Herrero

1
Rsum
Mots cls : assurance non vie, modle linaire gnralis, temps oprationnel, risque de
provisionnement, surinflation.
Le dveloppement dun modle interne et la mise en uvre de lORSA conduisent de plus
en plus dassureurs effectuer un calcul stochastique de leurs provisions.
Lobjet de ce mmoire est de prsenter un modle stochastique de provisionnement construit
dans le cadre des modles linaires gnraliss. On peut dduire du modle lvaluation de la
meilleure estimation des provisions Best Estimate ou celle du besoin en capital au titre du
risque de provisionnement.
Dans le calcul des provisions, nous montrons partir de donnes en dommages corporels
automobile, que le modle tudi peut constituer une alternative aux mthodes par facteurs si
les donnes ne respectent pas les hypothses qui les sous tendent. En particulier, la structure
souple du modle permet de modliser certains facteurs lorigine des perturbations dans les
cadences de paiements. Cela inclue linstabilit des cadences de rglements ou la surinflation,
deux phnomnes caractristiques des branches coulement long.
Dans le calcul du risque de provisionnement, nous privilgions une approche simulatoire
dans un cadre Bootstrap. Nous prsentons tout dabord une version du Bootstrap adapte au
modle, puis la modifions avec une vision sur un horizon dun an. Le calcul du risque de
provisionnement est galement effectu par application de la formule standard du QIS4 pour
comparaison.
2

Abstract
Key words : non-life insurance, generalized linear models, operational time, risk
provisioning, superimposed inflation.
The development of an internal model and the implementation of the ORSA lead more and
more insurers to do a stochastic calculus of their reserves.
The purpose of this paper is to present a stochastic model of provisioning built into the
framework of generalized linear models. One can infer from the model assessing the best
estimate of reserves or the required capital under the risk provisioning.
In the calculation of reserves, we show from data of Auto Bodily Injury Insurance, the
model can be considered an alternative to the methods by factors if the data fail to meet the
assumptions that underlie them. In particular, the flexible structure model is used to model
some factors causing disturbances in the rates of payments. This includes the volatility of rates
of settlements or superimposed inflation, two characteristic phenomena of long branches.
In computing the risk provisioning, we favour a simulation approach. We adapt the classical
version of the Bootstrap to the model and modify it with a vision on a one-year horizon. The
calculation of risk provisioning is done by applying the standard formula of QIS4 for
comparison.

3

Remerciements

Je souhaitais ici remercier les personnes qui ont contribu directement ou non la ralisation
de ce mmoire :
Un grand merci Stphanie, ma femme, pour mavoir support dans cette dmarche.
Merci Vincent Dupriez pour sa relecture et ses conseils expriments.
Merci enfin tous mes professeurs du CNAM qui ont su par leur enseignement me
persuader que lactuariat est une matire riche et passionnante.
4

Sommaire
INTRODUCTION...................................................................................................................... 7
PARTIE I. SOLVABILITE II : PRINCIPES DE CALCUL DU BEST ESTIMATE ET
DU RISQUE DE PROVISION.................................................................................................. 8
Chapitre I. Le best estimate des provisions pour sinistres ...............................................................9
I. Le primtre de calcul............................................................................................................................. 9
II. Les principes dvaluation ...................................................................................................................... 9
II.1 Aspects mthodologiques.............................................................................................................. 9
II.2 Aspects calculatoires ................................................................................................................... 11
II.2.1 Les prconisations du Groupe Consultatif .............................................................................. 11
II.2.2 Les prconisations de lACAM.............................................................................................. 11
III. Lexpression de la provision pour sinistres ...................................................................................... 12
Chapitre II. le Risque de provisionnement ......................................................................................14
I. Les fondements du risque ..................................................................................................................... 14
I.1 Lincertitude des PSAP : une analyse par risques ............................................................................ 14
I.2 De lincertitude des PSAP au risque de provisionnement ................................................................ 15
I.2.1 Lexposition des branches droulement long....................................................................... 15
I.2.2 Le cas des dommages corporels en automobile ...................................................................... 16
II. Le risque de provisionnement de Solvabilit II .................................................................................... 17
II.1 La dfinition du risque................................................................................................................. 17
II.2 Lidentification de la variable dintrt ....................................................................................... 18
II.3 Risque un an contre risque ultime............................................................................................. 19
III. Mesures de risques ........................................................................................................................... 20
III.1 Lindicateur du MSE : une mesure du risque lultime.............................................................. 20
III.2 La mesure du risque un an........................................................................................................ 21
III.2.1 Solvabilit II : La mesure par la VaR................................................................................. 21
III.2.2 Mthodes approches......................................................................................................... 23
PARTIE II. LA SELECTION DU MODELE ................................................................ 25
Chapitre I. etude des donnes ...........................................................................................................26
I. Lexpos du problme........................................................................................................................... 26
I.1 Limites de lusage des mthodes par facteurs .................................................................................. 26
I.2 Quelques mthodes alternatives ....................................................................................................... 27
I.3 Le cas des donnes tudies ............................................................................................................. 28
II. La discussion sur les donnes ............................................................................................................... 29
II.1 La description des donnes.......................................................................................................... 29
II.1.1 Les donnes utilises .............................................................................................................. 29
II.1.2 Lestimation du nombre de sinistres survenus restant dclarer............................................ 29
II.2 Lapplication de la mthode Chain Ladder ................................................................................. 31
II.2.1 Ltude pralable des rapports historiques de dveloppement................................................ 31
II.2.2 La sensibilit de la provision pour sinistres............................................................................ 32
II.3 De linadquation des mthodes par facteurs .............................................................................. 33
II.3.1 Linstabilit de la cadence des rglements.............................................................................. 33
II.3.2 La liaison entre volume des prestations et nombre de rglements.......................................... 34
II.3.3 Les coefficients de passage et le temps oprationnel.......................................................... 35
III. Lapproche par les cots moyens ..................................................................................................... 36
III.1 Les cots moyens et le temps oprationnel ................................................................................. 36
III.2 La stationnarit des cots moyens............................................................................................... 39
III.3 La partition du temps oprationnel .............................................................................................. 40
III.4 Le lien moyenne - variance ......................................................................................................... 42
IV. Les consquences sur le choix du modle........................................................................................ 43
Chapitre II. la modelisation des couts moyens ................................................................................44
I. La modlisation par les Moindres Carrs Ordinaires............................................................................ 44
I.1 Le modle de rgression................................................................................................................... 44
I.2 Les tendances lmentaires .............................................................................................................. 45
I.3 Le terme stochastique....................................................................................................................... 46
5

II. La modlisation par les Modles Linaires Gnraliss ....................................................................... 47
II.1 GLM contre MCO....................................................................................................................... 47
II.2 Introduction aux GLM................................................................................................................. 48
II.2.1 La famille des distributions exponentielles............................................................................. 48
II.2.2 Lestimation des paramtres ................................................................................................... 50
II.2.3 La dviance ............................................................................................................................ 52
II.2.4 Les rsidus ............................................................................................................................. 53
II.3 Les hypothses du modle GLM................................................................................................. 54
II.3.1 Le choix de la distribution des rsidus.................................................................................... 54
II.3.2 La fonction de lien.................................................................................................................. 57
Chapitre III. la specification du modele...........................................................................................58
I. La capture des tendances....................................................................................................................... 58
I.1 Le rappel du principe de parcimonie................................................................................................ 58
I.2 Le modle de sparation................................................................................................................... 58
I.3 La recherche des tendances du triangle ............................................................................................ 59
II. La modlisation des tendances.............................................................................................................. 62
II.1 Le temps oprationnel ................................................................................................................. 62
II.2 La surinflation ............................................................................................................................. 64
II.3 Linteraction entre le temps oprationnel et la surinflation......................................................... 66
III. La modlisation des paiements partiels............................................................................................ 69
III.1 Lexpos du problme ................................................................................................................. 69
III.2 Lapproche de Wright.................................................................................................................. 70
III.3 Lapplication numrique ............................................................................................................. 71
IV. La slection du modle final ............................................................................................................ 74
Chapitre IV. validation du modele par des tests statistiques .........................................................76
I. Les points de validation ........................................................................................................................ 76
II. Les tests sur la spcification du modle................................................................................................ 76
III. Le test de robustesse......................................................................................................................... 79
IV. Le test sur la validit de la dviance................................................................................................. 81
V. Conclusion : la validation du modle.................................................................................................... 82
PARTIE III. LA MISE EN UVRE DES CALCULS ................................................... 84
Chapitre I. le calcul du best estimate des pSAP..............................................................................85
I. Hypothses et mthode ......................................................................................................................... 85
I.1 Hypothses ....................................................................................................................................... 85
I.2 Les tapes de calcul.......................................................................................................................... 86
II. La projection en monnaie constante des prestations futures ................................................................. 88
II.1 La modlisation des prestations................................................................................................... 88
II.2 Lapplication numrique ............................................................................................................. 90
III. Linflation future.............................................................................................................................. 92
III.1 Le modle dinflation .................................................................................................................. 92
III.2 Le calibrage des paramtres ........................................................................................................ 94
III.3 La validation du modle par back testing.................................................................................... 96
III.4 La modlisation de linflation dans les prestations futures.......................................................... 99
IV. Lvaluation du Best Estimate des PSAP....................................................................................... 100
Chapitre II. le calcul du risque de provisionnement.....................................................................103
I. Lexpos du problme......................................................................................................................... 103
II. Le calcul du risque lultime.............................................................................................................. 104
II.1 La mthode du Bootstrap........................................................................................................... 104
II.1.1 Notations............................................................................................................................... 104
II.1.2 La slection des rsidus ........................................................................................................ 104
II.1.3 Limplmentation du Bootstrap............................................................................................ 105
II.2 Lapplication numrique ........................................................................................................... 107
III. Le calcul du risque un an............................................................................................................. 109
III.1 La modification de la mthode du Bootstrap............................................................................. 109
III.1.1 Principes........................................................................................................................... 109
III.1.2 Algorithme ....................................................................................................................... 110
III.1.3 Lapplication numrique.................................................................................................. 112
6

III.2 Le calcul par la formule standard du QIS4................................................................................ 119
III.2.1 Les principes de calcul ..................................................................................................... 119
III.2.2 Lapplication numrique.................................................................................................. 120
III.3 Synthse des rsultats ................................................................................................................ 121
BIBLIOGRAPHIE................................................................................................................. 123
ANNEXES............................................................................................................................... 126
A. Triangle des incrments ................................................................................................... 126
B. Triangle des nombres de sinistres rgls.......................................................................... 127
C. Triangle des nombres de sinistres dclars et restant dclarer ...................................... 128
D. Triangle des nombres de sinistres en cours...................................................................... 130
E. Triangle des cadences de rglements ............................................................................... 131
F. Triangle des temps oprationnels..................................................................................... 132
G. Triangle des cots moyens par sinistre rgl ................................................................... 133
H. Lalgorithme de Newton Raphson ................................................................................... 134
I. Lalgorithme du score ...................................................................................................... 135
J. Expression de la dviance................................................................................................ 137
K. Evolution des cots moyens en monnaie constante ......................................................... 138
L. Rappel lmentaire de thorie du risque .......................................................................... 139
M. Modlisation des dates de rglements futurs.................................................................... 140
N. Projection des rglements de sinistres.............................................................................. 141
O. Caractristiques du processus dinflation......................................................................... 142
P. Equidistribution des rsidus gamma de Pearson.............................................................. 144
Q. Calcul du risque ultime : programmation de la procdure de rchantillonage ............... 145
R. Calcul du risque de provision : simulations des dates de rglements futurs .................... 147
S. Calcul du risque de provision : programmation de la rgression un an......................... 148
7

INTRODUCTION
Le 22 Avril 2009, le Parlement europen votait la directive Solvabilit II. Cette rforme, qui
place la gestion des risques au cur du systme prudentiel des assurances, se caractrise par
de nouvelles exigences quantitatives visant mieux identifier et mesurer les risques ports par
les assureurs. Ces exigences incluent le calcul des capitaux propres et celui des provisions
techniques, sappuyant sur la notion de meilleure estimation.
Dans ces calculs, les nouveaux principes prudentiels distinguent en assurance non vie le cas
des sinistres survenir de celui des sinistres survenus en date de calcul. Dans ce mmoire,
nous nous focalisons sur ce dernier cas. Dans le calcul des provisions, il sagit alors dvaluer
la meilleure estimation des Provisions pour Sinistres. Et dans le calcul modulaire du capital de
solvabilit, il est requis dvaluer le risque de provisionnement, introduit par Solvabilit II
dans le risque de souscription, qui constitue un des principaux risques de passif en assurance
non-vie.
Dans le calcul des exigences quantitatives, la Commission Europenne laisse la possibilit
aux assureurs dutiliser une formule standard ou de recourir un modle interne. Ce mmoire
prsente un modle de provisionnement en assurance non-vie, dvelopp dans le cadre des
Modles Linaires Gnraliss et intgrable au sein dun modle interne. On peut en dduire
la meilleure estimation des provisions pour sinistres ainsi que lvaluation du risque de
provisionnement.
Lapproche adopte consiste modliser le cot moyen des sinistres partir de leur ordre de
rglement, en utilisant les Modles Linaires Gnraliss (GLM). La connaissance du nombre
de sinistres survenus et restant rgler suffit alors estimer le montant total des prestations
futures, et par extension celui des provisions Best Estimate pour sinistres.
Les triangles des prestations et des nombre de sinistres rgls, ncessaires la mise en uvre
du modle, sont emprunts Taylor (2000). Dans les calculs, nous utilisons et supposons
certain le nombre estim par Taylor des sinistres survenus et restant rgler. Dans le calcul
du risque de provisionnement, cette simplification conduit ne considrer que lala sur les
cots unitaires des sinistres futurs. Cette restriction constitue une des limites de lapproche
prsente, notamment dans le cas des dernires survenances o le nombre des sinistres futurs
reste le plus incertain.
Le mmoire est structur en trois parties. La premire partie fournit un rappel des principes de
calcul des provisions techniques et de lexigence de capital au titre des sinistres survenus et
restant payer.
La seconde partie prsente les caractristiques du modle de provisionnement, ses avantages
par rapport aux mthodes par facteurs, et dtaille sa mise en uvre (choix du modle,
spcification, calibrage, ).
La dernire partie constitue lapplication numrique du mmoire. On y met en uvre le calcul
du Best Estimate des provisions pour sinistres ainsi que celle du risque de provisionnement.
Les provisions pour sinistres 8
PARTIE I. SOLVABILITE II : PRINCIPES DE
CALCUL DU BEST ESTIMATE ET DU RISQUE DE
PROVISION

Cette partie introduit les concepts et principes de calcul lis aux deux variables dintrt :
le Best Estimate des provisions pour sinistres et le risque de provisionnement.
Le premier chapitre recense les points que nous jugeons importants de valider pour tre
conformes aux exigences de Solvabilit II dans le calcul du Best Estimate de la provision
pour sinistres. Afin de conforter la validit de notre approche, nous prsentons en parallle les
caractristiques du modle de provisionnement dtaills en partie II et III.
Le deuxime chapitre introduit les concepts lis au risque de provisionnement trait en
partie III, et en prsente deux mthodes approches.

CHAPITRE I. LE BEST ESTIMATE DES PROVISIONS POUR SINISTRES
I. Le primtre de calcul
Larticle 76 de la directive europenne (Parlement Europen, 2009) indique que la valeur
des provisions techniques est gale la somme de la meilleure estimation et de la marge de
risque . Les modalits dvaluation de la marge de risque ne sont pas traites dans ce
mmoire qui se concentre sur le principe de la meilleure estimation (en anglais, Best
Estimate).
Le calcul du Best Estimate en non-vie est segment selon deux niveaux :
Larticle 79 de la directive europenne prcise que les provisions techniques doivent
tre calcules par groupes de risques homognes. A cet effet, dix huit branches
dactivit sont identifies lannexe I de la directive, dont la branche R.C. vhicules
terrestres automoteurs laquelle se rattache le portefeuille tudi.
Dans chaque branche, les spcifications techniques du QIS4 distinguent les sinistres
survenus en date de calcul des sinistres survenir. En ce sens, le Best Estimate est la
somme des Best Estimate:
o de la provision pour primes qui se substitue aux provisions pour primes non
acquises et aux provisions pour risques en cours.
o de la provision pour sinistres constitue au titre des sinistres survenus.
Ce mmoire se focalise donc sur cette dernire partie des provisions techniques. A ce sujet,
notons que les spcifications du QIS4 (TS.II.E.8) prconisent de dissocier le calcul des
provisions pour sinistres de celui des provisions pour primes.
II. Les principes dvaluation
II.1 Aspects mthodologiques
Au centre des rgles de calcul respecter, le concept du Best Estimate organise le passage
dune valuation prudente des provisions techniques assise sur des hypothses rglementaires,
une valuation conomique plus raliste. Plus prcisment, larticle 76 dfinit le Best
Estimate comme la moyenne pondre par leur probabilit des flux de trsorerie futurs,
compte tenu de la valeur temporelle de largent [], dtermine partir de la courbe des taux
sans risque pertinente .
Comme il apparat difficile de prconiser de faon systmatique des mthodes de calcul en
fonction de cas identifis (duration, type de risque, ), le Best Estimate est davantage un
ensemble de principes quun guide mthodologique. Au lieu dimposer des mthodes de
calcul dans son valuation, les principes rglementaires incitent plutt lassureur sinscrire
dans une dmarche mthodologique, dont certains aspects importants sont rappels ci-aprs.
Lusage de mthodes reconnues
Pour les branches de forte incertitude telle la branche tudie, les spcifications techniques
du QIS4 prconisent lutilisation de mthodes avres dites best practice en citant les
mthodes construites partir du triangle de liquidation (TS.II.E.10).
A ce sujet le modle tudi extrapole les prestations futures partir du triangle de
liquidation des nombres de rglements et du triangle des prestations payes.
La volont de croiser diffrentes mthodes
Les spcifications techniques du QIS4 conseillent destimer les PSAP partir dau moins
deux mthodes actuarielles considres comme fiables conduisant un faisceau convergent
destimations. De ces mthodes, la plus approprie, celle qui capture le mieux, de faon
prudente, fiable et objective la nature du risque, est ensuite retenue. . Lobjectif dune telle
dmarche consiste contrler labsence derreur de modle et de paramtres.
Dans ce mmoire, nous nous consacrons prsenter une mthode compatible avec les
exigences de Solvabilit II. Dans le cas de la branche corporelle automobile, le rapport de
lACAM sur le Best Estimate en non-vie (ACAM, 2007) conoit trois types de mthodes :
o Les mthodes de cadences appliques aux paiements, recours, nombres et
charges de sinistres dossier par dossier.
o Les mthodes dexposition appliques aux paiements, recours, nombres et
charges de sinistres dossier par dossier.
o Lapproche base sur des loss ratios ultimes fonction de la sinistralit dj
survenue et de la politique tarifaire.
La justification des mthodes utilises
La directive prvoie que les assureurs soient capables de justifier des mthodes de
provisionnement utilises. En ce sens, larticle 119 relatif aux normes de qualit statistique
prcise que les entreprises d'assurance et de rassurance doivent tre en mesure de justifier
auprs des autorits de contrle, les hypothses qui sous-tendent leur modle interne .
Sur ce point, les conclusions de ltude des donnes prsente au dbut de la deuxime
partie doivent permettre de justifier le recours au modle prsent.
Une qualit minimale dajustement
Les spcifications techniques du QIS4 conseillent la mise en uvre de tests dajustements,
de sorte rejeter les mthodes conduisant une qualit dajustement insuffisante (TS.II.E.13).
A cet gard, le cadre des Modles Linaires Gnraliss, dans lequel sinscrit le modle
de provisionnement prsent, permet de procder tant des tests dajustements globaux
qu des tests de significativit des variables explicatives.
II.2 Aspects calculatoires
Le croisement des principes rglementaires et des prconisations mises par lACAM ou le
Groupe Consultatif Actuariel Europen
1
permet de prciser de faon suffisante les principes
de calcul respecter dans le calcul du Best Estimate en non-vie.
II.2.1 Les prconisations du Groupe Consultatif
Dans leur rapport intrimaire sur le Best Estimate en assurance non-vie, le Groupe
Consultatif Actuariel Europen (2008) retranscrit larticle 76 de la directive en cinq points :
La meilleure estimation correspond la moyenne actualise (et non la mdiane).
Lestimation doit tre sans biais et ne pas inclure de marge de prudence.
Les paramtres utiliss combinent lexprience de lentreprise et du march.
Les flux futurs doivent reflter lexprience future de lentreprise.
Les flux futurs doivent tre actualiss partir de la courbe des taux sans risque.
II.2.2 Les prconisations de lACAM
A linitiative du Groupe Consultatif, des rflexions ont t menes au niveau national
autour des mthodes approches du calcul du Best Estimate en non-vie. En France, un groupe
de travail est constitu sous la prsidence de lACAM. En dehors des mthodes approches,
son rapport (ACAM, 2007) rappelle les orientations suivre dans le calcul du Best Estimate.
Mthodes de calcul
Le rapport prcise que les modles utiliss peuvent tre :
Soit stochastiques, impliquant lestimation de la distribution des flux futurs, dont
lesprance actualise dfinit la meilleure estimation des PSAP.
Soit dterministes, auquel cas lvaluation de la charge ultime moyenne aprs
application de cadences et de la courbe des taux, conduit la meilleure estimation.
Le retraitement des sinistres exceptionnels
Dans le cas de la branche corporelle automobile, le rapport prconise de segmenter
lanalyse par tranches de cot des sinistres. En particulier, il sagit de sparer les sinistres hors
graves des sinistres graves qui peuvent distordre les observations moyennes de cots.
A ce sujet, lapproche suivie permet de modliser les cots selon une loi de longue queue
de distribution et selon une procdure destimation des paramtres cohrente avec cette
distribution. Cette technique peut liminer la ncessit de retraiter les sinistres graves.

1
Le Groupe Consultatif Actuariel Europen a t cr en 1978 pour reprsenter lopinion des actuaires devant les institutions europennes.
Intgration des lments inflationnistes
Le rapport prconise de distinguer les effets de la rassurance, de linflation et des recours
dans le calcul de la meilleure estimation. Quatre tapes de calcul sont dfinies :
La projection des triangles de charges et de rglements bruts de recours et de
rassurance, avec prise en compte de linflation.
La projection des triangles de recours.
Lestimation de limpact de la rassurance.
Lactualisation des flux futurs au taux sans risque.
Au sujet de linflation, rappelons que larticle 77 de la directive prvoie la prise en compte
de ses effets dans le calcul des provisions techniques. Paralllement, le rapport de lACAM
rappelle que la hausse des cots dans la branche corporelle automobile est trs suprieure
linflation constate conomiquement, du fait des drives jurisprudentielles et conjoncturelles.
En ce qui concerne la procdure de calcul, le rapport conseille destimer les liquidations de
sinistres partir des historiques retraits de linflation passe, puis dappliquer les conditions
dinflation future aux projections de prestations.
Le modle prsent estime linflation passe de la branche partir des historiques
retraits de linflation. Cette premire approche permet de projeter les prestations futures
en monnaie constante. Linflation gnrale contenue dans les prestations futures est
ensuite estime partir dun modle ad hoc et applique aux projections prcdentes.
Escompte des flux
En ce qui concerne lescompte des flux, le groupe de travail estime raisonnable de
considrer les approximations suivantes :
Dans la mesure o les prestations sont peu corrles aux variations de la courbe des
taux dintrt, lutilisation dune courbe des taux dterministe est suffisante. En ce
sens, on se dispense de probabiliser lvolution des taux dans le temps.
On peut galement considrer des chances dterministes, en se dispensant de
probabiliser les dates de rglement des sinistres.
Le calcul de lesprance des prestations futures est conduit sparment de celui de leur
actualisation, effectue partir dune courbe des taux dterministe et selon des dates de
rglements estimes en conformit avec les hypothses du modle.
III. Lexpression de la provision pour sinistres
Linformation en assurance dommages nest dans certains cas que provisoire. On se
retrouve ainsi en date dvaluation des provisions pour sinistres dans une situation o
lobservation des donnes ne correspond pas la situation ultime. Dans ce contexte, lobjectif
du provisionnement consiste anticiper le dveloppement des charges de sinistres pour les
intgrer immdiatement dans le rsultat.
Dans cet objectif, le provisionnement en assurance non-vie sintresse au droulement
temporel des paiements dune branche dassurance. Les sinistres sont rattachs des annes
de survenance i = 1,,n ou de souscription et rapports des annes dinventaire.
Sans perte de gnralits, on suppose pour simplifier la notation que les sinistres se
droulent sur n annes : la charge ultime est donc connue de faon certaine passe ce dlai.
On dsigne par x
ij
ou X
ij
le paiement effectu la j
me
anne de dveloppement au titre des
sinistres survenus lanne i. Ces variables supposes indpendantes sont appeles incrments.
Lors de la clture de fin danne n, les montants x
ij
antrieurs cette date (i+j n+1) sont
disposs sous la forme dun triangle de liquidation dont la forme est prsente au tableau 1.
Tableau 1 le triangle de liquidation
j
i
1 J l n
Charge
ultime
1 x
1,1
x
1,n
C
1,n

. .
i x
i,j
C
i,n

. .
k X
k,l
.
. .
n x
n,1
X
n,n
C
n,n

Les diagonales du tableau correspondent des rglements calendaires : lanne n a donn
lieu au paiement
=
+
n
1 i
1 i n , i
x , toutes annes de survenance confondues.
Parmi les n
2
variables du tableau 1, les variables (X
i,j
),
i+j-1n
, du triangle suprieur ont t
observes, les (x
i,j
),
i+j-1n
tant leurs ralisations. Lobjectif consiste complter le triangle
infrieur, constitu des rglements restant effectuer au titre des annes 2 n. Ces quantits
sont considres comme des variables alatoires X
i,j
(i, j = 2,,n ; i+j-1 > n).
Au 31/12/n, la charge ultime au titre de lanne i est constitue de la somme des prestations
passes (connues) et des prestations futures (alatoires) :

+ =
+
=
+ =
n
2 i n j
j , i
1 i n
1 j
j , i n , i
X x C .
Lescompte des provisions techniques est un des points majeurs apports par Solvabilit II
qui prvoie que le Best Estimate doit tre calcul compte tenu de la valeur temporelle de
largent . En supposant par exemple que les prestations soient rgles en fin danne, le Best
Estimate de la provision pour sinistres constitue au 31/12/n au titre de la survenance i est
gal la somme des prestations futures actualises la courbe des taux sans risque :
( ) ( )
j 1 i n
n
2 i n j
j , i i ) 1 i n j , 0 ( i 1 X R
+
+ =

+ + =
o i(0,k) dsigne le taux sans risque en 0 dchance k annes et j , i X
lestimation de la
prestation paye en fin danne de dveloppement j et revalorise de linflation.
Si comme nous le faisons ici, on suppose le risque totalement coul en n annes, le Best
Estimate de la provision pour sinistres scrit
=

=
n
2 i
i R R .
Le risque de provisionnement 14
CHAPITRE II. LE RISQUE DE PROVISIONNEMENT
I. Les fondements du risque
I.1 Lincertitude des PSAP : une analyse par risques
Quel que soit lhorizon de solvabilit tudi, la source du risque de provisionnement est la
mme : lincertitude lie lestimation des provisions. On peut associer les facteurs
dincertitude trois risques : le risque de volatilit, le risque dincertitude et les vnements
extrmes.

Risque de volatilit
Le risque de volatilit est associ aux fluctuations alatoires en termes de frquence ou de
valeur dun vnement. Il est considr diversifiable ds lors que la loi des grands nombres
assure la baisse de la volatilit du montant moyen de sinistres lorsque le nombre de risques
assurs identiques et indpendants augmente.

Risque dincertitude
Le risque dincertitude correspond au risque dune mauvaise spcification de la
modlisation de la sinistralit ou dune estimation errone des paramtres. Il nest donc pas un
risque diversifiable, car il ne peut tre rduit par laugmentation de la taille du portefeuille.
Risque de paramtres
Lestimation des provisions passe par lextrapolation des prestations futures partir des
observations passes. Classiquement, les modles de projection sont ajusts partir des
prestations observes. Ces modles sont exposs un risque dchantillon, au sens o les
historiques de prestations disponibles souvent courts contraignent estimer leurs paramtres
partir dun faible nombre dobservations. De faon gnrale, les branches sont dautant plus
exposes au risque quelles sont volatiles en nombre et en montant de prestations. Dans le cas
des mthodes par facteurs, le risque est important dans le calcul des coefficients de passage
des dernires annes, bas sur peu de donnes.
Risque de modle
La capacit du modle estimer les prestations futures repose en fait sur le respect de deux
hypothses implicites. Tout dabord, on suppose que le pass est correctement modlis : les
variables explicatives de la formation des prestations sont pertinentes et exhaustives et la
structure du modle bien spcifie. Ensuite, en supposant que les caractristiques des
prestations futures de sinistres resteront conformes au modle, on postule galement labsence
de changements fondamentaux ou changements de rgime dans la formation des prestations.
Ces changements de rgime sont imputables de nombreux facteurs. Par exemple, des
dcisions rglementaires ou judiciaires influant sur le niveau moyen des prestations, des
changements dans la procdure interne de gestion des sinistres ou dans la nomenclature des
produits, la rvision de contrats de rassurance sont autant de causes susceptibles de rendre
caduque la cadence des paiements utilise dans la projection des prestations futures.
Ces facteurs dincertitude peuvent conduire des changements gradus ou brutaux des
paramtres rels du modle de provisionnement. Barnett et Zehnwirth
2
fournissent un
exemple intressant danalyse des rsidus dfinis par la diffrence entre les prestations payes
et celles estimes par le modle. Si les rsidus prsentent une hausse soudaine ou suivent une
tendance rgulire, il y a alors lieu de suspecter lexistence dun changement de rgime.

Evnements extrmes
Ils sont caractriss par une faible frquence et un impact important. Du fait de leur raret,
leur occurrence ne peut tre prdite partir de lextrapolation dvnements plus communs. Il
est difficile de leur attribuer un montant de perte probable et par extension de capital requis.
I.2 De lincertitude des PSAP au risque de provisionnement
I.2.1 Lexposition des branches droulement long
Les ratios de provisions techniques ont augment au fil du temps sur lensemble des
risques dommages, en particulier dans les branches responsabilit civile et accidents. En
assurance de responsabilit civile, les provisions reprsentent ainsi entre trois cinq fois les
primes acquises, contre 60% 100% en assurance de biens et entre seulement 10% 30% en
assurance tous risque automobile.
Cette tendance est lie en partie la part croissante des sinistres dveloppement long,
dont les provisions sont davantage sujettes drive du fait de multiples facteurs.
Tout dabord, lidentification et le rglement des sinistres sinscrivent sur une priode
longue. Ainsi, la date du paiement peut varier sensiblement selon la gravit et la complexit
du dommage du fait :
du dlai de dclaration lassureur, soit la dure entre la date de survenance et la
date de dclaration du sinistre lassureur.
du dlai de rglement, entre la date de dclaration et la date de rglement final.
de la rouverture de nouveaux sinistres inattendus.
Figure 1 Processus de rglement des sinistres

Dans le cadre du risque de provisionnement, les sinistres particulirement critiques sont
ceux qui ne sont pas encore connus, ou ceux qui sont dj survenus mais pas encore liquids.

2
Barnett G, Zehnwirth B. (2000), Best Estimate for reserves , Proceedings of the Casualty Actuarial Society 87, 245-321.
Dans le provisionnement des risques longs, il est galement primordial danticiper les
tendances conomiques, socitales et juridiques exerant une influence sur les engagements
de lassureur.
Dans les conomies dveloppes, ce sont avant tout lexplosion des cots de sant publique
et les exigences accrues en matire de soins domicile et en tablissement hospitalier. Selon
les prvisions de lOCDE, le taux daugmentation des frais de soins de sant pourrait aller
jusqu 7,3%
3
par an jusquen 2050, de par leffet conjugu de la hausse des salaires jusquici
bas dans le secteur de la sant et dune plus grande longvit de la population.
La croissance des frais mdicaux est quant elle due au progrs constant de la mdecine et
aux dveloppements de nouvelles thrapies.
De faon gnrale, on conoit donc bien quil est dlicat danticiper ces facteurs latents
socio-conomiques qui modlisent le niveau des indemnisations et contraignent lassureur
contrler priodiquement la suffisance des provisions constitues. Par exemple aux Etats-
Unis, les provisions en assurance de responsabilit civile mdicale constitues au titre de
lanne de survenance 2000 ont t augmentes de 25% en 2006
4
.
Cette observation rappelle deux caractristiques majeures de lactivit dassurance :
La rentabilit dune activit doit tre considre aprs lcoulement total du risque. En
ce sens, la littrature sest jusquici concentr sur le risque dit ultime dinsuffisance des
provisions couvrir les engagements de lassureur sur la totalit du dveloppement des
sinistres.
Si cette vision de long terme est centrale dans le calcul des provisions, elle est
inoprante prmunir lassureur du risque dinsolvabilit sur un horizon court.
Ainsi, dune anne sur lautre, linformation supplmentaire obtenue (tendance,
caractristiques statistiques, dclarations tardives, rglement dfinitif,) peut conduire
lassureur rviser le montant de ses provisions la hausse et occasionner des pertes
importantes. Ce risque de court terme constitue le risque de provisionnement tel que le dfinit
Solvabilit II. Il doit tre estim et conduire la constitution dune charge en capital.
I.2.2 Le cas des dommages corporels en automobile
Lassurance dommages corporels en automobile couvre par dfinition les dommages
corporels en cas daccident automobile. Lassureur payeur est lassureur de lautomobiliste
fautif, ou du conducteur, en cas de dommages occasionns des passagers.
Compte tenu du rapide inventaire des facteurs de variations amorc dans la section
prcdente, on conoit bien que la branche dommages corporels en automobile soit
particulirement expose au risque de provisionnement.
Ainsi, lassureur est tout dabord expos au risque de provision du fait des dlais de
dclaration et de rglement des sinistres. En particulier dans le cas des prjudices corporels
graves, les rclamations dcoulant dun vnement dommageable ne sont parfois connues que
trs longtemps aprs la survenance du sinistre.

3
Mnchener Rck, La gestion des cycles, les risques de variations , Enterprise Risk Management, 2/2008.
4
Swiss Re, Provisionnement des sinistres en assurance de dommages : progresser sur un dfi stratgique , Sigma n2/2008.
Et mme dans le cas des sinistres connus, leur coulement souvent long expose lassureur
lvolution de multiples facteurs environnementaux :
Tout dabord, comme les niveaux de prestations restent troitement lis au droit national de
la responsabilit, lassureur nest pas labri dune dcision de justice le contraignant
rviser les provisions constitues au titre des sinistres en cours.
Dans le cas des dommages corporels graves, les rentes verses ainsi que les frais de soins
et de traitement mdical doivent tre payes pendant la dure de vie de la victime. Lorsquune
indemnisation en rente est dcide, elle concerne en gnral les postes de prjudices suivants :
frais mdicaux, autres frais entrans par linfirmit (notamment les frais de tierce personne
dans le cas des grands invalides) et pertes de revenus. Et dans un monde o les changements
vont un rythme croissant, les dimensions des tendances de long terme de lensemble de ces
postes sont facilement sous-estimes.
Enfin, on observe dans la plupart des pays que les indemnisations revendiques sont de
plus en plus souvent verses sous formes de rentes. Ce mode dindemnisation expose
lassureur la hausse de ces cots plus dun titre : tout dabord si le montant verser est
fix selon une base nominale, sans possibilit dadaptation ultrieure, lassureur prend en
charge essentiellement le risque de longvit. De plus, et linverse dun paiement en capital
immdiat et libratoire, le paiement sous forme darrrages lexpose galement un risque de
baisse des taux et au renchrissement des provisions constitues qui en dcoule.
Et dans tous les cas, sil sagit dindemnisations sous forme de rentes, il est possible suite
une dtrioration mdicalement constate que la rouverture dun sinistre cltur occasionne
une augmentation subite des provisions.
II. Le risque de provisionnement de Solvabilit II
II.1 La dfinition du risque
Reprenons la dfinition du Capital de Solvabilit dfini larticle 100 de la directive :
Le Capital de Solvabilit Requis correspond au capital conomique dont besoin une
entreprise dassurance ou de rassurance pour limiter la probabilit de ruine 0.5%, c'est--
dire une seule occurrence tous les 200 ans. Son calcul utilise la mthode de la Value-at-
risk, conformment la formule standard ou dans le contexte dun modle interne : toutes les
pertes potentielles sur les 12 mois venir, y compris celles qui dcouleraient dune
rvaluation dfavorable des actifs et passifs, doivent tre values [].
En valuant le risque en fin danne n, lapplication de cette dfinition au risque de
provisionnement conduit segmenter les risques qui lui sont associs selon deux priodes
5
:
Une priode de choc, soit lanne n+1 durant laquelle un vnement adverse survient,
cet vnement tant entach dune probabilit de survenance de 0.5%.
Une priode affecte dbutant en fin danne n+1 jusqu lcoulement du risque, au
titre de laquelle lvnement adverse aura conduit rvaluer la charge de provisions.

