institut ational de conomie ppliquee
TRANSCRIPT
1
r
Projet de fin dâĂ©tudes
âŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠâŠ..
Sujet :
Application de la directive Solvency II sur les branches
dâassurance non vie
Préparé par : M. Idrissi Messnaoui Anas
M.Lhioui Anas
Sous la direction de : M.Chaoubi Abdelaziz (INSEA)
Mme.Eljamali Mariam (SAHAM)
Juin 2015
Organisme dâaccueil : SAHAM Assurance
Soutenu publiquement comme exigence partielle en vue de lâobtention du
DiplĂŽme dâIngĂ©nieur dâEtat
ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET DâECONOMIE APPLIQUEE
Option : Actuariat-Finance.
Devant le jury composé de :
M.Fouad MARRI (INSEA)
M.Abdelaziz CHAOUBI (INSEA)
Mme.Mariam ELJAMALI (SAHAM)
M.Anas AHAYAN (SAHAM)
2
3
Résumé :
La solvabilitĂ© dâune compagnie dâassurance nâest dâautre que sa capacitĂ© Ă
honorer ses engagements face aux tiers, notamment ses assurés et ce par la
couverture de leur sinistralitĂ©, ainsi quâassurer un Ă©quilibre entre son portefeuille de
placements et la constitution des provisions pour ĂȘtre en norme auprĂšs de la tutelle (la
DAPS) et assurer sa pérennité.
La rĂ©glementation actuelle, nommĂ©e SolvabilitĂ© I permet, certes, dâĂ©valuer
prudemment le passif et de dĂ©tenir des actifs sđą rs et liquides mais ne prend pas en
considĂ©ration tous les risques supportĂ©s par lâassureur durant son activitĂ©, et se limite
sur le risque de souscription manifesté par le risques de primes (sous estimation) et le
risque de provisionnement qui sera le cadre de notre Ă©tude.
Suivant les traces de la réforme bancaire Bùle II , la Solvabilité II privilégie le
rĂŽle des fonds propres au sein de la compagnie dâassurance, et donc a apportĂ© des
modifications au niveau des techniques dâĂ©valuation de la compagnie, Ă savoir la
valorisation Ă la valeur de marchĂ© de lâactif liquide ,qui est disponible, et du passif
illiquide manifestée par des niveaux de provisions incorporant le Best Estimate ainsi
que des marges de risques adĂ©quates ou Risk Margin, puis le calcul dâun capital de
solvabilité pour remédier aux évolutions défavorables de sinistralité et maitriser le
risque.
Dâautre part, le nouveau rĂ©fĂ©rentiel de solvabilitĂ© se focalise aussi sur la
dimension stochastique dans le calcul des provisions techniques et ce pour cerner tous
les scĂ©narios, y compris les catastrophiques, mesurer lâincertitude dans nos calculs
pour mieux constituer nos provisions Ă lâultime et ĂȘtre en harmonie avec les donnĂ©es.
Mais cette dimension nâest pas en phase avec lâhorizon de la solvabilitĂ© II qui est
réduit à un an.
Câest pourquoi on quantifiera le risque de provisionnement sous le rĂ©fĂ©rentiel
de solvabilité II, qui stipule le risque de déviation défavorable des charges finales
prĂ©visibles dans lâannĂ©e comptable ou calendaire, et ce Ă travers de nouvelles
mĂ©thodes Ă savoir Merz &Wđą thrich et Bootstrap ModifiĂ©e tout en posant des
hypothÚses sur la loi suivie par les rÚglements cumulées.
Mots clés :
Solvabilité II, Best Estimate, Marge de Risque, Capital de solvabilité
requis, GLM, Bootstrap, Mack, Merz & Wđą thrich, Bootstrap ModifiĂ©e.
4
DĂ©dicace :
Je tiens tout dâabord et avant toute autre chose Ă dĂ©dier ce
modeste travail Ă ma chĂšre petite famille comme expression dâun eternel
Remerciement de lâĂ©ducation quâelle mâa prodiguĂ©e ainsi que les efforts
consentis Ă mon Ă©gard, puis Ă mes chĂšres amis pour les plus beaux
moments quâon a passĂ© ensemble.
LHIOUI ANAS
Mes grands Remerciements Ă mon frĂšre Salim et ma sĆur
Salwa ainsi que mes parents pour leur soutien au quotidien malgré que
ces mots restent insuffisants pour exprimer ma reconnaissance Ă leurs
efforts et amour. Un grand Remerciement Ă mes amis pour tout ce
quâon a passĂ© ensemble dans ces trois annĂ©es.
IDRISSI MESSNAOUI ANAS
5
Remerciements :
Nous voulons remercier M.Chaoubi pour ses précieux conseils et orientations
qui nous ont Ă©tĂ© dâune grande importance et soutien dans la constitution de notre
application.
Ainsi, nous profitons de lâoccasion pour exprimer notre grande
reconnaissance envers Mme Eljamali Mariam, encadrante et Responsable non vie
ainsi que M.Ahayan Anas, Actuaire au sein de la compagnie SAHAM Assurance,
pour leur encadrement au quotidien tout en assurant les conditions de réussite.
Dans le mĂȘme cadre, nous remercions le directeur du dĂ©partement dâActuariat
M.Elouali de sa confiance en nous confiant un sujet de telle ampleur ainsi que le
personnel de SAHAM Assurance qui nous a offert un climat accueillant.
Pour clĂŽturer, nous adressons nos remerciements au corps professoral de
lâINSEA pour son professionnalisme et de nous avoir assurĂ© les connaissances et prĂ©
requis nĂ©cessaires permettant de sâinsĂ©rer avec succĂšs dans le monde professionnel et
dâassurer notre stage de fin dâĂ©tudes .
6
Sommaire
Résumé : ........................................................................................................... 3
DĂ©dicace : .......................................................................................................... 4
Remerciements : ................................................................................................. 5
Liste des abréviations : ........................................................................................ 9
Liste des tableaux: ............................................................................................ 10
Liste des figures : ............................................................................................. 12
Introduction générale: ....................................................................................... 13
Partie I : Sur les normes de la directive « Solvabilité II » ..................................... 14
I.1 De la « Solvabilité I » à la « Solvabilité II »: ............................................................................ 14
I.1.1 Critiques de la « Solvabilité I » .............................................................................................. 14
I.1.2 Pourquoi la « Solvabilité II » ? .............................................................................................. 15
II.2 Les trois piliers de la « Solvabilité II » : ...................................................................................... 17
II.2.1 Présentation : ......................................................................................................................... 17
II.2.2 Normes quantitatives du calcul des provisions et fonds propres : ........................................ 18
Partie II : le cadre thĂ©orique de lâĂ©valuation des provisions ................................. 20
Chapitre I : Méthodes déterministes .................................................................... 20
I.1Données utilisées : .......................................................................................................................... 20
I.2 MĂ©thode de Chain Ladder ............................................................................................................. 21
I.2.1 HypothĂšses ............................................................................................................................. 22
I.2.2 MĂ©thode ................................................................................................................................. 22
I.2.3 Critiques ................................................................................................................................. 23
I.3 MĂ©thode de London Chain ............................................................................................................ 24
I.4 MĂ©thode de Taylor ........................................................................................................................ 25
Chapitre II : MĂ©thodes stochastiques .................................................................. 26
II.1 MĂ©thode de GLM ......................................................................................................................... 26
II.2 MĂ©thode de Mack ........................................................................................................................ 29
II.2.1 HypothĂšses ............................................................................................................................ 29
II.2.2 MĂ©thode ................................................................................................................................ 30
II.3 MĂ©thode de Bootstrap .................................................................................................................. 33
Partie III : le cadre Pratique de lâĂ©valuation des provisions ................................... 35
Chapitre I : Méthodes déterministes .................................................................... 35
I.1 VĂ©rification de lâhypothĂšse des mĂ©thodes dĂ©terministes............................................................... 35
I.2 MĂ©thode de Chain Ladder ............................................................................................................ 36
I.2.1 test des hypothÚses de la méthode .......................................................................................... 36
I.2.2 Application de Chain Ladder ................................................................................................. 39
I.3 Application de London Chain ....................................................................................................... 41
7
I.4 Application de Taylor.................................................................................................................... 42
Chapitre II : MĂ©thodes stochastiques .................................................................. 45
II.1 Application de GLM .................................................................................................................... 45
II.2 MĂ©thode de Mack ........................................................................................................................ 55
II.2.1 Test des hypothĂšses............................................................................................................... 55
II.2.2 Application............................................................................................................................ 56
II.2.3 Construction des Intervalles de confiance ............................................................................. 58
II.2.3.1 Distribution normale de la réserve : ................................................................................... 59
II.2.3.2 Distribution lognormale de la réserve : .............................................................................. 59
II.2.3.3 Comparaison des résultats :................................................................................................ 61
II.3 Application de Bootstrap ............................................................................................................. 61
II.4 Branches longues : Méthodes pour estimer le « Tail Factor » ..................................................... 69
II.4.1 Extrapolation des facteurs de développement ....................................................................... 69
II.4.2 Extrapolation des paramÚtres des années de développement ................................................ 72
II.5.3 Application des critĂšres de choix du modĂšle ........................................................................ 76
Chapitre III : Actualisation ................................................................................ 78
III.1 Sous Solvabilité I ........................................................................................................................ 78
III.2 Avec la nouvelle réglementation de Solvabilité II ...................................................................... 78
III.3 Application sur le calcul de la BE .............................................................................................. 78
Partie IV : Le risque de provisionnement dans le cadre du SCR ............................. 80
Chapitre I : DĂ©finition du risque de provisionnement Ă un an et SCR ..................... 80
I.1 Pourquoi changer dâhorizon ? ....................................................................................................... 80
I.2 DĂ©finition formelle de ce risque .................................................................................................... 80
I.3 Formule standard- ModĂšle interne (SCR) ..................................................................................... 82
I.3.1 Formule standard .................................................................................................................... 82
I.3.2 ModĂšle interne ...................................................................................................................... 82
I.3.3 Choix du modĂšle .................................................................................................................... 82
Chapitre II : CDR selon Merz & Wuthrich ........................................................ 83
II.1. Principe de la méthode ................................................................................................................ 83
II.2. Comparaison aux résultats de Mack ........................................................................................... 85
II.3.Critiques de M&W ....................................................................................................................... 85
II.4.Application................................................................................................................................... 86
Chapitre III : Simulation de la diagonale de paiement ........................................... 90
III.1 Principe ....................................................................................................................................... 90
III.2 Simulation par Bootstrap modifiée à un an ................................................................................ 91
III.2.1 Principe ................................................................................................................................ 91
III.2.2 Application .......................................................................................................................... 92
Chapitre IV : Calcul du SCR et de la Marge de risque .......................................... 98
IV.1 Calcul du SCR ............................................................................................................................ 98
IV.2 Calcul de la MR .......................................................................................................................... 99
8
Partie V : Automatisation de la quantification du risque de provisionnement
Ă 1 an : ......................................................................................................... 102
Introduction : .................................................................................................................................... 102
I. Choix de lâoutil informatique : ...................................................................................................... 102
II. Présentation de la réalisation : ..................................................................................................... 103
II.1 RĂ©alisation du ModĂšle de M&W : ......................................................................................... 103
II.2 RĂ©alisation du ModĂšle de Simulation de diagonale de paiements : ....................................... 105
Conclusion générale : ...................................................................................... 108
Bibliographie ................................................................................................. 109
Annexes ........................................................................................................ 110
Annexe A : PrĂ©sentation du secteur et de lâorganisme dâaccueil
Annexe B : Nuages des points des annĂ©es de dĂ©veloppements j=3âŠ9.
Annexe C : Loi normale â loi log normale.
Annexe D : Principe du QQ-Plot.
Annexe E : Principe et calcul de la distance K-S.
Annexe F : Sur la VAR et la TVAR.
9
Liste des abréviations :
DAPS : Direction des assurances et prévoyance sociale.
CEIOPS: Committee of European Insurance and Occupational Pension
Supervisiors
FMSAR: FĂ©dĂ©ration Marocaine des sociĂ©tĂ©s dâassurance et de rĂ©assurance
CFP: Charge finale prévisible
MR : Marge de risque
Coc : Cout de Capital
BE : Best Estimate
CL : Chain Ladder
LC : London Chain
i.i.d : Indépendants identiquement distribués
SCR : Solvency Capital requirement (Capital de solvabilité requis)
MCR : Minimum Capital requirement
PSAP : Provision pour Sinistres Ă Payer.
M &W: Merz &Wđą thrich
AT: Accident de Travail
IBNR: Incurred But Not Reported
GLM: Generalized Linear Models
MSEP: Mean Squared Errors Predicted
CDR: Claims development result
VAR: Value At Risk, TVAR: Tail Value At Risk
10
Liste des tableaux: Tableau 1: Paiements cumulĂ©s de la branche Accident de Travail ............................. 21 Tableau 2 : quelques exemples de famille de lois exponentielles ................................ 27 Tableau 3 : Triangle des coefficients de passage. ........................................................ 36 Tableau 4 : Coefficients de Passage selon le modĂšle de Chain Ladder ...................... 39 Tableau 5 : Tableau des rĂšglements prĂ©dits par le modĂšle de Chain Ladder ............ 40 Tableau 6 : Provision Totale sous le modĂšle de Chain Ladder ................................... 40 Tableau 7 : Estimation des paramĂštres de rĂ©gression ................................................ 41 Tableau 8 : Provision Totale sous le modĂšle de London Chain .................................. 41 Tableau 9 : Calcul des đ(đ) actuels et futurs ainsi que Pj, n=i+j=0âŠâŠ..15 et
j=0âŠ..15 ...................................................................................................................... 42 Tableau 10: Calcul des rĂšglements futurs (z(i,j) ) par la mĂ©thode de Taylor, avec
i+j=16âŠâŠ30 et i=0âŠâŠ15, j=0âŠâŠâŠ15 .................................................................. 43 Tableau 11 : Provision Totale sous le modĂšle de Taylor ............................................ 44 Tableau 12 : Extrait de la base servant comme support de calcul des paramĂštres
de GLM ........................................................................................................................ 45 Tableau 13: Test de Kolmogorov Smirnov de la distribution Gamma ........................ 48 Tableau 14:Test de Kolmogorov Smirnov de la distribution LogNormale ................. 48 Tableau 15 :Test de Kolmogorov Smirnov de la distribution Normale ....................... 48 Tableau 16 : ParamĂštres de la loi Gamma .................................................................. 51 Tableau 17 : Sortie informant sur la statistique de la dĂ©viance du modĂšle ................ 52 Tableau 18 : Calcul de la P-value pour la statistique de DĂ©viance ............................ 53 Tableau 19 : Calcul des rĂšglements estimĂ©s par la mĂ©thode de GLM-Gamma .......... 53 Tableau 20 : Provision Totale sous le modĂšle de GLM-Gamma................................. 54 Tableau 21 : VolatilitĂ©s du triangle des rĂšglements, j=0âŠ14 ..................................... 56 Tableau 22 : Erreur quadratique moyenne par annĂ©e de survenance et Totale ......... 57 Tableau 23 : Coefficients de variation par annĂ©e de survenance ............................... 58 Tableau 24 : Intervalles de Confiance selon la loi normale ........................................ 59 Tableau 25 : Intervalles de Confiance selon la loi lognormale................................... 60 Tableau 26 : RĂšglements estimĂ©s non cumulĂ©s par annĂ©e de survenance et annĂ©e
de dĂ©veloppement ......................................................................................................... 61 Tableau 27: les rĂ©sidus de Pearson par annĂ©e de survenance et de dĂ©veloppement .. 62 Tableau 28 : Extrait du tableau des rĂ©sidus rĂ©-Ă©chantillonnĂ©s par ligne.................... 63 Tableau 29 : Extrait du tableau des chargements bootstrappĂ©s dĂ©cumulĂ©s ................ 64 Tableau 30 : Extrait du Bootstrapping des provisions sous le modĂšle de Gamma ..... 65 Tableau 31: Quantiles de la distribution des rĂ©serves ................................................ 65 Tableau 32 : Test de Kolmogorov-Smirnov de la distribution normale ...................... 68 Tableau 33 : Test de Kolmogorov-Smirnov de la distribution lognormale ................. 69 Tableau 34 : Les trois lois principalement utilisĂ©es pour lâajustement des facteurs
de dĂ©veloppement ......................................................................................................... 70 Tableau 35: Extrapolation des facteurs de dĂ©veloppement par la loi exponentielle ... 70 Tableau 36 : Extrait du tableau dâextrapolation des coefficients des annĂ©es de
dĂ©veloppement.............................................................................................................. 73 Tableau 37 : extrapolation des facteurs de dĂ©veloppement GLM ............................... 73 Tableau 38:Avantages et inconvĂ©nients des mĂ©thodes de calcul de la rĂ©serve ........... 75 Tableau 39 : Choix de la mĂ©thode par SSE ................................................................. 77 Tableau 40 : Calcul du BE selon Ă partir de la mĂ©thode GLM-Gamma ..................... 79 Tableau 41 : Calcul des rapports a(j), j=0âŠâŠâŠâŠ14 ............................................... 86 Tableau 42 : Erreur quadratique moyenne par annĂ©e de survenance et Totale ......... 87
11
Tableau 43 : Calcul des coefficients de variations de M&W et ceux par rapport Ă
Mack par annĂ©e de survenance et totale...................................................................... 87 Tableau 44 : Intervalles de confiances, selon la loi normale, des CDR. ..................... 89 Tableau 45 : RĂ©sidus de Pearson jusquâĂ l 'annĂ©e calendaire 2015 ........................... 92 Tableau 46 : Extrait des 1000 itĂ©rations des rĂšglements bootstrappĂ©s ....................... 93 Tableau 47 : Simulation du calcul de la đ¶đčđđ2015, i=1âŠ.1000 .............................. 94 Tableau 48 : Extrait du vecteur des đ¶đ·đ đ, i=1âŠ..1000 ............................................. 95 Tableau 49 : test de Kolmogorov- Smirnov de normalitĂ© des đ¶đ·đ đ , i=1âŠ1000 ...... 96 Tableau 50 : DĂ©marche de calcul de la MR par la mĂ©thode du Cout de Capital ..... 101 Tableau 51 : Evolution du chiffre dâaffaires par branche dâactivitĂ© en MDhs ......... 111 Tableau 52 : Evolution du chiffre dâaffaires du marchĂ© dâassurance non vie par
compagnie en MDhs .................................................................................................. 112
12
Liste des figures :
Figure 1 : RĂ©partition du SCR selon les risques touchant au bilan dâune assurance
en non vie ---------------------------------------------------------------------------------------- 15 Figure 2 : Les trois piliers de la solvabilitĂ© II ---------------------------------------------- 17 Figure 3: Bilan Ă©conomique dâune assurance sous la SolvabilitĂ© II -------------------- 19 Figure 4 : SchĂ©ma illustratif du principe du Bootstrap, dĂ©termination dâintervalle
de confiance des rĂ©serves IBNR -------------------------------------------------------------- 33 Figure 5 :Evolution des cadences de paiements par annĂ©e de survenance ------------ 35 Figure 6: Comparaison des đđđ Ă đ. đ pour j=0âŠ..14 ----------------------------------- 37 Figure 7 ReprĂ©sentation des nuages de points (đȘđđ, đȘđđ + đ), j=0, 1,2 ---------------- 38 Figure 8 : Extrapolation des log(u(i+j)) linĂ©airement, avec i+j=0,âŠ15--------------- 43 Figure 9: QQ-Plot selon la distribution gamma ------------------------------------------ 46 Figure 10 : QQ-Plot selon la distribution logNormale ----------------------------------- 47 Figure 11: QQ-Plot selon la distribution normale ---------------------------------------- 47 Figure 12: Nuage de points (C(i,j),D(i,j)) , j=0,1 ------------------------------------------ 56 Figure 13 : Distribution des rĂ©serves selon la loi normale ------------------------------- 66 Figure 14 :Distribution des rĂ©serves selon la loi lognormale ---------------------------- 67 Figure 15 Illustration des QQ-Plots de la rĂ©serve selon les lois normale et
lognormale. -------------------------------------------------------------------------------------- 68 Figure 16 : Coefficients de Chain Ladder et leur extrapolation ------------------------- 71 Figure 17 : ParamÚtres de développements et leur extrapolation ----------------------- 72 Figure 18 : Diagramme comparatif des réserves des différentes méthodes sans Tail
Factor --------------------------------------------------------------------------------------------- 74 Figure 19 : MĂ©thode par sous triangle ------------------------------------------------------ 76 Figure 20 : Illustration dâune itĂ©ration de la simulation de la diagonale suivante
des paiements (Ă©tape 2 et 3) ------------------------------------------------------------------- 90 Figure 21 : test de QQ-Plot de normalitĂ© des đ¶đ·đ đ , i=1âŠ1000 ----------------------- 96 Figure 22 : Lâapproximation normale de lâĂ©volution empirique des đ¶đ·đ đ, i=1âŠ.1000 --------------------------------------------------------------------------------------- 97 Figure 23 : Statistiques descriptives de lâĂ©volution des (-đ¶đ·đ đ,) i=1âŠ1000 --------- 98 Figure 24 : Illustration de la mĂ©thode du cout de Capital pour la dĂ©termination de la
MR. ---------------------------------------------------------------------------------------------- 100 Figure 25 : RĂ©partition du chiffre dâaffaires de Saham par branche ----------------- 113 Figure 26 : Evolution du chiffre dâaffaires de Saham en MDhs ----------------------- 114 Figure 27 : Evolution du rĂ©sultat net de Saham en MDhs ------------------------------ 115 Figure 28 : Evolution des fonds propres de Saham en MDhs -------------------------- 115 Figure 29 : Nuage des points de C(i,j+1)=f(C(i,j)) de lâannĂ©e de dĂ©veloppement
j=3 Ă j=9. -------------------------------------------------------------------------------------- 119
13
Introduction générale:
De façon gĂ©nĂ©rale, une compagnie dâassurance se distingue par rapport Ă une
entreprise traditionnelle par son cycle de production inversĂ©, lâassurĂ© paie une prime
pour ĂȘtre couvert en cas de survenance du sinistre, et donc une constitution prudente
des rĂ©serves est indispensable pour que lâassureur puisse honorer ses engagements
envers ses assurĂ©s, dâoĂč lâimportance revĂȘtue par les normes de solvabilitĂ©
Avant dâaborder notre travail quâon a Ă©laborĂ© pour la branche pilote de Saham
Assurance : « AT » nous avons jugé nécessaire de présenter le secteur assurantiel du
Maroc et ses chiffres clĂ©s ainsi que ceux de lâorganisme dâaccueil, puis de
contextualiser la notion de la Solvabilité II qui ne cesse de constituer un débat actuel
au sein des compagnies dâassurances, son introduction devient primordiale vu la
sensibilité et la position stratégique de ce thÚme.
