Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Voir le monde depuis le Japon 🇯🇵

Comme je l’ai déjà raconté sur ce blog, je vis désormais au Japon. Pour une année. La barrière de la langue et la culture me tiennent encore à bonne distance (je me sens souvent lost in translation) mais je continue d’explorer ce pays les yeux écarquillés, fasciné par ce que j’y découvre. Une des premières étapes, étant devenu temporairement “résident” a été de nous inscrire au ward office, le bureau de l’arrondissement (), ce qui a permis d’entrevoir l’efficacité de l’administration japonaise.  Par exemple, quand on rejoint l’assurance maladie publique (National Health Insurance 国民健康保険 ou Employees’ Health Insurance 社会保険) on a accès à des check-ups de santé subventionnés (check-up de prévention du diabète et maladies cardio-métaboliques) pour moins de 1000円, moins de 10 dollars canadiens, 6 ou 7 €. Je découvre aussi le système incroyable de train… Entre Tokyo et Kyoto, il y a 130–150 trains quotidiens dans chaque direction (aller ou retour). À titre de comparaison, entre Paris et Rennes, c’est 20 trains par jours, pour le RER entre Palaiseau et Paris (centre), c’est 60 trains par jour. Au Canada, entre Montréal et Toronto, c’est environ 6 allers (ou retours) quotidiens. En fait, mon quotidien est en décalage complet avec ce que j’ai toujours entendu sur « l’économie japonaise », présentant le Japon comme un personnage de tragédie (économique). Depuis vingt-cinq ans, on entend parler de sa « stagnation terminale », « l’échec de son modèle », « l’incapacité à rebondir ». Mais ce n’est pas ce que j’observe au quotidien…

Il y a presque deux ans, avec Ewen Gallic, on a écrit un court billet de blog, Croissance, décroissance, de quoi parle-t-on ?, qui avait été l’occasion de poser plusieurs questions comme que mesure-t-on vraiment lorsque l’on parle de croissance ? ou pourquoi le PIB occupe-t-il une telle place dans le débat public ? mais surtout on se demandait pourquoi la croissance du PIB pouvait résumer la santé d’un pays ? Clairement, vivre au Japon me donne aujourd’hui un autre éclairage, non plus abstrait, tiré de mes lectures, mais incarné. Si un pays peut fonctionner aussi bien avec une croissance quasi nulle depuis deux ou trois décennies, alors peut-être qu’une partie du discours économique repose sur un malentendu assez profond ?

L’économie japonaise va-t-elle vraiment si mal ?

Dire « le Japon stagne » est factuellement correct : la croissance moyenne du PIB réel est autour de 0–1 % par an depuis le milieu des années 1990. Mais dire « le Japon est en déclin » est très différent, et probablement faux. Dans Japan’s Bubble, Deflation and Long-term Stagnation, Hamada, Kashyap et Weinstein rappellent que le choc des années 1990 a été très important: chute des prix immobiliers, crise bancaire sévère, déflation persistante. Pourtant, ils montrent que malgré ces turbulences, le PIB par habitant a continué de progresser. Cette nuance est essentielle, car le PIB total croît peu, la population diminue, donc le niveau de vie moyen ne s’est pas effondré. Richard Koo, dans The Holy Grail of Macroeconomics, apporte même une interprétation devenue classique : le Japon ne souffrait pas d’un manque de dynamisme, mais d’une balance sheet recession, où les entreprises, toujours solvables, utilisaient leurs revenus non pas pour investir mais pour se désendetter. Ce phénomène entraîne mécaniquement une faible croissance, mais pas une baisse du bien-être matériel. Et c’est exactement ce que montre le Japon d’aujourd’hui : une économie « molle » quand on regarde les chiffres, mais robuste, stable, et fonctionnelle quand on regarde la vie au quotidien.

Le Japon est-il inégalitaire ?

Dans notre article Croissance, décroissance, de quoi parle-t-on ?, on arrivait assez vite à la question croissance pour qui ? Rappelant que penser la croissance sans penser les inégalités n’avait pas grand intérêt… Qu’en est-il au Japon ? Les inégalités japonaises existent, bien sûr, aucun pays n’y échappe. Mais elles sont souvent mal comprises. Dans The Spirit Level, Wilkinson et Pickett utilisent un ensemble de données internationales pour montrer comment les inégalités structurent la santé sociale. Ils montrent notamment que le Japon se situe parmi les pays développés les moins inégalitaires, juste derrière les “pays nordiques” (selon l’expression consacrée, c’est à dire les pays Européens du nord de l’Europe, i.e., Danemark, Finlande, Islande, Norvège et Suède, qui font partie du Conseil nordique depuis 1952). Cela explique en partie pourquoi le Japon affiche des taux faibles de criminalité, des niveaux élevés de confiance et une cohésion sociale remarquable. De son côté, Margarita Estevez-Abe, dans Welfare and Capitalism in Postwar Japan, décrit un pays où l’État-providence est limité, mais compensé par un marché du travail historiquement protecteur, une culture d’entreprise paternaliste et une éducation homogène. Autrement dit : la redistribution est plus faible, mais la cohésion est forte. Enfin, dans The Origins of Happiness, Clark, Flèche et Layard montrent que les déterminants du bien-être ne sont pas seulement économiques : la santé mentale, les relations familiales, la stabilité sociale comptent davantage que les revenus. Sur ces critères, le Japon obtient de très bons résultats. Le Japon n’est donc pas un « paradis égalitaire », mais certainement pas un pays fracturé.

Peut-on généraliser l’expérience japonaise ?

L’objection classique est immédiate : « le Japon n’est pas exportable ». Et c’est vrai : sa démographie, ses institutions, sa cohésion sociale, son administration, son rapport à l’État sont très spécifiques. Dans Models of Capitalism, David Coates souligne justement que chaque pays combine institutions, histoire et culture économique pour produire un « modèle » unique. Le Japon est un cas particulier dans ce paysage. Pour autant, une conclusion me semble généralisable :

Ce n’est pas la croissance qui garantit un bon fonctionnement social. Ce sont les institutions et les choix collectifs.

C’est ce que confirment des ouvrages très différents, Organization, Performance and Equity qui montre comment la coordination État–entreprises a façonné une économie résiliente, Public Policies and the Japanese Economy insiste sur l’importance des choix publics d’investissement dans les infrastructures ou encore The Nordic Theory of Everything rappelle qu’on peut combiner cohésion sociale et faible croissance dès lors que les services publics sont solides et bien gérés. Autrement dit : le Japon n’a pas « réussi malgré la stagnation ». Il a réussi dans la stagnation, grâce à des institutions adaptées.

La croissance est-elle nécessaire pour financer des services publics de qualité ?

J’ai l’impression que c’est la question la plus sensible, celle sur laquelle repose l’essentiel des débats contemporains en Europe :

Si la croissance ralentit, peut-on encore financer l’école, l’hôpital, les bâtiments publics, les infrastructures, les retraites ?

La réponse la plus courante est : « Non, il faut de la croissance pour financer tout cela ». Mais cette affirmation ne résiste pas à l’analyse, ni théorique, ni empirique. Dans Mismeasuring Our Lives, Stiglitz, Sen et Fitoussi montrent que le PIB ignore la qualité des infrastructures, ignore la soutenabilité, ignore les inégalités et ne mesure pas les services publics eux-mêmes. Dit autrement, deux pays ayant la même croissance peuvent offrir des services publics radicalement différents, ce que l’on observe entre les États-Unis et les “pays nordiques”, par exemple. La croissance ne dit donc rien sur la capacité à lever l’impôt, la confiance sociale, la stabilité institutionnelle, l’efficacité administrative, etc. Pour financer des services publics, il faut avant tout… un État qui sait les financer. Le Japon a connu vingt ans de croissance très faible, mais a maintenu un niveau d’investissement public élevé. Dans Public Policies and the Japanese Economy, Toshiaki Tachibanaki montre que les années 1990–2000 ont été marquées par des programmes d’investissement massifs, parfois critiqués comme excessifs, mais qui ont permis d’entretenir les infrastructures, de moderniser les réseaux de transport mais aussi d’assurer une grande résilience urbaine (notamment sismique). Ce financement ne provenait pas de la croissance, mais de choix politiques, d’un système fiscal cohérent, d’une dette publique domestique, et d’un haut niveau d’épargne intérieure. Le Japon a prouvé qu’un État peut maintenir des services publics excellents dans une économie stagnante, dès lors qu’il considère ces services comme essentiels. En fait, dans The Economics of Enough, Diane Coyle propose une distinction essentielle :

La qualité des services publics dépend de la gouvernance, pas du PIB.

Elle identifie quatre déterminants clés :

  1. La confiance sociale : Sans elle, pas de fiscalité efficace, pas de coopération, pas de services publics solides. Le Japon en a beaucoup. Les pays nordiques aussi. Le PIB n’y est pour rien.
  2. La discipline budgétaire à long terme : Le Japon a mené des politiques procycliques dans les années 1990, certes, mais il a maintenu ses investissements dans la durée.
  3. Des institutions stables, lisibles et efficaces : L’administration japonaise est connue pour sa continuité et sa capacité de planification.
  4. Une vision politique claire de ce qui doit être public : Les trains, l’eau, les hôpitaux, l’éducation : ce sont des priorités nationales.

Rien de cela ne dépend directement de la croissance. Dans The Origins of Happiness, les auteurs montrent que malgré quarante ans de croissance, de nombreux pays n’ont pas amélioré la satisfaction de vie. Ce n’est donc pas la croissance en soi qui garantit l’amélioration des conditions de vie, mais la manière dont la richesse est répartie et utilisée. De même, dans The Spirit Level, Wilkinson et Pickett montrent que les sociétés très inégalitaires ont tendance à réduire leurs investissements sociaux, même en période de forte croissance. Clairement, la croissance peut coexister avec un système hospitalier qui s’effondre, des écoles sous-financées, des infrastructures vieillissantes. On en a pleins d’exemples frappants, mais on peut se contenter ici de mentionner les États-Unis, pays riche, dynamique, innovant… mais aux infrastructures souvent défaillantes. La conclusion est donc contre-intuitive mais solide :

Ce n’est pas la croissance qui finance les services publics — c’est la décision de les financer.

Dans Beyond Growth, Herman Daly propose le concept d’« économie stationnaire » : une économie où le bien-être ne dépend plus de la croissance matérielle, mais de la qualité des institutions et de la soutenabilité. Le Japon n’est pas officiellement un pays « stationnaire », mais il en présente plusieurs caractéristiques : croissance faible ; infrastructures excellentes ; stabilité sociale ; services publics robustes. Il montre qu’une telle configuration n’est ni utopique, ni catastrophique. Elle est simplement différente, et probablement annonciatrice de ce que connaîtront d’autres pays vieillissants.

Cette discussion sur la croissance a-t-elle encore du sens ?

Plus j’observe le Japon, plus je reviens vers les travaux de Raworth, Mazzucato, Coyle, Stiglitz, Daly, Wilkinson, Layard. Tous soulignent, chacun à leur manière, que nous confondons croissance économique et progrès social, comme on le disait un peu déjà dans  Croissance, décroissance, de quoi parle-t-on ?. Dans Doughnut Economics, Raworth écrit en substance que les pays développés devraient désormais chercher à rester dans un « espace sûr », assurer un plancher social solide (santé, logement, éducation), tout en respectant les limites écologiques. Le Japon, avec ses contradictions et ses défis, en offre un exemple imparfait. Mais réel. Dans The Value of Everything, Mazzucato montre que la croissance peut masquer une baisse de la valeur réelle créée pour la société, notamment lorsqu’elle résulte de la financiarisation ou de l’extraction de rente. Dans The Spirit Level, Wilkinson et Pickett démontrent que la cohésion sociale, la santé publique et la sécurité collective dépendent davantage de l’égalité que de la croissance. Tout converge vers une idée simple :

Dans les pays riches, la croissance n’est plus le bon indicateur du progrès.

Les Japonais, eux, semblent le vivre depuis vingt ans. Je ne sais pas si le Japon est un « modèle ». je ne sais pas si son expérience peut être reproduite ailleurs, mais il me semble que ce pays vivant, accueillant, discipliné, étonnant, contredit profondément l’idée que la croissance est nécessaire pour que la société fonctionne.

Actuarial Pricing Discrimination and Fairness

Tomorrow, I will give a talk for the “pricing seminar” of a major insurance company. The slides are available online, and it will be on “Actuarial Pricing Discrimination and Fairness“. As always, my talk will explore why actuarial pricing inherently relies on discrimination between groups, and how this raises deep conceptual, legal, and ethical challenges. The objective is to understand both the mathematical foundations of “fairness” and the regulatory tensions that emerge.

Continue reading Actuarial Pricing Discrimination and Fairness

Quand l’assurance se défait, la crise silencieuse de l’indemnisation

J’avoue que j’aime ces articles (de presse quotidienne) qui, sans en avoir l’air, racontent beaucoup plus qu’une série d’anecdotes et de parcours de vies individuels. Comme celui qu’a publié le Financial Times le 22 novembre 2025, consacré à la hausse spectaculaire des refus d’indemnisation dans l’assurance habitation au Royaume-Uni. Il raconte des vies bouleversées par des sinistres apparemment banals (un dégât des eaux, un choc électrique, une infiltration) mais surtout il dévoile, presque malgré lui, les tensions profondes de système assurantiel.

