Vous êtes sur la page 1sur 237

ESSEC

Promotion 2003

ISUP

Mmoire prsent devant

l'Institut de statistique de l'Universit Pierre et Marie Curie


et

l'Ecole Suprieure des Sciences Economiques et Commerciales


pour l'obtention du

Diplme de l'Institut des Actuaires Franais

Assurance

Finance

Par M. Pierre VEND

Sujet : Les Couvertures Indicielles en Rassurance Cat : Prise en compte de la dpendance spatiale dans la tarification Lieu du stage : Benfield Paris

Responsable du stage : Emmanuel DUBREUIL

Invit(s) :

CONFIDENTIEL

Remerciements

Je tiens remercier tout particulirement M. Emmanuel Dubreuil pour son attention, sa patience, et ses conseils aviss. Je remercie aussi M. Philippe Renault de mavoir donn loccasion de raliser ce mmoire au sein de Benfield Paris. Je souhaite galement remercier M. Jean Berthon pour le soutien quil ma apport. Jajoute un vif remerciement M. Jean Pierre Indjehagopian, qui ma fait dcouvrir les tudes dactuariat. Je remercie galement la socit CatiXL davoir accept de mettre ma disposition les donnes ncessaires la ralisation de ce mmoire. Enfin, jadresse mes derniers remerciements mes collgues de Benfield Paris, M. Yves Ledanvic en particulier, pour leur soutien durant ces mois de travail.

ESSEC
Promotion 2003
M. Pierre VEND Lieu du stage : Benfield Paris

ISUP

Les Couvertures Indicielles en Rassurance Cat : Prise en compte de la dpendance spatiale dans la tarification RESUME
Ces dernires annes ont vu le dveloppement dun nouveau march, celui des drivs climatiques. Un produit driv traditionnel est un contrat financier (ou un contrat dassurance) dpendant dun autre actif (action, taux dintrt, matire premire, etc.), appel actif sous-jacent. Lactif sous-jacent dun produit driv climatique est un indice construit partir de donnes mtorologiques, comme par exemple les prcipitations (pluie, neige), le vent ou lensoleillement. Toutefois, le march actuel comporte essentiellement des produits lis la temprature, permettant des entreprises de couvrir une perte de marge ou une perte de chiffre daffaires conscutives un hiver trop doux ou un t trop frais. La couverture indicielle Cat est une forme de driv climatique spcialement adapte la rassurance des vnements catastrophiques (tempte, vague de froid, inondation, etc.). A partir de donnes climatiques enregistres dans un panel de stations mtorologiques, la construction de lindice permet de capturer les variations extrmes de la mto. La couverture indicielle offre alors la garantie dune ventuelle indemnisation, en fonction de la valeur de lindice maturit. Comment effectuer la cotation dune couverture indicielle ? A travers lexemple dune couverture contre le risque de tempte en France base sur un indice de vitesses de vent, un ensemble dapproches envisageables en vue de tarifer une couverture indicielle Cat sera prsent. Plus intressantes que les tarifications fondes sur les valeurs historiques de lindice, les tarifications obtenues partir des variables climatiques elles-mmes posent le problme de la dpendance entre les stations. Au moyen doutils de mesure et de modlisation de la dpendance, en particulier les copules, une tarification affine de la couverture sera propose.

MOTS-CLES
Rassurance, driv climatique, indice, dpendance, valeurs extrmes, copules

ESSEC
Promotion 2003
M. Pierre VEND Lieu du stage : Benfield Paris

ISUP

Pricing Cat Reinsurance Index covers : Dealing with spatial dependency ABSTRACT
The last past years have seen the emergence of a new fascinating market : the weather derivatives market. A traditional derivative product is a financial contract (or an insurance contract) relying on another asset (share, interest rate, commodity) called the underlying asset. The underlying asset of a weather derivative is an index based on weather data, such as precipitations (rain, snow), wind speed or sunshine. The market is today dominated by temperature-related products, which allow the purchasing companies to hedge the risk of a loss in margins or turnover due to a warmer than normal winter or to a cooler than normal summer. The Cat index cover is a kind of weather derivative, which is especially designed to fit reinsurance needs against catastrophic events (windstorm, cold wave, flood). Based on weather data recorded in a network of meteorological stations, the structure of the index can capture extreme weather events. The index cover may lead to a payoff, depending on the index value at maturity. What is the price of an index cover ? Through the example of a cover against windstorm in France based on a wind speed index, some pricing methods for Cat index cover are developed. More interesting than index-based pricing methods, a pricing approach relying on weather data fitting introduces the problem of dependencies between stations. With the help of dependency modelling tools, such as copulas, an enhanced quotation of the index cover is studied.

KEY WORDS
Reinsurance, weather derivative, index, dependency, extreme values, copulas

Sommaire
INTRODUCTION .................................................................................................................................... 5 1 LA REASSURANCE .................................................................................................................... 7
1.1
1.1.1 1.1.2 1.1.3

DEFINITIONS ET PRINCIPES GENERAUX DE LA REASSURANCE .................................. 7


Dfinition et but de la rassurance ................................................................................................. 7 Quelques donnes sur lassurance et la rassurance...................................................................... 9 Les modes de rassurance............................................................................................................. 10

1.2
1.2.1 1.2.2

LES TYPES DE REASSURANCE, LES MECANISMES DES TRAITES DE


La Rassurance proportionnelle ................................................................................................... 12 La Rassurance non proportionnelle ............................................................................................ 15

REASSURANCE............................................................................................................................................ 12

1.3
1.3.1 1.3.2 1.3.3

LE BESOIN DE REASSURANCE EN MATIERE DE RISQUES NATURELS ...................... 17


Dfinitions du risque naturel, des catastrophes naturelles ........................................................... 17 Risque de premier plan pour lassurance ..................................................................................... 18 Un risque croissant ....................................................................................................................... 21

DE LA REASSURANCE CLASSIQUE A LA REASSURANCE NON

TRADITIONNELLE DES RISQUES NATURELS ...................................................... 29


2.1
2.1.1

LA REASSURANCE TRADITIONNELLE DES RISQUES NATURELS ............................... 29


Les formes de rassurance traditionnelle des risques naturels..................................................... 29
a. b. En France .......................................................................................................................................... 29 A ltranger ........................................................................................................................................ 34 De faon gnrale ............................................................................................................................ 35 Du point de vue de la cdante ........................................................................................................ 38 Du point de vue du rassureur ....................................................................................................... 38

2.1.2

Les limites de la rassurance traditionnelle des risques naturels ................................................. 35


a. b. c.

2.2
2.2.1 2.2.2

LA REASSURANCE NON TRADITIONNELLE, LE TRANSFERT ALTERNATIF DES


Dfinition de la Rassurance non traditionnelle........................................................................... 39 Utilisation de la Rassurance non traditionnelle pour les risques naturels.................................. 40

RISQUES NATURELS ................................................................................................................................. 39

2.3 2.4 2.5

LA TITRISATION DU RISQUE NATUREL, LES CAT BONDS ........................................... 41 AUTRES SOLUTIONS ALTERNATIVES A LA REASSURANCE TRADITIONNELLE ... 45 LES INSTRUMENTS DERIVES CLIMATIQUES ..................................................................... 46

PRINCIPES DE LA COUVERTURE INDICIELLE CAT ............................ 51


3.1
3.1.1 3.1.2

LORIGINE DE LA COUVERTURE INDICIELLE CAT ......................................................... 51


Une vocation spcifique ................................................................................................................ 51 Un produit de rassurance............................................................................................................ 52

3.2
3.2.1 3.2.2

FONCTIONNEMENT DE LA COUVERTURE INDICIELLE CAT ........................................ 53


Utilisation de sries de donnes climatiques................................................................................. 53 Lindice : dfinition, utilisation..................................................................................................... 55
a. b. c. d. e. Choix du type de donnes............................................................................................................... 55 Utilisation dun panier de stations................................................................................................... 58 Choix des stations, rpartition du portefeuille entre les stations................................................ 59 Dfinition dun indice par station..................................................................................................... 66 Mcanisme de lindice final, indemnisation due au contrat......................................................... 67

3.3 3.4

ETUDE DUN EXEMPLE ............................................................................................................. 69 LIMITES ET DEBAT SUR LA COUVERTURE INDICIELLE CAT ...................................... 81

PREMIERES APPROCHES DE TARIFICATION DE LA

COUVERTURE ....................................................................................................................................... 83
4.1
4.1.1 4.1.2 4.1.3

HYPOTHESES SUR LA QUALITE DES SERIES DE DONNEES .......................................... 83


Qualit de mesure au cours du temps............................................................................................ 84 Le problme des donnes manquantes .......................................................................................... 84 Conclusion..................................................................................................................................... 85

4.2
4.2.1 4.2.2 4.2.3 4.2.4

TARIFICATIONS SUR LES VALEURS DINDICE.................................................................. 86


Burning Cost sur lindice S(T) ...................................................................................................... 86 Modlisation de lindice S(T) au premier dam/h........................................................................... 89 Modlisation de lindice S(T) avec introduction dun seuil .......................................................... 99 Modlisation des indices Si(T) .................................................................................................... 112

4.3
4.3.1 4.3.2 4.3.3 4.3.4

TARIFICATIONS SUR LES VALEURS QUOTIDIENNES DE VITESSE DE VENT......... 113


Prsentation de la dmarche....................................................................................................... 113 Ajustements au premier m/s ........................................................................................................ 116 Ajustements avec introduction dun seuil.................................................................................... 127 Conclusions ................................................................................................................................. 144

4.4 4.5

AUTRES APPROCHES ENVISAGEABLES ............................................................................ 145 CONCLUSIONS............................................................................................................................ 146

ANALYSE DE LA DEPENDANCE SPATIALE & TARIFICATION

AFFINEE DE LA COUVERTURE ......................................................................................... 149


5.1
5.1.1 5.1.2 5.1.3

MISE EN EVIDENCE DU PROBLEME DE LA DEPENDANCE SPATIALE ..................... 149


Les caractristiques de lvnement climatique.......................................................................... 149 La notion de dpendance............................................................................................................. 150 La dpendance entre les stations dune couverture indicielle..................................................... 151

5.2
5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.2.7

OUTILS DE MESURE ET DE MODELISATION DE LA DEPENDANCE .......................... 156


Prliminaire ................................................................................................................................ 156 Le coefficient de corrlation linaire .......................................................................................... 156 Le coefficient de corrlation de Spearman.................................................................................. 157 Simulation des corrlations......................................................................................................... 158 Prsentation des copules............................................................................................................. 159 Distribution conditionnelle et simulation des copules ................................................................ 161 Le coefficient de corrlation de Kendall ..................................................................................... 162

5.3
5.3.1 5.3.2 5.3.3 5.3.4

PRISE EN COMPTE DE LA DEPENDANCE DANS LA TARIFICATION :


Modlisation des corrlations ..................................................................................................... 163 Modlisation par une Copule de Gumbel.................................................................................... 167 Modlisation par une Copule de Student .................................................................................... 175 Conclusions ................................................................................................................................. 180

MODELISATION AU PREMIER M/S...................................................................................................... 163

5.4
5.4.1 5.4.2 5.4.3

PRISE EN COMPTE DE LA DEPENDANCE DANS LA TARIFICATION :


Modlisation de la corrlation des frquences............................................................................ 182 Modlisation de la dpendance Metz-Orly laide de copules .................................................. 184 Conclusions ................................................................................................................................. 188

MODELISATION AVEC SEUILS............................................................................................................. 181

5.5

INTRODUCTION AU PROBLEME DE DEPENDANCE TEMPORELLE ............................ 189

CONCLUSION ....................................................................................................................................... 190 BIBLIOGRAPHIE ............................................................................................................................... 193 ANNEXES .................................................................................................................................................. 197


ANNEXE 1 : TABLEAUX STATISTIQUES ET ROSE DES VENTS STATION DE METZ ..... 197 ANNEXE 2 : FICHES DESCRIPTIVES DES SERIES UTILISEES CATIXL .......................... 20201 ANNEXE 3 : PRESENTATION DU LOGICIEL DE DFA REMETRICA ....................................... 217 ANNEXE 4 : NUAGES DES VITESSES DE VENT ET QQ PLOTS ................................................ 219 ANNEXE 5 : PROCEDURE DE CALCUL DES VALEURS ZI SOUS R ........................................... 229

INTRODUCTION
Lobjet de ce mmoire porte sur la tarification dune forme relativement originale de protection de rassurance contre les vnements naturels : la couverture indicielle cat. Aprs un rappel des principes gnraux de la rassurance, nous prsenterons le contexte actuel du march de la rassurance des risques naturels. Nous constaterons alors lmergence au cours de la dernire dcennie de solutions novatrices de transfert du risque naturel, qui se posent en alternatives ou en complments de la rassurance traditionnelle. La couverture indicielle Cat constitue lune dentre elles. Son fonctionnement repose sur le transfert du risque financier li la corrlation entre la sinistralit dun portefeuille dassurance et les variations extrmes de la mto. Son mcanisme, comparable celui des drivs climatiques de temprature invents par les acteurs du march amricain de lnergie, sappuie sur la cration dun indice partir de donnes climatiques enregistres dans un panel de stations mtorologiques. La couverture indicielle offre alors la garantie dune indemnisation, en fonction de la valeur de lindice maturit. Comment tablir le prix dune couverture indicielle ? A travers lexemple dune couverture contre le risque de tempte en France base sur un indice de vitesses de vent, nous prsenterons un ensemble dapproches envisageables en vue de tarifer une couverture indicielle Cat. Nous nous apercevrons que certaines de ces approches ncessitent de prendre en compte le phnomne de dpendance spatiale entre les stations mtorologiques. Afin dobtenir une tarification affine, nous mettrons alors en pratique les outils de mesure et de modlisation de la dpendance entre des variables alatoires, en utilisant notamment la thorie des copules.

1 LA REASSURANCE
Cette premire partie vise prsenter succinctement les concepts et les mcanismes fondamentaux associs la rassurance en gnral, et la rassurance traditionnelle des risques naturels en particulier.

1.1

Dfinitions et principes gnraux de la rassurance


1.1.1 Dfinition et but de la rassurance La rassurance est une opration par laquelle une socit d'assurance, ou

cdante, s'assure elle mme auprs d'une autre socit dnomme rassureur, ou cessionnaire, pour tout ou partie des risques qu'elle a pris en charge . La rassurance peut tre dcrite comme un instrument de transfert de risques pour lassureur. Ce dernier est effectivement amen, dlibrment ou pas, souscrire des risques trop levs en valeur ou en nombre pour quil puisse seul les assumer dans leur totalit. Afin de prvenir, de rduire le risque de ruine concomitant, les assureurs utilisent des mthodes visant diviser ou rpartir leurs risques. La rassurance est ainsi, avec la coassurance1, une mthode trs rpandue de partage des risques. Le volume du risque, en valeur, que dcide de conserver lassureur pour son propre compte est appel le plein de conservation , ou rtention. Le montant total des engagements que lassureur sautorise alors souscrire, en sappuyant la fois sur ses propres fonds et sur le renfort de la rassurance, est appel le plein de souscription . Lutilisation de la rassurance apporte des bnfices multiples. Elle est en premier lieu un moyen d'appuyer le dveloppement de la socit dassurance. Une protection de rassurance permet lassureur de souscrire des polices capital
La coassurance est une assurance partage entre plusieurs assureurs garantissant selon un pourcentage dtermin l'avance, un mme risque. En gnral, un des co-assureurs, lapriteur, est charg de la gestion du risque et des relations avec l'assur. Linconvnient de cette mthode pour lassureur rside dune part dans la perte dautonomie et dans la vulnrabilit vis--vis de la concurrence quelle implique, et dautre part dans la lourdeur de la gestion quelle engendre.
1

lev. Elle lui accorde la possibilit daugmenter son plein de souscription, et, par consquent, de dfendre ou daccrotre ses parts de march et son volume daffaires. Par ailleurs, la rassurance peut tre utilise pour financer le dveloppement dun portefeuille dassurance en particulier, le rassureur assumant alors une partie des cots lis la souscription de nouvelles polices. La cdante peut aussi ventuellement bnficier de lexpertise du rassureur ; ce dernier, ayant bien souvent une vision globale du march, est gnralement qualifi pour fournir des conseils en matire de cration de nouveaux produits ou de mthodes de slection et dvaluation des risques. La cession en rassurance participe galement au respect des impratifs et des objectifs de solvabilit. En assurant un transfert des dsquilibres par un crtement de la sinistralit, cest dire en diminuant la probabilit de ruine de la cdante, elle peut indniablement constituer un moyen de renforcer la solvabilit dune socit dassurance. Ce rle est dailleurs gnralement reconnu par les diffrentes autorits de contrles nationales2. Enfin, de faon plus globale, la rassurance peut contribuer la stabilit des rsultats de la socit dassurance3. Cest sans doute lune des fonctions les plus fondamentales de la rassurance contemporaine. Toute socit dassurance, cote ou non, voit dans lutilisation de la rassurance un moyen datteindre des objectifs de rentabilit que ses dirigeants ou ses ventuels actionnaires lui ont fixs. Le transfert des carts de sinistralit que peut apporter une protection de rassurance engendre une diminution de la volatilit des rsultats de la cdante. A chaque exercice, le risque de ne pas atteindre des objectifs de rentabilit peut ainsi en tre limit et la probabilit dobtenir un certain rendement minimum en tre augmente. La protection apporte par la rassurance a bien videmment pour contrepartie le paiement dune prime (la prime de rassurance) par lassureur son ou ses rassureur(s). Ces derniers, poursuivant tout comme lassureur des objectifs de rentabilit et de stabilit des rsultats, mutualisent leurs risques une chelle gographique suprieure celle de lassureur direct. Les socits de rassurance sont donc gnralement par nature des groupes de taille consquente dimension internationale. De plus, elles ont, comme lassureur direct, recours la rassurance,

En France, la Commission de Contrle des Assurances veille notamment ce que la richesse propre des socits dassurance soit suprieure un minimum de marge de solvabilit. Le poids des cessions en rassurance intervient explicitement dans le calcul de ce minimum. 3 Cette contribution est plus ou moins vidente selon les modalits et les caractristiques de laccord de rassurance. Cf. la section 1.2 Les types de rassurance, les mcanismes de rassurance.

appele alors rtrocession, c'est--dire lopration par laquelle un rassureur cde son tour, une partie des risques quil a rassurs un rtrocessionnaire qui peut tre une socit de rassurance ou socit dassurance . La rassurance contribue la marge de solvabilit dune cdante et lui permet de librer du capital destin couvrir des risques. Elle apporte donc cette dernire la possibilit de crotre en limitant lappel aux fonds propres ou lendettement. En vue de participer la stabilit des rsultats, une protection de rassurance efficace doit galement se caractriser par un rel transfert de risque, o la cdante consent diminuer chaque anne lesprance de son rsultat (en transfrant une partie de sa marge au rassureur), afin dattnuer significativement limpact sur ses comptes dune sinistralit exceptionnelle lors dexercices plus difficiles.

1.1.2 Quelques donnes sur lassurance et la rassurance Le poids de lassurance directe dans lconomie, en termes de chiffre daffaires, est considrable. En 2002, le volume des primes dassurance slevait 2 627 milliards USD lchelle mondiale (hors organismes publics dassurance sociale)4. Le volume des primes de rassurance tait estim quant lui 150 milliards USD.

Volume des primes de l'assurance mondiale 2 627 milliards USD


Non Vie 42%

Volume des primes de la rassurance mondiale 150 milliards USD


Vie 16%

Vie 58%

Non Vie 84%

En 2002, les 495 socits dassurance tablies en France ont ralis sur le territoire national un chiffre daffaires de 131,7 milliards EUR. Celui des socits de rassurance slevait quant lui 9,4 milliards EUR)5. Ainsi, lactivit dassurance en

4 5

World Insurance in 2002 . Swiss Re. Lassurance Franaise en 2002 . FFSA.

gnral (hors systme de protection sociale obligatoire), reprsente prs de 10 % du PIB franais. Si la majorit du chiffre daffaires de lassurance directe est ralise en Vie, celui de la rassurance linverse seffectue principalement sur des cessions Non Vie. En Non Vie, le taux moyen de cession en rassurance oscille gnralement entre 10 % et 15 % selon les annes et les pays, alors quil ne dpasse quexceptionnellement les 5 % en Vie. Une telle diffrence illustre lexistence dune demande de rassurance de la part des cdantes bien plus importante dans la branche Non Vie. Le comportement de la sinistralit de cette dernire est effectivement plus variable, faisant de la rassurance un besoin plus structurel en Non Vie quen Vie.

1.1.3 Les modes de rassurance Il est dusage de distinguer trois modes de rassurance traditionnelle. Ceux-ci se distinguent par les dispositions du trait de rassurance : nature du risque couvert, part de polices concernes, spcificit des obligations contractuelles. La rassurance facultative est un contrat conclu entre la cdante et un rassureur portant sur un ou des risques explicitement identifis (un site de production en particulier, un ensemble de biens clairement dlimit, etc.) et qui sont l'objet d'un seul et mme contrat. La cession et lacceptation en rassurance du risque en question rsulte dun libre choix de la part des deux acteurs, do la dnomination facultative . Ce mode de rassurance tablit un lien direct entre le sort de la cdante et celui du rassureur, ces derniers partageant bien souvent dans la pratique leur apprhension de la qualit intrinsque du risque concern, et leur perception de la tarification approprie. Si les parties sont pleinement libres de contracter ou non, elles doivent cependant supporter une ngociation gnralement longue et coteuse, ainsi quune gestion exigeante. La rassurance facultative est donc plutt adapte des risques hors norme, cest dire des polices dassurance pour lesquelles les valeurs assures et le montant des cotisations justifient ce dploiement de ressources. Elle est ainsi principalement utilise pour couvrir les grands risques industriels, et on

10

lobserve couramment dans les branches construction, individuelle accidents ou annulation d'vnements. La rassurance facultative obligatoire (ou Fac-ob) laisse la cdante la libert dinclure ou non au trait de rassurance les risques de son choix, le rassureur quant lui sengageant alors les accepter dans leur totalit. Les dispositions contractuelles du trait de rassurance facultatif obligatoire sont prvues lavance : nature des risques couverts, rtention minimale de la cdante, engagement maximal du rassureur, exclusions ventuelles. Les avantages de ce mode de rassurance sont indniables pour la cdante. Celle-ci peut souscrire de faon plus flexible (montant des garanties, rythme du dveloppement), car elle bnficie dune plus grande libert de cession en rassurance. En contrepartie le rassureur court le risque davoir un portefeuille dsquilibr, dont la composition peut tre exceptionnellement risque. Enfin, la gestion dun tel trait demeure assez lourde. De ce fait, le poids de la rassurance facultative obligatoire dans la rassurance en gnral reste traditionnellement limit. La rassurance obligatoire reprsente le mode de rassurance le plus important en volume daffaires. Lemploi du mot trait dsigne ainsi implicitement dans la pratique un trait de rassurance obligatoire. Dans le cadre dun tel trait, lassureur a lobligation dinclure la totalit des polices dun portefeuille dune branche dfinie, le rassureur celle de laccepter de faon automatique. Ce mode de rassurance donne lieu une gestion bien plus simple que les modes prcdemment dcrits. Il se distingue galement par un transfert de risques souvent nombreux et homognes, permettant ainsi lapplication de techniques actuarielles danalyse. Lensemble de ces modes de rassurance fonctionne de faon

complmentaire. La base d'un programme de rassurance est constitue de traits obligatoires, les facultatives tant utilises paralllement en vue de couvrir des risques exceptionnels de par leur montant ou difficilement mutualisables de par leur nature.

11

1.2

Les types de rassurance, les mcanismes des traits de rassurance


Le transfert de risque de la cdante vers son ou ses rassureur(s) peut

seffectuer par le biais de deux types de rassurance : proportionnel ou non proportionnel.

1.2.1 La Rassurance proportionnelle Un trait de rassurance de type proportionnel se caractrise par lgalit entre la proportion de primes reues par le rassureur et la proportion du cot des sinistres transfrs au rassureur :

prime de rassuranc e montant des sinistres la charge du rassureur = primes totales reues par la cdante montant brut des sinistres la charge de la cdante

Le trait en Quote-Part ou trait en participation constitue une premire forme de rassurance proportionnelle. Dun trait en Quote-Part rsulte un vritable partage du sort entre la cdante et son rassureur. A la totalit des risques dun portefeuille donn sapplique un unique taux de cession (des primes et des sinistres). Les dispositions contractuelles dune Quote-Part dfinissent : le taux de cession, la priode de validit du trait, le champ dapplication (la catgorie daffaires vise assortie dventuelles exclusions, ltendue gographique), mais galement le taux de commission de rassurance et les modalits dune ventuelle participation aux bnfices. La commission de rassurance a pour vocation de faire supporter au rassureur une partie des cots lis aux frais dacquisition et de gestion des contrats dassurance engags par la cdante. Elle est exprime dans les traits en pourcentage des primes perues par la cdante. Si un trait en Quote-Part se traduit par une gestion simple et un principe de rpartition quitable, certaines insuffisances peuvent nanmoins tre imputes son mcanisme. Dune part, le montant des primes cdes peut tre jug comme excessif du point de vue de la cdante (notamment lorsque le rsultat brut de 12

souscription est bon). Dautre part, le mcanisme peut se rvler inappropri, voire inefficace, face des sinistres de montants individuels levs. Enfin, pour le rassureur, la participation lintgralit du portefeuille de la cdante saccompagne dune dpendance vis--vis des qualits de souscription et de tarification de cette dernire. Le trait en excdent de plein, dans une certaine mesure, permet la cdante de remdier ces inconvnients. Son mcanisme repose sur la variabilit du taux de cession en relation avec un fractionnement du portefeuille en diffrents ensembles de polices. Ainsi les dispositions contractuelles du trait en excdent de plein explicitent les mmes caractristiques que celles dun trait en Quote-Part, et dfinissent en sus les modalits plus complexes de cession. Pour chacun des sous-ensembles de polices, le trait indique le plein de rtention et le plein de souscription de la cdante, comme lillustre lexemple suivant :

Plein de souscription: 200 Plein de souscription: 1000

Polices A

Plein de rtention : 10 Plein de rtention : 100

Polices B

Il est alors possible de calculer le taux de cession pour chaque sous-ensemble de polices en fonction des capitaux assurs par police6, de la manire suivante :

Taux de cession = Max[ 0 ;

Min( Plein de souscription ; Capitaux assurs) - Plein de rtention ] Min( Plein de souscription ; Capitaux assurs)

On remarque que : si les capitaux assurs par police dun sous-ensemble sont infrieurs au plein de rtention correspondant, le taux de cession est nul et la cdante conserve le risque dans son intgralit.

Il convient de noter que ceci implique lexistence et la connaissance des sommes assures par police, ce qui nest dans la pratique pas toujours le cas. A dfaut, on utilise souvent une estimation du SMP par police, ou sinistre maximum probable.

13

si

ces

capitaux

assurs

sont

suprieurs

au

plein

de

souscription

correspondant, alors le taux de rtention (qui est gal 1 - taux de cession) est limit au rapport plein de rtention / plein de souscription. En appliquant la formule lexemple prcdent, on obtient les diffrents pourcentages de cession :

Plein de souscription: 200 Capitaux assurs Rtention 5 5 10 10 20 10 50 10 70 10 100 10 150 10 200 10 300 10 Plein de souscription: 1000 Capitaux assurs Rtention 50 50 100 100 500 100 800 100 1000 100 3000 100

Polices A

Plein de rtention : 10 Taux de rtention Taux de cession 0,00% 100,00% 0,00% 100,00% 50,00% 50,00% 20,00% 80,00% 14,29% 85,71% 10,00% 90,00% 6,67% 93,33% 5,00% 95,00% 5,00% 95,00% Plein de rtention : 100 Taux de rtention Taux de cession 0,00% 100,00% 0,00% 100,00% 20,00% 80,00% 12,50% 87,50% 10,00% 90,00% 10,00% 90,00%

Polices B

En consquence, le trait en excdent de plein permet de faire correspondre ampleur du risque (en termes de capitaux sous risque) et niveau de la cession, source a priori dune meilleure homognisation des conservations nettes. Toutefois sa gestion en est plus complexe que celle dune Quote-Part. En pratique, les traits en excdent de plein seront prfrs aux Quote-Part lorsque les capitaux sous risques sont trs variables dune police lautre, comme par exemple dans les branches Incendie risques industriels ou GAV (Garantie Accidents de la Vie). Lutilisation dune Quote-Part rpondra davantage aux besoins de socits jeunes ou de cdantes qui se lancent sur de nouvelles branches, et qui ne matrisent pas parfaitement les risques de souscription.

14

Enfin, les protections de rassurance de type proportionnel peuvent souvent se rvler onreuses compte tenu de lefficacit de leur contribution au rsultat technique dune cdante. La cession dune partie, ventuellement importante, de primes lies des risques quune cdante est en mesure dassumer seule, constitue gnralement un transfert de risque inadquat.

1.2.2 La Rassurance non proportionnelle La garantie apporte une cdante par un trait de rassurance non proportionnelle est lie, indpendamment des sommes assures, la seule ventualit de survenance dun sinistre ou dune perte. Lindemnisation due par le rassureur quivaut au montant du sinistre qui excde un seuil pralablement dfini dans le trait, la priorit, ou franchise, et ne peut gnralement pas dpasser une certaine limite, elle aussi dfinie contractuellement, la porte. Le plafond dun trait de rassurance est alors dfini comme la somme de la priorit et de la porte. La part ventuelle du sinistre qui excde ce plafond demeure la charge de la cdante. En contrepartie, la cdante verse au rassureur une prime lie au transfert de risque quimplique la couverture. La rassurance est non proportionnelle car il nexiste plus de relation purement proportionnelle entre le montant de la prime et le montant des sinistres cds. Par ailleurs, une couverture non proportionnelle sera frquemment compose de plusieurs tranches, chacune tant caractrise par un couple priorit porte. Considrons par exemple le cas o une cdante bnficie dune couverture constitue de N tranches, o les montants Pn et Fn dcrivent respectivement la porte et la franchise de la tranche n (n tant un nombre entier de 1 N). Dans la pratique, toute tranche n+1 sera telle que Fn+1 = Fn + Pn, si bien que lensemble de la
n=N

couverture assure la cdante une protection de

P
n =1

en excdent de F1. Le

plafond de la couverture slve alors FN + PN. Lampleur du risque motivant lemploi dune couverture non proportionnelle justifie le plus souvent dans la pratique le recours un tel dcoupage. Ce dernier a gnralement entre autres avantages de

15

faciliter le placement de la couverture et de diversifier le risque de crdit de la cdante, la multiplicit des tranches engendrant lintrt dune plus grande varit de rassureurs. Le trait en excdent de sinistre constitue une premire forme de rassurance non proportionnelle. On parle dexcdent de sinistre par risque lorsque la couverture et ses modalits sappliquent risque par risque, cest dire police par police. On parle dexcdent de sinistre par vnement lorsque la couverture et ses modalits sappliquent pour des sinistres qui sont le cumul de risques individuels sinistrs lors dun mme vnement. La notion dvnement fait alors lobjet dune dfinition particulire au sein du contrat de rassurance. Dans la pratique, il est frquent dobserver lutilisation de couvertures en excdent de sinistre par vnement pour la rassurance des dommages lis aux prils naturels ou au risque terroriste7 notamment. Le trait en excdent de perte, ou stop loss, est galement une forme de rassurance non proportionnelle. Lobjet de la couverture ne porte plus sur un montant de sinistres lmentaires survenus un moment donn, mais sur lintgralit de la charge sinistre enregistre au cours dun exercice ou dune priode pralablement dfinie. La priorit et la porte dun stop loss sont gnralement exprimes en pourcentage de lencaissement des primes de la cdante, mais peuvent toutefois tre dfinies par des montants fixes. Enfin, la priorit est traditionnellement fixe un niveau tel que lindemnisation de rassurance ne puisse avoir lieu quen cas de relle perte technique de la cdante (o la somme des sinistres et des frais est suprieure aux primes). Une couverture en excdent de perte est trs apprciable pour la cdante, puisquelle peut ainsi protger directement son bilan de toute fluctuation exceptionnelle de sa charge sinistre. Mais le cot du transfert de risque qui en rsulte est gnralement assez lev. La rassurance non proportionnelle est ainsi bien adapte la couverture de risques catastrophiques, cest dire de risques qui ont une faible probabilit de survenance, mais qui sont susceptibles de mettre en pril de faon significative les comptes dune cdante. Le montant de la prime est souvent minime par rapport au montant de lindemnisation en cas de sinistre majeur.
7

Risque de conflagration li un vnement de nature terroriste.

16

Dune manire gnrale, un programme de rassurance efficace doit permettre une cdante de limiter les fluctuations annuelles de la sinistralit quelle conserve, et assurer un vritable transfert de la sinistralit catastrophique. Toutefois, le besoin et l'intrt dune cdante vis vis de la rassurance diffrent selon les branches dassurance et la nature mme des prils assurs. Il en va conscutivement de mme pour les solutions de rassurance (type, forme, modalits) quelle est amene choisir. La partie suivante va permettre dapprofondir la question en matire de prils naturels.

1.3

Le besoin de rassurance en matire de risques naturels

1.3.1 Dfinitions du risque naturel, des catastrophes naturelles Il nexiste pas, au travers des textes rglementaires, de dfinition unique du risque naturel. Il est toutefois possible de dcrire le risque naturel comme la menace, potentielle ou non, que des alas issus dun phnomne naturel (tempte, inondation, sisme, cyclone, scheresse, mouvement de terrain, etc.) font peser sur des enjeux humains (sur des personnes ou sur des intrts humains). La notion de risque naturel diffre de celle dvnement naturel par la prsence de la vulnrabilit quelle suppose pour lhomme et ses activits. Cependant, dans les pages qui suivent, et comme bien souvent dans la pratique, le terme de risque naturel sera utilis dans un sens trs gnraliste. Les risques naturels sont caractriss par une grande diversit de leur dangerosit, du simple accident naturel faible consquence la catastrophe naturelle dont les rpercussions conomiques et humaines sont considrables. Au sens large, on parle de catastrophe naturelle, lorsquun vnement naturel, localis dans le temps et dans lespace, entrane de lourdes pertes humaines ou matrielles, et compromet gravement le bon accomplissement des fonctions de base de la socit.

