Rapport PFE

ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET DECONOMIE APPLIQUEE
Projet de fin dtudes

..
Organisme daccueil : SAHAM Assurance
Sujet :
Application de la directive Solvency II sur les branches
dassurance non vie
Prpar par : M. Idrissi Messnaoui Anas

M.Lhioui Anas
Sous la direction de : M.Chaoubi Abdelaziz (INSEA)

Mme.Eljamali Mariam (SAHAM)
Soutenu publiquement comme exigence partielle en vue de lobtention du

Diplme dIngnieur dEtat
Option : Actuariat-Finance.
Devant le jury compos de :
M.Abdelaziz Chaoubi (INSEA)

M.lalalaalalalalalalala (INSEA)
Mme.Eljamali Mariam (SAHAM) Juillet 2015
1
2
Rsum :
La solvabilit dune compagnie dassurance nest dautre que sa

capacit honorer ses engagements face aux tiers, notamment ses
assurs et ce par la couverture de leur sinistralit, ainsi quassurer un
quilibre entre son portefeuille de placements et la constitution des
provisions pour tre en norme auprs de la tutelle (la DAPS) et assurer sa
prennit.
La rglementation actuelle, nomme Solvabilit I permet,

certes, dvaluer prudemment le passif et de dtenir des actifs srs et
liquides mais ne prend pas en considration tous les risques supports par
lassureur durant son activit, et se limite sur le risque de souscription
manifest par le risques de primes (sous estimation) et le risque de
provisionnement qui sera le cadre de notre tude.
Suivant les traces de la rforme bancaire Ble II , la

Solvabilit II privilgie le rle des fonds propres au sein de la
compagnie dassurance, et donc a apport des modifications au niveau
des techniques dvaluation de la compagnie, savoir la valorisation la
valeur de march de lactif liquide ,qui est disponible, et du passif
illiquide manifeste par des niveaux de provisions incorporant le Best
Estimate ainsi que des marges de risques adquates ou Risk
Margin , puis le calcul dun capital de solvabilit pour remdier aux
volutions dfavorables de sinistralit et maitriser le risque.
Dautre part, le nouveau rfrentiel de solvabilit se focalise aussi

sur la dimension stochastique dans le calcul des provisions techniques et
ce pour cerner tous les scnarios, y compris les catastrophiques, mesurer
lincertitude dans nos calculs pour mieux constituer nos provisions
lultime et tre en harmonie avec les donnes. Mais cette dimension nest
pas en phase avec lhorizon de la solvabilit II qui est rduit un an.
Cest pourquoi on quantifiera le risque de provisionnement sous le

rfrentiel de solvabilit II, qui stipule le risque de dviation dfavorable
des charges finales prvisibles dans lanne comptable ou calendaire, et
ce travers de nouvelles mthodes savoir Merz &Wthrich et
Bootstrap Modifie tout en posant des hypothses sur la loi suivie par les
rglements cumules.
Mots cls :
Solvabilit II, Best Estimate, Marge de Risque, Capital de solvabilit
requis, GLM, Bootstrap, Mack, Merz & Wthrich, Bootstrap Modifie.
3
Ddicace :
Je tiens tout dabord et avant toute autre chose ddier ce modeste

travail ma chre petite famille comme expression dun eternel
remerciement de lducation quelle ma prodigue ainsi que les efforts
consentis mon gard, puis mes chres amis pour les plus beaux
moments quon a pass ensemble.
4
Remerciements :
Nous voulons remercier M.Chaoubi pour ses prcieux conseils et

orientations qui nous ont t dune grande importance et soutien dans la
constitution de notre application.
Ainsi, nous profitons de loccasion pour exprimer notre grande

reconnaissance envers Mme Eljamali Mariam, encadrante et Responsable
non vie ainsi que M.Ahayan Anas, Actuaire au sein de la compagnie
SAHAM Assurance, pour leur encadrement au quotidien tout en
assurant les conditions de russite.
Dans le mme cadre, nous remercions le directeur du dpartement

dActuariat M.Elouali de sa confiance en nous confiant un sujet de telle
ampleur ainsi que le personnel de SAHAM Assurance qui nous a offert
un climat accueillant.
Pour clturer, nous adressons nos remerciements au corps

professoral de lINSEA pour son professionnalisme et de nous avoir
assur les connaissances et pr requis ncessaires permettant de sinsrer
avec succs dans le monde professionnel et dassurer notre stage de fin
dtudes .
5
Table de matires :
Rsum
Ddicace
Remerciements
Table de matires
Liste des abrviations
Liste des tableaux
Liste des figures
Introduction gnrale
Partie I : Sur les normes de la directive Solvabilit II
I.1 De la Solvabilit I la Solvabilit II :

I.1.1 Critiques de la Solvabilit I
I.1.2 Pourquoi la Solvabilit II ?
I.2 Les trois piliers de la Solvabilit II :
I.2.1 Prsentation
I.2.2 Les normes quantitatives du calcul des provisions et fonds propres
Partie II : le cadre thorique de lvaluation des provisions
Chapitre I : Mthodes dterministes

I.1Donnes utilises
I.2 Mthode de Chain Ladder
I.2.1 Hypothses
I.2.2 Mthode
I.2.3 Critiques
I.3 Mthode de London Chain
I.4 Mthode de Taylor
Chapitre II : Mthodes stochastiques

II.1 Mthode de GLM
II.2 Mthode de Mack
II.2.1 Hypothses
II.2.2 Mthode
II.3 Mthode de Bootstrap
6
Partie III : le cadre Pratique de lvaluation des provisions

I.1 Vrification de lhypothse des mthodes dterministes
I.2.1 test des hypothses de la mthode
I.2.2 Application de Chain Ladder
I.3 Application de London Chain
I.4 Application de Taylor

II.1 Application de GLM
II.2 Mthode de Mack
II.2.1 Test des hypothses
II.2.2 Application
II.2.3 Construction des Intervalles de confiance
II.2.3.1 Distribution normale de la rserve
II.2.3.2 Distribution lognormale de la rserve
II.2.3.3 Comparaison des rsultats :
II.3 Application de Bootstrap
II.4 Branches longues : Mthodes pour estimer le tail factor
II.4.1 Extrapolation des facteurs de dveloppement
II.4.2 Extrapolation des paramtres des annes de dveloppement
II.5 Choix du modle optimal de provisionnement
II.5.1 Rcapitulatif sur les rsultats des mthodes utilises
II.5.2 Application des critres de choix du modle
Chapitre III : Actualisation

III.1 Sous Solvabilit I
III.2 Avec la nouvelle rglementation de Solvabilit II
III.3 Application sur le calcul de la BE
Partie IV : Le risque de provisionnement dans le cadre du SCR
Chapitre I : Dfinition du risque de provisionnement un an et SCR

I.1 Pourquoi changer dhorizon ?
7
I.2 Dfinition formelle de ce risque
I.3 Formule standard- Modle interne (SCR)
I.3.1 Formule standard
I.3.2 Modle interne
I.3.3 Choix du modle
Chapitre II : CDR selon Merz & Wuthrich

II.1. Principe de la mthode
II.2. Comparaison aux rsultats de Mack
II.3.Critiques de M&W
II.4.Application
Chapitre III : Simulation de la diagonale de paiement

III.1 Principe
III.2 Simulation par Bootstrap modifie un an
III.2.1 Principe
III.2.2 Application
Chapitre IV : Calcul du SCR et de la Marge de risque

IV.1 Calcul du SCR
IV.2 Calcul de la MR
Conclusion gnrale
Bibliographie
Annexes :
Annexe A : Prsentation du secteur et de lorganisme daccueil

Annexe B : Nuages des points des annes de dveloppements j=39.
Annexe C : Loi normale loi log normale.
Annexe D : Principe du QQ-Plot.
Annexe E : Principe et calcul de la distance K-S.
Annexe F: Sur la VAR et la TVAR.
8
Liste des abrviations :
DAPS : Direction des assurances et prvoyance sociale.
CEIOPS: Committee of European Insurance and Occupational Pension

Supervisiors
FMSAR: Fdration Marocaine des socits dassurance et de rassurance
CFP: Charge finale prvisible
MR : Marge de risque
Coc : Cout de Capital
BE : Best Estimate
CL : Chain Ladder
LC : London Chain
i.i.d : Indpendants identiquement distribus
SCR : Solvency Capital requirement (Capital de solvabilit requis)
MCR : Minimum Capital requirement
PSAP : Provision pour Sinistres Payer.
M &W: Merz &Wthrich
AT: Accident de Travail
IBNR: Incurred But Not Reported
GLM: Generalized Linear Models
MSEP: Mean Squared Errors Predicted
CDR: Claims development result
VAR: Value At Risk, TVAR: Tail Value At Risk
9
Liste des tableaux:
Tableau : Evolution du chiffre daffaires par branche dactivit

Tableau : Evolution du chiffre daffaires du march dassurance non vie par
compagnie en MDH
10
Liste des figures:
-Figure : Rpartition du chiffre daffaires de Saham par branche.

-Figure: Evolution du chiffre daffaires de Saham en MDhs
-Figure : Evolution du rsultat net de Saham en MDhs
-Figure : Evolution des fonds propres de Saham en MDhs
-Figure1 : rpartition du SCR selon les risques touchant au bilan dune assurance en
non vie.
-Figure 2 : Les trois piliers de la solvabilit II.
-Figure 3 : Bilan conomique dune assurance sous la directive de solvabilit II.
11
Introduction gnrale:
De faon gnrale, une compagnie dassurance se distingue par

rapport une entreprise traditionnelle par son cycle de production invers,
lassur paie une prime pour tre couvert en cas de survenance du sinistre,
et donc une constitution prudente des rserves est indispensable pour que
lassureur puisse honorer ses engagements envers ses assurs, do
limportance revtue par les normes de solvabilit
Avant daborder notre travail quon a labor pour la branche pilote

de Saham Assurance : AT , nous avons jug ncessaire de prsenter le
secteur assurantiel du Maroc et ses chiffres cls ainsi que ceux de
lorganisme daccueil, puis de contextualiser la notion de la Solvabilit
II qui ne cesse de constituer un dbat actuel au sein des compagnies
dassurances, son introduction devient primordiale vu la sensibilit et la
position stratgique de ce thme.
Notre conception de travail commence par lintroduction des

mthodes dterministes pour calcul du Best Estimate puis la mesure
dincertitude des rsultats obtenus travers la dimension stochastique ;
lintroduction du tail factor dans la mthode de Chain Ladder ainsi que
celle de GLM pour choisir le modle optimal travers la mthode par
sous triangles. En outre, on quantifiera le risque de provisionnement
travers le modle de Merz & Wuthrich permettant le calcul du CDR ainsi
que son MSEP sous les hypothses de MACK, puis la simulation de la
diagonale par Bootstrap Modifie et ce pour obtenir le SCR. Pour clturer,
on calculera la MR et ce par la TVAR des rserves conues par le
meilleur modle ou lapproche du Cout de Capital.
Il est noter que divers sont les consultations menes par la

CEIOPS, autorit Europenne charge de la mise en place de cette
rforme, tout en regroupant lensemble des acteurs de lassurance afin de
souligner les obstacles de la solvabilit I et garantir la comprhension
des enjeux de cette rforme pour prparer une bonne introduction et mise
en vigueur de le directive.
12
I.1 De la Solvabilit I la Solvabilit II :
I.1.1 Critiques de la Solvabilit I :
La Solvabilit I se caractrise par sa simplicit dutilisation, elle a t

beaucoup critique pour les raisons suivantes :
-Le calcul des mobilisations des fonds propres se base sur les
provisions constitues, cest ainsi que sil y a un sous provisionnement on
engage moins de fonds propres. De plus, la solvabilit I est trs prudente
en ce qui concerne la constitution des fonds propres ce qui freine et
pnalise les activits sous jacentes de lassureur savoir les placements.
- Le calcul de la MS est simpliste et ne prend pas en considration

la taille ou lactivit de la compagnie mme les risques sous-jacents
lactivit dassurance. En effet, prenons lexemple de deux compagnies
dassurance ayant des primtres dactivit diffrents :
la premire disposant dun portefeuille diversi et
la seconde, dun portefeuille plus concentr.
La marge de solvabilit sera identique pour ces deux entreprises alors
quelles prsentent des prols de risque trs diffrents. Le risque de
concentration nest pas quantifi dans la MS. De plus, cet aspect nest
pas pris en compte dans le calcul des fonds propres dans le cadre de
Solvabilit I.
-Lapproche actuelle ne prend en considration que le risque du

passif (de souscription) dans le calcul des capitaux constituer, or divers
sont les risques sous-jacents lactivit de la compagnie et figurent dans
lactif savoir le risque de march (voir figure5).
-Actif et passif sont valus au cout historique, ce qui nest pas

conforme aux nouvelles normes comptables internationales qui incitent
la comptabilisation la valeur de march.
13
I.1.2 Pourquoi la Solvabilit II ?
Cette nouvelle rforme permet une harmonisation des normes de

solvabilit des compagnies dassurance, et ce travers ce qui suit :
-permettre un quilibre entre protection des assurs et moins de
cout de capital pour les assurs ; les provisions techniques sont couvertes
par une MR permettant de faire face aux situations dinsuffisance de ces
provisions ainsi quun calcul prcis et prudent du SCR, figurant dans le
Capital de la compagnie, permettant plus de libert de placement que dans
la solvabilit I .
-Donner une certaine transparence dans la situation financire de la

compagnie, qui est mieux contrle et suivi par la tutelle quauparavant.
-Lvaluation du bilan de lassurance est selon la valeur de march ;

pour les actifs le calcul est possible tout en se basant sur linformation de
march, pour le passif on fait appel des modles internes pour calculer
ce que nous appellerons la juste valeur .
-Lintgration des diffrents risques qui touchent tout le bilan de

