REASS2

Les tarifs des réassureurs sont-ils crédibles?
« Credibility Theory is one of the cornerstones of actuarial science as applied to casualty

and property insurance »
Longley-Cook
Christine Finas | Mémoire | 2015

Résumé
Le coeur de ce mémoire est l’étude de la théorie de la crédibilité et son application à
la tarification des traités en excédent de sinistre en réassurance non-vie. L’objectif étant
d’augmenter la fiabilité des taux de primes avancés par les actuaires tarificateurs.
L’actuaire qui souhaite tarifer un traité en excédent de sinistre a, en général, à sa dispo-

sition, l’historique de sinistralité de la cédante, historique qui peut être plus ou moins
long selon l’ancienneté de la cédante sur le marché. Si la tranche qu’il cherche à coter
est travaillante, il peut calculer un taux de prime uniquement à partir de ces données de
sinistres. Par contre, pour les tranches non travaillantes, les données se font plus rares ce
qui rend un taux uniquement basé sur l’expérience de sinistralité peu fiable. Les actuaires
ont alors recours à une tarification marché.
Ce mémoire s’intéresse aux situations intermédiaires pour lesquelles une méthode de

tarification basée sur l’expérience peut être envisagée mais n’est pas suffisante pour garan-
tir la fiabilité du prix renvoyé. Il examine, pour ces situations particulières, le facteur de
crédibilité à appliquer aux deux méthodes de tarification évoquées pour aboutir à un taux
de prime plus fiable.
Dans ce mémoire, nous travaillons avec les primes pures de réassurance (estimations
des pertes attendues) et non avec les primes réellement souscrites. Nous tenons également
à préciser que le terme crédibilité ne renvoie pas à un questionnement sur l’exactitude et
la précision des données fournies par la cédante mais plutôt à un questionnement sur le
poids statistique à attribuer à ces données comme projection des pertes futures.
MOTS-CLÉS : Réassurance, tarification sur base expérience, tarification marché, cré-

dibilité, approche bayésienne, incertitude des paramètres.

Abstract
This dissertation deals with the credibility theory and its application to the pricing of
excess-of- loss treaties in non-life reinsurance. The objective is to increase the reliability of
premium rates proposed by the actuaries and the underwriters.
The actuary who wants to price layers of an excess-of-loss reinsurance treaty generally has
at its disposal the claims of the cedent gathered from previous years of experience. This
historical database of losses may be long or short, depending on the age of the cedent on
the market. If the layer he wants to price is a working layer, he can determine a premium
rate from the cedent’s historical claims experience only. However, for non-working layers,
because of the scant supply of data that is typical of reinsurance, the rate derived by an
experience-rating method is unreliable. Then actuaries may use information from the
market and resort to a market rating method.
This report focuses on intermediate situations for which an experience-rating method

may be considered but is not enough to guarantee reliability of the calculated rate. It
examines, for these particular situations, the credibility factor to be applied to the two
aforementioned pricing methods in order to produce a more reliable premium rate.
In this report, we work with reinsurance pure premiums (estimates of the expected
losses) and not with premiums actually subscribed. We should also point out that when
we use the term credibility, we are not questioning the accuracy of the data provided by
the cedant, but noting its partial statistical weight as a projection of future expectations.
KEYWORDS : Reinsurance, experience rating, market rating, credibility, bayesian ap-

proach, uncertainties of parameters.

Remerciements
J’adresse un grand merci à Cécile Vuong et Alpha Bah, qui ont été successivement mes
tuteurs au cours de cette alternance. Je tiens à les remercier pour les précieux conseils
qu’ils m’ont prodigués.
J’adresse également mes remerciements à Stéphane Bonche, Mark Cockroft et Pietro

Parodi qui ont eu la gentillesse de répondre à mes questions concernant leurs articles
malgré leur emploi du temps chargé.
Je saisis l’occasion de remercier Sophia Mealy, mon ancienne tutrice, pour m’avoir donné
la chance de découvrir le monde de la réassurance lors d’un stage à Novae Re à Zürich et
pour m’avoir proposé son aide lors de l’élaboration de ce mémoire.
Je n’oublie pas non plus tous ceux qui m’ont apporté leur aide par leurs relectures atten-
tives, leurs corrections et suggestions. En particulier, mes parents, ma tante ainsi que mes
tuteurs, Nabil et Alpha. Je leur en suis très reconnaissante.
Enfin, je tiens à remercier du fond du coeur mes parents pour leur soutien sans faille tout
au long de mes années d’études.

Sommaire
I Contexte : La réassurance vue par un actuaire tarificateur 2

1 Introduction Générale 3
1.1 Les fondamentaux de la réassurance . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Organisation de l’activité de réassurance . . . . . . . . . . . . . . . 5
1.1.3 L’histoire de la réassurance . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Les différents traités de réassurance . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Réassurance proportionnelle . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Réassurance non proportionnelle . . . . . . . . . . . . . . . . . . . 8
1.3 La Caisse Centrale de Réassurance . . . . . . . . . . . . . . . . . . . . . . 10
2 Tarification 11
2.1 Contexte d’une cotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Appréciation de la fiabilité des données . . . . . . . . . . . . . . . 11
2.1.2 Branches courtes, branches longues . . . . . . . . . . . . . . . . . . 12
2.1.3 Tranches travaillantes, tranches non travaillantes . . . . . . . . . . 12
2.1.4 Les clauses particulières . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.5 Prime pure, prime technique et prime commerciale . . . . . . . . . 13
2.1.6 Les différents modes de versement de la prime . . . . . . . . . . . 14
2.2 Tarification sur expérience . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Préparation des données : obtention d’une statistique “as if” . . . . 15
2.2.2 Méthode non paramétrique : le Burning Cost . . . . . . . . . . . . 16
2.2.3 Méthode paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.4 Un exemple de cotation en branche longue . . . . . . . . . . . . . 21
2.3 Tarification marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.2 Construction d’une courbe marché . . . . . . . . . . . . . . . . . . 29
2.3.3 Les outils benchmark : d’autres approches marché . . . . . . . . . . 31
II Les modèles de crédibilité en réassurance 35

3 La théorie de la Crédibilité 38
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 La théorie de la fluctuation limitée . . . . . . . . . . . . . . . . . . . . . . 39
3.2.1 Crédibilité totale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2 Crédibilité partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.3 Limites de la crédibilité américaine . . . . . . . . . . . . . . . . . . 41
3.3 Crédibilité bayésienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.1 Langage bayésien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Le modèle de Bühlmann . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3 Le modèle de Bühlmann-Straub . . . . . . . . . . . . . . . . . . . . 48
3.3.4 Le cas particulier du modèle Poisson/Gamma . . . . . . . . . . . . 49

4 La crédibilité bayésienne appliquée à la réassurance 52

4.1 L’approche purement fréquentielle . . . . . . . . . . . . . . . . . . . . . . 52
4.1.1 Transposition des modèles de Bühlmann et Bühlmann-Straub . . . 52
4.1.2 Interprétation du facteur de crédibilité . . . . . . . . . . . . . . . . 54
4.1.3 Mise en oeuvre du modèle . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Approche combinant fréquence et sévérité . . . . . . . . . . . . . . . . . . 56
4.2.1 Modélisation de l’intensité des sinistres . . . . . . . . . . . . . . . . 57
4.2.2 Expression analytique exacte du facteur de crédibilité . . . . . . . . 58
4.2.3 Implémentation informatique . . . . . . . . . . . . . . . . . . . . . 63
4.2.4 Mise en oeuvre du modèle . . . . . . . . . . . . . . . . . . . . . . . 64
4.3 Calibration des modèles précédents . . . . . . . . . . . . . . . . . . . . . . 65
4.3.1 Calibration empirique . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.2 Calibration par simulations . . . . . . . . . . . . . . . . . . . . . . 66
4.3.3 Mise en oeuvre sur un exemple simple . . . . . . . . . . . . . . . . 69
4.4 Limites des modèles bayésiens . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.1 Une mise en oeuvre critiquable . . . . . . . . . . . . . . . . . . . . 73
4.4.2 Des modèles reposant sur une hypothèse contraignante . . . . . . . 73
4.4.3 Des modèles incomplets . . . . . . . . . . . . . . . . . . . . . . . . 73
5 Crédibilité des Incertitudes 74

5.1 Le modèle de Bonche et Parodi . . . . . . . . . . . . . . . . . . . . . . . . 74
5.1.1 Contexte général . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.1.2 Application à la réassurance . . . . . . . . . . . . . . . . . . . . . . 76
5.2 Modélisation de la corrélation et des incertitudes . . . . . . . . . . . . . . 77
5.2.1 Incertitudes relatives au taux de prime du client et au taux marché 77
5.2.2 Incertitude liée à l’hétérogénéité du portefeuille . . . . . . . . . . . 78
5.2.3 Modélisation de la corrélation . . . . . . . . . . . . . . . . . . . . . 78
5.3 Mise en oeuvre du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
III Cas pratique

Application au marché britannique de l’automobile 81
6 Présentation de l’étude et préparation des données 83
6.1 Présentation du marché de la réassurance automobile britannique . . . . . 83
6.1.1 Spécificités du marché . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.2 Choix du portefeuille marché . . . . . . . . . . . . . . . . . . . . . 84
6.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.2.1 Formatage et uniformisation des triangles de sinistralité . . . . . . 86
6.2.2 Agrégation des triangles . . . . . . . . . . . . . . . . . . . . . . . . 87
7 Mise en oeuvre des modèles de crédibilité 89

7.1 Validation de l’hypothèse des modèles fréquentiels . . . . . . . . . . . . . 89
7.1.1 Le test de Kolmogorov-Smirnov pour deux échantillons . . . . . . . 89
7.1.2 Résultats obtenus sur nos données . . . . . . . . . . . . . . . . . . 90
7.2 Calculs des primes individuelles et des primes marché . . . . . . . . . . . 90
7.3 Calculs des facteurs de crédibilité . . . . . . . . . . . . . . . . . . . . . . . 92
7.3.1 Aperçu modèle par modèle . . . . . . . . . . . . . . . . . . . . . . 92
7.3.2 Récapitulatif des procédures à utiliser pour chaque modèle . . . . . 93
8 Résultats et conclusions 95
8.1 Illustrations de quelques résultats théoriques . . . . . . . . . . . . . . . . . 95
8.1.1 Modèles bayésiens . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.1.2 Modèle non bayésien . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.2 Choix du portefeuille marché : lacune théorique des modèles de crédibilité 98
8.2.1 Une question préoccupante . . . . . . . . . . . . . . . . . . . . . . 98

8.2.2 Sans réponses théoriques . . . . . . . . . . . . . . . . . . . . . . . 99
9 Bilan et Perspectives 101

9.1 Bilan comparatif des différents modèles . . . . . . . . . . . . . . . . . . . 101
9.2 Limites de l’étude et recherches ultérieures . . . . . . . . . . . . . . . . . . 103
9.2.1 Généralisation à un marché quelconque . . . . . . . . . . . . . . . 103
9.2.2 Prise en compte de la qualité des données . . . . . . . . . . . . . . 103
9.2.3 Processus de tarification du taux marché . . . . . . . . . . . . . . . 103
A Lois de distribution de fréquence et d’intensité 111

A.1 La loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
A.2 La loi Binomiale Négative . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
A.3 La loi de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
A.4 La loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
B Frise chronologique de la crédibilité appliquée à la réassurance 116
C Modèle de Cockroft 117
D Code WinBUGS pour le modèle Poisson-Pareto 118
E Résultats des tests de Kolmogorov-Smirnov 119
F Résultats obtenus pour les modèles bayésiens 120
G Résultats obtenus pour le modèle non bayésien 122
H Compléments - Modèles bayésiens 126
I Compléments - Modèle non bayésien 128

Préambule
Comme dans toute entreprise, fixer un prix de vente est une tâche très importante. En
réassurance, la fixation du prix de vente, appelée la cotation, est encore plus délicate
dans la mesure où le “prix de revient” ne peut pas être connu avec certitude. Il ne peut
être qu’estimé. Il est donc impératif pour les réassureurs de mettre en place des modèles
permettant d’estimer ce prix au plus juste en fonction des données disponibles afin de faire
preuve de crédibilité vis-à-vis de leurs clients.
Placée sous la responsabilité d’Hervé Nessi, directeur du Département Etudes Techniques

Réassurance de Marché, j’ai participé, pendant cette année d’alternance, à la tarification
des traités de réassurance non-vie, notamment lors des périodes de renouvellement. Il était
alors naturel que mon sujet de mémoire s’articule autour de la tarification. Rattachée à
l’équipe d’actuaires du pôle tarification du Département Etudes Techniques Réassurance de
Marché, j’ai travaillé en collaboration avec plusieurs équipes au sein du groupe, notamment
le pôle Modélisation/Optimisation, le pôle Sinistres/Commutations ainsi que les équipes
de souscriptions de la direction Traités Non Vie. J’ai également pu échanger sur les aspects
scientifiques avec Stéphane Bonche 1 , Mark Cockroft 2 et Pietro Parodi 3 qui ont tous les
trois publié des articles sur l’application de la théorie de la crédibilité à la réassurance.
Ce mémoire est divisé en trois grandes parties. La première partie permet de bien com-
prendre les rouages du monde de la réassurance. Elle décrit également les grandes étapes
du processus d’une cotation en réassurance. La deuxième partie de ce rapport présente les
modèles de crédibilité et s’intéresse à ceux qui peuvent être appliqués à la réassurance.
Nous décrivons tout d’abord la crédibilité bayésienne qui permet de définir un cadre
commun pour les modèles suivants : Bühlmann et Bühlmann-Straub. Nous présentons
ensuite une deuxième approche plus intuitive fondée sur les incertitudes relatives aux
erreurs commises lors du processus de cotation. Enfin, la dernière partie présente les
résultats obtenus pour le marché de la réassurance automobile britannique et permet
d’analyser la cohérence des différents modèles de crédibilité étudiés.
Un néophyte ne pourra pas faire l’impasse de la première partie s’il veut comprendre
les modèles présentés aux chapitres 4 et 5 mais les lecteurs familiers avec la réassurance
et la tarification sont encouragés à commencer leur lecture directement au chapitre 3
qui ouvre la deuxième partie. La troisième et dernière partie, quant à elle, est totalement
dépendante de la deuxième. Par ailleurs, nous tenons à préciser que la structure de ce
mémoire est plus complexe qu’une simple opposition théorie/application. En effet, de
nombreuses illustrations et plusieurs applications viennent étayer les propos des deux
premières parties.
1. Stéphane Bonche est diplômé de l’Institut des Actuaires Français, a rédigé son mémoire sur la crédibilité
appliqué à la réassurance et a travaillé pendant plusieurs années à New Re.
2. Mark Cockroft est un actuaire qualifié membre de l’institut des actuaires britanniques, the Institute and
Faculty of Actuaries. Il occupe le poste de directeur de l’actuariat à Qatar Re.
3. Pietro Parodi est également un actuaire qualifié britannique. Il est actuellement directeur à Swiss Re.
Christine Finas | Mémoire | 2015 1

Partie I
Contexte : La réassurance vue

par un actuaire tarificateur

Chapitre 1
Introduction Générale
1.1 Les fondamentaux de la réassurance

1.1.1 Généralités
1.1.1.1 Définition
La réassurance est l’assurance des sociétés d’assurance. Dans une opération de réassurance,
une société d’assurance, la cédante, s’assure elle-même auprès d’une société dite de
réassurance, le cessionnaire.
1.1.1.2 Principe
La réassurance permet aux compagnies d’assurance de transférer une partie de leur risque
et de se prémunir notamment contre la survenance d’événements extrêmes qui pourraient
mettre en péril leur solvabilité. La réassurance concerne principalement les grands risques
indépendants (avion, navire, usine, etc.), les risques émergents (pollution, atome, res-
ponsabilité civile professionnelle,etc.) et les risques extrêmes (catastrophe naturelle, crise
politique, défaillance technologique).
Il existe deux formes principales de contrat de réassurance, le traité et la facultative.

Dans le cas d’un traité, la cédante cède une partie de son portefeuille qui peut contenir
jusqu’à plusieurs millions de polices. Le réassureur s’appuie alors sur sa connaissance de la
cédante et de ses pratiques de souscription pour évaluer le risque et tarifer le contrat. Dans
le cas d’une facultative, la cédante cède au réassureur tout ou partie d’un risque couvert
par une police d’assurance unique et c’est donc principalement la connaissance du risque
particulier associé à la police qui déterminera le coût de la couverture. Il est souvent fait
appel à des ingénieurs ou à des experts plutôt qu’à des actuaires pour la tarification des
contrats de réassurance facultative.
A cette première distinction entre traités et facultatives, s’ajoute une différenciation selon
le mode de souscription qui peut être proportionnel ou non-proportionnel. Dans le premier
cas, il s’agit essentiellement de la réassurance Quote-Part ou QP (Quota Share) pour
laquelle tous les élements du risque (capital, primes et sinistres) sont partagés proportion-
nellement entre l’assureur et le réassureur. Dans le second cas, le réassureur n’interviendra
que sur une tranche, c’est-à-dire qu’à partir d’un seuil, la priorité, et dans la limite d’un
certain plafond, la portée. Il s’agit le plus souvent de réassurance en excédent de sinistre
(XS, Excess of Loss, XL) ou en excédent de perte annuelle (Stop Loss). Les spécificités de
chacun de ces traités seront expliquées plus en détails dans la partie 1.2.
En outre, on distingue plusieurs branches et sous-branches en réassurance. Il existe

une première distinction entre la réassurance vie et la réassurance non vie. Ensuite, la
réassurance non vie qui, malgré la récente progression du marché de la réassurance vie,

reste le marché majoritaire, se divise entre la réassurance de personnes, la réassurance de

responsabilité civile et la réassurance de biens.
Traités Non Proportionnels

48% Non Vie
Facultatives Proportionnelles 64%
Facultatives Non Proportionnelles 48%
2%
Traités Proportionnels Vie

47% 36%
F IGURE 1.1 – Répartition des primes brutes cédées

Source : FFSA 2013
Le diagramme circulaire à droite sur la figure 1.1 montre que les contrats de réassurance
facultative restent marginaux. Dans la suite du mémoire, on ne s’intéressera qu’aux traités
de réassurance.
1.1.1.3 Un marché cyclique

On observe sur le marché de la réassurance des cycles plus marqués que pour la plupart des
autres secteurs. Le mécanisme est simple : lorsque les taux de prime sont élevés, l’offre de
réassurance va croissante sur le marché car de plus en plus d’acteurs financiers sont attirés
par les rendements élevés du secteur. Ce faisant, la concurrence s’exacerbe et les taux de
primes décroissent jusqu’à ce que le secteur ne soit plus rentable. Plusieurs réassureurs
sont alors contraints de se retirer ou font faillite, l’offre de réassurance se contracte et
les taux de primes remontent. Lorsque les prix sont élevés, on dit que l’on est en “Hard
market”. Au contraire, lorsque les prix sont bas, on dit que l’on est en “Soft market”.
Ce sont fréquemment des catastrophes naturelles qui marquent la fin d’un cycle et le
début d’un autre. Car qui dit catastrophe naturelle dit, bien souvent, sinistres graves syno-
nymes de pertes importantes. Et qui dit pertes importantes dit majoration draconienne
des primes de réassurance. La figure 1.2 illustre les principaux cycles sur le marché de la
réassurance depuis le début des années 1990.
in Mio USD
140
Wilma
Rita
Katrina
120
TdT Japon
Charley
Frances Inondations THA
100 Songda TdT NZL
Ivan Tornades US
Anatol Jeanne Irene
Lothar
80
Martin
Andrew Bart
Floyd
60
Kobe Kyrill
40
20
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
F IGURE 1.2 – Montants agrégés des sinistres évènements naturels majeurs de 1991 à 2011

1.1.1.4 La gestion des risques au coeur de la réassurance

Une grande partie de la valeur économique d’un réassureur réside non seulement dans sa
connaissance des risques traditionnels et dans la qualité de ses relations avec ses cédantes,
mais aussi dans sa capacité à identifier des risques émergents et à proposer des solutions
adaptées pour les couvrir. Pour gérer les risques traditionnels qu’il souscrit chaque année,
un réassureur s’appuie sur une équipe commerciale de souscripteurs, internationale et
polyvalente, qui lui permet d’obtenir, à l’aide des courtiers, un portefeuille de risque
diversifié offrant un bon rapport rendement/risque. Le réassureur peut en outre céder lui
aussi une partie de son risque en se tournant vers un rétrocessionnaire. Diversification et
rétrocession sont les deux outils principaux dont dispose le réassureur pour gérer le risque.
1.1.1.5 Les indicateurs de performance

Le principal indicateur de performance d’un réassureur est le ratio combiné (Combined
Ratio), rapport des sinistres payés ou à payer ajoutés aux coûts administratifs sur les
primes acquises. Exprimé en pourcentage, il indique, lorsqu’il est supérieur à 100%, que
le réassureur est techniquement en perte. Notons toutefois que le réassureur réalise des
profits financiers par le placement des primes acquises et peut donc réaliser des profits
même avec un ratio combiné supérieur à 100%. La notation financière est également un
élément très important pour un réassureur dans la mesure où elle lui permettra ou pas de
séduire à la fois ses clients et ses investisseurs, tous très à l’écoute de l’avis des agences de
notation sur la solvabilité du réassureur.
1.1.1.6 Quelques chiffres

Au niveau mondial, le marché de la réassurance a généré, en 2014, un chiffre d’affaires brut
d’environ 245 milliards de dollars, en progression de 2% par rapport à l’année précédente.
Le ratio combiné de l’ensemble du secteur était de 96% en 2014. 1
1.1.2 Organisation de l’activité de réassurance

1.1.2.1 Les renouvellements en réassurance
La plupart des contrats ont une durée d’un an avec pour date d’effet schématiquement
le 1er janvier sur le marché européen, 1er avril sur le marché asiatique et 1er juillet
pour le marché américain. Chaque année les contrats de réassurance sont renouvelés
durant la période de renouvellement. Les renouvellements de fin d’année couvrant la
période s’étalant de fin septembre à début janvier sont les plus importants et marquent
traditionnellement le pic d’activité chez les réassureurs, les courtiers de réassurance et le
département cession des cédantes.
1.1.2.2 Le processus de cotation d’un contrat de réassurance

La compagnie d’assurance qui a besoin de se réassurer pour certains risques va approcher
un courtier pour établir un programme de réassurance. Une fois ce programme de réas-
surance établi, le courtier va contacter plusieurs compagnies de réassurance auxquelles
il va demander de coter l’affaire et d’indiquer la part maximum qu’elles seraient prêtes
à souscrire. Notons que l’assureur est libre de placer tous ses contrats chez le même
réassureur. Toutefois, en général pour limiter son risque de crédit, l’assureur cède son
contrat non pas à un seul réassureur mais à un pool de réassureurs. Sans compter que, sur
un contrat donné, les souscripteurs ne sont pas autorisés à s’engager au delà d’une certaine
limite, la capacité de souscription (fixée préalablement par la compagnie de réassurance),
il est donc rare qu’ils prennent le risque à 100%.
Une fois les cotations et parts récupérées, la compagnie d’assurance conjointement avec
le courtier va choisir un taux qu’elle va essayer de placer sur le marché pour approcher
1. Source : Fédération Française des Sociétés d’Assurances

d’autres réassureurs à qui elle n’avait pas demandé de coter. La compagnie d’assurance
choisit également un apériteur, généralement il s’agit du réassureur dont le taux a été re-
tenu (réassureur leader). Ce réassureur est désigné pour représenter le pool de réassureurs
et est responsable de la partie contractuelle c’est-à-dire de l’élaboration du contrat ainsi
que des négociations éventuelles. Si la somme des parts acceptées par les réassureurs est
supérieure à 100%, on dit que le contrat est surplacé et tous les réassureurs n’obtiendront
pas la totalité de ce qu’ils avaient demandé. Si, au contraire, la somme des parts acceptées
est inférieure à 100%, on dit que le programme est sous-placé. C’est là que la partie
négociation commence. Par exemple, on peut essayer de négocier avec certains réassu-
reurs pour qu’ils prennent plus que ce qu’ils avaient accepté intialement moyennant une
augmentation de part sur d’autres traités du même client que ces réassureurs voudraient
obtenir.
1.1.3 L’histoire de la réassurance

C’est le développement du commerce maritime, depuis l’antiquité jusqu’à la renaissance,
qui, progressivement, poussa à l’élaboration des mécanismes de transfert de risque et de
mutualisation. Le code d’Hammourabi, adopté par les babyloniens au XVIII ème siècle
avant notre ère, confère à l’assurance les prémices d’un cadre juridique. Au VI ème siècle
après J.C, l’empereur Justinien codifie le “prêt à la grosse aventure” ou nauticum foenus.
Ainsi, selon le Corpus juris civilis, lorsqu’un marchand effectue un prêt pour acheter un
vaisseau, il a la possibilité de payer une prime additionnelle lui garantissant l’annulation
du prêt en cas de vol ou de perte du bâtiment en mer.
Le premier contrat de réassurance est signé en 1370, à un moment où le commerce

maritime est en plein essor, favorisé notamment par la décision prise par le comte de
Flandre en 1310 de créer une chambre de l’assurance à Bruges. Deux assureurs vénitiens
qui couvraient alors la marchandise d’un bateau effectuant la liaison entre le port de Gênes
et la ville de L’Ecluse aux Pays-Bas, décidèrent de céder le risque à un troisième assureur
sur la partie la plus risquée du voyage, à partir du détroit de Gibraltar lors de l’escale à
Cadix en Espagne, et ce jusqu’au passage du golfe de Gascogne.
C’est à Londres, au Royaume-Uni, que la première organisation moderne d’assurance

vit le jour sous la forme du Hand-in-Hand Fire Office, créé en 1696 en réponse au grand in-
cendie de Londres de 1666. La première société d’assurance fût créée en 1710 sous le nom
de Sun Fire et très rapidement, des sociétés d’assurance virent le jour et se développèrent
dans tous les pays occidentaux, notamment au Royaume-Uni, en Allemagne et en France.
La réassurance moderne est apparue en Allemagne au moment de la révolution industrielle.

Le Grand Incendie d’Hambourg en 1842 incita les usines et autres complexes industriels
à souscrire des polices d’assurance. Les sociétés d’assurance allemandes eurent alors de
plus en plus de mal à satisfaire cette demande croissante et décidèrent de recourir à
des techniques de réassurance. C’est dans ce contexte que fût fondé, en 1846, Cologne
Re (Kölnische Rück). Dès lors, de nombreuses sociétés spécialisées uniquement dans la
réassurance émergèrent et la réassurance se mit à couvrir à peu près toutes les branches sur
tous les marchés d’assurance mondiaux. Cependant l’offre et la demande de réassurance
restent beaucoup plus fortement implantée dans les pays développés, l’offre de réassu-
rance provenant essentiellement de quelques pays occidentaux (Allemagne historiquement,
Suisse, Royaume-Uni, États-Unis, France).
1.2 Les différents traités de réassurance

1.2.1 Réassurance proportionnelle
Quel que soit le type de traité, le réassureur reçoit une prime de réassurance qui correspond
à un certain pourcentage de l’estimation de la prime versée par l’ensemble des assurés à la

cédante pour la période de couverture (communément désignée par l’abréviation anglaise

EPI pour “Estimated Premium Income”). Dans le cas d’un traité proportionnel, le même
pourcentage est utilisé pour déterminer ce que le réassureur doit verser à la cédante en cas
de sinistre. Ainsi, pour un traité proportionnel, ce que le réassureur paye est directement
lié à ce qu’il reçoit.
1.2.1.1 Traité Quote-Part

Il s’agit de la forme la plus simple de réassurance. Pour ce type de traité, un taux de
cession x% est défini. Le réassureur s’engage alors à prendre en charge x% de tous les
risques du portefeuille considéré moyennant le pourcentage x% de la prime perçue pour
ce portefeuille.
4M
Taux de cession= 30%
3M
2M
Part du réassureur
1M Conservation de l’assureur
F IGURE 1.3 – Traité Quote-Part avec un plein de conservation de 70%
Ce type de couverture est intéressant pour les cédantes disposant d’un capital insuffisant
et désirant se développer. En effet, la cédante peut souscrire plus de primes pour le même
niveau de capital tout en maintenant sa marge de solvabilité. Par contre, ce type de traité
ne permet pas d’obtenir un lissage des résultats dans le temps. En effet, le ratio S/P
demeure le même avant et après application du Quote-Part. De plus, ce type de traité ne
permet pas de se protéger contre la survenance de sinistres extrêmes.
1.2.1.2 Traité Excédent de Plein

Dans le cas d’un Quote-Part, comme le montre la figure 1.3, le réassureur est impliqué
dans tous les sinistres même les plus petits. Cela n’est pas nécessairement la meilleure
stratégie pour la cédante. En effet, les petits risques sont plus fréquents et donc mieux
maitrisés que les grands risques. De plus, ces risques représentent en général le plus grand
nombre de polices du portefeuille de la cédante. C’est pourquoi, certaines préféreront
conserver une plus grande partie de la prime (et donc les petits sinistres) et bénéficier
d’une protection proportionnelle uniquement pour les risques les plus importants. Ces
cédantes souscriront alors un traité en Excédent de Plein.
Pour un Excédent de Plein, à la différence du Quote-Part, le taux de cession est défini pour
chaque police selon la formule suivante :

Si − R C
xi = min max ,0 ,
Si Si
Si est la somme assurée totale pour la police no i. R désigne le “plein de rétention”, souvent
appelé simplement “plein” et correspondant au montant maximal que la cédante souhaite

payer par sinistre. C, enfin, est la capacité de l’Excédent de Plein qui est communément
défini en nombre de pleins. R et C sont définis contractuellement.
Ainsi
− Si Si ≤ R, la cédante conserve entièrement le risque de la police no i.
Si −R
− Si R < Si ≤ C, la cédante cède Si % au réassureur
C
− Si Si > C, la cédante cède Si % au réassureur.
4M
3M
2M
Part du réassureur
C = 3 Pleins = 1.5M
1M Conservation de l’assureur
R = 1 Plein = 0.5M
F IGURE 1.4 – Traité en Excédent de Plein avec un plein de conservation de 0.5M et une capacité de
3 pleins
1.2.2 Réassurance non proportionnelle

1.2.2.1 Traité Excédent de Sinistre
En général, un traité en Excédent de Sinistre (abrégé par “traité XS”) est découpé en
plusieurs tranches. Toutefois, il se peut que le traité ne comporte qu’une seule tranche. La
limite basse et la capacité d’une tranche sont appelées respectivement priorité (“deducti-
ble” en anglais) et portée (“limit” en anglais). Les priorités et portées des différentes
tranches sont définies contractuellement. En pratique, on écrit les tranches de réassurance
de la façon suivante : portée xs priorité.
Si on appelle X le montant d’un sinistre couvert par un traité XS à une tranche et S

le sinistre à charge du réassureur, on a :
S = min {max {X − priorité, 0} , portée}
Il se peut qu’un événement touche un nombre important de polices dans le portefeuille

d’une cédante mais sans qu’un seul des sinistres occasionnés ne dépasse la priorité définie
contractuellement (du type du sinistre no 1 de la figure 1.5). Les tempêtes françaises de
1999 en sont un exemple. Afin de ne pas laisser la cédante à découvert dans ce genre
de situation, plusieurs modes de fonctionnement ont été définis pour un XS. Il peut
fonctionner par risque (“risk attaching basis” en anglais), par événement (“losses occurring
basis” en anglais) ou encore “par risque et par événement”.

6M
T2
portée 2
Charge de T 2
3M priorité 2
T1 portée 1 Charge de T 1
2M priorité 1
Conservation de l’assureur
0 1 2 3 4
F IGURE 1.5 – Représentation graphique d’un traité XS en deux tranches
− Lorsque le traité XS que l’on doit coter est défini par risque, le traité s’applique à
chaque sinistre survenant durant la période de couverture.
− Lorsque le traité est défini par événement, le traité s’applique au montant cumulé
de tous les sinistres causés par un même événement. Il peut s’agir d’une catas-
trophe naturelle (tremblement de terre, tempête,...) ou humaine (attentat terroriste,
émeute,...). Il faut signaler que la définition de l’événement doit être stipulée au
préalable dans le contrat afin d’éviter tout litige.
− Lorsque la couverture est définie par risque et par événement, la cédante est couverte
pour tout type de sinistre, événementiel ou individuel.
4M
3M
priorité
2M
catastrophe
1M
F IGURE 1.6 – Fonctionnement d’un traité XS par événement
1.2.2.2 Traité Stop-Loss

Pour des risques à caractère cyclique et très localisés géographiquement, comme la grêle
ou les orages, ce n’est pas tant la sévérité des sinistres mais plutôt leur fréquence qui
pourrait compromettre le résultat d’une année. Pour ce type de sinistres, l’XS par risque
est sans grand intérêt. L’XS par événement n’est pas d’un grand secours non plus car ce

dernier sert à se protéger contre la survenance d’un événement exceptionnel, une catas-
trophe, qui occasionnerait de multiples sinistres individuels. Or, un orage exceptionnel,
par exemple, n’aura pas nécessairement un gros impact sur le résultat d’une année tandis
qu’un nombre important d’orages pourra mettra en péril ce résultat. D’où la nécessité du
traité en excédent de perte annuelle plus communément appelé Stop-Loss.
Le fonctionnement d’un Stop-Loss est identique à celui d’un Excédent de Sinistre à la

différence que les limites du traité ne sont pas exprimées sous la forme de montants mais
de rapports sinistres sur primes. Si l’on note {Xi }i=1...n les sinistres de la cédante durant
la période de couverture, P la somme des primes acquises par la cédante et S le sinistre à
charge du réassureur, on a :
P
Xi
S = min max − priorité, 0 , portée × P
P
1.3 La Caisse Centrale de Réassurance

La Caisse Centrale de Réassurance (CCR) a été créée en 1946 par les pouvoirs publics
français en tant qu’Etablissement Public à Caractère Industriel et Commercial (EPIC). A sa
création, elle avait pour vocation de favoriser le contrôle de l’industrie des assurances.
La CCR se range aujourd’hui parmi les vingt-cinq premiers réassureurs mondiaux, les
quatre premières places étant occupées dans l’ordre par Munich Re, Swiss Re, Hanover
Re et SCOR. L’entreprise intervient dans la plupart des branches et des marchés de la
réassurance internationale (et compte plus de 3 500 clients répartis dans plus de 120 pays).
Elle est organisée en trois pôles opérationnels : le siège social à Paris pour la région Europe
et Asie et deux succursales, l’une à Toronto pour le Canada et la deuxième à Beyrouth
au Liban pour l’ensemble des pays du Moyen-Orient, y compris Chypre et l’Afrique du Nord.
Avec plus de 270 collaborateurs dans le monde, la CCR a réalisé en 2014 un chiffre
d’affaires de 1.3 Milliards d’euros. L’activité Non-Vie, ventilée autour de deux segments,
traité et business solutions & spécialités représente un peu moins de la moitié du porte-
feuille du groupe (44%).
En outre, une convention passée avec les pouvoirs publics habilite la CCR à offrir des cou-
vertures en réassurance avec une garantie de l’État pour certaines catégories particulières
d’assurance sur le territoire français, concernant notamment le domaine des catastrophes
naturelles. Cette garantie de l’État ne confère pas pour autant à la CCR le monopole de la
réassurance des catastrophes naturelles. En effet, tout assureur reste libre de se garantir
auprès du réassureur de son choix, voire de prendre le risque de ne pas se réassurer. Il n’en
reste pas moins que la CCR apporte au régime d’indemnisation des catastrophes naturelles
une garantie de solvabilité et de sécurité pour les assurés.

Chapitre 2
Tarification
L’objectif de ce mémoire n’est pas de fournir une description complète des méthodes de
tarification utilisées en réassurance non-vie, sujet trop vaste et trop ardu pour être traité
en intégralité dans cette partie. Néanmoins, nous présenterons les différentes étapes du
processus de cotation, leurs intérêts et leurs fonctionnements, étapes qu’il faut connaître
pour aborder sereinement la suite du mémoire. En outre, dans cette partie, nous nous
intéresserons exclusivement aux traités en excédent de sinistre. De ce fait, nous n’aborde-
rons pas la tarification des traités proportionnels qui est assez différente puisqu’elle ne se
traduit pas par un calcul de prime mais par un calcul de rentabilité.
2.1 Contexte d’une cotation

2.1.1 Appréciation de la fiabilité des données
Effectuer une cotation ce n’est rien moins qu’attribuer un prix à un programme de réassu-
rance. Le prix proposé doit garantir en espérance l’atteinte des objectifs de rentabilité. Pour
mener à bien cette tâche, l’actuaire doit tirer parti au maximum de toute l’information qui
lui est transmise. Il n’est pas question pour lui de trier ou de sélectionner cette information.
Car en réassurance, contrairement à l’assurance où l’actuaire dispose d’une profusion
d’informations par client qu’il doit trier et sélectionner pour construire son tarif, la quantité
d’information disponible est restreinte ce qui laisse une grande place à l’incertitude.
Le courtier transmet successivement au réassureur :
− La note de couverture (Slip) détaillant le type de couverture, les conditions négociées.

