Tag Archives: New York Times

L’assurance, l’immobilier et la fabrique de l’ignorance

Cette fin de semaine, le New York Times rapportait que Zillow, premier site immobilier américain, a retiré discrètement de ses annonces les scores de risques climatiques (inondation, incendie, chaleur) produits par First Street Foundation. Le retrait suit les pressions d’agents immobiliers et le lobbying de plusieurs Multiple Listing Services (MLS), notamment celui de Californie, l’un des plus puissants du pays. Comme l’écrit la journaliste Claire Brown, Zillow a supprimé ces scores suite à une plainte,

“Zillow stopped displaying the scores after complaints from the California Regional Multiple Listing Service”

Mais que se passe-t-il lorsqu’une information sur les risques entre en collision avec des intérêts économiques solidement installés ? Mary Douglas le soulignait, en 1992, dans Risk and Blame

institutions themselves are the monitors which determine what is going to count as information

Le risque, autrement dit, ne se contente pas d’exister ; il est façonné, filtré, parfois instrumentalisé comme une technologie morale, c’est-à-dire un instrument utilisé pour orienter les comportements en fonction des intérêts d’un groupe. Le cas Zillow en est un exemple presque didactique : la connaissance produite par les modèles climatiques devient un coût pour l’industrie immobilière, donc elle doit être rendue silencieuse. Dans Risk and Culture, Mary Douglas écrivait :

“Blaming the system is a way of protecting the community from morally unacceptable risks. […] What is dangerous is not the event itself, but the threat it poses to an established social order.”

Les risques climatiques, dans cette perspective, menacent une “social order” : la fluidité des marchés immobiliers. Ils deviennent donc socialement inacceptables… non pas parce qu’ils sont faux, mais parce qu’ils sont vrais et dérangeants.

xL’objection immobilière : quand l’économie préfère l’ignorance

Le PDG du MLS californien déclare que

“When we saw entire neighborhoods with a 50 percent probability of the home flooding this year and a 99 percent probability of the home flooding in the next five years, especially in areas that haven’t flooded in the last 40 to 50 years, we grew very suspicious,”

L’argument est ancien et classique : un modèle est suspect lorsqu’il contredit l’expérience vécue. Or de nombreux travaux de climatologie et d’hydrologie rappellent que l’expérience passée n’est plus un guide fiable dans une distribution de risques non stationnaire. C’est précisément la thèse de tous les ouvrages sur les régimes extrêmes, la loi des queues épaisses ou le “stationarity is  dead” de Milly et al. (2008). Les hydrologues, les assureurs et les climatologues le répètent depuis 20 ans : le passé n’est plus un indicateur du futur. Dans The Physics of Climate Change, Lawrence Krauss écrit :

“The past climate is no longer a faithful record of the future—it is a fossil.”

Le commentaire du MLS illustre l’une des limites épistémologiques mises en avant par les philosophes des risques : la circularité de la validation. Si l’on exige qu’un risque futur soit déjà observé dans le passé, alors aucun risque émergent n’est légitime. Cette logique fut historiquement mobilisée pour nier les risques industriels dans les années 1950–1980 (asbestos, tabac, pollution). Sheila Jasanoff parle à ce propos de technologies of humility : la nécessité de reconnaître que l’absence d’événement n’est pas un argument.

La granularité excessive du risque

Le New York Times met en évidence, très justement, une tension fondamentale :  les modèles de risques climatiques ne sont pas conçus pour être lus au niveau de la maison individuelle. Madison Condon, chercheuse en droit et économie du climat, dit dans l’article

“With forward-looking models, we can’t check their outputs against a record, they are necessarily forecasting events that have not yet happened. The First Street models might provide a good enough answer for certain questions or certain hazards, But what level of accuracy is good enough changes substantially if the question is about one specific property you are about to spend your life savings on.”

Cette remarque rejoint deux axes centraux de la littérature scientifiques.  Tout d’abord, Les modèles de catastrophe sont fondamentalement des modèles de population, pas de micro-prédiction. Ils sont efficaces en agrégé, mais imprécis en micro-lieu. Mais il y a aussi l’illusion de précision (Lavine, Gigerenzer) : donner un chiffre très précis à un niveau spatial très fin crée une illusion d’exactitude, et donc une vulnérabilité cognitive.

Dans beaucoup d’ouvrages scientifiques sur le climat (notamment les rapports sur les risques de montée des eaux et les travaux de climat extrême), on retrouve cette idée : le risque est distribué spatialement, mais la vulnérabilité est locale et socio-économique. Le modèle ne peut donc être lu sans tenir compte du bâti, des protections locales, des pratiques d’assurance, et surtout des inégalités.

Les “cartographies interdites” 

De nombreux chercheurs ont montré que la publication d’une information sur les risques suscite presque toujours une controverse sociale. Comme le soulignent Reghezza-Zitt et Rufat dans Resilience Imperative,

“any representation of risk involves choices: what is shown, what is omitted, what is made salient”

Une carte n’est donc jamais un simple reflet du réel : elle sélectionne, ordonne et rend visibles certains dangers, tout en en invisibilisant d’autres, et contribue de ce fait à reconfigurer les rapports de force autour du territoire qu’elle représente. Pour Bankoff, Frerks et Hilhorst dans Mapping Vulnerability,

“vulnerability… defies the possibility of reading it from a general chart”

autrement dit, aucune carte ne peut prétendre offrir une représentation neutre ou complète du danger. Toute cartographie du risque simplifie, met en avant certains éléments, en omet d’autres, et participe ainsi à structurer les rapports sociaux autour de ce risque. Les débats sur Zillow s’inscrivent exactement dans cette dynamique. Rendre visible un risque climatique n’est jamais neutre, cela crée des gagnants et des perdants, et l’immobilier fait partie des secteurs où cette visibilité est la plus politiquement sensible. Trois précédents historiques viennent immédiatement à l’esprit.

