Un petit sujet polémique avant les fêtes ? Parlons un peu d’assurance et de maintien de l’ordre… Depuis les violences urbaines de ces dernières années, la question de “comment indemniser les émeutes” s’est invitée dans le débat public au point d’entrer au Sénat, sous la forme d’un projet de régime adossé aux contrats d’assurance de “dommages aux biens”, avec une garantie obligatoire, une surprime et un mécanisme de mutualisation au-delà de certains seuils. Dans l’hémicycle, on a un débat assez classique, les sénateurs voulant rendre la garantie effective (avec classiquement, en cas de refus, la possibilité de saisir le Bureau central de tarification), ils discutent l’architecture de mutualisation, ils évoquent l’intervention de la Caisse Centrale de Réassurance (comme pour le la couverture des catastrophes naturelles), un plafond au-delà duquel la garantie de l’État prendrait le relais est évoqué (1 milliard, puis 1,5 milliard).
Continue reading Qui doit payer un risque lié à une défaillance de maintien de l’ordre ?
Tag Archives: risque
Assureurs et IA, un risque systémique
Dans Insurers retreat from AI cover as risk of multibillion-dollar claims mounts, le Financial Times rapportait cette fin de semaine que plusieurs grands assureurs (AIG, Great American ou encore WR Berkley) cherchent à introduire des exclusions explicites pour les risques liés à l’intelligence artificielle, notamment concernant les usages d’agents et de modèles de langage. Les motifs avancés sont limpides : les pertes potentielles liées à l’IA pourraient atteindre des montants de plusieurs centaines de millions, voire davantage. Mais surtout, le danger ne réside pas tant dans l’ampleur d’un sinistre isolé que dans la possibilité de pertes corrélées, massives, simultanées, impossibles à mutualiser. Comme le résume Aon dans une phrase,
“What [the industry] can’t afford is if an AI provider makes a mistake that ends up as a 1,000 or 10,000 losses.” (« Ce que l’industrie ne peut se permettre, ce n’est pas une perte de 400 ou 500 millions pour une entreprise, mais une erreur d’un fournisseur d’IA qui se traduit par mille ou dix mille sinistres. »)
L’enjeu porte bien moins sur la gravité d’un incident donné que sur la simultanéité de milliers d’incidents identiques. Autrement dit, nous avons affaire à la définition même d’un risque systémique. Pour le comprendre, il est utile de replacer ce phénomène dans le cadre plus large des systèmes complexes, des accidents dans les organisations à haute fiabilité, et des mécanismes de risque systémique tels qu’ils sont étudiés depuis plusieurs décennies dans la finance et l’assurance.
L’IA comme réseau interconnecté : un terrain idéal pour la contagion
La littérature sur le risque systémique enseigne que ce n’est pas la taille absolue des institutions qui détermine leur vulnérabilité, mais la structure de leurs interconnexions. Prasanna Gai souligne ainsi que les systèmes financiers présentent une dynamique qu’il qualifie de « robust-yet-fragile » : ils résistent à d’innombrables chocs, mais peuvent s’effondrer brutalement lorsqu’un choc particulier circule par les bons canaux. Il rappelle que
“The system may be robust to most shocks, but when problems strike the effects may be catastrophic.” (« Le système paraît robuste à la plupart des chocs, mais lorsqu’ils se produisent, les effets peuvent être catastrophiques. »)
Une erreur locale peut se transformer en catastrophe globale dès lors qu’elle atteint le « cluster vulnérable » du réseau. Les simulations qu’il présente montrent que plus un réseau est interconnecté, plus une erreur peut s’y propager rapidement. Un changement minime de connectivité ou de capitalisation peut faire basculer l’ensemble du système d’un état stable à un état critique, une véritable « phase transition ». Comme le résume Gai,
“An initial error can spread through the entire vulnerable cluster.” (« Une erreur initiale peut se propager à l’ensemble du cluster vulnérable. »)
Dans ce cadre, l’IA générative présente toutes les caractéristiques d’un système hautement propice à la contagion. Lorsqu’un fournisseur d’IA déploie une mise à jour défectueuse, commet une erreur dans les poids d’un modèle ou subit une vulnérabilité de cybersécurité, ce ne sont pas des utilisateurs isolés qui sont affectés mais des milliers, car ils partagent les mêmes infrastructures. Chaque client ne dépend pas seulement de son propre usage, mais de l’intégrité d’un modèle global, dont la moindre modification reproduit instantanément un comportement identique chez tous ses utilisateurs. C’est exactement le type de contagion fulgurante que les assureurs redoutent aujourd’hui : une propagation non pas lente et progressive, mais immédiate, simultanée, homogène.
Pourquoi l’assurance redoute les pertes corrélées
L’assurabilité repose historiquement sur une condition essentielle : la loi des grands nombres. Comme le rappellent Hufeld, Koijen et Thimann dans The Economics, Regulation, and Systemic Risk of Insurance,
“The risk must obey the law of large numbers.” (« Le risque doit obéir à la loi des grands nombres. »)
Les événements doivent être indépendants, ou suffisamment hétérogènes, pour que les pertes se compensent statistiquement. Or les cyber-risques ne respectent déjà pas cette condition, comme l’ont montré Biener et al. dès 2015 :
“Cyber losses are highly interrelated and characterized by severe information asymmetries.” (« Les pertes cyber sont hautement corrélées et caractérisées par de sévères asymétries d’information. »)
L’assurance cyber est déjà structurellement fragile, car elle fait face à des risques simultanés, massifs, et difficilement attribuables. L’IA générative ne fait que renforcer cette structure, en créant un environnement où les erreurs ne sont pas seulement fréquentes, mais potentiellement identiques et simultanées. Les exemples cités par le Financial Times (un chatbot d’Air Canada qui engage automatiquement la compagnie, un module de Google qui diffame une PME, une fraude par deepfake coûtant 25 millions de dollars à Arup, ou encore un agent autonome qui génère des erreurs de prix ou de diagnostic en série) illustrent la reproductibilité extrême de ces incidents. Un même défaut, une même mise à jour, une même vulnérabilité peut affecter tout un secteur d’un seul coup. Cette homogénéité des sinistres est délétère pour l’assurance. Comme le rappelle la littérature actuarielle, lorsque les pertes deviennent corrélées, la mutualisation s’effondre mécaniquement. L’assurance, par construction, ne peut absorber des risques dont la structure pousse naturellement à l’agrégation.
