Modelisation Stochastique Des Provisions PDF

Ecole Nationale Supérieure de Statistique et d’Economie Appliquée, ENSSEA
THESE
POUR L’OBTENTION DU DIPPLOME DE DOCTORAT ES-SCIENCES
EN ECONOMIE ET STATISTIQUE APPLIQUEE
Présentée par
Mme KERDALI Abida
Sujet de la thèse :
MODELISATION STOCHASTIQUE DES PROVISIONS

TECHNIQUES EN ASSURANCE NON-VIE
Modèles Récursifs de provisionnement
Soutenue le 01 juin 2017, devant le jury composé de :
KHERCHI Hania Présidente Professeur ENSSEA

LATRECHE Abdelouahab Rapporteur Professeur ENSSEA
BENAMIROUCHE Rachid Examinateur Professeur ENSSEA
BENANAYA Djelloul Examinateur Maître de Conférences, A U. Khemis Miliana
REZAZI Omar Examinateur Professeur U. Blida
RIMI Riadh Examinateur Maître de Conférences, A U. El Oued
Année universitaire 2016-2017

Dédicace
Je dédie ce travail à :
Mon cher mari
Mes chers enfants
Mes frères et sœurs.
Mes amies et collègues
A toutes les personnes auxquelles je réserve une place dans mon cœur.
Page 1
Remerciements
Je voudrais remercier toutes celles et tous ceux, qui directement ou indirectement, ont
contribué à la concrétisation de ce travail de recherche. Je tiens à remercier tout
particulièrement mon directeur de thèse, le professeur LATRECHE ABDELOUAHAB de m’avoir
proposé le sujet, pour son intérêt, ses précieux conseils et son aimable disponibilité et la qualité
de son encadrement.
Je souhaite aussi remercier les membres du jury qui me font le grand honneur d’évaluer
ce travail, particulièrement Mme Hania Kherchi Professeur à l’ENSSEA qui a bien voulu accepter
d’examiner ce travail en qualité de présidente du jury.
Un gros et spécial remerciement à Mme Aouira Saliha et Mahdi Sami pour leur aide et
coopération.
Enfin, j’adresse mes plus sincères remerciements à tous mes proches et amies qui m’ont
toujours soutenue et encouragée au cours de la réalisation de ce travail.
Page 2
Résumé
Nous considérons dans ce travail un certain nombre de méthodes et modèles de réservation

récursives pour le calcul stochastique des provisions techniques dans une compagnie
d’assurance. Pour cela nous avons considéré plusieurs types de modèles possibles pour
l’estimation des valeurs du triangle de développement ; nous nous sommes inspirés d’une
modélisation autorégressive d’ordre 1, 2, 3 selon le modèle choisi, nous proposons au début une
méthode permettant de déterminer un estimateur des paramètres du modèle proposé d’une
manière directe, c’est-à-dire que le calcul n’est pas récursif, hors l’inconvénient de cette méthode
est qu’elle nécessite l’inversion d’une matrice de grande taille ce qui est très couteux en temps de
traitement du programme si le nombre de paramètre à estimer est grand, pour résoudre ce
problème, nous avons proposé une seconde méthode qui améliore beaucoup la première
permettant de calculer récursivement les paramètres du modèle proposé évitant l’inversion
d’une matrice de grande taille, seulement il faut prendre quelques précautions pour que cet
estimateur ne s’éloigne pas trop de la vraie valeur des paramètres à estimer puisque les méthodes
récurrentes sont très sensibles aux valeurs initiales. Pour bien comprendre quels sont les effets du
modèle de réservation récursive, nous avons comparé les résultats obtenus avec celles des
modèles classiques de provisionnement.
Mots clés : modélisation stochastiques, provisions techniques, modèle de réservation, assurance

non-vie ; estimation récursive.
Page 3
Abstract
We consider in this work several models and recursive methods for stochastic calculation of
technical provisions in non–life insurance. For this, we consider several types of models for
estimating the values of development triangle; we were inspired by an autoregressive modeling
of order 1, 2, 3. At beginning, we propose a method for determining directly a parameter
estimator of the proposed model, i.e. the calculation is not recursive. However, the disadvantage
of this method is that it requires the inversion of a large matrix which is very expensive in
program execution’s time if the number of parameter to be estimated is greater. To resolve this
problem, we proposed a second method that improves the first and compute recursively the
parameters of the proposed model avoiding the inversion of a large matrix, but we must take
some precautions so that this estimator does not diverge of its real value, since the recursive
methods are very sensitive to initial values. To understand what the effects of the recursive
reservation models are, we compared the results with those of the classical provisioning models.
Keywords: stochastic methods, technical provisions, non–life insurance, reserving models,

recursive estimation.
Page 4
Table des Matières
Tables des Matières
Introduction générale ………………………………………………………………….……… 8
Chapitre 1 : Aspects généraux sur l’assurance …………………………………………….. 15

Introduction …………………………………………………………………………………….. 16
1.1 Histoire de l’assurance ……………………………………………………………………... 17
1.2. Définitions et concepts de base de l’assurance ……………………………………………. 19
1.2.1. L’assurance ………………………………………………………………………... 19
1.2.2. Le contrat d’assurance …………………………………………………………….. 19
1.2.3. Le risque ……………………………………………………………………………20
1.2.4. La prime …………………………………………………………………………… 20
1.2.5. Le sinistre …………………………………………………………………………. 21
1.3. Classification des différentes branches d’assurance ………………………………………. 21
1.3.1. Assurance vie …………………………………………………………………….. 21
1.3.2. Assurance non-vie ………………………………………………………………… 22
1.3.2.1. Typologie des différentes assurances non-vie ……………………………. 22
1.3.2.2. La gestion et la distribution en assurance non-vie ………………………. 23
1.3.2.3. Les principales opérations constituant l’activité d’une société non-vie …. 23
1.3.2.4. Aspect économiques et financiers ………………………………………… 25
1.3.2.5. Les flux et le résultat d’un exercice comptable ………………………... 26
Chapitre 2 : Provisionnement en assurance non-vie ………………………………………. 27

Introduction …………………………………………………………………………………….. 28
2.1. Le provisionnement en assurance non-vie ………………………………………………… 29
2.1.1. Typologie des provisions techniques …………………………………………….. 31
2.1.1.1. Définition des provisions techniques …………………………………….. 31
2.1.1.2 Type de provisions techniques …………………………………………..… 31
2.1.2. Les méthodes réglementaires de provisionnement ………………………….……. 34
2.2 Formulation du problème de provisionnement …………………………………………..… 36
2.2.1. Quelques définitions et notations, aspects réglementaires et comptables ……..… 36
2.2.1.1. Solvabilité d’un assureur …………………………………………………..36
2.2.1.2. L’insolvabilité d’un assureur …………………………………………….. 37
2.2.1.3. La marge de solvabilité ……………………………………………….….. 37
Page 5
Table des Matières
2.2.1.4. Les catégories de risques ……………………………………………….… 37

2.2.2. Notions de sinistres …………………………………………………………….… 38
2.3. Triangle de liquidation …………………………………………………………………….. 41
2.3.1. Structure du triangle de développement …………………………………...…….. 41
2.3.2. Lecture du triangle ……………………………………………………………..…. 42
Conclusion partielle ……………………………………………………………………….…… 44
Chapitre 3 : Méthodes déterministes pour l’estimation des provisions techniques …….... 45

Introduction ………………………………………………………………………………..…... 46
3.1. La problématique du provisionnement ……………………………………………...…….. 47
3.2. Méthode Chaine–Ladder …………………………………………………………….…….. 48
3.2.1. Présentation de la méthode ……………………………………………….………. 48
3.2.2. Avantages et limites de Chaine–ladder …………………………………...……… 51
3.3. Méthode de London Chaine ………………………………………………………………. 53
3.3.1. Limite de la méthode de « London Chaine » ………………………………..…… 54
3.4. Méthode des moindre carrée de De Vylder …………………………………………..…… 55
3.4.1. Hypothése de la méthode …………………………………………………..………55
3.4.2. Procédure d’estimation de la méthode De Vylder ………………………..……… 55
3.5. Méthode de Bornuhetter -Fergusoon déterministe …………………………………...…… 56
3.5.1. Avantages et limites de la méthode Bornuhetter- Fergusoon ………………..…… 57
3.6. La méthode de « Grossing-Up » ……………………………………………………...…… 59
Conclusion partielle ……………………………………………………………………………. 59
Chapitre 4 : Méthodes actuarielles stochastiques de provisionnement ……………….….. 61

Introduction ……………………………………………………………………………………. 62
4.1. Modèle de Mack ……………………………………………………………………….… 63
4.1.1. Mesure de l’incertitude sur l’estimation des provisions …………………….…… 64
4.1.1.1. Estimation de la variance des provisions …………………………….…... 64
4.1.1.2. Mesure de risque à l’ultime : Indicateur du MSE …………………..….. 65
4.1.1.3. Erreur quadratique moyenne : « MSE » ……………………………..…… 65
4.2. Méthode de BOOSTRAP ………………………………………………………………….. 67
4.2.1. Présentation de la méthode …………………………………………………….….. 67
4.3. Les modèles factoriels stochastiques ……………………………………………………… 69
4.3.1. Le modèle log- linéaire de Christophide …………………………………………. 69
4.4. Inconvénients et avantages des méthodes stochastiques ……………………………..…… 70
Page 6
Table des Matières
Conclusion partielle ……………………………………………………………………...…. 71
Chapitre 5 : Modélisation Récursive des réserves ………………………………………….. 72

Introduction ……………………………………………………………………………….……….…. 73
5.1. Présentation des modèles ………………………………………………………………….……. 74
5.2. Intérêt des algorithmes récurrents ………………………………………………..……………. 74
5.3. Méthode des moindres carrées récursive et application aux réserves …………….………...… 76
5.4. Estimation récursive des réserves ………………………………………………………………. 77
5.4.1. Modèles ……………………………………………………………………………….…… 78
5.4.2. Estimation ………………………………………………………………………...…… 80
5.4.3. Choix des valeurs initiales ………………………………………………….…….. 85
5.4.3.1. Choix de ˆ1 ………………………………………………………………. 85

5.4.3.2. Choix de P1 ………………………………………………………..……… 85
5.4.4. Facteur d’oubli ………………………………………………………………….… 85
Chapitre 6 : Expérimentations numériques …………………………………………..……. 87

6.1. Présentation des données ………………………………………………………………….. 88
6.2. Données générées aléatoirement ………………………………………………………….. 92
6.3. Données du marché I ………………………………………………………...……………. 95
6.4. Données du marché II …………………………………………………………………….. 99
6.5. Données du marché III ………………………………………………………………..…. 103
6.6. Données du marché IV ………………………………………………………………..…. 107
6.7. Données du marché V ………………………………………………………………….… 108
Conclusion générale ……………………………………………………………………….… 110
Références ………………………………………………………………………………….… 113
Annexes …………………………………………………………………………………….… 116

Annexe A : Résultats détaillés des expérimentations numériques des données A ………..….. 116
Annexe B : Résultats détaillés des expérimentations numériques des données B ………….... 125
Annexe C : Preuve ……………………………………………………………………….…… 146
Annexe D : Programme MATLAB 7 …………………………………...……………………. 148
Page 7
Introduction générale
La théorie de l’assurance s’inscrit dans le cadre de la théorie des choix en avenir

incertain. Dans sa version la plus simple elle se présente comme un cas particulier où la
fonction objectif de l’agent ne dépend que d’un seul paramètre, à savoir sa richesse finale qui
est aléatoire. En effet, dans la théorie de l’assurance on s’intéresse à la possibilité
d’occurrence d’un événement susceptible d’affecter la richesse finale de l’agent ou son utilité.
Une assurance est généralement décrite comme un service fournissant une prestation à la
survenance d’un sinistre. La prestation, généralement de nature financière est destinée à des
assurés de différentes catégories juridiques : il peut s’agir d’une entreprise, d’une association
ou d’un particulier. Toutefois en échange de cette « protection » chaque assuré s’engage à
verser auprès de l’assureur une cotisation ou une prime qui lui permettra son
approvisionnement.
Depuis la crise des subprimes, le monde de l’assurance connaît un changement

réglementaire considérable. En effet, les assureurs sont considérés comme les institutions
financières qui peuvent avoir un impact économique dans le pays, voire dans le monde. Il est
ainsi nécessaire de protéger certains protagonistes et en particulier les assurés.
Le point faible du système d’assurance se trouve dans le fait que le cycle de production
soit inversé, c’est-à-dire que l’assureur ne connaît son prix de revient qu’après avoir payé les
sinistres ; cette inversion du cycle rend impossible la détermination exacte de la richesse
d’une société d’assurance à un instant donné puisqu’elle ne connait pas avec exactitude ses
engagements. Les primes étant déjà encaissée, il est important pour lui d’avoir suffisamment
de provisions pour pouvoirs payer les sinistres futurs et donc rembourser ses dettes envers ses
assurés. Une première régulation Solvabilité I permet d’imposer les contours du marché de
l’assurance, mais elle montre aussi ses faiblesses face à l’environnement financière peu stable.
Dès lors, une nouvelle version Solvabilité II, mise en place pour permettre de corriger
certains défauts tout en se fondant sur trois piliers : les exigences quantitatives, la
gouvernance et le processus de contrôle et la transparence. Les assureurs ayant pris
l’engagement d’indemniser tous les sinistres survenus pendant la période de couverture, il
Page 8
convient de constituer des provisions pour indemniser les victimes d’un sinistre même si
celui-ci n’est déclaré, puis clôturé que des années plus tard.
Nous distinguons trois catégories de sinistres :
 Les sinistres clos : à la date d’inventaire, le sinistre est déclaré clos si nous estimons
que plus aucune indemnité ne sera versée à l’assuré. Il n’y a donc aucun engagement
résiduel.
 Les sinistres ouverts : Ce sont les sinistres qui ont été déclarés à l’assureur avant la
date d’inventaire mais dont nous ne connaissons pas avec certitude les montants
restants à régler à l’assuré.
 Les sinistres tardifs : Ces sinistres sont les plus difficiles à estimer pour l’assureur
car, bien qu’ils soient survenus durant la période de couverture, l’assureur ne connait
ni la quantité ni la gravité de ces sinistres.
En particulier, pour les deux dernières catégories des sinistres, l’assureur devra donc
estimer au mieux leur montant final dans le but d’assurer la solvabilité de sa compagnie et de
manière plus globale la pérennité du marché de l’assurance.
Notre étude, sera axée sur les exigences quantitatives sous le cadre de solvabilité II en
particulier nous avons tenté de trouver une nouvelle méthode de provisionnement de nature
récursive pour calculer la provision des sinistres à payer. Cette dernière correspond au
remboursement, envers, des sinistres qui sont déjà survenus mais pas encore ou du moins pas
entièrement réglés. Elle représente en général la plus grande partie des provisions dans le
bilan d’une compagnie d’assurance non-vie. Le règlement spécifie qu’elle doit être calculée
sinistre par sinistre, utilisant des méthodes statistiques. Nous utilisons ces modèles comme
références sur laquelle nous pouvons comparer les résultats de nos recherches. Intuitivement,
en travaillant sur les méthodes récursives nous pouvons espérer pouvoir estimer la provision
d’une manière plus précise.
Hypothèse et objet de la thèse
Le monde de l’assurance connaît un changement réglementaire considérable, les

assureurs sont considérés comme les institutions financiers qui peuvent avoir un impact
économique dans le pays, voire dans le monde, il est ainsi nécessaire de protéger les assurés.
Page 9
Le point faible du système d’assurance se trouve dans le fait que le cycle de production
soit inverse, c’est-à-dire que l’assureur ne connait son prix de revient qu’après avoir payé les
sinistres. Les primes étant déjà encaissées, il est important pour lui d’avoir suffisamment de
provision pour pouvoir payer les sinistres futurs et donc rembourser ses dettes envers les
assurés.
Une première régulation solvabilité I a montré ses faiblesses face à l’environnement

financier peu stable le fait que ce référentiel ne répond pas aux normes international et se
base sur une vision rétrospective sous l’hypothèse que le passée reflète le futur ce qui n’est
pas le cas en réalité. Dès lors la commission européenne a proposé une révision du droit des
assureurs au sein de l’union européenne dans le but d’améliorer la protection des assurés et de
renforcer la compétitivité des assureurs européens à l’échelle internationale à travers une
nouvelle directive solvabilité II afin de créer un véritable marché unique tenant compte des
risques réels pesant sur les compagnies d’assurance dans le but de protéger les preneurs
d’assurance en assurant la transparence et la cohérence en fixant une marge de solvabilité
mieux adaptées au risque réellement encourus en se fondant sur trois piliers ; les exigences,
la gouvernance et le processus de contrôle et la transparence.
Notre étude sera axée sur le premier pilier, en particulier, nous avons tenté de trouver
une nouvelle modélisation mathématique de provisionnement, nous nous sommes concentrés
sur l’analyse de la provision pour sinistre à payer ; cette dernière correspond aux
remboursements, envers les assurés, des sinistres qui sont déjà survenus mais pas encore ou
du moins pas entièrement réglés. Elle représente en général la plus grande partie des
provisions dans le bilan d’une compagnie d’assurance non-vie. Le règlement spécifie qu’elle
doit être calculée sinistre par sinistre.
En général l’assureur par une dérogation utilise les méthodes statistiques, nous utilisons
ces méthodes comme référence sur laquelle nous pouvons comparer le résultat de notre
recherche. Intuitivement, en travaillant sur les modèles récursifs nous pouvons espérer
pouvoir estimer la provision d’une manière plus précise.
Pour calculer la charge ultime d’un portefeuille, l’actuaire met en pratique plusieurs
méthodes de calcul, chaque méthode donnant un résultat possible, les nombreuses méthodes
qui existent ont toutes été développées dans le but de palier un problème spécifique (manque
de données, historique insuffisant, développement long, environnement incertain). Un
assureur prudent devrait appliquer diverses méthodes ou imaginer de nouvelles méthodes
Page 10
adaptées à sa gestion et déduire par comparaison des diverses évaluations un montant pour
la provision pour sinistres à payer, il peut par exemple utiliser une combinaison de deux
méthodes de provisionnement pour utiliser leurs avantages et minimiser leurs défauts, car
certaines méthodes sont efficaces pour estimer les provisions des survenances anciennes mais
donne des estimations approximatives pour les années récentes en raison du peu
d’informations disponibles. A contrario, les provisions récentes sous certaines méthodes
seront meilleures. Tous les modèles classiques de provisionnement ont une vision à l’ultime
c'est-à-dire, étudient la variabilité de l’estimation des réserves par rapport à sa valeur à la fin
de leurs développements ; il existe plusieurs modèles et méthodes de réservation permettant
de déterminer le montant de provisions ; ces méthodes se divisent en deux catégories : les
méthodes déterministes et les méthodes stochastiques. Les méthodes classiques déterministes
d’estimation de la charge finale utilisent les données agrégées par année de survenance et par
année de développement permettant de calculer une cadence de développement moyenne à
partir des données historiques, nous pouvons citer les méthodes de Chain-ladder, London
Chain et Bornuhetter Fergusson, En revanche, ces méthodes dites « déterministes » ne
possédant pas le cadre probabiliste, ne nous permettent pas de calculer l’erreur de prédiction
ce qui prive donc les assureurs d’une mesure de risque utile au pilotage de leur activité, les
sinistres futurs étant soumis à des évènements inattendus, les erreurs de prévisions de
provisionnement sont inévitables quel que soit la méthode choisie. Pour identifier cette
incertitude liée à ces modèles, des méthodes stochastiques ont été introduites, inspirées de ces
méthodes déterministes qui sont la méthode de Mack, la méthode de Boostrap et la méthode
de Bornhuetter Fergusson stochastique et la méthode de christophide. Néanmoins, ces
méthodes permettent uniquement le calcul de l’erreur de prédiction des provisions dans le
cadre de l’utilisation d’une méthode bien précise ; une détermination de la provision à l’aide
des quantiles se révèle plus approprié ; c’est pour cette raison que l’approche stochastique est
au cœur de discussions relatives à la solvabilité à la refonte à niveau des indicateurs de
solvabilité des entreprises d’assurance.
Face à l’ouverture du marché de l’assurance en Algérie, les institutions financières

nationales ; les assurances en particulier, se verront confronter à d’autres organismes
assureurs étrangers évoluant en conformité avec les méthodes de provisionnement les plus
récentes, élaborées en réponse aux besoins des réalités économiques et afin d’assurer leur
survie dans un environnement prévu plus hostile du point de vue concurrentiel, nos
Page 11
entreprises devront se familiariser obligatoirement avec les nouvelles techniques et

mécanisme financières imposées par la nouvelle donnée économique.
L’objectif de cette étude intitulée « modélisation stochastique des provisions techniques

en assurance non-vie » est de proposer une modélisation stochastique de réservation de nature
récurrente, et la comparer avec les méthodes classiques de provisionnement qui existent dans
la littérature, notre méthode récurrente part d’une fonction objectif à optimiser et se termine
par un algorithme récursif pour la mise en œuvre effective sur les données.
Les algorithmes récurrents ont occupé une place considérable due au développement du
traitement numérique, et à l'augmentation constante de la puissance des calculateurs,
permettant ainsi l'implémentation en temps réel d'algorithmes de plus en plus sophistiqués.
L'intérêt de la forme récursive des algorithmes récursifs est dû à la possibilité du traitement en
ligne des donnés en temps réel grâce à une mémorisation finie dans un vecteur de taille fixé.
En effet l'estimation courante est remise à jour de manière à ce que le nombre d'opérations et
l'espace mémoire ne croient pas avec le nombre d'observations et ne dépendent que du modèle
choisi.
Plusieurs critères à optimiser peuvent être considérés (approche bayésienne, maximum

de vraisemblance, etc.). Mais souvent le critère retenu est la minimisation de l’erreur
quadratique moyenne (Mean Square Error ou MSE) cette approche permet de construire une
suite d’estimateur de paramètre à estimer qui permet d’approcher de plus en plus la vraie
valeur de ce paramètre. Pour cela, nous avons proposé d’évaluer les provisions techniques
avec différentes méthodes existantes et avec l’ensemble de nos méthodes proposées et on a
essayé de se poser la problématique suivante :
 Quels sont les modèles financiers à appliquer pour l’estimation des provisions ?
 Comment peut- on estimer les paramètres de ces modèles récursivement et obtenir
un algorithme récurrent à travers les méthodes d’estimation utilisant directement les
données.
 Quel est l’intérêt des algorithmes récurrents dans le traitement des données et
particulièrement les séries financières et monétaires qui sont souvent caractérisées
par une dynamique non linéaire dont la plus significative est le fait que la variabilité
instantanées de la série (appelée volatilité) dépendent de façon importante du passée.
Page 12
 Comment choisir les valeurs initiales des paramètres du modèle récursif pour que
l’estimateur ne s’éloigne pas de la vraie valeur du paramètre à estimer, et quel sera
l’effet d’incorporer un facteur d’oubli dans la méthode d’estimation récursive pour
atténuer les variations des paramètres car les méthodes récursives sont très sensibles
aux valeurs initiale.
 Les réserves calculées par la méthode récursive proposée se rapprochent-elles vers les
provisions estimées via les modèles déterministes et stochastiques classiques tels que
Chain ladder, London Chain, bornhutter- Ferguson ainsi que le modèle de Mack, etc.
 Lequel des différents modèles stochastiques présentés permettent d’avoir le niveau de
provisions requis et comment peut-on trouver ce niveau de provisionnement adéquat ?
Et quelles sont les idées provenant néanmoins être utilisées pour choisir entre
différents modèles classiques et les modèles récursifs proposés ?
La modélisation proposée via une variété de modèles nous a semblé être très
intéressante, nous l’avons appliqué sur des données générées aléatoirement qui proviennent
des 5000 simulations générés par le programme proposé dans le papier [BEN] et aussi sur des
données tirées de la référence [TLS], Nous l’avons appliqué aussi sur un portefeuille
automobile sur les données de la compagnie algérienne la C.A.A.T et la S.A.A.
Le plan de la thèse
Cette thèse est formée de six chapitres et quatre annexes, nous présentons brièvement le
contenu de chaque chapitre :
Le chapitre 1 comporte quelques notions théoriques de l’assurance non-vie, pour mieux

cerner le domaine de l’assurance et bien comprendre son fonctionnement pour pouvoir
assimiler la suite de travail.
Le chapitre 2 est, quant à lui, consacré au provisionnement en assurance non-vie, sa

problématique sa définition et sa formulation.
Le troisième chapitre sera consacré aux méthodes actuarielles déterministes de

provisionnement, on y présente les modèles Chain-Ladder, London Chain, la méthode de De
Page 13
Vylder et la méthode de Bornhuetter-Fergusson déterministe, nous évoquerons les avantages

et les limites de ces méthodes qui peuvent manquer de précision dans la réalité.
Le chapitre 4 sera consacré aux méthodes stochastiques des provisions techniques d’une
compagnie d’assurance, nous présentons les différentes modélisations telles que le modèle de
Mack et la méthode de « BOOSTRAP », et enfin nous présentons le modèle linéaire de
Christophide qui est inspiré du modèle déterministe de De Vylder.
Dans le chapitre 5 nous parlerons de l’intérêt de la forme récursive des algorithmes

récurrents pour le calcul des provisions en énonçant quelques théorèmes faisant une
démonstration mathématique des propositions énoncées dans le chapitre
Le sixième chapitre quant à lui mettra en pratique les différentes méthodes citées dans la
partie théorique sur des données simulées et sur des portefeuilles automobiles faisant une
comparaison entre les différents résultats des modèles. On utilisera les résultats obtenus par
la méthode de Chain-Ladder comme référence pour les modèles récursifs proposés. Si ces
derniers sont bons ils devraient reproduire un résultat similaire à celui de Chain-Ladder sur les
mêmes données.
Nous terminons notre thèse par une conclusion qui résume les résultats obtenus et
aborde des suggestions pour des études ultérieures ouvrant un autre thème de recherche.
Page 14
Chapitre 1 : Aspects généraux sur l’assurance
Page 15
Introduction
Une opération assurance est une opération synallagmatique par laquelle une partie,
l’assuré, se fait promettre, moyennant une prime, pour lui ou pour un tiers, en cas de réalisations
d’un risque, une prestation par une autre partie, l’assureur qui, prenant en charge un ensemble de
[GCH]
risque, les compenses conformément aux lois de la statistique . Autrement dit, c’est une
technique qui repose sur un contrat, le contrat d’assurance en vertu duquel un assureur s’engage,
en contrepartie du versement régulier d’une prime, d’indemniser les sinistres dont une personne
(assuré ou tiers) est victime. Cette activité est née du besoin de se prémunir contre le risque,
l’assureur qui, prenant en charge un ensemble de risque, les compense conformément aux lois de
la statistique. Cettge définition implique que par nature, le cycle de production de l’assurance est
inversé, c’est-à-dire que l’assureur perçoit le prix de son produit d’assurance avant de connaitre
son coût de production. Cette caractéristique est illustrée par son bilan où une grande partie de
son passif est composée des dettes probables (provisions techniques) envers ses assurés estimées
souvent par des méthodes statistiques.
Théoriquement, les risques les plus divers peuvent être pris en charge par l’assurance,
risque matériels (incendie, vol), risque humains (invalidité, maladie, vieillesse) ou risque
juridique (responsabilité civile). L’idée d’assurance est loin d’être nouvelle même si les procèdes
de gestion impliquant notamment des calculs mathématique de plus en plus complexe.
Dans ce premier chapitre, sont rassemblés des informations diverses sur les aspects
essentiels de l’assurance pour mieux cerner le domaine et bien comprendre son fonctionnement.
La première partie du chapitre sera consacrée à la présentation des grandes étapes de l’histoire de
l’assurance, des notions théoriques de bases en assurance sont présentées définissant, l’opération
d’assurance ; quant à la deuxième partie du chapitre, consiste à une présentation succincte des
principales opérations qui sont conduites au sein d’une société d’assurance, nous terminerons par
la présentation de triangles de développement qui sera utilisé dans toutes les méthodes et
modèles de provisionnement.
Page 16
1.1 Histoire de l’assurance

L’assurance est une institution relativement récente, en réalité elle n’a fait son apparition
qu’à la fin du moyen âge sous la forme de l’assurance maritime, comme conséquence du
développement du commerce de la mer dans tous les pays de bassin méditerranéen La
compensation des risques sous la forme d’association et solidarité est très ancienne puisque on
trouve sa trace dès la plus haute antiquité. Dans le monde antique gréco-romain on voit
apparaitre des coopératives mutuelles, souvent par corps de métiers, pour garantir la subsistance
de la famille en cas de la disparition du chef de la famille. Au moyen Âge, se développe une
solidarité organisée entre les agriculteurs d’un même village pour face aux calamités agricoles et
météorologiques. Mais c’est sous une forme plus spéculatrice, s’apparentant d’avantage au pari,
que l’assurance va ensuite se développer, il s’agit du prêt de la grosse aventure [DEC] dans le
domaine du transport maritime.
C’est en Angleterre, dans le domaine maritime que l’assurance prend naissance. La perte
des navires et de leur contenu étant souvent une cause de faillite des armateurs, ceux-ci ont
essayé de s’en prémunir en mutualisant le risque sous forme de coassurance. Les armateurs
partagent les mêmes risques, chacun prenant une part sur chaque bateau qui navigue. En effet,
pour couvrir les expéditions maritimes, les banquiers, dans un but spéculatif accordaient des
prêts aux armateurs, ils avancent le prix de la cargaison et en cas de perte de la marchandise,
perdait leur prêt, par contre si le navire arrive à bon port, ils avaient droit au remboursement
intégral de leur prêt augmenté d’un substantiel intérêt (15 à 40% ) du total de la cargaison.
Cependant, la législation canonique condamna cette pratique de prêt, mais les spéculateurs
imaginèrent une autre formule qui consiste cette fois pour les spéculateurs à acheter la cargaison
tout en retenant à la conclusion du contrat de vente, une prime qui lui restait acquise dans tous
les cas, et si l’opération maritime réussissait le contrat de vente était annulé en vertu d’une clause
accessoire.
En France, c’est Colbert, intendant en finance de Louis XIV, qui est l’artisan légal de la
toute première loi sur l’assurance maritime. En 1686, la première compagnie générale pour les
assurances maritimes a vu le jour. Complémentaire à l’assurance maritime des assurances
terrestres apparaissent au XVIIème siècle pour assurer les transports des marchandises arrivées
par mer. Elle est encore plus récente, fit son apparition en Angleterre sous forme de l’assurance
contre l’incendie.
Page 17
La compagnie des eaux est créée par les frères Périer, c’était la première compagnie
d’assurance contre le feu. L’assurance contre l’incendie a vu le jour à la suite du grand incendie
de Londres du 2 septembre 1666, à 1 heure du matin, l’incendie éclata dans une boulangerie ;
favorisé par le vent, il se propagea de maison en maison car celles-ci étaient fabriquées en bois et
leurs toits en chaume, ce n’est qu’au bout de 7 jours qu’on arriva à l’arrêter. Il détruisit plus de
13000 maisons et près de 90 églises [DEN]. Ce terrible sinistre donna naissance très rapidement
à plusieurs compagnies d’assurance contre l’incendie telle que « Fire Office », « royal Exange ».
C’est à la même époque que l’assurance contre l’incendie prit son essor dans la plupart des
pays, notamment aux États-Unis et en Allemagne, où elle fut, à l’origine, du moins pour les
immeubles, obligatoire auprès des caisses publiques qui se développèrent grandement dans les
divers états au début du XIX siècle avant d’être supplantées par des compagnies privées.
Les assurances sur la vie prirent naissance en Italie du nord [DEN]. Les italiens pariaient
sur la vie ou le décès d’une personne ce qui entraina de grands abus, on pariait même sur la vie
des rois, la faveur d’un courtisan, etc... Mais très vite cette forme considérée comme immorale,
elle fut prohibée au XVIème siècle partout sauf en Angleterre [LEZ]. Cette prohibition fut
officiellement confirmée en France par l’ordonnance sur marine « Défendons de ne faire aucune
assurance sur la vie des personnes » Napolitain Lorenzo Tonti [LEZ] crée une autre forme de
d’assurance sur la vie, par laquelle la part des prémourants profite aux survivants soit qu’ils se
partagent le capital constitué soit qu’ils perçoivent une rente viagère constitué à l’aide de ce
capital.
Pour assister à la naissance de l’assurance moderne, il faudra encore attendre le

développement du calcul actuariel, dont les principales étapes sont :
 La loi des grands nombres : Pascal (1654).

 La première table de mortalité Huygens (1657).
 Le premier calcul de rente viagère de Wit (1966).
 Le premier traité d’actuariat par Richard prince au milieu du XVIIIème siècle.
Depuis le XIX éme siècle, l’assurance a connu dans les pays développés une progression
fantastique qui s’explique par deux types de raisons :
 Augmentation du niveau de vie, apparition de nouveaux biens, développement des

transports, installations industrielles.
Page 18
 Recul de la solidarité familiale, généralisation du salariat.
1.2. Définitions et concepts de base de l’assurance
Dans cette section, sont rassemblée des informations diverses de portée générales et très
utile, permettant de clarifier quelques concepts de base dans le domaine de l’assurance. Nous
donnons dans un premiers temps une définition à l’assurance, nous définissons ensuite le risque,
la prime, et le sinistre ce nous appelons le triptyque de l’assurance.
1.2.1. L’assurance
L’assurance est un contrat par lequel l’assureur s’oblige, moyennant des primes ou autres
versements pécuniaires, à fournir à l’assuré ou au tiers bénéficiaires au profit duquel l’assurance
est souscrite, une somme d’argent, une rente ou une autre prestation en cas de réalisation du
risque prévu au contrat.
L’opération d’assurance a pour effet le transfert (total ou partiel) des conséquences

financières du risque subi par l’assuré vers une société d’assurance, le moyen mis en œuvre par
ces organismes pour les prémunir contre le risque est de les associer à une communauté de
personnes (les assurés),qui cotise pour être en mesure d’indemniser ceux parmi ces membres qui
subiraient les dommages matériels, c’est un système de gestion de risque basé sur la solidarité .
L’activité d’assurance est soumise à un contrôle spécifique de l’état, dans l’intérêt des
assurés, des souscripteurs et des bénéficiaires de contrats. L’assureur travaille avec l’argent des
autres, en fait celui des membres de la mutualité, cette activité est caractérisée par une inversion
du cycle de la production (la prime est encaissée immédiatement, alors que la prestation et le
règlement de l’indemnité interviennent ultérieurement, une promesse de prestation qui peut se
réaliser, et un décalage possible entre la survenance du fait dommageable générateur du
paiement de l’indemnité et le règlement définitif de cette indemnité.
C’est pour cela que le fonctionnement financier d’une compagnie d’assurance doit à tout
moment garantir la solvabilité de l’entreprise. Cette solvabilité est garantie entre autres par la
constitution de provisions ou réserves techniques.
1.2.2. Le contrat d’assurance
D’un point de vue juridique, le contrat d’assurance est un contrat aléatoire dans lequel
chacune des parties accepte le caractère incertain de l’évènement. Il donne naissance à
Page 19
l’obligation de l’assureur d’indemniser la victime au cas où surviendrait cet évènement incertain.

