Professional Documents
Culture Documents
at the
Faculty of Economics and Business
of the
University of Neuchâtel
with
Prof. Dr. Catalin Starica
as part of the
« Master of Science in finance »
2
Executive Summary
Here one would normally summarize the entire report in approx. ¼ page. This page does not
figure in the table of contents. No other content shall be on this page but the executive summary.
To facilitate your work, we have created a series of Word Format styles and formats, so that
your table of contents can be generated semi-automatically – same applies to the list of figures
and graphs. All the spacings should be automated and clean as well. You can of course also
work with alternative applications like with the freely available Libreoffice of Openoffice.
Make sure that, before creating a PDF out of this document and uploading it to Moodle (within
a ZIP File that also must contain your R script and your data, see instructions and marking rules
on Moodle), the following is clean and neat:
- All the placeholders we have set (XXXXXXXXXX) are properly handled. We’ve added
placeholders for the paper title, your name and degree on the title page, as well as in the
table of content & list of figures and graphs, so you don’t forget to update it and check
it before handing in the paper.
- Make sure you mention all references you use and be sure you use an appropriate
quotation style
3
1. Introduction
Le secteur de l’assurance est un secteur prédominant, face à divers risque de la vie quotidienne
tel que notre santé, nos consommations, nos biens etc. il existe des produits d’assurance adapté
auxquelles peuvent souscrire les agents économiques pour se prémunir contre le risque.
L’importance de ce secteur peux s’expliquer par le besoin de se prémunir contre le plus de
risque possible dans l’optique d’inciter les prises de risque et favoriser l’innovation. C’est dans
ce cadre que s’inscrit le rôle économique de l’assurance, qui sont varier et peuvent se définir
comme suite :
-contribution à la croissance économique
- stabilisation économique
- redistribution des risques
-et participation à l’innovation
2. Data
Pour notre contribution au débat, nous avons opté pour la base de donnée sigma du
compagnie swiss-Re. La base sigma est une base de donnée spécialiser dans les assurance et
réputé pour la qualité de ces données qui sont d’autant plus complète que d’autres telle que
celle de l’OCDE, Bloomberg etc. celle-ci à l’avantage d’avoir une méthode bien spécifique au
besoin du traitement des assurance. Elle a l’avantage de réunir des données macroéconomique
depuis des sources fiables comme IHS Markit, Oxford Economics ou encore le Fond
Monétaire international
4
2.1. Data gathering
3. Methodology
Notre analyse consiste à vérifier à travers les modèles économétrique que l’évolution du PIB à
un impact significatif sur l’évolution des primes d’assurance. Chaque variable dans la base
donnée est construite comme une suite d’observation venant de différents pays pendant une
même année. Cette structure peut être assimiler a la structure par empilement de donnée de
panel ou encore structure des effets fixes de données de panel. Il est évidant que la meilleure
façon de faire des estimation avec des données de panel en supposant qu’il existe un effet fixe
serait de passer par la méthode des moindre carrée ordinaire (MCO). Le modèle peux donc
être écrit comme suit
𝒍𝑫𝒆𝒏𝒔𝒊𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒊𝒕 + 𝜺𝒊𝒕 avec i les pays, t les années et l le logarithme (5)
5
mais avant de procéder à cette analyse, nous allons effectuer une série de régression simple
puis multiple pour l’ année 2018. Le choix de cette année est de faire des observation hors
période de crise économique.
Pour cela nous allons dans un premier temps observer la relation entre log de la densité
d’assurance qui est un indicateur de l’évolution du marché des assurance et le log du Produit
intérieur brut (PIB) par habitant qui est indicateur du développement économique. La densité
d’assurance représentant la consommation moyenne des primes d’assurance par habitant, il
serait intéressant de voir si cette consommation est corréler au PIB par habitant.
𝒍𝑫𝒆𝒏𝒔𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒕 + 𝜺𝒕 . (1)
Puis nous allons aussi observer la relation entre le log de la pénétration d’assurance et le log
du PIB par habitant, il s’agit également de voir l’importance du secteur des assurances peut
être expliqué par l’impact démographique.