IA, cybersécurité et “accidents normaux” : quand la complexité rend l’erreur inévitable
Clearfield et Tilcsik, dans Meltdown, montrent que dans les systèmes complexes, les défaillances ne sont pas des anomalies : elles sont inévitables. Les surprises émergent des interactions multiples, et de petites erreurs peuvent rapidement s’amplifier lorsqu’elles circulent dans des réseaux étroitement couplés. Leur thèse correspond exactement à ce que redoutent les assureurs : l’erreur d’un modèle autonome n’est pas une bourde humaine isolée, mais un mécanisme systémique susceptible de se répliquer partout. En s’appuyant sur des cas variés (Fukushima, accidents ferroviaires, aviation, cybersécurité) les auteurs montrent que certains environnements sont « wicked », c’est-à-dire des environnements où les signaux d’erreur sont ambigus, les interactions complexes et les systèmes vulnérables à des surprises brutales.
“In wicked environments, error signals are ambiguous, interactions are complex, and systems become vulnerable to surprises.” (« Dans les environnements wicked, les signaux d’erreur sont ambigus, les interactions complexes, et les systèmes deviennent vulnérables aux surprises. »)
Les modèles d’IA générative incarnent parfaitement cette description : leur opacité structurelle, leur comportement non déterministe, leur dépendance à quelques fournisseurs globaux et l’absence de cloisonnement entre leurs usages créent un système dont les défaillances locales deviennent immédiatement systémiques. La concentration de dépendances technologiques entre quelques acteurs amplifie encore cette dynamique. Lorsqu’un modèle est utilisé dans des contextes juridiques, médicaux, financiers, industriels, une erreur qui y apparaît peut contaminer simultanément tous ces domaines. De ce point de vue, l’IA est déjà moins un outil qu’un écosystème interconnecté, un véritable système complexe au sens fort.
Pourquoi l’IA crée un risque systémique inédit pour l’assurance
Traditionnellement, l’assurance est considérée comme moins vulnérable au risque systémique que la banque, en raison de l’interconnexion nettement plus faible entre assureurs. C’est le consensus rappelé par Hufeld, Koijen et Thimann :
“The insurance industry is not subject to systemic risk, in particular due to its significantly lower interconnectedness.” (« L’industrie de l’assurance n’est pas sujette au risque systémique, notamment du fait de sa faible interconnexion. »)
Mais cette affirmation repose sur une hypothèse implicite : les risques assurés doivent eux-mêmes rester indépendants. Avec l’IA, cette hypothèse s’effondre. Pour la première fois, un risque assuré (cyber, erreurs et omissions, dommages causés par des systèmes logiciels) devient structurellement interconnecté. Un seul fournisseur, un seul modèle, une seule mise à jour ou une seule vulnérabilité peuvent provoquer des milliers de sinistres simultanés. L’interconnexion n’est plus une propriété du marché de l’assurance : elle est une propriété du risque lui-même.
Acharya, Pedersen, Philippon et Richardson définissent un risque comme systémique lorsqu’il peut provoquer une situation de « capital shortfall » simultanée dans de nombreuses institutions. Ils notent que
“Even if liabilities are not runnable, a firm can contribute to systemic risk through its contribution to the aggregate capital shortfall.” (« Même si les passifs ne sont pas sujets aux runs, un assureur peut contribuer au risque systémique par sa contribution au capital shortfall agrégé. »)
Dans un monde où des milliers de sinistres liés à une même erreur d’IA pourraient survenir en même temps, cette notion prend un relief particulier. L’IA introduit ainsi une forme de risque agrégé, corrélé, non diversifiable. Ce n’est plus un risque volatil mais un risque structuralement synchronisé, ce qui constitue la hantise des assureurs.
Ce que pourraient être les “big systemic events” de l’IA
Dans un tel contexte, plusieurs scénarios illustrent comment un risque systémique lié à l’IA pourrait se matérialiser. Imaginons, par exemple, une mise à jour défaillante d’un LLM utilisé dans la finance : un modèle déployé dans deux mille banques commet simultanément une erreur d’interprétation réglementaire. Les conséquences seraient immédiates (mauvaise conformité, sanctions, litiges, retraits, actions collectives) et parfaitement synchrones .Un agent juridique autonome pourrait produire des hallucinations systématiques, générant de fausses citations juridiques ou de faux raisonnements. Si cet agent était déployé dans plusieurs centaines d’entreprises, l’erreur deviendrait immédiatement collective.