5
International Association of Insurance Supervisors (Octobre 2008), Guidance paper No. 2.1.1 on the structure of regulatory capital es
II.2 Lidentification de la variable dintrt
La dcomposition par Solvabilit II de la perte un an en risques de prime
6
et de
provisionnement est assimilable lanalyse traditionnelle du rsultat par anne de survenance.
En dautres termes, les risques de prime et de provisionnement correspondent respectivement
et peu de choses prs
7
un risque de mali sur liquidation et un risque de marge courante
ngative.
Lanalyse par survenance distingue la survenance courante n+1 des survenance antrieures.
Plaons-nous au 31/12/n et ngligeons leffet de lactualisation des prestations. Le rsultat
technique de lanne n+1 est la somme de la marge courante
~
T et du rsultat T de run-off :

= |
\
|
+ =
= |
\
|
+ =
+
+ +
+
+
+
=
+
=
+
=

) 1 n (
~
1 n
~
1 n
1 , 1 n
~
) 1 n (
1 n
) n (
n
1 i
) 1 n (
i
n
1 i
2 i n , i
n
1 i
) n (
i
R X P R X P T
R X R R X R T

La marge courante
~
T est constitue par la diffrence entre les primes P payes lanne n+1
et la somme des provisions et prestations payes 1 n
~
X + en n+1 qui leur sont associes.
Quant au rsultat T, il est galement appel boni mali sur liquidation. Il correspond la
marge technique comptabilise au titre des survenances antrieures lanne n+1. Le rsultat
T est gal la diffrence entre la provision douverture R
(n)
et la charge de lanne constitue
des prestations X
n+1
payes durant lanne n+1 et de la provision de fermeture R
(n+1)
.
Plaons nous dsormais au 31/12/n+1, en considrant une anne de survenance i n. Le
rsultat qui lui est associ sur lanne n+1 scrit

(
+ + =
+
) 1 n (
i
2 i n , i
) n (
i
i
R x I R T .
Comme
( ) ( )
+ =

=
n
2 i n j
n
j , i
n
i X R , on peut crire

( ) ( ) ( )

+ =
+
+ =
+
+
+
|
\
|
=
(
+ + =
n
3 i n j
1 n
j , i
n
3 i n j
n
j , i
2 i n , i
n
2 i n , i
) 1 n (
i
2 i n , i
) n (
i
i
X X x X
R x I R T
. (1)

6
Le risque de primes concerne les sinistres non survenus, dont certains sont dj provisionns au travers de la provision pour primes, et dont
les autres correspondant des polices souscrites durant lanne n+1, sont couverts par les primes associes.
7
Il sagit de rintgrer dans le risque de provisionnement les sinistres survenus en n+1 dont les primes associes ont t payes en n.
Dans lquation (1) apparaissent les deux lments constitutifs du boni mali de liquidation
enregistrs lanne n+1 au titre de la survenance i :
Le premier terme dit boni mali sur prestations comptabilise la part de rsultat lie la
diffrence entre le montant x
i,n-i+2
de prestations payes sur lanne n+1 et celui
provisionn au 31/12/n au titre de lanne n+1.
Le deuxime terme dit boni mali sur provisions reprsente la part de rsultat lie la
rvaluation de la provision en fin danne n+1, compte tenu de linformation obtenue
durant lanne.
On distingue donc facilement le lien entre le niveau de la variable T et chacune des
priodes en risque. Leffet dun choc survenant lanne n+1 agit directement sur le niveau des
prestations X
i,n+2-i
payes lanne mme, tandis que la priode affecte intervient
indirectement travers la rvaluation en fin danne n+1 de la provision R
i
(n+1)
, pour les
survenances i n. Par exemple, une dcision de justice intervenant lanne n+1 peut conduire
une aggravation des sinistres sur lanne courante et une rvision la fin de lanne des
montants de provisions en couverture du risque affect.
II.3 Risque un an contre risque ultime
En ajoutant le terme
+
=
1 i n
1 j
j , i
x dans chacun des deux membres de la partie droite de
lquation (1), on a galement

( ) ( )
( ) ( )
( ) ( ) 1 n
n , i
n
n , i
1 n
i
2 i n
1 j
j , i
n
i
1 i n
1 j
j , i
n
3 i n j
1 n
j , i
2 i n , i
1 i n
1 j
j , i
n
2 i n j
n
j , i
1 i n
1 j
j , i i
C C
R x R x
X x x X x T
+

+
+
=
+
=
+ =
+
+
+
= + =
+
=
=
(
+ + =
(
+ + + =

.
Le risque de provisionnement est captur par la distribution de probabilit de la variable T,
conditionnellement linformation disponible la fin de lanne n. Autrement dit, ltude du
risque de provisionnement un an conduit sintresser la variabilit dans un an de
lestimateur de la charge ultime par rapport sa valeur prsente.
On note le contraste entre lapproche un an requise par Solvabilit II et lapproche dite
lultime associe la problmatique du provisionnement. Ainsi, lapproche lultime
sinscrit dans une perspective de long terme, en se focalisant sur lincertitude lie au
provisionnement jusquau dveloppement total des sinistres. Elle se concentre sur ltude de
la variable R
i
(n)

+ =
n
2 i n j ij
x ,

soit la somme des pertes et profits constats depuis la date
dvaluation jusqu lcoulement total du risque, et dont seulement une partie viendra
affecter le rsultat de lanne n+1.
Dans une vision lultime, on est donc intress par la variabilit de lestimateur de la
charge ultime par rapport sa valeur lultime. Dans une vision un an, il sagit de mesurer
la variabilit de cet estimateur par rapport sa valeur dans un an.
En guise dillustration, prenons la mthode Chain Ladder. La technique consiste depuis la
diagonale du triangle de liquidation estimer la fin de lanne n la charge ultime C
i,n
par le
montant

) n (
1 n
) n (
i 1 n
1 i n , i
) n (
n , i f f C C
= L , pour 2 i n,
o les coefficients
) (n
j
f
reprsentent laccroissement des paiements cumuls observs la

fin de lanne n, entre les annes j et j+1.
Leur application successive aux montants connus C
i,n+1-i
permet pour chaque anne de
survenance i destimer la charge ultime C
i,n
, 2 i n et ainsi la provision R
i
.
En fin danne n et n+1, les estimateurs des coefficients de dveloppements sont

= +
=
j n
i j i
j n
i j i
n
j
C
C
f
1 ,
1 1 ,
) (
et
+
=
+
= +
+
=
1
1 ,
1
1 1 ,
) 1 (
j n
i j i
j n
i j i
n
j
C
C
f .
Les estimations associes des charges ultimes scrivent

+ =
=
1 n
1 i n j
) n (
j
1 i n , i
) n (
n , i f C C et
+ =
+
+
+
=
1 n
i n j
) 1 n (
j
2 i n , i
) 1 n (
n , i f C C , pour i 2.
Dans le cas de la mthode Chain Ladder, linformation obtenue sur lanne n+1 influe
donc sur lestimation de la charge ultime deux niveaux :
par lintgration des prestations de lanne n+1 dans le calcul de la charge ultime.
par lapplication des nouveaux coefficients de passage la nouvelle diagonale des
rglements cumuls observs.
III. Mesures de risques
III.1 Lindicateur du MSE : une mesure du risque lultime
Lerreur quadratique moyenne ( Mean Square Error ) constitue une mesure courante de
lincertitude lie lestimation des PSAP jusquau dveloppement ultime des sinistres.
En dsignant par D = { } 1 + + n j i x
ij
linformation disponible en date de calcul, sa
valeur correspond la distance moyenne au carr entre la ralisation C
i,n
et sa valeur estime :

(
(
\
|
= |
\
|

D C C E C MSE
2
n , i
n , i
n , i .
Comme
8
( ) [ ] ( ) ( ) [ ]
2 2
c X E X Var c X E + = pour toute constante c, on a par analogie
( ) ( ) [ ]
2
n , i
n , i n , i
n , i C D C E D C Var C MSE
|
\
|
+ =
|
\
|

,
car n , i C
est une constante connue ds lors que D est connu et C

i,n
est D - mesurable.
Lincertitude portant sur lestimation de C
i,n
rsulte donc de deux facteurs :
Le premier terme est une mesure de lerreur lie la variabilit du processus ou du
risque de volatilit (en anglais, process variance).
Le second terme capture lerreur lie lestimation des facteurs par lcart au carr
entre lestimateur n i C ,
et sa cible E(C
i,n
| D) (en anglais, parameter estimation error).
En remarquant que i
i
n , i
n , i
R R C C

= , on a

|
\
|
=
(
\
|
=
(
\
|
=
|
\
|

n , i
2
n , i
n , i
2
i
i
i C MSE D C C E D R R E R MSE
Comme E(C
i,n
) = n , i C
, SE( n , i C
) = |
\
|

n , i C MSE est lestimateur de lcart type de R.
III.2 La mesure du risque un an
III.2.1 Solvabilit II : La mesure par la VaR
Reprenons la notation du II. On dsigne la perte technique sur lantriorit comptabilise
lanne n+1 par L = T.
Dans un but de protection des assurs, Solvabilit II impose limmobilisation dun montant
de capital minimal (L)
9
, assurant le financement de ces engagements dans les cas o les
ressources primaires constitues des primes, des provisions et des revenus financiers ne
suffisent pas honorer les engagements contracts auprs des assurs.
En munissant L dune distribution de probabilit (risque neutre, historique,), (L) doit
en principe tre choisi de telle sorte que lvnement L > (L) soit improbable. A cette
fin, Solvabilit II a privilgi la Value-at-Risk (VaR) parmi les mesures de risques.

8
Par linarit de E(X) on a ( ) ( ) { } [ ] { } [ ] [ ] { } [ ] { } { } [ ] [ ] { }
2 2 2 2 2 2
c X E c X E c X E c X E 2 c X E c X E c X E X V = + = = .
9
La fonction est une fonctionnelle dfinir faisant correspondre au risque S un nombre positif not (S) et vrifiant les proprits de
cohrence dfinies dans Artzner, Delbaen, Eber et Heath (1999), Coherent Measures of Risk , Mathematical Finance, 9, pp. 203-228.
La VaR dfinit le -quantile de L.
Var
(L) = Inf{x | P[L x] }= Q
(L) = ( )
1
S
F , 0 1,
o
1
X
F
est la fonction quantile de L, soit linverse de sa fonction de rpartition.

Un des reproches majeurs fait la VaR est quelle ne prcise ni limportance de la perte, ni
sa distribution au-del dun seuil
10
. Cet inconvnient peut tre considr comme majeur pour
des distributions de pertes caractrises par des queues paisses.
Cest la raison pour laquelle on prfre souvent la VaR la Tail VaR (TVaR) dfinie par
( ) ( )

=

d L VaR
1
1
L TVaR
1
, 0 1.
La TVaR est la moyenne des VaR de niveau de confiance suprieur ou gal . Pour des
distributions continues, on a
( ) ( ) [ ] L VaR L L E L TVaR

> = .
Autrement dit, il sagit de la traduction mathmatique du concept de perte moyenne dans
les pires (1 )% des cas . A linverse de la VaR, la TVaR permet de distinguer deux
distributions de perte qui ont le mme -quantile mais sont diffrentes par ailleurs (en
particulier nont pas les mmes queues de distribution, ou la mme asymtrie).
La TVaR peux galement sexprimer en fonction dune autre mesure de risque, celle
dExpected Shortfall dfinie par
( ) ( ) [ ]
+
= L S E L ES
Le Shortfall peut sinterprter comme la part de perte non couverte par lassureur. En ce
sens, elle dfinit le risque rsiduel dinsolvabilit. Si (L) = VaR(L), la TVaR sexprime
comme une combinaison linaire de la VaR et du Shortfall.
Comme

( ) ( ) [ ] ( ) ( ) ( )
( ) ( ) ( ) =
= =

+

+

1 L VaR d L VaR
d L VaR L VaR L VaR L E L ES
1
1
0
,
on a ( ) ( ) ( ) ( )
+

+ = L VaR L E
1
1
L VaR L TVaR .

10
sauf quand une distribution thorique comme la loi normale est suppose a priori.
Mme si la VaR est dcrie cause de son absence de sous additivit
11
, Dhaene et al.
(2004) montrent que cette mesure de risque est optimale au sens o elle minimise la fonction
12

( ) ( ) [ ] + =
+
d d L E d , L C ,
tout en conduisant au plus petit niveau de capital d.
III.2.2 Mthodes approches

Une approche historique
Une mthode simplifie de calcul du capital requis est propose dans ltude de lAISAM-
ACME (2007). Elle consiste calculer la charge de capital par application dun chargement
de solvabilit la meilleure estimation de la provision douverture. En ce sens, la solution est
analogue la pratique actuelle dinclusion dune marge de prudence dans la provision.
La valeur de la marge de prudence est dfinie partir des donnes historiques de la
branche. Plus prcisment, lapproche vise capturer laugmentation relative un an des
provisions dfinie par

|
\
|
+
|
\
|
+ |
\
|

=
n
n
n n
R
X R R
m
1
1

Alors, la charge en capital estime au 31/12/n est dfinie par

( )
( ) m Q R C
n
% 5 , 99
=
Cette approche rtrospective fournit une indication sur la volatilit historique des
provisions un an. Toutefois, la mthode reste dpendante de la dfinition de R
(n)
. Par
exemple, une mthode alternative de provisionnement rduisant de 10% le niveau des
provisions conduit au mme chargement en capital

( ) ( )
( )
( ) ( )
( ) n
1 n
1 n n
n
1 n
1 n n
R
X R R
R 9 . 0
X 9 . 0 R 9 . 0 R 9 . 0
m
+
+
+
+

=

= ,
mais diminue galement de 10% le niveau de ressources R
(n)
(1+m) devant assurer la
solvabilit un an dans 99.5% des cas.
En ce sens, cet exemple met en avant la ncessit de dfinir le Best Estimate dans la
distribution du risque. A ce sujet, nous avons vu que la notion de meilleure estimation
correspondait lesprance actualise de la somme des prestations futures.

11
Une mesure de risque est sous-additive si (S1+S2) (S1)+(S2). Intuitivement, la proprit est lgitime si en cas dvnement adverse, le
capital rsiduel du risque i excdentaire tel que (Si) - Si > 0, permet de couvrir la perte du risque dficitaire .
12
d est assimilable au cot de rmunration du capital immobilis. La dmonstration des auteurs est prsente en annexe.

Une approche par les quantiles
En prolongement de lapproche de lAISAM-ACME, Dhaene et al. (2008) proposent une
solution plus adapte :
En occultant leffet de lactualisation, la quantit inconnue R
(n+1)
+X
n+1
est le montant de
ressources ncessaire durant lanne n+1. Cette quantit peut scrire en fonction de la
provision certaine R
(n)
douverture, avec

|
\
|
+ = + =
+
+
|
\
|
|
\
|
|
\
|
|
\
|
|
\
|
+
|
\
|
+
|
\
|
|
\
|
1
1
1
n n n
n
n
n
n
n n
R R R
R
R X R
R R

Le paramtre dsigne la rvision du risque effectue durant lanne n+1. Ainsi, le risque
de provision considre les cas o est strictement positif, soit

|
\
|
+
|
\
|
+
> +
n
n
n
R X R
1
1
.
Pour dcrire le risque de provisionnement, il sagit de trouver un estimateur de la volatilit
du facteur daccroissement . Dans le cadre de Solvabilit II, le capital requis doit permettre
de couvrir la perte technique lie au risque de mali sur liquidation dans 99,5% des cas, soit

( )
( )
( )
( )
% 5 , 99 % 5 , 99
Q R R Q
n n
=
Si lon suppose gaussien par simplification, on obtient

( )
( )
( )
( ) ( ) ( ) [ ] 995 . 0
1
% 5 , 99
+ = = E R R Q C
n n

o les paramtres E() et () peuvent tre estims partir de donnes historiques.
Etude des donnes 25
PARTIE II. LA SELECTION DU MODELE

Laboutissement de cette partie est lidentification du modle utilis dans le calcul du Best
Estimate et du risque de provisionnement. Nous choisissons dtudier la branche des
dommages corporels automobile caractrise par un dveloppement long.
Les rponses certaines questions poses lors de la dfinition dun modle savrent
cruciales dans le cas des branches longues : comment modliser la drive inflationniste ;
comment projeter les prestations au-del de lhorizon observ dans le cas de risques
partiellement couls, comment tenir compte dune ventuelle drive temporelle de la
cadence des prestations ?
Inspire de Wright (1992) et Taylor (2004), la mthode prsente dans cette partie propose
des axes de rponse ces questions. Tout dabord, le modle utilis intgre implicitement la
modlisation des facteurs de queue. Ensuite, sa structure souple facilite linclusion de facteurs
influents dans la drive temporelle des prestations de sinistres, tels les phnomnes dinflation
et de surinflation. Enfin, la mthode propose une modlisation alternative la mthode par
facteurs, dans le cas courant pour les branches longues o la cadence des prestations est
instable.
Lapproche est de type cot moyen. Elle suppose de disposer par survenance et anne de
dveloppement des prestations de sinistres, des nombres de sinistres rgls et des estimations
des nombres de rglements lultime
13
.
Le cheminement au modle final procde en quatre temps. La premire partie tudie les
donnes et justifie du recours au modle de provisionnement utilis. Tout en introduisant les
outils propres aux GLM, la seconde partie dfinit les caractristiques fondamentales du
modle. La troisime partie spcifie la structure du modle tandis que la quatrime procde
aux tests usuels de validation.

13
Et ventuellement les nombres de sinistres en cours, dans le cadre de la modlisation des paiements partiels.
Etude des donnes 26
CHAPITRE I. ETUDE DES DONNEES
I. Lexpos du problme
I.1 Limites de lusage des mthodes par facteurs
Pour calculer la provision pour sinistres, nous disposons de diffrentes techniques qui se
basent sur lanalyse du triangle de liquidation. La plupart de ces techniques passent par la
recherche de facteurs de dveloppement mesurant les taux de progression de la charge entre
deux ges successifs.
Citons par exemple le modle GLM Poisson surdispers
14
supposant les incrments
indpendants et distribus selon une loi poisson, de moyenne et de variance
( )
j i
ij ij
e X E
+
= = et ( )
ij ij
X Var = .
Le lien exponentiel permet une interprtation simple des coefficients
i
et
j
. En reprenant
la notation de la section prcdente, on a
( )
j
i
n
1 j
n
1 j
ij n , i
e e C E

=
=

= = .
soit ( ) [ ]
i n , i
c C E ln + = , o
(
=

=
j n
1 j
e ln c .
Cette galit donne une interprtation du paramtre
i
en termes de charge ultime espre
de sinistres.
Par ailleurs, comme

( )
( )

=

+
= =
n
1 j
n , i
ij
j i
j i
j
e C E
X E
e
e
e ,
on a
( )
( )
i
e
e
C E
X E
n
1 j
j
j
n , i
ij
=
.
Cette dernire quantit reprsente la proportion moyenne des paiements attendus au cours
de lanne de dveloppement j. Remarquons que cette proportion est indpendante des annes
de survenance. En dautres termes, la projection des incrments futurs repose sur lapplication
chaque survenance dune unique cadence de dveloppement.
Hors, la pertinence de ce choix de modlisation suppose que les donnes observes suivent
des volutions relativement rgulires. De ce fait, les mthodes par facteurs doivent donc tre
utilises avec prcaution, notamment dans le cas des branches longues dont la dure
dcoulement rend plus improbable lhypothse de stabilit des cadences de prestations.

14
On rappelle que ce modle conduit aux mmes rsultats que ceux issus de la mthode dterministe Chain Ladder.
Etude des donnes 27
I.2 Quelques mthodes alternatives
Avec le temps, de nombreux facteurs peuvent en effet venir influer sur le rythme de
paiement des prestations. A ce sujet, le rapport de lACAM (2007) rappelle quelques
mthodes alternatives la mthode des facteurs, dans des cas o lapplication dune cadence
unique nest pas souhaitable.
Tendances des facteurs
Les mthodes par facteurs calculent des coefficients de dveloppement de faon globale.
De ce fait, elles ne permettent pas de distinguer des volutions dans le temps de la cadence
des paiements. Une solution consiste utiliser des techniques qui passent par le calcul de
facteurs par anne de survenance.
Selon les tendances observes, on peut retenir des facteurs calculs :
o A partir dune moyenne pondre, en attribuant un poids plus important aux
facteurs des survenances les plus rcentes.
o A partir dune moyenne portant sur les derniers facteurs. Se pose alors la
question de lhorizon retenir.
Si on observe des tendances, il est impratif den tenir compte dans le calcul des facteurs
de dveloppement. La solution choisie doit alors tre dautant plus justifie quelle garde dans
tous les cas une part de subjectivit.
Dispersion des facteurs
Si le dveloppement des sinistres suit une loi gnrale, il est normal dobserver des
fluctuations dans les trajectoires de prestations par survenance. Dans tous les cas, que les
facteurs soient peu ou fortement volatiles, lapplication dune cadence unique lensemble
des survenances demeure une solution moyenne. Alors, les diverses solutions possibles bases
sur les facteurs peuvent selon leur dispersion diverger sensiblement.
Diffrents modles stochastiques permettent de dfinir un intervalle de confiance dans
lestimation de la provision (Munich Chain Ladder, Bootstrap). Lutilisation de ces modles
est souvent conditionne par lhypothse sous jacente dindpendance des facteurs de
dveloppement
15
. Ce postulat exclut en particulier les phnomnes de compensation des
rglements de sinistres dun dlai au suivant pour une mme anne de survenance.
Volatilit des facteurs
Dans son rapport, le groupe de travail dissocie la dispersion naturelle de la volatilit des
facteurs de dveloppement. Cette dernire faisant rfrence une disparit plus heurte, est
frquemment observe dans le cas des branches longues pour lesquelles une faible proportion
de la charge ultime est connue lors des premires annes de dveloppement.

15
Dans son article Measuring the variability of Chain Ladder Reserve Estimates de 1993, T. Mack propose un test de contrle de
labsence de corrlation entre les facteurs.
Etude des donnes 28
A ce sujet, une illustration de leffet de lapplication dune cadence unique en prsence de
volatilit des facteurs est donne partir du portefeuille tudi (voir II.2.2).
Dans ce cas, le rapport de lACAM prconise deux types dapproches :
o La mthode Bornhuetter-Fergusson combine lapproche traditionnelle des
facteurs avec une estimation a priori de la charge ultime. Au fil des
annes de dveloppement, cette approche de type crdibilit accorde une
pondration plus importante lobservation des facteurs.
o Les mthodes bases sur des facteurs de dveloppement en valeur absolue,
construites par exemple sur des historiques de rapports de sinistres primes.
Ces deux mthodes permettent de limiter linstabilit des projections lie la sensibilit de
lapproche par facteurs des premires annes. En revanche, leur utilisation reste dlicate. Pour
la premire, la principale difficult rside dans la justification de lestimation a priori de la
charge ultime. Quant la seconde, elle reste conditionne la stabilit des loss ratio dune
survenance lautre.
Elments de rupture
Indpendamment de leur volatilit naturelle, les trajectoires de dveloppement des sinistres
peuvent galement tre perturbes par des lments de rupture. Ces ruptures interviennent
souvent lors dun mme exercice en touchant lensemble des annes de survenance
16
. Elles
peuvent tre causes tant par des sources internes (changement des rgles de gestion, des
dates de cut-off ou de la procdure de slection des risques, ) quexternes (volution
jurisprudentielle, conomique ou sociale, ) lentreprise.
Dans tous les cas, il est primordial de retraiter les donnes de ces ventuels phnomnes,
de sorte ne pas utiliser des facteurs errons dans le calcul des provisions.
I.3 Le cas des donnes tudies
Les donnes que nous tudions sont issues de Taylor (2000). Nous ne disposons daucune
statistique relative au portefeuille tudi (benchmark, loss ratio, ). La seule information
connue concerne la branche du portefeuille, soit celle des dommages corporels en automobile.
En fait, les caractristiques de cette branche nous situent au carrefour des diffrentes
limites des mthodes par facteurs qui viennent dtre voques. Dans le cas des donnes
tudies, lanalyse venir invalide lusage des mthodes par facteurs pour diffrentes causes.
On y montre notamment :
o que les facteurs de dveloppement sont volatiles et sujets tendances.
o Que le volume des paiements est dpendant des procdures de gestion,
travers les nombres de rglements dont les cadences sont par ailleurs
instables.

16
Dans son article Measuring the variability of Chain Ladder Reserve Estimates, T. Mack propose galement un test de contrle vrifiant
quil nexiste pas de rupture densemble des facteurs sur une anne dexercice.
Etude des donnes 29
II. La discussion sur les donnes
II.1 La description des donnes
II.1.1 Les donnes utilises
Si les techniques de provisionnement passent invariablement par lanalyse du triangle de
liquidation, il nexiste pas de consensus clair sur la nature des donnes prendre en compte
dans lestimation de la charge ultime : tudie ton les sinistres payes ou survenus ?.
Dans le premier cas, les incrments X
ij
reprsentent les sinistres survenus lanne i et pays
avec j annes de retard. Il sagit du triangle des prestations rgles.
Dans le second cas, les incrments X
ij
reprsentent les sinistres survenus lanne i et
dclars la j
me
anne de dveloppement : dans ce dernier cas o les sinistres nont pas t
entirement rgls, le triangle inclut leurs estimations en lieu et place des rglements venir.
Les deux issues prsentent des avantages et des inconvnients :
Si on inclut seulement les sinistres pays, les donnes du triangle refltent la situation
relle, sans prise en compte de jugement humain. Cependant, la connaissance des IBNR
nest pas exploite, et le triangle napporte aucune information sur les paiements futurs.
A linverse, les estimations des IBNR peuvent tre volatiles, si elles sont soumises
diffrentes influences conomiques et politiques plus ou moins objectives.
Cette ralit complique double titre la lecture de la cadence des rglements. Tout
dabord, du fait des rvaluations des estimations de sinistres, les montants rgls peuvent
diffrer sensiblement des montants estims. Ensuite, les sinistres sont considrs rgls en
date destimation et non de rglement.
Le modle utilis dfinit le cot moyen dun sinistre en fonction de lordre doccurrence de
leur rglement. Son utilisation requiert la connaissance des donnes suivantes :
Les sinistres pays retraits de linflation sont prsents en annexe A. Les prestations
sont exprimes en dollars du 31/12/1995.
Les nombres N
ij
de sinistres survenus au titre de la survenance i et rgls avec j annes
de retard sont prsents en annexe B.
Les nombres N
i
des sinistres survenus et survenir au titre de la survenance i sont
prsents en annexe C. Les estimations des nombres de sinistres survenus restant
dclarer dits tardifs correspondent aux estimations de Taylor (2000).
II.1.2 Lestimation du nombre de sinistres survenus restant dclarer
Considrons la survenance i et notons D
ij
le nombre de sinistres dclars durant lanne de
dveloppement j. Classiquement, nous disposons du triangle des D
ij
, pour j = 1, , n i+1, et
nous cherchons extrapoler la srie des D
i,j
pour j = n i+2, , .
Etude des donnes 30
On dfinit le nombre cumul des sinistres dclars au titre de i par

=
=
n
1 j
m , i ij
D A
Taylor (2000) extrapole le nombre des sinistres tardifs partir de la srie historique des D
ij
.
Plus prcisment, lextrapolation des tardifs est tablie en deux temps
17
:
Il estime les facteurs de passage
j
partir de la mthode Chain Ladder pour j 7.
Autrement dit, on dfinit comme estimateur de
j
la quantit

=
i
j , i
i
1 j , i
j
A
A
, j = 1, , 7,
o la sommation en i se fait pour lensemble des valeurs disponibles
18
.
Pour les coefficients suivants, il ajuste une courbe aux quantits
7 , , 1 j
j , 1
L =
, quil utilise
pour les dlais j > 7. Le modle ajust est le suivant :

7 j
j 59 . 0 0011 . 0 1

=
La reconstitution des coefficients de passage est expose en annexe T. Pour finir,
remarquons que le modle permet lextrapolation des tardifs pour les dlais importants. Par
exemple pour j 10, comme , 0 1 j
on a

=
+
10 j
j
10 j
j 1 1
Comme

|
\
|
=

= =
= =
(
=

=

1
41 , 0
59 , 0
41 , 0
1
41 , 0
59 , 0
0011 , 0
59 , 0 59 , 0 0011 , 0 59 , 0 0011 , 0 1
9
10
3
j
0 j
3
10 j
7 j
10 j
j

Do |
\
|
+

1 41 , 0 59 , 0 1 9
10 j
j .
Au final, on obtient
+ =
=
i 1 n j
j 1 i n , i
, i A A .

17
Pour plus dexplications, se reporter la page 17 de Taylor (2000). On y trouvera plusieurs techniques dextrapolation des sinistres tardifs.
18
Sur cet exemple,Taylor estime les coefficients de passage selon des historiques diffrents dtaills en annexe C (tableau 29 bis).
Etude des donnes 31
II.2 Lapplication de la mthode Chain Ladder
II.2.1 Ltude pralable des rapports historiques de dveloppement
Les coefficients f
j
calculs par Chain Ladder et les facteurs de dveloppement cumuls
associs
'
j
f sont prsents en bas de triangle de lannexe A.
Les figures 2 et 3 prsentent les facteurs f
1
f
8
, calculs partir dun horizon allant du
dernier exercice comptable 1995 (en bleu) lensemble des seize annes disponibles (en
rose). Elles tmoignent clairement de linstabilit de la cadence des prestations dans le temps.
Figure 2 Rapports moyens de dveloppement f
j
, j = 1 4
1
2
3
f1 f2 f3 f4
1 an 2 ans 3 ans 4 ans 16 ans

A priori, la modlisation dune cadence unique de paiements base sur les annes de
dveloppement apparat compromise double titre du fait :
De la tendance gnrale la hausse des rapports historiques
19
.
De la volatilit des coefficients, notamment dans le cas des dlais 1 et 3.
Figure 3 Rapports moyens de dveloppement f
j
, j = 5 8
1,0
1,2
1,4
f5 f6 f7 f8
1 an 2 ans 3 ans 4 ans 16 ans

Dans le cas des branches longues, lhtrognit des cadences de paiements peut conduire
une instabilit forte dans le calcul des provisions. Autrement dit, lapplication de facteurs
multiplicatifs de niveau lev peut entraner des effets fortement amplifis sur l'valuation de
la charge totale et en consquence conduire des niveaux de provisions trs volatiles.

19
Les valeurs des rapports historiques sont prsentes en annexe A pour les neufs derniers exercices.
Etude des donnes 32
Par exemple, lapplication de la mthode Chain Ladder ajuste partir des seize annes
dhistorique suppose que la part de sinistres rgls en fin de 1
re
anne est en moyenne de
% 45 , 5
355 , 18
1
f
1
'
1
= = .
Autrement dit, pour 0.0545 euro rgl en fin de 1
re
anne de dveloppement, la mthode
estime le montant de la charge ultime 1 euro. A ce sujet, rappelons que lapplication dune
cadence moyenne de paiements lensemble des survenances suppose implicitement
lhomognit du dveloppement de leurs prestations.
Par exemple dans le cas de la survenance 1979 o la charge ultime est a priori connue,
ltude postriori de la cadence de ses prestations conclut que 9% des prestations taient
payes en fin de 1
re
anne. Lapplication du coefficient moyen Chain Ladder cette
survenance aurait aboutit en fin de 1
re
anne une surestimation de sa charge ultime de
(0,09-0,0545) 18,355 = 64,9%.
II.2.2 La sensibilit de la provision pour sinistres
La section prcdente donne une mesure de la variabilit de lestimation des PSAP du fait
de la volatilit des facteurs. Dans le cas des donnes tudies, le recours une mthode par
facteurs nest de toute faon pas pertinent du fait des tendances dceles dans les facteurs.
Le tableau 2 prsente les montants de PSAP obtenus en fonction du nombre dexercices
retenus dans le calcul des coefficients Chain Ladder, et le rapport (colonne %) de chaque
provision par rapport la PSAP calcule partir des seize exercices observs.
Tableau 2 PSAP - fin danne 1995
Exercices retenus (%) PSAP

1995 1,768 382 249 638
1990 1995 1,474 318 723 185
1985 1995 1,055 228 155 210
1979 1995 1,000 216 250 173
Par exemple, lutilisation des facteurs observs durant lexercice 1995 conduit une
provision suprieure de 76,8% celle estime en recourant lensemble des exercices
disponibles.
De faon plus gnrale, on observe sans surprise du fait de la hausse des premiers facteurs
de dveloppement avec le temps que lintgration progressive des exercices passs dans le
calcul des coefficients de passage conduit une baisse tendancielle du niveau des provisions.
Dans ces conditions, le recours un unique profil de dveloppement dans le calcul des PSAP
apparat difficilement justifiable, dautant que sil est possible de tenir compte de la tendance
haussire des facteurs en raccourcissant lhistorique intervenant dans le calcul des coefficients
f
j
, il nexiste aucune mthode adquate permettant den dfinir la profondeur.
Etude des donnes 33
II.3 De linadquation des mthodes par facteurs
II.3.1 Linstabilit de la cadence des rglements
Il est courant que linstabilit des facteurs de dveloppement soit lie celle du rythme de
rglement des sinistres. Cest pour cela que Berquist et Sherman (1977) suggrent de fixer le
montant des IBNR partir de la dure de rglement des sinistres restant courir.
Dans cette mme dmarche, Reid (1978) introduit la notion de temps oprationnel en
associant un indicateur de temps moyen

i
j , i
2
1
1 i
ij
N
N N + +
=
L
, avec t
ij
[0 , 1],
chaque cellule (i,j) du triangle, dfinissant la proportion de tous les sinistres clturs au
titre de la survenance i au milieu de lanne de dveloppement j.
Les sinistres clturs en (i,j) sont dfinis par lgalit

j , i ij 1 j , i ij
O D O N + =

o O
ij
dsigne le nombre de sinistres restant ouverts la fin de la priode associe la
cellule (i,j) et D
ij
le nombre de sinistres dclars durant cette mme priode.
La notion de temps oprationnel fait rfrence la vitesse de rglement dune cohorte de
sinistres, correspondant dans notre cas aux sinistres survenus durant une mme anne de
survenance. Lactivit de la cohorte dbute au temps oprationnel = 0 et se termine lorsque
le dernier sinistre de la cohorte est rgl en = 1. La figure 4 reprend trois trajectoires de
temps oprationnel du triangle prsent en annexe F.
Figure 4 Trajectoires de temps oprationnel de trois annes de survenances
38%
48%
60%
74%
0%
25%
50%
75%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
anne de dveloppement
1981 1985 1992

Les annes de survenance prsentes sont slectionnes pour illustrer la forte volatilit des
trajectoires de rglement, notamment dans le cas des premires annes de dveloppement. Par
exemple, on observe que 74% des sinistres de la survenance 1992 ont t clturs en fin de
4
me
anne de dveloppement, contre seulement 48% pour la survenance 1981.
Etude des donnes 34
II.3.2 La liaison entre volume des prestations et nombre de rglements
La figure 5 issue de Taylor (2000) superpose le nombre de sinistres rgls et le volume de
prestations par anne comptable. On observe le lien troit entre ces deux variables.
Figure 5 Volume des prestations (M$) et rglements de sinistres

35
45
55
65
1979 1981 1983 1985 1987 1989 1991 1993 1995
P
r
e
s
t
a
t
i
o
n
s

(
M
$
)
300
800
1 300
R
g
l
e
m
e
n
t
s
Prestations Nombre de rglements

Lobservation de la figure 5 nous rappelle cependant que la justesse de cette relation peut
dans la pratique tre contrarie, notamment du fait de deux phnomnes :
Certains rglements de sinistres ne conduisent pas forcment prestations :
Ainsi, lactivit de rglement des sinistres peut tout simplement tre artificielle, au sens o
elle rpond davantage une motivation administrative. Par exemple, on peut considrer une
anne dinventaire durant laquelle lassureur dcide de clturer le maximum de sinistres
laisss ouverts sans utilit.
Sur la figure 7, on remarque que le pic de rglement de lanne comptable 1985 ne
saccompagne pas dune hausse du volume des prestations. On observe galement que cette
anne est adjacente un minima local de la courbe des sinistres rgls en 1984. On peut
imaginer quune partie des sinistres rgls en 1985 correspond un rattrapage des sinistres
sans suite laisss en suspens en 1984.
Un certain nombre de prestations ne saccompagnent pas dun rglement :
En effet, un sinistre peut dclencher de nombreux versements. On parle de paiements
partiels. Par exemple, ce phnomne peut tre accentu dans le cas dindemnisations sous la
forme darrrages : le sinistre est considr rgl avec le paiement du dernier arrrage.
Etude des donnes 35
II.3.3 Les coefficients de passage et le temps oprationnel
Si le volume des prestations dpend du nombre de sinistres rgls, on peut sattendre
observer un lien entre lvolution du temps oprationnel et celle des facteurs de
dveloppement.
La figure 6 superpose les volutions dans le temps des rapports historiques de premire
anne f
1
et du temps oprationnel
2
de fin de deuxime anne de dveloppement. La figure 8
effectue la mme comparaison pour le facteur de troisime anne et le temps oprationnel de
fin de quatrime anne de dveloppement.
Figure 6 Temps oprationnel
2
et rapport de dveloppement f
1
2,0
3,2
4,3
5,5
1979 1981 1983 1985 1987 1989 1991 1993
anne de survenance
c
o
e
f
f
i
c
i
e
n
t

d
e

p
a
s
s
a
g
e

F
1

d
e

l
'
a
n
n
e

1

l
'
a
n
n
e

2
15%
30%
45%
60%
t
e
m
p
s

o
p
r
a
t
i
o
n
n
e
l

T
2

l
a

f
i
n

d
e

l
'
a
n
n
e

1
F1 T2

Figure 7 Temps oprationnel
4
et rapport de dveloppement f
3
1,35
1,60
1,85
2,10
1979 1981 1983 1985 1987 1989 1991
anne de survenance
c
o
e
f
f
i
c
i
e
n
t

d
e

p
a
s
s
a
g
e

F
3

d
e

l
'
a
n
n
e

3

l
'
a
n
n
e

4
45%
62%
78%
95%
t
e
m
p
s

o
p
r
a
t
i
o
n
n
e
l

T
4

l
a

f
i
n

d
e

l
'
a
n
n
e

4
F3 T4

Dans les deux cas, la croissance des facteurs de dveloppement apparat concider avec
celle du temps oprationnel, mme si les coefficients de corrlation entre les sries f
j
et
j+1

sont loin dtre parfaits. On observe par exemple que la hausse sensible du taux de rglement
2
pour les survenances postrieures 1991 ne saccompagne pas dune augmentation du
coefficient de dveloppement associ.
Etude des donnes 36
III. Lapproche par les cots moyens
III.1 Les cots moyens et le temps oprationnel
La section prcdente met en avant lexistence dun lien entre le volume des prestations
payes et le nombre de rglements de sinistres. Le modle le plus simple reconnaissant la
dpendance entre ces deux variables suppose la relation
( )
j ij ij
S N X E = , (1)
o

=
I i
ij
I i
ij j
N X S dsigne lestimateur du cot moyen par sinistre rgl
20
observ
sur le dlai j et I un ensemble appropri dannes de survenance.
Lutilisation de la relation (1) suppose implicitement pour un mme dlai que les cots
moyens par sinistre rgl restent stables dune anne de survenance une autre. Dans notre
cas, cette hypothse nest donc pas raliste, du fait du lien tabli entre le volume des
prestations et le nombre des rglements de sinistres instables en cadence.
Dans le cas dinstabilit avre de la cadence des rglements, supposer lhypothse
dinvariance de lordre peut constituer un axe de modlisation plausible. Autrement dit, il
sagit de postuler que les variations du rythme de rglement nont pour seule consquence que
de compresser ou dtendre la dure durant laquelle ces sinistres sont pays, sans affecter ni
leur ordre de paiement, ni leur niveau de prestation.
Imaginons sur un exemple simple deux annes de survenance engendrant chacune trois
sinistres, de montants 1000, 2000 et 3000, rgls dans cet ordre pour chacune des
survenances, mais selon une rpartition dans le temps expose au tableau 3.
Du fait de la rpartition diffrente des rglements de sinistres dans le temps, les deux
survenances prsentent des niveaux de cots moyens par dlai trs htrognes. La
modlisation des incrments partir de ces cots conduirait des problmes similaires ceux
voqus dans le cas des facteurs de dveloppement. Si par contre, le dveloppement des
sinistres est mesur en temps oprationnel, on observe pour les deux survenances les mmes
cots par sinistre rgl de 1000 en
3
1
= , 2000 en
3
2
= et 3000 en 1 = .
Tableau 3 Prestation cumule par sinistre rgl

nombre de
sinistres rgls
Prestations
f
j

Prestation par
sinistre rgl
Temps
Oprationnel
Dlai
j

Surv. 1 Surv. 2 Surv. 1 Surv. 2 Surv. 1 Surv. 2 Surv. 1 Surv. 2 Surv. 1 Surv. 2

1 1 2 1000 3000 6 1 1000 1500 33,3% 66,7%
2 2 0 5000 0 1 2 2500 0 100,0% 66,7%
3 0 1 0 3000 0 3000 100,0% 100,0%

20
Dans la littrature anglaise, la quantit Sj est usuellement appele PPCF, pour Payment Per Claim Finalised .
Etude des donnes 37
Dans ces conditions, lapproche par les cots moyens reste valide. Il sagit en termes de
modlisation de substituer lindice j, en passant une structure paramtrique du type
( )

= S N X E
i i
(2)
o
] ]
=
v , u
ij ij
ij
N X S dsigne le cot moyen des sinistres rgls dans le
me

intervalle de temps oprationnel.
Dans le cas des donnes tudis, les figures 8 et 9 tmoignent de leffet du temps
oprationnel sur lhomognit des cots moyens. Le hamac
21
de la figure 8 fournit une
lecture rapide des proprits de la distribution des cots moyens par anne de dveloppement
prsents en annexe G. La figure 9 est son homologue en temps oprationnel.
La construction de la figure 9 requiert de partitionner lintervalle ]0,1] en sous intervalles
]u
, v
],
= 1,,15
, avec u
1
= 0, v
15
= 1, u
+1
= v
. On associe le cot moyen

ij
ij
N
X
ij
S = de chaque
cellule (i, j) du triangle au
e
sous intervalle ]u
, v
], tel que

< v u
ij
, o v
=
15
.
Lobservation des figures 8 et 9 conduit deux enseignements. Tout dabord, on observe
que lusage du temps oprationnel fait baisser la variabilit intra classe des cots moyens,
plus homognes sur la figure 9 que sur la figure 8. Ensuite, on voit que leur regroupement
selon leur temps oprationnel aboutit une trajectoire plus rgulire.
Par ailleurs, on remarque que la trajectoire des cots moyens de la figure 9 nest pas
conforme celle monotone croissante plus usuelle. En effet, il est courant de constater un lien
de proportionnalit entre le temps oprationnel et le cot des sinistres. Autrement dit, les
petits sinistres sont rgls plus rapidement que les gros , davantage sujets de longue
procdure. En outre, ce postulat souvent vrifi empiriquement est la principale justification
du recours au temps oprationnel. On trouve dans la littrature deux sources dexplication
possibles de la baisse des cots moyens dans les premires valeurs de temps oprationnel.
La premire est avance par Taylor (1981) qui rappelle que ce phnomne peut sexpliquer
par leffet de la rpartition dans le temps des sinistres rgls sans suite
22
. Sans intervenir ni sur
lordre, ni sur la distribution des prestations, ces sinistres sont en effet comptabiliss dans les
nombre de rglements intervenant dans le calcul du cot moyen. En supposant que ces
rglements interviennent majoritairement dans les premires annes, le cot moyen peut donc
baisser pour remonter par la suite.
La seconde est expose par Wright (1992) qui montre que cette baisse peut tre lie
lexistence de paiements partiels importants. Cette problmatique est dveloppe plus en
avant. Nous verrons en fin de partie que la modlisation des paiements partiels dveloppe
par Wright fournit dans le cas des donnes tudies une explication fortuite ce phnomne.