− Le document contractuel (Wording) définissant plus en détail les règles et conditions
du contrat de réassurance que chaque partie doit signer.
− Les statistiques de la cédante constituées de l’historique des primes globales perçues
par la cédante, de celui des sinistres FGU (From Ground Up en anglais qui signifie à
partir du premier euro) et assez souvent de l’évolution de la mesure d’exposition.
Il est important que l’actuaire lise attentivement ces documents afin de pouvoir appré-
hender la nature du risque couvert. Il doit être particulièrement attentif à l’évolution des
assiettes de primes et à l’évolution de l’exposition au risque. Malheureusement, d’une
cotation à l’autre, l’information dont dispose l’actuaire tarificateur varie extrêmement, tant
par sa forme que par son contenu, selon les cédantes, les courtiers et les pays. Et il arrive
bien souvent que les informations fournies soient insuffisantes ou pas assez détaillées, il
s’ensuit alors de nombreux échanges entre le réassureur et le courtier afin de clarifier les
points nécessaires. Ainsi, par exemple, le courtier ou la cédante peuvent avoir sélectionné
les exercices constituant la statistique de sorte à laisser tomber une année lourdement
déficitaire.

2.1.2 Branches courtes, branches longues

Il existe en réassurance deux types de branches. Les branches à développement court dites
“short-tail” et les branches à développement long dites “long-tail” que l’on abrègera en
branches courtes et branches longues par la suite. Cette distinction fait référence au temps
nécessaire pour obtenir une évaluation correcte des montants de sinistres. Alors que cer-
tains sinistres vont pouvoir être évalués et donc réglés très rapidement, d’autres se règlent
en un temps très long. La branche incendie, par exemple, est une branche courte alors que
la branche responsabilité civile automobile (RC auto) est une branche longue. Pour cette
dernière branche, en fonction des marchés, on peut avoir un déroulement compris entre
15 et 20 ans. Par exemple, on conçoit aisément que le “coût” d’une tétraplégie suite à un
accident de voiture sera plus difficile à apprécier que celui d’un incendie de maison. En
effet, pour déterminer les conséquences des préjudices corporels sur la santé de la victime,
il faut attendre que son état se stabilise pour connaître l’évaluation finale du coût total de
l’accident.
Lorsque l’on effectue une cotation, il est nécessaire de choisir un horizon de modéli-
sation ou, autrement dit, une longueur d’historique. Historique à partir duquel nous allons
modéliser la sinistralité future de la cédante. Bien entendu, l’horizon choisi ne sera pas le
même pour une branche longue et pour une branche courte. L’étude porte en général sur
dix années complètes en long et cinq années en court. Toutefois, l’horizon de modélisation
peut être adapté au cas par cas selon la nature de l’affaire étudiée. En effet, il se peut que
certaines cédantes, arrivées récemment sur le marché, ne disposent pas de cinq années
d’historique. De plus, il existe de fortes différences selon les pays et selon les marchés. Par
exemple pour la RC automobile, l’existence ou non de barème 1 conditionne très fortement
les développements observés.
La partie 2.2.4 traite un exemple de cotation en branche longue. Les méthodes de déroule-
ment des sinistres seront évoquées et utilisées mais ne seront pas extensivement détaillées
car elles ne constituent pas l’élément essentiel de ce mémoire.
2.1.3 Tranches travaillantes, tranches non travaillantes

Après les branches, au tour des tranches de se voir distinguées. Les actuaires en réassurance
différencient les tranches travaillantes des tranches non travaillantes. On considère qu’une
tranche est travaillante si elle est fortement sinistrée. Ce qui est, somme toute, assez vague.
En fait, le concept de travaillant et non travaillant varie d’un réassureur à un autre.
Dans la suite du mémoire, nous allons considérer la définition suivante. Une tranche
est dite travaillante si le nombre moyen de sinistres touchant annuellement la tranche est
strictement supérieur à un et si le pourcentage de portée atteinte est strictement supérieur
à 80%. Le pourcentage de portée atteinte désigne le ratio suivant :
max (Xki )
1≤i≤n
ratiok =
portée
où (Xki )i=1...n désigne les n montants de sinistres à charge de la kème tranche.
2.1.4 Les clauses particulières

Les conditions de couverture issues des négociations entre les souscripteurs et les courtiers
sont résumées dans les clauses de réassurance. Ces clauses font la spécificité et la difficulté
de chaque cotation. Nous présentons brièvement les clauses de réassurance les plus
usuelles.
1. Dans certains pays, des barèmes sont mis en place pour simplifier les procédures entre compagnies
d’assurances et donc pour faciliter la gestion des sinistres. En France, notamment, un barème de responsabilité a
été mis en place en mai 1968 par la convention d’indemnisation directe des assurés (IDA).

La clause de plafond annuel
Cette clause a pour but de limiter annuellement les engagements du réassureur à un

montant appelé AAL pour “Annual Aggregate Limit” en anglais. Quel que soit le nombre de
sinistres rentrant annuellement dans l’XS, le réassureur ne paiera pas plus que l’AAL. Cela
a pour conséquence de diminuer le coût de la réassurance. Le fonctionnement de cette
clause est expliqué page 18.
La clause de franchise annuelle
Cette franchise est appelée AAD pour “Annual Aggregate Deductible” en anglais et se
comporte comme une franchise annuelle sur la somme agrégée des paiements dus par
le réassureur à sa cédante. Lorsque cette clause est mise en place, les premiers sinistres
rentrant dans l’XS demeurent donc, en partie ou en totalité, à la charge de la cédante. Le
fonctionnement de cette clause est également décrit page 18.
La clause de reconstitution
Le réassureur, qui a conclu un traité XS, s’engage à couvrir au maximum un montant égal
à la portée au dessus de la priorité. Ainsi la cédante est couverte contre la survenance du
premier (éventuel) sinistre dépassant la priorité. Qu’en est-il du deuxième ? Dans un XS
sans reconstitutions, le réassureur s’engage à payer au maximum une fois la portée de
l’XS. Mais ce cas de figure est assez rare, le traité prévoit un général un certain nombre de
reconstitutions. Si le traité prévoit n reconstitutions, le réassureur paiera au maximum
(n + 1) fois la portée. Il est même assez courant que le traité prévoie un nombre illimité
de reconstitutions. Ces reconstitutions peuvent être gratuites ou payantes auquel cas la
cédante devra verser au réassureur une “prime de reconstitution”.
La clause de participation aux bénéfices
Cette clause oblige le réassureur à reverser dans des proportions définies contractuel-
lement une partie de son bénéfice à la cédante si le solde de réassurance à la fin de
l’exercice est positif.
La clause d’indexation
Cette clause ne concerne que les traités pluriannuels pour lesquels, la véritable valeur
des bornes du traité est modifiée au fil du temps du fait de l’érosion monétaire. La clause
d’indexation permet de recalculer chaque année les bornes du traité sur la base d’un indice
économique reflétant l’évolution du coût des sinistres pour la branche couverte.
La clause de stabililité
La clause de stabilité est une clause que l’on trouve fréquemment dans les traités XS
longs et, comme nous l’avons expliqué précédemment, pour ces types de couvertures, des
années peuvent s’écouler entre la survenance du sinistre et son règlement. Or, du fait
de l’inflation, la rétention d’un traité XS peut baisser en valeur relative au détriment du
réassureur qui va devoir supporter l’essentiel du surcoût lié aux inflations. C’est donc pour
protéger le réassureur contre ces évolutions défavorables des bornes du traité que la clause
de stabilité est souvent intégrée.
2.1.5 Prime pure, prime technique et prime commerciale

Dans la suite de ce chapitre, nous ne nous intéresserons qu’à la détermination de la prime
pure. Cette dernière constitue le coeur du processus de cotation puisqu’elle correspond
à l’espérance de sinistralité attendue par le réassureur. Toutefois, la prime effectivement
versée par la cédante au réassureur est la prime commerciale ou prime de réassurance.

La prime commerciale est évaluée à partir de la prime technique et la prime technique

s’obtient à partir de la prime pure en ajoutant des chargements liés aux incertitudes
présentes dans le processus de cotation et des frais servant à rémunérer les employés de la
compagnie de réassurance, le courtier et l’actionnaire. Ces chargements et frais sont :
− Le chargement de sécurité : il permet au réassureur de se protéger contre la volatilité

de la sinistralité. Il est fonction de la variance de la charge de la tranche considérée.
Ajouté à la prime pure, il donne la prime sécurisée.
− Les frais de gestion : ils servent à rémunérer les employés de la compagnie de réas-
surance. Ils sont composés d’une partie fixe et d’une partie variable proportionnelle
à la prime commerciale.
− Les frais de courtage : ils servent à rémunérer le courtier de réassurance. Ils sont
généralement exprimés en pourcentage de la prime commerciale.
− Le coût du capital : il permet de rémunérer l’actionnaire.
Il se peut qu’il n’y ait pas de différences entre la prime commerciale et la prime technique.
Dans ce cas, le souscripteur accepte ou refuse l’affaire au prix technique calculé par l’ac-
tuaire. Toutefois, en général, ces deux notions sont bien distinctes.
Chargement de sécurité
Frais de gestion Modifiée en fonction de
Frais de courtage la politique commerciale
Retours sur investissement du réassureur
Prime pure Prime technique Prime commerciale
F IGURE 2.1 – Les différentes étapes permettant d’aboutir à la prime de réassurance
Il est important de signaler qu’en réassurance, on parle davantage en termes de taux de

primes qu’en termes de primes. La prime pure, la prime technique et la prime commerciale
peuvent être exprimées en pourcentage de différentes quantités. Il existe un terme spéci-
fique, dans le cas où la prime est exprimée en fonction de la portée de la tranche cotée,
le Rate on Line (RoL). Le RoL représente le coût de 1 e de couverture pour la tranche.
Cette notion est surtout utilisée pour les branches courtes. Il est également commun de
calculer le taux en divisant la prime par l’ assiette de prime (EPI). Par défaut, dans la suite
du mémoire si rien n’est précisé, les termes taux pur et taux commercial feront référence à
cette dernière définition.
2.1.6 Les différents modes de versement de la prime

Le mode de versement de la prime peut différer d’un contrat de réassurance à un autre. Il
faut distinguer la prime forfaitaire ( “flat premium” en anglais) de la prime ajustable
(“adjustable premium” en anglais).
Lorsque la prime est forfaitaire, le taux de prime est fixe et n’est soumis à aucun ajuste-
ment ultérieur. Le paiement de cette prime peut s’effectuer en un ou plusieurs versements.
Lorsque la prime est ajustable, le réassureur exige une prime provisoire appelée prime
de dépôt, à l’ouverture du contrat, qui est de l’ordre de 80%, 90% de la prime technique.
Cette prime est ensuite réajustée, à la fermeture du contrat, lorsque les frais réels à charge
du contrat ont été déterminés.

En général, c’est la cédante qui impose le mode de versement de la prime. Cependant,

quelquefois, elle ne le spécifie pas. Dans ce cas, le choix est laissé au réassureur. Ce dernier
choisira une prime flat pour les cédantes matures, pour lesquelles on n’anticipe pas de
changements importants du portefeuille au cours de l’année. A contrario, il choisira une
prime ajustable, pour les affaires nouvelles et les cédantes en pleine expansion.
2.2 Tarification sur expérience

2.2.1 Préparation des données : obtention d’une statistique “as if”
Lorsque l’on tarifie un traité de réassurance, il est naturel de se servir des années antérieures
comme autant de réalisations possibles de scénarios de sinistres de l’année à souscrire.
Ainsi, une fois que l’actuaire a pris connaissance des documents contractuels relatifs à
l’affaire qu’il veut coter et qu’il a compris de quoi il retourne, il doit modifier les données
fournies par le courtier et la cédante pour constituer une statistique “as if” comparable à
l’année de cotation. Il faut pour cela indexer les sinistres et les primes. Ce travail préalable
est plus laborieux pour les branches longues que pour les branches courtes car en long
l’information fournie ne se borne pas à une liste de sinistres mais à un déroulé de sinistres
en forme de triangle. Cette étape de préparation des données sera détaillée dans l’exemple
de la section 2.2.4. Il est important de signaler que les données que la cédante transmet
à son réassureur sont en général des données tronquées à gauche, c’est-à-dire qu’elle ne
communique pas l’intégralité de ses sinistres au premier euro mais plutôt la liste de tous
les sinistres supérieurs à un certain seuil, le seuil de communication. Bien entendu, ce
seuil doit être inférieur à la priorité du traité pour qu’il soit possible de coter l’affaire.
2.2.1.1 Indexation des sinistres

L’évolution économique et l’inflation ont un impact sur le coût des sinistres. Un sinistre de
500 000 e en 2 000 n’est pas comparable à un sinistre de 500 000 e en 2 015. La revalorisa-
tion des sinistres peut s’effectuer à partir d’un taux de revalorisation annuel constant ou
bien à partir d’un indice adapté à la branche tarifée, par exemple l’indice du coût de la
construction pour des sinistres incendies en assurances de particuliers.
Soit
n l’année de cotation
Ik l’indice de l’année k
Sk la valeur d’un sinistre de l’année k
Sk n la valeur “as if” d’un sinistre de l’année k vue l’année n
Alors on a :
In
Sk n = Sk ×
Ik
Le choix des indices est particulièrement délicat à cause du nombre important de facteurs
à prendre en compte et leurs influences importantes sur les résultats de la cotation. En
outre, il faut être attentif à l’évolution de la politique de souscription de la cédante et au
phénomène de “super inflation” en responsabilité civile. On désigne par ce terme le fait
que le montant des indemnisations versées aux victimes d’accident progresse plus vite que
l’activité économique. Autrement dit l’augmentation du coût des sinistres corporels à long
terme dépasse la croissance du PIB.

2.2.1.2 Indexation des primes

Les primes de la cédante peuvent être indexées de la même manière que les sinistres :
In
Pk n = Pk ×
Ik
Mais il également possible de les revaloriser en utilisant une mesure d’expostion lorsque
celle-ci est donnée. La mesure d’exposition correspond généralement au nombre de polices
en vigueur chaque année. Un exemple de revalorisation par la mesure d’exposition sera
donnée dans la partie 2.2.4.
2.2.2 Méthode non paramétrique : le Burning Cost

Le Burning Cost est le ratio entre le montant de pertes à charge de la tranche et les primes
perçues par l’assureur.
Notons Xi n , Ci n et Pi n les valeurs “as if” de l’année i vu l’année n respectivement

de la perte agrégée, de la charge agrégée de la tranche de l’XS considérée et de la prime
directe.
Ci n = min{max{Xi n − priorité}, portée}
Notons BC
d l’estimateur du taux de prime de réassurance :
Pn−1 n
Ci
BC = Pi=0
d
n−1 n
i=0 Pi
Il s’agit de la méthode de tarification la plus simple et la plus intuitive. Néanmoins, cette

méthode ne peut s’appliquer qu’aux tranches travaillantes. En effet, le prix d’une tranche
qui n’a jamais été touchée n’est pas nul.
2.2.3 Méthode paramétrique

2.2.3.1 Méthode générale
Modélisation du montant agrégé
La méthode paramétrique repose sur le modèle collectif qui permet une étude séparée de
la fréquence et de la sévérité des sinistres. Ce qui offre de réels avantages, notamment
une meilleure analyse du programme. Par exemple, seule la fréquence sera impactée par
une modification du nombre de polices couvertes. Nous signalons qu’un abus de langage
communément employé en réassurance consiste à assimiler la fréquence au nombre de
sinistres observés sur une période. C’est pourquoi, dans la suite du mémoire, le terme
fréquence pourra qualifier des quantités supérieures à 1.
Notons N la variable aléatoire décrivant le nombre de sinistre durant une année donnée,
(Xi )i=1,..,N les coûts des sinistres survenus durant cette même année et S le coût total de
ces sinistres :
N
X
S= Xi
i=1
Nous supposons que les variables aléatoires N, X1 , X2 , ...XN sont mutuellement indé-
pendantes et que les coûts individuels des sinistres X1 , X2 , ..., XN sont identiquement
distribués. Il est alors possible d’extraire la loi et les deux premiers moments de la charge
brute des sinistres :
∞
X
∗n
FS (x) = P (S ≤ x) = P (N = n)FX (x)
n=1

∗n
où FX est la “nième” convolution de la fonction de réparttion de X.
∞
X ∞
X
E(S) = E(S|N = i)P (N = i) = iE(X)P (N = i) = E(X)E(N )
i=1 i=1
V (S) = E[V (S|N )] + V [E(S|N )] = E(N )V (X) + E(X)2 V (N )
Ces formules peuvent facilement être adaptées aux différentes tranches de réassurance.
On pourrait alors se contenter d’un calcul empirique des espérances et variances pour
donner un prix aux tranches que l’on veut coter. Cependant, cela conduirait à offrir des
couvertures trop chères pour les tranches non travaillantes très peu sinistrées. De plus,
cela ne permettrait pas de prendre en compte les queues de distribution qui ne sont pas
forcément réalisées dans la statistique de la cédante. Il est donc plus judicieux de chercher
la distribution complète de S. Pour ce faire, nous utilisons la méthode de simulations de
Monte Carlo. L’idée étant de modéliser la sinistralité de la cédante en utilisant des lois
paramétriques connues et maitrisées les mieux adaptées possibles et ensuite de générer
un certain nombre de portefeuilles sinistres possédant les caractéristiques du portefeuille
initial de la cédante.
Modélisation de la sinistralité
L’étape préalable consistant à modéliser la sinistralité de la cédante ne nous intéresse pas

outre mesure dans le cadre de ce mémoire mais nous allons, tout de même, l’expliquer
brièvement.
Dans un premier temps, il faut choisir un seuil de modélisation compris entre le seuil
communiqué par le courtier revalorisé et la priorité de la tranche que l’on cherche à coter.
Le choix du seuil de modélisation est important. Si on le choisit trop près de la priorité,
on risque de ne pas “récupérer assez de sinistres” et si on le choisit trop éloigné de la
priorité (typiquement en dessous de 50% de la priorité), la loi de modélisation ne sera pas
forcément adaptée pour décrire ce qui se passe au delà de la priorité. Ainsi, dans l’exemple
ci-dessous, le seuil le plus adapté est le seuil no 2.
priorité
seuil 3
seuil 2
seuil 1
F IGURE 2.2 – Choix du seuil de modélisation
Dans un deuxième temps, il faut tester plusieurs lois pour la fréquence (Poisson ou
Binomiale Négative) et pour la sévérité (Pareto, Log-normale, Pareto généralisée). Pour
ces différentes paires de lois, on estime les paramètres associés par la méthode du maxi-
mum de vraisemblance ou la méthode écart-quantile et ensuite on effectue des tests de

compatibilité (Kolmogorov-Smirnov) et des tests de comparaison des modèles (Akaike

Information Criterion et Bayesian Information Criterion). Nous supposons, ici, que nous
avons sélectionné les lois Poisson et Pareto. En effet, il s’agit des lois les plus fréquemment
choisies et ce sont celles avec lesquelles nous allons travailler dans la suite du mémoire.
Il est important de signaler que lorsque l’on cherche à coter plusieurs tranches non
travaillantes successives d’un traité, on effectue, en général, une seule modélisation pour
l’ensemble de ces tranches. En particulier, on utilisera les mêmes paramètres de la loi de
Pareto pour toutes les tranches non travaillantes du traité.
Simulations stochastiques
En général, cette approche est utilisée pour les tranches non travaillantes et également,
pour les tranches affichant des particularités non “linéaires” du type AAL, AAD ou primes
de reconstitutions, que la tranche soit travaillante ou non. L’algorithme ci-dessous décrit
la façon selon laquelle nous simulons la fréquence (modélisée par une loi de Poisson de
paramètre θ), la sévérité (modélisée par une loi de Pareto de paramètre α au seuil λ) pour
obtenir le taux pur pour une tranche de réassurance l xs d.
Algorithme-Détermination du taux pur par simulation.
Entrée : l xs d, EP I, P oisson(θ), P areto(α, a).

Sortie : le taux pur de la tranche cotee.
for i ←− 1, .., n
. N = rpoiss(1, θ)
. if N = 0 then
. Si = 0
. else
. v = rpareto(N, α, a)
. for j ←− 1, ..., N
. wj = min(max(0, vj + a − d), l)
. end for
. Si = sum(wj )
. end if
end for
mean(Si )
EP I
Cet algorithme peut facilement être implémenté sur n’importe quel logiciel de programma-
tion. Il faut, quand même, préciser que l’algorithme tel qu’il est présenté ci-dessus ne tient
pas compte des conditions non linéaires du type AAL ou AAD. Dans le cas où la cédante
exige ou le réassureur conseille la mise en place de ces particularités contractuelles, il
faudra modifier l’algorithme en conséquence :
− Si la tranche à tarifer présente une AAL, Si = min(AAL, sum(wj )).

− Si la tranche à tarifer présente une AAD, Si = max(0, sum(wj ) − AAD).

2.2.3.2 Spécificités des branches longues
Période de
couverture
Durée de vie du sinistre
Paiements
Survenance Déclaration Clôture
F IGURE 2.3 – Les différentes étapes de la vie d’un sinistre en branche longue
Dans le cas de la tarification des branches longues, il faut tenir compte du fait que la valeur
des sinistres déclarés va encore évoluer (dérive des sinistres). L’information transmise
au réassureur concernant la sinistralité de la cédante prend alors la forme d’un triangle
dans lequel est repertorié les différents sinistres avec leur année de survenance et leur
développement. Suivant l’orientation du triangle, le développement s’effectue “par
année” ou “par cadence”. Si l’angle droit du triangle se situe à gauche, on a un développe-
ment par cadence, sinon il s’agit d’un développement par année.
Lorsqu’un sinistre est déclaré, la compagnie d’assurance constitue un dossier sinistre

dans lequel elle consigne tous les éléments utiles pour décrire le sinistre. Pour faciliter
l’analyse de ces dossiers, l’assureur sépare la partie payée (“Paid” en anglais) et donc
connue de la partie restant à payer, constituée en provision, et donc, par définition, incer-
taine : la provision pour sinistres à payer ou PSAP ou encore suspens (“Outstanding” en
anglais). Avec le temps, l’évaluation s’affinera, la partie de montant payé augmentant et la
part de montant restant à payer diminuant.
L’évalution finale des sinistres, à la clôture d’un exercice, est appelée ultime (“ultimate”
en anglais). La somme de tous les sinistres payés et des suspens constitue une estimation
de l’ultime. Toutefois, cette estimation est imparfaite car il faut tenir compte de la dérive
des sinistres connus et du fait qu’il est probable que des sinistres soient encore déclarés
pour les années de souscription antérieures. Ce sont des sinistres tardifs. Ces derniers se
décomposent en deux types : les IBNER (Incurred But Not Enough Reserved) et les IBNYR
(Incurred But Not Yet Reported).
IBNR
IBNER IBNYR
Sinistres tardifs Sinistres cachés
F IGURE 2.4 – Les différentes familles de sinistres tardifs
Les IBNER permettent de valoriser la dérive des sinistres connus. Il sont définis comme la
différence entre le montant ultime des sinistres connus observés et rattachés à la période
étudiée et le montant courant de leur évaluation. Il faut noter que les IBNER peuvent être
négatifs ou nuls contrairement à ce que sous-entend l’appelation “Not Enough”.

La provision pour IBNYR permet, quant à elle, d’anticiper l’apparition de sinistres non
encore déclarés. Nous pouvons distinguer deux types d’IBNYR :
− Les sinistres tardifs : ces sinistres correspondent à ceux que l’assuré ne déclare à
l’assureur que plusieurs années après leur survenance.
− Les sinistres cachés : ces sinistres sont bien déclarés par l’assuré à l’assureur durant
l’année de survenance. Cependant, lors de la première évaluation du sinistre l’assu-
reur estime que le coût total du sinistre est inférieur au seuil de communication et
de ce fait ne le déclare pas. Malheureusement, une ou plusieurs années plus-tard,
lors d’une réévalution du sinistre, l’estimation du coût total du sinistre dépasse le
seuil de communication.
En pratique les IBNYR sont souvent appelés IBNR (Incurred But Not Reported) même si
en théorie ce dernier terme désigne l’ensemble des IBNER et des IBNYR.
En outre, pour les branches longues, la méthode de détermination du taux pur par
simulation doit être légèrement modifiée. En effet, les montants des sinistres à indemniser
estimés à l’ultime vont être versés régulièrement jusqu’à la date de consolidation, date
à laquelle on estime que l’état de santé de la victime ne devrait plus évoluer, c’est “la
cadence des règlements”. En général, une date de consolidation et un cadencement sont
définis pour chaque pays et pour chaque branche. Au cours du service de la rente, jusqu’à
la date de consolidation, les investissements du réassureur vont lui rapporter des produits
financiers. Il faut donc actualiser l’échéancier de flux dû au cadencement des règlements
en fonction des rendements espérés des placements du réassureur. En particulier, comme
l’actualisation des flux représente l’escompte de produits financiers futurs, plus la cadence
des règlements est lente, plus le réassureur profite des produits financiers.
Voyons ce que cela signifie sur l’exemple suivant. Notons S la valeur estimée d’un si-
nistre à l’ultime et Se la valeur actualisée de ce même sinistre après prise en compte
des produits financiers futurs. Supposons que la consolidation intervienne au bout de la
troisième année et que les règlements aient lieu selon le cadencement suivant :
S
e
α%S β%S γ%S
2015 2016 2017 2018
F IGURE 2.5 – Un exemple de cadencement de règlement
α%S β%S γ%S

avec α + β + γ = 100 et Se = + 2
+
1+i (1 + i) (1 + i)3
Où i est le taux d’actualisation censé refléter les produits financiers à venir.
On n’utilisera Se plutôt que S pour le calcul du taux pur afin de prendre en compte
les produits financiers réalisés sur les trois années.

2.2.4 Un exemple de cotation en branche longue

2.2.4.1 Présentation des données
Nous avons choisi de traiter un exemple de tarification en branche longue plutôt qu’en
branche courte car cela nous sera utile pour le cas pratique traité dans la troisième partie.
En outre, un actuaire qui sait coter en long sait coter en court alors que l’inverse n’est pas
vrai.
Les données utilisées sont issues des statistiques réelles d’une cédante britannique du
marché RC automobile mais par souci de confidentialité et de simplification de l’exemple,
elles ont été largement modifiées et élaguées. Nous supposons, en outre, que les tranches
que l’on cherche à coter ne présentent pas de conditions “non linéaires” de type AAD ou
AAL et que les reconstitutions sont gratuites et illimitées.
Le courtier transmet au réassureur un historique de primes et de sinistres individuels

démarrant en 2009. Ces données sont exprimées dans la monnaie de la cédante, en Livre
Sterling (GBP). Il nous fournit également le nombre de polices dans le portefeuille de la
cédante chaque année.
Nous allons coter les tranches 3 000 000 xs 2 000 000 et 5 000 000 xs 5 000 000. Il s’agit
de tranches classiques sur le marché RC automobile au Royaume-Uni.
On constate une baisse de l’assiette de prime depuis 2013 accompagnée d’une baisse
du nombre de polices en portefeuille.
Année Primes Nombre de polices

2009 252 251 240 1 192 944
2010 270 123 868 1 217 049
2011 269 130 324 1 101 053
2012 286 890 000 1 101 053
2013 271 780 542 1 098 800
2014 200 555 338 1 050 900
2015 190 161 925 997 600
TABLE 2.1 – Données d’exposition du traité à tarifer
Dans le triangle fourni ci-après, l’évolution des sinistres est donnée en nombre d’années de
développement, le développement s’effectue donc “par cadence”. Ainsi, par exemple, le
premier sinistre du triangle vaut 899 049 £, 4 ans après sa date de survenance.
Par ailleurs, le courtier indique un seuil de communication de 500 000£. Et effective-

ment, on constate (lignes “Incurred”) que chaque sinistre dépasse au moins une fois ce
seuil au cours de son développement, à l’exception du premier sinistre survenu en 2010. Il
est fort probable que le coût de ce sinistre ait dépassé au cours d’une des années de son
développement le seuil de communication mais qu’il ait ensuite été revu à la baisse à la
date d’inventaire, au 31 décembre de cette même année et qu’il ait finalement été conservé
dans la statistique.

Triangle de sinistralité avec un seuil de communication égale à 5000 000
1 2 3 4 5 6
2009 Paid 7 514 23 920 171 470 227 006 205 539 220 185
Outstanding 114 353 759 632 616 466 672 043 715 677 829 030
Incurred 121 867 783 632 787 936 899 049 921 216 1 049 215
2009 Paid 19 309 110 152 187 363 295 079 3 373 744 3 377 959
Outstanding 1 452 810 2 105 028 2 030 529 2 014 408 420 597 416 381
Incurred 1 472 119 2 215 180 2 217 892 2 309 487 3 794 341 3 794 340
2010 Paid 14 629 23 481 220 289 259 943 259 943
Outstanding 481 410 451 506 70 000 10 000 10 000
Incurred 496 039 474 987 290 289 269 943 269 943
2010 Paid 11 012 64 061 181 183 578 306 650 387
Outstanding 1 729 964 1 713 415 1 736 211 2 387 858 2 785 692
Incurred 1 740 976 1 777 476 1 917 394 2 966 164 3 436 079
2010 Paid 0 0 0 0 11 802
Outstanding 0 5 490 90 000 113 860 492 477
Incurred 0 5 490 90 000 113 860 504 279
2011 Paid 1 001 7 005 20 412 31 697
Outstanding 169 262 163 258 610 603 599 358
Incurred 170 263 170 263 631 015 631 055
2011 Paid 723 1 323 66 110 108 153
Outstanding 22 241 31 668 276 181 1 261 439
Incurred 22 964 32 991 342 291 1 369 592
2011 Paid 2 153 5 312 89 725 331 449
Outstanding 878 899 876 190 591 455 31 955
Incurred 881 052 881 502 681 180 363 404
2011 Paid 88 22 564 24 501 35 173
Outstanding 100 009 1 204 964 1 177 576 1 166 905
Incurred 100 097 1 227 528 1 202 077 1 202 078
2011 Paid 31 980 5 134 13 800
Outstanding 100 009 30 000 896 883 888 673
Incurred 100 040 30 980 902 017 902 473
2012 Paid 18 810 26 690 37 475
Outstanding 581 944 569 064 558 279
Incurred 600 754 595 754 595 754
2012 Paid 1 070 3 558 5 093
Outstanding 100 009 100 009 1 840 473
Incurred 101 079 103 567 1 845 566
2012 Paid 16 026 300 421 514 636
Outstanding 5 306 687 5 502 497 5 920 323
Incurred 5 322 713 5 802 918 6 464 959
2013 Paid 15 160 176 009
Outstanding 100 009 5 621 305
Incurred 115 169 5 797 314
2013 Paid 0 12 124
Outstanding 269 481 731 781
Incurred 269 481 743 905

2.2.4.2 Obtention d’une statistique “As if”

Dans un premier temps, on revalorise les primes par la mesure d’exposition, ce qui donne :
Année Primes Nombre de polices Primes revalorisées

2009 252 251 240 1 192 944 227 398 283
2010 270 123 868 1 217 049 231 993 164
2011 269 130 324 1 101 053 232 114 589
2012 286 890 000 1 101 053 209 882 075
2013 271 780 542 1 098 800 209 452 609
2014 200 555 338 1 050 900 200 321 940
2015 190 161 925 997 600 190 161 925
TABLE 2.2 – Assiettes de primes revalorisées par la mesure d’exposition
Ainsi si l’on note P R pour prime revalorisée et E pour mesure d’exposition, on a par
exemple :
E2014
P R2014 = P R2015 ×
E2015
Le travail à effectuer sur le triangle de sinistralité est plus long. Il peut être découpé
en trois étapes.
La première étape consiste à “décumuler” les payés ce qui permet d’avoir une idée de ce
qui est effectivement réglé chaque année. Ainsi, par exemple, pour le premier sinistre de
2009, le réassureur a payé 55 536 lors de la quatrième année de son développement. Le
résultat de cette étape sur le triangle initial figure à la page suivante.
La deuxième étape consiste à indexer les Indice d’inflation

payés et les suspens en appliquant la for- 2009 100
mule donnée en 2.2.1. On suppose, pour 2010 111
notre exemple, que l’on a une inflation 2011 123.21
constante de 11% par an. 2012 136.76
2013 151.81
Enfin, dans une dernière et troisième étape, 2014 168.51
on cumule les payés et on additionne les 2015 187.04
payés et les suspens. 2016 207.62

2017 230.45
2018 255.80
Les triangles correspondant à ces deux
2019 283.94
étapes se trouvent page 25.
2020 315.18

Etape 1 : “Décumulation” des payés à partir du triangle intial (triangle de gauche)
1 2 3 4 5 6 1 2 3 4 5 6
2009 Paid 7 514 23 920 171 470 227 006 205 539 220 185 2009 Paid 7 514 16 406 147 550 55 536 -21 467 14 646
Outstanding 114 353 759 632 616 466 672 043 715 677 829 030 Outstanding 114 353 759 632 616 466 672 043 715 677 829 030
Incurred 121 867 783 632 787 936 899 049 921 216 1 049 215 Incurred
2009 Paid 19 309 110 152 187 363 295 079 3 373 744 3 377 959 2009 Paid 19 309 90 843 77 211 107 716 3 078 665 4 215
Outstanding 1 452 810 2 105 028 2 030 529 2 014 408 420 597 416 381 Outstanding 1 452 810 2 105 028 2 030 529 2 014 408 420 597 416 381
Incurred 1 472 119 2 215 180 2 217 892 2 309 487 3 794 341 3 794 340 Incurred
2010 Paid 14 629 23 481 220 289 259 943 259 943 2010 Paid 14 629 8 852 196 808 39 654 0
Outstanding 481 410 451 506 70 000 10 000 10 000 Outstanding 481 410 451 506 70 000 10 000 10 000
Incurred 496 039 474 987 290 289 269 943 269 943 Incurred
2010 Paid 11 012 64 061 181 183 578 306 650 387 2010 Paid 11 012 53 049 117 122 397 123 72 081
Outstanding 1 729 964 1 713 415 1 736 211 2 387 858 2 785 692 Outstanding 1 729 964 1 713 415 1 736 211 2 387 858 2 785 692

Incurred 1 740 976 1 777 476 1 917 394 2 966 164 3 436 079 Incurred
2010 Paid 0 0 0 0 11 802 2010 Paid 0 0 0 0 11 802

Outstanding 0 5 490 90 000 113 860 492 477 Outstanding 0 5 490 90 000 113 860 492 477
Incurred 0 5 490 90 000 113 860 504 279 Incurred
2011 Paid 1 001 7 005 20 412 31 697 2011 Paid 1 001 6 004 13 407 11 285
Outstanding 169 262 163 258 610 603 599 358 Outstanding 169 262 163 258 610 603 599 358
Incurred 170 263 170 263 631 015 631 055 Incurred
2011 Paid 723 1 323 66 110 108 153 2011 Paid 723 600 64 787 42 043
2011 Paid 2 153 5 312 89 725 331 449 2011 Paid 2 153 3 159 84 413 241 724
2011 Paid 88 22 564 24 501 35 173 2011 Paid 88 22 476 1 937 10 672
Outstanding 100 009 1 204 964 1 177 576 1 166 905 Outstanding 100 009 1 204 964 1 177 576 1 166 905
Incurred 100 097 1 227 528 1 202 077 1 202 078 Incurred
2011 Paid 31 980 5 134 13 800 2011 Paid 31 949 4 154 8 666
2012 Paid 18 810 26 690 37 475 2012 Paid 18 810 7 880 10 785
Outstanding 581 944 569 064 558 279 Outstanding 581 944 569 064 558 279
Incurred 600 754 595 754 595 754 Incurred
2012 Paid 1 070 3 558 5 093 2012 Paid 1 070 2 488 1 535
Outstanding 100 009 100 009 1 840 473 Outstanding 100 009 100 009 1 840 473
Incurred 101 079 103 567 1 845 566 Incurred
2012 Paid 16 026 300 421 514 636 2012 Paid 16 026 284 395 214 215
2013 Paid 15 160 176 009 2013 Paid 15 160 160 849
Outstanding 100 009 5 621 305 Outstanding 100 009 5 621 305
Incurred 115 169 5 797 314 Incurred
2013 Paid 0 12 124 2013 Paid 0 12 124

24
Outstanding 269 481 731 781 Outstanding 269 481 731 781
Incurred 269 481 743 905 Incurred

Etape 2 : Indexation des payés et des suspens Etape 3 : Cumul des payés
1 2 3 4 5 6 1 2 3 4 5 6
2009 Paid 14 054 30 686 275 980 103 875 -40 152 27 394 2009 Paid 14 054 44 740 320 720 424 595 384 443 441 837
Outstanding 213 888 1 420 827 1 153 047 1 256 999 1 338 613 1 550 630 Outstanding 213 888 1 420 827 1 153 047 1 256 999 1 338 613 1 550 630
Incurred Incurred 227 942 1 465 567 1 473 767 1 681 594 1 723 056 1 962 467
2009 Paid 36 116 169 914 144 417 201 474 5 758 380 7 884 2009 Paid 36 116 206 030 350 446 551 920 6 310 300 6 318 184
Outstanding 2 717 357 3 937 275 3 797 931 3 767 778 786 691 778 805 Outstanding 2 717 357 3 937 275 3 797 931 3 767 778 786 691 778 805
Incurred Incurred 2 753 473 4 143 305 4 148 377 4 319 698 7 096 991 7 096 989
2010 Paid 24 651 14 916 331 633 66 819 0 2010 Paid 24 651 39 567 371 200 438 019 438 019
Incurred Incurred 835 855 800 381 489 154 454 870 454 870
2010 Paid 18 556 89 391 197 357 669 175 121 461 2010 Paid 18 556 107 947 305 304 974 479 1 095 940
Outstanding 2 915 090 2 887 204 2 925 617 4 023 680 4 694 053 Outstanding 2 915 090 2 887 204 2 925 617 4 023 680 4 694 053

Incurred Incurred 2 933 646 2 995 150 3 230 920 4 998 159 5 789 993
2010 Paid 0 0 0 0 19 887 2010 Paid 0 0 0 0 19 886

Incurred Incurred 0 9 251 151 655 191 861 849 739
2011 Paid 1 520 9 114 20 353 17 131 2011 Paid 1 520 10 634 30 987 48 118
Incurred Incurred 258 471 258 471 957 925 957 986
2011 Paid 1 098 911 98 351 63 824 2011 Paid 1 098 2 008 100 360 164 184
2011 Paid 3 268 4 796 128 145 366 954 2011 Paid 3 268 8 064 136 209 503 163
Incurred Incurred 1 337 499 1 338 182 1 034 079 551 673
2011 Paid 134 34 120 2 941 16 201 2011 Paid 134 34 254 37 194 53 395
Outstanding 151 821 1 829 220 1 787 643 1 771 444 Outstanding 151 821 1 829 220 1 787 643 1 771 444
Incurred Incurred 151 954 1 863 474 1 824 838 1 824 839
2011 Paid 47 1 441 6 306 13 156 2011 Paid 47 1 488 7 794 20 949
Incurred Incurred 151 954 47 030 1 369 325 1 370 018
2012 Paid 25 725 10 777 14 750 2012 Paid 25 725 36 502 51 252
Outstanding 795 885 778 270 763 520 Outstanding 795 885 778 270 763 520
Incurred Incurred 821 610 814 772 814 772
2012 Paid 1 463 3 403 2 099 2012 Paid 1 463 4 866 6 965
Outstanding 136 775 136 775 2 517 088 Outstanding 136 775 136 775 2 517 088
Incurred Incurred 138 239 141 641 2 524 053
2012 Paid 21 918 388 947 292 967 2012 Paid 21 918 410 865 703 832
2013 Paid 18 679 198 182 2013 Paid 18 679 216 861
Outstanding 123 221 6 926 010 Outstanding 123 221 6 926 010
Incurred Incurred 141 900 7 142 871
2013 Paid 0 14 938 2013 Paid 0 14 938

25
Outstanding 332 028 901 627 Outstanding 332 028 901 627
Incurred Incurred 332 028 916 565

2.2.4.3 Calcul des IBNER et des IBNYR

Nous devons distinguer trois seuils différents :
− le seuil communiqué SC par le courtier égale à 500 000£.
− le seuil revalorisé SR égale à 842 529£ (500 000 × 1.685).

