# Could there be incentives to cycle through a red light?

This is of course a rhetorical question! Because cyclists must stop when the light is red! … But … there is always that moment, on a bicycle, when you stop, and  then you say to yourself

the worst part is that the lights are badly regulated, and I know that the next one will also be red once I will reach it … whereas if I had passed, I would have had the next one, and who knows, maybe a green wave afterwards?

Not having wanted to try the experiment with my bike, I wanted to try using simulations, on my computer.

Let us assume that in my city, there are red lights every 250 m, and they go from red to green in 1 minute, and similarly from green to red. Then, I can use a simple loop, where I compute the time from home, each time I pass a light: either the light is green, I go through, and I do not wait; or the light is red, then I wait, until the end of the minute. Here is the code. First, I define the constant parameter, with lights every 250 m, light turning either red or green every 1 minute, and I assume a constant speed here, of 15/60 km per min (or 15km per hour).

v = 15/60 d = .250 t = 1

Suppose that the office is at 10 km from home. The code to compute the time is simply (I do add a random noise on the time it takes to reach the next light, I will get back to that later on)

Dist = seq(0,10,by=.25) Time1=rep(NA,length(D)) Time1[1]==0 for(k in 2:length(Dist)){ noise=rnorm(1,sd=.05) Time1[k]=Time1[k-1]+d/v+noise if((floor(Time1[k])%%2==0)&amp;(k&lt;length(Dist))) Time1[k]=ceiling(Time1[k]) }

I can now visualize myself on my bike

T=seq(0,60,by=1/60) colr = c("red","green") plot(T,T*v,col="white") for(k in 1:40){ points(T,rep(d*k,length(T)),cex=.3,pch=15,col=colr[rep(1:2,each=t*60)]) } points(Time1,Dist,pch=19,cex=.5)

Here, it took me about 51 min to reach the office. And each time I have a red light, I stop and wait. Here is the distribution of the time it will take, as a function of my speed

simul = function(v=.250,sd=.05){ Dist = seq(0,10,by=.25) Time1=Time2=rep(NA,length(D)) Time1[1]=Time2[1]=0 for(k in 2:length(Dist)){ noise=rnorm(1,sd=sd) Time1[k]=Time1[k-1]+d/v+noise if((floor(Time1[k])%%2==0)&amp;(k&lt;length(Dist))) Time1[k]=ceiling(Time1[k]) } max(Time1) } S=function(v=.250,sd=.05,n=1000){ Vectorize(function(x) simul(v=x,sd=sd))(rep(v,n)) } vit = seq(.2,.3,length=101) MS = Vectorize(function(x) S(v=x,sd=.05))(vit) qMSsup = apply(MS,2,function(x) quantile(x,.95)) qMSinf = apply(MS,2,function(x) quantile(x,.05)) MSmed = apply(MS,2,function(x) quantile(x,.5)) MSmean = apply(MS,2,mean) par(mfrow = c(1,1)) plot(vit,MSmed,type="l") polygon(c(vit,rev(vit)),c(qMSinf,rev(qMSsup)),col="light blue",border=NA) lines(vit,MSmed,lwd=2)

Obviously, on average, the faster I cycle, the shorter the ride will be. Of course, 40 min is not a (real) lower bound : if I go much faster, it can be a rather quick ride

Now, consider a simple rhetorical alternative. What if I decide to go through a red light (after checking that there is no danger), say, with 1 chance of out 20 ?

simul_random = function(v=.250,sd=.05){ Dist = seq(0,10,by=.25) Time1=rep(NA,length(D)) Time1[1]=0 for(k in 2:length(Dist)){ noise=rnorm(1,sd=sd) Time1[k]=Time1[k-1]+d/v+noise red = sample(c(0,1),size=1,prob = c(.95,.05)) if((floor(Time1[k])%%2==0)&amp;(k&lt;length(Dist))&amp;(red == 0)) Time1[k]=ceiling(Time1[k]) } max(Time1) }

Here, 1 chance out of 20 could mean that on a 10 km ride, I wil always stop : first, I need a red light, and then 95% of the time, I stop. Here is the average distribution, with confidence bands

S_random=function(v=.250,sd=.05,n=1000){ Vectorize(function(x) simul_random(v=x,sd=sd))(rep(v,n)) } MS3 = Vectorize(function(x) S_random(v=x,sd=.05))(vit) qMSsup3 = apply(MS3,2,function(x) quantile(x,.95)) qMSinf3 = apply(MS3,2,function(x) quantile(x,.05)) MSmed3 = apply(MS3,2,function(x) quantile(x,.5))

It is possible to compare the two actually (on average times)

plot(MSmed,MSmed3,type="l") abline(a=0,b=1,col="red",lty=2) plot(MSmed,(MSmed-MSmed3)/MSmed*100,type="l")

which means that, somehow I can save some time, maybe from 3% to 5% if I do not cycle to fast, otherwise probably less than 2%. I would not claim, here, that it is worth it.