21
Le point dans la bote moustache reprsente la moyenne, le haut et le bas de la boite respectivement les 75
me
et 25
me
quantiles et les
extrmits des barres suprieures et infrieures les incrments de valeurs extrmes.
22
Sinistre dont le rglement nentrane pas une indemnisation de lassureur.
Etude des donnes 38
Prcisons que lhypothse dinvariance de lordre reste bien sr une idalisation. En
loccurrence, sa pertinence mme si elle est avre par le pass, peut se voir remise en cause
dune anne sur lautre par de nombreux facteurs. Supposons par exemple que sous
limpulsion dune dcision managriale, les rglements de sinistres sans suite interviennent
plus tt. La distribution des prestations par anne de dveloppement restera inchange. A
linverse, le nombre de rglements effectus dans les premiers intervalles de temps
oprationnel augmentera, et diminuera en consquence sur les derniers intervalles. Dans le cas
o les donnes ne sont pas retraites de ces sinistres, les cots moyens baisseront dans les 1
ers

intervalles par rapport aux cots moyens historiques.
Figure 8 Cots moyens par anne de dveloppement

Figure 9 Cots moyens par unit de temps oprationnel

Etude des donnes 39
III.2 La stationnarit des cots moyens
Lusage du modle (2) suppose implicitement la stabilit de la prestation moyenne par
unit de temps oprationnel. En particulier, cette prestation est suppose indpendante de
lanne de survenance.
Dans le cas tudi, la pertinence de cette hypothse peut tre vrifie partir des donnes
du triangle suprieur. Si les cots moyens de sinistres sont stationnaires par tranche de temps
oprationnel, on sattend observer avec le temps des fluctuations alatoires des cots
moyens S
i
autour de leur esprance S
.
Pour chaque survenance, on estime des cots moyens
i
S aux valeurs de temps
oprationnels v
1
, , v
15
. Ce calcul est tabli par interpolation linaire partir des
observations de cots moyens (annexe F) et des valeurs de temps oprationnel associes
(annexe G). Les cots moyens estims sont prsents aux figures 10 et 11.
Par exemple, le cot moyen de lanne de survenance 1979 (soit i = 1) en =
15
1
est
construit partir des cots moyens observs S
1,0,049
et S
1,0,233
. On lestime

( ) ( )
127109
049 , 0 233 , 0
049 , 0 130534 94872
130534 S
15
1
, 1
15
1
=

+ =
Figure 10 Evolution des cots moyens S
i
, =
15
1
=
15
8

15 000
53 333
91 667
130 000
1979 1983 1987 1991 1995
anne de survenance
S7% S13% S20% S27% S33% S40% S47% S53%

Figure 11 Evolution des cots moyens S
i
, = 0,6 1

0
60 000
120 000
180 000
240 000
1979 1983 1987 1991
anne de survenance
S60% S67% S73% S80% S87% S93%

Etude des donnes 40
Les figures 10 et 11 rvlent lexistence de tendances dans lvolution temporelle des cots
moyens par sinistre rgl :
Les cots moyens en figure 10 suivent la mme volution constitue dune tendance
dcroissante depuis 1979 jusquen 1987 suivie dune autre tendance croissante.
Pour les valeurs levs de prsentes la figure 11, on observe une tendance gnrale
la hausse des cots moyens.
En ce sens, lhypothse de stabilit de S
est infirme, ds lors que lvolution des cots

dans le temps nest pas stationnaire. Par ailleurs, lexistence de tendances ne peut a priori tre
impute linflation, retraite par Taylor dans le triangle de liquidation. Ce phnomne dit de
surinflation des cots est modlis par la suite.
III.3 La partition du temps oprationnel
Lapproche par les cots moyens ncessite de transformer les donnes originales X
ij
et N
ij

en un triangle S
ij
= X
ij
/N
ij
de prestations moyennes de sinistres. A ce sujet, le triangle des
cots moyens figurant en annexe G a dj t prsent dans ce chapitre.
Par ailleurs, lusage du temps oprationnel requiert dassocier chacun des cots moyens
un intervalle de temps. La segmentation choisie doit permettre de dfinir des profils de cots
relativement homognes partir dun nombre suffisant dobservations. Pour nous aider dans
notre choix, nous traons la figure 12 la courbe du temps oprationnel moyen observ par
anne de dveloppement.
Figure 12 Temps oprationnel moyen par anne de dveloppement
2
,
5
%
1
5
,
9
%
3
7
,
5
%
5
6
,
8
%
7
0
,
9
% 8
0
,
3
%
8
6
,
1
%
9
0
,
6
%
9
3
,
7
%
9
5
,
9
%
9
7
,
2
%
9
8
,
1
%
9
8
,
9
%
9
9
,
3
%
9
9
,
7
%
0%
20%
40%
60%
80%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
j

On remarque un dveloppement du temps oprationnel en deux priodes, avec une
inflexion du rythme des rglements en j = 5 aprs une rapide progression. Cette observation
rappelle la forte proportion des observations temps oprationnel lev dans le triangle de
liquidation
23
.

23
Par exemple, 100 des 150 observations de cots moyens ont une valeur de temps oprationnel suprieure 70%.
Etude des donnes 41
Cette caractristique permet de segmenter davantage le temps oprationnel pour les valeurs
leves de , tout en prservant dans chaque classe de temps un nombre raisonnable
dobservations. Cette dmarche doit permettre daffiner laxe de projection des cots moyens
pour les valeurs leves de temps oprationnel. En particulier, il sagit destimer partir de
quelle valeur de temps oprationnel les observations de cots moyens amorcent une
dcroissance. Une partition juge satisfaisante est prsente au tableau 4.
Tableau 4 Intervalles de temps oprationnel

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
v

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,75 0,8 0,85 0,9 0,925 0,95 0,975 1
La figure 13 prsente le profil des cots moyens regroups selon la nouvelle chelle de
temps oprationnel. Lhypothse dune tendance la baisse des cots moyens partir de la
valeur de temps oprationnel de = 0,9 est confirme.
Figure 13 Cot moyen et temps oprationnel - Echelle finale

Etude des donnes 42
III.4 Le lien moyenne - variance
Dans le cadre des GLM, nous estimons les paramtres du modle de provisionnement par
maximum de vraisemblance. Ce calcul est rendu possible en spcifiant une loi de distribution
pour chacune des observations de cots moyens S
i
. Par les GLM, nous disposons
essentiellement des lois dites de type exponentiel liant lesprance des variables modlises
leur variance par la relation
[ ] [ ]
p
i i
S E S Var =

, pour p R
+
,
soit en simplifiant la notation :
p
V

=
.
Malgr les tendances temporelles observes sur les cots moyens, nous supposons sur
chaque intervalle de temps que les observations des cots moyens reprsentent les ralisations
dune unique variable alatoire S
, dont lesprance et la variance sont estimes par la

moyenne empirique et la variance corrige.
Ainsi, aprs avoir associ un intervalle de temps oprationnel chaque cot moyen S
ij
, on
calcule la moyenne et la variance empirique des cots moyens de chaque intervalle. Les
couples moyenne-variance sont reprsents la figure 14. La liaison croissante entre les deux
variables dj rvle par la figure 9 est confirme.
Figure 14 Liaison moyenne - variance (milliers de dollars)
20,0%
50,0%
60,0%
80,0%
85,0%
90,0%
92,5%
95,0%
97,5%
100,0%
10,0%
40,0%
70,0%
75,0%
V =
1,87
0
1 667
3 333
5 000
38,0 67,3 96,6 125,9
Milliers $ 1995

V

Etude des donnes 43
Afin dprouver graphiquement lhypothse du lien moyenne-variance, nous ajustons,
partir de lalgorithme de Newton
24
, la courbe V =
P
aux couples (V
) en minimisant la
quantit
( )
2
p
V N

,
o V
et N
reprsentent respectivement la variance corrige, la moyenne arithmtique

et le nombre dobservations associes la valeur . On aboutit la valeur p = 1,87.
IV. Les consquences sur le choix du modle
Rappelons les conclusions issues de lanalyse qui vient dtre mene :
Lutilisation dune cadence moyenne de paiements a t juge inadquate (II.2.1) du fait
de linstabilit des rapports historiques de dveloppement. En illustration, la volatilit
des PSAP issue du calcul Chain Ladder a t mesure (II.2.2).
Linadquation des mthodes par facteurs a t impute (II.3) la liaison entre le
volume des paiements et le nombre des rglements instables en cadence.
Fort de ce constat, nous avons choisi de modliser les incrments partir des cots
moyens par unit de temps oprationnel. Il a t montr (III.1) que la substitution du
temps oprationnel lanne de dveloppement aboutissait des cots moyens plus
homognes.
Du fait des tendances surinflationnistes observes, lhypothse de stationnarit des cots
moyens par intervalle de temps oprationnel na pu tre retenue (III.2).
Le modle de provisionnement prsent dans les sections suivantes est dvelopp dans le
cadre des modles gnraliss (GLM). Compte tenu des caractristiques des donnes qui
viennent dtre rappeles, plusieurs points militent en faveur de son adoption.
La possibilit de modliser les cots moyens partir du temps oprationnel constitue la
principale opportunit permise par le modle. En outre, il nest pas ncessaire de supposer
lhypothse de stabilit dans le temps des cots moyens par intervalle de temps oprationnel.
La nature paramtrique du modle ouvre galement des axes danalyse intressants. En
particulier, si lintroduction du temps oprationnel vise distinguer des profils de sinistres (en
loccurrence, les petits des gros), il peut tre informatif au regard des figures 10 et 11
dtudier la surinflation des cots moyens en segmentant lanalyse par niveau de temps
oprationnel. Enfin, le calcul ncessaire des facteurs de queue se dduit naturellement du lien
modlis entre les cots moyens et le temps oprationnel.

24
Les principes de lalgorithme sont rappels en annexe. Le calcul est men sous Solveur Excel.
Modlisation des cots moyens 44
CHAPITRE II. LA MODELISATION DES COUTS MOYENS
I. La modlisation par les Moindres Carrs Ordinaires
I.1 Le modle de rgression
On considre les r = 1, , m observations de cots moyens du triangle suprieur, chacune
caractrise par un 3 - upplet (i
r
, t
r
= i
r
+ j
r
1,
r
), o i
r
, t
r
et
r
sont respectivement lanne de
survenance, lanne calendaire et la valeur de temps oprationnel associe lobservation r.
On dfinit les variables disjonctives suivantes
25
:
T variables
to
T , , 1 k , k
z
L =
explicatives de lintervalle de temps oprationnel associ
lobservation r, telles que 1 =
to
k
z , si u
k
<
r
v
k
, 0 sinon,
I variables
s
I , , 1 k , k
z
L =
explicatives de la survenance, telles que 1 =
s
k
z si i
r
= k, 0 sinon,
V variables
c
V , , 1 k , k
z
L =
lies aux annes calendaires, telles que 1 =
c
k
z si t
r
= k, 0 sinon.
On modlise le logarithme de la r
me
observation de cot moyen par

r
V
k
c
k r
c
k
I
k
s
k r
s
k
T
k
to
k r
to
k r
z z z S + + + =

= = = 1
,
1
,
1
,
ln (1)
O les termes rsiduels
r
sont supposs normaux, indpendants et desprance nulle et
s c to
k r
z
, ,
,
dsigne la variable
s c to
k
z
, ,
associe la r
e
observation.
Les m = 150 quations du modle scrivent

|
|
|
|
|
\
|
+
|
|
|
|
|
\
|
|
|
|
|
|
\
|
=
|
|
|
|
|
\
|
m
1
s
I
to
1
s
I , m
s
1 , m
c
V , m
c
1 , m
to
T , m
to
1 , m
s
I , 1
s
1 , 1
c
V , 1
c
1 , 1
to
T , 1
to
1 , 1
s
I
s
1
c
V
c
1
to
T
to
1
m
1
z z z z z z
z z z z z z
z z z z z z
S ln
S ln
S ln
M M
L L L
M M M M M M M M M
L L L
L L L
M

soit matriciellement,
+ = + = Z S ln , o
( )
p m s c to
Z , Z , Z Z

= dsigne la matrice des p = T + I + V variables explicatives.
( )
p
'
s c to
, , = dsigne le vecteur colonne des paramtres du modle

m
dsigne le prdicteur linaire.

25
Dans le cas des donnes tudies, on a I = 17, V = 17 et T = 15.
I.2 Les tendances lmentaires
Afin didentifier les tendances associes au temps oprationnel, on ajuste le modle
+ =
to to
Z S ln , o ( )
2
, 0 N (2)
aux donnes du triangle suprieur. Les estimateurs
to
k
sont reprsents sur la figure 15.

Pour ce modle, les estimations des coefficients
to
k
sont gales la moyenne arithmtique
des log S
r
. Il est donc normal de retrouver les tendances observes sur la figure 13.
Figure 15 Coefficients du temps oprationnel

9
10
11
12
10% 30% 50% 70% 80% 90% 95% 100%

Lajustement du modle
+ + =
c c to to
Z Z S ln (3)
permet destimer les tendances lies au temps. Les estimations des paramtres
c
k

prsentes la figure 16 confirment que les cots moyens restent assujettis des tendances
temporelles, mme aprs lajustement des tendances
to
k
.
Le profil des coefficients
26

c
k
rappelle lvolution dj observe (figure 10) des cots,
constitue dune premire priode fortement baissire suivie dune seconde haussire.
Figure 16 Coefficients des annes calendaires
-1
0
1
1 4 7 10 13 16
k
k
c

26
r, on a
=
=
16
1
, 17 ,
1
k
c
k r
c
r
z z . Pour des problmes de colinarit entre les variables explicatives, on pose
c
z
17
= 0. On a donc 16
variables disjonctives explicatives de lanne calendaire dobservation des cots moyens.
Lajustement aux donnes du modle (4) ne permet pas de distinguer de tendances lies
aux annes de survenance. Les estimations des paramtres
27

s
k
sont prsentes la figure 17
+ + =
s s to to
Z Z S ln (4)
Figure 17 Coefficients associs aux annes de survenances
0
0,5
1
1,5
1 3 5 7 9 11 13 15
k
k
s

I.3 Le terme stochastique
Les modles (2) (4) supposent les rsidus
r
gaussiens, donc les cots moyens S
r

lognormaux. La conformit de cette hypothse peut tre teste partir de lobservation du
graphe des rsidus.
On connat la variance du rsidu observ ( )
r r r
S ln e

= :
( ) ( )
r
2
r
h 1 e Var = ,
o h
r
est le coefficient de levier
28
de lobservation r et
r
est lestimation de ln(S

r
) par le
modle (2). Des rsidus bien adapts la distribution normale sont les rsidus de Student
approximativement gaussiens pour de grands chantillons et dexpression

r
2
r
) st (
r
h 1 s
e
e
= ,
o
29

=
n
1 r
2
r
2
e
1 p n
1
s est lestimateur de
2
.

27
La variable disjonctive
s
z
17
est redondante au sens o r, on a

= =
=
16
1 k
s
k
15
1 k
to
k
s
17
z z z .
28
Nous explicitons un peu plus loin la forme de hr dans le cadre des GLM. Pour le moment, retenons simplement que hr ]0 , 1[.
29
Ici, on a n = 150 et p = 15 (les 15 variables disjonctives
to
k
z ).
La figure 18 prsente les rsidus de Student standardiss du modle (2). Si les cots
moyens S
r
sont log normaux, on sattend observer des rsidus de profil gaussien. Ici, on
observe que les rsidus sont distribus de faon asymtrique, davantage tendus vers les
valeurs infrieures la moyenne
30
.
Figure 18 Rpartition des rsidus de Student standardiss modle (3)

Ce constat suggre que la transformation logarithmique des S
r
a surcorrig la queue de
distribution des cots moyens. Autrement dit, les cots ont une queue de distribution moins
longue que celle de la loi log-normale.
II. La modlisation par les Modles Linaires Gnraliss
II.1 GLM contre MCO
Les modles linaires de la section prcdente sont dvelopps dans le cadre des Moindres
Carrs Ordinaires (MCO). Sils ont permis dajuster les tendances lmentaires des cots
moyens, ils demeurent un outil insuffisant dans ltude de leur loi de distribution. En effet, le
bon usage des MCO repose sur le respect dune hypothse difficilement tenable en pratique,
celle de la normalit et de lunicit de la variance des rsidus, et par voie de consquence des
variables rponses.
A ce sujet, notons que la transformation logarithmique des donnes peut dans certains cas
tre une solution au respect du cadre thorique des MCO. En effet, si les cots moyens
avaient t caractriss par un mme rapport moyenne-variance, le postulat log normal aurait
permis de prserver lhypothse dunicit de leur variance
31
.

30
Le coefficient dasymtrie des rsidus est gal -1,14.
31
Par exemple, supposons deux cots moyens dont les moyennes respectives sont de 1 000 et 30 000, et les cart types de 100 et 6000. La
transformation logarithmique permet de considrer deux variables de mme variance 04 , 0 ] ) 30000 6000 ( 1 ln[ ] ) 1000 200 ( 1 ln[
2 2
+ = +
Cependant, dans le cas des donnes tudies, la relation croissante dcele entre la
moyenne et la volatilit des cots moyens nous oblige sortir du cadre des MCO. Pour cette
raison, il apparat plus appropri de recourir aux GLM et aux lois de type exponentiel qui leur
sont associes. Ces modles dfinissent une relation entre lesprance du cot moyen et le
prdicteur linaire.
Cette relation est caractrise par une fonction de lien g telle que
( ) |
\
|
=

=
k
p
1 k
k , r
1
r
z g S E , (5)
o
k
z et
k
dsignent selon une notation simplifie les p = T+I+V variables
s
k
c
k
to
k
z , z , z et
les paramtres associs
s c to
, , dj prsents.
On dfinit le prdicteur linaire de la r
e
observation

k
p
1 k
k , r r
z =

=
.
La fonction g permet de relcher lhypothse formule par les MCO dune relation linaire
entre E[S] et . Ou plutt, la relation reste linaire, mais sous une certaine chelle. Par
exemple, si lchelle est logarithmique, on passe dun modle additif un autre multiplicatif.
Les modles linaires gnraliss peuvent tre ajusts en utilisant lalgorithme du score de
Fisher. Lalgorithme maximise la vraisemblance, ou de faon quivalente, minimise la
dviance. Cette statistique peut tre considre comme la gnralisation de la somme des
carrs des rsidus destimation des MCO
32
. La gnralisation vient du fait que la variance de
chaque observation peut tre considre comme une fonction de sa moyenne, videmment
inconnue. Lobjectif de lajustement du modle consiste estimer cette moyenne.
II.2 Introduction aux GLM
II.2.1 La famille des distributions exponentielles
Les cots moyens S
r
sont supposs indpendants et non identiquement distribues. Leur loi
de distribution appartient la famille exponentielle et leur densit est de la forme
( )
( )
( )
( )
|
|
\
|
+

= , S c
a
b S
exp , , S f
r
r r r
r r

Les fonctions a, b et c sont dfinies telles que f soit une densit de probabilit, avec ( ) a
positive et continue, ( )
r
b convexe et ( ) , x c
r
indpendante de
r
. Ainsi, chaque observation
a un coefficient propre
r
, mais le paramtre dchelle est le mme pour toutes les
observations.

32
On montre en annexe lquivalence des deux notions dans le cas de la loi normale.
On suppose par la suite que les fonctions a, b et c sont les mmes pour toutes les
observations. Autrement dit, chaque cot moyen est modlis partir de la mme loi, mais
avec un paramtre canonique propre
r
li sa moyenne.
Les paramtres rels
r
et rsument linformation relative la moyenne et la variance
des cots moyens. En effet, on peut montrer que pour ces distributions, on a

( ) ( )
( ) ( ) ) 7 ( b S Var
) 6 ( b S E
r
' '
r
r
'
r r
=
= =
,
o la valeur de > 0, si elle est inconnue, doit tre estime partir des donnes
33
.
Si comme cest le cas des lois classiques, lexpression de linverse de ( )
r
'
b est connue,
on peut exprimer le paramtre
r
, directement en fonction de la moyenne des cots avec
( )
r
1
'
r
b =

Daprs (5), on a galement

|
|
\
|
|
|
\
|
=

=
k
p
1 k
k , r
1
1
'
r
z g b .
Cette dernire expression explicite le lien entre la distribution des S
r
et les paramtres
1
,,
p
estims par maximum de vraisemblance. On remarquera que la fonction c est
indpendante des
r
et nintervient pas dans lestimation par vraisemblance. Comme
r
est
fonction de
r
, on peut considrer que lquation (7) tablit un lien entre lesprance et la
variance des cots moyens. En ce sens, on rcrit (7) en fonction de la fonction variance V :
( ) ( )
r r
V S Var = , (8)
Les fonctions spcifiques aux distributions de la famille exponentielle sont prsentes dans
le tableau 5 pour les lois classiques.
Tableau 5 Fonctions spcifiques dune densit de type exponentielle

Lois ( )
r r
V(
r
) ( ) a ( )
r
b ( ) ,
r
S c
Normale
2
r
1 2
2
r
( ) ( ) 2 ln
2
2
1
+
r
S
Poisson 1
r
e
r

r
e

-ln(S
r
!)
Gamma 1/ -1/
r
r
2
-ln (-
r
) ( ) ( ) ( ) ( )

1
r
r
S
1
ln S ln ln

33
On estime partir de la dviance ou en ajoutant une contrainte dans le calcul par vraisemblance des valeurs des paramtres du modle.
En rsum, les lois de type exponentiel possdent deux caractristiques majeures. Dune
part, chaque distribution est entirement spcifie par son esprance et sa variance. Dautre
part, la variance de la variable rponse est fonction de son esprance. A partir de (6) et (7), on
dduit que lesprance et la variance du cot moyen sont lies par la relation
( ) ( )
p
r r
S E S Var = ,
o les valeurs p=0, 1, 2 correspondent respectivement aux lois normale, poisson et gamma.
II.2.2 Lestimation des paramtres
Le vecteur ( )
'
p 1
, , = L des paramtres du modle est estim en maximisant la fonction
de vraisemblance
( ) ( ) ( ) [ ]

= = =
r
r
r
r r
l , , S f ln S , L ln S , l
o ( ) ( ) ( ) + =

, S c b S l
r r r r
1
r
est la contribution du cot S
r
la vraisemblance.
De
|
|
\
|
|
|
\
|
=

=
k
p
1 k
k , r
1
1
'
r
z g b obtenu par (5) et (6), on dduit que
( )

(
(
|
|
\
|
|
|
\
|
|
|
\
|
=
=
r
k
p
1 k
k , r
1
1
'
r
, z g b , S f ln s , l
On remarque donc que le systme dquations constituant la fonction de vraisemblance est
maximiser sur . On obtient le vecteur en annulant le vecteur score U =

l
. Autrement dit,
les paramtres
p 1
, , L sont solutions
34
du systme dquations
( ) ( ) . p , , 1 k 0 S , l S , l
r
r r r
k k
L = =

On remarque que ( ) ( ) =
r r r r r r r
l S , l o o o est une fonction compose, o

( ) ( )
( )
( ) ( )
( )
=

+ + =
=

=

=

=

=
k , r
k
r
p , r p 1 , r 1 r
r
'
r
r
r
'
r
r
r r
r
' '
r
r
r
' '
r
r
r
'
r
z z z
g
1
g g
b
1
b b
L

34
On peut montrer la stricte concavit de la fonction log-vraisemblance: lextremum trouv est donc unique et correspond un maximum.
En appliquant la rgle
35
de calcul des drives des fonctions composes, on obtient

( )
( ) ( )
r
'
r
k , r
r
'
r
k
r
r
r
r
r
r
r
r
k
g . V
z
b S
. .
l
l

|
|
\
|

Comme ( )
r
'
r
b = , on obtient lexpression des p quations rsoudre :

( )
( )
( ) ( )
0 z
g . S var
S l
S , l
k
k , r
r
'
r
r r
k k
r
k
=
=

, k = 1,, p.
Ainsi, en considrant les matrices diagonales W et N =
m m

telles que

( ) ( ) ( ) { } ( ) ( ) { }
( ) { }
=
)
`

=

= =
=
=
= =
m , , 1 r
r
'
d
m , , 1 r
r
r
d
m , , 1 r
2
r
'
r d m , , 1 r
2
r
'
r d
g
g V g S var W
L
L
L L
,
on remarque que les quations du maximum de vraisemblance pour peuvent scrire
( ) ( ) 0 S W Z
1 '
=

Ce systme dquations nest pas linaire en qui intervient la fois dans les matrices W,
N, et dans le vecteur . Une faon de le rsoudre consiste utiliser lalgorithme itratif des
scores de Fisher, une variante de lalgorithme plus connu de Newton Raphson
36
.
De lexpression de
'
p 1
,
|
\
|
=

L , on dduit finalement celle de

|
|
\
|
=

=
k
p
1 k
k , r
1
r
z g ,
puis de
( )
(
\
|

|
\
|
=

r
r
1
'
r
, b , S f ln s , l .

35
Si ( ) ( ) [ ] ( ) [ ] ( ) [ ] ( ) x g x g f x g f a on , x g f x g f y
' ' '
= = = o . En posant u = g(x), on crit
dx
du
du
dy
dx
dy
= .
36
Nous utilisons la procdure GENMOD du logiciel SAS qui utilise lalgorithme du score de Fisher dtaill en annexe.
II.2.3 La dviance
On construit un modle satur, de mmes distribution et fonction de lien que le modle
estim, mais dot de m variables explicatives. Ce modle ajuste parfaitement les cots
moyens. On mesure ladquation du modle partir de la dviance normalise

(
=

) L log( ) L log( 2
D
D
~
*
,
o
~
L est la vraisemblance du modle satur et
L celle du modle estim.

Le test de la dviance procde de la mme volont que celui du ratio de vraisemblance : il
doit conduire rejeter les modles dont le niveau de vraisemblance est trop loign du
niveau maximal associ au modle satur.
Autrement dit, le modle est dautant mieux ajust aux donnes que la dviance est faible.
De faon plus formelle, on dfinit les hypothses nulle et alternative du test

>
> =
0 p k : H
p k 0 : H
k 1
k 0
, k = 1,, n.
Si le modle estim est le bon modle , la dviance sera rpartie sur R
+
mais avec plus
de chance davoir des valeurs proche de zro. Pour quantifier cette notion, nous utilisons la loi
de la dviance sous H
0
.
Comme la dviance est une diffrence de log-vraisemblances entre deux modles
embots, il dcoule
37
que la statistique D
*
suit asymptotiquement une loi du
2
(m p).
Le test se droule alors classiquement :
On calcule lobservation D
obs
de D
*
.
On calcule le quantile de niveau (1 ) de la loi du
2
(m p) not q
1
:
On rejette lhypothse H
0
si D
obs
> q
1

Dans le cas inverse, le modle estim est considr adquat .
Notons que cette statistique ne permet la comparaison des modles que sils sont issus
dune mme composante alatoire (V, ). Dans notre cas, la dviance permettra dans le
chapitre suivant de slectionner le meilleur modle parmi diffrentes structures paramtriques.
Par ailleurs, le test de la dviance ne donne quune information sur la qualit globale
dajustement du modle aux donnes. En ce sens, il ne dispense pas de lanalyse des rsidus
qui intervient en parallle pour obtenir une information plus prcise.

37
Ce rsultat est principalement li aux proprits asymptotiques du maximum de vraisemblance. On pourra se reporter Saporta (2006)
pour une dmonstration dans le cas du ratio de vraisemblance.
II.2.4 Les rsidus
En un point dobservation r, lcart entre lobservation et lestimation de cot moyen est le
rsidu brut :

r r r
S e

= .
Ces rsidus e
r
sont vus comme les ralisations des vraies erreurs inconnues
( )
r r r
S E S = .
Dans le calcul des e.m.v des paramtres du modle, nous avons vu que les hypothses
faites sur les
r
consistaient les supposer indpendants et distribus selon un type de loi
dfinir. Ainsi, si le modle est appropri aux donnes, les rsidus observs e
r
doivent reflter
les proprits des vraies erreurs inconnues
r
.
Toutefois, linterprtation des rsidus bruts peut tre dlicate en cas de non normalit des
donnes. En effet, comme ces rsidus ne sont quune simple transformation linaire des
observations, nimporte quelle caractristique de non normalit des donnes se rpercute
directement sur les e
r
. En particulier, les rsidus
r
nont pas toujours la mme variance.
Pour tenir compte de la variabilit des rsidus, on prfre utiliser des quantits
standardises comme les rsidus de Pearson dfinis par

|
\
|
r
r r
) P (
r
V
S
e .
Peter K. Dunn et Gordon Smyth
38
ont montr dune part que la moyenne des rsidus de
Pearson est nulle, et dautre part que si leur variance tend vers 0, leur distribution tend vers
une loi normale.
Par dfinition, on standardise le rsidu e
r
par la variance thorique de S
r
, fournie par la
fonction de variance V(.) et donc par le modle. Ce nest pas la variance de lestimation
r

qui est un estimateur donc alatoire. Pour essayer dobtenir des rsidus de mme variance
approximative, on utilise les rsidus de Pearson ajusts

( )
( )
r
p
r
) Pa (
r
h 1 V
e
e
=
o h
r
est le levier de lobservation r, soit le r
e
lment diagonal de la matrice H
39
.

38
Dunn P et Smyth Gordon K. (1996), Randomized Quantile Residuals , Journal of Computational and Graphical Statistics, volume 5,
issue 3, 236-244.
39
On rappelle en annexe I que lalgorithme du score quivaut procder une rgression linaire chaque tape et sarrte ltape finale
o le processus est stationnaire : ( ) Y W Z Z W Z
1 '
1
1 '
= . Autrement dit, on a Y H Z = =
, o H est la matrice de projection de Y

sur Z (la forme du vecteur Y est spcifie en annexe).
Les rsidus de dviance standardiss constituent une alternative aux rsidus de Pearson. Ils
sont dfinis par

( )
r
r r r
) DS (
r
h 1
d S sgn
e

|
\
|

=
,
o d
r
est la contribution de la r
ime
observation la dviance
40
.
Cette dfinition est moins naturelle. En thorie, ces derniers rsidus sont
approximativement distribus selon une loi normale standard. Si tel nest pas le cas, les
conclusions du test de dviance peuvent devenir vides de sens.
II.3 Les hypothses du modle GLM
II.3.1 Le choix de la distribution des rsidus
Pour le moment, nous avons observ une distribution des rsidus se situant en termes de
queue de distribution en de de la loi log normale (section I.3). Pour estimer la distribution la
plus adquate, nous utilisons le modle (9) :

[ ] [ ]
c c to to
Z Z exp S E + =
(9)
Ce modle est inspir du modle (3), au sens o il partage la mme structure paramtrique.
En revanche, il ajuste les paramtres du modle partir des S
r
au lieu des logarithmes
npriens des S
r
tout en exploitant une fonction de lien logarithmique.
La pertinence de la fonction de lien est considre dans la section suivante. Lexercice
consiste ici en associant le modle une loi de distribution tester ladquation de la loi aux
donnes partir des rsidus de Pearson ajusts issus du modle (9).
Nous dbutons lexprimentation par la loi Normale. Les rsidus issus du modle GLM -
normal sont prsents la figure 19. Nous continuons lexprimentation avec la loi gamma et
prsentons les rsidus issus du modle GLM gamma la figure 20. Ces deux figures
permettent dobserver empiriquement comment le choix de la fonction variance affecte les
rsultats des GLM.
Si la forme du modle est approprie (distribution, fonction lien), on doit observer des
rsidus stables en moyenne et en volatilit quelle que soit la valeur des estimations. Hors, il
apparat sur la figure 19 que la volatilit des rsidus de Pearson ajusts du modle GLM
normal crot avec les estimations. Autrement dit, il ne semble pas adquat dutiliser une
fonction variance gaussienne qui affecte la mme volatilit chaque observation. Ce rsultat
conforte les conclusions de lanalyse des donnes tablissant un lien croissant entre variance
empirique et moyenne des cots moyens. A linverse, lobservation de la figure 20 permet de
constater que lusage de la loi gamma stabilise dune part les rsidus de Pearson ajusts, en
moyenne et en volatilit, et dautre part rduit le nombre et le montant des valeurs leves.

40
Lexpression de dr est rappele en annexe J.
Figure 19 Rsidus en fonction des estimations loi normale

Figure 20 Rsidus en fonction des estimations loi gamma

Par ailleurs, on remarque sur la figure 21 que lutilisation de la loi Gamma corrige le
problme dasymtrie gauche des rsidus dtect en cas dutilisation de la loi log-normale
(figure 18). En tmoigne la valeur proche de zro du coefficient dasymtrie des rsidus. On
observe galement une distribution des rsidus proche de la loi normale standard.
Figure 21 Histogramme des rsidus de Pearson ajusts - Loi gamma

Dans la slection de la distribution des rsidus du modle, une dviation trop importante
des rsidus de la distribution normale standard constitue souvent un bon indicateur de
linadquation de la distribution choisie. Cette hypothse est teste graphiquement ci aprs.
Le test est effectu partir du QQ-plot des rsidus prsent la figure 22. Ce graphique est
destin vrifier ladquation dune variable une loi de distribution. Dans notre cas, nous
testons donc lhypothse de normalit des rsidus de Pearson ajusts.
Figure 22 QQplot des rsidus de Pearson ajusts
Loi gamma

Le QQ-plot est la reprsentation graphique des points
( ) ( )
) PS (
r
1
e ; m r
,
o les
) PS (
r
e auront t pralablement tris par ordre croissant. Mme si on devine sur la
figure 22 une queue de distribution des rsidus un peu plus paisse que la loi normale, on
observe que lapproximation normale de leur distribution reste satisfaisante.
Comme lhypothse de normalit nest pas infirme, une nouvelle lecture des figures 19 et
20 est possible. En se fixant un seuil dacceptation 5%, on peut en effet considrer que les
rsidus correspondant des carts statistiquement significatifs sont ceux dont la valeur
absolue est suprieure 2. Le choix de cette valeur critique est videmment motiv par
lapproximation de la distribution des rsidus ajusts de Pearson par une loi normale centre
rduite. L encore, lutilisation de la loi gamma aboutit des rsultats a priori satisfaisants.
Il apparat donc globalement raisonnable de modliser les cots moyens partir dune loi
gamma. Tout dabord du fait des bons rsultats issus des tests qui viennent dtre prsents.
Ensuite, parce que ce choix conforte les conclusions issues de lanalyse des donnes, o on
identifiait la relation V =
1,87
. Enfin, parce que ce choix napparat pas aberrant aux vues des
observations de cots moyens. Ainsi, les incrments du triangle en annexe A et les cots
moyens qui en dcoulent sont strictement positifs. Il napparat donc pas anormal dimposer
une contrainte de stricte positivit
41
sur les S
r
.

