Application de La Logique Floue À L'évaluation Des Risques Et À La Prise de Décisions

Application de la logique floue à l’évaluation
des risques et à la prise de décisions
Commandité par
CAS/ICA/SOA
Section conjointe de la gestion des risques
Préparé par
Kailan Shang1
Zakir Hossen2
Novembre 2013
©2013 Casualty Actuarial Society, Institut canadien des actuaires, Society of

Actuaries. Tous droits réservés.
Les opinions et conclusions exprimées dans les présentes sont celles des auteurs et ne représentent pas la
position officielle ni l’opinion des organismes commanditaires ou de leurs membres. Ces organismes ne font
aucune déclaration et n’offrent aucune garantie quant à l’exactitude de l’information.
1
Vous pouvez joindre Kailan Shang, FSA, CFA, PRM, SCJP, de Financière Manuvie, à
Kailan_Shang@manulife.com.
2
Vous pouvez joindre Zakir Hossen, MA, de Banque Scotia, à zakir.hossen@scotiabank.com.
Remerciements
Les auteurs tiennent à remercier les membres du Groupe de supervision du projet (GSP) pour
leur aide, leurs examens, leurs commentaires et tout le soutien qu’ils ont accordé pendant la
durée du projet. Le présent document n’aurait pas été aussi pertinent sans l’utile contribution
du GSP. Les auteurs sont reconnaissants pour les fonds consentis par la Section conjointe de
la gestion des risques de la Casualty Actuarial Society, de l’Institut canadien des actuaires et
de la Society of Actuaries.
Les membres du Groupe de supervision du projet « Application de la logique floue à

l’évaluation des risques et la prise de décisions » sont :
• Andrei Titioura
• Casey Malone
• Christopher Coulter
• Fred Tavan
• Jason Sears
• Joshua Parker
• Mark Bergstrom
• Mary Neumann
• Steven Siegel
• Zhiwei Zhu
Les auteurs remercient également Barbara Scott pour la coordination efficace de ce projet.
©2013 Casualty Actuarial Society, Institut canadien des actuaires, Society of Actuaries, Tous droits réservés
Page 2 de 67
Sommaire
La gestion du risque fait appel depuis fort longtemps à des modèles complexes
pour évaluer l’incertitude. En raison de la disponibilité croissante des ressources
informatiques, on emploie de plus en plus des méthodes avancées telles la
modélisation stochastique et la simulation de crise ou même l’utilisation de la
modélisation stochastique sur stochastique aux fins des programmes de couverture.
Bien que les professionnels de la gestion du risque s’efforcent de mieux comprendre
les risques et qu’ils emploient pour ce faire des modèles complexes, un grand nombre
de risques ne sont toujours pas bien compris. Certains restent inconnus, tandis que de
nouveaux émergent. De nombreux types de risque ne peuvent encore être bien
analysés au moyen des modèles classiques probabilistes. Le manque de données
d’expérience, conjugué aux liens imbriqués de cause à effet, rend difficile
l’appréciation du degré d’exposition à certains types de risque.
Les modèles classiques de risque reposent sur la théorie des probabilités et la

théorie classique des ensembles. Ils sont couramment employés pour évaluer les
risques de marché, de crédit, d’assurance et de négociation. Par contraste, les modèles
de logique floue s’appuient sur la théorie des ensembles flous et la logique floue et
servent à analyser les risques lorsque les connaissances sont insuffisantes ou que les
données sont imprécises. Ces derniers types de risque entrent d’habitude dans la
catégorie des risques opérationnels ou des risques émergents.
La différence fondamentale entre la théorie classique des ensembles et la théorie

des ensembles flous réside dans la nature de l’inclusion des éléments de l’ensemble.
Dans les ensembles classiques, les éléments sont soit inclus, soit exclus de l’ensemble.
Dans un ensemble flou, les éléments sont inclus selon un degré de validité compris
normalement entre 0 et 1. Les modèles de logique floue permettent à un objet
d’appartenir à plus qu’un seul ensemble exclusif selon divers degrés de validité ou de
confiance. La logique floue tient compte du manque de connaissances ou de l’absence
de données précises et prend en compte explicitement la chaîne de cause à effet entre
les variables. La plupart des variables étant décrites en termes linguistiques, les
modèles de logique floue s’apparentent intuitivement au raisonnement humain. Ces
modèles flous sont utiles pour démystifier, évaluer et mieux comprendre les risques
qui ne sont pas bien compris.
Les systèmes de logique floue permettent de simplifier les cadres de gestion du

risque à grande échelle. Dans le cas des risques pour lesquels il n’existe pas de
modèle probabiliste quantitatif approprié, un système de logique floue permet de
modéliser les liens de cause à effet, d’évaluer le degré d’exposition aux risques et de
classer par ordre les principaux risques de façon cohérente, en tenant compte des
données disponibles et des opinions des experts. Dans le cas des entreprises ayant des
activités diversifiées ainsi qu’une large exposition aux risques et des activités dans
plusieurs régions géographiques, la longue liste des risques devant faire l’objet d’une
Page 3 de 67
surveillance est telle qu’elle rendrait toute analyse approfondie des risques
inabordable, surtout lorsque les liens entre les facteurs de risque sont imbriqués. Une
telle analyse pourrait être onéreuse et extrêmement laborieuse sans le recours à un
système de logique floue. De plus, les systèmes de logique floue comprennent des
règles qui explicitent les liens, la dépendance et les relations entre les facteurs
modélisés, ce qui facilite la recherche des pistes d’atténuation des risques. Les
ressources peuvent ensuite servir à atténuer les risques pour lesquels le degré
d’exposition est le plus élevé et le coût de couverture est relativement faible.
La théorie des ensembles flous et les modèles de logique floue peuvent aussi être
utilisés pour d’autres types de modèles de décision ou de reconnaissance de formes,
notamment les réseaux bayésiens et les réseaux de neurones artificiels, ainsi que les
modèles de Markov cachés et les modèles d’arbres de décision. Ces modèles élargis
permettent éventuellement de résoudre des problèmes difficiles d’évaluation des
risques.
Le présent document explore les domaines auxquels les modèles de logique floue
peuvent être appliqués pour améliorer l’évaluation des risques et la prise de décisions.
On y traite de la méthode, du cadre et du processus d’utilisation des systèmes de
logique floue aux fins de la gestion des risques. Le document étant truffé d’exemples
pratiques, il est à espérer qu’il encouragera l’application judicieuse des modèles de
logique floue à la modélisation des risques.
Page 4 de 67
Table des matières
1. Introduction ............................................................................................................................. 6
2. Logique floue et théorie des ensembles flous .......................................................................... 7
2.1 Principes fondamentaux de la théorie des ensembles flous et de la logique floue ....... 7
2.2 Exemple numérique .................................................................................................... 17
2.3 Autres modèles ........................................................................................................... 21
3 Application de la théorie des ensembles flous et de la logique floue :
Analyse documentaire .......................................................................................................... 30
4 Cadre d’évaluation des risques fondé sur la logique floue ..................................................... 35
4.1 Évaluation des risques et prise de décisions ............................................................... 35
4.2 Modèle du capital économique requis ........................................................................ 40
5 Considérations clés ................................................................................................................. 42
5.1 Opinions d’experts : Collecte et analyse .................................................................... 42
5.2 Sélection des fonctions d’appartenance...................................................................... 43
5.3 Rôle des données d’expérience .................................................................................. 44
5.4 Examen du système de logique floue ......................................................................... 45
5.5 Liens avec la prise de décisions.................................................................................. 45
6 Études de cas .......................................................................................................................... 46
6.1 Identification et évaluation de l’opinion publique négative ....................................... 47
6.2 Agrégation des risques et budgétisation ..................................................................... 52
7 Conclusion .............................................................................................................................. 57
8 Bibliographie .......................................................................................................................... 59
Annexe. L’utilisation des données d’expérience........................................................................ 63
Page 5 de 67
1. Introduction
Les modèles probabilistes sont très répandus en quantification et en évaluation des

risques. Ils sont devenus la pierre angulaire de la prise de décisions éclairées en matière de
risque dans de nombreux domaines. Toutefois, un modèle probabiliste bâti sur la théorie
classique des ensembles peut difficilement décrire certains risques d’une manière significative
et pratique. Le manque de données d’expérience, conjugué aux liens imbriqués de cause à
effet et à l’imprécision des données, compliquent l’appréciation du degré d’exposition à
certains types de risque à l’aide des seuls modèles probabilistes classiques. Parfois, même en
recourant à un modèle de risque quantitatif crédible étalonné pour tenir compte des données
d’expérience, la cause du risque et ses caractéristiques peuvent être compris de façon
incomplète. D’autres modèles, notamment un modèle de logique floue, le modèle de Markov
caché et le modèle d’arbre de décision, de même que les réseaux bayésiens et les réseaux de
neurones artificiels, tiennent compte explicitement des liens de cause à effet sous-jacents et en
reconnaissent la complexité inconnue. Ces modèles plus nouveaux sont plus efficaces pour
faire comprendre et évaluer certains risques, notamment le risque opérationnel.
Il est intéressant de préciser que même si les modèles quantitatifs complexes et bien
acceptés sont accessibles pour évaluer les risques de marché, de crédit et d’assurance, ils
échappent habituellement au contrôle des gestionnaires des opérations. Par ailleurs, en
appliquant des pratiques pertinentes d’identification et de contrôle des risques, le risque
opérationnel peut être sensiblement atténué, malgré le manque de consensus au sujet des
modèles quantitatifs à utiliser. Par conséquent, il pourrait être avantageux de construire et de
mettre en œuvre des modèles plus pertinents de gestion du risque opérationnel à l’aide d’une
nouvelle approche, notamment la logique floue.
Le présent rapport porte plus particulièrement sur le recours à la logique floue et à la

théorie des ensembles flous, appliquées à la gestion des risques pour la première en 1965 par
le mathématicien Lotfi A. Zadeh. Contrairement à la théorie des probabilités, la théorie de la
logique floue accepte de façon explicite l’incertitude entourant la certitude; elle peut
également intégrer facilement l’information décrite en termes linguistiques. Les modèles de
logique floue sont plus commodes pour intégrer différentes opinions d’expert et ils sont mieux
adaptés aux cas renfermant des données insuffisantes et imprécises. Ils fournissent un cadre
dans lequel l’apport des experts et les données d’expérience peuvent évaluer conjointement
l’incertitude et identifier les problèmes importants. À partir d’approximations et de
conclusions tirées de connaissances et de données ambiguës, les modèles de logique floue
peuvent servir à modéliser les risques qui ne sont pas très bien compris. Certains risques
opérationnels et émergents évoluent rapidement. Les gestionnaires de risques ne possèdent
peut-être pas suffisamment de connaissances ou de données pour effectuer une évaluation
exhaustive à l’aide de modèles fondés sur la théorie des probabilités. Les modèles de logique
floue peuvent permettre d’évaluer l’exposition d’une entreprise à ces risques.
Page 6 de 67
Le présent document se décline comme suit :
• La section 2 (Logique floue et théorie des ensembles flous) présente le contexte
théorique du modèle de logique floue et elle le compare à d’autres modèles.
• La section 3 (Application de la logique floue) porte sur l’application éventuelle
de la logique floue à la gestion des risques.
• La section 4 (Cadre d’évaluation des risques fondé sur la logique floue) traite de
l’utilisation d’un modèle de logique floue pour l’identification, l’évaluation et la
quantification des risques.
• La section 5 (Considérations clés) aborde certains facteurs clés d’un cadre
pratique de gestion des risques fondé sur un modèle de logique floue.
• La section 6 (Études de cas) présente les processus d’identification des risques,
d’évaluation des risques et de prise de décisions à un niveau microdimensionnel
pour un certain type de risque et à un niveau global pour l’ensemble des risques
de l’entreprise.
• La section 7 résume les points principaux de la présente étude et elle conclut la
partie principale du rapport.
2. Logique floue et théorie des ensembles flous
La présente section propose quelques notions de base dans le domaine de la théorie des
ensembles flous et une comparaison avec d’autres méthodes servant à évaluer les risques et à
prendre des décisions. Les lecteurs possédant des antécédents en intelligence artificielle ou en
génie des contrôles automatiques peuvent passer à la section suivante.
2.1 Principes fondamentaux de la théorie des ensembles flous et de la

logique floue
Ensembles flous
En théorie classique des ensembles, un objet est un élément, ou un non-élément, d’un

ensemble. Toutefois, en réalité, due à l’insuffisance des connaissances ou de l’imprécision des
données, il n’est pas toujours évident de déterminer si un objet appartient ou non à un
ensemble. Par contre, les ensembles flous interprètent l’incertitude d’une manière
approximative. Au plan conceptuel, la théorie des ensembles flous permet à un objet
d’appartenir à plusieurs ensembles exclusifs dans le cadre du raisonnement. À chaque
ensemble correspond un degré de certitude selon lequel un objet appartient à un ensemble
flou. Prenons l’exemple des cotes de crédit. Supposons qu’il existe trois niveaux de
cote - faible, moyen, élevé – qui peuvent être considérés comme trois ensembles. Selon la
théorie classique des ensembles, l’ensemble complet se compose de ces trois ensembles
exclusifs. Dès que la cote de crédit est connue, son niveau est établi. La figure 1 présente un
exemple d’ensemble classique de cotes de crédit. Si la cote s’établit à 3,5, il est certain à
100 % que la cote de crédit est élevée.
Page 7 de 67
Figure 1. Exemple d’ensemble classique : Cote de crédit
Cote de crédit - Ensembles classiques

Faible Moyenne Élevée
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5

Cote de crédit
La figure 2 présente un exemple d’ensemble flou pour les cotes de crédit. Chaque
ensemble possède sa propre fonction d’appartenance, qui détermine le degré de certitude
qu’un élément appartient à l’ensemble. Par exemple, si l’on suppose une cote de crédit de 3,5,
il est certain à 60 % que la cote est élevée, et à 22 % sûr que la cote est moyenne. Il est faux
de croire que la cote est faible. Dans la théorie de logique floue, le degré de certitude de tous
les ensembles ne totalise pas nécessairement à un pour un objet précis.
Figure 2. Exemple d’ensemble flou : Cote de crédit
Cote de crédit - Ensembles flous

1
Degré de certitude
0.6
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Cote de crédit
Élevée Moyenne Faible
Dans cet exemple, les fonctions d’appartenance pour les trois ensembles sont précisées
ci-après.
0 x ≤ 2.75
µµ ) == 2.75 < x ≤ 4
Élevée
High ( x − 2.75 )
( x(x) 1.25
1 x>4
Page 8 de 67
0 x ≤ 0 .5
( x − 0.5 )
1 0.5 < x ≤ 1.5
µMoyenne
µ Average(x)
( x )== 1 1.5 < x ≤ 1.75
( 4− x )
2.25 1.75 < x ≤ 4
0 x>4
1 x ≤ 0.5
µµ Low
) ==
( x(x)
Faible (1.5 − x )
1 0.5 < x ≤ 1.5
0 x > 1.5
Les ensembles flous présentent une caractéristique incontournable : il n’existe pas de

