Tag Archives: corporels

Partage des données, à qui profite le crime ?

Ce billet a été co-écrit avec Laurence Barry.

Récemment, la Commission Européenne a posé les bases d’un nouveau cadre d’accès aux données financières (FIDA, ou Financial Data Access), permettant aux consommateurs et aux entreprises d’autoriser des tiers à accéder à leurs données détenues par des institutions financières, y compris les assurances.

Un des principaux arguments en faveur de cette réglementation est la transparence, ou comme le disent les textes « promoting financial transparency ». Or il est difficile d’être contre la transparence, à moins d’avoir quelque chose à cacher. C’est le fameux argument “nothing to hide” ! Comme le rappelle Solove (2011), le gouvernement britannique l’avait utilisé comme argument, pour installer des caméras de surveillance: « if you’ve got nothing to hide, you’ve got nothing to fear. » L’universitaire Shoshana Zuboff est beaucoup plus réservée, « if you have nothing to hide, then you are nothing... » Partager des données personnelles sans limites, ni responsabilité quant à la manière dont ces informations sont utilisées, est dangereux, pour la personne qui le fait, mais aussi collectivement: Nous nous concentrons ici sur l’utilisation que pourraient faire les assureurs de davantage d’informations : cette  ouverture de l’accès aux données compromet largement l’idée même de mutualisation et de partage des risques.

Continue reading Partage des données, à qui profite le crime ?

Du “Fichier des Victimes Indemnisées” à DataJust (et inversement)

Alors que je préparais un exposé sur la décision d’aller ou pas au tribunal, dans le cas d’accident de la route (pour une victime), j’ai voulu faire une digression autour de DataJust, en lien avec ce que j’ai pu voir en travaillant sur notre article, sur la base des données du Fichier des Victimes Indemnisées, mis en place dans le cadre de la loi Badinter, en 1985, car ça permet d’avoir une perspective intéressante, il me semble.

En commençant par la fin, DataJust, née du le décret nº 2020-
356 du 27 mars 2020 portant création d’un traitement automatisé de données à caractère personnel a été publié au Journal officiel du 29 mars 2020. L’article 1er du décret du 27 mars 2020 énonce que le ministre de la Justice « est autorisé à mettre en œuvre, pour
une durée de deux ans, un traitement automatisé de données à caractère personnel, dénommé « DataJust », ayant pour finalité le
développement d’un algorithme ». Un « algorithme »… le (gros) mot est lâché.  Car autant être clair: comme le rappellent Eugénie Petitprez, et Rodolphe Bigot (dans standard humain ou standardisation
algorithmique de l’évaluation du dommage corporel ?) « la Justice n’a pas la culture de la donnée, ni les réels moyens des ambitions qui lui sont prêtées. S’il n’y a pas de culture de la donnée, c’est parce que depuis toujours la Justice fonctionne fondamentalement à l’encontre de la donnée ». On ne pourrait être difficilement plus clair. Mais les deux premiers articles donnaient des informations intéressantes. Le premier article revient sur les finalités de cet « algorithme » qui sera créé : il doit « servir à : 1 º La réalisation d’évaluations rétrospectives et prospectives des politiques publiques en matière de responsabilité civile ou administrative ; 2º L’élaboration d’un référentiel indicatif d’indemnisation des préjudices corporels (…) ». Mais cet « algorithme » n’est pas tout, car un « algorithme » n’est rien sans données pour apprendre (dans la version moderne de l’apprentissage). Et le second article évoque les données utilisées. Plus précisément, dans les données, figureront « 2º les éléments d’identification des personnes physiques suivants : la date de naissance, le genre, le lien de parenté avec les victimes et le lieu de résidence ; 3º Les données et informations relatives aux préjudices subis, notamment : – la nature et l’ampleur des atteintes à l’intégrité, à la dignité et à l’intimité subies, en particulier la description et la localisation des lésions, les durées d’hospitalisation, les préjudices d’agrément, esthétique, d’établissement, d’impréparation ou sexuel, les souffrances physiques et morales endurées, le déficit fonctionnel, ainsi que le préjudice d’accompagnement et d’affection des proches de la victime directe ; – les différents types de dépenses de santé (notamment frais médicaux, paramédicaux, pharmaceutiques et d’hospitalisation) et d’aménagement (notamment frais de logement, d’équipement et de véhicule adaptés) ; – le coût et la durée d’intervention des personnes amenées à remplacer ou suppléer les victimes dans leurs activités professionnelles ou parentales durant leur période d’incapacité ; – les types et l’ampleur des besoins de la victime en assistance par tierce personne ; – les préjudices scolaires, universitaires ou de formation subis par la victime directe ; – l’état antérieur de la victime, ses prédispositions pathologiques et autres antécédents médicaux ; 4 º Les données relatives à la vie professionnelle et à la situation financière, notamment la profession, le statut, les perspectives d’évolution et droits à la retraite, le montant des gains et pertes de gains professionnels des victimes, ainsi que des responsables ou personnes tenues à réparation ; 5º Les avis des médecins et experts ayant examiné la victime et le montant de leurs honoraires ; 6º Les données relatives à des infractions et condamnations pénales ; 7º Les données relatives à des fautes civiles ; 8º Le numéro des décisions de justice. (….) ». Je vais m’arrêter là mais il y a beaucoup d’information.