41
Rappelons que ce choix nest pas trivial, ds lors quil est possible dobserver des cots moyens nuls ou ngatifs. Par exemple, dans le cas
de traits de rassurance en excdent de sinistres, il est frquent de ne pas enregistrer de paiements lors dune anne comptable. Il arrive
galement que les triangles contiennent des incrments ngatifs, du fait des recours qui permettent lassureur subrog dans les droits de
lassur de rcuprer la somme verse son assur auprs du responsable du dommage.
II.3.2 La fonction de lien
Pour tester ladquation de la fonction de lien g, on calcule une approximation de g(S
r
).
Dans le cas de la fonction de lien logarithmique, on a

( ) ( )
r
r r r
g g

1
ln
'
= =

Puisque ln
r
=
r
, on en dduit lapproximation

( ) ( ) ( ) ( ) 1
'
+ = +
r
r
r r r r r r
S
S g g S g

(10)
Dans le calcul de lquation (10), on utilise les estimations
r
et
r
. Les rsultats sont

prsents la figure 23. On observe quil existe une relation approximativement linaire entre
lestimation de g(S
r
) et
r
. Le lien logarithmique est donc relativement appropri au modle.

Figure 23 Diagnostic sur la fonction de lien logarithmique
Milliers de dollars 1995
10
11
12
13
10 11 12
r
g(S
r
)

Spcification du modle 58
CHAPITRE III. LA SPECIFICATION DU MODELE
I. La capture des tendances
I.1 Le rappel du principe de parcimonie
Evidemment, il est impossible de spcifier lensemble des variables explicatives de la
formation du cot des sinistres. A dfaut, les modles paramtriques de provisionnement
utilisent traditionnellement les trois dimensions du triangle : lanne de survenance, lanne
calendaire et lanne de dveloppement, remplace dans notre cas par le temps oprationnel.
Dans le chapitre prcdent, lutilisation de 47 variables disjonctives a permis de modliser
les cots moyens en fonction de tendances lies ces trois variables
42
. Malgr la bonne
qualit dajustement associe leur utilisation, rappelons que cette approche na pas rpondu
un principe fondamental en conomtrie, celui de parcimonie.
Ainsi, si comme cest notre cas, le modle contient trop de variables explicatives, les
valeurs de ses paramtres capturent de la volatilit, au sens o les donnes utilises lors de
lajustement ne constituent quun chantillon du processus modliser. On parle de
surparamtrisation. La qualit de lajustement se fait au dtriment de la capacit de prdiction
du modle. A linverse, lutilisation de trop peu de paramtres risque daboutir une
estimation biaise, du fait de labsence de variables importantes. On parle de sous
paramtrisation.
Cette section vise capturer les tendances du chapitre prcdent, tout en rduisant les
paramtres sans trop dgrader la qualit dajustement du modle. Dans cette dmarche, nous
utilisons le modle de sparation (Zehnwirth, 1994) gnralisant le modle CCI.
I.2 Le modle de sparation
Considrons une seule anne de survenance i. On utilise une notation approprie la
prsentation du modle de sparation. Les observations (i, j) de cots moyens sont
caractrises par le couple (t, l), l dsignant le numro de lintervalle de temps oprationnel.
On dsigne par ( ) ( )
l
S l y ln = , pour l = 2,, T, le logarithme du cot moyen du l
e
intervalle
de temps oprationnel et on pose
s
) 1 ( y = . Selon cette notation, on exprime ( ) l y par :
( ) ( ) ( ) ( ) ( ) ( )

=
+ = + + + =
1
1
1 1 2 1
l
k
to
k
s
l y l y y y y l y L (10)
o ( ) ( ) k y 1 k y
to
k
+ = , pour k > 0, dsigne ici la diffrence entre les logarithmes des
cots moyens de deux intervalles de temps oprationnel adjacents.
Lquation (10) dfinit le modle dterministe dit Cap Cod (CC).

y
42
Les tendances sont reprsentes aux figures 15 17.
Lutilisation de la fonction logarithmique permet dassimiler la variation
to
k
au taux de
croissance du cot moyen entre les k
e
et (k+1)
e
intervalles de temps oprationnel :
( ) ( ) ( ) ( )
|
|
\
|
= = + =
+
+
k
1 k
k 1 k
to
k
S
S
ln S ln S ln k y 1 k y .
Lintgration dans lquation (10) dune tendance annuelle surinflationniste
c
dpendante
du temps dfinit le modle CCI dit Cap Cod with Constant Inflation (CCI) :
( ) ( ) 1 t l y
c
1 l
1 k
to
k
s
+ + =

=
(11)
Le modle dit de sparation est la gnralisation probabiliste du modle CCI. Pour l > 1,
on modlise le logarithme du cot moyen de la cellule (i, j) par la relation
( )
l
1 t
1 k
c
k
1 l
1 k
to
k
s
l
S ln + + + =

=
=
, (12)
On redfinit les lments de la matrice Z = {z
ij
} de la faon suivante :
pour les colonnes correspondantes aux I paramtres
s
k
, on a z
ij
= 1 si i = k, 0 sinon.
pour les colonnes reprsentant les (T 1) paramtres
to
k
, on a z
ij
= 1 si k < l, 0 sinon.
pour les colonnes associes aux (V 1) paramtres
c
k
, on a z
ij
= 1 si k < i+j-1, 0
sinon.
Prenons un exemple pour I = J = 3. On suppose que le temps oprationnel est partitionn
en trois sous intervalles gaux ]0,
3
1
], ]
3
1
,
3
2
] et ]
3
2
,1]. On a alors

|
|
|
|
|
|
|
|
|
\
|

=
1 , 0 S ln
7 , 0 S ln
6 , 0 S ln
5 , 0 S ln
4 , 0 S ln
3 , 0 S ln
S ln
S ln
13
22
21
13
12
11
ij ij

|
|
|
|
|
|
|
|
|
\
|
=
1 1 0 0 1 0 0
1 1 1 1 0 1 0
0 1 0 1 0 1 0
1 1 0 1 0 0 1
0 1 0 1 0 0 1
0 0 0 0 0 0 1
Z
c
2
c
1
to
2
to
1
s
3
s
2
s
1

Si des tendances sont constantes, il convient de les cumuler en additionnant les colonnes
associes de la matrice Z. On peut de cette faon rduire le nombre de paramtres du modle.
I.3 La recherche des tendances du triangle
La mthode suivie est ascendante. Elle consiste partir dun modle construit sur la base
dun minimum de paramtres, ajouter autant de variables explicatives pour modliser les
tendances lies aux variables t et . A chaque tape, il convient dtre vigilant sur la formation
de tendances dans les rsidus destimation.
Le premier modle test est compos de trois variables. Il correspond lhypothse de
tendances constantes, o
s s
k
= ,
to to
k
= et
c c
k
= . Bien que cela soit difficilement
concevable, le paramtre
c
reprsentatif des tendances calendaires nest pas significatif. De
ce fait, nous essayons un modle avec seulement deux paramtres
s
et
to
.
Les rsultats sont les suivants :
Paramtres Estimation Ecart type p-value
s
10,7538 0,1050 < 0,0001
to
0,0477 0,0112 < 0,0001
R
2
ajust= 0,9966 F statistique = 21547
Les tendances observes sur t et sont surlignes en figure 24. Sans surprise, elles
correspondent celles rvles par les MCO dans la section prcdente (figures 15 et 16).
Figure 24 Graphiques des rsidus Mthode de Zehnwirth Etape 2
1 : rsidus / temps oprationnel 2 : rsidus / annes de survenance

3 : rsidus / annes calendaires 4 : rsidus / valeurs prdites

Un premier ajustement confirme la nullit et la non significativit du paramtre de
rgression
to
2
pour [20% ; 60%]. Aprs le retrait de la variable associe, on aboutit au
rsultat final prsent au tableau 6.
Tableau 6 modle de Zehnwirth
Intervalles Paramtres Estimateurs Ecart type P-value
i ]1;17]
s
11,5848 0,1923 < 0,0001
]0%;20%]
to
1
-0,5726 0,1724 0,0009
[60%;90%]
to
3
0,2229 0,0305 < 0,0001
]90% ;100%]
to
4
-0,1042 0,0408 0,0107
t ]1;13]
c
1
-0,0575 0,0189 0,0024
t ]13;17]
c
2
0,1196 0,0411 0,0036
R
2
ajust. : 0,9974 - F statistique = 9172,99
Figure 25 Graphiques des rsidus Mthode de Zehnwirth Etape 3
1 : rsidus / temps oprationnel 2 : rsidus / annes de survenance

3 : rsidus / annes calendaires 4 : rsidus / valeurs prdites

La figure 25 suggre que toutes les tendances sur le temps oprationnel, les annes de
survenance et les annes calendaires ont t captures. En particulier, on estime:
Une tendance baissire de e
-0,1042
1 = 9,9% par intervalle de temps oprationnel,
pour > 0,9.
Une tendance annuelle haussire de e
0,1196
1 = + 12,7% partir de 1992 (t = 13).
Lidentification de ces tendances permet de rcrire lquation (12) :

( ) [ ] ( ) [ ] ( )
( ) ( )
+
+ + +
+ +
+ + + + =
13 1 , 12
11 6 , 5 1 , 1 ln
2 1
4 3 1
t t
l l l S
c c
to to to s
l

(13)
Par exemple pour la cellule (1,15), on a ln(S
1,15
) = 11,5274 et
1,15
= 0,983. Selon la
partition retenue du temps oprationnel, cette cellule est associe au 15
e
intervalle, soit l = 15.
Par ailleurs, on a t = 15.
On estime le logarithme du cot moyen de la cellule (1,15) partir du couple (t, l) associ
et des estimations des paramtres de rgression :
ln(S
1,15
) = 11,5848 - 0,5726 +5 0,2229 4 0,1042 0,0575 12 + 0,1196 2
= 11,2591.
II. La modlisation des tendances
II.1 Le temps oprationnel
La section prcdente a aboutit la dtection de quatre tendances relatives au temps
oprationnel, et aucune dans le cas de lanne de survenance. Comme le prsente la figure
26, lvolution des cots moyens en fonction du temps oprationnel peut tre reprsente par
des droites avec des ruptures de gradient aux points = 20%, 60% et 90%.
Figure 26 Modlisation des tendances sur i et

Autrement dit, il est possible de :
remplacer les 15 variables constituant la matrice Z
to
par trois variables continues
43
.
remplacer les 16 variables disjonctives constituant la matrice Z
s
par le vecteur unit 1 .
Reprenons la notation du dbut de chapitre o
r
dsigne la valeur du temps oprationnel
de la r
me
observation de cot moyen. Dans le modle GLM gamma, on peut donc trouver
une certaine correspondance entre les expressions suivantes :
[ ] ( ) ( )
to to
r
s s
r r r
Z Z k f S E + = = exp
1
, (15)
[ ] ( ) ( ) ( ) ( ) ( )
+ + +
+ + + = = 9 , 0 6 , 0 2 , 0 1 exp
4 3 1
2
r
to
r
to
r
to s
r r
k f S E , (16)
o
to
r
Z dsigne la r
me
ligne de la matrice Z
to
relative lobservation r.
La figure 27 superpose les fonctions ( )
r
f
1
et ( )
r
f
2
ajustes par GLM - gamma. La
correspondance entre les deux reprsentations apparat satisfaisante.
Figure 27 Variables continues explicatives du temps oprationnel
S
r
f
2
(t
r
)
f
1
(t
r
)
0
80 000
160 000
240 000
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

r
Sr
f2(
kr)
f1(
kr)

Le recours aux variables continues ne dgrade pas significativement la qualit
dajustement au sens de la dviance, qui passe de 40,70 pour le modle (15) 44,52 avec le
modle (16). Par ailleurs, les paramtres de rgression sont tous significatifs au sens de leur
P-value. Ces rsultats indiquent que les quatre paramtres
to
capturent lessentiel de
linformation contenue par les 15 variables disjonctives du modle (15).

43
Comme 0
2
=
to

II.2 La surinflation
On conoit que linflation affecte diffremment chaque branche dassurance. Autrement
dit, il est naturel de penser quen plus dun taux dinflation gnral, il existe un facteur
additionnel spcifique chaque branche. Cette notion est appele par les auteurs surinflation
44

ou inflation superpose. Dans notre cas, le phnomne de surinflation peut tre assimil la
croissance des observations de cots moyens calcules sur le triangle dflat par Taylor. Cette
croissance est modlise partir des tendances observes sur t. A cet gard, une conomie de
variables explicatives peut galement tre effectue.
Dans cet objectif, deux modles sont tests. Le premier intgre dans le modle (16) les
tendances rvles par la mthode de Zehnwirth, avec

[ ] ( ) ( ) ( )
( ) ( )
+ +
+ + +
+ +
+ + + + =
13 t t 13
9 , 0 6 , 0 2 , 0 S E ln
r
c
2 r
c
1
r
to
4 r
to
3 r
to
1
s
r
, (17)
On note
( ) ( ) ( )
+ +
+ + = 13 13
2 1
1
r
c
r r
c
r
t t t t f
la partie de la forme paramtrique du modle (17) ddie la modlisation de la
surinflation. Le modle (18) teste une structure paramtrique alternative f
2
(
r
, t
r
) avec deux
ruptures de gradient aux points t
r
= 7 et t
r
= 13. Cela consiste substituer dans le modle (17)
la fonction f
1
(t
r
) par la fonction
( ) ( ) ( )
+ +
+ + + = 13 7
3 2 1
2
r
c
r
c
r
c
r
t t t t f (18)
La figure 28 superpose les fonctions ajustes f
1
(t
r
) et f
2
(t
r
) aux coefficients
c
estims
partir des variables disjonctives du modle (19) :
[ ] ( ) ( ) ( )
c c
r r
to
r
to
r
to s
r
Z S E + + + + + =
+ + +
9 , 0 6 , 0 2 , 0 ln
4 3 1

Figure 28 Tendances surinflationnistes

44
Dans le cas des dommages corporels, lapparition de la surinflation peut tre lie de nombreux phnomnes dj voqus tels le
renchrissement des frais de soin ou la revalorisation des salaires dans le secteur de laide domicile.
-1,0
-0,5
0,0
0,5
1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
t
disj.
f
1
(t
r
)
f
2
(t
r
)
Sr
ie1
Sr
ie2
Sr
Le modle (19) produit sensiblement les mmes estimations des coefficients c que celles
calcules par MCO (figure 16). Les fonctions ajustes ( )
r
t f
1
et ( )
r
t f
2
capturent bien les
tendances des coefficients c estims partir des seize variables disjonctives.
La slection entre ( )
r
t f
1
et ( )
r
t f
2
est faite partir du critre AIC (Akaike Information
Criterion) mettant en balance la prcision du modle value par la dviance D avec la
complexit du modle mesure par le nombre p de ses variables explicatives.
Avec le critre AIC, on recherche la rgression qui minimise la quantit
AIC = D + 2 p.
Le tableau 7 prsente les valeurs du critre Akaike des trois modles considrs. Au sens
de cette statistique, on aboutit deux conclusions. Dune part, lintroduction des seize
variables disjonctives namliore pas suffisamment la qualit dajustement du modle par
rapport aux deux modles alternatifs. Dautre part, les deux reprsentations continues sont
quivalentes en termes de qualit dajustement.
Tableau 7 AIC des modles
Reprsentation des tendances surinflationistes Modle AIC
Un changement dans le gradient des tendances 17 49,91
Deux changements dans le gradient des tendances 18 49,71
Variables disjonctives 19 72,92
Toutefois, comme la significativit des paramtres
c
est meilleure dans le cas du modle
(17), nous retenons ce modle dont les caractristiques sont prsentes au tableau 8.
Tableau 8 Modle avec temps oprationnel, surinflation et anne de survenance
Paramtres Estimateurs Ecart type P - value
s

10,4030 0,1116 < 0,0001
to
1

3,3910 0,9346 0,0003
to
3

3,9140 0,4723 < 0,0001
to
4

-7,8030 1,9464 < 0,0001
c
1

-0,0607 0,0165 0,0002
c
2

0,0793 0,0359 0,0273
En passant du modle compos des 47 variables disjonctives au modle (17), le recours
aux tendances sur t et permet de rduire le nombre de variables explicatives de 47 6, en
amliorant le critre AIC de 123,12 49,91.
II.3 Linteraction entre le temps oprationnel et la surinflation
Les tendances temporelles estimes sur les cots moyens par le modle (17) peuvent tre
assimiles des taux de surinflation. A ce sujet, le modle estime que les cots moyens
dflats croissent annuellement de 8,25% par an partir de 1991 (t = 13). Si cette volution
reste envisageable dans le cas des petits sinistres, elle est moins habituelle pour les gros.
Alors, si le temps oprationnel permet de distinguer les petits des gros sinistres, il peut tre
intressant de tester lexistence dun lien entre le temps oprationnel et la surinflation.
Dans le cas des donnes tudies, nous avons observ
45
des volutions de cots diffrentes
selon le temps oprationnel des sinistres. Une analyse graphique complmentaire
46
.rvle trois
profils dvolution :
Les cots moyens associs des temps oprationnels infrieurs 20% dcroissent depuis
1979 jusquen 1987 (t = 9) puis augmentent.
Les cots moyens associs des temps oprationnels compris entre 20% et 60%
dcroissent depuis 1979 jusquen 1987 puis se stabilisent.
Les cots moyens associs des temps oprationnel suprieurs 60% croissent sur
lensemble de la priode observe.
Pour tester la pertinence de ces tendances, on dfinit trois intervalles
47
de temps
oprationnel I
v, v = 1, 2, 3
:
I
1
= { | 20%}, I
2
= { | 20% < 60%}, I
3
= { | > 60%},
auxquels on associe une fonction f
l,v
(t
r
) de structure identique la fonction f
1
(t
r
) mais de
paramtres propres 3 , 2 , 1 ; 2 , 1 j ,
c
v , j
= =
48
. On fait donc dpendre les paramtres de f
1
(t
r
) de
r
.
On construit le modle (20) :

[ ] ( ) ( ) ( )
( )
r
c
3
2
1 v
r
v , 1
I
r
to
4 r
to
3
r
r
to
1
s
r
t t f I
9 , 0 6 , 0 2 , 0 S E ln
v r
+ +
+ + + + =
=

+ + +
, (20)
o ( ) ( ) ( )
+ +
+ = 9 9
, 2 , 1
, 1
r
c
v r
c
v r
v
t t t f , I
z
= 1 si Z est ralise, 0 sinon.

45
Se reporter aux figures 10 et 11.
46
Les graphiques sont prsents en annexe K.
47
On a I1 = ]0%;20%], I2 = ]20%;60%] et I3 = ]60%;100%].
48
Par exemple,
c
1 , 1 =
est le paramtre de surinflation sur la priode 1979 1987 (t = 9) pour les cots moyens associs des valeurs de
infrieures 20%. De par lunicit de la tendance croissante sur I3, on a
c
3
c
3 , 2
c
3 , 1
= = .
Un premier ajustement aux donnes conclut la nullit et labsence de significativit du
paramtre
c
1 , 2
. Ce rsultat est li la redondance des tendances des cots moyens des
ensembles I
1
et I
2
pour la priode postrieure 1987. Ainsi, lexclusion de cette tendance du
modle conduit estimer une croissance commune sur cette priode pour les deux ensembles.
On aboutit aux rsultats suivants :
Tableau 9 Modle avec temps oprationnel, surinflation x temps oprationnel et survenance

Paramtres
s

to
1

to
3

to
4

c
1 , 1

c
2 , 1

c
2 , 2

c
3

Variables
s
z
to
z
1

to
z
2

to
z
3

c
z
1 , 1

c
z
2 , 1

c
z
2 , 2

c
z
3

Estimateurs 10,1975 2,5178 3,5656 -6,8046 0,1388 0,1838 -0,1103 0,0385
Ecart type 0,2004 1,1730 0,5573 1,9438 0,0453 0,0464 0,0346 0,0157
P-value < 10
-4
0,0318 < 10
-4
0,0005 0,0022 <0,0001 0,0014 0,0143

AIC = 51,9213
Les fonctions f
l,v
(t
r
) ajustes sont rapportes la figure 29, pour des valeurs charnires de
temps oprationnel. Les taux de croissance lis ces tendances sont rcapituls au tableau 10.
Figure 29 Fonctions f
l,v
(t
r
) pour = 20%, 60% et 90%
-0,5
0,5
1,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
= 90,00% = 20,00% = 60,00%

Tableau 10 Taux de croissance annuels estims des cots constants moyens
Intervalles t 9 t > 9
I
1 ( ) % 54 , 9 1 exp
c
3 , 1
c
1 , 1
= +

( ) % 93 , 3 1 exp
c
3 , 1
+ =

I
2 ( ) % 52 , 13 1 exp
c
3 , 1
c
1 , 2
= +

( ) % 92 , 6 1 exp
c
3 , 1
c
2 , 2
= +

I
3 ( ) % 93 , 3 1 exp
c
3 , 1
+ =

( ) % 93 , 3 1 exp
c
3 , 1
+ =

Dcroissance sur I
2

Croissance sur I
1
et I
3
Les figures 30 32 prsentent les cots moyens dflats dans le temps et leurs estimations
par le modle (20). Elles tmoignent de la bonne qualit dajustement et de la capture des
tendances surinflationistes, dont les causes restent inconnues.
Dans le cadre du provisionnement, il est lgitime de sinterroger sur la pertinence de
projeter la tendance baissire observe sur I
2
. Du fait de la forte significativit de
c
2 , 2
, nous
dcidons de maintenir cette hypothse. Aux vues du triangle des temps oprationnel, cette
dcision influe essentiellement sur le cot futur estim au titre de la dernire survenance
49
.
Figure 30 Cots moyens et estimations - 20%.
10 000
67 500
125 000
182 500
240 000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
S
S estim

Figure 31 Cots moyens et estimations - 20% < 60%.
10 000
67 500
125 000
182 500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
S
S estim

Figure 32 Cots moyens et estimations - > 60%
10 000
67 500
125 000
182 500
240 000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
S
S estim

49
Par le triangle des temps oprationnels (annexe F), on voit que dpasse 60% en moyenne entre la 3
e
et la 4
e
Pour la dernire survenance, le postulat quivaut donc anticiper une baisse annuelle des cots moyens de 6,92% pendant deux trois ans
Dcroissance sur I2
III. La modlisation des paiements partiels
III.1 Lexpos du problme
Il nest pas rigoureux dassimiler la quantit X
ij
/N
ij
une prestation moyenne par sinistre
rgl. En effet, si le rglement de chaque sinistre tait effectu au moyen dun unique
paiement, cette quantit reprsenterait effectivement la prestation moyenne paye en (i,j).
Cependant, un sinistre peut dclencher de nombreux versements. De ce fait, les prestations
formant X
ij
sont verses au titre des N
ij
sinistres rgls en (i,j), mais galement pour des
sinistres toujours ouverts la fin de cette mme priode.
Considrons une anne de survenance i, dont on rcrit la somme des prestations payes au
dlai j

2 , 1 , j j j
X X X + = ,
comme la somme X
j,1
des prestations payes lanne de dveloppement j en rglement de
sinistres, et de celle X
j,2
des paiements partiels lis aux sinistres en cours la fin de lanne j.
On dsigne par N
j,1
et N
j,2
le nombre de prestations payes durant lanne de
dveloppement j respectivement au titre des rglements de sinistres et des paiements partiels.
Nous sommes dans le cas le plus courant o seules les quantits X
j
et N
j,1
sont connues. En
loccurrence, la quantit S tudie jusquici sexprime en ces termes avec

1 , j
j
j
N
X
S = .
La prise en compte des paiements partiels complique la modlisation des cots moyens, au
sens o les processus X
1
et X
2
peuvent suivre des dveloppements diffrents quand varie
entre 0 et 1. En stipulant sur la dpendance entre N
1
et N
2,
on peut identifier linfluence des
deux processus sur la dfinition du cot moyen S
j
.
Considrons tout dabord N
1
et N
2
comme indpendants. Si N
1
fluctue au del (en dea) de
son esprance, on peut sattendre observer une hausse (baisse) de X
1
sans pour autant que la
valeur de N
2
(et a priori celle de X
2
) ne soit affecte. Dans ce cas, on sattend une baisse
(hausse) de S
j
par rapport son esprance. Autrement dit, les variations alatoires de S autour
de son esprance seront corrles ngativement avec celles de N
1
.
Supposons que les quantits N
1
et N
2
soient corrles positivement. Ce phnomne peut
provenir de labsence de distinction entre rglement et paiement partiel dans les procdures de
gestion : les hausses (baisses) concomitantes de N
1
et N
2
traduisent celles de lactivit des
paiements au sens large. Dans ce cas, la corrlation ngative entre S
j
et N
1j
dcrite plus haut
est attnue, voire limine si la valeur de N
2
est proportionnelle celle de N
1

conditionnellement N
1
. Et dans le cas inverse de corrlation ngative entre N
1
et N
2
, leffet
est accentu
50
.

50
Si par exemple a > 1 et b < a, on a bien
1
2 1
1
2 1
1
2 1
aN
bX aX
aN
X aX
N
X X +
>
+
>
+
.
III.2 Lapproche de Wright
Considrons une seule anne de survenance. Pour lanne de dveloppement j associe aux
temps rel et oprationnel t et , on dsigne par m
,t
la prestation moyenne dun sinistre rgl
et par L
j
le nombre moyen de sinistres encore en cours la fin de lanne.
Lapproche de Wright (1992) repose sur les deux hypothses fondamentales suivantes :
Le montant moyen dun paiement partiel observ durant lanne j peut tre exprim en
proportion de m
,t
. :
E(X
j,2
) = . m
,t
, tant donn un scalaire suppos unique , t.
Chaque sinistre en cours produit des paiements partiels suivant une loi de Poisson de
paramtre p. Sous cette hypothse, la quantit N
j,2
est distribu selon une loi Poi(p.L
j
).
En supposant lindpendance des nombres et des prestations
51
, on a

( )
( )
=
=
) 22 (
) 21 (
, 2 ,
, 1 , 1 ,
t j j
t j j
m p L X E
m N X E

A partir de (21) et (22), on rcrit lesprance de X
j
:
( ) ( ) ( ) ( )
pp
j t j j j j
R m N X E X E X E
+ = + = 1
, 1 , 2 , 1 ,
,
o
1 , j
j
j
N
L
R = et
pp
= p..
Autrement dit, le cot moyen a pour esprance ( ) ( )
pp
j t j
R m S E
+ = 1
,
. Sous ces
hypothses, lintroduction des paiements partiels revient appliquer un facteur multiplicatif
pp
.R
j
au cot moyen dun sinistre rgl. Comme E(X
j,2
) = N
j,2
.
pp
.m
t,
, on remarque que le
coefficient
pp
exprime lesprance dun paiement partiel en proportion de m
t,
.
Si comme dans la plupart des cas
52
, on a
pp
.R
j
< 1, on peut estimer E(S
j
) par
( ) ( )
pp
j t j
R m S E
exp
,
(23)
Si les R
j
sont connus, Wright prconise dutiliser lquation (23) pour estimer
pp
. Si
pp
est
significatif, on intgre la variable associe
pp
z dans le modle. Dans ce cas, il est ncessaire
au moment du calcul des provisions de dterminer un modle de projection des R
j
au del des
horizons de temps observs. A ce sujet, Wright propose de modliser R
j
partir de .

51
Ce rsultat lmentaire de thorie du risque est rappel en annexe L. Sur le sujet, on peut consulter Denuit et al. (2004).
52
Le respect de cette condition dpend en fait du rythme des rglements. Si en moyenne, par exemple p = 50% des sinistres en cours
gnrent un paiement partiel correspondant = 20% du cot dun sinistre rgl, la condition est respecte si les nombres de rglement N1,j
sont suprieurs j
pp
= p = 10% du nombre des sinistres en cours.
III.3 Lapplication numrique
Comme le modle (20) dfinit une forme linaire pour ln(m
t,
), il sagit simplement
dintroduire la variable
1 , r r r
pp
r
N L R z = = dans le prdicteur linaire du modle (20). Cette action
dfinit le modle (24). Les valeurs des R
ij
sont dduites des triangles exposs en annexe B et
D.
Lajustement du modle (24) conduit extraire la variable
to
r
z
1 ,
devenue non significative,
au sens de sa p-value. On obtient les rsultats suivants :
Tableau 11 Modle avec anne de survenance, temps oprationnel, surinflation et
paiements partiels

Paramtres
s

pp

to
3

to
4

c
1 , 1

c
2 , 1

c
2 , 2

c
3 , 1

Estimateurs 9,9955 0,0425 3,9656 -8,0606 0,1448 0,1862 -0,0936 0,0402
Ecart type 0,1991 0,0117 0,5171 1,8890 0,0430 0,0423 0,0328 0,0149
P-value < 10
-4
0,0003 < 10
-4
< 10
-4
0,0008 < 10
-4
0,0044 0,0072

AIC = 49,2015
De faon gnrale, le passage du modle (20) au modle (24) amliore la qualit de
lajustement au sens du critre AIC. En particulier, la significativit du paramtre
pp
conduit
conclure linfluence des paiements partiels dans la formation des cots moyens au sens du
modle de Wright.
Remarquons que le modle (24) est construit en substituant
pp
r
z
+
= ) 2 , 0 (
1 , r
to
r
z dans le
modle (20). Du fait de la colinarit des deux variables sur lintervalle [0% ; 20%[, cette
substitution nentrane pas de variation notable dans la valeur des estimations des autres
paramtres.
Figure 33 Ratios R
ij
des paiements partiels en fonction des
ij
0
5
10
15
20
25
30
35
40
0% 20% 40% 60% 80% 100%

La figure 33 tmoigne du niveau particulirement bas
53
du taux de rglement sur le 1
er

intervalle de , et dans une moindre mesure sur le 2
e
intervalle. Ce phnomne peut tre li au
temps de traitement des rglements et des dclarations des sinistres.
Selon Wright, la significativit du coefficient
pp
suffit maintenir les paiements partiels
dans le modle. Si on inclut leffet des paiements partiels dans les projections de cots, il est
ncessaire destimer les valeurs des R
ij
pour les valeurs futures de temps oprationnel, de telle
sorte que lensemble des lments de la matrice Z soient connus. A ce sujet, la forme linaire
R
=
0
+
1
/ ajuste bien les donnes. La courbe ajuste est prsente la figure 33 (en vert).
Lestimation des moindres carrs donne

=
=
5818 , 0
5181 , 1
1
0

On observe sur la figure 34 que lintroduction des rachats partiels dans le modle (24)
corrige le profil de la courbe m
t,
sur lintervalle 20%. Les cots moyens estims sont
prsents pour t = 9 de sorte annuler leffet du temps rel et ne faire ressortir leur volution
quen fonction du temps oprationnel.
Figure 34 Estimation des cots moyens
modle (20) contre modle (24) - t = 9
20 000
70 000
120 000
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

modle (20)
modle (24)

Ce phnomne est li la dcroissance monotone du facteur ( )
pp
j
R exp et la forte
baisse des R
j
sur cet intervalle.
Notons que la valeur estime de
pp
nest pas en contradiction avec linterprtation
thorique donne par Wright : lauteur fait rfrence une valeur de c = 10%, associe aux
paramtres = 50% et p = 20%. En outre, une interprtation de la baisse des cots par sinistre
rgl est possible sur lintervalle de temps oprationnel [0% ;20%].

53
Pour j = 1, on a en moyenne Ri1 = 14, soit un taux de rglement de 1/14 7%. Le mme taux passe 30% en j = 2, pour se stabiliser
autour de 40% par la suite (soit Rij 2,5).
Dans tous les cas, lintroduction des paiements partiels dans la modlisation fournit une
interprtation fortuite la baisse du cot moyen par sinistre rgl observe sur les 1
res
valeurs
de temps oprationnel :
Lobservation de la figure 33 rappelle que le taux de rglement 1/R est particulirement
faible au dbut de lcoulement du risque. Cette priode correspond la premire anne de
dveloppement, ou de faon quivalente des valeurs de temps oprationnel infrieures
20%. Par la suite, le taux de rglement se stabilise au-del de .20%.
Or, les paiements partiels accroissent le niveau de S
j
en augmentant son numrateur X
j
,
sans contrepartie au dnominateur N
j,1
. Si le taux de rglement crot fortement comme cest le
cas sur lintervalle ]0%,20%], il est possible dobserver une dcroissance du cot moyen par
rglement, mme si la prestation individuelle moyenne m
t,
reste stable.
Ce phnomne est illustr par la figure 35. Pour une valeur de t donn, elle prsente les
cots moyens par sinistre en fonction du temps oprationnel, avec et sans rachats partiels
54
.
Les cots sont estims partir du modle (24) et de valeurs R
calcules partir des

estimations des coefficients
0
et
1
.
Figure 35 Estimation des cots moyens
modle (24) - t = 9
20 000
70 000
120 000
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

sans paiement partiel
avec paiement partiel

Le modle (24) explique donc la dcroissance des cots moyens S
j
sur les deux 1
er

intervalles de temps oprationnel par une forte baisse de la proportion des paiements partiels
dans lensemble des prestations. En dbut de partie, une deuxime possibilit dexplication
avait t nonce : il sagissait de considrer que les rglements sans suite intervenaient
majoritairement les 1
res
annes
55
. Aucune information ne permet de valider cette hypothse.
Au mme titre, il est impossible de juger du rle des paiements partiels dans la baisse des
cots moyens pour les valeurs leves de , au sens o les deux termes de E(S
j
) dcroissent
pour les valeurs leves de . Dune part, le facteur exponentiel dcroit du fait de la baisse des
R
ij
avec . Dautre part, la figure 35 confirme la baisse de m
t,
pour les valeurs levs de .

54
On modlise les cots moyens sans rachats partiels en soustrayant le facteur
R du prdicteur linaire du modle (24)

55
Les rglements sans suite gonflent le dnominateur de ( )
2 , 1 , j j j j
N N X S + = , sans contrepartie au numrateur (on a Nj,1 = 1 et Xj = 0).
Tous paramtres de Sj gaux par ailleurs, on obtient la dcroissance de Sj en supposant des rglements sans suite croissant avec j.
IV. La slection du modle final
A ce stade, il sagit de choisir entre les modles (20) et (24). Comme la substitution de
pp
r
z

to
r
z
1 ,
ne fait que peu varier les estimations des autres paramtres du modle, nous sommes
tent de conclure que lamlioration du critre AIC du modle (20) au modle (24) est lie
au meilleur ajustement des cots moyens sur le premier intervalle de temps oprationnel.
Cette conclusion semble conforte par les figures 36 et 37, confrontant ces cots et leurs
estimations par les deux modles.
Figure 36 Cots moyens et leurs estimations
modle (20) sans paiements partiels 20%.
10 000
67 500
125 000
182 500
240 000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
S
S estim

Figure 37 Cots moyens et leurs estimations
modle (24) avec paiements partiels 20%.
10 000
67 500
125 000
182 500
240 000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
S
S estim

Il convient cependant de relativiser la porte smantique de ce rsultat. En ce sens, Wright
tempre limportance que lon doit accorder la vrification des hypothses sous-jacentes la
modlisation des paiements partiels, quil considre avant tout comme un outil dajustement
confronter aux donnes.
Le choix du modle (20) est motiv par ce mme pragmatisme. Lobservation de la figure
34 rappelle que les deux modles partagent sensiblement les mmes estimations pour les
intervalles de temps oprationnel suprieurs 20%.
Dans le cadre du provisionnement, le meilleur ajustement des premiers cots moyens
est de peu dinfluence, ds lors que les temps oprationnels des prestations futures estimer
sont dans leur grande majorit au-del de 20%. Alors, le maintien des paiements partiels dans
le modle alourdirait inutilement la procdure de calcul des provisions, en ce sens quil
ncessiterait la projection des R
.
Dans le cadre du provisionnement, nous dcidons donc de retenir le modle (20), dont les
caractristiques sont rappeles au tableau 12 :
Tableau 12 Variables explicatives et paramtres associs
Modle (20)
Modlisation Paramtres Observations z
ij

Anne de survenance
s
1 z
s
r
=
Temps oprationnel
to
1
( )
+
=
ij
to
1 , r
2 , 0 z
Temps oprationnel
to
2
( )
+
= 6 , 0
3 , ij
to
r
z
Temps oprationnel
to
3

+
= ) 9 , 0 (
4 , ij
to
r
z
Surinflation
c
1 , 1
( )
+

=
r I
c
1 , 1 , r
t 9 I z
1 r

Surinflation
c
2 , 1
( )
+

=
r I
c
2 , 1 , r
t 9 I z
2 r

Surinflation
c
2 , 2
( )
+

= 9 t I z
r I
c
2 , 2 , r
2 r

Surinflation
c
3

r
c
3 , r
t z =

Validation du modle 76
CHAPITRE IV. VALIDATION DU MODELE PAR DES TESTS STATISTIQUES
I. Les points de validation
Le choix du modle et les conclusions qui en sont issues dpendent exclusivement des
donnes observes. Une proccupation majeure de la modlisation est alors de juger de la
fiabilit de ces conclusions. Diffrentes causes peuvent venir jeter un doute sur leur
pertinence, dont les plus importantes sont :
Linadquation des hypothses formules sur le processus gnrateur des donnes :
Le premier point traite de la pertinence dutiliser le modle retenue au regard des donnes
modliser. Si les hypothses apparaissent cohrentes, on parle de modle bien spcifi. Sans
connaissance a priori du processus tudi, la bonne spcification du modle ne peut tre teste
qu partir des donnes disponibles. Ce point est trait dans la section II.
Le dfaut de justesse des donnes de lchantillon :
Les donnes disponibles peuvent ne pas reflter le processus modliser. Autrement dit, il
est possible de statuer la bonne spcification dun modle partir dun chantillon pas
rprsentatif. Dans notre cas, il est impossible de statuer sur cette problmatique tant donn
notre mconnaissance du portefeuille. Ce point ne sera donc pas tudi.
La sensibilit du modle de faibles variations des donnes :
Les donnes historiques ne constituent quun chantillon du processus modliser. Or, cet
chantillon peut inclure des observations qui sans tre errones influent de faon exagre
sur lajustement du modle aux donnes. On peut par exemple sinterroger sur la pertinence
de garder dans lchantillon dajustement une observation de valeur extrme et de faible
frquence. A ce sujet sont introduit deux notions : celle de point atypique et celle de point
influent. Leur tude est lobjet de la troisime section.
En fin de chapitre, nous testons la crdibilit de notre principal outil de diagnostic dans la
construction du modle de provisionnement : le test de la dviance. Les rsidus utiliss dans
lannalyse graphique sont les rsidus de dviance normaliss.
II. Les tests sur la spcification du modle
La pertinence dutiliser le modle (20) dpend de la crdibilit dhypothses formules a
priori sur le processus gnrateur des cots moyens. On peut citer trois hypothses centrales :
Hypothse n1 : La fonction de lien lie lesprance des cots moyens avec le prdicteur
linaire. A ce sujet, ladquation de la fonction logarithmique a t confirme en amont.
Hypothse n2 : Le modle suppose une dpendance entre les cots moyens et les
variables constituant le prdicteur linaire.
Hypothse n3 : Un lien est suppos entre la variance et lesprance des cots moyens.
Test de lhypothse n2
Le test de lhypothse n2 est global. Il doit permettre de confirmer quil nexiste pas de
problme majeur dans la modlisation de la dpendance entre les cots moyens et les
variables explicatives. Ainsi, il sagit de vrifier globalement tant la pertinence des variables
explicatives que la forme de leur dpendance suppose avec la variable rponse.
En pratique, les figures 38 41 ne doivent pas faire apparatre de structure non alatoire
qui tmoignerait quil existe des tendances dans les donnes non captures par le modle. La
reconnaissance dune tendance dans les rsidus peut rvler des problmes trs divers
56
. On
rappelle que cette contrainte est galement dordre thorique, ds lors que la qualit globale
des rsultats dpend en rgression de lindpendance des rsidus et des variables explicatives.
Figure 38 Rsidus contre estimations

Figure 39 Rsidus contre temps oprationnels

Figure 40 Rsidus contre annes de survenance

Figure 41 Rsidus contre annes calendaires

On constate sur les figures 39 41 une horizontalit satisfaisante du centre des botes
moustaches
57
, tmoignant de labsence de tendances des rsidus en fonction des variables
explicatives.