Consider another rhetorical alternative. What if I decide to go through the red light only if it is during the very first second ?

simul_1sec = function(v=.250,sd=.05){ Dist = seq(0,10,by=.25) Time1=rep(NA,length(D)) Time1[1]=0 for(k in 2:length(Dist)){ noise=rnorm(1,sd=sd) Time1[k]=Time1[k-1]+d/v+noise if((floor(Time1[k])%%2==0)&amp;(k&lt;length(Dist))&amp;(Time1[k]-floor(Time1[k])&gt;1/60)) Time1[k]=ceiling(Time1[k]) } max(Time1) }

Here is the time it takes to go to the office

and here is the potential gain

We can now clearly see the impact of those nonlinearities : with my average 15 km per hour speed, I can save 8% of the time if I go through red during the very first second. Of course, I will never do such a think, but mathematically speaking, it is stricking. Here is the gain for the first 2 seconds (out of a full minute)

so the gain can be about 12%. And now, what if we remove the noise – or more precisely, what if the standard deviation become 0.001 instead of 0.05. Here is the first distribution of the time (when I stop at each red light, and wait)

If I do not go fast enough, I will stop at almost each light, and wait until the end of the minute: going at 20 km per hour or 24 km per hour is exactly the same. But if I can go slightly faster than 25km per hour, that is awesome, and I have my green wave. Now, her is the graph I get when I cycle through the red light only in the very first second

This is now the gain

I can save up to 40% of the time, and more realistically, my 55 min ride could now be a 40 min ride. Which is substantial.

But on that one, observe that another strategy is also possible : what if I do not cycle through red light, but I simply cycle +1% faster ?

simul_faster = function(v=.250,sd=.05){ Dist = seq(0,10,by=.25) Time1=rep(NA,length(D)) Time1[1]=0 for(k in 2:length(Dist)){ noise=rnorm(1,sd=sd) Time1[k]=Time1[k-1]+d/(v*1.01)+noise if((floor(Time1[k])%%2==0)&amp;(k&lt;length(Dist))&amp;(Time1[k]-floor(Time1[k])&gt;1/60)) Time1[k]=ceiling(Time1[k]) } max(Time1) }

We have a similar result here, since riding 1% faster can actually help me save up to 50% of my time ! and (more realistically) if I ride 1% faster with a large random noise in the time between two light, I get almost the same as previously (when passing through the red light)

Again, my point here is not that we should cycle through a red light, of course not. But there may be accumulation of (small) nonlinear effects that might have a major impact at the end. And I believe that the best way to avoid this is to offer a green wave to cyclists, assuming that they ride at a reasonnable speed…

# A new GEE method to account for heteroscedasticity using asymmetric least-square regressions

Our paper, with Amadou Barry and Karim Oualkacha,

Generalized estimating equations (GEE) are widely used to analyze longitudinal data; however, they are not appropriate for heteroscedastic data, because they only estimate regressor effects on the mean response – and therefore do not account for data heterogeneity. Here, we combine the GEE with the asymmetric least squares (expectile) regression to derive a new class of estimators, which we call generalized expectile estimating equations (GEEE). The GEEE model estimates regressor effects on the expectiles of the response distribution, which provides a detailed view of regressor effects on the entire response distribution. In addition to capturing data heteroscedasticity, the GEEE extends the various working correlation structures to account for within-subject dependence. We derive the asymptotic properties of the GEEE estimators and propose a robust estimator of its covariance matrix for inference (see our R package, github.com/AmBarry/expectgee). Our simulations show that the GEEE estimator is non-biased and efficient, and our real data analysis shows it captures heteroscedasticity.

# Predicting Drought and Subsidence Risks in France

New paper with Molly James and Hani Ali, now available on https://arxiv.org/abs/2107.07668

The economic consequences of drought episodes are increasingly important, although they are often difficult to apprehend in part because of the complexity of the underlying mechanisms. In this article, we will study one of the consequences of drought, namely the risk of subsidence (or more specifically clay shrinkage induced subsidence), for which insurance has been mandatory in France for several decades. Using data obtained from several insurers, representing about a quarter of the household insurance market, over the past twenty years, we propose some statistical models to predict the frequency but also the intensity of these droughts, for insurers, showing that climate change will have probably major economic consequences on this risk. But even if we use more advanced models than standard regression-type models (here random forests to capture non linearity and cross effects), it is still difficult to predict the economic cost of subsidence claims, even if all geophysical and climatic information is available.

# Collaborative Insurance Sustainability and Network Structure

Our joint paper, with Lariosse Kouakou, Matthias Löwe, Philipp Ratz and Franck Vermet, entitled “Collaborative Insurance Sustainability and Network Structure” is now available on Arxiv,

The peer-to-peer (P2P) economy has been growing with the advent of the internet, with well known brands such as Uber or Airbnb being examples thereof. In the insurance sector the approach is still in its infancy, but some companies have started to explore P2P-based collaborative insurance products (eg. Lemonade in the U.S. or Inspeer in France). The actuarial literature only recently started to consider those risk sharing mechanisms, as in Denuit and Robert (2020) or Feng et al. (2021). In this paper, describe and analyse such a P2P product, with some reciprocal risk sharing contracts. Here, we consider the case where policyholders still have an insurance contract, but the first self-insurance layer, below the deductible, can be shared with friends. We study the impact of the shape of the network (through the distribution of degrees) on the risk reduction. We consider also some optimal setting of the reciprocal commitments, and discuss the introduction of contracts with friends of friends to mitigate some possible drawbacks of having people without enough connections to exchange risks.

