l’ultime diminuera de près
de 5% le résultat, et la modifier de 1 point (la passant de 2 à 3%) diminuera de près de 10% le
(1.02)10
résultat. (en effet ≈ 95% )
(1.025)10
Un tel écart peut sembler anodin, pourtant nous nous devons de le considérer également et
notre approche nous permet la possibilité d’une étude plus détaillée sur la question.
Nous pouvons utiliser notre approche dans une vision prospective et mesurer l’incertitude de
nos résultats de façon détaillée, faire varier chaque hypothèse, ainsi être en adéquation avec
les demandes les plus pointues de gestion des risques.
Conclusion
Conclusion
Les assurances construction sont généralement réservées à des assureurs spécialistes tant ce
risque est difficile à appréhender. Les branches longues sont un challenge actuariel. Le peu de
données récoltées par le Marché, l’évolution constante des comportements, des risques
supportés et plus globalement du monde dans lequel nous vivons posent de nouvelles
questions aux actuaires et forcent les modèles à évoluer.
La problématique centrale de ce travail fut donc de décrire une méthode innovante permettant
d’avoir une vision prospective des risques de la garantie RCD d’un assureur et les
développements probables de ces risques jusqu’à leur liquidation ultime. Cette méthode nous
a fourni des résultats détaillés pertinents donnant une vision complète de la dynamique de la
sinistralité, sinistre par sinistre.
Elle permet également d’extraire à partir des données les impacts d’agents extérieurs comme
l’inflation, au contraire des méthodes classiques. En effet les méthodes classiques considèrent
que des indices exogènes peuvent représenter les impacts économiques mais ces hypothèses
sont souvent difficilement vérifiables. Notre méthode propose une exploration complète des
données.
Les utilisations ne sont pas cantonnées: en effet elles peuvent être appliquées au
provisionnement, à la réassurance, ou encore à Solvabilité 2. Autant de thèmes traités dans ce
mémoire afin d’illustrer l’intérêt de ce travail, ses avantages, son efficacité et son aisance
d’utilisation indispensable à tout bon modèle actuariel. Ce travail fut donc centré sur notre
modèle mais également ses applications puisqu’un bon modèle se doit d’être statistiquement
fiable et facilement applicable.
Les résultats de ce modèle, par la prise en compte de l’ensemble des paramètres du risque, ont
pour vocation d’aider dans la prise de décisions en gestion de risques. Parmi les pistes
d’exploration, la question des fréquences pourrait être affinée ou encore la question des taux
d’escompte.
Cependant, n’oublions pas ces paroles de Paul Valéry : « Tout ce qui est simple est faux. Ce
qui ne l’est pas est inutilisable »16.
Enfin, le principal frein à l’utilisation de notre méthode réside en la lourdeur de la démarche.

Puisqu’avant tout il convient de comparer un grand nombre de fonctions de répartitions de
sinistres connus, afin d’en déduire des changements de variables. Enfin, un grand nombre de
simulations est nécessaire au développement des sinistres. Lors de la première utilisation de
cette méthode, il conviendra de mettre au point un outil perfectionné qui réalisera les
comparaisons des fonctions de répartitions et aidera dans la détermination des changements
de variables. La mise au point de cet outil peut être considérée comme fastidieuse. Par
ailleurs, pour que ces changements de variables aient un sens, il convient que les données des
sinistres soient de bonne qualité et suffisantes.
Cette méthode n’est donc pas adaptable à toutes les situations. L’utilisateur doit faire des
compromis entre simplicité de la démarche et pertinence des résultats.
16
Paul Valéry (1941), Mauvaises pensées et autres. NRF Gallimard
Bibliographie
Bibliographie
Agence France Presse. (29/03/2011). La construction de logements neufs retrouve presque son
niveau d’avant crise. Disponible en ligne sur http://www.lemainelibre.fr/actualite/article_-La-
construction-de-logements-neufs-retrouve-presque-son-niveau-d-avant-crise_19533-
34_actualite.Htm#sondage2744 .
AI Access. Test d’Adéquation. Disponible en ligne sur

