Mémoires d'Actuariat
Comparaison de méthodes de construction d'un zonier en assurance automobile
Auteur(s) RICHARD A;
Société Crédit Mutuel Alliance Fédérale
Année 2024
Confidentiel jusqu'au 26/11/2026
Résumé
La segmentation des différents profils de risque est un enjeu central de la tarification des contrats d’assurance automobile. Pour l’affiner, les compagnies d’assurance ont recours à un outil clé permettant de synthétiser le risque lié à la position géographique des assurés, appelé un zonier. Il n’existe pas de zonier type et les compagnies ont la responsabilité de construire celui capable de refléter au mieux le risque inhérent à leur portefeuille, pour chaque garantie. Ce mémoire a pour vocation de proposer et d’appliquer plusieurs méthodologies alternatives à la réalisation d’un zonier pour la garantie vol afin de mesurer l’impact du zonier utilisé sur la qualité du modèle. La démarche comporte deux étapes : le risque géographique est d’abord séparé du risque lié aux variables tarifaires concernant l’assuré et son véhicule par un modèle linéaire généralisé. Les résidus de ce modèle sont agrégés à une maille choisie et modélisées pour réduire la variance inexpliquée et ne conserver que l’information géographique. Deux méthodologies sont mises en place parallèlement : la première basée sur l’interpolation et la seconde sur des algorithmes de machine learning. Puis, les valeurs obtenues sont regroupées en un nombre restreint de zones, déterminées par des techniques de clustering. Le nouveau zonier est intégré au modèle linéaire généralisé initial afin d’évaluer sa pertinence à l’aide d’indicateurs. Les résultats montrent une amélioration significative des métriques d’évaluation pour les modèles qui incluent le zonier réalisé par machine learning et une meilleure adéquation avec les risques réels.
Abstract
The segmentation of different risk profiles is a key issue in the pricing of motor insurance. In order to optimize this, insurance companies use an essential tool allowing them to synthetize the risk linked with the geographical location of policyholders, known as a zonier. There is no standard zonier, therefore companies are responsible for developing a zonier that best reflects the risk inherent in their portfolio for each cover. This report aims to suggest and apply several alternative methodologies for generating a zonier for theft cover and to measure the impact of the zonier used on the quality of the model. The approach consists of two steps : first, the geographical risk is separated from the risk associated with the pricing variables related to the insured and his vehicle by means of a generalised linear model. The residuals from this model are then aggregated on a chosen grid and modelled in order to reduce unexplained variance and retain only the geographical information. Two methods are implemented in parallel : the first is based on interpolation and the second on machine learning algorithms. The values obtained are then grouped into a limited number of zones determined by clustering techniques. The new zonier is integrated into the initial generalised linear model to assess its relevance using indicators. The results show a significant improvement in scoring metrics for models incorporating the machine learning zonier, as well as a better match with actual risks.
Auteur(s) RICHARD A;
Société Crédit Mutuel Alliance Fédérale
Année 2024
Confidentiel jusqu'au 26/11/2026
Résumé
La segmentation des différents profils de risque est un enjeu central de la tarification des contrats d’assurance automobile. Pour l’affiner, les compagnies d’assurance ont recours à un outil clé permettant de synthétiser le risque lié à la position géographique des assurés, appelé un zonier. Il n’existe pas de zonier type et les compagnies ont la responsabilité de construire celui capable de refléter au mieux le risque inhérent à leur portefeuille, pour chaque garantie. Ce mémoire a pour vocation de proposer et d’appliquer plusieurs méthodologies alternatives à la réalisation d’un zonier pour la garantie vol afin de mesurer l’impact du zonier utilisé sur la qualité du modèle. La démarche comporte deux étapes : le risque géographique est d’abord séparé du risque lié aux variables tarifaires concernant l’assuré et son véhicule par un modèle linéaire généralisé. Les résidus de ce modèle sont agrégés à une maille choisie et modélisées pour réduire la variance inexpliquée et ne conserver que l’information géographique. Deux méthodologies sont mises en place parallèlement : la première basée sur l’interpolation et la seconde sur des algorithmes de machine learning. Puis, les valeurs obtenues sont regroupées en un nombre restreint de zones, déterminées par des techniques de clustering. Le nouveau zonier est intégré au modèle linéaire généralisé initial afin d’évaluer sa pertinence à l’aide d’indicateurs. Les résultats montrent une amélioration significative des métriques d’évaluation pour les modèles qui incluent le zonier réalisé par machine learning et une meilleure adéquation avec les risques réels.
Abstract
The segmentation of different risk profiles is a key issue in the pricing of motor insurance. In order to optimize this, insurance companies use an essential tool allowing them to synthetize the risk linked with the geographical location of policyholders, known as a zonier. There is no standard zonier, therefore companies are responsible for developing a zonier that best reflects the risk inherent in their portfolio for each cover. This report aims to suggest and apply several alternative methodologies for generating a zonier for theft cover and to measure the impact of the zonier used on the quality of the model. The approach consists of two steps : first, the geographical risk is separated from the risk associated with the pricing variables related to the insured and his vehicle by means of a generalised linear model. The residuals from this model are then aggregated on a chosen grid and modelled in order to reduce unexplained variance and retain only the geographical information. Two methods are implemented in parallel : the first is based on interpolation and the second on machine learning algorithms. The values obtained are then grouped into a limited number of zones determined by clustering techniques. The new zonier is integrated into the initial generalised linear model to assess its relevance using indicators. The results show a significant improvement in scoring metrics for models incorporating the machine learning zonier, as well as a better match with actual risks.
