Tag Archives: segmentation

Classer, comparer, assurer

À l’ère numérique, la promesse le personnalisation est partout. Chacun peut devenir un individu souverain, unique, délivré des classements collectifs d’hier. Les plateformes nous proposent des offres taillées sur mesure : les playlists sont personnalisées sur les sites d’écoute en ligne, tout comme les recommandations de lecture, les assurances se vantent d’être « pay-how-you-live », la médecine est aussi personnalisée, etc. Tout serait individualisable, personnalisable, comme si la société renonçait à ses catégories pour n’exister qu’à travers des expériences singulières.

Mais derrière ce récit flatteur se cache peut être une réalité  plus complexe, voire paradoxale. Plus l’individu est célébré comme incomparable, plus il est saisi, découpé, et finalement classé dans de nouvelles catégories. Loin de disparaître, la logique classificatoire s’étend. Dans l’assurance, domaine fondamentalement basée sur la mutualité, sur le collectif, ce paradoxe se révèle encore plus.

La personnalisation comme nouvel horizon

La personnalisation est l’idéologie dominante à l’ère du numérique. Elle promet que chacun peut contrôler son destin : vos choix de conduite modèlent votre prime automobile, vos habitudes de sommeil influencent votre couverture santé, vos signaux de consommation financière déterminent vos conditions d’emprunt.

Les assureurs se présentent alors comme des miroirs : ils ne jugent pas, ils reflètent. À travers une montre connectée, l’assuré apprend que ses efforts de marche quotidienne « réduisent » son risque de maladie cardiaque. À travers une application automobile, il constate que sa conduite de nuit, un peu nerveuse, le « renchérit ».

Ce discours rejoint l’idéologie décrite par Shoshana Zuboff (The Age of Surveillance Capitalism, 2019), où la collecte massive de données permet non seulement de « prédire », mais aussi d’orienter nos comportements. L’assurance personnalisée, loin d’être neutre, devient un mécanisme de discipline sociale : elle nous pousse à « mieux vivre » pour payer moins.

La nécessité de classer

Pourtant, aucune personnalisation n’échappe au classement. Pour fixer un tarif (en assurance), il faut comparer, mettre en équivalence, réduire la singularité en variables manipulables. Un individu ne devient « bon conducteur » que parce qu’il est comparé à des milliers d’autres profils. Une personne n’est « à risque modéré » que parce qu’elle entre dans un segment statistique établi à partir d’échantillons. Même les données dites « personnelles » ne prennent sens que par agrégation : une fréquence cardiaque de 60 (bpm) n’est interprétable qu’en référence à une distribution générale.

Luc Boltanski et Laurent Thévenot (De la justification, 1991) avaient déjà montré combien nos sociétés reposent sur des « régimes de comparaison » : toute valeur individuelle est toujours relative à des ordres collectifs. Plus récemment, Marion Fourcade et Kieran Healy (Seeing Like a Market, 2007 ; Classification Situations, 2013) ont analysé comment les marchés modernes reposent sur des dispositifs de classement invisibles qui structurent nos existences.

Ainsi, loin de disparaître, les catégories se raffinent : l’assuré n’est plus comparé à « tous les jeunes conducteurs de moins de 25 ans », mais à une cohorte mouvante d’individus ayant accumulé des signaux comportementaux similaires.

Comparer, toujours comparer

Cette logique de comparaison permanente devient presque existentielle. Le citoyen assuré se perçoit à travers des indicateurs : pas assez économe, un peu trop sédentaire, trop lent à rembourser ses dettes.

Dans l’assurance, cette obsession du benchmarking soulève deux questions. La première est liée à la justice, à l’équité : est-il équitable que deux assurés payent des primes radicalement différentes parce que l’un habite à 200 m d’une zone inondable ou consulte son médecin deux fois de plus par an ? Ici, on retrouve le débat central de John Rawls (A Theory of Justice, 1971), entre égalité formelle et équité réelle : faut-il compenser les « circonstances » hors de contrôle ou responsabiliser les « choix » individuels ? La seconde est liée à la lisibilité : les produits d’assurance sont notoirement difficiles à comparer pour l’assuré lui-même. Les différences reposent sur des franchises subtiles, des exclusions implicites, des clauses écrites en caractères minuscules (Bénéplanc et al., Manuel d’assurance, 2024). Derrière la personnalisation affichée, les écarts tarifaires reposent sur des variables opaques.