règles parfaites au sujet de la définition des fonctions d’appartenance. La forme mathématique
de la fonction et ses paramètres dépendent de la contribution des experts. Dans la mesure où
les fonctions d’appartenance sont cohérentes, si l’on procède par comparaison, la conclusion
fondée sur les ensembles flous demeure significative. Par exemple, le degré de certitude d’une
cote de crédit 4 qui appartient à l’ensemble flou « élevé » ne devrait pas être inférieur à celui
d’une cote de crédit 3. Par ailleurs, une seule des fonctions d’appartenance peut augmenter
pour une certaine fourchette de cotes de crédit. Il pourrait y avoir contradiction si le degré de
certitude d’une cote de crédit 4 appartenant à l’ensemble flou « élevé » est supérieur à celui
d’une cote de crédit 3, alors que le degré de certitude d’une cote de crédit 4 appartenant à
l’ensemble flou « moyenne » est simultanément supérieur à celui d’une cote de crédit 3.
Les fonctions d’appartenance sont habituellement simples pour les ensembles flous. Elles
sont fréquemment linéaires et elles prennent souvent la forme d’un triangle trapézoïde, L ou r.
Elles peuvent également être gaussiennes ou de type gamma. Des personnes différentes
peuvent avoir leurs propres fonctions d’appartenance pour un ensemble flou en raison de
niveaux de connaissances ou d’expérience différents. De façon générale, elles peuvent
toutefois désigner des choses semblables lorsqu’elles font référence à un ensemble flou. Par
exemple, on peut partager l’opinion selon laquelle la demande de crédit hypothécaire d’un
postulant qui bénéficie d’une cote de crédit élevée est susceptible d’être approuvée à un taux
d’emprunt relativement faible. Dans cet exemple, l’expression « cote de crédit élevée »
correspond bien à la définition d’un ensemble flou. Mais les évaluateurs de risque en matière
de crédit hypothécaire peuvent appliquer des fonctions d’appartenance différentes pour la
« cote de crédit élevée » d’un ensemble flou. Les ensembles flous nous permettent de mettre
au point un système en langage courant fondé sur nos méthodes de raisonnement habituelles.
Fonctionnement des ensembles flous
Comme en théorie classique des ensembles, les ensembles flous possèdent leurs propres
opérations, notamment l’union, l’intersection et le complément. Différentes de l’opération
relative aux ensembles classiques, les opérations propres aux ensembles flous reposent sur la
Page 9 de 67
fonction d’appartenance. La figure 3 présente l’opération relative aux ensembles classiques.
La figure 4 montre un type possible d’opération portant sur les ensembles flous 3.
Figure 3. Fonctionnement d’ensembles classiques
x
Ensemble A y Ensemble B
z
A B A B A
= {x, y, z} {y} {z}
x 1 0 = 1 1 0 = 0 1−1 = 0
y 11 = 1 11 = 1 1−1 = 0
z 0 1 = 1 0 1 = 0 1− 0 = 1
Où
Where
1:∈ . x 𝑥∈∈A𝐴
e𝑝..g𝑒𝑒.
0 :∉ 𝑝.
e.g𝑒𝑒.. x𝑥∉∉A𝐴
Figure 4. Fonctionnement d’ensembles flous
x
Ensemble A y Ensemble B
z
µ A ( xµ)A(x)
= 0=.50,5 µ B (µx(x)
B
) ==00,1
.1
µ A ( yµ)A(y)
= 0=.60,6 µ B µ( By(x)
) ==00,4
.4
µ A ( zµ)A=(z)0=.10,1µ B (µzB)(z)==00,7
.7
3
Le type d’opération portant sur les ensembles flous présentés à la figure 4 a été inventé par Zadeh
(1965). Il existe de nombreux autres types d’opérations, notamment la moyenne, la somme bornée et
le produit. Une liste des types courants d’opération figure dans The Fuzzy Systems Handbook: A
Practitioner’s Guide to Building, Using and Maintaining Fuzzy Systems (Cox 1994, p. 133).
Page 10 de 67
A  B = max( µ A , µ B ) A  B = min( µ A , µ B ) A = 1− µA
x 0.5 0.1 0.5
y 0.6 0.4 0.4
z 0.7 0.1 0.9
Dans cet exemple, une règle max-min est utilisée. Le degré de certitude qu’un élément
appartient à l’union de quelques ensembles flous correspond au maximum des degrés de
certitude que l’élément appartient à chaque ensemble flou. Le degré de certitude qu’un
élément appartient à l’intersection de quelques ensembles flous correspond au minimum des
degrés de certitude que l’élément appartient à chaque ensemble flou. Le degré de certitude
qu’un élément appartient au complément d’un ensemble flou est déduit par le degré de
certitude que l’élément appartient à l’ensemble flou.
Règles d’inférence et couvertures floues
À l’aide d’opérations logiques portant sur des ensembles flous, des règles d’inférence
peuvent être créées pour établir des liens entre différentes variables. Un type de règle
d’inférence floue s’appelle la règle d’inférence max-min 4. Il s’agit de la règle max-min
indiquée à la figure 4 qui est appliquée à l’inférence.
1. Si A et B, alors C.
Le degré maximal de certitude de C est le moindre du degré de certitude de A et du
degré de certitude de B.
2. Si A ou B, alors C.
Le degré maximal de certitude de C est le plus élevé du degré de certitude de A et du
degré de certitude de B.
3. Si ce n’est pas A, alors C.
Le degré maximal de certitude de C est celui qui est déduit du degré de certitude de
A.
Par exemple, lorsque l’on évalue le risque d’un ralentissement économique, la prime de
terme 5 et le niveau de confiance des investisseurs sont les deux principaux indicateurs. Une
règle d’inférence possible est énoncée ci-après.
Si la prime de terme est faible et que le niveau de confiance des investisseurs est faible, le
risque de ralentissement économique dans un avenir rapproché est élevé.
4
Outre la règle d’inférence max-min, il existe plusieurs autres règles d’inférence floues, notamment le
raisonnement monotone, la règle addictive floue, le minimum de corrélation et le produit de
corrélation.
5
La prime de terme correspond à la différence entre le rendement des obligations à long terme et le
rendement des obligations à court terme.
Page 11 de 67
La prime de terme est de 2 % avec un degré de certitude μpetit(2 %) de 0,6. La valeur de
l’indice de confiance des investisseurs est 65 avec un degré de certitude μfaible(65) de 0,72. À
l’aide de l’opération d’intersection applicable aux ensembles flous comme le minimum des
deux degrés de certitude μpetit(2 %) et μfaible(65), le degré maximal de certitude qu’il existe un
risque élevé de ralentissement économique est 0,6. La fonction d’appartenance de l’ensemble
flou est donc tronquée à la valeur véritable de 0,6 à partir du haut, comme l’indique la
figure 5.
Figure 5. Règle d’inférence floue
Ensemble flou - Risque élevé de ralentissement

1 économique
Degré de certitude
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Niveau d'exposition au risque
TrèsInconditionnelle
élevée Conditionelle (prime de terme = 2% et indice de confiance = 65)
Notes :
1. Fonction d’appartenance inconditionnelle pour l’ensemble flou « Risque élevé de
ralentissement économique » :
 ( x −5 )2 
− 
2.5  2×12 
µ unconditional ((x)
É𝑙𝑙𝑙é𝑒
𝜇𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 x) ==
High
e  
whereoùxxisestthe risk exposure
le niveau level
d’exposition au risque
2π × 1
2. Fonction d’appartenance conditionnelle pour l’ensemble flou « Risque élevé de ralentissement
économique » :
  ( x −5 )2
−

 
 2.5  2×12  
High
𝜇𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 µ
conditiona(x) ( x=) = Min  0.6, e  
 whereoùx xisest
thelerisk exposure
niveau levelau risque
d’exposition
2π × 1
l
 
 
Parfois, il est nécessaire d’améliorer la fonction d’appartenance afin de tenir compte des
règles d’inférence avec une description différente. Ce processus s’appelle « couverture
Page 12 de 67
floue » 6. Par exemple, les règles d’inférence semblables qui suivent présentent une différence
d’intensité au chapitre de la cote de crédit « élevée ».
Règle 1. Si une cote de crédit est légèrement élevée, la possibilité d’obtenir une réduction
du taux d’emprunt hypothécaire est élevée.
Règle 2. Si une cote de crédit est élevée, la possibilité d’obtenir une réduction du taux
d’emprunt hypothécaire est élevée.
Règle 3. Si une cote de crédit est très élevée, la possibilité d’obtenir une réduction du taux
d’emprunt hypothécaire est élevée.
Pour tenir compte de la différence, la fonction d’appartenance de l’ensemble flou « Cote

de crédit élevée » peut être convertie à l’ensemble flou « Cote de crédit légèrement élevée » et
« Cote de crédit très élevée », comme l’indique la figure 6. La fonction d’appartenance est
déplacée pour tenir compte de l’effet des adverbes « légèrement » et « très ». Dans cet
exemple, pour une cote de crédit 3, il est certain à 60 % que la cote est élevée, à 10 % qu’elle
est très élevée, et à 90 % qu’elle est légèrement élevée.
Figure 6. Couverture floue
Cote de crédit - Couverture

floue
1
Degré de certitude
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Cote de crédit
Élevée Légèrement élevée Très élevée
Notes :
1. Fonction d’appartenance pour l’ensemble flou « Cote de crédit élevée » :
6
Il existe de nombreux genres de couvertures floues pour tenir compte de l’effet de descriptions
différentes dans les règles d’inférence. Pour consulter une liste des couvertures floues, consulter Cox
(1994, p. 162).
Page 13 de 67
 ( x − 4 )2 
− 
2.5  2×12 
e  
0≤ x≤4
µ Élevée
(x) = 2π × 1
µ High ( x) = where
oùxx is
estthe credit
la cote score
de crédit
1 4< x≤5
2. Fonction d’appartenance pour l’ensemble flou « Cote de crédit légèrement élevée » :
 ( x −3.5 )2 
− 
2.5  2×12 
e  
0 ≤ x ≤ 3.5
µ Élevée
(x) = 2π × 1
µ High ( x) = where x is
où x est the credit
la cote score
de crédit
1 3.5 < x ≤ 5
3. Fonction d’appartenance pour l’ensemble flou « Cote de crédit très élevée » :

 ( x −5 )2 
− 
2.5  2×12 
µµ = 0 ≤ x ≤ 5 whereoùx xisest
High  
Élevée ((x)
x) = e thela credit
cote descore
crédit
2π × 1
Clarification
La clarification est le processus permettant d’estimer la valeur de la variable dépendante

d’après l’ensemble flou obtenu après l’application de la règle d’inférence floue. Trois
méthodes de clarification types sont décrites ci-après :
1. Méthode de la moyenne : la valeur numérique moyenne de la variable dépendante

dans l’ensemble flou de sortie.
2. Méthode de la moyenne du maximum : la valeur numérique moyenne de la variable
dépendante avec le degré de certitude maximal dans l’ensemble flou de sortie.
3. Méthode centroïde : la valeur numérique moyenne pondérée de la variable
dépendante dans l’ensemble flou de sortie. Le coefficient de pondération est le degré
de certitude.
Des méthodes différentes conviennent dans des situations différentes. Reprenons

l’exemple de la règle d’inférence à la figure 5. L’ensemble flou de sortie représente la zone
entre la fonction d’appartenance conditionnelle et l’axe des x.
Fonction d’appartenance conditionnelle :

 
 ( x − 5 )2 
−
  2×12  
 where x ∈ [0,5] is the risk exposure level
2. 5 Où x ∈ [0,5] est le niveau d’exposition au risque
µ conditiona(x)
É𝑙𝑙𝑙é𝑒 High
𝜇𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 ( x=) = Min  0 .6, e  
2π × 1
l
 
 
1. Méthode de la moyenne : La fourchette du niveau d’exposition au risque dans
l’ensemble flou de sortie est [0,5]. Par conséquent, le résultat de la clarification est
2,5, la moyenne de 0 et 5.
2. Méthode de la moyenne du maximum : Lorsque x est supérieur à 4, la valeur de la
fonction d’appartenance conditionnelle est 0,6, le degré maximal de certitude dans
Page 14 de 67
l’ensemble flou de sortie. Par conséquent, le résultat de la clarification est 4,5, la
moyenne de 4 et 5.
3. Méthode centroïde : La valeur de clarification est obtenue par le calcul suivant :
 
 ( x −5 )2 
−
5 5  2 . 5  2×12  
∫0 𝑥 ∙ 𝜇∫𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 ( x) = ∫ x ⋅ Min  0.6,
5
x ⋅ µ conditional(x)
É𝑙𝑙𝑙é𝑒 High
e  
 ≈ 4.2
0 0
 2π ×1 
 
Le résultat de la clarification est présenté à la figure 7. Puisque le risque de ralentissement

économique n’est pas faible, la méthode de la moyenne ne constitue pas un bon choix dans
cet exemple.
Figure 7. Exemple de clarification
Clarification - Risque de ralentissement économique

1
Degré de certitude
Moyenne = 2,5 Centroïde = 4,2
Moyenne du
maximum : 4,5
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Niveau d'exposition au risque
Système de logique floue
Pour toutes les composantes, un système de logique floue peut être construit en
appliquant les étapes suivantes :
Étape 1. Des variables indépendantes sont choisies comme principaux facteurs

déterminants ou indicateurs de la variable dépendante.
Étape 2. Des ensembles flous sont créés pour les variables indépendantes et dépendantes.
Plutôt que de recourir à la valeur numérique, des ensembles flous en langage
humain sont utilisés pour décrire une variable. Le degré de certitude que chaque
variable appartient à un certain ensemble flou est précisé par la fonction
d’appartenance.
Page 15 de 67
Étape 3. Des règles d’inférence sont intégrées au système. Une couverture floue peut être
utilisée pour modifier légèrement la fonction d’appartenance selon la description
des règles d’inférence.
Étape 4. L’ensemble flou de sortie de la variable dépendante est produit à partir des
variables indépendantes et des règles d’inférence. Après clarification, une valeur
numérique peut être utilisée pour représenter l’ensemble flou de sortie.
Étape 5. Le résultat est ensuite utilisé pour la prise de décisions éclairées.
Page 16 de 67
Figure 8. Système de logique floue
Variables indépendantes
Variables
Variables indépendantes Clarification Variables
indépendantes (valeur
(valeur numérique) indépendantes
(description linguistique)
Opération d'ensemble flou

Règles d'inférence
Couvertures d'ensemble flou
Variable
Variable dépendante
dépendante
(Description
(description linguistique)
Clarification
Variable dépendante
Prise de décisions
(valeur numérique)
2.2 Exemple numérique
Un système de logique floue simple 7 utilisé pour évaluer le risque d’inconduite des
conseillers est illustré dans cette section. Attirés par des commissions de vente élevées, les
conseillers financiers peuvent être tentés de dissimuler de l’information au sujet des risques
liés au produit, de fournir de l’information fausse ou même d’annoncer le produit de façon
trompeuse. Trois principaux indicateurs de risques sont utilisés pour surveiller cette
importante composante du risque d’atteinte à la réputation de l’entreprise :
1. Le coût de règlement au cours de la dernière année en raison de publicité fausse ou
trompeuse
2. La complexité du produit, qui mesure le degré de difficulté des clients ou des
conseillers à comprendre le produit vendu
3. Le niveau de rémunération des conseillers
Des graphiques sur leurs fonctions d’appartenance sont reproduits ci-après.
7
Un fichier d’accompagnement (« Fuzzy Logic Examples.xls »), illustre le processus de calcul et ses
détails. Il peut être utilisé pour certains calculs de la logique floue simple.
Page 17 de 67
Figure 9. Fonctions d’appartenance du coût de règlement, complexité du
produit, niveau de rémunération et risque d’inconduite
Fonction d’appartenance du coût de règlement Fonction d’appartenance du niveau de rémunération
Degré de certitude
Degré de certitude
Fonction d’appartenance de la complexité du produit Fonction d’appartenance du risque d’inconduite
Degré de certitude
Degré de certitude
Supposons que trois règles d’inférence ont été précisées d’après les commentaires
formulés par les experts en la matière.
1. Si (la complexité du produit n’est pas faible ou le niveau de rémunération est très8
élevé) et le coût de règlement n’est pas faible, alors le risque d’inconduite est élevé.
2. Si (la complexité du produit est élevée ou le coût de règlement est élevé) et le niveau
de rémunération est élevé, alors le risque d’inconduite est élevé.
3. Si (la complexité du produit n’est pas élevée et le cout de règlement n’est pas élevé)
et le niveau de rémunération n’est pas élevé, alors le risque d’inconduite est moyen.
La figure 10 renferme un exemple de calcul de la valeur du risque d’inconduite, compte

tenu de la valeur des diverses variables d’entrée établies à l’aide d’un système de logique
floue. Ce système comprend les fonctions d’appartenance, les règles d’inférence et la méthode
de clarification choisie. Pour chaque produit du portefeuille de l’entreprise, le niveau du
risque d’inconduite peut être évalué en tenant compte de la complexité du produit, du niveau
de rémunération et du coût historique de règlement.
8
L’ensemble flou « très élevé » est converti à partir de l’ensemble flou de base « élevé ». Le degré de
certitude très élevé est plus faible que le degré élevé pour la même valeur. Il s’agit d’une couverture
floue discutée aux pages 12-13.
Page 18 de 67
Figure 10. Exemple de calcul à l’aide d’un système de logique floue
Ensemble de sortie - Risque

d'inconduite
1,0
Coût de $
0,8
Colût de 2M
règlement 2M
règlement $
0,6
Règles
Méthode de Risque
Risque
Complexité du d'inférence d'inconduit
5 0,4 clarification d’inconduite
produit e
Inférence Méthode
5,93
max-min 0,2 centroïde 5,93
Niveau de
8
rémunération
0,0
0 1 2 3 4 5 6 7 8 9 10
Output Set Original Set - High

Original Set - Medium Original Set - Low
Si la distribution conjointe des trois variables d’entrée est connue, la distribution du

risque d’inconduite peut être calculée par simulation. Dans l’exemple ci-après, les
distributions marginales des variables d’entrée et leur dépendance sont fournies. On suppose
également que les variables d’entrée sont étroitement corrélées. La dépendance est modélisée
à l’aide de la copule de Clayton 9 avec θ = 6 dans cet exemple, ce qui indique une forte
corrélation positive. La distribution du risque d’inconduite est simulée, et certaines
statistiques descriptives sont calculées.
9
Copule de Clayton : Cθn (u ) = (u1−θ + u 2−θ + ⋅ ⋅ ⋅ + u n−θ − n + 1) −1 / θ θ >0
On en trouvera le détail dans Nelsen (2006, p. 153).
Page 19 de 67
Figure 11. Exemple de simulation d’une variable de sortie
FDP du coût de règlement Copule de Clayton (theta = 6)
0,5
0,4
0,3
Niveau de rémunération
0,2
Complexité du produit
0,1
0
0 1 2 3 4 5
FDP de la complexité du
produit Coût de règlement
0,12
0,1
0,08 Copule de
Histogramme du risque d'inconduite
Clayton
0,06 450
θ=6
0,04 400
350
0,02
300
0
250
0 1 2 3 4 5 6 7 8 9 10
200
150
100
FDP du niveau de
50
0,25 rémunération
0
0,2 4,25 5 5,75 6,5 7,25 8
Niveau de risque # of Simulation
0,15
0,1
0,05 Risque d'inconduite simulé
0 Maximum Minimum Moyen VaR 95 % ECU (95)
0 1 2 3 4 5 6 7 8 9 10
8,27 4,21 5,13 5,91 6,54
FDP : Fonction de densité des probabilités
À l’aide de ce modèle de logique floue, le niveau du risque d’inconduite peut être calculé
pour chaque produit. L’exposition au risque pour chaque produit peut être mesurée comme le
produit de son niveau de risque et du volume prévu des nouvelles affaires. Le tableau 1 dresse
la liste de cinq produits qui présentent des niveaux différents de complexité et de
rémunération. L’exposition au risque du produit B est la plus élevée. La société pourra vouloir
abaisser le niveau du risque d’inconduite lié au produit B. Elle peut envisager de remplacer le
produit actuel par une version simplifiée, de réduire la rémunération des conseillers sans perte
de compétitivité, de fournir davantage de formation aux conseillers ou d’améliorer la
communication avec des clients éventuels au sujet des risques rattachés au produit.
Page 20 de 67
Tableau 1. Échantillon de surveillance du risque d’inconduite
Volume
Niveau Exposition
des
du risque au risque
Produit nouvelles Rang
d'inconduite d'inconduite
affaires (M$)
(1) (2) = (1) × (2)
A 8,3 2 16,6 4
B 7,6 13 98,8 1
C 5,9 5 29,5 3
D 5,1 7 35,7 2
E 3,5 3 10,5 5
2.3 Autres modèles
Le modèle quantitatif d’évaluation des risques le plus utilisé est le modèle de probabilité
classique. Les objets sont mesurés selon leur valeur numérique. Lorsque l’espace de
probabilité est partagé en ensembles exclusifs, chaque objet n’appartient qu’à un ensemble.
Les modèles de logique floue peuvent remplacer les modèles de probabilité enchâssés
dans la théorie des ensembles classique. Les ensembles flous permettent le chevauchement
des « ensembles exclusifs » classiques décrits en termes linguistiques. Par exemple, une
approche d’ensembles flous peut être utilisée pour mieux comprendre une perte annuelle de
1 million de dollars imputable à une erreur d’opération. Les fonctions d’appartenance peuvent
être établies pour indiquer qu’il est certain à 70 % que l’exposition au risque opérationnel est
moyenne, à 40 % qu’elle est élevée et à 10 % qu’elle est faible. Les modèles de logique floue
peuvent décrire des risques de façon imprécise sans nécessiter une multitude de données
d’expérience. Ce ne sont pas tous les risques qui peuvent être compris parfaitement. À mesure
que les humains continuent d’explorer le monde inconnu et d’acquérir des connaissances, ils
font des découvertes à chaque étape franchie. Parfois, l’illusion de précision (fausse précision)
peut constituer une autre source de risque lié aux modèles. En outre, les modèles de logique
floue insistent sur l’exploration des diverses relations de cause à effet qui sous-tendent les
risques. Ils peuvent également intégrer plus volontiers des données ou des opinions exprimées
plus facilement par le langage naturel que par l’expression mathématique. Par conséquent, les
modèles de logique floue peuvent être utiles pour analyser des risques qui ne sont pas bien
compris.
Outre les modèles de logique floue, il existe d’autres modèles qui peuvent servir à évaluer
les risques et à reconnaître les tendances, notamment le réseau bayésien et les réseaux de
neurones artificiels, de même que le modèle de Markov caché et le modèle d’arbre de
décision. Quelques modèles peuvent convenir davantage à la solution de certains problèmes,
compte tenu de certaines connaissances et données. Ils peuvent également être utilisés avec la
théorie des ensembles flous. Pour mettre en œuvre intelligemment des modèles de logique
Page 21 de 67
floue, il est important de bien comprendre d’autres options offertes et de ne s’en servir que
lorsqu’ils sont pertinents.
Le réseau bayésien
Le réseau bayésien, également connu sous l’appellation « réseau de croyance bayésien »,

