Evaluation Des Provisions Techniques en PDF

Evaluation des provisions techniques en assurance
non-vie : la méthode de référence de Chain-Ladder

et la technique du bootstrap associée
Mémoire de DIPES II de mathématiques
De
TOUYEM Hilaire
Matricule: 10Y614
Licencié en Mathématiques pures
Sous la direction de :
Dr. Siméon FOTSO

Chargé de Cours
Ecole Normale Supérieure, Université de Yaoundé I
Année Académique 2014-2015

♠ Dédicace ♠
Ma maman chérie PEJINDA Pauline, mère pleine d’amour et de tendresse pour qui je suis
fier d’être le fils.
i
Mémoire DIPES II 2014-2015
♠ Remerciements ♠
Ce Mémoire n’aurait jamais vu le jour sans la participation effective de certaines personnes

que j’ai eu la grâce d’avoir auprès de moi pendant ces deux années de travail ; je dis merci
particulièrement :
• Au Dieu tout puissant, qui m’a accordé les grâces nécessaires au cours de ce travail pour
accomplir l’une des missions auxquelles il m’a appelé. Dieu d’amour comment ne pas te
bénir et te glorifier pour tant de merveilles que tu as accompli dans ma vie depuis le sein
maternel ? Merci Seigneur, à toi la plénitude de la gloire ;
• Au Docteur Siméon FOTSO pour m’avoir proposé ce sujet et dirigé tous les travaux de ce
mémoire en faisant preuve d’une grande disponibilité malgré ses multiples occupations ;
• A tous les enseignants du département de mathématiques de l’Ecole Normale Supérieure de
Yaoundé qui m’ont tout appris depuis mon entrée dans cette prestigieuse école ;
• A tous les aînés et camarades de promotion qui ont donné de leur temps pour m’apprendre
l’utilisation du logiciel Latex, je pense en particulier à Armel MOMO KENFACK et
Florent FOKAM ;
• A tous ceux qui n’ont ménagé aucun effort à lire ce mémoire et en faire des critiques et
suggestions importantes, je pense à Idene Flore, Amamatou ARETOUYAP, Christelle
KENFACK, NJOYA NGANMEGNI, Yves NGANSOB, Keline DELIOTA et Sula-
mithe TSAKOU ;
• A toute ma famille pour leurs soutiens moral, matériel et financier qu’elle a eu à faire jus-
qu’ici pour ma réussite académique. Particulièrement à Pascaline MOTHO, Nadège
MOME, Nathalie MEGHA, Eveline FOBASSOet Celestin LACZEU ;
• A tous mes frères et soeurs du renouveau charismatique de la paroisse Sainte Anne d’Obili
pour leurs conseils et soutiens spirituels.
• Je ne saurai terminer sans remercier mes camarades de la 54ième promotion en particulier
ceux avec qui j’ai cheminé depuis le niveau 1.
ii
♠ Déclaration sur l’honneur ♠
Le présent document est une œuvre originale du candidat et n’a été soumis nulle part
ailleurs en partie ou en totalité, pour une autre évaluation académique. Les contributions
externes ont été dûment mentionnées et recensées en bibliographie.
Signature du candidat
TOUYEM Hilaire
iii
♠ Résumé ♠
En assurance non-vie, les provisions techniques pour sinistres à payer constituent en mon-
tant la part la plus importante du bilan d’une compagnie d’assurance ; ils nécessitent par consé-
quent, une évaluation très précise. L’objet principal de ce mémoire est de présenter la méthode
de Chain-Ladder qui est la technique standard utilisée par les actuaires pour calculer les provi-
sions. Nous présentons également le modèle de Mack [8] qui permet d’avoir une estimation de
l’erreur commise dans le calcul des provisions et la méthode du bootstrap [6]adaptée au cal-
cul de provisions qui donne une distribution de ces dernières. Nous appliquons les différentes
méthodes présentées sur des données réelles provenant d’une compagnie d’assurance anonyme
de la zone CIMA 1 .
Mots clés : Assurance non-vie, Provisions, Facteur de développement, Erreur de prédiction,
Bootstrap.
1. Conférence Interafricaine des Marchés d’Assurances.
iv
♠ Abstract ♠
In non-life insurance, claims reserving constitute in amount, the most important part of a
balance sheet of the insurance company. Hence, they need to be evaluated precisely. The aim of
this report is to present Chain-Ladder’s method which is technical’s standard used by actuaries
to calculate reserves. We also present Mack’s model [8] which gives the standard error of
prediction committed in the calculation of reserves and bootstrap’s method [6] adapted to the
calculation of claims reserving, which gives the distribution of these ones. We apply different
methods on data coming from anonymous insurance company in the CIMA’s area.
Key words : Non-life insurance, Reserves, Development factor, Prediction error, Bootstrap.
v
♠ Table des matières ♠
Résumé iv
Abstract v
Introduction 1
1 Cadre général de l’assurance 2

1.1 L’activité d’assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Contrat d’assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Cycle de production d’un sinistre en assurance non-vie . . . . . . . . . 3
1.1.3 Provisions techniques en assurance non-vie . . . . . . . . . . . . . . . 4
1.2 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Triangle des règlements non-Cumulés . . . . . . . . . . . . . . . . . . 5
1.2.2 Triangle des règlements Cumulés . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Triangle des facteurs individuels ou d-triangle . . . . . . . . . . . . . . 7
1.3 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Méthode de Chain-Ladder 10
2.1 Hypothèses du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Facteurs et estimateurs de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Facteurs de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2 Estimateurs de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3 Réserve de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Application et validation des hypothèses de Chain-Ladder . . . . . . . . . . . . 12
2.3.1 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Validation des hypothèses de Chain-Ladder . . . . . . . . . . . . . . . 13
2.4 Généralisation de la méthode de Chain-Ladder . . . . . . . . . . . . . . . . . . 15
vi
Table des matières
2.4.1 Une autre explication de la méthode de Chain-Ladder . . . . . . . . . . 15

2.4.2 Méthodes de Chain-Ladder pondérées . . . . . . . . . . . . . . . . . . 16
2.5 Limites de la méthode de Chain-Ladder déterministe . . . . . . . . . . . . . . 17
3 Méthode Stochastique : le modèle de Mack 18

3.1 Hypothèses du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Estimateurs des paramètres du modèle . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Erreur de prédiction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Validation des hypothèses et application . . . . . . . . . . . . . . . . . . . . . 24
3.4.1 Validation des hypothèses . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4.2 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5 Limites du modèle de Mack . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 Méthode de Chain-Ladder et le bootstrap 27

4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Application du bootstrap aux triangles des règlements . . . . . . . . . . . . . . 28
4.2.1 Procédure bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.2 Erreur de prédiction bootstrap . . . . . . . . . . . . . . . . . . . . . . 31
4.2.3 Intervalles de confiance bootstrap pour la provision . . . . . . . . . . . 31
4.2.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5 Application sur des données réelles 33

5.1 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2 Application de la méthode de Chain-Ladder . . . . . . . . . . . . . . . . . . . 35
5.3 Application de la méthode de Mack . . . . . . . . . . . . . . . . . . . . . . . 37
5.4 Application de la méthode par simulation de bootstrap . . . . . . . . . . . . . 38
5.5 Interprétation des résultats et conclusion . . . . . . . . . . . . . . . . . . . . . 40
Conclusion 41
Bibliographie 41
Annexe 43
vii
♠ Introduction ♠
L’assurance est une activité économique singulière dont la spécificité est l’inversion du cycle
de production. En effet dans ce secteur d’activité, l’assureur perçoit d’abord le prix de son pro-
duit avant de connaître son coût de production. Ce dernier est alors tenu de verser une prestation
garantie ou indemnité à l’assuré en cas de réalisation d’un risque aléatoire prévu au contrat pen-
dant la période de couverture. Toutefois, le processus de règlement n’est pas instantané mais,
au contraire s’étale dans le temps. Ainsi pour honorer à ses engagements envers les assurés,
l’organisme assureur se doit de faire une évaluation avec précision du montant des réserves
à provisionner pour le remboursement de ses dettes. Or le déroulement des sinistres étant in-
connu, ce montant final des réserves à constituer sera aussi inconnu. Afin d’éviter toute dérive,
les autorités de contrôle ont souhaité utiliser des outils scientifiques rigoureux pour provision-
ner. C’est ainsi que les techniques de provisionnement ont fait leur apparition. Notons que dans
la littérature plusieurs méthodes ont été développées. On peut citer entre autres les méthodes
de : Chain-Ladder, London Chain, Loss ratios simple, Cape Cod, les modèles factoriels (Taylor
[12]), le modèle de Mack [8], Munich-Chain-Ladder-Schnaus, Bornhuetter−Ferguson, Benk-
tander [1]....
En nous plaçant dans le contexte de l’activité d’assurance décrit plus haut, nous nous concen-
trons dans le cadre de ce travail en assurance non-vie. Ce mémoire cherche à mettre à plat la
réflexion sur le provisionnement technique en assurance non-vie en explicitant la méthode de
référence de Chain-Ladder et la technique bootstrap associée. Pour ce faire, notre travail s’arti-
cule autour de cinq chapitres. Le chapitre 1, présente le cadre général de l’assurance ainsi que
les outils devant nous aider dans la suite du travail. Dans le chapitre 2 consacré à la méthode
de Chain-Ladder, nous mettons un accent particulier sur les critères de validation du modèle
ainsi que ses limites. Dans le chapitre 3, nous présentons le modèle de Mack qui est une ap-
proche stochastique de Chain-Ladder, le chapitre 4 présente la méthode simulatoire associée à
Chain-Ladder : la technique du bootstrap et le chapitre 5 présente une illustration des différentes
méthodes présentées sur des données réelles.
1
? ? Chapitre Un ? ?
Cadre général de l’assurance
Dans ce chapitre, nous présentons les notions préliminaires en assurance telles que : le
contrat d’assurance, la dynamique de liquidation d’un sinistre, les provisions techniques et le
format des données pour l’estimation des réserves.
1.1 L’activité d’assurance
1.1.1 Contrat d’assurance