17

Limpact des catastrophes naturelles sur la socit humaine peut donc tre considrable, en tmoigne lhistorique des dix plus importantes catastrophes naturelles de lhistoire contemporaine en matire de prjudice conomique8 :

Date 17/01/1995 24/04/1991 24/08/1992 17/01/1994 07/12/1988 23/11/1980 06/08/1998 sept-1997 juil-1995 juil-1996

Pays Japon ex URSS Etats-Unis, Bahamas Etats-Unis ex URSS Italie Chine Indonsie Core du Sud Chine

Evnement Tremblement de Terre - Kobe Inondations - rgion de Volgograd Cyclone Andrew - Floride, Bahamas Tremblement de Terre - Northridge Tremblement de Terre - Armnie Tremblement de Terre - Naples Inondations Incendies de Forts - Sumatra et Kalimantan Inondations Inondations

Nombre de victimes 5 502 44 60 25 000 4 689 3 656 6 68 2 775

Estimation du prjudice conomique (USD milliards) 131,5 60 30 26 20,5 20 20 17 15 12,6


source : CRED, EM-Dat

1.3.2 Risque de premier plan pour lassurance Une socit dassurance doit faire face, avec le risque naturel, lune des plus srieuses menaces qui psent sur la stabilit de ses rsultats. En matire de risque naturel, un seul vnement est en mesure de mettre en pril la prennit mme de lensemble des activits dun assureur. Par exemple, le cot des temptes Lothar et Martin a reprsent, pour bon nombre de compagnies dassurances du march franais, prs de la totalit des cotisations de lensemble de la branche Dommages aux Biens encaisses sur lexercice 1999. Lvolution sur la priode 1991-2001 des rapports sinistres primes de la branche Dommages aux Biens de lensemble du march franais permet de mettre en vidence le caractre exceptionnel de cette catastrophe naturelle :

Cet historique peut varier sensiblement selon les sources, selon les mthodes de recueil des donnes et destimation des dommages.

18

Evolution des ratios S/P, branche DAB, France


133,0%

cart type 1991-2001 : 20,7% cart type hors 1999 : 100%


79,5% 72,9% 96,8%

9,9%

77,5% moyenne 1991-2001


68,4%68,3%65,9% 65,2%65,6%64,8% 71,7%

71,9% moyenne hors 1999

1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001

La sinistralit vnements naturels ne reprsente ordinairement (pour la majorit des exercices) quune faible part de la sinistralit annuelle de la branche DAB. Toutefois, la survenance fin dcembre 1999 de Lothar et Martin est responsable dune dtrioration brutale des ratios de sinistralit des cdantes du march franais pour lexercice 19999. Bien souvent, un portefeuille dassurances est constitu de polices pour lesquelles les probabilits de survenance dun sinistre sont indpendantes les unes des autres (incendie dun btiment, dgt des eaux, accident de la route). La loi des grands nombres tend alors tre applicable, et, par leffet de la mutualisation des risques, lassureur est en mesure de prvoir assez correctement la charge de sinistres laquelle il va tre confront. Mais, dans le contexte dvnements catastrophiques, tels les vnements naturels, les sinistralits de chaque risque individuel ne sont manifestement pas indpendantes. Une catastrophe naturelle affecte gnralement la totalit des polices dun portefeuille qui sont situes dans la zone gographique touche. La mutualisation des risques ne peut ainsi pas jouer son rle traditionnel lorsquil sagit de catastrophes naturelles. Laccumulation de

Leffet des temptes est pourtant rparti sur les deux exercices comptables 1999 et 2000, leur survenance en toute en fin danne ayant engendr de grosses difficults destimation de la sinistralit.

19

polices, notamment au sein dune zone gographique restreinte comme un territoire national, entrane directement laugmentation du sinistre maximum probable. Par ailleurs, lvaluation du montant probable dun sinistre catastrophique est souvent problmatique. Les vnements naturels catastrophiques ont une priodicit trs longue, et lexprience passe est souvent insuffisante pour apprhender le risque rel. A plusieurs reprises au cours des deux dernires dcennies, le risque de tempte catastrophique en France a par exemple t sous-estim. Lala que les catastrophes naturelles font courir sur les activits des socits dassurance est donc gigantesque, comme lillustre lhistorique des dix plus importantes catastrophes naturelles de lhistoire contemporaine en matire de dommages assurs :

Date

Pays

Evnement

Nombre de victimes 38 60 51 95 110 71 22 64 26 600

Dommages assurs (USD milliards, en valeur 2003) 20 900 17 312 7 598 6 441 6 382 6 203 4 839 4 476 4 445 3 969

Cot des sinistres en pourcentage des primes Non Vie 5,0% 4,0% 6,5% 3,9%

23/08/1992 17/01/1994 27/09/1991 25/01/1990 25/12/1999 15/09/1989 15/10/1987 25/02/1990 22/09/1999 20/09/1998

Etats-Unis, Bahamas Etats-Unis Japon France, Royaume Uni, France, Suisse, Porto Rico, Etats-Unis, France, Royaume Uni, Europe de l'Ouest, Europe Centrale Japon Etats-Unis, Carabes

Cyclone Andrew Tremblement de Terre - Northridge Typhon Mireille Tempte Daria Tempte Lothar Cyclone Hugo Tempte Inondations Tempte Vivian Typhon Bart Cyclone Georges

source : Swiss Re, Sigma 1/2004

Aussi une protection en rassurance est-elle, dans son rle de contribution la stabilit des rsultats et de diminution de la probabilit de ruine de lassureur, dautant plus primordiale lorsquil sagit de couverture contre le risque naturel. Le tableau suivant atteste de lefficacit de laide que peut apporter la rassurance : limpact des temptes de dcembre 1999 sur les rsultats des socits dassurance directes du march franais a t considrablement rduit par la fonction dcrtement de la sinistralit remplie par les protections de rassurance.

20

Compte de rsultat technique simplifi Ensemble des socits d'assurances du march franais - Branche DAB
chiffres en EUR millions

1998 8 839 5 726 7 254 4 500 490 2 532 1 071 712

1999 8 811 11 716 7 507 6 559 749 2 508 -4 664 -811

Brut de Rassurance Primes Charges des prestations Net de Rassurance Primes Charges des prestations Produits Financiers Autres charges techniques Rsultat technique brut de rassurance Rsultat technique net de rassurance

source : Commission de contrle des assurances

Un solde de rassurance nettement positif en 1999, en grande partie li aux indemnisations perues au titre des vnements naturels, a permis damliorer le rsultat technique de la branche DAB de prs de EUR 4 milliards.

1.3.3 Un risque croissant Il nexiste aujourdhui lchelle internationale ni institution unique spcifiquement ddie au recueil et la vrification des donnes sur les catastrophes naturelles, ni mthode standard dvaluation des dommages. Toutefois, Munich Re, Swiss Re et le CRED10 constituent des organismes de rfrence en la matire. Si la qualit des donnes disponibles nest considre comme rellement bonne que depuis les annes 1980, une observation rapide des statistiques tablies partir de ces trois sources diffrentes permet de dceler de faon manifeste un accroissement significatif de la frquence et de la svrit des catastrophes naturelles au cours des dernires dcennies. Dans le graphique ci-dessous, labor partir des donnes de EM-Dat, sont considrs comme catastrophes naturelles les vnements naturels ayant entran un ou plusieurs des maux suivants : le dcs de 10 personnes ou plus, un nombre
10

Le CRED (Centre for Research on the Epidemiology of Disasters, Universit Catholique de Louvain Bruxelles), entretient des fins humanitaires, en collaboration avec lOFDA (Office of U.S. foreign disaster assistance), la base de donnes publique sur les catastrophes mondiales EM-Dat (Emergency Disasters Data Base).

21

de blesss ou de sans-abri suprieur ou gal 100, la reconnaissance par des autorits locales de ltat durgence, et/ou un appel laide internationale.

Catastrophes naturelles : volution en nombre et en montant du prjudice conomique (USD milliards) 1970-2001
100 90
Prjudice conomique (USD Mds)

USD 190,5 Mds

450 400
Nombre de catastrophes naturelles

80 70 60 50 40 30 20 10 0 1970
Inondations Nombre de catastrophes naturelles

350 300 250 200 150 100 50 0

1975

1980

1985
Temptes Autres Evnements

1990

1995

2000
Source : CRED, EM-Dat

Sismes, Eruptions volcaniques

Si lon observe lvolution des grandes catastrophes naturelles et leurs tendances sur le graphique suivant publi par Munich Re11, on constate nouveau laugmentation indniable des dommages conomiques engendrs par les catastrophes naturelles, mais galement laccroissement conjoint des dommages la charge des socits dassurance. Ces derniers connaissent dailleurs une croissance encore plus soutenue, du fait de laugmentation simultane des expositions (de plus en plus de biens assurs).

11

Rtrospective des catastrophes naturelles survenues en 2001 . Revue Topics, Munich Re Group. Sont dfinies comme grandes catastrophes naturelles , les vnements naturels qui entranent pour les rgions affectes lincapacit de faire face seules la situation et lobligation de demander du secours lchelon national ou international , ce qui est gnralement le cas lorsque le nombre des victimes atteint le millier, celui des sans-abri la centaine de milliers ou que le pays touch subit un prjudice conomique substantiel par rapport sa situation conomique .

22

Catastrophes Naturelles : volution du prjudice conomique et des dommages assurs (USD milliards) 1950-2001

Prjudice conomique (valeur 2001) dont dommages assurs (valeur 2001) Tendance du prjudice conomique Tendance des dommages assurs

Source : Munich Re Re Source : Munich

Enfin, la tendance est galement confirme par les donnes publies par Swiss Re12, qui sont reprises dans le graphique suivant :

Catastrophes naturelles : volution des dommages assurs (USD milliards en valeur 2003) 1970-2003
35 30 25 20 15 10 5 0 1970 1975 1980 1985
Tendance

1990

1995

2000

Dommages assurs (USD milliards)

source : Swiss Re, Sigma 1/2004

12

Catastrophes Naturelles et techniques en 2003 : Un grand nombre de victimes, mais des dommages assurs modrs . Revue Sigma N1/2004.

23

Les diffrentes sources dinformation sur les catastrophes naturelles indiquent dune part que la frquence de tels vnements aurait quadrupl sur les trente dernires annes, et dautre part que les prjudices conomiques et les dommages assurs qui en rsultent se seraient accrus dun facteur compris entre 10 et 20 sur la mme priode. Cette croissance peut sexpliquer en grande partie par des facteurs non mtorologiques. Laccroissement de la densit dmographique et celui du montant des biens assurs, en particulier dans les zones risques, sont frquemment cits comme causes principales de cette volution. La grande fragilit de certains matriaux et technologies modernes est galement voque13. Toutefois, des analyses scientifiques de plus en plus nombreuses attestent de la vraisemblance dune recrudescence des catastrophes naturelles en elles-mmes. Ltude de donnes mtorologiques, tout comme lobservation des volutions historiques de frquence et de svrit des catastrophes naturelles, appuie lhypothse dune croissance du risque naturel. Le rapport publi en 2001 par le Groupe dexperts intergouvernemental sur lvolution du climat (GIEC)14 dcrit notamment les principaux changements climatiques dtects partir de ltude de plusieurs indicateurs : un rchauffement de couche infrieure de latmosphre, une augmentation des prcipitations dans certaines rgions, et une augmentation du risque de scheresse dans dautres. Le tableau suivant, extrait de ce rapport, synthtise les observations les plus significatives.

13 14

Catastrophes naturelles et rassurance . Publication Swiss Re 2003. Rapport de synthse, Changements Climatiques 2001 . IPCC (Intergovernmental Panel on Climate Change).

24

Indicateur Climatique Temprature moyenne mondiale la surface

Changement observ Augmentation de 0,6C (+/- 0,2 C) au cours du 20me sicle Rchauffement plus important des zones terrestres que des ocans (90 99 % de probabilit). Augmentation au cours du 20me sicle plus importante quau cours de tout autre sicle du dernier millnaire ; Annes 1990 : dcennie la plus chaude du millnaire (66 90 % de probabilit). Diminution entre 1950 et 2000 sur les zones terrestres Augmentation deux fois plus rapide des tempratures minimales nocturnes que des tempratures maximales diurnes (66 90 % de probabilit). Augmentation (66 90 % de probabilit). Diminution pour la quasi totalit des zones terrestres au cours du 20me sicle (90 99 % de probabilit). Augmentation de 5 10 % au cours du 20me sicle dans

Temprature la surface dans lhmisphre Nord

Fourchette de tempratures la surface diurnes Jours chauds/indice de chaleur Jours froids/de gel

Prcipitations continentales

lhmisphre Nord (90 99 % de probabilit), mais diminution sur certaines rgions (Afrique du Nord et occidentale et certaines parties de la Mditerrane, par exemple).

Fortes prcipitations

Augmentation aux latitudes nord moyennes et suprieures (66 90 % de probabilit). Absence accrue de prcipitations en t et augmentation de la scheresse associe dans quelques zones (66 90 % de

Frquence et intensit de la scheresse

probabilit). Dans certaines rgions, telles que certaines parties de lAsie et de lAfrique, on a observ une augmentation de la frquence et de lintensit de la scheresse au cours des dernires dcennies.

Les travaux publis dans la revue La Mtorologie - n3815, tayent galement une partie de ces conclusions lchelle de la France :

Les Changements climatiques en France au XXe sicle. Etude des longues sries homognises de donnes de temprature et de prcipitations . Jean-Marc Moisselin, Michel Schneider, Claire Canellas et Olivier Mestre. La Mtorologie n38 aot 2002.

15

25

La dtection dune tendance la hausse de la temprature moyenne sur les 100 dernires annes :

Cartographie des tendances 1901-2000 (en C/sicle) de la temprature moyenne ( partir de 70 sries). Figure extraite de La Mtorologie n38 aot 2002

La dtection dune tendance la hausse de la temprature maximale et dune tendance la hausse deux fois plus importante de la temprature minimale sur les 100 dernires annes :

Cartographie des tendances 1901-2000 (en C/sicle) Cartographie des tendances 1901-2000 (en C/sicle) de la temprature minimale de la temprature maximale ( partir de 70 sries homognises de tempratures minimales). ( partir de 70 sries homognises de tempratures maximales). Figure extraite de La Mtorologie n38 aot 2002 Figure extraite de La Mtorologie n38 aot 2002

26

Ces travaux corroborent galement, mais de faon moins vidente, les conclusions concernant la hausse des prcipitations (pour la partie Nord de la France) et laugmentation du risque de scheresse (pour le Sud de la France). Pour le GIEC, ces diffrentes volutions climatiques, qui pourraient saccompagner dune intensification du cycle de leau, laissent ainsi prsager une augmentation des risques de catastrophes naturelles, en particulier les inondations et la scheresse, dans de nombreux endroits du globe. Bien que moins consensuelles, les hypothses dune recrudescence de lactivit cyclonique tropicale et dune augmentation de lintensit des temptes aux latitudes moyennes sont galement envisageables. Une grande incertitude demeure cependant quant lvolution des phnomnes des tudes mtorologiques approfondies extrmes. Pour les pour offices mieux mtorologiques, sont ncessaires

apprhender lvolution des valeurs extrmes. Face ces incertitudes, les acteurs de lassurance disposent depuis quelques annes doutils de modlisation de plus en plus perfectionns des prils naturels16. Toutefois, ces outils, dont le fonctionnement sappuie sur une vision simplifie de la ralit (dfinition dun vnement naturel, valuation de son intensit, estimation des dommages concomitants, calcul de la perte conomique), souffrent encore dun manque de crdibilit. Les rsultats varient effectivement assez largement dun modle lautre. De plus, ils reposent quasi exclusivement sur lexprience passe afin de prvoir les vnements futurs (notamment en matire de frquence des vnements), ne prenant donc pas en considration les consquences de probables changements climatiques. En gardant en mmoire leur sensibilit et leurs limites, ces modles peuvent tout de mme se rvler utiles dans la connaissance de lexposition dun portefeuille dassurances aux prils naturels. La grande htrognit des risques naturels, l'accroissement en nombre et en intensit des catastrophes naturelles ces dernires annes se prsentent comme des obstacles de poids pour les acteurs de lassurance et de la rassurance. Aujourdhui, la couverture des risques naturels est loin dtre totale17. La majeure

16

Ce sont principalement trois compagnies qui commercialisent aujourdhui ce type de logiciels : AIR, EQECAT et RMS. 17 Cette carence de protection est bien videmment flagrante dans les pays en dveloppement, mais elle est galement notoire dans les pays riches, lesquels sont lobjet vritable des ides exposes ici, o le secteur assurantiel est trs dvelopp.

27

partie des dommages conomiques engendrs par les catastrophes naturelles nest pas assure lheure actuelle. Selon Munich Re18, sur les USD 64,6 milliards de dommages conomiques provoqus par les catastrophes naturelles survenues en 2003, un peu moins de 25 % (15,8 milliards de USD) taient assurs. La couverture des risques naturels en rassurance peut galement savrer insuffisante. Ainsi, comme lillustre la figure suivante, plus de la moiti du montant des sinistres Lothar et Martin fut la charge des cdantes19 :

Rpartition de la charge sinistre des temptes de Dcembre 1999

30,7% 51,4% 44,1%

56,5% 46,7% 30,7% 7,3% Lothar Rtention Martin Rassurance 9,2% Total Dcouvert de couverture

41,3%

Le chapitre suivant vise dcrire lventail de solutions aujourdhui utilises par les socits dassurance en vue de rpondre le mieux possible leur besoin trs particulier de rassurance en matire de risques naturels.

18 19

Rtrospective des catastrophes naturelles survenues en 2003 . Revue Topics, Munich Re Group. Etude 2003 des Renouvellements des protections tempte du march franais . Benfield Paris.

28

2 DE LA REASSURANCE CLASSIQUE A LA REASSURANCE NON TRADITIONNELLE DES RISQUES NATURELS

2.1

La rassurance traditionnelle des risques naturels


2.1.1 Les formes de rassurance traditionnelle des risques naturels a.
En France

Si le territoire franais nest pas, en comparaison de certaines rgions du globe, particulirement expos aux risques naturels extrmes, les inondations constituent de faon rcurrente des charges substantielles pour les collectivits et les socits dassurance. La survenance dune crue centennale Paris, telle celle de 1910, serait tout de mme un vnement dune ampleur extraordinaire qui pourrait entraner des dommages conomiques estims prs de 10 milliards deuros20, dont une partie significative incomberait aux assureurs. Les temptes hivernales, dont les consquences conomiques peuvent tre colossales (Tempte de 1987, Daria, Vivian, Wiebcke et Herta en 1990, Lothar et Martin en 1999), reprsentent galement un risque naturel de premier plan en France mtropolitaine. Par ailleurs, bien que peu concerne par le risque sismique, la France pourrait avoir faire face des dgts avoisinant les 15 milliards deuros si un important sisme venait se produire dans le Sud-Est. Enfin, le risque naturel est dans les Dom-Tom particulirement lev, du fait de lexposition de ces derniers aux cyclones et/ou aux risques sismique et volcanique. Lassurance des vnements naturels catastrophiques repose en France sur un systme assez particulier, dans lequel on dnombre quatre rgimes diffrents dindemnisation des dommages matriels. La loi du 13 juillet 1982 a instaur le rgime dindemnisation des catastrophes naturelles proprement dit. Son apparition fait suite aux consquences des grandes inondations qui ont affect la France la fin de lanne 1981, et vise remdier labsence de protection contre les dommages provoqus par les vnements naturels, une exclusion jusqualors de rgle dans les contrats
20

Entreprises et risque de crues Paris et en petite couronne . Etude de la CCIP, 1999.

29

dassurance21. Ainsi, la loi rend obligatoire, au sein de tout contrat dassurance dommages aux biens, linclusion dune garantie contre les vnements naturels catastrophiques. De nature mixte, reposant la fois sur lassurance de march et sur la garantie finale de lEtat, le systme fonctionne selon le principe de mutualisation, son financement est assur par un taux de cotisation identique pour tous les assurs (12 % depuis 1999 pour les contrats Dommages aux Biens). Le dclenchement de lindemnisation est subordonn la reconnaissance de ltat de catastrophe naturelle par les autorits publiques au moyen dun arrt interministriel. Le champ dapplication des dommages couverts a t tout dabord dfini comme les dommages matriels directs ayant eu pour cause dterminante l'intensit anormale d'un agent naturel, lorsque les mesures habituelles prendre pour prvenir ces dommages n'ont pu empcher leur survenance ou n'ont pu tre prises 22, puis prcis par la loi du 16 juillet 1992 comme les seuls dommages matriels non assurables . Bien quil ny ait pas de liste prcise de ces vnements naturels, les inondations et/ou coules de boue, les sismes, les mouvements de terrain, la scheresse23, les raz de mare, les ruissellements deau, de boue ou de lave, et les masses de glace ou de neige en mouvement sont couverts par le systme des catastrophes naturelles. Par contre, les dommages dus aux effets du vent nen font plus partie depuis 199024. Le tableau suivant indique les principaux vnements dclars catastrophes naturelles depuis linstauration du rgime :

Exercice de survenance 1982/1983 1987 1988 1990 de 1989 2000 1992 1993 1993/1994 1994 1995 1995 1996

Evnement Temptes/Inondations (1) Tempte Octobre (1) Inondations Octobre (Nmes) Inondations Fvrier Subsidence (2) Inondations Septembre (Vaison) Inondations Septembre/Octobre Inondations Dcembre/Janvier Inondations Novembre (Nice) Inondations Janvier/Fvrier Inondations Aot/Septembre (cyclones Antilles) (3) Sisme Juillet (Annecy)

Estimation cot march (en Exercice de survenance millions d'euros) 534 107 290 183 3200 244 305 259 122 396 110 61 1996 1997 1998 1999 1999 1999 2000 2001 2001 2002* 2002*

Dsignation Inondations Dcembre (Sud-Ouest) Inondations Juin (Normandie) Inondations Juin (Nord/Pas-de-Calais) Inondations Novembre (Grand Sud) Ouragans Jos et Lenny (DOM) (3) Temptes Lothar et Martin (3) Inondations Dcembre (Bretagne) Inondations Janvier (BretagneNormandie) Inondations Avril (Somme) Cyclone Dina Janvier (Runion) Inondations Septembre (Sud)

Estimation cot march (en millions d'euros) 76 30-40 10-20 240-250 50-60 220-230 60-70 40-50 60-80 90-100 700
source : Caisse Centrale de Rassurance

(1) L'indemnisation au titre des "Cat-Nat" a t effectue en complment ou dfaut des garanties contractuelles temptes. (2) Il s'agit des dommages causs aux btiments par la scheresse du sous-sol. (3) Il ne s'agit que des dommages causs par les eaux, les dommages dus au vent relevant de la garantie contractuelle T.O.C. (Tempte, Ouragan, Cyclone) * estimations

21

Cette absence de couverture tait le fruit de plusieurs facteurs : une insuffisance de statistiques fiables en la matire, un risque important et mal connu de cumul des expositions, un mcanisme dantislection d au caractre facultatif de la garantie. 22 Loi n82-600 du 13 juillet 1982 relative lindemnisation des victimes de catastrophes naturelles. 23 Plus prcisment la subsidence, i.e. les dommages causs aux btiments par la scheresse du sous-sol. 24 Loi n90-509 du 25 juin 1990. Modifiant le code des assurances et portant extension aux dpartements d'outremer du rgime d'indemnisation des catastrophes naturelles.

30

Le rgime dindemnisation des catastrophes naturelles en France tire son originalit et sa mixit de la nature des acteurs engags financirement. Les socits dassurance, acteurs de lconomie de march, effectuent la collecte des primes et le rglement des sinistres catastrophes naturelles. Elles peuvent se rassurer auprs de la Caisse Centrale de Rassurance (CCR), qui est habilite pratiquer les oprations de rassurance des risques rsultant des catastrophes naturelles, avec la garantie de l'Etat . Cette garantie financire de lEtat, visant pallier une ventuelle insolvabilit de la CCR, assure le principe de solidarit du systme. Bien que la cdante conserve la libert de se rassurer ou non, et ce auprs du rassureur de son choix, la CCR, forte de la garantie de lEtat, domine le march de la rassurance des catastrophes naturelles. Par lintermdiaire de protections de rassurance de capacit illimite, autrement dit en acceptant le transfert intgral du risque de sinistralit extrme, la CCR est en effet en mesure doffrir aux cdantes une scurit absolue, fort logiquement apprcie par ces dernires. En pratique, larchitecture des couvertures de rassurance proposes par la CCR est btie au moyen de deux formes de rassurance : une cession en Quote-Part au taux de 50%25, et un Stop Loss sur rtention de porte illimite (et de franchise gnralement gale 200 %), qui complte la Quote-Part. Depuis sa cration, le systme a suscit de nombreux dbats autour de sa viabilit. Plusieurs ajustements effectus ces dernires annes ont notamment permis damliorer les rserves de la CCR, comme lillustre le graphique suivant :

25

Lunicit du taux de cession de 50%, ainsi que labsence de commission de rassurance, ont t tablies en 2000.

31

Evolution du chiffre d'affaires et de la provision d'galisation de la CCR (EUR Millions) 1986-2002


700 600 500 400 300 200 100 0 1986 1988 1990 1992 1994 1996 1998 2000 2002
Provision d'galisation (EUR millions) Chiffre d'affaires (EUR millions)

source : Caisse Centrale de Rassurance

Les risques de catastrophes naturelles tant de mieux en mieux connus, des adaptations progressives permettent de maintenir le principe de solidarit du systme. Toutefois, plusieurs annes de sinistralit leve seraient susceptibles de mettre mal la rentabilit et la prennit mme du systme. Enfin, de nombreux acteurs reconnaissent lexhaustivit du systme franais dindemnisation des catastrophes naturelles, qui apporte une garantie gnralise lensemble de la population et permet des indemnisations relativement rapides. On lui reproche cependant limpact ngatif quil peut jouer en matire de prvention, ainsi que labsence de couverture des dommages corporels.

La loi du 25 juin 1990 a dune part tendu le systme des catastrophes naturelles aux Dpartements dOutre-Mer, et dautre part modifi le rgime dindemnisation des dommages rsultant des effets du vent. Ces derniers, considrs comme assurables , ont t exclus en 1990 du champ dapplication de la loi de 1982, mais leur couverture est dsormais systmatiquement incluse dans chaque contrat dassurance Incendie. Ainsi, la garantie des effets du vent, c'est-dire Temptes, Ouragans, Cyclones, fonctionne sur le mode contractuel, assureur et assur saccordant librement sur les conditions dassurance.

32

En consquence, les socits dassurance, en matire dvnements naturels hors catastrophes naturelles, ont recours plus librement au march de la rassurance. Bien souvent, les traits de rassurance qui sensuivent offrent des garanties contre les dommages des temptes, de la grle et du poids de la neige. On parle de programmes de rassurance TGN (Tempte, Grle, Neige). Bien que la forme proportionnelle soit encore assez rpandue, le trait en excdent de sinistre par vnement reprsente la protection traditionnelle la plus adapte en rassurance TGN. On parle galement de trait en excdent de sinistre catastrophe, en anglais catastrophe excess of loss , et souvent abrg Cat XL. La garantie accorde par les rassureurs dans le cadre dune couverture Cat XL est gnralement limite. Afin que la cdante soit couverte en cas de survenance de plusieurs vnements au cours de la priode de validit du trait (le plus souvent une anne), il est frquent dinclure des clauses de reconstitution de garantie. En contrepartie dune prime additionnelle, celles-ci permettent de renouveler automatiquement la garantie (la porte), au fur et mesure de son absorption. Les cdantes prsentes sur le march franais consacrent un budget important aux couvertures TGN. Lors du renouvellement 2003, le montant des primes de rassurance des traits Cat XL sest lev 484 millions deuros, soit plus de 50 % de lencaissement TGN peru par les cdantes26.

Enfin, paralllement ces deux principaux rgimes dindemnisation des dommages lis aux vnements naturels catastrophiques, le Fonds National de Garantie des Calamits Agricoles (cr en 1964) indemnise les exploitations agricoles victimes de dommages non assurables, et le Fonds de Prvention des Risques Naturels Majeurs (1995), dont la gestion est assure par la CCR, verse des indemnits aux personnes expropries de leurs biens en raison de la grave menace que ces dernires encourent, de par la prsence avre dun risque naturel majeur (mouvements de terrain, avalanches ou crues torrentielles notamment).

26

Etude 2003 des Renouvellements des protections tempte du march franais . Benfield Paris.

33

b.

A ltranger

La diversit du risque naturel (nature, frquence, ampleur) lchelle internationale, combine aux diffrences culturelles, financires et politiques entre les pays, est la source de la multiplicit des solutions choisies ltranger en matire de couverture des risques de catastrophes naturelles. Les modalits des rgimes dindemnisation se distinguent selon le niveau dintervention de lEtat, et selon le caractre obligatoire ou facultatif de la protection. Plusieurs pays europens ont opt, tout comme la France, pour un systme dassurance obligatoire, avec un degr dengagement financier de lEtat plus ou moins lev. Le tableau suivant synthtise les principales caractristiques des systmes en vigueur dans ces pays :
Les rgimes de couverture des catastrophes naturelles en Europe, avec intervention de l'Etat
Pays / Organisme Evnements couverts Evnements exclus Biens garantis Dommages garantis Financement

Belgique / Fonds des Calamits

vnements qui rsultent de l'intensit ceux qui sont indemniss anormale d'un agent naturel par les cies d'assurance sismes, inondations, glissements de terrain inondations dues une lvation du niveau de la mer sismes, inondations, ruptions volcaniques, cyclones atypiques vnements qui rsultent de l'intensit anormale d'un agent naturel sismes, inondations, glissements de terrain, ruptions volcaniques, raz de mare sisme, inondations, temptes, avalanches, ruptions volcaniques, raz de mare temptes, poids de la neige, grle, crues, glissements de terrain, chute de pierres, avalanches gel, scheresse, foudre ruption volcanique, rupture de barrage, sismes

risques simples

dommages directs seuls

Etat

Belgique (projet en cours)

temptes

risques simples, vhicules terrestres

dommages directs, perte d'exploitation

polices incendie, surprime de 9 % taxe forfaitaire annuelle par police incendie

Danemark / Stormflodsradet Espagne / Consorcio de Compensacion France / Caisse Centrale de Rassurance

temptes, pluies torrentielles, dgel neige, grle,vent, pluie sauf intensit exceptionnelle TOC

tous les biens assurs dommages directs seuls contre l'incendie

btiments usage Surprime proportionnelle dommages directs seuls priv, industriel, la valeur assure agricole ou commercial tous les biens assurs contre l'incendie tout immeuble priv assur contre l'incendie dommages directs, perte d'exploitation Taxe 12 % sur polices dommages aux biens surprime maxi 50 % de la prime incendie

Italie (projet en cours)

Norvge / Norsk Naturskadepool Suisse (19 cantons avec monopole d'assurance)

btiments usage Surprime proportionnelle dommages directs seuls priv, industriel, la valeur assure agricole ou commercial btiments usage Surprime proportionnelle dommages directs seuls priv, industriel, la valeur assure agricole ou commercial
Source : SCOR

Dans de nombreux autres pays, tels lAllemagne, le Royaume Uni, les EtatsUnis ou le Japon, le systme dassurance est de nature facultative, et repose des degrs divers sur les principes libraux. Il peut en rsulter dans certains cas un degr de couverture moindre et des niveaux dindemnisation plus faibles que dans les pays systme dassurance obligatoire. La couverture des vnements naturels y constitue toutefois un vritable march comptitif o les assureurs sefforcent de

34

mieux connatre les risques naturels et de matriser leurs expositions. La rassurance y est galement trs dveloppe. En fonction notamment de leur propre exprience des risques naturels, chaque pays a vu merger des situations dassurance et de rassurance assez particulires en matire de risques naturels. Pour lensemble des socits dassurance, les protections de rassurance sous forme traditionnelle demeurent cependant de loin les plus utilises. Mais, la connaissance et la perception du risque par les diffrents acteurs (tats, assurs, assureurs et rassureurs) voluent continuellement, et font voluer avec elles les situations dassurance et de rassurance, lorsque des dysfonctionnements apparaissent.

2.1.2 Les limites de la rassurance traditionnelle des risques naturels a.


De faon gnrale

Lutilisation de la rassurance traditionnelle ne semble pas totalement satisfaisante en matire de risques naturels. La difficult quantifier lampleur du risque naturel est telle que ce dernier peut dans certains cas tre considr comme non assurable. Jusqu prsent, la seule rassurance traditionnelle, en tant que produit ngociable sur un march concurrentiel, na pas pu permettre aux socits dassurance de proposer aux assurs une couverture optimale contre les prils naturels. Pour bon nombre de prils naturels, lobstacle majeur rside dans la mconnaissance du risque et la difficult de proposer des couvertures des prix jugs acceptables. Les progrs raliss dans la connaissance des risques, et le dveloppement des mthodes de modlisation, semblent toutefois participer un meilleur fonctionnement du march de la rassurance traditionnelle des vnements naturels. En France, la loi de 1990 portant sur les dommages rsultant des effets du vent illustre cette volution. Mais le march traditionnel de la rassurance des vnements naturels reste sujet des cycles tarifaires pluriannuels trs marqus. La volatilit des prix des couvertures Cat XL est effectivement trs lie lvolution de la charge sinistre, et dans une moindre mesure, ltat des marchs de capitaux. Le graphique suivant,

35

issu dune publication de Swiss Re27, permet de mettre en vidence lexistence de cycles tarifaires.

Source : Swiss Re 2003 - Catastrophes naturelles et Rassurance

La survenance dun ou plusieurs sinistres majeurs au cours dun exercice (par exemple les temptes hivernales en Europe en 1990 puis louragan Andrew en 1992) entrane lors des exercices suivants la fois une croissance de la demande et une diminution de loffre de rassurance. Leffet induit est alors une volution la hausse des prix des couvertures pendant quelques annes. Par la suite, lamlioration de la rentabilit du secteur, conscutive labsence de catastrophe, renouvelle loffre de rassurance et accrot la concurrence sur le march. Il sen suit une inversion du cycle tarifaire (exemple en 1994) et le dbut dune phase de diminution des prix. Le cycle sinverse nouveau quand surviennent de nouvelles catastrophes majeures (comme en 1999), et lorsque les marchs financiers seffondrent (en 2001). Sans lriger en thorie, lexistence de cycles tarifaires marqus est bien palpable dans lexprience des quinze dernires annes. Lvolution de lindice des prix des protections tempte en excdent de sinistre sur le march franais depuis 199428 abonde galement dans ce sens.