Avant même d’entrer dans ces histoires, il faut rappeler une chose simple mais fondamentale : l’assurance est la vente d’une promesse. Une promesse d’indemnisation future, formulée aujourd’hui, contre une prime payée immédiatement. Tout le marché de l’assurance repose sur ce principe paradoxal : l’assureur encaisse d’abord, et ne délivre la prestation que beaucoup plus tard, si un événement malheureux (mais anticipé) survient. Je renvoie à notre Manuel d’assurance pour ceux qui se sentent un peu loin de ces sujets. Mais pour résumer rapidement et simplement, le contrat d’assurance est un dispositif juridique et économique qui engage l’assureur sur des garanties précisément définies, qui « fixent les conditions de garantie, en particulier les franchises et exclusions ». L’assurance n’est pas un bien que l’on consomme immédiatement ; c’est un engagement irréversible de réparer un dommage futur. Comme tout engagement irréversible, il ne vaut que si celui qui le prend (ici l’assureur) est jugé crédible. Cette crédibilité n’est pas accessoire : elle est la condition d’existence même du marché. Si les clients cessent d’y croire, le produit s’effondre. On insiste à plusieurs endroits sur ce point, sur la « dimension sociale et sociétale de l’assurance », expliquant qu’elle dépend in fine « de la performance et de l’éthique des assureurs » dans la tenue de leurs engagements et la gestion des sinistres . Je vais insister un peu lourdement, parce qu’on aurait tort de lire cette phrase comme une remarque générale : l’assurance n’a pas d’autre fondation solide que la confiance. Quand cette confiance vacille (parce que les contrats deviennent illisibles, les garanties incertaines, les refus fréquents) alors la promesse elle-même se fragilise. Et tout le marché avec.

Mais revenons à notre article, Why are so many home insurance claims being rejected?. Il s’ouvre avec Jacopo, un économiste installé à Hackney, qui vient à casser une assiette de frustration devant ses enfants. Depuis plus de deux ans, sa famille vit dans un appartement humide, les murs ouverts et les déshumidificateurs bourdonnant en permanence, à la suite d’une fuite d’eau que son assureur, n’a toujours pas correctement prise en charge. L’assureur a d’abord refusé de reloger la famille, puis s’est ravisée ; entre-temps, les dégâts se sont aggravés, et l’assureur n’offre qu’un règlement très en deçà du montant estimé par son propre expert. Un peu plus loin un certain Ray raconte l’incendie de sa maison frappée par la foudre ; là encore, l’assureur change d’avis en cours de route et refuse finalement de reconstruire, imposant un règlement en cash, malgré une clause contractuelle qui semblait pourtant garantir le droit à une reconstruction à l’identique.

Ces histoires sont dramatiques, mais ce qui importe surtout, c’est qu’elles ne semblent plus extraordinaires, ou exceptionnelles. Selon la Financial Conduct Authority, les assureurs britanniques n’ont indemnisé que 71 % des sinistres habitation en 2024, un pourcentage en baisse continue depuis 2022. Une chute d’autant plus notable que le taux d’indemnisation dépasse les 90 % dans l’assurance automobile. Le contraste peut étonner… pourquoi ce qui fonctionne encore relativement bien pour les voitures se délite-t-il pour les logements ? L’article du Financial Times offre une série d’explications techniques (inflation des coûts de construction, multiplication des sinistres dus au climat, complexité des sinistres liés à l’habitat) mais en filigrane, j’ai l’impression d’y lire une tout autre histoire.

C’est celle d’une friction organisée, d’une complexité qui, au lieu d’être un accident malheureux, ressemble parfois à un mécanisme de filtrage. Plusieurs assurés cités dans l’article le disent ouvertement : ils ont eu l’impression que les obstacles n’étaient pas regrettables, mais intentionnels. L’un d’eux affirme « They bank on people rolling over and giving up. » L’Association des assureurs britanniques rejette cette idée, mais un analyste du secteur, interrogé par le Financial Times, la confirme : les assurés obtiennent souvent satisfaction uniquement lorsqu’ils poussent leur dossier jusqu’à l’Ombudsman (l’institution de médiation indépendante chargée de résoudre les litiges entre les consommateurs et les entreprises, entre les assurés et les assureurs), un stade auquel peu de gens parviennent. Entre-temps, beaucoup renoncent, absorbant de fait une part des pertes que l’assurance aurait dû couvrir. Beaucoup d’actuaires parlent d’élasticité aux prix, mais je pense que ça va plus loin… Dans le livre de Jed Frees, Regression Modeling with Actuarial and Financial Applications (ouvrage de référence dans la plupart des formations d’actuariat, dans le monde entier), il y a un jeu de données, simulées (Automobile Bodily Injury Claims Simulated, AutoBIsim) sur lequel on voit que quand un assuré est représenté par un avocat (variable ‘ATTORNEY=1’) le montant de l’indemnité augmente (‘LOSS’). Je ne sais pas le sens réel de la relation causale, mais oui, les assureurs lisent ce genre de signaux…

Ce processus, Mary Douglas l’avait théorisé il y a trente ans. Dans Risk and Blame, elle explique que les discours sur le risque servent toujours à assigner des responsabilités, à désigner qui est « fautif ». Lorsque l’Association des assureurs affirme, dans l’article, que les clients confondent assurance habitation et contrat de maintenance, elle ne fait pas qu’expliquer un malentendu : elle déplace subtilement la responsabilité du problème. Si le sinistre n’est pas indemnisé, ce n’est pas parce que l’assurance ne remplit plus sa promesse sociale, mais parce que l’assuré n’a pas « bien compris » son contrat. Douglas écrivait que danger et risque sont des catégories « culturellement conditionnées » : ils servent de support à des jugements moraux. On en a ici une série d’exemples.

À cette lecture anthropologique peut s’ajouter celle d’Ulrich Beck (dans Risikogesellschaft), dont la notion d’« irresponsabilité organisée » semble décrire parfaitement les situations rapportées dans le Financial Times. Dans la société du risque, écrivait Beck, les dangers sont produits par la modernité elle-même (changement climatique, infrastructures vieillissantes, complexité technologique) et les institutions inventent des mécanismes permettant à chacun de se défausser, ou du moins de diluer sa responsabilité. Le cas de l’assurance habitation britannique illustré par cet article correspond presque trait pour trait à cette idée : les experts délégués renvoient la responsabilité aux gestionnaires, les gestionnaires aux sous-traitants, les sous-traitants à des contraintes de procédure, et ainsi de suite. Au bout de la chaîne, l’assuré parle, comme le dit Jacopo, avec des administrateurs qui « ne sont pas proches du décideur ». La dilution est totale, et c’est précisément elle qui permet au refus d’indemnisation de se maintenir, sans que personne ne soit considéré comme directement fautif. J’en avais parlé il y a quelques temps (presque huit ans) dans un article que j’avais intitulé Les machines, les procédures, et la fuite de la responsabilité.

François Ewald, de son côté, a montré dans L’Etat providence que l’assurance n’est pas seulement une technologie de gestion des risques mais une véritable infrastructure morale du monde moderne : elle a rendu possible l’État social en socialisant les pertes, en neutralisant les aléas individuels. L’assurance n’était pas simplement un produit ; elle était une promesse de stabilité. Ce que révèle l’article, c’est la fragilisation de cette promesse. Quand une maison frappée par la foudre n’est pas forcément reconstruite ; quand un dégât des eaux immobilise une famille deux ans dans un appartement insalubre ; quand les refus augmentent alors que les sinistres eux-mêmes s’intensifient ; alors c’est un pilier de la pacification sociale assurantielle qui vacille. On assiste à un phénomène paradoxal : plus les risques climatiques et matériels augmentent, plus les assureurs resserrent les conditions d’indemnisation, au point que l’assurance semble parfois fonctionner à l’envers de sa logique historique.

C’est aussi ce que suggère Tom Baker lorsqu’il analyse l’assurance comme une forme de gouvernance privée, dans Insurance Law and Policy. Chaque sinistre est un moment de régulation : les décisions d’indemniser ou non, de reconstruire ou de régler en cash, de missionner tel expert plutôt qu’un autre, produisent des normes implicites. Ils définissent, silencieusement, ce que la société considère comme une perte « acceptable », « normale », ou « trop coûteuse ». À travers ces micro-décisions, l’assurance établit des frontières entre ceux qui méritent réparation et ceux dont la perte, au fond, restera privée.

Enfin, une dimension sociale traverse tout l’article du Financial Times. Les personnes les plus vulnérables sont aussi celles qui ont le moins de temps, de capital culturel ou de ressources émotionnelles pour traverser un processus de réclamation labyrinthique. L’un des assurés cités explique qu’il n’a obtenu une réponse que lorsqu’il s’est mis à utiliser des termes techniques comme « subrogation ». Ça en dit long : l’accès effectif au droit passe par la maîtrise du langage et des codes du monde assurantiel. Ceux qui ne les possèdent pas (et ils sont nombreux) subissent davantage la violence morale du système. Là encore, la sociologie du droit et des inégalités montre que ce genre de frictions administratives est un puissant amplificateur d’injustice sociale.

L’article du Financial Times ne prétend pas théoriser tout cela. Mais il met en lumière, avec précision (une précision presque involontaire ?), ce que deviennent nos institutions assurantielles dans un monde où les risques se déchaînent : elles ne se contentent plus de mutualiser, elles trient ; elles ne se contentent plus de protéger, elles sélectionnent ; elles ne redistribuent plus seulement des pertes, elles redistribuent aussi les capacités d’y résister. L’assurance habitation, jadis présenté comme un instrument de stabilité, semble glisser vers un rôle plus ambigu, où la protection n’est plus garantie mais négociée, parfois âprement, au cas par cas.

Peut-être est-ce là un signe parmi d’autres d’un basculement plus profond : un monde où les risques croissants ne trouvent plus de mécanismes institutionnels capables de les absorber, et où la promesse assurantielle, pilier discret de nos vies matérielles, commence à se fissurer. Dans ce monde-là, j’ai l’impression que l’article du Financial Times n’est pas qu’un simple reportage, c’est une alerte.

Supprimer les feux rouges, et loi de Brandolini (ou pas)

La « loi de Brandolini », formulée en 2013 par le programmeur italien Alberto Brandolini,  postule que

« la quantité d’énergie nécessaire pour réfuter des âneries est d’un ordre de grandeur supérieur à celle nécessaire pour les produire »

Moralité, habituellement, lorsque je croise des âneries sur internet, je me contente d’être consterné, sans aller beaucoup plus loin. Mais cette fois, je suis tombé sur cet article dans un quotidien français qui titrait “« Ce qui tue les automobilistes, c’est l’assistanat » : Louis Sarkozy veut supprimer « les feux rouges, les lignes blanches et les panneaux de signalisation »”. Comme manifestement, on tenait un champion, et comme la démonstration était finalement assez simple à déconstruire (et que je suis en année sabbatique) je me suis dit que je pouvais bien consacrer trente minutes, dans le train qui me ramène à Kyoto après une excursion à Tokyo, pour en faire un billet de blog. Parce que, mine de rien, il me semble qu’il y a des choses intéressantes à dire pour contrer ce genre de propos… et je le montrerai, de part mes travaux de recherche sur le risque et la régulation, j’ai l’impression d’avoir une forme de légitimité pour discuter un peu certaines affirmations.

Ce monsieur était à la radio RMC, “votre radio d’opinions” dit le slogan (donc faut pas s’attendre à des avis d’experts il me semble), et on l’a interrogé pour donner son opinion sur une “étude européenne” de la Fondation Vinci Autoroutes (intitulée « Partage de la route : encore trop de règles transgressées ! ») publiée le même jour. Plus qu’une étude, il me semble que c’est juste un sondage sur un peu plus de 12 000 Européens, parmi lesquels environ 2 400 Français, qui indique qu’une très large majorité d’usagers (le résumé envoyé aux journalistes parle de 95% des conducteurs) déclarent craindre le comportement à risque des autres usagers. En parallèle, le sondage montre qu’un grand nombre de répondants admettent eux-mêmes enfreindre certaines règles (clignotant oublié, franchissement de feux, comportement dangereux, etc.) C’est du déclaratif donc, auto-rapportée où les répondants affirment se sentir« en insécurité », et ce genre de chose. Je ne vais pas discuter ici la méthodologie de l’enquête et son traitement médiatique, sur la différence qui peut exister entre un ressenti subjectif et une réalité statistique. Je voulais revenir sur les propos du monsieur interrogé, qui aurait visiblement déclaré (j’ai plein d’autres choses à faire de ma vie qu’écouter des âneries à la radio, donc j’avoue, je me suis contenté de lire l’article du quotidien) qu’il faudrait

« supprimer les feux rouges, les lignes blanches et les panneaux de signalisation »

pour responsabiliser les automobilistes. C’est assez radical comme propos, qu’on pourrait relier à des affirmations qu’on entend de plus en plus, de gens qui se sentent en rupture face à un État jugé trop intrusif, un excès de règles qui rendrait les conducteurs inattentifs, passifs, « assistés », etc.  On a l’impression que le monsieur, « il ne contracte pas »… Mais dans ce billet de blog, je voulais surtout revenir sur le fait que, sous couvert d’innovation, on retrouve un ensemble de mythes politiques anciens, profondément démentis par plus d’un siècle d’histoire et d’études des mobilités urbaines.

Juste pour être clair, je n’ai pas particulièrement envie de défendre une technocratie sourde aux expérimentations ou à la critique. J’ai juste envie de rappeler que nous avons déjà vécu, observé, mesuré le monde urbain sans feux, sans marquages, sans règles explicites. Parce que contrairement à l’image séduisante d’une liberté retrouvée que semble souhaiter ce monsieur, l’histoire montre que ces environnements produisaient des rues dangereuses, arbitraires, conflictuelles. Et qu’on n’en est sorti qu’en inventant précisément ce que ce discours de l’« assistanat » voudrait abolir. En fait, plusieurs livres passionnants ont montré comment les rues urbaines ont été façonnées par un siècle de conflits, de morts, de campagnes politiques, de luttes de pouvoir et de négociations entre groupes sociaux. Et ils montrent tous que les signalisations, feux, marquages et règles ne sont pas apparus pour « infantiliser » les automobilistes, mais pour répondre au chaos que leur absence produisait.

Le mythe contemporain de “l’assistanat”

L’idée selon laquelle « trop de règles » conduiraient les individus à se comporter comme des irresponsables n’est pas nouvelle. Dans les années 1920 déjà, au moment où l’automobile envahit massivement les rues américaines, de nombreuses voix s’opposent à l’introduction de limitations de vitesse, à la mise en place de feux, à l’organisation des intersections. On affirme alors que les conducteurs sont parfaitement capables de juger par eux-mêmes, que l’essentiel réside dans leur « bon sens », que la régulation est superflue.