En l’absence de l’aléa, le contrat est nul. Il s’agit alors d’un accord passé entre, une entreprise
d’assurance dénommée l’assureur et d’autre part un souscripteur (un individu ou collectivité)
fixant à l’avance, pour une période déterminée, des échanges financiers en fonction d’un
ensemble bien défini d’événements aléatoires [PET].
La police est l’écrit qui constate la formation d’un contrat d’assurance, elle comprend des
conditions générales non personnalisés et des conditions particulières qui précisent notamment
la date de prise d’effet de contrat, la durée de la garantie, les caractéristiques du risques assuré, le
montant des versements à effectuer par le souscripteur, et le mode de détermination des
prestations de l’assureur. Cette définition apporte trois éléments propre à la nature du contrat
d’assurance risque, sinistre et prime tels sont les trois éléments fondamentaux qui caractérisent
l’assurance :
1.2.3. Le risque
Un risque assurable est un évènement futur, aléatoire légalement assurable et mesurable .Sa
réalisation ne doit pas dépendre de la volonté exclusive d’une partie. Selon [MAK] le risque est à
la fois de l’évènement qui déclenche l’obligation des assureurs parfois le bien lui–même l’objet
de contrat, c’est aussi et surtout, l’objet de l’obligation de l’assureur autrement dit les
conséquences qu’il s’est engagé à compenser d’un évènement incertain atteignant une personne,
un bien ou un patrimoine bâtiments, installations, matériel, mobiliers véhicules, marchandises,
…).
1.2.4. La prime
Elle est appelée souvent « le prix de l’assurance » c’est le montant pour lequel l’assureur
s’engage à protéger son souscripteur en cas de survenance d’un sinistre. Autrement dit, la prime
est la rémunération que l’assuré doit versée à l’assureur en contrepartie de la sécurité que ce
dernier lui procure pendant la durée contractuellement convenu.
Le terme prime est souvent critiqué qu’en raison même de son étymologie, on peut penser
qu’il désigne le versement de l’assureur, c’est le terme consacré à la législation qu’en suite il
corresponde à l’anglais « premium » et parce que la proximité du « premier » indique une
caractéristique essentielle, celle d’un versement intervenant d’avance, au point de départ de
l’opération d’assurance.
Page 20
1.2.5. Le sinistre
Selon [PLA], le sinistre est la réalisation d’un risque assuré, fait naître l’obligation de
garantie de l’assureur. De conditionnelle qu’elle était avant la réalisation du risque aléatoire
assuré, l’obligation de l’assureur devient certaine après. La notion de sinistre dans les assurances
des choses notamment, l’objet assuré est volé, incendié. En revanche dans les assurances
responsabilité, elle implique plusieurs éléments : il faut un fait dommageable, apparition d’un
dommage, une réclamation de la victime [DEL].Tant que ces éléments ne sont pas réunis, il ne
peut en principe y avoir de sinistre. Un fait dommageable qui provoque des préjudices mais n’est
pas suivi de réclamations pour quelque raison que ce soit n’entraine pas non plus d’obligation
d’intervention de l’assureur. Il faut donc bien que les trois éléments soient réunis pour que
naisse l’obligation de couverture de l’assureur.
1.3. Classification des différentes branches d’assurance
Le critère du mode de gestion des primes permet d’établir une distinction entre « Assurance
vie » et « Assurance non-vie » Le critère du principe d’indemnisation des sinistres permet de
distinguer entre « Assurance de dommage » et « Assurance de personne ».
Ainsi, l’assurance est partagée en différentes branches, à savoir que pour chaque catégorie
de risque la technique de l’assurance sera différente, il y a de ce fait deux types fondamentaux de
classification des branches d’assurances :
1.3.1. Assurance vie
Cette branche d’assurance regroupe toutes les assurances dont le risque est lié à la durée
de vie de l’assuré, c’est toute forme d’assurance dont le paiement dépend de la question de savoir
si l’assuré est mort ou vivant. Au sens plus large, ce terme porte sous toute forme d’assurance
dont le paiement dépend de l’état de santé de l’assuré .La branche vie recouvre les assurances qui
versent des prestations :
 Au décès d’une personne.
 A une personne vivant un certain temps (assurance mixte, rentes et retraites).
 En cas d’invalidité.
 En cas de blessure ou de maladie (Assurance maladie).
Page 21
 Assurance en cas de décès :
Elle permet d’assurer l’avenir des proches, les assureurs proposent diverses formules
d’assurances adaptées aux besoins de chacun, les deux principales garanties sont les suivantes :
 Assurance temporaire décès :
Elle garantit le versement d’un capital ou d’une rente en cas de décès de l’assuré survenant
pendant la période de validité de contrat. Si l’assuré est en vie au terme de cette période le
contrat d’assurance prend fin, les cotisations versées ne sont pas récupérées par les souscripteurs
du contrat mais bénéficient à l’ensemble des assurés.
 Assurance vie entière :

Elle est souscrite pour une durée indéterminée et se dénoue lorsque survient le décès de
l’assuré quel que soit la date, ce type d’assurance prévoit le versement d’un capital ou d’une
rente au bénéficiaire désigné.
1.3.2. Assurance non-vie
Les assurances non-vie regroupent :
 Les assurances de choses et de responsabilité qui font partie des assurances de

dommages.
 Les assurances individuelles accident et les assurances de santé qui font partie des
assurances de personne.
1.3.2.1. Typologie des différentes assurances non-vie :
Les différentes assurances non-vie ne constituent pas sur le plan technique un ensemble
homogène. Des différences importantes existent entre elles qu’il convient d’avoir à l’esprit car
ces disparités vont entrainer pour les études actuarielles l’emploi de méthodes différentes.
On distingue ainsi les trois grands types suivant d’assurance qui sont sur plusieurs plans
assez nettement différents :
a) Les assurances de choses et de biens

Dans lesquelles le préjudice provient d’une atteinte au bien de l’assuré : Corps de
véhicule terrestres, ferroviaire, aériens et maritimes, marchandises transportées,
incendies et élément naturels et autres dommages de biens.
Page 22
b) Les assurances de responsabilité ou des dettes (R. C. véhicule terrestres automoteur,

véhicules aériens et maritimes, R. C. générale) : L’assurance de responsabilité civile est un
contrat qui garantit les conséquences pécuniaire encourues par l’assuré lorsque celui-ci cause un
dommage matériel ou corporel à un tiers que ce soit par sa négligence, son imprudence. Ce type
de contrat concerne les particuliers, les professionnels, les entreprises et les associations.
L’assureur de responsabilité civile indemnise au titre des garanties souscrites, la victime d’un
préjudice dont son client est responsable ; la victime a une indemnité correspondant au dommage
subi, elle correspond à l’obligation de réparer les dommages causés à autrui
c) Les assurances de personne (Accident, Maladie) dans lesquelles le préjudice subi par
l’assuré provient d’une atteinte à sa personne physique suite d’un accident corporel ou de la
maladie (décès accidentel, indemnité journalière frais de soins, invalidité, remboursement de
frais de soins).
1.3.2.2. La gestion et la distribution en assurance non-vie
Les nécessités de la gestion amènent les sociétés d’assurances à procéder au regroupement

des différentes branches en prenant en considération comme élément central l’objet de
l’assurance On distingue ainsi : L’assurance automobile, l’assurance des habitations, l’assurance
des professionnels et des entreprises, l’assurance construction et l’assurance transports [CGB].
1.3.2.3. Les principales opérations constituant l’activité d’une société non-vie
a) Rédaction des contrats : Cette phase est tout à fait crucial, car une rédaction minutieuse
et sans ambiguïté est le seul garant d’une description précise des garanties accordées à l’assuré,
lui a pour effet d’éviter des désaccords entre l’assureur et l’assuré au cours de la vie du contrat,
et de permettre à la société d’assurance une évaluation rigoureuse de ces engagements. Pour
plus de détails on peut consulter [PAB].
b) La déclaration, la sélection et la souscription du risque : Une grande attention doit

être portée à la rédaction du document de déclaration du risque qui doit permettre à l’assureur de
se forger une opinion exacte sur le risque qu’il accepte de porter.
c) La tarification des risques : Elle constitue une opération centrale et nécessitent une
phase rétrospective pour prendre en compte les données qui sont nécessairement du passé et
une analyse prospective pour que la tarification soit en adéquation avec l’évolution des risques.
Page 23
d) Le Paiement des primes ou cotisations : La prime est le plus souvent payable

annuellement mais dans la pratique ce paiement est souvent fractionné pour alléger la charge
qu’elle représente pour l’assuré.
e) La surveillance du portefeuille : Elle consiste dans la vérification de l’adéquation du

tarif pratiqué à l’évolution du de la mutualité mais également de celle des résultats d’un contrat
à ceux de la mutualité à laquelle a été agrégé. En cas d’évolution hétérogène, les solutions à
envisager sont, soit un changement de tarification soit la résiliation du contrat à l’échéance
suivante.
f) Le règlement des sinistres : La déclaration d’un sinistre est en assurance non-vie une
obligation de l’assuré. Le délai de déclaration est fixé par le contrat mais règlementairement
celui-ci ne peut être supérieur à cinq jours ouvrés (48 heures en vol). Dès lors qu’un sinistre a
été déclaré, un processus s’engage dans les services de gestion des sinistres de la société
d’assurance pour vérifier l’existence de contrat d’assurance de la garantie du sinistre déclaré
(confrontation avec les clauses de la police), un expert est éventuellement mandaté pour évaluer
le montant des dommages (en assurance de chose et en assurance de responsabilité à objet
déclaré, l’indemnités est fixée par référence à la valeur au moment du dommage ou en valeur
agréée). Il est ensuite procédé à l’examen de la mise en application des règles de cumuls
d’assurances [DEN]. Le régleur sinistre peut alors évaluer de façon plus précise le montant de
l’indemnité, soit parvenir à un accord amiable avec l’assuré ou la victime, soit emprunter la
voie judiciaire, au cas où le paiement de l’indemnité n’intervient pas totalement dans un seul
exercice.
g) L’exercice des recours : Un assureur qui a payé l’indemnité est subrogé dans les droits
de son assuré contre le tiers responsable. Aussi par la subrogation, l’assureur utilise les droits de
la personne à laquelle il a versé l’indemnité d’assurance et exerce un recours dit « subrogatoire
« contre le responsable de dommage.
h) La détermination des provisions : Le régleur de sinistres, procède pour chacun des

dossiers dont il a à la charge, à une évaluation du coût final qu’il modifie au fur et à mesure dès
que des informations nouvelles lui parviennent. Cette évaluation, une fois déduite des
paiements déjà effectué constitue la provision pour ce dossier. A chaque inventaire, il est
procédé à un réexamen de cette provision jusqu’à ce que le dossier soit clos. Il convient
également d’estimer le nombre et le coût des sinistres tardifs, c’est-à-dire ceux dont l’assureur
Page 24
n’a connaissance qu’après la clôture de l’exercice de rattachement. Il faut noter que les
provisions pour sinistres sont déterminées :
- Dans un but prudentiel de façon à garantir le paiement de tous les sinistres.
- Avec un objectif tarifaire de façon à cerner le coût final des sinistres tout particulièrement
dans les branches de développement long.
i) Les cessions en réassurance : Afin d’homogénéiser les risques en portefeuille, protéger

son bilan et son compte de résultats, augmenter ces capacités de souscriptions et lisser ses
résultats dans le temps, la société d’assurance peut être amené à se réassurer auprès soit d’un
réassureur professionnel soit d’une autre société d’assurance directe qui accepte des risques en
assurance. Les cessions sont souvent traitées au sein d’un département spécialisé de la société
d’assurance qui, après avoir analysé les engagements souscrits et pris en compte les objectifs de
rentabilité adoptés, négocie les contrats de réassurance.
j) La gestion financière : Comme contrepartie des provisions techniques, qui matérialisent

au passif les engagements pris vis-à-vis des assurés et des bénéficiaires des contrats et des
capitaux propres qui garantissent la solvabilité de la société d’assurance, celle-ci réalise des
placements financiers et immobiliers dont les revenus procurent une ressource supplémentaire
significative. Bien évidemment, les placements doivent être en adéquation avec la nature des
engagements de façon que les paiements nécessaires puissent être en temps opportun (problème
de la liquidité des placements).
1.3.2.4. Aspect économiques et financiers : Comme dans toute entreprise, l’activité

d’une société d’assurance génère des flux financiers (input et output) et conduit à la
matérialisation de réserves et de provisions à chaque clôture de compte. Au titre des flux positifs
on peut retenir : les primes, les revenus financiers des placements, l’encaissement des recours
les plus-values sur cessions d’actifs ; les commissions de réassurances, la participation de
réassureurs dans le paiement des sinistres etc. Au titre des flux négatif s on peut citer : Les
paiements des sinistres, les commissions versées aux intermédiaires (agents généraux, courtiers
ou autres réseaux), les frais divers de gestion et d’acquisition de nouveau contrat, les frais
généraux de la société, les primes de réassurance, les impôts et, le cas échéant, les dividendes
versés aux actionnaires, etc.
Page 25
1.3.2.5. Les flux et le résultat d’un exercice comptable
Ils proviennent des ressources ou de débours externes comme les primes, les encaissements
des recours ou les paiements de commissions aux intermédiaire mais aussi de la variation des
stocks que sont les diverses provisions ou les fonds propres.
- Les primes (+) : La prime d’assurance est, le plus souvent, déterminée pour couvrir une
année de couverture et en principe exigible d’avance.
- Les primes émises : Le mode de comptabilisation des opérations d’assurance impose de

prendre en compte le montant de prime qui sera annulés en fin d’année car ne pouvant être
effectivement perçus. Diverses circonstances conduisent en effet à une telle situation : résiliation
du contrat par l’assuré, non-paiement de la prime, disparition de la chose assurée, décès de
l’assuré, etc. Par ailleurs, au moment de l’inventaire de fin d’année, certains montant de primes
restent à émettre, qu’ils s’agissent de polices signées en fin d’année pour lesquelles on n’a pas
eu le temps de procéder à l’émission ou, par exemple, de police à déclaration (payable à terme
échu) [CBJ]. Le solde de ces opérations constitue les primes émises nettes d’annulation ou prime
nettes de l’exercice. Ainsi on peut écrire : Primes nettes de l’exercice (n) = Prime émises au
cours de l’exercice n - variation de la provision d’annulation de prime au cours de l’exercice n
+ prime restant à émettre à la fin de l’exercice - primes restants à émettre à la fin de l’exercice
n-1
- Les primes acquises : La notion de prime acquise est une notion comptable et ne
correspond pas à un flux réel. Du fait du principe de l’annualité des comptes, la prime émise
nette relative au contrat doit être scindée en deux parties. Une partie destinée à couvrir le risque
cours de l’année jusqu’au 31/12/n constitue la prime acquise tandis que le reste est destiné à
couvrir le risque entre 31/12/n et la prochaine échéance de prime ou le terme du contrat est
placé dans une provision : La provision pour prime non acquise.
Examinons un exemple très simple : Un contrat est souscrit le 1er Mai de l’année n pour
une durée de un an. La prime émise se monte à 6000 DA .Au titre de l’année n la prime acquise
8 4
sera égale à : 6000x12=4000DA. Le solde 6000x12=2000DA sera inclus dans la provision pour
prime non acquise.
Page 26
Chapitre 2 : Provisionnement en assurance non-vie
Page 27
Introduction
L’opération d’assurance vue globalement est une opération anti-aléatoire de lutte collective
contre le hasard, une compagnie d’assurance se distingue d’une entreprise traditionnelle du fait
de l’inversion du cycle d’exploitation, elle est appelé à indemniser ses sinistres à court, à moyen
et à long terme avec des versement qui peuvent s’échelonner sur plusieurs années, effectivement
le règlement des sinistres ne se fait pas en une seule année, ainsi il est essentiel que la compagnie
d’assurance soit toujours en mesure de payer ses engagements envers les assurés ayant payé une
prime pour être couvert sur une période à venir pour d’éventuel sinistres .Pour cela elle devra
constituer une provision technique correspondant à son engagement et disposant des fonds
propres garantissant sa solvabilité.
En raison de sa particularité et de sa position extrêmement importante dans l’économie,

l’assurance est soumise à une réglementation supervisée par les autorités de contrôle. Les assurés
doivent détenir suffisamment de capital pour face à leurs engagements envers les assurés. Une
première réglementation en Europe a été mise en place « Solvabilité I ». Elle s’organise autour
des provisions techniques et des exigences en fonds propres, mais elle présente quelques
faiblesses à savoir que le régime n’est pas harmonisé au niveau européen ; que les calculs de
solvabilité ne reflète pas les risques supportés par les l’assureur et à cause du fait qu’il est
considéré comme institution financière, la commission européenne a souhaité mettre une
nouvelle réglementation « Solvabilité II » (surnom de la Directive 2009/138/CE du Parlement
européen et du Conseil du 25 novembre 2009). L’objectif est de corriger les défauts de la
précédente. L’aspect quantitatif le plus important de cette réforme est que les assureurs doivent
détenir suffisamment de capital pour que la probabilité de ruine à horizon 1an soit inférieure à
0,5% . En 2009, la réforme engagée s’est concrétisée par l’adoption du parlement Européen de
la directive qui est une réforme réglementaire du monde de l’assurance son objectif est de mieux
adapter les fonds propres ; plaçant la gestion des risques au cœur du système prudentiel des
assurances et ; d’encourager les organismes d’assurance à mieux connaître et évaluer leurs
risques, afin de protéger les preneurs d’assurance, assurant la compétitivité, la transparence et la
cohérence tenant compte des évolutions du marché et fixant une marge de solvabilité mieux
adaptée aux risque réellement encourus.
Page 28
Les exigences sont structurées en trois piliers (Figure 2.1) :
 Premiers piliers : a pour objectif de définir les normes quantitatives de calcul des
provisions techniques et des fonds propres
 Deuxième pilier : a pour objectif de fixer des normes qualitatives de suivi des risques en
interne aux sociétés et comment l'autorité de contrôle doit exercer ses pouvoirs de
surveillance dans ce contexte
 Troisième pilier : a pour objectif de définir l'ensemble des informations détaillées

auxquelles le public aura accès, d'une part, et auxquelles les autorités de contrôle
pourront avoir accès pour exercer leur pouvoir de surveillance, d'autre part.
Figure 2.1. Objectifs de Solvabilité II
2.1. Le provisionnement en assurance non-vie
Une assurance est généralement décrite comme un service fournissant une prestation à la
survenance d’un sinistre. La prestation, généralement de nature financière est destinée à des
assurés de différente catégories juridiques : il peut s’agir d’une entreprise, d’une association ou
d’un particulier. Toutefois, en échange de cette protection chaque assuré s’engage à verser
Page 29
auprès de l’assureur et selon des modalités bien définies une cotisation ou une qui lui permettra
d’effectuer son provisionnement.
La problématique du provisionnement est liée à la nature même de l’activité d’assurance, à

savoir l’inversion du cycle de production. Les assureurs ayant pris l’engagement d’indemniser
tous les sinistres survenus pendant la période de couverture ; il convient de constituer des
provisions pour indemniser les victimes d’un sinistre même si celui-ci n’est déclaré puis clôturé
que des années plus tard .
Au 31 Décembre de chaque année date de clôture des comptes, les compagnies

d’assurances doivent évaluer les engagements pris envers leurs assurés et bénéficiaires de
contrats. Ces évaluations sont équivalentes pour les compagnies d’assurances aux travaux de
l’inventaire effectués dans les sociétés commerciales ou industrielles. Les engagements
techniques de l’assureur appelés provisions techniques sont une charge de l’exercice
représentant les montants des indemnités à verser aux assurés et par conséquent figurent au
passif du bilan. Cette rubrique du bilan revêt une grande importance en matière d’assurance. En
effet, une évaluation insuffisante de ces provisions aurait un impact sur la sincérité du résultat de
la société. En échange des primes perçues, l’assureur inscrit au passif de son bilan un
engagement ; dette Les provisions techniques figurant au passif du bilan représentent les
engagements de la compagnie porteuse du risque vis-à-vis des assurés ou tiers lésés. Elles
occupent une place très importante dans le bilan, jusqu’à 80% du passif.
D’un point de vue comptable, la provision technique est une « somme affectée par
l’entreprise à la couverture d’une charge ou d’une perte virtuelle, future ou éventuelle ». Une
autre définition peut être donnée aux provisions techniques : Ce sont des sommes mises de cotés
par l’assureur pour faire face à ces obligations vis-à-vis de ses assurés et bénéficiaires des
contrats d’assurance conclus, elles constituent donc pour une compagnie, la matérialisation
comptable de la dette que l’assureur a contractée envers les assurés en contrepartie des primes
collectées. Cette caractéristique est illustré par son bilan (simplifié) où une grande partie son
passif est composée des dettes probables (provisions techniques) envers ses assurés estimées
souvent par des méthodes statistiques
Page 30
Actif Passif
Placement Fonds propres
(70% à 80%) (10% à 20%)
Part des réassureurs dans Provisions Techniques Brutes

les provisions techniques (60% à 80%)
(10% à 20%)
Dettes et autres passifs
Créance et autres actifs (10 % à 20%)
(10 % à 20%)
Table 2.1. Bilan d’une compagnie d’assurance. [NGC]
2.1.1. Typologie des provisions techniques : [GSI]
Il existe différentes catégories des provisions selon la nature de l’activité exercée par
l’entreprise.
2.1.1.1. Définition des provisions techniques :
Les provisions techniques, qui figurent au passif du bilan (voir Table 2.2), représentent les
engagements et les montants à évaluer vis-à-vis des assurés ou des bénéficiaires ; Autrement
dit, en échange des primes perçues, l’assureur inscrit au passif de son bilan un engagement, une
dette. Elles constituent les comptes de l’épargne qu’a dû accumuler une entreprise d’assurance
à la date de l’inventaire, pour qu’elle puisse faire face à l’avenir à ses engagements envers les
assurés et bénéficiaires de contrats, elles représentent 70% à 80% du total du passif. La
représentation de ces dites provisions techniques diffère selon la législation, en effet chaque
pays prévoie une liste d’actifs admis en représentation des engagements techniques selon ses
propres considérations et impératifs économiques et légaux. [DEC].
2.1.1.2 Type de provisions techniques
Il existe plusieurs types de provisions techniques qu’on peut classer en trois catégories : [SMG]
 Provision pour prime non acquise
 Provisions pour risque en cours
 Provisions pour sinistre à payer
Page 31
a) Provision pour prime non acquise : il s’agit de la provision destinée à constater pour
l’ensemble des contrats en cours, la part des primes émises et des primes restants à
émettre se rapportant à la période comprise entre la date de l’inventaire et la date de la
prochaine échéance de prime ou, à défaut du terme du contrat. Elle est calculée en
prorata temporis reprenant la part des primes émises se rapportant à l’exercice
comptable suivant. Cette provision naît du fait que la plupart des contrats d’assurance
non-vie prévoient une durée de garantie d’un an, et la prime est payée d’avance.
Chaque prime est donc répartie entre les exercices comptables au cours desquels elle
donne droit à couverture. Un assuré qui s’acquitte de sa prime le 1er Mars donnera lieu
au report de 2 /12 du montant de la prime sur l’exercice suivant sous la forme d’une
PPNA. Seule la quote-part des primes afférentes à l’exercice en cours apparait dans les
primes acquises. Le calcul de la PPNA est directement défini par la réglementation.
Compte tenu du nombre de contrats, il est courant que cette provision fasse l’objet
d’un calcul automatisé intégré au système d’information de la compagnie (police par
police).
b) La provision pour risque en cours : Cette provision est destinée à pallier une
insuffisance de la tarification pour faire face à toutes les demandes d’indemnisation. Il
s’agit ici de se prémunir contre un risque de modèle (modèle de tarification) : Si le modèle
retenu par l’actuaire s’avère erroné où s’il apparait que des risques inconnus lors de la
tarification tombent sous le coût de la garantie, l’assureur s’expose à des pertes
systématiques, qu’il reflète dans son bilan sous la forme d’une PREC.
c) La provision pour sinistre à payer (PSAP) [PAB] : Cette réserve concerne les sinistres
survenus à la date d’inventaire mais qui n’ont pas été réglé. Ceux-ci regroupent les
sinistres réglés mais non encore totalement payés. C’est la valeur estimative des dépenses
en principal et en frais (interne et externe) nécessaire au règlement de tous les sinistres
survenus mais restant à payer à la date d’inventaire. Deux types de PSAP doivent être
distinguées : Celle qui concernent des garanties en cours pour lesquelles les sinistres ne
sont pas encore révélés et la provision correspondant à des sinistres survenus mais non
encore payé. Il y’a lieu de distinguer aussi
 Les sinistres considérés réglable mais non encore payé : Le montant du sinistre est
déterminé, mais le paiement correspondant n’est pas encore totalement effectué,
Page 32
autrement dit le montant du sinistre est administrativement déterminé mais il reste tout
ou partie du paiement à effectuer.
 Les sinistres non encore réglés : Soit le sinistre est déclaré et il reste à en évaluer le
montant final ; soit il est survenu mais pas encore déclaré et il faut estimer le nombre et
le coût de tel sinistres (déclarés « tardifs » ou IBNR pour l’anglais « INCURED BUT
NOT REPORTED » Le cas typique d’un sinistre IBNR est l’incendie touchant un hôtel
abritant les fêtes de la fin d’année. S’il survient avant douze coups de minuit ce sinistre
doit être imputé à l’année qui s’achève, même s’il ne sera déclaré qu’au début de
l’année suivante. La nature aléatoire des engagements de l’assureur et les cadences de
règlement parfois très longues rendent parfois les évaluations comptables difficiles : s’il
est aisé d’enregistrer un paiement effectué, il est beaucoup plus difficile de prévoir des
paiements futurs dont les montants sont aléatoires. Dans certains cas, l’évaluation des
provisions tient plus de l’art (savoir évaluer) que la science exacte (la mathématique
actuarielle). Ces provisions pourront être par la suite réévaluées à la hausse ou à la
baisse pour tenir compte d’informations complémentaires (un rapport d’expertise,
facture d’acquisition, etc.). Les paiements effectués seront imputés aux provisions
constituées à cet effet [DEC].
En Algérie, les provisions techniques sont régies par plusieurs textes réglementaires,
notamment l’ordonnance 95-07 du 25 janvier modifiée par la loi 06-04 du 20 février 2006 et
décret exécutif n°13-114 du 28 Mars 2013 relatif aux engagements réglementés des sociétés
d’assurance. Les provisions des sinistres à payer sont calculées selon l’article n°6 du décret
exécutif n°95-342). Par la méthode dite dossier par dossier ou exercice par exercice. Si le
montant de l’indemnité a été fixé par une décision de la justice, l’assureur doit constituer une
provision au moins égale à cette indemnité ; diminuées s’il y’a lieu des avances déjà versées.
Théoriquement, en assurance dommage outre l’automobile, la PSAP est relativement faible, les
règlements pouvant intervenir rapidement ; elle est très lourde, les accidents les plus couteux
demandent de long délais de règlement, notamment pour déterminer les responsabilités ou pour
attendre la consolidation d’un blessé, en procédant à des évaluations distinctes pour les sinistres
matériels et les sinistres corporels. La société peut appliquer, après accord de l’administration de
contrôle, les trois méthodes qu’on va citer après et retenir l’évaluation la plus élevé. Notons
que le montant de la provision pour sinistre à payer (PSAP) s’obtient en soustrayant le montant
de la prévision de recours déterminée précédemment.
Page 33
Nous tenons à préciser que dans le cadre de ce travail de recherche nous nous limitons aux
provisions pour sinistres à payer en assurance dommage qui est la plus importante en assurance
non-vie. On peut shématiser l’évolution dans le temps pour un sinistres déclaré en année n de
la provision à mettre en place chaque année ainsi que les montants des paiemnts réglés, par la
Figure 2.2. La provision doit être réévaluée chaque année en fonction des nouvelles informations
mais aussi des paiements effectués et à effectuer. Dans la plupart des cas, la provision est
décroissante au fil du temps.
01/01/n sinistre 31/12/n 31/12/n+1

31/12/n+2
1er paiement
paiement définitif
garantie
Figure 2.2. Paiement et provision d’un sinistre : [PAB]
Lorsqu’un sinistre survient les gestionnaires de sinistres en estiment le montant soit à

l’aide de factures envoyées par l’assuré, soit sur dire d’experts, soit à l’aide de grille de
références pour certains accidents corporels. Mais seuls sont référencés les sinistres déjà déclarés
à la compagnie d’assurances. Or il convient de provisionner pour tous les sinistres survenus,
même s’ils n’ont pas encore été déclarés. Ceci en raison de délais de quelques semaines ou
beaucoup plus long.
2.1.2. Les méthodes réglementaires de provisionnement :
Selon le décret exécutif n°95-342 de 30/101995 relatif aux engagements réglementés

prévoient quatre méthodes pour l’évaluation des provisions pour sinistres à payer.
a) Méthode dossier par dossier :
Cette méthode constitue un travail long et délicat. Chaque sinistre numéroté en continu
dès que l’assureur en a connaissance, fait l’objet d’une évaluation basée sur les documents en sa
possession (déclaration de sinistres, rapport d’expertise, réclamation de la partie adverse,
Page 34
jugement, etc.). Et lorsqu’une indemnité a été fixée par une décision définitive de justice, la
provision doit être au moins égale à cette indemnité.
Au moment de l’inventaire, tous les sinistres survenus et déclarés sont évalués

individuellement, à la somme de ces évaluations dossier par dossier est ajoutée une estimation
forfaitaire des tardifs (sinistres survenus non encore déclarés à la date de l’inventaire « IBNR »).
Par ailleurs, les sinistres des années précédentes encore en suspens sont révisés et leurs
évaluations sont corrigées pour prendre en compte de nouvelles informations. Le total de ces
différents éléments, majorés d’un chargement Pour frais de gestion constitue la provision pour
sinistre restant à payer inscrites au passif du bilan de l’entreprise.
b) Méthode de cadence de règlement :
Elle consiste à évaluer la charge de sinistre survenu au cours d’un exercice en partant des
paiements effectué et de la cadence de règlement. Cette dernière est le rapport entre les sinistres
déjà payés et la charge total de sinistre
c) La méthode des coûts moyens :
Elle est fondée sur les coûts moyens des sinistres des exercices précédents ; le coût moyen
tel qu’il résulte des statistiques est d’autant plus fiable que la fraction des sinistres définitivement
réglé d’un exercice donné est plus importante. Mais si l’on remonte trop loin dans le temps on
risque de s’appuyer sur une population conditionnée par un autre environnement économique,
administratif et jurisprudentiel (coûts de réparation différents inflation, etc.). Des correctifs sont
donc nécessaires. Cette méthode ne peut pas s’appliquer qu’à un ensemble de sinistre survenu à
la même année, suffisamment nombreux et homogène.
Mode de Calcul :
𝒄𝒐û𝒕 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆𝒔 𝒔𝒊𝒏𝒊𝒔𝒕𝒓𝒆𝒔 𝒄𝒍𝒐𝒕𝒖𝒓é𝒔 𝒂𝒖 𝒄𝒐𝒖𝒓𝒔 𝒅𝒆𝒔 𝒕𝒓𝒐𝒊𝒔 𝒅𝒆𝒓𝒏𝒊é𝒓𝒆𝒔 𝒆𝒙𝒆𝒓𝒄𝒊𝒄𝒆𝒔
Coût moyen=
𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒅𝒐𝒔𝒔𝒊𝒆𝒓 𝒓é𝒈𝒍é𝒔 𝒆𝒕 𝒄𝒍ô𝒕𝒖𝒓é𝒔 𝒑𝒆𝒏𝒅𝒂𝒏𝒕 𝒄𝒆 𝒕𝒆𝒎𝒑𝒔
𝑷𝒓𝒐𝒗𝒊𝒔𝒊𝒐𝒏 = (𝑐𝑜û𝑡 𝑚𝑜𝑦𝑒𝑛 × 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑑𝑜𝑠𝑠𝑖𝑒𝑟𝑠 𝑑é𝑐𝑙𝑎𝑟é𝑠) − 𝑅é𝑔𝑙𝑒𝑚𝑒𝑛𝑡𝑠 𝑐𝑢𝑚𝑢𝑙é𝑠
d) La méthode de blocage des primes :
Elle est basée sur le tarif. La provision pour sinistre à payer au titre d’un exercice de
survenance déterminé est obtenue par différence entre les primes de l’exercice d’une part et les
Page 35
dépenses correspondantes déjà effectuées d’autre part : Sinistres payés, frais d’acquisition et de
gestion. La provision ne sera suffisante que si le tarif est suffisant. Cette méthode suppose la
permanence du taux de sinistre, elle reporte dans le futur tout jugement de résultat ce qui
constitue ses limites mais elle peut être un palliatif en l’absence des données.
2.2 Formulation du problème de provisionnement
Le décalage entre les dates de survenances et du règlement de sinistre, fait que la

réglementation impose aux compagnies d’assurance de détenir des fonds représentant les
paiements futurs afin de faire face à leurs engagements. Le provisionnement est donc un
problème d’évaluation et de prédiction des montants à la charge de la compagnie d’assurance
une situation, liée à la nature même de l’assurance à savoir l’inversion du cycle de la production,
l’assureur perçoit le prix de son produit d’assurance avant de connaître son coût de production.
Les méthodes les plus traditionnelles et les plus souvent utilisées en pratique sont les
méthodes basées sur les triangles de liquidation, un triangle qui agrège les paiements des
sinistres avec un axe représentant l’année de l’origine de sinistre et un autre axe l’année de
déroulement.
Dans cette partie du chapitre nous allons donner une présentation du triangle de
liquidation qui servira de base pour toutes les méthodes utilisées dans l’estimation des provisions
techniques. A partir de ce triangle il sera possible de prévoir les paiements futurs et par
conséquent les réserves techniques à constituer. D'un point de vue plus formel, à la date t, la
compagnie d'assurance est tenue de constituer une provision pour les sinistres survenus avant la
date t qu'elle sera tenu d'indemniser. Elle doit donc estimer le coût des sinistres survenus, et
retrancher les montants déjà versés. Il s'agit donc fondamentalement d'un problème de prévision.
2.2.1. Quelques définitions et notations, aspects réglementaires et comptables
2.2.1.1. Solvabilité d’un assureur
La solvabilité d’une compagnie d’assurance repose sur trois piliers :
1) Evaluer correctement ces dettes : Il s’agit de provisionner le risque et pouvoir calculer ou

estimer à tout moment le montant de ces engagements vis-à-vis de ses assurés.
Page 36
2) Une compagnie d’assurance doit avoir un montant suffisant d’actif sûr.
3) Une compagnie d’assurance doit avoir une marge de solvabilité permettant de rester solvable
à tout moment, même dans l’éventualité d’une perte future.
2.2.1.2. L’insolvabilité d’un assureur
La société d’assurance court elle-même un danger d’insolvabilité, la tâche principale de

l’actuaire consistera à gérer les risques souscrits par l’entreprise afin que la compagnie soit à tout
moment en mesure de remplir ses obligations.
2.2.1.3. La marge de solvabilité
Les autorités de contrôle exercent une surveillance régulière de cette solvabilité pour le
compte des assurés, et cette marge de solvabilité pour l’assurance dommage est constitué par :
- Le capital social ou le fonds d’établissement libéré.
- Les réserves réglementées ou non constitué par la société d’assurance.
- Les provisions réglementées.
- Le report à nouveau, débiteur ou créditeur ;
Et elle doit être au moins égale à15% des provisions techniques à tout moment de l’année,
elle ne doit pas être inférieur à 20% des primes émises nettes de taxes.
2.2.1.4. Les catégories de risques
Les risques couverts en Assurance IARD (Incendie, Automobile, risques divers) sont très
hétérogènes. En assurance IARD (aussi appelée non-vie), on considère les assurances de choses
(assurance contre leur détérioration) et les assurances de responsabilité.
1) Risques courts /Risques longs :
Ces deux types de risques ont des comportements très différents ; ainsi, les sinistres dits
dommages aux biens (DAB : Vol, incendie, dégâts des eaux, …) sont déclarés et réglés
rapidement (en 2-3 ans) alors que les sinistres de responsabilité civile sont déclaré bien après la
survenance.
Page 37
2) Risque de fréquence /Risque à forte volatilité
Les risques de fréquence sont des risques (hors RC) touchant le marché des particuliers ;
par l’observation du passée on peut prédire des probabilités de survenance. Ce sont des risques
observable sur un grand nombre d’individus et ayant une probabilité de survenance parmi les
plus élevées.
2.2.2. Notions de sinistres
L’activité de l’assurance consiste à couvrir un risque aléatoire contre une prime, la

survenance du risque s’appelle un sinistre.
Trois notions de date sont importantes en matière de sinistre :
1) Date de survenance : La date à laquelle le sinistre a lieu
2) Date de déclaration : La date à laquelle le sinistre est déclaré
3) Date de règlement : Les dates auxquelles il est remboursé.
Ces trois dates ne correspondent jamais et il s’écoule souvent plusieurs années entre la date
de survenance et la date à laquelle le sinistre est réglé définitivement. Il peut ainsi s’écouler un
temps plus ou moins long entre la date de survenance du sinistre et sa date d’ouverture, et ce
pour plusieurs raisons : contraintes administratives (envoi du courrier) ou structurelles (les
conséquences de certains sinistres ne sont connus que longtemps après leur survenance). Les
sinistres RC médicale seront par exemple qualifiés de sinistres à déclaration lente, car il s’écoule
couramment plusieurs années entre la survenance du sinistre et le moment où les conséquences
apparaissent. Une fois le sinistre ouvert, celui-ci n’est réglé rapidement que dans les cas simples,
qui ne nécessitent pas ou peu d’expertise et dont le coût moyen est connu. C’est le cas des
sinistres (DAB) des particuliers qui correspondent aux risques courts. Inversement, comme on
l’a vu, les sinistres corporels sont des sinistres à liquidation lente. L’assureur peut ainsi être
informé rapidement de l’existence d’un sinistre corporel (suite à un accident automobile, par
exemple), mais son règlement total ne pourra pas intervenir, en tout état de cause, avant que
toutes les conséquences en terme de santé ne soient connues, c’est à dire que l’état de santé de
l’assuré ne soit stabilisé (c’est la phase dite de consolidation.
Page 38
On constate que pour un exercice comptable donné, il y’a :
 Survenance et règlement des sinistres du même exercice.
 Règlement effectués au profit des sinistres antérieurs.
 Survenance des sinistres mais les déclarations se rapportent à l’exercice suivant.
 Survenance des sinistres sans qu’il y ‘ait paiement effectués au cours du même exercice.
Il s’écoule souvent plusieurs années entre la date de survenance et la date à laquelle le

sinistre est réglé définitivement, un sinistre est rarement réglé en totalité l’année même de sa
survenance, d’où la nécessité et même l’obligation, pour les compagnies d'assurance d’estimer
son coût définitif. Pour chaque type de risque, la procédure est la même : les sinistres sont
constatés puis réglés, la seule différence réside dans le délai de constations ainsi que dans le délai
de paiement.
Evaluation des provisions technique sous solvabilité 2 : Dans le référentiel « Solvabilité II »

le niveau de provision est fixé en référence à une mesure du risque. Par exemple, on choisira la
provision qui permet de payer l’intégralité des sinistres dans 75% des cas (value at risk à75%).
Les provisions sont calculées par un best estimate ajouté d’une marge de risque à travers la
modélisation de la charge ultime sinistre.
Juste valeur (fair value) : Elle est définie comme le montant auquel un actif ou un passif
changé entre les parties bien informées dans le cadre d’une transaction équilibrée. Les provisions
qui représentent l’essentiel du passif des assureurs devront être évaluées sur la base de leur
valeur de sortie actuelle (valeur pour laquelle les engagements pourraient être cédées à une partie
prenante).Leur calcul devra également être cohérent avec les informations fournies par les
marchés financiers d’une manière prudente, fiable et objective.
Le calcul des provisions sous solvabilité 2 se décompose en un calcul de « Best estimate »

auquel s’ajoute une marge de risque.
a) Best estimate : c’est la moyenne des paiements futurs actualisés. On peut souligner
plusieurs definitions
 Moyenne : Le Best estimate est défini comme l’estimation au plus juste du montant des
provisions sans marge de prudence.
Page 39
 Valeur probable : Les flux futurs sont stochastiques et que par conséquent une incertitude
existe lors de leur évaluation.
 Valeur temps ; Les flux sont actualisés à l’aide d’une courbe de taux sans risque.
b) La marge de risque : Elle correspond au coût du capital qui est nécessaire pour couvrir
les risques liés à ses engagements. C’est donc une protection des assurés en cas
d’insolvabilité de l’assureur puisqu’elle permet à un tiers d’être en mesure de reprendre
l’activité. Elle provient du fait que dès aujourd’hui la compagnie sait qu’elle devra
immobiliser du capital les années suivantes pour les engagements qu’elle a actuellement en
portefeuille et ce jusqu’à leur extinction.
 Risque de provisionnement : L’origine du risque de provisionnement est l’incertitude liée à

l’estimation des provisions. On peut associer les facteurs d’incertitude à trois risques : le
risque de volatilité, le risque d’incertitude, le risque des évènements extrêmes.
 Risque de volatilité : C’est un risque associé au fluctuation aléatoires en terme de fréquence

