Provisions de rentes Dépendance : risques associés
Transcription
Provisions de rentes Dépendance : risques associés
Provisions de rentes Dépendance : risques associés Version 1.8 Frédéric PLANCHET, [email protected] Avril 2013 Préambule L’évaluation du poids des engagements associés à un portefeuille d’assurance dépendance passe par la détermination d’une loi de maintien en dépendance (lourde). On s’intéresse ici aux conséquences d’une erreur d’appréciation sur les durées de maintien des dépendants en termes de niveau des provisions. Concrètement, on décrit un cadre utilisable dans une logique ORSA pour mesurer l’écart entre le profil de risque issu de la formule standard et celui issu d’une analyse des risques spécifiques à l’entité. Dans ce contexte, la simplicité de mise en œuvre est privilégiée. Formation Sépia Réunion du 18 avril 2013 2 ORDRE DU JOUR 1. Provisionnement des rentes en cours 2. Construire la loi de provisionnement 3. Les fluctuations d’échantillonnage 4. Le risque de table 5. Du calcul des provisions au SCR Formation Sépia Réunion du 18 avril 2013 3 1. Le provisionnement des rentes en cours On considère pour alléger les notations un ensemble de dépendants lourds d’anciennetés différentes, tous entrés en dépendance au même âge (que l’on prendra égal à 80 ans dans les applications). Le flux servi à la date t est de la forme : ( Ft = ∑ rj 1]t ;∞[ Tx ( j ) j∈J ) Ce qui conduit pour la somme des flux futurs actualisés à l’expression : Λ= ∞ ∑ t =1 Ft (1 + i ) −t = ∞ 1 ∑ (1 + i )t ∑ t =1 j∈J ( ) rj 1]t ;∞[ Tx ( j ) = 1]t ;∞[ Tx ( j ) t =1 (1 + i )t ∑ ∑ j∈J rj ( ) = ∑r X ∞ j∈J j j Dans la suite on s’intéresse à l’espérance de Λ (la provision) et plus généralement à la loi de cette variable. Formation Sépia Réunion du 18 avril 2013 4 1. Le provisionnement des rentes en cours La provision a une forme simple : E (Λ) = ∑ (1 + i )t ∑ rj P (Tx( j ) > t ) ∞ 1 t =1 j∈J en général présentée de la manière suivante : E (Λ) = ∞ P (Tx > t ) t =1 (1 + i )t avec a x = ∑ P Tx ( j ) > t t =1 (1 + i ) ∑ rj ∑ j∈J ( ∞ t ) =∑ r ×a j∈J j x( j ) . En particulier, lorsque i=0, le coefficient de provisionnement ∞ est égal à la durée de maintien : a x = ∑ P (Tx > t ) = E (Tx ) t =1 Formation Sépia Réunion du 18 avril 2013 5 1. Le provisionnement des rentes en cours Les risques associés En provisionnant le montant E(Λ) l’assureur s’expose à des déviations adverses dues à deux facteurs distincts : - les fluctuations d’échantillonnage associées à la taille finie de la population sous risque ; - l’imprécision dans la connaissance de la loi de durée sous-jacente avec laquelle les coefficients P Tx j > t sont calculés. ( ) ( ) Le risque d’échantillonnage se mutualise (ie diminue avec la taille de la population) alors que l’imprécision dans la connaissance de la loi sous-jacente constitue un risque de nature systématique. Formation Sépia Réunion du 18 avril 2013 6 ORDRE DU JOUR 1. Provisionnement des rentes en cours 2. Construire la loi de provisionnement 3. Les fluctuations d’échantillonnage 4. Le risque de table 5. Du calcul des provisions au SCR Formation Sépia Réunion du 18 avril 2013 7 2. Construire la loi de provisionnement On suppose que l’on dispose de d’observations de survie individuelles pour des dépendants avec les informations nécessaires à l’estimation de taux conditionnels de sortie (date de naissance, date d’entrée en dépendance, date de décès si le décès est survenu). Sur cette base on obtient alors une estimation brute qui a l’allure suivante : 0.3 0.2 qx Il s’agit donc de régulariser cette surface très erratique pour en dégager les tendances. 