http://www.aiaccess.net/French/Glossaires/GlosMod/f_gm_adequation.htm#Kolmogorov .
Alea. (14/01/2011). Tests statistiques avec R. Disponible en ligne sur

http://alea.fr.eu.org/post/2011/01/14/Tests-statistiques-avec-R .
Audit des assurances. (12/01/2010). L’Assurance de la construction. Disponible en ligne sur

http://www.audit-des-assurances.com/lassurance-de-la-construction-partie-1.html/2 .
Centre d’Etudes d’Assurance. Base documentaire : les risques et garanties lies a l’acte de
construire. Disponible en ligne sur http://www.cea-assurances.fr/ .
Charpentier A. Copules. disponible en ligne sur http://perso.univ-rennes1.fr/arthur.charpentier/copules-

charpentier-chapitre.pdf .
Charpentier A., Denuit M. (2005) Mathématiques d l’assurance non-vie, Paris : Economica
Coe Rexecode. (16/04/2010). Situation et perspectives de la construction en France.

Disponible en ligne sur http://www.coe-rexecode.fr/public/Analyses-et-previsions/Reunion-Construction-
immobilier/Situation-et-perspectives-de-la-construction-au-printemps-2010/Situation-et-perspectives-de-la-
construction-en-France .
Dessuet P. (29/10/2010). Les nouveaux défis de l’assurance construction. L’Argus de

l’Assurance. Disponible en ligne sur http://www.argusdelassurance.com/actualites/les-nouveaux-defis-
de-l-assurance-construction.46413 .
Diagnostic Expertise. (28/07/2010). Une rechute menace-t-elle le secteur de la construction

immobilière ? Disponible en ligne sur http://www.diagnostic-expertise.com/credit/actualite-credit-
immobilier-la-construction-n-est-pas-au-mieux-2940.php .

http://www.ceiops.eu/index.php?option=content&task=view&if=732 .
Journal Officiel de l’Union Européenne. (02/12/2008). Les régimes de responsabilité et

d’assurance dans le secteur de la construction : schémas nationaux et orientations visant à
stimuler l’innovation et le développement durable. Disponible en ligne sur http://www.elios-
ec.eu/documents/EliosExecutiveSummaryfro.pdf .
Krauth G. (2007). Provisionnement et corrélation entre branches. Mémoire d’actuariat

Conservatoire National des Arts et Metiers. Disponible en ligne sur
http://www.scor.com/images/stories/pdf/library/actuarial-prize/2007_France_GeraldineKrauth.pdf .
Loisel S. (2006). Cours de gestion des risques d’assurances et de théorie de la ruine.

Disponible en ligne sur http://isfaserveur.univ-lyon1.fr/~stephane.loisel/poly3a-temp.pdf .
Bibliographie
Meyers Glenn G. The common Shock Model for Correlated Insurance Losses. Casualty
Actuarial Society Volume 01. Disponible en ligne sur http://www.variancejournal.org/issues/01-
01/040.pdf .
Moniteur. (22/09/2000). Tableaux synoptiques des responsabilités et assurances des

constructeurs. Le Moniteur N°5052. Disponible en ligne sur le site
http://www.groupe-cea.com/upload/doc_doc/Document_fr/3/tab1.pdf .
Thorsten Schimidt (2006). Coping with copulas, copula from theory to applications in Finance.
Disponible en ligne sur http://www.math.uni-leipzig.de/~tschmidt/TSchmidt_Copulas.pdf .
Valéry P. (1941). Mauvaises pensées et autres. NRF Gallimard
Annexes
Annexes
Liste des Annexes
Annexe I : Abréviation et définitions
Annexe II : Triangle des fréquences
Annexe III : Ajustement des fonctions de répartitions
Annexe IV : Résultats des coefficients d’ajustement du changement de variable

logarithmique sans seuil et sans ordonnée à l’origine pour les dimensions H, VA et VD de la
DROC 1998 à 2007 pour les décalages 0 à 9.
Annexe V : Résultats des R2 des ajustements des changements de variable logarithmique et