En lisant un peu des articles de presse, de juristes (on pourra lire Le raisonnement par algorithme : le fantasme du juge-robot, par exemple de Frédéric Rouvière, ou Le droit isométrique : un nouveau paradigme juridique né de la justice prédictive, de Louis Larret-Chahine) il y a beaucoup de fantasmes autour de de l’intelligence artificielle, des « algorithmes », etc. Ce qui me frappe le plus, c’est que dans un cas très particulier ces données existent (plus ou moins) : c’est le cas des dommages corporels subits par les victimes d’accident de la circulation lors d’accidents automobiles

Il existait auparavant des banques de données des décisions des différentes juridictions, mais rien sur les règlements contractuels, c’est à dire, pour faire simple, lorsque l’assureur offre une indemnité à la victime (et que cette dernière l’accepte). Pour rendre comparables les montants, la loi (qui date de plus de 35 ans) a créé le “fichier national des personnes indemnisées“, où doivent figurer les montants d’indemnités résultant tant des décisions de justices que des transactions avec les assureurs. Cette obligation d’information a été inscrite dans la lettre de la loi. L’article 26 de la loi du 5 juillet 1985 (c’est la petite phrase de l’article L.211-23 du Code des Assurances), « sous le contrôle de l’autorité publique, une publication périodique rend compte des indemnités fixées par les jugements et les transactions ». Et depuis 1989, cette base est accessible (à l’époque, par…. Minitel – 3615 AGRIA). Comme le montre l’extrait que j’indique, il ne s’agit aucunement de garantir un niveau d’indemnisation à la victime, mais seulement de lui assurer la disponibilité de l’information, afin qu’elle puisse juger par elle-même de la valeur des règlements qui lui sont proposés. Je renvoie vers l’accident corporel de la circulation, entre transactionnel et juridictionnel de Evelyne Serverin, Boris Bertin, Simy Elbaz et Sophie Julliot pour un survol passionnant (le rapport date de 1997) !

