Modélisation des risques climatiques en cascade.
Une approche par graphes acycliques dirigés (DAG) pour la réassurance
Source : Karimi, N. et al. (2026). Cascading climate risk network for multi-peril reinsurance. arXiv.
Sommaire : Le modèle Cascading Climate Risk Network (CCRN) surmonte les limites des copules statiques en modélisant la propagation causale des risques climatiques via des Graphes Acycliques Dirigés (DAG). Il dissocie le conditionnement climatique annuel de la cascade physique intra-événementielle. Cette approche offre une transparence causale sur les enchaînements d'aléas (ex. : aridité → incendie → coulée de débris), une précision accrue sur les pertes extrêmes (VaR et TVaR à 99,5 %) pour la tarification des tranches hautes de réassurance, et une robustesse théorique fondée sur la monotonie, essentielle au stress-testing réglementaire et à la gestion du capital.
1. Introduction : Au-delà des limites des modèles de dépendance statiques
La modélisation de la dépendance dans les portefeuilles multi-périls représente un défi structurel majeur. Si les approches par copules offrent une flexibilité reconnue pour séparer les lois marginales de leur structure de dépendance, elles échouent souvent à capturer les séquences d'événements physiquement ordonnées et les dépendances d'état.
Il est impératif de distinguer la dépendance statistique classique (coïncidence d'événements dans une fenêtre temporelle) de la propagation physique ordonnée (triggering). Par exemple, une aridité accrue des combustibles modifie la susceptibilité aux incendies, lesquels altèrent la stabilité des sols, facilitant ainsi des coulées de débris lors de précipitations intenses ultérieures. Le modèle Cascading Climate Risk Network (CCRN) répond à cette problématique en séparant explicitement le conditionnement climatique à l'échelle calendaire annuelle de la propagation physique à l'échelle de l'événement, évitant ainsi la confusion entre variabilité climatique et causalité matérielle.
2. Architecture du modèle CCRN
Le cadre CCRN repose sur un Graphe Acyclique Dirigé (DAG), noté G = (V, Eₚₕᵧₛ), où les nœuds représentent les composantes d'exposition aux périls et les arêtes les transitions mécaniquement admissibles. Cette structure permet de modéliser des chaînes de causalité complexes (ex. : aridité → incendie → coulée de débris).
L'architecture distingue deux échelles temporelles :
- L'état climatique annuel (y) : Fixé pour l'année de contrat, il influence les probabilités d'occurrence et les drivers physiques.
- La cascade physique au sein de l'événement (r) : Représente la propagation des chocs au cours de l'événement, stabilisée après un nombre fini d'étapes.
La construction du modèle suit une récursion en quatre étapes :
- Aléas de bordure conditionnés par le climat : Définition des probabilités de transition entre nœuds.
- États d'occurrence : Indicateurs binaires Zⱼ⁽ʳ⁾ ∈ {0, 1} de réalisation du péril.
- Sévérité conditionnelle : Magnitude physique normalisée Sⱼ⁽ʳ⁾ ∈ [0, 1] une fois le péril déclenché.
- Récursion de propagation : Mise à jour des états jusqu'à la clôture de la cascade.
3. Fondements mathématiques et propriétés analytiques
La probabilité de déclenchement d'une arête (wᵢⱼ,ₖ) est modélisée par une relation complementary log-log, garantissant des probabilités bornées :
wᵢⱼ,ₖ(y) = 1 − (1 − p₀ᵢⱼ,ₖ)ᵉˣᵖ[βᵢⱼ zₖ(y) + γᵢⱼᵀ cₖ(y)]
Où p₀ᵢⱼ,ₖ est la probabilité de base, zₖ(y) l'anomalie climatique et βᵢⱼ le coefficient de sensibilité climatique.
La sévérité physique est régie par une fonction de réponse normalisée Ψⱼ(x), basée sur une fonction logistique :
Ψⱼ(x) = [σ(kⱼ(x − θⱼ)) − σ(−kⱼθⱼ)] / [σ(kⱼ(1 − θⱼ)) − σ(−kⱼθⱼ)]
Ici, x représente un index de stress physique normalisé (et non une probabilité). Le paramètre de seuil θⱼ définit le niveau de stress requis pour activer la sévérité, tandis que la pente kⱼ contrôle la transition vers la sévérité maximale.
Théorèmes de convergence et de stabilité
Le Théorème 2.2 démontre que sur un DAG fini, la cascade atteint une clôture unique (Z*, S*) en un nombre fini d'étapes H (profondeur maximale du graphe). Pour le pilotage des risques, le Théorème 2.6 établit une monotonie pathwise : sous réserve d'utiliser des Nombres Aléatoires Communs (CRN), toute augmentation des facteurs de stress (aléas, sévérité, drivers climatiques) entraîne une augmentation non-décroissante de la perte finale. Cette propriété est fondamentale pour le stress-testing, car elle permet de garantir que l'évaluation aux bornes supérieures d'un ensemble rectangulaire constitue effectivement un majorant robuste de la perte.
