Category Archives: Actuarial science

Actuarial science

Criminal records, the right to be forgotten, and inclusive insurance: risk, rehabilitation, and data governance in underwriting

Leave a comment

Notre article Criminal records, the right to be forgotten, and inclusive insurance: risk, rehabilitation, and data governance in underwriting sur les casiers judiciaires et l’assurance vient d’être publié par The Geneva Papers on Risk and Insurance. Le papier part d’une question assez simple, mais qui nous semblait importante : que se passe-t-il lorsqu’une information pénale, produite dans un contexte juridique donné, circule ensuite dans des bases de données, des fichiers commerciaux, des systèmes de scoring ou des procédures d’assurance ?

J’avais déjà écrit il y a quelques mois sur le droit à l’oubli et sur cette difficulté réelle. Une fois qu’une information est sortie, elle se laisse difficilement remettre à sa place. Comme du dentifrice sorti du tube. On peut créer des règles de déréférencement, de suspension, d’effacement, de réhabilitation. Mais dès lors que l’information a été copiée, résumée, vendue, réencodée, ou transformée en variable, elle peut continuer à vivre ailleurs. Et souvent, elle vit plus longtemps que le contexte qui lui donnait sens.

On peut aussi prendre le problème par un autre bout. On parle souvent du « casier judiciaire » comme s’il renvoyait à une catégorie évidente. Une personne a un casier, ou elle n’en a pas. Elle est « criminelle », ou elle ne l’est pas. Mais cette opposition est trompeuse. Le droit pénal n’enregistre pas seulement des meurtres, des vols ou des violences. Il enregistre aussi des conduites dont la signification dépend profondément du pays, du moment politique, de la culture juridique, et parfois de débats moraux très conflictuels. Autrement dit, on ne devient pas seulement « criminel » parce qu’on a fait quelque chose que tout le monde, partout, reconnaîtrait immédiatement comme un crime grave. On peut aussi le devenir parce qu’un État a décidé qu’un geste, une parole, une aide, un choix familial ou une forme de protestation devait entrer dans le champ pénal.

Par exemple, en Italie, depuis 2024, le recours à une gestation pour autrui à l’étranger peut être poursuivi à l’encontre de citoyens italiens. Y compris des citoyens italiens vivant hors d’Italie, dans des pays où la gestation pour autrui est autorisée. La loi italienne existait déjà contre la GPA sur le territoire italien, elle a été étendue aux faits commis à l’étranger. Autrement dit, une pratique possible, encadrée ou tolérée ailleurs peut produire, une fois ramenée dans l’ordre juridique italien, une qualification pénale. Pour les uns, il s’agit de protéger les femmes et les enfants contre une marchandisation du corps. Pour d’autres, il s’agit d’une criminalisation de parcours familiaux, touchant en particulier des couples qui n’ont pas d’autre possibilité d’avoir un enfant. Mais dans un fichier, que restera-t-il de ce débat ? Une infraction liée à la maternité de substitution peut donner la qualification de « criminelle ».

En France, le droit pénal sanctionne l’aide à l’entrée, à la circulation ou au séjour irréguliers d’un étranger. Le texte prévoit bien des exemptions, notamment lorsque l’aide est apportée sans contrepartie et dans un but exclusivement humanitaire. Mais l’existence même de ces exemptions montre que la frontière doit être juridiquement tracée. Aider quelqu’un à se déplacer, l’accompagner, l’héberger, lui fournir une aide sociale ou juridique, selon les circonstances, ces gestes peuvent relever de la solidarité, de l’humanitaire, du militantisme, de la désobéissance civile, ou d’une infraction. La qualification de « criminel » ne retiendra pas forcément le contexte.

Au Royaume-Uni, le Public Order Act de 2023 a créé de nouvelles infractions liées aux manifestations, notamment le fait de s’attacher à une personne, à un objet ou à un bâtiment dans des conditions susceptibles de causer une perturbation sérieuse. C’est ce que les textes appellent le locking-on. L’objectif affiché est de répondre à certaines formes de protestation disruptive. Mais là encore, le sens social du geste dépend du contexte. S’agit-il d’une action climatique ? D’une occupation symbolique ? D’un blocage dangereux ? D’une tactique militante exaspérante mais non violente ? Le droit pénal tranche selon ses propres catégories. Le fichier, ensuite, simplifie encore davantage.

À Malte, l’avortement reste inscrit dans le Code pénal. Même après les aménagements récents introduits pour certaines situations médicales extrêmes, le principe demeure frappant : une décision reproductive peut encore être juridiquement traitée comme une infraction pénale. Là encore, le sens social et moral de l’acte varie radicalement selon les pays. Dans un État, il peut s’agir d’un soin, d’une décision intime, d’une urgence médicale ou d’un droit fondamental, dans un autre, d’une conduite pénalement réprimée. Une base de données ne dira pas la situation médicale, la contrainte, la peur, le contexte familial, ni le débat politique qui entoure la qualification.

On pourra multiplier la liste des exemples à l’infini. Ils ne se valent évidemment pas, ils ne disent pas non plus que ces lois sont absurdes. Certains répondent à des problèmes très réels, comme l’exploitation, la xénophobie, la haine, les violences politiques, les atteintes à l’ordre public. Mon point est plutôt de rappelle qu’une condamnation pénale n’est jamais une donnée brute, comme toute information. C’est le produit d’un droit, d’un contexte, d’une époque, d’une institution, d’un vocabulaire juridique et d’une décision politique. Et on s’en doute, le problème commence lorsque cette information sort de son contexte.

Dans un tribunal, une infraction est entourée d’un dossier. Il y a des faits, une procédure, des qualifications, des arguments, des circonstances, parfois un appel, parfois une réhabilitation, parfois une extinction progressive de la pertinence de l’événement. Dans une base de données, beaucoup de cela disparaît. Il reste un code juridique, une catégorie, une date, parfois une mention tronquée. Un arrestation peut côtoyer une condamnation. Une condamnation ancienne peut apparaître comme si elle disait encore quelque chose d’actuel. Une infraction militante peut être rangée à côté d’une infraction violente. Un choix familial pénalisé dans un pays peut devenir, ailleurs, un simple signal de « criminal history ».

Et ça a un lien avec l’assurance (on s’en doute un peu, sinon je n’en parlerais pas ici). L’assurance repose sur la classification des risques. Il n’y a, a priori, rien de scandaleux en soi à ce qu’un assureur distingue des situations différentes. La question n’est pas de dire que toute différenciation est illégitime. La question est de savoir ce qu’un assureur fait lorsqu’il rencontre une information pénale. Est-ce un signal actuariel utile ? Dans quel produit ? À quel horizon temporel ? Avec quelle valeur marginale par rapport aux autres informations déjà disponibles ? L’information est-elle exacte ? Est-elle à jour ? Le statut juridique a-t-il changé ? La personne peut-elle contester ? L’assureur comprend-il vraiment ce que la donnée signifie ?

La tentation est grande de traiter le casier judiciaire comme une variable simple. Présence ou absence d’antécédents. Oui ou non. Risque plus élevé ou non. Mais les exemples précédents montrent pourquoi cette simplicité est dangereuse. « Avoir une condamnation criminelle » peut vouloir dire des choses radicalement différentes. Cela peut renvoyer à une violence grave, à une fraude, à une infraction de circulation, à une action militante, à une aide humanitaire, à une parole publique, à un geste symbolique, à une décision reproductive, à un acte commis dans un pays mais évalué par un autre. Le danger n’est donc pas seulement la permanence de l’information, c’est l’absence de contexte, qui s’explique souvent par l’histoire de l’information.

