Category Archives: Publications

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

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

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

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

Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression

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

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

KurtHGR: A Neural Maximal Correlation for Tabular Datasets

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

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

Functional Analysis of Loss-development Patterns in P&C Insurance

Our paper, “Functional Analysis of Loss-development Patterns in P&C Insurance” written with Qiheng (Steve) Guo and Mike Ludkovski, is now available on ArXiv.

We analyze loss development in NAIC Schedule P loss triangles using functional data analysis methods. Adopting the functional viewpoint, our dataset comprises 3300+ curves of incremental loss ratios (ILR) of workers’ compensation lines over 24 accident years. Relying on functional data depth, we first study similarities and differences in development patterns based on company-specific covariates, as well as identify anomalous ILR curves. The exploratory findings motivate the probabilistic forecasting framework developed in the second half of the paper. We propose a functional model to complete partially developed ILR curves based on partial least squares regression of PCA scores. Coupling the above with functional bootstrapping allows us to quantify future ILR uncertainty jointly across all future lags. We demonstrate that our method has much better probabilistic scores relative to Chain Ladder and in particular can provide accurate functional predictive intervals.

A Scalable toolbox for exposing indirect discrimination in insurance rates

Our paper, A Scalable toolbox for exposing indirect discrimination in insurance rates”, with Olivier and Marie-Pier Côté, is finally out. It is published as a CAS (Casualty Actuarial Society) Working Papers.

According to actuarial standards of practice, insurance pricing relies on grouping policyholders by risk to set adequate premiums. Modern predictive models, especially machine learning, excel at detecting statistical associations to differentiate risks, but they can learn spurious or undesired correlations. This raises concerns when socioeconomic or demographic factors may (intentionally or inadvertently) affect the fairness of insurance pricing.
Fairness in insurance is difficult to operationalize due to its ambiguity. Fairness metrics from the machine learning literature lack the segment-specific relevance actuaries require and are expressed in abstract units that obscure real-world consequences. For actuaries to intervene, proxy effects and unfair biases must be quantified in insurance-relevant terms: dollars and people.
In this paper, we focus on fairness in actuarial pricing. We study the situation where insurance rates should be fair with respect to a categorical (or discretized) sensitive variable, such as race or economic status, and the latter is fully observed (despite the possible privacy challenges).

  • We argue that actuarial fairness, solidarity, and causality form the three core dimensions of fairness in insurance pricing:
    – Actuarial fairness aligns premiums with expected losses, mitigating cross-subsidies,
    – Solidarity aligns premiums across protected groups, mitigating disparities,
    – Causality ensures models capture only true risk factors, mitigating proxy effects.
  • We translate these dimensions into a five-point spectrum of premiums:
    – The best-estimate premium is the most accurate predictor of losses using all available information, including the sensitive variable,
    – The unaware premium is the most accurate predictor of losses using all information except the sensitive variable,
    – The aware premium is the most accurate predictor of losses when controlling for the sensitive variable,
    – The corrective premium is the most accurate predictor that enforces similar premium distributions across levels of the sensitive variable,
    – The hyperaware premium is the most accurate approximation of the corrective premium that does not directly discriminate on the sensitive variable.
  • We define actuarially relevant local metrics that quantify the potential monetary impact of unfairness at the policyholder level. Proxy vulnerability is the difference between unaware and aware premiums. It locally measures how much the allowed variables pick up the signal of a missing sensitive variable We define post pricing local metrics to evaluate the fairness of any pricing structure relative to the estimated spectrum.
  • We partition policyholders to expose the segments in which unfair discrimination is most severe.
  • We integrate these components into a fairness assessment framework that partitions the policyholders, pinpoints segments most affected by unfairness, and evaluates
    local metrics to diagnose unfairness and guide intervention.
  • We illustrate our approach with a large case study inspired by industry practice. The analysis relies a real dataset of approximately 768,000 vehicles insured in Québec
    (2016–2017), covering at-fault material damage claims. We examine the fairness of a pseudo commercial price with respect to discretized credit score: low (vulnerable group) vs high. This sensitive variable measures the policyholder’s economic precariousness.
    – Proxy vulnerability is both material and skewed: while most policyholders may receive a modest rebate, a vulnerable minority of them could face 15–30% overpricing if the regulation only requires that the sensitive variable be omitted,
    – Our integrated framework illustrates that fairness in insurance pricing can be assessed efficiently, with minimal analyst effort. The framework provides simultaneous diagnostics from the three fairness dimensions, translates
    unfairness into dollar terms at the individual level, and highlights disparities across population segments.
  • We provide additional information and the complete code illustrated on a comprehensive simulated data example in the online supplementary material.

