When voting becomes paradoxical Condorcet, Arrow, and democracy

One of the fundamental assumptions in economics and decision theory is that individuals—or “agents,” as they are often called—are rational. This means, in particular, that their preferences obey certain intuitive properties, called axioms. For example, if an agent prefers A to B (we can write A > B) and B to C (B > C), it is natural—and rational—to assume that they also prefer A to C (A > C): this is the axiom of transitivity. But what is true at the individual level suddenly becomes much less obvious at the collective level. When several agents make a decision together, their aggregate preferences may violate these natural principles, leading to surprising or even absurd results. This is where the great paradoxes of voting and social choice arise.

A brief article on Condorcet’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.

“Life insurers can predict when you’ll die with about 98% accuracy”

The other day, I was reading a rather interesting article, “How GLP-1s Are Breaking Life Insurance” (a title reminiscent of the dozens of articles over the past 35 years that have predicted the death of insurance), with this short paragraph, which echoed an article I had just published (in French), on segmentation in insurance.

Life insurers can predict when you’ll die with about 98% accuracy. This ruthless precision comes from from decades and decades of mortality data they use to figure out how much to charge you every year, so that the money they earn (from you and by investing your premiums) will easily cover what they’ll need to pay out later. Of course, not everyone gets the same deal. Underwriting is the dark art that allows an insurer to figure out if you’re a good bet or a risky one (etc)

Even though I have mastered this “obscure art” (at least, I have published several manuals on the subject), I understand, in a way, that many people may be confused… But what troubled me most was the first sentence (which I will repeat here in bold so we can spend a little more time on it—I will also remove the reference, which doesn’t say much about this mysterious figure)

Life insurers can predict when you’ll die with about 98% accuracy. 

Coincidentally, I am also revisiting a presentation I gave a year ago at the Cerisy conference, which dealt with almost the same topic, or rather statistical certainty when aggregating data, as opposed to individual epistemic uncertainty.

In any case, I thought this might be an opportunity to rewrite a blog post specifically on this question: what does it mean “98% accuracy”?

When 98 % Sounds Like Clairvoyance… but Isn’t

Obviously, this sentense

Life insurers can predict when you’ll die with about 98 % accuracy

sounds spooky, almost like they know your personal death date within a one-in-fifty margin. In reality, it’s a statement about cohort‐level forecasting, not individual fate.

As mentioned in the next sentence of the article,

This ruthless precision comes from from decades and decades of mortality data

and indeed for centuries, insurers build mortality tables from massive historical data, slicing people into homogeneous bands (age, sex, health metrics). If you group, say, 50 000 sixty-year-old non-smoking males, the table might assign each a 1 % chance of dying next year. Actuarial models then predict (with high accuracy, or reliability) the number of deaths in that group, but not which individuals. Actually, it’s not AI, nor magic… it’s elementary statistics, or to be a little more precise, the law of large numbers, and the central limit theorem.

Each year, they have to make prediction about the number of people that might die in the portfolio. Mathematically, they deal with a binomial random variable D \sim \mathcal{B}in(n, p), where n is the number of people alive, and p the probability to die next year (estimated from past historical data). The number of deaths D is a random variable, with expectation  \mathbb{E}[D]=np and variance np(1 - p) . The statement “98 % accuracy” simply means that in “98 % of portfolio‐year observations”, the observe* deaths fall within ±2\% of the expected deaths, or mathematically \mathbb{P}\Bigl(\bigl|D - np\bigr|\le 0.02\,np\Bigr)\approx0.98 It doesn’t mean \mathbb{P}(\text{“you” will die exactly in June 2027})=0.98.(which is where the initial sentence is clearly misleading)

“98% Accuracy” ?

