Professional Documents
Culture Documents
*-*-*-*-*
PREMIER MINISTRE
*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE
RAPPORT
STAGE D’APPLICATION
*****
2
Plan
I. Introduction générale
II.Phase
II.Phase de présentation :
III.Phase
III.Phase pratique :
III-1- Présentation de la base de données
III-2- Analyse à facteurs fixes et validation
III-2-1 Analyse individuelle des facteurs :
- Logique de l’arbre de décision
- Analyse sur le facteur Permis
- Analyse sur le facteur Age
- Analyse sur le facteur Mise en circulation (Mec)
- Analyse sur le facteur Carburant
- Analyse sur le facteur Sexe
- Analyse sur le facteur Puissance fiscale (P.F)
- Analyse sur le facteur Région
III-2-2Analyse factorielle discriminante (AFD)
- Introduction
- Analyse des correspondances multiples (ACM) sur les
variables qualitatives
- Analyse Factorielle discriminante (AFD):
a- Validité de l’étude
b- Détermination des fonctions de classement
c- Jugement de la qualité de représentation du
modèle
III-3- Analyse à facteurs multiples :
III-3-1 Analyse en composantes principales (ACP)
III-3-2 Analyse des correspondances multiples (ACM)
III-3-3 Analyse globale des facteurs
IV.Conclusion
IV.Conclusion
V.Annexe
V.Annexe
3
VI.Bibliographie.
VI.Bibliographie.
I . Introduction générale
4
L’ouverture du marché marocain de l’assurance constitue un important défi
qu’il faudra relever. Il s’agit là d’une opportunité qu’il faut saisir pour la
modernisation et le renforcement de ce marché. Cette ouverture s’inscrit non
seulement dans le cadre du renforcement d’une économie nationale ouverte et
efficiente, mais aussi dans celui de l’ouverture du Maroc sur le marché international,
conformément à ses engagements au niveau multilatéral, régional et bilatéral.
Ainsi, par l'approbation de nouveaux textes, le secteur des assurances sera doté d'un
dispositif légal et réglementaire moderne et totalement rénové, apte à faire face aux
défis relevés.
Cet effort de mise à niveau du cadre légal de l’industrie de l’assurance au Maroc,
resterait cependant, inachevé s'il n'est pas scrupuleusement respecté aussi bien par les
opérateurs que par l'autorité chargée d'exercer le contrôle.
Pour la question des tarifs d’assurances, il y a lieu de rappeler que leur libéralisation
intégrale aura lieu en juillet 2006 tout en imposant des critères de tarification bien
déterminés, une telle libéralisation n’est qu’une phase transitoire vers une
libéralisation totale du marché des assurances. Et c’est dans cette perspective que notre
travail a vu le jour pour mieux appréhender les variables tarifaires, et voir si les
critères dictés par la réglementation ne constituent pas une sorte d’injustice envers les
assurés et les compagnies d’assurances.
Le présent travail contient deux grandes parties. La première partie consiste en une
présentation de l’organisme accueillant ainsi qu’une présentation du sujet et de la
problématique. Quant à la deuxième partie, est décomposée en deux sous parties, la
première consiste en une analyse à facteurs fixes en utilisant les deux outils
statistiques : la classification individuelle des facteurs via le logiciel Answer tree, et
l’analyse factorielle discriminante via la Macro XlStat Pro ; tandis que la deuxième
consiste en une analyse à facteurs multiples en utilisant les trois outils statistiques :
l’analyse en composantes principales et l’analyse des correspondances multiples via la
Macro XlStat Pro et enfin la classification globale des facteurs via le logiciel Answer
tree.
5
II. Phase de présentation
6
II.1 Présentation de Xxxx Compagnie Marocaine d’Assurances
(ZCMA)
7
Pr ésident Directeur Géné ral
Secrétariat DG
Communication / Logistique
Audit interne Service juridique
Informatique
Comptabilité / Finances /
Placements
9
Technical Center – Statistiques / Actuariat.
– Prévention / Ingénierie des risques.
– Médecin conseil.
– Sinistres Groupe.
– Sinistres Transport.
– Sinistres IARD.
– Accidents de travail.
– Automobile Corporels
Contentieux.
– Automobile Corporels
Transactions.
– Automobile Matériel.
– Incendie et RD.
– Cellule administrative.
– Archives.