Designed for routine portfolio monitoring, our toolbox delivers valuable insights whether or not the sensitive attribute is included in pricing, provided it is available for assessment. The toolbox’s scalability, across large datasets and rich covariate sets, makes fairness operationalizable for actuaries: intuitive, practical, and encompassing the three fairness dimensions.

Un cadre de gouvernance à trois piliers pour une tarification équitable de l’assurance

Avec Marie-Pier et Olivier Côté, on a écrit un court article, un cadre de gouvernance à trois piliers pour une tarification équitable de l’assurance, publié par la chaire PARI.

L’assurance repose sur l’équilibre entre le risque individuel et la protection collective, mais les modèles contemporains de tarification fondés sur des données massives et des algorithmes opaques soulèvent des questions pressantes d’équité à l’égard des caractéristiques protégées prédéfinies. Alors que les standards actuariels visent une précision fondée sur le risque, les parties prenantes demandent de plus en plus une reddition de comptes et une responsabilisation éthique, une solidarité sociale et une protection contre la discrimination insidieuse. Nous soutenons que l’équité actuarielle, la solidarité et la causalité forment trois piliers distincts, complémentaires et essentiels pour une tarification équitable de l’assurance. Nous situons ces piliers dans des débats plus larges en éthique des affaires et en équité algorithmique, en les reliant aux traditions de justice distributive (Rawls, 1971; Sen, 1992), à l’éthique de l’information (Floridi, 2016; Nissenbaum, 2009), et à la théorie du partage de risque Arrow (1963). Nous soutenons que les trois piliers rendent explicites les compromis éthiques auxquels actuaires et assureurs sont confrontés lorsqu’ils déploient des modèles prédictifs. Aucun principe d’équité ne peut dominer sans détériorer les autres : l’équité actuarielle peut accentuer les disparités socioéconomiques, la solidarité peut compromettre l’efficience du marché, et la causalité, tout en cherchant de véritables effets de risque sans regard à la solidarité ou l’équité actuarielle, repose sur des postulats invérifiables qui peuvent entraver la puissance prédictive. En articulant ce cadre tridimensionnel, nous déplaçons l’équité d’une hypothèse implicite vers un objectif explicite de gouvernance, fournissant ainsi une perspective normative pour la gouvernance d’entreprise, l’élaboration de la réglementation et la reddition de comptes envers les parties prenantes dans l’industrie de l’assurance. Au-delà de la science actuarielle, ces trois piliers offrent un cadre généralisable pour évaluer l’équité dans d’autres domaines de décision algorithmique fondée sur le risque, de l’évaluation du pointage de crédit à la tarification des soins de santé.

Une version plus statistique, ou actuarielle, sera bientôt en ligne. Et je donnerai un exposé à la chaire PARI pour présenter ce papier.

Linear Risk Sharing on Networks

Our paper, Linear Risk Sharing on Networks, written with Philipp Ratz is now available on https://arxiv.org/abs/2509.21411

Over the past decade alternatives to traditional insurance and banking have grown in popularity. The desire to encourage local participation has lead products such as peer-to-peer insurance, reciprocal contracts, and decentralized finance platforms to increasingly rely on network structures to redistribute risk among participants. In this paper, we develop a comprehensive framework for linear risk sharing (LRS), where random losses are reallocated through nonnegative linear operators which can accommodate a wide range of networks. Building on the theory of stochastic and doubly stochastic matrices, we establish conditions under which constraints such as budget balance, fairness, and diversification are guaranteed. The convex order framework allows us to compare different allocations rigorously, highlighting variance reduction and majorization as natural consequences of doubly stochastic mixing. We then extend the analysis to network-based sharing, showing how their topology shapes risk outcomes in complete, star, ring, random, and scale-free graphs. A second layer of randomness, where the sharing matrix itself is random, is introduced via Erdős–Rényi and preferential-attachment networks, connecting risk-sharing properties to degree distributions. Finally, we study convex combinations of identity and network-induced operators, capturing the trade-off between self-retention and diversification. Our results provide design principles for fair and efficient peer-to-peer insurance and network-based risk pooling, combining mathematical soundness with economic interpretability.

