ROYAUME DU MAROC

*-*-*-*-*
PREMIER MINISTRE
*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*

INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE

RAPPORT
STAGE D’APPLICATION
*****

Détermination des facteurs tarifaires RC Automobile au

sein d’une compagnie d’assurance et mise en question des
termes de la réglementation.

Préparé par : Mouhammed MARIANE Omar MZIOUD

Sous la direction de : Mr Abderrahim CHAFFAI (XXXX)

Année universitaire 2005/2006

DEDICACE

2
 Plan
I. Introduction générale
II.Phase
II.Phase de présentation :

II-1- Présentation de Xxxx compagnie Marocaine D’assurance :

II-1-1 Historique
II-1-2 Organigramme
II-1-3 Résultats et performances :
Résultats du Groupe Xxxx Financial Services
Résultats de Xxxx Compagnie Marocaine d’Assurances :
Les charges
Les produits de placements
La marge de solvabilité
Les résultats
II-2- Présentation du sujet et problématique

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)

La présentation de Xxxx Compagnie Marocaine d’Assurances constitue une

étape indispensable dans le présent rapport pour plusieurs motifs, notamment,
comprendre l’organisation du personnel au sein de la compagnie et appréhender la
situation de la compagnie en termes de résultats et de performances. Ainsi, on
commencera tout d’abord avec un petit historique, puis on présentera l’organigramme
de la compagnie, pour ensuite enchaîner avec les différents résultats et du Groupe
Xxxx Financial Services (dont ZCMA fait partie) et de Xxxx Compagnie Marocaine
d’Assurances pour l’exercice 2004.
II.1.1 Historique
C’est à travers sa succursale, Xxxx Délégation, qu’opérait le Groupe Xxxx sur
le marché Marocain et ceci depuis 1951 ; ce n’est qu’en 1975 et avec l’avènement de
la loi sur la Marocanisation que le Groupe Xxxx créa sa filiale Marocaine : la Garantie
Général Marocaine (GGM), qui s’est vue changer de nom pour s’appeler Xxxx
Compagnie Marocaine d’Assurances à partir de 1997.
II.1.2 Organigramme
La filiale Xxxx Maroc est considérée comme un centre d’activité (CA) du
Groupe Xxxx Financial Services et est composée de deux Strategic Business Units
(SBU) à savoir :
➢ la SBU Agences.
➢ la SBU Courtage.
En fait, la compagnie est divisée en fonction de ces deux principaux réseaux de
distribution qui gèrent toutes les branches d’assurances.
L’organigramme de Xxxx Compagnie Marocaine d’Assurances se présente
comme suit :

7
 Pr ésident Directeur Géné ral

Secrétariat DG
Communication / Logistique
Audit interne Service juridique

Ressources Humaines SBU Particuliers (Agences) SBU Commercial / Entreprises

(Courtiers)

Informatique

Technique / Actuariat / Sinistres /

Groupe / Transport

Comptabilité / Finances /
Placements

Et les différents départements de la compagnie sont :

8
CEO / Direction Générale – Président Directeur Général.
– Contrôle de Gestion / Risk
Management.
– Juridique / Compliance.
Communication / Logistique – Gestion Administrative Logistique
– Gestion des achats et
approvisionnement.
– Standard.
– Courrier.
– Coursiers / Chauffeurs.
– Photocopie.
– Sécurité et Réception.
Ressources Humaines – DRH.
– Adjoint Responsable RH.
Comptabilité / Finances / – Comptabilité Générale /
Placements Analytique.
– Comptabilité technique.
– Gestion budgétaire / Reporting.
– Placements / Trésorerie.
– Réassurance : Gestion comptable.
– Recouvrement / Contentieux
Primes :
Agences et Courtage.
Informatique – Etudes et Développement.
– Exploitation.
– Réseaux et Systèmes
SBU Personnel – Marketing /support
/communication.
– Délégués Régionaux.
– Production AT et RD.
– Production Automobile.
– Production Incendie et RT.
– Bureau Direct.
– Administration Clientèle.
– Archives.
SBU Commercial / Small – Chargés de compte.
Business. – Production Incendie, RT et RD.
– Production Automobile.
– Production AT.
– Production Transport.
– Production Groupe.
– Archives.

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.