Dans l’exposé que je donnerai lundi midi, on reviendra sur l’utilisation de ces données, car elles sont riches. Mais complexes à analyser. Un point intéressant, c’est qu’il y a un enregistrement par victime (et non pas par accident). Et pour chaque victime, on a le montant de l’indemnité perçue. Pour un règlement contractuel, c’est le montant offert par l’assureur, et pour un jugement, c’est le montant ordonné par le juge (le montant proposé par l’assureur est alors inconnu). Pour un économètre, c’est un joli problème, quand on essaye de comprendre qui décide d’aller au tribunal. Mais les conclusions de notre étude ont surtout souligné l’incroyable variabilité des indemnités perçues par les victimes. Y compris ceteris paribus sic stantibus. Et compte tenu du nombre d’information à disposition, cela signifie que l’on peut regarder à âge de la victime donné, à genre donné, à lieu de résidence donné, à gravité de l’accident donné (niveau d’IPP, nombre de jours d’hospitalisation, etc). Si cet « algorithme » est simplement un barème, une grille indicative d’indemnisation, j’imagine que l’idée est louable. Si notre modélisation donne des niveaux obtenus au tribunal et après négociation avec l’assureur très proches, la variabilité quand on compare aux montants réellement observés est colossale ! Dans notre étude, on observe une personne qui aurait eu un accident en 1996, dans la région d’Aix-en-Provence, passager, d’un peu plus de 50 ans, qui a passé un peu moins de 2 ans à l’hôpital. Alors que nos modèles prédisent un dommage corporel de l’ordre de 65,000 euros, elle a touché presque 100,000 euros (au tribunal). Un homme dans la région de Rennes, un peu moins de 50 ans, qui a passé moins de 2 ans à l’hôpital aurait du toucher selon nos modèles de l’ordre de 130,000 euros, et il a accepté les 100,000 euros proposés par l’assureur. Et ce ne sont que deux exemples pris au hasard.

La variabilité observé pour des victimes « semblables » (le fameux ceteris paribus sic stantibus) rend mal à l’aise, et laisse à penser qu’un barême national serait bénéfique à tous et à toutes (je ne parlerais pas ici des différences entre les hommes et les femmes que nous observons, là encore des victimes « semblables » … ou de la différence entre les lieux des accidents, en particulier entre Aix-Marseille et Rennes). Avoir des données pour mieux comprendre comment sont indemnisées les victimes d’accidents corporels est essentiel pour avoir un minimum de justice. Et DataJust n’apporte finalement rien de plus que ce que proposait la loi Badinter (tant que l’« algorithme » reste un modèle de régression – même si ici, on est dans cas de données dépendantes limitées pour reprendre la terminologie de Madalla (1983), qui restent des modèles classiques d’économétrie, mais qui pourraient ressembler à de la magie noire de l’intelligence artificielle à un juriste éloigné des techniques statistiques de base).

Bref, j’étais étonné de voir autant de plumes s’élever contre DataJust, surtout quand on voit que des choses très proches existent depuis 35 ans, avec des finalités louables

En l’occurrence, notre étude montre que les cours donnent des indemnités très différentes, et c’est problématique. La culture de la donnée, et des modèles, est indispensable si on veut un minimum de transparence et d’équité. C’est qu’évoque le retrait de DataJust, ou la fausse défaite des barèmes de Vincent Rivollier, Manon Viglino et Christophe Quézel-Ambrunaz.

Mais cela suppose d’avoir des historiques de données importants (dans notre cas, avec seulement 20 ans de données, on a du mal à avoir des estimations robustes, en grande partie à cause de la très grande variabilité des montants), et des données fiables, et bien renseignées. Car ensuite l’interprétation devient complexe: lorsque nous avions présenté nos résultats il y a quelques années, on nous avait fait remarqué que si les montants ne sont pas « semblables » alors que les victimes le sont, c’est peut-être qu’elles ne sont pas aussi « semblables » qu’elles semblent l’être. En particulier, les informations relativement subjectives (que je dirais sorties d’un « algorithme » si je voulais être taquin) comme le niveau d’I.P.P. – Incapacité Permanente Partielle – n’est peut être pas attribué de la même manière à tout le monde. Au lieu de monter sur ses grands chevaux quand on parle d’ « algorithme », il serait intéressant d’écouter les personnes qui font de l’économie de la justice, ou de statistique de la justice. Et je suis content, parce que je vais les rencontrer cette semaine lors de mon passage à Paris ! À suivre donc…