Notre conception de travail commence par lâintroduction des mĂ©thodes
dĂ©terministes pour calcul du Best Estimate puis la mesure dâincertitude des rĂ©sultats
obtenus Ă travers la dimension stochastique ; lâintroduction du Tail Factor dans la
mĂ©thode de Chain Ladder ainsi que celle de GLM pour choisir le modĂšle optimal Ă
travers la méthode par sous triangles. En outre, on quantifiera le risque de
provisionnement Ă travers le modĂšle de Merz & Wuthrich permettant le calcul du CDR
ainsi que son MSEP sous les hypothĂšses de MACK, puis la simulation de la diagonale
par Bootstrap Modifiée et ce pour obtenir le SCR. Pour clÎturer, on calculera la MR et
ce par lâapproche du Cout de Capital.
Il est à noter que divers sont les consultations menées par la CEIOPS, autorité
Européenne chargée de la mise en place de cette réforme, tout en regroupant
lâensemble des acteurs de lâassurance afin de souligner les obstacles de la SolvabilitĂ© I
et garantir la compréhension des enjeux de cette réforme pour préparer une bonne
introduction et mise en vigueur de le directive.
Partie I : Sur les normes de la directive «Solvabilité II »
14
Partie I : Sur les normes de la directive « Solvabilité II »
I.1 De la « Solvabilité I » à la « Solvabilité II »:
I.1.1 Critiques de la « Solvabilité I »
La SolvabilitĂ© I se caractĂ©rise par sa simplicitĂ© dâutilisation, elle a Ă©tĂ© beaucoup
critiquée pour les raisons suivantes :
-Le calcul des mobilisations des fonds propres se base sur les provisions
constituĂ©es, câest ainsi que sâil y a un sous provisionnement on engage moins de fonds
propres. De plus, la solvabilité I est trÚs prudente en ce qui concerne la constitution
des fonds propres ce qui freine et pĂ©nalise les activitĂ©s sous jacentes de lâassureur Ă
savoir les placements.
- Le calcul de la MS est simpliste et ne prend pas en considération la taille ou
lâactivitĂ© de la compagnie mĂȘme les risques sous-jacents Ă lâactivitĂ© dâassurance. En
effet, prenons lâexemple de deux compagnies dâassurance ayant des pĂ©rimĂštres
dâactivitĂ© diffĂ©rents :
â la premiĂšre disposant dâun portefeuille diversifiĂ©
â la seconde, dâun portefeuille plus concentrĂ©. La marge de solvabilitĂ©
sera identique pour ces deux entreprises alors quâelles prĂ©sentent des profils de risque
trĂšs diffĂ©rents. Le risque de concentration nâest pas quantifiĂ© dans la MS. De plus, cet
aspect nâest pas pris en compte dans le calcul des fonds propres dans le cadre de
Solvabilité I.
-Lâapproche actuelle ne prend en considĂ©ration que le risque du passif (de
souscription) dans le calcul des capitaux Ă constituer, or divers sont les risques sous-
jacents Ă lâactivitĂ© de la compagnie et figurent dans lâactif Ă savoir le risque de marchĂ©
⊠(voir figure1).
-Actif et passif sont Ă©valuĂ©s au cout historique, ce qui nâest pas conforme aux
nouvelles normes comptables internationales qui incitent Ă la comptabilisation Ă la
valeur de marché.
Partie I : Sur les normes de la directive «Solvabilité II »
15
I.1.2 Pourquoi la « Solvabilité II » ?
Cette nouvelle réforme permet une harmonisation des normes de solvabilité des
compagnies dâassurance, et ce Ă travers ce qui suit :
-permettre un équilibre entre protection des assurés et moins de cout de capital
pour les assurés ; les provisions techniques sont couvertes par une MR permettant de
faire face aux situations dâinsuffisance de ces provisions ainsi quâun calcul prĂ©cis et
prudent du SCR, figurant dans le Capital de la compagnie, permettant plus de liberté
de placement que dans la Solvabilité I.
-Donner une certaine transparence dans la situation financiĂšre de la compagnie,
qui est mieux contrĂŽlĂ©e et suivi par la tutelle quâauparavant.
-LâĂ©valuation du bilan de lâassurance est selon la valeur de marchĂ© ; pour les
actifs le calcul est possible tout en se basant sur lâinformation de marchĂ©, pour le
passif on fait appel Ă des modĂšles internes pour calculer ce que nous appellerons la
« juste valeur ».
-LâintĂ©gration des diffĂ©rents risques qui touchent Ă tout le bilan de la
compagnie et qui sont quantifiés par des SCR comme le montre la figure suivante
Figure 1 : RĂ©partition du SCR selon les risques touchant au bilan dâune assurance en non vie
SCR
SCR(non vie)
Risque primeRisque
provisionnement
SCR(Marché)
Risque actions Risque taux Risque immoRisque change Risque
concentration
SCR (Crédit) SCR(opér)
Partie I : Sur les normes de la directive «Solvabilité II »
16
Ainsi, on peut définir les différents risques comme suit :
Risque de prime : Autrement dit, le risque de sous tarification qui traduit
lâinsuffisance de la prime payĂ©e par lâassurĂ© Ă couvrir sa sinistralitĂ©. Ce genre
de risque est du principalement Ă une faible segmentation.
Risque de provisionnement : En gĂ©nĂ©ral, ce risque traduit lâinsuffisance des
réserves constituées pour couvrir la sinistralité des assurés. Dans le cadre de la
« Solvabilité II » ce risque traduit aussi la déviation défavorable de la CFP de
lâannĂ©e comptable (lâhorizon dâĂ©tude est rĂ©duit Ă un an au lieu de lâultime).
Risque de marchĂ© : nâest dâautre que lâimpact de la volatilitĂ© des instruments
financiers sur la valeur de marché des actifs et passifs de la compagnie ; dans
ce cadre on distingue :
risque dâactions : lâimpact de la volatilitĂ© du cours des actions
sur les actifs et passifs dont la valeur de marché dépend.
risque de taux : existe pour tous les actifs et passifs dont la
valeur est sensible aux changements de taux dâintĂ©rĂȘt
notamment le portefeuille obligataire.
risque dâimmobilier : câest la volatilitĂ© des prix de marchĂ© de
lâimmobilier.
risque de change : câest la volatilitĂ© du taux de change. Au cas
oĂč la compagnie dĂ©sire sâacheter de la devise pour des activitĂ©s
extĂ©rieures, ce risque doit ĂȘtre pris en considĂ©ration.
risque de concentration : câest le risque de la non diversification
du portefeuille des actifs de la compagnie par rapport aux
éléments suivants :
- Emetteur
- Secteur dâactivitĂ©
- Zone géographique
Et donc la volatilité du portefeuille augmente avec sa
concentration sur ces éléments.
Risque de crĂ©dit : ce sont les pertes possibles Ă lâissue du risque de dĂ©faut de la
contrepartie.
Risque opĂ©rationnel : câest le risque de la dĂ©faillance interne de la compagnie Ă
savoir le systĂšme informatique ou mĂȘme le personnel. Il est difficile Ă ĂȘtre
quantifié.
Ainsi, il y a une panoplie de risques auxquels une compagnie dâassurance non
vie est soumise. Nous limiterons notre Ă©tude sur le risque de provisionnement qui
figure dans le risque de souscription-non vie. Ce risque est le plus important Ă traiter
Partie I : Sur les normes de la directive «Solvabilité II »
17
pour une compagnie dâassurance non vie. Et donc on ne constituera Ă la fin que le
SCR lié à ce risque.
II.2 Les trois piliers de la « Solvabilité II » :
II.2.1 Présentation :
Les normes de solvabilitĂ© II, ayant suivi les traces de Bale II, sâappuient
sur les trois piliers suivants :
Figure 2 : Les trois piliers de la solvabilité II
Solvabilité II
âąPilier 1âą Exigences quantitatives
âą Fonds propres (SCR et MCR)
âą Provisions techniques
âąPilier 2âą Processus de surveillance prudentielle
âą Gestion des risques
âą Controle interne
âą Gouvernance
âąPilier 3âą Transparence et communication
âą Publication d'informations
âą Transparence financiĂšre
Partie I : Sur les normes de la directive «Solvabilité II »
18
II.2.2 Normes quantitatives du calcul des provisions et fonds propres :
La Solvabilité II a pris en considération des paramÚtres fondamentaux et
indispensables qui étaient négligés par la directive « Solvabilité I » à savoir les piliers
2 et 3.
Dans notre Ă©tude, on se limitera sur le premier pilier qui constitue la base de la
pĂ©rennitĂ© dâune compagnie dâassurance. Ses composantes sont les suivantes :
+SCR : Traduit le niveau de fonds propres pour lequel le risque de ruine est
limitĂ© Ă 0.5%, en dâautres termes 99.5% de chance que la perte pouvant ĂȘtre subie par
la compagnie puisse ĂȘtre couvrable par les fonds propres. Ce capital peut ĂȘtre calculĂ©
par des formules standards communiquées par les autorités ou des modÚles internes
validés par ces derniÚres.
+MCR : câest le minimum de capital Ă constituer par la compagnie, ne pas
lâatteindre signifie lâintervention des autoritĂ©s pour exiger la mise en place de certaines
directives. Son calcul devra ĂȘtre simple et ne sera pas abordĂ© dans ce mĂ©moire. On
peut prendre simplement :
MCR= (1/3) *SCR
+BE : Comme son nom lâindique, câest le meilleur estimateur des rĂ©serves que
doit constituer lâassureur qui nâest dâautre que la valeur actuelle probable des flux
futurs.
+MR : Constitue une couche supplémentaire des provisions techniques en BE,
pour remĂ©dier au risque dâinsuffisance ou dâextinction de ces provisions. Elle permet
de communiquer un niveau de confiance important Ă lâassureur en cas de liquidation
de son portefeuille dâassurĂ©s. Il est Ă noter que lâassureur nâenvisage pas ou nâest pas
en mesure de liquider son portefeuille, il sâagit de lâaspect prudentiel du calcul de la
MR.
Il est Ă noter que le BE et la MR constitue la juste valeur ou la valeur de
marchĂ© des provisions techniques. La figure suivante montre le bilan dâune compagnie
dâassurance sous la directive de SolvabilitĂ© II
Partie I : Sur les normes de la directive «Solvabilité II »
19
Figure 3: Bilan Ă©conomique dâune assurance sous la SolvabilitĂ© II
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
20
Partie II : le cadre thĂ©orique de lâĂ©valuation des provisions
Chapitre I : MĂ©thodes dĂ©terministes Dans cette partie nous prĂ©senterons lâapplication des diffĂ©rentes mĂ©thodes
pour calcul de la BE. Nous ne nous limiterons pas aux résultats classiques de la
méthode bien connue de Chain Ladder mais chercherons à comparer différentes
mĂ©thodes, sans toutefois avoir la prĂ©tention dâen faire une liste exhaustive.
Ces méthodes reposent sur une hypothÚse indispensable à vérifier qui est la
stabilité des cadences de paiement qui est définit comme rapport entre le rÚglement
cumulĂ© effectuĂ© aprĂšs j annĂ©es au comptes des sinistres survenus Ă lâannĂ©e i, et la
charge ultime estimĂ©e (somme de rĂšglement et la PSAP) pour la mĂȘme catĂ©gorie des
sinistres avec : i=0âŠ..n et j=0âŠ.n. La stabilitĂ© de ces cadences traduit la convergence
de leur comportement par année de survenance (voir plus loin dans la partie du cadre
pratique de lâĂ©valuation des provisions).
Commençons donc par présenter quelques méthodes déterministes classiques
dâĂ©valuation des provisions. Nous Ă©tudierons des approches stochastiques dans le
chapitre suivant.
I.1Données utilisées :
Dans la société Saham Assurance, le triangle de liquidation de la branche
pilote est actuellement disponible sur 16 ans.
Cependant, chaque rÚglement constitue un cumul de paiements des années
de dĂ©veloppements antĂ©rieures. Lâobjectif est dâavoir une richesse des rĂ©sultats et de
calculer la réserve totale par une panoplie de méthodes et ce pour retenir celle qui
sâajuste mieux Ă notre branche et qui servira comme outil principal pour obtenir notre
BE.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
21
Tableau 1: Paiements cumulés de la branche Accident de Travail
I.2 MĂ©thode de Chain Ladder
Cette mĂ©thode de calcul de provision (que lâon appelle aussi cadence de
rĂšglement) est relativement ancienne puisquâon peut trouver la trace de ses premiĂšres
apparitions dans des livres de droit des assurances des années 1930, comme par
exemple Astesan [1938]. Câest une mĂ©thode gĂ©nĂ©rique qui peut sâappliquer sur tous
les types de triangles (de développement, de charges etc.)
La méthode de Chain Ladder est de loin la plus couramment utilisée par les
compagnies dâassurance du fait notamment de sa facilitĂ© de mise en Ćuvre. Elle
sâapplique aux montants cumulĂ©s đ¶đ ,đ et suppose que la cadence des paiements dĂ©pend
de lâannĂ©e de dĂ©veloppement des sinistres. Cela revient Ă Ă©crire :
đ¶đ ,đ+1= đđ . đ¶đ ,đ , avec :
-đ¶đ ,đ : Chargement cumulĂ© associĂ© Ă la đĂšđđ annĂ©e de survenance et la đĂšđđ
annĂ©e de dĂ©veloppement, i=0âŠâŠn et j=0âŠâŠ.n
- đđ est le facteur de dĂ©veloppement de lâannĂ©e de dĂ©veloppement j Ă j + 1.
-đđ ,đ : Les paiements non cumulĂ©s (incrĂ©ments) associĂ©s Ă la đĂšđđ annĂ©e de
survenance et la đĂšđđ annĂ©e de dĂ©veloppement, i=0âŠâŠn et j=0âŠâŠ.n
On a donc đ¶đ,đ+1 = đ¶đ ,đ + đđ ,đ+1 , âjâ„0 et đ¶đ,0 = đđ,0
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
22
Donc il est possible dâestimer les paiements futurs. En dâautres termes,
remplir le triangle inférieur de nos rÚglements à estimer et ce à partir du triangle de
liquidation cumulé initial :
Ce triangle peut ĂȘtre lu de trois façons :
-Les lignes correspondent aux années de survenance i des sinistres,
-Les colonnes aux années de développement j,
-Les diagonales aux années calendaires i+j,
I.2.1 HypothĂšses
La méthode de CL repose sur deux hypothÚses, à savoir :
â (H1) les annĂ©es de survenance sont indĂ©pendantes ;
â (H2) les annĂ©es de dĂ©veloppement sont des variables explicatives du comportement
des paiements cumulés
I.2.2 MĂ©thode
Sous ces hypothÚses, les facteurs de développement sont estimés par :
đđ = đ¶đ ,đ+1
đâđâ1đ=0
đ¶đ,đ đâđâ1đ=0
Pour j=0 Ă n-1
Les facteurs de développement permettent de compléter le triangle inférieur.
On estime alors :
đ¶đ,đ+1 = đđ · đ¶đ,đ pour i+j > n
La provision de lâannĂ©e de survenance i, notĂ©e ËRi sâestime alors par la
relation :
đ đ = đ¶đ,đ
â đ¶đ ,đâđ
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
23
Enfin, lâestimation du montant total de la provision, notĂ©e R est obtenu en
sommant les provisions de chaque année de survenance :
đ = đ đ
đ
đ=1
I.2.3 Critiques
Nous avons vu que cette mĂ©thode a lâavantage dâĂȘtre aisĂ©e Ă appliquer.
Cependant, elle repose sur des hypothĂšses qui peuvent ne pas sâavĂ©rer rĂ©alistes dans la
pratique :
â (H1) Il sâagit dâune hypothĂšse forte qui suppose en particulier une stabilitĂ©
des annĂ©es calendaires, câest-Ă -dire pas de changement dans la lĂ©gislation, la gestion
des sinistres, le management, lâinflation. En effet, ces phĂ©nomĂšnes peuvent affecter
plusieurs annĂ©es de survenances et donc entraĂźner la non-satisfaction de lâhypothĂšse
dâindĂ©pendance des annĂ©es de survenance. De plus, les sinistres survenus au cours
dâune annĂ©e donnĂ©e sont censĂ©s nâavoir aucune influence sur les sinistres pouvant
survenir lâannĂ©e suivante.
â (H2) Cette hypothĂšse suppose que la seule explication de lâĂ©volution du
montant des sinistres au cours des années de développement est justement la durée de
ce développement. Cela implique une non-corrélation des facteurs de développement
successifs.