Les charges
La Charge de Sinistres toutes branches confondues s’est élevée en volume brut
à 337,9 millions de dirhams contre 348 millions de dirhams en 2003, soit une légère
baisse de (-) 2,9%.
11
Quand aux Résultats Techniques vie et non-vie, ils font apparaître un bénéfice
de 116 millions de dirhams en montant brut de réassurance et un bénéfice de 75,9
millions de dirhams net de réassurance.
Et enfin, les Charges Techniques d’Exploitation se sont élevées à 126,7 millions
de dirhams représentant 27,3% des primes émises.
La marge de solvabilité
La marge de solvabilité calculée suivant les dispositions réglementaires
introduites par l’instruction du Ministère des Finances n° 18 du 29 mars 1996, s’établit
à 86,123 millions de dirhams.
Les résultats
Le bénéfice net pour l’exercice 2004 après dotations aux provisions et impôts
s’élève à 38.648.373,98 dirhams. Ce montant se décompose comme suit :
Dotation à la Réserve
16.005.560,63 DH
Générale
Dividendes aux actionnaires 22.500.000,00 DH
Total 38.505.560,63 DH
vers une libéralisation totale du secteur des assurances au Maroc, dans la mesure où
elle laisse le libre choix aux compagnies d’assurances en terme de tarification tout
en limitant le champ des facteurs tarifaire (la puissance fiscale et le type de
combustion).
14
III. Phase pratique
15
III.1 Présentation de la base de données
Pour réaliser notre étude on se base sur les données relatives à l’exercice 2004
pour la responsabilité civile automobile, composées de 45097 observations et qui
donnent pour chaque police plusieurs informations, dont on retient uniquement les
variables qui pourraient expliquer la sinistralité :
Le type de carburant (Diesel, Essence) ;
La puissance fiscale ;
La date de la mise en circulation du véhicule ;
L’année d’obtention du permis ;
La date de naissance ;
Le sexe ;
La ville.
III.2 Analyse à facteurs fixes et validation
16
Après avoir présenté les variables sur lesquelles porte notre étude, nous allons
maintenant examiner l’effet individuel de chacun des facteurs sur la variable Sinistre.
Notre objectif est de détecter pour chaque variable les sous groupes qui
présentent une attitude analogue vis-à-vis de la sinistralité. Pour les variables non
catégorielles, on va les regrouper en classes les plus homogènes à l’intérieur (en terme
de comportement de sinistralité) et par conséquent les plus hétérogènes à l’extérieur.
Concernant les variables catégorielles, les sous groupes étant construits de manière
naturelle, on va essayer de regrouper les modalités présentant des similarités en terme
de sinistralité.
Pour ce faire, on fera appel aux arbres de décisions fournis par le logiciel
Answer Tree.
1 noeud racine
17
4 noeuds feuilles 5
18
On constate que la p-value est inférieur au seuil précité et donc les classes
obtenues correspondent au critère d’homogénéité des groupes exigé par la méthode.
Les classes qu’on retient pour notre analyse sont:
19
Pour le facteur Naissance (Facteur prédicteur) on a opté pour l’algorithme
Chaid, et on a pris la variable Sinistre comme variable dépendante. Avec un niveau de
signification α = 5% pour le test de khi-deux on a obtenu l’arbre suivant:
On constate que la p-value est inférieur au seuil précité et donc les classes
obtenues correspondent au critère d’homogénéité des groupes exigé par la méthode.
Les classes qu’on retient pour notre analyse sont:
Age 1 : [17 ; 27], composée de 1895 assurés (1824 non sinistrés et 71 sinistrés),
soit 6,53 % de la population ayant déclaré la date de leur naissance.
Age 2 : [28 ; 36], composée de 6091 assurés (5930 non sinistrés et 161
sinistrés), soit 21,00 % de la population ayant déclaré la date de leur naissance.
Age 3 : [37 ; 94], composée de 21016 assurés (20578 non sinistrés et 438
sinistrés), soit 72,46 % de la population ayant déclaré la date de leur naissance.
En terme de fréquence de sinistralité, il s’avère que la troisième classe (Age 3)
est celle qui cause le moins de sinistres avec une fréquence de 2,08%, ensuite vient la
deuxième classe (Age 2) avec une fréquence de 2,46% et enfin la première classe (Age
1) qui semble être la plus dangereuse en terme de sinistralité avec une fréquence de
3,75%.
