Provisionnement Et Mesure de Risque en Assurance Dommage Dans Le Cadre de Solvabilité Ii

PROVISIONNEMENT ET MESURE DE RISQUE EN ASSURANCE DOMMAGE
DANS LE CADRE DE SOLVABILITÉ II
Mohamed Khordj, Adlane Haffar, Frédéric Teulon
Association de Recherches et Publications en Management | « Gestion 2000 »

© Association de Recherches et Publications en Management | Téléchargé le 26/04/2022 sur www.cairn.info (IP: 154.148.239.158)
2017/3 Volume 34 | pages 137 à 168
ISSN 0773-0543
DOI 10.3917/g2000.343.0137
Article disponible en ligne à l'adresse :
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-gestion-2000-2017-3-page-137.htm
--------------------------------------------------------------------------------------------------------------------
Distribution électronique Cairn.info pour Association de Recherches et Publications en Management.

© Association de Recherches et Publications en Management. Tous droits réservés pour tous pays.
La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.
Powered by TCPDF (www.tcpdf.org)

gestion2000.vol.34.3.book Page 137 Thursday, January 11, 2018 1:39 PM
Mohamed Khordj
École Nationale Supérieure de
Statistique et d’Économie Appliquée
(ENSSEA), Tipaza, Algérie.
Adlane Haffar
École Nationale Supérieure de
Statistique et d’Économie Appliquée
(ENSSEA), Tipaza, Algérie.
Frédéric Teulon
IPAG Lab, IPAG Business School, Paris,
France
Provisionnement et mesure de
risque en assurance dommage
dans le cadre de Solvabilité II
1. Introduction réglementation impose aux assureurs

d’avoir des provisions techniques cor-
respondant au montant actuel qu’ils
L’évolution de la sphère économique auraient à payer s’ils transféraient im-
(concurrence accrue, crises finan- médiatement leurs engagements d’as-
cières, nouveaux risques,...) dans la- surance et de réassurance à un tiers.
quelle exercent les compagnies d’assu- En assurance dommage (non-vie), la
rance a rendu nécessaire l’évolution provision pour sinistre à payer (PSAP)
des normes réglementaires qui exis- reste la plus importante de toutes les
taient (Solvabilité I). Dans cet objectif, réserves techniques. Elle peut être défi-
la commission européenne a procédé nie comme « une estimation des dé-
à la révision et au durcissement des- penses en principal et en frais, tant in-
dites normes avec le nouveau référen- ternes (indemnisation des sinistres de
tiel « Solvabilité II », entré en vigueur ses clients) qu’externes (règlements ef-
au 1er janvier 2016. fectués au titre de la garantie « respon-
sabilité civile ») nécessaires au règle-
La réglementation « Solvabilité I » exi- ment de tous les sinistres survenus et
geait des assureurs qu’ils évaluent au non payés». Il s’agit d’une estimation
mieux leurs engagements en veillant à car le montant de la charge ultime est
constituer des provisions techniques. sujet à une certaine volatilité due à
Un des enjeux majeur de cette réforme des événements aléatoires comme la
porte sur le mode de calcul de ces pro- sentence d’un procès.
visions techniques. En effet, la nouvelle
137
Gestion 2000 3 mars-avril 2017
Une sous-estimation de ces provisions naient à obtenir une simple estimation

peut avoir de très lourdes consé- en utilisant des méthodes détermi-
quences pour un assureur, allant d’une nistes. Cette réglementation Solvency II
simple perte à l’insolvabilité. A l’in- les oblige à revoir leur méthode d’esti-
verse un niveau de provision trop éle- mation en utilisant des modèles sto-
vé génère une baisse de résultat pour chastiques et quantifier les erreurs
l’assureur, mais également de la d’estimation afin de définir la méthode
charge fiscale. Ces provisions, éva- qui convient le mieux à leur données,
luées à leur juste valeur, devraient et déterminer le montant de provision
donc traduire le niveau de risque de adéquat (Araichi, 2015).
l’assureur indépendamment de toute
pratique de « gestion de résultat ». L’objectif de cet article est donc de ju-
ger de l’efficacité des modèles sto-
Dans le cadre de « Solvabilité II », chastiques de provisionnement en as-
cette catégorie de provisions (PSAP) surance dommage, et de montrer dans
doit être ajustée selon une approche, quelle mesure le recours à ces mé-
dite « Best Estimate ». Elle se définit thodes par les compagnies d’assu-
comme étant la meilleure estimation rance pourrait apporter plus de préci-
des coûts des sinistres (la valeur ac- sions sur l’estimation de leurs provi-
tuelle probable des flux de trésorerie sions. Avant d’aborder les différentes
futurs). Fondé sur une modélisation ac- méthodes stochastiques et leur appli-
tuarielle, le calcul de la « Best Esti- cation, nous présentons tout d’abord
mate » repose sur des hypothèses réa- la formulation du problème de provi-
listes, et des informations jugées cré- sionnement et le triangle de liquidation
dibles. Il doit également intégrer une qui fournit les données de la sinistralité
marge de risque. Cette marge servira passée.
à compenser une éventuelle sous-éva-
luation de la sinistralité et du montant
des provisions. Ainsi, le niveau des 2. Formulation du
provisions est fixé en référence à une
mesure de risque comme la Value-at- problème du
Risk (). Par exemple, on détermine la provisionnement et
provision qui permet de payer l’inté-
gralité des sinistres dans 99% des cas
triangle de liquidation
(VaR à 99%).
Dans le domaine de l’assurance dom-
Historiquement, les assureurs accor- mage, le temps entre les dates de sur-
daient peu d’importance à l’évaluation venance et du règlement d’un sinistre
de ces provisions (PSAP) et se bor- est généralement long et oblige les
138
Provisionnement et mesure de risque en assurance dommage dans le cadre de Solvabilité II
compagnies d’assurance à détenir des des périodes : année, semestre, tri-

fonds suffisants (représentant les paie- mestre, mois. Ils fournissent ainsi un
ments futurs) afin de faire face à leurs aperçu sur la sinistralité passée pour
engagements. Le provisionnement est estimer la sinistralité future par exer-
donc un problème d’évaluation et de cice de survenance.
prédiction des montants à la charge
de la compagnie d’assurance. Cette Le tableau n°1 fournit un exemple de
situation est liée à la nature même de triangle de liquidation pour un porte-
l’assurance à savoir l’inversion du cy- feuille d’assurances automobiles à la
cle de production. En effet, les assu- fin de l’année 2014, où :
reurs vendent des contrats d’assurance
 les colonnes représentent les an-
pour une prime donnée (prix de
nées de survenances des sinistres ;
vente), avant de constater a posteriori
les montants de sinistres et frais affé-  les lignes (années de développe-
rents (prix de revient). ment) permettent de prendre en
compte le fait que les risques ont
une cadence de règlement plus ou
Sous la pression de l’avènement de la
moins lente ;
réglementation Solvency II partout
 les diagonales indiquent l’en-
dans le monde, les assureurs dé-
semble des paiements effectuées
laissent de plus les méthodes détermi-
(pour les sinistres des différentes
nistes au profit des méthodes stochas-
années de survenance) durant un
tiques pour calculer les provisions pour
exercice donné.
sinistre à payer (PSAP). Ces méthodes
reposent sur des données de la sinis-
tralité passée représentée sous la Les quantités analysées sont des paie-
forme « d’un triangle de liquidation ». ments (règlements) de sinistres surve-
Le triangle de liquidation est donc un nus. Les sinistres sont rapportés à des
élément crucial car il sert à prévoir les périodes généralement annuelles. L’an-
paiements futurs et par conséquent les née récurrente n se déroule du 01/
réserves techniques à constituer. 01/n au 31/12/n (le 31/12 étant la
date d’inventaire ou date de fin
d’exercice).
Les triangles de liquidation, encore ap-
pelés triangles de « Run Off » reflètent
la dynamique des sinistres. Ils per- En considérant une branche d’activité
mettent de suivre la vie d’un sinistre en dont les sinistres se déroulent sur an-
analysant par exemple, année par an- nées, et notons par :
née, le niveau des règlements, qui ont
été effectués ou encore le niveau de la i : Année d’origine (de survenance)
charge. Les sinistres sont rapportés à où i ∈ [ 0, …n ] ;
139
Tableau 1 : Triangle des paiements non cumulés (Portefeuille Automobile).