Il est Ă noter que le test de ces hypothĂšses aura lieu dans le cadre pratique de
la méthode
Une autre critique provient du dernier facteur de dĂ©veloppement qui nâest
estimé que sur une seule observation
đđâ1 = đ¶0,đ /đ¶0,đâ1 .
De plus ces donnĂ©es-lĂ (đ¶0,đ et đ¶0,đâ1) sont des donnĂ©es trĂšs anciennes (n annĂ©es
avant lâannĂ©e courante).Pour les annĂ©es de survenance rĂ©centes, lâestimation de la
charge finale dépend des n facteurs de développement estimés sur les n années de
survenance prĂ©cĂ©dentes et repose sur le premier paiement effectuĂ©. Lâincertitude de
lâestimation est donc trĂšs forte.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
24
I.3 MĂ©thode de London Chain
Cette méthode a été introduite par Benjamin et Eagles [1986] afin de calculer
des provisions aux Lloydâs, elle est moins utilisĂ©e, mais permet dâĂ©tudier les rĂ©sultats
obtenus lorsquâon ne se contraint plus Ă avoir une relation linĂ©aire entre đ¶đ ,đ et đ¶đ ,đ+1
comme la mĂ©thode de Chain Ladder. En effet cette mĂ©thode suppose quâil existe une
fonction affine entre les paiements cumulés de deux années de développement
successives, telle que :
đ¶đ ,đ+1 = đđ â đ¶đ ,đ + đŒđ pour j < n-1
đ¶đ ,đ = đđâ1 â đ¶đ ,đâ1 et đŒđâ1 = 0
Par la mĂ©thode des moindres carrĂ©s on cherche Ă rĂ©soudre lâĂ©quation
suivante :
đđ , âđ = đđđđđđ đ¶đ ,đ+1 ââđâ đđ . đ¶đ ,đ 2đâđâ1
đ=0 Pour j= 0 Ă n-1
Ainsi, on obtient par cette formule :
đđ =
1
đâđâ1â đ¶đ ,đ .đ¶đ ,đ+1âđ¶đ
đâđâ1đ=0 .đ¶đ+1
1
đâđâ1. đ¶đ ,đ
2đâđâ1đ=0
â(đ¶đ ) 2 Et âđ = đ¶đ+1
â đđ . đ¶đ
Avec :
đ¶đ =1
đ â đ â 1. đ¶đ ,đ đžđĄ đ¶đ+1
=1
đ â đ â 1 . đ¶đ ,đ + 1
đâđâ1
đ=0
đâđâ1
đ=0
Il est Ă noter que si lâhypothĂšse (H2) de la mĂ©thode de Chain Ladder est
vĂ©rifiĂ©e, Ă savoir les points (đ¶đ,đ , đ¶đ ,đ+1) pour chaque annĂ©e j sensiblement alignĂ©s, ils
le seront aussi par une droite non contrainte Ă lâorigine.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
25
I.4 MĂ©thode de Taylor
Cette mĂ©thode suppose : đ§đ ,đ=đđ *đđ+đ oĂč đđ est la part payĂ©e la đĂšđđ annĂ©e de
dĂ©veloppement et đđ+đ est le coĂ»t total payĂ© lors de lâannĂ©e calendaire i + j. Cette
mĂ©thode permet dâintĂ©grer des hypothĂšses dâinflation
On obtient :
đąđ = đđ ,đâđ đđ =đ0,đ
đąđ
đ
đ=0
đđâđ =
đđ ,đâđđđ=0
đąđ đđ=đâđ
đąđâđ = đđ , đâđ âđ
đâđđ=0
1 â đđ đđ=đâđ+1
Il sâagit ensuite dâextrapoler les coefficients đđ avec k=n + 1 Ă 2n. Pour cela
il faut estimer lâinflation future. Il est possible de se baser sur lâinflation observĂ©e sur
les années calendaires 0 à n. Différentes méthodes sont possibles pour cela mais on se
limitera Ă lâextrapolation exponentielle.
đđ,đ = đđ â đąđ+đ
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
26
Chapitre II : MĂ©thodes stochastiques
Dans une optique de gestion des risques, il peut ĂȘtre plus judicieux dâutiliser
les mĂ©thodes stochastiques permettant de quantifier le risque dâestimation des
provisions Ă lâultime ainsi que mesurer leur incertitude et ce pour la branche pilote de
la compagnie afin de faire face à nos engagements vis-à -vis des assurés.
II.1 MĂ©thode de GLM
Cette méthode se base sur des modÚles qui sont formés de trois composantes :
la composante aléatoire, la composante systématique et la fonction de lien.
⹠La composante aléatoire :
On cherche Ă expliquer les variables alĂ©atoires rĂ©elles (đđ ,đ ) indĂ©pendantes et
dont la loi de probabilité est de type exponentiel. On se situe donc dans le cadre
suivant :
(H1) Les paiements annuels non cumulĂ©s (đđ ,đ ) sont indĂ©pendants.
(H2) Les paiements annuels non cumulĂ©s (đđ ,đ ) appartiennent Ă la famille
exponentielle, de densité :
đ(đđ,đ /đđ,đ ; đ) = exp(đ€ đ,đ
đ (đđ ,đ đđ,đ â đ(đđ,đ )) + đ(đđ ,đ ; đ)) ;
OĂč :
âđđ ,đ est un paramĂštre rĂ©el, appelĂ© paramĂštre canonique ou paramĂštre de la moyenne,
âđ est un paramĂštre de dispersion strictement positif,
âđ€đ ,đ est une pondĂ©ration (=1 par la suite),
âb et c sont des fonctions spĂ©cifiques de la distribution,
b Ă©tant deux fois dĂ©rivable Ă valeurs dans R et c Ă valeurs dans đ 2
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
27
Les lois les plus utilisées sont : Poisson, Gamma, normal (qui donne des
rÚglements estimés négatives et donc non appropriée à notre cas), log normal (qui ne
fait partie de la famille exponentielle mais simulable tout en prenant le log
(rĂšglements) suivant la normale), Inverse gaussien.
Tableau 2 : quelques exemples de famille de lois exponentielles
Pour avoir une idée en avance sur le comportement des rÚglements, il suffit
de tracer le QQ_Plot qui traduit la loi qui sâajuste mieux aux quantiles empiriques.
Les propriétés remarquables de la famille exponentielle :
1-On obtient lâespĂ©rance (si elle existe) en dĂ©rivant la fonction b
đž đđ,đ = đâČ(đđ,đ )
2-On obtient la variance (si elle existe) assez simplement :
đđđ đđ ,đ = đâČâČ (đđ,đ )đ
đ€ đ,đ
DâoĂč la raison de lâappellation de đ du paramĂštre de dispersion
⹠La composante systématique :
Câest une combinaison linĂ©aire des variables explicatives des đđ ,đ ; dans le cas
du provisionnement Ă deux variables exogĂšnes qualitatives, cette composante peut
sâĂ©crire comme suit :
đđ ,đ = đ + đŒđ + đœđ ;
OĂč:
- đŒđ đđ đĄ đđ đđđđđĂšđĄđđ đđĂ© Ă đđ đĂšđđ đđđĂ©đ đđ đ đąđđŁđđđđđđ
- đœđ đđ đĄ đđ đđđđđĂšđĄđđ đđĂ© Ă đđ đĂšđđ đđđĂ©đ đđ đđđŁđđđđđđđđđđĄ tel que
1 †đ, đ †đ ; Avec n est lâhorizon du triangle de liquidation.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
28
Ainsi, đŒđ đđĄ đœđ ne sont dâautres que les coefficients de rĂ©gression quâon vise
Ă estimer pour calculer les prĂ©dicteurs linĂ©aires đ(đž đđ ,đ ) .Les deux variables
qualitatives contiennent n modalitĂ©s. Par hypothĂšse, on prend đŒđ = đœđ = 0 et ce
pour raison dâidentifiabilitĂ© du modĂšle.
âą La fonction de lien :
Câest la fonction qui fait le lien entre la composante alĂ©atoire et la
composante systĂ©matique. Il sâagit dâune fonction rĂ©elle g, strictement monotone et
dérivable telle que :
đž đđ,đ = đđ ,đ = đâ1 đđ,đ đđą đđđđ đ đž đđ,đ = đ đđ ,đ = đđ ,đ
Nous allons utiliser la méthode du maximum de vraisemblance. La
vraisemblance dâun Ă©chantillon indĂ©pendant (đ§đ ,đ ) comme Ă©tant des rĂ©alisations de la
variable alĂ©atoire Z sâĂ©crit :
L ((đ§đ ,đ )1â€đ ,đâ€đ )= exp(đ€đ ,đ
đ (đđ ,đ đđ,đ â đ đđ ,đ ) + đ(đđ ,đ ; đ))đ
đ=1đđ=1
Il est Ă noter que le vecteur ( đŒ1, ⊠, đŒđ , đœ1,âŠâŠ , đœđ , đ) est celui qui
maximise cette fonction. Pour ajuster lâĂ©criture de cette fonction, on a :
đđ ,đ = đâČâ1(đž đđ ,đ )= đâČâ1(đâ1 đđ,đ )= đâČâ1(đâ1 đ + đŒđ + đœđ )
Ainsi, la fonction de log vraisemblance Ă maximiser pour obtenir nos
paramĂštres estimĂ©s đŒđ ,đœđ đđĄ đ est la suivante :
l((đ§đ ,đ )1â€đ,đâ€đ )= đ€ đ ,đ
đ(đđ ,đ đ
âČâ1 đâ1 đ + đŒđ + đœđ â đ đâČâ1 đâ1 đ +đđ=1
đđ=1
đŒđ+ đœđ )+ đ(đđ,đ,đ)]
Pratiquement, on obtient ces estimations par la procédure « GENMOD » sur le
logiciel SAS, comme on le montrera dans la partie suivante.
Dans la plupart des cas, on a tendance Ă prendre la fonction de lien comme
étant « log » et ce pour obtenir un modÚle multiplicatif. Brokman et Wright (1992) ont
motivĂ© ce choix vu quâil ne donne pas des rĂšglements estimĂ©s nĂ©gatives ou nuls
comme le cas du modĂšle additif.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
29
II.2 MĂ©thode de Mack
Câest la version stochastique de la mĂ©thode de CL, ayant Ă©tĂ© introduite en
1993 par Mack. Elle se base sur la rĂ©serve de CL puis le calcul de lâestimation de
lâerreur de provisionnement Ă lâultime traduisant lâimpact de la volatilitĂ© du montant
des provisions sur le bilan de la compagnie dâassurance. Il sâagit dâun modĂšle
paramĂ©trique vu quâil ne communique aucune distribution des chargements cumulĂ©s,
ni des réserves totales et donc pas de quantiles (notamment la value at Risk), mais
fournit les moments dâordre 1 et 2.
II.2.1 HypothĂšses
Ce modÚle se base sur trois hypothÚses ; la premiÚre étant vérifiée par CL et
qui traduit lâindĂ©pendance des annĂ©es de survenance tandis que la deuxiĂšme a Ă©tĂ©
rĂ©introduite pour prendre en considĂ©ration lâaspect stochastique de la mĂ©thode mais
qui est aussi vérifiée par CL. Ainsi, la méthode déterministe de CL devient :
đž đ¶đ,đ+1 = đđ â đž(đ¶đ,đ ) ; âđ, đ = 1, ⊠. . đ
Avec đđ est le coefficient de dĂ©veloppement de CL associĂ© Ă la đĂšđđ annĂ©e de
développement
Puis la derniÚre qui concerne la volatilité des données du triangle. Ainsi, on
peut reformuler ces hypothĂšses comme suit :
- (H1) les années de survenance sont indépendantes, c'est-à -dire que les
sinistres survenant ultĂ©rieurement nâexpliquent pas ceux dâavant :
(đ¶đ,đ ) IndĂ©pendant de (đ¶đ âČ ,đ ) pour đ â đâČ
- (H2) đž đ¶đ ,đ+1/đ¶đ,đ = đđ â đ¶đ ,đ ; âđ = 1, ⊠. . đ
- (H3) V(đ¶đ ,đ+1/đ¶đ ,đ )= đđ2 â đ¶đ ,đ
Sous les deux premiĂšres hypothĂšses, le modĂšle de Mack fournit les mĂȘmes
estimations des facteurs de développement que CL. Ainsi, on obtient une estimation
de la rĂ©serve annuelle đ đ .
Nous avons vĂ©rifiĂ© les deux premiĂšres hypothĂšses lors de lâintroduction de la
méthode de CL. Il reste à vérifier que la troisiÚme.
Dans ce cadre, on définit les résidus comme suit :
đđ ,đ =đ¶đ,đ+1âđđâđ¶đ ,đ
đđ â âđ¶đ ,đ ,
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
30
Puis les résidus standardisés :
đ·đ ,đ = đđ,đ
đđ =
đ¶đ,đ+1âđđâđ¶đ ,đ
âđ¶đ ,đ .
Afin de vérifier (H3), il suffit de prouver que les points de coordonnées
(đ¶đ ,đ , đ·đ ,đ ) ne prĂ©sentent aucune « structure », c'est-Ă -dire que les deux derniĂšres
hypothĂšses de Mack incorporent toute lâinformation traduisant le comportement et
lâĂ©volution des (đ¶đ,đ ) 1â€đ ,đâ€đ et qui ne peut ĂȘtre expliquĂ©e hors le cadre de Mack.
II.2.2 MĂ©thode
Ces hypothĂšses permettent dâestimer lâerreur de prĂ©vision, commise dans le
calcul des rĂ©serves annuelles, que nous mesurons par lâerreur quadratique moyenne
msep (mean squared error of prediction) :
Msep( đ đ) = E[(đ đ â đ đ) 2/D]
= E[(đ¶đ,đ â đ¶ đ,đ) 2/D]
Puisque đ đ = đ¶đ,đ â đ¶đ ,đâđ+1 et đ đ = đ¶ đ,đ â đ¶ đ ,đâđ+1
Avec D est lâinformation dont on dispose du tringle des rĂšglements cumulĂ©s,
dâoĂč D = đ¶đ ,đ ; đ + đ †đ ; 1 †đ, đ
Cette formule est décomposable sous la forme suivante :
đđ đđ( đ đ) = Var(đ¶đ,đ /đ·) + [E[(đ¶đ,đ/đ·] â đ¶ đ ,đ ]2
-La premiÚre erreur traduit la variance du processus, c'est-à -dire la variabilité
autour de la moyenne, due au processus stochastique. Cette erreur ne peut donc ĂȘtre
supprimée.
-La deuxiĂšme erreur provient de lâincertitude de lâestimation que lâon fait des
paramĂštres servant Ă dĂ©terminer đ¶ đ,đ . En gĂ©nĂ©ral, ce type dâerreur diminue avec
lâaugmentation de lâinformation disponible.
Erreur de processus Erreur dâestimation
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
31
Mack propose alors une estimation de lâerreur quadratique moyenne et ce
pour i=2 Ă n :
Msep( đ đ) = đ¶ đ,đ2. (đđ
2 đâ1 đ=đâđ+1 /đđ
2).(
1
đ¶ đ,đ +
1
đ¶đ ,đđâđđ=1
)
= đȘ đ,đ2. (đđ
đ đâ1đ=đâđ+1 /đđ
2* đȘ đ,đ) + đȘ đ,đ
đ. (đđ
đ đâ1đ=đâđ+1 / (đđ
2â đȘđ,đ
đâđđ=1 ))
Avec đ¶ đ,đâđ+1 = đ¶đ ,đâđ+1
On dĂ©finit, dans le mĂȘme cadre, đđ2 comme Ă©tant la volatilitĂ© du triangle par
année de développement j :
đđ2 = (
1
đâđâ1) â ( đ¶đ ,đ
đâđđ=1 â (
đ¶đ,đ+1
đ¶đ,đ â đđ )2) pour j†đ â 2;
Pour j=n-1, nous disposons dâune seule observation, de plus il faut sâassurer
quâil y ait une stabilitĂ© des rĂšglements tout en sâapprochant de la clĂŽture des sinistres :
đđâđđ
đđâđđ =
đđâđđ
đđâđđ ; ceci revient Ă prendre :
đđâ12 =min (
đđâ24
đđâ32 , đđâ2
2 , đđâ32 )
Dâautre part, pour estimer lâerreur de prĂ©diction de toutes les provisions de la
branche, Msep (R ) =Msep ( đ đ)đđ=1 , on ne peut pas simplement sommer
les Msep ( đ đ) relatifs Ă chaque annĂ©e de survenance du fait que celles-ci sont
estimĂ©es Ă lâaide des mĂȘmes facteurs de dĂ©veloppement. Il faut donc tenir compte
dâune corrĂ©lation entre elles. Mack estime alors erreur de provision pour toute la
réserve par :
Msep (R ) = (Msep( đ đ) đđ=2 + đ¶ đ ,đ .( đ¶ đ ,đ
đđ=đ+1 ).( (2. đđ2
đâ1đ=đâđ+1 / (đđ
2â đ¶đ ,đ
đâđđ=1 ))))
Erreur de processus Erreur dâestimation
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
32
On dispose Ă prĂ©sent dâun prĂ©dicteur de đ đ ( đ đ) et de lâĂ©cart-type de celui-
ci (se( đ đ) = đđ đđ( đ đ) ) ; qui servent comme paramĂštres pour la loi suivie par
les provisions et ce pour détecter les quantiles de la distribution des réserves totales.
Deux lois sont souvent utilisées en assurance non-vie : la loi normale et lognormale
quâon justifiera par le biais du cadre pratique de Bootstrap. Cependant, lâusage de la
loi normale est critiquĂ© vu quâelle peut prendre des valeurs nĂ©gatives, ce qui nâest pas
le cas des provisions.
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
33
II.3 MĂ©thode de Bootstrap
Le principe de la méthode du Bootstrap est de "créer" un plus grand nombre
de données à partir de celles qui sont disponibles. Cela se fait en ré-échantillonnant
nos donnĂ©es sur la base dâun tirage alĂ©atoire avec remise. Cette mĂ©thode est
habituellement dĂ©finie par lâexpression « se hisser en tirant sur ses propres lacets ».
LâhypothĂšse fondamentale est de supposer que les Ă©lĂ©ments qui sont rĂ©-
échantillonnés sont des variables aléatoires i.i.d.
Dans cette section nous appliquerons la méthode de ré-échantillonnage du
Bootstrap afin dâĂ©tudier la distribution suivie par le montant des provisions estimĂ©es.
LâhypothĂšse dâindĂ©pendance nâest pas vĂ©rifiĂ©e sur les incrĂ©ments de
paiements, câest pourquoi nous utilisons les rĂ©sidus dits de Pearson calculĂ©s Ă partir
de ces incrĂ©ments de paiements observĂ©s, afin que lâhypothĂšse dâindĂ©pendance soit
vérifiée
Les différentes étapes à effectuer sont :
Figure 4 : SchĂ©ma illustratif du principe du Bootstrap, dĂ©termination dâintervalle de
confiance des réserves IBNR
Partie II. Le cadre thĂ©orique de lâĂ©valuation des provisions
34
Phase 1 : Remplir le triangle inférieur avec la méthode CL
Triangle de paiements non cumulés
Triangle de paiements cumulés
Identification des facteurs de transition
DĂ©roulement du triangle
Phase 2 : Obtenir les résidus non standardisés
Calcul des valeurs prédites par le modÚle pour le triangle supérieur
Calcul du triangle des résidus de Pearson qui correspondent aux résidus bruts
standardisés
đđđ =đ¶đđ â đąđđ
đąđđ
Phase 3 : Identifier N triangles de résidus par tirage uniforme des résidus initiaux
Phase 4 : reconstituer le triangle de paiement pour chaque triangle de résidus
đđ ,đ = đđ,đ + đđ ,đ * đđ,đ
Phase 5 : Appliquer la méthode CL pour calculer les provisions
Phase 6 : Obtenir ainsi, un N-échantillon de réalisation de la variable provision et
donc une distribution empirique de lâestimation de la provision.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
35
Partie III : le cadre Pratique de lâĂ©valuation des
provisions
Chapitre I : Méthodes déterministes
I.1 VĂ©rification de lâhypothĂšse des mĂ©thodes dĂ©terministes
Toute mĂ©thode dĂ©terministe repose sur lâhypothĂšse de la stabilitĂ© de la
cadence de rĂšglements, câest pour cela quâil est nĂ©cessaire de la vĂ©rifier avant
dâappliquer la mĂ©thode de Chain Ladder Standard.
