Tag Archives: Risques

Actuarial science

Prévoir sans précédent

Leave a comment

(avec le sous-titre “De l’actuariat contemplatif à l’actuariat prédictif“)

En mars 2024, Gavin Schmidt, directeur du Goddard Institute for Space Studies de la NASA, publiait dans Nature un texte au titre inhabituellement inquiet : Climate models can’t explain 2023’s huge heat anomaly — we could be in uncharted territory. L’année 2023 avait surpris les climatologues. Plusieurs facteurs connus permettaient d’expliquer une partie de l’anomalie observée, mais pas toute. L’expression uncharted territory, « territoire inconnu », avait marqué la communauté scientiqieu. Un peu plus de deux ans plus tard, le point le plus intéressant n’est peut-être plus de savoir ce qui, exactement, rendait 2023 singulière (la même question se posera probablement pour 2026). La question soulevée par Gavin Schmidt est plus générale : que signifie « prévoir » lorsque le système que l’on cherche à prévoir est lui-même en train de changer ?

Elle devrait être familière aux actuaires. Leur métier consiste précisément à parler de choses qui ne se sont pas encore produites. Une prime est fixée aujourd’hui pour couvrir les sinistres de demain. Des provisions sont constituées pour des paiements futurs. Les engagements d’un assureur-vie peuvent s’étendre sur plusieurs décennies. Quant aux catastrophes naturelles, les événements dont il faut évaluer le coût sont précisément ceux que l’on observe rarement. Et pourtant, une grande partie de l’actuariat traditionnel a peut-être été moins prédictive qu’on aime à le penser. Elle a été principalement « contemplative », au sens où on observe très attentivement le passé, on en mesure les régularités, puis on considère que celles-ci resteront suffisamment stables pour éclairer l’avenir. Cette stratégie a remarquablement fonctionné jusqu’à présent. Mais elle repose sur une hypothèse forte, et probablement révolue : demain doit suffisamment ressembler à hier.

Transformer l’incertitude en risque

Il y a plus d’un siècle, Frank Knight proposait une distinction devenue classique entre risque et incertitude. Dans le premier cas, la distribution des résultats d’un ensemble de situations comparables peut être connue, par le calcul ou par l’observation. Dans le second, cette distribution n’est pas disponible, notamment parce que la situation est trop singulière pour être rangée dans une classe d’expériences homogènes. On le sait, pour l’assurance, cette distinction est fondamentale. On ne sait pas qui aura un accident de voiture l’année prochaine, mais, sur plusieurs centaines de milliers d’assurés, on peut estimer relativement bien combien d’accidents se produiront. On ne sait pas à quel âge mourra une personne donnée, mais une table de mortalité décrit avec une remarquable régularité la mortalité d’une grande population.

L’assurance réalise ainsi une opération extraordinaire, puisqu’elle transforme l’incertitude individuelle en risque collectif. Frank Knight l’avait parfaitement compris. Lorsque la probabilité est mesurable, explique-t-il, le regroupement d’un grand nombre de situations permet de réduire l’incertitude. C’est précisément ce que réalise l’assurance. Mais ce mécanisme suppose que les cas regroupés soient suffisamment comparables. Si la situation est nouvelle, la difficulté n’est plus seulement que nous manquons d’observations. Nous ne savons plus exactement quelles observations constituent la bonne population de référence.

C’est le problème lorsque l’on cherche à estimer les incendies futurs dans une région dont le climat change, la sinistralité d’un parc automobile largement électrique ou la mortalité future d’une population qui bénéficiera de traitements aujourd’hui inexistants. De quelles expériences passées ces situations futures sont-elles réellement des répétitions ? L’actuariat s’est construit sur la possibilité de constituer des classes homogènes, et surtout stables. Une partie de son problème contemporain vient de ce que ces classes peuvent elles-mêmes devenir instables.

Rebus sic stantibus

Emil Gumbel avait formulé cette difficulté dès la première page de Statistics of Extremes, publié en 1958, qui a posé les fondements statistiques des techniques utilisées au quotidien par les actuaires, en particulier en réassurance. Pour utiliser les extrêmes observés afin de prévoir les extrêmes futurs, il faut supposer rebus sic stantibus, « les choses demeurant en l’état ». La distribution dont sont issus les événements et ses paramètres doivent rester constants dans le temps, ou bien l’effet du temps doit être explicitement pris en compte. Il ajoutait aussitôt que cette hypothèse, pourtant commune au travail statistique, n’est pratiquement jamais exactement réalisée. Une crue dite « centennale » possède une interprétation immédiate si la probabilité annuelle de dépassement reste constante. Que signifie en revanche une « période de retour » de cent ans si cette probabilité change d’année en année ?

Le même problème existe pour le calcul des provisions pour sinistres à payer. L’approche chain-ladder utilise les cadences des développements passés des sinistres pour prolonger le triangle vers le futur. Son principe même repose sur l’idée que les profils historiques de développement renseignent sur les profils à venir. Taylor soulignait déjà dans les années 1970 que les influences exogènes ne devaient pas trop perturber cette stationnarité. En mortalité, les actuaires ont rencontré cette difficulté encore plus tôt. Une table décrivant les décès observés à une période donnée devient insuffisante si la mortalité s’améliore durablement. Il faut alors passer d’une table statique à une table prospective : il ne suffit plus d’estimer la mortalité présente, il faut modéliser son évolution future. C’est exactement ce qu’ont proposé les modèles de type Lee-Carter, au début des années 1990.

Aucune de ces méthodes n’est naïve. Toute statistique suppose une certaine permanence. Si absolument tout changeait continuellement, aucune expérience ne pourrait nous apprendre quoi que ce soit. Ce qui devient plus difficile aujourd’hui est de laisser cette permanence implicite. Le climat en fournit un exemple assez clair, mais il n’est pas seul en cause. Technologies, médecine, mobilité, urbanisation, droit, coûts de réparation ou comportements changent également. L’assureur n’est donc pas seulement confronté à des événements aléatoires. Le cadre dans lequel ces événements se produisent évolue lui aussi.