Car cette « condamnation criminelle » a voyagé, d’un tribunal vers un registre, ou un fichier, plus ou moins officiel. D’un fichier vers un courtier de données. D’un courtier vers un assureur. D’un assureur vers une décision d’acceptation, de tarification, de report ou de refus. À chaque étape, il y a un risque de perte de contexte. C’est cette histoire qui devrait nous inquiéter. Non parce que le passé ne compterait jamais. Mais parce qu’il ne compte pas toujours de la même manière, pas pour toujours, et pas indépendamment du contexte.

Un système juste ne devrait donc pas seulement demander cette personne a-t-elle un casier ? Il devrait demander : de quoi parle-t-on exactement ? Quelle est l’infraction ? Dans quel pays ? À quelle date ? Avec quelle issue ? Quelle relation avec le risque assuré ? Quelle preuve de valeur prédictive ? Quelle possibilité de correction ? Quelle durée de pertinence ?

Le droit à l’oubli n’est pas seulement le droit d’effacer une information gênante. C’est aussi une manière de rappeler que les sociétés ne peuvent pas traiter tous les passés comme des présents éternels. Une condamnation peut être réelle sans être toujours pertinente. Une information peut être exacte sans être juste à réutiliser. Une trace peut être vraie et pourtant devenir trompeuse lorsqu’elle circule sans son contexte. C’est sans doute l’une des grandes difficultés de nos sociétés assurantielles et algorithmiques. Elles cherchent sans cesse des signaux. Elles préfèrent les variables simples et prédictives, même juste un peu. Mais les vies humaines sont rarement simples. Et les casiers judiciaires, moins encore.

Actuarial science

From Rating Factors to Crash Mechanisms: A Multiscale Causal DAG Framework Linking Motor Insurance and Road Safety

Leave a comment

Motor insurance models and road-safety studies address the same underlying risk, but at very different scales. Insurance models typically predict annual claim counts from a small set of rating variables, such as age, mileage, vehicle characteristics, or past claims. Road-safety research, by contrast, seeks to understand mechanisms operating much closer to the crash itself, including speed, fatigue, distraction, road environment, and driving conditions. I recently uploaded on ArXiv a paper (From Rating Factors to Crash Mechanisms: A Multiscale Causal DAG Framework Linking Motor Insurance and Road Safety) that proposes a multiscale causal framework, organized around a literature-informed DAG, to connect these two perspectives. It shows that a predictive rating factor generally cannot be interpreted directly as a causal crash mechanism. Examples based on mileage and driver age illustrate why: the same actuarial contrast may be compatible with many different mechanistic explanations. Sharper conclusions will require data closer to the driving process, such as telematics, trip context, or linked crash and insurance-claim records…

Actuarial science

Prévoir sans précédent

Leave a comment

(avec le sous-titre “De l’actuariat contemplatif à l’actuariat prédictif“)

En mars 2024, Gavin Schmidt, directeur du Goddard Institute for Space Studies de la NASA, publiait dans Nature un texte au titre inhabituellement inquiet : Climate models can’t explain 2023’s huge heat anomaly — we could be in uncharted territory. L’année 2023 avait surpris les climatologues. Plusieurs facteurs connus permettaient d’expliquer une partie de l’anomalie observée, mais pas toute. L’expression uncharted territory, « territoire inconnu », avait marqué la communauté scientiqieu. Un peu plus de deux ans plus tard, le point le plus intéressant n’est peut-être plus de savoir ce qui, exactement, rendait 2023 singulière (la même question se posera probablement pour 2026). La question soulevée par Gavin Schmidt est plus générale : que signifie « prévoir » lorsque le système que l’on cherche à prévoir est lui-même en train de changer ?

Elle devrait être familière aux actuaires. Leur métier consiste précisément à parler de choses qui ne se sont pas encore produites. Une prime est fixée aujourd’hui pour couvrir les sinistres de demain. Des provisions sont constituées pour des paiements futurs. Les engagements d’un assureur-vie peuvent s’étendre sur plusieurs décennies. Quant aux catastrophes naturelles, les événements dont il faut évaluer le coût sont précisément ceux que l’on observe rarement. Et pourtant, une grande partie de l’actuariat traditionnel a peut-être été moins prédictive qu’on aime à le penser. Elle a été principalement « contemplative », au sens où on observe très attentivement le passé, on en mesure les régularités, puis on considère que celles-ci resteront suffisamment stables pour éclairer l’avenir. Cette stratégie a remarquablement fonctionné jusqu’à présent. Mais elle repose sur une hypothèse forte, et probablement révolue : demain doit suffisamment ressembler à hier.

Transformer l’incertitude en risque

Il y a plus d’un siècle, Frank Knight proposait une distinction devenue classique entre risque et incertitude. Dans le premier cas, la distribution des résultats d’un ensemble de situations comparables peut être connue, par le calcul ou par l’observation. Dans le second, cette distribution n’est pas disponible, notamment parce que la situation est trop singulière pour être rangée dans une classe d’expériences homogènes. On le sait, pour l’assurance, cette distinction est fondamentale. On ne sait pas qui aura un accident de voiture l’année prochaine, mais, sur plusieurs centaines de milliers d’assurés, on peut estimer relativement bien combien d’accidents se produiront. On ne sait pas à quel âge mourra une personne donnée, mais une table de mortalité décrit avec une remarquable régularité la mortalité d’une grande population.

L’assurance réalise ainsi une opération extraordinaire, puisqu’elle transforme l’incertitude individuelle en risque collectif. Frank Knight l’avait parfaitement compris. Lorsque la probabilité est mesurable, explique-t-il, le regroupement d’un grand nombre de situations permet de réduire l’incertitude. C’est précisément ce que réalise l’assurance. Mais ce mécanisme suppose que les cas regroupés soient suffisamment comparables. Si la situation est nouvelle, la difficulté n’est plus seulement que nous manquons d’observations. Nous ne savons plus exactement quelles observations constituent la bonne population de référence.

C’est le problème lorsque l’on cherche à estimer les incendies futurs dans une région dont le climat change, la sinistralité d’un parc automobile largement électrique ou la mortalité future d’une population qui bénéficiera de traitements aujourd’hui inexistants. De quelles expériences passées ces situations futures sont-elles réellement des répétitions ? L’actuariat s’est construit sur la possibilité de constituer des classes homogènes, et surtout stables. Une partie de son problème contemporain vient de ce que ces classes peuvent elles-mêmes devenir instables.

Rebus sic stantibus

Emil Gumbel avait formulé cette difficulté dès la première page de Statistics of Extremes, publié en 1958, qui a posé les fondements statistiques des techniques utilisées au quotidien par les actuaires, en particulier en réassurance. Pour utiliser les extrêmes observés afin de prévoir les extrêmes futurs, il faut supposer rebus sic stantibus, « les choses demeurant en l’état ». La distribution dont sont issus les événements et ses paramètres doivent rester constants dans le temps, ou bien l’effet du temps doit être explicitement pris en compte. Il ajoutait aussitôt que cette hypothèse, pourtant commune au travail statistique, n’est pratiquement jamais exactement réalisée. Une crue dite « centennale » possède une interprétation immédiate si la probabilité annuelle de dépassement reste constante. Que signifie en revanche une « période de retour » de cent ans si cette probabilité change d’année en année ?

Le même problème existe pour le calcul des provisions pour sinistres à payer. L’approche chain-ladder utilise les cadences des développements passés des sinistres pour prolonger le triangle vers le futur. Son principe même repose sur l’idée que les profils historiques de développement renseignent sur les profils à venir. Taylor soulignait déjà dans les années 1970 que les influences exogènes ne devaient pas trop perturber cette stationnarité. En mortalité, les actuaires ont rencontré cette difficulté encore plus tôt. Une table décrivant les décès observés à une période donnée devient insuffisante si la mortalité s’améliore durablement. Il faut alors passer d’une table statique à une table prospective : il ne suffit plus d’estimer la mortalité présente, il faut modéliser son évolution future. C’est exactement ce qu’ont proposé les modèles de type Lee-Carter, au début des années 1990.

