Vous êtes sur la page 1sur 77

Chapitre 6

Modèle de Bühlmann

L’approche purement bayésienne que nous avons étudiée au chapitre précédent s’avère élégante, certes,
mais elle recèle également deux éléments qui peuvent la rendent moins applicable en pratique. Tout d’abord,
la prime bayésienne n’est une prime de crédibilité — facile à calculer et à interpréter — que pour certaines
combinaisons de distributions seulement. Ensuite, tout le calcul de la prime repose sur des hypothèses
subjectives pour les distributions de Θ et St |Θ = θ. L’effet du choix de distributions s’estompe avec le
volume d’expérience, mais nécessite un nombre années d’expérience bien plus grand que ce dont nous
disposons habituellement en pratique.
Nous avons déjà vu au chapitre précédent que l’une des contributions importantes du père de la théorie du
risque moderne, Hans Bühlmann, à la théorie de la crédibilité de précision est le modèle d’hétérogénéité.
Dans ce chapitre, nous étudions deux autres de ses contributions qui visent à pallier aux inconvénients de
93
94 CHAPITRE 6. MODÈLE DE BÜHLMANN

l’approche bayésienne mentionnés ci-dessus. Pour résoudre l’enjeu de linéarité de la prime bayésienne,
Buhlmann a proposé de restreindre l’approximation
Pn de la prime de risque aux fonctions linéaires des ob-
servations, c’est-à-dire de la forme c0 + t=1 ct Sit . Nous verrons que la meilleure approximation se trouve
être une prime de crédibilité.
Il a ensuite proposé d’avoir recours à la statistique bayésienne empirique pour contourner le problème du
choix des distributions. Dans cette approche non paramétrique, le calcul de la prime de crédibilité repose
sur l’estimation de paramètres à partir des données accumulées.
6.1. NOTATION ET RELATIONS DE COVARIANCE 95

6.1 Notation et relations de covariance

Avant d’aller plus loin, nous allons définir quelques éléments de notation essentiels pour la suite, en plus
d’établir des relations de covariance nécessaires pour calculer la meilleure approximation linéaire de la
prime de risque.
Nous avons déjà défini au chapitre 4 la prime de risque µ(θ) = E[Sit |Θ = θ]. Dans le même ordre d’idées,
définissons la variance du processus σ 2 (θ) = V ar[Sit |Θ = θ].
On sait de plus que la prime collective est m = E[µ(Θ)].
Définissons également :
s2 = E[Var[Sit |Θi ]]
= E[σ 2 (Θi )]

a = Var[E[Sit |Θi ]]
= Var[µ(Θi )].
On sait également que V ar(St ) = a + s2 .
Remarque :
Dans les textes de la Casualty Actuarial Society, les variances s2 et a sont souvent appelées, respectivement,
expected process variance (EPV) et variance of the hypothetical means (VHM).
96 CHAPITRE 6. MODÈLE DE BÜHLMANN

Le théorème suivant, déjà énoncé au chapitre 1, permet de calculer la covariance entre deux variables
aléatoires en conditionnant sur une troisième.
Théorème 6.1.1. Soit X, Y et Θ des variables aléatoires dont la densité conjointe existe. Alors
Cov(X, Y ) = Cov(E[X|Θ], E[Y |Θ]) + E[Cov(X, Y |Θ)].

Corollaire 6.1.2. En posant X ≡ Y dans le théorème 6.1.1, on obtient


Var[X] = E[Var[X|Θ]] + Var[E[X|Θ]].

Un dernier résultat pour cette section : le théorème suivant établit les relations de variance entre des variables
aléatoires dans un contexte analogue à notre modèle d’hétérogénéité.
6.1. NOTATION ET RELATIONS DE COVARIANCE 97

Théorème 6.1.3. Soit S1 , . . . , Sn des variables aléatoires conditionnellement indépendantes sachant la


variable aléatoire Θ, de même espérance et de même variance, c’est-à-dire que
E[St |Θ] = µ(Θ), t = 1, . . . , n
Var[St |Θ] = σ 2 (Θ), t = 1, . . . , n.
Alors
(
a, t 6= u
Cov(St , Su ) =
a + s2 , t = u
= a + δtu s2 , t, u = 1, . . . , n
Cov(µ(Θ), St ) = a,
où δtu est le delta de Kronecker : (
1, t=u
δtu =
0, t 6= u.
Démonstration: À faire en classe
98 CHAPITRE 6. MODÈLE DE BÜHLMANN

TABLE 6.2.1 – Représentation schématique des variables aléatoires dans le modèle de Bühlmann

Variables non Observations


observables 1 ··· t ··· n
Θ1 S11 ··· S1t ··· S1n
.. .. ..
. . .
Θi Si1 ··· Sit ··· Sin
.. .. ..
. . .
ΘI SI1 ··· SIt ··· SIn

6.2 Modèle et prévision

Le modèle d’hétérogénéité utilisé dans le modèle de crédibilité de Bühlmann est très similaire à celui du
chapitre précédent, sauf que nous relâchons légèrement certaines hypothèses.
Le contexte est toujours celui d’un portefeuille de I contrats d’assurance, chacun caractérisé par un niveau
de risque θi , i = 1, . . . , I réalisation d’une variable aléatoire non observable Θi . Nous disposons pour fins de
tarification de n périodes d’expérience (Si1 , . . . , Sin ) ≡ S i pour chaque contrat. Vous trouverez au tableau
6.2.1 une représentation schématique de l’ensemble de variables aléatoires dans le modèle de Bühlmann.
6.2. MODÈLE ET PRÉVISION 99

Dans leur version la moins restrictive, les hypothèses du modèle de Bühlmann sont les suivantes.
(B1) Les contrats (Θi , S i ), i = 1, . . . , I sont indépendants, les variables aléatoires Θ1 , . . . , ΘI sont identi-
quement distribuées et les variables aléatoires Sit ont une variance finie.
(B2) Les variables aléatoires Sit , sont telles que
E[Sit |Θi ] = µ(Θi ) i = 1, . . . , I
Cov(Sit , Siu |Θi ) = δtu σ 2 (Θi ), t, u = 1, . . . , n.

L’hypothèse (B1) établit l’indépendance inter contrats (between). Elle peut ne pas être réaliste, mais elle
simplifie les calculs et il s’agit d’une bonne approximation dans plusieurs cas. L’hypothèse (B2), quant à
elle, stipule l’homogénéité temporelle des contrats — leur prime de risque est constante dans le temps —
ains que l’indépendance intra contrats (within) — les observations d’un contrat sont conditionnellement
non corrélées.
100 CHAPITRE 6. MODÈLE DE BÜHLMANN

Avec le modèle et les hypothèses en main, nous pouvons maintenant procéder au calcul de la prévision
de la prime de risque à partir des observations. Au chapitre 4, nous n’avons posé aucune restriction sur la
forme cette prévision, avec pour conséquence qu’elle peut s’avérer difficile à calculer. Le trait de génie de
Buhlmann aura été de contraindre la prévision a être une fonction linéaire des observations. Le résultat se
trouve dans le théorème suivant.
Théorème 6.2.1. Pour un portefeuille tel qu’illustré ci-dessus et sous les hypothèses (B1) et (B2), la
meilleure approximation linéaire non homogène de la prime de risque µ(Θi ) est
B
πi,n+1 = z S̄i + (1 − z)m, (6.2.1)
où
n
1X
S̄i = Sit
n t=1
n s2
z= , K= .
n+K a
Démonstration: À faire en classe
6.2. MODÈLE ET PRÉVISION 101

Remarque :
Calculer la meilleure approximation de la prime de risque ou la meilleure prévision du montant des sinistres
de la prochaine période sont des problèmes en tous points équivalents. En effet, remplacer µ(Θi ) dans
le théorème 6.2.1 par Si,n+1 ne change rien puisque E[µ(Θi )] = E[Si,n+1 ] = m et Cov(µ(Θi ), Sit ) =
Cov(Si,n+1 , Sit ) = a pour t = 1, . . . , n.