Let’s make this concrete. We can simulate portfolios with death probability p=1\% and we want to find the cohort size n so that the coverage within \pm 2 \% hits roughly 98 %. By the Central Limit Theorem (i.e. a normal approximation on the number of deaths): \mathbb{P}\bigl(|D - np|\le \delta\,Np\bigr)\approx 2\,\Phi\!\bigl(\displaystyle\frac{\delta\,np}{\sqrt{np(1-p)}}\bigr)-1 so solving for n with \delta=0.02 gives:

> p <- 0.01 # death probability
> delta<- 0.02 # ±2% tolerance
> z <- qnorm(0.99)
>
> # required cohort size
> N_req <- (z^2 * (1 - p)) / (p * delta^2)
> cat("Required N for 98% accuracy ≈", round(N_req), "\n")
Required N for 98% accuracy ≈ 1339444

or

> simulate_accuracy <- function(N, p, trials = 10000, tol = 0.02) {
+ counts <- rbinom(trials, size = N, prob = p)
+ expected <- N * p
+ rel_err <- abs(counts - expected) / expected
+ mean(rel_err <= tol)
+ }
> N1 <- 1340000
> p <- 0.01
> acc1 <- simulate_accuracy(N1, p)
> cat(sprintf(
+ "With N = %d and p = %.2f, accuracy ≈ %.2f%% of years within ±2%%\n",
+ N1, p, acc1 * 100
+ ))
With N = 1340000 and p = 0.01, accuracy ≈ 97.94% of years within ±2%

I.e., with about n=1.4 million lives in your cohort, you would naturally have 98% accuracy. Each increase in n shrinks the relative dispersion \sqrt{(1-p)/(np)}, so coverage goes up.

Uncertainty and Ambiguity

Beyond the pure “coin‐flip” randomness (aleatory uncertainty) of each life’s Bernoulli trial, there’s also “epistemic uncertainty” in our death probability p, since we don’t observe the true p directly but must estimate it from historical life tables, or ML models. If our model’s p is itself uncertain, say p\pm1\% (a very small calibration error) or, in worse cases, p\pm50\%, then our expected death count np could be systematically off by that margin before we even toss a coin. With poor predictive power, i.e. p\pm50\% (say uniformy distributed on that interval), it is still possible to achieve “98% accuracy”. Or more precisely what should be n so that \mathbb{P}(∣D−np∣\leq 0.02np)\geq0.98 with 95\% chance?

Specifically here, to guarantee that 95% chance,  if we suppose that p is uniformly distributed on [0.5\%,1.5\%] observe that the 5-th percentile of that uniform is p=0.55\%, and then\mathbb{P}\bigl(\lvert D - np\rvert \le 0.02\,np\bigr)\approx2\,\Phi\!\Bigl(\frac{0.02\,n\,p}{\sqrt{n\,p\,(1-p)}}\Bigr)-1\;\ge\;0.98
Thus, the two‐tailed 98 % requirement corresponds to \frac{0.02\,n\,p}{\sqrt{n\,p\,(1-p)}}\;\ge\;z_{0.99}\approx2.326so solving for n gives n\;\ge\;\frac{z_{0.99}^2\,(1-p_{0.05})}{p_{0.05}\,(0.02)^2}\;=\;\frac{2.326^2\times(1-0.0055)}{0.0055\times0.0004}\;\approx\;2.45\times10^6Hence, with about n=2.45 million lives in your cohort so that, for at least 95 \% of the possible p values in [0.5 %, 1.5 %], the year‐to‐year death counts fall within \pm2 \% of the mean in at least 98 % of years.

Group Accuracy vs. Individual Uncertainty

So, overall, eachieving “98% accuracy” is not that difficult… but clearly, it is a misleading statement, that conflate group-level confidence with individual-level certainty.  “98 % accurate” has to do with statistics, or actuarial science, but it is not mystical foresight for you specifically.

KNN and K-means in Gini Prametric Spaces, at ECAI 2025, in Bologna, Italy

Our paper, written with Cassandra Mussard, intern last summer, and Stéphane Mussard, entitled KNN and K-means in Gini Prametric Spaces will be presented this Fall at the 28th European Conference on Artificial Intelligence, ECAI 2025, that will take place on October 25-30, 2025, in Bologna, Italy.