27 28

Catastrophes naturelles et rassurance . Risk Perception - Swiss Re, 2003 Etude 2004 des Renouvellements des protections tempte du march franais . Benfield Paris.

36

1 200 1 000 1 000 964 862 Indice de Prix (Base 1000 en 1994) 800 872 697 724 600 586 400 466 382 333 200 Indice ROL Indice Prix pur 561 467 426 611 548 466 510 838 1062 1128 1097

0 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

Source : Benfield Paris

La prsence de cycles tarifaires est bien videmment un inconvnient de taille pour assureurs et rassureurs qui cherchent une stabilit de leurs rsultats sur le long terme. Mais dautres aspects de la rassurance traditionnelle sont source de difficults en matire dvnements naturels. Une couverture Cat XL est une protection par vnement. La notion dvnement est donc fondamentale et fait lobjet dune dfinition prcise dans le trait. Elle est souvent dfinie au moyen dune clause de limitation gographique et dune clause de limitation dans le temps. Si la majorit des traits comportent aujourdhui des clauses relativement consensuelles concernant la notion dvnement, le cadre de la dfinition nest pas toujours appropri la ralit des vnements naturels. Pour le risque tempte en France, la clause de limitation dans le temps est gnralement de 72 heures. Ainsi, Lothar et Martin, deux temptes distinctes dun point de vue mtorologique, taient survenues entre le 25 et le 28 dcembre 1999, et ont constitu deux vnements pour les couvertures de rassurance alors en vigueur. Pour certains prils naturels, tels le gel ou la scheresse, la notion dvnement est plus problmatique, et les couvertures Cat XL traditionnelles sont assez peu adaptes. Enfin, le placement des couvertures Cat XL demande de plus en plus dinvestissement de la part des assureurs et des rassureurs. Une bonne utilisation des outils de modlisation des prils naturels requiert un important travail de

37

prparation des donnes lies au portefeuille et danalyse des rsultats, consommant donc des ressources non ngligeables.

b.

Du point de vue de la cdante

Lutilisation de couvertures traditionnelles contre les prils naturels prsente des inconvnients particuliers pour les cdantes. Tout dabord, il leur est difficile dvaluer de faon optimale les caractristiques de leur besoin de couverture. Une fois fixes la priorit et la porte de leur protection, une grande incertitude demeure quant la distribution probable de la charge de sinistre quelles vont conserver sur lexercice venir. Mais il leur est surtout difficile darbitrer entre le cot de la rassurance quon leur propose et les bnfices quelles peuvent en esprer. Par ailleurs, compte tenu des sommes engages, le march de la rassurance des vnements naturels prsente un risque important de contrepartie. Cest bien videmment en cas de survenance dvnements de grande ampleur quune cdante a le plus besoin de sa couverture de rassurance, mais quelle a simultanment le plus de chances de voir lun de ses rassureurs lui faire dfaut.

c.

Du point de vue du rassureur

Si la cdante peut rencontrer des difficults dans lvaluation de son besoin de couverture, le rassureur est quant lui confront la difficult destimer la distribution de la sinistralit sur laquelle il sengage. Par consquent, la tarification de couvertures Cat XL contre les prils naturels savre dlicate pour le rassureur, et force est de constater quil est souvent lui aussi dpendant de ltat du march et de la situation du cycle tarifaire. Il lui est parfois problmatique de renoncer souscrire lorsquune situation de sous-tarification nest pas reconnue. A ceci sajoute bien souvent une distorsion de lquilibre concurrentiel, lorsque, la suite dune catastrophe, de nouvelles socits de rassurance sont cres, vierges de tout passif. Par ailleurs, bien que de plus en plus rduite, une asymtrie dinformation existe entre la cdante et le rassureur. Ce dernier ne connat pas le portefeuille quil protge dans son intgralit, et doit faire confiance aux capacits de souscription et

38

de gestion de la cdante. En cas de sinistre majeur, il est galement tributaire des valuations ralises par la cdante. Sur un march trs concurrentiel, le rassureur doit faire preuve dexpertise et connatre avec prcision le montant de capital que ncessitent ses souscriptions. Cest dans ce cadre que peut lui poser problme la couverture traditionnelle des risques naturels. La rassurance traditionnelle des risques naturels comporte ainsi plusieurs inconvnients pour chacun des acteurs concerns, ce qui peut en partie expliquer quune part encore importante des dommages causs par les vnements naturels ne soit aujourdhui pas assure. Afin de remdier ces inconvnients, les acteurs de la rassurance ont dvelopp de nouvelles formes de rassurance, de nature plus souvent complmentaire qualternative.

2.2

La rassurance non traditionnelle, le transfert alternatif des risques naturels


2.2.1 Dfinition de la Rassurance non traditionnelle Il est difficile de donner une dfinition prcise de la rassurance non

traditionnelle, si ce nest par opposition la rassurance traditionnelle, dont les mcanismes ont t dcrits dans le chapitre prcdent. Le march de la rassurance traditionnelle permet en effet aux cdantes de trouver des couvertures standards. La rassurance non traditionnelle englobe une trs large gamme de produits qui rpondent des besoins trs spcifiques des cdantes en matire de rassurance. Le march de la rassurance non traditionnelle est inclus de faon plus gnrale dans le march du transfert alternatif de risque, alternative risk transfer en anglais, ou ART. Le terme ART permet de dcrire la fois le transfert de risque par le biais de structures alternatives, et le transfert de risque au moyen de produits alternatifs. Par structures alternatives, on entend principalement les captives ou les pools. La varit de produits alternatifs est quant elle trs large. Les produits de rassurance

39

financire, tels les traits transfert de risque limit ( finite ) ou les solutions de transfert de portefeuille sinistre ( run-off ), en font notamment partie. Les solutions ART se sont dveloppes avant tout pour pallier les inconvnients des instruments traditionnels de transfert de risque, notamment lors des priodes o le cot de ces derniers savrent trop onreux. Bien que difficile mesurer, le poids du march ART est significatif. En 2000, le volume mondial des primes lies des supports ART tait estim 88 milliards de USD, alors que le volume des primes directes des produits traditionnels, pour le secteur commercial, slevait 370 milliards USD29.

2.2.2 Utilisation de la Rassurance non traditionnelle pour les risques naturels Le transfert de risque li aux prils naturels fait lobjet depuis quelques annes dun vif dveloppement de produits de transfert alternatif de risque. La cause principale de cette volution est le dveloppement conjoint de loffre et de la demande de nouveaux produits de transfert du risque naturel. En effet, la survenance de nombreuses catastrophes naturelles dans les annes 1990, notamment celle du cyclone Andrew30 en 1992, est lorigine dun accroissement notable de la demande de couverture en assurance et rassurance contre les prils naturels. Lhiver 1997/1998, exceptionnellement doux aux Etats-Unis du fait dEl Nio, conduisit galement des socits amricaines du secteur de lnergie chercher se protger contre le risque climatique en gnral. La situation des marchs traditionnels de lassurance et de la rassurance nayant pas toujours permis aux acteurs concerns de trouver des solutions acceptables, ils ont alors cherch se protger laide de nouveaux types de couvertures. Paralllement, le dveloppement des applications de la thorie financire moderne a amen de plus en plus dinvestisseurs sintresser de nouvelles sources de risques, tels le risque dassurance et le risque climatique. En effet, les dveloppements technologiques, notamment en matire doutils de tarification, ont
29 30

Transfert alternatif des risques (ART) : tat des lieux . Revue Sigma N1/2003, Swiss Re Le cyclone Andrew dvasta une partie de la Floride en 1992, et on a recens entre USD 20 et 25 Milliards de dommages assurs. La vitesse de vent a dpass les 235 Km/h

40

favoris cette volution, rendant disponible des capitaux des marchs financiers pour la couverture de ces risques. Ces nouveaux placements rpondent alors de lapplication de la thorie de Markovitz sur la diversification des portefeuilles, puisque le risque dassurance (notamment catastrophe) et le risque climatique sont en gnral indpendants des risques du march. Par ailleurs, assureurs et rassureurs, sappuyant galement sur lamlioration des outils de tarification, ont continu de dvelopper leur mtier de couverture des risques, et ont pris part au march naissant de la protection contre le risque climatique en gnral. La dernire dcennie a donc vu le dveloppement dun march du risque climatique et lapparition dune grande varit de protections. Parmi elles, les instruments drivs climatiques, qui sadressent un trs large ventail dacteurs, dpassant le simple cadre de lassurance, suscitent un vif intrt. Lmergence dun march de titrisation du risque des catastrophes naturelles sinscrit dans la mme mouvance, mais constitue plus spcifiquement une solution alternative de rassurance.

2.3

La titrisation du risque naturel, les Cat Bonds


A la suite du dbut difficile des annes 1990 pour les acteurs de lassurance et

de la rassurance, le recours aux marchs des capitaux pour le transfert du risque dassurance est devenu une alternative intressante la rassurance traditionnelle. Assureurs et rassureurs y ont vu la possibilit de compenser le tarissement de loffre de rassurance par lutilisation de la masse bien plus grande et bien plus liquide des capitaux provenant des marchs financiers. La premire initiative fut lance par le Chicago Board of Trade (CBOT) en 1992, avec la cration dun march organis de produits drivs de (r)assurance, ayant pour sous-jacent des indices de sinistralit. En loccurrence, la valeur de lindice reposait sur la sinistralit moyenne des catastrophes naturelles pour un panel de socits dassurance amricaines31. Plusieurs problmes techniques (notamment la faible transparence lie au caractre trimestriel de lindice) furent responsables du
31

Il sagissait du panel ISO (Insurance Service Office), constitu des 30 premires socits dassurances amricaines. LISO calculait quatre indices trimestriels diffrencis selon les rgions (East, West, Middle West et National), partir des sinistres survenus au cours dun trimestre donn et dclars dans un dlai de 6 mois, rapports au quart des cotisations annuelles estimes.

41

trs faible volume dchanges de ces options, et conduisirent le CBOT lancer en 1995 une nouvelle gamme de produits, les PCS32 Cat Insurance Option. Plus reprsentatifs de la sinistralit relle du march (neuf indices rgionaux couvrant 70 85 % du march de lassurance amricain) et publis sur une base quotidienne, ces nouveaux produits nont pourtant pas connu le succs escompt. Aprs un dmarrage trs modr, le ngoce de ces contrats a t stopp la fin de lanne 2000, comme lillustre le graphique suivant.

Historique du nombre de contrats changs PCS Cat Insurance Options


4 500 4 000 3 500

Volume mensuel

3 000 2 500 2 000 1 500 1 000 500 0 sept-95

sept-96

sept-97

sept-98

sept-99

sept-00

So urce : C hicago B o ard o f T rade

Si le recours aux marchs financiers au moyen de titres dassurance (en anglais insurance-linked securities, ILS) a t utilis dans plusieurs domaines (comme la rassurance Vie par exemple), la majorit des innovations et des changes porte sur le transfert du risque naturel, catastrophique principalement. Prs de la moiti des transactions de titrisation du risque dassurance concerne les obligations catastrophe, galement appeles Cat Bonds. Les premires missions de cat bonds sont apparues aux Etats Unis, suite la prise de conscience des insuffisances du march de lassurance et de la
32

PCS : Property Claims Service

42

rassurance aprs la survenance du cyclone Andrew. Face la probabilit relle dun vnement encore plus catastrophique et labsence sur le march traditionnel des capitaux ncessaires pour lassumer, assureurs et rassureurs ont trouv dans les cat bonds un moyen complmentaire de couverture du risque catastrophe33. Depuis, lutilisation des cat bonds sest rpandue lchelle mondiale, pour couvrir principalement les risques de tremblement de terre en Californie ou au Japon, douragan en Floride, ou de tempte en Europe. Il nexiste pas de march secondaire organis pour les cats bonds, ces derniers demeurant donc des produits ngocis de gr gr (OTC). Bien que chaque cat bond soit caractris par certaines spcificits, le principe de base est lmission par une cdante dune dette obligataire dont les modalits de remboursement et de rmunration dpendent de la ralisation dun risque prdfini ou de la survenance dun sinistre, gnralement suite un vnement catastrophique. Llment qui dtermine les caractristiques de lventuelle indemnisation de la cdante peut ainsi tre dfini de plusieurs faons, comme le montant des pertes subies par la cdante lors dun certain type dvnement naturel, ou bien laide dun indice assurantiel ou dindice mtorologique34. Si la cdante peut directement mettre ses titres auprs des investisseurs, la structure dun cat bond comporte bien souvent un intermdiaire, le SPV (special purpose vehicle)35, notamment en raisons davantages fiscaux. Le rle de cet intermdiaire est comparable celui dune captive ou dun pool. Il reoit les dpts des investisseurs correspondant au nominal de lobligation. Ces sommes sont alors bloques et places sur des supports srs rendement certain36. Paralllement, la cdante verse une prime au SPV au titre dun contrat de rassurance qui les lient. En cas de non survenance de lvnement catastrophique dclencheur, les investisseurs auront, la maturit de lobligation (gnralement entre 1 et 5 ans), rcupr leur capital initial et les intrts du placement, mais galement peru la prime de risque verse par la cdante. Ceci leur assure un rendement plus lev,

33

Les Cats Bonds ne sont pas rservs aux seuls assureurs et rassureurs. Ils peuvent galement assurer le transfert du risque catastrophe de grandes compagnies. 34 Lorsquil sagit dun indice, on parle de Cat Bond paramtrique. 35 Lintermdiaire peut galement tre un SPR (special purpose reinsurer). 36 Obligations du trsor ou obligations de corporate notes AAA et suffisamment liquides.

43

conforme au risque pris en cas de survenance de lvnement catastrophique. Dans ce cas, le SPV utilise tout ou partie des sommes immobilises (nominal et/ou coupons) afin dindemniser la cdante. Le schma suivant synthtise le principe gnral dun cat bond.
Principal + Coupons

Prime de rassurance

Cdante
Couverture de rassurance

Special Purpose Vehicle

Investisseurs
Principal

Principal + Intrts

Principal

Placement Sans risque

La lgitimit des cat bonds rside donc pour les assureurs dans laccs une nouvelle source de financement du risque de catastrophe naturelle, les marchs des capitaux, dont la capacit potentielle est gigantesque. Grce aux caractristiques de leur structuration, les cat bonds ont galement pour avantage principal dliminer le risque de contrepartie, qui peut tre trs prjudiciable avec les couvertures traditionnelles de rassurance. Par ailleurs, ils offrent aux cdantes la possibilit dtablir une vritable protection sur mesure, pour une dure suprieure lanne si ncessaire. Toutefois, plusieurs inconvnients expliquent certainement que lutilisation des cats bonds ne soit pas aussi rpandue que celle laquelle on aurait pu sattendre. Tout dabord, dans la majorit des structurations de cat bonds, la cdante conserve un risque de non corrlation (le risque de base ), entre la valeur relle de son sinistre et le montant de lindemnisation quelle peroit en cas dvnement dclencheur37. Les protections de rassurance traditionnelles ne prsentent pas ce dsagrment, dans la mesure o elles reposent sur le principe indemnitaire, lindemnisation de la cdante tant directement lie au montant de son sinistre. De plus, les cots de structuration (conseil, intermdiation) lis lmission des cat

37

Cest le cas des cat bonds paramtriques.

44

bonds impliquent un cot total qui est souvent trs lev en comparaison de la rassurance traditionnelle. Enfin, les dlais de mise en place sont relativement longs.

2.4

Autres solutions alternatives la rassurance traditionnelle


En parallle des cat bonds, plusieurs protections novatrices se sont

prsentes comme alternatives potentielles la rassurance traditionnelle, et plus particulirement celle relative aux vnements naturels. Toutefois, le volume des transactions est pour linstant assez limit, leur utilisation restant exceptionnelle. Parmi elles, les swap catastrophe permettent la cdante de participer un change de paiements fixes prdfinis contre des paiements variables dont le montant est fonction de la survenance dune catastrophe. Plus souples dans leur structuration et plutt moins onreux que les cat bonds, il prsentent cependant un risque de contrepartie. Les industry loss warranties (ILW) sont des protections structures de faon similaire un contrat de rassurance traditionnel. La cdante se voit apporter la garantie dune indemnisation conditionne par un mcanisme de double dclenchement : les sinistralits enregistres lors dun vnement, dune part par lensemble des assureurs dun march donn, et dautre part par la cdante ellemme, doivent toutes deux dpasser un certain seuil dfini au pralable. Ces protections sont toutefois conues de telle sorte que llment dterminant est bien souvent le niveau du seuil concernant les dommages subis par le march dans son ensemble. Enfin, le recours des contrats de capital contingent constitue une alternative assez diffrente dans son principe, puisquil ne sagit plus pour la cdante dacqurir la garantie dune indemnit. Un instrument de capital contingent correspond en fait une option, achete par la cdante, qui lui permet de trouver une solution de financement en cas de survenance dun vnement dtermin. Selon les cas, il peut sagir dacqurir le droit dmettre de la dette ou des actions, un niveau de prix fix lavance. Si ce type dinstrument donne laccs en cas de besoin des solutions de financement plutt bon march, il ne permet pas un vritable transfert du risque.

45

Le potentiel des instruments de transfert du risque dassurance aux marchs financiers, au premier plan desquels les produits de titrisation du risque naturel et les cat bonds, est souvent peru comme substantiel. Les innovations se multiplient et les volumes progressent, quand bien mme lgrement. Toutefois ces solutions ne se posent pas jusqu prsent en vritable alternative aux couvertures de rassurance traditionnelles. En ce qui concerne les vnements naturels, la plus grande partie des volumes raliss concerne des produits utiliss avant tout par les cdantes comme moyen complmentaire de couverture contre les trs gros risques de catastrophe.

2.5

Les instruments drivs climatiques


Ces dernires annes ont vu le dveloppement dun nouveau march, celui

des produits drivs climatiques. Un driv climatique est un nouvel actif de type Arrow Debreu, qui se caractrise par des paiements prdfinis en cas de survenance dvnements climatiques prdfinis. Lactif sous jacent dun driv climatique est un indice mtorologique, ce qui distingue notablement ce dernier des produits drivs plus traditionnels dont les actifs sous jacents ont une dimension pcuniaire (action, indice boursier, taux dintrt, taux de change ou matire premire). Les premires transactions de produits drivs climatiques ont t conclues de gr gr aux Etats-Unis en 1997 par des socits du secteur nergtique (Aquila, Enron et Koch). Pour ces socits, une saison hivernale trop douce ou une saison estivale trop frache sont synonymes de chute du chiffre daffaires, puisque la demande de leurs clients est amoindrie. Dans le contexte de la drglementation du march amricain de lnergie, elles purent composer plus librement la gestion du risque climatique qui pse sur leurs revenus. Dans un premier temps, des futures et des forwards furent utilises afin de protger leurs revenus dactivits contre les fluctuations des prix. Les premiers drivs climatiques leur permirent par la suite de couvrir les fluctuations du volume lies des tempratures, selon la saison, ou trop faibles ou trop leves. Depuis 1997, le march des drivs climatiques a connu une croissance non ngligeable. Le phnomne El Nio, qui rendit lhiver 1997-1998 exceptionnellement doux aux Etats Unis, participa sans nul doute au vif intrt adress au drivs

46

climatiques de temprature. Selon lenqute ralise par PricewaterhouseCoopers et publie en juin 2003 pour la Weather Risk Management Association (WRMA)38, le volume annuel des transactions de produits drivs climatiques slevait plus de 4 milliards de USD en 2001 et 2002. Paralllement, le nombre annuel de contrats progressait quant lui de 695 4 517 entre 1998 et 200239.

Evolution du march des drivs climatiques 1998 - 2002


5 000 5 000

Notionnels (millions de USD)

4 000

4 000 Nombre de contrats

3 000

3 000

2 000

2 000

1 000

1 000

0 1998 1999 2000 2001 2002 Montants Notionnels

0 Nombre de Contrats (hors CME)

Source : Enqu PricewaterhouseCoopers pour la WRM A publi en juin 2003 te e

Bien que les drivs climatiques changs jusqu prsent aient concern plusieurs types de variable climatique, les produits bass sur la temprature reprsentent depuis lorigine plus de 90 % des transactions, tandis que ceux bass sur les prcipitations (pluie, neige), sur le vent ou autres restent marginaux. Par ailleurs, la plus grande partie des transactions demeure sur le march amricain, mme si ces deux dernires annes ont vu un dveloppement notable en Europe et en Asie. La diversit des acheteurs de drivs climatiques tend saccrotre, mais la part des acteurs du secteur de lnergie reste prpondrante. Plusieurs analyses saccordent montrer le rle minent jou par le risque climatique sur les revenus de

38

The Weather Risk Management Industry - Survey Findings for April 2002 to March 2003 . Troisime publication de lenqute ralise par PricewaterhouseCoopers pour le compte de la Weather Risk Management Association (WRMA), base sur les rponses un questionnaire de 19 socits internationales. (20 socits pour ltude prcedente). 39 Ces chiffres nincluent pas les drivs climatiques changs sur le Chicago Mercantile Exchange (CME).

47

la plupart des activits conomiques40, et les drivs climatiques sadressent potentiellement nombre de secteurs aussi varis que lagriculture, lagroalimentaire et les boissons, le tourisme et les loisirs, la construction, les transports ou lhabillement. Banques et assureurs sont quant eux les principaux preneurs de risque sur ce nouveau march, qui ncessite la fois comptences financires et exprience de gestion des risques. Les drivs climatiques prennent la forme des instruments drivs plus traditionnels. Cap, floor, collar ou swap sont utiliss pour transfrer le risque mto par le biais dun produit driv. Les transactions OTC, lorigine du dveloppement de ces produits, reprsentent encore la plus grosse part du volume. Le premier march organis fut cr par le Chicago Mercantile Exchange en fvrier 1999. Le CME a lanc le 22 septembre 1999 une gamme de futures et d'options portant sur les indices de temprature HDD (Heating Degree Day Index) et CDD (Cooling Degree Day Index) mesurs dans dix villes (Chicago, Cincinnati, New York, Atlanta, Philadelphie, Dallas, Des Moines, Las Vegas, Tucson et Portland)41. Les contrats futures sont liquids par cash-settlement sur la base de l'indice CME Degree Day Index, calcul par EarthSat42 et comportent 12 chances mensuelles. Les Degree Day Index de chaque ville sont des indices quotidiens de temprature moyenne calculs par rapport une temprature de rfrence de 65 Fahrenheit. Le HDD permet de mesurer, en nombre de degrs Fahrenheit, la relative fracheur dune journe par rapport cette temprature de rfrence, le CDD la relative chaleur. HDD = Max ( 0 , 65 temprature moyenne enregistre sur la journe ) CDD = Max ( 0 , temprature moyenne enregistre sur la journe 65 ) Les futures et options portent alors sur le cumul des units de HDD ou de CDD sur une certaine priode, gnralement comprise entre le mois et lanne. Les futures sont cotes en points dindices (HDD ou CDD), et leur notionnel quivaut 100 USD multiplis par la valeur de lindice, ce qui autorise dans la pratique des transactions de faible taille. Les transactions ngocies sur le march du CME ont connu un vritable essor partir de 2002, et semblent aujourdhui en pleine
40

Selon les sources, les conditions mtorologiques exerceraient une influence sur une part comprise entre 10% et 50% du PIB des Etats du G10 ! 41 Les transactions des futures et options sur CDD furent lances le 30 septembre 2000. 42 Earth Satellite Corporation.

48

progression, comme lillustre lhistorique du nombre mensuel de contrats entre dcembre 1999 et avril 2004.

Produits Drivs CME : Nombre de transactions 2000 - 2004


5 000

4 000 Nombre de contrats

3 000

2 000

1 000

0 dc-99 Futures

dc-00

dc-01 Options sur Futures

dc-02

dc-03

source : Chicago M ercantile Exchange

Port par lenthousiasme, le CME largit progressivement la varit des produits proposs, et a lanc en octobre 2003 de nouveaux drivs climatiques bass sur les tempratures quotidiennes moyennes enregistres dans cinq villes europennes, Amsterdam, Berlin, Londres, Paris et Stockholm. Des initiatives de cration de march secondaire de drivs climatiques ont galement t prises par dautres institutions. LIntercontinental Exchange (ICE), bas Atlanta, crait en novembre 2001 un march organis de swaps bass sur des indices de temprature moyenne pour cinq grandes villes amricaines43. En dcembre 2001, le LIFFE, Londres, lanait galement des futures sur des indices de temprature pour les villes de Paris, Londres et Berlin. Enfin, Euronext et Mto France sont partenaires pour dvelopper le march des produits drivs climatiques en Europe via Euronext. Une srie dindices climatiques, baptise NextWeather, a t conue ce propos, et devrait notamment permettre dlargir le type de risque
43

Chicago, Dallas, New York, Philadelphie et Sacramento. Ce march de swaps vise plus particulirement les acteurs du secteur de lnergie.

49

couvert au del de la temprature, grce des indices portant par exemple sur la pluie ou la neige. Le march des drivs climatiques dans son ensemble suscite un vif intrt et semble promis un bel avenir. Lorganisation progressive de marchs secondaires liquides et sans risque de contrepartie devrait contribuer au dveloppement de ce nouveau type dinstruments, en rendant ces derniers accessibles pour un plus grand ventail dacteurs. Les avances en matire de tarification de ces produits seront galement dterminantes pour leur avenir. Si les drivs climatiques ne constituent pas proprement parler une alternative directe la rassurance des grands risques naturels, ils reprsentent toutefois une nouvelle gnration dinstruments de transfert du risque naturel. Ces produits revtent dailleurs un caractre assez particulier, dans la mesure o ils se situent la frontire entre contrats dassurance et instruments financiers. Les deux formes juridiques, contrat dassurance et instrument financier terme, ont en effet t utilises pour monter ce type de couverture. Les drivs climatiques sont jusqu prsent essentiellement utiliss par des entreprises qui souhaitent couvrir des pertes de marge ou de chiffre daffaires contre des variations de la temprature moyenne par rapport des normales saisonnires. Mais le mcanisme peut tre transpos pour structurer des protections, non plus contre des risques mtorologiques ordinaires , mais contre des vnements naturels exceptionnels, crant ainsi une forme de couverture contre le risque naturel catastrophique, alternative la rassurance traditionnelle. Ce type de couverture fait lobjet des chapitres suivants.

50

3 PRINCIPES DE LA COUVERTURE INDICIELLE CAT


3.1 Lorigine de la couverture indicielle Cat
La couverture indicielle Cat est un driv climatique : lactif sous-jacent sur lequel elle sappuie est un indice dont la valeur dpend exclusivement de donnes climatiques, comme par exemple la temprature, la pluviomtrie, la vitesse de vent ou lensoleillement.

3.1.1 Une vocation spcifique La premire couverture indicielle Cat a t conue et place en 2001 par le courtier en rassurance Benfield Paris. Elle visait protger le portefeuille dassurance dune cdante expose au risque tempte en France, en se basant sur un indice calcul partir des vitesses de vent maximales, enregistres quotidiennement dans un panel de stations mtorologiques du territoire franais44. Les drivs climatiques classiques , c'est--dire du type HDD ou CDD, peuvent tre dcrits avant tout comme des instruments financiers terme permettant la couverture du risque financier li la corrlation entre revenus et variations autour de la normale de paramtres mtorologiques. La couverture indicielle Cat est quant elle une protection de rassurance qui repose sur le transfert du risque financier li la corrlation entre la sinistralit dun portefeuille dassurance et les variations exceptionnelles de la mto. Elle vise offrir aux acteurs du march de lassurance une protection contre des vnements naturels catastrophiques, contre des vnements rares, mais caractriss par une grande intensit. Ceci correspond particulirement bien au risque tempte lchelle de la rassurance. En consquence, la valeur de lindice doit avant tout reflter la survenance de valeurs extrmes des variables mtorologiques, correspondant par hypothse la survenance de sinistres chez le dtenteur dun portefeuille de contrats dassurance. Lindice climatique nest donc pas, dans le cadre de la couverture indicielle Cat, dfini
44

Benfield Greig, courtier en rassurance, et lassureur Generali France ont mis en place un nouveau mode de couverture des risques climatiques. Le systme consiste indemniser laide dun indice mtorologique, reposant sur des critres lis au vent, et non au sinistre rel.[] La Tribune, 12 mars 2002.

51

et construit afin de dcrire lcart par rapport au comportement moyen dun paramtre mtorologique, comme le sont par exemple les indices HDD et CDD vis-vis de la temprature. Il est structur de faon dpeindre les divergences exceptionnelles du comportement dun paramtre mtorologique.

3.1.2 Un produit de rassurance La couverture indicielle Cat est une forme alternative ou complmentaire la rassurance traditionnelle. Elle est substantiellement un produit de gr gr, qui ne pourrait que difficilement faire lobjet dun march organis. Ses caractristiques, notamment la construction de lindice climatique sous jacent, sont conues pour rpondre au besoin spcifique dune cdante en matire de rassurance contre les prils naturels. Sa forme juridique est gnralement celle dun contrat de rassurance, puisquelle vise transfrer un risque de sinistralit pour la cdante. Elle peut nanmoins prendre la forme dun contrat financier, par le biais du contrat cadre dfini par lISDA45. La couverture indicielle est une protection de rassurance dont le prix dpend uniquement de la distribution dun indice bas sur des variables climatiques. Ceci peut constituer, la fois pour la cdante et pour ses rassureurs, un avantage par rapport une protection traditionnelle, dont une partie de la prime repose gnralement sur les incertitudes concernant lexposition relle du portefeuille de la cdante. Par ailleurs, les mcanismes de la couverture indicielle se rvlent trs flexibles, et le principe de la protection peut permettre une cdante dobtenir une couverture contre des prils naturels difficilement rassurables sur le march traditionnel46. Les principes de fonctionnement de la couverture indicielle permettent galement dviter certains dsagrments que peuvent parfois prsenter les couvertures traditionnelles en excdent de sinistre par vnement. Sont ainsi esquivs les ventuels litiges autour de la dfinition de lvnement en cas de survenance dun sinistre. Les problmes lis lestimation des sinistres la charge de la rassurance et aux dlais dindemnisation de la cdante sont galement vits.
45 46

International Swaps and Derivatives Association Pour certains prils naturels, comme par exemple le gel ou la scheresse, les cdantes peuvent rencontrer un rel manque dapptit de la part des rassureurs.

52

Enfin, la nature de la couverture permet le double accs aux marchs des capitaux et au march de la rassurance. La couverture indicielle Cat prsente bien sr une trs forte analogie avec les drivs climatiques voqus dans le chapitre prcdent : lutilisation dun paramtre mtorologique, la construction dun indice, et la mcanique dun instrument terme. Toutefois, sa vocation est diffrente, et elle comporte de ce fait des caractristiques spcifiques. Le mcanisme de la couverture indicielle est prsent plus en dtail dans le sous chapitre suivant.

3.2

Fonctionnement de la couverture indicielle Cat


3.2.1 Utilisation de sries de donnes climatiques Tout comme les drivs climatiques ngocis sur les marchs financiers ces

dernires annes, la couverture indicielle Cat est un contrat caractris par des flux financiers dont le montant est fonction de la valeur dun indice construit partir de lobservation de donnes mtorologiques. Ces donnes sont recueillies par les organismes mtorologiques nationaux, disposant sur lensemble de leur territoire respectif de rseaux de stations assurant (entre autres)47 la mesure des variables climatiques. Ainsi, en France mtropolitaine, Mto France dispose d'un rseau de stations d'observation comprenant environ 140 stations principales auxquelles s'ajoutent prs de 3 000 stations auxiliaires (ne relevant que quelques paramtres). Au Royaume Uni, le UK Met Office sappuie sur un rseau denviron 200 stations principales, et il y a prs de 5 000 stations auxiliaires. La carte ci-dessous permet de visualiser le rseau des stations europennes homologues par lOrganisation Mtorologique Mondiale48 :

47

Les stations mtorologiques sont dfinies dans le Dictionnaire du Climat , Larousse, comme des lieux et installations o sont rgulirement effectues des mesures de latmosphre . Hormis cette fonction de mesure et dobservation, des travaux danalyse et de comprhension, ainsi que de prvision des phnomnes mtorologiques peuvent galement y tre raliss. 48 La WMO, World Meteorological Organization cre en 1950, utilise actuellement plus de 3 000 stations synoptiques en Europe.

53

Rseau mtorologique europen stations WMO

Les stations franaises proposent bien souvent des historiques de donnes mtorologiques sur les cinquante dernires annes, et les plus anciennes stations offrent des historiques longs de plus dun sicle. Mto France possde la fois une mission publique et une vocation commerciale. Lutilisation de la Climathque est un service commercial propos par Mto France, qui donne accs une grande varit de donnes climatiques. Les donnes mesures dans les stations sont enregistres en temps rel, ce sont des donnes synop qui sont disponibles immdiatement. Un premier contrle automatique permet de dtecter certaines valeurs aberrantes, puis une vrification humaine peut avoir lieu. Si un problme est dcel pour une donne, suite une panne dappareil par exemple, la valeur aberrante est efface. Si les valeurs enregistres sont valides, elles deviennent alors des donnes climatologiques. Les donnes climatologiques sont publies par Mto France au bout de 48 heures. Selon les pays, ce dlai peut tre plus ou moins long, il est par exemple de deux mois pour les donnes britanniques, publies par le UK Met Office. Les donnes utilises pour construire lindice dune couverture indicielle Cat sont des donnes climatologiques. Ce sont principalement trois caractristiques de la donne climatologique qui sont importantes dans le cadre dun couverture indicielle Cat. Ces caractristiques ont trait aux questions suivantes : O ?, Quoi ? et Quand ?.