À ces scénarios opérationnels s’ajoute un phénomène plus subtil : la rupture d’interprétabilité. Lorsque les modèles produisent des signaux plausibles mais opaques, humains comme machines sont tentés de leur attribuer un sens excessif. Un signal faible (une légère hausse de score dans un modèle de résiliation, un changement ténu dans un score de risque) peut être interprété comme un mouvement réel, alors qu’il ne s’agit que d’un artefact statistique, d’un biais de dataset ou d’un drift latent. Ces interprétations erronées peuvent déclencher des rétroactions en chaîne, transformant un bruit en choc réel : décisions d’urgence, modifications de politiques tarifaires, ajustements de modèles secondaires. Clearfield et Tilcsik décrivent ce mécanisme d’emballement comme une prophétie autoréalisatrice. Dans le langage de Gai, un bruit initial trouve soudain un chemin vers le « cluster vulnérable » et déclenche une cascade ,
“With positive probability, a random initial default at one bank can lead to the spread of default across the entire vulnerable portion of the financial system (…) Contagion breaks out when shocks strike any bank in, or adjacent to, the giant vulnerable cluster and spread across the entire cluster.” (« Avec une probabilité positive, un défaut initial aléatoire dans une banque peut entraîner la propagation du défaut à l’ensemble de la portion vulnérable du système financier (…) La contagion éclate lorsque des chocs touchent une banque située dans — ou à proximité immédiate de — l’immense cluster vulnérable, et qu’ils se propagent à travers l’ensemble de ce cluster. »)
Pour les assureurs, un tel risque, intrinsèque au fonctionnement même du système, devient impossible à mutualiser.
Le cas d’école de Tesla
Le livre The Tesla Files fournit une illustration frappante de ces dynamiques. On y découvre une organisation où une concentration extrême des fonctions critiques rend tout incident susceptible de se propager à grande échelle. Un seul administrateur peut disposer d’un accès global, des milliers d’employés détiennent des privilèges élevés, et le lanceur d’alerte décrit l’absence de monitoring interne malgré des téléchargements massifs. Une faille, dans un tel contexte, ne touche pas une partie isolée du système : elle compromet l’ensemble. Du point de vue systémique, Tesla fonctionne comme un graphe extrêmement connecté, sans cloisonnements internes, dans lequel la connectivité moyenne est anormalement élevée. Les auteurs rappellent que Tesla ne manipule pas seulement ses propres données, mais agrège celles de clients, partenaires, gouvernements, sous-traitants et organismes de régulation. Ils écrivent :
“The stream of data expands to include customers, business partners, and a wide array of individuals and companies with ties to Tesla.” (« Le flux de données s’étend aux clients, partenaires commerciaux, et à une vaste gamme d’individus et d’entreprises liés à Tesla. »)
Cette interconnexion massive crée des dépendances multiples, très proches de celles observées dans les systèmes bancaires avant 2008. Les auteurs montrent également que Tesla minimise certains indicateurs de risque (en n’enregistrant que les crashs impliquant un airbag, par exemple), désactive parfois l’Autopilot juste avant impact, créant une ambiguïté sur les responsabilités, ou refuse de transmettre des données aux régulateurs. Quatre éléments clefs apparaissent : des asymétries d’information, une opacité des responsabilités, une gestion centralisée des incidents et une homogénéité logicielle extrême. On découvre également que les crashs Autopilot en Europe sont traités par une seule équipe, et qu’il existe des milliers de plaintes clients pour freinages intempestifs ou accélérations fantômes. Lorsque l’ensemble de la flotte repose sur un même modèle logiciel, mis à jour simultanément, une erreur peut provoquer un choc corrélé massif. C’est précisément ce que redoutent aujourd’hui les assureurs pour les IA génératives. Tesla apparaît ainsi comme un précédent concret : un système où l’homogénéité logicielle crée un risque d’agrégation tel qu’une simple erreur peut devenir un “big systemic event”.
AI Liability : un angle mort juridique dans un marché asymétrique
À ces risques opérationnels s’ajoute un dernier élément : la responsabilité juridique. L’« AI liability », c’est-à-dire la question de savoir qui est responsable lorsque l’IA cause un dommage, est aujourd’hui l’un des sujets les moins traités, et les plus explosifs. Le Financial Times note à juste titre que
“Nobody knows who’s liable if things go wrong.” (« Personne ne sait qui est responsable lorsque quelque chose tourne mal. »)
Dans la pratique, les contrats proposés par les fournisseurs d’IA incluent des limitations drastiques de responsabilité, des exclusions de garantie de performance et des clauses transférant quasi intégralement le risque à l’utilisateur. Comme la demande est quasi inélastique (il n’existe souvent pas d’alternative crédible aux grands modèles), les fournisseurs peuvent imposer unilatéralement leurs termes, créant une asymétrie contractuelle majeure. Cette asymétrie devient critique dans les secteurs régulés, où les entreprises sont tenues de maîtriser leurs modèles : banques, assureurs, hôpitaux doivent respecter des obligations strictes de gestion du risque opérationnel ou du risque modèle, alors même que les modèles auxquels ils recourent sont opaques, externalisés et non audités. Les révélations de The Tesla Files montrent que même des entreprises très technologiques peuvent perdre le contrôle de leurs propres systèmes, rendant certaines obligations réglementaires inapplicables en pratique. Le secteur financier se retrouve ainsi dans une contradiction profonde : juridiquement responsable d’outils dont il ne maîtrise ni la conception, ni les données d’entraînement, ni la gouvernance, ni le comportement, il ne peut ni contester les erreurs des fournisseurs, ni obtenir réparation lorsqu’un modèle commet une faute. Cette situation crée un triple gouffre : un gouffre réglementaire, puisque les entreprises ne peuvent satisfaire leurs obligations ; un gouffre contractuel, puisque toute la responsabilité repose sur l’utilisateur ; et un gouffre assurantiel, puisque les assureurs se retirent progressivement de ce champ. Le résultat est un risque systémique juridique, caractérisé par une responsabilité diffuse, une dépendance concentrée et une allocation du risque profondément inefficiente.