Aucune de ces méthodes n’est naïve. Toute statistique suppose une certaine permanence. Si absolument tout changeait continuellement, aucune expérience ne pourrait nous apprendre quoi que ce soit. Ce qui devient plus difficile aujourd’hui est de laisser cette permanence implicite. Le climat en fournit un exemple assez clair, mais il n’est pas seul en cause. Technologies, médecine, mobilité, urbanisation, droit, coûts de réparation ou comportements changent également. L’assureur n’est donc pas seulement confronté à des événements aléatoires. Le cadre dans lequel ces événements se produisent évolue lui aussi.

Prédire sans vraiment prévoir

Le paradoxe est que jamais nous n’avons autant parlé de modèles « prédictifs ». Le machine learning est largement organisé autour de cette idée. On entraîne un modèle sur certaines observations et on mesure ses performances sur d’autres qu’il n’a pas utilisées. Galit Shmueli avait justement insisté sur la nécessité de distinguer « expliquer » et « prédire ». Comme nous l’expliquions avec Rodophe Bigot en 2020, un modèle destiné à comprendre un phénomène et un modèle destiné à produire de bonnes prédictions ne répondent pas au même objectif. La performance prédictive doit notamment être évaluée sur des observations qui n’ont pas servi à l’estimation. Pour l’actuaire, une deuxième distinction s’impose. Prédire une nouvelle observation n’est pas nécessairement prévoir l’avenir.

Prenons une base de contrats automobiles couvrant les années 2020 à 2025. On peut en utiliser une partie pour entraîner un algorithme et conserver le reste pour mesurer sa performance. Une validation croisée permettra de répéter l’exercice. Un excellent résultat démontrera que le modèle sait prédire des contrats qu’il n’avait jamais vus. Mais ceux-ci appartiennent au même environnement que les données utilisées pour l’apprentissage. C’est l’idée de « généralisation », pierre centrale de l’apprentissage automatique. Mais que nous dit cette validation sur la performance du modèle en 2030 si, entre-temps, le parc automobile, les comportements de mobilité ou le coût des réparations ont changé ? Beaucoup moins. Nous pensions tester notre capacité à prévoir demain. Nous testions surtout notre capacité à prédire une autre observation issue du même régime statistique.

La littérature sur le dataset shift a formalisé précisément ce problème. Les méthodes usuelles de machine learning supposent généralement que les données d’apprentissage et les données sur lesquelles le modèle sera utilisé suivent la même distribution. Or, dans le monde réel, les conditions d’utilisation diffèrent souvent des conditions dans lesquelles le modèle a été construit. Le cas le plus simple est le covariate shift. La population change, mais la relation entre les caractéristiques observées et le risque reste stable. Des méthodes de repondération permettent alors de donner davantage de poids aux observations passées qui ressemblent à la population future.

Mais cette solution suppose précisément que le mécanisme sous-jacent n’ait pas changé. Repondérer les incendies anciens ne suffit pas si leur propagation se transforme. Repondérer les accidents anciens ne suffit pas si la technologie des véhicules en modifie les conséquences. Et la littérature technique souligne elle-même que la validation croisée ordinaire peut devenir biaisée lorsque les distributions d’apprentissage et d’utilisation diffèrent. Le problème n’est donc plus simplement statistique. Il faut déterminer ce qui peut raisonnablement être transposé du passé vers l’avenir.

Quand le futur ne peut pas être validé

Les sciences du climat offrent ici un parallèle particulièrement éclairant. À court terme, la prévision météorologique annonce la température de la semaine suivante, puis on observe ce qui s’est passé. Les erreurs peuvent être rapidement mesurées et les modèles améliorés. Mais à long terme, pour le climat de 2070, cette boucle n’existe pas. David Stainforth et ses coauteurs soulignaient dès 2007 qu’à ces horizons, le problème est fondamentalement un problème d’extrapolation. Les modèles simulent des états du système que nous n’avons jamais observés. Leur capacité à reproduire le passé est nécessaire pour inspirer confiance, mais elle ne suffit pas à les calibrer pour un régime futur différent.

Une distinction devient alors essentielle. Il y a ce que nous ignorons dans un modèle, par exemple la valeur exacte d’un paramètre. Et il y a ce que nous ignorons sur le modèle : certains mécanismes peuvent manquer, certaines interactions être imparfaitement représentées, certaines échelles mal décrites. C’est ce que Stainforth et ses coauteurs appellent notamment l’inadequacy du modèle. Cette forme d’incertitude devient particulièrement importante précisément lorsque l’on extrapole vers des situations nouvelles.

Elle modifie aussi le statut des probabilités produites par les modèles. Une distribution obtenue à partir d’un ensemble de simulations n’est pas automatiquement une distribution de probabilités des états futurs du monde. Stainforth et ses coauteurs sont très explicites sur ce point : la fréquence des résultats au sein d’un ensemble de modèles peut être utile pour comprendre les modèles, sans représenter pour autant la probabilité du comportement réel du climat. La leçon est directement actuarielle, au sens où estimer une probabilité n’est pas exactement la même chose que connaître une probabilité. Un quantile à 99,5%, une perte bicentennale ou une distribution prédictive peuvent donner une impression de précision considérable, avec plusieurs chiffres après la virgule. Cette précision est parfaitement légitime lorsqu’elle quantifie une incertitude statistique bien identifiée. Elle l’est moins si elle fait oublier l’incertitude sur le mécanisme qui a permis de produire le chiffre. Reconnaître cette limite ne conduit pas à abandonner les modèles. Cela oblige à préciser ce que leurs nombres signifient.

Faut-il vraiment mieux prévoir pour mieux décider ?

Reste une question embarrassante : comment décider si nous ne savons pas prévoir avec suffisamment de précision ? Suraje Dessai, Mike Hulme, Robert Lempert et Roger Pielke posaient en 2009 une question volontairement provocatrice : Do We Need Better Predictions to Adapt to a Changing Climate? Leur cible était une logique qu’ils qualifiaient de predict-then-act : produire d’abord la meilleure prévision possible du futur, puis choisir l’action optimale compte tenu de cette prévision. Cette démarche fonctionne lorsque l’incertitude peut être suffisamment réduite. Elle devient plus fragile lorsqu’une décision doit être prise avant que l’incertitude soit résolue, ou lorsque certaines incertitudes sont irréductibles.

Suraje Dessai et ses coauteurs proposent alors de renverser la question. Au lieu de demander quelle décision serait optimale si notre prévision est correcte, on examine les performances de plusieurs décisions dans une gamme de futurs plausibles. Une stratégie est robuste si elle demeure satisfaisante sous des hypothèses sensiblement différentes. Robert Lempert, Steven Popper et Steven Bankes poussent cette logique plus loin dans leurs travaux sur la décision sous incertitude profonde. Celle-ci apparaît lorsque l’on ne connaît pas, ou que l’on ne parvient pas à s’accorder sur le bon modèle du système, les distributions de probabilité pertinentes, voire la manière d’évaluer certains résultats. La réponse n’est alors plus nécessairement de rechercher la solution optimale pour un futur privilégié, mais une stratégie qui résiste à plusieurs futurs et qui puisse évoluer à mesure que de nouvelles informations deviennent disponibles.

Cette idée est désormais suffisamment installée pour que le dernier rapport du GIEC consacre explicitement une place aux méthodes de décision robuste sous incertitude profonde : poser des questions de type « que se passerait-il si ? », conserver de la flexibilité et rechercher des politiques qui fonctionnent dans des futurs différents. Pour les actuaires, le déplacement n’est finalement pas si exotique. Il ressemble beaucoup à un stress test. Au lieu de demander seulement « quel est mon meilleur modèle du risque ? », on peut demander « quelles modifications plausibles du monde rendraient ma décision actuelle mauvaise ?