Le contrat d’assurance ou police d’assurance est une convention entre deux parties : l’as-
sureur et l’assuré. Par ce contrat, l’assureur s’engage en contre-partie du paiement d’une prime
ou d’une cotisation par l’assuré, à verser une prestation au profit du bénéficiaire en cas de réali-
sation d’un risque ou sinistre aléatoire prévu au contrat. On distingue selon le mode de gestion
des primes deux types d’assurances :
– Les assurances "Non-vie" : assurances permettant la couverture des risques liés aux biens,
responsabilités....
– Les assurances "vie" : elles permettent de couvrir les risques touchant à la vie d’une
personne.
Cependant, dans la définition du contrat d’assurance (vie ou non-vie) il convient de distinguer :
– L’assuré : personne physique ou morale désignée ainsi dans les conditions particulières
du contrat d’assurance. L’assuré peut ne pas être le souscripteur ou le bénéficiaire du
contrat. En pratique, pour les contrats autres que ceux de l’assurance non-vie, l’assuré est
généralement le souscripteur du contrat individuel ou l’adhérent à un contrat collectif.
– Le souscripteur du contrat est la personne comme entité physique ou morale ayant payé
la prime d’assurance.
– Le bénéficiaire est celui qui perçoit le dédommagement en cas de réalisation d’un risque
mentioné dans le contrat.
2
1.1. L’activité d’assurance
Catégories d’assurance .
En fonction de leur finalité, on distingue trois catégories d’assurance : les assurances de dom-
mages aux biens, les assurances de responsabilités et les assurances de personnes.
– Assurances de dommages aux biens : elles couvrent les biens matériels de l’assuré (automobiles,
habitation, commerce, ...).
– Assurances de responsabilités : elles prennent en charge les conséquences financières des
dommages dont l’assuré est responsable (responsabilités à l’égard des tiers).
– Assurances des personnes : elles ont pour objet de garantir la personne humaine (couver-
ture de santé, l’incapacité, l’invalidité, décès, retraite et toute forme d’épargne).
L’assurance non-vie, champ d’application de notre mémoire comprend les assurances de biens
et responsabilités et les assurances de dommages corporels.
1.1.2 Cycle de production d’un sinistre en assurance non-vie

Dans cette section nous présentons la dynamique de règlement d’un sinistre. L’activité d’as-
surance est marquée par une importante spécificité à savoir l’inversion du cycle de production.
Toutefois, le processus de règlement d’un sinistre n’est pas instantané et au contraire s’étale
dans le temps. La Figure 1.1 ci-dessous empruntée à Clément MICHAUD [9] montre le proces-
sus de liquidation d’un sinistre qui va de la survenance jusqu’à la clôture.
F IGURE 1.1 – Dynamique de règlement d’un sinistre
– La survenance correspond à la date à laquelle le sinistre est survenu.

– La déclaration : elle correspond à la date de notification du sinistre à l’assureur. La dé-
claration d’un sinistre survenu pendant la période de couverture est une obligation pour
l’assuré. La règle générale (voir. [7]) est un délai de cinq (05) jours à partir de la date
de survenance du sinistre ou du moment où l’assuré a connaissance du sinistre. Ce délai
est écourté à deux (02) jours pour la garantie vol, de dix (10) jours pour les catastrophes
naturelles.
3
1.1. L’activité d’assurance
– Le règlement correspond au paiement par l’assureur des dommages causés par le sinistre
ceci après une expertise. La durée de règlement est mentionnée dans le contrat d’assu-
rance.
– La clôture du sinistre intervient lorsque l’indemnisation de la victime est entièrement
effectuée.
Ces quatre étapes constituent le processus de règlement d’un sinistre survenu pendant la période
de couverture. Le règlement de ces sinistres nécessite de la part de la compagnie une estimation
du montant des provisions à partir de différents critères objectifs. Mais cela ne concerne que les
sinistres survenus et effectivement déclarés à la compagnie à la date de l’inventaire. La difficulté
réside au niveau des sinistres survenus mais pas encore déclarés (ou IBNR 1 ) à la compagnie la
date de l’inventaire. Les sinistres survenus après la date de l’inventaire, qu’ils soient connus ou
non doivent également être évalués. Ainsi la compagnie se doit de constituer avec précision le
montant de règlement de ces sinistres.
1.1.3 Provisions techniques en assurance non-vie

L’inversion du cycle de production de l’activité d’assurance entraîne un traitement comp-
table particulier. L’entreprise doit comptabiliser en plus de ses dettes certaines, ses dettes pro-
bables à l’égard des assurés et bénéficiaires de contrats. C’est ce qu’on appelle provisions tech-
niques. De manière plus détaillée, les provisions techniques correspondent :
1. Au montant actuel que la compagnie d’assurance devrait payer si elle transférait sur le
champ ses engagements à une autre compagnie d’assurance.
2. Aux charges à prevoir pour faire face aux prestations non encore versées mais prévisibles
dans le contrat en cours.
3. A une anticipation des prestations futures auxquelles l’assureur devra faire face lorsqu’un
engagement prendra effet.
Les provisions techniques pour sinistre sont essentiellement de deux types en assurance non-
vie :
– Les Provisions pour Sinistre A Payer (PSAP) : elles représentent la valeur estimative des
dossiers non encore payés à la clôture de l’exercice, mais dont les sinistres sont survenus
avant la date d’inventaire, qu’ils soient connus ou inconnus à cette date. Ces provisions
représentent la partie la plus importante du bilan d’une compagnie d’assurance et ont
pour but de permettre le règlement intégral des engagements pris envers les assurés et
bénificiaires de contrats.
1. Incurred But Not Reported
4
1.2. Présentation des données
– Les Provisions Mathématiques (PM) : elles représentent la valeur actuelle probable des
prestations que l’organisme assureur devra payer au cours des exercices futurs, au titre
des évènements survenus lors des exercices antérieurs.
Le montant de ces provisions est fortement contrôlé par le régulateur 2 . En effet dans un contexte
où les compagnies d’assurances sont responsables de milliers de contrats, une faillite entraîne-
rait des conséquences économiques et sociales énormes.
Dans ce mémoire, nous nous focaliserons sur l’estimation des PSAP. La section ci-dessous nous
présente le format des données dans le calcul de ces provisions.
1.2 Présentation des données

Les données sont très souvent présentées sous forme d’un triangle qui reflète l’historique
du règlement des sinistres. On introduit dans cette section des notations usuelles liées à ce
triangle dit de développement ou de liquidation. On suppose que chaque sinistre survenu sera
entièrement réglé après n + 1− années de développement. On utilise une numérotation relative
des années de survenance et de développement .
Notation 1.2.1. Nous utiliserons les notations suivantes :

– Les années de survenance ou de déclaration des sinistres sont désignées par la lettre
i ∈ {0, 1..., n}
– Les années de développement ou de déroulé par la lettre k ∈ {0, 1..., n}
1.2.1 Triangle des règlements non-Cumulés

On considère une famille de variables aléatoires positives (Zi,k )i,k∈{0,1...,n} qui sont définies
sur un espace probabilisé (Ω, Γ, P ). Zi,k est appelée accroissement et désigne le paiement dans
l’année de développement k pour les sinistres d’années d’origine i. Le triangle des règlements
non cumulés ou triangle de développement pour les acroissements observables est donné
par la Table 1.1 ci-dessous :
2. En Afrique francophone la CIMA : Conférence Interafricaine des Marchés d’Assurances.
5
Années de développementk
0 1 ··· k ··· n−i ··· n−1 n
0 Z0,0 Z0,1 ··· Z0,k ··· Z0,n−i ··· Z0,n−1 Z0,n
1 Z1,0 Z1,1 ··· Z1,k ··· Z1,n−i ··· Z1,n−1
.. .. .. .. ..
. . . . .
i Zi,0 Zi,1 ··· Zi,k ··· Zi,n−i
Années .. .. .. ..
. . . .
d’origne i
n−k Zn−k,0 Zn−k,1 ··· Zn−k,k
.. .. ..
. . .
n−1 Zn−1,0 Zn−1,1
n Zn,0
TABLE 1.1 – Triangle des règlements non-cumulés
Remarque 1.2.1. Il faut noter que les Zi,k sont observables lorsque i+k ≤ n et non-observables
sinon.
1.2.2 Triangle des règlements Cumulés

Le triangle de règlements cumulés ou triangle des états est un tableau de même dimension
que la Table1.1 avec les cellules (i, k) contenant les montants Si,k qui représentent les règle-
ments cumulés à k−années de développement pour les sinistres d’année d’origine i. Les Si,k
sont appelés états. Nous pouvons représenter ce triangle par le tableau ci-dessous :
6
1.3. Exemple introductif
Années de développement k
0 1 ··· k ··· n−i ··· n−1 n
0 S0,0 S0,1 ··· S0,k ··· S0,n−i ··· S0,n−1 S0,n
1 S1,0 S1,1 ··· S1,k ··· S1,n−i ··· S1,n−1
.. .. .. .. ..
. . . . .
i Si,0 Si,1 ··· Si,k ··· Si,n−i
Années .. .. .. ..
. . . .
d’originei
n−k Sn−k,0 Sn−k,1 ··· Sn−k,k
.. .. ..
. . .
n−1 Sn−1,0 Sn−1,1
n Sn,0
TABLE 1.2 – Triangle des règlements cumulés
Remarque 1.2.2. Les Si,k sont observables pour i + k ≤ n et non-observables pour i + k > n.
Si,n est appelé l’état terminal et Si,n−i l’état actuel pour l’année de survenance i.
Le but des méthodes de provisionnement est alors d’estimer les paiements futurs concernant les
sinistres survenus avant l’année n c’est à dire la partie jaune de la Table 1.1 ou 1.2.
1.2.3 Triangle des facteurs individuels ou d-triangle

En supposant que tous les états sont strictement positifs, le triangle de développement des
Si,k+1
facteurs individuels est constitué des ratios Si,k
appelés facteurs individuels. Dans ce mé-
moire ; nous désignons ces facteurs par :
Si,k+1
ϕi,k =
Si,k
pour i ∈ {0; ...; n} et k ∈ {0; ...; n − 1}. Ils sont observables pour i + k ≤ n et non-observables
pour i + k > n.
1.3 Exemple introductif