(nombre de sinistre) ou de gravité d’un évènement (valeur des dommages occasionnés par le
sinistre).
 Risque d’incertitude : il correspond au risque d’une mauvaise spécification de la

modélisation de la sinistralité ou d’une estimation erronée d’un paramètre, la capacité du
modèle à estimer les prestations futures repose implicitement sur le respect de deux
hypothèses, il faut supposer que le passé est correctement modélisé et que les prestations
futures de sinistres resteront conformes au modèle. Aussi, supposer l’absence de
changements fondamentaux ou changement de régime dans la formation des prestations. Ces
changements de régime sont imputables à de nombreux facteurs par exemple des décisions
réglementaires ou judiciaire influant sur le niveau moyen des prestations, des changements
dans la procédure interne de gestion des sinistres ou dans la nomenclature des produits, la
révision des contrats de réassurance sont autant de cause susceptible de rendre caduque la
cadence des paiements utilisée dans la projection des prestations futures.
 Les événements extrêmes [BGZ]: Ils sont caractérisés par leur faible fréquence et un impact
désastreux (cas d’un incendie ravageant une raffinerie).Du fait de leur rareté, leur occurrence
ne peut être prédite. Il est difficile de leur attribuer un montant de perte probable.
Page 40
2.3. Triangle de liquidation

Pour permettre l’évaluation actuarielle de la PSAP, les modèles que nous utiliserons
s’appuient sur l’étude des triangles de liquidation et plus particulièrement dans le cadre de cette
thèse sur les triangles de paiements.
Les méthodes classiques de provisionnement sont applicables à l’analyse des triangles de

liquidation, encore appelé triangle de « RUN OFF » reflète la dynamique des sinistres. Ils
permettent de suivre la vie d’un sinistre en analysant par exemple, année par année, le niveau des
règlements qui ont été effectués ou encore le niveau de la charge. Les sinistres sont rapportés à
des périodes : année, semestre, trimestre, mois.
Il s’agit des triangles où :
 Les lignes représentent les années de survenance des sinistres ;

 Les colonnes (année de développement) permettent de prendre en compte le fait que les
risques ont une cadence de règlement plus ou moins lente.
 Les diagonales indiquent l’ensemble des paiements effectuées pour les sinistres des
différentes années de survenance durant un exercice donné.
 Les données du triangle, ce sont les quantités analysées représentant des règlements de
sinistres survenus, qui sont rapportés à des périodes généralement annuelles. L’année
récurrente n se déroule du 01/01/n au 31/12/n .
 Le 31/12/n étant la date d’inventaire ou date de fin d’exercice.
2.3.1. Structure du triangle de développement :

Toutes les méthodes de provisionnement sont basées sur les triangles. Le triangle de
développement est un tableau à double entrée représente les paiements des sinistres, il permet
de décrire comment la charge de sinistre 𝑋𝑖𝑗 de chaque année de survenance i (en ligne) se
liquide dans le temps par année de développement j (en colonnes). La partie grisée correspond à
la partie déjà observée, notre objectif est alors de compléter la partie inférieure du triangle. (La
partie non grisée qui représentent les flux non encore observés. Autrement dit : Pour obtenir le
montant des provisions, on doit estimer les montants de la partie inférieure du triangle de
liquidation à partir de l’information disponible dans la partie supérieure de celui-ci
Page 41
Année de Année de développement

survenance 0 1 … j … n
0
1
:
i 𝑿𝒊𝒋
:
Figure 2.3. Triangle de développement [KRA]
- En ligne l’année de survenance, i = 0, 1, … ,n

- En colonne l’année de développement, j = 0, 1, …, n
- 𝑿𝒊𝒋 Montant total des paiements effectués au cours de l’année i+j pour des sinistres
survenus au cours de l’année i.
𝑫𝒊𝒋 : Montant des paiements cumulés des j premières années de développement de
l’année de survenance i. c’est-à-dire : 𝐷𝑖𝑗 = 𝑋𝑖1 +𝑋𝑖2 + ⋯ 𝑋𝑖𝑗
Ainsi, à partir de ces notations nous pouvons d’ores et déjà établir le triangle de paiement
et le triangle des paiements cumulés des incréments associés.
2.3.2. Lecture du triangle
L’information présente dans les triangles de liquidation peut s’appréhender de trois façons
différentes : La lecture peut se faire par année de survenance, par année de développement et par
année calendaire. Ainsi, les éléments de la première colonne représentent les paiements effectués
la même année que la survenance. Ceux de la colonne j après un délai de j année à partir de
l’année de survenance. L’année de survenance n est la dernière année qui soit connue (la plus
récente). Les différentes lectures d’un triangle de paiements : [DEN]
A. lecture par année de survenance (ici survenu en 2009)
0 1 2 3 4 5
2008
2009 . . . . . .
2010
2011
2012
2013
Table 2.2. Lecture par année de survenance
Par exemple pour l’année de survenance 2009 on voit les montants de règlement effectués
par la compagnie d’assurance pour chaque année, depuis la réalisation du sinistre jusqu’à l’année
actuelle qui est l’année 2013 dans cet exemple.
Page 42
B. lecture par année de déroulée (ici année de survenance)
0 1 2 3 4 5
2008 .
2009 .
2010 .
2011 .
2012 .
2013 .
Table 2.3. Lecture par année de déroulée
Pour la deuxième lecture on pourra lire le montant de règlement effectué durant la même
année de survenance pour les différents sinistres réalisés en (2008, 2009,…,2013)
C. lecture par année calendaire (ici paiement effectué en 2013)
0 1 2 3 4 5
2008 .
2009 .
2010 .
2011 .
2012 .
2013 .
Table 2.4. Lecture par année calendaire
Pour cette troisième lecture, on pourra lire la valeur des règlements effectués durant
l’année actuelle (2013) pour les sinistres survenus en (2008, 2009…2013). Grâce à ces notations,
la sinistralité d’une branche est représentée par les triangles cumulés, ou non cumulés présentés
ci-après. On s’intéresse dans notre étude au triangle des paiements cumulés pour l’année
d’origine i.
Année de Année de développements

survenances 1 2 … j … n-i … n-1 n
1 𝑿𝟏,𝟐 𝑿𝟏,𝟐 … 𝑿𝟏,𝒋 … 𝑿𝟏,𝒏−𝒊 … 𝑿𝟏,𝒏−𝟏 𝑿𝟏,𝒏
2 𝑿𝟐,𝟏 𝑿𝟐,𝟐 … 𝑿𝟐,𝒋 … 𝑿𝒊,𝒏−𝒊 … 𝑿𝟐,𝒏−𝟏
… … … … … … … …
i 𝑿𝒊,𝟏 𝑿𝒊,𝟐 … 𝑿𝒊,𝒋 … 𝑿𝒊,𝒏−𝒊
… … … … … …
n-j 𝑿𝒏−𝒋,𝟏 𝑿𝒏−𝒋,𝟐 … 𝑿𝒏−𝒋,𝒋
… … … …
n-1 𝑿 𝒏−𝟏,𝟏 𝑿𝒏−𝟏,𝟐
n 𝑿𝒏,𝟏
Table 2.5. Triangle des incréments des paiements [PAB]
𝑋𝑛+1−𝑖 : Le dernier paiement connu pour l’année i.
Page 43
Conclusion partielle
L’assurance occupe une place très importante dans l’économie moderne elle se caractérise par
une inversion de cycle de production et un décalage possible entre la survenance d’un fait
dommageable générateur du paiement de l’indemnité et le règlement de cette dernière.
L’assureur ne sera alarmé par aucun signal d’alarme en cas de difficulté à faire face à ses
engagements, ce n’est qu’au stade final que cette situation apparaîtra .En vue de garantir la
sécurité des assurés la société d’assurance doit constituer des réserves à partir de tout ou partie
des primes. Ces provisions lui permettront de régler les sinistres et constituent donc une dette
envers les assurés. L’assureur pourrait être tenté de diminuer le montant de ces réserves de
manière à dégager du résultat, en attendant effectivement les sinistres une telle politique mettrait
en péril la continuité de la société et au travers d’elle les intérêts des assurés pour pouvoir
répondre aux besoins de ces derniers, mais aussi de les protéger contre un éventuel risque.
Comme nous l’avons déjà vu, il existe des méthodes réglementaires pour l’évaluation de
ces provisions mais aussi des méthodes actuarielles déterministes et stochastiques qui vont nous
permettre d’avoir une estimation ou une prévision des réserves. Toutes les méthodes de
provisionnement se basent sur les triangle de développement qui permettent de suivre la vie de
sinistre ou le niveau des règlements ayant un aperçu sur la sinistralité passée pour estimer la
sinistralité future. Comme les définit [SIG], les provisions techniques sont les provisions
destinées pour permettre le règlement intégral des engagements pris envers les assurés et
bénéficiaires de contrats. Elles sont liées à la technique même de l'assurance, et imposées par la
règlementation". D'un point de vue plus formel, à la date t, la compagnie d'assurance est tenue de
constituer une provision pour les sinistres survenus avant la date t qu'elle sera tenu
d'indemniser. Elle doit donc estimer le coût des sinistres survenus, et retrancher les montants
déjà versés. Il s'agit donc fondamentalement d'un problème de prévision.
Ces différentes méthodes déterministes et stochastiques feront l’objet du deuxième et

troisième chapitre.
Page 44
Chapitre 3 : Estimations déterministes de provisions techniques
Chapitre 3 : Méthodes actuarielles déterministes pour

l’estimation des provisions techniques
Page 45
Introduction
De nombreuses méthodes d’évaluation des provisions techniques ont été développées par
les actuaires, Dans ce chapitre nous allons faire un état de l’art sur quelques méthodes
déterministe de base pour le calcul du montant des provisions pour sinistres à payer, et plus
particulièrement, le modèle de Chain-ladder puisqu’elles sont très utilisées. L’objectif étant
d’avoir une référence à nos méthodes récursives par la suite.
Nous rappelons ici quelques-unes des méthodes utilisées pour l’estimation de la charge
finale de sinistre des méthodes entièrement déterministe qui donnent simplement le montant sans
marge d’erreur, reposant sur l’idée de la régularité dans les processus de déroulement du
processus de règlement des sinistres supposant que le portefeuille de l’assureur ne change pas en
terme de composition. [DEN].
Nous avons structuré ce chapitre en quatre sections dont nous consacrons chaque section à
la présentation des méthodes classiques déterministes, tels que : Méthode chaine–Ladder,
Méthode de London Chaine, Méthode des moindre carrée de De Vylder, Méthode de
Bornuhetter -Fergusoon déterministe et la méthode de « Grossing-Up.
Page 46
3.1. La problématique du provisionnement
Dans une compagnie d’assurance la notion de fonds de roulement n’est d’aucune utilité et
la notion de couverture des certaines passifs par les éléments d’actif est imposée par le principe
des engagements réglementés qui disposent que les provisions techniques doivent à toute époque
être représentées par les actifs équivalents.
Ainsi, il est essentiel que la compagnie d’assurance soit toujours en mesure de payer ses
engagements envers les assurés. Pour cela, elle devra constituer une provision technique
correspondant à son engagement et disposant des fonds propres lui garantissant sa solvabilité.
Parmi les méthodes reconnues par les autorités de contrôles, les plus classiques sont basées sur
les cadences de paiements. On raisonne pour cela par année de survenance de sinistre, et on
suppose une certaine régularité dans la cadence de paiement.
La plupart des méthodes présentées ici sont détaillées dans [DEN]. Classiquement, on
notera :
- En ligne l’année de survenance, i = 0 ; 1,……..n
- En colonne l’année de développement, j= 0,1,…….n
- 𝑿𝒊𝒋 Montant total des paiements effectués au cours de l’année i+j pour des sinistres
survenus au cours de l’année i.
- 𝑫𝒊𝒋 : Montant des paiements cumulés des j premières années de développement de

l’année de survenance :
- C’est-à-dire : 𝐷𝑖𝑗 = 𝑋𝑖1 +𝑋𝑖2 + ⋯ 𝑋𝑖𝑗
Dans certaines branches de l’assurance, comme par exemple la responsabilité civile

automobile, les paiements des sinistres ne s’effectue pas toujours en une fois dans l’année même
de survenance c’est particulièrement le cas de sinistres avec dommage corporels. Au Contraire le
règlement des sinistres s’étale au fil du temps et il est nécessaire de constituer des réserves pour
pouvoir honorer les dettes futures : Comme le montant qui sera finalement payé pour les
sinistres est inconnu au départ la somme à mettre en réserve est également inconnue et il faut
l’estimer. Ces estimations peuvent être calculées par des techniques dites techniques IBNR
Page 47
(Incured But Not Reported), qui se base sur l’évolution passée du coût des sinistres pour
estimer son développement futur.
Dans ce chapitre nous étudierons des anciennes techniques d’estimation des réserves de
sinistres, telles que la méthode de chain-Ladder, London chain, bornhueter Fergusson et la
méthode de De Vyldeer. Ce sont des méthodes dites déterministes au sens où l’on ne construit
pas de modèle probabilistes permettant de mesurer l’incertitude associées à la prédiction du
montant des réserves. Ces méthodes reposent sur l’hypothèse du délai s’écoulant entre la
survenance d’un sinistre et les règlements en absence d’inflation, de changement de structure de
portefeuille, des garanties de contrats, des franchises, et plus généralement de la gestion des
sinistres.
Si toutes ces hypothèses sont vérifiées sur une période suffisamment longue ces méthodes
dites déterministes peuvent être un outil remarquable pour prévoir la charge finale en utilisant les
cadences de paiement observées dans le passé, nous cherchons ici à présenter les grandes lignes
de ces méthodes de provisionnement, plus particulièrement, leurs avantages et leurs
inconvénients.
Toutes les techniques utilisées pour le calcul des provisions se basent sur le triangle de
liquidation, reflétant la dynamique des sinistres et permettant d’avoir une vision agrégée de
ceux-ci. Dans sa version la plus simple, le but des méthodes de provisionnement est de
compléter la partie inférieure des triangles de paiements.
3.2. Méthode Chaine–Ladder
3.2.1. Présentation de la méthode :
C’est une méthode très simple à utiliser, et l’une des plus anciennes techniques
actuarielles de provisionnement, ce modèle cherche à établir une cadence des paiements ou des
charges moyennes en se basant sur l’hypothèse que cette cadence est indépendante de l’année de
survenance i. Elle repose sur le principe de reproduction du passée dans le futur et permet ainsi
d’extrapoler la charge de sinistres présentés sous forme de tableau triangulaire de liquidation.
C’est la méthode de calcul la plus classique. Elle servira donc de référence tout au long de cette
étude.
Page 48
Hypothése de la méthode :
Elle est applicable aux triangles des règlements cumulés D= (𝑫𝒊,𝒋 ) et est fondée sur
l’hypothèse qu’il y’a une récurrence dans les paiements par année de déroulement. Concrètement
 𝑯𝟏 :{𝑫𝒊𝟏 … 𝑫𝒊𝒏 }; {𝑫𝒋𝟏 … 𝑫𝒋𝟐 }; 𝒊 ≠ 𝒋
L’hypothèse 1 suppose qu’il y’ait une indépendance entre les années de survenance pour
cela signifie que les sinistres survenus au cours d’une année de de survenance donné, n’ont
aucune influence sur les sinistres pouvant survenir l’année suivante. Cette hypothèse est en
général vérifiée dans la plupart des domaines d’assurance.
 𝑯𝟐 : 𝑬{𝑫𝒊𝒋+𝟏 /𝑫𝒊𝟏 … 𝑫𝒊𝒏 } = 𝝀𝒋 𝑫𝒊𝒋
Donc le modèle sous-jacent 𝑫𝒊,𝒋+𝟏=𝝀𝒋 𝑫𝒊,𝒋 , les coefficients 𝝀𝒋 sont appelés Link ratios.
Cette méthode, de provisionnement suggère d’approcher ces Link ratios par l’estimateur naturel
𝝀̂𝒋 calculé à partir de la formule :
𝒏−𝒋
∑𝒊=𝟏 𝑫𝒊,𝒋+𝟏
𝝀̂𝒋 = 𝒏−𝒋 pour 𝑗 = 1, … ,n
∑𝒊=𝟏 𝑫𝒊,𝒋
Nous pouvons alors compléter le triangle inférieur des paiements cumulés, ∀ (𝒊, 𝒋) ∈ (𝟏, 𝒏)
̂ 𝒊𝒏 =𝑫𝒊,𝒏−𝒊+𝟏 𝝀̂𝒏−𝒊+𝟏 … 𝝀̂𝒋−𝟏 =𝑫𝒊,𝒏−𝒊+𝟏 ∏𝒏−𝟏

𝑫 ̂
𝒌=𝒏−𝒊+𝟏 𝝀𝒏−𝒊+𝒌
En particulier les charges ultimes (𝑫𝒊,𝒏 ) pour chaque année d’accident 𝒊 :
̂ 𝒊𝒏 =𝑫𝒊,𝒏−𝒊+𝟏 ∏𝒏−𝟏
∀ 𝒊 ∈ {𝟏 … 𝒏} , 𝑫 𝒌=𝒏−𝒊+𝟏 𝝀𝒌
Enfin nous déterminons respectivement les provisions par année d’accident 𝑹𝒊 et la

provision total R par :
̂ 𝒊𝒏 - 𝑫𝒊,𝒏−𝒊+𝟏
∀ 𝒊 ∈ {𝟏 … 𝒏} 𝑹𝒊 = 𝑫
La provision pour sinistre à payer (PSAP) total est égale à la somme des provisions pour
sinistres à payer de chacune des années de survenance no encore liquidées. Elle peut s’écrire :
𝑹 = 𝑹𝟏 + 𝑹𝟐 + 𝑹𝟑 =∑𝒏𝒊=𝟏 𝑹𝒊
Rappelons que l’on a supposé que tout est définitivement payé au bout de de n années.
Page 49
Exemple d’application : Considérons le triangle de développement des paiements cumulés qui

représentent les prestations annuelles pour des sinistres des années d’origine 1995 à 2000.
Année de développement
Année d'origine
Exercise Délai
1 2 3 4 5 6
1995, 1 1001 1855 2423 2988 3335 3483
1996, 2 1113 2103 2774 3422 3844
1997, 3 1269 2433 3233 3977
1998, 4 1490 2873 3880
1999, 5 1725 3261
2000, 6 1889
Table 3.1. Triangle des paiements cumulés
Source : [KDS] « Modèle et Méthodes de Réservation », page 09
Les facteurs de développement calculés se présentent comme suit :
j 1 2 3 4 5
𝝀𝒋 1,899 1,329 1,232 1,120 1,044
Table 3.2. Détermination des facteurs de développement
̂3 et 𝜆
Calculons, par exemple, le facteur de développement 𝜆 ̂4
𝟏𝟗𝟗𝟕
̂3 =𝑪𝒐𝒍𝒐𝒏𝒏𝒆 𝒈𝒓𝒊𝒔é𝒆=∑𝟏𝟗𝟗𝟓
𝜆
𝑫𝒊𝟒
=1,232
𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒋𝒂𝒖𝒏𝒊𝒆 ∑𝟏𝟗𝟗𝟕 𝑫
𝟏𝟗𝟗𝟓 𝒊𝟑
𝟏𝟗𝟗𝟔
̂4 = ∑𝟏𝟗𝟗𝟓
𝜆
𝑫𝒊𝟓
=1,120
∑𝟏𝟗𝟗𝟔 𝑫
𝟏𝟗𝟗𝟓 𝒊𝟒
On peut compléter la partie inférieure du triangle comme suit : après avoir calculé les
réalisations des estimateurs de Chain Ladder. La Réserve de Chain-Ladder R est obtenue en
faisant la différence entre les montants estimés de la dernière colonne du triangle de
̂ 𝒊,𝒏 et le dernier montant connus 𝑫𝒊,𝒏−𝒊+𝟏
développement (Charge ultime) 𝑫 ; C’est-à-dire
̂ 𝒊,𝒏 − 𝑫𝒊,𝒏−𝒊+𝟏
𝑹𝒊 = 𝑫
On peut ainsi remplir les cellules vides du tableau, on obtient :
Page 50
Année d'origine Année de développement

Reserve
Exercice 1 2 3 4 5 6
1 1001 1855 2423 2988 3335 3483 0
2 1113 2103 2774 3422 3844 4013 169
3 1269 2433 3233 3977 4454 4650 673
4 1490 2873 3880 4780 5354 5590 1710
5 1725 3261 4334 5339 5980 6243 2982
6 1889 3587 4767 5873 6578 6868 4979
𝝀̂𝒋 1,899 1,323 1,232 1,12 1,044 10 512
Table 3.3. Complétion du tableau
Dernier règlement Charge ultime Provisions

3483 0
4013 169
4650 673
5590 1710
6243 2982
6868 4979
Table 3.4. Charge finales et réserve Source
̂ 𝟏𝟗𝟗𝟖 =5590-3880=1710
𝑹
̂ 𝟏𝟗𝟗𝟗 =6243-3261=2982
𝑹
̂ 𝟐𝟎𝟎𝟎 =6868-1889=4979
𝑹
Il résulte que le montant global de la réserve à constituer à la fin de l’exercice 2000 est
égale à :
̂ =∑𝟐𝟎𝟎𝟎
𝑹 𝟏𝟗𝟗𝟓 𝑹𝒊 = 169+673+1710+2982+4978=10513
3.2.2. Avantages et limites de Chaine–ladder :
La méthode déterministe Chain-Ladder est simple à appliquer et très utilisée par les
services techniques des compagnies elle est souvent retenue comme centrale, et présente
l’avantage opérationnel capital de pouvoir être facilement corrigée du fait de ces interprétations
simples. Elle peut être employée sur différents type de données (triangle de paiement cumulés,
Page 51
charges de sinistres, etc.) mais nécessitent néanmoins d’effectuer des tests de validation du
𝑛(𝑛−1)
triangle d’entrée, et de réaliser les estimations de n-1 paramètres en disposant de valeurs
2
pour un triangle de dimension n. Elle permet de calculer une cadence de développement

moyenne à partir des données historiques. Cependant Cette méthode, relativement simpliste
pose malgré tout quelque problèmes et présentent certaines limites qu’il est nécessaire de citer
[DEN] :
- Le schéma de développement est identique pour toutes les années de survenances :

C’est-à-dire que le coût du sinistre au bout de j années de déroulé est proportionnel au
coût l’année précédente ou même de n’importe quelle année i<j et ce coefficient de
proportionnalité ne change pas. Ceci n’est généralement pas le cas en pratique dans
plusieurs situations.
- Changement de jurisprudences : Dans ce cas, il peut y avoir un saut au niveau des

paiements, qui seront beaucoup plus élevés si les paiements ont lieu aujourd’hui que
s’ils avaient eu lieu l’année passée.
- Changement de management (au niveau de la gestion des sinistres ou de la

souscription) : pour diverses raisons, une entreprise qui pensait qu’il pouvait être
intéressant de faire trainer les sinistres dans la durée (et aller au tribunal plutôt que de
payer rapidement) peut penser par la suite qu’il peut être intéressant de payer très
rapidement les sinistres (en particulier pour des raisons de coût interne).La méthode ne
permet pas d’obtenir de mesure de précision ou plutôt d’imprécision sur les estimateurs.
Toutefois la méthode de « Chaine–Ladder » reste une méthode de référence pour les
assureurs car elle a souvent donné des résultats assez proche de la réalité surtout lorsque
ses hypothèses sont respectées.
Page 52
3.3. Méthode de London Chaine : [DEN]
C’est une méthode déterministe qui s’appuie sur une hypothèse moins contraignante que
le modèle Chain Ladder, on suppose que la dynamique des données cumulés 𝐷𝑖,𝑗 se fait selon un
processus autorégressif d’ordre un elle a été introduite par Benjamin et Eagles en 1986. Pour le
calcul des réserves la méthode suppose pour j fixé l’existence des paramètres 𝜆𝑗 , 𝛼𝑗 tels que :
𝑫𝒊𝒋+𝟏 = 𝝀𝒋 𝑫𝒊𝒋 + , 𝜶𝒋
C’est-à-dire que 𝐷𝑖,𝑗+1 est une fonction affine de 𝐷𝑖,𝑗 .
Figure 3.1. Droite de régression et point (𝑫𝒊,𝒋+𝟏 , 𝑫𝒊,𝒋 ) pour i=1. ([DEN]
La méthode repose sur les mêmes hypothèses que la méthode standard, elle suppose en
plus que la droite de régression des 𝑫𝒊,𝒋+𝟏 ne passe pas par l’origine mais par n’importe quel
point 𝜶𝒋 (j=1,….n-1). Dans ce modèle on a alors 2n paramètres à identifier (𝝀𝒋 , 𝜶𝒋 ). Si
l’hypothèse est vérifiée les points (𝑫𝒊,𝒋 , 𝑫𝒊,𝒋+𝟏 ) sont sensiblement alignés et les paramètres
Page 53
(𝝀𝒋 , 𝜶𝒋 ) sont estimés par la méthode des moindres carrée ordinaire où l’on minimise
𝒏−𝒋
l’expression (𝝀𝒋 , 𝜶𝒋 )= argmin{∑𝒊=𝟏 (𝑫𝒊,𝒋+𝟏 − 𝜶𝒋 − 𝝀𝒋 𝑫𝒊,𝒋 )𝟐 } . La solution du problème est
donnée par
les estimateurs de 𝜆𝑗 , 𝛼𝑗 sont :
𝟏
∑𝒏−𝒋 ̅̅̅ ̅
𝒏 − 𝒋 𝒊=𝟏 (𝑫𝒊,𝒋 − 𝑫𝒋 ) (𝑫𝒊,𝒋+𝟏 − 𝑫𝒋+𝟏 ) 𝒄𝒐𝒗(𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒋; 𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒋 + 𝟏)
𝝀̂𝒋 = =
𝟏 𝒏−𝒋+𝟏 ̅̅̅ 𝟐 𝒗𝒂𝒓(𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒋)
∑ (𝑫𝒊,𝒋 − 𝑫𝒋 )
𝒏 − 𝒋 𝒊=𝟏
{ ̂𝒋 = 𝑫
𝜶 ̅ 𝒋+𝟏 − 𝝀̂𝒋 𝑫
̅𝒋
𝟏
avec ̅𝒋 =
𝑫 ∑𝒏−𝒋
𝒊=𝟏 𝑫𝒊,𝒋
𝒏−𝒋
𝟏
̅ 𝒋+𝟏 =
𝑫 ∑𝒏−𝒋
𝒊=𝟏 𝑫𝒊,𝒋+𝟏
𝒏−𝒋
Remarque : La méthode de London Chaine est une variante de la méthode de Chain Ladder.
Pour chaque année, en plus d’un facteur multiplicatif, il y’a donc également un facteur additif.
Pour la méthode de chaine ladder on imposait à ce facteur d’être nul.
3.3.1. Limite de la méthode de « London Chaine »
Etant une régression linéaire simple, la méthode « London Chaine » ne présente aucune
difficulté de mise en œuvre. Cependant la retenir à priori pour l’ensemble des délais de
(𝑛+1)(𝑛+2)
règlement conduit à estimer 2n paramètres à partir de données soit un risque de sur-
2
paramétrisation rendant les estimations moins robustes. Il est recommandé de n’utiliser cette
méthode que pour les colonnes où l’hypothèse sous-jacente à la méthode de « chaine Ladder »
n’est pas vérifiée (passage par l’origine).
Page 54
3.4. Méthode des moindre carrée de De Vylder : [DEN]
3.4.1. Hypothése de la méthode
C’est une méthode basée sur les règlements non cumulés .le règlement pour l’année de
survenance i et l’année de développement j est 𝑿𝒊,𝒋 . L’hypothèse sous –jacente à la méthode de
De Vylder est que le règlement de l’année de survenance i et de développement j est un
pourcentage du montant total versé par la compagnie d’assurance, pourcentage indépendant de
l’année de survenance. Cette hypothèse est caractérisée par la relation suivante :
𝑿𝒊,𝒋 = 𝒓𝒋 𝑷𝒊
𝑜ù 𝒑𝒊 : Correspond à la charge ultime des sinistres survenus au cours de l’année i.
𝒓𝒋 : est la proportion du montant 𝒑𝒊 payé l’année j
Le triangle de paiement s’écrit alors
𝑟1 . 𝑝1 𝑟2 . 𝑝1 ⋯ 𝑟𝑛−1 . 𝑝1 𝑟𝑛 . 𝑝1
𝑟1 . 𝑝2 𝑟2 . 𝑝2 ⋯ 𝑟𝑛−1 . 𝑝1
⋮ ⋮ ⋯
𝑟1 . 𝑝𝑛−1 𝑟2 . 𝑝𝑛−1
𝑟1 . 𝑝𝑛
Figure 3.2. Triangle des paiements
3.4.2. Procédure d’estimation de la méthode De Vylder : [DEN]
L’estimation des paramètres inconnus (𝒓𝒋 , 𝑷𝒊 ) se fait par la méthode des moindres carrée.
Il suffit de minimiser le terme suivant :
𝒏 𝒏−𝒊
∑ ∑(𝑿𝒊,𝒋 − 𝒓𝒋 𝑷𝒊 )𝟐
𝒊=𝟏 𝒋=𝟏
Avec la contrainte (𝒓𝟏 + 𝒓𝟐 + ⋯ 𝒓𝒏 ) = 𝟏.
La minimisation du terme précédent donne les solutions suivantes
∑𝒏−𝒊 ̂𝒋 𝑿𝒊,𝒋
𝒋=𝟏 𝒓
̂𝒊 =
𝒑
∑𝒏−𝒊 ̂𝒋 𝟐
𝒌=𝟏 𝒓
Page 55
et
∑𝒏−𝒊 ̂𝒊 𝑿𝒊,𝒋
𝒋=𝟏 𝒑
𝒓̂𝒋 =
∑𝒏−𝒊 ̂𝒋 𝟐
𝒌=𝟏 𝒑
La provision 𝑅̂ est alors obtenue, en sommant les paiements futurs, est donnée par :
𝑛 𝑛
𝑅̂ = ∑ ∑ 𝑋̂𝑖,𝑗
𝑖=1 𝑗=𝑛−𝑖+1
𝑋𝑖,𝑗 = 𝒓𝒋 . 𝑷𝒊 . 𝜸𝒊+𝒋
Remarque : Cette méthode présente l’avantage de rester stable en supposant qu’il existe une
inflation (calendaire) constante de taux 𝛾. L’inflation est intégrée aux coefficients 𝒓𝒋 𝒆𝒕 𝑷𝒊
3.5. Méthode de Bornuhetter -Fergusoon déterministe
C’est une autre méthode déterministe de provisionnement développée en 1972 : [TLS]