L’histoire de la cartographie des inondations en France au XIXᵉ siècle montre déjà à quel point rendre visible un danger pouvait déclencher une crise politique locale. Après la crue de 1856, l’État et les ingénieurs des Ponts et Chaussées engagent un vaste travail de délimitation des zones inondables. Très vite, des communes protestent : être placées en “zone inondable”, c’est voir menacés la valeur foncière, l’attractivité de la commune, parfois même sa capacité à emprunter et à investir. Les travaux d’histoire des catastrophes et des politiques hydraulique que tu m’as fournis insistent sur ce point : la carte ne se contente pas d’enregistrer un risque naturel, elle reconfigure les rapports de force locaux en désignant des territoires comme “à problème”. Ce que l’on observe déjà à cette époque, c’est une grammaire politique très stable : la représentation savante du risque est perçue comme un acte performatif, qui fait exister publiquement une menace jusque-là socialement déniée.

Un siècle plus tard, les “redlining maps” de la Home Owners’ Loan Corporation aux États-Unis offrent un autre précédent, encore plus brutal, de la puissance performative des cartes. En classant les quartiers de A à D, avec les quartiers majoritairement noirs et pauvres systématiquement relégués en catégorie “hazardous”, l’administration ne se contente pas de décrire un risque de défaut de crédit : elle organise une véritable ségrégation financière et immobilière. La littérature historique et économique sur le redlining montre bien que ces cartes ont fixé durablement les trajectoires urbaines : un quartier coloré en rouge était privé d’accès au crédit, ce qui entraînait dégradation du bâti, désinvestissement public, puis renforcement des stigmates sociaux. Là encore, le parallèle avec les scores de risques climatiques est évident : dès qu’une représentation du risque est attachée à un lieu, elle pèse sur les prix, les flux d’investissements et, in fine, sur les populations qui y vivent.

Plus récemment, le cas des cartes de FEMA illustre une troisième configuration, où l’enjeu n’est plus tant la production de la carte que la gestion de son obsolescence. Plusieurs travaux que tu m’as transmis soulignent combien de municipalités américaines résistent à la mise à jour des zones inondables : une nouvelle carte signifie, très concrètement, hausse des primes d’assurance, contraintes de construction supplémentaires et baisse immédiate de la valeur immobilière. Il en résulte des cartes souvent en retard sur la réalité climatique, non par manque de capacité technique, mais parce que l’ajustement à la nouvelle distribution des risques est politiquement et économiquement explosif.

Vu depuis ces trois précédents historiques, la décision de Zillow de retirer les scores de risques des annonces s’inscrit dans une continuité troublante : plutôt que d’assumer les effets redistributifs d’une information climatique plus précise, on préfère en limiter la visibilité, au prix d’un retour à une asymétrie d’information défavorable aux acheteurs les plus exposés.

Les modèles First Street : science robuste, usages fragiles

Revenons un instant sur les données et les modèles mentionnés dans l’article du New York Times. Il existe un consensus large, dans la littérature scientifique et dans les évaluations institutionnelles américaines, sur le fait que les cartes FEMA (Flood Insurance Rate Maps — FIRMs) sont souvent obsolètes, parfois très anciennes, et méthodologiquement limitées. Le Department of Homeland Security lui-même, dont dépend FEMA, notait dès 2017 que plus de la moitié des cartes d’inondation américaines avaient plus de 15 ans, et qu’un nombre significatif n’avaient pas été mises à jour depuis 30 à 40 ans (DHS, National Flood Mapping Program Review, 2017). Le Government Accountability Office (GAO) confirme ce diagnostic : en 2022, il rapporte que

“FEMA’s flood maps remain inaccurate or outdated in many areas”

en raison de capacités limitées et de résistances locales à la révision (GAO-22-104, 2022). La littérature académique dit la même chose : dans Understanding Disaster Insurance, Kousky (2020) rappelle que

“FEMA’s flood maps remain incomplete and often outdated; they were never designed to provide a full accounting of flood risk, particularly under a changing climate.”

ou encore Smiley (2020)

“outdated and inaccurate, FEMA flood maps fail to fully capture risk”

Cela signifie que les cartes FEMA utilisent souvent des données hydrologiques, topographiques et pluviométriques qui ne reflètent plus les conditions environnementales actuelles, ni a fortiori celles induites par le changement climatique.

À l’inverse, la méthodologie de First Street Foundation s’appuie sur des modèles hydrologiques et hydrauliques continus, fondés sur des DEM haute résolution (USGS + LiDAR), l’intégration de l’imperméabilisation urbaine, des intensités de pluie mises à jour (NOAA Atlas 14), des données de débordement fluvial, des modèles côtiers (surcote, marées, élévation du niveau de la mer), et surtout des projections climatiques CMIP6. Matthew Eby, de First Street Foundation, est interrogé dans l’article du New York Times,  et comme il le dit,

“Our models are built on transparent, peer-reviewed science and the full methodologies are publicly available for anyone to review on our website.”

