Category Archives: Economics

« 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

Des primes d’assurance personnalisées moins chères grâce à l’IA ?

Parution d’un court article, “Des primes d’assurance personnalisées moins chères grâce à l’IA ? Voici pourquoi il s’agit d’une pente glissante”, sur https://theconversation.com/

L’assurance repose sur un principe de solidarité que mettent à mal les algorithmes chargés de constituer nos profils. À mesure en effet que les algorithmes se précisent, la facture se personnalise. Divers profils « à risque » peuvent ainsi se retrouver exclus des régimes d’assurance, tant les coûts sont élevés. La personnalisation a une légitimité évidente. On doit toutefois lui concilier un accès équitable à l’assurance.

Il faut d’abord savoir que l’assurance est traversée par un paradoxe fondamental. D’un côté, ses principes mêmes supposent un mécanisme collectif où chacun contribue selon sa capacité, et tire profit de la solidarité en cas de sinistre. De l’autre, les avancées technologiques, les données de plus en plus massives et les méthodes actuarielles de plus en plus précises poussent à individualiser toujours davantage les tarifs.

À cette tension s’ajoute un cadre légal de plus en plus exigeant, qui interdit toute forme de discrimination fondée sur des données sensibles, parfois corrélées à des facteurs de risque pourtant pertinents.

La suite sur https://theconversation.com/

En attendant, je peux en profiter pour un petit point rapide de grammaire. La version avant la mise en ligne ce matin avait un titre un peu différent

Dans « des primes moins chères », chères est un adjectif qui qualifie les primes (féminin pluriel) : il s’accorde donc → chères. Et cette petite qualification est à distinguer du cas où cher est adverbe (et donc devient invariable), notamment s’il suit des verbes comme coûter, payer, acheter, vendre : on dit ici

  • Ces primes moins chères (adjectif, on accorde).

mais on aurait du écrire

  • Ces primes coûtent moins cher (adverbe, pas d’accord).

si on avait ajouté le verbe coûter… mais avec le verbe être,

  • Ces primes sont moins chères (adjectif, on accorde)

Enfin, c’est ce que je crois avoir compris….

Beyond Human Intervention: Algorithmic Collusion through Multi-Agent Learning Strategies

Our paper, Beyond Human Intervention: Algorithmic Collusion through Multi-Agent Learning Strategies, with Suzie Grondin and Philipp Ratz is now available online

Collusion in market pricing is a concept associated with human actions to raise market prices through artificially limited supply. Recently, the idea of algorithmic collusion was put forward, where the human action in the pricing process is replaced by automated agents. Although experiments have shown that collusive market equilibria can be reached through such techniques, without the need for human intervention, many of the techniques developed remain susceptible to exploitation by other players, making them difficult to implement in practice. In this article, we explore a situation where an agent has a multi-objective strategy, and not only learns to unilaterally exploit market dynamics originating from other algorithmic agents, but also learns to model the behaviour of other agents directly. Our results show how common critiques about the viability of algorithmic collusion in real-life settings can be overcome through the usage of slightly more complex algorithms.

Discounting the Future?

this post is written with Béatrice Cherrier (Research Director, CNRS-ENSAE / CREST)

The first lessons in insurance and financial mathematics address discounting and the value of time, borrowing Christian Gollier’s expression, because insurers must account for this temporal aspect in medium-term annuity calculations. But do these discounting calculations, used for centuries to reflect individual decisions (of policyholders, investors, companies), still make sense when used to guide public policy decisions with long-term consequences, like climate policies?

When Kenneth Arrow joined the IPCC team in 1993, he expressed this concern to the coordinator of certain chapters: discounting in climate economics is as necessary as it is controversial. He wrote: “Your outline is very complete, with one exception. There needs to be discussion of discount rates. To a considerable extent, suggested policies require present costs (reduced carbon consumption) to prevent future disutilities and costs. Clearly, the tradeoff between present and future is very important, controversial though it be” (Cherrier and Duarte 2024).

The history of this transfer of a mathematical tool from the individual to the collective dimension since the 1930s, summarized here, is rich with lessons.
Continue reading Discounting the Future?

The role of government versus private sector provision of insurance

A short paper The role of government versus private sector provision of insurance has just been published in the Journal of Risk and Insurance.

Insurance markets are important for managing risk and promoting economic stability, since they play a key role in mitigating financial losses from unpredictable events such as natural disasters, cyberattacks, and health crises. However, these markets often face challenges, including market failures, information asymmetries, and correlated risks that can destabilize private insurers. In response, governments frequently intervene in insurance markets, either by providing insurance directly or by acting as a reinsurer of last resort. The interaction between government and private sector provision of insurance raises interesting and important questions about the appropriate role of each player in ensuring market efficiency and protecting individuals and businesses from catastrophic risks.