Et pour finir nous allons observer directement la relation entre la demande d’assurance
(primes total) le PIB en volume, et le niveau de la population. En me basant sur le modèle où
β*=s/(g+n), le taux d’épargne dépend fortement de l’évolution de la population et du PIB, ce
qui explique le niveau de croissance régulier. En substituant l’épargne à la consommation
primes d’assurance qui est une forme d’épargne du point de vue de son utilité liée au moyen
ou long terme, il existe donc une corrélation entre ces variables .
la demande d’assurance étant fortement lier au niveau de revenue, cela peut sous-entend une
non-linéarité entre les primes d’assurances et le PIB et donc la présence d’une courbe en S.
pour cela, on conduit un modèle de 2ème et 3ème degré correspondant à cette équation :
j’ai choisie de faire une analyse en logarithme pour réduire la plage de mes variable étudier
en dessous de la quantité des variables de départ, cela me permet d’être moins sensibles aux
valeur extrême et d’avoir une meilleur représentation graphique de mes variables.
4. Analysis
4.1. Assumptions
Notre question étant de savoir si le développement économique à un impact sur le marché des
d’assurance, Nous allons y répondre en tenant compte du niveau des primes d’assurance ainsi
que ces transformations qui sont la densité d’assurance et la pénétration d’assurance. Comme
nous l’avons dit précédemment nous utilisons plusieurs méthode économétrique pour répondre
à notre problématique, à savoir :
- Une régression simple : Soit l’hypothèse nul 𝐻0 : 𝛽1 = 0 𝑒𝑡 𝐻1 : 𝛽1 ≠ 0 au seuil de 5%.
soit notre régression de densité sur le PIB par habitant (2) 𝒍𝑫𝒆𝒏𝒔𝟐𝟎𝟏𝟖 = 𝜷𝟎 +
𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 avec le produit intérieur Brut (PIB) par habitant comme variable
explicative et la densité d’assurance comme variable expliqué. Les résultats de cette régression
voir annexe (1) montre que 𝜷𝟏 =1.39417, donc une augmentation de 1% du PIB par habitant
6
augmente la consommation moyenne de 139,417% et avec une P-value de 2e-16 qui est
inferieur à 5%, notre coefficient significatif, nous rejetons 𝐻0 : 𝛽1 = 0. Le 𝑹𝟐 =0.8271, nous
pouvons affirmer que le model explique 82,71% de la variabilité de la densité d’assurance par
le Pib par habitant. Grace à la probabilité de la F-statisque, qui est de 2.2e-16 < 5%, nous
pouvons confirmer que notre model est bien significatif au seuil de 5%
soit la deuxième régression linéaire de la pénétration d’assurance sur le PIB par habitant,
𝒍𝑷𝒆𝒏𝟐𝟎𝟏𝟖 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 , ou la pénétration d’assurance est la variable
expliqué et le PIB par habitant la variable explicative. Notre régression montre que
𝜷𝟏 =0.39417, ce qui est l’élasticité du log de la pénétration d’assurance par rapport au PIB par
habitant, dans ce cas une augmentation 1% du PIB par habitant augmente la pénétration
d’assurance de 39,417%, avec une P-value de 1.68e-07< 5% alors on rejette 𝐻0 : 𝛽1 = 0. car
le logarithme du PIB par habitant impact significativement au seuil de 5% le log de la
pénétration d’assurance. Quant au modèle le 𝑹𝟐 =0.2767, donc le modèle n’explique seulement
27,67% de la variable pénétration par le PIB par habitant, cela peut être du à une possible non
linéarité des deux variables . mais avec la probabilité de la F-statistique qui est de p-value:
1.676e-07 < 5%, le modèle est significatif au seuil de 5%.
- Une régression multiple : Soit l’hypothèse nul 𝐻0 : 𝛽1 = 0 𝑒𝑡/𝑂𝑈 𝛽2 = 0, 𝐻1 : 𝛽1 ≠
0, 𝑒𝑡 𝑜𝑢 𝛽2 ≠ 0 au seuil de 5%.