La personnalisation crée donc une dissymétrie informationnelle (Akerlof, The Market for Lemons, 1970) : l’assuré croit être évalué en tant qu’individu, mais il est en réalité inséré dans des cohortes comparatives qu’il ne maîtrise pas.

L’assurance, entre mutualisation et individualisation

L’assurance repose historiquement sur un principe simple : mutualiser les aléas de la vie. On accepte de cotiser ensemble pour que les pertes de quelques-uns soient compensées par la solidarité du groupe. Comme l’écrivait François Ewald (L’État providence, 1986), l’assurance moderne a constitué une « technologie de solidarité », transformant l’incertitude en obligation collective.

Or, la personnalisation menace ce socle. Si chacun « paie pour soi », la logique de redistribution se délite. Les « bons profils » exigent des ristournes, les « mauvais profils » voient leurs primes exploser. À la limite, certains deviennent inassurables. C’est ce que l’on observe déjà dans les zones exposées aux catastrophes climatiques (Kousky, Understanding Disaster Insurance, 2022).

Derrière l’utopie de l’individu souverain se dessine donc un risque collectif : celui d’une société où l’on n’assure plus contre les aléas, mais seulement contre soi-même. Une société où le classement permanent finit par saper la mutualisation, pourtant essentielle face aux risques climatiques ou sanitaires.

De la personnalisation à la gouvernance des classes

Plutôt que d’opposer personnalisation et mutualisation, l’enjeu est peut-être de reconnaître la tension irréductible entre les deux. Les assureurs devront inventer des équilibres, entre maintenir des classes collectives lisibles (âge, zone géographique, type de logement) pour garantir une base de solidarité, introduire une dose de personnalisation contrôlée (comportements mesurés, données de capteurs) sans laisser ces algorithmes créer des discriminations cachées, et a ssumer que comparer et classer est inévitable, mais que la manière de construire les classes est un choix politique et éthique, pas seulement technique (Millo & MacKenzie, Constructing a Market, Performing Theory, 2009).

La personnalisation promet l’émancipation de l’individu, mais repose sur une prolifération de catégories invisibles. Dans l’assurance comme ailleurs, nous sommes comparés sans cesse : par nos conduites, nos achats, nos rythmes de vie.

Plutôt que de céder à l’illusion de l’individu souverain, il faut peut-être affronter ce paradoxe : nous voulons être uniques, mais nous restons définis par des classes. L’enjeu n’est pas de supprimer les classements, mais de décider lesquels sont justes, transparents et socialement acceptables.

Car derrière chaque algorithme de personnalisation se cache une question politique : comment partager le risque, et donc, comment faire société ?

Akerlof, G. (1970). The Market for Lemons: Quality Uncertainty and the Market Mechanism. Quarterly Journal of Economics.

Bénéplanc, G., Charpentier, A. & Thourot, P. (2024). Manuel d’assurance. Presses Universitaires de France.

Boltanski, L., & Thévenot, L. (1991). De la justification. Gallimard.

Ewald, F. (1986). L’État providence. Grasset.

Fourcade, M., & Healy, K. (2007). Seeing Like a Market. Socio-Economic Review.

Fourcade, M., & Healy, K. (2013). Classification Situations: Life-chances in the Neoliberal Era. Accounting, Organizations and Society.

Kousky, C. (2022). Understanding Disaster Insurance. Island Press.

Millo, Y., & MacKenzie, D. (2009). Constructing a Market, Performing Theory: The Historical Sociology of a Financial Derivatives Exchange. American Journal of Sociology.

Rawls, J. (1971). A Theory of Justice. Harvard University Press.

Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.

Des primes d’assurance personnalisées moins chères grâce à l’IA ?

Parution d’un court article, “Des primes d’assurance personnalisées moins chères grâce à l’IA ? Voici pourquoi il s’agit d’une pente glissante”, sur https://theconversation.com/

L’assurance repose sur un principe de solidarité que mettent à mal les algorithmes chargés de constituer nos profils. À mesure en effet que les algorithmes se précisent, la facture se personnalise. Divers profils « à risque » peuvent ainsi se retrouver exclus des régimes d’assurance, tant les coûts sont élevés. La personnalisation a une légitimité évidente. On doit toutefois lui concilier un accès équitable à l’assurance.