Mais Peter Norton montre, dans Fighting Traffic: The Dawn of the Motor Age in the American City,  de manière systématique que ces plaidoyers pour la liberté individuelle masquaient surtout une tentative de repousser les contraintes qui pesaient sur le nouvel objet technique. Roscoe Pound, doyen de Harvard Law School, notait déjà en 1920 dans Criminal Justice in America  (cité dans Policing the Open Road de Sarah Seo) que l’automobile rendait obsolète cette vision romantique d’un conducteur autonome agissant en pleine conscience

« “Self-reliance, impatience of regulations, and faith in one’s individual judgment at the crisis of action, are not tolerable in action when displayed by drivers of motor vehicles,” Pound noted. »

Autrement dit : le problème n’est pas que les automobilistes seraient devenus dépendants de la signalisation moderne ; c’est que la circulation motorisée moderne rend impossible une coordination par simple intuition. Là où le vélo, le cheval ou la marche pouvaient s’accorder par contacts visuels et décisions micro-locales, l’automobile démultiplie les vitesses, les énergies cinétiques et les distances d’arrêt. Soutenir qu’il suffirait de supprimer les feux pour restaurer la vigilance est donc un mythe déjà largement réfuté il y a un siècle.

Sans règles explicites, les rues deviennent meurtrières

Pour comprendre pourquoi les règles apparaissent, il faut revenir à la situation réelle des années 1910–1930. Peter Norton décrit en détail l’explosion de mortalité urbaine liée à la circulation motorisée. Dans les villes de plus de 25 000 habitants, les deux tiers des morts de la route en 1925 sont des piétons, dont une majorité d’enfants (comme il le rappelle dans Fighting Traffic). Ces morts ne surviennent pas dans un environnement sur-réglementé. Elles surviennent précisément dans des rues dépourvues de signalisations, de priorités, de marquages et de règles claires. Les voitures naviguent au milieu des tramways, des piétons, des enfants qui jouent dans la rue, des charrettes tirées par des chevaux. Au risque de me répéter, le problème n’est pas l’assistanat. Le problème, c’est la concurrence directe d’usagers dotés de puissances incommensurables. Pire encore : l’absence de règles conduit non à une responsabilisation, mais à une chaîne permanente d’accusations croisées, où chaque groupe estime que l’autre est fautif. Sarah Seo l’affirmait dans Policing the Open Road

« The sheer number of cars required constant coordination … “freedom of that kind” now “impedes traffic, it imperils life, it creates an impossible tangle in our highways.” »

La régulation apparaît donc non pour protéger des « citoyens infantiles », mais pour restaurer un minimum de cohérence dans un environnement devenu incompatible avec la libre coordination.

L’exemple de Drachten ne prouve rien

Le monsieur invoque l’exemple de la ville Drachten aux Pays-Bas, rendu célèbre par Hans Monderman, l’ingénieur qui transforma certains carrefours en espaces sans feux ni panneaux. Mais cet exemple, très souvent mobilisé par les discours anti-régulation, est, à mon avis, profondément mal compris. En fait, Drachten fonctionne parce que les rues ont été redessinées (chaussées étroites, matériaux contrastés, plateaux surélevés, suppression des lignes droites propices à la vitesse) ; les usagers étaient déjà habitués à une culture de l’apaisement de trafic ; la ville a une densité relativement modeste (45 000 habitants), un trafic modéré et une part modale élevée du vélo ; et enfin, les aménagements donnent des signaux visuels implicites qui remplacent la signalisation explicite, comme l’expliquaient très bien Ben Hamilton-Baillie dans son article Shared Space: Reconciling People, Places and Traffic et William Whyte dans The Social Life of Small Urban Spaces.

« Sightlines are important. I f people do not see a space, they will not use it. »

La visibilité (et donc l’organisation de l’espace) détermine le comportement humain.  Monderman lui-même insistait sur ce point, comme le rappelle le Project for Public Spaces, en 2006. On est très loin de l’idée simpliste « supprimer les feux rend les conducteurs plus responsables ». Les transformations créent un nouvel ordre, pas une absence d’ordre. Jane Jacobs l’expliquait déjà en 1961 : les rues ne sont jamais des espaces neutres, elles produisent de l’ordre par leur forme même.

« Streets and their sidewalks, the main public places of a city, are its most vital organs »

Modifier ces organes nécessite finesse, diagnostic précis, compréhension systémique, pas la suppression brutale d’infrastructures essentielles dans des villes complexes.

Quand le pouvoir discrétionnaire revient à la police

Sarah Seo montre comment la rue devient un espace à la fois plus libre pour circuler et davantage contrôlé par l’État. Si l’on suit son analyse (éclairée par The Eternal Criminal Record de James Jacobs) moins une rue est régulée par des règles explicites, plus elle doit l’être par une surveillance policière constante. C’est un point crucial, presque toujours absent des débats actuels : supprimer feux, panneaux et règles ne « libère » pas les citoyens, cela élargit l’espace discrétionnaire de la police. Comme le résume Sarah Seo,

« In fact, driving, or even just being in a car, was the most policed aspect of everyday life. »

Pourquoi ? Parce que l’absence de priorité, de limites et de droits formalisés oblige les agents à arbitrer en permanence, souvent selon des critères opaques. Supprimer la signalisation, c’est revenir à un monde où les contrôles deviennent arbitraires; les agents interprètent la situation selon leur propre jugement; les inégalités d’application de la loi explosent; les conflits se multiplient, faute de règles partagées. La proposition n’est donc pas « libertaire ». Au contraire. Elle est profondément autoritariste dans ses effets réels. C’est l’un des paradoxes les plus frappants du discours anti-régulation : abolir les règles, c’est renforcer ceux qui les font appliquer. On retrouve presque Hayek dans The Road to Serfdom 

« (…) a task which necessarily involves the use of power which cannot be guided by fixed rules, it must become arbitrary power. »

mais on retrouve aussi Max Weber, et l’aspect discrétionnaire de la domination bureaucratique.

La sécurité n’est pas une affaire d’individus isolés

Dans The Death and Life of Great American Cities, Jane Jacobs montre que la sécurité urbaine repose non sur la « responsabilité individuelle » isolée, mais sur une organisation subtile de la rue, permettant aux usagers de se voir, d’anticiper les mouvements des autres et d’être visibles depuis les bâtiments. Elle résume ce principe par la célèbre idée des « yeux sur la rue » (eyes on the street). Les rues sont sûres quand elles produisent de la lisibilité, de la prévisibilité, une densité suffisante d’observations mutuelles, une couture entre espace public et privé. Or, les feux, marquages et panneaux font partie des dispositifs dont la fonction est précisément de rendre la rue prévisible. Jane Jacobs ne défend pas les règles technocratiques en soi, elle en critique même certaines. Mais elle insiste sur le fait que la sécurité naît de la combinaison entre forme urbaine, usages et institutions, pas de la responsabilisation individuelle incantatoire.

Les règles comme réponse aux externalités

Donald Shoup, dans The High Cost of Free Parking, montre que la rue est un commun, un espace que chacun souhaite utiliser sans payer le coût complet de son usage, notamment lorsqu’il s’agit de stationnement. La tragédie des communs…

« Free curb parking creates a classic commons problem: drivers waste time, congest traffic, and pollute the air while cruising for scarce curb spaces.»

Supprimer les règles, c’est ouvrir la porte au stationnement sauvage, aux comportements opportunistes, à des encombrements permanents, à une dégradation de la capacité réelle des rues à accueillir du flux. Donald Shoup rappelle que sans règles de stationnement, les rues ne se « libèrent » pas : elles se bloquent. C’est exactement ce que l’histoire du stationnement gratuit a produit : non pas la liberté, mais la congestion, le chaos, la perte de temps collectif et le gaspillage d’espace urbain.

Ce que l’histoire nous interdit d’oublier

Le récit relayé dans l’article « Ce qui tue les automobilistes, c’est l’assistanat »  présente la suppression des règles de circulation comme une innovation moderne ou une provocation stimulante. Mais ce scénario, loin d’être nouveau, est en réalité l’un des chapitres les plus documentés de l’histoire urbaine du XXᵉ siècle. En particulier, ce que montrent Sarah Seo, Peter Norton, Jane Jacobs et Donald Shoup, c’est que les rues sans règles ont été un désastre humain ; les automobilistes ne se coordonnent pas naturellement ; la « liberté » sans régulation renforce la domination des plus puissants (les automobilistes sur les vélos et les piétons) ; l’absence de règles explicites produit l’arbitraire policier ; l’espace urbain n’est jamais neutre : il doit être soigneusement organisé pour être vivable.

Plutôt que de fantasmer un retour à un âge d’or imaginaire où les citoyens se comporteraient parfaitement en l’absence de règles, mieux vaut prendre au sérieux les leçons de l’histoire. Les livres que je mentionnais le disent tous, la rue est un espace fragile, conflictuel, instable, qui ne fonctionne que lorsque ses usages sont organisés, lisibles et équitables. Bien sûr, rien n’empêche de réinventer la rue contemporaine, mais ça passe par un minimum de science, d’ingénierie, d’urbanisme, d’expérimentation et de connaissance, et pas par la nostalgie du chaos.

Talk at the JFLI, at the NII (国立情報学研究所) in Tokyo (東京)

On my way to Tokyo (東京) for a couple of days, where I was invited to give a talk by the JFLI (Japanese-French Laboratory for Informatics) at the National Institute of Informatics (国立情報学研究所), Room 1810, NII. The talk will be on “Counterfactual and Transport-Based Methods for Understanding Indirect Discrimination in Algorithmic Systems

Understanding disparities between demographic groups in algorithmic predictions remains a central challenge in responsible AI. Classical decomposition methods such as the Kitagawa–Oaxaca–Blinder framework, recently extended to nonlinear and machine-learning settings by Tierney et al. (AAAI 2026), show that observed gaps may arise either from legitimate differences in feature distributions or from structural bias. However, such aggregate decompositions provide limited insight into individual-level counterfactual behaviour. In this talk, I will present recent methodological advances that combine causal reasoning with optimal transport to characterize direct and indirect discriminatory pathways in modern predictive systems. Building on transport-based counterfactuals (Fernandes Machado et al., AAAI 2025; IJCAI 2025), we obtain individual-level counterfactual mediators that respect a given causal graph, including both continuous and categorical variables. This enables a fine-grained decomposition of model disparities into components attributable to causal pathways, beyond what is possible with standard fairness metrics or feature-removal strategies. The presentation will emphasize: the connection between decomposition-based fairness analyses and causal mediation; the construction of transport-based counterfactuals aligned with probabilistic graphical models; and applications showing how indirect discrimination can propagate through proxy variables even when sensitive features are not used. The goal is to give a concise and technically grounded overview of how optimal transport and counterfactual inference can provide interpretable tools for understanding fairness issues in machine-learning models. This talk is intended for researchers interested in causal ML, fairness analysis, and transport-based generative methods.

L’assurance, l’immobilier et la fabrique de l’ignorance

Cette fin de semaine, le New York Times rapportait que Zillow, premier site immobilier américain, a retiré discrètement de ses annonces les scores de risques climatiques (inondation, incendie, chaleur) produits par First Street Foundation. Le retrait suit les pressions d’agents immobiliers et le lobbying de plusieurs Multiple Listing Services (MLS), notamment celui de Californie, l’un des plus puissants du pays. Comme l’écrit la journaliste Claire Brown, Zillow a supprimé ces scores suite à une plainte,

“Zillow stopped displaying the scores after complaints from the California Regional Multiple Listing Service”

Mais que se passe-t-il lorsqu’une information sur les risques entre en collision avec des intérêts économiques solidement installés ? Mary Douglas le soulignait, en 1992, dans Risk and Blame

institutions themselves are the monitors which determine what is going to count as information

Le risque, autrement dit, ne se contente pas d’exister ; il est façonné, filtré, parfois instrumentalisé comme une technologie morale, c’est-à-dire un instrument utilisé pour orienter les comportements en fonction des intérêts d’un groupe. Le cas Zillow en est un exemple presque didactique : la connaissance produite par les modèles climatiques devient un coût pour l’industrie immobilière, donc elle doit être rendue silencieuse. Dans Risk and Culture, Mary Douglas écrivait :

“Blaming the system is a way of protecting the community from morally unacceptable risks. […] What is dangerous is not the event itself, but the threat it poses to an established social order.”

Les risques climatiques, dans cette perspective, menacent une “social order” : la fluidité des marchés immobiliers. Ils deviennent donc socialement inacceptables… non pas parce qu’ils sont faux, mais parce qu’ils sont vrais et dérangeants.

xL’objection immobilière : quand l’économie préfère l’ignorance

Le PDG du MLS californien déclare que

“When we saw entire neighborhoods with a 50 percent probability of the home flooding this year and a 99 percent probability of the home flooding in the next five years, especially in areas that haven’t flooded in the last 40 to 50 years, we grew very suspicious,”

L’argument est ancien et classique : un modèle est suspect lorsqu’il contredit l’expérience vécue. Or de nombreux travaux de climatologie et d’hydrologie rappellent que l’expérience passée n’est plus un guide fiable dans une distribution de risques non stationnaire. C’est précisément la thèse de tous les ouvrages sur les régimes extrêmes, la loi des queues épaisses ou le “stationarity is  dead” de Milly et al. (2008). Les hydrologues, les assureurs et les climatologues le répètent depuis 20 ans : le passé n’est plus un indicateur du futur. Dans The Physics of Climate Change, Lawrence Krauss écrit :

“The past climate is no longer a faithful record of the future—it is a fossil.”

Le commentaire du MLS illustre l’une des limites épistémologiques mises en avant par les philosophes des risques : la circularité de la validation. Si l’on exige qu’un risque futur soit déjà observé dans le passé, alors aucun risque émergent n’est légitime. Cette logique fut historiquement mobilisée pour nier les risques industriels dans les années 1950–1980 (asbestos, tabac, pollution). Sheila Jasanoff parle à ce propos de technologies of humility : la nécessité de reconnaître que l’absence d’événement n’est pas un argument.