− le seuil de modélisation SM compris entre le seuil revalorisé et la priorité du traité
(2 000 000 dans notre exemple). Nous choisissons un seuil égal à 75% de la priorité
soit un seuil de 1 500 000£.
Calcul des IBNER
Nous ne nous intéressons plus maintenant qu’aux montants encourus du dernier tri-
angle (triangle de l’étape 3), que nous reportons dans le triangle ci-dessous. Ensuite, afin
d’extrapoler les sinistres jusqu’à l’ultime, nous calculons les coefficients de liquidation.
Pour cela nous utilisons la méthode classique en actuariat,“Chain Ladder”. Toutefois, nous
ne tenons compte que des montants du triangle ci-dessous qui sont supérieurs au seuil
revalorisé.
Notons Ci,j le montant cumulé des encourus pour les sinistres survenus en i après j
années de développement et fj le facteur de développement de l’année de survenance j à
l’année de survenance j + 1, également nommé coefficient de liquidation de l’année j. On
a: Pm
k=1 Ck,j+1
fj = P m
k=1 Ck,j
Où m = # I 2 avec I = {(Cl,j , Cl,j+1 ) | Cl,j ≥ SR et Cl,j+1 ≥ SR}
Voici ce que nous obtenons. Les sinistres extrapolés apparaissent en rouge.
1 2 3 4 5 6
2009 227 942 1 465 567 1 473 767 1 681 594 1 723 056 1 962 467
2009 2 753 473 4 143 305 4 148 377 4 319 698 7 096 991 7 096 989
2010 835 855 800 381 489 154 454 870 454 870 467 217
2010 2 933 646 2 995 150 3 230 920 4 998 159 5 789 993 5 947 155
2010 0 9 251 151 655 191 861 849 739 872 804
2011 258 471 258 471 957 925 957 986 1 272 446 1 306 985
2011 34 861 50 083 519 622 2 079 137 2 761 617 2 836 578
2011 1 337 499 1 338 182 1 034 079 551 673 732 760 752 650
2011 151 954 1 863 474 1 824 838 1 824 839 2 423 845 2 489 638
2011 151 868 47 030 1 369 325 1 370 018 1 819 728 1 869 122
2012 821 610 814 772 814 772 949 290 1 260 896 1 295 121
2012 138 239 141 641 2 524 053 2 940 773 3 906 086 4 012 112
2012 7 279 507 7 936 251 8 841 678 10 301 433 13 682 895 14 054 301
2013 141 900 7 142 871 7 436 565 8 664 336 11 508 419 11 820 800
2013 332 028 916 565 954 255 1 111 798 1 476 748 1 516 832
Coecient Liquidation 1.147 1.041 1.165 1.328 1.027
TABLE 2.3 – Triangle des sinistres extrapolés
L’ultime, la valeur des sinistres au bout de six années de développement, correspond

à la dernière colonne du triangle extrapolé.
2. Où # désigne le cardinal d’un ensemble.

14M
12M
10M
8M
6M Avec IBNER
4M Sans IBNER
2M
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
F IGURE 2.6 – Effet des IBNER sur les montants des sinistres
Calcul des IBNYR
Pour chaque année de survenance et chaque année de développement, on compte le

nombre de sinistres supérieurs au seuil de modélisation choisi de 1 500 000 £ et on utilise
la méthode de Chain Ladder classique pour compléter le triangle.
1 2 3 4 5 6
2009 1 1 1 2 2 2
2010 1 1 1 1 1 1
2011 0 1 1 2 2 2
2012 1 1 2 3.33 3.33 3.33
2013 0 1 1.25 2.08 2.08 2.08
Coecient Liquidation 1.67 1.25 1.67 1 1
TABLE 2.4 – Triangle des nombres de sinistres extrapolés
3
Avec IBNYR
2
Sans IBNYR
1
0 2009 2010 2011 2012 2013 2014
F IGURE 2.7 – Effet des IBNYR sur la fréquence des sinistres
Nous constatons que les IBNYR ont un effet important sur la fréquence des deux dernières
années. Pour 2014, le nombre de sinistres à l’ultime fait plus que doubler après prise en
compte des IBNYR.
La méthode de “Chain Ladder” est simple à mettre en oeuvre et c’est pourquoi nous
l’avons utilisée dans cet exemple mais en pratique, cette méthode ne doit pas être ap-
pliquée car elle consiste à traiter la sinistralité annuelle dans sa globalité alors qu’en

réassurance on travaille avec des sinistres individuels. On peut montrer que cette méthode
conduit, notamment, à surestimer la fréquence des sinistres. Afin de conserver l’approche
sinistre par sinistre, il est possible de recourir à la méthode de Schnieper présentée au
21ème colloque ASTIN à New York au début des années 1980.
2.2.4.4 Modélisation de la fréquence et de la sévérité

A ce stade, en général, on teste plusieurs lois pour la fréquence et pour la sévérité. Nous
supposons, ici, que nous avons sélectionné les lois Poisson et Pareto.
Nous utilisons les montants et les nombres de sinistres ultimes pour estimer les para-
mètres des lois Poisson et Pareto, θ et α respectivement, par la méthode du maximum de
vraisemblance :
k
1X
θ̂ = ni ≈ 2.083
k i=1
Pk
Où i=1 ni est le nombre de sinistres dépassant le seuil de modélisation SM sur l’en-
semble de la période 2009 − 2014 et où k désigne la longueur de l’historique (ici k = 5 car
aucun sinistre n’a été reporté en 2014).
n
α̂ = Pn xi
≈ 1.253
i=1 ln SM
Où n désigne le nombre de sinistres reportés au cours de la période 2009 − 2014.
Il est également possible de prendre en compte les mesures d’exposition (assiettes de

primes ou nombre de véhicules assurés par le traité à la fin de l’exercice) dans le calcul du
paramètre de fréquence, θ̂ :
Pk k
i=1 ωi ni X
θ̂ = avec ωi• = ωi
ωi• i=1
Enfin, nous appliquons le programme de simulations présenté en 2.2.3 en tenant compte

de la cadence des règlements. A titre indicatif et bien que cela n’ait que peu d’importance
ici, nous précisons les taux purs obtenus :
Tranche 3 xs 2 : 1.44%
Tranche 5 xs 5 : 0.91%
Cet exemple donne une idée du travail effectué par un actuaire tarificateur. Toutefois, nous
sommes loin d’avoir balayé toutes les subtilités d’un traité RC automobile. Nous invitons
ceux qui s’y intéresseraient à consulter le mémoire d’Hervé Nessi [25].
2.3 Tarification marché

2.3.1 Introduction
On a recours à une tarification marché lorsque l’on ne peut pas utiliser les données de
la cédante ou lorsque ces données sont insuffisantes ou de trop mauvaise qualité pour
conduire à une prime d’expérience fiable.
Un prix marché est un prix représentatif du marché considéré. En réassurance, un marché

est généralement défini par un pays et par une branche. On parle par exemple du marché
français de la réassurance automobile. On peut également travailler à un niveau plus fin et
définir le marché par une classe de cédantes plus réduite et plus homogène, par exemple
en excluant les cédantes atypiques.

Cela dit, cette définition reste assez vague. Il nous faut encore définir ce que sous-tend
l’expression “prix représentatif”, c’est-à-dire qu’il nous faut expliquer comment on obtient
un prix marché et une courbe des taux marché. C’est ce que nous allons faire dans un
premier temps. Dans un deuxième temps, nous présenterons d’autres approches marché
assez différentes. Il s’agit d’approches “benchmark ”. Le principe étant d’obtenir un taux
marché par comparaison du traité que l’on veut tarifer avec d’autres traités en portefeuille
de composition similaire.
2.3.2 Construction d’une courbe marché

2.3.2.1 Modèle Poisson-Pareto
Il s’agit ni plus ni moins que d’une application du modèle collectif dans laquelle la fré-
quence suit une loi de Poisson et la sévérité une loi de Pareto.
Soit une tranche de réassurance l xs d et λ le seuil choisi pour la modélisation, X la

variable représentant le coût d’un sinistre et Xl,d la variable désignant le coût du sinistre à
charge de la tranche l xs d. On rappelle que λ est inférieur à la priorité et supérieur au
seuil de déclaration des sinistres revalorisés.
X est supposé de loi de Pareto de paramètres α au seuil λ.
E[Xl,d ] = E[min{max{0, X − d}, l}|X > λ]

Z l+d Z ∞
= (x − d)f (x)dx + lf (x)dx
d l+d
l+d α ∞
αλα
Z Z
αλ
= (x − d) dx + l dx
d xα+1 l+d xα+1
Z l+d Z l+d Z ∞
−α −(α+1)
= αλ α
x dx −dαλ α
x dx +lαλα
x−(α+1) dx
|d {z } |d {z } |
l+d
{z }
I1 I2 I3
( h i
1 1−α
1−α (l + d) − d1−α si α 6= 1
I1 =
ln( d+l
d ) si α = 1
1 −α −α

I2 = d − (l + d)
α
−α
(l + d)
I3 =
α
En remplaçant I1 , I2 et I3 dans l’expression de E[Xl,d ], on obtient :
( α h 1−α
i
λ 1−α
(l + d) − d si α 6= 1
E[Xl,d ] = 1−α
l+d
λ ln( d ) si α = 1
On a démontré en 3.2.3.1 que :
E[S] = E[N ] × E[X]
Par conséquent, dans le cadre du modèle collectif, la prime pure pour la tranche l xs d
peut être calculée de la façon suivante :
E[Sl,d ] = E[Nλ ] × E[Xl,d ]

Où Nλ désigne le nombre de sinistres reportés annuellement dépassant le seuil de modéli-

sation λ.
En remplaçant E[Xl,d ] par son expression et en supposant que Nλ suit une loi de Poisson
de paramètre θ, on obtient :
h i
λα
( 1−α
θ × 1−α (l + d) − d1−α si α 6= 1
E[Sl,d ] =
l+d
θ × λ ln( d ) si α = 1
Dans le cas où la portée est illimitée et α > 1, cette formule se simplifie en :

λα 1−α
E[S∞,p ] = θ p
α−1
En particulier, dans le cadre de ce modèle, on remarque que le taux d’une tranche illimitée
de priorité p, que l’on note ∞ xs p, est la somme des taux des tranches l xs p et ∞ xs
l + p. Bien entendu, cela est vrai uniquement si l’on a utilisé la même loi de Pareto pour
modéliser les tranches supérieures à p (ce qui est le cas en général puisque, la plupart du
temps, on utilise une seule modélisation pour coter les tranches non travaillantes d’un
traité) et si le paramètre de forme associé est strictement supérieur à 1.
2.3.2.2 Agrégation des données des cédantes du marché

Le taux de prime marché correspond, en fait, au taux basé sur l’expérience de sinistralité et
de primes de l’ensemble des cédantes constituant le marché. Pour pouvoir calculer un taux
marché et construire une courbe marché, nous avons donc besoin d’agréger les primes et
les sinistres de toutes les cédantes du marché.
A priori, cela peut paraître simple : une addition des primes et un rassemblement des
sinistres des cédantes. A posteriori, cela l’est beaucoup moins. Ce n’est pas tant le fait que
l’on travaille avec un nombre relativement important de cédantes mais plutôt les disparités
contractuelles entre les traités qui rendent l’agrégation complexe :
− Tout d’abord, il faut choisir une longueur d’historique appropriée. En effet, les statis-
tiques des cédantes du marché ne démarrent pas toutes la même année. On peut
conserver la longueur d’historique maximale pour notre groupe de cédantes en
gardant à l’esprit qu’il n’est pas approprié de considérer un historique supérieur à
cinq années en court et supérieur à dix années en long.
− Dans un deuxième temps, il faut tenir compte du fait que le seuil de communication
d’une cédante n’est pas nécessairement le même que celui d’une autre cédante. Il
faut alors considérer le seuil de communication maximal et supprimer les sinistres
qui ne dépassent jamais ce seuil au cours de leur développement.
− Enfin, il faut tenir compte de la gestion comptable et des dates de prise d’effet des
différents traités de notre portefeuille marché et uniformiser nos données de sinistres
(un triangle en long, une liste de sinistres en court) en conséquence. Ce dernier point
est de loin le plus complexe et nous invitons le lecteur à se reporter au chapitre 6
pour se faire une idée des étapes à suivre.
Une fois notre agrégation terminée, nous pouvons appliquer les méthodes de la partie 2.2
pour obtenir le taux marché de la tranche que l’on souhaite coter. Il existe des marchés
matures pour lesquels les tranches de réassurance sont standardisées. C’est le cas du
marché britannique de l’automobile sur lequel porte l’application de la troisième partie.

Pour ces marchés, il suffit de calculer le taux marché pour chacune des tranches standards.
Néanmoins, en réassurance, la plupart des marchés ne sont pas standardisés, il peut alors
être intéressant de construire une courbe marché afin de ne pas avoir à réappliquer les
méthodes de tarification sur expérience à chaque nouvelle tranche.
Il est possible de construire de telles courbes pour le modèle Poisson-Pareto en exploitant

la remarque énoncée à la fin de la dernière sous-partie. En effet, pour ce modèle on peut
obtenir le taux de prime d’une tranche 5 xs 5 par exemple, en soustrayant le taux de prime
de la tranche ∞ xs 10 au taux de prime de la tranche ∞ xs 5. Il suffit donc de calculer le
taux marché pour toutes les tranches illimitées pour avoir le taux marché pour n’importe
quelle tranche de portée finie.
taux souscrit
7%
•
6%
5%
4%
3% Courbe marché
• pour un seuil à 4M
2% • Courbe marché
• pour un seuil à 2M
1% • •• •• •• •• •• •
0 2 4 6 8 10 12 14 16 18 20 priorité en M
F IGURE 2.8 – Exemple de courbes marchés
La détermination d’un prix marché par agrégation des données des cédantes est une
approche laborieuse et contraignante (en particulier le fait qu’il faille choisir le seuil de
communication maximal). C’est pourquoi, les actuaires préfèrent recourir à des méthodes
“benchmark”. Pour ces approches benchmark, on ne s’intéresse pas aux primes pures mais
aux primes réellement souscrites.
2.3.3 Les outils benchmark : d’autres approches marché

2.3.3.1 Outil benchmark adapté aux branches longues
Cet outil est fondé sur le modèle Poisson-Pareto et s’inspire des travaux de Robert Verlaak
et de Werner Hürlimann [35]. Il n’est pas adapté au branches courtes. En effet, il repose
sur l’hypothèse selon laquelle, l’intensité des sinistres demeure constante d’une année sur
l’autre.
Soit la tranche l xs d. Nous avons vu en 2.3.2 que :

E[Sl,d ] = E[Nλ ] × E[Xl,d ]
avec " α−1 #

α−1
λ λ λ
E[Xl,d ] = − si α > 1
α−1 d l+d
Si la compagnie de réassurance ajoute un chargement c proportionnel à la charge de sinis-

tralité attendue et applique une remise à un taux ν pour tenir compte des investissements

futurs, la prime marché pour la tranche l xs d est égale à :
P (d, l) = ν (1 + c)E[Nλ ]E[Xl,d ]
S’il semble naturel de supposer que l’intensité des sinistres demeure constante d’année
en année, le taux de remise ν, le taux de chargement c et le nombre attendu de sinistres
E[Nλ ] peuvent, quant à eux, varier d’une année à l’autre. En divisant la prime P (d, l) par
l’EPI, on obtient le taux benchmark :
" α−1 #
α−1
P (d, l) ν(1 + l)E[Nλ ] λ λ λ
π(d, l, γ, λ, α) = = −
EP I | EP{z I } α−1 d l+d
γ
Ainsi, le taux benchmark associé à la tranche l xs d dépend de trois paramètres inconnus,

γ, λ > 0 et α > 1. Parmi ces trois paramètres, seul le premier γ, dépend de l’année de
cotation.
" α−1 #
α−1
λ λ λ
π(d, l, γ, λ, α) = γ −
α−1 d l+d
Soit un marché donné de la réassurance. Soit (di , li )i=1,...,n l’ensemble des tranches des
traités en excédent de sinistre de ce marché pour lesquelles les taux leaders 3 ri = r(di , li )
sont disponibles. Ces taux correspondent à des proportions des assiettes de primes notées
Pi . La détermination des paramètres inconnus, γ, λ et α, des taux benchmark πi =
πi (di , li , γ, λ, α) correspondant, se ramène au problème d’optimisation suivant :
k N (t) 2
X X (r(t) − π (t) )
i i
f (γ1 , γ2 , . . . , γk , λ, α) = min (t)
k≤5
t=1 i=1 πi
Nous posons k ≤ 5 car nous estimons qu’au delà de 5 années les taux ne sont plus compa-
rables.
Le solveur de VBA permet de trouver en un temps relativement court, les paramètres

γ1 , γ2 , . . . , γk , λ et α.
Il est également possible d’utiliser les taux commerciaux souscrits par la compagnie
de réassurance ou les taux techniques obtenus par les actuaires plutôt que les taux leaders.
Tout dépend de ce que l’on veut : un taux cohérent avec les taux du marché global ou un
taux cohérent avec nos habitudes de souscription et avec notre portefeuille marché.
2.3.3.2 Outil benchmark adapté aux branches courtes

L’outil décrit dans la suite de cette section permet de comparer le RoL de différents traités.
Il est utilisé pour les branches courtes et plus particulièrement pour les traités de réas-
surance catastrophe. En effet, la notion de RoL est moins pertinente en branche longue
puisque pour ces branches le règlement des sinistres est plus long qu’en branche courte et
que, d’une année à l’autre, les bornes du traité évoluent en valeurs relatives (il faut tenir
compte de paramètres économiques comme l’inflation) même si elles restent inchangées
en valeur absolue.
Pour pouvoir comparer facilement les prix de différentes tranches de réassurance, nous
réduisons une tranche de réassurance l xs d au milieu de cette tranche d + 2l . De plus, afin
de manipuler des grandeurs sans unités, nous divisons la valeur centrale des tranches par
la somme assurée totale.
3. Le taux leader correspond au taux retenu conjointement par la cédante et le courtier au terme des cotations
et placé sur le marché.

RoL
100%
cédante 6
10%
cédante 5
cédante 4
cédante 3
1%
cédante 2
cédante 1
0.1%
0.01% 0.1% 1% 10% 100%
Valeur centrale de la tranche sur la valeur assurée totale
F IGURE 2.9 – Comparaison du RoL de différents traités en fonction de la valeur centrale de la tranche
cotée en échelle log-log
La méthode est simple. On représente sur un graphique en échelle log-log, les données de
l’ensemble des cédantes du marché puis on ajuste une droite de régression au nuage de
points. Cette droite de régression est la “droite marché”. Calculer la pente et l’ordonnée à
l’origine de cette droite revient en fait à calculer les paramètres α et λ de la loi de Pareto
ajustée à l’ensemble des données marché (cf annexe A.3).
Ainsi, si l’on veut obtenir un taux marché pour une tranche d’un traité XS pour lequel on
dispose de peu de données, il faut, dans un premier temps, définir un marché contenant
des traités similaires à celui que l’on doit tarifer et construire pour le marché ainsi défini
un graphique semblable à celui représenté ci-dessus. Puis dans un second temps, il suffit
de calculer la valeur centrale de la tranche, de la diviser par la valeur assurée totale et de
lire, sur le graphique construit, la valeur du RoL correspondante.

Conclusion de la première partie

Contrairement à ce que peut laisser penser la définition simpliste “assurance des assureurs”,
les produits de réassurance sont divers, souvent complexes et leur tarification peut s’avérer
ardue. Dans le premier chapitre, nous avons listé et expliqué brièvement les principaux
produits de réassurance traditionnelle. Néanmoins, cette liste est loin d’être exhaustive et
figée, tout est possible et envisageable. La cédante qui le désire peut se “créer” un produit
de réassurance totalement sur mesure. Dans le deuxième chapitre, nous avons décrit les
méthodes de tarification des traités en excédent de sinistre. Nous avons insisté sur les méthodes
probabilistes, basées sur la modélisation de la fréquence annuelle des sinistres, et de leur
sévérité individuelle ultime. Cela a été l’occasion de souligner certaines subtilités des traités en
excédent de sinistre comme, par exemple, la nécessité de prendre en compte les IBNR dans la
détermination des ultimes dans le cas des branches longues. Dans ce deuxième chapitre, nous
avons également décrit les différentes méthodes et outils utilisés en réassurance pour calculer
un taux marché.

Partie II
Les modèles de crédibilité en

réassurance

A présent que nous avons planté le décor, à savoir la tarification des traités en excédent de
sinistre, nous allons pouvoir expliquer plus avant les objectifs des prochains chapitres et la
finalité de ce mémoire.
Objectif :
Il arrive que la tranche du traité XS que l’on cherche à tarifer ne soit pas suffi-
samment sinistrée pour que la prime de réassurance obtenue par les méthodes de
tarification décrites au chapitre 2 soit suffisamment précise et fiable. Cela est fré-
quent pour les tranches hautes mais cela arrive également pour les tranches basses lorsqu’il
s’agit d’affaires nouvelles. L’idée qui est au centre de ce mémoire est d’augmenter la
fiabilité de la prime cotée en pondérant la prime individuelle et la prime marché.
Prime de crédibilité = z × Prime de réassurance + (1 − z) × Prime marché
Historique de sinistralité données agrégées

de la cédante que l’on de l’ensemble des
souhaite coter cédantes du marché
Approche Stochastique
(Poisson/Pareto)
cc : estimation de la prime du client
π
m : estimation de la prime marché

πc
πbc πc
m
b = z × πbc + (1 − z) × πc
π m
F IGURE 2.10 – Calcul de la prime de crédibilité en réassurance
Cadre :
En général, les tranches d’un traité XS peuvent être divisées schématiquement en trois
zones :
− Les tranches basses. Il s’agit des tranches travaillantes. Ces tranches sont suffisam-
ment sinistrées pour qu’une cotation par la méthode du Burning Cost soit fiable. Si
nous appliquons les modèles qui sont développés dans la suite du mémoire à ces
tranches, nous obtenons un facteur de crédibilité z égal à 1.
− Les tranches médianes. Ce sont des tranches non travaillantes mais présentant une
sinistralité non nulle. Pour ces tranches, il peut être très intéressant de pondérer le
taux obtenu par l’approche stochastique et un taux marché.
− Les tranches hautes. Pour les tranches les plus hautes des programmes de réassurance,
notamment les tranches illimitées, la crédibilité n’est pas d’un grand secours puisque
à la fois la prime individuelle et la prime marché sont beaucoup trop imprécises pour
gagner en précision par leur combinaison.
Il est à noter que l’on n’observe pas systématiquement ce découpage pour chaque traité.
Ainsi, par exemple, toutes les tranches d’un traité XS peuvent être travaillantes ou inverse-
ment non travaillantes.

Cadre du mémoire
z≈0
Tranches non travaillantes
0<z<1
Zone 3 : tranches hautes
Zone 2 : tranches médianes

Tranches travaillantes
z≈1
Zone 1 : tranches basses
Conservation de l’assureur
F IGURE 2.11 – Schématisation de la problématique du mémoire
Par conséquent, si les modèles qui seront développés par la suite peuvent s’appliquer
à n’importe quelle tranche d’un traité en excédent de sinistre, ils n’ont véritablement
d’intérêt que pour les tranches médianes de ces traités.

Chapitre 3
La théorie de la Crédibilité
3.1 Introduction
Même si la théorie de la crédibilité s’étend naturellement à la réassurance, ce n’est pas au
sein de cette activité qu’elle est née et s’est développée. C’est en assurance directe et plus
particulièrement en assurance responsabilité civile que cette théorie a trouvé le meilleur
terrain de développement.
La tarification en assurance, ainsi qu’en réassurance d’ailleurs, doit permettre d’assu-

rer la stabilité financière de la compagnie, à savoir refléter les coûts potentiels que celle-ci
devra assumer pour les sinistres de son portefeuille. Elle doit également permettre une
mutualisation du risque, c’est-à-dire un partage du risque entre les différents assurés. Un
assureur qui voudrait effectuer une répartition égale du risque de son portefeuille détermi-
nerait une prime identique pour tous ses assurés. De cette façon, chacun paierait une prime
qui est fonction de l’expérience de l’ensemble du groupe. Cependant, une telle tarification
ne prendrait pas en considération des caractéristiques qui sont propres à chaque assuré.
Par exemple, en assurance automobile, de telles caractéristiques comprennent entre autres
l’âge, le sexe, l’expérience de conduite, le modèle de véhicule conduit par l’assuré ainsi
que son lieu de résidence. A l’inverse, si l’assureur connaissait toutes les caractéristiques
du risque que représente un assuré, il pourrait déterminer une prime reflétant exactement
son risque, ce qui reviendrait à faire assumer à l’assuré son propre risque et ce qui rendrait
l’activité d’assurance inutile. De plus, certaines caractéristiques du risque ne peuvent pas
être observées, comme par exemple les habitudes de conduite, d’où l’impossibilité de
déterminer une prime reflétant exactement le potentiel de pertes d’un assuré. L’assureur
propose donc de trouver un compromis entre ces deux extrêmes, soit une prime qui est
fonction des caractéristiques individuelles de l’assuré et également de celles de l’ensemble
du groupe. C’est cette idée qui est à la base de la théorie de la crédibilité. Ainsi, dans un
contexte de tarification, la théorie de la crédibilité permet de déterminer une prime qui
est fonction de l’expérience du portefeuille et également de l’expérience individuelle de
l’assuré.
Prime de crédibilité = z × Prime individuelle + (1 − z) × Prime collective
Le facteur z est appelé facteur de crédibilité.
Il existe trois branches principales de la théorie de la crédibilité, la théorie de la fluc-

tuation limitée, la crédibilité bayésienne et la crédibilité des “incertitudes”. En 1914,
Arthur H. Mowbray fonde la théorie de la fluctuation limitée aussi appelée crédibilité
“américaine”. Selon cette théorie, le facteur de crédibilité est perçu comme le niveau de
confiance que l’on doit accorder à l’expérience moyenne d’un assuré. Généralement, plus
le nombre d’observations détenu sur cette expérience est grand, plus on la considère

crédible. Un peu plus tard, en 1945, Arthur L. Bailey pose les bases d’une nouvelle théorie,
la crédibilité des moindres carrés également nommée crédibilité “européenne”. Cette
approche vise à trouver une estimation de la vraie valeur de la prime en minimisant
l’erreur entre l’estimation et la vraie valeur. Les travaux de Bühlmann et Bühlmann-Straub
entrepris à la fin des années 1960 et développés dans le cadre de la statistique bayé-
sienne prennent racine dans ceux d’Arthur L. Bailey. Enfin, en 1992, Joseph A. Boor
développe la crédibilité des “incertitudes”. Cette dernière approche propose une nouvelle
méthode pour le calcul du facteur de crédibilité fondée sur les incertitudes relatives aux
erreurs commises lors de la détermination de la prime individuelle et de la prime collec-
tive. Cette dernière approche, bien qu’apparue tardivement, est sans doute la plus intuitive.
Dans la suite de ce chapitre, nous présenterons succintement la théorie de la fluctua-

tion limitée avant de nous concentrer sur la crédibilité bayésienne. La crédibilité des
“incertitudes” et son application à la réassurance feront l’objet du chapitre 5.
3.2 La théorie de la fluctuation limitée

La théorie de la crédibilité à variation limitée est née en 1910 lorsque le constructeur
automobile General Motors qui était alors assuré chez AllState pour les accidents de travail
remarqua que sa prime d’expérience était sensiblement inférieure à la prime réclamée
à l’ensemble des entreprises assurées. General Motors reclama alors un tarif basé sur sa
propre sinistralité et non celle de l’ensemble des sociétés assurées. Pour répondre à cette
question, A.H. Mowbray proposa alors un critère fondé sur la taille du portefeuille et créa
la théorie de la fluctuation limitée.
A l’origine les travaux de Mowbray, publiés en 1914, ne s’intéressaient qu’aux condi-

tions nécessaires pour accorder une pleine crédibilité à l’expérience d’un assuré (cas où
z = 1). En particulier, il établit une formule donnant le nombre de périodes d’observation
nécessaires pour que z, le facteur de crédibilité, soit égal à 1. Par la suite, en 1918, Albert
W. Whitney étendit les travaux de Mowbray à la crédibilité partielle (cas où z ∈]0; 1[).
3.2.1 Crédibilité totale

Reprenons les notations du modèle collectif introduites en partie 2.2.3.
N
X
S= Xi
i=1
avec N (le nombre de sinistres engendrés par un assuré durant une année) supposé de
loi de poisson de paramètre λ et (Xi )i=1,..,n (les coûts des sinistres engendrés par ce
même assuré durant l’année considérée) supposées i.i.d de moyenne µ, de variance σ 2 et
indépendantes de N .
En reprenant les résultats démontrés en 2.2.3 sur l’espérance et la variance de la somme

agrégée des sinistres, on a :
(
E[S] = λµ
V ar[S] = λ(σ 2 + µ2 )
La théorie de la fluctuation limitée consiste à fixer a priori deux constantes c et ε telles
que l’on accorde à l’assuré une crédibilité totale si :

|S − E[S]|
P ≥c ≤ε
E[S]
Autrement dit, on accorde à l’assuré une crédibilité totale si la probabilité que la charge de

sinistre s’éloigne de la moyenne est suffisamment faible.

" #
|S − E[S]| |S − E[S]| cE[S]
P ≥c ≤ε⇔P p ≥p ≤ε
E[S] V ar[S] V ar[S]
D’après le théorème central-limite, pour un nombre important d’observations, nous pou-

vons faire l’approximation suivante :
S − E[S]
p ∼ N (0, 1)
V ar[S]
Par conséquent : " #

S − E[S] cE[S] ε
P p ≤ −p ≤
V ar[S] V ar[S] 2
Ainsi, si on note zε/2 = F −1 ( 2ε ) le quantile à 2ε % de la loi normale centrée réduite, on a :
cE[S]
−p ≤ zε/2
V ar[S]
Donc
cλµ
−p ≤ zε/2
λ(σ 2 + µ2 )
D’où l’on en déduit que :
λ ≥ λmin
2 !
zε/2 2 σ
λmin = 2 1+
c µ
Où λmin désigne le nombre minimum de sinistres espérés durant la prochaine période

pour que l’on puisse appliquer la crédibilité totale.
Il est également possible de déterminer, en utilisant la théorie de la fluctuation limitée, le

nombre minimum d’années nécessaires pour pouvoir tarifer un assuré exclusivement sur
la base de sa propre sinistralité.
3.2.2 Crédibilité partielle

Par souci d’équité, lorsqu’un contrat se trouve sous le seuil de crédibilité totale, il faut,
tout de même, tenir compte de l’expérience individuelle de l’assuré et pondérer la prime
d’expérience et la prime collective. Plusieurs formules différentes ont été proposées pour
le facteur z.
Si on adopte le même raisonnement que pour la crédibilité totale, on est amené à détermi-
ner le facteur de crédibilité tel que :

|S − E[S]|
P z≥c ≤ε
E[S]
En procédant de la même manière que précédemment, on obtient la relation :

r
λ
z≈
λmin
Whitney a , quant à lui, établi une formule portant sur le nombre d’années d’observation.
Le facteur de crédibilité de Whitney est déterminé par la racine carré du ratio du nombre

de périodes d’observations n et du nombre de périodes nécessaires pour accorder une

crédibilité complète n0 , soit :
( q
z = nn0 si n ≤ n0
z = 1 sinon
3.2.3 Limites de la crédibilité américaine

La théorie de la fluctuation limitée est très simple à mettre en oeuvre mais elle présente
de nombreux inconvénients. Son défaut majeur est qu’elle repose sur l’approximation
central-limite. Or cette approximation ne peut être utilisée que si le nombre de sinistres
est important et en réassurance plus particulièrement, on dispose en général d’un nombre
limité de données. Stéphane Bonche [1] a appliqué cette théorie à la réassurance. Il a
notamment utilisé la crédibilité à variation limitée pour obtenir un critère permettant de
choisir entre une cotation Burning Cost et une cotation paramétrique. Néanmoins, les
résultats obtenus restent bien souvent très éloignés de la réalité. Pour notre part, nous ne
chercherons pas à appliquer cette théorie dans ce mémoire.
3.3 Crédibilité bayésienne

3.3.1 Langage bayésien
3.3.1.1 Information a priori et profil de risque
Une cotation en assurance ou en réassurance est avant tout un problème mathématique
mais elle ne peut en aucun cas se réduire à cela. Les mathématiques seules ne permettent
pas d’aboutir à un tarif fiable. Et cela parce que les informations dont l’on dispose sur les
assurés sont limitées et celles qui ont pu être récupérées doivent être considérées avec
prudence. L’actuaire tarificateur doit donc formuler des hypothèses, émettre des juge-
ments, faire des suppositions a priori. D’où l’intérêt que peut représenter une utilisation
des statistiques bayésiennes en tarification. Finalement les seules données absolument
fiables dont l’on dispose sont les statistiques de sinistralité, encore que pour les branches
longues, l’actuaire ne dispose en général que des estimations des montants finaux que
devra payer la compagnie. Les choses se compliquent davantage encore en réassurance où
les actuaires sont confrontés au problème de la rareté des données.
Ainsi, bien que le risque puisse être en quelque sorte modélisé, l’assureur n’a bien souvent
qu’une vague idée du potentiel de pertes que représente un contrat et plus particulièrement
un nouveau contrat. En fait, il n’a qu’une perception a priori, perception qu’il se fait à
partir des variables de tarification. Ces variables permettent de répartir les contrats du
portefeuille d’une compagnie d’assurance ou de réassurance en classes, les contrats d’une
même classe ayant un niveau de risque relativement semblable. Ainsi, par exemple, les
deux variables de tarification principales communément utilisées par les réassureurs, sont
la branche et le type de traité. Toutefois, chaque contrat possède des caractéristiques
propres que l’on ne peut ni observer ni quantifier qui le distinguent des autres contrats
d’une même classe. Afin de modéliser ces différences, on suppose que chaque contrat est
caractérisé par un paramètre (ou profil) de risque qui lui est propre.
3.3.1.2 Notations bayésiennes

Notons Nj le nombre de sinistres engendrés par un assuré particulier durant l’année j et
Xj la charge agrégée de sinistres correspondante. Cet assuré possède un profil de risque θ
qui prend ses valeurs dans Θ. Dans le cas d’un portefeuille réellement homogène Θ devrait
être réduit à un singleton.
L’assureur ne connaît pas la valeur du paramètre de risque θ de l’assuré, en revanche il

dispose d’informations sur la classe auquelle appartient l’assuré. L’information disponible

ainsi que l’incertitude portant sur θ peuvent être résumées par une loi de probabilité sur
Θ, dite loi a priori, de densité u(θ). Cela revient à supposer que Θ est distribuée selon u(θ)
avant que X ne soit générée selon f (X|Θ = θ) où X = (X1 , .., Xn )0 représente l’historique
de sinistralité disponible avec n le nombre d’années d’observation. La distribution U de
dérivée u est appelée fonction de structure du portefeuille.
Soit x une réalisation de X, si l’on note L(x; θ) la densité conditionnelle de X sachant

Θ = θ, la formule de Bayes permet de calculer u(θ|x), la densité de la loi dite a posteriori,
représentant l’incertitude portant sur θ après avoir observé x.
u(θ)L(x; θ)
u(θ|x) =
u(x)
∝ u(θ)L(x; θ)
L’approche bayésienne réalise, en quelque sorte, l’actualisation de l’information a priori

par l’observation x, au travers de u(θ|x). La situation peut être résumée par un modèle
à deux urnes. La première urne représente le collectif de risques dont on sélectionne
un élément θ qui conditionne le contenu de la deuxième urne dans laquelle on tire les
variables X1 , X2 , ....
X1 , X2 , . . .
Θ∼U X ∼ Fθ
F IGURE 3.1 – Le modèle à deux urnes
Nous supposons, en outre, que conditionnellement à Θ = θ, les variables aléatoires

X1 , X2 , ... sont i.i.d de fonction de répartition Fθ .
A présent, nous pouvons définir mathématiquement, les notions de prime individuelle et

de prime collective :
− Nous appelons prime individuelle, la variable π(Θ) = E[Xn+1 |Θ].
R
− Nous appelons prime collective, la quantité π0 = E[π(Θ)] = π(θ)dθ.
L’objectif de l’actuaire tarificateur est de trouver pour chaque contrat caractérisé par le
paramètre de risque θ le meilleur estimateur π(θ)d de la prime individuelle.