est un graphe acyclique dirigé qui est composé de sommets, d’arêtes et d’une distribution de
probabilité conditionnelle. Reprenons l’exemple du risque d’inconduite que nous avons utilisé
précédemment et appliquons-le à un réseau bayésien. Comme le montre la figure 12, ce
réseau comporte cinq sommets (ou variables) désignés par les lettres A à E et cinq arêtes
(dépendances conditionnelles) identifiées par les chiffres 1 à 5. La distribution de chaque
variable est également indiquée, de façon conditionnelle ou inconditionnelle.
Figure 12. Exemple de réseau bayésien : risque d’inconduite
P (Complexe) = 0,3
Complexité du
Produit A
P (Élevé|Complexe) = 0,8 P (Élevé) = 0,5
2 P (Faible|Complexe) = 0,2
1
C
Mauvaise B
Niveau de
Niveau de Coût des D
compréhension rémunération pénalités
3
4
5
P (Élevé|Complexe) = 0,65
P (Faible|Complexe) = 0,35 P (Élevé|Élevé B & Élevé
Publicité E C et Élevé D) = 0,95
P (Faible|Élevé B et Élevé
C et Élevé D) = 0,05
... ...
Les modèles de réseau bayésien utilisent les règles de Bayes et la probabilité

conditionnelle pour décrire la probabilité conjointe du réseau. La relation est enchâssée dans
le système comme dépendante conditionnelle des parents et indépendante conditionnelle des
non-défunts, compte tenu de la valeur des parents. Par conséquent, elle tient compte de la
distribution des variables et de leur dépendance. Les modèles de réseau bayésien peuvent être
utilisés pour calculer les probabilités conditionnelles, notamment la probabilité de publicité
trompeuse si le produit n’est pas complexe et que le coût de la pénalité est élevé.
Compte tenu du nombre de relations et de probabilités conditionnelles qui doivent être

précisées dans un réseau bayésien, la production d’un tel modèle peut toutefois être très
fastidieuse. L’inférence dans un gros réseau est également coûteuse. Il est nécessaire de
posséder l’expertise au sujet des relations de cause à effet pour bâtir le système, qu’elle soit
obtenue au moyen du raisonnement humain ou de données. Aussi, il existe une demande pour
Page 22 de 67
des données précisant la probabilité conditionnelle. Toutes ces facettes font en sorte que le
modèle de réseau bayésien convient bien aux problèmes de moindre envergure, pour lesquels
nous possédons une connaissance suffisante des relations.
Par ailleurs, les systèmes à logique floue ne sont que légèrement contraints par la taille du
système. Ils permettent également le recours à un ensemble incomplet de règles ou de
relations précisées dans le système d’inférence. Ainsi, le modèle de logique floue se prête
davantage à l’analyse d’enjeux avec insuffisance de connaissances.
Certains efforts ont été déployés pour intégrer la théorie des ensembles flous et la logique
floue dans des modèles de réseau bayésien pour que les variables puissent disposer de valeurs
discrètes et continues. Les ensembles flous ont été mis à l’essai pour améliorer le système
d’inférence dans le réseau bayésien général. Ces réseaux bayésiens étendus sont
habituellement désignés réseaux bayésiens flous 10. Mais l’intégration d’ensembles flous aux
réseaux bayésiens ne réduit pas nécessairement le besoin : a) de connaissances au sujet des
relations de cause à effet et b) de données pour l’étalonnage de la probabilité conditionnelle.
Les réseaux de neurones artificiels
Les modèles fondés sur des réseaux de neurones artificiels sont utilisés pour apprendre la
relation entre les variables d’une manière semblable aux réseaux de neurones biologiques. Le
réseau compte de nombreux neurones qui sont reliés de certaines façons, comme l’indique la
figure 13. Il peut exister de multiples couches cachées entre l’ensemble d’entrée et l’ensemble
de sortie. Il est nécessaire de posséder suffisamment de données de formation pour préciser la
relation représentée par les fonctions f, g et h à l’aide de méthodes telles l’estimation du
maximum de vraisemblance, du maximum a posteriori ou de la rétropropagation. Les modèles
de réseaux de neurones artificiels peuvent être utilisés dans de nombreux domaines,
notamment la reconnaissance, la prédiction et la classification des tendances. Parmi les
applications possibles, mentionnons la détection des sinistres frauduleux en assurance
automobile. Les renseignements d’entrée peuvent comprendre le sexe, la profession, le
module voiture, le salaire, l’endroit, le montant des sinistres, les antécédents en matière de
sinistres, par exemple la fréquence et la gravité, et la cause d’accident. Les données de sortie
peuvent correspondre à la probabilité de fraude en assurance et le coût estimatif des enquêtes.
D’après les données d’expérience au sujet de la fraude en assurance automobile, le réseau de
neurones artificiels peut être formé pour déterminer une relation raisonnable entre l’entrée et
la sortie à travers les couches cachées. Il peut ensuite être utile pour déterminer les sinistres
susceptibles d’être faux et de préciser le coût prévu rattaché à l’enquête qui en découlera. La
société pourra vouloir affecter les ressources aux sinistres les plus douteux présentant un coût
d’enquête abordable.
10
On trouvera des exemples de réseaux bayésiens flous dans Pan (1988, pp. 6–22).
Page 23 de 67
Figure 13. Exemple de réseau de neurones artificiels
Entrée
Input
Input Couches
Layers
Layers
cachées Output
Sortie
Output
b1
a1
X1
b2
Y1
a2
X2
X3
a3
...bbn-1
Y21
n-1
a4
bbnn
ai=f(x1,x2,x3) bi=g(a1,...,a4) Yi=h(b1,...,bn)
Les modèles de réseau de neurones artificiels reposent sur de vastes ensembles de

données de formation pour produire une bonne estimation de la relation. Le calcul nécessaire
exige bien des ressources. Il convient davantage aux systèmes complexes comportant
suffisamment de données d’observation, mais des relations vagues ou inconnues. Ce modèle
est très différent des systèmes de logique floue, à l’intérieur desquels des données dispersées
ou imprécises sont souvent la norme, mais qui comportent certaines relations connues entre
l’entrée et la sortie.
Les modèles de réseau de neurones ont été utilisés dans quelques systèmes de logique
floue, dont les règles d’inférence sont exprimées dans une certaine forme de fonctions
utilisées dans les modèles de réseau de neurones artificiels, notamment Sortie = f (Entrée).
Jang (1993) a lancé le système d’inférence neuro-floue adaptatif (ANFIS), dans lequel des
réseaux de neurones sont utilisés pour modéliser et améliorer les fonctions d’appartenance
d’ensembles flous. Le système ANFIS peut être utile lorsqu’il existe certaines données de
formation pour le système de logique floue. Les règles d’inférence ou les fonctions
d’appartenance peuvent être structurées de manière à mieux correspondre à l’expérience.
Page 24 de 67
Cependant, ce système est plus compliqué et difficile à mettre en œuvre qu’un système pur de
logique floue.
Les modèles de Markov cachés
Un modèle de Markov caché analyse le processus de Markov d’un état caché en

appliquant des observations qui dépendent largement de l’état caché. Le prochain état caché
dépend de l’état caché actuel, mais non de l’historique de l’état caché. Dans la plupart des cas,
une matrice de transition est utilisée pour définir la probabilité du prochain état, compte tenu
de l’état actuel. La distribution de l’observation change avec l’état caché. D’après
l’observation réelle, un système d’inférence reposant sur la règle de Bayes peut être utilisé
pour prédire les états cachés futurs. La figure 14 illustre un modèle de Markov caché.
Figure 14. Exemple de modèle de Markov caché
Probabilité de transition
P (St+1=Élevée|St=Élevée) = 0,6
P (St+1=Faible|St=Élevée) = 0,4
P (St+1=Élevée|St=Faible) = 0,1
P (St+1=Faible|St=Faible) = 0,9
S1 S2 S3 ... St St+1
Q1 Q2 Q3 ... Qt Qt+1
Q|S=Élevée ~ Gamma (3, 3)

Q|S=Faible ~ Gamma (1,5, 3)
HMM MMC-Distribution
- Conditional Distribution ofdes
conditionnelle Observation
observations
0,18
0,16
0,14 Fonction de densité de probabilité
0,12
0,1
0,08
0,06
0,04
0,02
0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61
Q| S=High Q| S=Low
Page 25 de 67
Notes :
S : État caché. Il a deux valeurs, élevé et faible. La probabilité de transition est également exprimée.
Par exemple, si l’état actuel est faible, la possibilité de valeur élevée la prochaine fois est de 10 %.
Q : Observation. Un certain état a une distribution conditionnelle. Par exemple, si l’état est faible, la
sortie suit une distribution gamma avec les paramètres α=1,5 et β=3.
Par exemple, lorsque l’on prédit les dommages causés par un tremblement de terre, on
suppose que S est l’état du mouvement de la croûte terrestre; cette valeur présente une
fréquence élevée ou une fréquence faible. Q représente le nombre de catastrophes naturelles,
comme un tremblement de terre survenu au cours de l’année. Les données historiques sont
utilisées pour établir une estimation de la probabilité de transition de S et la distribution
conditionnelle de Q. Le gestionnaire des risques peut utiliser ce modèle de Markov caché
pour établir une estimation de la probabilité de l’état caché futur, compte tenu de
l’observation actuelle, notamment P(St+1 = Fréquence élevée| Qt=30). Si la probabilité d’un
état de fréquence élevé est élevée, la société peut envisager de hausser la tarification de ses
produits d’assurance ou d’accroître son capital pour survivre à des pertes plus graves en
raison de catastrophes naturelles.
À l’instar de réseaux bayésiens, les modèles de Markov cachés ont besoin de données de
formation pour fixer la probabilité de transition pertinente et la distribution conditionnelle de
l’observation fondée sur un certain état caché. Ces modèles soulignent également le caractère
aléatoire de la transition d’un état à l’autre. Dans la réalité, ce type de transition peut être
déterministe compte tenu des facteurs exogènes. Mais ces facteurs peuvent être négligés dans
les modèles de Markov cachés en raison de leur complexité ou de l’incompréhension des
relations de cause à effet qui favorisent la transition d’un état caché au suivant.
Contrairement aux modèles de logique floue, les modèles de Markov cachés exigent la
spécification de la relation entre les observations et l’état caché à l’aide de la probabilité
conditionnelle plutôt que de règles d’inférence peut-être incomplètes. Ils insistent sur la
prédiction des états futurs de façon formée mais incertaine. Ils conviennent davantage à la
modélisation d’un système fondé sur une connaissance suffisante de la situation actuelle mais
dont l’évolution est incertaine.
La théorie des ensembles flous a également été utilisée dans les modèles de Markov
cachés. La possibilité de l’état caché peut être décrite par des ensembles flous plutôt que des
ensembles classiques 11, sauf que les modèles flous de Markov cachés comportent les mêmes
caractéristiques que les modèles de Markov cachés fondés sur la théorie des ensembles
classiques.
11
Un exemple de modèle flou de Markov caché est donné par Zhang et Naghdy (2005, pp. 3–8).
Page 26 de 67
L’arbre de décision
Un modèle d’arbre de décision est utilisé pour faciliter la prise de décisions à partir d’un
ensemble de règles présentées sous forme d’arbre. Il utilise les attributs des objets aux fins de
classification et de décision. Par exemple, on peut construire un arbre qui permet de classifier
le risque de crédit d’après le revenu, l’âge et d’autres facteurs. Contrairement à la plupart des
techniques de modélisation de type boîte noire, en vertu desquelles la logique interne peut être
difficile à établir, le processus de raisonnement qui sous-tend le modèle est clairement indiqué
dans l’arbre. La figure 15 décrit un arbre de décision servant à classifier les clients d’une
banque selon le niveau du risque de crédit d’après leur revenu, leur niveau de scolarité et leur
logement. Il peut facilement être converti en un ensemble de règles utilisées pour classer un
client afin de prendre une décision d’emprunt. Voir un exemple ci-après.
Si (revenu ≥ 92,5) et (statut de logement = non) et (scolarité = élevée),

alors (niveau de risque de crédit faible = prêt accordé).
Figure 15. Exemple d’arbre de décision
Revenu
<92,5 >=92,5
Statut de
Risque élevé logement
Non Oui
Scolarité Risque faible
Élevée Faible
Risque faible Risque élevé
Pour établir un arbre de décision, les données sont réparties en ensembles de formation et
de validation. Les données de formation sont utilisées pour identifier les règles pertinentes et
trouver la meilleure partition de certains attributs à l’aide de techniques tel le partitionnement
récursif. Les données de validation sont utilisées pour valider l’arbre de décision et lui
apporter les rajustements nécessaires. Par exemple, les règles inutiles peuvent être éliminées à
partir des données de validation.
Page 27 de 67
Les modèles d’arbre de décision sont faciles à comprendre et ils sont utiles pour la
classification. À l’instar des systèmes de logique floue, ils peuvent être efficaces avec des
données insuffisantes si toutes les règles d’inférence peuvent être définies à partir de
l’expertise. Toutefois, dans un modèle d’arbre de décision classique, la partition des valeurs
d’attribut repose sur la théorie des ensembles classique. En raison de la nature discrète de la
partition, un faible changement de la valeur d’un attribut peut parfois entraîner une conclusion
différente. En outre, lorsque l’échelle d’un arbre de décision devient grande, elle n’est plus
facile à comprendre et dans ce cas, il faut davantage de données pour identifier et valider les
règles. Les modèles d’arbre de décision semblent peu aptes à dégager, également, des
relations linéaires en raison de la nature discrète. Ils conviennent davantage à la modélisation
des relations entre des variables discrètes dans un système de petite envergure.
Compte tenu de la pénurie de partitions fondées sur la théorie des ensembles classique,
des modèles d’arbre de décision flous sont proposés 12 pour éviter un changement soudain de
conclusion imputable à une faible variation de la valeur des attributs.
Résumé
Les points forts, les points faibles et les applications possibles des quatre modèles précités
sont résumés au tableau 2.
Tableau 2. Résumé des divers modèles