La granularité excessive du risque

Le New York Times met en évidence, très justement, une tension fondamentale :  les modèles de risques climatiques ne sont pas conçus pour être lus au niveau de la maison individuelle. Madison Condon, chercheuse en droit et économie du climat, dit dans l’article

“With forward-looking models, we can’t check their outputs against a record, they are necessarily forecasting events that have not yet happened. The First Street models might provide a good enough answer for certain questions or certain hazards, But what level of accuracy is good enough changes substantially if the question is about one specific property you are about to spend your life savings on.”

Cette remarque rejoint deux axes centraux de la littérature scientifiques.  Tout d’abord, Les modèles de catastrophe sont fondamentalement des modèles de population, pas de micro-prédiction. Ils sont efficaces en agrégé, mais imprécis en micro-lieu. Mais il y a aussi l’illusion de précision (Lavine, Gigerenzer) : donner un chiffre très précis à un niveau spatial très fin crée une illusion d’exactitude, et donc une vulnérabilité cognitive.

Dans beaucoup d’ouvrages scientifiques sur le climat (notamment les rapports sur les risques de montée des eaux et les travaux de climat extrême), on retrouve cette idée : le risque est distribué spatialement, mais la vulnérabilité est locale et socio-économique. Le modèle ne peut donc être lu sans tenir compte du bâti, des protections locales, des pratiques d’assurance, et surtout des inégalités.

Les “cartographies interdites” 

De nombreux chercheurs ont montré que la publication d’une information sur les risques suscite presque toujours une controverse sociale. Comme le soulignent Reghezza-Zitt et Rufat dans Resilience Imperative,

“any representation of risk involves choices: what is shown, what is omitted, what is made salient”

Une carte n’est donc jamais un simple reflet du réel : elle sélectionne, ordonne et rend visibles certains dangers, tout en en invisibilisant d’autres, et contribue de ce fait à reconfigurer les rapports de force autour du territoire qu’elle représente. Pour Bankoff, Frerks et Hilhorst dans Mapping Vulnerability,

“vulnerability… defies the possibility of reading it from a general chart”

autrement dit, aucune carte ne peut prétendre offrir une représentation neutre ou complète du danger. Toute cartographie du risque simplifie, met en avant certains éléments, en omet d’autres, et participe ainsi à structurer les rapports sociaux autour de ce risque. Les débats sur Zillow s’inscrivent exactement dans cette dynamique. Rendre visible un risque climatique n’est jamais neutre, cela crée des gagnants et des perdants, et l’immobilier fait partie des secteurs où cette visibilité est la plus politiquement sensible. Trois précédents historiques viennent immédiatement à l’esprit.

L’histoire de la cartographie des inondations en France au XIXᵉ siècle montre déjà à quel point rendre visible un danger pouvait déclencher une crise politique locale. Après la crue de 1856, l’État et les ingénieurs des Ponts et Chaussées engagent un vaste travail de délimitation des zones inondables. Très vite, des communes protestent : être placées en “zone inondable”, c’est voir menacés la valeur foncière, l’attractivité de la commune, parfois même sa capacité à emprunter et à investir. Les travaux d’histoire des catastrophes et des politiques hydraulique que tu m’as fournis insistent sur ce point : la carte ne se contente pas d’enregistrer un risque naturel, elle reconfigure les rapports de force locaux en désignant des territoires comme “à problème”. Ce que l’on observe déjà à cette époque, c’est une grammaire politique très stable : la représentation savante du risque est perçue comme un acte performatif, qui fait exister publiquement une menace jusque-là socialement déniée.

Un siècle plus tard, les “redlining maps” de la Home Owners’ Loan Corporation aux États-Unis offrent un autre précédent, encore plus brutal, de la puissance performative des cartes. En classant les quartiers de A à D, avec les quartiers majoritairement noirs et pauvres systématiquement relégués en catégorie “hazardous”, l’administration ne se contente pas de décrire un risque de défaut de crédit : elle organise une véritable ségrégation financière et immobilière. La littérature historique et économique sur le redlining montre bien que ces cartes ont fixé durablement les trajectoires urbaines : un quartier coloré en rouge était privé d’accès au crédit, ce qui entraînait dégradation du bâti, désinvestissement public, puis renforcement des stigmates sociaux. Là encore, le parallèle avec les scores de risques climatiques est évident : dès qu’une représentation du risque est attachée à un lieu, elle pèse sur les prix, les flux d’investissements et, in fine, sur les populations qui y vivent.

Plus récemment, le cas des cartes de FEMA illustre une troisième configuration, où l’enjeu n’est plus tant la production de la carte que la gestion de son obsolescence. Plusieurs travaux que tu m’as transmis soulignent combien de municipalités américaines résistent à la mise à jour des zones inondables : une nouvelle carte signifie, très concrètement, hausse des primes d’assurance, contraintes de construction supplémentaires et baisse immédiate de la valeur immobilière. Il en résulte des cartes souvent en retard sur la réalité climatique, non par manque de capacité technique, mais parce que l’ajustement à la nouvelle distribution des risques est politiquement et économiquement explosif.

Vu depuis ces trois précédents historiques, la décision de Zillow de retirer les scores de risques des annonces s’inscrit dans une continuité troublante : plutôt que d’assumer les effets redistributifs d’une information climatique plus précise, on préfère en limiter la visibilité, au prix d’un retour à une asymétrie d’information défavorable aux acheteurs les plus exposés.

Les modèles First Street : science robuste, usages fragiles

Revenons un instant sur les données et les modèles mentionnés dans l’article du New York Times. Il existe un consensus large, dans la littérature scientifique et dans les évaluations institutionnelles américaines, sur le fait que les cartes FEMA (Flood Insurance Rate Maps — FIRMs) sont souvent obsolètes, parfois très anciennes, et méthodologiquement limitées. Le Department of Homeland Security lui-même, dont dépend FEMA, notait dès 2017 que plus de la moitié des cartes d’inondation américaines avaient plus de 15 ans, et qu’un nombre significatif n’avaient pas été mises à jour depuis 30 à 40 ans (DHS, National Flood Mapping Program Review, 2017). Le Government Accountability Office (GAO) confirme ce diagnostic : en 2022, il rapporte que

“FEMA’s flood maps remain inaccurate or outdated in many areas”

en raison de capacités limitées et de résistances locales à la révision (GAO-22-104, 2022). La littérature académique dit la même chose : dans Understanding Disaster Insurance, Kousky (2020) rappelle que

“FEMA’s flood maps remain incomplete and often outdated; they were never designed to provide a full accounting of flood risk, particularly under a changing climate.”

ou encore Smiley (2020)

“outdated and inaccurate, FEMA flood maps fail to fully capture risk”

Cela signifie que les cartes FEMA utilisent souvent des données hydrologiques, topographiques et pluviométriques qui ne reflètent plus les conditions environnementales actuelles, ni a fortiori celles induites par le changement climatique.

À l’inverse, la méthodologie de First Street Foundation s’appuie sur des modèles hydrologiques et hydrauliques continus, fondés sur des DEM haute résolution (USGS + LiDAR), l’intégration de l’imperméabilisation urbaine, des intensités de pluie mises à jour (NOAA Atlas 14), des données de débordement fluvial, des modèles côtiers (surcote, marées, élévation du niveau de la mer), et surtout des projections climatiques CMIP6. Matthew Eby, de First Street Foundation, est interrogé dans l’article du New York Times,  et comme il le dit,

“Our models are built on transparent, peer-reviewed science and the full methodologies are publicly available for anyone to review on our website.”

Effectivement First Street Foundation met réellement en ligne une méthodologie complète, notamment via le document FSF Flood Model – Technical Methodology, Version 3.0 (juillet 2023), accessible publiquement. On y trouve la description détaillée des données d’entrée : topographie haute résolution (USGS DEM, LiDAR quand disponible), hydrologie et hydraulique (débits USGS, marées et surcotes NOAA, intensités de pluie NOAA Atlas 14), occupation du sol (imperméabilisation, couvert végétal), ainsi que les projections climatiques issues de modèles CMIP6 et de données downscalées. Toutes ces sources sont listées dans les pages “Methodology” et “Data Sources” du site de FSF. Les données historiques d’inondation servent à la validation mais non au calcul direct du “Flood Factor” d’une propriété (FSF précise explicitement que les “historic flood events” ne déterminent pas la note d’un bien individuel).

Cette transparence documentaire est réelle, mais la reproductibilité intégrale du modèle reste limitée. D’une part, le modèle combine plusieurs couches (pluvial, fluvial, côtier, ruissellement urbain) à une résolution très fine (3 m), ce qui exige un traitement SIG massif et un accès à des données parfois difficiles à reconstituer dans leur état exact. D’autre part, les projections climatiques reposent sur des hypothèses (scénarios d’émissions, intensité des tempêtes, montée des eaux) que FSF reconnaît comme sources d’incertitude. Enfin, le modèle ne capture pas toutes les données locales de vulnérabilité : rehaussement individuel des maisons, drainage municipal récent, protections privées, etc. Certains analyses indépendantes (on peut penser à Review of a New Online Modeling Tool) recommandent donc de considérer les résultats comme indicateurs de risque probabiliste, utiles pour corriger l’asymétrie d’information, mais non comme diagnostics structurels à l’échelle de la maison.

Leur méthodologie est en réalité nettement plus avancée que les cartes FEMA, souvent vieilles de 20 à 40 ans.  Dans Climate Shock, Gernot Wagner et Martin Weitzman écrivent

“Inaction is often justified by questioning the models—especially when the newer models are more precise than the legacy systems they threaten.”

Les critiques adressées aux modèles First Street ne portent donc pas sur leur validité scientifique, mais sur leur impact économique.

Quand l’information change les comportements

Le New York Times mentionne un résultat majeur issu d’une expérience menée par Redfin et analysée dans Disaster on the horizon : rendre visible l’information sur le risque modifie de manière mesurable et significative les comportements d’achat. L’expérience, conduite auprès de 18 millions d’utilisateurs, consistait à afficher aléatoirement un score de risque d’inondation provenant de First Street Foundation sur les pages d’annonces. Les chercheurs montrent que, chez les utilisateurs exposés à l’information, les recherches se déplacent vers des zones à plus faible risque, et que les transactions portant sur des biens identifiés comme “à haut risque” enregistrent une baisse moyenne de 1 % du prix de vente (Bernstein, Gustafson & Lewis, 2024). L’étude conclut que

“the disclosure of flood risk information leads to a statistically significant reduction in demand for high-risk properties”

confirmant une intuition déjà présente dans les travaux de psychologie du risque : lorsque l’information devient saillante, elle modifie l’arbitrage des acheteurs. Kunreuther & Meyer le disaient dans The Ostrich Paradox, (2017)

“Markets underreact to low-probability high-consequence risks when information is not salient.”

Le New York Times résume correctement cet effet en notant

“The Redfin experiment, which lasted for three months, affected sales of 8,150 properties that were listed as being at high risk of flooding and reduced their total sales prices by about 1 percent of their value.”

Ce résultat n’est pas anodin : il établit empiriquement que rendre visible le risque climatique crée un effet de marché immédiat, ce qui explique pourquoi la visibilité même de cette information suscite des résistances politiques et économiques, exactement comme dans les précédents historiques que nous avons rappelés. Le problème est donc clair : soit on donne l’information, et le marché ajuste ; soit on la retire, et le marché fonctionne “normalement”… mais au prix de désinformer les acheteurs.

Qui a le droit de savoir ?

Ce contraste entre le faible devoir de transparence des vendeurs immobiliers et les attentes bien plus rigides souvent imposées aux assurés mérite qu’on s’y arrête. Comme je le rappelle dans un billet récent, L’impossible droit à l’erreur, l’impossible droit à l’oubli ?, les systèmes américains d’information publique sont d’une sévérité remarquable vis-à-vis des individus : dans de nombreux États, un assuré peut être lourdement sanctionné s’il omet de déclarer un élément de son passé, notamment des condamnations, des accusations encore pendantes, ou même des arrestations récentes, pourtant non suivies de jugement. Les bases de données publiques — Missouri Sunshine Law (§ 610.100), New York Criminal History Record Search, et les répertoires agrégés par des courtiers privés — transforment chaque trace pénale en stigmate durable, librement accessible à tout employeur, assureur ou bailleur. Comme je l’écrivais

“une simple arrestation (même classée sans suite) peut se muer en exclusion durable”

Autrement dit, l’individu doit “tout dire”, faute de quoi il risque d’être exclu d’un prêt, d’une assurance, ou d’un emploi.

L’asymétrie est frappante puisque l’acheteur immobilier n’a aucun moyen légal d’exiger du vendeur qu’il déclare un antécédent d’inondation ou une vulnérabilité structurelle aux feux. Le New York Times le dit explicitement

“In many states, sellers are not required to disclose information about whether a house has flooded recently or if it is vulnerable to wildfires”

Cette dissymétrie dans le rapport de force est d’autant plus choquante que, dans un cas, l’enjeu est un risque structurel, durable, affectant potentiellement la sécurité future d’un foyer ; dans l’autre, il s’agit souvent de micro-événements individuels dont la pertinence assurantielle ou actuarielle est discutable. La transparence exigée du particulier contraste violemment avec l’opacité tolérée du vendeur immobilier : le premier ne peut invoquer ni droit à l’erreur ni droit à l’oubli, tandis que le second est libre de taire des informations essentielles sur l’exposition réelle du bien au changement climatique.

On touche ici à une injustice structurelle que révèle l’affaire Zillow. L’information climatique, parce qu’elle affecte immédiatement la valeur immobilière, est politiquement neutralisée ; l’information pénale ou personnelle, parce qu’elle permet d’ajuster finement le risque individuel, est, elle, amplifiée, agrégée, rendue indélébile. Dans un environnement où, comme le montre l’expérience Redfin, la seule visibilité d’un risque suffit à modifier le marché, l’effacement volontaire de ces informations dans l’immobilier apparaît comme un privilège que n’ont pas les assurés ordinaires. Ils doivent supporter la mémoire totale du système, alors même que les biens immobiliers, eux, bénéficient d’une forme de droit à l’oubli institutionnel. Cette tension éclaire d’un jour cru le retrait des scores climatiques par Zillow : ce n’est pas seulement un débat technique sur la précision des modèles, mais l’expression d’un régime de responsabilité profondément asymétrique. Dans Climate Change and Cities, Jesse Keenan écrit

“Low-income households are more likely to be harmed by insufficient access to information about climate-related hazards and adaptation options.”

et il est difficile de ne pas être d’accord…

La politique de la visibilité

Cela dit, il convient d’être précis : Zillow n’a pas entièrement supprimé l’accès aux scores, il renvoie désormais vers le site de First Street via un lien discret. Comme le dit le New York Times,

“Real estate listings on Zillow now display hyperlinks to First Street’s website, and users can click through to view climate risk scores for a specific property”

C’est un geste politique très classique : on rend l’information disponible, mais invisible. C’est l’équivalent numérique de mettre un rapport en ligne dans un onglet “archives”. La sociologie des sciences parle de visibility management : gérer la visibilité d’un risque, non pour le corriger, mais pour contrôler son effet social.