3.3.1.3 Prime de Bayes

La prime de Bayes est définie par l’espérance a posteriori de π(Θ) :
P Bayes = π(Θ)
] = E[π(Θ)|X]
où X = (X1 , ..., Xn )0 est toujours le vecteur aléatoire représentant l’historique de sinistra-

lité de l’assuré considéré.
Théorème 1. Au regard du critère de l’erreur quadratique moyenne, π(Θ)

] est le meilleur
estimateur de π(Θ).
Preuve.
[ un estimateur de π(Θ) et π(Θ)

Soit π(Θ) ] = E[π(Θ)|X], la prime de Bayes. On a :
2 2
[ − π(Θ)
E π(Θ) [ − π(Θ)
= E E π(Θ) ] + π(Θ) ] − π(Θ) |X
h i 2 2
[ − π(Θ))(
E (π(Θ) ] π(Θ)[ − π(Θ))|X = π(Θ)E[
] π(Θ)|X]
[ [ −π(Θ)
− E[π(Θ)π(Θ)|X] ] + π(Θ)
]
| {z }
=0
D’où :
2 2 2
E [ − π(Θ)
π(Θ) [ − π(Θ)
= E π(Θ) ] ] − π(Θ)
+ E π(Θ) ]
Et donc finalement :
2 2
E [ − π(Θ)
π(Θ) ≤E ] − π(Θ)
π(Θ) ]
Ce qui permet de conclure.
Le schéma ci-dessous résume la démarche bayésienne :
Les observations
L’information a priori
x1 , x 2 , . . . x n
X1 , . . . , Xi , . . . , Xn
Loi a priori de densité u(θ)
Xi |θ ∼ Fθ
Loi a posteriori de
densité u(θ|x1 , . . . , xn )
Estimation de la
]
prime de Bayes π(Θ)
F IGURE 3.2 – Démarche bayésienne pour l’estimation de la prime de Bayes

3.3.1.4 Modélisation de l’information a priori

Comme le montre le schéma précédent, pour déterminer la prime de Bayes, il est nécessaire
de spécifier la loi conditionnelle Fθ des charges agrégées de sinistres ainsi que la distribu-
tion a priori U. Le choix de la loi a priori est souvent perçu comme une difficulté majeure
de l’approche bayésienne en ce que l’interprétation de l’information a priori disponible
est rarement assez précise pour conduire à la détermination d’une seule et unique loi.
Dans la pratique, le choix de la loi a priori comporte une certaine part d’arbitraire. En
général, on a recours à des lois usuelles (loi normale, loi gamma,. . .) et/ou à des lois
dites conjuguées (voir définition ci-après). L’information a priori est alors utilisée pour
déterminer les paramètres de la loi a priori appelés hyperparamètres.
Notons F = {Fθ | θ ∈ Θ} la famille des distributions possibles et U = {Uγ (θ) | γ ∈ Γ} la

famille des fonctions de structure.
La famille U doit être assez grande pour contenir les distributions qui peuvent décrire le
collectif mais aussi petite qu’il est possible de représenter notre connaissance du collectif.
Idéalement, les familles U et F devraient être choisies de manière à ce que la prime de
Bayes puisse s’exprimer analytiquement.
Définition 2 (Famille de distributions conjuguées). La famille U est conjuguée à la famille

0
F si, pour tout γ ∈ Γ et pour toute réalisation x du vecteur des observations X, il existe γ ∈ Γ
tel que :
Uγ (θ|X = x) = Uγ 0 (θ) pour tout θ ∈ Θ
L’un des principaux intérêts d’utilisation des familles de distributions conjuguées est que
la distribution a posteriori obtenue sur une période peut être utilisée comme a priori
de la période suivante. Nous appelerons formules de mise à jour, les règles permettant
de passer de la distribution a priori à la distribution a posteriori. On renvoie le lecteur
au paragraphe 4.3 du chapitre 4 pour une explication plus détaillée des méthodes de
modélisation de l’information a priori et notamment d’estimation des hyperparamètres.
3.3.2 Le modèle de Bühlmann

Il n’est pas dans notre objectif de calculer, à tout prix, la prime de Bayes. On souhaite,
avant tout, calculer la prime de crédibilité, c’est-à-dire le meilleur estimateur de π(Θ)
s’exprimant comme une combinaison convexe de la prime d’expérience et de la prime
marché. Bien entendu, comme la prime de Bayes, π(Θ) ] est le meilleur estimateur de π(Θ)
(lorsque la qualité des estimateurs est évaluée par l’erreur quadratique moyenne), il serait
intéressant que ces deux primes coïncident. Malheureusement, la prime de Bayes est une
prime de crédibilité dans certains cas seulement. L’idée d’Hans Bühlmann est de forcer
la prime bayésienne à être linéaire et d’obtenir une expression simple pour le facteur de
crédibilité.
3.3.2.1 Formule de Bühlmann

0
Considérons un portefeuille constitué de I risques similaires. Nous notons Xi = (Xi1 , ..., Xin )
le vecteur des observations associé au risque i et Θi son profil de risque. On a :

Variables non Observations

observables 1 ... k ... n
Θ1 X11 ... X1k ... X1n
. . .
. . .
. . .
Θi Xi1 ... Xik ... Xin
. . .
. . .
. . .
ΘI XI1 ... XIk ... XIn
TABLE 3.1 – Notations du modèle de Bühlmann
Nous cherchons à trouver, pour chaque risque individuel i, un estimateur de la prime indi-
viduelle π(Θi ). Bühlmann a restreint son cadre de travaille à la classe des estimateurs qui
sont linéaires en les observations, (Xij )1≤i≤I,1≤j≤n . Nous allons montrer que le meilleur
estimateur linéaire en les observations est une prime de crédibilité.
Dans le modèle de Bühlmann, on se place dans le cadre où les deux hypothèses sui-
vantes sont vérifiées :
− (H1 ) Les variables Xij (j = 1, . . . , n) sont conditionnellements à Θi = θ, indépen-

dantes et identiquement distribuées selon une loi Fθ avec les moments conditionnels
suivants :
π(Θi ) = E[Xij |Θi ]
σ 2 (Θi ) = V ar[Xij |Θi ]
− (H2 ) Les couples (Θ1 , X1 ), . . . , (ΘI , XI ) sont indépendants et identiquement distri-

bués.
\
\
Notons π(Θi ) le meilleur estimateur linéaire en les observations de π(Θ).
Théorème 3 (Modèle de Bühlmann). Sous les hypothèses (H1 ) et (H2 ), l’estimateur de

crédibilité est donné par :
\
\
π(Θi ) = z × X̄i + (1 − z) × π0
n
avec π0 = E[π(Θi )] et z = n+σ 2 /τ 2 où τ 2 = V ar[π(Θi )] et σ 2 = E[σ 2 (Θi )]
Preuve.
\
\
L’estimateur de crédibilité π(Θi ) est de la forme :
I n
\
\ (i)
XXd(i)
π(Θi ) = a0 + akj Xkj
d
k=1 j=1
Comme la distribution de Xi est invariante par permutation des Xij (j = 1, . . . , n), on a :

I
\
\ (i)
Xd(i)
π(Θi ) = a0 + ak X̄k
d
k=1
où
n
1X
X̄k = Xkj
n j=1

et
I
(i) d(i) (i) (i)
X 2
a0 , ak = argmin E [( π(Θi ) − a0 − ak X̄k
d
k=1
Les équations aux dérivées partielles de ce problème sont :

 h i
 E π(Θi ) − a(i) − PI a(i) X̄k = 0
0 k=1 k
h i
 E X̄j (π(Θi ) − a(i) − PI a(i) X̄k ) = 0 ∀ 1 ≤ j ≤ I
0 k=1 k
Si l’on substitue la première équation aux dérivées partielles, dans les I suivantes, on
obtient :
I
(i)
X
E X̄j π(Θi ) − E [π(Θi )] E[X̄j ] = ak E[X̄j X̄k ] − E[X̄j ]E[X̄k ] ∀1 ≤ j ≤ I
k=1
Soit
I
X (i)
Cov X̄j , π(Θi ) = ak Cov X̄k , X̄j , ∀1 ≤ j ≤ I
k=1
Or
Cov X̄k , X̄j , = δjk V ar[X̄j ]
Donc (i)
Cov X̄j , π(Θi ) = aj V ar[X̄j ] ∀ 1 ≤ j ≤ I
D’autre part, d’après l’hypothèse (H2 ) du modèle,

Cov X̄j , π(Θi ) = 0 si i 6= j
Par conséquent :  (i)

 aj = 0 si i 6= j

(i)
ai = Cov(X̄i ,π(Θi ))
V ar[X̄i ]
(i) (i)

a0 = E[π(Θi )] − ai E[X̄i ]

Cov(X̄i , π(Θi )) = E[X̄i π(Θi )] − E[X̄i ]E[π(Θi )]
Or (
E[π(Θi )] = E[E[Xi |Θi ]] = E[Xi ] = E[X̄i ]
2
E[X̄i π(Θi )] = E[E[X̄i π(Θi )|Θi ]] = E[π(Θi ) ]
D’où
2 2
Cov(X̄i , π(Θi )) = E[π(Θi ) ] − E[π(Θi )] = V ar[π(Θi )] = τ 2
De plus, d’après la formule de décomposition de la variance,
E[σ 2 (Θi )] σ2
V ar[X̄i ] = + V ar[π(Θi )] = + τ2
n n

En outre,
E[π(Θi )] = E[X̄i ] = π0
On obtient donc :
(i) n
ai =
d
n + σ 2 /τ 2

(i) (i)
a0 = 1 − ai π0
d d
(i)
Enfin, en notant z = ai , on retrouve l’expression de la prime de Bühlmann énoncée dans
d
le théorème 3.
Nous remarquons que l’estimateur de crédibilité π(Θi ), bien que basé sur l’ensemble
des observations du portefeuille, ne dépend que des observations associées au risque i.
3.3.2.2 Interprétation du facteur de crédibilité de Bühlmann

Le rapport σ 2 /τ 2 est appelé coefficient de crédibilité. Toute la difficulté du modèle de
Bühlmann réside dans l’estimation de ce coefficient.
2
σ2

σ/π0
R= =
τ2 τ /π0
√
R s’interprète comme le rapport entre la variabilité interne du risque et l’hétérogénéité
du portefeuille. En effet : p
σ E[V ar(Xj |Θi )]
=
π0 E[Xj ]
τ
= CoV [π(Θi )]
π0
Le facteur de crédibilité α croît avec le nombre d’années d’observation n, avec l’hétérogé-

néité du portefeuille πτ0 et décroît avec la variabilité interne au risque πσ0 .
Il est possible de réécrire la prime de crédibilité de la façon suivante :

2
σh2 σX̄i
π(Θ
ci ) = X̄ + 2 + σ 2 π0
c
i
σh2 + σX̄
2
i
σ h X̄i
Où (
σ2
2

σX̄ i
= E V ar(X̄i |Θ) = n
σh2 = τ 2 = V ar[π(Θ)]
En effet,
n τ2 σh2
z= 2 = 2 = 2 2
n + στ 2 τ 2 + σn σh + σX̄ i
σh modélise l’hétérogénéité du portefeuille marché et σX̄i l’erreur commise lors de l’esti-

mation de la prime pure (mesurée par l’écart-type de l’estimateur de cette prime).
Cette écriture est plus naturelle et intuitive que celle du théorème 3 dans la mesure

où elle “met en balance” l’hétérogénéité du marché et l’erreur liée à l’estimation de la

prime pure. Ainsi, le modèle favorise la prime d’expérience sur la prime marché lorsque
l’hétérogénéité du marché est très importante comparée à l’erreur liée au calcul de la
prime pure et inversement.
3.3.2.3 Erreur quadratique moyenne de la prime Bühlmann
Théorème 4 (Erreur quadratique moyenne). L’erreur quadratique moyenne de l’estimateur

[
[ vaut :
π(Θ) " 2 #
\ σ2
E \
π(Θ i ) − π(Θi ) = (1 − z)τ 2 = z
n
Preuve.
" 2 #
\ h 2 i
E \
π(Θi ) − π(Θi ) = E z X̄i + (1 − z)π0 − π(Θi )
h 2 i h i
2 2
= z2 E

X̄i − π(Θi ) +(1 − z) E (π0 − π(Θi )) +2z(1 − z) E (X̄i − π(Θi ))(π0 − π(Θi ))
| {z } | {z } | {z }
2 =0
= σn =τ 2
Donc " 2 #
\ σ2 2
E \
π(Θi ) − π(Θi ) = z2 + (1 − z) τ 2
n
Or
n τ2
z= =
n + σ 2 /τ 2 τ 2 + σ 2 /n
Donc
σ2 1−z 2
= τ
n z
D’où
" 2 #
\ σ2
E \
π(Θi ) − π(Θi ) = (1 − z)τ 2 = z
n
3.3.3 Le modèle de Bühlmann-Straub

Il semble raisonnable de penser que les pertes récentes sont plus représentatives des pertes
à venir que les pertes passées notamment parce que l’exposition du contrat considéré
change (augmentation ou diminution du nombre de polices). Or le modèle de Bühlmann
que l’on vient de décrire suppose que les charges annuelles de sinistres sont indépendantes
et identiquement distribuées :

σ 2 (Θi ) = V ar[Xij |Θi ]
C’est une hypothèse forte qui ne se trouve jamais vérifiée en pratique (la taille d’un
contrat change toujours au fil du temps). Afin de tenir compte des variations de l’exposi-
tion au risque, Bühlmann et Straub ont généralisé le modèle précédent en attribuant un
poids aux pertes annuelles. On a :

Variables non Observations Poids

observables 1 ... k ... n 1 ... k ... n
Θ1 X11 ... X1k ... X1n ω11 ... ω1k ... ω1n
. . . . .
. . . . .
. . . . .
Θi Xi1 ... Xik ... Xin ωi1 ... ωik ... ωin
. . . . .
. . . . .
. . . . .
ΘI XI1 ... XIk ... XIn ωI1 ... ωIk ... ωIn
TABLE 3.2 – Notations du modèle de Bühlmann-Straub
De plus, intuitivement, on s’attend à ce que l’expérience d’un “gros” contrat soit plus
stable dans le temps que celle d’un “petit” contrat. Autrement dit, la variance condition-
nelle devrait être décroissante avec l’exposition au risque. Les hypothèses du modèle de
Bühlmann-Straub sont les suivantes :
− (H1 ) Les variables Xij (j = 1, . . . , n) sont, conditionnellements à Θi , indépendantes

avec les moments conditionnels :
σ 2 (Θi ) = ωij V ar[Xij |Θi ]
− (H2 ) Les couples (Θ1 , X1 ), . . . , (ΘI , XI ) sont indépendants et les Θ1 , . . . , ΘI identi-

quement distribués.
Théorème 5 (Modèle de Bühlmann-Straub). Sous les hypothèses (H1 ) et (H2 ), l’estimateur

(non-homogène) de crédibilité est donné par :
\
\
π(Θi ) = zi × X̄i + (1 − zi ) × π0
où
X ωij
Xi = Xij ,
j
ωi•
X
ωi• = ωij ,
j
ωi•
zi = 2 ,
ωi• + στ 2
Preuve.
Nous ne démontrons pas ce théorème mais la démonstration figure dans le livre de
Bühlmann & Gisler [3] publié en 2005.
3.3.4 Le cas particulier du modèle Poisson/Gamma

Dans cette section, on suppose que les différences de profil de risque entre les assurés
d’une classe de risque particulière sont mieux expliquées par les nombres de sinistres
que par leur taille. Autrement dit, on suppose que la distribution relative à l’intensité des
sinistres est la même pour tous les assurés de la classe. Par conséquent dans la suite de
cette section, on ne prêtera pas attention aux coûts annuels des sinistres mais uniquement
aux nombres annuels de sinistres. En outre, nous choisissons une loi Gamma comme loi
a priori. Ce qui est un choix avisé car, nous allons le démontrer, la loi Gamma et la loi
Poisson sont conjuguées.

3.3.4.1 Prime de crédibilité

Les hypothèses du modèle de Bühlmann deviennent :
− (H1 ) Les variables aléatoires (Nj )(j=1...n) sont, conditionnellement à Θ = θ, indé-

pendantes et identiquement distribuées selon une loi de poisson de paramètre θ :
θk
P (Nj = k|Θ = θ) = e−θ , pour k ∈ N
k!
− (H2 ) Θ est distribuée selon une loi Gamma de paramètres a et b, Θ a donc pour
densité :
ba a−1 −bθ
u(θ) = θ e , pour θ ≥ 0
Γ(a)
Nous pouvons donner une interprétation très simple des paramètres de structure.
a a E[Θ] E[Θ]2
E[Θ] = et V ar[Θ] = 2 donc b = et a =
b b V ar[Θ] V ar[Θ]
Ainsi a et b peuvent être vus comme des mesures de l’homogénéité de la classe. Plus a et
b sont petits plus la distribution de Θ est dispersée autour de la moyenne. b s’interprète
également comme la précision de l’a priori : plus b est grand, plus V ar[Θ] est petit et donc
plus l’information a priori est précise.
L’expression de la prime de crédibilité de Bühlmann devient :
[
[ = z × N̄ + (1 − z) × π0
π(Θ)
avec π(Θ) = E[N |Θ] = Θ et π0 = E[π(Θ)] = E[Θ] = ab .
n
z=
n + σ 2 /τ 2
où
a
τ 2 = V ar[π(Θ)] = V ar[Θ] =
b2
a
σ 2 = E[σ 2 (Θ)] = E[V ar[N |Θ]] =
b
Donc
n
z=
n+b
On constate que le facteur de crédibilité est croissant avec le nombre d’années d’observation
et décroissant avec b. Ce qui n’est pas surprenant car plus on dispose d’informations
individuelles, plus on accorde de crédit au passé sinistre de l’assuré et plus le collectif est
homogène, plus on accorde de crédit à la prime collective.
3.3.4.2 Prime de Bayes

Nous allons montrer que pour le modèle Poisson/Gamma la prime de Bayes est confondue
avec la prime de crédibilité.
P Bayes = E[π(Θ)|N] = E[Θ|N]

où N = (N1 , ..., Nn )0 désigne l’historique de sinistralité de l’assuré.

Z
E[Θ|N = n] = θuθ|N (θ|n1 , ..., nn )dθ
Il faut donc déterminer uθ|N , la densité a posteriori de Θ sachant N, pour obtenir la prime
de Bayes.
uθ|N (θ|n1 , ..., nn ) ∝ L(n1 , ..., nn |θ) × uΘ (θ)

n
Y θnj e−θ ba a−1 −bθ
= · θ e
j=1
nj ! Γ(a)
Pn
nj −nθ
θ j=1 e ba a−1 −bθ
= Qn · θ e
j=1 j !
n Γ(a)
Pn
nj −1 −(b+n)θ
∝ θa+ j=1 e
La dernière ligne dePcalcul correspond au noyau de la densité d’une loi Gamma de pa-
0 n 0
ramètres a = a + j=1 nj et b = b + n. Par conséquent les lois Gamma et Poisson
sont des lois conjuguées puisqu’elles vérifient la définition 2. On se rend bien compte sur
cet exemple de l’intérêt de l’utilisation de lois conjuguées. Il est, en effet, très facile de
déterminer les paramètres de la distribution a posteriori.
De plus Pn Pn
0
Bayes a a + j=1 nj n j=1 nj b a
P = 0 = = × + ×
b b+n n+b n n+b b
Et donc Pn
Bayes j=1 nj a [
P =z× + (1 − z) × [
= π(Θ)
n b
Nous avons donc démontré que pour les lois conjuguées Gamma et Poisson, la prime de
Bayes et la prime de crédibilité de Bühlmann sont confondues.
Par conséquent :
n b
E[Θ|N] = N̄ + E[Θ]
n+b n+b
L’estimation bayésienne de Θ apparaît comme la moyenne pondérée de N̄ (c’est-à-dire

de l’estimation de Θ par maximum de vraisemblance) et de la moyenne a priori E[Θ].
Géométriquement, E[Θ|N] est le barycentre des points N̄ et E[Θ] affectés respectivement
des poids n et b.

Chapitre 4
La crédibilité bayésienne
appliquée à la réassurance
C’est Straub [32] qui le premier, en 1971, à chercher à appliquer les modèles de crédibilité
développés par Bühlmann à la réassurance en excédent de sinistre. Patrik et Mashitz
[28] ont ensuite repris son travail et l’ont développé dans leur article de 1990. Toutefois,
ces trois auteurs bornent leur travaux à la crédibilité des nombres de sinistres et ne
considérent pas les pertes agrégées, qui sont pourtant le réel élément d’intérêt lors de la
tarification d’un excédent de sinistre. Un peu plus tard, Cockroft [7] a établit une formule
de crédibilité pour les charges agrégées de sinistres en s’appuyant sur un article écrit par
Ole Hesslager [15]. Dans cette partie, nous décrivons, implémentons et comparons les
différentes approches de crédibilité bayésienne appliquées à la réassurance.
Considérons un traité en excédent de sinistre dont l’on cherche à coter l’une des tranches
l xs d. On note c le seuil de communication de la cédante. Cette dernière transmet
donc la liste des sinistres dont le montant dépasse le seuil c durant une période [0, T ].
Dans ce chapitre, nous nous bornons aux modèles fréquence/sévérité classiques du type
Poisson/Pareto.
4.1 L’approche purement fréquentielle

Le modèle présenté dans cette section fait complétement abstraction de l’intensité des
sinistres et réduit la prime au seul paramètre de fréquence. Cependant, cela vaut la peine
de s’y arrêter et de l’étudier et ce pour essentiellement deux raisons. D’une part, dans
certains cas, le facteur de crédibilité déterminé par le biais de ce modèle peut directement
être utilisé pour pondérer la prime individuelle et la prime marché. Notamment, lorsque
le contrat que l’on cherche à tarifer appartient à une classe de risque pour laquelle la
distribution de sévérité est connue et identique pour toutes les cédantes constituant la
classe. D’autre part, il s’agit, ni plus ni moins, du modèle Poisson/Gamma vu en 3.3.4,
transposé au cadre de la réassurance. Or, pour le modèle Poisson/Gamma, non seulement
l’estimateur bayésien est linéaire en les observations mais en plus l’expression du facteur
de crédibilité est particulièrement simple.
4.1.1 Transposition des modèles de Bühlmann et Bühlmann-Straub

Reprenons les notations du modèle Poisson/Gamma décrites dans la partie précédente à
savoir (N (j) )j=1,..,n désigne les nombres de sinistres repertoriés durant les n années pour
lesquelles des données sont disponibles. De plus, nous notons Nd (j) la variable aléatoire
caractérisant le nombre de sinistre dépassant la priorité d et qd = P [X > d] la probabilité
qu’un sinistre dépasse la priorité d. Dans la suite, afin de ne pas complexifier la théorie, on
omet l’indice de période (j).

Lemme 1. Nd | Θ = θ est encore de loi de Poisson de paramètre qd θ

Preuve.
∞
X
P (Nd = n|Θ = θ) = P (N = k|Θ = θ)P (Nd = n|N = k)
k=0
∞
X θk e−θ k! k−n n
= (1 − qd ) qd
k! (k − n)!n!
k=0
∞
qd n e−θ X θk
= (1 − qd )k−n
n! (k − n)!
k=0
n −θ ∞
qd e n
X θk−n k−n
= θ (1 − qd )
n! (k − n)!
k=0
n
(qd θ) e−θ θ(1−qd )
= e
n!
n
(qd θ) −θqd
= e
n!
D’où Nd |Θ ∼ P (qd Θ).
Notons Θd =qd Θ. On a :
E[Nd |Θ] = Θd = qd · E[N |Θ]
λ α

En particulier, si X ∼ Pareto(λ, α) alors qd = P (X > d) = d et
α
λ
E[Nd |Θ] = · E[N |Θ]
d
Autrement dit, une fois que le paramètre de forme α de la loi de Pareto est calibré au seuil
de modélisation λ, on peut obtenir facilement la fréquence de sinistralité de tranches plus
élevées.
Nous pouvons également montrer que :

Lemme 2. Θd est encore de loi de Gamma de paramètre (a, b/qd )
Preuve.
P (qd Θ ≤ x) = P (Θ ≤ x/qd )
Z x/qd a a−1 −bθ
b θ e
= dθ
0 Γ(a)
Soit
0 0 0
Θ 1
Θ = Θd = qd Θ alors Θ = qd et dΘ = qd dΘ .
Et la dernière intégrale devient :

0 a−1
x
b aθ
Z 0 0
( ) e−bθ /qd dθ
0 qd Γ(a)
D’où Θd ∼ Γ(a, qbd ).

Rappelons que, pour un risque i, le meilleur estimateur linéaire de la prime individuelle

selon le critère d’erreur quadratique moyenne est :
\
\
π(Θi ) = z × X̄i + (1 − z) × E[π(Θi )]
n ωi•
avec z = s’il s’agit du théorème de Bühlmann et z = s’il s’agit du théorème
n+b ωi• + b
de Bühlmann-Straub.
Si on applique maintenant ces formules au couple (Nd , Θd ), la meilleure estimation

λ , est :
linéaire de E[N |Θ], notée θc d d
\
\ λ ¯ a
π(Θ d ) = θd = zd × Nd + (1 − zd ) × qd
c
b
Dans le cas du modèle de Bühlmann :

n
zd =
n + b/qd
Et dans le cas du modèle de Bühlmann-Straub :

ωi•
zd = .
ωi• + b/qd
Si X suit une loi de Pareto de paramètres (λ, α), le facteur de crédibilité peut se réécrire,
par exemple, dans le cas du modèle de Bühlmann :
n
zd = α
n + b/( λd )
4.1.2 Interprétation du facteur de crédibilité
0.6
Facteur de
0.4
crédibilité
0.2
0.0
2e+06 20
4e+06 15 n
tio
Pr 6e+06 erva
10 bs
io
rit d'o
é es
né
8e+06 5 d'an
bre
m
No
1e+07 0
F IGURE 4.1 – Evolution du facteur de crédibilité en fonction de la priorité et du nombre d’années

d’observation
Comme pour le modèle Poisson/Gamma développé supra, nous constatons que le facteur
de crédibilité augmente avec le nombre d’années d’observation n et décroît lorsque b

augmente. Ce qui n’est pas étonnant si l’on se souvient que b est une mesure de l’ho-
mogénéité du collectif. En outre, nous remarquons que le facteur de crédibilité décroît
également lorsque la priorité augmente. Ce qui n’est pas surprenant non plus puisque plus
la priorité augmente, plus le nombre de sinistres dépassant la priorité est faible et moins
on accorde d’importance à la prime calculée sur base expérience. La figure 4.1 représente
le graphique 3D obtenu lorsque l’on fait varier simultanément la priorité de 1 M à 10 M
(peu importe l’unité monétaire), la longueur de l’historique de 0 à 20 années, pour un seuil
de modélisation égal à 0.75 M et les paramètres suivants : b = 5 et α = 1.2.
4.1.3 Mise en oeuvre du modèle

4.1.3.1 Cadre général
Une première méthode consiste à appliquer le modèle Poisson/Gamma directement aux
fréquences estimées par maximum de vraisemblance, θˆc et θˆm , avant même de faire jouer
les bornes du traité et à utiliser cette fréquence crédibilisée pour obtenir, par simulations
stochastiques, une estimation de la prime pure. Dans ce cas là, nous n’avons pas besoin
des résultats qui ont été présentés dans la section 4.1.1 et nous pouvons nous contenter
de ce qui a été vu dans la section 3.3.4. Toutefois, cela ne remplit pas complètement
notre objectif puisque nous n’obtenons pas une prime de crédibilité qui s’écrit comme une
combinaison convexe de la prime pure individuelle et de la prime marché.
Il existe une deuxième méthode qui consiste à appliquer directement aux taux de primes
le facteur de crédibilité, zd , calculé grâce aux résultats de la section 4.1.1 :
b = zd × πbc + (1 − zd ) × πc
π m
Bien entendu, cette méthode n’est mathématiquement pas fondée. Stéphane Bonche l’ap-
plique sans vergogne dans son mémoire [1] arguant que c’est un gain considérable en
terme de temps et de communication. De plus, selon lui, les résultats ne diffèrent pas
trop de ceux que l’on obtiendrait avec un modèle adapté aux pertes agrégées de sinistres.
Nous aurons l’occasion de discuter ce propos une fois que nous aurons présenté l’approche
combinant fréquence et sévérité. Nous y reviendrons, notamment, dans la troisième et
dernière partie de ce mémoire dédiée à une application 1 .
Ces deux mises en oeuvre possibles sont illustrées sur la figure 4.2. La première est
indiquée en traits pointillés et rouges alors que la deuxième apparaît en traits pleins et
noirs.
4.1.3.2 Cadre simplifié

Supposons que l’intensité des sinistres est approximativement la même pour toutes les
cédantes du portefeuille marché considéré, c’est-à-dire que seule la fréquence des sinistres
varie d’une cédante à l’autre. Alors, dans ce cas, le subterfuge de la deuxième méthode
qui consiste à pondérer la prime individuelle et la prime marché par zd , le facteur de
crédibilité du modèle purement fréquentiel, est justifié d’un point de vue mathématique
puisque le modèle collectif (qui est à la base de tout modèle de tarification) permet une
analyse séparée de la fréquence et de la sévérité.
1. Se reporter à la page 96 et au tableau 8.1

Cédante que l’on

souhaite tarifer Marché
Agrégation des
“données cédantes”
extrapolation extrapolation
Statistiques ultimes
Sinistres corrigés de l’inflation, des IBNR,. . .
nc
zc = nc +b
Estimations par Estimations par

MV MV
λ λ
θˆc , αˆc λ λ λ
profil de risque θˆm , αˆm λ
αˆc λ , θ̂λ = zc × θˆc + (1 − zc ) × θˆm Θ ∼ Gamma(a, b)
Simulations Simulations
stochastiques stochastiques
nc
zcd = nc +b/qd
• • • • • • • •
• • • •
• • • • • •
cf algorithme page 18 cf algorithme page 18
πˆc d,l πˆm d,l
π̂ d,l = zcd × πˆc d,l + (1 − zcd ) × πˆm d,l
F IGURE 4.2 – Schéma représentant le fonctionnement du modèle bayésien purement fréquentiel
4.2 Approche combinant fréquence et sévérité

Nous allons présenter un modèle plus élaboré permettant de prendre en considération
l’intensité des sinistres. Dans la section précédente, afin de traiter la crédibilité des nombres
de sinistres, nous avons résumé le profil de risque de chaque contrat par un unique
paramètre de risque θ ∈ Θ. A présent, afin de construire un modèle de crédibilité pour
les pertes agrégées, nous allons avoir besoin d’introduire deux paramètres pour définir le
profil de risque d’un contrat, un paramètre de risque θ relatif à la fréquence des sinistres
et un deuxième paramètre ψ relatif à l’intensité des sinistres.

4.2.1 Modélisation de l’intensité des sinistres

Il existe deux versions de la loi de Pareto selon que l’on s’intéresse aux variables tronquées
ou non. Ces deux versions ont été détaillées dans l’annexe A. Ainsi en réassurance, si l’on
considère les sinistres aux premiers euros dont les montants appartiennent à la tranche
l xs d, on utilisera la définition européenne de la loi de Pareto alors que si l’on s’intéresse à
la charge de sinistralité de cette tranche, on utilisera la définition américaine. Par défaut
et jusqu’à présent, nous avons utilisé la définition européenne. En effet, comme le courtier
transmet la liste des sinistres FGU supérieurs au seuil de communication, il est naturel
d’y avoir recours. Toutefois, dans cette partie, nous utiliserons également la définition
américaine.
Soit une variable aléatoire X de loi de Pareto de paramètres (λ, Ψ). Selon la définition
américaine, sa fonction de répartition s’écrit :
Ψ
λ
Fλ,Ψ (x) = 1 −
λ+x
Considérons les sinistres excédant la priorité d et définissons la variable aléatoire Xd

comme suit :
(
X − d si X > d
Xd =
0 si X ≤ d
4.2.1.1 Lois a priori et a posteriori

Comme dans l’approche fréquentielle, nous modélisons la loi a priori par une loi Gamma
de paramètres s et t et de densité v. Montrons que la loi Gamma et la loi de Pareto sont
conjuguées, c’est-à-dire que la loi a posteriori est encore une loi Gamma.
Théorème 1.
n
X λ + xi
Ψ|X ∼ Gamma(s + n, t + ln )
i=1
λ
Preuve.
−(Ψ+1) Ψ λ Ψ+1
X|Ψ ∼ Pareto (Ψ, λ) donc : f (x) = ΨλΨ (λ + x) = λ ( λ+x )
ts e−tψ ψ s−1
Ψ ∼ Gamma(s, t) donc : v(ψ) = Γ(s)
vΨ|x (ψ|x1 , . . . , xn ) ∝ L(x1 , . . . xn |ψ) × vΨ (ψ)

n Ψ+1
Y Ψ λ ts e−tψ ψ s−1
= ( ) ·
i=1
λ λ + xi Γ(s)
Ψn λnψ ts e−tψ ψ s−1
= Qn ψ+1
·
i=1 (λ + xi ) Γ(s)

P λ+xi
s+n−1 −(t+ i ln )ψ
∝ψ e λ
La dernière
Pn ligne correspond au noyau de la densité d’une loi Gamma de paramètres s + n
et t + i ln λ+x

λ
i
. Au passage, nous avons également établi les règles de mise à jour
des paramètres s et t permettant de passer de la distribution a priori à la distribution a
posteriori.

4.2.1.2 Propriété de stabilité par seuillage

Nous allons montrer qu’une loi de Pareto tronquée à gauche demeure une loi de Pareto.
Théorème 2. Xd suit encore une loi de Pareto de paramètres (λ + d, Ψ).

Preuve.
P (Xd ≤ x) = P (X ≤ x + d|X > d)

P (d < X ≤ x + d)
=
P (X > d)
Ψ Ψ
λ λ
λ+d − λ+d+x
= Ψ
λ
λ+d
Ψ
λ+d
=1−
λ+d+x
Nous allons redéfinir Xd de sorte à inclure la limite l.

l
 si X > l + d
Xd = X − d si d < X ≤ l + d

0 si X ≤ d

Nous conservons cette définition dans la suite de cette section.
4.2.2 Expression analytique exacte du facteur de crédibilité

4.2.2.1 Notations
Venons-en à présent au modèle développé par Cockroft.
Comme précédemmment N (j) désigne le nombre de sinistres FGU reportés par les assurés
(j) (j) (j)
à l’assureur pendant la période j et Y1 , Y2 , ...., Yk les montants correspondants où k
(j)
est une réalisation de la variable N . Nous faisons les hypothèses suivantes :
(j) (j) (j)

(H1 ) ∀j Y1 , Y2 , ...., Yk sont indépendants de Nj .
(j) (j) (j)
(H2 ) ∀j Y1 , Y2 , ...., Yk sont i.i.d.
(H3 ) ∀j N (j) |Θj = θj ∼ Poisson(θj ) avec Θj ∼ Gamma(a, b).
(j)
(H4 ) ∀j ∀i Yi |Ψj = ψj ∼ Pareto(λj , ψj ) avec Ψj ∼ Gamma(s, t).
Soit Nd (j) le nombre de sinistre dépassant la priorité pendant la période j.