La cadence de rÚglement est le rapport entre le rÚglement cumulé effectué
aprĂšs j annĂ©es au comptes des sinistres survenus Ă lâannĂ©e i, et la charge ultime
estimĂ©e (somme de rĂšglement et la PSAP) pour la mĂȘme catĂ©gorie des sinistres avec :
i=1999 âŠ.. 2014 et j=0âŠ.15.
Ainsi, on a tracé le graphique des cadences de rÚglement des sinistres qui a
donnĂ© lâallure suivante :
Figure 5 :Evolution des cadences de paiements par année de survenance
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
36
Ainsi, notre hypothĂšse sâavĂšre vĂ©rifiĂ©e, vu quâil y a convergence des
comportements des cadences de paiements par année de survenance et une
stabilisation Ă partir de la 8Ăšđđ annĂ©e de dĂ©veloppement. La tendance croissante
remarquĂ©e au dĂ©but peut ĂȘtre expliquĂ©e par le fait quâon charge notre PSAP dans les
premiÚres années de développement pour liquider le maximum possibles des sinistres
et avoir une maitrise de risque et ce pour honorer le maximum des engagements de
lâassureur. La dĂ©croissance de la PSAP signifie la croissance de la cadence des
paiements et son rapprochement vers 1.
I.2 MĂ©thode de Chain Ladder
Avant dâappliquer le modĂšle de Chain Ladder, il est indispensable de vĂ©rifier
les hypothÚses spécifiques à cette méthode
I.2.1 test des hypothÚses de la méthode
La premiĂšre hypothĂšse est celle de lâindĂ©pendance des annĂ©es de survenance
entre elles, elle signifie que les sinistres survenus auparavant ne doivent influencer
lâincidence des sinistres des annĂ©es dâaprĂšs. En pratique, cette hypothĂšse est
généralement admise.
Afin de nous assurer de la véracité de cette hypothÚse, il est nécessaire de voir
le triangle des coefficients de dĂ©veloppement đđđ tel que đđđ = đ¶đđ +1
đ¶đđ , et de les
comparer Ă đ.đ =(
1
đŒ) đđđ
đŒđ=1 , avec I est le nombre des coefficients de dĂ©veloppement
đđđ par annĂ©e de dĂ©veloppement.
Tableau 3 : Triangle des coefficients de passage.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
37
On remarque que pour la premiĂšre annĂ©e, lâhypothĂšse dâĂ©galitĂ© des
coefficients sur les annĂ©es de survenance nâest pas rĂ©aliste vu quâil yâa une volatilitĂ©
importante des đđ0 par rapport Ă đ.0 . MalgrĂ© que le coefficient de variation est
infĂ©rieur Ă 30% pour toute ces annĂ©es ce qui traduit une stabilitĂ© des (đđđ ) et donc
câest un bon indicateur. De plus, une moyenne de 4,06 traduit que pour passer de la
premiÚre année de développement à la deuxiÚme, les chargements cumulés sont en
moyenne multipliés par 4,06. Mais, cette hypothÚse parait plus vraisemblable pour
les années de développement qui suivent comme le montre les trois graphes suivants :
Figure 6: Comparaison des đđđ Ă đ.đ pour j=0âŠ..14
Ainsi, on remarque un recul de lâĂ©cart maximal par rapport Ă la moyenne tout en
avançant dans les années de développement. Cet écart est de 1 pour j=0 puis 0.2 pour
j=2 ce qui nous laisse vraisemblablement accepter la premiĂšre hypothĂšse de Chain
Ladder.
La deuxiÚme hypothÚse repose sur le faite que les années de déroulement
sont les seules variables explicatives du comportement des sinistres futures, ce qui
veut dire quâil existe vraisemblablement đđ tel que đ¶đđ +1 = đđ â đ¶đđ . Ceci sous-
entend quâen traçant lâĂ©volution des (đ¶đđ , đ¶đđ +1) , il faut obtenir des droites linĂ©aires
sans origine.
Ainsi, on a vĂ©rifiĂ© ceci pour toutes les annĂ©es de dĂ©veloppement, sauf quâon a
relaté que les 10 premiÚres années dans notre rapport. Les 3 premiÚres sont les
suivantes tandis que les sept restantes sont Ă©laborĂ©es dans lâannexe B.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
38
Figure 7 ReprĂ©sentation des nuages de points (đȘđđđȘđđ+đ), j=0, 1,2
On remarque que la part de la variabilité expliquée par les années de
déroulement antérieures devient de plus en plus importante des rÚglements postérieurs
tout en avançant dans ces années, et ce à travers les coefficients de détermination
traduisant la qualité de nos ajustements.
De plus, les droites dâajustements sont linĂ©aires et passe par lâorigine, dâoĂč
lâacceptation de la deuxiĂšme hypothĂšse.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
39
I.2.2 Application de Chain Ladder
AprÚs avoir vérifié nos hypothÚses, il est indispensable de passer à la
modélisation de notre triangle de liquidation et ce à travers la méthode de Chain
Ladder. Tout dâabord, on commencera par le calcul de nos coefficients de passage par
année de déroulement, dont la formule est mentionnée dans la partie précédente,
comme étant une moyenne pondérée de la charge sinistre :
Tableau 4 : Coefficients de Passage selon le modĂšle de Chain Ladder
Grace Ă ces estimateurs đđ avec j=1âŠ.15, nous pouvons estimer :
Les IBNR qui traduisent les tardifs que la compagnie nâa pas encore
payée au compte des sinistres anciens et dont les montants de
rÚglements figurent dans le triangle inférieur de la table qui suit
Les (đ¶đčđđ) par annĂ©e de survenance qui sont les Ă©lĂ©ments de la
derniÚre colonne du tableau des rÚglements prédits.
Les provisions par exercice de survenance
đ đ = đ¶đ,đ
- đ¶đ,đâđ+1 avec đ¶đ ,đâđ+1 est le rĂšglement
cumulĂ© de la diagonale ainsi que la đĂšđđ ligne.
La provision totale à constituer pour toutes les années de survenance
agrégées.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
40
Tableau 5 : Tableau des rÚglements prédits par le modÚle de Chain Ladder
Suite à cette table, on a tous les ingrédients pour déduire les
provisions par année de survenance ainsi que la provision totale :
Tableau 6 : Provision Totale sous le modĂšle de Chain Ladder
Ainsi, la valeur de la Provision totale selon Chain Ladder Standard est de
409 188 852,49 DHS.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
41
I.3 Application de London Chain
Selon le modÚle de London Chain, les chargements cumulés
(đ¶đđ , đ¶đđ +1) sâalignent selon une droite dâajustement mais en prĂ©sence dâune
constante comme mentionné dans le cadre théorique de la méthode. Le tableau
suivant traduit les rĂ©sultats quâon a obtenus tout en appliquant ce modĂšle :
Tableau 7 : Estimation des paramÚtres de régression
Suite au tableau prĂ©cĂ©dent, on peut calculer les (đ¶đčđđ ) et donc les provisions
par année de survenance ainsi que la réserve totale.
Tableau 8 : Provision Totale sous le modĂšle de London Chain
Ainsi, la valeur de la Provision totale selon London Chain est de
387 613 801,98 DHS.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
42
I.4 Application de Taylor
Ce modĂšle suppose que chaque rĂšglement estimĂ© constitue une proportion đđ
du cout total payĂ© dans lâannĂ©e calendaire i+j :đđ+đ , câest-Ă -dire đ§đ ,đ =đđ *đđ+đ . Il
sâagit dâun modĂšle qui intĂšgre les hypothĂšses dâinflation.
En se basant sur les formules introduites dans le cadre théorique du modÚle
de Taylor, on a calculĂ© les đđ et les đđ+đ pour les 16(n) premiĂšres annĂ©es
calendaires. Puis, on a extrapolé ceux des années futures (de n+1 à 2n).
Tableau 9 : Calcul des đ(đ) actuels et futurs ainsi que Pj, n=i+j=0âŠâŠ..15 et j=0âŠ..15
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
43
Il est Ă noter que lâextrapolation a Ă©tĂ© effectuĂ©e selon le modĂšle exponentielle
(log(đąđ)=f(n)) vu quâil avait le coefficient de dĂ©termination le plus important ,
avec n signifie les années calendaires.
Figure 8 : Extrapolation des log(u(i+j)) linĂ©airement, avec i+j=0,âŠ15
Il est Ă noter quâil faut travailler avec un triangle de rĂšglements dĂ©cumulĂ©s
pour Ă©laborer le modĂšle de Taylor. Ainsi, on peut maintenant calculer les
đ§đ,đ = đđ *đđ+đ , avec i+j=16âŠâŠ30.
Tableau 10: Calcul des rÚglements futurs (z(i,j) ) par la méthode de Taylor, avec
i+j=16âŠâŠ30 et i=0âŠâŠ15, j=0âŠâŠâŠ15
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
44
Puis, en cumulant on trouve nos (đ¶đčđđ) et donc nos provisions par annĂ©e de
survenance et donc la provision totale.
Tableau 11 : Provision Totale sous le modĂšle de Taylor
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
45
Chapitre II : MĂ©thodes stochastiques
De maniÚre générale, les méthodes stochastiques supposent que les
chargements cumulĂ©s (đ¶đ,đ ) 0â€đ,đâ€đ sont des variables alĂ©atoires et ce pour mesurer
lâincertitude qui frappe le calcul de la rĂ©serve Ă constituer pour faire face aux
engagements de lâassureur.
II.1 Application de GLM
Dans ce cadre, on se basera sur le triangle des rĂšglements
dĂ©cumulĂ©s (đđ,đ ) 1â€đ ,đâ€đ , devant vĂ©rifier les hypothĂšses du modĂšle GLM et quâon
estimera tout en se basant sur nos variables explicatives qui sont les années de
survenance et de développement.
Tableau 12 : Extrait de la base servant comme support de calcul des paramĂštres de GLM
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
46
Cette base nous permettra de calculer les paramÚtres associés aux variables
explicatives du modĂšle et ce dans le cadre du GLM. Mais avant, il faut voir le
comportement de nos rÚglements et ce pour détecter la loi, figurant dans la famille
exponentielle, qui sâajuste mieux.
Dans ce cadre, notre recherche Ă travers le principe du Q-Q plot, a abouti Ă 3
lois : Gamma, Normal et log normal.
Il est Ă noter quâen cas dâusage de la log normale, on rĂ©gressera le
log(rÚglements) (qui suivent une loi normale) sur les années de survenance et
développement et ce pour obtenir les paramÚtres de régression
(đž(log đĂšđđđđđđđĄđ ) = đ + đŒđ + đœđ ) puis on dĂ©duit les valeurs des
rĂšglements moyens suivant la log normale Ă travers la propriĂ©tĂ© de lâannexe C.
Figure 9: QQ-Plot selon la distribution gamma
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
47
Figure 10 : QQ-Plot selon la distribution logNormale
Figure 11: QQ-Plot selon la distribution normale
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
48
On remarque que pour les trois distributions, les nuages de points sâajuste
vraisemblablement Ă leurs droites de rĂ©fĂ©rences, câest ainsi quâil faut trancher par un
test plus fort, il sâagit du test de Kolmogorov Smirnov (Annexe E). LâimplĂ©mentation
de ce test est effectuée sur le logiciel SAS comme le montre les sorties suivantes :
Goodness-of-Fit Tests for Gamma Distribution
Test Statistique p Value
Kolmogorov-Smirnov D 0.06885032 Pr > D >0.250
Cramer-von Mises W-Sq 0.10432308 Pr > W-Sq >0.250
Anderson-Darling A-Sq 0.93533519 Pr > A-Sq 0.142
Tableau 13: Test de Kolmogorov Smirnov de la distribution Gamma
Goodness-of-Fit Tests for Lognormal Distribution
Test Statistique p Value
Kolmogorov-Smirnov D 0.07902786 Pr > D 0.020
Cramer-von Mises W-Sq 0.17471287 Pr > W-Sq 0.004
Anderson-Darling A-Sq 1.31837200 Pr > A-Sq <0.001
Tableau 14:Test de Kolmogorov Smirnov de la distribution LogNormale
Goodness-of-Fit Tests for Normal Distribution
Test Statistique p-Value
Kolmogorov-Smirnov D 0.15240299 Pr > D <0.010
Cramer-von Mises W-Sq 0.82467408 Pr > W-Sq <0.005
Anderson-Darling A-Sq 4.82727322 Pr > A-Sq <0.005
Tableau 15 :Test de Kolmogorov Smirnov de la distribution Normale
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
49
Il est clair que la distribution Gamma qui sâajuste mieux Ă notre distribution
vu quâelle a une P_value > 0.05. En gĂ©nĂ©ral, cette loi sâadapte avec les phĂ©nomĂšnes
dâordre de grandeur positive.
Pour résumer, la loi exponentielle prise est la loi gamma, la fonction de lien
est la fonction logarithme et ce pour avoir un modĂšle multiplicatif, les variables
explicatives sont :
LâannĂ©e de survenance : notĂ©e sous SAS par « annee-surv »
LâannĂ©e de dĂ©veloppement : notĂ©e sous SAS par « annee-
develop »
Ainsi, et par le moyen de la procédure « Genmod » sur SAS, on obtient nos
paramĂštres đŒđ et đœđ associĂ©s respectivement aux variables explicatives prĂ©cĂ©dentes :
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
50
Analyse des valeurs estimées du paramÚtre de vraisemblance maximum
ParamĂštre DDL
Valeur
estimée
Erreur
type
Intervalle de
confiance de
Wald Ă 95 %
Khi-2
de
Wald Pr > Khi-2
Intercept 1 11.6095 0.6107 10.4125 12.8065 361.35 <.0001
annee_surv 1 1 -0.2819 0.4469 -1.1579 0.5940 0.40 <.0001
annee_surv 2 1 -0.4075 0.4456 -1.2809 0.4659 0.84 <.0001
annee_surv 3 1 -0.2809 0.4482 -1.1593 0.5975 0.39 <.0001
annee_surv 4 1 -0.2401 0.4467 -1.1157 0.6355 0.29 <.0001
annee_surv 5 1 -0.2701 0.4470 -1.1461 0.6059 0.37 <.0001
annee_surv 6 1 -0.2006 0.4481 -1.0789 0.6776 0.20 <.0001
annee_surv 7 1 -0.2324 0.4493 -1.1130 0.6482 0.27 <.0001
annee_surv 8 1 -0.1654 0.4511 -1.0495 0.7187 0.13 <.0001
annee_surv 9 1 -0.1096 0.4535 -0.9984 0.7792 0.06 <.0001
annee_surv 10 1 0.1155 0.4560 -0.7783 1.0093 0.06 <.0001
annee_surv 11 1 -0.0125 0.4617 -0.9175 0.8924 0.00 <.0001
annee_surv 12 1 -0.1903 0.4677 -1.1070 0.7265 0.17 <.0001
annee_surv 13 1 -0.1679 0.4747 -1.0982 0.7624 0.13 <.0001
annee_surv 14 1 -0.0826 0.4888 -1.0407 0.8755 0.03 <.0001
annee_surv 15 1 -0.0870 0.5142 -1.0948 0.9207 0.03 <.0001
annee_surv 16 0 0.0000 0.0000 0.0000 0.0000 . .
annee_develop 1 1 4.3412 0.4469 3.4652 5.2172 94.35 <.0001
annee_develop 2 1 5.4527 0.4466 4.5773 6.3280 149.06 <.0001
annee_develop 3 1 5.5548 0.4486 4.6756 6.4340 153.34 <.0001
annee_develop 4 1 5.3453 0.4491 4.4650 6.2256 141.64 <.0001
annee_develop 5 1 4.9108 0.4495 4.0299 5.7918 119.37 <.0001
annee_develop 6 1 4.4515 0.4499 3.5697 5.3333 97.89 <.0001
annee_develop 7 1 4.2434 0.4510 3.3594 5.1274 88.51 <.0001
annee_develop 8 1 3.8197 0.4534 2.9311 4.7083 70.98 <.0001
annee_develop 9 1 3.3907 0.4541 2.5007 4.2807 55.75 <.0001
annee_develop 10 1 3.1658 0.4598 2.2646 4.0669 47.41 <.0001
annee_develop 11 1 2.9810 0.4614 2.0767 3.8853 41.74 <.0001
annee_develop 12 1 2.3960 0.4610 1.4925 3.2995 27.01 <.0001
annee_develop 13 1 1.4847 0.4733 0.5570 2.4123 9.84 <.0001
annee_develop 14 1 0.2298 0.5042 -0.7583 1.2179 0.21 <.0001
annee_develop 15 1 1.2775 0.5128 0.2723 2.2826 6.21 <.0001
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
51
Tableau 16 : ParamĂštres de la loi Gamma
Ainsi, on déduit que le test de Wald rejette la nullité de tous les paramÚtres de
la modélisation et donc ces variables sont significatives au seuil de 5%.
Pour le cas de la loi gamma(đŒ,đœ), le scale nâest dâautre que le 1/ đ tel que
đ= (1/đœ), ce qui revient Ă dire que le scale est đœ. Pour les autres lois, le scale est âđ.
Il est Ă noter quâon a đŒ16 = đœ16=0, pour permettre lâidentifiabilitĂ© du
modÚle, mais aussi le logiciel SAS prend par défaut une classe de référence qui est
dans notre cas lâensemble des sinistres survenus Ă la 16Ăšđđ annĂ©e (2014) et rĂ©glĂ©s
aprÚs 16 ans, et dont le rÚglement décumulé estimé sera :
E(đ§2014 ,16) = exp(intercept + đŒ16+đœ16 )= exp(intercept).
JusquâĂ maintenant, on a obtenu la significativitĂ© des paramĂštres non celle du
modÚle. Pour ce faire, on se basera sur la statistique de la déviance :
D=2(đđ đđĄđąđ -đ ) = 2 (đ§đ,đ đđ,đ
âđđ,đ â đ đđ,đ
+đ đđ,đ
đ)đ
đ=1 = (đđđ·)2đ
đ=1 ~đđâđ2
Avec :
-n est le nombre des rÚglements observés
-p est le nombre de paramÚtres du modÚle considéré
-đđđ· est le rĂ©sidu de dĂ©viance ( 2(
đ§đ,đ đđ,đ âđđ,đ
â đ đđ,đ +đ đđ,đ
đ))
- đđ đđĄđąđ est la log-vraisemblance du modĂšle saturĂ© qui est parfait et pour
lequel les rĂšglements prĂ©dits sont les mĂȘmes que les rĂšglements observĂ©s et qui ne
détient pas forcément les paramÚtres prises dans le modÚle considéré
- đ est la log-vraisemblance du modĂšle considĂ©rĂ©.
-đđ,đ le paramĂštre obtenu par le modĂšle parfait.
-đđ,đ le paramĂštre obtenu par le modĂšle considĂ©rĂ©.
annee_develop 16 0 0.0000 0.0000 0.0000 0.0000 . .