Des probabilités aux storylines

Les storylines développées en sciences du climat offrent une façon concrète de répondre à cette deuxième question. Theodore Shepherd et ses coauteurs définissent une storyline comme un déroulement cohérent et physiquement plausible d’événements passés ou futurs. Il ne s’agit pas nécessairement de lui attribuer une probabilité. L’objectif est d’étudier les mécanismes susceptibles de produire une situation et les conséquences qui en découleraient. Pour l’assurance, le raisonnement est très naturel.

On peut partir d’une catastrophe historique et demander ce que produirait aujourd’hui un événement analogue dans un climat plus chaud, sur un territoire davantage urbanisé et avec des valeurs assurées plus importantes. On peut aussi partir d’un portefeuille et rechercher les combinaisons d’événements susceptibles de le mettre en difficulté. Les storylines se prêtent notamment aux risques composés : sécheresse et chaleur, vent et fortes précipitations, crue et surcote. Aucun phénomène pris isolément ne doit nécessairement être exceptionnel pour que leur combinaison produise des conséquences extrêmes. Elles permettent ainsi de partir d’une vulnérabilité pour construire un stress test cohérent.

La démarche est même décrite comme un passage possible de la prédiction à l’exploration. Aux Pays-Bas, par exemple, l’adaptation à l’élévation du niveau marin s’appuie sur des scénarios susceptibles d’être révisés à mesure que les connaissances changent. Il ne s’agit donc pas de remplacer les probabilités par des histoires. Il s’agit de ne pas demander aux probabilités davantage qu’elles ne peuvent fournir. À la question classique, « quelle est la probabilité de cet événement ? », s’en ajoute une autre « que faisons-nous s’il se produit ? »

Un actuariat réellement prédictif

L’actuariat ne doit évidemment pas cesser de regarder le passé. Il reste sa principale source d’information, et l’assurance repose toujours sur la capacité à faire apparaître des régularités collectives derrière l’incertitude individuelle. Mais il faut peut-être distinguer trois opérations.

  • Décrire consiste à identifier les régularités du passé.
  • Prédire consiste à appliquer ces régularités à une nouvelle observation issue d’un environnement comparable.
  • Prévoir consiste à se demander ce qu’elles deviennent lorsque cet environnement change.

C’est cette troisième ambition qui prend aujourd’hui une importance croissante. Elle oblige à expliciter ce qui, dans nos modèles, est supposé rester stable. Elle demande parfois de compléter les corrélations historiques par une compréhension des mécanismes. Elle conduit à tester les modèles dans des scénarios où leurs hypothèses cessent d’être vraies. Et elle invite à rechercher non seulement des décisions optimales dans un scénario central, mais des décisions suffisamment robustes dans plusieurs futurs plausibles.

La distinction proposée il y a un siècle par Frank Knight retrouve alors une actualité presque inattendue. Le défi contemporain n’est pas de renoncer à cette opération visant à transformer l’incertitude en risque. Il est d’identifier les situations dans lesquelles elle devient plus difficile, parce que les sinistres futurs seront produits dans des conditions différentes de celles qui ont produit nos données.

Pendant longtemps, l’actuaire a pu traiter le futur, au moins approximativement, comme un nouvel échantillon du passé. Il lui faut désormais apprendre à faire quelque chose de plus difficile : utiliser le passé pour penser un avenir qui ne lui ressemblera pas nécessairement. Le « territoire inconnu » évoqué par Gavin Schmidt n’annonce donc pas la fin de la prévision actuarielle. Il pourrait au contraire marquer le moment où elle commence vraiment.

Références

Rodolphe Bigot et Arthur Charpentier (2020). « Quelle responsabilité pour les algorithmes ? » Risques, 122, 113-119.

Suraje Dessai, Mike Hulme, Robert Lempert et Roger Pielke Jr. (2009), « Do We Need Better Predictions to Adapt to a Changing Climate? », Eos, 90(13), 111-112.

Emil J. Gumbel (1958), Statistics of Extremes, Columbia University Press.

Frank H. Knight (1921), Risk, Uncertainty and Profit, Houghton Mifflin.

Robert J. Lempert, Steven W. Popper et Steven C. Bankes (2003), Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis, RAND.

Vincent A. W. J. Marchau, Warren E. Walker, Pieter J. T. M. Bloemen et Steven W. Popper (dir.) (2019), Decision Making under Deep Uncertainty: From Theory to Practice, Springer.

Joaquin Quiñonero-Candela, Masashi Sugiyama, Anton Schwaighofer et Neil D. Lawrence (dir.) (2009), Dataset Shift in Machine Learning, MIT Press.

Gavin Schmidt (2024), « Climate models can’t explain 2023’s huge heat anomaly — we could be in uncharted territory », Nature, 627, 467.

Theodore G. Shepherd et al. (2018), « Storylines: an alternative approach to representing uncertainty in physical aspects of climate change », Climatic Change, 151, 555-571.

Galit Shmueli (2010), « To Explain or to Predict? », Statistical Science, 25(3), 289-310.

David A. Stainforth, Myles R. Allen, Emily R. Tredger et Leonard A. Smith (2007), « Confidence, Uncertainty and Decision-Support Relevance in Climate Predictions », Philosophical Transactions of the Royal Society A, 365, 2145-2161.

GIEC (2022), « Decision-Making Options for Managing Risk », chap. 17 de Climate Change 2022: Impacts, Adaptation and Vulnerability

Actuarial science

When urban flood models disagree: hydrological equifinality as actuarial model risk

Leave a comment

My short article, when urban flood models disagree: hydrological equifinality as actuarial model risk, was recently published in the European Actuarial Journal. In a nutshell, I tried to address the question “how much does a flood that has not happened yet cost?”
For insurers, answering that question involves a surprisingly long chain: rainfall has to become runoff, runoff has to become water in streets and buildings, damage has to be estimated, and finally translated into insured losses. Here, I focus on something hydrologists have known for a long time: several perfectly plausible models can fit the same observations and still tell quite different stories about what might happen next, this is known as equifinality, and I argue that actuaries should think of it as a form of model risk.
The issue is especially important in cities, where drainage systems, sewers, micro-topography, flood defences and highly concentrated property values can make small modelling choices financially significant. Two reasonable flood models may therefore lead to different premiums, underwriting decisions, reinsurance needs, capital requirements, or even different conclusions about whether a prevention measure is worth investing in. So uncertainty is not simply about whether a “100-year flood” might occur; it is also about the modelling chain through which water eventually becomes an insurance claim. My main argument is that insurers should make this disagreement visible, by comparing plausible models and asking whether their decisions remain robust across them. We need to price flood risk, of course, but we should also price, or at least acknowledge, our uncertainty about the models we use to describe it.

Actuarial science

Open Review: La Société au prix du risque

Leave a comment

Après plus de dix ans à écrire des billets de blog et des textes destinés à un public plus large, j’ai profité de cette année pour reprendre, actualiser et rassembler une partie de ces réflexions. Le résultat est un petit livre non technique, La Société au prix du risque — Assurance, algorithmes et climat à l’âge de la prédiction.