(j)
N
(j) (j)
X
Nd = I(Yi > d)
i=1
(j) (j)
En outre, nous notons Yd,i , i = 1, ...Nd les coûts des sinistres FGU dépassant la priorité,
(j) (j)
Xd,i , i
= 1, ...Ndles charges correspondantes pour la tranche l xs d et Z (j) la charge
agrégée de cette tranche.
(j) (j)
Xd,i = min(Yd,i , l + d) − d
(j)
Nd
(j)
X
(j)
Z = Xd,i
i=1

Comme dans la partie précédente, l’indice de période (j) est omis dans les prorpiétés et
démonstrations qui suivent.
Les propriétés démontrées précédemment sont, bien entendu, toujours valables :
∀i Xd,i ∼ Xd
Ψ
λ
Nd |Θ ∼ Poisson(Θd ) où Θd = Θ
λ+d
Θd ∼ Gamma(a, b/qd )
Nous notons Φ la paire de paramètres (Θd , Ψ) et nous désignons par er (Φ) le moment
centrale d’ordre r de la distribution de la charge agrégée Z conditionnellement à Φ.
4.2.2.2 Position du problème

Nous voulons déterminer la meilleure estimation linéaire de la prime individuelle de la
tranche l xs d, e1 (Φ) = E[Z |Φ].
Pour cela, nous allons appliquer le théorème de Bühlmann. Nous en profitons pour
rappeler l’expression de la prime de crédibilité.
[
[ = z × X̄ + (1 − z) × E[π(Θ)] où z = n σ2 E[σ 2 (Θ)]
π(Θ) avec ρ = 2 =
n+ρ τ V ar[π(Θ)]
Les équivalences de notations entre les deux modèles sont les suivantes :
Θ ∼ Φ = (Θd , Ψ)
π(Θ) ∼ e1 (Φ)
σ 2 (Φ) ∼ e2 (Φ)
En adaptant les notations, la meilleure estimation de la prime individuelle, que l’on note
\
e\
1 (Φ), peut s’écrire :
\
e\
1 (Φ) = z × Z̄ + (1 − z) × E[e1 (Φ)]
avec
σ 2 = E[e2 (Φ)]
2 2
τ 2 = V ar[e1 (Φ)] = E[e1 (Φ) ] − E[e1 (Φ)]
La suite consiste en une succession de lemmes et théorèmes permettant d’aboutir à

l’estimation voulue.
4.2.2.3 Expression des deux premiers moments
Pr r−1
πj (Ψ)E[Z r−j |Φ] pour r = 1, 2, ... où πj (Ψ) = E[Xd j |Ψ]

Lemme 3. er (Φ) = Θd j=1 j−1
Preuve.
Nous ne démontrons pas ce lemme mais la démonstration figure dans l’article de Goovaerts
datant de 1984 intitulé Insurance Premiums.

Lemme 4. e1 (Φ) = Θd π1 (Ψ) et e2 (Φ) = Θd π2 (Ψ).

Preuve.
e1 (Φ) = E[Z|Φ] = E[Nd |Θ, Ψ] × E[Xd |Ψ] = Θd π1 (Ψ)
car Nd et Xd sont des variables indépendantes.
2 2
e2 (Φ) = E[(Z − e1 (Φ)) |Φ] = E[Z 2 |Φ] − e1 (Φ) .
D’après le lemme 1 :
2
2
X 1
E[Z |Φ] = Θd πj (Ψ)E[Z 2−j |Φ]
j=1
j − 1
= Θd π1 (Ψ)E[Z|Φ] + Θd π2 (Ψ)
2
= [Θd π1 (Ψ)] + Θd π2 (Ψ)
Par conséquent on a bien : e2 (Φ) = Θd π2 (Ψ).
Lemme 5.
Ψ
E[e1 (Φ)] = (a/b)E[[λ/λ + d] π1 (Ψ)]
Ψ
E[e2 (Φ)] = (a/b)E[[λ/λ + d] π2 (Ψ)]
Preuve.
Ce lemme découle directement du précédent.
Lemme 6.
r Ψ−j !
X r r−j j λ+d
πr (Ψ) = (λ + d)r (−1) 1−
j=0
j Ψ−j λ+d+l
Preuve.
Nous renvoyons le lecteur à l’annexe C pour la démonstration de ce lemme.
Lemme 7.
∞ i X i−r
X λ+l+d 1 i−1 l
πr (Ψ) = (λ + d)r ln (−1) Ψl gr (i − l)
i=r
λ + d i! l
l=0
où
r
X r−j m
gr (m) = (−1) j
j=0
Preuve. Ψ−j
λ+d
Nous pouvons réécrire λ+d+l de la façon suivante :
Ψ−j
λ+d λ+d
= e(Ψ−j) ln( λ+d+l )
λ+d+l
∞ i
X λ+l+d (Ψ − j)i
= ln
i=0
λ+d i!
∞ i
(j − Ψ)i−1

X λ+l+d
= 1 − (Ψ − j) ln
i=1
λ+d i!

En substituant ce résultat dans l’expression de πr (Ψ) du lemme, on obtient :

r ∞ i
X
rr r−j
X λ+l+d (j − Ψ)i−1
πr (Ψ) = (λ + d) (−1) j ln
j=0
j i=1
λ+d i!
r ∞ i X i−1
X
r r r−j
X λ+l+d 1 i − 1 n−l−1
= (λ + d) (−1) j ln j (−1)l Ψl
j=0
j i=1
λ + d i! l
l=0
∞ i X i−1 r
r
X λ+l+d 1 i−1 l l
X r
= (λ + d) ln (−1) Ψ (−1)r−j j i−l
i=1
λ + d i! l j=0
j
l=0
| {z }
=gr (i−l)
Or, si m < r, gr (m) = 0, on peut donc réécrire la somme infinie de sorte à retrouver
l’expression du lemme.
Théorème 8. E[er (Φ)] pour r = 1, 2 est donné par :

∞ i X i−r l
i − 1 (−1) gr (i − l)Γ(s + l)ts

a r
X λ+l+d 1
E[er (Φ)] = (λ + d) ln s+l
b i=r
λ+d i! l Γ(s) t + ln( λ+d )

l=0 λ
Preuve.
D’après le lemme précédent :
∞ i−r
i X
X
r λ+l+d i−1 l
πr (Ψ) = (λ + d) ln (−1) Ψl gr (i − l)
i=r
λ + d l
l=0
En substituant ce résultat dans les expressions de E[e1 (Φ)] et de E[e2 (Φ)] du lemme , on a
pour r = 1, 2 :
∞
" Ψ i X i−r #
a λ r
X λ+l+d 1 i−1 l l
E[er (Φ)] = E (λ + d) ln (−1) Ψ gr (i − l)
b λ+d i=r
λ+d i! l
l=0
∞ i X i−r " Ψ #
a r
X λ+l+d 1 i−1 l λ
= (λ + d) ln (−1) gr (i − l)E Ψl
b i=r
λ + d i! l λ + d
l=0
Comme Ψ est distribué selon une Gamma de paramètres (s, t), la propriété suivante est
vérifiée :
Γ(s + u)ts
E(Ψu e−νΨ ) = s+u
Γ(s)(t + ν)
Et par conséquent :
∞ i X i−r l
i − 1 (−1) gr (i − l)Γ(s + l)ts

a r
X λ+l+d 1
E[er (Φ)] = (λ + d) ln s+l
b i=r
λ+d i! l Γ(s) t + ln λ+d

l=0 λ
4.2.2.4 Calcul du facteur de crédibilité

Les théorèmes et lemmes précédents ont permis d’aboutir à une expression analytique des
deux premiers moments. Pour hobteniriune expression analytique du facteur de crédibilité,
2
il nous faut encore calculer E e1 (Φ) .
2
Lemme 9. e1 (Φ) peut s’écrire :
2 2Ψ Ψ−1 !2
2 a(λ + d) λ 1 λ+d
e1 (Φ) = 2 1−
b λ+d (Ψ − 1) λ+d+l

Preuve.
D’après le lemme 5,
Ψ
a λ
e1 (Φ) = π1 (Ψ)
b λ+d
D’après le lemme 6,
Ψ 1 Ψj !
a λ X 1 j λ+d
e1 (Φ) = (λ + d) (−1)j 1−
b λ+d j=0
j Ψ−j λ+d+l
Donc Ψ Ψ1 !
a λ 1 λ+d
e1 (Φ) = (λ + d) 1−
b λ+d Ψ−1 λ+d+l
En élevant cette expression au carré, on retrouve l’expression du lemme.
2
Théorème 10. E[e1 (Φ) ] peut s’écrire :
2 ∞ i X i−1
ts X

2 a(λ + d) λ+l+d 1 i−1 l
E[e1 (Φ) ] = ln (−1)
b Γ(s) i=1 λ+d i! l
l=0
∞
!
X Γ[1; s + j + l, t + 2 ln λd ]
×{ Γ(1; s, t)Γ(s + j + l) − s+j+l
j=0 [t + 2 ln λd ]
∞
X λ + l + d Γ[1; s + j + l, t + ln λd + ln λu ]
+ Γ(1; s, t)Γ(s + j + l) s+j+l
j=0
λ+d [t + ln λd + ln λu ]
∞
X Ωj [1; s + l, t + 2 ln λd ]
+ [1 − Γ(1; s, t)]Γ(s + l) s+l
j=1 [t + 2 ln λd ]
∞
X λ + l + d Ωj [1; s + l, t + ln λd + ln λu ]
− [1 − Γ(1; s, t)]Γ(s + l) s+l
}
j=1
λ+d [t + ln λd + ln λu ]
où Ωj (x; s, t) = E Ψ−j |Ψ > x; s, t et où Γ(x, s, t) désigne la fonction de répartition de la

loi Gamma.
Preuve.
La démonstration de ce théorème étant asez longue et n’étant pas essentielle pour la
compréhension globale du mémoire, nous renvoyons le lecteur intéressé à l’article de
Cockroft, Clark et Peacok [7].
Ces derniers démontrent, notamment, que Ωj (x; s, t) satisfait la forumule de récurrence

suivante :
1 ts e−tx x−j+s t
Ωj (x; s, t) = − Ωj−1 (x; s, t)
j−s Γ(s) j−s
avec j > 0 si s ∈
/N
et j > s si s ∈ N
Ω0 (x; s, t) = 1 − Γ(x; s, t)
Z ∞ −tΨ
ts e
Ωs (x; s, t) = dΨ
Γ(s) x Ψ

Les lemmes et les théorèmes précédents ont donc permis d’obtenir une expression analy-
tique du facteur de crédibilité :
n E[e2 (Φ)]
z= avec ρ = 2 2.
n+ρ E[e1 (Φ) ] − E[e1 (Φ)]
Il faut préciser, néanmoins, que la prime de crédibilité calculé par le biais du modèle
de Cockroft est le meilleur estimateur linéaire de la prime individuelle mais ce n’est pas
nécessairement le meilleur estimateur de cette prime puisque le meilleur estimateur est
l’estimateur bayésien et que rien ne nous prouve que ces deux estimateurs soient confon-
dus.
4.2.3 Implémentation informatique

Certes, le modèle précédent fournit une formule analytique exacte pour le calcul du facteur
de crédibilité. Cependant cette expression est loin d’être simple, le terme E[e1 (Φ)2 ], à lui
seul, fait intervenir cinq sommes infinies. Cette approche nécessite donc une program-
mation importante et le facteur de crédibilité ne pourra jamais être calculé exactement.
Nous l’avons tout de même programmée pour un nombre d’itérations fini. Par ailleurs,
Ωs (x; s, t) n’étant pas facile à calculer, nous avons supposé que s n’est jamais un entier
naturel. Pour tester notre programme pour un certain s ∈ N, il suffira de le tester pour un
réel suffisamment proche de s.
On se rend compte en faisant varier les paramètres du modèles a, b, s, t et le nombre

d’itérations que le programme converge relativement vite. Au bout d’une vingtaine ité-
rations, tout au plus, la valeur du facteur de crédibilité se stabilise. Notons que rien ne
garantit la convergence. Cependant, le programme semble converger systématiquement.
0.3 0.3
0.2 0.2
z
0.1 0.1
15
4e+06
1e+06 5
es
10
né
3e+06
an
d'
2e+06
e
br
Pr
om
es
ior 10
né
N
Pr ité 2e+06
an
ior 5
i 3e+06
d'
té
e
br
om
N
1e+06
4e+06 15
F IGURE 4.3 – Facteur de crédibilité en fonction de la priorité et du nombre d’années pour un seuil
égale à 0.5 M selon deux angles différents

Comme pour le modèle purement fréquentiel, vérifions que ce que renvoie notre pro-
gramme est crédible. En particulier, vérifions que le facteur de crédibilité augmente
lorsque la longueur de l’historique augmente et diminue lorsque la priorité augmente.
La figure 4.3 représente le graphique 3D que l’on obtient lorsque l’on fait varier simultané-
ment la priorité de 0.7 M à 4 M, la longueur de l’historique de une à quinze années, pour
un seuil de modélisation égal à 0.5 M et les paramètres de structure suivants : a = 1.86,
b = 1.6, s = 9.1 et t = 2.7. Le facteur de crédibilité varie entre 0 et 0.4 et vérifie bien
les deux propriétés évoquées précédemment. Si on considère maintenant un seuil plus
élevé (toujours inférieur à la priorité), égale à 0.65 M, on obtient un graphique légèrement
différent. En particulier, il n’est plus vrai que le facteur de crédibilité ne fait que diminuer
avec la priorité. En effet, il augmente d’abord légèrement jusque 1.5 M puis diminue
ensuite comme dans le graphique précédent. Ce phénomène est en fait justifié et n’est pas
très étonnant si on se rappelle ce qui a été expliqué dans la partie 2.2.3 concernant le
choix du seuil de modélisation. Il sera plus crédible d’utiliser un seuil égale à 0.65 M pour
coter un traité de priorité 1 M ou 1.5 M plutôt que pour coter un traité de priorité égale à
0.7 M.
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
15
4e+06
1e+06 5
es
10
né
3e+06
an
d'
2e+06
e
br
Pr
om
ior 10 es
né
N
Pr ité 2e+06
an
ior 5
i 3e+06
d'
té
e
br
om
N
1e+06
4e+06 15
F IGURE 4.4 – Facteur de crédibilité en fonction de la priorité et du nombre d’années pour un seuil
égale à 0.65 M selon deux angles différents
4.2.4 Mise en oeuvre du modèle

Autant l’implémentation informatique est complexe, autant le fonctionnement général du
modèle est simple. Car, contrairement au modèle purement fréquentiel, on peut, sans état
d’âme, appliquer le facteur de crédibilité aux taux purs.

Cédante que l’on

souhaite tarifer Marché
Agrégation des
“données cédantes”
extrapolation extrapolation
Statistiques ultimes
Sinistres corrigés de l’inflation, des IBNR,. . .
λ λ
θˆc , αˆc λ profil de risque θˆm , αˆm λ
Θ ∼ Gamma(a, b)
Ψ ∼ Gamma(s, t)
Simulations Simulations
stochastiques stochastiques
nc
zcd,l = nc +ρ
• • • • • • • •
• • • •
• • • • • •
cf algorithme page 18 cf algorithme page 18
πˆc d,l πˆm d,l
π̂ d,l = zcd,l × πˆc d,l + (1 − zcd,l ) × πˆm d,l
F IGURE 4.5 – Schéma représentant le fonctionnement du modèle bayésien fréquence/sévérité
4.3 Calibration des modèles précédents

La calibration des modèles de crédibilité bayésienne étudiés précédemment consiste en l’es-
timation des hyperparamètres a, b, s et t. Il n’existe pas de paramétrisation théoriquement
correcte des deux modèles précédents par contre il existe plusieurs méthodes conduisant à
des paramètres a priori plausibles. Nous allons présenter une approche “subjective” et une
approche “objective”.
4.3.1 Calibration empirique

Cette méthode consiste à estimer les hyperparamètres empiriquement sur le collectif. L’idée
est de rassembler toutes les informations dont l’on dispose sur les cédantes constituant le

marché et de les modéliser par une distribution Gamma plausible. Il s’agit d’une approche
subjective.
Dans leur article, Gary Patrik et Isaac Mashitz [21] propose à l’adresse des actuaires
et souscripteurs un questionnaire à points basé sur la qualité des données, l’évolution
de la composition du portefeuille cédante,. . . . Selon l’intervalle dans lequel se trouve le
total des points accumulés à l’issu du questionnaire, des paramètres a et b sont proposés.
Néanmoins ce questionnaire et les études sous-jacentes datent de 1990, il n’est pas donc
pas sûr qu’ils soient encore d’actualité aujourd’hui. En outre, nous cherchons une méthode
plus fine et plus fiable qu’une procédure qui conduirait à l’utilisation systématique de
certains paramètres.
Une idée qui ne semble pas absurde est d’estimer les paramètres des lois Gamma par
la méthode des moments en utilisant les estimations des paramètres de fréquence et
d’intensité de chaque cédante. Soit un marché constitué de l cédantes.
Fréquence Sévérité
1 θ1 ψ1
.. .. ..
. . .
l θl ψl
TABLE 4.1 – Paramètres des lois Poisson et Pareto pour les cédantes du marché
On obtient les hyperparamètres a, b, s et t en résolvant les deux systèmes d’équations

suivant :
l
a 1X
E[Θ] = = θk = θ̄
b l
k=1
l
a 1 X 2
V ar[Θ] = 2
= (θk − θ̄)
b l−1
k=1
l
s 1X
E[Ψ] = = ψk = ψ̄
t l
k=1
l
s 1 X 2
V ar[Ψ] = = (ψk − ψ̄)
t2 l−1
k=1
Cependant, cette méthode suppose de travailler avec un marché pour lequel on dispose de
suffisamment de cédantes. Par ailleurs, il pourrait être également intéressant de prendre
en considération les données d’exposition (les assiettes de prime, les nombres de polices à
la fin de chaque exercice,. . . ) dans le calcul des paramètres a priori.
Il également possible de se contenter d’une estimation des paramètres a et b et d’es-

sayer, par tatônnement, différents jeux de paramètres (s, t), pour lesquels le programme
de Cockroft converge, jusqu’à obtenir des résultats plausibles.
4.3.2 Calibration par simulations

Il s’agit de l’approche objective. Pour cette méthode, nous supposons que nous ne disposons
pas d’informations a priori.

4.3.2.1 Règles de mise à jour des paramètres

En 3.3.4, nous avons établi des règles de mise à jour des hyperparamètres de la loi Gamma
modélisant Θ et en 4.2.1 celles des hyperparamètres de la loi Gamma modélisant Ψ. A
présent, nous allons déterminer les règles de mise à jour des paramètres de la distribution
jointe a posteriori.
Dans les formules suivantes, les périodes correspondent aux indices supérieurs et les
numéros des sinistres aux indices inférieurs. Supposons que l’on dispose de k années
d’historique, les variables N et X étant supposées indépendantes, on a :
k
(j) (j)
Y
fΘ,Ψ|N,X (θ, ψ|nj ,x1 , . . . , x(j)
n ,j = 1...k) ∝ L(nj |θ) × L(x1 , . . . , x(j)
n |ψ) × uΘ (θ) × vΨ (ψ)
j=1
k nj
!ψ+1
Y θnj e−θ Y ψ λ ba e−bθ θa−1 ts e−tψ ψ s−1
= (j)
j=1
nj ! i=1 λ λ + xi Γ(a) Γ(s)
θm e−kθ Y ψ nj λnj ψ ba e−bθ θa−1 ts e−tψ ψ s−1
= Q ψ+1
j nj ! j (j) Γ(a) Γ(s)
Q
i (λ + xi )
θm e−kθ m mψ ln(λ) −(ψ+1) Pj Pi ln(λ+x(j)
i )
ba e−bθ θa−1 ts e−tψ ψ s−1
= Q ψ e e
j nj ! Γ(a) Γ(s)
!!
(j)
λ+x )
i
P P
t+ j i ln λ ψ
∝ θa+m−1 e−(b+k)θ ψ s+m+1 e
Pk
où m = j=1 nj
Ce résultat n’est pas surprenant, la distribution jointe a posteriori est le produit de la

distribution a posteriori des nombres de sinistres et de la distribution a posteriori des
montants de sinistres.

(j)
λ+xi
Posons yij = ln λ , nous venons d’établir les règles de mise à jour des hyper-
paramètres pour le modèle agrégé :
Prior Posterior
a a+m
b b+k
s s+m
P
t t + ij yij
Nous pouvons donc mettre à jour séparemment les hyperparamètres a et b de Θ et les

hyperparamètres s et t de Ψ dans la mesure où :
Ψ|X, N, Θ ∼ Ψ|X
Θ|X, N, Ψ ∼ Θ|N
4.3.2.2 Echantillonnage de Gibbs

L’algorithme de Gibbs Sampling permet de simuler un échantillon de réalisations d’une
variable aléatoire pour laquelle on ne dispose pas d’une expression analytique simple de
l’inverse de la fonction de répartition. En particulier, grâce à cet algorithme, il est possible
de simuler des échantillons de distributions dépendant de paramètres inconnus. Ce qui en
fait un outil particulièrement adapté aux statistiques bayésiennes.

Nous allons utiliser cet algorithme pour simuler de nombreuses réalisations de Θ et

de Ψ. Ce qui nous permettra d’obtenir une estimation fiable des paramètres des lois
Gamma choisies a priori pour la modélisation.
L’échantillonnage de Gibbs sampling repose sur le théorème de convergence des chaînes de

Markov. Mais nous n’entrerons pas ici dans les détails mathématiques, nous nous conten-
terons de décrire les grandes étapes de l’algorithme dans le cas bidimensionnel puisque
c’est ce cas qui nous intéresse. Soit donc deux variables X et Y dont on connait la loi
jointe f et les lois conditionnelles, fx|y et fy|x , l’échantillonneur de Gibbs se réduit en fait à :
Algorithme-Gibbs Sampling dans le cas bidimensionnel.
Entrée : x0 , fx|y , fy|x .

Sortie : (xt , yt )t un échantillon aléatoire de (X, Y ).
for t ←− 1, . . . , N
. yt ∼ fy|x (·|xt−1 )
. xt ∼ fx|y (·|yt )
end for
(xt )t , (yt )t et (xt , yt )t sont des chaînes de Markov. Nous ne définissons pas ce terme ma-
thématiquement mais nous aurons l’occasion de l’employer par la suite. Bien entendu,
l’algorithme ci-dessus sera plus facile à mettre en oeuvre dans le cas où les lois de X et
de Y sont conjuguées. En effet, il suffira alors de mettre à jour les paramètres des lois
conjuguées à chaque itération.
Adaptons cet algorithme aux cadres des modèles Poisson/Gamma et Poisson/Pareto/-

Gamma étudiés dans les chapitres et parties précédents.
Dans le cadre du modèle Poisson-Gamma, nous disposons d’un historique de longueur

0
k, n(0) = (n1 , . . . , nk )0 qui est une réalisation du vecteur N = (N1 , . . . , Nk ) dont chaque
composante suit conditionnellement à Θ une loi de Poisson de paramètre Θ : ∀1 ≤ i ≤
k, Ni |Θ ∼ Poisson(Θ). Par ailleurs, nous avons choisi une distribution Gamma comme loi
a priori dont nous cherchons justement à calibrer les paramètres. Pour modéliser le fait que
nous ne disposons d’aucune information a priori, nous allons supposer, par exemple, que
Θ ∼ Gamma(1, 0.0001). En effet, la variance de cette distribution est égale à 108 . Cette
distribution a priori n’influencera donc que très peu la distribution a posteriori. La partie
itérative de l’algorithme précédent devient :
for t ←− 1, . . . , N
θ(t) ∼ uΘ|N (·| n(t−1) )

n(t) ∼ Poisson(θ(t) )
end for
Le cas du modèle Poisson/Pareto/Gamma n’est pas plus compliqué. Dans le cadre de

ce modèle, nous disposons d’un vecteur d’observations x(0) = (x1 , . . . , xn )0 qui est une
réalisation du vecteur X = (X1 , . . . , Xn )0 dont chaque composante suit, conditionnelle-
ment à Ψ, une loi de Pareto de paramètre Ψ : ∀1 ≤ i ≤ n, Xi |Ψ ∼ Pareto(Ψ, λ), λ étant
le seuil de modélisation choisi au préalable. Du vecteur x(0) , nous pouvons déduire un
vecteur n(0) = (n1 , . . . , nk )0 où k est la longueur de l’historique. Comme dans le modèle
Poisson/Gamma, il s’agit d’une réalisation du vecteur N dont chaque composante suit
conditionnellement à Θ une loi Gamma. Nous supposons que Θ et Ψ sont tous deux
distribués selon une loi Gamma(1, 0.0001). L’algorithme de Gibbs Sampler devient :
for t ←− 1, . . . , N

(θ(t) , ψ (t) ) ∼ fΘ,Ψ|N,X (.| x(t−1) , n(t−1) )

n(t) ∼ Poisson(θ(t) )
x(t) ∼ Pareto(ψ (t) )
end for
En sortie de ces algorithmes et après plusieurs milliers d’itérations (nous discuterons

par la suite le nombre d’itérations permettant d’assurer la convergence de l’algorithme),
nous disposons d’un échantillon (θ(t) )t de Θ dans le cas du modèle Poisson/Gamma et d’un
échantillon (θ(t) , ψ (t) )t de (Θ, Ψ) dans le cas du modèle Poisson/Pareto/Gamma. Nous
pouvons vérifier qu’il s’agit d’échantillons de loi Gamma dont nous pouvons estimer les
paramètres.
4.3.3 Mise en oeuvre sur un exemple simple

Dans cette section, nous allons travailler sur les données utilisées par Rytgaard [31] dans
son article intitulé Estimation in The Pareto Distribution publié en 1990. Il s’agit de données
transmises à un réassureur et issues d’un portefeuille automobile. Seuls les sinistres dépas-
sant 1.5 million ont été reportés et cela sur une période de 5 ans. Il s’agit des montants de
sinistres indexés.
1 2 3 4 5
2.495 1.985 3.215 _ 19.180
2.120 1.810 2.105 _ 1.915
2.095 1.625 1.765 1.790
1.700 _ 1.715 _ 1.755
1.650 _ _ _ _
TABLE 4.2 – Données issues d’un portefeuille automobile et extraites de l’article de Rytgaard [31]
Nous allons appliquer l’algorithme de Gibbs pour calibrer un modèle Poisson/Pareto/-

Gamma sur ces données. Nous allons recourir au logiciel libre WinBUGS (BUGS pour
“Bayesian Inference Using Gibbs Sampling”) qui a été conçu en 1989 par des biostatisticiens
de Cambridge tout spécialement pour résoudre des problèmes de statistiques bayésiennes
complexes. En outre, il est possible d’exporter les résultats obtenus sur WinBUGS vers R
par l’intermédiaire du package R2WinBUGS.
Nous devons indiquer à winBUGS, les vecteurs des observations x = (2.495, 2.120, 2.095,
1.700, 1.650, 1.985, 1.810, 1.625, 3.215, 2.105, 1.765, 1.715, 19.180, 1.915, 1.790, 1.755)0 et
n = (5, 3, 4, 0, 4)0 , les lois Gamma choisies a priori, Gamma(1, 0.0001) et nous devons
également spécifer des valeurs intiales θ0 et ψ0 . Le code WinBUGS utilisé se trouve dans
l’annexe D.
Afin de contrôler la convergence, nous allons faire tourner trois chaînes de Markov en pa-
rallèle, pour chaque paramètre, en spécifiant des valeurs initiales différentes pour chaque
chaîne. Les valeurs intiales choisies pour la chaîne 3 correspondent aux estimateurs θ̂M V
et ψ̂M V de θ et ψ calculés par maximum de vraisemblance dans le cadre de la statistique
classique où l’on considère θ et ψ constants.
Nous nous attendons à ce que les trois chaînes convergent vers la même valeur au
bout de plusieurs milliers d’itérations. Le graphique ci-dessous représente les trois chaînes
obtenues pour le paramètre θ après 40 000 itérations (les 20 000 premières itérations ne
sont pas affichées).

Chaîne no 1 2 3
θ0 2 0.90 3.2
ψ0 1000 2 2.47
6
5
4
3
2
1 TABLE 4.3 – Valeurs intiales des trois chaînes de Markov
20000 25000 30000 35000 40000
F IGURE 4.6 – Les trois chaînes de Markov obtenues pour le paramètre θ
Pour alléger le graphique précédent, nous allons afficher les chaînes (θt+100 )t .
6
5
4
3
2
1
200 250 300 350 400
F IGURE 4.7 – Les trois chaînes de Markov obtenues pour le paramètre θ en n’affichant qu’une
itération sur 100
Comme nous pouvons le constater, les chaînes semblent quasiment confondues. Il existe
une méthode plus précise permettant de vérifier la convergence. Il s’agit du test de Brooks-
Gelman-Rubin. Ce test compare les variations à l’intérieur et entre les chaînes. Pour cela,
il calcul un ratio correspondant grossièrement aux variations internes divisées par les
variations externes. Si ce ratio tend vers 1 alors on peut affirmer qu’il y a convergence de
toutes les chaînes de Markov vers une unique distribution. Dans le cas de notre exemple,
la convergence est évidente.

1.025
1.020
1.015
1.010
1.005
1.000
150 200 250 300 350 400 450 500
F IGURE 4.8 – Résultat du test de Brooks-Gelman-Rubin
C’est la “magie” de l’algorithme de Gibbs : peu importe la loi a priori, on converge vers
la vraie valeur. Après 40 000 itérations de nos trois chaînes combinées, nous obtenons les
estimations a posteriori suivantes :
Moyenne a posteriori Ecart-type a posteriori Intervalles de crédibilité bayésien à 95%

θ 3.399 0.8256 [1.985, 5.2]
ψ 2.624 0.635 [1.53, 4.011]
TABLE 4.4 – Estimations des paramètres du modèle Poisson-Pareto
Nous constatons que la moyenne et l’écart-type de la distribution d’équilibre sont proches

des estimations obtenues par maximum de vraisemblance. Par ailleurs, nous remarquons
qu’à cause du peu de données dont nous disposons, les intervalles bayésiens à 95% sont
relativement larges.
Nous pouvons également tracer les densités des distributions d’équilibre :

θ ψ
0.5
0.6
0.4
0.5
0.3
0.4
0.3
0.2
0.2
0.1
0.1
0.0
0.0
1 2 3 4 5 6 7 1 2 3 4 5 6
F IGURE 4.9 – Histogrammes et densités obtenues à l’équilibre pour le paramètre θ à gauche et pour
le paramètre ψ à droite
Les densités a posteriori ressemblent bien à des distributions Gamma. Ce que peut confir-
mer un QQplot.
Q−Q plot Q−Q plot

6
7
5
6
Empirical quantiles
4
5
4
3
3
2
2
1 2 3 4 5 6 7 1 2 3 4 5 6
Theoretical quantiles Theoretical quantiles
F IGURE 4.10 – QQ-plot. En ordonnées on trouve les quantiles empiriques et en abscisses les quantiles
théoriques
Enfin, il ne nous reste plus qu’à estimer les paramètres de ces lois Gamma. Au choix, nous
pouvons utiliser la méthode des moments ou la méthode du maximum de vraisemblance
via la fonction fitdist du package fitdistrplus de R par exemple. Ces deux mé-
thodes conduisent à des résultats sensiblement identiques.
a = 16.58
b = 4.87
s = 17.01
t = 6.50

4.4 Limites des modèles bayésiens

Mise à part la calibration des modèles de crédibilité, qui nous l’avons vu, peut se révéler
quelque peu hasardeuse, les modèles de crédibilité bayésienne présentent un certain
nombre de limites.
4.4.1 Une mise en oeuvre critiquable

Sous réserve que les hypothèses énoncées à la page 45 soient vérifiées, le théorème de
Bühlmann s’énonce comme suit :
[
[ = z × X̄ + (1 − z) × π0
π(Θ)
Où X̄ et π0 sont les estimateurs de la prime individuelle et de la prime marché respective-

ment.
En particulier, pour le modèle fréquence/sévérité, nous avons montré que :

∞ i X i−1 l
(−1) Γ(s + l)ts

a X λ+l+d 1 i−1
π0 = E[e1 (Φ)] = (λ + d) ln s+l
b i=1
λ+d i! l Γ(s) t + ln( λ+d )

l=0 λ
Par conséquent, pour ce modèle, le taux marché pourrait être estimé approximativement
à partir des hyperparamètres, a, b, s, t, issus de la calibration. On pourrait donc utiliser
ce modèle comme un outil de tarification à part entière, indépendamment des outils de
tarification existants qui calculent les estimateurs des taux de primes stochastiquement.
Néanmoins, l’estimateur empirique X̄ ne donne des résultats satisfaisants que pour les
tranches travaillantes. Or, nous voulons justement appliquer ces modèles pour les tranches
non travaillantes peu sinistrées. C’est pourquoi nous avons préféré, même si cela n’est
pas complétement rigoureux, utiliser les modèles bayésiens pour déterminer le facteur de
crédibilité uniquement et utiliser les outils de tarification pour estimer les taux de primes
stochastiquement, comme expliqué dans les schémas 4.2 et 4.5.
4.4.2 Des modèles reposant sur une hypothèse contraignante

Les deux modèles bayésiens présentés dans ce chapitre imposent les lois modélisant la
fréquence et le coût des sinistres, les lois Poisson et Pareto en l’occurrence. Or, si ces
distributions s’avèrent largement utilisées en pratique, les tests de comparaison de modèle
montrent que parfois certaines lois sont plus adaptées. En particulier, dans certains cas, il
est préférable de recourir à une loi binomiale négative plutôt qu’à une loi de Poisson ou à
une loi de Pareto généralisée plutôt qu’à une loi de Pareto.
4.4.3 Des modèles incomplets

Enfin, nous avons vu que la prime de crédibilité pouvait s’écrire comme suit :
2
σh2 σ
π(Θ
ci ) = X̄i + 2 X̄i 2 π0
c
2 2
σh + σX̄i σh + σX̄i
Ainsi, les modèles précédents prennent bien en considération l’hétérogénéité du porte-

feuille marché σh2 et l’erreur commise lors de l’estimation de la prime pure σX̄
2
i
mais qu’en
est-il de l’erreur commise lors de l’estimation de la prime marché et de la corrélation
pouvant exister entre les données de la cédante et les données agrégées ?

Chapitre 5
Crédibilité des Incertitudes
5.1 Le modèle de Bonche et Parodi

5.1.1 Contexte général
Il s’agit d’une nouvelle méthode non bayésienne développée par Stéphane Bonche et
Pietro Parodi [27] pour pallier aux limites des modèles de Bühlmann et Bühlmann-Straub.
Cette approche cherche à modéliser les incertitudes inhérentes au processus de cotation
pour calculer le facteur de crédibilité le plus fiable possible. La prime pure fondée sur
l’expérience est affectée par plusieurs sources d’incertitudes, la plus évidente est la taille
limitée de la base de données des pertes historiques associées au client que l’on veut
tarifer. En outre, bien que le taux marché soit généralement calculé à partir d’un ensemble
de données plus conséquent que le taux d’expérience, il est aussi basé sur une base de
données de pertes de taille limitée et est donc affecté par le même type d’incertitude.
Nous allons nous contenter de décrire brièvement ce nouveau modèle dans la mesure où il
est exposé avec force détails dans l’article de Bonche et Parodi. Par contre, nous insisterons
davantage sur la façon dont nous avons appliqué le modèle étant donné que cela résulte
souvent de choix personnels. Dans la suite de cette partie, nous utilisons l’écart-type d’un
estimateur comme mesure de l’incertitude liée à cet estimateur (ie comme mesure de
l’erreur commise lors de l’estimation).
5.1.1.1 Cadre et notations

Dans un premier temps, on ne se place pas nécessairement dans le cadre d’une compagnie
de réassurance. Soit un client dont on cherche à tarifer le contrat. Notons πc , πm les taux
de prime respectivement du client et du marché et π bc , π
bm les estimateurs associés. Enfin,
nous désignons par πb, le taux de prime crédibilisé, qui s’exprime comme une combinaison
convexe des deux estimateurs définis précédemment :
b =z×π
π bc + (1 − z) × π
bm
En outre, nous notons σc et σm les écart-types, respectivement, de l’estimateur de la prime

du client et de l’estimateur de la prime marché :
σc = V ar(b
πc )
σm = V ar(b
πm )
Enfin, nous notons σh une mesure de l’hétérogénéité du marché. σh est équivalent au τ

de l’approche bayésienne, il mesure la dispersion des différents clients du portefeuille
considéré autour de la valeur marché moyenne.