Les provisions sous Bornuhetter- Fergusoon se déterminent à partir des estimations des ultimes
qu’on notera 𝑈𝑖 .
Pour déterminer l’ultime de Bornuhetter -Fergusoon nous appliquons la relation

suivante :
∀ 𝑖 = 𝟏, … , 𝒏 − 𝟏, 𝑫𝒊,𝒏 = 𝑫𝒊,𝒏−𝒊+𝟏 + (1-𝒁𝒏−𝒊+𝟏 ) 𝑼𝒊

𝟏
𝒂𝒗𝒆𝒄 𝒁𝒊 =∏𝒏 ∀ 𝒊 = 𝟏, … , 𝒏 − 𝟏
𝒌=𝒊 𝝀𝒌
Pour déterminer l’ultime à priori 𝑈𝑖 A. Le Tesson dans son article « estimation de l’erreur
de prédiction dans le cas de l’utilisation d’une combinaison de méthode pour le calcul de
provision en assurance « IARD » (2014) ont choisi de suivre les étapes suivantes :
1) Appliquer la méthode Chaine- ladder au triangle des paiements cumulés pour obtenir les
charges ultimes Chaine-ladder ∀ 𝒊 = 𝟏 … 𝒏 − 𝟏 , 𝑼𝒄𝒍 = 𝑫𝒊,𝒏
Page 56
2) La méthode Bornuhetter- Fergusoon requiert un avis d’un expert dans le but de

déterminer le loss ratio (ou ratio S /P) correspondant au quotient entre le coût des sinistres
et les primes reçues par l’assureur .c’est un travail très délicat le fait qu’il n’existe pas de
méthode bien définie pour déterminer ces ratios formellement :
𝐷
(𝑆/𝑃)𝑖,𝑗 = 𝑃𝑖,𝑗
𝑖
3) Appliquer le calcul suivant Pour obtenir l’ultime à priori U= (U_i) associé aux années de
survenance i
𝑼𝒊 = (𝑺/𝑷)𝒓𝒆𝒕𝒆𝒏𝒖 × 𝑷𝒊
4) En remarquant le raisonnement suivant :
𝟏 𝑫𝒊,𝒏−𝒊 𝑪𝒉𝒂𝒓𝒈𝒆 𝒂𝒄𝒕𝒖𝒆𝒍𝒍𝒆

𝒁𝒏−𝒊 = ∏𝒏
= =
𝒌=𝒏−𝒊 𝝀𝒌 𝑫𝒊,𝒏−𝒊 ∏𝒏 𝒖𝒍𝒕𝒊𝒎𝒆 𝒄𝒉𝒂𝒊𝒏−𝒍𝒂𝒅𝒅𝒆𝒓
𝒌=𝒏−𝒊 𝝀𝒌
̂𝑖𝑛 𝑑𝑒 Bornuhetter- Fergusoon par la relation

Obtenir l’ultime 𝐷
̂ 𝒊𝒏 = 𝑫𝒊,𝒏−𝒊+ (1-𝒁𝒏−𝒊 ) 𝑼𝒊
𝑫
Nous en déduisons les provisions pour chaque année d’accident i 𝑅𝑖 et la provision finale R ; en
faisant la différence entre la dernière colonne du triangle de liquidation et les derniers montants
connus :
̂ 𝒊𝒏 − 𝑫𝒊,𝒏−𝒊+𝟏
𝑹𝒊 = 𝑫
3.5.1. Avantages et limites de la méthode Bornuhetter- Fergusoon :
Soulignons que ce modèle permet, contrairement aux autres méthodes déterministes

d’incorporer de l’information extérieure, notamment au travers de l’expertise de l’actuaire pour
la détermination des provisions et ainsi de ne pas s’attacher uniquement aux informations
apportées par les données. De plus, l’introduction de données exogènes permet de remédier au
fait que dans la méthode Chain-Ladder, le montant de la charge ultime dépend entièrement de la
dernière position connue et donc si celle-ci est nulle, la charge ultime le sera aussi. Toutefois, ces
Page 57
données exogènes sont aussi un inconvénient : elles doivent être justes, d’autant que ce sont ces
charges finales qui sont justement le point d’intérêt du provisionnement et des modèles à ce
sujet.
 Avantages Bornuhetter-Fergusoon : Un des avantages de la méthode Bornhuter-

Ferguson est qu’en plus d’utiliser le triangle de paiement, elle incorpore une
information exogène appelée avis d’expert pour estimer la charge ultime des sinistres
d’une année d’incidence donnée. En effet, elle se base sur une combinaison du loss ratio
(méthode selon laquelle nous supposons connaître le rapport du coût des sinistres sur la
prime ultime) et de Chain-Ladder. Un autre avantage de ne pas dépendre du dernier
montant observé et qu’il n’est pas nécessaire d’avoir un triangle contenant beaucoup
d’années pour obtenir de bonnes provisions.
 Inconvénients de Bornuhetter-Fergusoon : La détermination du Loss ratio est

fortement subjective et dépend beaucoup de l’expert. Si ce dernier est mal estimé, la
méthode ne garantit pas la stabilité du résultat année après année. Compte-tenu de ces
résultats il parait logique que certaines compagnies d’assurance utilisent une
combinaison de deux méthodes de provisionnement pour utiliser leurs avantages
respectifs et minimiser leurs défauts. [TLS]
Après avoir étudié séparément les Méthodes Chain-Ladder et Bornuhetter-Fergusoon,

l’auteur dans son article s’est intéressé à la combinaison des deux méthodes après avoir fait une
comparaison entre les deux modèles déterministes ; Il est arrivé au raisonnement suivant : Pour
un triangle avec un nombre d’année de paiements non négligeable ; la meilleure approche
retenue est de garder les premières provisions fournies par la méthode de Chaine-Ladder puis
de conserver les dernières provisions déduites de l’application de la Méthodes Bornuhetter-
Ferguson, la méthode de Chain-Ladder est efficace pour estimer les provisions des survenances
anciennes mais donnent des estimations approximatives pour les années récentes en raison du
peu d’informations disponibles. A contrario, les provisions récentes sous Bornuhetter-
Fergusoon seront davantage calculées à partir de l’information exogène au triangle. Les
provisions alors calculées seront meilleure que les provisions approximatives fournies par Chain-
Ladder.
Page 58
Pour conclure, toutes ces méthodes déterministes permettant d’estimer les réserves de
sinistres sont relativement simples d’utilisation, mais présentent l’inconvénient d’être très
sensibles à des variations dans les données observées ne permettant pas d’obtenir des mesures
de précision on d’imprécision sur les estimations.
3.6. La méthode de « Grossing-Up » : [KDS]
Il s’agit d’une méthode basée sur les taux de « Grossing-Up » elle fonctionne comme suit : pour
tout 𝑖 ∈ {1,2, … 𝑛}; 𝑗 ∈ {1,2, … 𝑛} , ℎ1 , ℎ2 … , ℎ𝑛 ∈ [0,1] = 1 𝑎𝑣𝑒𝑐 ℎ1 < ℎ2 < ⋯ , ℎ𝑛 = 1 tel que
𝐸(𝑫𝒊𝒋 ) = 𝐸(𝑫𝒊𝒋 ) ℎ𝑗 .
On définit le taux de « Grossing-Up » par la méthode définie par une procédure récursive
donnant lieu à l’estimation des paramètres comme suit :
𝟏 𝒔𝒊 𝒊 = 𝟏
̂ 𝒏−𝒊+𝟏 ∑𝒊−𝟏 𝑫
𝒉 = { 𝒋=𝟏 𝒋,𝒏−𝒊+𝟏 𝒔𝒊 𝒊 ≥ 𝟐
𝒊−𝟏 ̂ 𝒋𝒏
∑𝒋=𝟏 𝑫
A partir de ces taux on pourra estimer la charge ultime (paiements futurs cumulés).
̂ 𝒊𝒏 = 𝑫𝒊𝒏−𝒊
𝑫 C’est l’estimateur de « Grossing-Up »
̂
ℎ 𝑛−𝑖+1
La réserve de « Grossing-Up » s’obtient par la différence suivante :
̂ 𝑮𝑼
𝑹 ̂
𝒊 = 𝑫𝒊𝒏 − 𝑫𝒋,𝒏−𝒊+𝟏
̂ 𝑮𝑼
𝑹 ̂ ̂
𝒊 = (𝟏 − 𝒉𝒏−𝒊+𝟏 )𝑫𝒊𝒏
Cette quantité est appelée provision de « Grossing-Up » pour l’année d’origine i Elle est
nulle pour la première année de survenance. La provision totale de « Grossing-Up » est donnée
̂ = ∑𝒏𝟏 𝑹𝒊
par 𝑹
Conclusion partielle :
Les méthodes déterministes avaient eu un apport considérable en provisionnement ;

chacune des méthodes développée propose une provision prévue particulière, ces méthodes sont
Page 59
toutes basées sur des estimations à priori qui suppose que les tarifs sont correctement élaboré
d’une part et d’autre part que le portefeuille est bien à l’image du portefeuille théorique retenu
pour la tarification. De toutes les façons elles ne conduisent qu’à des approches plus ou moins
vraisemblables de la réalité probable, elles constituent donc un référentiel conduisant à une
approche raisonnée à défaut d’être raisonnable de la réalité future probable, l’expérience a
montré qu’elles permettaient une estimation acceptable des risques à venir, et ne permettent pas
malheureusement d’obtenir des mesures de précision ou d’imprécision sur les estimations, étant
donné la variabilité des charges futures des sinistres d’où l’utilité de mettre en avant une
nouvelle approche d’évaluation des provisions techniques passant d’un univers déterministe où
aucune mesure de risque n’est exigée vers un univers stochastique englobant les différentes
mesures de risque et d’incertitude inhérente lors de l’estimation des provisions.
C’est à cet effet que les méthodes stochastiques sont apparues pour palier le fait que les
méthodes déterministes s’appuient uniquement sur la valeur des données et non pas sur leur
caractère aléatoire. L’objectif principal de ces méthodes est d’estimer les provisions ; connaitre
les propriétés stochastiques de ces provisions, notamment l’erreur de prédiction dans le but
d’évaluer le degré de certitude et d’incertitude des prévisions. Le recours à des méthodes qui
permettent de modéliser la distribution des règlements des Sinistres et d’estimer le risque sur
l’évaluation des provisions est devenu une nécessité. L’objectif des méthodes stochastique est
d’estimer les provisions et connaitre les propriétés stochastique de ces dernières notamment
l’erreur de prédiction ; nous aborderons dans le prochain chapitre les différentes méthodes
actuarielles stochastiques pour le calcul de provisions, une famille de modèle censée répondre
aux exigences du référentiel de « solvabilité II » et aux attentes des assureurs.
C’est à cet effet que les méthodes stochastiques sont apparues pour palier le fait que les
méthodes déterministes s’appuient uniquement sur la valeur des données et non pas sur leur
caractère aléatoire. L’objectif principal de ces méthodes est d’estimer les provisions ; connaitre
les propriétés stochastiques de ces provisions, notamment l’erreur de prédiction dans le but
d’évaluer le degré de certitude et d’incertitude des prévisions. La modélisation des risques doit
permettre d’obtenir une fonction de distribution des provisions et permettent de mesurer
l’incertitude présente dans les estimations des triangles et les résultats obtenus. Une
détermination de la provision à l’aide des quantiles se révèle plus appropriée.
Page 60
Chapitre 4 : Méthodes stochastiques de provisionnement
Chapitre 4 : Méthodes actuarielles stochastiques de provisionnement
Page 61
Introduction
Dans ce chapitre nous allons présenter quelques méthodes pour le calcul du montant des
provisions pour sinistres à payer, et plus particulièrement, des méthodes permettant de quantifier
la marge d'erreur associée, permettant de dégager les erreurs de prédiction, se basant sur les
données historiques (réalisation du triangle supérieur) pour la détermination des espérances,
connaissant le passée.
Le recours aux modèles stochastiques est justifié par le besoin de mesurer l’incertitude
présente dans les triangles et les résultats issus des méthodes déterministes ; ces dernières ne
possédant pas le cadre probabiliste, ne permettent pas de calculer l’erreur de prédiction ce qui
prive donc les assureurs d’une mesure de risque utile au pilotage de leur activités, les sinistres
futurs étant soumis à des évènements inattendus, les erreurs de prévisions de provisionnement
sont inévitables quel que soit la méthode choisie, une détermination de la provision à l’aide des
quantiles se révèle plus approprié, c’est pour cette raison que l’approche stochastique est au cœur
de discussions relative à la solvabilité, à la refonte à niveau des indicateurs de solvabilité des
entreprises d’assurance. L’objectif des méthodes de provisionnement stochastiques est d’estimer
les provisions et connaître les propriétés stochastiques de ces dernières notamment l’erreur de
prédiction dans le but d’évaluer le degré de certitude et d’incertitude des prévisions.
Nous allons exposer quelques méthodes actuarielles stochastiques qui ont été proposées
dans les années 70 et 90, à partir du modèle de Mack. Ce sont des méthodes qui permettent de
dégager des formules pour l’estimation de la variabilité des réserves calculées. Nous aurons ainsi
des expressions pour l’erreur standard sur la réserve correspondante à chaque année de
survenance de sinistres examinée ainsi que sur la réserve totale. La plupart des méthodes
présentées dans chapitre sont détaillées dans [DEN, PAL].
Le présent chapitre est composé de trois sections, dans la première section nous
présentons une méthode stochastique qui s’applique sur le triangle des montants cumulés faisant
intervenir l’incertitude dans la méthode déterministe « Chain-Ladder », c’est le modèle de Mack,
une méthode stochastique dite récursive bien connues des professionnels du provisionnement,
dans la deuxième section de ce chapitre nous présentons l’approche non paramétrique
« Bootstrap »qui permet d’avoir des indicateurs sur la distribution de la charge ultime et une
représentation de la distribution du montant des provisions, dans la troisième section nous
Page 62
détaillerons les modèles factoriels stochastiques revenant à des modèles très utilisés dans les
années 70. Enfin, nous aborderons un indicateur de risque connu sous le nom de Value-at-risk-
exigée par « Solvency II » comme mesure de risque.
4.1. Modèle de Mack [MTD]
Le modèle de Mack est la première méthode faisant intervenir l’incertitude dans la

méthode Chain-ladder. En effet, elle permet de mesurer l’incertitude associée à la prédiction du
montant des provisions que doit faire l’assureur. En 1993, Thomas Mack a présenté la version
stochastique de ce modèle, qui s’applique sur le triangle des montants cumulés. C’est une
modélisation non paramétrique au sens où aucune hypothèse de distribution n’est adoptée sur les
composantes du triangle, la sinistralité ultime espérée obtenue est la même que celle calculée
par la méthode Chain-ladder mais le modèle de Mack permet en plus d’obtenir l’erreur de
prévision.
Hypothèse du modèle : Ce modèle repose sur trois hypothèses :
H1) Les années de survenance des sinistres sont indépendantes les unes des autres c’est-à-dire
𝐷𝑖,𝑗 𝑒𝑡 𝐷𝑘,𝑗 sont indépendants si i≠ 𝑘. Cette hypothèse signifie que les montants cumulés
réglés, pour chaque année de survenance sont indépendants (En pratique cette hypothèse
est considéré toujours valide).
H2) L’espérance conditionnelle est sans biais: E (𝐷𝑖,𝑗+1 /𝐷𝑖,1 , 𝐷𝑖,2 , …𝐷𝑖,𝑗 ) =𝜆𝑗 𝐷𝑖,𝑗
A partir de ces deux hypothèses il est possible d’étudier l’erreur de prévision (i.e. (ie
l’écart entre l’estimateur des réserves et la vraie valeur des réserves). L’erreur quadratique
moyenne (mean square error) du montant des provisions pour l’année i est estimé par :
𝑛−1
𝜎𝑗2 1 1
𝑚𝑠𝑒(𝑅̂𝑖 ) = 𝐷̂
2
𝑖,𝑛 ∑ ( + 𝑛−𝑗 )
𝜆2 𝐷𝑖,𝑗 ∑ 𝐷𝑖,𝑗
𝑗=𝑛−𝑖+1 𝑗 𝑗=1
où :
1 𝑛−𝑗 𝐷𝑖,𝑗+1
̂
𝜎 2
𝑗 =𝑛−𝑗+1 ∑𝑖=1 𝐷𝑖,𝑗 ( 𝐷 − 𝜆̂𝑗 )2
𝑖,𝑗
Ce dernier facteur intervient dans l’hypothèse suivante, sous-jacente au modèle de Mack :

𝐷𝑖,𝑗+1
H3) Var( , 𝐷𝑖,1 , …𝐷𝑖,𝑛 ) = 𝜎𝑗2 pour tout 1 ≤ 𝑖 ≤ 𝑛 1 ≤ 𝑗 ≤ 𝑛 -1
𝐷𝑖,1
Page 63
On peut également en déduire l’erreur quadratique moyenne du montant total des provisions
2𝜎𝑗 ̂2 1
̂ =∑𝑛𝑖=2 {𝑚𝑠𝑒(𝑅̂𝑖 ) + 𝐷̂
𝑚𝑠𝑒(𝑅) 𝑛 ̂ 𝑛−1
𝑖,𝑛 (∑𝑘=𝑖+1 𝐷𝑘,𝑛 ) ∑𝑗=𝑛+1−𝑖 ̂2 𝑛−𝑗 }
𝜆𝑗 ∑𝑘=1 𝐷𝑘,𝑗
Remarque : Graphiquement (H2) s’interprète, pour j fixé en l’alignement des couples

(𝐷𝑖,𝑗 𝐷𝑖,𝑗+1 ). Quant à (H3), cela signifie que pour j fixé, le graphique des résidus ne doit faire
apparaitre aucune structure non aléatoire.
𝑫𝒊,𝒋+𝟏 −𝝀̂𝒋 𝑫𝒊,𝒋

𝜺𝒊𝒋 = 𝝈𝒋 √𝑫𝒊,𝒋
où 𝜆̂𝑗 est un estimateur du facteur de développement 𝝀𝒋 .
̂𝑖𝑗 se présente sous la forme que celle donné par

L’estimation du montant de la provision 𝐷
la méthode de « Chain-ladder ». [DEN].
4.1.1. Mesure de l’incertitude sur l’estimation des provisions :
4.1.1.1. Estimation de la variance des provisions :
Parmi les mesures de risque les plus connues figure la variance, comme mesure de
dispersion elle est facile à calculer et prend en considération l’ensemble des données. La
variance de la réserve est une mesure de la fluctuation de la réserve qui peut être causée par un
ensemble d’erreurs. Le paramètre de la variance est exprimé par :
̂𝟐𝒋 = 𝟏 ∑𝒏−𝒋 𝑫𝒊,𝒋 ( 𝑫𝒊,𝒋+𝟏 − 𝝀̂𝒋 )𝟐

𝝈 𝒏−𝒋+𝟏 𝒊=𝟏 𝑫 𝒊,𝒋
Cet estimateur représente la variabilité du triangle des paiements par année de

développement j.
Les estimateurs des 𝑫𝒊,𝒋 inconnus ce sont les mêmes estimés par la méthode de » Chain-
ladder »
̂ 𝒊𝒋 = 𝑫𝒊,𝒏+𝟏−𝒊 × 𝝀̂𝒋−𝟏 𝝀̂𝒋−𝟐 … 𝝀̂𝒏+𝟏−𝒊

𝑫
où 𝑫𝑛−𝑖+1 est le dernier montant cumulé connu pour l’année de survenance i
Page 64
On peut également calculer la variance des provisions pour chaque année :
̂ 𝒊𝒏 − 𝑫𝒊,𝒏+𝟏−𝒊 )=Var(𝑫
Var(𝑹𝒊 )=Var(𝑫 ̂ 𝒊𝒏 )
4.1.1.2. Mesure de risque à l’ultime : Indicateur du MSE
On s’intéresse à la variabilité de l’estimateur de la charge ultime par rapport à sa valeur à

l’ultime ; pour quantifier l’incertitude qui réside dans l’estimation de la provision 𝑅̂ nous avons
̂ 𝒊𝒏 ; pour cela nous avons recours à l’erreur quadratique
étudier la qualité du prédicteur 𝑫
moyenne (Mean Square Error Of Prediction) « MSEP » est qui définit par :
̂ 𝒊𝒏 ) = 𝑬[(𝑫𝒊,𝒏 − 𝑫
𝐌𝐒𝐄𝐏(𝑫 ̂ 𝒊𝒏 )2 /𝐹]
4.1.1.3. Erreur quadratique moyenne : « MSE »
Elle représente la distance moyenne entre l’estimateur et la vraie valeur de 𝑅𝑖 .L’erreur

quadratique moyenne : « MSE »mesure l’incertitude présente dans la prévision du montant
ultime des provisions ; il est définit par :
̂ 𝒊𝒏 -𝑫𝒊,𝒋 ; MSE (𝑹
𝑹𝒊 = 𝑫 ̂ 𝒊 − 𝑹𝒊 )2 /𝐹)Où 𝐹={𝑫𝒊,𝒋 /𝒊 + 𝒋 < 𝒏}
̂ 𝒊 ) = 𝐸[(𝑹
qui représente ensemble des données observables.
̂ 𝒊 ) peut être estimé par :

Sous les hypothèses (H1), (H2), (H3), MSE (𝑹
𝒏−𝟏
𝟐 ̂ 𝟐𝒋 𝟏
𝝈 𝟏
̂ 𝒔𝒆(𝑹
𝑴 ̂ 𝒊) = 𝑫
̂ 𝒊𝒋 ∑ [ + ]
𝝀̂𝟐𝒋 𝑫̂ 𝒊𝒋 ∑𝒏−𝒋 𝑫
𝒋=𝒏+𝟏−𝒊 𝒌=𝟏 𝒌𝒋
On peut conclure l’erreur standard relative, donné par la relation :
Page 65
̂ 𝒔𝒆(𝑹
√𝑴 ̂ 𝒊)
̂ 𝒊) =
𝑹𝑺𝑬(𝑹
̂
𝑹
Pour définir un intervalle de confiance autour de la provision pour sinistre à payer pour
chaque année de survenance, il est nécessaire de définir l’écart type des 𝑅𝑖 celui-ci est donné par
le calcul de l’erreur standard
̂𝒊 ) = √𝒎𝒔𝒆(𝑹
𝒔𝒆(𝑹 ̂𝒊 )
Cependant il devient nécessaire de poser une hypothèse paramétrique sur la forme de la

distribution des 𝑅𝑖 afin de définir les intervalles de confiance autour de ceux-ci. Classiquement,
on utilise la loi normale de moyenne valeur estimée notée (𝑅̂𝑖 ) et écart type 𝑠𝑒(𝑅̂𝑖 )
L’intervalle de confiance à 95% 𝑒𝑠𝑡 donné par :
̂ 𝒊 -1,96 𝒔𝒆(𝑹
[𝑹 ̂𝒊 ), 𝑹
̂ 𝒊+1,96 𝒔𝒆(𝑹
̂𝒊 )]
Cependant, il est possible de remettre en cause l’utilisation de la loi normale étant donné
la symétrie de sa distribution qui ne semble pas se vérifier en pratique et la possibilité d’obtenir
une borne inferieure négative en dépit du fait que le montant de provision espéré ne peut être
négatif. Dans cette optique, il est préférable de considérer une modélisation log-normale de
paramètre µ𝑖 , 𝜎𝑖2 .
Les paramètres µ𝑖 , 𝜎𝑖2 𝑠𝑜𝑛𝑡 𝑒𝑠𝑡𝑖𝑚é𝑠 𝑝𝑎𝑟 :

2
𝜎
𝑅̂𝑖 =𝑒𝑥𝑝(µ𝑖 + 2𝑖 )
2
(𝑠𝑒(𝑅̂𝑖 )) =𝑒𝑥𝑝(2µ𝑖 +𝜎𝑖2 ) (𝑒𝑥𝑝(𝜎𝑖2 ) − 1)
d’où
2
𝑠𝑒(𝑅̂𝑖)
𝜎𝑖2 =𝐿𝑛(1 + ( ̂𝑖
))
𝑅
Page 66
2
̂𝑖 )- 𝜎𝑖
µ𝑖 = 𝐿𝑛(𝑅 2
L’intervalle de confiance à 95% est donné par :
𝜎𝑖2 𝜎𝑖2
IC= [𝑅̂𝑖 𝑒𝑥𝑝 (− − 1,96𝜎𝑖2 ) , 𝑅̂𝑖 𝑒𝑥𝑝 (− + 1,96𝜎𝑖2 )]
2 2
4.2. Méthode de BOOSTRAP [EFB]
4.2.1. Présentation de la méthode
Les méthodes de ré échantillonnage, telles que le Jacknife [QLM] et le BOOSTRAP

[EFB], [VLE] permettent de remplacer les déductions théoriques en analyse statistique par des
simulations de type Monté Carlo. Reposant principalement sur des simulations, le boostrapping
jouit d’une mise en œuvre relativement simple.
Le BOOSTRAP est une méthode de ré échantillonnage utilisant des simulations Monte-

Carlo inventé par Efron en 1979, elle permet en particulier d’estimer la variabilité d’un
paramètre .elle est de plus en plus utilisée en assurance non-vie. Sous certaines conditions
(données incrémentales positives), [ENG] note que les réserves obtenues par cette méthode sont
les mêmes que les réserves obtenues par Chain-Ladder.
La méthode est la suivante. A partir des facteurs de développement de Chain-Ladder issus

des données historiques, s’obtient un triangle ajusté tel que les paiements cumulés de la
diagonale soient égaux aux paiements cumulés du triangle de départ vérifiant exactement
l’hypothèse de Chain-Ladder
Il est alors possible d’obtenir le triangle des résidus ajustés de Pearson, définis par :
𝑵 𝑿𝒊,𝒋 − 𝑿̃ 𝒊,𝒋
𝑷𝑹𝒊,𝒋 = √ .
𝑵−𝒑
√𝑿̃ 𝒊,𝒋
où N est le nombre d' observations de triangle et p le nombre des paramètres à estimer.
Page 67
La méthode consiste à retirer un échantillon de ces erreurs dans un nouveau triangle (en
excluant la cellule en haut à droite du triangle et celle en bas à gauche, qui seront toujours
nulles). Il est alors possible construire un pseudo triangle incrémental défini par :
̃ 𝒊,𝒋 + 𝒓𝒂𝒏𝒅(𝑷𝑹𝒌,𝒍 ). √𝑿
𝑿 ̃ 𝒊,𝒋
On peut déterminer ainsi les facteurs de développement de ce nouveau triangle et l’ensemble

des paiements incrémentaux. Cette méthode, itérée de nombreuse fois permet d’obtenir une
mesure de l’erreur d’estimation de chaque paiement incrémental. A cela il faut ajouter l’erreur du
modèle en prenant en compte l’hypothèse affirmant que les paiements sont distribués selon une
loi de poisson avec surdisperssion. Pour plus de détail voir [BEN].
Résumons la démarche de la méthode comme suit :
1) Appliquer le modèle de chaine-Ladder sur le triangle des paiements cumulés.
2) Calculer les facteurs de développement.
3) A partir de ces facteurs issus des données historiques on considère un triangle ajusté tel
que les 𝐷𝑖,𝑗 de la diagonale sont égaux aux paiements cumulés :
̂ 𝒊,𝒋−𝟏
𝑫𝒊,𝒋 = 𝝀𝒋 𝑫
On obtient le triangle des résidus ajustés
𝑵 ̃ 𝒊,𝒋
𝑿𝒊,𝒋 −𝑿
𝑷𝑹𝒊,𝒋 = √𝑵−𝒑 .
̃ 𝒊,𝒋
√𝑿
Les résidus étant en moyenne proches de zéro
4) Les étapes suivantes sont répétées pour chaque simulation.

5)
a) Ré échantillonnage des résidus de pearson ajustés
b) Reconstitution du pseudo-triangle des incréments 𝑋̃𝑖,𝑗 par la formule
̃ 𝒊,𝒋 = 𝑷𝑹𝒊,𝒋 √𝑿𝒊,𝒋 +𝑿

𝑿 ̃ 𝒊,𝒋
𝑐) Reconstitution du pseudo-triangle des cumulés
d) Calcul des facteurs de développement suivant Chaine-ladder
e) Réutilisation du modèle pour obtenir le triangle inferieur prévu par le modèle et estimer
la provision globale
Page 68
f ) stocker le résultat de la provision et réitérer.
Estimer la moyenne et l’erreur du montant des provisions à partir du B échantillons des

̂ 𝑏) :
provisions (𝑅
Moyenne de la provision est donné par :
1 𝐵
𝐸 𝐵 (𝑅̂ ) = ∑ 𝑅̂𝑏
𝐵 𝑏=1
Variance de la provision est donnée par :
1 𝐵
𝑉 𝐵 (𝑅̂ ) = ∑ (𝑅̂ − 𝐸 𝐵 (𝑅̂ ))2
𝐵 − 1 𝑏=1 𝑏
Erreur de prédiction est donnée par :
̂𝐵 =𝑉 𝐵 (𝑅̂ ) + 𝑉̂ (R)
𝑀𝑆𝐸𝑃𝑏𝑜𝑜𝑡
4.3. Les modèles factoriels stochastiques
Ce sont des modèles récursifs inspirés de la méthode « Chain-Ladder », très utilisées dans
les années 70 [ACH] s’appliquant sur les triangles des paiements décumulés (𝑿𝒊,𝒋 ). On va
aborder deux modèles : le modèle log-linéaire de Christophide et le modèle de poisson–
surdispersé.
4.3.1. Le modèle log- linéaire de Christophide
Le modèle de Christophide est directement inspiré du modèle de De Vylder, c’est un modèle

prédit par :
𝒀𝒊,𝒋 = 𝜽𝑴𝒊,𝒋 + 𝜺𝒊,𝒋
Où 𝜃 est le vecteur des paramètres,
𝑴 = (𝑴𝒊,𝒋 ) la matrice de régression
𝜺𝒊,𝒋 terme d’erreur supposé i .i.d gaussiens, de moyenne nulle et de variance 𝜎 2 .
Page 69
Soit 𝑿𝒊,𝒋 =𝑫𝒊,𝒏 .𝑷𝒋 Où 𝑫𝒊,𝒏 est la charge ultime des sinistres survenus à la date i. 𝑃 𝑗 est
la proportion du montant 𝐷𝑖,𝑛 payé l’année j. En passant au logarithme on obtient un modèle
log-linéaire suivant :
𝒀𝒊,𝒋 = 𝑳𝒏𝑿𝒊,𝒋 = 𝜶𝒊 + 𝜷𝒋 + 𝜺𝒊,𝒋
Qu’on peut écrire sous forme :
𝒀=𝑴𝜽+𝜺
Les erreurs sont supposées indépendantes et gaussiennes :
(𝜺𝒊,𝒋 ~𝑵(𝟎 , 𝝈𝟐 ))
Dès lors 𝒀𝒊,𝒋 ~𝑵(𝜶𝒊 +𝜷𝒋 , 𝝈𝟐 ) indépendantes
Il a été noté que 𝑌𝑖,𝑗 est également gaussien avec 𝑬(𝒀𝒊,𝒋 ) = 𝜶𝒊 + 𝜷𝒋 et 𝑽(𝒀𝒊,𝒋 ) = 𝝈𝟐 .
Ce modèle étant simplement un modèle de régression, il est aisément mis en œuvre. Pour
plus de détail, voir [DEN] (page 365).
̂ ̂2
𝜎
L’estimation des incréments est donnée par 𝑋̂𝑖𝑗 = 𝑒 𝛼0 +𝛼̂𝑖 +𝛽𝑖 + 2 qui représente les
paiements futurs, conduisant à la construction du triangle des valeurs prévues des 𝑿𝒊,𝒋 .
4.4. Inconvénients et avantages des méthodes stochastiques :
La première finalité de l’approche stochastique est de mesurer l’incertitude présente dans

les triangles de liquidation et les méthodes déterministes, elles permettent, d’expliciter les
hypothèses utilisées dans ces méthodes et les valider pour obtenir des estimations et intervalles
de confiance pour des paramètres d’intérêt liés à la provision seulement, ces modèles présentent
parfois une incertitude très élevés et donne parfois des intervalles de confiance trop important
pour être exploitable et peuvent être à l’origine d’un risque de modèle.
Page 70
Conclusion partielle :
La première finalité de l’approche stochastique est de mesurer l’incertitude présente dans

les triangles de liquidation et les méthodes déterministes, toutes ces méthodes
présentées dans le chapitre précédent permettent d’apporter plus d’informations sur les
estimations des réserves et ce à travers la possibilité de capter le risque lié à ces
estimations, se basant sur des hypothèses explicites concernant le processus de
développement et sur la variabilité de l’espérance des valeurs des paiements futurs.
L’avantage des méthodes stochastiques et qu’elles permettent d’expliciter les hypothèses

avec une très grande variété des techniques et les valider pour obtenir des estimations et
des intervalles de confiance pour des paramètres d’intérêt liés à la provision. En revanche
les méthodes déterministes ne donne aucun indicateur sur la différence entre l’estimation
effectuée et la valeur réelle théorique seulement, cette modélisation présentent parfois une
incertitude très élevé et donne parfois des intervalles de confiances trop important pour
être exploitable d’autant plus l’implémentation informatique est plus complexe à mettre en
place que celle de la modélisation déterministe.
Notons que pour résoudre les conditions du premier ordre dans une modélisation GLM et
trouver l’estimateur de maximum de vraisemblance via un système d’équation assez
complexe pour être résolu analytiquement on fait recourir à des méthodes numériques
récursive dite Newton Raphson.
Le prochain chapitre sera consacré à l’estimation récursive des paramètres d’un modèle de
provision dans le cas où le nombre de paramètres à estimer est grand et l’intérêt des
algorithme récurrent dans l’estimation des paramètres qui est dû à la possibilité du
traitement en ligne des données.
Page 71
Chapitre 5 : Modélisation Récursive des réserves
Page 72
Introduction :
Les modèles mathématiques actuariels et statistiques évoluent dans un monde parfait

où les lois de probabilités sont parfaitement respectées par des variables aléatoires bien
obéissantes et qui ne se marchent pas sur les pieds les unes les autres, on dit qu’elles sont
indépendantes, les écarts suivent bien sagement des lois normales. [MEDA].
Mais le monde réel est différent, notamment dans un marché de l’assurance encore
peu mature comme l’est l’Algérie ; les variables ne sont pas complètement indépendantes,
les séries ne sont pas complètes, les valeurs ne sont pas toujours fiables, les écarts ne sont
pas gaussiens, il faut donc essayer de composer avec la dure réalité et malgré tout arriver à
proposer des estimations pertinentes et plausibles, malgré les imperfections observées .
Dans un monde en constante évolution où les changements économiques

réglementaires, démographiques et sociaux modifient notre paysage, les assureurs doivent
faire preuve d’adaptation et d’anticipation au quotidien pour imaginer des réponses à
toutes les inquiétudes et risque de la vie tels que, l’invalidité, la dépendance, le chômage, le
prix du pétrole, les fluctuations de la bourse, le terrorisme, les alea de la vie, etc. toutes ces
craintes doivent pouvoir être atténuée s grâce à des garanties de prévoyance adaptées.
Les modèles usuels utilisés en assurance pour la tarification ou le provisionnement,

reposent traditionnellement sur le calcul d’une espérance de valeur actuelle probable, cette
démarche est légitimée par le principe d’équivalence qui s’appuie sur le constat que
l’espérance est la constante qui résume le mieux la distribution d’intérêt au sens de la
distance quadratique. Au surplus la loi des grands nombres assure que dans le cas de
risques indépendants et pour un portefeuille de taille suffisante ; la valeur observée sera
peu différente de la valeur prédite. Cette approche présente toutefois quelques limitation,
majeures puisqu’elle rend délicats certains calculs associés à des clauses non linéaire ; et
elle n’est pas adaptée à la prise en compte dans la modélisation de risque systématiques
partiellement mutualisable comme le risque de nature financière.
Page 73
5.1. Présentation des modèles
De nombreux modèles ont été proposés pour la modélisation des provisions et une
littérature abondante est consacrée à ce sujet, ils ont été développé dans le but de palier un
problème spécifique (manque de donnée, historique insuffisant développement long,
environnement incertain).
De nombreuses théories macro-économiques reposent sur le postulat de dépendance