Scale 1 5.7725 0.6808 4.5812 7.2736
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
52
On rappelle que la fonction de densitĂ© dâune loi exponentielle est comme
suit :
đ(đđ ,đ /đđ ,đ ; đ) = exp(đ€ đ ,đ
đ(đđ ,đ đđ ,đ â đ(đđ ,đ )) + đ(đđ ,đ ; đ))
Pour le cas de la loi gamma, on a : đ= (1/đŒ) et đ= (1/đœ).
Ainsi, pour que le modÚle soit validé, il faut que :
đ·đđđ đđđŁ Ă© < đđâđ ,0.952 , ou bien P_value > 0.05 (on suppose quâon travaille avec
un niveau de confiance de 95%) et ce pour accepter Ho tel que :
H0 : Le modÚle considéré à p paramÚtres est adéquat.
Dans ce cadre, on obtient la sortie suivante et ce sur le logiciel SAS :
CritÚre d'évaluation de l'adéquation
CritĂšre DDL Valeur Valeur/DDL
Deviance 105 21.8223 0.2078
Scaled Deviance 105 125.9150 1.1991
Pearson Chi-Square 105 21.0419 0.2003
Scaled Pearson X2 105 121.4123 1.1563
Log Likelihood -2186.8704
Full Log Likelihood -2186.8704
AIC (smaller is better) 4437.7408
AICC (smaller is better) 4458.2457
BIC (smaller is better) 4530.9458
Tableau 17 : Sortie informant sur la statistique de la déviance du modÚle
Il est Ă noter que la valeur đ·đđđ đđđŁ Ă© est le « scaled » « Deviance » et non
« Deviance » qui traduit đđ·đđđ đđđŁ Ă©. Dans notre cas, on a 136 observations et 31
paramĂštres (un paramĂštre regroupe đŒ16et đœ16 et lâintercept ce qui laisse 30 autres
paramĂštres pour les divers variables explicatives).
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
53
Suite Ă cette sortie, on sâest ramenĂ© au calcul de la P-value pour avoir le droit
de valider statistiquement le modĂšle :
Tableau 18 : Calcul de la P-value pour la statistique de DĂ©viance
Etant donnĂ© quâon a trouvĂ© une P-value > 0.05, alors on accepte H0, ce qui
revient Ă dire que notre modĂšle est statistiquement valide.
Ainsi, on peut calculer nos rÚglements estimés et ce comme suit :
E(đ§đ,đ ) = exp(intercept + đŒđ+đœđ ), avec i=1999âŠ2014 et j=1 âŠ..16
Tableau 19 : Calcul des rÚglements estimés par la méthode de GLM-Gamma
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
54
Vu que notre table est décumulée, il faut alors cumuler pour obtenir nos
(đ¶đčđđ) et donc nos provisions par annĂ©e de survenance et donc la provision totale
pour le cas du modĂšle de GLM :
Tableau 20 : Provision Totale sous le modĂšle de GLM-Gamma
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
55
II.2 MĂ©thode de Mack
AprĂšs avoir calculĂ© la rĂ©serve de la branche pilote de la compagnie et ce Ă
travers divers mĂ©thodes, il est temps de mesurer lâincertitude qui frappe le calcul de
nos rĂ©serves annuelles et mĂȘme totale et ce pour quantifier le risque de
provisionnement Ă lâultime et de constituer les intervalles de confiance permettant de
cerner leur Ă©volution.
II.2.1 Test des hypothĂšses
Comme mentionnĂ© auparavant, ce nâest que la version stochastique de la
mĂ©thode de CL, ce qui sous-entend quâelles ont la mĂȘme rĂ©serve, sauf que Mack
sâapplique dans une optique de gestion des risques.
Etant donné que les deux premiÚres hypothÚses se sont vérifiées auparavant,
alors on ne testera que la troisiĂšme tout en visualisant le nuage de point (đ¶đ ,đ , đ·đ ,đ ) qui ne doit prĂ©senter aucune structure surtout celle linĂ©aire.
Ceci a Ă©tĂ© effectuĂ© pour les diffĂ©rentes annĂ©es de dĂ©veloppement, mais on nâa
mentionné dans le rapport que les premiÚres années :
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
56
Figure 12: Nuage de points (C(i,j),D(i,j)) , j=0,1
Ainsi, Aucune structure nâest prise par nos nuages de points, ce qui ne pourra
que traduire la robustesse et lâexhaustivitĂ© des hypothĂšses de Mack permettant
dâincorporer lâinformation expliquant lâĂ©volution des(Cđ,đ ).
II.2.2 Application
En premier lieu, on calculera nos volatilités du triangle de rÚglements par
année de déroulement qui serviront comme outil de calculs ultérieurs, accompagnées
des coefficients de passage calculés avec CL auparavant:
Tableau 21 : VolatilitĂ©s du triangle des rĂšglements, j=0âŠ14
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
57
Il est Ă noter que la derniĂšre volatilitĂ© nâest pas dĂ©finie vu quâelle nĂ©cessite
lâinformation de lâannĂ©e de dĂ©roulement qui suit ce qui nâest pas disponible.
Puis, nous avons calculé les erreurs quadratiques moyennes par année de
survenance ainsi que pour toute la réserve :
Tableau 22 : Erreur quadratique moyenne par année de survenance et Totale
Dans le mĂȘme cadre, il est intĂ©ressant de calculer une grandeur importante
dite le coefficient de variation qui est définit comme suit :
đ¶đđ = đđž(đ đ)
đ đ , avec đđž(đ đ) = đđđžđ(đ đ
) et i=1999âŠâŠ. 2014
Ce coefficient renseigne sur la stabilité des réserves par année de survenance
et mĂȘme pour la rĂ©serve totale, sâil est infĂ©rieur Ă 15% alors on dit quâil yâ a une
stabilitĂ© de nos rĂ©serves sinon ce nâest pas le cas.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
58
Tableau 23 : Coefficients de variation par année de survenance
Ainsi, on remarque quâil yâa une instabilitĂ© totale au niveau des premiĂšres
années de survenance, mais avec un degré moins tout en avançant dans les années de
survenance. On commence Ă sâapprocher de la stabilitĂ© des rĂ©serves, par annĂ©e de
survenance, Ă partir de 2011, malgrĂ© quâon ait toujours un coefficient de variation de
supĂ©rieur Ă 15 %. Le plus important câest la stabilitĂ© de la rĂ©serve totale avec un
coefficient de variation de 11%, ce qui montre que nos calculs sont dans le bon sens.
II.2.3 Construction des Intervalles de confiance
Dans ce cadre, deux lois sont les plus utilisĂ©es pour lâapproximation de
lâĂ©volution de la rĂ©serve et donc pour la constitution des intervalles de confiance dans
lâassurance non vie : la loi lognormale et normale. Cette derniĂšre nâest pas toujours
souhaitable vu quâelle communique des valeurs nĂ©gatives que ceci concerne les
réserves ou les bornes des intervalles de confiance.
Il est Ă noter quâon justifiera notre choix de ces deux lois dans le chapitre de
Bootstrap, tout en passant par les tests de QQ-Plot et de Kolmogorov Smirnov. Ces
distributions sont indispensables vu que Mack ne donne que les moments dâordre 1 et
2 et non pas la distribution de la réserve.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
59
II.2.3.1 Distribution normale de la réserve :
Dans un premier lieu, on supposera une évolution normale des réserves, ce
qui veut dire que lâintervalle de confiance sera de la forme suivante :
đŒđ¶95%(đ đ)= [đ đ ± 1.96 â đđž(đ đ) ]
Tableau 24 : Intervalles de Confiance selon la loi normale
II.2.3.2 Distribution lognormale de la réserve :
Dans ce cas là , on constituera des intervalles de confiance estimés tout en se
basant sur la propriĂ©tĂ© de la loi lognormale mentionnĂ©e dans lâannexe C.
Si on suppose que la rĂ©serve đ đ suit une loi lognormale de paramĂštres đ đ et
đđž(đ đ) 2 , alors ln(đ đ) suit une normale de paramĂštres đâČđet đ âČ 2đ . Lâobjectif
Ă©tant de calculer ces deux derniers paramĂštres suivant le systĂšme de lâannexe C, on
obtient ainsi :
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
60
đâČđ = ln(đ đ ) -
đ âČ 2đ
2
đ âČ 2đ = ln(1+(
đđž(đ đ)
đ đ )2 )
Du coup, lâintervalle de confiance de ln(đ đ) est comme suit :
đŒđ¶95%(ln(đ đ))= [đâČđ ± 1.96 â đ âČ đ ]
Ainsi, on a tous les ingrĂ©dients pour calculer lâintervalle de confiance estimĂ©
de notre réserve:
đŒđ¶95%(đ đ)= đŒđ¶95%(exp(ln(đ đ)))= [exp( đâČđ ± 1.96 â đ âČ đ)]
Tableau 25 : Intervalles de Confiance selon la loi lognormale
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
61
II.2.3.3 Comparaison des résultats :
Suite aux résultats obtenus, on remarque que les intervalles de confiance
communiqués par la loi lognormale sont plus fiables, raisonnables et précis surtout
que la loi normale nous donne quelques intervalles dans lesquelles les bornes
infĂ©rieures sont nĂ©gatives ce qui nâest pas le cas des rĂ©serves de la branche pilote de la
compagnie.
II.3 Application de Bootstrap
Comme mentionné dans la méthode de Mack, nous aurons besoin de vérifier
lâhypothĂšse stipulant que les rĂšglements sont bien ajustĂ©s par la loi Lognormale et
Normale.
On va appliquer la méthode de Bootstrap sur le modÚle Gamma qui est élu comme
meilleur mĂ©thode sâajustant Ă notre branche pilote. Nous aurons besoin dans un
premier temps des rÚglements non cumulés estimés par le modÚle de Gamma :
Tableau 26 : RÚglements estimés non cumulés par année de survenance et année de
développement
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
62
A partir du tableau ci-dessus et la formule mentionné dans le cadre théorique
des résidus de Pearson, nous avons calculé ces derniers comme suit :
Tableau 27: les résidus de Pearson par année de survenance et de développement
Les rĂ©sidus đ2014,0 et đ1999,15 sont nuls par construction, donc ces
observations ne sont pas indĂ©pendantes, ils seront omis dans lâĂ©chantillon du tirage.
Nous avons ensuite procédé à une distribution avec remise de ces résidus
grùce à Excel. On a classé sur chaque ligne des résidus bootstrappés ;
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
63
Tableau 28 : Extrait du tableau des résidus ré-échantillonnés par ligne
Puis, on a passé à simuler les triangles des chargements décumulés
bootstrappĂ©s. Chaque ligne traduit une itĂ©ration quâil suffit de positionner pour obtenir
notre triangle simulé décumulé Bootstrappé.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
64
Tableau 29 : Extrait du tableau des chargements bootstrappés décumulés
Le nombre de lignes du tableau des chargements bootstrappés, dont le
tableau prĂ©cĂ©dent nâest quâun extrait, est le nombre dâitĂ©rations qui est de mille dans
notre cas.
Il est Ă noter que dans nos simulations, il yâa des rĂšglements caduc vu que le
ré-échantillonnage des résidus engendre des situations pour lesquelles les rÚglements
bootstrappés sont négatives, et donc on est obligé de les remplacer par des zéros pour
se placer dans le cadre du provisionnement.
Ainsi, on a placĂ© ces lignes sous forme de triangles bootstrappĂ©s quâon a
cumulĂ© puis calculĂ© les provisions totales comme le montre lâextrait du tableau
suivant :
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
65
Tableau 30 : Extrait du Bootstrapping des provisions sous le modĂšle de Gamma
Ainsi, il y â a des scĂ©narios pour lesquels les rĂ©serves sont supĂ©rieurs Ă celle
obtenue par la mĂ©thode Glm-Gamma, dâautre le contraire, ce qui permet dâenrichir
notre Ă©tude et de la rendre plus exhaustive.
Pour sâapprocher du rĂ©sultat, voici les quantiles de la distribution des rĂ©serves
bootstrappées :
Tableau 31: Quantiles de la distribution des réserves
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
66
Dans le cadre de notre projet, notamment dans le modĂšle de Mack, nous nous
sommes intéressés à loi normale et lognormale pour construire nos intervalles
confiance. Pour ce faire, il est indispensable de vérifier si la distribution des réserves
est ajustable par ces lois ou pas. Ainsi, on a commencĂ© par le traçage de lâĂ©volution
de notre distribution de réserves et ce à travers un histogramme accompagnés de
lâĂ©volution de ces deux lois :
Figure 13 : Distribution des réserves selon la loi normale
Distribution selon la loi normal
275000000 325000000 375000000 425000000 475000000 525000000 575000000 625000000
0
5
10
15
20
25
30
Per
cen
t
reserves
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
67
Figure 14 :Distribution des réserves selon la loi lognormale
Nous avons procédé dans un premier temps à des Q-Q plots que nous
validerons grĂące au Statistiques de Kolmogorov-Smirnov :
Distribution selon la loi lognormal
275000000 325000000 375000000 425000000 475000000 525000000 575000000 625000000
0
5
10
15
20
25
30
Per
cent
reserves
Distribution selon la loi normal
-4 -3 -2 -1 0 1 2 3 4
250000000
300000000
350000000
400000000
450000000
500000000
550000000
600000000
650000000
rese
rves
Normal Quantiles
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
68
Figure 15 Illustration des QQ-Plots de la réserve selon les lois normale et lognormale.
Pour mieux apprécier le modÚle à privilégier, nous nous sommes basés sur la
statistique de Kolmogorov-Smirnov qui donne les résultats suivant :
Tableau 32 : Test de Kolmogorov-Smirnov de la distribution normale
Distribution selon la loi lognormal
0.6 0.8 1.0 1.2 1.4 1.6 1.8
250000000
300000000
350000000
400000000
450000000
500000000
550000000
600000000
650000000
rese
rves
Lognormal Quantiles (Sigma=0.155933)
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
69
Tableau 33 : Test de Kolmogorov-Smirnov de la distribution lognormale
Il est clair que la statistique de Kolmogorov-Smirnov confirme les résultats
obtenus par les Q-Q plots et les histogrammes. Ainsi, les deux lois ajustent la
distribution des réserves malgré que les intervalles de confiance selon la loi
lognormale soient plus fiables, précis et rationnels.
II.4 Branches longues : Méthodes pour estimer le « Tail Factor »
Les mĂ©thodes de provisionnement prĂ©sentĂ©es jusquâici ne sont pas
suffisantes pour lâestimation des charges finales et donc des provisions pour les
branches Ă dĂ©roulement long. Elles permettent uniquement dâestimer les paiements
cumulĂ©s jusquâĂ la derniĂšre annĂ©e de dĂ©veloppement n du triangle.il est nĂ©cessaire
dâavoir recours Ă une estimation des facteurs de queue de dĂ©veloppement pour estimer
la charge Ă lâultime.
II.4.1 Extrapolation des facteurs de développement
Dans cette mĂ©thode, les facteurs sont extrapolĂ©s par lâutilisation de lois
permettant lâajustement des facteurs de dĂ©veloppement et ainsi lâestimation des
facteurs pour les années de développement j > n.
Quatre lois sont habituellement utilisées : exponentielle, puissance, puissance
inverse et Weibull.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
70
Tableau 34 : Les trois lois principalement utilisĂ©es pour lâajustement des facteurs de
développement
Ainsi, on commence par une extrapolation linéaire par la loi
exponentielle des facteurs de développement pour la méthode de CL pour
assurer lâhypothĂšse de lâextinction de la charge, Pour mettre en pratique
la mĂ©thode du tail factor, nous avons fait lâhypothĂšse que la clĂŽture du
triangle aurait lieu dÚs lors que le coefficient de passage serait inférieur
ou Ă©gal Ă 1,00001.
Tableau 35: Extrapolation des facteurs de développement par la loi exponentielle
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
71
AppliquĂ©e sur nos donnĂ©es, lâextrapolation exponentielle nous donne une
estimation des coefficients qui semble passer en dessous du seuil de 1,000001 au bout
de vingt-sept annĂ©es, lâintroduction des facteurs de queue influence la rĂ©serve totale,
puisque la nouvelle réserve vaut 411 851 924,54 DHS.
Voici la représentation des coefficients issus de la méthode Chain-Ladder
dâune part, et de ceux dĂ©terminĂ©s par extrapolation exponentielle dâautre part, que
nous avons obtenus :
Figure 16 : Coefficients de Chain Ladder et leur extrapolation
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
72
II.4.2 Extrapolation des paramÚtres des années de développement
Dans le cadre des modĂšles GLM, le passage dâune annĂ©e de dĂ©veloppement Ă
lâautre est reprĂ©sentĂ© par les paramĂštres (đœđ ) (voir le cadre pratique du modĂšle GLM).
Ce sont donc ces coefficients quâil faut chercher Ă extrapoler. Au regard de ces
coefficients, on peut observer une relation linéaire entre ces derniers et les années de
dĂ©roulement. Une rĂ©gression linĂ©aire simple de type đŠ = đđ„ + đ semble donc bien
adaptĂ©e Ă lâajustement des(đœđ ) ; ils seront donc estimĂ©s ainsi pour j > n.
ThĂ©oriquement, la clĂŽture dâun triangle de liquidation se traduit par le fait
que les incréments de paiements de chaque année de déroulement sont nuls (ainsi, les
paiements cumulés restent constants). Dans cette application, nous faisons
lâhypothĂšse que le dĂ©veloppement est terminĂ© dĂšs lors que la moyenne des incrĂ©ments
associĂ©s Ă lâannĂ©e de dĂ©veloppement j est infĂ©rieure Ă 1. En effet, le modĂšle ne
permettant pas dâavoir des incrĂ©ments nuls (car ils sâexpriment comme une
exponentielle), nous avons fixĂ© le seuil Ă lâentier positif le plus proche de 0. Il faut
donc estimer les paramĂštres jusquâĂ cette date.
Voici la reprĂ©sentation des paramĂštres reprĂ©sentant lâeffet des annĂ©es de
dĂ©veloppement issus de la mĂ©thode GLM dâune part, et de ceux dĂ©terminĂ©s par
extrapolation linĂ©aire dâautre part, que nous avons obtenue :
Figure 17 : ParamÚtres de développements et leur extrapolation
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
73
Pratiquement, lâextrapolation est effectuĂ©e comme suit :
Tableau 36 : Extrait du tableau dâextrapolation des coefficients des annĂ©es de dĂ©veloppement
Lâextrapolation nous a conduit Ă ce que les sinistres sont entiĂšrement rĂ©glĂ©s
aprÚs 33 ans vu que la moyenne des rÚglements par année de développement est
devenue inférieur à 1 comme le montre le tableau suivant :
Tableau 37 : extrapolation des facteurs de développement GLM
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
74
Finalement, en tenant compte de lâextrapolation et donc en considĂ©rant que les
sinistres sont entiÚrement réglés aprÚs 33 ans, le montant estimé des réserves est de
410 297 059,43 DH. La différence relative des réserves par rapport à celles obtenues
par la méthode GLM sans calcul du Tail Factor est de 0,004352%.
II.5 Choix du modĂšle optimal de provisionnement
II.5.1 Récapitulatif sur les résultats des méthodes utilisées
Nous avons jusque-là évoqué et appliqué plusieurs méthodes de
provisionnement stochastiques et dĂ©terministes, mais sur un seul et mĂȘme triangle.
Nous avons remarquĂ© quâelles nâaboutissent pas aux mĂȘmes montants de rĂ©serves
finales.
Figure 18 : Diagramme comparatif des réserves des différentes méthodes sans Tail Factor
409 188 852,50 387 613 801,98
478 214 679,84
410 255 086,91
Chain Ladder London chain taylor Glm(Gamma)
Réserves par différents méthodes de la Branche AT
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
75
Au regard du diagramme comparatif, la méthode qui frappe aux yeux est
celle de Taylor vu quâelle procure un montant plus Ă©levĂ© de rĂ©serves. Le
provisionnement est dit plus « prudent », mais ce nâest nullement un indice de qualitĂ©
du modĂšle puisquâun sur-provisionnement reflĂšte une mauvaise gestion des ressources
financiĂšres face au risque.