Il faut d’abord savoir que l’assurance est traversée par un paradoxe fondamental. D’un côté, ses principes mêmes supposent un mécanisme collectif où chacun contribue selon sa capacité, et tire profit de la solidarité en cas de sinistre. De l’autre, les avancées technologiques, les données de plus en plus massives et les méthodes actuarielles de plus en plus précises poussent à individualiser toujours davantage les tarifs.

À cette tension s’ajoute un cadre légal de plus en plus exigeant, qui interdit toute forme de discrimination fondée sur des données sensibles, parfois corrélées à des facteurs de risque pourtant pertinents.

La suite sur https://theconversation.com/

En attendant, je peux en profiter pour un petit point rapide de grammaire. La version avant la mise en ligne ce matin avait un titre un peu différent

Dans « des primes moins chères », chères est un adjectif qui qualifie les primes (féminin pluriel) : il s’accorde donc → chères. Et cette petite qualification est à distinguer du cas où cher est adverbe (et donc devient invariable), notamment s’il suit des verbes comme coûter, payer, acheter, vendre : on dit ici

  • Ces primes moins chères (adjectif, on accorde).

mais on aurait du écrire

  • Ces primes coûtent moins cher (adverbe, pas d’accord).

si on avait ajouté le verbe coûter… mais avec le verbe être,

  • Ces primes sont moins chères (adjectif, on accorde)

Enfin, c’est ce que je crois avoir compris….

Rencontres Mutualistes

Lundi et mardi, je serais a Beaune, en Bourgogne, pour les premières rencontres mutualistes. On m’a demande d’intervenir en ouverture de la seconde journée, sur le thème “segmentation et mutualisation”.

Les slides sont dès à  présent en ligne. Comme j’ai peu de temps, je reviendrais sur les grands principes de la tarification et du rôle de l’actuaire. J’ai ensuite pense qu’une discussion autour du graphique suivant pourrait être intéressante, en particulier sur les deux bornes, inférieure (‘average pricing‘) et supérieure (‘perfect pricing‘)

On finira avec un rapide retour sur les pricing games, pour conclure.

Mutualisation et Segmentation en Assurance

L’article Segmentation et Mutualisation, les deux faces d’une même pièce, coécrit avec Michel Denuit et Romuald Elie paraîtra dans les jours à venir, dans un numéro autour du big data en assurance, avec des articles de Patrick Thourot, sur la tarification du pay as you drive, de Lucie Taleyson, sur la tarification dans les assurances collectives, et tout plein d’articles passionnants, signés François-Xavier Hay ou encore Arnaud Chaput.

L’article (disponible en pdf) présente l’impact de la segmentation dans un environnement concurrentiel. Il d’un exemple simple, pour ne pas dire simpliste. Il sera perfectionné avec le pricing game organisé mi novembre. A suivre donc…

Segmentation et Mutualisation, les deux faces d’une même pièce ?

Ce billet est co-écrit avec Michel Denuit et Romuald Elie. Il s’agit de la version préliminaire d’un article qui sera bientôt soumis pour publication.

L’assurance repose fondamentalement sur l’idée que la mutualisation des risques entre des assurés est possible. Cette mutualisation, qui peut être vue comme une relecture actuarielle de la loi des grands nombres, n’ayant de sens qu’au sein d’une population de risques « homogènes » (Charpentier [2011]). Cette condition (actuarielle) impose aux assureurs de segmenter, ce que confirment plusieurs travaux économiques. Avec l’explosion du nombre de données, et donc de possibles variables tarifaires, certains assureurs évoquent l’idée d’un tarif individuel, semblant remettre en cause l’idée même de mutualisation des risques. Entre cette force qui pousse à segmenter et la force de rappel qui tend (pour des raisons sociales mais aussi actuarielles – ou au moins de robustesse statistique[1]) à imposer une solidarité minimale entre les assurés, quel équilibre va en résulter, dans un contexte de concurrence fort entre les compagnies d’assurance ?

Continue reading Segmentation et Mutualisation, les deux faces d’une même pièce ?