Effectivement First Street Foundation met réellement en ligne une méthodologie complète, notamment via le document FSF Flood Model – Technical Methodology, Version 3.0 (juillet 2023), accessible publiquement. On y trouve la description détaillée des données d’entrée : topographie haute résolution (USGS DEM, LiDAR quand disponible), hydrologie et hydraulique (débits USGS, marées et surcotes NOAA, intensités de pluie NOAA Atlas 14), occupation du sol (imperméabilisation, couvert végétal), ainsi que les projections climatiques issues de modèles CMIP6 et de données downscalées. Toutes ces sources sont listées dans les pages “Methodology” et “Data Sources” du site de FSF. Les données historiques d’inondation servent à la validation mais non au calcul direct du “Flood Factor” d’une propriété (FSF précise explicitement que les “historic flood events” ne déterminent pas la note d’un bien individuel).

Cette transparence documentaire est réelle, mais la reproductibilité intégrale du modèle reste limitée. D’une part, le modèle combine plusieurs couches (pluvial, fluvial, côtier, ruissellement urbain) à une résolution très fine (3 m), ce qui exige un traitement SIG massif et un accès à des données parfois difficiles à reconstituer dans leur état exact. D’autre part, les projections climatiques reposent sur des hypothèses (scénarios d’émissions, intensité des tempêtes, montée des eaux) que FSF reconnaît comme sources d’incertitude. Enfin, le modèle ne capture pas toutes les données locales de vulnérabilité : rehaussement individuel des maisons, drainage municipal récent, protections privées, etc. Certains analyses indépendantes (on peut penser à Review of a New Online Modeling Tool) recommandent donc de considérer les résultats comme indicateurs de risque probabiliste, utiles pour corriger l’asymétrie d’information, mais non comme diagnostics structurels à l’échelle de la maison.

Leur méthodologie est en réalité nettement plus avancée que les cartes FEMA, souvent vieilles de 20 à 40 ans.  Dans Climate Shock, Gernot Wagner et Martin Weitzman écrivent

“Inaction is often justified by questioning the models—especially when the newer models are more precise than the legacy systems they threaten.”

Les critiques adressées aux modèles First Street ne portent donc pas sur leur validité scientifique, mais sur leur impact économique.

Quand l’information change les comportements

Le New York Times mentionne un résultat majeur issu d’une expérience menée par Redfin et analysée dans Disaster on the horizon : rendre visible l’information sur le risque modifie de manière mesurable et significative les comportements d’achat. L’expérience, conduite auprès de 18 millions d’utilisateurs, consistait à afficher aléatoirement un score de risque d’inondation provenant de First Street Foundation sur les pages d’annonces. Les chercheurs montrent que, chez les utilisateurs exposés à l’information, les recherches se déplacent vers des zones à plus faible risque, et que les transactions portant sur des biens identifiés comme “à haut risque” enregistrent une baisse moyenne de 1 % du prix de vente (Bernstein, Gustafson & Lewis, 2024). L’étude conclut que

“the disclosure of flood risk information leads to a statistically significant reduction in demand for high-risk properties”

confirmant une intuition déjà présente dans les travaux de psychologie du risque : lorsque l’information devient saillante, elle modifie l’arbitrage des acheteurs. Kunreuther & Meyer le disaient dans The Ostrich Paradox, (2017)

“Markets underreact to low-probability high-consequence risks when information is not salient.”

Le New York Times résume correctement cet effet en notant

“The Redfin experiment, which lasted for three months, affected sales of 8,150 properties that were listed as being at high risk of flooding and reduced their total sales prices by about 1 percent of their value.”

Ce résultat n’est pas anodin : il établit empiriquement que rendre visible le risque climatique crée un effet de marché immédiat, ce qui explique pourquoi la visibilité même de cette information suscite des résistances politiques et économiques, exactement comme dans les précédents historiques que nous avons rappelés. Le problème est donc clair : soit on donne l’information, et le marché ajuste ; soit on la retire, et le marché fonctionne “normalement”… mais au prix de désinformer les acheteurs.

Qui a le droit de savoir ?

Ce contraste entre le faible devoir de transparence des vendeurs immobiliers et les attentes bien plus rigides souvent imposées aux assurés mérite qu’on s’y arrête. Comme je le rappelle dans un billet récent, L’impossible droit à l’erreur, l’impossible droit à l’oubli ?, les systèmes américains d’information publique sont d’une sévérité remarquable vis-à-vis des individus : dans de nombreux États, un assuré peut être lourdement sanctionné s’il omet de déclarer un élément de son passé, notamment des condamnations, des accusations encore pendantes, ou même des arrestations récentes, pourtant non suivies de jugement. Les bases de données publiques — Missouri Sunshine Law (§ 610.100), New York Criminal History Record Search, et les répertoires agrégés par des courtiers privés — transforment chaque trace pénale en stigmate durable, librement accessible à tout employeur, assureur ou bailleur. Comme je l’écrivais

“une simple arrestation (même classée sans suite) peut se muer en exclusion durable”

Autrement dit, l’individu doit “tout dire”, faute de quoi il risque d’être exclu d’un prêt, d’une assurance, ou d’un emploi.

L’asymétrie est frappante puisque l’acheteur immobilier n’a aucun moyen légal d’exiger du vendeur qu’il déclare un antécédent d’inondation ou une vulnérabilité structurelle aux feux. Le New York Times le dit explicitement

“In many states, sellers are not required to disclose information about whether a house has flooded recently or if it is vulnerable to wildfires”

Cette dissymétrie dans le rapport de force est d’autant plus choquante que, dans un cas, l’enjeu est un risque structurel, durable, affectant potentiellement la sécurité future d’un foyer ; dans l’autre, il s’agit souvent de micro-événements individuels dont la pertinence assurantielle ou actuarielle est discutable. La transparence exigée du particulier contraste violemment avec l’opacité tolérée du vendeur immobilier : le premier ne peut invoquer ni droit à l’erreur ni droit à l’oubli, tandis que le second est libre de taire des informations essentielles sur l’exposition réelle du bien au changement climatique.