II.5.2 Avantages et inconvénients des méthodes utilisées
AprĂšs la comparaison des rĂ©sultats prĂ©cĂ©dents, on a vu quâil est intĂ©ressant de
tracer un tableau récapitulatif traduisant les avantages et inconvénients des divers
modÚles formulés auparavant :
Tableau 38:Avantages et inconvénients des méthodes de calcul de la réserve
MĂ©thodes
Avantages Inconvénients
Chain Ladder Application Simple
Méthode de référence
HypothĂšses fortes
Sensibilité forte des
estimations des
provisions
London Chain
Application Simple
Moins contraint que Chain
Ladder
Sensibilité forte des
estimations des
provisions
Taylor
Prise en compte des effets
calendaires (inflation)
Lourdeur dâestimation
des paramĂštres
GLM
Choix de la distribution
des incréments
MĂȘmes rĂ©sultats que
Chain Ladder (cas de
Gamma)
Utilisé lors des procédures
de Bootstrap
HypothĂšses
paramétriques
Lourdeur de lâestimation
des paramĂštres
Mack
MĂȘmes rĂ©sultats que
Chain Ladder
ModÚle utilisé par M&W
pour le calcul de
lâincertitude en 1 an.
HypothĂšses fortes
Sensibilité forte des
estimations des
provisions.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
76
II.5.3 Application des critĂšres de choix du modĂšle
Câest ainsi quâon a proposĂ© la mĂ©thode par sous triangle pour trancher dans
la méthode la plus convenable pour la branche pilote et surtout apporter une nouvelle
mĂ©thode Ă lâorganisme dâaccueil.
Cette mĂ©thode met en Ă©vidence lâerreur dâestimation des provisions faites
dans le passé de chacune des méthodes par rapport aux vraies valeurs observées dans
le passé. Il suffit pour cela de prendre un sous-triangle qui, complété, reste inclus dans
le triangle de base. La méthode la plus adaptée au triangle sera celle qui fournira la
somme des carrés des erreurs minimale. Pour améliorer cet outil de comparaison,
nous ne choisirons pas quâun sous-triangle mais tous les sous-triangles possibles du
triangle de dĂ©part, au nombre de [(I â§J)/2] â1.
Ainsi, pour chacune des méthodes, la somme des carrés des erreurs se
calcule comme suit :
SSE= ( đ¶ đ,đ â đ¶đ ,đ )2đđ=đâđ+1
đđ=2
[min đŒ,đœ /2]đ=2
Lâillustration graphique des calculs effectuĂ©s est dans la figure suivante :
Figure 19 : MĂ©thode par sous triangle
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
77
Suite aux différents calculs effectués, on a obtenu les différents
SSE des méthodes énoncées avant :
Tableau 39 : Choix de la méthode par SSE
Par conséquent, la méthode qui semble appropriée à notre branche pilote est
celle de GLM (Gamma). Ainsi, la réserve totale de notre Branche est :
R= 410 255 086,91 Dhs
Il est Ă noter que le calcul de la BE se fera Ă travers la mĂ©thode de GLM â
Gamma vu quâelle est Ă©lue comme meilleure mĂ©thode de calcul de provisionnement.
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
78
Chapitre III : Actualisation
III.1 Sous Solvabilité I
Avant lâentrĂ©e en vigueur de la SolvabilitĂ© II, on ne travaillait en
provisionnement quâavec la rĂ©serve totale pour les annĂ©es de survenance agrĂ©gĂ©es, et
donc lâactualisation des flux futurs a Ă©tĂ© interdite par prudence.
III.2 Avec la nouvelle réglementation de Solvabilité II
Sous la directive de la SolvabilitĂ© II, lâĂ©tape de lâactualisation est devenue
indispensable au calcul de la BE comme Ă©tant la valeur actuelle probable des flux
futurs et ce pour veiller sur le calcul à la valeur de marché du bilan de la compagnie.
III.3 Application sur le calcul de la BE
Pour déterminer la provision BE, il suffit de sommer les diagonales de
paiement obtenues par la méthode par sous triangles (Glm-Gamma pour notre cas), du
triangle dĂ©cumulĂ©. Ensuite, il sâagit dâactualiser ces flux futurs avec les taux zĂ©ro
coupon.
Ainsi, si on suppose đđ la somme des paiements futurs effectuĂ©s Ă la đĂšđđ
annĂ©e calendaire, et r(0,k) le taux zĂ©ro coupon dâĂ©chĂ©ance k tirĂ© de la courbe des
taux zéro coupon, alors le BE de notre réserve est comme suit :
BE= đđ
(1+đ 0,đ )đâđ=đâđ+2 , avec:
-n-i+2 renseigne sur la diagonale qui suit celle principale du triangle de
paiements dĂ©cumulĂ©s (i=2âŠâŠn).
-â traduit la derniĂšre diagonale de notre triangle, pour notre cas, câest la
29Ăšđđ diagonale
En appliquant ceci sur la branche pilote de la compagnie, tout en se basant sur
le triangle des paiements obtenus par le modĂšle GlmâGamma vu auparavant, on
obtient les résultats suivants :
Partie III. Le cadre Pratique de lâĂ©valuation des provisions
79
Tableau 40 : Calcul du BE selon à partir de la méthode GLM-Gamma
Ainsi, on a obtenu la BE de notre réserve, respectant les conditions de la
directive de la SolvabilitĂ© II, dâune valeur : 373 789 338 DHS
Partie IV. Le risque de provisionnement dans le cadre du SCR
80
Partie IV : Le risque de provisionnement dans le cadre du
SCR
Chapitre I : DĂ©finition du risque de provisionnement Ă un an
et SCR
I.1 Pourquoi changer dâhorizon ?
Dans ce cadre, lâhorizon de notre travail est rĂ©duit en un an du fait que si la
compagnie nâest pas solvable sur un horizon dâun an, a fortiori elle ne le sera pas sur
un horizon Ă plus long terme. Par ailleurs, de nombreuses dĂ©cisions (dâaugmentation
de tarif par exemple), actions, projets (mise en place de nouveaux produits) sont
Ă©tablis sur un horizon de court et moyen terme (exigences des actionnaires Ă court
terme). La compagnie se doit Ă©galement de maintenir sa performance Ă court terme du
fait de lâimpact quâelle a sur sa rĂ©putation et sur sa soliditĂ© financiĂšre. Cet horizon
temporel est donc essentiel Ă lâĂ©tude de la solvabilitĂ© dâune compagnie.
Toutefois, le positionnement sur un horizon dâun an a reçu de nombreuses
critiques de la part des professionnels, eu Ă©gard aux engagements longs termes dâun
assureur.
Avant dâaborder notre Ă©tude, il est Ă noter quâon a quantifiĂ© avant cette tache
lâerreur de provisionnement Ă lâultime traduisant lâimpact de la volatilitĂ© au niveau du
calcul de la réserve sur le bilan de la compagnie, c'est-à -dire de combien peut fluctuer
la valeur estimée de la charge finale prévisible par rapport à la vrai valeur. Ce risque a
été abordé par Mack et Bootstrap dans ce qui précÚde.
I.2 DĂ©finition formelle de ce risque
Dâautre part, le risque de provisionnement en un an traduit la dĂ©viation
dĂ©favorable de la charge finale prĂ©visible sachant quâon dĂ©tient lâinformation jusquâĂ
lâannĂ©e calendaire et actuelle n : đ¶ đ ,đđ
par rapport Ă la CFP sachant quâon dĂ©tient
lâinformation jusquâ Ă (n+1) đ¶ đ,đđ+1
. Il est Ă noter que pour notre cas, lâannĂ©e
calendaire actuelle n est 2014. Ainsi, cet écart est appelé CDR (Claim
Development Result) pour lâannĂ©e calendaire [n,n+1]. Ce qui revient Ă dire que
le risque de provisionnement à un an est la variance ou la volatilité du CDR.
Partie IV. Le risque de provisionnement dans le cadre du SCR
81
Câest ainsi quâon cherche Ă Ă©tudier la fluctuation possible du CDR
observable autour du 0. Cette possible fluctuation se mesure par :
Msep(0) = E[(đ¶đ·đ đ n + 1 â 0) 2/D]
= E[(đ¶ đ ,đđâ đ¶ đ,đ
đ+1) 2/D]
= E[(đ đđâ ( đ đ
đ+1+ Zi,nâi+1)) 2/D]
Avec: -D est lâinformation dont on dispose du tringle des rĂšglements cumulĂ©s,
dâoĂč D ={ đ¶(đ, đ) ; i+ j †n ; 1 †i, j †n}
-Zi,nâi+1 : le paiement effectuĂ© Ă lâannĂ©e calendaire [n, n+1] pour
les sinistres survenus Ă i.
Il est Ă noter quâen gĂ©nĂ©ral le CDR nâest observable quâen n+1 pour lâannĂ©e
comptable [n,n+1]. On prédit sa valeur à la date n par :
E[ đ¶đ·đ đ n + 1 /D]=0.
Le montant CDR(n+1) traduit le boni-mali observable dans le compte de
résultats de la branche pilote de la compagnie tout en ayant un impact direct sur le
rĂ©sultat de lâannĂ©e n+1.
Les boni- mali sont définis comme le gain (perte) lié au sur-provisionnement
(respectivement sous-provisionnement) lors du passage dâune annĂ©e calendaire Ă
lâannĂ©e suivante. On parle de :
-Boni si pour lâannĂ©e de survenance i : đ¶đ·đ đ n + 1 >0.
- Et donc mali si đ¶đ·đ đ n + 1 < 0.
Si lâestimation de la CFP ou bien de la rĂ©serve est au plus juste Ă lâannĂ©e
calendaire actuelle alors, la compagnie a autant de chance de faire un boni quâun mali.
Mais de combien lâespĂ©rance de lâĂ©cart entre les CFP des deux annĂ©es calendaires
successives peut sâĂ©carter du zĂ©ro ; câest lâobjet du modĂšle de Merz &Wuthrich.
Partie IV. Le risque de provisionnement dans le cadre du SCR
82
I.3 Formule standard- ModĂšle interne (SCR)
Dans ce cadre, le SCR peut ĂȘtre obtenu soit par une formule applicable Ă
toutes les compagnies ou par lâĂ©laboration dâun modĂšle interne Ă la compagnie.
Lâavantage de ce dernier est le fait quâil est plus adaptĂ© aux risques auxquels la
compagnie est soumise.
Quelque soit le modĂšle quâon adoptera, lâobjectif est la constitution dâun
niveau de fonds propres ou de capital pour lequel il yâa 99.5% de chance quâil ne soit
dépassé.
I.3.1 Formule standard
Lâobjectif de la formule standard du SCR est de fournir une mĂ©thode de
calcul prenant en considĂ©ration tous les risques auxquels les compagnies dâassurance
sont susceptibles dâĂȘtre soumises.
I.3.2 ModĂšle interne
Lâobjectif de ce modĂšle est de calculer lâexigence des fonds propres le plus
fidĂšlement possible aux risques auxquels la compagnie est soumise.
I.3.3 Choix du modĂšle
Etant donnĂ© que le modĂšle interne nĂ©cessite lâapprobation de la
tutelle(DAPS), et vu que la directive de la SolvabilitĂ© II nâest pas encore mise en
vigueur au Maroc, alors on est amené à passer par un modÚle standard. De plus, on ne
traitera pas tous les risques auxquels la compagnie est soumise, tout en se limitant sur
le risque de provisionnement, ce qui laisse le modĂšle standard plus pratique et
accessible.
Partie IV. Le risque de provisionnement dans le cadre du SCR
83
Chapitre II : CDR selon Merz & Wuthrich
II.1. Principe de la méthode
Suivant le mĂȘme principe que Mack, Merz &Wuthrich ont quantifiĂ© la volatilitĂ©
du CDR et ont montré que :
đđ đđ 0 (đ¶đ·đ đ(đ+1)/đ·) = Var(đ¶đ·đ đ(đ + 1) /đ·) + đđ đđ đ¶đ·đ đ(đ + 1) (đ¶đ·đ (đ+1)/đ·)
Tel que :
đđ đđ đ¶đ·đ đ(đ + 1) (đ¶đ·đ (đ+1)/đ·) = E[( đ¶đ·đ đ(đ + 1) â đ¶đ·đ
đ n + 1 ) 2/D]
Ainsi, Merz & Wuthrich ont estimé cette formule comme suit :
đđ đđ 0 đ¶đ·đ đ đ+1
đ· = đ¶ đ ,đ
2.[(
đđâđ2
đđâđ 2
âđ¶ đ,đâđ
) + ((đđâđ
2
đđâđ 2
âSnâin
) +
(đđ2 đâ1
đ=đâđ+1 /đđ 2).(
đ¶đâđ ,đ
đđđ+1 )2.(
1
đ¶đâđ ,đ+
1
đđđ)]
Tel que :
đđđ = đ¶đ ,đ
đâđâ1
đ=0
Il est à noter que si on avait les vraies valeurs des facteurs de développement
de CL, on aurait :
E[ đ¶đ·đ đ n + 1 /D]=0.
Câest pour cela quâon adopte cette estimation, par hypothĂšse, dans le modĂšle
de M&W.
On dĂ©finit, dans le mĂȘme cadre, đđ2 comme Ă©tant la volatilitĂ© du triangle par
année de développement j :
đđ2 = (
1
đâđâ1) â ( đ¶đ ,đ
đâđđ=1 â (
đ¶đ,đ+1
đ¶đ,đ â đđ )2) pour j†đ â 2;
Erreur processus Erreur dâestimation
Partie IV. Le risque de provisionnement dans le cadre du SCR
84
Pour j=n-1, nous disposons dâune seule observation, de plus il faut sâassurer
quâil y ait une stabilitĂ© des rĂšglements tout en sâapprochant de la clĂŽture des sinistres : đđâ1
2
đđâ22 =
đđâ22
đđâ32 ; ceci revient Ă prendre :
đđâ12 =min (
đđâ24
đđâ32 , đđâ2
2 , đđâ32 )
En ce qui concerne les estimateurs des msep pour les années de survenance
agrégées, on a :
đđ đđ 0 ( đ¶đ·đ đ(đ+1)/đ·đđ=2 ) = đđ đđ 0 (đ¶đ·đ đ(đ+1)/đ·)
đđ=2 +
2.[ đ¶ đ ,đđ
đ>đ>1 * đ¶ đ ,đđ( (đđ
2 đâ1đ=đâđ+1 /đđ
2).(
đ¶đâđ ,đ
đđđ+1 )2.(
1
đ¶đâđ ,đ+
1
đđđ )+
(đđâđ
2
đđâđ 2
âSnâin+1
)+( đ¶đ ,đâđ
đđâđđ+1 )*(
đđâđ2
đđâđ 2âSnâi
n))]
Ces volatilitĂ©s par annĂ©es de survenance ou mĂȘme agrĂ©gĂ©es servent
principalement Ă traduire respectivement le comportement des đ¶đ·đ đ et CDR sans
donner leur distribution, ce qui laisse cette méthode paramétrique comme Mack.
Ainsi, les moments dâordre 1 et 2 peuvent servir comme paramĂštres de la loi
de distribution des CDR. La loi la plus utilisée pour simuler la fluctuation des CDR
autour de zéro est la loi normale (on montrera ceci à travers le Bootstrap modifié). Du
coup, on peut calculer leurs intervalles de confiance et ce pour cerner leur
comportement par annĂ©e de survenance ou mĂȘme agrĂ©gĂ©es.
Partie IV. Le risque de provisionnement dans le cadre du SCR
85
II.2. Comparaison aux résultats de Mack
Il sera intĂ©ressant de comparer la formule obtenue par M&W de lâerreur
quadratique moyenne Ă celle de Mack. Rappelons briĂšvement les deux formules :
-Mack a proposé :
Msep( đ đ) = đ¶ đ,đ
2. (đđ2 đâ1
đ=đâđ+1 /đđ 2* đ¶ đ ,đ )+ đ¶ đ ,đ
2. (đđ2 đâ1
đ=đâđ+1 / (đđ 2 đ¶đ ,đ
đâđđ=1 ))
-M&W quand à eux ont proposé :
đđ đđ 0 (đ¶đ·đ đ(đ+1)/đ·) = đ¶ đ,đ
2.[(
đđâđ2
đđâđ 2
ââđ¶ đ,đâđ
) + ((đđâđ
2
đđâđ 2
âSnâin
) +
(đđ2 đâ1
đ=đâđ+1 /đđ 2).(
đ¶đâđ ,đ
đđđ+1 )2.(
1
đ¶đâđ ,đ+
1
đđđ)]
Dans la derniĂšre formule, seul le premier terme de la diagonale principale (n-i)
concernant lâerreur de processus de Mack est maintenue. Concernant lâerreur
dâestimation, elle est Ă©galement maintenue pour la diagonale (n-i), mais toutes les
diagonales ultérieures (c'est-à -dire j ℠n-i+1) sont écrasées par le facteur :
(đ¶đâđ ,đ
đđđ+1 )2 †1
II.3.Critiques de M&W
Les formules pour estimer la volatilité des CDR de M&W reposent sur la
méthode de Mack. Il faut donc que les triangles de paiements satisfassent les
hypothÚses de cette méthode.
La méthode de M&W donne une évaluation analytique du risque de provisionnement
à un an sans aucune distribution des CDR. De plus, elle ne prend pas en considération
le facteur de queue qui stipule la prise en considération du faite que les sinistres ne
sont pas clos Ă la fin du triangle de liquidation.
Erreur de processus Erreur dâestimation
Partie IV. Le risque de provisionnement dans le cadre du SCR
86
Enfin, lâestimation de M&W repose sur lâapproximation
1 + đđ = 1 + đđđđ=1
đđ=1 Ou đđ âȘ 1
Dans le cas de M&W, il faut quâil y ait đđ
2
đđ 2âđ¶ đ,đâđ
<<1, du coup il faut
vĂ©rifier pratiquement cette condition avant dâadopter les formules de M&W
précédentes.
II.4.Application
Avant dâappliquer la formule de M&W pour le calcul des erreurs
quadratiques moyennes, il est important de vĂ©rifier la condition dâusage de la formule
approchée de M&W qui stipule que :
đđ = đđ
2
đđ 2âđ¶ đ,đâđ
âȘ 1 , avec i=0âŠâŠ15
Tableau 41 : Calcul des rapports a(j), j=0âŠâŠâŠâŠ14
Il est clair que la condition est vĂ©rifiĂ©e pour avoir la possibilitĂ© dâutiliser la
formule de M&W. La 16Ăšđđ valeur nâexiste pas vu que les coefficients đđ de CL et
đđ2 ne sont pas dĂ©finis pour la derniĂšre annĂ©e de dĂ©roulement (voir mĂ©thode de
Mack). En se basant sur ces derniĂšres valeurs, on calcule les erreurs quadratiques
moyennes pour les CDR par année de survenance ainsi que le CDR totale et ce comme
suit :
Partie IV. Le risque de provisionnement dans le cadre du SCR
87
Tableau 42 : Erreur quadratique moyenne par année de survenance et Totale
Dans le mĂȘme cadre, on calculera les coefficients de variations renseignant
sur la stabilité des réserves à un an ainsi que les coefficients de variation relatifs dont
lâexpression est comme suit :
Coef_relatif = đ¶đđ&đ
đ¶đđđđđ ;
LâimplĂ©mentation de tout ceci est comme suit :
Tableau 43 : Calcul des coefficients de variations de M&W et ceux par rapport Ă Mack par
année de survenance et totale
Partie IV. Le risque de provisionnement dans le cadre du SCR
88
De mĂȘme quâĂ lâultime (Mack), on remarque quâil ya une instabilitĂ© Ă un an
des réserves surtout pour les premiÚres années de survenance. Mais cette fois, la
stabilitĂ© commence Ă partir de 2008 sans quâil yâ a une tendance croissante. Le plus
important câest la stabilitĂ© de la rĂ©serve totale Ă lâhorizon dâun an et ce avec un
coefficient de 7.35%.