La prime de crédibilité (6.2.1) possède deux belles propriétés. En premier lieu, elle est sans biais, c’est-à-
dire que
B
E[πi,n+1 ] = zE[S̄i ] + (1 − z)m = m.
En moyenne, l’assureur perçoit donc suffisamment de primes pour payer les sinistres. L’absence de biais
fait également en sorte qu’une mauvaise estimation du facteur de crédibilité n’a pas d’impact négatif sur le
montant des primes perçu par l’assureur.
En second lieu, par la Loi des grands nombres, S̄i → µ(Θi ) quand n → ∞ et z → 1 dans les mêmes
B
circonstances. Par conséquent, πi,n+1 → µ(Θi ) quand n → ∞.

Remarque :
La prime de crédibilité peut aussi s’écrire
B
πi,n+1 = m + z(S̄i − m).
Sous cette forme, la prime d’un contrat apparait comme la prime collective à laquelle on ajoute ou soustrait
102 CHAPITRE 6. MODÈLE DE BÜHLMANN

un ajustement, pondéré par un facteur de crédibilité, selon que l’expérience du contrat est pire ou meilleure
que celle du groupe.
6.3. APPROCHE PARAMÉTRIQUE 103

6.3 Approche paramétrique

6.3.1 Modélisation directe de la prime pure

Afin de comparer l’approche du modèle de crédibilité de Bühlmann à celle de la tarification purement


bayésienne, nous allons pour un moment supposer que les distributions de Sit |Θi et de Θi sont connues. La
notion de portefeuille n’est toujours pas nécessaire puisque nous déterminons les distributions pour chaque
contrat. Nous omettons donc l’indice i dans les formules.
Le théorème 6.2.1 nous permet de calculer directement le facteur de crédibilité pour les combinaisons de
distributions menant à une prime bayésienne linéaire ou, autrement, l’approximation linéaire de la prime
bayésienne.
Exemple 6.3.1 (Poisson/Lognormale). Supposons : St |Θ = θ ∼ P oisson(θ), avec Θ = exp() et  ∼
N ormal(0, b2 ). Calculer la prime de crédibilité selon le modèle de Buhlmann
Démonstration: À faire en classe

Exemple 6.3.2 (Poisson/gamma). Examinons de nouveau la combinaison de distributions St |Θ = θ ∼


Poisson(θ) et Θ ∼ Gamma(α, τ ). Calculer la prime de crédibilité selon le modèle de Buhlmann.
Démonstration: À faire en classe
104 CHAPITRE 6. MODÈLE DE BÜHLMANN

Exemple 6.3.3 (Bernoulli/Bêta). Examinons de nouveau la combinaison de distributions St |Θ ∼ Bernoulli(Θ)


et Θ ∼ Beta(α, β). Calculer la prime de crédibilité selon le modèle de Buhlmann.
Démonstration: À faire en classe


0.2, θ = 20

Exemple 6.3.4. Supposons : Si |θ ∼ P oisson(θ), avec g(θ) = 0.3, θ = 30 .

0.4, θ = 40

Expérience observée : S1 = 30; S2 = 20; S3 = 10. Trouvez P4 selon Bühlmann.
Démonstration: À faire en classe
6.3. APPROCHE PARAMÉTRIQUE 105

6.3.2 Modélisation de la prime pure par la fréquence et la sévérité

Il arrive qu’au lieu de connaı̂tre la distribution de St |Θ = θ, on connaisse plutôt les distributions de la


fréquence pour une période Nt |Θ = θ et de la sévérité d’un sinistre Xj |Θ = θ. On peut alors trouver la
prime de crédibilité pour la fréquence, pour la sévérité et pour la prime pure.
Nous illustrons ceci à l’aide d’un exemple.
Exemple 6.3.5. On supposePque la sinistralité d’un contrat à la période t est donnée par un modèle à
somme composée, i.e. St = N t
j=1 Xj , où, dans chaque type de risque, Nt et les Xj sont indépendants et ont
les moyennes et variances suivantes :
Fréquence Sévérité
2 2
θ g(θ) µN (θ) σN (θ) µX (θ) σX (θ)
1 0.4 5 0.1 4 20
2 0.4 4 0.25 6 30
3 0.2 3 0.5 10 36
Finalement, on sait que l’expérience d’un assuré sur 2 ans est la suivante :
— Première année : X1 = 4, X2 = 5, X3 = 6 ;
— Deuxième année : X1 = 8, X2 = 2, X3 = 3, X4 = 3 ;
Trouvez l’estimé de crédibilité selon le modèle de Bühlmann :
a) pour la fréquence ;
106 CHAPITRE 6. MODÈLE DE BÜHLMANN

b) pour la sévérité ;
c) pour la prime pure.
Démonstration: À faire en classe
6.4. APPROCHE NON PARAMÉTRIQUE 107

6.4 Approche non paramétrique

En pratique, l’approche paramétrique s’avère d’un intérêt limité puisqu’elle nécessite toujours de déterminer
les distributions des variables aléatoires Sit |Θi = θi et Θi . Avec l’approche non paramétrique, nous délaissons
l’approche bayésienne pure pour une approche bayésienne empirique. Cela nécessite quelques ajustements
à notre vocabulaire et à l’interprétation que nous faisons des différentes composantes de notre modèle
d’hétérogénéité.
Le portefeuille de contrats joue — finalement — un rôle central. D’abord, chaque contrat, par son niveau
de risque, représente une réalisation de la variable aléatoire Θ. La fonction de répartition U (θ) de Θ est la
fonction de structure du portefeuille. Au chapitre 4, nous la voyions comme l’opinion à priori de l’assureur
sur le niveau de risque d’un contrat. Dans l’approche empirique, la fonction de structure représente la
proportion de contrats dans le portefeuille avec un niveau de risque inférieur ou égal à θ ou, de manière
équivalente, la distribution des niveaux de risque entre les contrats.
Auparavant, les concepts d’homogénéité ou d’hétérogénéité étaient liés au niveau de certitude de l’assu-
reur quant au niveau de risque d’un contrat. Ce n’était pas très intuitif. Dorénavant, nous parlerons d’un
portefeuille homogène ou hétérogène selon que les moyennes des contrats s’avèrent semblables ou non.
108 CHAPITRE 6. MODÈLE DE BÜHLMANN

Pour calculer les primes de crédibilité des contrats, nous devrons estimer les paramètres de structure du
portefeuille, soit :
1. m = E[µ(Θ)], la moyenne collective du portefeuille ;
2. s2 = E[σ 2 (Θ)], la variance intra (within) ou la variabilité moyenne du portefeuille, qui représente
l’homogénéité temporelle ;
3. a = Var[µ(Θ)], la variance inter (between) ou la variabilité entre les moyennes des contrats, qui
représente l’homogénéité du portefeuille.
Pour effectuer l’estimation, nous allons développer des estimateurs sans biais des paramètres.
6.4. APPROCHE NON PARAMÉTRIQUE 109

6.4.1 Estimation de la prime collective

Intuitivement, un estimateur de la prime collective est la moyenne empirique des moyennes individuelles :
I n
1 XX
m̂ = S̄ = Sit . (6.4.1)
In i=1 t=1

Exemple 6.4.1. Montrer que m̂ est un estimateur sans biais de m.


Démonstration: À faire en classe
110 CHAPITRE 6. MODÈLE DE BÜHLMANN

6.4.2 Estimation de la variance intra

Un estimateur sans biais de la variance du contrat i, i = 1, . . . , n, est


n
1 X
(Sit − S̄i )2 , n ≥ 2.
n − 1 t=1

Pour obtenir un estimateur sans biais de la variance moyenne s2 , il suffit ensuite de calculer la moyenne de
tous ces estimateurs :
I Xn
2 1 X
ŝ = (Sit − S̄i )2 . (6.4.2)
I(n − 1) i=1 t=1

Exemple 6.4.2. Montrer que ŝ2 est un estimateur sans biais de s2 .