La dépolitisation du risque climatique

La décision de Zillow révèle une tension fondamentale dans les sociétés du XXIᵉ siècle. Les modèles climatiques deviennent assez précis pour produire des risques localisés. Mais l’économie et la politique ne sont pas prêtes à intégrer les conséquences de ces risques. Donc l’information est atténuée, déplacée, rendue non saillante. Toute la littérature scientifique récent converge vers une même idée (qu’il s’agisse d’épistémologie du risque, d’anthropologie des catastrophes, d’économie du climat ou d’histoire des assurances) : le risque n’est jamais seulement un fait naturel, c’est un fait politique.

Le cas Zillow n’est pas un détail du marché immobilier. C’est un laboratoire de la gouvernance du risque climatique, avec cette question essentielle : pouvons-nous réellement entrer dans l’ère de l’adaptation climatique si l’information sur les risques devient politiquement indésirable ? Comme l’écrivait Ulrich Beck dans Risikogesellschaft

“Dabei wird exemplarisch deutlich, worum es im öffentlichen Definitionsstreit um Risiken eigentlich geht: nicht nur um gesundheitliche Folgeprobleme … sondern um die sozialen, wirtschaftlichen und politischen Nebenfolgen dieser Nebenfolgen.”

autrement dit,

“Le cœur du conflit public autour des risques n’est pas seulement leurs effets sanitaires, mais les conséquences sociales, économiques et politiques qui en découlent.”

Le risque devient “réel” socialement lorsqu’il devient un objet de controverse publique, c’est-à-dire quand son existence a des conséquences politiques. Zillow, en retirant les scores, contribue à rendre le risque… moins réel. Mais seulement en apparence.

Références

Bankoff, G., Frerks, G., & Hilhorst, D. (Eds.). (2004).
Mapping Vulnerability: Disasters, Development and People. London: Earthscan.

Beck, U. (1992). Risikogesellschaft, Suhrkamp.

Bernstein, A., Gustafson, M. T., & Lewis, R. (2024). Flood Risk Disclosure and Housing Market Behavior. NBER Working Paper No. 31908.

Brown, C. (2025, November 30). Zillow Removes Climate Risk Scores From Home Listings. The New York Times.

Douglas, M., & Wildavsky, A. (1982). Risk and Culture: An Essay on the Selection of Technical and Environmental Dangers. University of California Press.

First Street Foundation. (2020–2025). Methodologies & Technical Documentation. First Street.

Jasanoff, S. (2003). Technologies of Humility. Nature, 450, 33.

Keenan, J. M. (2018). Sea Level Rise and Housing.
In C. Rosenzweig, W. Solecki, P. Romero-Lankao, et al. (Eds.),
Climate Change and Cities: Second Assessment Report of the Urban Climate Change Research Network (ARC3.2)
(pp. 343–385). Cambridge University Press.

Kousky, C. (2023). Understanding Disaster Insurance: New Tools for a More Resilient Future. Routledge / RFF Press.

Krauss, L. (2021). The Physics of Climate Change. Post Hill Press.

Kunreuther, H., & Meyer, R. (2017). The Ostrich Paradox: Why We Underprepare for Disasters. Wharton School Press.

Milly, P. C. D., Betancourt, J., Falkenmark, M., Hirsch, R., Kundzewicz, Z., Lettenmaier, D., & Stouffer, R. (2008). Stationarity Is Dead: Whither Water Management? Science, 319(5863), 573–574.

Redfin & National Bureau of Economic Research (NBER). (2024). Flood Risk Disclosure and Homebuyer Behavior (Working Paper).

Reghezza-Zitt, M., & Rufat, S. (2015).
Resilience Imperative: Uncertainty, Risks and Disasters. London: ISTE Press / Elsevier.

Roux, J., November, V., & Reghezza-Zitt, M. (2013). Les territoires du risque. Armand Colin.

Smiley, S. (2020). Outdated and inaccurate, FEMA flood maps fail to fully capture risk. Kinder Institute for Urban Research.

U.S. Government Accountability Office. (2022). FEMA: Flood Maps—Actions Needed to Improve Oversight and Management of Mapping Program. GAO-22-104079.

Wagner, G., & Weitzman, M. L. (2015). Climate Shock: The Economic Consequences of a Hotter Planet. Princeton University Press.

« les Américains mangent et vivent comme s’ils avaient l’assurance maladie gratuite »

J’ai lu ou entendu, un jour, cette phrase

« les Américains mangent et vivent comme s’ils avaient l’assurance maladie gratuite »

et depuis, elle me hante (ici, “américain” est utilisé abusivement au sens “états-unien“). J’y repense souvent, parfois en souriant, parfois en ressentant un malaise dérangeant… Car il y a un fond de vérité qu’on peut tous constater : comment un pays sans système de soin universel, où la moindre hospitalisation peut ruiner une famille, peut-il présenter des comportements de santé (en particulier quand on voit la manière dont les américains se nourrissent) aussi risqués, aussi désinvoltes, aussi destructeurs ? Oui, c’est intrigant, les États-Unis combinent le système de soins le plus cher du monde et certains des pire indicateurs sociaux de santé parmi les pays riches. Comme l’écrivent Anne Case et Angus Deaton,

“terrible diets, smoking, obesity, opioids, and a frayed social fabric” (p. 53) (« des régimes alimentaires délétères, le tabac, l’obésité, les opioïdes, et un tissu social en lambeaux »)

Ce n’est pas seulement une liste de maux. C’est une description d’un pays où les comportements semblent indifférents aux risques sanitaires, comme si les soins étaient accessibles, abordables, garantis. Or ils ne le sont pas. Ce décalage, entre vulnérabilité médicale et insouciance apparente, constitue l’une énigme fascinante. Et il me semble que ce n’est pas un paradoxe, c’est un système.

Le système de santé américain : un marché sans prix ni protections

L’absence de prévention, la complexité bureaucratique et le coût exorbitant des soins constituent le socle du système. Elisabeth Rosenthal résume cette réalité dans une formule qui a été sans cesse montrée depuis, à force d’exemples tous plus surréalistes les uns que les autres,

“In no other industry do prices vary so widely for the same service.” (ch. 1) (« Dans aucun autre secteur les prix ne varient autant pour un service identique. »)

La fragmentation du marché conduit à une situation où le prix réel des soins est inconnaissable. Pour deux patients assurés, un IRM peut coûter 400 dollars ou 4 000 dollars ; un passage aux urgences, 500 dollars ou 12 000 dollars. Les États-Unis ont ainsi inventé une économie sanitaire sans prix — ou plutôt, avec une infinité de prix simultanés.

Cette incertitude est si profonde qu’elle rend la prévention presque impossible : comment aller consulter pour un début de diabète, un souffle cardiaque, ou un dépistage mental, quand la facture potentielle peut engloutir trois mois de salaire ? L’accès aux soins devient un risque en soi, ce qui pousse nombre de patients à retarder jusqu’au dernier moment. Case & Deaton montrent que, dans ce système, l’espérance de vie a cessé d’augmenter, au point que :

“mortality rates were rising for a large segment of the population” (p. 7) (« les taux de mortalité augmentaient pour une large part de la population »)

Une aberration pour un pays aussi riche. Mais l’économie de la santé américaine n’est pas conçue pour prévenir. Elle est conçue pour facturer.

Pourquoi des comportements de santé aussi risqués ?

On pourrait penser que les individus, conscients du prix du système, adopteraient un mode de vie exemplaire (alimentation saine, activité physique régulière, sobriété). Mais, à l’échelle du pays, c’est le contraire. Pourquoi ? La réponse tient dans les déterminants sociaux de la santé, que Michael Marmot résume simplement

“What really matters in our lives […] has a profound impact on our health.” (p. 10) (« Ce qui importe réellement dans nos vies […] a un impact profond sur notre santé. »)

Autrement dit : ce ne sont pas les comportements qui font la santé, mais les conditions de vie qui font les comportements. Les travaux de Wilkinson & Pickett dans The spirit level et The inner level: montrent que les inégalités creusent la méfiance sociale, le stress psychologique, l’anxiété de statut, les comportements compensatoires (alcool, sédentarité, addiction), et même les maladies mentales. Dans The spirit level, les auteurs écrivent :

“Health and social problems are worse in more unequal countries.” (p. 14) (« Les problèmes sociaux et de santé sont plus graves dans les pays les plus inégalitaires. »)

Les États-Unis sont l’exemple extrême : plus d’inégalités, plus de stress, plus de comportements de fuite et de compensation. Case & Deaton montrent que l’effondrement industriel a brisé les communautés, détruit les identités sociales et érodé la confiance. Ils notent ainsi

“People cannot find meaning in their lives when the pillars that once supported them have collapsed.” (p. 96) (« Les gens ne peuvent plus donner un sens à leur vie lorsque les piliers qui les soutenaient se sont effondrés. »)

Sans sens, la santé devient un horizon abstrait. Le plaisir immédiat (aliment gras et sucrés, alcool, opioïdes) triomphe du long terme.

Le cœur du problème : la perte de contrôle sur sa vie

La clé de voûte des inégalités sociales et de la santé se résume à un mot , “contrôle”. Michael Marmot, dans Status syndrome, développe cette idée : la position sociale est un prédicteur majeur de santé, non pas parce qu’elle modifie l’accès aux soins, mais parce qu’elle modifie le degré de contrôle sur sa propre vie. Il écrit :

“Where you stand in the social hierarchy profoundly affects your chances of getting ill and dying early.” (p. 1)  (« Là où vous vous situez dans la hiérarchie sociale détermine profondément vos chances de tomber malade et de mourir jeune. »)

Or les individus en bas de l’échelle sociale subissent davantage l’incertitude, ont moins de marges de manœuvre, sont exposés à des environnements plus toxiques, et accumulent un stress chronique aux effets biologiques mesurables. Dans un système où le coût des soins est un risque supplémentaire, la perte de contrôle devient totale : on ne contrôle ni son emploi, ni ses revenus, ni ses soins, ni sa trajectoire. Dans Unequal lives, Hilary Graham rappelle que les inégalités de santé ne sont pas seulement des différences biologiques, mais

two sides of the same coin” (« deux faces d’une même pièce ») (p. 12)

Les inégalités sociales engendrent des inégalités de santé, et des dernières tendent à reproduire des inégalités sociales. Ainsi se referme le piège

Comment les inégalités façonnent physiquement et psychologiquement les comportements

Wilkinson & Pickett vont plus loin : les inégalités ne se contentent pas d’affecter la santé. Elles affectent la psychologie collective, ce qu’ils appellent “l’évaluative threat”, la menace sociale permanente du jugement. Dans The inner level, ils montrent que :

“Inequality gets under our skin.” (p. 3) (« L’inégalité pénètre sous notre peau. »)

Les données qu’ils compilent démontrent que dans les sociétés inégalitaires la prévalence de la dépression augmente, l’anxiété sociale explose, les troubles de santé mentale doublent ou triplent, la confiance interpersonnelle s’effondre, et les comportements d’auto-compensation (consommation, dépendances, endettement) se multiplient. Ces transformations psychologiques ne sont pas des pathologies individuelles, mais des réactions adaptatives à un environnement stressant. L’inégalité devient un climat mental.

Elle produit une société où l’alimentation malsaine, la sédentarité, l’alcool ou les opioïdes apparaissent comme les seuls amortisseurs disponibles. Et ces comportements, loin d’être irrationnels, deviennent presque logiques au sein d’un système où la santé n’est pas soutenue, où la prévention est inaccessible, et où la vie quotidienne exerce une pression psychologique permanente.

La pauvreté, le jugement et les comportements de santé : ce que la sociologie montre vraiment

Les malentendus sur les comportements de santé sont anciens : on accuse souvent les individus défavorisés de “mauvais choix”, d’irresponsabilité ou d’absence de discipline. La sociologie contemporaine montre que ces idées sont fausses. Denis Colombi, dans Où va l’argent des pauvres ?, documente comment la société juge les dépenses des plus modestes sans jamais chercher à les comprendre. Il montre que l’on projette souvent sur les pauvres des normes de gestion bourgeoises inadaptées à leur situation

“On projette ainsi sur l’argent des pauvres des catégories… qui sont celles des classes moyennes et supérieures.” (p. 13)

Les comportements “irrationnels” s’expliquent en réalité par l’incertitude, par le stress, par l’imprévisibilité des revenus, par la rareté des ressources, par l’absence de contrôle sur le futur. Autrement dit, les comportements jugés “mauvais” sont souvent des stratégies rationnelles dans des environnements irrationnels. Les comportements de santé ne sont donc jamais de simples choix. Ils sont les produits de structures.

Les deaths of despair : quand le modèle social tue

Ce glissement (de l’individu vers la structure) est central pour comprendre l’épidémie de deaths of despair identifiée par Case & Deaton : suicides, overdoses, alcool. Les auteurs écrivent :

“Despair is not just a personal matter; it is a disease of societies.” (p. 5) (« Le désespoir n’est pas seulement une affaire individuelle ; c’est une maladie des sociétés. »)

Le désespoir apparaît lorsque les sociétés ne permettent plus à leurs citoyens de se projeter dans l’avenir. Il n’est pas une pathologie mentale individuelle : il est un diagnostic collectif. Le fait que les États-Unis voient leur espérance de vie reculer pour certaines populations n’est pas seulement une statistique : c’est un diagnostic social, celui d’un pays où les individus ont perdu le contrôle de leur destin. Dans ces conditions, les comportements à risque ne sont plus une énigme. Ils sont une réponse.