Unité : euro
Développement
Année
0 1 2 3 4 5 6 7 8
2006 12 513 426 9 178 258 3 446 090 2 251 369 1 219 693 783 324 595 209 556 176 233 423
2007 16 977 740 12 812 177 4 452 166 2 513 517 1 385 378 1 018 121 1 027 378 308 595
2008 19 203 865 15 504 423 4 450 043 2 687 368 1 864 237 1 477 865 554 238
Survenance
2009 18 122 542 13 782 897 5 051 700 2 952 577 2 495 522 927 635
2010 14 472 583 12 481 123 4 642 263 2 886 856 1 115 217
2011 20 109 955 16 141 903 7 061 214 2 937 510
2012 21 620 772 23 465 060 7 138 114
2013 29 210 585 22 174 274
2014 29 235 001
j : Délai de développement où Ayant estimé ces paiements futurs, le

j ∈ [ 0, …n – i ] (la j ème année après montant de provisions pour l’année de
la survenance des sinistres) ; survenance i est alors donné par :
ˆ
Rˆi = C i, n – C i, n – i + 1
c i, j : Correspond aux paiements des
i≥2
sinistres non cumulés survenus durant
l’année i , et réglés au délai de déve-
ˆ
loppement j Où : C i, n : Charge finale estimée de
l’année i ;
c i, j : Correspond aux paiements cu-
C i, n – i + 1 : Cumul des derniers
mulés des sinistres survenus durant règlements effectués
l’année i , et au délai de développe-
ment j ;
Soit un montant total de provision né-
Le calcul des réserves consiste à pré- cessaire à la date d’inventaire :
voir le montant final des sinistres
(charge ultime), afin de provisionner ˆ n ˆ
les paiements non encore effectués. R =  Ri
Pratiquement, il s’agit donc de prédire i=1
la partie inférieure du triangle (partie
en jaune du tableau n°2), contenant L’objectif des méthodes de triangula-
ˆ tion est alors de prévoir les sommes de
des paiements futurs estimés C i, j .
la partie inférieure du triangle, en
quantifiant l’incertitude associée à
cette prévision.
140
Tableau n°2- Rectangle complété des paiements cumulés

3. Modèles stochastiques s’applique sur le triangle des montants
cumulés (Mack, 1993b). Il permet de
d’estimation des déterminer une estimation de la volati-
provisions techniques lité de l’estimateur des provisions tech-
niques (les erreurs de prédiction). Il
s’agit d’un modèle semi-paramétrique
Dans cette section, nous nous intéres- dans la mesure où aucune hypothèse
sons aux trois types de modèles sto- de distribution n’est émise sur les com-
chastiques d’estimation des provisions posantes du triangle.
techniques : semi-paramétrique, para-
métrique et non-paramétrique. Ce modèle repose sur trois hypo-
thèses :
3.1. Le modèle semi-  H1 : L’indépendance entre les an-

paramétrique de « Mack » nées d’origine (survenance) des si-
nistres : ( C i, 1, C i, 2, …C i, n ) et
( C h, 1, C h, 2, …C h, n ) sont indépen-
Le modèle stochastique de Mack
dants pour tout i ≠ h .
(1993a) est un modèle semi-paramé-
trique1 qui se réfère à la méthode de Cette hypothèse signifie que les
Chain Ladder. Il est conditionnel (par montants cumulés de règlements,
rapport à l’information disponible) et pour chaque année de survenance,
sont indépendants (en pratique,
1 cette hypothèse est considérée tou-
Il ne suppose pas de distribution proba-
biliste pour les montants des provisions. jours valide) ;
141
 H2 : L’espérance conditionnelle est sance des montants cumulés d’une an-

sans biais : née à la suivante, permettant ainsi de
E ( C ij + 1 ⁄ C i, 1, …, C ij ) = λ j C ij . calculer les montants totaux payés
Graphiquement, cette hypothèse dans le futur.
s’interprète, pour j fixé, en l’aligne-
ment des couples C ij, C ij + 1 Ce modèle consiste à supposer que les
 H3 : La variance conditionnelle de paiements cumulés ( C i, j ) j =
C ij est donnée par : 0, …, n – 1 sont liés entre eux selon
2
V ( C ij + 1 ⁄ C i, 1, …, C in ) = σ j C ij . une forme de type :
Cela signifie que, pour j fixé, le
ˆ
graphique des résidus ne doit faire
C ij + 1 = λ j * C i, j
apparaitre aucune structure non
aléatoire.
Pour tout : i = 0, …, n – j – 1
C ij + 1 – λ̂ jC
ε ij = -------------------------------ij-
σ j C ij Où λ j : facteur de développement,
estimé à l’aide des observations, de la
avec i = 0, …, i + j
façon suivante :
Où : λ̂ j est un estimateur du fac-
teur de développement. n–j–1
 C ij + 1
La mise en œuvre de cette méthode né- i=0
λ̂ j = -------------------------------- 0 ≤ j ≤ n – 1
cessite : le calcul des facteurs de déve- n–j–1
loppement, l’estimation du montant de  C ij
la provision, la mesure de l’incertitude i=0
inhérente au calcul des provisions, ( n : le nombre des exercices du
l’estimation de la variance du proces- triangle).
sus, et enfin la construction d’un inter-
valle de confiance.
Estimation du montant de la provision
Calcul des facteurs de La provision constituée pour l’année

développement de survenance, pour les paiements res-
tant à effectuer à la date n , est :
Le modèle de Mack reprend les même
facteurs de développement (appelés ˆ ˜
aussi coefficients de passage) que R i = C i, n – C i, n – 1
ceux estimés par la méthode détermi-
˜
niste de « Chain Ladder ». Ces fac- Où : C i, n : charge ultime (inconnue à
teurs représentent le taux de crois- la date n ).
142
En conditionnant cette variable par n

ˆ ˆ
rapport à l’information disponible (rè-
glements effectués), on obtient une esti-
E(R) = R =  Ri
i=1
mation du montant de la provision
pour l’année de survenance i :
Mesure de l’incertitude inhérente au
ˆ
R i = E ( R i F ) = E ( C i, n F ) – C i, n – 1 calcul des provisions
ˆ ˆ Pour quantifier l’incertitude qui réside
R i = C i, n – C i, n
dans l’estimation de la provision ,
nous devons étudier celle de la va-
Le montant global de la réserve s’ob- riable aléatoire C i, n , c’est-à-dire la
tient en additionnant les provisions es-
ˆ
timées par année de survenance : qualité du prédicteur C i, n . Nous
avons recours à l’erreur quadratique
moyenne (Mean Squared Error of pre-
diction « MSEP »). Celle-ci se définit
comme suit :
ˆ ˆ 2
mse ( C i, n ) = E ( C i, n – C i, n ) ⁄ F
ˆ 2
= E [ ( C i, n – E ( C i, n ) ) – ( C i, n – E ( C i, n ) ) ]
2 ˆ 2 ˆ
= E ( C i, n – E ( C i, n ) ) + E ( C i, n – E ( C i, n ) ) – 2 [ ( C i, n – E ( C i, n ) ) ( C i, n – E ( C i, n ) ) ]
En tenant compte de l’indépendance leurs futures, on obtient :

entre les valeurs observées et les va-
2 ˆ 2
= E ( C i, n – E ( C i, n ) ) + E ( C i, n – E ( C i, n ) )
ˆ ˆ 2
mse ( C i, n ) = V ( C i, n ) E ( C i, n – E ( C i, n ) )
erreur de prédiction variance du processus variance d’estimation
Il en résulte que l’incertitude présente  Le premier terme de la somme est

dans la prévision de la charge finale la variance du processus, c’est-à-
se compose de deux termes (England dire l’erreur due au processus sto-
et Verrall, 2006) : chastique (qui ne peut être suppri-
mée) ;
143
 Le second terme de la somme est 4

2  σ̂ n – 2 2 2 
l’erreur d’estimation. Cette erreur σj = min  --------------, min ( σ̂ n – 3, σ̂ n – 2 )
2
est censée décroitre avec l’augmen-  σ̂ n – 3 
tation de l’information disponible.
Quant aux estimateurs des C i, j incon-
nus, on prend les mêmes estimés par
Estimation de la variance du processus
la méthode « Chain Ladder » :
La détermination de la variance de ˆ
C ij est indispensable pour le calcul de C i, j = C i, n + 1 – i × λ̂ j – 1 × λ̂ j – 2 ×
l’erreur quadratique moyenne ( mse ) . … × λ̂ n + 1 – i
Elle s’écrit comme suit :
2 Où : C i, n + 1 – i est le dernier montant