linéaire sans seuil et sans ordonnée à l’origine pour les dimensions H, VA et VD de la DROC
1998 à 2007 pour les décalages 0 à 9.
Annexe VI : Tableau de Shapiro Wilk
Annexe VII : Liste des tableaux et graphiques numérotés
Annexes
ANNEXE I : Abréviations et définitions
• Assurance construction
L’assurance construction fait partie des assurances de choses (à distinguer des assurances de personne) et couvre
les dommages du fait de l’acte de construire.
L’acte de construire comporte des risques qui peuvent être classés en deux catégories :
- Les risques de dommages subis par l’ouvrage lui-même ;
- Les risques de dommages causés, par l’ouvrage ou par l’opération de construction, aux tiers ;
Ces dommages couverts peuvent survenir pendant la construction ou après la période de construction.
• Chantier
On entend par chantier l’ensemble des travaux de démolition, de fouilles ou de construction concernant la
réalisation d’un ou plusieurs ouvrages effectués sur un même site géographique et faisant l’objet d’un même
permis de construire initial dans le cas où ce dernier est obligatoire.
• Constructeur
Selon l’article 1792-1 du Code civil, est considéré comme constructeur:
• Tout architecte, entrepreneur, technicien ou autre personne liée au maître de l'ouvrage par
un contrat de louage d'ouvrage;
• Toute personne qui vend, après achèvement, un ouvrage qu’elle a construit ou fait
construire;
• Toute personne qui, bien qu’agissant en qualité de mandataire du propriétaire de
l’ouvrage, accomplit une mission assimilable à celle d’un locateur d’ouvrage.
Par exemple : sont assimilés comme tel les contrôleurs techniques, les vendeurs d’immeubles à construire, les
promoteurs de l'article 1831-1 du Code civil, les constructeurs de maisons individuelles, et les fabricants d'un
ouvrage, d'une partie d'ouvrage ou d'un élément d'équipement conçu et produit pour satisfaire, en état de service,
à des exigences précises et déterminées à l'avance.
• DO
L’abréviation « DO » désigne « Dommages Ouvrage » en assurance construction.
• DROC
L’abréviation « DROC » désigne la Déclaration Réglementaire d’Ouverture de Chantier.
La DROC est un élément fondamental puisqu’elle renseigne la date d’ouverture du chantier qui sera le point de
départ de nombreuses couvertures d’assurance construction.
En effet, pour illustration, l’annexe 1 de l’article A243-1 du Code des Assurances expose que « le contrat RC
Décennale couvre, pour la durée de la responsabilité pesant sur l’assuré en vertu des articles 1792 et 2270 du
Code Civil, les travaux ayant fait l’objet d’une ouverture de chantier pendant la période de validité fixée aux
conditions particulières ».
• RC
L’abréviation « RC » désigne « Responsabilité Civile » en assurance construction.
Annexes
De cette racine découle également la « RCD » : Responsabilité Civile Décennale et le « RCG » : Responsabilité
Civile Générale.
• Réception du chantier
La réception du chantier est « l’acte par lequel le maître de l’ouvrage déclare accepter l’ouvrage, avec ou sans
réserve, et constate que les constructeurs ont accompli leurs engagements contractuels » (Art 1792-6 du Code
Civil).
La réception du chantier sera le point de départ de nombreuses couvertures d’assurance construction et habitation
puisqu’à partir de ce jour le maître d’ouvrage devra souscrire une garantie « Dommages aux biens » classique.
Annexes
ANNEXE II : Triangle des fréquences
Fréquence Développement
Principaux 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1991 1 2 3 7 12 22 26 27 32 36 43 50 54 58 59 64 66 68 69
1992 1 3 8 12 14 17 21 22 24 26 32 34 34 35 37 38 39
1993 1 1 1 4 7 12 13 12 16 17 20 25 25 25 26 26 27
1994 2 5 7 7 10 12 15 18 22 25 31 32 34 40 44 49
1995 3 5 6 6 13 13 19 20 24 29 27 29 30
1996 3 3 7 5 8 8 8 10 16 19 22 22 26
1997 2 4 7 6 9 11 20 27 30 35 35 38 39
1998 4 6 811 14 19 21 26 27 32 36 40
1999 1 1 1 4 16 19 27 33 34 34
DROC 2000 3 6 10 14 19 22 23 35
2001 2 6 6 12 13 17 23 28
2002 2 5 6 13 18 20 27
2003 1 2 6 7 14 25
2004 2 6 8 15 21
2005 2 911 16
2006 1 3 9
2007 4 7
2008 1
2009 1
total 13 36 77 108 152 200 233 251 262 274 268 268 235 212 194 176 131 107 69
Annexes
ANNEXE III : Ajustement de deux fonctions de répartitions
Voici un exemple concret de la méthodologie à suivre afin d’ajuster deux fonctions de

