Source : Heranval et al. (2026). A Wasserstein GAN‑based climate scenario generator for risk management and insurance: the case of soil subsidence. arXiv

Sommaire : Cet article analyse une recherche qui présente SwiGAN, un cadre d'intelligence artificielle conçu pour simuler l'évolution des risques climatiques, particulièrement la sécheresse géotechnique en France jusqu'en 2050. En s'appuyant sur des réseaux antagonistes génératifs (GAN) de type Wasserstein, les auteurs modélisent l'indice d'humidité des sols afin d'anticiper les futurs dommages liés à la subsidence. Cette approche innovante transforme les données météorologiques en cartes spatio‑temporelles réalistes, permettant de capturer des événements extrêmes souvent ignorés par les modèles classiques. L'objectif principal est d'aider le secteur de l'assurance à adapter ses stratégies de gestion des risques face à l'augmentation des coûts des catastrophes naturelles. En intégrant divers scénarios d'émissions de gaz à effet de serre, l'outil offre une vision précise de la vulnérabilité des territoires. Cette méthodologie flexible peut également s'appliquer à d'autres périls climatiques pour renforcer la résilience financière à long terme.

1. Introduction : Le dépassement de l'horizon de solvabilité traditionnel

L'accélération systémique des périls climatiques impose une mutation profonde des paradigmes actuariels. Selon l'UNDRR (2025), le coût annuel moyen des catastrophes naturelles a basculé d'une fourchette de 70‑80 milliards USD (1970‑2000) à une moyenne de 180‑200 milliards USD sur la période 2001‑2020. Dans ce contexte, le cadre prudentiel Solvabilité II, dont l'horizon de risque est calibré à un an, s'avère structurellement inadapté pour capturer les dérives de long terme. Des organismes tels que l'IFoA et le WWF soulignent l'urgence de développer des stratégies de résilience dépassant les cycles réglementaires classiques.

Pour répondre à cette exigence, les travaux de Heranval et al. (2026) introduisent une rupture méthodologique. L'enjeu n'est pas seulement d'étendre l'horizon de projection à 2050, mais de résoudre l'impasse computationnelle des modèles physiques traditionnels. Ces derniers ne permettent qu'un nombre restreint de réplications (quelques dizaines), un volume statistiquement insuffisant pour estimer avec robustesse les quantiles extrêmes. En revanche, l'approche par réseaux antagonistes génératifs permet de simuler les milliers de trajectoires nécessaires au calcul d'une Value‑at‑Risk (VaR) à 99,5 % conforme aux exigences de gestion des risques extrêmes.

2. La problématique du Retrait‑Gonflement des Argiles (RGA) en France

Le marché français de l'assurance est confronté à une dérive alarmante de la sinistralité liée à la sécheresse géotechnique. Le coût moyen annuel est passé de 400 millions d'euros sur la période 1989‑2015 à 1 milliard d'euros entre 2016 et 2020. L'exercice 2022 a marqué un point de rupture avec une sinistralité record de 3,5 milliards d'euros, menaçant l'équilibre du régime des Catastrophes Naturelles (CatNat).

Le déclencheur de ce régime repose sur l'indice Uniform SWI (Soil Wetness Index) de Météo‑France, qui modélise l'état des réserves hydriques du sol sur une profondeur de deux mètres. Si cet indice est un prédicteur puissant de la fréquence et de la sévérité des sinistres, son utilisation prospective par des modèles physiques est limitée par des coûts de calcul prohibitifs. Cette rareté des scénarios empêche une lecture fine de la volatilité interannuelle et des risques de queue, rendant indispensable l'usage de générateurs de scénarios synthétiques performants.

3. Architecture SwiGAN : Une approche par Réseaux Antagonistes Génératifs

Le modèle SwiGAN s'appuie sur une architecture Conditional Wasserstein GAN avec pénalité de gradient (WGAN‑GP). Cette approche minimise la distance de Wasserstein entre les distributions réelles et simulées, évitant ainsi les instabilités de convergence et le phénomène de « mode collapse ».

Composants et innovations techniques

L'architecture intègre des mécanismes de pointe pour assurer la cohérence physique des sorties :

• Générateur UNet optimisé : Outre sa structure classique d'encodage/décodage et ses skip connections, le générateur intègre des modules scSE (Concurrent Spatial and Channel‑wise Squeeze and Excitation). Ces blocs d'attention permettent au modèle de prioriser les caractéristiques pertinentes simultanément sur les plans spatiaux et par canal, améliorant la sensibilité globale du réseau.
• Stochastic Depth : Pour stabiliser l'apprentissage d'un réseau profond, une probabilité de survie iᶩ est appliquée aux blocs résiduels, réduisant le risque de disparition du gradient.
• Mémoire du sol et paramètre de latence : Le modèle intègre un paramètre de lag (u=8). Cette fenêtre temporelle permet de capturer la "mémoire" hydrique du sol (cycles de recharge et de déstockage), un élément critique puisque l'état d'humidité à l'instant t dépend fortement des précipitations accumulées sur les mois précédents.
• Structure discriminatrice hybride : Le discriminateur combine un frame discriminator (réalisme global de la carte) et un patch discriminator (PatchGAN). Ce dernier évalue le réalisme local par « tuiles », garantissant que les micro‑variations géographiques de la sécheresse restent cohérentes avec les typologies de sol locales.
• Stabilisation par Differentiable Augmentation : L'utilisation de translations et de cutouts différentiables permet d'entraîner le modèle sur des jeux de données limités sans que le discriminateur ne sombre dans le surapprentissage.