This paper introduces innovative enhancements to the K-means and K-nearest neighbors (KNN) algorithms based on the concept of Gini prametric spaces. Unlike traditional distance metrics, Gini-based measures incorporate both value-based and rank-based information, improving robustness to noise and outliers. The main contributions of this work include: proposing a Gini-based measure that captures both rank information and value distances; presenting a Gini K-means algorithm that is proven to converge and demonstrates resilience to noisy data; and introducing a Gini KNN method that performs competitively with state-of-the-art approaches such as Hassanat’s distance in noisy environments. Experimental evaluations on 14 datasets from the UCI repository demonstrate the superior performance and efficiency of Gini-based algorithms in clustering and classification tasks. This work opens new avenues for leveraging rank-based measures in machine learning and statistical analysis.

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.

Extreme weather events are no longer marginal risks, and the banking sector is slow to take stock of the situation.

With the increase in floods, fires, and storms, the climate crisis could become the next time bomb for the financial system, warns actuary Arthur Charpentier in an op-ed in Le Monde.

Faced with the increasing frequency of natural disasters, insurers have already sounded the alarm: climate change has become a major economic risk. Yet the banking world continues to ignore the warning signs while continuing to provide massive financing to fossil fuel industries. This paradox could precipitate a new global financial crisis, the contours of which are already visible.

For several years, insurance companies have been warning that extreme weather events are no longer marginal risks, but are now a structural, unavoidable fact with systemic impacts. The continuous increase in claims—floods, fires, storms—is prompting some to reduce or cease their activities in the most vulnerable areas, such as California and Florida. The banking sector, however, has been slow to fully grasp the significance of this shift. While insurers absorb the shocks, banks could spread the effects.

Climate change is no longer just an environmental threat; it is an unprecedented financial danger. Droughts, rising sea levels, heat waves, and hurricanes are causing lasting disruption to the real economy. They affect crops, destroy infrastructure, devalue real estate, and cause population displacement. These disruptions lead to loss of income, payment defaults, premium increases, and, ultimately, growing instability in financial systems.

Hard on health and the economy

The year 2023 provided another example: insured losses reached nearly $100 billion (€85 billion), with total economic damage of $280 billion, according to reinsurer Swiss Re. In 2024, damages rose further to $417 billion, of which $154 billion was insured, according to its counterparts Gallagher Re and Munich Re. In the United States, 27 disasters each caused more than $1 billion in damage in a year marked by global heat records.

And 2025 looks set to be just as critical. In June, Europe experienced an exceptional heatwave, with temperatures exceeding 42°C in several southern countries and reaching 45°C in Spain and Portugal. According to the European Centre for Medium-Range Weather Forecasts and the Max Planck Institute, this phenomenon is part of an earlier seasonal cycle, heralding a particularly challenging summer for health, the economy, and infrastructure.

Despite these signals, banking models continue to underestimate these risks. Credit analyses, stress tests, and profitability calculations rarely take into account extreme, repeated, or interconnected scenarios.

Yet the chain reactions are obvious: a flood destroys a neighborhood, property loses its value, borrowers default, guarantees collapse. A drought ruins crops, farmers can no longer repay their loans, local authorities lose revenue, banks reduce credit. The shock spreads throughout the economy.

Massive financing of the fossil fuel sector

This vulnerability is amplified by the interconnectedness of markets. A real estate crisis in Asia can destabilize European funds. A surge in agricultural prices caused by a poor harvest in Latin America fuels inflation elsewhere. A hurricane in the Gulf of Mexico is enough to drive up energy prices. By simultaneously affecting several sectors and regions, climate change becomes a potential trigger for global crisis.

Small and medium-sized enterprises are the most exposed. With little insurance and insufficient reserves, they are the first victims of disruptions: a power outage, a destroyed warehouse, a closed road, and their business can come to a halt. Yet they represent an essential part of local employment and economic vitality. Their disappearance fuels deindustrialization, regional inequalities, and precariousness.

In this context, the position of the major banks is becoming difficult to defend. Admittedly, they are increasingly recognizing climate risks. Some publish ESG reports [on environmental, social, and governance practices], join initiatives such as the Glasgow Financial Alliance for Net Zero (Gfanz), or set carbon neutrality targets. But at the same time, they continue to provide massive financing to the fossil fuel sectors. According to the report “Banking on Climate Chaos” (2023), the world’s 60 largest banks granted nearly $7 trillion (nearly €6 trillion) to fossil fuels between 2016 and 2022, well after the signing of the Paris Climate Agreement.