Type de
Points forts Points faibles Applications
modèle
a) Il présente la relation a) Il ne convient pas aux Modélisation et prise de
des variables et il est questions complexes décision pour les questions
facile à comprendre. comprenant de non complexes. Les relations
b) Il estime la probabilité nombreuses variables. Il de cause à effet sont
conditionnelle et la peut être trop coûteux connues.
distribution. Des de déterminer les
Réseau conditions spécifiques relations et les Exemples
bayésien sont prises en compte, fonctions de probabilité a) Prise de décision sur
et un intervalle de conditionnelle. l’octroi de prêts
valeurs est fourni pour b) Il peut être difficile de a) Prise de décision sur la
une meilleure prise de déterminer la souscription
décisions éclairées. probabilité
conditionnelle sans
données d’expérience.
Réseau a) Il est suffisamment a) Il exige de grandes Modélisation de questions
de élaboré pour quantités de données complexes en vertu
neurones reconnaître, prévoir et pour un étalonnage desquelles les relations de
artificiels classer les tendances crédible. cause à effet ne sont pas très
12
On trouvera des exemples dans Janikow (1996, pp. 12–26).
Page 28 de 67
Type de
modèle
complexes. b) Sa compréhension est bien connues, mais les
b) Il est rempli de très compliquée et données d’expérience sont
possibilités au chapitre difficile pour les gens. suffisantes. Il peut exister de
de l’utilisation c) Il exige de grandes nombreux facteurs
d’algorithmes quantités de données. justificatifs.
d’apprentissage Les relations fondées
intelligents. exclusivement sur des Exemples
données ne sont pas a) Détection de la fraude
sensées sur le plan d’assurance
intuitif. b) Rajustement des primes
d) Il exige de longs calculs. d’assurance automobile
en fonction des habitudes
de conduite.
a) Il peut être appliqué à a) Il modélise la transition Modéliser des questions
des questions qui d’un état à l’autre à complexes lorsque les causes
comportent un titre de processus de ne sont pas très bien
changement structurel Markov. Sauf pour connues, mais que le résultat
de temps à autre. l’état actuel, est observable. Le résultat
b) Il peut induire l’état l’information sur les peut afficher un cycle à
actuel de la question états antérieurs, qui différents niveaux d’ampleur
Modèle d’après les peut être précieuse, et de volatilité à diverses
de observations du n’est pas utilisée. étapes.
Markov résultat. Cela est utile b) Il évite l’étude des
caché lorsque l’état causes de l’état Exemples
sous-jacent est difficile sous-jacent, mais le a) Modélisation du cycle de
à prévoir mais que le prévoit comme un souscription
résultat peut être événement aléatoire. b) Modélisation de la
facilement observable. c) Il a besoin de données fréquence et de la gravité
d’expérience pour d’une catastrophe
étalonner les naturelle
paramètres du modèle.
Page 29 de 67
Type de
modèle
a) Il est facile à a) Il ne convient pas pour Prise de décision pour des
comprendre. les questions complexes questions non complexes. Les
b) Il traite efficacement qui exigent de choix qui s’offrent aux
les variables discrètes. nombreux facteurs et décideurs sont limités et
c) Il est simple pour la relations. habituellement binaires (oui
prise de décisions avec b) Il a peine à dégager les ou non). Les questions sont
Arbre de choix limités. relations linéaires en susceptibles de demeurer au
décision raison de sa nature niveau individuel.
discrète.
c) Il est conçu pour la Exemples
prise de décisions mais b) Prise de décision sur
non pour l’évaluation et l’octroi de prêts
la quantification des c) Prise de décision sur la
risques. souscription
3 Application de la théorie des ensembles flous et de la

logique floue : Analyse documentaire
Comme il a été question à la Section 2, la logique floue peut être exécutée en trois étapes
principales, notamment la modification logique floue, l’inférence et/ou la clarification. Depuis
le début de la contribution de Zadeh (1965) à ce nouveau domaine, le fonds documentaire à ce
sujet est très riche : il embrasse la recherche universitaire et la mise en œuvre pratique dans
presque chaque secteur, des sciences physiques jusqu’aux sciences sociales. L’analyse
documentaire dans le présent rapport porte plus particulièrement sur les domaines
liés—directement ou indirectement—à la gestion des risques. L’application est très
diversifiée. Il peut s’agir de remplacer des ensembles classiques par des ensembles flous, de la
mise en œuvre intégrale d’un système de logique floue ou d’un modèle hybride qui comprend
un modèle de logique floue. L’objectif consiste à implanter une vaste gamme d’applications
possibles de la logique floue et il ne se veut nullement exhaustif.
Gestion des risques
Pour prendre plus rapidement des décisions et réduire l’erreur humaine dans le processus
d’évaluation du crédit, les systèmes informatisés d’évaluation du risque de crédit jouent un
rôle important. Lahsasna (2009) a construit et vérifié l’exactitude (pour permettre une
évaluation correcte) et la transparence (pour comprendre le processus décisionnel) d’un
modèle de notation du crédit à l’aide d’ensembles de données de l’Allemagne et de
Page 30 de 67
l’Australie, et de deux types de modèle flou13. Les approches de modélisation proposées
permettent à leurs utilisateurs d’exécuter une analyse approfondie, notamment définir les
attributs des clients qui influencent la décision de souscription du crédit et quantifier les
valeurs approximatives de ces attributs.
Constatant que les données déclarées dans les états financiers ne sont pas exactement
comparables en raison de différences au chapitre des pratiques comptables et qu’elles peuvent
renfermer des inexactitudes au plan des nombres déclarés, Cheng et coll. (2006) ont soutenu
que la valeur observée serait mieux prise en compte à titre de phénomène flou, mais non
aléatoire. Ils ont donc utilisé un intervalle plutôt qu’une valeur unique aux fins des variables
financières. Ils ont construit un modèle de pré-alerte pour difficultés financières à l’aide de la
régression floue pour remplacer des méthodes bien connues, notamment l’analyse des
discriminants, l’analyse logit et l’analyse des réseaux de neurones artificiels.
Matsatsinis et coll. (2003) ont constaté que les dépendances analytiques entre les
variables d’un processus ou d’un système sont souvent inconnues ou difficiles à établir. Ils ont
donc utilisé des règles floues pour formuler les dépendances entre les variables dans le
contexte de l’analyse de la classification appliquée à un modèle de faillite d’entreprise. Ils ont
utilisé ces règles à la phase d’exploration des données afin de prédire la faillite de sociétés.
S’appuyant sur les conclusions relatives aux problèmes de classification touchant

l’analyse du risque financier et du risque de crédit, Li et coll. (2011) ont utilisé une méthode
de classification de programmation linéaire floue dont les contraintes avaient été assouplies
pour analyser le comportement des détenteurs de carte de crédit.
Cherubini et Lunga (2001) ont constaté, lors de l’établissement du coût des créances
éventuelles, que la mesure de probabilité utilisée n’est pas connue avec précision; ils ont donc
utilisé une catégorie de mesures floues pour tenir compte de cette incertitude. Ils ont recouru à
cette approche pour quantifier le risque de liquidité afin d’établir le coût d’un actif sur des
marchés peu liquides, et ils ont par la suite appliqué cette démarche pour construire une
version floue du modèle fondamental de risque de crédit de Merton.
Yu et coll. (2009) ont proposé un outil d’analyse des décisions fondé sur plusieurs critères
aux fins de l’évaluation du risque de crédit à partir de la théorie des ensembles flous. Cet outil
est mis au point pour répartir initialement les résultats obtenus à partir d’autres techniques
rivales d’évaluation du crédit prenant la forme d’opinions floues, puis ils les ont réunies pour
obtenir un consensus et ils les ont clarifiées dans une valeur numérique discrète pour étayer
une décision de crédit ultime. Le raisonnement humain, la connaissance d’un expert et
l’information imprécise sont des éléments jugés valables pour l’estimation du risque
opérationnel.
13
Les deux types sont Takagi-Sugeno (TS) et Mamdani. Pour plus de détails, consulter Hao et coll.
(1998).
Page 31 de 67
Reveiz et Leon (2009) ont étudié le risque opérationnel à l’aide du système d’inférence à
logique floue (SILF) afin de tenir compte de l’interaction complexe et de l’absence de
linéarité de ces éléments. Le choix du SILF permet d’utiliser des éléments qualitatifs et
quantitatifs de manière saine et commode, et d’évaluer a priori les efforts d’atténuation des
risques.
Gestion de l’actif-passif (GAP) et assurance
Brotons et Terceno (2011) ont utilisé la logique floue pour étudier les stratégies
d’immunisation visant à atténuer les mouvements du risque de taux d’intérêt dans un cadre de
GAP où la combinaison du rendement attendu et du risque, choisie pour accroître la liquidité,
est obtenue à partir du point milieu et de la largeur des nombres flous pertinents. Un tableau
risque-rendement est créé à l’aide de cette approche pour tenir compte de l’aversion de
l’investisseur pour le risque, ce qui permet à ce dernier de suivre l’écart de rendement de la
stratégie adoptée pour un certain niveau de durée.
Huang et coll. (2009) ont étudié la probabilité de ruine ultime dans un cadre de risque
d’assurance en vertu duquel le montant d’un sinistre individuel est modélisé à titre de variable
aléatoire floue distribuée de façon exponentielle et l’opération de règlement est caractérisée
par un processus de Poisson.
Lai (2006) a effectué une étude empirique de la marge bénéficiaire de la souscription

d’une société d’assurance IARD de Taïwan, dans le cadre d’un modèle inter-temporel
d’évaluation des actifs financiers (ICAPM) 14 . Il a constaté que les paramètres les plus
pertinents des modèles peuvent être exprimés sous forme de nombre flou triangulaire
asymétrique. Il a également indiqué de quelle façon les facteurs asymétriques obtenus
pourraient être utilisés pour prévoir la marge bénéficiaire de souscription. Lai (2008) a élargi
l’étude susmentionnée pour analyser le risque systématique découlant de la souscription de
polices d’assurance pour les principaux modes de transport, à partir de l’assurance automobile
jusqu’à l’assurance aviation.
De Andres Sanchez et Gomez (2003) ont appliqué des techniques de régression floues
pour analyser la structure des échéances des taux d’intérêt. Ils ont insisté sur la quantification
des taux d’intérêt et ont étudié les applications à la tarification des contrats d’assurance-vie et
des polices d’assurance IARD.
Lazzari et Moulia (2012) ont étudié certains paramètres qui décrivent le risque de maladie
cardiovasculaire en créant un modèle de diagnostic formulé dans un cadre flou, et ils ont
proposé un cadre pour une stratégie d’expansion d’une société d’assurance-maladie.
Derrig et Ostaszewski (1996) ont étudié le fardeau fiscal d’une société d’assurance IARD
dans un cadre théorique où le passif d’assurance correctement évalué est utilisé comme
14
L’ICAPM est un modèle hybride en vertu duquel le modèle d’assurance algébrique est lié au CAPM
pour tarifer les produits d’assurance.
Page 32 de 67
instrument de couverture. Les paramètres pertinents ont été modélisés à l’aide de nombre
flous pour tenir compte de l’incertitude du taux d’imposition, du taux de rendement et du
passif de couverture.
Économie et finances
Horgby (1999) propose une introduction aux techniques d’inférence floue pour les
applications en économie. À l’aide d’une série d’exemples, il montre la façon d’assimiler
l’information qui, de par sa nature, est floue, et d’induire des conclusions à partir d’un
ensemble de règles floues de type « si-alors ». Caleiro (2003) a mené une étude intéressante
dans laquelle il tente de déterminer de quelle façon des mesures subjectives comme la
confiance des consommateurs peuvent se rapprocher de mesures économiques objectives
comme le taux de chômage à l’aide de la logique floue. Blavatksyy (2011) a étudié l’aversion
pour le risque lorsque les résultats ne sont pas mesurables en termes monétaires et que les
gens affichent des préférences floues pour la loterie, c’est-à-dire une préférence pour la loterie
exprimée de manière probabiliste.
Ng et coll. (2002) ont établi une fonction d’appartenance floue des critères de sélection
des acquisitions au moyen d’une étude empirique menée en Australie; dans cette étude, ils
reconnaissaient que de nombreux critères de sélection— notamment la rapidité, la complexité,
la souplesse, la responsabilité, le niveau de qualité, la répartition des risques et la concurrence
des prix—sont de nature floue. Xu et coll. (2011) ont élargi cette approche en mettant au point
un modèle pratique d’évaluation des risques pour les projets d’acquisition en partenariat
public-privé, en vertu duquel les facteurs de risque sous-jacents sont établis à l’aide de la
technique de sondage Delphi et de la théorie des ensembles flous. Le modèle d’évaluation des
risques est élaboré à l’aide d’une approche d’évaluation synthétique floue.
Oliveira et Silva (2004) ont étudié la réglementation environnementale, lorsque le lien

imparfait entre la réglementation et les processus polluants sont modélisés à l’aide d’une
approche logique floue. Pour faciliter la prise de décisions efficaces, l’étude vise à fournir une
compréhension raisonnable de la complexité des interactions, ce qui peut entraîner une
réglementation coûteuse, de la corruption et des excès de pollution, et un comportement de
«recherche de rente» de la part du législateur, notamment l’attribution de privilèges de
monopole.
Sun et van Kooten (2005) ont appliqué la logique floue à l’évaluation conditionnelle des
équipements environnementaux et biens publics à l’aide d’un cadre d’optimisation aléatoire
floue des services publics (FRUM). À l’aide de données de la Suède, ils ont effectué une
étude empirique pour mesurer l’empressement de résidents sollicités à payer pour des services
améliorés de conservation des forêts.
Cai et coll. (2009) ont produit un modèle de programmation à intervalles aléatoires flous
(FRIP) pour dégager les stratégies optimales de planification des systèmes de gestion de
l’énergie, compte tenu de nombreuses incertitudes causées par des facteurs économiques,
Page 33 de 67
environnementaux et politiques. Ils ont construit leur modèle FRIP en intégrant la
programmation linéaire à intervalle, la programmation stochastique floue et la programmation
linéaire mixte en nombres entiers pour traiter les incertitudes présentées dans les intervalles
de valeurs.
Tucha et Brem (2006) ont proposé une approche quantitative pour analyser les fonctions
et les modèles de risque des prix de transfert internationaux à l’aide du cadre flou. Dow et
Ghosh (2004) ont étudié la demande spéculative d’argent à l’aide d’un cadre de logique floue.
Ils y intègrent différentes opinions et reconnaissent que les attentes peuvent différer lorsque la
nature du problème empêche une description précise et définitive des variables sous-jacentes.
Lin et coll. (2008) ont présenté un modèle hybride de prédiction de crise de monnaie en
recourant à l’approche de la modélisation neuro-floue. Ils intègrent la capacité
d’apprentissage des réseaux de neurones au mécanisme d’inférence de la logique floue pour
découvrir les relations de cause à effet entre les variables. Gulick (2010) a étudié le problème
d’affectation à l’aide d’un cadre flou fondé sur la théorie des jeux. Gulick a analysé plusieurs
applications, allant de décisions d’investissement coopératif jusqu’à l’affectation de capital de
risque pour les banques et les sociétés d’assurances. Leon et Machado (2011) ont proposé un
indice établi à l’aide d’un système d’inférence fondé sur la logique floue pour effectuer une
évaluation relative générale de l’importance systématique d’une institution financière.
L’indice proposé utilise certains indicateurs importants clés de la taille de l’institution, son
interdépendance et sa substituabilité. Une expertise sert à combiner ces indicateurs.
Caetano et Caleiro (2005) ont étudié l’influence de la corruption sur les décisions
relatives à l’investissement étranger direct en appliquant une approche logique floue qui
reconnaît qu’un certain niveau de corruption perçue peut être assujetti à des évaluations
subjectives différentes effectuées par les investisseurs. Brochado et Martins (2005) ont étudié
la variation des indicateurs politiques d’un bout à l’autre du pays et leur association au niveau
des indicateurs de développement économique, humain et sexospécifique à l’aide d’un
algorithme de classification floue des k moyennes. L’exercice avait pour but de mieux
comprendre l’hétérogénéité des comportements en ce qui touche les indicateurs politiques.
Sveshnikov et Bocharnikov (2009) ont élaboré un modèle pour étudier le risque
politico-économique international lorsque des points de vue contradictoires et opposés des
pays au sujet des décisions relatives aux enjeux politiques, économiques, internes et
internationaux sont groupés à l’aide de mesures floues et d’intégrales. Ils ont effectué une
étude empirique pour estimer le risque politico-économique en Ukraine.
Magni et coll. (2006) ont étudié une autre méthode d’évaluation ferme reposant sur la
logique floue et les systèmes experts. Dans cette étude, l’analyse des flux monétaires
actualisés prévoyait des variables quantitatives et qualitatives, p.ex. les volets financiers,
stratégiques et opérationnels, de même que leur intégration mutuelle au moyen de règles
« si-alors » utilisées pour coter et classer les entreprises, et pour évaluer l’impact des
décisions prises par les cadres au sujet de la création de valeur et la qualité de la gouvernance
de la société. Smimou (2006) a effectué une étude empirique du marché à terme canadien sur
Page 34 de 67
les produits de base à l’intérieur du modèle d’évaluation des actifs financiers (CAPM) à l’aide
d’une méthode de régression floue. Smimou a fourni une analyse comparative pour démontrer
la supériorité de l’application d’une approche floue pour saisir la prime de risque dans les
contrats à terme sur produits de base sur d’autres approches rivales. Giovanis (2009) a étendu
le cadre de régression floue pour l’appliquer à la modélisation autorégressive conditionnelle
généralisée d’hétéroscédasticité (GARCH) et il a étudié l’effet du jour de la semaine sur
quatre grandes bourses. Le but principal consistait à intégrer des non-linéarités dans les
finances et le comportement humain, et éviter le recours à une classification binaire dans ce
contexte. Su et Fen (2011) ont construit une stratégie de négociation à l’aide d’un système
d’inférence floue contrôlable au plan des risques qui est bâti sur la modélisation d’équations
structurelles, et ils ont confirmé sa supériorité sur la stratégie « acheter et conserver ».
Tarification des options
Muzzioli et Torricelli (2001) ont proposé un modèle binomial de tarification des options
(OPM) d’une période, fondé sur une technique d’évaluation à risque neutre. Ils ont intégré
différents niveaux d’information sur le marché tout en modélisant le paiement des options au
moyen de nombres flous triangulaires. Lee et coll. (2005) ont appliqué la théorie des
ensembles flous au modèle de taux d’intérêt de Cox, Ross et Rubinstein (CRR) pour élaborer
un OPM binomial flou qui permet aux investisseurs de mettre à jour leur stratégie de
portefeuille d’après leurs préférences personnelles en matière de risque. Le modèle proposé
prévoit des fourchettes raisonnables de prix d’option qui offrent aux investisseurs la
possibilité de les utiliser aux fins d’arbitrage ou de couverture. Une étude empirique fondée
sur des options de l’indice S&P 500 est également effectuée pour appuyer leurs résultats
théoriques. Dans le contexte d’un modèle de valeur des options réelles, Zmeskal (2010) a
observé que souvent, les données d’entrée requises ne sont pas de qualité; il a donc déterminé
deux types d’incertitude liée aux données d’entrée : le risque et l’imprécision. Puisque le
risque est de nature stochastique et que l’imprécision découle de la nature floue inhérente des
intrants déclarés, l’auteur a proposé un modèle américain réel d’option flou-stochastique en
vertu duquel les intrants sont utilisés sous forme de nombres flous et la valeur des options est
déterminée à titre d’ensemble flou.
4 Cadre d’évaluation des risques fondé sur la logique floue
4.1 Évaluation des risques et prise de décisions
Une plateforme d’évaluation des risques et de prise de décisions construite à partir d’un
système de logique floue peut garantir la cohérence aux fins de l’analyse des risques lorsque
les données et les connaissances sont limitées. Elle permet de se concentrer sur le fondement
de l’évaluation des risques, qui englobe la relation de cause à effet entre les principaux
facteurs, de même que l’exposition à chaque risque individuel. Plutôt que de constituer un
intrant direct de la probabilité et de la gravité éventuelle d’un événement de risque, elle
encourage le raisonnement humain, à partir des faits et des connaissances jusqu’à la
Page 35 de 67
conclusion et ce, d’une manière cohérente et bien documentée. Le graphique qui suit montre
un échantillon du processus d’évaluation des risques fondé sur le système de logique floue. Il
s’agit d’une structure ascendante qui repose sur chaque risque individuel. L’exposition au
risque est ensuite agrégée au niveau de l’unité opérationnelle et de la société afin de dépister
les principaux risques.
Page 36 de 67
Figure 16. Structure hiérarchique de l’évaluation des risques
Total de la société
Principaux risques
1.
2.
…
10.
Unité opérationnelle Unité opérationnelle Unité opérationnelle Unité opérationnelle