Démonstration: À faire en classe
6.4. APPROCHE NON PARAMÉTRIQUE 111

6.4.3 Estimation de la variance inter

Un estimateur intuitif de la variance entre les moyennes des contrats a = Var[µ(Θ)] serait
I
1 X
(S̄i − S̄)2 .
I − 1 i=1

Or, cet estimateur est biaisé.

1
PI
Exemple 6.4.3. Montrer que I−1 i=1 (S̄i − S̄)2 est un estimateur biaisé de a. Déduire l’estimateur non
biaisé de a,
I
1 X 1
â = (S̄i − S̄)2 − ŝ2 .
I − 1 i=1 n

Démonstration: À faire en classe

Remarque :
L’estimateur â peut être négatif. En pratique, nous devons utiliser â0 = max(â, 0), qui est un estimateur
biaisé du paramètre a. C’est là un problème récurrent — et déroutant ! — en statistique que pour que
l’estimateur d’une variance soit sans biais, il doit pouvoir être négatif.
112 CHAPITRE 6. MODÈLE DE BÜHLMANN

6.4.4 Prime de crédibilité

Nous ne pouvons estimer directement sans biais la prime de crédibilité. Nous remplaçons simplement
chaque paramètre de structure par son estimateur :
B n
π̂i,n+1 = ẑ S̄i + (1 − ẑ)m̂, où ẑ = .
n + ŝ2 /â

Bien que tous les estimateurs sont sans biais, nous ne pouvons conclure que E[K̂] = K et donc que
E[ẑ] = z. Par conséquent, l’estimateur de la prime de crédibilité est fort probablement biaisé.

Exemple 6.4.4. Nous avons n = 6 années d’expérience d’un portefeuille de I = 3 contrats. Les données
du portefeuille se trouvent au tableau 6.4.1. Calculer la prime de crédibilité pour la septième année pour
chacun des contrats.
TABLE 6.4.1 – Données du portefeuille de l’exemple 6.4.4

Années
Contrat 1 2 3 4 5 6
1 0 1 2 1 2 0
2 3 4 2 1 4 4
3 3 3 2 1 2 1

Démonstration: À faire en classe


6.5. INTERPRÉTATION DES RÉSULTATS 113

6.5 Interprétation des résultats

Nous nous attardons principalement au facteur de crédibilité


n s2 E[σ 2 (Θ)]
z= , K= = .
n+K a Var[µ(Θ)]
Le facteur de crédibilité augmente — un plus grand poids est donné à l’expérience individuelle — dans les
situations suivantes :
1. le nombre d’années d’expérience est grand, n → ∞. À long terme, l’expérience d’un contrat représente
exactement son niveau de risque. C’est la même situation qu’en crédibilité de stabilité, c’est-à-dire que
le niveau de crédibilité augmente avec le volume d’expérience ;
2. le paramètre s2 est petit, s2 → 0, l’expérience est globalement stable dans le temps. Les moyennes S̄i
représentent alors bien les niveaux de risque des contrats, ce qui réduit l’utilité de la prime collective.
3. le paramètre a est grand, a → ∞, le portefeuille est hétérogène. Dans un tel cas, les moyennes indivi-
duelles sont de meilleures approximations des primes de risque que la prime collective. On notera au
passage que a est en général le paramètre le plus intéressant et celui qui fluctue le plus d’un portefeuille
à un autre.
Les figures 6.5.1 et 6.5.2 illustrent les points 2 et 3 ci-dessus. Chaque courbe représente l’expérience d’un
contrat. Dans les deux cas, le facteur de crédibilité est plus grand dans le graphique de droite.
Si s2 et a varient en des directions opposées, il devient difficile d’interpréter les résultats.
114 CHAPITRE 6. MODÈLE DE BÜHLMANN

Lorsque toutes les moyennes individuelles sont identiques, S̄1 = · · · = S̄I = S̄, alors a = 0 et la prime
B
de crédibilité est πi,n+1 = S̄ = S̄i pour chaque contrat. Autrement dit, les primes individuelles et la
prime collective sont identiques. Il serait donc numériquement équivalent d’octroyer une crédibilité de 1
à l’expérience individuelle. Comment alors justifier la crédibilité de 0 ? Tout simplement par le fait que,
dans une telle situation, il n’est pas nécessaire de faire de la tarification basée sur l’expérience.
6.5. INTERPRÉTATION DES RÉSULTATS 115

0 5 10 15 20 0 5 10 15 20

F IGURE 6.5.1 – Effet de s2 = E[σ 2 (Θ)] sur le facteur de crédibilité. Gauche : grand s2 , l’expérience est trop volatile pour être fiable. Droite : petit s2 , les
moyennes individuelles sont fiables. Les moyennes sont identiques dans les deux graphiques.
116 CHAPITRE 6. MODÈLE DE BÜHLMANN

0 5 10 15 20 0 5 10 15 20

F IGURE 6.5.2 – Effet de a = Var[µ(Θ)] sur le facteur de crédibilité. Gauche : petit a, le portefeuille est homogène. Droite : grand a, le portefeuille est
hétérogène. Les variances sont identiques dans les deux graphiques.
6.5. INTERPRÉTATION DES RÉSULTATS 117

Exemple 6.5.1. [Exemple du tir sur cibles de Philbrick]

F IGURE 6.5.3 – Quatre tireurs visent chacun une des cibles A, B, C ou D. Si les tirs n’étaient pas identifiés par des symboles, il serait difficile pour certains
d’entre eux de les associer à un tireur.
118 CHAPITRE 6. MODÈLE DE BÜHLMANN

F IGURE 6.5.4 – Les tireurs sont plus précis

F IGURE 6.5.5 – On a éloigné les cibles davantage

Démonstration: À faire en classe


6.6. BÜHLMANN ET JEWELL 119

6.6 Bühlmann et Jewell

Nous avons vu que pour certains modèles paramétriques, la prime de crédibilité du modèle de Bühlmann
génère exactement le même résultat que l’analyse bayésienne. Pensons aux cas :
— Géométrique/Béta
— Poisson/Gamma (BN 1)
— Normale/Normale
— etc.
Théorème 6.6.1. Si les conditions suivantes sont vérifiées :
— L(θ) = f (x|θ) ∈ famille exponentielle linéaire ;
— g(θ) est conjuguée à L(θ) = f (x|θ) ;
— V ar[St |θ] = κt = κ pour tout t = 1, ..., n (i.e. variance constante)
alors la prime bayésienne est égale à la prime de crédibilité du modèle de Bühlmann.
120 CHAPITRE 6. MODÈLE DE BÜHLMANN
Chapitre 7

Modèle de Bühlmann-Straub

Le modèle de Bühlmann–Straub est une généralisation du modèle de Bühlmann tenant compte de l’expo-
sition au risque des contrats. Ceci est particulièrement important dans les situations où la taille des contrats
varie beaucoup.
Par exemple, en accidents de travail, l’exposition au risque d’une entreprise de 1000 employés est beau-
coup plus grande que celle d’une autre ne comptant que 10 employés. Toutes autres choses étant égales
par ailleurs, l’expérience de la plus grande entreprise devrait se montrer plus stable dans le temps et, par
conséquent, se mériter une plus grande crédibilité dans un système de tarification basée sur l’expérience.
Or, avec le modèle de Bühlmann qui octroie la crédibilité uniquement sur la base du nombre d’années
d’expérience, on attribue la même crédibilité aux deux entreprises, même si leur taille diffère grandement.