Nous terminons ce chapitre en introduisant l’exemple suivant emprunté à Klaus D.Schmidt
[4] qui nous servira dans la suite du mémoire à illustrer les différents modèles de provisionne-
ment présentés.
7
Exemple 1.3.1. A la fin de l’année 2014, une compagnie d’assurance dispose des chiffres sui-
vants qui donnent les prestations annuelles des sinistres des années d’origines 2009 à 2014. Les
montants sont exprimés en centaine de milliers de francs.
Années de Développement
Années d’origine 2009 2010 2011 2012 2013 2014
2009 1001 854 568 565 347 148
2010 1113 990 671 648 422
2011 1265 1168 800 744
2012 1490 1383 1007
2013 1725 1536
2014 1880
Par passage à la numérotation relative des années d’origine et de développement, on obtient
respectivement les triangles de développement non-cumulés et cumulés suivants :
Années d’origine 0 1 2 3 4 5
0 1001 854 568 565 347 148
1 1113 990 671 648 422
2 1265 1168 800 744
3 1490 1383 1007
4 1725 1536
5 1889
TABLE 1.3 – Exemple de triangle des règlements non-cumulés
Années d’origine 0 1 2 3 4 5
0 1001 1855 2423 2988 3335 3483
1 1113 2103 2774 3422 3844
2 1265 2433 3233 3977
3 1490 2873 3880
4 1725 3261
5 1889
TABLE 1.4 – Exemple de triangle des règlements cumulés
8
Interprétation :
Pour cet exemple, on observe qu’en 2014 un montant de 74.400.000 FCFA a été réglé au titre
des sinistres survenus en 2011. Parallèlement, jusqu’en 2014, un montant de 397.700.000 FCFA
a été réglé au titre des sinistres survenus en 2011. On peut aussi remarquer qu’à la fin de l’année
2014, le montant des réserves afférents aux années de survenance 2010 à 2014 n’est pas encore
connu. L’entreprise doit alors tenir compte de ces réserves dans son bilan. Ainsi le but des
méthodes de provisionnement est de déterminer une estimation de ces réserves (ou provisions).
Dans la suite du mémoire, nous présentons la méthode de base de provisionnement : la méthode
de Chain-Ladder standard.
9
? ? Chapitre Deux ? ?
Méthode de Chain-Ladder
Dans ce chapitre, nous allons présenter une méthode qui est devenue une technique stan-
dard pour le calcul des provisions pour sinistres à payer : la méthode de Chain-Ladder. Cette
méthode liée au modèle de développement pour les facteurs est basée sur le triangle des règle-
ments cumulés. Elle a été développée d’abord dans un cadre déterministe et ensuite dans un
cadre stochastique pour évaluer l’incertitude liée à la prédiction. Dans ce chapitre, nous pré-
sentons l’approche déterministe en rappelant l’hypothèse fondamentale du modèle, les critères
de validation de cette dernière ainsi que les limites de cette approche.
2.1 Hypothèses du modèle

La méthode de Chain-Ladder est une méthode de réservation simple à manipuler et don-
nant des résultats satisfaisant. Elle est la plus utilisée en pratique. Elle repose sur l’hypothèse
forte selon laquelle il existe une récurrence dans les paiements par années de développement.
Concrètement on a :
Hypothèse 1 (CL1) : Il existe des paramètres ϕ0 , ...ϕn−1 ∈]1; +∞[ tels que :
∀ i ∈ {0, 1, ..., n} , ∀k ∈ {0, 1, ..., n − 1} Si,k+1 = ϕk · Si,k (2.1)
Cette hypothèse stipule qu’il existe des facteurs de développement indépendants de l’année
d’origine des sinistres pour passer d’une colonne à une autre par multiplication. Autrement dit
les cadences de règlement sont les mêmes pour toutes les années de survenance.
2.2 Facteurs et estimateurs de Chain-Ladder

Précisons que dans le cadre déterministe ; les règlements cumulés Si,k avec 0 ≤ i, k ≤ n
sont observables pour i+k ≤ n (c’est à dire la partie supérieure de la Table 1.2) et nous voulons
estimer les Si,k pour i + k > n.
10
2.2. Facteurs et estimateurs de Chain-Ladder
2.2.1 Facteurs de Chain-Ladder

A partir de CL1 nous avons :
S0,k+1 S1,k+1 Sn−k−1,k+1

ϕk = = =···= (2.2)
S0,k S1,k Sn−k−1,k
pour tout k ∈ {0, 1, ..., n − 1}. Il vient que la valeur commune de ces expressions est aussi :
Pn−k−1
j=0 Sj,k+1
Pn−k−1
j=0 Sj,k
Dans la pratique, les égalités de l’expression (2.2) étant approximativement vérifiées dans le
meilleur des cas, il est nécessaire de considérer comme estimateur des ϕk basé sur les obseva-
tions (Si,k )i+k≤n le facteur commun :
Pn−k−1
j=0 Sj,k+1
ϕ
bk = Pn−k−1 (2.3)
j=0 Sj,k
2.2.2 Estimateurs de Chain-Ladder

Grâce aux facteurs de Chain-Ladder donnés par la relation (2.3) nous pouvons maintenant
estimer les règlements cumulés inconnus (Si,k )i+k>n . Ces estimateurs notés Sbi,k sont appelés
estimateurs de Chain-Ladder. Sbi,k est défini par :
k−1
Y
Sbi,k = Si,n−i ϕ
bl (2.4)
l=n−i
Pour tout i ∈ {1, ..., n} et k ∈ {n − i + 1, ..., n}.
2.2.3 Réserve de Chain-Ladder

La réserve de Chain-Ladder pour l’année d’origine i notée R
bi est l’estimation de la pro-
vision pour l’année i. Il s’agit concrètement de la différence entre l’état terminal et l’état actuel
de l’année i. Elle est définie par la relation suivante :
bi = Sbi,n − Si,n−i
R (2.5)
Ainsi le montant R
b de la provision pour sinistre à payer est la somme des réserves pour toutes
les années de survenance : n
X
R
b= R
bi (2.6)
i=0
11
2.3. Application et validation des hypothèses de Chain-Ladder
2.3 Application et validation des hypothèses de Chain-Ladder
2.3.1 Application
En reprenant l’exemple 1.3.1 nous allons déterminer par la méthode de Chain-Ladder, les
provisions à constituer par la compagnie pour honorer à ses engagements envers ses assurés.
La Table 2.1 suivante obtenue à partir de la Table 1.4, contient les valeurs estimées des facteurs
ϕk ; des états non-observables Si,k ; des réserves Ri pour chaque année de survenance ainsi que
la réserve totale à constituer par l’entreprise au passif de son bilan en 2014.
Années d’origine 0 1 2 3 4 5 Ri
0 1001 1855 2423 2988 3335 3483 0
1 1113 2103 2774 3422 3844 4015 171
2 1265 2433 3233 3977 4454 4652 675
3 1490 2873 3880 4781 5354 5592 1712
4 1725 3261 4333 5339 5980 6245 2984
5 1889 3588 4768 5875 6579 6871 4982
ϕk 1.8995 1.3288 1.2321 1.1200 1.0444 R=10524
TABLE 2.1 – Application de la méthode Chain-Ladder
Ces résultats consignés dans la Table 2.1 sont obtenus par la méthode de Chain-Ladder
comme suit :
1885+2103+2433+2873+3261
ϕ0 = ≈ 1.8995
1001+1113+1265+1490+1725
2423+2774+3233+3880
ϕ1 = ≈ 1.3288
1885+2103+2433+2873
2988+3422+3977
ϕ2 = ≈ 1.2321
2423+2774+3233
3335+3844
ϕ3 = ≈ 1.1200
2988+3422
3483
ϕ4 = ≈ 1.0444
3335
12
En appliquant la formule de récurrence (2.1) on obtient :
Sb5,1 =1889 × 1.8995 ≈ 3588

Sb4,2 =3261 × 1.3288 ≈ 4333
Sb5,2 =3588 × 1.3288 ≈ 4768
Sb3,3 =3880 × 1.2321 ≈ 4781
Sb4,3 =4333 × 1.2321 ≈ 5339
..
.
Sb1,5 =3844 × 1.0444 ≈ 4015
Sb2,5 =4454 × 1.044 ≈ 4652
Ainsi, le montant total des provisions à constituer par la compagnie est évalué ici à la somme
de 1.052.400.000 FCFA.
2.3.2 Validation des hypothèses de Chain-Ladder

Malgré sa simplicité d’utilisation il est important d’effectuer certaines vérifications pour
valider cette méthode. On se propose de faire deux tests graphiques :
1. Alignement des couples (Si,k ; Si,k+1 )0≤i≤n−k−1 pour k fixé.

Pour k fixé, CL1 suppose l’existence d’un ϕk tel que Si,k+1 = ϕk Si,k
pour i = 0, ···n−k−1. Cette hypothèse est donc vérifiée si les couples (Si,k ; Si,k+1 )0≤i≤n−k−1
sont sensiblement alignés sur une droite passant par l’origine.
Pour l’exemple introductif, on représente, pour k = 0, 1, 2 dans la Figure 2.1 les couples
(Si,k ; Si,k+1 ), i variant de 0 à n − k − 1. On peut remarquer que, pour les trois graphes, les
couples (Si,k ; Si,k+1 ) sont sensiblement alignés sur une droite passant par l’origine. Ces
graphiques ne semblent donc pas remettre fondamentalement en cause CL1.
13
F IGURE 2.1 – Test graphique de l’hypothèse CL1 pour k=0, 1, 2
2. Examen du triangle des facteurs individuels.

La validation de l’hypothèse de base CL1 du modèle repose fondamentalement sur le
triangle des facteurs individuels. Cette hypothèse est valide que si pour k = 0, 1, · · ·n − 1
fixé, les ϕi,k (0 ≤ i ≤ n − k) sont sensiblement constants.
Pour l’exemple introductif, le triangle des facteurs individuels nous donne :
0 1 2 3 4
0 1.8531 1.3062 1.2332 1.1161 1.0444
1 1.8895 1.3191 1.2336 1.1233
2 1.9233 1.3288 1.2301
3 1.9282 1.3505
4 1.8904
TABLE 2.2 – Triangle des facteurs individuels pour l’exemple 1.3.1
L’examen de ce traingle nous permet d’observer pour k = 0, 1, 2, 3, 4 fixé, les facteurs

individuels de la colonne k diffèrent de très peu. Pour visualiser cela, nous allons repré-
senter dans la Figure 2.2 les graphiques décrivant les variations des facteurs individuels
ϕi,k pour k = 0, 1, 2.
14
2.4. Généralisation de la méthode de Chain-Ladder
F IGURE 2.2 – Représentation des colonnes du d-triangle pour k = 0, 1, 2
2.4 Généralisation de la méthode de Chain-Ladder
2.4.1 Une autre explication de la méthode de Chain-Ladder

Une autre explication de la méthode de Chain-Ladder est donnée à l’aide des facteurs de
développement individuels. Si on suppose que tous les états sont strictement positifs, on peut
obtenir les estimateurs de Chain-Ladder et écrire les facteurs ϕk comme moyenne pondérée des
facteurs individuels observables. Par définition des facteurs individuels on obtient
Si,k+1 = ϕi,k Si,k (2.7)
∀ i ∈ {0, 1, ..., n} et ∀ k ∈ {1, ..., n − 1}. A partir des facteurs individuels non-observables, les
états non-observables sont obtenus de la manière suivante :
Soit k ∈ {n − i + 1, ..., n} fixé on a :
Si,n−i+1 = ϕi,n−i · Si,n−i