0.1 0.0 90 ed Ag 85 es 80 n na ve ur 60 75 ce 20 70 Formation Sépia Réunion du 18 avril 2013 8 0 ien anc neté 40 is) ( mo 2. Construire la loi de provisionnement La structure globale résulte de l’agrégation de sous-populations présentant des niveaux de mortalité très hétérogènes : qx 0.02 15 20 25 30 35 5 10 15 20 25 Ancienneté Pathologie= 3 Pathologie= 4 35 30 35 0.022 30 9 0.014 0.018 qx 0.20 5 10 15 20 Ancienneté Réunion du 18 avril 2013 0 Ancienneté 0.00 0 Formation Sépia 0.04 0.040 0.030 0.020 qx 0.010 10 0.30 5 0.10 On va donc régulariser globalement la surface précédente. 0 qx Afin de simplifier la construction, on considère usuellement que l’âge à l’entrée en dépendance est un bon indicateur de cette dispersion. Pathologie= 2 0.06 Pathologie= 1 25 30 35 0 5 10 15 20 Ancienneté 25 2. Construire la loi de provisionnement Différentes approches peuvent être mises en œuvre pour construire la table, qui conduisent à autant de lois de provisionnement. Voici 5 exemples (repris de Planchet et Tomas [2013a]) : Formation Sépia Réunion du 18 avril 2013 10 2. Construire la loi de provisionnement 600 Une fois éliminées les surfaces non pertinentes, que ce soit en s’appuyant sur des éléments statistiques ou sur un avis d’expert, il subsiste une incertitude sur les taux de décès, et donc sur les durées de paiement des rentes qui en découle. 500 400 300 200 100 les être IC95+ Décès prédits IC95Décès observés 0 Son impact sur provisions doit analysé. Nombre de décès Compte tenu du niveau des taux de sortie et de la faiblesse des effectifs sous risque, l’incertitude résiduelle est significative. 70 75 80 Age de survenance Formation Sépia Réunion du 18 avril 2013 11 85 90 ORDRE DU JOUR 1. Provisionnement des rentes en cours 2. Construire la loi de provisionnement 3. Les fluctuations d’échantillonnage 4. Le risque de table 5. Du calcul des provisions au SCR Formation Sépia Réunion du 18 avril 2013 12 3. Les fluctuations d’échantillonnage En désignant par Λ la charge actualisée et J l’ensemble des assurés en portefeuille, du fait de l’indépendance des individus et comme on peut toujours supposer que les prestations sont bornées par une constante absolue, la distribution limite de Λ est gaussienne : Λ − E (Λ) Λ = ∑ rj X j σ (Λ) j∈J → N ( 0,1) I →∞ Aussi sur la base de la connaissance de l’espérance et de la variance de Λ, la formule précédente permet d’approximer la distribution de la charge future actualisée avec lesquelles on peut aisément calculer des quantiles ou des intervalles de confiance. Par exemple l’intervalle de confiance à 95 % pour Λ est de la forme : IC ( Λ ) = E ( Λ ) − 1, 96 × σ ( Λ ) , E ( Λ ) + 1, 96 × σ ( Λ ) Formation Sépia Réunion du 18 avril 2013 13 3. Les fluctuations d’échantillonnage Tout se ramène donc à calculer l’espérance et la variance de Λ, et puisque ( ) E ( Λ ) = ∑ rj E X j j∈J ( ) V ( Λ ) = ∑ rj2V X j j∈J il faut calculer l’espérance et la variance de X = ∞ 1]t ;∞[ (Tx ) t =1 (1 + i )t ∑ On trouve facilement : ax = E ( X ) = Formation Sépia Réunion du 18 avril 2013 ∞ Sx (t ) ∑ (1 + i )t t =1 ∞ Sx (t ) ( ) = ∑ (1 + i ) E X 2 t =1 14 2t 1 1 1 Sx (t ) + 2× − t 2 t + 1 i (1 + i ) t = 2 (1 + i ) +∞ ∑ 3. Les fluctuations d’échantillonnage Remarque : en fait il est ici plus simple de partir d’une expression continue de X ∞ r = ln (1 + i ) X = ∫ e− rt 1{Tx >t} dt 0 qui conduit après quelques calculs à : ∞ E ( X ) = ∫ e − rt S x ( t ) dt ≈ ∑ e− rt S x ( t ) t ≥1 0 ∞ 2 2 E ( X ) = ∫ (1 − e− rt ) e− rt S x ( t ) dt ≈ ∑ (1 − e− rt ) e− rt S x ( t ) r0 r t ≥1 2 L’approximation discrète de l’espérance est identique précédemment, celle de la variance un peu différente. Formation Sépia Réunion du 18 avril 2013 15 à celle obtenue 3. Les fluctuations d’échantillonnage Application numérique On considère une population de dépendants entrés en dépendance à 80 ans, avec une rente unitaire, et on s’intéresse à la demi-largeur de l’intervalle de confiance à 95 % de l’espérance de maintien en fonction de l’effectif, qui est de la forme εn = 1, 96 × n × σ (T0 ,80 ) n × E (T0 ,80 ) 1 1, 96 × σ (T0 ,80 ) = E (T0 ,80 ) n Pour une population plus générale on a simplement : εn = ( )= ∑ n × E (T ) 1, 96 × ∑n 2 × σ Ti , j i, j i, j i, j ( ) ∑π × E (T ) 1 1, 96 × n ∑π 2 × σ Ti , j i, j i, j i, j et donc, à structure fixée, l’incertitude décroit en racine de n. Formation Sépia Réunion du 18 avril 2013 16 3. Les fluctuations d’échantillonnage Application numérique Sur une large plage d’âges et d‘anciennetés, avec la table considérée, le coefficient de variation (rapport de la volatilité à l’espérance) est compris entre 1 et 1,5. La précision sur la prédiction des durées de maintien espérées pour 1 000 têtes est donc comprise entre 6 et 10 % et de 2 et 3 % pour 10 000 têtes. Formation Sépia Réunion du 18 avril 2013 17 ORDRE DU JOUR 1. Provisionnement des rentes en cours 2. Construire la loi de provisionnement 3. Les fluctuations d’échantillonnage 4. Le risque de table 5. Du calcul des provisions au SCR Formation Sépia Réunion du 18 avril 2013 18 4. Le risque de table Contexte La construction d’une loi de maintien pour des dépendants lourds est un exercice délicat et l’estimation qui peut être faite des taux conditionnels de sortie est volatile. Au surplus, de nombreux facteurs exogènes peuvent venir modifier les durées de maintien (changements médicaux, modification des règles d’acceptation, évolution du risque, etc.). Il est donc raisonnable de supposer que celles-ci ne sont connues qu’avec une certaine imprécision. Formation Sépia Réunion du 18 avril 2013 19 4. Le risque de table Contexte On suppose donc donnée une loi de maintien, fonction a priori de l’âge à l’entrée en dépendance et de l’ancienneté dans l’état : La table utilisée ici est construite dans Planchet et Tomas [2013a]. On veut maintenant perturber cette loi. Formation Sépia Réunion du 18 avril 2013 20 4. Le risque de table Modèle proposé (Planchet et Tomas [2013b]) La manière la plus simple d’introduire une incertitude sur les taux conditionnels de sortie consiste à bruiter les logits associés (cf. Planchet et Thérond [2011]) : qxa qx ln = ln +ε a 1 − qx 1 − qx avec ε une variable aléatoire centrée, que l’on supposera dans la suite gaussienne. De manière équivalente, si ε = ln ( a ) on a : q = a x a × exp ( lg ( qx ) ) 1 + a × exp ( lg ( qx ) ) La perturbation est contrôlée par la volatilité de ε que l’on notera σ. Formation Sépia Réunion du 18 avril 2013 21 4. Le risque de table Modèle proposé On peut remarquer que, dans ce modèle, la loi du taux conditionnel de sortie est explicite, même si cela n’est pas d’un grand secours en pratique : lg ( u ) − lg ( qx ) P ( qxa ≤ u ) = P lg ( qxa ) ≤ lg ( u ) = P (ε ≤ lg ( u ) − lg ( qx ) ) = N σ ( ) Avec lg la fonction logistique et N la fonction de répartition de la loi normale centrée réduite. Dans le cas d’un portefeuille de rentes, il s’agit de calculer la loi de la variable : E (Λ a ) = ∞ P (Tx > t a ) t =1 (1 + i )t