répartitions.
Nous connaissons les sinistres de deux cases d’un triangle des coûts. Pour exemple j’ai pris la
DROC 1998 et 2002 au décalage 5. La DROC 1998 au décalage 5 est composée de 24
sinistres et la DROC 2002 au décalage 5 est composée de 30 sinistres. Voici les coûts des
sinistres composant chaque case, en Euros.
1998 2002
159 700 152 800
162 640 159 999
169 840 160 000
179 445 164 999
191 031 170 000
215 266 198 999
223 770 205 000
229 277 230 999
232 181 245 000
238 787 249 999
252 399 250 000
264 398 250 240
286 564 260 756
301 347 274 999
310 748 298 505
322 872 300 000
350 139 335 091
366 999 373 181
371 795 385 930
414 661 394 787
463 283 399 501
538 027 434 663
681 050 449 999
925 400 450 000
519 000
555 945
& 575 000
& 602 077
& 672 999
& 1 173 799
&
La première étape consiste à mettre les données sous la forme souhaitée. Pour cet exemple
nous supposerons que l’ajustement que nous allons tester est l’ajustement logarithme sans
seuil et sans ordonnée à l’origine, nous souhaitons donc que ces données représentent les
coûts des sinistres sans seuil (selon l’ajustement recherché la transformation des données
pourrait ne pas intervenir).
Annexes
1998 sans seuil 2002 sans seuil

7 200 300
10 140 7 499
17 340 7 500
26 945 12 499
38 531 17 500
62 766 46 499
71 270 52 500
76 777 78 499
79 681 92 500
86 287 97 499
99 899 97 500
111 898 97 740
134 064 108 256
148 847 122 499
158 248 146 005
170 372 147 500
197 639 182 591
214 499 220 681
219 295 233 430
262 161 242 287
310 783 247 001
385 527 282 163
528 550 297 499
772 900 297 500
366 500
403 445
422 500
449 577
520 499
1 021 299
Ces coûts de sinistres sans seuil représentent les réalisations des variables aléatoires X et Y
représentant les coûts des sinistres individuels au décalage 7 des DROC 1998 et 2002
respectivement.
Maintenant nous allons construire les fonctions de répartitions empirique des variables
aléatoires X et Y.
Fonction de répartition empirique de X Fonction de répartition empirique de Y
4% 7 200 4% 300
8% 10 140 7% 7 499
12% 17 340 10% 7 500
16% 26 945 14% 12 499
20% 38 531 17% 17 500
24% 62 766 20% 46 499
28% 71 270 23% 52 500
32% 76 777 27% 78 499
36% 79 681 30% 92 500
40% 86 287 33% 97 499
44% 99 899 36% 97 500
48% 111 898 39% 97 740
52% 134 064 43% 108 256
Annexes
56% 148 847 46% 122 499