Dâautrepart, on remarque que la part de la volatilitĂ© Ă un an de celle Ă
lâultime est importante, et ce pour toutes les annĂ©es de survenance et mĂȘme agrĂ©gĂ©es.
Par exemple, une part de 69,42% traduit que si on arrive à maitriser la volatilité de
notre rĂ©serve ou bien le risque de provisionnement pour un horizon dâun an, on est sđą r
Ă 69,42% quâon maitrisera le risque de provisionnement Ă lâultime, ce qui constitue
une donnĂ©e importante permettant de clarifier la vision Ă lâultime et ce Ă partir de
lâannĂ©e calendaire actuelle.
Pour finir, il sera intéressant de cerner le comportement d es CDR par année
de survenance et mĂȘme pour le CDR de toutes les annĂ©es, surtout que le modĂšle de
M&W ne communique pas une distribution des CDR. Pour ce faire, on construira des
intervalles de confiance avec la loi normale qui, comme on le verra dans la partie de
Bootstrap modifiĂ©, ajuste mieux lâĂ©volution des CDR. La forme de ces intervalles de
confiance est comme suit :
đŒđ¶95%(đ¶đ·đ đ)= [± 1.96 â đđžCDRi (0) ], avec đđžCDRi (0) = đđđžđđ¶đ·đ đ(0)
Cette formule est justifiĂ©e car E[ đ¶đ·đ đ n + 1 /D]=0 , qui est une
hypothĂšse dans le modĂšle de M&W.
Partie IV. Le risque de provisionnement dans le cadre du SCR
89
Tableau 44 : Intervalles de confiances, selon la loi normale, des CDR.
Partie IV. Le risque de provisionnement dans le cadre du SCR
90
Chapitre III : Simulation de la diagonale de paiement
Lâobjectif de ce chapitre est de parvenir Ă constituer une distribution des
CDR empirique et ce pour remédier à la lacune de M&W, ainsi que calculer notre
CSR.
III.1 Principe
LâĂ©valuation empirique des CDR se rĂ©alise en quatre Ă©tapes :
1. Provision dâouverture : Il nous faut tout dâabord dĂ©terminer la provision
Best Estimate dâouverture de lâannĂ©e calendaire n, đ đ Ă partir de lâinformation
disponible à la date n (triangle supérieur). A cet effet, nous appliquons une méthode
M que lâon pourra exĂ©cuter de maniĂšre rĂ©pĂ©tĂ©e lors des simulations.
2. Simulation de nouveaux paiements : Cette deuxiĂšme Ă©tape consiste Ă
gĂ©nĂ©rer des paiements pour la nouvelle diagonale đđ ,đâđ+1 âi = 1 Ă n. Pour ce
faire, nous simulons selon la méthode de bootstrap modifiée, conditionnellement aux
données observées dans le triangle supérieur
3. Provision de clÎture : Une fois cette nouvelle diagonale simulée, nous
sommes en possession dâune nouvelle information. Nous appliquons alors, pour
chaque simulation, la méthode choisie M en tenant compte de cette nouvelle
information disponible afin dâobtenir la provision de fin dâannĂ©e n : đ đ+1.
4. Distribution : Finalement, Ă partir de N simulations, on obtient N valeurs
de CDR, ce qui permet dâen dĂ©terminer une distribution empirique, et dâen dĂ©duire
des percentiles (Var, et plus particuliÚrement à 99,5% celle qui nous intéresse dans le
cadre de Solvabilité II pour calculer notre CSR).
Figure 20 : Illustration dâune itĂ©ration de la simulation de la diagonale suivante des
paiements (Ă©tape 2 et 3)
Partie IV. Le risque de provisionnement dans le cadre du SCR
91
Il est Ă noter quâon choisira la mĂ©thode de Chain Ladder pour M. Etant
donnĂ© que dans notre cas on a trouvĂ© que la mĂ©thode de GLM est celle qui sâajuste le
mieux au calcul de la Best Estimate, alors nos rÚglements estimés, servant pour
déduire les résidus de Pearson à ré-échantillonner, seront calculés par GLM
(Gamma).
III.2 Simulation par Bootstrap modifiée à un an
III.2.1 Principe
Dans lâĂ©tape2, le bootstrapping modifiĂ© ou la simulation de la diagonale de
paiement est comme suit :
Boucle sur N simulations :
1. Application des étapes de la méthode classique du Bootstrap ;
2. Conservation de la diagonale des incrĂ©ments de lâannĂ©e calendaire
[n,n+1] obtenue par la méthode du Bootstrap
3. Concaténation des incréments du triangle observé à la date n et de la
diagonale obtenue Ă lâĂ©tape prĂ©cĂ©dente
4. Calcul du triangle des paiements cumulés
5. Calcul des đđ sur le triangle obtenu grĂące Ă la nouvelle information
disponible et calcul de đ đ+1+đ[đ ,đ+1], oĂč đ[đ ,đ+1] = đđ ,đâđ+1
đđ=1 ou
bien đ¶đčđđ+1.
6. Calcul des CDR.
Partie IV. Le risque de provisionnement dans le cadre du SCR
92
Pour notre cas, on a simulé les CDR 1000 fois tout en obtenant une
distribution empirique qui stagne Ă partir dâun certain rang et qui est proche dâune
normale comme prévu (le test de Kolmogorov-Smirnov est indispensable pour juger
de la qualitĂ© de lâajustement par cette loi).
III.2.2 Application
Tout dâabord on commencera par lâapplication de la mĂ©thode classique de
Bootstrap. Ainsi, on a calculĂ© notre diagonale de paiements, sous forme dâincrĂ©ments,
associĂ© Ă lâannĂ©e calendaire n+1, qui coĂŻncide dans notre cas avec 2015, et qui sera
simulée.
Puis, tout en se basant sur les rÚglements estimés selon Glm-Gamma, associés
au triangle supĂ©rieur mais aussi lâannĂ©e calendaire 2015, on a constituĂ© nos rĂ©sidus de
Pearson servant principalement au ré-échantillonnage et ce pour obtenir nos
rÚglements bootstrappés.
Tableau 45 : RĂ©sidus de Pearson jusquâĂ l 'annĂ©e calendaire 2015
Partie IV. Le risque de provisionnement dans le cadre du SCR
93
On remarque quâil yâa des rĂ©sidus de Pearson associĂ© Ă lâannĂ©e calendaire
2015 vu que notre objectif principal est dâisoler les incrĂ©ments des rĂšglements
bootstrappés associés à cette année calendaire aprÚs ré-échantillonnage.
Pour notre cas et comme mentionné au début, on a simulé 1000 fois et ce
pour obtenir une distribution exhaustive et sâapprocher de plus en plus de la vraie
valeur de notre SCR.
Tableau 46 : Extrait des 1000 itérations des rÚglements bootstrappés
Partie IV. Le risque de provisionnement dans le cadre du SCR
94
Les premiĂšres remarques Ă tirer sont les suivantes :
-Il existe des rÚglements nuls, ceci est du au faite que notre ré-échantillonnage induit
des valeurs négatives des rÚglements bootstrappés ce qui nous amÚne à les annuler
pour se placer dans le cadre rationnel de Provisionnement.
-Le nombre des rĂšglements bootstrappĂ©s par simulation nâest que de 15, ce qui est
logique vu que notre diagonale de paiements de lâannĂ©e 2015 est privĂ©e des rĂšglements
des sinistres de 2015 (c'est-Ă -dire le dernier terme de la diagonale n+1) qui ne sont
disponible sachant lâinformation quâon dĂ©tient jusquâĂ 2014.
LâĂ©tape la plus importante est la constitution des 1000 triangles des
incréments de rÚglements contenant chacun le triangle de liquidation de départ et les
rĂšglements bootstrappĂ©s superposĂ©s au niveau de la diagonale de lâannĂ©e calendaire 2015 et ce pour chaque simulation. Puis on cumulera ces triangles pour lesquels on
calculera les coefficients de passage ainsi que les chargements cumulés des années
calendaires ultĂ©rieures pour but de calculer les diffĂ©rentes valeurs des đ¶đčđđ+1.Le
tableau suivant traduit une itĂ©ration rĂ©sumant lâopĂ©ration venant dâĂȘtre mentionnĂ©e.
Tableau 47 : Simulation du calcul de la đȘđđ·đđđđđ, i=1âŠ.1000
Partie IV. Le risque de provisionnement dans le cadre du SCR
95
Il est Ă noter que le calcul de la đ¶đčđ2014 se fait de maniĂšre usuelle, tout en
se basant sur le triangle de rÚglements cumulés de base sur lequel on appliquera la
méthode de CL (voir méthode de Chain Ladder dans la partie III).
Ainsi, on a tous les ingrédients pour calculer le CDR, observable en 2015, et
ce pour chaque itération selon la formule suivante :
đ¶đ·đ đ = đ¶đčđđ2015 â đ¶đčđ2014
Tableau 48 : Extrait du vecteur des đȘđ«đčđ, i=1âŠ..1000
Partie IV. Le risque de provisionnement dans le cadre du SCR
96
Il est usuel que pour des scĂ©narios on obtient des malis (đ¶đ·đ đ <0) et
dâautres des bonis (đ¶đ·đ đ > 0).
Pour clĂŽturer cette partie, il est important de tester le comportement normal
des đ¶đ·đ đ sur lequel on sâest basĂ© pour constituer les intervalles de confiance de ces
derniers dans le modĂšle de M&W.
Pour ce faire, on a effectué son QQ-Plot ainsi que le test de Kolmogorov-
Smirnov pour sâassurer de notre approximation comme le montre les figures
suivantes :
Figure 21 : test de QQ-Plot de normalitĂ© des đȘđ«đčđ , i=1âŠ1000
Tableau 49 : test de Kolmogorov- Smirnov de normalitĂ© des đȘđ«đčđ , i=1âŠ1000
Distribution selon la loi normal
-4 -3 -2 -1 0 1 2 3 4
-150000000
-100000000
-50000000
0
50000000
100000000
CD
R
Normal Quantiles
Partie IV. Le risque de provisionnement dans le cadre du SCR
97
Suite Ă ces rĂ©sultats, le choix de lâapproximation par la loi normale des CDRi
est justifié.
Ainsi, on a tracĂ© lâĂ©volution des CDRi empirique et celle thĂ©orique selon la
loi normale tout en sâassurant de la fiabilitĂ© des intervalles de confiance de M&W.
Pour ce faire, on a dégagé le pourcentage des CDRi inclus dans ces intervalles comme
le montre le graphe suivant :
Figure 22 : Lâapproximation normale de lâĂ©volution empirique des đȘđ«đčđ,i=1âŠ.1000
Une part de 97.1% ne peut que traduire la fiabilité, précision ainsi que rationalité des
intervalles de confiance. LâinterprĂ©tation Ă dire câest quâil yâa 97,1% de chance que le
boni-mali qui frappera les comptes de rĂ©sultats de la compagnie Ă lâannĂ©e calendaire
[2014,2015] serait inclu dans lâintervalle de confiance calculĂ© par M&W, et ce pour
la branche pilote.
I.C selon M&W (97,1% des CDR simulés)
Partie IV. Le risque de provisionnement dans le cadre du SCR
98
Chapitre IV : Calcul du SCR et de la Marge de risque
IV.1 Calcul du SCR
AprĂšs lâĂ©laboration des modĂšles prĂ©cĂ©dents (c'est-Ă -dire M&W et Bootstrap
modifié), on a tous les ingrédients pour calculer le SCR et ce dans le cadre du modÚle
standard :
- CSR= đđŽđ 99,5%(-CDR) = đđŽđ 99,5%(R-CDR)-R
(PropriĂ©tĂ© dâune mesure de risque).
Par application de cette formule à notre distribution obtenue selon la méthode
de Bootstrap modifiée, on a obtenu le résultat suivant :
Figure 23 : Statistiques descriptives de lâĂ©volution des (-đȘđ«đčđ,) i=1âŠ1000
Ainsi, on déduit que le SCR adéquat pour la branche pilote de la compagnie
est : 88 708 793.60 DHS.
Partie IV. Le risque de provisionnement dans le cadre du SCR
99
IV.2 Calcul de la MR
Notre choix est tombĂ© sur lâapproche du cout de capital qui stipule que la
MR se calcule comme suit :
MR=CoC*(đ¶đđ 1
1+đ1(0) +
đ¶đđ 2
1+đ2 0
2 + âŠâŠâŠâŠâŠâŠâŠâŠâŠ. +
đ¶đđ đ
1+đđ 0
đ)
Avec :
-CoC: le cout de capital qui est le taux de rendement quâexige les
investisseurs pour insérer les fonds propres dans la compagnie et ce pour se priver
dâinvestir au marchĂ©. De maniĂšre gĂ©nĂ©ral, il est de 6%. Il ne faut oublier que la MR
est destinée à couvrir les provisions de la compagnie et donc dédiée aux assurés.
-ri(0)
: taux dâintĂ©rĂȘt associĂ© Ă lâannĂ©e calendaire i et tirĂ© de la courbe
zéro coupon.
-T traduit lâhorizon de liquidation ou dâextinction des engagements de
lâassureur.
-Les CSR sont calculĂ©s jusquâĂ lâhorizon de liquidation de la
compagnie de son portefeuille, ce qui laisse lâapplication de cette mĂ©thode
approximative de la valeur réelle de la MR.
Partie IV. Le risque de provisionnement dans le cadre du SCR
100
Figure 24 : Illustration de la méthode du cout de Capital pour la détermination de la MR.
Il est Ă noter que pour notre cas, on supposera lâextinction des SCR jusquâĂ
la derniÚre année calendaire du triangle de liquidation, c'est-à -dire aprÚs 15 ans de
notre année comptable.
Dâautrepart, le calcul des SCR futurs sâest effectuĂ© tout en se basant sur
lâapproximation par utilisation de la proportionnalitĂ© avec le BE, et ce selon la formule
suivante :
SCRi= (SCR 0
BE 0)* BEi
Ou SCR0 traduit le SCR calculĂ© en i=0. Il sâagit pour notre cas de lâannĂ©e
calendaire [2014,2015]. Tandis que le BE0 est le BE calculé en 0 et BEi est le BE de
lâannĂ©e calendaire i (il sâagit du flux futur de lâannĂ©e i).
Par conséquent, la formule finale de la MR à appliquer est la suivante :
MR= 6%. (SCR 0
BE 0).
BE i
(1+đđ(0)
)iđâ„1
Partie IV. Le risque de provisionnement dans le cadre du SCR
101
Tableau 50 : Démarche de calcul de la MR par la méthode du Cout de Capital
Ainsi, on déduit que la valeur de la MR selon la méthode du cout de Capital
est de 10 870 221.41 DHS, ce qui constitue une part de 2.65% de notre BE.
Cette grandeur sâjoute Ă celles calculĂ©es auparavant (BE et SCR) pour
complĂ©ter le passif de la compagnie dâassurance respectant la vision de la SolvabilitĂ©
II et ce pour la branche pilote.
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
102
Partie V : Automatisation de la quantification du risque de
provisionnement Ă 1 an :
Introduction :
Dans le but de rendre la quantification du risque de provisionnement Ă un an
accessible aux actuaires de Saham Assurance, et ce dans le cadre de la directive de la
solvabilité II, on a développé deux applications sur VBA :
Une application du modĂšle de M&W, permettant de mesurer la
volatilitĂ© du Boni-Mali passant de lâannĂ©e calendaire actuelle Ă la
suivante.
Une application du modĂšle de la simulation de la diagonale de
paiements perme0ttant le calcul du SCR comme obligation pour le
bilan de la compagnie sous cette nouvelle directive.
Il est Ă noter que ces deux applications sont adaptables Ă nâimporte quel
triangle de liquidation suivant une branche de lâassurance non vie.
I. Choix de lâoutil informatique :
Notre choix est tombé sur le VBA vu son attachement avec Excel. Ce dernier
est le plus utilisé comme outil de représentation des bases de données dans les
compagnies dâassurances en parallĂšle avec le SAS, ce qui justifie ce choix judicieux.
De plus, câest un langage simple de programmation permettant dâĂ©laborer des
interfaces Ă savoir des « userforms » ou mĂȘme graphiques sophistiquĂ©es et esthĂ©tisĂ©es
permettant de donner plus dâaccessibilitĂ© Ă son utilisateur.
Il contient :
Un éditeur de texte pour écrire le code des procédures événementielles
et des procédures et fonctions personnelles, et ce au niveau des projets
liés aux feuilles ou bien des modules.
Un éditeur pour créer une interface de l'application (Userform)
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
103
II. Présentation de la réalisation :
II.1 RĂ©alisation du ModĂšle de M&W :
Pour plus dâinteractions avec lâutilisateur, on a choisi lâinterface suivante :
Tout dâabord, Il suffit que lâutilisateur insĂšre son triangle de liquidation dans
une feuille du mĂȘme classeur, le premier bouton en bleu importe la base
automatiquement pour la rendre prédisposée aux opérations suivantes :
-« Chain Ladder » : Calculer les coefficients de développement par année de
déroulement ainsi que les rÚglements estimés des sinistres non encore déclarés.
-« Réserve » : Calculer La réserve totale sous la méthode de CL.
-« MSEP »: Calculer les erreurs quadratiques moyennes par année de survenance ainsi
que les années agrégées. Il est à noter que ces valeurs ne doivent dépasser les
volatilités déduites selon le modÚle de Mack vu que ce dernier communique
lâincertitude des rĂ©serves Ă lâultime et de M&W Ă un an.
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
104
-« Coef de Variation » : Calculer les coefficients de variation des (đ¶đ·đ đ), i=1âŠ..15
ainsi que le Boni-Mali total. Il est Ă noter que ces coefficients doivent ĂȘtre infĂ©rieurs Ă
15% pour juger de leur stabilitĂ©, ce qui est le cas (Voir lâapplication de M&W dans la
partie IV)
-« Best Estimate » : Calculer le Best Estimate de notre réserve et ce en se basant sur la
méthode de GLM-Gamma obtenue comme meilleure méthode.
-« Effacer » : Vider la feuille de calcul pour permettre lâinsertion dâun nouveau
triangle support des opérations précédentes en cas de besoin de placement dans une
nouvelle branche.
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
105
II.2 RĂ©alisation du ModĂšle de Simulation de diagonale de paiements :
Lâimportance de ce modĂšle provient du fait quâon a besoin de la distribution
des (đ¶đ·đ đ) pour calculer notre SCR comme Ă©tant le niveau des fonds propres exigĂ©
de la directive de la SolvabilitĂ© II. Pour ce faire, on a suggĂ©rĂ© lâinterface suivante comme dĂ©part de notre
travail :
Chaque Ă©tape est traduite par un ensemble de boutons traduisant des
instructions hiérarchisées et ce comme suit :
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
106
Etape1 : Formation des résidus à échantillonner
Tout dâabord, lâutilisateur doit insĂ©rer le triangle de liquidation dans une
feuille du mĂȘme classeur. Lâimportation se fait automatiquement tout en cliquant sur
le premier bouton (« Veuillez entrer votre triangle SVP »).