54

La localisation de la station o est mesur le paramtre mtorologique est un lment dterminant. La nature du paramtre mtorologique observ en est bien videmment un autre. La varit des paramtres mtorologiques observs et enregistrs est grande : prcipitations, temprature, force du vent, pression, humidit, insolation ou rayonnement par exemple. Enfin, la troisime caractristique concerne lunit temporelle de mesure, une donne mtorologique pouvant effectivement tre apprcie lchelle dune seconde, dune heure, dun jour ou dun mois49 Les donnes climatologiques historiques sont utilises en amont pour crer la structure dune couverture indicielle, et les donnes climatologiques prsentes sont utilises pour connatre la valeur dun indice en cours. La notion dindice est dfinie plus avant dans la sous-partie suivante.

3.2.2 Lindice : dfinition, utilisation La mise en place dune couverture indicielle Cat sarticule autour de plusieurs grands axes : le choix du type de donnes mtorologiques utilises pour la dfinition de lindice, le choix dun panier de stations o les donnes mtorologiques vont tre tudies et enregistres, et la dfinition des modalits de calcul de lindice lui-mme et de lindemnisation montaire qui en dcoule.

a.

Choix du type de donnes

Il sagit l de dterminer quelle variable climatique permet de reprsenter de faon fidle et adquate loccurrence et lampleur du pril naturel contre lequel la cdante souhaite se doter dune protection de rassurance.
49

Nous prsentons en annexe 1 un exemples de donnes mesures dans une station mtorologique du rseau de Mto France.

55

Compte tenu des caractristiques de mesure de la variable climatique (notamment ce quelle reprsente, lunit temporelle de la mesure), lventail du type de donnes utilisables est virtuellement infini. Par exemple, si lon sintresse au froid et aux basses tempratures, on peut choisir de considrer : la temprature minimale horaire sous abri, la temprature minimale horaire lair libre, la temprature minimale quotidienne, ou bien la moyenne des tempratures minimales horaires sur une journe, ou bien encore le nombre dheures dune journe o la temprature horaire est en dessous de 0C, etc. Toutefois, lventail des possibilits est tout dabord et bien videmment restreint par ltendue de loffre de donnes proposes par les organismes mtorologiques. De plus, dun point de vue pragmatique, il ne parat pas judicieux de retenir un type de donnes qui, dune part entrane pour lacteur en charge de la structuration de la couverture une complexit inutilement onreuse (cot dacquisition des donnes, mobilisation des ressources humaines et informatiques), et dautre part saccompagne dune perception opaque et donc prjudiciable de la part de lensemble des acteurs engags. Aussi convient-il, afin de choisir de faon pertinente la variable climatique utilise dans la construction de lindice, dtudier les liens entre cette dernire et la survenance de sinistres. Il est pour cela ncessaire deffectuer, laide de comptences mtorologiques et statistiques, un travail qui permettra de dceler ou non des liens de corrlation ou de causalit, ainsi que dvaluer leur intensit. En dpit de limportance de cette tape dans la mise en place de la couverture indicielle Cat, il ne sera malheureusement pas prsent ici de vritable mthodologie complte quant au choix du type de donnes. Ltude dun exemple, dtaille plus loin dans ce mme chapitre, permettra nanmoins dintroduire une approche possible dans le cadre de cette tape. Il parat ainsi intressant dtudier certains liens, qui intuitivement chez beaucoup dentre nous semblent aller de soi. Il est effectivement ais denvisager des liens entre force du vent et sinistralit tempte, ou entre occurrence de

56

tempratures fortement ngatives et sinistres dgts des eaux dus au gel. La carte suivante illustre la sinistralit enregistre par un panel de cdantes du march franais lors de la survenance de la tempte Lothar50, paralllement aux vitesses de vent maximales instantanes enregistres par les stations de Mto France lors des 25 et 26 dcembre 199951.

Le tableau suivant dresse une liste non exhaustive des relations entre branches dassurances exposes aux risques naturels et variables climatiques potentiellement explicatives.

50 51

La sinistralit totale enregistre par le panel reprsente prs de 40% du sinistre Lothar march. Interpolation par krigeage du maximum entre les valeurs des 25 et 26 dcembre 1999, sur une centaine de stations franaises.

57

Sinistres possibles

Pril Naturel

Variable climatique parente

Donnes mtorologiques mesures Vitesse de vent maximale instantane quotidienne, Vitesse de vent maximale moyenne quotidienne, Vitesse de vent horaire, Nombre de jours du mois avec vent >= 28m/s Occurrence de grle Occurrence de neige, Hauteur de neige frache, Hauteur de neige totale Temprature minimale quotidienne, Nombre de jours avec Temprature < 0C Hauteur de neige frache, Temprature maximale, Temprature moyenne Hauteur des prcipitations quotidiennes, Cumul mensuel des hauteurs de prcipitations, Dure mensuelle d'insolation Hauteur des prcipitations en 1h, en 3h, en 6h

Dommages aux biens (DAB), Tempte, Dommage Auto Ouragan, Cyclone DAB, Dommage Auto DAB, Dommage Auto Dgts des eaux Avalanche, Cat Nat Inondations, Cat Nat Inondations, Cat Nat Subsidence, Cat Nat Grle Poids de la neige Gel Avalanche Inondation de plaine Inondation torrentielle Scheresse Feux de Forts

Force du vent Prcipitations Prcipitations Temprature Prcipitations, Temprature Prcipitations, Ensoleillement Prcipitations Temprature, Prcipitations, Ensoleillement Temprature, Prcipitations, Force du vent

Il est toutefois dangereux driger trop htivement une liste associant risques naturels en matire dassurance et variables climatiques explicatives tant peuvent tre complexes les comportements de certains phnomnes mtorologiques et multiples les facteurs influenant la sinistralit dun portefeuille dassurances (nature du risque, type de construction, facteur humain). La seule valeur dun indice climatique, quels que soient le nombre de paramtres mtorologiques utiliss et la complexit de la construction, ne suffit pas expliquer dans sa totalit le comportement de la sinistralit dun portefeuille dassurance. Toutefois, lapproche indicielle offre un extraordinaire ventail de possibilits.

b.

Utilisation dun panier de stations

Afin que la couverture indicielle Cat prenne en compte les spcificits gographiques du portefeuille dassurances couvrir et donc fournisse une rassurance approprie, la structuration de lindice climatique sappuie sur lutilisation de donnes mtorologiques provenant dun panier de stations synoptiques52. Ceci doit permettre lindice de reflter la survenance de phnomnes naturels localiss sur une partie du territoire couvrir, et susceptibles dentraner un accroissement de la sinistralit du portefeuille dassurances.

52

Les stations synoptiques sont dfinies dans le Dictionnaire du Climat , Larousse, comme des stations dont les observations sont collectes au niveau du rseau mtorologique mondial, et qui sont utilises pour ltablissement des cartes et la prvision du temps .

58

En effet il serait plus que rducteur, dans le cas de la France, de mettre en correspondance la sinistralit dun portefeuille dassurance au niveau national - par exemple la sinistralit tempte sur lensemble du territoire franais - avec lvolution dune variable climatique observe dans une seule station - par exemple la vitesse de vent maximale instantane enregistre quotidiennement dans la station de Paris Montsouris53. Poursuivons cet exemple : imaginons quune cdante souscrive une couverture indicielle Cat, de priode de couverture lexercice 1999, pour laquelle lindemnit perue est, sans entrer dans les dtails, croissante en fonction des vitesses de vent enregistres dans la seule station de Paris Montsouris. Le 26 dcembre 1999, la tempte Lothar apporte des vents de 169 km/h sur Paris et la cdante peroit une indemnit a priori substantielle, le tout fonctionnant comme si la tempte tait gnralise lensemble de lhexagone. Le 27 dcembre 1999, Martin fait des ravages dans les dpartements de lOuest et du Sud de la France, provoquant un cot de plus de EUR 2 700 millions pour les assureurs54, mais la station de Montsouris enregistre des vents de 72 km/h, et la cdante ne peroit aucune indemnisation ce titre. Si le risque de base, cest dire le risque que lindice climatique ne reflte pas fidlement le montant de sinistres, est inhrent la protection indicielle, le choix des stations utilises peut contribuer le rduire. Un chantillon de stations mto de taille suffisante est ncessaire si lon veut apprhender correctement le lien entre sinistralit et valeurs de la variable climatique. Dun point de vue pragmatique, un nombre excessif de stations peut cependant tre prjudiciable la comprhension du contrat, et surtout savrer inutilement onreux en matire dachat de donnes.

c.

Choix des stations, rpartition du portefeuille entre les stations

Un portefeuille dassurance possde une structure gographique qui lui est propre. Lamlioration des techniques informatiques rend aujourdhui possible une localisation prcise des risques assurs. Le dveloppement de base de donnes dtailles pour de nombreuses cdantes permet de localiser une chelle

53

La station de Paris Montsouris existe depuis 1872, ce qui fait delle la plus ancienne station mtorologique de France, et par consquent une source prcieuse de donnes climatiques historiques. 54 Etude 2002 des renouvellements des protections tempte du march franais , Benfield Paris.

59

gographique de plus en plus fine les paramtres dexposition dun portefeuille : montant des encaissements, nombre de contrats ou sommes assures. A titre dexemple, le tableau suivant synthtise les donnes dexposition, agrges au dpartement, dun portefeuille dune cdante fictive souscrivant sur le march franais.
Dpartement 01 02 ,,, 30 31 32 33 ,,, 74 75 76 77 ,,, 85 86 87 ,,, 95 Total Cotisations (en K EUR) 3 414 4 374 ,,, 4 515 10 644 1 462 9 244 ,,, 6 099 36 147 5 658 5 917 ,,, 2 090 1 253 2 401 ,,, 6 468 399 252 Nombre de contrats 113 556 127 136 ,,, 154 766 267 444 46 470 305 095 ,,, 185 084 572 089 257 218 198 004 ,,, 151 319 75 914 82 292 ,,, 152 728 13 638 469 Valeurs assures (en M EUR) 9 326 8 336 ,,, 9 031 17 209 3 738 22 740 ,,, 17 216 42 949 20 056 12 687 ,,, 11 007 7 187 7 140 ,,, 8 134 979 584

La carte suivante reprsente, au niveau du dpartement, la rpartition du nombre de polices dassurance de ce portefeuille.

60

Nombre de contrats

A partir de cette rpartition gographique particulire des risques, il est procd au choix dun panier de stations appropri. Dans cet exemple illustratif, un rseau de n = 10 stations est retenu, dont voici la liste :
Numro 1 2 3 4 5 6 7 8 9 10 Nom de la station GUIPAVAS MERIGNAC SETE PARCAY-MESLAY AUGNY EPINOY BRON SAINTE-ADRESSE TOULON ATHIS-MONS Dpartement 29 33 34 37 57 62 69 76 83 91

61

Plusieurs facteurs peuvent tre pris en considration lors de la slection des stations : la concentration de lexposition dans certaines zones en particulier, les trajectoires des principales familles de temptes, la qualit du rseau de stations disponibles55 notamment. La localisation des stations retenues dans cet exemple est reprsente sur la carte suivante :

Pour chaque station i, avec i (1,,n) et n le nombre de stations retenues, est calcul un facteur de pondration pi qui reprsente limportance de ladite station eu gard son poids dans le portefeuille national, vis--vis dune variable de rfrence. Ces facteurs de pondration seront par la suite utiliss dans la formule de calcul de lindice. Cette opration vise distinguer pour chaque station, la part de lexposition globale du portefeuille qui lui est imputable, ceci par souci daccorder au mieux lventuelle indemnisation future et la sinistralit potentielle de lensemble du
55

La notion de qualit dune station sera prcise ultrieurement.

62

portefeuille. La variable de rfrence doit donc tre choisie parmi plusieurs agrgats reprsentatifs du risque total du portefeuille. On peut donc par exemple utiliser comme variable de rfrence le montant des sommes assures du portefeuille, ou le nombre de contrats du portefeuille, ou encore le montant des primes mises du portefeuille. Soit A la valeur de la variable de rfrence pour lensemble du portefeuille. Dans notre exemple, si la variable de rfrence choisie est le montant des primes encaisses, alors A = 399 252 K EUR. Plusieurs mthodes de rpartition de lexposition A entre les stations sont envisageables. Lchelle gographique retenue est un premier critre. Nous exposerons ici un exemple de mthodologie lchelle du dpartement. Soit Aj la valeur de la variable de rfrence pour le dpartement j avec

j (1,,m) et m le nombre de dpartements (m=95 pour la France mtropolitaine).


Dans notre exemple A86= 1 253 K EUR. Cette mthode illustrative consiste attribuer chaque station une zone dinfluence gographique (Zi est la zone dinfluence de la station i, avec i (1,,n)). On accepte lhypothse que la valeur Aj du dpartement j est concentre dans le chef lieu de dpartement (on pourrait galement utiliser le centrode56 de dpartement). Tout dabord, on calcule les n.m distances sparant tous les chefs-lieux de dpartement de toutes les stations retenues. On dfinit j et Y j comme respectivement la latitude et la longitude du chef lieu du dpartement j, not Dptj. De mme, ' i et Y' i sont respectivement dfinis comme la latitude et la longitude de la station mto retenue i. La distance entre le chef lieu du dpartement Dptj et la station i est alors :

56

On appelle centrode d'une unit administrative un point quelconque situ approximativement au centre de la plus grande face composant cette unit.

63

d i, j = (X' i X j ) +(Y' i Y j ) .

On considre que le chef-lieu concern j, et a fortiori le dpartement j tout entier, est dans la zone dinfluence Zi de la station la plus proche. Cest--dire :
(Dpt j ) Zi d i, j = min(d k, j ) k (1,...,n)

Chaque dpartement est ainsi associ la zone dinfluence dune station prcise, ce quillustre la carte suivante :

Station mto Station mto

Station mto Station mto Station mto

Station mto La plus proche

Chef lieu de dpartement

Station mto

Station mto

Station mto

Station mto

64

Alors la valeur de la variable de rfrence pour la zone dinfluence i est

A' i =

j j tq Dpt j Z i

. Dans notre exemple le montant des encaissements associs la zone

dinfluence de Parcay-Meslay est A4 = 32 913 K EUR.

Le facteur de pondration attribu la zone dinfluence i se calcule donc simplement comme pi = A' i 100 , exprim en pourcentage. Ici, p4 = 8,24 % est le A poids de la zone dinfluence de Parcay-Meslay en termes de primes encaisses.

Les pi sont tels que

p A'
i

i =n i =1

i =n i =1

100

=1 .

La dfinition des poids pi est importante dans la mesure o elle influence sensiblement la valeur de lventuelle indemnisation, dont le mcanisme de calcul est dtaill dans les sous parties suivantes. La mthode dcrite prcdemment est assez grossire, et on peut concevoir des approches bien plus fines de rpartition de lexposition du portefeuille dassurance. Il est par exemple possible de rpartir lexposition dune mme zone gographique entre plusieurs stations, au lieu de la rattacher totalement une seule station. Dans un exemple o lon souhaiterait rpartir lexposition de chaque dpartement entre les k stations les plus proches, une faon de calculer les poids pi pourrait tre la suivante :

pi
=

j =m

d 'ij Aj i =n 2 j =1 d ' ij i =1 100 A


2

avec dij = dij si dij est infrieure ou gale la distance entre le chef lieu de Dptj et la kime station la plus proche du chef lieu de Dptj, et dij = 0 sinon.

65

Il est galement envisageable de retraiter les variables dexposition de chaque zone gographique, afin de mieux tenir compte des spcificits rgionales en matire de vulnrabilit au pril naturel protg. Enfin, si lopration de rpartition de lexposition entre les stations peut tre effectue partir de ltat prsent du portefeuille dassurance, elle peut aisment tre ralise en tenant compte dune ventuelle volution du portefeuille, comme par exemple une prvision de croissance dans certaines zones.

d.

Dfinition dun indice par station

Poursuivons la description des mcanismes de la couverture indicielle Cat avec la prsentation du calcul des indices par station. Encore une fois, il est possible de concevoir une grande varit de modes de construction des indices. Nous nous focaliserons dans ce mmoire sur lexemple du mcanisme prsent ci-dessous, qui a gnralement t utilis pour la conception de couvertures indicielles. Pour chaque station i, on observe et on enregistre chaque date t ( t[0,T ] , o T est la date de maturit de la couverture indicielle Cat contracte en 0), les donnes climatiques sur un intervalle de temps [ t -1 , t ], de dure t - (t - 1) gale par exemple une heure ou un jour. Soit Xi(t) la valeur en units de mesure de la variable climatique, par exemple km/h ou degr Celsius, enregistre dans la station i la date t. Pour chaque station i, le contrat de rassurance dfinit une valeur Ki en unit de mesure de la variable climatique, et peut dfinir une valeur Li en unit de mesure de la variable climatique telle que Li > Ki. Est alors dfini comme indice sur lintervalle de temps [ t -1 , t ], la date t :

Ii (t)= min[(Li K i ),max[(X i (t)K i ),0] ]

66

Ainsi par exemple : Ii(t) est un indice horaire si la dure t - (t - 1) gale une heure, et Ii(t) est un indice journalier si la dure t - (t - 1) gale un jour. On dfinit lindice de la station i la date t comme le cumul sur [0, t] des Ii(t) .
t'= t

Ainsi : Si(t)= Ii(t' )


t'=1

Le contrat de rassurance indiciel cat tant de maturit T (lanne gnralement), lindice final de la station i est alors :
Si =Si(T)= Ii(t)
t =1 t=T

On remarque que Si(t) est croissant avec t, puisque Ii(t) 0 .

e.

Mcanisme de lindice final, indemnisation due au contrat

Lindice gnral de la couverture indicielle Cat est la date t :


S(t)= pi Si (t)
i =1 i =n

Lindice maturit est :


S(T)= pi Si (T)
i =1 i =n

Le principe dindemnisation dans une couverture indicielle Cat est semblable celui dune option europenne classique ou celui dun trait de rassurance non proportionnel. Ainsi, lassureur ayant achet une protection indicielle cat, recevra la fin de la priode de couverture ( la date T), une indemnit C(T), si la valeur de lindice

67

S(T) est suprieure une franchise K (en units de la variable climatique)


dtermine au contrat, telle que :

C(T)=N max[(S(T)K),0]
o N est le montant nominal en units montaires correspondant une unit dindice supplmentaire au dessus de la franchise K, que lon dsigne galement par tick . Lindemnit perue au moyen de la couverture indicielle Cat, correspond donc au payoff dun call de maturit T sur le sous jacent S, avec un prix dexercice K, et avec un facteur de conversion N. Les preneurs de risques prfrent gnralement, face ce type de couverture, et tout comme pour les traits de rassurance traditionnelle, limiter leur engagement. Ainsi les caractristiques dune couverture indicielle comportent bien souvent la dfinition dune valeur L (en unit climatique) plafonnant la valeur de lindice donnant droit indemnisation, si bien que lindemnit perue au moyen de la couverture indicielle Cat sapparente au payoff dun callspread (ou capped call) ou encore lindemnisation dune tranche dun trait de rassurance en excdent de sinistre de priorit K et de porte L - K.

C(T)=N max[min[(LK),(S(T)K)],0 ]

Indemnit perue, prime dduite

cas du call

cas du call spread

K L

S(T)

68

La construction de lindice sous-jacent la protection indicielle Cat peut revtir une multitude de formes diffrentes. Les mcanismes prsents prcdemment peuvent tre rendus plus complexes, par exemple par extension plusieurs pays, par utilisation de plusieurs variables climatiques, ou encore par dfinition des ticks au niveau de chaque station.

3.3

Etude dun exemple


Ainsi, une couverture indicielle Cat ayant pour but de rassurer une cdante

contre le risque tempte, peut tre construite en utilisant un indice bas sur les vitesses de vent maximales instantanes enregistres quotidiennement. Cest sur ce lien existant entre occurrence de vents violents et sinistralit dun portefeuille dassurance due la tempte, qua t introduite la premire couverture indicielle Cat voque prcdemment. Les cartes suivantes visent illustrer ce lien : pour les deux temptes de dcembre 1999, on peut comparer visuellement les forces de vent maximales instantanes le jour de la tempte la sinistralit dclare la suite de la tempte par un panel de cdantes du march franais. La simple observation de ces cartes semble indiquer une forte relation entre force du vent et sinistralit due la tempte.

69

Vitesses de vent enregistres Lothar

Sinistralit par dpartement dun panel de cdantes Lothar

Sinistres (en M EUR)

70

Vitesses de vent enregistres Martin

Sinistralit par dpartement dun panel de cdantes Martin

Sinistres (en M EUR)

71

Afin dtudier plus prcisment la relation entre la force du vent et la sinistralit tempte, il est par exemple possible de mettre en correspondance, au niveau de chaque dpartement, une mesure de la sinistralit enregistre lors de ces deux vnements et les vitesses de vent interpoles aux centrodes de dpartement partir des observations dun chantillon de stations mtorologiques. Soit Yij , avec i(1,2) et j(1,...,95) , la mesure de la sinistralit enregistre par le dpartement j lors de la tempte i. Dans notre exemple, i = 1 correspond la tempte Lothar, et i = 2 correspond la tempte Martin. Nous utiliserons la mesure de sinistralit suivante :
Montant des sinistres enregistrs dans le dpartemen t j suite la tempte i Nombre de foyers du dpartemen t j (recensement Insee 1999 )

Yij =

Soit Xij , avec i (1,2) et dpartement j lors de la tempte i.

j (1,...,95) , la vitesse de vent interpole du

Pour chaque dpartement, la valeur des Xij est calcule par interpolation des valeurs maximales de vent maximal instantan enregistres dans les cinq stations les plus proches57 du centrode de dpartement j lors de la survenance de la tempte i (25 et 26 dcembre 1999 pour Lothar, 27 et 28 dcembre 1999 pour Martin). Le graphique suivant reprsente pour chaque couple (i,j) la valeur Xij en abscisse, et la valeur Yij en ordonne.

57

Le calcul est effectu partir dun chantillon de 133 stations.

72

1 600

1 400 Tempte Lothar ( i = 1 ) 1 200 Tempte Martin ( i = 2 ) Yij (en EUR par foyer) 1 000

800

600

400

200

0 40 60 80 100 120
-1

140

160

180

Xij (en km.h )

On constate que loccurrence dune sinistralit significative due aux temptes nintervient qu partir dun seuil de vitesse de vent compris entre 90 et 100 km/h. En effectuant une rgression linaire des valeurs log (Yij) par les Xij, on obtient lajustement suivant :

log (Yij )=0,0636 X ij 3,5977

cest dire :

Yij = 0,0274 exp ( 0,0636 X ij )


Le coefficient R de lajustement est gal :

R =

(Y Y ) Y (Y Y (Y Y )
ij ij ij ij

ij

=0,747

Voici la reprsentation graphique de lajustement :

73

1 600

1 400 Tempte Lothar ( i = 1 ) 1 200 Tempte Martin ( i = 2 ) Ajustement exponentiel Yij (en EUR par foyer) 1 000

800

600

400

200

0 40 60 80 100 120
-1

140

160

180

Xij (en km.h )

Lajustement est assez satisfaisant, compte tenu du R et de la reprsentation graphique obtenus. Il est donc envisageable de reprsenter une mesure de sinistralit par dpartement lie une tempte (soit Yj cette variable alatoire) en fonction de la vitesse de vent interpole pour le dpartement (soit Xj cette variable alatoire), c'est--dire dfinir une fonction f telle que : Yj = f(Xj). Lajustement ralis partir des temptes historiques Lothar et Martin peut par exemple tre utilis comme estimation de f. Toutefois, la sinistralit est trs volatile pour les vitesses de vents extrmes, et lutilisation de cette fonction f ne prendrait pas suffisamment en compte lincertitude qui porte sur le niveau de sinistralit une fois donne la mesure de vitesse de vent. Cette incertitude est couramment dsigne comme lincertitude secondaire. Afin de mieux apprhender les liens entre vitesses de vent et sinistralit, une alternative consiste ainsi faire lhypothse que Yj suit une loi de probabilit P de paramtre (Xj) (o (Xj) est un vecteur de paramtres qui dpendent de Xj), puis chercher le meilleur ajustement possible. Le graphique suivant illustre cette approche :

74

1 600

1 400 Tempte Lothar ( i = 1 ) 1 200 Yij (en EUR par foyer) Tempte Martin ( i = 2 ) Ajustement exponentiel 1 000

P((Xj1))
800

600

400

P((Xj2))
200

0 40 60 80 100 120
-1

140

160

180

X ij (en km.h )

Ltude de la relation entre une variable climatique et la sinistralit potentielle dun portefeuille dassurance mrite un travail danalyse statistique approfondi, qui ne fait pas toutefois lobjet de ce mmoire. La couverture indicielle Cat, comme indiqu prcdemment, repose sur le lien existant entre les variations exceptionnelles de variables climatiques et la sinistralit dun portefeuille dassurance. Lindice est donc gnralement conu de telle faon que sa valeur croisse avec le caractre exceptionnel des observations de la donne mtorologique. Pour une couverture indicielle contre le risque de tempte, seules les vitesses de vent suprieures un seuil entraneront une hausse de lindice. Dans la mesure o elles ne saccompagnent pas de la survenance de sinistres, les vitesses de vent nulles, faibles ou moyennes, naffectent pas la valeur de lindice, tel quil est gnralement construit. Nous poursuivrons dsormais avec ltude dun exemple prcis dune couverture indicielle vent, dont les caractristiques sont dtailles ci-aprs. Nous prendrons donc lexemple dune protection base sur un indice construit partir des vitesses de vent maximales instantanes enregistres quotidiennement dans un panel volontairement limit de n = 4 stations, dont voici la liste :

75

Numro i 1 2 3 4

Nom de la station BORDEAUX-MERIGNAC METZ-FRESCATY NICE ORLY

Code WMO 7510 7090 7690 7149

Dans cet exemple, nous utiliserons pour les quatre stations les facteurs de pondrations pi suivants :

Numro i 1 2 3 4

Nom de la station BORDEAUX-MERIGNAC METZ-FRESCATY NICE ORLY

Poids pi 25 % 18 % 20 % 37 %

Par ailleurs, quatre seuils Ki ont t choisis pour le calcul des indices par station : Franchise Ki (en m/s) 29,5 30,0 29,5 31,5 Franchise Ki (en dam/h)58 10620 10800 10620 11340

Numro i 1 2 3 4

Nom de la station BORDEAUX-MERIGNAC METZ-FRESCATY NICE ORLY

La couverture porte sur la valeur de lindice S(T), en dam/h, construit comme la somme des produits des facteurs de pondration pi et des indices Si(T) de chacune des quatre stations :
S(T)= pi Si (T)
i =1
58

i =4

Nous utiliserons souvent le dcamtre par heure (dam/h) comme unit de mesure des vitesses de vent.

76

L indice Si(T), en dam/h, de la station i est dfini par :

Si (T)= Ii (t)= max ((X i (t)K i ),0 )


t = t0 t =t0

t=T

t=T

avec Xi (t) la valeur en dam/h de la vitesse de vent maximale instantane enregistre la date t dans la station i, et avec t0 le 1er janvier de lanne N, et T le 31 dcembre de lanne N. Le choix de lanne civile comme priode de couverture nest pas meilleur en soi, mais sadapte mieux aux habitudes du march de la rassurance. Cet exemple trs simplifi de couverture indicielle poursuit avant tout une fin illustrative. Il permettra de faciliter les travaux danalyse qui sont exposs dans la suite du mmoire.

77

En utilisant les enregistrements historiques des vitesses de vent pour les quatre stations depuis le 01/01/1970, il est possible de calculer la valeur des indices S(T) de 1970 2002, ce quillustre le tableau suivant :
BORDEAUX Anne civile 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 S1 (T) (dam/h) 180 2 880 900 6 300 180 540 1 260 2 880 900 540 900 1 260 3 780 180 540 METZ S2 (T) (dam/h) 360 360 14 040 720 720 720 2 520 NICE S3 (T) (dam/h) 180 900 180 900 900 ORLY S4 (T) (dam/h) 540 540 180 1 800 4 500 8 640 Total S (T) (dam/h) 45,00 36,00 720,00 489,60 1 774,80 66,60 45,00 315,00 379,80 756,00 225,00 666,00 135,00 4 417,20 180,00 129,60 129,60 315,00 129,60 4 775,40 45,00 135,00

78

La reprsentation graphique suivante des valeurs historiques de S(T) permet dobserver la variabilit historique de lindice :

S ( T ) (dam/h)
5 500 5 000 4 500 4 000 3 500
S ( T ) (dam/h)

dam/h

3 000 2 500 2 000 1 500 1 000 500 19 96 19 90 19 86 19 94 19 84 19 80 19 88 19 72 19 70 19 74 19 76 19 78 19 82 19 92 19 98 20 00 20 02

Annes civiles

Enfin, la couverture sur lindice S(T) est caractrise par la dfinition de deux bornes, K et L, semblables une priorit et un plafond, et par la dfinition du tick N, qui entrent dans le calcul du montant de lindemnisation C(T) :

C(T)=N max[min[(LK),(S(T)K)],0 ]
Nous utiliserons les valeurs suivantes :

Priorit K 1 000 dam/h

Plafond L 5 000 dam/h

Tick N EUR 1 000 par dam/h

Avec ces caractristiques, la couverture aurait historiquement conduit au paiement dune indemnisation la cdante au cours de trois annes, 1976, 1990, et 1999, comme on peut lobserver sur le graphique suivant.

79

Indice S ( T ) (en dam/h) & Caractristiques de la couverture


5 500 5 000 4 500 4 000 3 500

dam/h

3 000 2 500 2 000 1 500 1 000 500 -

S ( T ) (dam/h) Priorit K Plafond L

19 84

19 86

19 80

19 82

19 78

19 90

19 88

19 94

19 96

19 72

19 70

19 74

19 76

Annes civiles

Les montants des indemnisations pour ces trois annes auraient alors t les suivants : Indice Annuel Anne 1976 1990 1999 S (T) (en dam/h) 1 774,80 4 417,20 4 775,40 Indice la charge (en dam/h) 774,80 3 417,20 3 775,40 Montant de (en EUR) 774 800 3 417 200 3 775 400

Franchise K 1 000,00 1 000,00 1 000,00

de la couverture lindemnisation C (T)

Aprs une synthse des principaux enjeux lis aux couvertures indicielles en gnral, les chapitres suivants aborderont les approches possibles afin de dterminer le montant de la prime correspondant cette protection.

80

19 92

19 98

20 00

20 02

3.4

Limites et dbat sur la couverture indicielle Cat


Le mcanisme de la couverture indicielle permet de concevoir un large

ventail de protections dun portefeuille dassurance contre les risques naturels. Lexemple de couverture qui va tre approfondi dans le cadre de ce mmoire est un cas trs particulier de lensemble des applications que lon peut imaginer pour les couvertures indicielles. Le choix des paramtres mtorologiques, la structuration de lindice et la dfinition du mcanisme dindemnisation sont autant de leviers qui permettent dadapter la protection indicielle divers objectifs de couverture : nature du pril couvert, horizon de couverture (sinistralit survenant pour une certaine priode de retour), couverture aggregate annuelle. Lobstacle majeur au dveloppement des couvertures indicielles comme forme alternative de rassurance des prils naturels tient lexistence structurelle du risque de base. Bien que pouvant tre rduit, notamment par le choix judicieux des paramtres climatiques et des stations dans la construction de lindice, ce risque dcart entre le montant de la sinistralit relle et le montant de lindemnisation due au titre de la couverture indicielle est inluctable. Par ailleurs, le dveloppement des couvertures indicielles ncessite un dveloppement conjoint des mthodes de tarification de ces nouvelles couvertures. Le prsent mmoire vise participer cette recherche de mthodes de tarification, et les prochaines parties dtailleront certaines approches envisageables, dans le cadre de lexemple dcrit prcdemment.

81

82

4 PREMIERES APPROCHES DE TARIFICATION DE LA COUVERTURE


Nous allons prsenter dans cette partie principalement deux approches envisageables en vue destimer le prix dune couverture indicielle. En prenant comme exemple la couverture indicielle vent dcrite dans la partie prcdente, nous estimerons tout dabord le prix de la couverture en utilisant lhistorique des valeurs de lindice S(T). Puis nous effectuerons une modlisation des variables climatiques sous jacentes elles-mmes, savoir les vitesses de vent maximales instantanes enregistres quotidiennement dans les stations mtorologiques retenues. Les approches de tarification abordes dans ce mmoire sont bases sur lhypothse de la reprsentativit des valeurs climatiques historiques quant au comportement futur de ces variables climatiques. Dans notre exemple de couverture indicielle vent, nous nutiliserons pas de modle de prvision climatique afin destimer les probabilits des valeurs futures des observations de la variable climatique. Si cette hypothse est trs nettement discutable dans le cadre dindices de temprature, il nexiste pas aujourdhui de modles scientifiques de prvision des temptes en Europe.

4.1

Hypothses sur la qualit des sries de donnes


Les historiques de donnes climatiques des offices mtorologiques

nationaux

sont

gnralement

riches

et

longs.

La

plupart

des

stations

mtorologiques permettent de disposer de sries de donnes longues de plusieurs dcennies. Dans la manipulation de donnes propres un portefeuille dassurance (historiques des cotisations, des sinistres), la longueur relativement faible de lhistorique exploitable, gnralement de cinq dix ans, constitue souvent un inconvnient lors de la tarification59. Lutilisation de longues sries de donnes climatiques offre la possibilit deffectuer une tarification sur des bases intressantes. Toutefois, il existe certaines
Lvolution constante dun portefeuille dassurance (croissance interne, croissance externe, changement du comportement de la sinistralit, etc.) rend souvent difficile linterprtation des statistiques du pass.
59

83

difficults lies la qualit des sries de donnes climatiques, qui sont susceptibles daltrer la crdibilit dune approche de tarification. 4.1.1 Qualit de mesure au cours du temps De nombreux facteurs peuvent affecter la qualit de mesure des paramtres mtorologiques au cours du temps dans une station, parmi lesquels : lvolution de lenvironnement direct de la station, comme le dveloppement urbain ou la modification de la vgtation, le changement (le perfectionnement souvent) des instruments de mesure. Ainsi, certaines volutions exognes au comportement de la variable climatique mesure peuvent entraner des changements singuliers, des ruptures dans les sries de donnes climatiques. A laide de techniques statistiques, les ruptures prsentes dans les sries de donnes climatiques peuvent tre dtectes et ventuellement corriges en vue de rendre les sries homognes. Nous utiliserons dans le cadre de notre exemple les sries originelles de vitesses de vent des quatre stations retenues. Le choix de faire dbuter lhistorique exploit au 01/01/1970 nous permet desquiver lventuelle prsence de donnes non homognes.