Le modèle développé par Bonche et Parodi repose sur quatre hypothèses qui sont les
suivantes :
1. π
bm = πm + σm εm
2. πc = πm + σh εh
3. π
bc = πc + σc εc
4. E[εm εh ] = 0, E[εc εh ] = 0 et E[εc εm ] = ρm,c
Où εm , εh et εc sont trois variables aléatoires centrées réduites :
E[εm ] = E[εh ] = E[εc ] = 0

E[ε2m ] = E[ε2h ] = E[ε2c ] = 1
Et où ρm,c modélise la corrélation entre les données du client et les données marché.
5.1.1.2 Expression du facteur de crédibilité

Sous les quatre hypothèses énoncées précédemment, onhpeut montrer i que le facteur de
2
π − πc ) est de la forme :
crédibilité qui minimise l’erreur quadratique moyenne E (b
σh2 + σm
2
− ρm,c σm σc
z= 2
σh + σm + σc2 − 2ρm,c σm σc
2
La démonstration de ce résultat est directe et détaillée dans l’article de Bonche et Parodi.
Nous pouvons montrer facilement que : z ≤ 1 ⇔ σm ≤ σc
Or, le taux marché étant estimé à partir d’un échantillon beaucoup plus important que
celui utilisé pour calculé le taux de prime du client, il est logique que σm soit inférieur à
σc . Par conséquent, le facteur de crédibilité ainsi défini est toujours inférieur ou égal à 1.
Par ailleurs, si l’on pose σm = 0 et ρm,c = 0, on retrouve l’expression du facteur de

crédibilité du modèle de Bühlmann. En outre, nous constatons que plus la corrélation entre
les données du client et les données du marché est élevée, plus le facteur de crédibilité
augmente. Ce qui est logique puisque plus la corrélation est élevée, plus le client participe
à la base données de pertes du marché et donc moins le marché fourni d’informations
supplémentaires utiles pour la tarification du client. Lorsque σh2 , σc2 et σm
2
valent respective-
ment et à une (même) constante près 120, 83 et 0.96, on peut tracer le graphique suivant :
z
1
0.6
0.5
0 1 ρm,c
F IGURE 5.1 – Evolution du facteur de crédibilité z en fonction de ρm,c .
De plus, dans le cas où le client que l’on veut tarifer ne fait pas parti du marché, la

corrélation ρm,c peut être supposée nulle et le facteur de crédibilité devient :
σh2 + σm
2
z=
σh2 + σm + σc2
2
Bien entendu, en pratique, σh , σm , σc et ρm,c sont inconnus et doivent être estimés

à partir des données. On note sh , sm , sc et rm,c les estimations respectives. Le facteur de
crédibilité peut alors se réécrire :
s2h + s2m − rm,c sm sc

z≈
s2h + s2m + s2c − 2rm,c sm sc
5.1.2 Application à la réassurance

5.1.2.1 Formule générale
Nous pouvons aisément transposer les notations et formules précédentes au cadre de la
réassurance. Nous conservons les notations précédentes mais nous ajoutons d, l en indice
supérieur pour suggérer qu’il s’agit des taux de prime de la tranche l xs d que l’on cherche
à coter.
b = z d,l × π
π d d,l + (1 − z d,l ) × π
c
d d,l
m
On peut montrer facilement,

comme précédemment, par minimisation de l’erreur quadra-
2
tique moyenne E π dd,l − π d,l que :
c
2 2
d,l
(σhd,l ) + (σm
d,l
) − ρd,l d,l d,l
m,c σm σc
z = 2 2 2
(σhd,l ) + (σm
d,l
) + (σcd,l ) − 2ρd,l d,l d,l
m,c σm σc
5.1.2.2 Modèle fréquentiel

Le problème devient sensiblement plus simple lorsque l’on peut supposer que la distribu-
tion décrivant l’intensité des sinistres ne varie pas beaucoup d’un client à l’autre. Quand
cette hypothèse se trouve vérifiée (ce qui est souvent le cas), nous avons uniquement
besoin d’appliquer la crédibilité aux paramètres de fréquence et l’expression du facteur de
crédibilité se simplifie grandement.
Parodi et Bonche ont démontré que dans ce cas particulier le facteur de crédibilité
z d,l ne dépend pas de la tranche [d; d + l] et peut s’écrire :
2 2
(σhθ ) + (σm
θ
) − ρθm,c σm
θ θ
σc
z d,l = z = 2 2 2
(σhθ ) + (σm
θ ) + (σ θ ) − 2ρθ σ θ σ θ
c m,c m c
Où σcθ , σm
θ
sont les erreurs commises lors de l’estimation des paramètres de fréquence de
la cédante et du marché respectivement et où σhθ modèlise l’hétérogénéité fréquentielle du
marché.
A nouveau, nous renvoyons le lecteur qui souhaiterait consulter la démonstration de

ce résultat à l’article [27].
Bien que ce facteur de crédibilité soit calculé uniquement à partir des nombres de si-
nistres de l’ensemble des cédantes du marché, il s’applique aux taux de primes.

5.2 Modélisation de la corrélation et des incertitudes

5.2.1 Incertitudes relatives au taux de prime du client et au taux
marché
Les estimations de la prime individuelle et de la prime marché sont affectées principalement
par trois sources d’incertitudes :
− L’incertitude liée au modèle. Le modèle fréquence/sévérité choisi ne sera pas une
réplique parfaite de la réalité. Cette incertitude est difficile à quantifier.
− L’incertitude liée à la calibration du modèle. Les paramètres du modèle sont estimés
à partir des données disponibles et ne sont donc connus qu’approximativement.
− L’incertitude liée aux données. En branches longues notamment, les données dont
l’on dispose ne sont en général que des estimations des montants finaux que devra
payer la compagnie d’assurance. Plus les données à disposition sont incertaines, plus
la calibration du modèle sera incertaine.
Dans la suite du mémoire, nous nous focaliserons sur l’incertitude des paramètres des lois
de fréquence et de sévérité retenus au cours de la modélisation. Nous ne nous occuperons
pas des incertitudes liées au modèle et aux données. En particulier, nous supposerons que
le modèle Poisson/Pareto est systématiquement choisi et validé.
Nous allons utiliser une approche bootstrap afin d’estimer, par le biais de simulations,
les erreurs liées aux estimations des taux de prime du client et du marché. Le bootsrap
désigne un ensemble de méthodes consistant à faire de l’inférence statistique sur de
“nouveaux” échantillons tirés à partir d’un échantillon initial. Il est naturel d’avoir recours
à cette méthode car elle est souvent utiliser pour obtenir des intervalles de confiance
d’estimateurs dont la distribution est inconnue.
Soit un échantillon de n réalisations, x1 , x2 , . . . , xi , . . . , xn de variables aléatoires indépen-

dantes et identiquement distribuées. Nous effectuons n tirages avec remise de sorte à obte-
nir un nouvel échantillon de même taille que l’échantillon initial : x∗1 , x∗2 , . . . , x∗i , . . . , x∗n .
Nous itérons cette opération de nombreuses fois et à chaque itération, nous estimons la
statistique d’intérêt. Enfin, à partir de la distribution bootstrap des statistiques d’intérêt,
nous calculons un écart-type. Le schéma ci-dessous illustre cette procédure dans le cas où
la statistique d’intérêt est le paramètre de fréquence.
x1
∗(N ) θ ∗N
∗(N )
x2
.
.
Client ou marché x1
∗(3) θ ∗3
.
x1
....
. ∗(2)
x1 θ ∗2
x2 n tirages Ecart-type
.
. avec remise
∗(N )
xn ∗(1)
x1
∗(1)
sθ
. x2
.
θ ∗1
. .
.
.
xn
x∗(1)
n
Statistique
ultime
échantillons
bootstrap
F IGURE 5.2 – Mécanisme du bootstrap permettant d’évaluer l’incertitude liée à l’estimateur du

paramètre de fréquence

C’est cette procédure que nous utiliserons au chapitre 7 pour mettre en oeuvre le modèle
fréquentiel au détail près que nous ne travaillerons pas directement avec les fréquences
mais les taux de fréquences, c’est à dire que nous diviserons les fréquences des échantillons
bootstrap obtenues par l’assiette de prime de l’année de cotation (2015 en l’occurence)
avant de calculer les écart-types, sθc et sθm . Ce qui explique que les nombres obtenus soient
si faibles (se reporter aux tableaux G.2 et G.3).
Par ailleurs, pour pouvoir appliquer la méthode bootstrap, il faut que l’échantillon de dé-
part soit suffisamment grand. En effet, si l’échantillon initial est de taille n, après n tirages
avec remise, il est possible d’obtenir 2n−1

n échantillons différents. Ainsi, par exemple, si
l’échantillon intial est constitué de 5 données, on ne peut obtenir que 126 échantillons
bootstrap différents et donc 126 valeurs différentes pour la statistique d’intérêt. Et par
conséquent, l’écart-type obtenu après 1 000 simulations, par exemple, sera complétement
faussé.
5.2.2 Incertitude liée à l’hétérogénéité du portefeuille

L’hétérogénéité du marché peut être estimée par la variance empirique des taux de prime
des cédantes constituant le marché. Comme la prime marché est calculée en agrégeant
les données de l’ensemble des cédantes, il est logique que les gros clients participent
davantage au calcul de la variance empirique. Nous allons donc utiliser la formule de la
variance pondérée.
P
c Wc
X 2
s2h = P 2 P πc − π
Wc (b bm )
( c Wc ) − c Wc2 c
Dans le cas du modèle fréquentiel, cette formule devient :

P 2
c Wc

θ 2
X
(sh ) = P W c θbc − θbm
2 P
( c Wc ) − c Wc2 c
Avec Wc = j wcj où wcj désigne l’assiette de prime de l’année j. Wc est donc la somme
P
des assiettes de prime des années appartenant à l’horizon de cotation considéré.
5.2.3 Modélisation de la corrélation

A priori, nous ne voyons pas bien comment déterminer la corrélation entre le marché et la
cédante à tarifer. Nous allons recourir à un subterfuge pour nous débarrasser de ce terme
“gênant”. Nous allons retirer du marché, les données de la cédante que l’on souhaite tarifer.
L’expression du facteur de crédibilité se simplifie :
σh2 + σm−c
2
z=
σh2 2
+ σm−c + σc2
Cependant, cette méthode est un peu maladroite car pour calculer le taux de prime
crédibilisé de deux cédantes appartenant à un même portefeuille marché, il est nécessaire
de calculer deux taux marché différents. De plus, cela représente un travail considérable
car cela nous oblige, pour chaque cédante, à retirer du triangle obtenu par agrégation, les
sinistres de la cédante considérée et à recalculer les montants ultimes.
5.3 Mise en oeuvre du modèle

Se reporter au schéma de la page suivante.

Statistique • • • • cf algorithme page 18
Estimateur du Simulations • •
• • •
ultime MV stochastiques
d,l
θc
m, α
b πc
m
extrapolation Distribution de
l’estimateur θ\m−c
Statistique
ultime Bootstrap Variance
2
σm−c
Agrégation Agrégation

cédante n
π̂ d,l = zc × πˆc d,l + (1 − zc ) × πˆm d,l

Estimateur du
. MV
.. θc
n
Variance
. pondérée
.. σh2 zc
cédante n θb1
..
..
cédante 1
Reste du portefeuille marché

Extraction de la
cédante 2 cédante à tarifer
Distribution de
l’estimateur θbc
cédante 1 Bootstrap Variance

Statistique
ultime σc2
Portefeuille marché • • • •
extrapolation • •
Estimateur Simulations • • • cf algorithme page 18
du MV stochastiques
θbc , α
b πbc d,l
Cédante à coter
79
F IGURE 5.3 – Schéma représentant le fonctionnement du modèle de Bonche et Parodi

Conclusion de la deuxième partie

“ Tous les modèles sont faux ; certains sont utiles ” G. Box. 1
Dans la deuxième partie de ce mémoire, nous avons présenté trois modèles de crédibilité.
Les deux premiers modèles dérivent du théorème de Bühlmann qui s’appuie sur la théorie de
la crédibilité et les statistiques bayésiennes. Le troisième modèle, développé beaucoup plus
récemment, n’utilise pas des outils aussi complexes et sophistiqués que les deux premiers.
Pourtant, l’expression du facteur de crédibilité diffère peu de celles obtenues par le biais des
deux premiers modèles. De plus, ce dernier et troisième modèle permet de pallier certains
défauts des modèles bayésiens.
1. George Edward Pelham Box (né le 18 octobre 1919 à Gravesend, Kent, Angleterre) est un statisticien, qui a
apporté d’importantes contributions aux domaines du contrôle qualité, des séries temporelles et de l’inférence
bayésienne.

Partie III
Cas pratique
Application au marché
britannique de l’automobile

Ce cas pratique va nous permettre, bien entendu, d’appliquer les modèles de crédibilité
développés dans les chapitres précédents mais ce sera également l’occasion d’apporter
des éléments de réponses à des questions pour lesquelles il n’existe pas d’explications
théoriques toutes faites. Ainsi, par exemple, la théorie ne nous dit pas comment choisir
notre portefeuille marché même s’il est évident qu’un marché constitué de trop peu de
cédantes n’aura qu’un intérêt très limité.
Nous chercherons notamment à répondre, au moins partiellement, aux interrogations

suivantes :
Comment appliquer les modèles de crédibilité efficacement sans simplification hâtive

et arbitraire ? Quels sont les avantages et les inconvénients de chacun d’eux ? Quel modèle
privilégier ? Comment choisir le portefeuille marché ? Quelle est l’importance de ce choix ?
Pour ce faire, nous allons calculer les facteurs de crédibilité et les primes crédibilisées des
traités de plusieurs cédantes appartenant à différents groupes marchés constitués à partir
du portefeuille automobile britannique de la CCR.
Tout d’abord, nous prenons le temps de décrire brièvement le marché choisi pour l’étude et
de détailler l’étape de préparation des données. Ensuite, nous nous attardons sur la mise
en oeuvre des modèles de crédibilité avant de présenter les résultats obtenus et de tirer un
certain nombre de conclusions. Enfin le dernier chapitre est consacré aux limites de notre
étude et aux extensions possibles.

Chapitre 6
Présentation de l’étude et
préparation des données
6.1 Présentation du marché de la réassurance automo-

bile britannique
6.1.1 Spécificités du marché
6.1.1.1 Considérations générales
Ce marché recouvre des compagnies qui dépendent du Royaume-Uni dont le siège se situe
en Grande-Bretagne ou à Gibraltar.
∞
Il s’agit d’un marché mature : les données
25
fournies sont nombreuses et en général
complètes et exactes. Les tranches sont stan-
dardisées. En effet, la grande majorité des 15
traités sont organisés selon les tranches

suivantes de réassurance (exprimées en mil- 10
lions de Livre Sterling) : 1 xs 1, 3 xs 2, 5 xs
5 , 15 xs 10 et ∞ xs 25. 5
De plus, ces tranches ne présentent pas 5
de conditions non linéaires de types AAD, 3

AAL et reconstitutions.
2
1 1
6.1.1.2 Les types de couvertures

En assurance responsabilité civile, il existe deux grands types de couvertures ; la cou-
verture complète (“ Comprehensive coverage ” en anglais) et la couverture au tiers (“
Third-Party coverage ” en anglais). La première est une formule tous risques offrant une
couverture complète pour assurer les dommages au véhicule quel qu’en soit le responsable.
Par contre, l’assurance au tiers implique uniquement notre responsabilité civile, elle ne
couvre que les dommages corporels et matériels que nous causons à une autre personne.
En particulier, elle ne couvre pas le vol, l’incendie, le vandalisme,· · · Le fait qu’il s’agisse
d’une couverture complète ou d’une couverture au tiers a peu d’importance pour la ta-
rification en réassurance. En effet, les sinistres tels que le vol, le vandalisme ne sont en
général jamais “ assez graves ” pour nécessiter un recours à la réassurance. Ainsi, les si-
nistres qui sont reportés aux réassureurs sont presque exclusivement des sinistres corporels.
En outre, en assurance et réassurance automobile, il faut distinguer le marché des flottes

automobiles du marché des particuliers. Une “ flotte ” est un ensemble de véhicules ap-
partenant à un même propriétaire, ou assurés par une même entité juridique. En général,
on considère comme contrat “ flotte ”, un contrat couvrant quatre véhicules ou plus. A
l’intérieur d’une flotte, tous les véhicules sont soumis aux mêmes règles tarifaires, les
primes de chacun d’eux sont recouvrées en une seule fois et les conditions du contrat sont
applicables indistinctement à tous. La tarification de ces contrats est différente des autres.
Elle requiert notamment davantage d’expertise.
6.1.1.3 Les grandes tendances du marché

Les tendances sont à l’aggravation des sinistres corporels. En effet, au cours des dernières
années, malgré la réduction du nombre d’accidents, le volume des demandes d’indemnisa-
tion en responsabilité civile pour dommages corporels a augmenté. Selon un rapport de
Tower Watson datant de 2013 intitulé A Choppy Voyage-UK Motor Insurance Industry Report,
plus d’un tiers des accidents automobiles impliquant un tiers mènent désormais à un
sinistre corporel.
6.1.2 Choix du portefeuille marché

Le choix du portefeuille marché est délicat. En effet, nous avons décrit dans les chapitres
précédents la façon dont il faut agréger les données marché et utiliser la statistique agrégée
obtenue pour calculer les facteurs de crédibilité recherchés. En revanche, nous n’avons pas
établi de méthodes ou de règles nous permettant de sélectionner ou d’exclure une cédante
afin de constituer notre portefeuille marché.
A partir du portefeuille automobile de la CCR, nous voulons construire un groupe de

cédantes “ comparables ” sous la contrainte qu’il soit suffisamment grand. En effet, plus
la taille de notre marché est petite, plus l’incertitude liée à la taille limitée de la base de
données de pertes est grande et donc moins les taux marché sont fiables.
Commençons par exclure les cédantes “ atypiques ”. Pour cela, nous allons utiliser les
profils de risque des assurés transmis par les courtiers. Ces profils de risque nous donnent
accès au pourcentage de flottes et de non flottes, au pourcentage d’hommes et de femmes
et aux âges des assurés de chaque traité. Nous décidons d’exclure les cédantes possédant
plus de 50% de flottes et n’assurant qu’une seule tranche d’âge (par exemple, certaines
cédantes n’assurent que les moins de 30 ans et d’autres que les plus de 60 ans). Après
avoir exclu les cédantes jugées “ atypiques ”, il nous reste 20 cédantes.
Ainsi, nous avons construit un groupe de cédantes “ comparables ” mais pas nécessairement
très homogène. On peut se demander quelle est la taille du groupe la plus pertinente et si
l’on ne gagnerait pas en fiabilité en considérant un groupe constitué de moins de cédantes
(mais toujours suffisamment grand) et plus homogène. Afin d’éclaircir cette question, à
partir du groupe de 20 cédantes, nous allons construire des sous-groupes de plus en plus
petits et de plus en plus homogènes. Commençons par chercher les variables qui pourraient
constituer des critères d’homogénéité.
Considérons l’exposition au risque mesurée par l’assiette de primes ou par le nombre

de polices contenues dans le traité en fin d’exercice. A priori, il ne semble pas absurde de
penser que deux traités présentant des assiettes de primes du même ordre de grandeur
auront plus de chance d’avoir des taux purs proches que des traités présentant des assiettes
de primes très différentes. Afin de déterminer l’influence des assiettes de primes sur les
taux purs, nous avons représenté graphiquement les taux purs en fonction des assiettes de
primes. Pour la tranche 5 xs 5, nous obtenons le graphique suivant.

taux purs
en %
6%
•
5%
4% •
3% •
• • •
• •
•• • •
2% • •• • • •
• • • Taux purs pour
• la tranche 5 xs 5
1% •• •
••
••
0 500 000 000 1 000 000 000 1 500 000 000 2 000 000 000 EPI
F IGURE 6.1 – Représentation des taux purs de la tranche 5 xs 5 des cédantes CCR en fonction des
estimations de l’assiette de primes 2015
Nous observons le même type de graphique pour toutes les tranches standards. Par consé-
quent, l’assiette de prime ne semble pas avoir une grande influence sur la détermination
du taux pur. En outre, le graphique que l’on obtient en traçant les taux purs en fonction
non plus de l’assiette de primes mais du nombre de polices en fin d’exercice n’est pas plus
concluant. Il n’existe donc pas de relation évidente entre la taille du portefeuille et les taux
purs, pour le marché automobile britannique du moins.
Nous représentons également les taux purs en fonction de la fréquence de sinistralité

estimée pour chaque cédante à partir de l’historique disponible. Nous constatons que
globalement, plus la fréquence est importante, plus le taux pur est élevé.
taux purs
en %
6%
5% ••
•
•
4% •
• • •
•
3% •
• •
• •
2% • • • • Taux purs pour
• •
• la tranche 5 xs 5
1% •
• • •
•
0 5 10 15 20 25
θ̂
F IGURE 6.2 – Représentation des taux purs de la tranche 5 xs 5 des cédantes CCR en fonction de la
fréquence de sinistralité
Par conséquent, nous allons tirer profit de la fréquence de sinistralité annuelle pour consti-
tuer à partir de notre groupe de 20 cédantes des sous-groupes plus homogènes. Nous
utilisons la formule présentée en 5.2.2 pour constituer des groupes de 15, 12, 9, 6 et 3
cédantes les plus homogènes possibles. Il est judicieux de constituer des sous-groupes
emboîtés afin de pouvoir ensuite comparer pour une même cédante mais pour différents
groupes marché les taux crédibilisés obtenus. Enfin, nous renumérotons les compagnies de
sorte que les cédantes n◦ 1, n◦ 2, n◦ 3 appartiennent aux 6 groupes marchés, les cédantes
n◦ 4, n◦ 5, n◦ 6 aux 5 plus grands groupes marchés,. . .

Il est important de signaler qu’en pratique s’ajoute une contrainte supplémentaire : notre
marché doit contenir la cédante que l’on veut tarifer. Si la cédante que l’on cherche à coter
est elle-même atypique (par exemple, elle ne couvre que les personnes âgées), soit on
dispose de suffisamment de cédantes atypiques pour obtenir un taux marché, soit il est
vain de calculer un taux marché et il faut recourir à des avis d’experts.
6.2 Préparation des données

Lorsque l’on veut tarifer une cédante et que l’on cherche à recourir aux modèles de crédi-
bilité développés précédemment, il est nécessaire de disposer des montants de sinistres à
l’ultime pour la cédante ainsi que pour le marché auquel appartient cette cédante. Afin d’ob-
tenir ces statistiques ultimes, nous procédons aux transformations décrites au chapitre 2,
c’est-à-dire que, nous indexons primes et sinistres et nous calculons les IBNER et les IBNYR.
Cependant, pour les portefeuilles marché, il faut au préalable, uniformiser et agréger

les triangles des différentes cédantes les constituant.
6.2.1 Formatage et uniformisation des triangles de sinistralité

Une fois notre marché défini, il faut fusionner les triangles des cédantes le constituant.
Cependant, tous les traités ne sont pas gérés de la même façon et de ce fait ne sont pas
directement comparables. Il va donc falloir opérer un certain nombre de modifications sur
les triangles individuels pour les rendre uniformes et cohérents et pour pouvoir les agréger.
6.2.1.1 Gestion comptable

Il existe plusieurs méthodes de comptabilisation d’un traité de réassurance. Concernant les
traités en excédent de sinistre, les deux principales sont la gestion par année de souscrip-
tion et la gestion par année de survenance.
Comptabilisation par exercice de souscription
Lorsqu’un traité de réassurance est comptabilisé par année de souscription, les sinistres
ayant touchés une police souscrite au cours de l’année d’exercice N sont imputés à l’exer-
cice N , quelle que soit leur date de survenance et quelle que soit leur date de paiement.
Ainsi, le réassureur peut être engagé pour des sinistres dont la date de survenance est
postérieure à la date de résiliation du traité.
Comptabilisation par exercice de survenance
Dans le cas d’un traité géré comptablement par année de survenance, un sinistre sera
obligatoirement rattaché à l’exercice au cours duquel il est survenu, quelle soit la date à
laquelle a été souscrite la police touchée par ce sinistre et quelle soit la date de règlement
de ce sinistre. Ainsi, le réassureur peut avoir à payer pour une police qui aurait été souscrite
avant la souscription du traité de réassurance.
Afin d’agréger les triangles de sinistralité des 20 traités constituant notre marché, il nous
faut choisir entre l’un des deux modes de comptabilisation présentés. En fait, nous sommes
contraints d’utiliser une gestion par année de survenance. En effet, le courtier fournit
toujours les dates d’occurences des sinistres mais il ne fournit pas systématiquement les
dates de souscriptions des polices associées. Par conséquent, il nous faut modifier les
triangles des traités gérés par exercice de souscription.

Période pendant laquelle l’assureur

peut souscrire
Période pendant laquelle un sinistre

Sinistre à rattacher
est couvert par le réassureur
à l’année 2014
Souscription Résiliation annuelle
d’une police de la police
Sinistre
01/01/2014 25/09/2014 31/12/2014 20/04/2015 31/12/2015
Souscription du traité Résiliation annuelle

de réassurance du traité de réassurance
F IGURE 6.3 – Gestion par année de souscription
Période pendant laquelle l’assureur

peut souscrire
Période pendant laquelle un sinistre

est couvert par le réassureur
Souscription Résiliation annuelle

d’une police de la police
Sinistre
02/01/2013 25/09/2013 01/01/2014 20/04/2014 31/12/2014
Souscription du traité Résiliation annuelle

de réassurance du traité de réassurance
F IGURE 6.4 – Gestion par année de survenance
6.2.1.2 Dates de prise d’effet

La plupart des contrats se renouvellent en décembre et prennent effet le 1er janvier de
l’année suivante. Néanmoins, il y a toujours quelques polices qui sont souscrites en cours
d’année. Parmi les 20 traités de notre marché, 14 prennent effet le 1er janvier, 2 le 1er avril,
1 également le 1er juin et 3 le 1er juillet.
Nous allons considérer que notre traité “ marché ” se renouvelle au 1er janvier. Le schéma
ci-dessous, décrit le problème dans le cas d’un traité renouvelable au 1er avril.
P R2013 fictive = 25% P R2012 + 75% P R2013

Pour les 6 traités ne prennant pas effet au 1er janvier, on ne tiendra pas compte de la
dernière et de la première année.
6.2.2 Agrégation des triangles

Une fois les triangles de sinistres et les primes des cédantes constituant le marché modi-
fiés, nous construisons un “ traité marché ” fictif. Pour cela, nous agrégeons les triangles

P R2013 fictive
P R2012 P R2013 P R2014
01/01/2012 01/01/2013 01/01/2014 01/01/2015
25% P R2012 75% P R2013
F IGURE 6.5 – Calcul de la prime fictive de réassurance versée au 1er janvier dans le cas d’un traité
renouvelé au 1er avril
uniformisés en utilisant comme seuil de communication le maximum des seuils de com-

munication des cédantes du marché. Par ailleurs, nous considérons un historique de 10
années. Ce qui signifie que nous ne tenons pas compte des sinistres survenus avant 2005.
Tn , seuiln
.... T3 , seuil3
T2 , seuil2 Agrégation Tagrégé
seuil = max(seuil1 , . . . , seuiln )
T1 , seuil1
F IGURE 6.6 – Processus d’agrégation des triangles de sinistralité

Chapitre 7
Mise en oeuvre des modèles de

crédibilité
Nous allons suivre les procédures indiquées sur les schémas des pages 56, 64 et 80. Nous
invitons le lecteur à les consulter. Toutefois, auparavant, nous devons nous assurer que
nous sommes bien dans le cadre d’application de ces modèles de crédibilité. En particulier,
en ce qui concerne les modèles bayésiens, il faudra vérifier que, pour chaque cédante et
pour chaque traité marché fictif, le modèle Poisson/Pareto pour les lois fréquence/sévérité
n’est pas une trop mauvaise approximation. En outre, nous avons vu que le problème
se simplifie considérablement lorsque l’on peut supposer que la distribution décrivant
l’intensité des sinistres est la même pour toutes les cédantes du marché considéré. Nous
allons donc commencer par tester cette hypothèse.
7.1 Validation de l’hypothèse des modèles fréquentiels

7.1.1 Le test de Kolmogorov-Smirnov pour deux échantillons
Cette hypothèse peut-être vérifiée ou rejetée au moyen du test de Kolmogorov-Smirnov
pour deux échantillons. Il s’agit d’un test non paramétrique qui compare les distributions
cumulées de deux échantillons de données indépendants. L’hypothèse nulle du test est la
suivante :
(H0 ) : F1,m (x) = F2,n (x) ∀ x
où F1,m est la fonction de répartition empirique du premier échantillon de taille m et F2,n
la fonction de répartition du deuxième échantillon de taille n.
La statistique du test (illustrée sur la figure 7.1) est :
Dm,n = max |F1,m (x) − F2,n (x)|

x
La p-valeur du test est définie comme suit :
p-valeur = P (Dm,n ≥ D0 | H0 )
Où D0 est la valeur observée de la statistique du test.
Autrement dit, si les deux échantillons provenaient d’une même loi, on obtiendrait une
statistique D supérieure à la statistique observée D0 avec une probabilité égale à la p-
valeur. Ainsi, si la p-valeur est élevée, on accepte l’hypothèse nulle et si elle est faible, on
la rejette.

0.8
Dm,n
0.6
0.4
0.2
0
−4 −2 0 2 4
F IGURE 7.1 – Illustration de la statistique du test de Kolmogorov-Smirnov
7.1.2 Résultats obtenus sur nos données

Nous effectuons ce test pour chaque cédante du portefeuille marché et pour trois seuils
différents, 1 million £, 1.5 million £ et 3 millions £. Cela nécessite d’effectuer 20 tests
différents pour chaque seuil, soit 60 tests au total. Et cela parce qu’il est nécessaire
avant chaque test de retirer les données de la cédante testée des données agrégées du
portefeuille marché afin de créer deux échantillons complétement indépendants et de ne
pas fausser le test par la présence de trop nombreuses valeurs égales. Ce qui représente un
travail considérable dans la mesure où nous appliquons ce test aux statistiques ultimes
et qu’il nous faut donc, avant chaque test, supprimer du triangle obtenu par agrégation,
les sinistres de la cédante testée puis recalculer les montants ultimes et effectuer cette
opération pour chaque cédante et pour chaque seuil. Nous utilisons la fonction ks.test
de R qui renvoie la valeur observée de la statistique du test, D0 , ainsi que la p valeur
associée. Nous obtenons les résultats suivants :
Résultats
Seuil en ( M £) Nombre de tests positifs Nombre de tests négatifs Manque de données
1 12 8 0
1.5 14 4 2
3 16 2 2
TABLE 7.1 – Résultats du test de Kolmogorov-Smirnov pour deux échantillons
Les résultats détaillés par cédante et par seuil sont fournis dans le tableau E. Pour certains
traités, aucun sinistre ne dépasse les seuils de 1.5 million £ ou de 3 millions £ et donc
le test n’a pas pu être effectué. A partir de 1.5 million £, l’approximation selon laquelle
une seule courbe de sévérité (celle de notre portefeuille marché) pourrait être ajustée aux
données empiriques de toutes les cédantes du marché, devient raisonnable puisque que le
test est positif pour près de trois quart des cédantes.
7.2 Calculs des primes individuelles et des primes mar-

ché
Nous allons appliquer les procédures vues en 2.2.4 aux triangles individuels et aux tri-
angles agrégés (obtenus au chapitre 6) afin de déterminer les taux de prime individuels et

les différents taux marché. Pour un seuil de modélisation égal à 1.5 million, nous obtenons
les résultats suivants :
Tranche 3 xs 2 Tranche 5 xs 5 Tranche 15 xs 10
Cédante 1 1.34% 0.91% 0.37%

Cédante 2 3.24% 1.70% 0.92%
Cédante 3 3.46% 2.73% 1.70%
Cédante 4 2.54% 1.14% 0.32%
Cédante 5 1.38% 0.94% 0.26%

Cédante 6 1.08% 0.47% 0.31%
Cédante 7 3.63% 1.25% 0.64%
Cédante 8 2.57% 2.12% 1.22%

Cédante 9 2.12% 1.85% 2.82%
Cédante 10 3.51% 2.06% 1.17%
Cédante 11 1.68% 0.48% 0.26%

Cédante 12 6.24% 5.31% 4.64%
Cédante 13 2.56% 0.98% 0.51%
Cédante 14 2.90% 0.76% 0.48%
Cédante 15 7.23% 3.28% 3.05%

Cédante 16 2.13% 1.45% 0.41%
Cédante 17 1.90% 2.12% 0.97%
Cédante 18 1.75% 1.90% 0.92%

Cédante 19 2.74% 1.07% 0.38%
Cédante 20 1.95% 0.65% 0.40%
TABLE 7.2 – Taux purs estimés stochastiquement pour les 20 cédantes du portefeuille marché
hhh
hh
Tranches
hTaux
hhhh
purs
Groupe de 20 Groupe de 15 Groupe de 12 Groupe de 9 Groupe de 6 Groupe de 3
cédantes cédantes cédantes cédantes cédantes cédantes
3 xs 2 4.72% 3.99% 3.82% 3.14% 2.94% 2.79%
5 xs 5 3.17% 2.77% 2.58% 2.28% 2.00% 1.88%

15 xs 10 3.73% 3.38% 3.05% 2.58% 2.38% 2.23%
TABLE 7.3 – Taux marché estimés stochastiquement pour les différents groupes marchés
Nous remarquons que les taux de prime varient beaucoup d’un groupe à un autre. Le choix
du portefeuille marché aura donc un impact significatif sur le taux de prime crédibilisé.
Reprenons les notations de la partie précédente :
b =z×π
π bc + (1 − z) × π
bm
Où π
b est le taux de prime crédibilisé et π
bc , π
bm les taux purs estimés stochastiquement de

la cédante et du marché respectivement.
Si πbc < π bm alors πb > π bc , c’est-à-dire que le taux pur calculé sur l’expérience de si-
nistralité de la cédante sous-estime le taux pur réel. Inversement, si π bm alors π
bc > π b<πbc ,
le taux pur stochastique de la cédante sur-estime le taux pur réel.
7.3 Calculs des facteurs de crédibilité

Dans cette section, nous allons rappeler les expressions des facteurs de crédibilité des
modèles étudiés dans la partie précédente, les différents éléments qui les composent et
surtout la façon dont ces éléments doivent être estimés.
7.3.1 Aperçu modèle par modèle

7.3.1.1 Modèles bayésiens
Modèle fréquentiel
Longueur de l’historique de
la cédante à tarifer
nc
zcd = nc +b/qd
λ α
Probabilité qu’un sinistre dépasse la priorité d
qd = P (X > d) = d • Ce paramètre dépend bien entendu
de la tranche cotée
• Il dépend également du marché considéré
• Paramètre de la loi Gamma (il est identique pour toutes les cédantes du
décrivant Θ, le profil de risque marché, α étant estimé à partir de la
de la cédante statistique agrégée)
• Ce paramètre est identique
pour toutes les cédantes du
marché considéré
Modèle combiné fréquence/sévérité

Longueur de l’historique de
la cédante à tarifer
nc
zcd,l = nc +ρ
E[e2 (Φ)] Coefficient de crédibilité ρ(a, b, s, t, d, l)
ρ= E[e1 (Φ)2 ]−E[e1 (Φ)]2 • Ce paramètre dépend de la tranche cotée
• Ce paramètre dépend aussi du marché
considéré décrit par le prodil de risque
(Θ, Ψ) de lois Gamma(a,b) et Gamma(s,t)

A titre d’exemple, nous appliquons l’algorithme de Gibbs au portefeuille marché constitué

des 20 cédantes. Le test de Brooks-Gelman-Rubin montre qu’après quelques milliers
d’itérations seulement, l’algorithme de Gibbs a convergé. Au bout de 40 000 itérations,
nous obtenons les résultats suivants :
a = 66.686 , b = 0.995 , s = 66.635 , t = 58.474
7.3.1.2 Modèle non bayésien

Comme expliqué au chapitre 5, nous avons choisi une approche bootstrap pour apprécier
les incertitudes liées à l’estimation des primes individuelles et des primes marchés. Cette
méthode est envisageable car les échantillons initiaux sur lesquels nous allons appliquer la
procédure sont constitués des montants des sinistres à l’ultime. Or, ces montants peuvent
être considérés i.i.d (c’est l’hypothèse du modèle fréquence/sévérité). En outre, les tests de
Kolmogorov-Smirnov réalisés en 7.1 ayant montré que l’intensité des sinistres ne variait pas
beaucoup d’une cédante à l’autre, nous pouvons appliquer le modèle fréquentiel présenté
en 5.1.2. Nous allons utiliser l’astuce présentée en 5.2.3 puisque nous n’avons pas trouver
le moyen de nous débarrasser de la corrélation autrement :
σh2 + σm−c
2
z=
σh2 + σm−c
2 + σc2
Bien entendu, dans ce cas, la statistique d’intérêt est le paramètre de fréquence. Rappelons
que le paramètre de fréquence de la loi de Poisson est estimé comme suit :
Pk k
i=1 ωi ni X
θ̂ = avec ωi• = ωi
ωi• i=1
où k désigne la longueur de l’historique, ni le nombre de sinistres ayant dépassé le seuil

de modélisation durant l’année n◦ i et ωi l’assiette de prime revalorisée de l’année n◦ i.
La remarque énoncée à la page 78 est d’autant plus vraie que le paramètre de fréquence est
calculé pour un seuil fixé et donc uniquement à partir des sinistres dépassant ce seuil. Par
conséquent, nous ne pourrons appliquer la méthode bootstrap que si la statistique ultime
considérée contient suffisamment de sinistres dépassant le seuil de modélisation choisi.
Nous considérons qu’en dessous de 10 sinistres, l’échantillon est trop petit pour obtenir un
écart-type fiable. Nous choisissons un seuil de modélisation égal à 1 500 000 afin d’obtenir
un facteur de crédibilité pour les tranches 3 xs 2, 5 xs 5 et 15 xs 10. Les statistiques de 2
des 20 cédantes du portefeuille marché ne disposent pas d’assez de données au delà de ce
seuil. Nous ne pourrons donc pas calculer de facteur de crédibilité pour ces 2 cédantes.
Nous implémentons les tirages avec remise sous R ou VBA. Nous effectuons systéma-
tiquement 1 000 rééchantillonages afin de disposer d’un nombre important de réalisations
distinctes de la statistique d’intérêt.
7.3.2 Récapitulatif des procédures à utiliser pour chaque modèle

Modèle fréquence/sévérité Modèle fréquentiel non

Modèle fréquentiel bayésien
bayésien bayésien
θ )2 +(σ θ )2 −ρθ
(σh θ θ
n n E[e2 (Φ)] m m,c σm σc
z= α z= n+ρ où ρ = E[e1 (Φ)2 ]−E[e1 (Φ)]2
z= 2 θ )2 +(σ θ )2 −2ρθ
n+b/ λ (σ θ ) +(σm c m,c
θ σθ
σm c
d h
Algorithme de Gibbs : Algorithme de Gibbs : Méthode bootstrap :

pour déterminer les valeurs des pour déterminer les valeurs des • Les tirages avec remise
hyperparamètres a et b hyperparamètres a, b, s et t peuvent être implémentés sur R
ou VBA (cf figure 5.2 page 77)
• WinBUGS avec possibilité •WinBUGS avec possibilité
d’exporter les résultats vers R d’exporter les résultats vers R • Calcul de la variance
via le package R2WinBUGS (cf via le package R2WinBUGS (cf empirique sur les réalisations de
annexe D) annexe D) la statistique d’intérêt obtenues
à l’issu de chaque tirage
• Test de Brooks-Gelman-Rubin • Test de Brooks-Gelman-Rubin
pour tester la convergence de pour tester la convergence de • Calcul d’une variance
l’algorithme (cf figure 4.8 l’algorithme (cf figure 4.8 pondéré (cf section 5.2.2
page 71) page 71) page 78 )
Modèle de Cockroft :
pour déterminer la valeur du
coefficient de crédibilité ρ
• Implémentation informatique
sous R (cf section 4.2.3)
TABLE 7.4 – Méthodes et logiciels utilisés pour chaque modèle

