Mémoires d'Actuariat
Modélisation de séries temporelles et mesure de l'incertitude liée à l'impact du risque climatique sur la mortalité
Auteur(s) TREIGNER A.
Société GALEA & Associés
Année 2024
Résumé
De nouvelles sources d’open-data rendent possible la quantification de l’impact de nouveaux risques à horizons lointains. En disposant d’informations suffisantes, des modèles de machine learning permettent d’obtenir des prédictions se rapprochant de la réalité. Des modèles de séries temporelles sont eux utilisés lorsqu’on souhaite projeter à différents horizons des données ordonnées. Cependant, ces modèles "classiques" ne permettent pas d’intégrer de variables explicatives. Ainsi, des modèles hybrides tel que Prophet peuvent être envisagés. Les résultats en découlant, bien souvent déterministes, donnent notamment aux actuaires la possibilité d’évaluer l’impact de ces risques émergents. La prise en compte de ces nouveaux risques soulève des interrogations sur la démarche à suivre. Le risque climatique peut rentrer dans cette catégorie et est suivi par les organismes prudentiels, notamment via les stress tests climatiques. Il est pour cela nécessaire de recourir à des modèles en capacité d’intégrer des données représentant des facteurs de risques. Des données open-source de Météo-France, du DRIAS et de l’INSEE, permettent par exemple d’estimer à long terme l’impact du risque climatique sur la mortalité. Cependant, l’incertitude des résultats augmente avec l’horizon de projection. La quantification de cette incertitude, pourtant considérée comme indispensable dans certains domaines, reste secondaire dans le monde de l’actuariat. L’objectif de ce mémoire est de proposer une réponse méthodologique à l’évaluation du risque climatique à long terme. Plus précisément, ce mémoire cherche à mesurer l’impact du climat sur la mortalité à horizon 2050 et à y apporter une estimation de l’incertitude.
Abstract
The emergence of new risks is challenging actuaries in their modelling, particularly in the long term. However, quantifying their impact can be achieved thanks to new open-data sources. In addition, machine learning models can be used to obtain predictions that are closer to reality, given the availability of sufficient information. Time series models are used when you want to project ordered data to different timescales. However, these ‘classic’ models cannot incorporate explanatory variables. Hybrid models such as Prophet, combining time series and machine learning models, can therefore be considered. The resulting results, which are often deterministic, allow actuaries to assess the impact of emerging risks. Taking account of these risks, which are new to insurance, raises questions about the approach to be taken. Climate risk may fall into this category, and is also monitored by the various prudential bodies : the climate stress tests requested by supervisors aim to quantify the impact of climate change. This requires the use of models capable of integrating data representing risk factors. Open-source data from Météo-France, DRIAS and INSEE, for example, can be used to estimate the long-term impact of climate risk on mortality. However, the uncertainty of the results increases with the projection horizon. Although quantifying this uncertainty is considered essential in certain fields, such as medicine, it remains of secondary importance in the actuarial world. The aim of this thesis is to propose a methodological response to the assessment of long-term climate risk. More specifically, this thesis seeks to measure the impact of climate on mortality by 2050 and to provide an estimate of the uncertainty involved.
Mémoire complet
Auteur(s) TREIGNER A.
Société GALEA & Associés
Année 2024
Résumé
De nouvelles sources d’open-data rendent possible la quantification de l’impact de nouveaux risques à horizons lointains. En disposant d’informations suffisantes, des modèles de machine learning permettent d’obtenir des prédictions se rapprochant de la réalité. Des modèles de séries temporelles sont eux utilisés lorsqu’on souhaite projeter à différents horizons des données ordonnées. Cependant, ces modèles "classiques" ne permettent pas d’intégrer de variables explicatives. Ainsi, des modèles hybrides tel que Prophet peuvent être envisagés. Les résultats en découlant, bien souvent déterministes, donnent notamment aux actuaires la possibilité d’évaluer l’impact de ces risques émergents. La prise en compte de ces nouveaux risques soulève des interrogations sur la démarche à suivre. Le risque climatique peut rentrer dans cette catégorie et est suivi par les organismes prudentiels, notamment via les stress tests climatiques. Il est pour cela nécessaire de recourir à des modèles en capacité d’intégrer des données représentant des facteurs de risques. Des données open-source de Météo-France, du DRIAS et de l’INSEE, permettent par exemple d’estimer à long terme l’impact du risque climatique sur la mortalité. Cependant, l’incertitude des résultats augmente avec l’horizon de projection. La quantification de cette incertitude, pourtant considérée comme indispensable dans certains domaines, reste secondaire dans le monde de l’actuariat. L’objectif de ce mémoire est de proposer une réponse méthodologique à l’évaluation du risque climatique à long terme. Plus précisément, ce mémoire cherche à mesurer l’impact du climat sur la mortalité à horizon 2050 et à y apporter une estimation de l’incertitude.
Abstract
The emergence of new risks is challenging actuaries in their modelling, particularly in the long term. However, quantifying their impact can be achieved thanks to new open-data sources. In addition, machine learning models can be used to obtain predictions that are closer to reality, given the availability of sufficient information. Time series models are used when you want to project ordered data to different timescales. However, these ‘classic’ models cannot incorporate explanatory variables. Hybrid models such as Prophet, combining time series and machine learning models, can therefore be considered. The resulting results, which are often deterministic, allow actuaries to assess the impact of emerging risks. Taking account of these risks, which are new to insurance, raises questions about the approach to be taken. Climate risk may fall into this category, and is also monitored by the various prudential bodies : the climate stress tests requested by supervisors aim to quantify the impact of climate change. This requires the use of models capable of integrating data representing risk factors. Open-source data from Météo-France, DRIAS and INSEE, for example, can be used to estimate the long-term impact of climate risk on mortality. However, the uncertainty of the results increases with the projection horizon. Although quantifying this uncertainty is considered essential in certain fields, such as medicine, it remains of secondary importance in the actuarial world. The aim of this thesis is to propose a methodological response to the assessment of long-term climate risk. More specifically, this thesis seeks to measure the impact of climate on mortality by 2050 and to provide an estimate of the uncertainty involved.
Mémoire complet
