Simuler l’imprévisible : Guide sur la génération de scénarios axés sur les pandémies

Par Kailan Shang, AICA

Les pandémies et les épidémies causent des pertes à l’industrie des assurances non seulement en raison des demandes de prestations, mais aussi des perturbations causées aux activités sociales et économiques. Bien qu’il soit difficile de prédire l’avenir, il est important de comprendre les scénarios possibles et de s’y préparer.

Les sociétés d’assurances ont généralement recours à des simulations de crise pour évaluer l’exposition au risque de pandémie. Les scénarios de crise reposent habituellement sur des événements historiques individuels comme la grippe espagnole de 1918 ou sur une analyse élargie de la dynamique des pandémies qui utilise des modèles épidémiologiques comme le modèle SIR (susceptible, infectieux, rétabli) et ses variantes. Toutefois, l’approche de simulation de crise pourrait être insuffisante, car elle ne reflète pas la répartition des pandémies et leurs répercussions financières. Un générateur de scénarios intégré qui comprend les facteurs de risques d’assurance, les facteurs de risques économiques et les facteurs de marché des capitaux peut offrir une vision plus globale des pandémies, avec une structure possible présentée à la figure 1.

Figure 1. Cadre de génération de scénarios axés sur les pandémies

Le générateur de scénarios axés sur les pandémies (GSP) utilise un panier de distributions ajustées pour générer des événements pandémiques, y compris la fréquence, la gravité et la durée. En fonction de leur gravité, les événements pandémiques générés entraîneront alors la production de facteurs macroéconomiques, qui sont ensuite pris en compte dans la production de variables du marché des capitaux comme le rendement des obligations, l’écart de crédit, le taux de défaut et le rendement des actions.

Pour compléter l’actuelle approche de simulation de crise, une analyse des pandémies et des épidémies enregistrées au fil de l’histoire de l’humanité a été entreprise. Plus de 800 événements historiques s’échelonnant sur trois millénaires ont été utilisés pour étudier la fréquence, la gravité et la durée des pandémies/épidémies. La figure 2 montre les 15 maladies qui représentaient 84,5 % des événements historiques enregistrés. Certaines variables, comme la fréquence et la durée, ont des queues droites épaisses et doivent être modélisées au moyen de la théorie des valeurs extrêmes.


Figure 2. Maladies les plus fréquentes

L’impact des pandémies et des épidémies sur un système économique peut être important, comme en témoigne la récente éclosion de COVID‑19. Le ralentissement de l’activité économique, une plus grande volatilité du marché, l’assouplissement des politiques monétaires et fiscales et des relations non linéaires sont tous des phénomènes ayant été couramment observés durant les pandémies.

Selon la fréquence de la modélisation, les méthodes classiques comme les matrices de corrélation et les copules ont montré leurs limites : elles sont incapables de saisir les relations contemporaines et temporelles. Les modèles structurés, comme les modèles vectoriels autorégressifs, peuvent mieux refléter la chaîne d’actions.

Un GSP exhaustif peut simuler des pandémies corrélées de façon non linéaire et des variables économiques. Il fournit des variables simulées pour aider les assureurs à mesurer les répercussions des pandémies sur la sinistralité, la situation financière, les nouvelles polices et d’autres facteurs de risque et de rentabilité de façon holistique. Le GSP peut servir à générer des scénarios stochastiques pour faciliter la quantification et la gestion des risques liés à la pandémie. Des pandémies extrêmes sont intégrées à des scénarios individuels, qui régissent également les comportements du système économique pendant ces événements simulés.

Il est également important d’avoir la souplesse nécessaire pour intégrer différents points de vue sur le risque de pandémie et l’incidence possible d’une pandémie sur le système économique et le secteur des assurances, car les changements structurels peuvent remettre en question la pertinence des résultats historiques. Pour ce faire, il est possible de modifier les données d’entrée pour l’étalonnage du GSP ou d’établir les paramètres directement en fonction d’analyses de remplacement.

Cet article est adapté du document de recherche intitulé Génération de scénarios axés sur les pandémies parrainé par l’ICA avec le code R à source ouverte rendu public à des fins éducatives.