avec a x a = ∑ Formation Sépia Réunion du 18 avril 2013 ∑ (1 + i )t ∑ rj P (Tx( j ) > t a ) = ∑ rj × ax( j ) a ∞ t =1 1 j∈J j∈J 22 4. Le risque de table Modèle proposé On a ( ) ( ) P (T ( ) > t a ) = ∏ (1 − q ( ) ( a ) ) = ∏ 1 − 1 + a × exp ( lg ( q ( ) ) ) t −1 x j h =0 t −1 x j a × exp lg qx ( j ) + h h =0 x j +h et déterminer une forme explicite de la loi de E ( Λ a ) n’est donc pas possible. On se tourne donc vers une approche par simulation pour déterminer la distribution de cette espérance conditionnelle puis la provision finale en calculant : 1 Ea P (Tx > t a ) ≈ K K ∑ P (Tx > t a k ) k =1 Pour l’application numérique, on retient K=1 000. Formation Sépia Réunion du 18 avril 2013 23 4. Le risque de table Application numérique Sur la base de la table de mortalité des dépendants lourds présentée infra on applique le modèle ci-dessus à la mesure de l'incertitude sur la durée de maintien pour une entrée en dépendance à 80 ans. La volatilité de la loi normale perturbatrice varie de 1 % à 10 %. L'espérance de maintien varie peu avec σ et s'établit autour de 5,5 ans. On choisit de mesurer l'incertitude sur cette espérance en calculant l'écart relatif entre l'espérance et le quantile empirique à 95 % de la distribution des durées espérée simulées : δ= ( ) ( E ( E (T a ) ) q95% E (T a ) − E E (T a ) ) = q ( E (T a )) − E (T ) 95% E (T ) avec T la durée de maintien en dépendance d'un dépendant entré dans l'état à 80 ans. Formation Sépia Réunion du 18 avril 2013 24 4. Le risque de table Application numérique En pratique δ est approché par l’estimateur empirique suivant : Etape n°1 • Tirage de K réalisations du facteur de risque systématique Etape °2 • Calcul des réalisations associées de l’espérance de Z k = E (T a k ) maintien conditionnelle Etape n°3 Etape n°4 ak • Calcul du quantile empirique 0,95 de l’échantillon ( Zk ) δˆK = • Calcul de l’estimateur Formation Sépia Réunion du 18 avril 2013 25 qˆ95% − Z K ZK 4. Le risque de table Application numérique On obtient une croissance à peu près linéaire de cet indicateur en fonction de la volatilité : A l’âge de 80 ans et au niveau de volatilité de 10 %, l'incertitude est d'environ 12 %. L'écart avec le quantile à 99,5 % est de l'ordre de 20 % (en d'autres termes, le besoin en capital associé à l'incertitude sur la table est de l'ordre de 20 % du best estimate). Formation Sépia Réunion du 18 avril 2013 26 4. Le risque de table Application numérique A ce même niveau de volatilité, la distribution empirique de la durée de maintien espérée simulée est la suivante et s’ajuste correctement à une loi log-normale : La p-valeur du test de Jarque-Bera est de 0,3 ce qui montre une bonne qualité de l'ajustement. Formation Sépia Réunion du 18 avril 2013 27 4. Le risque de table Application numérique Lorsque l'âge d'entrée en dépendance augmente, l'incertitude sur l'estimation de la durée de maintien augmente également : Dans une perspective S2, l’incertitude sur la table de provisionnement a vocation a être couverte par le SCR (et donc partiellement par la RM). Formation Sépia Réunion du 18 avril 2013 28 4. Le risque de table Application numérique De manière plus précise, en appliquant un abattement de 20 % aux taux de maintien de la table de référence, dans la logique du choc disability / morbidity, on trouve que l’espérance de maintien d’un rentier entré en dépendance à 80 ans passe de 5,5 à 6,7 ans, soit une augmentation de 21 %. Le calibrage retenu en fixant la volatilité de la perturbation au niveau de 10% apparaît de