Références
- Acharya V., Pedersen L., Philippon T., Richardson M. (2016). Measuring Systemic Risk. Review of Financial Studies,
Vol. 30, No. 1, 2–47. - Biener C., Eling M., Wirfs J. (2015). Insurability of Cyber Risk. The Geneva Papers on Risk and Insurance, Volume 40, 131–158
- Clearfield C., Tilcsik A. (2018). Meltdown: Why Our Systems Fail and What We Can Do About It. Penguin Press.
- Gai P. (2013). Systemic Risk: The Dynamics of Modern Financial Systems. Oxford University Press
- Gai, Prasanna; Kapadia, Sujit (2010) Contagion in Financial Networks. Proceedings of the Royal Society A, Vol. 466, 2401–2323
- Harris, Lee; Criddle, Cristina (2025) Insurers retreat from AI cover as risk of multibillion-dollar claims mounts. Financial Times, 23 November 2025.
- Hufeld F., Koijen R., Thimann C. (eds.) (2016). The Economics, Regulation, and Systemic Risk of Insurance. Oxford University Press
- Iwersen S., Verfürden M. (2025). The Tesla Files. Steerforth Press, Hanover (NH)
Y-a-t-il une discrimination contre les pauvres ?
(Avec Laurence Barry, on a écrit un court article sur la discrimination contre les pauvres)
En 2013, Martin Hirsch affirmait “cela devient cher d’être pauvre”. Cette réalité a été confirmée par une récente étude de la Banque Postale*, qui montrait qu’en moyenne, un ménage pauvre doit payer 1500 euros en plus chaque année pour accéder aux mêmes biens et services qu’un ménage plus aisé, introduisant une “double pénalité** de pauvreté”. Hélas, l’assurance n’est pas en reste : l’utilisation de score de crédit dans de nombreux pays vient en effet renforcer ce qui pourrait s’apparenter à une forme de discrimination des pauvres. Aux États-Unis, où la pratique est plus courante qu’ailleurs, une commission d’enquête a ainsi tenté récemment d’expliquer le lien entre score de crédit et fréquence de sinistres : est-ce parce que, comme l’avancent certains assureurs, les personnes ayant un score plus faible sont aussi moins prudents que les autres ? Ou serait-ce parce que, ayant moins de moyens financiers que d’autres ils demandent plus naturellement à être indemnisés pour les sinistres encourus ? Et, dans ce deuxième cas de figure, n’est-on pas là aussi en train de leur faire payer deux fois leur condition ?
De l’excellence à la richesse comme vertu
Sur quels critères admirent-on les gens ? Pour les Grecs, l’excellence, ou arêté (ἀρετή), était une vertu majeure. Cette excellence allait au-delà de l’excellence morale: dans le monde gréco-romain, le terme évoquait une forme de noblesse, reconnaissable à la beauté, la force, le courage, ou l’intelligence de la personne. Or cette excellence n’avait pas grand-chose à voir avec la richesse : ainsi Hérodote s’étonne-t-il que les vainqueurs des jeux de l’Olympe se contentent d’une couronne d’olivier et d’un « glorieux renom », péri arêtes (περὶ ἀρετῆς). Dans la vision éthique grecque, notamment chez les stoïciens, une « vie bonne » ne dépend pas de la richesse matérielle – précepte poussé à son comble par Diogène qui, voyant un enfant boire dans ses mains à la fontaine, jette l’écuelle qu’il avait pour toute vaisselle, se disant que c’est là-encore une richesse inutile.
La société grecque n’en demeure pas moins une société profondément hiérarchique, même si elle est organisée autour de valeurs autres que la richesse matérielle. On peut alors se demander à quel moment de l’histoire occidentale la richesse est devenue la mesure de toute chose. On pense alors à la théorie de Max Weber : l’éthique du protestantisme pousse au travail et à la réussite terrestre comme révélation d’une élection divine à venir : les riches de ce monde seraient les élus du prochain. De la même manière Adam Smith, portant un regard critique sur la naissance du capitalisme dans la société de son temps, intitule un chapitre de La théorie des sentiments moraux (1759) “De la corruption de nos sentiments moraux occasionnée par cette disposition à admirer les riches et les grands, et à mépriser ou négliger les personnes pauvres et d’humble condition.”
Aujourd’hui, le culte de la richesse semble n’avoir jamais été aussi fort et la réussite matérielle est presque élevée au rang de vertu. En contrepartie, la pauvreté devient un stigmate dont il est difficile de se défaire ; mais l’histoire nous montre que ceci n’a rien de naturel.
Du “bon” au “mauvais” pauvre
En effet, le pauvre n’a pas toujours été “mauvais”. Comme le rappellent Fulconis & Kikichi (2017), l’Église a largement contribué à diffuser l’image du “bon pauvre”, tel qu’elle apparait dans les Evangiles: “heureux vous les pauvres, le royaume de Dieu est à vous” ; ou encore “Dieu aurait pu faire tous les hommes riches, mais il voulut qu’il y ait des pauvres en ce monde, afin que les riches aient une occasion de racheter leurs péchés”. Au-delà de ce faire-valoir, le pauvre est vu comme une image du Christ, Jésus ayant dit “ce que vous ferez au plus petit d’entre les miens, c’est à moi que vous le ferez”. Aider le pauvre, faire œuvre de miséricorde, c’est un moyen de faire son salut.
Pour Saint Thomas d’Aquin, la charité est ainsi essentielle pour corriger les inégalités sociales en redistribuant les richesses par l’aumône***. Au Moyen-Âge, le marchand est vu comme utile, voire vertueux, puisqu’il permet aux richesses de circuler au sein de la communauté. Les prêtres jouent alors le rôle d’assistants sociaux, en aidant les malades, les vieillards, les invalides. Les hospices et les xenodochia du Moyen-Âge (ξενοδοχεῖον, ce “lieu pour étrangers”, ξένος) sont le symbole de cette prise en charge des pauvres. Et bien souvent, la pauvreté ne se limite pas au capital matériel, mais aussi social et culturel, pour reprendre une terminologie plus contemporaine.