Exposé à Nanterre sur les accidents corporels

Lundi midi, je serais (physiquement) à Nanterre, au séminaire Laws, Institutions and Economics et je présenterais des travaux sur la modélisation des accidents corporels (en assurance automobile) en France. Les slides sont en ligne. Il est largement inspiré des travaux mené avec Enora Belz dans sa thèse. J’espérais avoir des données à jour, mais la signature de la convention a trainé (on va donc rester sur les données de 1997 à 2014). Ca sera l’occasion de revenir sur l’idée d’avoir des barèmes pour l’indemnisation des accidents corporels, et l’abandon récent de DataJust. Mais je ferais probablement un billet de blog sur le sujet, avec un peu de chance, avant lundi… à suivre donc…

Localisation des accidents corporels

Encore un billet dans le cadre du projet R de la formation en Data Science pour l’Actuariat, avec quelques lignes de codes pour visualiser les accidents corporels, en France. Il y aura d’autres billets sur ces données dans les jours à venir. Le premier s’inspire du projet de Guillaume Gerber. L’idée est de normaliser par la population d’un département, quand on va visualiser le nombre d’accidents.

On va commencer par récupérer notre fond de carte

library(rgdal)
library(sp)
library(data.table)
library(dplyr)
library(plyr)
download.file(url = "http://professionnels.ign.fr/sites/default/files/GEOFLA_1-1_SHP_LAMB93_FR-ED111.tar.gz",
destfile="GEOFLA.tar.gz")
untar("GEOFLA.tar.gz")

Ces données contiennent la population. Mais par commune. Donc on va aggréger pour l’avoir par département

com <- readOGR(dsn = "./GEOFLA_1-1_SHP_LAMB93_FR-ED111/COMMUNES/", layer="COMMUNE", stringsAsFactors=FALSE,encoding = "UTF-8")
com <- readOGR(dsn = "/home/arthur/Téléchargements/projet-R-DSA-2016/GEOFLA_1-1_SHP_LAMB93_FR-ED111/COMMUNES/", layer="COMMUNE")
dep <- readOGR(dsn = "/home/arthur/Téléchargements/projet-R-DSA-2016/GEOFLA_1-1_SHP_LAMB93_FR-ED111/DEPARTEMENTS/", layer="DEPARTEMENT", stringsAsFactors=FALSE,encoding = "UTF-8")
pop <- as.data.table(tapply(X=com$POPULATION, INDEX = com$CODE_DEPT, FUN = sum), keep.rownames=TRUE)
colnames(pop) <- c("CODE_DEPT","POPULATION")
superficie <- as.data.table(tapply(X=com$SUPERFICIE, INDEX = com$CODE_DEPT, FUN = sum), keep.rownames=TRUE)
colnames(superficie) <- c("CODE_DEPT","SUPERFICIE")
dep@data <- inner_join(dep@data, pop)
dep@data <- inner_join(dep@data, superficie)
dep@data$POPULATION <- dep@data$POPULATION * 1000

On va ensuite récupérer les données d’accidents de la route

debut_url_base_accident = "https://www.data.gouv.fr/s/resources/"
acc_caract <- read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation-sur-6-annees/20150806-155035/caracteristiques_2010.csv",sep=''),colClasses=c("com"="character","dep"="character"))
acc_caract <- rbind(acc_caract,read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation-sur-6-annees/20150806-154723/caracteristiques_2011.csv",sep=""), colClasses=c("com"="character","dep"="character")))
acc_caract <- rbind(acc_caract,read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation-sur-6-annees/20150806-154431/caracteristiques_2012.csv",sep=""), colClasses=c("com"="character","dep"="character")))
acc_caract <- rbind(acc_caract,read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation-sur-6-annees/20150806-154105/caracteristiques_2013.csv",sep=""), colClasses=c("com"="character","dep"="character")))
acc_caract <- rbind(acc_caract,read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation-sur-6-annees/20150806-153701/caracteristiques_2014.csv",sep=""), colClasses=c("com"="character","dep"="character")))
acc_caract <- rbind(acc_caract,read.csv(file = paste(debut_url_base_accident,"base-de-donnees-accidents-corporels-de-la-circulation/20160909-181230/caracteristiques_2015.csv",sep=""), colClasses=c("com"="character","dep"="character")))
acc_caract$dep[which(acc_caract$dep %in% "201")] <- "2A0"
acc_caract$dep[which(acc_caract$dep %in% "202")] <- "2B0"
acc_caract$dep <- substr(acc_caract$dep, 1, 2)