la compagnie et qui sont quantifis par des SCR comme le montre la
figure suivante :
SCR
SCR(non vie) SCR(March) SCR (Crdit) SCR(opr)
Risque prime Risque Risque

provisionnement Risque taux Risque immo Risque change
Risque actions concentration
Figure1 : rpartition du SCR selon les risques touchant au bilan dune assurance
en non vie
14
Ainsi, on peut dfinir les diffrents risques comme suit :
+Risque de prime : Autrement dit, le risque de sous tarification qui

traduit linsuffisance de la prime paye par lassur couvrir sa
sinistralit. Ce genre de risque est du principalement une faible
segmentation.
+Risque de provisionnement : En gnral, ce risque traduit

linsuffisance des rserves constitues pour couvrir la sinistralit des
assurs. Dans le cadre de la Solvabilit II , ce risque traduit aussi la
dviation dfavorable de la CFP de lanne comptable (lhorizon dtude
est rduit un an au lieu de lultime).
+Risque de march : nest dautre que limpact de la volatilit des

instruments financiers sur la valeur de march des actifs et passifs de la
compagnie ; dans ce cadre on distingue :
-risque dactions : limpact de la volatilit du cours des actions
sur les actifs et passifs dont la valeur de march dpend.
-risque de taux : existe pour tous les actifs et passifs dont la
valeur est sensible aux changements de taux dintrt notamment le
portefeuille obligataire.
-risque dimmobilier : cest la volatilit des prix de march de
limmobilier.
-risque de change : cest la volatilit du taux de change. Au cas
o la compagnie dsire sacheter de la devise pour des activits
extrieures, ce risque doit tre pris en considration.
-risque de concentration : cest le risque de la non
diversification du portefeuille des actifs de la compagnie par rapport aux
lments suivants :
- Emetteur
- Secteur dactivit
- Zone gographique
Et donc la volatilit du portefeuille augmente avec sa
concentration sur ces lments.
+Risque de crdit : ce sont les pertes possibles lissue du risque de

dfaut de la contrepartie.
+Risque oprationnel : cest le risque de la dfaillance interne de la

compagnie savoir le systme informatique ou mme le personnel. Il est
difficile tre quantifi.
15
Ainsi, il y a une panoplie de risques auxquels une compagnie

dassurance non vie est soumise. Nous limiterons notre tude sur le risque
de provisionnement qui figure dans le risque de souscription-non vie. Ce
risque est le plus important traiter pour une compagnie dassurance non
vie. Et donc on ne constituera la fin que le SCR li ce risque.
II.2 Les trois piliers de la Solvabilit II :
II.2.1 Prsentation :
Les normes de solvabilit II, ayant suivi les traces de Bale II,
sappuient sur les trois piliers suivants :
Pilier 1
Exigences quantitatives
Fonds propres (SCR et MCR)
Provisions techniques
Pilier 2
Processusde surveillance prudentielle
Gestion des risques
Controle interne
Gouvernance
Pilier 3
Solvabilit II Transparence et communication
Publication d'informations
Transparence financire
Figure 2 : Les trois piliers de la solvabilit II
16
II.2.2 Normes quantitatives du calcul des provisions et fonds propres
La solvabilit II a pris en considration des paramtres

fondamentaux et indispensables qui taient ngligs par la directive
Solvabilit I savoir les piliers 2 et 3.
Dans notre tude, on se limitera sur le premier pilier qui constitue la

base de la prennit dune compagnie dassurance. Ses composantes sont
les suivantes :
+SCR : Traduit le niveau de fonds propres pour lequel le risque de

ruine est limit 0.5%, en dautres termes 99.5% de chance que la perte
pouvant tre subie par la compagnie puisse tre couvrable par les fonds
propres. Ce capital peut tre calcul par des formules standards
communiques par les autorits ou des modles internes valids par ces
dernires.
+MCR : cest le minimum de capital constituer par la compagnie,

ne pas latteindre signifie lintervention des autorits pour exiger la mise
en place de certaines directives. Son calcul devra tre simple et ne sera
pas abord dans ce mmoire. On peut prendre simplement :
MCR= (1/3) *SCR
+BE : Comme son nom lindique, cest le meilleur estimateur des

rserves que doit constituer lassureur qui nest dautre que la valeur
actuelle probable des flux futures.
+MR : Constitue une couche supplmentaire des provisions

techniques en BE, pour remdier au risque dinsuffisance ou dextinction
de ces provisions. Elle permet de communiquer un niveau de confiance
important lassureur en cas de liquidation de son portefeuille dassurs.
Il est noter que lassureur nenvisage pas ou nest pas en mesure de
liquider son portefeuille, il sagit de laspect prudentiel du calcul de la
MR.
Il est noter que le BE et la MR constitue la juste valeur ou la
valeur de march des provisions techniques. La figure suivante montre le
bilan dune compagnie dassurance sous la directive de Solvabilit II :
17
Capital
Libre
FONDS PROPRES
Actifs
SCR
MCR
Placements: Actions,
obligations MR
Valeur de
March PROVISIONS
Best Estimate TECHNIQUES
Figure 3 : Bilan conomique dune assurance sous la

directive de solvabilit II
18
Dans cette partie nous prsenterons lapplication des diffrentes

mthodes pour calcul de la BE. Nous ne nous limiterons pas aux rsultats
classiques de la mthode bien connue de Chain Ladder mais chercherons
comparer diffrentes mthodes, sans toutefois avoir la prtention den
faire une liste exhaustive.
Ces mthodes reposent sur une hypothse indispensable vrifier

qui est la stabilit des cadences de paiement qui est dfinit comme
rapport entre le rglement cumul effectu aprs j annes au comptes
des sinistres survenus lanne i, et la charge ultime estime (somme de
rglement et la PSAP) pour la mme catgorie des sinistres avec :
i=0..n et j=0.n. La stabilit de ces cadences traduit la convergence de
leur comportement par anne de survenance (voir la partie du cadre
pratique de lvaluation des provisions).
Commenons donc par prsenter quelques mthodes dterministes

classiques dvaluation des provisions. Nous tudierons des approches
stochastiques dans le chapitre suivant.
I.1Donnes utilises :
Dans la socit Saham Assurance, le triangle de liquidation de la

branche pilote est actuellement disponible sur 16 ans. Cependant, chaque
rglement constitue un cumul de paiements des annes de
dveloppements antrieures. Lobjectif est davoir une richesse des
rsultats et de calculer la rserve totale par une panoplie de mthodes et
ce pour retenir celle qui sajuste mieux notre branche et qui servira
comme outil principal pour obtenir notre BE.
19
Tableau : Paiements cumuls de la branche Accident de Travail
Cette mthode de calcul de provision (que lon appelle aussi

"cadence de rglement") est relativement ancienne puisquon peut trouver
la trace de ses premires apparitions dans des livres de droit des
assurances des annes 1930, comme par exemple Astesan [1938]. Cest
une mthode gnrique qui peut sappliquer sur tous les types de triangles
(de dveloppement, de charges etc.)
La mthode de Chain Ladder est de loin la plus couramment

utilise par les compagnies dassurance du fait notamment de sa facilit
de mise en uvre. Elle sapplique aux montants cumuls , et suppose
que la cadence des paiements dpend de lanne de dveloppement des
sinistres. Cela revient crire :
,+ = . , , avec :
-, : Chargement cumul associ la anne de survenance

et la anne de dveloppement, i=0n et j=0.n
- est le facteur de dveloppement de lanne de dveloppement

j j + 1.
20
-, : Les paiements non cumuls (incrments) associs la

anne de survenance et la anne de dveloppement, i=0n et
j=0.n
On a donc ,+ = , + ,+ , j0 et , = ,
Donc il est possible destimer les paiements futurs. En dautres

termes, remplir le triangle infrieur de nos rglements estimer et ce
partir du triangle de liquidation cumul initial :
Ce triangle peut tre lu de trois faons :

-Les lignes correspondent aux annes de survenance i des sinistres,
-Les colonnes aux annes de dveloppement j,
-Les diagonales aux annes calendaires i+j,
I.2.1 Hypothses
La mthode de CL repose sur deux hypothses, savoir :
(H1) les annes de survenance sont indpendantes ;
(H2) les annes de dveloppement sont des variables explicatives du

comportement des paiements cumuls.
I.2.2 Mthode
Sous ces hypothses, les facteurs de dveloppement sont estims

par :

= ,+
= Pour j=0 n-1
= ,
21
Les facteurs de dveloppement permettent de complter le

triangle infrieur. On estime alors :
,+ = , pour i+j >n
La provision de lanne de survenance i, note Ri sestime alors

par la relation :
= , ,
Enfin, lestimation du montant total de la provision, note R est

obtenu en sommant les provisions de chaque anne de survenance :

=
=
I.2.3 Critiques
Nous avons vu que cette mthode a lavantage dtre aise

appliquer. Cependant, elle repose sur des hypothses qui peuvent ne pas
savrer ralistes dans la pratique :
(H1) Il sagit dune hypothse forte qui suppose en particulier

une stabilit des annes calendaires, cest--dire pas de changement dans
la lgislation, la gestion des sinistres, le management, linflation. En effet,
ces phnomnes peuvent affecter plusieurs annes de survenances et donc
entraner la non-satisfaction de lhypothse dindpendance des annes de
survenance. De plus, les sinistres survenus au cours dune anne donne
sont censs navoir aucune influence sur les sinistres pouvant survenir
lanne suivante.
(H2) Cette hypothse suppose que la seule explication de

lvolution du montant des sinistres au cours des annes de
dveloppement est justement la dure de ce dveloppement. Cela
implique une non-corrlation des facteurs de dveloppement successifs.
Il est noter que le test de ces hypothses aura lieu dans le cadre
pratique de la mthode;
Une autre critique provient du dernier facteur de dveloppement
qui nest estim que sur une seule observation = , /, .
De plus ces donnes-l (, et , ) sont des donnes trs anciennes
22
(n annes avant lanne courante).Pour les annes de survenance rcentes,

lestimation de la charge finale dpend des n facteurs de dveloppement
estims sur les n annes de survenance prcdentes et repose sur le
premier paiement effectu. Lincertitude de lestimation est donc trs
forte.
I.3 Mthode de London Chain
Cette mthode a t introduite par Benjamin et Eagles [1986] afin

de calculer des provisions aux Lloyds, elle est moins utilise, mais
permet dtudier les rsultats obtenus lorsquon ne se contraint plus
avoir une relation linaire entre , et ,+ comme la mthode de Chain
Ladder. En effet cette mthode suppose quil existe une fonction affine
entre les paiements cumuls de deux annes de dveloppement
successives, telle que :
,+ = , + pour j < n-1

, = , et 1 = 0
Par la mthode des moindres carrs on cherche rsoudre

lquation suivante :

, = = ,+ . , Pour j= 0 n-1
Ainsi, on obtient par cette formule :

, .,+ .+
=
= Et = + .
. , ( )
=
Avec :

= . , + = . , +

= =
Il est noter que si lhypothse (H2) de la mthode de Chain

Ladder est vrifie, savoir les points (, , ,+ ) pour chaque anne j
sensiblement aligns, ils le seront aussi par une droite non contrainte
lorigine.
23
I.4 Mthode de Taylor
Cette mthode suppose : , = *+ o est la part paye la

anne de dveloppement et + est le cot total pay lors de
lanne calendaire i + j. Cette mthode permet dintgrer des hypothses
dinflation
On obtient :

, = , = ,
= , = = =
= =+
=
Il sagit ensuite dextrapoler les coefficients avec k=n + 1

2n. Pour cela il faut estimer linflation future. Il est possible de se baser
sur linflation observe sur les annes calendaires 0 n. Diffrentes
mthodes sont possibles pour cela mais on se limitera lextrapolation
exponentielle.
, = +
24
Dans une optique de gestion des risques, il peut tre plus

judicieux dutiliser les mthodes stochastiques permettant de quantifier le
risque destimation des provisions lultime ainsi que mesurer leur
incertitude et ce pour la branche pilote de la compagnie afin de faire face
nos engagements vis--vis des assurs.
II.1 Mthode de GLM
Cette mthode se base sur des modles qui sont forms de trois
composantes : la composante alatoire, la composante systmatique et la
fonction de lien.
La composante alatoire :
On cherche expliquer les variables alatoires relles (, )

indpendantes et dont la loi de probabilit est de type exponentiel. On se
situe donc dans le cadre suivant :
(H1) Les paiements annuels non cumuls (, ) sont indpendants.
(H2) Les paiements annuels non cumuls (, ) appartiennent la
famille exponentielle, de densit :
,
(, /, ; ) =
( (, , (, )) + (, ; )) ;

O :
, est un paramtre rel, appel paramtre canonique ou paramtre de

la moyenne,
est un paramtre de dispersion strictement positif,
, est une pondration (=1 par la suite),
b et c sont des fonctions spcifiques de la distribution,
b tant deux fois drivable valeurs dans R et c valeurs dans 2
Les lois les plus utilises sont : Poisson, Gamma, normal (qui
donne des rglements estims ngatives et donc non approprie notre
cas), log normal (qui ne fait partie de la famille exponentielle mais
simulable tout en prenant le log (rglements) suivant la normale), Inverse
gaussien.
25
Tableau : quelques exemples de famille de lois exponentielles
Pour avoir une ide en avance sur le comportement des

rglements, il suffit de tracer le QQ_Plot qui traduit la loi qui sajuste
mieux aux quantiles empiriques.
Les proprits remarquables de la famille exponentielle :
1-On obtient lesprance (si elle existe) en drivant la fonction b

, = (, )
2-On obtient la variance (si elle existe) assez simplement :