V ( C ij + 1 ⁄ C i1, …, C ij ) = σ j C ij
cumulé connu pour l’année de surve-
nance i .
2
Où σ j est exprimé par :
Il convient maintenant de calculer la
n–j C i, j + 1 2
1 variance des provisions pour chaque
C ij  ----------------- – λ̂ j
2
σ j = --------------------
n–j–1   C i, j  année :
j=1
ˆ ˆ
V ( R i ) = V ( C in – C i, n + 1 – i ) = V ( C in )
1≤j≤n–1
2
est un estimateur sans biais de σ j Enfin, l’incertitude inhérente au mon-
pour 1 ≤ j ≤ n – 1 (cet estimateur tant de la provision pour l’année de
représente la variabilité du triangle survenance i est mesurée par l’erreur
des paiements par année de déve- quadratique moyenne « mse » et est
loppement j ). donnée par :
2
Pour l’estimation de σ n – 1 (avec une
unique observation), il est nécessaire ˆ ˆ ˆ2 n–1
σ̂ j 1
2
1
d’extrapoler la série σ̂ 0, …, σ̂ n – 2 en
ms e ( Ri ) = C i, n  -----2- --------
ˆ + n–j
- ---------------------
λ̂ j C ,
 Ck, j
j = n+1–i i j
imposant que la condition :
k=1
2 2
σ̂ n – 3 σ̂ n – 2 ˆ ˆ
-------------- = -------------
- Avec : C i, n – i + 1 = C i, n – i + 1 et C i, k
2 2
σ̂ n – 2 σ̂ n – 1 les valeurs estimées du triangle infé-
rieur.
2
soit réalisée pour autant que σ̂ n – 3 >
2
σ̂ n – 2 . Cela mène à prendre ces der-
niers estimateurs, qui sont également
sans biais.
144
L’estimation de l’erreur quadratique

moyenne de la provision totale R est
donnée par :
 2 
 2σˆ k 
---------- 
n  ˆ  n ˆ  n – 1
2
ˆ ˆ  ˆ 2 λ̂ k 
ms e ( R ) =   ( se ( R i ) ) + C i, n 

 C jn
 --------------------- 
n–j

j = i + 1 k = n+1–i

i = 2
C j, k 
 
 j=1 
Construction d’un intervalle de peut être négatif) conduisent à re-
confiance mettre en cause son utilisation.
Le modèle de Mack ne permet de A ce titre, il est préférable de supposer

connaître que l’espérance et la va- une distribution de type log-normale
riance de la provision. Dans le but (une distribution asymétrique avec un
d’obtenir des quantiles et construire coefficient d’asymétrie strictement po-
des intervalles de confiance autour les sitif et une queue de distribution plus
provisions estimées, il s’avère néces- épaisse2). Nous émettrons donc l’hy-
saire de faire une hypothèse paramé- pothèse que la distribution des provi-
trique sur la distribution des réserves sions peut être modélisée par une loi
ˆ log-normale de paramètres ν i et σ i
2
Ri .
tels que :
Pour ce faire, la loi la plus utilisée est 2
R i → Log – N ( ν i, σ i )
la loi Normale, de moyenne la valeur
ˆ
estimée et d’écart type se ( R i ) . Les moments d’ordre 1 et 2 sont don-
nés par :
L’intervalle de confiance à 95% est
alors donné par :  Espérance :
ˆ ˆ ˆ 2
[ R i – 1,96 se ( R i ); R i + 1,96 se ( R i ) ] . ˆ  σi 
E ( R i ) = R i = exp  ν i + ------
 2
Toutefois, la symétrie de sa distribution

ainsi que la possibilité d’avoir un inter-
valle de confiance caractérisé par une
borne inférieure négative (malgré le
2 Probabilité d’avoir des valeurs extrêmes.
fait que le montant de provisions ne
145
 Variance :  La variable année calendaire : elle

2 sera représentée par un unique pa-
V ( R i ) = ( se ( R i ) )
ramètre μ (facteur global du mo-
2 2 dèle).
= exp ( 2ν i + σ i ) ( exp ( σ i ) – 1 )
Nous présentons les deux approches

A partir de ces deux formules nous dé-
2 principales : le modèle Log-Normal
duisons la valeur des μ i et σ i :
« Christophides », et le modèle de
2
ˆ σi « Poisson sur-dispersé ».
ν i = ln ( R i ) – ------ ;
2
ˆ 2
2   se ( R i )  3.2.1. Le modèle Log-Normal
σ i = ln  1 +  --------------- 
 Rˆ  
« Christophides » :

Il s’agit d’un modèle linéaire permet-

Les bornes d’un intervalle de
tant de prendre en compte les ten-
confiance à 95% sont alors données
dances présentes sur les années de sur-
par :
venance et de développement. Nous
IC0,95 = [ exp ( ν i – 2σ i ) ] ; exp ( ν i + 2σ i )
aborderons successivement les hypo-
ˆ  –σi
2
 ˆ  –σi
2
 thèses, l’estimation des paramètres du
= R i exp  --------- – 2σ i ; R i exp  --------- + 2σ i
 2   2  modèle, l’évaluation du montant de la
provision, l’estimation de l’erreur de
prédiction, et la construction d’inter-
3.2. Les modèles paramétriques valles de confiance.
Dans le cadre de ces modèles, nous Hypothèses

cherchons à expliquer les paiements
observés ( c i, j ) d’un triangle en fonc- Ce modèle log-normal est fondé sur
tion de trois types de variables expli- des hypothèses très fortes, listées ci-
catives (cela revient à quantifier la re- dessous :
lation entre une variable réponse « en-  Les variables aléatoires c ij sont in-
dogène » et des variables explicatives dépendantes ;
« exogènes ») :
 Chaque c ij suit une loi log-normale
 La variable année de survenance :
( f ( c ;ν ,σ ) ) d’espérance ν i, j et de
( α i ), i = 0, …, n avec α 0 = 0 ;
variance .
 La variable année de développe-
ment : ( β j ), j = 0, … , n avec La fonction de distribution du paiement
β0 = 0 ; s’écrit :
146
c i, j ~ Log – N ( ν ij, σ )
2 δm i, j
------------ = 1 si l = j, 0 sinon ;
 1 ( ln c ij – v ij ) 
2 δβ l
1
f ( c i, j ; ν ij, σ ) = ---------------------- exp  – --- ------------------------------
c ij σ 2π  2 σ
2

 ψ = ( ω, α 1, …, α n, β 1, …, β n ) est
le vecteur des paramètres de la ré-
Soit la variable S ij = Ln ( c ij ) « appe-
gression ;
lée log-paiement ou log-incrément ».
Cette variable suit donc par définition
2  ε est le vecteur des erreurs, distri-
une loi normale : S ij ~ N ( m ij, σ ) 2
bué selon la loi N ( 0, σ I ) .
2
Avec : E ( S ij ) = m ij et V ( S ij ) = σ
Estimation des paramètres du modèle
Où : m ij = ω + α i + β j
L’estimation du vecteur ψ se fait en
On en déduit :
2
cherchant à minimiser la somme des
σ
m ij + ------ carrés des erreurs, soit :
2
E ( c ij ) = ν ij = e ;
n
2 t
V ( c ij ) = e
2m ij + σ
2 2
 e σ – 1
Min  εl = Minε ε
  l=1
t
= Min ( S – Mψ ) ( S – Mψ )
La régression log-normale est donc un t t t t t
= M inS S – 2ψ M S + ψ M Mψ
modèle linéaire normal, appliquée
aux logarithmes des incréments du = MinQ
triangle : S = Mψ + ε .
Pour minimiser cette fonction par rap-
Où : port à ψ , nous différencions Q par
 S : est le vecteur des log-incré- rapport à ψ :
ments du triangle (ligne par ligne) ;
∂Q t t ˆ
-------- = – 2M S + 2M Mψ = 0
 M est la matrice de régression, ∂ψ
elle correspond à la matrice Jaco- ⇓
bienne de la transformation –1
t t
ψ → m ( ψ ) = m i, j = ω + α i + β j ψ̂ = ( M M ) MS
définie par :
δm i, j Ces estimateurs sont des estimateurs
------------ = 1 ;
δω sans biais et de variance égale à :
δm i, j
-----------
- = 1 si k = i, 0 sinon t 2 t –1
δα k V ( ψ )E [ ( ψ̂ – ψ ) ( ψ̂ – ψ ) ] = σ ( M M )
147
L’estimateur sans biais de la variance ˆ

2 msep ( R i ) ≈  msep ( ν̂ ij ) + 2
est obtenue par σ̂ . Il est calculé de la j
façon suivante : ˆ ˆ
 ν̂ ij1 ν̂ ij2 ( exp ( Cov [ m ij1, m ij2 ] ) – 1 )
j1, j2
2 1 ˆ ) t ( S – Mψ
ˆ)
σ̂ = ------------ ( S – Mψ j2 > j1
n–p
1 n 2