Chapitre 8
Résultats et conclusions
Pour ne pas ennuyer le lecteur avec des successions de tableaux, nous avons placé les
résultats receuillis dans les annexes F et G . Nous précisons que les résultats discutés dans
ce chapitre sont ceux obtenus pour un seuil de modélisation égal à 1.5 M. Des calculs ont
également été menés pour un seuil égal à 4 M et les résultats associés ont été reportés
dans les annexes H et I.
8.1 Illustrations de quelques résultats théoriques

8.1.1 Modèles bayésiens
Afin de mettre en évidence et d’illustrer quelques propriétés, nous avons entrepris de
résumer l’information contenue dans les tableaux de l’annexe F par des graphiques.
Facteur de crédibilité
en %
100%
90%
80% Tranche 15 xs 10
70%
60% Tranche 5 xs 5
50%
40% Tranche 3 xs 2
30%
20%
10% nombre d’années
d’observation
0 1 2 3 4 5 6 7 8 9 10
Groupe de Groupe de Groupe de Groupe de Groupe de Groupe de

20 cédantes 15 cédantes 12 cédantes 9 cédantes 6 cédantes 3 cédantes
F IGURE 8.1 – Facteurs de crédibilité obtenus pour le modèle fréquence/sévérité et pour les trois
tranches standards étudiées

en %
100%
90%
70%
60% Tranche 5 xs 5
50%
40% Tranche 3 xs 2
30%
20%
10% nombre d’années
d’observation
0 1 2 3 4 5 6 7 8 9 10

F IGURE 8.2 – Facteurs de crédibilité obtenus pour le modèle fréquentiel et pour les trois tranches
standards étudiées
Nous pouvons formuler quelques remarques générales concernant les deux graphiques
précédents :
− Plus l’horizon de modélisation est important, plus le facteur de crédibilité est élevé,
c’est-à-dire plus on accorde de crédit à la prime calculée sur l’expérience de la
cédante uniquement.
− Le facteur de crédibilité des tranches basses est plus élevé que celui des tranches
hautes. Autrement dit, plus la tranche est haute (priorité élevée), plus on accorde de
poids à la prime marché.
− Plus le groupe est petit et homogène, plus le facteur de crédibilité est faible. Cette
propriété apparaît de façon plus évidente sur les figures 8.3 et 8.4 ci-après. Ce qui
signifie qu’on accorde plus de poids aux données marché. Cela met en évidence une
des failles des modèles bayésiens ; ils ne tiennent pas compte de l’incertitude liée
aux données marché. En effet, les groupes constitués de 6 ou 3 cédantes sont certes
plus homogènes que les groupes constitués de plus de cédantes mais les taux marché
obtenus sont moins fiables car calculés à partir d’un nombre moins important de
données.
En outre, les graphiques précédents montrent qu’il existe des différences significatives
entre les deux modèles de crédibilité bayésienne. Tout d’abord, le nuage de points de la
figure 8.1 est beaucoup plus resserré que celui de la figure 8.2. En effet, le facteur de
crédibilité du modèle purement fréquentiel décroît plus rapidement lorsque la priorité
augmente que celui calculé par le biais du modèle fréquence/sévérité. Globalement, nous
constatons que l’approche combinée fréquence/sévérité donne davantage de poids aux
données de la cédante et donc à la prime d’expérience alors que l’approche purement
fréquentielle donne plus de poids à la prime marché. Néanmoins, les différences entre les
deux modèles s’atténuent pour les tranches basses. Ce que confirme le tableau 8.1.

en %
100%
80% Tranche 5 xs 5
70% Tranche 3 xs 2

F IGURE 8.3 – Facteurs de crédibilité obtenus pour la cédante n◦ 1 et pour le modèle fréquence/sévérité
en %
100%
60% Tranche 5 xs 5
40% Tranche 3 xs 2
20%
F IGURE 8.4 – Facteurs de crédibilité obtenus pour la cédante n◦ 1 et pour le modèle purement
fréquentiel
Longueur de Groupe de 20 cédantes

l’historique
(en années)
T 3 xs 2 T 5 xs 5 T 15 xs 10
10 1.39% 10.29% 28.57%
9 1.71% 11.12% 27.94%
8 2.29% 12% 31.44%
7 1.75% 12.81% 30.99%
6 2.02% 14.11% 32.8%
5 3.61% 16.31% 31.77%
4 4.59% 19.52% 35.9%
3 7.09% 19.53% 30.68%
2 12.73% 18.65% 30.24%
TABLE 8.1 – Écarts entre les facteurs de crédibilité obtenus pour les modèles bayésiens

8.1.2 Modèle non bayésien

Nous rappelons que, puisque l’intensité des sinistres varie très peu d’une cédante à l’autre
du portefeuille, le facteur de crédibilité du modèle de Bonche et Parodi est indépendant
de la tranche cotée. Les facteurs de crédibilités présentés dans le tableau G.4 s’appliquent,
en particulier, aux trois tranches standards 3 xs 2, 5 xs 5 et 15 xs 10.
Le tableau G.3 de l’annexe G montre que σhθ décroît lorsque la taille du groupe dimi-
nue. Ce qui est rassurant puisqu’il était dans notre dessein de former des groupes de plus
en plus petits mais aussi de plus en plus homogènes. A l’inverse, le tableau G.2 montre
θ
que l’incertitude liée au paramètre marché, modélisée par σm−c , croit lorsque la taille du
groupe diminue. Ce qui est logique puisque plus le groupe est petit, plus la prime marché
est sujette à une erreur d’estimation importante. En effet, si le groupe marché est plus
petit, la base de données pertes servant au calcul des paramètres est plus réduite et par
conséquent l’information fournie par le marché est moins riche.
Ces deux phénomènes inverses expliquent les différences flagrantes observées entre ce mo-
dèle et les modèles de crédibilité bayésienne pour les résultats des plus petits groupes. Ils
permettent, en particulier, de justifier le fait que, dans ce modèle, le facteur de crédibilité
ne fait pas que décroître lorsque la taille du groupe diminue.
en %
100%
90% Cédante n◦ 3
80% Cédante n◦ 2
70% Cédante n◦ 1

F IGURE 8.5 – Facteurs de crédibilité des cédantes n◦ 1, n◦ 2 et n◦ 3 pour les différents groupes marché
8.2 Choix du portefeuille marché : lacune théorique des

modèles de crédibilité
8.2.1 Une question préoccupante
Comparons pour une même cédante, les taux de prime pure crédibilisés obtenus pour les
trois modèles de crédibilité étudiés et pour les 6 groupes marchés construits au chapitre 6.

Taux de prime
en %
3.5% Modèle non bayésien

3.46%
3% Modèle bayésien combiné

fréquence/sévérité
2.73%
2.5% Modèle bayésien
fréquentiel
2% estimé par simulations

stochastiques
1.70%
1.5%
tranche
tarifée
1%
T 3 xs 2 T 5 xs 5 T 15 xs 10

F IGURE 8.6 – Taux de prime pure crédibilisés calculés pour la cédante n◦ 3
Pour la tranche 15 xs 10, le taux estimé stochastiquement à partir de l’expérience de la

cédante n◦ 3 est égal à 1.70%, soit un taux inférieur aux taux marché 1 également détermi-
nés par calculs stochastiques. C’est la raison pour laquelle, pour cette tranche, les taux de
prime crédibilisés sont systématiquement supérieurs au taux pur stochastique. Pour les
tranches plus basses, le taux de prime crédibilisé est soit supérieur soit inférieur au taux
pur stochastique selon la valeur du taux marché.
Par ailleurs, nous constatons que, pour un même modèle de crédibilité, d’un groupe
marché à un autre, le taux de prime crédibilisé peut varier significativement. On note
jusque 0.5% d’écart. L’assiette de prime de la cédante (cédante n◦ 3) étant de l’ordre de
90 000 000 £, cela donne un écart de prix de l’ordre de 450 000 £. Le choix du portefeuille
marché n’est donc pas neutre.
8.2.2 Sans réponses théoriques

Ces écarts de prix sont d’autant plus préoccupants qu’il n’existe aucune théorie nous
permettant d’opter pour un groupe marché plutôt qu’un autre. Nous allons tenter d’apporter
quelques éléments de réponse relevant du bon sens à cette question embarrassante. Nous
allons laisser provisoirement de côté les premiers modèles bayésiens et nous concentrer
sur le modèle de Stéphane Bonche et Pietro Parodi qui, nous l’avons vu, a été conçu
spécialement pour pallier aux défauts de ces premiers modèles. Rappelons l’expression du
facteur de crédibilité pour ce modèle, dans le cas où la corrélation est nulle, c’est-à-dire
dans le cas où nous avons retiré les données de la cédante de la statistique agrégée du
marché.
σ2 + σ2
z= 2 h 2 m 2
σh + σm + σc
Dans le cas où l’hypothèse d’une distribution de sévérité unique est vérifiée, le facteur de
crédibilité z est indépendant la tranche cotée l xs d, dans les autres cas il en dépend.
Si l’on choisit de construire un portefeuille marché à partir d’un grand nombre de cédantes
(par exemple l’ensemble des clients du réassureurs pour le secteur concerné), le terme
1. Se reporter au tableau 7.3

σh2 modélisant l’hétérogénéité du portefeuille, sera élevé et prépondérant par rapport aux
autres termes obtenus par bootstrap : σh2 >> σm 2
, σh2 >> σc2 . Par conséquent z sera très
proche de 1 et il n’y aura pas beaucoup de d’écarts entre le taux estimé stochastiquement
et le taux crédbilisé. C’est pour cela que les valeurs des facteurs de crédibilité obtenues
pour notre plus grand groupe marché et reportées dans le tableau G.1 sont très proches
de 1, variant de 97.12% à 99.96%. Considérer trop de cédantes peut donc fausser le modèle.
Inversement, si le portefeuille marché est constitué de trop peu de cédantes, le terme

relatif à l’erreur commise lors de l’estimation du taux marché sera élevé. Le taux marché
n’est alors pas beaucoup plus fiable que le taux de prime de la cédante et il n’y a plus
aucun intérêt à pondérer ces deux taux de prime.

Chapitre 9
Bilan et Perspectives
9.1 Bilan comparatif des différents modèles

Nous sommes maintenant en mesure de discuter plus longuement les avantages et les
inconvénients de chaque modèle.
On a, d’une part, un modèle élaboré par deux actuaires spécialistes de la réassurance,

Stéphane Bonche et Pietro Parodi, qui a été conçu et pensé comme support des outils de
tarification et comme outil d’aide à la décision pour l’actuaire. Ce modèle ne fait pas appel
à des théories mathématiques particulièrement complexes.
D’autre part, on a des modèles bayésiens qui se sont construits et affinés au fil du temps
avec en dernier date la contribution de Mark Cockroft en 2003 1 . Ces modèles s’appuient
et donc nécessitent de s’imprégner d’une théorie mathématique difficile et ésotérique, la
théorie de la crédibilité. Ils sont également utilisés comme support des outils de tarification
existants. Le modèle développé par Cockroft peut même être employé comme outil de
tarification à part entière.
La principale difficulté lors de la mise en oeuvre des deux modèles bayésiens étudiés
concerne la calibration du modèle. A cela, se rajoute, pour le modèle fréquence/sévérité,
le calcul du coefficient de crédibilité qui nécessite une programmation substantielle. Pour
le modèle purement fréquentiel, par contre, les difficultés s’arrêtent à la calibration du mo-
dèle. En effet, pour ce dernier modèle, le facteur de crédibilité s’exprime très simplement.
Nous avons énuméré en 4.4, quelques défauts de ces deux modèles. En particulier, ce ne
sont pas des modèles “taillés sur mesure” pour la tarification des traités de réassurance.
Par conséquent, leur application s’avère un peu maladroite.
Le modèle développé par Bonche et Parodi est théoriquement plus complet que les modèles
de crédibilité bayésienne puisqu’il tient compte de l’incertitude liée aux données marché.
Toutefois, la mise en oeuvre qui en est faite dans ce mémoire n’est pas optimale. En
particulier, le subterfuge qui consiste à retirer les statistiques de la cédante de la statis-
tique marché agrégée pour s’affranchir de la corrélation des cédantes du marché, rend la
méthode laborieuse, fastidieuse et surtout inapplicable pour les cédantes pour lesquelles
on dispose de très peu de données. Des recherches supplémentaires sont donc nécessaires
afin de faciliter l’application de ce modèle. En particulier, il faudrait trouver une formule
analytique pour la corrélation.
Puisqu’un schéma vaut sans doute mieux qu’un long discours, nous dressons un tableau en
guise de résumé des propos ci-dessus.
1. Se reporter à la frise chronologique de l’annexe B

Crédibilité Bayésienne Crédibilité des Incertitudes
Modèle combiné Modèle fréquentiel Modèle fréquentiel

fréquence/sévérité
λ : seuil de modélisation
θ 2 θ 2
n E[e2 (Φ)] n (σh ) +(σm ) −ρθ θ θ
m,c σm σc
Expression du facteur de z= où ρ = E[e1 (Φ)2 ]−E[e1 (Φ)]2
z= α d : priorité de la tranche cotée z= 2
n+ρ n+b/( λ
d)
θ ) +(σ θ )2 +(σ θ )2 −2ρθ
(σh m c
θ θ
m,c σm σc
Crédibilité
α : paramètre de la loi de Pareto

• Le facteur de crédibilité peut être appliqué direc- • Pratique et très simple à mettre en oeuvre. • Il n’est pas nécessaire de faire une analyse de
tement aux taux de prime sans hypothèses. crédibilité séparée pour les différentes tranches.
• Ce modèle peut être utilisé comme outil de tarifi- • Modèle récent datant de 2008 et développé par
cation à part entière. des spécialistes de la réassurance.
• Modèle en adéquation avec les méthodes de
tarification employées en réassurance.
Avantages • Pour ces modèles, une procédure entièrement automatisée est envisageable.
• La prime de crédibilité est le meilleur estimateur de la prime pure au regard du critère de l’erreur quadratique.
• Plus de liberté concernant le choix des lois de
fréquence et de sévérité.
• Ces modèles viennent en support des outils de tarification traditionnels.
• Requiert une programmation substantielle. • L’hypothèse d’une distribution de sévérité unique n’est pas toujours raisonnable et doit être testée sur les données.
• Rien ne permet de prédire la convergence ou la • Il n’est pas possible de calculer un facteur de cré-
non-convergence. dibilité pour les affaires pour lesquelles on dispose
de très peu de données, pour les affaires nouvelles
notamment.
• Les lois modélisant la fréquence et le coût des sinistres (Poisson/Pareto) sont imposées par le modèle. • Mise en oeuvre laborieuse et fastidieuse.
• Ne prend pas explicitement en compte l’incertitude du prix du marché dans la formule du facteur de crédibilité.
102
Inconvénients • Ne tient pas compte de l’interaction entre les données de la cédante et les données du marché.
• Modèles basés sur des théories développées dans les années 1960 dans un cadre strictement assurantiel.
TABLE 9.1 – Bilan sur les modèles de crédibilité mis en oeuvre dans le mémoire
9.2 Limites de l’étude et recherches ultérieures

9.2.1 Généralisation à un marché quelconque
Il faut rappeler que le marché de l’automobile britannique demeure un marché atypique
et marginal. Il existe très peu de marchés présentant des tranches standardisées et pour
lesquels les cédantes n’exigent pas de conditions non linéaires de type AAD, AAL,. . . (cf
section 2.1.4 page 13). La question qui se pose est de savoir si une généralisation de
l’étude menée pour le marché britannique de l’automobile à un marché non standardisé
est possible.
Les modèles de crédibilité introduits dans la deuxième partie de ce mémoire font abs-
traction des conditions non linéaires. S’il est indéniable que la présence d’une AAL ou
d’une AAD aura un impact sur la prime technique et donc sur la prime commerciale, la
cédante étant en droit d’attendre une réduction du montant de la prime, on peut par
contre suspecter que l’impact sur le facteur de crédibilité servant à pondérer la prime
individuelle et la prime marché sera minime. Certes, une tranche l xs d avec une AAD
aura tendance à “augmenter” la rétention d et donc à diminuer le facteur de crédibilité.
Inversement une tranche l xs d avec une AAL aura tendance à “diminuer” la limite l du
traité donc à augmenter le facteur de crédibilité. Mais, il y a fort à parier que ces variations
soient infimes. Il est donc possible de contourner le problème en calculant un facteur de
crédibilité grâce aux modèles développés dans ce mémoire, c’est-à-dire sans tenir compte
des éventuelles conditions non linéaires de la tranche à tarifer, mais en faisant attention
de les prendre en compte dans le calcul du taux marché.
En fait, ce n’est pas tant l’organisation standardisée des traités que la profusion des
données disponibles qui fait du marché de l’automobile britannique un cadre d’étude
particulièrement agréable pour l’application de nos modèles. En effet, le fait que l’on
puisse disposer pour ce marché de nombreuses données, données qui sont en général
complètes et exactes, permet de calculer des taux marché fiables. Ce qui n’est pas le cas de
tous les marchés loin s’en faut. C’est également un marché pour lequel l’hypothèse d’une
courbe de sévérité unique est vérifiée. Beaucoup de travail reste encore à faire pour savoir
comment mettre en oeuvre le modèle de Bonche et Parodi dans le cas où cette hypothèse
n’est pas validée.
9.2.2 Prise en compte de la qualité des données

Les modèles que nous avons élaborés et mis en oeuvre dans ce mémoire ne remettent
aucunement en cause la précision et l’exactitude des données fournies par les clients.
Pourtant, il pourrait être pertinent d’ajuster le facteur de crédibilité en fonction de la
qualité de l’information fournie par la cédante. Si, par exemple, les données transmises ne
semblent pas correctes, trop synthétiques ou incomplètes, alors le facteur de crédibilité
doit être réduit. Une solution pourrait être de multiplier le paramètre σc2 , modélisant
l’incertitude liée au calcul de la prime pure, par un coefficient qui serait un indicateur de
la plus ou moins grande qualité des données.
9.2.3 Processus de tarification du taux marché

La méthode qui consiste à fusionner les statistiques de sinistres et de primes pour calculer
un taux marché est laborieuse, contraignante et source d’erreurs. De plus, elle n’est
applicable que pour les marchés pour lesquels on dispose de suffisamment de cédantes.
En fait, pour de nombreux marchés, il serait plus confortable de déterminer un taux
marché en utilisant des outils benchmark (cf section 2.3.3). Pour que cela soit possible,
il faut adapter les modèles de crédibilité en conséquence. Des recherches doivent être
menées pour savoir comment. Le modèle de Bonche et Parodi, plus encore que les modèles
bayésiens, dépend fortement du processus de tarification utilisé. En particulier, la façon de
2
calculer le paramètre σm devra être révisée.

Conclusion de la troisième partie

Cette troisième partie est un cas pratique mais c’est surtout un cas particulier dans la mesure où
les modèles sont appliqués à un marché spécifique présentant un certain nombre de particula-
rités que l’on ne rencontre pas forcément sur les autres marchés de la réassurance. Néanmoins,
cela nous a permis de retrouver et d’illustrer quelques résultats théoriques mais également
de prendre conscience des difficultés auxquelles on peut se heurter lors de la mise en ouvre
de ces trois modèles et enfin de mieux cerner les avantages et les inconvénients de chacun d’eux.
Au début de cette partie, nous avons listé plusieurs questions auxquelles nous avons répondu.
Malheureusement, nous n’avons pas pu apporter de réponse mathématique et théorique satis-
faisante à la question portant sur le choix du portefeuille marché. L’actuaire devra donc se
fier à son bon sens pour choisir le portefeuille marché adéquat. Dans l’Actuarial Standard of
Practice No.25 publié par l’Actuarial Standards Board, il est écrit “Any credibility procedure
requires the actuary to exercise informed judgment, using relevant information. The use of
credibility procedures is not always a precise mathematical process”.

Conclusion Générale
Au terme de cette étude, nous espérons que les travaux présentés dans ce rapport, auront
permis de sensibiliser le lecteur aux problèmes inhérents à la tarification des traités de
réassurance et surtout, lui auront apporté une compréhension plus profonde des modèles
de crédibilité pouvant être mis en place pour pallier au manque d’information lors de la
tarification d’un traité en excédent de sinistre. Nous espérons également que ces travaux
serviront de tremplin vers des recherches plus approfondies sur le sujet.
Partis du constat que, la taille de l’historique des sinistres disponible a un impact si-
gnificatif sur la finesse de l’estimation de la prime pure et sur l’erreur commise lors de cette
estimation, nous avons cherché à développer des méthodes permettant d’augmenter la
fiabilité des taux de primes des tranches peu sinistrées des traités en excédent de sinistre.
Pour ce faire, nous avons pensé à incorporer dans le calcul de la prime des informations
provenant du marché. L’idée est alors venue naturellement de pondérer les estimateurs
de la prime pure individuelle et de la prime marché par un coefficient appelé facteur de
crédibilité. Les modèles présentés, dans ce mémoire, portent sur le calcul de ce facteur.
Dans un premier temps, nous avons présenté les différentes facettes et les mécanismes qui
régissent la réassurance non vie. Nous avons notamment abordé les aspects techniques de
la tarification en nous focalisant plus particulièrement sur les traités en excédent de sinistre.
Nous nous sommes ensuite attaqués au problème proprement dit en l’envisageant sous
l’angle de la crédibilité bayésienne et à la lumière des théorèmes démontrés par Bühl-
mann et Straub dans les années 1960. Des concepts bayésiens et du modèle de Bühlmann,
nous avons tiré deux autres modèles ; un modèle purement fréquentiel pour les nombres
de sinistres mais pouvant s’appliquer, sous certaines hypothèses, aux primes pures de
réassurance et un modèle plus complet pour les pertes agrégées. Pour ces modèles, l’infor-
mation marché est résumée par des lois Gamma dont les paramètres doivent être estimés.
Les quelques articles traitant du sujet n’abordent pas ce problème de calibration et se
contentent de paramètres empiriques basés sur des études difficilement généralisables ou
des jugements d’experts. Pour sortir de cette impasse, nous avons eu recours à l’échantillon-
nage de Gibbs. Cet algorithme nous a permis d’obtenir, à partir de l’historique des sinistres
disponible, une calibration plausible et fiable. En outre, les modèles de Bühlmann et Straub
n’ont pas été conçus initialement pour servir à la tarification des traités de réassurance.
De ce fait, les modèles bayésiens présentent quelques défauts et s’avèrent ne pas être en
parfaite adéquation avec les méthodes de tarification utilisées en réassurance.
Nous nous sommes alors tournés vers un troisième modèle non bayésien développé
par Pietro Parodi et Stéphane Bonche, deux actuaires spécialistes de la réassurance. Il
s’agit d’un modèle construit sur mesure pour la tarification des traités en excédent de
sinistre en réassurance. Il est donc plus complet et mieux adapté au cadre de l’étude.
Enfin, nous avons appliqué ces trois modèles à un secteur spécifique de la réassurance, le
marché de l’automobile en Grande-Bretagne. Il faut reconnaître que si nous avons choisi
ce marché, ce n’est pas par hasard mais parce que c’est un marché doté de caractéris-
tiques intéressantes pour notre étude. En effet, c’est un marché mature pour lequel les

actuaires peuvent avoir confiance en les données fournies par les cédantes, pour lequel
les tranches de réassurance sont standardisées et surtout, pour lequel l’hypothèse selon
laquelle l’intensité des sinistres varie très peu d’une cédante à une autre du marché est
validée. Les résultats obtenus sont venus confirmer et illustrer les constats théoriques des
parties précédentes.
Malheureusement, quelques points d’ombre viennent assombrir le bilan de cette étude.

Tout d’abord, les modèles étudiés ne tiennent pas compte de la qualité des données four-
nies par la cédante. Or le facteur de crédibilité devrait vraisemblablement fluctuer en
fonction de la confiance plus ou moins grande que l’actuaire accorde aux données. Ensuite,
nous n’avons apporté qu’une réponse très partielle à la question du choix du portefeuille
marché. Enfin, des recherches doivent encore être effectuées pour que l’un des modèles
étudiés, de préférence le troisième, puisse être entièrement automatisé et utilisé lors des
périodes de renouvellement.
Enfin, au-delà des aspects techniques, ce travail sur la crédibilité a été enrichissant à
plusieurs égards. Nous avons été confrontés à un sujet très technique faisant appel à
des théories mathématiques ardues et où les publications sont assez rares. Ce travail a
été l’occasion de discuter avec certains spécialistes du domaine exerçant dans diverses
compagnies de réassurance. Il ressort de ces échanges que :
− La question du “taux marché” est un sujet un peu obscur. L’expression “taux marché”
recouvre des réalités très différentes d’une compagnie à une autre, parfois même
d’un actuaire à un autre. Ainsi, il est utilisé tantôt pour désigner les prix fixés en
interne et tantôt pour désigner les prix leader. De même, tantôt il désigne un taux
benchmark, tantôt un taux de prime calculé sur l’expérience agrégée de l’ensemble
des cédantes du marché. C’est d’ailleurs, cette dernière définition qui a été retenue
pour notre étude.
− Peu de compagnies de réassurance ont développé des modèles de crédibilité à
proprement parler. La plupart n’en n’ont pas ou se contentent de modèles de crédi-
bilité empiriques reposant sur des jugements d’experts et conduisant à l’utilisation
systématique de certains facteurs de crédibilité.
En général, même en l’absence de modèles de crédibilité, les actuaires tarificateurs, de
leur propre chef, cherchent à mélanger les résultats issus de l’expérience de la cédante et
ceux issus de l’expérience agrégée de l’ensemble des cédantes du marché en appliquant
un facteur de pondération dont le choix, bien souvent arbitraire, est justifié par une
connaissance approfondie des incertitudes du processus de cotation. Cela fait partie
du métier de l’actuaire d’acquérir une bonne maîtrise des outils de tarification, de leur
complexité et de leur limites.

Bibliographie
[1] Bonche Stéphane (2005) Credibility and reinsurance. Mémoire ISFA.

[2] Bühlmann Hans (1967) Experience Rating and Credibility. ASTIN Bulletin, Volume
4.3.
[3] Bühlmann Hans, Gisler Alois (2005) A Course in Credibility Theory and its Applica-
tions. Springer.
[4] Caillat Anne-Lise (2009) An Analysis of the Motor Reinsurance Market : the ingre-
dients of portfolio optimization. Mémoire ISFA.
[5] Charpentier Arthur (Septembre 2007) La Crédibilité : Un Pasteur et Un Philosophe
pour Soutenir les Actuaires. Revue Risques.
[6] Chopin Nicolas (2014-2015) Statistiques 1. Notes brèves. Cours dispensé à l’École
Nationale de la Statistique et de l’Adminsitration Économique.
[7] Cockroft Mark, Clark Lane et Peacock LLP (2004) Bayesian Credibility for Excess of
Loss Reinsurance Rating. Giro Conference.
[8] Dudley Claire (2006) Bayesian Analysis of an Aggregate Claim Model Using Various
Loss Distributions. Université Heriot Watt d’Edinmbourg.
[9] Dupuis Jérôme (Septembre 2007) Statistique bayésienne et algorithmes MCMC.
IMAT. Master 1.
[10] Furet Aurélie (2008) Impacts de la Volatilité des IBNR dans une Cotation en Réassu-
rance. Mémoire EURIA.
[11] Garnier Stella (2012). Aplication of Credibility Theory to Health Pricing. Mémoire
présenté devant le Centre d’Etudes Actuarielles.
[12] Garon Geneviève (1999). Théorie de la Crédibilité : Modèles de Bühlmann et de
Bühlmann-Straub et applications. Mémoire présenté à la Faculté des études supé-
rieures de l’Université Laval.
[13] Gibbons J.D, Chakraborti S. (2003) Non-parametric statistical inference. McGraw-
Hill. NewYork.
[14] Goulet Vincent (2008) Mathématiques Actuarielles IARD II (Théorie de la Crédibilité).
Cours Université Laval.
[15] Hesselager Ole (1993) A class of Conjugate Priors with Applications to Excess-of-Loss
Reinsurance. ASTIN Bulletin, Vol 23, No 1.
[16] Hulin Laurence (septembre 2015) Comment tarifer a priori...sans a priori. Biblio-
thèque tangente 57.
[17] Hulin Laurence, Daniel Justens (septembre 2015) La tarification a posteriori. Une
belle application des chaînes de Markov. Bibliothèque tangente 57.

[18] Hürlimann W. (2007) Benchmark Rates for XL Reinsurance Revisited : Model Com-
parison for the Swiss MTPL Market. BELGIAN ACTUARIAL Bulletin, Vol.7, No 1.
[19] Jal Pierre (2015) Réassurance Non Vie. Cours dispensé à l’Institut de Sciences
Financières et d’Assurances.
[20] Laurent Stéphane (mars 2007) Analyse bayésienne avec winBUGS et R.
[21] Longley-Cook L.H. (1962) An Introduction to Credibility Theory. PCAS.

[22] Marin Jean-Michel, Robert Christian P. (2008) Les bases de la statistique bayésienne.
[23] Milhaud Xavier. (août 2008) Modèles de Crédibilité avec Régression au Barycentre
du Temps. Rapport de projet de fin d’études.
[24] Morel David.(2013) Pricing Catastrophe Excess of Loss Reinsurance using Market
Curves. Casualty Actuarial Society.
[25] Nessi Hervé (2007) Prise en Compte de la Variable Temps dans la Tarification d’un
Traité XS RC Automobile France. Mémoire présenté devant le jury du CEA.
[26] Parodi Pietro (Octobre 2014) Pricing in General Insurance. Chapman and Hall/CRC
Textbook.
[27] Parodi Pietro et Bonche Stéphane (2008) Uncertainty-Based Credibility and its
Applications. CASUALTY ACTUARIAL SOCIETY. Volume 4.
[28] Patrik Gary et Mashitz Isaac (1990) Credibility for Treaty Reinsurance Excess Pricing.
CAS Discussion paper.
[29] Petauton Pierre (2013) Une Nouvelle Estimation des Paramètres d’un Modèle de
Crédibilité. Bulletin Français d’Actuariat. Volume 13. n◦ 25.
[30] Poulin Mathieu (2010) Analyse des Solutions Actuarielles en Tarification des Traités
de Réassurance Non-Proportionnels Non-Vie. Mémoire présenté devant le jury du
CEA.
[31] Rytgaard Mette (1990) Estimation in the Pareto distribution. ASTIN Bulletin, Vol 20,
201-216.
[32] Schmutz Markus et Doerr Richard R. (Avril 1998) The Pareto Model in Property
Reinsurance. Swiss Reinsurance Company.
[33] Straub Erwin (1971) Estimation of the number of excess claims by means of the
credibility theory, ASTIN Bulletin, Vol.5, No 3.
[34] Thérond Pierre (2014-2015) Théorie de la Crédibilité. Cours dispensé à l’Institut de
Sciences Financières et d’Assurances.
[35] Verlaak Robert, Hürlimann Werner, Beirlant Jan ( Août 2005) Quasi-likelihood
Estimation of Benchmark Rates for Excess of Loss Reinsurance Programs. ASTIN
Colloquium Zürich.

Table des figures
1.1 Répartition des primes brutes cédées . . . . . . . . . . . . . . . . . . . . . 4

1.2 Montants agrégés des sinistres évènements naturels majeurs de 1991 à 2011 4
1.3 Traité Quote-Part avec un plein de conservation de 70% . . . . . . . . . . . 7
1.4 Traité en Excédent de Plein avec un plein de conservation de 0.5M et une
capacité de 3 pleins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Représentation graphique d’un traité XS en deux tranches . . . . . . . . . 9
1.6 Fonctionnement d’un traité XS par événement . . . . . . . . . . . . . . . . 9
2.1 Les différentes étapes permettant d’aboutir à la prime de réassurance . . . 14

2.2 Choix du seuil de modélisation . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Les différentes étapes de la vie d’un sinistre en branche longue . . . . . . . 19
2.4 Les différentes familles de sinistres tardifs . . . . . . . . . . . . . . . . . . 19
2.5 Un exemple de cadencement de règlement . . . . . . . . . . . . . . . . . . 20
2.6 Effet des IBNER sur les montants des sinistres . . . . . . . . . . . . . . . . 27
2.7 Effet des IBNYR sur la fréquence des sinistres . . . . . . . . . . . . . . . . 27
2.8 Exemple de courbes marchés . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9 Comparaison du RoL de différents traités en fonction de la valeur centrale
de la tranche cotée en échelle log-log . . . . . . . . . . . . . . . . . . . . . 33
2.10 Calcul de la prime de crédibilité en réassurance . . . . . . . . . . . . . . . 36
2.11 Schématisation de la problématique du mémoire . . . . . . . . . . . . . . 37
3.1 Le modèle à deux urnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.2 Démarche bayésienne pour l’estimation de la prime de Bayes . . . . . . . . 43
4.1 Evolution du facteur de crédibilité en fonction de la priorité et du nombre

d’années d’observation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Schéma représentant le fonctionnement du modèle bayésien purement
fréquentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Facteur de crédibilité en fonction de la priorité et du nombre d’années pour
un seuil égale à 0.5 M selon deux angles différents . . . . . . . . . . . . . 63
4.4 Facteur de crédibilité en fonction de la priorité et du nombre d’années pour
un seuil égale à 0.65 M selon deux angles différents . . . . . . . . . . . . . 64
4.5 Schéma représentant le fonctionnement du modèle bayésien fréquence/sé-
vérité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.6 Les trois chaînes de Markov obtenues pour le paramètre θ . . . . . . . . . 70
4.7 Les trois chaînes de Markov obtenues pour le paramètre θ en n’affichant
qu’une itération sur 100 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.8 Résultat du test de Brooks-Gelman-Rubin . . . . . . . . . . . . . . . . . . 71
4.9 Histogrammes et densités obtenues à l’équilibre pour le paramètre θ à
gauche et pour le paramètre ψ à droite . . . . . . . . . . . . . . . . . . . . 72
4.10 QQ-plot. En ordonnées on trouve les quantiles empiriques et en abscisses
les quantiles théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.1 Evolution du facteur de crédibilité z en fonction de ρm,c . . . . . . . . . . . 75

5.2 Mécanisme du bootstrap permettant d’évaluer l’incertitude liée à l’estima-

teur du paramètre de fréquence . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 Schéma représentant le fonctionnement du modèle de Bonche et Parodi . 79
6.1 Représentation des taux purs de la tranche 5 xs 5 des cédantes CCR en

fonction des estimations de l’assiette de primes 2015 . . . . . . . . . . . . 85
6.2 Représentation des taux purs de la tranche 5 xs 5 des cédantes CCR en
fonction de la fréquence de sinistralité . . . . . . . . . . . . . . . . . . . . 85
6.3 Gestion par année de souscription . . . . . . . . . . . . . . . . . . . . . . . 87
6.4 Gestion par année de survenance . . . . . . . . . . . . . . . . . . . . . . . 87
6.5 Calcul de la prime fictive de réassurance versée au 1er janvier dans le cas
d’un traité renouvelé au 1er avril . . . . . . . . . . . . . . . . . . . . . . . 88
6.6 Processus d’agrégation des triangles de sinistralité . . . . . . . . . . . . . . 88
7.1 Illustration de la statistique du test de Kolmogorov-Smirnov . . . . . . . . 90
8.1 Facteurs de crédibilité obtenus pour le modèle fréquence/sévérité et pour

les trois tranches standards étudiées . . . . . . . . . . . . . . . . . . . . . 95
8.2 Facteurs de crédibilité obtenus pour le modèle fréquentiel et pour les trois
tranches standards étudiées . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3 Facteurs de crédibilité obtenus pour la cédante n◦ 1 et pour le modèle
fréquence/sévérité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
8.4 Facteurs de crédibilité obtenus pour la cédante n◦ 1 et pour le modèle
purement fréquentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
8.5 Facteurs de crédibilité des cédantes n◦ 1, n◦ 2 et n◦ 3 pour les différents
groupes marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.6 Taux de prime pure crédibilisés calculés pour la cédante n◦ 3 . . . . . . . . 99
A.1 Densité de la loi de Poisson pour différentes valeurs de λ . . . . . . . . . 111

A.2 Densité de la loi de Binomiale Négative pour différents paramètres . . . . 112
A.3 Fonctions densité de la loi de Pareto en échelle Log-Log . . . . . . . . . . . 113
A.4 Fonctions de densité d’une loi Gamma . . . . . . . . . . . . . . . . . . . . 115

Liste des tableaux
2.1 Données d’exposition du traité à tarifer . . . . . . . . . . . . . . . . . . . . 21

2.2 Assiettes de primes revalorisées par la mesure d’exposition . . . . . . . . . 23
2.3 Triangle des sinistres extrapolés . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Triangle des nombres de sinistres extrapolés . . . . . . . . . . . . . . . . . 27
3.1 Notations du modèle de Bühlmann . . . . . . . . . . . . . . . . . . . . . . 45

3.2 Notations du modèle de Bühlmann-Straub . . . . . . . . . . . . . . . . . . 49
4.1 Paramètres des lois Poisson et Pareto pour les cédantes du marché . . . . . 66
4.2 Données issues d’un portefeuille automobile et extraites de l’article de
Rytgaard [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3 Valeurs intiales des trois chaînes de Markov . . . . . . . . . . . . . . . . . 70
4.4 Estimations des paramètres du modèle Poisson-Pareto . . . . . . . . . . . 71
7.1 Résultats du test de Kolmogorov-Smirnov pour deux échantillons . . . . . 90

7.2 Taux purs estimés stochastiquement pour les 20 cédantes du portefeuille
marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.3 Taux marché estimés stochastiquement pour les différents groupes marchés 91
7.4 Méthodes et logiciels utilisés pour chaque modèle . . . . . . . . . . . . . . 94
8.1 Écarts entre les facteurs de crédibilité obtenus pour les modèles bayésiens 97
9.1 Bilan sur les modèles de crédibilité mis en oeuvre dans le mémoire . . . . 102
E.1 Statistiques observées et p-valeur des tests de Kolmogorov-Smirnov . . . . 119
F.1 Facteurs de crédibilité obtenus pour le modèle combiné fréquence/sévérité

lorsque le seuil de modélisation est égal à 1 500 000 . . . . . . . . . . . . . 120
F.2 Facteurs de crédibilité obtenus pour le modèle purement fréquentiel lorsque
le seuil de modélisation est égal à 1 500 000 . . . . . . . . . . . . . . . . . 121
G.1 Résultats obtenus pour les 20 cédantes du portefeuille marché lorsque le

seuil de modélisation est égal à 1 500 000 . . . . . . . . . . . . . . . . . . . 122
G.2 Estimation de l’erreur commise lors de l’estimation de la fréquence marché
θ 2
σm−c pour différents groupes marché . . . . . . . . . . . . . . . . . . . . 123
2
G.3 Estimation de l’hétérogénéité σhθ des différents groupes marché . . . . . . 124
G.4 Estimation du facteur de crédibilité pour les cédantes des différents groupes
marché considérés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
H.1 Facteurs de crédibilité obtenus pour le modèle fréquence/sévérité lorsque

H.2 Facteurs de crédibilité obtenus pour le modèle purement fréquentiel lorsque
I.1 Résultats obtenus pour les 20 cédantes du portefeuille marché lorsque le

seuil de modélisation est égale à 4 000 000 . . . . . . . . . . . . . . . . . . 128

I.2 Estimation de l’erreur commise lors de l’estimation de la fréquence marché

λ
σm pour différents groupes marché . . . . . . . . . . . . . . . . . . . . . . 129
I.3 Estimation de l’hétérogénéité σhλ des différents groupes marché . . . . . . 130
I.4 Estimation du facteur de crédibilité pour les cédantes des différents groupes
marché considérés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

Annexe A
Lois de distribution de fréquence et d’intensité
A.1 La loi de Poisson

La densité de probabilité d’une loi de Poisson de paramètre λ s’écrit :
λk
P (X = k) = e−λ · ∀k∈N
k!
On a alors :
E[N ] = V ar[N ] = λ
Densité de la loi
0.35 de Poisson
0.30 λ=2
0.25
0.20
0.15 λ = 10
0.1 λ = 15
0.05
0
0 5 10 15 20
F IGURE A.1 – Densité de la loi de Poisson pour différentes valeurs de λ
Pour certaine branche, il peut être intéressant de considérer une volatilité plus importante,
on préfère alors avoir recours à la distribution Binomiale Négative.