, = (, )
,
Do la raison de lappellation de du paramtre de dispersion
La composante systmatique :
Cest une combinaison linaire des variables explicatives des , ;

dans le cas du provisionnement deux variables exognes qualitatives,
cette composante peut scrire comme suit :
, = + + ;
O:
-
- tel que
, ; Avec n est lhorizon du triangle de liquidation.
Ainsi, ne sont dautres que les coefficients de

rgression quon vise estimer pour calculer les prdicteurs linaires
( , ) .Les deux variables qualitatives contiennent n modalits. Par
26
hypothse, on prend = = et ce pour raison didentifiabilit du

modle.
La fonction de lien :
Cest la fonction qui fait le lien entre la composante alatoire et la

composante systmatique. Il sagit dune fonction relle g, strictement
monotone et drivable telle que :
, = , = , , = , = ,
Nous allons utiliser la mthode du maximum de vraisemblance. La

vraisemblance dun chantillon indpendant (, ) comme tant des
ralisations de la variable alatoire Z scrit :
,
L ((, ), )= = =
( (, , , ) + (, ; ))

Il est noter que le vecteur ( , , , , , , ) est celui

qui maximise cette fonction. Pour ajuster lcriture de cette fonction,
on a :
, = ( , )= ( , )= ( + + )
Ainsi, la fonction de log vraisemblance maximiser pour obtenir

nos paramtres estims , est la suivante :
,
l((, ),)= = = [ , + + + +
+ , ; ]
Pratiquement, on obtient ces estimations par la procdure

GENMOD sur le logiciel SAS, comme on le montrera dans la partie
suivante.
Dans la plupart des cas, on a tendance prendre la fonction de

lien comme tant log et ce pour obtenir un modle multiplicatif.
Brokman et Wright (1992) ont motiv ce choix vu quil ne donne pas des
rglements estims ngatives ou nuls comme le cas du modle additif.
27
II.2 Mthode de Mack
Cest la version stochastique de la mthode de CL, ayant t

introduite en 1993 par Mack. Elle se base sur la rserve de CL puis le
calcul de lestimation de lerreur de provisionnement lultime traduisant
limpact de la volatilit du montant des provisions sur le bilan de la
compagnie dassurance. Il sagit dun modle paramtrique vu quil ne
communique aucune distribution des chargements cumuls, ni des
rserves totales et donc pas de quantiles (notamment la value at Risk),
mais fournit les moments dordre 1 et 2.
II.2.1 Hypothses
Ce modle se base sur trois hypothses ; la premire tant vrifie

par CL et qui traduit lindpendance des annes de survenance tandis que
la deuxime a t rintroduite pour prendre en considration laspect
stochastique de la mthode mais qui est aussi vrifie par CL. Ainsi, la
mthode dterministe de CL devient :
,+ = (, ) ; , = , . .
Avec est le coefficient de dveloppement de CL associ la

anne de dveloppement
Puis la dernire qui concerne la volatilit des donnes du triangle.

Ainsi, on peut reformuler ces hypothses comme suit :
- (H1) les annes de survenance sont indpendantes, c'est--dire

que les sinistres survenant ultrieurement nexpliquent pas
ceux davant :
(, ) indpendant de ( , ) pour
- (H2) ,+ /, = , ; = 1, . .
- (H3) V(,+ /, )= ,
Sous les deux premires hypothses, le modle de Mack fournit

les mmes estimations des facteurs de dveloppement que CL. Ainsi, on
obtient une estimation de la rserve annuelle .
28
Nous avons vrifi les deux premires hypothses lors de

lintroduction de la mthode de CL. Il reste vrifier que la troisime.
Dans ce cadre, on dfinit les rsidus comme suit :

,+ , , ,+ ,
, = , puis les rsidus standardiss , = = .
, ,
Afin de vrifier (H3), il suffit de prouver que les points de

coordonnes (, , , ) ne prsentent aucune structure , c'est--dire
que les deux dernires hypothses de Mack incorporent toute
linformation traduisant le comportement et lvolution des (, ) ,
et qui ne peut tre explique hors le cadre de Mack.
II.2.2 Mthode
Ces hypothses permettent destimer lerreur de prvision,

commise dans le calcul des rserves annuelles, que nous mesurons par
lerreur quadratique moyenne msep (mean squared error of prediction) :
Msep( ) = E[( ) /D]

= E[(, , ) /D]
Puisque = , ,+ et = , ,+
Avec D est linformation dont on dispose du tringle des

rglements cumuls, do D = {, ; i+ j n ; 1 i, j n}
Cette formule est dcomposable sous la forme suivante :
( ) = Var(, /) + [[(, /] , ]
Erreur de processus Erreur destimation
-La premire erreur traduit la variance du processus, c'est--dire la

variabilit autour de la moyenne, due au processus stochastique. Cette
erreur ne peut donc tre supprime.
-La deuxime erreur provient de lincertitude de lestimation que

lon fait des paramtres servant dterminer , . En gnral, ce type
derreur diminue avec laugmentation de linformation disponible.
29
Mack propose alors une estimation de lerreur quadratique

moyenne et ce pour i=2 n :

( ) = , .
=+( / ).( + )
, = ,
2 1 2 1 2
= , . =+1 ( / * , ) + , .
=+1( / ( =1 , ))
Avec ,+ = ,+
On dfinit, dans le mme cadre, comme tant la volatilit du

triangle par anne de dveloppement j :
,+
= ( )( = , ( )) pour j 2;
,
Pour j=n-1, nous disposons dune seule observation, de plus il faut

sassurer quil y ait une stabilit des rglements tout en sapprochant de la
clture des sinistres :

= ; ceci revient prendre :

=min ( , , )

Dautre part, pour estimer lerreur de prdiction de toutes les

provisions de la branche, () =Msep ( = ), on ne peut pas
simplement sommer les Msep ( ) relatifs chaque anne de
survenance du fait que celles-ci sont estimes laide des mmes facteurs
de dveloppement. Il faut donc tenir compte dune corrlation entre elles.
Mack estime alors erreur de provision pour toute la rserve par :
1 2
Msep (R) = 2
=2(Msep( ) + , .( =+1 , ).( =+1(2. / ( =1 , ))))
30
On dispose prsent dun prdicteur de ( ) et de lcart-type

de celui-ci (se( ) = ( ) ) ; qui servent comme paramtres
pour la loi suivie par les provisions et ce pour dtecter les quantiles de la
distribution des rserves totales. Deux lois sont souvent utilises en
assurance non-vie : la loi normale et lognormale quon justifiera par le
biais du cadre pratique de Bootstrap. Cependant, lusage de la loi normale
est critiqu vu quelle peut prendre des valeurs ngatives, ce qui nest pas
le cas des provisions.
II.3 Mthode de Bootstrap

Le principe de la mthode du Bootstrap est de "crer" un plus
grand nombre de donnes partir de celles qui sont disponibles. Cela se
fait en r-chantillonnant nos donnes sur la base dun tirage alatoire
avec remise. Cette mthode est habituellement dfinie par lexpression
"se hisser en tirant sur ses propres lacets".
Lhypothse fondamentale est de supposer que les lments qui

sont r-chantillonns sont des variables alatoires i.i.d.
Dans cette section nous appliquerons la mthode de r-

chantillonnage du Bootstrap afin dtudier la distribution suivie par le
montant des provisions estimes.
Lhypothse dindpendance nest pas vrifie sur les incrments

de paiements, cest pourquoi nous utilisons les rsidus dits de Pearson
calculs partir de ces incrments de paiements observs, afin que
lhypothse dindpendance soit vrifie
Les diffrentes tapes effectuer sont :
31
Figure : Schma illustratif du principe du Bootstrap, dtermination

dintervalle de confiance des rserves IBNR
Phase 1 : Remplir le triangle infrieur avec la mthode CL

Triangle de paiements non cumuls
Triangle de paiements cumuls
Identification des facteurs de transition
Droulement du triangle
Phase 2 : Obtenir les rsidus non standardiss

Calcul des valeurs prdites par le modle pour le triangle
suprieur
Calcul du triangle des rsidus de Pearson qui correspondent aux
rsidus bruts standardiss
Phase 3 : Identifier N triangles de rsidus par tirage uniforme des rsidus

initiaux
32
Phase 4 : reconstituer le triangle de paiement pour chaque triangle de

rsidus
, = , + , * ,
Phase 5 : Appliquer la mthode CL pour calculer les provisions
Phase 6 : Obtenir ainsi, un N-chantillon de ralisation de la variable

provision et donc une distribution empirique de lestimation de la
provision.
33
Partie III. Le cadre Pratique de lvaluation des provisions
Partie III : le cadre Pratique de lvaluation des provisions

I.1 Vrification de lhypothse des mthodes dterministes
Toute mthode dterministe repose sur lhypothse de la stabilit

de la cadence de rglements, cest pour cela quil est ncessaire de la
vrifier avant dappliquer la mthode de Chain Ladder Standard.
La cadence de rglement est le rapport entre le rglement cumul

effectu aprs j annes au comptes des sinistres survenus lanne i, et
la charge ultime estime (somme de rglement et la PSAP) pour la mme
catgorie des sinistres avec : i=1999 .. 2014 et j=0.15.
Ainsi, on a trac le graphique des cadences de rglement des

sinistres qui a donn lallure suivante :
Figure : Evolution des cadences de paiements par anne de survenance.
34
Ainsi, notre hypothse savre vrifie, vu quil y a convergence

des comportements des cadences de paiements par anne de survenance et
une stabilisation partir de la 8 anne de dveloppement. La tendance
croissante remarque au dbut peut tre explique par le fait quon charge
notre PSAP dans les premires annes de dveloppement pour liquider le
maximum possibles des sinistres et avoir une maitrise de risque et ce pour
honorer le maximum des engagements de lassureur. La dcroissance de
la PSAP signifie la croissance de la cadence des paiements et son
rapprochement vers 1.
Avant dappliquer le modle de Chain Ladder, il est indispensable

de vrifier les hypothses spcifiques cette mthode
I.2.1 test des hypothses de la mthode
La premire hypothse est celle de lindpendance des annes de

survenance entre elles, elle signifie que les sinistres survenus auparavant
ne doivent influencer lincidence des sinistres des annes daprs. En
pratique, cette hypothse est gnralement admise.
Afin de nous assurer de la vracit de cette hypothse, il est

ncessaire de voir le triangle des coefficients de dveloppement tel
+1 1
que = , et de les comparer . =( ) =1 ,avec I est le nombre

des coefficients de dveloppement par anne de dveloppement.
Tableau : Triangle des coefficients de passage.

35
On remarque que pour la premire anne, lhypothse dgalit

des coefficients sur les annes de survenance nest pas raliste vu quil ya
une volatilit importante des 0 par rapport .0 . Malgr que le
coefficient de variation est infrieur 30% pour toute ces annes ce qui
traduit une stabilit des ( ) et donc cest un bon indicateur. De plus, une
moyenne de 4,06 traduit que pour passer de la premire anne de
dveloppement la deuxime, les chargements cumuls sont en moyenne
multiplis par 4,06. Mais, cette hypothse parait plus vraisemblable pour
les annes de dveloppement qui suivent comme le montre les trois
graphes suivants :
Figure : Comparaison des . pour j=0,1 et 2
Ainsi, on remarque un recul de lcart maximal par rapport la

moyenne tout en avanant dans les annes de dveloppement. Cet cart
est de 1 pour j=0 puis 0.2 pour j=2 ce qui nous laisse vraisemblablement
accepter la premire hypothse de Chain Ladder.
36
La deuxime hypothse repose sur le faite que les annes de

droulement sont les seules variables explicatives du comportement des
sinistres futures, ce qui veut dire quil existe vraisemblablement tel
que +1 = . Ceci sous-entend quen traant lvolution des
( , +1 ) , il faut obtenir des droites linaires sans origine.
Ainsi, on a vrifi ceci pour toutes les annes de dveloppement,

sauf quon a relat que les 10 premires annes dans notre rapport. Les 3
premires sont les suivantes tandis que les sept restantes sont labores
dans lannexe B.
Figure : Reprsentation des nuages de points ( , +1 ) , j=0, 1,2
On remarque que la part de la variabilit explique par les annes

de droulement antrieures devient de plus en plus importante des
rglements postrieurs tout en avanant dans ces annes, et ce travers les
coefficients de dtermination traduisant la qualit de nos ajustements.
37
De plus, les droites dajustements sont linaires et passe par

lorigine, do lacceptation de la deuxime hypothse.
I.2.2 Application de Chain Ladder
Aprs avoir vrifi nos hypothses, il est indispensable de passer

la modlisation de notre triangle de liquidation et ce travers la mthode
de Chain Ladder. Tout dabord, on commencera par le calcul de nos
coefficients de passage par anne de droulement, dont la formule est
mentionne dans la partie prcdente, comme tant une moyenne
pondre de la charge sinistre :
Tableau : Coefficients de Passage selon le modle de Chain Ladder
Grace ces estimateurs avec j=1.15, nous pouvons estimer :
Les IBNR qui traduisent les tardifs que la compagnie na

pas encore paye au compte des sinistres anciens et dont les
montants de rglements figurent dans le triangle infrieur de
la table qui suit
Les ( ) par anne de survenance qui sont les lments de

la dernire colonne du tableau des rglements prdits.
Les provisions par exercice de survenance

= , - , +1 avec , +1 est le rglement cumul de
la diagonale ainsi que la ligne.
La provision totale constituer pour toutes les annes de

survenance agrges.
38
Tableau : Tableau des rglements prdits par le modle de Chain

Ladder
Suite cette table, on a tous les ingrdients pour dduire les

provisions par anne de survenance ainsi que la provision totale :
Tableau : Provision Totale sous le

modle de Chain Ladder
Ainsi, la valeur de la Provision totale selon Chain Ladder Standard

est de 409 188 852,49 DHS.
39
I.3 Application de London Chain
Selon le modle de London Chain, les chargements cumuls