2 2
= ------------ ei Où : msep ( μ̂ ij ) = ν ij ( exp ( σ ij ) – 1 )
n–p
i=1
2 2
avec : σ ij = V ( ψ̂ ij ) + σ̂
ˆ
Où : e i = S ij – S ij est le résidu théo-
Et celle de la provision estimée totale :
rique représentant l’estimation de l’er-
reur ε i . ˆ
msep ( R ) =  msep ( ν̂ij ) + 2
j
ˆ ˆ
Evaluation du montant de la provision  ν̂ i1j1 ν̂ i2j2 ( exp ( Cov [ m i1j1, m i1j2 ] ) – 1 )
i1, i2
i2 > j2
i1j1 ≠ i2j2
L’estimation des incréments est donnée
par : La matrice variance-covariance peut
σ̂
2 être calculée par deux méthodes : la
ω̂ + α̂ i + β̂ j + ------
ν̂ i, j = e
2
. méthode dite « Delta » ou la technique
de ré-échantillonnage. Ces deux mé-
thodes seront exposées dans la suite
Ces estimations conduisent à la de cet article.
construction du triangle des valeurs pré-
vues des c ij , et au calcul des montants
Construction d’intervalles de
ˆ confiance
des provisions : E ( R i ), i = 1, …, n
(provisions par année d’origine) et Etant donné que les paiements c i, j
ˆ ˆ ˆ sont distribués selon une loi log-nor-
E ( R ) (provision totale R = u i, j .  male, les montants à provisionner
i+j>n suivent, eux aussi, une loi log-nor-
male. A ce titre, un intervalle de
confiance peut être construit à
Estimation de l’erreur de prédiction
95% comme suit :
L’expression de l’erreur quadratique
moyenne pour la provision estimée de
l’exercice de survenance s’écrit (En-
gland et Verall, 2002) :
148
IC0,95 = Il permet de renoncer à l’hypothèse

2 2
d’égalité entre l’espérance et la va-
ˆ  –σi  ˆ  –σi  riance induite par le modèle de Pois-
R i exp  --------- – 2σ i ; R i exp  --------- + 2σ i
 2   2  son simple à travers le paramètre de
dispersion φ , qui est constant et im-
plique une relation de proportionnalité
3.2.2. Le modèle de « Poisson sur-
entre l’espérance et la variance des
dispersé »
montants de règlements quels que
soient les délais de règlements et les
Après une brève présentation, nous années de survenance.
traiterons de l’estimation des para-
mètres du modèle, l’estimation du pa- L’espérance et la variance sont les sui-
ramètre de dispersion, l’estimation des vantes : E ( c ij ) = μ̂ ij ; V ( c ij ) = φμ̂ ij .
provisions, l’estimation de l’erreur de
prédiction, et la construction d’inter-
valles de confiance asymptotique. Estimation des paramètres du modèle
Le modèle de Poisson sur-dispersé se
Ce modèle suppose que la variable base sur les paiements décumulés c i, j .
c i, j suive la loi de Poisson sur-disper-
sée de paramètres ( μ ij, φ ) . Sa fonc- L’application de la méthode du maxi-
tion de densité de probabilité s’écrit mum de vraisemblance aux données du
comme suit3 : triangle supérieur nous permet d’estimer
les paramètres du modèle (le vecteur
  c----ij-  ˆ
  μ ij  μ   Θ = ω̂, ( α̂ i ) i = 1, …, n, ( β̂ j ) j = 1, …, n )
------
μ ij   φ  
f ( c ij ;Θ ;φ ) = exp  – ------  --------------------- ainsi que celui de dispersion φ .
 φ   c  
  -----ij! 
 φ 
  Sous la condition d’indépendance des
μ ij c ij μ ij c paiements, la fonction de vraisem-
= exp  – ------ + ----- ln  ------ – ln  -----ij! 
φ φ φ φ blance s’écrit :
Où μ ij : espérance du paiement c ij ;
φ : coefficient de dispersion.
c i, j μ i, j
3 c ~ P ( μ i, j, Ø )ssi ------- ~ P  --------
sd
φ  Ø
149
l N ( c 1, …, c N ⁄ Θ ) = ∏ f ( c ;φ ;Θ )
μ i, j c i, j μ i, j c
= exp  – - +  -------- ln  -------- –  ln  -------
 ------- i, j! 
 φ φ  φ   φ- 
En y introduisant le logarithme, on obtient :

L ( c 1, …, c N ⁄ Θ ) = log l N ( c 1, …, c N ⁄ Θ )
μ i, j c i, j μ i, j c
= – -------- + - ln  -------- –
-------   ln  -----φij!
φ φ  φ 
1
= ---
φ  ( exp ( ω + αi + βj ) + cij ( ω + αi + βj ) ) + u ( ci, j ;φ )
Où : u ( c i, j ;φ ) regroupe tous les ( Θ ) , nous dérivons L ( c 1, …, c N ⁄ Θ )
termes qui n’affectent pas la maximisa- par rapport à chacune de ses compo-
tion de la vraisemblance par rapport santes (condition de premier ordre). La
au vecteur Θ . solution de ces conditions sera l’esti-
mateur de maximum de vraisem-
Pour estimer le vecteur des paramètres blance :
∂L ( c 1, …, c N ⁄ Θ )
-------------------------------------------
∂ω
- =  c i, j –  exp ( ω + α i + β j ) = 0
i+j≤n i+j≤n
∂L ( c 1, …, c N ⁄ Θ )
-------------------------------------------
∂α i
- =  c i, j –  exp ( ω + α i + β j ) = 0
j≤n–i j≤n–i
∂L ( c 1, …, c N ⁄ Θ )
-------------------------------------------
∂β i
- =  c i, j –  exp ( ω + α i + β j ) = 0
i≤n–j j≤n–j
ˆ
Ce système d’équations est assez com- Une fois ayant obtenu l’estimateur Θ
plexe pour être solutionné analytique- de Θ , nous procédons à remplir les
ment (recours à la méthode de
cases manquantes, c’est-à-dire les
Newton-Raphson4).
cases ( i, j ) où : n + 1 ≤ i + j ≤ 2n par
ˆ
4 Il s’agit d’une application récurrente de leurs valeurs espérées estimées E ( c ij )
ˆ
n ij ˆ
la règle suivante : θ k – 1 = θ k – H –1 ( θ k )g ( θ k ) = μ̂ ij = e avec : n ij = ω̂ + α̂ i + β̂ j .
2 –1
∂ L
où H –1 ( θ k ) =  --------------- : inverse de la
∂θ∂θ′
∂L Cette estimation représente la valeur
matrice Hessienne ; g ( θ k ) = ------ et
∂θ du règlement ( i, j ) prévue par le mo-
L ( c 1, …, c N ⁄ Θ ) = log l N ( c 1, …, c N ⁄ Θ ) .
dèle. Sa variance est :
150
V ( c ij ) = φV ( μ ij ) = φ̂μ̂ ij Puis la provision totale R :

n
E(R) =  E ( Ri ) =   μ̂i, j
Estimation du paramètre de i=1 i j
dispersion
Le paramètre de dispersion φ inter- Estimation de l’erreur de prédiction

vient dans le calcul de la variance. Il L’incertitude relative à l’estimation des
est estimé sur la base des résidus de provisions est quantifiée par l’erreur
Pearson. ˆ
quadratique moyenne ( msep ( R i ) ;
1 p 2
φ̂ = --------------
N–p  ( r i, j ) msep ( R i ) ) dont l’évaluation nécessite
i+j≤n
la connaissance des variances et cova-
c i, j – μ̂ i, j riances μ̂ i, j .
p
Avec : r i, j = ---------------------- Résidu de
v ( μ̂ i, j )
Considérant le paiement à effectuer, le
Pearson est donné par (England et Verrall,
Où c i, j : Paiement décumulé ; 2002) :
ˆ ˆ 2 ˆ
μ̂ i, j : Paiement estimé ; msep ( c i, j ) = E [ ( c i, j – c i, j ) ] ≈ V ( c i, j ) + V ( c i, j )
(n + 1 )( n + 2) En faisant appel à la Méthode Delta

N = ------------------------------------ : nombre de
2
(voir l’annexe), on a :
paiements décumulés c i, j ;
2
ˆ ∂μ  ∂ exp ( η̂ ij )
p = 2n + 1 : nombre des paramètres V ( c i, j ) ≈ ---------ij V ( η̂ ij ) =  ------------------------- V ( η̂ ij )
∂η ij  ∂η̂ ij 
du modèle.
On en déduit :
Estimation des provisions
ˆ 2
msep ( c i, j ) ≈ φμ ij + μ̂ i, j V ( η̂ ij )
Comme la provision est la somme des
paiements futurs, son montant est cal- L’erreur quadratique de prédiction
culé en additionnant les valeurs esti- pour la provision de l’année d’ori-
mées des incréments : gine est donnée par :
n
E ( Ri ) =  μ̂ i, j
j = n–1+1
pour i = 1, …, n
151
ˆ ˆ 2
msep ( R i ) =  msep ( cij ) ≈  φμ̂ij +  μ̂ij V ( η̂ij ) + 2  μ̂ ij1 μ̂ ij2 Cov ( η̂ ij1, η̂ ij2 )
j j j j1j2
j2 > j1
Et celle de la provision totale estimée :