60% 158 248 49% 146 005
64% 170 372 52% 147 500
68% 197 639 56% 182 591
72% 214 499 59% 220 681
76% 219 295 62% 233 430
80% 262 161 65% 242 287
84% 310 783 69% 247 001
88% 385 527 72% 282 163
92% 528 550 75% 297 499
96% 772 900 78% 297 500
81% 366 500
85% 403 445
88% 422 500
91% 449 577
94% 520 499
98% 1 021 299
Afin d’ajuster X et Y à l’aide d’un QQ plot, nous allons tout d’abord calculer pour chaque
variable, les centiles correspondant à la fonction de répartition de l’autre variable. Ainsi les
coûts obtenus pourront être comparées directement en utilisant toutes les données connues.
Fonctions de répartition empiriques de X et
Y
3% 9 381 300
4% 7 200 7 499
6% 13 624 7 499
8% 10 140 9 100
10% 19 509 7 500
12% 17 340 14 899
13% 26 635 12 499
16% 26 945 36 059
16% 35 167 17 500
19% 49 476 46 499
20% 38 531 51 300
23% 64 412 52 500
24% 62 766 77 459
26% 70 721 78 499
28% 71 270 93 100
29% 75 001 92 500
32% 76 777 97 499
32% 77 995 97 499
35% 80 746 97 500
36% 79 681 97 606
39% 85 648 97 740
40% 86 287 104 050
42% 95 069 108 256
44% 99 899 119 081
45% 104 544 122 499
48% 111 898 144 125
48% 114 758 146 005
52% 131 204 147 500
52% 134 064 150 307
55% 143 125 182 591
Annexes
56% 148 847 191 733

58% 152 183 220 681
60% 158 248 225 781
61% 159 421 233 430
64% 170 372 238 390
65% 168 417 242 287
68% 186 204 247 001
68% 197 639 245 681
71% 203 078 282 163
72% 214 499 277 944
74% 214 808 297 499
76% 219 295 297 499
77% 218 367 297 500
80% 262 161 311 300
81% 242 802 366 500
84% 276 277 403 445
84% 310 783 379 800
87% 313 194 422 500
88% 385 527 413 354
90% 368 649 449 577
92% 528 550 440 912
94% 459 345 520 499
96% 772 900 509 151
97% 591 608 1 021 299
A présent nous allons passer ces coûts individuels en logarithme puisque nous souhaitons que
l’ajustement se fasse entre log(Y) et log(X).
Enfin nous allons tracer un QQ plot entre ces deux fonctions. C'est-à-dire que nous allons
chercher l’ajustement entre les centiles de ces deux lois. Le coefficient de la pente de la droite
(qui passera par l’origine d’après la forme de l’ajustement choisi) sera le coefficient
d’ajustement de notre modèle.
A noter que dans le QQ plot, chaque point représente un sinistre qui a effectivement été
constaté.
QQ Plot
Annexes
Le coefficient dans cet exemple est estimé à 1,019. Ce coefficient est plus grand que 1, cela
signifie que la DROC 2002 représente une dégradation par rapport à la DROC 1998 car la
variable aléatoire de la DROC 1998 doit être dégradée en puissante 1,019 pour que sa loi soit
la même que la variable aléatoire de la DROC 2002.
Nous avons maintenant la fonction de répartition des coûts individuels des sinistres de la
DROC 1998 ajustés (la fonction de répartition de Xâ), nous estimons de cette distribution
ajustée correspond à la distribution de la DROC 2002 (la fonction de répartition de Y).
Sachant que nous connaissons les sinistres de la DROC 1998 jusqu’au décalage 12, mais nous
ne connaissons les sinistres de la DROC 2002 qu’uniquement jusqu’au décalage 8. Si nous
imaginons que la dégradation du coût des sinistres pour un décalage donné, entre les DROC
1998 et 2002, est constante, nous pouvons à présent développer la DROC 2002 jusqu’au
décalage 12 en partant des sinistres connus de la DROC 1998.
Pour ce faire il suffit donc de déterminer la fonction de répartition de la DROC 1998 au