ce point de vue relativement cohérent avec le QIS5. Il a toutefois été retenu de manière arbitraire en retenant la volatilité conduisant à une imprécision sur l’espérance de maintien (au niveau de confiance de 95 %) d’environ 10 %. Formation Sépia Réunion du 18 avril 2013 29 4. Le risque de table Application numérique Ces écarts sont rapidement croissants avec l’âge d’entrée en dépendance dans le cas du QIS5 (cf. CEIOPS [2009]) et plus stables dans le cadre du modèle proposé ici. Il serait légitime de faire varier la volatilité en fonction de l’âge à l’entrée en dépendance, celle-ci devant augmenter avec l’âge. De plus, on ne mesure dans le modèle proposé que le risque associé à l’incertitude sur la table, auquel il faut ajouter le risque d’échantillonnage. Formation Sépia Réunion du 18 avril 2013 30 4. Le risque de table Prise en compte des cotisants L’approche présentée ici s’étend sans difficulté au cas de cotisants susceptibles de devenir dépendants : Λ= = ∞ ∑ ( ) Λ h × 1]h;h +1] Txe h =1 ∞ ∞ ∑∑ (1 + i )t 1]t;∞[ (Tx + h ) × 1]h;h +1] (Txe ) 1 h =1 t = h avec Λ h = ∞ ∑ (1 + i )t 1]t;∞[ (Tx +h ) 1 t =h On peut utiliser la même logique pour perturber les taux d’incidence. Le calcul de la variance de Λ est obtenu par l’équation de décomposition de la variance. Formation Sépia Réunion du 18 avril 2013 31 4. Le risque de table Utilisation d’un modèle paramétrique Si on souhaite disposer d'expressions explicites pour la loi de la durée de maintien conditionnelle, on peut se tourner vers une spécification paramétrique du modèle. On suppose donc le modèle décrit pas une fonction de hasard dépendant d'un paramètre θ connu. La transposition dans ce contexte de la relation : qxa qx ln = ln +ε a 1 − qx 1 − qx ( ) conduit à poser ln hθ a = ln ( hθ ) + ε ou, de manière équivalente : hθ a = a × hθ On est donc dans le cadre d'un modèle à hasard proportionnel : ( ) E Tθ a = Formation Sépia Réunion du 18 avril 2013 +∞ ∫ Sθ ( t ) dt a 0 32 4. Le risque de table Utilisation d’un modèle paramétrique Cette classe de modèles, dans laquelle hθ a = a × hθ a été introduite dans Vaupel et al. [1979] sous la désignation de « modèles de fragilité » dans un contexte de mortalité, pour rendre compte d’une hétérogénéité inobservable. La loi d’hétéronégéité retenue par ces auteurs est la loi Gamma, alors que dans le contexte décrit ici la loi log-normale apparaît plus naturelle. Il reste alors à spécifier la forme de la fonction de hasard de base pour que le modèle soit entièrement paramétrique. Formation Sépia Réunion du 18 avril 2013 33 4. Le risque de table Utilisation d’un modèle paramétrique En prenant alors un modèle classique de Makeham hθ ( t ) = α + β × γ t de survie s’écrit : β t γ − 1) Sθ ( t ) = exp −α t − ( ln (γ ) et en particulier la fonction β t Eθ (T ) ≈ e (α , β , γ ) = ∑ exp −α t − γ − 1) ( γ ln ( ) t >0 Cela permet de disposer d’une expression simple de l’espérance de maintien conditionnelle, le modèle perturbé étant lui aussi de Makeham : β t E ( Tθ a ) ≈ ∑ exp −a × α t + γ − 1) ( ln γ ( ) t >0 NB : cette loi n’est pas log-normale… (cf. supra) Formation Sépia Réunion du 18 avril 2013 34 4. Le risque de table Utilisation d’un modèle paramétrique Sur les tables de maintien utilisées ici, l’ajustement de Makeham est de bonne qualité. Dans le cas de la table pour l’âge de survenance de 80 ans on trouve (MCP) : α=0,1089491 β=1,553808e-08 γ=1,190880 L’algorithme présenté p.25 s’applique sans modification, mais avec un calcul plus rapide des espérances conditionnelles