# United As One, IME 2021

Next week, colleagues from the University of Illinois Urbana-Champaign and the Pennsylvania State University in the United States, Ulm University in Germany, and the University of New South Wales (UNSW Sydney) in Australia organize the 24th International Congress on Insurance: Mathematics and Economics, aka IME2021. I will present our joint work, with Michel Denuit and Julien Trufin, Autocalibration for Insurance Pricing with Machine Learning, Philipp Ratz will present our joint work on peer-to-peer insurance model. I will also chair some sessions, and participate to a round table on Thursday morning (Montréal time).

# Impact du changement climatique

Au regard des données des 40 dernières années la fréquence des catastrophes météorologiques et climatiques ne cesse d’augmenter dans le monde. Et les pertes assurées également, en grande partie à cause du développement de l’assurance. La croissance économique, l’augmentation des richesses, l’industrialisation de zones vulnérables et la concentration des populations expliquent une grande partie de l’augmentation, comme le note Botzen et al. (2010).

Figure 1 : Nombre de catastrophes météorologiques et climatiques dans le monde, à partir des données de Munich Re (2019)[i].

Figure 2 : Montants des sinistres causés par les catastrophes météorologiques et climatiques dans le monde, à partir des données de Munich Re (2019).

Les liens entre cette augmentation de la fréquence et de la gravité de ces catastrophes (allant des vagues de chaleur aux épisodes froids, des sécheresses aux pluies diluviennes, ou encore aux tempêtes et ouragans) et le changement climatique sont encore mal connus. Comme le notait IPCC (2013), de faibles changements sur la distribution moyenne des températures peuvent avoir de gros impacts sur les quantiles élevés. Au cours des 10 dernières années, le coût moyenne des aléas naturels en France s’élève à presque 3 milliards d’euros par an, et ce, pour les seuls assureurs. Et lors de la COP21, les assureurs français estimaient que ce coût pourrait doubler dans les prochaines années (en euros constants), la moitié de cette charge étant expliquée par des facteurs liés aux évolutions socio-économiques (augmentation de la somme assurée en grande partie, mais aussi migration vers des zones à risque), et la moitié étant expliquée par des facteurs liés au changement climatique.

Mais au-delà de ces catastrophes, le changement climatique impacte tous les secteurs de l’assurance. L’augmentation des précipitations en Europe (non seulement en moyenne, mais aussi avec une hausse des crues éclair) va affecter les infrastructures souterraines, ou situées à proximité des cours d’eau. Les propriétés situées sur les côtes sont menacées par l’élévation du niveau des mers. Les risques liés aux inondations constituent une catégorie de catastrophe très impactée par le changement climatique, en particulier les risques de submersion marine et les inondations par débordement et ruissellement. Un autre risque est celui lié aux sécheresses, qui endommage aussi les bâtiments par affaissement des sols. La canicule de l’été 2003 en France a causé une hausse des réclamations en assurance construction de l’ordre de 20 %. En assurance vie, la canicule de 2003, exceptionnelle par sa durée, a là aussi montré l’impact potentiel du changement climatique sur les personnes les plus vulnérables (enfants très jeunes, personnes âgées, et malades chroniques). L’assurance agricole est également impactée par les sécheresses et les inondations. Les sécheresses augmentent aussi le risque d’incendie, pouvant détruire forêts et récoltes.

# La couverture du risque, entre assureurs et état

Les assureurs se sont efforcés d’offrir des couvertures dans la mesure du possible. Ces solutions font souvent intervenir les compagnies d’assurance. Dans certains pays, les assureurs n’interviennent pas, et c’est l’État qui prend à sa charge les sinistres (à partir du budget ou d’un fonds spécifique alimenté par une taxe sur les contrats d’assurance). Dans le cas de la France, il existe un mécanisme mixte, appelé mécanisme Cat Nat, basé sur un mélange d’assurance obligatoire et d’intervention publique. Ce subtil équilibre entre les assureurs privés et ; état évolue dans le temps, car tous ont peur des conséquences financières des catastrophes. En particulier, l’état qui avait offert sa caution – par exemple en tant qu’ « assureur en dernier ressort » dans le mécanisme français – se voit contraint de faire figurer cet engagement dans son budget.

Les assureurs sont d’autant plus impliqués que les mesures de prévention, qui doivent être pris au niveau collectif, peuvent avoir un impact très important sur le risque, avec un coût négligeable par rapport aux gains. En 2004, la Banque Mondiale avait ainsi calculé que pour toutes les catastrophes naturelles survenues dans les années 1990, 40 milliards d’€ investis dans des mesures de prévention auraient permis de réduire le coût total de 280 milliards d’€. On retrouve le même ordre de grandeur lorsque l’Association of British Insurers déclarait que chaque livre sterling dépensée dans des mesures de prévention permettrait d’économiser 6 livres sterling en coûts de réparation, lors d’inondations.