II.1.3 Résultats et performances

Résultats du Groupe Xxxx Financial Services

Avant d’entamer la présentation des résultats réalisés par la Xxxx Maroc durant
l’exercice 2004, on commencera par donner quelques informations sur les résultats du
Groupe.
Ainsi, l’année 2004 a connue une augmentation du bénéfice net de l’ordre de
29% pour atteindre 2,6 milliards de Dollars.
L’année 2004 a constitué la fin d’une période de deux ans sans précédent,
marquée par l’absence de catastrophes majeures. En effet, les mois d’août et de
septembre ont connues quatre ouragans frappants les USA et les Caraïbes, et juste
avant la fin de l’année un puissant Tsunami a détruit de vastes zones côtières allant de
l’Indonésie à l’est de l’Afrique.
Face à ces événements d’une ampleur jamais atteinte auparavant, Xxxx a
enregistré des paiements de sinistres à hauteur de 585 millions de Dollars nets de
réassurance et d’impôts.
La notation de solidité financière permet d’évaluer la sécurité financière d’une
compagnie d’assurance, en fait, elle se base essentiellement sur sa capacité d’honorer
ses engagements envers sa clientèle. Ainsi, le 19 février 2004, le Groupe Xxxx avait
reçu les notations suivantes :
10
 Agence de Notation de solidité
notation financière
A.M. Best A (excellent)
Fitch Ratings A (solide)
Moody's A2 A2 (bien)
Standard & Poors A+ (solide)

Actuellement, le Groupe Xxxx Financial Services est :

Le 2ème assureur dommages aux Etats-Unis ;
Le 3ème assureur dommages au Royaume-Uni ;
Le 5ème assureur dommages et vie en Europe continentale ;
Le 2ème assureur dommages pour les grandes entreprises en Europe
continentale.
Résultats de Xxxx Compagnie Marocaine d’Assurances
L’exercice 2004 s’est clôturé avec un montant de primes émises de l’ordre de
464,514 millions de dirhams soit une hausse de presque 13% par rapport à l’exercice
2003 qui avait enregistré un montant de 411,097 millions de dirhams.
La ventilation des primes émises pour l’exercice 2004, s’établit comme suit :
➢ Assurance non-vie : 97,18%
➢ Assurance vie : 2,82%.

La part de l’assurance-vie poursuit sa diminution amorcée en 2003 enregistrant

une baisse de 58,4%. En revanche, l’assurance non-vie termine l’exercice 2004 avec
une progression de 18,9% et continue à être le vecteur principal de l’amélioration des
résultats de la compagnie.

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.

Les produits de placements

Les revenus des placements (hors plus-values réalisées) ont atteint 96,031
millions de dirhams contre 84,476 millions de dirhams en 2003, soit une progression
de 13,7%.
Par ailleurs, et conformément aux directives du Groupe Xxxx Financial
Services en matière d’allocation d’actifs selon le « Xxxx risk policy », la compagnie a
poursuivi en 2004 son orientation vers la réduction des investissements en actions, au
profit du compartiment obligataire. Le but étant de réduire l’exposition de la
compagnie aux risques de dépréciation d’actifs.
C’est ainsi que la compagnie a cédé au cours de cet exercice, un certain nombre
de Lots d’actions réalisant ainsi des plus-values latentes pour un montant de 50,319
millions de dirhams.

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 :

Résultats techniques vie - 4.473.330,76 DH

Résultats techniques non-vie 80.329.501.70 DH
12
 Résultats non techniques - 25.162.518,96 DH
Résultats avant impôts 50.693.651,98 DH
Impôt sur le résultat 12.045.278,00 DH
Résultat Net 38.618.373,98 DH

Compte tenu de la dotation à la réserve légale d’une somme de 142.813,35

dirhams, le montant du bénéfice disponible est de 38.505.560,63 dirhams qui va être
affecté 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

II.2 Présentation du sujet et problématique

Le secteur des assurances au Maroc vit une époque de concurrence acharnée et

de refonte de son paysage législative et réglementaire. Si l’année 2003 a été marquée
par la promulgation à fin 2002 du code des Assurances, l’année 2004 a quant à elle été
marquée par la promulgation du Décret d’application dudit Code parut dans le bulletin
Officiel du 4 novembre 2004.
Ce Décret a permis aux professionnels de l’assurance d’avoir une meilleure
visibilité concernant l’application de certaines dispositions du Code des Assurances.
L’année 2004 a également été marquée par l’examen et la discussion des textes
des projets d’arrêtés relatifs aux différents livres contenus dans le Code des
Assurances. Ainsi on se limitera à l’article 59 de l’arrêté du livre 3 du Code des
Assurances et plus particulièrement à la partie concernant la responsabilité civile
automobile à l’usage tourisme. L’article stipule que :

