Appétence au risque : intégration au pilotage d’une société d’assurance
Bibliographic record
Abstract
La Directive Solvabilité 2 adoptée définitivement en novembre 2009 au sein de l’Union européenne modifie profondément les règles prudentielles du secteur de l’assurance. Si le premier pilier exige que les assureurs disposent d’un niveau de fonds propres qui leurs permettent de ne pas être en ruine à horizon 1 an avec une probabilité supérieure à 99,5 %, les assureurs devront, au titre du pilier 2, mettre en oeuvre un suivi et un pilotage permanent de leur exposition aux risques au travers de l’ORSA (Own-Risk Solvency Assessment). En particulier, les décisions significatives en termes d’exposition au risque devront être appréciées au regard de leur impact sur l’exigence de capital. Aussi il apparaît opportun pour les assureurs de s’organiser et de mettre en oeuvre une gestion en relation avec l’appétence au risque de la société. Au-delà du seul fait de mesurer l’impact de telle ou telle décision sur l’exposition au risque et l’exigence de fonds propres correspondante, il s’agit d’intégrer cette contrainte et de définir les objectifs de la société pour prendre les décisions optimales. L’objectif de cet article est de présenter la notion d’appétence au risque et d’expliquer en quoi son intégration dans le pilotage de la compagnie constitue un avantage conséquent. Il décrit ensuite les étapes de sa mise en place au travers de la définition des objectifs, des contraintes et de leur déclinaison pour les différents propriétaires de risques.
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 | 0.009 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".