📊 statistics

Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

Cet article explore les propriétés du concept de multicalibration pour concilier équilibre financier et équité dans la tarification des assurances non-vie, en proposant des méthodes pratiques d'implémentation et en les illustrant par une étude de cas sur des données d'assurance automobile.

Auteurs originaux : Michel Denuit, Marie Michaelides, Julien Trufin

Publié 2026-03-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Michel Denuit, Marie Michaelides, Julien Trufin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🍎 Le Problème : La Balance du Marché et l'Injustice

Imaginez un grand marché où l'on vend des assurances. Chaque vendeur (l'assureur) doit fixer un prix pour chaque client.

L'équilibre financier (La Balance) :
Pour que le marché fonctionne, l'argent récolté doit couvrir les dégâts. Si vous vendez 100 pommes à 1€ chacune, vous devez avoir assez d'argent pour payer les 100 pommes abîmées. En assurance, cela s'appelle l'autocalibration.
- Le problème : Parfois, les ordinateurs (les algorithmes) sont si intelligents qu'ils font des prix "trop parfaits" ou "trop approximatifs". Résultat : les gens qui paient le même prix ne subissent pas exactement les mêmes pertes en moyenne. C'est comme si, dans un groupe de 10 amis qui paient tous 10€ pour un dîner, l'un d'eux mangeait pour 50€ et un autre pour 2€. Ce n'est pas juste pour le groupe !
L'équité (La Justice) :
Maintenant, imaginons que l'on veuille être juste avec des groupes spécifiques (par exemple, les hommes et les femmes, ou les personnes en bonne santé et celles avec un handicap).
- Le dilemme : Si on interdit de regarder le sexe pour fixer le prix (comme en Europe), l'ordinateur va quand même utiliser des indices indirects (ex: "les hommes conduisent des voitures plus puissantes"). Résultat : les hommes paient plus cher indirectement. C'est une discrimination cachée.
- La solution idéale : On veut que, si deux personnes paient le même prix, elles aient exactement le même risque moyen, peu importe leur groupe (sexe, santé, etc.). C'est ce qu'on appelle la multicalibration.

🎯 La Solution : La "Multicalibration" (Le Chef Cuisinier)

L'article propose une méthode pour corriger les prix afin qu'ils soient à la fois équilibrés (l'argent rentre = l'argent sort) et justes (pas de discrimination cachée).

Imaginez un Chef Cuisinier (l'assureur) qui prépare un grand buffet :

Le plat initial (Le prix de base) : Le cuisinier a préparé un plat, mais il est un peu salé pour les uns et trop fade pour les autres.
L'ajustement (La correction) : Au lieu de juste mélanger tout le monde, le cuisinier regarde chaque table (chaque groupe de clients).
- Il dit : "Sur la table des 'Jeunes', le plat est trop salé. Je vais enlever du sel."
- Il dit : "Sur la table des 'Sénior', le plat est trop fade. Je vais ajouter du sel."
- Le but : À la fin, si deux personnes mangent le même plat (paient le même prix), elles doivent avoir exactement la même expérience gustative (le même coût réel), qu'elles soient à la table des Jeunes ou des Sénior.

🛠️ Comment ça marche en pratique ? (Les Outils)

Les auteurs proposent deux méthodes pour que le cuisinier ajuste son plat :

La méthode des "Bacs" (Pour les groupes distincts) :
Imaginez que vous séparez les clients dans des bacs (ex: Bac A, Bac B). Vous regardez ce qui se passe dans chaque bac. Si le Bac A perd de l'argent, vous augmentez un peu le prix pour tout le monde dans ce bac, mais vous le faites de manière très précise pour ne pas casser l'équilibre global. C'est comme ajuster le volume de la musique dans chaque pièce d'une maison séparément.
La méthode "Iterative" (Le réglage fin) :
C'est comme régler une radio. Vous écoutez, vous entendez un bruit (une injustice), vous tournez un peu le bouton, vous réécoutez. Vous recommencez jusqu'à ce que le son soit parfait partout. L'ordinateur ajuste les prix petit à petit, en tenant compte de la "crédibilité" (si on a peu de données pour un groupe, on ne change pas trop le prix pour ne pas faire d'erreur).

🚗 L'Exemple Concret : L'Assurance Auto

Les auteurs ont testé leur méthode sur des données réelles d'assurance auto en France.