« Les critères de détermination des primes pures de la catégorie d’assurance

‘responsabilité civile automobile’ visée à l’article 120 de la loi numéro 17-99 précitée
sont :
1) l’usage :
13
 • tourisme ;
• transport public de voyageur (TPV) ;
• transport de marchandises (TM) ;
• véhicules à deux ou trois roues ;
• garagistes et divers ;

2) la puissance fiscale et le type de combustion pour les véhicules de

tourisme :
• essence : jusqu’ à 6 cv, 7 et 8 cv, 9 et 10 cv, 11 cv et plus ;
• diesel : jusqu’ à 6 cv, 7 et 8 cv, 9 et 10 cv, 11 cv et plus ;
…… »
Signalons que l’entrée en vigueur de ces dispositions prendra effet à partir
du mois de juillet 2006. La présente réglementation représente une phase transitoire

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).

Ce qu’on peut reprocher à cette réglementation c’est que les critères de

tarification ne reposent sur aucune étude statistique, et donc menaceraient à priori
l’équité envers les assurés lors de la tarification. Ainsi l’objectif de notre travail au
sein de la ZCMA est de déterminer, à partir des données disponibles, les critères les
plus déterminants pour la tarification, et les comparer avec ceux prévus par la
réglementation ; ceci en utilisant diverses méthodes statistique : analyse
discriminante, analyse en composantes principales et analyse des correspondances
multiples…

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

III.2.1 Analyse individuelle des facteurs

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.

Logique de l’arbre de décision

Les arbres de décision sont utilisées pour expliquer un ou plusieurs champs en

fonction d’un ou plusieurs autres. Ce sont des outils très puissants principalement
utilisés pour la classification, la description ou l’estimation. Le principe de
fonctionnement est le suivant: pour expliquer une variable, le système recherche le
critère le plus déterminant et découpe la population en sous populations possédants la
même entité de ce critère. Chaque sous population est ensuite analysée comme la
population initiale.
Un arbre de décision est donc composé:
➢ D’un noeud racine par lequel les enregistrements entrent,
➢ De questions (facteurs),
➢ De réponses (modalités ou variantes) qui conditionnent la question
suivante,
➢ De noeuds feuilles qui correspondent à un classement.

1 noeud racine

2 noeud fils 3 noeud feuille

17
 4 noeuds feuilles 5

Le logiciel de segmentation Answer Tree permet d’obtenir un arbre de décision

via plusieurs algorithmes, on y retiendra uniquement les deux algorithmes les plus
utilisés en la matière à savoir Quest et Chaid.
L’algorithme Chaid a été publié en 1975 par J.A. Hartigan. Son processus
consiste à utiliser le test du khi-deux pour choisir les bifurcations. La meilleure
partition est obtenue en construisant des groupes homogènes tels que la variance
intergroupes soit maximale et la variance intragroupe soit minimale. Et enfin,
contrairement aux autres algorithmes, il ne développe pas l’arbre complet, mais tente
dès le premier passage de limiter sa croissance.
L’algorithme Quest a été publié en 1984 par L. Briemen. contrairement à
l’algorithme précédent, il utilise le test de Fisher pour choisir les bifurcations. C’est
une méthode rapide, qui s’applique uniquement aux variables dépendantes de type
nominal, et dont les bifurcations sont constituées seulement de deux noeuds.
Analyse sur le facteur Permis

Pour le facteur Permis (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:

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:

Permis 1 : [0 ; 23], composée de 15985 assurés (15580 non sinistrés et 405

sinistrés), soit 67,46 % de la population ayant déclaré la date d’obtention de leur
Permis.
Permis 2 : [24 ; 27], composée de 2540 assurés (2500 non sinistrés et 40
sinistrés), soit 10,72 % de la population ayant déclaré la date d’obtention de leur
Permis.
Permis 3 : [28 ; 84], composée de 5172 assurés (5045 non sinistrés et 127
sinistrés), soit 21,83 % de la population ayant déclaré la date d’obtention de leur
Permis.
En terme de fréquences de sinistralité, il s’avère que la classe2 est celle qui
cause le moins de sinistres avec une fréquence de 1,57%, ensuite vient la classe1 avec
une fréquence de 2,46% et enfin la classe3 qui semble être la plus dangereuse en terme
de sinistralité avec une fréquence de 2,53%.