de la variation des données financières de taux, etc. L’établissement de ce postulat a
entrainé le développement d’outils mathématiques et de modèles capables de rendre compte
de cette dépendance de la variation des cours : Les séries temporelles, parmi les principaux
modèles utilisés en assurance ; le modèle AR, le modèle MA, le modèle ARMA et le modèle
ARCH
L’analyse des séries temporelles est un champ fascinant et les énormes progrès de son
utilisation depuis quelques années démontrent amplement son importance considérable en
tant qu’outil mathématique.
Comme la majorité des données dans les différents domaines parviennent sous forme
de séries temporelles cet outil mathématique a été développé dans le but de description, de
prévision ou de contrôle de système, elle représentait une très grande importance dans les
phénomènes aléatoires tels que l’économie, l’hydrologie, l’environnement et autres. Cette
analyse permet de construire des modèles stochastiques à travers des séries de données
indexées dans le temps en utilisant un ensemble de procédures et de techniques
mathématiques, selon trois étapes suivantes : Identification, estimation et validation.
5.2. Intérêt des algorithmes récurrents :
Une fois le modèle identifié, l’estimation de ses paramètres est surement une étape très
importante dans la construction du modèle, elle a constitué jusqu’à alors le centre d’intérêt
des chercheurs et s’est soldé par des nombreux résultats intéressants, ces méthodes
d’estimation utilisent des techniques classiques de statistiques ; les méthodes les plus
courantes sont : Le maximum de vraisemblance (MV) ; Les moindres carrées (MC),et la
méthode de (Yule-walker ) qui sont programmées dans les logiciels actuels (exemple :
Spss, Maple, Statgraph et Matlab) sans oublier l’approche bayésienne.
Page 74
Pour prendre en compte ces remarques, plusieurs approches ont été abordées, celle
retenue est la modélisation ARCH (autorégressif conditionnellement hétéroscédastiques)
[ENG]. L’expérience a montré que les séries financières sont souvent caractérisées par des
périodes d’agitation suivis de période d’accalmie, bref par des chocs de variance.
Différentes approches d’estimations des paramètres d’un modèle ARCH ont été
utilisées en employant « l’algorithme du score » [ENG ], l’approche bayésienne ,utilisée
dans la méthode d’intégration de Monté Carlo [GWK], l’appliqua à travers la méthode de
l’échantillonnage. Muller et Pole [BOL] ont implémenté la méthode de Markov Chain
Monté Carlo « MCMC » aux modèles Garch.
Les techniques d’estimation des paramètres d’un modèle peuvent être classées en deux
catégories générales : Les méthodes d’estimation utilisant directement les données et les
méthodes qui n’utilisent les données qu’à travers une transformation de celle-ci en résumé
statistique (moyenne empirique, covariance empirique) et d’estimer par la suite les
paramètres du modèle.
Avec l’avènement des grandes bases de données, plusieurs domaines d’application, du

fait de leur complexité croissante, font actuellement appel à des données en ligne (finance
et bourse). Bien qu’elles soient peu répandues, connaitront un nouvel essor. Les méthodes
d’estimation directes (hors ligne) sont trop lourdes voire impossible lorsqu’elles sont
appliquées à des données en ligne, car leur utilisation contraint à chaque introduction d’une
nouvelle donnée de refaire toute la procédure d’estimation pour tout le bloc des données ce
qui est très couteux en terme de complexité spatial et temporel. Face à ce problème les
ingénieures ont développé une méthodologie complète portant le nom d’identification
Récurrente qui part de de la conception des algorithmes à l’examen des conditions de mise
en œuvre numérique sur le calculateur, passant par l’étude approfondie de la convergence
et l’optimisation de leurs vitesses. Les modèles d’approximation stochastique est l’une des
raisons de l’existence de plusieurs algorithmes récurrents. Ces derniers ont occupé une place
considérable due au développement du traitement numérique et à l’augmentation constante
de la puissance des calculateurs permettant ainsi l’implémentation en temps réel
d’algorithme de plus en plus sophistiquées.
L’intérêt de la forme récursive des algorithmes récurrents est dû à la possibilité du
traitement en ligne des données en temps réels grâce à une mémorisation finie dans un
vecteur de taille fixé.
Page 75
Notons que dans la modélisation stochastique GLM dans le provisionnement

l’application de la méthode du maximum de vraisemblance aux données du triangle
supérieur sur les montants décumulés nous permet en principe d’estimer les paramètres du
modèle à travers les conditions du premier ordre obtenant un système d’équations as sez
complexes pour être résolu analytiquement d’où la nécessité et le recours aux
méthodes dites : numériques récursives pour l’obtention des estimateurs et le complétion
des cases manquantes par leurs valeurs espérées. [NGC]
5.3. Méthode des moindres carrées récursive et application aux réserves
Notre objectif à présent est la mise en œuvre d’une méthode récurrente pour
l’estimation des paramètres des modèles stochastique de provisionnement en assurance non -
vie, cette méthode est inspirée des algorithmes bien connus d’estimation en-ligne [YOU],
[MDO] fournit des estimateurs asymptotiquement gaussien ; il s’agit en fait d’une fusion de
la méthode des moindres carrées en deux étapes proposée par Bose et Mukherjee [BME]
avec la célèbre méthode des moindres carrées récursives (RLS en anglais) développée pour
des modèles AR linéaires permettant de prendre en charge des données en temps réel .
Nous proposons un ensemble de modèles stochastiques ayant une représentation

autorégressive d’ordre 1, 2 ou 3 s’inspirant des modèles financier en assurance [PTJ] on
suppose que le montant des paiements cumulés des j premières années de développement de
l’année de survenance i "𝐷𝑖𝑗 " s’écrit comme une combinaison linéaire, quadratique, d’ordre
3, etc. des valeurs "𝐷𝑘𝑙 𝑘 ≤ 𝑖 et 𝑙 ≤ 𝑗, nous essayons par la suite d’estimer les paramètres
du modèle par la méthode des moindres carrées, ce qui nous permet d’avoir un estimateur
des paramètres du modèle choisi, cet estimateur est calculé d’une manière directe, ce calcul
n’est pas récursif, à partir de cet estimateur et en se basant sur des outils mathématiques
nous pouvons avoir une estimation récursive du paramètre considéré.
L’objet du présent travail est la mise en œuvre d’une méthode récurrente pour
l’estimation des paramètres des modèles de réservations. Cette méthode inspirée des
algorithmes bien connus d’estimation en-ligne [YOU]. L’identification consiste à
déterminer les paramètres d’un modèle mathématique dont la structure est établie selon un
critère donné, les paramètres des modèles sont obtenus par la minimisation de l’erreur de
prédiction entre une valeur observée et une valeur donnée par le modèle estimé suivant un
Page 76
critère d’optimalité par exemple (moindre carré, erreur quadratique moyenne, maximum de
vraisemblance, etc. Nous nous intéressons plus particulièrement à la méthode qui est basée
sur la minimisation de l’erreur quadratique (Mean square error ou MSE).
Cette approche permet de construire une suite d’estimateur qui permet d’approcher de
plus en plus la vraie valeur du paramètre à estimer. La méthode des moindres carrées est
basée sur la détermination des meilleures paramètres, C’est-à-dire ceux qui minimisent un
certain critère d’optimalité, ils représentent la somme des carrés des erreurs de prédiction et
qui est mentionné ci-dessous par
1 1
f ( ) 
N
  uˆ
i j
i, j ( ) 2 
N
  (D
i j
s
i, j  iT, j ) 2
̂ est l’erreur d’estimation

avec 𝑢𝑖𝑗 =𝑢̂𝑖𝑗 (𝜃)
𝜃̂ est la vraie valeur du paramètre θ à estimer.
N : Le nombre d’observation dans le système observé
Condition de premier ordre

𝑑𝑓
La minimisation du critère (1) est de calculer et annuler les dérivées premières ̂. (Voir le
𝑑𝜃
détail dans la partie 2 de ce chapitre). Une fois que l’estimateur 𝜃̂ est obtenu, nous pouvons
montrer qu’il est sans biais dans le cas où la suite des erreurs aléatoire uij soit centrée (de
moyenne nulle) dans le cas où le bruit de mesure n’est pas à valeurs moyenne nulles on
pourra constater que l’estimation des paramètres sera biaisées.
L’estimateur 𝜃̂ du modèle peut être obtenu récursivement après avoir mis en œuvre
l’algorithme récursif, nous utilisons le calcul matriciel et quelques notions d’algèbres dont
la démonstration se trouvera dans (Annexe1)
5.4. Estimation récursive des réserves
Toute méthode récurrente part d’une fonction objectif à optimiser et se termine par une
méthode ou un algorithme récursif pour la mise en œuvre effective sur les données.
Théoriquement, plusieurs critères à optimiser peuvent être considérés (approche Bayesienne,
maximum de vraisemblance, etc.). Mais souvent le critère retenu est la minimisation de l’erreur
Page 77
quadratique moyenne (Mean Square Error ou MSE). Cette approche permet de construire une
suite d’estimateurs du paramètre à estimer qui permet d’approcher de plus en plus la vraie valeur
de ce paramètre.
Les algorithmes récurrents ont occupé une place considérable due au développement du
traitement numérique et à l'augmentation constante de la puissance des calculateurs permettant
ainsi l'implémentation en temps réel d'algorithmes de plus en plus sophistiqués. L'intérêt de la
forme récursive des algorithmes récursifs est dû à la possibilité du traitement en ligne des donnés
en temps réel grâce à une mémorisation finie dans un vecteur de taille fixé. En effet l'estimation
courante est remise à jour de manière à ce que le nombre d'opérations et l'espace mémoire ne
croient pas avec le nombre d'observations et ne dépendent que du modèle choisi.
5.4.1. Modèles :
Hypothèses : Nous supposons dans cette modélisation que la valeur du triangle de

développement Di , j (prestation, des sinistres de l’année i, réalisée après j années) s’écrit comme
une combinaison (linéaire, quadratique, etc.) des valeurs Dk , l , k  i et l  j et ( k  i ou l  j ),
(voir la Figure 1) plus une certaine erreur considérée comme une variable aléatoire.
   
 Di  2, j  2 Di  2, j 1 Di  2, j
 Di 1, j  2 Di 1, j 1 Di 1, j
 Di , j  2 Di , j 1 Di , j
Figure 5.1. Les différentes valeurs possibles qui précèdent Di , j
Nous avons considéré plusieurs types de modèles possibles pour l’estimation des valeurs
du triangle de développement, à savoir
Page 78
- M100s : Dis, j   0  1 Dis, j 1  ui , j

pour i  0, ...,n 1 , j  1, ...,n  i et s  1, 2, 3, ...
- M001s : Dis, j   0  1 Dis1, j  ui , j

pour i  0, ...,n 1 , j  1, ...,n  i et s  1, 2, 3, ...
- M010s : Dis, j   0  1 Dis, j 1   2 Dis1, j 1  ui , j

pour i  1, ...,n  1, j  1, ...,n  i et s  1, 2, 3, ...
- M110s : Dis, j   0  1 Dis, j 1   2 Dis1, j 1  ui , j

pour i  1, ...,n  1, j  1, ...,n  i et s  1, 2, 3, ...
- M101s : Dis, j   0  1 Dis, j 1   2 Dis1, j  ui , j
pour i  1, ...,n  1, j  1, ...,n  i et s  1, 2, 3, ...
- M111s : Dis, j   0  1 Dis, j 1   2 Dis1, j 1   3 Dis1, j  ui , j

pour i  1, ...,n  1, j  2, ...,n  i et s  1, 2, 3, ...
- M200s : Di , j  0  1Di , j 1  2 Di , j  2  ui , j
s s s
pour i  0, ...,n  1, j  0, ...,n  i et s  1, 2, 3, ...
- M002s : Dis, j   0  1 Dis1, j   2 Dis 2, j  ui , j

pour i  2, ...,n , j  0, ...,n  i et s  1, 2, 3, ...
- M202s : Dis, j   0  1 Dis, j 1   2 Dis, j  2   3 Dis1, j   4 Dis 2, j  ui , j

pour i  2, ...,n , j  2, ...,n  i et s  1, 2, 3, ...
- Etc.
où u i , j est l’erreur d’estimation considérée comme une variable aléatoire.
Tous ces modèles peuvent se mettre sous la forme : Dis, j   iT, j  ui , j
Page 79
Pour le modèle M111s, nous avons :
 1 
   0 
 Dis, j 1   
i, j  s  et    1  qui sont deux vecteurs de taille 4.
 Di 1, j 1   
   2
 
 Dis1, j   3
 
Nous avons une représentation autorégressif d’ordres 1, 2 ou 3 selon le modèle choisi. La
meilleure estimation de Dis, j au sens des moindres carrés et que l'on note Dˆ is, j ( ) est par
conséquent donnée par :
Dˆ is, j ( )   it, j
L'erreur d’estimation uî , j ( )  ui , j est donc égal à :
Dis, j  Dˆ is, j ( )
Nous avons la relation uî , j ( * )  ui , j où  * est la vraie valeur du paramètre.
Le critère d'optimisation est donc min f ( ) où :


1 1
f ( ) 
N
  uˆ
i j
i, j ( ) 2 
N
  (D
i j
s
i, j   iT, j ) 2
uî, j ( ) n'est définie que pour certaines valeurs de i et de j. Par exemple, pour le modèle M111s,
nous avons i  1,...,n  1 et j  1,...,n  i et N  n(n  1) / 2 étant le nombre d'éléments.
5.4.2. Estimation
Considérons le théorème suivant qui nous donne un estimateur des paramètres d’un
modèle. Cet estimateur est calculé de manière directe (c’est-à-dire que le calcul n’est pas
récursif).
Page 80
Théorème 5.1. Supposons que la matrice   i , j iT, j soit inversible, nous avons :
i j
1
 
ˆN     i , j iT, j   Dis, ji, j
 i j 
  i j
où ˆN est l'estimateur du paramètre  en utilisant un triangle développement de N valeurs.
Preuve :
f
En calculant et en annulant les dérivées premières pour i  0,1,..., q (q=1, 2 ou 3, selon
̂ i
le modèle choisi), nous obtenons pour le modèle M111s :
Condition du premier ordre
f (ˆ 0 ,...,ˆ 3 ) 2
   ( Dis, j  iT, jˆN )  0
ˆ 0 N i j
f (ˆ 0 ,...,ˆ 3 ) 2
   ( Dis, j  iT, jˆN )Dis, j 1  0
ˆ1 N i j
f (ˆ 0 ,...,ˆ 3 ) 2
   ( Dis, j  iT, jˆN )Dis1, j 1  0
ˆ 2 N i j
f (ˆ 0 ,...,ˆ 3 ) 2
   ( Dis, j  iT, jˆN )Dis1, j  0
ˆ 3 N i j
Donc  ( Dis, j  iT, jˆN )i, j  0

i j
Ainsi  Dis, ji, j  iT, jˆN i, j  0

i j i j
D'où  Dis, ji, j  iT, jˆN i, j

i j i j
Page 81
0
 
0
où 0    : un vecteur à q+1 éléments nuls.
 
 
0
Finalement,
 Dis, ji, j   i, jiT, j ˆN

i j i j
Et
1
 
ˆN     i , j iT, j   Dis, ji, j
 i j 
  i j
sous l’hypothèse que la matrice i, jiT, j (de taille (q  1)  (q  1) ) soit inversible. 
i j
Considérons maintenant le théorème suivant qui nous permet de calculer récursivement un

estimateur des paramètres d’un modèle. C'est-à-dire que le résultat du théorème 5.1 peut être
obtenu de manière récursive en calculant ˆ à partir de ˆ N et d'une nouvelle observation. N 1
Pour cela, rangeons les paires de valeurs (i, j) dans une liste indicée de 1 à N. (im , jm ) désigne
la paire d’indice m. Nous pouvons écrire donc
1 N
 N

ˆN   i m , jm
iT , j  D s
im , j m i m , jm
 m 1 
m m
m 1
Disk , j k  iTk , j k ˆk 1

Théorème 5.2. Pour k  1 , nous avons : ˆk  ˆk 1  Rk1ik , j k
k
1
avec Rk  Rk 1  (ik , j k iTk , j k  Rk 1 )
k
Preuve
Du théorème 1 posons :
Page 82
k k
ˆk  Rk 1  Dism , j m i avec Rk  i m , jm
 iTm , j m (5.1)
m , jm
m 1 m 1
Nous avons :
k
ˆk  Rk 1  Dism , j m  i
m , jm
m 1
 k 1 
 Rk 1   Dism , j m i , j  Disk , j k i , j 

 m 1 
m m k k
 
k
 Rk 1 Rk 1ˆk 1  Disk , j k  i
k , jk
(car d’après 5.1, nous avons  Dis , j
m m
i
m , jm
 Rkˆk )
m 1

 Rk 1 Rk ˆk 1   i
k , jk
 iTk , j k ˆk 1  Disk , j k  i
k , jk

(car d’après 4.1, nous avons Rk  Rk 1  ik , j k iTk , j k donc Rk 1  Rk  i k , j k iTk , j k )

 Rk 1 Rk ˆk 1   i
k , jk
( iTk , j k ˆk 1  Disk , j k ) 
 ˆk 1  Rk1 i , jk
( Disk , j k   iTk , j k ˆk 1 ) (5.2)
k
Aussi :
1
Rk  Rk
k
1
 ( Rk 1  i , j iTk , j k ) (car d’après 5.1, nous avons Rk  Rk 1  ik , j k iTk , j k )
k k k
1
 ((k  1) Rk 1  ik , j k iTk , j k )
k
k 1 1
 Rk 1  ik , jk iTk , jk
k k
1
 Rk 1  (ik , j k iTk , j k  Rk 1 )
k
Disk , j k  iTk , j k ˆk 1

Finalement : ˆk  ˆk 1  Rk1ik , j k . 
k
Page 83
Les équations du théorème précédent possèdent théoriquement l'aspect d'un algorithme

récursif, mais cet algorithme n'est pas encore exploitable du point de vue numérique.
L’inconvénient de cette méthode est qu’elle nécessite l’inversion d’une matrice de taille
(q  1)  (q  1) , ce qui est très coûteux en temps de traitement du programme si le nombre de
paramètres à estimer est grand. Pour remédier à cela, nous proposons le résultat suivant :
Théorème 5.3. Pour k  1 , nous avons : ˆk  ˆk 1  ( Disk , j k  iTk , j k ˆk 1 ) Lk
1
avec Lk  Pk 1i k , j k et Pk  Pk 1  Lk iTk , j k Pk 1 .
1   iTk , j k Pk 1 i k , j k
Preuve
Nous avons :
Rk1  ( Rk 1  ik , j k iTk , j k ) 1
Rk11 ik , jk  iTk , jk Rk11 A1bbT A1

 Rk11  (car ( A  bbT )1  A1  ) (5.3)
1   iTk , jk Rk11 ik , jk 1  bT A1b
Donc
Rk11i k , j k iTk , j k Rk11i k , j k Rk11i k , j k

Rk1i k , j k  Rk11i k , j k  
1  iTk , j k Rk11i k , j k 1  iTk , j k Rk11 i k , j k
En posant Rk1  Pk et Lk  1
Pk 1i k , j k , on obtient :
1   iTk , j k Pk 1 i k , j k
Pk  Pk 1  Lk iTk , j k Pk 1 (D’après 5.3)
Et
ˆk  ˆk 1  ( Disk , j k  iTk , j k ˆk 1 ) Lk . (D’après 5.2)


Page 84
Cette méthode est plus intéressante puisqu’elle ne nécessite pas l’inversion d’une matrice
de taille (q  1)  (q  1) , ce qui minimise la propagation des erreurs d’arrondi dans les calculs et
accélère et diminue le temps d'exécution.
5.4.3. Choix des valeurs initiales
La simplicité des méthodes récurrentes étudiées ne doit pas faire oublier qu’en pratique
leur implémentation numérique n’est pas une tâche facile puisque ces méthodes récurrentes sont
très sensibles aux valeurs initiales. Pour empêcher que l’estimateur ne soit très sensible aux
valeurs de départ (les premières valeurs des données), il faut bien choisir ces valeurs initiales. Il
faut donc prendre quelques précautions pour que l’estimateur ne s’éloigne pas de la vraie valeur
du paramètre à estimer.
5.4.3.1. Choix de ˆ1
Nous avons observé que la bonne valeur pour ˆ1 est 0 ( 0 est un vecteur ayant tous ces
éléments égaux à 0 et est de dimension q+1)
5.4.3.2. Choix de P1
Nous avons observé aussi que la valeur initiale de P1 influence très faiblement la valeur
finale de ˆ . Nous avons choisi de prendre comme valeur initiale Id .
5.4.4. Facteur d’oubli
Comme nous l’avons déjà mentionné les méthodes récurrentes sont très sensibles aux
valeurs initiales. Pour remédier à cet inconvénient, nous proposons d’incorporer un facteur
d’oubli. C’est-à-dire une suite de valeurs  k qui permet d’atténuer les variations des paramètres
à estimer.
Nous avons proposé la suite de valeurs : k  k 1  
Et nous avons choisi les conditions : 1  1 et   0.0001
Page 85
Le théorème 5.3 devient alors :
Théorème 5.4. Pour k  1 , nous avons : ˆk  ˆk 1  ( Disk , j k  iTk , j k ˆk 1 ) Lk
k
Pk 1i k , j k , Pk  Pk 1  Lk i k , j k Pk 1 et k  k 1   .
T
avec Lk 
k  iTk , j k Pk 1i k , j k
Et comme valeurs initiales : ˆ1  0 , P1  Id , 1  1 et   0.0001 .
Page 86
Chapitre 6 : Expérimentations numériques
Page 87
6.1. Présentation des données
Pour vérifier l’efficacité de la méthode d’estimation proposée, nous avons appliqué cette
méthode aux différentes données de la compagnie algérienne des assurances CAAT, qui s’étale
de l’année 2002 à 2012, tirée de la référence [BOU], sur les données tirées de de la référence
[BEN] ces données proviennent des 5000 simulations générées aléatoirement par le programme
proposée dans le papier, sur les données du marché I qui sont des données tirées de la référence
[TLS] elles proviennent du marché d’un assureur automobile, l’expérimentation numérique été
faites également sur les données du marché II tirées de la référence [SBM] qui sont les montants
des sinistres payé par la compagnie d’assurance des hydrocarbures CASH SPA pour les
sinistres survenus entre 2004 et 2011
Nous avons défini plusieurs modèles de réservations, nous cherchons dans cette partie à
pouvoir comparer les résultats de nos modèles à ceux donné par les méthodes classiques.
Voici les résultats obtenus à partir des données [BEN] :
Année de développement
Exercice
1 2 3 4 5 6
1997 4 740 210 938 1 850 617 2 608 283 3 495 492 4 607 776
1998 181 773 1 314 395 3 609 713 4 881 558 5 880 198 7 751 290
1999 112 302 1 137 729 2 286 295 2 962 406 3 708 303 4 888 293
2000 283 555 977 041 2 131 768 2 876 319 3 600 541 4 746 241
2001 474 694 1 078 972 2 928 080 3 978 088 4 945 507 6 519 178
2002 304 668 1 360 134 3 691 088 5 245 005 6 234 221 8 217 964
Table 6.1. Résultats de la méthode de Chain –Ladder (a)
Charge ultime Réserves

4 607 766 0
7 751 290 1 871 092
4 888 293 1 925 887
4 746 241 2 614 473
6 519 178 5 440 206
8 217 964 7 913 296
3 673 0731 19 764 953
Table 6.2. Résultats de la méthode de Chain –Ladder (b)
Page 88
Commentaire :
La réserve globale obtenue par chain-ladder est donnée par 19764953 millions d’euros. La
première année de déclaration (1997), le règlement des sinistres a été effectué plus tardivement
que les autres, si l’on compare la sinistralité ultime de 2001 et 2002, les chiffres de 2002
semblent surestimés, la sinistralité associée à cette année est la plus élevée. Les paiements
cumulés seraient les plus importants ; ce qui est plutôt étonnant du fait que la méthode suppose
la reproductibilité du passé, les paiements associés aux sinistres déclaré en 1997 connaissent un
développement moins rapide que les autres, cette méthode montre ses limites et il est important
de comparer le résultat de la méthode avec les autres modèles, commençant par London-chain
et les modèles récursifs.
Pour le Modèle London- Chain, voici les résultats obtenu

survenance 1 2 3 4 5 6
1997 4 740 210 938 1 850 617 2 608 283 3 495 492 4 607 766
1998 181 773 1 314 395 3 609 713 4 881 558 5 880 198 7 751 290
1999 112 302 1 137 729 2 286 295 2 962 406 3 692 203 4 867 070
2000 283 555 977 041 2 131 768 2 875 922 3 582 164 4 722 016
2001 474 694 1 078 972 2 948 098 3 978 088 4 984 519 6 570 603
2002 304 668 1 410 282 3 886 453 5 245 005 6 596 495 8 695 515
Table 6.3. Triangle des paiements cumulés complété selon la méthode London- Chain

4 607 766 0
7 751 290 1 871 092
4 867 070 1 904 664
4 722 016 2 590 249
6 570 603 5 491 631
8 695 515 8 390 847
37 214 260 20 248 482
Table 6.4. Résultats de la méthode London- Chain
Les résultats sont relativement comparables avec la méthode Chain-ladder. Le principal

écart provient de l’année 2002, où la prévision des paiements futurs semblent à nouveau
excessive si l’on la compare avec celle des deux années précédentes. elle conduit à réduire le
provisionnement des années les plus anciennes(1999 et 2000) et augmenter celui des années les
Page 89
plus récentes (2001 et 2002) alors qu’elle nous semblaient déjà excessive avec Chain-ladder.
Cependant, étant donné que l’ultime associé à 2002 est très important avec chain-ladder, il est
intéressant de voir qu’elle est l’influence d’introduire un modèle stochastique récursif sur les
valeurs du triangle.
Il convient de noter que le développement des sinistres n’est étudié que pendant les six
premières années de développement et ce afin de faciliter la comparaison entre les différents
modèles, et lorsque nous parlons de l’ultime, il s’agit donc des paiements cumulés au bout de six
années de développement et les réserves sont les réserves associés à ces six années.
Modèle récursif M100s :
L’estimation récursive des paramètres du modèle M 100, s=1, donne
𝛼̂0 = 874618 ,73119 𝛼̂1 = 1,06860
On peut compléter le bas du triangle utilisant le modèle M100s comme suit :

1997 4 740 210 938 1 850 617 2 608 283 3 495 492 4 607 766
1998 181 773 1 314 395 3 609 713 4 881 558 5 880 198 7 158 215
1999 112 302 1 137 729 2 286 295 2 962 406 4 040 254 5 192 046
2000 283 555 977 041 2 131 768 3 152 632 4 243 531 5 409 268
2001 474 694 1 078 972 2 027 611 3 041 330 4 124 593 5 282 170
2002 304 668 1 200 188 2 157 143 3 179 748 4 272 506 5 440 231
Table 6.5. Résultats de modèle récursif M100.

4 607 766 0
7 158 215 1 278 017
5 192 046 229 640
5 409 268 3 277 500
5 282 170 42 031 198
5 440 231 5 135 563
51 920 490 16 123 919
Table 6.6. Résultats de modèle récursif M100.
La valeur de la réserve globale est de (seize millions d’euros) ce qui a permis de conclure que
le modèle sous-estime la provision comparant à Chain-Ladder et London-Chain ; remarquons
que le modèle donne une prévision des paiements futurs comparable avec celle des deux années
Page 90
précédentes. En effet, l’évaluation des paiements cumulés après deux ans de développement pour
l’année 2002 (120 088) est presque égal à tous les paiements cumulés après deux ans de
développement des autres années de déclarations ce qui nous permet de dire que le modèle
récursif converge pour les années les plus récentes, contrairement à la méthode de Chain-ladder
et London Chain qui ont tendance à augmenter le provisionnement des années récentes et réduire
celle des années les plus anciennes, ce qui entraine leur divergence, on peut conclure que le
modèle récursif donne des résultats très encourageants.
Modèle récursif M001s
L’estimation récursive des paramètres du modèle M 001, s=1, donne

𝛼̂0 = 457495,89338 𝛼̂1 = 0,890770

1997 4 740 210 938 1 850 617 2 608 283 3 495 492 4 607 766
1998 181 773 1 314 395 3 609 713 4 881 558 5 880 198 7 198 458
1999 112 302 1 137 729 2 286 295 2 962 406 5 695 377 6 869 639
2000 283 555 977 041 2 131 768 3 096 307 5 530 745 6 576 738
2001 474 694 1 078 972 2 356 403 32 155 581 5 384 097 6 315 831
2002 304 668 1 418 608 2 556 500 3 321 827 5 253 467 6 083 425
Table 6.7. Triangle des paiements cumulés complété selon le modèle récursif M001s, s=1

4 607 766 0
719 845 1 318 260
6 869 639 3 907 233
6 576 738 4 444 970
6 315 831 5 236 859
6 083 425 5 778 757
6.8. Résultats du modèle récursif M001s : s=1
La réserve globale est de 20 millions d’euros, notons que la prévision des paiements futurs pour
l’année la plus récente est estimée à (6 millions d’euros environ) ce qui est de même pour les
trois autres années précédentes.
Page 91
6.2. Données générées aléatoirement (A) : Nous avons comparé notre modèle sur les données
tirées de la référence [BEN], ces données proviennent des 5000 simulations générées par le
programme proposé dans le papier. Voici le triangle moyen utilisé dans la référence :

1997 4 740 210 938 1 850 617 2 608 283 3 495 492 4 607 766
1998 181 773 1 314 395 3 609 713 4 881 558 5 880 198
1999 112 302 1 137 729 2 286 295 2 962 406
2000 283 555 977 041 2 131 768
2001 474 694 1 078 972
2002 304 668
Table 6.9. Triangle des paiements cumulés.
Le principal résultat des différents modèles étudiés est l’obtention de la moyenne des
réserves prévues. Voici la Table 6.10 comparative obtenue :
Année 1998 1999 2000 2001 2002 Somme

Chain-Ladder 1 871 092 1 925 887 2 614 473 5 440 206 7 913 296 19 764 953
London-Chain 1 871 092 1 904 664 2 590 249 5 491 631 8 390 847 20 248 482
Analyse 1 411 248 1 635 890 2 332 903 5 053 456 5 236 463 15 669 959
Bornhuetter-Ferguson 1 689 737 1 969 897 2 754 257 4 172 463 4 814 633 15 400 987
Mack 1 871 092 1 925 887 2 614 473 5 440 206 7 913 296 19 764 953
Bootstrap 1 878 463 1 929 746 2 597 262 5 444 237 7 506 241 19 355 950
Avis Experts CL 1 180 000 1 510 000 2 216 000 4 992 000 5 176 000 15 070 000
Avis Experts BF 1 869 000 1 933 000 2 626 000 4 475 000 4 920 000 15 890 000
Corrélations 1 871 092 2 006 246 2 861 360 4 840 828 7 524 391 19 157 234
Table 6.10. Résultats de l’expérimentation (source [BEN]).
La principale remarque de l’auteur est qu’il y a deux catégories de modèles. D’une part, il
y a les modèles présentant des résultats similaires à la méthode Chain-Ladder classique. Et
d’autre part, il y a les modèles résultant d’une analyse plus fine de la sinistralité. La première
catégorie de modèles prévoit des réserves à l’ordre de 20 millions, on y trouve la méthode de
Chain-Ladder, le modèle de London Chain, le modèle de Mack, et le boostrap. Pour le modèle de
Mack a donné les mêmes réserves que Chain-Ladder qui semble excessive surtout en ce qui
concerne les réserves associés aux années les plus récentes (2002).La méthode de London chain
présentent même des réserves supérieure à chain-Ladder. Ce premier groupe de modèles ne tient
pas compte de changement de cadences de développement observé en années 1999 et les autres
années. Les réserves associées aux autres modèles sont moindres (environ 16 millions)
Page 92
Les sommes des réserves obtenues par nos modèles sont données dans la Table 6.11
suivante.
s=
Modèle
1 2 3 4
100 16123919 14989696 15790368 13895734
001 20686079 18129396 15836711 8854923
010 21531075 20117780 17361606 14127364
101 15071934 11780139 40270713 47233775
110 13628232 66973353 78052432 430398063
011 21697982 34786495 193396183 102047750
111 13033545 53527820 62472167 68651186
200 15033918 14976496 27617976 147518226
002 15697119 17126019 16982701 16974243
202 16581981 22849124 16646444 11846550
Table 6.11. Résultats 1
s=
Modèle
1 2 3 4
100 826167 867777 1191289 1104093
001 1102588 1729948 2056276 1593764
010 1099348 1290691 1575293 1745624
101 544682 1780468 968683 1168676
110 1200067 2003052 1010334 5959594
011 1272360 1727554 1241474 1733931
111 1092255 1225567 1131530 1078878
200 468461 636911 477255 5039602
002 1437792 1316985 1280061 1263720
202 2140451 1265751 1895463 1482132
Table 6.12. MSE des résultats 1
Figure 6.1. Evolution du MSE. Données A. Modèles 200

Page 93
Commentaire : Nous remarquons que les résultats colorés en vert sont proches des résultats de
la méthode de Chain-Ladder (première catégorie). Tandis que les résultats colorés en bleu sont
proches des valeurs résultant d’une analyse plus fine de la sinistralité (deuxième catégorie). Les
valeurs en rouge et en jaune sont à rejeter car elles sont très éloignées des valeurs obtenues par
les méthodes classiques. La plus petite valeur du MSE est atteinte pour le modèle 200 avec s=1,
dans ce cas la somme des réserves est égale à 15033918. L’évolution du MSE pour la partie
supérieure du tableau est représentée à la Figure 6.2. Les paramètres et les valeurs obtenues
sont : a0=914395.70736, a1=1.38532 et a2=-0.52345.