4.1.2 Le problme des donnes manquantes Les instruments dobservation mtorologique ntant pas infaillibles, le problme de labsence de mesure de la variable climatique pour certaines dates peut se poser dans le calcul de lindice sous-jacent une couverture. Le problme se pose galement dans ltude des valeurs historiques en vue dune tarification. Pour y remdier, la premire approche tend privilgier les sries de donnes les plus compltes lors de la slection des stations mtorologiques qui sont retenues pour la construction de lindice. Enfin, en vue de reconstituer des sries de donnes compltes et dassurer le calcul dun indice en vigueur, chaque station slectionne se voit associer une ou plusieurs stations de repli. Celles-ci sont prioritairement choisies en fonction de leur proximit gographique des stations originales. Elles font

84

galement lobjet dtudes de corrlation avec les stations originales, afin de mesurer la pertinence de leur utilisation.

4.1.3 Conclusion La qualit des sries de donnes climatiques constitue un enjeu de premier plan quant lvaluation du prix dune couverture indicielle. Nous utiliserons dans le cadre de ce mmoire les sries de donnes de vitesses de vent maximales instantanes constitues par la socit CatiXL60 pour les quatre stations retenues dans lexemple. Les sries dont nous disposons comportent ainsi un historique complet de valeurs quotidiennes de vitesses de vent maximales instantanes jusqu la date du 31/12/2002. Les fiches descriptives des sries utilises et ralises par CatiXL se situent en annexe 2. Nous choisissons, comme indiqu prcdemment, de faire dbuter les sries de vitesse de vent utilises dans ce mmoire au 01/01/1970. Compte tenu de la modification des appareils de mesure de la force du vent au dbut des annes 1970 dans les stations de Mto France61 , il apparat prfrable de tronquer les sries afin de disposer de donnes homognes.

La socit CatiXL recueille et vrifie des donnes mtorologiques provenant dun rseau international de stations mtorologiques. Elle peut ainsi constituer des sries de donnes climatiques compltes pour un certain nombre de stations, en choisissant attentivement les stations de repli. CatiXL met ensuite la disposition de ses clients des outils de structuration de couvertures sur base dindices climatiques. 61 Il sagissait dun changement de capteur. Les stations disposent toutes des mmes instruments de mesure, il ny a donc pas de problme dhomognit entre les stations.

60

85

4.2

Tarifications sur les valeurs dindice


En vue destimer le prix de la couverture, la dmarche qui semble la plus

vidente, en raison de sa simplicit, consiste utiliser lhistorique des valeurs dindice annuel. Nous prsentons dans cette sous-partie les diffrentes voies tudies qui sinscrivent dans cette dmarche.

4.2.1 Burning Cost sur lindice S(T) Le Burning Cost correspond la prime annuelle quun rassureur ayant souscrit la couverture indicielle sur les n dernires annes aurait d demander la cdante afin que les primes de rassurance perues quilibrent le montant des indemnisations quil aurait t amen verser. Si on note Cj et Sj respectivement la valeur de lindemnit C(T) et la valeur de lindice S(T) pour lanne j, le Burning Cost sur n annes de la couverture indicielle vent tudie stablit comme suit :
j = 2002

Cn =

j j = 2002 n +1

C
n

j = 2002

N =

j = 2002 n +1

max[min[(LK),(S K)],0]
j

Il correspond donc la moyenne des indemnisations sur les n dernires annes, et donne ainsi un estimateur de la prime pure de la couverture. Lorsque le Burning Cost est non nul, il constitue bien souvent dans la pratique un lment de rfrence pour la cotation dune protection de rassurance. Dans notre exemple, nous obtenons les rsultats synthtiss dans le tableau ci-aprs :

86

Burning Cost Cn (en EUR) sur 5 ans (priode 1998-2002) sur 10 ans (priode 1993-2002) sur 20 ans (priode 1983-2002) sur 33 ans (priode 1970-2002)

en dam/h 755,08 377,54 359,63 241,44

en EUR 755 080 377 540 359 630 241 440

Pour rmunrer sa prise de risque, le rassureur demande gnralement la cdante une prime commerciale suprieure la prime pure, en incorporant un chargement de scurit. Le chargement est le plus souvent le produit dun coefficient que nous noterons a, par lcart type empirique du montant annuel des indemnisations62. Nous notons sn lcart type des indemnisations annuelles sur les n dernires annes. La prime commerciale scrit alors :

= Cn + a sn
En utilisant deux valeurs diffrentes de a, 20 % et 40 %, nous obtenons les estimations des primes commerciales suivantes :

Priode sur 5 ans sur 10 ans sur 20 ans sur 33 ans

Cn (en EUR)

sn
1 688 410 1 193 886 1 108 442 876 919

avec a =20 % avec a =40 %


(en EUR) 1 092 762 616 317 581 318 416 820 (en EUR) 1 430 444 855 095 803 007 592 204

755 080 377 540 359 630 241 436

62

De nombreux mmoires ont tudi ce point. Nous napprofondirons pas ici les diffrentes mthodes de chargement envisageables.

87

Si la mthode, qui peut exploiter un historique long de 33 annes dans notre exemple, a lavantage de la simplicit et de la rapidit, son application prsente toutefois des limites. En fonction de la longueur de lhistorique retenu, les montants estims des primes commerciales de la couverture varient du simple au triple. Dans prs de 91 % des annes (30 sur 33), la couverture naurait pas conduit une indemnisation de la cdante. Cette volatilit rend difficile linterprtation du Burning Cost, et problmatique lapprhension du risque pris par le rassureur.

88

4.2.2 Modlisation de lindice S(T) au premier dam/h Dans le but de dterminer une meilleure estimation de la prime de la couverture indicielle vent, une alternative peut consister ajuster une distribution probabiliste aux valeurs empiriques de lindice S(T) afin destimer E(C(T)), lesprance de C(T). De mme que le Burning Cost, la recherche dun ajustement statistique sur les valeurs dindice constitue une approche immdiate en raison de sa simplicit et de son utilisation rpandue. Nous disposons donc de lchantillon de n = 33 valeurs de lindice S(T), sur la priode de 1970 2002 : Anne civile 1999 1990 1976 1986 1972 1988 1974 1984 1983 1996 1987 1992 1989 2002 1994 1995 1997 Sj (T) (dam/h) 4 775,40 4 417,20 1 774,80 756,00 720,00 666,00 489,60 379,80 315,00 315,00 225,00 180,00 135,00 135,00 129,60 129,60 129,60 Anne civile 1978 1970 1979 2000 1971 1973 1975 1977 1980 1981 1982 1985 1991 1993 1998 2001 Sj (T) (dam/h) 66,60 45,00 45,00 45,00 36,00 -

89

Nous utiliserons les ajustements raliss partir de quatre lois, la loi exponentielle, la loi gamma, la loi lognormale et la loi de Weibull. La loi Normale, tudie galement, ne sera pas prsente car elle noffrait pas un ajustement satisfaisant. Afin dapprhender la qualit des ajustements, nous examinerons pour chaque loi tudie le graphique quantile-quantile associ, ou Q-Q plot, et raliserons les tests e.d.f. de Kolmogorov-Smirnov et dAnderson-Darling. Notations Soit (X1, , Xn) une ralisation du n-chantillon de la variable alatoire relle de lindice X, de fonction de rpartition F, et soit X(1), , X(n) lchantillon ordonn correspondant tel que X(1) X(n). Soit F = {F(x, ), } une famille paramtre des fonctions de distribution, o est un ouvert de IRq. Fn* est la fonction de rpartition empirique dfinie par :
Fn *(x) = 1 I] ; x[ (X (r) ) n r =1
n

Prsentation des tests e.d.f. Les tests e.d.f. (empirical distribution function) sont raliss partir de la fonction de rpartition empirique Fn*.

Le test de Kolmogorov-Smirnov : Soit lestimateur de maximum de vraisemblance de sous lhypothse


H0 : FX F. Le test de Kolmogorov-Smirnov utilise la statistique Dn :
+ Dn =Sup Fn * (x)F(x,) =max (Dn ,Dn )

x 0

90

+ o Dn = max r F(X(r),) et Dn = max F(X(r),)- r 1 r =1,...,n n r =1,...,n n

La statistique Dn permet de comparer en termes de distance plusieurs ajustements entre eux, le meilleur tant celui qui possde la distance Dn la plus faible.

Le test dAnderson-Darling :
Le test dAnderson utilise la statistique An2 suivante :

An = n 0
2

(F

n (x)F(x)) dF(x)= - n - 1 ( 2r +1)(log(F(X(r),))+log(1-F(X(n-r +1),)) F(x).(1 - F(x)) n r =1


n * 2

Nous utiliserons galement la statistique An2 en termes de distance afin de comparer les ajustements, le meilleur dentre eux correspondant la valeur la plus faible de An2. Le test dAnderson-Darling donne une importance plus grande aux queues de distribution, nous le prfrerons donc au test de Kolmogorov-Smirnov en cas de conclusions divergentes entre les deux tests.
Prsentation des Q-Q plots

Sous lhypothse H0 : FX F :
X ( i ) F-1 i n +1

( )
en positionnant les points

Un Q-Q plot est une technique danalyse exploratoire des donnes qui permet dtudier la
-1

qualit
*

dun

ajustement

[ (X(i))i=1,,n ; F (Fn (X(i)))i=1,,n ] sur un graphique. On utilise souvent la dfinition suivante de la fonction de rpartition empirique :
* i 0 ,5 Fn ( X (i) )= n

91

Pour chaque loi tudie, nous observerons ainsi lalignement des points
i 0 ,5 ) avec i = (1,,n). La qualit de lajustement sera juge de faon ( X(i) ; F1 n

subjective en comparant lalignement des points la droite dquation Y=X.


i 0 ,5 par simulation des distributions Nous obtiendrons les valeurs F1 n

tudies, laide dun logiciel permettant lapplication de la mthode de Monte Carlo63. En gnrant des nombres alatoires ri distribus uniformment sur [ 0 , 1 ], on obtient des nombres alatoires xi distribus selon une loi de fonction de rpartition F en transformant les nombres ri par la fonction inverse de F : xi =F1 (ri ) .

La loi exponentielle

Une loi exponentielle de paramtre a avec a > 0, a la fonction de rpartition suivante : F(x)=1exp( ax ) Lestimation de a par la mthode du maximum de vraisemblance nous donne : a= n
j

S (T) S (T)
j j =1 j =1

33

33

= 2,07 10 3

Nous simulerons la distribution exponentielle en utilisant : xi = 1 log(1 ri ) a

63

Il sagit du logiciel de modlisation financire dynamique, ReMetrica, dvelopp par Benfield Group. Une brve prsentation de ReMetrica est situe en annexe 3.

92

Q-Q plot

QQ Plot : Adquation la loi exponentielle


5000 4500 droite Y = X 4000 3500 Exponentielle 3000 2500 2000 1500 1000 500 0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lobservation du graphique indique que lajustement par une loi exponentielle nest pas trs appropri. Test e.d.f. Le test de Kolmogorov-Smirnov vaut 0,39 et le test dAnderson-Darling vaut 47,43. La loi exponentielle, nous le verrons, napparat pas comme la plus approprie au vu du rsultat de ces tests.
La loi gamma

Une loi gamma de paramtres a et b a la fonction de densit suivante : ba f(x)= . x a 1 .exp( bx ) (a) Nous obtenons les estimations suivantes de a et b :

93

a=

n S j (T) j =1

n 2 n (S j (T)S (T)) j =1

= 0,18553

b=

n S j (T) j =1 n 2 (S j (T)S (T)) j =1

= 0,00038

Nous simulerons la distribution gamma en utilisant lalgorithme suivant :


poser

m = [] et q = m, z = ri ,
i =1 m

gnrer gnrer gnrer on

w suivant une loi Beta de paramtres q et 1-q, y = log(u) o u est distribue uniformment sur [0,1],
(z+wy) . b

obtient alors : xi =

Q-Q plot
QQ Plot : Adquation la loi gamma
6000

5000 droite Y = X 4000 Gamma

3000

2000

1000

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lobservation graphique indique un ajustement plus satisfaisant.

94

Test e.d.f. Le test de Kolmogorov-Smirnov vaut 0,26 et le test dAnderson-Darling vaut 2,45. Ces valeurs sont, nous le verrons, les plus faibles pour les quatre lois tudies.
La loi lognormale

Une loi lognormale de paramtres et a la fonction de rpartition suivante :

log(x) F(x)=
o est la fonction de rpartition dune loi normale centre rduite. Nous obtenons les estimations suivantes de et :

log( S (T) )
j j =1

=1,3916

2 n 2 (log( S j (T) ) ) j =1 = 5,9743 = n

Nous simulerons la distribution lognormale de la faon suivante :


Gnrer ri calculer

, un nombre alatoire uniforme sur [0,1],

(ri) o est la fonction de rpartition dune loi normale centre

rduite ,
on

64

obtient alors :
xi =exp((ri ).+ )

64

Voir par exemple Practical Risk Theory for Actuaries C.D. Daykin, T. Pentikinen and M. Pesonen pour la mthode de calcul numrique.

95

Q-Q plot

QQ Plot : Adquation la loi lognormale


30 000

25 000

20 000 Lognormale

15 000

10 000

5 000

droite Y = X

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lobservation du graphique nous indique que lajustement nest pas appropri.


La loi de Weibull

Une loi de Weibull de paramtres a et m a la fonction de rpartition suivante :


F(x)=1exp ( ( x )m ) a

Nous obtenons les estimations de a et m par la mthode du maximum de vraisemblance, par lintermdiaire de la mthode de Newton, en maximisant sur et
m la vraisemblance :
n S j (T) n S j (T) EMV = n log m + (m 1 ) log a a j =1 a j =1 m

a = 62,91 m = 0,2329

Nous simulerons la distribution de Weibull en utilisant :

96

xi = a. log 1 1 ri

1 m

Q-Q plot

QQ Plot : Adquation la loi de Weibull


30 000

25 000

20 000 Weibull

15 000

10 000

5 000

droite Y = X

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lajustement napparat visuellement pas adquat.


Estimation de la prime de la couverture

Le tableau et le graphique suivants synthtisent les ajustements raliss :


Kolmogorov- AndersonSmirnov Darling P-Value Kolmog-Smir

Loi tudie

Paramtres

Exponentielle Gamma lognormale Weibull

c = 2,07.10-3
= 0,18553

0,39 0,26 0,31 0,26

47,43 2,45 4,04 3,33

1% 46% 10% 29%

b = 3,8.10-4

= 1,3916 = 5,9743

a = 62,91
m = 0,2329

97

Fonctions de Rpartition - Empirique et Thoriques


1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 500 1 000 1 500 2 000 2 500 3 000 3 500 4 000 4 500 5 000

Distribution

Empirique Exponentielle Gamma LogNormale Weibull

Sj(T)

Au vu des tests raliss, nous dcidons destimer la prime de la couverture indicielle vent en utilisant la seule distribution gamma, qui apparat comme la moins inapproprie. La P-Value associe au test de Kolmogorov-Smirnov pour la loi gamma est effectivement la plus leve des lois tudies. Nous estimons la distribution de lindemnisation C(T) en effectuant 100 000 simulations de lindice S(T) laide de ReMetrica65.

Pour chaque simulation, nous effectuons le calcul de C(T) :

C(T)=1000max[min( 4000 ,S(T)1000 ],0]

Soient C et s les estimations respectives de la moyenne et de lcart type de lindemnisation annuelle de la couverture. En appliquant des chargements de scurit sur cart type de 20 % et 40 %, nous obtenons les estimations respectives
20% et 40% de la prime commerciale. Les rsultats obtenus sont dcrits dans le

tableau suivant :

65

Une brve prsentation du logiciel de DFA ReMetrica est propose en annexe 2

98

Estimation Rappel Burning Cost sur 33 ans


Modlisation loi Gamma

C (en EUR)

s (en EUR)
876 919
679 733

20% (en EUR) 40% (en EUR)

241 436
198 129

416 820
334 076

592 204
470 022

Nous obtenons des estimations de la prime de la couverture infrieures celles bases sur le Burning Cost. Toutefois, les ajustements effectus sur lensemble des valeurs historiques de Sj(T) ne sont pas trs satisfaisants, dans la mesure o il ne reproduisent quimparfaitement le comportement de lindice. Il pourrait tre judicieux dtudier des ajustements laide de lois supplmentaires, mais ceci na pas t ralis dans le cadre ce mmoire.

4.2.3 Modlisation de lindice S(T) avec introduction dun seuil

Laspect atypique de la srie des valeurs Sj(T), comportant 11 valeurs nulles sur 33, incite tudier lintroduction dun seuil dans les ajustements. Toutefois, le choix dun seuil est problmatique, et conduit dans tous les cas une rduction de la taille dj faible de lchantillon. Nous choisissons cependant dtudier lintroduction dun seuil de modlisation

z = 100 dam/h.
Nous disposons donc, sur la priode de 1970 2002, de lchantillon des n = 17 valeurs de lindice S(T) qui sont suprieures 100 dam/h :

Anne civile

Sj (T) (dam/h) 4 775,40 4 417,20 1 774,80 756,00

1999 1990 1976 1986

99

Anne civile

Sj (T) (dam/h) 720,00 666,00 489,60 379,80 315,00 315,00 225,00 180,00 135,00 135,00 129,60 129,60 129,60

1972 1988 1974 1984 1983 1996 1987 1992 1989 2002 1994 1995 1997

Nous estimerons la probabilit annuelle doccurrence dun indice S(T) de valeur suprieure 100 dam/h :
nombre d'observatio ns d'indices S j (T) suprieurs 100 dam/h 17 = =0,515 nombre total d'observatio ns 33

p=

Nous modliserons la valeur des indices S(T) suprieurs 100 dam/h en utilisant six lois : la loi exponentielle, la loi de Pareto, la loi lognormale, la loi de Weibull, la loi de Pareto Gnralise, et la loi dite Generalized Extreme Value Distribution . Afin dapprhender la qualit des ajustements, nous examinerons, comme pour les ajustements prcdents, les graphiques quantile-quantile , ou Q-Q plots, et raliserons les tests e.d.f. de Kolmogorov-Smirnov et dAnderson-Darling.

100

La loi exponentielle tronque

Une loi exponentielle tronque de paramtre a et z avec a > 0 et z > 0, a la fonction de rpartition suivante :

F(x)=1exp(a.(x z)) avec x z


Lestimation de a par la mthode du maximum de vraisemblance nous donne :
a= n
j

(S (T) z) (S (T)100)
j j =1 j =1

17

17

=1,22 10 3

Nous simulerons la distribution exponentielle tronque en utilisant :


xi = z 1 log(1 ri ) a Q-Q plot

QQ Plot : Adquation la loi exponentielle


5000 4500 droite Y = X 4000 3500 Exponentielle 3000 2500 2000 1500 1000 500 0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lobservation du graphique indique que lajustement par une loi exponentielle nest pas trs appropri.

101

La loi de Pareto

Une loi de Pareto de paramtres a et z a la fonction de rpartition suivante :


F(x)=1( z )a avec x z x

Lestimation de a par la mthode du maximum de vraisemblance :

a=

n = 0,696 S j (T) log( z ) j =1


n

Nous simulerons la distribution de Pareto en utilisant :


xi = z (1 ri )

1 a

Q-Q plot

QQ Plot : Adquation la loi de Pareto


18000 16000 14000 12000 Pareto 10000 8000 6000 4000 2000 0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000 droite Y = X

Lajustement ne semble pas compltement appropri, en particulier pour la queue de distribution.

102

La loi lognormale tronque

Une loi lognormale tronque de paramtres et et de seuil z a la fonction de rpartition suivante :


log(x) log(z) F(x)= avec x z log(z) 1

o est la fonction de rpartition dune loi normale centre rduite. Nous estimons et de la faon suivante :

log( S (T) ) log( S (T) )


j j =1

j =1

Z() log(z) Z()

2 n n 2 (log( S j(T) ) ) log( S j(T) ) Z() j =1 j =1 = + log(z) n n Z()

1 2

o Z est une fonction dfinie sur IR telle que Z(x) = (x) / ( 1-(x) ) , et respectivement les fonctions de densit et de rpartition de la loi normale centre rduite. et o =
log(z) est lunique solution de lquation :

1 Z(u).[Z(u)-u] = [Z(u)-u]

(log( S (T) ) )
j j =1

n log ( S j (T) ) j =1 n log(z) n

103

Aprs avoir dtermin la valeur de par la mthode de Newton (estimation de la tangente fournie par le solveur Excel), nous obtenons les estimations suivantes de et :
=3,7316 =2,15307

Nous simulerons la distribution lognormale de la faon suivante :


gnrer ri, calculer

un nombre alatoire uniforme sur [0,1],

log(z) log(z) + o est la fonction de l i = ri M1

rpartition dune loi normale centre rduite66,


on

obtient alors :
xi =exp(l i .+)

Q-Q plot

QQ Plot : Adquation la loi lognormale


7 000

6 000

5 000 Lognormale droite Y = X 4 000

3 000

2 000

1 000

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

66

Voir par exemple Practical Risk Theory for Actuaries C.D.Daykin, T.Pentikinen and M.Pesonen pour la mthode de calcul numrique.

104

Lajustement semble plus satisfaisant.


Test e.d.f.

Le test de Kolmogorov-Smirnov vaut 0,15 et le test dAnderson-Darling vaut 0,40. Ces valeurs sont, nous le verrons, les plus faibles parmi celles des six lois tudies.
La loi de Weibull tronque

Une loi de Weibull tronque de paramtres a et m , et de seuil z, a la fonction de rpartition suivante :


F(x)=1exp ( ( x z )m ) avec x z a

Nous obtenons les estimations de a et m par la mthode du maximum de vraisemblance, par lintermdiaire de la mthode de Newton, en maximisant sur et
m la vraisemblance :
n S j (T) z n S j (T) z EMV = n log m + (m 1 ) log a a j =1 a j =1 m

a =531 m = 0,615

Nous simulerons la distribution de Weibull tronque en utilisant :


xi = z +a. log 1 1 ri
1 m

105

Q-Q plot

QQ Plot : Adquation la loi de Weibull


5 000 4 500 4 000 droite Y = X 3 500 3 000 2 500 2 000 1 500 1 000 500 0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lajustement semble satisfaisant, hormis la queue de distribution.


La loi de Pareto Gnralise

La loi de Pareto Gnralise a t frquemment utilise, par lintermdiaire de la mthode POT, ou Peaks Over Threshold , pour ltude du comportement des valeurs extrmes des variables climatiques. Une loi de Pareto Gnralise de paramtres a et c, et de seuil z, a la fonction de rpartition suivante :
(x z) F(x) =1 1+c. a
1c

Weibull

avec x z et c 0

Nous obtenons les estimations de a et c par la mthode du maximum de vraisemblance, par lintermdiaire de la mthode de Newton, en maximisant sur et
c la log-vraisemblance :
n S j (T) z lnEMV = ln(a)1+ 1 .ln1+c. c a j =1

106

a =212,87 c =1,0227

Nous simulerons la distribution de Pareto gnralise en utilisant :


(1 ri )c 1 c

x i = z +a .

Q-Q plot

QQ Plot : Adquation la loi de Pareto Gnralise


8000

7000

droite Y = X

6000 Pareto Gnralise

5000

4000

3000

2000

1000

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lajustement semble plus satisfaisant.

La loi GEV

La loi dite Generalized Extreme Value Distribution , ou GEV, a, comme la loi de Pareto Gnralise, t frquemment utilise pour ltude du comportement des valeurs extrmes des variables climatiques, en se fondant sur les maxima dune srie dobservation de variables alatoires. Soient X1, , Xn n variables alatoires i.i.d., la thorie des valeurs extrmes consiste, principalement, tudier la loi de Yn = max ( X1, , Xn ).

107

Le thorme de Fisher-Tippet montre que, pour n suffisamment grand, il existe la limite une distribution F(X) de Yn, qui peut tre de trois types : Gumbel : Frchet :
F ( x )=exp( exp( x ) ) avec < x < + F ( x )= exp( x ) pour x0 et avec >0

F ( x )= 0 pour x0

Weibull :

F ( x )= exp( ( x ) ) pour x0 et avec >0

F ( x )= 1 pour x0

Ces trois lois peuvent tre regroupes par la loi dite GEV, qui a pour fonction de rpartition :
1 1+. x G( x )= exp

avec 1+. x > 0 et > 0

Quand 0 , on retrouve la distribution de Gumbel, Quand > 0 , on retrouve la distribution de Frchet, Quand < 0 , on retrouve la distribution de Weibull.

Nous obtenons les estimations de , et par la mthode du maximum de vraisemblance en maximisant la log-vraisemblance :
1 ln()1+1 .ln1+. S j (T) 1+. S j (T) lnEMV = j =1 n

=260,6
=212,87
=1,0227

108

Loptimisation ntant pas toujours aise, nous avons confront lorsque cela t possible les estimations obtenues partir du solveur dExcel aux estimations obtenues notamment par lutilisation sous le logiciel R de la fonction gev crite par Alec Stephenson. Les estimations des paramtres de la loi de Pareto gnralise peuvent galement servir de bonnes valeurs de dpart pour loptimisation.

Nous simulerons la distribution GEV en utilisant :

( log(ri )) 1 x i = + .

Q-Q plot

QQ Plot : Adquation la loi GEV


8 000

7 000

droite Y = X

6 000

5 000 GEV

4 000

3 000

2 000

1 000

0 0 500 1000 1500 2000 2500 Empirique 3000 3500 4000 4500 5000

Lajustement apparat comme satisfaisant.

109

Estimation de la prime de la couverture

Le tableau et le graphique suivants synthtisent les ajustements raliss :


Kolmogorov- AndersonSmirnov Darling P-Value Kolmog-Smir

Loi tudie

Paramtres

Exponentielle Pareto lognormale Weibull Pareto Gnralise

c = 1,22.10-3
= 0,696

0,30 0,17 0,15 0,16 0,15

4,13 0,48 0,40 0,59 0,41

47% + de 95% + de 95% + de 95% + de 95%

= 3,7316
= 2,1531 a = 531
m = 0,615

a = 212,87 c = 1,0227

= 260,6
GEV

= 212,9 = 1,0227

0,21

0,77

75%

Fonctions de Rpartition - Empirique et Thoriques 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 500 1 000 1 500 2 000 2 500 3 000 3 500 4 000 4 500 5 000 Sj(T) > 100dam/h Empirique Exponentielle Pareto LogNormale Tronq Weibull Pareto Gnralise GEV

Distribution

110

Au vu des tests raliss, nous dcidons destimer la prime de la couverture indicielle vent en utilisant les distributions de Pareto, LogNormale, Weibull, Pareto Gnralise et GEV. En effet les observations des QQ-Plots ainsi que les rsultats des tests de Kolmogorov-Smirnov et dAnderson-Darling (statistiques les plus faibles et p-value plus leves) nous indiquent que ces distributions sont appropries. Nous estimons la distribution de lindemnisation C(T) en effectuant 100 000 simulations. Pour chaque simulation, nous dterminons tout dabord loccurrence ventuelle dun indice S(T) suprieur 100 dam/h, en ralisant un tirage sur (0 ; 1) avec p0 = 1-p = 48,5 % et p1 = p = 51,5 %, puis en cas doccurrence, simulons la valeur de S(T). Pour chaque simulation, nous effectuons le calcul de C(T) :

C(T)=1000max[min( 4000 ,S(T)1000 ],0]

Soient C et s les estimations respectives de la moyenne et de lcart type de lindemnisation annuelle de la couverture. En appliquant des chargements de scurit sur cart type de 20 % et 40 %, nous obtenons les estimations respectives

20% et 40% de la prime commerciale. Les rsultats obtenus sont dcrits ci-aprs :

Estimation Rappel Burning Cost


Modlisation loi de Pareto Modlisation loi lognormale Modlisation loi de Weibull Modlisation loi de Pareto Gnralise Modlisation loi GEV

C (en EUR)

s (en EUR)
876 919
811 985 686 175 611 614 703 864 708 879

20% (en EUR) 40% (en EUR)


416 820
377 159 308 428 287 677 313 581 318 468

241 436
217 762 171 193 165 354 172 808 176 692

592 204
539 556 445 663 410 000 454 356 460 243

111

Les lois utilises conduisent nouveau des estimations plutt basses de la prime de la couverture, quand on les compare aux estimations bases sur le Burning Cost. Les lois Lognormale, Weibull, Pareto Gnralise et GEV, bien que conduisant des ajustements satisfaisants dans lensemble, tendent sous-estimer le poids de la queue de distribution de lindice S(T), notamment au del de 1000 dam/h. La loi de Pareto permet une meilleure modlisation du comportement de lindice S(T) entre 1000 et 5000 dam/h, mais est caractrise par une queue de distribution paisse au-del. Les estimations de la prime partir de la loi de Pareto correspondent assez fidlement aux estimations Burning Cost sur lensemble de lhistorique (33 ans). Lapproche de modlisation de lindice S(T) par des lois de cot permet une estimation satisfaisante de la prime de la couverture tudie en exemple. Il est noter que ltude de lois supplmentaires pourrait tre intressante. Toutefois, la mthode peut prsenter des limites si lon souhaite tudier le prix de couvertures aux caractristiques diffrentes, notamment en matire de niveau de priorit et de plafond. Le choix des distributions et des seuils de troncature appropris pourrait rapidement se prsenter comme un problme pineux. De plus, la mthode pourrait manquer de souplesse et savrer fastidieuse dans le cadre de ltude dune multitude de couvertures, reposant sur des panels de stations diffrents.

4.2.4 Modlisation des indices Si(T)

En vue de gagner en rapidit lors de la cotation de couvertures indicielles aux caractristiques diffrentes, une modlisation individuelle des indices par station

Si(T) pourrait constituer une approche intressante. En effet, la modlisation des


indices de chaque station permettrait dtudier plus aisment limpact sur le prix de lajout ou du retrait de stations dans la couverture. Cependant, cette approche multiplie les problmes de choix des seuils et des distributions. Elle ne permettrait pas non plus dtudier facilement limpact de modifications des franchises Ki par station. Enfin, les sries dindices Sij(T) comportent souvent une trs grande majorit de valeurs nulles, ce qui rend difficile le choix de lois pour les modliser. Nous dcidons donc de ne pas aller plus avant dans cette voie.

112

4.3

Tarifications sur les valeurs quotidiennes de vitesse de vent


Les approches abordes prcdemment prsentent des avantages de

simplicit et de rapidit dans le cadre de ltude dune couverture indicielle aux caractristiques bien prcises. Elles prsentent cependant linconvnient de fournir des estimations qui paraissent trs sensibles un historique de taille relativement rduite de valeurs dindices, qui comporte une trs grande volatilit. Il parat donc intressant dexploiter les historiques des valeurs de la variable climatique sous-jacente elle-mme. Lobtention dajustements fiables des sries de donnes climatiques pour chaque station pourrait tre une aide utile dans le cadre de ltude du prix des couvertures indicielles en gnral.
4.3.1 Prsentation de la dmarche

Nous allons poursuivre ltude de lexemple de la couverture indicielle vent. Nous disposons des historiques de vitesses de vent maximales instantanes pour les quatre stations retenues dans notre exemple. Ces historiques sont composs de 12 053 valeurs quotidiennes de vitesses de vent, mesures en m/s. Il sagit de valeurs entires. Les histogrammes suivants reprsentent la distribution des vitesses de vent quotidiennes pour chacune des quatre stations.

113

Distribution des vitesses de vent - Station de Bordeaux


moyenne 10,2 m/s quantile 95 quantile 25 1600 min quantile 75 quantile 99 mdiane

1400

Nombre d'observations quotidiennes

1200

1000 Franchise Ki = 29,5 m/s

800

600

400

200

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 +

vitesses de vent en m/s

Pour la station de Bordeaux, on peut noter que 50 % des valeurs sont comprises entre 7 m/s et 12 m/s. Nous indiquons la franchise retenue pour Bordeaux (29,5 m/s), et on observe quelle est suprieure au quantile 99 %. Ceci est galement le cas pour les trois autres stations.

Distribution des vitesses de vent - Station de Metz


moyenne 9,8 m/s quantile 95 quantile 25 1400 min quantile 75 quantile 99 mdiane

1200

Nombre d'observations quotidiennes

1000

800

600

400

200

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 +

vitesses de vent en m/s

114

Franchise Ki = 30 m/s

max

max

Distribution des vitesses de vent - Station de Nice


moyenne 10,1 m/s quantile 95 quantile 25 1800 min quantile 75 quantile 99 mdiane

1600

Nombre d'observations quotidiennes

1400

1200 Franchise Ki = 29,5 m/s

1000

800

600

400

200

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 +

vitesses de vent en m/s

Distribution des vitesses de vent - Station de Orly


moyenne 10,9 m/s quantile 95 quantile 25 1400 min quantile 75 mdiane quantile 99

max

1200

Nombre d'observations quotidiennes

1000

800

600

400

200

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 +

vitesses de vent en m/s

Dans un premier temps, nous tudierons les distributions de chaque station dans leur intgralit, puis nous nous focaliserons plus spcifiquement dans un second temps sur les observations de vitesses de vents suprieures un seuil.

115

Franchise Ki = 31,5 m/s

max

4.3.2 Ajustements au premier m/s

Soit Xi,t la variable alatoire reprsentant la valeur de la vitesse de vent enregistre dans la station i la date t. Nous modliserons Xi,t pour chaque station en utilisant quatre lois : la loi gamma, la loi lognormale, la loi de Weibull, et la loi GEV. Les lois exponentielle et Pareto gnralise ont t testes, mais les ajustements ntaient clairement pas appropris. Afin dapprhender la qualit des ajustements, nous examinerons, comme pour les ajustements prcdents, les graphiques quantile-quantile , ou Q-Q Plots, et raliserons les tests e.d.f. de Kolmogorov-Smirnov et dAnderson-Darling. Si les estimations des paramtres des lois tudies sont effectues partir des chantillons originaux des Xi,t, la ralisation des tests e.d.f. et les reprsentations graphiques sont fondes sur des chantillons lgrement modifis, afin de transformer les sries de valeurs entires en sries de valeurs relles. A chaque Xi,t est ajout une valeur choisie alatoirement de faon uniforme sur lintervalle [ -0,5 ; +0,5].
Station de Bordeaux Ajustements des X1,t

Le tableau suivant synthtise les caractristiques des ajustements effectus :


KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 6,059

Gamma
Lognormale

b = 1,68

0,040
0,016

46,15
3,85

= 2,243 = 0,389
a = 11,45
m = 2,557

Weibull

0,075

178,78

= 8,289
GEV

= 3,038 = 0,039

0,010

1,29

116

Les graphiques suivants permettent dobserver la qualit des ajustements :

Nous retiendrons pour la suite de lanalyse les ajustements par les lois lognormale et GEV, qui paraissent les plus satisfaisants au vu des tests raliss (observation graphique et valeurs les plus faibles des tests statistiques).