Rapport Langreney : lutter contre le désengagement des assureurs dans la couverture des risques climatiques

Le rapport « Adapter le système assurantiel français face à l’évolution des risques climatiques », co-écrit par Thierry Langreney, Gonéri Le Cozannet et Myriam Mérad a été rendu public le 2 avril 2024. Il contient trente-sept propositions organisées en neuf objectifs, dont le but est de réagencer la responsabilité des différents acteurs que sont les pouvoirs publics, les assureurs, les collectivités locales et les assurés eux-mêmes dans l’assurance, l’adaptation, la prévention et l’atténuation des risques climatiques.

Le régime CatNat : une spécificité française

Le régime de protection contre les catastrophes naturelles (CatNat) a été fondé en 1982 avec pour principes la solidarité nationale (couverture et participation universelle, avec une prime non-indexée sur le risque) et la responsabilité de tous (Loi n° 82-600 du 13 juill. 1982 relative à l’indemnisation des victimes de catastrophes naturelles). Cette responsabilité devait s’exprimer notamment dans l’élaboration d’une cartographie des risques – ou Plans d’exposition aux risques (PER devenus PPR), intégrés aux plans d’occupation des sols (devenus plans locaux d’urbanisme). Pour des raisons de facilité opérationnelle, les assureurs furent immédiatement partie prenante : ce sont eux qui collectent les primes (une surprime sur la prime des contrats multirisques habitation), gèrent les sinistres et peuvent se réassurer auprès de la Caisse centrale de réassurance (CCR), réassureur public, lui-même adossé à la garantie de l’État. La CCR finance ainsi un peu plus de 50 % des sinistres du marché français.

En comparaison à d’autres systèmes nationaux, le régime CatNat est une réussite : il a permis la couverture de la presque totalité du territoire national (hors DOM), pour une prime annuelle modique – de l’ordre de 22 € en moyenne en 2023. Il est aujourd’hui menacé, directement et indirectement, par le réchauffement climatique.

Volet assurantiel

Le rapport commence par le constat d’une aggravation soutenue depuis 2016 des différents périls, portée par les inondations et, plus récemment, le risque de retrait-gonflement des argiles (RGA). En conséquence, le régime CatNat est aujourd’hui déséquilibré. Pour y remédier, une première recommandation consiste à augmenter la surprime de 12 % à 20 % (soit une augmentation moyenne de 15 € par an par contrat), recommandation déjà adoptée en fin d’année et qui entrera en vigueur au renouvellement 2025. De plus, attendu que le réchauffement climatique devrait se poursuivre à horizon 2050, le rapport recommande également une indexation annuelle de 1 % des primes ainsi qu’une indexation des [la suite chez Dalloz Actualité…]

Growth, Degrowth: What Are We Talking About?

This little post has been written with Ewen Gallic,

End of the world, end of the month – same fight!” can often be seen on signs during various demonstrations, in France, but also as the title of the inaugural lesson at the Collège de France by economist Christian Gollier, reminding us that climate change and the economy are facing off in a battle that promises to be bloody. “Growth” seems to be a key element in this battle, but this battle will likely remain in vain as long as this term is not clearly discussed, allowing us to leave the often dogmatic trenches.
Continue reading Growth, Degrowth: What Are We Talking About?

Croissance, décroissance, de quoi parle-t-on ?

Ce petit billet a été coécrit avec Ewen Gallic,

« Fin du monde, fin du mois, même combat, » peut-on lire régulièrement sur des pancartes et les banderoles, lors de diverses manifestations, mais aussi comme titre de leçon inaugurale au Collège de France de l’économiste Christian Gollier, rappelant que le changement climatique et l’économie se font face dans un combat qui s’annonce sanglant. La “croissance” semble être un élément clé dans ce combat, mais ce dernier restera probablement vain tant que ce terme ne serra pas clairement discuté, permettant de quitter des tranchées souvent dogmatiques.
Continue reading Croissance, décroissance, de quoi parle-t-on ?

Oaxaca-Blinder decomposition of changes in means and inequality

Our paper, Oaxaca-Blinder decomposition of changes in means and inequality: A simultaneous approach, with Emmanuel Flachaire, was just published in the Economics Bulletin,

In this paper, we show that a decomposition of changes in inequality, with the mean log deviation index, can be
obtained directly from the Oaxaca-Blinder decompositions of changes in means of incomes and log-incomes. It allows practitioners to conduct simultaneously empirical analyses to explain which factors account for changes in means and in inequality indices between two distributions with strictly positive values.

Note that the Oaxaca-Blinder decomposition actually originated in the work of Evelyn Kitagawa in the 1950’s, to quantify gender discrimination in labour economics.

Kitagawa, E. M. (1955). Components of a difference between two rates. Journal of the American Statistical Association, 50 (272), 1168–1194.