56
oubli de variables explicatives, mauvaise dfinition de la fonction variance et/ou du lien entre la variable rponse et une/des variables
explicatives, inadquation dun modle unique sur lensemble des valeurs de cots moyens, .
57
Les extrmits de la bote matrialisent les 25
e
et 75
e
quantiles, celles de chacune des barres les valeurs extrmes, et le point la mdiane.
Par ailleurs, la lecture de la figure 38 de gauche droite montre que les rsidus sont
relativement stables en moyenne et en volatilit. Autrement dit, ils semblent indpendants de
la valeur des estimations. Ce constat tmoigne de la qualit globale de la rgression, en ce
sens que les estimations ne semblent pas biaises pour certaines valeurs de cots moyens. De
faon gnrale, on ne peut donc pas statuer un problme de spcification du modle.
Test de lhypothse n3
Quant la pertinence du choix de la fonction de variance, elle est teste partir de la
proprit dhomoscdasticit des rsidus. Rappelons que lhypothse dhomoscdasticit des
rsidus, soit celle de la constance de leur variance, est centrale en conomtrie. En thorie, sa
transgression biaise les carts type des estimations des paramtres et altre la fiabilit des tests
dinfrence statistique construits partir des carts types (t-test, F-test,).
Dans la pratique des GLM, la constance des carts types des rsidus normaliss dpend de
la validit de la relation
Var(S
r
) = .V(
r
)
sur ltendue de chaque variable explicative. Autrement dit, le lien suppos entre la
moyenne et la volatilit des cots moyens ne doit pas dpendre des variables explicatives.
Dans notre cas, ce lien doit en particulier tre stable pour toutes les valeurs de .
Le test dhomoscdasticit des rsidus constitue donc un outil supplmentaire pour
conforter le choix de la loi utilise pour modliser les S
r.
Ce test peut tre effectu
graphiquement partir des botes moustaches des rsidus de dviance : on statue leur
homoscdasticit si les botes ne sont pas de taille trop htrogne. Au regard des figures
39 41, le diagnostic napparat pas immdiat.
Pour vrifier lhypothse dhomoscdasticit des rsidus, on emploie le test de White. Ce
test prouve le pouvoir explicatif des variables explicatives sur les carrs des rsidus.
Formellement, White dfinit la rgression auxiliaire non contrainte

= = =
+ + =
p
i
p
j
j i ij
p
j
j j
z z c z b a e
1 1 1
1
2
(25)
o e est le rsidu destimation issu du modle (20) et z
j
une de ses p variables explicatives.
Lhypothse dhomoscdasticit teste est
H
0
: b
1
= =b
p
= c
11
= = c
pp
= 0.
Le test de White est construit partir dun F-test de significativit globale de lquation
(25). Si la p-value de la statistique de test est suprieure au seuil dfini, on ne peut rejeter
lhypothse H
0
dhomoscdasticit des erreurs. Ici, la statistique du test gale 30,89 est
associe une p-value de 9,83%
58
. Au seuil de 5%, on ne peut rejeter lhypothse H
0
.

58
On rappelle que la statistique du test est base sur le coefficient de dtermination R
2
de lquation de rgression auxiliaire. Sous H0, elle
est distribu approximativement selon un
2
1 , k n k
, o k est le nombre de variables explicatives du modle auxiliaire.
III. Le test de robustesse
En ce qui concerne les points atypiques, lobservation des figures 38 41 permet de
constater lexistence de valeurs anormales (> 2). Ces rsidus prsents au tableau 13
correspondent des observations de cots moyens dont les montants sont inhabituellement
bas compte tenu des valeurs de temps oprationnel et rel qui leur sont associes.
Tableau 13 Valeurs atypiques modle (20)
i J

S
r
r

) (DS
r
e
1 11 0,969 7 116,6 93 498 ,66 -3,85
3 13 0,989 9 557 102 247,24 -3,67
3 14 0,992 15 013,33 105 233,43 -3,19
3 15 0,999 17 692,44 106 547,36 -3,02
2 12 0,987 25 627,82 94 934,60 -2,30
1 13 0,991 27 768,77 94 934,60 -2,17
3 4 0,478 134 428,29 93 360,38 2,04
2 14 0,993 236 510 100 573,51 2,08
Cela conduit sinterroger sur la justesse de ces observations plus forcment
reprsentatives du processus analys. La question est bien illustre par la notion de point
aberrant. Un seul point aberrant peut biaiser le modle jusqu rendre ses prdictions errones,
mme dans des rgions loignes de lobservation aberrante. Notre mconnaissance du
portefeuille ne permet pas de rpondre cette dernire question. On remarque toutefois que
les cots de montant inhabituel sont associs danciennes survenances.
Afin de statuer sur leur maintien dans lchantillon dajustement, nous tudions leur
influence. Par dfinition, un point influent pse sur le modle de telle sorte que si on lenlve,
alors lestimation des coefficients sera fortement change. Une mesure classique dinfluence
est celle de Cook qui est une distance entre le vecteur des coefficients estim avec toutes
les observations et celui ) ( r estim avec toutes les observations sauf une.
La distance de Cook pour lobservation r se mesure laide de la mtrique (Z
WZ) :
( ) ( )
|
\
|

|
\
|
=

r WZ Z r
p
D
r
'
'
1
.
Lexpression de la matrice H est rappel en annexe
59
.

59
On rappelle en annexe I que lalgorithme destimation fait une rgression linaire chaque tape et sarrte ltape finale o le processus
est stationnaire : ( ) Y W Z Z W Z
1 '
1
1 '
= . Autrement dit, on a Y H Z = =
, o H est la matrice de projection de Y sur Z.

De faon gnrale, si la distance de Cook est grande pour une observation et/ou trs
diffrente des autres, alors le point ltude est considr comme influent. Il convient alors
danalyser les raisons de son influence (erreur de mesure, diffrence dans la population,).
Pour obtenir des conclusions robustes, il est alors prfrable de refaire lanalyse sans ce point.
On calcule les distances de Cook partir des estimations de ,
r
, et ( )
2
r r
V = . Comme
la distance de Cook est norme, une valeur suprieure un est suspecte. Dans le test, nous
utilisons une limite plus svre de 4/(n-p-1) prconise par certains auteurs
60
. Compte tenu
du seuil de dtection fix 4/(150-8-1) 0,03, sept points ressortent comme influents.
Figure 42 Distances de Cook modle (20)

Le tableau 14 prsente les observations influentes au sens de Cook et le cot moyen S
,moy

observ dans leur intervalle de temps oprationnel depuis t = 1.
Tableau 14 Points influents modle (20)
Obs.
i j S
r S
,moy
D
r
147 15 3 0,583 39 410,54 47 336,53 0,23
141 14 1 0,022 129 732,60 76 089,43 0,10
34 3 4 0,478 134 428,30 44 295,49 0,10
29 2 14 0,994 236 510,00 108 499,34 0,08
30 2 15 0,996 222 998,50 108 499,34 0,06
58 4 13 0,994 213 777,50 108 499,34 0,04
88 7 4 0,576 68 338,15 47 336,53 0,04

60
J. Confais (UPMC-ISUP), M. LeGuen (CNRS-CES-MATISSE-UMR8174) (2009), Premier pas en rgression linaire avec SAS .
Les points influents dtects correspondent des observations dont les valeurs sont
anormalement leves compte tenu du temps rel et du temps oprationnel qui leur sont
associs. Des points aberrants du tableau 13, seules deux observations sont considres
influentes. Ces observations apparaissent en gras dans le tableau 14.
Les rsultats obtenus en soustrayant de lchantillon dajustement les sept observations
influentes sont prsents au tableau 15. On constate une amlioration logique du critre AIC.
Tableau 15 Modle (20) ajustement sans les points influents

Paramtres
s

to
1

to
2

to
3

c
1 , 1

c
2 , 1

c
2 , 2

c
3 , 1

Estimateurs 10,1639 2,2274 3,9225 -9,2843 0,1528 0,1749 -0,1281 0,0364
Ecart type 0,1930 1,1780 0,5420 1,9302 0,0434 0,0437 0,0362 0,0148
P-value < 10
-4
0,0486 < 10
-4
< 10
-4
0,0004 < 10
-4
0,0004 0,0138

AIC = 46,2063 - = 4,8947
-1

Conscutivement au retrait des sept points influents, on observe que :
la correction la plus sensible intervient sur le paramtre
to
3
qui passe de -6,8 -9,28.
Autrement dit, la plus forte correction des paramtres du modle sopre sur
lestimation des cots moyens de fort temps oprationnel. Cette correction est lie la
soustraction de lchantillon dajustement des observations n29, 30 et 58.
les taux annuels de surinflation sont rviss 3,70% sur les intervalles de temps
oprationnel I
1
et I
3
et - 8,75% sur I
2
61
.
Notons que si nous extrayons les sept points influents de lchantillon dajustement, nous y
maintenons les points atypiques non influents
62
faute de pouvoir justifier de leur retrait.
IV. Le test sur la validit de la dviance
Dans la construction du modle, nous utilisons essentiellement le test de la dviance
comme outil de diagnostic. Ce test utilis dans la slection des variables explicatives et la
comparaison des modles fait lhypothse que les rsidus de dviance ajusts sont issus de
distributions normales. Si tel nest pas le cas, les conclusions qui en sont issues peuvent
devenir vides de sens. Nous testons la normalit des erreurs partir du QQ-plot des rsidus.
Mis part quatre observations en anomalie
63
, on constate que les points sont aligns autour
de la droite passant par les 1
er
et 3
e
quartiles. Les rsidus, a priori centrs, passent par le point
(0,0). Dans ce cas, il est possible de valider lhypothse de normalit.

61
e
0,0364
1 = 3,70% et e
-0.1281+0.0364
-1 = -8,75%.
62
Il sagit essentiellement des quatre points atypiques souligns la figure 43. Ces observations correspondent aux quatre premires valeurs
atypiques mentionnes en gras dans le tableau 13
63
Ces observations visionnables la figure 43 correspondent aux quatre premires valeurs atypiques mentionnes dans le tableau 13.
Figure 43 QQ plot des rsidus de dviance modle (20)

V. Conclusion : la validation du modle
Le tableau 16 prsente les rsultats du modle (20) ajust aprs le retrait des points
influents :
Tableau 16 Rapports des estimations sur les observations de cots moyens
64

modle (20)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1979 0,98 1,00 1,11 1,16 1,53 0,81 1,73 0,68 0,65 2,23 12,05
a
1,32 2,95
a
0,59 0,84
1980 0,90 1,13 1,10 0,66 1,16 1,24 1,09 0,94 0,63 2,00 0,72 3,24
a,i
0,58 0,36
i,a
0,40
i
1981 0,72 1,21 0,82 0,41
i,a
2,64 0,78 0,77 1,00 1,15 0,85 1,01 2,17 10,19
a
6,62
a
5,53
a
1982 1,37 1,31 0,60 1,14 0,86 0,67 1,21 1,59 1,07 0,98 0,48 1,20 0,42
i
1,03
1983 1,28 1,12 1,72 0,98 0,57 0,91 0,80 1,89 2,73 1,27 0,48 1,21 1,28
1984 0,85 1,53 1,04 0,61 0,60 0,69 0,55 2,49 0,54 0,98 0,61 0,53
1985 1,26 1,41 1,06 0,48
i
0,69 1,06 2,72 1,03 1,35 0,75 0,65
1986 1,28 1,28 0,88 0,60 0,97 1,89 0,77 1,35 0,91 1,72
1987 1,25 1,29 1,31 0,61 1,67 0,70 1,15 0,72 0,76
1988 0,76 1,44 1,00 1,44 1,02 1,17 1,34 1,26
1989 1,14 1,27 1,30 0,81 0,90 0,93 1,22
1990 0,70 1,29 0,73 1,56 0,84 0,90
1991 1,02 1,21 0,86 1,53 0,94
1992 0,49
i
1,03 1,85 0,66
1993 0,77 1,06 0,44
i

1994 1,43 1,00
1995 1,83
Rappelons la dmarche menant sa constitution. Lanalyse des donnes a aboutit une
conclusion principale, savoir quil existait un lien entre le volume des prestations payes et
le nombre des rglements de sinistres. Par ailleurs, lanalyse a conclut linstabilit des
cadences de rglements dans le temps.

64
Les observations annotes dun exposant i et a correspondent respectivement des points influents et des valeurs atypiques.
Ce constat nous a conduit intgrer deux notions dans la modlisation des prestations :
Dune part, nous utilisons une approche par les cots moyens. Cette mthode nous permet
de tenir compte de la dpendance entre les prestations et les nombres de rglements.
Dautre part, nous modlisons les cots moyens non pas en fonction du temps mais selon
lordre dapparition des rglements. Autrement dit, nous substituons dans la modlisation
le temps oprationnel lanne de dveloppement j. Cette mthode nous permet de
modliser des classes de cots moyens plus homognes.
Nous avons utilis la notion de paiement partiel. Il sest agit de distinguer la prestation
moyenne m dun sinistre rgl du ratio S de cot moyen par sinistre rgl :
Il est naturel denvisager un lien positif entre m et la dure de rglement des sinistres. Sur
ce point, lintroduction des paiements partiels permet de justifier la baisse contre intuitive de
S au fur et mesure que pour des valeurs infrieures 20%. Cette baisse est justifie par
celle de la proportion des paiements partiels dans les prestations totales. Pour les valeurs de
suprieures 90%, il na en revanche pas t possible de justifier la baisse de S et m.
Au final, le modle tablit une relation entre lesprance du cot moyen S et deux
variables : le temps oprationnel et le taux de surinflation, dfinissant la croissance de m au-
del de linflation gnrale. Pour plus de robustesse, nous choisissons dutiliser le moins de
variables explicatives possibles et modlisons m en fonction de tendances linaires.
En ce qui concerne le temps oprationnel , nous aboutissons lidentification de quatre
tendances : les cots moyens baissent avec pour les valeurs infrieures 20%, se stabilisent
ensuite pour les valeurs de infrieures 60%, puis augment jusqu = 90% pour rebaisser
ensuite.
En ce qui concerne la surinflation, les tendances identifis par le modle de Zehwirth ont
t rvises en segmentant lanalyse en fonction du temps oprationnel. Autrement dit, une
interaction a t dtecte entre la surinflation des cots moyens et leur profil, identifi par leur
temps oprationnel. Ainsi, nous avons estim que les cots moyens dflats croissaient de
3,7% par an partir de 1987, sauf dans le cas des sinistres rgls entre la 3
e
et la 5
e
anne
65
, en
baisse de 8,75% par an. Mme si il nous est impossible de donner une signification ce
phnomne (sinistres sans suite,), il caractrise bien les donnes tudies
66
.
En fin de partie, des tests de validation du modle ont t mens. En particulier, ces tests
ont conduit au retrait de deux points atypiques, trop influents au sens de la distance de Cook.
Cette opration a eu pour rsultat daccentuer la tendance baissire des cots moyens les plus
levs ( > 90%). De faon plus gnrale, les rsultats de ces tests nont permis de remettre en
cause ni la qualit globale du modle, ni la fiabilit des outils statistiques utiliss dans sa
conception. En effet, dune part aucun problme de spcification na pu tre dcel, et dautre
part, les hypothses sous jacentes au modle (20) nont pu tre infirmes sur la base de
lchantillon des cots moyens tudi.

65
Ces sinistres sont rgls dans lintervalle de temps oprationnel [20%,60%[
66
Se reporter aux figures en annexe K.
Calcul du Best Estimate des PSAP 84
PARTIE III. LA MISE EN UVRE DES CALCULS

Il sagit dsormais dutiliser le modle de provisionnement dfini dans la partie II deux
fins : le calcul du Best Estimate des PSAP et celui du risque de provisionnement.
Le premier chapitre est ddi au calcul du Best Estimate de la provision pour sinistres. Son
obtention requiert de rpondre au pralable aux deux points suivants :
Le modle tudi estime le cot moyen des prestations verses partir de leurs temps
rel et oprationnel. Si les temps oprationnels des futurs rglements sont par dfinition
connus, leurs dates restent estimer.
Si le modle intgre le calcul de linflation sectorielle contenue dans les prestations
futures, il ne prvoit pas lestimation de linflation gnrale qui ncessite de se doter
dun modle ad hoc.
Le second chapitre est consacr au calcul du risque de provisionnement. Lapproche de
calcul privilgie est de type simulatoire dans un cadre Bootstrap :
Dans un premier temps, nous adaptons la mthode classique du Bootstrap au modle de
provisionnement et calculons le risque ultime. Ensuite, lalgorithme est adapt au
calcul du risque un an.
Enfin, les rsultats obtenus sont compars celui issu de lapplication de la formule
standard.

CHAPITRE I. LE CALCUL DU BEST ESTIMATE DES PSAP
I. Hypothses et mthode
I.1 Hypothses
Nous valuons le Best Estimate des provisions pour sinistres partir du modle (20). Cette
section recense les hypothses sous jacentes ce calcul.
Nombre ultime des sinistres
Le calcul des PSAP passe par lestimation de la prestation payer au titre de chaque
sinistre restant rgler. Il requiert donc de connatre de faon certaine le nombre ultime de
sinistres pour chaque survenance. A cet gard, nous utilisons les estimations de Taylor (2000).
Nous rappelons que nous considrons par simplification le nombre ultime de sinistres comme
certain, malgr lincertitude vidente de cette information en date de calcul.
Effet des paiements partiels
Le modle (20) est construit partir des observations de cots moyens. En dautres termes,
ses projections estiment les cots moyens futurs et non les prestations futures. Notre
utilisation du modle requiert donc dassimiler les cots moyens aux prestations individuelles.
Nous avons vu que les deux notions pouvaient diverger dans le cas de paiements partiels
importants. En dautres termes, assimiler le cot moyen S la prestation individuelle m
suppose de considrer ngligeable leffet des paiements partiels sur les cots moyens. Dans
notre cas, nous justifions cette hypothse par les rsultats de la partie II, incitant supposer la
similitude entre m et S pour les valeurs de considres dans la projection des rglements
67
.
Esprances des prestations individuelles
Dans le calcul des provisions, nous assimilons les extrapolations de cots moyens du
modle (20) des prestations individuelles. En omettant lexistence des paiements partiels,
rcrivons la somme des prestations payes en j au titre de i :

=
ij
N
1
ij ij
X X
o les
ij
X ,
= 1, , Nij
dsignent les prestations payes au titre des N
ij
sinistres rgls.
Nous supposons, pour = 1, , N
ij
, que lesprance des
ij
X ne dpend que des valeurs t et
associes au couple (i,j) : ( )

, , t t ij
S m X E = = . Cette hypothse est approximative car les N
ij

sinistres rgls nont pas la mme esprance. Cependant, elle reste crdible si m
t,
ne varie pas
trop chaque anne j. Plus prcisment, si dsigne le temps oprationnel moyen observ
durant lanne de dveloppement j, lhypothse est exacte si m
t,
est linaire en t et .

67
En particulier, le modle (24) intgrant les paiements partiels aboutit des estimations de S et m trs proches pour les valeurs de 0,2
(se reporter la figure 35).
Indpendance des sinistres
Supposons que les N
ij
sinistres soient indpendants et de mme esprance m
t,
.. Si X
ij
est la
somme de N
ij
sinistres indpendants, le cot moyen des N
ij
rglements a pour esprance
( )

= |
\
|
=
, t
ij
ij
ij
m
N
X
E S E
Dans le calcul du Best Estimate, nous pouvons alors, au prix des hypothses formules,
assimiler les estimations des esprances de cots moyens issues du modle (20) avec celles
des prestations individuelles. On vrifie sous lhypothse dindpendance des sinistres (1) que

( ) ( )
( ) ( )
( ) ( )
( )
,
0
,
1 0
0 1
) 1 (
0
1
1
t
k
ij t
k
ij
k
ij
k
k
ij ij
k
ij
ij
ij ij
ij
ij
N ij
m
k N P m
X E
k
k N P
X E
k
k N P
k N
k
X
E k N P N
N
X
E E S E
ij
=
= =
= =
= =
|
|
\
|
= = =
|
|
\
|
|
|
\
|
=
=
=
= =
=

I.2 Les tapes de calcul
En conformit avec les prconisations de lACAM (ACAM, 2007), la procdure de calcul
du Best Estimate comporte trois tapes :
lestimation en monnaie constante des prestations futures
le calcul de linflation contenue dans ces prestations
lactualisation des prestations la courbe des taux sans risque.
Meilleures estimations des prestations futures
Au travers de lactualisation et du calcul de la croissance (sur)inflationniste des prestations
restant payer, le calcul du Best Estimate dans le cadre du modle (20) requiert destimer la
date des rglements futurs. Or, ce modle nestime pas cette information. Une solution simple
cette problmatique est prsente dans la section suivante. Elle passe par lapproximation
dun lien entre t et partir dune fonction continue H telle que t = H().
Ainsi, lobjectif consiste associer chaque rglement futur une date ( )
H fonction du
temps oprationnel qui lui est associ. Une fois la fonction H dfinie et ses paramtres
estims, le calcul en monnaie constante des prestations futures devient trivial.
En effet, plaons-nous en t
0
, date de calcul de la provision. On dsigne par
0 , i
N le nombre
de sinistres rgls cette date parmi les N
i
sinistres survenus au titre de la survenance i et par
i 0 , i 0 , i
N N = le temps oprationnel du dernier sinistre rgl.
Les temps oprationnels moyens
j , i
des ( )
0 , i i i
N N = sinistres rgler sont
68

i
i
, i
i
0 , i
2 , i
i
0 , i
1 , i
N
5 , 0 N
, ,
N
5 , 1 N
,
N
5 , 0 N
i
=
+
=
+
=

L , (1)
auxquels on associe les temps rels
i
, i 1 , i
t , , t

L .
Des
j , i
et de lestimation de H, on dduit du modle (20) les meilleures estimations des
prestations associes aux rglements futurs
69
. En effet, lalgorithme du score fournit les
estimateurs du maximum de vraisemblance (e.m.v.) du vecteur des paramtres et de .
Par invariance fonctionnelle du maximum de vraisemblance, on en dduit les e.m.v.
( ) |
\
|
|
\
|
=

j , i j , i
j , i
1 H , exp m des ( )
j , i j , i
S E m

= pour
i
, , 1 j = L ,
o ) , (

= dsigne le prdicteur linaire estim dans la partie II.
Il en rsulte un e.m.v de lesprance de la somme des prestations futures associes aux I
annes de survenance :

=
=
=
I
1 i
1
i
, i
1 , i
m
Inflation future
Nous appliquons les conditions dinflation future aux projections de prestations estimes
par le modle (20). Dans cet objectif, nous nous dotons dun modle dinflation ad hoc,
partir duquel il est possible au travers dun indice CP(H()) en base t
0
, destimer linflation
gnrale moyenne courant entre chaque date de rglement futur H() et la date de calcul t
0
.
A partir de CP(H()), on exprime en monnaie relle les estimations des prestations futures:

( )
j , i j , i j , i
m CP m
1 H 2
=

pour
i
, , 1 j = L .

68
Pour j = 1, on a bien
i
0 , i
i
0 , i
i
0 , i
N
5 , 0 N
N
1 N
N
N
2
1
1 , i
+ +
=
|
|
\
|
+ = .
69
En supposant que chaque rglement futur dclenche le paiement dune prestation, on nglige leffet des sinistres futurs sans suite.
Actualisation
En conformit avec les prconisations de lACAM, nous utilisons une courbe dterministe
des taux, en ngligeant les dpendances ventuelles entre taux dintrt et prestations. Cette
dernire tape nous permet daboutir lexpression du Best Estimate en t
0
de la provision
pour sinistres
70
:
( )
( )
( )

=
=
=

= =

I
i
H
i
i
i
m H r R R E
1
2
) 0 (
,
1 ,
exp
. (2)
o
( ) H
r dsigne le taux sans risque dchance H() prvalant en t
0
.
II. La projection en monnaie constante des prestations futures
II.1 La modlisation des prestations
Estimer la valeur relle des prestations futures requiert de se doter dun modle dinflation.
Pour le moment, cette question est reporte tandis que nous nous concentrons sur la mthode
destimation des paiements futurs exprims en monnaie constante.
Sous les hypothses prsentes, il est possible destimer la prestation moyenne dun
rglement futur partir du modle (20). En effet, pour un sinistre rgl en t > 17 au temps
oprationnel , cette quantit est estime
( )
1
, t m t f m
=
o
( ) ( ) ( )
( ) ( )
+ =
(
+ + + =

+
t 9 t I exp t f
9 , 0 6 , 0 2 , 0 exp m
c
3
c
2 , 2 I
to
4
to
3
to
1
s 1
2
(3)
Lestimation des prestations espres futures ncessite la connaissance de leur temps rel
et oprationnel. Hors, seul le temps oprationnel de la prestation m
t,
est connu partir de
lquation (1). Lestimation du facteur de surinflation f(t) requiert donc que lon puisse
associer une valeur de temps rel chaque rglement futur partir de son temps oprationnel.
A cet effet, lestimation du lien entre t et peut tre effectue partir dune courbe
continue. Comme en tmoigne la figure 12, cette relation est souvent modlisable partir
dune fonction de rpartition exponentielle
71
.

70
Le Best Estimate est calcul hors frais de gestion des sinistres.
71
Dans les premires annes, on peut observer un point dinflexion de la courbe correspondant une acclration des rglements. Dans ce
cas, lutilisation dune fonction de type Gamma peut tre plus approprie.
La figure 44 prsente une courbe typique.
Figure 44 Liaison type entre temps rel et oprationnel

A ce sujet, lobservation des trajectoires de temps oprationnel observes par survenance
permet de considrer raisonnable lutilisation de la forme exponentielle.
Figure 45 Trajectoires des temps oprationnels
par anne de survenance
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
J

1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995

Wright suggre la relation suivante entre temps et temps oprationnel
72
:

|
\
|

= =
ref
ref ref
1
1
ln
c
1
) , ( H t t , (4)
o t
ref
dsigne le point de dpart de comptage du temps rel, et
ref
le temps oprationnel
qui lui est associ.
Dans le calcul des cots moyens, il existe deux points de dpart : la mesure du temps rel
partir de t = 0 permet destimer la surinflation des prestations, celle effectue partir de t
0

permet le calcul de leur croissance inflationniste depuis la date de calcul des provisions.

72
Lexpression de H(to , ) est justifie en annexe M.
Lexpression en monnaie constante des prestations futures devient
( ) ( ) [ ]

= + = m m I , 0 H exp m
1 c
3
c
2 , 2 I , t
2
. (5)
II.2 Lapplication numrique
Dans le cas o il existe un lien de type exponentiel entre t et , Wright propose une faon
aise de dterminer la meilleure estimation du paramtre c. Il sagit de remarquer que 50%
des sinistres ( = 0,5) sont rgls au temps rel mdian t
m
dfini par

( )
m
m
t c
t
2 ln
c e 1 5 , 0 = =

. (6)
La solution consiste estimer la valeur de t
m
partir de lobservation du triangle des temps
oprationnels. Comme les annes dorigine sont des annes de survenance, il sagit de
remarquer pour j > 1, que lge moyen des sinistres rgls la j
me
anne de dveloppement est
approximativement de j 1 annes.
Les temps oprationnels moyens en fin de 3
e
et 4
e
anne de dveloppement sont de 37,5%
et 56,08%. On estime par interpolation linaire la valeur mdiane t
m
pour laquelle = 0,5 :

2
375 , 0 5 , 0
3
5 , 0 5608 , 0
m m
t t
, soit t
m
2,65 annes.
A partir de lquation (6), on en dduit la valeur de c = ln(2)/2,65 = 0,262.
On rappelle que le recours au temps oprationnel a t motiv par linstabilit des cadences
de rglements. Dans ce contexte, lutilisation dun unique coefficient c pour lensemble des
survenances peut donc apparatre inadquate. De ce fait, nous privilgions une solution simple
consistant estimer un temps mdian t
m
par anne de survenance selon la mthode qui vient
dtre prsente. Les coefficients estims sont prsents au tableau 17.
Tableau 17 Estimation par survenance du lien exponentiel entre temps rel et oprationnel

I 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
t
m
2,69 3,20 3,33 2,74 2,50 2,46 2,90 2,85 2,70 2,55 2,46 2,54 2,46 2,18 2,18 2,18 2,18
c
i
0,25 0,21 0,20 0,25 0,27 0,28 0,23 0,24 0,25 0,27 0,28 0,27 0,28 0,31 0,31 0,31 0,31
La baisse de t
m
dans le temps tmoigne de lacclration des rglements sur les trois
premires annes de dveloppement. Ce phnomne est directement observable depuis le
triangle des temps oprationnels. Faute dobservations sur les deux dernires survenances
pour pouvoir estimer t
m
, nous leur attribuons la courbe dcoulement des rglements de la
survenance 1993 (i = 14). Lestimation des coulements de sinistres par survenance est
prsente en annexe M.
Lestimation de la somme des prestations restant payer est effectue selon les deux
approches : en tenant compte dun coefficient unique c et partir dun coefficient c
i
par
survenance. Les rsultats sont prsents au tableau 18.
On en rappelle la mthode de calcul. Une fois le paramtre c calibr par survenance partir
de lquation (6) et les temps oprationnels des prestations futures estims partir de
lquation (1), on estime les temps rels qui leur sont associs en fonction de lquation (4).
Ensuite, la connaissance des temps rels et oprationnels des sinistres futurs permet destimer
le montant des prestations partir de lquation (5).
On note que lapplication dune seule loi dcoulement (colonne 2) conduit des rsultats
assez diffrents de ceux issus de lutilisation dune cadence par survenance (colonne 3).
Tableau 18 Estimation des prestations restant payer
en dollar 1995
i Nombres de sinistres en cours Somme des prestations futures
Dclars IBNR Total
Chain Ladder
(1)
GLM c = 0,262
(2)
GLM - ci
(3)
1 0 0 0 0 0 0
2 0 0 0 0 0 0
3 12 0 12 0 1 307 011
1 359 150
4 1 0 1 263 530 100 982
101 318
5 5 0 5 537 194 530 469
526 503
6 11 0 11 1 025 765 1 192 932
1 180 404
7 13 0 13 1 266 194 1 420 650
1 441 796
8 22 0 22 2 384 886 2 466 009
2 495 436
9 40 1 41 3 630 645 4 908 134
4 923 057
10 62 1 63 4 939 162 8 041 863
8 002 984
11 81 3 84 8 607 300 11 446 354
11 337 042
12 91 8 99 14 281 792 14 181 623
14 105 465
13 138 15 153 20 008 266 22 222 160
22 007 342
14 208 26 234 33 439 775 31 973 307
31 110 884
15 332 36 368 36 280 466 42 062 078
40 728 564
16 430 66 496 40 514 274 45 976 992
44 298 879
17 575 243 818 49 070 926 58 158 445
55 901 796
2 021 399 2 420 216 250 173 245 989 010 239 520 620
Par ailleurs, rappelons-nous avoir observ en dbut de partie II que le calcul par Chain
Ladder conduisait des rsultats trs diffrents selon la profondeur de lhistorique pris en
compte. Les rsultats obtenus ici conduisent une augmentation de 11% de la charge estime
par Chain Ladder en intgrant lensemble des survenances dans le calcul (colonne 1).
La comparaison des deux rsultats nest pas aise. La seule remarque vidente traite des
facteurs de queue. Par dfinition, la mthode Chain Ladder suppose que le risque des trois
premires survenances est totalement coul. A linverse, la mthode suivie modlise
implicitement les facteurs de queue. A cet gard, on estime au titre de la survenance 1981
(i=3) une charge de 1,3 millions de dollars relative 12 sinistres dclars et dont les
rglements interviennent jusqu la 28
me
III. Linflation future
III.1 Le modle dinflation
Estimer la valeur relle des prestations futures requiert de se doter dun modle dinflation.
De nombreux modles ont t proposs dans la littrature pour dcrire linflation. Dans le
cadre des travaux actuariels, on peut citer les travaux de Kaufmann (2001), de Wilkie (1995)
ou encore dAhlgrim et al (2001) dont nous nous inspirons. Dans leur article, les auteurs
supposent que le taux dinflation i
t
suit un processus dOrnstein-Uhlenbeck bas sur
lquation diffrentielle stochastique
( )
t t t
dW dt i di + = . (7)
La dynamique dcrite par lquation (7) est caractristique des modles dits de retour
vers la moyenne . Ce phnomne est modlis par la partie dterministe ou drift de
lquation. Par exemple, si le niveau courant i
t
de linflation est infrieur sa moyenne de
long terme , le drift devient positif. Ce mcanisme assure la convergence terme de i
t
vers
, convergence dont la vitesse dpend du coefficient > 0. Le deuxime terme de lquation
reprsente lincertitude li au processus. La variation du processus de Wiener W
t
est
distribue selon une loi normale standard, tandis que le coefficient de diffusion dtermine
lamplitude de la volatilit du processus.
Lestimation conomtrique de ce type dquation est le plus souvent rendue difficile si
comme dans la majorit des cas, on ne dispose que dobservations discrtes. Ainsi, la mise en
uvre de ce processus ncessite dans la pratique sa discrtisation. Il sagit donc destimer les
paramtres du modle partir du processus discrtis et non partir du modle continu. Pour
discrtiser lquation (7), on peut utiliser :
Le schma dEuler
73

( )
( ) t i t t i
t t i i i i
t t t
t t t t t
+ + =
+ = =
+
+

1
, (8)
o est une variable de loi normale centre rduite et t le pas de discrtisation.
Cette approximation est dautant plus fine que le pas de discrtisation est petit. Lquation
(8) dfinit le taux dinflation comme une moyenne pondre du taux de la priode prcdente
et du taux moyen de long terme.
La solution exacte
Gouriroux et al. (1993) montrent quil existe une solution explicite
74
lquation (7), on a
( )
+ + =

+
2
e 1
e 1 e i i
t 2
t t
t t t
(9)

73
Pour une prsentation du schma dEuler, se reporter par exemple au chapitre 5 de Planchet et al. (2005).
74
Le cheminement la solution exacte est rappel en annexe O.
Selon les deux mthodes, on est donc conduit considrer une relation linaire
autorgressive du type
+ + =
+
b i a i
t t t
. (10)
Dans le cas de la solution exacte, la relation entre lquation (10) et les paramtres de
lquation (9) est donne par
( )
= = =

2
e 1
, e 1 b , e a
t 2
t t
.
Lestimation des paramtres a, b et
peut seffectuer en recourant soit la mthode des

MCO, soit celle du maximum de vraisemblance. Les deux mthodes aboutissent aux mmes
rsultats. Dans le cas de la rgression laquelle nous avons recours, on est conduit
considrer une quation du type
+ + = b X a Y , (11)
o Y est le vecteur des taux dinflation et X celui des taux dcals dun pas.
Les MCO donne des estimateurs sans biais de a, b et
dont on rappelle lexpression :

( )( )
( )
|
\
|
+ =
\
|

= =

=

=

=
=
b x a y o
,
2 n
, x b y a ,
x x
x x y y
b
t t
t
2
m
1 t
t
2
m
1 t
2
t
m
1 t
t t

A partir des estimations des coefficients de lquation (11), on dduit celles des paramtres
du modle continu :

|
|
\
|

2
1 t
ln
2 ,
a 1
b
,
t
a ln
.
Etant donn le taux dinflation actuel i
t
et les paramtres estims du processus, il est alors
possible de projeter linflation future et de dduire la trajectoire moyenne des taux dinflation
utiliser dans le calcul du Best Estimate.
En effet, tant donn i
0
le taux dinflation observ en t
0
, on peut montrer par le
dveloppement dIt-Taylor que lquation (7) dfinit chaque variable i
t
comme gaussienne,
desprance et de variance

( ) ( )
( ) ( )
=
+ =

t
t
t t
t
e i V
e e i i E
2
2
0
1
2
1
.
En rsum, le choix de ce modle dinflation est avant tout motiv par sa facilit de mise
en uvre. Rappelons pour finir que lutilisation dun processus Ornstein-Uhlenbeck influe sur
la trajectoire des taux dinflation au moins deux niveaux :
En ce qui concerne la trajectoire moyenne utilise dans le calcul du Best Estimate :
On rappelle que le modle de Vasicek stabilise la queue de la courbe des taux dinflation,
comme lensemble des modles de retour vers la moyenne. Cette caractristique napparat a
priori pas justifiable conomiquement. Pour plus de ralisme, il sagirait dutiliser un modle
plus ambitieux incorporant les contraintes macro-conomiques pesant sur linflation
(chmage, lien entre taux dintrt et taux dinflation).
Quant aux trajectoires de taux simules :
On rappelle que le processus dOrnstein-Uhlenbeck nexclut pas les valeurs ngatives ou
nulles. Cette caractristique prend effet dans le calcul du risque de provision, au moment
destimer limpact dun choc dinflation sur la courbe des taux un an. Mais si la production
de valeurs ngatives peut tre considre comme problmatique dans un contexte de
simulation de taux dintrt, elle est en revanche ncessaire dans le cas de linflation. En
tmoignent les trajectoires des taux dinflation prsentes dans la section suivante.
III.2 Le calibrage des paramtres
En nous plaant en Septembre 2009, nous nous affranchissons de toute cohrence de temps
avec les donnes utilises
75
pour projeter linflation future. En ce sens, nous considrons
comme virtuel le portefeuille utilis dans la construction du modle de provisionnement.
Tout comme Ahlgrim et al., nous estimons les paramtres et partir des indices des
prix la consommation produits par le Bureau des Statistiques du Travail amricain
76
. Selon
les auteurs, lerreur de mesure courante sur ces indices mensuels peut biaiser lestimation des
paramtres. Afin de limiter ce phnomne, ils prconisent doprer une rgression annuelle
sur les indices.
On est conduit considrer le rapport

1
ln
=
t
t
t
CPI
CPI
i
o CPI
t
est lindice des prix la consommation en t et CPI
t-1
celui comptabilis lanne
passe sur le mme mois.
Les taux annuels dinflation calculs partir des indices des prix de septembre 1913
septembre 2009 sont prsents la figure 46. On y observe clairement une rupture partir de
1983, tant en tendance quen volatilit.