Segmentation en tarification, compléments

Dans le premier cours d’actuariat IARD, nous avons vu l’importance de la ségmentation, et son implication sur le calcul des primes (passer d’une espérance mathématique à une espérance conditionnelle). Pour aller un peu plus loin, quelques compléments,

pour une lecture plus économique de la problématique de la segmentation en assurance

ou pour une lecture plus légale

Sinon, plusieurs articles de vulgarisation peuvent être lu sur internet,

La première démo aura lieu lundi, en salle informatique. Karim sera une introduction au langage R, à la manipulation des variables (qualitatives et quantitatives). Je mettrais en ligne les transparents en fin de semaine, et les codes seront mis en ligne dans le courant de la semaine prochaine.

Comme annoncé hier, il n’y aura pas cours mercredi prochain. Le mercredi suivant, nous verrons la modélisation des variables indicatrices, i.e. la régression logistique, et les arbres de régression. On supposera que le modèle linéaire aura été vu, je mets un lien vers les transparents du cours ACT6420 de la session passée, notes de cours transparents1 et transparents2. Il est aussi possible de relire Frees (2010), chapitres 3, 4, 5 et 6.

Pour commencer à pratiquer la régression logistique, on utilisera la petite fonction suivante

logit = function(formula, lien="logit", data=NULL) {
glm(formula,family=binomial(link=lien),data)
}

Sinon, la Casualty Actuarial Society a mis en ligne plusieurs documents en ligne sur les arbres de régression (qui sont peu abordés dans les livres mentionnés auparavant),

pour une comparaison de toutes les méthodes

Les transparents seront mis en ligne en fin de semaine prochaine. A suivre donc…

Interview mutualisation vs. segmentation

Hier, j’ai été un peu surpris quand un ancien collègue en France m’a parlé d’une interview exclusive (de moi) sur http://argusdelassurance.com/…. Je me suis souvenu qu’il y a quelques semaines, Madeleine m’avait contacter pour me poser quelques questions sur les assurance « à la carte », et la plus grande modularité des produits. Elle avait mis le doigt sur deux questions importantes, “comment procéder au calcul quand les offres sont personnalisées” et “est-ce intéressant pour l’assureur, pour l’assureur” ? Pour la première partie, c’est technique, et ça correspond à ce qu’on fait dans les cours de tarification (on en reparle dans quelques semaines, promis). Par contre le second point est plus troublant. Avec la théorie économique d’un côté, et les principes d’antisélection et d’aléa moral. En particulier, j’avais voulu reprendre simplement un modèle qu’on avait utilisé dans le livre avec Michel Denuit (tome 1). Cet exemple nécessite un peu de formalisation, et j’ai été très surpris de voir que Madeleine l’avait gardé. Mieux, qu’elle l’avait clarifié (il faut dire qu’elle m’avait demandé un courriel en fin de journée, et que j’avais tapé ça rapidement, tout en faisant les devoirs des grands, et le bain de la plus petite… quand je relis ce que j’avais envoyé, et ce qu’elle en a fait, je suis admiratif). Mais prenons deux minutes pour reformuler cette histoire de segmentation d’un marché de l’assurance…

Commençons par le cas le plus simple, sans segmentation, avec mutualisation parfaite (et donc prime unique). En utilisant un principe de prime pure, si https://latex.codecogs.com/gif.latex?S désigne la perte (aléatoire) pour un assuré, la prime à payer serait https://latex.codecogs.com/gif.latex?\mathbb{E}(S). Et dans ce cas, en moyenne, le bilan de l’assureur serait équilibré, car https://latex.codecogs.com/gif.latex?\mathbb{E}(S-\mathbb{E}(S))=0. Si on regarde l’incertitude associée aux dépenses (disons la variance pour faire simple), les assurés n’ont aucune variance car la dépense est la même pour tous. Tout le risque (la variance) est à la charge de l’assureur. On peut résumer ça dans le petit tableau suivant,

Assurés Assureur
Dépense https://latex.codecogs.com/gif.latex?\mathbb{E}(S) https://latex.codecogs.com/gif.latex?S-\mathbb{E}(S)
Dépense moyenne https://latex.codecogs.com/gif.latex?\mathbb{E}(S) https://latex.codecogs.com/gif.latex?0
Variance https://latex.codecogs.com/gif.latex?0 https://latex.codecogs.com/gif.latex?\text{Var}(S)

On a ici la répartition des dépenses et du risque (que nous appellerons variance, à la Markowitz) entre l’assureur et les assurés.