Le groupe sensible : L'âge du véhicule (Véhicule jeune vs Véhicule vieux).
Le résultat :
- Avant la correction : Les jeunes voitures et les vieilles voitures qui payaient le même prix n'avaient pas le même nombre de pannes. C'était injuste.
- Après la correction (Multicalibration) : Les prix ont été ajustés. Maintenant, si vous payez 500€, que vous ayez une voiture de 2 ans ou de 10 ans, l'assureur s'attend à payer exactement 500€ de réparations en moyenne.
- Le bonus : En rendant le système plus juste, l'assureur a aussi gagné en précision ! Le prix correspond mieux à la réalité.

💡 En Résumé

Cette paper dit : "Pour être juste et rentable, ne vous contentez pas de fixer un prix moyen. Vérifiez que ce prix est juste pour chaque petit groupe de clients, même si vous ne pouvez pas utiliser certains critères (comme le genre) directement."

C'est comme si l'assureur disait : "Je ne regarde pas si vous êtes un homme ou une femme pour vous facturer. Mais je m'assure que, si vous payez le même prix que votre voisin, vous avez exactement le même risque de faire un accident, peu importe qui vous êtes."

C'est une façon de rendre l'assurance transparente, équitable et mathématiquement solide.

1. Problématique et Contexte

L'article aborde deux défis majeurs dans la tarification de l'assurance non-vie :

L'équilibre financier (Autocalibration) : Il est crucial que les primes collectées d'un groupe de assurés payant le même montant couvrent, en moyenne, les sinistres de ce groupe. Les modèles d'apprentissage automatique (forêts aléatoires, réseaux de neurones) produisent souvent des primes qui s'écartent de cette condition d'équilibre global et local.
L'équité (Fairness) : La discrimination, directe ou indirecte (via des variables proxy), est un enjeu légal et éthique (ex: interdiction du genre dans l'UE). Cependant, certaines variables sensibles (comme l'état de santé ou le statut de handicap) peuvent être utilisées légalement mais doivent l'être de manière responsable.

Le problème central est de concevoir des primes commerciales qui soient à la fois autocalibrées (équilibre financier) et équitables par rapport à une variable sensible $S$ , sans nécessairement interdire l'utilisation de $S$ dans le calcul, mais en garantissant que son usage ne crée pas de biais systématique défavorable pour certains groupes.

2. Concepts Théoriques Fondamentaux

Les auteurs unifient les concepts d'autocalibration et d'équité via la notion de multicalibration.

Autocalibration : Une prime $\pi(X)$ est autocalibrée si $E[Y | \pi(X) = p] = p$ . Cela signifie que pour tout niveau de prime $p$ , le sinistre moyen $Y$ est égal à $p$ .
Équité (Suffisance faible) : Basée sur l'indépendance conditionnelle de la moyenne. Une prime est équitable par rapport à une variable sensible $S$ si $E[Y | \pi(X) = p, S = s] = E[Y | \pi(X) = p, S = s']$ pour tout $s, s'$ . Autrement dit, à prime égale, le rendement attendu est identique quel que soit le groupe $S$ .
Multicalibration : C'est la combinaison des deux. Une prime est multicalibrée par rapport à $S$ si :
$E[Y | \pi(X) = p, S = s] = p \quad \forall p, s$
Cela implique que l'équilibre financier est respecté au sein de chaque sous-groupe défini par la variable sensible, et pas seulement globalement.

Propriétés clés :

La multicalibration renforce l'autocalibration.
Le prix « pur » théorique $\mu(X) = E[Y|X]$ est intrinsèquement multicalibré.
Les prédicteurs multicalibrés évitent le surajustement (overfitting) et sont dominants au sens de l'ordre convexe par rapport aux primes non calibrées.

3. Méthodologie : Correction Multibalance

Pour transformer une prime candidate $\pi(X)$ (souvent issue d'un modèle ML) en une prime multicalibrée, les auteurs proposent la correction multibalance (multibalance correction).

Définition : La prime corrigée est définie comme l'espérance conditionnelle :
$\pi_{mbc}(X) = E[Y | \pi(X), S]$
Avantage : Cette opération garantit mathématiquement la multicalibration et améliore la précision de la prédiction (réduction de la perte de Bregman, comme la déviance de Poisson).