À mesure que les données deviennent plus fines et les modèles plus puissants, les assureurs peuvent mieux distinguer les personnes, les comportements et les territoires. Mais mieux prévoir ne dit pas encore comment répartir les pertes, quelles différences doivent être tarifées, ni ce qui doit rester mutualisé. En partant de l’histoire de l’assurance, des pratiques actuarielles, des algorithmes de décision et des risques climatiques, le livre montre que la précision technique ne fait jamais disparaître les choix politiques. Elle peut soutenir la prévention et renforcer la protection, mais aussi individualiser des vulnérabilités produites collectivement. L’enjeu n’est donc pas de renoncer aux modèles, mais de décider démocratiquement ce qu’ils peuvent faire, quelles conséquences leur attacher et comment éviter que chacun ne soit laissé seul avec son risque.

Le livre est disponible en open review jusqu’en décembre. Tous les commentaires, critiques et suggestions sont les bienvenus. Il suffit de créer un compte sur hypothes.is, puis lors de la lecture, il suffit de sélectionner le passage que vous voulez, commenter, cliquer sur “annotate”

puis une fenêtre va s’ouvrir pour mettre les commentaires.

Actuarial science

Open Review: Risk Priced Society

Leave a comment

After more than ten years of writing blog posts and essays for a broader audience, I used this past year to revisit, update, and bring some of those ideas together. The result is a short, non-technical book, Risk-Priced Society — Insurance, Algorithms and Climate in the Age of Prediction.

As data become more granular and models more powerful, insurers can distinguish more precisely between people, behaviours, and places. But better prediction does not tell us how losses should be shared, which differences should affect prices, or what should remain pooled. Drawing on the history of insurance, actuarial practice, decision algorithms, and climate risk, the book argues that technical precision never eliminates political choice. It can support prevention and strengthen protection, but it can also individualise vulnerabilities that are collectively produced. The challenge, then, is not to reject models, but to decide democratically what they should be allowed to do, what consequences should follow from them, and how to avoid leaving each person alone with their risk.

The book is open for review until December. Comments, criticisms, and suggestions are all very welcome. You just need an hypothes.is account. Select a part you want to annotate,

and then add all comments you want to make

Actuarial science

Optimal Transport for Actuarial Science (lecture notes)

Leave a comment

Before leaving Kyoto to go back to Montréal (and enjoy some summer break), I uploaded some lecture notes, on Optimal Transport for Actuarial Science, on HAL (soon on ArXiv ?).

These lecture notes introduce optimal transport as a mathematical language for actuarial science. They treat losses, premiums, scores, reserves, capital scenarios, climate losses and lifetime distributions as probability measures that can be compared, transported, averaged, stressed and interpolated. The first part develops the main tools: couplings, push-forwards, discrete and continuous Kantorovich problems, duality, Wasserstein distances, quantile transport, barycenters, entropic regularization and statistical optimal transport. The second part applies these tools to risk measures, Wasserstein robustness, pricing and capital, portfolio drift, reserving cash-flow distributions, climate-prevention diagnostics, reinsurance, dependence uncertainty, capital allocation, distributional fairness diagnostics and longevity risk. Later chapters and appendices discuss counterfactual transport, dynamic formulations, unbalanced transport, Schrödinger bridges, cost engineering and computational labs in R. The emphasis is on actuarial modelling choices: the state space, the ground cost, the ambiguity radius, the reference distribution and the interpretation of the transport plan. Transport maps and couplings are used as distributional objects, not as causal claims unless additional assumptions are imposed.

(pictures will be coming in the updated version, this Fall).

Actuarial science

The price of proof: insurance policies for an AI-enabled world

Leave a comment

In The Actuary, the official magazine of the Institute and Faculty of Actuaries, in the UK, a short article.

AI is often discussed as a tool for insurers: a way to improve pricing, underwriting, fraud detection, claims management and customer service. But it is also becoming an object of insurance. Firms use AI systems in customer service, legal drafting, software development, marketing, finance, logistics, medical triage, compliance, credit decisions and operational workflows. These systems can generate losses due to erroneous advice, discriminatory decisions, privacy breaches, intellectual property disputes, cyber incidents, automated pricing errors, contractual liability, professional negligence, reputational harm or failures of autonomous agents.

It is true that AI creates a new risk, but only partly. Many of the problems it raises are familiar to insurers: limited historical data; fast evolving technology; opaque models. The insured may know more than the insurer, and service quality may be difficult to observe. Failures may be discovered only after deployment, and claims may involve complex questions of causation and responsibility. These are not new actuarial problems. Catastrophe insurance, cyber insurance, professional liability, product liability, and technology errors and omissions already involve uncertainty, model risk, asymmetric information and delayed discovery.

What is distinctive is the scale and structure of dependence. AI risk is not just a risk attached to one firm using one tool: many firms may rely on the same model, provider, cloud infrastructure, application programming interface (API), dataset, plugin or agent framework, so a single failure can produce many losses at once. This is the core accumulation problem. The insurer is not only underwriting the insured firm – it is indirectly underwriting part of the technological stack on which that firm depends.

This connects AI risk to cyber risk, but with an additional layer. Cyber insurance already struggles with common vulnerabilities, shared software, cloud concentration and network effects. AI adds common models and common behaviours. A faulty model update, compromised API, contaminated dataset, systematic retrieval failure or recurring hallucination pattern may affect many insureds simultaneously. The loss process is not independent across policyholders because policyholders share parts of the same AI supply chain.

To be continued…

Actuarial science

International Workshop on Risk and Insurance, 서울, June 2026

Leave a comment

In three weeks, the International Workshop on Risk and Insurance will be organized in 서울 (Seoul, Korea), prior to the Insurance: Mathematics & Economics conference. We were asked to send our slides in advance, so I thought I could be nice to share them (slides are available here). I will be the very first speaker of the day, in a session “AI Revolution and Cyber Risks”.

Over the past ten years, we have heard a lot about the AI revolution in actuarial science. Very often, the narrative is by technological optimism: more data, more models, more automation, and therefore better pricing, better decisions, and better insurance. In this talk, I plan to take a step back. Not to deny the importance of AI, of course, but to return to a more fundamental actuarial question: what makes a risk insurable? I will take two perspectives: first, information granularity and mutualization; second, AI itself as an insured exposure. The first part will be about granularity and mutualization. Insurance transforms individual heterogeneity into risk classes, but as information becomes more granular, the boundary between what is pooled and what is individualized shifts. I will move from information asymmetry to information granularity, then to natural catastrophe maps, and finally to actuarial fairness. In the second part, I will turn to AI risk in insurance: not AI as a tool for insurers, but AI as a risk that insurers may have to cover.

Let me start with the first part: granularity and mutualization. Insurance relies on a form of shared ignorance. We do not know who will have an accident, who will fall ill, or which house will be flooded. This uncertainty makes pooling possible. But ignorance is never complete. Actuaries observe variables, build classes, estimate frequencies, and price risks. The history of pricing is therefore a history of compromise between measuring heterogeneity and preserving mutualization. This slide gives a very classical way of seeing the problem. If there is a latent risk factor, which I call theta, total variance can be decomposed into within-risk variance and between-risk variance. The first part is the residual uncertainty that remains pooled. The second part is systematic heterogeneity across individuals or groups. But in practice, insurers do not observe theta. They observe covariates: age, location, car type, claim history, scores, and so on. These variables move part of the uncertainty from the insurer to the policyholder. The last formula is the key one. It separates irreducible risk from epistemic uncertainty, or misclassification. More granular information reduces misclassification, but it also turns pooled uncertainty into priced heterogeneity.

The classical issue in insurance economics is information asymmetry.  In Akerlof, or in Rothschild and Stiglitz, the problem is that policyholders may know more about their risk than insurers. If high-risk individuals buy more coverage than low-risk individuals, pooling contracts may become unstable. Empirically, this leads to a simple question: after controlling for observable risk characteristics, do coverage choices still predict losses? The genetic-testing debate makes this very concrete. Individuals may know something about their future risk that insurers cannot observe, or are not allowed to use. Traditionally, the fear was that policyholders knew too much. Today, with big data, we may also ask what happens when insurers know almost too much.