Principaux Principaux Principaux Principaux
risques risques risques risques
1. 1. 1. 1.
2. 2. 2. 2.
… … … …
10. 10. 10. 10.
chaque risque
chaque risque
chaque risque
chaque risque
chaque risque
chaque risque
Exposition à
Exposition à
Exposition à
Exposition à
Exposition à
Exposition à
Modèles de logique floue (indicateurs de risque, fonctions d'appartenance et règles d'inférence)
Opinions d'expert
Pour garantir la comparabilité entre tous les types de risques, la même mesure doit être
adoptée pour évaluer l’exposition à chaque risque. L’une des mesures possibles est le montant
estimatif des pertes dans le cadre d’événements extrêmes. Si la distribution de la perte peut
être simulée à l’aide d’un modèle de logique floue, compte tenu de la distribution des
variables indépendantes, la mesure pourrait se situer aux environs du 99,5e centile de la
distribution de la perte (un événement en 200 ans). En utilisant le montant de la perte comme
variable de sortie, il est possible de classer les risques selon le résultat de la clarification, une
valeur numérique qui mesure le niveau de l’exposition au risque. L’opération s’apparente au
classement fondé sur le degré de certitude que l’exposition au risque est élevée. La figure 17
illustre le classement des risques d’après le montant estimatif de perte dans le cadre
d’événements extrêmes. Le montant des pertes peut être évalué à partir du résultat de la
clarification à l’aide d’un modèle de logique floue. Ce modèle peut utiliser le montant des
pertes comme variable de sortie. La valeur des variables d’entrée en vertu d’un événement
extrême est insérée dans le modèle pour obtenir le montant estimatif des pertes pour un
certain risque. Une autre méthode consiste à utiliser une simulation, comme l’indique la
figure 11. La distribution du montant des pertes peut être simulée, et la valeur au centile
désigné peut être utilisée pour représenter l’exposition au risque.
Page 37 de 67
Figure 17. Classement des risques d’après le montant des pertes
Degré de certitude
Risque 2
En plus de faciliter l’identification des principaux risques, les modèles de logique floue
peuvent renfermer de l’information au sujet des causes de l’exposition au risque ou des
facteurs qui influent sensiblement sur cette exposition. On peut en dégager des indices qui
guident vers des méthodes d’atténuation des risques éventuels. Le coût de la couverture des
risques, ou de leur atténuation, peut être ajouté au modèle de logique flou à titre de variable
de sortie supplémentaire. Cette démarche aidera la direction à déterminer les risques qui
doivent être atténués et à préciser l’approche qui se révélera la plus rentable pour atteindre cet
objectif.
Jusqu’à présent, notre discussion suppose que tous les experts partagent le même point de
vue au sujet des risques. Compte tenu des différences de compréhension et d’expérience entre
les experts, il est peu probable que cela soit vrai dans la réalité. Par conséquent, il est
nécessaire de grouper les opinions divergentes. Il existe de nombreuses façons d’y arriver.
1. Rajuster les fonctions d’appartenance et les règles d’inférence pour grouper les
opinions divergentes. Dans l’exemple donné dans la figure 18, la moyenne pondérée
des fonctions d’appartenance de l’expert A et de l’expert B peut être utilisée comme
fonction d’appartenance groupée aux fins d’un ensemble flou élevé. Des coefficients
de pondération peuvent être établis d’après l’expérience de chaque expert, sa
connaissance de la question à l’étude, sa confiance dans son opinion et l’exactitude de
ses estimations antérieures.
Page 38 de 67
Figure 18. Agrégation des fonctions d’appartenance
Fonction d'appartenance d'un ensemble flou

élevé
1,0
0,8
Degré de certitude
0,6
0,4
0,2
0,0
0 1 2 3 4 5&+
Expert A Expert B Agrégé Agrégé - avec rajustement
Il est également possible qu’il existe des opinions différentes au sujet des règles
d’inférence proprement dites. Si la différence n’est pas trop prononcée, un
rajustement de la fonction d’appartenance pourrait permettre d’en tenir compte.
Supposons les deux règles d’inférence suivantes.
Expert A : Si X est élevé, alors Y est élevé.

Expert B : Si X n’est pas faible, (moyen ou élevé), alors Y est élevé.
La fonction d’appartenance agrégée de l’ensemble flou élevé peut être déplacée vers
la gauche, comme l’indique la figure 18. En modifiant la fonction d’appartenance de
l’ensemble flou élevé, nous tenons partiellement compte de la règle d’inférence selon
laquelle « Si X est moyen, alors Y est élevé ». Entretemps, une seule règle d’inférence
doit être incluse dans le modèle de logique floue.
Si X est élevé, alors Y est élevé.
Toutefois, si des opinions sont divergentes au sujet des règles d’inférence, il est
nécessaire de comprendre le raisonnement qui motive chaque opinion. Les experts
peuvent revoir leurs opinions après avoir pris connaissance de celles des autres
participants. Si des opinions divergentes subsistent à la fin de la discussion, les deux
règles d’inférence peuvent être éliminées du modèle, car le désaccord peut révéler un
manque de connaissance et un faible niveau de crédibilité.
Page 39 de 67
2. Chaque expert peut posséder son propre modèle de logique floue comportant des
fonctions d’appartenance et des règles d’inférence exclusives. Le résultat global de
l’évaluation des risques correspond simplement à la moyenne pondérée des résultats
produits par les différents modèles. Contrairement à la première approche, qui rajuste
les intrants du modèle, la seconde rajuste les extrants du modèle en les fusionnant.
3. Un exemple précis de la seconde approche consiste à attribuer une pondération égale

à toutes les opinions que l’on retrouve dans l’ensemble des documents sur les
modèles de logique floue. Cette démarche est habituellement utilisée en présence
d’un petit nombre d’experts, lorsque le but consiste à établir un classement d’après le
niveau de risque. Par exemple, on compte n experts qui donnent leur point de vue sur
le niveau de risque de A et B. Si plus de n/2 experts optent pour A comme l’élément le
plus risqué, A sera réputé plus risqué que B. Cette démarche peut permettre de repérer
les cas les plus risqués pour un risque individuel précis; mais elle ne se prête pas très
bien à l’agrégation à l’échelle de l’unité opérationnelle et pour l’ensemble de la
société.
4.2 Modèle du capital économique requis
La détermination du capital économique requis (CER) pour les risques à l’aide de

données d’expérience insuffisantes pose un défi. En raison de l’insuffisance de données
historiques pertinentes sur les pertes, et de la vaste portée ainsi que l’intervalle possible des
pertes qui pourraient découler de ces risques, il est difficile de quantifier l’exposition à ces
risques. Certaines sociétés ont recours à des modèles réglementaires ou à des modèles
d’agences de notation du crédit. D’autres évaluent l’exposition en se reportant au CER de
leurs pairs pour le risque opérationnel. Toutefois, ces méthodes représentent habituellement
des approches factorielles de haut niveau, notamment x % du revenu/des primes, des gains, de
l’actif ou du capital requis pour un autre type de risque. De tels facteurs ne parviennent pas
toujours à tenir compte complètement de la différence au chapitre des pratiques réelles
d’exposition au risque et de gestion des risques entre les diverses sociétés.
Même à défaut de données suffisantes sur les pertes aux fins de quantification, les
systèmes de logique floue peuvent faciliter l’évaluation du CER pour certains risques à l’aide
d’une approche ascendante, en supposant une contribution suffisante de la part des experts en
la matière. Comme l’indique la Section 2.2 Exemple numérique, la variable de sortie peut être
simulée pour obtenir la distribution, la valeur à risque (VaR) et l’espérance conditionnelle
unilatérale (ECU). Si la variable de sortie correspond à la perte annuelle liée au risque, le
CER peut représenter, par exemple, le 99,5e centile 15 de la distribution de la perte simulée
moins la perte moyenne. Une autre façon consiste à établir la différence entre la perte
estimative en vertu d’un événement extrême et la perte attendue. Le CER au niveau agrégé
peut être évalué de deux façons.
15
Le 99,5e centile équivaut à un événement aux 200 ans. Le centile peut être choisi selon la propension
de la société à prendre des risques.
Page 40 de 67
1. Agréger le CER de chaque risque individuel à l’aide d’une matrice de corrélation,
comme dans l’exemple de trois coefficients de risque ci-après.
 1 ρ12 ρ13  CER1 

  
CER Total = (CER1 CER2 CER3 ) ρ12 1 ρ 23  CER2 
ρ ρ 23 1  CER3 
 13
Notations
CERTotal : Capital économique requis agrégé
CERi : Capital économique requis pour coefficient de risque i
ρij: Coefficient de corrélation des coefficients de risque i et j
2. Produire des valeurs corrélées pour toutes les variables d’entrée et exécuter la
simulation pour obtenir la distribution de la perte agrégée, puis le CER agrégé,
comme il est indiqué ci-après.
Figure 19. CER agrégé à l’aide d’une simulation
Exposition au
risque
agrégée
CERTotal
Simulation fondée sur des

systèmes de logique floue
1er coeff. de risque 2e coeff. de risque 3e coeff. de risque
Exposition à
chaque
risque
CER1 CER2 CER3
PIR(1) PIR(2) …… …… PIR(n)
Principaux
indicateurs
de risque
Notations
PIR : Principaux indicateurs de risque
CERTotal : Capital économique requis agrégé
CERi : Capital économique requis pour coefficient de risque i
Il n’est pas facile de déterminer la corrélation du CER pour chaque risque. Dans bien des
cas où le modèle de logique floue est utilisé, les données d’expérience sont insuffisantes. Il
sera encore plus difficile d’établir la corrélation pertinente entre les différents risques, car
Page 41 de 67
cette tâche exige habituellement une série chronologique de données de panel aux fins
d’étalonnage. En outre, la corrélation entre les CER pour différents risques n’est pas la même
que celle des risques proprement dits. Une approche plus raisonnable au plan théorique
consiste à intégrer la corrélation ou la dépendance à la base du système de logique floue,
c’est-à-dire au niveau des variables d’entrée. La distribution des pertes à des niveaux
différents peut être simulée, et le CER peut être calculé d’après cette distribution. C’est
pourquoi la deuxième méthode convient davantage au calcul du CER dans un système de
logique floue. Un exemple de calcul du CER et de son agrégation figure à la Section 6 Études
de cas.
5 Considérations clés
Dans le cadre de l’application des systèmes de logique floue à l’évaluation des risques et
à la prise de décisions, vous serez confrontés à nombre de questions et défis d’ordre pratique.
Même si le système repose sur des bases théoriques solides, sa réussite dépend de nombreux
facteurs, notamment la qualité des opinions formulées par les experts, sa crédibilité et ses
liens avec les décisions de la direction. La présente section porte sur les principaux facteurs à
prendre en compte pour l’élaboration et l’application d’un système pratique de logique floue.
5.1 Opinions d’experts : Collecte et analyse
Les opinions formulées par les experts en la matière ou les gestionnaires des opérations
constituent la principale source d’information d’un système de logique floue. Il ne s’agit pas
d’un effort ponctuel, mais plutôt d’un processus itératif. Un échantillon de ce processus est
reproduit ci-après.
Étape 1. La demande d’opinions au sujet d’une question ou d’un risque est envoyée. Elle
peut comprendre des questions concernant les principaux facteurs qui peuvent
entraîner un événement lié au risque, la valeur de chaque facteur lié à des polices
en vigueur, les relations de cause à effet connues, les mesures du risque qui
peuvent être utilisées et la relation avec d’autres types de risque. Cela peut se
faire de façon électronique, dans le cadre d’entrevues avec chaque expert ou par
discussion de groupe. Si la question est nouvelle et compliquée, il est plus
efficace d’effectuer une présentation et de tenir une discussion.
Étape 2. Les opinions recueillies sont agrégées et analysées. Si des opinions sont
contraires, une explication supplémentaire des experts peut être requise pour bien
comprendre la pensée qui les sous-tend. Par la suite, un modèle de logique floue
comportant des variables, des fonctions d’appartenance et des règles d’inférence
précises est proposé aux experts pour obtenir leurs commentaires et leur
approbation.
Page 42 de 67
Étape 3. La rétroaction au sujet du modèle proposé est analysée et prise en compte dans la
version finale du modèle. Cette étape peut s’étendre sur plusieurs séries de
communication.
Étape 4. Une fois la version finale du modèle achevée, un processus pertinent de collecte
de données et de surveillance des risques doit être mis en place. Des rapports
périodiques au sujet de l’exposition actuelle au risque sont préparés d’après le
modèle de logique floue. Ces rapports sont distribués aux experts aux fins de
commentaire et d’information. D’après les résultats du modèle, l’expérience
acquise, l’évolution du contexte ou une meilleure compréhension, les experts
peuvent revoir leurs opinions, ce qui exige un examen régulier et la mise à jour
du modèle.
Pour favoriser la contribution des experts au système de logique floue, il est essentiel de
présenter le produit fini et de leur en faire rapport pour qu’ils puissent saisir le résultat de
leurs efforts. Les experts sont habituellement des gestionnaires des opérations. Si le modèle
peut leur fournir de l’information au sujet de l’exposition au risque de leurs activités
opérationnelles actuelles ou de leurs stratégies éventuelles futures, ils seront plus susceptibles
d’y consacrer davantage de temps parce qu’ils en tireront un avantage pour leurs décisions
d’affaires.
5.2 Sélection des fonctions d’appartenance
La fonction d’appartenance est un intrant essentiel pour le système de logique floue. Il

peut être facile d’élaborer des règles d’inférence, mais il en va tout autrement de la conception
de fonctions d’appartenance parce qu’il faut convertir la description qualitative en une mesure
quantitative. Plusieurs approches peuvent être utilisées à cette fin.
1. Demander aux experts en la matière de fournir des intrants. Les modèles de logique
floue dépendent dans une large mesure du raisonnement humain. Lorsque les
opinions sont recueillies auprès des experts, il est important de demander à ces
derniers de définir ce qu’ils entendent par les notions « élevé, moyen, faible ».
Prenons l’exemple de la cote de crédit, dont nous avons déjà discuté. Des énoncés tels
« toute cote supérieure à 1,5 n’est pas faible » ou « toute cote inférieure à 0,5 est
absolument faible », sont utiles pour créer la fonction d’appartenance. Une fonction
d’appartenance raisonnable pour l’ensemble flou de la cote de crédit faible pourrait se
lire comme suit :
1 x ≤ 0.5
µ Low = = (1.5 − x )
0.5 < x ≤ 1.5
Faible
µ ( x)(x) 1
0 x > 1.5
La fonction d’appartenance choisie doit être communiquée à ces experts pour
obtenir leur approbation. Il s’agit d’un processus fastidieux qui exige la formation des
personnes qui fourniront leur contribution au système de logique floue. Des experts
différents peuvent avoir des opinions différentes au sujet de la fonction
d’appartenance. Il est nécessaire de grouper différentes opinions et de trouver une
Page 43 de 67
façon de les agréger. La manière la plus simple consiste à ajouter un coefficient de
pondération à l’opinion de chaque personne et d’utiliser la fonction d’appartenance
moyenne pondérée. Par contre, la façon de calculer le coefficient de pondération et
d’en maintenir la simplicité relève de l’art plutôt que de la science.
2. Si des données d’expérience sont disponibles, la fonction d’appartenance peut parfois

