L’impact de la sinistralité passée sur la sinistralité future : approche empirique en assurance automobile
Notice bibliographique
Résumé
Le risque individuel de chaque assuré automobile n’est pas prévisible et n’est connu qu’a posteriori, à l’inverse du risque collectif qui est prévisible dans la mesure où l’on dispose de l’expérience du passé le plus récent observé sur une population assez grande comparable à celle du portefeuille actuel. Dans cet article, on souhaite examiner de façon empirique, si la sinistralité passée (avant l’année de référence) et la sinistralité actuelle constituent un bon indicateur prévisionnel de la sinistralité future, conditionnellement aux caractéristiques de la classe de risque (ou case tarifaire) de l’assuré. On suppose, en fonction de la sinistralité passée, que chaque classe de risques est constituée de deux catégories de conducteurs : les assurés à bas risques et ceux à hauts risques. À l’aide d’une loi binomiale négative et d’une approche bayésienne, on montre que la probabilité d’être un conducteur à bas risques est plus importante en l’absence de sinistres (ou avec un seul sinistre) et qu’à l’inverse la probabilité d’être un assuré à hauts risques augmente fortement dès que l’assuré a 2 ou 3 sinistres au cours de l’année de référence. Bien sûr le niveau de probabilité varie selon les classes de risque. Dans presque tous les cas, la sinistralité passée est un bon indicateur de la sinistralité future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».