121
122 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

TABLE 7.1.1 – Représentation schématique des variables aléatoires dans le modèle de Bühlmann-Straub

Variables non Observations Poids


observables 1 ... t ... n 1 ... t ... n
Θ1 X11 ... X1t ... X1n w11 ... w1t ... w1n
.. .. .. .. ..
. . . . .
Θi Xi1 ... Xit ... Xin wi1 ... wit ... win
.. .. .. .. ..
. . . . .
ΘI XI1 ... XIt ... XIn wI1 ... wIt ... wIn

7.1 Modèle et prévision

Dans la forme la plus générale du modèle de Bühlmann–Straub, on associe un poids wit à chaque donnée,
qui sera maintenant notée Xit . La représentation schématique du portefeuille de données se trouve au ta-
bleau 7.1.1.
7.1. MODÈLE ET PRÉVISION 123

Afin de réfléter le fait que l’expérience d’un contrat avec une grande exposition au risque sera plus stable
dans le temps que celle dont l’exposition au risque est plus réduite, nous devons modifier l’hypothèse de
variances conditionnelles identiques du modèle de Bühlmann. Les hypothèses du modèle de Bühlmann–
Straub sont les suivantes.
(BS1) Les contrats (Θi , X i ), i = 1, . . . , I sont indépendants, les variables aléatoires Θ1 , . . . , ΘI sont iden-
tiquement distribuées et les variables aléatoires Xit ont une variance finie.
(BS2) Les variables aléatoires Xit , sont telles que
E[Xit |Θi ] = µ(Θi ) i = 1, . . . , I
σ 2 (Θi )
Cov(Xit , Xiu |Θi ) = δtu , t, u = 1, . . . , n.
wit
Exemple 7.1.1. Supposons que nous évaluons 2 groupes d’assurées en assurance collective. Le groupe A
contient 3 polices ayant une hétérogénéité θA , et le groupe B contient 2 polices avec hétérogénéité θB .
On veut estimer les primes de crédibilité de chaque groupe. Trouver l’espérance et la variance de chaque
groupe de polices.
Démonstration: À faire en classe
124 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

Idée : Les poids représentent une base qui permet de pouvoir comparer l’expérience de sinistres de différents
contrats afin qu’ils soient du même ordre de grandeur. Dans notre exemple, puisqu’il y avait 3 polices dans
le groupe A, il est normal de s’attendre à ce qu’il ait plus de réclamations que dans le groupe B qui n’en
contenait que 2. Pour la même raison, l’expérience moyenne du groupe A devrait s’avérer plus stable que
celle du groupe B.

Note : Les groupes de polices (qui peuvent être vues comme des contrats d’assurance) méritent donc de se
voir accorder une crédibilité correspondant à leur risque, ce qui justifie que chaque contrat ait son propre
coefficient de crédibilité z.
7.1. MODÈLE ET PRÉVISION 125

7.1.1 Notation et relations de covariance

Avec l’introduction des poids dans notre modèle, nous devrons dorénavant calculer des moyennes pondérées
plutôt que des moyennes arithmétiques. Nous aurons recours à la notation suivante :
n n
X wit X
Xiw = Xit wiΣ = wit
t=1
w iΣ
t=1
I I X n I n
I X
X wi Σ X wit X X
Xww = Xiw = Xit wΣΣ = wiΣ = wit
i=1
w ΣΣ
i=1 t=1
w ΣΣ
i=1 i=1 t=1
126 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

Le théorème suivant établit des relations de covariance analogues à celles du théorème 6.1.3 pour le modèle
de Bühlmann–Straub. Ces relations sont nécessaires pour calculer la meilleure prévision de la prime de
risque ainsi que l’espérance des estimateurs des paramètres de structure.
Théorème 7.1.2. Soit Xit , i = 1, . . . I, t = 1, . . . , n des variables aléatoires satisfaisant les hypothèses
(BS1) et (BS2) ci-dessus. Alors,
s2
 
Cov(Xit , Xku ) = δik a + δtu
wit
Cov(µ(Θi ), Xku ) = δik a
s2
 
Cov(Xit , Xiw ) = δik a + .
wiΣ
Démonstration: À faire en classe
7.1. MODÈLE ET PRÉVISION 127

7.1.2 Meilleure prévision linéaire

Tout comme dans le modèle de Bühlmann, nous recherchons la meilleure approximation linéaire de la prime
de risque d’un contrat.
Théorème 7.1.3. Pour un portefeuille tel qu’illustré précédemment et sous les hypothèses (BS1) et (BS2),
la meilleure approximation linéaire non homogène de la prime de risque µ(Θi ) — ou de Xi,n+1 — est
BS
πi,n+1 = zi Xiw + (1 − zi )m (7.1.1)
où
wiΣ s2
zi = , K= . (7.1.2)
wiΣ + K a
Démonstration: À faire en classe
128 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

7.2 Approche paramétrique

Certaines distributions permettent une application paramétrique du modèle de Bühlmann-Straub. Pour ce


faire, on doit entre autres avoir une variance conditionnelle qui n’est pas constante dans le temps, afin de
respecter l’hypothèse (BS2).
Le modèle Nit |Θi = θi ∼ P oisson(λit θi ) avec Θi ∼ Gamma(α, α) en est un exemple.
En effet, V ar[Nit |Θi = θi ] = λit θi n’est pas constante dans le temps, et on peut modéliser cette distribution
avec le modèle de Bühlmann-Straub, alors que ce n’est pas possible de le faire avec le modèle de Bühlmann.
Exemple 7.2.1. Monter que Nit |Θi = θi ∼ P oisson(λit θi ) avec Θi ∼ Gamma(α, α) se modélise à l’aide
BS
du modèle de Bühlmann-Straub en calculant πi,n+1 .
Démonstration: À faire en classe
7.2. APPROCHE PARAMÉTRIQUE 129

Exemple 7.2.2. On suppose Nit |Θi = θi ∼ P oisson(λit θi ), avec Θi ∼ Gamma(α = 1.2, α = 1.2). Deux
assurés ont eu les primes a priori et l’expérience de sinistres suivantes :
Assuré 1 Assuré 2
Années Prime a priori Sinistres réclamés Prime a priori Sinistres réclamés
1 0.150 0 0.275 0
2 0.175 1 0.350 1
3 0.250 0 0.350 0
4 0.250 4 0.200 4
5 0.100 0 0.222 0
6 0.122 1 0.230 1
7 0.200 ? 0.200 ?
Déterminez le coefficient de crédibilité z accordé à l’expérience de l’assuré 1 et 2, ainsi que la prime à
accorder aux assurés 1 et 2 s’ils ont tous les deux le même profil à l’année 8.
Démonstration: À faire en classe
130 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

7.3 Approche non paramétrique

Si on ne souhaite pas poser d’hypothèses concernant les distributions de Sit |Θi = θ et de Θ, on peut
procéder de manière non paramétrique afin de trouver un estimateur de la prime de crédibilité pour le
modèle de Bühlmann-Straub.
Comme dans le modèle de Bühlmann, le calcul d’un estimateur de la prime de crédibilité requiert d’estimer
les paramètres de structure, soit la prime collective m, la variance intra s2 et la variance inter a.
7.3. APPROCHE NON PARAMÉTRIQUE 131

7.3.1 Estimation de la prime collective

Un estimateur intuitif de la prime collective m est


I
X wi Σ
m̂ = Xww = Xiw .
i=1
w ΣΣ

Cet estimateur est sans biais.