“Notre maison brûle et”… nous espérons que notre assureur ne regarde pas ailleurs

Cet article est la version initiale, sourcée, et un peu plus longue, d’une tribune publiée dans Le Monde, ce dimanche 9 juillet 2023.

En 2015, à la veille de l’ouverture de la COP21, Henri de Castries, PDG d’AXA affirmait qu’“une augmentation de deux degrés de la température moyenne dans le monde peut encore être assurable, mais ce qui est certain, c’est qu’une hausse de quatre degrés ne l’est pas” (leparisien). Huit ans après, le ministre de la transition écologique annonce que “la France va se préparer à une élévation de 4°C” (lemonde). Doit-on alors se préparer à un monde sans assurance ? Car c’est ce que commence à connaître la Californie. La tendance lente de long terme, avec une hausse linéaire de la température, engendre une augmentation au moins exponentielle des catastrophes. Et cette petite différence de deux degrés, correspondant à une tendance bien différente quant aux catastrophes.

L’assurance fonctionne en mutualisant les risques entre de larges groupes de personnes qui paient des primes, puis en versant cet argent aux personnes qui ont subi un sinistre (puf). “The contribution of the many to the misfortune of the few”. Cette vision un peu simpliste correspond au fonctionnement d’une mutuelle d’assurance, les cotisations servant à indemniser les plus malchanceux. Compte tenu de la nature fondamentalement aléatoire des contrats d’assurance, on espère (au sens mathématiques) que les primes permettront de couvrir les pertes. Avec ce raisonnement “en moyenne”, une année sur deux, les assureurs feraient du profit, et une année sur deux, ils n’auraient pas assez d’argent pour indemniser les personnes sinistrés. Pour éviter ce genre de désagrément, la législation impose aux assureurs d’avoir suffisamment de capital pour garantir leur solvabilité, et c’est ce qui est fait dans la plupart des pays. Cela permet de protéger les assurés qui ont acheté la promesse d’une indemnisation dans plusieurs mois si une mésaventure survient. Ce mécanisme fonctionne simplement en assurance automobile, ou en assurance habitation quand il faut indemniser un incendie dans la cuisine, suite à un accident, mais il est mis à mal quand des catastrophes climatiques surviennent, empêchant le mécanisme de mutualisation des risques de fonctionner.

L’assurabilité des risques est caractérisée par trois facteurs: le risque assurable doit être quantifiable et distribué, une population assurable doit être consciente du risque, et être prête à s’assurer et à payer le prix actuariel, et un assureur solvable qui est prêt à porter le risque. Malheureusement, le changement climatique menace ces trois conditions, avec des risques physiques qui peuvent se combiner ou s’accélérer de manière inédite, des horizons à long terme peuvent brouiller la compréhension des risques par les consommateurs, et des pertes potentiellement massives, et durables, qui peuvent dépasser la capacité de couverture des assureurs.

Face au risque de catastrophes, il n’est pas rare de voir se mettre en place des partenariats public-privé. C’est généralement la meilleure solution car on voit de plus en plus d’assureurs privés se retirer, laissant les autorités fédérales ou étatiques intervenir en tant qu’assureur “en dernier recours”, et c’est l’ensemble des contribuables qui est amené à payer la facture (usatoday). C’est aussi parce que ce risque nécessite des infrastructures et des décisions qui ne peuvent être prise que par des décideurs politiques.

Aux États-Unis, l’ouragan Sandy a été la tempête de vent la plus meurtrière à frapper le nord-est des États-Unis en quarante ans, avec des pertes assurées dépassant 25 milliards de dollars (montants actualisés). Les pertes assurées totales estimées à la suite de l’ouragan Ian atteignent 70 milliards de dollars, et les pertes liées aux inondations devraient s’élever à 10 milliards de dollars supplémentaires (columbia). Les incendies de forêt en Californie en 2017 et 2018 ont conduit les assureurs à payer près de 30 milliards de dollars de sinistres alors qu’ils n’ont perçu que 15 milliards de dollars de primes. Et depuis 2020, huit catastrophes ont causé entre 20 et 50 milliards de dollars de dommages (reuters).

La Californie compte une centaine de compagnies proposant des contrats d’assurance habitation. Et au début du mois, le plus gros assureur, State Farm, a fait paniquer le marché, en déclarant qu’elle arrêterait toute nouvelle souscription en Californie, influencée par l’augmentation des coûts de construction, le risque croissant de catastrophes telles que les incendies de forêt et, par conséquent, et l’augmentation du coût de la réassurance (latimes). Le choc a été d’autant plus important que State Farm a simplement rendu public ce que d’autres compagnies d’assurance faisaient discrètement depuis plusieurs années, comme AllState l’a reconnu (latimes), mais aussi le géant de l’assurance American International Group (AIG) qui a commencé à réduire son offre d’assurance habitation dans environ 200 codes postaux à travers les États-Unis, à haut risque d’inondations ou d’incendies de forêt (nbcnews) (insurancejournal). Le coût moyen d’une police d’assurance en Californie est de l’ordre de 2000 dollars en Californie, mais on reste loin des 5000 (wharton) ou 6000 (washingtonpost) dollars  demandés dans dans les villes les plus exposées aux catastrophes climatiques de Louisiane et de Floride.