75
Nous rappelons que les donnes utilises sont exprimes en dollars amricains de 1995, anne de la dernire survenance observe.
76
La srie dsaisonnalise Consumer Price Index All Urban Consumers (ref. CUSR0000SA0) et le descriptif de sa construction sont
disponibles sur www.bls.gov.
Figure 46 Taux annuels dinflation
-15%
-10%
-5%
0%
5%
10%
15%
20%
1
9
1
4
1
9
3
3
1
9
5
2
1
9
7
1
1
9
9
0
2
0
0
9

Le tableau 19 prsente sur diffrentes priodes la variance empirique
i
des taux annuels
dinflation et les estimations des coefficients du modle continu selon le schma dEuler et
par la solution exacte. On remarque que lestimation du paramtre conduit des rsultats
trs diffrents selon la mthode retenue. On note en particulier que lestimation par la solution
exacte est davantage sensible aux changements dans lchantillon dajustement
77
.
Tableau 19 Estimations des paramtres du modle dinflation

i

Echantillon
dajustement
Euler Exact Euler Exact Exact

1914-2009 (1) 0,40 0,52 3,16% 3,16% 0,21% 4,92%
1947-2009 (2) 0,38 0,48 3,27% 3,27% 0,07% 3,03%
1983-2009 (3) 1,03 -
78
2,94% - - 1,36%
1983-1995 (4) 0,80 1,63 3,49% 3,49% 0,01% 1,09%
1983-2008 (5) 0,75 1,37 3,13% 3,13% 0,01% 1,09%
La comparaison des rsultats issus des rgressions (2) et (3) rappelle la rupture de 1983,
caractrise par une augmentation de la force de rappel et une diminution de la variance
empirique des taux annuels. La valeur de ces deux paramtres apparat stable sur la priode
1983 - 2008, comme en tmoignent les rsultats des rgressions (4) et (5).
Nous dcidons de calibrer les paramtres du modle dinflation partir des rsultats de la
rgression (5) : nous fixons le paramtre de rappel 1,4 et la moyenne long terme 3%.
En ce sens, nous stipulons le maintien des caractristiques du processus observ depuis 1983
sur les 23 annes
79
de projection ncessaire lcoulement total du risque tudi. Notons que
ce choix revient galement considrer le taux ngatif de 2009 comme atypique, ds lors
quil nest pas incorpor dans lchantillon dajustement.

77
Dans le cas du schma dEuler, on a
t
a 1
1

= contre
t
) a ln(
2

= pour la solution exacte. Comme
a < 1, on a
1 2
a a

>
.
78
Comme 0 a <
, le calcul de
est impossible.
79
Se reporter au tableau 19.
Dautre part, on observe dans le cas de la solution exacte que lestimation simultane des
paramtres , et conduit des taux dinflation quasi dterministes de par la petitesse de .
Labsence de ralisme de ce rsultat nous conduit fixer arbitrairement la valeur de , par
rfrence lcart type empirique . La valeur de 4% retenue pour ce paramtre est justifie
dans la section suivante.
III.3 La validation du modle par back testing
Au-del de la prcision de la mthode destimation des paramtres et de lactualit de
lchantillon dajustement, le test majeur de validit du modle est celui de la cohrence des
rsultats. Cette section analyse les caractristiques des trajectoires de taux simules et les
compare avec les valeurs historiques. Lobjectif ne consiste videmment pas vrifier la
rplication du pass par le modle mais plutt sassurer de la plausibilit de ses rsultats.
Afin de tester cette plausibilit, on simule 1000 trajectoires de taux mensuels annualiss
80

sur 20 annes partir du schma dEuler pour les paramtres retenus la section prcdente :

12
1
0
t % 4 % 3 4 , 1 % 8 , 0 i = = = = = .
La valeur dinitialisation i
0
correspond au taux mensuel observ en septembre 2009. La
valeur du paramtre de diffusion est fixe 4%. Elle correspond la valeur de lcart type
des taux mensuels annualiss observs sur la priode courant de fvrier 1983 septembre
2009. Nous montrons plus en avant que le niveau de 4% retenu aboutit une distribution des
taux simuls cohrente avec les observations effectues depuis 1983. Les caractristiques
majeures des trajectoires de taux sont prsentes la figure 47 et au tableau 19.
La figure 47 prsente sur les 20 annes de projection les trajectoires moyennes (empirique
et selon le modle continu) et les quantiles 0,5% et 99,5% des taux simuls. On observe par
exemple que le niveau retenu des paramtres et entrane la stabilisation du taux moyen
dinflation autour de son niveau de long terme au bout de trois annes.
Figure 47 Taux dinflation mensuels sur 20 annes
-12%
-6%
0%
6%
12%
0 40 80 120 160 200 240
mois
esprance
moyenne empirique
quantile 1,00%
quantile 99,00%

80
Si im dsigne le taux dinflation mensuel dtermin par le rapport des indices de prix de deux mois successifs, le taux dinflation mensuel
annualis associ est gal la quantit (1+im)
12
- 1.
Les taux i
t,H
reportes au tableau 20 sont calcules partir des taux simuls. On dsigne
par i
t,H
le taux moyen gomtrique calcul en dbut de mois t sur un horizon de H mois :
( ) 1 1
12
1
1 ,
12
1
|
|
\
|
+ =

=
+
H H
j
j t H t
i i
Les valeurs moyennes des variables i
t,H
sont reportes pour les 1
er
, 13
me
et 121
me
mois de
projection et leurs quantiles 0,5% et 99,5% sont indiqus pour le 121
me
mois. Par
exemple, le tableau 19 montre que le taux mensuel moyen initialis 0,8% passe 2,5% ds
le 13
me
mois de simulation. De mme on observe que les quantiles 0,5% et 99,5% des
taux mensuels simuls sur le 121
me
mois sont respectivement de -5,8% et 9%.
Tableau 20 Rsultats des 1000 simulations de taux
Moyenne Quantiles
t = 1 t = 13 t = 121 t = 121
Taux
dinflation
0,5% 99,5%
i
t,1
1,0% 2,5% 3,0% -5,8% 9,0%
i
t,12
1,9% 2,7% 3,0% -2,6% 8,1%
i
t,120
2,8% 2,8% 2,9% 0,1% 5,0%
La figure 48 permet dapprhender le ralisme de ces premiers rsultats. Elle prsente les
taux mensuels annualiss dinflation
81
enregistrs depuis mars 1983. Comme lenseigne son
observation, il est plausible de simuler des valeurs ngatives de taux dinflation, ds lors quil
existe des observations ngatives. De mme, des valeurs excdant 9% sont observes.
Figure 48 Taux mensuels annualiss dinflation
mars 1983 septembre 2009
-21%
-15%
-9%
-3%
3%
9%
15%
21%
0
3
/
1
9
8
3
1
0
/
1
9
8
9
0
6
/
1
9
9
6
0
2
/
2
0
0
3
0
9
/
2
0
0
9

81
Soient les taux ( ) 1
12
1
m
m
CP
CP
, o CPm dsigne lindice des prix du mois m.
La figure 49 fournit une indication plus prcise sur la plausibilit des simulations. Elle
juxtapose lhistogramme des taux mensuels annualiss observs de fvrier 1983 septembre
2009 et celui des valeurs projetes sur les 20 annes de simulation. Il apparat clairement que
la distribution des taux historiques est plus heurte que celle des taux simuls.
Figure 49 Taux dinflation mensuels annualiss historiques et simulations
0%
4%
8%
12%
16%
-
2
1
%
-
1
7
%
-
1
3
%
-
9
%
-
5
%
-
1
%
3
%
7
%
1
1
%
1
5
%
Taux d'inflation mensuels
Modle
Historique

Ce phnomne provient tout dabord du fait que lhistogramme rsume seulement 294
valeurs historiques contre 1000240 dans le cas des simulations. Ensuite, les valeurs simules
sont produites par un modle mathmatique tandis que les valeurs historiques rsultent de
linteraction dune multitude de variables.
La question principale est de savoir si le modle retranscrit de faon raliste la distribution
de probabilit des taux. A ce sujet, on remarque que la distribution historique prsente des
queues plus paisses que celle des taux gaussiens simules. On parle de taux historiques
leptokurtiques. En revanche, le cur de la distribution des simulations apparat en phase avec
celui des valeurs historiques.
Lobservation du tableau 19 permet galement de considrer les projections de taux
comme raisonnables, sur un horizon court comme de long terme :
Sur un horizon annuel, le modle prvoit une inflation moyenne de 1,9% pour la 1
re
anne
de simulation. Le taux moyen passe 3% pour la 13
me
anne de simulation, en accord avec
les paramtres du modle. Dans 0,5% des cas, les taux annuels simuls sur la 11
me
anne sont
infrieurs -2,6%. A ce sujet, lobservation de la figure 46 nous montre que
lexprimentation dune dflation sur une anne entire reste un phnomne rare pour les
annes postrieures 1983. Cependant, cet vnement reste envisageable, comme dans le cas
de lanne 2009. Il apparat donc naturel dattribuer une probabilit non nulle sa survenance.
Quant la prvision des taux de long terme, on sattend une moindre incertitude du fait
du mcanisme de retour la moyenne. Ce postulat est confirm par les simulations. Le
modle prvoit un taux moyen annuel de 2,8% pour les 10 premires annes de projection, et
de 2,9% pour la seconde dcennie, niveau proche du taux de long terme. On remarque
galement par la moindre amplitude des quantiles des taux simuls sur la seconde dcennie
que le taux moyen gomtrique est moins variable sur les horizons longs.
III.4 La modlisation de linflation dans les prestations futures
On estime lvolution de linflation partir des taux simuls. A partir de t
0
, la date de
calcul de la provision, on dcoupe le temps rel en intervalles mensuels.
Autrement dit, on dfinit le m
e
intervalle par lensemble des valeurs de temps rel
{ }
12 0 12
1
0
,
m m
t t t t t + + >

. Sur le m
e
intervalle, on suppose que la variation dCP
t
de lindice
des prix CP
t
se fait au taux espr

|
\
|
+ =

12
m
12
m
e 1 e i i
0 m
, pour m 1.
o
et
sont les estimations des paramtres du modle calcules prcdemment.

Autrement dit, on a pour t
(
(
(
(
+
+
12
m
t ,
12
1 m
t
0 0
:
. dt i CP dCP
m t t
=
On rappelle que cette quation diffrentielle sintgre immdiatement :
( ) ( )
12
i
t t
m
t t
t t
t t
m
t t
t t
t
t
m
12
1 m
0
12
m
0
12
1 m
0
12
m
0
12
m
0
12
1 m
0
12
m
0
12
1 m
0
e CP CP
12
i
CP ln CP ln
dt i
CP
dCP
=
=
=

+ +
+ +
+ =
+ =
+ =
+ =

On dsigne par d = 12(t t
0
) le nombre de mois couls depuis t
0
et par [.] loprateur
partie entire. En posant 1
0
=
t
CP , on obtient par rcurrence lindice dinflation en base t
0
:
( )
(
(
(
|
|
|
\
|
|
\
|
(
+ = = +
(

1
1 1
,
12
1
exp
0 0
d
d
j
j
d
H t t i d d i I CP CP , (12)
Lintgration de lindice dinflation dans (5) dfinit le cot rel dun sinistre futur :
( ) ( )
1 c
3
c
2 , 2 I
, H m I , 0 H exp CP m
2
0

\
|
+ =

(13)
IV. Lvaluation du Best Estimate des PSAP
On dfinit le Best Estimate des provisions pour sinistres par la somme actualise la
courbe des taux sans risque des prestations futures dfinies par lquation (13).
En ce qui concerne lactualisation des flux, il sagit de tenir compte dun taux sans
risque de march pertinent
82
pour des instruments de mme dure. Nous choisissons la
courbe des taux zro coupon publie par la commission Indices et rfrences du march
de lInstitut des Actuaires au 30 Septembre 2009. On remarque que le profil ascendant de la
courbe prsente la figure 50 correspond au cas le plus courant danticipations haussires
des taux spots
83
.
Figure 50 Courbe des taux zro coupon au 30 septembre 2009
0,00%
2,25%
4,50%
1 32 63 94 125 156 187 218 249 280
Dure en mois

Par ailleurs, si les marchs ne reclent pas linformation complte, elle doit tre extrapole
partir des taux observs. A ce sujet, les principes MCEV
84
en voie de convergence avec le
rfrentiel Solvabilit II autorisent les travaux dinterpolation lorsque, comme cest notre cas,
des maturits sont manquantes. Dans lactualisation des flux, nous utilisons en ce sens les
taux zro coupon interpols linairement.
En ce qui concerne les flux constitutifs du Best Estimate, on rappelle que le cot dun
sinistre pour un temps oprationnel donn est suppos voluer dans le temps selon leffet
conjugu de linflation et de la surinflation. Lindice annuel moyen de surinflation a t
estim dans la partie II : il est constant et gal 3,64%. Insistons une fois encore sur la
difficult dextrapoler la surinflation des cots compte tenu des nombreux facteurs juridico
socio conomiques qui en sont lorigine. Dans ce contexte, la reproduction dans le futur de
la surinflation passe constitue un choix de modlisation parmi dautres.

82
Article 76 de la Directive Europenne (Parlement Europen, 2009).
83
On rappelle quon peut crire le taux long rp(0) ( p priodes) comme la moyenne gomtrique du taux court r1(0) ( une priode) et des
taux forward fi,1 court terme, avec (1+rp(0))
p
= (1+r1(0))(1+f1,1(0))(1+fp-1,1(0)), o le taux fi,1(0) implicite dans la gamme reprsente
lquilibre la valeur anticipe aujourdhui du taux une priode r1(p) qui prvaudra dans p priodes, majore dune prime de liquidit.
84
Se reporter au principe 14 Risk Free Rates du CFO Forum (2009), MCEV Principles and Guidance .
En ce qui concerne lindice dinflation en base t
0
, on estime sa progression moyenne
partir de lquation (12), dfinissant la meilleure estimation de linflation future. Compte tenu
des estimations des paramtres et , on obtient la figure 51.
Figure 51 Reprsentation de lindice moyen de lvolution des prix
85

1,00
1,11
1,22
1,33
1,44
1,55
1,66
1,77
1,88
1,99
2,10
1 42 83 124 165 206 247 288
mois

Lobservation de gauche droite de la figure 52 permet de mesurer limpact des effets de
taux sur lestimation de la meilleure estimation des PSAP :
0
50
100
150
200
250
300
Millions $
Cots constants surinflation inflation Actualisation Best Estimate
Figure 52 - Elments constitutifs du Best Estimate

Le premier bloc cots constants reprsente lestimation de la somme des prestations
futures sans prise en compte du phnomne de surinflation. Le Best Estimate des PSAP est
constitu de la somme du premier bloc et des blocs en jaune reprsentatifs des effets de taux.
Les rsultats sont repris par survenance au tableau 21.

85
dont le taux volue selon le modle de Vasicek ajust par discrtisation exacte.
La colonne (1) du tableau 21 correspond au premier bloc cots constants de la figure
52. On remarque que la prise en compte du phnomne de surinflation augmente de 16% la
somme des prestations futures. Lintgration de linflation conduit une hausse globale de
13% des prestations surinflates. Cet effet est compense par celui de lactualisation des flux.
Tableau 21 Estimation du Best Estimate

Cots constants Effets inflationnistes Best Estimate
Surinflation Inflation Actualisation
i (1) (2) (3) (4)
1 0 0 0 0
2 0 0 0 0
3 1 135 357 1 359 150 1 588 721 1 328 522
4 91 700 101 318 108 415 103 319
5 463 543 526 503 582 161 526 305
6 1 036 494 1 180 404 1 311 354 1 176 215
7 1 233 804 1 441 796 1 644 261 1 422 876
8 2 140 711 2 495 436 2 843 281 2 463 043
9 4 274 419 4 923 057 5 549 461 4 876 338
10 7 031 223 8 002 984 8 920 753 7 954 372
11 10 050 287 11 337 042 12 530 107 11 294 968
12 12 478 001 14 105 465 15 625 621 14 045 563
13 19 446 332 22 007 342 24 369 346 21 949 841
14 27 611 500 31 110 884 34 223 881 31 143 842
15 35 358 147 40 728 564 45 630 397 40 653 351
16 37 477 628 44 298 879 50 690 620 44 030 834
17 46 282 277 55 901 796 65 332 964 55 022 806
206 111 422 239 520 620 270 951 344 237 992 195
De faon gnrale, la mthode retenue allonge sensiblement lhorizon de projection des
prestations par rapport la mthode Chain Ladder. Pour apprhender limpact des effets de
taux sur le niveau des prestations, il est intressant dobserver les caractristiques des derniers
sinistres. Au tableau 22 sont prsents les estimations des dlais de rglement, des facteurs
dinflation, de surinflation et des prestations des trois derniers sinistres rgls.
Tableau 22 Inflation dans les prestations verses au titre des trois derniers rglements
Dlai Prestation Facteur de surinflation Facteur dinflation Facteur de croissance
en annes en dollar 1995
( )
c
3
, 0 H
e

) ,
0
( t H
CP
e

(1) (2) (1)(2)
18,21 180 026 1,94 1,70 3,30
19,81 189 735 2,06 1,79 3,67
23,27 213 882 2,33 1,98 4,62
On remarque que le modle estime quen vingt trois ans (depuis t
0
), le cot du dernier
sinistre rgl aura plus que doubl ( 2,33) du fait de la surinflation, et plus que quadrupl (
4,62) de par leffet conjugu de linflation et de la surinflation.
Calcul du risque de provisionnement 103
CHAPITRE II. LE CALCUL DU RISQUE DE PROVISIONNEMENT
I. Lexpos du problme
La problmatique du risque dinsuffisance des provisions couvrir les prestations futures
jusqu lcoulement total des sinistres fait lobjet dune littrature abondante
86
. Pour mesurer
ce risque dit ultime, nous nous plaons aujourdhui en t
0
dans le cadre du modle de
provisionnement spcifi en seconde partie (quation 20).
Si R
(0)
dsigne la provision estime aujourdhui et X
i
, la prestation paye au titre du
sinistre de temps oprationnel et de survenance i, la mesure du risque ultime passe par
lestimation de la distribution de probabilit de la variable

( )

=
I
1 i
i
, i
1 , i
i
0
X R .
Une fois la distribution estime, il est par exemple possible partir dun de ses quantiles de
dterminer un niveau de marge de prudence. On conoit donc que lanalyse du risque ultime
soit une problmatique centrale dans ltude de la solvabilit long terme de lassureur.
Toutefois, cette problmatique ne correspond pas celle rglementaire de calcul du capital
requis, qui sappuie sur une mesure de perte (approche VaR) horizon dun an. Pour couvrir
le risque de provisionnement, le rfrentiel prudentiel dfinit ainsi la charge de capital
immobiliser par le quantile 99,5% de la perte un an du portefeuille en continuit dactivit.
Si I dsigne le montant des intrts distribus durant lanne venir,
i t i i
N
+
=
2 ,
0
le
nombre de rglements effectus durant cette priode au titre de la survenance i et R
(1)
la
provision estime dans un an, il sagit destimer la distribution du rsultat de liquidation :

( ) ( )
|
|
\
|
+ +

=
=

1
I
1 i
i
, i
1 , i
i
0
R X I R .
Pour calculer la charge en capital au titre du risque de provisionnement et la combiner avec
celles dautres risques de sorte valuer le capital global de solvabilit, il est donc ncessaire
destimer la distribution du rsultat de liquidation des sinistres en cours. Dans certains cas,
des rponses analytiques existent. Notons en particulier lapproche de M. Wtrich et M. Merz
(2007) qui, en extension du modle stochastique Chain Ladder de Mack (1993), fournit une
solution analytique de lerreur quadratique moyenne de prdiction du rsultat de liquidation.
Mais dans la plupart des cas tel celui de notre modle, o il nexiste pas dexpression
analytique de la distribution, les mthodes simulatoires constituent lunique solution. A ce
sujet, Bjrkwall et al. (2008) dcrivent la mthode de calcul de la distribution du rsultat un
an dans un cadre Bootstrap. Dans le calcul du risque de provisionnement, nous privilgions ce
type dapproche en ladaptant notre modle de provisionnement.

86
Se reporter par exemple Mack (1993) ou England et Verrall (1999).
II. Le calcul du risque lultime
II.1 La mthode du Bootstrap
II.1.1 Notations
Avant daborder la procdure de calcul, nous introduisons une notation adapte sa
prsentation. Comme il la t prcis en dbut de partie, lhypothse fondamentale du calcul
de provisionnement dans le cadre de notre modle repose sur lassimilation en esprance des
cots moyens et des prestations individuelles. Ce postulat revient dans la pratique assimiler
les observations de cots moyens S
i
des prestations individuelles X
i
. De ce fait, la notation
utilise dans cette section ne distingue pas les deux notions.
Nous considrons les donnes sous la forme du triangle de liquidation constitu des
observations { x
i
; i, }, o dsigne le triangle suprieur. Lobjectif consiste estimer
la distribution des prestations futures {X
i
; i, }, o = { i = 1, , I ; =
i1
, ,
i
i
}.
Nous rappelons que notre modle donne une estimation
i
m de m
i
= E(X
i
) pour chaque X
i

des ensembles et . Ces estimations sont calcules en maximisant la vraisemblance de
lchantillon gamma X = { X
i
, i, }.
II.1.2 La slection des rsidus
Dans le cadre statistique, la mthode du Bootstrap dsigne une technique consistant
obtenir des informations sur une loi partir dun chantillon de celle-ci. La technique est
base sur le rchantillonage des donnes de lchantillon selon un tirage alatoire avec
remise. Son utilisation repose sur lindpendance et lquidistribution des variables sur
lesquelles on effectue le rchantillonage.
Dans notre modle, on considre les observations du triangle suprieur comme les
ralisations de variables alatoires X
i
. Il est donc naturel de penser rchantillonner ces
observations. Cependant, si les X
i
sont supposes indpendants, ils ne sont pas identiquement
distribus, ds lors quon les munit des lois gamma ( )

i
m
1 1
, G .
Comme les X
i
ne sont pas i.i.d, on procde au rchantillonage des rsidus destimation.
Dans le cadre du Bootstrap, nous privilgions les rsidus de Pearson dont nous rappelons la
dfinition dans le cadre gamma du modle de provisionnement
87
:

( )
( )

=
i
i
i
i
i i
) p (
i
m
m X
X V
X E X
e , pour i, .
Deux raisons motivent ce choix. Tout dabord, on montre en annexe P que ces rsidus sont
quidistribus si comme nous le supposons les X
i
sont de loi gamma. Ensuite, le calcul des
rsidus de Pearson est relativement peu consommateurs en temps de calcul.

87
Lexpression de la variance, de lesprance et des paramtres de la loi gamma sont justifis en annexe P.
En suivant les prconisations dEngland et Verrall (1999), nous procdons galement un
ajustement global de ces rsidus. Cet ajustement doit permettre de corriger le biais dans la
comparaison des estimations analytiques et Bootstrap de lerreur de prdiction :

) ( ) ( p
i
pa
i
e p n n e

= , pour i, ,
O n et p dsignent le nombre dobservations et p le nombre de ses variables explicatives.
Comme les rsidus de Pearson sont en moyenne proches de zro, cette opration a pour
consquence daugmenter la variance des rsidus, en affectant peu leur moyenne.
II.1.3 Limplmentation du Bootstrap
La procdure de calcul utilise le triangle des rsidus ajusts de Pearson comme les donnes
dun chantillon. On en dduit la distribution prdictive des prestations futures et par
extension celle du Best Estimate des PSAP.
La volatilit des estimations de prestations futures ne dpend jusquen 2.1.2 que de celle
des rsidus. Autrement dit, elle ne reflte que lincertitude lie la procdure destimation. Il
sagit alors de prendre en compte le risque destimation.
En complment, on modlise partir de 2.1.3 lincertitude lie la variabilit intrinsque
des X
i
. Cette sous tape permet de prendre en compte le risque de process. Selon la
modlisation retenue, la variabilit des prestations futures dpend de trois facteurs
dincertitude : linflation, la date de rglement et le niveau hors inflation de prestation. Ces
trois lments sont supposs indpendants et simuls sparment les uns des autres.
1. Prliminaires
Estimation des x
i
partir du modle de provisionnement et calcul des rsidus
associs
) pa (
i
e
, dont on dduit lestimation du coefficient de dispersion :

( ) ( )
2
pa
i
2
p
i
e
n
1
e
p n
1

= .
2. Procdure itrative
Pour chaque itration b = 1,, B, le processus se poursuit ainsi :
2.1 Calcul des esprances des prestations futures
o 2.1.1 : Gnration dun triangle de pseudo-donnes
Cration dun chantillon de rsidus not
b
i
e
par tirage alatoire avec remise

parmi les
pa
i
e
.
Dtermination de lchantillon associ des cots moyens
b
i
x
par

+ = i
b
i
i
b
i
m e m x , pour i, .
o 2.1.2 : Estimation des paramtres de rgression
A partir des
b
i
x
, on dtermine les estimateurs du maximum de vraisemblance des

paramtres de rgression
du modle, utiliss en 2.1.4 pour calculer lesprance des

prestations futures.
o 2.1.3 : Simulation des dates de rglement
Par le tirage alatoire de variables uniformes U[0;1], on simule les dates de rglement
( ) u 1 ln
c
1
t t
i
0
b
ij
=
, pour i = 1,, I, j = 1,,

i

auxquelles on associe par ordre chronologique les temps oprationnels
i
i i
, ,
1
L .
o 2.1.4 : Estimation des prestations futures hors inflation
A partir des paramtres
estims en 2.1, des

b
ij
t
et des
ij
associs, on calcule les
prestations futures (hors inflation) prvues par le modle :
( ) ( ) [ ]
b
ij ij
b b
ij
i
b
ij
i t X E m

= = , , exp
, pour i = 1,, I, j = 1,,

i
.
2.2 Simulation des prestations futures
o 2.2.1 : Simulation des prestations futures hors inflation
On simule les ralisations
b
i
x
de v.a.r
b
i
X
par un tirage alatoire selon une distribution

|
|
\
|
b
i m
1 1
, G .
o 2.2.2 : Simulation de linflation future
Par le tirage alatoire de variables gaussiennes
88
, on simule les taux dinflation partir du
modle dinflation ajust au chapitre I :

12
1
.
12
1
12
12
1
+
|
|
|
\
|
+ =

t
t
i i .
A partir de la trajectoire dinflation simule, on en dduit par lquation (12) les indices
dinflation
b
t
b
ij
CP
associs aux dates de rglement

b
ij
t
.

88
Les variables uniformes sont simules partir de lalgorithme du Tore et les gaussiennes laide de lalgorithme de Gauss-Mller.
o 2.2.3 : Calcul dune ralisation de R
On suppose que leffet de lactualisation est le mme dans les scnarios bootstrap et dans
le scnario du Best Estimate. En appliquant les indices dinflation aux prestations futures
simules, et aprs actualisation la courbe des taux, on obtient une ralisation de R :

( )
b
ij
b
ij
b
ij
t , 0 r . t
b
t
b
i
b
e CP m R

=

.
La fonction de rpartition et les quantiles empiriques associs la suite ( )
B , , 1 b
b
R
L =

sont
des estimations de la distribution prdictive et des quantiles thoriques de R.
II.2 Lapplication numrique
Le calcul du risque ultime est men en deux temps. Nous estimons les paramtres de
rgression initiaux (tape 1) et les paramtres de rgression bootstraps (tape 2.1) partir du
logiciel SAS
89
. Les calculs relevant de ltape 2.2 sont mens sous tableur Excel, aprs
rcupration des paramtres de rgression bootstraps.
La distribution des provisions est obtenue empiriquement partir de 10000 simulations.
Elle est prsente la figure 53 sous la forme dun histogramme.
Figure 53 Histogramme des provisions
0,0%
0,1%
0,2%
0,3%
0,4%
0,5%
0,6%
0,7%
0,8%
0,9%
1,0%
158,3 174,3 190,3 206,3 222,3 238,3 254,3 270,3 286,3 302,3 318,3 334,3 350,3 366,3 382,3
Bootstrap
LN(19,2811 ; 0,1305)

On remarque que la densit empirique de la loi des provisions nest pas symtrique, avec
une queue de distribution tale vers la droite. Ltude de ltalement des queues de
distribution se fait laide du coefficient de dissymtrie (en anglais, skewness).

89
La programmation sous SAS de la procdure figure en annexe Q.
Dans le cadre du Bootstrap, on utilise son estimateur naturel

( )
( ) ( )
3
B
1 b
b
1
R var R E R B 1

=

|
|
\
|
|
\
|
= ,
o ( ) ( ) R et R E

var sont issus de la distribution des R
*b
.
La valeur de lestimateur Bootstrap du skewness prsente au tableau 23 tmoigne de la
dissymtrie droite de la distribution des provisions
90
. Rappelons que ce rsultat correspond
un postulat souvent utilise en pratique, consistant supposer que la distribution des
provisions admet une queue de distribution tale droite. Dans la modlisation de la
distribution des provisions, il savre essentiel dans notre cas de tenir compte de cette
dissymtrie droite, de sorte ne pas sous-valuer le risque de perte mesur par la VaR.
Dans la pratique, la loi log-normale est ainsi souvent privilgie pour modliser la
distribution des provisions. Par exemple, cette hypothse est celle adopte dans la formule
standard du risque de provisionnement dcrite dans les spcifications techniques du QIS4. A
partir des estimateurs Bootstrap de la moyenne et de lcart type de R, on calibre les
paramtres de R LN(m,s
2
). Pour cela, on inverse les relations
( )
( )
2 2 2
2 2 5 . 0
1 ,
s m s s m
e e e
+ +
= = .
soit ( ) ( )
2
2
1 ln , 5 . 0 ln
2 2
+ = = s s m , avec = E(R) et = Var(R).

On obtient R LN(19.28 , 0.13). Que ce soit graphiquement partir de la figure 53, o
numriquement partir des quantiles et du skewness
91
du tableau 23, on note la proximit
entre la loi log-normale calibre et la distribution empirique des provisions. On remarque
aussi la forte proximit entre la moyenne empirique obtenue par Bootstrap et le Best Estimate.
Tableau 23 Rsultats Bootstrap

Bootstrap Log-normale
Moyenne 238 435 175 -
Ecart type 31 260 767 -
VaR
75%
258 096 612 258 173 116
VaR
95%
293 243 810 293 040 601
VaR
99,50%
332 531 877 330 911 134
Skewness 0,417 0,396
La charge en capital pour couvrir le risque de provisionnement correspond lexcdent de
la VaR au seuil de 99,5% par rapport la provision Best Estimate, soit
. 682 539 94 195 992 237 877 531 332 C
995 . 0
= =

90
On rappelle que si 1 = 0, la distribution est symtrique; si 1 > 0, la distribution prsente une queue tale vers la droite; sinon, la
distribution prsente une queue tale vers la gauche.
91
On rappelle que le skewness dune loi log-normal est dfini par 1 2
2 2
|
\
|
+

e e .
III. Le calcul du risque un an
III.1 La modification de la mthode du Bootstrap
III.1.1 Principes
Dans le calcul du risque un an, nous suivons les principes prsents par Bjrkwall et al
(2008). Il sagit de procder lestimation de la distribution du Best Estimate un an tout en
conditionnant les calculs linformation disponible en t
0
, soit le triangle de liquidation X
des cots moyens vu en t
0
.
Lestimation
) 0 (
R
de la provision en t
0
est considre fixe, tandis que la distribution des
prestations de lanne venir est obtenue en simulant B fois la nouvelle diagonale X
*
du
triangle de liquidation. Chaque lment de X
*
est gal au cot moyen par anne de survenance
des prestations simules sur lanne {X
i
; =
i1
, ,
i
i
}.
De cette faon, on obtient B pseudo-triangles constitus du triangle X et de la diagonale
X
*
. Pour chaque simulation, on recalcule la provision dans un an
( )
= X X R R
) 1 ( ) 1 (
.
Dans le calcul de
) 1 (
R , le risque de taux nest pas pris en compte. En dautres termes, on
suppose que leffet de linflation et de lactualisation sont les mmes dans les scnarios
bootstrap et dans le scnario du Best Estimate. En ce sens :
- Les indices dinflation sont calculs en base t
0
partir de la courbe Best
Estimate des taux dinflation calibre au chapitre prcdent.
- Dans lactualisation, on utilise les taux forward
92
dduits de la courbe des taux
zro coupon utilise dans le calcul du Best Estimate. Autrement dit, les
anticipations sous jacentes la courbe ne sont pas rvises.
Finalement, on obtient B valeurs de
X R X I R
I
i
b
i
i
i
i
+
= =

) 1 (
1
) 0 (
,
1 ,
,

,
dont on dduit la distribution du rsultat de liquidation des sinistres en cours dans un an.

92
En dsignant par r0,m le taux zro coupon en t0 dchance m mois, on rappelle que le taux forward f12,m dchance m mois dans 12 mois
est tel que ( )
( )
( )
12 , 0
r 1
12
m 12
m 12 , 0
r 1
12
m
m , 12
f 1
+
+
+
+
= + Autrement dit, placer aujourdhui sur 12+m mois doit quivaloir placer aujourdhui un an
(m=12) au taux r0,12 et rinvestir dans un an m mois au taux terme f12,m anticip aujourdhui.
III.1.2 Algorithme
Afin de calculer le risque un an, lalgorithme du Bootstrap est modifi comme suit :
1. Prliminaires
1.1 Ajustement du modle
Cette tape fournit les estimations en t
0
des paramtres du modle de provisionnement et
du coefficient de dispersion.
1.2 Calcul de la courbe des taux un an
De la courbe des taux zro coupon utiliss dans le calcul du Best Estimate, on dduit les
taux forward dans un an tels que
( )
( )
( )
12 , 0
12
m 12
m 12 , 0
12
m
m , 12
r 1
r 1
f 1
+
+
= +
+
+
,
o r
0,m
dsigne le taux zro coupon aujourdhui dchances m mois et f
12,m
le taux forward
dans un an dchance m mois.
2. Procdure itrative
Pour chaque itration b = 1,, B, le processus se poursuit ainsi :
2.1 Simulation des prestations de lanne venir
2.1.1 : Simulation des dates de rglement
Par le tirage alatoire de variables uniformes U[0;1], on associe chaque sinistre
restant rgler une date de rglement
( ) u 1 ln
c
1
t t
i
0
b
ij
=
, pour i = 1,, I, j [1,,

i
].
On en dduit les dates de rglement des sinistres rgls dans lanne :
j t t t t
b
ij
b
b
i
i
b
i
+

1 , ,
0 1
L , pour i = 1,, I.
et les temps oprationnels associs

i
b
i i b
i
i
i b
i
N
N
N
N
b
i
5 , 0
, ,
5 , 0
0 ,
,
0 ,
1 ,
+
=
+
=
L .
2.1.2 Calcul des prestations prvues hors inflation
A partir du modle GLM
93
et des couples simuls (
b
ij
,
b
ij
t
), on calcule les prestations

espres sur lanne :
( )
(
|
|
\
|
= =

b
ij
b
ij
b
i
b
i
t X E m
ij
ij
, , exp
, pour i = 1,,I, j = 1,,

b
i
.
2.1.3 Calcul des prestations relles
A partir des esprances
b
i
ij
m
calcules ltape prcdente, on simule les ralisations

b
i
ij
x
de v.a.r
b
i
ij
X
par un tirage alatoire selon une distribution

|
|
|
\
|
b
ij
i
m
G
1 1
, , pour i = 1,,I, j = 1,,
b
i
.
Selon la mthode dj utilise et partir dune trajectoire de taux simule laide du
modle ad hoc, on revalorise de linflation les prestations
b
i
ij
x
. On note
b
i
~
ij
x
les
prestations revalorises.
2.2 Gnration du pseudo triangle
2.2.1 Calcul des lments de la nouvelle diagonale X*
On calcule par survenance le cot moyen des prestations hors inflation simules en 2.1.3 :

b
i
b
i
j
j
b
ij
i
x
b
b
i
i
i
X
=
=
1
,
,
,
pour i = 1,,I,
2.2.2 Gnration du pseudo triangle
X X
On ajoute au triangle de liquidation X les lments de la nouvelle diagonale X
*
compose
des cots moyens simules en 2.2.1, en leur associant les temps oprationnels
b
i
, i

des
derniers sinistres rgls
94
.

