L’impact de la sinistralité passée sur la sinistralité future : approche empirique en assurance automobile
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.029 | 0.081 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".