Vers la fin du Moyen-Age, la figure du « mauvais pauvre », du vagabond parasite et dangereux, fait son apparition. Dans la lignée de Weber, Todeschini (2021) insiste sur la valeur croissante attachée au travail, et à l’ « utilité » sociale. Brant (1494), le premier, commence à dénoncer ces assistés, “certains se font mendiants à l’âge où, jeune et fort, et en pleine santé on pourrait travailler : pourquoi se fatiguer”. Pour Fulconis & Kikichi (2017), cette défiance se renforce avec la grande pandémie de Peste Noire. Colombi (2020) revient sur ce tournant, à la fin du Moyen-Âge, où dans les villes, les bourgeois ferment leurs quartiers par des chaînes, pour éviter que des “pauvres et étrangers” s’y installent. Les théories hygiénistes de la fin XIXème siècle viendront ajouter la touche finale : si les fièvres et les maladies ont pour cause l’insalubrité et les mauvaises conditions de vie, en écartant les pauvres, on se protège des maladies.
Pauvres… par choix ?
Pour reprendre les termes de Mollat (2006) “le pauvre est celui qui, de façon permanente ou temporaire, se retrouve dans une situation de faiblesse, de dépendance, d’humiliation, caractérisée par la privation de moyens, variables selon les époques et les sociétés, de puissance et de considération sociale”. Récemment, Cortina (2022) proposait le terme “aporophobie”, ou “pauvrophobie”, pour décrire tout un ensemble de préjugés qui existent envers les pauvres. Les chômeurs seraient des assistés et des paresseux, nous dit Lamy ; c’est aussi le fameux “quand on veut on peut”, (que l’on retrouve dans des expressions contemporaines telles que “ceux qui ne veulent rien faire, ceux qui ne veulent pas travailler” ou encore “je traverse la rue et je vous trouve un travail”). Et comme souvent, ces préjugés, qui stigmatisent un groupe, “les pauvres”, conduisent à la peur ou la haine, engendrant un clivage important, et finalement une forme de discrimination. La “pauvrophobie” de Cortina (2022) est une discrimination envers la précarité sociale, qui serait presque plus importante que les formes « usuelles » de discrimination, comme le racisme ou la xénophobie. Cortina note ironiquement que souvent, les étrangers riches ne sont pas rejetés.
Mais ces préjugés tournent aussi en accusation. Szalavitz (2017) pose ainsi abruptement la question : “Pourquoi pensons-nous que les pauvres sont pauvres à cause de leurs propres mauvais choix ?”. Le biais “acteur-observateur” fournit un élément de réponse : nous pensons souvent que ce sont les circonstances, qui contraignent nos propres choix, mais que c’est le comportement des autres qui modifie les leurs. Autrement dit, les autres sont pauvres parce qu’elles ont fait de mauvais choix, mais si je suis pauvre, c’est à cause d’un système injuste. Ce biais est aussi valide pour les riches : les gagnants ont ainsi souvent tendance à croire qu’ils sont arrivés là où ils sont par leur travail seul, et qu’ils méritent donc ce qu’ils ont.
Les études en sciences sociales montrent cependant que les pauvres le sont rarement par choix, et l’augmentation des inégalités et de la ségrégation géographique n’arrange rien. Le manque d’empathie favorise alors une plus grande polarisation, davantage de rejet et, bouclant le cercle vicieux, encore moins d’empathie.
Liens entre richesse et risque(s)
Discriminer, c’est distinguer (exclure ou préférer) une personne en raison de ses “caractéristiques personnelles”. Peut-on alors parler de discrimination contre les pauvres ? La pauvreté (au même titre que le sexe, ou la couleur de peau) est-elle une caractéristique personnelle ? Au Québec, la “condition sociale” (incluant explicitement la pauvreté) fait partie des variables sensibles et donc des discriminations interdites. Ce n’est pas le cas en France. Comme le rappelaient Barry & Charpentier (2021), lorsque les actuaires calculent une prime, les discriminations liées directement au risque, et pour autant que la variable ne soit pas protégée, sont vues en général comme légitimes. Or il est bien connu que la richesse, ou le statut social a beaucoup de lien avec le risque, quel qu’il soit. Au niveau mondial, Denis Hatzfeld rappelle que “les séismes sont beaucoup plus meurtriers dans les pays pauvres que dans les pays développés qui ont appris progressivement à s’en protéger ». De la même manière, Le Hir (2010) affirme que « Un écolier a 400 fois plus de probabilités de mourir dans un tremblement de terre à Katmandou qu’à Tokyo ».
Ce constat se retrouve sur la majorité des risques. En France, on trouve dans les décès dus aux accidents de la route 3% de cadres supérieurs et 15% d’ouvriers, alors qu’ils représentent près de 20% de la population active chacun, selon ONISR (2022). Blanpain (2018) rappelle que l’écart d’espérance de vie à la naissance est de 13 ans entre les hommes les plus aisés et les plus modestes. Récemment, Allain (2022) relevait que les Français les plus modestes, à âge et sexe comparable, avaient presque trois fois plus de diabète, deux fois plus de maladies du foie ou du pancréas, 1,6 fois plus de maladies respiratoires chroniques, etc. que la moyenne. Cambois, Laborde et Robine (2008) notaient de même que le nombre d’années d’incapacité pour les ouvriers est également beaucoup plus élevé, sur une vie plus courte en moyenne.