4. Transformation financière et agrégation contractuelle
Le passage de la sévérité physique à la perte financière intègre un mécanisme de Demand Surge (inflation des coûts par pénurie de ressources). Cette inflation est appliquée sur l'échelle des odds via l'équation :
Lⱼ(S*) = λⱼ [Bⱼ(S*) dⱼ(S*)] / [1 + (Bⱼ(S*) − 1) dⱼ(S*)]
Cette formulation est critique : elle garantit que les pertes restent bornées par la capacité maximale modélisée (λⱼ), même si le multiplicateur de surge Bⱼ(S*) tend vers l'infini.
Pour les contrats de type Annual Aggregate, la perte cédée (Lᵣ,ᵧ) est calculée sur la base de la perte agrégée brute de l'année (Lₐₙₙ,ᵧ), avec une franchise (D) et une limite (M) :
Lᵣ,ᵧ = min{(Lₐₙₙ,ᵧ − D)⁺, M}
5. Analyse comparative et résultats numériques
À une anomalie climatique de ΔT = 1,2°C, les mesures de queue de distribution révèlent des divergences marquées entre les structures de dépendance, alors que les primes pures sur les tranches basses restent similaires.
Modèle | VaR 99.5% (Mrd USD) | TVaR 99.5% (Mrd USD) | |
|---|---|---|---|
Copule Gaussienne | 3,701 (0,008) | 4,443 (0,028) | |
Copule de Student (ν=5) | 4,049 (0,022) | 5,016 (0,030) | |
CCRN | 3,748 (0,009) | 4,759 (0,034) |
L'analyse de la structure de capital (Table 8) montre que le choix du modèle devient critique pour les couches de queue. Pour un contrat de type High-Layer (Attachement 3.0, Limite 2.0), la prime pure du CCRN (0,64%) et celle de la copule de Student (0,74%) sont significativement supérieures à celle de la copule Gaussienne (0,57%). Ce découplage souligne l'importance de capturer la dépendance de queue induite par la physique du DAG pour le provisionnement du capital de solvabilité.
6. Facteurs de risque et analyse de sensibilité
L'étude d'ablation identifie la propagation directionnelle comme le moteur prédominant du risque de queue. Sans cette composante, les métriques d'attachement et de perte s'effondrent (Table 11), démontrant que la cascade est le facteur premier d'accumulation.
La sensibilité "One-at-a-time" (Table 12) classe les paramètres par impact sur la prime pure :
- Probabilité de bordure (Aridité → Incendie) : ± 25,0% à 26,6%. Ce lien est la racine (root) de la cascade, expliquant sa dominance.
- Fréquence annuelle des événements : ± 21,0%.
- Coefficient climatique de la bordure : ± 11,9% à 14,1%.
- Pente de la réponse en sévérité : -13,5% à +7,3%
L'impact climatique transite par deux canaux. Si la propagation interne est sensible au climat, c'est le canal de fréquence (Λᵧ) qui présente l'effet amplificateur le plus marqué sur la prime pure à mesure que ΔT augmente (Figure 5).
7. Incertitude et validation du modèle
Le modèle distingue la variation intrinsèque du processus Monte Carlo de l'incertitude combinée des paramètres (Table 14). Pour la TVaR 99.5%, l'intervalle de confiance à 90% s'élargit de [4,586 ; 5,032] (Monte Carlo seul) à [4,017 ; 5,589] une fois l'incertitude paramétrique intégrée, soulignant que la précision de simulation ne doit pas être confondue avec la robustesse prédictive.
La comparaison avec un benchmark de type Static Bayesian Network (Table 15) démontre l'infériorité des approches statiques discrétisées. Le réseau bayésien statique sous-estime systématiquement la TVaR (4,688 Mrd vs 4,836 Mrd pour le CCRN) en raison de la discrétisation des états parents et du lissage des dépendances extrêmes inhérentes aux variables physiques continues.
8. Conclusion technique
Le cadre CCRN apporte trois avantages stratégiques pour la réassurance :
- Transparence causale : Les chemins de propagation sont explicitement identifiés, permettant un audit scientifique des scénarios.
- Précision des queues : Le modèle capture des structures de dépendance d'état que les modèles statiques tendent à lisser, particulièrement sur les tranches de capital élevées.
- Robustesse mathématique : La propriété de monotonie pathwise sécurise l'utilisation du modèle pour le cadre réglementaire de stress-testing.
En isolant les leviers physiques du risque, le CCRN permet une tarification et une gestion du capital ajustées aux réalités dynamiques du changement climatique.