L’impossible droit à l’erreur, l’impossible droit à l’oubli ?

« L’information publique est comme du dentifrice ; une fois sortie du tube, impossible de la faire rentrer » (Doyle, 2010). À l’ère des mégadonnées, chaque action laisse une trace qui s’agrège aux autres pour bâtir des profils de risque, des scores de crédit ou des prédictions médicales. Pourtant, la sagesse japonaise nous dit qu’« on tombe sept fois, on se relève huit » (七転び八起き), rappelant qu’on apprend de ses erreurs. Mais ceci n’est possible que si ces dernières ne définissent pas irréversiblement l’individu.

Continue reading L’impossible droit à l’erreur, l’impossible droit à l’oubli ?

Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression

Our paper, “Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression” is now available on ArXiv

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

When Numbers Mislead Us

Believing there is a single, objective way to describe phenomena through numbers is to forget that data doesn’t “speak” on its own. Collecting data means making choices: what to measure, how, when, on whom, etc. This involves implicit (even ideological) assumptions about what counts as a measurable fact. And in any data analysis, what isn’t measured can be just as important as what is observed. When an influential variable is omitted—ignored, overlooked, or simply unknown—the apparent relationships between other variables can become misleading. This is known as the “omitted variable bias”: a hidden effect distorts comparisons and may create a correlation where there is none, or obscure a real one. Sometimes, introducing this “forgotten” variable can completely reverse conclusions drawn from a naive reading of the data. This corresponds to Simpson’s paradox.

A brief article on Simpson’s paradox, written as a book chapter (for a book that will be published in French in the Fall, or in the Winter), is now available.

Repenser collectivement les catastrophes

Cet article a été coécrit avec Laurence Barry

À l’heure où la fréquence et l’intensité des catastrophes naturelles s’accroissent sous l’effet du réchauffement climatique, la question de l’assurance catastrophe devient cruciale pour préserver la résilience économique et sociale. Loin de se limiter à une transaction commerciale entre assureur et assuré, l’assurance contre les risques naturels revêt la forme d’un bien commun — un « commun assurantiel » — qui repose sur la mutualisation, la solidarité et la gouvernance collective. Pour éclairer ce propos, nous mobiliserons les travaux fondateurs sur les régimes de biens publics et communs (Samuelson, 1954 ; Arrow, 1963 ; Ostrom, 1990 ; Ostrom & Ostrom, 1999), ainsi que les analyses économiques de l’assurance (Coase, 1960 ; Buchanan, 1965) et de la gestion des risques systémiques (Markowitz, 1952 ; Arrow & Lind, 1970). Ce positionnement théorique permet de dépasser la dichotomie traditionnelle entre secteurs public et privé, pour montrer comment l’assurance catastrophe s’organise en un hémi­cycle polycentrique, où plusieurs acteurs — États, assureurs, réassureurs, collectivités locales et sociétaux — coopèrent et se régulent mutuellement pour assurer une protection universelle et efficace en dépit des aléas climatiques.

Les régimes d’assurance catastrophe : un continuum public-privé

La crise du néolibéralisme ne remet pas en cause l’intervention de l’État dans la couverture des risques extrêmes ; elle redéfinit plutôt les modalités de cette intervention. Les régimes d’assurance des catastrophes naturelles mis en place dans plusieurs pays illustrent un continuuum public-privé (Ostrom & Ostrom, 1999 ; Ostrom, 2010). En France, depuis 1982, le régime CatNat (Loi du 13 juillet) repose sur l’obligation pour tous les assureurs de proposer une couverture des risques naturels, adossée à une « garantie publique » fournie par le Caisse Centrale de Réassurance (CCR). L’État intervient en dernier ressort pour absorber les pertes au-delà d’un certain seuil, garantissant ainsi la solvabilité globale du système. Ce partage du risque repose sur deux piliers complémentaires: une mutualisation obligatoire nationale, qui lisse les chocs localisés et une réassurance publique, qui renforce la capacité financière en cas de sinistres majeurs (ouragans, inondations massives).