A.2 La loi Binomiale Négative

La densité de probabilité d’une loi de Binomiale Négative de paramètres n > 0 et p ∈]0, 1[
s’écrit :
k+n−1 n k
P (X = k) = p (1 − p)
k
On a alors :
1−p
E[N ] = n ×
p
1−p
V ar[N ] = n × 2
p
Donc :
V ar[N ] > E[N ]
Densité de la loi
binomiale négative
0.30
0.25
n = 7, p = 0.7
0.20
0.15 n = 7, p = 0.5
0.1 n = 7, p = 0.3
0.05
0
0 5 10 15 20 25
F IGURE A.2 – Densité de la loi de Binomiale Négative pour différents paramètres
A.3 La loi de Pareto

La distribution la plus utilisée en réassurance est sans aucun doute la loi de Pareto. Elle est
très appréciée car elle est simple et possède plusieurs propriétés adaptées à la réassurance.
Ces propriétés ont été détaillées dans les parties 4.1.1 et 4.2.1.
Cette loi est caractérisée par deux paramètres, un paramètre de forme α et un para-
mètre d’échelle, le seuil, λ. En général, on fixe le seuil λ et on cherche le α associé à ce
seuil.
La fonction de densité peut s’écrire :
αλα
f (x) = 1]λ;+∞[ (x)
xα+1

En échelle Log-Log, cette fonction densité est une droite affine de pente (α + 1) et d’ordon-
née à l’origine ln(α) + α ln(λ).
−10
α = 1
−20
α = 2
α = 3
α = 8
α = 5
−30
−40
−50
4 5 6 7 8 9 10
ln( x
a
)
F IGURE A.3 – Fonctions densité de la loi de Pareto en échelle Log-Log
La fonction de répartition est :

α
λ
F (x) = 1 − 1]λ;+∞[ (x)
x
Donc : α
λ
P (X > x) = ∀x>λ
x
Par conséquent, plus α est petit, plus la queue de la distribution est épaisse (et donc plus
la probabilité de sinistres importants est élevée).
L’espérance est égale à : (

α
α−1 λ si ∀ α > 1
E[X] =
∞ si α ≤ 1
La variance vaut : (
α
(α−1)2 (α−2) λ si ∀ α > 2
V ar[X] =
∞ si α ≤ 2
L’estimateur du maximum de vraisemblance se calcule ainsi :

n
α
b = Pn xi
i=1 ln( λ )

où {x1 , ..., xn } est la réalisation d’un n-échantillon i.i.d de X.
Cet estimateur étant biaisé, on lui préfère souvent l’estimateur débiaisé suivant :
n−1
α
b = Pn xi
i=1 ln( λ )
Nous avons présenté la loi de Pareto selon sa défintion “ européenne ”. Il existe d’autres
écritures possibles de la loi de Pareto. La définition “ américaine ” est la suivante :
αλα
f (x) = 1]λ;+∞[ (x)
(x + λ)α+1
λ α
(
1 − ( x+λ ) si x > 0
F (x) =
0 si x ≤ 0
Il s’agit bien sûr de la même loi mais dans un cas, on s’intéresse à la valeur des dépasse-
ments depuis l’origine 0 et dans l’autre à la valeur des dépassements depuis le seuil, λ.
Si X suit une loi de Pareto “ européenne ” de paramètres (λ, α) alors X − λ est distribué
selon une Pareto “ américaine ” de paramètres (λ, α).
A.4 La loi Gamma

La loi Gamma est caractérisée par deux paramètres, un paramètre de forme a et un para-
mètre d’intensité b.
La fonction densité s’écrit :

ba
f (x) = · e−bx · xa−1
Γ(a)
avec Z ∞
Γ(a) = e−x · xa−1 dx
0
La fonction de répartition s’écrit :

x
ba
Z
F (x) = e−bx · xa−1 dx
Γ(a) 0
L’espérance est égale à :

a
E[X] =
b
Et la variance à :
a
V ar[X] =
b2

2
a = 0.5
1.5
a = 10
Densité
1
a = 4
a = 2
0.5 a = 1
0
0.5 1 1.5 2 2.5 3
x
F IGURE A.4 – Fonctions de densité d’une loi Gamma

Annexe B
Frise chronologique de la crédibilité appliquée à

la réassurance
1
1914 Crédibilité Américaine
Arthur H. Mowbray
2
1945 Crédibilité des Moindres Carrés
Arthur L. Bailey
3
1967 Crédibilité Bayésienne
Hans Bühlmann & Erwin Straub 4
1971 Première application à la Réassurance
Erwin Straub
5
6
1991 Modèle de crédibilité fréquentiel en Réassurance
Gary Patrik & Isaac Mashitz
1992 Crédibilité des Incertitudes
Joseph A. Boor
2005 Modèle de crédibilité fréquence/sévérité 8

en Réassurance
2008 Mark Cockroft Crédibilité des Incertitudes
appliquée à la Réassurance
Stéphane Bonche & Pietro Parodi

Annexe C
Modèle de Cockroft
Lemme 8
r Ψ−j !
X r r−j j λ+d
µr (Ψ) = (λ + d)r (−1) 1−
j=0
j Ψ−j λ+d+l
Preuve. Z Ψ
l
Ψ −(Ψ+1) λ+d
µr (Ψ) = y r Ψ(λ + d) (λ + d + y) dy + lr
0 λ+d+l
Z l+d Ψ
r Ψ −(Ψ+1) r λ+d
= (x − d) Ψ(λ + d) (λ + x) dx + l
l λ+d+l
Z l+d Ψ
r Ψ −(Ψ+1) r λ+d
= [(λ + x) − (λ + d)] Ψ(λ + d) (λ + x) dx + l
l λ+d+l
Z l+d X r Ψ
r j r−j r−j Ψ −(Ψ+1) λ+d
= (λ + x) (−1) (λ + d) Ψ(λ + d) (λ + x) dx + lr
l j=0
j λ+d+l
r Z l+d Ψ
X r r−j r−j Ψ −(Ψ−j+1) r λ+d
= (−1) (λ + d) Ψ(λ + d) (λ + x) dx + l
j=0
j l λ+d+l
r −(Ψ−j) −(Ψ−j)
X r r−j r Ψ−j (λ + d) − (λ + l + d)
= (−1) (λ + d) Ψ(λ + d)
j=0
j Ψ−j
r Ψ
r λ+l+d λ+d
+ (λ + d) −1
λ+d λ+d+l
r
X r Ψ−j !
r−j r Ψ λ+d
= (−1) (λ + d) 1−
j=0
j Ψ−j λ+d+l
 
r j Ψ
r
X r r−j λ+d λ+d
+ (λ + d) (−1) 
j=0
j λ+d+l λ+d+l
r
" Ψ−j ! Ψ−j #
X r r−j r Ψ λ+d λ+d
= (−1) (λ + d) 1− +
j=0
j Ψ−j λ+d+l λ+d+l
r
" !#
Ψ−j
X r r−j r j λ+d
= (−1) (λ + d) 1 + 1−
j=0
j Ψ−j λ+d+l
r r Ψ−j !
r
X r r−j r
X r r−j j λ+d
= (λ + d) (−1) +(λ + d) (−1) 1−
j=0
j j=0
j Ψ−j λ+d+l
| {z }
=0

Annexe D
Code WinBUGS pour le modèle Poisson-Pareto
model
{
for(i in 1 :16) {
y[i] ∼ dpar(psi, 1.5)
}
for(i in 1 :5) {
n[i] ∼ dpois(theta)
}
psi ∼ dgamma(1, 0.0001)
theta ∼ dgamma(1, 0.0001)
}
list(
y = c(2.495, 2.120, 2.095, 1.700, 1.650, 1.985, 1.810, 1.625,
3.215, 2.105, 1.765, 1.715, 19.180, 1.915, 1.790, 1.755),
n = c(5, 3, 4, 0, 4)
)
list(
psi = 1000,
theta= 2
)

Annexe E
Résultats des tests de Kolmogorov-Smirnov
Seuil = 1 M £ Seuil = 1.5 M £ Seuil = 2 M £

Cédante
D0 p valeur D0 p valeur D0 p valeur
1 0.0859 0.4799 0.2165 0.392 0.1533 0.2339

2 0.0572 0.9868 0.088 0.9623 0.1563 0.8218
3 0.0572 0.3920 0.1048 0.4621 0.2314 0.2846
4 0.2213 0.2564 0.1742 0.3162 0.2524 0.1461
5 0.0723 0.7772 0.1693 0.1615 0.1985 0.4074
6 0.3652 0.3101 0.3582 0.960 0.7056 0.7031
7 0.1706 0.3022 0.1864 0.5445 0.2013 0.8201
8 0.1364 0.1236 0.0812 0.2540 0.1514 0.6757
9 0.3420 0.00091 0.1480 0.0221 0.1602 0.1820
10 0.0661 0.1290 0.0704 0.345 0.0983 0.510
11 0.2993 0.00215
12 0.0968 0.0081 0.2411 0.0092 0.1092 0.2729
13 0.0602 0.8718 0.0996 0.7247 0.2004 0.2993
14 0.2647 0.00153 0.1099 0.00081 0.1603 0.04199
15 0.0947 0.2768 0.1216 0.3213 0.1611 0.3367
16 0.2201 0.01563 0.1503 0.422 0.2167 0.2782
17 0.0929 0.00578 0.0489 0.410 0.0752 0.1965
18 0.1032 0.1367 0.0907 0.2041 0.1926 0.210
19 0.1648 0.03612
20 0.0876 0.0072 0.0898 0.0034 0.1936 0.00289
TABLE E.1 – Statistiques observées et p-valeur des tests de Kolmogorov-Smirnov

Annexe F
Résultats obtenus pour les modèles bayésiens
Longueur de Groupe de 20 cédantes Longueur de Groupe de 15 cédantes

l’historique l’historique
(en années) (en années)
T 3 xs 2 T 5 xs 5 T 15 xs 10 T 3 xs 2 T 5 xs 5 T 15 xs 10
10 99.22% 98.04% 97.11% 10 98.88% 97.76% 96.83%
9 98.40% 96.89% 93.23% 9 98.17% 95.95% 93.01%
8 97.57% 95.25% 91.41% 8 97.37% 94.00% 90.52%
7 95.22% 92.81% 87.99% 7 95.19% 92.11% 85.98%
6 93.22% 90.44% 85.65% 6 92.86% 89.65% 80.74%
5 91.80% 87.64% 77.44% 5 91.72% 86.76% 74.48%
4 88.56% 84.55% 75.67% 4 88.31% 84.01% 68.57%
3 85.90% 80.78% 69.48% 3 84.99% 78.99% 66.65%
2 83.13% 74.59% 65.29% 2 82.31% 74.02% 63.21%

10 97.49% 94.43% 91.65% 10 93.36% 82.87% 80.34%
9 96.07% 92.71% 89.32% 9 91.43% 81.04% 79.66%
8 93.84% 89.83% 86.18% 8 89.63% 78.42% 75.44%
7 90.20% 88.76% 83.69% 7 86.18% 77.20% 73.09%
6 88.87% 84.10% 79.79% 6 83.20% 76.49% 69.87%
5 85.00% 81.95% 76.18% 5 79.52% 74.32% 65.13%
4 81.75% 78.89% 73.22% 4 76.00% 71.03% 56.78%
3 77.18% 70.46% 68.41% 3 67.28% 62.13% 45.12%
2 72.23% 68.98% 61.94% 2 59.36% 51.22% 32.99%

10 89.74% 76.89% 71.00% 10 87.14% 70.12% 60.77%
9 86.10% 72.61% 67.25% 9 85.47% 67.19% 57.30%
8 84.51% 67.57% 62.41% 8 82.37% 59.81% 48.45%
7 82.87% 61.01% 58.95% 7 80.99% 58.30% 48.19%
6 78.24% 58.48% 51.74% 6 76.14% 56.55% 45.30%
5 75.07% 53.06% 49.78% 5 75.40% 47.13% 34.87%
4 69.98% 46.82% 37.92% 4 66.82% 35.87% 24.01%
3 60.33% 39.59% 28.79% 3 57.67% 29.60% 19.76%
TABLE F.1 – Facteurs de crédibilité obtenus pour le modèle combiné fréquence/sévérité lorsque le
seuil de modélisation est égal à 1 500 000


10 97.83% 87.75% 68.54% 10 95.35% 84.39% 66.25%
9 96.69% 85.77% 65.29% 9 94.12% 82.26% 63.59%
8 95.28% 83.25% 59.97% 8 90.54% 80.04% 60.27%
7 93.47% 80.00% 57.00% 7 87.30% 77.16% 56.81%
6 91.20% 76.33% 52.85% 6 84.05% 72.99% 52.63%
5 88.19% 71.33% 45.67% 5 81.14% 69.84% 44.10%
4 83.97% 65.03% 39.77% 4 77.69% 62.41% 38.65%
3 78.81% 61.25% 38.80% 3 73.32% 55.60% 34.78%
2 70.40% 55.94% 35.05% 2 63.32% 43.72% 30.31%

10 89.01% 78.75% 59.80% 10 87.91% 74.08% 54.10%
9 86.92% 76.23% 55.97% 9 86.12% 72.43% 52.46%
8 85.17% 72.67% 50.94% 8 84.23% 69.07% 47.69%
7 82.37% 70.42% 47.88% 7 81.00% 67.28% 42.06%
6 79.41% 68.28% 45.10% 6 77.58% 63.34% 39.46%
5 75.16% 64.57% 41.64% 5 74.81% 57.96% 35.63%
4 72.13% 58.94% 38.69% 4 70.91% 53.22% 29.87%
3 65.97% 53.98% 34.13% 3 63.66% 45.55% 24.56%
2 59.18% 43.52% 24.13% 2 52.12% 39.31% 15.98%

10 77.95% 65.04% 37.86% 10 60.16% 57.40% 26.40%
9 75.21% 63.10% 36.02% 9 57.95% 48.44% 23.42%
8 71.44% 60.73% 35.27% 8 53.99% 44.60% 16.81%
7 63.99% 57.49% 28.41% 7 49.66% 38.13% 14.18%
6 60.22% 52.96% 24.52% 6 45.92% 31.81% 12.28%
5 57.34% 46.20% 20.42% 5 41.30% 28.59% 10.71%
4 51.87% 41.11% 13.50% 4 39.87% 25.93% 7.80%
3 45.21% 36.14% 10.34% 3 38.12% 24.42% 6.51%
TABLE F.2 – Facteurs de crédibilité obtenus pour le modèle purement fréquentiel lorsque le seuil de
modélisation est égal à 1 500 000

Annexe G
Résultats obtenus pour le modèle non bayésien
2 2 2
Cédantes (σcθ ) θ
(σm−c ) θ)
(σh zθ
1 8.97 10−18 6.68 10−19 2.92 10−15 99.69%

2 6.70 10−18 7.21 10−19 2.93 10−15 99.77%
3 6.50 10−17 5.71 10−19 2.79 10−15 97.12%
4 7.76 10−17 5.74 10−19 2.85 10−15 97.35%
5 1.79 10−17 5.70 10−19 2.85 10−15 99.37%
6 6.91 10−18 5.04 10−19 2.77 10−15 99.75%
7 9.26 10−17 5.24 10−19 2.79 10−15 97.81%
8 7.33 10−18 6.08 10−19 2.99 10−15 99.76%
9 2.12 10−17 5.79 10−19 2.77 10−15 99.24%
10 1.80 10−18 7.11 10−19 2.36 10−15 99.92%
11 1.06 10−17 5.79 10−19 2.76 10−15 99.62%
12 4.04 10−18 6.57 10−19 2.22 10−15 99.82%
13 1.39 10−17 9.39 10−19 3.07 10−15 99.55%
14 5.01 10−17 6.58 10−19 2.86 10−15 98.28%
15 3.35 10−17 5.14 10−19 2.88 10−15 98.85%
16 2.39 10−18 5.63 10−19 2.93 10−15 99.92%
17 8.40 10−19 5.79 10−19 2.39 10−15 99.96%
18 6.63 10−17 6.62 10−19 3.49 10−15 98.14%
19 5.19 10−19
20 4.90 10−19
Calcul impossible en raison du peu de données dépassant le seuil de modélisation
TABLE G.1 – Résultats obtenus pour les 20 cédantes du portefeuille marché lorsque le seuil de

hhhh Marché privé de
hhhh
Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
la cédante n◦ :
hhh
hhh
1 6.677 10−19 1.297 10−18 1.478 10−18 2.773 10−18 3.702 10−18 1.214 10−16
2 7.210 10−19 9.280 10−19 1.310 10−18 2.201 10−18 7.092 10−18 1.202 10−16
3 5.714 10−19 1.094 10−18 1.185 10−18 2.126 10−18 3.872 10−18 1.380 10−16
4 5.741 10−19 9.81 10−19 1.077 10−18 1.333 10−18 2.380 10−18 X
5 5.703 10−19 9.276 10−19 1.724 10−18 2.165 10−18 2.603 10−18 X
6 5.042 10−19 9.184 10−19 1.319 10−18 1.733 10−18 1.92 10−18 X

7 5.258 10−19 9.540 10−19 1.379 10−18 2.666 10−18 X X
8 6.084 10−19 9.9175 10−19 1.207 10−18 1.44 10−18 X X

9 5.791 10−19 1.136 10−18 1.364 10−18 1.81 10−18 X X
10 7.114 10−19 1.385 10−18 1.43 10−18 X X X
11 5.789 10−19 1.153 10−18 1.237 10−18 X X X
12 6.572 10−19 1.116 10−18 1.956 10−18 X X X
13 9.385 10−19 9.756 10−19 X X X X
14 6.578 10−19 1.077 10−18 X X X X
15 5.14 10−19 9.236 10−19 X X X X
16 5.629 10−19 X X X X X
17 5.790 10−19 X X X X X
18 6.623 10−19 X X X X X
19 5.190 10−19 X X X X X
20 4.896 10−19 X X X X X
θ 2
TABLE G.2 – Estimation de l’erreur commise lors de l’estimation de la fréquence marché σm−c pour différents groupes marché
125
hhhh
Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
la cédante n◦ :
hhh
hhh
1 2.915 10−15 9.603 10−16 2.848 10−16 1.945 10−16 1.942 10−16 1.821 10−16
2 2.933 10−15 1.974 10−16 1.749 10−16 1.740 10−16 1.713 10−16 1.431 10−16
3 2.789 10−15 1.696 10−16 1.666 10−16 1.374 10−16 1.042 10−16 9.855 10−17
4 2.849 10−15 3.521 10−16 2.954 10−16 1.886 10−16 1.749 10−16 X
5 2.853 10−15 3.188 10−16 1.995 10−16 1.867 10−16 1.710 10−16 X
6 2.770 10−15 1.715 10−16 1.493 10−16 1.206 10−16 1.093 10−16 X

7 2.791 10−15 5.639 10−16 1.837 10−16 1.769 10−16 X X
8 2.992 10−15 1.906 10−16 1.805 10−16 1.730 10−16 X X

9 2.765 10−15 1.871 10−16 1.840 10−16 1.772 10−16 X X
10 2.356 10−15 4.133 10−16 2.712 10−16 X X X
11 2.758 10−15 3.854 10−16 2.515 10−16 X X X
12 2.219 10−15 2.058 10−16 1.438 10−16 X X X
13 3.069 10−15 6.733 10−16 X X X X
14 2.862 10−15 1.905 10−16 X X X X
15 2.876 10−15 1.603 10−16 X X X X
16 2.931 10−15 X X X X X
17 2.386 10−15 X X X X X
18 3.487 10−15 X X X X X
19 X X X X X
20 X X X X X
2
TABLE G.3 – Estimation de l’hétérogénéité σhθ des différents groupes marché
126
``` z θ
``` Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
```
Cédantes n◦ : `
1 99.69% 99.08% 96.96% 95.65% 95.66% 97.13%
2 99.77% 96.73% 96.34% 96.34% 96.38% 97.52%
3 97.72% 72.41% 72.06% 68.21% 62.43% 78.44%
4 97.35% 81.98% 79.26% 70.99% 69.55% X
5 99.37% 94.68% 91.81% 91.32% 90.63% X
6 99.75% 96.15% 95.61% 94.65% 94.15% X
7 97.81% 85.91% 66.64% 65.97% X X

8 99.76% 96.31% 96.12% 95.97% X X
9 99.24% 89.88% 89.74% 89.41% X X

10 99.92% 99.57% 99.34% X X X
11 99.62% 97.33% 95.97% X X X
12 99.82% 98.08% 97.30% X X X
13 99.55% 97.98% X X X X
14 98.28% 79.28% X X X X
15 98.85% 82.82% X X X X
16 99.92% X X X X X
17 99.96% X X X X X
18 98.14% X X X X X
19 X X X X X
20 X X X X X
TABLE G.4 – Estimation du facteur de crédibilité pour les cédantes des différents groupes marché considérés
127
Annexe H
Compléments - Modèles bayésiens

T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 97.35% 96.90% 10 94.45% 93.71%
9 95.11% 94.54% 9 93.48% 92.55%
8 92.34% 90.08% 8 91.40% 89.21%
7 92.14% 89.87% 7 90.85% 88.15%
6 97.78% 89.39% 6 89.88% 86.66%
5 83.70% 78.85% 5 82.55% 76.58%
4 82.65% 76.23% 4 80.72% 66.90%
3 80.14% 70.39% 3 76.54% 64.08%
2 72.19% 65.74% 2 71.30% 55.89%

T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 89.34% 88.32% 10 82.21% 79.66%
9 88.97% 87.93% 9 82.19% 79.56%
8 84.92% 83.62% 8 79.29% 75.77%
7 84.67% 82.82% 7 78.06% 74.61%
6 82.71% 80.51% 6 74.26% 69.92%
5 79.75% 76.91% 5 69.77% 64.24%
4 77.99% 74.61% 4 64.48% 57.77%
3 71.75% 66.91% 3 54.28% 44.62%
2 69.62% 63.85% 2 40.73% 33.21%

T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 72.32% 67.10% 10 64.64% 58.80%
9 72.27% 67.31% 9 62.25% 55.95%
8 66.66% 60.10% 8 60.94% 54.41%
7 66.35% 59.73% 7 60.02% 53.39%
6 58.82% 51.42% 6 58.47% 50.52%
5 55.69% 48.22% 5 46.74% 35.08%
4 41.53% 27.13% 4 31.72% 24.90%
3 36.26% 25.06% 3 29.72% 18.17%
TABLE H.1 – Facteurs de crédibilité obtenus pour le modèle fréquence/sévérité lorsque le seuil de


T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 87.34% 68.25% 10 78.38% 61.33%
9 85.86% 64.06% 9 77.85% 56.24%
8 84.07% 59.44% 8 74.06% 49.36%
7 82.22% 56.48% 7 71.73% 47.73%
6 79.83% 51.91% 6 68.55% 43.98%
5 76.30% 44.62% 5 64.45% 39.39%
4 71.78% 38.46% 4 59.23% 34.42%
3 65.23% 30.40% 3 51.55% 26.48%
2 55.72% 22.83% 2 41.88% 20.24%

T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 77.98% 54.46% 10 70.39% 44.64%
9 76.04% 51.32% 9 68.25% 42.52%
8 73.52% 46.66% 8 65.22% 37.95%
7 70.87% 43.63% 7 62.32% 35.72%
6 67.58% 39.85% 6 58.54% 31.75%
5 63.08% 34.00% 5 53.77% 27.10%
4 57.53% 28.46% 4 48.11% 22.65%
3 49.97% 21.69% 3 40.26% 16.28%
2 40.44% 16.72% 2 33.61% 11.48%

T 5 xs 5 T 15 xs 10 T 5 xs 5 T 15 xs 10
10 63.46% 35.20% 10 56.11% 23.57%
9 61.12% 33.42% 9 53.92% 23.00%
8 58.90% 33.03% 8 49.31% 16.69%
7 54.48% 26.24% 7 48.12% 20.00%
6 50.53% 23.23% 6 42.35% 13.47%
5 45.16% 18.02% 5 38.64% 12.69%
4 35.02% 12.50% 4 34.63% 7.11%
3 30.98% 9.69% 3 28.44% 6.71%
TABLE H.2 – Facteurs de crédibilité obtenus pour le modèle purement fréquentiel lorsque le seuil de

Annexe I
Compléments - Modèle non bayésien
2 2 2
Cédantes (σcθ ) θ
(σm−c ) θ)
(σh zθ
1 3.29 10−18 9.13 10−20 4.80 10−16 99.32%

2 4.34 10−18 2.45 10−19 4.84 10−16 99.11%
3 2.13 10−17 2.20 10−19 4.70 10−16 95.68%
4 6.91 10−18 2.07 10−19 4.76 10−16 98.57%
5 8.98 10−18 2.66 10−19 4.76 10−16 98.15%
6 2.73 10−18 2.09 10−19 4.68 10−16 99.42%
7 7.41 10−18 2.46 10−19 4.70 10−16 98.45%
8 3.28 10−18 2.52 10−19 4.91 10−16 99.34%
9 8.01 10−18 2.52 10−19 4.67 10−16 98.32%
10 1.09 10−18 3.10 10−19 5.22 10−16 99.79%
11 5.94 10−18 2.49 10−19 4.66 10−16 98.74%
12 2.89 10−18 2.29 10−19 5.14 10−15 99.44%
13 4.92 10−18 3.00 10−19 4.98 10−16 99.02%
14 1.66 10−17 2.35 10−19 4.77 10−16 96.63%
15 1.82 10−17 2.80 10−19 4.78 10−16 96.33%
16 8.17 10−18 2.77 10−19 5.83 10−16 98.62%
17 5.42 10−19 2.51 10−19 2.68 10−16 98.04%
18 1.24 10−17 3.49 10−19 5.73 10−16 97.75%
19 2.46 10−19
20 2.38 10−19
Calcul impossible en raison du peu de données dépassant le seuil de modélisation
TABLE I.1 – Résultats obtenus pour les 20 cédantes du portefeuille marché lorsque le seuil de
modélisation est égale à 4 000 000

hhhh
hhh Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
la cédante no : hhh
1 9.126 10−20 5.183 10−19 8.204 10−19 9.202 10−19 1.89 10−18 5.803 10−18
2 2.446 10−19 5.730 10−19 7.795 10−19 8.396 10−19 1.175 10−18 3.617 10−18
3 2.199 10−19 4.689 10−19 5.576 10−19 6.376 10−19 9.95 10−19 1.945 10−18
4 2.056 10−19 5.039 10−19 5.034 10−19 6.277 10−19 9.69 10−19 X
5 2.66 10−19 4.336 10−19 6.895 10−19 1.101 10−18 1.302 10−18 X
6 2.093 10−19 5.00 10−19 5.774 10−19 8.06 10−19 7.156 10−19 X

7 2.46 10−19 5.650 10−19 6.49 10−19 9.431 10−19 X X
8 2.518 10−19 5.001 10−19 7.019 10−19 6.649 10−19 X X

9 2.523 10−19 5.160 10−19 6.254 10−19 6.52 10−19 X X
10 3.104 10−19 6.485 10−19 7.96 10−19 X X X
11 2.491 10−19 5.023 10−19 5.682 10−19 X X X
12 2.291 10−19 5.230 10−19 1.029 10−18 X X X
13 3.00 10−19 3.580 10−19 X X X X
14 2.346 10−19 4.539 10−19 X X X X
15 2.796 10−19 5.411 10−19 X X X X
16 2.77 10−19 X X X X X
17 2.507 10−19 X X X X X
18 3.494 10−19 X X X X X
19 2.464 10−19 X X X X X
20 2.381 10−19 X X X X X
λ
TABLE I.2 – Estimation de l’erreur commise lors de l’estimation de la fréquence marché σm pour différents groupes marché
131
hhhh
hhh Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
la cédante no : hhh
1 4.798 10−16 9.703 10−17 7.842 10−17 5.847 10−17 4.752 10−17 3.936 10−17
2 4.842 10−16 9.515 10−17 4.511 10−17 2.966 10−17 3.541 10−17 3.533 10−17
3 4.702 10−16 9.676 10−17 3.757 10−17 6.773 10−17 2.570 10−17 3.021 10−17
4 4.758 10−16 7.004 10−17 6.694 10−17 5.122 10−17 4.879 10−17 X
5 4.760 10−16 1.091 10−16 6.543 10−17 4.421 10−17 3.413 10−17 X
6 4.680 10−16 9.343 10−17 3.516 10−17 2.998 10−17 3.073 10−17 X

7 4.695 10−16 2.131 10−16 4.622 10−17 5.278 10−17 X X
8 4.905 10−16 1.262 10−16 4.358 10−17 4.123 10−17 X X

9 4.674 10−16 1.237 10−16 4.583 10−17 3.631 10−17 X X
10 5.217 10−16 8.463 10−18 6.895 10−17 X X X
11 4.660 10−16 1.548 10−16 4.456 10−17 X X X
12 5.141 10−16 9.668 10−17 7.114 10−17 X X X
13 4.981 10−16 9.397 10−17 X X X X
14 4.770 10−16 9.553 10−17 X X X X
15 4.775 10−16 9.175 10−17 X X X X
16 5.832 10−16 X X X X X
17 2.684 10−17 X X X X X
18 5.732 10−16 X X X X X
19 X X X X X
20 X X X X X
TABLE I.3 – Estimation de l’hétérogénéité σhλ des différents groupes marché

132
XXX λ
XX zd,l Groupe de 20 cédantes Groupe de 15 cédantes Groupe de 12 cédantes Groupe de 9 cédantes Groupe de 6 cédantes Groupe de 3 cédantes
Cédantes XXX
X
1 99.32% 96.74% 96.01% 94.75% 93.76% 99.11%
2 99.11% 95.66% 91.36% 87.54% 89.40% 95.68%
3 95.68% 82.06% 64.20% 76.28% 55.66% 60.19%
4 98.57% 91.08% 88.21% 88.24% 87.81% X
5 98.15% 91.86% 88.04% 83.46% 79.78% X
6 99.42% 97.17% 92.90% 91.85% 92.01% X

7 98.45% 96.65% 69.59% 72.40% X X
8 99.34% 97.48% 93.11% 92.75% X X
9 98.32% 93.94% 85.29% 82.19% X X

10 99.79% 89.29% 98.46% X X X
11 98.74% 96.32% 88.37% X X X
12 99.44% 97.11% 96.15% X X X
13 99.02% 95.04% X X X X
14 96.63% 85.23% X X X X
15 96.33% 85.53% X X X X
16 98.62% X X X X X
17 98.04% X X X X X
18 97.75% X X X X X
19 X X X X X
20 X X X X X
TABLE I.4 – Estimation du facteur de crédibilité pour les cédantes des différents groupes marché considérés
133

REASS2

Transféré par

Droits d'auteur :

Formats disponibles

REASS2

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

REASS2

Transféré par

Droits d'auteur :

Formats disponibles

Les tarifs des réassureurs sont-ils crédibles?

« Credibility Theory is one of the cornerstones of actuarial science as applied to casualty

Christine Finas | Mémoire | 2015

L’actuaire qui souhaite tarifer un traité en excédent de sinistre a, en général, à sa dispo-

Ce mémoire s’intéresse aux situations intermédiaires pour lesquelles une méthode de

MOTS-CLÉS : Réassurance, tarification sur base expérience, tarification marché, cré-

Christine Finas | Mémoire | 2015

This report focuses on intermediate situations for which an experience-rating method

KEYWORDS : Reinsurance, experience rating, market rating, credibility, bayesian ap-

Christine Finas | Mémoire | 2015

J’adresse également mes remerciements à Stéphane Bonche, Mark Cockroft et Pietro

Christine Finas | Mémoire | 2015

I Contexte : La réassurance vue par un actuaire tarificateur 2

II Les modèles de crédibilité en réassurance 35

Christine Finas | Mémoire | 2015

4 La crédibilité bayésienne appliquée à la réassurance 52

5 Crédibilité des Incertitudes 74

III Cas pratique

7 Mise en oeuvre des modèles de crédibilité 89

Christine Finas | Mémoire | 2015

8.2.2 Sans réponses théoriques . . . . . . . . . . . . . . . . . . . . . . . 99

9 Bilan et Perspectives 101

A Lois de distribution de fréquence et d’intensité 111

B Frise chronologique de la crédibilité appliquée à la réassurance 116

C Modèle de Cockroft 117

D Code WinBUGS pour le modèle Poisson-Pareto 118

E Résultats des tests de Kolmogorov-Smirnov 119

F Résultats obtenus pour les modèles bayésiens 120

G Résultats obtenus pour le modèle non bayésien 122

H Compléments - Modèles bayésiens 126

I Compléments - Modèle non bayésien 128

Christine Finas | Mémoire | 2015

Placée sous la responsabilité d’Hervé Nessi, directeur du Département Etudes Techniques

Christine Finas | Mémoire | 2015 1

Contexte : La réassurance vue

Christine Finas | Mémoire | 2015 2

1.1 Les fondamentaux de la réassurance

Il existe deux formes principales de contrat de réassurance, le traité et la facultative.

En outre, on distingue plusieurs branches et sous-branches en réassurance. Il existe

Christine Finas | Mémoire | 2015 3

reste le marché majoritaire, se divise entre la réassurance de personnes, la réassurance de

Traités Non Proportionnels

Traités Proportionnels Vie

F IGURE 1.1 – Répartition des primes brutes cédées

1.1.1.3 Un marché cyclique

Christine Finas | Mémoire | 2015 4

1.1.1.4 La gestion des risques au coeur de la réassurance

1.1.1.5 Les indicateurs de performance

1.1.1.6 Quelques chiffres

1.1.2 Organisation de l’activité de réassurance

1.1.2.2 Le processus de cotation d’un contrat de réassurance

Christine Finas | Mémoire | 2015 5

1.1.3 L’histoire de la réassurance

Le premier contrat de réassurance est signé en 1370, à un moment où le commerce

C’est à Londres, au Royaume-Uni, que la première organisation moderne d’assurance

La réassurance moderne est apparue en Allemagne au moment de la révolution industrielle.

1.2 Les différents traités de réassurance

Christine Finas | Mémoire | 2015 6

cédante pour la période de couverture (communément désignée par l’abréviation anglaise

1.2.1.1 Traité Quote-Part