With granularity, the problem changes. It is no longer only about asymmetric information between the insured and the insurer. It is about reducing epistemic uncertainty. Things that were previously hidden become partially observable: behaviour, location, telematics, digital traces, health signals, and social proxies. Statistically, this is attractive: prediction improves. But actuarially and socially, it is more ambiguous. Better prediction also redistributes premiums, makes some risks more visible, and may turn solidarity into sorting. Removing protected variables is not enough. In rich data environments, proxies can reconstruct what we claim to exclude. So the question becomes normative: what should be priced, what should be pooled, and what should be used only for prevention? Note that the same issue arises with past criminal records: even if the information is predictive, should it remain admissible forever? Inclusive insurance requires a temporal dimension of data governance. Some information may be relevant at one point, but should progressively lose its underwriting legitimacy.

Natural catastrophes make this problem very concrete. For a long time, some climate risks were pooled at a broad scale. But risk maps, climate models, and fine geographic data now identify areas that are much more exposed than others. Even when a system is formally solidaristic, access to coverage may depend on the underlying household insurance contract. If insurers withdraw locally, or impose stricter conditions, formal solidarity may remain while effective access to insurance declines. So granularity does not only produce more accurate prices. It can also produce non-insurance, selective underwriting, or local market withdrawal.

This leads naturally to actuarial fairness. We often say that equal risks should pay equal premiums. But what does “equal risks” mean? Equal given all available information? Equal within a tariff class? Equal for a score? Equal within a protected group? Actuarial fairness is always relative to an information set. More granular information gives a more individualized notion of equality. Coarser information preserves more mutualization. This creates a tension between actuarial adequacy, solidarity, and causal legitimacy. A variable may be predictive without being socially acceptable. Conversely, excluding a variable may preserve solidarity, but at the cost of cross-subsidies and possibly selection.

I now move to the second part: AI risk in insurance. The link with the first part is this: so far, I have discussed AI and data as instruments of classification. But AI is also becoming a source of risk. Firms use models to code, advise, filter, recommend, automate, and decide. So the question is no longer only: how do insurers use AI? It is also: how do we insure organizations that use AI?

There is already a large discussion about AI for insurance: pricing, fraud detection, claims management, customer service. I want to reverse the perspective. AI is becoming an insured exposure. AI-related losses may not appear in a new line called “AI insurance.” They will appear through existing lines: cyber, technology E&O, professional liability, product liability, D&O, and regulatory risk. What is new is the combination of opacity, speed, scale, version changes, dependence on external providers, and difficult ex-post attribution. The actuarial question is not simply: what is the historical frequency of AI failures? The question is whether the risk can be bounded, observed, priced, monitored, and evidenced.

The first insurance problem is accumulation. A portfolio may look diversified: different firms, sectors, and countries. But they may all rely on the same models, APIs, cloud providers, datasets, retrieval systems, or agent frameworks. A model bug, a bad update, a prompt-injection vulnerability, a compromised API, or a provider failure can generate correlated losses across many insureds. This weakens the usual law-of-large-numbers intuition. Risks are not independent if they share the same technological infrastructure. Underwriting AI therefore requires mapping the AI supply chain: provider, model version, API, data, RAG system, agents, tools, and update process.

This slide introduces a recent report on AI risk prioritization. I would not take the probabilities literally; it is a study based on expert judgment. But it is useful because it frames AI risks as systemic, cross-sectoral, and unevenly distributed. The key point for insurance is the mismatch between vulnerability and control. The actors most exposed to harm are not necessarily those who control the models. Users, clients, and affected third parties may bear the consequences, while mitigation often depends on developers, providers, regulators, governments, or standards bodies. This raises a classical insurance question: who bears the risk, who controls the risk, and who can produce evidence after a loss?

Large language models (LLMs) are a particularly interesting case. The issue is not only hallucination. It also includes retrieval errors, prompt injection, privacy leakage, biased outputs, insecure code, incorrect tool use, and automation of decisions that should remain supervised. Benchmarks are not enough. They evaluate controlled tasks. Insurance deals with deployed systems, real users, real incentives, changing environments, and downstream losses. LLMs shift the cost of reliability. Producing an answer becomes cheap; verifying it may become expensive. And “human-in-the-loop” is not a magic control. A human can only control the system if they have time, competence, authority, and incentives to challenge the machine.

This brings me to a central point: insurability depends on proof. An insurance policy cannot simply say: “we cover AI risk.” It must define the insured system: the use case, model, version, provider, data source, retrieval layer, tools, agents, and update regime. It must also define evidence obligations: logs, audits, monitoring, incident reporting, version retention, red teaming, escalation procedures, and human review. Insurance can play a disciplinary role here. If nobody pays for proof before the loss, everybody pays for uncertainty after the loss. Conversely, if coverage depends on traceability, insurance creates an economic incentive to document and control AI systems.

I will end with vibe coding. Lawrence Lessig famously said that “code is law”, twenty five years ago: code does not only execute rules; it structures what is possible, impossible, easy, costly, visible, or invisible. But if code is generated by AI from prompts, modified quickly, integrated by agents, and sometimes deployed without serious human review, a new question appears: who can reconstruct the history of the code after a loss? The risk is not only that AI-generated code may be wrong. The risk is that nobody can say exactly what was asked, what was generated, which model version was used, which dependencies were added, which tests were run, and how the code reached production. For insurers, the right question is not: “Do you use AI to code?” Almost everyone will. The real question is: “Through which process can AI-generated code enter a critical system?” And this brings us back to very concrete underwriting tools: prompt logs, model versions, human review, tests, vulnerability scanners, SBOMs, deployment rules, and exclusions for unverified autonomous deployment. The broader conclusion is that AI does not eliminate classical actuarial questions. It makes them more visible: mutualization, accumulation, information asymmetry, evidence, moral hazard, control, and responsibility.

Actuarial science

Recoverability of market-wide fair insurance premiums under selection bias

Leave a comment

Our article, Recoverability of market-wide fair insurance premiums under selection bias, with Marie-Pier Côté and Olivier Côté, was published in Insurance: Mathematics & Economics.

Fairness adjustments in insurance pricing are defined relative to a reference population, i.e., to a joint distribution of (X, D, Y) where X are rating factors, D protected attributes, and Y is claim amount. Because an insurer’s portfolio is generally a selected subpopulation, portfolio and population reference distributions typically differ, so portfolio-calibrated and population-calibrated fairness adjustments need not coincide. In what follows, we use selection bias as an umbrella term for any discrepancy between an observed sample and its target population. We call portfolio composition bias the insurance-specific form of selection bias induced by the portfolio inclusion mechanism (underwriting/marketing), which makes each insurer’s portfolio a selected subpopulation. Relying on causal inference and a portfolio composition indicator, we characterize how portfolio composition bias affects common premium adjustments (unawareness, discrimination-free pricing, and transport-based corrective pricing), and we provide restrictive conditions under which portfolio and population adjustments coincide. We propose estimators to recover the fairness-adjusted premiums on the regulator-intended target population from selection-biased data, by using externally available information on the population marginal distribution of the prohibited attribute D. We study this scope mismatch from the policyholder’s perspective: we model the market premium faced by a newly entering policyholder (not yet assigned to any portfolio) as a mixture of insurer-specific premiums, weighted by the probability of being assigned to each insurer. Under this view, a pricing rule can satisfy a fairness criterion within each insurer’s portfolio yet produce direct or proxy discrimination in the market when portfolio inclusion depends on X and/or D. Finally, we show that enforcing portfolio-level balance on population-intended fair premiums can reintroduce portfolio composition bias, highlighting a regulatory trade-off between portfolio balancing and market-wide fairness. We focus on recoverability: which population-level fairness targets are identifiable from portfolio data, and what minimal external information is required to recover them.