L’indignité d’un système et la fascination qu’il continue d’exercer

Pour conclure, si l’expression (ou la pseudo citation)

« les Américains mangent et vivent comme s’ils avaient l’assurance maladie gratuite »

frappe les esprits, c’est peut-être parce qu’elle détourne l’attention de l’endroit où elle devrait se porter. Ce “paradoxe américain” n’est pas dans les comportements des individus. Il est dans le comportement des institutions censées protéger, et qui, aux États-Unis, ne protègent plus personne.

Il est difficile d’évoquer la santé américaine sans parler du rôle des assureurs, qui ne sont pas de simples “intermédiaires” : ils sont devenus les gardiens idéologiques du système, ceux qui justifient l’injustifiable à coups d’équations, de modèles de scoring, d’algorithmes de sélection et de primes croissantes. Dans An American sickness, Elisabeth Rosenthal décrit ces pratiques :

« Insurers are not neutral brokers; they are profit-driven entities with every incentive to deny, restrict or delay care. » (« Les assureurs ne sont pas des intermédiaires neutres ; ce sont des entités motivées par le profit, incitées à refuser, restreindre ou retarder les soins. »)

Cette logique ne se cache plus : elle structure tout. Les actuaires des grandes compagnies (qui devraient être les gardiens de la mutualisation et de l’équité probabiliste) sont devenus les ingénieurs de la fragmentation du risque, concevant des produits de plus en plus segmentés, des exclusions toujours plus fines, des franchises toujours plus élevées. Leur art (autrefois un outil de justice statistique) s’est transformé en une mécanique de tri social. Lorsque, récemment, certaines compagnies ont commencé à exclure explicitement des risques liés à l’intelligence artificielle ou à multiplier les clauses d’exclusion comportementale, elles ont confirmé ce que tout observateur honnête savait déjà : l’assurance santé américaine n’est plus un pacte social, mais une industrie de la sélection.

Et pendant ce temps, le pays s’enfonce dans une crise sanitaire et sociale qui n’a plus d’équivalent dans le monde développé : baisse de l’espérance de vie, épidémie de dépendances, effondrement du bien-être psychologique, creusement des inégalités. Ce qui rend la situation encore plus sidérante, c’est qu’un tel système, largement reconnu comme défaillant par ceux qui l’étudient, continue d’être admiré au-delà des États-Unis. Des dirigeants économiques, des éditorialistes, parfois même des responsables politiques européens, regardent l’Amérique et y voient un “modèle d’efficience” ou un “incitatif à la responsabilité individuelle”. On ne sait s’il faut s’en étonner ou s’en effrayer.

Car ce qu’ils admirent, ce ne sont pas les résultats (catastrophiques) mais l’idéologie : celle qui fait de la santé un bien privé, de la maladie une faute individuelle, du soin une marchandise, et du risque un produit financier. Celle qui confond choix avec liberté, précarité avec mérite, souffrance avec incitation. Pourtant, les faits s’imposent, massifs, têtus : plus un système de santé est inégalitaire, plus il est coûteux, inefficace, violent dans ses effets. Wilkinson & Pickett l’ont démontré :

“Health and social problems are worse in more unequal countries.” (p. 14)

Et Marmot, Graham, Case & Deaton, Colombi, tous convergent : ce n’est pas le comportement des individus qui produit la mauvaise santé ce sont les structures sociales, les institutions, les conditions de vie, et les inégalités. Qu’un tel modèle puisse encore fasciner, malgré les données, malgré les morts, malgré les ravages humains, dit quelque chose de troublant sur notre époque :une époque où l’idéologie économique a parfois plus de poids que l’évidence, où certaines élites préfèrent admirer l’ordre plutôt que le soin, où l’on confond discipline financière et santé publique, et où la souffrance peut être interprétée comme une preuve de moralité plutôt qu’un signe d’injustice. Il y a pourtant une conclusion simple, irréfutable, presque brutale : l’Amérique ne souffre pas parce que les individus feraient de “mauvais choix”, l’Amérique souffre parce que son système de santé (et les institutions qui le défendent) ne considère plus la santé comme un bien commun. Et voir ce modèle continuer de susciter de l’admiration… est peut-être le signe le plus inquiétant de tous.

Case, A., & Deaton, A. (2020). Deaths of despair and the future of capitalism. Princeton University Press.

Colombi, D. (2020). Où va l’argent des pauvres ? Payot.

Colombi, D. (2021). Pourquoi sommes-nous capitalistes malgré nous ? Payot.

Graham, H. (2007). Unequal lives: Health and socio-economic inequalities. Open University Press.

Marmot, M. (2004). Status syndrome: How your social standing directly affects your health and life expectancy. Bloomsbury.

Marmot, M. (2015). The health gap: The challenge of an unequal world. Bloomsbury.

Pickett, K., & Wilkinson, R. (2018). The inner level: How more equal societies reduce stress, restore sanity and improve everyone’s well-being. Penguin Books.

Rosenthal, E. (2017). An American sickness: How healthcare became big business and how you can take it back. Penguin Press.

Wilkinson, R., & Pickett, K. (2009). The spirit level: Why more equal societies almost always do better. Allen Lane.

Insurers and AI, a systemic risk

In Insurers retreat from AI cover as risk of multibillion-dollar claims mounts, the Financial Times reported at the end of this week that several major insurers (AIG, Great American, and WR Berkley) are seeking to introduce explicit exclusions for risks related to artificial intelligence, particularly concerning the use of agents and language models. The reasons put forward are straightforward: potential losses related to AI could reach several hundreds of millions of dollars, or even more. But above all, the danger lies less in the severity of any individual claim than in the possibility of correlated, massive, simultaneous losses, impossible to mutualize. As Aon summarizes in one sentence:

“What [the industry] can’t afford is if an AI provider makes a mistake that ends up as a 1,000 or 10,000 losses.”

The issue is far less about the severity of a particular incident than about the simultaneity of thousands of identical incidents. In other words, we are dealing with the very definition of systemic risk. To understand this, it is useful to place the phenomenon within the broader framework of complex systems, accidents in high-reliability organizations, and system-wide risk mechanisms as studied for several decades in finance and insurance.

AI as an interconnected network: a breeding ground for contagion

The literature on systemic risk teaches us that it is not the absolute size of institutions that determines their vulnerability, but the structure of their interconnections. Prasanna Gai highlights that financial systems exhibit what he calls a “robust-yet-fragile” dynamic: they withstand countless shocks yet may collapse abruptly when a specific shock travels through the right channels. He reminds us that:

“The system may be robust to most shocks, but when problems strike the effects may be catastrophic.”

A local error can turn into a global catastrophe as soon as it reaches the network’s “vulnerable cluster.” The simulations he presents show that the more interconnected a network is, the faster an error can spread. A minimal change in connectivity or capitalization can shift the entire system from a stable to a critical state, a true “phase transition.” As Gai puts it:

“An initial error can spread through the entire vulnerable cluster.”

In this context, generative AI displays all the characteristics of a system highly conducive to contagion. When an AI provider deploys a faulty update, introduces an error in a model’s parameters, or suffers a cybersecurity vulnerability, it is not isolated users who are affected but thousands, because they rely on the same infrastructure. Each client depends not only on its own usage but on the integrity of a global model, where even the smallest modification instantly reproduces identical behaviour across all users. This is exactly the kind of rapid, synchronized contagion insurers now fear: propagation that is not slow or progressive, but immediate, simultaneous, and homogeneous.

Why insurers fear correlated losses

Insurability has historically depended on a fundamental condition: the law of large numbers. As Hufeld, Koijen, and Thimann remind us in The Economics, Regulation, and Systemic Risk of Insurance:

“The risk must obey the law of large numbers.”

Events must be independent, or sufficiently heterogeneous, for losses to offset each other statistically. Yet cyber-risks already fail to meet this condition, as Biener et al. showed in 2015:

“Cyber losses are highly interrelated and characterized by severe information asymmetries.”

Cyber insurance is already structurally fragile, facing simultaneous, large-scale, difficult-to-attribute incidents. Generative AI only reinforces this structure, creating an environment where errors are not merely frequent but potentially identical and simultaneous. The examples cited by the Financial Times (an Air Canada chatbot binding the airline to a fare, a Google module defaming a small business, a $25 million deepfake fraud against Arup, or an autonomous agent producing pricing or diagnostic errors at scale) highlight how extremely reproducible such incidents are. A single defect, update, or vulnerability can affect an entire sector all at once.

This homogeneity of losses is toxic for insurance. As actuarial literature reminds us, when losses become correlated, mutualization collapses mechanically. By design, insurance cannot absorb risks whose very structure pushes toward aggregation.

AI, cybersecurity, and “normal accidents”: when complexity makes error inevitable

Clearfield and Tilcsik, in Meltdown, show that in complex systems, failures are not anomalies: they are inevitable. Surprises emerge from interactions, and small errors amplify as they propagate through tightly coupled networks. Their argument corresponds exactly to what insurers fear: the error of an autonomous model is not an isolated human mistake, but a systemic mechanism liable to replicate everywhere.

“In wicked environments, error signals are ambiguous, interactions are complex, and systems become vulnerable to surprises.”

Generative AI models fit this description perfectly: structural opacity, non-deterministic behaviour, dependence on a handful of global providers, and the lack of separation between uses create a system in which local failures become systemic. The technological dependence concentrated among a few actors amplifies this dynamic further. When a single model is deployed in legal, medical, financial, and industrial contexts, an error propagating through that model can contaminate every domain simultaneously. AI is thus less a tool than an interconnected ecosystem, a fully-fledged complex system.

Why AI creates a new kind of systemic risk for insurance

Traditionally, insurance has been considered less vulnerable to systemic risk than banking, because insurers exhibit far lower interconnectedness. This is the consensus highlighted by Hufeld, Koijen, and Thimann:

“The insurance industry is not subject to systemic risk, in particular due to its significantly lower interconnectedness.”

But this assumption relies on a hidden premise: that the risks insured must themselves remain independent. With AI, that premise collapses. For the first time, an insured risk (cyber, errors & omissions, software-related damages) becomes structurally interconnected. A single provider, a single model, a single update, or a single vulnerability can trigger thousands of simultaneous losses. Interconnectedness is no longer a property of the insurance market, it is a property of the risk itself. Acharya, Pedersen, Philippon, and Richardson define a risk as systemic when it can generate a simultaneous “capital shortfall” across multiple institutions:

“Even if liabilities are not runnable, a firm can contribute to systemic risk through its contribution to the aggregate capital shortfall.”

In a world where thousands of losses linked to the same AI error could occur at once, this definition becomes sharply relevant. AI introduces a form of aggregated, correlated, non-diversifiable risk. It is no longer a volatile risk, but a structurally synchronized one — insurers’ worst-case scenario.

What the “big systemic events” of AI might look like

Several scenarios illustrate how AI-driven systemic risk might unfold. Imagine a faulty update to an LLM used across the financial sector: a model deployed in two thousand banks simultaneously misinterprets a regulatory rule. The consequences (non-compliance, sanctions, lawsuits, customer withdrawals, class actions) would be immediate and perfectly synchronized. An autonomous legal agent could also generate systematic hallucinations, producing false legal citations or flawed reasoning. If deployed across several hundred companies, that error would instantly become collective. Beyond these operational scenarios lies a subtler phenomenon: the breakdown of interpretability. When models produce signals that seem plausible but remain opaque, both humans and machines tend to attribute excessive meaning to them. A weak signal — a slight increase in churn score, a small rise in a risk indicator — may be interpreted as a real behavioural shift, though it may merely be a statistical artifact, dataset bias, or latent drift.

These misinterpretations can create feedback loops, turning noise into a real shock: emergency decisions, pricing changes, adjustments to dependent models. Clearfield and Tilcsik describe this as a self-fulfilling prophecy. In Gai’s terminology, an initial noise finds its way into the vulnerable cluster and triggers a cascade:

“With positive probability, a random initial default at one bank can lead to the spread of default across the entire vulnerable portion of the financial system (…) Contagion breaks out when shocks strike any bank in, or adjacent to, the giant vulnerable cluster and spread across the entire cluster.”

For insurers, such risk (intrinsic to the system’s functioning) becomes impossible to mutualize.

The Tesla case study

The book The Tesla Files offers a striking illustration of these dynamics. It reveals an organization where extremely concentrated critical functions make any incident capable of propagating system-wide. A single administrator holds global access; thousands of employees have elevated privileges; and the whistleblower describes an absence of monitoring despite massive data extractions. In such a context, an incident does not remain local, it compromises the entire organization.

“The stream of data expands to include customers, business partners, and a wide array of individuals and companies with ties to Tesla.”

Tesla aggregates not only its own data but also data from customers, partners, governments, subcontractors, and regulators — creating dependency structures extremely similar to pre-2008 financial networks. The authors show that Tesla minimizes some risk indicators (recording only crashes involving airbag deployment), sometimes disables Autopilot just before impact (obscuring responsibility), or refuses to transmit data to regulators. Four elements appear: information asymmetry, opaque accountability, centralized incident handling, and extreme software homogeneity.

Autopilot crashes in Europe are handled by a single team, and thousands of customer complaints exist regarding phantom braking or sudden acceleration. When an entire fleet relies on a single software model updated simultaneously, a defect can produce a massive correlated shock. This is exactly the scenario insurers now fear for generative AI systems.

Tesla thus serves as a concrete example: a system where software homogeneity creates such aggregation risk that a single error can become a “big systemic event.”

AI Liability: a legal blind spot in an asymmetric market

To these operational risks we must add a final dimension: legal responsibility. “AI liability” )the question of who is responsible when AI causes harm) is today one of the least explored and most explosive issues. The Financial Times rightly notes:

“Nobody knows who’s liable if things go wrong.”

In practice, AI providers’ contracts include drastic limitations of liability, exclusions of performance guarantees, and clauses transferring almost all risk to the user. Because demand is nearly inelastic (there are often no viable alternatives to the major models), providers can impose their terms unilaterally, creating a significant contractual asymmetry.