Dans ces deux Etats, les gens ont du mal à se procurer des polices d’assurance, car de plus en plus d’assureurs quittent l’État, deviennent insolvables (washingtonpost). En Floride, en 1968 (nytimes), les assureurs privés ne voulaient pas couvrir les inondations, ce qui ne laissait aucune option aux propriétaires, et le Congrès a créé le programme national d’assurance contre les inondations (NFIP), qui offrait aux propriétaires une couverture financée par les contribuables. En 1992, suite au passage de l’ouragan Andrew, les assureurs avaient imposé un moratoire sur les affaires nouvelles (washingtonpost), mais le NFIP a été en mesure de couvrir ses engagements à l’aide des primes encaissées, jusqu’au passage des ouragans Katrina et Sandy en 2004, les tempêtes les plus coûteuses de l’histoire des États-Unis (nytimes). Suite à ces catastrophes, un système complexe a été mis en place avec localement, de petites compagnies d’assurance soutenues par Citizens (Property Insurance Corporation), une compagnie mandatée par l’État pour fournir une couverture contre les tempêtes aux propriétaires qui ne pouvaient pas trouver d’assurance privée. Pendant un certain temps, ce système a fonctionné, avec onze années consécutives sans ouragans majeurs (barrons), laissant presque oublié que le risque existait, jusqu’au passage de l’ouragan Irma, en 2017. Les primes pour la couverture fournie par le plan Citizens, ont augmenté de 63 % pour atteindre une moyenne de 5000 dollars par an (tout en empruntant plusieurs centaines de millions de dollars sur le marché obligataire pour payer les demandes d’indemnisation des propriétaires, et éviter la faillite). Récemment, suite au passage de l’ouragan Laura en Louisiane en 2020, plus de 50 compagnies ont cessé d’accepter de nouveaux clients, et 11 se sont déclarées en faillite. En Floride, plus de 15 compagnies ont fait faillite (washingtonpost). Aujourd’hui, le NFIP a une dette qui dépasse les 20 milliards de dollars (columbia, vox).

La Californie a une histoire presque plus complexe, en grande partie car elle n’a pas connu les grandes catastrophes qu’ont subi la Louisiane et la Floride. En 1988, face aux bénéfices des compagnies d’assurance, les consommateurs ont voté la “proposition 103” qui oblige les assureurs à faire approuver par l’État Californien leurs futurs tarifs. Et aujourd’hui encore, si un assureur cherche à augmenter ses primes de 7% ou plus, les défenseurs des consommateurs sont autorisés à prendre partie, et à contester les taux proposés (eenews). Lorsqu’un assureur essaye d’anticiper les pertes d’incendie attendues, pour calculer les primes demandées, il a obligation de faire la distinction entre les pertes d’incendie ordinaires et les pertes catastrophiques. Pour les sinistres ordinaires (incendie d’une cuisine), les projections doivent être faites sur ses “pertes historiques par exposition” sur une période relativement courte (de un à trois ans), alors que pour les risques d’incendies catastrophiques, il faut une base d’au moins vingt ans de pertes réelles et historiques. Pour simplifier, un assureur doit utiliser la moyenne des 20 dernières années (au moins) pour tarifer les années futures. Cette approche dite “rétrospective” a du sens sur les risques rares (qui surviennent une fois tous les vingt ans), mais pas quand les risques augmentent. Or cinq des six plus grands incendies de forêt de l’histoire ont eu lieu en 2020 et quinze des vingt incendies les plus destructeurs de l’histoire de l’État ont eu lieu depuis 2015. Cette croissance exponentielle fait peur aux assureurs, surtout que les primes ne peuvent pas traduire cette hausse prévue par tous les modèles “prospectifs” (eenews).

Car des modèles statistiques fiables existent, tenant compte de divers facteurs de risque (végétation, topographie, température, densité et emplacement des habitations, etc). Mais la loi californienne interdit l’utilisation de ces outils pour calculer les primes. Une autre raison est que les modèles utilisés par les assureurs doivent être rendus publics, et les sociétés de modélisation refusent de le faire (eenews). Il est également impossible aux assureurs d’offrir une couverture contre ce risque, et de se couvrir ensuite auprès des réassureurs, car le calcul de la hausse de prime (dont la limite autorisée est de 7%), les assureurs ne sont pas autorisés à inclure le coût de la réassurance.