Si,n−i+2 = ϕi,n−i+1 · Si,n−i+1
..
.
Si,k = ϕi,k−1 · Si,k−1
15
2.4. Généralisation de la méthode de Chain-Ladder
En multipliant membre à membre et en simplifiant on obtient

k−1
Y
Si,k = Si,n−i ϕi,j (2.8)
j=n−i
On remarque qu’en substituant les facteurs individuels dans l’expression (2.8) par les facteurs
de Chain-Ladder ; on retrouve la définition des estimateurs de Chain-Ladder :
k−1
Y
Sbi,k = Si,n−i ϕ
bl
l=n−i
Ce qui prouve que la formule (2.8) est une généralisation des estimateurs de Chain-Ladder. De
plus par définition des facteurs de Chain-Ladder, on a :
∀k ∈ {0, ..., n − 1}
Pn−k−1
j=0 Sj,k+1
ϕ
bk = Pn−k−1
j=0 Sj,k
Pn−k−1
t=0 ϕt,k · St,k
= Pn−k−1 car Sj,k+1 = ϕj,k · Sj,k
j=0 Sj,k
n−k−1
X St,k
= Pn−k−1 · ϕt,k
t=0 j=0 Sj,k
En posant
St,k
ωt,k = Pn−k−1 (2.9)
j=0 Sj,k
On obtient
n−k−1
X
ϕ
bk = ωt,k · ϕt,k (2.10)
t=0
Ainsi les facteurs de Chain-Ladder s’obtiennent comme moyenne pondérée des facteurs indivi-
duels.
2.4.2 Méthodes de Chain-Ladder pondérées

Cette méthode définie les facteurs de Chain-Ladder comme étant une fonction des facteurs
individuels, c’est à dire :
ϕk = g(ϕ0,k , ϕ1,k , ...., ϕn−k,k )
pour k = 0, 1, · · ·, n − 1 fixé. La fonction g la plus utilisée est le barycentre de la famille

des facteurs individuels pondérés (ϕi,k , ωi,k )0≤i≤n−k−1 où les pondérations (ωi,k )0≤i≤n−k−1 sont
judicieusement choisies. Ainsi le facteur de développement ϕk est définie par :
n−k−1
X
ϕk = ωt,k · ϕt,k (2.11)
t=0
16
2.5. Limites de la méthode de Chain-Ladder déterministe
La méthode de Chain-Ladder pondérée est donc une généralisation de la méthode de Chain-

Ladder standard : la pondération correspondante est donnée par la relation (2.9). En vue de la
diversité du choix des poids, il se pose la question sous quelles conditions et dans quel sens les
poids de la relation (2.9) présentent un choix optimal. Cette question que nous ne traitons pas
dans ce mémoire trouve une réponse dans le modèle réservation de Schnaus [4].
2.5 Limites de la méthode de Chain-Ladder déterministe

La méthode de Chain-Ladder, simple à mettre en pratique est souvent très utilisée par les
services techniques des compagnies d’assurance en vue d’une estimation des provisions. Elle
présente néanmoins un certain nombre de faiblesses. Il est nécessaire d’effectuer des tests de va-
lidation du triangle d’entrée (Triangle des règlements cumulés ou non cumulés). Les principales
faiblesses de cette méthodes sont :
1. Elle ne fait aucune hypothèse quant à la loi que peut suivre les coûts des sinistres. ce qui
ne permet pas de mesurer l’incertitude autour du montant des provisions constituées.
2. L’incertitude de l’estimation augmente avec les années de survenance. En effet pour la

dernière année de survenance, le coefficient multiplicateur est le produit de n − 1 estima-
tions de facteurs de développement. Cette incertitude est d’autant plus grande lorsqu’on
se place sur des branches de développement à long terme.
3. Les incréments correspondant aux périodes de développement élevées comportent peu

d’observations. Par exemple le dernier facteur est calculé à partir de deux observations
mais est utilisé pour calculer les coûts de provisionnement de n sinistres.
17
? ? Chapitre Trois ? ?
Méthode Stochastique : le modèle de Mack
La popularité de la méthode de Chain-Ladder pour l’estimation des réserves a amenée Tho-

mas Mack en 1993 à élaborer le premier modèle stochastique permettant de mesurer l’incerti-
tude autour du montant des provisions estimées par Chain-Ladder. Cette méthode se base sur les
hypothèses explicites concernant la dynamique du processus de liquidation et la variabilité de
l’espérance des valeurs des paiements futurs. En faisant une telle hypothèse sur les composantes
aléatoires du modèle, l’approche stochastique de Mack permet de tester de manière stochastique
la validité des hypothèses et nous donnes non seulement l’estimateur de l’espérance des paie-
ments futurs mais aussi leurs variations. L’objet de ce chapitre est de présenter cette approche
stochastique de la méthode de Chain-Ladder.
3.1 Hypothèses du modèle

Le modèle de Mack reprend l’hypothèse CL1 à laquelle il étend la définition pour inclure
les moments d’ordre 2 et calcul une erreur de prédiction conditionnelle pour les estimateurs.
Cette méthode repose sur trois hypothèses fondamentales.
Hypothèse 1 (MC1) Les années de survenances sont indépendantes, c’est à dire pour tout
i 6= j les familles {Si,0 , · · ·, Si,n } et {Sj,0 , ..., Sj,n } sont indépendantes.
Hypothèse 2 (MC2) Pour tout k = 0, ..., n − 1, il existe un paramètre λk tel que :
∀ i ∈ {0, · · ·, n} , E(Si,k+1 /Si,0 , ..., Si,k ) = λk Si,k
Cette hypothèse stipule que seul le montant Si,k réglé en k-années de développement pour
les sinistres d’année d’origine i sert à déterminer le montant Si,k+1 réglé en k + 1-années
de développement pour les sinistres survenus la même année.
Hypothèse 3 (MC3) Pour tout k = 0, ..., n − 1, il existe un paramètre σk2 strictement positif
tel que :
∀ i ∈ {0, · · ·, n} V(Si,k+1 /Si,0 , ..., Si,k ) = σk2 Si,k
18
3.2. Estimateurs des paramètres du modèle
Cette hypothèse stipule que la variance de Si,k+1 est proportionnelle à la variance de la

dernière observation Si,k .
Remarque 3.1.1. MC3 peut s’écrire sous une forme compacte et parlante qui explique la dy-
namique des processus Si,k :
p
Si,k+1 = λk Si,k + εi,k Si,k (3.1)
où pour tout k = 0, 1, ..., n − 1 fixé, (εi,k )0≤i≤n est une suite de variables aléatoire i.i.d cen-
trées et de variance σk2 . Cette formule définit clairement pour chaque année de survenance i la
dynamique du processus de règlements au fil des années de développement.
En effet, l’hypothèse 3 ci-dessus montre qu’il existe une fonction ϕ mesurable telle que
√
Si,k+1 = ϕ(Si,k ). Ainsi le cas particulier ϕ(x) = λk x + εi,k x , x ∈ [0; +∞[ nous donne de
bonnes propriétés pour la détermination des estimateurs des paramètres λk et σk2 .
3.2 Estimateurs des paramètres du modèle

Estimateurs des paramètres λk et propriétés :
A partir de l’écriture (3.1), il peut paraître légitime d’utiliser la méthode des moindres carrés
pondérés pour estimer les paramètres du modèle. Ces paramètres (λk )0≤k≤n−1 sont estimés par :
n−k−1
X 1
∀k ∈ {0, ..., n − 1} λ
bk = argmin
λ́j (Si,k+1 − λj Si,k )2 (3.2)
i=0
Si,k
Proposition 3.1. Les estimateurs des paramètres λk du modèle de Mack sont donnés par :
n−k−1
X
Si,k+1
i=0
∀k ∈ {0, ..., n − 1} λ
bk =
n−k−1
X
Si,k
i=0
De plus ces estimateurs sont sans biais et non-corrélés.

Preuve . Soit k ∈ {0, ..., n − 1}, considérons la fonction fk définie sur R∗+ par :
n−k−1
X 1
fk (x) = (Si,k+1 − xSi,k )2
i=0
Si,k
fk est deux fois dérivable sur R∗+ et ses dérivées sont :

n−k−1
X n−k−1
X
fk0 (x) = −2 (Si,k+1 − xSi,k ) et fk00 (x) =2 Si,k
i=0 i=0
19
Ainsi,
n−k−1
X
fk0 (x̄) =0⇔ − (Si,k+1 − x̄Si,k ) = 0
i=0
n−k−1
X n−k−1
X
⇔ x̄ Si,k = Si,k+1
i=0 i=0
Pn−k−1
i=0 Si,k+1
⇔ x̄ = Pn−k−1
i=0 Si,k
Puisque fk0 (x̄) = 0 et fk00 (x̄) > 0 alors fk admet en x̄ un minimum global. Il s’ensuit d’après
l’expression (3.2) que :
n−k−1
X
Si,k+1
i=0
λ
bk = x̄ =
n−k−1
X
Si,k
i=0
Montrons que les estimateurs λ

bk sont sans biais .
Soit k ∈ {0, ..., n − 1} posons Bk = {Si,j , j ≤ k : i + j ≤ n} alors pour tout i ∈ {0, ..., n} fixé,
on a :
E(Si,k+1 /Si,0 , Si,1 , ..., Si,k ) = E(Si,k+1 /Bk ) = λk Si,k
Il vient que
Pn−k−1 Pn−k−1
i=0 E(Si,k+1 /Bk ) i=0 λk Si,k
E(λ
bk /Bk ) = Pn−k−1 = Pn−k−1 = λk
i=0 Si,k i=0 Si,k
Donc λk = E(E(λ
bk /Bk )) = E(λ
bk ) et par conséquent λ
bk est sans biais pour tout
k ∈ {0, ..., n − 1}.
Montrons que les estimateurs λ

bk sont non corrélés .
Soit j, k ∈ {0, ..., n − 1} tels que j 6= k, montrons que Cov(λ
bk , λ
bj ) = 0. Sans nuire à la
généralité, supposons j < k ; alors on a :
E(λ
bk λ
bj ) =E(E(λ
bk λ
bj /Bk ))
= E(λ
bj E(λ
bk /Bk ))
= λk E(λ
bj ) car E(λ
bk /Bk ) = λk
= E(λ
bj )E(λ
bk ) car les λ
bk sont sans biais
Il en résulte que Cov(λ

bk , λ
bj ) = 0. Donc les estimateurs λ
bk sont non correlés.
20
Remarque 3.2.1. La proposition ci-dessus montre que le modèle de Mack reproduit exactement
les estimateurs des facteurs de Chain-Ladder.
Proposition 3.2. Sous les hypothèses 1 et 2 et pour i = 1, 2, ..., n; k > n − i, nous avons :
k−1
Y
E(Si,k /Dn ) = Si,n−i · λl (3.3)
l=n−i
avec Dn = {Si,k /i + k ≤ n}. En outre, comme les (λ

bj )j≥0 sont non corrélés, nous obtenons :
k
Y
b i,k /Dn ) = Si,n−i ·
E(S λ
bl (3.4)
l=n−i