être partiellement étalonnée. Cette étape est habituellement franchie après l’utilisation
du système de logique floue pendant une certaine période. Il pourrait exister certains
renseignements concernant l’efficacité du système par rapport à ce qui s’est vraiment
passé. Il serait peut-être possible d’améliorer la fonction d’appartenance en se fondant
sur l’expérience. La pondération de l’opinion de chaque expert peut aussi être
rajustée.
3. D’autres modèles peuvent être utilisés conjointement avec le modèle de logique floue
de manière à permettre l’étalonnage des fonctions d’appartenance. Le système
d’inférence neuro-floue adaptatif (ANFIS), qui marie le réseau neuronal artificiel et le
modèle de logique floue, est un exemple. Toutefois, il exige un très vaste ensemble de
données de formation qui n’est habituellement pas applicable au risque opérationnel.
5.3 Rôle des données d’expérience
Pour la plupart des risques traités à l’aide de modèles de logique, il n’existe peut-être pas
suffisamment de données. Le caractère raisonnable du modèle relève principalement des
experts ou des gestionnaires des opérations. Les commentaires sur les règles d’inférence ou
sur les fonctions d’appartenance peuvent exercer une influence importante sur le résultat
d’une évaluation des risques. Toutefois, le contrôle ex post des données d’expérience (pour
autant qu’elles soient disponibles) peut servir à valider ou à améliorer les modèles. La
comparaison de l’expérience actuelle et du modèle représente une option qui peut être utilisée
après la mise en œuvre du système de logique floue. Fondées sur les données d’expérience,
les fonctions d’appartenance peuvent être rajustées ou étalonnées pour mieux prédire la
variable de sortie. Le suivi des intrants effectué par chaque expert peut également révéler leur
niveau de correspondance avec les données d’expérience; la pondération des opinions de
chaque expert peut être rajustée en conséquence. En outre, lorsque des données suffisantes ont
été recueillies, elles peuvent également influer sur la compréhension du sujet par les experts et
elles peuvent aussi modifier ces intrants, y compris les règles d’inférence et les fonctions
d’appartenance. En bout de ligne, si les données sont suffisantes, des modèles de logique
floue peuvent être convertis en modèles fondés sur la théorie des probabilités, mais pas
nécessairement 16.
Contrairement à certains modèles fondés sur les données, le poids exercé sur les données
d’expérience lorsque l’on précise un modèle de logique floue n’est pas lourd dans la plupart
des cas.
16
Un exemple simple d’utilisation des données d’expérience est présenté à l’annexe.
Page 44 de 67
1. Les données d’expérience recueillies ne sont peut-être pas crédibles au plan
statistique pour revoir les paramètres actuels du modèle et les règles d’inférence. Il est
probable que des données pertinentes ne seront recueillies d’une manière significative
qu’après la mise en œuvre du modèle de logique floue.
2. Pour la gestion des risques, le renseignement le plus utile a trait aux événements
extrêmes. Il sera encore plus difficile de recueillir des données sur ces événements.
3. Les liens explicites de cause à effet fondés sur le modèle de logique floue empêchent
le modèle de changer uniquement en fonction des données d’expérience,
contrairement à certains modèles d’exploration des données. À moins que
l’expérience ne soit analysée et très bien comprise, elle pourrait ne pas causer de
changement au sein du modèle.
L’analyse des données d’expérience offre des occasions d’améliorer nos connaissances
sur les risques et d’accroître l’exactitude du modèle de logique floue. Les données peuvent
renfermer des renseignements contraires aux règles d’inférence présumées. En analysant les
données, on peut corriger un malentendu, découvrir de nouveaux facteurs sous-jacents et
revoir les règles d’inférence.
5.4 Examen du système de logique floue
À l’instar d’autres outils de gestion des risques, notamment la propension à prendre des
risques, les systèmes de logique floue doivent être examinés et mis à jour de temps à autre.
1. Il se peut que de nouveaux risques doivent être inclus dans le système en raison de
nouvelles affaires ou d’un changement du contexte des affaires.
2. Il se pourrait que l’on comprenne mieux la question d’après de récents travaux de
recherche universitaire ou l’expérience des pertes enregistrées récemment.
3. Il se peut que la société ait modifié sa stratégie. Dans ce cas, l’exposition de la société
à chaque risque doit être mise à jour.
Selon la portée du système de logique floue, il pourrait s’avérer difficile de produire une
mise à jour intégrale. Pour optimiser le temps consacré par les experts, il faut garantir un
équilibre. Il importe de faire en sorte que le processus de mise à jour soit aussi facile et
valorisant que possible. Une interface conviviale pourrait permettre aux experts de mettre à
jour leurs opinions. Des rapports périodiques au sujet de l’exposition au risque et les
répercussions d’éventuelles stratégies de gestion des risques maintiennent l’intérêt et
l’empressement à participer au processus continu.
5.5 Liens avec la prise de décisions
Un système d’évaluation des risques a pour but ultime d’aider les décideurs à prendre des
décisions éclairées en matière de risque. Même si un système de logique floue peut être utilisé
pour évaluer l’exposition au risque du point de vue quantitatif, c’est la classification des
Page 45 de 67
risques qui représente l’élément vraiment significatif. Ainsi, les décideurs peuvent repérer les
principaux risques et ils acquièrent une meilleure compréhension de l’ampleur relative des
risques. Dans la mesure où les hypothèses et les approches utilisées pour évaluer les risques
sont cohérentes, la classification fondée sur le modèle de logique floue est significative. En
outre, les systèmes de logique floue peuvent servir à évaluer le coût de l’atténuation des
risques.
1. Au niveau du risque individuel : pour chaque risque individuel, les principaux

facteurs qui alimentent l’exposition au risque peuvent être identifiés par le modèle de
logique floue. Par exemple, le risque d’inconduite lié à chaque produit d’une société
peut être évalué et classifié. Les produits exposés à un risque d’inconduite élevé
peuvent ensuite être surveillés et même examinés si l’expérience des mauvais risques
se prolonge sur une longue période. Les mesures appliquées peuvent englober une
formation plus poussée pour les conseillers, un régime rajusté de rémunération des
conseillers qui pénalise la publicité trompeuse, ou une simplification du produit. Un
autre exemple porte sur l’identification des principaux événements qui peuvent ternir
la réputation d’une société. Une liste des événements présentant des risques éventuels
peut être dressée à partir de l’évaluation effectuée par la société ou de l’analyse des
opinions publiques. Un modèle de logique floue peut être utilisé pour classifier ces
événements et les mesures nécessaires peuvent être prises pour gérer le risque.
2. Au niveau de l’unité opérationnelle : Les principaux risques peuvent être identifiés

par le système de logique floue; à ce moment, les mesures nécessaires de surveillance
et de gestion des risques peuvent être prises dans les unités opérationnelles. Outre les
risques existants, l’exposition aux risques émergents et aux nouveaux risques
susceptibles d’être imputables à de nouvelles stratégies d’affaires peuvent être
évaluées par le système de logique floue. Le résultat peut ensuite être intégré au
processus décisionnel de sorte que les stratégies d’affaires futures comprennent un
examen suffisant des risques éventuels.
3. Au niveau de l’entreprise : Au haut de la pyramide, en plus de l’identification et de

l’évaluation des risques, les systèmes de logique floue peuvent jouer un rôle
important au plan de la planification stratégique et ils peuvent influer sur les
nouveaux plans d’affaires et sur la gestion stratégique du capital. Les décideurs
peuvent obtenir un point de vue plus général des risques de l’entreprise dans le cadre
de la planification de son avenir.
6 Études de cas
La présente section renferme deux exemples d’application de modèles de logique floue à

la gestion des risques, l’un au niveau microdimensionnel et l’autre au niveau
macrodimensionnel.
Page 46 de 67
6.1 Identification et évaluation de l’opinion publique négative
L’opinion publique au sujet de la performance d’une entreprise ou de sa contribution à la

société est importante pour la gestion du risque d’atteinte à la réputation. L’opinion peut
également influer directement sur la performance boursière à court terme. Par conséquent, la
collecte et l’analyse de l’opinion publique sont utiles. Cette démarche est parfois désignée
« exploration de l’opinion » ou « analyse psychologique ». De nombreuses sociétés scrutent
l’opinion publique en consultant les médias sociaux, les journaux, l’actualité en ligne, les
blogues, Twitter, etc. Habituellement, cette tâche est exécutée de façon ponctuelle ou
manuellement, ce qui pourrait être insuffisant (trop peu, trop tard), plus particulièrement pour
les grandes sociétés d’envergure mondiale. Un cadre permettant d’identifier et d’évaluer
l’opinion publique sur une base plus fréquente, voire quotidienne, est idéal car l’information
se répand à la vitesse de l’éclair et l’impact d’une opinion publique négative sur le cours des
actions peut être immédiat. À l’aide de ce type d’information, l’équipe de direction peut
prendre rapidement des mesures pour atténuer ou même éviter des répercussions négatives.
Les modèles de logique floue peuvent convenir parce que les éléments de référence au sujet
de l’opinion publique sont généralement exprimés sous forme linguistique. Le schéma d’un
cadre d’identification et d’évaluation fondé sur un modèle de logique floue figure ci-après.
Figure 20. Schéma du suivi de l’opinion publique

Médias sociaux Journaux
Actualités en ligne Blogues
Moteur de recherche Sources d'inform ation
Chercher la raison sociale ou la cote Tw itter Facebook
boursière LinkedIn Google+
Dégager des opinions importantes

Moteur d'exploration textuelle
au sujet de la société
Modèle de logique floue
Évaluer l'impact négatif éventuel

Évaluation des risques pour déterminer les principaux
problèmes
Clarification, atténuation des

Mesures de la direction
risques, mesures réparatrices
Les modèles de logique floue peuvent servir à identifier et à évaluer les opinions
publiques négatives qui seront portées à l’attention de la haute direction. Après l’analyse de
l’information recueillie à l’aide d’un moteur d’exploration textuelle pour dégager une liste de
problèmes éventuels, le modèle de logique floue peut aider à identifier les opinions les plus
problématiques. Plutôt que d’attribuer une valeur numérique à chaque variable indépendante,
des règles d’inférence fondées sur une description linguistique des variables indépendantes
peuvent être utilisées à cette étape. Cela s’apparente au processus de raisonnement humain, à
la différence qu’en l’occurrence, l’intrant prend la forme d’opinions décrites en termes
qualitatifs. Lorsque l’on évalue le risque lié aux problèmes identifiés, on peut utiliser un
modèle de logique floue différent et plus complexe, qui repose sur les répercussions
Page 47 de 67
éventuelles sur la valeur de la franchise. Par ailleurs, un modèle de logique floue combiné
peut être utilisé pour regrouper l’identification et l’évaluation en une seule étape, mais une
telle démarche pourrait entraîner un plus long délai de traitement, car un modèle de logique
floue plus complexe doit traiter tous les renseignements recueillis.
Un exemple simplifié est reproduit ci-bas pour illustrer le processus d’élaboration et

d’utilisation d’un tel cadre de gestion du risque d’atteinte à la réputation.
Étape 1. Recueillir les opinions publiques au sujet de la Société XYZ auprès de sources
diverses, notamment les médias sociaux, les journaux, les blogues et les réseaux
sociaux, dont Twitter, Facebook, LinkedIn et Google+.
Étape 2. Utiliser des techniques avancées d’exploration de textes pour résumer chaque
opinion en une phrase ou un court paragraphe. Un exemple de liste est fourni
ci-après. Dans la réalité, cette liste peut être bien plus longue.
Tableau 3. Exemple de liste d’opinions publiques
o Description de Source Nombre de Opinions

N Catégorie
l’« opinion » d’information commentaires divergentes
Il N’EST PAS bon pour XYZ
d’acheter ABC en raison Stratégie
1 Twitter 4 50 %
de l’ampleur de l’exigence d’affaires
de capital.
XYZ ne cesse de majorer
Compétitivité
2 le taux de prime, ce qui Blogues 5 0%
des produits
complique la vente.
XYZ a aidé les collectivités
locales à améliorer la Responsabilité
3 Journaux 10 0%
santé des enfants et sociale
l’éducation.
Les gains de XYZ au
prochain trimestre seront Rendement des
4 Blogues 17 60 %
vraisemblablement plus actions
faibles que prévu.
Des investisseurs
prévoient de poursuivre Rendement des
5 Twitter 14 0%
XYZ pour perte imputable actions
à une gestion inadéquate.
Le programme de
couverture mis en place
Blogues et Rendement des
6 par XYZ semble trop 18 40 %
Twitter actions
prudent pour que les
investisseurs espèrent un
Page 48 de 67
rendement positif de leur
avoir.
Certains clients craignent
que les ventes croisées de Protection des
Bulletin de
7 XYZ ne causent une fuite 18 renseignements 0%
nouvelles télévisé
de leurs renseignements personnels
personnels et privés.
XYZ prévoit d’élargir son
marché en Asie au cours Stratégie
8 Journaux 1 0%
des cinq prochaines d’affaires
années.
J’ai été piégé pour acheter
un produit de XYZ
9 Twitter 3 Fausse publicité 0%
comportant une très
faible valeur garantie.
Il est possible que XYZ
vende son unité de
Renseignements
10 services des régimes de Twitter 5 0%
d’initiés
retraite au prochain
trimestre.
Étape 3. Utiliser un modèle de logique floue pour trouver des opinions importantes au
sujet de la société. Un exemple suit.
Table 4. Exemple de modèle de logique floue : Publicité négative
Publicité négative
Principaux indicateurs de risque
1. Source d’information : Les types de sources peuvent être classés selon leur importance. Par
exemple, une nouvelle à la télévision est vraisemblablement plus importante qu’un
commentaire sur Twitter.
2. Popularité du sujet : Elle peut être mesurée d’après le nombre de fois où le sujet a été
abordé.
3. Degré d’uniformité des opinions : Cet élément pourrait englober la question de savoir s’il
existe des opinions contraires et laquelle jouit du meilleur appui.
4. Objet de l’opinion : Performance boursière, compétitivité du produit, protection des
renseignements personnels, fausse publicité, renseignements d’initiés, etc. La société peut
avoir sa propre liste reposant sur le type d’activité et sa stratégie de gestion des risques.
Règles d’inférence
1. Si [(le niveau d’information est important) ou (le sujet est populaire)] et (le sujet figure sur la
liste de priorité), alors le risque est élevé.
2. Si (le degré d’uniformité n’est pas élevé) et (le sujet ne figure pas sur la liste de priorité),
alors le risque est faible.
Page 49 de 67
3. Si (le degré d’uniformité est élevé) et (le sujet est populaire), alors le risque n’est pas faible.
……
Résultat
Une liste d’éléments éventuels sur la perception du public au sujet de la société.
La liste à l’étape 2 peut être raccourcie en choisissant les opinions négatives à risque
élevé. Elle peut comprendre une mauvaise opinion au sujet de la valeur de la société, de sa
responsabilité sociale, de sa compétitivité, de sa réputation, etc.
Tableau 5. Exemple de liste d’opinions publiques à risque élevé
o Source Nombre de Opinions

N Description de l’« opinion » Catégorie
d’information commentaires divergentes
XYZ ne cesse de majorer le
Compétitivité
2 taux de prime, ce qui Blogues 5 0%
des produits
complique la vente.
Les gains de XYZ au prochain
trimestre seront Rendement des
4 Blogues 17 60 %
vraisemblablement plus actions
faibles que prévu.
Des investisseurs prévoient
de poursuivre XYZ pour Rendement des
5 Twitter 14 0%
perte imputable à une actions
gestion inadéquate.
Le programme de
couverture mis en place par
XYZ semble trop prudent Rendement des
6 Blogues et Twitter 18 40 %
pour que les investisseurs actions
espèrent un rendement
positif de leur avoir.
Certains clients craignent
que les ventes croisées de Protection des
Bulletin de
7 XYZ ne causent une fuite de 18 renseignements 0%
nouvelles télévisé
leurs renseignements personnels
personnels et privés.
Il est possible que XYZ vende
son unité de services des Renseignements
10 Twitter 5 0%
régimes de retraite au d’initiés
prochain trimestre.
Page 50 de 67
Étape 4. Utiliser le modèle de logique floue pour évaluer l’impact sur la valeur de
franchise et le coût des mesures d’atténuation des risques. Le modèle de logique
floue peut constituer une version étendue du modèle mentionné à l’étape 3. Parmi
les autres variables d’entrée qui peuvent être incluses, mentionnons la question de
savoir si l’opinion au sujet de l’entreprise est négative et si l’impact est négatif
dans la mesure où l’opinion est fausse. Les variables de sortie peuvent
comprendre le montant estimatif de la perte et le coût de l’atténuation des risques.
a. Montant de la perte = Montant de base × Coefficient de risque de publicité

négative
1. Un coefficient de risque de publicité négative peut être choisi pour tenir
compte d’un niveau de confiance conforme à la propension de
l’entreprise à prendre des risques. Par exemple, un événement survenant
aux 200 ans peut être sélectionné plutôt qu’un événement aux 100 ans
pour une entreprise très prudente.
2. Le montant de base peut être déterminé à l’aide de l’expérience, au
niveau de l’entreprise ou la moyenne pour le secteur. Il peut être difficile
de déterminer le montant de base. Les pertes historiques imputables à la
publicité négative peuvent donner un aperçu d’une fourchette raisonnable
du montant de base, que l’on peut envisager comme le coût d’un
événement de risque avec coefficient de risque 1. Au plan conceptuel, le
processus est semblable à la façon dont certaines sociétés calculent le
capital économique requis pour le risque opérationnel, notamment
l’utilisation du produit d’un coefficient de niveau de risque et les gains en
vertu des principes comptables généralement reconnus (PCGR) ou le
capital requis pour d’autres risques. Les gains selon les PCGR ou le
capital requis pour d’autres risques peuvent être envisagés comme un
élément correspondant du « montant de base » et le coefficient
s’apparente au « coefficient de risque de publicité négative ». À défaut
d’expérience, il convient d’obtenir une estimation des experts.
b. Le coût d’atténuation des risques peut être évalué d’après la source