décalage 12, de lui appliquer l’ajustement souhaité, c'est-à-dire :
1. Mettre les données de DROC 1998, décalage 12, en forme, c’est-à-dire sans seuil
2. Ajuster la variable aléatoire X suivant la loi de la DROC 1998, décalage 12, sans seuil,
avec la formule log(Y)=a*log(X), soit Y=Xâ, Y étant la variable aléatoire de la
DROC 2002, décalage 12 (représentant le coût des sinistres sans seuil) dont nous
cherchons la distribution.
3. La loi de Y, qui est la loi de Xâ correspondra alors à la loi estimée du coût sans seuil
des sinistres individuels de la DROC 2002, décalage 12.
Annexes
ANNEXE IV : Résultats des coefficients
Résultats des coefficients, pour les DROC 1998 à 2007 aux décalages 0 à 9, des ajustements
linéaires et logarithmiques sans seuil et sans ordonnée à l’origine sur les dimensions H, VA et
VD.
Annexes
ANNEXE V : Résultats des R2
Résultats des tests R2, pour les DROC 1998 à 2007 aux décalages 0 à 9, des ajustements
linéaires et logarithmiques sans seuil et sans ordonnée à l’origine sur les dimensions H, VA et
VD.
Annexes
ANNEXE VI : Table de Shapiro Wilk
ANNEXE VI : Liste des tableaux et graphiques numérotés
Graphique 1 : Assurance à double détente de la loi Spinetta

(Moniteur (22/09/2000) : tableaux synoptiques des responsabilités et assurances des constructeurs. Le moniteur
n°5052 disponible en ligne sur le site http://www.groupe-cea.com/upload/doc_doc/Document_fr/3/tab1.pdf
Graphique 2 : Périodes de couverture des différentes garanties

Audit des assurances. (12/01/2010). L’Assurance de la construction. Disponible en ligne sur http://www.audit-
des-assurances.com/lassurance-de-la-construction-partie-1.html/2
Tableau 3 : Les acteurs de l'assurance construction

Fédération Française des Sociétés d’Assurances (FFSA), Assurance construction. Disponible en ligne sur
http://www.ffsa.fr/sites/jcms/fn_7359/assurance-construction.
Graphique 4: Stabilité des facteurs de développement en N+11 dans Chain Ladder
Graphique 5 : Stabilité des facteurs de développement en N+1 dans Chain Ladder
Graphique 6 : Fonctions de répartition et ajustements de lois
Graphique 7 : Distributions des coûts
Graphique 8 : Distribution des coûts et ajustement
Graphique 9 : QQ plot
Graphique 10 : Ajustement et test de Kolmogorov Smirnov
Graphique 11 : Facteurs de passage de la DROC 1981 à 1982 par décalage
Graphique 12 : Facteurs de passage au décalage suivant par DROC
Graphique 13 : Année récente développée
Graphique 14 : Année moyenne développée
Graphique 15 : Comparaison des résultats bruts et nets à l'ultime
Graphique 16 : Evolution de la charge du réassureur au fur et à mesure des décalages
Graphique 17 : Evolution de la charge net de réassurance par décalages selon les scénarios
Graphique 18 : Fonctions de répartition de deux années et de la somme des deux années
Graphique 19 : densité de la copule Gaussienne

Thorsten Schmidt (2006),coping with copultas, copula from theory to applications in Finance. Disponible en
Graphique 20 : Densité de la copule de Gumbel

Thorsten Schmidt (2006),coping with copultas, copula from theory to applications in Finance. Disponible en
Graphique 21 : Somme des deux DROC : cas indépendant et corrélation par la copule de Gumbel
Graphiques 22 : Simulation de la copule de Gumbel de paramètre 1,25 puis 2 et 5.
Graphique 23 : Illustration des paires concordantes avec (X1,Y1)
Graphique 24 : Somme des deux DROC en fonction du paramètre de la copule de Gumbel
Graphique 25 : Schéma de base des normes quantitatives
Graphique 26 : le SCR dans la formule standard

http://www.ceiops.eu/index.php?option=content&task=view&if=732
Tableau 27 : Probabilité de défaut en fonction de la notation