Au Royaume-Uni, la création de Flood Re en 2016 a été motivée par la montée des coûts de l’assurance contre l’inondation, menaçant l’accès pour les ménages résidant en zones à risque. Flood Re est un pool public-privé où les assureurs transfèrent une fraction de leurs primes à un fonds central, lequel assure la réassurance des contrats à prix modéré. Flood Re applique une tarification décalée : les primes reflètent en partie le risque, mais sont plafonnées pour préserver l’accessibilité. Cette formule constitue un compromis entre signal prix (pour inciter à la prévention) et solidarité tarifaire.

Aux États-Unis, le National Flood Insurance Program (NFIP) incarne un régime entièrement public depuis les années 1960, avec des primes souvent sous-tarifées pour favoriser l’accès. Face aux déficits croissants (dûs aux ouragans Katrina en 2005 et Sandy en 2012), des réformes visent à introduire des prix plus proches du risque, tout en maintenant des mécanismes de solidarité territoriale. Le défi consiste à éviter deux écueils : une sur-tarification qui exclurait les populations à faible revenu et un sous-tarification qui alimente le cercle vicieux de la dette publique post-catastrophe.

L’articulation public-privé répond à deux impératifs : d’une part, garantir l’accessibilité financière en limitant les hausses de primes pour les zones exposées ; d’autre part, maintenir l’incitation à la prévention et à la gestion active des risques, caractéristique du secteur privé (Coase, 1960). Cet équilibre est délicat : un sous‑tarif massif peut à terme accroître la vulnérabilité en dissuadant les mesures préventives, alors qu’une tarification purement actuarielle peut exclure les plus fragiles (Stiglitz, 1989).

L’assurance catastrophe comme bien à péage : principes et vertus

Selon la typologie d’Ostrom (1990), les biens à péage (toll goods) se distinguent par une excluabilité aisée — la couverture s’adresse à des assurés identifiés — et une non‑rivalité — la protection d’un assuré n’affecte pas directement celle des autres, à condition d’une mutualisation efficace. Le contrat fixe précisément les risques couverts et les bénéficiaires, ce qui évite les usages non autorisés et permet un contrôle du périmètre. Et la capacité d’indemnisation repose sur un pool financier où les contributions cumulées compensent les pertes. Dans l’hypothèse d’une mutualisation optimale, un sinistre majeur n’épuise pas les ressources pour les autres assurés ; l’effet de diversification rend le coût moyen supportable (Markowitz, 1952 ; Arrow & Lind, 1970).

Ici, plus le nombre d’assurés est grand, plus la loi des grands nombres s’applique ; la variance des sinistres diminue, améliorant la prévisibilité des engagements et optimisant la tarification (Buchanan, 1965). De plus, un système d’assurance bien calibré limite les interventions budgétaires d’urgence de l’État et accélère la relance économique post-catastrophe. Cette stabilité profite à l’ensemble de la société, notamment aux zones moins exposées, qui bénéficient indirectement d’un environnement macroéconomique plus stable (Arrow & Lind, 1970).  Aussi, contrairement à une vision purement marchande, qui peut aboutir à une ségrégation des marchés (excès de sélection négative, restrictions de garanties), un modèle de communs favorise l’inclusion et la solidarité horizontale.

Trois cas d’école de communs assurantiels

Pour illustrer, on peut considérer trois exemples particuliers de « communs assurantiels ».

Les mutuelles de santé sont des communs historiques et institutionnels Les mutuelles, notamment en France, constituent l’exemple classique d’une organisation assurantielle inspirée du modèle des communs. Nées au XIXe siècle sous l’impulsion des mouvements ouvriers, elles reposent sur des principes de solidarité, d’autogestion et d’égalité entre membres. Les assurés y sont à la fois bénéficiaires et coproducteurs du service. Le principe “une personne, une voix” régit leur gouvernance, rompant ainsi avec la logique actionnariale. Ce mode d’organisation repose sur la transparence des règles, la co-construction des garanties, et un objectif d’intérêt général plutôt que lucratif (Ewald 1986). Ces mutuelles s’inscrivent dans une logique d’empowerment collectif et peuvent être analysées comme des communs institutionnalisés, stabilisés par le droit mais encore gouvernés par les membres. Leur modèle montre comment la transparence des règles et l’autocontrôle des adhérents assurent la pérennité du commun.