117

Station de Metz Ajustements des X2,t

Le tableau suivant synthtise les caractristiques des ajustements effectus :


KolmogorovSmirnov 0,019 0,034 AndersonDarling 7,35 27,09

Loi tudie Gamma Lognormale

Paramtres
= 5,173 b = 1,90

= 2,188 = 0,458 a = 11,10


m = 2,396

Weibull

0,049

75,45

= 7,908
GEV

= 3,414
= -0,014

0,008

0,824

Les QQ Plots suivants permettent dobserver la qualit des ajustements :

118

Nous retenons les ajustements par les lois lognormale et GEV plutt que celui de la loi gamma, en raison des estimations plus conservatrices que devrait entraner la plus grande paisseur de leur queue de distribution.
Station de Nice Ajustements des X3,t

Le tableau suivant synthtise les caractristiques des ajustements effectus :


KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 6,687 b = 1,51

Gamma
Lognormale

0,076
0,051

131,82
53,31

= 2,250 = 0,354 a = 11,39


m = 2,684

Weibull

0,112

308,99

= 8,237
GEV

= 2,578
= 0,14

0,022

9,205

119

Les graphiques suivants permettent dobserver la qualit des ajustements :

Compte tenu des rsultats des tests, nous retenons uniquement lajustement par une loi lognormale dans un premier temps.

120

Station de Orly Ajustements des X4,t

Le tableau suivant synthtise les caractristiques des ajustements effectus :


KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 6,226 b = 1,76

Gamma
Lognormale

0,023
0,010

15,68
1,25

= 2,315 = 0,394 a = 12,31


m = 2,615

Weibull

0,059

115,43

= 8,936
GEV

= 3,361
= 0,016

0,008

1,504

Les QQ Plots suivants permettent dobserver la qualit des ajustements :

121

Compte tenu du rsultat des tests, nous retenons pour cette station les ajustements par les lois lognormale et GEV.

122

Estimation de la prime de la couverture

Dans un premier temps, nous modlisons, en utilisant la mthode de Monte Carlo, les valeurs des Xi,t de chaque station en utilisant les lois lognormale. Afin de dterminer les estimations des indices annuels Si(T), nous gnrons galement dans notre modle une frquence annuelle moyenne de 365,25 valeurs Xi,t. La valeur de cette frquence est ralise par un tirage sur (365 ; 366) avec p365 = 75 % et p366 = 25 %. En effectuant pour chacune des 100 000 simulations ralises le calcul
t = 365 ou 366

Si (T)=
suivant :

max( 0 ; X
t =1

i,t

K i ) , nous obtenons les rsultats indiqus dans le tableau

Bordeaux S1(T)

Metz S2(T)

Nice S3(T)

Orly S4(T)

Rappel moyenne historique Rappel cart type historique


Moyenne (dam/h) Ecart type (dam/h)

704 1 378
855 1363

589 2 461
1141 1650

93 263
511 1034

491 1 685
862 1407

Hormis pour la station de Bordeaux, les ajustements effectus conduisent des estimations des Si(T) assez loignes des observations historiques. Les ajustements raliss des vitesses de vent au premier dam/h par des distributions lognormale ne permettent pas une modlisation correcte des valeurs extrmes de vitesse de vent. Nous poursuivons tout de mme, et effectuons pour chaque simulation le calcul de C(T) :
i =4 C(T)=1000 max min( 4000 ,pi Si (T)1000 ],0 i =1

123

Soient C et s les estimations respectives de la moyenne et de lcart type de lindemnisation annuelle de la couverture. En appliquant des chargements de scurit sur cart type de 20 % et 40 %, nous obtenons les estimations respectives

20% et 40% de la prime commerciale. Les rsultats obtenus sont dcrits dans le
tableau suivant :

Estimation Rappel Burning Cost


Modlisation lois lognormale

C (en EUR)

s (en EUR)
876 919
472 244

20% (en EUR) 40% (en EUR)


416 820
310 698

241 436
216 249

592 204
405 175

Bien que les estimations du prix de la couverture ne soient que lgrement infrieures celles bases sur la moyenne historique, les modlisations des indices individuels par station tendent globalement surestimer les valeurs des indices Sj(T) par rapport aux observations historiques. Les ajustements raliss par les lois GEV sont globalement satisfaisants, mais ils prsentent galement des problmes en ce qui concerne les queues de distribution pour les stations de Nice et Orly, conduisant aprs simulations des surestimations des indices Sj(T). En dcidant de relcher lobjectif du meilleur ajustement sur lensemble des observations de Xi,t, nous avons utilis la flexibilit des paramtres des lois GEV afin dobtenir de meilleurs ajustements sur les queues de distribution. Les paramtres et , respectivement appels scale et shape en anglais, ont une forte influence sur lallure de la distribution. Aprs des sries dessais sur les valeurs de ces paramtres, nous avons retenu les paramtrages qui offraient, empiriquement et visuellement sur les QQ plots, de meilleurs ajustements pour les queues de distribution. Nous construisons un nouveau modle en conservant la loi lognormale pour la station de Bordeaux, et en utilisant trois nouveaux paramtrages pour les stations de Metz, Nice et Orly :

124

Bordeaux

Metz

Nice

Orly

Loi utilise

Lognormale

GEV

GEV

GEV

Paramtres

= 2,243 = 0,389

= 7,91

= 8,24

= 8,94

= 3,61
= -0,014

= 4,00
= -0,104

= 3,20
= 0,016

Les Q-Q Plots suivants permettent de visualiser ces ajustements, notamment sur les queues de distribution :

La mthode est certes moins rigoureuse, et conduit des valeurs plus leves des statistiques des tests e.d.f., mais elle offre une meilleure estimation des valeurs extrmes.

125

Aprs 100 000 simulations, nous obtenons globalement des estimations de la moyenne et de la volatilit des indices Sj(T) plus conformes la ralit historique :
Bordeaux S1(T) Metz S2(T) Nice S3(T) Orly S4(T)

Rappel moyenne historique Rappel cart type historique


Moyenne (dam/h) Ecart type (dam/h)

704 1 378
855 1363

589 2 461
716 1137

93 263
94 302

491 1 685
601 1137

Toutefois, nous obtenons par la suite des estimations du prix de la couverture encore plus loignes des moyennes historiques :

Estimation Rappel Burning Cost


Modlisation finale

C (en EUR)

s (en EUR)
876 919
317 307

20% (en EUR) 40% (en EUR)


416 820
166 542

241 436
103 081

592 204
230 004

Cette premire approche de modlisation des vitesses de vent au premier m/s permet donc de reproduire assez fidlement, bien que difficilement, le comportement des indices de chaque station, mais ne fournit pas dans notre exemple une estimation du prix de la couverture qui nous paraisse acceptable.

126

4.3.3 Ajustements avec introduction dun seuil

Afin de pallier les problmes destimation des queues de distribution que nous avons rencontrs lors des ajustements au premier m/s, nous dcidons dintroduire des seuils dans les ajustements. Nous dcidons donc de modliser uniquement les vitesses de vent suprieures un seuil zi pour chaque station i. Les chantillons historiques de vitesses de vent ont donc une taille plus rduite, et nous notons Xi,t suprieures au seuil zi. Nous avions pu voir dans la troisime partie que des vitesses de vent infrieures 90 km/h (25 m/s) avaient une probabilit presque nulle dengendrer des sinistres pour un portefeuille dassurance. Cest pourquoi les couvertures indicielles vent utilisent gnralement des franchises par station suprieures ou gales 100 km/h. Les seuils zi seront donc choisis en dessous des valeurs des franchises Ki retenues dans notre exemple, mais galement en dessous de 100 km/h, ce qui savre par ailleurs ncessaire si lon souhaite garder des chantillons de taille suffisante pour les ajustements. Enfin, notre dmarche consistera galement choisir des seuils suffisamment levs afin de trouver les meilleurs ajustements possibles des queues de distribution. Nous modliserons les Xi,t pour chaque station en utilisant les lois exponentielle, Pareto, lognormale, Weibull, et Pareto Gnralise. Les ajustements par des lois GEV ne se sont pas avrs concluants (lestimation des paramtres est complique et ne nous a pas conduit des ajustements satisfaisants). Paralllement, nous effectuerons une modlisation du nombre annuel de jours les valeurs des vitesses de vent de la station i

Ni o les vitesses de vent sont suprieures au seuil zi pour la station i. Nous


utiliserons la loi de Poisson et la loi binomiale ngative, et mettrons en uvre le test dadquation du Chi-Deux.

127

Soient Ni,j avec j = (1,,33) les n = 33 observations historiques de Ni sur la priode 1970 2002. Nous notons Ni et s les valeurs respectivement de la moyenne et de la variance de lchantillon des Ni,j.

Loi de Poisson de paramtre : P(Ni = k)=e .


Estimation de :
j = 33

k k!

= N i =

N
j =1

i, j

Loi binomiale ngative de paramtres a et p :

P(Ni = k)=
Estimation de a :

(a+ k) a .p .(1 p)k (a).k!

Ni 2 a= s Ni
Estimation de p :

p = Ni s Simulation des lois de frquence :


Afin de simuler la loi de Poisson et la loi Binomiale Ngative, nous utiliserons la technique assez classique qui consiste :
simuler

un nombre alatoire ri distribu uniformment sur [0,1],

trouver le plus petit k tel que F(k)> ri, o F est la fonction de rpartition de la retenir la valeur k, qui est donc un nombre gnr alatoirement selon la loi

loi de frquence simule,

souhaite.

Test du Chi-Deux
Ce test sera utilis pour mesurer la qualit des ajustements et choisir la loi la plus approprie.

128

Afin de le mettre en uvre, nous raliserons des partitions des chantillons

Ni,j en C classes. La valeur de C sera choisie telle que :


- la frquence thorique de chaque classe c soit suprieure 1 - 80 % des frquences thoriques de classes soient suprieures 5 - n 1 / 3 C n 2 / 3 Soient fc le nombre dobservations de la classe c et Fc le nombre dobservations attendu de la classe c selon la loi tudie. La statistique du test est :
obs = (fc Fc ) Fc c =1
C

Nous utiliserons la p-value associe la loi tudie, et qui est dfinie par
P( 2 >

obs

) , o 2 et suit une distribution du Chi-deux (C

- 1 - nombre

de paramtres estims) degrs de libert.

129

Station de Bordeaux

Nous choisissons pour la station de Bordeaux un seuil de modlisation z1 = 24,5 m/s.


Ajustements des valeurs X1,t :

La taille de lchantillon des valeurs X1,t est de 87. Le tableau suivant synthtise les caractristiques des ajustements effectus :
KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 3,11E-01
= 8,535

Exponentielle Pareto Lognormale Weibull


Pareto Gnralise

0,144 0,158 0,145 0,145


0,145

2,06 2,19 2,05 2,15


2,06

= 2,457 = 0,335
a = 3,32
m = 1,077

a = 3,196 c = 0,00515

130

Les graphiques suivants permettent dobserver la qualit des ajustements :

Fonctions de Rpartition - Empirique et Thoriques 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 24 26 28 30 32 X1,t 34 36 38 40 42 Empirique Exponentielle Pareto LogNormale Weibull Pareto Gnralise

Distribution

131

Ajustements de la frquence N1 :

Nous obtenons les ajustements suivants :

Loi tudie Poisson binomiale ngative

Paramtres

P-Value Test du Chi-deux 74,7 %


75,6 %

= 2,64
a = 11,54 p = 0,814

Classes de frquence annuelle 0 1 2 3-4 5 et + 3 7 9 9 5 valeur du obs : 2,36 6,23 8,21 11,98 4,22 1,23 3,07 6,59 7,69 10,81 4,84 0,56
Nombre d'observations dans les classes 14 12 10 8 6 4 2 0 0 1 2 3-4 Classes de frquence annuelle 5 et + Observe Poisson Binomiale Ngative

Observe

Poisson

bin neg

Nous retiendrons la loi binomiale ngative (p-value du test du Chi-deux lgrement plus leve).

132

Station de Metz

Nous choisissons pour la station de Metz un seuil de modlisation z2 = 23,5 m/s.


Ajustements des X2,t

La taille de lchantillon des valeurs X2,t est de 96. Le tableau suivant synthtise les caractristiques des ajustements effectus :
KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
=2,67E-01
= 7,120

Exponentielle Pareto Lognormale Weibull


Pareto Gnralise

0,125 0,139 0,133 0,148


0,131

1,95 2,24 1,95 2,09


1,93

= 2,857 = 0,276
a = 3,88
m = 1,087

a = 3,991 c = -0,0641

133

Les QQ Plots suivants permettent dobserver la qualit des ajustements :

Fonctions de Rpartition - Empirique et Thoriques 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 24 26 28 30 32 34 36 38 40 42 Sj(T) > 100dam/h Empirique Exponentielle Pareto LogNormale Weibull Pareto Gnralise

Distribution

134

Ajustements de la frquence N2 :

Nous obtenons les ajustements suivants :

Loi tudie Poisson binomiale ngative

Paramtres

P-Value Test du Chi-deux


75,1 %

= 2,91
a = 4,26 p = 0,594

46,6 %

Classes de frquence annuelle 0-1 2 3 4 5 et + 8 9 5 5 6 valeur du obs : 7,03 7,61 7,38 5,37 5,60 1,21 9,81 6,63 5,61 4,13 6,82 1,53
Nombre d'observations dans les classes 12 Observe Poisson Binomiale Ngative 10 8 6 4 2 0 0-1 2 3 4 Classes de frquence annuelle 5 et +

Observe

Poisson

bin neg

Nous retiendrons la loi de Poisson (p-value du test du Chi-deux plus leve).

135

Station de Nice

Nous choisissons pour la station de Nice un seuil de modlisation z3 = 23,5 m/s.


Ajustements des X3,t

La taille de lchantillon des valeurs X3,t est de 96. Le tableau suivant synthtise les caractristiques des ajustements effectus :
KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 4,85E-01
= 12,284

Exponentielle Pareto Lognormale Weibull


Pareto Gnralise

0,216 0,228 0,199 0,187


0,205

3,34 3,59 3,17 3,18


3,22

= 2,921 = 0,176
a = 2,20
m = 1,183

a = 2,20 c = -0,0680

136

Les QQ Plots suivants permettent dobserver la qualit des ajustements :

Fonctions de Rpartition - Empirique et Thoriques 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 24 25 26 27 28 29 30 31 32 33 Sj(T) > 100dam/h Empirique Exponentielle Pareto LogNormale Weibull Pareto Gnralise

Distribution

137

Ajustements de la frquence N3 :

Nous obtenons les ajustements suivants :

Loi tudie Poisson binomiale ngative

Paramtres

P-Value Test du Chi-deux 69,4 %

= 2,27

inapplicable (variance empirique infrieure la moyenne)

Classes de frquence annuelle 0 1 2 3 4 et + 4 6 10 5 8 valeur du obs : 3,40 7,73 8,78 6,65 6,44 1,45
Nombre d'observations dans les classes 12 10 8 6 4 2 0 0 1 2 3 Classes de frquence annuelle 4 et + Observe Poisson

Observe

Poisson

Nous retiendrons la loi de Poisson.

138

Station de Orly

Nous choisissons pour la station dOrly un seuil de modlisation z4 =25,5 m/s.


Ajustements des X4,t

La taille de lchantillon des valeurs X4,t est de 85. Le tableau suivant synthtise les caractristiques des ajustements effectus :
KolmogorovSmirnov AndersonDarling

Loi tudie

Paramtres
= 3,51E-01 = 10,048

Exponentielle Pareto Lognormale Weibull


Pareto Gnralise

0,216 0,199 0,207 0,195


0,195

3,88 3,37 3,58 3,44


3,20

= 1,302 = 0,463 a = 2,76


m = 0,941

a = 2,256 c = 0,2122

139

Les QQ Plots suivants permettent dobserver la qualit des ajustements :

Fonctions de Rpartition - Empirique et Thoriques 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 25 30 35 Sj(T) > 100dam/h 40 45 50 Empirique Exponentielle Pareto LogNormale Weibull Pareto Gnralise

Distribution

140

Ajustements de la frquence N4 :

Nous obtenons les ajustements suivants :

Loi tudie Poisson binomiale ngative

Paramtres

P-Value Test du Chi-deux 9,0 %


68,0 %

= 2,58
a = 3,23 p = 0,557

Classes de frquence annuelle 0-1 2 3 4 5 et + 14 6 4 3 6 valeur du obs : 8,98 8,33 7,15 4,61 3,93 6,49 12,08 6,68 5,17 3,57 5,51 0,77
Nombre d'observations dans les classes 16 14 12 10 8 6 4 2 0 0-1 2 3 4 Classes de frquence annuelle 5 et + Observe Poisson Binomiale Ngative

Observe

Poisson

bin neg

Nous retiendrons la loi binomiale ngative (p-value du test du Chi-deux plus leve).

141

Estimation de la prime de la couverture

Nous modlisons donc en utilisant la mthode de Monte Carlo les frquences annuelles Ni de jours o les vitesses de vent sont suprieures aux seuils zi pour chaque station, en utilisant les lois de frquence retenues. En fonction du nombre de sinistres gnr, nous simulons ensuite les valeurs des Xi,t de chaque station en utilisant les lois de Pareto Gnralise, qui nous sont globalement apparues comme les plus appropries au vu des tests raliss. En effectuant pour chacune des 100 000 simulations ralises le calcul

Si (T)= max( 0 ; X' i,t K i ) , nous obtenons les rsultats indiqus dans le tableau
t =1

t = Ni

suivant :
Bordeaux S1(T) Metz S2(T) Nice S3(T) Orly S4(T)

Rappel moyenne historique Rappel cart type historique


Moyenne (dam/h) Ecart type (dam/h)

704 1 378
646 1243

589 2 461
630 1198

93 263
67 276

491 1 685
505 1526

Les estimations obtenues sont assez satisfaisantes. On note toutefois que la moyenne estime de lindice de Nice est infrieure la moyenne historique, et que la volatilit historique de lindice de Metz est nettement suprieure celle que nous modlisons. Afin destimer le prix de la couverture, nous effectuons le calcul de C(T) pour chaque simulation :
i =4 C(T)=1000 max min( 4000 ,pi Si (T)1000 ],0 i =1

142

Nous obtenons ainsi les estimations suivantes du prix de la couverture, qui nouveau apparaissent assez sensiblement en de des moyennes historiques :

Estimation Rappel Burning Cost


Modlisation lois de Pareto gnralise

C (en EUR)

s (en EUR) 876 919


403 008

20% (en EUR) 40% (en EUR)


416 820
187 032

241 436
106 430

592 204
267 633

Lapproche de modlisation des vitesses de vent excdant un seuil permet donc dapprhender plutt correctement, et plus aisment quavec la modlisation au premier m/s, le comportement des indices de chaque station. Cependant, elle noffre pas rellement dans notre exemple une meilleure estimation du prix de la couverture elle-mme.

143

4.3.4 Conclusions

Lestimation du prix de la couverture indicielle tudie en exemple partir de modlisations bases sur les vitesses de vent est problmatique. En effet, les ajustements effectus, avec ou sans seuil, permettent de modliser, de faon acceptable dun point de vue statistique, le comportement des indices annuels par station Si(T). Ces ajustements offrent des estimations des moments dordre 1 et 2 en ligne avec les observations empiriques sur la priode complte 1970-2002. Mais les modlisations de lindice annuel de la couverture S(T) et de lindemnisation associe C(T) semblent fortement sous-estimes compte tenu des valeurs historiques, qui sont pour nous des valeurs de rfrence. La modlisation des indices par station pris indpendamment les uns des autres ne semble donc pas adapte lobjectif de tarification des couvertures indicielles, car elle napprhende pas correctement les liens qui doivent exister entre les indices individuels par station. Deux remarques secondaires sont galement formuler concernant les approches qui ont t retenues en matire de modlisation des vitesses de vent. Tout dabord, les analyses ont t effectues comme si les variables alatoires de vitesses de vent taient relles. Nous avons ainsi simul des vitesses de vent valeurs dans IR et non dans IN, en considrant que limpact serait ngligeable. Par ailleurs, il aurait t prfrable lors des ajustements probabilistes de dfinir des bornes suprieures pour les valeurs de vitesses de vent. Toutefois, le choix de ces bornes aurait pu tre discutable, et nous avons galement jug ngligeable limpact potentiel de limitation par le haut des vitesses de vent.

144

4.4

Autres approches envisageables


Afin de tarifer les couverture indicielles en gnral, et notre exemple de

couverture indicielle vent en particulier, il parat intressant dtudier les approches traditionnellement adoptes dans le cadre de la tarification des options et autres instruments drivs ngocis sur les marchs financiers. Le modle de Black & Scholes a par exemple t utilis pour la tarification des drivs climatiques de temprature de type HDD-CDD. On pourrait imaginer lappliquer lindice quotidien S(t) afin de formuler le prix C(t) dune couverture indicielle, semblable un call de maturit T. Toutefois le modle savre inapplicable. Tout dabord, les variables climatiques ne sont pas des sous-jacents ngociables et nont pas de prix en tant que telles. Enfin, il est conceptuellement impossible de constituer par couverture dynamique un portefeuille risque-neutre en combinant lachat de loption et du sous-jacent. Les mthodes avances de tarification des options exotiques, et la vision dun indice climatique comme un processus stochastique, un processus de Levy par exemple, constituent cependant des approches intressantes. Nous ne pourrons toutefois dvelopper plus avant ces approches dans le cadre de ce mmoire.

145

4.5

Conclusions
Nous avons prsent au cours de cette partie plusieurs approches de

tarification des couvertures indicielles. En exploitant les sries historiques de valeurs dindices ou de valeurs de vitesses de vent, nous avons cherch tablir les ajustements probabilistes les plus adquats en vue de construire des modles destimation de la prime de la couverture indicielle vent tudie en exemple. Le tableau suivant synthtise les rsultats obtenus :

Approche Burning Cost 1970-2002 Modlisation de lindice S(T) au premier dam/h : Loi gamma Modlisation de lindice S(T) avec un seuil de 100 dam/h : Loi de Pareto Modlisation des vitesses de vent au premier m/s : Modle final Modlisation des vitesses de vent avec seuils : Lois de Pareto gnralise

(en EUR) s (en EUR)

20%
(en EUR) 416 820

40%
(en EUR) 592 204

241 436

876 919

198 129

679 733

334 076

470 022

217 762

811 985

377 159

539 556

103 081

317 307

166 542

230 004

106 430

403 008

187 032

267 633

Il est noter que les estimations des primes commerciales sont mentionnes titre illustratif, et ne constituent pas en tant que telles le vritable enjeu des travaux de modlisation. En effet, de nombreuses mthodes alternatives de chargement et de calcul de la prime commerciale sont envisageables. Les approches de modlisation de lindice lui-mme, de mme que lapproche Burning Cost, permettent certes dobtenir des estimations rapides et acceptables de

146

la couverture indicielle vent tudie. Elles pourraient toutefois savrer inefficaces dans le cadre de la tarification de couvertures diffrentes, dans la mesure o elles reposent sur lutilisation dun chantillon de valeur dindices de taille trs rduite. Cest pourquoi nous nous sommes attachs dans un deuxime temps exploiter les sries historiques de donnes climatiques. Les rsultats obtenus sont, comme nous lavons vu prcdemment, assez satisfaisants lchelle des indices individuels par station. Bien que lapproche ait lavantage de pouvoir tre gnralise un ensemble bien plus vaste de couvertures indicielles climatiques, elle comporte malheureusement des lacunes lorsquil sagit dvaluer le prix de la couverture globale. Le graphique suivant permet dillustrer la qualit des approches en comparant la fonction de rpartition empirique de S(T) aux fonctions de rpartition de S(T) obtenues aprs simulations des diffrents ajustements :
Fonctions de Rpartition - Empirique et Modlises
1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 500 1 000 1 500 2 000 2 500 S(T) 3 000 3 500 4 000 4 500 5 000 Empirique Modlisation de l'indice S(T) au premier dam/h : Loi gamma Modlisation de l'indice S(T) avec un seuil de 100 dam/h : Loi de Pareto Modlisation des vitesses de vent au premier m/s : Modle final Modlisation des vitesses de vent avec seuils : Lois de Pareto gnralise

Distribution

Au cours de la cinquime partie, nous allons tenter damliorer les tarifications obtenues partir des ajustements de vitesses de vent, en incorporant dans les modlisations des estimations des dpendances existant entre les quatre stations de la couverture indicielle vent.

147

148

5 ANALYSE DE LA DEPENDANCE SPATIALE & TARIFICATION AFFINEE DE LA COUVERTURE


Nous soulignerons tout dabord lexistence de dpendances entre les valeurs des enregistrements effectus dans un rseau de stations mtorologiques, et qui rsultent de la nature mme des phnomnes climatiques observs. Nous prsenterons ensuite les mesures et outils mathmatiques lis la notion de dpendance sur lesquels nous nous appuierons en vue daffiner la tarification de la couverture indicielle vent. Nous prendrons ainsi en compte la dpendance spatiale dans les modlisations de lindice fondes sur les ajustements de vitesses de vent.

5.1

Mise en vidence du problme de la dpendance spatiale


5.1.1 Les caractristiques de lvnement climatique

Les phnomnes mtorologiques susceptibles de faire lobjet dune protection indicielle concernent bien souvent des zones gographiques tendues. Une couverture indicielle est gnralement conue lchelle dun territoire national. A titre dexemple, une vague de grand froid nest pas localise en un point gographique prcis mais touche de vastes superficies. Lors de la survenance dun tel phnomne, lensemble du rseau de stations choisies pour une ventuelle couverture indicielle base sur les observations des tempratures quotidiennes enregistre des valeurs extrmes. Les sries de donnes climatologiques dun rseau national de stations mtorologiques prsentent donc des corrlations certaines en ce qui concerne les tempratures. Selon les caractristiques du phnomne climatique, on peut concevoir que cette dpendance entre les valeurs mesures dans les stations, en particulier les valeurs extrmes, soit plus ou moins aigu. Dans le cas dune tempte moyenne ou forte, plusieurs stations (localises dans une zone gographique prcise67) peuvent enregistrer conjointement des valeurs extrmes de vitesses de vent sur un laps de temps assez rduit. Selon

67

Lchelle caractristique dune tempte est de lordre de 1000 2000 km de diamtre, celle du cur de la dpression tant de lordre de 100 200 km de diamtre.

149

Mto France68, une tempte est considre comme forte lorsquau moins 20 % des stations ont relev un vent maximal instantan quotidien suprieur 100 km/h au cours de lun des trois jours J, J+1 ou J+2 . Lintgralit des stations retenues dans notre exemple ont ainsi enregistres le 26/12/1999 des vitesses de vent suprieures leur seuil respectif de modlisation zi. Trois dentre elles (i.e. 75 %) ont notamment enregistres des vitesses de vent suprieures 100 km/h.

5.1.2 La notion de dpendance

Avant de prsenter plus avant les outils de mesure et de modlisation de la dpendance que nous allons appliquer, nous souhaitons introduire quelques commentaires concernant les notions de dpendance et de corrlation. La dfinition de la dpendance donne par le dictionnaire de lAcadmie franaise est la suivante : Relation troite et parfois rciproque, impliquant ou non une subordination, entre des ralits, des ides . Une approche plus mathmatique de la notion de dpendance ncessite lintroduction des probabilits conditionnelles : la probabilit que B se ralise sachant que A sest ralis est : P( A / B) = P(AIB) P(A)

A et B sont dits indpendants si P(A / B)=P(A) Dun point de vue littraire la corrlation peut tre dfinie comme le rapport existant entre deux phnomnes qui varient en fonction lun de lautre parce quil existe un lien de cause effet entre eux, ou quils comportent des causes communes . Par extension on emploie le terme corrlation pour indiquer le caractre de deux choses qui varient simultanment . Le terme corrlation est donc frquemment utilis pour faire rfrence toute notion de dpendance. Dun point de vue mathmatique, la corrlation nest pourtant quune mesure parmi dautres de la dpendance stochastique.

68

voir Evolution du nombre de temptes en France sur la priode 1950-1999 . Christine Dreveton. Mto France.

150

5.1.3 La dpendance entre les stations dune couverture indicielle

La situation de dpendance entre les observations ralises dans un panel de stations influence directement le comportement de lindice dune couverture ; ceci dautant plus que les protections indicielles sont gnralement fondes sur un rseau relativement dense de stations. Lexemple dune couverture avec un nombre trs limit de stations, quatre, a t choisi afin de faciliter les analyses et nest pas totalement reprsentatif des couvertures ngocies. Dans la pratique, la proximit gographique des stations est bien plus marque, afin de diminuer le risque de non corrlation entre valeur de lindice et montant de sinistralit. Cette proximit peut tre synonyme de fortes corrlations entre les stations. Sur la priode 1970-2002, la corrlation linaire entre les vitesses de vent maximales instantanes quotidiennes enregistres Paris Montsouris et celles enregistres Orly est ainsi de prs de 92 %. Sur la page suivante, nous avons mis en correspondance sur six graphiques les vitesses de vent historiques des diffrents couples de stations (i,j) retenues dans notre exemple de couverture indicielle vent. Nous y avons ajout un bruit blanc afin de transformer les valeurs entires en valeurs relles, et faciliter ainsi la lecture. On peut constater visuellement sur ces nuages de 12 053 points (nombre de jours entre le 01/01/1970 et le 31/12/2002) lexistence de corrlations plus ou moins fortes, lexemple le plus frappant tant celui du couple (Metz - Orly). Sur le mme principe, nous prsentons sur la page conscutive, les graphiques quantile-quantile associs ces mmes couples, auxquels nous avons ajout un bruit blanc afin de faciliter linterprtation.

151

Vitesses de vent historiques Couples ( Xi,t , Xj,t ) :

152

Q-Q plots historiques Couples ( Xi,t , Xj,t ) :

153

Les modlisations des vitesses de vent dcrites dans la quatrime partie de ce mmoire sont fondes sur une approche individuelle de chaque station. Les ventuelles dpendances spatiales entre les vitesses de vent nont pas t simules et ne sont donc pas prises en compte dans les estimations de la prime de la couverture. Le graphique quantile-quantile suivant concerne le couple (MetzOrly), et est issu des simulations ralises partir du modle final des ajustements des vitesses de vent au premier m/s :

On constate la dispersion plutt uniforme des points, qui dcoule dune simulation indpendante de chaque station, et qui contraste avec le nuage de points empirique prsent pralablement. Les reprsentations des autres couples ainsi modliss dans la partie quatre sont similaires, et sont prsentes en annexe 4. Cette absence de prise en compte de la dpendance spatiale, et tout particulirement celle des valeurs extrmes, doit tre lorigine des estimations basses du prix de la couverture que nous obtenons par les modlisations dcrites dans le chapitre 4. Les tableaux suivants tendent confirmer cette assertion. Ce premier tableau indique la frquence empirique (en ), sur lintgralit de la priode 1970-2002, du nombre de jours o les stations du couple (i,j) ont toutes deux enregistres une vitesse de vent suprieure leur seuil de modlisation respectif zi:

154

frquences empiriques en
Bordeaux Metz Nice

Metz

Nice

Orly

0,747

0,498 0,415

0,830 2,489 0,332

Le tableau suivant indique ces mmes frquences, mais il est construit partir de 1 million de simulations du modle final des ajustements des vitesses de vent au premier m/s. On constate une trs forte sous-estimation des frquences empiriques : frquences modlises en
Bordeaux Metz Nice

Metz

Nice

Orly

0,076

0,052 0,081

0,048 0,059 0,040

La mme approche applique aux nombres de jours o les stations des couples (i,j) ont simultanment enregistr des vitesses de vent suprieures leur franchise Ki respectives nous donne les rsultats suivants : frquences empiriques en
Bordeaux Metz Nice

Metz

Nice

Orly

0,000

0,000 0,000

0,000 0,249 0,000

frquences modlises en
Bordeaux Metz Nice

Metz

Nice

Orly

0,002

0,000 0,000

0,002 0,001 0,000

155

Ces diffrentes analyses nous confortent dans lide de chercher affiner la tarification des couvertures indicielles en prenant en considration les situations de dpendance entre les stations.

5.2

Outils de mesure et de modlisation de la dpendance


Les notions et outils prsents dans cette partie ne sauraient rechercher

lexhaustivit, mais sont destins introduire les principaux lments qui nous seront par la suite utiles dans ltude et la modlisation de la dpendance spatiale de la couverture indicielle vent.

5.2.1 Prliminaire

La dpendance entre les variables alatoires X1, , Xn est entirement dcrite par leur fonction de rpartition conjointe : F( x1 ,...,xn )=P[ X1 x1 ,..., X n xn ] les variables alatoires Xi , i(1,...,n) , ayant les fonctions de rpartition
suivantes, dites fonctions de rpartition marginales :

Fi ( xi )=P[ X i xi ]

5.2.2 Le coefficient de corrlation linaire

Soient X et Y deux variables alatoires. Le coefficient de corrlation linaire, galement appel coefficient de corrlation de Pearson est :
r ( X,Y )= cov( X,Y ) Var(X)Var(Y)

156

o cov( X,Y )=E( XY ) E( X )E(Y ) est la covariance entre X et Y, et Var(X) et

Var(Y) les variances respectives de X et Y. La dfinition du coefficient de corrlation


linaire est donc subordonne lexistence de variances finies de X et Y. Le coefficient de corrlation linaire a la proprit suivante :
1 r ( X,Y )1

Deux variables indpendantes ont un coefficient de corrlation linaire gal zro puisque cov( X,Y ) = 0, mais la rciproque est fausse. En cas de dpendance linaire parfaite, cest dire Y =X + , presque srement avec 0 , alors r ( X,Y )= 1 selon le signe de . Le coefficient de corrlation de Pearson est donc une mesure de dpendance linaire, et il a pour proprit dtre invariable par transformation linaire croissante :

r (X + ,Y + )= sign().r ( X,Y))
o sign(x) vaut 1 si x>0 et -1 sinon. En revanche, si f et g sont deux fonctions non linaires, alors :

r (f(X),g(Y)) r ( X,Y ) .