93
Avec
b
ij
c
3
b
ij
to
4
b
ij
to
3
b
ij
to
1
s
b
ij
b
ij
t 9 , 0 6 , 0 2 , 0 t , ,

+

+ |
\
|
+ |
\
|
+ |
\
|
+ =
|
|
|
\
|
.
94
De cette faon, on respecte la structure du triangle de liquidation, constitu des cots moyens calculs partir des prestations annuelles
retraites de linflation par Taylor.
2.3 Calcul du rsultat de liquidation des sinistres en cours
2.3.1 Ajustement du modle
On met jour le modle de provisionnement de linformation de lanne : partir du
pseudo triangle
X X , on ajuste les coefficients de rgression
du modle.
2.3.2 Calcul de la provision dans un an
Aprs actualisation la courbe des taux forward, on obtient une ralisation de R
(1)
:

( )
b
ij
b
ij
b
ij
t , 0 f . t
t
b
i
b ) 1 (
e CP m R

=

,
o les indices
95
dinflation CP
t
sont calculs en base t
0
partir de la courbe des taux
dinflation Best Estimate.
2.3.3 Calcul des intrts
Un calcul rigoureux ncessiterait en 2.1.3 de capitaliser les prestations simules au taux
zro coupon de lchance du mois du rglement. Pour des raisons de temps de calcul, les
intrts I
*
sont estims par le produit de la provision moyenne et du zro coupon six mois.
2.3.4 Calcul du rsultat de liquidation des sinistres en cours
On obtient une ralisation du rsultat de liquidation des sinistres en cours :
X R x I R
b ) 1 (
I
1 i
b
~
b
) 0 (
b
i
, i
1 , i
, i
+

III.1.3 Lapplication numrique
Une itration est constitue de quatre tapes principales: la premire consiste dans le calcul
des prestations rgles durant lanne, la seconde dans celui des cots moyens constitutifs de
la nouvelle diagonale du triangle, la troisime dans le calcul de la provision un an et la
dernire dans celui du rsultat de liquidation. Les calculs sont effectus sous Excel, sauf dans
le cas du rajustement du modle au triangle vu un an qui est mis en uvre sous SAS.

Calcul des prestations de lanne
Nous simulons les prestations rgles sur lanne, brutes et nettes dinflation. Les montants
hors inflation sont utiliss dans le calcul des cots moyens constitutifs de la nouvelle
diagonale du triangle. Les montants inflats correspondent aux montants rels pays sur
lanne venir. Ils sont utiliss dans le calcul du risque de provision.

95
Se reporter au III.4 du chapitre prcdent pour un rappel sur la construction de lindice.
Calcul hors inflation
La premire tape consiste dterminer le nombre et la date de rglement des sinistres
rgls dans lanne venir, soit entre t
0
et t
0
+1. Cet exercice passe par la simulation des dates
de rglement des sinistres restant rgler. Selon la mthode dcrite ltape 2.1.1, le nombre
de sinistres rgls dans lanne correspond pour chaque survenance i aux (N
i
N
i,0
) tirages
dans la loi exponentielle de paramtre c
i
pour lesquels t t
0
1. La rpartition des nombres de
rglements simuls sur lanne est expose la figure 54.
Figure 54 - Rpartition du nombre des rglements de lanne
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
565 590 615 640 665 690 715

A chaque itration, on suppose connues les esprances des prestations de lanne. Ces
esprances sont calcules selon les dates de rglement simules, et partir du modle de
provision utilis dans le calcul du Best Estimate. La connaissance des prestations espres
permet de calibrer les lois gamma partir desquelles on simule hors inflation les prestations
de lanne (1
re
partie de ltape 2.1.3).
Calcul avec inflation
A chaque itration, on simule une trajectoire dinflation partir du modle ad hoc. A partir
de cette trajectoire, on revalorise de linflation les prestations simules dans lanne (2
me

partie de ltape 2.1.3). Leur rpartition est prsente en figure 55.
Figure 55 - Rpartition des prestations de lanne venir
en millions de dollars
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
31,2 33,2 35,2 37,2 39,2 41,2 43,2


Calcul de la nouvelle diagonale
A chacune des B itrations, on forme la matrice des cots moyens par survenance (tape
2.2.1) et des variables explicatives associes
96
. La matrice est prsente dans la partie gauche
du tableau 24 dans le cas de la 1
re
simulation. Elle correspond au 1
er
des B blocs constitutifs
de la table Diag du programme SAS prsent en annexe S. La partie droite du tableau 24
est prsente titre informatif. On y voit les prestations avec inflation et le nombre des
rglements simuls sur lanne.
Tableau 24 Cots moyens, variables explicatives, prestations relles et nombre de sinistres
rgls dans lanne, pour b = 1
n_simu i t
s
r
z

to
1 , r
z

to
3 , r
z

to
4 , r
z

c
1 , 1 , r
z
c
2 , 1 , r
z
c
1 , 2 , r
z
c
2 , 2 , r
z

c
3 , r
z

S
r

1
~
, i
x

1
i

1
3 18 0,99 1 0 0,39 0,09
0 0 0
0 18 75 626 230 706 3
1
4 18 1,00 1 0 0,40 0,10
0 0 0
0 18 0 0 0
1
5 18 1,00 1 0 0,40 0,10
0 0 0
0 18 116 700 120 381 1
1
6 18 0,99 1 0 0,39 0,09
0 0 0
0 18 100 307 309 280 3
1
7 18 0,99 1 0 0,39 0,09
0 0 0
0 18 69 230 141 370 2
1
8 18 0,99 1 0 0,39 0,09
0 0 0
0 18 113 854 925 975 8
1
9 18 0,96 1 0 0,36 0,06
0 0 0
0 18 89 035 629 624 7
1
10 18 0,95 1 0 0,35 0,05
0 0 0
0 18 144 748 2 951 845 20
1
11 18 0,92 1 0 0,32 0,02
0 0 0
0 18 131 827 2 415 614 18
1
12 18 0,91 1 0 0,31 0,01
0 0 0
0 18 143 289 3 208 227 22
1
13 18 0,87 1 0 0,27 0,00
0 0 0
0 18 121 211 4 559 636 37
1
14 18 0,81 1 0 0,21 0,00
0 0 0
0 18 104 002 6 983 751 66
1
15 18 0,69 1 0 0,09 0,00
0 0 0
0 18 51 165 4 698 745 90
1
16 18 0,59 1 0 0,00 0,00
0 0 0
9 18 15 411 2 071 060 132
1
17 18 0,33 1 0 0,00 0,00
0 0 0
9 18 33 171 7 282 464 217

36 528 678 626
La figure 56 prsente les lments de la diagonale dans le cas de la premire simulation :
Figure 56 Nouvelle diagonale du triangle, pour b = 1.
Anne de dveloppement
Survenance 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 130 534 94 872 74 381 43 125 49 798 119 241 56 186 132 365 133 150 38 841 7 117 64 720 27 769 139 801 101 458 0
2 126 400 73 450 65 272 94 700 50 724 73 244 101 454 111 192 161 205 48 120 130 199 25 628 145 965 236 510 222 999 0
3 142 922 53 569 75 969 134 428 26 216 114 488 137 272 120 653 98 592 127 478 94 475 44 363 9 557 15 013 17 692 75 626
4 67 472 47 675 90 638 47 452 96 535 150 236 96 981 72 585 97 669 89 080 183 468 73 874 213 778 89 698 0
5 61 019 48 791 27 581 54 227 128 117 98 724 132 142 67 005 34 724 74 001 198 052 76 832 73 487 116 700
6 84 688 31 068 39 669 77 251 102 854 110 995 186 244 45 039 187 164 97 756 157 318 184 301 100 307
7 50 255 29 262 33 885 68 338 74 462 76 805 49 374 113 187 81 258 133 414 152 248 69 230
8 43 593 28 110 37 198 50 362 66 960 56 598 170 193 89 717 119 489 60 228 113 854
9 39 386 25 522 22 933 69 552 48 843 151 003 119 498 185 511 154 857 89 035
10 71 524 20 795 27 242 40 475 79 327 94 530 112 488 107 193 144 748
11 46 621 21 575 19 239 68 157 100 487 136 249 125 275 131 827
12 82 650 19 338 31 394 40 694 121 338 159 643 143 289
13 56 671 38 000 24 200 52 006 124 096 121 211
14 129 733 20 162 25 597 127 427 104 002
15 83 020 17 894 39 411 51 165
16 43 769 17 231 15 411
17 33 265 33 171

96
Les variables explicatives sont celles dfinies dans le modle final de provisionnement ayant servi au calcul du Best Estimate. Elles sont
prsentes au tableau 12. A noter quon associe chaque cot moyen le temps oprationnel du dernier sinistre rgl de la survenance.

Calcul de la provision un an
Le risque de provision a t prsent comme le rsultat de deux effets :
- Celui dun vnement adverse impactant le niveau des prestations de lanne. Cette
priode, qualifie de priode de choc , est simule dans ltape prcdente.
- Celui dune priode affecte dbutant en fin danne, au titre de laquelle lvnement
adverse conduit rvaluer les provisions. Ce calcul constitue lobjet de cette tape.
La mise en uvre du calcul de la provision un an est structure en deux temps :
- La premire tape consiste intgrer linformation de lanne dans la prvision des
prestations futures. En ce sens, on rajuste sous SAS le modle de provision au triangle
de liquidation augment de la nouvelle diagonale des cots moyens.
- Dans un second temps, on calcule la provision selon la mthode dcrite au chapitre I,
partir du modle rajust et sous les conditions de taux prvalant dans un an. Sur ce
dernier point, le risque de taux nest pas simul
97
tandis que les conditions de taux un an
sont extrapoles partir des trajectoires moyennes estimes en t
0
.
A ce titre, rappelons que la courbe des taux zro coupon est vue en pleine priode de crise
financire
98
. La figure 57 superpose la courbe des taux un an et celle des taux zro coupon.
On observe un cart important entre les deux courbes, illustrant lanticipation du march
dune remonte des taux des niveaux plus habituels.
Figure 57 Courbe des taux forward dans un an
0,0%
2,3%
4,6%
1 32 63 94 125 156 187 218 249 280
Dure en mois
Tauxzero
coupon
Forward 1 an

97
Les prestations sont actualises la courbe des taux forward un an dduite de la courbe des zro coupons prvalant en t0. Par ailleurs, on
revalorise ces prestations de linflation selon les indices en base t0 calculs partir des taux dinflation moyens calcule en t0.
98
On rappelle que la date t0 correspond au 30/09/2009.
La distribution de la provision un an est prsente la figure 58. De faon gnrale, on
observe une rduction de la volatilit de la provision par rapport celle obtenue dans le calcul
du risque ultime. Ainsi, lcart type empirique de la provision passe de 31,2 millions 5,5
millions de dollars. En particulier, on remarque que le moindre talement vers la droite de la
distribution de la provision, circonscrite par une loi normale, permet intuitivement danticiper
des malis moins importants que dans le cas du risque ultime.
Figure 58 Histogramme de la provision un an
Millions de dollars
0,0%
0,2%
0,4%
0,6%
0,8%
1,0%
1,2%
177 181 185 189 193 197 201 205 209 213 217 221
PM un an
N(197,91 ; 5,55)

La moindre volatilit de la provision dans le cas du risque un an rsulte des diffrences
de modalit de calcul des deux provisions :
Dans le cas du risque ultime, on simule la volatilit des prestations futures jusqu
lcoulement du risque. Dans le calcul du risque un an, la volatilit de la provision provient
de celle des prestations de lanne, au travers du recalcul des paramtres du modle de
provision. Or, la variabilit de ces paramtres est limite par le faible poids des observations
de lanne dans lensemble des observations constitutives du triangle vu en t
0
.
Ensuite, le calcul du risque un an est conditionnel linformation en t
0
. De ce fait,
labsence de rchantillonage du triangle qui en dcoule limite galement la volatilit de la
provision par rapport celle obtenue dans le calcul du risque ultime.

Calcul du rsultat de liquidation des sinistres en cours
A chaque itration, on obtient selon la procdure dcrite un montant de prestations
inflates et une provision un an. Les intrts techniques sont calculs partir du produit du
taux zro coupon 6 mois et de la demi-somme des provisions douverture et de fermeture.
Dans le calcul de la provision un an, lutilisation de la courbe des taux forward un an
introduit un changement de mthode significatif par rapport au Best Estimate, dont les flux
sont actualiss la courbe des zro coupons. Pour mesurer cet effet dans la constitution du
rsultat de liquidation des sinistres en cours, nous procdons en deux temps : dans
lactualisation des prestations futures constitutives de la provision un an, nous continuons
dutiliser les taux zro coupon avant de recourir aux taux forward un an.
La distribution de la perte un an est obtenue empiriquement partir de B = 4000
simulations. Elles sont prsentes aux figures 59 et 60 sous la forme dun histogramme dans
le cas des deux scnarios dactualisation. La charge en capital au titre du risque de
provisionnement correspond la valeur en risque au seuil de 99,5% de la distribution.
Figure 59 Histogramme de la perte un an
Actualisation la courbe des taux zro coupon
0,0%
0,5%
1,0%
-
2
0
-
1
6
-
1
2
-
8
-
4
0 4 8 1
2
1
6
2
0

Figure 60 Histogramme de la perte un an
Actualisation la courbe des taux un an
0,0%
0,5%
1,0%
-
2
3
-
1
9
-
1
5
-
1
1
-
7
-
3
1 5 9 1
3
1
7

La mise en parallle des figures 59 et 60 illustre leffet du passage au taux forward sur la
rpartition du rsultat de liquidation des sinistres en cours. En effet, si dans le cas du maintien
de lactualisation aux taux zro coupon, on remarque sur la figure 59 que les simulations
aboutissent une quasi quiprobabilit dobtenir un boni ou un mali de liquidation sur
lanne, on remarque sur la figure 60 que les scnarios boni sont largement prpondrants
99
.
Par ailleurs, lutilisation de la courbe des taux forward attnue galement le montant des malis
dans les scnarios mali.

99
74% des simulations aboutissent un boni sur liquidation, contre 52% dans le cas de lactualisation aux taux zro coupon.
Au final, on obtient une charge en capital de 14,3 millions de dollars par lactualisation la
courbe des zros coupons, contre 10,6 millions en utilisant les taux forward. Dans ce dernier
cas, le tableau 25 permet de mesurer le poids de chaque survenance dans la formation de la
charge en capital.
On remarque galement par lobservation du tableau 25 que la somme des VaR des pertes
par survenance est infrieure la VaR du portefeuille. Autrement dit, la mutualisation des
pertes par survenance permet, du fait de leur indpendance, de rduire la charge en capital de
13,6 10,6 millions de dollars. On parle alors de sous additivit de la VaR
100
.
Tableau 25 Quantile des pertes un an par survenance
au seuil de 99,5%

i Var de la perte au seuil 99,5%

3 292 861
4 116 297
5 180 723
6 258 348
7 256 843
8 379 937
9 556 817
10 809 591
11 1 025 561
12 1 098 905
13 1 341 864
14 1 456 258
15 1 454 498
16 1 496 474
17 2 954 847

13 679 825

100
Approximativement parlant, la VaR nest une mesure sous additive que si la distribution des pertes est peu prs gaussienne. Comme
le graphique 60 nous lenseigne, nous nous trouvons dans ce cas de figure.
III.2 Le calcul par la formule standard du QIS4
III.2.1 Les principes de calcul
La formule standard du QIS4 traite de faon intgre les risques de prime et de rserve. En
ngligeant leffet de lactualisation des flux, la perte dun portefeuille sur une priode donne,
disons lanne venir n+1, dpend de deux agrgats : les primes P payes sur la priode et la
charge S des sinistres sur la priode.
On dfinit la quantit S par la somme des prestations payes X et de la variation de
provision R sur la priode. Selon la notation introduite la premire partie
101
, S scrit :

4 4 4 3 4 4 4 2 1
43 42 1
R
) 0 (
) 1 (
~
) 1 (
X
1
~
1
R R R X X S
\
|
+ + |
\
|
+ =
En dbut de priode, seuls les montants de deux agrgats sont certains : celui R
(0)
de la
provision Best Estimate douverture, et celui P des primes que lon suppose connu. Alors, la
perte un an, gale lexcs de la charge des sinistres sur les primes, est dfinie en dbut de
priode par la variable alatoire L = S P.
On dsigne par V = R
(0)
+ P le montant de ressources disponible en dbut de priode, et on
dfinit le ratio combin alatoire Z tel que
.
R P
R R X
Z , 1 Z 1
V
R R X
V
L
) 0 (
) 1 (
~
) 1 (
) 1 (
~
) 1 (
+
+ +
= =
+ +
=
Le modle de Solvabilit II suppose que le ratio combin est distribu selon une loi log-
normale, avec Z LN(m,), o m = E(lnZ) et s
2
= Var(lnZ). Selon le principe dquivalence
actuariel, on suppose que le risque de perte est nul en esprance, soit
E(S P) = 0, do E(Z) = 1.
Par dfinition de la loi log-normale, on a par ailleurs
( ) ( )
( )
( )
2
s
2
s m 2 2
2
2
s
m
e 1 e
V
L
Var Z Var , 1 e Z E
+
+
= =
|
\
|
= = = = .
do [ ]
2 2
2
1 ln s ,
2
s
m + = = .
Au seuil de confiance = 99,5%, le rfrentiel Solvabilit II dfinit la charge de capital C

au titre des risques de prime et de rserve par la Value-at-risk de la perte un an :
[ ] =
(
+ < = <

1
V
C
1 Z P C P S P .

101
Se reporter au II.2 de la premire partie.
Comme la fonction logarithmique est monotone croissante, on peut rcrire cette galit
=
(
(
(
(
\
|
+
<
1
s
m
V
C
1 ln
s
m Z ln
P
Comme on suppose lnZ N(m,s), on a
= |
\
|

)
`
\
|
+

1 s m
V
C
1 ln
1

o dsigne la fonction de rpartition de la loi normale standard.
En inversant lquation, on trouve lexpression de la charge en capital :
( ) ( ) [ ] V 1 1 s m exp V C
1
= + =
.
En remplaant m et s par leur expression en fonction de et , on retrouve lexpression de
dfinie dans les spcifications du QIS4 :

( )
( ) ( ) ( )
1
1
1 ln 1 exp
2
2 1
+
+
=
,
o ( )
3 .
III.2.2 Lapplication numrique
Dans le calcul du capital requis, la formule standard tient compte de lagrgation et de la
diversification entre les diffrentes branches. Le calcul est structur en deux tapes :
La premire tape consiste dterminer les carts types et les mesures de
volume V pour chaque branche, pour les risques de primes et de provisions.
La seconde tape consiste agrger ces donnes pour chaque branche pour
dfinir la mesure de volume globale lcart type global selon une matrice de
corrlation entre branches.
Dans notre cas monobranche o seul le risque de provision est tudi, le calcul consiste
paramtrer directement dans la fonction () la volatilit de la branche tudie et appliquer
ce facteur la provision Best Estimate douverture. A ce sujet, le papier consultatif n71
(CEIOPS, 2009) prconise dans le cas de la branche RC auto corporelle un niveau de
volatilit de = 12,5% (contre 12% lors du QIS4), dterminant dans le cas des donnes
tudies une charge en capital de
. 543 460 87 367 , 0 195 992 237 C
995 . 0
= =
III.3 Synthse des rsultats
Pour conclure ce mmoire, le tableau 26 rcapitule les charges en capital obtenues partir
des diffrentes mthodes prsentes.
Tableau 26 Rcapitulatif des charges en capital
Risque lultime Risque un an
Bootstrap zro coupon 94 539 682 14 311 370
Bootstrap taux forward 10 679 265
Formule standard du QIS4 87 460 543
On remarque la grande diffrence entre le calcul lultime aboutissant une charge en
capital de 94,6 millions de dollars, et celui spcifique horizon un an conduisant 10,6
millions de dollars de capital requis. Notons galement que cette diffrence aurait t encore
plus importante si on avait simul lala portant sur le nombre des sinistres restant rgler
dans le calcul du risque ultime.
Dans la prsentation du rsultat un an, nous avons abord les principales raisons de cet
cart dun point de vue purement mthodologique. Dun point de vue conomique, il est clair
que les provisions constitues au titre des branches longues varient peu en valeur relative car
les nouvelles informations ont un poids relatif plus faible par rapport aux branches courtes.
De ce fait, certains auteurs (Ohlson et al, 2008) prconisent de retenir dans les modles
internes un horizon intermdiaire de 3 5 ans dans le calcul du risque de provision
Enfin, nous notons dans le cas des donnes tudies et compte tenu des mthodes
appliques, que le rsultat obtenu par application de la formule standard est davantage
comparable au calcul spcifique du risque lultime qu celui du risque un an. A ce sujet, il
est certain que la formule standard a t calibre de sorte capturer tant le risque de cot que
celui de frquence sur lhorizon dun an. En ce sens, il nest pas rigoureux de rapprocher le
rsultat de son application avec les calculs spcifiques mis en uvre dans ce mmoire ne
simulant que lala sur les cots.
122

CONCLUSION
Tout au long de ce mmoire, nous avons prsent un modle de provisionnement de type
cot moyen, construit dans le cadre des modles linaires gnraliss. Nous avons montr
comment en dduire deux exigences quantitatives de Solvabilit II, savoir le calcul de la
meilleure estimation de la provision pour sinistres et celui du risque de provisionnement.
La principale caractristique du modle est de supposer quil existe un lien invariant dans
le temps entre le cot moyen dun sinistre et son temps oprationnel, soit la proportion vue au
moment de son rglement des sinistres finaliss de mme anne de survenance. Autrement
dit, on suppose que les variations du rythme de rglement des sinistres nont pour seule
consquence que de compresser ou dtendre la dure de rglement des sinistres, sans affecter
ni lordre, ni le montant de leurs prestations. Dans le cas des donnes tudies, nous avons
observ un lien croissant entre le cot moyen des sinistres et leur ordre de rglement.
La plausibilit de cette hypothse dite dinvariance de lordre , doit videmment tre
vrifie avant dutiliser le modle. En effet, elle peut tre remise en cause de nombreuses
faons. En particulier, un changement dans la rpartition des types de sinistres peut constituer
une violation importante. Par exemple dans lassurance responsabilit civile automobile, la
proportion des sinistres graves peut crotre du fait dune dcision de justice et ainsi augmenter
partir de cette date le cot moyen des sinistres sur des intervalles de temps oprationnel.
Notons quune bonne utilisation du modle repose galement sur la nature des donnes
utilises. Par exemple, linformation disponible dans la pratique est souvent celle utilise dans
ce mmoire, savoir les donnes agrges du triangle des prestations payes (dflates) et des
nombres de sinistres rgls. Sur ce point, on peut regretter de ne pas avoir dispos des
donnes individuelles, dont lutilisation aurait permis une modlisation plus fine du lien entre
le cot moyen et le temps oprationnel, notamment dans les premiers intervalles de temps
oprationnel denses en nombres de rglements. Par ailleurs, et malgr la solution propose par
Wright, on peut galement regretter labsence de retraitement des donnes des paiements
partiels, qui biaise les observations de cots moyens.
Une autre limite rsulte de lestimation purement statistique des prestations restant payer.
Dans le cas des vieux dossiers, il est clair que cette mthode dvaluation nest pas en
cohrence avec la ralit de lactivit des compagnies qui privilgient lvaluation dossier par
dossier. Dans notre cas, la mconnaissance du portefeuille ne nous permet pas cette approche.
Enfin, remarquons que le calcul de la provision pour sinistres reste largement soumis la
plausibilit des estimations de sinistres survenus et restant rgler. Sur ce point, il est clair
que labsence de considration de lala sur les nombres de sinistres restant rgler a limit
lcart dj important entre les charges de capital calcules au titre du risque de provision
dans une optique ultime et un an. A ce sujet, le lecteur intress pourra se reporter au papier
de Taylor (1981) proposant un modle destimation des sinistres restant rgler.
En rsum, nous avons montr que le modle prsent peut constituer une solution adapte
en cas dinstabilit de la cadence des rglements, ds lors que lhypothse dinvariance de
lordre est respecte. De ce fait, son utilisation peut tre profitable dans le cas des branches
longues, exposes de nombreux facteurs perturbateurs de la stabilit des cadences. Le
modle est galement adapt aux branches longues, ds lors quil prvoie la modlisation des
facteurs de queue et permet dintgrer la modlisation de linflation, soit directement dans sa
structure paramtrique, soit partir dun modle ddi, comme cest le cas dans ce mmoire.
Bibliographie 123

BIBLIOGRAPHIE
[1] ACAM (2007), Rapport du groupe de travail sur le calcul du best estimate en
assurance dommages .
[2] AISAM-ACME (2007), Aisam-Acme study on non life long tail liabilities. Reserve
risk and risk margin assessment under Solvency II .
[3] Ahlgrim K.C., DArcy S.P., Gorvett R.W. (2001), Modelling Financial Scenarios : A
Framework for the Actuarial Profession , Casualty Actuarial Society Forum.
[4] Anderson D., Feldblum S., Modlin C., Schirmacher D. et E., Thandi N. (2005), a
Practitioners guide to Generalised Linear Models, second edition , a Casualty
Actuarial Society Study Note.
[5] Bayazit D. (2004), Yield Curve Estimation and Prediction with Vasicek Model , A
Thesis Submitted to the Graduate School of Applied Mathematics of The Middle East
Technical University, Master of Science in the Department of Financial Mathematics,
Turkey.
[6] Bjrkwall S., Hssjer O., Ohlsson E. (2008), Non-parametric and parametric
bootstrap techniques for arbitrary age-to-age development factor methods in stochastic
claims reserving , Research report 2008:2, Mathematical Statistics, Stockholm
University.
[7] CEIOPS (2009), Consultation Paper n 71 : Draft CEIOPSAdvice for level 2
implementing measures on Solvency II : SCR standard formula, calibration of non-life
underwriting risk , CEIOPS-CP-71-09.
[8] Denuit M., Charpentier A. (2004), Mathmatiques de lassurance non vie tome I :
principes fondamentaux de thorie du risque , Economica.
[9] Dhaene J, Goovaerts M, Van Weert K (2008), Some comments on QIS 3 .
[10] Dhaene J., Laeven R.J.A., Vanduffel S., Darkiewicz G., Goovaerts M.J. (2004), Can
a coherent risk measure be too subadditive ? , Research Report OP 0431, Department
of Applied Economics, Katholieke Universiteit Leuven.
[11] England P., Verrall R. (1999), Analytic and bootstrap estimates of prediction errors in
claim reserving , Insurance : Mathematics and Economics, Vol. 25, p 281-293.
[12] Groupe Consultatif Actuariel Europen (2008), Valuation of Best Estimate under
Solvency II for Non-life Insurance , Interim Report.
[13] Hrlimann W. (2008), On the non-life Solvency II model , 38
th
international Astin
colloquium, Manchester, 13-16 July 2008.
[14] Kaufmann R., Gardner A., Klett R. (2001), Introduction to Dynamic Financial
Analysis , Astin Bulletin, vol. 31, 213-249.
Bibliographie 124

[15] Lacoume A. (2008), Mesure du risque de rserve sur un horizon de un an .
Mmoire I.S.F.A.
[16] Mack T. (1993), Distribution-free calculation of the standard error of Chain-ladder
reserve estimates , ASTIN Bulletin, 23, pp. 214-225.
[17] Mnchener Rck (2007), Les prjudices corporels graves en Europe : exemple de
lassurance automobile : responsabilit, indemnisation et inflation , Munich Re
Group.
[18] Ohlsson E., Lauzeningks J. (2008), The one-year non-life risk , Astin Colloquium
presentation, Manchester.
[19] Planchet F., Thrond P., Jacquemin J. (2005), Modles Financiers en Assurance
analyses de risque dynamiques , Assurance Audit Actuariat, Economica.
[20] Planchet F., Jacquemin J. (2003), Lutilisation de mthodes de simulation en
assurance partie 1 : gnrer des nombres alatoires , Bulletin franais dactuariat,
Vol. 6, N11, juin-dcembre 2003, pp. 3-35.
[21] Parlement Europen (2009), Rsolution lgislative du Parlement europen du 22
avril 2009 sur la proposition modifie de directive du Parlement europen et du
Conseil sur laccs aux activits de lassurance directe et de la rassurance et leur
exercice (refonte) .
[22] Pinheiro P.J.R., Andrade e Silva J.M., Centeno M.D.L. (2000), Bootstrap
Methodology in Claim Reserving , Center for Applied Maths to Forecasting &
Economic Decision.
[23] Reid D.H. (1978), Claim Reserves in General Insurance , Journal of the Institute of
Actuaries, 105, 211 296.
[24] SAS Institute Inc., SAS/STAT Users Guide, Version 8, Cary, NC: SAS Institute
Inc., 1999, Chapter 29. The GENMOD Procedure.
[25] SAS Institute Inc., Cassell D.L., Design Pathways, Corvallis, Dont Be Loopy : Re-
Sampling and Simulation the SAS Way , Paper 183 2007.
[26] Taylor G.C. (1981), Speed of Finalization of claims and claims runoff analysis , ES
Knight & Co, Consulting Actuaries, Sidney Australia, Astin Bulletin 12 (81-100).
[27] Taylor G.C. (2000), Loss Reserving, An Actuarial Perspective , Huebner
International Series on Risk, Insurance and Economic Security, Kluwer Academic
Publishers.
[28] Taylor G.C. (2004), Mac Guire G., Loss reserving with GLMs : a case study ,
Taylor Fry Consultant Actuaries, Research paper n113, May 2004.
[29] Saporta (2006), Probabilit, Analyse des donnes et Statistique , Technip.
Bibliographie 125

[30] Wright T.S. (1992), Stochastic Claims Reserving When Past Claims Numbers are
known , PCAS 1992.
[31] Wilkie A.D. (1995), More on a stochastic asset model for actuarial use , British
Actuarial Journal, vol. 1, 777-964.
[32] Wtrich M.V., Merz M., Lysenko N. (2007), Uncertainty in the claims development
result in the chain ladder method . Preprint, ETH, Zurich.
[33] Zehnwirth B. (1994), Probabilistic development factor models with applications to
loss reserve variability, prediction intervals and risk based capital , Casualty
Actuarial Society Forum.
Annexes 126

ANNEXES
A. Triangle des incrments
Tableau 27 - Triangle des incrments en dollars constants base 31/12/1995

Survenance J = 1 J=2 J=3 J=4 J=5 J=6 J=7 J=8 J=9 J=10 J=11 J=12 J=13 J=14 J=15
1979 3 785 472 10 341 098 8 330 688 7 848 833 2 838 485 3 577 227 1 404 642 1 720 749 1 065 201 155 365 35 583 258 878 249 919 419 402 101 458
1980 4 676 818 9 989 145 8 746 390 10 227 581 8 572 427 5 786 244 3 855 239 1 445 496 1 612 047 625 563 1 171 794 589 440 437 895 473 020 445 997
1981 5 288 102 8 088 865 12 838 745 11 829 690 7 760 019 6 182 336 4 118 148 3 016 336 1 774 652 1 784 693 2 645 293 266 179 38 228 45 040 159 232
1982 2 294 033 9 868 776 10 242 138 13 808 440 8 784 714 5 408 507 2 424 513 1 596 870 2 148 708 3 295 949 917 338 295 496 427 555 358 790
1983 3 600 113 7 513 855 8 246 783 9 327 124 8 583 828 4 245 146 4 096 408 3 216 232 2 014 006 592 008 1 188 314 691 492 367 433
1984 3 641 604 7 394 227 9 838 006 9 733 605 6 376 966 4 883 761 11 919 643 4 188 607 4 491 930 1 759 602 943 909 921 506
1985 2 462 510 5 033 074 6 980 328 7 722 211 6 701 601 7 834 125 5 579 267 3 621 981 1 300 134 3 068 518 1 370 233
1986 2 266 831 5 959 341 6 174 882 7 050 748 8 102 196 6 338 960 6 977 904 4 396 156 3 106 706 903 427
1987 2 008 668 3 700 715 5 297 409 6 885 660 6 496 129 7 550 139 5 855 420 5 750 846 3 871 426
1988 1 859 624 5 281 998 3 650 396 7 528 393 5 156 246 5 766 328 6 861 793 2 572 620
1989 2 331 058 3 516 749 5 310 014 6 066 004 10 149 191 9 264 942 5 261 570
1990 2 314 198 4 486 419 4 112 650 6 999 427 11 163 077 10 057 508
1991 2 606 858 3 952 042 8 228 051 7 904 933 9 307 208
1992 2 594 652 5 403 501 6 578 467 15 546 107
1993 3 154 749 4 974 522 7 960 929
1994 2 626 146 5 703 493
1995 2 827 488
f1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 f13 f14
f
j
3,130 1,802 1,542 1,298 1,191 1,132 1,069 1,047 1,029 1,021 1,009 1,005 1,006 1,004
f
j
18,355 5,864 3,255 2,110 1,625 1,365 1,205 1,128 1,077 1,047 1,025 1,016 1,010 1,004
Dernier ex 3,172 1,979 2,067 1,410 1,346 1,144 1,071 1,089 1,018 1,027 1,014 1,007 1,006 1,002
2 derniers ex. 2,847 1,902 1,799 1,504 1,342 1,184 1,113 1,077 1,041 1,020 1,014 1,007 1,003 1,005
3 derniers ex. 2,920 2,004 1,756 1,529 1,314 1,184 1,109 1,061 1,036 1,021 1,011 1,005 1,005 1,004
4 derniers ex. 2,824 1,912 1,710 1,470 1,313 1,187 1,103 1,066 1,030 1,020 1,009 1,005 1,006 1,004
5 derniers ex. 2,844 1,911 1,708 1,450 1,291 1,179 1,096 1,061 1,036 1,024 1,009 1,005 1,006 1,004
Annexes 127

B. Triangle des nombres de sinistres rgls

Tableau 28 - Triangle des nombres de sinistres rgls

1979
29 109 112 182 57 30 25 13 8 4 5 4 9 3 1
1980
37 136 134 108 169 79 38 13 10 13 9 23 3 2 2
1981
37 151 169 88 296 54 30 25 18 14 28 6 4 3 9
1982
34 207 113 291 91 36 25 22 22 37 5 4 2 4
1983
59 154 299 172 67 43 31 48 58 8 6 9 5
1984
43 238 248 126 62 44 64 93 24 18 6 5
1985
49 172 206 113 90 102 113 32 16 23 9
1986
52 212 166 140 121 112 41 49 26 15
1987
51 145 231 99 133 50 49 31 25
1988
26 254 134 186 65 61 61 24
1989
50 163 276 89 101 68 42
1990
28 232 131 172 92 63
1991
46 104 340 152 75
1992
20 268 257 122
1993
38 278 202
1994
60 331
1995
85

Annexes 128

C. Triangle des nombres de sinistres dclars et restant dclarer

Tableau 29 - Triangle des nombres de sinistres dclars et restant dclarer

Sinistres
restant
dclarer
102

1979
393 151 25 6 4 5 4 1 2 1 0 0 0 0 0
0
1980
517 185 29 17 11 10 8 1 0 0 1 0 0 0 0
0
1981
578 254 49 22 17 6 3 0 1 0 0 0 0 0 0
0
1982
622 206 39 16 3 7 0 1 0 0 0 0 0 0
0
1983
660 243 28 12 12 4 4 1 0 0 0 0 0
0
1984
666 234 53 10 8 4 6 1 0 0 0 0
0
1985
573 266 62 12 5 7 6 5 1 0 1
0
1986
582 281 32 27 12 13 6 2 1 0
0
1987
545 220 43 18 12 9 5 2 0
1
1988
509 266 49 22 15 4 8 0
1
1989
589 210 29 17 12 4 9
3
1990
564 196 23 12 9 5
8
1991
607 203 29 9 7
15
1992
674 169 20 12
26
1993
619 190 41
36
1994
660 161
66
1995
660
243

102
Les estimations des sinistres tardifs restant dclarer (IBNR) ont t reprises de Taylor (2000), p 28.
Annexes 129

La projection des sinistres tardifs a t reconstitue selon lapproche dcrite lors de la prsentation des donnes (II.1.2 de la partie II). On y
prcise les historiques pris en compte dans le calcul des coefficients de passage par Chain Ladder, ainsi que la valeur des coefficients obtenus
partir du modle ajust :

Tableau 29 bis Extrapolation du nombre des sinistres tardifs (Taylor, 2000)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 IBNR
1979 393 544 569 575 579 584 588 589 591 592 592 592 592 592 592 0
1980 517 702 731 748 759 769 777 778 778 778 779 779 779 779 779 0
1981 578 832 881 903 920 926 929 929 930 930 930 930 930 930 930 0
1982 622 828 867 883 886 893 893 894 894 894 894 894 894 894 894,0 0
1983 660 903 931 943 955 959 963 964 964 964 964 964 964 964,0 964,1 0
1984 666 900 953 963 971 975 981 982 982 982 982 982 982,1 982,1 982,1 0
1985 573 839 901 913 918 925 931 936 937 937 938 938,1 938,2 938,2 938,3 0
1986 582 863 895 922 934 947 953 955 956 956 956,2 956,3 956,4 956,5 956,5 0
1987 545 765 808 826 838 847 852 854 854 854,3 854,5 854,6 854,7 854,7 854,8 1
1988 509 775 824 846 861 865 873 873 873,6 873,9 874,1 874,2 874,3 874,3 874,3 1
1989 589 799 828 845 857 861 870 871,4 872,0 872,3 872,5 872,6 872,7 872,7 872,7 3
1990 564 760 783 795 804 809 814,0 815,3 815,8 816,1 816,3 816,4 816,5 816,5 816,6 8
1991 607 810 839 848 855 861,9 867,2 868,6 869,2 869,5 869,7 869,8 869,9 869,9 869,9 15
1992 674 843 863 875 884,8 892,0 897,5 898,9 899,5 899,9 900,1 900,2 900,2 900,3 900,3 26
1993 619 809 850 861,3 871,0 878,0 883,4 884,8 885,4 885,8 886,0 886,1 886,1 886,2 886,2 36
1994 660 821 851,0 862,3 872,0 879,0 884,5 885,9 886,5 886,8 887,0 887,1 887,2 887,2 887,3 66
1995 660 835,7 866,3 877,8 887,7 894,8 900,3 901,8 902,4 902,7 902,9 903,0 903,1 903,2 903,2 243
Mthode
Historique utilis 6 derniers
Facteurs 1,26626 1,03656 1,01328 1,01125 1,00806 1,00618 1,00160 1,00065 1,00038 1,00023 1,00013 1,00008 1,00005 1,00003 1,00002
3 derniers exercices tout l'historique
Calcul par Chain Ladder Calcul partir du modle ajust
Calcul des coefficients de passage

Annexes 130

D. Triangle des nombres de sinistres en cours

Tableau 30 - Triangle des nombres de sinistres dclars et restant en cours (hors IBNR).