Le retrait récent de State Farm en Californie, suivant d’autres assureurs, reflètent une triste et froide réalité : ni les assureurs privés, ni les gouvernements ne sont préparés à l’augmentation exponentielle des pertes liées au risque climatique (climateandcapitalmedia). Le président d’Aon PLC, Eric Andersen, a déclaré devant une commission sénatoriale que “tout comme l’économie américaine a été surexposée au risque hypothécaire en 2008, l’économie est aujourd’hui surexposée au risque climatique”  (scientificamerican). Selon Munich Re, les pertes du secteur mondial de l’assurance liées aux sinistres météorologiques sont passées d’une moyenne annuelle (corrigée de l’inflation) de 10 milliards de dollars dans les années 1980 à 50 milliards de dollars au cours de la présente décennie. Il est difficile de déterminer quel pourcentage de cette augmentation est dû “uniquement” au changement climatique (newrepublic), car le facteur humain est important. En Californie, les lignes électriques (à haute tension) ont toujours été l’une des principales causes des incendies de forêt en Californie (theatlantic). En 2017, la majorité des incendies majeurs sont nés d’étincelles provenant d’équipements défaillants et mal entretenus, résultant de dizaines d’années de sous-investissements publics massifs (nytimes).

A la vue de ce tableau, l’Europe et la France semblent encore chanceuses, mais pour combien de temps ? En France, le mécanisme dit “cat nat”, reposant sur la loi du 13 juillet 1982, encadre le marché des principales catastrophes naturelles depuis plus de 40 ans, malgré de nombreuses alertes (liberation).  Ce mécanisme est fondé sur l’alinéa 12 du préambule de la Constitution du 27 octobre 1946, « la Nation proclame la solidarité et l’égalité de tous les Français devant les charges qui résultent des calamités nationales ». Si cette loi propose un mécanisme assez unique dans le monde, la France n’est pas forcément mieux lotie que la Californie: depuis des années, à demi-mot, certains assureurs reconnaissant qu’ils peuvent hésiter à soutenir l’installation d’un agent d’assurance dans une zone où le risque d’inondation est important.

Le principe de partage et de mutualisation des risques que porte l’assurance pose inéluctablement la question de savoir qui, dans la société, doit payer les coûts du changement climatique, qui augmentent rapidement ? S’agit-il d’un fardeau que nous devons tous assumer de manière égale ? Cela va-t-il faire partie du filet de sécurité sociale reposant sur la “solidarité” nationale ? Ou devons-nous faire payer ce risque par les personnes les plus à risques ? Cette question éthique se pose clairement en assurance santé, mais elle revient sur les risques climatiques, probablement car les techniques de modélisation des risques et d’analyse prédictive deviennent de plus en plus sophistiquées. Sur la base de données météorologiques plus riches et de meilleurs modèles climatiques, les assureurs peuvent mieux estimer l’impact potentiel des événements climatiques localement. Cela pourrait permettre de tarifer les polices avec plus de précision et d’adapter la couverture aux besoins spécifiques des assurés dans les zones à haut risque (climateandcapitalmedia). On retrouve la question importante posée aux assureurs, sur l’endroit où il est légitime de placer le curseur, entre la mutualisation et la solidarité d’un côté, et des calculs actuariels de plus en plus précis de l’autre.

De manière anecdotique, la question de la solidarité et des discriminations s’était posée en assurance dans les aux États-Unis avec le “redlining”, où des zones rouges (désignant historiquement, dans les années 1930, des zones d’immeubles vétustes, ou avec de fortes incidences de maladies) entraînaient une augmentation des primes d’assurance, un non-renouvellement ou un refus de couverture. Dans les années 60, ces zones excluaient des communautés afro-américaines, et le “redlining” a été rendu interdit en 1968 (radio-canada). Aujourd’hui, certaines zones font l’objet d’un marquage “bleu”, couleur par laquelle les banques ou les prêteurs hypothécaires définissent des quartiers ou des communautés plus sensibles aux risques climatiques (columbia).

Un des arguments pour autoriser des hausses de primes d’assurance dans les zones à risques est d’envoyer un signal. Le prix doit être élevé s’il reflète un risque réel, et cacher artificiellement le risque dans une prime trop basse n’incite pas à la prévention. La contrepartie de ces hausses massives des primes d’assurance sera probablement de subventionner les polices pour les personnes à faible revenu vivant dans des zones à haut risque afin d’étendre la couverture, mais l’expérience récente en Floride et en Californie montre les hausses de primes font prendre conscience que le risque augmente. Récemment, Karen Collins, de l’American Property Casualty Insurance Association, comparait les assureurs “au canari dans la mine de charbon” (usatoday). Si on voulait être complètement juste, les assureurs sont la partie visible par le grand public, car en coulisse, “les réassureurs tirent la sonnette d’alarme sur le changement climatique et les risques de catastrophe depuis des décennies“, comme le rappelle Sean Hecht, avocat du bureau régional californien d’Earthjustice (vox). Il est important que les citoyens mais aussi les gouvernements prennent conscience de l’augmentation exponentielle des risques climatiques, en effectuant les changements qui s’imposent (nytimes). Vivre avec des œillères met des vies en danger, et plus longtemps le problème sera ignoré, plus il sera difficile à résoudre. Les plus pessimistes en Californie rappelant que les incendies cesseront lorsqu’il n’y aura plus rien à brûler (theatlantic).

