Tarification Technique Marine avec GLM et ML

Par Jonas Mohamed Osman Abdelghafour.

Demandez à un souscripteur maritime comment un risque de corps de navire (hull) est tarifié, et la réponse honnête pour une grande partie du marché est encore : le taux de l'année dernière, ajusté pour les sinistres, la direction du marché et la négociation. Des facteurs de tarification existent — type de navire, âge, tonnage, société de classification, limites de navigation, structure de franchise — mais ils sont souvent appliqués comme des ajustements de jugement plutôt que comme des coefficients dans un modèle ajusté. Le résultat est une subvention croisée systématique : les flottes modernes bien gérées paient trop cher, et les pires risques du portefeuille sont sous-tarifés précisément parce qu'aucun modèle n'existe pour le dire.

La boîte à outils actuarielle pour corriger cela est mature. Les modèles linéaires généralisés (GLM), le cheval de bataille de la tarification des particuliers depuis les années 1990, décomposent le coût de sinistre attendu en facteurs multiplicatifs estimés conjointement à partir des données — la fréquence modélisée avec des structures de type Poisson, la gravité avec gamma ou log-normale, ou la prime pure via Tweedie. Appliqué à un portefeuille maritime, un GLM transforme l'anecdote en preuve : l'âge du navire favorise-t-il réellement les sinistres machines une fois que le tonnage et le commerce sont contrôlés ? Un pavillon particulier est-il un signal de risque réel ou un indicateur de la qualité de l'opérateur ? Le modèle répond par des intervalles de confiance plutôt que par des récits.

Le problème des données maritimes — et comment le contourner

L'objection standard est le volume de données. Un assureur maritime peut souscrire quelques milliers d'années-navires et quelques centaines de sinistres par an — rien à voir avec les millions d'expositions derrière un GLM automobile. C'est une contrainte réelle mais pas disqualifiante. La réponse actuarielle est triple : mutualiser les données sur plusieurs années et, si possible, entre les différentes facilités du marché et bases de données sectorielles ; garder des modèles sobres (parsimonieux), avec peu de facteurs bien choisis et un recours important à la crédibilité pour ramener les estimations instables vers les moyennes du portefeuille ; et diviser le problème en modélisant les sinistres de fréquence statistiquement, tout en gérant les sinistres graves par des courbes d'exposition et des chargements d'événements plutôt qu'en demandant à un ensemble de données restreint d'estimer la queue de distribution.

La tarification cargo illustre cette approche par couches. Les sinistres cargo de fréquence — vol, mouille, dommages de manutention — sont assez fréquents pour être modélisés en fonction de la classe de marchandise, de l'emballage, de l'itinéraire, du moyen de transport et de la saison. Le potentiel de sinistres importants — un navire transportant des conteneurs accumulés subissant une avarie, un incendie d'entrepôt dans un hub de transbordement — est mieux géré par la modélisation de l'accumulation et des chargements de catastrophe explicites. Assembler ces couches en un prix technique unique, avec une marge de profit et de capital défendable, est précisément le type de travail d'assemblage que les actuaires de tarification font dans toutes les autres branches spécialisées.

Où l'apprentissage automatique aide réellement

Les machines de boosting de gradient (GBM) et les méthodes d'ensemble associées surpassent systématiquement les GLM en précision prédictive dans les applications d'assurance, car elles capturent automatiquement les non-linéarités et les interactions — la manière dont l'âge interagit avec le type de navire, ou dont le niveau de franchise interagit avec la qualité de l'opérateur. En maritime, leur valeur la plus immédiate n'est pas de remplacer le modèle de tarification mais de l'aider à se structurer : ajuster un GBM aux côtés d'un GLM, comparer le gain (lift) et utiliser les interactions apprises par la machine pour informer les termes qui appartiennent au modèle transparent que les souscripteurs et les régulateurs voient réellement. Ce schéma GLM-plus-challenger, désormais standard dans les équipes de tarification sophistiquées, convient bien au maritime car il préserve l'explicabilité là où les données sont rares.

L'apprentissage automatique débloque également des ensembles de caractéristiques que la tarification classique n'a jamais touchés. Les historiques de suivi des navires par AIS fournissent des variables comportementales : temps passé dans des eaux à haut risque, schémas d'escales portuaires, profils de vitesse, interruptions d'activité suspectes. Les bases de données de sinistres et de détention fournissent des signaux sur la qualité de l'opérateur : déficiences lors des contrôles par l'État du port, résultats des inspections de classe, antécédents de la société de gestion. Ce sont des données d'entrée multidimensionnelles et complexes — exactement ce que les ensembles basés sur les arbres digèrent bien et que les tables de tarification manuelles ne peuvent pas gérer. Un souscripteur qui sait qu'un navire a passé quarante jours à rôder près d'une zone de transbordement sanctionnée tarifie différemment de celui qui ne connaît que son âge et son tonnage.

La destination

La destination n'est pas une boîte noire qui recrache une prime ferme. C'est une architecture de tarification dans laquelle chaque risque maritime reçoit un prix technique construit à partir de modèles ajustés, enrichi par des données comportementales, et clairement séparé du prix commercial que le souscripteur choisit de facturer — avec l'écart entre les deux mesuré, rapporté et géré. Les marchés qui construisent cette architecture sélectionneront contre ceux qui ne le font pas : les bons risques mal tarifés migreront vers les modélisateurs, et les mauvais risques mal tarifés resteront chez tous les autres. C'est ainsi que la tarification technique a conquis l'assurance automobile, et il n'y a aucune raison structurelle pour que le maritime connaisse une fin différente.