Mémoires d'Actuariat
Comment mieux tarifer l'assurance automobile pour les véhicules électriques avec l'hétérogéité des risques des véhicules électriques versus ceux thermiques
Auteur(s) MAO P.
Société Axa France
Année 2024
Confidentiel jusqu'au 04/03/2026
Résumé
Dans le contexte de l’accord du pacte vert européen, la France s’engage à mettre fin aux ventes de voitures diesel et essence neuves d’ici à 2035 pour atteindre la neutralité carbone. Dans notre portefeuille, nous avons observé une forte croissance des expositions des véhicules électriques. Nous avons également observé une sous-estimation de la prime pure pour les véhicules électriques qui est due essentiellement à la sous-estimation de la fréquence. Ainsi, nous sommes dans la nécessité de revoir les approches actuelles de tarification et de proposer des approches optimisées pour la tarification de prime pure des contrats d’assurance auto dans le cas où elles ne s’adapteraient plus aux véhicules électriques. Nous avons quatre approches d’amélioration : — Analyse des caractéristiques des véhicules de types d’énergie différents par la classification du type d’énergie et génération de clusters des véhicules similaires par le K-means — Modélisation par des algorithmes de Machine Learning — Modélisation de deux-étapes dont la première est la segmentation des assurés — Fusion des modèles Nous avons enfin retenu le modèle de la prime pure composé par le modèle de la fréquence par l’algorithme CatBoost et le modèle de sévérité par GLM Gamma pour la prédiction de la prime pure. Le nouveau modèle nous permet de réduire l’écart de la prédiction et de la réalité de la prime pure sur les véhicules électriques tout en sauvegardant la performance sur l’ensemble des véhicules. Mots clés : Véhicules électriques, K-means, Classification, CatBoost, GLM
Abstract
In the context of the European Green Deal, France commits to ending the sales of new diesel and gasoline cars by 2035 to achieve carbon neutrality. We have observed a significant growth in the exposure of electric vehicles within our portfolio. We also noted an underestimation of the pure premium for electric vehicles, primarily due to the underestimation of frequency. Therefore, there is a necessity to revisit the current pricing approaches and propose optimized methods for pricing the pure premium of auto insurance contracts in cases where they no longer fit electric vehicles. We have identified five major improvement approaches: — Analysis of vehicle characteristics by energy type through energy type classification and the generation of similar vehicle clusters by K-means. — Modeling using Machine Learning algorithms. — Two-step modeling, with the first step being the segmentation of policyholders. — Model fusion. We ultimately selected a pure premium model composed of the frequency model by the CatBoost algorithm and the severity model by GLM Gamma for pure premium prediction. The new model allows us to narrow the gap between the predicted and actual pure premium for electric vehicles while maintaining performance across all vehicles. Keywords: Electric Vehicles, K-means, Classification, CatBoost, GLM
Auteur(s) MAO P.
Société Axa France
Année 2024
Confidentiel jusqu'au 04/03/2026
Résumé
Dans le contexte de l’accord du pacte vert européen, la France s’engage à mettre fin aux ventes de voitures diesel et essence neuves d’ici à 2035 pour atteindre la neutralité carbone. Dans notre portefeuille, nous avons observé une forte croissance des expositions des véhicules électriques. Nous avons également observé une sous-estimation de la prime pure pour les véhicules électriques qui est due essentiellement à la sous-estimation de la fréquence. Ainsi, nous sommes dans la nécessité de revoir les approches actuelles de tarification et de proposer des approches optimisées pour la tarification de prime pure des contrats d’assurance auto dans le cas où elles ne s’adapteraient plus aux véhicules électriques. Nous avons quatre approches d’amélioration : — Analyse des caractéristiques des véhicules de types d’énergie différents par la classification du type d’énergie et génération de clusters des véhicules similaires par le K-means — Modélisation par des algorithmes de Machine Learning — Modélisation de deux-étapes dont la première est la segmentation des assurés — Fusion des modèles Nous avons enfin retenu le modèle de la prime pure composé par le modèle de la fréquence par l’algorithme CatBoost et le modèle de sévérité par GLM Gamma pour la prédiction de la prime pure. Le nouveau modèle nous permet de réduire l’écart de la prédiction et de la réalité de la prime pure sur les véhicules électriques tout en sauvegardant la performance sur l’ensemble des véhicules. Mots clés : Véhicules électriques, K-means, Classification, CatBoost, GLM
Abstract
In the context of the European Green Deal, France commits to ending the sales of new diesel and gasoline cars by 2035 to achieve carbon neutrality. We have observed a significant growth in the exposure of electric vehicles within our portfolio. We also noted an underestimation of the pure premium for electric vehicles, primarily due to the underestimation of frequency. Therefore, there is a necessity to revisit the current pricing approaches and propose optimized methods for pricing the pure premium of auto insurance contracts in cases where they no longer fit electric vehicles. We have identified five major improvement approaches: — Analysis of vehicle characteristics by energy type through energy type classification and the generation of similar vehicle clusters by K-means. — Modeling using Machine Learning algorithms. — Two-step modeling, with the first step being the segmentation of policyholders. — Model fusion. We ultimately selected a pure premium model composed of the frequency model by the CatBoost algorithm and the severity model by GLM Gamma for pure premium prediction. The new model allows us to narrow the gap between the predicted and actual pure premium for electric vehicles while maintaining performance across all vehicles. Keywords: Electric Vehicles, K-means, Classification, CatBoost, GLM