Assuming systemic responsibility

This double standard reveals a profound contradiction. While they identify future threats, banks continue to fuel the causes of those very threats: oil, gas, coal, aviation, and combustion-engine vehicles. This logic of immediate profitability undermines their own long-term stability. By financing a carbon-intensive and extractive growth model, they are validating the continuation of a system whose destructive effects are now well established.

Calls for reform of the financial system are growing. The European Central Bank, the Bank of England, and the Bank for International Settlements (BIS) are insisting on the integration of climate risks into prudential rules and asset valuations. But progress remains slow, particularly in terms of divestment from fossil fuels and redirection toward sustainable investments.

It is no longer just a question of better risk management, but of assuming systemic responsibility. The climate could be the cause of the next major financial crisis. This time, the players will not be able to say they were not warned. The data is known, the trends are documented, and the tools are available. What is lacking is the political and financial will to break with a growth model that has become, in many ways, unsustainable.

Arthur Charpentier is an actuary, professor of actuarial mathematics at the University of Quebec in Montreal, and leader of the research project on insurance and equity, funded by the SCOR Foundation for Science and Louis Bachelier Fellow.

Crise climatique : la prochaine bombe à retardement du système financier

Le Monde daté d’aujourd’hui a publié une courte tribune sur le sujet de l’impact financier de la crise climatique, où je me suis autorisé à quitter le monde de l’assurance pour parler du système financier, en général. Je publie ici le draft précédant, un peu plus long (et sourcé)

Face à la multiplication des catastrophes naturelles, les assureurs ont déjà sonné l’alarme : le climat est devenu un facteur de risque économique majeur. Pourtant, le monde bancaire continue d’ignorer les signaux, tout en finançant massivement les industries fossiles. Ce paradoxe pourrait précipiter une nouvelle crise financière mondiale, dont les contours sont déjà visibles.

Depuis plusieurs années, les compagnies d’assurance alertent : les événements climatiques extrêmes ne relèvent plus du risque marginal. Ils constituent désormais une donnée structurelle, incontournable, aux impacts systémiques. La hausse continue du coût des sinistres — inondations, incendies, tempêtes — pousse certaines d’entre elles à restreindre ou abandonner leurs activités dans les zones les plus vulnérables, comme la Californie ou la Floride (lemonde). Le monde bancaire, en revanche, tarde toujours à prendre la pleine mesure de ce basculement. Or si les assureurs encaissent les chocs, les banques pourraient en être les vecteurs systémiques.

Le dérèglement climatique n’est pas seulement une menace environnementale ; il représente un danger financier d’une ampleur inédite. Sécheresses prolongées, élévation du niveau des mers, canicules et ouragans perturbent durablement l’économie réelle. Ils affectent les récoltes, détruisent des infrastructures, dévalorisent les biens immobiliers et provoquent des déplacements massifs de population. Ces perturbations génèrent des pertes de revenus, des défauts de paiement, des hausses de primes d’assurance et, in fine, une instabilité croissante pour les institutions financières.

L’année 2023 a encore illustré cette vulnérabilité : les pertes assurées ont avoisiné les 100 milliards de dollars, sur un total de plus de 250 milliards de coûts économiques (swissre, swissre). L’année 2024, elle, a enregistré des dommages économiques encore plus lourds, estimés à 417 milliards de dollars, dont environ 154 milliards assurés, selon Gallagher Re (gallagherre) et Munich Re (munichre). Aux États-Unis seulement, 27 catastrophes différentes ont généré chacune plus d’un milliard de dollars de dégâts (noaa). Ces chiffres confirment une tendance : la fréquence et l’intensité des sinistres augmentent, vraisemblablement en lien avec une année 2024 qui a très probablement établi un record de chaleur mondiale .