Prédire sans vraiment prévoir

Le paradoxe est que jamais nous n’avons autant parlé de modèles « prédictifs ». Le machine learning est largement organisé autour de cette idée. On entraîne un modèle sur certaines observations et on mesure ses performances sur d’autres qu’il n’a pas utilisées. Galit Shmueli avait justement insisté sur la nécessité de distinguer « expliquer » et « prédire ». Comme nous l’expliquions avec Rodophe Bigot en 2020, un modèle destiné à comprendre un phénomène et un modèle destiné à produire de bonnes prédictions ne répondent pas au même objectif. La performance prédictive doit notamment être évaluée sur des observations qui n’ont pas servi à l’estimation. Pour l’actuaire, une deuxième distinction s’impose. Prédire une nouvelle observation n’est pas nécessairement prévoir l’avenir.

Prenons une base de contrats automobiles couvrant les années 2020 à 2025. On peut en utiliser une partie pour entraîner un algorithme et conserver le reste pour mesurer sa performance. Une validation croisée permettra de répéter l’exercice. Un excellent résultat démontrera que le modèle sait prédire des contrats qu’il n’avait jamais vus. Mais ceux-ci appartiennent au même environnement que les données utilisées pour l’apprentissage. C’est l’idée de « généralisation », pierre centrale de l’apprentissage automatique. Mais que nous dit cette validation sur la performance du modèle en 2030 si, entre-temps, le parc automobile, les comportements de mobilité ou le coût des réparations ont changé ? Beaucoup moins. Nous pensions tester notre capacité à prévoir demain. Nous testions surtout notre capacité à prédire une autre observation issue du même régime statistique.

La littérature sur le dataset shift a formalisé précisément ce problème. Les méthodes usuelles de machine learning supposent généralement que les données d’apprentissage et les données sur lesquelles le modèle sera utilisé suivent la même distribution. Or, dans le monde réel, les conditions d’utilisation diffèrent souvent des conditions dans lesquelles le modèle a été construit. Le cas le plus simple est le covariate shift. La population change, mais la relation entre les caractéristiques observées et le risque reste stable. Des méthodes de repondération permettent alors de donner davantage de poids aux observations passées qui ressemblent à la population future.

Mais cette solution suppose précisément que le mécanisme sous-jacent n’ait pas changé. Repondérer les incendies anciens ne suffit pas si leur propagation se transforme. Repondérer les accidents anciens ne suffit pas si la technologie des véhicules en modifie les conséquences. Et la littérature technique souligne elle-même que la validation croisée ordinaire peut devenir biaisée lorsque les distributions d’apprentissage et d’utilisation diffèrent. Le problème n’est donc plus simplement statistique. Il faut déterminer ce qui peut raisonnablement être transposé du passé vers l’avenir.

Quand le futur ne peut pas être validé

Les sciences du climat offrent ici un parallèle particulièrement éclairant. À court terme, la prévision météorologique annonce la température de la semaine suivante, puis on observe ce qui s’est passé. Les erreurs peuvent être rapidement mesurées et les modèles améliorés. Mais à long terme, pour le climat de 2070, cette boucle n’existe pas. David Stainforth et ses coauteurs soulignaient dès 2007 qu’à ces horizons, le problème est fondamentalement un problème d’extrapolation. Les modèles simulent des états du système que nous n’avons jamais observés. Leur capacité à reproduire le passé est nécessaire pour inspirer confiance, mais elle ne suffit pas à les calibrer pour un régime futur différent.

Une distinction devient alors essentielle. Il y a ce que nous ignorons dans un modèle, par exemple la valeur exacte d’un paramètre. Et il y a ce que nous ignorons sur le modèle : certains mécanismes peuvent manquer, certaines interactions être imparfaitement représentées, certaines échelles mal décrites. C’est ce que Stainforth et ses coauteurs appellent notamment l’inadequacy du modèle. Cette forme d’incertitude devient particulièrement importante précisément lorsque l’on extrapole vers des situations nouvelles.

Elle modifie aussi le statut des probabilités produites par les modèles. Une distribution obtenue à partir d’un ensemble de simulations n’est pas automatiquement une distribution de probabilités des états futurs du monde. Stainforth et ses coauteurs sont très explicites sur ce point : la fréquence des résultats au sein d’un ensemble de modèles peut être utile pour comprendre les modèles, sans représenter pour autant la probabilité du comportement réel du climat. La leçon est directement actuarielle, au sens où estimer une probabilité n’est pas exactement la même chose que connaître une probabilité. Un quantile à 99,5%, une perte bicentennale ou une distribution prédictive peuvent donner une impression de précision considérable, avec plusieurs chiffres après la virgule. Cette précision est parfaitement légitime lorsqu’elle quantifie une incertitude statistique bien identifiée. Elle l’est moins si elle fait oublier l’incertitude sur le mécanisme qui a permis de produire le chiffre. Reconnaître cette limite ne conduit pas à abandonner les modèles. Cela oblige à préciser ce que leurs nombres signifient.

Faut-il vraiment mieux prévoir pour mieux décider ?

Reste une question embarrassante : comment décider si nous ne savons pas prévoir avec suffisamment de précision ? Suraje Dessai, Mike Hulme, Robert Lempert et Roger Pielke posaient en 2009 une question volontairement provocatrice : Do We Need Better Predictions to Adapt to a Changing Climate? Leur cible était une logique qu’ils qualifiaient de predict-then-act : produire d’abord la meilleure prévision possible du futur, puis choisir l’action optimale compte tenu de cette prévision. Cette démarche fonctionne lorsque l’incertitude peut être suffisamment réduite. Elle devient plus fragile lorsqu’une décision doit être prise avant que l’incertitude soit résolue, ou lorsque certaines incertitudes sont irréductibles.

Suraje Dessai et ses coauteurs proposent alors de renverser la question. Au lieu de demander quelle décision serait optimale si notre prévision est correcte, on examine les performances de plusieurs décisions dans une gamme de futurs plausibles. Une stratégie est robuste si elle demeure satisfaisante sous des hypothèses sensiblement différentes. Robert Lempert, Steven Popper et Steven Bankes poussent cette logique plus loin dans leurs travaux sur la décision sous incertitude profonde. Celle-ci apparaît lorsque l’on ne connaît pas, ou que l’on ne parvient pas à s’accorder sur le bon modèle du système, les distributions de probabilité pertinentes, voire la manière d’évaluer certains résultats. La réponse n’est alors plus nécessairement de rechercher la solution optimale pour un futur privilégié, mais une stratégie qui résiste à plusieurs futurs et qui puisse évoluer à mesure que de nouvelles informations deviennent disponibles.