2
msep ( R ) ≈  φμ̂ij +  μ̂ij V ( η̂ij ) + 2  μ̂ i1j1 μ̂ i2j2 Cov ( η̂ i1j1, η̂ i2j2 )
ij ij i1j1
i2j2
i1j1 ≠ i2j2
Construction d’intervalle de confiance premiers moments.
asymptotique
Si l’espérance est facile à déterminer,
Afin de pouvoir construite un intervalle la variance pose un problème pour
de confiance pour la provision esti- son calcul.
mée, nous établissons, par le biais de
la méthode Delta, la normalité asymp- L’expression de la variance de la pro-
totique de cette provision. Pour ce vision estimée pour l’exercice i
faire, nous devons calculer ses deux s’écrit :
ˆ n n n
V [ E ( Ri ) ] =  V ( μ̂ ij ) +   cov ( μ̂ ij1, μ̂ ij2 )
j = n–i+1 j1 = n – i + 1 j2 = n – i + 1
avec j1 ≠ j2
Et celle de la provision estimée totale :
ˆ n n n n n
V[ E(R )] =  V ( μ̂ ij ) +     cov ( μ̂ ij1, μ̂ ij2 )
i=1 i1 = 1 i2 = 2 j1 = n1 – i1 + 1 j2 = n2 – i2 + 1
avec i1 ≠ i2
Les V ( μ̂ ij ) et cov ( μ̂ ij1, μ̂ ij2 ) sont diffi- –1

d’information F ( Θ ) (donnée par :
ciles à calculer. En appliquant la mé- 2 –1
–1  ∂ L ( c 1, …, c N ⁄ Θ )
thode Delta, nous pouvons toutefois F ( Θ ) = – E  ----------------------------------------------- )
 ∂Θ∂Θ′ 
obtenir des expressions asympto-
tiques. En effet, l’inverse de la matrice permet de calculer la matrice de va-
152
riance-covariance asymptotique du ∂η i, j 1 si t = j
vecteur des estimateurs par la méthode ------------ =  .
∂β t 0 si t ≠ j
du maximum de vraisemblance, notée
ˆ
Σ asy ( Θ ) .
Soit U une fonction strictement mono-
ˆ tone et dérivable assurant le lien entre
Le vecteur Θ est asymptotiquement
η i, j et μ i, j ( μ i, j = U ( η i, j ) ). Par le
normal sous des conditions générales
sur le maximum de vraisemblance : biais de la méthode Delta, l’estimateur
ˆ ˆ μ̂ = ( μ̂ ij ) est un estimateur distribué

Θ ~ NA ( Θ, Σ asy ( Θ ) )
asymptotiquement selon une loi nor-
male :
Selon la propriété d’invariance fonc-
tionnelle du maximum de vraisem- μ ~ NA ( μ, Σ asy ( μ̂ ) )
blance, l’estimateur η̂ ij est également

t
un estimateur du maximum de vraisem- avec : Σ asy ( μ̂ ) = PΣ asy ( η̂ )P
blance de η ij . Par la méthode Delta,
Où P : Matrice Jacobienne relative à
cet estimateur η̂ = ( η̂ ij ) est aussi
la transformation ( η ij ) → ( μ ij ) :
asymptotiquement normal :
2 2
(n + 1) (n + 1)
R →R : ( η ij ) → [ U ( η ij ) ]
η̂ ~ NA ( η̂, Σ asy ( η̂ ) )
ˆ t Etant donné que la provision de l’an-

Avec : Σ asy ( η̂ ) = J η Σ asy ( ( Θ )J η )
née de survenance i est la somme des
paiements futurs de la même année
Où : J η : Matrice Jacobienne relative
n
à la transformation :
2
( E ( Ri ) =  μ̂ ij ) et en se basant
2n + 1 (n + 1) j = n–i+1
R →R : Θ → η(Θ) =
sur la méthode Delta, l’estimateur
( η ij ) = ω + α i + β j définie pour
ˆ
E ( R i ) est également asymptotique-
chaque ( i, j ) par :
ment normal :
∂η i, j
------------ = 1 ;
∂ω ˆ ˆ
E ( R i ) ~ NA ( E asy ( R i ), Σ asy [ E ( R i ) ] )
∂η i, j 1 si t = i
------------ =  ; ˆ
∂α t 0 si t ≠ i t
avec : Σ asy [ E ( R i ) ] = J μ Σ asy ( μ̂ )J μ
153
Où : J μ : Matrice Jacobienne relative De ce qui précède, il résulte que la

à la transformation ( μ ij ) → ( E ( R i ) ) : provision totaleest aussi asymptotique-
ment normale :
2
(n + 1) n
R → R : ( μ ) → ( E ( R i ) ) dont la ˆ ˆ
E ( R ) ~ NA ( E asy ( R ), Σ asy [ E ( R ) ] )
i ème ligne est donnée par :
ˆ ˆ 2
avec : Σ asy [ E ( R i ) ] = J T Σ asy ( E ( R i ) )J T .
∂E ( R i ) i′ ≠ i
---------------- = 0 si ;
∂μ i′j′ i′ = i et j ≤ n – i
Où : J T : Matrice Jacobienne relative à
1 si i′ = i et j > n – i . la transformation : ( E ( R i ) ) → ( E ( R ) ) .
ˆ ˆ t 2 ˆ
Σ asy [ E ( R i ) ] = J T Σ asy ( E ( R i ) )J T = σ asy [ E ( R ) ]
2 ˆ ˆ ˆ
= σ asy [ E ( R i ) ] + 2  Covasy [ E ( Ri ), E ( Rj ) ]
i i≠j
Enfin, un intervalle de confiance à moyenne :

( 1 – τ ) peut être construit autour de sa
ˆ ˆ ˆ ˆ 
IC =  E ( R ) – σ̂ asy [ E ( R ) ]q 1 – τ , E ( R ) + σ̂ asy [ E ( R ) ]q 1 – τ 
 
Où : q 1 – τ : quantile d’ordre 1 – τ de la loi normale standard.
3.3. Modèle par simulation : Elle est généralement associée à un

Le « Bootstrap » modèle linéaire général (GLM) où la
distribution des incréments peut être
Cette méthode a été initialement déve- Log-Normale, Gamma ou Poisson sur-
loppée par Efron (1979) dans le but dispersée. Cette dernière est plus inté-
d’estimer et simuler la variabilité d’un ressante que les autres puisque les pro-
estimateur dans un cadre non paramé- visions estimées par ce modèle sont
trique. Le principe de cette technique identiques à celles obtenues par la mé-
consiste à simuler un grand nombre thode de Chain-Ladder (England et
d’échantillons de taille N , en tirant Verrall, 2002). Nous supposerons
aléatoirement avec remise observa- donc dans la suite être dans le cadre
tions à partir d’un échantillon initial de d’un modèle Poissonnien. L’applica-
N variables aléatoires indépendantes tion du Bootstrap repose sur deux hy-
et identiquement distribuées (i.i.d). pothèses : l’indépendance des obser-
154
vations, et l’’unicité de la loi de distri- ˆ

( ajust ) N c i, j – μ̂ i, j
bution de chaque élément qui com- r ij = -------------- ----------------------
N – p V ( μ̂ )
pose l’échantillon initial. i, j
pour ( i + j ≤ n )
Après une présentation de l’applica-
tion du Bootstrap au provisionnement,
Etapes à répéter B fois :
nous traiterons de l’estimation des pa-
ramètres, et de la construction d’inter-  Ré-échantillonnage des résidus
valle de confiance asymptotique. ajustés par tirage avec remise, per-
mettant d’obtenir un nouveau
*
Application du Bootstrap au triangle supérieur de résidus ( r ij ) ;
provisionnement
 Utilisation du nouveau triangle de
Etant donné que les variables c i, j ne
*
sont en général pas identiquement dis- résidus ( r ij ) pour construire un
tribuées. Il est donc recommandé pseudo triangle initial de paie-
d’avoir recours aux résidus du modèle
*
(en particulier les résidus de Pearson). ments ( ( c ij ) tenant compte la rela-
La procédure du ré-échantillonnage * *
tion c ij = μ̂ ij + r ij * V ( μ̂ ij ) avec :
peut être illustrée suivant l’algorithme
ci-dessous (Pinheiro, Silva, et Centeno, V ( μ̂ ij ) = φμ̂ i, j et par la suite un
2003) :
pseudo triangle de données décu-
mulées ;
Etapes préliminaires :
 Estimation du nouveau vecteur des
 Estimation du vecteur des para-
paramètres du modèle
ˆ
mètres ( Θ ) du modèle de Poisson ˆ* * * *
Θ = [ ω̂ , ( α̂ i ) i = 1, …, n , ( β j ) j = 1, …, n ]
sur-dispersé ;
pour prévoir les nouvelles valeurs
 Détermination des valeurs prévues *
du triangle inférieur μ ij ;
par le modèle pour le triangle supé-
rieur μ̂ ij ; ˆ
 Calculer la réserve R i par année
 Calcul des résidus de Pearson :
de survenance ainsi que la réserve
p c i, j – μ̂ i, j ˆ ˆ
r i, j = ---------------------- pour ( i + j ≤ n ) ;
V ( μ̂ i, j )
globale R = Ri 
i
 Ajustement de ces résidus pour ré-
duire le biais de l’estima-  Garder les résultats et refaire l’opé-
tion comme suit : ration.
155
Estimation des paramètres B

se boot : erreur standard « bootstrap » ;
A partir des échantillons des provi-
B : nombre de simulations ;
ˆ
sions ( R b ) (nous pouvons alors estimer q 1 – τ : quantile d’ordre 1 – τ de la
la moyenne, la variance et l’erreur de loi normale centrée réduite.
prédiction du montant des provisions :
 Moyenne de la provision :
ˆ
4. Les mesures de
B 1 B ˆ
E ( R ) = R boot = ---
B
Rb  risques : VaR et TVaR
b=1
 Variance empirique de la provi-

