Tarification en assurance santé à l’ère du machine learning : une approche actuarielle hybride

Abstract

La tarification en assurance santé constitue un enjeu majeur pour l’équité tarifaire, la soutenabilité financière des portefeuilles et la performance des assureurs. Elle repose traditionnellement sur le cadre actuariel fréquence–sévérité, généralement implémenté à l’aide de modèles linéaires généralisés (GLM). Toutefois, la complexité croissante des données de sinistres met en évidence certaines limites des approches paramétriques classiques. Cet article propose un cadre méthodologique hybride combinant modèles actuariels traditionnels et techniques de machine learning pour estimer le coût individuel attendu des sinistres en assurance santé. Plusieurs approches paramétriques et non paramétriques sont comparées à partir d’un jeu de données de sinistres. Les résultats montrent que les méthodes de machine learning peuvent améliorer la performance prédictive tout en soulignant l’importance de l’interprétabilité et de la gouvernance des modèles dans un environnement assurantiel réglementé.