Botzen, W. J. W., van den Bergh, J. C. J. M., and Bouwer, L. M. (2010). Climate change and increased risk for the insurance sector: a global perspective and an assessment for the netherlands. Natural Hazards, 52(3), 577–598.

[i] Munich Re NatCatSERVICE

# Économétrie des données imparfaites : méthodes et applications

Ce lundi, Enora Belz a défendu sa thèse de doctorat Économétrie des données imparfaites : méthodes et applications, à Rennes. L’essentiel du jury était en ligne, sauf le président, et il y avait un peu de monde sur place. Bravo Enora !

# Insurance Data Science

Tomorrow, and for the next three days, we organize the Insurance Data Science Conference, with Andreas, Markus and Ioannis in London, and Silvana in Toronto. Talks will take place in the afternoon in Europe, and in the morning in Canada…

# Incertitude(s)

Cet été, le 7 août, je participerai au marathon des sciences, dans le cadre du 30ème Festival d’Astronomie de Fleurance, sur le thème “Incertitude(s)”. Malheureusement, comme nous ne rentrons pas en France cet été, mon intervention serra virtuelle, ou disons à distance. J’essayerai de mettre à la rentrée la vidéo de mon intervention, sur le thème assurance : des incertitudes individuelles aux certitudes collectives,

L’assurance repose sur l’idée de la mutualisation des risques, un grand nombre de personnes contribuant à alléger les malheurs d’un petit nombre d’entre eux. Ce transfert de risque se fait par l’intermédiaire d’un assureur qui, sur la base d’un contrat (dit aléatoire), vend la promesse d’une indemnité financière en cas de survenance d’un évènement incertain à la signature. L’assureur se doit d’imaginer les scénarios futurs, et de quantifier du mieux possible leurs probabilités afin de pouvoir satisfaire ses engagements, de telle sorte que les contributions des assurés permettent effectivement d’indemniser ceux qui ont eu un accident. Car le risque et l’incertitude ne disparaissent jamais, les actuaires se contentent d’essayer de les maîtriser autant que possible.

# Exposé à la conférence annuelle de la Société Canadienne de Statistique

La saison des conférences continue. Cette semaine, je présenterais le papier avec Michel Denuit et Julien Trufin, Autocalibration for Insurance Pricing with Machine Learning. Les codes sont en ligne sur github et il y aura bientôt des exemples supplémentaires…

# ASTIN Online Colloquium

Next week, I will present at the 2021 ASTIN Online Colloquium (online, of course, it will not be possible to meet in person, in Florida). I will present the joint paper with Michel Denuit and Julien Trufin, Autocalibration for Insurance Pricing with Machine Learning. Earlier on Wednesday, Philipp Ratz will present our work Collaborative Insurance Sustainability and Network Structure.

# Un double centenaire : Treatise on probabilities de John Maynard Keynes et Risk, Uncertainty and Profit de Frank Knight

Il y a tout juste cent ans, paraissait deux ouvrages fondamentaux essayant de lier l’économie, le risque, l’incertain et le calcul des probabilités. Et si l’occasion est rare de se plonger dans des textes aussi anciens, y compris pour la majorité des étudiantes et des étudiants, il est agréable de noter que ces ouvrages contiennent de nombreuses réflexions passionnantes, qui éclairent d’un œil (presque) nouveau ces domaines où nous avons parfois l’impression de tout savoir, depuis tout ce temps…

# Cambridge, Keynes, et les probabilités

Commençons par Treatise on probabilities, le premier ouvrage publié par un des plus grands économistes du début du XXème siècle, et qui témoigne de l’importance des mathématiques dans le formalisme économique – John Maynard Keynes avait déjà publié des articles économiques depuis une dizaine d’année lorsque le traité est publié. Et étonnamment, cet ouvrage est souvent oublié par les économistes[i].

Mais commençons par le début… John Maynard Keynes est né à Cambridge en juin 1883, son père (John Neville Keynes) était professeur de logique et d’économie à l’université de Cambridge, et sa mère (Florence Ada Brown) deviendra maire de la ville (en 1932, une autre femme – Eva Hartree – avait déjà été élue maire dix ans auparavant[ii]). Au début du XXème siècle (en réalité entre 1880 et 1940, comme le montre MacLeod & Urquiola (2020)), Cambridge était probablement la plus prestigieuse université au monde. En 1903, Bertrand Russell y publie son Principles of Mathematics (dont le titre de la traduction en français – Écrits de logique philosophique – reflète peut-être mieux le contenu que le titre original). L’ouvrage de John Maynard Keynes est d’ailleurs dans cette lignée, car malgré un formalisme mathématique indéniable, le traité est peut-être avant tout un ouvrage de philosophie et de logique. C’est aussi l’époque où Srinivasa Ramanujan est sur le campus, à Cambridge, invité du Tamil Nadu, en Inde, pour travailler avec Godfrey Harold Hardy et John Littlewood, comme le raconte The Man Who Knew Infinity, de Robert Kanigel, qui décrit le Cambridge des années 1910. John Maynard Keynes y côtoiera aussi de nombreux artistes (en tant que membre du groupe, ou association, Bloomsbury) comme Virginia Woolf, ou E. M. Forster