1979
364 406 319 143 90 65 44 32 26 23 18 14 5 2 11
1980
480 529 424 333 175 106 76 64 54 41 33 10 7 5 14
1981
541 644 524 458 179 131 104 79 62 48 20 14 10 7 12
1982
588 587 513 238 150 121 96 75 53 16 11 7 5 1
1983
601 690 419 259 204 165 138 91 33 25 19 10 5
1984
623 619 424 308 254 214 156 64 40 22 16 11
1985
524 618 474 373 288 193 86 59 44 21 13
1986
530 599 465 352 243 144 109 62 37 22
1987
494 569 381 300 179 138 94 65 40
1988
483 495 410 246 196 139 86 62
1989
539 586 339 267 178 114 81
1990
536 500 392 232 149 91
1991
561 660 349 206 138
1992
654 555 318 208
1993
581 493 332
1994
600 430
1995
575

Annexes 131

E. Triangle des cadences de rglements

Tableau 31 Cadence des rglements estimation par la mthode Chain Ladder

1979 9,0% 33,5% 53,3% 71,9% 78,7% 87,2% 90,5% 94,6% 97,1% 97,5% 97,6% 98,2% 98,8% 99,8% 100,0%
1980 8,0% 25,0% 39,9% 57,4% 72,0% 81,8% 88,4% 90,9% 93,6% 94,7% 96,7% 97,7% 98,4% 99,2% 100,0%
1981 8,0% 20,3% 39,8% 57,8% 69,6% 79,0% 85,2% 89,8% 92,5% 95,2% 99,2% 99,6% 99,7% 99,8% 100,0%
1982 3,7% 19,6% 36,1% 58,3% 72,4% 81,1% 85,0% 87,6% 91,1% 96,4% 97,8% 98,3% 99,0% 99,6% 100,0%
1983 6,6% 20,5% 35,7% 52,9% 68,7% 76,6% 84,1% 90,1% 93,8% 94,9% 97,1% 98,3% 99,0% 99,6% 100,0%
1984 5,4% 16,4% 31,1% 45,6% 55,1% 62,4% 80,1% 86,4% 93,1% 95,7% 97,1% 98,5% 99,0%
1985 4,7% 14,2% 27,3% 41,9% 54,6% 69,4% 79,9% 86,8% 89,2% 95,0% 97,6% 98,5%
1986 4,2% 15,3% 26,8% 40,0% 55,1% 66,9% 79,9% 88,1% 93,9% 95,6% 97,6%
1987 3,9% 11,2% 21,6% 35,1% 47,8% 62,6% 74,0% 85,3% 92,9% 95,6%
1988 4,3% 16,4% 24,7% 42,0% 53,8% 67,0% 82,8% 88,7% 92,9%
1989 4,6% 11,6% 22,1% 34,1% 54,2% 72,5% 83,0% 88,7%
1990 4,3% 12,7% 20,4% 33,5% 54,4% 73,3% 83,0%
1991 5,0% 12,6% 28,4% 43,6% 61,5% 73,3%
1992 4,1% 12,6% 22,9% 47,4%
1993 6,0% 15,5% 30,7%
1994 5,4% 17,1%
1995 5,4%

Annexes 132

F. Triangle des temps oprationnels

Tableau 32 Triangle des temps oprationnel

1979
4,90% 23,31% 42,23% 72,97% 82,60% 87,67% 91,89% 94,09% 95,44% 96,11% 96,96% 97,64% 99,16% 99,66% 99,83%
1980
4,75% 22,21% 39,41% 53,27% 74,97% 85,11% 89,99% 91,66% 92,94% 94,61% 95,76% 98,72% 99,10% 99,36% 99,61%
1981
3,98% 20,22% 38,39% 47,85% 79,68% 85,48% 88,71% 91,40% 93,33% 94,84% 97,85% 98,49% 98,92% 99,25% 100,00%
1982
3,80% 26,96% 39,60% 72,15% 82,33% 86,35% 89,15% 91,61% 94,07% 98,21% 98,77% 99,22% 99,44% 99,89%
1983
6,12% 22,10% 53,11% 70,95% 77,90% 82,37% 85,58% 90,56% 96,58% 97,41% 98,03% 98,96% 99,48%
1984
4,38% 28,62% 53,87% 66,70% 73,01% 77,49% 84,01% 93,48% 95,93% 97,76% 98,37% 98,88%
1985
5,22% 23,56% 45,52% 57,57% 67,16% 78,04% 90,09% 93,50% 95,20% 97,65% 98,61%
1986
5,44% 27,62% 44,98% 59,62% 72,28% 84,00% 88,28% 93,41% 96,13% 97,70%
1987
5,96% 22,92% 49,94% 61,52% 77,08% 82,92% 88,65% 92,28% 95,20%
1988
2,98% 32,07% 47,42% 68,73% 76,17% 83,16% 90,15% 92,90%
1989
5,73% 24,43% 56,08% 66,28% 77,87% 85,67% 90,48%
1990
3,43% 31,86% 47,92% 69,00% 80,27% 87,99%
1991
5,29% 17,24% 56,32% 73,79% 82,41%
1992
2,22% 31,96% 60,49% 74,03%
1993
4,29% 35,71% 58,53%
1994
6,77% 44,13%
1995
9,40%

Annexes 133

G. Triangle des cots moyens par sinistre rgl

Tableau 33 cots moyens par nombre de sinistres rgls

1979 130 534 94 872 74 381 43 125 49 798 119 241 56 186 132 365 133 150 38 841 7 117 64 720 27 769 139 801 101 458
1980 126 400 73 450 65 272 94 700 50 724 73 244 101 454 111 192 161 205 48 120 130 199 25 628 145 965 236 510 222 999
1981 142 922 53 569 75 969 134 428 26 216 114 488 137 272 120 653 98 592 127 478 94 475 44 363 9 557 15 013 17 692
1982 67 472 47 675 90 638 47 452 96 535 150 236 96 981 72 585 97 669 89 080 183 468 73 874 213 778 89 698
1983 61 019 48 791 27 581 54 227 128 117 98 724 132 142 67 005 34 724 74 001 198 052 76 832 73 487
1984 84 688 31 068 39 669 77 251 102 854 110 995 186 244 45 039 187 164 97 756 157 318 184 301
1985 50 255 29 262 33 885 68 338 74 462 76 805 49 374 113 187 81 258 133 414 152 248
1986 43 593 28 110 37 198 50 362 66 960 56 598 170 193 89 717 119 489 60 228
1987 39 386 25 522 22 933 69 552 48 843 151 003 119 498 185 511 154 857
1988 71 524 20 795 27 242 40 475 79 327 94 530 112 488 107 193
1989 46 621 21 575 19 239 68 157 100 487 136 249 125 275
1990 82 650 19 338 31 394 40 694 121 338 159 643
1991 56 671 38 000 24 200 52 006 124 096
1992 129 733 20 162 25 597 127 427
1993 83 020 17 894 39 411
1994 43 769 17 231
1995 33 265

Annexes

H. Lalgorithme de Newton Raphson
Lalgorithme de Newton Raphson gnralise le processus de Newton dans le cas
multidimensionnel.
La mthode de Newton consiste pour estimer la racine de f(x) = 0 utiliser un algorithme
construit partir dune linarisation de la fonction au voisinage de la solution, sur la base du
dveloppement de Taylor lordre 1.
Comme on recherche ( ) ( ) ( ) ( )( )
0 0
'
0
x x x f x f x f et 0 x f x + = , on propose la rcurrence
( )
( ) ( )
( )
n
n
n n
n n
n
n
x f
x f
x x
x x
x f
x f
'
1
1
'
0

=
+
+

qui consiste chaque n
e
itration trouver x
n+1
dsignant la racine de la tangente de f
calcul en x
n
. On peut montrer que si le premier terme de lalgorithme x
0
est choisi
suffisamment proche de la racine, alors f(x
n
) tend vers 0 mesure que n augmente
103
.
Pour une optimisation plusieurs dimensions, la technique de Newton Raphson conduit
la mme formule. Dans notre cas, on utilise comme fonction f la drive de la log-
vraisemblance par rapport aux coefficients
l
avec

( )
( )
( )
( )
( ) ( )
( ) ( )
|
|
|
|
|
|
|
|
|
|
|
\
|

|
|
|
|
|
|
|
|
\
|

+
|
|
|
|
|
|
|
\
|

|
|
|
|
|
|
|
|
\
|
=
|
|
|
|
|
|
|
\
|

+
+
+
+
n
p
1 n
p
n
1
1 n
1
H
2
p
n
2
1 p
n
2
p 1
n
2
1
n
2
s
p
n
1
n
p
1 n
1
1 n
l l
l l
l
l
0
0
l
l
M
M
M
M
M
M
4 4 4 4 3 4 4 4 4 2 1
L
M M
M O M
L
43 42 1
M
M
M
M
M
M
La formule itrative scrit matriciellement ( ) s H
n n n
=

+
1
1
, o H est la matrice
hessienne de la fonction l et s son gradient. Le cheminement de lalgorithme consiste alors :
1- Dterminer un vecteur
0
proche de la solution.
2- Rpter : ( ) s H
n n n
=

+
1
1
, jusqu <
+ n 1 n
.

103
Lalgorithme converge quadratiquement vers une racine x dans son voisinage si 0 ) x (
'
f , i.e
2
x
1 n
x C x
n
x
pour C > 0, n
suffisamment grand et x0 suffisamment proche de x .
Annexes

I. Lalgorithme du score
La substitution des lments de la matrice H par leurs esprances simplifie lexpression
analytique de lalgorithme. Reprenons lexpression de
k
l introduite dans le 2
e
chapitre de
la partie II. Les lments de la matrice hessienne H sont dfinis par
104

( ) ( )
( )
( )
( )
( )
( )
) 1 ( z
S Var
1
S z
S Var
1
S
z
. S Var
S , , s l
r
k , r
r
r
r
r r
s r
k , r
r
r
r s
r r
m
1 r
k , r
r
r
r
r r
s k s
2

+
(
=
(
=

=

Comme E(S
r
) =
r
, lesprance du 1
er
terme de lquation (1) est nulle. Par ailleurs, on a
( )
s , r
r
r
s
r
r
r
r r
s
z S

=

Comme
( )
r
'
r
r
g
1
=

, on en dduit :

( )
( ) ( ) ( ) ( ) ( ) ( )

=
|
|
\
|
=
|
|
\
|

r
2
r
'
r
s , r l , i
r
2
r
'
r
s , r l , r
k s
2
g S Var
z z
g S Var
z z
E
, , s l
E ,
de telle sorte que
( )
( ) ( ) ( ) Z W Z I
s L
E
n
n
= =
(
(
'
'
2
,
,
o ( )
n
I dsigne la matrice dinformation de Fisher.
En utilisant lexpression de ( ) l et celle de la matrice I
n
, lalgorithme du score scrit

( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
t
1
t '
1
1
t '
t
t
1
t '
1
1
t ' t
t
1
'
t
2
t 1 t
Y W Z Z W Z
S W Z Z W Z
S , L S , L
E
+
=

+ =

|
|
\
|

=

o ( ) ( )
t
t
n n
t
t t
S S Z Y

+ =

+ = .

104
On montre en II.2.2 du chapitre II de la partie II que
( )
( )
( ) ( )

=

k
k , r
r
'
r
r r
k
k
r
k
z
g . S var
S l
S , l
.
Annexes

On remarque quun dveloppement au 1
er
ordre de la fonction de lien g en donne
Y ) S ( ) ( g ) ( g ) S ( g
'
= + .
En ce sens, y() peut tre considr comme une approximation au 1
er
ordre de g(s) en ().
Cest pourquoi une solution permettant dobtenir une valeur de
0
consiste appliquer une
procdure de moindres carrs ordinaires sur g(s).
Par lintroduction de ( )

+ = S Y dans les quations de vraisemblance, on aboutit
( ) ( ) ( ) ( ) 0 Z Y W Z X W Z
1 ' 1 '
= =

Cette rcriture conduit deux commentaires :
Lalgorithme des scores peut tre dcrit en rsolvant itrativement ce systme
dquations : A chaque itration, la valeur courante de permet le calcul de la matrice
des poids ( ) W , du vecteur Y et lobtention dun nouveau vecteur par la rsolution
de ce systme linaris.
Cette nouvelle expression des quations de vraisemblance permet une interprtation de
lalgorithme de type linaire :
A fix, on considre Y comme un nouveau vecteur de donnes et ( ) W comme une
matrice de poids fixs. On reconnat dans ce systme les quations des moindres carrs
gnraliss associes au modle
+ = Z Y , o E( ) = 0 et ( ) ( ) = W Var .
En effet, puisque la r
me
composante du vecteur ( ) Y a pour variance
( )
r
2
r
'
r
r
r r r
S var g
d
d
x var
|
\
|
=
|
|
\
|
\
|
+

et parce que les cots S
r
sont supposs indpendants, ( ) W correspond bien la matrice de
variance de Y. Le modle a deux particularits. Dune part, le vecteur expliquer Y nest
pas observ : ses valeurs sont calcules chaque nouvelle valeur de partir des S
r
. Dautre
part, la matrice W dpend galement de .
A chaque itration, lestimation
1 t +
est issue de lapplication des moindres carrs
gnraliss dans le modle ( )
t t
Z y + = , ce qui revient estimer par vraisemblance en
supposant les S
r
normaux et indpendants.
Annexes

J. Expression de la dviance
Pour aboutir lexpression de la dviance, il sagit de remarquer que la log-vraisemblance
peut tre exprime en fonction des esprances des cots moyens. Comme ( )
r
1
'
r
b =

, on a

( )
( )
( )
( ) ( ) ( )
( )
( ) S , l
, S c
b b b S
, S c
b S
S , l
r
r
r
1
'
r
1
'
r
r
r
r r r
=
+

= +

=

o
|
\
|

x , l dsigne la log vraisemblance maximise du modle estim avec

|
\
|
=

t
r
1
r
Z g , et ( ) S , S l celle atteinte par le modle satur avec r S
r r
=
.
La diffrence des deux log-vraisemblances dfinit la dviance normalise

( )
\
|
+ |
\
|
|
\
|

=
(
\
|
=
\
|

r
r r
~
r r
~
r
b b S
2
S , S l S , l 2
, S D
,
o ( )
r
1
'
r
~
S b

= et
|
\
|
=

r
1
'
r b . Autrement dit, r
~
est tel que
r
r
r
S , S E =
(
.
On peut exprimer la dviance comme la somme des carrs des rsidus de dviance
) D (
r
re :

( )
[ ]

= =
= =
(
(

= |
\
|

n
1 r
2
) D (
r
n
1 r
r
re d
S , S L
) S , ( L
ln 2 , S D
o
r r r
) D (
r
d S sgn re |
\
|
=

et |
\
|
|
\
|

|
\
|

|
\
|
=

r r
~
r r
~
r r
b b S 2 d .
Remarque : Dans le cas de la loi normale, la dviance correspond la somme des carrs
des rsidus destimation des MCO. En effet, comme
( ) [ ] ( )
2
r
r r 2
2 ln n
2
1
S
2
1
S , l
=

,
on a
( )

|
\
|
= |
\
|
|
\
|

=
(
\
|

r
2
r r
*
r
2
r r 2
S , S D S
1
S , S l S , l 2
Annexes

K. Evolution des cots moyens en monnaie constante

Figure 61 Evolution dans le temps des cots moyens
Valeurs basses de temps oprationnel
15 000
53 333
91 667
130 000
1979 1987 1995
anne de survenance
S10% S20%

Valeurs intermdiaires de temps oprationnel
15 000
53 333
91 667
130 000
1979 1982 1985 1988 1991 1994
anne de survenance
S30% S40% S50% S60%

Valeurs leves de temps oprationnel

0
60 000
120 000
180 000
240 000
1979 1981 1983 1985 1987 1989 1991
anne de survenance
S70% S75% S80% S85% S90% S93% S95% S98% S100%

Annexes

L. Rappel lmentaire de thorie du risque
Les rsultats rappels dans cette section concernent les modles dits de lois composes.
Ces modles probabilistes composent la loi des cots de sinistres partir dune loi de
comptage du nombre N de sinistres et dune loi continue pour les cots associs X.
Ces rsultats sont utiliss dans la modlisation des paiements partiels de Wright prsente
dans la partie II. On rappelle que Wright utilise la relation
( ) ( ) ( )
1 ij ij
X E N E X E =
o X
ij
dsigne la somme des prestations de montants
ij
N 1
X , , X L , payes au titre des N
ij

rglements effectus lanne j
105
.
En dautres termes, on a

=
=
ij
N
0 v
v ij
X X .
Comme N est un entier, on a
( ) ( ) ( ) ( ) = + + = + = =
ij ij ij ij
N P 1 N P 1 0 N P 0 N E L
Au prix de certaines hypothses
106
, on peut crire

( ) ( ) ( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( )
1 ij
0 k
1 ij
) 2 (
0 k
k
1
ij
) 1 (
0 k
ij
k
1
ij ij ij N ij
X E N E
X E k k N P
X E k N P
k N X E k N P N X E E X E
ij
=
= =
= =
= = = =
= =

= =

o E(X
l
) = E(X
k
) k, en faisant lhypothse dunicit de la loi des X
k
.

105
Notons que cette relation est galement utilise dans la modlisation des paiements partiels.
106
(1) : indpendance entre les nombres et les montants de prestations, (2) : les montants de prestations sont indpendants et i.i.d.
Annexes

M. Modlisation des dates de rglements futurs
La mthode de Wright (1992) prsente dans cette section est utilise dans le calcul du
Best Estimate et du risque de provision : elle permet dassocier une valeur de temps rel aux
temps oprationnels des rglements futurs.
Le temps oprationnel est modlis partir dune fonction de rpartition de type
exponentielle. Autrement dit, on suppose la relation
( )

=
=

= =
t T
0 T
T c
dT e c t F , 0 1,
o T dsigne la variable alatoire temps de rglement , de ralisation t associe au
temps oprationnel .
En intgrant par T
= T t
0
, on a

( )
( ) ( )
0
t t c
0
t c
0
t t c
0
t c
0
t c
0
t t
'
T
0
t
'
T
'
T c
0
t c
0
t t
'
T
0
t
'
T
'
0
t T c
e e 1 e e e
c
e
e c dT e c

=
=

=
=
+
= |
\
|
=
(
(
= =
,
Comme ( )
0
t c
0 0
e 1 t F

= = , on retrouve lexpression de Wright
( )
( )
0
t t c
0
e 1 1

= .
En inversant cette relation, on obtient

|
\
|

=
0
0
1
1
ln
c
1
t t .
Annexes

N. Projection des rglements de sinistres

Tableau 34 Projections des rglements de sinistres

Anne de survenance
Anne
Calendair
e
1995 1994 1993 1992 1991 1990 1989 1988 1987 1986 1985 1984 1983 1982 1981 1980 1979
1996 188 114 85 54 35 23 19 15 9 5 3 3 1 0 3 0 0
1997 145 88 65 41 27 17 15 11 8 4 2 1 1 0 2 0 0
1998 112 68 50 32 21 14 12 8 5 3 2 2 1 1 2 0 0
1999 86 52 39 25 16 10 9 7 5 2 1 1 0 0 1 0 0
2000 66 40 30 19 13 8 6 5 3 2 1 1 1 0 1 0 0
2001 51 31 22 14 9 6 6 4 2 1 1 1 0 0 1 0 0
2002 39 24 18 12 8 5 4 3 2 1 1 0 0 0 0 0 0
2003 30 18 14 8 5 4 3 2 2 1 0 1 0 0 1 0 0
2004 23 14 10 7 4 3 2 2 1 1 1 0 1 0 0 0 0
2005 18 11 8 5 4 2 2 1 1 0 0 0 0 0 0 0 0
2006 14 8 6 4 2 1 1 1 1 1 0 0 0 0 0 0 0
2007 11 7 5 3 2 2 1 1 0 0 0 1 0 0 0 0 0
2008 8 4 4 2 2 1 1 1 1 0 1 0 0 0 1 0 0
2009 6 4 3 2 1 0 1 0 0 0 0 0 0 0 0 0 0
2010 5 3 2 1 1 1 0 1 0 1 0 0 0 0 0 0 0
2011 4 2 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0
2012 2 2 2 1 0 1 0 0 1 0 0 0 0 0 0 0 0
2013 3 2 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0
2014 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
2015 2 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0
2016 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
2017 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0
2018 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2019 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
2020 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Total
818 496 368 234 153 99 84 63 41 22 13 11 5 1 12 0 0

Annexes

O. Caractristiques du processus dinflation
Pour obtenir une formule explicite de i
t
, on dfinit le nouveau processus X
t
, o X
t
= i
t
.
En introduisant X
t
dans lquation initiale dfinissant i
t
, on voit que X
t
est solution de
lquation diffrentielle stochastique dite de Langevin

t t t
dW dt X dX + = (X
0
= x
0,
> 0, > 0).
Pour rsoudre ce processus, on pose Y
t
= f(t,X
t
) = X
t
e
t
. En appliquant le lemme dto, on a

t
2
2
2
t
dX
X
f
dt
X
f
2
1
t
f
dY
+
(
=
Comme , 0
X
f
, e
X
f
, e X
t
f
2
2
t t
t
=

on en dduit
( )
t
t
t t
t t
t
t
t t
t t
dW e
dW dt X e dt e X
dX e dt e . X dY
=
+ + =
+ =

.
Comme
+ =
t
0
s 0 t
dY x Y , on a
+ =

t
0
s
s
0 t
dW e x Y , soit

+ =

t
0
s
s t t
0 t
dW e e e x X ,
En remplaant X
t
par i
t
, on trouve lexpression intgrale du processus :
( )

+ + =
t
0
s
s t t t
0 t
dW e e e 1 e i i .
Et pour u < t, on a

( ) ( )
( )
( )

+ + =
t
u
s
s t u t u t
u t
dW e e 1 e i i .
Cette dernire solution montre que les valeurs possibles de i
t
sont distribues selon une loi
normale standard. Ce rsultat dcoule des proprits du processus de Wiener dit brownien
standard dfini par
W
t
= t , avec ~ N(0,1) et Cov(W
t
,W
t-1
) = 0, soit W
t
~ N(0,t).
Autrement dit, le processus W
t
est un processus gaussien accroissements indpendants :
la quantit W
t
- W
s
(0 s < t) suit une loi gaussienne desprance nulle et de variance (t s).
Annexes

Comme dW
s
est gaussien et desprance nulle, i
t
est gaussien t et desprance
( )
( ) ( )
( )
u t u t
u r
e 1 e i t , u

+ = .
Ensuite, comme les accroissements dW
s
sont supposs iid et de variance gale ds, on a

( )
( )
( )
( )
( )
( )
( )
u t 2
2
t
u
s t 2 2
t
u
s
s t 2 2
t
u
s
s t 2
r
e 1
2
ds e
dW V e
dW e V t , u

=
=
|
|
\
|
=
(

La discrtisation de i
t
est alors immdiate. En dsignant par le pas de discrtisation
retenu, on retrouve lexpression du modle continu :

( ) ( )
( )
+ + =
+ + + =

+
2
e 1
e 1 e i
t t , t t t , t i
t 2
t t
t
r r t t

Annexes

P. Equidistribution des rsidus gamma de Pearson
Il sagit ici de montrer lquidistribution des rsidus de Pearson issus du modle (20) dans
lequel on suppose les cots moyens S
r
de lois gamma. Rappelons tout dabord lexpression
gnrale de la densit dune variable gamma de loi (,) :
( )
( )

=
1 x
X
x e
x f . (1)
Dans le cadre des modles GLM, la densit des cots moyens S
r
est de la forme

( )
( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
( ) ( )
( )

=
|
\
|
+
+
=
1
1
1
r
1
r
r
r
1
1
r
1
r
S
1
r
1
r r
1
r
r
S
1 r r r
r r
S S exp
S S exp
ln S ln ln
ln S
exp , , S f
(2)
En posant
= = =
r 1
r
et , S X , on retrouve lquivalence entre les expressions (1) et
(2). Par ailleurs, comme
r
m
1
r
= , on en dduit par analogie que
107

( )
r
m
1 1
r
, S

.
Comme la fonction gnratrice des moments dune loi (,) est M(t) = (1 t/)
-
, on a
( ) ( )

=
1
r
r
S
t m 1 t M
On en dduit lunicit de la fonction gnratrice des moments des rsidus de Pearson issus
du modle (20). En particulier, on remarque que cette fonction ne dpend pas des m
r
:

( )
[ ] ( )

= =
(
=
(
(
=
1
t
r
m
t
r
S
t
r
S
r
m
t t
2
r
m
r
m
r
S
t
) p (
r
e
t 1 e M e
e E e e E t M

107
En vertu des proprits dune loi gamma (,r) on vrifie que ( ) ( )
2
r
2
r r r r r
m S V et m S E = = = = .
Annexes

Q. Calcul du risque ultime : programmation de la
procdure de rchantillonage
La macro SAS reoit en input la table des cots moyens INC utilise dans la
spcification du modle. La correspondance entre les libells des variables du programme
SAS et la notation utilise dans le mmoire est expose dans le tableau ci-dessous :
Variables explicatives
s
r
z
to
1 , r
z
to
3 , r
z
to
4 , r
z
c
1 , 1 , r
z
c
1 , 2 , r
z
c
2 , 1 , r
z
c
2 , 2 , r
z
c
3 , r
z S
r
Label SAS a1 b1 b2 b3 c1 c2 d1 d2 e1 S
Les dix premires lignes de la table INC sont prsentes ci-dessous.
N_obs N i j T a1 b1 b2 b3 c1 c2 d1 d2 e1 S
1 29 1 1 1 1 0,151 0,000 0,000 8 0 0 0 1 130534
2 109 1 2 2 1 0,000 0,000 0,000 0 0 7 0 2 94872
3 112 1 3 3 1 0,000 0,000 0,000 0 0 6 0 3 74381
4 182 1 4 4 1 0,000 0,131 0,000 0 0 0 0 4 43125
5 57 1 5 5 1 0,000 0,227 0,000 0 0 0 0 5 49798
6 30 1 6 6 1 0,000 0,278 0,000 0 0 0 0 6 119241
7 25 1 7 7 1 0,000 0,320 0,020 0 0 0 0 7 56186
8 13 1 8 8 1 0,000 0,342 0,042 0 0 0 0 8 132365
9 8 1 9 9 1 0,000 0,356 0,056 0 0 0 0 9 133150
10 4 1 10 10 1 0,000 0,363 0,063 0 0 0 0 10 38841
A chacune des nb_simu itrations, la macro rchantillonne le triangle des rsidus partir
duquel elle forme un pseudo triangle de cots moyens. Ensuite, elle ajuste le modle GLM-
gamma sur le pseudo triangle et rcupre les estimations des p paramtres de rgression (de
label a1, b1, b2, b3, c1, d1, d2 et e1). Les valeurs de ces paramtres, stockes dans la table de
sortie Stock_Param sont ensuite utilises sous tableur Excel pour simuler les PSAP
conformment la procdure dcrite au chapitre II de la troisime partie.
%macro bootstrap(p=,m=,nb_Simu=);
ods listing;
%let ddl=%eval(&m-&p); ddl du coefficient dajustement des rsidus.

1. Calcul des rsidus de Pearson
proc genmod data=inc;
model S= a1 b1-b3 c1 d1-d2 e1 / dist=g link=log noint ;
output out=residus resraw=res_brut reschi=res_P pred=mu;
run;

2. Rchantillonage des rsidus de Pearson
2.1 Gnration du triangle des rsidus de Pearson ajusts

data T1(keep= a1 b1-b3 c1 d1-d2 e1 mu V_mu N_obs) T2(keep= res_P_aj);
set work.residus;
N_Obs+1-1; On attribue un n aux rsidus pour tirage alatoire
V_mu=(res_brut/res_P)**2; On calcule V()=
0.5
partir des rsidus
res_P_aj=res_P*%sysevalf(&m /&ddl)**0.5; On calcule les rsidus de Pearson ajusts
run;
Annexes

2.2 Duplication "nb_Simu" fois des n couples (V( ), ) du triangle suprieur
Proc surveyselect : assigne un n Replicate chaque triangle dupliqu
dsigne par numrecs le nombre dlments du triangle (soit n)

proc surveyselect data=T1 out=T1 method=srs samprate=1 rep=&nb_Simu;run;
2.3 Rchantillonage "nb_Simu" fois du triangle des rsidus ajusts

data T2;
do replicate=1 to &NB_Simu;
do N_Obs=1 to numrecs;
p=ceil(numrecs*ranuni(394747373)); On simule le n du rsidu tirer par tirage uniforme
set T2 nobs=numrecs point=p; On slectionne le rsidu
output;
end;
end;
stop;
run;

2.4 Gnration des pseudo cots moyens

data Pseudo_S(keep = replicate a1 b1-b3 c1 d1-d2 e1 S) ;
merge T1 T2;
by replicate N_Obs;
S=mu+res_P_aj*V_mu**0.5; Rplication bootstrap des cots moyens
run;

2.5 Rgression des "nb_Simu" pseudo triangles

%do cpt = 1 %to &NB_Simu;
dm "clear log;clear output";
proc SQL; Extraction d'un pseudo triangle
create table work.temp as select *
from work.Pseudo_S where replicate =&cpt;
quit;

2.5.1 Rgression sur le cpt
me
pseudo triangle de cots moyens
ods output ParameterEstimates=Param;
proc genmod data=temp;
model S= a1 b1 b2 b3 c1 d1 d2 e1 / dist=g link=log noint ;
proc print data=Param; Rcupration des paramtres de rgression
run; quit;

2.5.2 Sortie des paramtres de rgression
data Param(keep=estimate); set Param; run;
proc transpose data=param out=param; run;
%if &cpt=1 %then %do; Cration de la 1
re
ligne de la table
DATA Stock_Param; SET param ; RUN;
%end;%else %do; Ajout des lignes supplmentaires
DATA Stock_Param;
set Stock_Param param;
run;
%end;
%end;
%mend bootstrap;

%bootstrap(p=8,n=143,nb_Simu=10000);
Annexes

R. Calcul du risque de provision : simulations des dates
de rglements futurs
Afin dtre en cohrence avec le modle de provision, nous continuons de supposer que les
nombres de sinistres restant rgler sont connus et certains. Ensuite, nous choisissons pour
chaque survenance de simuler les dates des rglements futurs partir dune loi exponentielle
de fonction de rpartition
( ) ( )

=
=

= =
t T
0 T
T c
i
dT e c t F t T P
i
, i = 1, , I.
Autrement dit, il sagit pour chaque survenance i de simuler (N
i
N
i,0
) ralisations t
ij
dune
variable exponentielle T dont la loi est de paramtre c
i
, et telles que t
ij
> t
0
. En utilisant la
dfinition des probabilits conditionnelles, on note que ces variables ont pour f.d.r
( ) ( )
( )
( )
( ) ( )
( )
0
0
0
0
0
t F 1
t F t F
t T P
t T t P
t T t T P t G
=
>
< <
= > < = .
Comme
108
( )
t c
i
e 1 t F

= , on retrouve immdiatement la proprit dabsence de mmoire
caractristique de la loi exponentielle avec
( ) ( ) ( )
( )
( )
0
t t c
0 0
t t F e 1 t t T P t T t T P t G
0 i
= = < = > < =

. (1)
En dautres termes, la probabilit dun sinistre dtre rgl entre t et t+dt sachant quil
ntait pas rgl en t
0
est indpendante du temps pass et gale
( )
( ) ( )
( )
dt c e 1
t F 1
t F dt t F
t T dt t T t P
i
dt c
0
0
i
=
+
= > + < <

Comme G et sa fonction rciproque G
-1
sont connues, que G est continue et strictement
croissante sur [0;1], nous dcidons de simuler les t
ij
par la mthode classique de linversion de
la fonction de rpartition.
Cette mthode repose sur le fait que si G est continue et strictement croissante sur [0;1], la
variable alatoire G
-1
(U) a galement pour fonction de rpartition G
109
. Pour simuler un n-
chantillon dune loi de fonction de rpartition G, il suffit alors de simuler n ralisations dune
v.a.r. uniforme U sur lintervalle [0;1] et dappliquer la fonction G
-1
chacune de ces valeurs.
Par lquation (1), on obtient facilement lexpression de la fonction G
-1
:
( ) ( ) ( ) ( ) t G G t G 1 ln
c
1
t t
1
i
0
= = .

108
Se reporter lannexe M.
109
En dsignant par U une variable uniforme sur lintervalle [0 ;1], on a par dfinition de U : ( ) [ ] ( ) [ ] ( ) z G z G U P z U G P
1
= < = <
.
Annexes

S. Calcul du risque de provision : programmation de la
rgression un an
A chaque itration de la procdure Bootstrap
110
, la macro SAS rajuste le modle de
provisionnement partir du triangle de liquidation vu un an.

Entres
La macro SAS prend pour entres :
-
La table initiale des cots moyens INC utilise dans la spcification du modle Best
Estimate et correspondant au triangle de liquidation initial vu en t
0
.
-
La table Diag de Bx15 lignes. Elle est constitue de B blocs, composs des cots
moyens (hors inflation) de lanne simuls pour chaque scnario sous Excel pour les
survenances i = 3 17
111
, et des variables explicatives associes. Chacun des B scnarios
est identifi par la variable n_Simu .
Les cots moyens et les variables associes de la diagonale correspondant au 1
er
scnario
sont prsents ci-dessous :
N_Simu i t T_ope a1 b1 b2 b3 c1 c2 d1 d2 e1 S
1 3 18 0,99 1 0 0,39 0,09
0 0 0
0 18 75 626
1 4 18 1,00 1 0 0,40 0,10
0 0 0
0 18 0
1 5 18 1,00 1 0 0,40 0,10
0 0 0
0 18 116 700
1 6 18 0,99 1 0 0,39 0,09
0 0 0
0 18 100 307
1 7 18 0,99 1 0 0,39 0,09
0 0 0
0 18 69 230
1 8 18 0,99 1 0 0,39 0,09
0 0 0
0 18 113 854
1 9 18 0,96 1 0 0,36 0,06
0 0 0
0 18 89 035
1 10 18 0,95 1 0 0,35 0,05
0 0 0
0 18 144 748
1 11 18 0,92 1 0 0,32 0,02
0 0 0
0 18 131 827
1 12 18 0,91 1 0 0,31 0,01
0 0 0
0 18 143 289
1 13 18 0,87 1 0 0,27 0,00
0 0 0
0 18 121 211
1 14 18 0,81 1 0 0,21 0,00
0 0 0
0 18 104 002
1 15 18 0,69 1 0 0,09 0,00
0 0 0
0 18 51 165
1 16 18 0,59 1 0 0,00 0,00
0 0 0
9 18 15 411
1 17 18 0,33 1 0 0,00 0,00
0 0 0
9 18 33 171

Sorties
La 1
re
ligne de la table de sortie Stock_Param est prsente ci-dessous. Elle est
constitue des paramtres de rgression estims. Les valeurs des paramtres sont utilises
sous Excel pour calculer la provision un an.
N_Simu a1 b1 b2 b3 C1 d1 d2 e1
1 10,1313 2,4163 3,9809 -8,7095 0,1538 0,1818 -0,1023 0,0366

110
Se reporter la procdure de calcul du risque un an dcrite au chapitre II de la partie III.
111
Pour les survenances i = 1 et 2, lensemble des sinistres sont supposs rgls (daprs les estimations de Taylor).
Annexes

Macro SAS
A chacune des nb_simu itrations, lchantillon ajust par le modle GLM-gamma est
constitu du triangle original INC et dune diagonale de cots moyens de lanne venir :
%macro bootstrap_1an(nb_Simu=);
ods listing;
%do cpt = 1 %to &NB_Simu; Ajustement des nb_simu pseudo triangles
dm "clear log;clear output";
proc SQL; Slection dune diagonale
create table work.temp as select *
from work.Diag where n_Simu =&cpt;
quit;
data T(drop=n_simu); Ajout de la diagonale au triangle original
set INC Temp; run;

ods output ParameterEstimates=Param; Ajustement du modle GLM-gamma
proc genmod data=T;
model S= a1 b1 b2 b3 c1 d1 d2 e1 / dist=g link=log noint ;
proc print data=Param; Sortie ODS des coefficients de rgression
run; quit;

data Temp(keep=estimate t_ope); lecture des paramtres de rgression
set Param temp; run;

data Param(keep=estimate);
set temp;
if estimate ne . then estimate = estimate;
if estimate = . then estimate=t_ope; run;

proc transpose data=param out=param; run;

%if &cpt=1 %then %do; Stockage des paramtres de rgression
DATA Stock_Param;
SET param ; run;
%end;%else %do;
DATA Stock_Param;
set Stock_Param param; run;
%end;
%end;

data Stock_Param(keep=a1 b1-b3 c1 d1 d2 e1 phi t3-t17);
set Stock_Param;
rename
COL2=a1 COL3 = b1 COL4 = b2 COL5=b3
COL6=c1 COL7 = d1 COL8=d2 COL9 = e1;
run;
%mend bootstrap_1an;
%bootstrap_1an(nb_Simu=4000);

Herrero

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Herrero

Transféré par

Droits d'auteur :

Formats disponibles

1

reprsentent laccroissement des paiements cumuls observs la

est une constante connue ds lors que D est connu et C

(L) = Inf{x | P[L x] }= Q

est la fonction quantile de L, soit linverse de sa fonction de rpartition.

. On associe le cot moyen

est infirme, ds lors que lvolution des cots

, dont lesprance et la variance sont estimes par la

reprsentent respectivement la variance corrige, la moyenne arithmtique

sont reprsents sur la figure 15.

est lestimation de ln(S

L celle du modle estim.

, o H est la matrice de projection de Y

. Les rsultats sont

. Le lien logarithmique est donc relativement appropri au modle.

calcules partir des

R du prdicteur linaire du modle (24)

, o H est la matrice de projection de Y sur Z.

peut seffectuer en recourant soit la mthode des

dont on rappelle lexpression :

sont les estimations des paramtres du modle calcules prcdemment.

, dont on dduit lestimation du coefficient de dispersion :

par tirage alatoire avec remise

, on dtermine les estimateurs du maximum de vraisemblance des

du modle, utiliss en 2.1.4 pour calculer lesprance des

, pour i = 1,, I, j = 1,,

estims en 2.1, des

, pour i = 1,, I, j = 1,,

par un tirage alatoire selon une distribution

associs aux dates de rglement

+ = = s s m , avec = E(R) et = Var(R).

, pour i = 1,, I, j [1,,

), on calcule les prestations

, pour i = 1,,I, j = 1,,

calcules ltape prcdente, on simule les ralisations

par un tirage alatoire selon une distribution

X X , on ajuste les coefficients de rgression

dfinie dans les spcifications du QIS4 :

x , l dsigne la log vraisemblance maximise du modle estim avec

Vous aimerez peut-être aussi