4. Données et Paramètres de l'étude (Région Grand Est)

La région Grand Est (57 430 km²) a été choisie pour sa vulnérabilité géologique (sols argileux) et climatique. Le modèle est entraîné sur la grille SAFRAN de 8 km x 8 km (1 628 pixels), à un pas de temps mensuel.

Onze covariables météorologiques issues du modèle SICLIMA sont exploitées pour conditionner la génération :

• huss (humidité spécifique) ;
• prtot_max, prtot_avg, prtot_sum (précipitations mensuelles) ;
• rlds / rsds (rayonnements ondes longues et courtes) ;
• tas, tasmax, tasmin (températures de l'air) ;
• evspsblpot (évapotranspiration potentielle de Penman‑Monteith).

5. Performance et Validation du Modèle

Le SwiGAN démontre une robustesse statistique élevée sur la période de test. Environ 80 % des pixels présentent un RMSE inférieur à 0,16 (maximum 0,21). Concernant l'erreur relative, le SMAPE affiche un maximum de 33,83 %, avec 80 % de la distribution située sous le seuil de 25,59 %. Les dynamiques temporelles sont fidèlement reproduites, comme en témoignent un R² de 0,83 et un coefficient de corrélation ρ atteignant 0,91.

Une baisse de performance est toutefois observée dans les massifs des Vosges et des Ardennes. Cette divergence s'explique par la rareté des données représentatives des zones de haute altitude et la complexité des dynamiques neigeuses. Les interactions spécifiques entre température et élévation créent des effets atypiques sur l'humidité du sol que les modèles globaux peinent à capturer sans une densification des données locales.

6. Projections à l'horizon 2050 et Impacts Assurantiels

L'analyse des 1 000 trajectoires simulées sous les scénarios RCP 4.5 et RCP 8.5 révèle une dégradation marquée des indices de sécheresse d'ici 2050, particulièrement sous la trajectoire RCP 8.5, qui s'impose de plus en plus comme le scénario de référence observé.

Analyse SHAP et déterminants physiques

La méthode SHAP (Shapley Additive Explanations) met en lumière la hiérarchie des facteurs de risque :

1. Températures maximales (tasmax) : Le levier principal de la variabilité de l'indice.
2. Températures minimales (tasmin) : Facteur de stress nocturne limitant la récupération hydrique.
3. Évapotranspiration (evspsblpot) : Moteur du déstockage d'eau. L'étude confirme que les précipitations mensuelles directes ont une importance relative moindre que les variables de température, validant l'hypothèse de la prédominance de la "mémoire" du sol et de l'évapotranspiration dans la genèse des épisodes de sécheresse profonde.

Le paradoxe du « Protection Gap » et du régime CatNat

Un enseignement actuariel majeur de l'étude réside dans l'évolution de l'éligibilité CatNat. Si les simulations montrent des pics de pertes dépassant 100 millions d'euros pour le Grand Est (avec une VaR 99,5 % proche de 200 millions d'euros), une baisse apparente des pertes éligibles est observée après 2042.

Ce phénomène ne traduit pas une amélioration du climat, mais un effet de seuil réglementaire. Le système CatNat français repose sur des benchmarks historiques. À mesure que les conditions de sécheresse extrême deviennent la norme, le seuil de reconnaissance de « catastrophe » se déplace vers le haut. Ce décalage des référentiels risque de creuser un important trou de protection (insurance protection gap) : le coût physique pour les ménages restera élevé, mais la probabilité que les communes atteignent le seuil d'éligibilité relative diminuera, transférant de fait le risque de l'assureur vers l'assuré.

7. Conclusion et Perspectives pour la Gestion des Risques

La méthodologie SwiGAN offre un outil stratégique pour quantifier des risques dont la fréquence et la sévérité échappent aux modèles historiques. Elle permet d'anticiper les besoins en réserves et de tester la viabilité des schémas d'indemnisation actuels face au changement climatique.

Toutefois, certaines limites persistent : l'étude suppose une exposition immobilière statique et ne prend pas en compte les mesures d'adaptation (normes de construction, renforcement des fondations). Néanmoins, la transférabilité de cette architecture GAN à d'autres périls (grêle, inondations par ruissellement) ou à la génération de scénarios économiques synthétiques en fait un atout majeur pour l'actuariat moderne. Elle constitue une brique essentielle pour bâtir des stratégies de prévention et d'adaptation fondées sur une vision probabiliste et spatialisée du risque futur.