Thèse Année : 2025

Contributions to climate risk management in insurance

Contributions à la gestion des risques climatiques en assurance

Résumé

In the context of the current climate crisis, insurance organisations, and more specifically those operating in the life insurance market, are facing significant risks. This thesis aims to provide a deeper understanding of some of these risks, which can materialise in complex ways. In this thesis, we propose tools that contribute to a better assessment of these climate risks and also methodologies for dealing with them in a more resilient way. The first chapter provides an overview of climate stress testing, a new risk management tool. Chapters two and three analyse two shortcomings of current stress tests: the non-volatility projection of financial assets and the limited consideration of extreme physical risks. The first chapter uses Enterprise Risk Management tools to critically analyse scenario-based climate stress testing exercises. Based mainly on the French regulator's 2023 stress test exercise, we highlight and attempt to quantify the various uncertainties throughout the scenario modelling chain, whether in the climate, macroeconomic or financial modules. The weaknesses identified in this analysis provide avenues for improvement for future exercises, with a view to more comprehensive risk management. In particular, this means broadening the risks covered by stress tests, exploring a wider range of scenarios, and understanding climate change in the broader context of environmental, social and governance risks. The second chapter deals with the use of reinforcement learning to construct robust long-term asset allocation strategies. The specificity of this article lies in the integration in the agent's state space of an estimate of a process modelled by a hidden Markov chain (HMM) and climate indices. HMMs have been shown to be robust for modelling long-term financial series, and climate risk has an impact on the dynamics of financial assets. The relevance of the algorithm is assessed by means of a test on financial data. The aim of this work is to gain a better understanding of the modelling of time series with HMMs and to propose an algorithm for resilient and efficient investment in markets that will be subject to periods of crisis in the context of a climate crisis. The third chapter focuses on analysing the impact of extreme heat waves on mortality in order to understand the physical risk from a short-term stress test perspective. In this chapter, an unsupervised learning approach is used to construct geographical areas that share a similar vulnerability to heat waves. Actuarial models are used to calculate a theoretical number of deaths at a fine scale and a machine learning algorithm, adapted to Poisson distribution modelling, is then used to understand how climatic factors affect observed mortality and its deviation from theoretical mortality. This algorithm can be used to construct a link function between environmental factors and the excess mortality measured. By drawing on the climate literature on heat extremes, it is possible to extrapolate the results and quantify the mortality distortion associated with these extremes. The associated mortality shock is compared with the assumptions of the ACPR stress test. The aim of the article is to propose a methodology based on open source data, so that insurance companies can use it in a short-term climate stress test.

Dans le contexte de la crise climatique actuelle, les organismes d'assurance, et plus particulièrement ceux opérant sur le marché de l'assurance vie, se trouvent confrontés à des risques significatifs. Cette thèse a pour objectif de fournir une compréhension plus approfondie de certains de ces risques qui peuvent se matérialiser de manière complexe. Nous proposons dans cette thèse des outils qui contribuent à une meilleure évaluation de ces risques climatiques et également des méthodologies pour y faire face de manière plus résiliente. Le premier chapitre offre une vue d'ensemble sur les stress-tests climatiques, nouvel outil de gestion des risques. Les chapitres deux et trois analysent deux lacunes des stress-tests actuels : la projection sans volatilité des actifs financiers et la prise en compte limitée des risques physiques extrêmes. Le premier chapitre mobilise les outils de l'Enterprise Risk Management pour analyser de manière critique les exercices de stress tests climatiques basés sur des scénarios. En s'appuyant principalement sur l'exercice de stress test 2023 du régulateur français, nous mettons en évidence et tentons de quantifier les différentes incertitudes tout au long de la chaîne de modélisation des scénarios, que ce soit sur les modules climatiques, les modules macroéconomiques ou les modules financiers. Les points faibles identifiés dans cette analyse fournissent des pistes d'amélioration pour les exercices futurs, en vue d'une gestion plus globale du risque. Cela passe notamment par : l’élargissement des risques couverts par les stress tests, l’exploration d’une palette plus large de scénarios, l’appréhension du climat dans le cadre plus large des risques environnementaux, sociaux et de gouvernance. Le deuxième chapitre traite de l'utilisation de l'apprentissage par renforcement pour construire des stratégies d'allocation d'actifs robustes à long terme. La spécificité de cet article réside dans l'intégration dans l'espace d'état de l'agent d'une estimation d'un processus modélisé par une chaîne de Markov cachée (HMM, Hidden Markov Model) et d’indices climatiques. Les HMM se sont en effet montrés robustes pour la modélisation à long terme des séries financières, et le risque climatique a des impacts sur les dynamiques des actifs financiers. L'évaluation de la pertinence de l'algorithme s'effectue par le biais d'un test sur des données financières. L'objectif de ce travail est de mieux comprendre la modélisation des séries temporelles avec des HMM et de proposer un algorithme permettant d'investir de manière résiliente et performante dans des marchés qui seront soumis à des périodes de crise dans un contexte de crise climatique. Le troisième chapitre porte sur l'analyse de l'impact des vagues de chaleur extrêmes sur la mortalité pour appréhender le risque physique dans une optique de stress test à court terme. Dans ce chapitre, une approche par apprentissage non supervisé est utilisée pour construire des zones géographiques qui partagent une vulnérabilité similaire aux vagues de chaleur. Des modèles d’actuariat sont utilisés pour calculer un nombre de décès théorique à une maille fine et un algorithme de machine learning, adapté à la modélisation de la loi de Poisson, est ensuite utilisé pour comprendre comment les facteurs climatiques affectent la mortalité observée et son écart à la mortalité théorique. Cet algorithme permet ainsi de construire une fonction de lien entre les facteurs environnementaux et la surmortalité mesurée. En s'appuyant sur la littérature climatique concernant les extrêmes de chaleur, il est possible d'extrapoler les résultats et de quantifier la déformation de la mortalité associée à ces extrêmes. Le choc de mortalité associé est comparé aux hypothèses du stress test de l'ACPR. L'article vise à proposer une méthodologie fondée sur des données en open source, afin que les organismes d'assurance puissent l'utiliser dans un exercice de stress test climatique à court terme.

Fichier principal
Vignette du fichier
TH2025RAYNALETIENNE.pdf (9.08 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05218990 , version 1 (22-08-2025)

Licence

Identifiants

  • HAL Id : tel-05218990 , version 1

Citer

Etienne Raynal. Contributions à la gestion des risques climatiques en assurance. Gestion et management. Université Claude Bernard - Lyon I, 2025. Français. ⟨NNT : 2025LYO10081⟩. ⟨tel-05218990⟩
559 Consultations
736 Téléchargements

Partager

  • More