Analyse sur le facteur Mise en circulation (Mec)
20
Pour le facteur Mec (Facteur prédicteur) on a opté pour l’algorithme Chaid, et
on a pris la variable Sinistre comme variable dépendante. Avec un niveau de
signification α = 5% pour le test de khi-deux on a obtenu l’arbre suivant:
On constate que la p-value est inférieur au seuil précité et donc les classes
obtenues correspondent au critère d’homogénéité des groupes exigé par la méthode.
Les classes qu’on retient pour notre analyse sont:
Mec 1 : [0 ; 5], composée de 5264 assurés (5099 non sinistrés et 165 sinistrés),
soit 23,34 % de la population ayant déclaré la date de la mise en circulation.
Mec2 : [6 ; 15], composée de 8194 assurés (8015 non sinistrés et 179 sinistrés),
soit 36,33 % de la population ayant déclaré la date de la mise en circulation.
Mec 3 : [16 ; 21], composée de 6170 assurés (6000 non sinistrés et 171
sinistrés), soit 27,35 % de la population ayant déclaré la date de la mise en circulation.
Mec 4 : [22 ; 82], composée de 2929 assurés (2880 non sinistrés et 49 sinistrés),
soit 12,98 % de la population ayant déclaré la date de la mise en circulation.
21
(Mec 2) avec une fréquence de 2,18% puis on trouve la classe3 (Mec 3) qui cause des
sinistres à un pourcentage de 2,76%, enfin vient la classe1 (Mec1) qui semble être la
plus dangereuse en terme de sinistralité avec une fréquence de 3,13%.
Analyse sur le facteur Carburant
On constate que la population retenue pour faire cette analyse coïncide avec la
population totale des assurés du fait que la déclaration de la nature du carburant est
exigée lors de la souscription d’un contrat d’assurance.
Les classes qu’on retient pour notre analyse sont naturellement Diesel et
Essence mais l’intérêt de l’emploi de Answer Tree pour atteindre ce résultat est de
justifier l’effet discriminatoire du facteur Carburant sur la sinistralité car dans le cas
contraire, le logiciel n’affiche aucune bifurcation.
En terme de fréquences de sinistralité, il s’avère que la classe1 composée des
véhicules de type Essence, cause des sinistres avec une fréquence de 1,79%. Elle est
donc nettement mois dangereuse que la classe2 composée des véhicules de type Diesel
et qui cause des sinistres dans l’ordre de 2,46 %
Analyse sur le facteur Sexe
22
Pour le facteur sexe (Facteur prédicteur) on a opté pour l’algorithme Chaid, et
on a pris la variable Sinistre comme variable dépendante. Avec un niveau de
signification α = 5% pour le test de khi-deux on a obtenu l’arbre suivant:
Les classes qu’on retient pour notre analyse sont formées de manière naturelle
(Masculin et Féminin) mais tout comme pour la variable carburant l’intérêt de l’emploi
de Answer Tree pour atteindre ce résultat est de justifier l’effet discriminatoire du
facteur Sexe sur la sinistralité car dans le cas contraire, le logiciel n’affiche aucune
bifurcation.
En terme de fréquences de sinistralité, il s’avère que la classe1 des assurés
Féminins cause beaucoup plus de sinistre que la classe2 composée des assurés
Masculins. En effet, la fréquence de sinistralité n’est que de 2,06% pour les hommes
alors qu’elle atteint le seuil de 2,70% pour les femmes.
Analyse sur le facteur Puissance fiscale (P.F)
23
On constate que la population retenue pour faire cette analyse coïncide avec la
population totale des assurés du fait que la déclaration de la nature de la puissance
fiscale est exigée lors de la souscription d’un contrat d’assurance. En plus, la p-value
est inférieur au seuil précité et donc les classes obtenues correspondent au critère
d’homogénéité des groupes exigé par la méthode.
Les classes qu’on retient pour notre analyse sont:
P.F 1 : [1 ; 6], composée de 11289 assurés (11063non sinistrés et 226 sinistrés),
soit 25,03 % des assurés.
P.F 2 : se restreint à la puissance fiscale “7”, elle est composée de 14067 assurés
(13742 non sinistrés et 325 sinistrés), 31,19 % des assurés.
P.F 3 : [8 ; 9], composée de 13508 assurés (13217 non sinistrés et 1291
sinistrés), soit 29,95 % des assurés.
P.F 4 : [1999 ; 2004], composée de 5264 assurés (5099 non sinistrés et 165
sinistrés), soit 23,34 % des assurés.