Au-delà des recommandations sur les
sion :
modèles, le référentiel « Solvabilité II »
B ˆ B ˆ 2 privilégie la Value-at-Risk (VaR) et la
V boot ( R ) = ( se boot ( R ) )
Tail Value-at-Risk (TVaR) comme me-
1 B ˆ ˆ sures de risque. Nous nous focalise-
------------
= B–1 - 
( R b – R boot )
rons dans cette section sur la VaR car
b=1
la TVaR est en fait une moyenne de
 Erreur de prédiction : VaR.
ˆ B ˆ ˆ B ˆ
MS EP boot ( R ) = V ( R ) + V boot ( R )
4.1. La VaR
ˆ ˆ
avec : V ( R ) = φR boot
Etant donné un risque X et un niveau
de probabilité τ compris entre 0 et 1,
Construction d’intervalle de confiance
la VaR correspondante, notée
asymptotique
VaR [ X ;τ ] est le quantile d’ordre 1 – τ
L’application du théorème central li- de X . Il est le plus petit nombre x tel
mite permet de conclure que le mon- que la probabilité que X excède x ne
tant de la provision est distribué selon dépasse pas 1 – τ .
une loi normale centrée réduite. On
obtient ainsi l’intervalle de confiance Formellement, elle s’écrit :
–1
de niveau ( 1 – τ ) suivant : VaR [ X ;τ ] = F x ( 1 – τ ) : c’est le mon-
tant des réserves qui ne sera dépassé
B B
ˆ se boot ˆ se boot
IC1 – τ = R boot – q 1 – τ --------------- ; R boot + q 1 – τ --------------- que dans τ des cas.
B B
ˆ
Où R boot : moyenne de la provision
« bootstrap » ;
156
Le calcul de la VaR va donc être diffé- Cas du modèle Poissonnien

rent pour chaque modèle de provision-
Comme les paiements c i, j sont distri-
nement développé précédemment.
bués selon une loi de Poisson sur-dis-
persé, la provision totale suit aussi la
Cas du modèle de Mack même distribution.
Dans le cadre de ce modèle, il est né- μR

cessaire d’émettre une hypothèse sur Dans le cas où : ------ ≥ 50 , la fonction
φ
la distribution de R i pour pouvoir cal- de répartition de cette loi peut être ap-
culer la VaR . Si nous supposons que proximée par celle d’une loi Normale
la distribution choisie soit normale,
standard (Partrat, Pey, et Schilling,
l’estimation du quantile d’ordre de 2005) :
est donnée par la formule suivante :
 r – μ R
ˆ ˆ ˆ P ( R ≤ r ) = Φ  -------------- .
ˆ  φμ R
Va R [ R ;τ ] = R + s e ( R ) × q 1 – τ
ˆ ˆ ˆ
Où : R ; s e ( R ) : la moyenne et
Le quantile d’ordre 1 – τ de la provi-
l’écart type de la provision R est donné par :
sion globale ;
q 1 – τ : le quantile d’ordre 1 – τ de ˆ ˆ
Va R AD [ X ;τ ] = μ̂ R + q 1 – τ φμ R
la loi normale standard.
Il est fréquent que la loi du montant de
Cas du modèle Log-Normal la provision R ne puisse être obtenue
par additivité. Toutefois, deux ap-
Tenant compte de la log-normalité de proches peuvent être utilisées pour ré-
la distribution des paiements futurs, le soudre ce problème : la première est
quantile d’ordre 1 – τ est égal à : l’approche du ré-échantillonnage des
ˆ résidus du modèle sélectionné. La deu-
Va R [ R ;τ ] = exp ( ν̂ R + q 1 – τ σ̂ R )
xième consiste à approximer des distri-
ˆ σ
2 butions sur la base des premiers mo-
avec : ν̂ R = ln ( R ) – ------ ments estimés de R . Normal Power,
2
Esscher, Gamma translatée, etc. Parmi
Où q 1 – τ le quantile d’ordre 1 – τ de ces distributions, nous allons aborder
la loi normale standard. uniquement celle de Normal Power
qui conduit à l’approximation de la
fonction de répartition.
157
Comme la provision globale est la l’hypothèse d’indépendance des paie-

somme des incréments futurs : R = ments, les moments de R s’expriment
n n en fonction des μ i, j . Il en découle
  c i, j et sur la base de
(Partrat, 2006) :
i = 1j = n – i = 1
n n
μ =   μ i, j
i = 1j = n – i + 1
n n n n n n
2
σ =   V ( μ i, j ) = φ =   V ( μ i, j ) μ 3 =   μ 3 ( c i, j )
i = 1j = n – i + 1 i = 1j = n – i + 1 i = 1j = n – i + 1
n n
2
= φ   V ( μ i, j )V′ ( μ i, j )
i = 1j = n – i + 1
Le coefficient d’asymétrie de la provision :
μ3
  V ( μi, j )V′ ( μi, j )
i j
γ = ------ = φ ---------------------------------------------------
-
3
σ 3⁄2
  V ( μ i, j )
i j
L’approximation Normal Power5 de la fonction de répartition est donnée par (De-

nuit, et Charpentier, 2004) :
–3 9 6 r–μ γ 3
F NP ( R ) ≈ P ( R ≤ r ) = Φ ------ + ----- + 1 + ---  ----------- ; r ≥ μ – σ  --- + ------
γ 2 γ  σ   6 2γ
γ
La valeur approchée du quantile d’ordre 1 – τ de la provision s’obtient en inversant

la fonction de répartition F NP ( R ) :
ˆ γ̂ 2
Va R NP [ X ;τ ] = μ̂ – σ̂ --- q 1 + q 1 – τ – 1
6
Où q 1 – τ : quantile d’ordre 1 – τ de la loi normale standard ;
μ : espérance de la provision totale ;
σ : écart type ;
γ : coefficient d’asymétrie.
5 L’approximation est assez précise quand 0 ≤ γ ≤ 2 .
158
Cas du Bootstrap q 1 – τ : le quantile d’ordre 1 – τ de la

loi normale standard.
Tenant compte de la normalité asymp-
totique de la distribution du montant
de la provision (TCL), la VaR est égale
4.2. La mesure de Risque Tail
à:
Value at Risk « TVaR »
ˆ b ˆ B
Va R [ R ;τ ] = E ( R ) + se boot q 1 – τ
b ˆ B
Où E ( R ) , se boot : la moyenne et La d’un risque au seuil , notée est la
l’écart type de la provision ; moyenne des de niveau supérieur à .
τ
1 1 1  
1–τ τ  1 – τ 
TVaR [ X ;τ ] = ------------ VaR [ X ;z ] dz = ------------  E [ X ] – VaR [ X ;z ] dz 
0 
Elle s’écrit aussi :
1
TVaR [ X ;τ ] = VaR [ X ;τ ] + ------------ E [ ( X – VaR ( X, τ ) ) + ]
1–τ
5. Application nous supposons que lesdites hypo-

thèses soient toutes vérifiées (celles du
modèle Log-Normal seront testées pour
Cette section porte sur une application mettre en évidence l’indispensabilité
des différentes méthodes stochastiques de leur vérification pour la validation
expliquées ci-dessus à la branche au- des résultats). Les données utilisées
tomobile d’une compagnie d’assu- sont celles figurant dans le Tableau 1
rance, afin de mesurer les avantages (sinistres survenus entre 2006 et
que pourrait apporter l’adoption de 2014). Nous supposons que tous les
ces méthodes lors de l’évaluation des dossiers sinistres sont clôturés au bout
provisions pour sinistres à payer, les- d’un temps maximum de neuf 9 ans
quelles se singularisent par l’estima- (soit 8 ans après le sinistre).
tion de l’erreur sur le calcul de ces der-
nières.
5.1. Modèle de Mack
L’application des différents modèles

stochastiques nécessite en premier lieu Cette méthode repose sur le calcul des
la vérification des hypothèses propres facteurs de développement que nous
à chacun d’entre eux. Dans notre cas, détaillons dans le tableau 3.
159
Tableau 3 : Facteurs de développement
Année 1 2 3 4 5 6 7 8
1,825 1,160 1,077 1,045 1,028 1,019 1,012 1,008
L’application des formules du para- ˆ