Cette idée est désormais suffisamment installée pour que le dernier rapport du GIEC consacre explicitement une place aux méthodes de décision robuste sous incertitude profonde : poser des questions de type « que se passerait-il si ? », conserver de la flexibilité et rechercher des politiques qui fonctionnent dans des futurs différents. Pour les actuaires, le déplacement n’est finalement pas si exotique. Il ressemble beaucoup à un stress test. Au lieu de demander seulement « quel est mon meilleur modèle du risque ? », on peut demander « quelles modifications plausibles du monde rendraient ma décision actuelle mauvaise ?

Des probabilités aux storylines

Les storylines développées en sciences du climat offrent une façon concrète de répondre à cette deuxième question. Theodore Shepherd et ses coauteurs définissent une storyline comme un déroulement cohérent et physiquement plausible d’événements passés ou futurs. Il ne s’agit pas nécessairement de lui attribuer une probabilité. L’objectif est d’étudier les mécanismes susceptibles de produire une situation et les conséquences qui en découleraient. Pour l’assurance, le raisonnement est très naturel.

On peut partir d’une catastrophe historique et demander ce que produirait aujourd’hui un événement analogue dans un climat plus chaud, sur un territoire davantage urbanisé et avec des valeurs assurées plus importantes. On peut aussi partir d’un portefeuille et rechercher les combinaisons d’événements susceptibles de le mettre en difficulté. Les storylines se prêtent notamment aux risques composés : sécheresse et chaleur, vent et fortes précipitations, crue et surcote. Aucun phénomène pris isolément ne doit nécessairement être exceptionnel pour que leur combinaison produise des conséquences extrêmes. Elles permettent ainsi de partir d’une vulnérabilité pour construire un stress test cohérent.

La démarche est même décrite comme un passage possible de la prédiction à l’exploration. Aux Pays-Bas, par exemple, l’adaptation à l’élévation du niveau marin s’appuie sur des scénarios susceptibles d’être révisés à mesure que les connaissances changent. Il ne s’agit donc pas de remplacer les probabilités par des histoires. Il s’agit de ne pas demander aux probabilités davantage qu’elles ne peuvent fournir. À la question classique, « quelle est la probabilité de cet événement ? », s’en ajoute une autre « que faisons-nous s’il se produit ? »

Un actuariat réellement prédictif

L’actuariat ne doit évidemment pas cesser de regarder le passé. Il reste sa principale source d’information, et l’assurance repose toujours sur la capacité à faire apparaître des régularités collectives derrière l’incertitude individuelle. Mais il faut peut-être distinguer trois opérations.

  • Décrire consiste à identifier les régularités du passé.
  • Prédire consiste à appliquer ces régularités à une nouvelle observation issue d’un environnement comparable.
  • Prévoir consiste à se demander ce qu’elles deviennent lorsque cet environnement change.

C’est cette troisième ambition qui prend aujourd’hui une importance croissante. Elle oblige à expliciter ce qui, dans nos modèles, est supposé rester stable. Elle demande parfois de compléter les corrélations historiques par une compréhension des mécanismes. Elle conduit à tester les modèles dans des scénarios où leurs hypothèses cessent d’être vraies. Et elle invite à rechercher non seulement des décisions optimales dans un scénario central, mais des décisions suffisamment robustes dans plusieurs futurs plausibles.

La distinction proposée il y a un siècle par Frank Knight retrouve alors une actualité presque inattendue. Le défi contemporain n’est pas de renoncer à cette opération visant à transformer l’incertitude en risque. Il est d’identifier les situations dans lesquelles elle devient plus difficile, parce que les sinistres futurs seront produits dans des conditions différentes de celles qui ont produit nos données.

Pendant longtemps, l’actuaire a pu traiter le futur, au moins approximativement, comme un nouvel échantillon du passé. Il lui faut désormais apprendre à faire quelque chose de plus difficile : utiliser le passé pour penser un avenir qui ne lui ressemblera pas nécessairement. Le « territoire inconnu » évoqué par Gavin Schmidt n’annonce donc pas la fin de la prévision actuarielle. Il pourrait au contraire marquer le moment où elle commence vraiment.

Références

Rodolphe Bigot et Arthur Charpentier (2020). « Quelle responsabilité pour les algorithmes ? » Risques, 122, 113-119.

Suraje Dessai, Mike Hulme, Robert Lempert et Roger Pielke Jr. (2009), « Do We Need Better Predictions to Adapt to a Changing Climate? », Eos, 90(13), 111-112.

Emil J. Gumbel (1958), Statistics of Extremes, Columbia University Press.

Frank H. Knight (1921), Risk, Uncertainty and Profit, Houghton Mifflin.

Robert J. Lempert, Steven W. Popper et Steven C. Bankes (2003), Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis, RAND.

Vincent A. W. J. Marchau, Warren E. Walker, Pieter J. T. M. Bloemen et Steven W. Popper (dir.) (2019), Decision Making under Deep Uncertainty: From Theory to Practice, Springer.

Joaquin Quiñonero-Candela, Masashi Sugiyama, Anton Schwaighofer et Neil D. Lawrence (dir.) (2009), Dataset Shift in Machine Learning, MIT Press.

Gavin Schmidt (2024), « Climate models can’t explain 2023’s huge heat anomaly — we could be in uncharted territory », Nature, 627, 467.

Theodore G. Shepherd et al. (2018), « Storylines: an alternative approach to representing uncertainty in physical aspects of climate change », Climatic Change, 151, 555-571.

Galit Shmueli (2010), « To Explain or to Predict? », Statistical Science, 25(3), 289-310.

David A. Stainforth, Myles R. Allen, Emily R. Tredger et Leonard A. Smith (2007), « Confidence, Uncertainty and Decision-Support Relevance in Climate Predictions », Philosophical Transactions of the Royal Society A, 365, 2145-2161.

GIEC (2022), « Decision-Making Options for Managing Risk », chap. 17 de Climate Change 2022: Impacts, Adaptation and Vulnerability

Actuarial science

Les actuaires, des apprentis-sorciers ?