Catastrophes

« Pelleter en avant » (sécheresse, cumul et causalité, le cas du RGA en France)

Leave a comment

Au Québec, on utilise une jolie expression, « pelleter en avant », ou « pelleter par en avant »,

Fait référence à quelqu’un qui déneige en pelletant la neige en avant de lui, ce qui l’amène à cumuler cette dernière dans son chemin. Il doit donc déplacer une quantité de plus en plus grande de neige au fur et à mesure qu’il progresse. Cela fait en sorte, notamment, qu’un jour ou l’autre, il ne pourra plus pelleter par en avant.

J’y pensais ce matin en lisant l’article de L’Argus de l’assurance consacré aux maisons fissurées par la sécheresse (Maisons fissurées : la sécheresse fragilise la solidarité nationale, les propriétaires pourraient payer l’essentiel d’une facture de plus en plus coûteuse). Si on le regarde de trop prêt, comme bien souvent, le sujet semble très technique (argiles, fissures, fondations, arrêtés de catastrophe naturelle, expertises), mais avec un peu de recul, on voit facilement la dimension politique. Qui paiera demain les fissures qui lézardent des centaines de milliers de maisons françaises ? Les assureurs ? L’État ? Les propriétaires eux-mêmes ? Oui, on reconnait des sujets que j’aborde depuis pas mal de temps sur le blog. Parce que l’article rappelle que l’explosion des sinistres liés au retrait-gonflement des argiles menace aujourd’hui l’équilibre du régime des catastrophes naturelles, construit depuis 1982 autour d’un principe de solidarité nationale.

Pour donner un peu de contexte, cette histoire de “retrait-gonflement des argiles“, ou RGA, est un phénomène bien connu des géotechniciens. En une phrase, en période sèche, certains sols argileux se rétractent , et lorsque l’eau revient, ils gonflent. Ces variations sont lentes, mais peuvent atteindre une amplitude suffisante pour endommager les bâtiments. Géorisques rappelle que la grande majorité des sinistres concerne les maisons individuelles. Et ce risque n’est plus du tout marginal. Le dossier Géorisques indique que, depuis 2016, les sécheresses de grande ampleur se succèdent, avec une charge annuelle moyenne du régime Cat Nat autour d’un milliard d’euros, contre environ 400 millions d’euros sur la période 1989-2015. L’année 2022 aurait atteint 3,5 milliards d’euros de sinistralité sécheresse. L’article de L’Argus ajoute que les modélisations CCR anticipent une hausse du coût annuel moyen de la sécheresse géotechnique de l’ordre de 85% d’ici 2050 sous le seul effet climatique, et de 100% en intégrant l’évolution des biens assurés….

Mais le changement climatique ne frappe pas un parc immobilier neuf, homogène, conçu selon les connaissances actuelles. Il frappe un stock de maisons construites à des époques différentes, souvent avant que le risque RGA ne soit bien intégré dans les pratiques de construction. La Cour des comptes rappelait en 2022 que, sur 19,2 millions de maisons individuelles en France métropolitaine, 10,4 millions se situaient en zone d’exposition moyenne ou forte, et que près de 44% de ces maisons exposées avaient été construites après 1975. À mon avis, ce détail est important. Les années 1970 et 1980 sont aussi celles de l’accession pavillonnaire de masse, des lotissements, de la résidence secondaire démocratisée, de la promesse faite aux classes moyennes : devenir propriétaires, avoir son pavillon, son jardin, parfois son petit appartement au bord de la mer. Les “maisons Merlin” moquées par Coluche (dans le syndicat) peuvent servir d’image de cette époque. Le Monde décrivait en 1982 l’essor de Guy Merlin, promoteur de l’immobilier de loisirs à bas prix, avec 35 000 logements construits et 150 000 personnes logées, dans une logique de diffusion massive de la propriété de vacances. C’est aussi, un peu plus tôt, la période des “Chalandonnettes”, ces maisons individuelles en accession, de type industriel, issues des mesures incitatives portées par Albin Chalandon à la fin des années 1960 et au début des années 1970. Le terme est resté péjoratif : il désigne environ 60 000 à 70 000 pavillons à bas prix, construits dans une logique de standardisation et de promotion privée, dont les déboires ont rapidement nourri une critique de la qualité de conception et de construction (comme le rappelle l’AQC). Il ne s’agit pas de dire que ces programmes expliquent à eux seuls les sinistres actuels. Mais ils donnent du contexte, rappelant quelque chose d’important : le changement climatique ne frappe pas seulement des sols argileux. Il touche en grande partie un stock bâti produit dans une économie de l’accession rapide, du prix contenu et de la vulnérabilité parfois différée. Ce qui n’a pas été payé au moment de la construction — étude de sol, fondations adaptées, gestion fine de l’eau, qualité structurelle — peut revenir, quarante ou cinquante ans plus tard, sous forme de fissures, d’expertises, de contentieux et d’indemnisation CatNat.

Et justement, les documents techniques de la MRN sont clairs, les maisons individuelles sont particulièrement vulnérables parce qu’elles sont souvent légères, peu rigides, fondées superficiellement, et construites sans étude géotechnique préalable permettant d’identifier la présence éventuelle d’argile gonflante. Géorisques décrit même la construction sinistrée typique comme une maison individuelle de plain-pied, reposant sur des fondations inadaptées, avec présence d’arbres à proximité. La Cour des comptes va dans le même sens : en l’absence d’étude de sol, le choix économiquement attractif à court terme peut être celui de fondations non adaptées au sol, moins coûteuses au moment de l’achat mais susceptibles d’entraîner des dommages à plus long terme. Elle note aussi que, dans un marché de la construction fortement concurrentiel, cette option permet d’afficher un prix plus attractif.

Il y a donc une chaîne de valeur complète derrière la fissure, avec un terrain vendu, un permis accordé, une étude de sol parfois absente, un constructeur qui arbitre entre coût et prudence, un promoteur qui vend une promesse d’accession, un acheteur qui regarde surtout le prix, un commune qui urbanise, des règles de prévention qui arrivent tard, puis à la fin, un assureur qui, des années plus tard, reçoit une demande d’indemnisation de sinistre. Comme souvent, l’assureur est le dernier de la chaîne,  celui à qui on présente la facture quand les décisions passées, les défauts de prévention et le changement climatique se rencontrent. Et c’est là que les problèmes commencent…

Dans le régime Cat Nat, il ne suffit pas qu’une maison soit fissurée et qu’une sécheresse ait eu lieu. Encore faut-il que le dommage ait pour “cause déterminante” l’intensité anormale de l’agent naturel, ou, pour le RGA, la succession anormale d’épisodes de sécheresse et de réhydratation. Dans deux rapports publiés par la Chaire PARI (L’assurance des catastrophes naturelles et la cause déterminante des dommages provoqués ou non par la sécheresse/réhydratation des sols), Rodolphe Bigot montre que cette notion de cause déterminante est centrale, mais difficile. Elle n’exige pas que la sécheresse soit la cause exclusive du dommage, seulement qu’elle joue le rôle causal décisif. Or une maison fissurée a rarement une seule cause. Il peut y avoir des argiles, une sécheresse, des fondations insuffisantes, une pente, des arbres, une fuite de canalisation, un drainage mal conçu, une fissure ancienne, un défaut de chaînage. Les guides techniques de l’IFSTTAR rappellent qu’on peut réduire la sensibilité de la maison en agissant à la fois sur l’eau, l’environnement, les arbres, les fondations, le chaînage des murs et l’agencement de la construction. Mais lorsque la maison est déjà construite, parfois depuis quarante ans, ces choix ne sont plus des options simples. Ils sont devenus des coûts de remédiation. Et c’est précisément ce que souligne la Cour des comptes : intégrer les bonnes dispositions dès la construction coûte relativement peu, mais modifier après coup une maison existante (notamment reprendre ses fondations) coûte extrêmement cher. Elle cite des ordres de grandeur allant d’environ 21 000 euros pour certaines injections à 76 000 euros pour des techniques de longrines et micropieux.

