Provisionnement individuel

Katrien Antonio et Richard Plat publient en 2014, dans le Scandinavian Actuarial Journal, un modèle de provisionnement « micro-level » où chaque sinistre est suivi de sa survenance à sa clôture. Chaque brique y est modélisée à part : un délai de déclaration, puis une suite d'événements (paiement, paiement avec clôture, clôture sans paiement), puis des montants. Le triangle agrégé jette tout cela. Il ne voit qu'une somme par case, quand le dossier connaît la nature du dommage, l'avocat constitué, la date de consolidation attendue, le gestionnaire qui le suit. Mario Wüthrich pousse l'idée en 2018 dans le même journal, sous le titre « Machine learning in individual claims reserving ». Il confie à des arbres de régression la prévision des paiements de chaque dossier à partir de ses caractéristiques. L'atout le plus net tient aux changements de mix. Quand la part des dossiers corporels monte, le chain ladder applique des cadences calibrées sur l'ancien mélange, alors que le modèle individuel projette chaque dossier selon ce qu'il est. Les limites, les équipes qui l'ont essayé les connaissent : il faut des historiques de gestion propres et datés, statuts et mouvements de provision compris, ce que peu de systèmes de sinistres gardent sur quinze ans. Et la validation se fait encore contre le triangle, faute de mieux. Un commissaire aux comptes lit un facteur de développement en une minute ; un modèle à plusieurs centaines de paramètres, beaucoup moins vite. D'où son usage fréquent en méthode de contrôle, à côté du triangle. À ne pas confondre avec la provision dossier par dossier, estimation du gestionnaire et non modèle statistique, ni avec le provisionnement stochastique, le plus souvent agrégé.