Maintenant, on peut compter, par année, par département (ou en aggrégeant, temporellement)

dep_with_nb_acc <- function(acc_caract, dep,nb_an=1,normalize=FALSE){
acc_nb_par_dep <- count(acc_caract,"dep")
acc_nb_par_dep$dep <- substr(acc_nb_par_dep$dep, 1, 2)
names(acc_nb_par_dep)[names(acc_nb_par_dep) == "dep"] <- "CODE_DEPT"
dep@data <- inner_join(dep@data, acc_nb_par_dep)
dep@data$SUPERFICIE <- dep@data$SUPERFICIE/100 # en km^2
dep@data$freq_par_hab <- (dep@data$freq/nb_an)/dep@data$POPULATION
m <- sum(dep@data$freq/nb_an)/sum(dep@data$POPULATION)
if(normalize) dep@data$freq_par_hab <- log(dep@data$freq_par_hab/m)
return(dep)
}

On va alors constituer nos bases,

data_plot <-  c(
"2010_2015" = dep_with_nb_acc(acc_caract, dep,nb_an = 6),
"2010_2015_n" = dep_with_nb_acc(acc_caract, dep,nb_an = 6,normalize=TRUE))

La première correspond juste au nombre d’accident, sur 6 ans, normalisé par la population (ce qui pourraît être vu comme une fréquence d’accident corporel)

zmax = max(data_plot[[1]]@data$freq_par_hab)
spplot(obj = data_plot$'2010_2015',"freq_par_hab",at = seq(0, zmax, by = zmax/10),main = "")

mais on peut aussi normaliser par la fréquence nationale, afin de faire ressortir les départements les plus dangereux. On est également passé sur une échelle logarithmique,

zmin = min(data_plot[[8]]@data$freq_par_hab)
zmax = max(data_plot[[8]]@data$freq_par_hab)
spplot(obj = data_plot$'2010_2015_n',"freq_par_hab",at = seq(zmin, zmax, by = (zmax-zmin)/10),main = "")

Evolution des Taux et Valeurs de Rentes

Dans mon billet, publié hier soir, sur Taux d’intérêt négatifs et explosion des valeurs de rentes, je montrais que les calculs de valeurs actuelles probables de rentes avec des taux de 5% (couramment utilisés il y a encore quelques années) ou -2% (les taux aujourd’hui sont faibles, voire négatifs) peut avoir un impact colossal. Mais qu’en est-il ‘pour de vrai’ ? Que se passe-t-il si j’actualise avec des taux ‘réellement’ observés, et pas des taux fixés arbitrairement.

Sur datamarket.com, on peut ainsi récupérer le taux à un an

Pourquoi un an? Je ne sais pas… Il me fallait en choisir un. C’est la plus courte maturité que j’ai pu trouver…. C’est un choix largement discutable… Il a un impact sur les valeurs numériques, probablement. Mais pas sur la tendance….