En 1905, alors qu’il vient d’obtenir un Bachelor of Arts en mathématiques, il suit les cours d’Alfred Marshall, qui vont lui faire découvrir l’économie politique, et en 1908 (de retour de deux ans passés à Bombay au Bureau des Affaires Indiennes), il travaille sa thèse sur les probabilités. Il ne s’agit pas formellement d’une thèse de doctorat[iii], mais d’une « Fellowship Dissertation » afin de devenir Fellow du King’s College. Son manuscrit est presque fini lorsque la première guerre mondiale éclate, ce qui empêchera sa publication, et il retravaillera le document pendant encore 2 ans après la fin de la guerre, pour la voir publiée en 1921, sous le titre Treatise of Probabilities. Coïncidence, 1921 est aussi l’année ou Franck Ramsey arrive à Cambridge (il deviendra également Fellow de King’s College en 1924 avant de décéder en 1930, à tout juste 26 ans), dont la proximité intellectuelle avec John Maynard Keynes est importante, même s’ils auront beaucoup de divergence, en particulier sur le concept de probabilité. 1921, c’est enfin un peu moins de 10 ans avant la publication de l’axiomatique des probabilités par Kolmogorov, en 1929, qui placera les probabilités au sein de la théorie de la mesure, et qui proposera le cadre formel encore enseigné aujourd’hui.

Pour comprendre l’orientation prise par Keynes dans son livre, il faut avoir en mémoire les liens entre probabilités et logique. A cette époque, à Cambridge, William Ernest Johnson travaille sur son ouvrage Logic, dont les trois tomes[iv] paraitront en 1921, 1922 et 1924. Harold Jeffreys, à qui on devra de nombreux travaux en statistique Bayésienne, était aussi à Cambridge à cette époque, ainsi que Dorothy Wrinch, ce dernier ayant publié On Some Aspects of the Theory of Probability en 1919. Si la recherche était bouillonnante à cette époque, R. B. Braithwaite, qui signe la réédition de l’ouvrage de Keynes en 1972, note que malgré tout, rares étaient les ouvrages de référence en anglais sur le sujet, le précédant ayant été publié plus de 50 ans auparavant par John Venn (qui aura laissé à la postérité les fameux diagrammes) avec son Logic of Chance. Et si Harold Jeffreys a proposé une axiomatique des probabilités plus solide que le modeste chapitre 2 du Traité, son ouvrage ne sortira qu’en 1939.

Pour Keynes, une « probabilité » n’est pas un fait objectif, naturel, comme le laisse entendre l’interprétation fréquentiste.  Pour Keynes, une probabilité est avant tout affaire de logique, quantifiant un degré de confirmation, ou de croyance rationnelle, d’une proposition. Formellement,

« Let our premises consist of any set of propositions h, and let our conclusion consist of any set of propositions a, then, if a knowledge of h justifies a rational belief in a of degree a,we say that there is a probability-relation of degree a between a and h. »

Elle exprime le degré de croyance qu’il est raisonnable d’avoir envers un ensemble de propositions a, à la lumière d’un ensemble de propositions h. Dans cette mesure, donc, la probabilité peut être qualifiée de subjective, car il s’agit d’une croyance.  Mais dans le sens que lui donne Keynes, la probabilité n’est pas subjective puisqu’elle n’est pas soumise à un caprice humain : c’est une relation logique entre deux propositions (ou deux ensembles de propositions) qui se manifestent dans l’esprit des individus. Ce n’est pas une relation entre une déclaration et une réalité, « probability begins and ends with probability ».  Dans le livre de Keynes, une probabilité peut être exprimée par le symbole ‘a/h‘. La connaissance d’une situation dans laquelle ‘a/h = 1′ est certaine. Une situation dans laquelle ‘a/h = 0′ constitue une impossibilité. Dans la majorité des cas, ce chiffre est situé entre 0 et 1. Et, dans la majorité des cas, les nombres n’ont qu’une signification ordinale. Keynes veut dire par là qu’il est souvent impossible de comparer quantitativement deux probabilités et d’affirmer, par exemple, que les chances qu’un événement se produise sont x fois plus élevées que les chances qu’un autre événement se produise.  De plus, il est possible que deux probabilités soient incomparables : « it is not  always possible to say that the degree of our rational belief in one conclusion is either equal to, greater than, or less than the degree of our belief in another ». Et l’on peut penser que, dans la réalité humaine, les probabilités sont dans la plupart des cas non quantifiables et incommensurables, d’autant plus qu’elles sont contraintes par les limites de la raison humaine. Même lorsque les probabilités individuelles sont mesurables numériquement, nous ne pouvons pas aller très loin dans le raisonnement mathématique. Il est d’ailleurs difficile d’éliminer l’intuition et le jugement direct de la considération des probabilités. Cette difficulté restreint la portée des probabilités fréquentistes fondées sur la loi des grands nombres. Même dans le domaine des sciences naturelles, l’intuition et l’analogie jouent un rôle plus important que la manipulation des fréquences statistiques.