7.3.2 Estimation de la variance intra

Par une généralisation directe de l’estimateur obtenu dans le modèle de Bühlmann, nous obtenons un esti-
mateur sans biais de la variance intra s2 :
I n
2 1 XX
ŝ = wit (Xit − Xiw )2 . (7.3.1)
I(n − 1) i=1 t=1
132 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

7.3.3 Estimation de la variance inter

Un estimateur sans biais de la variance inter a est


I
!
wΣΣ X
â = I
wiΣ (Xiw − Xww )2 − (I − 1)ŝ2 . (7.3.2)
2
2 −
P
wΣΣ i=1 wiΣ i=1
Cet estimateur peut être négatif. La version tronquée à 0
â0 = max(â, 0),
est biaisée.
Exemple 7.3.1. On demande de calculer les primes pour la 4ième année des deux contrats dont l’expérience
est décrite dans le tableau suivant :
Années
Société i Statistique 1 2 3 4
1 Montant des sinistres 8000 11000 15000 .
Taille du groupe 40 50 70 75
2 Montant des sinistres 20000 24000 19000 .
Taille du groupe 100 120 115 95
Démonstration: À faire en classe
7.3. APPROCHE NON PARAMÉTRIQUE 133

7.3.4 Données manquantes

Que fait-on dans le cas de donnée qui ne sont pas balancées, i.e. lorsque le nombre d’années d’expérience
de chaque individu n’est pas le même ?
Dans l’application du modèle de Bühlmann–Straub en pratique, il arrive fréquemment que le nombre d’ob-
servations ne soit pas le même pour tous les contrats. Les données et les poids sont alors disponibles pour
i = 1, . . . , I et t = 1, . . . , ni (en supposant les données contiguës). On aura donc, par exemple,
ni
X
wiΣ = wit
t=1

ou
ni
X wit
Xiw = Xit .
t=1
w i Σ

La seule formule affectée par ce changement est celle de l’estimateur de la variance inter, ŝ2 : (7.3.1) devient
I X
n
2 1 X
ŝ = PI wit (Xit − Xiw )2 . (7.3.3)
i=1 (ni − 1) i=1 t=1
134 CHAPITRE 7. MODÈLE DE BÜHLMANN-STRAUB

Exemple 7.3.2. On demande de calculer les primes pour l’année n + 1 des deux flottes de véhicules dont
l’expérience est décrite dans le tableau suivant :
Années
Société i Statistique n n−1 n−2 n−3
1 Nombre de sinistres 3 2 2 0
Nombre de voitures 2 2 2 1
2 Nombre de sinistres 2 1 0 .
Nombre de voitures 4 3 2 .

Démonstration: À faire en classe


Chapitre 8

Introduction aux systèmes de Bonus-Malus

8.1 Contexte

Problème : La théorie de la crédibilité est souvent réservée à des domaines d’assurance particuliers en
raison de sa haute technicité et de la difficulté d’un formalisme contractuel.

Assurance automobile : Les compagnies ont adopté un système de tarification a posteriori connu sous le
nom de Bonus-Malus en Europe.

Fonction : Répartir équitablement les coûts entre les bons et les mauvais conducteurs.

135
136 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

8.1.1 Objectifs des Bonus-Malus

L’instauration d’un système bonus-malus poursuit essentiellement trois buts :


1. Les assurés ont intérêts à prendre autant de précautions nécessaires que possible au volant pour ne pas
voir leur prime augmenter ;
2. Ajustement du montant de la prime afin de réfléter le risque réel ;
3. Ajuster les revenus de l’assureur afin de répondre aux frais supplémentaires occasionnées par les mau-
vais conducteurs,
Note : Les pénalités induites par des sytèmes Bonus-Malus dépendent exclusivement du nombre de réclamations
(les coûts des réclamations ne sont pas considérés). Il peut avancer quelques raisons :
1. Les sinistres graves prennent beaucoup de temps à être réglés : le renouvellement de la prime est
souvent échu depuis longtemps lorsque le coût est connu !
2. Les montants payés dépendent peut-être trop du hasard.
Remarque : Le fait de ne considérer que le nombre et non le cout des réclamations produit un phénomène
appelé soif du Bonus, où les assurés ne déclarent pas tous leurs sinistres car l’augmentation de la prime sera
plus élevée que l’indemnité.

Avantage : Les petits sinistres sont moins déclarés et engorgent moins l’assureur (couts de gestion).
8.1. CONTEXTE 137

Note : Nous pouvons voir les systèmes Bonus-Malus comme la version commerciale des modèles de
crédibilité !

En effet, si nous reprenons le cas Poisson-Gamma (BN2), nous avions vu que la prime future s’exprime
comme :

PT
α+ st
PT +1 = λT +1 PTt
α+ t λt
Ainsi, afin de calculer cette prime, le système informatique de la compagnie devrait :
1. Garder en mémoire les primes a priori (λit ) de l’assuré pour toutes ses années d’expérience ;
2. ou, être capable de régénérer ces λit à partir des informations passées de l’assuré... A chaque change-
ment de compagnies d’assurance :
— Informations toutes vos adresses précédentes ;
— Anciennes voitures ;
— Anciennes utilisations...
— Réclamations passées ;
— etc.
Les systèmes bonus-malus facilitent le calcul de la prime future !
138 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

8.2 Exemples de Bonus-Malus

Les systèmes bonus-malus sont très populaires en Europe :

8.2.1 Système français

Idée générale :
1. La prime est réduite en cas d’absence de sinistre (un pourcentage fixé) ;
2. Une pénalité multiplicative est appliquée par sinistre déclaré.
Notation : On désigne comme un bonus de 25% une prime qui subit une réduction de 25% (donc 0.75 fois
la prime a priori) et un malus de 30% une prime qui subira une augmentation de 30%.

Fonctionnement général :
1. Si l’assuré ne réclame pas de sinistre dans l’année, sa prime se verra multipliée par 0.95 ;
2. Si l’assuré déclare un sinistre, sa prime est multipliée par 1.25 par sinistre ;
3. Le coefficient ne peut être inférieur à 0.50 ;
4. Le coefficient ne peut être supérieur à 3.50 ;
5. Aucun sinistre en 24 mois ne peut générer de malus.
8.2. EXEMPLES DE BONUS-MALUS 139

8.2.2 Système belge (ou européen)

Idée générale :
1. Système à classes comptant un certain nombre de niveaux ;
2. Illustration du système :
Niveau Prime Prime relative
s bs = rs × BP rs
... ... ...
... ... ...
... ... ...
... ... ...
l bl = rl × BP rl
... ... ...
... ... ...
... ... ...
... ... ...
0 b0 = r0 × BP r0
3. Le niveau 0 est celui avec la plus grande ristourne et s le niveau avec pénalité maximale.
4. A chaque échelon est associé un pourcentage ;
140 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

5. Un degré d’échelle est décerné aux nouveaux assurés ;


6. Un réajustement à la hausse s’effectue pour chaque réclamation ;
7. Un réajustement à la baisse s’effectue pour chaque année sans réclamation ;

Système québécois

Idée générale : Les conducteurs sont classés par dossiers. Exemple (ce n’est pas la même chose pour tous
les assureurs au Québec) :
1. Dossier #6 :
— Le conducteur a un permis depuis au moins 6 ans ;
— Aucun accident responsable depuis 6 ans ;
— Aucune infraction au code criminel au cours de 3 dernières années ;
— Maximum de 2 infractions au Code de la sécurité routière au cours des 3 dernières années ;
— Aucun jeune conducteur masculin occasionnel sur la police.
2. Dossier #5 :
— Le conducteur a un permis depuis au moins 5 ans ;
— Maximum de un accident responsable au cours des 5 dernières années ;
— Aucune infraction au code criminel au cours de 3 dernières années ;
— Maximum de 2 infractions au Code de la sécurité routière au cours des 3 dernières années ;
3. Dossier #4 :
8.2. EXEMPLES DE BONUS-MALUS 141

— Le conducteur a un permis depuis au moins 4 ans ;


— Maximum de un accident responsable au cours des 4 dernières années ;
— Aucune infraction au code criminel au cours de 3 dernières années ;
4. Dossier #3 :
— Le conducteur a un permis depuis au moins 3 ans ;
— Aucun accident responsable depuis 3 ans ;
5. etc.

Note : Malheureusement, dans le système québécois tout semble être un peu mélangé. En effet, des critères
a priori viennent s’introduire dans la tarification a posteriori (nombre d’infraction, code criminel, jeune
conducteur, expérience du conducteur, etc.).