De l’usage des scores de crédit en assurance
En Amérique du Nord, des compagnies comme Experian, Equifax ou TransUnion tiennent des registres des activités d’emprunt et de remboursement de l’ensemble des personnes titulaires d’un compte bancaire. La société FICO (Fair Isaac Corporation) propose une formule permettant de convertir ces registres en une note, le score de crédit. Ce score est fonction de la dette et du crédit disponible, du revenu et de ses variations, et de l’historique d’incidents, de faillites ou de simples retards. Il est souvent perçu comme une évaluation de la solvabilité d’une personne, ou la probabilité qu’elle rembourse ses dettes. Il est par nature étroitement lié avec le revenu (Crowe 2022), faisant du score de crédit un proxy robuste de la richesse. Fourcade et Healy (2013) montrent que, comme un bon score de crédit est devenu une condition nécessaire pour obtenir un crédit et maintenir son pouvoir d’achat, ce système en est venu à créer un mur infranchissable entre classes favorisées et défavorisées. En un sens, un mauvais score de crédit devient une prophétie auto-réalisatrice : en effet, les personnes ayant un mauvais score (donc considérées comme à haut risque par les banques) deviennent dépendantes d’alternatives à court terme. Ceci augmente les coûts des financements futurs, donc la probabilité de défaut (François 2021) mais aussi celle de ne pas trouver d’emploi (ce score pouvant être demandé par les employeurs****). “L’usage des scores de crédit pour punir les pauvres exacerbe les inégalités socio-économiques existantes », affirme ainsi Wang (2018) avec justesse.
Pour l’exemple, le Tableau 1 compare quelques paramètres en fonction du score de crédit des personnes, notamment le taux obtenu pour un emprunt de 150,000$ sur un horizon de 30 ans, et la prime d’assurance moyenne demandée pour une assurance automobile (pour un conducteur de 30 ans, conduisant 20,000km par an, en ville).

Tableau 1: Prix réel d’un emprunt de 150,000$ et montant d’une prime d’assurance automobile, en fonction du score de crédit (allant de 300 à 850). Source: InCharge Debt Solutions.
Kiviat (2019) a longuement étudié l’usage des scores de crédit dans la tarification de l’assurance automobile aux Etats-Unis. Le régulateur américain s’est en effet penché sur le lien avéré entre mauvais score de crédit et risque automobile. Quelle explication peut-on donner à cette corrélation ? Est-ce que le score ne serait pas un indicateur de pauvreté et non un proxy de la prudence du conducteur comme l’avancent les assureurs ? Car si la condition sociale n’est pas comme au Canada une variable protégée, elle est encore largement associée à la couleur de peau, qui est, elle, une variable interdite. Discriminer en fonction du score de crédit pourrait alors bien se ramener à une discrimination raciale prohibée. L’examen des débats autour de ces questions permet à Kiviat de mettre en évidence la complexité éthique de l’usage de variables facialement neutres. Et si, comme indiqué plus haut, les mauvaises conditions de vie augmentent les risques de façon générale il serait bon de se demander si l’assurance ne contribue pas à appliquer aux pauvres cette double-peine dont parlait Martin Hirsch.
Références
Allain, S. (2022). Les maladies chroniques touchent plus souvent les personnes modestes et réduisent davantage leur espérance de vie. DREES, 1243
Blanpain, N. (2018). L’espérance de vie par niveau de vie : chez les hommes, 13 ans d’écart entre les plus aisés et les plus modestes. Insee, Insee Première, 1687.
Bourdelais, P. (2001) Les hygiénistes: enjeux, modèles et pratiques. Éditions Belin.
Brant, S. (1494). La Nef des fous (Das Narrenschiff).
Cambois, E., Laborde, C & Robine, J.M. (2008). La “double peine” des ouvriers : plus d’années d’incapacité au sein d’une vie plus courte. Population & Sociétés, n° 441.
Caplovitz, D. (1963). Poor pay more; consumer practices of low-income families. Free Press.
Colombi, D., (2020). Où va l’argent des pauvres. Payot.
Cortina, A. (2022). Aporophobia: Why We Reject the Poor Instead of Helping Them. Princeton University Press.
Crowe, A. (2022). The Relationship Between Income and Credit Score. Credit Sesame Personal Finance and Credit Survey,
Fourcade, M. & Healy, K. (2013). Classification situations: Life-chances in the neoliberal era, Accounting, Organizations and Society, 38 (8): 559–572
François, P. (2021). Catégorisation, individualisation. Retour sur les scores de crédit. Chaire PARI, WP #24.
Fulconis, M. & Kikichi, C. (2017) Vu du Moyen Âge : du « bon pauvre » au « mauvais pauvre ». The Conversation.
Grossetête, M. (2012) Accidents de la route et inégalités sociales. Les morts, les médias et l’État, Éditions du Croquant.
Kiviat, B. (2019). The moral limits of predictive practices: The case of credit-based insurance scores. American Sociological Review, 84(6), 1134-1158.
Lamy, T. (2022) Assistés, paresseux… pour 50% des Français, les chômeurs sont responsables de leur situation. Capital, décembre 2022
Lauer,J. (2017) Creditworthy: A History of Consumer Surveillance and Financial Identity in America, Columbia University Press.
Le Hir, P. (2010). Catastrophes et pauvreté, la double peine. Le Monde, 22 janvier,
Merton, R. (1968). The Matthew effect in science, Science, vol. CLIX, n° 3810
Mollat, M. (2006). Les pauvres au moyen age (Vol. 11). Éditions Complexe.
ONISR (2022). La sécurité routière en France, bilan de l’accidentalité de l’année 2021. https://bit.ly/3QmuR8H
Pratchett, (1993) Men at Arms, 15ème tome du cycle Discworld, Victor Gollancz Ed.
Smith, A. (1759). La Théorie des sentiments moraux. Presses Universitaires de France, Quadrige.