On commence par récupérer les données

> B=read.table("euro-yield-curves-daily-data.csv",sep=";",nrows=2925,header=TRUE)
> Y=as.numeric(as.character(B[,2]))
> Y[is.na(Y)]=as.numeric(paste("-",substr(as.character(B[is.na(Y),2]),2,nchar(as.character(B[is.na(Y),2]))),sep=""))
> D=as.Date(as.character(B[,1]),"%Y-%m-%d")
> YR=as.numeric(substr(as.character(B[,1]),1,4))
> plot(D,Y,type="l")
> abline(h=0,col="red")

Si on regarde uniquement la dernière année, depuis le 1er janvier 2015, les taux ont finalement très peu varié

en passant de 0.1% à -0.25% (soit une variation de l’ordre de 0.35 points, en 14 mois). Quel est l’impact sur les valeurs de rente ?

Reprenons le code d’hier (un peu modifié pour aller plus vite)

> file =paste("http://freakonometrics.free.fr/",
+ "HOM","-table-SPLx.csv",sep="")
> BH  = read.table(file,header=TRUE,sep=",")
> file =paste("http://freakonometrics.free.fr/",
+ "FEM","-table-SPLx.csv",sep="")
> BF  = read.table(file,header=TRUE,sep=",")
> PRIX=function(annee=2011,age,sexe="HOM",
+ taux=0.04, duree,C=1000){
+ if(sexe=="HOM") B=BH
+ if(sexe=="FEM") B=BF
+   an    = annee-age; if(an>2005){an=2005}
+   nom   = paste("X",an,sep="")
+   L     = B[,nom]
+   Q     = L[(age+1):length(L)]/L[(age+1)]
+   actualisation = (1+taux)^(0:min(duree,120-age))
+   prixsup = sum(Q[2:(min(duree,120-age)+1)]/
+   actualisation[2:(min(duree,120-age)+1)] )
+   prixinf = sum(Q[1:(min(duree,120-age))]/
+   actualisation[1:(min(duree,120-age))] )
+   return(C*c(prixsup,prixinf))}

On peut alors regarder l’évolution des rentes, avec les taux (et l’année, on va tenir compte aussi des gains d’espérance de vie)

Regardons pour un homme de 15 ans (l’idée était de regarder les rentes versées en cas d’accident corporel)

> F15=function(i) PRIX(annee=YEAR[i],age=15,sex="HOM",duree=150,taux=Y[i]/100)[1]
> rente15H=Vectorize(F15)(seq(1,length(Y),by=1))

ou pour une femme de 15 ans

> F15=function(i) PRIX(annee=YEAR[i],age=15,sex="FEM",duree=150,taux=Y[i]/100)[1]
> rente15F=Vectorize(F15)(seq(1,length(Y),by=1))

On peut aussi regarder un homme de 25 ans

> F25=function(i) PRIX(annee=YEAR[i],age=25,sex="HOM",duree=150,taux=Y[i]/100)[1]
> rente25H=Vectorize(F25)(seq(1,length(Y),by=1))

et une femme de 25 ans également

> F25=function(i) PRIX(annee=YEAR[i],age=25,sex="FEM",duree=150,taux=Y[i]/100)[1]
> rente25F=Vectorize(F25)(seq(1,length(Y),by=1))

Pour visualiser l’évolution des rentes, plaçons nous en base 100 en janvier 2008 (correspondant à l’époque où je rédigeais les annexes techniques)

> b15h=rente15H/rente15H[D==as.Date("2008-01-02","%Y-%m-%d")]
> b15f=rente15F/rente15F[D==as.Date("2008-01-02","%Y-%m-%d")]
> plot(D,b15f*100,col="red",type="l")
> lines(D,b15h*100,col="blue")

Aussi, une rente qui valait 100 en 2008 vaut aujourd’hui 350. Avec des taux passant de 3.5% à 0%. Et une croissance presque linéaire depuis 4 ans. Si on se limite aux 14 derniers mois (baisse de 0.35 points des taux), la valeur de la rente augmente, elle, de 10%

Si on regarde pour des jeunes de 25 ans (et plus 15 ans), les résultats sont relativement comparabless