En fait, pour Keynes, la plupart des grands penseurs des probabilité, comme Condorcet, Bernoulli, Bentham, Laplace, ou Edgeworth, se sont trompés en pensant que l’on pouvait appliquer les principes issus de l’équiprobabilité aux sciences morales et ainsi quantifier, mesurer et formaliser mathématiquement la réalité sociale.  Keynes rappelle que certains de ces grands penseurs se sont aventuré dans le domaine de l’éthique, et ont a été amené à croire que les degrés de bonté étaient numériquement mesurables, et parfois additifs, alors que la question relève du jugement intuitif.  Keynes dénonce cette « mathematical charlatanry » qui a fait perdre du temps à la statistique théorique, et qui est soutenue par une confiance totale dans l’inférence statistique.  En économie, cette erreur est soutenue par l’illusion de la quantification selon laquelle des choses comme l’utilité peuvent être quantifiées, mesurées, additionnées et soustraites. Cette erreur conduit à une utilisation abusive des statistiques qui, en tant que moyen de décrire quantitativement la réalité, s’est transformée en un instrument de prédiction. Keynes poursuivra cette réflexion par la suite, avec en particulier des éléments de réflexions sur les probabilités dans sa Théorie Générale, avec le Chapitre 12. En particulier, c’est dans ce second ouvrage que l’on trouve la note de bas de page abondamment citée, où il affirme que « très incertain » et « très improbable » sont pour lui équivalent, laissant entendre que les probabilités serraient l’outils approprié pour modéliser les situations incertaines (récemment, Brady (2019) dédie un article à cette fameuse note 1 de la page 148). Pour une discussion plus poussée sur le contenu du Traité, je vais renvoyer à l’article de Christian Robert sur le sujet.

Pour revenir sur l’histoire du Traité, comme nous l’indiquions en introduction, il est passé inaperçu pour bon nombre d’économistes, tout du moins jusque dans les 1970, cinquante ans après sa parution. Lors de la réédition des travaux de Keynes, il a été décidé de publier ce livre non pas dans l’ordre chronologique comme cela avait été fait pour les sept autres monographies, mais comme un huitième titre. Au début des années 1980, les travaux de Robert Skidelsky, suivis par ceux de Bradley Bateman, Anna Carabelli ou Michael O’Donnell, vont inaugurer un ensemble de travaux étudiant les relations entre philosophie et économie chez Keynes ainsi que la continuité de sa vision philosophique. On peut noter cette réflexion de Peter Waley

« The first major effort to construct a theory of imprecise probability was made by Keynes (1921). Keynes aimed to develop an inductive logic, based on a logical interpretation of probability as a “degree of rational belief” […] Since Keynes, a large literature has grown up concerning the mathematics and interpretation of imprecise, epistemic probabilities »

Mais il ne serait pas honnête d’oublier la critique que Franck Ramsey a faite dans Truth and Probability (publié à titre posthume en 1931, mais basée sur une conférence donnée en 1926).  Pour ce dernier, Le calcul des probabilités consiste à établir un ensemble de règles permettant aux degrés de croyance de former un système cohérent. Les relations de probabilité, telles que Keynes les avait décrites, n’existent pas. Ce questionnement sur les probabilités, l’incertain et les croyances vont se retrouver dans un second ouvrage, publié lui aussi en 1921, mais dans un contexte assez différent.

# Chicago, Knight et l’incertain

Le second ouvrage dont on célèbre le centenaire de la publication, Risk, Uncertainty and Profit de Frank Knight a été publié de l’autre côté de l’Atlantique, indépendamment de ce qui se passait en Angleterre. En 1871, Chicago est dévasté par un immense incendie, et sa reconstruction se fera grâce à l’école de Chicago, qui attirera les plus grands architectes, entre 1890 et 1910, avec William Le Baron Jenney, Henry Hobson Richardson, ou Frank Lloyd Wright qui est à Chicago pendant une bonne partie de cette période. Chicago atteint le million d’habitants et devient un moment une ville importante artistiquement, même si on retient souvent qu’elle était la capitale du crime organisé, avec Al Capone par exemple. Et si notre histoire ne commence pas à Chicago, c’est dans cette ville de Franck Knight s’imposera, en dirigeant, avec Jacob Viner, le département d’économie, entre 1920 et 1950. Même si c’est Milton Friedman qui rendit célèbre l’école de Chicago, Franck Knight a marqué par ses enseignement la génération rendue célèbre après-guerre, comme le rappelle Van Overtveldt (2007).

Dans les années 1890, et pendant une quinzaine d’années, les économistes américains essayent de répondre à la question de la justice sociale du partage et de la répartition des richesses. On peut retenir l’article de Frederick Hawley, The Risk Theory of Profits parmi les nombreux articles parus dans le Quarterly Journal of Economics, édité à Harvard, où les économistes se répondent les uns aux autres, pendant plusieurs années. Pour Frederick Hawley, la prise de risque était une composante inévitable de la dynamique de la production, et ceux qui prenaient des risques devaient avoir droit à une récompense, connue sous le nom de « profit ». Selon Frederick Hawley, le profit est le prix payé par la société pour assumer le risque. En particulier, il note que cette prime de risque devrait correspondre à une compensation supérieure à la valeur actuarielle, c’est-à-dire une prime sur le risque calculable. Autrement dit, le profit naît du risque non assurable, et voyant le profit comme un résidu, ce qui a donné le nom « residual theory of profit ». S’en suivra une longue polémique avec John Bates Clark, jusqu’à l’article de Francis Edgeworth en 1904, qui offrira une synthèse du sujet.