Analyse sur le facteur Age

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.

En terme de fréquences de sinistralité, il s’avère que la classe4 (Mec 4) est celle

qui cause le moins de sinistres avec une fréquence de 1,67%, ensuite vient la classe2

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

Pour le facteur carburant (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 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)

Pour le facteur P.F (Facteur prédicteur) on a opté pour l’algorithme Quest, et on

a pris la variable Sinistre comme variable dépendante. Avec un niveau de signification
α = 5% pour le test de Fisher utilisé dans cette méthode .L’arbre obtenue est la
suivante:

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

L’analyse factorielle discriminante est une méthode statistique très puissante de

description et de prévision. Son but est d’étudier les relations entre une variable
qualitative et un ensemble de variables quantitatives. On remarque qu’il existe une
analogie entre l’analyse discriminante et la régression. En fait, la régression permet
d’estimer une variable quantitative à partir d’autres variables observées, alors que
l’analyse discriminante peut être perçue comme une méthode de “régression des

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:

On constate que ces variables qualitatives qui se composent de huit modalités

peuvent se résumer en cinq variables quantitatives.

Analyse Factorielle discriminante (AFD)

Après cette transformation de variables qualitatives en variables quantitatives,

les variables explicatives de la sinistralité dans l’AFD deviennent: Mec, Permis, Age,
P.F, Facteur1, Facteur2, Facteur3, Facteur4 et Facteur5 qui sont toutes quantitatives
conformément aux exigences de cette méthode.
Avant d’effectuer cette analyse, on a procédé à un échantillonnage aléatoire
simple qui consiste à prendre le même effectif des sinistrés et des non sinistrés pour
éviter l’influence du poids de chaque modalité sur la qualité des résultats.
Le nombre d’individus retenu pour cette analyse est de 600 individus, répartis
de manière égale entre sinistrés et non sinistrés.

Une analyse discriminante se déroule en trois étapes:

➢ vérification des différences entre les groupes et validation de l’étude,
➢ détermination des fonctions de classement,
➢ jugement de la qualité de représentation du modèle.
29
a- Validité de l’étude
En utilisant la Macro XL-Stat-Pro, version 7.5.2, on obtient les résultats
suivants:

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

Au seuil de signification Alpha=0,050 on peut rejeter l'hypothèse nulle d'égalité

des vecteurs des espérances des 2 groupes (sinistrés, non sinistrés). Autrement dit, la
différence entre les barycentres des groupes est significative.
A partir de ces deux tests, on peut affirmer la validité du modèle.

b- Détermination des fonctions de classement

Une fois le modèle validé, les fonctions de classement permettent de reclasser

les individus. La règle fondée sur ces fonctions est telle que l'on attribue un individu au
groupe dont la fonction de classement donne la valeur la plus élevée. Dans le tableau
ci-dessous, on trouve les paramètres des fonctions discriminantes linéaires:

c- Jugement de la qualité de représentation du modèle

Pour juger de la qualité de représentation, on utilise la matrice de confusion qui

résume l'information concernant les reclassements d'individus, et on peut en déduire le
taux apparent des individus correctement classés, qui correspond au ratio du nombre
d'individus correctement classés, sur le nombre total d' individus.

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.

III.3 Analyse à facteurs multiples

Avant de procéder à l’analyse globale des facteurs à travers Answer tree on va

essayer dans cette partie, de repérer d’éventuelles corrélations et correspondances entre
les variables, en faisant appel à l’ACP et à l’ACM.
III.3.1 Analyse en composantes principales (ACP)

L’analyse en Composante Principale (ACP) fait partie des analyses descriptives

multivariées. Le but de cette analyse est de résumer le maximum d’informations
possibles en en perdant le minimum possible pour :
• Faciliter l’interprétation d’un grand nombre de données initiales
• Donner plus de sens aux données réduites
L’ACP permet donc de réduire des tableaux de grandes tailles en un petit
nombre de variables (deux généralement) tout en conservant un maximum
d’information. Les variables de départ sont des variables quantitatives (continues ou
discrètes) dites aussi variables ‘métriques’.