On touche ici à une injustice structurelle que révèle l’affaire Zillow. L’information climatique, parce qu’elle affecte immédiatement la valeur immobilière, est politiquement neutralisée ; l’information pénale ou personnelle, parce qu’elle permet d’ajuster finement le risque individuel, est, elle, amplifiée, agrégée, rendue indélébile. Dans un environnement où, comme le montre l’expérience Redfin, la seule visibilité d’un risque suffit à modifier le marché, l’effacement volontaire de ces informations dans l’immobilier apparaît comme un privilège que n’ont pas les assurés ordinaires. Ils doivent supporter la mémoire totale du système, alors même que les biens immobiliers, eux, bénéficient d’une forme de droit à l’oubli institutionnel. Cette tension éclaire d’un jour cru le retrait des scores climatiques par Zillow : ce n’est pas seulement un débat technique sur la précision des modèles, mais l’expression d’un régime de responsabilité profondément asymétrique. Dans Climate Change and Cities, Jesse Keenan écrit

“Low-income households are more likely to be harmed by insufficient access to information about climate-related hazards and adaptation options.”

et il est difficile de ne pas être d’accord…

La politique de la visibilité

Cela dit, il convient d’être précis : Zillow n’a pas entièrement supprimé l’accès aux scores, il renvoie désormais vers le site de First Street via un lien discret. Comme le dit le New York Times,

“Real estate listings on Zillow now display hyperlinks to First Street’s website, and users can click through to view climate risk scores for a specific property”

C’est un geste politique très classique : on rend l’information disponible, mais invisible. C’est l’équivalent numérique de mettre un rapport en ligne dans un onglet “archives”. La sociologie des sciences parle de visibility management : gérer la visibilité d’un risque, non pour le corriger, mais pour contrôler son effet social.

La dépolitisation du risque climatique

La décision de Zillow révèle une tension fondamentale dans les sociétés du XXIᵉ siècle. Les modèles climatiques deviennent assez précis pour produire des risques localisés. Mais l’économie et la politique ne sont pas prêtes à intégrer les conséquences de ces risques. Donc l’information est atténuée, déplacée, rendue non saillante. Toute la littérature scientifique récent converge vers une même idée (qu’il s’agisse d’épistémologie du risque, d’anthropologie des catastrophes, d’économie du climat ou d’histoire des assurances) : le risque n’est jamais seulement un fait naturel, c’est un fait politique.

Le cas Zillow n’est pas un détail du marché immobilier. C’est un laboratoire de la gouvernance du risque climatique, avec cette question essentielle : pouvons-nous réellement entrer dans l’ère de l’adaptation climatique si l’information sur les risques devient politiquement indésirable ? Comme l’écrivait Ulrich Beck dans Risikogesellschaft

“Dabei wird exemplarisch deutlich, worum es im öffentlichen Definitionsstreit um Risiken eigentlich geht: nicht nur um gesundheitliche Folgeprobleme … sondern um die sozialen, wirtschaftlichen und politischen Nebenfolgen dieser Nebenfolgen.”

autrement dit,

“Le cœur du conflit public autour des risques n’est pas seulement leurs effets sanitaires, mais les conséquences sociales, économiques et politiques qui en découlent.”

Le risque devient “réel” socialement lorsqu’il devient un objet de controverse publique, c’est-à-dire quand son existence a des conséquences politiques. Zillow, en retirant les scores, contribue à rendre le risque… moins réel. Mais seulement en apparence.

Références

Bankoff, G., Frerks, G., & Hilhorst, D. (Eds.). (2004).
Mapping Vulnerability: Disasters, Development and People. London: Earthscan.

Beck, U. (1992). Risikogesellschaft, Suhrkamp.

Bernstein, A., Gustafson, M. T., & Lewis, R. (2024). Flood Risk Disclosure and Housing Market Behavior. NBER Working Paper No. 31908.

Brown, C. (2025, November 30). Zillow Removes Climate Risk Scores From Home Listings. The New York Times.

Douglas, M., & Wildavsky, A. (1982). Risk and Culture: An Essay on the Selection of Technical and Environmental Dangers. University of California Press.

First Street Foundation. (2020–2025). Methodologies & Technical Documentation. First Street.

Jasanoff, S. (2003). Technologies of Humility. Nature, 450, 33.

Keenan, J. M. (2018). Sea Level Rise and Housing.
In C. Rosenzweig, W. Solecki, P. Romero-Lankao, et al. (Eds.),
Climate Change and Cities: Second Assessment Report of the Urban Climate Change Research Network (ARC3.2)
(pp. 343–385). Cambridge University Press.

Kousky, C. (2023). Understanding Disaster Insurance: New Tools for a More Resilient Future. Routledge / RFF Press.

Krauss, L. (2021). The Physics of Climate Change. Post Hill Press.

Kunreuther, H., & Meyer, R. (2017). The Ostrich Paradox: Why We Underprepare for Disasters. Wharton School Press.

Milly, P. C. D., Betancourt, J., Falkenmark, M., Hirsch, R., Kundzewicz, Z., Lettenmaier, D., & Stouffer, R. (2008). Stationarity Is Dead: Whither Water Management? Science, 319(5863), 573–574.

Redfin & National Bureau of Economic Research (NBER). (2024). Flood Risk Disclosure and Homebuyer Behavior (Working Paper).

Reghezza-Zitt, M., & Rufat, S. (2015).
Resilience Imperative: Uncertainty, Risks and Disasters. London: ISTE Press / Elsevier.