This asymmetry becomes critical in regulated sectors, where firms are required to control their models: banks, insurers, and hospitals must comply with strict requirements for operational and model-risk management, even though the models they use are opaque, external, and unaudited. The Tesla Files shows that even technologically advanced companies can lose control of their own systems, making some regulatory obligations nearly impossible to fulfill. The financial sector thus faces a profound contradiction: it is legally responsible for tools over which it has no meaningful control — not the design, not the training data, not the governance, not the behaviour. Firms cannot contest provider errors nor obtain compensation when a model fails.

This situation creates a triple gap: a regulatory gap (firms cannot meet their obligations), a contractual gap (all responsibility lies with the user), and an insurance gap (insurers are withdrawing from the field). The result is a legal systemic risk, characterized by diffuse responsibility, concentrated dependency, and profoundly inefficient allocation of risk.

References

Assureurs et IA, un risque systémique

Dans Insurers retreat from AI cover as risk of multibillion-dollar claims mounts, le Financial Times rapportait cette fin de semaine que plusieurs grands assureurs (AIG, Great American ou encore WR Berkley) cherchent à introduire des exclusions explicites pour les risques liés à l’intelligence artificielle, notamment concernant les usages d’agents et de modèles de langage. Les motifs avancés sont limpides : les pertes potentielles liées à l’IA pourraient atteindre des montants de plusieurs centaines de millions, voire davantage. Mais surtout, le danger ne réside pas tant dans l’ampleur d’un sinistre isolé que dans la possibilité de pertes corrélées, massives, simultanées, impossibles à mutualiser. Comme le résume Aon dans une phrase,

“What [the industry] can’t afford is if an AI provider makes a mistake that ends up as a 1,000 or 10,000 losses.” (« Ce que l’industrie ne peut se permettre, ce n’est pas une perte de 400 ou 500 millions pour une entreprise, mais une erreur d’un fournisseur d’IA qui se traduit par mille ou dix mille sinistres. »)

L’enjeu porte bien moins sur la gravité d’un incident donné que sur la simultanéité de milliers d’incidents identiques. Autrement dit, nous avons affaire à la définition même d’un risque systémique. Pour le comprendre, il est utile de replacer ce phénomène dans le cadre plus large des systèmes complexes, des accidents dans les organisations à haute fiabilité, et des mécanismes de risque systémique tels qu’ils sont étudiés depuis plusieurs décennies dans la finance et l’assurance.

L’IA comme réseau interconnecté : un terrain idéal pour la contagion

La littérature sur le risque systémique enseigne que ce n’est pas la taille absolue des institutions qui détermine leur vulnérabilité, mais la structure de leurs interconnexions. Prasanna Gai souligne ainsi que les systèmes financiers présentent une dynamique qu’il qualifie de « robust-yet-fragile » : ils résistent à d’innombrables chocs, mais peuvent s’effondrer brutalement lorsqu’un choc particulier circule par les bons canaux. Il rappelle que

“The system may be robust to most shocks, but when problems strike the effects may be catastrophic.” (« Le système paraît robuste à la plupart des chocs, mais lorsqu’ils se produisent, les effets peuvent être catastrophiques. »)

Une erreur locale peut se transformer en catastrophe globale dès lors qu’elle atteint le « cluster vulnérable » du réseau. Les simulations qu’il présente montrent que plus un réseau est interconnecté, plus une erreur peut s’y propager rapidement. Un changement minime de connectivité ou de capitalisation peut faire basculer l’ensemble du système d’un état stable à un état critique, une véritable « phase transition ». Comme le résume Gai,

“An initial error can spread through the entire vulnerable cluster.” (« Une erreur initiale peut se propager à l’ensemble du cluster vulnérable. »)

Dans ce cadre, l’IA générative présente toutes les caractéristiques d’un système hautement propice à la contagion. Lorsqu’un fournisseur d’IA déploie une mise à jour défectueuse, commet une erreur dans les poids d’un modèle ou subit une vulnérabilité de cybersécurité, ce ne sont pas des utilisateurs isolés qui sont affectés mais des milliers, car ils partagent les mêmes infrastructures. Chaque client ne dépend pas seulement de son propre usage, mais de l’intégrité d’un modèle global, dont la moindre modification reproduit instantanément un comportement identique chez tous ses utilisateurs. C’est exactement le type de contagion fulgurante que les assureurs redoutent aujourd’hui : une propagation non pas lente et progressive, mais immédiate, simultanée, homogène.

Pourquoi l’assurance redoute les pertes corrélées

L’assurabilité repose historiquement sur une condition essentielle : la loi des grands nombres. Comme le rappellent Hufeld, Koijen et Thimann  dans The Economics, Regulation, and Systemic Risk of Insurance,

“The risk must obey the law of large numbers.” (« Le risque doit obéir à la loi des grands nombres. »)

Les événements doivent être indépendants, ou suffisamment hétérogènes, pour que les pertes se compensent statistiquement. Or les cyber-risques ne respectent déjà pas cette condition, comme l’ont montré Biener et al. dès 2015 :

“Cyber losses are highly interrelated and characterized by severe information asymmetries.” (« Les pertes cyber sont hautement corrélées et caractérisées par de sévères asymétries d’information. »)

L’assurance cyber est déjà structurellement fragile, car elle fait face à des risques simultanés, massifs, et difficilement attribuables. L’IA générative ne fait que renforcer cette structure, en créant un environnement où les erreurs ne sont pas seulement fréquentes, mais potentiellement identiques et simultanées. Les exemples cités par le Financial Times (un chatbot d’Air Canada qui engage automatiquement la compagnie, un module de Google qui diffame une PME, une fraude par deepfake coûtant 25 millions de dollars à Arup, ou encore un agent autonome qui génère des erreurs de prix ou de diagnostic en série) illustrent la reproductibilité extrême de ces incidents. Un même défaut, une même mise à jour, une même vulnérabilité peut affecter tout un secteur d’un seul coup. Cette homogénéité des sinistres est délétère pour l’assurance. Comme le rappelle la littérature actuarielle, lorsque les pertes deviennent corrélées, la mutualisation s’effondre mécaniquement. L’assurance, par construction, ne peut absorber des risques dont la structure pousse naturellement à l’agrégation.

IA, cybersécurité et “accidents normaux” : quand la complexité rend l’erreur inévitable

Clearfield et Tilcsik, dans Meltdown, montrent que dans les systèmes complexes, les défaillances ne sont pas des anomalies : elles sont inévitables. Les surprises émergent des interactions multiples, et de petites erreurs peuvent rapidement s’amplifier lorsqu’elles circulent dans des réseaux étroitement couplés. Leur thèse correspond exactement à ce que redoutent les assureurs : l’erreur d’un modèle autonome n’est pas une bourde humaine isolée, mais un mécanisme systémique susceptible de se répliquer partout. En s’appuyant sur des cas variés (Fukushima, accidents ferroviaires, aviation, cybersécurité) les auteurs montrent que certains environnements sont « wicked », c’est-à-dire des environnements où les signaux d’erreur sont ambigus, les interactions complexes et les systèmes vulnérables à des surprises brutales.

“In wicked environments, error signals are ambiguous, interactions are complex, and systems become vulnerable to surprises.” (« Dans les environnements wicked, les signaux d’erreur sont ambigus, les interactions complexes, et les systèmes deviennent vulnérables aux surprises. »)

Les modèles d’IA générative incarnent parfaitement cette description : leur opacité structurelle, leur comportement non déterministe, leur dépendance à quelques fournisseurs globaux et l’absence de cloisonnement entre leurs usages créent un système dont les défaillances locales deviennent immédiatement systémiques. La concentration de dépendances technologiques entre quelques acteurs amplifie encore cette dynamique. Lorsqu’un modèle est utilisé dans des contextes juridiques, médicaux, financiers, industriels, une erreur qui y apparaît peut contaminer simultanément tous ces domaines. De ce point de vue, l’IA est déjà moins un outil qu’un écosystème interconnecté, un véritable système complexe au sens fort.

Pourquoi l’IA crée un risque systémique inédit pour l’assurance

Traditionnellement, l’assurance est considérée comme moins vulnérable au risque systémique que la banque, en raison de l’interconnexion nettement plus faible entre assureurs. C’est le consensus rappelé par Hufeld, Koijen et Thimann :

“The insurance industry is not subject to systemic risk, in particular due to its significantly lower interconnectedness.” (« L’industrie de l’assurance n’est pas sujette au risque systémique, notamment du fait de sa faible interconnexion. »)

Mais cette affirmation repose sur une hypothèse implicite : les risques assurés doivent eux-mêmes rester indépendants. Avec l’IA, cette hypothèse s’effondre. Pour la première fois, un risque assuré (cyber, erreurs et omissions, dommages causés par des systèmes logiciels) devient structurellement interconnecté. Un seul fournisseur, un seul modèle, une seule mise à jour ou une seule vulnérabilité peuvent provoquer des milliers de sinistres simultanés. L’interconnexion n’est plus une propriété du marché de l’assurance : elle est une propriété du risque lui-même.

Acharya, Pedersen, Philippon et Richardson définissent un risque comme systémique lorsqu’il peut provoquer une situation de « capital shortfall » simultanée dans de nombreuses institutions. Ils notent que

“Even if liabilities are not runnable, a firm can contribute to systemic risk through its contribution to the aggregate capital shortfall.” (« Même si les passifs ne sont pas sujets aux runs, un assureur peut contribuer au risque systémique par sa contribution au capital shortfall agrégé. »)

Dans un monde où des milliers de sinistres liés à une même erreur d’IA pourraient survenir en même temps, cette notion prend un relief particulier. L’IA introduit ainsi une forme de risque agrégé, corrélé, non diversifiable. Ce n’est plus un risque volatil mais un risque structuralement synchronisé, ce qui constitue la hantise des assureurs.

Ce que pourraient être les “big systemic events” de l’IA

Dans un tel contexte, plusieurs scénarios illustrent comment un risque systémique lié à l’IA pourrait se matérialiser. Imaginons, par exemple, une mise à jour défaillante d’un LLM utilisé dans la finance : un modèle déployé dans deux mille banques commet simultanément une erreur d’interprétation réglementaire. Les conséquences seraient immédiates (mauvaise conformité, sanctions, litiges, retraits, actions collectives) et parfaitement synchrones .Un agent juridique autonome pourrait produire des hallucinations systématiques, générant de fausses citations juridiques ou de faux raisonnements. Si cet agent était déployé dans plusieurs centaines d’entreprises, l’erreur deviendrait immédiatement collective.

À ces scénarios opérationnels s’ajoute un phénomène plus subtil : la rupture d’interprétabilité. Lorsque les modèles produisent des signaux plausibles mais opaques, humains comme machines sont tentés de leur attribuer un sens excessif. Un signal faible (une légère hausse de score dans un modèle de résiliation, un changement ténu dans un score de risque) peut être interprété comme un mouvement réel, alors qu’il ne s’agit que d’un artefact statistique, d’un biais de dataset ou d’un drift latent. Ces interprétations erronées peuvent déclencher des rétroactions en chaîne, transformant un bruit en choc réel : décisions d’urgence, modifications de politiques tarifaires, ajustements de modèles secondaires. Clearfield et Tilcsik décrivent ce mécanisme d’emballement comme une prophétie autoréalisatrice. Dans le langage de Gai, un bruit initial trouve soudain un chemin vers le « cluster vulnérable » et déclenche une cascade ,

With positive probability, a random initial default at one bank can lead to the spread of default across the entire vulnerable portion of the financial system (…) Contagion breaks out when shocks strike any bank in, or adjacent to, the giant vulnerable cluster and spread across the entire cluster.” (« Avec une probabilité positive, un défaut initial aléatoire dans une banque peut entraîner la propagation du défaut à l’ensemble de la portion vulnérable du système financier (…) La contagion éclate lorsque des chocs touchent une banque située dans — ou à proximité immédiate de — l’immense cluster vulnérable, et qu’ils se propagent à travers l’ensemble de ce cluster. »)

Pour les assureurs, un tel risque, intrinsèque au fonctionnement même du système, devient impossible à mutualiser.

Le cas d’école de Tesla

Le livre The Tesla Files fournit une illustration frappante de ces dynamiques. On y découvre une organisation où une concentration extrême des fonctions critiques rend tout incident susceptible de se propager à grande échelle. Un seul administrateur peut disposer d’un accès global, des milliers d’employés détiennent des privilèges élevés, et le lanceur d’alerte décrit l’absence de monitoring interne malgré des téléchargements massifs. Une faille, dans un tel contexte, ne touche pas une partie isolée du système : elle compromet l’ensemble. Du point de vue systémique, Tesla fonctionne comme un graphe extrêmement connecté, sans cloisonnements internes, dans lequel la connectivité moyenne est anormalement élevée. Les auteurs rappellent que Tesla ne manipule pas seulement ses propres données, mais agrège celles de clients, partenaires, gouvernements, sous-traitants et organismes de régulation. Ils écrivent :

“The stream of data expands to include customers, business partners, and a wide array of individuals and companies with ties to Tesla.” (« Le flux de données s’étend aux clients, partenaires commerciaux, et à une vaste gamme d’individus et d’entreprises liés à Tesla. »)

Cette interconnexion massive crée des dépendances multiples, très proches de celles observées dans les systèmes bancaires avant 2008. Les auteurs montrent également que Tesla minimise certains indicateurs de risque (en n’enregistrant que les crashs impliquant un airbag, par exemple), désactive parfois l’Autopilot juste avant impact, créant une ambiguïté sur les responsabilités, ou refuse de transmettre des données aux régulateurs. Quatre éléments clefs apparaissent : des asymétries d’information, une opacité des responsabilités, une gestion centralisée des incidents et une homogénéité logicielle extrême. On découvre également que les crashs Autopilot en Europe sont traités par une seule équipe, et qu’il existe des milliers de plaintes clients pour freinages intempestifs ou accélérations fantômes. Lorsque l’ensemble de la flotte repose sur un même modèle logiciel, mis à jour simultanément, une erreur peut provoquer un choc corrélé massif. C’est précisément ce que redoutent aujourd’hui les assureurs pour les IA génératives. Tesla apparaît ainsi comme un précédent concret : un système où l’homogénéité logicielle crée un risque d’agrégation tel qu’une simple erreur peut devenir un “big systemic event”.