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

On voit que la première valeur propre vaut 1,719 et représente 42,98% de la

variabilité totale. Cela signifie que si l'on représente les données sur un seul axe, alors
on aura toujours 42,98% de la variabilité totale qui sera préservée.

Idéalement, on devrait retenir uniquement les deux premiers axes. Cependant,

on en retiendra en fait trois car cela apporte un peu plus d’information sans pour autant
rendre l’interprétation beaucoup plus complexe.
L’analyse suivante concerne les cercles de corrélation qui sont utiles pour
interpréter les corrélations qui existent entre les variables.

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 %) -->

On peut déduire du graphique de corrélation ci-dessus que les variables Age et

Permis sont fortement corrélées positivement (68,9%) et que la Mec et la P.F sont
fortement corrélées négativement, alors qu'elles ne le sont pas (-5,5%). Ceci est du aux
limites de l'ACP qui est une méthode de projection, et que la perte d'information
induite par la projection peut entraîner des interprétations erronées.
La partie suivante est une extension de l’étude de corrélation en englobant un
domaine plus vaste de variables.

III.3.2 Analyse des correspondances multiples (ACM)

L’analyse des correspondances multiples n’est rien d’autre que l’application de

l’analyse factorielle des correspondances à l’étude des tableaux disjonctifs complets.

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

On constate à partir du tableau et de l’histogramme des valeurs propres que les

treize premiers axes résument la quasi-totalité de l’inertie totale, ils sont donc assez
suffisants pour faire une étude complète sur les résultats de l’ACM.
Le deuxième résultat à traiter est celui des cartes factorielles :

*la carte factorielle des axes F1 et F2 superposant modalités et individus :

Graphique symétrique (axes F1 et F2 : 25,12 %)

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 %) -->

Ce graphique permet de valider les résultats de l’ACP concernant la forte

corrélation entre l’Age et le Permis. En effet, les individus ayant l’Age1 ont souvent le
Permis1, de même pour le Permis2, Age2 et pour le Permis3, Age3. Ainsi dans
l’analyse globale des facteurs on va se contenter d’introduire l’une de ces deux

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.

* la carte factorielle des axes F1 et F3 superposant modalités et individus :

Graphique symétrique (axes F1 et F3 : 21,68 %)

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 %) -->

On constate que la forte sinistralité est caractéristique aux modalités suivantes :

Région3, P.F2, P.F4, Mec1, Diesel.
La faible sinistralité quant à elle, est caractéristique aux modalités suivantes :
Règion1, Région2, Mec2, Mec3, P.F3.

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.

* la carte factorielle des axes F1et F4 superposant modalités et individus :

A partir du graphique, on peut affirmer que les femmes causent plus de sinistres
en comparaison avec les hommes.

III.3.3 Analyse globale des facteurs

Contrairement à l’analyse à facteurs fixes qui consiste à étudier les facteurs

séparément, et qui ne permet pas de croiser les effets de plusieurs facteurs, la présente
analyse étudie la sinistralité dans sa globalité en combinant plusieurs facteurs
explicatifs.
L’analyse de la segmentation subdivise à chaque niveau la population suivant le
facteur qui différencie le plus la variable expliquée sinistre, et chaque population est
ensuite analysée comme la population initiale. Ci-joint en annexe l’arbre complète
donnant cette segmentation (annexe2).
*composition des segments de l’arbre complet

