GLM et méthodes avancées pour la tarification

Les GLM restent le socle de la tarification Non‑Vie, mais ils sont désormais complétés par des méthodes d’apprentissage plus flexibles. R offre un environnement idéal pour comparer ces approches et sécuriser vos décisions tarifaires.

Publié le 23 avril 2026

GLM : la colonne vertébrale de la tarification Non‑Vie

En assurance Non‑Vie, la tarification repose historiquement sur les modèles linéaires généralisés. Ils permettent de relier la prime pure aux caractéristiques du risque, tout en offrant une interprétabilité compatible avec les contraintes réglementaires et de gouvernance.

La démarche classique fréquence × sévérité s’appuie sur :

un GLM de type Poisson ou binomiale négative pour modéliser le nombre de sinistres ;
un GLM Gamma ou log‑normale pour la sévérité ou le coût moyen ;
la combinaison des deux volets pour obtenir la prime pure, avant chargements et ajustements commerciaux.

Les coefficients des GLM se traduisent en relativités tarifaires, faciles à intégrer dans des grilles ou des moteurs de tarification.

Spécification des modèles et choix des variables

La performance des GLM dépend fortement de la spécification :

choix de la fonction de lien (log, logit…) ;
sélection des familles de lois adaptées aux distributions observées ;
prise en compte des interactions pertinentes (par exemple âge × usage, zone × type de bien) ;
gestion des variables catégorielles à forte cardinalité.

Sous R, la fonction glm et les packages spécialisés facilitent ces arbitrages, en permettant de tester rapidement différentes spécifications et de comparer les modèles via des critères comme l’AIC, la déviance ou des mesures de performance prédictive hors échantillon.

Diagnostics et robustesse statistique

Un modèle tarifaire ne se juge pas uniquement à son pouvoir prédictif. Il doit aussi être robuste et explicable. Les diagnostics classiques incluent :

l’analyse des résidus (détection de biais systématiques, hétéroscédasticité) ;
les tests de sur‑dispersion et l’évaluation de la pertinence de la loi choisie ;
l’étude de l’influence des observations extrêmes ;
des backtests sur des périodes ultérieures ou des sous‑portefeuilles spécifiques.

Ces analyses sont essentielles pour éviter les dérives tarifaires, les effets de seuil non maîtrisés ou les problèmes de non‑discrimination indirecte.

Méthodes avancées : boosting, arbres, modèles additifs

Les travaux récents en actuariat montrent un intérêt croissant pour des méthodes plus flexibles :

modèles additifs généralisés pour capturer des effets non linéaires tout en gardant une bonne lisibilité ;
arbres de décision et forêts aléatoires pour explorer des interactions complexes ;
algorithmes de boosting pour optimiser la précision prédictive ;
cadres plus sophistiqués (Gaussian Process, modèles dynamiques, GEE) pour des problématiques spécifiques.

R est particulièrement adapté pour comparer ces approches aux GLM traditionnels, à travers des workflows qui combinent validation croisée, importance des variables et études d’impact sur les primes.

Concilier performance, interprétabilité et conformité

L’enjeu pour les actuaires n’est pas seulement de gagner quelques points de performance, mais de concilier :

précision des primes et stabilité dans le temps ;
interprétabilité des facteurs de risque pour les comités tarifaires ;
conformité réglementaire (traçabilité des modèles, non‑discrimination, documentation).

Une démarche structurée sous R permet de bâtir un « banc d’essai » où GLM et méthodes avancées sont évalués de manière homogène, puis traduits en règles tarifaires opérationnelles. Un accompagnement ciblé, comme une session de travail en modélisation tarifaire sous R, aide à mettre en place ce cadre de comparaison et à sécuriser les choix de modèles.

Sources

STATISTIQUE D’ASSURANCE SOUS « R » – modélisations actuarielles, théorie et pratique — caritat.fr — 2025-06-01
GLM appliqués à la tarification et au provisionnement (formation professionnelle) — caritat.fr — 2022-11-01
Tarification avancée : théorie et applications en R – Chapitre « Tarification en actuariat » — bookdown.org
Comparaison méthodologique d’une optimisation tarifaire en affaire nouvelle — lactuariel.fr — 2019-01-01
Création d’un outil de tarification auto et habitation avec R (projet ESILV) — esilv.fr — 2024-01-01
Tarification IARD – support GLM et méthodes avancées — planchet.net — 2025-06-01
Contributions à l’évaluation des risques en assurance (GLM fréquence des sinistres) — core.ac.uk — 2025-11-01
Segmentation RFM : segmentation et analyse du portefeuille client — business3d.fr — 2024-02-01

Découvrir le Spark lié : Tarification actuarielle et analyse des sinistres avec R