Et l’année 2025 ne montre aucun signe de ralentissement. Dès juin, l’Europe est confrontée à une vague de chaleur majeure, avec des températures dépassant 42 °C dans plusieurs pays du sud, et des records locaux jusqu’à 45 °C en Espagne et au Portugal (reuters, guardian). Selon des prévisions de l’ECMWF et un rapport de l’Institut Max Planck, ce phénomène s’inscrit dans une tendance saisonnière plus précoce, annonçant un été anormalement chaud sur le vieux continent (maxplanck). Ce début d’année 2025 laisse présager une aggravation des impacts sanitaires, économiques et logistiques, faute de préparation adéquate.

Ce risque est encore largement sous-estimé dans les modèles bancaires. Les analyses de crédit, les stress tests réglementaires et les calculs de rentabilité sont rarement conçus pour anticiper des scénarios extrêmes, répétitifs et multisectoriels. Pourtant, les liens sont évidents. Une inondation détruit un quartier résidentiel : la valeur des biens s’effondre, les emprunteurs ne peuvent plus rembourser, les garanties deviennent caduques. Une sécheresse ruine les récoltes : les exploitants agricoles font défaut, les collectivités locales voient leurs recettes s’amenuiser, les banques régionales réduisent le crédit. L’économie se contracte, et le choc se transmet.

Ces effets se renforcent dans un contexte d’interconnexion financière mondiale. Une crise immobilière en Asie du Sud‑Est peut fragiliser des fonds européens exposés. Une envolée des prix agricoles due à un effondrement des rendements en Amérique latine alimente l’inflation dans les pays importateurs. Un ouragan qui paralyse le Golfe du Mexique peut faire flamber les prix du pétrole. Le climat, en frappant simultanément plusieurs secteurs et régions, devient un déclencheur potentiel de crise systémique.

Les petites et moyennes entreprises, en particulier, sont les plus vulnérables. Moins bien assurées, disposant de peu de trésorerie, elles subissent de plein fouet les ruptures d’activité liées aux événements extrêmes. Une coupure d’électricité prolongée, la fermeture d’une route, la destruction d’un entrepôt ou l’inaccessibilité d’un marché local peuvent suffire à précipiter leur faillite. Or les PME représentent une large part de l’emploi et du tissu économique local. Leur disparition accélère les dynamiques de désindustrialisation, d’inégalités territoriales et de précarisation.

Dans ce contexte, la posture des grandes institutions bancaires devient de plus en plus intenable. D’un côté, elles commencent à reconnaître officiellement les risques liés au climat. De nombreux établissements publient des rapports ESG, participent à des coalitions climatiques, s’engagent à aligner leurs portefeuilles sur les objectifs de l’Accord de Paris. De l’autre, elles continuent à financer massivement les industries fossiles. Selon le rapport 2023 du collectif Banking on Climate Chaos, les 60 principales banques mondiales ont accordé près de 7 000 milliards de dollars de financements aux énergies fossiles entre 2016 et 2022 — soit après la COP21 (oilchange).

Ce double discours illustre une forme de schizophrénie financière. Tout en reconnaissant les risques climatiques à venir, les banques persistent à alimenter les causes de ces mêmes risques : pétrole, gaz, charbon, aviation, automobile thermique. Cette logique de court terme, dictée par la rentabilité immédiate, revient à scier la branche sur laquelle repose leur propre stabilité. Pire, elle légitime la poursuite d’un modèle de croissance carbonée, extractive, dont les effets délétères sont aujourd’hui avérés.

Les appels à une réforme profonde du système financier se multiplient. La Banque centrale européenne, la Banque d’Angleterre ou encore la BRI insistent sur la nécessité d’intégrer les risques climatiques dans les stress tests, la réglementation prudentielle et les mécanismes d’évaluation d’actifs (bce, boe, bri). Mais les progrès restent limités, en particulier en matière de désengagement des actifs fossiles et de redirection des investissements vers les infrastructures durables.

Il ne s’agit plus seulement d’un problème de gestion de risque, mais de responsabilité systémique. Le climat pourrait être à l’origine de la prochaine crise financière mondiale. Et cette fois, les acteurs ne pourront pas prétendre qu’ils n’avaient pas été prévenus. Les données sont là, les courbes sont connues, les modèles sont disponibles. Ce qu’il manque encore, c’est la volonté politique et financière de rompre avec un modèle de croissance devenu, à bien des égards, insoutenable (risques).

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.