Tableau 28 : Probabilité de défaut en fonction du ratio de solvabilité

Graphique 29 : Fonctions de répartition du SCR contrepartie en fonction des notations
Graphique 30 : Evolution de l’exposition au risque au sens du SCR, réassureur AAA
Graphique 31 : Evolution de l’exposition au risque au sens du SCR, réassureur AAA dégradé AA au décalage 15

Langue

Assurance Credit Pour Tous Web

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Assurance Credit Pour Tous Web

Transféré par

Droits d'auteur :

Formats disponibles

Run$off$en$assurance$construction 0$

Merci à tous et à toutes.

o 2.1 Idée génératrice 25

o 3.1 Méthode horizontale 42

4.Problématique des fréquences 49

III -Applications et résultats 60

o 2.1 Les traités concernés 70

o 3.1 Les principes généraux 83

Annexe I - Définitions et abréviations 96

Annexe II - Triangle des fréquences 98

Annexe III - Ajustement de deux fonctions de répartition 99

Annexe IV - Résultats des coefficients 104

Annexe V - Résultats des R2 105

Annexe VI - Table de Shapiro Wilk 106

Annexe VII - Liste des tableaux et graphiques numérotés 107

Mots clés : assurance construction, liquidation, provisionnement, réassurance, Responsabilité

Ce travail intitulé « Run off en assurance construction » traitera du développement des

Ce mémoire utilise « L’approche D3istribution », une modélisation innovante des triangles de

Ce mémoire s’articule en trois parties :

La première partie concerne l’assurance construction.

La deuxième partie traite de notre approche du risque.

La troisième partie aborde différentes applications de notre travail.

1. Les fondements du régime de l’assurance construction

La responsabilité en construction réapparaît en France en 1804 dans le code civil :

• Garantie Tous Risques Chantier (TRC)

• Garantie de parfait achèvement

• Garantie de bon fonctionnement

• Garantie Dommages Ouvrage (DO)

o Les ouvrages maritimes, lacustres, fluviaux ;

La garantie Dommages Ouvrage prend effet à partir de la réception du chantier et ce pendant

• Garantie Responsabilité Civile Décennale (RCD)

Le constructeur non responsable peut s’exonérer de sa responsabilité dans trois conditions

Le graphique 1 représente le principe de mise en œuvre de l’assurance « à double détente » en

• Garantie Responsabilité Civile Générale (RCG)

Le graphique 2 illustre les périodes de couverture des différentes garanties existantes en

Périodes de couverture des différentes garanties4

Sous l’impulsion du Grenelle de l’environnement, le secteur entame sa révolution écologique

De nouvelles perspectives s’offrent au marché de la construction et par répercussion aux

Les principaux assureurs

Les acteurs de l’assurance construction8

L’année de survenance retenue est la plus ancienne.

o Regroupement en sinistres principaux

Le portefeuille contient 23 285 sinistres regroupés en 18 512 sinistres principaux pour la

La méthode de Chain Ladder estime les montants inconnus Cik par :

o Indépendance des DROC : {Ci1,…,Cin} et {Cj1,…,Cjn} pour i différent de j ;

o Les années de développement sont les variables explicatives du comportement des

Après la validation des hypothèses et l’application de la méthode, le montant ultime des

• Application à notre portefeuille

o Validation des hypothèses

Comme nous l’avons énoncé précédemment, il y a différentes hypothèses sous jacentes à

Stabilité des facteurs de développement en N+11

Stabilité des facteurs de développement en N+1

o Limites de la méthode de Chain Ladder

Propriétés d’une fonction de répartition :

Fonction de répartition empirique :

Pour en déduire la fonction de répartition continue, F, à partir de la fonction de répartition

Fonctions de répartition et ajustements de lois

De plus, il y a souvent un problème au-delà d’un seuil et si un modèle correspond aux

Distribution des coûts

Distribution des coûts et ajustement

Le QQ plot (Quantile-Quantile Plot) est un graphique permettant de comparer graphiquement

• Lien entre les fonctions de répartition

A titre d’exemple, dans le triangle suivant, X et Y peuvent représenter respectivement la