Preuve . 1) Soit i ∈ {1, 2, ..., n} , k > n − i, montrons que :
E(Si,k /Dn ) = Si,n−i · k−1
Q
l=n−i λl
i) Montrons que si i ∈ {1, 2, ..., n} et t ≥ n − i,
E(Si,t+1 /Dn ) = λt · E(Si,t /Dn ) (3.5)
Posons Dni = {Si,j , i + j ≤ n} et Bti = {Si,j , j ≤ t}. On a :
E(Si,t+1 /Dn ) = E(Si,t+1 /Dni ) car MC1 est vérifiée

= E E(Si,t+1 /Bti )/Dni car Dni ⊆ Bit

= E λt · Si,t )/Dni car MC2 entraîne E(Si,t+1 /Bti ) = λt · Si,t

= λt · E(Si,t /Dni )
= λt · E(Si,t /Dn ) En appliquant de nouveau MC1
d’où la relation (3.5).

ii) Soit i ∈ {1, 2, ..., n} , k > n − i alors d’après i) pour tout t = n − i, · · ·, k − 1 on a :
E(Si,t+1 /Dn ) = λt · E(Si,t /Dn ). On en déduit que
k−1
Y k−1
Y
E(Si,t+1 /Dn ) = [λt · E(Si,t /Dn )]
t=n−i t=n−i
ce qui équivaut à :
k−2 k−1
! k−1
!
Y Y Y
E(Si,k /Dn )· E(Si,t+1 /Dn ) = E(Si,n−i /Dn )· λt · E(Si,t /Dn ) (∗)
t=n−i t=n−i t=n−i+1
Puisque E(Si,n−i /Dn ) = Si,n−i , en simplifiant de part et d’autre de la relation (∗),

on obtient
k−1
Y
E(Si,k /Dn ) = Si,n−i · λl
l=n−i
21
3.3. Erreur de prédiction
b i,k /Dn ) = Si,n−i · Qk−1 λ

2) Montrons que E(S l=n−i l .
b
Qk−1
En effet d’après 1) on a : E(Si,k /Dn ) = Si,n−i · l=n−i λl donc
\k−1
Y k−1
Y
E(S
b i,k /Dn ) = Si,n−i λl = Si,n−i · λ
bl
l=n−i l=n−i
Car les (λ
bj )j≥0 sont non corrélés et Sbi,n−i = Si,n−i .
Corollaire 3.1. Dans le modèle de Mack, les estimateurs de Chain-Ladder sont non-biaisés.
Remarque 3.2.2. Dans le modèle de Mack, on obtient exactement les mêmes provisions que la
méthode de Chain-Ladder.
Estimateurs de (σk2 )k≥0 :

L’expression (3.1) nous permet d’écrire :
2
(Si,k+1 − λk Si,k )2

Si,k+1
2i,k = = Si,k · − λk (3.6)
Si,k Si,k
Soit k ∈ {0, 1, ..., n − 1} fixé, on a σk2 = E(2i,k ) ∀i ∈ {0, 1, ..., n − k − 1} Donc on peut
écrire ;
σk2 = E(20,k ) = E(21,k ) = · · · = E(2n−k−1,k ) (3.7)
Un estimateur de σk2 (voir. [8]) est alors donné par :

 n−k−1 2

 1
X Sl,k+1 b
Sl,k − λl si 0 ≤ k ≤ n − 2

n−k
σbk2 = l=0
S l,k (3.8)
b4

 σ 2 2
min σbn−2 , min(b σ , σ ) si k = n − 1

 2 n−3 bn−2
n−3
Remarque 3.2.3. Les estimateurs des paramètres σk2 sont sans biais.
Tous les outils étant rassemblés, nous allons définir l’élément central du modèle de Mack :
L’erreur quadratique moyenne de prévision notée MSEP
3.3 Erreur de prédiction

Pour mesurer l’incertitude autour du montant des réserves estimées par la méthode de Chain-
Ladder, Mack a défini la MSEP. Nous rappelons cette notion ici.
Définition 3.1. Soit Dn l’information disponible au moment de l’estimation des provisions :

Dn = {Si,k /i + k ≤ n}.
22
3.3. Erreur de prédiction
– L’erreur de prédiction pour le montant de la provision de l’année de survenance i notée

MSEP(R bi ) est donnée par l’espérance conditionnelle suivante :
M SEP (R bi − Ri )2 /Dn ]
bi ) = E[(R (3.9)
– L’erreur de prédiction pour toutes les années de survenance (Erreur de prédiction glo-
bale) notée MSEP(R) b est définie par l’espérance conditionnelle suivante :
M SEP (R) b − R)2 /Dn ]

b = E[(R (3.10)
Remarque 3.3.1. L’erreur de prédiction pour une année de survenance i peut aussi être définie
à partir le l’état terminal Si,n .
De façon explicite,
bi ) = E[(Sbi,n −Si,n )2 /Dn ] = M SEP (Sbi,n ) = Var(Si,n /Dn ) + (Sbi,n − E[Si,n /Dn ])2
M SEP (R
| {z } | {z }
Érreur de processus Érreur d0 estimation
Pour tout ∈ i ∈ {0, 1, ..., n}
En effet
M SEP (R bi − Ri )2 /Dn ] = E[(Sbi,n − Si,n−i − Si,n + Si,n−i )2 /Dn ]

bi ) = E[(R
= E[(Sbi,n − Si,n )2 /Dn ] = M SEP (Sbi,n )
Sous les hypothèses du modèle, les erreurs de prédiction de la provision sont données par le
théorème suivant :
Théorème 3.1. [8]

Sous les hypothèses 1, 2 et 3 on a :
1. Pour i ∈ {1, ..., n} fixé l’estimateur de M SEP (R bi ) est donné par :
n−1
" #
2
\b X σj 1 1
M SEP (Ri ) = (Sbi,n )2
b
+ Pn−j+1 (3.11)
b2 Sbi,j St,j
j=n−i λj t=0
2. Ainsi connaissant la réserve pour chaque année de survenance, un estimateur de M SEP (R)
b
est donné par :
n
" n−1
! n−1 #
\b X \b X X σt2
2b
M SEP (R) = M SEP (Ri ) + Sbi,n Sbj,n (3.12)
b2t Pn−t−1 Su,t
λ
i=1 j=i t=n−i u=0

Preuve . Consulter [8, 10].
23
3.4. Validation des hypothèses et application
3.4 Validation des hypothèses et application
3.4.1 Validation des hypothèses

L’hypothèse 2 est identique à celle du modèle de Chain-Ladder pour laquelle nous avons
donné des tests de validation au Chapitre 2. Une fois que cette hypothèse est satisfaite, il
faut vérifier les hypothèses portant sur la variance de Si,k et l’indépendance des années de
survenance. Pour que l’hypothèse 3 soit vérifiée, il faut que pour tout k ∈ {0, 1, ..., n − 1} fixé,
le graphique des résidus :
Si,k+1 − λ
b S
i,k = p k i,k pour i = 0, 1, ..., n − k − 1 (3.13)
Si,k
n’affiche aucune tendance nette c’est à dire les (i,k ) présentent une structure aléatoire.
3.4.2 Application
Nous reprenons ici l’exemple1.3.1. Tout d’abord, nous vérifions que les données du triangle
de liquidation sont en accord avec les hypothèses du modèle et par la suite, nous appliquons ce
modèle au dit triangle.
Vérification des hypothèses du modèle
• Les tests graphiques du chapitre 2 ont justifié la validité de l’hypothèse 2.
• En ce qui concerne l’hypothèse 3, les graphiques 3.1 fournissent l’allure des résidus pour les
trois premières années de développement. Il résulte de ces graphiques qu’aucune structure
non aléatoire ne semble émerger de la représentation des résidus pour k = 0, 1, 2.
24
3.4. Validation des hypothèses et application
F IGURE 3.1 – Test de l’hypothèse 3
Toutes les hypothèses étant valides par les tests effectués sur le triangle des règlements cumulés,
nous pouvons donc appliquer le modèle de Mack à ce triangle de données.
Application du modèle :
Comme cette méthode reproduit les estimateurs donnés par le modèle de Chain-Ladder déter-
ministe, nous donnons dans la Table 3.1 les estimations de σk2 et λk (0 ≤ k ≤ 4). On résume
bi (i = 1, · · ·, 5), des estimations de
dans la Table 3.2 les résultats obtenus pour le calcul de R
bi ) (i = 1, · · ·, 5) , la provision globale et l’erreur de prédiction associée.
M SEP (R
k 0 1 2 3 4
λk 1.8995 1.3288 1.2321 1.1200 1.0444
σk2 1.0870 0.8334 0.0108 0.0824 0.0108
TABLE 3.1 – Estimation des paramètres du modèle
25
3.5. Limites du modèle de Mack
i R
bi M SEP (R
bi )
1 171 9.46
2 675 26.30
3 1712 31.30
4 2984 93.75
5 4982 140.14
Total 10524 201.74
TABLE 3.2 – Résultats de l’application du modèle de Mack à l’exemple 1.3.1
3.5 Limites du modèle de Mack