Bon côté : Il reste beaucoup de travail à faire pour de jeunes actuaires !

Conclusion

Nous voyons qu’il est plus simple pour les assurés de s’identifier à une classe, un bonus ou un malus ou
encore à un dossier de réclamations que de constamment calculer sa prime bayésienne...

Objectif du chapitre : L’objectif du chapitre est d’apprendre à calibrer un système bonus-malus.


142 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

8.2.3 Modèles de Bonus-Malus

Exemple 8.2.1. (Échelle -1/Top)


— Le système a 6 niveaux numérotés de 0 à 5 ;
— Les assurés sont classés en utilisant leur nombre d’années sans sinistre ;
— Si une réclamation est ajoutée au dossier, toutes les réductions de primes sont perdues ;
— Un nouvel assuré débute au niveau le plus élevé (5) (un niveau plus élevé indique une prime plus
haute)

Démonstration: À faire en classe

Exemple 8.2.2. (Échelle -1/+2)


— Le système a 6 niveaux numérotés de 0 à 5 ;
— Un nouvel assuré débute au niveau 5 ;
— Si aucune réclamation, l’assuré baisse de un niveau ;
— A chaque réclamation, l’assuré grimpe de 2 niveaux.

Démonstration: À faire en classe


8.2. EXEMPLES DE BONUS-MALUS 143

Trajectoire

— Notons Lt le niveau occupé par l’assuré au cours de la période (t, t + 1) ;


— Les nouveaux assurés débutent au niveau `0 ;
— Chaque sinistre est pénalisé par une montée de ω échelons ;
— Chaque année sans réclamation est récompensée par une baisse de un niveau.
Ainsi :
(
max{Lt − 1; 0} si Nt = 0
Lt+1 = ,
min{Lt + Nt × ω; s} si Nt > 0
(afin de ne pas être plus bas que le niveau minimal 0 ou plus haut que le niveau maximal s)
Note sur l’algébre linéaire et vectoriel : Voir le document sur mon site web.
1. Règle de multiplication de matrice ;
2. Règle d’addition de matrice ;
3. Règle d’inversion de matrice.

Transition

Contexte : La probabilité de se déplacer d’un niveau à un autre dépend du nombre de réclamations dans
l’année.
144 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

Plus formellement, nous pouvons utiliser la notation suivante :

Si k sinistres sont rapportés à l’assureur :

(
1 si la police passe du niveau i au niveau j
tij (k) = ,
0 sinon
Ainsi, on peut donc utiliser une notation matricielle pour les transitions :

 
t00 (k) t01 (k) ... t0s (k)
 t10 (k) t11 (k) ... t1s (k) 
T (k) = 
 ...

... ... ... 
ts0 (k) ts1 (k) ... tss (k)
Note : Afin d’être cohérente, la matrice T n’a qu’une seule valeur 1 par ligne.
Exemple 8.2.3. (Échelle -1/Top) Dans ce cas, nous aurions :
Démonstration: À faire en classe
8.2. EXEMPLES DE BONUS-MALUS 145

Exemple 8.2.4. (Échelle -1/+2) Dans ce cas, nous aurions :

 
1 0 0 0 0 0

 1 0 0 0 0 0 

 0 1 0 0 0 0 
T (0) =  

 0 0 1 0 0 0 

 0 0 0 1 0 0 
0 0 0 0 1 0

 
0 0 1 0 0 0

 0 0 0 1 0 0 

 0 0 0 0 1 0 
T (1) =  

 0 0 0 0 0 1 

 0 0 0 0 0 1 
0 0 0 0 0 1
146 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

 
0 0 0 0 1 0

 0 0 0 0 0 1 

 0 0 0 0 0 1 
T (2) =  

 0 0 0 0 0 1 

 0 0 0 0 0 1 
0 0 0 0 0 1
 
0 0 0 0 0 1

 0 0 0 0 0 1 

 0 0 0 0 0 1 
T (3) =  

 0 0 0 0 0 1 

 0 0 0 0 0 1 
0 0 0 0 0 1
avec T (k) = T (3) pour k ≥ 3

Probabilités de transition

Supposons que le nombre de réclamation est gouverné par une loi de Poisson de paramètre ψ.

Notons ainsi :
8.2. EXEMPLES DE BONUS-MALUS 147

— Lt (ψ) : la trajectoire d’un assuré (en mettant l’emphase sur le fait que cela dépend de la loi de
Poisson(ψ)) ;
— p`1 `2 (ψ) la probabilité de passer du niveau `1 au niveau `2 (pour un assuré avec fréquence moyenne ψ).
Donc :

p`1 `2 (ψ) = Pr[Lt+1 (ψ) = `2 |Lt = `1 ]


avec `1 , `2 ∈ {0, 1, 2, ...s}. Certaines propriétés :
—P p`1 `2 (ψ) ≥ 0 pour tous les `1 , `2 ;
— s`2 =0 p`1 `2 (ψ) = 1.
— Le nombre de réclamations au temps t + 1 est indépendant du niveau Lt (ψ) dans l’échelle bonus-
malus :

ψ n exp(−ψ)
Pr[Nt+1 = n|Lt+1 (ψ) = `] = Pr[Nt+1 = n] =
n!
— On peut exprimer p`1 `2 (ψ) en fonction de tij (k) :
Démonstration: À faire en classe

— Seul l’emplacement actuel est utilisé pour déterminer les probabilité d’emplacement futures (on se
fout de la trajectoire qui nous a permis de nous rendre au niveau actuel) :
148 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

Pr[LT (ψ) = `T |L0 (ψ) = `0 , L1 (ψ) = `1 , ..., LT −1 (ψ) = `T −1 ] = Pr[LT (ψ) = `T |LT −1 (ψ) = `T −1 ]
(propriété markovienne)
— On peut exprimer n’importe quelle trajectoire en fonction de p`1 `2 (ψ) :
Démonstration: À faire en classe

Matrice de transition

Evidemment, lesp`0 `1 (ψ) peuvent s’exprimer dans une matrice de transition :


 
p00 (ψ) p01 (ψ) ... p0s (ψ)
 p10 (ψ) p11 (ψ) ... p1s (ψ) 
P (ψ) = 
 ...

... ... ... 
ps0 (ψ) ps1 (ψ) ... pss (ψ)
Ainsi, lorsque les N sont Poisson, nous pouvons exprimer P (ψ) comme :


X ψ n exp(−ψ)
P (ψ) = T (n)
n=0
n!
8.2. EXEMPLES DE BONUS-MALUS 149

Note : Même si cette notation est un peu lourde, elle permet malgré tout d’exprimer la matrice de transition
pour un nombre de réclamation n’étant pas Poissonnien :


X
P (ψ) = Pr(N = n)T (n)
n=0
X∞
= Pr(Binomiale = n)T (n)
n=0
X∞
= Pr(Binomiale Négative = n)T (n)
n=0
= etc.

Exemple 8.2.5. (Échelle -1/Top) Puisqu’il n’y a que deux matrices T :


Démonstration: À faire en classe

Exemple 8.2.6. (Échelle -1/+2) Dans ce cas, nous aurions :


Démonstration: À faire en classe
150 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

Probabilités de transition sur plusieurs étapes

Notons

(K)
p`1 `2 (ψ) = Pr[Lt+K (ψ) = `2 |Lt = `1 ]
la probabilité qu’un assuré se retrouve dans le niveau `1 au temps t + K s’il était au niveau `1 au temps t.

Concrètement, cela évalue la vraisemblance qu’un assuré soit transféré du niveau `1 au niveau `2 .