On comprend alors pourquoi le RGA est un risque de cumul. Ce n’est pas seulement une succession de sinistres indépendants. C’est un risque où chaque sécheresse peut frapper un bâti déjà vulnérable, parfois déjà fissuré, parfois déjà refusé à l’indemnisation, parfois réparé seulement en surface. La maison garde la trace des épisodes passés. Le dossier d’assurance, lui, essaie de reconstituer cette mémoire avec des expertises, des photographies, des dates, des arrêtés Cat Nat et des arguments de causalité. Dans un incendie, refuser un sinistre peut être une décision de couverture. Le feu est passé. Le dommage est là. Dans le RGA, la fissure reste dans le mur, les fondations restent dans le sol, les argiles continueront à se rétracter et gonfler. Refuser aujourd’hui peut donc parfois signifier : ne pas payer maintenant, mais laisser grossir une facture qui reviendra plus tard. C’est ce que l’on pourrait appeler une perte différée.

Une perte différée n’est pas simplement un sinistre déclaré tardivement. Ce n’est pas seulement un dossier mal provisionné. C’est une perte que l’on croit avoir écartée juridiquement, mais qui continue physiquement d’exister. Le refus d’indemnisation ne l’éteint pas toujours. Il peut la déplacer dans le temps, la rendre plus coûteuse, et surtout plus difficile à attribuer. Plus le temps passe, plus la causalité se brouille, comme le dit Rodolphe Bigot. Les fissures anciennes et nouvelles se mélangent. Les sécheresses successives se superposent. Des travaux partiels (ou cosmétiques) peuvent masquer le problème sans le résoudre. Le propriétaire peut avoir changé. L’assureur aussi. La maison, elle, garde la mémoire des chocs antérieurs. Mais le droit doit répondre à une question binaire : la sécheresse reconnue était-elle, oui ou non, la cause déterminante ? Il ne suffira pas de compter les sinistres payés, il faudra aussi regarder les sinistres refusés, les dossiers rouverts, les contentieux, les maisons déjà expertisées qui reviennent après une nouvelle sécheresse, les réparations insuffisantes, les coûts qui explosent lorsque la reprise en sous-œuvre devient nécessaire. Autrement dit, il faudra suivre le bâti, pas seulement le dossier.

Pour les actuaires, c’est un vrai défi ! Et il faudra s’y atteler parce que les engagements potentiels sont impressionnants. La Cour des comptes reprend les chiffrages de France Assureurs selon lesquels le coût cumulé du risque sécheresse pour les assurances passerait de 13,8 milliards d’euros sur 1999-2019 à 43 milliards d’euros pour les trente années suivantes. Et encore : cette estimation ne tient pas compte de tous les effets possibles de remédiation, ni de la manière dont les nouvelles règles de construction pourraient réduire le risque sur les constructions neuves. Le problème du stock, lui, demeure. Les règles récentes peuvent améliorer les constructions futures, mais elles ne réparent pas les millions de maisons déjà construites. La Cour des comptes l’écrit explicitement : les mesures issues de la loi ÉLAN concernent les constructions nouvellement construites et ne règlent pas le problème des maisons déjà exposées, déjà fragilisées ou potentiellement concernées. Pour ce stock, des mesures de prévention devraient être expérimentées.

En Québecois, je dirais que la stratégie a été de « pelleter en avant » (stratégie classique de gestion des risques en période de contraction budgétaire). Pendant des décennies, on a construit des maisons sur des sols parfois mal connus. On a différé le coût de la prévention. On a laissé la question du sol dans l’angle mort du prix de vente. Puis les sécheresses se sont répétées. Puis les fissures sont apparues. Puis on a discuté de cause déterminante. Puis on a refusé certains dossiers. Puis les maisons sont restées là. À chaque étape, quelqu’un a pu avancer un peu en repoussant le problème, le vendeur du terrain, le promoteur, le constructeur, l’acheteur contraint par son budget, la commune qui cherche à développer son territoire, l’État qui ajuste les critères Cat Nat, l’assureur qui conteste la causalité. À force de « pelleter en avant », la neige s’accumule, devant tout le monde. Elle devient de plus en plus lourde, et à partir une réflexion collective, on a du mal à voir comment régler la facture…

La “cause déterminante” est à mon avis la condition indispensable pour éviter que le régime Cat Nat ne devienne une assurance générale de la construction. Cela veut dire qu’il ne sera pas possible d’indemniser toutes les fissures. Certaines relèvent de défauts constructifs, de travaux mal faits, d’un défaut d’entretien, d’un arbre trop proche, d’une fuite d’eau, ou d’une vulnérabilité qui n’a pas de lien déterminant avec un épisode de sécheresse reconnu. Mais il faudrait regarder les refus avec attention. Certains ne font que déplacer la perte, vers un autre assureur, vers un futur arrêté Cat Nat, vers le propriétaire, vers le contentieux, ou vers le régime dans son ensemble. Pour un risque lent, cumulatif, fortement dépendant du stock bâti, le bon indicateur n’est donc pas seulement le montant payé aujourd’hui. C’est aussi le montant que l’on crée, ou que l’on laisse croître, en ne réparant pas. L’assureur est souvent accusé d’être celui qui ne veut pas payer. Mais dans ce dossier, il est aussi le dernier maillon d’une longue chaîne. Il paie les pots cassés d’un urbanisme, d’une construction, d’une politique de prévention et d’un climat qui ont longtemps avancé séparément. Le RGA rappelle brutalement que l’assurance ne peut pas être le seul lieu où se règle, après coup, le coût des décisions prises avant le sinistre.

Catastrophes

Risques climatiques : la donnée et l’intelligence artificielle ne remplaceront pas la solidarité

Leave a comment

Notre tribune, Risques climatiques : la donnée et l’intelligence artificielle ne remplaceront pas la solidarité, écrite avec Laurence Barry, a été publiée par L’Argus de l’Assurance.

À mesure que les risques climatiques s’intensifient, l’essor des données fines et de l’intelligence artificielle promet une meilleure connaissance des expositions. Mais derrière cette avancée technique se joue un choix fondamental : préserver la logique de solidarité qui fonde l’assurance ou glisser vers une individualisation accrue des risques, au risque d’exclure les plus vulnérables ?

Books

Insurance, Biases, Discrimination and Fairness

Leave a comment

Two years ago, my book “Insurance, Biases, Discrimination and Fairness” was published in the Springer Actuarial series.

Discrimination in insurance is a difficult topic because, in a very specific sense, insurers are expected to discriminate: they classify risks, build risk pools, and differentiate premiums. This is the logic of risk-based pricing and actuarial fairness. But insurance is not only about pricing risks accurately (accuracy is overrated). It is also about mutualization, risk sharing, and solidarity. The real question is therefore not simply whether insurers should differentiate, but which differences should matter, which should not, where the limits should be drawn, and how to navigate a complex world in which several notions and metrics of fairness coexist, sometimes in tension with one another.

In the book, I tried to connect actuarial pricing, statistical discrimination, legal constraints, algorithmic fairness, explainability, mitigation techniques, and the limits of “fairness through unawareness”. I also discuss a dimension that is often overlooked: causality. Correlation may be useful for prediction, but prevention, explanation, and fairness often require asking what mechanism lies behind an observed association.

For those interested in the mathematics, I have also made lecture notes freely available.