Va R [ R ;0,995 ] = 105 350 675 ;
graphe 4 aboutisse aux résultats sui-
ˆ
vants : TVa R [ 5 ;0,995 ] = 104 819 249
ˆ
R = 86 724 481 ;
ˆ 5.2. Modèles paramétriques
se ( R ) = 6 080 231 ;
ˆ
se ( R ) Conformément à la procédure décrite
CV = -------------
ˆ
- = 0,070
dans la section 4, nous déterminons
R
tout d’abord les paramètres (tableau
IC 0,95 = [ 76 113 073 ; 99 270 055 ] 4) avant d’effectuer les calculs pour les
modèles Log-Normal et de Poisson Sur-
dispersés.
Tableau 4 : Estimation des paramètres
Modèle Log-Normal Poisson sur-dispersé
Paramètre Estimation Std Error Signifa Estimation Std Error Signif
ω 16,38805 0,10178 *** 16,30829 0,06043 ***

α1 -0,2051 0,09972 *** -0,19278 0,03766 ***
α2 -1,24212 0,10493 *** -1,23064 0,05843 ***
α3 -1,8062 0,11078 *** -1,81233 0,08263 ***
α4 -2,31828 0,11803 *** -2,28149 0,11403 ***
α5 -2,74465 0,12774 *** -2,7248 0,1557 ***
α6 -3,08446 0,14207 *** -3,06088 0,21475 ***
α7 -3,53819 0,16662 *** -3,48214 0,33866 ***
α8 -4,02744 0,22391 *** -3,94768 0,64944 ***
β1 0,16891 0,09972 0,28203 0,07487 ***
β2 0,28486 0,10493 * 0,41611 0,07312 ***
β3 0,32392 0,11078 ** 0,38096 0,07403 ***
β4 0,12198 0,11803 0,21149 0,07738 *
160
Tableau 4 : Estimation des paramètres (suite)
Modèle Log-Normal Poisson sur-dispersé
Paramètre Estimation Std Error Signifa Estimation Std Error Signif
β5 0,44452 0,12774 ** 0,51709 0,07334 ***
β6 0,64141 0,14207 *** 0,71287 0,07191 ***
β7 0,76674 0,16662 *** 0,84516 0,07253 ***
β8 0,80283 0,22391 ** 0,88258 0,0836 ***
a. Code signification : 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ’ 1
Résultats du modèle Log-Normal : Résultats du modèle de Poisson sur-
dispersé :
ˆ
R = 86 961 813 ; ˆ
ˆ R = 86 724 482 ;
Se ( R ) = 5 860 864 ; CV = 0,067 ˆ ˆ = 97 598 ;
Se ( R ) = 5 722 363 ; Ø
IC 0,95 = [ 75 835 320; 99 269 873 ]
CV = 0,065
ˆ
Va R [ R ;0,995 ] = 103 153 096 ; γ̂ = 0,03354 ;
ˆ IC 0,95 = [ 77 311 767; 96 137 196 ]
TVa R [ 5 ;0,995 ] = 106 049 425 .
Tableau 5 : VaR et TVaR du modèle de Poisson sur-dispersé
Additivité Normal Power

ˆ 94 201 463 91 399 570
Va R [ R ;0,995 ]
ˆ 95 382 652 92 619 928
TVa R [ 5 ;0,995 ]
Finalement, nous ne pouvant pas rete- 5.3. Le Bootstrap

nir le modèle Log-Normal car ses rési-
dus ne respectent pas les hypothèses
On applique la méthode du Bootstrap
d’indépendance et de normalité.
au provisionnement en réalisant 1000
simulations (B=1000).
161
Figure 1 : Distribution empirique des provisions estimées

On obtient alors : niques par le biais de l’erreur de pré-
ˆ diction, notée Se(R)/R. Cette erreur
R boot = 86 821 607 ; tourne autour de 7% pour l’ensemble
B ˆ de ces 3 modèles.
se boot ( R ) = 5 730 000 ;
CV = 0,067 En revanche, les écarts entre le mo-
IC 0,95 = [ 86 709 299; 86 933 915 ] dèle de London Chain et la VAR à
99.5% pour les trois modèles sont
ˆ
Va R [ R ;0,995 ] = 101 547 707 ; conséquents, ce qui prouve la supério-
ˆ rité des modèles stochastique et en
TVa R [ 5 ;0,995 ] = 103 874 087 . particulier de cette mesure de risque.
La TVaR contribue quant à elle à faire
augmenter les provisions de 2% au
5.4. Discussion des résultats
maximum. L’apport de l’ajout de cet in-
dicateur apparait faible.
A partir du tableau 6, nous remar-
quons que les trois modèles Mack, On remarque par ailleurs que la VaR
Poisson sur-dispersé et Boostrap du modèle de Poisson sur-dispersé est
donnent presque la même valeur de bien inférieure à celle des deux autres
provision, laquelle est supérieure d’en- modèles. Cela indique que le choix
viron 9% au modèle déterministe de entre des modèles stochastiques va dé-
London Chain (LC). Leur avantage ré- pendre de la distribution des données
side dans la mesure de l’incertitude observées dans le triangle de liquida-
liée à l’estimation des provisions tech- tion. De plus, la différence constatée
162
entre la VaR calculée pour le modèle d’ordre 1 – τ élevé, la VaR est d’au-
Poissonnien selon le principe d’additi- tant plus importante. Cela corrobore la
vité (la provision suive une loi normale théorie financière qui indique que l’at-
asymptotique) et celle approchée par teinte d’une plus forte rentabilité exige
l’approximation de Normal Power re- une plus grande prise de risque et vice
vient à l’asymétrie de cette dernière (le versa. Donc, pour mieux se prémunir
« skewness » est différent de 0). des risques potentiels, la compagnie
doit constituer davantage de provi-
Enfin, Nous constatons à partir des ré- sions.
sultats obtenus que, pour un quantile
Tableau 6 : Synthèse des résultats
R R/LC Se( R) Se( R)/R VaR VaR/LC TVaR VaR/TVaR

London Chain (LC) 79507721
Mack 86724481 9.1% 6080231 7.0% 102350675 28.7% 104819249 2%
Poisson 86724482 9.1% 5722363 6.6% 94201463 18.5% 95382652 1%
Bootstrap 86821607 9.2% 5730000 6.6% 101547707 27.7% 103874087 2%
6. Conclusion En ce qui concerne les résultats obte-