Le régime CatNat en France, construit sur une mutualisation imposée et acceptée Le régime d’indemnisation des catastrophes naturelles (CatNat) français est un cas original de commun assurantiel co-construit entre l’État, les assureurs et les assurés. Fondé en 1982, il repose sur un principe de solidarité nationale : une surprime obligatoire (12% sur les contrats d’assurance habitation) alimente un fonds commun destiné à indemniser les sinistrés reconnus en état de catastrophe naturelle. Ce régime combine plusieurs dimensions des communs : une ressource mutualisée, une gouvernance polycentrique (État, assureurs, réassureur public CCR), et un usage encadré par des règles collectivement discutées. La participation de tous les assurés, quelle que soit leur exposition au risque, permet une redistribution implicite entre zones à faible et forte sinistralité (Langreney, Le Cozannet et Merad 2023). Cette structure favorise également une culture partagée du risque, bien que la dimension préventive reste à renforcer. La surprime unique (de 12%) masque des zones de forte sinistralité où la contribution individuelle est inférieure au risque réel, au profit d’une solidarité géographique.

Les micro-assurances communautaires dans le Sud global, reposant sur une innovation sociale. Dans de nombreux pays en développement, face à l’absence de couverture assurantielle accessible, des communautés locales ont développé des systèmes de micro-assurance mutualisés. Ces dispositifs reposent sur une mise en commun volontaire des ressources pour faire face à des risques spécifiques (maladie, sécheresse, décès). Gérés collectivement, souvent sans intermédiaire professionnel, ils permettent aux populations vulnérables d’accéder à une protection minimale. Ces systèmes incarnent pleinement l’esprit des communs : auto-organisation, gouvernance participative, règles locales adaptées aux besoins réels. Leur efficacité repose sur la confiance, la proximité et la connaissance fine des risques (Jarzabkowski et al. 2023). Ils montrent que les communs assurantiels ne sont pas une utopie abstraite, mais une réalité concrète, particulièrement dans des contextes où ni le marché ni l’État ne répondent aux besoins. Leur réussite repose sur un tissu social dense, où la confiance et la connaissance des risques locaux limitent l’aléa moral.

Gouvernance polycentrique et principes de gestion des communs

Vincent Ostrom (1999) définit le polycentrisme comme l’organisation de systèmes complexes par plusieurs centres de décision interdépendants. À l’échelle locale, on retrouve les collectivités territoriales et comités de prévention (PPR, PLU, EPTB). À l’échelle nationale, les régulateurs (ACPR, EIOPA), législateurs, et réassureurs publics. Et à l’échelle internationale : organismes supranationaux, normes comptables (Solvabilité II), pools régionaux (États Caraïbes). Ces niveaux interagissent selon des mécanismes d’apprentissage mutuel (Ostrom, 2010) et de coordination, où chaque centre peut ajuster ses règles sans attendre une décision centralisée unique.

La gestion durable d’un commun repose sur les huit principes identifiés par Elinor Ostrom (1990).

  1. Définition claire des frontières : qui est assuré, quel risque est couvert ?
  2. Règles adaptées aux contextes locaux : tarification différenciée par zone de risque.
  3. Participation collective : implication des assurés et des collectivités dans la gouvernance.
  4. Surveillance : observatoires de l’exposition (cartes de risque, bases de données SINP).
  5. Sanctions graduées : pénalités pour non‑respect des normes de prévention.
  6. Mécanismes de résolution des conflits : médiation entre assurés, assureurs et autorités.
  7. Reconnaissance des droits à s’organiser : reconnaissance juridique des pools et syndicats mixtes.
  8. Polycentrisme : établissement de mécanismes de coordination multi‑niveaux.

Ces principes favorisent une gouvernance robuste, capable de s’adapter aux évolutions climatiques et aux chocs systémiques.