Is there discrimination against the poor?

(With Laurence Barry, we wrote a short article on discrimination against the poor, in French)

In 2013, Martin Hirsch (former director of Emmaüs and Assistance publique – Hôpitaux de Paris) stated “it’s getting expensive to be poor”. This reality was confirmed by a recent study, in France, by the Banque Postale*, which showed that on average, a poor household has to pay 1,500 euros more each year to access the same goods and services as a better-off household, introducing a “double poverty penalty**”. Unfortunately, insurance is not left out: the use of credit scores in many countries reinforces what could be a form of discrimination against the poor. In the United States, where the practice is more common than elsewhere, a commission of inquiry recently tried to explain the link between credit score and claims frequency: is it because, as some insurers argue, people with lower scores are also less careful than others? Or is it because, having less financial means than others, they more naturally ask to be compensated for the losses incurred? And, in this second case, are we not also making them pay twice for their condition?

From excellence to wealth as a virtue

On what criteria do we admire people? For the Greeks, excellence, or arête (ἀρετή), was a major virtue. This excellence went beyond moral excellence: in the Greco-Roman world, the term evoked a form of nobility, recognizable by the beauty, strength, courage, or intelligence of the person. Now this excellence had little to do with wealth: thus Herodotus is astonished that the winners of the Olympian games were content with an olive wreath and a “glorious renown,” peri-bones (περὶ ἀρετῆς). In the Greek ethical vision, especially among the Stoics, a “good life” does not depend on material wealth – a precept pushed to its height by Diogenes who, seeing a child drinking from his hands at the fountain, throws away the bowl he had for all crockery, telling himself that it is again useless wealth.

Greek society is nevertheless a deeply hierarchical society, even if it is organized around values other than material wealth. We can then ask ourselves at what point in Western history wealth became the measure of all things. One thinks then of Max Weber’s theory: the ethics of Protestantism pushes for work and earthly success as a revelation of a divine election to come: the rich of this world would be the chosen of the next. In the same way Adam Smith, taking a critical look at the birth of capitalism in the society of his time, titles a chapter of The Theory of Moral Sentiments (1759) “Of the corruption of our moral feelings occasioned by that disposition to admire the rich and great, and to despise or neglect the poor and lowly.”

Today, the cult of wealth seems to have never been so strong and material success is almost elevated to the rank of virtue. On the other hand, poverty becomes a stigma that is hard to get rid of; but history shows us that this is not natural.

From “good” to “bad” poor

Indeed, the poor have not always been “bad”. As Fulconis & Kikuchi (2017) remind us, the Church has largely contributed to disseminating the image of the “good poor”, as it appears in the Gospels: “happy are you poor, the kingdom of God is yours”; or “God could have made all men rich, but he wanted there to be poor people in this world, so that the rich would have an opportunity to redeem their sins”. Beyond this, the poor is seen as an image of Christ, Jesus having said “whatever you do to the least of these, you will do to me”. Helping the poor, doing a work of mercy, is a means of salvation.

For Saint Thomas Aquinas, charity is thus essential to correct social inequalities by redistributing wealth through almsgiving***. In the Middle Ages, merchants were seen as useful, even virtuous, since they allowed wealth to circulate within the community. Priests played the role of social assistants, helping the sick, the elderly and the disabled. The hospices and xenodochia of the Middle Ages (ξενοδοχεῖον, that “place for strangers,” ξένος) are the symbol of this care of the poor. And quite often, poverty is not limited to material capital, but also social and cultural, to use a more contemporary terminology.

Towards the end of the Middle Ages, the figure of the “bad poor”, the parasitic and dangerous vagabond, appeared. In line with Weber, Todeschini (2021) insists on the increasing value attached to work and social “usefulness”. Brant (1494), the first, begins to denounce these welfare recipients, “some become beggars at an age when, young and strong, and in full health, one could work: why bother”. For Fulconis & Kikichi (2017), this mistrust is reinforced with the great pandemic of the Black Death. Colombi (2020) returns to this turning point, at the end of the Middle Ages, when in the cities, the bourgeois closed their districts with chains, to avoid that “poor and foreigners” settle there. The hygienic theories of the end of the 19th century added the final touch: if fevers and diseases were caused by insalubrity and poor living conditions, then by keeping the poor out, they were protected from disease.

Poor… by choice?