Puis, il est indispensable de crĂ©er la diagonale quâon simulera selon la
mĂ©thode de Bootstrap ModifiĂ©e et ce tout en ayant lâinformation jusquâĂ lâannĂ©e
calendaire 2014 (Le bouton « Création de la diagonale 2015 »).
Ensuite, on génÚre les rÚglements estimés par la méthode de GLM-gamma(le
bouton « RÚglements estimés »), élue comme meilleure méthode de calcul de la
branche pilote de la compagnie quâon exploitera pour le calcul des rĂ©sidus de
Pearson. (Le bouton «Calcul des résidus »)
Etape2 : Constitution des chargements de la diagonale bootstrappés :
Pour ce faire, on commence par ordonner les résidus de Pearson (le bouton
«Ordonner les résidus ») desquels on tirera les résidus bootstrappés par simulation, vu
que la normalité est assurée par ces résidus.
Dâautrepart, on placera les chargements estimĂ©s en un autre cotĂ© (Le bouton
«Ordonner les chargements estimés ») desquels on tirera les chargements
bootstrappés, y compris ceux de la diagonale, tout en appliquant la formule suivante :
đđ ,đ = đđ,đ + đđ ,đ * đđ,đ ; avec :
đđ,đ : Chargements estimĂ©s placĂ©s.
đđ,đ : Les rĂ©sidus de Pearson bootstrappĂ©s.
Pour finir, on isole les chargements bootstrappés de la diagonale en chaque
ligne pour faciliter leur usage. (Le bouton «Isolement des chargements de la
diagonale »)
Il est Ă noter que ces chargements constituent le flux futur de lâannĂ©e
calendaire 2015 (n+1).
Partie V. Automatisation de la quantification du risque de provisionnement Ă 1 an
107
Etape3 : Calcul des (đ¶đ·đ đ) et du SCR:
Au dĂ©but, on calcule la đ¶đčđ2014 (Le bouton «Calcul de la CFP2014 ») qui
est unique, vu quâelle se base sur lâinformation jusquâĂ aujourdâhui (voir, plus
explicitement, la méthode de calcul dans la partie III, en particulier le cadre pratique
de CL).
En deuxiĂšme lieu, on simule 1000 triangles de liquidation, dont chacun se
distingue par une diagonale (annĂ©e 2015) tirĂ©e des lignes simulĂ©es Ă lâĂ©tape 2. (Le
bouton «Simuler les triangles en 2015 »)
Ainsi, on cumule ces triangles, on calcule leurs diffĂ©rents đ¶đčđ2015đ
(i=1âŠâŠâŠ1000). (Le bouton «Calcul des CFP2015 »)
Enfin, on a tous les ingrédients pour obtenir une distribution des
(đ¶đ·đ đ)= đ¶đčđ2015đ â đ¶đčđ2014 . (Le bouton « Calcul des (đ¶đ·đ đ) »)
Selon la définition du SCR du modÚle standard, on calcule ce niveau de
fonds propres qui est lâobjectif de toute la dĂ©marche de lâapplication.
108
Conclusion générale :
Solvency II constitue un tournant pour les compagnies
dâassurance, qui commencent Ă ne pas se limiter sur la prudence procurĂ©e
par le systÚme déterministe tout en se référant à la prudence et
lâexhaustivitĂ© des modĂšles stochastiques permettant aux assureurs de
prévoir les scénarios les plus défavorables menaçant leur solvabilité et
pĂ©rennitĂ© Ă lâultime ainsi quâau cours dâun an.
Le pilier I de cette nouvelle directive a apporté des exigences
quantitatives pour les assurances, notamment en termes des provisions
techniques et fonds pour permettre Ă lâassureur dâhonorer ses
engagements vis-à -vis de ses assurés. Les modÚles stochastiques utilisés
dans ce qui prĂ©cĂšde sont conformes Ă ces exigences surtout quâils visent
la détermination des intervalles de confiance délimitant et la réserve
constituée et le CDR traduisant le boni-mali pouvant impacté le compte
des rĂ©sultats de la compagnie pendant lâannĂ©e calendaire actuelle.
Au final, et dans le cadre du nouveau référentiel de Solvabilité,
on est parvenu à la constitution de la réserve dictée par le modÚle GLM,
considérée comme la méthode la plus accommode à la branche pilote de
la compagnie, ainsi que sa marge de risque correspondante sans oublier
le CSR permettant de faire face au risque de ruine Ă 99.5 % de confiance ,
ce qui est considĂ©rĂ© comme niveau acceptable par lâassureur.
109
Bibliographie
Ouvrages :
-ARNAUD LACOURNE [2009] Risque de réserve sous Solvabilité II
-M. DENUIT, A.CHARPENTIER [2005] MathĂ©matiques de lâassurance non-
vie, Tarification et provisionnement, Tome 2. Economica.
MĂ©moires dâActuariat :
-MARIE LOUIS [2010] : « Evaluation des provisions techniques non-vie
dans le contexte de Solvabilité II » Mémoire FSEG Strasbourg.
-ILAN HABIB, STEPHANE RIBAN [2012] : « Quelle méthode de
provisionnement pour des engagements non-vie dans Solvabilité II »
MĂ©moire ENSAE ParisTech.
-Y.ZAKI [2014] : « Evaluation Ă©conomique des provisions pour sinistres Ă
payer sous la référentiel Solvabilité II » Mémoire INSEA.
Sites internet
-Site de la FMSAR (FĂ©dĂ©ration Marocaine des SociĂ©tĂ©s dâAssurance et
de RĂ©assurance) : http://www.fmsar.org.ma/
-Site de Ressources actuarielles : http://www.ressources-actuarielles.net/
110
Annexes
Annexe A : PrĂ©sentation du secteur et de lâorganisme dâaccueil
Aperçu sur le secteur Assurantiel
Le secteur marocain de lâassurance connaĂźt une tendance haussiĂšre
qui lui a permis dâĂȘtre « le plus mature » au Maghreb selon lâagence de
notation internationale Standard and Poorâs. ClassĂ© deuxiĂšme aprĂšs celui
de l'Afrique du Sud, il est considĂ©rĂ© lâun des secteurs les plus dynamiques
de l'Ă©conomie nationale, vu sa croissance significative et son important
chiffre d'affaire annuel qui a atteint 28421.6 Millions de Dhs dont
19022.5 Millions de Dhs en assurance non vie et 9399.1 Millions de DHS
en assurance vie et capitalisation selon la FMSAR.
Avec l'amorce du nouveau millénaire, le secteur des assurances au
Maroc Ă l'instar des autres pays connaĂźt de profondes mutations et se
trouve ainsi confronté aux grands défis (libéralisation, concentration,
assurance maladie obligatoire, bancassurance, systĂšme de refonte des
retraites ) qui vont certainement affecter le processus de sa croissance,
des défis qui une fois relevés, le secteur sortira certainement plus solide et
plus apte Ă mener Ă bien sa principale mission, qui est celle de permettre Ă
l'économie marocaine à mieux intégrer le nouveau siÚcle.
Parmi les secteurs de lâassurance qui ont vu une grande Ă©volution,
la branche non vie ou en particulier lâIARD paraĂźt comme lâacteur
principal sur le podium de lâassurance.
Structure du chiffre dâaffaires du secteur
Selon la FMSAR, lâassurance non vie, ne cesse de prĂ©senter une
évolution importante pendant ces derniÚres années, comme le montre le
tableau suivant :
111
Tableau 51 : Evolution du chiffre dâaffaires par branche dâactivitĂ© en MDhs
Le marché des assurances par compagnie
Le marché marocain se compose d'une quinzaine d'assurance, qui
offrent des produits vie et non vie, la grande part du marché d'assurance
est dominée par quatre assurances à savoir: SAHAM Assurance, WAFA
Assurance, RMA WATANYA et AXA assurance.
Source : FMSAR- Mars 2015
112
Tableau 52 : Evolution du chiffre dâaffaires du marchĂ© dâassurance non vie par compagnie
en MDhs
Présentation de Saham Assurance :
Saham assurance (ex-CNIA SAADA Assurance) a été créée en
1949 sous le nom de Compagnie Nord-africaine et Intercontinentale
d'Assurance. Ce nâest quâen 2001 que la Compagnie change de nom pour
devenir CNIA Assurance et entreprend un vaste chantier de
restructuration.
RachetĂ©e en 2005 par le Groupe Saham, CNIA Assurance aspire Ă
devenir un des acteurs majeurs de l'assurance au Maroc, dans ce sens, elle
rachĂštera en 2006 l'assureur marocain ES SAADA.
En juin 2009, CNIA Assurance fusionne avec les assurances ES
SAADA et devient CNIA SAADA Assurance.
En mars 2014, la compagnie et l'ensemble de ses filiales en Afrique
et au Moyen-Orient (excepté au Liban) changent de nom pour devenir
Saham assurance. Avec un chiffre d'affaires consolidé de 1.01 milliard
USD, ses pays d'implantation sont les suivantes: Maroc, Algérie, Angola,
Arabie saoudite, BĂ©nin, Burkina Faso, Cameroun, Congo, CĂŽte d'Ivoire,
Source : FMSAR- Mars 2015
113
Gabon, Ghana, Guinée, ile Maurice, Kenya, Liban, Madagascar, Mali,
Niger, Rwanda, Sénégal, Togo.
Concernant lâactivitĂ© de La compagnie au Maroc, Saham
Assurance est considérée comme un Leader en non vie avec une part de
17,4% du marché assurantiel marocain comme le montre le tableau
prĂ©cĂ©dent mais aussi une part de 89% de son chiffre dâaffaires global.
Figure 25 : RĂ©partition du chiffre dâaffaires de Saham par branche
Dans un contexte fortement concurrentiel, SAHAM Assurance
Maroc a rĂ©alisĂ©, au terme de lâexercice 2014, un chiffre dâaffaires global
de 3 680 MDH, marquant une progression de 5,1% par rapport Ă 2013.
Cette performance est due Ă la forte contribution de lâactivitĂ© Non-Vie,
qui sâĂ©tablit Ă 3 309 MDH, en hausse de 6,5% par rapport Ă 2013, tandis
que le chiffre dâaffaires de lâactivitĂ© Vie sâĂ©tablit Ă 371 MDH en baisse
de 5,7% par rapport Ă lâexercice 2013.
89%
11%
Non vie
Vie
114
Dâautrepart, le rĂ©sultat technique Non Vie affiche un bĂ©nĂ©fice de
409 MDH contre 361 MDH en 2013 soit une Ă©volution de +13,2%.
LâactivitĂ© Non-Vie est marquĂ©e principalement par la forte croissance des
indicateurs techniques et par une amélioration du résultat financier.
Le rĂ©sultat technique Vie sâĂ©tablit en 2014 Ă 44 MDH contre 15 MDH en
2013. Cette progression résulte de la hausse du résultat financier.
La Compagnie dĂ©gage un bĂ©nĂ©fice net sur lâexercice 2014 de 321
MDH contre 281 MDH en 2013, soit une hausse de 14,5%, comme le
montre la figure suivante :
Figure 26 : Evolution du chiffre dâaffaires de Saham en MDhs
3227
3502
3680
3000
3100
3200
3300
3400
3500
3600
3700
3800
2012 2013 2014
115
Figure 27 : Evolution du résultat net de Saham en MDhs
Les fonds propres de la compagnie sâĂ©lĂšvent Ă 3 197 MDH en 2014 contre
3016 MDH en 2013 soit une augmentation de 6%.
Figure 28 : Evolution des fonds propres de Saham en MDhs
263281
381
0
50
100
150
200
250
300
350
400
450
2012 2013 2014
116
Organigramme de Saham Assurance :
Président directeur Général
Comité Direction Générale
Comité Exécutif
Grands Comptes
Ressources humaines, Communication
et Moyens Généraux
Ressources humaines
Achat et moyens généraux
Communication
Pole Gestion
Production Dommages et assurances de
personnes
Indemnisation assurance de personnes
Indemnisation Dommages
Conseil d'administration
Comité stratégique
Comité d'Audit
Audit
Directeur Général Délegué, Fonctions de
Support
Pole Actuariat et RĂ©assurance
Pole Controle et Qualité
Finaces et juridiques
SystĂšmes d'information
Directeur Général Délégué, Opération
s d'Assurance
Pole Marché des Particuliers
et des Professionnels
Animation RĂ©seau Exclusif
Marketing et Communicatio
n Produits
Pole Marché des
entreprises
Souscription et Ingénieurie des
risques
117
Annexe B : Nuages des points des annĂ©es de dĂ©veloppements j=3âŠ9.
118
119
Figure 29 : Nuage des points de C(i,j+1)=f(C(i,j)) de lâannĂ©e de dĂ©veloppement j=3 Ă j=9.
120
Annexe C : Loi normale â loi log normale.
Une variable alĂ©atoire X suit une loi log-normale de paramĂštres ÎŒ
et đ2 si la variable alĂ©atoire Y = ln(X) suit une loi normale de paramĂštres
ÎŒâČ et đ âČ 2 . On pose ainsi :
E(X)= đđ„đ(ÎŒâČ+ đ âČ 2
2)= Ό
Var(X)= đđ„đ(2ÎŒâČ+đ âČ 2)*đđ„đ(đ âČ 2 â 1)= đ2
Ainsi on obtient :
ÎŒâČ = ln(ÎŒ) - đ âČ 2
2
đ âČ 2 = ln(1+(đ 2
đ)2 )
Ătant donnĂ© quâY suit la loi normale, alors lâintervalle de confiance
de cette variable est comme suit :
đŒđ¶95%(Y)= [ÎŒâȱ đ§2.5% â đ âČ ] ;
Avec đ§2.5%=1.96 ; câest le quantile de la loi normale associĂ© Ă
la probabilité de rejet de 2.5%.
Donc, on obtient une estimation de lâintervalle de confiance de X
suivant la loi log-normale qui est comme suit :
đŒđ¶95%(X)= đŒđ¶95%(exp(đ))= [exp( ÎŒâȱ đ§2.5% â đ âČ )]
(Propriétés de la fonction exponentielle)
121
Annexe D : Principe du QQ-Plot.
Le QQ-Plot ou le diagramme Quantile to Quantile est un outil
graphique permettant de juger de lâadĂ©quation dâune distribution
théorique à un échantillon ou en général si deux distributions sont
identiques.
Ce test repose sur la comparaison et la juxtaposition des quantiles
théoriques (axe des abscisses) et les quantiles empiriques de
lâĂ©chantillon (axe des ordonnĂ©s). Ainsi on obtient un nuage de point qui
doit ĂȘtre aux alentours dâune droite dite de rĂ©fĂ©rence pour juger de la
qualitĂ© de lâajustement par la loi considĂ©rĂ©e.
Si le QQ Plot donne une droite de référence qui ne passe pas par
lâorigine, alors la distribution est adĂ©quate mais les paramĂštres choisis ne
le sont pas et doivent ĂȘtre modifiĂ©s.
122
Annexe E : Principe et calcul de la distance K-S.
Le test de Kolmogorov Smirnov traduit une mesure descriptive de
lâajustement. Ce test Ă©value la distance entre les fonctions de rĂ©partition
de deux variables alĂ©atoires ou entre une loi thĂ©orique et celle dâune
prĂ©supposĂ©e dâun Ă©chantillon.
Ainsi, pour X et Y deux variables aléatoires, cette distance de K-S
se formule ainsi :
đ·đâđ = đ đąđđ„ |đčđ đ„ â đčđ đ„ |
Sinon, sâil sâagit de la comparaison dâune loi de probabilitĂ© Ă une
distribution empirique, qui est notre cas, alors cette distance sâĂ©crit
comme suit ;
đ·đâđ = đ đąđđ„ |đčđ đ„ â đčâ(đ„)|
Avec :- đčâ fonction de rĂ©partition thĂ©orique.
- đčđ đ„ = (1
đ
đđ=1 ).1{đ„đâ€đ„} , fonction de rĂ©partition empirique
et N est le nombre dâobservations (chargements dĂ©cumulĂ©s pour notre
cas). Il est Ă noter quâil faut ordonner de maniĂšre croissante, les
observations avant de calculer cette fonction.
LâĂ©tape suivante est de calculer cette distance pour les N quantiles
ordonnés, puis prendre la valeur supérieure de toutes les N distances.
Ceci sâopĂšre pour toutes les lois thĂ©oriques susceptibles dâajuster notre
distribution et donc celles que le QQ Plot a donné des résultats
amélioratifs. Pour notre cas, on a restreint le champ sur les lois gamma,
normal (malgrĂ© quâelle prend des valeurs nĂ©gatives) et log-normale.
La loi la plus convenable est celle qui a la distance đ·đâđ la plus
faible entre elles mais aussi par rapport Ă đ·5% (đđđ ) figurant dans la table
de Kolmogorov Smirnov, en dâautres termes la p_value la plus grande
dâelles mais aussi par rapport Ă 5%.
Dans notre cas, le logiciel Sas nous Ă©pargne de ces calculs tout en
donnant la distance đ·đâđ ainsi que la p-value quâon compare directement
Ă 5% qui doit ĂȘtre supĂ©rieur Ă zĂ©ro pour accepter đ»0 , avec :
đ»0: đđ đđđ đĄđĂ©đđđđđąđ đ âČđđđąđ đĄđ đđŁđđ đđ đđđ đĄđđđđąđĄđđđ đđđđđđđđąđ.
123
Annexe F : Sur la VAR et la TVAR.
Tout dâabord, on parlera de la notion de mesure de risque đ dont la
qualitĂ© peut ĂȘtre apprĂ©ciĂ©e par la notion de cohĂ©rence. Celle-ci repose sur
les quatre propriétés suivantes :
-Invariance par translation :
â đ â đ : đ đ„ + đ = đ đ„ + đ
-Sous-additivité :
đ đ + đ †đ đ + đ(đ)
-Homogénéité positive :
âđŸđđ +, đ đŸ đ = đŸđ(đ)
-Monotonie :
P(Xâ€Y)=1 đ(X) †đ(Y)
Dans ce cadre, la Value At Risk est la mesure de risque conseillée
par le CEIOPS dans le cadre de la Solvabilité II, dont la définition est la
suivante :
đđđđŒ đ = inf{đ„ â đ ; đčđ(đ„) â„ đŒ = đčđ
â1(đŒ)
Ainsi, la đđđđŒ traduit le quantile pour lequel il yâa đŒ% de chance de
ne pas ĂȘtre dĂ©passĂ©, en dâautres termes (1- đŒ) % de risque quâil soit
dĂ©passĂ©. Cette mesure nâest dâautre quâun quantile pour les lois continues,
nâĂ©tant pas qualifiĂ©e de cohĂ©rente vu quâelle ne vĂ©rifie pas la condition de
la sous-additivité, mais surtout ne donne aucune information sur la queue
de distribution, c'est-Ă -dire ce qui passe en cas de dĂ©passement de la đđđđŒ.
Par conséquent, on utilise (notamment dans le calcul de la MR) la
TđđđđŒ qui est qualifiĂ©e de cohĂ©rente et qui vaut :
đđđđđŒ(X) = (1/1- đŒ). đčđâ1 đ đđ
1
đŒ
= E{X/X>đđđđŒ đ }
Il est clair que đđđđđŒ (X) â„ đđđđŒ (X), Ă niveau de confiance Ă©gal. Elle
reprĂ©sente tous les avantages non vĂ©rifiĂ© par la đđđđŒ (X), Ă savoir plus de
124
stabilitĂ© et de prudence du fait quâelle nâest pas basĂ©e que sur un
quantile, donne une idée sur la queue de distribution et vérifie la
condition de sous additivitĂ© qui stipule que la đđđđđŒ de plusieurs branches
Ă la fois est infĂ©rieur Ă la somme des đđđđđŒ de chacune.
đđđđđŒ(X+Y) †đđđđđŒ (X) + đđđđđŒ(Y)