Leave a comment

Au cours de l’été, j’étais tombé sur un post intéressant

qui raconte l’histoire de ce conducteur qui, pour améliorer son score auprès de son assureur, a fini par « arrêter de s’arrêter » au stop. L’application de télématique embarquée interprète en effet chaque freinage un peu vif comme un signe de conduite dangereuse (comme le rappelle zego). Je ne sais pas si l’histoire ici est vraie, mais elle correspond à ce que dit Consumer Reports qui mettait déjà en garde en 2021. Selon l’un de leurs responsables (Chuck Bell), les programmes télématiques peuvent inciter certains conducteurs à griller un stop pour éviter une pénalité de “hard braking”.

Le paradoxe est dur. Ce qui, au départ, devait améliorer la sécurité routière, a conduit à en dégrader les règles les plus élémentaires. Cet exemple est une jolie illustration, il me semble, du pouvoir performatif des algorithmes. En définissant ce qu’est un « bon » comportement, ils transforment concrètement la pratique sociale. Des praticiens du secteur assurantiel alertent déjà sur l’opacité des barèmes et les tensions avec la vie privée que génère cette nouvelle économie de la donnée (Actuarial Review Magazine). Il y a cinq ans, Quintero & Benenson (2020) notait que sous certaines conditions, l’UBI (Usage-Based Insurance) pouvait provoquer des comportements dangereux. Le paradoxe est ancien et bien connu, car comme le rappelait l’économiste Charles Goodhart, « when a measure becomes a target, it ceases to be a good measure ».

Au cœur de cette difficulté se trouve la confusion, parfois volontaire, entre corrélation et causalité. L’American Academy of Actuaries rappelle que les modèles prédictifs « ne démontrent qu’une association » et qu’ils échouent souvent à établir un lien de cause à effet. Cette limite devient essentuelle lorsqu’il s’agit de tarification comportementale. Utiliser des signaux faciles à collecter mais socialement biaisés peut conduire à des discriminations indirectes. Des chercheurs européens plaident ainsi pour introduire des critères de causalité dans l’évaluation des variables tarifaires, plutôt que de se contenter d’interdire celles jugées trop sensibles ou « proxy » (Avanzini & al. (2023)).

Or, dans la pratique, ces modèles ne se contentent pas de prédire, ils modifient les comportements. Plusieurs études récentes montrent que le coaching in-app et les incitations financières ont effectivement un impact mesurable sur la conduite des assurés (cf. Cevolini et al. (2024)). Mais cette modification se fait au prix d’une surveillance intrusive, avec des effets pervers encore difficiles à quantifier. On entre alors dans une boucle de rétroaction où la donnée influence le comportement, lequel rétroalimente à son tour le modèle. L’actuaire n’est plus seulement celui qui calcule, il devient co-designer de normes sociales.

L’histoire de l’assurance regorge pourtant de rappels à l’ordre. Dans les années 1990, le marché londonien de Lloyd’s a subit la crise des Names (dans les années 1980-1990), autrement dit, des sinistres « latents », liés à l’amiante ou à la pollution, avaient échappé aux modèles statistiques. Le sous-provisionnement massif provoqua des pertes ruineuses et remit en cause la gouvernance même de la place financière (The Actuary, Lloyds, Bain (1999), Actuaries Institute). La leçon est simple, même les méthodes les plus éprouvées peuvent se révéler impuissantes face à des risques émergents ou systémiques.

J’ai l’impression que cette fragilité se retrouve aujourd’hui dans le débat autour de l’intelligence artificielle générative. Une enquête menée par EY montre que 99 % des assureurs déclarent explorer ces technologies, mais que 67 % reconnaissent manquer de compétences pour en mesurer les risques. Le marché, lui, commence à peine à s’organiser. Aon souligne que la couverture en responsabilité civile professionnelle contre les dérives de la GenAI (hallucinations, violations de droits d’auteur, discriminations) reste embryonnaire, l’exposition étant jugée « nascent ». La difficulté est structurelle, l’actuariat s’appuyant historiquement sur l’analyse de séries passées, mais par définition, les usages de l’IA générative inventent des scénarios sans précédent.

À ce stade, la réflexion philosophique devient précieuse. Heidegger rappelait dans La question de la technique que la technologie n’est pas un simple outil neutre. Elle reconfigure notre manière d’habiter le monde. De son côté, Gilbert Simondon insistait sur l’importance de comprendre l’« individuation » des objets techniques pour penser une co-évolution homme-machine non aliénante (dans Du mode d’existence des objets techniques). L’actuaire, inséré dans cette chaîne techno-sociale, participe ainsi à la production du réel. La métaphore de l’« apprenti-sorcier » n’est donc pas qu’une image. Elle exprime la capacité à invoquer des forces (algorithmes, signaux, incitations) dont la maîtrise reste partielle.

Alors, comment sortir de cette posture ambiguë ? Plusieurs pistes s’esquissent. Du côté de la formation, il paraît indispensable d’intégrer des modules obligatoires d’éthique appliquée, de causal inference et de science des données responsables dans les cursus actuariels. Sur le plan institutionnel, la mise en place de comités indépendants de type data ethics boards devrait précéder tout déploiement de modèles comportementaux ou fondés sur la GenAI. La recherche, elle, gagnerait à financer des études longitudinales sur les effets sociaux indirects des tarifications dynamiques. Enfin, le dialogue doit s’élargir : associer philosophes, sociologues et usagers aux choix méthodologiques permettrait de rendre les dispositifs plus explicables, justifiables et révisables.

(source Fantasia, The Sorcerer’s Apprentice, 1940, Walt Disney)

En d’autres termes, il est temps de passer du rôle d’« apprenti-sorcier » à celui d’« ingénieur-gardien ». Car si les balais s’emballent, comme dans le poème de Goethe, c’est moins par malveillance que par manque de précautions. À l’actuaire, désormais, de veiller à ce que les outils qu’il convoque ne se retournent pas contre ceux qu’ils étaient censés protéger.

Actuarial science

Cartographie des risques, les routes de l’enfer sont pavées de bonnes intentions

Leave a comment

Je ne cesse de penser à l’expression « les routes de l’enfer sont pavées de bonnes intentions » quand on regarde ce qui s’est passé en Oregon, avec la création et le retrait précipité de la carte des risques d’incendie. L’intention initiale était indiscutablement louable: alerter et protéger les citoyens en identifiant les zones à haut risque. Pourtant, la mise en œuvre et les réactions qu’elle a provoquées ont vite montré les limites, jusque-là inattendues, de ce type d’approche. Et elle mériterait d’être davantage étudiée par les régulateurs et décideurs politiques qui veulent s’inspirer de cette idée (et ils sont nombreux).