Niveau Groupe Décomposition

1 1
2 1 Région 2,3
2 2 Région 1,4
3 1 Région 2,3. Région 3.
3 2 Région 2,3. Région 2
3 3 Région 1,4. Region4
40
3 4 Région 1,4. Region1
4 1 Région 2,3. Région 3. Carbur Diesel
4 2 Région 2,3. Région 3. Carbur Essence
4 3 Région 2,3. Région 2. PF<=7
4 4 Région 2,3. Région 2. PF > 7
4 5 Région 1,4. Region4. Carbur2
4 6 Région 1,4. Region4. Carbur1
4 7 Région 1,4. Region1. Permis<=23
4 8 Région 1,4. Region1. Permis > 23
5 1 Région 2,3. Région 3. Carbur Diesel.Permis<=23
5 2 Région 2,3. Région 3. Carbur Diesel.Permis > 23
5 3 Région 2,3. Région 3 .Carbur Essence.Sexe Masculin
5 4 Région 2,3. Région 3 .Carbur Essence.Sexe Féminin
5 5 Région 2,3. Région 2. PF<=7.PF<=6
5 6 Région 2,3. Région 2. PF<=7.PF = 7
5 7 Région 2,3. Région 2 .PF > 7.PF <=9
5 8 Région 2,3. Région 2 .PF > 7.PF > 9
5 9 Région 1,4. Region4.Carbur Diesel.Mec<=15
5 10 Région 1,4. Region4.Carbur Diesel.Mec > 15
5 11 Région 1,4. Region4.Carbur Essence.Sexe Masculin
5 12 Région 1,4. Region4.Carbur Essence.Sexe Féminin
5 13 Région 1,4. Region1.Permis<=23.Mec<=15
5 14 Région 1,4. Region1.Permis<=23.Mec > 15
5 15 Région 1,4. Region1.Permis > 23.Permis <=27
5 16 Région 1,4. Region1.Permis > 23.Permis > 27
6 1 Région 2,3. Région 3. Carbur Diesel.Permis<=23.Sexe Masculin
6 2 Région 2,3. Région 3. Carbur Diesel.Permis<=23.Sexe Féminin
6 3 Région 2,3. Région 3. Carbur Diesel.Permis > 23:Permis<=27
6 4 Région 2,3. Région 3. Carbur Diesel.Permis > 23.Permis > 27
6 5 Région 2,3. Région 3 .Carbur Essence.Sexe Masculin.Permis<=23
6 6 Région 2,3. Région 3 .Carbur Essence.Sexe Masculin.Permis > 23
6 7 Région 2,3. Région 3 .Carbur Essence.Sexe Féminin.Mec<=21
6 8 Région 2,3. Région 3 .Carbur Essence.Sexe Féminin:Mec > 21
6 9 Région 2,3. Région 2. PF<=7.PF<=6.Carbur Diesel
6 10 Région 2,3. Région 2. PF<=7.PF<=6.Carbur Essence
6 11 Région 2,3. Région 2. PF<=7.PF = 7.Mec<=21
6 12 Région 2,3. Région 2. PF<=7.PF = 7.Mec > 21
6 13 Région 2,3. Région 2 .PF > 7.PF <=9.Permis<=23
6 14 Région 2,3. Région 2 .PF > 7.PF <=9:Permis > 23
6 15 Région 2,3. Région 2 .PF > 7.PF > 9.Mec<=21
6 16 Région 2,3. Région 2 .PF > 7.PF > 9.Mec > 21
6 17 Région 1,4. Region4.Carbur Diesel.Mec<=15.Mec<=5
6 18 Région 1,4. Region4.Carbur Diesel.Mec<=15.Mec > 5
6 19 Région 1,4. Region4.Carbur Diesel.Mec > 15. Permis<=27
6 20 Région 1,4. Region4.Carbur Diesel.Mec > 15 Permis > 27
6 21 Région 1,4. Region4.Carbur Essence.Sexe Masculin. Mec<=15
6 22 Région 1,4. Region4.Carbur Essence.Sexe Masculin. Mec > 15
6 23 Région 1,4. Region4.Carbur Essence.Sexe Féminin.Permis <=27
6 24 Région 1,4. Region4.Carbur Essence.Sexe Féminin:Permis > 27
6 25 Région 1,4. Region1.Permis<=23.Mec<=15.Mec<=5
6 26 Région 1,4. Region1.Permis<=23.Mec<=15.Mec > 5
6 27 Région 1,4. Region1.Permis<=23.Mec > 15.Mec<=21
6 28 Région 1,4. Region1.Permis<=23.Mec > 15.Mec > 21
6 29 Région 1,4. Region1.Permis > 23.Permis <=27.Carbur Diesel
41
 6 30 Région 1,4. Region1.Permis > 23.Permis <=27.Carbur Essence
6 31 Région 1,4. Region1.Permis > 23.Permis > 27.PF<=7
6 32 Région 1,4. Region1.Permis > 23.Permis > 27.PF > 7

On constate d’après le tableau ci-dessus, en considérant les quatre premiers

niveaux, qu’en plus des variables prévues par la réglementation à savoir le type de
carburant et la puissance fiscale, les deux variables région et permis jouent un rôle
discriminant important.

IV. Conclusion générale

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