Certes la méthode de Mack a permis de résoudre certaines insuffisances du modèle de Chain-
Ladder, mais cette méthode présente néanmoins certaines faiblesses qu’il est important de sou-
ligner :
1. Elle est peu aisée à interpréter et n’est pas extrêmement robuste dans le cas de triangle
"imparfait" (données manquantes, sinistres exceptionnels, ...) elle peut ainsi donner des
résultats incohérents sur certaines branches d’activités.
2. En pratique, il n’est pas possible de déterminer analytiquement la distribution prédictive

des réserves.
3. Elle détermine uniquement les moments d’ordres un et deux de la distribution des provi-
sions.
Ces limites du modèle vont amener England, P. and Verrall, R dans [6] à élaborer un modèle
simulatoire qui donne des algorithmes numériques de type bootstrap pour simuler la distribu-
tion des provisions. Ces distributions simulées nous permettent non seulement de déterminer
les deux premiers moments de la réserve, mais aussi certaines caractéristiques telles que les
intervalles de confiance.
26
? ? Chapitre Quatre ? ?
Méthode de Chain-Ladder et le bootstrap
4.1 Généralités
Le bootstrap, méthode simulatoire introduite par Efron en 1979 est considérée comme une
avancée spectaculaire en statistique. C’est une puissante technique utilisée pour obtenir à par-
tir d’un échantillon observé d’autres échantillons et dont le principal atout est de fournir une
distribution complète d’un estimateur. Cette méthode repose sur la technique de rééchantillon-
nage avec remise. Elle permet de fournir des réponses là où les autres méthodes ne sont pas
applicables (manque d’informations, calcul impossible, hypothèses non vérifiées ...). Pour une
présentation plus détaillée de cette méthode voir Efron et Tibshirani dans [5].
Principe de rééchantillonnage :
Soient X1 , ..., Xn un échantillon initial de taille n d’une variable aléatoire réelle X de loi f .
Les techniques bootstrap étant essentiellement non paramétriques, f est supposée totalement
inconnue. L’échantillon est supposé identiquement distribué et indépendant (i.i.d). On note θ
le paramètre d’intérêt et θb = T (X1 , ..., Xn ) un estimateur du paramètre à partir de l’échantillon
initial.
On construit un échantillon bootstrap par :
• Tirage avec remise de n éléments à partir de l’échantillon initial où chaque réalisation a la

même chance d’être tirée.
• On note (X1∗ , ..., Xn∗ ) l’échantillon tiré de sorte que θb∗ = T (X1∗ , ..., Xn∗ )
• Répéter la procédure N fois ; à la k−ième boucle bootstrap on obtient l’échantillon (X1∗ (k), ..., Xn∗ (k))
et un estimateur du paramètre θ donné par :
θb∗ = T (X ∗ (k), ..., X ∗ (k))
k 1 n
A partir de ces N simulations bootstrap, on est en mesure d’estimer la distribution empirique

(moyenne, variance,...) du paramètre d’intérêt θ. La moyenne et la variance sont estimées res-
27
4.2. Application du bootstrap aux triangles des règlements
pectivement par :
N N
1 X b∗ 1 X b∗ c
∗
θm =
c θ , et σθ2b = ∗ )2
(θ − θm
N i=1 i N − 1 i=1 i
Hypothèse du modèle :
L’hypothèse de base dans ce modèle est l’indépendance ainsi que la distribution identique des
lois des éléments composant l’échantillon.
4.2 Application du bootstrap aux triangles des règlements

Simple à mettre en oeuvre cette technique est de plus en plus utilisée en assurance non-vie.
Elle permet d’avoir une distribution complète de la réserve globale et un intervalle de confiance
pour celle-ci. Ici, l’échantillon observé est la partie supérieure du triangle des accroissements,
(n+1)(n+2)
comportant 2
données, n + 1 étant le nombre d’années d’observations de base. Puisque
les accroissements ne sont pas toujours indépendants, l’hypothèse d’application du modèle n’est
donc pas toujours justifiée. Il faut alors trouver une méthode pour normer les accroissements
et permettre que l’hypothèse i.i.d puisse être valide. Pour cela on utilise le rééchantillonnage
basé non plus sur les triangles des accroissements mais sur les résidus de Pearson issus de
l’application du modèle statistique sous-jacent.
4.2.1 Procédure bootstrap

Notation 4.2.1. Les notations utilisées dans cette procédure sont les suivantes :
• Le triangle des accroissements : (Zi,k )i+k≤n .
• Le triangle des états : (Si,k )i+k≤n .
• Le triangle des états prédits Sbi,k .
• Le triangle des acccroissements prédits Zbi,k .

P
• Le triangle des résidus de Pearson ri,k .
P ajus
• Les résidus de Pearson ajustés ri,k
(j)
• Le triangle des résidus de Pearson rei,k , après rééchantillonnage avec remise du triangle des
résidus de Pearson ajusté à la j−ième boucle bootstrap.
(j)
• Le nouveau triangle des accroissements : Zei,k .
(j)
• Le nouveau triangle des états : Sei,k .
28
Etapes de l’application du bootstrap au calcul des provisions (voir. [6]).

La procédure du bootstrap appliquée au triangle des règlements repose sur la méthode de Chain-
Ladder et se décompose en plusieurs étapes détaillées comme suit :
Etape 1 : Le point de départ est le triangle de développement des montants cumulés Si,k , à par-
tir duquel on donne une estimation des facteurs de développement ϕbk , k ∈ {0, ..., n − 1}
puis une estimation de la provision globale R
b par la méthode de Chain-Ladder décrite au
chapitre 2.
Etape 2 : Reconstruire à partir de la dernière diagonale connue (qui reste inchangée) les don-
nées du triangle supérieur à partir des facteurs de développement calculés à l’étape 1. On
a:
Sbi,n
Si,k = Qn−1
b i ∈ {0, ..., n} , k ≤n−i−1 (4.1)
t=k ϕ
bt
Etape 3 : Déduire du triangle de l’étape 2 les accroissements ajustés Zbi,k pour la partie supé-
rieur du triangle :
Zbi,k = Sbi,k − Sbi,k−1 , i ∈ {0, ..., n} , k ≤n−i (4.2)
Etape 4 : Calculer les résidus de Pearson qui correspondent aux résidus bruts standardisés
définis par :
P Zi,k − Zbi,k
ri,k = q i ∈ {0, ..., n} , k ≤n−i (4.3)
Zbi,k
L’erreur standard bootstrap ne tenant pas compte du nombre de paramètre du modèle,
ceci introduit un biais que l’on corrige (voir. [6]) en ajustant les résidus de Pearson par :
r
P ajus m P
ri,k = r i ∈ {0, ..., n} , k ≤ n − i (4.4)
m − p i,k

 m = (n+1)(n+2) : nombre de données
2
où
 p = 2n + 1 le nombre de paramètre du modèle
Les résidus étant en moyenne proche de zéro, l’ajustement par le nombre de paramètres
augmente la variance. On estime alors le paramètre d’échelle par :
X P ajus 2
φbP = (ri,k )
i+k≤n
Etape 5 : Répéter N fois les étapes suivantes

Pour j allant de 1 à N répéter les étapes suivantes :
a) Effectuer un rééchantillonnage aléatoire avec remise des résidus de Pearson ajustés.
(j)
On obtient un nouveau triangle de résidus rei,k à la j−ième boucle bootstrap.
29
b) Reconstruire le pseudo-triangle des incréments par la formule suivante :

q
(j) (j)
Zi,k = Zi,k + rei,k Zbi,k pour i ∈ {0, ..., n} et 0 ≤ k ≤ n − i
e b (4.5)
k
X
(j) (j)
c) Reconstruire le pseudo-triangle des règlements cumulés : Sei,k = Zei,l
l=0
d) Appliquer la méthode de Chain-Ladder pour calculer les facteurs de développement.
e) Réutilisation du modèle pour :
i) Obtenir le triangle inférieur prévu par le modèle.

b (j)
ii) Estimer la provision globale R
f) Stocker le résultat de la provision et réitérer.
Etape 6 : Obtenir une distribution empirique de l’estimation de la provision ; déterminer un

intervalle de confiance et l’erreur de prédiction associée à cette estimation.
Le schéma ci-dessous inspiré des Mémoires de Hélène COMPAIN [3] et de Clélia SAUVET
[11] donne une synthèse de la procédure bootstrap appliquée aux triangles des règlements.
TABLE 4.1 – Procédure Bootstrap
30
4.2.2 Erreur de prédiction bootstrap

Deux approches différentes permettent d’estimer l’erreur de prédiction des provisions par
cette méthode : l’approche simulatoire et semi-simulatoire.
Dans l’approche simulatoire, il faut revenir sur les étapes précédentes pour tenir compte de cette
erreur à la fin de la procédure.
L’étape 5(e) est modifiée comme suit :
– Calculer la moyenne µi,k des incréments obtenus à la fin des N boucles bootstrap de
N
X
1 (j)
l’étape 5(b). On a µi,k = N Zei,k .
j=1
– Obtenir le triangle inférieur prévu par le modèle.
– Tirage aléatoire sur le triangle inférieur, simulation d’un paiement par tirage aléatoire
d’une distribution de moyenne µi,k et de variance φbP Var(bµi,k )
– Estimer la provision globale ; l’erreur de prédiction associée à cette estimation de la pro-
vision est alors donnée par l’écart type des provisions stockées.
Dans l’approche semi-simulatoire, et en supposant les incréments indépendants, l’erreur de
processus est considérée comme la variance des incréments du triangle inférieur :
!
X X
Var(R)b = Var Zi,k = Var (Zi,k ) (4.6)
i+k>n i+k>n
Cette erreur est estimée par :

X
φbP · µ
bi,k (4.7)
i+k>n
h i
b − E(R))2 et estimée par :
L’erreur d’estimation des paramètres est définie par E (R
N N
!2
m X bi 1 X bi
R − R (4.8)
m − p i=1 N i=1
L’erreur de prédiction qui correspond à l’ultime des provisions est ainsi estimée par :
N N
!2
X m X
bi − 1 X
bi
M\
SEP (R)
b = φbP · µ
bi,k + R R (4.9)
i+k>n
m − p i=1
N i=1
| {z } | {z }
Érreur de processus Érreur d0 estimation
4.2.3 Intervalles de confiance bootstrap pour la provision

L’un des avantages de l’application du bootstrap aux triangles de règlements est la déter-
mination d’un intervalle de confiance pour la réserve globale. Pour construire un intervalle de
confiance pour R, on range les provisions globales R b(1) , · · ·, R
b(N ) dans l’ordre croissant et
31
b(1) , · · ·, R
on obtient la statistique d’ordre R b(N ) . Un intervalle de confiance de R de niveau de
(1) (N )
confiance 1 − α est donné par :

h i hα i h α i
I(R) = Rb(p) , R
b(q) où p = N et q= 1− N +1
(p) (q)
2 2
[x] étant la partie entière de x.
4.2.4 Application
L’application du bootstrap à l’exemple 1.3.1 nous donne les résultats de la Table 4.2 conte-
bi (i = 1, · · ·, 5), des estimations de M SEP (R
nant les réserves R bi ) (i = 1, · · ·, 5), la provision
globale et l’erreur de prédiction bootstrap associée pour 5000 simulations.
i R
bi M SEP (R
bi )
1 171 18.8
2 675 35.7
3 1713 60.4
4 2985 89.2
5 4983 151.8
Total 10527 237
TABLE 4.2 – Résultats de l’application du modèle simulatoire bootstrap à l’exemple 1.3.1
On observe que les résultats obtenus par cette méthode s’accorde au mieux avec ceux obte-
nus par les méthodes de Chain-Ladder (estimation de la réserve) et de Mack (Erreur de prédic-
tion).
32
? ? Chapitre Cinq ? ?
Application sur des données réelles
Dans les chapitres précédents, nous avons présenté la méthode de réservation de Chain-
Ladder et la technique de bootstrap associée. Dans le présent chapitre, il est question pour nous
d’appliquer ces différentes méthodes aux données réelles. Les simulations sont faites à la l’aide
des logiciels R et Matlab. Pour les codes de simulation sur R, consulter Arthur, C et Christophe,
D.[2] et ceux de Matlab, consulter l’annexe.
5.1 Présentation des données