Une initiative ambitieuse face à une réalité brûlante

Après une saison des incendies particulièrement dévastatrice en 2020, le législateur de l’Oregon vote une loi (la Senate Bill 762) pour cartographier le risque incendie par parcelle afin d’informer l’application de codes de construction plus résistants au feu dans les zones à haut danger, comme le racontait Rob Davis dans un article publié parProPublica au début du mois. En théorie, une démarche préventive : mieux identifier les zones vulnérables, adapter les normes, et ainsi réduire les dégâts futurs. Mais malgré la bonne intention, l’accueil fut brutal.

Le retour de bâton des habitants

La publication de la carte suscite une levée de boucliers immédiate : accusations de manque de transparence dans le processus de conception, crainte d’une flambée des primes d’assurance, inquiétudes face aux contraintes pesant sur les propriétaires, en particulier dans les zones rurales (comme le racontent des articles parus dans E&E News, et Oregon Capital Chronicle). Rapidement, la carte est retirée, puis les législateurs révoquent les règles associées imposant des codes de construction plus stricts (Claire Rush dans un article publié par AP News).

Ironie du sort : un outil visant à renforcer la résilience des communautés a fini par accentuer la défiance, affaiblissant l’intention initiale. Même si les assureurs n’avaient pas le droit légal (depuis 2023) d’utiliser cette carte pour fixer les tarifs, comme le rappelle le Division of Financial Regulation de l’Oregon, la perception publique contrait l’action politique.

Quand le risque visible devient un catalyseur de désinformation

Ce cas illustre aussi comment l’information, même bien intentionnée, peut être déformée dans son cheminement public. Comme le soulignent des études sur la diffusion des risques, les messages se raccourcissent, se désinforment et s’adaptent à des croyances préexistantes, amplifiant parfois de façon perverse la peur ou l’opposition. Anna Phillips , John Muyskens , Naema Ahmed et Brady Dennis reviennent sur le cas de la Californie dans un article publié par The Washington Post.

D’un outil informatif à un outil mal reçu

Dans l’absolu, les cartes des risques sont utiles. À condition d’être conçues avec clarté, accompagnées d’une communication transparente et d’un suivi concret. Une recherche récente de Annie Preston et Kwan-Liu Ma (Communicating Uncertainty and Risk in Air Quality Maps) montre qu’en incluant l’incertitude dans les visualisations cartographiques, les utilisateurs prennent des décisions plus prudentes. Cela suggère qu’un affichage clair et nuancé (plutôt qu’une classification trop catégorique) aide à construire la confiance et à susciter l’action.

De plus, un rapport de 2023 (publié par Headwaters Economics) identifie les codes de construction résistants au feu et la gestion de l’environnement bâti comme les stratégies les plus efficaces, bien que largement sous-financées . Une carte seule ne suffit pas : elle doit être adossée à des mesures concrètes, des ressources, et une implication locale.

Conclusion

Les routes de l’enfer sont souvent pavées de bonnes intentions. En Oregon, un projet de carte des risques d’incendie, né de la volonté de mieux protéger les citoyens, a fini par soulever méfiance et rejet. Une leçon à retenir ? Un bon outil n’est efficace que s’il combine transparence, participation locale, communication claire et mesures concrètes. Sans cela, il peut produire l’effet inverse — augmenter la confusion, attiser l’opposition, et compromettre la sécurité à long terme.

Actuarial science

À la fin, qui prendra en charge le coût des assurances ?

Leave a comment

Des mutuelles ouvrières du XIXe siècle, créées pour amortir les coups du destin industriel, aux logiques actionnariales des géants financiers contemporains, l’assurance a toujours reflété les grands risques de son époque.

Désormais sous la pression d’événements climatiques à la fréquence et à la sévérité inédites, le secteur affronte une équation nouvelle : comment rester solvable et socialement légitime lorsque la sinistralité croît plus vite que les primes ? Entre flambée des tarifs, exclusions de garanties et menace d’inassurabilité de territoires entiers, la solidarité assurantielle doit se réinventer, faute de quoi, c’est la société tout entière qui sera appelée à combler le vide.

The Conversation (France) a publié un court article, écrit avec Laurence Barry… la suite en ligne.

 

The Conversation

Publications, Research

Repenser collectivement les catastrophes

Leave a comment

Cet article a été coécrit avec Laurence Barry

À l’heure où la fréquence et l’intensité des catastrophes naturelles s’accroissent sous l’effet du réchauffement climatique, la question de l’assurance catastrophe devient cruciale pour préserver la résilience économique et sociale. Loin de se limiter à une transaction commerciale entre assureur et assuré, l’assurance contre les risques naturels revêt la forme d’un bien commun — un « commun assurantiel » — qui repose sur la mutualisation, la solidarité et la gouvernance collective. Pour éclairer ce propos, nous mobiliserons les travaux fondateurs sur les régimes de biens publics et communs (Samuelson, 1954 ; Arrow, 1963 ; Ostrom, 1990 ; Ostrom & Ostrom, 1999), ainsi que les analyses économiques de l’assurance (Coase, 1960 ; Buchanan, 1965) et de la gestion des risques systémiques (Markowitz, 1952 ; Arrow & Lind, 1970). Ce positionnement théorique permet de dépasser la dichotomie traditionnelle entre secteurs public et privé, pour montrer comment l’assurance catastrophe s’organise en un hémi­cycle polycentrique, où plusieurs acteurs — États, assureurs, réassureurs, collectivités locales et sociétaux — coopèrent et se régulent mutuellement pour assurer une protection universelle et efficace en dépit des aléas climatiques.