d’information et l’objet de l’opinion.
Étape 5. Vérifier les opinions choisies par rapport aux faits.
Étape 6. Prendre des décisions au sujet de la gestion des principales questions relevées.
Parmi les mesures possibles, il y aurait lieu de préciser les faits au moyen d’un
communiqué de presse ou d’une séance d’information.
Page 51 de 67
Tableau 6. Exemple de liste d’opinions publiques et de plans d’atténuation
des risques
o
N Description des « opinions » Plan possible d’atténuation des risques
XYZ ne cesse de majorer le taux de prime, Rendre les produits plus attrayants en modifiant leurs
ce qui complique la vente. caractéristiques, en réduisant la prime, en majorant la
2
rémunération des conseillers ou en sensibilisant le public
au sujet des motifs de la hausse des taux.
Des investisseurs prévoient de poursuivre Rendre le processus décisionnel et la stratégie d’affaires
5 XYZ pour perte imputable à une gestion plus transparents et informer le public des poursuites.
inadéquate.
Le programme de couverture mis en Ajouter de l’information dans les rapports financiers au
place par XYZ semble trop prudent pour sujet des avantages de la couverture et communiquer
6
que les investisseurs espèrent un clairement avec les investisseurs.
rendement positif de leur avoir.
Certains clients craignent que les ventes Mettre un terme à la vente croisée ou en aviser les clients
croisées de XYZ ne causent une fuite de et obtenir leur approbation.
7
leurs renseignements personnels et
privés.
Il est possible que XYZ vende son unité de Analyser la source de l’information et en faire rapport aux
10 services des régimes de retraite au organismes de réglementation en cas d’opérations avec
prochain trimestre. apparentés.
Plutôt que d’utiliser le modèle de logique floue, ce cadre pourrait reposer sur un modèle
du type arbre de décision. Toutefois, à mesure que le modèle deviendra plus complexe avec le
nombre croissant de variables indépendantes, le modèle de logique floue pourrait toutefois
constituer un meilleur choix. Si la liste sélectionnée est suffisamment courte, plutôt que
d’utiliser le modèle de logique floue à l’étape 4, une analyse exhaustive des opinions
individuelles pourrait également représenter une approche possible. Toutefois, si la quantité
de renseignements à analyser est imposante, les modèles de logique floue peuvent accroître
l’efficience et la cohérence du processus.
6.2 Agrégation des risques et budgétisation
Les risques modélisés à l’aide du cadre de logique floue peuvent être groupés à différents
niveaux pour donner un aperçu général du profil de risque de la société. L’agrégation peut se
faire au niveau du secteur d’activité, de l’unité opérationnelle ou de la société. Lorsque le
montant potentiel de la perte est utilisé comme extrant du modèle de logique floue, il peut être
intégré au modèle de capital économique, dans lequel d’autres risques sont mesurés à l’aide
de modèles probabilistes. L’exemple qui suit illustre le processus d’agrégation et son
incidence sur la stratégie de prise de risques. Il est réduit à sa plus simple expression; le cas
réel peut paraître beaucoup plus compliqué.
Page 52 de 67
La société XYZ est une société d’assurances IARD active dans deux régions du monde,
l’Amérique du Nord et le Moyen-Orient. Ses principales branches d’activité sont l’assurance
automobile et l’assurance de propriétaire-occupant. XYZ a été fondée il y a 50 ans et possède
une grande expérience interne de données au sujet du risque d’assurance. Elle utilise un cadre
de capital économique pour mesurer son exposition au risque. Dans le cas des types de risque
pour lesquels il existe suffisamment de données d’expérience réelles, notamment sur le risque
de marché, de crédit et d’assurance, la société utilise des modèles quantitatifs fondés sur la
théorie des probabilités. Toutefois pour les autres risques, pour lesquels XYZ ne possède pas
une expérience suffisante ou de ressources suffisantes pour construire des modèles
quantitatifs, la société utilise des modèles de logique floue pour mesurer son exposition au
risque. Les principaux risques traités par le cadre de logique floue portent sur les changements
climatiques, la cybersécurité, la publicité négative, l’instabilité régionale et le terrorisme. Un
échantillon de modèles de logique floue est présenté ci-après au titre de ces risques, à
l’exception du risque de publicité négative, qui a été abordé à la Section 6.1.
Tableau 7. Exemple de modèle de logique floue : Changements climatiques
Changements climatiques
1. Fréquence : Tendance à la hausse des récentes inondations
2. Gravité : Tendance à la hausse des récentes inondations
3. Le lieu des polices souscrites
1. Si (la tendance de l’augmentation de la gravité est élevée) et (les biens assurés sont situés
dans la zone à haut risque), alors le risque est élevé.
2. Si (la tendance de l’augmentation de la gravité n’est pas élevée) et (la tendance de
l’augmentation de la fréquence est élevée) et (les biens assurés sont situés dans la zone à
haut risque), alors le risque est moyen.
3. Si (les biens assurés ne sont pas situés dans la zone à haut risque), alors le risque est faible.
……
Montant de la perte = Somme assurée × Coefficient de risque de changements climatiques
Notes
1. Le coefficient de risque de changements climatiques peut être choisi pour tenir compte d’un
niveau de confiance conforme à la propension de la société à prendre des risques.
2. L’évaluation des risques peut être effectuée pour l’ensemble des polices en vigueur ou pour
chaque nouvelle police prévue, puis les données sont regroupées.
Page 53 de 67
Tableau 8. Exemple de modèle de logique floue : Cybersécurité
Cybersécurité
1. Technologie de la cybersécurité
2. Normes de cybersécurité
3. Portée de l’information privée recueillie
4. Impact des incidents antérieurs
1. Si (la technologie est avancée) et (la norme est élevée), alors le risque n’est pas élevé.
2. SI (l’impact des incidents antérieurs est élevé), alors le risque n’est pas faible.
3. Si (la portée n’est pas étroite), alors le risque n’est pas faible.
……
Montant de la perte = Somme assurée × Coefficient de risque de cybersécurité
Notes
1. Le coefficient de risque de cybersécurité peut être choisi pour tenir compte d’un niveau de
confiance conforme à la propension de la société à prendre des risques.
2. Le montant de base peut être déterminé à l’aide de l’expérience ou de l’apport des experts.
Tableau 9. Exemple de modèle de logique floue : Instabilité régionale
Instabilité régionale
1. Lieu des polices souscrites
2. Pertes imputables à la guerre
3. Intervention extérieure
1. Si (les biens assurés sont situés dans une zone à haut risque) et (les répercussions de
l’intervention extérieure sont élevées), alors le risque est élevé.
2. Si (les pertes imputables à la guerre sont élevées), alors le risque n’est pas faible.
3. Si (les biens assurés ne sont pas situés dans la zone à haut risque), alors le risque est faible.
……
Montant de la perte = Somme assurée × Coefficient de risque d’instabilité régionale
Notes
1. Le coefficient de risque d’instabilité régionale peut être choisi pour tenir compte d’un niveau
de confiance conforme à la propension de la société à prendre des risques.
2. Somme assurée couverte : La somme assurée couverte en cas de guerre, d’agitation
politique, de chaos, etc.
Page 54 de 67
Tableau 10. Exemple de modèle de logique floue : Terrorisme
Terrorisme
1. Lieu des polices souscrites
2. Pertes imputables au terrorisme
3. Système de sécurité
1. Si (les biens assurés sont situés dans une zone à haut risque), alors le risque est élevé.
2. Si (les pertes imputables au terrorisme sont élevées), alors le risque n’est pas faible.
3. Si (les biens assurés ne sont pas situés dans la zone à haut risque) et (le système de sécurité
est bon), alors le risque est faible.
……
Montant de la perte = Somme assurée × Coefficient de risque de terrorisme
Notes
1. Le coefficient de risque de terrorisme peut être choisi pour tenir compte d’un niveau de
confiance conforme à la propension de la société à prendre des risques.
2. Somme assurée couverte : La somme assurée couverte en cas de terrorisme.
À l’aide du modèle de logique floue, le capital économique requis estimatif au niveau de

confiance du 99,5e centile (un événement aux 200 ans) pour chaque risque individuel figure
au tableau 11. Il est obtenu comme suit :
a. Le 99,5e centile de la distribution de la perte simulée moins la perte moyenne; ou
b. La perte estimative dans le cadre d’un événement extrême (historique ou
hypothétique) moins la perte prévue.
Tableau 11. Exemple de capital économique requis pour chaque risque

Amérique du
Millions $US Nord Moyen-Orient
Changements climatiques 100 20

Cybersécurité 40 35
Publicité négative 60 50
Instabilité régionale 15 120
Terrorisme 50 100
Comme il est indiqué à la Section 4.2, deux approches sont appliquées à l’agrégation.
Page 55 de 67
1. Utiliser la matrice de corrélation. L’instabilité régionale et le terrorisme sont
susceptibles d’afficher une corrélation positive élevée parce que le terrorisme est
habituellement présent dans une région instable. D’autres risques sont susceptibles de
présenter une faible corrélation en raison du caractère distinct de leurs
caractéristiques et de leurs causes. Le tableau 12 est une matrice de corrélation
possible pour ces risques. Dans la plupart des cas, le niveau de corrélation peut être
déterminé à partir d’un jugement subjectif. Pour les risques nouveaux ou pas très bien
compris, le mieux que nous puissions faire serait de recourir à une hypothèse reposant
sur le jugement, assortie d’un certain niveau de prudence.
Tableau 12 Exemple de matrice de corrélation pour chaque risque

Changements Publicité Instabilité
Corrélation Cybersécurité Terrorisme
climatiques négative régionale
Changements climatique 1 0,1 0,1 0,1 0,1
Cybersécurité 0,1 1 0,1 0,1 0,1
Publicité négative 0,1 0,1 1 0,1 0,1
Instabilité régionale 0,1 0,1 0,1 1 0,95
Terrorisme 0,1 0,1 0,1 0,95 1
L’application de la matrice de corrélation au capital économique requis pour tous les

risques générera un capital économique requis (CER) de 156 millions de dollars pour
une société d’Amérique du Nord et un CER de 238 millions de dollars pour une
société du Moyen-Orient.
Pour dégager le CER pour l’ensemble de la société, il faut également un coefficient

de corrélation régional. Compte tenu du niveau de mondialisation, une corrélation de
90 % est supposée, ce qui débouche sur un CER total de 385 millions de dollars 17.
2. Modéliser la dépendance entre les variables indépendantes. Plutôt que de quantifier la

diversification à la dernière étape, la corrélation peut être intégrée aux variables
indépendantes. Dans ce cas, des scénarios globaux renfermant toutes les variables
indépendantes dans le cadre de logique floue pour chaque région peuvent être conçus
et mis au point pour que :
a. La perte causée par l’instabilité régionale et le terrorisme soit hautement corrélée;
b. Les zones à haut risque pour l’instabilité régionale et le terrorisme soient presque
les mêmes.
D’autres variables indépendantes peuvent être générées séparément.
L’exécution des scénarios stochastiques ou des simulations de crise peut produire en

une étape le CER au niveau individuel, de l’unité opérationnelle ou de l’ensemble de
la société. Au plan théorique, cette approche nous fournira une estimation plus précise
parce qu’il n’est pas nécessaire de créer la matrice de corrélation, qui sera
vraisemblablement fondée sur le jugement subjectif.
17
Le calcul se trouve à la section « 6.2 Risk Aggregation » dans le fichier Excel
d’accompagnement intitulé « Fuzzy Logic Examples.xls ».
Page 56 de 67
Les risques mesurés au moyen de modèles de logique floue peuvent être groupés avec les
risques mesurés par des modèles probabilistes. L’utilisation de la matrice de corrélation
représente une approche plus facile parce que les scénarios requis par la seconde approche
peuvent exiger le recours simultané à un trop grand nombre de variables. Puisque la plupart
des risques traités au moyen de modèles de logique floue peuvent être des risques
opérationnels ou émergents, l’hypothèse de corrélation entre le risque opérationnel et d’autres
types de risque peut être utilisée. Cette hypothèse peut exister dans le cadre de capital
économique actuel de la société, dans des modèles de capital réglementaire comme la
directive Solvabilité II de l’Union européenne, des modèles de capital d’agences de notation
du crédit et dans des rapports de recherche sectoriels.
À l’aide du capital économique requis, par exemple, les risques analysés au moyen de
modèles de logique floue peuvent être comparés aux risques analysés à l’aide de modèles
quantitatifs axés sur des données en appliquant un même fondement. Par le passé, ces risques
opérationnels et émergents n’étaient habituellement pas pris en compte dans le processus de
gestion du capital et de budgétisation des risques. Toutefois, ils peuvent maintenant s’arrimer
au cadre existant et faire partie d’un plus vaste profil de risque. La plupart des risques
modélisés par des modèles de logique floue ne sont pas négociables; il est donc difficile
d’obtenir un rendement élevé du processus de prise de risque. Au cours du processus
d’examen et de budgétisation des risques, l’accent est davantage placé sur l’évitement des
risques et sur l’atténuation des risques pour en réduire l’exposition. Par exemple, XYZ est
largement exposée aux risques d’instabilité régionale et de terrorisme sur le marché du
Moyen-Orient. La société peut envisager de couvrir ces deux risques en recourant à la
réassurance ou en modifiant les caractéristiques du produit pour réduire le montant assuré
pour pertes causées par la guerre, l’agitation politique, le terrorisme, etc.
7 Conclusion
À titre de complément des modèles probabilistes, les modèles de logique floue peuvent
être appliqués afin d’évaluer les risques pour lesquels les données sont insuffisantes et les
connaissances sont incomplètes. La logique floue fournit un cadre en vertu duquel le
raisonnement humain et les données imprécises peuvent contribuer à l’analyse des risques. La
portée des applications possibles est vaste pour les systèmes de logique floue. Plusieurs
risques sont hors contrôle, ne sont pas bien compris ou sont même inconnus, comme en fait
foi la liste des risques émergents qui ne cesse de s’allonger.
À l’aide d’un système de logique floue convenable, il est possible d’analyser

constamment plusieurs risques qui ne sont pas bien compris. L’exposition à chaque risque
peut être évaluée et classifiée. Les principaux risques peuvent être identifiés et gérés. Les
ressources peuvent être utilisées pour surveiller et atténuer ces principaux risques qui
présentent une exposition élevée. Les règles d’inférence dans un modèle de logique floue
Page 57 de 67
peuvent aider non seulement à identifier la cause d’un certain risque, mais également à
concevoir des plans d’atténuation efficients et efficaces.
Les systèmes de logique floue nous aident de deux façons à mieux connaître les risques.
1. Les systèmes libèrent les gestionnaires de risque et les experts du volet inférence de
plusieurs risques et leur permettent de se concentrer sur les relations de cause à effet
d’après leurs connaissances.
2. Les résultats de l’évaluation des risques sont intégrés au processus de prise de

décisions sur les risques, et le résultat des décisions peut ensuite être réinséré dans le
système afin d’améliorer les ensembles flous, les règles et la compréhension.
Les modèles de logique floue peuvent être utilisés de concert avec d’autres modèles de
risque, notamment les arbres de décision et les réseaux de neurones artificiels pour modéliser
les questions compliquées liées aux risques, comme le comportement des titulaires de police.
Page 58 de 67
8 Bibliographie
Blavatskyy, Pavlo R. « Probabilistic Risk Aversion with an Arbitrary Outcome Set », dans Economics
Letters 112, no 1, juillet 2011, pp. 34–37.
Brochado, Ana Margarida Oliveira, et Francisco Vitorino Martins. « Democracy and Economic
Development: A Fuzzy Classification Approach », FEP Working Paper 180, Universidade do
Porto, Faculdade de Economia do Porto, Portugal, 2005.
http://www.fep.up.pt/investigacao/workingpapers/05.07.04_WP180_ana.pdf.
Brotons, Jose M., et Antonio Terceno. « Return Risk Map in a Fuzzy Environment », dans Fuzzy
Economic Review 16, no 2, novembre 2011, p. 33.
Caetano, Jose Manuel Martins, et Antonio Caleiro. « Corruption and Foreign Direct Investment: What
Kind of Relationship is There? », Economics Working Paper 18, University of Evora, Department
of Economics, Portugal, 2005 http://hdl.handle.net/10174/8434.
Cai, Y.P., G. H. Huang, Z. F. Yang et Q. Tan. « Identification of Optimal Strategies for Energy
Management Systems Planning Under Multiple Uncertainties », dans Applied Energy 86, no 4,
avril 2009, pp. 480–495.
Caleiro, Antonio. « A Subjective Versus Objective Economic Measures: A Fuzzy Logic Exercise »,
Economics Working Paper 11, University of Evora, Department of Economics, Portugal, 2003.
http://dspace.uevora.pt/rdpc/bitstream/10174/8397/1/wp_2003_11.pdf.
Cheng, Wen-Ying, Ender Su et Sheng-Jung Li. « A Financial Distress Prewarning Study by Fuzzy
Regression Model of TSE-Listed Companies », dans Asian Academy of Management Journal of
Accounting and Finance 2, no 2, 2006, pp. 75–93.
http://web.usm.my/journal/aamjaf/vol%202-2/2-2-5.pdf.
Cherubini, Umberto, et Giovanni Della Lunga. « Liquidity and Credit Risk », dans Applied
Mathematical Finance 8, no 2, pp 79–95.
Cox, Earl. The Fuzzy Systems Handbook: A Practitioner’s Guide to Building, Using and Maintaining
Fuzzy Systems, Boston: AP Professional, 1994, pp. 107–268.
de Andres Sanchez, Jorge, et Antonio Terceno Gomez. « Applications of Fuzzy Regression in

Actuarial Analysis », dans The Journal of Risk and Insurance 70, no 4, 2003, pp. 665–699.
Derrig, Richard, et Krysztof Ostaszewski. « Hedging the Tax Liability of a Property-Liability Insurance
Company », Center for Financial Institutions Working Paper 96-30, Wharton School Center for
Financial Institutions, University of Pennsylvania, Philadelphia, mai 1996.
Dow, Sheila C., et Dipak Ghosh. « Variety of Opinion and the Speculative Demand for Money: An
Analysis in Terms of Fuzzy Concepts », SCEME Working Papers: Advances in Economic
Methodology No. 007/2004, Scottish Centre for Economic Methodology, Adam Smith Business
School, University of Glasgow, 2004.
Page 59 de 67
Giovanis, Eleftherios. « Bootstrapping Fuzzy-GARCH Regressions on the Day of the Week Effect in
Stock Returns: Applications in MATLAB », MPRA Working Paper 22326, Munich Personal
RePEc Archive, 2009.
Gulick, Gerwald van. « Game Theory and Applications in Finance », thèse de doctorat, Tilburg
University, Pays-Bas, 2010.
Hao, Ying, Yongsheng Ding, Shaokuan Li et Shihuang Shao. « Typical Takagi-Sugeno and Mamdani
Fuzzy Systems as Universal Approximators: Necessary Conditions and Comparison », dans 1998
IEEE International Congress on Fuzzy Systems Proceedings, Institute of Electrical and Electronics
Engineers (IEEE) World Congress on Computational Intelligence, Alaska, mai 1998, vol. 1,
pp. 824–828.
Horgby, Per-Johan. « An Introduction to Fuzzy Inference in Economics », dans Homo Oeconomicus

15, 1999, pp. 543–559.
Huang, Tao, Ruiqing Zhao et Wansheng Tang. « Risk Model with Fuzzy Random Individual Claim
Amount », dans European Journal of Operational Research 192, no 3, 2009, pp 879–890.
Jang, J.-S.R. « ANFIS: Adaptive-Network-Based Fuzzy Inference System », dans IEEE Transactions
on Systems, Man and Cybernetics 23, no 3, 1993, pp. 665–685.
Jang, J.-S.R. et C.-T. Sun. « Neuro-Fuzzy Modeling and Control », dans Proceedings of the IEEE 83,
no 3, 1995, pp. 378–406.
Janikow, Cezary Z. « Fuzzy Decision Trees: Issues and Methods », University of Missouri–St. Louis,
Department of Mathematics and Computer Science, 1996, pp. 12–26.
http://www.cs.umsl.edu/~janikow/fid/fid34/papers/fid.ieeesmc.pdf.
Klir, George J., et Bo Yuan. Fuzzy Sets and Fuzzy Logic Theory and Applications. Upper Saddle River,
New Jersey, Prentice Hall, 1995, pp. 367–377 et 390–415.
Lahsasna, Adel. « Evaluation of Credit Risk Using Evolutionary-Fuzzy Logic Scheme », thèse de
maîtrise, Faculty of Computer Science and Information Technology, University of Malaya, 2009.
Lai, Li-Hua. « An Evaluation of Fuzzy Transportation Underwriting Systematic Risk », dans