In the words of Mollat (2006) “the poor are those who, permanently or temporarily, find themselves in a situation of weakness, dependence, humiliation, characterized by the deprivation of means, variable according to the times and the societies, of power and social consideration”. Recently, Cortina (2022) proposed the term “aporophobia”, or “pauvrophobia”, to describe a whole set of prejudices that exist towards the poor. The unemployed are said to be welfare recipients and lazy, says Lamy; it is also the famous “where there is a will there is a way”, (which can be found in contemporary expressions such as “those who don’t want to do anything, those who don’t want to work” or “I’ll cross the street and find you a job”). And as is often the case, these prejudices, which stigmatize a group, “the poor”, lead to fear or hatred, generating an important cleavage, and finally a form of discrimination. Cortina’s (2022) “pauvrophobia” is a discrimination against social precariousness, which would be almost more important than “usual” forms of discrimination, such as racism or xenophobia. Cortina ironically notes that rich foreigners are often not rejected.

But these prejudices also turn into accusations. Szalavitz (2017) thus abruptly asks the question, “Why do we think poor people are poor because of their own bad choices?”. The “actor-observer” bias provides one element of an answer: we often think that it is circumstances, which constrain our own choices, but that it is the behavior of others that changes theirs. In other words, others are poor because they made bad choices, but if I am poor, it is because of an unfair system. This bias is also valid for the rich: winners often tend to believe that they got where they are by their own hard work, and that they therefore deserve what they have.

Social science studies show, however, that the poor are rarely poor by choice, and increasing inequality and geographic segregation do not help. The lack of empathy then leads to more polarization, more rejection and, in a vicious circle, even less empathy.

Links between wealth and risk(s)

To discriminate is to distinguish (exclude or prefer) a person because of his/her “personal characteristics”. Can we then speak of discrimination against the poor? Is poverty (like gender or skin color) a personal characteristic? In Quebec, “social condition” (which explicitly includes poverty) is one of the protected variables and therefore prohibited discrimination. This is not the case in France. As Barry & Charpentier (2021) remind us, when actuaries calculate a premium, discrimination directly linked to risk, and provided that the variable is not protected, is generally seen as legitimate. However, it is well known that wealth or social status has a lot to do with risk, whatever it may be. At the global level, Denis Hatzfeld reminds us that “earthquakes are much more deadly in poor countries than in developed countries, which have gradually learned to protect themselves from them. Similarly, Le Hir (2010) states that “A schoolboy is 400 times more likely to die in an earthquake in Kathmandu than in Tokyo”.

This is true for most risks. In France, we find in the deaths due to road accidents 3% of executives and 15% of workers, while they represent nearly 20% of the working population each, according to ONISR (2022). Blanpain (2018) points out that the gap in life expectancy at birth is 13 years between the most affluent and the most modest men. Recently, Allain (2022) noted that the most modest French people, at comparable age and sex, had almost three times more diabetes, twice as much liver or pancreatic disease, 1.6 times more chronic respiratory disease, etc. than the average. Cambois, Laborde and Robine (2008) similarly noted that the number of years of disability for blue-collar workers is also much higher, over a shorter life span on average.

The use of credit scores in insurance

In North America, companies such as Experian, Equifax and TransUnion keep records of the borrowing and repayment activities of all individuals with bank accounts. FICO (Fair Isaac Corporation) offers a formula to convert these records into a score, the credit score. This score is a function of debt and available credit, income and its variations, and history of incidents, bankruptcies or simple delinquencies. It is often seen as an assessment of a person’s creditworthiness, or the likelihood that he or she will repay debts. It is by nature closely related to income (Crowe 2022), making the credit score a robust proxy for wealth. Fourcade and Healy (2013) show that, as a good credit score has become a necessary condition for obtaining credit and maintaining purchasing power, this system has come to create an impenetrable wall between advantaged and disadvantaged classes. In a sense, a bad credit score becomes a self-fulfilling prophecy: people with a bad score (and therefore considered high risk by banks) become dependent on short-term alternatives. This increases the costs of future financing, thus the probability of default (François 2021) but also the probability of not finding a job (this score can be requested by employers****). “Using credit scores to punish the poor exacerbates existing socioeconomic inequalities,” Wang (2018) thus aptly asserts.

As an example, Table 1 compares a few parameters based on people’s credit scores, including the rate obtained for a $150,000 loan over a 30-year horizon, and the average insurance premium charged for car insurance (for a 30-year-old driver, driving 20,000km per year, in the city).

Table 1: Actual price of a $150,000 loan and the amount of a car insurance premium (for comparable coverage and risk profile), based on credit score (ranging from 300 to 850). Source: InCharge Debt Solutions.