de maintien. Formation Sépia Réunion du 18 avril 2013 35 ORDRE DU JOUR 1. Provisionnement des rentes en cours 2. Construire la loi de provisionnement 3. Les fluctuations d’échantillonnage 4. Le risque de table 5. Du calcul des provisions au SCR Formation Sépia Réunion du 18 avril 2013 36 5. Du calcul des provisions au SCR Le contenu des chocs du QIS 5 Ces chocs doivent prendre en compte les risques suivants : - estimation : les lois d’expérience sont des approximations des « vraies lois » sous-jacentes ; - échantillonnage : la charge sinistre est distribuée normalement autour de son espérance ; - modèle : le modèle retenu constitue une approximation plus ou moins grossière de la réalité et est donc faux. Le risque d’échantillonnage diminue avec la taille du groupe, on peut donc considérer en première approche que les risques d’estimation et de modèle sont les plus importants, à condition que le groupe soit assez grand. On peut alors chercher à estimer l’adéquation des chocs avec les risques portés (logique de l’ORSA). Formation Sépia Réunion du 18 avril 2013 37 5. Du calcul des provisions au SCR Les éléments introduits infra fournissent une information sur la distribution de Λ, la somme des flux futurs actualisés. Toutefois, évaluer le quantile à 99,5 % de cette distribution fournit une évaluation biaisée du SCR, car elle ne tient pas compte : - de la limitation à un an de la projection (qui est effectuée à l’ultime) ; - de la marge pour risque. On peut intégrer ces contraintes en s’appuyant sur Guibert et al. [2010] qui propose d’utiliser l’approximation : avec χ = F1 + BEL1 VaR99,5% ( χ ) −1 BEL0 SCR = BEL0 VaR99,5% ( χ ) 1 − α × D0 × − 1 BEL 0 1 + R1 Formation Sépia Réunion du 18 avril 2013 38 5. Du calcul des provisions au SCR On peut alors observer que la loi de χ peut raisonnablement être approchée par la loi de Λ, qui est (asymptotiquement) gaussienne, conditionnellement au facteur d’incertitude sur la table. On utilise donc : x − µ (a ) FΛ ( x ) = P ( Λ ≤ x ) = E P ( Λ ≤ x a ) → ∫ Φ Fa ( da ) J →+∞ σ (a ) En pratique on approche cette fonction de répartition par simulation sur la base d’un échantillon de la variable a : 1 K x − µ ( ak ) FΛ ( x ) ≈ FK ( x ) = ∑ Φ K k =1 σ ( ak ) Le quantile d’un niveau donné se calcule alors en résolvant par dichotomie l’équation : ( ) xq = FK−1 ( q ) FK xq = q Formation Sépia Réunion du 18 avril 2013 39 5. Du calcul des provisions au SCR Le calcul des moments de Λ repose sur les expressions présentées supra ; on considère ici pour l’illustration des rentes unitaires et un taux d’actualisation nul, ce qui conduit pour un effectif de n individus entrant en dépendance lourde à 80 ans aux expressions suivantes : σ (a ) = σ ( Λ a ) = n ×V ( X a ) µ (a ) = E (Λ a ) = n × E ( X a ) où : E ( X a ) ≈ ∑ Sx (t a ) t ≥1 V ( X 2 a ) ≈ 2∑ t × S x ( t a ) − ∑ S x ( t a ) t ≥1 t ≥1 Formation Sépia Réunion du 18 avril 2013 40 2 5. Du calcul des provisions au SCR La mise en œuvre des calculs est simple et identique à celle de la p.20 : Etape n°1 • Tirage de K réalisations du facteur de risque systématique Etape °2 • Calcul des 2 premiers moments de la charge future ( µ ( ak ) , σ ( ak ) ) actualisée Etape n°3 Etape n°4 • Calcul de la fonction 1 K x − µ ( ak ) FΛ ( x ) ≈ FK ( x ) = ∑ Φ K k =1 σ ( ak ) • Inversion pour le calcul du SCR xq = FK−1 ( q ) xq −1 BEL0 On obtient alors le SCR par SCR = BEL0 xq 1 − α × D0 × − 1 BEL 0 Formation Sépia Réunion du 18 avril 2013 ak 41 NB : cf. Planchet [2012] pour une application au risque CAT. 