Roux, J., November, V., & Reghezza-Zitt, M. (2013). Les territoires du risque. Armand Colin.

Smiley, S. (2020). Outdated and inaccurate, FEMA flood maps fail to fully capture risk. Kinder Institute for Urban Research.

U.S. Government Accountability Office. (2022). FEMA: Flood Maps—Actions Needed to Improve Oversight and Management of Mapping Program. GAO-22-104079.

Wagner, G., & Weitzman, M. L. (2015). Climate Shock: The Economic Consequences of a Hotter Planet. Princeton University Press.

De la disparition du français comme langue de référence (?)

En mettant à jour ma chronique Somewhere Else, depuis quelques temps, j’avais l’impression de citer de moins en moins d’articles en français dans mes tweets. Plus j’y pensais, plus je me rendais compte que je lisais de moins en moins la presse française (ou disons en français). Quand je lis la presse en français, j’ai l’impression de retrouver, avec quelques jours de retard (quelques heures de retards pour les informations plus importantes), ce que l’on trouve sur les sites anglophones. Loin de moi l’idée de juger qui que ce soit ! On a eu déjà quelques débats sur la pression mise sur les journalistes, et je comprend que traduire est une solution parfois simple, et économiquement viable (mais dans ce cas, je préfere aller lire courrierinternational.com qui au moins cite ses sources) ! C’est l’impression que j’avais l’autre jour en feuilletant le numéro de juillet de Science et Vie Junior avec les enfants, avec un article expliquant la taille de la tour la plus haute que l’on pourrait faire avec des légo. Mais l’étude avait été mentionnée en mars dernier sur bbc.co.uk (reprise alors sur le blog). Et j’ai cette impression très réguliement…

Je ne parle pas d’articles scientifiques ici, juste d’études ou de points de vue, sur différents sujets, parfois d’actualité, souvent en relation avec mes centres d’intérêt, comme la science ou l’économie (entre autres). Les sites en français ne semblent plus être des sites de référence (dans le sens ou, souvent, ils relayent une information glânée ailleurs). Et poutant, mon niveau d’anglais est très moyen. Mais je préfère lire un point de vue de @noahpinion sur son blog noahpinionblog.blogspot.ca, @delong sur delong.typepad.com ou @timharford sur timharford.com (dont je rate souvent les subtilitées, n’ayant pas les clés pour tout comprendre) plutôt que de lire des éditos d’économistes dans les journaux français (je devrais mettre un paquet de guillemets à économistes). Même en ratant des passages, faute de culture anglophone suffisante, j’y apprend beaucoup plus de choses. Et souvent, je trouve même cela passionnant, si ce n’est drôle. Et les commentaires sont souvent d’un haut niveau. La science et l’économie sont – a priori- des sujets qui intéressent autant les anglophones que les francophones, je devrais donc pouvoir apprendre dans les deux langues.

En partant de cette impression, le but de mon billet était de voir un peu plus en détails qui je citais dans mes chroniques Somewhere Else (et sur mon compte twitter, i.e. @freakonometrics). Afin de me faire une idée un peu plus précise, j’ai utilisé un petit code, mis en ligne tout à l’heure, pour extraire la liste des urls mentionnées dans mes tweets. Si on regarde le site que je cite le plus sur un peu plus de 900 tweets (les 900 les plus récents), on retrouve

Cocorico ! Et si je m’étais trompé ? Car on ne peut pas faire mentir les chiffres: le site que je site le plus dans mes tweets est www.lemonde.fr ! Bon, si on regarde de plus près, c’est le seul site francophone à compter (strictement) plus de 6 citations (on pourra trouver www.sauvonsluniversite.com avec 6 mentions, dont 2 hier pour deux brillants articles, suivis par www.sciencepresse.qc.ca et www.ledevoir.com qui ont chacun 4 citations). Viennent ensuite des sites anglophones

Quand on regarde plus attentivement, on voit que le dernier comptage est biaisé, car pour le Washington Post (par exemple) les blogs sont localisés avec une adresse de la forme, www.washingtonpost.com/blogs/wonkblog/ (et figurent dans mon décompte), mais ce n’est pas le cas pour le New York Times, qui héberge krugman.blogs.nytimes.com, opinionator.blogs.nytimes.com/ ou encore economix.blogs.nytimes.com/. Ces trois sites, par exemple, ont tous été 4 fois, sur les 900 tweets analysés. Donc si on voulait un décompte plus réaliste, il faudrait

(qui est alors loin devant www.lemonde.fr ). Viennent ensuite

Voilà pour la liste des sites mentionnés au moins 5 fois. Si on se limite à cette courte liste (en incluant ceux avec 4 citations), on a un total de 178 citations vers des hébergeurs anglophones, contre 36 pour des citations vers des sites en français, soit un ratio 5:1.

Et si au lieu de faire un comptage, on regardait de plus près, que verrait-on ? En fait, si on regarde les trois derniers tweets qui mentionnent www.lemonde.fr, le plus récent (daté du 24 août) était du copinage honteux, puisque j’ai découvert – avec beaucoup de retard – que Laurent Gobillon était ‘nominé au Prix 2013 du jeune économiste‘, or Laurent était un bon copain de promo, on a fait notre mémoire de sociologie (sur le rire dans les relations familiales) ensemble

Si on regarde les deux précédants (datés du 19 août) on a

Autrement dit, je renvoie vers deux articles en ligne sur www.nature.com/ mentionnés dans Le Monde (en fait, une étude était mentionnée sans être réellement cité, la première référence n’était pas la bonne, d’où les deux messages).