Kiviat (2019) has extensively studied the use of credit scores in the pricing of auto insurance in the United States. The US regulator has indeed looked at the proven link between bad credit score and auto risk. What explanation can be given for this correlation? Wouldn’t the score be an indicator of poverty and not a proxy for the driver’s prudence as insurers claim? For if social condition is not a protected variable as it is in Canada, it is still largely associated with skin color, which is a prohibited variable. Discriminating on the basis of credit score could therefore amount to prohibited racial discrimination. By examining the debates around these issues, Kiviat highlights the ethical complexity of using facially neutral variables. And if, as noted above, poor living conditions increase risk in general, it is worth asking whether insurance is not helping to apply the double whammy that Martin Hirsch spoke of to the poor.

References

Allain, S. (2022). Les maladies chroniques touchent plus souvent les personnes modestes et réduisent davantage leur espérance de vie. DREES, 1243
Blanpain, N. (2018). L’espérance de vie par niveau de vie : chez les hommes, 13 ans d’écart entre les plus aisés et les plus modestes. Insee, Insee Première, 1687.
Bourdelais, P. (2001) Les hygiénistes: enjeux, modèles et pratiques. Éditions Belin.
Brant, S. (1494). La Nef des fous (Das Narrenschiff).
Cambois, E., Laborde, C & Robine, J.M. (2008). La “double peine” des ouvriers : plus d’années d’incapacité au sein d’une vie plus courte. Population & Sociétés, n° 441.
Caplovitz, D. (1963). Poor pay more; consumer practices of low-income families. Free Press.
Colombi, D., (2020). Où va l’argent des pauvres. Payot.
Cortina, A. (2022). Aporophobia: Why We Reject the Poor Instead of Helping Them. Princeton University Press.
Crowe, A. (2022). The Relationship Between Income and Credit Score. Credit Sesame Personal Finance and Credit Survey,
Fourcade, M. & Healy, K. (2013). Classification situations: Life-chances in the neoliberal era, Accounting, Organizations and Society, 38 (8): 559–572
François, P. (2021). Catégorisation, individualisation. Retour sur les scores de crédit. Chaire PARI, WP #24.
Fulconis, M. & Kikuchi, C. (2017) Vu du Moyen Âge : du « bon pauvre » au « mauvais pauvre ». The Conversation.
Grossetête, M. (2012) Accidents de la route et inégalités sociales. Les morts, les médias et l’État, Éditions du Croquant.
Kiviat, B. (2019). The moral limits of predictive practices: The case of credit-based insurance scores. American Sociological Review, 84(6), 1134-1158.
Lamy, T. (2022) Assistés, paresseux… pour 50% des Français, les chômeurs sont responsables de leur situation. Capital, décembre 2022
Lauer,J. (2017) Creditworthy: A History of Consumer Surveillance and Financial Identity in America, Columbia University Press.
Le Hir, P. (2010). Catastrophes et pauvreté, la double peine. Le Monde, 22 janvier,
Merton, R. (1968). The Matthew effect in science, Science, vol. CLIX, n° 3810
Mollat, M. (2006). Les pauvres au moyen age (Vol. 11). Éditions Complexe.
ONISR (2022). La sécurité routière en France, bilan de l’accidentalité de l’année 2021. https://bit.ly/3QmuR8H
Pratchett, (1993) Men at Arms, 15ème tome du cycle Discworld, Victor Gollancz Ed.
Smith, A. (1759). La Théorie des sentiments moraux. Presses Universitaires de France, Quadrige.
Szalavitz, M. (2017). Why do we think poor people are poor because of their own bad choices. The Guardian, 5 Juillet
Todeschini, G. (2021) Moyen Âge. La pauvreté a-t-elle un sens ? L’Histoire, février 2021.
Wang, J. (2018), Carceral Capitalism, MIT Press.
Weber, M. (1990 [1904]). L’éthique protestante et l’esprit du capitalisme, Pocket.

* Study entitled “Study of the double poverty penalty in France“, published at the end of 2022 by Action Tank Entreprise & Pauvreté, Boston Consulting Group and the Banque Postale

** This phenomenon, widely studied in the 1960s, see Caplovitz (1963), is known in economics as the “boot theory” (popularized by Pratchett’s novel (1993)), “take boots, for example. A really good pair of leather boots costs fifty dollars. But an affordable pair of boots, which were sort of OK for a season or two and then leaked like hell when the cardboard gave out, cost about ten dollars (…). But the thing was that good boots lasted for years and years.”

*** The notion of redistribution can be contrasted with the “Matthew effect” as defined by Merton (1950). Inspired by a passage from the Gospel according to St. Matthew (which he reverses), he states that “to him who has shall be given, and he shall have plenty; but to him who has not, even that which he has shall be taken away.”

**** This rating practice is actually not new and dates back to the late 19th century: Josh Lauer (2017) shows that as early as 1870, so well before big data or even credit cards, US banks employed assessors to make financial strength reports on people. For Lauer, it is a gigantic surveillance system that was set up at the beginning of the 20th century, leading to the algorithmic credit scores as we know them today (see also François (2021)).