Réserves
1997 4740 210938 1850617 2608283 3495492 4607766 0
1998 181773 1314395 3609713 4881558 5880198 6505084 624886
1999 112302 1137729 2286295 2962406 3821507 4657723 1695317
2000 283555 977041 2131768 3356138 4447838 5319291 3187523
2001 474694 1078972 2160635 3342773 4414212 5279705 4200733
2002 304668 1336457 2606334 3825427 4849539 5630126 5325458
somme des réserves = 15033918
Table 6.13. Modèle 200 avec s=1
Figure 6.2. Evolution des données A (modèle 200)
Page 94
6.3. Données du marché I (B): Nous avons comparé aussi notre modèle sur les données tirées
de la référence [TLS]. En ce qui concerne les données utilisées, elles proviennent du marché
d’un assureur automobile. Voici le triangle utilisé dans la référence :
An. Années de développement

0 1 2 3 4 5 6 7 8 9
1988 1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555
1989 1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960
1990 1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622
1991 1779698 3278229 3939630 4261064 4423642 4508223 4561672
1992 1843224 3416828 4029923 4329396 4506238 4612534
1993 1962385 3482683 4064615 4412049 4650424
1994 2033371 3463912 4097412 4529669
1995 2072061 3530602 4257700
1996 2210754 3728255
1997 2206886
Table 6.13. Triangle des paiements cumulés (source [TLS]).
La Table 6.14 suivante Résume les différents résultats obtenus (en milliers).
Méthodes Déterministes Méthodes Stochastiques

Méthode de CL BF Bootstrap Bootstrap BF
Provisionnement. LC Mack
Standard Dét. CL CL/BF Stoch.
Provision
6 440 5 967 7 506 6 614 7 455 6 440 6 967
Totale
Erreur de
166 90 323 425
Prédiction
Table 6.14. Résultats de l’expérimentation (source [TLS]).
La remarque donnée par les auteurs est « Les méthodes reposant sur Chain-Ladder
semblent légèrement sous-estimer la provision et à l’inverse, celles reposant sur Bornhuetter-
Ferguson ont une tendance à la surestimation. Aussi, la méthode Bornhuetter-Ferguson
stochastique donne un résultat intermédiaire».
suivante :
Page 95
variante s=
1 2 3 4
100 4824893 4016880 4417567 4970764
001 12323824 10623558 9477589 9084955
010 7722468 6674067 6818381 7050535
101 10868616 8166849 7602934 7288919
110 7098752 5833152 6004289 6336115
011 10751956 8449032 7509507 7176740
111 7238057 8474592 15566029 9315366
200 5998650 4635315 5085452 5859897
002 11602320 8906021 13827450 10606529
202 7737582 10605922 1031999512 1130273098
Table 6.15. Résultats 6.3
s=
Modèle
1 2 3 4
100 439601 379104 387290 398936
001 344605 547065 746262 886775
010 228522 119373 129525 167027
101 162885 118805 99706 114427
110 257341 147955 200328 194009
011 257247 241338 287668 202725
111 221406 382374 489218 581003
200 299687 433263 436030 307250
002 234829 266109 533046 270957
202 312486 150582 10561411 13437458
Table 6.16. MSE des résultats 6.3
Figure 6.3. Evolution du MSE. Données B. Modèles 101
Page 96
la méthode de Chain-Ladder. Tandis que les résultats colorés en bleu sont proches des valeurs
résultant de la méthode de Bornhuetter-Ferguson. Les valeurs en rouge et en jaune sont à rejeter
car elles sont très éloignées des valeurs obtenues par les méthodes classiques. La plus petite
valeur du MSE est atteinte pour le modèle 101 avec s=3, dans ce cas la somme des réserves est
égale à 7602934. L’évolution du MSE pour la partie supérieure du tableau est représentée à la
Figure 6.4. Les paramètres et les valeurs obtenues sont : a0=15787546676851251000.00000,
a1=0.40560 et a2=0.51669.
An Années de développement Réser

. 0 1 2 3 4 5 6 7 8 9 ves
19 13763 25875 31234 34372 36053 36853 37245 37396 37504 37545 0
88 84 52 35 25 67 39 74 04 69 55
19 15762 30134 36658 40085 41973 42743 43093 43264 43389 44371 9818
89 78 28 73 67 66 22 64 53 60 45 5
19 17632 33035 39824 43466 45237 46019 46493 46746 47165 47382 6360
90 77 08 67 66 74 43 34 22 38 25 3
19 17796 32782 39396 42610 44236 45082 45616 47484 48406 48875 3259
91 98 29 30 64 42 23 72 72 72 92 20
19 18432 34168 40299 43293 45062 46125 47122 48424 49385 49995 3870
92 24 28 23 96 38 34 44 10 81 94 60
19 19623 34826 40646 44120 46504 47516 48398 49384 50248 50893 4388
93 85 83 15 49 24 62 14 32 49 00 76
19 20333 34639 40974 45296 47244 48486 49405 50256 51022 51647 6351
94 71 12 12 69 00 70 98 24 30 82 13
19 20720 35306 42577 45647 47746 49164 50172 50993 51701 52296 9719
95 61 02 00 29 64 08 55 29 32 35 35
19 22107 37282 42485 45794 48056 49624 50737 51585 52277 52852 1556
96 54 55 44 34 31 19 11 90 68 41 986
19 22068 36068 42066 45725 48189 49908 51133 52041 52749 53321 3125
97 86 59 96 31 52 90 57 34 41 42 | 256
934
Page 97
Figure 6.4. Evolution des données B (modèle 101)
Page 98
6.4. Données du marché II (C) : Nous avons comparé aussi notre modèle sur les données tirées
de la référence [BOU]. En ce qui concerne les données utilisées, elles proviennent de la branche
responsabilité civil de la compagnie d’assurance CAAT. Voici le triangle utilisé dans la
référence :
An. de Année de développement

survena
1 2 3 4 5 6 7 8 9 10 11
nce
45783 88702 10684 12080 12953 13602 14072 14433 14663 14863 15023
2002
9860 3764 25322 97790 40211 22837 17827 84360 84360 84360 84360
67153 11800 14195 15867 17043 17762 18184 18491 18705 18885
2003
7689 29254 36816 57331 52943 83795 98536 42900 31264 31264
85856 15102 17970 19751 20998 21842 22324 22608 22876
2004
2086 27839 74483 67597 64885 11615 36717 19349 28478
11233 18899 21792 23714 25068 25733 26239 26591
2005
71387 96522 93626 04723 64257 87600 90455 05095
12513 21691 25137 27392 28611 29395 29978
2006
42558 68341 77315 06303 75638 07991 12607
16977 29789 34302 36816 38201 39206
2007
74013 91755 76860 28578 66424 48147
19203 34713 39164 41851 43689
2008
86534 96131 00458 37257 20546
18070 31853 36905 39855
2009
79871 69533 39487 13372
14472 26953 31459
2010
58303 70642 64854
20109 37042
2011
95472 95507
21455
2012
15517
Table 6.18. Triangle des paiements cumulés (source [BOU]).
La Table 6.19 suivante résume les différents résultats obtenus par les méthodes de
provisionnement en (DA).
Méthode Somme des provisions

Chain Ladder 7859220425
London Chain 6161517267
Modèle de Mach 7859220425
Modèle log-normale 7866600302
Table 6.19. Résumé des méthodes classiques
La principale remarque donnée par l’auteur est que la méthode London Chain sous-estime
la somme des provisions.
suivante:
Page 99
variante s=
1 2 3 4
100 12550653826 12769656677 13663135630 13589476655
001 107796804517 119405394035 121933117858 128922189273
010 26741916296 30985966766 34251779552 36408483908
101 17190474727 15833456678 16793504178 17016046808
110 13246241115 12827584618 13398135075 14117182391
011 74293082733 74732581523 64629988125 52414161140
111 10467426958 11420769161 11018626393 11645658993
200 7762054712 7183894130 6278868535 4673920532
002 648053335931 1405327925106 2403516655010 1493385702149
202 10373975121 10948874344 5399013142 5488613836
Table 6.20. Résultats des données C.
s=
Modèle 1 2 3 4
100 896765863 1066211400 1176025964 1362013240
001 596746640 731649967 837396066 1003556534
010 579122653 640181026 713800286 887558651
101 206234853 219180700 282931452 402151793
110 717854120 927513724 1146020067 1338010520
011 288074109 430276199 747031354 1039220638
111 269769050 468764451 1004645913 1517490580
200 275746874 350202518 367934396 366129210
002 494281662 532340877 765421690 1158941491
202 310265927 371235150 367788916 390694775
Table 6.21. MSE des résultats des données C.
Figure 6.5. Courbe du MSE, données C. Modèles 101, s=1.
Page 100
la méthode de Chain-Ladder. Tandis que les résultats colorés en bleu sont une surestimation. Les
résultats colorés en jaune sont une sous-estimation. Les valeurs en rouge sont à rejeter car elles
sont très éloignées des valeurs obtenues par les méthodes classiques. La plus petite valeur du
MSE est atteinte pour le modèle 101 avec s=1, dans ce cas l’évolution du MSE pour la partie
supérieure du tableau est représentée à la Figure 6.6, la courbe obtenue semble être divergente.
La meilleure courbe est obtenue avec s=3, dans ce cas la somme des réserves est égale à
16793504178.
Figure 6.6. Courbe du MSE, données C. Modèles 101, s=3.
Les paramètres et les valeurs obtenues sont : a0=1 a1=30047648433261807E+13 ,

a2=3129801396976739E+14
Page 101
A Année de développement réser

n 1 2 3 4 5 6 7 8 9 10 11 ve
0 4578 8870 1068 1208 1295 1360 1407 1443 1466 1486 1502 0
2 3986 2376 4253 0977 3402 2228 2178 3843 3843 3843 3843
0 4 22 90 11 37 27 60 60 60 60
0 6715 1180 1419 1586 1704 1776 1818 1849 1870 1888 2254 36573
3 3768 0292 5368 7573 3529 2837 4985 1429 5312 5312 2660 4784
9 54 16 31 43 95 36 00 64 64 48
0 8585 1510 1797 1975 2099 2184 2232 2260 2287 2561 2818 53049
4 6208 2278 0744 1675 8648 2116 4367 8193 6284 4923 1255 7091
6 39 83 97 85 15 17 49 78 29 69
0 1123 1889 2179 2371 2506 2573 2623 2659 2889 3111 3330 67100
5 3713 9965 2936 4047 8642 3876 9904 1050 5355 4896 1074 2314
87 22 26 23 57 00 55 95 79 27 09
0 1251 2169 2513 2739 2861 2939 2997 3210 3416 3621 3826 82860
6 3425 1683 7773 2063 1756 5079 8126 0259 8972 4945 4131 0511
58 41 15 03 38 91 07 22 82 16 18
0 1697 2978 3430 3681 3820 3920 3958 4036 4147 4282 4439 51860
7 7740 9917 2768 6285 1664 6481 5086 6562 0631 9746 2517 3640
13 55 60 78 24 47 91 64 33 57 87
0 1920 3471 3916 4185 4368 4528 4655 4770 4885 5009 5144 77578
8 3865 3961 4004 1372 9205 4721 2031 1539 7154 1873 7088 8256
34 31 58 57 46 64 22 95 72 49 02
0 1807 3185 3690 3985 4419 4758 5033 5262 5462 5645 5818 18333
9 0798 3695 5394 5133 1283 8695 1848 6404 6618 0374 8326 19259
71 33 87 72 73 09 43 92 96 06 31
1 1447 2695 3145 3770 4307 4771 5173 5525 5836 6114 6369 32230
0 2583 3706 9648 4760 4026 3334 8703 5661 1729 6322 0476 82758
03 42 54 68 36 84 39 29 73 20 12
1 2010 3704 3833 4108 4475 4883 5299 5704 6089 6450 6789 30852
1 9954 2955 9132 5487 2632 5595 5611 3959 1108 6824 5177 22222
72 07 41 57 78 11 69 16 54 30 29
1 2145 3184 3727 4159 4569 4986 5413 5846 6276 6697 7107 49616
2 5155 8427 9099 1930 4696 4809 8093 0988 1497 8717 1688 53343
17 75 34 13 14 35 09 12 56 85 60
50418
1
Page 102
Figure 6.7. Evolution des Données C (modèle M101)
6.5. Données du marché III (D) : Montants des sinistres payés par la compagnie d’assurance
des hydrocarbures CASH SPA pour les sinistres survenus entre 2004 et 2011 [SBM].
Années
1 2 3 4 5 6 7 8
2004 264588118 364602784 374576654 375330264 380932678 381329660 381329660 381339788
2005 10574209 462845145 604801128 639971700 640642943 640642943 640642943
2006 12156497 149143027 155986202 220259084 256665794 294053390
2007 57295731 342702810 485672884 497304294 510037912
2008 253891795 403699937 843721476 1413418900
2009 14276932 70298208 778784302
2010 17073563 80502839
2011 174345152
Table 6.23. Triangle des paiements cumulés (source [SBM]).
La synthèse des méthodes est donnée à la Table 6.24.
Méthode provision
Chain-ladder 1595970615
London chaine 1481814182
Modèle de Mack 1595970615
Modèle log-normal 1246987855
Table 6.24. Résultats de l’expérimentation (source [SBM]).
Page 103
Les résultats de nos modèles sont donnés à la table 6.25.
variante s=
1 2 3 4
100 2919578131 8754875376 12842628075 28526324060
001 2260119963 2400339192 1765618787 3556765798
010 1940076702 2296943719 3070126088 5953103730
101 7856599540 38767118545 12730600221 75667402927
110 4154734196 62368067802 81033015161 96999405216423088
011 1981754328 2808615783 6594750802 70890884236
111 17028100526 18090268502 39030283205 67389975833
200 2672395354 0 0 0
002 861305718 2562206817 1215232941 46209167483
202 4647339408 91307779832 18528778032 16286838322425298
Table 6.25. Résultat des données D.
s=
Modèle
1 2 3 4
100 174632736 179967238 98481306 124077442
001 296920843 279305351 423551797 392745334
010 256187605 306597850 379763539 474512380
101 165340272 150870761 95715013 170295269
110 189826494 326799385 365890738 3752950573
011 254607058 280506797 336242885 507362346
111 226053058 225421115 252908998 287912649
200 908624199 181472503 418621252 111347897966400
002 261200253 270551346 379583417 458812057
202 167717968 188210303 77979119 5264505128
Table 6.26. MSE des résultats des données D.
Commentaires : Nous remarquons que les résultats colorés en vert sont proches des résultats de
sont très éloignées des valeurs obtenues par les méthodes classiques. Pour le modèle 010 avec
s=1 dont la somme des réserves est très proche des modèles classiques, nous avons obtenu La
courbe d’évolution du MSE pour la partie supérieure du tableau représentée à la Figure 6.8, la
courbe obtenue semble être divergente. La meilleure courbe est obtenue avec s=1 pour le modèle
200, dans ce cas la somme des réserves est un peu supérieure à celle des méthodes classiques.
Page 104
Figure 6.8. Courbe du MSE, données D, Modèles 010, s=1.
Figure 6.9. Courbe du MSE, données D. Modèles 200, s=1.
Page 105
La table de développement obtenue est donnée par la table suivante.
Années de développement Réserv

1 2 3 4 5 6 7 8 es
20 264588 364602 374576 375330 380932 381329 381329 381339 0
04 118 784 654 264 678 660 660 788
20 105742 462845 604801 639971 640642 640642 640642 675050 105827
05 09 145 128 700 943 943 943 301 886
20 121564 149143 155986 220259 256665 294053 475169 699987 232573
06 97 027 202 084 794 390 914 423 592
20 572957 342702 485672 497304 510037 510037 516233 583514 319816
07 31 810 884 294 912 912 861 796 454
20 253891 403699 843721 141341 156404 156404 156404 156404 294249
08 795 937 476 8900 6637 6637 6637 6637 252
20 142769 702982 778784 143196 189233 209231 209231 209231 468625
09 32 08 302 3624 4681 6557 6557 6557 246
20 170735 805028 313997 683900 113464 155494 182791 192597 691635
10 63 39 779 632 2959 9952 0356 9246 972
20 174345 363124 464892 490434 521407 636735 847168 108034 771227
11 152 399 697 430 891 577 298 7356 685
Somme des reserves = 271355
2571
Table 6.27. Résultats Données D
avec les paramètres : a1=19316422128205411E17, a2=12020 et a3=-47828849.
Figure 6.10. Evolution des Données D (modèle 200)
Page 106
6.6. Données du marché IV (E) : Application des méthodes sur la branche Automobile [SBM].
Le triangle de liquidation de la branche automobile est donné dans la Table 6.28.
Années Années de développement

1 2 3 4 5 6 7 8
2004 9730946 19745612 22311606 26402789 26770053 27140469 27140469 27183444
2005 10574209 23130898 27376094 27936252 29222933 29223933 29300815
2006 32371776 60365499 66971001 75091880 75129013 75512562
2007 52840089 85804490 99326476 99652851 102036342
2008 45385992 92106154 92698656 96075035
2009 51902315 54366260 65141380
2010 16209479 53657410
2011 69362667
Les résultats trouvés par les auteurs sont donnés par la Table 6.29.

Modèle de Mack 99172973
Modèle christophide 78031201
Les résultats trouvés par nos modèles sont donnés à la Table 6.30. Le MSE est donné à la
Table 6.31.
variante s=
1 2 3 4
100 99334980 151586822 147840090 148857664
001 93792962 103201480 107027287 459920058827E20
010 192191528 188622091 164972963 152674277
101 221288518 194856859 148754247 150420752
110 166571853 187985924 103497705 49530710
011 169423884 168826543 163179953 141015504
111 643888912 332606706 250498137 212570833
200 71816053 0 0 0
002 82124961 43826307 47727368 112311930
202 224350154 120228624 76922201 11238629800
Table 6.30. Résultat 5
Page 107
s=
Modèle
1 2 3 4
100 16774525 16469959 19588616 23968511
001 19211863 21380286 25656071 219208123933
010 18946696 22142940 26740440 29997330
101 14192749 15895559 19968875 24431293
110 14966072 15723275 16324826 21378371
011 18168021 22463146 27522971 35526528
111 21586018 19103901 18194732 17670094
200 17389325 19686083 21535845 24649325
002 19170439 26265163 32145487 30564552
202 13841975 18061366 14963047 40973045
Commentaires : Nous remarquons que les résultats colorés en vert sont proches des résultats de
sont très éloignées des valeurs obtenues par les méthodes classiques.
6.7. Données du marché V (F) : Application des méthodes sur la branche Transport [SBM], Le
triangle de liquidation de la branche transport est donné comme suit
Ann Années de développement

ées 1 2 3 4 5 6 7 8
2004 1238660 129873615 156484800 163723813 200797823 200942473 200942473 200942473
2005 17665650 257576420 272016375 350126020 526534135 526564993 526636895
2006 42145068 129899850 204109599 206187747 209521384 221172957
2007 50914418 78907376 397448527 397475424 398802878
2008 4742318 36975511 37047183 39401988
2009 30138926 30459912 148729616
2010 309246 108187704
2011 6741089
Les résultats obtenus par les méthodes de provisionnement sont donnés par la table 6.33.

Modèle de Mach 289991907
Bootstrap 274177575
Modèle christophide 66940964
Page 108
Les résultats trouvés par nos modèles sont donnés à la Table 6.34.
variante s=
1 2 3 4
100 1040429819 1103148600 1230611469 885289652
001 682754245 708786767 737750910 845273525E29
010 1043047527 584375789 559871678 677507589
101 1140184153 1077768166 781851705 899083147
110 902079889 818343549 373611804774 7391697980387
011 1126651591 527124585 434798103E19 677732236
111 2553163556 1733881135 1518357478 1464842231
200 1076744957 0 0 0
002 682747391 887169554 574579546E19 1320383379
202 1313930591 995068703 143308505E13 19468993844
Commentaire : Les valeurs en vert sont proches de la valeur de Chain Ladder, les valeurs en
bleu sont une sur estimation, les valeurs en rouge sont erronées.
Page 109
Conclusion générale
Page 110
Nous nous sommes intéressés dans ce travail à l’estimation récursive des paramètres d’un
modèle stochastique de provisionnement. Ainsi, nous avons considéré le critère de la
minimisation de l’erreur quadratique (Mean Square error, MSE). A cet effet nous avons
développé des méthodes d’estimation directe et récursive pour le calcul stochastique des réserves
pour une compagnie d’assurance. Pour cela, nous avons proposé de les confronter aux différentes
méthodes actuarielles classiques. Nous avons remarqué que la méthode récursive donne des
estimations efficaces. En d’autre terme les résultats fournis par le modèle récursif, sont très
encourageants.
Les principales remarques sur les expérimentations réalisées sont :
- Les modèles M100s et M200s avec s=1 sont proches des modèles classiques.
- L’efficacité des autres modèles diffère d’une expérimentation à une autre.
- La valeur minimale de tous les modèles est une sous-estimation de la somme des
réserves par rapport à la valeur de Chain-Ladder.
- La valeur maximale de tous les modèles est une valeur erronée car elle est très éloignée
des valeurs des méthodes classiques.
- La valeur moyenne de tous les modèles proposés peut être une valeur à considérer et
peut être confrontée aux autres modèles classiques.
Dans ce panorama des méthodes de provisionnement, nous avons vu qu’un très grand
nombre de modélisation pouvaient être proposées. Et comme il n’existe pas à priori de méthode
universelle qui puissent s’appliquer à toutes les compagnies d’assurance, tous les types de
gestion des sinistres, tous les types de risques …, le choix de l’actuaire peut s’avérer délicat .Le
problème s’accroît avec la lenteur du déroulement (Responsabilité civile, construction …).
De plus le provisionnement est soumis à un grand nombre de contraintes fiscale

managériale mais surtout réglementaire. On notera que le dilemme entre règle prudentielle (ou
réglementaire) qui imposent que les provisions techniques doivent être suffisantes pour couvrir
les engagements pris et règles fiscales est loin d’être simple .tous les schémas de provisions
ignorent les règles fiscales, ce qui peut induire certains conflits.
En pratique, face à l’ensemble des estimations possibles, il peut s’avérer difficile de

trouver le niveau de provisionnement adéquat.
Page 111
Néanmoins quelques astuces peuvent être utiles, à savoir le biais de l’estimation comme
critère et ceci en comparant les valeurs obtenues par un modèle avec les valeurs dont on dispose.
Un assureur prudent devrait appliquer diverses méthodes ou imaginer de nouvelles

méthodes adaptées à sa gestion et déduire par comparaison des diverses évaluation un montant
pour la provision pour sinistres à payer.
Face à l’ouverture du marché de l’assurance en Algérie, les institutions financières

nationales ; les assurances en particulier, se verront confronter à d’autres organismes assureurs
étrangers évoluant en conformité avec les méthodes de provisionnement les plus récentes,
élaborées en réponse aux besoins des réalités économiques et afin d’assurer leur survie dans un
environnement prévu plus hostile du point de vue concurrentiel, nos entreprises devront se
familiariser obligatoirement avec les nouvelles techniques et mécanisme financières imposées
par la nouvelle donnée économique, les méthodes actuarielles développées dans ce
document ;particulièrement, le modèle récursif constitue une très bonne approche de la
variabilité des réserves, nous vivons dans un monde incertain, complexe et volatile où les
changements économiques ; réglementaires, démographique et sociaux modifient notre paysage,
les assureurs doivent faire preuve d’adaptation et d’anticipation au quotidien pour pouvoir
imaginer des réponses à toutes les inquiétudes et risque de la vie tels que, la dépendance, le prix
du pétrole, le terrorisme, etc.
Comme perspective à notre travail, nous pensons à :
 Proposer d’autres modélisations stochastiques pour faire des comparaisons.
 Améliorer les méthodes proposées.
 Faire plus d’expérimentations numériques.
 Faire des études plus poussées sur l’estimation des valeurs initiales.
 Etudier plus à fond les facteurs d’oubli.
 Etc.
Page 112
Références
Références :
[ASE] Astesan E. (1938) Les réserves Techniques des sociétés d’assurance contre les accidents
automobiles . Collection d’étude sur le droit de l’assurance.
[BLN] Balson N. (2008) Mesure d'incertitude sur l'estimation des provisions de sinistres en
Assurance
[BEN] Beneteau G. (2004) Modèle de provisionnement sur données détaillées en assurance non-
vie. Mémoire d’actuariat 2004, ENSAE, France.
[BEE] Benjamin S. and Eagles L. M. (1986) Journal of the institute of actuaries. Institute and
faculty of Actuaries ; pages 197-256.
[BOL] Bollerslev T. (1986) Generalized autoregressive conditional heteroscedasticity, journal

of econometrics 31, 327-367.
[BOU] Boudaoud W. (2014) Détermination d’un niveau de provisions techniques requis pour
une compagnie d’assurance non-vie par des modèles stochastiques, Mémoire de
Magister, ENSSEA, Alger.
[CHR] Christophide S. (1990) Regression models based on log-incremental payments claims

reserving, manual 2. Institute of Actuaries.
[DPV] Denuit M., Purcaru O. and Van Keilegom I. (2004) bivariate Archimedean copula
modelling for Loss-Alaa data in non-life insurance. Working paper 04-03, institute des
sciences Actuarielles , université catholique de Louvain, Louvain –la-neuve, Belgium.
[DEL] Delvaux P. H. (2006) Les assurances de responsabilité. Kluwer Belgium.
[DEC] Denuit M. et Charpentier A. (2005) Mathématique de l’assurance non-vie : Tarification

et provisionnement Tome 1. Economica.
[DEN] Denuit M. et Charpentier A. (2005) Mathématique de l’assurance non-vie : Tarification

et provisionnement Tome 2. Economica.
[DAJ] Dobson A.J. (2001) An introduction to Generalized linear models. Chapman and
hall/CRC LONDON.
[EFB] Efron B. (1979) Boostrap methods: Another look at the jachnife. The annals of statistics,
vol. 7, no1 p. 1-26.
Page 113
Références
[ENG] Engle R. (1982) Autoregressive conditional Heterscedasticity with estimates of the

variances of unit10ed kingdom inflation. Econometica, 987-1008
[GOU] Gourierou G. (1992) Modèle ARCH et Applications Financière, Ed. Economica.
[GOR] Gourierou G. (1999) Statistique de l’assurance, Ed. Economica ; Paris.
[KDS] Klaus D. Schmidt (2003) Modèles et Méthodes de Réservation. Cours donné à

l’université de Strasbourg en Mai 2003.
[KRA] Krauth G. (2007) provisionnement et corrélation entre branche, Mémoire d’économiste

de C.N.A.M spécialité Actuariat. Conservatoire Nationale Des Arts et Métiers, Paris.
[KER] Kerdali A. (2005) Estimation Récursive des modèles conditionnellement

hétéroscédastiques Périodiques, Mémoire de Magister, USTHB, Alger, Algérie.
[LEZ] Lezoul M. (2012) La situation actuelle du secteur des assurances en Algérie. Colloque
internationale 25, 26 Avril faculté des sciences économiques, commerciales et sciences
de gestion, Sétif
[MAT] Mack T. (1993) Measuring the variability of Chain Ladder reserve estimates Meeting
of the casualty Actuarial Society, pages 101-182;
[MED] MEDA (2005) Programme d’appui à la modernisation du secteur financier algérien.

Document réalisé par les experts MEDA dans le cadre du programme d’assistance
technique.
[MEH] Mehdi A. (2014) Calcul des Provisions techniques dans une compagnie d’assurance
non-vie. PGS En Actuariat, USTHB, Alger, Algérie.
[MEW] Merz M. et Wuthrich M. V. (2008) Modelling the claims development result for
solvency purposes, CAS E-Forum pp. 542,568,106, 107.
[MOR] Moral P. D., Remillard B. et Rubenthaler S. (2006), Introduction aux probabilités,

Ellipses.
[NGC] Ngoc-an dinh ,Gilles.CHAU (2012 )Mesure de provision cohérentes et méthodes lignes
à lignes pour des risques non-vie. Rapport du groupe de travail. Ecole nationale de la
statistique et de l’administration économique.
[PAB] Partrat C. et Besson J.L. (2005) Assurance non-vie : Modélisation, Simulation. Paris,
Economica.
[PET] Petauton P. (2000) Théorie de l’assurance dommage. Dunod Paris.
Page 114
Références
[PLM] Partrat C., Lecoeur E., Nessi J.M. et Nisipasu E. (2007) Provisionnement technique en
assurance non-vie, perspective actuarielles moderne ; edition economica.
[PLA] Planes A. (1999) Guide des assurances de l’entreprise. Paris Gualinno éditeur.
[PTJ] Planchet F., Therond P. et Jacquemin J. (2005) Modèles financiers en assurance. Ed

Economica Paris
[QLM] Quenouille M. (1949) « aproximate tests of correlation in times series » Journal of the
royal statistical society, soc, series B,11;18;84
[SBM] Serir A. et Ali M. (2012) Evaluation stochastique des provisions techniques en assurance
non-vie mémoire Master en Mathématique Financière, USTHB, ALGER
[SOG] Soderstrom T. and Gustavssoion I. (1975) Counter examples the convergence of

commly used recursive identification method. Auto. Control, AC-20, 643-652.
[TLS] Tesson A., Lenain A., Samba S. et Ung J. (2014) Estimation de l’erreur de prédiction
dans le cas de l’utilisation d’une combinaison de méthodes pour le calcul de provisions
en assurance IARD. Europe Institute of Actuariels Studies EURIA.
[YOU] Young P. (1984) Recursive estimation and time series analysis: An introduction,
Springer Verlag.
Page 115
Annexes
Annexe A : Résultats détaillés des expérimentations

numériques des données A.
Page 116
Annexes
Modèle : 100 , s=1 , a0=874618.73119 , a1=1.06860
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7158215 | 1278017
112302 1137729 2286295 2962406 !4040254 !5192046 | 2229640
283555 977041 2131768 !3152632 !4243531 !5409268 | 3277500
474694 1078972 !2027611 !3041330 !4124593 !5282170 | 4203198
304668 !1200188 !2157143 !3179748 !4272506 !5440231 | 5135563
Modèle : 001 , s=1 , a0=457495.89338 , a1=0.89077
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7198458 | 1318260
112302 1137729 2286295 2962406 !5695377 !6869639 | 3907233
283555 977041 2131768 !3096307 !5530745 !6576738 | 4444970
474694 1078972 !2356403 !3215581 !5384097 !6315831 | 5236859
304668 !1418608 !2556500 !3321827 !5253467 !6083425 | 5778757
Modèle : 010 , s=1 , a0=1354436.09190 , a1=1.00418
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6895871 | 1015673
112302 1137729 2286295 2962406 !6256379 !7259190 | 4296784
283555 977041 2131768 !3650279 !4329213 !7636942 | 5505174
474694 1078972 !2335557 !3495106 !5019958 !5701728 | 4622756
304668 !1831112 !2437914 !3699746 !4864138 !6395357 | 6090689
Modèle : 101 , s=1 , a0=717820.54067 , a1=1.01876 , a2=0.05949
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6982447 | 1102249
112302 1137729 2286295 2962406 !4085611 !5295460 | 2333054
283555 977041 2131768 !3065813 !4084199 !5193664 | 3061896
474694 1078972 !1943852 !2880523 !3895349 !4995216 | 3916244
304668 !1092391 !1946344 !2872039 !3875472 !4963160 | 4658492
Modèle : 110 , s=1 , a0=765772.63902 , a1=1.07703 , a2=-0.02339
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7017198 | 1137000
112302 1137729 2286295 2962406 !3842220 !4766454 | 1804048
283555 977041 2131768 !3008290 !3936522 !4915683 | 2783915
474694 1078972 !1905012 !2767680 !3676304 !4633214 | 3554242
304668 !1082809 !1906761 !2774866 !3689671 !4653696 | 4349028
Page 117
Annexes
Modèle : 011 , s=1 , a0=1103671.17239 , a1=0.67000 , a2=0.29231
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6967830 | 1087632
112302 1137729 2286295 2962406 !6093181 !7080201 | 4117795
283555 977041 2131768 !3501442 !4869599 !7255748 | 5123980
474694 1078972 !2381432 !3555474 !4873089 !6487258 | 5408286
304668 !1737114 !2522706 !3738545 !4910311 !6264957 | 5960289
Modèle : 111 , s=1 , a0=473502.53429 , a1=1.29746 , a2=-0.58465 , a3=0.33970
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7624418 | 1744220
112302 1137729 2286295 2962406 !3460594 !4115627 | 1153221
283555 977041 2131768 !2909024 !3691426 !4637807 | 2506039
474694 1078972 !2026356 !2844467 !3717290 !4713792 | 3634820
304668 ! 957793 !1773729 !2556394 !3390056 !4299913 | 3995245
Modèle : 200 , s=1 , a0=914395.70736 , a1=1.38532 , a2=-0.52345
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6505084 | 624886
112302 1137729 2286295 2962406 !3821507 !4657723 | 1695317
283555 977041 2131768 !3356138 !4447838 !5319291 | 3187523
474694 1078972 !2160635 !3342773 !4414212 !5279705 | 4200733
304668 !1336457 !2606334 !3825427 !4849539 !5630126 | 5325458
Modèle : 002 , s=1 , a0=132860.13639 , a1=0.59287 , a2=0.16363
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8895721 | 3015523
112302 1137729 2286295 2962406 !4191042 !6160866 | 3198460
283555 977041 2131768 !2687972 !3579806 !5241098 | 3109330
474694 1078972 !1770839 !2211231 !2941020 !4248281 | 3169309
304668 ! 932429 !1531568 !1883678 !2462283 !3509164 | 3204496
Modèle : 202 , s=1 , a0=0.00000 , a1=0.01284 , a2=-0.17255 , a3=0.48388 ,

a4=0.29
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !10297596 | 4417398
112302 1137729 2286295 2962406 !3517111 !5872263 | 2909857
283555 977041 2131768 !2728224 !3098810 !5439710 | 3307942
474694 1078972 !1636019 !2026405 !2277793 !4039184 | 2960212
304668 ! 813419 !1376607 !1660410 !1797531 !3291239 | 2986571
Page 118
Annexes
Modèle : 100 , s=2 , a0=2384647884052.44240 , a1=1.44819
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7242812 | 1362614
112302 1137729 2286295 2962406 !3885067 !4923745 | 1961339
283555 977041 2131768 !2994304 !3920320 !4964046 | 2832278
474694 1078972 !2017574 !2877439 !3791460 !4816910 | 3737938
304668 !1587159 !2456165 !3334848 !4300032 !5400193 | 5095525
Modèle : 001 , s=2 , a0=2974101089641.33200 , a1=0.74465
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7426323 | 1546125
112302 1137729 2286295 2962406 !5359266 !6636405 | 3673999
283555 977041 2131768 !3083676 !4935768 !5980800 | 3849032
474694 1078972 !2521532 !3170968 !4595125 !5441534 | 4362562
304668 !1959850 !2776453 !3234441 !4324067 !5002346 | 4697678
Modèle : 010 , s=2 , a0=5523389151770.99410 , a1=1.29374
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7141855 | 1261657
112302 1137729 2286295 2962406 !6029323 !7089198 | 4126792
283555 977041 2131768 !3505134 !4108171 !7249444 | 5117676
474694 1078972 !2599694 !3376790 !4627985 !5230483 | 4151511
304668 !2411413 !2651328 !3777171 !4502838 !5764812 | 5460144
Modèle : 101 , s=2 , a0=842700351513.11011 , a1=-0.18490 , a2=0.38613
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !10133295 | 4253097
112302 1137729 2286295 2962406 !3545568 !6177967 | 3215561
283555 977041 2131768 !2422063 !2696565 !3773013 | 1641245
474694 1078972 !1543429 !1633220 !1776852 !2399103 | 1320131
304668 !1129185 !1235622 !1261094 !1329557 !1654774 | 1350106
Modèle : 110 , s=2 , a0=482180712190.83331 , a1=6.35446 , a2=-1.90961
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !14030892 | 8150694
112302 1137729 2286295 2962406 !3277590 !4906739 | 1944333
283555 977041 2131768 !4402018 !10337255 !25670952 | 23539184
474694 1078972 !2461093 !5503897 !12488911 !28063249 | 26984277
304668 ! 801072 !1528661 !1940311 !3880623 !6659533 | 6354865
Page 119
Annexes
Modèle : 011 , s=2 , a0=7619161641280.62600 , a1=3.09125 , a2=-1.08028
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7021893 | 1141695
112302 1137729 2286295 2962406 !6627950 !7825528 | 4863122
283555 977041 2131768 !3781158 !7562316 !8789850 | 6658082
474694 1078972 !2379246 !2494423 !5573787 !10939977 | 9861005
304668 !2656705 !3054506 !4289110 !6697369 !12567258 | 12262590
Modèle : 111 , s=2 , a0=-18106755458.86708 , a1=3.19370 , a2=-1.23408 ,

a3=0.59358
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !10389107 | 4508909
112302 1137729 2286295 2962406 !4373289 !9080748 | 6118342
283555 977041 2131768 !3640589 !6544714 !12732725 | 10600957
474694 1078972 !2284589 !4348554 !8333248 !16282950 | 15203978
304668 ! 831439 !1962413 !4130914 !8506707 !17400302 | 17095634
Modèle : 200 , s=2 , a0=3078392594646.92330 , a1=1.95482 , a2=-1.18141
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6520510 | 640312
112302 1137729 2286295 2962406 !3749423 !4493516 | 1531110
283555 977041 2131768 !3291527 !4346072 !5215561 | 3083793
474694 1078972 !2255647 !3413066 !4454116 !5300759 | 4221787
304668 !1805504 !3056327 !4181793 !5121264 !5804161 | 5499493
Modèle : 002 , s=2 , a0=5099.12581 , a1=0.58545 , a2=0.11391
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8234786 | 2354588
112302 1137729 2286295 2962406 !4651303 !6489884 | 3527478
283555 977041 2131768 !2802172 !4074859 !5690559 | 3558791
474694 1078972 !1804421 !2365727 !3490757 !4873997 | 3795025
304668 ! 888990 !1556863 !2042295 !3004209 !4194805 | 3890137
Modèle : 202 , s=2 , a0=0.00000 , a1=-0.25695 , a2=-0.13199 , a3=0.36888 ,

a4=0.22
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !11760396 | 5880198
112302 1137729 2286295 2962406 !3535956 !7163691 | 4201285
283555 977041 2131768 !2682569 !3128064 !6786856 | 4655088
474694 1078972 !1581032 !1947559 !2249629 !5153802 | 4074830
304668 ! 784864 !1324102 !1566386 !1778143 !4342392 | 4037724
Page 120
Annexes
Modèle : 100 , s=3 , a0=10792616094132625000.00000 , a1=1.76899
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7182028 | 1301830
112302 1137729 2286295 2962406 !3843592 !4809351 | 1846945
283555 977041 2131768 !3034057 !3919224 !4894964 | 2763196
474694 1078972 !2352219 !3233739 !4133256 !5138830 | 4059858
304668 !2213324 !3106305 !3996137 !4982341 !6123208 | 5818540
Modèle : 001 , s=3 , a0=16381840624929331000.00000 , a1=0.53994
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7654787 | 1774589
112302 1137729 2286295 2962406 !5015442 !6370751 | 3408345
283555 977041 2131768 !3121633 !4388223 !5383127 | 3251359
474694 1078972 !2785496 !3201248 !3958060 !4650988 | 3572016
304668 !2574307 !3038446 !3242638 !3680651 !4135069 | 3830401
Modèle : 010 , s=3 , a0=37539079032486429000.00000 , a1=1.09035
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7379012 | 1498814
112302 1137729 2286295 2962406 !5477868 !6376170 | 3413764
283555 977041 2131768 !3697969 !4038903 !6007072 | 3875304
474694 1078972 !3378294 !3636814 !4525413 !4782362 | 3703390
304668 !3351791 !3388563 !4301291 !4481190 !5175003 | 4870335
Modèle : 101 , s=3 , a0=7047312877164.37110 , a1=2.83435 , a2=0.58942
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8590446 | 2710248
112302 1137729 2286295 2962406 !5784251 !9733573 | 6771167
283555 977041 2131768 !3497466 !6173881 !10657668 | 8525900
474694 1078972 !2100713 !3720327 !6578196 !11498675 | 10419703
304668 ! 936199 !1982340 !3742779 !6814079 !12148364 | 11843696
Modèle : 110 , s=3 , a0=325704774796077500.00000 , a1=10.25687 , a2=-0.14881
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !12763733 | 6883535
112302 1137729 2286295 2962406 !6296830 !13627777 | 10665371
283555 977041 2131768 !4609065 !10002445 !21706550 | 19574782
474694 1078972 !2355593 !5103818 !11050449 !23923366 | 22844394
304668 ! 843364 !1846073 !3977175 !8553563 !18389019 | 18084351
Page 121
Annexes
Modèle : 011 , s=3 , a0=40391927735860478000.00000 , a1=19.57089 , a2=-
7.54070
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !6585886 | 705688
112302 1137729 2286295 2962406 !9220196 !12310120 | 9347714
283555 977041 2131768 !4277024 !8751112 !10952110 | 8820342
474694 1078972 !1216619 !3556862 !34760388 !45220621 | 44141649
304668 !3207966 !5578586 !13523101 !34331447 !130685459 | 130380791
Modèle : 111 , s=3 , a0=4738.72361 , a1=7.79233 , a2=-2.53704 , a3=0.51513
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !11513808 | 5633610
112302 1137729 2286295 2962406 !3623152 !8622491 | 5660085
283555 977041 2131768 !3883339 !7458303 !15099230 | 12967462
474694 1078972 !2315347 !4677036 !9518385 !19522466 | 18443494
304668 ! 841579 !1987560 !4351432 !9385350 !20072183 | 19767515
Modèle : 200 , s=3 , a0=1010228037449048300.00000 , a1=8.21690 , a2=-