Les données sont issues d’une compagnie d’assurance anonyme de la zone CIMA. Cette
base de données concerne les sinistres qui sont survenus entre 2000 et 2012. La devise de ces
données est le FCFA. On présente tout d’abord les triangles des règlements non cumulés et
cumulés de la compagnie.
33
0 1 2 3 4 5 6 7 8 9 10 11 12
2000 231264713 495066992 164696901 264317352 95195265 24124242 15648518 28399800 18205435 10854557 18776735 5379165 2788823
2001 292223747 392289900 220307570 112177915 42952966 70761053 18911215 2188375 17463093 6692703 2346740 1714209
2002 524003756 516074160 179093636 117312261 55196038 20187130 40470674 4786996 12547817 6930894 27503944
2003 299369064 335972300 99866640 67249922 19360282 11127967 10628979 17062884 18398527 37785883
2004 538374415 864088883 158224099 50713284 37225990 14019415 16589410 23552423 16438284
2005 222276045 717153741 725709910 51076190 45509419 28151770 21306602 21436309
2006 575924280 417151033 108386570 61961491 113376512 34207477 61283124
2007 586709414 1065373008 190398145 95917386 100298090 156795154

2008 422933801 890456963 280847823 84456122 87557003
2009 812960845 966080473 439826736 171640177

2010 410074040 382353884 243494671
2011 298934459 507052642
2012 606484190
TABLE 5.1 – Triangle des règlements non cumulés
34
0 1 2 3 4 5 6 7 8 9 10 11 12
2000 231264713 726331705 891028606 1155345958 1250541223 1274665465 1290313983 1318713783 1336919218 1347773775 1366550510 1371929675 1374718498
2001 292223747 684513647 904821217 1016999132 1059952098 1130713151 1149624366 1151812741 1169275834 1175968537 1178315277 1180029486
2002 524003756 1040077916 1219171552 1336483813 1391679851 1411866981 1452337655 1457124651 1469672468 1476603362 1504107306
2003 299369064 635341364 735208004 802457926 821818208 832946175 843575154 860638038 879036565 916822448
2004 538374415 1402463298 1560687397 1611400681 1648626671 1662646086 1679235496 1702787919 1719226203
2005 222276045 939429786 1665139696 1716215886 1761725305 1789877075 1811183677 1832619986
2006 575924280 993075313 1101461883 1163423374 1276799886 1311007363 1372290487
2007 586709414 1652082422 1842480567 1938397953 2038696043 2195491197
2008 422933801 1313390764 1594238587 1678694709 1766251712
2009 812960845 1779041318 2218868054 2390508231
2010 410074040 792427924 1035922595
2011 298934459 805987101
2012 606484190
TABLE 5.2 – Triangle des règlements cumulés

5.2. Application de la méthode de Chain-Ladder
5.2 Application de la méthode de Chain-Ladder

Validation des hypothèses du modèle :
Les graphiques de la Table 5.3 représentent les couples (Si,k ; Si,k+1 ) pour un k fixé et
i ∈ {0, · · ·, n − k − 1} pour les données du triangle 5.2. On rappelle que l’hypothèse fonda-
mentale de Chain-Ladder est vérifiée, si ces couples sont alignés sur une droite passant par
l’origine. Pour les deux premières années de développement, en principe, on ne semble pas
pouvoir valider cette propriété. En revanche, à partir de la troisième année de développement,
ces couples sont sensiblement alignés sur une droite passant par l’origine.
TABLE 5.3 – Validation des hypothèses de Chain-Ladder
Bien que l’hypothèse requise par la méthode de Chain-Ladder ne soit pas tout à fait concluante,
nous allons appliquer cette méthode à nos données pour compléter les triangles de liquidation.
La provision pour sinistres à payer (PSAP) par exercice de survenance et la provision globale
sont consignés dans la Table 5.5.
35
0 1 2 3 4 5 6 7 8 9 10 11 12
2000 231264713 726331705 891028606 1155345958 1250541223 1274665465 1290313983 1318713783 1336919218 1347773775 1366550510 1371929675 1374718498
2001 292223747 684513647 904821217 1016999132 1059952098 1130713151 1149624366 1151812741 1169275834 1175968537 1178315277 1180029486 1182428219
2002 524003756 1040077916 1219171552 1336483813 1391679851 1411866981 1452337655 1457124651 1469672468 1476603362 1504107306 1508299745 1511365778
2003 299369064 635341364 735208004 802457926 821818208 832946175 843575154 860638038 879036565 916822448 927967162 930553710 932445316
2004 538374415 1402463298 1560687397 1611400681 1648626671 1662646086 1679235496 1702787919 1719226203 1741275241 1762441842 1767354344 1770946976
2005 222276045 939429786 1665139696 1716215886 1761725305 1789877075 1811183677 1832619986 1856068309 1879872344 1902723704 1908027218 1911905806
2006 575924280 993075313 1101461883 1163423374 1276799886 1311007363 1372290487 1388543035 1406309405 1424345292 1441659355 1445677731 1448616468
2007 586709414 1652082422 1842480567 1938397953 2038696043 2195491197 2238599686 2265112257 2294094307 2323516016 2351760222 2358315347 2363109269
2008 422933801 1313390764 1594238587 1678694709 1766251712 1822674323 1858462550 1880473015 1904533616 1928959218 1952407268 1957849267 1961829132
2009 812960845 1779041318 2218868054 2390508231 2505356457 2585389644 2636153793 2667374745 2701503733 2736150458 2769410568 2777129821 2782775099
2010 410074040 792427924 1035922595 1117149987 1170821709 1208223410 1231946887 1246537294 1262486705 1278678069 1294221429 1297828848 1300467040

2011 298934459 805987101 995440001 1073493125 1125067422 1161007510 1183803903 1197824134 1213150261 1228708886 1243644831 1247111276 1249646372
2012 606484190 1484408567 1833329174 1977081755 2072067553 2138259399 2180244142 2206065586 2234292136 2262946883 2290454822 2296839069 2301508024
Facteurs 2.447564 1.235057 1.078411 1.048043 1.031945 1.019635 1.011843 1.012795 1.012825 1.012156 1.002787 1.002033
TABLE 5.4 – Triangle des règlements cumulés complété par la méthode de Chain-Ladder
36
Années Provisions (R
bi )
2000 -
5.2. Application de la méthode de Chain-Ladder
2001 2 398.024
2002 7 257.343
2003 15 622.067
2004 51 719.248
2005 79 283.841
2006 76 324.666
2007 167 616.080
2008 195 575.608
2009 392 264.008
2010 264 543.161
2011 443 658.189
2012 1 694 807.369
Total 3 391 070
TABLE 5.5 – Provision estimées par la méthode de Chain-Ladder. Les résultats sont en milliers de FCFA
5.3. Application de la méthode de Mack
Selon cette méthode, le montant global des provisions à constituer par l’entreprise est de
3.391 milliards de FCFA. Ayant cette provision globale, on ne peut à partir de cette méthode
mesurer la volatilité de cette estimation. La méthode stochastique de Mack et la technique du
bootstrap nous permettent d’évaluer cette incertitude.
5.3 Application de la méthode de Mack

Validation des hypothèses du modèle :
• L’hypothèse d’alignement des couples (Si,k ; Si,k+1 ) pour k fixé a été déjà vérifiée.
• Les grahiques de la Table 5.6 représentent les résidus pour les quatre premières années de
développement en fonction des années de survenance. Pour que l’hypothèse 3 du modèle
soit vérifiée, ces résidus ne doivent présenter aucune structure non aléatoire.
TABLE 5.6 – Représentation des résidus pour k = 0, 1, 2, 3.
Aucun de ces graphiques ne fait apparaître de tendance non aléatoire ; les résidus semblent
répartis de manière non structurée. On peut donc dire que cette hypothèse est satisfaite.
37
5.4. Application de la méthode par simulation de bootstrap
Comme cette méthode reproduit exactement les estimateurs de Chain-Ladder, nous donnons
dans la Table 5.7 les valeurs calculées de (σk2 )0≤k≤11 . La Table 5.8 résume les résultats obtenus
pour le calcul de R
bi et de la M SEP (R bi ) pour toutes les années de survenance.
k 0 1 2 3 4 5 6 7 8 9 10 11
σk2 12507.08 5915.42 2466.79 908.99 1048.62 493.05 289.94 168.44 572.95 306.16 62.42 12.72
TABLE 5.7 – Estimation des paramètres du modèle
bi ) M SEP (R
bi )
2000 - -
2001 2.40e+06 5.96e+05
2002 7.26e+06 3.14e+06
2003 1.56e+07 1.06e+07
2004 5.17e+07 3.22e+07
2005 7.93e+07 3.49e+07
2006 7.63e+07 3.17e+07
2007 1.68e+08 5.10e+07
2008 1.96e+08 6.83e+07
2009 3.92e+08 1.00e+08
2010 2.65e+08 1.15e+08
2011 4.44e+08 2.45e+08
2012 1.70e+09 6.10e+08
Total 3.391.302.556 721.982.526
TABLE 5.8 – Résultats obtenus par la méthode de Mack.
Avec cette méthode, on obtient une erreur de prédiction évaluée à un montant d’environ 722
millions de FCFA, soit 21% du montant de la provision globale.
5.4 Application de la méthode par simulation de bootstrap