En terme de fréquences de sinistralité, il s’avère que la classe1 est celle qui
cause le moins de sinistres avec une fréquence de 2,00%, ensuite vient la classe3 avec
24
une fréquence de 2,15% puis on trouve la classe2 qui cause des sinistres à un
pourcentage de 2,31%, enfin vient la classe4 qui semble être la plus dangereuse en
terme de sinistralité avec une fréquence de 2,44%.
Analyse sur le facteur Région:
Pour le facteur Région (Facteur prédicteur) on a opté pour l’algorithme Chaid,
et on a pris la variable Sinistre comme variable dépendante. Avec un niveau de
signification α = 5% pour le test de khi-deux utilisé dans cette méthode. L’arbre obtenu
est la suivante:
25
26
On constate que la p-value est inférieur au seuil précité et donc les classes
obtenues correspondent au critère d’homogénéité des groupes exigé par la méthode.
Les classes qu’on retient pour notre analyse sont:
Région 1 :”Souss-Massa-Draa, Guelmim Es-Semra, laayoune-Boujdour-Sakia
El-Hamra, Etranger, Tanger-Tètouan”, composée de 14934 assurés (14793 non
sinistrés et 141 sinistrés), soit 33,12 % des assurés.
Région 2 :”Rabat-Salé-Zemmour-Zaer, marrakech-Tensift El-haouz, Doukkala-
Abda, Gharb-Chrarda-Beni Hssen”, composée de 7650 assurés (7461 non sinistrés et
189 sinistrés), 16,96% des asurés.
Région 3 : Oued-Eddahab-lagouira, Mènes-Tafilalt, Taza-Al Hoceima-
Taounate; Fès-Boulmane, Tadla-Azilal, Grand Casablanca”, composée de 17556
assurés (16974 non sinistrés et 582 sinistrés), soit 38,93 % des assurés.
Région 4 :”Oriental, Chaouia-Ouerdigha”; composée de 4957 assurés (4875 non
sinistrés et 82 sinistrés), soit 10,99 % des assurés.
En terme de fréquences de sinistralité, il s’avère que la Région 1est celle qui
cause le moins de sinistres avec une fréquence de 0,94%, ensuite vient la Région 4avec
une fréquence de 1,65% puis on trouve la Région 2qui cause des sinistres à un
pourcentage de 2,47%, enfin vient la Région 3qui semble être la plus dangereuse en
terme de sinistralité avec une fréquence de 3,32%.
III.2.2 Analyse factorielle discriminante
Introduction
27
variables qualitatives”. C’est une méthode d’analyse utilisée notamment par les
banques et les assurances pour le scoring.
Trois objectifs principaux peuvent être assignés à l’analyse
discriminante:
✔ Déterminer les variables explicatives les plus discriminantes vis à
vis des classes déterminées.
✔ Déterminer à quel groupe appartient un individu à partir de ses
caractéristiques.
✔ Mais surtout à valider une classification ou à faire un choix entre
plusieurs classifications pour savoir laquelle est la plus pertinente. L’analyse
discriminante intervient donc a posteriori d’une classification.
Dans notre analyse, on a opté pour la méthode d’introduction simultanée
des variables au détriment de la méthode d’introduction pas-à-pas du fait que la
première méthode permet d’atteindre les deux derniers objectifs précités alors que la
deuxième méthode qui servait normalement à déterminer les variables les plus
discriminantes n’a pas permis d’aboutir à des résultats satisfaisants (les variables
qualitatives sont toutes substituées par des axes factoriels qui sont retenus par l’analyse
pas-à-pas comme variables discriminantes, chose qui rend l’interprétation des résultats
délicate).
-Les observations utilisées pour cette analyse sont les 13773 observations
complètes dont on dispose.
-Les variables retenues pour cette analyse sont:
➢ Variable dépendante: Sinistre
➢ Variables explicatives:
Variables quantitatives: Mec, Permis, Age, P.F.
Variables qualitatives: Carburant, Sexe, Région.
Les variables Sexe, Carburant et Région étant de type qualitatif, on est amené à
réaliser une analyse des correspondances multiples sur ces variables.
Analyse des correspondances multiples (ACM) sur les variables qualitatives
28
Dans cette analyse par l’ACM, les seules variables introduites sont les variables
qualitatives (ne comportant pas la variable Sinistre expliquée).