( , +1 ) salignent selon une droite dajustement mais en prsence
dune constante comme mentionn dans le cadre thorique de la mthode.
Le tableau suivant traduit les rsultats quon a obtenus tout en appliquant
ce modle :
Tableau : Estimation des paramtres de rgression +1 = ( )
Suite au tableau prcdent, on peut calculer les ( ) et donc les

provisions par anne de survenance ainsi que la rserve totale.

modle de London Chain
Ainsi, la valeur de la Provision totale selon London Chain est de

387 613 801,98 DHS.
40
I.4 Application de Taylor
Ce modle suppose que chaque rglement estim constitue une

proportion du cout total pay dans lanne calendaire i+j :+ ,
C'est--dire , = *+ . Il sagit dun modle qui intgre les hypothses
dinflation.
En se basant sur les formules introduites dans le cadre thorique

du modle de Taylor, on a calcul les et les + pour les 16(n)
premires annes calendaires. Puis, on a extrapol ceux des annes
futures (de n+1 2n).
Tableau : Calcul des actuels et futurs ainsi que ,

n=i+j=0..15 et j=0..15
41
Il est noter que lextrapolation a t effectue selon le modle

exponentielle (log( )=f(n)) vu quil avait le coefficient de
dtermination le plus important , avec n signifie les annes calendaires.
Figure : Extrapolation des log(+ ) linairement, avec i+j=0,15
Il est noter quil faut travailler avec un triangle de rglements

dcumuls pour laborer le modle de Taylor. Ainsi, on peut maintenant
calculer les , = *+ , avec i+j=1630.
Tableau : Calcul des rglements futurs , par la mthode de Taylor, avec i+j=1630
et i=015, j=015
42
Puis, en cumulant on trouve nos ( ) et donc nos provisions par

anne de survenance et donc la provision totale.

modle de Taylor
De manire gnrale, les mthodes stochastiques supposent que

les chargements cumuls (, ) 0, sont des variables alatoires et ce
pour mesurer lincertitude qui frappe le calcul de la rserve constituer
pour faire face aux engagements de lassureur.
II.1 Application de GLM
Dans ce cadre, on se basera sur le triangle des rglements

dcumuls (, ) 1, , devant vrifier les hypothses du modle GLM
et quon estimera tout en se basant sur nos variables explicatives qui sont
les annes de survenance et de dveloppement.
43
Tableau : Extrait de la base servant comme support de calcul

des paramtres de GLM
Cette base nous permettra de calculer les paramtres associs aux

variables explicatives du modle et ce dans le cadre du GLM. Mais avant,
il faut voir le comportement de nos rglements et ce pour dtecter la loi,
figurant dans la famille exponentielle, qui sajuste mieux.
Dans ce cadre, notre recherche travers le principe du Q-Q plot, a

abouti 3 lois : Gamma, Normal et log normal.
Il est noter quen cas dusage de la log normale, on rgressera le

log(rglements) (qui suivent une loi normale) sur les annes de
survenance et dveloppement et ce pour obtenir les paramtres de
rgression ((log ) = + + ) puis on dduit les
valeurs des rglements moyens suivant la log normale travers la
proprit de lannexe C.
44
Figure : QQ-Plot selon la distribution gamma
Figure : QQ-Plot selon la distribution logNormale
45
Figure : QQ-Plot selon la distribution normale
On remarque que pour les trois distributions, les nuages de points

sajuste vraisemblablement leurs droites de rfrences, cest ainsi quil
faut trancher par un test plus fort, il sagit du test de Kolmogorov Smirnov
(Annexe E). Limplmentation de ce test est effectue sur le logiciel SAS
comme le montre les sorties suivantes :
Goodness-of-Fit Tests for Gamma Distribution

Test Statistique p Value
Kolmogorov-Smirnov D 0.06885032 Pr > D >0.250
Cramer-von Mises W-Sq 0.10432308 Pr > W-Sq >0.250

Anderson-Darling A-Sq 0.93533519 Pr > A-Sq 0.142
Tableau : Test de Kolmogorov Smirnov de la distribution Gamma
Goodness-of-Fit Tests for Lognormal Distribution

Kolmogorov-Smirnov D 0.07902786 Pr > D 0.020
Cramer-von Mises W-Sq 0.17471287 Pr > W-Sq 0.004
Anderson-Darling A-Sq 1.31837200 Pr > A-Sq <0.001
Tableau : Test de Kolmogorov Smirnov de la distribution LogNormale
46
Goodness-of-Fit Tests for Normal Distribution

Kolmogorov-Smirnov D 0.15240299 Pr > D <0.010
Cramer-von Mises W-Sq 0.82467408 Pr > W-Sq <0.005

Anderson-Darling A-Sq 4.82727322 Pr > A-Sq <0.005
Tableau : Test de Kolmogorov Smirnov de la distribution Normale
Il est clair que la distribution Gamma qui sajuste mieux notre

distribution vu quelle a une P_value >0.05. En gnral, cette loi sadapte
avec les phnomnes dordre de grandeur positive.
Pour rsumer, la loi exponentielle prise est la loi gamma, la

fonction de lien est la fonction logarithme et ce pour avoir un modle
multiplicatif, les variables explicatives sont :
Lanne de survenance : note sous SAS par
annee_surv .
Lanne de dveloppement : note sous SAS par
annee_develop .
Ainsi, et par le moyen de la procdure Genmod sur SAS, on

obtient nos paramtres et associs respectivement aux variables
explicatives prcdentes :
47
Analyse des valeurs estimes du paramtre de vraisemblance maximum

Intervalle de Khi-2
Valeur Erreur confiance de de
Paramtre DDL estime type Wald 95 % Wald Pr > Khi-2
Intercept 1 11.6095 0.6107 10.4125 12.8065 361.35 <.0001
annee_surv 1 1 -0.2819 0.4469 -1.1579 0.5940 0.40 <.0001
annee_surv 2 1 -0.4075 0.4456 -1.2809 0.4659 0.84 <.0001
annee_surv 3 1 -0.2809 0.4482 -1.1593 0.5975 0.39 <.0001
annee_surv 4 1 -0.2401 0.4467 -1.1157 0.6355 0.29 <.0001
annee_surv 5 1 -0.2701 0.4470 -1.1461 0.6059 0.37 <.0001
annee_surv 6 1 -0.2006 0.4481 -1.0789 0.6776 0.20 <.0001
annee_surv 7 1 -0.2324 0.4493 -1.1130 0.6482 0.27 <.0001
annee_surv 8 1 -0.1654 0.4511 -1.0495 0.7187 0.13 <.0001
annee_surv 9 1 -0.1096 0.4535 -0.9984 0.7792 0.06 <.0001
annee_surv 10 1 0.1155 0.4560 -0.7783 1.0093 0.06 <.0001
annee_surv 11 1 -0.0125 0.4617 -0.9175 0.8924 0.00 <.0001
annee_surv 12 1 -0.1903 0.4677 -1.1070 0.7265 0.17 <.0001
annee_surv 13 1 -0.1679 0.4747 -1.0982 0.7624 0.13 <.0001
annee_surv 14 1 -0.0826 0.4888 -1.0407 0.8755 0.03 <.0001
annee_surv 15 1 -0.0870 0.5142 -1.0948 0.9207 0.03 <.0001
annee_surv 16 0 0.0000 0.0000 0.0000 0.0000 . .
annee_develop 1 1 4.3412 0.4469 3.4652 5.2172 94.35 <.0001
annee_develop 2 1 5.4527 0.4466 4.5773 6.3280 149.06 <.0001
annee_develop 3 1 5.5548 0.4486 4.6756 6.4340 153.34 <.0001
annee_develop 4 1 5.3453 0.4491 4.4650 6.2256 141.64 <.0001
annee_develop 5 1 4.9108 0.4495 4.0299 5.7918 119.37 <.0001
annee_develop 6 1 4.4515 0.4499 3.5697 5.3333 97.89 <.0001
annee_develop 7 1 4.2434 0.4510 3.3594 5.1274 88.51 <.0001
annee_develop 8 1 3.8197 0.4534 2.9311 4.7083 70.98 <.0001
annee_develop 9 1 3.3907 0.4541 2.5007 4.2807 55.75 <.0001
annee_develop 10 1 3.1658 0.4598 2.2646 4.0669 47.41 <.0001
annee_develop 11 1 2.9810 0.4614 2.0767 3.8853 41.74 <.0001
annee_develop 12 1 2.3960 0.4610 1.4925 3.2995 27.01 <.0001
annee_develop 13 1 1.4847 0.4733 0.5570 2.4123 9.84 <.0001
annee_develop 14 1 0.2298 0.5042 -0.7583 1.2179 0.21 <.0001
annee_develop 15 1 1.2775 0.5128 0.2723 2.2826 6.21 <.0001
annee_develop 16 0 0.0000 0.0000 0.0000 0.0000 . .
Scale 1 5.7725 0.6808 4.5812 7.2736
Tableau : Paramtres de la loi Gamma

48
Ainsi, on dduit que le test de Wald rejette la nullit de tous les

paramtres de la modlisation et donc ces variables sont significatives au
seuil de 5%.
Pour le cas de la loi gamma(, ), le scale nest dautre que le 1/
tel que = (1/), ce qui revient dire que le scale est . Pour les autres lois,
le scale est .
Il est noter quon a 16 = 16 =0, pour permettre lidentifiabilit

du modle, mais aussi le logiciel SAS prend par dfaut une classe de
rfrence qui est dans notre cas lensemble des sinistres survenus la
16 anne (2014) et rgls aprs 16 ans, et dont le rglement dcumul
estim sera :
E(2014 ,16 ) = exp(intercept + 16 +16 )= exp(intercept).
Jusqu maintenant, on a obtenu la significativit des paramtres

non celle du modle. Pour ce faire, on se basera sur la statistique de la
dviance :
, , , , + , 2
D=2( - ) = 2 =1( )= =1( ) ~2

Avec :
-n est le nombre des rglements observs

-p est le nombre de paramtres du modle considr
, , , , + ,
- est le rsidu de dviance ( 2( ))

- est la log-vraisemblance du modle satur qui est parfait
et pour lequel les rglements prdits sont les mmes que les rglements
observs et qui ne dtient pas forcment les paramtres prises dans le
modle considr
- est la log-vraisemblance du modle considr.
-, le paramtre obtenu par le modle parfait.
-, le paramtre obtenu par le modle considr.
On rappelle que la fonction de densit dune loi exponentielle est

comme suit :

( , (, , (, )) + (, ; ))
(, /, ; ) = exp
Pour le cas de la loi gamma, on a : = (1/) et = (1/).
49
Ainsi, pour que le modle soit valid, il faut que :

< 2,0.95 , ou bien P_value > 0.05 (on suppose quon travaille
avec un niveau de confiance de 95%) et ce pour accepter Ho tel que :
H0 : Le modle considr p paramtres est adquat.
Dans ce cadre, on obtient la sortie suivante et ce sur le logiciel

SAS :
Critre d'valuation de l'adquation

Critre DDL Valeur Valeur/DDL
Deviance 105 21.8223 0.2078
Scaled Deviance 105 125.9150 1.1991
Pearson Chi-Square 105 21.0419 0.2003
Scaled Pearson X2 105 121.4123 1.1563
Log Likelihood -2186.8704
Full Log Likelihood -2186.8704
AIC (smaller is better) 4437.7408
AICC (smaller is better) 4458.2457
BIC (smaller is better) 4530.9458
Tableau : Sortie informant sur la statistique de la dviance

du modle
Il est noter que la valeur est le scaled Deviance et

non Deviance qui traduit . Dans notre cas, on a 136
observations et 31 paramtres (un paramtre regroupe 16 et 16 et
lintercept ce qui laisse 30 autres paramtres pour les divers variables
explicatives).
Suite cette sortie, on sest ramen au calcul de la P_value pour

avoir le droit de valider statistiquement le modle :
50
Tableau : Calcul de la P_value pour la statistique de Dviance
Etant donn quon a trouv une P_value > 0.05, alors on accepte
H0, ce qui revient dire que notre modle est statistiquement valide.
Ainsi, on peut calculer nos rglements estims et ce comme suit :
E(, ) = exp(intercept + + ), avec i=19992014 et j=1 ..16
Tableau : Calcul des rglements estims par la mthode de GLM-

Gamma
51
Vu que notre table est dcumule, il faut alors cumuler pour

obtenir nos ( ) et donc nos provisions par anne de survenance et
donc la provision totale pour le cas du modle de GLM :
Tableau : Provision Totale sous le modle

de GLM-Gamma
II.2 Mthode de Mack
Aprs avoir calcul la rserve de la branche pilote de la compagnie

et ce travers divers mthodes, il est temps de mesurer lincertitude qui
frappe le calcul de nos rserves annuelles et mme totale et ce pour
quantifier le risque de provisionnement lultime et de constituer les
intervalles de confiance permettant de cerner leur volution.
II.2.1 Test des hypothses
Comme mentionn auparavant, ce nest que la version

stochastique de la mthode de CL, ce qui sous-entend quelles ont la
mme rserve, sauf que Mack sapplique dans une optique de gestion des
risques.
Etant donn que les deux premires hypothses se sont vrifies

auparavant, alors on ne testera que la troisime tout en visualisant le
52
nuage de point (, , , ) qui ne doit prsenter aucune structure surtout

celle linaire.
Ceci a t effectu pour les diffrentes annes de dveloppement,

mais on na mentionn dans le rapport que les premires annes :
Figure : Nuage de points (, , , ) , j=0,1
53
Ainsi, Aucune structure nest prise par nos nuages de points, ce

qui ne pourra que traduire la robustesse et lexhaustivit des hypothses
de Mack permettant dincorporer linformation expliquant lvolution des
(C, ).
II.2.2 Application
En premier lieu, on calculera nos volatilits du triangle de

rglements par anne de droulement qui serviront comme outil de
calculs ultrieurs, accompagnes des coefficients de passage calculs
avec CL auparavant:
Tableau : Volatilits du triangle des rglements, j=014
Il est noter que la dernire volatilit nest pas dfinie vu quelle

ncessite linformation de lanne de droulement qui suit ce qui nest
pas disponible.
Puis, nous avons calcul les erreurs quadratiques moyennes par

anne de survenance ainsi que pour toute la rserve :
Tableau : Erreur quadratique moyenne par anne

de survenance et Totale
54
Dans le mme cadre, il est intressant de calculer une grandeur

importante dite le coefficient de variation qui est dfinit comme suit :