5. Du calcul des provisions au SCR Application numérique On calcule le rapport entre le SCR et le best estimate en fonction de la taille du portefeuille pour différents âges à l’entrée, pour le risque de souscription : Pour un âge d’entrée de 80 ans, le SCR minimal pour un effectif infini (ie en ignorant le risque d’échantillonnage) est ici de 22 %. Avec 100 personnes il s’établit à 37 % et il décroît avec l’âge d’entrée en dépendance. Formation Sépia Réunion du 18 avril 2013 42 Conclusion L’incertitude sur la loi de maintien a des conséquences importantes en termes de volatilité des provisions. Dès lors que l’on est capable de modéliser cette incertitude, le cadre général décrit dans Guibert et al. [2010] permet de juger de l’adéquation du choc standard avec les risques effectivement supportés en fonction de la structure du portefeuille. On est en particulier à même de construire un modèle stochastique prenant en compte la contrainte d’évaluation de l’incertitude à un an et l’effet de la marge pour risque. Dans ce modèle le recours à la simulation est limité et intervient à un niveau indépendant de la taille du portefeuille (modèle « semi-analytique ») : les temps de calcul sont maîtrisés. Formation Sépia Réunion du 18 avril 2013 43 Conclusion En amont de ces réflexions, la construction de lois d’incidence et de maintien en dépendance avec une estimation de l’incertitude qui leur est attachée est indispensable à une évaluation rigoureuse des engagements. La maîtrise de ces lois permet d’envisager la mise en place d’un modèle interne partiel pour le risque de souscription. L’approche présentée ici montre que le niveau du SCR de souscription obtenu dans le cadre d’un tel modèle est très fortement lié à la précision avec laquelle les lois d’incidence et de maintien sont connues. Formation Sépia Réunion du 18 avril 2013 44 Bibliographie CEIOPS [2009] Technical specifications for QIS 5 GUIBERT Q., JUILLARD M., PLANCHET F. [2010] « Un cadre de référence pour un modèle interne partiel en assurance de personnes », Bulletin Français d’Actuariat, vol. 10, n°20. KAMEGA A., PLANCHET F. [2012] Actuariat et assurance vie en Afrique subsaharienne francophone - Outils d'analyse de la mortalité, Paris : Seddita. PLANCHET F. [2013] « Modélisation du risque de pandémie dans Solvabilité 2 », Assurances et gestion des risques, Vol. 81 (3). PLANCHET F., THÉROND P.E. [2011] Modélisation statistique des phénomènes de durée – Applications actuarielles, Paris : Economica. PLANCHET F., TOMAS J. [2013b] « Uncertainty on Survival Probabilities and Solvency Capital Requirement: Application to LTC Insurance », Les cahiers de recherche de l’ISFA, n°2013.4. PLANCHET F., TOMAS J. [2013a] « Multidimensional smoothing by adaptive local kernel-weighted log-likelihood with application to longterm care insurance », Insurance: Mathematics and Economics (forthcoming). R Development Core Team [2011] R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. URL: http://www.R-project.org. VAUPEL J. W., MANTON K., STALLARD E. [1979] The impact of heterogeneity in individual frailty on the dynamics of mortality, Demography, 16, p. 439-454. Formation Sépia Réunion du 18 avril 2013 45 Contact Frédéric PLANCHET [email protected] Prim’Act ISFA 42 avenue de la Grande Armée F - 75017 Paris +33-1-42-22-11-00 50 avenue Tony Garnier F - 69007 Lyon +33-4-37-38-74-37 http://www.primact.fr http://www.ressources-actuarielles.net http://blog. ressources-actuarielles.net Formation Sépia Réunion du 18 avril 2013 46