L’objectif de cette analyse est de résumer ces variables en un petit nombre de
variables quantitatives. Les variables obtenues ne sont d’autres que les axes factoriels
qui résultent de l’application de l’ACM.
En utilisant la Macro XL-Stat-Pro, version 7.5.2, on obtient le résultat suivant:
Conclusion
Dans ces deux tests, on trouve qu’au seuil de signification Alpha=0,050 on peut
rejeter l'hypothèse nulle d'égalité des matrices de covariance intra classes. Autrement
dit, la différence entre les matrices de covariance intra classes est significative. Ces
deux tests de Box permettent de confirmer que l’on ne peut pas faire l’hypothèse que
les matrices de covariance sont identiques pour les deux groupes Sinistrés et non
Sinistrés.
30
Conclusion
31
On constate que parmi les 300 individus non sinistrés, 158 des individus sont
classés correctement. Contre 142 qui sont mal classés.
En ce qui concerne les 300 individus sinistrés, 204 des individus sont classés
correctement contre 96 qui sont mal classés.
On constate aussi qu’avec ces fonctions de classement, on a tendance à classer
les individus dans le groupe des sinistrés; 57,67% des individus sont classés sinistrés
contre 42,33% classés non sinistrés.
Enfin, le taux apparent des individus correctement classés vaut 60,33%. Ceci
veut dire que les fonctions de classement permettent de classer les individus de
manière satisfaisante et par conséquent les nouvelles variables explicatives issues de la
classification à facteurs fixes permettent de regrouper les individus en classes se
comportant de manières analogues vis-à-vis de la sinistralité. Pour bien appuyer ce
résultat, on propose d’appliquer les fonctions de classement sur un échantillon de 66
individus différents de ceux qu’on a utilisé lors de l’estimation des paramètres. Les
résultats obtenus sont les suivants :
32
On constate une autre fois que le taux apparent des individus correctement
classés est acceptable puisque sa valeur est dans l’ordre de 58%. Ainsi l’analyse
discriminante faite au dessus confirme la classification proposée par Answer-Tree,
cette dernière sera donc retenue pour les analyses qui suivront.
A partir des variables dont on dispose, on ne peut retenir que quatre variables
pour cette analyse à savoir: Permis, Age, Mec et P.F
Le premier résultat intéressant à analyser concerne les valeurs propres qui
correspondent aux quantités d’informations extraites par chacun des facteurs. La règle
générale est de conserver tout facteur qui extrait une quantité d’information (valeur
propre) supérieure à 1. Ceci se comprend dans la mesure où une variable prise
isolément est porteuse d’une quantité d’information égale à 1. Un facteur qui extrait
une quantité d’information inférieure à 1 est donc moins porteur d’information qu’une
variable prise isolément et par conséquence n’a en général pas grand intérêt. Par contre
s’il porte une information supérieure à 1, il est plus informatif qu’une variable prise
33
isolément, et donc peut avoir de l’intérêt. Ci-dessous, le tableau des valeurs propres et
le graphique associé :
Valeurs propres
2
F1
F2
1 F3
F4
34
Variables (axes F1 et F2 : 69,45 %)
M ec
0,5
Age
0 P ermis
-0,5
P .F.
-1
-1 -0,5 0 0,5 1
-- axe F1 (42,98 %) -->
35
L’appellation « Analyse des correspondances multiples » se justifie ainsi : Alors que
l’analyse des correspondances simples étudie la relation entre deux caractères observés
sur une population donnée, l’analyse des correspondances multiples étudie les
relations entre un nombre quelconque de caractères.
Cette méthode est applicable aussi bien pour les variables qualitatives que pour
les variables quantitatives. Mais pour les variables quantitatives continues, il est
nécessaire de les transformer en variables qualitatives ordinales possédants un nombre
fini de modalités.
-Les observations utilisées pour cette analyse sont les 45097 observations dont
on dispose.
-Les valeurs manquantes sont remplacées par le mode.
-Les variables retenues pour cette analyse sont :
Sinistre, Mec, Permis, Age, P.F, Carburant, Sexe et Région.
Les variables Permis, Mec, Age étant quantitatives continues, on est amené à
les découper en classes. Ces dernières sont issues de la classification proposée par
Answer Tree et validée dans l’analyse discriminante.
