Modélisation de séries temporelles, climat, mortalité et incertitude

De nouvelles sources d’open-data rendent possible la quantification de l’impact de nouveaux risques à horizons lointains. En disposant d’informations suffisantes, des modèles de machine learning permettent d’obtenir des prédictions se rapprochant de la réalité. Des modèles de séries temporelles sont eux utilisés lorsqu’on souhaite projeter à différents horizons des données ordonnées. Cependant, ces modèles "classiques" ne permettent pas d’intégrer de variables explicatives. Ainsi, des modèles hybrides tel que Prophet peuvent être envisagés. Les résultats en découlant, bien souvent déterministes, donnent notamment aux actuaires la possibilité d’évaluer l’impact de ces risques émergents. La prise en compte de ces nouveaux risques soulève des interrogations sur la démarche à suivre. Le risque climatique peut rentrer dans cette catégorie et est suivi par les organismes prudentiels, notamment via les stress tests climatiques. Il est pour cela nécessaire de recourir à des modèles en capacité d’intégrer des données représentant des facteurs de risques. Des données open-source de Météo-France, du DRIAS et de l’INSEE, permettent par exemple d’estimer à long terme l’impact du risque climatique sur la mortalité. Cependant, l’incertitude des résultats augmente avec l’horizon de projection. La quantification de cette incertitude, pourtant considérée comme indispensable dans certains domaines, reste secondaire dans le monde de l’actuariat. L’objectif de ce mémoire est de proposer une réponse méthodologique à l’évaluation du risque climatique à long terme. Plus précisément, ce mémoire cherche à mesurer l’impact du climat sur la mortalité à horizon 2050 et à y apporter une estimation de l’incertitude.