La provision pour sinistres à payer peut être déterminée à partir de la méthode par simulation
du bootstrap qui permet également d’obtenir l’incertitude à l’ultime et un intervalle de confiance
pour la provision estimée. Pour le triangle des règlements cumulés, 50 000 simulations ont été
effectuées afin de déterminer la distribution des provisions estimées par Mack. Le montant des
réserves ainsi que l’erreur standard de déviation par année de survenance sont consignés dans
le Table 5.9.
38
5.4. Application de la méthode par simulation de bootstrap
bi ) M SEP (R
bi ) Quantiles à 95% Quantiles à 99, 5%
2000 - - - -
2001 2.51e+06 1.85e+07 26267206 101074302
2002 7.60e+06 2.93e+07 59791432 146684053
2003 1.59e+07 3.24e+07 78056892 169078179
2004 5.27e+07 5.95e+07 168875407 286347155
2005 8.14e+07 7.29e+07 218928400 348411160
2006 7.78e+07 6.71e+07 206414632 330643141
2007 1.71e+08 1.04e+08 363164070 519166322
2008 1.98e+08 1.08e+08 401269304 561633133
2009 3.96e+08 1.57e+08 681324627 906570886
2010 2.68e+08 1.23e+08 493984786 685837341
2011 4.49e+08 1.74e+08 760711010 1043429482
2012 1.72e+09 5.37e+08 2630675396 3982359221
Total 3.43e+09 7.37e+08 4727264749 5995164535
TABLE 5.9 – Réserves et erreurs de prédiction estimées par bootstrap
On observe que les quantiles à 95% et 99, 5% de la réserve globale sont égaux à 4.727.264.749
FCFA et 5.995.164.535 FCFA respectivement. Ainsi, si la compagnie constitue une provision
de 5.995.164.535 FCFA, elle est certaine à 99, 5% de couvrir tous les sinistres survenus. L’inter-
valle de confiance à 95% de la provision globale est [2.166.344.180; 5.087.119.707]. La Figure
5.1 représente l’histogramme de la distribution de la provision globale obtenue par cette mé-
thode.
F IGURE 5.1 – Histogramme des réserves totales simulées
39
5.5. Interprétation des résultats et conclusion
5.5 Interprétation des résultats et conclusion

On observe qu’avec la méthode bootstrap, les PSAP estimées sont assez en accord avec
celles obtenues par la méthode de Chain-Ladder. Ce résultat était prévisible en ce sens que le
modèle sous-jacent utilisé reproduit les PSAP de Chain-Ladder. En revanche, l’erreur boots-
trap (737 millions) est bien plus importante que celle obtenue avec le modèle de Mack (722
millions) ; on a donc une variabilité des montants plus grande dans la méthode par simulation.
40
♠ Conclusion ♠
Tout au long de ce mémoire, nous nous sommes efforcés à présenter la méthode standard de
Chain-Ladder et la technique du bootstrap associée. A cet effet, nous avons tout d’abord pré-
senté la méthode de Chain-Ladder dans son approche déterministe et stochastique. L’approche
déterminste basée sur le calcul des facteurs de développement est la plus simple à mettre en
pratique ce qui justifie son application courante par les compagnies d’assurance. Cependant, ne
faisant aucune hypothèse sur la loi que peut suivre le coût des sinistres, elle ne permet pas de
mesurer l’incertitude autour du montant des provisions estimées. C’est donc sur ce défaut que
Thomas Mack va se baser pour développer un modèle stochastique donnant les mêmes pro-
visions que la méthode de Chain-Ladder, mais aussi calculant l’erreur de prédiction pour ces
dernières.
Ensuite, nous avons présenté la méthode par simulation du bootstrap dont l’utilisation dans
le calcul provisions donne plus d’informations concernant la réserve globale et l’erreur de pré-
diction associée. Elle fournit en effet une distribution complète et des intervalles de confiance
pour la rèserve globale.
Enfin, nous avons fait une application de ces méthodes aux données reélles. Il en ressort
qu’au-delà la distribution de la provision globale donnée par la technique du bootstrap, cette
méthode fournie des PSAP qui tendent à se conformer aux résultats obtenus par la méthode de
Chain-Ladder. Par ailleurs l’erreur de prédiction bootstrap de la provision est plus importante
que celle donnée par le modèle de Mack, il vient que l’estimateur de la provision donné par le
modèle de Mack est préférable a celui du bootstrap. Cependant vue la diversité des méthodes
de réservation se basant sur la méthode de Chain-Ladder, existe-il des critères permettant de
justifier la "fiabilité" d’une méthode ? Nous nous proposons d’y réfléchir pour des prochains
travaux.
41
♠ Bibliographie ♠
[1] BENKTANDER. An approach to credibility in calculating ibnr for casualty excess rein-
surance. Actuarial Review, 3 :7–30, 1976.
[2] ARTHUR CHARPENTIER and CHRISTOPHE DUTANG. L’Actuariat avec R. ENSAE
de Paris, Décembre 2012.
[3] HELENE COMPAIN. Analyse du risque de provisionnement non-vie dans le cadre de la
réforme solvabilité II. Mémoire d’actuariat, Université Paris Dauphine, 2010.
[4] KLAUS D SCHIMDT. Modèles et méthodes de réservation. Cours Université de Stras-
bourg, Mai 2003.
[5] BRADLEY EFRON and ROBERT J TIBISHIRANI. An Introduction to the Bootstrap.
Chapman and hall edition, 1993.
[6] PETER ENGLAND and R.J VERRAL. Analytic and bootstrap estimates of prediction
errors in claims reserving. Insurance : Mathematics and Economics, 25 :281–293, 1999.
[7] Sécrétariat général du CCSF. Glossaire assurance, Juin 2010. www.ccsfin.net.
[8] THOMAS MACK. Distribution-free calculation of the standard error of chain-ladder
reserve estimates. ASTIN Bulletin, 15 :133–138, 1993.
[9] CLEMENCE MICHAU. La mesure du risque de provisionnement à l’horizon un an en as-
surance non vie : prise en compte du jugement d’expert et des données exogènes. Mémoire
d’actuariat, ISFA, Université Lyon 1, FRANCE, 2012.
[10] CHRISTIAN PARTRAT. Provisionnement technique en assurance non-vie. Economia,
2007.
[11] CLELIA SAUVET. Solvency II, quelle modélisation stochastique des provisions tech-
niques prévoyance et non-vie ? Mémoire d’actuariat, ISFA, Université Lyon 1, FRANCE,
2006.
[12] TAYLOR. Separation of ination and other effects from the distribution of non-life insu-
rance claim delays. ASTIN Bulletin, 9 :217–230, 1977.
42
♠ Annexe ♠
Nous donnons ici le code Matlab pour la méthode de Chain-Ladder et le calcul de résidus
de Pearson.
F IGURE 5.2 – Début code Matlab pour la méthode de Chain-Ladder
43
Annexe
F IGURE 5.3 – Suite Code Matlab pour la méthode de Chain-Ladder
F IGURE 5.4 – Fin Code Matlab pour la méthode de Chain-Ladder
44

Evaluation Des Provisions Techniques en PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Evaluation Des Provisions Techniques en PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Evaluation des provisions techniques en assurance

non-vie : la méthode de référence de Chain-Ladder

Dr. Siméon FOTSO

Année Académique 2014-2015

Ce Mémoire n’aurait jamais vu le jour sans la participation effective de certaines personnes

1. Conférence Interafricaine des Marchés d’Assurances.

1 Cadre général de l’assurance 2

2.4.1 Une autre explication de la méthode de Chain-Ladder . . . . . . . . . . 15

3 Méthode Stochastique : le modèle de Mack 18

4 Méthode de Chain-Ladder et le bootstrap 27

5 Application sur des données réelles 33

Cadre général de l’assurance

1.1 L’activité d’assurance

1.1.1 Contrat d’assurance

1.1.2 Cycle de production d’un sinistre en assurance non-vie

F IGURE 1.1 – Dynamique de règlement d’un sinistre

– La survenance correspond à la date à laquelle le sinistre est survenu.

1.1.3 Provisions techniques en assurance non-vie

1.2 Présentation des données

Notation 1.2.1. Nous utiliserons les notations suivantes :

1.2.1 Triangle des règlements non-Cumulés

2. En Afrique francophone la CIMA : Conférence Interafricaine des Marchés d’Assurances.

TABLE 1.1 – Triangle des règlements non-cumulés

1.2.2 Triangle des règlements Cumulés

TABLE 1.2 – Triangle des règlements cumulés

1.2.3 Triangle des facteurs individuels ou d-triangle

1.3 Exemple introductif

TABLE 1.3 – Exemple de triangle des règlements non-cumulés

TABLE 1.4 – Exemple de triangle des règlements cumulés

2.1 Hypothèses du modèle

∀ i ∈ {0, 1, ..., n} , ∀k ∈ {0, 1, ..., n − 1} Si,k+1 = ϕk · Si,k (2.1)

2.2 Facteurs et estimateurs de Chain-Ladder

2.2.1 Facteurs de Chain-Ladder

S0,k+1 S1,k+1 Sn−k−1,k+1

2.2.2 Estimateurs de Chain-Ladder

Pour tout i ∈ {1, ..., n} et k ∈ {n − i + 1, ..., n}.

2.2.3 Réserve de Chain-Ladder

2.3 Application et validation des hypothèses de Chain-Ladder

TABLE 2.1 – Application de la méthode Chain-Ladder

En appliquant la formule de récurrence (2.1) on obtient :

Sb5,1 =1889 × 1.8995 ≈ 3588

2.3.2 Validation des hypothèses de Chain-Ladder

1. Alignement des couples (Si,k ; Si,k+1 )0≤i≤n−k−1 pour k fixé.

F IGURE 2.1 – Test graphique de l’hypothèse CL1 pour k=0, 1, 2

2. Examen du triangle des facteurs individuels.

TABLE 2.2 – Triangle des facteurs individuels pour l’exemple 1.3.1

L’examen de ce traingle nous permet d’observer pour k = 0, 1, 2, 3, 4 fixé, les facteurs

F IGURE 2.2 – Représentation des colonnes du d-triangle pour k = 0, 1, 2

2.4 Généralisation de la méthode de Chain-Ladder

2.4.1 Une autre explication de la méthode de Chain-Ladder

Si,k+1 = ϕi,k Si,k (2.7)

Si,n−i+1 = ϕi,n−i · Si,n−i

En multipliant membre à membre et en simplifiant on obtient

2.4.2 Méthodes de Chain-Ladder pondérées

pour k = 0, 1, · · ·, n − 1 fixé. La fonction g la plus utilisée est le barycentre de la famille

La méthode de Chain-Ladder pondérée est donc une généralisation de la méthode de Chain-

2.5 Limites de la méthode de Chain-Ladder déterministe

2. L’incertitude de l’estimation augmente avec les années de survenance. En effet pour la

3. Les incréments correspondant aux périodes de développement élevées comportent peu

Méthode Stochastique : le modèle de Mack

La popularité de la méthode de Chain-Ladder pour l’estimation des réserves a amenée Tho-

3.1 Hypothèses du modèle

∀ i ∈ {0, · · ·, n} , E(Si,k+1 /Si,0 , ..., Si,k ) = λk Si,k