On donc exprimer :

(K) (K) (K)


 
p00 (ψ) p01 (ψ) ... p0s (ψ)
(K) (K) (K)
p10 (ψ) p11 (ψ) ... p1s (ψ)
 
(K)
P (ψ) = 
 

 ... ... ... ... 
(K) (K) (K)
ps0 (ψ) ps1 (ψ) ... pss (ψ)
Théorème 8.2.7. Pour tous M, K = 0, 1, ... :

P (K) (ψ) = P K (ψ)


8.2. EXEMPLES DE BONUS-MALUS 151

et donc

P (K+M ) (ψ) = P (K) (ψ)P (M ) (ψ)

Démonstration: À faire en classe

Proposition 8.2.8. Le vecteur :

 
Pr[LK (ψ) = 0]
 Pr[LK (ψ) = 1] 
p(K) (ψ) =  
 ... 
Pr[LK (ψ) = s]

représente toutes les probabilités qu’un assuré se retrouve dans l’un ou l’autre des niveaux.

Cette notation est utile pour la codification au temps K = 0 puisque les nouveaux assurés sont toujours
placés dans une case pré-définie.

Note : Ainsi, nous avons la relation suivante :


152 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

p(K+M ) (ψ) = [P M (ψ)]T p(K) (ψ)


| {z }
transposée de P M (ψ)

Exemple 8.2.9. (Échelle -1/Top) Trouver P 2 (ψ) si ψ = 0.1.


Démonstration: À faire en classe

Analyse des résultats :


— P 2 (ψ) au point (0, 0) : Débute en 0, la seule manière est de n’avoir aucun sinistre à chaque année :

0.819 = |0.905
{z } × 0.905
| {z }
1ere année = 0 sinistre 2e année = 0 sinistre

— P 2 (ψ) au point (0, 5) : Débute en 0, deux manières, un sinistre à chaque année :

0.095
| {z } × 0.095
| {z } = 0.009025
1ere année = 1 sinistre 2e année = 1 sinistre
ou, aucun sinistre la 1ere année et un sinistre la 2e :

0.905
| {z } × 0.095
| {z } = 0.085975
1ere année = 0 sinistre 2e année = 1 sinistre
8.2. EXEMPLES DE BONUS-MALUS 153

et donc :

0.095 = 0.009025 + 0.085975

Exemple 8.2.10. ( Échelle -1/Top, avec ψ = 0.1) Si un nouvel assuré (t=0) est placé au niveau 3, quelles
sont ses probabilités de se retrouver aux différents niveaux après 2 périodes d’assurance ?

Démonstration: À faire en classe

Comportement à long terme

Une question naturelle à se poser revient à se demander ce que serait le comportement à long terme de la
distribution des assurés dans les niveaux du bonus-malus.

Exemple 8.2.11. (Échelle -1/Top) Après 5 multiplications, nous trouvons la matrice de convergence de ce
système si ψ = 0.1.
154 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

 
0.607 0.0638 0.070 0.0779 0.0860 0.095

 0.607 0.0638 0.070 0.0779 0.0860 0.095 

0.607 0.0638 0.070 0.0779 0.0860 0.095
P (5) (ψ) = P 5 (ψ) = 
 


 0.607 0.0638 0.070 0.0779 0.0860 0.095 

 0.607 0.0638 0.070 0.0779 0.0860 0.095 
0.607 0.0638 0.070 0.0779 0.0860 0.095

Pour notation, limK→∞ P (K) (ψ) = Π(ψ).

Dans certaines situations, la matrice converge beaucoup plus lentement...


Théorème 8.2.12. La matrice solutionnant :
π T (ψ)
 
 π T (ψ) 
lim P (K) (ψ) = Π(ψ) =  
K→∞  ... 
π T (ψ)
se calcule comme :

π T (ψ) = eT (I − P (ψ) + E)−1


8.2. EXEMPLES DE BONUS-MALUS 155

où E est une matrice (s + 1) × (s + 1) remplie de 1, et e un vecteur 1 × (s + 1) rempli de 1.

Démonstration. La preuve est en dehors de ce cours

Exemple 8.2.13. (Échelle -1/Top) Avec la formule précédente, trouvez la matrice de convergence de P (ψ =
0.1) :
156 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

I − P (ψ) + E =
1 − exp(−ψ)
   
1 0 0 0 0 0 exp(−ψ) 0 0 0 0
0 1 0 0 0 0

 
  exp(−ψ) 0 0 0 0 1 − exp(−ψ) 

0 0 1 0 0 0

 
− 0 exp(−ψ) 0 0 0 1 − exp(−ψ) 

0 0 0 1 0 0

 
  0 0 exp(−ψ) 0 0 1 − exp(−ψ) 

0 0 0 0 1 0   0 0 0 exp(−ψ) 0 1 − exp(−ψ) 
0 0 0 0 0 1 0 0 0 0 exp(−ψ) 1 − exp(−ψ)
 
1 1 1 1 1 1
1 1 1 1 1 1 
 
1 1 1 1 1 1 
+1 1 1 1 1

 1 

1 1 1 1 1 1 
1 1 1 1 1 1
 
1.095 1 1 1 1 0.905
 0.095 2 1 1 1 0.905 
 
 1 0.095 2 1 1 0.905 
= 1

 1 0.095 2 1 0.905 

 1 1 1 0.095 2 0.905 
1 1 1 1 0.095 0.905
8.2. EXEMPLES DE BONUS-MALUS 157

eT (I − P (ψ) + E)−1
2.31 −0.68 −0.57 −0.44 −0.30 −0.15
 
 1.31 0.32 −0.57 −0.44 −0.30 −0.15 
 
 0.40 0.22 0.43 −0.44 −0.30 −0.15 
= (1, 1, 1, 1, 1, 1) × 
 −0.42 0.14 0.34 0.56 −0.30 −0.15


 
 −1.16 0.06 0.25 0.46 0.70 −0.15 
−1.82 −0.01 0.18 0.38 0.61 0.85

= 0.607 0.0638 0.070 0.0779 0.0860 0.095

8.2.4 Exemple introductif de calibration

Reprenons un exemple typique du bon ou mauvais conducteur. Ainsi :


— Nt est le nombre de sinistres réclamés par un assuré pour l’année t ;
— Il existe deux types de risques au sein de la population : ρ de bons conducteurs et (1-ρ) des mauvais ;
— On ne sait pas à quelle catégorie appartient notre assuré.
— Les deux profils sont différents :
158 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

(λθ1 )k
Profil 1 : Pr[Nt = k|θ1 ] = exp(−λθ1 )
k!
(λθ2 )k
Profil 2 : Pr[Nt = k|θ2 ] = exp(−λθ2 )
k!
avec θ1 ≤ θ2 .
— Ainsi, la moyenne de réclamation est de λθ1 pour les bons conducteurs et λθ1 pour les mauvais.
— On suppose un système Bonus-Malus à trois niveaux notés 0,1 et 2.
— Les nouveaux assurés entrent dans le niveau 1.
— Chaque année sans sinistre est récompensée par une descente de un niveau ;
— Chaque sinistre est pénalisé par une remontée d’un niveau.
Ainsi :
Démonstration: À faire en classe

Exemple 8.2.14. Supposons :


— λ = 10% ;
— θ1 = 0.5 ;
— θ2 = 1.5 ;
— ρ = 0.50.
8.2. EXEMPLES DE BONUS-MALUS 159

Calculez l’évolution de la répartition des assurés dans l’échelle (en pourcentage)


Démonstration: À faire en classe

Question : Quelle est la probabilité qu’un assuré qui occupe le niveau ` une fois le système stabilisé soit
un bon conducteur ?

Pr[L = `|θ1 ] Pr[Θ = θ1 ]


Pr[Θ = θ1 |L = `] =
Pr[L = `|θ1 ] Pr[Θ = θ1 ] + Pr[L = `|θ2 ] Pr[Θ = θ2 ]
Exemple 8.2.15. A l’aide de l’exemple précédent, trouvez les probabilités qu’un conducteur soit bon ou
mauvais selon la classe où il se trouve.
Démonstration: À faire en classe

Interprétation intuitive de l’exemple introductif :


— A priori, il y a 50 pourcents de bons et 50 pourcents de mauvais conducteurs. Ainsi (en supposant des
sinistres de 1 dollar), la prime a priori pourrait se calculer comme :
Démonstration: À faire en classe
160 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

— A posteriori, cette prime passe à


Démonstration: À faire en classe

Cet exemple permet de comprendre ce qu’est un système bonus-malus. Au lieu d’exprimer la mise-à-jour
de θ de manière complètement numérique, elle est établie selon les structures du bonus-malus.