= , avec ( ) = ( ) et i=1999. 2014
( )
Ce coefficient renseigne sur la stabilit des rserves par anne de

survenance et mme pour la rserve totale, sil est infrieur 30% alors
on dit quil y a une stabilit de nos rserves sinon ce nest pas le cas.
Tableau : Coefficients de variation par anne de

survenance
Ainsi, on remarque quil ya une instabilit totale au niveau des

premires annes de survenance, mais avec un degr moins tout en
avanant dans les annes de survenance. Dautrepart, il ya une certaine
stabilit tendance croissante et ce partir de lanne 2008. Le plus
important cest la stabilit de la rserve totale avec un coefficient de
variation de 11%, ce qui montre que nos calculs sont dans le bon sens.
55
II.2.3 Construction des Intervalles de confiance
Dans ce cadre, deux lois sont les plus utilises pour

lapproximation de lvolution de la rserve et donc pour la constitution
des intervalles de confiance dans lassurance non vie : la loi lognormale
et normale. Cette dernire nest pas toujours souhaitable vu quelle
communique des valeurs ngatives que ceci concerne les rserves ou les
bornes des intervalles de confiance.
Il est noter quon justifiera notre choix de ces deux lois dans le
chapitre de Bootstrap, tout en passant par les tests de QQ_Plot et de
Kolmogorov Smirnov. Ces distributions sont indispensables vu que Mack
ne donne que les moments dordre 1 et 2 et non pas la distribution de la
rserve.
II.2.3.1 Distribution normale de la rserve :
Dans un premier lieu, on supposera une volution normale des

rserves, ce qui veut dire que lintervalle de confiance sera de la forme
suivante :
95% ( )= [ 1.96 ( ) ]
56
Tableau : Intervalles de Confiance selon la loi normale
II.2.3.2 Distribution lognormale de la rserve :
Dans ce cas l, on constituera des intervalles de confiance estims

tout en se basant sur la proprit de la loi lognormale mentionne dans
lannexe C.
Si on suppose que la rserve suit une loi lognormale de

paramtres et ( ) 2 , alors ln( ) suit une normale de paramtres
et 2 . Lobjectif tant de calculer ces deux derniers paramtres
suivant le systme de lannexe C, on obtient ainsi :
2
= ln( ) -
2
(
2 = ln 1+(
( ) 2

) )
Du coup, lintervalle de confiance de ln( ) est comme suit :
95% (ln( ))= [ 1.96 ]
57
Ainsi, on a tous les ingrdients pour calculer lintervalle de

confiance estim de notre rserve:
95% ( )= 95% (exp

(ln ( 1.96 )]
( )))= [exp
Tableau : Intervalles de Confiance selon la loi lognormale
II.2.3.3 Comparaison des rsultats :
Suite aux rsultats obtenus, on remarque que les intervalles de

confiance communiqus par la loi lognormale sont plus fiables,
raisonnables et prcis surtout que la loi normale nous donne quelques
intervalles dans lesquelles les bornes infrieures sont ngatives ce qui
nest pas le cas des rserves de la branche pilote de la compagnie.
58
II.3 Application de Bootstrap
Comme mentionn dans la mthode de Mack, nous aurons besoin

de vrifier lhypothse stipulant que les rglements sont bien ajusts par
la loi Lognormale et Normale.
On va appliquer la mthode de Bootstrap sur le modle Gamma qui est
lu comme meilleur mthode sajustant notre branche pilote. Nous
aurons besoin dans un premier temps des rglements non cumuls estims
par le modle de Gamma :
Tableau : Rglements estims non cumuls par anne de survenance et

anne de dveloppement
A partir du tableau ci-dessus et la formule mentionn dans le

cadre thorique des rsidus de Pearson, nous avons calcul ces derniers
comme suit :
59
Tableau : les rsidus de Pearson par anne de survenance et de

dveloppement
Les rsidus 2014,0 et 1999,15 sont nuls par construction, donc ces
observations ne sont pas indpendantes, ils seront omis dans lchantillon
du tirage.
Nous avons ensuite procd une distribution avec remise de ces

rsidus grce Excel. On a class sur chaque ligne des rsidus
bootstrapps ;
60
Tableau : Extrait du tableau des rsidus r-

chantillonns par ligne
Puis, on a pass simuler les triangles des chargements

dcumuls bootstrapps. Chaque ligne traduit une itration quil suffit de
positionner pour obtenir notre triangle simul dcumul Bootstrapp.
61
Tableau : Extrait du tableau des chargements bootstrapps

dcumuls
Le nombre de lignes du tableau des chargements bootstrapps,

dont le tableau prcdent nest quun extrait, est le nombre ditrations
qui est de mille dans notre cas.
Il est noter que dans nos simulations, il ya des rglements

caduc vu que le r-chantillonnage des rsidus engendre des situations
pour lesquelles les rglements bootstrapps sont ngatives, et donc on est
oblig de les remplacer par des zros pour se placer dans le cadre du
provisionnement.
Ainsi, on a plac ces lignes sous forme de triangles bootstrapps

quon a cumul puis calcul les provisions totales comme le montre
lextrait du tableau suivant :
62
Tableau: Extrait du Bootstrapping des

provisions sous le modle de Gamma
Ainsi, il y a des scnarios pour lesquels les rserves sont

suprieurs celle obtenue par la mthode Glm-Gamma, dautre le
contraire, ce qui permet denrichir notre tude et de la rendre plus
exhaustive.
Dans le cadre de notre projet, notamment dans le modle de

Mack, nous nous sommes intresss loi normale et lognormale pour
construire nos intervalles confiance. Pour ce faire, il est indispensable de
vrifier si la distribution des rserves est ajustable par ces lois ou pas.
Ainsi, on a commenc par le traage de lvolution de notre distribution
de rserves et ce travers un histogramme accompagns de lvolution de
ces deux lois :
63
Distribution selon la loi normal

30
25
20
Percent
15
10
0
275000000 325000000 375000000 425000000 475000000 525000000 575000000 625000000
reserves
Figure : Distribution des rserves selon la loi normale
Distribution selon la loi lognormal

30
25
20
Percent
15
10
0
275000000 325000000 375000000 425000000 475000000 525000000 575000000 625000000
reserves
Figure : Distribution des rserves selon la loi lognormale
Nous avons procd dans un premier temps des Q-Q plots que
nous validerons grce au Statistiques de Kolmogorov-Smirnov :
64

650000000
600000000
550000000
500000000
reserves
450000000
400000000
350000000
300000000
250000000
-4 -3 -2 -1 0 1 2 3 4
Normal Quantiles
Distribution selon la loi lognormal

650000000
600000000
550000000
500000000
reserves
450000000
400000000
350000000
300000000
250000000
0.6 0.8 1.0 1.2 1.4 1.6 1.8

Lognormal Quantiles (Sigma=0.155933)
Figure : Illustration des QQ_Plots de la rserve selon les lois

normale et lognormale.
65
Pour mieux apprcier le modle privilgier, nous nous sommes

bass sur la statistique de Kolmogorov-Smirnov qui donne les rsultats
suivant :
Figure : Test de Kolmogorov-Smirnov de la

distribution normale
Figure : Test de Kolmogorov-Smirnov de la

distribution lognormale
Il est clair que la statistique de Kolmogorov-Smirnov confirme les

rsultats obtenus par les Q-Q plots et les histogrammes. Ainsi, les deux
lois ajustent la distribution des rserves malgr que les intervalles de
confiance selon la loi lognormale soient plus fiables, prcis et rationnels.
II.4 Branches longues : Mthodes pour estimer le tail factor
Les mthodes de provisionnement prsentes jusquici ne sont

pas suffisantes pour lestimation des charges finales et donc des
provisions pour les branches droulement long. Elles permettent
uniquement destimer les paiements cumuls jusqu la dernire anne de
dveloppement n du triangle.il est ncessaire davoir recours une
estimation des facteurs de queue de dveloppement pour estimer la
charge lultime.
66
II.4.1 Extrapolation des facteurs de dveloppement
Dans cette mthode, les facteurs sont extrapols par lutilisation

de lois permettant lajustement des facteurs de dveloppement et ainsi
lestimation des facteurs pour les annes de dveloppement j > n.
Quatre lois sont habituellement utilises : exponentielle,

puissance, puissance inverse et Weibull.
Tableau : Les trois lois principalement utilises pour

lajustement des facteurs de dveloppement
Ainsi, on commence par une extrapolation linaire par la loi

exponentielle des facteurs de dveloppement pour la mthode de CL pour
assurer lhypothse de lextinction de la charge, Pour mettre en pratique
la mthode du tail factor, nous avons fait lhypothse que la clture du
triangle aurait lieu ds lors que le coefficient de passage serait infrieur
ou gal 1,00001.
Tableau : Extrapolation des

facteurs de dveloppement par la
67
loi exponentielle
Applique sur nos donnes, lextrapolation exponentielle nous

donne une estimation des coefficients qui semble passer en dessous du
seuil de 1,000001 au bout de vingt-sept annes, lintroduction des
facteurs de queue influence la rserve totale, puisque la nouvelle rserve
vaut 411 851 924,54 DHS.
Voici la reprsentation des coefficients issus de la mthode

Chain-Ladder dune part, et de ceux dtermins par extrapolation
exponentielle dautre part, que nous avons obtenus :
Figure : Coefficients de Chain Ladder et leur

extrapolation
II.4.2 Extrapolation des paramtres des annes de dveloppement
Dans le cadre des modles GLM, le passage dune anne de

dveloppement lautre est reprsent par les paramtres ( ) (voir le
cadre pratique du modle GLM). Ce sont donc ces coefficients quil faut
chercher extrapoler. Au regard de ces coefficients, on peut observer une
relation linaire entre ces derniers et les annes de droulement. Une
rgression linaire simple de type = + semble donc bien adapte
lajustement des( ) ; ils seront donc estims ainsi pour j > n.
Thoriquement, la clture dun triangle de liquidation se traduit

par le fait que les incrments de paiements de chaque anne de
68
droulement sont nuls (ainsi, les paiements cumuls restent constants).

Dans cette application, nous faisons lhypothse que le dveloppement est
termin ds lors que la moyenne des incrments associs lanne de
dveloppement j est infrieure 1. En effet, le modle ne permettant pas
davoir des incrments nuls (car ils sexpriment comme une
exponentielle), nous avons fix le seuil lentier positif le plus proche de
0. Il faut donc estimer les paramtres jusqu cette date.
Voici la reprsentation des paramtres reprsentant leffet des

annes de dveloppement issus de la mthode GLM dune part, et de
ceux dtermins par extrapolation linaire dautre part, que nous avons
obtenue :
Figure : Paramtres de dveloppements et leur

extrapolation
Pratiquement, lextrapolation est effectue comme suit :
69
Tableau : Extrait du tableau

dextrapolation des coefficients des
annes de dveloppement
Lextrapolation nous a conduit ce que les sinistres sont

entirement rgls aprs 33 ans vu que la moyenne des rglements par
anne de dveloppement est devenue infrieur 1 comme le montre le
tableau suivant :
Tableau : extrapolation des facteurs de dveloppement GLM
70
Finalement, en tenant compte de lextrapolation et donc en

considrant que les sinistres sont entirement rgls aprs 33 ans, le
montant estim des rserves est de 410 297 059,43 DH. La diffrence
relative des rserves par rapport celles obtenues par la mthode GLM
sans calcul du Tail factor est de 0,004352%.
II.5 Choix du modle optimal de provisionnement

II.5.1 Rcapitulatif sur les rsultats des mthodes utilises
Nous avons jusque-l voqu et appliqu plusieurs mthodes de

provisionnement stochastiques et dterministes, mais sur un seul et mme
triangle. Nous avons remarqu quelles naboutissent pas aux mmes
montants de rserves nales.
Rserves par diffrents mthodes de la Branche

AT
478 214 679,84

409 188 852,50 410 255 086,91
387 613 801,98
Chain Ladder London chain taylor Glm(Gamma)
Figure : Diagramme comparatif des rserves des diffrentes mthodes sans

Tail Factor
Au regard du diagramme comparatif, la mthode qui frappe aux

yeux est celle de Taylor vu quelle procure un montant plus lev de
rserves. Le provisionnement est dit plus "prudent", mais ce nest
nullement un indice de qualit du modle puisquun sur-provisionnement
rete une mauvaise gestion des ressources nancires face au risque.
71
II.5.2 Application des critres de choix du modle
Cest ainsi quon a propos la mthode par sous triangle pour

trancher dans la mthode la plus convenable pour la branche pilote et
surtout apporter une nouvelle mthode lorganisme daccueil.
Cette mthode met en vidence lerreur destimation des

provisions faites dans le pass de chacune des mthodes par rapport aux
vraies valeurs observes dans le pass. Il sut pour cela de prendre un
sous-triangle qui, complt, reste inclus dans le triangle de base. La
mthode la plus adapte au triangle sera celle qui fournira la somme des
carrs des erreurs minimale. Pour amliorer cet outil de comparaison,
nous ne choisirons pas quun sous-triangle mais tous les sous-triangles

possibles du triangle de dpart, au nombre de [(I J)/2] 1. Ainsi, pour
chacune des mthodes, la somme des carrs des erreurs se calcule comme
suit :
[min , /2]
SSE= =2 =2 = +1( , , )2
Lillustration graphique des calculs effectus est dans la figure

suivante :
Figure : Mthode par sous triangle
Suite aux diffrents calculs effectus, on a obtenu les diffrents

