Modélisation de l'exposition en assurance automobile par un processus de files d'attente
Notice bibliographique
Résumé
Dans ce mémoire, nous proposons en premier lieu un modèle du nombre de voitures assurées pour un ménage, puis pour un portefeuille entier dans la deuxième partie. Nous utilisons la théorie des files d'attente pour construire un nouveau modèle qui nécessite 4 paramètres différents : un qui décrit le taux d'ajout de nouvelles voitures sur le contrat d'assurance, un second qui modélise le taux de retrait de voitures assurées, un troisième paramètre qui modélise le taux d'annulation de la police d'assurance et finalement un dernier paramètre pour le taux de renouvellement de contrat. Pour le second modèle de voitures d'un portefeuille, nous réutilisons ces 4 paramètres, et nous y ajoutons un autre paramètre pour le taux d'arrivées de nouveaux contrats. Des méthodes d'inférence statistique sont ensuite utilisées pour estimer chaque paramètre, même dans les cas où il y a censure. Nous proposons même une généralisation de ces processus de files d'attente avec l'ajout de quelques variables explicatives pour chaque paramètre du modèle. Ceci nous permet de déterminer quels profils de ménages sont plus enclins à ajouter ou retirer des voiture, d'annuler leur contrat ou de renouveler leur police. Les paramètres estimés nous aident à analyser en détail le portefeuille.d'assurance parce que les modèles de files d'attente nous permettent de calculer plusieurs statistiques utiles à l'assureur, telles que le nombre espéré de voitures. Un autre résultat très important vient de l'actualisation des profits futurs des voitures. Ce résultat s'appelle valeur vie client lorsqu'il s'agit d'un seul assuré, tandis qu'il s'appelle équité client pour tout le portefeuille d'assurés. En utilisant des données d'assurance automobile, une application de ces modèles sur une compagnie d'assurance canadienne est faite pour supporter cette discussion. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : théorie des files d'attente, inférence statistique, valeur vie client, équité client
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».