Transportation Research Part A: Policy and Practice 42, no 9, 2008, pp. 1231–1237.
———. « Underwriting Profit Margin of P/L Insurance in the Fuzzy-ICAPM », dans Geneva Risk and
Insurance 31, no 1, 2006, pp. 23–34.
Lazzari, Luisa L., et Patricia I. Moulia. « Fuzzy Sets Application to Healthcare Systems », dans Fuzzy
Economic Review 17, no 2, 2012, pp. 43–58.
Lee, Cheng, Gwo-Hshiung Tzeng et Shin-Yun Wang. « A Fuzzy Set Approach for Generalized CRR
Model: An Empirical Analysis of S&P 500 Index Options », dans Review of Quantitative Finance
and Accounting 25, no 3, 2005, pp. 255–275.
Leon, Carlos, et Clara Machado. « Designing an Expert Knowledge-Based Systemic Importance Index
for Financial Institutions », Borradores de Economia 669, 2011.
Li, Aihua, Yong Shi, Jing He et Yanchun Zhang. « A Fuzzy Linear Programming-Based Classification
Method », dans International Journal of Information Technology and Decision Making 10, no 6,
2011, pp. 1161–1174.
Page 60 de 67
Lin, Chin-Shien, Haider A. Khan, Ying-Chieh Wang et Ruei-Yuan Chang. « A New Approach to
Modeling Early Warning Systems for Currency Crises: Can a Machine-Learning Fuzzy Expert
System Predict the Currency Crises Effectively? », dans Journal of International Money and
Finance 27, no 7, 2008, pp. 1098–1121.
Magni, Carlo Alberto, Stefano Malagoli et Giovanni Mastroleo. « An Alternative Approach to Firms’
Evaluation: Expert Systems and Fuzzy Logic », dans International Journal of Information
Technology and Decision Making 5, no 1, 2006, pp. 195–225.
Matsatsinis, M., K. Kosmidou, M. Doumpos et C. Zopounidis. « A Fuzzy Decision Aiding Method for
the Assessment of Corporate Bankruptcy », dans Fuzzy Economic Review 3, no 1, 2003, pp. 13–23.
Mitchell, Tom M. Machine Learning. New York: McGraw-Hill, 1997, pp. 52–127 et 154–200.
Muzzioli, Silvia, et Constanza Torricelli. « A Model for Pricing an Option with a Fuzzy Payoff », dans
Fuzzy Economic Review 6, no 1, 2001, pp. 49–87.
Nelsen, Roger B. An Introduction to Copulas. 2nd ed. Springer Series in Statistics. Springer,
New York, 2006, pp. 109–155.
Ng, S. Thomas, Duc Thanh Luu, Swee Eng Chen et Ka Chi Lam. « Fuzzy Membership Functions of
Procurement Selection Criteria », dans Construction Management and Economics 20, no 2, 2002,
pp. 285–296.
Oliveira, Elizabeth Real de, et Manuela Castro e Silva. « A Political Economy Model of Regulation
Explained Through Fuzzy Logics », European Regional Science Association Conference Paper
ersa04p189, 2004. http://www-sre.wu-wien.ac.at/ersa/ersaconfs/ersa04/PDF/189.pdf.
Pan, Heping. « Fuzzy Bayesian Networks: A General Formalism for Representation, Inference and
Learning with Hybrid Bayesian Networks », 1998, pp. 6–22.
http:/perso.telecom-paristech.fr/~chollet/Biblio/Articles/Domaines/BayésianNet/fuzzy-bayésian-n
etworks-a.pdf.
Pokoadi, Laszlo. « Fuzzy Logic-Based Risk Assessment », dans Academic and Applied Research in
Military Science 1, no 1, 2002, pp. 63–73.
Reveiz, Alejando, et Carlos Leon. « Operational Risk Management using a Fuzzy Logic Inference
System », dans Borradores de Economia 574, 2009, pp. 9–24
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1473614.
Shah, Samir. « Measuring Operational Risks using Fuzzy Logic Modeling », 2003, pp. 1-8.
Sivanandam, S. N., S. Sumathi et S. N. Deepa. Introduction to Fuzzy Logic using MATLAB , Springer,
Berlin, 2007, pp. 277–320.
Smimou, Kamal. « Estimation of Canadian Commodity Market Risk Premiums Under Price Limits:
Two-Phase Fuzzy Approach », dans Omega 34, no 5, 2006, pp. 477–491.
Su, EnDer et Yu-Gin Fen. « Applying the Structural Equation Model Rule-Based Fuzzy System with
Genetic Algorithm for Trading in Currency Market », MPRA Working Paper 35474, Munich
Personal RePEc Archive, 2011.
http://mpra.ub.uni-muenchen.de/35474/1/MPRA_paper_35474.pdf.
Page 61 de 67
Sun, Lili, et G. Cornelis van Kooten. « Fuzzy Logic and Preference Uncertainty in Non-Market
Valuation », Working Paper 2005-11, Resource Economics and Policy Analysis (REPA) Research
Group, Department of Economics, University of Victoria, 2005.
https://web.uvic.ca/~repa/publications/REPA%20working%20papers/WorkingPaper2005-11.pdf.
Sveshnikov, Sergey, et Victor Bocharnikov. « Modeling Risk of International Country Relations »,

MPRA Working Paper 15745, Munich Personal RePEc Archive, 2009.
http://mpra.ub.uni-muenchen.de/15745/1/MPRA_paper_15745.pdf.
Tucha, Thomas, et Markus Brem. « Fuzzy Transfer Pricing World: On the Analysis of Transfer Pricing
with Fuzzy Logic Techniques », IIMA Working Paper 2005-12-03, Indian Institute of
Management, Ahmedabad, Inde, 2006.
Xu, Yelin, Yujie Lu, Albert P. C. Chan, Miroslaw J. Skibniewski et John F. Y. Yeung. « A
Computerized Risk Evaluation Model for Public-Private Partnership (PPP) Projects and Its
Application », dans International Journal of Strategic Property Management 16, no 2, 2012,
pp. 277–297.
Yu, Lean, Shouyang Wang et Kin Keung Lai. « An Intelligent-Agent-Based Fuzzy Group
Decision-Making Model for Financial Multicriteria Decision Support: The Case of Credit
Scoring », dans European Journal of Operational Research 195, no 3, 2009, pp. 942–959.
Zadeh, Lotfi A. « Fuzzy Sets », dans Information and Control 8, 1965, pp. 338–353.
———. « Probability Measures of Fuzzy Events », dans Journal of Mathematical Analysis and
Applications 23, no 2, 1968, pp. 421–427.
Zhang, X., et F. Naghdy. « Human Motion Recognition through Fuzzy Hidden Markov Model »,
Research Online, University of Wollongong, 2005, pp. 3–8.
http://ro.uow.edu.au/cgi/viewcontent.cgi?article=1468.
Zmeskal, Zdenek. « Generalised Soft Binomial American Real Option Pricing Model
o
(Fuzzy-Stochastic Approach) », dans European Journal of Operational Research 207, n 2, 2010,
pp. 1096–1103.
Page 62 de 67
Annexe. L’utilisation des données d’expérience
La Section 5.3 renferme une analyse du rôle des données d’expérience. Dans cette
section, un exemple simple illustre la façon d’utiliser les données d’expérience pour améliorer
les paramètres du modèle ou même passer à un nouveau modèle lorsque les données sont
suffisantes. L’exemple et l’hypothèse utilisés ne sont pas sensés dans la réalité, mais ils ont
été choisis pour faciliter la compréhension.
La société ABC prévoit d’offrir à sa clientèle des services de prêt hypothécaire personnel.
En raison de son manque d’expérience, elle utilise un modèle de logique floue fondé sur les
conseils d’analystes financiers expérimentés pour prendre des décisions concernant les prêts.
À l’aide de renseignements tels l’âge, le sexe, le revenu, le niveau d’endettement actuel et

l’emploi, chaque demandeur obtient une cote de crédit. Cette cote est ensuite introduite dans
le modèle de logique floue pour évaluer le risque de défaut et prendre une décision au sujet du
prêt. La structure initiale du modèle est indiquée ci-après.
Variable d’entrée : Cote de crédit
Fonctions d’appartenance
0 x≤3
µÉlevée ((x)
µ
High
x) == ( x −3)
2 3< x≤5
0 x≤2
( x−2)
1 2< x≤3
µµMoyen
Medium
( x)= =
(x) ( 4− x )
1 3< x≤ 4
0 x>4
( 3− x )
0≤ x≤3
µ Low(x)
µFaible ( x)==
3
0 x>3
Page 63 de 67
Figure 21. Fonctions d’appartenance de la cote de crédit
Membership
Fonctions Function of Credit
d’appartenance Score
de la cote de crédit
1.0
0.8
certitude
Truth
0.6
deof
0.4
Degree
Degré
0.2
0.0
0 1 2 3 4 5
High Medium Low
Variable de sortie : Risque de défaut
Fonctions d’appartenance
0 x≤5
µÉlevée((x)
µ
High
x) =
= ( x −5 )
5 5 < x ≤ 10
0 x≤2
( x−2)
3 2< x≤5
µ µMedium
Moyen
=
x) =
((x) (8− x )
3 5< x≤8
0 x>8
( 5− x )
0≤ x≤5
µFaible
µ Low
x) ==
((x)
5
0 x>5
Page 64 de 67
Figure 22. Fonctions d’appartenance du risque de défaut
Membership
Fonctions Function du
d’appartenance of Default
risque deRisk
défaut
1.0
0.8
of Truth
de certitude
0.6
0.4
Degree
0.2
Degré
0.0
0 1 2 3 4 5 6 7 8 9 10
High Medium Low
Règle d’inférence : Si la cote de crédit est élevée, alors le risque de défaut est faible.
Méthode de clarification : Moyenne du maximum
La société ABC a octroyé dix prêts hypothécaires à partir des critères selon lesquels le
degré de certitude que le risque de défaut est faible est supérieur à 50 %. Cela revient à dire
que la demande de prêt d’un demandeur dont la cote de crédit dépasse 3 est approuvée. Au
sujet des décisions de prêt hypothécaire, le modèle de logique floue n’est pas supérieur à un
modèle classique fondé sur la théorie des ensembles classique. La décision prend la forme
« oui ou non ». Toutefois, le modèle de logique floue est utile pour évaluer l’exposition au
risque de défaut, individuellement ou collectivement. La fonction de probabilité de défaut est
exigée par les modèles classiques fondés sur la théorie des probabilités. Faute de données
d’expérience suffisantes, il est difficile d’estimer la probabilité de défaut pour chaque cote de
crédit. Le modèle de logique floue peut contourner le problème de la spécification de la
fonction de probabilité de défaut, mais il peut quand même estimer le niveau du risque de
défaut pour chaque demande de prêt. En l’absence de modèles traditionnels, le modèle de
logique floue peut représenter une solution pratique pour faciliter l’évaluation de l’exposition
au risque de défaut.
Les cotes de crédit et le niveau calculé du risque de défaut sont énoncés ci-après. Après
un an, deux des dix prêts n’ont pu être remboursés comme prévu.
Page 65 de 67
Tableau 13. Extrant du modèle de logique floue : Risque de défaut
Risque de défaut
Variables d'entrée Variable de sortie Expérience
faible
No Cote de crédit Risque de défaut Degré de certitude Défaut?
1 4,76 0,30 94% Non
2 3,45 1,93 61% Oui
3 3,99 1,26 75% Non
4 3,43 1,96 61% Non
5 3,54 1,82 64% Non
6 4,04 1,20 76% Non
7 4,62 0,48 91% Non
8 4,05 1,19 76% Non
9 4,02 1,23 76% Non
10 3,08 2,40 52% Oui
Un taux de défaut de 20 % est beaucoup plus élevé que le niveau sectoriel. De toute
évidence, le degré de certitude pour le risque de défaut faible est trop élevé par rapport à celui
sous-entendu par l’expérience. Par conséquent, les analystes financiers de la société
conviennent de revoir le paramètre du modèle. L’une des options consiste à rajuster la
fonction d’appartenance pour l’ensemble flou « Cote de crédit élevée ». La fonction
d’appartenance est déplacée vers la droite, comme il est montré ci-après.
0 x≤3 0 x≤4
µ𝜇Original
High
𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 ) ==
( x(x) µ New ((x)
High
𝜇𝑁𝑁𝑁𝑁𝑁𝑁𝑁 x) ==
( x −3)
2 3< x≤5 ( x−4)
1 4< x≤5
Figure 23. Fonctions d’appartenance d’une cote de crédit élevée

Degré de certitude
Si l’ensemble flou « Cote de crédit élevée » avait été défini par la nouvelle fonction
d’appartenance, les deux prêts en souffrance auraient été refusés dès le départ et ces deux
situations de défaut ne se seraient jamais produites.
Page 66 de 67
Tableau 14. Extrant du modèle de logique floue revu : Risque de défaut
Risque de défaut
Variables d'entrée Variable de sortie Expérience
faible
No Cote de crédit Risque de défaut Degré de certitude Défaut?
1 4,76 0,40 92% Non
2 3,45 5,00 0% Oui
3 3,99 1,68 66% Non
4 3,43 5,00 0% Non
5 3,54 2,43 51% Non
6 4,04 1,60 68% Non
7 4,62 0,63 87% Non
8 4,05 1,58 68% Non
9 4,02 1,63 67% Non
10 3,08 5,00 0% Oui
D’autres options pour le rajustement du modèle comprennent l’ajustement des fonctions

d’appartenance pour l’ensemble de sortie et l’amélioration des règles d’inférence en ajoutant
une couverture floue ou de nouvelles règles. Toutefois, le but devrait demeurer le même dans
ce cas : réduire le degré de certitude pour le risque de défaut faible sous-entendu par le
modèle.
Lorsque les données d’expérience suffisantes sont disponibles, davantage de modèles

améliorés pourront être utilisés pour la prise de décision concernant les prêts. Par exemple,
plutôt que de s’en remettre aux opinions des experts au sujet des fonctions d’appartenance, les
modèles peuvent être entièrement étalonnés selon les données d’expérience.
Passons à une autre étape. Les modèles fondés sur la théorie des probabilités peuvent
être utilisés pour remplacer le modèle de logique floue. La probabilité de défaut peut être
modélisée comme fonction de la cote de crédit, ce qui permet de supprimer du modèle de
logique floue le processus de modification logique floue et de clarification. La décision de
prêt peut être prise d’après l’estimation de la probabilité de défaut. Par exemple, chaque prêt
affichant une probabilité de défaut inférieure à 1 % peut être octroyé.
Page 67 de 67

Application de La Logique Floue À L'évaluation Des Risques Et À La Prise de Décisions

Transféré par

Informations du document

Titre original

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

Application de La Logique Floue À L'évaluation Des Risques Et À La Prise de Décisions

Transféré par

Droits d'auteur :

Formats disponibles

Application de la logique floue à l’évaluation

des risques et à la prise de décisions

©2013 Casualty Actuarial Society, Institut canadien des actuaires, Society of

Les membres du Groupe de supervision du projet « Application de la logique floue à

Les modèles classiques de risque reposent sur la théorie des probabilités et la

La différence fondamentale entre la théorie classique des ensembles et la théorie

Les systèmes de logique floue permettent de simplifier les cadres de gestion du

Les modèles probabilistes sont très répandus en quantification et en évaluation des

Le présent rapport porte plus particulièrement sur le recours à la logique floue et à la

2. Logique floue et théorie des ensembles flous

2.1 Principes fondamentaux de la théorie des ensembles flous et de la

En théorie classique des ensembles, un objet est un élément, ou un non-élément, d’un

Cote de crédit - Ensembles classiques

0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5

Figure 2. Exemple d’ensemble flou : Cote de crédit

Cote de crédit - Ensembles flous

Les ensembles flous présentent une caractéristique incontournable : il n’existe pas de

Fonctionnement des ensembles flous

Figure 3. Fonctionnement d’ensembles classiques

Figure 4. Fonctionnement d’ensembles flous

Règles d’inférence et couvertures floues

Figure 5. Règle d’inférence floue

Ensemble flou - Risque élevé de ralentissement

Niveau d'exposition au risque

Pour tenir compte de la différence, la fonction d’appartenance de l’ensemble flou « Cote

Figure 6. Couverture floue

Cote de crédit - Couverture

Élevée Légèrement élevée Très élevée

3. Fonction d’appartenance pour l’ensemble flou « Cote de crédit très élevée » :

La clarification est le processus permettant d’estimer la valeur de la variable dépendante

1. Méthode de la moyenne : la valeur numérique moyenne de la variable dépendante

Des méthodes différentes conviennent dans des situations différentes. Reprenons

Fonction d’appartenance conditionnelle :

Le résultat de la clarification est présenté à la figure 7. Puisque le risque de ralentissement

Figure 7. Exemple de clarification

Clarification - Risque de ralentissement économique

Moyenne = 2,5 Centroïde = 4,2

Niveau d'exposition au risque

Système de logique floue

Étape 1. Des variables indépendantes sont choisies comme principaux facteurs

Opération d'ensemble flou

2.2 Exemple numérique

Des graphiques sur leurs fonctions d’appartenance sont reproduits ci-après.

La figure 10 renferme un exemple de calcul de la valeur du risque d’inconduite, compte

Ensemble de sortie - Risque

Output Set Original Set - High

Si la distribution conjointe des trois variables d’entrée est connue, la distribution du

On en trouvera le détail dans Nelsen (2006, p. 153).

FDP du coût de règlement Copule de Clayton (theta = 6)

FDP : Fonction de densité des probabilités

2.3 Autres modèles

Le réseau bayésien, également connu sous l’appellation « réseau de croyance bayésien »,

Figure 12. Exemple de réseau bayésien : risque d’inconduite

Les modèles de réseau bayésien utilisent les règles de Bayes et la probabilité

Compte tenu du nombre de relations et de probabilités conditionnelles qui doivent être

Les réseaux de neurones artificiels

ai=f(x1,x2,x3) bi=g(a1,...,a4) Yi=h(b1,...,bn)

Les modèles de réseau de neurones artificiels reposent sur de vastes ensembles de

Les modèles de Markov cachés

Un modèle de Markov caché analyse le processus de Markov d’un état caché en

Figure 14. Exemple de modèle de Markov caché

Q|S=Élevée ~ Gamma (3, 3)

Si (revenu ≥ 92,5) et (statut de logement = non) et (scolarité = élevée),