Szalavitz, M. (2017). Why do we think poor people are poor because of their own bad choices. The Guardian, 5 Juillet
Todeschini, G. (2021) Moyen Âge. La pauvreté a-t-elle un sens ? L’Histoire, février 2021.
Wang, J. (2018), Carceral Capitalism, MIT Press.
Weber, M. (1990 [1904]). L’éthique protestante et l’esprit du capitalisme, Pocket.
* Étude intitulée “Etude de la double pénalité de pauvreté en France”, publiée fin 2022 par Action Tank Entreprise & Pauvreté, Boston Consulting Group et la Banque Postale
** Ce phénomène, largement étudié dans les années 60, voir Caplovitz (1963), est connu en économie sous le nom de la “théorie des bottes” (popularisée par le roman de Pratchett (1993)), “take boots, for example. A really good pair of leather boots cost fifty dollars. But an affordable pair of boots, which were sort of OK for a season or two and then leaked like hell when the cardboard gave out, cost about ten dollars (…). But the thing was that good boots lasted for years and years.”
*** A la notion de redistribution, on peut opposer « l’effet Matthieu » tel que défini par Merton (1950). Inspiré par un passage de l’Évangile selon saint Matthieu (qu’il renverse), il affirme que « on donnera à celui qui a, et il sera dans l’abondance, mais à celui qui n’a pas, on ôtera même ce qu’il a ».
**** Cette pratique de notation n’est en fait pas nouvelle et date de la fin du XIXe siècle : Josh Lauer (2017) montre en effet que dès 1870, donc bien avant le big data ou même les cartes de crédit, les banques états-uniennes employaient des assesseurs pour établir des rapports de solidité financière sur les personnes. Pour Lauer, c’est un gigantesque système de surveillance qui se met en place dès le début du XXe siècle, pour aboutir aux scores de crédit algorithmiques tels qu’on les connait aujourd’hui (voir aussi François (2021)).
Les dérives du principe de précaution
« Dans le doute, abstiens-toi » dit la sagesse populaire. Le principe de précaution (en allemand Vorsorgeprinzip) est né de l’idée qu’il convient d’accepter qu’il existe un doute, ou une incertitude (scientifique), dans la connaissance des risques. Il y a un peu plus de 20 ans, la loi Barnier introduisait le principe de précaution dans le droit français, pour le « risque de dommages graves et irréversibles à l’environnement », communément appelés “risque environnemental”. Il y a un peu plus de 10 ans, il a été inscrit dans la Constitution, approuvé par 531 députés, exprimant ainsi un très large consensus politique, probablement aussi social. Mais aujourd’hui, le principe de précaution est évoqué dans des contextes tout aussi divers que le risque d’actes de terrorisme, mais aussi des procédures de droit civil, ou pénal. Quelles sont les conséquences de cette dérive de l’utilisation du principe de précaution ?
Données et santé : valeurs, acteurs et enjeux
Ce billet a été rédigé avec Raphaël Suire.
Les données numériques nous concernent tous. En tant qu’usager d’objets connectés ou de services, nous laissons des traces à mesure que nous utilisons, consultons, notifions, commentons des contenus ou des services. D’ailleurs, même quand l’usager de fait rien, l’objet ou la plateforme qui propose du contenu sont en capacité de remonter cette inactivité, ce qui constitue bel et bien une information. En soit, chaque trace prise isolément donne peu d’information sur qui nous sommes. En outre, moins nous sommes routiniers dans l’usage de nos objets ou des services et moins il est simple d’identifier des régularités dans ce que nous faisons. Le caractère routinier peut être difficile à observer. Un horaire d’arrivée au bureau peut sembler complètement aléatoire, et pourtant, la personne prend régulièrement le premier bus qui passe devant chez lui, en sortant à 8 heures très précisément. Un comportement parfaitement déterminé et prévisible, qui se heurte à des obstacles aléatoires peut sembler aléatoire. Il n’en demeure moins que ces données numériques, pour qui sait les stocker et les croiser, constituent de l’or noir et un carburant d’une performance renouvelée pour de nombreuses organisations. Symétriquement, cette exploitation, constitue une source de tension entre des usagers sensibles à la protection de leur donnée personnelle (notion de « privacy concern ») et ces mêmes acteurs. Elle interroge également en profondeur le régulateur, car les réels gagnants seront peu nombreux. Il faut entendre ici, ceux qui au final vont posséder et capturer la valeur des données agrégées. Et enfin, c’est sans compter avec un nouveau terrain de jeu, aux promesses stratosphériques, celui de la santé connectée et un marché mondial estimé à 308 milliards de dollars (Grand View Research, 2015).
Continue reading Données et santé : valeurs, acteurs et enjeux
Mal calculer les probabilités tue les probabilités

Suite à un tweet d’Olivier, j’ai découvert avec stupéfaction l’article paru dans Libé sur le risque nucléaire (ici).

On apprend que la probabilité d’accident majeur est d’environ 0.0003 0,0003 par an pour chaque réacteur. Or l’Europe possède 143 réacteurs et donc, sur 30 ans, la probabilité d’un incident majeur est

et les auteurs de l’article concluent que “la probabilité d’occurrence d’un accident majeur sur ces parcs serait donc […] de plus de 100% pour l’Union européenne”

Etienne Ghys a déjà – brillamment – discuté ce chiffre avant hier (ici). Le soucis est que si
est la proba annuelle d’incident par an et par réacteur, en supposant les centrales indépendantes, la probabilité d’avoir un incident sur
réacteurs sur une durée de
années est

Comme
est supposé petit, un développement limité donnerait

Malheureusement, dans les développements limités de ce genre, s’il faut que
soit petit, encore faut-il que la puissance ne soit pas trop grande….