SSE des mthodes nonces avant :
72
Tableau : Choix de la mthode par SSE
Par consquent, la mthode qui semble approprie notre

branche pilote est celle de GLM (Gamma). Ainsi, la rserve totale de
notre Branche est :
R= 410 255 086,91 Dhs
Il est noter que le calcul de la BE se fera travers la mthode de

GLM Gamma vu quelle est lue comme meilleure mthode de calcul de
provisionnement.
Chapitre III : Actualisation
III.1 Sous Solvabilit I
Avant lentre en vigueur de la Solvabilit II, on ne travaillait en

provisionnement quavec la rserve totale pour les annes de survenance
agrges, et donc lactualisation des flux futurs a t interdite par
prudence.
III.2 Avec la nouvelle rglementation de Solvabilit II
Sous la directive de la Solvabilit II, ltape de lactualisation est

devenue indispensable au calcul de la BE comme tant la valeur actuelle
probable des flux futurs et ce pour veiller sur le calcul la valeur de
march du bilan de la compagnie.
III.3 Application sur le calcul de la BE
Pour dterminer la provision BE, il suffit de sommer les

diagonales de paiement obtenues par la mthode par sous triangles (Glm-
73
Gamma pour notre cas), du triangle dcumul. Ensuite, il sagit

dactualiser ces flux futurs avec les taux zro coupon.
Ainsi, si on suppose la somme des paiements futurs effectus

la anne calendaire, et r(0,k) le taux zro coupon dchance k tir
de la courbe des taux zro coupon, alors le BE de notre rserve est
comme suit :

BE= = +2 (1+ 0, ) , avec:
-n-i+2 renseigne sur la diagonale qui suit celle principale du

triangle de paiements dcumuls (i=2n).
- traduit la dernire diagonale de notre triangle, pour notre cas,

cest la 29 diagonale
En appliquant ceci sur la branche pilote de la compagnie, tout en

se basant sur le triangle des paiements obtenus par le modle Glm
Gamma vu auparavant, on obtient les rsultats suivants :
Tableau : Calcul du BE selon partir de la

mthode GLM-Gamma
Ainsi, on a obtenu la BE de notre rserve, respectant les conditions

de la directive de la Solvabilit II, dune valeur : 354 286 668.73 DHS
74
Partie IV. Le risque de provisionnement dans le cadre du SCR
Partie IV : Le risque de provisionnement dans le cadre du SCR
Chapitre I : Dfinition du risque de provisionnement un an et SCR
I.1 Pourquoi changer dhorizon ?
Dans ce cadre, lhorizon de notre travail est rduit en un an du fait

que si la compagnie nest pas solvable sur un horizon dun an, a fortiori
elle ne le sera pas sur un horizon plus long terme. Par ailleurs, de
nombreuses dcisions (daugmentation de tarif par exemple), actions,
projets (mise en place de nouveaux produits) sont tablis sur un horizon
de court et moyen terme (exigences des actionnaires court terme). La
compagnie se doit galement de maintenir sa performance court terme
du fait de limpact quelle a sur sa rputation et sur sa solidit financire.
Cet horizon temporel est donc essentiel ltude de la solvabilit dune
compagnie.
Toutefois, le positionnement sur un horizon dun an a reu de

nombreuses critiques de la part des professionnels, eu gard aux
engagements longs termes dun assureur.
Avant daborder notre tude, il est noter quon a quantifi avant

cette tache lerreur de provisionnement lultime traduisant limpact de
la volatilit au niveau du calcul de la rserve sur le bilan de la
compagnie, c'est--dire de combien peut fluctuer la valeur estime de la
charge finale prvisible par rapport la vrai valeur. Ce risque a t abord
par Mack et Bootstrap dans ce qui prcde.
I.2 Dfinition formelle de ce risque
Dautre part, le risque de provisionnement en un an traduit la

dviation dfavorable de la charge finale prvisible sachant quon dtient

linformation jusqu lanne calendaire et actuelle n : , par rapport
+1
la CFP sachant quon dtient linformation jusqu (n+1) , .Il est
noter que pour notre cas, lanne calendaire actuelle n est 2014. Ainsi,
cet cart est appel CDR (Claim Development Result) pour lanne
calendaire [n,n+1]. Ce qui revient dire que le risque de provisionnement
un an est la variance ou la volatilit du CDR.
Cest ainsi quon cherche tudier la fluctuation possible du CDR

observable autour du 0. Cette possible fluctuation se mesure par :
75
Msep(0) = E[( n + 1 0) 2 /D]

+1 2
= E[(, , ) /D]
+1
= E[( ( + Zi,ni+1 )) 2 /D]
Avec -D est linformation dont on dispose du tringle des

rglements cumuls, do D = {, ; i+ j n ; 1 i, j n}
-Zi,ni+1 : le paiement effectu lanne calendaire [n, n+1]
pour les sinistres survenus i.
Il est noter quen gnral le CDR nest observable quen n+1

pour lanne comptable [n,n+1]. On prdit sa valeur la date n par
E[ n + 1 /D]=0.
Le montant CDR(n+1) traduit le boni-mali observable dans le

compte de rsultats de la branche pilote de la compagnie tout en ayant un
impact direct sur le rsultat de lanne n+1.
Les boni- mali sont dfinis comme le gain (perte) li au sur-
provisionnement (respectivement sous-provisionnement) lors du passage
dune anne calendaire lanne suivante. On parle de :
-boni si pour lanne de survenance i : n + 1 >0.
- et donc mali si n + 1 <0.
Si lestimation de la CFP ou bien de la rserve est au plus juste

lanne calendaire actuelle alors, la compagnie a autant de chance de faire
un boni quun mali. Mais de combien lesprance de lcart entre les CFP
des deux annes calendaires successives peut scarter du zro ; cest
lobjet du modle de Merz &Wuthrich.
I.3 Formule standard- Modle interne (SCR)
Dans ce cadre, le SCR peut tre obtenu soit par une formule
applicable toutes les compagnies ou par llaboration dun modle
interne la compagnie. Lavantage de ce dernier est le fait quil est plus
adapt aux risques auxquels la compagnie est soumise.
Quelque soit le modle quon adoptera, lobjectif est la
constitution dun niveau de fonds propres ou de capital pour lequel il ya
99.5% de chance quil ne soit dpass.
76
I.3.1 Formule standard
Lobjectif de la formule standard du SCR est de fournir une

mthode de calcul prenant en considration tous les risques auxquels les
compagnies dassurance sont susceptibles dtre soumises.
I.3.2 Modle interne
Lobjectif de ce modle est de calculer lexigence des fonds

propres le plus fidlement possible aux risques auxquels la compagnie est
soumise.
I.3.3 Choix du modle
Etant donn que le modle interne ncessite lapprobation de la

tutelle(DAPS), et vu que la directive de la Solvabilit II nest pas encore
mise en vigueur au Maroc, alors on est amen passer par un modle
standard. De plus, on ne traitera pas tous les risques auxquels la
compagnie est soumise, tout en se limitant sur le risque de
provisionnement, ce qui laisse le modle standard plus pratique et
accessible.
Chapitre II : CDR selon Merz & Wuthrich

II.1. Principe de la mthode
Suivant le mme principe que Mack, Merz &Wuthrich ont quantifi

la volatilit du CDR et ont montr que :
0 ( (+1)/) = Var( ( + 1) /) + ( + 1) ( (+1)/)
Erreur processus Erreur destimation
Tel que :
( + 1) ( (+1)/) = E[( ( + 1) n + 1 ) 2 /D]
77
Ainsi, Merz & Wuthrich ont estim cette formule comme suit :
2 2 2
0 ( (+1)/) = , .[( 2 ) + (( 2 )+
, Snni
1 2 , 2 1 1
2
= +1( / ).( +1 ) .( +

)]
,
Tel que :
1
= ,
=0
Il est noter que si on avait les vraies valeurs des facteurs de

dveloppement de CL, on aurait :
E[ n + 1 /D]=0.
Cest pour cela quon adopte cette estimation, par hypothse, dans
le modle de M&W.
On dfinit, dans le mme cadre, 2 comme tant la volatilit du

triangle par anne de dveloppement j :
1 , +1
2 = ( )( =1 , ( )2 ) pour j 2;
1 ,
Pour j=n-1, nous disposons dune seule observation, de plus il faut

sassurer quil y ait une stabilit des rglements tout en sapprochant de la
21 22
clture des sinistres : = ; ceci revient prendre :
22 23
2 4 2
1 =min ( , 22 , 23 )
2 3
78
En ce qui concerne les estimateurs des msep pour les annes de

survenance agrges, on a :

0 ( =2 (+1)/ ) = =2 0 ((+1)/) +
1 2 2 , 2 1 1
2.[ >>1 , * , ( = +1( / ).( +1 ) .( , + )+

2 , 2
( )+( )*( ))]

+1
2 2
Sn+1
ni S nn i
Ces volatilits par annes de survenance ou mme agrges

servent principalement traduire respectivement le comportement des
et CDR sans donner leur distribution, ce qui laisse cette mthode
paramtrique comme Mack.
Ainsi, les moments dordre 1 et 2 peuvent servir comme

paramtres de la loi de distribution des CDR. La loi la plus utilise pour
simuler la fluctuation des CDR autour de zro est la loi normale (on
montrera ceci travers le Bootstrap modifi). Du coup, on peut calculer
leurs intervalles de confiance et ce pour cerner leur comportement par
anne de survenance ou mme agrges.
II.2. Comparaison aux rsultats de Mack
Il sera intressant de comparer la formule obtenue par M&W de

lerreur quadratique moyenne celle de Mack. Rappelons brivement les
deux formules :
-Mack a propos :
2 2 2 2
Msep( ) = , . 1 2
=+1 ( / * , )+ , .
1 2
=+1( / ( =1 , ))
-M&W quand eux ont propos :
2 2 2
0 ( (+1)/) = , .[( 2 ) + (( 2 )+
, Snni
2
1
( 2 / ).( , )2 .( 1 +
1
)]
= +1 +1
,
79
Dans la dernire formule, seul le premier terme de la diagonale

principale (n-i) concernant lerreur de processus de Mack est maintenue.
Concernant lerreur destimation, elle est galement maintenue pour la
diagonale (n-i), mais toutes les diagonales ultrieures (c'est--dire jn-
i+1) sont crases par le facteur :
, 2
( ) 1
+1
II.3.Critiques de M&W
Les formules pour estimer la volatilit des CDR de M&W

reposent sur la mthode de Mack. Il faut donc que les triangles de
paiements satisfassent les hypothses de cette mthode.
La mthode de M&W donne une valuation analytique du risque

de provisionnement un an sans aucune distribution des CDR. De plus,
elle ne prend pas en considration le facteur de queue qui stipule la prise
en considration du faite que les sinistres ne sont pas clos la fin du
triangle de liquidation.
Enfin, lestimation de M&W repose sur lapproximation

=1 1 + = 1 + =1 Ou 1
2
Dans le cas de M&W, il faut quil y ait 2 <<1, du coup il
,
faut vrifier pratiquement cette condition avant dadopter les formules de
M&W prcdentes.
II.4.Application
Avant dappliquer la formule de M&W pour le calcul des erreurs

quadratiques moyennes, il est important de vrifier la condition dusage
de la formule approche de M&W qui stipule que :
2
= 2 1 , avec i=015
,
Tableau : Calcul des rapports a(j), j=014
80
Il est clair que la condition est vrifie pour avoir la possibilit

dutiliser la formule de M&W. La 16 valeur nexiste pas vu que les
coefficients de CL et 2 ne sont pas dfinies pour la dernire anne de
droulement (voir mthode de Mack). En se basant sur ces dernires
valeurs, on calcule les erreurs quadratiques moyennes pour les CDR par
anne de survenance ainsi que le CDR totale et ce comme suit :
Tableau : Erreur quadratique moyenne par

anne de survenance et Totale
Dans le mme cadre, on calculera les coefficients de variations

renseignant sur la stabilit des rserves un an ainsi que les coefficients
de variation relatifs dont lexpression est comme suit :
&
Coef_relatif = ;

Limplmentation de tout ceci est comme suit :
81
Tableau : Calcul des coefficients de variations de M&W et ceux par

rapport Mack par anne de survenance et totale.
De mme qu lultime (Mack), on remarque quil ya une

instabilit un an des rserves surtout pour les premires annes de
survenance. Mais cette fois, la stabilit commence partir de 2003 sans
quil y a une tendance croissante. Le plus important cest la stabilit de la
rserve totale lhorizon dun an et ce avec un coefficient de 7.35%.
Dautrepart, on remarque que la part de la volatilit un an de

celle lultime est importante, et ce pour toutes les annes de survenance
et mme agrges. Par exemple, une part de 69,42% traduit que si on
arrive maitriser la volatilit de notre rserve ou bien le risque de
provisionnement pour un horizon dun an, on est sr 69,42% quon
maitrisera le risque de provisionnement lultime, ce qui constitue une
donne importante permettant de clarifier la vision lultime et ce partir
de lanne calendaire actuelle.
Pour finir, il sera intressant de cerner le comportement des CDR

par anne de survenance et mme pour le CDR de toutes les annes,
surtout que le modle de M&W ne communique pas une distribution des
CDR. Pour ce faire, on construira des intervalles de confiance avec la loi
normale qui, comme on le verra dans la partie de Bootstrap modifi,
ajuste mieux lvolution des CDR. La forme de ces intervalles de
confiance est comme suit :
82
95% ( )= [ 1.96 CDRi (0) ], avec : CDRi (0)= (0)
Cette formule est justifie car E[ n + 1 /D]=0 , qui est une

hypothse dans le modle de M&W.
Tableau : Intervalles de confiances, selon la loi normale, des CDR.
Chapitre III : Simulation de la diagonale de paiement
Lobjectif de ce chapitre est de parvenir constituer une

distribution des CDR empirique et ce pour remdier la lacune de M&W,
ainsi que calculer notre CSR.
III.1 Principe
Lvaluation empirique des CDR se ralise en quatre tapes :
1. Provision douverture : Il nous faut tout dabord dterminer la

provision Best Estimate douverture de lanne calendaire n, partir
de linformation disponible la date n (triangle suprieur). A cet effet,
nous appliquons une mthode
M que lon pourra excuter de manire rpte lors des simulations.
83
2. Simulation de nouveaux paiements : Cette deuxime tape

consiste gnrer des paiements pour la nouvelle diagonale , +1
i = 1 n. Pour ce faire, nous simulons selon la mthode de bootstrap
modifie, conditionnellement aux donnes observes dans le triangle
suprieur
3. Provision de clture : Une fois cette nouvelle diagonale

simule, nous sommes en possession dune nouvelle information. Nous
appliquons alors, pour chaque simulation, la mthode choisie M en tenant
compte de cette nouvelle information disponible afin dobtenir la
provision de fin danne n : +1 .
4. Distribution : Finalement, partir de N simulations, on obtient

N valeurs de CDR, ce qui permet den dterminer une distribution
empirique, et den dduire
des percentiles (Var, et plus particulirement 99,5% celle qui nous
intresse dans le cadre de Solvabilit II pour calculer notre CSR).
Figure : Illustration dune itration de la simulation de la diagonale suivante des

paiements (tape 2 et 3)
Il est noter quon choisira la mthode de Chain Ladder pour M.