Continuons dans un monde parfait (disons avec information parfaite) mais avec cette fois de la segmentation (parfaite). Autrement dit, si la variable de risque est un variable https://latex.codecogs.com/gif.latex?\Omega, connue par l’assureur, alors il devrait faire payer https://latex.codecogs.com/gif.latex?\mathbb{E}(S|\Omega) pour un assuré portant le risque https://latex.codecogs.com/gif.latex?\Omega. Cette fois, la décomposition des dépenses et des risques se fait de la manière suivante

Assurés Assureur
Dépense https://latex.codecogs.com/gif.latex?\mathbb{E}(S|\Omega) https://latex.codecogs.com/gif.latex?S-\mathbb{E}(S)
Dépense moyenne https://latex.codecogs.com/gif.latex?\mathbb{E}(S) https://latex.codecogs.com/gif.latex?0
Variance https://latex.codecogs.com/gif.latex?\text{Var}(\mathbb{E}(S|\Omega)) https://latex.codecogs.com/gif.latex?\text{Var}(S-\mathbb{E}(S|\Omega))

Cette fois, l’assureur prend à sa charge les risques purement aléatoire, mais les assurés prennent à leur charge une partie de la variabilité, correspondant à l’hétérogénéité. On notera que la variance de l’assureur est ici https://latex.codecogs.com/gif.latex?\mathbb{E}(\text{Var}(S|\Omega)): on retrouve ici la formule classique de décomposition de la variance

https://latex.codecogs.com/gif.latex?\text{Var}(\mathbb{E}(S|\Omega))+\mathbb{E}(\text{Var}(S|\Omega))=\text{Var}(S)

Mais dans la vraie vie, c’est plus compliqué car avec une première composante qui repose sur les assurés, et la seconde sur les assureurs. C’est d’ailleurs le théorème de Pythagore, avec la variance liée à l’hétérogénéité à gauche, et à droite, la composante purement aléatoire. (le risque intrinsèque de l’assuré) n’est pas connu. On doit faire une segmentation imparfaite, car on dispose de quelques variables explicatives, que l’on notera par un vecteur https://latex.codecogs.com/gif.latex?\boldsymbol{X}. On va essayer de construire un proxy de la variable de risque https://latex.codecogs.com/gif.latex?\Omega. La décomposition entre l’assureur et ses assurés se fait de la manière suivante

Assurés Assureur
Dépense https://latex.codecogs.com/gif.latex?\mathbb{E}(S|\boldsymbol{X}) https://latex.codecogs.com/gif.latex?S-\mathbb{E}(S|\boldsymbol{X})
Dépense moyenne https://latex.codecogs.com/gif.latex?\mathbb{E}(S) https://latex.codecogs.com/gif.latex?0
Variance https://latex.codecogs.com/gif.latex?\text{Var}(\mathbb{E}(S|\boldsymbol{X})) https://latex.codecogs.com/gif.latex?\mathbb{E}(\text{Var}(S|\boldsymbol{X}))

qui correspond à la décomposition précédente, en remplaçant la variable non-observée https://latex.codecogs.com/gif.latex?\Omega par le proxy construit à partir de https://latex.codecogs.com/gif.latex?\boldsymbol{X}.   Là encore, en moyenne, l’assureur est à l’équilibre, car

https://latex.codecogs.com/gif.latex?\mathbb{E}(\mathbb{E}(S|\boldsymbol{X}))=\mathbb{E}(S)

autrement dit segmenter n’a pas de conséquence, en moyenne, sur le résultat de l’assureur. Par contre, la variance de l’assureur est ici

https://latex.codecogs.com/gif.latex?\mathbb{E}(\text{Var}(S|\boldsymbol{X}))=\mathbb{E}(\text{Var}(S|\Omega))+\mathbb{E}(\text{Var}(\mathbb{E}(S|\Omega)|\boldsymbol{X}))

et la variance total du portefeuille est alors la somme

https://latex.codecogs.com/gif.latex?\text{Var}(\mathbb{E}(S|\boldsymbol{X}))+\mathbb{E}(\text{Var}(S|\Omega))+\mathbb{E}(\text{Var}(\mathbb{E}(S|\Omega)|\boldsymbol{X}))

avec à gauche, un terme lié à la segmentation, au centre le hasard, et à droite, un terme de solidarité entre assuré (qu’on pourrait appeler de mutualisation), lié au fait que le risque n’est que partiellement assurable. C’est la mutualisation résiduelle qui peut exister en assurance santé si on exclue les tests génétiques: à partir de quelles variables explicatives https://latex.codecogs.com/gif.latex?\boldsymbol{X}, on peut inférer le risque de maladie, mais moins que si des tests génétiques permettaient d’approcher https://latex.codecogs.com/gif.latex?\Omega avec une plus grande précision… Autrement dit, segmenter imparfaitement, ou partiellement, permet de maintenir un effet de mutualisation dans le portefeuille…. de faire de l’assurance en quelque sorte…

 

Pour une tarification de l’assurance automobile à l’aide du tour de poitrine !