En fait, si on retient que pour un réacteur nucléaire à eau pressurisée (REP) tels ceux exploités en Europe de l’Ouest, le risque de fusion du cœur est estimé à 0.00005 par centrale et par an (en reprenant les estimateurs mentionnés sur wikipedia, ici), la vraie probabilité d’avoir un incident majeur en Europe serait plutôt de l’ordre de

(avec une probabilité 10 fois supérieure, Etienne arrivait à 72%). C’est marrant car cette erreur commise en croyant qu’un développement limité serait légitime quand on utilise des probabilité annuelle sur des horizons plus longs était évoqué ici il y a un an jour pour jour, sur des problèmes d’actualisation….
Copules et risques corrélés

J’avais promis dans un commentaire que je mettrais bientôt en ligne un survey sur les copules…. après plusieurs mois de retard, le document est en ligne [pdf], et il est sobrement intitulé copules et risques multiples. Toutes les remarques et critiques sont les bienvenues ! Il s’agit d’un chapitre pour un livre dont je mettrais la référence en ligne ultérieurement. A priori, ce document devrait servir de base pour le cours qui sera donné dans un mois au CIRM (mentionné ici, dans le cadre des Journées d’Études Statistiques).
Journées d’Etudes Statistiques, 2010
Cette année, les Journées d’Études Statistiques seront organisées du lundi 15 novembre au vendredi 19 (ici pour les inscriptions) au CIRM, à Marseille, et portera cette année sur les approches statistiques du risque.

Les journées sont organisées par Jean Jacques Droesbeke, Gilbert Saporta et Christine Thomas-Agnan. Et parmi les intervenants, on retrouvera Patrice Bertail, Anne Laure Fougères, Stéphane Loisel, Jean Marc Tallon, ou encore Eric Parent. Les journées de 2008 portaient sur les variables latentes et les mélanges (ici) et celles de 2006 sur les méthodes nonparamétriques en régression. Les contributions sont d’ailleurs régulièrement publiées. A suivre donc…
Cours de préparation à l’Agregation d’économie, information et incertain
Petite séance d’économie de l’information et de l’incertain dans le cadre de la préparation à l’agrégation. Les slides qui ont été utilisés sont en ligne.
Le cours présente les principes de base en économie de l’incertain (en particulier l’espérance d’utilité, telle que formalisée par par von Neumann et Morgenstern) a partir des lotteries, puis présentera rapidement quelques applications en finance et en assurance.
La seconde partie aborde les deux points clés d’aléa-moral et d’antisélection, et plus généralement d’asymétrie d’information.

Quelques compléments peuvent se trouver sur internet en particulier http://cepa.newschool.edu/ (en anglais), sur la page d’Olivier Gossner ou de Denis Bouyssou, à l’Université de la Réunion, des slides de François Pigalle, ou sinon l’article de Jean Benoit Dujol dans le Tigre. Pour une approche plus “formalisée”, on retiendra les slides de Pierre Cahuc à l’X. Sinon pour une vision plus générale du problème, il y a l’article de Xavier de la Vega paru dans le mensuel Sciences Humaines.
Sinon, une petite précision par rapport à la réponse que j’avais apporté oralement à une question (qui était posée lors du clavardage, “lien Arrow-Debreu ?“). J’avais évoqué l’approche de Gérard Debreu sur l’existence de fonctions d’utilité, mais ce n’était peut-être pas ce qui était posé par l’internaute… Pour reprendre, dans le contexte de l’intervention
- von Neumann et Morgenstern ont montré qu’introduire une relation d’ordre sur les loteries (c’est à dire supposer que les agents savaient comparer des risques, et des biens aléatoires) était équivalent – moyennant quelques hypothèses sur la relation d’ordre – à supposer que les agents comparent l’espérance (sous la probabilité de survenance des évènements) de l’utilité des revenus (aléatoire).
- lors de la question posée par clavardage, j’ai essayé de faire un parallèle avec les résultats obtenus par Debreu – un peu après von Neumann et Morgenstern d’ailleurs, en 1959 dans Théorie de la Valeur, et en 1944 dans Theory of Games and Economic Behavior – qui avait montrer que supposer que les agents pouvaient comparer des biens, ou des paniers de biens, i.e. construire une relation d’ordre sur les ensembles de paniers était équivalent à comparer des utilités (cf. cours de Jean-Yves Jaffray, ou l’article de wikipedia sur l’utilité).
- mais parrallèlement, Arrow et Debreu ont travaillé ensemble sur d’autres sujets connexes, en particulier introduit un concept fondamental en économie de l’incertain, en particulier dans une optique financière, que sont les “biens d’Arrow-Debreu” ou “Arrow-Debreu asset“. . Ces biens sont fondamentaux en finance car ils permettent de justifier la construction de la probabilité risque neutre, permettant de valoriser des produits sur des marchés en supposant qu’il existe une absence d’opportunité d’arbitrage. Dans un univers incertain, avec E états de la nature, on peut construire E biens d’Arrow-Debreu, chaque bien payant 1 dans un état de la nature, et 0 sinon. Le prix de tels bien est appelé “prix d’état“. Ils sont essentiels pour valoriser ces les actifs financiers. Des compléments théoriques dans les slides du cours de l’X, mais aussi dans les slides que je présenterais en fin de semaine à Montpellier (ici).
Je ne sais pas si ces éléments permettent de mieux répondre à la question qui était posée, mais la réponse me paraît plus exacte que celle que j’avais faite, omettant de parler des biens d’Arrow-Debreu. Sinon j’ai transmis la demande qui avait été faite de faire une intervention en statistique (rappeler la base de la statistique descriptive) et en théorie de jeux.