Etant donn que dans notre cas on a trouv que la mthode de GLM est
celle qui sajuste le mieux au calcul de la Best Estimate, alors nos
rglements estims, servant pour dduire les rsidus de Pearson r-
chantillonner, seront calculs par GLM (Gamma).
84
III.2 Simulation par Bootstrap modifie un an
III.2.1 Principe
Dans ltape2, le bootstrapping modifi ou la simulation de la

diagonale de paiement est comme suit :
Boucle sur N simulations :
1. Application des tapes de la mthode classique du Bootstrap ;
2. Conservation de la diagonale des incrments de lanne

calendaire [n, n+1] obtenue par la mthode du Bootstrap
3. Concatnation des incrments du triangle observ la date n et

de la diagonale obtenue ltape prcdente
4. Calcul du triangle des paiements cumuls
5. Calcul des sur le triangle obtenu grce la nouvelle

information disponible et calcul de +1 +[, +1] , o [, +1] =

=1 , +1 ou bien +1 .
6. Calcul des CDR.
Pour notre cas, on a simul les CDR 1000 fois tout en obtenant
une distribution empirique qui stagne partir dun certain rang et qui est
proche dune normale comme prvu (le test de Kolmogorov-Smirnov est
indispensable pour juger de la qualit de lajustement par cette loi).
III.2.2 Application
Tout dabord on commencera par lapplication de la mthode

classique de Bootstrap. Ainsi, on a calcul notre diagonale de paiements,
sous forme dincrments, associ lanne calendaire n+1, qui concide
dans notre cas avec 2015, et qui sera simule.
85
Puis, tout en se basant sur les rglements estims selon Glm-

Gamma, associs au triangle suprieur mais aussi lanne calendaire 2015,
on a constitu nos rsidus de Pearson servant principalement au r-
chantillonnage et ce pour obtenir nos rglements bootstrapps.
Tableau : Rsidus de Pearson jusqu lanne calendaire 2015
On remarque quil ya des rsidus de Pearson associ lanne

calendaire 2015 vu que notre objectif principal est disoler les incrments
des rglements bootstrapps associs cette anne calendaire aprs r-
chantillonnage.
Pour notre cas et comme mentionn au dbut, on a simul 1000

fois et ce pour obtenir une distribution exhaustive et sapprocher de plus
en plus de la vraie valeur de notre SCR.
86
Tableau : Extrait des 1000 itrations des rglements bootstrapps
Les premires remarques tirer sont les suivantes :

-Il existe des rglements nuls, ceci est du au faite que notre r-
chantillonnage induit des valeurs ngatives des rglements bootstrapps
ce qui nous amne les annuler pour se placer dans le cadre rationnel de
Provisionnement.
-Le nombre des rglements bootstrapps par simulation nest que de 15,
ce qui est logique vu que notre diagonale de paiements de lanne 2015
est prive des rglements des sinistres de 2015 (c'est--dire le dernier
terme de la diagonale n+1) qui ne sont disponible sachant linformation
quon dtient jusqu 2014.
Ltape la plus importante est la constitution des 1000 triangles

des incrments de rglements contenant chacun le triangle de liquidation
de dpart et les rglements bootstrapps superposs au niveau de la
diagonale de lanne calendaire 2015 et ce pour chaque simulation. Puis
on cumulera ces triangles pour lesquels on calculera les coefficients de
passage ainsi que les chargements cumuls des annes calendaires
87
ultrieures pour but de calculer les diffrentes valeurs des +1 .Le

tableau suivant traduit une itration rsumant lopration venant dtre
mentionne.
Tableau : Simulation du calcul de la 2015 , i=1.1000
Il est noter que le calcul de la 2014 se fait de manire

usuelle, tout en se basant sur le triangle de rglements cumuls de base sur
lequel on appliquera la mthode de CL (voir mthode de Chain Ladder
dans la partie III).
Ainsi, on a tous les ingrdients pour calculer le CDR, observable

en 2015, et ce pour chaque itration selon la formule suivante :
= 2015 2014
88
Tableau : Extrait du vecteur des ,

i=1..1000
Il est usuel que pour des scnarios on obtient des malis ( <0)
et dautres des bonis ( > 0).
Pour clturer cette partie, il est important de tester le

comportement normal des sur lequel on sest bas pour constituer
les intervalles de confiance de ces derniers dans le modle de M&W.
Pour ce faire, on a effectu son QQ_Plot ainsi que le test de

Kolmogorov-Smirnov pour sassurer de notre approximation comme le
montre les figures suivantes :
89

100000000
50000000
0
CDR
-50000000
-100000000
-150000000
-4 -3 -2 -1 0 1 2 3 4
Normal Quantiles
Figure : test de QQ_Plot de normalit des ,

i=11000
Tableau : test de Kolmogorov- Smirnov de normalit

des , i=11000
Suite ces rsultats, le choix de lapproximation par la loi normale

des CDR i est justifi.
Ainsi, on a trac lvolution des CDR i empirique et celle

thorique selon la loi normale tout en sassurant de la fiabilit des
intervalles de confiance de M&W. Pour ce faire, on a dgag le
pourcentage des CDR i inclus dans ces intervalles comme le montre le
graphe suivant :
90
I.C selon M&W (97,1% des CDR simuls)
Figure : Lapproximation normale de lvolution empirique des

,i=1.1000
Une part de 97.1% ne peut que traduire la fiabilit, prcision ainsi que
rationalit des intervalles de confiance. Linterprtation dire cest quil
ya 97,1% de chance que le boni-mali qui frappera les comptes de
rsultats de la compagnie lanne calendaire [2014,2015] serait inclu
dans lintervalle de confiance calcul par M&W, et ce pour la branche
pilote.
Chapitre IV : Calcul du SCR et de la Marge de risque
IV.1 Calcul du SCR
Aprs llaboration des modles prcdents (c'est--dire M&W et

Bootstrap modifi), on a tous les ingrdients pour calculer le SCR et ce
dans le cadre du modle standard :
- CSR= 99,5% (-CDR) = 99,5% (R-CDR)-R

(Proprit dune mesure de risque).
91
Par application de cette formule notre distribution obtenue selon

la mthode de Bootstrap modifie, on a obtenu le rsultat suivant :
Tableau : Statistiques descriptives de

lvolution des (- ), i=11000
Ainsi, on dduit que le SCR adquat pour la branche pilote de la

compagnie est : 88 708 793.60 DHS.
IV.2 Calcul de la MR
Notre choix est tomb sur lapproche du cout de capital qui
stipule que la MR se calcule comme suit :
1 2
MR=CoC*( (0) + 0 2 + . + 0 )
1+1 1+2 1+
Avec :
-CoC: le cout de capital qui est le taux de rendement

quexige les investisseurs pour insrer les fonds propres dans la
compagnie et ce pour se priver dinvestir au march. De manire gnral,
il est de 6%. Il ne faut oublier que la MR est destine couvrir les
provisions de la compagnie et donc ddie aux assurs.
(0)
- : taux dintrt associ lanne calendaire i et tir de
la courbe zro coupon.
-T traduit lhorizon de liquidation ou dextinction des

engagements de lassureur.
-Les CSR sont calculs jusqu lhorizon de liquidation de la

compagnie de son portefeuille, ce qui laisse lapplication de cette
mthode approximative de la valeur relle de la MR.
92
Figure : Illustration de la mthode du cout de Capital pour la

dtermination de la MR.
Il est noter que pour notre cas, on supposera lextinction des

SCR jusqu la dernire anne calendaire du triangle de liquidation, c'est-
-dire aprs 15 ans de notre anne comptable.
Dautrepart, le calcul des SCR futurs sest effectu tout en se

basant sur lapproximation par utilisation de la proportionnalit avec le
BE, et ce selon la formule suivante :
SCR 0
SCR i = ( )* BEi
BE 0
Ou SCR 0 traduit le SCR calcul en i=0. Il sagit pour notre cas de

lanne calendaire [2014,2015]. Tandis que le BE0 est le BE calcul en 0
et BEi est le BE de lanne calendaire i (il sagit du flux futur de
lanne i).
Par consquent, la formule finale de la MR appliquer est la

suivante :
SCR 0 BE i
MR= 6%. ( ). 1 (0) i
BE 0 (1+ )
93
Tableau : Dmarche de calcul de la MR par la mthode du Cout de

Capital
Ainsi, on dduit que la valeur de la MR selon la mthode du cout

de Capital est de 10 365 238.62 DHS, ce qui constitue une part de 2.93%
de notre BE.
Cette grandeur sjoute celles calcules auparavant (BE et SCR)

pour complter le passif de la compagnie dassurance respectant la
vision de la Solvabilit II et ce pour la branche pilote.
94
Conclusion gnrale :
Solvency II constitue un tournant pour les compagnies

dassurance, qui commencent ne pas se limiter sur la prudence procure
par le systme dterministe tout en se rfrant la prudence et
lexhaustivit des modles stochastiques permettant aux assureurs de
prvoir les scnarios les plus dfavorables menaant leur solvabilit et
prennit lultime ainsi quau cours dun an.
Le pilier I de cette nouvelle directive a apport des exigences

quantitatives pour les assurances, notamment en termes des provisions
techniques et fonds pour permettre lassureur dhonorer ses
engagements vis--vis de ses assurs. Les modles stochastiques utiliss
dans ce qui prcde sont conformes ces exigences surtout quils visent
la dtermination des intervalles de confiance dlimitant et la rserve
constitue et le CDR traduisant le boni-mali pouvant impact le compte
des rsultats de la compagnie pendant lanne calendaire actuelle.
Au final, et dans le cadre du nouveau rfrentiel de Solvabilit,

on est parvenu la constitution de la rserve dicte par le modle GLM,
considre comme la mthode la plus accommode la branche pilote de
la compagnie, ainsi que sa marge de risque correspondante sans oublier
le CSR permettant de faire face au risque de ruine 99.5 % de confiance ,
ce qui est considr comme niveau acceptable par lassureur.
95
Bibliographie
Ouvrages :
-ARNAUD LACOURNE [2009] Risque de rserve sous Solvabilit II
-M. DENUIT, A.CHARPENTIER [2005] Mathmatiques de lassurance non-

vie, Tarification et provisionnement, Tome 2. Economica.
Mmoires dActuariat :
-MARIE LOUIS [2010] : Evaluation des provisions techniques non-vie

dans le contexte de Solvabilit II , Mmoire FSEG Strasbourg.
-ILAN HABIB, STEPHANE RIBAN [2012] : Quelle mthode de

provisionnement pour des engagements non-vie dans Solvabilit II ,
Mmoire ENSAE ParisTech.
-Y.ZAKI [2014] : Evaluation conomique des provisions pour sinistres

payer sous la rfrentiel Solvabilit II , Mmoire INSEA.
Sites internet
-Site de la FMSAR (Fdration Marocaine des Socits dAssurance et

de Rassurance) : http://www.fmsar.org.ma/
-Site de Ressources actuarielles : http://www.ressources-actuarielles.net/
96
Annexes :
Annexe A : Prsentation du secteur et de lorganisme daccueil
Aperu sur le secteur Assurantiel
Le secteur marocain de lassurance connat une tendance haussire

qui lui a permis dtre le plus mature au Maghreb selon lagence de
notation internationale Standard and Poors. Class deuxime aprs celui
de l'Afrique du Sud, il est considr lun des secteurs les plus dynamiques
de l'conomie nationale, vu sa croissance significative et son important
chiffre d'affaire annuel qui a atteint 28421.6 Millions de Dhs dont
19022.5 Millions de Dhs en assurance non vie et 9399.1 Millions de DHS
en assurance vie et capitalisation selon la FMSAR.
Avec l'amorce du nouveau millnaire, le secteur des assurances au