J’ai l’impression que cette rapide analyse quantitative me conforte dans l’impression que j’avais. La presse francophone n’est plus une presse de référence. Maintenant, je n’utilise que mon propre référentiel et mes centres d’intérêt. Et je serais curieux d’avoir d’autres points de vue…

R for actuarial science

As mentioned in the Appendix of Modern Actuarial Risk Theory, “R (and S) is the ‘lingua franca’ of data analysis and statistical computing, used in academia, climate research, computer science, bioinformatics, pharmaceutical industry, customer analytics, data mining, finance and by some insurers. Apart from being stable, fast, always up-to-date and very versatile, the chief advantage of R is that it is available to everyone free of charge. It has extensive and powerful graphics abilities, and is developing rapidly, being the statistical tool of choice in many academic environments.

R is based on the S statistical programming language developed by Joe Chambers at Bell labs in the 80’s. To be more specific, R is an open-source implementation of the S language, developed by Robert Gentlemn and Ross Ihaka. It is a vector based language, which makes it extremely interesting for actuarial computations. For instance, consider some Life Tables,

> TD[39:52,]       > TV[39:52,]
     Age    Lx         Age    Lx
  39  38 95237          38 97753
  40  39 94997          39 97648
  41  40 94746          40 97534
  42  41 94476          41 97413
  43  42 94182          42 97282
  44  43 93868          43 97138
  45  44 93515          44 96981
  46  45 93133          45 96810
  47  46 92727          46 96622
  48  47 92295          47 96424
  49  48 91833          48 96218
  50  49 91332          49 95995
  51  50 90778          50 95752
  52  51 90171          51 95488

Those (French) Life Tables can be found here

> TD <- read.table(
+ "https://perso.univ-rennes1.fr/arthur.charpentier/TD8890.csv",sep=";",header=TRUE)
> TV <- read.table(
+ "https://perso.univ-rennes1.fr/arthur.charpentier/TV8890.csv",sep=";",header=TRUE)

From those vectors, it is possible to construct the matrix of death probabilities, https://latex.codecogs.com/gif.latex?\boldsymbol{P}=[\text{%20}_{k}p_x], using for instance

>  Lx <- TD$Lx
>  m <- length(Lx)
>  p <- matrix(0,m,m); d <- p
>  for(i in 1:(m-1)){
+  p[1:(m-i),i] <- Lx[1+(i+1):m]/Lx[i+1]
+  d[1:(m-i),i] <- (Lx[(1+i):(m)]-Lx[(1+i):(m)+1])/Lx[i+1]}
>  diag(d[(m-1):1,]) <- 0
>  diag(p[(m-1):1,]) <- 0
>  q <- 1-p

One can compute easily, e.g., the (curtate) expectation of life defined as

https://latex.codecogs.com/gif.latex?e_x%20=\mathbb{E}(K_x)=\sum_{k=1}^\infty%20k\cdot%20\text{%20}_{k|1}q_x%20=%20\sum_{k=1}^\infty%20\text{%20}_{k}p_x

and one can compute the vector of life expectancy, at various ages https://latex.codecogs.com/gif.latex?\boldsymbol{e}=[e_x], as

> life.exp = function(x){sum(p[1:nrow(p),x])}
> e = Vectorize(life.exp)(1:m)

An actually, any kind of actuarial quantity can be derived from those matrices. The expected present value (or actuarial value) of a temporary life annuity-due is, for instance,

https://latex.codecogs.com/gif.latex?\ddot{a}_{x:\overline{n}|}=\sum_{k=0}^{n-1}%20\nu^k%20\cdot%20{}_{k}p_x%20=\frac{1-A_{x:\overline{n}|}}{1-\nu}

The code to compute those functions is here

> for(j in 1:(m-1)){ adots[,j]<-cumsum(1/(1+i)^(0:(m-1))*c(1,p[1:(m-1),j])) }

or consider the expected present value of a term insurance

https://latex.codecogs.com/gif.latex?%20A^1_{x:\overline{n}|}%20=\sum_{k=0}^{n-1}%20\nu^{k+1}%20\cdot%20\text{%20}_{k|}q_x

with the following code

> for(j in 1:(m-1)){ A[,j]<-cumsum(1/(1+i)^(1:m)*d[,j]) }

Some more details can be found in the first part of the notes of the crash courses of last summer, in Meielisalp. Vector – or matrices – are extremely convenient to work with, when dealing with life contingencies. It is also possible to model prospective mortality. Here, the mortality is not only function of the age https://latex.codecogs.com/gif.latex?x, but also time https://latex.codecogs.com/gif.latex?t,

> t(DTF)[1:10,1:10]
    1899  1900  1901  1902  1903  1904  1905  1906  1907  1908
0  64039 61635 56421 53321 52573 54947 50720 53734 47255 46997
1  12119 11293 10293 10616 10251 10514  9340 10262 10104  9517
2   6983  6091  5853  5734  5673  5494  5028  5232  4477  4094
3   4329  3953  3748  3654  3382  3283  3294  3262  2912  2721
4   3220  3063  2936  2710  2500  2360  2381  2505  2213  2078
5   2284  2149  2172  2020  1932  1770  1788  1782  1789  1751
6   1834  1836  1761  1651  1664  1433  1448  1517  1428  1328
7   1475  1534  1493  1420  1353  1228  1259  1250  1204  1108
8   1353  1358  1255  1229  1251  1169  1132  1134  1083   961
9   1175  1225  1154  1008  1089   981  1027  1025   957   885

Thus, we now have a force of mortality matrix https://latex.codecogs.com/gif.latex?\boldsymbol{\mu}=[\mu_{x,t}], or surface