Maintenant que le contexte est posé, revenons un instant à Frank Knight. Frank Knight est né dans l’Illinois, en novembre 1885. Il était le fils aîné d’une famille de fermiers, et les contraintes de la vie à la ferme l’ont forcé à mettre ses études de côté un certain temps. Il a quitté sa famille alors qu’il avait plus de 20 ans pour commencer des études collégiales (évangéliques) dans le Tennessee, pour obtenir un Bachelor of Science en sciences naturelles, puis une maîtrise en allemand quelques années plus tard. Il part ensuite à Cornell, pour un doctorat en économie (discipline qu’il découvre à partir de 1913), et défendra sa thèse, intitulée « A Theory of Business Profit », qui avait remporté la deuxième place dans la catégorie générale du concours d’essais économiques Hart, Schaffner & Marx en 1916. A cette époque à Cornell, on retrouve Allyn Abbott Young qui y restera avant d’enseigner à Harvard, puis à la London School of Economics, qui présidera le jury de doctorat de Frank Knight, et qui lui offrira de rester comme stagiaire post-doctoral, jusqu’à son départ pour Harvard en 1917. Frank Knight de son côté rejoindra alors John Bates Clark à l’Université de Chicago, où il retravaillera le manuscrit de sa thèse, qui sera publiée en 1921 sous le titre Risk, uncertainty and profit, comme le raconte Emmet (2020) – qui revient longuement sur les changements entre le manuscrit de la thèse, et l’ouvrage publié. Les superviseurs de Knight – John Bates Clark et Allyn Abbott Young – ont attesté à l’éditeur que peu de choses avaient été modifiées, mais comme pour John Maynard Keynes, ces années de maturation ont permis de clarifier certains concepts.

Le point de départ de livre de Frank Knight, ce sont les travaux de John Clark, et en particulier Distribution of Wealth paru en 1899,

« Professor Clark’s work is taken as the basis and starting point of the present study. Some criticism of it will be found necessary, leading to disagreement on some rather essential points, but with its general aim and with many of its conclusions our own are in accord ».

Tout au long du livre, il revient sur des défauts des approches de Hawley et Clark, en notant par exemple que si les agents économiques connaissaient les distributions de probabilités, ils devraient alors se comporter exactement de la même manière. Même si Clark avait introduit une notion de « valeur actuarielle subjective », l’idée centrale à l’époque était que les probabilités (et donc la valeur actuarielle) était parfaitement connue par tous les agents

« It is this “true” uncertainty, and not risk, which forms the basis of a valid theory of profit and accounts for the divergence be-tween actual and theoretical competition ».

La première idée de Frank Knight est bien sûr la notion d’incertitude. L’ouvrage récent de John Kay et Mervyn King, Radical Uncertainty : Decision-Making Beyond the Numbers, revient sur cette idée centrale dans le livre de Knight. La deuxième idée est la théorie des prix, et plus précisément la théorie de la concurrence parfaite. La différence la plus importante, selon Knight, entre la théorie classique des prix et la concurrence imparfaite est la présence dans cette dernière de l’incertitude, qui émerge d’un changement dynamique, et donc imprévisible. C’est cette imprévisibilité dynamique qui a créé les conditions économiques pour l’action entrepreneuriale. Cette approche nécessitaient un jugement, une faculté humaine qui n’était pas nécessaire dans la concurrence parfaite, où tout était calculable, et calculé, parce que tout était « prévisible ». L’incertitude exigeait un jugement, non seulement sur les états du monde, mais aussi sur la capacité des autres à porter des jugements dans des situations incertaines. L’organisation et la coopération est donc apparue, tant au sein des entreprises que dans l’organisation économique sociale, comme un moyen de coordonner les jugements. Franck Knight a ainsi été le premier fait une distinction entre les problèmes de décision lors que les probabilités sont connues, et lorsqu’elles ne le sont pas, ce qui impose de clarifier (comme avait tenté de le faire Keynes) la notion de probabilité.