Maroc l'instar des autres pays connat de profondes mutations et se
trouve ainsi confront aux grands dfis (libralisation, concentration,
assurance maladie obligatoire, bancassurance, systme de refonte des
retraites ) qui vont certainement affecter le processus de sa croissance,
des dfis qui une fois relevs, le secteur sortira certainement plus solide et
plus apte mener bien sa principale mission, qui est celle de permettre
l'conomie marocaine mieux intgrer le nouveau sicle.
Parmi les secteurs de lassurance qui ont vu une grande volution,

la branche non vie ou en particulier lIARD parat comme lacteur
principal sur le podium de lassurance.
Structure du chiffre daffaires du secteur
Selon la FMSAR, lassurance non vie, ne cesse de prsenter une

volution importante pendant ces dernires annes, comme le montre le
tableau suivant :
97
Source : FMSAR- Mars 2015
Tableau : Evolution du chiffre daffaires par branche dactivit en

MDhs
Le march des assurances par compagnie
Le march marocain se compose d'une quinzaine d'assurance, qui

offrent des produits vie et non vie, la grande part du march d'assurance
est domine par quatre assurances savoir: SAHAM Assurance, WAFA
Assurance, RMA WATANYA et AXA assurance.
Source : FMSAR- Mars 2015

Tableau : Evolution du chiffre
98 daffaires du march
dassurance non vie par compagnie en MDhs
Prsentation de Saham Assurance :
Saham assurance (ex-CNIA SAADA Assurance) a t cre en

1949 sous le nom de Compagnie Nord-africaine et Intercontinentale
d'Assurance. Ce nest quen 2001 que la Compagnie change de nom pour
devenir CNIA Assurance et entreprend un vaste chantier de
restructuration.
Rachete en 2005 par le Groupe Saham, CNIA Assurance aspire

devenir un des acteurs majeurs de l'assurance au Maroc, dans ce sens, elle
rachtera en 2006 l'assureur marocain ES SAADA.
En juin 2009, CNIA Assurance fusionne avec les assurances ES

SAADA et devient CNIA SAADA Assurance.
En mars 2014, la compagnie et l'ensemble de ses filiales en Afrique

et au Moyen-Orient (except au Liban) changent de nom pour devenir
Saham assurance. Avec un chiffre d'affaires consolid de 1.01 milliard
USD, ses pays d'implantation sont les suivantes: Maroc, Algrie, Angola,
Arabie saoudite, Bnin, Burkina Faso, Cameroun, Congo, Cte d'Ivoire,
Gabon, Ghana, Guine, ile Maurice, Kenya, Liban, Madagascar, Mali,
Niger, Rwanda, Sngal, Togo. (Voir plus loin lorganigramme de Saham
Assurance en annexe A)
Concernant lactivit de La compagnie au Maroc, Saham

Assurance est considre comme un Leader en non vie avec une part de
17,4% du march assurantiel marocain comme le montre le tableau
prcdent mais aussi une part de 89% de son chiffre daffaires global.
11%
Non vie
Vie
89%
Figure : Rpartition du chiffre daffaires de

Saham par branche.
99
Dans un contexte fortement concurrentiel, SAHAM Assurance
Maroc a ralis, au terme de lexercice 2014, un chiffre daffaires global
de 3 680 MDH, marquant une progression de 5,1% par rapport 2013.
Cette performance est due la forte contribution de lactivit Non-Vie,
qui stablit 3 309 MDH, en hausse de 6,5% par rapport 2013, tandis
que le chiffre daffaires de lactivit Vie stablit 371 MDH en baisse
de 5,7% par rapport lexercice 2013.
3800
3680
3700
3600
3502
3500
3400
3300
3227
3200
3100
3000
2012 2013 2014
Figure: Evolution du chiffre daffaires de Saham en MDhs
Dautrepart, le rsultat technique Non Vie affiche un bnfice de

409 MDH contre 361 MDH en 2013 soit une volution de +13,2%.
Lactivit Non-Vie est marque principalement par la forte croissance des
indicateurs techniques et par une amlioration du rsultat financier.
Le rsultat technique Vie stablit en 2014 44 MDH contre 15 MDH en
2013. Cette progression rsulte de la hausse du rsultat financier.
La Compagnie dgage un bnfice net sur lexercice 2014 de 321

MDH contre 281 MDH en 2013, soit une hausse de 14,5%, comme le
montre la figure suivante :
100
450
400 381
350
300 281
263
250
200
150
100
50
0
2012 2013 2014
Figure : Evolution du rsultat net de Saham en MDhs
Les fonds propres de la compagnie slvent 3 197 MDH en 2014

contre 3016 MDH en 2013 soit une augmentation de 6%.
3300
3200
3100
3000
2900
2800
2700
2012 2013 2014
Figure : Evolution des fonds propres de Saham en MDhs
101
Organigramme de Saham Assurance :
Grands
Comptes Ressources
Comit humaines
Direction Ressources
Gnrale Achat et moyens
Prsident humaines, Communication
gnraux
directeur Gnral et Moyens Gnraux
Comit
Excutif Communication
Production
Dommages et
assurances de
personnes
Pole
Gestion Indemnisation assurance
de personnes
Indemnisation
Dommages
Pole Actuariat et
Audit Rassurance
Pole Controle et
Directeur Gnral Qualit
Dlegu, Fonctions de
Support Finaces et
Comit juridiques
Conseil stratgique
d'administration Systmes
Comit d'information
d'Audit
Animation
Pole March Rseau Exclusif
des Particuliers
et des Marketing et
Directeur Gnral Professionnels Communicatio
Dlgu, Opration n Produits
s d'Assurance
Pole March Souscription et
des Ingnieurie des
entreprises risques
102
Annexe B : Nuages des points des annes de dveloppements j=39.
103
104
Figure : Nuage des points de , +1 =(, ) de lanne de
dveloppement j=3 j=9.
105
Annexe C : Loi normale loi log normale.
Une variable alatoire X suit une loi log-normale de paramtres

2
et si la variable alatoire Y = ln(X) suit une loi normale de paramtres
et 2 . On pose ainsi :
2
E(X)= (+ )=
2
Var(X)= (2+ 2 )*( 2 1)= 2
Ainsi on obtient :
2
= ln() -
2
2
(
2 = ln 1+( )2

)
tant donn quY suit la loi normale, alors lintervalle de confiance
de cette variable est comme suit :
95% (Y)= [ 2.5% ] ;
Avec 2.5% =1.96 ; cest le quantile de la loi normale associ

la probabilit de rejet de 2.5%.
Donc, on obtient une estimation de lintervalle de confiance de X

suivant la loi log-normale qui est comme suit :
95% (X)= 95% (exp ( 2.5% )]

())= [exp
(Proprits de la fonction exponentielle).
106
Annexe D : Principe du QQ-Plot.
Le QQ Plot ou le diagramme Quantile Quantile est un outil

graphique permettant de juger de ladquation dune distribution
thorique un chantillon ou en gnral si deux distributions sont
identiques.
Ce test repose sur la comparaison et la juxtaposition des quantiles

thoriques (axe des abscisses) et les quantiles empiriques de
lchantillon (axe des ordonns). Ainsi on obtient un nuage de point qui
doit tre aux alentours dune droite dite de rfrence pour juger de la
qualit de lajustement par la loi considre.
Si le QQ Plot donne une droite de rfrence qui ne passe pas par

lorigine, alors la distribution est adquate mais les paramtres choisis ne
le sont pas et doivent tre modifis.
107
Annexe E : Principe et calcul de la distance K-S.
Le test de Kolmogorov Smirnov traduit une mesure descriptive de

lajustement. Ce test value la distance entre les fonctions de rpartition
de deux variables alatoires ou entre une loi thorique et celle dune
prsuppose dun chantillon.
Ainsi, pour X et Y deux variables alatoires, cette distance de K-S

se formule ainsi :
= | |
Sinon, sil sagit de la comparaison dune loi de probabilit une

distribution empirique, qui est notre cas, alors cette distance scrit
comme suit ;
= | ()|
Avec :- fonction de rpartition thorique.

1
- = =1( ).1{ } , fonction de rpartition empirique
et N est le nombre dobservations (chargements dcumuls pour notre
cas). Il est noter quil faut ordonner de manire croissante, les
observations avant de calculer cette fonction.
Ltape suivante est de calculer cette distance pour les N quantiles

ordonns, puis prendre la valeur suprieure de toutes les N distances.
Ceci sopre pour toutes les lois thoriques susceptibles dajuster notre
distribution et donc celles que le QQ Plot a donn des rsultats
amlioratifs. Pour notre cas, on a restreint le champ sur les lois gamma,
normal (malgr quelle prend des valeurs ngatives) et log-normale.
La loi la plus convenable est celle qui a la distance la plus

faible entre elles mais aussi par rapport 5% ( ) figurant dans la table
de Kolmogorov Smirnov, en dautres termes la p_value la plus grande
delles mais aussi par rapport 5%.
Dans notre cas, le logiciel Sas nous pargne de ces calculs tout en
donnant la distance ainsi que la p_value quon compare directement
5% qui doit tre suprieur zro pour accepter 0 , avec :
0 : .
108
Annexe F : Sur la VAR et la TVAR.
Tout dabord, on parlera de la notion de mesure de risque dont la

qualit peut tre apprcie par la notion de cohrence. Celle-ci repose sur
les quatre proprits suivantes :
-Invariance par translation :

: + = +
-Sous-additivit :
+ + ()
-Homognit positive :
+, = ()
-Monotonie :
P(XY)=1 ==> (X) (Y)
Dans ce cadre, la Value At Risk est la mesure de risque conseille

par le CEIOPS dans le cadre de la Solvabilit II, dont la dfinition est la
suivante :
{ ; () = 1 ()
= inf
Ainsi, la traduit le quantile pour lequel il ya % de chance de

ne pas tre dpass, en dautres termes (1- ) % de risque quil soit
dpass. Cette mesure nest dautre quun quantile pour les lois continues,
ntant pas qualifie de cohrente vu quelle ne vrifie pas la condition de
la sous-additivit, mais surtout ne donne aucune information sur la queue
de distribution, c'est--dire ce qui passe en cas de dpassement de la .
Par consquent, on utilise (notamment dans le calcul de la MR) la
T qui est qualifie de cohrente et qui vaut :
1 1
(X) = (1/1- ).

= E{X/X> }
Il est clair que (X) (X), niveau de confiance gal. Elle

reprsente tous les avantages non vrifi par la (X), savoir plus de
stabilit et de prudence du fait quelle nest pas base que sur un
quantile, donne une ide sur la queue de distribution et vrifie la
condition de sous additivit qui stipule que la de plusieurs branches
la fois est infrieur la somme des de chacune.
(X+Y) (X) + (Y)
109
110

Rapport PFE

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Rapport PFE

Uploaded by

Copyright:

Available Formats

ROYAUME DU MAROC

Projet de fin dtudes

Organisme daccueil : SAHAM Assurance

Prpar par : M. Idrissi Messnaoui Anas

Sous la direction de : M.Chaoubi Abdelaziz (INSEA)

Soutenu publiquement comme exigence partielle en vue de lobtention du

Devant le jury compos de :

M.Abdelaziz Chaoubi (INSEA)

La solvabilit dune compagnie dassurance nest dautre que sa

La rglementation actuelle, nomme Solvabilit I permet,

Suivant les traces de la rforme bancaire Ble II , la

Dautre part, le nouveau rfrentiel de solvabilit se focalise aussi

Cest pourquoi on quantifiera le risque de provisionnement sous le

Je tiens tout dabord et avant toute autre chose ddier ce modeste

Nous voulons remercier M.Chaoubi pour ses prcieux conseils et

Ainsi, nous profitons de loccasion pour exprimer notre grande

Dans le mme cadre, nous remercions le directeur du dpartement

Pour clturer, nous adressons nos remerciements au corps

Partie I : Sur les normes de la directive Solvabilit II

I.1 De la Solvabilit I la Solvabilit II :

Partie II : le cadre thorique de lvaluation des provisions

Chapitre I : Mthodes dterministes

Chapitre II : Mthodes stochastiques

Chapitre I : Mthodes dterministes

Chapitre II : Mthodes stochastiques

Chapitre III : Actualisation

Partie IV : Le risque de provisionnement dans le cadre du SCR

Chapitre I : Dfinition du risque de provisionnement un an et SCR

Chapitre II : CDR selon Merz & Wuthrich

Chapitre III : Simulation de la diagonale de paiement

Chapitre IV : Calcul du SCR et de la Marge de risque

Annexe A : Prsentation du secteur et de lorganisme daccueil

DAPS : Direction des assurances et prvoyance sociale.

CEIOPS: Committee of European Insurance and Occupational Pension

FMSAR: Fdration Marocaine des socits dassurance et de rassurance

CFP: Charge finale prvisible

Coc : Cout de Capital

i.i.d : Indpendants identiquement distribus

SCR : Solvency Capital requirement (Capital de solvabilit requis)

MCR : Minimum Capital requirement

PSAP : Provision pour Sinistres Payer.

M &W: Merz &Wthrich

AT: Accident de Travail

IBNR: Incurred But Not Reported

GLM: Generalized Linear Models

MSEP: Mean Squared Errors Predicted

CDR: Claims development result

VAR: Value At Risk, TVAR: Tail Value At Risk

Tableau : Evolution du chiffre daffaires par branche dactivit

-Figure : Rpartition du chiffre daffaires de Saham par branche.

De faon gnrale, une compagnie dassurance se distingue par

Avant daborder notre travail quon a labor pour la branche pilote

Notre conception de travail commence par lintroduction des

Il est noter que divers sont les consultations menes par la

Partie I : Sur les normes de la directive Solvabilit II

I.1 De la Solvabilit I la Solvabilit II :

I.1.1 Critiques de la Solvabilit I :

La Solvabilit I se caractrise par sa simplicit dutilisation, elle a t

- Le calcul de la MS est simpliste et ne prend pas en considration

-Lapproche actuelle ne prend en considration que le risque du

-Actif et passif sont valus au cout historique, ce qui nest pas

I.1.2 Pourquoi la Solvabilit II ?

Cette nouvelle rforme permet une harmonisation des normes de

-Donner une certaine transparence dans la situation financire de la