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/Capture-d%E2%80%99e%CC%81cran-2013-01-10-a%CC%80-14.29.04.png

It is also possible to use R packages to estimate a Lee-Carter model of the mortality rate,

https://latex.codecogs.com/gif.latex?\log%20\mu%20_{x,t}%20=\alpha%20_{x}%20+\beta%20_{x}%20\cdot%20\kappa_{t}%20+\varepsilon%20_{x,t}

> library(demography)
> MUH =matrix(DEATH$Male/EXPOSURE$Male,nL,nC)
> POPH=matrix(EXPOSURE$Male,nL,nC)
> BASEH <- demogdata(data=MUH, pop=POPH, ages=AGE, years=YEAR, type="mortality",
+ label="France", name="Hommes", lambda=1)
> RES=residuals(LCH,"pearson")

One can easily study residuals, for instance as a function of the age,

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/Capture-d%E2%80%99e%CC%81cran-2013-01-10-a%CC%80-14.29.15.png

or a function of the year,

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/Capture-d%E2%80%99e%CC%81cran-2013-01-10-a%CC%80-14.29.22.png

Some more details can be found in the second part of the notes of the crash courses of last summer, in Meielisalp.

R is also interesting because of its huge number of libraries, that can be used for predictive modeling. One can easily use smoothing functions in regression, or regression trees,

> TREE = tree((nbr>0)~ageconducteur,data=sinistres,split="gini",mincut = 1)
> age = data.frame(ageconducteur=18:90)
> y1 = predict(TREE,age)
> reg = glm((nbr>0)~bs(ageconducteur),data=sinistres,family="binomial")
> y = predict(reg,age,type="response")

http://freakonometrics.hypotheses.org/files/2013/01/predictive-gam-tree.png

Some practitioners might be scared because the legend claims that R is not as good as SAS to handle large databases. Actually, a lot of functions can be used to import datasets. The most convenient one is probably

> baseCOUT = read.table("http://freakonometrics.free.fr/baseCOUT.csv",
+  sep=";",header=TRUE,encoding="latin1")
>  tail(baseCOUT,4)
     numeropol  debut_pol    fin_pol freq_paiement langue  type_prof alimentation type_territoire
6512     87291 2002-10-16 2003-01-22       mensuel      A Professeur   Vegetarien          Urbain
6513     87301 2002-10-01 2003-09-30       mensuel      A Technicien   Vegetarien          Urbain
6514     87417 2002-10-24 2003-10-21       mensuel      F Technicien   Vegetalien     Semi-urbain
6515     88128 2003-01-17 2004-01-16       mensuel      F     Avocat   Vegetarien     Semi-urbain
             utilisation presence_alarme marque_voiture sexe exposition age duree_permis age_vehicule i   coutsin
6512 Travail-occasionnel             oui           FORD    M  0.2684932  47           29           28 1 1274.5901
6513              Loisir             oui          HONDA    M  0.9972603  44           24           25 1  278.0745
6514 Travail-occasionnel             non     VOLKSWAGEN    F  0.9917808  23            3           11 1  403.1242
6515              Loisir             non           FIAT    F  0.9972603  23            4           11 1  230.9565

But if the dataset is too large, it is also possible to specify which variables might be interesting, using

> mycols = rep("NULL", 18)
> mycols[c(1,4,5,12,13,14,18)] <- NA
> baseCOUTsubC = read.table("http://freakonometrics.free.fr/baseCOUT.csv",
+  colClasses = mycols,sep=";",header=TRUE,encoding="latin1")
> head(baseCOUTsubC,4)
  numeropol freq_paiement langue sexe exposition age    coutsin
1         6        annuel      A    M  0.9945205  42   279.5839
2        27       mensuel      F    M  0.2438356  51   814.1677
3        27       mensuel      F    M  1.0000000  53   136.8634
4        76       mensuel      F    F  1.0000000  42   608.7267

It is also possible (before running a code on the entire dataset) to import only the first lines of the dataset.

> baseCOUTsubCR = read.table("http://freakonometrics.free.fr/baseCOUT.csv",
+  colClasses = mycols,sep=";",header=TRUE,encoding="latin1",nrows=100)
> tail(baseCOUTsubCR,4)
    numeropol freq_paiement langue sexe exposition age   coutsin
97       1193       mensuel      F    F  0.9972603  55  265.0621
98       1204       mensuel      F    F  0.9972603  38 9547.7267
99       1231       mensuel      F    M  1.0000000  40  442.7267
100      1245        annuel      F    F  0.6767123  48  179.1925

It is also possible to import a zipped file. The file itself has a smaller size, and it can usually be imported faster.

> import.zip = function(file){
+ temp = tempfile()
+ download.file(file,temp);
+ read.table(unz(temp, "baseFREQ.csv"),sep=";",header=TRUE,encoding="latin1")}
> system.time(import.zip("http://freakonometrics.free.fr/baseFREQ.csv.zip"))
trying URL 'http://freakonometrics.free.fr/baseFREQ.csv.zip'
Content type 'application/zip' length 692655 bytes (676 Kb)
opened URL
==================================================
downloaded 676 Kb
   user  system elapsed 
      0.762       0.029       4.578 
> system.time(read.table("http://freakonometrics.free.fr/baseFREQ.csv", 
+ sep=";",header=TRUE,encoding="latin1"))
   user  system elapsed 
      0.591       0.072       9.277

Finally, note that it is possible to import any kind of dataset, not only a text file. Even a Microsoft Excel folder. On a Windows computer, one can use SQL queries