Considérons l’équation de la régression multiple suivant : 𝒍𝑮𝑾𝑷𝟐𝟎𝟏𝟖 = 𝜷𝟎 +
𝜷𝟏 𝒍𝑮𝑫𝑷𝟐𝟎𝟏𝟖 + 𝜷𝟐 𝑷𝑶𝑷𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 , ou 𝛽0 représente à constante, 𝛽1 , 𝛽2 sont
respectivement l’élasticité du PIB, et de la Population par rapport à la consommation du des
primes d’assurances en volume. Dans notre modèle 𝜷𝟏 = −𝟎. 𝟏𝟑𝟐𝟎𝟎 𝒆𝒕 𝜷𝟐 =
−𝟏. 𝟐𝟐𝟒𝟓𝟔 qui sont tous deux différent de zéro, donc une augmentation de 1% du log de PIB
diminue les primes d’assurance de 13.2, et une augmentation de la population de 1% diminue
les primes d’assurance de 122,456%, il existe une corrélation négative entre les variable mais
pas significatif au seuil de 5%. Le 𝑹𝟐 = 0.1183, le modèle n’explique que 11,83% de la variation
du volume des primes d’assurance par le PIB et la population, mais la probabilité de la F-
statistique = 0.005041 < 5% donc le modèle est significatif au seuil de 5%
- Une régression non linéaire : 𝒍𝑫𝒆𝒏𝒔𝟐𝟎𝟏𝟖 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖) +
𝜷𝟐 𝒍(𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 ) + 𝜷𝟑 𝒍(𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 )𝟑 𝜺𝟐𝟎𝟏𝟖
𝟐
Etant donné on travaille avec des données panel, on se demande si la spécificité des pays jeux
un rôle si important pour l’explication de l’évolution des primes d’assurance. Cela peut-il
refléter la maturité des marchés d’assurance. Nous conduisons de nouveaux test en données de
Panel afin d’estimer des modèles à effet fixe et modèle à effet aléatoire.
7
En introduisant les effets des pays, nous remarquons que les pays ont un effet significative au
niveau de 5% car probabilité de F-statistique est de 2e-16 et ces effets diffèrent
considérablement d’un pays à l’autre voir annexe (4)
Avec le modèle à effet fixe, la statistique de Fischer est bien significative à 5%, cela veut dire
le modèle est bien spécifié. L’effet du PIB par tête est significative, une hausse de 1% du log
PIB par tête induit à une hausse de 43,33% du log de la densité d’assurance voir annexe(4),
puis le modèle à effet variable, la statistique de Fischer est bien significative, cela veut dire le
modèle est bien spécifié. L’effet du log PIB par tête est significative, une hausse de 1% du log
PIB par tête induit à une hausse de 64,54% de la densité d’assurance annexe()
L’impact est très diffèrent entre le modèle à effets fixe et le modèle aléatoire. Ainsi le test de
Hausman montrent qu’il y’a une différence significative entre les deux modèles avec une P-
value inférieure à 5%. Cela veut dire qu’on rejette le modèle à effet aléatoire. Le modèle à effet
fixe est consistent
4.2. Figures
Figure 1 Figure 3
Figure 1
5. Discussion
A l’issue des analyse effectuer, nous pouvons écarter l’l’hypothèse de neutralité de nos
variables quand bien même que cela serai soutenue dans certaines recherche tel que Akinlo
(2013) et chang (2014). Nos analyse s’inscrivent plus dans sens des travaux de d’Elango et
Jones (2011) et Hwang et Gao (2013), on constate bien que le développement économique
mesurer par PIB influence le développement du marché de l’assurance qui est lui mesurer par
les Primes totaux, densité d’assurance et la Pénétration d’assurance sur le marché d’assurance.
Cependant, il y’a des recherches qui vont dans le sens d’une causalité inverse c’est-à-dire le
développement du marché des assurance influence le développement économique, c’est le cas
de l’étude de Lee et Al (2013) et Han et Al (2010), et d’autre qui penche plus pour une
influence mutuelle exemple Beck et Webb (2003) et Vadlamanti (2008).
En somme nos analyse répondent bien à la question le PIB impacte sur les Assurance, mais de
façon non linéaire, et l’effet de cette influence dépend d’un pays à l’autre et n’a pas une
grande variation dans le temps.
8
Figure 2: A random graph (source: own illustration)
6. Bibliography
Akinlo, T. (2013). The causal relationship between insurance and economic growth in Nigeria
(1986-2010). Australian Journal of Business and Management Research, 2(12), 49.
Beck, T., & Webb, I. (2003). Economic, demographic, and institutional determinants of life
insurance consumption across countries. The World Bank Economic Review, 17(1), 51-88.
Elango, B., & Jones, J. (2011). Drivers of insurance demand in emerging markets. Journal of
Service Science Research, 3(2), 185-204.
Enz, R. (2000). The S-curve relation between per-capita income and insurance penetration. The
Geneva Papers on Risk and Insurance-Issues and Practice, 25(3), 396-406.
Hwang, T., & Gao, S. (2003). The determinants of the demand for life insurance in an emerging
economy–the case of China. Managerial Finance.