> b25h=rente25H/rente25H[D==as.Date("2008-01-02","%Y-%m-%d")]
> b25f=rente25F/rente25F[D==as.Date("2008-01-02","%Y-%m-%d")]
> plot(D,b25f*100,col="red",type="l")
> lines(D,b25h*100,col="blue")

Une rente qui valait 100 en 2008 va aujourd’hui un peu moins de 350. Autrement dit, même en actualisant avec des taux de marché, on voit que la baisse des taux va avoir un impact très important sur les rentes. Même si la fréquence d’accidents graves baisse (ou disons reste stable), le coût des accidents corporels devrait continuer à augmenter dans les mois à venir… juste à cause des faibles taux d’intérêt (et de la valeur des rentes qui va exploser).

Nombre de morts sur la route en baisse… et ? (partie 1)

Tout le monde semble se réjouir de la baisse du nombre de morts sur la route depuis quelques années (longtemps attribué à la présence de radars automatiques, mais qu’on pourrait aussi associer à l’instauration du permis à point). Et c’est tant mieux. Mais sans vouloir jouer les cyniques, et en tous les cas c’est une statistique qui intéresse probablement davantage les assureurs, il peut sembler intéressant de s’intéresser aussi aux accidents corporels graves….

image volée chez Andy Warhol

Le principal soucis méthodologique est qu’au 1er janvier 2005, la définition d’accidents graves ou encore de décès a changé. Avant 2005, un tué, était une victime décédée sur le coup ou dans les six jours qui suivent l’accident. A partir de 2005, les 6 jours passent à 30 jours. De même, un blessé grave était un blessé dont l’état nécessitait plus de six jours d’hospitalisation. Après 2005, cette classe disparait, et seuls restent les blessés qui ont passé plus de 24 heures à l’hôpital…. Bref, on est un peu bloqué pour vraiment analyser les tendances sur une longue période…

  • Nombre de morts sur la route

Le graphique suivant montre le nombre quotidien de morts sur les routes, passant d’une vingtaine en 2002 à une douzaine (en 2008).

On notera qu’il n’y a pas eu de réelle rupture en 2005, malgré la nouvelle définition de décès.

  • Nombre de blessés graves

En revanche, les statistiques sur les blessés (graves) ont connu une réelle rupture en 2005.

On peut essayer de corriger afin de rendre les séries comparables (au moins en terme d’ordre de grandeur),

Au delà de la tendance (et de la rupture de la forte baisse observée en 2002-2004), on notera que le cycle annuel est plus faible. De la même manière que les cycles dans les naissances semblent avoir diminué (comme je l’évoquais ici), on notera que le cycle dans les accidents graves (mais aussi dans une moindre mesure les décès) a fortement diminué…

L’équipe de France de foot devrait jouer seulement en semaine (ça sauverait des vies)

Il y a quelques semaines, le service de centralisation des statistiques de l’assurance accidents LAA, par l’intermédiaire de Stefan Scholz Odermatt, a publié une étude sur la survenance d’accident automobile les jours de match de foot.

Selon l’étude (mentionnée ici ou ) le nombre d’accidents les jours où il y a match est supérieur aux jours sans match,

Ayant réussi à récupérer une base presque exhaustive d’accidents corporels en France, je peux faire la même étude, entre janvier 2002 et décembre 2007. Les conclusions sont moins flagrantes que sur le cas suisse, en particulier les jours de semaine, où manifestement, personne ne s’intéresse aux matchs (où en tous les cas pas assez pour être moins vigilent au volant).

En revanche, le week end, l’effet devient plus prononcé

avec davantage d’accidents dans la journée où il y a un match de l’équipe de France.

Moralité, l’équipe de France de foot devrait jouer seulement en semaine, à chaque match, cela éviterait une vingtaine d’accidents de la route à chaque fois (et je ne parle que d’accidents corporels, ayant causé des blessures et ayant donné lieu à un constat de police) ! Comme le disait un copain à qui je racontais ça, “l’équipe de France devrait jouer, ça serait un début“…. mais c’est un autre sujet.