Prévention, incitations et renforcement de la résilience

Les approches de tarification basée sur le risque (Demange & Laroque, 2015) adressent un signal aux assurés, mais leur impact est atténué par les subventions croisées et les effets d’aubaine. Dans le premier cas, pour maintenir l’accessibilité, l’État ou les assureurs peuvent être tentés de niveler les primes, brouillant le signal tarifaire. Dans le second cas, les propriétaires sous‑assurés augmentent leur vulnérabilité, sachant qu’ils pourront bénéficier d’aides publiques après sinistre (aléa moral).

Parmi les mécanismes collectifs d’incitation, on peut noter les “Community Rating System” (FEMA) proposant des baisses des primes moyennes dans les zones où les collectivités mettent en place des mesures de protection (élargissement des zones végétalisées, digues, etc.). Les syndicats mixtes de type EPTB (établissement public territorial de bassin) avec un financement concerté d’infrastructures de retenue et de prévention des inondations (Godard, 2012). Ou encore les observatoires collaboratifs, correspondant à des plateformes de partage de données (Langreney, Le Cozannet, Mérad, 2023) pour un autocontrôle plus efficace des assureurs.

Ainsi, le passage d’une logique individuelle à une approche communautaire renforce la résilience territoriale et permet d’ajuster les politiques publiques aux spécificités locales.

L’assurance des catastrophes naturelles, envisagée comme un commun assurantiel, révèle l’importance d’un modèle polycentrique et participatif pour garantir une protection universelle face aux défis climatiques. Les enseignements des biens publics et communs suggèrent un cadre où la mutualisation, la transparence et la coordination multi‑niveaux s’articulent pour préserver à la fois l’efficacité économique et la solidarité. Mais pour concrétiser cette vision, quatre leviers sont essentiels (1) un accès élargi et une tarification équitable (Coe & Meinzen-Dick, 2010), (2) des observatoires assurant la transparence pour un autocontrôle constant, (3) des incitations à la prévention fondées sur la participation collective, (4) une coordination polycentrique, garantissant la flexibilité réglementaire et l’adaptation locale. Dans ce cas, intégrer la notion de communs dans l’assurance catastrophe constitue une voie prometteuse pour bâtir une résilience durable et solidaire face aux aléas croissants du climat.

Arrow, K. J. (1963). Uncertainty and the welfare economics of medical care. American Economic Review, 53(5), 941–973.

Arrow, K. J., & Lind, R. C. (1970). Uncertainty and the evaluation of public investment decisions. American Economic Review, 60(3), 364–378.

Buchanan, J. M. (1965). An economic theory of clubs. Economica, 32(125), 1–14.

Coase, R. H. (1960). The problem of social cost. Journal of Law and Economics, 3, 1–44.

Coe, N. M., & Meinzen-Dick, R. (2010). The commons in a development context. International Journal of the Commons, 4(1), 1–23.

Cummins, J. D., & Mahul, O. (2009). Catastrophe risk financing in developing countries: Principles for public intervention. Washington, DC : World Bank.

Demange, G., & Laroque, G. (2015). Risk-based insurance pricing and public policy. Journal of Risk and Insurance, 82(3), 621–649.

Godard, O. (2012). Économie de l’assurance : Concepts et enjeux. Paris : Dunod.

Hess, C., & Ostrom, E. (2007). Artifacts, facilities, and content: Information as a common-pool resource. Law and Contemporary Problems, 66(1/2), 111–145.

Heller, M. A. (1998). The tragedy of the anticommons: Property in the transition from Marx to markets. Harvard Law Review, 111(3), 621–688.

IPCC. (2014). Climate Change 2014 : Impacts, adaptation and vulnerability. Cambridge : Cambridge University Press.

Jarzabkowski, P., Chalkias, K., Cacciatori, E., & Bednarek, R (2023). Disaster Insurance Reimagined. Oxford University Press.

Langreney, M., Le Cozannet, G., & Mérad, M. (2023). Rapport sur la transparence et la prévention des risques naturels en assurance. Ministère de l’Écologie.

Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91.

Ostrom, E. (1990). Governing the commons : The evolution of institutions for collective action. Cambridge : Cambridge University Press.

