Évaluation double de la performance et de l'équité des modèles d'apprentissage automatique pour la tarification en assurance non-vie

Résumé Un nombre croissant de rapports souligne le potentiel des méthodologies d'apprentissage automatique (ML) par rapport au modèle linéaire généralisé conventionnel (GLM) pour la tarification en assurance non-vie. Parallèlement, les institutions réglementaires nationales et internationales accentuent leur attention sur l'équité tarifaire afin de quantifier et de réduire les différences et discriminations algorithmiques. Cependant, les études approfondies évaluant à la fois la précision tarifaire et l'équité restent rares. Nous proposons une référence du GLM face à des modèles linéaires réguliérisés grand public et à des modèles d'ensemble basés sur des arbres selon deux stratégies populaires de modélisation de distribution (Poisson-gamma et Tweedie), au regard de critères clés incluant le biais d'estimation, la déviance, la différenciation du risque, la compétitivité, les ratios de sinistralité, la discrimination et l'équité. La performance tarifaire et l'équité ont été évaluées simultanément sur les mêmes échantillons d'estimations de primes pour les modèles GLM et ML. Les modèles ont été comparés sur deux ensembles de données d'assurance automobile en accès libre, chacun avec un type de couverture différent (tous risques et responsabilité civile). Aucun modèle ML n’a surpassé tous les critères de tarification et de discrimination, tandis que le GLM a sous-performé significativement pour la majorité d'entre eux. Les résultats indiquent que le ML peut être considéré comme une alternative réaliste et raisonnable aux pratiques actuelles. Nous recommandons que des exercices de benchmarking pour les modèles de prédiction du risque soient réalisés afin d'évaluer à la fois la précision tarifaire et l'équité pour tout portefeuille donné.