49.12941
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7965577 | 2085379
112302 1137729 2286295 2962406 !3597611 !8153969 | 5191563
283555 977041 2131768 !3264522 !3659289 !8424114 | 6292346
474694 1078972 !1824812 !2545369 !5054866 !7784861 | 6705889
304668 !1075088 !2142243 !2747661 !3389545 !7647466 | 7342798
Modèle : 002 , s=3 , a0=0.00113 , a1=0.51910 , a2=0.07407
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8057211 | 2177013
112302 1137729 2286295 2962406 !4772571 !6532547 | 3570141
283555 977041 2131768 !2806786 !4150332 !5682122 | 3550354
474694 1078972 !1808412 !2375453 !3561189 !4875345 | 3796373
304668 ! 896755 !1558798 !2048485 !3063104 !4193488 | 3888820
Modèle : 202 , s=3 , a0=0.00000 , a1=-0.45178 , a2=-0.08165 , a3=0.24775 ,

a4=0.15
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !9632179 | 3751981
112302 1137729 2286295 2962406 !3534181 !6007208 | 3044802
283555 977041 2131768 !2699481 !3180293 !5640109 | 3508341
474694 1078972 !1538362 !1920048 !2236355 !4197917 | 3118945
304668 ! 760712 !1295343 !1550329 !1796697 !3527043 | 3222375
Page 122
Annexes
Modèle : 100 , s=4 , a0=23767630163082148000000000.00000 , a1=2.14849
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7135512 | 1255314
112302 1137729 2286295 2962406 !3708942 !4554616 | 1592210
283555 977041 2131768 !2873077 !3611728 !4442085 | 2310317
474694 1078972 !2272712 !3000816 !3751093 !4603565 | 3524593
304668 !2208417 !2941573 !3686166 !4528205 !5517967 | 5213299
Modèle : 001 , s=4 , a0=2783846484459880400000000.00000 , a1=0.13286
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8946744 | 3066546
112302 1137729 2286295 2962406 !3565539 !5405880 | 2443474
283555 977041 2131768 !2364124 !2508992 !3283560 | 1151792
474694 1078972 !1533326 !1622731 !1684345 !2066262 | 987290
304668 !1312098 !1369560 !1387393 !1401054 !1510489 | 1205821
Modèle : 010 , s=4 , a0=269462840908301710000000000.00000 , a1=0.42266
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7489998 | 1609800
112302 1137729 2286295 2962406 !4750946 !5275872 | 2313466
283555 977041 2131768 !4094312 !4168760 !4692347 | 2560579
474694 1078972 !4053030 !4084003 !4438885 !4464045 | 3385073
304668 !4051663 !4053734 !4425337 !4435475 !4563113 | 4258445
Modèle : 101 , s=4 , a0=-18203880.82931 , a1=7.18695 , a2=0.51614
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !9692348 | 3812150
112302 1137729 2286295 2962406 !5849251 !10671295 | 7708889
283555 977041 2131768 !3703740 !6650816 !12002772 | 9871004
474694 1078972 !2125235 !3951216 !7249209 !13221750 | 12142778
304668 ! 934139 !2000056 !3939286 !7495249 !14003623 | 13698955
Modèle : 110 , s=4 , a0=57141404013752880000000.00000 , a1=146.23102 , a2=-

946.34995
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !13533418 | 7653220
112302 1137729 2286295 2962406 !19043940 !66466336 | 63503930
283555 977041 2131768 !8692516 !30391315 !37882483 | 35750715
474694 1078972 !3589635 !13068248 !46191129 !249819846 | 248740874
304668 !1848818 !6711631 !19329386 !73225127 !75053991 | 74749323
Page 123
Annexes
Modèle : 011 , s=4 , a0=-17468409202266811000000.00000 , a1=21.40133 ,

a2=1.37353
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7858682 | 1978484
112302 1137729 2286295 2962406 !10837504 !13250323 | 10287917
283555 977041 2131768 !5126173 !11979667 !24104055 | 21972287
474694 1078972 !2630103 !6106397 !14405745 !30838584 | 29759612
304668 !1308414 !3119623 !7359665 !17267819 !38354119 | 38049451
Modèle : 111 , s=4 , a0=0.11333 , a1=18.95618 , a2=-5.66980 , a3=0.47127
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !12182851 | 6302653
112302 1137729 2286295 2962406 !4158535 !8309803 | 5347397
283555 977041 2131768 !4064292 !8036835 !16651405 | 14519637
474694 1078972 !2345353 !4918142 !10357755 !21917347 | 20838375
304668 ! 846788 !2009976 !4509581 !9986622 !21947792 | 21643124
Modèle : 200 , s=4 , a0=7566214467449169.00000 , a1=16.22079 , a2=908.04188
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !27045401 | 21165203
112302 1137729 2286295 2962406 !12705520 !26493112 | 23530706
283555 977041 2131768 !5839092 !13925884 !35924754 | 33792986
474694 1078972 !2872578 !6951516 !17769774 !43969647 | 42890675
304668 ! 611427 !1782299 !4128752 !10853472 !26443323 | 26138655
Modèle : 002 , s=4 , a0=0.00000 , a1=0.45868 , a2=0.04782
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !7968392 | 2088194
112302 1137729 2286295 2962406 !4854838 !6576691 | 3614285
283555 977041 2131768 !2811497 !4202735 !5693659 | 3561891
474694 1078972 !1811957 !2384747 !3609101 !4889385 | 3810413
304668 ! 903118 !1560625 !2054679 !3103273 !4204128 | 3899460
Modèle : 202 , s=4 , a0=0.00000 , a1=-0.68976 , a2=-0.05340 , a3=0.16087 ,

a4=0.10
4740 210938 1850617 2608283 3495492 4607766 | 0

181773 1314395 3609713 4881558 5880198 !8020589 | 2140391
112302 1137729 2286295 2962406 !3514650 !5058027 | 2095621
283555 977041 2131768 !2717939 !3198838 !4740344 | 2608576
474694 1078972 !1502920 !1893200 !2187218 !3465949 | 2386977
304668 ! 741750 !1277734 !1541005 !1781070 !2919653 | 2614985
Page 124
Annexes
Annexe B : Résultats détaillés des expérimentations numériques des données B
Page 125
Annexes
Modèle : 100 , s=1 , a0=1728206.51234 , a1=0.63741
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4493884 | 154924
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4707837 !4729009 | 54387
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4635842 !4683119 !4713253 | 151581
1843224 3416828 4029923 4329396 4506238 4612534 !4668262 !4703783 !4726425 !4740857 | 128323
1962385 3482683 4064615 4412049 4650424 !4692413 !4719177 !4736237 !4747111 !4754042 | 103618
2033371 3463912 4097412 4529669 !4615443 !4670116 !4704965 !4727178 !4741337 !4750362 | 220693
2072061 3530602 4257700 !4442089 !4559619 !4634534 !4682285 !4712721 !4732122 !4744488 | 486788
2210754 3728255 !4104617 !4344513 !4497424 !4594890 !4657016 !4696615 !4721856 !4737944 | 1009689
2206886 !3134888 !3726402 !4103436 !4343760 !4496944 !4594584 !4656821 !4696491 !4721776 | 2514890
Modèle : 001 , s=1 , a0=163824.72845 , a1=1.00750
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4731382 | 392422
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4813918 !4930691 | 256069
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4873505 !5013846 !5131495 | 569823
1843224 3416828 4029923 4329396 4506238 4612534 !4759708 !5073880 !5215274 !5333805 | 721271
1962385 3482683 4064615 4412049 4650424 !4810952 !4959230 !5275758 !5418212 !5537632 | 887208
2033371 3463912 4097412 4529669 !4849126 !5010857 !5160248 !5479150 !5622672 !5742987 | 1213318
2072061 3530602 4257700 !4727465 !5049318 !5212262 !5362773 !5684067 !5828665 !5949883 | 1692183
2210754 3728255 !4453457 !4926745 !5251011 !5415178 !5566817 !5890521 !6036204 !6158331 | 2430076
2206886 !3920041 !4650681 !5127519 !5454218 !5619615 !5772392 !6098523 !6245298 !6368341 | 4161455
Page 126
Annexes
Modèle : 010 , s=1 , a0=1853110.69767 , a1=0.65774
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4357963 | 19003
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4698807 !4707034 | 32412
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4911180 !4927813 !4943721 | 382049
1843224 3416828 4029923 4329396 4506238 4612534 !4818365 !4853521 !5083408 !5094348 | 481814
1962385 3482683 4064615 4412049 4650424 !4817060 !4886975 !5022359 !5045483 !5196689 | 546265
2033371 3463912 4097412 4529669 !4755107 !4911897 !5021500 !5067487 !5156535 !5171744 | 642075
2072061 3530602 4257700 !4548157 !4832471 !4980752 !5083879 !5155970 !5186217 !5244788 | 987088
2210754 3728255 !4175341 !4653585 !4844631 !5031637 !5129168 !5196999 !5244417 !5264312 | 1536057
2206886 !3307220 !4305346 !4599414 !4913976 !5039636 !5162638 !5226788 !5271403 !5302592 | 3095706
Modèle : 101 , s=1 , a0=494961.48380 , a1=0.21271 , a2=0.72596
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4534352 | 195392
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4710022 !4788599 | 113977
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4858874 !4947791 !5023748 | 462076
1843224 3416828 4029923 4329396 4506238 4612534 !4787695 !5040711 !5159081 !5239401 | 626867
1962385 3482683 4064615 4412049 4650424 !4832679 !4998607 !5217581 !5350091 !5436587 | 786163
2033371 3463912 4097412 4529669 !4834499 !5031650 !5194044 !5387553 !5524912 !5616923 | 1087254
2072061 3530602 4257700 !4688985 !5002019 !5211729 !5374228 !5549273 !5686225 !5782152 | 1524452
2210754 3728255 !4378927 !4830428 !5153718 !5374727 !5539706 !5701875 !5835792 !5933917 | 2205662
2206886 !3670957 !4454744 !4949238 !5289118 !5521859 !5691134 !5844869 !5974788 !6073659 | 3866773
Page 127
Annexes
Modèle : 110 , s=1 , a0=1798064.56600 , a1=0.39620 , a2=0.25552
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4475461 | 136501
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4755624 !4790912 | 116290
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4793376 !4891638 !4951267 | 389595
1843224 3416828 4029923 4329396 4506238 4612534 !4777471 !4856476 !4946982 !5007948 | 395414
1962385 3482683 4064615 4412049 4650424 !4791976 !4875218 !4950344 !5000295 !5043212 | 392788
2033371 3463912 4097412 4529669 !4720066 !4856410 !4946598 !5003600 !5045380 !5074697 | 545028
2072061 3530602 4257700 !4531917 !4751011 !4886465 !4974970 !5033080 !5070668 !5096236 | 838536
2210754 3728255 !4177322 !4541028 !4755195 !4896030 !4986439 !5044874 !5082874 !5107533 | 1379278
2206886 !3237315 !4033318 !4463436 !4726782 !4885842 !4984847 !5047173 !5086798 !5112207 | 2905321
Modèle : 011 , s=1 , a0=523726.29218 , a1=0.13781 , a2=0.79797
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4641311 | 302351
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4766920 !4825315 | 150693
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4894669 !4971805 !5031122 | 469450
1843224 3416828 4029923 4329396 4506238 4612534 !4785092 !5058179 !5165623 !5223586 | 611052
1962385 3482683 4064615 4412049 4650424 !4825405 !4977749 !5219446 !5342817 !5403877 | 753453
2033371 3463912 4097412 4529669 !4842659 !5015139 !5160820 !5374682 !5506437 !5572163 | 1042494
2072061 3530602 4257700 !4702940 !5012267 !5193034 !5333053 !5523785 !5658395 !5729000 | 1471300
2210754 3728255 !4407803 !4863294 !5171487 !5358363 !5495006 !5666501 !5800200 !5875092 | 2146837
2206886 !3803431 !4554820 !5011938 !5320639 !5512233 !5647024 !5802703 !5933025 !6011212 | 3804326
Page 128
Annexes
Modèle : 111 , s=1 , a0=37910.97195 , a1=1.00746 , a2=-1.01956 , a3=1.00462
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4357335 | 18375
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4695359 !4721959 | 47337
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4589582 !4612751 !4641673 | 80001
1843224 3416828 4029923 4329396 4506238 4612534 !4671223 !4703895 !4731630 !4765007 | 152473
1962385 3482683 4064615 4412049 4650424 !4762517 !4826031 !4863006 !4894809 !4932102 | 281678
2033371 3463912 4097412 4529669 !4774957 !4891648 !4958734 !4998709 !5033234 !5073058 | 543389
2072061 3530602 4257700 !4700436 !4952186 !5072960 !5143058 !5185440 !5222067 !5263775 | 1006075
2210754 3728255 !4471710 !4924175 !5181536 !5305477 !5377627 !5421425 !5459136 !5501684 | 1773429
2206886 !3752757 !4509874 !4969202 !5229194 !5353245 !5424340 !5466406 !5502015 !5542187 | 3335301
Modèle : 200 , s=1 , a0=-12609.77877 , a1=1.44387 , a2=-0.43483
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4371003 | 32043
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4715257 !4762932 | 88310
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4613531 !4665168 !4717174 | 155502
1843224 3416828 4029923 4329396 4506238 4612534 !4687833 !4750333 !4807833 !4863679 | 251145
1962385 3482683 4064615 4412049 4650424 !4783497 !4871985 !4941884 !5004333 !5064106 | 413682
2033371 3463912 4097412 4529669 !4745957 !4870290 !4955761 !5025106 !5088066 !5148818 | 619149
2072061 3530602 4257700 !4599737 !4777428 !4885261 !4963693 !5030049 !5091754 !5151994 | 894294
2210754 3728255 !4409200 !4732538 !4903297 !5009255 !5087992 !5155604 !5218989 !5281110 | 1552855
2206886 !3173849 !3610391 !3820234 !3933398 !4005545 !4060509 !4108497 !4153886 !4198555 | 1991669
Page 129
Annexes
Modèle : 002 , s=1 , a0=56887.63682 , a1=1.28677 , a2=-0.29082
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4888150 | 549190
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4799818 !5254921 | 580299
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4813838 !4971299 !5397198 | 835526
1843224 3416828 4029923 4329396 4506238 4612534 !4650472 !4891723 !5057930 !5473611 | 861077
1962385 3482683 4064615 4412049 4650424 !4681082 !4714356 !4951455 !5119533 !5530559 | 880135
2033371 3463912 4097412 4529669 !4730415 !4738953 !4770734 !5005667 !5173608 !5581617 | 1051948
2072061 3530602 4257700 !4602423 !4791414 !4793483 !4824703 !5058054 !5225275 !5630754 | 1373054
2210754 3728255 !4343964 !4661835 !4846642 !4846821 !4877751 !5109697 !5276033 !5679134 | 1950879
2206886 !3827530 !4408352 !4717126 !4899968 !4900338 !4930317 !5160916 !5326320 !5727098 | 3520212
Modèle : 202 , s=1 , a0=1712.74908 , a1=1.34901 , a2=-0.39620 , a3=0.04113 , a4=0.02
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4382649 | 43689
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4710304 !4750290 | 75668
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4637800 !4721009 !4805511 | 243839
1843224 3416828 4029923 4329396 4506238 4612534 !4708246 !4798825 !4887146 !4974585 | 362051
1962385 3482683 4064615 4412049 4650424 !4796282 !4903480 !4995368 !5081955 !5167439 | 517015
2033371 3463912 4097412 4529669 !4759565 !4906308 !5019277 !5118909 !5213674 !5307094 | 777425
2072061 3530602 4257700 !4610619 !4812292 !4953129 !5069752 !5176996 !5280886 !5383893 | 1126193
2210754 3728255 !4402585 !4733163 !4924293 !5059532 !5173034 !5278733 !5382296 !5486008 | 1757753
2206886 !3194381 !3692703 !3993515 !4213293 !4398638 !4568318 !4730022 !4887024 !5040835 | 2833949
Page 130
Annexes
Modèle : 100 , s=2 , a0=7749356840908.94140 , a1=0.64006
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4449656 | 110696
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4687062 !4703955 | 29333
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4590012 !4608059 !4619574 | 57902
1843224 3416828 4029923 4329396 4506238 4612534 !4622431 !4628755 !4632798 !4635384 | 22850
1962385 3482683 4064615 4412049 4650424 !4654181 !4659288 !4666230 !4675661 !4688474 | 38050
2033371 3463912 4097412 4529669 !4569681 !4595108 !4611309 !4621649 !4628255 !4632478 | 102809
2072061 3530602 4257700 !4399127 !4487309 !4542852 !4578050 !4600436 !4614708 !4623820 | 366120
2210754 3728255 !4079960 !4289964 !4419144 !4499880 !4550805 !4583102 !4603655 !4616762 | 888507
2206886 !3296461 !3834662 !4142603 !4328219 !4442955 !4514863 !4560293 !4589134 !4607500 | 2400614
Modèle : 001 , s=2 , a0=1272802593541.95950 , a1=1.01248
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4735149 | 396189
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4839879 !4896357 | 221735
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4837113 !4998962 !5054342 | 492670
1843224 3416828 4029923 4329396 4506238 4612534 !4726669 !4996251 !5155032 !5209420 | 596886
1962385 3482683 4064615 4412049 4650424 !4776384 !4888054 !5152370 !5308377 !5361866 | 711442
2033371 3463912 4097412 4529669 !4813439 !4936741 !5046199 !5305760 !5459250 !5511921 | 982252
2072061 3530602 4257700 !4695404 !4973048 !5093960 !5201421 !5456673 !5607872 !5659797 | 1402097
2210754 3728255 !4430247 !4857450 !5129592 !5248346 !5353997 !5605332 !5754440 !5805683 | 2077428
2206886 !3917422 !4598357 !5016188 !5283366 !5400163 !5504171 !5751934 !5899129 !5949747 | 3742861
Page 131
Annexes
Modèle : 010 , s=2 , a0=8781672964124.96580 , a1=0.67007
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4410964 | 72004
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4731430 !4837190 | 162568
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4823500 !4839849 !4876698 | 315026
1843224 3416828 4029923 4329396 4506238 4612534 !4732891 !4767085 !4936766 !4947477 | 334943
1962385 3482683 4064615 4412049 4650424 !4731624 !4799767 !4877648 !4899910 !5011231 | 360807
2033371 3463912 4097412 4529669 !4671767 !4824204 !4876825 !4921242 !4972288 !4986933 | 457264
2072061 3530602 4257700 !4475641 !4746592 !4838002 !4937227 !4971747 !5000989 !5034709 | 777009
2210754 3728255 !4139350 !4574794 !4712125 !4886561 !4946266 !5011535 !5034350 !5053720 | 1325465
2206886 !3472262 !4253891 !4501425 !4775503 !4864157 !4978149 !5017504 !5060716 !5075867 | 2868981
Modèle : 101 , s=2 , a0=3417920286049.00200 , a1=0.32565 , a2=0.57822
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4470826 | 131866
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4721093 !4726925 | 52303
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4778018 !4872363 !4905943 | 344271
1843224 3416828 4029923 4329396 4506238 4612534 !4730559 !4889339 !4992944 !5045072 | 432538
1962385 3482683 4064615 4412049 4650424 !4770984 !4875427 !4998106 !5095834 !5156677 | 506253
2033371 3463912 4097412 4529669 !4754391 !4892894 !4995806 !5098025 !5186158 !5249008 | 719339
2072061 3530602 4257700 !4602717 !4835996 !4987632 !5094113 !5186152 !5265773 !5327156 | 1069456
2210754 3728255 !4292582 !4654874 !4898634 !5061253 !5173437 !5261695 !5335405 !5394152 | 1665897
2206886 !3611241 !4280075 !4681040 !4942543 !5117106 !5236459 !5324983 !5395513 !5451812 | 3244926
Page 132
Annexes
Modèle : 110 , s=2 , a0=8284771215349.19920 , a1=0.47398 , a2=0.18816
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4455885 | 116925
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4707898 !4725747 | 51125
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4713294 !4788117 !4829262 | 267590
1843224 3416828 4029923 4329396 4506238 4612534 !4710962 !4766482 !4820100 !4859090 | 246556
1962385 3482683 4064615 4412049 4650424 !4728229 !4783764 !4827780 !4858702 !4883203 | 232779
2033371 3463912 4097412 4529669 !4655391 !4756730 !4818285 !4857431 !4884031 !4902340 | 372671
2072061 3530602 4257700 !4476172 !4652118 !4756126 !4823279 !4866192 !4893687 !4911631 | 653931
2210754 3728255 !4149521 !4456122 !4633213 !4746768 !4818795 !4865017 !4894771 !4913951 | 1185696
2206886 !3393059 !4044388 !4390625 !4599817 !4727856 !4808235 !4859225 !4891823 !4912763 | 2705877
Modèle : 011 , s=2 , a0=4791885714291.26460 , a1=0.36142 , a2=0.49868
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4566308 | 227348
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4772625 !4855449 | 180827
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4847849 !4903933 !4978037 | 416365
1843224 3416828 4029923 4329396 4506238 4612534 !4744930 !4902286 !5027760 !5083426 | 470892
1962385 3482683 4064615 4412049 4650424 !4768709 !4869159 !4991342 !5107199 !5178270 | 527846
2033371 3463912 4097412 4529669 !4755209 !4893708 !4983356 !5077847 !5177202 !5252695 | 723026
2072061 3530602 4257700 !4592553 !4845989 !4990680 !5082463 !5159995 !5241874 !5313957 | 1056257
2210754 3728255 !4282185 !4675643 !4911781 !5069505 !5164817 !5235026 !5302568 !5366982 | 1638727
2206886 !3672860 !4354300 !4724535 !4972329 !5131019 !5232856 !5300890 !5358942 !5414630 | 3207744
Page 133
Annexes
Modèle : 111 , s=2 , a0=97656293433.76526 , a1=1.04385 , a2=-1.07051 , a3=1.02485
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4374794 | 35834
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4707887 !4763821 | 89199
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4590584 !4627864 !4688783 | 127111
1843224 3416828 4029923 4329396 4506238 4612534 !4677042 !4717253 !4766102 !4838704 | 226170
1962385 3482683 4064615 4412049 4650424 !4768486 !4845176 !4898057 !4959754 !5045074 | 394650
2033371 3463912 4097412 4529669 !4779146 !4908304 !4996268 !5060722 !5134131 !5231085 | 701416
2072061 3530602 4257700 !4698473 !4958262 !5098949 !5199009 !5276072 !5362148 !5471492 | 1213792
2210754 3728255 !4454365 !4901728 !5171178 !5323410 !5435778 !5525750 !5624738 !5746616 | 2018361
2206886 !3767596 !4513228 !4974288 !5254573 !5416181 !5537498 !5636267 !5744123 !5874945 | 3668059
Modèle : 200 , s=2 , a0=6096296292.01943 , a1=1.61567 , a2=-0.61819
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4341915 | 2955
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4684963 !4686095 | 11473
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4589356 !4601284 !4603513 | 41841
1843224 3416828 4029923 4329396 4506238 4612534 !4671954 !4703115 !4717016 !4720297 | 107763
1962385 3482683 4064615 4412049 4650424 !4786804 !4863897 !4905497 !4925504 !4932254 | 281830
2033371 3463912 4097412 4529669 !4772588 !4911539 !4990027 !5032310 !5052563 !5059290 | 529621
2072061 3530602 4257700 !4646413 !4866261 !4991970 !5062525 !5099922 !5117099 !5121845 | 864145
2210754 3728255 !4409351 !4777636 !4986580 !5105940 !5172594 !5207486 !5222985 !5226552 | 1498297
2206886 !2806239 !3117478 !3292419 !3392936 !3450293 !3481847 !3497717 !3503963 !3504276 | 1297390
Page 134
Annexes
Modèle : 002 , s=2 , a0=223833801986.84976 , a1=0.98795 , a2=0.02807
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4916185 | 577225
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4965368 !4981277 | 306655
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4726310 !5010995 !5041463 | 479791
1843224 3416828 4029923 4329396 4506238 4612534 !4624791 !4786025 !5071821 !5101999 | 489465
1962385 3482683 4064615 4412049 4650424 !4670483 !4683895 !4845705 !5132450 !5162749 | 512325
2033371 3463912 4097412 4529669 !4707404 !4729860 !4743280 !4905578 !5193312 !5223723 | 694054
2072061 3530602 4257700 !4587035 !4766917 !4789375 !4802836 !4965646 !5254401 !5284927 | 1027227
2210754 3728255 !4313310 !4646192 !4826543 !4849071 !4862573 !5025915 !5315723 !5346368 | 1618113
2206886 !3782342 !4371857 !4705466 !4886355 !4908955 !4922501 !5086393 !5377285 !5408053 | 3201167
Modèle : 202 , s=2 , a0=-25320564731.19513 , a1=0.32007 , a2=-0.09624 , a3=0.97987 , a4=-0.15
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4433866 | 94906
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4749140 !4789339 | 114717
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4816285 !4958381 !5004725 | 443053
1843224 3416828 4029923 4329396 4506238 4612534 !4677315 !4927456 !5122819 !5199389 | 586855
1962385 3482683 4064615 4412049 4650424 !4767337 !4835984 !5047446 !5271750 !5388332 | 737908
2033371 3463912 4097412 4529669 !4793437 !4932976 !5008482 !5183715 !5416154 !5571980 | 1042311
2072061 3530602 4257700 !4655306 !4933228 !5099829 !5188485 !5336508 !5562865 !5750720 | 1493020
2210754 3728255 !4372654 !4776970 !5072676 !5266521 !5373556 !5504282 !5716567 !5926420 | 2198165
2206886 !3636752 !4435208 !4899660 !5216892 !5434269 !5562227 !5684926 !5880239 !6101872 | 3894986
Page 135
Annexes
Modèle : 100 , s=3 , a0=29759879502773273000.00000 , a1=0.71932
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4456699 | 117739
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4691169 !4703000 | 28378
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4611067 !4645954 !4670729 | 109057
1843224 3416828 4029923 4329396 4506238 4612534 !4646994 !4671469 !4688917 !4701388 | 88854
1962385 3482683 4064615 4412049 4650424 !4673911 !4690661 !4702636 !4711212 !4717362 | 66938
2033371 3463912 4097412 4529669 !4588585 !4630048 !4659420 !4680321 !4695241 !4705914 | 176245
2072061 3530602 4257700 !4401649 !4499647 !4567584 !4615231 !4648905 !4672830 !4689889 | 432189
2210754 3728255 !4062292 !4272311 !4411494 !4506429 !4572321 !4618569 !4651272 !4674515 | 946260
2206886 !3346908 !3842376 !4132359 !4318175 !4442551 !4527886 !4587336 !4629165 !4658793 | 2451907
Modèle : 001 , s=3 , a0=7655817149197692900.00000 , a1=1.01473
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4733648 | 394688
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4858782 !4866986 | 192364
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4810375 !4987306 !4995208 | 433536
1843224 3416828 4029923 4329396 4506238 4612534 !4702325 !4940714 !5111283 !5118918 | 506384
1962385 3482683 4064615 4412049 4650424 !4750934 !4836933 !5066295 !5231223 !5238620 | 588196
2033371 3463912 4097412 4529669 !4787196 !4883583 !4966268 !5187663 !5347554 !5354737 | 825068
2072061 3530602 4257700 !4671780 !4918424 !5011199 !5090964 !5305272 !5460642 !5467632 | 1209932
2210754 3728255 !4413600 !4807652 !5044790 !5134373 !5211543 !5419511 !5570797 !5577614 | 1849359
2206886 !3920112 !4561277 !4938095 !5166855 !5253596 !5328448 !5530709 !5678293 !5684950 | 3478064
Page 136
Annexes
Modèle : 010 , s=3 , a0=37417263183289508000.00000 , a1=0.74063
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4433037 | 94077
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4748297 !4887447 | 212825
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4818158 !4835629 !4886884 | 325212
1843224 3416828 4029923 4329396 4506238 4612534 !4721854 !4758090 !4935960 !4948304 | 335770
1962385 3482683 4064615 4412049 4650424 !4720514 !4792847 !4868428 !4893736 !5019714 | 369290
2033371 3463912 4097412 4529669 !4657424 !4818910 !4867495 !4918128 !4971550 !4989553 | 459884
2072061 3530602 4257700 !4454114 !4736357 !4823740 !4936491 !4970887 !5006957 !5045255 | 787555
2210754 3728255 !4121523 !4556199 !4685480 !4878543 !4939901 !5020094 !5044778 !5070770 | 1342515
2206886 !3567918 !4232077 !4469263 !4754365 !4843150 !4978738 !5022537 !5080263 !5098140 | 2891254
Modèle : 101 , s=3 , a0=15787546676851251000.00000 , a1=0.40560 , a2=0.51669
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4437145 | 98185
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4716538 !4738225 | 63603
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4748472 !4840672 !4887592 | 325920
1843224 3416828 4029923 4329396 4506238 4612534 !4712244 !4842410 !4938581 !4999594 | 387060
1962385 3482683 4064615 4412049 4650424 !4751662 !4839814 !4938432 !5024849 !5089300 | 438876
2033371 3463912 4097412 4529669 !4724400 !4848670 !4940598 !5025624 !5102230 !5164782 | 635113
2072061 3530602 4257700 !4564729 !4774664 !4916408 !5017255 !5099329 !5170132 !5229635 | 971935
2210754 3728255 !4248544 !4579434 !4805631 !4962419 !5073711 !5158590 !5227768 !5285241 | 1556986
2206886 !3606859 !4206696 !4572531 !4818952 !4990890 !5113357 !5204134 !5274941 !5332142 | 3125256
Page 137
Annexes
Modèle : 110 , s=3 , a0=33830777259382133000.00000 , a1=0.72123 , a2=0.00355
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4529578 | 190618
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4759146 !4818329 | 143707
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4682219 !4765540 !4824159 | 262487
1843224 3416828 4029923 4329396 4506238 4612534 !4716693 !4789224 !4840593 !4877253 | 264719
1962385 3482683 4064615 4412049 4650424 !4742890 !4807746 !4853799 !4886724 !4910372 | 259948
2033371 3463912 4097412 4529669 !4659565 !4749709 !4812972 !4857809 !4889801 !4912731 | 383062
2072061 3530602 4257700 !4477122 !4624283 !4725310 !4795885 !4845744 !4881232 !4906623 | 648923
2210754 3728255 !4147860 !4406703 !4576757 !4692471 !4772857 !4829438 !4869612 !4898304 | 1170049
2206886 !3465543 !4000693 !4313657 !4514776 !4649973 !4743200 !4808506 !4854725 !4887661 | 2680775
Modèle : 011 , s=3 , a0=29001278982249308000.00000 , a1=0.55149 , a2=0.27209
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4508234 | 169274
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4772153 !4918530 | 243908
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4823446 !4861620 !4950329 | 388657
1843224 3416828 4029923 4329396 4506238 4612534 !4723066 !4818622 !4961764 !5005036 | 392502
1962385 3482683 4064615 4412049 4650424 !4735093 !4817240 !4898597 !4985837 !5072047 | 421623
2033371 3463912 4097412 4529669 !4698608 !4839605 !4904407 !4968258 !5033777 !5102622 | 572953
2072061 3530602 4257700 !4518054 !4769250 !4891661 !4981411 !5032139 !5083113 !5136156 | 878456
2210754 3728255 !4203489 !4589339 !4782388 !4941649 !5028975 !5089616 !5130063 !5171371 | 1443116
2206886 !3660807 !4268810 !4583021 !4821279 !4961798 !5067844 !5130124 !5173206 !5205903 | 2999017
Page 138
Annexes
Modèle : 111 , s=3 , a0=-374502182417340420.00000 , a1=1.25846 , a2=-1.28956 , a3=1.04380
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4475441 | 136481
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4776998 !5000472 | 325850
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4580505 !4681820 !4914672 | 353000
1843224 3416828 4029923 4329396 4506238 4612534 !4703372 !4769062 !4922992 !5209074 | 596540
1962385 3482683 4064615 4412049 4650424 !4800440 !4944631 !5076268 !5300330 !5653428 | 1003004
2033371 3463912 4097412 4529669 !4803119 !4997943 !5195857 !5392281 !5684440 !6103413 | 1573744
2072061 3530602 4257700 !4718562 !5035039 !5285799 !5549399 !5823182 !6194176 !6688073 | 2430373
2210754 3728255 !4458933 !4950412 !5313964 !5625326 !5958785 !6313136 !6765711 !7338211 | 3609956
2206886 !3763601 !4521246 !5042860 !5442321 !5796721 !6180106 !6592089 !7106658 !7743967 | 5537081
Modèle : 200 , s=3 , a0=1714911700508959700.00000 , a1=1.76015 , a2=-0.80306
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4360752 | 21792
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4695217 !4720108 | 45486
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4566314 !4600747 !4612128 | 50456
1843224 3416828 4029923 4329396 4506238 4612534 !4656420 !4661751 !4698132 !4710474 | 97940
1962385 3482683 4064615 4412049 4650424 !4788014 !4850983 !4855799 !4897502 !4910548 | 260124
2033371 3463912 4097412 4529669 !4792278 !4943357 !5012721 !5018702 !5063390 !5077987 | 548318
2072061 3530602 4257700 !4675799 !4927866 !5069082 !5128404 !5132936 !5181478 !5195718 | 938018
2210754 3728255 !4383912 !4768024 !4997984 !5122556 !5168287 !5184459 !5224711 !5246514 | 1518259
2206886 !2742782 !3086432 !3329099 !3504656 !3630533 !3717496 !3773069 !3802993 !3811943 | 1605057
Page 139
Annexes
Modèle : 002 , s=3 , a0=810483326009256190.00000 , a1=0.54406 , a2=0.50610
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !5584364 | 1245404
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !5190001 !5415677 | 741055
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4600559 !4907786 !5597326 | 1035654
1843224 3416828 4029923 4329396 4506238 4612534 !4692361 !4724933 !5140993 !5610513 | 997979
1962385 3482683 4064615 4412049 4650424 !4650426 !4718615 !4754538 !5124356 !5704647 | 1054223
2033371 3463912 4097412 4529669 !4669848 !4720580 !4795173 !4829886 !5226704 !5760904 | 1231235
2072061 3530602 4257700 !4560360 !4749163 !4775990 !4848366 !4884062 !5272776 !5836173 | 1578473
2210754 3728255 !4265663 !4633000 !4800507 !4839122 !4913411 !4949056 !5346495 !5903295 | 2175040
2206886 !3715152 !4346269 !4686238 !4865883 !4899273 !4973521 !5009617 !5407826 !5975273 | 3768387
Modèle : 202 , s=3 , a0=1232423802902300.20000 , a1=4.91897 , a2=-2.09763 , a3=-4.35572 , a4=2.67
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !7555640 | 3216680
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !5104561 !5453741 | 779119
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !5548942 !6540074 !19848717 | 15287045
1843224 3416828 4029923 4329396 4506238 4612534 !5256281 !7192382 !8713865 !16362498 | 11749964
1962385 3482683 4064615 4412049 4650424 !5083372 !6348468 !9862799 !15527640 !55120992 | 50470568
2033371 3463912 4097412 4529669 !4914938 !5547983 !8522214 !9795496 !30227959 !56814609 | 52284940
2072061 3530602 4257700 !4812766 !5160100 !6677016 !14664539 !21276864 !44189419 !160180252 | 155922552
2210754 3728255 !4298666 !5061327 !5740704 !8644016 !23938534 !43750425 !58368148 !191876613 | 188148358
2206886 !2506138 !4560601 !7745894 !12887933 !20233635 !36792558 !83621391 !192442263 !556347171 | 554140285
Page 140
Annexes
Modèle : 100 , s=4 , a0=113301310300606330000000000.00000 , a1=0.79989
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4463208 | 124248
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4717464 !4750912 | 76290
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4630305 !4683086 !4724056 | 162384
1843224 3416828 4029923 4329396 4506238 4612534 !4669365 !4713375 !4747710 !4774649 | 162115
1962385 3482683 4064615 4412049 4650424 !4698665 !4736210 !4765611 !4788744 !4807009 | 156585
2033371 3463912 4097412 4529669 !4605891 !4664246 !4709395 !4744597 !4772201 !4793941 | 264272
2072061 3530602 4257700 !4403975 !4511292 !4591931 !4653505 !4701055 !4738077 !4767077 | 509377
2210754 3728255 !4045492 !4254214 !4401456 !4509418 !4590510 !4652413 !4700207 !4737415 | 1009160
2206886 !3391325 !3847372 !4121549 !4307030 !4439816 !4538052 !4612274 !4669164 !4713218 | 2506332
Modèle : 001 , s=4 , a0=41449280378534789000000000.00000 , a1=1.01535
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4728818 | 389858
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4873392 !4905871 | 231249
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4789688 !4978197 !5009156 | 447484
1843224 3416828 4029923 4329396 4506238 4612534 !4683388 !4898606 !5078242 !5107871 | 495337
1962385 3482683 4064615 4412049 4650424 !4731176 !4797964 !5002227 !5174110 !5202568 | 552144
2033371 3463912 4097412 4529669 !4766861 !4843145 !4906462 !5101237 !5266286 !5293702 | 764033
2072061 3530602 4257700 !4653389 !4876952 !4949403 !5009720 !5196193 !5355173 !5381656 | 1123956
2210754 3728255 !4400909 !4769657 !4981588 !5050715 !5108412 !5287559 !5441111 !5466756 | 1738501
2206886 !3926195 !4533280 !4879603 !5081485 !5147698 !5203087 !5375720 !5524391 !5549278 | 3342392
Page 141
Annexes
Modèle : 010 , s=4 , a0=157619944796307010000000000.00000 , a1=0.81812
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4450132 | 111172
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4758212 !4916817 | 242195
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4820340 !4838948 !4901069 | 339397
1843224 3416828 4029923 4329396 4506238 4612534 !4718169 !4756529 !4947826 !4961924 | 349390
1962385 3482683 4064615 4412049 4650424 !4716753 !4793420 !4871195 !4899809 !5045246 | 394822
2033371 3463912 4097412 4529669 !4650243 !4821140 !4870142 !4927506 !4986455 !5008327 | 478658
2072061 3530602 4257700 !4438831 !4733510 !4821008 !4948431 !4985652 !5029590 !5075138 | 817438
2210754 3728255 !4107823 !4544362 !4669014 !4882615 !4948331 !5045713 !5074515 !5108712 | 1380457
2206886 !3648319 !4215156 !4445540 !4744060 !4834814 !4995173 !5045636 !5121313 !5143892 | 2937006
Modèle : 101 , s=4 , a0=57750395270298079000000000.00000 , a1=0.40146 , a2=0.55905
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4478031 | 139071
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4749609 !4801900 | 127278
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4725255 !4825908 !4892031 | 330359
1843224 3416828 4029923 4329396 4506238 4612534 !4684453 !4797601 !4894004 !4966146 | 353612
1962385 3482683 4064615 4412049 4650424 !4725316 !4791549 !4876587 !4960536 !5031451 | 381027
2033371 3463912 4097412 4529669 !4700628 !4803699 !4878015 !4951756 !5025060 !5091485 | 561816
2072061 3530602 4257700 !4540519 !4731848 !4857412 !4944647 !5017609 !5085162 !5147155 | 889455
2210754 3728255 !4226288 !4536273 !4747547 !4892420 !4993879 !5072014 !5138648 !5198051 | 1469796
2206886 !3638620 !4184075 !4520311 !4750716 !4912819 !5028388 !5114761 !5184189 !5243391 | 3036505
Page 142
Annexes
Modèle : 110 , s=4 , a0=134997867429446610000000000.00000 , a1=0.76283 , a2=0.03996
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4508804 | 169844
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4759752 !4822111 | 147489
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4690369 !4782800 !4852994 | 291322
1843224 3416828 4029923 4329396 4506238 4612534 !4721112 !4800969 !4863742 !4913356 | 300822
1962385 3482683 4064615 4412049 4650424 !4748100 !4822343 !4880555 !4926482 !4962989 | 312565
2033371 3463912 4097412 4529669 !4659287 !4759595 !4835642 !4894106 !4939540 !4975131 | 445462
2072061 3530602 4257700 !4463574 !4617560 !4730193 !4814754 !4879278 !4929079 !4967839 | 710139
2210754 3728255 !4121644 !4380694 !4558460 !4686890 !4782410 !4854818 !4910433 !4953553 | 1225298
2206886 !3523005 !4016421 !4309903 !4507821 !4649272 !4753816 !4832756 !4893237 !4940057 | 2733171
Modèle : 011 , s=4 , a0=141956511068507480000000000.00000 , a1=0.71461 , a2=0.12543
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4487743 | 148783
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4777640 !4959465 | 284843
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4811085 !4839525 !4928821 | 367149
1843224 3416828 4029923 4329396 4506238 4612534 !4708363 !4772058 !4936023 !4965595 | 353061
1962385 3482683 4064615 4412049 4650424 !4713011 !4791436 !4860680 !4922206 !5034483 | 384059
2033371 3463912 4097412 4529669 !4659607 !4816252 !4866008 !4925585 !4978819 !5033681 | 504012
2072061 3530602 4257700 !4461426 !4733250 !4834610 !4942591 !4982774 !5029064 !5071634 | 813934
2210754 3728255 !4141569 !4544400 !4700143 !4884371 !4964044 !5040981 !5073744 !5110383 | 1382128
2206886 !3679314 !4219292 !4487974 !4747373 !4869141 !4999692 !5062562 !5118765 !5145657 | 2938771
Page 143
Annexes
Modèle : 111 , s=4 , a0=-2709203296395346600000000.00000 , a1=0.82206 , a2=-0.88848 , a3=1.10992
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4404737 | 65777
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4688334 !4722429 | 47807
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4651395 !4714639 !4789484 | 227812
1843224 3416828 4029923 4329396 4506238 4612534 !4687971 !4796202 !4874956 !4962874 | 350340
1962385 3482683 4064615 4412049 4650424 !4770270 !4857799 !4976380 !5065019 !5161687 | 511263
2033371 3463912 4097412 4529669 !4788566 !4925790 !5028292 !5159620 !5260013 !5366984 | 837315
2072061 3530602 4257700 !4691061 !4959399 !5108137 !5221730 !5362766 !5472926 !5588771 | 1331071
2210754 3728255 !4423299 !4859166 !5137738 !5298704 !5424054 !5575404 !5695901 !5821162 | 2092907
2206886 !3806801 !4535510 !4997624 !5298449 !5478794 !5621048 !5786863 !5920793 !6057959 | 3851073
Modèle : 200 , s=4 , a0=28439613092301002000000000.00000 , a1=1.78032 , a2=-0.88436
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4353841 | 14881
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4704711 !4732697 | 58075
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4564367 !4606515 !4616863 | 55191
1843224 3416828 4029923 4329396 4506238 4612534 !4655222 !4668649 !4708904 !4728261 | 115727
1962385 3482683 4064615 4412049 4650424 !4788992 !4845486 !4859991 !4912535 !4934760 | 284336
2033371 3463912 4097412 4529669 !4795056 !4943694 !4998670 !5024131 !5077234 !5109036 | 579367
2072061 3530602 4257700 !4671122 !4918849 !5048513 !5082441 !5131477 !5170011 !5220054 | 962354
2210754 3728255 !4329272 !4687931 !4902438 !5009332 !5027059 !5087327 !5113489 !5171328 | 1443073
2206886 !2899397 !3397725 !3775636 !4062456 !4273800 !4419580 !4507041 !4542184 !4553779 | 2346893
Page 144
Annexes
Modèle : 002 , s=4 , a0=-4941278183470500100000000.00000 , a1=1.18660 , a2=-0.07948
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !4779982 | 441022
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !4877357 !4946586 | 271964
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !4806737 !5026550 !5076247 | 514575
1843224 3416828 4029923 4329396 4506238 4612534 !4660395 !4929618 !5157560 !5207482 | 594948
1962385 3482683 4064615 4412049 4650424 !4727138 !4776205 !5055798 !5291395 !5342859 | 692435
2033371 3463912 4097412 4529669 !4769002 !4846239 !4896988 !5186161 !5429497 !5482616 | 952947
2072061 3530602 4257700 !4642392 !4889740 !4969505 !5021989 !5320828 !5572031 !5626841 | 1369141
2210754 3728255 !4363726 !4758570 !5014507 !5096970 !5151218 !5459874 !5719083 !5775615 | 2047360
2206886 !3815641 !4469903 !4878804 !5143486 !5228697 !5284736 !5603376 !5870738 !5929025 | 3722139
Modèle : 202 , s=4 , a0=-25232521739.21663 , a1=5.68057 , a2=-3.21462 , a3=-4.99795 , a4=3.35
1376384 2587552 3123435 3437225 3605367 3685339 3724574 3739604 3750469 3754555 | 0
1576278 3013428 3665873 4008567 4197366 4274322 4309364 4326453 4338960 !6408697 | 2069737
1763277 3303508 3982467 4346666 4523774 4601943 4649334 4674622 !6175032 !9991445 | 5316823
1779698 3278229 3939630 4261064 4423642 4508223 4561672 !6998879 !10146578 !17384287 | 12822615
1843224 3416828 4029923 4329396 4506238 4612534 !5042004 !9793232 !18184039 !32949809 | 28337275
1962385 3482683 4064615 4412049 4650424 !4863672 !7464588 !16567600 !31599850 !57559173 | 52908749
2033371 3463912 4097412 4529669 !4794771 !5209534 !10427074 !25442257 !52142953 !100262135 | 95732466
2072061 3530602 4257700 !4802843 !5463134 !6266623 !16775026 !42075735 !88429948 !172463673 | 168205973
2210754 3728255 !4236469 !6683713 !9814625 !14513670 !20143977 !63103460 !140475142 !286346573 | 282618318
2206886 !2968480 !4923322 !9365131 !16522452 !27620605 !37856267 !97065080 !232206016 !484468027 | 482261141
Page 145
Annexes
Annexe C : Preuve
Page 146
Annexes
𝐴−1 𝑏𝑏𝑇 𝐴𝑇
Preuve de : (𝐴 + 𝑏𝑏 𝑇 )−1 = 𝐴−1 − 1+𝑏𝑇 𝐴−1 𝑏
Nous avons :
𝐴−1 𝑏𝑏 𝑇 𝐴−1
(𝐴 + 𝑏𝑏 𝑇 )−1 (𝐴 + 𝑏𝑏 𝑇 ) = (𝐴−1 − ) (𝐴 + 𝑏𝑏 𝑇 )
1 + 𝑏 𝑇 𝐴−1 𝑏
−1 −1 𝑇
𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝐴 𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇
= 𝐴 𝐴 + 𝐴 𝑏𝑏 + −
1 + 𝑏 𝑇 𝐴−1 𝑏 1 + 𝑏 𝑇 𝐴−1 𝑏
−1 𝑇
𝐴 𝑏𝑏 𝐴 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇
−1
= 𝐼𝑑 + 𝐴−1 𝑏𝑏 𝑇 + −
1 + 𝑏 𝑇 𝐴−1 𝑏 1 + 𝑏 𝑇 𝐴−1 𝑏
𝐴−1 𝑏𝑏 𝑇 + 𝐴−1 𝑏𝑏 𝑇 𝑏 𝑇 𝐴−1 𝑏 − 𝐴−1 𝑏𝑏 𝑇 − 𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇

= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
𝐴−1 𝑏𝑏 𝑇 𝑏 𝑇 𝐴−1 𝑏 − 𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇
= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
(𝑏 𝐴 𝑏)𝐴 𝑏𝑏 𝑇 − (𝑏 𝑇 𝐴−1 𝑏)𝐴−1 𝑏𝑏 𝑇
𝑇 −1 −1
= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
(𝑏 𝑇 𝐴−1 𝑏)[𝐴−1 𝑏𝑏 𝑇 − 𝐴−1 𝑏𝑏 𝑇 ]
= 𝐼𝑑 + (car 𝑏 𝑇 𝐴−1 𝑏 est un scalaire)
1 + 𝑏 𝑇 𝐴−1 𝑏
= 𝐼𝑑
Et
𝐴−1 𝑏𝑏 𝑇 𝐴−1
(𝐴 + 𝑏𝑏 𝑇 )(𝐴 + 𝑏𝑏 𝑇 )−1 = (𝐴 + 𝑏𝑏 𝑇 ) (𝐴−1 − )
1 + 𝑏 𝑇 𝐴−1 𝑏
𝐴𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇 𝐴−1
= 𝐴𝐴−1 + 𝑏𝑏 𝑇 𝐴−1 − −
1 + 𝑏 𝑇 𝐴−1 𝑏 1 + 𝑏 𝑇 𝐴−1 𝑏
𝑇 −1
𝑇 −1
𝑏𝑏 𝐴 𝑏𝑏 𝐴 𝑏𝑏 𝑇 𝐴−1
𝑇 −1
= 𝐼𝑑 + 𝑏𝑏 𝐴 + −
1 + 𝑏 𝑇 𝐴−1 𝑏 1 + 𝑏 𝑇 𝐴−1 𝑏
−𝑏𝑏 𝑇 𝐴−1 + 𝑏𝑏 𝑇 𝐴−1 + 𝑏 𝑇 𝐴−1 𝑏𝑏𝑏 𝑇 𝐴−1 − 𝑏𝑏 𝑇 𝐴−1 𝑏𝑏 𝑇 𝐴−1

= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
𝑏 𝐴 𝑏𝑏𝑏 𝐴 − 𝑏𝑏 𝐴 𝑏𝑏 𝑇 𝐴−1
𝑇 −1 𝑇 −1 𝑇 −1
= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
(𝑏 𝑇 𝐴−1 𝑏)𝑏𝑏 𝑇 𝐴−1 − (𝑏 𝑇 𝐴−1 𝑏)𝑏𝑏 𝑇 𝐴−1
= 𝐼𝑑 +
1 + 𝑏 𝑇 𝐴−1 𝑏
(𝑏 𝑇 𝐴−1 𝑏)[𝑏𝑏 𝑇 𝐴−1 − 𝐴−1 𝑏𝑏 𝑇 ]
= 𝐼𝑑 + (car 𝑏 𝑇 𝐴−1 𝑏 est un scalaire)
1 + 𝑏 𝑇 𝐴−1 𝑏
= 𝐼𝑑
Page 147
Annexes
Annexe D :Programme MATLAB 7.9
Page 148
Annexes
clear all;close all;
%
% Lecture des données sur un fichier
%
Z=load('data1.txt');
[m,n]=size(Z);
fich=fopen('G:\ABIDA Doctorat\resSto.txt','w');
for i=2:n,
for j=n-i+2:n,
Z(i,j)=0;
end;
end;
Met=['100' '001' '010' '101' '110' '011' '111' '200' '002' '202'];
MSE=zeros(8,4);
ME=zeros(8,4);
SR=zeros(8,4);
R=zeros(8,4,n);
lamda=1;
delta=0.9999;
epsilon=0.000001;
%
%==========================================================================
for s=1:4,
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 100:1
%
% Initialisation
%
Teta=[0;0];
P=[1,0;0,1];
%
% calcul
%
for i=1:n-1,
lamda=1;
for j=2:n-i+1,
Phi=[1;Z(i,j-1)^s];
L=lamda*P*Phi/(lamda+transpose(Phi)*P*Phi);
Teta=Teta+(Z(i,j)^s-transpose(Phi)*Teta)*L;
P=P-L*transpose(Phi)*P;
%lamda=delta*lamda-(1-delta);
lamda=lamda-epsilon;
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i,j-1)^s];
Z(i,j)=(transpose(Phi)*Teta)^(1/s);
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%
% Réserves
%
SR(1,s)=0;
R(1,s,1)=0;
Page 149
Annexes
for i=2:n,
R(1,s,i)=Z(i,n)-Z(i,n-i+1);
SR(1,s)=SR(1,s)+R(1,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=1:n-1,
for j=2:n-i+1,
Phi=[1;MZ(i,j-1)^s];
MZ(i,j)=(transpose(Phi)*Teta)^(1/s);
if MZ(i,j)<MZ(i,j-1),
MZ(i,j)=2*MZ(i,j-1)-MZ(i,j);
end;
mse=mse+(MZ(i,j)-Z(i,j))^2;
me=me+MZ(i,j)-Z(i,j);
k=k+1;
end;
end;
MSE(1,s)=(mse/k)^(1/2);
ME(1,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 001:2
%
% Initialisation
%
Teta=[0;0];
P=[1,0;0,1];
%
% calcul
%
for i=2:n-1,
lamda=1;
for j=1:n-i+1,
Phi=[1;Z(i-1,j)^s];
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i-1,j)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%
% Réserves
%
Page 150
Annexes
SR(2,s)=0;
R(2,s,1)=0;
for i=2:n,
R(2,s,i)=Z(i,n)-Z(i,n-i+1);
SR(2,s)=SR(2,s)+R(2,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=2:n-1,
for j=2:n-i+1,
Phi=[1;MZ(i-1,j)^s];
end;
k=k+1;
end;
end;
MSE(2,s)=(mse/k)^(1/2);
ME(2,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 010:3
%
% Initialisation
%
Teta=[0;0];
P=[1,0;0,1];
%
% calcul
%
for i=2:n-1,
lamda=1;
for j=1:i-1,
Phi=[1;Z(i-j,j)^s];
Teta=Teta+(Z(i-j+1,j+1)^s-transpose(Phi)*Teta)*L;
%lamda=delta*lamda+(1-delta);
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i-1,j-1)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%
Page 151
Annexes
% Réserves
%
SR(3,s)=0;
R(3,s,1)=0;
for i=2:n,
R(3,s,i)=Z(i,n)-Z(i,n-i+1);
SR(3,s)=SR(3,s)+R(3,s,i);
end;
%
% MSE
%
%MZ=Z;
%mse=0;
%me=0;
%k=0;
%for i=2:n-1,
% for j=2:n-i+1,
% Phi=[1;MZ(i-1,j)^s];
% MZ(i,j)=(transpose(Phi)*Teta)^(1/s);
% if MZ(i,j)<MZ(i,j-1),
% MZ(i,j)=2*MZ(i,j-1)-MZ(i,j);
% end;
% mse=mse+(MZ(i,j)-Z(i,j))^2;
% me=me+MZ(i,j)-Z(i,j);
% k=k+1;
% end;
% end;
% MSE(2,s)=(mse/k)^(1/2);
% ME(2,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 101:4
%
% Initialisation
%
Teta=[0;0;0];
P=[1,0,0;
0,1,0;
0,0,1];
%%%%%%%% calcul %%%%%%%%%%%%%%%%%%%%%%%%%%
for i=2:n-2,
lamda=1;
for j=2:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i-1,j)^s];
end;
end;
%%%%%%% Estimation %%%%%%%%%%%%%%%%%%%%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i,j-1)^s;Z(i-1,j)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%%%%%%%%%% Réserves %%%%%%%%%%%%%%%%%%%%%
Page 152
Annexes
SR(4,s)=0;
R(4,s,1)=0;
for i=2:n,
R(4,s,i)=Z(i,n)-Z(i,n-i+1);
SR(4,s)=SR(4,s)+R(4,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=2:n-2,
for j=2:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i-1,j)^s];
end;
k=k+1;
end;
end;
MSE(4,s)=(mse/k)^(1/2);
ME(4,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 110:5
%
% Initialisation
%
Teta=[0;0;0];
P=[1,0,0;0,1,0;0,0,1];
%
% calcul
%
for i=2:n-1,
lamda=1;
for j=2:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i-1,j-1)^s];
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i,j-1)^s;Z(i-1,j-1)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%
Page 153
Annexes
% Réserves
%
SR(5,s)=0;
R(5,s,1)=0;
for i=2:n,
R(5,s,i)=Z(i,n)-Z(i,n-i+1);
SR(5,s)=SR(5,s)+R(5,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=2:n-1,
for j=2:n-i+1,
Phi=[1;MZ(i,j-1)^s;MZ(i-1,j-1)^s];
end;
k=k+1;
end;
end;
MSE(5,s)=(mse/k)^(1/2);
ME(5,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 110:5
%
% Initialisation
%
Teta=[0;0;0];
P=[1,0,0;0,1,0;0,0,1];
%
% calcul
%
for i=2:n-1,
lamda=1;
for j=1:i-1,
Phi=[1;Z(i-j,j)^s;Z(i-j,j+1)^s];
Teta=Teta+(Z(i-j+1,j+1)^s-transpose(Phi)*Teta)*L;
%lamda=delta*lamda+(1-delta);
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i-1,j-1)^s;Z(i-1,j)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
Page 154
Annexes
end;
%
% Réserves
%
SR(6,s)=0;
R(6,s,1)=0;
for i=2:n,
R(6,s,i)=Z(i,n)-Z(i,n-i+1);
SR(6,s)=SR(6,s)+R(6,s,i);
end;
%
% MSE
%
% MZ=Z;
% mse=0;
% me=0;
% k=0;
% for i=2:n-1,
% for j=2:n-i+1,
% Phi=[1;MZ(i,j-1)^s;MZ(i-1,j-1)^s];
% MZ(i,j)=(transpose(Phi)*Teta)^(1/s);
% if MZ(i,j)<MZ(i,j-1),
% MZ(i,j)=2*MZ(i,j-1)-MZ(i,j);
% end;
% mse=mse+(MZ(i,j)-Z(i,j))^2;
% me=me+MZ(i,j)-Z(i,j);
% k=k+1;
% end;
% end;
% MSE(6,s)=(mse/k)^(1/2);
% ME(6,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 111:7
%
% Initialisation
%
Teta=[0;0;0;0];
P=[1,0,0,0;0,1,0,0;0,0,1,0;0,0,0,1];
%%%%%%%% calcul %%%%%%%%%%%%%%%%%%%%%%%%%%
for i=2:n-1,
lamda=1;
for j=2:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i-1,j-1)^s;Z(i-1,j)^s];
end;
end;
%%%%%%% Estimation %%%%%%%%%%%%%%%%%%%%
for i=2:n,
for j=n-i+2:n,
Phi=[1;Z(i,j-1)^s;Z(i-1,j-1)^s;Z(i-1,j)^s];
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%%%%%%%%%% Réserves %%%%%%%%%%%%%%%%%%%%%
Page 155
Annexes
SR(7,s)=0;
R(7,s,1)=0;
for i=2:n,
R(7,s,i)=Z(i,n)-Z(i,n-i+1);
SR(7,s)=SR(7,s)+R(7,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=2:n-1,
for j=2:n-i+1,
Phi=[1;MZ(i,j-1)^s;MZ(i-1,j-1)^s;MZ(i-1,j)^s];
end;
k=k+1;
end;
end;
MSE(7,s)=(mse/k)^(1/2);
ME(7,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 200:8
%
% Initialisation
%
Teta=[0;0;0];
P=[1,0,0;0,1,0;0,0,1];
%
% calcul
%
for i=1:n-2,
lamda=1;
for j=3:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i,j-2)^s];
end;
end;
%
% Estimation
%
for i=2:n,
for j=n-i+2:n,
if (i==n)&&(j==2),
Phi=[1;Z(i,j-1)^s;0];
else
Phi=[1;Z(i,j-1)^s;Z(i,j-2)^s];
end;
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
Page 156
Annexes
end;
end;
end;
%
% Réserves
%
SR(8,s)=0;
R(8,s,1)=0;
for i=2:n,
R(8,s,i)=Z(i,n)-Z(i,n-i+1);
SR(8,s)=SR(8,s)+R(8,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=1:n-2,
for j=3:n-i+1,
Phi=[1;MZ(i,j-1)^s;MZ(i,j-2)^s];
end;
k=k+1;
end;
end;
MSE(8,s)=(mse/k)^(1/2);
ME(8,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 002:9
%
%
% Initialisation
%
%s=2;
Teta=[0;0;0];
P=[1,0,0;
0,1,0;
0,0,1];
%
% calcul
%
for i=3:n-2,
lamda=1;
for j=2:n-i+1,
Phi=[1;Z(i-1,j)^s;Z(i-2,j)^s];
end;
end;
%
% Estimation
%
Page 157
Annexes
for i=2:n,
for j=n-i+2:n,
if i==2,
Phi=[1;Z(i-1,j)^s;0];
else
Phi=[1;Z(i-1,j)^s;Z(i-2,j)^s];
end;
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%
% Réserves
%
SR(9,s)=0;
R(9,s,1)=0;
for i=2:n,
R(9,s,i)=Z(i,n)-Z(i,n-i+1);
SR(9,s)=SR(9,s)+R(9,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=3:n-2,
for j=2:n-i+1,
Phi=[1;MZ(i-1,j)^s;MZ(i-2,j)^s];
end;
k=k+1;
end;
end;
MSE(9,s)=(mse/k)^(1/2);
ME(9,s)=me/k;
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 202:10
%Initialisation
%
Teta=[0;0;0;0;0];
P=[1,0,0,0,0;
0,1,0,0,0;
0,0,1,0,0;
0,0,0,1,0;
0,0,0,0,1];
%%%%%%%% calcul %%%%%%%%%%%%%%%%%%%%%%%%%%
for i=3:n-2,
lamda=1;
for j=3:n-i+1,
Phi=[1;Z(i,j-1)^s;Z(i,j-2)^s;Z(i-1,j)^s;Z(i-2,j)^s];
Page 158
Annexes
end;
end;
%%%%%%% Estimation %%%%%%%%%%%%%%%%%%%%
for i=2:n,
for j=n-i+2:n,
if j==2,
Phi=[1;Z(i,j-1)^s;0;Z(i-1,j)^s;Z(i-2,j)^s];
elseif i==2,
Phi=[1;Z(i,j-1)^s;Z(i,j-2)^s;Z(i-1,j)^s;0];
else
end;
if Z(i,j)<Z(i,j-1),
Z(i,j)=2*Z(i,j-1)-Z(i,j);
end;
end;
end;
%%%%%%%%%% Réserves %%%%%%%%%%%%%%%%%%%%%
SR(10,s)=0;
R(10,s,1)=0;
for i=2:n,
R(10,s,i)=Z(i,n)-Z(i,n-i+1);
SR(10,s)=SR(10,s)+R(10,s,i);
end;
%
% MSE
%
MZ=Z;
mse=0;
me=0;
k=0;
for i=3:n-2,
for j=3:n-i+1,
end;
k=k+1;
end;
end;
MSE(10,s)=(mse/k)^(1/2);
ME(10,s)=me/k;
end;
%========================================================================
%%%%%%%%%
%%%%%%%%% Affichage %%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
fprintf(fich,'\n\n MSE :\n');
for i=1:10,
fprintf(fich,'\n %3s | ',Met(3*(i-1)+1:3*i));
for j=1:4,
fprintf(fich,'%10.0f ',MSE(i,j));
end;
end;
fprintf(fich,'\n\n ME :\n');
Page 159
Annexes
for i=1:10,
for j=1:4,
fprintf(fich,'%10.0f ',ME(i,j));
end;
end;
fprintf(fich,'\n\n Somme des réserves :\n');
for i=1:10,
for j=1:4,
fprintf(fich,'%10.0f ',SR(i,j));
end;
end;
fclose(fich);
Page 160

Modelisation Stochastique Des Provisions PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelisation Stochastique Des Provisions PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Ecole Nationale Supérieure de Statistique et d’Economie Appliquée, ENSSEA

MODELISATION STOCHASTIQUE DES PROVISIONS

Soutenue le 01 juin 2017, devant le jury composé de :

KHERCHI Hania Présidente Professeur ENSSEA

Année universitaire 2016-2017

Mon cher mari

Mes chers enfants

Mes frères et sœurs.

Mes amies et collègues

Nous considérons dans ce travail un certain nombre de méthodes et modèles de réservation

Mots clés : modélisation stochastiques, provisions techniques, modèle de réservation, assurance

Keywords: stochastic methods, technical provisions, non–life insurance, reserving models,

Tables des Matières

Introduction générale ………………………………………………………………….……… 8

Chapitre 1 : Aspects généraux sur l’assurance …………………………………………….. 15

Chapitre 2 : Provisionnement en assurance non-vie ………………………………………. 27

2.2.1.4. Les catégories de risques ……………………………………………….… 37

Chapitre 3 : Méthodes déterministes pour l’estimation des provisions techniques …….... 45

Chapitre 4 : Méthodes actuarielles stochastiques de provisionnement ……………….….. 61

Conclusion partielle ……………………………………………………………………...…. 71

Chapitre 5 : Modélisation Récursive des réserves ………………………………………….. 72

5.4.3.1. Choix de ˆ1 ………………………………………………………………. 85

Chapitre 6 : Expérimentations numériques …………………………………………..……. 87

Conclusion générale ……………………………………………………………………….… 110

Références ………………………………………………………………………………….… 113

Annexes …………………………………………………………………………………….… 116

La théorie de l’assurance s’inscrit dans le cadre de la théorie des choix en avenir

Depuis la crise des subprimes, le monde de l’assurance connaît un changement

Nous distinguons trois catégories de sinistres :

Hypothèse et objet de la thèse

Le monde de l’assurance connaît un changement réglementaire considérable, les

Une première régulation solvabilité I a montré ses faiblesses face à l’environnement

Face à l’ouverture du marché de l’assurance en Algérie, les institutions financières

entreprises devront se familiariser obligatoirement avec les nouvelles techniques et

L’objectif de cette étude intitulée « modélisation stochastique des provisions techniques

Plusieurs critères à optimiser peuvent être considérés (approche bayésienne, maximum

Le chapitre 1 comporte quelques notions théoriques de l’assurance non-vie, pour mieux

Le chapitre 2 est, quant à lui, consacré au provisionnement en assurance non-vie, sa

Le troisième chapitre sera consacré aux méthodes actuarielles déterministes de

Vylder et la méthode de Bornhuetter-Fergusson déterministe, nous évoquerons les avantages

Dans le chapitre 5 nous parlerons de l’intérêt de la forme récursive des algorithmes

Chapitre 1 : Aspects généraux sur l’assurance

1.1 Histoire de l’assurance

Pour assister à la naissance de l’assurance moderne, il faudra encore attendre le

 La loi des grands nombres : Pascal (1654).

 Augmentation du niveau de vie, apparition de nouveaux biens, développement des

 Recul de la solidarité familiale, généralisation du salariat.

1.2. Définitions et concepts de base de l’assurance

L’opération d’assurance a pour effet le transfert (total ou partiel) des conséquences

1.2.2. Le contrat d’assurance

l’obligation de l’assureur d’indemniser la victime au cas où surviendrait cet évènement incertain.

1.3. Classification des différentes branches d’assurance

1.3.1. Assurance vie

 Au décès d’une personne.

 A une personne vivant un certain temps (assurance mixte, rentes et retraites).

 En cas de blessure ou de maladie (Assurance maladie).

 Assurance en cas de décès :

 Assurance temporaire décès :

 Assurance vie entière :

1.3.2. Assurance non-vie

Les assurances non-vie regroupent :

 Les assurances de choses et de responsabilité qui font partie des assurances de

1.3.2.1. Typologie des différentes assurances non-vie :