Dans l’exemple numérique, nous aurions :

E[Θ|L = 0] = 0.9679
E[Θ|L = 1] = 1.2352
E[Θ|L = 2] = 1.3956
Ce qui correspondrait aux valeurs de ce système bonus malus.
— Le premier niveau donne une ristourne de 3.2%
— Les autres niveaux, des pénalités de 23.5% et 40%.
8.2. EXEMPLES DE BONUS-MALUS 161

8.2.5 Estimation des relativités

Notons r` les relativités associées au niveau `.

Ainsi, nous avons déterminé que

r` = E[Θ|L = `]
En développant, nous voyons :
Démonstration: À faire en classe

Ainsi, dans le cas où nous avons une infinité de profils de risque (ex : θ ∼ Gamma) :

R
θπ(λθ)g(θ)dθ
r` = Rθ>0
θ>0 π(λθ)g(θ)dθ

Il faut donc d’intégrer une matrice... se qui se fait en utilisant une approche numérique.
162 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

Exemple 8.2.16. En utilisant les données de l’exemple précédent, utilisez l’équation des relativités r` pour
calculer les relativités des bonus-malus.

Démonstration: À faire en classe

Dans un contexte de distribution continue pour Θ, où il existe une infinité de conducteurs, nous pouvons
donc nous imaginer un tableau des distributions stationnaires suivant, étant poussé de plus en plus vers
l’infini :
8.2. EXEMPLES DE BONUS-MALUS 163

θ Niveau (`) π ` (λθi )


0.00001 0 97.77
1 2.20
2 0.03
0.00002 0 97.75
1 2.21
2 0.04
0.00003 0 97.74
1 2.21
2 0.05
0.00004 0 97.72
1 2.23
2 0.05
... ... ...
10 000 0 0.00
1 0.00
2 100.00
Exemple 8.2.17 (Application sur une base de données réelles). Caractéristiques du portefeuille d’assu-
rance :
— Assurance responsabilité-civile en automobile ;
164 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

— Données belges ;
— Année 1997 ;
— 14,505 polices d’assurance observées ;
— Fréquence annuelle de sinistres observées : 14.6% ;
— Système Bonus-Malus -1/Top.
Tarification a priori :
— Poisson-Gamma (BN2) ;
— λ = 0.1474 ;
— α = 0.889.
Résultats :
Niveau Pr[L = `] r`
5 12.8% 197.3%
4 9.7% 170.9%
3 7.7% 150.7%
2 6.2% 134.8%
1 5.2% 122.0%
0 58.5% 54.7%
Remarques sur les résultats :
— 58.5% sont dans l’échelle la plus basse, qui donne un rabais de 45% ;
— La majoration maximale est de 97.3% !
8.2. EXEMPLES DE BONUS-MALUS 165

Utilisation de la classification a priori

Contexte : Comme nous l’avons vu, en pratique, nous avons plusieurs λi déterminés par une tarification a
priori.
Exemple 8.2.18. La tarification a priori utilise les caractéristique du risque pour modéliser la prime. Nous
pourrions donc avoir une tarification a priori ressemblant à :
Caractéristiques
Âge Sexe Etat civil Prime a priori (fréquence)
16-25 M Célibataire 0.500
16-25 M Marié 0.400
16-25 F Célibataire 0.300
16-25 F Marié 0.250
> 25 M Célibataire 0.300
>25 M Marié 0.200
>25 F Célibataire 0.250
>25 F Marié 0.150
Question : Comment incorporez ces informations dans un système Bonus-Malus ?

Solution : Procédez comme dans l’exemple introductif de calibration, i.e. déterminez un système Bonus-
Malus pour chaque classe de risque et choisir un système Bonus-Malus global en pondérant tous les Bonus-
166 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

Malus individuels par la proportion de chaque classe de risque dans le portefeuille.


Ainsi, nous aurions obtenu :

P R
w k θπ (λ θ)u(θ)dθ
r` = Pk Rθ>0 ` k
k wk θ>0 π ` (λk θ)u(θ)dθ

où les wk représentent la proportion de la classe de risque dans le portefeuille, comme :

Caractéristiques
Âge Sexe Etat civil Prime a priori (fréquence) Proportion (wk )
16-25 M Célibataire 0.500 0.13
16-25 M Marié 0.400 0.005
16-25 F Célibataire 0.300 0.060
16-25 F Marié 0.250 0.005
>25 M Célibataire 0.300 0.1
>25 M Marié 0.200 0.3
>25 F Célibataire 0.250 0.1
>25 F Marié 0.150 0.3

Il est important de bien comprendre l’équation :


8.2. EXEMPLES DE BONUS-MALUS 167

P R
w k θ>0 θπ ` (λk θ)g(θ)dθ
r` = Pk R
k w k θ>0 π ` (λk θ)g(θ)dθ
R
X θπ ` (λk θ)g(θ)dθ
6= wk Rθ>0
θ>0 π ` (λk θ)g(θ)dθ
|k {z }
qui représente la pondération de chacune des échelles bonus-malus individuelles.

Interactions entre le a priori et les systèmes Bonus-Malus

Contexte : Les systèmes bonus-malus accordent les mêmes pénalités peu importe l’historique de primes a
priori.
Problème : Analyse sous l’angle d’un modèle BN2. Observations :
— On s’attend à ce que de grandes primes a priori λt génèrent davantage de réclamations que de petites
λt ;
— Comme vu dans le modèle de Bühlmann-Straub par exemple, les réclamations passées sont ajustées
pour tenir compte des λt :

PT
α+ st
PT +1 = λT +1 PTt
α+ t λt
168 CHAPITRE 8. INTRODUCTION AUX SYSTÈMES DE BONUS-MALUS

— Dans un système bonus-malus, tous les assurés ont les mêmes pénalités peu importe leurs λt ;
— Les assurés avec des primes a priori élevées sont donc pénalisés trop fortement ! Ils sont donc pénalisés
doublement : par la tarification a priori et aussi par la tarification a posteriori !
Exemple 8.2.19 (Application sur une base de données réelles). Dochotomie en fonction de ville/campagne.
— Les assurés en ville ont une plus grande fréquence de sinistre espérée que ceux en campagne ;
— Système Bonus-Malus -1/+2.
Résultats :
Niveau Rural : r` Urbain : r`
5 280.4% 267.2%
4 226.4% 214.3%
3 200.8% 187.9%
2 144.4% 135.3%
1 134.3% 124.9%
0 71.3% 66.6%
Remarques sur les résultats :
— Le rabais maximal des urbains est plus grand que celui des ruraux : il est plus difficile d’atteindre le ni-
veau 0 pour un urbain que pour un rural...(note : le rabais est plus grand, ce n’est pas nécessairement
la prime qui est plus petite !) ;
— La pénalité maximale des ruraux est plus grande que celui des urbains.
8.2. EXEMPLES DE BONUS-MALUS 169

Remarque sur la calibration des relativités des systèmes Bonus-Malus

Les équation des r` ne peuvent pas être calculées de manières analytiques pour les systèmes de tarification
et de Bonus-Malus complexes.

Des méthodes d’évaluations numériques sont nécessaires pour utiliser les équations en r` ...

Ainsi, pour le cours, ces équations sont à titre indicatif. Pour une application future au domaine pratique,
vous devrez programmer vous-mêmes ces méthodes (ou demander à des consultants de faire la tâche !)

Vous aimerez peut-être aussi