Les données utilisées peuvent se résumer dans le graphique de contingence de
Burt ci-dessous :
36
Tableau de contingence de Burt
45000
40000
35000
30000
25000
20000
15000
10000
5000
0
Mec - 2
Permis - 2
Mec - 2
Carbur - 1
Permis - 2
PF - 4
Carbur - 1
PF - 1
PF - 4
PF - 1
Region - 2
Region - 2
Age - 2
Age - 2
Sinistr - 0
Sinistr - 0
Tout comme L’ACP, le premier résultat à interpréter est celui des valeurs
propres qui donnent la part de chaque axe dans l’explication de la dispersion totale.
37
Valeurs propres
0,300
F1 F2
0,200 F3
F4
F5
F6 F7
F8 F9 F10
F11F12
F13
0,100 F 14
0,000
4 P ermis - 1
Age - 1
P Sinistr
Region
F -Fec -21 Individus actifs
0 Age
P ermis
P
MCarbur
MPFec
Region
M
Carbur
Sexe
Sinistr
P
Region
MRegion
ec-4
-Sexe
Fec3-3
--2
---1
3
4
2
2---1-0-1
1
-1
4 32
M odalités actives
-1
P ermis - 2
-2 Age - 2
-3
-4
-5
-5 -4 -3 -2 -1 0 1 2 3 4 5
-- axe F1 (12,60 %) -->
38
variables, pour éviter la redondance de l’information utilisée lors de l’analyse. Le
choix de la variable Permis serait plus judicieux dans la mesure où la collecte de
l’information sur l’âge est souvent entachée d’erreurs d’enregistrement liées à l’état
civil.
M ec - 4
1 Region - 4
C arbur - 2
PF -1
PF -3
Region - 1
M ec - 3 P ermis - 2 P ermis - 1
P ermis - 3 Sexe - 2
0 Sinistr - 0 Age - 2 Individus actifs
Region - 2 A ge - 1 M odalités actives
Age - 3
M ec - 2 Sexe - 1
PF -4
Region - 3
Carbur - 1
Sinistr - 1
PF -2
-1
M ec - 1
-2
-3
-3 -2 -1 0 1 2 3
-- axe F1 (12,60 %) -->
39
Jusqu’à présent, avec ces deux cartes factorielles, on ne voit pas l’effet
discriminant du Sexe sur la sinistralité. Néanmoins, l’utilisation de la table des valeurs
tests des modalités (ci-joint en annexe1) montre qu’en croisant les deux axes F1 et F4,
on peut mieux visualiser l’effet Sexe.
A partir du graphique, on peut affirmer que les femmes causent plus de sinistres
en comparaison avec les hommes.
42
Durant ce projet on a présenté plusieurs approches en vu de répondre à
l’objectif initial qui consiste à identifier les facteurs les plus déterminants de la
sinistralité. Ainsi on a pu, en se basant sur les résultats de l’analyse individuelle des
facteurs, catégoriser, en premier lieu, les variables selon des classes homogènes en
terme de risque pour ensuite valider cette classification via une analyse factorielle
discriminante. Quant à l’analyse globale des facteurs et conformément à nos attentes a
permis de révéler l’importance de prendre en considération les deux variables Région
et ancienneté du Permis, en plus de celles imposées par la réglementation. Signalons
qu’au sein de la variable Puissance Fiscale on a abouti à une segmentation qui diffère
de celle prévue par la réglementation.
Ce stage d’application à été un vrai challenge, dans la mesure où il fallait se
documenter sur les fondements statistiques d’analyse de données ainsi que sur
43
l’utilisation des outils informatiques qui conviennent à ces méthodes d’analyse.
Cependant, le fondement théorique de certains outils n’a pas pu être maîtrisé vu le
manque du temps et de références.
Au terme de ce travail, il est nécessaire de noter que les termes de la
réglementation concernant la responsabilité civile automobile seront crédibles si elles
se basaient sur une étude statistique rigoureuse, prenant en compte les données de
toutes les compagnies d’assurances opérantes sur le marché.
V. Bibliographie
44
➢ Michel Volle ; Analyse des données ; 3 ème édition Economica ; 1993.
➢ Ludovic Lebart, Alain Morineau, Jean-Pierre Fénelon ; Traitement des
données statistiques ; 1 ère édition ; 1979.
➢ Rapport annuel 2004 de Xxxx Compagnie Marocaine d’Assurances.
➢ Pierre Petauton ; Théorie de l’assurance dommages ; édition Dunod ; 2000.
45
V. Annexe
Annexe 1
46
Annexe 2
47
48
49
50
51
52
53
54
55
56
57
58