Les régimes d’assurance catastrophe : un continuum public-privé

La crise du néolibéralisme ne remet pas en cause l’intervention de l’État dans la couverture des risques extrêmes ; elle redéfinit plutôt les modalités de cette intervention. Les régimes d’assurance des catastrophes naturelles mis en place dans plusieurs pays illustrent un continuuum public-privé (Ostrom & Ostrom, 1999 ; Ostrom, 2010). En France, depuis 1982, le régime CatNat (Loi du 13 juillet) repose sur l’obligation pour tous les assureurs de proposer une couverture des risques naturels, adossée à une « garantie publique » fournie par le Caisse Centrale de Réassurance (CCR). L’État intervient en dernier ressort pour absorber les pertes au-delà d’un certain seuil, garantissant ainsi la solvabilité globale du système. Ce partage du risque repose sur deux piliers complémentaires: une mutualisation obligatoire nationale, qui lisse les chocs localisés et une réassurance publique, qui renforce la capacité financière en cas de sinistres majeurs (ouragans, inondations massives).

Au Royaume-Uni, la création de Flood Re en 2016 a été motivée par la montée des coûts de l’assurance contre l’inondation, menaçant l’accès pour les ménages résidant en zones à risque. Flood Re est un pool public-privé où les assureurs transfèrent une fraction de leurs primes à un fonds central, lequel assure la réassurance des contrats à prix modéré. Flood Re applique une tarification décalée : les primes reflètent en partie le risque, mais sont plafonnées pour préserver l’accessibilité. Cette formule constitue un compromis entre signal prix (pour inciter à la prévention) et solidarité tarifaire.

Aux États-Unis, le National Flood Insurance Program (NFIP) incarne un régime entièrement public depuis les années 1960, avec des primes souvent sous-tarifées pour favoriser l’accès. Face aux déficits croissants (dûs aux ouragans Katrina en 2005 et Sandy en 2012), des réformes visent à introduire des prix plus proches du risque, tout en maintenant des mécanismes de solidarité territoriale. Le défi consiste à éviter deux écueils : une sur-tarification qui exclurait les populations à faible revenu et un sous-tarification qui alimente le cercle vicieux de la dette publique post-catastrophe.

L’articulation public-privé répond à deux impératifs : d’une part, garantir l’accessibilité financière en limitant les hausses de primes pour les zones exposées ; d’autre part, maintenir l’incitation à la prévention et à la gestion active des risques, caractéristique du secteur privé (Coase, 1960). Cet équilibre est délicat : un sous‑tarif massif peut à terme accroître la vulnérabilité en dissuadant les mesures préventives, alors qu’une tarification purement actuarielle peut exclure les plus fragiles (Stiglitz, 1989).

L’assurance catastrophe comme bien à péage : principes et vertus

Selon la typologie d’Ostrom (1990), les biens à péage (toll goods) se distinguent par une excluabilité aisée — la couverture s’adresse à des assurés identifiés — et une non‑rivalité — la protection d’un assuré n’affecte pas directement celle des autres, à condition d’une mutualisation efficace. Le contrat fixe précisément les risques couverts et les bénéficiaires, ce qui évite les usages non autorisés et permet un contrôle du périmètre. Et la capacité d’indemnisation repose sur un pool financier où les contributions cumulées compensent les pertes. Dans l’hypothèse d’une mutualisation optimale, un sinistre majeur n’épuise pas les ressources pour les autres assurés ; l’effet de diversification rend le coût moyen supportable (Markowitz, 1952 ; Arrow & Lind, 1970).

Ici, plus le nombre d’assurés est grand, plus la loi des grands nombres s’applique ; la variance des sinistres diminue, améliorant la prévisibilité des engagements et optimisant la tarification (Buchanan, 1965). De plus, un système d’assurance bien calibré limite les interventions budgétaires d’urgence de l’État et accélère la relance économique post-catastrophe. Cette stabilité profite à l’ensemble de la société, notamment aux zones moins exposées, qui bénéficient indirectement d’un environnement macroéconomique plus stable (Arrow & Lind, 1970).  Aussi, contrairement à une vision purement marchande, qui peut aboutir à une ségrégation des marchés (excès de sélection négative, restrictions de garanties), un modèle de communs favorise l’inclusion et la solidarité horizontale.

Trois cas d’école de communs assurantiels

Pour illustrer, on peut considérer trois exemples particuliers de « communs assurantiels ».

Les mutuelles de santé sont des communs historiques et institutionnels Les mutuelles, notamment en France, constituent l’exemple classique d’une organisation assurantielle inspirée du modèle des communs. Nées au XIXe siècle sous l’impulsion des mouvements ouvriers, elles reposent sur des principes de solidarité, d’autogestion et d’égalité entre membres. Les assurés y sont à la fois bénéficiaires et coproducteurs du service. Le principe “une personne, une voix” régit leur gouvernance, rompant ainsi avec la logique actionnariale. Ce mode d’organisation repose sur la transparence des règles, la co-construction des garanties, et un objectif d’intérêt général plutôt que lucratif (Ewald 1986). Ces mutuelles s’inscrivent dans une logique d’empowerment collectif et peuvent être analysées comme des communs institutionnalisés, stabilisés par le droit mais encore gouvernés par les membres. Leur modèle montre comment la transparence des règles et l’autocontrôle des adhérents assurent la pérennité du commun.

Le régime CatNat en France, construit sur une mutualisation imposée et acceptée Le régime d’indemnisation des catastrophes naturelles (CatNat) français est un cas original de commun assurantiel co-construit entre l’État, les assureurs et les assurés. Fondé en 1982, il repose sur un principe de solidarité nationale : une surprime obligatoire (12% sur les contrats d’assurance habitation) alimente un fonds commun destiné à indemniser les sinistrés reconnus en état de catastrophe naturelle. Ce régime combine plusieurs dimensions des communs : une ressource mutualisée, une gouvernance polycentrique (État, assureurs, réassureur public CCR), et un usage encadré par des règles collectivement discutées. La participation de tous les assurés, quelle que soit leur exposition au risque, permet une redistribution implicite entre zones à faible et forte sinistralité (Langreney, Le Cozannet et Merad 2023). Cette structure favorise également une culture partagée du risque, bien que la dimension préventive reste à renforcer. La surprime unique (de 12%) masque des zones de forte sinistralité où la contribution individuelle est inférieure au risque réel, au profit d’une solidarité géographique.