Plusieurs sites spécialisés en assurance commencent à évoquer un arrêté probable de la cour européenne sur la discrimination en assurance (par exemple ici ou ). Une des bases (économiques) de l’assurance est le principe d’Akerlof qui pousse les assureurs à segmenter par classe de risque. Afin de segmenter, et de révéler les classes de risques, on utilise l’historique de sinistralité (information dite a posteriori), ou bien des informations exogènes (dites a priori) sur le conducteur, le véhicule, son usage, etc. Par exemple on peut utiliser l’ancienneté du véhicule, et le nombre de kilomètre effectués (en moyenne) par le conducteur, comme sur le graphique ci-dessous (retrouvé dans les transparents que l’on utilisait avec François Bucchini quand on donnait le cours d’assurance dommage à l’ENSAE, les probas étant “normalisées” dans une espère de base 100)

ou encore le type de carburant utilisé (diesel ou essence)

On retrouve que plus on conduit, plus la probabilité d’avoir un accident augmente, mais le carburant et l’âge du véhicule semblent être aussi des variables discriminantes. Et parmi les variables qui semblent significatives (pour expliquer la probabilité d’avoir un accident), il y a le sexe (croisé ici avec le kilométrage, comme auparavant),

Alors l’effet peut sembler marginal sur ce graphique… mais c’est loin d’être le cas. Par exemple, sans utiliser des techniques très poussées en économétrie, on peut regarder le nombre moyen de sinistres, et le coût moyen de sinistres, par sexe, et par tranche d’âge (voire aussi par CSP et par puissance du véhicule). Dans une étude faite par un assureur, j’avais trouvé les chiffres suivants

En haut à droite (beaucoup d’accidents, et coût – en moyenne – élevé) on retrouve les jeunes hommes. Donc oui, les jeunes hommes sont significativement beaucoup plus risqués que les autres conducteurs. Et le soucis est que, si on ne segmente pas, Georges Akerlof nous explique que le marché de l’assurance disparait, les “bons” risques ne voulant plus payer pour les “mauvais” risques. Sans pour autant rentrer dans une spirale infernale de la segmentation, il est bon que les primes restent corrélées au risque sous-jacent.

Les assureurs prétendent qu’ils ne «ne font pas de la discrimination, ils font de la différenciation ». Je ne rentrerais pas sur les débats de terminologie (pas aujourd’hui en tous les cas), mais le but n’est pas de trouver des variables “explicatives” de la sinistralité au sens causal (malgré la terminologie usuelle des économètres) mais de trouver des variables “corrélées” avec une forte sinistralité, et de les utiliser pour segmenter. Les assureurs européen avaient, jusqu’alors, bénéficié d’un sursis dans le calcul des primes qui leur permet de pratiquer des tarifs différents « lorsque le sexe est un facteur déterminant dans l’évaluation des risques».

Dans un cours d’analyse de données, j’avais montré (ici) qu’à partir des notes de étudiant(e)s à différents examens, je pouvais prédire le sexe des étudiants. Bon, l’étude avait été faite rapidement, avec un petit jeu de données (et donc sans population d’apprentissage et de test), mais il est facile de trouver des variables permettant de deviner le sexe d’un conducteur. D’aucuns pourraient être tentés d’utiliser la pointure des chaussures, mais personnellement je préférerais le tour de poitrine, ou un tour de poitrine ramené à un tour de hanche. Je suis presque sûr qu’avec de telles observations, on peut avoir des variables fortement corrélées avec la survenance d’accident ! En tous les cas ça promet un peu d’animation chez les agents d’assurance ! voire chez les chirurgiens esthétiques (retirer les implants mammaires pour faire baisser sa prime d’assurance auto, voilà qui est original) !