> sheet = "c:\\Documents and Settings\\user\\excelsheet.xls"
> connection = odbcConnectExcel(sheet)
> spreadsheet = sqlTables(connection)
> query = paste("SELECT * FROM",spreadsheet$TABLE_NAME[1],sep=" ")
> result = sqlQuery(connection,query)

Then, once the dataset is imported, several functions can be used,

> cost = aggregate(coutsin~ AgeSex,mean, data=baseCOUT)
> frequency = merge(aggregate(nbsin~ AgeSex,sum, data=baseFREQ),
+ aggregate(exposition~ AgeSex,sum, data=baseFREQ))
> frequency$freq = frequency$nbsin/frequency$exposition
> base.freq.cost = merge(frequency, cost)

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/cost-freq-qc.png

Finally, R is interesting for its graphical interface. “If you can picture it in your head, chances are good that you can make it work in R. R makes it easy to read data, generate lines and points, and place them where you want them. Its very flexible and super quick. When youve only got two or three hours until deadline, R can be brilliant” as said Amanda Cox, a graphics editor at the New York Times. “R is particularly valuable in deadline situations when data is scant and time is precious.”.
Several cases were considered on the blog http ://chartsnthings.tumblr.com/…. First, we start with a simple graph, here State Government control in the US

http://freakonometrics.hypotheses.org/files/2013/01/nyt-chartsnthings-1.png

Then try to find a nice visual representation, e.g.

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/nyt-chartsnehings-2.png

And finally, you can just print it in your favorite newspaper,

http://freakonometrics.hypotheses.org/files/2013/01/nyt-chartsnthings-3.jpg

And you can get any kind of graphs,

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/nyt-6.png

And not only about politics,

http://freakonometrics.hypotheses.org/files/2013/01/nyt-7-b.jpg Graphs are important. “Its not just about producing graphics for publication. Its about playing around and making a bunch of graphics that help you explore your data. This kind of graphical analysis is a really useful way to help you understand what you’re dealing with, because if you cant see it, you cant really understand it. But when you start graphing it out, you can really see what you’ve got” as said Peter Aldhous, San Francisco bureau chief of New Scientist magazine. Even for actuaries. “The commercial insurance underwriting process was rigorous but also quite subjective and based on intuition. R enables us to communicate our analytic results in appealing and innovative ways to non-technical audiences through rapid development lifecycles. R helps us show our clients how they can improve their processes and effectiveness by enabling our consultants to conduct analyses efficiently”, as explained by John Lucker, team of advanced analytics professionals at Deloitte Consulting Principal, in http://blog.revolutionanalytics.com/r-is-hot/. See also Andrew Gelman’s view, on graphs, http://www.stat.columbia.edu/…

So yes, actuaries might be interested to use R for actuarial communication, as mentioned in http ://www.londonr.org/…

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/mango-R-4.png

The Actuarial Toolkit (see http ://www.actuaries.org.uk/…) stresses the interest of R, “The power of the language R lies with its functions for statistical modelling, data analysis and graphics ; its ability to read and write data from various data sources; as well as the opportunity to embed R in excel or other languages like VBA. In the way SAS is good for data manipulations, R is superior for modelling and graphical output“.

From 2011, Asia Capital Reinsurance Group (ACR) uses R to Solve Big Data Challenges (see http ://www.reuters.com/…). And Lloyd’s uses motion charts created with R to provide analysis to investors (as discussed on http ://blog.revolutionanalytics.com/…)

A lot of information can be found on http ://jeffreybreen.wordpress.com/…

http://freakonometrics.hypotheses.org/files/2013/01/6a010534b1db25970b01538fea1796970b-800wi.png

Markus Gesmann mentioned on his blog a lot of interesting graphs used for actuarial reporting, http ://lamages.blogspot.ca/…

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/Capture-d%E2%80%99e%CC%81cran-2013-01-10-a%CC%80-15.37.33.png

Further, R is free. Which can be compared with SAS, $6,000 per PC, or $28,000 per processor on a server (as mentioned on http ://en.wikipedia.org/…)

It is also becoming more and more popular, as a programming language. As mentioned on this month Transparent Language Popularity (see http ://lang-index.sourceforge.net/), R is ranked 12. Far away after C or Java, but before Matlab (22) or SAS (27). On StackOverFlow (see http ://stackoverflow.com/) is also far being C++ (399,232 occurrences) or Java (348,418), but with 21,818 occurrences, it appears before Matlab (14,580) and SAS (899). As mentioned on http ://r4stats.com/articles/popularity/ R is becoming more and more popular, on listserv discussion traffic

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/fig_1_listserv.png

It is clearly the most popular software in data analysis, as mentioned by the Rexer Analytics survey, in 2009

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/fig_3_rexersurvey.png

What about actuaries ? In a survey (see http ://palisade.com/…), R was not extremely popular.

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/mango-R-1.png

If we consider only statistical softwares, SAS is still far ahead, among UK and CAS actuaries

http://freakonometrics.hypotheses.org/wp-content/blogs.dir/253/files/2013/01/mango-R-2.png

But, as mentioned by Mike King, Quantitative Analyst, Bank of America, “I cant think of any programming language that has such an incredible community of users. If you have a question, you can get it answered quickly by leaders in the field. That means very little downtime.” This was also mentioned by Glenn Meyers, in the Actuarial Review “The most powerful reason for using R is the community” (in http ://nytimes.com/…). For instance, http ://r-bloggers.com/ has contributions from more than 425 R users.

As said by Bo Cowgill, from Google “The best thing about R is that it was developed by statisticians. The worst thing about R is that it was developed by statisticians.