nus, nous avons montré que les trois
modèles stochastiques (Mack, Poisson
L’objectif du nouveau référentiel « Sol- sur-dispersés, et Bootstrap) amènent au
vabilité II » dans le domaine de l’assu- augmenter fortement les provisions sur-
rance dommage est la limitation des tout lorsqu’on considère la VaR comme
risques liés au provisionnement, ainsi mesure de risque. Malgré les diffé-
que l’évaluation d’une manière cohé- rences substantielles qui peuvent ap-
rente avec le marché des deux com- paraître pour la VaR, et même avec les
partiments du bilan (les actifs et les outils connus de validation (déviance,
passifs). Avec l’avènement de l’ap- ...etc), nous ne pouvons recomman-
proche d’évaluation « Best Estimate », der l’utilisation d’un modèle stochas-
ce référentiel oblige les assureurs à tique par rapport à un autre. En effet,
passager d’un univers déterministe, où le choix de toute méthode sera condi-
aucune mesure de risque n’est exigée, tionné par son adéquation et sa com-
vers un univers stochastique englobant patibilité avec les données de la
différentes mesures de risques et d’in- branche d’assurance en question. Par
certitudes inhérentes à l’estimation des ailleurs, la validation de tout résultat
provisions techniques.
163
devra tenir compte des éléments sui- pend des nombreux paramètres de ces
vants : modèles, et en particulier des hypo-
thèses faites. Si ces derniers sont faus-
 Segmentation des données : la per- sés intentionnellement ou non (par des
tinence et l’efficacité du modèle historiques de données non représen-
pour décrire convenablement la si- tatifs, par exemple), l’utilité de ces mo-
nistralité dépend des types de don- dèles devient caduque malgré leur so-
nées disponibles (dommages cor- phistication. La complexité de la mé-
porels ou matériels, responsabilité thode d’évaluation n’est jamais un
civile). Chaque type de données a gage d’efficacité (Mili et al., 2015).
ses particularités et nécessite un
traitement spécifique ;
Bibliographie
 Dépendance des sinistres : au
cours de cette étude, nous avons in-
sisté sur l’indépendance entre les Araichi, S. (2015), Modélisation de la dépen-
années de survenance des si- dance temporelle des sinistres en assurance non
vie et enjeux de l’évaluation du Passif, Thèse
nistres, mais celle entre les sinistres soutenue le 29 sep. 2015, Université Claude
de la même année de survenance Bernard – Lyon I, 110 p.
a été négligée. En effet, les paie-
ments effectués suite à un sinistre Denuit M., Charpentier, A. (2004), Mathéma-
tiques de l’assurance non-vie, Tome I, Economi-
survenu durant l’année entre deux ca.
assurés de la même compagnie, ne
peuvent être indépendants ; England, P.D, et Verrall, R.J (2002), Stochastic
claims reserving in general insurance, Institute of
actuaries, B.A.J 8, III, pp. 443-544.
 Sinistres graves : cette situation est
souvent rencontrée dans le cas des England, P.D., et Verrall, R.J. (2006), Predictive
distributions of outstanding liabilities in general
grands risques (industriels et En- insurance, Annals of Actuarial Science, Volume
gineering) qui se caractérisent par 1, pp. 221-270.
une faible fréquence mais d’une
gravité exceptionnelle. Janson, N., et Sahut, JM. (2010), Stabilité du
secteur bancaire : Des tests réellement utiles?,
Banque & Stratégie, N°282, Juin.
Enfin, comme pour les banques avec
Mack, T. (1993, a), Distribution-free calculation
la mise en place de Bâle III, la com-
of the standard error of Chain-Ladder reserve es-
plexification des méthodes d’évalua- timates, Astin Bulletin, vol. 23, n°.2, pp 213-
tion peut conduire à une sous-évalua- 225.
tion des risques. En effet, comme pour
Mack, T. (1993, b), Measuring the variability of
les stress tests (Janson et Sahut, 2010), Chain Ladder reserve estimates, Meeting of the
la pertinence des résultats obtenus dé- Casualty Actuarial Society, pp.101-182.
164
Mili, M., Trimeche, E., et Sahut, JM. (2015), The Partrat, C., (2006), Projection dynamique sto-
role of Islamic banks subsidiaries in the transmis- chastique d’un triangle de liquidation, ISFA, uni-
sion of liquidity shocks across countries, Journal versité Claude Bernard Lyon 1.
of Economic Issues, vol. XLIX, n°1.
Pinheiro, P.J, Silva, J., et Centeno, M.,
Partrat, C., Pey, N., et Schilling, J., (2005), Del- (2003), Bootstrap Methodology in Claim Reser-
ta method and reserving, ASTIN Colloquium. ving, the journal of risk and insurance, Vol.70,
N°4, pp.701-714.
165
Annexe
Généralités sur la méthode « Delta » :

Il s’agit d’une méthode servant à obtenir une approximation de la distribution
asymptotique de la transformée d’une variable aléatoire ( va ) asymptotiquement
normale.
Théorème :
L 2
Soit η n une suite de variables aléatoires vérifiant n ( η n – η̂ ) → N ( 0, σ ) .
Pour une fonction donnée g ( η n ) , supposons que sa dérivée g′ ( η ) ≠ 0 existe.
Alors,
L 2 2
n ( g ( η n ) – g ( η̂ ) ) → N ( 0, σ g′ ( η̂ ) )
Supposons que nous ayons obtenu les estimateurs θ̂ i de maximum de vraisem-

blance ( MLE ) et leur matrice variance-covariance (var-cov). Souvent, nous nous inté-
ressons à la variance d’un estimateur η̂ (une variable aléatoire) s’écrivant en fonc-
tion de ces estimateurs θ̂ i .
Afin d’obtenir la variance de cet estimateur, nous utilisons la méthode Delta basée
sur les Développements Limités de Taylor6 ( DLT ). Nous rappelons que pour toute
fonction différentiable sur son domaine de définition, la fonction semble linéaire. La
ligne d’approximation est la ligne tangente à la courbe, et sa pente est la dérivée
de la fonction. Cette ligne peut être obtenue grâce aux DLT .
En effet, soit la fonction μ = g ( η ) . L’approximation de ladite ligne de tangente pour

μ en utilisant les DLT au point η = η̂ ( η̂ est l’estimateur de η ) est donnée par :
∂g ( η )
μ = g ( η ) ≈ g ( η̂ ) + g′ ( η̂ ) ( η – η̂ ) g′ ( η̂ ) = --------------- η = η̂
∂η
6
Les DLT de la fonction f ( x ) au point a est une approximation polynomiale de cette fonction
au voisinage de ce point. Il s’écrit comme suit :
2 (2) n (n)
(x – a) f (2) ( x – a ) f (n)
f ( x ) = f ( a ) + ( x – a )f′ ( a ) + ----------------------------- f ( a ) + … + ---------------------------- f ( a ) + R ( x ) .
2! n!
166
L’espérance et la variance de cette transformation se présentent comme suit :
E ( μ ) = E [ g ( η̂ ) + g′ ( η̂ ) ( η – η̂ ) ]
= E ( g ( η̂ ) ) + E ( g′ ( η̂ )η ) – Eg′ ( η̂ ) ( η̂ )
= g ( η̂ )
2
V ( μ ) = [ g ( η ) – g ( η̂ ) ]
2
= [ g ( η̂ ) + g′ ( η̂ ) ( η – η̂ ) – g ( η̂ ) ]
2
= [ g′ ( η̂ ) ( η – η̂ ) ]
∂g ( η̂ ) 2
= V ( η )  ---------------
 ∂η̂ 
Cas général (Multivarié) :
Soit η 1, η 2, …, η p p va , dont l’espérance et la matrice var-cov sont :
η1 η̂ 1 V ( η1 ) Cov ( η 1, η 2 ) … Cov ( η 1, η p )
η2 ˆ Cov ( η 2, η 1 ) V ( η2 ) … Cov ( η 2, η p )
H = ; H = η̂ 2 ; ΣH =
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
ηp η̂ p Cov ( η p, η 1 ) Cov ( η p, η 2 ) … V ( ηp )
Aussi, soit levecteur des va N = [ μ 1, μ 2, …, μ p ]′ s’écrivant comme suit : N = BH

(où : B une matrice de dimension n × p ). L’espérance et la matrice de var-cov sont
les suivantes :
ˆ
E ( N ) = BH ; Cov ( N ) = BΣB′
En utilisant la méthode Delta, nous obtenons :
g1 ( η ) g 1 ( η̂ )
g2 ( η )
N = ≈ g 2 ( η̂ ) + D [ η – η̂ ] où : matrice des dérivées partielles de g i .
⋮ ⋮
gp ( η ) g p ( η̂ )
167
L’espérance et la matrice var-cov sont données par :
μ̂ 1 g 1 ( η̂ )
ˆ g 2 ( η̂ )
E ( N ) = μ̂ 2 = ;
⋮ ⋮
μ̂ p g p ( η̂ )
ˆ ˆ
V ( N ) ≈ DΣD′ .
La variance peut être écrite de cette manière :
 Cas d’indépendance des va :
ˆ ˆ n
∂g ( η ) 2
V(N) ≈  --------------- V ( η i ) ;
∂η i
i=1
 Cas de dépendance des va :
ˆ ˆ n n n
∂g ( η ) 2 ∂g ( η ) ∂g ( η )
V( N) ≈    cov  --------------
--------------- V ( η i ) + 2
∂η i
-  ---------------
∂η i   ∂η j 
i=1 i = 1j = 1
168

Provisionnement Et Mesure de Risque en Assurance Dommage Dans Le Cadre de Solvabilité Ii

Transféré par

Droits d'auteur :

Formats disponibles

Provisionnement Et Mesure de Risque en Assurance Dommage Dans Le Cadre de Solvabilité Ii

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Provisionnement Et Mesure de Risque en Assurance Dommage Dans Le Cadre de Solvabilité Ii

Transféré par

Droits d'auteur :

Formats disponibles

PROVISIONNEMENT ET MESURE DE RISQUE EN ASSURANCE DOMMAGE

DANS LE CADRE DE SOLVABILITÉ II

Mohamed Khordj, Adlane Haffar, Frédéric Teulon

Association de Recherches et Publications en Management | « Gestion 2000 »

Distribution électronique Cairn.info pour Association de Recherches et Publications en Management.

Powered by TCPDF (www.tcpdf.org)

1. Introduction réglementation impose aux assureurs

Gestion 2000 3 mars-avril 2017

Une sous-estimation de ces provisions naient à obtenir une simple estimation