AI Liability : un angle mort juridique dans un marché asymétrique

À ces risques opérationnels s’ajoute un dernier élément : la responsabilité juridique. L’« AI liability », c’est-à-dire la question de savoir qui est responsable lorsque l’IA cause un dommage, est aujourd’hui l’un des sujets les moins traités, et les plus explosifs. Le Financial Times note à juste titre que

“Nobody knows who’s liable if things go wrong.” (« Personne ne sait qui est responsable lorsque quelque chose tourne mal. »)

Dans la pratique, les contrats proposés par les fournisseurs d’IA incluent des limitations drastiques de responsabilité, des exclusions de garantie de performance et des clauses transférant quasi intégralement le risque à l’utilisateur. Comme la demande est quasi inélastique (il n’existe souvent pas d’alternative crédible aux grands modèles), les fournisseurs peuvent imposer unilatéralement leurs termes, créant une asymétrie contractuelle majeure. Cette asymétrie devient critique dans les secteurs régulés, où les entreprises sont tenues de maîtriser leurs modèles : banques, assureurs, hôpitaux doivent respecter des obligations strictes de gestion du risque opérationnel ou du risque modèle, alors même que les modèles auxquels ils recourent sont opaques, externalisés et non audités. Les révélations de The Tesla Files montrent que même des entreprises très technologiques peuvent perdre le contrôle de leurs propres systèmes, rendant certaines obligations réglementaires inapplicables en pratique. Le secteur financier se retrouve ainsi dans une contradiction profonde : juridiquement responsable d’outils dont il ne maîtrise ni la conception, ni les données d’entraînement, ni la gouvernance, ni le comportement, il ne peut ni contester les erreurs des fournisseurs, ni obtenir réparation lorsqu’un modèle commet une faute. Cette situation crée un triple gouffre : un gouffre réglementaire, puisque les entreprises ne peuvent satisfaire leurs obligations ; un gouffre contractuel, puisque toute la responsabilité repose sur l’utilisateur ; et un gouffre assurantiel, puisque les assureurs se retirent progressivement de ce champ. Le résultat est un risque systémique juridique, caractérisé par une responsabilité diffuse, une dépendance concentrée et une allocation du risque profondément inefficiente.

Références

 

Assurer pour s’émanciper : le mutualisme noir américain

Dans From Mutual Aid to the Welfare State, Fraternal Societies and Social Services, 1890-1967, David Beito revient (entre autres) sur l’histoire du mutualisme afro-américain, et raconte des histoires passionnantes dans l’histoire de la protection sociale (et peu connue, il me semble). Entre la fin du XVIIIᵉ siècle et les années 1930, les Afro-Américains édifièrent un système complet d’assurance maladie, funéraire et de soutien économique. Ce système, né dans un contexte de discrimination et d’exclusion des protections commerciales et publiques (dont j’avais déjà un peu parlé), fut pour eux un instrument de dignité, une stratégie d’autonomie, et un moyen d’organiser collectivement la lutte contre la pauvreté. Loin d’être marginales, ces institutions couvrirent des centaines de milliers de personnes et donnèrent naissance à des banques, des hôpitaux, des journaux et des coopératives. Leur trajectoire montre comment l’assurance peut devenir une forme d’auto-gouvernement, conçue par et pour une communauté.

Un contexte d’exclusion et d’innovation assurantielle

Les premières organisations fraternelles noires apparaissent dès les années 1780. Le cas fondateur est celui de la franc-maçonnerie noire de Prince Hall, initiée en 1775 à Boston par une loge britannique et ensuite refusée de reconnaissance par les loges blanches américaines. La création de la Prince Hall Grand Lodge en 1791 marqua le début d’un vaste réseau d’entraide, d’assistance funéraire et de recommandation professionnelle. Les sources indiquent que ces loges regroupaient « the cream of black intellectual, social, political, and economic leadership », incluant des personnalités comme Absalom Jones ou Richard Allen. Ces premières institutions émergent parce que les Afro-Américains sont largement exclus des assurances commerciales et des sociétés fraternelles blanches. Dès le XIXᵉ siècle, ils mettent donc en place leurs propres structures d’assurance maladie, de soutien financier et d’aide funéraire. Ces associations reposent sur une régulation morale stricte : ainsi, les sociétés surveillaient étroitement la conduite des membres et pouvaient expulser pour inconduite, soulignant que l’assurance était indissociable d’un cadre communautaire et disciplinaire.

L’âge d’or (1880–1910) : l’assurance comme architecture communautaire

Entre 1880 et 1910, les sociétés fraternelles noires connaissent un développement spectaculaire. Elles deviennent alors le principal véhicule d’assurance funéraire et maladie pour la population noire. Les travaux rassemblés par David Beito dans From Mutual Aid to the Welfare State montrent une grande diversité d’organisations : Grand United Order of Odd Fellows, Colored Knights of Pythias, Mosaic Templars of America, True Reformers ou encore l’Independent Order of St. Luke. Beaucoup sont présentés dans des ouvrages dédiés, comme l’histoire détaillée des True Reformers par Fahey (dans The Black Lodge in White America), ou celle des Odd Fellows par Brooks (dans The Official History and Manual of the Grand United Order of Odd Fellows in America). La dimension sanitaire constituait un pilier essentiel. À la Nouvelle-Orléans, par exemple, des benevolent societies opérées par des Afro-Américains géraient de véritables dispositifs de soins et d’assistance médicale. Des témoignages montrent que des membres venaient parfois « avec leurs bagages » dans les cliniques fraternelles, faute d’être acceptés dans les hôpitaux publics ou privés (“…came to stay with their baggage…”). Ce rôle proto-hospitalier souligne que l’assurance fraternelle noire structurait un véritable filet de sécurité dans un environnement institutionnel hostile.

Maggie Lena Walker : l’assurance comme instrument d’autonomie économique

Parmi les grandes figures du mutualisme noir, Maggie L. Walker, dirigeante de l’Independent Order of St. Luke, occupe une place intéressante. Les sources confirment son rôle fondateur dans la professionnalisation et l’expansion de cette société, et son insistance sur la nécessité de contrôler collectivement l’épargne noire. Dans un discours, elle exhortait les membres à ne pas « mettre leur argent dans les banques blanches » (“…she urged members not to put their money in white banks… thinking of the future of their children”), insistant sur les conséquences politiques à long terme pour les enfants de la communauté. En 1903, elle fonde la St. Luke Penny Savings Bank, première banque américaine dirigée par une femme afro-américaine. L’institution survivra à l’Ordre lui-même et deviendra, sous le nom de Consolidated Bank and Trust, l’une des principales banques noires du XXᵉ siècle. En 1998 encore, elle figurait parmi les dix plus grandes banques noires du pays avec plus de 100 millions de dollars d’actifs (“…in 1998 the Consolidated Bank and Trust Company was still the largest black-owned bank with over $100 million in assets.”). L’assurance, dans ce cas, sert autant de protection financière que de base institutionnelle pour bâtir un réseau bancaire, une classe moyenne noire et une capacité d’action politique autonome.

Les True Reformers : une architecture assurantielle et économique complète

Les True Reformers ou Grand United Order of True Reformers, constituent un exemple d’État-providence communautaire (si on s’autorise l’expression). Leur histoire, décrite en détails par Fahey, dans The Black Lodge in White America, montre une organisation cumulant assurance vie, maladie, banques, coopératives, journaux et même une colonie agricole. Les sources indiquent que leur modèle associatif reposait sur des cotisations régulières, un réseau d’agences locales, et une gestion combinant discipline financière et solidarité collective. Leur importance historique est largement reconnue comme « the best account » des assurances fraternelles noires. Leur succès dans les années 1880-1910 illustre l’existence d’une culture assurantielle profondément ancrée dans les communautés noires, qui substituèrent leurs propres structures mutualistes et financières à des institutions publiques ou privées qui leur étaient souvent fermées.

L’assurance comme discipline, dignité et protection contre la pauvreté

Dans Social Functions and Economic Aspects of Health Insurance, William Rushing va plus loin, rappelant que les sociétés fraternelles noires proposaient bien plus qu’un produit assurantiel. Elles offraient un véritable bouclier social dans une époque dépourvue d’assurance-chômage, d’assurance maladie publique ou de salaire minimum. Les textes de l’époque soulignent que pour leurs promoteurs, l’assurance fraternelle était « better than charity », car elle permettait de maintenir les individus « above charity », c’est-à-dire à l’abri de la dépendance et de l’humiliation associées à l’assistance publique ou philanthropique blanche. Ces organisations délivraient des allocations funéraires, des aides financières en cas de maladie, des services d’hébergement temporaire, des emplois par recommandation, ainsi que des conseils juridiques et éducatifs. Elles enseignaient aussi les « habits of thrift and economy », essentiels dans un contexte où l’accès au crédit ou à l’épargne était extrêmement restreint pour les Afro-Américains.

Déclin, continuités et héritages

À partir des années 1910, plusieurs facteurs affaiblissent progressivement ces institutions : durcissement des réglementations assurantielles, montée des compagnies commerciales, apparition d’un embryon d’État-providence fédéral et pressions économiques et politiques sur les organisations noires indépendantes. Mais il semble que l’héritage institutionnel demeure. Certaines organisations survivent sous forme de banques ou de fondations, tandis que leur culture de prévoyance et d’autonomie influence durablement la tradition politique afro-américaine. Le mutualisme noir américain démontre que l’assurance, loin d’être un simple mécanisme actuariel, peut devenir un outil de lutte politique et de construction institutionnelle. Dans un contexte d’exclusion, les Afro-Américains ont créé un système assurantiel complet, reposant sur la solidarité, la discipline communautaire et des ambitions économiques structurées. Ces sociétés ont transformé le risque en un instrument de dignité et d’autonomie, inventant une protection sociale « par le bas » qui mérite toute sa place dans l’histoire de l’assurance et du welfare.

Decomposing Direct and Indirect Biases in Linear Models under Demographic Parity Constraint

Our paper “Decomposing Direct and Indirect Biases in Linear Models under Demographic Parity Constraint“, with Bertille Tierny and François Hu is now online on ArXiv.

Linear models are widely used in high-stakes decision-making due to their simplicity and interpretability. Yet when fairness constraints such as demographic parity are introduced, their effects on model coefficients, and thus on how predictive bias is distributed across features, remain opaque. Existing approaches on linear models often rely on strong and unrealistic assumptions, or overlook the explicit role of the sensitive attribute, limiting their practical utility for fairness assessment. We extend the work of (Chzhen and Schreuder, 2022) and (Fukuchi and Sakuma, 2023) by proposing a post-processing framework that can be applied on top of any linear model to decompose the resulting bias into direct (sensitive-attribute) and indirect (correlated-features) components. Our method analytically characterizes how demographic parity reshapes each model coefficient, including those of both sensitive and non-sensitive features. This enables a transparent, feature-level interpretation of fairness interventions and reveals how bias may persist or shift through correlated variables. Our framework requires no retraining and provides actionable insights for model auditing and mitigation. Experiments on both synthetic and real-world datasets demonstrate that our method captures fairness dynamics missed by prior work, offering a practical and interpretable tool for responsible deployment of linear models.

On sera à Singapour pour le présenter fin janvier, à AAAI 2026, 40th Annual AAAI Conference on Artificial Intelligence.

Exposé Chaire PARI, les trois piliers de l’équité en tarification

Mercredi matin (en France), après-midi (à Kyoto), nuit (à Montréal), je vais donner un exposé pour le séminaire mensuel de la chaire PARI, intitulé Un cadre de gouvernance à trois piliers pour une tarification équitable de l’assurance. J’y présenterais notre récent travail, publié justement par la Chaire PARI (document de travail 37), et également associé à un rapport publié par la Casualty Actuarial Society aux États-Unis (et présenté la semaine dernière par Olivier), A Scalable toolbox for exposing indirect discrimination in insurance rates”. Les slides sont en ligne.

Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression

Our paper, Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression, with Samuel Stocksieker and Denys Pommeret has been published in Procedia Computer Science

Imbalanced distribution learning is a common and significant challenge in predictive modeling, often reducing the performance of standard algorithms. Although various approaches address this issue, most are tailored to classification problems, with a limited focus on regression. This paper introduces a novel method to improve learning on tabular data within the Imbalanced Regression (IR) framework, which is a critical problem. We propose using Variational Autoencoders (VAEs) to model and define a latent representation of data distributions. However, VAEs can be inefficient with imbalanced data like other standard approaches. To address this, we develop an innovative data generation method that combines a disentangled VAE with a Smoothed Bootstrap applied in the latent space. We evaluate the efficiency of this method through numerical comparisons with competitors on benchmark datasets for IR.

KurtHGR: A Neural Maximal Correlation for Tabular Datasets

Our paper, KurtHGR: A Neural Maximal Correlation for Tabular Datasets, with Samuel Stocksieker and Denys Pommeret has been published in Procedia Computer Science

The study of dependencies between variables is a fundamental pillar of machine learning, influencing areas as diverse as feature selection, fairness, dimensionality reduction, and multimodal learning. Among nonlinear correlation measures, the Hirschfeld-Gebelein-Rényi (HGR) maximal correlation stands out for its universality and remarkable theoretical properties. Defined as the maximum achievable correlation between nonlinear transformations of two random variables, it provides an intrinsic quantification of statistical dependence, regardless of their marginal distributions. However, despite its theoretical potential, its practical adoption still faces several challenges. In this paper, we present a new approach called KurtHGR, dedicated to the estimation of the bivariate nonlinear correlation matrix of a set of variables. We show that this solution is effective in detecting nonlinear correlations, robust to noise, and computationally efficient, thanks to a neural architecture specifically designed for this purpose. We evaluate its performance through numerical illustrations and feature selection experiments, where we demonstrate that KurtHGR empirically outperforms state-of-the-art approaches.

"sendo l'intento mio scrivere cosa utile a chi la intende…"