5.2.3 Le coefficient de corrlation de Spearman

Le coefficient de corrlation de Spearman est dfini comme suit :


~ ~ ( X,Y )=3 P (X X)(Y Y' )>0 P (X X)(Y Y' )<0

([

] [

])

~~ o (X,Y) , (X,Y) et (X' ,Y' ) sont des vecteurs de variables alatoires identiques

et indpendants.

157

Comme le coefficient de corrlation linaire, le coefficient de corrlation de Spearman possde la proprit suivante :
1 ( X,Y )1

Le coefficient de corrlation de Spearman est une mesure de corrlation de rangs, et lon peut montrer que :

( X,Y )= r (FX (X),FY (Y))


o FX et FY sont respectivement les fonctions de rpartition de X et de Y. Autrement dit, le coefficient de corrlation de Spearman mesure la corrlation linaire de rangs. Enfin, si f et g sont deux fonctions croissantes, linaires ou non, alors :

(f(X),g(Y))= ( X,Y )

5.2.4 Simulation des corrlations

Soit une matrice de corrlation de rangs, dcrivant les coefficients de corrlation de Spearman des variables alatoires (Y1,,Yn). Afin de simuler la corrlation entre les variables alatoires (Y1,,Yn), nous utiliserons le logiciel de DFA ReMetrica. Le principe consiste simuler dans un premier temps des variables alatoires normales (X1,,Xn) avec la matrice de corrlation linaire . Dans un deuxime temps, on transforme les nombres gnrs afin dobtenir les marginales :

(Y1 ,...,Yn )=(F11((X1 )),...,Fn1((X n ))) . On peut montrer que la matrice de corrlation
de rangs de (Y1,,Yn) est identique celle de (X1,,Xn)69 :
(Yi ,Y j )= ( X i , X j )= 6 arcsin
69

r ( X i ,X j ) r ( X i , X j ) 2

Voir Correlation and dependency in risk management : Properties ans Pitfalls . Paul Embrechts, Alexander McNeil, and Daniel Straumann.

158

5.2.5 Prsentation des copules

Afin daffiner la tarification de la couverture indicielle vent, lutilisation des copules savre particulirement intressante, dans la mesure o celles-ci devraient permettre une meilleure reprsentation des dpendances statistiques existant entre les vitesses de vent des diffrentes stations. Si les premiers travaux thoriques sur les copules remontent maintenant plusieurs dcennies (travaux de Sklar notamment, 1959), ce nest que plus rcemment (une dizaine dannes), que leur application pratique en finance et en actuariat se diffuse de faon remarquable. En effet, les copules offrent dans bon nombre de cas la possibilit de rendre compte, plus sincrement qu laide de la mesure familire de corrlation, des structures de dpendance que lon peut rencontrer dans la ralit. Elles nous seront utiles ici pour modliser les dpendances propres aux vitesses de vent extrmes et pourront sappliquer dans notre cas multivari (quatre stations).

Dfinition :

Une copule est dfinie comme une fonction de rpartition multivarie C dfinie sur [0,1]n, dont les lois marginales sont uniformes sur [0,1] :

C(u1 ,...,un )=P[U1 u1 ,...,U n un ]


La fonction C possde les proprits suivantes :

C(u1,,un) est une fonction croissante de chaque composante ui, C(1,,1,ui,1,,1) = ui pour tout i (1,...,n)

159

Quels que soient (a1,,an) et (b1,,bn) [0,1]n avec ai bi, on a :

...(1)
i1 =1 i n =1

i1 + ...+ i n

C(u1i1 ,...,uni n )0

o uj1=aj et uj2=bj pour tout j (1,...,n) Par ailleurs, une copule C possde la proprit dtre invariante par transformations croissantes et continues des lois marginales. Si (X1,Xn) a une copule C et que T1,,Tn sont des fonctions continues croissantes, alors (T(X1),T(Xn)) a galement C pour copule.
Densit des copules :

Nous noterons c la densit dune copule et qui sexprime comme suit :


C(u1 ,...,un ) u1 ...un

c(u1 ,...,un )=

Si nous notons fi la densit de la i-me marginale, alors la densit f dune distribution ayant F pour fonction de rpartition peut scrire :

f(x1 ,...,xn ) =c(F1 (x1 ),...,Fn (xn ))fi (xi )


i =1

Le thorme de Sklar :

Soit H une fonction de rpartition multivarie en n dimensions ayant des lois marginales F1,,Fn. Il existe une n-copule C telle que pour tout x IRn :

H(x1 ,...,xn )=C(F1 (x1 ),...,Fn (xn ))


Si F1,,Fn sont continues, alors C est unique ; sinon C est dtermine de faon unique en fonction de E(F1) E(Fn) (o E(Fi) est lensemble darrive de la fonction Fi). Inversement, si C est une copule n dimensions et que F1,,Fn sont des fonctions de rpartition, alors la fonction H dfinie ci-dessus est une fonction de rpartition n dimensions ayant F1,,Fn pour marginales.

160

Corollaire du thorme de Sklar :

Soient H une fonction de rpartition multivarie en n dimensions ayant des lois marginales F1,,Fn et C une copule. Alors, pour tout vecteur u [0,1]n :

C(u1 ,...,un )=H(F11(u1 ),...,Fn1(un ))

5.2.6 Distribution conditionnelle et simulation des copules

Soient Ci(u1,,ui) = C(u1,ui,1,,1) avec i (2,,n-1) les distributions marginales en i dimensions de C(u1,,un). Nous notons C1(u1)= u1 et Cn(u1,,un)=

C(u1,,un). Si (U1,,Un) sont lies par une copule C, alors la distribution


conditionnelle de (Ui | U1,,Ui-1) peut tre formule partir des drives et des densits des distributions marginales i dimensions (si elles existent) :
i 1Ci (u1 ,...,ui ) u1 ...ui 1 Ci(ui|u1,,ui-1) = i 1 Ci 1(u1 ,...,ui 1 ) u1 ...ui 1

On peut alors envisager dappliquer lalgorithme suivant afin de simuler des variables (u1,,un) lies par une copule C70 :
Simuler Simuler Simuler

une valeur u1 selon une loi uniforme U(0,1) une valeur u2 selon C2(u2|u1) une valeur un selon Cn(un|u1,,un-1)

Pour simuler une valeur selon Ci(ui|u1,,ui-1), on peut simuler une valeur u selon une loi uniforme U(0,1), puis calculer si elle existe C-1(u| u1,,ui-1).

70

Voir Correlation and dependency in risk management : Properties ans Pitfalls . Paul Embrechts, Alexander McNeil, and Daniel Straumann.

161

Grce la proprit dinvariance de C, on peut ensuite utiliser les nombres gnrs (u1,,un) pour simuler des valeurs (y1,,yn) lies par la mme copule C.

5.2.7 Le coefficient de corrlation de Kendall

Le coefficient de corrlation de Kendall est dfini comme suit :


( X,Y )=P[(X X' )(Y Y' )>0 ]P[(X X' )(Y Y' )<0 ]

o (X,Y) et (X' ,Y' ) sont des vecteurs de variables alatoires identiques et indpendants. Si (X,Y) a pour copule C, alors :
( X,Y )=4E[C(U,V)]1

162

5.3

Prise en compte de la dpendance dans la tarification : modlisation au premier m/s


Nous allons maintenant appliquer les outils de modlisation de la dpendance

prsents dans la partie prcdente afin daffiner les estimations du prix de la couverture indicielle vent tudie en exemple. Dans un premier temps, nous utiliserons les ajustements des vitesses de vent au premier m/s des stations de Bordeaux, Metz, Nice et Orly, tels quils ont t appliqus lissue de la partie 4.3.2 dans la modlisation finale .

5.3.1 Modlisation des corrlations Matrices de corrlations

Le tableau ci-dessous reprsente la matrice des coefficients de corrlation linaire entre les observations des vitesses de vent des stations retenues :
r ( X i,t , X j,t )
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t Bordeaux X1,t Metz X2,t 0,433 Nice X3,t 0,294 0,200 Orly X4,t 0,524 0,739 0,201

On note que la plus forte corrlation linaire observe est celle existant entre les stations de Metz et dOrly. Ceci confirme les conclusions que nous avions pu tires de lobservation graphique dcrite en dbut de chapitre. Par ailleurs, on remarque que la vitesse de vent quotidienne enregistre Nice est caractrise par une faible dpendance linaire vis--vis des autres stations. Le tableau suivant reprsente la matrice des coefficients de corrlation de Spearman entre les stations retenues :

163

( X i,t , X j,t )
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t

Bordeaux X1,t

Metz X2,t 0,398

Nice X3,t 0,210 0,139

Orly X4,t 0,496 0,720 0,148

Rsultats de la modlisation :

Nous incluons la matrice de corrlation de Spearman au sein de la modlisation finale dcrite dans le chapitre 4.3.2, et procdons 50 000 simulations. Nous obtenons les nouvelles estimations suivantes du prix de la couverture :

Estimation Rappel Burning Cost Rappel Modlisation sans prise en compte de la dpendance
Modlisation des corrlations

C (en EUR)

s (en EUR)

20% (en EUR) 40% (en EUR)

241 436

876 919

416 820

592 204

103 081

317 307

166 542

230 004

132 618

406 324

213 883

295 148

On constate donc une augmentation significative de la moyenne C des indemnisations annuelles C(T) simules, conduisant par consquent des estimations plus leves du prix de la couverture que celles obtenues sans aucune modlisation des dpendances spatiales. Ces estimations demeurent toutefois nettement en de des moyennes historiques. Les corrlations simules permettent toutefois de mieux prendre en compte les relations entre les valeurs de vitesses de vent des quatre stations, comme

164

lillustre la comparaison des graphiques quantile-quantile empiriques et simuls. Ces derniers sont exposs en annexe 4, nous prsentons nanmoins ci-dessous ceux du couple Metz-Orly, pour lequel la dpendance historique est la plus importante. Il est noter que le nuage historique comporte 12 053 points, alors que nous avons utilis un chantillon de 20 000 simulations pour le nuage simulation des corrlations . Ceci rend malheureusement linterprtation un peu moins immdiate.

QQ plot simulation des corrlations

Rappel QQ plot empirique

Enfin, il convient de rester prudent dans les conclusions que lon pourrait dresser sur la qualit de la modlisation effectue en matire destimation de la prime de la couverture. Bien que la modlisation apparaisse relativement bonne dans lensemble, il est difficile de se rendre compte de sa capacit et retracer fidlement le comportement des valeurs extrmes. Le tableau suivant permet de comparer les frquences empiriques et simules du nombre de jours o les stations de chaque couple (i,j) ont enregistre simultanment des vitesses de vent suprieures leur seuil de modlisation respectif. Les frquences empiriques sont indiques en italique, par opposition aux frquences obtenues aprs 1 million de simulations du modle intgrant la matrice de corrlation de Spearman.

165

frquences en
Bordeaux Metz Nice Orly

Bordeaux

Metz

Nice

Orly

0,676
0,747 0,498 0,830 0,415 2,489

0,176 0,227
0,332

0,728 2,487 0,151

On procde de faon similaire en remplaant les seuils zi par les franchises Ki dfinies pour le dclenchement des indices par station. frquences en
Bordeaux Metz Nice Orly Bordeaux Metz Nice Orly

0,044
0,000 0,000 0,000 0,000 0,249

0,001 0,002
0,000

0,061 0,171 0,001

Bien quimparfaites, les estimations obtenues par simulation nous semblent assez satisfaisantes, compte tenu de la raret des ralisations historiques sur une priode de 33 ans. On peut toutefois considrer que les probabilits doccurrences simultanes de valeurs extrmes dans les diffrentes stations demeurent insuffisamment prises en compte dans la modlisation, ce qui pourrait expliquer linadquation nouveau constate entre les charges historiques et estimes de la couverture. Bien que difficilement exploitable dans notre exemple quatre stations71, une comparaison des frquences historiques et simules pour les n-uplets de taille suprieure deux semble abonder dans ce sens. Nous ne considrons que les frquences des dpassements des seuils de modlisations zi, aucune ralisation historique dun dpassement des franchises pour un 3-uplet ntant prsente sur la priode : frquences en
3-uplet Bordeaux-Metz-Orly 4-uplet
71

72

empirique 0,581 0,083

corrlations 0,327 0,016

Lapproche est en revanche intressante pour des couvertures indicielles avec un nombre plus lev de stations. 72 Aucune ralisation historique pour les autres 3-uplets.

166

5.3.2 Modlisation par une Copule de Gumbel

Nous allons maintenant modliser les dpendances entre les vitesses de vent des stations de la couverture indice vent, en utilisant une copule de Gumbel.
Prsentation de la copule de Gumbel

La copule de Gumbel est caractrise par des concentrations importantes dans les queues de distribution. Etant asymtrique, la concentration est galement plus importante droite. Ceci savre intressant pour modliser les vitesses de vent dans le cadre de notre couverture indicielle, puisque ce sont avant tout les dpendances entre les fortes vitesses de vent qui influencent le comportement de lindice S(T). La copule de Gumbel bivarie est dfinie par :
a a C(u,v) =exp ( log(u)) + ( log(v))

1 a

avec a 1

Sa fonction de densit est la suivante :


c(u,v) =C(u,v)u 1v 1(( log(u))a +( log(v))a )
2 + 2 / a

(log(u).log(v))a 1(1+(a1)((log(u))a +(log(v))a )1 / a )

Par ailleurs, il existe un lien direct entre le coefficient de corrlation de Kendall et le paramtre a de la copule de Gumbel :
(a)=11 / a

167

Approche de modlisation

La fonction C2(u|v) ntant pas inversible, nous ne pouvons utiliser lalgorithme de simulation dcrit prcdemment. Nous utiliserons cependant une technique de simulation propre aux copulas archimdiennes73. Nous estimerons pour chaque couple de stations (i,j) avec i j le paramtre
ai,j dune copule de Gumbel bivarie. Nous appliquerons pour cela deux approches :

dune part lutilisation des coefficients de corrlation de Kendall empiriques des couples de stations, dautre part la mthode du maximum de vraisemblance. Puis, en fonction des estimations des six paramtres ai,j, nous modliserons la copule de Gumbel de dimension 4 de la faon suivante : Soit a1 le paramtre ai,j ayant la valeur la plus leve, qui correspond au couple de stations que nous notons (i1,i2). Soit a2 le paramtre ai,j tel que (i,j) (i1,i2) et qui a la valeur la plus leve. Nous noterons (i1,i3) le couple de stations auquel il correspond. Soit enfin a3 le paramtre ai,j tel que (i,j) ((i1,i2), (i1,i3), (i2,i3)) et qui a la valeur la plus leve. Le paramtre a3 correspond donc au couple de la station que nous noterons i4 et dune des stations i1, i2 ou i3. Nous modliserons la dpendance du couple (Xi1,Xi2) en utilisant le paramtre
a1.

Nous modliserons la dpendance des couples (Xi1,Xi3) et (Xi2,Xi3) en utilisant le paramtre a2. Enfin, nous modliserons la dpendance des couples (Xi1,Xi4), (Xi2,Xi4) et (Xi3,Xi4) en utilisant le paramtre a3. Cette mthode nous force donc accepter de modliser la dpendance de certains couples de stations de faon identique. Par ailleurs, en retenant pour les paramtres a2 et a3 les valeurs les plus leves possibles, nous avons fait le choix de modliser les dpendances les plus faibles avec un risque de surestimation. Ce choix est subjectif, mais il est motiv par les rsultats obtenus jusqu prsent.
73

Voir Modelling Dependence with Copulas and Applications to Risk Management Paul Embrechts, Filip Lindskog and Alexander McNeil.

168

Estimations des paramtres ai,j par les coefficients de Kendall :

Le tableau ci-dessous reprsente la matrice des coefficients de corrlation de Kendall empiriques entre les stations retenues74 :
( X i,t , X j,t )
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t

Bordeaux X1,t

Metz X2,t 0,295

Nice X3,t 0,151 0,100

Orly X4,t 0,372 0,570 0,106

Nous en dduisons directement les estimations i,j des paramtres ai,j de chaque copule de Gumbel C(F-1(Xi,t), F-1(Xj,t)) :

Paramtres i,j
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t

Bordeaux X1,t

Metz X2,t 1,418

Nice X3,t 1,178 1,111

Orly X4,t 1,592 2,326 1,119

Afin de mesurer la pertinence de la modlisation de la dpendance entre les variables Xi,t et Xj,t par une copule de Gumbel, nous effectuerons pour chaque couple de stations les calculs des fonctions K(z) et de leur estimation non-paramtrique75. Pour une copule de Gumbel, la fonction K(z) est dfinie par :

74

Le calcul des coefficients empiriques de Kendall sur des chantillons de 12 053 valeurs pouvant tre assez lourd pour les outils bureautiques standards, nous avons utilis les bibliothques de fonctions du logiciel R. 75 Nous utiliserons ici les mthodes prsentes dans le mmoire dactuariat Temptes : Etude des dpendances entre les branches Auto et Incendie avec la thorie des copulas , Olivier Belguise.

169

Ka(z) = z(1-ln(z)/a) Nous calculerons lestimateur non paramtrique de K(z) partir des valeurs empiriques Xi,t et Xj,t :
card ( { zi tq zi z }) n

K n(z)=

o zi =

card( {(x j ,y j ) tq x j < x i et y j < y i n1

})

pour i(1,...,n) 76

La comparaison graphique de Ka(z) et de Kn(z) permet dobserver la qualit des ajustements :

On observe que les meilleurs ajustements sont ceux entre Metz et Orly, et entre Bordeaux et Orly. Dautres fonctions permettant dtudier la qualit des ajustements, notamment sur les queues de distribution77, pourraient savrer utiles dans lanalyse, mais ne seront malheureusement pas prsentes ici.

76

Le calcul du vecteur des 12 053 valeurs de zi tant trs consommateur de ressources informatiques, nous avons nouveau utilis la rapidit du logiciel R. La procdure crite est prsente en annexe 5. 77 Voir notamment les fonctions L(z) et R(z) prsentes dans le mmoire dactuariat Temptes : Etude des dpendances entre les branches Auto et Incendie avec la thorie des copulas , Olivier Belguise.

170

Estimations des paramtres ai,j par le maximum de vraisemblance :

En maximisant sur i,j la log-vraisemblance pour chaque couple de stations (i,j) avec i j :
12053 t =1

log (c(F

(X i,t ),F 1(X j,t )))

o F-1(Xi,t) est la fonction de rpartition inverse empirique de Xi,t base sur les 12 053 observations historiques, nous obtenons les estimations i,j suivantes :

Paramtres i,j
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t

Bordeaux X1,t

Metz X2,t 1,354

Nice X3,t 1,175 1,114

Orly X4,t 1,481 2,025 1,115

On constate que les valeurs, bien que lgrement infrieures, sont comparables celles obtenues par la mthode des coefficients de Kendall empiriques.

171

La comparaison graphique de Ka(z) et de Kn(z) permet dobserver la qualit des ajustements :

A nouveau, on observe que les meilleurs ajustements sont ceux entre Metz et Orly, et entre Bordeaux et Orly.
Modlisation et rsultats :

Nous dcidons de retenir les estimations des paramtres ai,j obtenues partir des coefficients de corrlation de Kendall empiriques, prfrant le risque de surestimation celui de sous-estimation des dpendances entre les stations. Nous choisirons pour modliser la copule de Gumbel les paramtres suivants :
a1 = a2,4 = 2,326 a2 = a1,4 = 1,592 a3 = a1,3 = 1,178

Au terme de 50 000 simulations, nous obtenons les rsultats suivants :

172

Estimation Rappel Burning Cost Modlisation sans prise en compte de la dpendance


Modlisation copule de Gumbel

C (en EUR)

s (en EUR)

20% (en EUR) 40% (en EUR)

241 436

876 919

416 820

592 204

103 081

317 307

166 542

230 004

206 373

615 838

329 541

452 708

On constate donc une augmentation significative de la moyenne C des indemnisations annuelles, des primes et galement de la volatilit estimes. Les estimations demeurent certes infrieures aux moyennes historiques, mais nous paraissent plus crdibles que celles obtenues jusqu prsent. Sans pour autant poursuivre aveuglment lobjectif du modle reproduisant le pass la perfection, force est dadmettre quune tarification, qui ne tient pas compte des volutions potentielles des variables modlises, ne doit pas aboutir des rsultats trop loigns de la vrit historique. Elle serait autrement, raison, contestable par les acteurs concerns. Afin de mieux percevoir les mcanismes de dpendance modliss, nous reprenons les analyses graphique et probabiliste introduites lors de la modlisation prcdente. Les QQ plots ci-dessous offrent une comparaison empirique/modlis des liens entre Metz et Orly78. Les graphiques des autres stations sont exposs en annexe.

78

Il est noter que le nuage historique comporte 12 053 points, alors que nous avons utilis un chantillon de 20 000 simulations pour le nuage simulation copule de Gumbel .

173

QQ plot simulation copule de Gumbel

Rappel QQ plot empirique

La modlisation apparat relativement bonne dans lensemble. Les tableaux suivants permettent de comparer les frquences empiriques et simules79 des diffrents couples de stations. Les frquences empiriques sont indiques en italique. Dpassements simultans des seuil zi : frquences en
Bordeaux Metz Nice Orly Bordeaux Metz Nice Orly

3,067
0,747 0,498 0,830 0,415 2,489

1,131 1,434
0,332

2,438 5,071 1,127

Dpassements simultans des franchises Ki : frquences en


Bordeaux Metz Nice Orly Bordeaux Metz Nice Orly

0,510
0,000 0,000 0,000 0,000 0,249

0,116 0,109
0,000

0,451 0,755 0,098

79

Frquences obtenues aprs 1 million de simulations du modle intgrant la copule de Gumbel.

174

Dpassements simultans des seuil zi pour les 3-uplets et le 4-uplet de stations : frquences en
3-uplet Bordeaux-Metz-Orly 4-uplet
80

empirique 0,581 0,083

copule de gumbel 2,265 0,738

La copule de Gumbel que nous avons retenue puis modlise tend manifestement surestimer les probabilits doccurrences quotidiennes simultanes de vitesses de vent extrmes. Ceci ne nous parait pas choquant compte tenu des dcisions prises lors de lestimation des paramtres de la copule. Les montants estims de la prime de la couverture ne sont quant eux pas spcialement levs, ce qui nous incite penser que la modlisation peut encore tre amliore.

5.3.3 Modlisation par une Copule de Student

Nous utilisons prsent une copule de Student afin de modliser les dpendances entre les stations de la couverture indice vent.
Prliminaire :

Soit X un vecteur de variables alatoires (X1,,Xn) en n dimensions. X suit une distribution de Student multivarie avec d degrs de libert, un vecteur moyen et une matrice de dispersion positive dfinie , si sa densit est donne par :
( d + n ) (x )' 1(x ) 2 1+ f(x)= d ) (d)n d ( 2
d +n 2

On dit que X suit une distribution tn(d, , ).

80

Aucune ralisation historique pour les autres 3-uplets.

175

Prsentation de la copule de Student

La copule de Student dune distribution multivarie tn(d, , ) est identique celle dune distribution tn(d, 0, P) o P est la matrice de corrlation correspondant la matrice de dispersion . La copule est donc unique et est dfinie par :

t Cd,P(u)=

t d 1(u1

...

t d 1(u n )

( d + n ) 2 d ) (d)n P ( 2

x' P 1 x 1+ d

d +n 2

dx

o td-1 est la fonction de rpartition inverse dune distribution de Student univarie standard.

La fonction de densit dune copule de Student est la suivante :


fd,P(td 1(u1 ),...,td 1(un ))

t cd,P(u)=

f (t
i =1 d

avec u (0,1)n

1 d

(ui ))

o td est la fonction de rpartition dune loi de Student standard d degrs de libert, o fd,P est la fonction de densit dune distribution de Student multivarie
tn(d, 0, P), et o fd est la fonction de densit standard dune distribution de Student

univarie d degrs de libert.

Approche de modlisation

Afin de simuler une copule de Student, il suffit de gnrer un vecteur alatoire multivari X selon une distribution de Student multivarie tn(d, 0, P)81 , puis de gnrer le vecteur U = (td(X1),td(Xd)).

81

Voir The t Copula and Related Copulas Stefano Demarta et Alexander J. McNeil.

176

utiliser la matrice des coefficients de corrlation de Kendall empiriques ( X i,t , X j,t ) et construire la matrice P* partir des valeurs sin ( X i,t , X j,t ) . 2 Puis, nous estimerons d par la mthode du maximum de vraisemblance, en
maximisant sur d : EMV = log(cd,P * (U i ))
i =1 n

Nous appliquerons une mthode destimation de la matrice P qui consiste

o Ui = (F1(Xi,1),,Fd(Xi,d)) avec Fd(Xi,d) la valeur de la fonction de rpartition

empirique pour la i-me observation, et n le nombre dobservations.


Une variante consisterait maximiser la vraisemblance la fois sur d et sur

P. Nous ne lappliquerons cependant pas, compte tenu des difficults de calcul

rencontres.
Modlisation et rsultats :

A partir de la matrice des coefficients de corrlation de Kendall empiriques, nous dduisons la matrice P* 82: sin ( X i,t , X j,t ) . 2
Bordeaux X1,t Metz X2,t Nice X3,t Orly X4,t

Bordeaux X1,t

Metz X2,t 0,447

Nice X3,t 0,235 0,156

Orly X4,t 0,552 0,780 0,166

1 0,447 0,235 0,552

1 0,156 0,780

1 0,166

Nous obtenons par la mthode du maximum de vraisemblance lestimation suivante du nombre de degrs de liberts de la copule de Student :
d = 155
82

On peut constater que P* est proche de la matrice des coefficients de corrlation linaire. Celle ci aurait ainsi pu constituer une bonne approximation.

177

Aprs 50 000 simulations, nous obtenons les rsultats suivants :

Estimation Rappel Burning Cost Modlisation sans prise en compte de la dpendance


Modlisation copule de Student

C (en EUR)

s (en EUR)

20% (en EUR) 40% (en EUR)

241 436

876 919

416 820

592 204

103 081

317 307

166 542

230 004

142 134

431 910

228 516

314 899

Les estimations sont lgrement suprieures celles obtenues par simple modlisation des corrlations. Cependant, lindemnisation moyenne C estime est de plus de 40% infrieure la moyenne historique. Nous prsentons ci-aprs les analyses graphique et probabiliste introduites lors des modlisations prcdentes. Les QQ plots ci-dessous offrent une comparaison empirique/modlis des liens entre Metz et Orly83.

QQ plot simulation copule de Student

Rappel QQ plot empirique

83

Il est noter que le nuage historique comporte 12 053 points, alors que nous avons utilis un chantillon de 20 000 simulations pour le nuage simulation copule de Student .

178

La modlisation apparat relativement bonne dans lensemble. Les tableaux suivants permettent de comparer les frquences empiriques et simules84 des diffrents couples de stations. Les frquences empiriques sont indiques en italique. Dpassements simultans des seuil zi : frquences en
Bordeaux Metz Nice Orly Bordeaux Metz Nice Orly

0,882
0,747 0,498 0,830 0,415 2,489

0,233 0,257
0,332

0,918 3,177 0,173

Dpassements simultans des franchises Ki : frquences en


Bordeaux Metz Nice Orly Bordeaux Metz Nice Orly

0,060
0,000 0,000 0,000 0,000 0,249

0,005 0,002
0,000

0,092 0,268 0,005

Dpassements simultans des seuil zi pour les 3-uplets et le 4-uplet de stations : frquences en
3-uplet Bordeaux-Metz-Orly 4-uplet
85

empirique 0,581 0,083

copule de student 0,475 0,027

La modlisation par une copule de Student nous parat assez satisfaisante en ce quelle restitue plutt bien le comportement historique des observations quotidiennes jointes de valeurs extrmes. Elle noffre cependant pas une estimation de la prime de la couverture que nous jugeons acceptable.

84 85

Frquences obtenues aprs 1 million de simulations du modle intgrant la copule de Student. Aucune ralisation historique pour les autres 3-uplets.

179

5.3.4 Conclusions

En intgrant la dpendance spatiale dans la modlisation des vitesses de vent au premier m/s, nous obtenons sans conteste des rsultats bien plus satisfaisants pour notre couverture exemple. La copule de Student, et dans une moindre mesure la matrice des corrlations de Spearman, permettent selon nous de modliser assez correctement la dpendance entre les valeurs quotidiennes des stations, y compris celle des valeurs extrmes. La qualit de modlisation de lindice lui mme est en revanche plus contestable. Lcart entre les primes historiques et les primes estimes demeure significatif. La copule de Gumbel utilise permet quant elle une estimation plus crdible de la prime de la couverture (estimation plus proche de la moyenne historique, qui reste notre valeur de rfrence). Cependant nous avons remarqu que ce rsultat repose sur un choix qui a exagr les dpendances extrmes. Ceci ne nous semble pas lgitimement acceptable. La famille des copules tant trs large, il peut tre intressant dutiliser des copules diffrentes. Une analyse plus approfondie de la qualit des ajustements effectus pour les copules de Gumbel et de Student est galement envisageable. Toutefois, la ralisation de ces travaux ncessite dj un temps certain pour notre exemple dindice vent quatre stations, en raison notamment des ressources informatiques ncessaires au traitement dchantillons de donnes dune telle taille. Dans le contexte plus gnral de couvertures o des dizaines de stations sont utilises, lapproche en est encore plus ardue. Ce problme nest pas prsent dans le cadre des modlisations des vitesses de vent suprieures un seuil.

180

5.4

Prise en compte de la dpendance dans la tarification : modlisation avec seuils


Nous appliquons maintenant les outils de modlisation de la dpendance

partir des ajustements des vitesses de vent suprieures un seuil. Comme indiqu prcdemment, la taille des chantillons de vitesses de vent manipuler est bien plus faible, compte tenu des seuils que nous avons retenus : Vitesses de vent quotidiennes suprieures aux seuils zi Nombre d'observations

Bordeaux X'1,t

Metz X'2,t

Nice X'3,t

Orly X'4,t

87

96

75

85

Un dnombrement rapide des dates communes chaque couple de stations nous permet de dresser le tableau suivant. Il indique donc le nombre de jours sur la priode 1970-2002 pour lesquels les vitesses de vent quotidiennes dun couple de stations taient simultanment suprieures aux seuils de modlisation (appliqus individuellement).

Metz X'2,t Bordeaux X'1,t Metz X'2,t Nice X'3,t

Nice X'3,t

Orly X'4,t

6 5

10
30

La relation la plus flagrante est celle existante entre Orly et Metz. Sur ces 30 observations communes de (X'2,t, X'4,t), on en dnombre 5 pour lesquels les vitesses de vent taient suprieures ou gales aux franchises (K2,K4). Il est noter que nous ne dnombrons aucune observation de ce type pour les autres couples. En consquence, et compte tenu galement du peu dobservations pour les autres couples, nous choisissons de ne prendre en compte dans les modlisations que la dpendance entre Metz et Orly.

181

Nous avons reprsent les 30 observations communes du couple Metz-Orly sur le graphique suivant86 :

Vitesses de vent quotidiennes historiques - METZ/ORLY


50

45

ORLY - X'4,t en m/s

40

35

30

25

20

20

25

30

35 METZ - X'2,t en m/s

40

45

50

Au pralable, nous prsenterons nanmoins brivement une approche de prise en compte de la dpendance entre les stations au travers de ltude des corrlations entre les distributions du nombre annuel de valeurs suprieures aux seuils.

5.4.1 Modlisation de la corrlation des frquences

Nous disposons pour chaque station i dun historique de trente-trois valeurs de frquences annuelles (nombre de jours sur lanne o la vitesse de vent est suprieure au seuil de modlisation), sur lequel nous avions ajust les lois de Poisson et binomiale ngative. Nous modliserons les corrlations entre les frquences Ni et Nj partir de la matrice des coefficients de corrlation de Spearman :
(Ni ,N j )
Bordeaux N1 Metz N2 Nice N3

Metz N2 0,443

Nice N3 0,020 -0,021

Orly N4 0,190 0,613 0,269

86

Les valeurs tant entires, certains points sont confondus.

182

A lissue des analyses dcrites dans le chapitre quatre, nous avions retenu des lois de Poisson pour N2 et N3, et des lois binomiales ngatives pour N1 et N4. Nayant pu simul correctement les corrlations entre ces lois diffrentes, nous remplacerons les lois binomiales ngatives par les lois de Poisson pour modliser N1 et N4. Le tableau suivant permet de constater quil ny a pas de changement significatif dans les estimations obtenues. Les rsultats de la modlisation retenue dans le chapitre quatre sont indiqus en italique.
Bordeaux S1(T) Metz S2(T) Nice S3(T) Orly S4(T)

moyenne (dam/h) cart type (dam/h)

646 1243

630 1198

67 276

505 1526

nouvelle moyenne (dam/h) nouvel cart type (dam/h)

648 1232

630 1197

67 276

506 1502

Aprs 100 000 simulations des modles avec et sans prise en compte des corrlations de frquences, nous obtenons les rsultats suivants :

Estimation Rappel Burning Cost Modlisation sans prise en compte de la dpendance


Modlisation des corrlations de frquence

C (en EUR)

s (en EUR)

20% (en EUR) 40% (en EUR)

241 436

876 919

416 820

592 204

99 146

382 918

175 730

252 313

104 028

392 280

182 484

260 940

Limpact est manifestement marginal. Nous nirons pas plus loin dans cette voie, car lutilisation de copules ne parait pas adapte, dans la mesure o les dpendances entre les frquences ne semblent pas trs marques ce niveau de seuil.