Ostrom, E. (2010). Beyond markets and states: Polycentric governance of complex economic systems. American Economic Review, 100(3), 641–672.

Ostrom, V., & Ostrom, E. (1999). Public goods and public choices. In M. D. McGinnis (Ed.), Polycentricity and Local Public Economies (pp. 55–88). Ann Arbor, MI : University of Michigan Press.

Samuelson, P. A. (1954). The pure theory of public expenditure. Review of Economics and Statistics, 36(4), 387–389.

Stiglitz, J. E. (1989). Markets, market failures, and development. American Economic Review, 79(2), 197–203.

Disaster Risk Financing through Taxation: A Framework for Regional Participation in Collective Risk-Sharing

Our article Disaster Risk Financing through Taxation: A Framework for Regional Participation in Collective Risk-Sharing, written with Fallou Niakh, Caroline Hillairet and Philipp Ratz is now available !

We consider an economy composed of different risk profile regions wishing to be hedged against a disaster risk using multi-region catastrophe insurance. Such catastrophic events inherently have a systemic component; we consider situations where the insurer faces a non-zero probability of insolvency. To protect the regions against the risk of the insurer’s default, we introduce a public-private partnership between the government and the insurer. When a disaster generates losses exceeding the total capital of the insurer, the central government intervenes by implementing a taxation system to share the residual claims. In this study, we propose a theoretical framework for regional participation in collective risk-sharing through tax revenues by accounting for their disaster risk profiles and their economic status.

Collectively rethinking disasters

this post was written with Laurence Barry, initially in French

At a time when the frequency and intensity of natural disasters are increasing as a result of global warming, the issue of disaster insurance is becoming crucial to preserving economic and social resilience in most countries. However, when we look at the various existing systems, we see that the state is usually involved in one way or another in the system that has been put in place. Far from being limited to a commercial transaction between insurer and insured, insurance against natural risks takes the form of a common good—an “insurance commons”—based on mutualization, solidarity, and collective governance. To shed light on this issue and propose another framework for thinking about natural disaster insurance, we will draw on seminal work on hybrid property regimes and commons (Samuelson, 1954; Arrow, 1963; Ostrom, 1990; Ostrom & Ostrom, 1999), as well as economic analyses of insurance (Coase, 1960; Buchanan, 1965) and systemic risk management (Markowitz, 1952; Arrow & Lind, 1970). This theoretical positioning makes it possible to move beyond the traditional dichotomy between the public and private sectors, which has been further exacerbated by recent debates, to show how catastrophe insurance is in fact organized as a polycentric institution, where a multiplicity of actors—states, insurers, reinsurers, local authorities, and policyholders—have a role to play. A virtuous system is one in which all actors cooperate and regulate each other to ensure universal and effective protection despite climatic hazards. Continue reading Collectively rethinking disasters

Unveil Sources of Uncertainty: Feature Contribution to ConformalPrediction Intervals

With Marouane Il Idrissi, Agathe Fernandes Machado and Ewen Gallic, we recently uploaded a paper “Unveil Sources of Uncertainty: Feature Contribution to Conformal Prediction Intervals” on ArXiv.

Cooperative game theory methods, notably Shapley values, have significantly enhanced machine learning (ML) interpretability. However, existing explainable AI (XAI) frameworks mainly attribute average model predictions, overlooking predictive uncertainty. This work addresses that gap by proposing a novel, model-agnostic uncertainty attribution (UA) method grounded in conformal prediction (CP). By defining cooperative games where CP interval properties-such as width and bounds-serve as value functions, we systematically attribute predictive uncertainty to input features. Extending beyond the traditional Shapley values, we use the richer class of Harsanyi allocations, and in particular the proportional Shapley values, which distribute attribution proportionally to feature importance. We propose a Monte Carlo approximation method with robust statistical guarantees to address computational feasibility, significantly improving runtime efficiency. Our comprehensive experiments on synthetic benchmarks and real-world datasets demonstrate the practical utility and interpretative depth of our approach. By combining cooperative game theory and conformal prediction, we offer a rigorous, flexible toolkit for understanding and communicating predictive uncertainty in high-stakes ML applications.