Enz, R. (2000). The S-curve relation between per-capita income and insurance penetration. The
Geneva Papers on Risk and Insurance-Issues and Practice, 25(3), 396-406.
Lee, C. C., Lee, C. C., & Chiu, Y. B. (2013). The link between life insurance activities and economic
growth: Some new evidence. Journal of International Money and Finance, 32, 405-427.
9
A. Appendix – Supplements
10
B. Appendix – R Code
library(readxl)
sigma2 <- read_excel("C:/Users/mamat/Downloads/sigma2.xlsx")
View(sigma2)
summary(log_GDP2cap2018)
# Regressions
plot(sigma2$log_Dens_2018 ~ log_GDP2cap2018,
data = sigma2,
xlab = "log_GDP2cap2018",
ylab = "log_Dens_2018",
11
xlim = c(2.398,7.432 ),
ylim = c( 2,9.362 ))
abline(lm1, col="red")
summary(lm1)
plot(sigma2$log_Dens_2018 ~ log_GDP2cap2018,
data = sigma2,
xlab = "log_Pen_2018",
ylab = "log_Dens_2018",
xlim = c(-2,10),
ylim = c(-2, 10 ))
abline(lm2, col="red")
summary(lm2)
# Regressions multiples
Pop_2018<-(sigma2$GWP2018/ sigma2$Dens_2018)
log_Pop_2018 = log(Pop_2018)
PIB_2018<-(sigma2$GWP2018/ sigma2$Pen_2018)
log_PIB_2018 = log(PIB_2018)
12
summary(lm3)
library(sandwich)
library(lmtest)
library(dplyr)
# Reg 1
Summary1
# Reg 2
Summary2
summary(log_GDP2cap2018)
# Reg 3
Summary3
summary(lm4)
summary(lm5)
13
lm6 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2) + (log_GDP2cap2018^3),
data = sigma2)
summary(lm6)
library(ggplot2)
ggplot(sigma2, aes(y=log_Dens_2018,x=log_GDP2cap2018))+
geom_point()+
scale_y_continuous(limits=c(0,12))+
theme_classic()+
geom_smooth(method="lm",
colour="red",
formula=y~x+I(x^2)+I(x^3))
View(data_GWP)
View(data_GWPL)
View(data_GWPcap)
View(data_GWP_GDP)
14
library(dplyr)
Year = rep(2007,94)
for (i in 2008:2018) {
data
data
library("plm")
summary(lm( log(Dens) ~ Pays+log(GDPcap), data= data)) # l'effet des pays est significative
summary(lm( log(Dens) ~ I(as.factor(Year))+log(GDPcap), data= data)) # l'effet des ann?es n'est pas
significative
15
head(df_pd)
head(Within(df_pd$GWP))
grun.fe <- plm(log(Dens)~log(GDPcap), data = df_pd, model = "within") # mod?le ? effet fixes
summary(grun.fe)
grun.re <- plm(log(Dens)~log(GDPcap), data = df_pd, model = "random") # mod?le ? effet al?atoire
summary(grun.re)
16
Déclaration d’honneur
Par la présente, j’affirme avoir pris connaissance des documents d’information et de prévention
du plagiat émis par l’Université de Neuchâtel et m’être renseigné-e correctement sur les
techniques de citation. J’atteste par ailleurs que le travail rendu est le fruit de ma réflexion
personnelle et a été rédigé de manière autonome.
Je certifie que toute formulation, idée, recherche, raisonnement, analyse ou autre création
empruntée à un tiers est correctement et consciencieusement mentionnée comme telle, de
manière claire et transparente, de sorte que la source en soit immédiatement reconnaissable,
dans le respect des droits d’auteur et des techniques de citations.
Je suis conscient-e que le fait de ne pas citer une source ou de ne pas la citer clairement,
correctement et complètement est constitutif de plagiat. Je prends note que le plagiat est
considéré comme une faute grave au sein de l’Université. J’ai pris connaissance des risques de
sanctions administratives et disciplinaires encourues en cas de plagiat (pouvant aller jusqu’au
renvoi de l’université).
Je suis informé-e qu’en cas de plagiat, le dossier sera automatiquement transmis au rectorat. Au
vu de ce qui précède, je déclare sur l’honneur ne pas avoir eu recours au plagiat ou à toute autre
forme de fraude.
Texte basé sur le document « Déclaration sur l'honneur » du Rectorat de l’Université de Neuchâtel.