183

5.4.2 Modlisation de la dpendance Metz-Orly laide de copules Prliminaire :

Si la modlisation des vitesses de vent avec introduction de seuils rsout le problme de traitement des donnes, elle a linconvnient de multiplier les phases dajustement probabilistes. En effet, le graphique suivant permet de distinguer trois catgories diffrentes de situations :

Vitesses de vent quotidiennes historiques - METZ/ORLY


50 45 40 35

ORLY - X'4,t en m/s

30 25 20 15 10 5 0

Catgorie 1 Catgorie 2 Catgorie 3

10

15

20

25

30

35

40

45

METZ - X'2,t en m/s

La modlisation de la dpendance entre Metz et Orly ncessite donc un travail en trois tapes : La modlisation des vnements appartenant la catgorie 1, cest dire les observations de dpassements des seuils dans les deux stations. La modlisation des vnements appartenant la catgorie 2, cest dire les observations, o la vitesse de vent la date t est suprieure au seuil Metz mais pas Orly. Nous ne modliserons que les valeurs de la station de Metz.

184

La modlisation des vnements appartenant la catgorie 3, cest dire les observations, o la vitesse de vent la date t est suprieure au seuil Orly mais pas Metz. Nous ne modliserons que les valeurs de la station dOrly. On se rend compte que lapproche peut rapidement rencontrer des limites, puisque le nombre dtapes crot plus rapidement que le nombre de stations : lapplication de cette approche n stations, pour lesquelles on souhaiterait envisager tous les cas de figure envisageables en matire de dpendance, ncessite un nombre dtapes gal

C
i =1

i n

Modlisation des vitesses de vent de la catgorie 1 :

Nous travaillons donc sur deux chantillons de 30 observations de vitesses de vent. Aprs avoir appliqu les principes dajustement probabiliste tels que nous les avons prsents au cours de ce mmoire, voici les principales caractristiques des modlisations qui seront effectues pour la catgorie 1 :
Loi de frquence commune :

loi binomiale ngative de paramtres a = 1,5 et p = 0,623


Loi de svrit marginale pour les vitesses de vent dOrly :

loi de pareto gnralise de paramtres a = 2,92 et c = 0,173, et de seuil


z = 25,5 m/s
Loi de svrit marginale pour les vitesses de vent de Metz :

loi de pareto de paramtre a = 5,169 et de seuil z = 23,5 m/s Nous appliquerons dans un premier temps ces paramtres sans modlisation supplmentaire de la dpendance. Par la suite nous utiliserons les copules de Gumbel puis de Student.

185

Nous avons estim par la mthode du maximum de vraisemblance 7,434 le paramtre a de la Copule de Gumbel bivarie Metz-Orly. Pour la copule de Student, nous utiliserons la matrice P* = (0,53) et un nombre de degrs de libert d = 6.
Modlisation des vitesses de vent de la catgorie 2 :

Nous travaillons sur un chantillon de 66 observations pour lesquelles la vitesse de vent enregistre Metz tait suprieure 23,5 m/s, et o celle enregistre Orly tait infrieure 25,5 m/s.
Loi de frquence :

loi binomiale ngative de paramtres a = 8 et p = 0,8


Loi de svrit :

loi de pareto gnralise de paramtres a = 3,24 et c = -0,0712, et de seuil


z = 23,5 m/s
Modlisation des vitesses de vent de la catgorie 3 :

Nous travaillons sur un chantillon de 55 observations pour lesquelles la vitesse de vent enregistre Orly tait suprieure 25,5 m/s, et o celle enregistre Metz tait infrieure 23,5 m/s.
Loi de frquence :

loi binomiale ngative de paramtres a = 4,44 et p = 0,727


Loi de svrit :

loi de pareto gnralise de paramtres a = 1,97 et c = 0,214, et de seuil


z = 25,5 m/s
Rsultats des modlisations :

Nous prsentons tout dabord les rsultats obtenus station par station au terme de 100 000 simulations, et sans utilisation des copules :

186

Bordeaux S1(T) Rappel : valeurs historiques

Metz S2(T)

Nice S3(T)

Orly S4(T)

Moyenne (dam/h) Ecart type (dam/h)

704 1 378

589 2 461

93 263

491 1 685

Rappel : modlisation finale des vitesses de vent avec seuil (partie 4.3.3) :

Moyenne (dam/h) Ecart type (dam/h)

646 1243

630 1198

67 276

505 1526

Modlisation distincte des catgories 1, 2 et 3 pour Metz-Orly:

Moyenne (dam/h) Ecart type (dam/h)

646 1243

880 2255

67 276

506 1477

Les estimations pour Bordeaux et Nice sont bien videmment inchanges. Les nouveaux ajustements raliss ne modifient pas significativement la modlisation dOrly, mais conduisent globalement une meilleure restitution de la volatilit historique pour la station de Metz. Nous obtenons les estimations suivantes du prix de la couverture, qui sont assez sensiblement infrieures aux moyennes historiques :

Estimation Rappel Burning Cost nouvelle modlisation sans copule nouvelle modlisation copule de Gumbel nouvelle modlisation copule de Student

C (en EUR)

s (en EUR)

20% (en EUR) 40% (en EUR)

241 436 138 625

876 919 465 590

416 820 231 743

592 204 324 861

146 554

500 303

246 615

346 675

141 513

480 734

237 660

333 806

187

5.4.3 Conclusions

La prise en compte de la dpendance spatiale entre Metz et Orly dans la modlisation des vitesses de vent suprieures un seuil permet globalement dobtenir des rsultats plus satisfaisants pour notre couverture exemple. La mthode peut cependant savrer fastidieuse dans le cadre de la tarification dune couverture qui comporte un nombre lev de stations prsentant des liens de dpendance. Toutefois, comme pour les ajustements de vent au premier m/s, nous nobtenons pas une modlisation correcte de lindice S(T). Lobservation des fonctions de rpartition empirique et simules nous le confirme.

Fonctions de Rpartition - Empirique et Modlises


1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 500 1 000 1 500 2 000 2 500 S(T) 3 000 3 500 4 000 4 500 5 000 Empirique Modlisation des vitesses de vent au premier m/s : matrice de corrlation Modlisation des vitesses de vent au premier m/s : copule de Gumbel Modlisation des vitesses de vent au premier m/s : copule de Student Modlisation des vitesses de vent avec seuil : copule de Gumbel Metz-Orly Modlisation des vitesses de vent avec seuil : copule de Student Metz-Orly

Distribution

Par consquent, nous estimons que les ajustements effectus sur les vitesses de vent noffrent pas lheure actuelle une tarification suffisamment satisfaisante de la couverture.

188

5.5

Introduction au problme de dpendance temporelle


Les mthodes employes sur les valeurs de vitesses de vent permettent

pourtant de modliser correctement dune part le comportement des indices individuels par station, et dautre part les dpendances spatiales entre les observations quotidiennes des diffrentes stations. Lcart entre estimations empiriques et simules peut en grande partie sexpliquer par le poids des annes 1990 et 1999 dans lhistorique des indemnisations de la couverture. En 1990, la station de Metz a enregistr six de ses sept valeurs les plus leves sur la priode 1970-2002. En 1999, Metz et Orly ont enregistr une valeur extrme le 26/12/1999 lors de la survenance de Lothar, Bordeaux le 27/12/1999 et Nice le 28/12/1999 lors de la survenance de Martin. Il semble ainsi que, pour une mme station, loccurrence et la valeur la date t dune vitesse de vent extrme ne soit pas indpendante des observations prcdentes. Ces situations extrmes ont dans les modlisations que nous avons effectues, une probabilit de survenance plus faible sur une chelle de temps dune trentaine dannes. Ainsi, dans les modlisations des vitesses de vent avec seuil, nous pensons quil est ncessaire, en vue dobtenir une meilleure tarification de la couverture, dtudier la dpendance par station entre la frquence et la valeur des vitesses de vent suprieures aux seuils. De mme dans les modlisations des vitesses de vent au premier m/s, une prise en compte de la dpendance temporelle parat lgitime sur les variables de vitesses de vent (Xi,1,,Xi,t,, Xi,T). Pour ce faire, nous conseillons ltude dune approche conomtrique sur donnes temporelles (utilisant par exemple les vitesses de vent des jours prcdents).

189

CONCLUSION
Aprs avoir prsent les principaux enjeux lis lutilisation et au fonctionnement dune couverture indicielle Cat, nous nous sommes attachs explorer les voies envisageables en matire de tarification. Nous avons pour cela travaill sur lexemple trs simplifi dune couverture indicielle base sur les vitesses de vent maximales instantanes enregistres quotidiennement dans les stations de Bordeaux, Metz, Nice et Orly. Ltude des valeurs historiques de lindice nous a permis tout dabord destimer le prix de la couverture par lintermdiaire du Burning Cost. Nous avons galement vu quil tait possible dajuster des lois de probabilit ces valeurs historiques. Dans notre exemple, la modlisation par une loi gamma sest avre la plus satisfaisante. Afin de mieux prendre en compte le comportement de la queue de distribution, nous avons tudi limpact sur la tarification de lintroduction dun seuil de modlisation de lindice 100 dam/h. Plusieurs lois de probabilit, notamment celles recommandes pour ltude des valeurs extrmes, ont permis dobtenir une tarification de la couverture dont on pourrait se satisfaire. Ces premires mthodes, simples et rapides, peuvent tre appliques la grande majorit des couvertures que lon peut imaginer en termes de variable climatique sous-jacente et de mcanisme dindemnisation (niveau des franchises et des plafonds, priode de couverture, etc.). Elles seraient toutefois difficilement applicables pour des protections trs hautes (franchises leves), ou de priode de couverture suprieure lanne. De plus le choix dun seuil de modlisation est toujours problmatique. Enfin, elles prsentent linconvnient de fournir des cotations qui paraissent trs sensibles un historique de taille relativement rduite de valeurs dindice, qui comporte une trs grande volatilit. Nous avons donc cherch dans un deuxime temps exploiter les valeurs historiques de la variable climatique elle-mme. Lobtention dajustements fiables pour chaque station permettrait denvisager la tarification de nimporte quelle couverture indicielle ( sous-jacent climatique identique) sur des bases communes. Bien que la taille des chantillons historiques ait entran quelques difficults dans la manipulation informatique des donnes, nous avons russi obtenir pour chaque station des ajustements assez satisfaisants des sries de vitesses de vent

190

quotidiennes, avec et sans introduction de seuils. Il est noter que les ajustements au-del des seuils individuels de chaque station nous ont paru plus robustes. Nous avons ainsi pu simuler le fonctionnement de la couverture indicielle, et obtenir des rsultats station par station que nous estimons tout fait acceptables. En revanche, les estimations du prix de la couverture ont t systmatiquement infrieures aux tarifications sur base dindice, et de faon significative. En ayant mis en vidence le problme de la dpendance entre les stations et prsent des outils nous permettant de la modliser, nous avons pu construire des modles offrant une tarification affine de la couverture. Lutilisation dune simple matrice de corrlations, dune copule de Gumbel et surtout dune copule de Student ont permis de reproduire assez fidlement les liens de dpendance constats historiquement sur lintgralit des vitesses de vent quotidiennes des stations. Cependant, bien que meilleures, les estimations du prix de la couverture nous paraissent encore trop faibles compte tenu de lexprience passe. Un travail plus approfondi dans le choix des copules (utilisation de copules extrmes notamment) et dans lanalyse de la qualit des ajustements pourrait tre utile. Il ncessite toutefois des moyens informatiques trs performants, et pourrait ne pas conduire une amlioration significative de la tarification. Enfin, la prise en compte de la dpendance spatiale dans la modlisation avec introduction de seuils ne nous a pas permis dobtenir des rsultats plus satisfaisants. En outre, son application un nombre lev de stations est, comme nous lavons fait remarquer, problmatique. Afin damliorer la tarification des couvertures indicielles vent, nous pensons quil est souhaitable dtudier, par une approche conomtrique, les dpendances temporelles entre les valeurs quotidiennes de vitesses de vent. Une vision plus pragmatique peut nanmoins consister retenir une tarification obtenue par surestimation des dpendances spatiales, de faon similaire ce qui a t ralis pour la copule de Gumbel multivarie. Enfin, il conviendra de vrifier la pertinence des approches pour dautres types de variables climatiques, dont les comportements pourraient tre diffrents en matire de valeurs extrmes et de dpendance spatiale.

191

192

BIBLIOGRAPHIE
PARTIE 1 :

BELOW R. et GUHA-SAPIR D. [2002] : The Quality and Accuracy of Disaster Data. A comparative analyses of three global datasets . WHO Centre for Research on the Epidemiology of Disasters. University of Louvain School of Medicine. BOBTCHEFF C. [2003] : La couverture des risques lis aux vnements naturels : Cotation des traits en excdent de sinistre par vnement . Mmoire dactuariat ISFA. DESCHEEMAEKERE D. et PERRON B. [1996] : Les vnements naturels en France : tude du risque tempte pour une compagnie dassurances . Mmoire dactuariat CEA. GAUDRON C. [1999] : Les protections en excdent de sinistre en rassurance des vnements naturels en France . Mmoire dactuariat ESSEC-ISUP. MOISSELIN J., SCHNEIDER M., CANELLAS C. et MESTRE O. [2002] : Les changements climatiques en France au XX sicle. Etude des longues sries homognises de donnes de temprature et de prcipitations . Mto France. La Mtorologie n38, aot 2002. SIGMA [2004] : Catastrophes naturelles et techniques en 2003 : Un grand nombre de victimes, mais des dommages assurs modrs . Sigma n1/2004, Swiss Re. TOPICS [2004] : Annual Review : Natural Catastrophes 2003 . Munich Re Group. YEATMAN J. [1998] : Manuel International de lAssurance . Ecole Nationale dAssurances de Paris. Ed Economica.
PARTIE 2 :

BANQUE MONDIALE [2000] : The Management of Catastrophic Risks using Pooled Insurance Structures and Alternative Financing & Risk Transfer Mechanisms. The Insurance Market and the case of the Caribbean Region . Discussion Draft January 27, 2000. BENFIELD PARIS [2002,2003,2004] : Etude des Renouvellements des protections tempte du march franais . CCR [2003] : Les catastrophes naturelles en France . CCR. CHARPENTIER A. [2002] : Titrisation des risques catastrophes : les Cats-Bonds . FFSA / Direction Etudes, Statistiques et Systmes dInformation. COSSU P. et MANSION Y. [1996] : Assurance et Finance : Vers un pont double voie ? . Risques n28, Octobre-Dcembre 1996. COSTESEQUE L., FITE C. et FOUCAULT C. [1998] : Catastrophes Naturelles et Assurance . Mmoire de matrise de Sciences Economiques. Universit des Sciences Sociales de Toulouse 1.

193

CUMMINS D.J. et GEMAN H. [1992] : An Asian Option Approach to the Valuation of Insurance Futures Contracts . Working Paper. DREVETON C. [2002]: Evolution du nombre de temptes en France sur la priode 1950-1999 . Mto France. FFSA [2001] : Catastrophes naturelles. Les diffrents systmes dindemnisation en Europe . Les nouvelles de lassurance. Fvrier 2001. RISK PERCEPTION [2003] : Catastrophes naturelles et rassurance . Swiss Re. SCOR TECH [1996] : Lassurance des catastrophes naturelles . Scor. SIGMA [1996] : Insurance derivatives and securitization : New hedging perspectives for the US catastrophe insurance market? . Sigma n5/1996,Swiss Re. SIGMA [2001] : Les marches de capitaux, source dinnovation pour le secteur de lassurance . Sigma n3/2001, Swiss Re. SIGMA [2003] : Transfert alternatif des risques (ART) : tat des lieux . Sigma n1/2003, Swiss Re. WRMA [2003] : The Weather Risk Management Industry. Survey Findings for April 2002 to March 2003 . PriceWaterhouseCoopers.
PARTIE 3 :

ARGUS DE LASSURANCE [2002] : Les drivs climatiques : un march dans le vent . Article paru dans le n6779 du 29 Mars 2002. DE PAIVA E PONA R. [2000] : Les Drivs Climatiques : des Parapluies Financiers ? . Mmoire de Magistre Juriste dAffaires. Universit Paris 2. METEO FRANCE [1996] : Normales Climatiques Priode 1961-1990 Tome 1 Stations de mtropole . Service Central dExploitation de la Mtorologie. Mto France
PARTIE 4 :

COLES S.G. [2001] : An Introduction to Statistical Modelling of Extreme Values . Ed Springer Verlag. DAGOSTINO R.B. et STEPHENS M. [1986] : Goodness-of-fit techniques . Ed Marcel-Dekker, New York. DAYKIN C.D., PENTIKAINEN T. et PESONEN M. [1994] : Practical Risk Theory for Actuaries . Ed Chapman & Hall, London. DISCHEL B. [1998] : Black-Scholes wont do . Article paru dans Weather Risk Special Report, octobre 1998. DORNIER F. et QUERUEL M. [2000] : Caution to the wind , Article paru dans Weather Risk Special Report, aot 2000. EMBRECHTS P., KLUPPELBERG C. et MIKOSH T. [1997] : Modelling Extremal Events for Insurance and Finance. Ed Springer Verlag, 4th edition. GUMBEL E.J. [1958] : Statistics of Extremes . Ed Columbia University Press. HOGG R. et KLUGMAN S. [1984] : Loss Distributions . Ed Wiley.

194

MCNEIL A.J. [1997] : Estimating the tails of loss severity distributions using extreme value theory . Astin Bulletin, Vol 27. PARTRAT C. [2003] : Valeurs extrmes et priodes de retour , issu de La Rassurance : Approche technique . Ed Economica SMITH R.L. [2002] : Statistics of extremes, with applications in environmental science, insurance and finance . Department of Statistics, University of North Carolina. http://www.stat.unc.edu/postscript/rs/semstatrls.ps. SMITS A. [2001] : Estimation of extreme return levels of wind speed : an analysis of storm maxima . KNMI. http://www.knmi.nl/samenw/hydra/documents/storms/storms.pdf STEPHENSON A. [2003] : A Users Guide to the evd Package (Version 2.0) . Mathematics and Statistics Dept Lancaster University, UK. http://www.maths.lancs.ac.uk/~stephena/ TANCREDI A., ANDERSON C. et OHAGAN A. [2002] : Accounting for Threshold Uncertainty in Extreme Value Estimation . Dipartimento di Scienze Statistiche, Universita di Padova, Italy and Department of Probability and Statistics, University of Sheffield, England.
PARTIE 5 :

BELGUISE O. [2001] : Temptes : Etude des dpendances entre les branches Auto et Incendie avec la thorie des copulas . Mmoire dactuariat ULP Strasbourg. CHARPENTIER A. [2003] : Tail distribution and dependence measures. Colloque ASTIN, Berlin, 27 aot 2003. CHERUBINI U. et LUCIANO E. [2000] : Multivariate option pricing with copulas . Paper provided by ICER International Centre for Economic Research in its series ICER Working Papers Applied Mathematics Series with number 05-2002. DEMARTA S. et MCNEIL A.J. [2004] : The t Copula and Related Copulas . Department of Mathematics, Federal Institute of Technology, ETH Zurich. DURRLEMAN V., NIKEGHBALI A. et RONCALLI T. [2000] : Which copula is the right one ? . Groupe de Recherche Oprationnelle, Crdit Lyonnais. EMBRECHTS P., MCNEIL A.J. et STRAUMANN D. [1998] : Correlation and Dependency in Risk Management : Properties and Pitfalls . EMBRECHTS P., LINDSKOG F. et MCNEIL A.J. [2001] : Modelling Dependence with Copulas and Applications to Risk Management . Department of Mathematics, Federal Institute of Technology, ETH Zurich. HASLETT J. et RAFTERY A.E. [1989] : Space-time modelling with long-memory dependence : Assessing Irelands wind power resource . Royal Statistical Society. NELSEN R. [1999] : An Introduction to copulas . Ed Springer Verlag. VENTER G. [2000] : Tails of Copulas . Guy Carpenter Instrat. VENTER G. [2003] : Fit to a t Estimation, Application and Limitations of the tcopula. Topic 1 : Risk Evaluation . Guy Carpenter Instrat. Astin, Berlin 2003.

195

196

ANNEXES
Annexe 1 : Tableaux statistiques et rose des vents Station de Metz
Les tableaux suivants sont extraits de louvrage de Mto France (1996), Normales Climatiques Priode 1961-1990 Tome 1 Stations de mtropole .

197

198

199

200

Annexe 2 : Fiches descriptives des sries utilises CatiXL


CatiXL 2003

GENERAL STATION INFORMATION


SERIE 19 - BORDEAUX-MERIGNAC (m/s)
STATION Usual Name BORDEAUX-MERIGNAC Country France Local ID WMO ID 33281001 7510 Element Maximum Daily Wind Speed Distribution Threshold Above 18,0 Alternate Name AEROPORT DE BORDEAUX Latitude Longitude 44,832 N 0,692 W Altitude 47 m above sea level ELEMENT Measure Details 00-24 UT Recording Units m/s Precision Nearest Integer. Start Date 01janv1970

DATA COMPLETENESS
Bordeaux has less than 0.2% missing values. Data from St Gervais and Cognac was used after correlation analysis. The final serie has no missing values.

AVAILABLE METADATA

Due to important heterogeneities in most French wind records prior to 1970, all time series have been truncated to Jan 1st, 1970. Contact CatiXL for more information. The station first opened on 19200101. It was relocated on 20001026. The first Wind recordings go back to 19490101.

GEOGRAPHICAL REFERENCE

201

CatiXL 2003

STATION STATISTICS
SERIE 19 - BORDEAUX-MERIGNAC (m/s)
EXTREME HISTORICAL VALUES

DATA DISTRIBUTION (1970 - 2000) Quantile Value


95,0% 97,5% 98,0% 98,5% 99,0% 99,5% 100,0% 18,00 21,00 22,00 23,00 24,00 26,00 40,00

PROBABILITY OF EXCEEDANCE (1970 - 2000) 5% 2 days 4 days 6 days 8 days


28,50 25,50 23,83 22,90

10%
27,00 25,00 23,33 22,60

20%
25,86 24,00 22,75 22,00

202

CatiXL 2003

RETURN PERIOD ESTIMATION


SERIE 19 - BORDEAUX-MERIGNAC (m/s)
GUMBEL RETURN PERIOD (1970 - 2000) T (Years) Value
2 5 10 15 28,31 32,89 35,92 37,63

Parameters
Location Scale 26,825 4,041

GEV RETURN PERIOD (1970 - 2000) T (Years) Value


2 5 10 15 28,02 32,06 34,98 36,72

Parameters
Location Scale Shape 26,793 3,280 0,091

203

CatiXL 2003

STATION FALLBACK INFORMATION


SERIE 19 - BORDEAUX-MERIGNAC (m/s)
AVAILABLE SURROUNDING DATA

Station Name Local ID WMO


33415001

PRINCIPAL FALLBACK ST-GERVAIS

Correlation Dates
01janv1999 15mars2003 R 87,90%

Regression a b
1,000

95% IQR 95% MAE


95% IQR

2,000 4,000 2,000

The 95% IQR corresponds to the difference between the 3rd and the 1st quartiles of the error distribution for the 5% most extreme readings.

95% MAE
The 95% MAE corresponds to the mean of the absolute error for the 5% most extreme readings.

204

CatiXL 2003

GENERAL STATION INFORMATION


SERIE 64 - METZ-FRESCATY (m/s)
STATION Usual Name METZ-FRESCATY Country France Local ID WMO ID 57039001 7090 Element Maximum Daily Wind Speed Distribution Threshold Above 18,0 Alternate Name METZ - FRESCATY Latitude Longitude 49,082 N 6,115 E Altitude 190 m above sea level ELEMENT Measure Details 00-24 UT Recording Units m/s Precision Nearest Integer. Start Date 01janv1970

DATA COMPLETENESS
The station Metz-Frescaty has less than 0.25% missing values. Data from Aroport MNL was used after correlation analysis. The final serie has missing values on 1Aug56, 24-25Jan57, 17Dec57, 10Oct60, 16-17Oct60 and 20Oct60. However, nearby stations reveal no extreme events around these periods.

AVAILABLE METADATA

Due to important heterogeneities in most French wind records prior to 1970, all time series have been truncated to Jan 1st, 1970. Contact CatiXL for more information. The station first opened on 19291201. It was relocated on 19560531. The first Wind recordings go back to 19490101.

GEOGRAPHICAL REFERENCE

205

CatiXL 2003

STATION STATISTICS
SERIE 64 - METZ-FRESCATY (m/s)
EXTREME HISTORICAL VALUES

DATA DISTRIBUTION (1970 - 2000) Quantile Value


95,0% 97,5% 98,0% 98,5% 99,0% 99,5% 100,0% 18,00 20,00 21,00 22,00 23,00 25,00 40,00

PROBABILITY OF EXCEEDANCE (1970 - 2000) 5% 2 days 4 days 6 days 8 days


27,75 24,75 23,50 22,50

10%
27,00 24,00 22,67 21,75

20%
25,33 22,71 21,88 21,00

206

CatiXL 2003

RETURN PERIOD ESTIMATION


SERIE 64 - METZ-FRESCATY (m/s)
GUMBEL RETURN PERIOD (1970 - 2000) T (Years) Value
2 5 10 15 28,20 31,96 34,45 35,86

Parameters
Location Scale 26,980 3,319

GEV RETURN PERIOD (1970 - 2000) T (Years) Value


2 5 10 15 28,27 31,55 33,62 34,75

Parameters
Location Scale Shape 27,170 3,031 -0,051

207

CatiXL 2003

STATION FALLBACK INFORMATION


SERIE 64 - METZ-FRESCATY (m/s)
AVAILABLE SURROUNDING DATA

Station Name Local ID WMO


57251001

PRINCIPAL FALLBACK AEROPORT M.N.L.

Correlation Dates
01janv1995 30avr2003 R 88,70%

Regression a b
0,917

95% IQR 95% MAE


95% IQR

0,750 2,040 1,395

The 95% IQR corresponds to the difference between the 3rd and the 1st quartiles of the error distribution for the 5% most extreme readings.

95% MAE
The 95% MAE corresponds to the mean of the absolute error for the 5% most extreme readings.

208

CatiXL 2003

GENERAL STATION INFORMATION


SERIE 28 - NICE (m/s)
STATION Usual Name NICE Country France Local ID 6088001 WMO ID 7690 Alternate Name AEROPORT Latitude Longitude 43,650 N 7,200 E Altitude 4 m above sea level ELEMENT Measure Details 00-24 UT Recording Units m/s Precision Nearest Integer. Start Date 01janv1970

Element Maximum Daily Wind Speed Distribution Threshold Above 19,0

DATA COMPLETENESS
The station Nice has less than 0.2% missing values. Data from Cap Ferrat was used after correlation analysis. The final serie has missing values on 20Jul94, 29Jun-4Jul95 and 1-2Nov95; however, surrounding stations reveal no extreme events around these periods.

AVAILABLE METADATA

Due to important heterogeneities in most French wind records prior to 1970, all time series have been truncated to Jan 1st, 1970. Contact CatiXL for more information. The station first opened on 19420701. It was relocated on 19421127; 19440104; 19440910; 19441104; 19460404; 19570425. The first Wind recordings go back to 19490101.

GEOGRAPHICAL REFERENCE

209

CatiXL 2003

STATION STATISTICS
SERIE 28 - NICE (m/s)
EXTREME HISTORICAL VALUES

DATA DISTRIBUTION (1970 - 2000) Quantile Value


95,0% 97,5% 98,0% 98,5% 99,0% 99,5% 100,0% 18,00 20,00 21,00 22,00 22,00 24,00 32,00

PROBABILITY OF EXCEEDANCE (1970 - 2000) 5% 2 days 4 days 6 days 8 days


24,83 23,83 22,83 21,88

10%
24,33 23,33 22,33 21,50

20%
23,67 22,67 21,67 20,75

210

CatiXL 2003

RETURN PERIOD ESTIMATION


SERIE 28 - NICE (m/s)
GUMBEL RETURN PERIOD (1970 - 2000) T (Years) Value
2 5 10 15 25,75 28,71 30,67 31,77

Parameters
Location Scale 24,795 2,609

GEV RETURN PERIOD (1970 - 2000) T (Years) Value


2 5 10 15 25,78 28,36 29,99 30,89

Parameters
Location Scale Shape 24,910 2,382 -0,048

211

CatiXL 2003

STATION FALLBACK INFORMATION


SERIE 28 - NICE (m/s)
AVAILABLE SURROUNDING DATA

Station Name Local ID WMO


06121001 07695

PRINCIPAL FALLBACK CAP FERRAT

Correlation Dates
01janv1998 15mars2003 R 86,60%

Regression a b
0,667

95% IQR 95% MAE


95% IQR

4,667 2,745 1,806

The 95% IQR corresponds to the difference between the 3rd and the 1st quartiles of the error distribution for the 5% most extreme readings.

95% MAE
The 95% MAE corresponds to the mean of the absolute error for the 5% most extreme readings.

212

CatiXL 2003

GENERAL STATION INFORMATION


SERIE 18 - ORLY (m/s)
STATION Usual Name ORLY Country France Local ID 91027002 WMO ID 7149 Alternate Name ORLY AEROPORT Latitude Longitude 48,717 N 2,383 E Altitude 89 m above sea level ELEMENT Measure Details 00-24 UT Recording Units m/s Precision Nearest Integer. Start Date 01janv1970

Element Maximum Daily Wind Speed Distribution Threshold Above 20,0

DATA COMPLETENESS
The station Orly has less than 0.15% missing values. Data from Toussus-Le-Noble was used after correlation analysis. The final serie has missing values on 20Nov49, 15Mar50, 10-17Feb54, 2Dec59, 20Jul61, 10Nov70. However surrounding stations reveal no extreme events around these periods.

AVAILABLE METADATA

Due to important heterogeneities in most French wind records prior to 1970, all time series have been truncated to Jan 1st, 1970. Contact CatiXL for more information. The station first opened on 19210301. It was relocated on 19930630. The first Wind recordings go back to 19490102.

GEOGRAPHICAL REFERENCE

213

CatiXL 2003

STATION STATISTICS
SERIE 18 - ORLY (m/s)
EXTREME HISTORICAL VALUES

DATA DISTRIBUTION (1970 - 2000) Quantile Value


95,0% 97,5% 98,0% 98,5% 99,0% 99,5% 100,0% 19,00 22,00 22,00 23,00 24,00 26,00 48,00

PROBABILITY OF EXCEEDANCE (1970 - 2000) 5% 2 days 4 days 6 days 8 days


29,50 27,50 25,75 24,25

10%
26,80 25,50 25,00 23,50

20%
26,20 24,60 23,50 22,50

214

CatiXL 2003

RETURN PERIOD ESTIMATION


SERIE 18 - ORLY (m/s)
GUMBEL RETURN PERIOD (1970 - 2000) T (Years) Value
2 5 10 15 28,48 33,43 36,71 38,56

Parameters
Location Scale 26,882 4,367

GEV RETURN PERIOD (1970 - 2000) T (Years) Value


2 5 10 15 27,97 31,61 34,62 36,57

Parameters
Location Scale Shape 26,991 2,561 0,238

215

CatiXL 2003

STATION FALLBACK INFORMATION


SERIE 18 - ORLY (m/s)
AVAILABLE SURROUNDING DATA

Station Name Local ID WMO


78620001

PRINCIPAL FALLBACK TOUSSUS LE NOBLE

Correlation Dates
01janv1998 31dc2002 R 90,90%

Regression a b
0,923

95% IQR 95% MAE


95% IQR

1,154 2,150 1,703

The 95% IQR corresponds to the difference between the 3rd and the 1st quartiles of the error distribution for the 5% most extreme readings.

95% MAE
The 95% MAE corresponds to the mean of the absolute error for the 5% most extreme readings.

216

Annexe 3 : Prsentation du logiciel de DFA ReMetrica

Le logiciel ReMetrica, dvelopp par lquipe ReMetrics de Benfield Group, est un outil danalyse du risque et daide la dcision. Le logiciel est utilis entre autres choses des fins dapprciation du besoin de marge de solvabilit, dallocation des fonds propres, de limpact de la rassurance, de planification stratgique et de tarification. Dans le cadre de ce mmoire, cest avant tout des fins de tarification que le logiciel a t utilis. Rdig en C++, ReMetrica est un moteur de simulation mathmatique qui possde la flexibilit dun tableur. Il nous a permis dappliquer plutt aisment les approches tudies dans le mmoire. ReMetrica se compose de modules sempilant comme des briques, qui permettent lutilisateur de crer des modles sur mesure, en reliant entre eux des composants standards. Ces composants sont issus dune riche bibliothque comprenant tous les aspects de lactivit dune entreprise dassurance/rassurance. Dans le cadre de ce mmoire, nous avons principalement utilis les modules

217

standards de distribution de probabilit (lois gamma, lognormale, poisson, etc.) et de copules (copule de Gumbel, copule de Student). Certains ont t programms sous Visual Basic spcialement pour loccasion (loi GEV notamment). Lexemple dun modle utilis pour le mmoire est prsent ci-dessous :

218

Annexe 4 : Nuages des vitesses de vent et QQ Plots


Vitesses de vent historiques Couples ( Xi,t , Xj,t ) :

219

Q-Q plots historiques Couples ( Xi,t , Xj,t ) :

220

Vitesses de vent des Couples ( Xi,t , Xj,t ) : modle final sans prise en compte de la dpendance :

221

Q-Q plots des Couples ( Xi,t , Xj,t ) : modle final sans prise en compte de la dpendance :

222

Vitesses de vent des Couples ( Xi,t , Xj,t ) : simulation des corrlations :

223

Q-Q plots des Couples ( Xi,t , Xj,t ) : simulation des corrlations :

224

Vitesses de vent des Couples ( Xi,t , Xj,t ) : simulation avec la copule de Gumbel :

225

Q-Q plots des Couples ( Xi,t , Xj,t ) : simulation avec la copule de Gumbel :

226

Vitesses de vent des Couples ( Xi,t , Xj,t ) : simulation avec la copule de Student :

227

Q-Q plots des Couples ( Xi,t , Xj,t ) : simulation avec la copule de Student :

228

Annexe 5 : Procdure de calcul des valeurs zi sous R


La fonction R suivante permet dobtenir le vecteur des valeurs zi que lon peut ensuite utiliser dans le calcul empirique de la fonction K(z).

229