Les micro-assurances communautaires dans le Sud global, reposant sur une innovation sociale. Dans de nombreux pays en développement, face à l’absence de couverture assurantielle accessible, des communautés locales ont développé des systèmes de micro-assurance mutualisés. Ces dispositifs reposent sur une mise en commun volontaire des ressources pour faire face à des risques spécifiques (maladie, sécheresse, décès). Gérés collectivement, souvent sans intermédiaire professionnel, ils permettent aux populations vulnérables d’accéder à une protection minimale. Ces systèmes incarnent pleinement l’esprit des communs : auto-organisation, gouvernance participative, règles locales adaptées aux besoins réels. Leur efficacité repose sur la confiance, la proximité et la connaissance fine des risques (Jarzabkowski et al. 2023). Ils montrent que les communs assurantiels ne sont pas une utopie abstraite, mais une réalité concrète, particulièrement dans des contextes où ni le marché ni l’État ne répondent aux besoins. Leur réussite repose sur un tissu social dense, où la confiance et la connaissance des risques locaux limitent l’aléa moral.

Gouvernance polycentrique et principes de gestion des communs

Vincent Ostrom (1999) définit le polycentrisme comme l’organisation de systèmes complexes par plusieurs centres de décision interdépendants. À l’échelle locale, on retrouve les collectivités territoriales et comités de prévention (PPR, PLU, EPTB). À l’échelle nationale, les régulateurs (ACPR, EIOPA), législateurs, et réassureurs publics. Et à l’échelle internationale : organismes supranationaux, normes comptables (Solvabilité II), pools régionaux (États Caraïbes). Ces niveaux interagissent selon des mécanismes d’apprentissage mutuel (Ostrom, 2010) et de coordination, où chaque centre peut ajuster ses règles sans attendre une décision centralisée unique.

La gestion durable d’un commun repose sur les huit principes identifiés par Elinor Ostrom (1990).

  1. Définition claire des frontières : qui est assuré, quel risque est couvert ?
  2. Règles adaptées aux contextes locaux : tarification différenciée par zone de risque.
  3. Participation collective : implication des assurés et des collectivités dans la gouvernance.
  4. Surveillance : observatoires de l’exposition (cartes de risque, bases de données SINP).
  5. Sanctions graduées : pénalités pour non‑respect des normes de prévention.
  6. Mécanismes de résolution des conflits : médiation entre assurés, assureurs et autorités.
  7. Reconnaissance des droits à s’organiser : reconnaissance juridique des pools et syndicats mixtes.
  8. Polycentrisme : établissement de mécanismes de coordination multi‑niveaux.

Ces principes favorisent une gouvernance robuste, capable de s’adapter aux évolutions climatiques et aux chocs systémiques.

Prévention, incitations et renforcement de la résilience

Les approches de tarification basée sur le risque (Demange & Laroque, 2015) adressent un signal aux assurés, mais leur impact est atténué par les subventions croisées et les effets d’aubaine. Dans le premier cas, pour maintenir l’accessibilité, l’État ou les assureurs peuvent être tentés de niveler les primes, brouillant le signal tarifaire. Dans le second cas, les propriétaires sous‑assurés augmentent leur vulnérabilité, sachant qu’ils pourront bénéficier d’aides publiques après sinistre (aléa moral).

Parmi les mécanismes collectifs d’incitation, on peut noter les “Community Rating System” (FEMA) proposant des baisses des primes moyennes dans les zones où les collectivités mettent en place des mesures de protection (élargissement des zones végétalisées, digues, etc.). Les syndicats mixtes de type EPTB (établissement public territorial de bassin) avec un financement concerté d’infrastructures de retenue et de prévention des inondations (Godard, 2012). Ou encore les observatoires collaboratifs, correspondant à des plateformes de partage de données (Langreney, Le Cozannet, Mérad, 2023) pour un autocontrôle plus efficace des assureurs.

Ainsi, le passage d’une logique individuelle à une approche communautaire renforce la résilience territoriale et permet d’ajuster les politiques publiques aux spécificités locales.

L’assurance des catastrophes naturelles, envisagée comme un commun assurantiel, révèle l’importance d’un modèle polycentrique et participatif pour garantir une protection universelle face aux défis climatiques. Les enseignements des biens publics et communs suggèrent un cadre où la mutualisation, la transparence et la coordination multi‑niveaux s’articulent pour préserver à la fois l’efficacité économique et la solidarité. Mais pour concrétiser cette vision, quatre leviers sont essentiels (1) un accès élargi et une tarification équitable (Coe & Meinzen-Dick, 2010), (2) des observatoires assurant la transparence pour un autocontrôle constant, (3) des incitations à la prévention fondées sur la participation collective, (4) une coordination polycentrique, garantissant la flexibilité réglementaire et l’adaptation locale. Dans ce cas, intégrer la notion de communs dans l’assurance catastrophe constitue une voie prometteuse pour bâtir une résilience durable et solidaire face aux aléas croissants du climat.

Arrow, K. J. (1963). Uncertainty and the welfare economics of medical care. American Economic Review, 53(5), 941–973.

Arrow, K. J., & Lind, R. C. (1970). Uncertainty and the evaluation of public investment decisions. American Economic Review, 60(3), 364–378.

Buchanan, J. M. (1965). An economic theory of clubs. Economica, 32(125), 1–14.

Coase, R. H. (1960). The problem of social cost. Journal of Law and Economics, 3, 1–44.

Coe, N. M., & Meinzen-Dick, R. (2010). The commons in a development context. International Journal of the Commons, 4(1), 1–23.

Cummins, J. D., & Mahul, O. (2009). Catastrophe risk financing in developing countries: Principles for public intervention. Washington, DC : World Bank.

Demange, G., & Laroque, G. (2015). Risk-based insurance pricing and public policy. Journal of Risk and Insurance, 82(3), 621–649.

Godard, O. (2012). Économie de l’assurance : Concepts et enjeux. Paris : Dunod.

Hess, C., & Ostrom, E. (2007). Artifacts, facilities, and content: Information as a common-pool resource. Law and Contemporary Problems, 66(1/2), 111–145.

Heller, M. A. (1998). The tragedy of the anticommons: Property in the transition from Marx to markets. Harvard Law Review, 111(3), 621–688.

IPCC. (2014). Climate Change 2014 : Impacts, adaptation and vulnerability. Cambridge : Cambridge University Press.

Jarzabkowski, P., Chalkias, K., Cacciatori, E., & Bednarek, R (2023). Disaster Insurance Reimagined. Oxford University Press.

Langreney, M., Le Cozannet, G., & Mérad, M. (2023). Rapport sur la transparence et la prévention des risques naturels en assurance. Ministère de l’Écologie.

Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91.

Ostrom, E. (1990). Governing the commons : The evolution of institutions for collective action. Cambridge : Cambridge University Press.

Ostrom, E. (2010). Beyond markets and states: Polycentric governance of complex economic systems. American Economic Review, 100(3), 641–672.

Ostrom, V., & Ostrom, E. (1999). Public goods and public choices. In M. D. McGinnis (Ed.), Polycentricity and Local Public Economies (pp. 55–88). Ann Arbor, MI : University of Michigan Press.

Samuelson, P. A. (1954). The pure theory of public expenditure. Review of Economics and Statistics, 36(4), 387–389.

Stiglitz, J. E. (1989). Markets, market failures, and development. American Economic Review, 79(2), 197–203.

Publications

Collectively rethinking disasters

Leave a comment

this post was written with Laurence Barry, initially in French

At a time when the frequency and intensity of natural disasters are increasing as a result of global warming, the issue of disaster insurance is becoming crucial to preserving economic and social resilience in most countries. However, when we look at the various existing systems, we see that the state is usually involved in one way or another in the system that has been put in place. Far from being limited to a commercial transaction between insurer and insured, insurance against natural risks takes the form of a common good—an “insurance commons”—based on mutualization, solidarity, and collective governance. To shed light on this issue and propose another framework for thinking about natural disaster insurance, we will draw on seminal work on hybrid property regimes and commons (Samuelson, 1954; Arrow, 1963; Ostrom, 1990; Ostrom & Ostrom, 1999), as well as economic analyses of insurance (Coase, 1960; Buchanan, 1965) and systemic risk management (Markowitz, 1952; Arrow & Lind, 1970). This theoretical positioning makes it possible to move beyond the traditional dichotomy between the public and private sectors, which has been further exacerbated by recent debates, to show how catastrophe insurance is in fact organized as a polycentric institution, where a multiplicity of actors—states, insurers, reinsurers, local authorities, and policyholders—have a role to play. A virtuous system is one in which all actors cooperate and regulate each other to ensure universal and effective protection despite climatic hazards. Continue reading Collectively rethinking disasters →

Publications

Les paradoxes de la segmentation et de la discrimination en assurance

Leave a comment

“La décision ne peut pas être raciste puisqu’elle a été prise sans aucune information sur l’origine ethnique de la personne.” Ce genre d’affirmation, on l’a tous entendu un jour ou l’autre. Que ce soit sur le racisme, l’âgisme ou le sexisme. Que ce soient des décisions humaines, des modèles ou des algorithmes. Pourtant, la “loi de Kranzberg”1 nous rappelle que la technologie n’est ni bonne ni mauvaise mais, elle n’est pas neutre pour autant. La neutralité risque de ne venir qu’à un certain prix. Et il est peut être temps de revenir sur les grands principes autour de la segmentation et de l’équité, en assurance, pour mieux comprendre de quoi on parle quand on évoque la question de la discrimination.

Figure: Krater représentant Thésée et Procruste, et Thésée tuant le sanglier de Crommyon (source The Miriam and Ira D. Wallach Division of Art, 1862 – 1864)

Continue reading Les paradoxes de la segmentation et de la discrimination en assurance →

  1. La loi de Kranzberg, énoncée par l’historien des technologies Melvin Kranzberg en 1986, a été formulée dans un article intitulé “Technology and History: ‘Kranzberg’s Laws'”, publié dans la revue Technology and Culture. Six lois sont proposées, mais la première est la plus connue, rappelant que les effets de la technologie dépendent du contexte social, politique, économique et culturel dans lequel elle est utilisée: “Technology is neither good nor bad; nor is it neutral.” [↩]
Economics, Publications

Discounting the Future?

Leave a comment

this post is written with Béatrice Cherrier (Research Director, CNRS-ENSAE / CREST)

The first lessons in insurance and financial mathematics address discounting and the value of time, borrowing Christian Gollier’s expression, because insurers must account for this temporal aspect in medium-term annuity calculations. But do these discounting calculations, used for centuries to reflect individual decisions (of policyholders, investors, companies), still make sense when used to guide public policy decisions with long-term consequences, like climate policies?

When Kenneth Arrow joined the IPCC team in 1993, he expressed this concern to the coordinator of certain chapters: discounting in climate economics is as necessary as it is controversial. He wrote: “Your outline is very complete, with one exception. There needs to be discussion of discount rates. To a considerable extent, suggested policies require present costs (reduced carbon consumption) to prevent future disutilities and costs. Clearly, the tradeoff between present and future is very important, controversial though it be” (Cherrier and Duarte 2024).

The history of this transfer of a mathematical tool from the individual to the collective dimension since the 1930s, summarized here, is rich with lessons.
Continue reading Discounting the Future? →

Publications

How to Go Beyond the Coldness of Numbers and Take Action?

Leave a comment

 This article was written with Nicolas Marescaux, originally in French.

Today, our modern life relies largely on numbers. They guide most collective decisions and many individual choices. For Lord Kelvin [1], “If you cannot measure it, you cannot improve it.” In other words, to make a good decision, you must first measure well. But is that enough? IPCC reports have been compiling data and figures for decades, announcing a short-term catastrophe. And yet, nothing happens. “The modern man scorns imagination,” stated Stéphane Mallarmé in 1897. Isn’t it this subjectivity of our imagination that could save us? Continue reading How to Go Beyond the Coldness of Numbers and Take Action? →

Publications

Comment dépasser la froideur des chiffres, et agir ?

Leave a comment

Cet article a été écrit avec Nicolas Marescaux,

Aujourd’hui, notre vie moderne repose en grande partie sur les chiffres. Ils orientent la plupart des décisions collectives et de nombreux choix individuels. Pour Lord Kelvin [1], « If you cannot measure it, you cannot improve it. » Autrement dit, pour bien décider, il faudrait d’abord bien mesurer. Mais est-ce suffisant ? Les rapports du GIEC compilent des données et des chiffres annonçant, depuis plusieurs décennies, une catastrophe à court terme. Et pourtant, rien ne se passe. « Le moderne dédaigne d’imaginer » affirmait Stéphane Mallarmé en 1897. N’est-ce pas cette subjectivité de notre imaginaire qui pourrait nous sauver ?
Continue reading Comment dépasser la froideur des chiffres, et agir ? →