Implémentation Pratique

L'article propose deux approches selon la nature de la variable sensible $S$ :

A. Cas de $S$ catégorielle (ex: groupes d'âge)

Correction directe par régression isotonique : Pour chaque niveau $\ell$ de $S$ , on estime la fonction de correction $m_\ell(p) = E[Y|\pi(X)=p, S=\ell]$ via une régression isotonique pondérée (contrainte de croissance). La prime finale est $\hat{\pi}_{mbc}(X) = \hat{m}_{S}( \pi(X) )$ .
Correction itérative avec régularisation (Crédibilité) : Une procédure itérative qui ajuste la prime bin par bin.
- On calcule les résidus moyens par cellule $(bin, S)$.
- On applique un lissage de type crédibilité (Bühlmann-Straub) : si l'exposition d'une cellule est faible, on rétracte l'estimation vers la moyenne globale du bin.
- Cela stabilise les corrections dans les zones de données rares.

B. Cas de $S$ continue (ex: âge exact du véhicule)

GLM local bivarié : Estimation de la surface conditionnelle $E[Y | \pi(X)=p, S=s]$ via un GLM local pondéré dans l'espace joint $(\pi, S)$ .
Étape de centrage : Pour préserver l'autocalibration marginale (globale), une étape de centrage est ajoutée pour s'assurer que la moyenne des corrections à un niveau de prime donné est nulle.
Procédure itérative régularisée : Similaire au cas catégoriel, mais utilisant des poids de crédibilité basés sur la densité locale de données dans l'espace continu $(\pi, S)$ .

4. Résultats Numériques (Étude de Cas)

L'étude utilise un portefeuille d'assurance automobile (MTPL) français (données freMTPL2freq). La variable sensible testée est l'âge du véhicule ($VehAge$), soit sous forme discrète (3 classes), soit continue.

Comparaison des modèles :

Baseline : Modèle GAM de Poisson initial (non calibré).
Autocalibration : Correction globale (équilibre global uniquement).
Multicalibration : Correction conditionnelle à $S$ (équilibre global + équilibre par groupe $S$ ).

Performance (sur jeu de test) :

Déviance (Précision) : La multicalibration obtient systématiquement la déviance la plus faible, surpassant même l'autocalibration simple. Cela contredit l'idée reçue que l'équité se fait au détriment de la précision. En réalité, corriger les biais structurels améliore la prédiction.
Pouvoir discriminatoire (Gini) : Tous les modèles calibrés améliorent le Gini par rapport au modèle de base. Les modèles non itératifs (correction isotonique directe) tendent à avoir un Gini légèrement supérieur, tandis que les méthodes itératives offrent une meilleure adéquation (déviance).
Visualisation des résidus :
- Le modèle de base présente des biais monotones (sous-estimation des primes élevées).
- L'autocalibration élimine le biais global mais laisse des écarts significatifs entre les groupes d'âge (biais conditionnel).
- La multicalibration élimine à la fois le biais global et les écarts entre les groupes, rendant les courbes de résidus plates et alignées sur zéro pour tous les groupes.

5. Contributions Clés et Signification

Unification Théorique : L'article établit un lien formel entre l'équité de groupe (suffisance faible) et l'équilibre financier (autocalibration) via le concept de multicalibration, adapté spécifiquement au contexte actuariel où la réponse $Y$ est continue (sinistres) et non binaire.
Méthodologie Pratique : Propose des algorithmes concrets (régression isotonique, GLM local, itérations avec crédibilité) pour implémenter la multicalibration, gérant aussi bien les variables sensibles discrètes que continues.
Inversion du compromis Équité/Précision : Contrairement à la littérature classique en ML où l'équité dégrade souvent la performance prédictive, les auteurs démontrent que dans le contexte de l'assurance, forcer la multicalibration améliore la précision du modèle. Cela s'explique par le fait que les modèles ML bruts souffrent souvent de déséquilibres structurels que la multicalibration corrige.
Gestion des Variables Sensibles : Offre un cadre pour utiliser des variables sensibles (comme le statut de santé) de manière responsable, en prouvant que leur inclusion ne crée pas de discrimination systémique au sein des tranches de prime.

Conclusion :
La multicalibration n'est pas seulement une contrainte éthique, mais un outil d'amélioration de la qualité actuarielle. Elle garantit que l'assureur ne subventionne pas involontairement certains groupes au détriment d'autres, tout en produisant des primes plus précises et plus robustes.