Dans Risk, Uncertainty and Profit, Knight a distingué trois types de probabilité différents, qu’il a appelées « probabilité a priori », « probabilité statistique » et « estimations ». Le premier type se situe sur le même plan logique que les propositions mathématiques, l’exemple classique étant la probabilité d’obtenir une face lors d’un lancer de dé (la symétrie du cube permet d’affirmer qu’il y a une chance sur six d’obtenir une des faces). La « probabilité statistique » dépend de l’évaluation empirique de la fréquence, dans des expériences répétées. Dans le langage bayésien contemporain, dans le premier cas, on retrouve la distribution de probabilité a priori. alors que dans le deuxième cas, on retrouverait une distribution a posteriori. Dans le troisième cas, les données existantes ne se prêtent pas à l’analyse statistique, lorsque des expériences répétées sont impossibles. Ce dernier cas est celui qui a le plus intéressé Knight, en tant qu’économiste essayant de comprendre et modéliser le monde des affaires, et la nature du profit dans ce contexte. Knight a identifié la confusion entre « le problème de l’estimation intuitive » et « la logique de la probabilité », qu’elle soit a priori ou statistique

Le livre n’a pas connu un grand succès, seulement deux articles publiés avant 1930 l’ayant cité. Mais en 1933, Lionel Robbins a fait en sorte que la London School of Economics (LSE) réimprime le livre afin que ses étudiants puissent y avoir accès. Et quarante ans plus tard, l’American Economic Association a décerné à Knight la médaille Walker, décernée tous les cinq ans pour honorer l’économiste américain qui a apporté la plus grande contribution à l’économie tout au long de sa carrière.

Arrous, J. (1982). Keynes et les probabilités: Un aspect du ” fondamentalisme ” keynésien. Revue économique, 33(5), 839-861

Bouvier-Patron, P. (1996). La question de la réduction d’incertitude chez F. Knight. L’Actualité économique, 72 (4), 397–415.

Combenale, P. (2010). Introduction à Keynes. La Découverte.

Diebold, F.X. Doherty, N.A. & Herring, R.J. (2010). The Known, the Unknown, and the Unknowable in Financial Risk Management: Measurement and Theory Advancing Practice. Pinceton University Press.

Emmet, R.B. (2020). The Writing and Reception of Risk, Uncertainty and Profit. SSRN: 3591596.

Kent, S. (2019). ‘A degree of a different character’: 100 years of the Cambridge PhD. Cambridge University Library Special Collections Blog

Leroy, S.F. & Singell, L.D. (1987). Knight on risk and uncertainty. Journal of Political Economy, XCV, 2, p. 294-406.

MacLeod, W.B. & Urquiola, M. (2021). Why Does the United States Have the Best Research Universities? Incentives, Resources, and Virtuous Circles. Journal of Economic Perspectives, 35:1, 185-206.

Muchlinski, E. (2003). Épistémologie et probabilité chez Keynes. L’Actualité économique, 79 (1-2), 57–70.

Pradier, PC. & Serrano, D.T. (2000) Frank H. Knight le risque comme critique de l’économie politique. Revue de synthèse 121, 79–116

Robert, C.P (2010). An attempt at reading Keynes’ Treatise on Probability. ArXiv: 1003.5544

Schmidt, C. (2003). Que reste-t-il du Treatise on Probability de Keynes? L’Actualité économique, 79 (1-2), 37–55.

Van Overtveldt, J. (2007). The Chicago school : how the university of Chicago assembled the thinkers who revolutionized economics and business, Chicago, Agate

Walley, Peter ( 1991), Statistical Reasoning with Imprecise Probabilities, London : Chapman and Hall.

Wrinch, D. & Jeffreys H. (1919) On Some Aspects of the Theory of Probability, Philosophical Magazine, no 38,‎ 1919, p. 715-731

Zabell, S.L. (1992) Predicting the unpredictable. Synthese 90, 205–232

[i] Cet ouvrage n’est même pas cité dans l’introduction à Keynes de Pascal Combemale, Combenale (2010)

[ii] En France, la première femme élue à un conseil municipal était Joséphine Pencalet, à Douarnenez en mai 1925 (suite à la grève des sardinières), mais son élection fut invalidée par le Conseil d’État, car à l’époque, les femmes ne sont ni électrices ni éligibles. Il faudra attendre 1945, et le droit de vote, pour que les femmes deviennent éligibles, en Frnace.

[iii] Le programme de Doctor of Philosophy de Cambridge n’existera qu’à partir de 1919, comme le raconte Kent (2019)

[iv] Zabell (1992) revient sur les apports de William Ernest Johnson, qui a en particulier introduit un des premiers relâchements de l’hypothèse d’indépendance, en probabilités, en définissant le concept d’échangeabilité.

# Insurance against Natural Catastrophes: Balancing Actuarial Fairness and Social Solidarity

Our research paper, Insurance against Natural Catastrophes: Balancing Actuarial Fairness and Social Solidarity, with Molly James and Laurence Barry, is now published in the Geneva Papers on Risk and Insurance.

Natural disasters offer a special case for the study of private and public insurance mix. Indeed, the experience accumulated over the past decades has made it possible to transform poorly known hazards, long considered uninsurable, into risks that can be assessed with some precision. They exemplify however the limits of the risk-based premiums method, as it might imply unaffordability for some. The French scheme reflects such ideas and offers a wide coverage for moderate premiums to all, but is shaken by climate change: we show that some wealthier areas, that were not perceived as “at risk” in the past, have become exposed to submersion risk in the future. This singularly makes some well-off properties the potential main beneficiaries of a scheme that was historically thought to protect the worst-off. Acknowledging that some segmentation might become desirable, we examine several models for flood risk and the disparity in premiums they entail.

## An Open Lab-Notebook Experiment

Search OpenEdition Search

You will be redirected to OpenEdition Search